JP2019022055A - ファクシミリ通信装置およびプログラム - Google Patents

Abstract

【課題】通信パラメータを自律的に調整して通信エラーの発生を防ぐことのできるファクシミリ通信装置を提供する。【解決手段】ファクシミリ通信装置は、複数の通信パラメータを所定値に設定してファクシミリ通信を実行した場合の通信の成功・失敗を、複数の通信パラメータを入力パラメータとしファクシミリ通信の成功・失敗を出力値とする深層学習の学習データにより推定し（ステップＳ１０１）、その推定結果が通信失敗の場合に、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にして深層学習された学習データにより、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する修正値生成し(ステップＳ１０３)、該生成した通信パラメータの値の組み合わせを適用してファクシミリ通信を実行する(ステップＳ１０４)。そして、通信結果を深層学習により学習データにフィードバックする（ステップＳ１０５）。【選択図】図４

Description

本発明は、通信エラーの発生を回避するように対策されたファクシミリ通信装置およびプログラムに関する。

ファクシミリ通信でエラーが発生した場合、そのエラー種別が判定されてエラーコードとして記録される。サービスマン等はこのエラーコードやエラーが発生したときの環境条件などに基づいてエラーの発生要因を専門知識や経験則を活用して推定し、たとえば、信号再送までの時間となるタイマー値を変更する、といった対策を講じていた。

一方、ＩＰ網の普及に伴い、ファクシミリ通信の伝送路である通信網もＩＰ電話網への置き換えが徐々に進んでおり、それにともなった通信障害が度々発生するようになってきている。

特にＩＰ電話網の品質は、これまでの公衆回線網(PSTN)と比べると統一された規格・品質基準が存在しないため安定しておらず、導入環境毎に固有の通信障害が発生することが多い。

特開平０３−２４８６７２号公報

ＩＰ電話網における通信障害の原因特定および対策には従来のファクシミリに関する専門的な知識だけでなく、ＩＰ電話網の品質など伝送路に付随する新規技術に対する知見も必要となる。しかし、前述の通り、ＩＰ電話網においては公衆回線網のような統一規格・品質基準がないため、個別の障害対応を通じて得られた知見を元に、障害を改善するといった事はできても、通信で発生する不具合を事前に推定し、それに対応するように通信パラメータを適切に変更して通信を実行する、といったことは困難であった。

特許文献１には、ニューラルネットワークを用いてユーザの好みを学習し、ユーザに最大の満足度を与えるように、画質、操作性、電送速度等のバランスを調整するファクシミリ装置が開示されるが、通信エラーの改善を図るものではない。

本発明は、上記の問題を解決しようとするものであり、通信パラメータを自律的に調整して通信エラーの発生を防ぐことのできるファクシミリ通信装置およびそのプログラムを提供することを目的としている。

かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。

［１］複数の通信パラメータを所定値に設定してファクシミリ通信を実行した場合の通信の成功・失敗を、前記複数の通信パラメータを入力パラメータとしファクシミリ通信の成功・失敗を出力値とする深層学習の学習データにより推定する通信結果推定部と、
前記通信結果推定部の推定結果が通信失敗の場合に、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にして深層学習された学習データにより、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する修正値生成部と、
前記通信結果推定部の推定結果が通信失敗の場合に、前記修正値生成部が生成した通信パラメータの値の組み合わせを適用してファクシミリ通信を実行する通信制御部と、
を有する
ことを特徴とするファクシミリ通信装置。

上記発明では、今回の通信に使用する通信パラメータでファクシミリ通信を行った場合の通信の成功・失敗を、深層学習の学習データを用いて推定し、推定結果が通信失敗の場合は、深層学習の学習データを用いて、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成し、これを適用してファクシミリ通信を実行する。

［２］前記複数の通信パラメータを入力パラメータとし、一のエラー種別による通信エラーの有無を出力値とする深層学習の学習データであるエラー種別毎学習データをエラー種別毎に有し、
前記修正値生成部は、前記通信結果推定部が推定した通信結果が通信失敗の場合に、該通信失敗のエラー種別に対応する前記エラー種別毎学習データに基づいて、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する、
ことを特徴とする［１］に記載のファクシミリ通信装置。

上記発明では、修正値生成部は、エラー種別毎に用意したエラー種別毎学習データを用いて、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する。

［３］前記修正値生成部は、前記通信失敗の要因となったエラー種別に対応する前記エラー種別毎学習データに基づいてその出力値への影響度の高い順に通信パラメータを選択し、該選択した通信パラメータの値を変化させて前記エラー種別毎学習データの出力値がエラーなしになるか否かを調べる再判定処理を繰り返すことで前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する、
ことを特徴とする［２］に記載のファクシミリ通信装置。

上記発明では、修正値生成部は、エラー種別毎学習データにおいて出力値への影響度の高い（結び付きの強い）順に通信パラメータを選択し、その選択した通信パラメータの値を各種に変更して、通信失敗の低減が見込める通信パラメータの値の組み合わせを探索する。

［４］前記修正値生成部は、前記再判定処理において、前記選択した通信パラメータの値の変更範囲、変更幅を所定内に制限する
ことを特徴とする［３］に記載のファクシミリ通信装置。

［５］前記修正値生成部は、前記再判定処理の繰り返し回数もしくは前記再判定処理を繰り返す期間の長さを所定内に制限する
ことを特徴とする［３］または［４］に記載のファクシミリ通信装置。

上記発明では、再判定処理の繰り返し回数が膨大となってファクシミリ通信の開始が遅れて支障が出るような事態を防ぐために、再判定処理の繰り返し回数や処理時間に制限を設ける。

［６］前記複数の通信パラメータを入力パラメータとし、エラー種別にかかわらずファクシミリ通信の成功・失敗を出力値とする深層学習の学習データであるデフォルト学習データを有し、
前記修正値生成部は、前記デフォルト学習データをさらに使用して、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する、
ことを特徴とする［２］乃至［５］のいずれか１つに記載のファクシミリ通信装置。

