CN1253830C - 信号处理装置 - Google Patents

Abstract

一种学习用户的操作同时该用户不觉察它、并且允许用户执行最适于该用户的操作的信号处理装置。学习单元(22)监视响应于该用户的操作所馈送的操作信号，并且判断是否它能够用于学习。如果所述操作信号是能够用于学习的学习信号，则所述信息单元(22)根据所述学习操作信号学习作为校正输入信号的标准的校正标准。校正单元(21)基于通过所述学习获得的所述校正标准校正所述输入信号，并且将所述已校正信号作为输出信号输出。所述信号处理装置能够应用于用于减少噪声的NR(降噪)电路。

Description

信号处理装置

技术领域

本发明涉及一种信号处理装置，并且尤其涉及例如通过用户所作的操作改变处理内容或者处理结构以为用户执行优化处理的一种信号处理装置。

背景技术

例如，利用传统NR(降噪)电路，如果用户操作其调节手柄(knob)并设置它处于某位置，则会执行对应于所述手柄位置的噪声消除处理。

现在，输入到所述NR电路的信号的S/N(信噪比)和频率特性等不必要地总是常数，而是，这些通常是变化的。如果输入到所述NR电路的信号的S/N和频率特性等改变，则不必要根据在对应于用户已经设置所述手柄的位置的所述噪声消除处理中输入到所述NR电路的信号进行适当地处理，并且因而，该用户需要频繁地操作手柄以便为他/她自己执行适当的噪声消除处理，这很麻烦。

发明内容

已经据此进行了本发明，并且因而本发明的一个目的是通过用户所作的操作改变处理内容或者处理结构以为用户执行优化处理

根据本发明的信号处理装置包括：信号处理部件，用于输入信号的处理；以及输出部件，用于输出所述信号处理部件的信号处理结果；其中所述信号处理部件的处理结构是基于根据用户操作提供的操作信号而改变的。

信号处理部件可以包括：特性检测部件，用于从所述输入信号中检测特性；处理决定部件，用于基于由所述特性检测部件检测的特性决定关于输入信号的处理内容；以及处理执行部件，用于按照所述处理决定部件决定的处理内容执行对所述输入信号的处理；并且所述特性检测部件、所述处理决定部件、或者所述处理执行部件中至少之一的处理结构可以基于所述操作信号改变。

输出部件可以包括：呈现部件，用于呈现所述信号处理部件的信号处理结果。

特性检测部件的处理结构可以基于所述操作信号改变。

操作信号可以是从多种类型的特性中指定预定数量类型的特性的信号；并且特性检测部件可以改变其结构以检测所述预定数量类型的特性。

特性检测部件可以从输入信号中检测所述预定数量类型的特性；并且处理决定部件可以基于由所述特性检测部件从所述输入信号中检测的所述预定数量类型的特性根据所述输入信号决定在所述处理执行部件中处理内容。

所述输入信号可以是图像信号；处理决定部件可以基于由所述特性检测部件从输入信号中检测的预定数量类型的特性决定是否无改变地输出所述输入信号作为关于输入信号的处理内容；并且处理执行部件通过在处理决定部件的决定之后选择性地输出所述输入信号可以检测在作为所述输入信号的图像信号内的插入字符(telop)。

特性检测部件可以改变其处理结构以基于所述操作信号检测不同于预先提供的特性的新型特性。

特性检测部件可以检测预先准备的特性的动态范围、最大值、中间值、极小值、总和、离散度、具有大于阈值的值的特性的输入信号的数量、或者和所述特性的线性组合，作为新型特性。

处理决定部件的处理结构可以基于操作信号而改变。

处理决定部件可以根据具有这些值的特性的输入信号存储作为在所述特性值与处理内容之间的相关关系的特性/处理相关关系；并且可以根据输入信号决定相关于从输入信号中所检测的特性值的处理内容作为在特性/处理相关关系中的所述处理内容。

处理决定部件基于所述操作信号通过改变在所述特性/处理相关关系中的所述处理内容可以改变其处理结构。

在所述特性/处理相关关系中，关于输入信号可以存在两个处理内容；这些可以是用于输出第一值的输出信号的处理、以及用于输出第二值的输出信号的处理；并且在处理决定部件的决定之后，处理执行部件可以将输入信号二进制化为所述第一和第二值。

处理执行部件的处理结构可以基于所述操作信号而改变。

处理执行部件可以包括：教师数据产生部件，用于从预定学习数据中产生教师数据；学生数据产生部件，用于从所述学习数据中产生学生数据；学习部件，用于学习由所述学生数据和预定预期系数、以及极小化与所述教师数据的误差的预期系数的线性组合获得的所述教师数据的预期值；以及输出信号产生部件，用于通过执行输入信号与由所述学习部件获得的预期系数的线性组合产生输出信号。

学习部件可以通过统计地极小化作为对N次幂的误差的N次幂误差的最小N次幂误差来学习所述预期系数；并且可以通过基于操作信号改变所述N次幂误差来改变其处理结构。

学习部件可以基于通过根据操作信号使用二乘误差的积作为所述N次幂误差和权重的所述学习信号改变所述N次幂误差。

学习部件可以如利用对应于所述操作信号的N次幂的所述N次幂误差那样使用利用由最小N次幂误差获得的预期系数计算的教师数据的预期值的二乘误差和N-2次幂误差的积。

学习部件可以学习所述处理决定部件决定的每个处理内容的所述预期系数；并且所述输出产生部件可以通过输入信号与对应于所述处理决定部件基于输入信号决定的处理内容的预期系数的线性组合产生输出信号。

信号处理部件可以包括：判断部件，用于监视判断是否可用于学习的所述操作信号；学习部件，用于基于作为可用于学习的操作信号的学习操作信号学习作为用于校正输入信号的范数的一校正范数；以及校正部件，用于基于由所述学习获得的所述校正范数校正所述输入信号，并且输出其校正后的信号作为输出信号。

信号处理部件可以包括：教师数据产生部件，用于从预定学习数据中产生教师数据；学生数据产生部件，用于从所述学习数据中产生学生数据；学习部件，用于学习由所述学生数据和预定预期系数、以及极小化与所述教师数据的误差的预期系数的线性组合获得的所述教师数据的预期值；以及输出信号产生部件，用于通过执行输入信号与由所述学习部件获得的预期系数的线性组合产生输出信号。

信号处理部件可以通过统计地极小化作为对N次幂的误差的N次幂误差的最小N次幂误差来学习所述预期系数；并且可以通过基于所述操作信号改变所述N次幂误差来改变其处理结构。

学习部件可以通过根据所述操作信号使用二乘误差的积作为所述N次幂误差和权重基于所述操作信号改变所述N次幂误差。

学习部件可以如利用对应于所述操作信号的N次幂的所述N次幂误差那样使用利用由最小N次幂误差获得的预期系数计算的教师数据的预期值的二乘误差和N-2次幂误差的积。

根据本发明的信号处理方法包括：信号处理步骤，用于输入信号的信号处理；以及输出步骤，用于输出在所述信号处理步骤中的处理的信号处理结果；其中在所述信号处理步骤中的处理结构是基于根据用户操作提供的操作信号而改变的。

根据本发明的记录介质的程序包括：信号处理控制步骤，用于控制输入信号的信号处理；以及输出控制步骤，用于控制在所述信号处理控制步骤中的处理的信号处理结果的输出；其中在所述信号处理控制步骤中的处理结构是基于根据用户操作提供的操作信号而改变的。

根据本发明的所述程序引发计算机去执行：信号处理控制步骤，用于控制输入信号的信号处理；以及输出控制步骤，用于控制在所述信号处理控制步骤中的处理的信号处理结果的输出；其中在所述信号处理控制步骤中的处理结构是基于根据用户操作提供的操作信号而改变的。

利用本发明，输入信号经受信号处理，信号处理结果会输出，并且信号处理的处理结构是基于根据用户操作提供的操作信号而改变的。

附图说明

图1是说明已经应用了本发明的一种优化装置的图；

图2是说明已经应用了本发明的一种优化装置的实施例的一结构例子的方框图；

图3是描述利用图2中所示的优化装置的优化处理的流程图；

图4是说明利用优化装置的NR电路的实施例的一结构例子的方框图；

图5A是表示输入信号的波形图；

图5B是表示输入可靠性的波形图；

图6是描述利用NR电路的校正处理的流程图；

图7是描述利用NR电路的校正参数计算处理的流程图；

图8是描述利用NR电路的控制数据学习处理的流程图；

图9A至9C是描述控制数据学习处理的图；

图10是说明利用优化装置的NR电路的另一实施例的一结构例子的方框图；

图11是说明乘以参数控制数据的像素的图；

图12是描述利用NR电路的校正参数计算处理的流程图；

图13是描述利用NR电路的控制数据学习处理的流程图；

图14是说明利用优化装置的NR电路的另一实施例的一结构例子的方框图；

图15是描述利用图14中所示的优化装置的优化处理的流程图；

图16是说明已经应用了本发明的一种自动驾驶装置的实施例的一结构例子的方框图；

图17是说明图16中所示的优化装置的处理单元的一结构例子的方框图；

图18是描述利用图16中所示的优化装置的校正参数计算处理的流程图；

图19是描述利用图16中所示的优化装置的控制数据学习处理的流程图；

图20是说明图16中所示的优化装置的处理单元另一结构例子的方框图；

图21是说明由图16中所示的计算单元输出的行驶方向的图；

图22是描述图16中所示的优化装置的校正处理的流程图；

图23是描述图16中所示的优化装置的校正参数学习处理的流程图；

图24是说明已经应用了本发明的一种自动驾驶装置的另一结构例子的方框图；

图25是描述图24所示的优化装置的校正参数计算处理的流程图；

图26是描述图24所示的优化装置的校正参数学习处理的流程图；

图27是说明由图24所示的内部信息产生单元产生的内部信息的一例子的图；

图28是说明由图24所示的内部信息产生单元产生的内部信息的一例子的图；

图29是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图30是说明图29中所示的优化装置的学习单元的一结构例子的方框图；

图31是说明图29中所示的优化装置的映射处理单元的一结构例子的方框图；

图32是描述在真实值与预期值之间的误差的图；

图33是描述最小N次幂误差方法的图；

图34是描述权重α_s的图；

图35是描述利用图29中所示的优化装置的图像优化处理的流程图；

图36是说明在最小N次幂范数(norm)与最小二乘范数之间的比较的图；

图37是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图38是描述利用图37中所示的优化装置的图像优化处理的流程图；

图39是说明由图37中所示的内部信息产生单元产生的内部信息的一例子的图；

图40是说明由图37中所示的内部信息产生单元产生的内部信息的一例子的图；

图41是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图42是说明图41中所示的优化装置的系数转换单元的一结构例子的方框图；

图43是说明通过学习产生存储于图41所示的系数存储器中的系数的学习装置的一结构例子的方框图；

图44是描述由图43所示的学习装置的系数决定处理的流程图；

图45是说明预期抽头(tap)的结构的图；

图46是说明对应于预期抽头的抽头位置的系数值的分布的一例子的图；

图47是说明一预期抽头的结构的图；

图48是说明对应于预期抽头的抽头位置的系数值的分布的一例子的图；

图49是说明一预期抽头的结构的图；

图50是说明弹性(spring)模型的图；

图51是说明均衡模型的图；

图52是描述利用图41中所示所优化装置的图像优化处理的流程图；

图53是说明已经应用了本发明的优化装置的另一实施例的一结构的方框图；

图54是描述利用图53所示的优化装置的图像优化处理的流程图；

图55是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图56是说明图55中所示的特征检测单元的一结构例子的方框图；

图57是说明图55中所示的处理决定单元的一结构例子的方框图；

图58是说明图55中所示的处理单元的一结构例子的方框图；

图59是描述由图55中所示的优化装置的插入字符(telop)提取优化处理的流程图；

图60是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图61是描述利用图60中所示的优化装置的插入字符提取优化处理的流程图；

图62是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图63是描述利用图62中所示的优化装置的插入字符提取优化处理的流程图；

图64是描述利用图62中所示的优化装置的插入字符提取优化处理的流程图；

图65是描述利用图62中所示的优化装置的插入字符提取优化处理的流程图；

图66是描述利用图62中所示的优化装置的插入字符提取优化处理的流程图；

图67是描述利用图62中所示的优化装置的插入字符提取优化处理的流程图；

图68是描述利用图62中所示的优化装置的插入字符提取优化处理的流程图；

图69是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图70是说明图69中所示的处理决定单元的一结构例子的方框图；

图71是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图72是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图73是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图74是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图75是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图76是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图77是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图78是描述利用图69中所示的优化装置的插入字符提取优化处理的流程图；

图79是描述利用图69中所示的优化装置的特征切换的流程图；

图80是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图81是说明图80中所示的特征检测单元的一结构例子的方框图；

图82是描述利用图80中所示的优化装置的插入字符提取优化处理的流程图；

图83是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图84是说明图80中所示的特征检测单元的一结构例子的方框图；

图85是描述利用图84中所示的优化装置的插入字符提取优化处理的流程图；

图86是描述利用图84中所示的优化装置的特征的改变内容指令屏幕的图；

图87是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图88是描述利用图87中所示的优化装置的插入字符提取优化处理的流程图；

图89是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图90是说明图89中所示的处理决定单元的一结构例子的方框图；

图91是描述利用图84中所示的优化装置的图像优化处理的流程图；

图92是说明LUT的图；

图93是描述为在LUT上的每个特征指定的处理内容的图；

图94是描述为在LUT上的每个特征指定的处理内容的图；

图95是描述为在LUT上的每个特征指定的处理内容的图；

图96是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的流程图；

图97是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图98是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图99是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图100是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图101是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图102A是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图102B是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图103A是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的流图；

图103B是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图104A是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图104B是描述利用图91中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图105是描述利用图91中所示的优化装置在图像优化处理中的自动LUT改变处理的流程图；

图106是描述利用图91中所示的优化装置在图像优化处理中的自动LUT改变处理的图；

图107是描述利用图91中所示的优化装置在图像优化处理中的自动LUT改变处理的图；

图108是描述利用图91中所示的优化装置在图像优化处理中的自动LUT改变处理的图；

图109是描述利用图91中所示的优化装置在图像优化处理中的自动LUT改变处理的图；

图110是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图111是说明图110中所示的处理决定单元的一结构例子的方框图；

图112是描述利用图110中所示的优化装置的图像优化处理的流程图；

图113是描述利用图110中所示的优化装置在图像优化处理中的手工LUT改变处理的流程图；

图114是描述利用图110中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图115是描述利用图110中所示的优化装置在图像优化处理中的手工LUT改变处理的图；

图116是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图117是说明图116中所示的处理单元的一结构例子的方框图；

图118是一种用于通过学习产生存储于图116中所示的系数存储器中的系数集的学习装置的方框图；

图119是说明图117中所示的映射处理单元的一结构例子的方框图；

图120是描述利用图116中所示的优化装置的学习处理的流程图；

图121是描述利用图116中所示的优化装置的映射处理的流程图；

图122是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图123是说明图122中所示的处理单元的一结构例子的方框图；

图124是描述图122中所示的优化装置的学习处理的流程图；

图125是描述图122中所示的优化装置的映射处理的流程图；

图126是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图127是说明图126中所示的处理单元的一结构例子的方框图；

图128是一种用于通过学习产生存储于图127中所示的系数存储器中的系数集的学习装置的方框图；

图129是描述利用图128中所示的学习装置的系数决定处理的流程图；

图130是描述利用图126中所示的优化装置的图像优化处理的流程图；

图131是说明已经应用了本发明的优化装置的另一实施例的一结构例子的方框图；

图132是说明图131中所示的处理单元的一结构例子的方框图；

图133是描述利用图131中所示的优化装置的图像优化处理的流程图；

图134是说明已经应用了本发明的计算机的一实施例的一结构例子的方框图。

具体实施方式

图1说明已经应用了本发明的一种优化装置的一实施例的一结构例子。在对输入信号执行预定处理(信号处理)之后，所述优化装置将作为处理结果获得的信号作为输出信号输出。用户检查(定性地估计(quanlitativelyequaluate))所述输出结果，并且如果该输出结果不符合个人喜好，则输入对应于该个人喜好的操作信号到所述优化装置上。所述优化装置基于该操作信号改变该处理内容和处理结构，再使该输入信号经受所述预定处理，并且输出所述输出信号。所述优化装置使所述输入信号经受优化处理(为用户优化的处理)，同时对应于由用户操作输入的操作信号重复改变所述处理内容和处理结构，由此输出更接近于该用户喜好的输出信号。

图2说明了图1中所示的优化装置的第一详细结构例子。

利用该优化装置1，为用户优化的处理是通过不使用户知道而学习用户的操作来执行的。即，利用该优化装置，对应于用户操作所提供的操作信号受到监视，并且根据这些是否能够用于学习来传送判断。如果该操作信号是能够用于学习的学习操作信号，则基于该学习操作信号学习作为用于校正输入信号的范数的校正范数。在另一方面，输入信号是基于通过学习获得的校正范数而校正的，并且在校正之后信号会作为输出信号输出。

优化装置1的结构是由校正单元21和学习单元22组成的处理单元11，除了要经受处理的输入信号以外，还对其提供对应于用户操作的操作信号。

所述操作信号是从操作单元2提供的。即，操作单元2的结构是例如：旋转或滑动手柄、开关、触点装置等，并且对应于用户操作的操作信号会提供到组成优化装置1的处理单元11上。

例如数字输入信号以及例如来自学习单元22中充作校正输入信号的校正范数的校正参数会提供到组成优化装置1的校正单元21上。校正单元21基于所述校正参数校正输入信号(信号处理)，并且在所述校正之后将信号作为输出信号输出。

除了从操作单元2要提供到学习单元22的操作信号以外，还根据需要对其提供输入信号或者输出信号。学习单元22监视所述操作信号，并且判断这些是否能够用于学习。如果所述操作信号是能够用于学习的学习操作信号，则学习单元22根据需要利用基于学习操作信号的输入信号和输出信号学习用于校正输入信号的校正参数，并且将这些提供到校正单元21上。

注意，学习单元22具有内置的学习数据存储器53和学习信息存储器55，其中学习数据存储器53存储用于学习的学习数据，而学习信息存储器55存储通过学习获得的后述的学习信息。

接着，将参考图3所示的流程图描述图2中所示的优化装置1执行的处理(优化处理)。

首先，在步骤S1中，学习单元22判断是否已经从操作单元2中接收了学习操作信号。这里，在操作所述操作单元2的情况下，通常地用户首先执行一般操作，并且接着执行详细操作，同时确认根据所述操作而输出的输出信号，并且接着在获得了用户认为是基本上优化的输出信号处停止操作。在获得用户认为是优化的输出信号处对应于操作单元2的位置的操作信号是学习操作信号，并且相应地，如果操作所述操作单元2一预定量的时间或者更长，并且接着停止所述操作，则学习单元22判断在停止时的操作信号作为学习操作信号。

在步骤S1中，如果判断出未接收到学习操作信号，即，如果用户未操作所述操作单元2、或者已经操作然而例如还在寻找优化位置，则跳过步骤S2至步骤S10，流程进入到步骤S11，并且校正单元21根据已经设置的校正参数校正输入信号，输出信号会作为校正结果输出，并且流程返回到步骤S1。

另外，在步骤S1中，如果判断出已经接收到学习操作信号，则所述流程进入到步骤S2，学习单元22基于所述学习操作信号获得用于学习的学习数据，并且流程进入到步骤S3。在步骤S3中，学习数据存储器53存储在步骤S2中获得的最新学习数据。

这里，学习数据存储器53具有能够存储多组学习数据的存储容量。另外，如果该存储容量被充满，则配置学习数据存储器53以用下一个学习数据盖写最旧的存储值。相应地，在学习数据存储器53中存在最新存储的多组学习数据。

在于步骤S3中将所述学习数据存储于学习数据存储器53中之后，流程进入到步骤S4，这里学习单元22利用存储于学习数据存储器53中最新学习数据和存储于学习信息存储器55中的学习信息执行学习，获得校正参数，并且进入到步骤S5。在步骤S5中，学习单元22用部分地通过在步骤S4中的学习获得的新学习信息来更新学习信息存储器55的存储内容，并且流程进入到步骤S6。

在步骤S6中，学习单元22获得表示在步骤S4中获得的校正参数的恰当性的后述恰当性(properness)，流程进入到步骤S7，并且基于该恰当性判断关于在步骤S4中获得的校正参数是否是恰当的。

如果在步骤S7中判断出所述校正参数是恰当的，则跳过步骤S8和S9，流程进入到步骤S10，并且学习单元22输出已判断是恰当的校正参数到校正单元21上，并且流程进入到步骤S11。相应地，在此情形中，在通过步骤S4中的学习获得新的校正参数之后，在校正单元21处执行相继的输入信号校正。

在另一方面，如果在步骤S7中判断出所述校正参数是不恰当的，则流程进入到步骤S8，学习单元22仅使用存储于学习数据存储器53中的学习数据的最新学习数据执行学习，获得校正参数，并且进入到步骤S9。在步骤9中，学习单元22用部分地通过在步骤S8中的学习获得的新学习信息更新学习信息存储器55的存储内容，并且流程进入到步骤S10。在此情形中，在步骤S10中，学习单元22输出仅从在步骤S8中最新的学习数据中获得的校正参数到校正单元21，并且流程进入到步骤S11。相应地，在此情形中，在通过在步骤S8中的学习获得新的校正参数之后在校正单元21处执行相继的输入信号校正。

接着，图4说明了其中图2所示的处理单元11应用到从例如图像信号和音频信号中消除噪声的NR电路的情形的一详细结构例子。

权重存储器31存储权重(系数)W(例如，是0或更大、而不是1、或更小的值)作为从后述的学习单元22的选择单元41中提供的校正参数。权重存储器32存储从计算单元33中提供的权重1-W。

计算单元33提供相减值1-W，其中从1.0中减去从学习单元22的选择单元41中提供的权重W，这是提供给权重存储器32作为权重的。计算单元34将输入信号与存储于权重存储器32中的权重1-W相乘，并且提供相乘值到计算单元36上。计算单元35将存储于权重存储器31中的权重W与存储(锁存)在锁存电路37中的输出信号相乘，并且提供其相乘值到计算单元36上。计算单元36将计算单元34和35的输出相加，并且将其相加值作为输出信号输出。

锁存电路37锁存计算单元36输出的输出信号，并且将这些提供到计算单元35上。

利用图4中所示的实施例，处理单元11的校正单元21的结构是以上的权重存储器31和32、计算单元33、34、35以及36，以及锁存电路37。

该选择单元41选择由权重校正单元46输出的权重或者由操作信号处理单元50输出的权重中的一个或者另一个，并且将它作为校正参数提供到校正单元21上。

配置输入可靠性计算单元42以被提供输入信号，并且获得表示其输入信号可靠性的输入可靠性，它会输出到输出可靠性计算单元43和权重计算单元45上。输出可靠性计算单元43基于来自输入可靠性计算单元42的输入可靠性获得表示输出信号的可靠性的输出可靠性，并且将它提供到锁存电路44和权重计算单元45上。锁存电路44存储(锁存)来自输出可靠性计算单元43的输出可靠性，并且将它提供到输出可靠性计算单元43和权重计算单元45上。

权重计算单元45从来自输入可靠性计算单元42的输入可靠性和来自输出可靠性计算单元43的输出可靠性计算权重，并且将它输出到权重校正单元46上。配置权重校正单元46以从参数控制数据存储器57中提供控制充作校正参数的权重的参数控制数据以及权重，并且权重校正单元46利用所述参数控制数据处理(校正)所述权重，并且将它提供到选择单元41上。

置操作信号处理单元50以被从操作单元2(图2)中提供操作信号，利用操作信号处理单元50处理对其提供的操作信号，并且提供对应于其操作信号的权重到选择单元41、教师(tutor)数据产生单元51、以及学生数据产生单元52上。另外，操作信号处理单元50判断该操作信号是否是上述学习操作信号，并且如果该操作信号是学习操作信号，则该效果的标志(flag)(在下文中称为学习标志)将添加到要输出的权重上。

一旦从操作信号处理单元50接收到带有添加的学习标志的权重，教师数据产生单元51就产生充作学习的教师的教师数据，并且将它提供到学习数据存储器53上。即，教师数据产生单元51将已经对其添加了学习标志的所述权重作为教师数据提供到学习数据存储器53上。

学生数据产生单元52一旦接收到带有从操作信号处理单元50添加的学习标志的权重，就产生充作学习的学生的学生数据，并且将它提供到学习数据存储器53上。即，以与上述输入可靠性计算单元42、输出可靠性计算单元43、锁存电路44以及权重计算单元45相同的方式配置学生数据产生单元52，以计算来自对其提供的输入信号权重，并且在接收到带有对其添加学习标志的权重时将从输入信号中计算的权重作为学生数据提供到学习数据存储器53上。

学习数据存储器53将从教师数据产生单元51中提供的充作对应于学习操作信号的权重的一组教师数据和从学生数据产生单元52中提供的充作在接收学习操作信号时从输入信号中计算的权重的学生数据存储为一组学习数据。如上所述，学习数据存储器53能够存储多组学习数据，并且另外，当存储学习数据到存储容量时，配置它以通过盖写最旧的值存储下一个学习数据。相应地，学习数据存储器53基本地总是具有几个存储于此的最新学习数据组。

参数控制数据计算单元54学习存储于学习数据存储器53中充作学习数据的教师数据和学生数据，以及如果需要，学习在判断控制单元56的控制下通过利用存储于学习信息存储器55中的学习信息计算新学习信息而极小化预定统计误差的参数控制数据，它会提供到判断控制单元56上。另外，参数控制数据计算单元54用通过学习获得的新学习信息更新学习信息存储器55中的存储内容。学习信息存储器55存储来自参数控制数据计算单元54的学习信息。

判断控制单元56通过参考存储在学习数据存储器53中的最新学习数据判断从参数控制数据计算单元54中提供的参数控制数据的恰当性。另外，判断控制单元56控制参数控制数据计算单元54，并且将从参数控制数据计算单元54提供的参数控制数据提供到参数控制数据存储器57上。参数控制数据存储器57用从判断控制单元56提供的参数控制数据更新其所存储的内容，并且将它提供到权重校正单元46上。

利用图4中所示的实施例，处理单元11的学习单元22的结构是上述选择单元41至权重校正单元46、以及操作信号处理单元50至参数控制数据存储器57。

利用充作上述配置的NR电路的优化装置1的处理单元11，在输入信号中的噪声将消除如下。

即，例如，为了简化描述，如图5A所示，通过使带有高噪声电平的输入信号(即，具有差的S/N的信号)的权重变小到例如噪声的程度，同时使带有低噪声电平的输入信号(即，具有好的S/N的信号)的权重变大，能够有效地消除噪声，通过取其平均，考虑消除与具有在其上叠加了随时间波动的噪声的固定真实值的输入信号有关的随时间波动的噪声。

相应地，利用图4所示的NR电路，通过获得输入信号与真实值的接近度(即，表示输入信号是真实值的可靠性的输入可靠性)作为例如如图5B所示的输入信号的估值，能够有效地消除噪声，并且通过执行对应于该输入信号的输入可靠性的权重计算其平均值。

相应地，利用图4所示的NR电路，根据输入信号获得使用对应于其输入可靠性的权重的权重平均值，并且作为输出信号输出，并且能够用以下表达式获得输出信号y(t)，其中在时间t时的输入信号、输出信号、以及输入可靠性用x(t)、y(t)、以及α_x(t)表示。

[表达式1]

$y\left(t\right)=\frac{\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\α}}_{x\left(i\right)}x\left(i\right)}{\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\α}}_{x\left(i\right)}}\·\·\·\left(1\right)$

其中，输入可靠性α_x(t)越大，则所提供的权重越大。

从表达式(1)中，来自从当前时间t往回一个采样的输出信号y(t-1)能够从以下表达式获得。

[表达式2]

$y(t-1)=\frac{\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{\mathrm{\α}}_{x\left(i\right)}x\left(i\right)}{\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{\mathrm{\α}}_{x\left(i\right)}}\·\·\·\left(2\right)$

另外，还根据输出信号y(t)，引入表示到真实值的接近度(即，输出信号y(t)是真实值的可靠性)的输出可靠性α_y(t)作为输出信号y(t)的估值，并且从当前时间t往回一个采样的输出信号y(t-1)的输出可靠性α_y(t-1)由以下表达式定义。

[表达式3]

${\mathrm{\α}}_{y(t-1)}=\underset{i=0}{\overset{t-1}{\mathrm{\Σ}}}{\mathrm{\α}}_{x\left(i\right)}\·\·\·\left(3\right)$

在此情形中，从表达式(1)至(3)中，其输出信号y(t)和输出可靠性α_y(t)能够表达如下。

[表达式4]

$=\frac{{\mathrm{\α}}_{y(t-1)}y(t-1)+{\mathrm{\α}}_{x\left(t\right)}x\left(t\right)}{{\mathrm{\α}}_{y(t-1)}+{\mathrm{\α}}_{x\left(t\right)}}\·\·\·\left(4\right)$

[表达式5]

            α_y(t)＝α_y(t-1)+α_x(t)          …(5)

另外，用于获得在时间t时的输出信号y(t)的权重是用w(t)表示的，并且由以下表达式定义。

[表达式6]

$w\left(t\right)=\frac{{\mathrm{\α}}_{y(t-1)}}{{\mathrm{\α}}_{y(t-1)}+{\mathrm{\α}}_{x\left(t\right)}}\·\·\·\left(6\right)$

从表达式6中，以下表达式成立。

[表达式7]

$1-w\left(t\right)=\frac{{\mathrm{\α}}_{x\left(t\right)}}{{\mathrm{\α}}_{y(t-1)}+{\mathrm{\α}}_{x\left(t\right)}}\·\·\·\left(7\right)$

利用表达式(6)和(7)，表达式(4)中的输出信号y(t)能够用来自以下相乘和相加的加权平均来表达。

[表达式8]

y(t)＝w(t)y(t-1)+(1-w(t))x(t)                  …(8)

注意，在表达式(8)中使用的权重w(t)(和1-w(t))能够从表达式(6)中的从往回一个采样的输出信号y(t-1)的输出可靠性α_y(t-1)和当前输入信号x(t)的输入可靠性α_x(t)中获得。另外，在表达式(5)中的当前输出信号y(t)的输出可靠性α_y(t)也能够从往回一个采样的输出信号y(t-1)的输出可靠性α_y(t-1)和当前输入信号x(t)的输入可靠性α_x(t)中获得。

现在，使用相关变量σ_x(t) ²或者σ_y(t) ²的倒数作为输入信号x(t)的输入可靠性α_x(t)或者输出信号y(t)的输出可靠性α_y(t)，即，以下述表达式定义输入可靠性α_x(t)和输出可靠性α_y(t)。

[表达式9]

${\mathrm{\α}}_{x\left(t\right)}=\frac{1}{{{\mathrm{\σ}}_{x\left(t\right)}}^2}$

${\mathrm{\α}}_{y\left(t\right)}=\frac{1}{{{\mathrm{\σ}}_{y\left(t\right)}}^2}\·\·\·\left(9\right)$

在表达式(6)中的权重w(t)和在表达式(7)中的权重1-w(t)能够从以下表达式中获得。

[表达式10]

$w\left(t\right)=\frac{{{\mathrm{\σ}}_{x\left(t\right)}}^2}{{{\mathrm{\σ}}_{y(t-1)}}^2+{{\mathrm{\σ}}_{x\left(t\right)}}^2}\·\·\·\left(10\right)$

[表达式11]

$1-w\left(t\right)=\frac{{{\mathrm{\σ}}_{y(t-1)}}^2}{{{\mathrm{\σ}}_{y(t-1)}}^2+{{\mathrm{\σ}}_{x\left(t\right)}}^2}\·\·\·\left(11\right)$

另外，σ_y(t) ²能够从以下表达式获得。

[表达式12]

σ_y(t) ²-w(t)²σ_y(t-1) ²+(1-w(t))²σ_x(t) ²        …(12)

图4中所示的NR电路基本地按照表达式(6)以执行用于计算充作权重w(t)的校正参数的校正参数计算处理，并且按照表达式(8)利用权重w(t)计算在来自往回一个采样的输出信号y(t-1)与当前输入信号x(t)之间的加权平均，由此执行用于有效地消除在输入信号x(t)中包含的噪声的校正处理。

现在，用户将不必感觉作为通过按照表达式(6)获得的权重w(t)进行的输入信号的校正处理的结果而获得的输出信号是优化的。相应地，图4所示的NR电路通过学习用户对操作单元2的操作，执行控制数据学习处理，用于获得用来控制(校正)充作校正参数的权重w(t)的参数控制数据，并且利用由所述参数控制数据校正的权重执行输入信号的校正处理。

所述控制数据学习处理将执行如下。

即，能够将对应于用户在第i时间操作所述操作单元2所提供的学习操作信号的权重W_i视为是该用户认为关于在提供了学习操作信号时所输入的输入信号是优化的，并且相应地，获得能够将按照表达式(6)获得的权重w(t)校正为接近于对应于所述学习操作信号的权重W_i的值(理想地，相同的值)的参数控制数据对于所述控制数据学习处理是充分的。

