[ノイズ・雑音除去] 2027年2月9日（火）  10:00～16:00   AI時代のノイズ・雑音除去技術 ～ディジタルフィルタ・適応信号処理からWavelet、Deep Learningまで～ ※[ノイズ・雑音除去] のみのお申込みはコチラから

 

---

得られる知識

・ノイズ・雑音の基本的な種類と性質
・時間領域・周波数領域からノイズを捉える考え方
・FIR/IIRディジタルフィルタの設計と使い分け
・LMS、NLMS、RLS等の適応信号処理
・FFT、STFT、Waveletを用いたノイズ除去
・CNN、Autoencoder等によるDeep Learning型ノイズ除去
・従来型信号処理とAIを組み合わせる考え方
・対象信号・ノイズの性質に応じた手法選択の指針
 

受講対象

・計測・センシングデータを扱う技術者・研究者
・音・音声、振動、生体信号、画像等の信号処理に携わる方
・AI・機械学習のためのデータ前処理に関心のある方
・実測データに含まれるノイズ・雑音への対応に課題を感じている方
・従来型信号処理とDeep Learningの使い分けを学びたい方　など
 

講　　師

埼玉大学　大学院理工学研究科　数理電子情報部門　／　
工学部　情報工学科　教授　博士（工学）　
  　計測信号、音・音声、生体信号、画像、センサデータなど、実際に取得されるデータにはさまざまなノイズ・雑音が含まれます。AI・機械学習の利用が急速に広がる現在においても、入力データに含まれるノイズを適切に除去し、必要な情報をできるだけ損なわずに抽出することは、解析精度やAIの性能を左右する重要な技術です。
　ノイズ除去には、FIR/IIRディジタルフィルタ、適応フィルタ、スペクトル処理、Waveletなど従来から用いられてきた信号処理技術に加え、近年ではCNN、AutoencoderなどのDeep Learningを利用した手法も活用されています。しかし、すべてのノイズに有効な万能な手法が存在するわけではなく、対象信号やノイズの性質を理解したうえで適切な方法を選択することが重要です。
　本セミナーでは、まずノイズ・雑音の種類と性質、周波数解析などの基礎から解説し、FIR/IIRフィルタ、適応信号処理、スペクトル減算法、Waveletによるノイズ除去へと段階的に説明します。さらに、Deep Learningを用いた最新のノイズ除去技術についても紹介します。　音・音声、生体信号、画像、各種センサデータなどの具体例を取り上げながら、「どのようなノイズに、どの手法を使うべきか」「従来型信号処理とAIをどのように使い分けるべきか」という実務上重要なポイントを分かりやすく解説します。
  1．ノイズ・雑音除去の基礎
　1.1 ノイズ・雑音とは何か
　1.2 信号とノイズをどのように区別するか
　1.3 ノイズの種類と性質
　　・白色雑音
　　・有色雑音
　　・周期性雑音
　　・インパルス性雑音
　　・非定常雑音
　1.4 SNR（Signal-to-Noise Ratio）の考え方
　1.5 時間領域と周波数領域からノイズを見る
　1.6 FFTとパワースペクトル
　1.7 実データにおけるノイズ除去の難しさ
　1.8 AI時代にも信号処理の知識が必要な理由

2．ディジタルフィルタによるノイズ除去
　2.1 ディジタルフィルタの基本
　2.2 ローパス・ハイパス・バンドパス・バンドストップフィルタ
　2.3 FIRフィルタの特徴
　2.4 IIRフィルタの特徴
　2.5 FIRとIIRをどう使い分けるか
　2.6 カットオフ周波数とフィルタ次数の決め方
　2.7 位相特性と波形歪み
　2.8 ゼロ位相フィルタリング
　2.9 電源雑音・高周波雑音・基線変動の除去
　2.10 フィルタをかけすぎることで生じる問題
　2.11 実測データに対するフィルタ設計のポイント

3．適応信号処理によるノイズ除去
　3.1 なぜ適応フィルタが必要なのか
　3.2 固定フィルタと適応フィルタの違い
　3.3 適応ノイズキャンセラの基本構成
　3.4 LMSアルゴリズム
　3.5 NLMSアルゴリズム
　3.6 RLSアルゴリズム
　3.7 ステップサイズと収束特性
　3.8 非定常雑音への対応
　3.9 音響エコーキャンセリング
　3.10 Active Noise Controlへの応用
　3.11 生体信号・センサ信号への適用例
　3.12 適応フィルタが有効な場合／有効でない場合

4．周波数・時間周波数領域におけるノイズ除去
　4.1 周波数領域で考えるノイズ除去
　4.2 スペクトル減算法
　4.3 Wiener Filter
　4.4 STFT（Short-Time Fourier Transform）
　4.5 非定常信号の時間周波数解析
　4.6 Wavelet Transformの基本
　4.7 多重解像度解析
　4.8 Wavelet Thresholding
　4.9 Soft Threshold / Hard Threshold
　4.10 Waveletによるノイズ除去の特徴
　4.11 FFT・STFT・Waveletの使い分け