上記発明では、修正値生成部は、エラー種別毎学習データと、デフォルト学習データを使用して、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する。

［７］前記再判定処理では、前記エラー種別毎学習データの出力値がエラーなしになった通信パラメータの値の組み合わせにより、前記デフォルト学習データの出力値が通信成功になるか否かをさらに調べる
ことを特徴とする［３］乃至［５］のいずれか１つを引用する［６］に記載のファクシミリ通信装置。

上記発明では、再判定処理において、エラー種別毎学習データの出力値がエラーなしとなる通信パラメータの値の組み合わせを見つけた場合に、さらにその通信パラメータの値の組み合わせをデフォルト学習データに入力し、デフォルト学習データの出力値が通信成功になることを確認する。すなわち、通信パラメータの値の修正により別のエラーが発生していないことを確認する。

［８］前記複数の通信パラメータは、通信速度、通信モード・プロトコル、推定の通信時間、信号送受信タイミング・タイマー値、送出レベル、受信感度、相手先情報、および、ＩＰ網に特有のパラメータを含む、
ことを特徴とする［１］乃至［７］のいずれか１つに記載のファクシミリ通信装置。

［９］前記入力パラメータとして追加する通信パラメータの候補を受け付け、前記候補の通信パラメータを入力パラメータに仮追加した学習データによる深層学習を所定期間実施し、前記学習データの出力値への影響度が一定以上高まった候補の通信パラメータを抽出する追加判断部を有し、
前記追加判断部が抽出した通信パラメータを、前記学習データの入力パラメータに追加する
ことを特徴とする［８］に記載のファクシミリ通信装置。

上記発明では、新たな通信パラメータを学習データの入力パラメータに追加する場合、まず、仮追加し、影響度の高いことが確認された場合に本追加する。影響度の高いことが確認されなければ、その通信パラメータは学習データの入力パラメータとして追加しない。

［１０］前記学習データの出力値が通信成功となる通信パラメータの値の組み合わせを前記修正値生成部が生成できた場合に、該通信成功となる通信パラメータの値に基づいて、前記通信パラメータのデフォルト値を変更するデフォルト値変更部をさらに有する
ことを特徴とする［１］乃至［９］のいずれか１つに記載のファクシミリ通信装置。

上記発明では、通信パラメータの値を変更することで、推定の通信結果が、通信失敗から通信成功に変化した場合、該値を変更した通信パラメータのデフォルト値を変更する。デフォルト値は、装置単位デフォルト値あるいは通信相手毎のデフォルト値である。

［１１］前記デフォルト値変更部は、デフォルト値の変更対象に成り得る通信パラメータを、前記学習データの入力パラメータの一部に制限する
ことを特徴とする［１０］に記載のファクシミリ通信装置。

［１２］通信成功となる通信パラメータの値の組み合わせを前記修正値生成部が生成できなかった場合に、ユーザから通信パラメータの値の変更操作を受け付ける変更受付部をさらに有し、
前記通信制御部は、前記変更受付部がユーザによる通信パラメータの値の変更を受け付けた場合は、該変更後の通信パラメータの値を使用してファクシミリ通信を実行する
ことを特徴とする［１］乃至［１１］のいずれか１つに記載のファクシミリ通信装置。

［１３］前記変更後の通信パラメータの値を使用して実行したファクシミリ通信の実行結果が通信失敗となった場合は、前記変更後の通信パラメータの値による深層学習は行わない
ことを特徴とする［１２］に記載のファクシミリ通信装置。

上記発明では、学習データは一旦、学習すると、元に戻れない（不可逆）ので、不確実なデータによる学習データの更新を防止する。

［１４］ファクシミリ通信装置で実行されるプログラムであって、
複数の通信パラメータを所定値に設定してファクシミリ通信を実行した場合の通信の成功・失敗を、前記複数の通信パラメータを入力パラメータとしファクシミリ通信の成功・失敗を出力値とする深層学習の学習データにより推定する通信結果推定ステップと、
前記通信結果推定ステップでの推定結果が通信失敗の場合に、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にして深層学習された学習データにより、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する修正値生成ステップと、
前記通信結果推定ステップでの推定結果が通信失敗の場合に、前記修正値生成ステップで生成した通信パラメータの値の組み合わせを適用してファクシミリ通信を実行する通信ステップと、
を有する
ことを特徴とするプログラム。

本発明に係るファクシミリ通信装置およびそのプログラムによれば、通信パラメータを深層学習により自律的に調整して通信エラーの発生を防ぐことができる。

本発明の実施の形態に係るファクシミリ通信装置の概略構成を示すブロック図である。 ファクシミリ通信で生じる典型的な通信エラーを示す図である。 深層学習をイメージとして表した図である。 ファクシミリ通信装置の動作を示す流れ図である。 エラー種別毎学習データを例示した図である。 通信相手先毎に、エラー履歴と、適用する学習データとの関係を示す図である。 事前学習を経て新規のパラメータを絞り込む作業の手順を示す図である。 通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する処理を示す流れ図である。 再判定処理の回数や実行期間を制限した場合におけるファクシミリ通信装置の動作を示す流れ図である。 推定通信結果が通信失敗の場合に、通信する／しない、および通信パラメータの変更をユーザの判断に任せる場合におけるファクシミリ通信の動作を示す流れ図である。 デフォルト設定値への反映を、影響度の強い通信パラメータに限定する例を示す図である。

以下、図面に基づき本発明の実施の形態を説明する。

図１は、本発明の実施の形態に係るファクシミリ通信装置１０の概略構成を示すブロック図である。ファクシミリ通信装置１０は、デジタル回線やアナログ回線で構成された通信回線を通じて他のファクシミリ通信装置１０と接続される。