最好，让我们现在考虑取按照表达式(6)获得的权重w(t)作为充作学习的学生的学生数据，并且取对应于所述学习操作信号的权重W_i作为充作学习的教师的教师数据，并且从充作学生数据的权重w(t)中获得由诸如以下表达式所示的参数控制数据a和b定义的线性表达式所预期的教师数据的权重W_i的预期值W_i′。

[表达式13]

W_i′＝a w_i+b                               …(13)

注意，在表达式(13)中(在后述的表达式(14)和表达式(16)至(21)中也一样)，w_i表示充作根据在输入对应于充作教师数据的学习操作信号的权重w_i时输入的输入信号按照表达式(6)所获得的学生数据的权重w(t)。

从表达式(13)中，在充作教师数据的w_i与其预期值W_i′之间的误差(预期误差)e_i是如在以下表达式中所示来表示的。

[表达式14]

e_i＝w_i-W_i′

＝w_i-(a w_i+b)                      …(14)

现在，让我们考虑获得如在以下表达式中表示的、利用最小二乘法(也叫作最小二乘误差法)极小化在表达式(14)中的预期误差e_i的二乘(二次幂)误差的和的参数控制数据a和b。

[表达式15]

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e_i}^2\·\·\·\left(15\right)$

注意，在表达式(15)中(在后述的表达式(16)至(21)中也一样)，N表示教师数据和学生数据的组数。

首先，利用所述参数控制数据a和b，表达式(15)中的二乘误差的和的偏微分产生以下表达式。

[表达式16]

$\frac{\∂\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e_i}^2}{\∂a}=-2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i(w_i-(a{w}_i+b))\·\·\·\left(16\right)$

[表达式17]

$\frac{\∂\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e_i}^2}{\∂b}=-2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(w_i-(a{w}_i+b))\·\·\·\left(17\right)$

由于在表达式(15)中的二乘误差的和的最小值(极小值)能够由使在表达式(16)和(17)的右边为0的a和b来获得，所以设置表达式(16)和(17)两者的右边为0分别地从表达式(16)产生表达式(18)、以及从表达式(17)产生表达式(19)。

[表达式18]

$N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i{W}_I=\mathrm{Nb}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i+\mathrm{Na}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w_i}^2\·\·\·\left(18\right)$

[表达式19]

$\mathrm{Nb}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i-a\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i\·\·\·\left(19\right)$

将表达式(19)代入表达式(18)使得参数控制数据a能够从以下表达式中获得。

[表达式20]

$a=\frac{N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i{W}_i-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_i}{N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w_i}^2-{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i\right)}^2}\·\·\·\left(20\right)$

另外，根据表达式(19)和(20)，可以从下列表达式获得参数控制数据b。

[表达式21]

$b=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_i-a\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i}{N}\·\·\·\left(21\right)$

利用图4所示的NR电路，为获得参数控制数据a和b如上所述执行控制数据学习处理。

接着，将参考图6至8中的流程图描述图4所示的NR电路执行的所述校正处理、校正参数计算处理、以及控制数据学习处理。

首先，将参考图6中的流程图描述校正处理。

一旦从学习单元22的选择单元41中提供充作校正参数的权重w(t)到校正单元21上，则校正单元21的权重存储器31以盖写(overwrite)的形式存储该权重w(t)。另外，校正单元21的计算单元33从1.0中减去权重w(t)，获得权重1-w(t)，将其提供到权重存储器32中，并且以盖写的形式存储它。

接着，一旦提供了输入信号x(t)，则在步骤S21中计算单元34计算输入信号x(t)与存储于权重存储器32中的权重1-w(t)的积，并且将其提供到计算单元36上。另外，在步骤S21中，计算单元35计算存储于权重存储器31中的权重w(t)与由锁存电路37锁存的往回一个采样(one sample back)的输出信号y(t-1)的积，并且将其提供到计算单元36上。

接着流程进入到步骤S22，这里计算单元36将的输入信号x(t)与权重1-w(t)的积和权重w(t)与输出信号y(t-1)的积相加，由此获得输入信号x(t)和输出信号y(t-1)的加权相加值(1-w(t))x(t)+w(t)y(t-1)，它将作为输出信号y(t)输出。该输出信号y(t)还会提供到锁存电路37上，并且锁存电路37以盖写的形式存储该输出信号y(t)。接着，流程进入到步骤S21，等待下一个要提供的采样的输入信号，并且接着重复相同的处理。

接着，将参考图7所示的流程图描述校正参数计算处理。

首先在步骤S31中，输入可靠性计算单元42利用校正参数计算处理，基于例如输入信号的离散度获得输入可靠性α_x(t)。

即，输入可靠性计算单元42具有内置的未示出的能够锁存除了当前输入信号的采样x(t)以外的几个过去采样的FIFO(先入先出)存储器，利用当前输入信号的采样x(t)和几个过去采样计算它们的离散度，获得该离散度的倒数作为输入可靠性α_x(t)，并且将其提供到输出可靠性计算单元43和权重计算单元45上。注意，存在其中在刚开始输入所述输入信号时没有足够数量的用于计算离散度所需的输入信号采样的情形，然而，在此情形中，会输出例如缺省值作为输入可靠性α_x(t)。

接着，流程进入到步骤S32，并且权重计算单元45按照表达式(6)利用来自输入可靠性计算单元42中的输入可靠性α_x(t)获得权重w(t)。

即，在从输入可靠性计算单元42提供输入可靠性α_x(t)到权重计算单元45时，输出可靠性计算单元43已经输出的往回一采样的输出可靠性α_y(t-1)会锁存在锁存电路44中，并且在步骤S32中，权重计算单元45按照表达式(6)利用来自输入可靠性计算单元42中的输入可靠性α_x(t)和由锁存电路44锁存的输出可靠性α_y(t-1)获得权重w(t)。该权重w(t)会提供到权重校正单元46上。

接着，流程进入到步骤S33，并且权重校正单元46从参数控制数据存储器57中读取参数控制数据，并且进入到步骤S34。在步骤S34中，权重校正单元46判断从参数控制数据存储器57中读取的参数控制数据是否是其中权重w(t)未得到校正的模式的数据，即，就是说，表示其中权重w(t)是不论用户在操作单元2处的操作从在权重计算单元45处的输入可靠性和输出可靠性中自动地获得的用于无改变地作为用于校正输入信号x(t)的权重W使用的一种模式(在下文中称为自动模式)的自动模式数据。

在步骤S34中，如果判断出所述参数控制数据不是自动模式数据，则流程进入到步骤S35，权重校正单元46按照由从参数控制数据存储器57提供的参数控制数据a和b定义的表达式(13)中的线性表达式校正从权重校正单元45提供的权重w(t)，并且进入到步骤S36。在步骤S36处，权重校正单元46将校正后权重提供给选择单元41，并且进入到步骤S37。其中，在表达式(13)中，w_i等价于从权重计算单元45提供的权重w(t)，并且W_i′等价于所述校正后权重W。

在另一方面，在步骤S34中，如果判断出所述参数控制数据是自动模式数据，则流程跳过步骤S35，进入到步骤S36，这里权重校正单元46将来自权重计算单元45的权重w(t)无改变地提供到选择单元41上，并且流程进入到步骤S37。

在步骤S37中，输出可靠性计算单元43更新该输出可靠性。即，输出可靠性计算单元43按照表达式(5)将输入可靠性计算单元42已经在先前步骤S31中直接计算的输入可靠性α_x(t)和锁存电路44已经锁存的往回一采样的输出可靠性α_y(t-1)相加，由此获得以盖写形式存储于锁存电路44中的当前输出可靠性α_y(t)。

接着，流程进入到步骤S38。并且选择单元41从操作信号处理单元50的输出中判断用户是否操作了操作单元2。如果在步骤S38判断出操作单元2未受操作，则流程进入到步骤S39，在这里选择单元41选择从权重校正单元46提供的权重(在下文中称为校正权重)，该权重会输出到校正单元21上，并且流程返回步骤S31。

另外，在步骤S38中，如果判断出操作单元2正受到操作，则流程进入到步骤S40，在这里选择单元41选择要由操作信号处理单元50根据所述操作输出的权重，并且输出它到校正单元21上，并且流程返回到步骤S31。

相应地，在图7中所示的校正参数计算处理中，如果操作单元2未受操作，则所述校正权重会提供到校正单元21上，同时如果操作单元2正受到操作，则对应于该操作信号的权重会提供到校正单元21上。结果，在校正单元21上，如果操作单元2未受操作，则输入信号会通过所述校正权重得到校正，并且如果操作单元2正受到操作，则该输入信号由对应于该操作信号的权重来校正。

另外，在图7中所示的校正参数计算处理中，在自动模式的情形中，仅从所述输入可靠性和输出可靠性获得要用于校正处理的权重，而不论操作单元2的操作，并且如果不在所述自动模式中，则利用通过在后述的控制数据学习处理中学习获得的参数控制数据基于操作单元2的操作来获得要用于校正处理的权重。

接着，将参考图8所示的流程图描述控制数据学习处理。

在控制数据学习处理中，首先，在步骤S41中，操作信号处理单元50判断是否已经从操作单元2接收到学习操作信号，并且如果判断出未接收到这些，则流程返回到步骤S41。

另外，如果在步骤S41中判断出已经从操作单元2接收到学习操作信号，即，如果能够判断出用户已经操作了操作单元2以获得期望的输出信号，例如，诸如在其中开始操作操作单元2、其后连续地执行操作一段第二时间t2或更长、其后连续地停止其操作一段第三时间t3或更长的情形中，或者在其中开始操作操作单元2、其后连续地停止其操作一段第三时间t3或更长的情形中，则流程进入到步骤S42，在这里，教师数据产生单元51产生教师数据，同时学生数据产生单元52产生学生数据。

即，在接收了学习操作信号的情况下，操作信号处理单元50将对应于该学习操作信号的权重W(例如，对应于操作单元2的操作总量或者充作操作单元2的手柄或控制杆的位置的权重W)与一学习标志一起提供到教师数据产生单元51和学生数据产生单元52上。一旦接收到带一学习标志的权重W，则教师数据产生单元51获得该权重W作为教师数据，并且将其提供到学习数据存储器53上。另外，一旦接收到带一学习标志的所述权重，则学生数据产生单元52获得对应于在该时间的输入信号的权重w作为学生数据，并且将其提供到学习数据存储器53上。

这里，对应于输入信号的权重w是指自动获得的权重，就是说，从所述输入可靠性和输出可靠性中，按照表达式(6)，并且如上所述，学生数据产生单元52从输入信号中计算对应于该输入信号的该权重w。

一旦从教师数据产生单元51中接收了教师数据W并且从学生数据产生单元52中接收了学生数据w，则在步骤S43中学习数据存储器53存储该组最新教师数据W和学生数据w，并且进入到步骤S44。

在步骤S44中，参数控制数据计算单元54为最小二乘执行关于教师数据和学生数据的加入。

即，参数控制数据计算单元54执行在表达式(20)和(21)中的等价于学生数据w_i和教师数据W_i的乘积(w_i W_i)和总和(∑w_iW_i)的计算、等价于学生数据w_i的总和(∑w_i)的计算、等价于教师数据W_i的总和(∑W_i)的计算、以及等价于学生数据w_i的与其自身的乘机的和(∑w_i ²)的计算。

现在，举例说，已经获得N-1组教师数据和学生数据，并且已经获得的第N组教师数据和学生数据作为最新的教师数据和学生数据，此时在参数控制数据计算单元54中已经执行了加入关于第N-1组教师数据和学生数据的相加。相应地，关于第N组教师数据和学生数据，只要其中已经执行了加入关于第N一1组教师数据和学生数据的结果已经得到保存，则通过加入第N组教师数据和学生数据，就能够获得包括最新教师数据和学生数据的加入第N组教师数据和学生数据的结果。

相应地，配置参数控制数据计算单元54以在学习信息存储器55中存储先前加入结果作为学习信息，并且利用该学习信息以执行关于第N组教师数据和学生数据的加入。现在，用于所述加入的教师数据和学生数据的组数N就此也是用于所述加入所必需的，并且配置学习信息存储器55以也存储所述组数N作为学习信息。

在执行在步骤S44中的加入之后，参数控制数据计算单元54以盖写的形式将该加入结果作为学习信息存储于学习信息存储器55中，并且流程进入到步骤S45。

在步骤S45中，参数控制数据计算单元54判断是否有可能利用表达式(20)和(21)从存储于学习信息存储器55中的充作学习信息的所述加入结果中获得参数控制数据a和b。

即，利用在下文中作为适当的学习对的该组教师数据和学生数据，能够从表达式(20)和(21)中获得参数控制数据a和b，除非存在由至少两个学习对获得的学习信息。相应地，在步骤S45中，判断出关于是否有可能从该学习信息中获得参数控制数据a和b。

如果在步骤S45中判断出获得参数控制数据a和b是不可能的，则参数控制数据计算单元54提供类似的通知到判断控制单元56上，并且流程进入到步骤S49。在步骤S49中，判断控制单元56提供指示自动模式的自动模式数据到参数控制数据存储器57上，在这里将其作为参数控制数据存储。接着流程返回步骤S41，并且接着，重复相同的处理。

相应地，如果不存在足够的获得参数控制数据a和b的学习信息，则如根据图7所述不改变地使用从所述输入可靠性和输出可靠性中自动获得的权重w(t)用于校正输入信号x(t)。

在另一方面，如果在步骤S45中判断出能够获得参数控制数据a和b，则流程进入到步骤S46，在这里参数控制数据计算单元54通过利用所述学习信息计算表达式(20)和(21)获得参数控制数据a和b，它会提供到判断控制单元56上，并且流程进入到步骤S47。

在步骤S47中，判断控制单元56按照由来自参数控制数据计算单元54中的参数控制数据a和b定义的表达式(13)中的线性表述式，从存储于学习数据存储器53中的每一个学生数据中获得相应教师数据的预期值，并且获得用于其预期值的预期误差(关于存储于学习数据存储器53中的教师数据的误差)的在表达式(15)中指示的二乘误差的总和。另外，判断控制单元56获得其中将所述二乘误差的和除以例如存储于学习数据存储器53中的学习对的数量的标准误差，并且流程进入到步骤S48。

在步骤S48中，判断控制单元56判断该标准误差是否大于(等于或者多于)预定的阈值S1。在步骤S48中，如果判断出该标准误差大于所述预定的阈值S1，即，如果判断出在由参数控制数据a和b定义的表达式(13)中的线性表达式不以精确的方式近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S49，在这里判断控制单元56将指示自动模式的自动模式数据作为参数控制数据提供到参数控制数据存储器57上，如上所述存储它于此。流程进入到步骤S41，并且重复相同的处理。

相应地，即使能够获得参数控制数据a和b，如果在由参数控制数据a和b定义的表达式(13)中的线性表达式不以精确的方式近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则以如其中不存在足够的获得参数控制数据a和b的学习信息的情形中相同的方式不改变地使用从所述输入可靠性和输出可靠性中自动获得的权重w(t)用于校正输入信号x(t)。

在另一方面，在步骤S48中，如果判断出所述标准误差不大于预定阈值S1，即，如果在由参数控制数据a和b定义的表达式(13)中的线性表达式以精确的方式近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S50，在这里，判断控制单元56获得通过由来自参数控制数据计算单元54中参数控制数据a和b定义的表达式(13)中的线性表达式表示的回归线之间的误差，和由存储于学习数据存储器53中的最新的教师数据和学生数据规定的点。

然后流程前进到步骤S51，在这里判断控制单元56判断误差ε的大小是否大于(等于或者多于)预定阈值S2，并且如果判断出它不大于，则跳过步骤S52，流程进入到步骤S53，并且判断控制单元56将在步骤S46中获得的参数控制数据a和b输出到参数控制数据存储器57上。参数控制数据存储器57以盖写的形式存储来自判断控制单元56的所述参数控制数据a和b，并且流程进入到步骤S41。

在另一方面，如果在步骤S51中判断出误差ε的大小大于预定阈值S2，则流程进入到步骤S52，在这里判断控制单元56通过控制参数控制数据计算单元54(不利用在学习信息存储器55中的学习信息)，仅利用从存储于学习数据存储器53中的充作最新教师数据和学生数据的最新学习对的往回预定数量的学习对来重新计算所述参数控制数据a和b。流程进入到步骤S53，在这里判断控制单元56将在步骤S52中获得的参数控制数据a和b输出到参数控制数据存储器37上，在这里以盖写形式存储它，并且流程进入到步骤S41。

相应地，如果能够获得参数控制数据a和b，并且如果在由参数控制数据a和b定义的表达式(13)中的线性表达式以精确的方式近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则校正从按照由通过利用基于用户操作操作单元2获得的学习对执行的学习而获得的参数控制数据a和b所定义的表达式(13)所述输入可靠性和输出可靠性中获得的权重w(t)，并且通过其校正获得的校正权重W用于输入信号x(t)的校正。

现在，由在步骤S46中获得的参数控制数据a和b定义的表达式(13)中的线性表达式表示的回归线是极小化具有由如图9A所示的N组教师数据和学生数据规定的N个点的二乘误差(的总和)的线，并且在步骤S50中获得在该线与由最新的教师数据和学生数据规定的点之间的误差ε。

如果该误差ε的大小不大于所述阈值S2，则由在步骤46中获得的参数控制数据a和b定义的表达式(13)中的线性表达式表示的回归线能够被认为是以相对精确的方式近似由迄今所提供的教师数据和学生数据规定的每个点，包括用最新教师数据和学生数据规定的点。

然而，如果误差ε的大小大于所述阈值S2，即，如果如图9B所示，由最新教师数据和学生数据规定的点(在图9B中用圆表示)很偏离由在步骤46中获得的参数控制数据a和b定义的表达式(13)中的线性表达式表示的所述回归线，则能够设想用户为某原因已经执行了具有不同于迄今的那些的趋势的操作单元2的操作。

相应地，在此情形中，判断控制单元56在步骤S52中通过控制所述参数控制数据计算单元54仅利用存储于学习数据存储器53中的学习对中的几个最新学习对重新计算参数控制数据a和b。

即，在此情形中，参数控制数据计算单元54仅利用几个最近的教师数据和学生数据组而不利用(忘记)存储于学习信息存储器55中的充作加入的过去结果的学习信息来重新计算定义表达式(13)中的最近似于由教师数据和学生数据规定的所述点组的线的参数控制数据a和b。

具体地，例如如图9C所示，参数控制数据计算单元54获得限定穿过由最新的教师数据和学生数据规定的点(在图9C中由一圆指示)和由所提供的往回一时间的教师数据和学生数据规定的点(在图9C中由三角形指示)的线的参数控制数据a′和b′。

如上所述，判断出关于根据用户操作所提供的操作信号是否能够用于学习，并且如果该信号是能够用于学习的学习操作信号，则用来校正用于校正输入信号的权重的参数控制数据a和b是基于该学习操作信号来学习的，这样用户的操作能够得到学习而该用户不知道，并且结果，适应于该用户的处理逐渐地变得基于该学习结果来执行，最终其执行处理对该用户是优化的。

这意味着，从该用户来看，在正常地操作所述操作单元2一会儿，甚至不需操作就能够获得对用户是优化的关于各种输入信号的降噪结果，并且相应地，就是说所述装置变得磨合。在该装置中的磨合阶段，用户操作操作单元2以获得期望的输出信号，所以在操作单元2的操作与用于校正输入信号的权重W之间的关系逐渐地变得为该用户所认识，所以最终，用户对操作单元2的操作和用于校正输入信号的权重W变得定性地相关。

另外，在图4中示出的NR电路中，在校正单元21处按照用户对操作单元2的操作执行的用于校正处理的权重W被改变，使得该用户能够获得期望的输出信号。即，一旦用户操作操作单元2，则操作信号处理单元50输出表示对应于该操作的操作信号的权重，选择单元41选择该权重，并且将其提供到校正单元21上。在此情形中，在校正单元21处，由表达式(8)指示的校正处理是利用对应于用户所作的操作的权重来执行的。如果因为用户所作的操作，在表达式(8)中的权重w(t)要受到改变，则结果由表达式(8)指示处理(校正处理)的内容也被改变，因而能够说在图4中示出的NR电路中，所述“处理内容”是按照用户的操作来改变的，以致能够获得该用户期望的输出信号。

另外，在图4中示出的NR电路中，如果不能够获得参数控制数据a和b，或者如果能够获得，然而在由参数控制数据a和b定义的表达式(13)中的线性表达式不以精确的方式近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则自动地从所述输入可靠性和输出可靠性中获得的权重将用于在校正单元21处的校正处理。在另一方面。如果能够获得参数控制数据a和b，并且在由参数控制数据a和b定义的表达式(13)中的线性表达式以精确的方式近似在存储于学习数据存储器53中的学生数据和教师数据之间的所述关系，则从所述输入可靠性和输出可靠性中获得的权重将按照通过利用基于用户对操作单元2的操作获得的学习对来执行学习而获得的参数控制数据a和b定义的表达式(13)来校正，由该校正获得的校正权重将用于在校正单元21中的校正处理。

即，利用在图4中示出的NR电路，如果用户未输入足够的学习对，或者如果还未输入由此高度精确的近似是可能的学习对，则从所述输入可靠性和输出可靠性中自动地获得的权重将用于在校正单元21中的校正处理，并且如果已经输入了由此高度精确的近似是可能的学习对，则由利用学习对执行学习而获得的参数控制数据a和b所获得的校正权重将用于在校正单元21中的校正处理。

相应地，最终，在表达式(8)中的权重w(t)在其中未获得足够数量的学习对或者使能高精确近似的学习对的情形以及其中获得了使能高精确近似的学习对的情形之间改变，并且结果，由表达式(8)表示的校正处理的内容也改变，所以从此来看，以及利用图4中示出的NR电路，所述“处理内容”能够得到改变以便获得用户期望的输出信号。

另外，利用图4中示出的NR电路，计算用于校正处理的权重的系统取决于其中未获得足够数量的学习对或者使能高精确近似的学习对的情形以及其中获得了使能高精确近似的学习对的情形而改变。

即，在其中未获得足够数量的学习对或者使能高精确近似的学习对的情形中，所述权重是从所述输入可靠性和输出可靠性中获得的而不论用户所作的操作。在另一方面，在已经获得了使能高精确近似的学习对的情形中，所述权重是基于通过利用基于用户操作获得的学习对学习而获得的参数控制数据来获得的。

相应地，在此情形中，能够说，用于计算权重的处理系统，即，怎样获得权重的算法，是按照该用户的操作以便能够获得该用户期望的输出信号这样来改变的。

现在，用函数F表示用于获得权重的处理，“处理内容”的上述改变等价于函数F受到改变。这里，一般地将函数F受到改变的情形分为：其中函数F本身的形式改变的情形(即，其中F＝x改变到F＝x²，等)，以及其中函数F本身的形式不改变但定义该函数F的系数改变的情形(即，F＝2x改变到F＝3x，等)。

现在，在“处理内容”的所述改变中，如果我们说其中表示其本身处理改变的函数F的形式的形式是所述“处理结构”的改变，则能够将改变用于计算权重的处理系统(即，如上所述的用于怎样获得权重的算法)可以说成改变所述“处理结构”。

相应地，利用图4中示出的NR电路，所述“处理内容”，以及还有“处理结构”会按照由用户所作的操作来改变，由此能够获得该用户期望的输出信号。

另外，关于输入信号，可以使用图像信号和音频信号，当然，还有其它信号。然而，在输入信号是图像信号的情形中，输入可靠性是基于从接近要处理的像素的多个像素中获得的离散度以空间方式或者时间方式来计算的。

另外，利用上述情形，为方便描述，从输入可靠性中获得的权重w等是通过在学习单元22中的参数控制数据a和b定义的表达式(13)中的线性表达式校正为所述校正权重W的，然而实际上，权重w的校正优选地是通过更高阶的表达式执行的。另外，在该更高阶的表达式中的级数会基于例如该优化装置所应用的应用情况等优选地设置为适当的值。

另外，可以为用于从权重w中获得校正权重W的表达式(在下文中可以称为校正权重计算表达式)作出安排，其中准备了除了在表达式(13)中的线性表达式W＝aw+b以外的多个表达式，例如诸如二次方程表达式W＝aw²+bw+c，以及三次方程表达式W＝aw³+bw²+cw+d，等等(其中，a、b、c、以及d是预定的系数)，并且其中使用了多个避免最小标准误差的校正权重计算表达式。注意，在此情形中，选择其中从由用户操作获得的学习对中获得的标准误差是最小的校正权重计算表达式，并且所述校正权重是利用所选择的校正权重计算表达式而获得的。即，用于怎样获得该校正权重的算法是按照用户的操作而改变的。相应地，也是在此情形中，能够说，所述“处理结构”是按照用户的操作而改变的。

接着，图10说明了其中图4中示出的优化装置1的处理单元11应用到NR电路的情形的另一详细结构例子。在该图中，将对应于图4中的情形的部分用相同的编号表示，并且适当地将省略其进一步的描述。即，图10中示出的NR电路除了未提供权重校正单元46、以及用输入可靠性计算单元61和学生数据产生单元62分别取代了输入可靠性计算单元42和学生数据产生单元52之外，基本地与图4中示出的那些是相同的结构。

输入可靠性计算单元61计算来自输入信号的多个采样的输入可靠性和存储于参数控制数据存储器57中的参数控制数据，并且将其提供到输出可靠性计算单元43和权重计算单元45上。

学生数据产生单元62获得所述输入信号、以及从输出可靠性计算单元43输出的输出可靠性作为学生数据，并且将其提供到学习数据存储器53上。

注意，利用图10中示出的实施例，没有提供权重校正单元46，所以在权重计算单元45中获得的权重会无改变地应用到选择单元41上，并且配置该选择单元41以用如图4示出的相同的方式选择和输出由该权重计算单元45输出的权重和由操作信号处理单元50输出的权重中的一个或者另一个。

另外，利用图10中示出的实施例，所述参数控制数据起控制输入可靠性的数据的作用。

如利用图4中示出的NR电路那样，图10中的NR电路还执行校正处理、校正参数计算处理、以及控制数据学习处理。所述校正处理是以参考图6描述的处理相同的方式执行的，所以将省略图10中示出的NR电路的校正处理的描述，并且将进行关于校正参数计算处理和控制数据学习处理的描述。

即，利用图10中示出的NR电路，校正参数计算处理和控制数据学习处理是利用规定了在如例如由以下表达式定义的校正处理中使用的表达式(6)中示出的权重的输入可靠性α_x(t)来执行的。

[表达式22]

α_x(t)＝a₁x₁+a₂x₂+…+a_Nx_N                     …(22)

然而注意，在表达式(22)中，a₁、a₂、…、a_N表示参数控制数据，而x₁、x₂、…、x_N表示与要经受处理的输入信号的采样有预定关系的输入信号的采样(关注采样)。现在，如果输入信号是例如图像信号，则充作关注(interest)采样的像素(由图11中的x指示)以及在以空间方式或者时间方式接近该像素的位置处的像素(由图11中的圆指示)能够用于例如x₁、x₂、…、x_N。

从表达式(22)中，在表达式(6)中提供的权重w(t)能够由表达式(23)来表示。

[表达式23]

$w\left(t\right)=\frac{{\mathrm{\α}}_{y(t-1)}}{{\mathrm{\α}}_{y(t-1)}+{\mathrm{\α}}_{x\left(t\right)}}$

$=\frac{{\mathrm{\α}}_{y(t-1)}}{{\mathrm{\α}}_{y(t-1)}+(a_1{x}_1+a_2{x}_2+\·\·\·+a_N{x}_N)}\·\·\·\left(23\right)$

相应地，如果输入了输入信号x₁、x₂、…、x_N，则应该从表达式(23)中获得满足以下表达式的参数控制数据a₁、a₂、…、a_N，以获得从用户提供的权重W。

[表达式24]

$W=\frac{{\mathrm{\α}}_{y(t-1)}}{{\mathrm{\α}}_{y(t-1)}+(a_1{x}_1+a_2{x}_2+\·\·\·+a_N{x}_N)}\·\·\·\left(24\right)$

作为表达式(24)的变形，能够获得表达式(25)。

[表达式25]

(a₁x₁+a₂x₂+…+a_Nx_N)W+(W-1)α_y(t-1)＝0…(25)

获得满足表达式(25)的参数控制数据a₁、a₂、…、a_N一般地总是困难的，所以这里，我们会考虑通过最小二乘法获得其中例如表达式(25)的左侧和右侧的二乘误差的和是最小的参数控制数据a₁、a₂、…、a_N。

这里，使表达式(25)的左侧和右侧的二乘误差的和是最小意味着使由表达式(23)提供的权重w(t)与用户提供的权重W的二乘误差是最小，即，利用由用户提供的权重W作为教师数据，以及输入信号x₁、x₂、…、x_N和在表达式(23)中定义权重w(t)的输出可靠性α_y(t-1)作为学生数据，等价于使由表达式(2)从学生数据中计算的权重w(t)和充作由用户提供的教师数据的权重W的二乘误差为最小，并且从这样的参数控制数据a₁、a₂、…、a_N和学生数据计算的权重w(t)与教师数据W具有很小的误差。

表达式(25)的左侧和右侧的二乘误差e²是由表达式(26)提供的。

[表达式26]

e²＝{(a₁x₁+a₂x₂+…+a_Nx_N)W+(W-1)α_y(t-1)}²…(26)

使所述二乘误差e²最小的参数控制数据a₁、a₂、…、a_N是通过参数控制数据a₁、a₂、…、a_N的每一个在表达式(26)中的二乘误差e²的偏微分为0，的条件(即，以下表达式)来提供的。

[表达式27]

$\frac{\∂e^2}{\∂a_1}=0,\frac{\∂e^2}{\∂a_2}=0,\·\·\·\·\·\·,\frac{\∂e^2}{\∂a_N}=0\·\·\·\left(27\right)$

将表达式(26)代入表达式(27)得出表达式(28)。

[表达式28]

((a₁x₁W+a₂x₂W+…+a_Nx_NW+(W-1)α_y(t-1))Wx₁＝0

((a₁x₁W+a₂x₂W+…+a_Nx_NW+(W-1)α_y(t-1))Wx₂＝0

((a₁x₁W+a₂x₂W+…+a_Nx_NW+(W-1)α_y(t-1))Wx_N＝0…(28)

相应地，如表达式(29)所示定义矩阵X、A、以及Y，从表达式(28)中支持在表达式(30)中示出的关系矩阵X、A、以及Y成立。

[表达式29]

$Y=\left[\begin{array}{c}\mathrm{\ΣW}(1-W){\mathrm{\α}}_{Y(t-1)}{x}_1\\ \mathrm{\ΣW}(1-W){\mathrm{\α}}_{Y(t-1)}{x}_2\\ \·\\ \·\\ \·\\ \mathrm{\ΣW}(1-W){\mathrm{\α}}_{Y(t-1)}{x}_N\end{array}\right]$

[表达式30]

XA＝Y                                   …(30)

注意，一旦用户输入了输入信号x₁至x_N，在表达式(29)中的总和(∑)意指关于输入信号x₁至x_N的组数与从用户提供的权重W的总和。

通过例如科里斯基(Cholesky)方法等能够根据矩阵(矢量)A，即参数控制数据a₁、a₂、…、a_N来解表达式(30)。

图10中的NR电路如上所述执行控制数据学习处理，其中，利用用户提供的权重W作为教师数据，并且利用输入信号x₁、x₂、…、x_N和在表达式(23)中定义权重w(t)的输出可靠性α_y(t-1)作为学生数据，极小化由表达式(23)从学生数据中计算的权重w(t)与由用户提供的充作教师数据的权重W的二乘误差的参数控制数据a₁、a₂、…、a_N，是通过所述最小二乘来学习的。另外，图10中的NR电路从由参数控制数据a₁至a_N定义的表达式(22)中获得输入可靠性α_x(t)，并且还按照表达式(23)执行用于从输入可靠性α_x(t)和输出可靠性α_y(t-1)中获得充作校正参数的权重的校正参数计算处理。

现在，将参考图12的流程图描述利用图10中的NR电路的校正参数计算处理。

在所述校正参数计算处理中，首先，在步骤S61中，输入可靠性计算单元61从参数控制数据存储器57中读取参数控制数据，并且流程进入到步骤S62。在步骤S62中，输入可靠性计算单元61判断从参数控制数据存储器57中读取的参数控制数据是否是表示其中输入可靠性未利用参数控制数据而获得的一种模式、即就是说其中输入可靠性是单独地从输入信号中自动地获得而不论用户对操作单元2的操作的一种模式(在下文中该模式也称为自动模式)的自动模式数据。

在步骤S62中，如果判断出所述参数控制数据不是自动模式数据，则流程进入到步骤S63，输入可靠性计算单元61利用对其提供的最新的N个输入信号采样x₁至x_N，按照从参数控制数据存储器57中读取的参数控制数据a₁至a_N所定义的表达式(22)中的线性表达式获得，并且将其提供到输出可靠性计算单元43和权重计算单元45上，并且进入到步骤S65。

另外，如果在步骤S62中判断出所述参数控制数据是自动模式数据，则流程进入到步骤S64，输入可靠性计算单元61单独地利用输入信号、基于其离散度、以如例如图7中的步骤S31相同的方式获得输入可靠性α_x(t)，并且将其提供到输出可靠性计算单元43和权重计算单元45上。

在步骤S65中，权重计算单元45按照表达式(23)利用来自输入可靠性计算单元61的输入可靠性α_x(t)和锁存在锁存电路44中的由输出可靠性计算单元43往回一采样输出的输出可靠性α_y(t-1)获得权重w(t)。该权重w(t)会从权重计算单元45提供到选择单元41上。