5．Deep Learningによるノイズ除去
　5.1 AIによるノイズ除去とは
　5.2 従来型信号処理とDeep Learningの違い
　5.3 CNNを用いたノイズ除去
　5.4 Autoencoder / Denoising Autoencoder
　5.5 時系列信号に対するDeep Learning
　5.6 画像Denoisingへの応用
　5.7 音・音声Denoisingへの応用
　5.8 生体信号Denoisingへの応用
　5.9 学習データをどのように準備するか
　5.10 Clean Dataが得られない場合の問題
　5.11 学習データと実環境のミスマッチ
　5.12 Deep Learningによるノイズ除去の長所と限界

6．信号処理とAIを組み合わせたノイズ除去
　6.1 「すべてAIに任せる」ことの問題点
　6.2 信号処理をAIの前処理として利用する
　6.3 フィルタリング＋Deep Learning
　6.4 Wavelet＋Deep Learning
　6.5 特徴抽出＋機械学習
　6.6 Signal Processing-Informed AIという考え方
　6.7 ノイズ除去がAI認識精度に与える影響
　6.8 ノイズ除去前後の性能をどう評価するか
　6.9 SNRだけでは評価できないケース
　6.10 信号保存とノイズ除去のトレードオフ

7．対象別に考えるノイズ除去と手法選択
　7.1 音・音声信号
　7.2 振動・設備センサ信号
　7.3 ECG・EEG・EMG等の生体信号
　7.4 画像データ
　7.5 IoT・ウェアラブルセンサ
　7.6 定常ノイズ／非定常ノイズでの手法選択
　7.7 ノイズの事前情報がある場合／ない場合
　7.8 データ量が少ない場合
　7.9 リアルタイム処理が必要な場合
　7.10 従来型信号処理とAIの使い分け
　7.11 実務におけるノイズ除去手法選択の指針
　7.12 今後のノイズ・雑音除去技術

　　□質疑応答□

---

[センサデータ前処理] 2027年2月18日（木）  13:00～16:30   センサデータのAI・機械学習活用のための前処理技術 ～時系列・画像・スペクトル等の生データ処理と特徴量抽出のノウハウ～ ※[センサデータ前処理] のみのお申込みはコチラから

 

---

 

得られる知識

・ 本質の理解：言語データAIに比べ、センサーデータAIが難しい理由を原理から理解できる。　
・ 基礎の習得：センサーデータの前処理の統計・信号処理・機械学習を概観・学習できる
・ 工程の把握：AIツール投入前に行う、生データ前処理の工程を一気通貫で理解できる。
・ 最新トレンド：生成AIの基盤技術「Transformer」を応用するための前処理手法を習得できる。
 

受講対象

・ センサーデータを用いたAI機械学習システムの企画開発に携わる管理者，技術者
・ センサーデータの解析システムを構築しようとする研究者　
・ AI機械学習システムの知識を勉強しようとするソフトウェア技術者　など
 

講　　師

蜷川 忠三　氏
Ｎ研究所(株)　代表取締役 ／ 元岐阜大学　工学部　教授
 

---

［セミナー趣旨］

　センサーデータをAI活用する場面において，センサー生データを機械学習が認識できる特徴量という形へ加工する「前処理」は，地味ながらも決定的に重要な工程です。しかし，既存の書籍や講座の多くは，アルゴリズムや応用事例の解説に偏っているのが現状です。
　種々のシーンで計測される物理量のセンサーデータは，言語データとは比較にならないほど多様で複雑です。ノイズ，欠損，外れ値などに貴重な微弱信号が隠されていることは珍しくなく，そのままではAIツールに入力できません。フィルタリング，信号処理，周波数スペクトル変換といった技を使わないと，AIツールに投入する価値がある特徴量データには仕上がらないのは想像できます。しかし，実際にどのように進めていくのは意外と系統立てて解説されていません。
　本講座では，センサーから得られる物理データを特徴量データへと昇華させる全工程を，定番手法と現実の事例を交えて一気通貫で解説します。さらに，将来の先端技術を見据えて戦略的にデータを蓄積・整備していく指針も提示いたします。講師がメーカー技術者として30年，および大学教授として10年で培った実践的ノウハウを短時間でお伝えします。

［セミナー講演内容］

１．はじめに
１．AI・機械学習用のセンサーデータ前処理の重要性
 
２．センサー生データの種類と複雑さ
　2.1 物理データの種類と特徴
　2.2 データ収集現場の環境
 
３．データ収集と整理のポイント
　3.1 データ前処理の工程構成
　3.2 生データのベクトル化，構造化
　3.4 外れ値，欠損，補間，フィルタリング
 
４．データ前処理における定番手法
　4.1 説明変数決定の定番
　4.2 外れ値選別の定番
　4.3 特徴抽出の定番
 
５．データ前処理が主役効果事例
　5.1 画像分析における前処理事例
　5.2 周波数分析における前処理事例
　5.3 時系列回帰における前処理事例
 
６．将来AIとデータ前処理
　6.1 生成AI Transformer応用に向けて
　6.2 将来LLMエージェントとの融合

　　□質疑応答□