ファクシミリ通信装置１０は、通信開始前に、今回の通信に使用予定の各通信パラメータの値で通信した場合の通信結果を、深層学習(ディープラーニング)に依り得た学習データに基づいて推定する。この推定した通信結果が通信エラーの場合は、深層学習の学習データに基づいて、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成（探索）し、該通信パラメータの値の組み合わせを使用してファクシミリ通信を実行する。また、ファクシミリ通信を実行する毎に、使用した通信パラメータの値の組み合わせと実行結果との関係を深層学習の学習データにフィードバックすることで、学習データを次第に当該ファクシミリ通信装置の使用環境に合うように更新して推定の精度を高める。なお、ここでは、深層学習技術を活用し、ＩＰ電話網における通信障害に関係が深い、ファクシミリ通信パラメータについて学習を行うものとする。

図１に戻って説明を続ける。ファクシミリ通信装置１０は、当該ファクシミリ通信装置１０の動作を統括制御するＣＰＵ（Central Processing Unit）１１にバス１２を介してＲＯＭ（Read Only Memory）１３と、ＲＡＭ（Random Access Memory）１４と、ハードディスク装置１５と、不揮発メモリ１６と、画像処理部１７と、スキャナ部２１と、プリンタ部２２と、表示部２３と、操作部２４と、ネットワークＩ／Ｆ部２５と、電話回線Ｉ／Ｆ部２６等を接続して構成される。

ＲＯＭ１３は各種のプログラムや固定データが格納された読み出し専用メモリである。ＣＰＵ１１がＲＯＭ１３に格納されているプログラムに従って処理を実行することによってファクシミリ通信装置１０としての各機能が実現される。

ＲＡＭ１４はＣＰＵ１１がプログラムを実行する際に各種のデータを一時的に格納するワークメモリや画データを格納する画像メモリ、通信用のバッファメモリ等として使用される。

ハードディスク装置１５は大容量の不揮発記憶装置であり、アプリケーションプログラム、ジョブや画像データなどの保存に使用される。ハードディスク装置１５には、深層学習の学習データが記憶される。

不揮発メモリ１６は、電源をオフしても記憶内容が保持されるメモリであり、ユーザ情報や各種の設定情報などが登録される。不揮発メモリ16には、デフォルトの通信パラメータなどが記憶される。

画像処理部１７は、画像の拡大・縮小や解像度変換、符号化、復号化などの処理を行う。

スキャナ部２１は、原稿を光学的に読み取って画像データを取得する機能を果たす。スキャナ部２１は、たとえば、原稿に光を照射する光源と、その反射光を受けて原稿を幅方向に１ライン分読み取るラインイメージセンサと、ライン単位の読取位置を原稿の長さ方向に順次移動させる移動手段と、原稿からの反射光をラインイメージセンサに導いて結像させるレンズやミラーなどからなる光学経路、ラインイメージセンサの出力するアナログ画像信号をデジタルの画像データに変換する変換部などを備えて構成される。

プリンタ部２２は、画像データに応じた画像を記録紙に印刷する機能を果たす。ここでは、記録紙の搬送装置と、感光体ドラムと、帯電装置と、レーザーユニットと、現像装置と、転写分離装置と、クリーニング装置と、定着装置とを有し、電子写真プロセスによって画像形成を行う、所謂、レーザープリンタとして構成されている。他の方式のプリンタであっても構わない。

表示部２３は、液晶ディスプレイなどで構成され、操作画面、設定画面などの各種の画面を表示する。操作部２４は、スタートキー、ストップキー、テンキーなどの各種のボタン類と、液晶ディスプレイの表面に設けられて押下された座標位置を検出するタッチパネルなどで構成され、ユーザがファクシミリ通信装置１０に対して行う各種の操作を受け付ける。

ネットワークＩ／Ｆ部２５は、ＬＡＮ（Local Area Network）やインターネットなどのネットワークを通じて外部端末と通信する機能を果たす。電話回線Ｉ/Ｆ部２６は、ファクシミリ通信のために電話網と接続する機能を果たす。電話回線Ｉ/Ｆ部２６は、モデム、トーン検出部、ＤＡＡなどで構成される。

ＣＰＵ１１はプログラムを実行することで、通信結果推定部３１、修正値生成部３２、通信制御部３３、追加判断部３４、デフォルト値変更部３５、変更受付部３６、深層学習部３７などに機能を果たす。

通信結果推定部３１は、複数の各通信パラメータの値を所定値（デフォルト値やユーザの設定した値）に設定してファクシミリ通信を実行した場合の通信の成功・失敗を、複数の通信パラメータを入力パラメータとし、ファクシミリ通信の成功・失敗を出力値とする深層学習の学習データに基づいて推定する。修正値生成部３２は、通信結果推定部３１の推定結果が通信失敗の場合に、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にした深層学習により成熟された学習データに基づいて、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する。

通信制御部３３は、ファクシミリ通信の実行を制御する。通信制御部３３は、通信結果推定部３１の推定結果が通信失敗の場合に、修正値生成部３２が生成した通信パラメータの値の組み合わせを適用して、あるいはユーザが変更した通信パラメータの値を適用してファクシミリ通信を実行する。

深層学習部３７は、ファクシミリ通信を実行する毎に、該通信に使用した通信パラメータの値の組み合わせと通信結果との関係を深層学習の学習データにフィードバックして学習データを深層学習により更新する。

デフォルト値変更部３５は、修正値生成部３２が生成した通信パラメータの値の組み合わせを適用して実行した通信の結果が、通信成功となった場合に、該通信成功となった通信パラメータの値の組み合わせに基づいて、通信パラメータのデフォルト値を変更する。具体的には、修正値生成部３２によって値が変更された通信パラメータのうち影響度の強いものについて、そのデフォルト値を、修正値生成部３２による変更後の値に変更する。

追加判断部３４は、ＩＰ通信網等に関する新たな通信パラメータを深層学習の学習データの入力パラメータに追加するか否かを判断する。変更受付部３６は、通信結果推定部３１の推定結果が通信失敗の場合に、ユーザから通信パラメータの変更操作等を受け付ける。