接着，流程进入到步骤S66，并且如图7中的步骤S37相同的方式，输出可靠性计算单元43根据表达式(5)将从输入可靠性计算单元61提供的输入可靠性α_x(t)和在锁存电路44中锁存的往回一采样的输出可靠性α_y(t-1)相加，由此更新了所述输出可靠性α_y(t)，并且以盖写的形式存储于锁存电路44中。

流程进入到步骤S67，在这里选择单元41从操作信号处理单元50的输出中判断用户是否操作了操作单元2。如果在步骤S67中判断出操作单元2未受操作，则流程进入到步骤S68，选择单元41选择从权重计算单元45提供的权重，并且将其输出到校正单元21上，并且流程进入到步骤S61。

另外，如果在步骤S67中判断出操作单元2正受到操作，则流程进入到步骤S69，在这里选择单元41根据其操作选择由操作信号处理单元50输出的权重，并且将其输出到校正单元21上，并且流程返回到步骤S61。

相应地，在图12中的校正参数计算处理中，如果操作单元2未受操作，则基于输入可靠性计算的权重会提供到校正单元21上，并且如果操作单元2正受到操作，则对应于该操作信号的权重会提供到校正单元21上。随之，在校正单元21处，如果操作单元2未受操作，则输入信号通过基于输入可靠性的加权来校正，并且如果操作单元2正受到操作，则输入信号通过对应于其操作信号的加权来校正。

另外，利用图12中的校正参数计算处理，在所述自动模式的情形中，要用于校正处理的权重是基于输入信号的离散度而不论操作单元2的操作从输入可靠性中获得的，并且即使不是自动模式，用于校正处理的权重是基于操作单元2的操作从利用通过用将后述的图13中示出的控制数据学习处理学习获得的参数控制数据而获得的输入可靠性中获得的。

接着，将参考图13中的流程图描述图10中示出的NR电路执行的控制数据学习处理。

利用所述控制数据学习处理，首先在步骤S71中，以如图8中的步骤S41相同的方式，操作信号处理单元50判断是否已经从操作单元2接收了学习操作信号，并且如果判断出还未接收到这些，则流程返回步骤S71。

另外，如果在步骤S71中判断出已经从操作单元2接收了学习操作信号，即，如果能够判断用户已经操作了操作单元2以获得期望的输出信号，例如诸如在其中开始操作操作单元2、其后不需经历一段第一时间t1或更长而连续地执行操作一段第二时间t2或更长、其后连续地停止其操作一段第三时间t3或更长的情形中，或者在其中开始操作操作单元2之后其操作连续地停止一段第三时间t3或更长的情形中，则流程进入到步骤S72，在这里，教师数据产生单元51产生教师数据，同时学生数据产生单元62产生学生数据。

即，在接收了学习操作信号的情况下，操作信号处理单元50将对应于该学习操作信号的带有一学习标志的权重W提供到教师数据产生单元51和学生数据产生单元62上。一旦接收到带一学习标志的权重W，则数据产生单元51获得该权重W作为教师数据，并且将其提供到学习数据存储器53上。

在另一方面，学生数据产生单元62具有用于缓冲存储输入信号的内置缓冲存储器(未示出)，并且持续地将输入信号存储于该缓冲存储器中直到其存储容量，并且在接收了带一学习标志的权重W的情况下，与在此时输入的输入信号的采样有预定位置关系的输入信号的采样x₁至x_N被从该内置缓冲存储器中读取。另外，学生数据产生单元62从输出可靠性计算单元43中读取输出可靠性α_y(t-1)。学生数据产生单元62接着将输入信号的采样x₁至x_N和输出可靠性α_y(t-1)作为学生数据提供到学习数据存储器53上。

一旦从教师数据产生单元51中接收到教师数据W和从学生数据产生单元62接收到学生数据x₁至x_N，则在步骤S73中学习数据存储器53存储最新的教师数据W、以及学生数据x₁至x_N和α_y(t-1)的所述组(学习对)，并且流程进入到步骤S74。

在步骤S74处，参数控制数据计算单元54对教师数据和学生数据执行最小乘方的加入。

参数控制数据计算单元54执行在作为在表达式(29)中的矩阵X和Y的组元的一学生数据与另一学生数据之间的积、学生数据和教师数据的积、以及其总和的计算。

现在，以如图8中的步骤S44中相同的方式执行在步骤S74中的相加。即，先前的加入结果作为学习信息存储于学习信息存储器55中，并且参数控制数据计算单元54使用该学习信息去执行关于所述最新教师数据和学生数据的加入。

在步骤S74中的相加之后，参数控制数据计算单元54将所述加入结果作为学习信息以盖写的形式存储于学习信息存储器55内，流程进入到步骤S75，并且参数控制数据计算单元54判断是否能够从作为学习信息存储于学习信息存储器55中的所述加入结果中根据矩阵A解开表达式(30)，即，是否能够获得参数控制数据a₁至a_N。

即，除非存在从预定数量或者更多的学习对中获得的学习信息，否则不能够根据矩阵A解开表达式(30)，并且不能够获得充作其组元的参数控制数据a₁至a_N。相应地，在步骤S75中，判断是否能够从所述学习信息中获得参数控制数据a₁至a_N。

在步骤S75中，如果判断出不能够获得参数控制数据a₁至a_N，则参数控制数据计算单元54提供类似的信息到判断控制单元56上，并且流程进入到步骤S79。在步骤S79中，判断控制单元56将表示自动模式的自动模式数据作为参数控制数据提供到参数控制数据存储器57上，在这里存储它。流程接着返回到步骤S71，并且矩阵重复相同的处理。

相应地，如果不存在足够的用于获得参数控制数据a₁至a_N的学习信息，则如参考图12所述，基于输入信号的离散度从输入可靠性中获得的权重会作用输入信号x(t)的校正。

在另一方面，如果在步骤S75中判断出能够获得所述参数控制数据，则流程进入到步骤S76，在这里，参数控制数据计算单元54利用学习信息根据矩阵A解开表达式(30)获得参数控制数据a₁至a_N，将它提供到判断控制单元56上，并且流程进入到步骤S77。

在步骤S77中，判断控制单元56按照由来自参数控制数据计算单元54的参数控制数据a₁至a_N定义的表达式(23)去从存储于学习数据存储器53中的学生数据中获得对应于教师数据的预期值，并且获得由表达式(26)表示的该预期值的预期误差(关于存储于学习数据存储器53中的教师数据的误差)的二乘误差的总和。另外，判断控制单元56获得其中将所述二乘误差除以例如存储于学习数据存储器53中的学习对的数量的标准误差，并且流程进入到步骤S78。

在步骤S78中，判断控制单元56判断所述标准误差是否大于(等于或者多于)预定的阈值S1。如果在步骤S78中判断出所述标准误差大于所述预定的阈值S1，即，如果由参数控制数据a₁至a_N定义的表达式(23)中的线性表达式未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S79，并且判断控制单元56将表示自动模式的自动模式数据作为参数控制数据提供到参数控制数据存储器57上，以盖写的形式进行存储。流程返回到步骤S71，并且接着重复相同的处理。

相应地，即使如果能够获得参数控制数据a₁至a_N，如果由参数控制数据a₁至a_N定义的表达式(23)未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则基于输入信号的离散度由输入可靠性获得的权重会以如其中不存在足够的用于获得参数控制数据a₁至a_N的学习信息的情形中相同的方式用于校正输入信号w(t)。

在另一方面，如果在步骤S78中判断出所述标准误差不大于所述预定的阈值S1，即，如果由参数控制数据a₁至a_N定义的表达式(23)中的线性表达式精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S80，并且判断控制单元56获得在由参数控制数据计算单元54处获得的参数控制数据a₁至a_N定义的表达式(23)中平面(线)与由存储于学习数据存储器53中的最新的教师数据和学生数据所规定的点之间的误差(距离)ε。

流程进入到步骤S81，在这里判断控制单元56判断所述误差ε的大小是否大于(等于或者多于)预定的阈值S2，并且如果判断出它不大于，则跳过步骤S82，流程进入到步骤S83，并且判断控制单元56将在步骤S76中获得的参数控制数据a₁至a_N输出到参数控制数据存储器57上。参数控制数据存储器57以盖写的形式存储来自判断控制单元56的所述参数控制数据a₁至a_N，流程进入到步骤S71，并且接着重复相同的处理。

在另一方面，如果在步骤S81中判断出误差ε的大小大于预定阈值S2，则流程进入到步骤S82，在这里判断控制单元56控制参数控制数据计算单元54仅利用存储于学习数据存储器53中的最新教师数据和学生数据去重新计算所述参数控制数据a₁至a_N。流程接着进入到步骤S83，在这里判断控制单元56将在步骤S82中获得的参数控制数据a₁至a_N输出到参数控制数据存储器57上，在这里以盖写形式存储它，并且流程返回到步骤S71。

即，也在图13中示出的实施例中，在步骤S82中以与图8中的实施例相同的方式获得在从迄今所提供的教师数据和学生数据获得的参数控制数据a₁至a_N中通过表达式(23)定义的平面与由最新教师数据和学生数据规定的点之间的误差ε。

如果误差ε的大小不大于预定阈值S2，则可以认为由从在步骤S76中获得的参数控制数据a₁至a_N中通过表达式(23)定义的平面是相对精确地近似由迄今所提供的教师数据和学生数据规定的所有点，包括由最新的教师数据和学生数据规定的点，这样该参数控制数据a₁至a_N将存储于参数控制数据存储器57中。

在另一方面，如果误差ε的大小大于预定阈值S2，则可以认为由从在步骤S76中获得的参数控制数据a₁至a_N定义的表达式(23)的平面是相对大地偏离了由最新的教师数据和学生数据规定的点，这样判断控制单元56控制参数控制数据计算单元54以便在步骤S82中仅利用存储于学习数据存储器53中的最新的教师数据和学生数据重新计算参数控制数据a₁至a_N。

利用图10中示出的NR电路，在输入可靠性计算单元61处按照表达式(22)从如上所述获得的参数控制数据a₁至a_N中计算输入可靠性α_x(t)。

相应地，也在此情形中，基于根据用户的操作提供的学习操作信号，执行规定在表达式(22)中的输入可靠性α_x(t)的参数控制数据a₁至a_N的学习，这样用户所作的操作能够得到学习而不需要用户知道，并且另外，为该用户的优化处理能够利用该学习结果来执行。

另外，如利用图4中的NR电路那样利用图10中示出的NR电路，一旦用户操作操作单元2，则操作信号处理单元50输出表示对应于其操作的操作信号的权重，并且选择单元41选择该权重并将其提供到校正单元21上。在此情形中，在校正单元21处利用对应于该用户操作的权重执行由表达式(8)表示的校正处理。如果在表达式(8)中的权重w(t)由用户操作改变，则结果由表达式(8)表示的处理(校正处理)的内容也改变，还是利用图10中的NR电路，所述“处理内容”是按照用户所作的操作改变的，以便获得该用户期望的输出信号。

另外，利用图10中的NR电路，在其中不能获得参数控制数据a₁至a_N的情形中，或者在其中能够获得，然而由参数控制数据a₁至a_N定义的表达式(23)未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系的情形中，基于输入信号的离散度从输入可靠性中获得的权重将用于在校正单元21处的校正处理。在另一方面，如果获得了参数控制数据a₁至a_N，并且由参数控制数据a₁至a_N定义的表达式(23)精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则从输入信号和参数控制数据a₁至a_N(更确切地，从其中计算的输入可靠性)以及输出可靠性中获得的权重将用于按照由利用基于用户对操作单元2的操作获得的学习对执行学习所获得的参数控制数据a₁至a_N定义的表达式(23)在校正单元21处的校正处理。

即，如利用图4中的NR电路那样利用图10中的NR电路，用于计算要用于校正处理的权重的算法在其中未获得足够数量的学习对或者使能高精确近似的学习对的情形以及其中获得了使能高精确近似的学习对的情形之间改变。

相应地，还利用图10中的NR电路，所述“处理内容”，以及进一步，“处理结构”也按照用户操作而变化，由此输出该用户期望的输出信号。

现在，在以上情形中，如在表达式(5)中所示，利用输出可靠性α_y(t-1)获得参数控制数据a₁至a_N作为学生数据，而该输出可靠性α_y(t-1)是从输入可靠性α_x(t-1)中获得的。通过执行图13中示出的控制数据学习处理，输入可靠性α_x(t)逐渐向着获得用户期望的权重的方向改善，这样输出可靠性α_y(t-1)也随之改善。

另外，利用上述情形，将输出可靠性设置为公知值，并且输入可靠性由参数控制数据a₁至a_N来规定，由此获得能够产生用户期望的权重的参数控制数据a₁至a_N，然而反之可以作出安排，其中将输入可靠性设置为公知值，并且输出可靠性由参数控制数据a₁至a_N来规定，由此也获得能够产生用户期望的权重的参数控制数据a₁至a_N。

另外，可以作出安排，例如，将输出可靠性设置为公知值，输入可靠性由参数控制数据a₁至a_N来规定，由此能够获得产生用户期望的权重的参数控制数据a₁至a_N，进一步将由参数控制数据a₁至a_N获得的输入可靠性作为公知值，并且输出可靠性由参数控制数据a₁′至a_N′来规定，由此能够获得产生用户期望的权重的参数控制数据a₁至a_N，即能够获得两组，即，参数控制数据a₁至a_N和a₁′至a_N′。

另外，在上述情形中，已经描述了定义输入可靠性α_x(t)和输出可靠性α_y(t-1)以如表达式(6)所示获得参数控制数据a₁至a_N，然而除了这些以外，能够作出诸如这样的安排，例如在表达式(31)中所示，其中权重是利用除了输入可靠性α_x(t)和输出可靠性α_y(t-1)以外还有该输入可靠性α_x(t)和输出可靠性α_y(t-1)的校正项Δα来定义的，以便能够获得参数控制数据a₁至a_N以及校正项Δα。

[表达式31]

$w\left(t\right)=\frac{{\mathrm{\α}}_{y(t-1)}+\mathrm{\Δ\α}}{{\mathrm{\α}}_{y(t-1)}+\mathrm{\Δ\α}+{\mathrm{\α}}_{x\left(t\right)}}\·\·\·\left(31\right)$

另外，用于通过参数控制数据定义输入可靠性的表达式不限于表达式(22)。

另外，图14说明图1示出的优化装置的第二详细结构例子。图14示出的优化装置1配置有新在其中提供的内部信息产生单元71，而处理单元11的结构与图2中的那些相同，并且将省略其相应描述。另外，在外部对图14示出的该实施例的优化装置提供了显示单元81。

内部信息产生单元71读取处理单元11的内部信息，并且将其转换为图像信息，该图像信息接着会输出和显示(呈现)到由LCD(液晶显示器)或者CRT(阴极射线管)组成的显示单元81上。更具体地，可以配置显示单元81以按原样数字地显示内部信息，或者可以作一其中设置了像显示屏幕的水平量规的显示器，并且该水平量规根据该内部信息的值波动。另外，显示单元81不限于此，并且可以是任何其它显示方法，只要可视地显示(呈现)内部信息。现在，对于内部信息，能够使用存储于校正单元21中的权重存储器31和32中的权重、学习单元22的学习数据存储器53或者学习信息存储器55的存储内容等等。另外，可以使用不是显示的呈现(提供)方法(即通过声音等)对用户呈现所述内部信息。

接着，将参考图15中示出的流程图描述图14中示出的NR电路的优化处理。该处理基本地与根据图3中的流程图描述的优化处理相同，而不同点是增加了用于显示来自内部信息产生单元71的内部信息的处理。即，在步骤S91至S101中执行如在步骤S1至S11中那样相同的处理，并且流程进入到步骤S102。

在步骤S102中，在显示单元81中显示权重W。即，内部信息产生单元71读取例如存储于权重存储器31中的权重W的值，将它转换为能够显示在显示单元81上的图像信号，并且输出到显示单元81上，由此显示(呈现)了该权重W，并且流程进入到步骤S91。

因为参考图15示出的流程图描述处理，所以充作与在处理单元11中实际地执行的处理相关的内部信息的权重W得以显示(呈现)给用户，并且因此用户能够操作操作单元2以便在观看内部信息的显示的同时获得优化的输出信号。注意，利用内部信息产生单元71，除了上述诸如权重的内部信息以外，还可以例如从在学习单元22中的参数控制数据存储器37(图4、图10)中读取参数控制数据a和b并且显示它。另外，可以作出一种安排以产生图像信息作为内部信息，表示由选择单元41图4、图10)选择的权重是从通过利用学习对执行学习获得的参数控制数据a和b中获得的权重、或者从输入可靠性和输出可靠性中获得的权重。

接着，图16说明对其应用了图1中示出的优化装置的汽车的自动驾驶装置的一实施例的结构例子。

利用该自动驾驶装置，获得该汽车的位置坐标(X、Y)和行驶方向θ，并且该汽车按照预定的路线行驶。然而，在利用该自动驾驶装置获得的位置坐标(X、Y)和行驶方向θ中经常包含误差，并且在此情形中，汽车可能脱离预定的路线。相应地，利用图16中示出的自动驾驶装置，用户的操作受到学习而用户不知道，并且该汽车受到引导基于所述学习结果沿预定路线行驶。即，如果汽车脱离预定的路线，一般地，用户将操作方向盘或者油门踏板以使该汽车沿预定路线行驶。相应地，图16中示出的自动驾驶装置实现控制使得用户的操作受到学习而用户不知道，并且汽车受到引导逐渐地达到基于学习结果沿预定路线行驶。

陀螺仪传感器91检测汽车的偏航(yaw)速率r，并且将它提供到计算单元93。车轮脉冲器92提供对应于汽车的车轮的旋转角的数字的电子脉冲到计算单元93上。

计算单元93按照例如以下表达式从陀螺仪传感器91和车轮脉冲器92中计算汽车的位置坐标(X、Y)和行驶方向θ，并且将其提供给优化装置94。

[表达式32]

θ＝θ(0)+∫rdt

X＝X(0)+∫V_rcos(θ+β)dt   …(32)

Y＝Y(0)+∫V_rsin(θ+β)dt

注意，在表达式(32)中，θ(0)表示汽车在开始行驶时的方向，而(X(0)、Y(0))表示汽车在开始行驶时的坐标。另外，可以利用未示出的GPS(全球定位系统)等获得θ(0)和X(0)、Y(0))。另外，V_r表示汽车的行驶速度，而β表示汽车的重心的偏移角(slip angle)。

现在，在例如日本未实审专利申请公开书第10-69219号中揭示了如上所述怎样获得汽车的坐标(X、Y)和行驶方向θ。

优化装置94配置有：处理单元101，学习用户利用操作单元98进行的操作，即基于由用户操作操作单元98提供的操作信号执行学习，校正来自计算单元93的坐标(X、Y)和行驶方向θ，以便基于学习结果执行该用户期望的行驶，并且将它提供到自动驾驶控制单元95上。

自动驾驶控制单元95存储已经为自动驾驶预先设定的地图数据和路线(在下文中可以称为设定路线)。自动驾驶控制单元95从由优化装置94的处理单元101中提供的坐标(X、Y)和行驶方向θ中识别该汽车的当前位置和行驶方向，并且产生用于控制后述的驱动单元97的控制信号，以便汽车按照所述设定路线行驶，并且输出它到选择单元96上。

向选择单元96提供来自自动驾驶控制单元95的控制信号、以及提供来自操作单元98的操作信号。从来自自动驾驶控制单元95的控制信号和来自操作单元98的操作信号中，选择单元96选择具有较高优先权的操作信号，并且将这些输出到驱动单元97上，即，选择单元96一般地选择来自自动驾驶控制单元95的控制信号，并且将这些输出到驱动单元97上，然而一旦接收到来自操作单元98的操作信号，在正接收操作信号的同时停止输出来自自动驾驶控制单元95的控制信号，并且将来自操作单元98的操作信号输出到驱动单元97上。

驱动单元97遵从来自选择单元96的控制信号或者操作信号，并且驱动行驶所需要的该汽车的机构，诸如未示出的引擎、车轮、刹车片、离合器等。操作单元98配置有：例如，方向盘、油门踏板、刹车踏板、离合器踏板等，并且提供对应于用户所作的操作的操作信号到优化装置94和选择单元96上。

利用如上所述配置的自动驾驶装置，从陀螺仪传感器91和车轮脉冲器92的输出中计算该汽车的当前方位(X、Y)和行驶方向θ，并且经由优化装置94的处理单元101输出到自动驾驶控制单元95上。自动驾驶控制单元95从对其提供的坐标(X、Y)和行驶方向θ识别该汽车的当前方位，产生用于控制后述的驱动单元97的控制信号，以便汽车按照所述设定路线行驶，并且经由选择单元96将这些提供到驱动单元97上。由此，该汽车按照自动驾驶控制单元95输出的控制信号执行自动驾驶。

在另一方面，一旦用户操作操作单元98，对应于其操作的操作信号会经由选择单元96提供到驱动单元97上，由此汽车按照用户在操作单元98上作出的操作行驶。

另外，因为用户操作操作单元98，所以操作单元98输出的操作信号也会提供到优化装置94的处理单元101上。优化装置94基于由优化操作操作单元98提供的操作信号执行学习。一旦用户停止操作单元98的操作，优化装置94的处理单元101接着对从计算单元93中提供的方位(X、Y)和行驶方向θ进行校正，使得行驶是基于所述学习结果按照如用户期望行驶的设定路线执行的，并且将它提供到自动驾驶控制单元95上。

接着，图17说明图16中的优化装置94的处理单元101的一结构例子。在该图中，将给对应于图4中示出的处理单元11的部分相同的编号，并且在下文中适当的地方将省略其描述。即，图17中示出的处理单元101配置为除了未提供选择单元41以外与图4中示出的处理单元11基本相同，并且提供操作信号处理单元110和教师数据产生单元111分别取代操作信号处理单元50和教师数据产生单元51。

现在，为了便于下文的描述，在从计算单元93提供到优化装置94的处理单元101上的坐标(X、Y)和行驶方向θ中，将考虑单独对行驶方向θ进行描述。然而，所述坐标(X、Y)可以经受与现在描述的行驶方向θ相同的处理。

操作信号处理单元110接收来自操作单元98的操作信号，并且判断这些是否是学习操作信号。如果该操作信号是学习操作信号，则操作信号处理单元110接着提供一类似的消息到学生数据产生单元52和教师数据产生单元111。

配置教师数据产生单元111以便被从操作信号处理单元110中提供类似该操作信号是学习操作信号的消息(在下文中可以称为学习消息)，并且还以便从计算单元93中提供充作输入信号的行驶方向θ。另外，还将来自计算单元93的已经得到校正的行驶方向θ(在下文中可以称为已校正行驶方向θ)作为从校正单元21(计算装置36)中输出的输出信号提供到教师数据产生单元111上。教师数据产生单元111从充作在接收学习消息时提供的输入信号的所述行驶方向θ中获得对应于所述学习操作信号的权重W以及充作输出信号、作为教师数据提供到学习数据存储器53上的已校正行驶方向。

即，在此情形中，必需获得作为教师数据的汽车按照用户操作作为方向盘的操作单元98的预定方向前行时的权重以便该汽车以预定的方向前行。即，必需使用作为教师数据的用于校正指示直接按照用户操作充作方向盘的操作单元98并且汽车以预定的方向前行的所述行驶方向θ的输入信号x(t)的权重W。通过输入信号x(t)和在操作操作单元98之前刚输出的输出信号y(t-1)的加权相加，直接遵从操作单元98的操作的输入信号x(t)会按照表达式(8)被校正为直接遵从操作单元98的操作的输出信号y(t)，这样，能够从表达式(8)中、从直接遵从操作单元98的操作的输入信号x(t)中、以及直接遵从操作单元98的操作的输出信号y(t)和在操作操作单元98之前刚输出的输出信号y(t-1)中获得用于校正直接遵从操作单元98的操作的输入信号x(t)的权重W。相应地，教师数据产生单元111分别从充作在接收学习消息之后刚提供的输入信号x(t)的行驶方向θ中、以及从在作为接收学习消息恰好之前和之后提供的输出信号y(t-1)和y(t)的已校正行驶方向θ中获得权重W，并且将其提供到学习数据存储器53上。

另外，一旦接收了学习消息，学生数据产生单元52将从作为输入信号在此刻之前刚对其提供的行驶方向中获得的权重w作为学生数据提供到学习数据存储器53上。即，如参考图4所述，以如输入可靠性计算单元42、输出可靠性计算单元43、锁存电路44以及权重计算单元45相同的方式配置学生数据产生单元52，并且计算作为对其提供的输入信号的所述行驶方向的权重w(即在权重计算单元45中获得的同一权重w)，并且将在接收所述学习消息之前刚计算的权重w作为学生数据提供到学习数据存储器53上。

相应地，在参数控制数据计算单元54中，取用户操作操作单元98时的权重和成为用户期望的方向的行驶方向作为教师数据，并且取与在用户操作操作单元98之前权重计算单元45刚输出的权重相同的权重w作为学生数据，并且执行在表达式(20)和(21)中示出的参数控制数据a和b。

接着，在权重校正单元46处，利用参数控制数据a和b按照表达式(13)校正在权重计算单元45处获得的权重w，并且将它提供到校正单元21上。

结果，所述参数控制数据a和b用于校正在权重计算单元45处获得的权重w，以便将在用户操作操作单元98之前瞬间的行驶方向校正为在用户操作操作单元98之后瞬间的行驶方向，这样汽车沿所设定的路线执行自动驾驶。

即，能够考虑到，用户操作操作单元98意味着计算单元91输出的行驶方向θ包含了归因于在陀螺仪传感器91中的误差和在其输出中的噪声、在计算单元93中的计算误差等的误差，并且相应地不表示该汽车的真实行驶方向，并且相应地该汽车的实际行驶方向已经偏离了所设定的路线。另外，能够考虑到，在此情形中由最终用户作出的操作单元98的操作是用来将汽车的实际行驶方向改变到按照所设定路线的行驶方向上。相应地，执行学习，其中取在用户操作操作单元98时的权重W和该汽车按照所设定路线的实际行驶方向作为教师数据，并且取在用户操作操作单元98之前刚在权重计算单元45处获得的权重w、即权重计算单元45在所述偏离了所设定的路线的状态中输出的权重w作为学生数据，表达式(13)的参数控制数据a和b用于校正在表达式(6)中的权重，以便将在偏离了设定路线的状态中的行驶方向校正为遵从设定路线的方向。

接着，将进行关于图17中示出的优化装置94的处理单元101的描述。现在，如利用图4中示出的NR电路的处理单元11那样，图17中示出的优化装置94的处理单元101通过用于校正计算单元93作为输入信号x(t)输出的行驶方向θ的校正处理、用于获得充作要用于其校正处理的校正参数的权重的校正参数计算处理、以及用户对操作单元98(图16)的操作，执行用来获得用于控制(校正)充作校正参数的权重的参数控制数据的控制数据学习处理，然而所述校正处理是与已经参考图7描述的由图4中示出的NR电路执行的校正处理相同的，所以这里，将描述图17中示出的优化装置94的处理单元101执行的校正参数计算处理和学生数据学习处理。

首先，将参考图28中示出的流程图描述图17中示出的优化装置94的处理单元101执行的校正参数计算处理。

在所述校正参数计算处理中，首先在步骤S111中，输入信号计算单元22基于来自计算单元93(图16)充作输入信号的行驶方向θ的离散度获得输入可靠性α_x(t)，并且以如图7中的步骤S31中相同的方式将它提供到输出可靠性计算单元43和权重计算单元45上。

接着，流程进入到步骤S112，在这里权重计算单元45使用来自输入可靠性计算单元42的输入可靠性α_x(t)以按照表达式(6)获得将提供到权重校正单元46上的权重w(t)，并且流程进入到步骤S113。

在步骤S113中，权重校正单元46从参数控制数据存储器57中读取参数控制数据，并且流程进入到步骤S114。在步骤S114中，权重校正单元46判断从参数控制数据存储器57中读取的参数控制数据是否是表示其中权重w(t)未得到校正的一种模式，即，就是说，其中将从权重计算单元45处的输入可靠性和输出可靠性中自动地获得的权重w(t)，不管用户对操作单元98(图16)的操作无任何改变地作为用于校正输入信号x(t)的权重W的一种模式(自动模式)。

如果在步骤S113中判断出所述参数控制数据不是自动模式数据，则流程进入到步骤S115，在这里，权重校正单元46按照由从参数控制数据存储器57中提供的参数控制数据a和b定义的在表述式(13)中的线性表达式校正从权重计算单元45中提供的权重w(t)，并且流程进入到步骤S116。在步骤S116中，权重校正单元46将校正后权重作为校正参数提供到校正单元21上，并且流程进入到步骤S117。

在另一方面，如果在步骤S114中判断出所述参数控制数据是自动模式数据，则跳过步骤步骤S115，流程进入到步骤S116，在这里权重校正单元46将来自权重计算单元45的权重w(t)无改变地作为校正参数提供到校正单元21上，并且流程进入到步骤S117。

在步骤S117处，输出可靠性计算单元43更新所述输出可靠性。即，输出可靠性计算单元43将在刚进行步骤S31时由输入可靠性计算单元42计算的输入可靠性α_x(t)与锁存电路44已锁存的往回一采样的输出可靠性α_y(t-1)按照表达式(5)相加，由此获得将以盖写形式存储于锁存电路44中的当前输出可靠性α_y(t)。

在步骤S117中的处理之后，流程返回到步骤S111，并且接着重复相同的处理。

如上所述，利用图18中示出的校正参数计算处理，即使在自动模式中，也可不论操作单元98的操作从输入可靠性和输出可靠性中获得要用于校正处理的权重，并且如果不是在自动模式中，也可基于操作单元98的操作利用通过将后述的在图19中的控制数据学习处理中的学习所获得的参数控制数据获得要用于校正处理的权重。

接着，将参考图19中示出的流程图描述关于图17中示出的优化装置94的处理单元101执行的控制数据学习处理。

利用所述控制数据学习处理，首先，在步骤S131中，操作信号处理单元110判断是否已经从操作单元98(图16)中接收到学习操作信号，并且如果判断出还未接收到该信号，则流程返回到步骤S101。

另外，如果在步骤S131中判断出已经从操作单元98(图16)中接收到学习操作信号，即，即使例如作为操作单元98的方向盘等开始受到操作，其后不需经历一段第一时间t1或更长而连续地执行操作一段第二时间t2或更长、其后连续地停止其操作一段第三时间t3或更长；或者在其中开始操作方向盘之后其操作连续地停止一段第三时间t3或更长的情形，使得能够判断出该用户已经操作了作为操作单元98的方向盘以指引汽车在期望的方向上，则流程进入到步骤S132，在这里，教师数据产生单元111产生教师数据，同时学生数据产生单元52产生学生数据。

即，一旦判断出已经接收到学习操作信号，则操作信号处理单元110就提供一学习消息到教师数据产生单元111和学生数据产生单元52上。一旦从操作信号处理单元110中接收到所述学习消息，在步骤S132中教师数据产生单元111从作为从计算单元93中提供的输入信号的行驶方向θ和作为由校正单元2(计算装置36)输出的输出信号的来自计算单元93的已校正行驶方向(已校正行驶方向)θ中获得对应于该学习操作信号的权重W。

具体地，教师数据产生单元111从计算单元93(图16)中接收表示在用户刚操作充作方向盘的操作单元98之后并且汽车在期望的方向上进入的行驶方向θ。另外，配置教师数据产生单元111以便保持由校正单元21输出的当前输出信号y(t)、往回一时间的输出信号y(t-1)、即在刚操作操作单元98之前的输出信号y(t-1)，并且利用输入信号x(t)和输出信号y(t)及y(t-1)按照表达式(8)获得在对其提供学习操作信号时校正单元21使用的权重W(对应于该学习操作信号的权重)。

注意在此情形中，为便于描述，将认为用户作出的作为操作单元98的方向盘的操作是在从t-1至t的一时间段内瞬间完成的。

教师数据产生单元111如上所述获得对应于该学习操作信号的权重W，并且接着将该权重W作为教师数据提供到学习数据存储器53上。

另外，在步骤S132中，已经从操作信号处理单元110中接收了学习消息的学生数据产生单元52将利用从作为计算单元93(图16)中提供的输入信号的行驶方向中获得的输入可靠性和输出可靠性计算的、如由权重计算单元45输出的相同的权重w作为学生数据提供到学习数据存储器53上。

相应地，对学习数据存储器33提供一学习对，其中取通过用户操作操作单元98在汽车的实际行驶方向成为用户期望的方向时在校正单元21上使用的权重W作为教师数据；并且取在用户刚操作操作单元98之前从输入可靠性和输出可靠性中获得的权重w作为学生数据。

一旦从教师数据产生单元111接收到教师数据W并且从学生数据产生单元52中接收到学生数据w，在步骤S133中学习数据存储器53就存储最新的教师数据W和学生数据w的所述组，并且流程进入到步骤S134。

在步骤S134中，参数控制数据计算单元54以如图8中的步骤S44相同的方式执行关于存储于学习数据存储器53的最新教师数据W和学生数据w和关于存储于学习信息存储器55中的学习信息的最小二乘加入。另外，在步骤S134中，参数控制数据计算单元54以盖写的形式将所述加入结果作为学习信息存储于学习信息存储器55中，并且流程进入到步骤S135。

在步骤S135中，参数控制数据计算单元54判断是否能够如图8中的步骤S45中相同的情形利用表达式(20)和(21)从用作存储于学习信息存储器55中的学习信息的所述加入结果中获得参数控制数据a和b。

如果在步骤S135中判断出不能够获得参数控制数据a和b，则参数控制数据计算单元54将类似的信息提供给判断控制单元56，并且流程进入到步骤S139。在步骤S139中，判断控制单元56将表示自动模式的自动模式数据作为参数控制数据提供到参数控制数据存储器57上，存储于此。接着，程返回到步骤S131，并且，接着重复相同的处理。

相应地，如果不存在由此能够获得参数控制数据a和b的足够的学习信息，则在权重计算单元45处(图17)自动地从输入可靠性和输出可靠性中获得的权重w(t)将不改变地用于输入信号x(t)的校正。

在另一方面，如果在步骤S135中判断出能够获得参数控制数据a和b，则流程进入到步骤S136，在这里参数控制数据计算单元54利用学习信息计算表达式(20)和(21)，并且由此获得将提供到判断控制单元56的参数控制数据a和b，并且流程进入到步骤S137。

在步骤S137中，判断控制单元56按照由来自参数控制数据计算单元54的参数控制数据a和b定义的在表达式(13)中的线性表达式，从存储于学习数据存储器53中的学生数据中获得对应教师数据的预期值，并且为该预期值的预期误差(关于存储于学习数据存储器53中的教师数据的误差)获得由表达式(15)表示的所述二乘误差的和。另外，判断控制单元56获得其中用例如存储于学习数据存储器53中的学习对的数量除所述二乘误差和的标准误差，并且流程进入到步骤S138。

在步骤S138中，判断控制单元56判断该标准误差是否大于(等于或者多于)预定的阈值S1。如果在步骤S138中判断出该标准误差大于所述预定的阈值S1，即，如果在由参数控制数据a和b定义的表达式(13)中的线性表达式未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S139，在这里判断控制单元56将表示自动模式的自动模式数据作为参数控制数据提供到参数控制数据存储器57上，如上所述存储它于此。接着流程返回到步骤S131，并且接着重复相同的处理。

相应地，即使如果能够获得参数控制数据a和b，如果在由参数控制数据a和b定义的表达式(13)中的线性表达式未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则以如其中不存在足够的获得参数控制数据a和b的学习信息的情形中相同的方式，从所述输入可靠性和输出可靠性中自动获得的权重w(t)将用于输入信号x(t)的校正。

在另一方面，如果在步骤S138中判断出所述标准误差不大于预定阈值S1，即，如果在由参数控制数据a和b定义的表达式(13)中的线性表达式精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S140，在这里获得在由来自参数控制数据计算单元54中的参数控制数据a和b定义的表达式(13)中的线性表达式表示的回归线与由存储于学习数据存储器53中的最新的教师数据和学生数据所规定的点之间的误差(距离)ε。

流程进入到步骤S141，在这里判断控制单元56判断所述误差ε的大小是否大于(等于或者多于)预定的阈值S2，开且如果判断出它不大于，则跳过步骤S142，流程进入到步骤S143，并且判断控制单元56将在步骤S136中获得的参数控制数据a和b输出到参数控制数据存储器37上。参数控制数据存储器57以盖写的形式存储来自判断控制单元56的所述参数控制数据a和b，流程进入到步骤S131。

在另一方面，如果在步骤S141中判断出误差ε的大小大于预定阈值S2，则流程进入到步骤S142，在这里判断控制单元56通过控制参数控制数据计算单元54来控制参数控制数据计算单元54仅利用存储于学习数据存储器53中的最新教师数据和学生数据中的预定数量的过去学习对(而不利用在学习信息存储器55中的学习信息)去重新计算所述参数控制数据a和b。流程接着进入到步骤S143，在这里判断控制单元56将在步骤S142中获得的参数控制数据a和b输出到参数控制数据存储器57上，在这里以盖写形式存储它，并且流程返回到步骤S131。

相应地，如果能够获得参数控制数据a和b，并且在由参数控制数据a和b定义的表达式(13)中的线性表达式精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则从所述输入可靠性和输出可靠性中获得的权重w(t)是按照由通过利用基于用户操作操作单元2获得的学习对执行的学习而获得的参数控制数据a和b所定义的表达式(13)来校正的，并且通过所述校正获得的校正权重W用于输入信号x(t)的校正。

如上所述，也利用图16中示出的自动驾驶装置，判断出关于响应于用户的操作所提供的操作信号是否能够用于学习，并且如果这些是能够用于学习的学习操作信号，则基于该学习操作信号学习用于校正用来校正输入信号的权重的参数控制数据a和b，这样用户的操作能够得到学习而用户不知道，并且结果，适应于该用户的处理逐渐地变得基于该学习结果来执行，最终对该用户优化的处理得以执行。

即，当用户利用操作单元98执行操作以校正行驶方向遵从设定路线时，汽车逐渐地变得遵从该设定路线执行自动驾驶。

另外，以如图4中示出的NR电路相同的方式，也利用图17中示出的优化装置94的处理单元101，按照用户在操作单元98处的操作改变用于在校正单元21处执行校正处理(图6)的权重W，使得汽车的实际行驶方向遵从设定的路线。即，一旦用户操作操作单元98使得汽车的行驶方向以期望的方向进入，则作为由计算单元93(图16)输出的输入信号的行驶方向θ改变了，这样从该行驶方向θ中获得的输入可靠性、以及进一步从该输入可靠性中获得的输出可靠性改变了。在所述输入可靠性和输出可靠性中的改变引起在权重计算单元45处获得的权重改变，并且该已改变的权重会经由权重校正单元46提供到校正单元21上。接着在校正单元21处利用已经提供的所述权重执行由表达式(8)表示的校正处理。相应地，如果用户操作操作单元，则表达式(8)的权重通过用户的操作而改变，并且接着如利用图4中的NR电路描述的情形相同的方式，结果由表达式(8)表示的处理(校正处理)的内容也改变了，这样就能够说“处理内容”正在被改变，使得也利用图17中示出的优化装置94的处理单元101，按照用户的操作能够获得该用户期望的行驶方向。

另外，如利用图4中的NR电路般，也利用图17中示出的优化装置94的处理单元101，在其中还未从用户输入足够的学习对的情形中、或者如果还未输入由此高精确近似是可能的学习对，则从输入可靠性和输出可靠性中自动获得的权重将用于在校正单元21处的校正处理，并且如果已经输入由此高精确近似是可能的学习对，则由通过利用学习对执行学习获得的参数控制数据a和b获得校正权重将用于在校正单元21处的校正处理。即，计算用于校正处理的权重的算法取决于其中未获得足够数量的学习对或者使能高精确近似的学习对的情形、以及其中获得了使能高精确近似的学习对的情形而改变。

相应地，如利用图4中的NR电路般，也利用图17中示出的优化装置94的处理单元101，所述“处理内容”，并且进一步“处理结构”也按照用户的操作改变，由此汽车在遵从设定路线的行驶方向上执行自动驾驶。

另外，例如，日本未实审专利申请公开书第7-13625号中揭示了用于诸如水稻插秧机等的工具车的行驶控制装置，并且利用该行驶控制装置计算在自动驾驶状态中的控制参数的校正量，以便减少在用户的操作状态和基于诸如陀螺仪传感器等的检测结果的信息之间的差异。相应地，图16中示出的自动驾驶装置与在日本未实审专利申请公开书第7-13625号中描述的行驶控制装置保持一样，用于自动驾驶(自动驾驶)的参数的校正量的点基于用户作出的操作而改变。

然而，图16中示出的自动驾驶装置在关于判断是否根据用户作出的操作提供的操作信号能够用于学习这点上，以及在如果该操作信号是能够用于学习的学习操作信号则基于该学习操作信号学习用来校正用于校正输入信号的权重的参数控制数据这点上，很不同于日本未实审专利申请公开书第7-13625号中描述的其中仅在如果换向器被手工地切换到手工驾驶控制模式时计算在自动驾驶状态中的控制参数的校正量的行驶控制装置。

因为如此不同，利用在日本未实审专利申请公开书第7-13625号中描述的行驶控制装置，每次用户感觉适宜的自动驾驶未被执行时，该用户必需切换换向器到手工驾驶控制模式，并且在计算控制参数的校正量之后，再次切换该换向器到自动驾驶模式，这也许给用户留下麻烦的印象。

反之，利用图16中示出的自动驾驶装置，判断出关于根据用户作出的操作提供的操作信号是否能够用于学习，并且进一步如果这些是能够用于学习的学习操作信号，则改变算法以便基于该学习操作信号学习用来校正用于校正输入信号的权重的参数控制数据，这样即使用户不执行如上所述的换向器的切换也能执行适宜的自动驾驶。即，执行了学习用户的操作而用户不知道，这样当用户校正行驶方向时学习进行着，并且汽车逐渐地波动按照设定路线行驶，即使用户不进行操作。

另外，利用图16中示出的自动驾驶装置，处理结构对应于用户的操作而改变，由此也在关于这点上不同于在日本未实审专利申请公开书第7-13625号中描述的行驶控制装置。

接着，图20说明图16中示出的优化装置94的处理单元101的另一结构例子。注意，对在该图中对应于图17中示出的情形的部分给予相同的编号，并且将在下文中适当地省略其描述。

利用图4和图10中示出的NR电路的处理单元11，以及17中示出的优化装置94的处理单元101，利用基于用户作出的操作获得的学习对学习用于控制校正参数的参数控制数据；然而，利用图20中示出的处理单元101，可利用基于用户作出的操作获得的学习对学习校正参数本身。

即，利用图20中示出的实施例，校正单元21配置为：校正量计算单元141和计算装置142；并且学习单元22配置为：学习数据存储器53、学习信息存储器55、判断控制单元56、操作信号处理单元110、教师数据产生单元143、学生数据产生单元144、校正参数计算单元145、以及校正参数存储器146。

后述的校正参数会从学习单元22的校正参数存储器146中提供到校正量计算单元141上，而该校正量计算单元141利用所述校正参数计算校正作为输入信号的行驶方向θ的校正量，并且将其提供到计算装置142上。

从校正量计算单元141中给计算装置142提供校正量，并且还从计算单元93(图16)中给它提供作为输入信号的行驶方向θ，而计算单元142通过对其添加所述校正量校正作为输入信号的行驶方向θ，并且将校正后的行驶方向(已校正行驶方向)作为输出信号输出到自动驾驶控制单元95(图16)上。

教师数据产生单元143将作为输入信号在从操作信号处理单元110中接收到学习消息后立即提供的行驶方向作为教师数据提供到学习数据存储器53上。学生数据产生单元144将作为输入信号在从操作信号处理单元130中接收学习消息之前刚提供的行驶方向作为学生数据提供到学习数据存储器53上。

校正参数计算单元145通过利用充作存储于学习数据存储器53中的学习数据的教师数据和学生数据计算新学习信息来学习极小化预定统计误差的校正参数，进一步，如果需要，利用存储于学习信息存储器中的学习信息，并且在判断控制单元56的控制下将其提供到判断控制单元56。校正参数计算单元145利用由学习获得的新学习信息更新学习信息存储器55的存储内容。

校正参数存储器146存储判断控制单元56输出的校正参数。

利用如上所述配置的优化装置94，从计算单元93中提供的行驶方向θ如接着描述的那样得到校正。

即，以在时间t由陀螺仪传感器91输出的偏移速率为r′，在计算单元93处从其中表达式(32)中的r用r′替代的一表达式中计算行驶方向。

现在，以在由陀螺仪传感器91输出的偏移速率r′中包含的误差为e_r，并且以真实的偏移速率为r，由陀螺仪传感器91输出的偏移速率r′由以下的表达式表示。

[表达式33]

r′＝r+e_r                                           …(33)

在计算单元93处，从由陀螺仪传感器91输出的偏移速率r′中根据如下从表达式(32)和(33)中计算行驶方向θ′。

[表达式34]

θ′＝θ(0)+∫r′dt

    ＝θ(0)+∫(r+e_r)dt

    ＝θ(0)+∫rdt+∫e_rdt              …(34)

相应地，在由计算单元93获得的行驶方向θ′与从真实的偏移速率r中获得的真实行驶方向θ之间的关系如以下表达式所示。

[表达式35]

θ′＝θ+∫e_rdt                       …(35)

如果在由陀螺仪传感器91输出的偏移速率r′中包含的误差e_r是白色，则在表达式右端的第二项如以下表达式中所示从长远看为0，所以不存在特别的问题。从短期看，在表达式右端的第二项不是0，然而能够利用图17中示出的优化装置94的处理单元101处理该情形。

[表达式36]

∫e_rdt                               …(36)

然而，如果所述误差e_r是彩色的，则该误差e_r随经历时间t而累积，这样从计算单元93中获得的行驶方向θ’大大地偏离真实的行驶方向θ。

即，考虑自动驾驶直接地在不变的方向上进入以简化描述，使从计算单元93中获得的行驶方向θ′不变的控制信号，如图21中的点划线所示，在自动驾驶控制单元95(图16)处产生。

然而，如果在从计算单元93中获得的行驶方向θ′中包含的误差e_r是彩色的，则该误差e_r随经历时间t而累积，使得例如在从计算单元93中获得的行驶方向θ′跟踪如图21中的实线所示的曲线时，汽车是直线前行的。

相应地，利用图20中的优化装置94的处理单元101，基于来自用户的学习操作信号为学习用于校正行驶方向θ′的校正参数a₀、a₁、…、a_N执行校正参数学习处理，使得作为输入信号提供的从计算单元93中获得的行驶方向θ′跟踪如图21中的实线所示的路线，并且利用校正参数a₀至a_N执行校正从计算单元93中获得的行驶方向θ′的校正处理。

相应地，将参考图22和图23描述图20中示出的优化装置94的处理单元101执行的校正处理和校正参数学习处理。同时图18中的实施例涉及直线进入在不变方向中的自动驾驶，图20中示出的优化装置94的处理单元101能够应用到按照任意路线的自动驾驶上。

首先，将参考图22中的流程图描述图20中示出的优化装置94的处理单元101执行的校正处理。

利用该校正处理，在步骤S151中，校正量计算单元141利用存储于校正参数存储器146中的校正参数a₀至a_N计算校正量。

即，这里，校正量是以例如利用校正参数a₀至a_N如在表达式(37)中所示表达的行驶方向θ和作为输入信号从计算单元93中获得的行驶方向θ′来计算的。

[表达式37]

θ＝θ′+a₁t¹+a₂t²+…+a_Nt^N              …(37)

相应地，在校正量计算单元141处从表达式(37)中计算作为校正量的a₁t¹+a₂t²+…+a_Nt^N。该校正量会提供到计算单元142上。

在步骤S152中，在计算装置142处将从计算单元93中获得的行驶方向θ′和校正量相加，并且将其相加值(在表达式(37)中的θ)作为输出信号输出，流程等待要提供的下一输出信号的采样，并且返回到步骤S151，并且接着，重复相同的处理。

接着，将参考图23中的流程图描述图20中示出的优化装置94的处理单元101执行的校正参数学习处理。

利用校正参数学习处理，首先，在步骤S161中，操作信号处理单元110判断是否已经从操作单元98(图16)中接收到学习操作信号，并且如果判断出还未接收到它，则流程返回到步骤S161。

另外，如果在步骤S161中判断出已经从操作单元98中接收到学习操作信号，即，如果例如操作单元98开始受到操作、其后不需经历一段第一时间t1或更长而连续地执行操作一段第二时间t2或更长、其后连续地停止其操作一段第三时间t3或更长，或者在其中开始操作操作单元98之后其操作连续地停止一段第三时间t3或更长的情形，使得能够判断出该用户已经操作了操作单元98以指引汽车在期望的方向上，则流程进入到步骤S162，在这里，教师数据产生单元143产生教师数据，同时学生数据产生单元144产生学生数据。

即，如果接收到学习操作信号，操作信号处理单元110提供类似的学习消息到教师数据产生单元143和学生数据产生单元144上。一旦接收到学习消息，教师数据产生单元143获得其后作为输入信号立即提供的行驶方向作为教师数据，并且提供它到学习数据存储器53上。

即，在此情形中，对于教师数据，需要按照用户操作作为方向盘的操作单元98使用所述行驶方向，使得汽车在期望的方向中行进。相应地，教师数据产生单元143将作为输入信号在接收到学习消息之后提供的行驶方向θ作为教师数据提供到学习数据存储器53上。

另外，学生数据产生单元52一旦接收学习消息，就将先于此作为输入信号立即提供的行驶方向、即、在汽车在期望的方向中行进之前的行驶方向作为学生数据提供到学习数据存储器53上。

此后，流程进入到步骤S163，在这里，学习数据存储器53存储来自教师数据产生单元51的教师数据和学生数据的所述组，并且流程进入到步骤S164。

在步骤S164中，由校正参数计算单元145执行如利用表达式(22)至(30)描述的相同的关于该教师数据和该学生数据的最小二乘相加。

注意，在步骤S164中的加入是以如上所述相同的方式利用存储于学习信息存储器55中的先前相加结果执行的。另外，这里，执行相加根据在表达式(37)中的θ′、极小化教师数据的预期值的二乘误差的和的校正参数a₀至a_N，获得利用学生数据和对应的教师数据计算的在表达式(37)中的θ。

在步骤S164中的相加之后，校正参数计算单元145以盖写学习信息存储器55的形式存储所述加入结果作为学习信息，并且流程进入到步骤S165。

在步骤S165，判断出校正参数计算单元145是否能够从充作存储于学习信息存储器55中的学习信息的所述加入结果中获得校正参数a₀至a_N。

如果在步骤S165中判断出不能够获得校正参数a₁至a_N，则校正参数计算单元145提供类似的信息到判断控制单元56，并且流程进入到步骤S169。

在步骤S169中，判断控制单元56将表示禁止校正的禁用数据作为校正参数提供并且存储到校正参数存储器146上。流程返回到步骤S161，并且接着重复相同的处理。

相应地，如果不存在足够的用于获得校正参数a₁至a_N的学习信息，则在校正单元21处不执行输入信号的校正。即，输入信号的校正量是0。

在另一方面，如果在步骤S165中，判断出能够获得校正参数，则流程进入到步骤S166，在这里校正参数计算单元145利用学习信息获得校正参数a₁至a_N，提供这些到判断控制单元56上，并且流程进入到步骤S167。

在步骤S167中，判断控制单元56按照由来自校正参数计算单元145的校正参数a₁至a_N定义的表达式(37)从存储于学习数据存储器53中的每个学生数据中获得对应于教师数据的预期值，并且获得该预期值(关于存储于学习数据存储器53中的教师数据的误差)的预期误差的二乘和(aquaresum)。另外，判断控制单元56获得其中将其预期误差的二乘和除以例如存储于学习数据存储器53中的学习对的数量的标准误差，并且流程进入到步骤S168。

在步骤S168中，判断控制单元56判断该标准误差是否大于(等于或者多于)预定的阈值S1。如果在步骤S168中判断出大于所述预定的阈值S1，即，如果判断出在由校正参数a₁至a_N定义的表达式(37)中的线性表达式未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S169，在这里判断控制单元56将禁用数据作为校正参数如上所述提供并存储到校正参数存储器146上。流程返回到步骤S161，并且重复相同的处理。

相应地，即使能够获得校正参数a₁至a_N，如果在由校正参数a₁至a_N定义的表达式(37)中的线性表达式未精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则以如其中不存在足够的获得校正参数a₁至a_N的学习信息的情形中相同的方式，输入信号x(t)的校正量是0。

在另一方面，如果在步骤S168中判断出所述标准误差不大于预定阈值S1，即，如果在由校正参数a₁至a_N定义的表达式(37)中的线性表达式精确地近似在存储于学习数据存储器53中的学生数据和教师数据之间的关系，则流程进入到步骤S170，在这里判断控制单元56获得在由来自校正参数计算单元145的校正参数a₀至a_N定义的表达式(37)的平面与由存储于学习数据存储器53中的最新教师数据和学生数据规定的点之间的误差ε。

流程进入到步骤S171，在这里判断控制单元56判断误差ε的大小是否大于(等于或者多于)预定阈值S2，并且如果判断出它不大于，则跳过步骤S172，流程进入到步骤S173，并且判断控制单元56将在步骤S166中获得的校正参数a₀至a_N输出到校正参数存储器146上。在此情形中，校正参数存储器146以盖写的形式存储来自判断控制单元56的校正参数a₀至a_N，并且流程进入到步骤S161。

在另一方面，如果在步骤S171中判断出误差ε的大小大于预定阈值S2，则流程进入到步骤S172，在这里判断控制单元56通过控制校正参数计算单元145仅利用从存储于学习数据存储器53中的最新教师数据和学生数据来重新计算校正参数a₀至a_N。接着流程进入到步骤S173，在这里判断控制单元56将在步骤S172中获得的校正参数a₀至a_N输出到参数控制单元数据存储器37上，以盖写形式存储，并且流程进入到步骤S161。

即，也以与图8中的实施例相同的方式利用图23中的实施例，在步骤S170中获得在从迄今所提供的教师数据和学生数据获得的校正参数a₀至a_N中通过表达式(37)定义的平面与由最新教师数据和学生数据规定的点之间的误差ε。

如果误差ε的大小不大于预定阈值S2，则可以认为由从在步骤S166中获得的校正参数a₀至a_N中通过表达式(37)定义的平面是相对精确地近似由迄今所提供的教师数据和学生数据规定的所有点，包括由最新的教师数据和学生数据规定的点，这样该校正参数a₀至a_N将存储于校正参数存储器146中。

在另一方面，如果误差ε的大小大于预定阈值S2，则可以认为由最新的教师数据和学生数据规定的点是相当大地偏离了由从在步骤S166中获得的校正参数a₀至a_N定义的表达式(37)的平面，这样在步骤S172中判断控制单元56仅利用存储于学习数据存储器53中的最新的教师数据和学生数据重新计算校正参数a₀至a_N。

相应地，也在此情形中，基于根据用户作出的操作提供的学习操作信号执行用于校正表达式(37)的校正参数a₀至a_N的学习，这样用户的操作能够得到学习而该用户不知道，并且进一步，能够利用该学习结果来执行对该用户是优化的处理。

另外，在此情形中，如果包含在由计算单元93(图16)输出的运行方向中的误差是彩色的，则能够使汽车执行按照预定设定路线的自动驾驶。

另外，利用图20中的优化装置94的处理单元101，改变用于在校正单元21处执行的校正处理(图6)的校正参数，使得汽车的实际行驶方向按用户在操作单元98处作出的操作遵从所述设定路线。即，一旦用户操作操作单元98使得汽车的行驶方向进入在期望的方向上，则利用由计算单元93(图16)作为输入信号输出的恰好在操作单元98的操作之前和之后输出的行驶方向θ的每一个执行校正参数的学习，分别作为学生数据和教师数据，由此改变了该校正参数。该已改变的校正参数会提供到校正单元21上。在校正单元21处利用该校正参数计算校正量，并且取决于该校正量执行输入信号的校正处理(图22)。相应地，如果用户操作操作单元98，则表达式(37)的校正参数通过用户的操作而改变，使得，由表达式(37)表示的处理(校正处理)的内容因此也改变了，这样就能够说“处理内容”正在被改变，使得也利用图20中示出的优化装置94的处理单元101，按照用户的操作能够获得该用户期望的行驶方向。

另外，利用图20中示出的优化装置94，如果还未从用户输入足够的学习对、或者如果还未输入能够高精确近似的学习对，则使在校正单元21处的校正量为0，并且如果已经从用户输入能够高精确近似的学习对，则由通过利用学习对执行学习获得的校正参数中获得的校正量执行输入信号的校正。即，计算用于由校正单元21的校正处理的权重的算法在其中未获得足够数量的学习对或者能够高精确近似的学习对的情形、以及其中获得了能够高精确近似的学习对的情形之间改变。

相应地，也利用图20中示出的优化装置94的处理单元101，所述“处理内容”，并且进一步“处理结构”也按照用户的操作改变，由此汽车在遵从设定路线的行驶方向上执行自动驾驶。

现在，利用图23中的实施例(如利用图8和图13中的实施例那样)，在步骤S170中，获得在由来自校正参数计算单元145的校正参数a₀至a_N定义的表达式(37)的平面与由最新教师数据和学生数据规定的点之间的误差ε，并且执行相继的处理，然而在其中可以进行一种安排，在步骤S170中，获得在由在步骤S166中在提供多组最近教师数据和学生数据之前获得的校正参数a₀至a_N定义的表达式(37)的平面与多组最近教师数据和学生数据规定的每个点之间的误差ε，并且基于所述多个误差执行相继的处理。

注意，除了图17和图20中示出的那些以外，还可以配置图16中的优化装置94的处理单元101以使用例如图10中示出的优化装置1的处理单元11。

接着，图24说明已经对其应用了图1中示出的优化装置的自动驾驶装置的另一实施例的一结构例子。注意在该图中，对对应于图16中的那些部分给予相同的编号，并且将在下文中适当地省略其描述。即除了具有在该优化装置94中新提供的内部信息产生单元161、以及还具有新提供的显示装置171，以如图16中所示相同的方式配置图24中示出的该自动驾驶装置。

以如图14中的内部信息产生单元71相同的方式，内部信息产生单元161从处理单元1中读取内部信息，并且将它转换为图像信息，并且输出到显示单元171上。显示单元171以预定的显示格式显示来自内部信息产生单元161的内部信息。

在图24中示出的实施例中，能够如图17和图20中示出的那样配置处理单元101。如果以如图17中示出的那样配置图24中示出的处理单元101，则执行如图17中示出的那样除了校正参数计算处理以外的相同处理。现在，将参考图25中的流程图描述在如图17中示出的那样配置时图24中示出的处理单元101执行的校正参数计算处理。

利用步骤S191至S197，执行如在图18中的步骤S111至S117的每个步骤那样的相同处理。

在步骤S197中的处理之后，流程进入到步骤S198，并且内部信息会显示到显示单元171上。即，更具体地，例如，内部信息产生单元161读取存储于权重存储器31(图17)中的权重W作为内部信息，将它转换为能够显示在显示单元171上的图像信号，并且在显示单元171上输出和显示(呈现)。在处理步骤S198之后，流程返回到步骤S111，并且接着重复相同的处理。

因为利用图25中的流程图描述该处理，所以作为关于处理单元101的处理的内部信息的权重W会显示(呈现)在显示单元171上，并且结果，用户能够在观看该显示的同时操作操作单元98，使得优化的自动驾驶得以执行。

另外，在上述情形中，显示了权重W，然而利用内部信息产生单元161可以在显示装置171上显示(呈现)其它内部信息，例如，能够从参数控制数据存储器37中读取并显示参数控制数据a和b。另外，可以作出一种安排，其中由选择单元41选择的权重是从通过利用学习对执行学习获得的参数控制数据a和b中获得的权重，或者从输入可靠性或输出可靠性中获得的权重。

接着，如果如图20中示出的那样配置图24中的处理单元101，则执行除了校正参数学习处理以外与图20中所执行的相同的处理。现在，将参考图26中示出的流程图描述如图20中示出的那样配置在图24中示出的处理单元101的情形中的校正参数学习处理。

在步骤S211至S223中，执行与图23中的步骤S161至S172的每一步相同的处理。

在步骤S219和步骤S223的处理之后，流程进入到步骤S224，在这里，例如，内部信息产生单元161读取存储于校正参数存储器中的校正参数a₀至a_N作为内部信息，将它转换为能够显示在显示单元171上的图像信号，并且显示在显示单元171上。在此时，如果校正参数a₀至a_N由多个参数构成，可以作出另一种安排，其中用例如以参数作为水平轴而值作为垂直轴的直方图的形式作出显示，如图27中所示。另外，如图28中所示，例如，可以分别以两个任意校正参数a_i和a_j作为水平轴和垂直轴来显示校正参数a₀至a_N。另外，可以作出安排，其中用户可以选择用作水平轴和垂直轴的校正参数。

接着，流程返回到步骤S211，并且接着，重复相同的处理。

如上所述，因为参考图26的流程图描述的校正参数处理，显示了校正参数a₀至a_N，由此利用图24中示出的优化装置94的处理101显示了作为内部信息的校正参数a₀至a_N，所以由此，优化能够在观看该显示的同时操作操作单元98，使得优化的自动驾驶得以执行。

另外，利用内部信息产生单元161，可以显示不是校正参数a₀至a_N的内部信息。

另外，在图26中示出的实施例中，如果在步骤S219的处理之后流程进入到步骤S224，则充作内部信息的校正参数a₀至a_N被显示为0。

接着，将参考图29描述作为图1中示出的优化装置的另一实施例的优化装置201。优化装置201由处理单元211构成，并且是用于消除来自充作输入信号的图像信号等的噪声，并且优化所显示的图像信号。现在，在该例子中，将图像信号作为初始输入信号来描述，所述信号不限于图像信号，并且也可以是其它信号。

处理单元211由学习单元221和映射处理单元222构成。操作信号会从操作单元202中提供到处理单元211的学习单元221上，并且学习单元221学习利用映射处理单元222基于操作信号的处理所需的系数组，并且将这些存储于系数存储器235中。至于学习单元211的学习的范数(学习范数)，例如，可以使用最小N次幂误差方法(最小N次幂法)稍后将描述该最小N次幂误差法。

映射处理单元222执行用于将输入信号映射(转换)为预定输出信号的映射处理。即，映射处理单元222从充作输出信号的图像信号中取要获得的像素作为关注像素，从作为输入信号的图像信号中提取对应于该关注像素的抽头(用于处理所需的至少一个或多个像素，也称为采样)，并且执行存储于系数存储器235的系数组的乘积和的计算处理，由此获得关注像素。映射处理单元222执行与利用组成充作输出信号的图像信号的像素相同的处理(映射)，产生充作输出信号的图像信号，由此它会输出到显示单元203并得到显示。

操作单元202由用户来操作，并且提供对应于该操作的操作信号到学习单元221上。显示单元203显示像素信号作为通过映射处理单元202输出的输出信号。

接着，将参考图30描述图29中示出的学习单元221的一详细结构。教师数据产生单元231从输入信号中产生充作学习的教师的教师数据，并且输出它到最小N次幂误差系数计算单元234上。学生数据产生单元232从输入信号中产生充作学习的学生的学生数据，并且输出它到预期抽头提取单元233上。该教师数据和学生数据是例如通过教师数据产生单元231执行无输入信号的处理、或者通过学生数据产生单元232引起由预定薄化(thinning-out)处理或者LPF(低通滤波)等的输入数据的退化而产生的，并且不限于上述结构，只要学生数据是如关于教师数据的退化那样产生的。相应地，除了例如以上所述，如果教师数据产生单元231使输入信号经受预定薄化处理或者LPF处理，则学生数据产生单元232足以执行薄化或者LPF处理到大于由教师数据产生单元231所执行的薄化或者LPF处理的程度。另外，可以作出一种安排，其中无改变地使用输入信号作为教师数据，并且使用其上叠加了噪声的输入信号作为学生数据。

预期抽头提取单元233接着顺序地取构成充作教师数据的图像信号的像素作为关注像素，从充作学生数据的图像信号中提取与关注像素有预定位置关系的至少一个或多个像素(抽头)作为预期抽头，并且输出它到最小N次幂误差系数计算单元234上。

最小N次幂误差系数计算单元234基于从操作单元202输入的表示指定用于最小N次幂误差系数计算所需的指数N的值的信息的操作信号，从预期抽头和教师数据中计算系数组，输出它到系数存储器235上，并且存储(在适当时执行盖写存储)。

系数存储器235存储从最小N次幂误差系数计算单元234提供的系数组，并且输出它到映射处理单元222的适当地方。

接着，将参考图31描述图29中的映射处理单元222的结构。映射处理单元222的抽头提取单元251通过从充作输入信号的图像信号中顺序地提取构造充作输出信号的图像信号的像素作为关注像素，以与图30中示出的预期抽头提取单元233所构造的相同的抽头结构构造预期抽头，作为与关注像素有预定位置关系的像素的预期抽头(像素值)，并且输出它到乘积和计算单元252。乘积和计算单元252通过执行在从抽头提取单元251输入的被提取预期抽头(像素)的值和存储于学习单元221的系数存储器235中的系数组之间的乘积和计算产生关注像素，并且输出它到显示单元203上(图29)。

现在，将描述通过图30中示出的最小N次幂误差系数计算单元234执行的最小N次幂误差的系数计算。其中在最小N次幂误差方法中指数N＝2的情形通常被称为最小二乘误差方法(最小二乘误差法)。即，在其中分别由y表示充作关注像素的教师数据，由x_i(i＝1、2、…、M)表示构成预期抽头的学生数据的块数M，以及w_i表示预定系数M，并且教师数据y的预期值y′是预期抽头x_i和预定系数w_i的线性组合w₁x₁+w₂x₂+…+w_Mx_M(乘积和计算)的情形中，获得如图32所示极小化在黑点指示的教师数据y和白点指示预期值y′之间的二乘误差和的系数组w₁、w₂、…、w_M(在由该图中箭头表示的充作教师数据的真实值y和其预期值y′之间差值的绝对值中)。