図２は、ファクシミリ通信で生じる典型的な通信エラーを示す図である。たとえば、受信側は、ＤＩＳ信号を送出したのち、送信側からＤＣＳ信号が受信されるのを所定時間待機するが、ＤＣＳ信号が所定時間内に受信されない場合は、ＤＩＳ信号を再送する。この再送したＤＩＳ信号と送信側から送られてきたＤＣＳ信号とが衝突すると、受信機はＤＣＳ信号をいつまでたっても受け取ることができず、通信エラーになる。また、送信側においては、ＣＦＲ信号を所定時間内に受信できずにタイムアウトでエラーになる。

図３は、深層学習をイメージ的に表したものである。深層学習は、機械学習の学習方法の一種であり、ニューラルネットワークを多層にして構築したものである。ニューラルネットワークは、単純な計算を行う多数のパーセプトロンをニューロンで結びつけて構成される。各パーセプトロンは、複数の入力値に対して所定の単純な演算を施して１つの出力値を出力する。該演算において各入力値には重み付けされる。重みの付け方により出力値が変化する。重みは、結びつきの強さや影響度の強さ、というようにも表現される。たとえば、パーセプトロンＡの出力値ａがパーセプトロンＢに入力されている場合に、パーセプトロンＢの演算において入力値ａに与える重みは、該入力値ａを出力したパーセプトロンＢとパーセプトロンＡとの結びつきの強さ、に対応する。

深層学習は、教師なしの学習方法であり、反復して学習することで、パーセプトロン同士の結びつきが自律的に適正値に更新されていき、出力値が正解となる確率が次第に高くなる。図３に示すように、最初は、結び付きの強さは均等であっても、様々な入力データで学習を繰り返すことにより、やがて、結び付きの強さが自律的に適正値に変化していく。このようなニューラルネットワークそのものが深層学習の学習データである。

図４は、ファクシミリ通信装置１０の動作を示す流れ図である。ファクシミリ通信装置１０は、複数の通信パラメータを入力値とし、ファクシミリ通信の成功・失敗を出力値とする深層学習の学習データをハードディスク装置１５に記憶して備えている。通信結果推定部３１は、通信開始時に設定された複数の通信パラメータの値を、該深層学習の学習データに入力値として与えることで、この通信パラメータを適用してファクシミリ通信を実行した場合の通信の成功・失敗を該学習データによって推定する（ステップＳ１０１）。推定結果は該学習データの出力値として出力される。

通信制御部３３は、ステップＳ１０１での推定結果が通信成功の場合は（ステップＳ１０２;Ｎｏ）、通信開始時に設定された各通信パラメータの値を適用してファクシミリ通信を実行する（ステップＳ１０４）。ステップＳ１０１での推定結果が通信失敗の場合(ステップＳ１０２;Ｙｅｓ)、修正値生成部３２は、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する(ステップＳ１０３)。

ステップＳ１０１で使用した学習データにおいて出力値(推定通信結果)と結び付きの強い通信パラメータ(入力パラメータ)は、通信結果に大きな影響を与える通信パラメータである。そこで、ステップＳ１０３では、学習データにおいて結びの強い通信パラメータを特定し、該通信パラメータの値を変更することで通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する。この点の詳細は後述する。

その後、通信制御部３３は、ステップＳ１０３で生成した通信パラメータの値の組み合わせを適用してファクシミリ通信を実行する(ステップＳ１０４)。

ステップＳ１０１で得た推定通信結果は、あくまでも「推定」であり、実際の通信結果と異なることも往々にしてある。そこで、深層学習部３７は、通信終了後、該通信に適用した各通信パラメータの値と実際の通信結果とに基づいて深層学習を行って学習データを更新する(ステップＳ１０５)。すなわち、推定通信結果が正しかったか否かをフィードバックすることで、学習データの精度の向上をはかる。

上記のような一連の流れをＮ回（何万、何十万回）繰り返すことで、実際に市場で適用可能な精度の学習データができあがるが、深層学習の技術をそのままファクシミリ通信に適用するだけでは、学習するために膨大な回数(・時間)がかかるため実用的でない。さらに、通信エラーが起き難い総和的な「通信パラメータの組合せ」は生成できても、(いわゆるレアケースと呼ばれる)設置環境や通信相手先固有でしか発生しない通信エラーにおいての効力は非常に限定的となる事が想定される。すなわち、深層学習はあくまでも統計的なものであり絶対的なものでないため、通信エラーが特定のケースでしか発生しない場合は、精度が落ちる傾向になってしまう。

そのため、このようなレアケースに対しても効果的に学習ができるよう、「通信エラーの種別毎」「通信相手先毎」といった単位で、学習データを用意しておくようにする。なお、通信エラーが多発していない場合は、単一の「デフォルト学習データ」を用いる事とする。

たとえば、図５に示すように、受信エラーｘｘという特定の通信エラーが発生するか否かを出力値とする学習データ、送信エラーｙｙという特定の通信エラーが発生するか否かを出力値とする学習データ、など特定のエラー種別に対応した学習データ（これを、以後、エラー種別毎学習データとする）をエラー種別毎に用意する。あるエラーの発生が推定される場合に、そのエラーの種別に対応したエラー種別毎学習データにおける出力値と各入力パラメータとの結び付きを調べることで、エラーの発生に影響度の高い通信パラメータを特定することができる。

デフォルト学習データは、通信エラーの種別を区別することなく、単に通信に失敗するか否かを出力値とする学習データである。
エラー種別毎学習データ、デフォルト学習データはいずれも、メーカの研究室・実験室等において、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にして深層学習を行って市場で適用可能な精度のものが作成されて、ファクシミリ通信装置１０の工場出荷時のハードディスク装置１５に予め保存される。ファクシミリ通信装置１０はこれらの学習データを自機での通信結果に基づく深層学習により更新する。なお、エラー種別毎学習データやデフォルト学習データはすべての通信相手先に共通に用意される、もしくは通信相手先毎に用意される。

「通信エラーの種別毎」「通信相手先毎」といった単位で学習データを持つことで、特定の設置環境や通信相手先固有でしか発生しない通信エラーについても、個別に最適な学習データが適用され、またフィードバックされるようになるため、結果として、レアケースな通信エラーも精度良く救済する事のできる「通信パラメータの値の組合せ」が適宜適用されるため、全体としての通信成功率もより向上する。

たとえば、通信相手先毎に、通信エラーの履歴を保持し、該通信エラーの履歴に応じて、推定通信結果の導出やエラーの低減された通信パラメータの値の組み合わせの導出に使用する学習データを切り替える。図６の例では、通信相手先Ａでは、受信時のＲｘｘエラー、送信時のＴｘｘエラーが多発しているので、送信時はＴｘｘ用学習データを使用（あるいはデフォルト学習データと併用）し、受信時はＲｘｘ用学習データを使用する（あるいはデフォルト学習データと併用する）。通信相手先Ｂでは、送信時のＴｘｘエラーが多発しているので、送信時はＴｘｘ用学習データを使用（あるいはデフォルト学習データと併用）し、受信時はデフォルト学習データを使用する。

このような制御を行うことで、これまで顧客コールをきっかけに調査・対処を行っていたような環境依存の通信エラーに対しても、ファクシミリ通信装置１０が自律的に素早く対処して通信エラーが低減される。その結果、顧客、サービス提供側の双方に利益をもたらすことができる。

次に、深層学習の入力パラメータとなる通信パラメータについて説明する。ここでは、「通信速度」「通信モード・プロトコル」「推定通信時間」「信号送受信タイミング・タイマー値」「送出レベル」「受信感度」「相手先情報」といった複数の通信パラメータを深層学習の学習データの入力パラメータとする。なお、推定通信時間は、送信対象の画像（量や解像度）と通信速度、通信モードなどに基づいて演算で求める。

しかしながら、これらの通信パラメータは、従来のファクシミリに関する専門的な知見を元にして得られたＩＰ電話網特有の事象に対して効果がある代表的な既知の通信パラメータだけであるため、これらに加え「ＩＰ電話網に対するネットワーク制御系のコマンド」「ＩＰ電話網の品質データ」といった、新しい環境特有であって通信成功可否への影響が未知のパラメータを追加していっても良い。

具体的には、既知のファクシミリ通信に影響があるパラメータに限定せず、ＩＰ電話網の品質など伝送路に付随する新規技術に対する知見を元にした全てのパラメータを、入力パラメータとして追加して深層学習を行ってもよい。

しかしながら、全てのパラメータを追加していくと学習データを生成するために必要な学習回数や学習時間が指数関数的に増え、処理速度面における実用性が損なわれてしまう。

そのため、単にパラメータを追加するのではなく、事前学習(データ蓄積)期間を設け、追加したパラメータが出力結果に影響をおよぼした事が確認されたパラメータ、すなわち結びつきが強いパラメータのみを、新たな「該当通信エラー内容の低減が見込める通信パラメータ」として抽出し、それを入力パラメータとして最終的に追加する事とする。

なお事前学習の際、結びつきが弱いと判断されたパラメータについては、通信結果への影響のないパラメータとして、入力パラメータへの追加は行わない。これにより、実際に利用する際の深層学習の学習回数・学習時間を低減することができる。

図７は、事前学習を経て新規のパラメータを絞り込んで追加する作業を示している。同図（ａ）は、追加前の状態である。学習データの入力パラメータは、「通信速度」「通信モード・プロトコル」「推定通信時間」「信号送受信タイミング・タイマー値」「送出レベル」「受信感度」「相手先情報」である。

同図（ｂ）は、追加候補パラメータ１〜３を学習データの入力パラメータに仮追加した様子を示している。この状態で、所定期間に渡って深層学習による事前学習を実施すると、同図（ｃ）に示すように、追加候補パラメータ１〜３の結び付きに強弱が現れる。この例では、追加候補パラメータ１と追加候補パラメータ３の結び付は強くなったが、追加候補パラメータ２の結び付は弱い。

そこで、同図(ｄ)に示すように、追加候補パラメータ１と追加候補パラメータ３は入力パラメータとして正式に追加し、追加候補パラメータ２は入力パラメータに追加しない。

このような取捨選択を、未知のパラメータが定義される度に繰り返し実施することで、未知のパラメータの中から、通信エラー低減の効果が得られるパラメータのみを、実用性を損ねること無く効率的に抽出することができる。

次に、推定通信結果が通信失敗の場合に、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する方法について詳細に説明する。

図８は、通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する処理を示す流れ図である。図８の処理は図４のステップＳ１０３に対応する。推定通信結果が通信失敗の場合、まず、通信失敗がどのような種類の通信エラーによるものか、すなわち、エラー種別を特定し、そのエラー種別のエラーが発生するか否かを出力値とするエラー種別毎学習データを特定する。ここでは、特定した通信エラーがＲｘｘエラーであるものとする。この場合、Ｒｘｘエラーの発生有無を出力値とするエラー種別毎学習データを特定する（ステップＳ２０１）。

特定したエラー種別毎学習データに基づいて、Ｒｘｘエラーの発生に影響の強い１または複数の通信パラメータを結び付きの強い順に特定する（ステップＳ２０２）。

次に、該エラー種別毎学習データにおいて結びつきが強いパラメータを、結びつきが強い順に、予め決められている設定範囲・設定幅（変更範囲、変更幅）を限度に変更して、該エラー種別毎学習データの出力値およびデフォルト学習データにおける出力値がエラー無しになるか否かを調べて再判定（再判定処理を実行）する(ステップＳ２０３〜Ｓ２０６）。

たとえば、Ｒｘｘエラーが発生した場合、Ｒｘｘエラーのエラー種別毎学習データにおいて結び付きの強い通信パラメータの値を所定量変更した通信パラメータの値の組み合わせを生成し、これを、Ｒｘｘエラーのエラー種別毎学習データに入力してＲｘｘエラーが発生するか否かを判断する(ステップＳ２０３)。

エラーが生じるならば（ステップＳ２０４;Ｎｏ）、ステップＳ２０３に戻り、先ほどの通信パラメータの値をさらに変更したり、あるいはこの通信パラメータの変更が設定範囲や設定幅（変更範囲、変更幅）の限度に達している場合は次に結び付きの強い通信パラメータの値もさらに変更したりして、再判定する。