如果改变了最小N次幂误差的指数N的值，如果例如指数N大，则具有大误差的预期值y′的误差相当影响N次幂误差的和，因而，利用最小N次幂误差方法，获得在由此保存了具有大误差的这样的预期值y′的方向中的系数(由此减少了具有大误差的预期值y′的误差的系数)。然而，具有小误差的预期值y′的误差很少影响N次幂误差的和，并且不被给予考虑，并且因而往往被忽略。反之，如果指数N小，则具有大误差的预期值y′的误差对N次幂误差的和的影响小于其中指数N大的情形，并且具有小误差的预期值y′的误差对N次幂误差的和的影响更少。结果，根据最小N次幂误差方法，与其中指数N大的情形中相比较获得在减少具有小误差的预期值y′的误差的方向上的系数。

注意，在预期值y′的误差对N次幂误差的和的影响上的变化是因为该预期值y′的误差到了N次幂，这在下文中被称为N次幂误差的性质。

如上所述，存在从指数N利用最小N次幂获得的系数组的定性趋势，这样能够通过改变利用最小N次幂方法获得系数组的指数N来获得用于执行适于用户的偏好的映射处理的系数组(使根据输入信号映射的输出信号成为用户喜好的信号的系数组)。然而，实际上，利用不是最小N次幂误差的方法，即，其中指数N不是N＝2的方法，极难计算极小化预期值y′的N次幂误差的和的系数组。

现在，将描述为什么利用不是最小二乘误差的方法计算极小化预期值y′的N次幂误差的和的系数组的原因。

能够用表达式(38)表示到N次幂的预期值y′的误差和(N次幂误差和)。

[表达式37]

$E=\underset{\mathrm{sample}}{\mathrm{\Σ}}{e}^N\·\·\·\left(38\right)$

这里，E指示在充作教师数据的真实值y与预期值y′之间的误差e的N次幂的采样数的和。

在另一方面，如上所述利用本实施例，真实值y的预期值y′是如利用以下表达式(39)那样由预期抽头x_i和预定系数w_i的线性组合来定义的。

[表达式39]

$y^{\′}=w_1{x}_1+w_2{x}_2+\·\·\·+w_M{x}_M=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i\·\·\·\left(39\right)$

现在，在下文中可以将系数w₁、w₂、w₃、…、w_M称为预期系数。一组预期系数是存储于图30中示出的系数存储器235中的系数组。另外，为了预期抽头x₁、x₂、x₃、…、x_M，能够使用以空间方式或者时间方式接近充作对应于充作教师数据的像素(真实值)y的学生数据的图像的位置的像素。

在从情形中，能够通过以下表达式(40)表示在表达式(38)中的误差e。

[表达式40]

$e=|y-y^{\′}|=|y-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i|\·\·\·\left(40\right)$

利用最小N次幂误差方法，需要获得极小化在以下从表达式(40)中得出的表达式(41)和表达式(42)中指示的N次幂误差的和E的预期系数w₁、w₂、w₃、…、w_M。注意，表达式(41)是如果指数N是奇数时指示所述和E的表达式，而表达式(42)是如果指数N是偶数时指示所述和E的表达式。

[表达式41]

$E=\underset{\mathrm{sample}}{\mathrm{\Σ}}{e}^N=\underset{\mathrm{sample}}{\mathrm{\Σ}}{|y-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i|}^N\·\·\·\left(41\right)$

[表达式42]

$E=\underset{\mathrm{sample}}{\mathrm{\Σ}}{e}^N=\underset{\mathrm{sample}}{\mathrm{\Σ}}{|y-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i|}^N=\underset{\mathrm{sample}}{\mathrm{\Σ}}{(y-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{x}_i)}^N\·\·\·\left(42\right)$

现在，在表达式(41)的情形中，即，如果指数N是奇数，如果在真实值y与预期值y′之间的差值y-y′的模的和是相同值，则和E是不管差值y-y′的符号的相同值，并且因而，不能获得极小化该和E的预期系数w₁、w₂、w₃、…、w_M。即，和E是包含绝对值的函数，并且是例如诸如图33中所示的函数。相应地，除了穷举(full search)以外不能获得极小化该和E的预期系数w₁、w₂、w₃、…、w_M。图33表示如果指数N＝1时预期系数w_i与和E的变化。

在另一方面，在表达式(42)的情形中，即，如果指数N是偶数，和数E总是满足E≥0，如以下表达式(43)所示，通过设置其中表达式(42)中的和E除以预期系数w_i的偏微分为0能够获得极小值。

[表达式43]

$\frac{\∂E}{\∂w_i}=\underset{\mathrm{sample}}{\mathrm{\Σ}}N{(y-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_j{x}_j)}^{N-1}\·(-x)$

$=-N\underset{\mathrm{sample}}{\mathrm{\Σ}}{x}_i{(y-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_j{x}_j)}^{N-1}$

＝0                                     …(43)

相应地，从表达式(43)中，通过解在以下表达式(44)中指示的表达式能够获得解，即，极小化N次幂误差和E的预期系数w₁、w₂、w₃、…、w_M。

[表达式44]

$\underset{\mathrm{sample}}{\mathrm{\Σ}}{x}_i{(y-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_j{x}_j)}^{N-1}=0,(i=\mathrm{1,2},\·\·\·,M)\·\·\·\left(44\right)$

根据该表达式(44)，如果例如指数N-2，即，如果利用所谓最小二乘误差方法获得解，用2替代表达式(44)中的指数N并且解以下表达式(45)也是足够的。

[表达式45]

$\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{\mathrm{sample}}{\mathrm{\Σ}}{x}_i{x}_j{w}_j=\underset{\mathrm{sample}}{\mathrm{\Σ}}{x}_{i}y,(i=\mathrm{1,2},\·\·\·,M)\·\·\·\left(45\right)$

如以下表达式(46)所示，在表达式(45)中的表达式能够以矩阵表达式的形式来表示，并且被称为标准方程。另外，如果指数N＝2，则和E的极小值唯一地被确定，并且其最小值是和E的极小值。如果等于预期系数w₁、w₂、w₃、…、w_M(在此情形中是M)的数的一数的线性方程组是从表达式(45)中的标准表达式中构造的，则通过例如Cholesky方法等能够解该线性方程组，并且能够获得该预期系数w₁、w₂、w₃、…、w_M。

[表达式46]

$\left(\begin{array}{cccc}{\mathrm{\Σ}}_{\mathrm{sample}}{x}_1{x}_1& {\mathrm{\Σ}}_{\mathrm{sample}}{x}_1{x}_2& \·\·\·& {\mathrm{\Σ}}_{\mathrm{sample}}{x}_1{x}_M\\ {\mathrm{\Σ}}_{\mathrm{sample}}{x}_2{x}_1& {\mathrm{\Σ}}_{\mathrm{sample}}{x}_2{x}_2& \·\·\·& {\mathrm{\Σ}}_{\mathrm{sample}}{x}_2{x}_M\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{\Σ}}_{\mathrm{sample}}{x}_M{x}_1& {\mathrm{\Σ}}_{\mathrm{sample}}{x}_M{x}_2& \·\·\·& {\mathrm{\Σ}}_{\mathrm{sample}}{x}_M{x}_M\end{array}\right)\left(\begin{array}{c}{w}_1\\ w_2\\ \·\\ \·\\ \·\\ w_M\end{array}\right)=\left(\begin{array}{c}{\mathrm{\Σ}}_{\mathrm{sample}}y{x}_1\\ {\mathrm{\Σ}}_{\mathrm{sample}}y{x}_2\\ \·\\ \·\\ \·\\ {\mathrm{\Σ}}_{\mathrm{sample}}y{x}_M\end{array}\right)\·\·\·\left(46\right)$

另外，为了解在表达式(46)中的标准方程，需要具有在表达式(46)的左端作为组元的预期抽头的积的和的矩阵是规则的。

如果指数N是偶数且还是4或更大，则表达式(42)能够如以下表达式(47)所示来表达。

[表达式47]

$\underset{r=0}{\overset{N=1}{\mathrm{\Σ}}}\underset{\mathrm{sample}}{\mathrm{\Σ}}{x}_i\·{{(-1)}^r\·}_{N-1}{C}_r\·y^{N-1-r}\·{\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_j{x}_j\right)}^r=0,(i=\mathrm{1,2},\·\·\·,M)\·\·\·\left(47\right)$

利用表达式(47)中所示的表达式，这形成了高阶的方程组，所以通过如利用其中指数N是N＝2的情形那样解线性方程组不能获得预期系数w₁、w₂、w₃、…、w_M。

如上所述，如果指数N不是N＝2，则一般地不能容易地获得极小化在表达式(38)中指示的N次幂误差的和的预期系数w₁、w₂、w₃、…、w_M。

相应地，学习单元221的最小N次幂误差系数计算单元234通过按照两种最小N次幂误差方法计算预期系数。使用两种最小N次幂误差方法的哪一种能够由例如用户操作操作单元202来指定(图29)。

首先，将描述第一方法(在下文中称为直接法)。如在以下表达式(48)中所示，其中误差项e²已经乘以权重α_s的和E被定义为取代表达式(38)的N次幂误差的和。

[表达式48]

$E=\underset{\mathrm{sample}}{\mathrm{\Σ}}{e}^N=\underset{\mathrm{sample}}{\mathrm{\Σ}}{\mathrm{\α}}_s{e}^2\·\·\·\left(48\right)$

即，作为N次幂的误差e^N的是由权重α_s与二乘误差e²的积定义的。

在此情形中，通过使在表达式(48)中的权重α_s成为由表达式(39)中的线性方程获得的预期值y′的函数，从如果指数N是N＝2时获得的预期系数w₁、w₂、w₃、…、w_M中如例如以下表达式(49)中所示，能够获得极小化在表达式(48)中的N次幂的误差的和E的预期系数w₁至w_M。

[表达式49]

α_s＝f(y′)                              …(49)

在能够设想各种函数用于权重α_s的同时，需要使用其中在表达式(48)中定义的N次幂的误差e^N＝α_se²满足上述N次幂的性质的函数，并且能够使用例如在以下表达式(50)中所示的函数。

[表达式50]

${\mathrm{\α}}_s=a{x}_s^c+b\·\·\·\left(50\right)$

现在，x_s表示其中由表达式(39)从通过最小二乘误差(在下文中可以称为来自最小二乘范数的误差)获得的预期系数w₁至w_M中计算的预期值y′的误差被标准化到0至1.0的范围中的值，并且利用预期值y′的误差x_s定义的在表达式(50)中的权重α_s是如图34中所示。

系数a是用于控制来自最小二乘范数的误差x_s对N次幂误差e^N的影响的项，并且如果该系数a＝0，则权重α_s是在图34中倾斜度为0的一水平线。在此情形中，不论来自最小二乘范数的误差x_s是如何大或者如何小，来自最小二乘范数的误差x_s对N次幂误差e^N的影响是不变的，并且极小化在表达式(48)中的和E的预期系数w_i在逻辑上是与由最小二乘误差获得的那些相同的。相应地，使a＝0基本地实现了所述最小二乘误差方法。另外，如果系数a＞0成立，则误差x_s越大，来自最小二乘范数的误差x_s对N次幂误差e^N的影响就越大，误差x_s越小，来自最小二乘范数的误差x_s对N次幂误差e^N的影响就越小。在另一方面，如果系数a＜0成立，则误差x_s越大，来自最小二乘范数的误差x_s对N次幂误差e^N的影响就越小，误差x_s越小，来自最小二乘范数的误差x_s对N次幂误差e^N的影响就越大。

即，如果系数a为正，则表达式(48)中的N次幂误差e^N具有与如使指数N为大相同的性质，并且如果系数a为负，它具有与如使指数N为小相同的性质。相应地，表达式(48)中的N次幂误差e^N具有与表达式(38)中的N次幂误差e^N相同的性质，所以极小化表达式(48)中的N次幂误差e^N的和E的预期系数本质上是极小化表达式(38)中的N次幂误差e^N的和E的预期系数。

另外，如果系数a是0，则如上所述实现了最小二乘误差。即，指数N是2，然而对于其中系数a为正的情形，它产生其中指数N是N＞2的情形，而对于其中系数a为负的情形，它产生其中指数N是N＜2的情形。该系数a如后述的系数c那样相当影响在最小N次幂误差中的指数N。

系数b是校正项，并且在图34中的整个函数值(权重α_s)根据系数b的值在垂直方向上变化。另外，系数b在最小N次幂误差中的指数N上没有多少影响。

系数c是转换轴的比例的项，即改变权重α_s适于来自最小二乘范数的误差x_s的方式的项，其中系数c的值越大则在权重α_s中的变化越急促，而系数c的值越小则在权重α_s中的变化越稳和。相应地，来自最小二乘范数的误差x_s因为系数c变化而在表达式(48)中的N次幂误差e^N上的影响与该系数的变化相同，所以利用与在表达式(38)中带有系数c的N次幂误差e^N相同的性质也能够提供在表达式(48)中的N次幂误差e^N。即，最小N次幂误差的指数能够受到系数c的影响。

注意，在图34中的线指示其中c＝1和a＞0(b是任意的)的情形，而在图34中的曲线指示其中c≠1且a＞0(b是任意的)的情形。

规定在表达式(50)中的权重α_s的系数a、b、以及c可以由用户操作(设置)操作单元202来改变，并且在表达式(50)中的权重α_s可以通过改变系数a、b、以及c来改变。在权重α_s中的该变化引起在表达式(48)中的α_se²实质上(等价地)如关于预定指数N的N次幂误差e^N那样作用，并且结果，获得极小化在表达式(50)中的N次幂误差和E的预期系数、即，最小N次幂误差的所述范数的预期系数w_i。

另外，利用上述第一方法，以不同的方式改变确定权重α_s的系数a、b、以及c实质上改变了指数N，以便获得最小N次幂误差的预期系数，这样指数N不限于整数，并且如果指数N是诸如例如其中指数N＝2.2的小数的实数，也能够获得预期系数。

接着，将描述用于通过最小N次幂误差计算预期系数的第二方法(在下文中也称为回归法)。利用所述第一方法，使用了乘以权重α_s的二乘误差e²作为表达式(48)中所示的N次幂误差，然而利用所述第二方法，使用了利用较低阶最小N次幂误差获得的解，并且利用回归技术能够获得由较高阶最小N次幂误差的解。

即，利用如上所述的最小二乘误差方法能够获得最小化在以下表达式(51)中的二乘误差的和E的预期系数w_i，而利用由该最小二乘误差获得的预期系数w_i经由表达式(39)计算的预期值y′是由y₁(在下文中可以称为来自最小二乘范数的预期值)表示的。

[表达式51]

E＝∑e²                                       …(51)

接着，让我们考虑例如在以下表达式(52)中表达的三次幂误差的和E.

[表达式52]

E＝∑|e|³＝∑(|y-y₁|)e²                     …(52)

获得极小化在表达式(52)中的三次方误差的和E的预期系数w_i意味着获得最小三次方误差的解，其中该三次方误差|e³|是以二乘误差e²与在来自最小二乘范数的预期值y₁和真实值y之间的误差|y-y₁|的乘积的形式表达的，如表达式(52)中所示。在表达式(52)中的|y-y₁|能够作为常量获得，这样通过最小二乘误差能够实际地获得极小化在表达式(52)中的三次方误差的和E的预期系数w_i。

以相同的方式，让我们考虑表达式(53)中表达的四次幂误差的和E。

[表达式53]

E＝∑e⁴＝∑(|y-y₂|)²e²                 …(53)

获得极小化在表达式(53)中的四次幂误差的和E的预期系数w_i意味着获得最小四次幂误差的解，其中利用极小化在表达式(52)中的三次方误差的和E的预期系数w_i通过表达式(39)计算的预期值y′是由y₂(在下文中可以称为来自最小三次方范数的预期值)表示的，四次幂误差e⁴能够以二乘误差e²与在来自最小三次方范数的预期值y₂和真实值y之间的二乘误差|y-y₂|²的乘积的形式表达的，如表达式(53)中所示。来自表达式(53)中的最小三次方范数的二乘误差|y-y₂|²能够作为常数获得，这样通过最小二乘误差能够实际地获得极小化在表达式(53)中的四次幂误差的和E的预期系数w_i。

对于以下的表达式(54)这也是正确的。

[表达式54]

E＝∑|e|⁵＝∑(|y-y₃|)³e²                     …(54)

获得极小化在表达式(54)中的五次幂误差的和E的预期系数w_i意味着获得最小五次幂误差的解。利用极小化在表达式(53)中的四次幂误差的和E的预期系数w_i通过表达式(39)计算的预期值y′是由y₃(在下文中可以称为来自最小四次幂范数的预期值)表示的，五次幂误差e⁵能够以二乘误差e²与在来自最小四次幂范数的预期值y₃和真实值y之间的二乘误差|y-y₃|³(在下文中可以称为来自最小四次幂范数的三次方误差)的乘积的形式表达的，如表达式(54)中所示。在表达式(54)中的最小四次幂范数的三次方误差能够作为常数获得，这样通过最小二乘误差能够实际地获得极小化在表达式(54)中的五次幂误差的和E的预期系数w_i。

以相同的方法也能够获得其中指数N是6或更高阶的最小N次幂误差的情形的解(预期系数w_i)。

如上所述，利用第二方法，利用以较低阶最小N次幂误差获得的预期系数计算的预期值被用以获得较高阶最小N次幂误差的解，并且它被循环地重复，由此获得具有较高阶最小N次幂误差的解。

注意，利用上述情形，来自最小N次幂误差的解是利用用由此仅低1阶的N-1次幂误差获得的预期误差计算的预期值来获得的，然而，最小N次幂误差的解可以利用用由比此更低的任意阶最小N次幂误差获得的预期系数计算的预期值来获得。即，在表达式(53)的情形中，|y-y₂|可以用|y-y₁|取代，而在表达式(54)的情形中，|y-y₃|可以用|y-y₂|或者|y-y₁|取代。

另外，在第二方法中，能够以二乘误差e²与N-2次幂误差|y-y′|^N-2的乘积的形式表达N次幂误差e^N，利用第一方法也是一样，通过例如其中指数N＝2.2的任意指数N的最小N次误差能够获得解。

接着，将参考图35中的流程图描述利用图29中的优化装置201的图像优化处理。该图像优化处理是由学习处理和映射组成的。

在学习处理中，在步骤S230中，判断出关于用户是否已操作了操作单元202，并且如果判断出还未操作它，则流程返回到步骤S230。另外，在步骤S230中，如果判断出操作单元202已经受到操作，则流程进入到步骤S231。

在步骤S231中，学习单元221的教师数据产生单元231从输入信号中产生教师数据，并且将它输出到N次幂误差系数计算单元234上，同时学生数据产生单元232从输入信号中产生学生数据，并且将它输出到预期抽头提取单元233上，并且流程进入到步骤S232。

现在，至于用作产生学生数据和教师数据的数据(在下文中也称为学习数据)，可以使用例如输入到在从当前时间往回一预定量时间的时间点的输入信号。另外，对于学习数据，可以作出一种安排，其中预先存储专用数据，取代使用输入信号。

在步骤S232中，利用每块教师数据作为关注像素，预期抽头提取单元233从由学生数据产生单元232输入的学生数据中产生关于每个关注像素的预期抽头，并且输出它到最小N次幂误差系数计算单元234上，并且流程进入到步骤S233。

在步骤S233中，N次幂误差系数计算单元234判断指定利用回归法(第二方法)计算最小N次幂误差的系数组的操作信号是否已经由操作单元202输入了，并且如果，例如，用户已经操作了操作单元202，并且已经指定了不是回归法的一种方法，即，直接法(第一方法)，则流程进入到步骤S234，在这里判断出关于指定在表达式(50)中的权重α_s(指定指数N)的系数a、b以及c，重复所述处理直到有它的输入，并且如果判断出，例如，用户已经操作了操作单元202，并且已经输入了指定系数a、b以及c，则流程进入到步骤S235。

在步骤S235中，最小N次幂误差系数计算单元234实质上解决了在带有由最小二乘误差方法输入的权重α_s的系数a、b以及c的情况中极小化上述表达式(48)的问题，由此获得具有利用对应于权重α_s的指数N的最小N次幂误差的解的预期系数w₁、w₂、w₃、…、w_M，即，系数组，并且将它存储于系数存储器235中，并且流程返回到步骤S230。

在另一方面，在步骤S233中，如果判断出已经选择了回归法，处理进入到步骤S236。

在步骤S236中，最小N次幂误差系数计算单元234判断是否已经输入指定指数N的信息，重复该处理直到指数N被输入，并且如果判断出已经由用户操作例如操作单元202输入指定指数N的信息，则流程进入到步骤S237。

在步骤S237中，最小N次幂误差系数计算单元234通过利用基本最小二乘误差方法的一种代数方法获得该系数组。在步骤S238中，最小N次幂误差系数计算单元234使用由最小二乘误差获得的系数组而获得的预期值，如根据表达式(51)至(54)所述，递归地获得从操作单元202输入的对应于指数N的最小N次幂的存储于系数存储器235中的系数组，流程返回到步骤S231。

接着，在步骤S242，利用映射处理，在步骤S241中，利用充作对应于充作当前输入信号的图像帧的输出信号的图像帧作为关注帧，映射处理单元22的抽头提取单元251从关注帧的像素中取那些还不是关注像素的像素，以例如光栅扫描次序从该关注像素的输入信号中提取预期抽头，并且将它输出到乘积和计算单元252上。

接着，乘积和计算单元252读取学习单元221的系数存储器235的预期系数，并且按照表达式(39)执行在从抽头提取单元251输入的预期抽头与从系数存储器235中读取的预期系数之间的乘积和计算处理。由此，乘积和计算单元252获得关注像素的像素值(预期值)。接着，流程进入到步骤S243，在这里抽头提取单元251判断是否所有像素已经成为在该关注帧中的关注像素，并且如果判断出一些还不是，则流程返回到步骤S241，并且重复相同的处理，在关注帧中的还未成为关注像素的像素以光栅扫描次序成为新的关注像素。

另外，在步骤S243中，如果判断出在该关注帧中的所有像素已经成为关注像素，则流程进入到步骤S244，在这里显示单元203显示由乘积和计算单元252获得的像素组成的关注帧。

流程返回到步骤S241，在这里抽头提取单元251取下一帧作为新的关注帧，并且接着重复相同的处理。

根据图35中的图像优化处理，在映射处理中，用户观看显示在显示单元203上的图像，并且如果这不符合该用户的偏好，则操作操作单元202去指定直接法或回归法，并且进一步指定N次幂误差的指数N，并且相应地在学习处理中，改变由最小N次幂误差获得分预期系数，并且能够使作为由映射处理获得的输出信号的图像成为适合该用户他/她自己的偏好的图像。

现在，图36说明利用由最小N次幂误差获得的最小N次幂范数的系数组计算的预期值的误差和、以及利用通过利用其中在表达式(50)中的权重α_s的系数a、b、以及c的值是通过指定系数a、b、以及c为例如a＝40、b＝0.1、以及c＝1来改变的直接法的一般最小二乘方法获得的最小二乘范数计算的预期值的误差和。这里，该误差和是由二乘误差和三次方误差的和指示的。另外，如果系数a、b、以及c是上述值，它等价于其中在表达式(48)中的N次幂误差e^N的指数N大于2的情形。在图36中，在来自最小二乘范数系数组的情形中二乘误差的和是10160281，而在来自最小N次幂范数系数组的情形中二乘误差的和是10828594，这样，最小二乘范数系数组情形小于最小N次幂范数系数组的情形。在另一方面，在来自最小二乘范数系数组的情形中三次方误差和是165988823，而在来自最小N次幂范数系数组的情形中三次方误差和是161283660，这样，最小N次幂范数系数组的情形小于最小二乘范数系数组的情形。

相应地，通过利用最小二乘范数的系数组执行映射处理(在表达式(39)中计算的乘积和)能够获得作为其中二乘范数的和是更小的输出信号的图像，并且另外，通过利用上述值的系数a、b、以及c获得的最小N次幂范数系数组能够获得作为其中三次方误差和是更小的输出信号的图像。

现在，在图35中的图像优化处理中，指数N是由用户操作操作单元202而改变的(在直接法中，指定指数N的系数a、b、以及c被改变，而在回归法中，指数N本身被改变)，由此设定使用何种指数N的最小N次幂误差方法作为预期系数(系数组)的学习范数(学习系统)。即，改变了用于获得预期系数本身的学习算法。相应地，能够说“处理结构”已改变所以能够获得适合该用户的偏好的图像。

接着，图37说明图1中示出的优化装置的另一结构例子。利用图37中示出的优化装置201，除了内部信息产生单元261以外，提供的结构与图29中示出的优化装置201的结构相同，所以将省略其描述。

内部信息产生单元261读取例如存储于系数存储器235中的预期系数作为处理单元211的内部信息，将该预期系数的信息转换为图像信息，并且输出它到显示单元203中，在这里显示它。

接着，将参考图38中示出的流程图描述图37中示出的利用优化装置201的图像优化处理。图38中示出的优化装置201也是由如在图35中示出的情形的学习处理和映射处理组成的。利用该学习处理，在步骤S250至S258中分别执行如在步骤S230至S238中相同的处理。

另外，利用该学习处理，在步骤S250至S258中的处理之后，为内部信息产生单元261读取存储于系数存储器235中的系数组作为内部信息，流程进入到步骤S259，基于包含在该系数组中的值产生能够显示的图像，并且输出它到显示它的显示单元203上。

在此时，由内部信息产生单元261产生的并且显示在显示单元203上的图像可以具有诸如如图39中示出的三维分布图、或者例如如图40中示出的二维分布图的形式。即，在图39中，等价于从输入信号中提取的预期抽头位置的坐标是由在x y平面上的位置，如抽头位置(x)和抽头位置(y)，以及取自充作在对应于每个期抽头位置的坐标处示出的预期抽头的像素值的乘积的预期系数(Coeff)来指示的。另外，在图40中，图39是以等高线的形式表示的。

现在，让我们返回到图38中的流程图的描述。

在步骤S259中的处理之后，流程返回到步骤S250，并且接着，重复相同的处理。

在另一方面，利用映射处理，在步骤S261至S264中分别执行在图35中的步骤S241至S244中的相同处理。

因为上述处理，存储于处理单元211的系数存储器235中的系数组的值(系数值)作为与该处理相关的内部信息得以显示(呈现)，这样用户在观看该系数组和处理单元211的处理结果作为输出信号分布的同时操作操作单元202，以便能够获得作为适合用户的偏好的输出信号的图像，由此改变指数N(在直接法中，指定指数N的系数a、b、以及c被改变，而在回归法中，指数N本身被改变)，由此设定使用何种指数N的最小N次幂误差方法作为预期系数(系数组)的学习范数(学习系统)。即，改变了用于获得预期系数本身的学习算法。相应地，能够说“处理结构”已改变。另外，在上述例子中，显示了系数组，然而可以组成一种安排，其中显示了与该处理相关的内部信息，诸如例如当前的最小N次幂误差方法是直接的还是回归的。

图41说明优化装置的另一结构例子。图41中示出的优化装置301是由处理单元311构成的，并且基于来自操作单元201的操作信号优化输入信号和在显示单元203上显示它们。在该图中，将对应于上述实施例的部分给予相同的编号，并且在下文合适的地方将省略其描述。

图41中示出的处理单元311的系数存储器321基本上与图30中示出的系数存储器235相同，并且存储映射处理单元222执行映射处理所需的系数组。该系数组基本上是由将后述的在图43中示出的学习装置341产生的系数组(充作初始值的系数组)，它由系数改变单元322适当地改变、并且盖写和存储。相应地，当重复盖写时，该系数组将变得有些不同于由学习装置341产生的系数组。另外，可以作出一种安排，其中充作初始值的系数组将存储于未示出的存储器中，这样对应于操作单元202作出的操作，系数存储器321的存储内容能够被转换到初始值系数组。

系数改变单元322基于从操作单元202输入的操作信号读取存储于系数存储器321中的系数组(预期系数)，改变对应于预期抽头的预期系数值(乘以预期抽头的预期系数)，并且再次盖写在系数存储器321上并且存储。

接着，将参考图42描述系数改变单元322的结构。系数改变单元322的系数读/写单元331是由改变处理单元332控制的，以便读取存储于系数存储器321中的系数组，并且输出到改变处理单元332上，同时为存储在系数存储器321上写入其值已经由改变处理单元332改变的预期系数。改变处理单元332基于操作信号改变由系数读/写单元331从系数存储器321中读取的预期值。

这里，将参考图43描述用于产生要通过学习处理存储于系数存储器321中的系数组的学习装置341。学习装置341的教师数据产生单元351与图30中示出的学习装置221的数据产生单元231相同，并且从作为预先提供的学习数据的图像信号中产生教师数据，并且输出教师数据到标准方程产生单元354上。学生数据产生单元352与图30中示出的学生数据产生单元321相同，并且从学习数据中产生学生数据，并且输出它到预期抽头提取单元353上。

预期抽头提取单元353与在图30中示出的预期抽头提取单元233相同的，其中，利用作为现在要处理的教师数据作为关注像素，从关于该关注像素的学生数据中提取与由组成图41中示出的映射处理单元222的抽头提取单元251(图31)产生的相同的抽头结构的预期抽头，并且输出它到标准方程产生单元354上。

标准方程产生单元354从作为从教师数据产生单元351中输入的关注像素的教师数据y和预期抽头x₁、x₂、x₃、…、x_M中产生表达式(46)的标准方程。标准方程产生单元354接着利用所有教师数据作为获得关注像素获得表达式(46)中的标准方程，并且输出该标准方程到系数决定单元355上。系数决定单元355通过Cholesky方法等解输入标准方程(上述表达式(46))，由此获得系数组。

接着，将参考图44中的流程图描述利用图43中示出的学习装置341的系数决定处理(学习处理)。在步骤S271中，教师数据产生单元351从学习数据中产生教师数据，并且输出它到标准方程产生单元354上，同时学生数据产生单元352从学习数据中产生学生数据，输出它到预期抽头提取单元353上，并且流程进入到步骤S272。

在步骤S272中，预期抽头提取单元353顺序地取教师数据作为关注像素，从关于该关注数据的学生数据中提取预期抽头，输出它到标准方程产生单元354上，并且流程进入到步骤S273。

在步骤S273中，标准方程产生单元354使用教师数据和预期抽头组去计算在表达式(46)的左端的矩阵的组元的和(∑)以及其右端的矢量的组元的和(∑)，由此产生将输出到系数决定单元355中的一标准方程。

接着流程进入到步骤S274，系数决定单元355解开从标准方程产生单元354输入的标准方程，并且通过所谓最小二乘误差获得将在步骤S275中存储于系数存储器321中的系数组。

因为以上处理，一基本系数组(充作初始值的系数组)存储于系数存储器321中。现在，在上述给予由最小二乘误差获得的系数组的同时，它可以是由另一方法获得的系数组，并且可以是由上述最小N次幂方法获得的系数组。

接着，将进行关于由图41示出的系数改变单元322的改变处理单元332改变的系数组的描述。系数组是通过在上述图44中的流程的处理预先存储于系数存储器321中的，并且系数改变单元322即基于从操作单元202输入的操作信号改变该系数组通过预先计算的组的预期系数。

例如，如果从学生数据中提取的预期抽头是7抽头×7抽头(水平×垂直的7×7像素)，总共49抽头，则存在对应于预期抽头的相同数量的预期系数。即，在此情形中，存储于系数存储器321中的系数组是由49个预期系数组成的系数组。在此时，利用每个预期抽头的位置(抽头位置)作为水平轴(例如，提供数字到每个预期抽头并且使用该数字值作为水平轴)，让我们说其中取乘以抽头位置的预期抽头的预期系数的系数值作为垂直轴的分布是如图46所示的。现在，如果要改变该系数组的所有系数值，它要求为49个系数值的每一个系数值操作。这需要标准化该系数值(其中每个系数被除以所有系数值的总和)，使得获得的输入信号与由利用预期系数处理输入信号获得的输出信号是相同的，即，该系数在总值是1，然而难以操作每个单个系数使得该总值是1。

即，例如，考虑仅提高对应于由图47中的箭头指示的预期抽头的系数值，抽头位置和系数值的分布如图48中所示。注意，图48中示出的抽头位置是由图47中的箭头指示的抽头位置。

以此方法，仅提高(增加)对应于特定预期抽头的系数的系数值要求操作使得减少对应于其它抽头位置的系数的系数值等，这样该总值是1，然而，该操作是困难的。另外，使总值为1的操作也与在改变对应于较大数字的预期抽头的系数的系数值的情形中同样地困难。

相应地，如果该操作信号是使得对应于由图49中示出的箭头指示的一抽头位置的系数的系数值被改变超出预定阈值S11(改变量改变大于阈值S11)，则改变处理单元332将来自诸如图46中示出所分布的其它系数的系数值改变为诸如图50中示出的分布。即，改变处理单元332根据离开对应于关于其值已经被改变的系数的抽头位置的距离，改变对应于每个抽头位置的系数的系数值，使得该系数值的分布根据诸如像弹簧的模型改变。即，如果通过学习获得的系数组的分布是诸如图46中示出的分布，一旦从操作单元202处作出操作，以提高对应于如图50中示出的抽头位置t的值，则改变处理单元332在接近该抽头位置t的位置处增加其它值的系数值，使得该位置越接近，则改变越大，并且反之，改变对应于在离开该抽头位置t的距离位置处的抽头的系数的系数值，使得该位置越远，则减少越大，并且进一步，其中该系数值的总值是1。这里，在下文中，将其中所述分布是以诸如图50中示出的弹簧的形式改变的模型称为弹簧模型。另外，根据该弹簧模型，如果操作了操作单元202使得某抽头位置t的系数较低，则接近于该抽头位置t的位置的系数值对应于到该位置的接近程度而降低，并且反之距离该位置t的位置的系数值是根据离开该位置的距离而提高的。

另外，如果该系数的系数值的改变量小于预定阈值S11，则改变处理单元332改变具有与在与该抽头位置t的系数相同的方向上的抽头位置t的系数的极性相同的极值的系数值，并且改变具有与在与该抽头位置t的系数相反的方向上的抽头位置t的系数的极性不同的极值的系数值，(在与该已经被操作的系数相同的方向上，利用与已经被操作的系数具有的极值的方向相同的极值来变换系数，并且在与该已经被操作的系数相反的方向上，利用与已经被操作的系数具有的极值的方向不同的极值来变换系数)，以便影响变化使得系数值的总值是1，保持总体分布平衡的均衡。在下文中，将其中系数值已改变同时如图51中示出的保持总体平衡的均衡的模型称为均衡模型。因为影响这样的改变，均衡模型在功能上近似于(等价于)HPF(高通滤波器)或者LPF(低通滤波器)。

现在，以上已经描述了其中已经在均衡模型中提高了具有正值的系数值的一种情形，然而如果例如降低该具有正值的系数值，即，在负方向上改变，则正值在负方向上改变，并且具有负值的系数值在正方向上改变。另外，如果提高具有负值的系数值，则具有正值的系数值在负方向上改变，并且负系数会改变到正方向上，同时如果降低具有负值的系数值，则正系数值在正方向上改变，而负系数值在负方向上改变。利用均衡模型，在所有情形中，系数值是在由此保持总体平衡的均衡的方向上改变。

如上所述，如果已改变系数值的改变量大于阈值S11，则改变处理单元332通过图50中示出的弹簧模型改变对应于的其它抽头的系数值，并且如果该系数值的改变量小于阈值S11，则通过图51中示出的均衡模型改变对应于的其它抽头的系数的系数值。这是因为如果一系数的改变量大，则保持总体平衡的改变从每个该系数值的总体平衡的观点来看都是不自然的，所以使用了该弹簧模型，并且如果该改变量小，则在系数上的改变对总体平衡的影响也小，所以作出改变以保持总体平衡。

现在，用于改变不是由操作操作单元202改变的系数值的系数的模型不限于这些，并且只要总体上系数值的总值是1任何都是足够的。另外，在上述情形中，用于改变其它系数的模型是根据由操作操作单元202而改变的系数的改变量的大小而切换的，然而用于改变其它系数的模型可以是固定的。

接着，将参考图52中示出的流程图描述图41中示出的优化装置301的图像优化处理。现在，该图像优化处理是由系数改变处理和映射处理组成的。该映射处理是与利用图35和图38描述的映射处理相同的，所以这里将仅描述系数改变处理。

在步骤S291中，系数改变单元322(图42)的改变处理单元332判断用于操作系数值的操作信号是否已经从操作单元202中输入。即，如果用户认为显示于系数单元203上的图像有些符合他/她的偏好，则这里利用存储于系数存储器321(图41)中的系数组执行映射处理，然而如果判断出这不符合偏好，则执行操作以改变存储于系数存储器321中的要用于映射处理的系数组。

例如，在步骤S291中，如果判断出已经输入用于操作系数的操作信号，即，如果操作单元202已经受到操作以改变存储于系数存储器321中的系数之一的系数值，则流程进入到步骤S292。

在步骤S292中，改变处理单元332控制系数读/写单元331去读取存储于系数存储器321中的系数组，并且流程进入到步骤S293。在步骤S293中，改变处理单元332比较预先包含在该系数组中的值来判断作为操作信号输入的系数值是否是等于或大于预定阈值S11的改变。例如，如果在步骤S293中判断出在作为操作信号输入的值与在存储于系数存储器321中的系数组中的值之间的改变等于或大于预定阈值S11，则流程进入到步骤S294。

在步骤S294中，改变处理单元332利用如图50中示出的弹簧模型改变包含于该系数组中的系数值，并且流程进入到步骤S295。

在另一方面，如果在步骤S293中判断出在作为操作信号输入的值与在存储于系数存储器321中的系数组中的值之间的改变不等于或大于预定阈值S11，则流程进入到步骤S296。

在步骤S296中，改变处理单元332利用如图51中示出的均衡模型改变包含于该系数组中的系数值，并且流程进入到步骤S295。

在步骤S295中，改变处理单元332控制系数读/写单元331以盖写和存储已改变的系数组值到系数存储器321上，流程返回到步骤S291，并且接着重复相同的处理。

如果在步骤S291中判断出所述操作值未受到操作，即，如果用户已经判断出显示于显示单元203上的图像符合他/她的偏好，则流程返回到步骤S291，并且接着重复相同的处理。

因为以上系数改变处理，用户能够改变用于映射处理的系数组，由此执行为该用户的优化处理。现在，改变该系数组的系数值意味着改变映射处理单元311的映射处理的“处理内容”。

另外，利用图52的系数改变处理，如果该系数的改变的大小等于或大于预定阈值S11，则利用根据该已经受到操作的系数值利用弹簧模型改变在该系数组中的所有系数值，并且如果该改变的大小小于预定阈值S11，则利用均衡模型改变在该系数组中的所有系数值，这样用于改变该系数组的算法改变了。相应地，还在图41中示出额优化装置301的处理单元311处，所述“处理内容”，以及进一步“处理结构”也根据用户操作而改变，由此执行了为用户的优化信号处理。

另外，如上所述，如果存储于系数存储器321中的系数组是由最小N次幂误差获得的，可以作出一种安排，其中例如对应于多个指数N的系数组会预先存储于系数存储器321中，而系数改变单元322基于用户操作按照来自操作单元202的操作信号改变对应于所指定指数N的系数组。在此情形中，存储于系数存储器321中的系数组会改变为由对应于基于用户操作从操作单元202输入的指数N的最小N次幂误差方法产生的那些系数组，即，被改变到由一种不同系数组产生算法产生的系数组上，所以能够说该“处理结构”已改变。

接着，将参考图53描述其中对图41中示出的优化装置301配置了内部信息产生单元371的一实施例。注意在图53中，除了在已经配置了所述内部信息产生单元371以外它与图41中示出的优化装置301是相同的。

内部信息产生单元371读取例如存储于系数存储器321中的系数组作为处理单元311的内部信息，将所述组转换为能够显示于显示单元203上的图像信号，接着输出到显示单元203上并且显示。

接着，将参考图54中的流程图描述图53中示出的优化装置301的图像优化处理。该图像优化处理也是由以如在图41中示出的优化处理301执行的图像优化处理相同的方式的系数改变处理和映射处理组成的，然而该映射处理与利用图35和图38描述的映射处理是相同的，所以这里将仅描述系数改变处理。

利用该系数改变处理，分别在步骤S311至S315中执行在步骤S291至295中的处理相同的处理。

在步骤S315中，如利用在图52中的步骤S295中的情形那样，在转换后系数组被存储于系数存储器321之后，流程进入到步骤S317，在这里内部信息产生单元371读取存储于系数存储器321中的系数组的系数值，将这些转换为能够显示于显示单元203上的图像信号，输出到显示单元203上并且显示。在此时，显示单元203可以利用诸如如图39中示出的三维分布图或者例如如图40中示出的二维分布图的形式显示该系数组的系数值。

在处理步骤S317之后，流程返回到步骤S311，并且接着重复相同的处理。

根据图54中的系数改变处理，存储于系数存储器321中的系数组的值会作为内部信息显示，这样用户能够在观看该系数组的同时操作操作单元202，以获得执行为该用户优化的处理的一系数组。

另外，利用映射处理单元222(图31)的乘积和计算单元252，输出信号能够通过计算取代在表达式(39)中的线性表达式的二阶或更高的较高阶表达式来获得。

接着，将参考图55描述从图像信号中提取插入字符(telop)部分的一种优化装置的一结构例子。

优化装置401的特征检测单元411基于从操作单元402输入的操作信号检测已经指定的关于充作输入信号的图像信号的每个像素的两类特征，并且输出被检测的特征信息到处理决定单元412上。另外，特征检测单元411在内部缓冲存储器中存储充作输入信号的图像信号直到从该输入图像信号中提取所述插入字符，并且输出该图像信号到处理单元413上。操作单元402与图41和图53中示出的操作单元202相同。注意，所述特征检测单元411不限于仅检测已经指定的关于充作输入信号的图像信号的每个像素的两类特征，并且例如可以同时检测多类特征，并且从这些中输出两类所指定的特征，或者同时检测两类或多类特征，并且同时输出这些。

处理决定单元412基于从特征决定单元411输入的特征来决定处理单元413稍后将在图像信号上以例如像素的增加执行的处理，并且输出所决定的处理内容到处理单元413上。

处理单元413使从缓冲存储器421中读取的充作输入信号的图像信号经受以像素的增加从处理决定单元412输入的处理内容的处理，输出它到显示单元403并且显示。

接着，将参考图56描述特征检测单元411的结构。特征检测单元411的缓冲存储器421临时地存储作为输入信号的图像信号，并且提供这些到处理单元413上。特征提取单元422从充作输入信号的图像信号中提取由特征选择单元423选择的两类特征，并且输出这些到处理决定单元412上。特征选择单元422基于从操作单元402中输入的操作信号提供用于指定要从输入信号中提取的特征的信息到特征提取单元422上。能够被选择的特征是例如该图像信号的每个像素的亮度值、Laplacian(拉普拉斯)、Sobel(一种图像边缘提取算法)、帧间差值、半帧间差值、背景差值、以及从在预定范围内获得的值(总和、平均值、动态范围、极大值、极小值、中间值、或离散度等)等等，然而也可以是其它特征。

接着，将参考图57描述处理决定单元412的结构。处理决定单元412的特征识别单元431识别从特征检测单元411输入的多类特征，并且伴随指示所识别的特征类型的信息输出该特征本身到处理内容决定单元432上。处理内容决定单元432基于从特征识别单元431中输入的指示特征类型的信息和该特征本身，决定为预先存储于处理内容数据库433中的每个特征设定的处理内容，并且输出所决定的处理内容到处理单元413上。

接着，将参考图58描述处理单元413的结构。处理单元413的处理内容识别单元441识别从处理决定单元412输入的处理内容，并且指令处理执行单元442去执行已识别的处理。处理执行单元442基于来自处理内容识别单元441的为每个像素的指令使经由缓冲存储器421输入的输入信号经受所指定的处理，转换这些为能够显示于显示单元203上的图像信号，接着输出到显示单元403上并且显示。

注意，在图55中示出的优化装置401是用于从图像信号中提取插入字符的，所以所述处理内容是是否提取每个像素作为插入字符部分的处理，然而也可以使该图像信号经受其它处理，并且这可以是其中关于被识别作为插入字符部分的输入信号被无改变地输出、同时被识别不是插入字符部分的像素不输出的处理。另外，为简化描述，将作为输入信号输入的图像描述为单帧静止图像。然而，图55中的优化装置也可以应用于运动图像。

接着，将参考图59中的流程图描述利用图55中示出的优化装置的插入字符提取优化处理。

在步骤S331中，特征检测单元411的特征提取单元422判断是否已经由特征选择单元423选择了两类特征，并且重复该处理直到这些被选择。即，重复在步骤S331中的处理直到基于对应于由用户操作操作单元402输入的特征类型的操作信号指示由特征选择单元423选择特征的信息被输入到特征提取单元422中。例如，如果判断出用于选择特征的信息已经从特征选择单元423中输入了，即，如果判断出用户已经操作了操作单元402并且选择两类特征，则处理进入到步骤S332。

在步骤S332中，特征提取单元422从作为输入信号的图像信号中提取每个像素的所选两类特征，并且输出这些到处理决定单元412上。在此时，作为输入信号的图像信号会存储于缓冲存储器421中。

在步骤S333中，处理决定单元412基于所输入的两类特征决定每个像素的处理内容，并且输出这些到处理单元413上。更详细地，特征识别单元431识别所输入的两类特征，并且输出所识别的特征类型以及特征本身到处理决定单元412上。进一步，处理决定单元412从为每个像素输入的两类特征中决定处理内容。更具体地，基于现在将要处理的关注像素的组合(特征A、特征B)，参考LUT，利用处理内容决定单元432，为作为特征A和特征B的两任意类型的每个组合(特征A、特征B)将特征A和特征B的每个值与具有特征A和B的像素相关的处理内容(在此情形中，它是否是插入字符的信息)相关联的称作LUT(查询表)的表会存储于处理内容数据库433中，并且决定对应的处理，即，是否作为插入字符处理，并且输出它到处理单元413上。另外，该LUT是例如通过预先从仅插入字符的图像中提取多个特征而产生的，并且与该组合是插入字符的信息相关联。稍后将描述LUT的细节。

在步骤S334中，处理单元413处理充作经由缓冲存储器421输入的输入信号的图像信号，在从处理决定单元412中输入处理内容之后，将这些转换为能够显示于显示单元403上的图像信号，输出到显示单元403并且显示。更详细地，处理单元413的处理内容识别单元441识别从处理决定单元412输入的处理内容，并且指令处理执行单元442去执行已经决定的关于该对应像素的处理。处理执行单元442读取充作将存储于缓冲存储器421中的输入信号的图像信号，执行对应于每个像素的处理，将这些转换为能够显示于显示单元403上的图像信号，输出到显示单元403并且显示。

在步骤S335中，特征决定单元411判断是否认为要提取插入字符。即，如果用户观看显示于显示单元403上的图像，并且未判断插入字符正被提取，则操作操作单元402以便再次改变特征的组合和试图插入字符提取处理。一旦对应于该操作从操作单元402中输入了操作信号，则处理返回步骤S331，并且接着重复相继的处理。

在另一方面，如果根据用户的主观性判断出插入字符正被提取，则指示该处理完成的操作信号通过用户操作操作单元402会输入到特征检测单元421，该处理在此时结束。

即，重复步骤S331至S335的处理直到用户通过观看显示于显示单元403的图像能够判断插入字符正被提取，因为上述处理，由此能够设定为用户优化的特征组合，并且能够从充作输入信号的图像信号中提取插入字符。现在，在如上所述中，使用了两类特征来决定处理内容，然而可以作出一种安排，其中处理内容是由不是该数量的类型数量的特征来决定的。另外，可以作出一种安排，其中，在步骤S331中的处理中，通过对应于用户在操作单元402出作出的预定操作的操作信号，多个特征的组合会以预定的次序顺序切换。(例如，指令向上或者向下的按钮操作，等)，由此允许用户去切换和输入该特征而不需要特别地对该类特征给予考虑。

在以上处理中，由特征检测单元411检测的特征类型会在处理单元413处根据用户对操作单元402的操作而改变，以便检测到插入字符。在特征检测单元411处检测的特征类型的改变指示在处理决定单元处决定算法的处理内容中的改变，所以能够说在特征检测单元411处，所述“处理结构”已改变。

另外，如上所述，能够在特征检测单元411处进行各种类型特征的检测，然而一些特征要求诸如滤波器系数等的参数设定，以检测诸如例如拉普拉斯算子(Laplacian)。用于检测特征的参数能够对应于操作单元402的操作而进行改变，而根据该参数改变，在特征检测单元411处被检测的该特征类型本身不会改变，但被检测的该特征的值会改变。相应地，能够说用于检测这些特征的参数的改变是特征检测单元411的“处理内容”的改变。

接着，参考图60，其中对图55中示出的优化装置401配置了内部信息产生单元511的优化装置501的结构。图60中示出的优化装置501除了配置的内部信息产生单元511以外与图55中示出的优化装置401在结构上基本相同。

优化装置501的内部信息产生单元511提取例如从特征检测单元411的特征选择单元423输出的特征采集信息作为内部信息，并且在显示单元403上显示当前选择的特征类型。

现在，将参考图61中的流程图描述由优化装置501执行的插入字符提取优化处理。

注意，该处理基本上与参考图59的流程图描述的在图56中示出的优化装置401的插入字符提取优化处理相同的处理，而不同在于增加了用于显示指示已经选择的特征类型的信息的处理这点上。

即，在步骤S341中，特征检测单元411的特征提取单元422判断是否已经由特征选择单元423选择两类特征，并且重复该处理直到它们被选择。例如，如果判断出已经从特征选择单元423输入了用于选择特征的信息，即，如果判断出用户已经操作了操作单元402并且选择了两类特征，则处理进入到步骤S342。

在步骤S342中，内部信息产生单元511提取指示已经从特征选择单元423选择的两类特征的信息，并且在显示单元403上显示已经选择的两特征的类型的名称。

接着，在步骤S343至S346中分别执行与在步骤S332至S335中相同的处理。

根据在图61中的处理，作为与特征检测单元411的处理相关的内部信息的当前选择的特征的类型得以显示(呈现)，这样用户在理解当前被选择的特征类型的同时能够设定为从充作输入信号的图像信号增加精确地提取插入字符而优化的特征组合。

现在，内部信息产生单元511能够例如产生由特征检测单元411检测的关于每个像素的两类特征的值的分布作为内部信息，并且如在后述的图65和图67中所示在显示单元403上显示它。

另外，如上所述，如果根据操作单元402的操作改变用于检测特征的参数，内部信息产生单元511能够在显示单元403上作为内部信息显示(呈现)该参数。

接着，将参考图62描述取代图60中示出的内部信息产生单元511的、被安排配置了从处理决定单元412中产生内部信息的内部信息产生单元611的一种优化装置601的一结构例子。

图62中示出的优化装置601除了配置内部信息产生单元611取代图60中示出的内部信息产生单元511以外是以与图60中的优化装置501相同的方式配置的。

内部信息产生单元611基于由处理决定单元412的处理内容决定单元432决定的处理内容以及显示于显示单元403上的实际提取的两类特征，产生作为内部信息的在充作轴的两类特征的时间处经受插入字符提取的像素以及未经受插入字符提取的像素的分布图(例如，图65、图67)。

接着，将参考图63中的流程图描述图中示出的优化装置的插入字符提取优化处理。

注意，该处理基本上与已经参考图61中的流程图进行描述的由图60中示出的优化装置501执行的插入字符提取优化处理相同的处理，除了其中显示了关于是否像素已经经受了利用两类所选择特征作为轴的插入字符提取的分布的处理这点以外。

即，在步骤S351中，特征检测单元411的特征提取单元422判断特征选择单元423是否已经选择了两类特征，并且重复该处理直到这些被选择。例如，如果判断出用于选择特征的信息已经从特征选择单元423中输入，即，如果判断出用户已操作操作单元402并且已选择两类特征，则处理进入到步骤S352。

在步骤S352中，特征提取单元422从充作输入信号的图像信号中提取每个像素的两所选特征类型，并且输出这些到特征决定单元412上。在此时，作为输入信号的图像信号会存储于缓冲存储器421中。

在步骤S353中，处理决定单元412基于输入的两类特征决定每个像素的处理内容，并且输出它到处理单元413上。

在步骤S354中，在处理内容从处理决定单元412输入之后，处理单元413处理作为从缓冲存储器421中读取的输入信号的图像信号，转换这些为能够显示于显示单元403的图像，输出到显示单元403并且显示。

在步骤S355中，内部信息产生单元611产生作为内部信息的利用两类特征作为轴绘制由处理决定单元412的处理内容决定单元决定的处理内容的分布图，并且在显示单元403上显示它。

在步骤S356中，特征决定单元411判断插入字符是否正被提取。在步骤S356中，如果从操作单元202输入了对应于用户操作的操作信号，并且据认为不存在插入字符提取，则处理返回步骤S351，并且重复相继的处理。

在另一方面，如果在步骤S356中，指示结束该处理的操作信号由用户操作操作单元402而输入到特征决定单元421上，则该处理结束。

即，让我们说，例如作为诸如图64所示的输入信号的图像信号被输入。在图64中，“TITLE ABC”作为插入字符显示在关于背景图像(这里，作为非插入字符的部分)的图中央。

在步骤S355中，内部信息产生单元611显示，利用从诸如图64中示出的图像信号中检测的两类特征作为相应的轴指示是否存在作为插入字符的提取的分布，作为例如诸如图65中示出的二维分布图。

在图65的例子中，拉普拉斯算子(Laplacian)和帧内差值是已经选择的两类特征，在该图中用圆指示已经作为插入字符提取的像素，并且X指示关于不存在插入字符提取的像素。利用图65中的例子，带有插入字符提取的像素和不带有插入字符提取的像素在该分布中是无边界的(在插入字符像素和非插入字符像素之间的分布未分开)。在这样的分布情形中，插入字符是经常从背景图像中提取的，并且例如如图66中所示，是处于围绕该插入字符部分形成边界621和622的状态中，取代插入字符部分本身是边界。

在这样的情形中，用户将判断插入字符未正被提取，并且重复在步骤S351至S356中的处理。如果因为该处理的重复所选特征是Laplacian和(17像素×17像素)(以关注像素为中央的17像素×17像素内像素的每个Laplacian的和)和亮度DR(以关注像素为中央的17像素×17像素范围内像素的每个像素的亮度值的动态范围)产生诸如图67中所示的分布图。在此情形中，在图67中，作为插入字符被提取的像素的分布和不是作为插入字符被提取的像素的分布在视觉上是分开的。这指示如果选择Laplacian和与亮度DR作为特征，则在输入图像中的插入字符和其它部分被分开到分布中。一旦获得这样的分布，作为从每个像素中检测的特征的Laplacian和与亮度DR将经受阈值处理等，由此允许如图68所示精确地提取插入字符部分。

由此，因为上述处理，重复在步骤S351至S356中的处理直到用户通过观看显示于显示单元403中的图像和利用所选择的两类特征为轴的二维分布能够判断插入字符正被提取，这样显示了充作与处理决定单元412的处理相关的内部信息的特征中被检测成为插入字符的像素以及背景像素的分布，由此用户能够操作操作单元402以便从作为输入信号的图像信号中精确地提取插入字符，同时理解从所述特征中被检测成为插入字符的像素以及背景像素，由此设定为用户优化的特征组合。

接着，参考图69，将对关于配置了取代图62中示出的优化装置601的处理决定单元412的处理决定单元711的优化装置701的结构进行描述。利用优化装置701，除了在处理决定单元412的步骤中提供的处理决定单元711以外结构与图62中示出的优化装置601的结构相同。

处理决定单元711基于来自操作单元702的操作信号改变在处理内容数据库433中的LUT的内容(与操作单元402相同)，并且还基于从特征检测单元411中输入的特征决定用于稍后处理单元413对图像信号执行的处理，并且输出该处理内容到处理单元413上。

接着将参考图70描述处理决定单元711。该基本结构与图50中示出的处理决定单元412相同，然而配置了取代处理内容决定单元432的处理内容决定单元721。处理内容决定单元721基于从操作单元702输入的操作信号改变其中为存储于处理内容数据库433中两类特征的每个组合所决定的处理内容的LUT。更详细地，设定该LUT使得在一区域中的像素的特征由操作单元202指定为被认为是处于作为无改变的被显示的输入信号的图像信号的状态中的插入字符的插入字符，并且其它区域被作为不是该插入字符来处理。

在改变LUT之后，处理内容决定单元721基于用于识别从特征识别单元431中输入的特征的信息以及该特征本身决定预先为存储于处理内容数据库中的每个特征设定的处理内容，并且输出所决定的处理内容到处理单元413中。

接着，将参考图71中的流程图描述图69中示出的优化装置701的插入字符提取优化处理。

在步骤S361中，作为输入信号的图像信号无改变地显示于显示单元403上。更具体地，特征决定单元411的缓冲存储器421接收充作输入信号的图像信号并且存储这些，并且处理单元413无改变地读取作为存储于缓冲存储器421中输入信号的图像信号，并且无任何处理地输出这些到显示单元403，在这里显示它们。

在步骤S362中，处理决定单元711的处理内容决定单元721判断是否已经从操作单元702指令插入字符和背景。即，让我们说，例如，诸如图72中示出的未处理的图像信号会显示在步骤S361中的处理中。在此时，用户经由操作单元702(通过拖曳、点击等)操作定位器741通过范围742等去指定一般插入字符部分，并且如图73中所示，重复该处理直到在图72中的范围742范围之外的插入字符部分752和背景部分751得到指定，并且被指定的插入字符和背景部分的点、对应像素位置的指定透视图将存储于内置存储器(未示出)中，并且处理进入到步骤S363。

在步骤S363中，特征决定单元421的特征选择单元423判断是否已经从操作单元202中输入了用于选择预定的两类特征的操作信号，重复该处理直到该预定两类特征得到指定，并且一旦该预定两类特征得到选择，则处理进入到步骤S364。

在步骤S364中，特征提取单元422基于用于选择输入到特征选择单元423的特征类型的信息从输入信号中提取所选择的两类特征，并且输出这些到处理决定单元711。

在步骤S365中，内部信息产生单元611基于输入到处理决定单元711的两类特征以及为插入字符和背景指定的像素位置的信息，产生以两类特征为其轴的二维分布图，并且在步骤S366中，在显示单元403上显示该二维分布图。更具体地，处理决定单元711的特征识别单元431识别特征的类型，输出指示该类型的信息以及特征本身到处理内容决定单元721上，并且处理内容决定单元721除了指示特征及其类型的信息以外还输出指示为插入字符和背景指定的像素位置的信息到内部信息产生单元611上，使得内部信息产生单元611基于指示为插入字符和背景指定的像素位置的信息产生例如诸如图74中示出的特征的二维分布图。即，利用图74中的例子，其中选择Laplacian和帧间差值作为特征说明该例子，而该图中的圆指示插入字符像素，且该图中的X指示被指定为背景的像素。利用例如图74中的二维分布图，关于一特定像素，检测Laplacian值为X，检测帧间差值的值为Y，并且如果已经指定该像素为插入字符，则在该二维分布图上在位置(X、Y)处显示一圆，同时如果已经指定了背景，则在相同位置显示一X。

在步骤S367中，处理内容决定单元721判断是否已经输入了指示判断出已经分离了插入字符和背景的操作信号。即，例如，在诸如图74中所示的二维分布图的情形中，不能说指示插入字符的圆的分布和指示背景的X的分布是完全分离的，所以结果，不能期望在显示屏幕上提取该插入字符，并且在背景和插入字符处于诸如例如如图73中所示的未被分离的状态的许多情形中，产生分离背景部分751和插入字符部分752的边界753。在其中用户判断未提取插入字符这样的情形中，在用户试图再次改变该特征的点上，操作单元702根据用户作出的操作将指示该分离还未实现的操作信号输出到处理决定单元711的处理内容决定单元721上。在此情形中，在步骤S367中，判断出还没有指示判断已经分离了插入字符和背景的操作信号，所以处理返回到步骤S363，并且重复相继的处理。该处理意味着再次选择两类特征。

另外，如果例如如图75所示，通过在步骤S366中的处理指示插入字符部分的圆和指示背景的X被分离到一定程度，则由用户操作操作单元702以输出指示已经实现分离的操作信号到处理决定单元711的处理内容决定单元721上。在此情形中，判断出在步骤S367中已经输入了指示已经分开了插入字符和背景的判断的操作信号，并且处理进入到步骤S368。

在步骤S368中，处理内容决定单元721判断是否已经在二维分布图上指令了插入字符部分。即，如图75所示，判断出是否已经利用定位器741由操作单元702输入了例如指定范围761的操作信号作为其中在所显示的分布上分布了指示插入字符的大量圆的范围，重复该处理直到该范围得到指定，并且一旦判断出它已得到指定，则处理进入到步骤S369。

在步骤S369中，处理内容决定单元721基于已经由操作单元702输入的在图75中示出的范围761中指定的操作信号来改变处理内容：指示是否存在对应于所述特征组合的插入字符提取的LUT，并且根据将输出到处理单元413的已改变LUT决定所述处理内容，同时处理单元413按照所输入的处理内容从充作已经由缓冲存储器421输入的输入信号的图像信号中去提取插入字符，并且在显示单元403上显示这些。更详细地，处理内容决定单元721更新在处理内容数据库433中的LUT，以基于已经从操作单元702输入的指示在诸如图75所示的二维分布上的范围的信息来提取对应于分布在指定范围中的像素的两类特征的组合作为插入字符，并且进一步按照更新的LUT决定每个像素的处理内容，它将输出到处理单元413中。

在步骤S370中，处理内容决定单元721判断是否已经判断出已提取了插入字符。即，判断出用户是否判断已提取了插入字符或者判断未提取插入字符。例如，如图76所示，在通过步骤S369中的处理输出图像显示在显示单元403上的状态中，在插入字符部分和背景部分之间的边界771和772不是该插入字符本身，所以不能说该插入字符被完全提取。相应地，如果从用户的主观性判断该插入字符未被提取，则用户操作操作单元403去输入指示还未提取该插入字符的操作信号。一旦接收到这些操作信号，则处理决定单元711的处理内容决定单元721在步骤S730中判断出未提取该插入字符，并且处理进入到步骤S731。

在步骤S731中，进行关于是否重新指定插入字符在二维分布上的范围的判断，并且如果判断出已选择未重新指定插入字符在二维分布上的范围，则处理返回到步骤S368，并且重复相继的处理。

在另一方面，在步骤S370中，如果例如已经由在步骤S371中的处理选择了重新指定插入字符的范围，则在步骤S368中其中指示插入字符的圆的分布与图75中的范围761相比已经收窄的部分的范围781(使包含作为插入字符提取的大量圆的部分变得更窄的范围)如图77所示得到设定。即，在图75中，即使如果在特征分布上设定范围761作为插入字符部分，结果，在插入字符部分和背景部分之间的边界771和772不是该插入字符本身，如图76所示，所以该插入字符未被完全提取。

相应地，用户操作操作单元702去设定比范围761窄的范围781作为跨越所述特征分布的范围(作为指定为插入字符部分的部分的范围)。设定该范围由此在该特征分布上收窄要提取作为插入字符的范围，即，更容易地去除背景部分。然而，忽略要提取作为插入字符的范围太多引起了该插入字符本身未被容易地提取，所以用户通过在观看所提取的插入字符的同时重复这样的操作来搜索优化的插入字符提取状态。

一旦所述状态是如图78所示的例如其中已提取插入字符这样的状态，并且如果用户判断在步骤S370中已提取插入字符，则该用户操作操作单元702，并且指示已判断出已提取插入字符的操作信号会输入到处理决定单元711的处理内容决定单元721上，这样判断出已提取了该插入字符，并且处理结束。

另外，如果在步骤S371中判断出它未指定插入字符的范围，则处理返回到步骤S363，并且重复相继的处理。

因为这样的处理，首先，用户选择在充作输入信号的图像信号上的插入字符和背景的两类特征，并且观看所选的插入字符和背景怎样形成以所选特征为其两轴的二维分布，改变(收窄)插入字符在该二维分布的范围，或者改变所选的两类特征，并且进一步观看所提取的插入字符，并且重复该处理直到该状态是用户偏好的，由此实现符合用户的偏好的插入字符提取处理。如果判断出在步骤S362中的处理中已经指令了插入字符和背景，则插入字符和背景的范围的指令足以用于接着选择两类特征或者产生充作收窄在二维分布上的插入字符的模板的信息，这样该范围能够是非常一般的。

在以上处理中，根据由用户选择的两类特征的组合将插入字符和背景处理进行分割，所以这意味着“处理内容”已经由用户操作而改变。

另外，利用以上处理，所述两类特征是通过由操作单元402指定的两类特征决定的，然而可以作出例如如图79中所示的一种安排，其中两类特征的组合能够通过在操作单元702上的预定操作按钮发送作为操作信号的向上或向下的指令来改变。即，可以作出一种安排，其中作为初始状态，处理是通过在状态A中指示的特征a和b的组合执行的，并且接着指令向下执行状态B中指示的特征b和c的组合的处理，并且进一步指令向下执行利用由状态C中指示的特征c和d的组合的处理，其中，如果在状态C中指定向上，则处理返回状态B，并且如果在状态B中指定向上，则处理返回状态A。因为这样的安排，用户能够依次地改变特征而不对特征的类型给予特别的考虑，这样能够有效地收窄用于提取插入字符的特征组合。

接着，将参考图80，对关于配置了取代图55中的优化装置401的特征检测单元411的能够从已存在特征中产生新特征的特征检测单元811的优化装置801的结构进行描述。在图80中，该结构除了配置了取代图55中的优化装置401的特征检测单元411的特征检测单元811以外是相同的。

另外，操作单元802与操作单元402是相同的。

将参考图81描述图80中示出的特征检测单元811的结构。对于特征检测单元811，缓冲存储器421以及特征提取单元422与图56中示出的特征检测单元411是相同的。该特征选择单元821基于从操作单元802输入的指定特征的信息控制特征提取单元422去提取已经从预先提供的特征中指定的两类特征，并且输出这些到处理决定单元413上，或者输出预先存储于特征数据库823中的特征到处理决定单元413上。更详细地，特征数据库823存储与特征类型和该特征的检测方法相关的特征信息。特征提取单元422读取对应于由特征选择单元821从特征数据库823中选择的特征类型的特征信息，并且按照记录在该特征信息中的特征检测方法从输入信号中检测所选择的特征。