Ｒｘｘエラーのエラー種別毎学習データの出力値がエラー無しとなったら(ステップＳ２０４;Ｙｅｓ)、その変更後の通信パラメータの値の組み合わせをデフォルト学習データに入力して、推定通信結果を求める(ステップＳ２０５)。この推定通信結果が通信失敗ならば(ステップＳ２０６;Ｎｏ)、ステップＳ２０３に戻って処理を継続する。デフォルト学習データによる推定通信結果が通信成功ならば(ステップＳ２０６;Ｙｅｓ)、本処理を終了する。

このように、エラー種別毎学習データを用いることで、通信エラーの要因となった通信パラメータを効率的に早期に特定することができる。また、エラー種別毎学習データでエラー無しとなった通信パラメータの値をデフォルト学習データに入力し、推定通信結果が通信成功になることを確認することで、変更後の通信パラメータの値の組み合わせにより新たな通信エラーが発生しないことを確認することができる。

図８の処理を、「推定通信結果」が成功になるまで実施すると、成功とならない場合や膨大な時間がかかる場合があり、ユーザの操作性に悪影響が出る事が想定される。そのため、再判定処理は、所定の時間や回数といった事項で制限することが望ましい。

図９は、上記の制限を行う場合におけるファクシミリ通信装置１０の動作を示す流れ図である。ファクシミリ通信装置１０の通信結果推定部３１は、通信開始時に設定された複数の通信パラメータの値を、デフォルト学習データに入力値として与えて、この通信パラメータを適用してファクシミリ通信を実行した場合の通信結果（成功・失敗）を推定する（ステップＳ３０１）。

推定結果が通信成功の場合は（ステップＳ３０２;Ｎｏ）、通信開始時に設定された各通信パラメータの値を適用してファクシミリ通信を実行する（ステップＳ３１０）。そして、該通信パラメータの値の組み合わせにより深層学習を行ってデフォルト学習データを更新して(ステップＳ３１１)、本処理を終了する。

推定結果が通信失敗の場合は(ステップＳ３０２;Ｙｅｓ)、発生すると推定された通信エラーの種別を特定し、そのエラー種別に対応するエラー種別毎学習データを特定する(ステップＳ３０３)。次に、このエラー種別毎学習データにおいて出力値と結び付きの強い通信パラメータを特定する（ステップＳ３０４）。この特定した通信パラメータを所定の設定範囲・設定幅（変更範囲、変更幅）の中で変更して、通信パラメータの値の組み合わせを生成し、該通信パラメータの値の組み合わせを該当のエラー種別毎学習データに入力して、当該エラー種別の通信エラーの発生の有無を推定し、判定回数を＋１する（ステップＳ３０５）。

エラー種別毎学習データによる推定結果がエラー有りならば（ステップＳ３０６;Ｎｏ）、ステップＳ３０９に移行する。

エラー種別毎学習データによる推定結果がエラー無しならば（ステップＳ３０６;Ｙｅｓ）、エラー種別毎学習データに入力したもにのと同じ通信パラメータの値の組み合わせをデフォルト学習データに入力して通信結果を推定する（ステップＳ３０７）。推定通信結果が通信失敗ならば（ステップＳ３０８;Ｎｏ）、ステップＳ３０９へ移行する。なお、ここでは、ステップＳ３０７の推定を実施した際には判定回数を＋１しないが、判定回数を＋１するようにしてもよい。

ステップＳ３０９では、判定回数（再判定処理の繰り返し回数）が上限のｎ回に達しているか、もしくは判定開始からの経過時間（再判定処理を繰り返す期間の長さ）が所定時間を超過したか否かを判定する。判定回数がｎ回未満、もしくは判定開始からの経過時間が所定時間以内であれば（ステップＳ３０９;Ｎｏ）、ステップＳ３０５に戻って処理を継続する。判定回数が上限のｎ回に達した場合、もしくは判定開始からの経過時間が所定時間を超えた場合は（ステップＳ３０９;Ｙｅｓ）、ステップＳ３１０に移行する。

デフォルト学習データによる推定結果が通信成功ならば（ステップＳ３０８;Ｙｅｓ）、ステップＳ３１０に移行する。

ステップＳ３１０では、最後に求めた通信パラメータの値の組み合わせを適用してファクシミリ通信を実行し(ステップＳ３１０)、通信実行後は、該通信に適用した各通信パラメータの値と実際の通信結果とに基づいて深層学習により学習データ（デフォルト学習データおよび該当するエラー種別のエラー種別毎学習データ）を更新し(ステップＳ３１１)、本処理を終了する。

なお、図９のステップＳ３０７、ステップＳ３０８は省略してもよい。すなわち、ステップＳ３０６においてエラー種別毎学習データでエラー無しとなる通信パラメータの値の組み合わせが見つかった場合に（ステップＳ３０６;Ｙｅｓ）、それをそのまま適用して通信を実行する（ステップＳ３１０）ようにしてもよい。

更に再判定の結果、「通信失敗」から「通信成功」へと変わった場合は（ステップＳ３０８;Ｙｅｓの場合）、結びつきが強かった通信パラメータの(通信相手先に応じた)デフォルト設定値を変更させておく。たとえば、所定のタイマー値を３秒から６秒に変更することで推定通信結果が通信失敗から通信成功に変化した場合、該タイマ―値のデフォルト設定値を、変更後のタイマー値（６秒）に変更する。これにより、以後の通信において最初から「通信成功」と判定されやすくなることが期待できる。

通信失敗と推定された場合、あくまでもこれは推定で有り必ずしも正しい結果であるとは限らないケースも想定される。そのためユーザに、その旨を伝えて実際に通信するか否かの判断や通信パラメータの値の変更をユーザに委ねる事も可能である。

また、ユーザの判断に任せて通信パラメータの値を変更して通信した結果、通信失敗となった場合は、学習させない事とする。これは深層学習データに対し、余分なデータを入力する事で、逆に学習データの精度が落ちるリスクを低減するためである。

図１０は、ユーザの判断に任せる場合におけるファクシミリ通信の動作を示す流れ図である。ファクシミリ通信装置１０は、通信開始時に設定された複数の通信パラメータの値を、深層学習の学習データ（デフォルト学習データ）に入力値として与えて通信の成功・失敗を推定する（ステップＳ４０１）。

推定結果が通信成功の場合は（ステップＳ４０２;Ｎｏ）、ステップＳ４０７に移行し、ファクシミリ通信を実行する。

推定結果が通信失敗の場合は(ステップＳ４０２;Ｙｅｓ)、ユーザに、現在の各通信パラメータの値でファクシミリ通信を行うと、通信エラーが発生することを表示部２３に表示して通知し、通信するか否か、および通信する場合には通信パラメータの値をユーザが自分で変更するか否かをユーザに問い合わせる(ステップＳ４０３)。

ユーザにより、通信しないが選択された場合は(ステップＳ４０４;Ｎｏ)、本処理を終了する。

ユーザにより、通信する(ステップＳ４０４;Ｙｅｓ)かつ通信パラメータを変更しない（ステップＳ４０５;Ｎｏ）が選択された場合は、現在の通信パラメータの値を適用してファクシミリ通信を実行する（ステップＳ４０７）。

ユーザにより、通信する(ステップＳ４０４;Ｙｅｓ)かつ通信パラメータをユーザが自分で変更する（ステップＳ４０５;Ｙｅｓ）が選択された場合は、ユーザから通信パラメータの値の変更操作を受け付ける（ステップＳ４０６）。そして、ユーザによる変更後の通信パラメータの値を適用してファクシミリ通信を実行する（ステップＳ４０７）。

ファクシミリ通信の実行後は、そのファクシミリ通信が成功したか否かを判断し(ステップＳ４０８)、通信成功の場合は（ステップＳ４０８;Ｙｅｓ）、今回適用した通信パラメータの値の組み合わせと実際の通信結果に基づいて学習データを更新して（ステップＳ４１０）、本処理を終了する。

通信失敗の場合は（ステップＳ４０８;Ｎｏ）、今回の通信に適用した通信パラメータの値がユーザにより変更されたものか否かを判断し(ステップＳ４０９)、ユーザにより変更されたものでなければ（ステップＳ４０９;Ｎｏ）、今回適用した通信パラメータの値の組み合わせと実際の通信結果に基づいて学習データを更新して（ステップＳ４１０）、本処理を終了する。

通信失敗の場合（ステップＳ４０８;Ｎｏ）であって今回の通信に適用した通信パラメータの値がユーザにより変更されたものである場合は（ステップＳ４０９;Ｙｅｓ）学習データを更新せずに本処理を終了する。

なお、図９のステップＳ３０９;Ｙｅｓとなった場合に、図１０のステップＳ４０３へ移行するように構成されてもよい。すなわち、修正値生成部３２が通信成功となる通信パラメータの値の組み合わせを、再判定がｎ回に達する前あるいは所定時間の経過前に得ることができなかった場合に、ユーザへの通知や問い合わせを行うように構成されてもよい。

ところで、通信失敗時には、通信失敗時のプロトコル異常発生タイミングを通信エラーコードから特定し、該当学習データの更新が行われるが、この更新に伴い変更される通信パラメータは技術の進歩により今後も増えていくことが想定される。そのため、実際に、通信に使用するデフォルト値を変更する通信パラメータは、通信成否への影響が大きい(結び付きが強い)上位数個程度としておき、一定の歯止めを設けておく。

たとえば、図１１では、影響度の強い、通信速度、受信感度、相手先情報、のみに限定している。

その結果、通信成功率が向上した場合は、設置された環境 または通信相手先に最適な値に通信のデフォルト値が適宜更新されていくため、通信成功率の更なる向上が見込めるようになる。

以上のように、本発明では、深層学習を用いて通信結果を推定し、通信パラメータを自動的に変更したり、ユーザによる変更を受け付けたりするので、通信成功となる確率を高めることができる。また、深層学習により学習データが更新されることで、それぞれの設置環境や相手先に応じて最適な通信パラメータの値が選択されるようになり、個別対応を自動化することができる。

エラー種別毎や通信相手先毎に学習データを持つことで、適切な出力値を得るまでに必要な学習時間が軽減されると共に、特定の通信環境や相手先でしか生じないレアケースエラーにも適切に対応することができる。

以上、本発明の実施の形態を図面によって説明してきたが、具体的な構成は実施の形態に示したものに限られるものではなく、本発明の要旨を逸脱しない範囲における変更や追加があっても本発明に含まれる。

実施の形態では、推定通信結果が通信失敗になる場合に、エラーの低減される通信パラメータの値の組み合わせを生成し、これを自動的に適用してファクシミリ通信を実行したが、通信パラメータの値の変更をユーザに通知したり、変更後の値で通信を実行してもよいか否か等を問い合わせてユーザの承諾を得るようにしたりしてもよい。

図８、図９の処理では、判定効率を高めるために、エラー種別毎学習データを用いて、変更すべき通信パラメータを特定するようにしたが、たとえば、判定効率は下がるものの、デフォルト学習データにおける結び付きの強さに基づいて通信パラメータを特定し、その値を適宜変更して、通信成功となる（あるいは通信エラーの低減が見込める）通信パラメータの値の組み合わせを生成してもよい。

エラー種別毎学習データやデフォルト学習データは、通信相手先毎に個別に設けてもよいし、通信相手先毎のものと、すべての通信相手先に共通のものの双方を設けるようにしてもよい。

本発明は、Ｇ３、SuperＧ３に限定されず、いかなるＦＡＸ規格にも適用することができる。

１０…ファクシミリ通信装置
１１…ＣＰＵ
１２…バス
１３…ＲＯＭ
１４…ＲＡＭ
１５…ハードディスク装置
１６…不揮発メモリ
１７…画像処理部
２１…スキャナ部
２２…プリンタ部
２３…表示部
２４…操作部
２５…ネットワークＩ／Ｆ部
２６…電話回線Ｉ／Ｆ部
３１…通信結果推定部
３２…修正値生成部
３３…通信制御部
３４…追加判断部
３５…デフォルト値変更部
３６…変更受付部
３７…深層学習部