预先提供的特征信息是图像信号的每个像素的亮度值、Laplacian、Sobel(索贝)、帧间差值(例如，关注像素(x、y)的帧间差值是由f_s(x，y)＝f₀(x，y)-f₁(x，y)表示的，其中f₀(x，y)指示当前关注像素、而f₁(x，y)指示在同一空间位置上往回一帧的像素)、半帧间差值、背景差值、导数值(例如，关注像素(x、y)的导数值f_b(x，y)是由f_s(x，y)＝4×f₀(x，y)-f₀(x-1，y)-f₀(x+1，y)-f₀(x，y+1)-f₀(x，y-1)表示的，其中f₀(x，y)本身当前关注像素，而f₀(x-1，y)、f₀(x+1，y)、f₀(x，y+1)、和f₀(x，y-1)表示在空间的x和y方向中每个移去一像素的像素)、以及从在预定范围内的特征中获得的值(总和、平均值、动态范围、极大值、极小值、中间值、或离散度等)等等，然而也可以是其它特征。

特征改动单元822基于用户输入的操作信号从存储于特征数据库823中的特征中产生新特征。更详细地，特征改动单元822将基于用户的操作信号从存储于特征数据库823中的特征信息中产生新的特征信息，并且特征提取单元422基于该特征信息提取新特征。

另外，即存在存储于特征数据库823中的作为特征类型的特征A、B、以及C的特征信息，可以作出一种安排，其中可以使特征A的DR(通过读取存在于关于关注像素的预定位置上的多个像素的特征A的值以及获得作为在每个像素的极小值和极大值之间的差值的值而产生的值的动态范围)成为对应于新特征A′的特征信息；或者通过类似地获得总和、平均值、动态范围、极大值、极小值、中间值、离散度、具有等于或者大于阈值(阈值也可以被设定)的值的像素数量、或者在多个特征之间的线性组合，可以成为新的特征信息。注意，在多个特征之间的线性组合是例如，如果预定数量的像素的Laplacian是X_a、Sobel是X_b、以及帧间差值是X_c取这三类特征的线性组合，乘以这三类特征的系数并且求和，即，A×X_a+B×X_b+C×X_c是该像素的新特征。其中，A、B、以及C是系数，并且在例如插入字符提取的情形中，当在已经由操作单元802一般地指定为插入字符部分的范围中的像素作为教师数据，而多个特征作为学生数据时，如图43和图44所述，这些系数能够通过学习处理来获得。在图81中，关于存储于特征数据库823中的特征，特征A至C指示由特征提取单元422提取的特征类型、以及由特征改动单元822从特征A至C中改动的特征类型特征A′至C′(实际上存储什么以及每个(特征类型，以及指示其检测方法的信息)的特征信息)。

存储于特征数据库823中的特征信息可以是由特征提取单元422提取的被存储的时序指定的那些特征信息，可以是其中预先存储于特征数据库823中的特征信息由特征改动单元822改动或者可以利用其它方法存储的那些特征信息。

接着，将参考图82的流程图描述图80中的优化装置的插入字符提取优化处理。在步骤S381中，特征检测单元411的特征提取单元422判断是否已经由特征选择单元821选择两类特征，并且如果还未选择这些，处理进入到步骤S386。另外，如果例如，判断出已经从特征选择单元423输入了用于选择特征的信息，即，如果判断出用户操作操作单元802并且选择两类特征，则处理进入到步骤S382。

在步骤S382，特征提取单元22从每个像素输入信号的图像信号中提取所选的两类特征，并且输出到处理决定单元412中。在此时，充作输入信号的信号将存储于缓冲存储器421中。

在步骤S383中，处理决定单元412基于输入的两类特征决定每个像素的处理内容，并且输出到处理单元413中。

在步骤S384中，处理单元413按照从处理决定单元412输入的处理内容处理作为经由缓冲存储器421输入的输入信号图像信号，将这些转换为能够显示于显示单元403上的图像信号，并且输出到显示单元403上并显示。

在步骤S385中，特征检测单元411判断是否认为已提取了插入字符。即，用户观看显示于显示单元403上的图像，并且如果判断还未提取插入字符，则操作操作单元802以再次改变特征组合并试图插入字符提取处理。如果从操作单元802输入了对应于该操作的操作信号，则处理进入到步骤S386。

在步骤S386中，特征检测单元811的特征改动单元822判断是否已经指定特征的改动，并且如果没有用于改动特征的指令，则处理返回到步骤S381。在另一方面，如果特征改动单元822在步骤S386中判断已经从操作单元802中输入了指令改动特征的操作信号，则处理进入到步骤S387。

在步骤S387中，特征改动单元822判断是否已经指定基本特征，并且重复改处理直到指定基本特征的信息被输入。例如，如果操作单元802受到操作并且指令特征A的操作信号被输入，则判断出已经输入了基于在作为输入信号的图像信号中的特征A的特征，并且处理进入到步骤S388。

在步骤S388中，特征改动单元822判断是否已经指令了改动处理内容，重复该处理直到指令了改动处理内容。例如，如果操作单元802受到操作并且指令DR的操作信号被输入，则判断出已经指定了改动处理内容，并且处理进入到步骤S389。

在步骤S389中，特征改动单元822利用指定的改动处理内容改动指定的特征以获得将存储于特征数据库823中的新特征，并且处理返回到步骤S381。即，在此情形中，特征改动单元822从特征数据库823中读取特征A并且获得作为其指定的改动处理内容的DR，由此产生将存储于特征数据库823中的新特征A′，并且处理返回到步骤S381。

另一方面，如果在步骤S385中根据用户的主观性判断正在提取插入字符，则由用户操作操作单元802将指示处理完成的操作信号输入到特征检测单元421中，并在此刻结束处理。

即，重复步骤S381至S389的处理直到用户通过观看显示于显示单元403上的图像能够判断因为上述处理已提取了插入字符，由此能够设定为用户优化的特征组合，并且能够从作为输入信号的图像信号中提取插入字符，并且进一步，通过增加供用户选择的特征类型能够设定甚至更多的特征组合，由此执行为用户优化的处理。

在以上处理中，处理内容是根据用户已指定的两类特征决定的，并且插入字符是从作为输入信号的图像信号中提取的。所以能够说，“处理内容”被改变使得按照用户的操作获得了用户期望的输出信号。另外，改换了两特征轴(选择了两类特征)，同时也设定了新特征(特征类型增加了)，并且用于决定处理内容(例如，是否作为插入字符处理)的算法是由特征组合来改变的，所以能够说，“处理内容”中，“处理结构”也改变了。

另外，插入字符提取是通过反复试验改换要提取的特征类型而获得的，然而对于以固定方式利用特征的方法，需要重写程序或者重新制作系统本身，以改变预见的特征，这样系统不得不被重新制作许多次以通过发现获得为插入字符提取优化的算法，并且在事实上是相当困难的。反之，利用根据本发明的优化装置，能够实时地提取新特征，并且能够显示其特征分布，这样用户进行的反复试验变得较容易，并且提高了发现为插入字符提取优化的特征的可能性。

接着，将参考图83描述通过提供配置有特征检测单元911和内部信息产生单元912的图80中示出的优化装置801来安排的优化装置901的结构。图83中示出的优化装置901除了配置了特征检测单元911取代特征检测单元811以及新配置内部信息产生单元912以外基本上结构与图80中示出的优化装置801相同。

接着，将参考图84描述特征检测单元911的结构。特征检测单元911基本上与图81中的特征检测单元811的结构相同，然而配置了特征选择单元921取代特征选择单元821，以及特征改动单元922取代特征改动单元822。每个的基本功能是相同的，然而特征检测单元911不同在于所选择的特征类型的信息会提供到内部信息产生单元912上。另外，特征改动单元922不同在于与改动内容的指令相关的图像信息会输出到显示单元403上。

内部信息产生单元912与图60中示出的内部信息产生单元511相同。另外，操作单元902与操作单元402相同。

接着，将参考图85的流程描述利用图83中示出的优化装置901的插入字符提取优化处理。现在，该处理基本上与参考图82中的流程图描述的处理相同，然而不同在于显示了由内部信息产生单元912选择的特征。

即，在步骤S391中，特征检测单元911的特征提取单元422判断是否已经由特征选择单元921选择了两类特征，并且如果还未选择这些，则处理进入到步骤S397。另外，如果已经判断出已经从特征选择单元921输入了例如用于选择特征的信息，则处理进入到步骤S392。

在步骤S392中，内部信息产生单元912从特征选择单元921中提取指示两类所选特征的类型的信息，并且在显示单元403上显示两所选特征的类型的名称。

在步骤S393中，特征提取单元422从作为输入信号的图像信号中提取每个像素的两类所选特征，并且输出这些到处理决定单元412上。在此时，作为输入信号的图像信号会存储于缓冲存储器421中。

在步骤S394中，处理决定单元412基于已经输入的两类特征决定每个像素的处理内容，并且输出到处理单元413上。

在步骤S395中，处理单元413按照从处理决定单元412输入的处理内容处理作为经由缓冲存储器421输入的输入信号的图像信号，将这些转换为能够显示于显示单元403上的图像信号，并且输出到显示单元403上并显示。

在步骤S396中，特征检测单元411判断是否认为已提取了插入字符。即，用户观看显示于显示单元403上的图像，并且如果判断还未提取插入字符，则操作操作单元902以再次改变特征组合并且试图插入字符提取处理。如果从操作单元902中输入了对应于该操作的操作信号，则处理进入到步骤S397。

在步骤S397中，特征检测单元911的特征改动单元922判断是否已经指定了特征的改动，并且如果不存在用于改动特征的指令，则处理返回到步骤S391。在另一方面，在步骤S397中，如果特征改动单元922判断已经从操作单元902中输入了指令特征的改动的操作信号，则处理进入到步骤S398。

在步骤S398中，特征改动单元922显示用于改动内容的指令屏幕，诸如例如图86中示出。在图86中，在该图的左侧提供了基本特征显示单元931，在这里显示了当前存储于特征数据库823中的作为基准的特征。在此情形中，显示了特征A至C和A′至C′。另外在其右侧显示了改动处理内容选择空间932。在此情形中，显示了DR、极大值、极小值、中间值、总和、离散度、具有等于或者大于阈值的像素的数量、以及线性组合、以及利用为设定关于具有等于或者大于阈值的像素的数量的阈值提供的空间932a，以及还有用于在选择线性组合时选择特征的空间932b。另外，显示了用于设定值的数值范围的数值范围设定空间933。数值范围值指示以关注像素为中心的范围，并且是指示诸如例如在检测DR的情形中设定需要像素到3像素×3像素或者5像素×5像素等的像素范围的值。

在步骤S399中，特征改动单元922判断是否已经指定充作基准的特征，并且重复处理直到用于指定作为基准的特征已输入。例如，如果操作单元902受到操作并且指令特征A的操作信号已输入，则判断出已经输入了特征A作为充作作为输入信号的图像信号的基准的特征，并且处理进入到步骤S400。

在步骤S400中，特征改动单元922判断是否已经指令了改动处理内容，并且重复该处理直到改动处理内容得到指令。例如，如果操作单元902受到操作并且指令DR的操作信号已输入，则判断出该改动处理内容已得到指令，并且处理进入到步骤S401。

在步骤S401中，特征处理单元922利用指定的改动处理内容改动已指定的特征，存储它于特征数据库823中，并且处理返回到步骤S391。

在另一方面，如果根据用户的主观性判断出已提取了插入字符，则指示该处理完成的操作信号由用户操作操作单元902输入到特征检测单元421上，并且处理在此时结束。

即，因为上述处理，用户执行操作同时观看充作基准的特征和改动处理内容，并且相应地能够认识由此优化的处理能够得到执行。另外，接着，能够实现为用户的优化处理的特征能够立即得到指定。另外，用户指定的特征类型能够通过按照显示屏幕输入产生新特征所需的输入信息来增加，所以能够有效地设定许多特征的组合。

在以上处理中，所述处理内容根据已经由用户指定的两类特征来决定，从作为输入信号的图像信号中提取插入字符，所以能够说“处理内容”已改变，这样能够按照用户作出的操作获得用户期望的输出信号。另外，特征的两轴(所选的两类特征)得到更换，同时也设定了新特征(特征类型增加了)，并且用于决定处理内容(例如，是否处理为插入字符)的算法是由这些特征的组合来改变的，这样在“处理内容”中，“处理结构”也改变了。

接着，将参考图87描述配置了取代图83中示出的优化装置901的内部信息产生单元912的内部信息产生单元1011的优化装置1001的结构。在图87中，除了用内部信息产生单元1011取代内部信息产生单元912，以及还有，用图69中示出的处理决定单元711取代处理决定单元412以外，所述结构是与图83中示出的优化装置901的结构相同的。

内部信息产生单元1011基本上与内部信息产生单元912相同，然而还读取由处理决定单元412的处理内容决定单元432决定的为每个像素决定的处理内容的信息，并且在显示单元403上显示它(已经增加了图69中示出的内部信息产生单元611的功能)。

另外，操作单元1002与操作单元402相同。

接着，将参考图88中的流程图描述利用图87中示出的优化装置1001的插入字符提取优化处理。

在步骤S411中，特征检测单元911的缓冲存储器421接收作为输入信号的图像信号并且存储这些，并且处理单元413读取作为无改变地存储于缓冲存储器421中的图像信号，并且无任何处理地输出这些到显示单元403，在这里显示它们。

在步骤S412中，在处理决定单元711的处理内容决定单元721判断是否已经由操作单元1002指令了插入字符和背景，重复该处理直到插入字符和背景得到指令，并且一旦插入字符和背景得到指令，处理进入到步骤S413中。

在步骤S413中，特征检测单元911的特征提取单元422判断是否已经由特征选择单元921选择了两类特征，并且如果未选择，则处理进入到步骤S421。另外，如果判断出已经从特征选择单元921输入了例如选择特征的信息，则处理进入到步骤S414。

在步骤S414中，内部信息产生单元912提取指示已经从特征选择单元921中选择的两类特征的类型的信息，并且在显示单元403上显示(呈现)已选择的两类特征的类型的名称。

在步骤S415中，特征提取单元422从作为输入信号的图像信号中提取每个像素的所选两类特征，并且输出这些到处理决定单元412上。在此时，缓冲存储器421存储作为输入信号的图像信号。

在步骤S416中，处理决定单元711基于已经输入的两类特征决定每个像素的处理内容，并且输出这些到处理单元413上。

在步骤S417中，内部信息产生单元1011基于输入到处理决定单元711的两类特征以及为插入字符和背景指定的像素位置信息产生以所述两类特征为其轴的二维分布，并且在步骤S418中，在显示单元403上显示该二维分布。更具体地，处理决定单元711的特征识别单元431识别该特征类型，并且输出指示其类型的信息以及特征本身到处理内容决定单元721上，处理内容决定单元721输出该指示在背景中为插入字符所指定的像素位置的信息，以及指示其特征和类型的信息到内部信息产生单元1011，由此内部信息产生单元1011基于指示为插入字符和背景所指定的像素位置的信息产生例如诸如图74中示出的二维分布图。

在步骤S419中，处理单元413按照从处理决定单元711输入的处理内容处理作为经由缓冲存储器421输入的输入信号的图像信号，转换这些为能够显示于显示单元403上的图像信号，输出到显示单元403上并且显示。

在步骤S420中，特征检测单元911判断是否认为已经提取了插入字符。即，用户观看显示于显示单元403的图像，并且如果判断还未提取插入字符，则操作操作单元1002以再次改变特征组合并且试图插入字符提取处理。如果从操作单元1002输入了对应于该操作的操作信号，则处理进入到步骤S421。

在步骤S421中，特征检测单元911的特征改动单元922判断是否已经指定了特征的改动，并且如果没有改动特征的指令，则处理返回步骤S413。在另一方面，在步骤S421中，如果特征改动单元922判断已经从操作单元1002中输入了指令特征的改动的操作信号，则处理进入到步骤S422。

在步骤S422中，特征改动单元922显示用于改动内容的指令屏幕(图86)。

在步骤S423中，特征改动单元922判断是否已经指定了充作基准的特征，并且重复该处理直到充作基准的特征已输入。如果判断出充作基准的特征已输入，则处理进入到步骤S424。

在步骤S424中，特征改动单元922判断是否已经指令了改动处理内容，并且重复该处理直到指令了改动处理内容。如果判断出改动处理内容已输入，则处理进入到步骤S425。

在步骤S425中，特征改动单元922利用指定的改动处理内容改动已指定充作基准的特征，存储它于特征数据库823上，处理返回到步骤S413上。

在另一方面，如果在步骤S420中根据用户的主观性判断出已提取插入字符，则指示该处理完成的操作信号会通过用户操作操作单元1102输入到特征检测单元421，并且处理在此时结束。

即，因为上述处理，重复在步骤S411至S425中的处理直到用户从观看显示于显示单元403上的图像能够判断已提取插入字符，由此使得为用户优化的特征组合能够得到设定，并且从作为输入信号的图像信号中提取插入字符，并且增加能够由用户选择的特征类型，使得能够设定大量的特征组合，以便执行为用户优化的处理。另外，显示了用于改动已存在特征和产生新特征所需的改动指令屏幕，这样用户能够按照该显示有效地执行改动处理。另外，在此时，能够在观看在关于该像素特征的插入字符与背景之间的分离状态的同时重复地执行插入字符提取处理，这样能够容易地选择能高精确插入字符提取的特征。

接着，将参考图89描述配置了取代图55中示出的优化装置401的特征检测单元411、处理决定单元412、以及操作单元402的特征检测单元1111、处理决定单元1112、以及操作单元1102的优化装置1101的结构。在图89中，除了新配置了特征检测单元1111、处理决定单元1112、以及操作单元1102以外，所述结构与图55中示出的优化装置401的结构相同。

特征检测单元1111未配置在图56中的特征检测单元411的结构中的特征选择单元423、以及提取已经预先设定的两类特征的特征提取单元422，然而其它是相同的结构。

处理决定单元1112存储历史信息由此存储于处理内容数据库433的LUT得以更新，并且更新对应于该历史信息的LUT。稍后将参考图90描述处理决定单元1112的结构。

另外，操作单元1102与操作单元402相同。

现在，将参考图90描述处理决定单元1112。图90中的处理决定单元1112除了配置了取代图57处示出的处理决定单元412的处理内容决定单元432的处理内容决定单元1121、以及还有对其添加了历史存储器1122以外，与处理决定单元412具有相同的结构。

处理内容决定单元1121将用于改变存储于处理内容数据库433中的LUT的操作的历史信息存储于历史存储器1122中，并且基于该历史信息改变LUT。其它功能也与图57中示出的处理决定单元412的处理内容决定单元432的功能相同。

接着，将参考图91中的流程图描述图89中示出的优化装置的插入字符提取优化处理。

在步骤S431中，特征检测单元1111的特征提取单元411从作为输入信号的图像信号中提取两预定类型特征，并且输出这些到处理决定单元1112。在此时，缓冲存储器421存储作为输入信号的图像信号。

在步骤S432中，处理决定单元1112的处理内容决定单元1121基于从特征识别单元431输入的特征类型和特征参考存储于处理内容数据库433中的LUT决定每个像素的处理内容，并且输出这些到处理单元413。

在步骤S433中，处理单元413按照从处理决定单元1112输入的处理内容处理像素，输出到显示单元403上并且显示。

在步骤S434中，处理决定单元1112的处理内容决定单元1121决定是否从操作单元1102已经输入了改变LUT的操作信号。即，用户观看显示于显示单元403的图像并且主观地判断是否根据用户偏好的处理已经得到执行，用户基于该判断结果操作操作单元1102，因而对应的操作信号得以输入。例如，如果未执行符合用户的偏好的处理(如果根据用户的偏好的屏幕未显示在显示单元403上)，则用于改变LUT的请求会输入到处理决定单元1121的处理内容数据库433中。

在步骤S434中，如果已经输入了请求改变LUT的操作信号，即，未执行根据用户的偏好的处理，则处理进入到步骤S435。

在步骤S435中，判断出关于是否能够由自动LUT改变处理执行LUT的改变处理。这里，用于LUT的改变处理存在手工LUT改变处理和自动LUT改变处理。判断关于是否可能自动LUT改变处理的细节将稍后讨论。

例如，如果由于并且在步骤S435中判断出自动LUT改变处理是不可能的，则处理进入到步骤S436，在这里执行手工LUT改变处理。

现在，伴随LUT改变处理的描述，将描述LUT的细节。LUT是指示为两特征组合的每一个决定的处理内容的表，如图92所示。在图92中，说明了特征A和B作为两类特征的情形，并且在该例子中，示出了其中所述特征被分类为8级(总共64类)的一例子。另外，在图92中，所述特征被标准化为0至1.0的值，并且关于特征A的值V_a被分为范围从左到右是：0≤V_a＜1/8，1/8≤V_a＜2/8，2/8≤V_a＜3/8，3/8≤V_a＜4/8，4/8≤V_a＜5/8，5/8≤V_a＜6/8，6/8≤V_a＜7/8，7/8≤V_a≤8/8，关于特征B的值V_b，从上分为：0≤V_b＜1/8，1/8≤V_b＜2/8，2/8≤V_b＜3/8，3/8≤V_b＜4/8，4/8≤V_b＜5/8，5/8≤V_b＜6/8，6/8≤V_b＜7/8，7/8≤V_b≤8/8。在该图中处理内容根据所述范围的特征组合被分为X、Y、以及Z三类，并且在图92示出的情形中，在0≤V_a＜3/8和0≤V_b＜3/8的范围中，处理内容是X；在4/8≤V_a＜6/8或4/8≤V_b＜6/8的范围中，处理内容是Y；以及在其它范围中，处理内容是Z。另外，能够为处理内容制定各种规格。例如，如图93至95所示，能够指定关于关注像素的用于在处理单元413中的处理的预期抽头。

即，利用图93，说明了处理内容X，以关注像素作为P0，其中滤波器抽头P1和P2是以关注像素P0为中心在空间上x方向来设定的，并且滤波器抽头P3和P4是以关注像素P0为中心在空间上Y方向来设定的，并且还有，滤波器抽头P3和P4是以关注像素P0为中心在时间上前和后来设定的(例如，在相同像素位置上和在前一帧的抽头P6和在后一帧的P5)。即，处理内容X是处于所谓的空间-时间滤波处理中。

另外，在图94中，说明了处理内容Y，其中取代在图93中的空间-时间滤波中抽头P3和P4，在这里设定了在时间方向中比抽头P6时序更前的抽头P12、以及比抽头P5时序更后的抽头P11，即，处理内容Y是所谓的时间滤波处理。

另外，在图95中，说明了处理内容Z，其中取代在图93中的空间-时间滤波中抽头P3和P4，设定了在x方向上距离关注像素比抽头P1更远的抽头P21、以及距离关注像素比抽头P2更远的抽头P22。即处理内容Z是所谓空间滤波处理。

注意，所述处理内容不限于图92中示出的例子的关于其类型的三种类型，并且结果$被分为不是该数量的大量类型，例如可以作出一种安排，其中所有像素经受了分为白或黑的二进制化处理。另外，该二进制化处理可以是如上例所述例如指定一像素是否作为插入字符部分提取的二进制化处理。反之，可以存在三种或更多处理内容的类型。

接着，将参考图96的流程图描述图91中的步骤S436中的手工LUT改变处理。

在步骤S441中，处理内容决定单元1121判断是否在处理内容中指定的像素位置已根据来自操作单元1102的操作信号得到指定，并且重复该处理直到像素位置得到指定并且处理内容根据来自操作单元1102的操作信号得到指定。即，例如，如果在图97中示出的屏幕显示于显示单元403上，则用户能够在显示于操作单元403上的图像上操作定位器1131以在该用户期望在处理中添加一改变的像素位置上执行预定处理，例如如图97中所示显示下拉列表1132，以及还有指定显示在下拉列表1132中的处理内容X、Y、以及Z中之一。在步骤S441中，一旦制定了该规格，就判断出像素位置得到指定并且处理内容得到指定，并且处理进入到步骤S442。在此情形中，如图97中所示，选择了像素位置P41，以及选择了处理内容X。

在步骤S442中，处理内容决定单元1121从指定的像素位置中读取对应的两类特征组合。更详细地，在由特征检测单元1111检测的特征中，处理内容决定单元1121读取对应于该指定像素的两类特征组合。

在步骤S443中，处理内容决定单元1121将符合该对应特征组合的处理内容更新为在步骤S441中指定的处理内容。

在步骤S444中，处理内容决定单元1121将已改变的像素位置和处理内容存储于历史存储器1122中。

在步骤S445中，处理内容决定单元1121判断是否对LUT有其它改变，并且如果判断出还存在要为LUT处理的改变，即，如果从操作单元1102中输入指令对LUT的其它改变的操作信号，则处理返回到步骤S441，并且如果判断出没有继续改变LUT的处理，即，如果操作单元1102中输入指示结束改变LUT的操作信号，则处理结束。

利用以上手工LUT改变处理，执行LUT的改变如下。即，在步骤S442中，如果例如，(V_a，V_b)＝(0.52，0.27)，对于在获得的像素位置P41处像素的特征，则为在图98中的LUT上的位置(从左数的位置，从上数的位置)＝(5，3)在图98中设定处理内容Y(在下文中也将以相同的方式指示在LUT上的位置)。如果在步骤S443中如图97所示将处理内容改变到X，则在步骤S443中在LUT上的位置(5，3)处的处理将从处理内容Y改变为处理内容X，如图99所示。

在图96所示所手工LUT改变处理结束之后，处理返回到在图91的流程图中的步骤S432中的处理，重复相继的处理。在此情形中，如果如上所述改变LUT，则执行对应于处理内容Y的处理直到其中两类特征的组合是(5，3)的LUT像素，如图99所示。结果，在图97示出的图像中，对应于具有相同特征的像素的处理被改变为像素位置P41，即，该像素属于在LUT上的(5，3)，并且其中在该部分执行不同于在图97的情形的处理的图像例如如图100所示。注意，在图100中，显示了其中具有与图97的像位置P41处的像素相同特征的像素是白色的一例子。

虽然利用参考图96的流程图描述的处理例子已经进行了关于其中改变由单独所选像素的教师组合指定的LUT(上的处理内容)的例子的描述，然而对LUT的改变不限于此。即，例如，可以作出一种安排，其中在LUT上距离已经指定对LUT改变的部分附近的部分是例如已改变处理内容。即，例如，如图101所示，如果为LUT的初始状态设定所有处理内容为Z(LUT的初始状态是所谓缺省设定，并且可以是其中所有处理内容不是Z的一状态)，可以作出一种安排，其中如果在LUT上位置(4，2)的处理内容被改变为X并且在位置(5，2)处的处理内容被改变为Y，如图102A所示，因为图96中的流程图的处理，接近在LUT上该已改变位置的区域可以如图102B所示被改变为X或Y。即，在图102B的情形中，因此比较在LUT上所有位置的离开LUT上位置(4，2)的距离和离开LUT上位置(5，2)的距离，而所有被改变为相近位置的处理内容。结果，在图102B中，左半区变为处理内容X，而右半区变为处理内容Y。

以相同的方式，如图103A所示，如果在LUT上位置(4，2)，(7，7)处特征组合的处理内容被改变为X，并且在LUT上位置(5，2)，(4，5)处特征组合的处理内容被改变为Y，则在LUT上(1，1)，(2，1)，(3，1)，(4，1)，(1，2)，(2，2)，(3，2)，(4，2)，(1，3)，(2，3)，(3，3)，(4，3)，(5，7)，(5，8)，(6，6)，(6，7)，(6，8)，(7，5)，(7，6)，(7，7)，(7，8)，(8，4)，(8，5)，(8，6)，(8，7)，(8，8)处的处理内容被改变为X，如图103B所示，并且在LUT上所有其它位置处的处理内容是Y。

另外，以相同的方式，如图104A所示，如果在LUT上位置(4，2)，(7，7)处特征组合的处理内容被改变为X，并且在LUT上位置(2，3)，(5，2)，(4，5)，(7，4)处特征组合的处理内容被改变为Y，则在LUT上(3，1)，(3，2)，(4，1)，(4，2)，(4，3)，(5，7)，(5，8)，(6，6)，(6，7)，(6，8)，(7，6)，(7，7)，(7，8)，(8，6)，(8，7)，(8，8)的处理内容被改变为X，并且在LUT上所有其它位置处的处理内容是Y。

改变LUT由此使得能够利用许多近似的特征组合批改变单个时间处理处的多个特征组合的处理内容。

现在，让我们返回图91中的流程图的描述。

在步骤S435中，并且如果判断出自动LUT改变处理是可能的，则流程进入到步骤S437，并且执行自动LUT改变处理。

现在，将参考图105中的流程图描述自动LUT改变处理。在步骤S461中，处理内容决定单元1121获得在存储于历史存储器1122中的更新历史的分布中存在的每个处理内容的组。即，历史存储器1122存储不同于该LUT的历史表，记录例如在LUT上关于由上述手工LUT改变处理指定改变的位置以及指定的处理内容，如图106所示。图106中示出的历史表指示已经为在LUT上的(3，3)，(8，3)，(2，5)，(6，6)的处理内容用被指令的处理内容X、X、X、以及Y指令了改变。

现在，每个处理内容的组意味着其中在所述历史表中的处理内容跨越预定或更大区域以预定或更高密度存在的区域。

例如，如果组存在，则在图107中示出的表上形成组1151，并且处理内容决定单元1121求组1151。注意在图107中，组1151是处理内容X的组，也为每个其它处理内容获得组。

另外，组不存在，除非已经执行一定次数的手工LUT处理，而更新历史存储于历史存储器1122中，并且对在LUT上某种成组的位置处的相同处理内容执行改变处理。现在，在图91的步骤S435中，通过是否存在处理内容的组判断出关于是否自动LUT改变处理是可能的。即，如果存在每个其它处理内容的组，则判断出自动LUT改变处理是可能的，并且如果不存在所述组，则判断出自动LUT改变处理是不可能的。

在步骤S462中，处理内容决定单元1121检测在步骤S461中获得的组的重心的位置。

即，例如，在图107的情形中，形成了组1151，并且其重心位置是从在历史表上已指定处理内容X的所有位置获得的。在图107的情形中，重心1161是在历史表上在组1161内已指定处理内容X的所有位置上获得的。

在步骤S463中，处理内容决定单元1121对应于在历史表上存在于离开该组重心位置的预定范围内的位置处的处理内容，将在LUT上对应于相应像素的特征组合的格子的处理内容转换为在历史表上对应于组成组的像素的特征组合的格子的处理内容，并且处理结束。即，在图107中，在LUT上对应于在历史表上存在于范围1162(具有到在重心位置的中心预定半径的圆的范围)内的位置的所有处理内容被改变为组成该组的处理内容X。

即，例如，如图107所示，如果历史表是在利用诸如图108中所示的配置的LUT的状态中产生的，则在该历史表上在离开重心1161预定距离内范围1162中的(2，3)，(3，4)存储作为不同于组成该组的处理内容X的处理内容Y的历史信息，如图107所示，这样在LUT上对应于在历史表上(2，3)，(3，4)的(2，3)，(3，4)的处理内容被改变为X。相应地，如果LUT是如图108所示配置的，则在LUT上(2，3)的处理内容是Y，这样处理内容决定单元1121将在LUT上(2，3)的处理内容改变为X，如图109所示。另外，在图108的情形中，在LUT上(3，4)的处理内容是X，这样处理内容决定单元1121维持该状态。

因为该处理，在LUT上的处理内容(格子信息)会自动地改变。注意该处理不限于在用户指令LUT的改变处理的时序处执行，而可以以预定时间间隔重复地执行。

现在，让我们返回图91中的流程图的描述。

如果在步骤S434中判断出未指令改变LUT，即，如果用户自己使用显示单元403的图像显示并且判断已产生符合该用户偏好的图像，则处理结束。

通过以上处理按照用户的指令的重复LUT的改变改变寄存到在LUT上每个格子上的处理内容，由此使得能够产生符合该用户偏好的图像。

如上，在LUT上的处理内容是根据用户操作改变的，所以能够说“处理内容”已改变。另外，作出以下一种或者另一种改变：其中LUT的处理内容从该组的重心位置改变的处理系统；或者其中根据在LUT上指定位置处的处理内容，取决于根据用户执行的处理是否获得每个处理内容的组，如图101至104所示改变在LUT上另一位置处的LUT上的处理内容的处理系统。即，LUT的改变算法被改变了，所以也能够说“处理内容”的“处理结构”是根据用户操作改变的。

接着，将参考图110描述具有配置的取代图89中示出的用户装置1101的处理决定单元1112的处理决定单元1181以及新配置的内部信息产生单元1182的优化装置1101的另一结构例子。在图110中，除了处理决定单元1181以及新配置的内部信息产生单元1182以外，所述结构与图89中示出的优化装置的结构相同。

处理决定单元1181存储由此存储于处理内容数据库1191(图111)中的LUT得以更新的历史信息，并且改变对应于该历史信息的LUT，同时将存储于处理内容数据库1191中的LUT提供到内部信息产生单元1182上。

内部信息产生单元1182读取存储于处理内容数据库1191中的LUT，及将它转换为能够显示于显示单元403的信息，输出到显示单元403并且显示。

接着，将参考图111描述处理决定单元1181的结构。图111中的处理决定单元1181具有除了配置了取代图90中示出的处理内容数据库433的处理内容数据库1191以外与处理决定单元1112相同的结构。