Claims (14)

1. 複数の通信パラメータを所定値に設定してファクシミリ通信を実行した場合の通信の成功・失敗を、前記複数の通信パラメータを入力パラメータとしファクシミリ通信の成功・失敗を出力値とする深層学習の学習データにより推定する通信結果推定部と、
   前記通信結果推定部の推定結果が通信失敗の場合に、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にして深層学習された学習データにより、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する修正値生成部と、
   前記通信結果推定部の推定結果が通信失敗の場合に、前記修正値生成部が生成した通信パラメータの値の組み合わせを適用してファクシミリ通信を実行する通信制御部と、
   を有する
   ことを特徴とするファクシミリ通信装置。
2. 前記複数の通信パラメータを入力パラメータとし、一のエラー種別による通信エラーの有無を出力値とする深層学習の学習データであるエラー種別毎学習データをエラー種別毎に有し、
   前記修正値生成部は、前記通信結果推定部が推定した通信結果が通信失敗の場合に、該通信失敗のエラー種別に対応する前記エラー種別毎学習データに基づいて、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する、
   ことを特徴とする請求項１に記載のファクシミリ通信装置。
3. 前記修正値生成部は、前記通信失敗の要因となったエラー種別に対応する前記エラー種別毎学習データに基づいてその出力値への影響度の高い順に通信パラメータを選択し、該選択した通信パラメータの値を変化させて前記エラー種別毎学習データの出力値がエラーなしになるか否かを調べる再判定処理を繰り返すことで前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する、
   ことを特徴とする請求項２に記載のファクシミリ通信装置。
4. 前記修正値生成部は、前記再判定処理において、前記選択した通信パラメータの値の変更範囲、変更幅を所定内に制限する
   ことを特徴とする請求項３に記載のファクシミリ通信装置。
5. 前記修正値生成部は、前記再判定処理の繰り返し回数もしくは前記再判定処理を繰り返す期間の長さを所定内に制限する
   ことを特徴とする請求項３または４に記載のファクシミリ通信装置。
6. 前記複数の通信パラメータを入力パラメータとし、エラー種別にかかわらずファクシミリ通信の成功・失敗を出力値とする深層学習の学習データであるデフォルト学習データを有し、
   前記修正値生成部は、前記デフォルト学習データをさらに使用して、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する、
   ことを特徴とする請求項２乃至５のいずれか１つに記載のファクシミリ通信装置。
7. 前記再判定処理では、前記エラー種別毎学習データの出力値がエラーなしになった通信パラメータの値の組み合わせにより、前記デフォルト学習データの出力値が通信成功になるか否かをさらに調べる
   ことを特徴とする請求項３乃至５のいずれか１つを引用する請求項６に記載のファクシミリ通信装置。
8. 前記複数の通信パラメータは、通信速度、通信モード・プロトコル、推定の通信時間、信号送受信タイミング・タイマー値、送出レベル、受信感度、相手先情報、および、ＩＰ網に特有のパラメータを含む、
   ことを特徴とする請求項１乃至７のいずれか１つに記載のファクシミリ通信装置。
9. 前記入力パラメータとして追加する通信パラメータの候補を受け付け、前記候補の通信パラメータを入力パラメータに仮追加した学習データによる深層学習を所定期間実施し、前記学習データの出力値への影響度が一定以上高まった候補の通信パラメータを抽出する追加判断部を有し、
   前記追加判断部が抽出した通信パラメータを、前記学習データの入力パラメータに追加する
   ことを特徴とする請求項８に記載のファクシミリ通信装置。
10. 前記学習データの出力値が通信成功となる通信パラメータの値の組み合わせを前記修正値生成部が生成できた場合に、該通信成功となる通信パラメータの値に基づいて、前記通信パラメータのデフォルト値を変更するデフォルト値変更部をさらに有する
    ことを特徴とする請求項１乃至９のいずれか１つに記載のファクシミリ通信装置。
11. 前記デフォルト値変更部は、デフォルト値の変更対象に成り得る通信パラメータを、前記学習データの入力パラメータの一部に制限する
    ことを特徴とする請求項１０に記載のファクシミリ通信装置。
12. 通信成功となる通信パラメータの値の組み合わせを前記修正値生成部が生成できなかった場合は、ユーザから通信パラメータの値の変更操作を受け付ける変更受付部をさらに有し、
    前記通信制御部は、前記変更受付部がユーザによる通信パラメータの値の変更を受け付けた場合は、該変更後の通信パラメータの値を使用してファクシミリ通信を実行する
    ことを特徴とする請求項１乃至１１のいずれか１つに記載のファクシミリ通信装置。
13. 前記変更後の通信パラメータの値を使用して実行したファクシミリ通信の実行結果が通信失敗となった場合は、前記変更後の通信パラメータの値による深層学習は行わない
    ことを特徴とする請求項１２に記載のファクシミリ通信装置。
14. ファクシミリ通信装置で実行されるプログラムであって、
    複数の通信パラメータを所定値に設定してファクシミリ通信を実行した場合の通信の成功・失敗を、前記複数の通信パラメータを入力パラメータとしファクシミリ通信の成功・失敗を出力値とする深層学習の学習データにより推定する通信結果推定ステップと、
    前記通信結果推定ステップでの推定結果が通信失敗の場合に、予め収集した通信失敗時および通信成功時の通信パラメータの値を元にして深層学習された学習データにより、前記通信失敗の低減が見込める通信パラメータの値の組み合わせを生成する修正値生成ステップと、
    前記通信結果推定ステップでの推定結果が通信失敗の場合に、前記修正値生成ステップで生成した通信パラメータの値の組み合わせを適用してファクシミリ通信を実行する通信ステップと、
    を有する
    ことを特徴とするプログラム。