处理内容数据库1191存储LUT并且还根据需要提供该LUT的信息到内部信息产生单元1182。其它功能与图90中示出的处理内容数据库433的那些功能相同。

接着，将参考图112示出的流程图描述图110中示出的优化装置1101的插入字符提取优化处理。现在，图112中的插入字符提取优化处理基本上与参考图91中的流程图描述的处理相同，其中在图112中的步骤S471至S473以及步骤S475至S48的处理是对应于图91中的步骤S431至S437的处理。在步骤S473中的处理之后，在步骤S474，内部信息产生单元1182读取处理决定单元1181的处理内容数据库1191的LUT，将它转换为能够显示于显示单元403上的图像信号，输出到显示单元403上，显示(呈现)它，进入到步骤S475，并且重复相继的处理。

因为这样的处理，LUT得到显示(呈现)，所以能够在识别在作为输入信号的图像信号上执行的处理的同时改变LUT，并且从显示于显示单元403的图像中改变LUT。

迄今，已经描述了其中在手工LUT改变处理中LUT是由利用寄存于显示在显示单元403上的LUT中的处理内容处理的图像上指定像素及其处理内容来改变的一例子，然而可以作出一种安排，其中内部信息产生单元1182读取存储于处理内容数据库1191的LUT，并且例如在显示单元403上以由操作单元1102可直接操作的一种状态显示在LUT上的处理内容，以便能够直接地改变在LUT上的处理内容。

现在，将参考图113中的流程图描述用于图110中的优化装置1101直接改变上述LUT的值的手工LUT改变处理。

在步骤S481中，处理内容决定单元1121决定是否已经在LUT上指定位置，并且重复该处理直到得到指定。例如，如图114所示，如果显示于显示单元403上的在LUT上的位置(5，3)被指定作为将处理内容设定为Y的位置，则判断出在LUT上已经指定一位置，并且处理进入到步骤S482。

在步骤S482中，内部信息产生单元1182在指示位置的显示单元403上在已经指定的LUT上作出显示。即，在图114的情形中，受定位显示的帧1192在指定的(5，3)处得到显示。

在步骤S483中，处理内容决定单元1121决定是否处理内容已经得到指定，并且重复该处理直到该处理内容得到指定。例如，如图114中所示，通过在操作定位器1191的位置上显示下拉列表1193(例如，通过右击充作操作单元1102的鼠标)由用户操作操作单元1102指定和选择处理内容X、Y、以及Z之一，导致和判断处理内容得到指定，并且处理进入到步骤S484。

在步骤S484中，处理内容决定单元1121将处理内容改变为指定的处理内容，并且结束该处理。即，在图114的情形中，选择了显示于下拉列表1193中的“X”，所以，并且如图115所示，在LUT上(5，3)的处理内容会从Y改变为X。

因为以上处理，能够直接地改变在LUT上设定的处理内容，并且在观看由寄存到LUT的处理内容处理的图像的同时能够操作LUT，所以能够容易地设定符合用户偏好的处理内容。

利用图110中的优化装置1101，由用户操作指定的在LUT的格子上的处理内容是在手工LUT改变处理中改变的，所以能够说，“处理内容”是由用户操作改变的。另外，一旦改变存储于历史存储器1122的历史累积到一定程度，并且检测到组，则用于改变LUT的算法会从手工LUT改变处理改变为自动LUT改变处理，所以“处理结构”已改变。

另外，被显示的LUT是与处理决定单元1112的处理相关的内部信息，同时在观看显示的LUT时能够改变该LUT的处理内容，所以用户能够识别在LUT上的内容和显示在显示单元403上的图像之间的相关关系。

接着，将参考图116描述其中取代图55中示出的优化装置401的特征检测单元411和处理单元413而配置了特征检测单元1111和处理单元1211的另一实施例的优化装置1201的结构。

特征检测单元1111是与图89中的优化装置1101的结构中的特征检测单元相同的。

处理单元1211利用通过学习获得的系数组例如基于从处理决定单元413输入的处理内容的信息使从缓冲存储器中读取的输入信号经受映射处理，输出到显示单元403并且显示。处理决定单元413基于来自操作单元1202的操作信号改变所述学习系数组的方法。现在，操作单元1202与操作单元402是相同的。

接着，将参考图117描述处理单元1211的结构。

学习装置1221通过最小N次幂误差基于作为从特征检测单元1111中读取的输入信号的图像信号学习用于映射处理单元1222的映射处理所需的每个处理内容的系数组，并且存储于系数存储器1237中。另外，学习装置1221通过基于从操作单元1202输入的操作信号改变在最小N次幂误差中的指数N的值来学习系数组。

映射处理单元1222基于从处理决定单元412输入的处理内容读取对应的系数组到学习装置1221的系数存储器1237上，执行作为从特征检测单元1111的缓冲存储器421中读取的输入信号的图像信号的映射处理，输出到显示单元403并且显示。

接着，将参考图118描述学习装置1221的详细结构。教师数据产生单元1231与图30中示出的教师数据产生单元231相同，它从充作学习数据的输入信号中产生教师数据，并且输出其到最小N次幂误差系数计算单元1236上。学生数据产生单元1232与图30中的学生数据产生单元232是相同的，它从充作学习数据的输入信号中产生学生数据，并且输出这些到特征提取单元1233和预期抽头提取单元1235上。

特征提取单元1233是特征检测单元1111的特征提取单元422是相同的，它从学生数据中提取特征并且输出这些到处理决定单元1234。处理决定单元1234与处理决定单元412是相同的，它基于从特征提取单元1233输入的特征决定处理内容，并且输出这些到最小N次幂误差系数计算单元1236上。预期抽头提取单元1235与预期抽头提取单元233是相同的，它利用顺序地作为关注像素的教师数据从学生数据中提取充作关于关注像素的预期抽头的像素，并且输出到最小N次幂误差系数计算单元1236上。

最小N次幂误差系数计算单元1236相关的基本结构和处理内容与图30中的最小N次幂误差系数计算单元234相同，它通过最小N次幂误差从预期抽头提取单元1235输入的预期抽头和教师数据中基于为从操作单元1202输入的最小N次幂误差系数计算处理所需的指数N指定的信息来计算系数组，并且输出这些到系数存储器1237中，在这里盖写它。然而，最小N次幂误差系数计算单元1236不同于图30中的最小N次幂误差系数计算单元234在于该系数组是为从处理决定单元1234输入的每个处理内容产生的。系数存储器1237为每个处理内容存储从最小N次幂误差系数计算单元1236输出的每个处理内容的系数组。图118说明为每个处理内容存储的系数组A至N。

接着，将参考图119描述映射处理单元1222的结构。抽头提取单元251与图31中的映射处理单元222是相同的，它从缓冲存储器421中提供的输入信号中提取关于关注像素的预期抽头，并且输出到乘积和计算单元1251。乘积和计算单元1251与图31中示出的乘积和计算单元252是相同的，一旦从预期抽头提取单元251输入，它就提取利用提取的预期抽头(像素)值和存储于学习单元1221的系数存储器1237中的系数组执行乘积和计算处理，产生关注像素，在所有像素上执行这些并且作为输出信号输出到显示单元403上并且显示。注意然而，在乘积和计算处理中，乘积和计算单元1251使用了存储于系数存储器1237中的系数组A至N中的对应于从处理决定单元412中提供的处理内容的系数组。

接着，将参考图120中的流程图描述图116中示出的优化装置1201的图像优化处理的学习处理。

在步骤S501中，判断出关于用户是否已经操作操作单元1202，并且如果判断出操作单元1202还未受到操作，则流程返回步骤S501。另外，如果在步骤S501中，判断出操作单元1202已经受到操作，则流程返回到步骤S502。

在步骤S502中，学习装置1221的教师数据产生单元1231从输入信号中产生教师数据，并且输出这些到最小N次幂误差系数计算单元1236上，同时学生数据产生单元1232从输入信号中产生学生数据，并且输出这些到特征提取单元1233和预期抽头提取单元1235上，并且流程进入到步骤S503。

现在，至于用于产生学生数据和教师数据的数据(在下文中可以称为学习数据)，可以使用例如在离开当前点预定时间量的过去中的一点处输入的输入信号。另外，对于学习数据，可以是预先存储于专用数据，取代使用输入信号。

在步骤S503中，特征提取单元1233从在对应于关注像素(教师数据)的位置处的学生数据中提取特征，并且输出到处理决定单元1234上。

在步骤S504中，处理决定单元1234基于从特征提取单元1233中输入的特征决定关注像素的处理内容，并且输出这些到最小N次幂误差系数计算单元1236上。例如，处理决定单元1234可以执行来自特征提取单元1233的一个或者多个特征的矢量量化，并且使用其量化结果作为处理内容的信息。然而，在此情形中，没有如利用图89中的处理决定单元1112那样的LUT等存储。

在步骤S505中，预期抽头提取单元1235取每块教师数据作为关注像素，从由学生数据产生单元1232中输入的学生数据中产生关于每个关注像素的预期抽头，并且输出到最小N次幂误差系数计算单元1236上，并且流程进入到步骤S506。

在步骤S506中，最小N次幂误差系数计算单元1236判断是否已经从操作单元1202输入了用于指定利用最小N次幂误差通过回归法(第二方法)的系数组计算的操作信号，并且如果判断出用户已经操作操作单元1202例如以指定不是回归法，即，直接法(第一方法)，则流程进入到步骤S507，判断出是否已经输入了在表达式(50)中指定权重α_s(指定指数N)的系数a、b、以及c，重复该处理直到输入，并且如果判断出例如用户已经操作操作单元1202并且已经输入了指定系数a、b、以及c的值，则处理进入到步骤S507。

在步骤S507中，最小N次幂误差系数计算单元1236基本上是利用最小二次幂误差、利用输入的权重α_s在系数a、b、以及c的状态中解决极小化上述表达式(48)的问题，由此通过最小N次幂误差获得从处理决定单元1234输入的每个处理内容的预期系数w₁、w₂、…、w_M，即，对应于权重α_s的指数N的解的系数组，存储这些到系数存储器1237中，并且流程返回到步骤S501。

在另一方面，如果判断出在步骤S506中选择了回归法，则处理进入到步骤S509。

在步骤S509中，最小N次幂误差系数计算单元1236判断是否已经输入了指定指数N的信息，重复该处理直到指数N已输入，并且如果判断出例如用户已经通过操作操作单元1202输入了指定指数N的信息，处理进入到步骤S510。

在步骤S510中，最小N次幂误差系数计算单元1236利用充作基准的最小N次幂误差方法的解获得系数组。在步骤S511中，最小N次幂误差系数计算单元1236以参考表达式(51)至表达式(54)描述的指数N的回归法，利用从由最小二乘误差获得的系数组中获得的从处理决定单元1234中输入的每个处理内容的预期值，获得对应于来自操作单元1202的输入信号的最小N次幂误差的系数组，存储这些于系数存储器1237中，并且流程返回到步骤S501中。

因为以上处理，在系数存储器1237中每个处理内容的系数组得到学习。

接着，将参考图121的流程图描述利用图116中示出的优化装置1201的图像优化处理中的映射处理。

在步骤S521中，特征检测单元1111从作为输入信号的图像信号中检测在对应于关注像素(输出信号)位置处的输入信号的像素特征，并且输出所检测的特征到处理决定单元412上。

在步骤S522中，处理决定单元412基于从特征检测单元1111中输入的特征决定处理内容，并且输出这些到处理单元1211上。处理决定单元的处理通过执行与图118中的处理决定单元1234相同的处理来决定处理内容。相应地，如上所述，如果处理决定单元1234在来自特征提取单元1233的一个或多个特征上执行矢量量化并且取其量化结果作为处理内容的信息，则在上述处，没有如利用图89中的处理决定单元1112那样的存储于图116中示出的处理单元412中的LUT等。

在步骤S523中，利用充作对应于充作当前输入信号的图像帧的输出信号的图像帧作为关注像素，处理单元1211的映射处理单元1222的抽头提取单元251在关注帧的像素中以例如光栅扫描次序取还未被作为关注像素的一像素作为关注像素，从输入信号中提取关于关注像素的预期抽头，并且输出这些到乘积和计算单元1251中。

在步骤S524中，映射处理单元1222的乘积和计算单元1251将从学习装置1221的系数存储器1237中读取对应于从处理决定单元412中输入的处理内容的系数组。

接着，在步骤S525中，乘积和计算单元1251使用对应于从学习装置1221的系数存储器1237中读取的处理内容的预期系数，并且利用从抽头提取单元251中输入的预期抽头和从系数存储器1237中读取的系数组按照表达式(39)执行乘积和计算处理。由此，乘积和计算单元1251获得关注像素(预期值)的像素值。接着，流程进入到步骤S526，在这里抽头提取单元251判断是否在关注帧中的所有像素已经成为关注像素，并且如果判断处不是，则流程返回到步骤S521，以关注帧的光栅扫描次序取还未成为关注像素的一像素作为新的关注像素，并且接着重复相同的处理。

另外，如果在步骤S526中判断出在关注帧中的所有像素已经成为关注像素，则流程进入到步骤S527，在这里显示单元403显示从利用乘积和计算单元1251获得的像素中制成的关注帧。

接着流程返回到步骤S521，特征检测单元1111在对应于来自作为输入信号的图像信号的关注像素(输出信号)的位置处检测输入信号的像素特征，取下一帧作为新的关注帧，并且接着重复相同的处理。

注意，利用图116的优化装置1201，指数N是通过用户操作操作单元1202来改变的(在直接法中，改变了指定指数N的系数a、b、以及c，而在回归法中，改变了指数N本身)，由此设定了要为最小N次幂误差方法使用何种指数N作为预期系数(系数组)的学习范数(学习系统)。即，改变了用于获得系数的学习算法。相应地，能够说“处理结构”已改变以便获得符合用户偏好的图像。

接着，将参考图122描述其中对图116中示出的优化装置1201上配置了内部信息产生单元1312的优化装置1301的结构。

图122中的优化装置1301除了通过配置内部信息产生单元1312提供取代处理单元1211的处理单元1311以外与图116中的优化装置1201相同。

内部信息产生单元1312从处理单元1311中的系数存储器1321中读取例如为每个处理内容存储的系数组信息作为内部信息，将这些转换为能够显示于显示单元403上的信息并且显示。

接着，将参考图123描述处理单元1311的结构。所述结构是相同的，然而提供了取代系数存储器1237的系数存储器1321，并且同时其功能是相同的，利用所述结构将系数存储器1321连接到内部信息产生单元1312，使得为每个处理内容存储的系数组得到读取。

接着，将参考图124的流程图描述利用图122中的优化装置1301的图像优化处理。在图122中的优化装置1301也是以如图116中的优化装置1201相同的方式由学习处理和映射处理组成的。利用该学习处理，在步骤S541至S551中执行与图120中的步骤S501至S511相同的处理。

另外，利用该学习处理，在步骤S541至S551中的处理之后，流程进入到步骤S552，内部信息产生单元1312读取存储于系数存储器1321中的系数组作为内部信息，并且产生能够基于包含于该系数组中的值显示的图像信号，输出到显示单元403并且显示。

在此时，内部信息产生单元1312产生并且显示在显示单元403上的图像可以如上所述具有诸如图39中示出的三维分布或者在诸如图40中示出的二维分布的形式。

现在，让我们返回图124中的流程图的描述。

在步骤S552中的处理之后，流程返回到步骤S541，并且接着重复该处理。

在另一方面，利用图125中的流程图中示出的映射处理，在步骤S571至S557中分别执行与图121中的步骤S521至S527相同的处理。

因为以上处理，存储于处理单元1311的系数存储器1321中的系数组(系数值)作为与处理相关的内部信息来显示(呈现)，所以用户操作操作单元1202以便在观看系数组分布和作为输出信号的处理单元1311的处理结果的同时获得作为符合他/她自己喜好的输出信号的图像，由此改变用于获得由改变指数N设定的系数组的学习算法。相应地，能够说“处理结构”已改变，以便获得符合用户偏好的图像。另外，在显示以上例子中的系数组的同时，可以作出一种安排，显示了其中与该处理相关的内部信息，诸如例如当前最小N次幂误差方法是直接法或是回归法。

接着，将参考图126描述具有配置了取代图116中的优化装置1201的处理单元1211的处理单元1411的结构的优化装置1401。

处理单元1411的结构基本上与图41中的优化装置301的处理单元311的结构相同，它优化的是基于从操作单元1202输入的操作信号以及从处理决定单元412中输入的处理内容，并且在显示单元403上显示这些。

接着，将参考图127描述处理单元1411的结构。多个系数组是为在系数存储器1421中的每个处理内容存储的，而由映射单元1222的映射处理所需的系数组得到存储。该图指示存储了系数组A至N。这些系数组是利用图128中的学习装置1441通过学习预先产生的。

现在，将参考图128描述产生这些系数组的学习装置1441的结构。

学习装置1441中的教师数据产生单元1451、学生数据产生单元1452、特征提取单元1453、处理决定单元1454、以及预期抽头提取单元1455分别对应于图118中示出的学习装置1221中的教师数据产生单元1231、学生数据产生单元1232、特征提取单元1233、处理决定单元1234、以及预期抽头提取单元1235，并且相应地将省略其描述。

标准方程产生单元1456与图43中示出的标准方程产生单元354相同，它基于从教师数据产生单元351输入的教师数据和预期抽头产生一标准方程，并且输出到系数决定单元1457上，然而不同在于在此时，产生和输出从处理决定单元1454中输入的每条处理内容信息的标准方程。

系数决定单元1457与图43中的系数决定单元355相同，它解输入产生系数组的标准方程，并且在此时它产生与每条处理内容信息相关的系数组。

接着，将参考图129中的流程图描述利用图128中的学习装置1441的系数决定处理(学习处理)。在步骤S591中，教师数据产生单元1451从学习数据中产生教师数据，并且输出这些到标准方程产生单元1456上，同时学生数据产生单元1452从学习数据中产生学生数据，并且输出这些到特征提取单元1453和预期抽头提取单元1455上，并且流程进入到步骤S592。

在步骤S592中，预期抽头提取单元1455从学生数据中提取关于每个关注数据的预期抽头，顺序地取每块教师数据作为关注像素，并且输出这些到标准方程产生单元1456，并且流程进入到步骤S593。

在步骤S593上，特征提取单元1453在对应于关注像素(教师数据)的位置处提取关于学生数据(像素)的特征，并且输出这些到处理决定单元1454上。

在步骤S594上，处理决定单元1454基于通过特征提取单元1453提取的特征决定每个像素的处理内容，并且输出所决定的处理内容到标准方程产生单元1456上。例如，处理决定单元1454可以使一个或多个特征经受矢量量化，并且取该量化结果作为处理内容的信息。相应地，没有存储于处理决定单元1456中的LUT。

在步骤S595上，标准方程产生单元1456使用教师数据和预期抽头组去计算在表达式(46)左侧的矩阵组元的和(∑)以及其右侧的矢量组元的和(∑)，由此产生从处理决定单元1454为每条处理内容信息输入的标准方程，并且输出到系数决定单元1457上。

接着流程进入到标准S596，在这里，系数决定单元1457解开从标准方程产生单元1456为每条处理内容信息输入的标准方程，并且由所谓最小二乘误差获得每条处理内容信息的系数组，它将在步骤S597中存储于系数存储器1421中。

因为以上处理，每条处理内容信息的基本系数组(充作初始值的系数组)是存储于系数存储器1421中的。现在，在以上给出由最小二乘误差获得的系数组，它可以是由另一方法获得的系数组，并且可以是由上述最小N次幂方法获得的系数组。

接着，将参考图130中的流程图描述图126中示出的优化装置1401的图像优化处理。该图像优化处理是由系数改变处理和映射处理组成的，然而映射处理与利用图121和图125描述的映射处理是相同的，所以这里仅将描述系数改变处理。

在步骤S611中，系数改变单元322的改变处理单元332判断是否已经从操作单元1202输入了用于操作系数值的操作信号。即，如果用户观看显示于显示单元403的图像并且认为这符合他/她自己的偏好，侧将执行存储于系数存储器1421中的每条处理内容信息的系数组的映射处理，然而如果这不符合用户的偏好，则执行用于改变存储于系数存储器1421中用于映射处理的系数组的操作。

例如，在步骤S611，如果判断出已经输入用于操作系数的操作信号，即，如果已经操作操作单元1202以改变存储于系数存储器1421中的系数的系数值，流程进入到步骤S612。

在步骤S612中，改变处理单元332控制系数读/写单元331以读取存储于系数存储器321中的系数组，并且流程进入到步骤S613。在步骤S613中，改变处理单元332与包含于预先设定的系数中的值比较判断出关于作为操作信号输入的系数值的改变是否等于或者大于预定阈值S11。如果例如在步骤S613判断出作为操作信号输入的系数值的改变等于或者大于关于存储于系数存储器1421中的系数组的预定阈值S11，则处理进入到步骤S614。

在步骤S614中，改变处理单元332用如图50所示的弹簧模型改变包含于系数组中的系数值，并且处理进入到步骤S615中。

在另一方面，如果在步骤S613中判断出在作为操作信号输入的值与存储于系数存储器1421中的系数组的值之间的改变不等于或者大于阈值S11，则处理进入到步骤S615中。

在步骤S615中，改变处理单元332用诸如图51所示的均衡模型改变包含于系数组中的系数值，并且处理进入到步骤S616中。

在步骤S616中，改变处理单元332控制系数读/写单元331以通过盖写存储已改变系数组值，处理返回到步骤S611，并且重复相继的处理。

接着，如果在步骤S611中判断出系数值还未受到操作，即，如果用户判断显示于显示单元403上的图像是符合用户偏好的图像，流程返回到步骤S611，并且接着重复相同的处理。

因为以上系数改变处理，用户能够改变存储用于映射处理的每条处理内容信息的系数组，并且执行为用户优化的处理。现在改变在系数组中的系数值意味着在改变利用映射处理单元311的映射处理的“处理内容”。

另外，利用图130中的系数改变处理，如果系数改变的大小等于或者大于预定阈值S11，则在系数组中的所有系数值是根据所操作的系数值利用弹簧模型改变的，并且如果系数改变的大小小于阈值S11，则在系数组中的所有系数值是利用均衡模型改变的，这样用于改变系数组的系数组改变算法改变了。相应地，也利用图126中优化装置1401的处理单元1411，能够说“处理内容”、以及还有“处理结构”也已按照用户操作而改变，由此为用户优化的信号处理得以执行。

另外，如果存储于系数存储器中的系数组是如上所述通过最小N次幂误差获得的，可以作出一种安排，其中例如对应于多个指数N的系数组会预先存储于系数存储器1421中，并且系数改变单元322按照基于用户作出的操作来自操作单元1202的操作信号来改变对应于指定指数N的系数组。在此情形中，存储于系数存储器1421中的系数组会改变为由对应于基于用户操作从操作单元输入的指数N的最小N次幂误差产生的系数组。即，用于获得对应于的指数N的系数组的学习算法已改变，这样能够说“处理结构”正在改变。

接着，将参考图131描述其中对图126中示出的优化装置1401配置了内部信息产生单元1521的优化装置1501的结构。利用图131中的优化装置1501，除了配置了内部信息产生单元1521、以及配置了取代处理单元1411的处理单元1511以外，其它结构与图126中的优化处理单元1401相同。

内部信息产生单元1521读取从例如存储于处理单元1511的系数存储器1531中的每条处理内容信息存储的系数组作为内部信息，转换它为能够显示于显示单元403中的图像信号，输出到显示单元403上并且显示。

接着，将参考图132描述处理单元1521的结构。除了配置了取代系数存储器1421的系数存储器1531以外，它基本上与图126中的处理单元1411的结构相同。系数存储器1531功能上几乎与系数存储器1421相同，然而不同在于它连接到内部信息产生单元1521，并且是其中系数组是在适当时读取的一种结构。

接着，将参考图133中的流程图描述利用图131中示出的优化装置1501的图像优化处理。如由图126中示出的优化处理1401执行的图像优化处理一样，该图像优化处理是由系数改变处理和映射处理组成的，然而映射处理与利用图121和图125描述的映射处理相同，所以这里将仅描述系数改变处理。

利用该系数改变处理，分别在步骤S631至S636中执行与图130中的步骤S611至S616相同的处理。

接着，在步骤S636中，与在图130中的步骤S636中的情形一样，在改变后系数组被存储于系数存储器1521之后，流程进入到步骤S637，在这里内部信息产生单元1521读取存储于系数存储器1531中的系数组的系数值，将这些转换为能够显示于显示单元403的图像信号，输出到显示单元403上并且显示(呈现)。在此时，显示(呈现)于显示单元403上的系数组的系数值可以如上所述具有例如诸如如图39中示出的三维分布、或者诸如如图40中示出的二维分布的形式。

在步骤S637中的处理之后，流程返回到步骤S631，并且接着，重复相同的处理。

根据图133系数改变处理，存储于系数存储器1531中的每条处理内容信息的系数组的值会作为内部信息显示，这样用户能够在观看这些显示组的同时操作操作单元1202，以便获得执行为用户优化的处理的系数组。

另外，利用映射处理单元1222的乘积和计算单元1251，能够通过计算取代表达式(39)中的线性表达式的二阶或更高的高阶表达式来获得输出信号。

接着，可以通过硬件执行或者可以通过软件执行上述系列处理。如果由软件执行所述系列处理，组成该软件的程序将安装于通用目的计算机等中。

现在，图134说明对其安装了用于执行上述系列处理的程序的一计算机的第一实施例的结构例子。

该程序能够预先存储于充作构建在该计算机内的记录介质的硬盘2105或ROM(只读存储器)2103中。

或者，该程序可以临时地或者永久地存储(记录)于可拆去记录介质2111中，诸如软盘、CD-ROM(致密盘只读存储器)、MO(磁-光)盘、DVD(数字通用盘)、磁盘、半导体存储器等。这样的记录介质2111能够作为所谓封装软件提供。

另外，除了从这样的可拆去记录介质2111中安装到计算机上以外，该程序可以经由用于数字卫星广播的卫星通过无线设备、或者经由诸如LAN(局域网)或因特网的网络通过有线从下载站点传送到计算机上，利用该计算机接收由此利用通信单元2108传送的程序，并且将该程序安装于内置磁盘2105中。

该计算机具有内置CPU(中央处理单元)2102。输入/输出接口2110经由总线2101连接于CPU 2102，并且一旦由用户操作通过由键盘、鼠标、麦克风等构成的输入单元2107经由输入/输出接口2110输入了命令，则CPU2102相应地执行存储于ROM(只读存储器)2103中的程序。或者CPU 2102装载入RAM(随机访问存储器)2104并且执行存储于硬盘2105中的程序、从卫星或者网络所传送并且利用通信单元2108接收并且安装于硬盘2105中的程序、或者从安装在驱动器2109上和安装在硬盘2105上的可拆去记录介质2111中读取的程序。由此，CPU 2102按照上述流程图执行处理，或者通过上述方框图的结构执行该处理。CPU 2102例如经由输入/输出接口2110根据需要从由LCD(液晶显示器)或者扬声器构成的输出单元2106中输出处理结果，或者从通信单元2108中传送，并且进一步在硬盘2105上执行记录等。

现在，在本说明书中，描述用于引起计算机执行各种类型处理的程序的处理步骤不必需要按照在所述流程图中的描述次序以时间顺序执行，并且本发明包括并行执行或者独立处理(例如，并行执行或者面向对象处理)。

另外，程序可以由一台计算机处理，或者可以被拆分到多台计算机之间并且处理。利用，可以将程序传送到远端计算机上去执行。

在以上已经描述应用本发明到消除来自输入信号的噪声或者自动驾驶上的同时，本发明可广泛应用于不是噪声消除或者自动驾驶的应用上，例如信号的频率特性的转换等等。

工业应用性

如上所述，根据本发明，处理内容、以及还有处理结构是基于用户操作改变的，所以能够执行为用户优化的处理。

利用本实施例，内部信息作为输出信号显示于同一显示单元中，然而内部信息可以显示于独立于用于显示输出信号的显示单元的显示单元上。

Claims (24)

1.一种信号处理装置，包括：

信号处理部件，用于输入信号的信号处理；以及

输出部件，用于输出所述信号处理部件的信号处理结果；

其中所述信号处理部件的处理结构是基于根据用户操作提供的操作信号而改变的，

其中所述信号处理部件包括：

特性检测部件，用于检测来自输入信号的特性；

处理决定部件，用于基于由所述特性检测部件检测的特性决定关于输入信号的处理内容；以及

处理执行部件，按照在由所述处理决定部件决定的处理内容执行对所述输入信号的处理；

其中所述特性检测部件、所述处理决定部件、或者所述处理执行部件中至少之一的处理结构会基于所述操作信号改变。

2.根据权利要求1所述的信号处理装置，其中所述输出部件包括用于呈现所述信号处理部件的信号处理结果的呈现部件。

3.根据权利要求1所述的信号处理装置，其中所述特征检测部件的处理结构是基于所述操作信号改变的。

4.根据权利要求3所述的信号处理装置，其中所述操作信号是从多个特征类型中指定预定数量的特征类型的信号；

以及其中所述特征检测部件改变其处理结构以便检测所述预定数量的特征类型。

5.根据权利要求4所述的信号处理装置，其中所述特征检测部件从所述输入信号中检测所述预定数量的特征类型；

以及其中所述特征决定单元基于由所述特征检测部件从所述输入信号中检测的所述预定数量的特征类型在所述程序执行部件处关于输入信号决定所述处理内容。

6.根据权利要求5所述的信号处理装置，其中所述输入信号是图像信号；

以及其中所述处理决定部件基于由所述特征检测部件从所述输入信号中检测的所述预定数量的特征类型决定是否无改变地输出所述输入信号作为关于所述输入信号的处理内容；

以及其中所述处理决定部件通过按照所述处理决定部件的决定选择性地输出所述输入信号检测在作为所述输入信号的图像信号内的插入字符。

7.根据权利要求3所述的信号处理装置，其中所述特征检测部件基于所述操作信号改变其处理结构以便检测不同于预先提供的特征的新特征类型。

8.根据权利要求7所述的信号处理装置，其中所述特征检测部件检测预先准备的所述特征的动态范围、极大值、中间值、极小值、总和、离散度、具有大于一阈值的值的所述特征的输入信号的数量、或者以及所述特征的线性组合，作为所述新特征类型。

9.根据权利要求1所述的信号处理装置，其中所述处理决定部件的所述处理结构是基于所述操作信号改变的。

10.根据权利要求1所述的信号处理装置，其中所述处理决定部件

存储作为在所述特征值与所述关于具有这些值的特征的所述输入信号的所述处理内容之间的相关关系的特征/处理相关关系；

以及决定与从所述输入信号中检测的特征值相关的处理内容作为关于在所述特征/处理相关关系中的输入信号的处理内容。

11.根据权利要求10所述的信号处理装置，其中所述处理决定部件通过基于所述操作信号改变在所述特征/处理相关关系中的所述处理内容来改变其处理结构。

12.根据权利要求10所述的信号处理装置，其中，在所述特征/处理相关关系中，存在关于输入信号的两个处理内容；用于输出第一值的输出信号的处理，以及用于输出第二值的输出信号的处理；

以及其中所述处理执行部件按照所述处理决定部件的决定将所述输入信号二进制化为所述第一和第二值。

13.根据权利要求1所述的信号处理装置，其中所述处理执行部件的处理结构是基于所述操作信号改变的。

14.根据权利要求13所述的信号处理装置，所述处理执行部件包括：

教师数据产生部件，用于从预定学习数据中产生教师数据；

学生数据产生部件，用于从所述学习数据中产生学生数据；

学习部件，用于学习通过所述学生数据和预定预期系数以及极小化与所述教师数据的误差的预期系数的线性组合获得的所述教师数据的预期值；以及

输出信号产生部件，用于通过执行所述输入信号与由所述学习部件获得的预期系数的线性组合产生输出信号。

15.根据权利要求14所述的信号处理装置，其中所述学习部件

通过统计地极小化作为对N次幂的误差的N次幂误差的最小N次幂误差来学习所述预期系数；以及

通过基于操作信号改变所述N次幂误差来改变其处理结构。

16.根据权利要求15所述的信号处理装置，其中所述学习部件通过根据所述操作信号使用二乘误差的积作为所述N次幂误差和权重，基于所述学习信号改变所述N次幂误差。

17.根据权利要求15所述的信号处理装置，其中所述学习部件可以如利用对应于所述操作信号的N次幂的所述N次幂误差那样，使用利用由最小N次幂误差获得的所述预期系数计算的所述教师数据的预期值的二乘误差和N-2次幂误差的积。

18.根据权利要求14所述的信号处理装置，其中所述学习部件可以学习所述处理决定部件决定的每个处理内容的所述预期系数；

并且其中所述输出产生部件通过所述输入信号与对应于所述处理决定部件基于所述输入信号决定的所述处理内容的所述预期系数的线性组合产生所述输出信号。

19.根据权利要求1所述的信号处理装置，其中所述信号处理部件包括：

判断部件，用于监视判断是否可用于学习的所述操作信号；

学习部件，用于基于作为可用于学习的操作信号的学习操作信号学习作为用于校正所述输入信号的范数的一校正范数；以及

校正部件，用于基于通过所述学习获得的所述校正范数校正所述输入信号，并且输出其校正后的信号作为输出信号。

20.一种信号处理装置，包括：

信号处理部件，用于输入信号的信号处理；以及

输出部件，用于输出所述信号处理部件的信号处理结果；

其中所述信号处理部件的处理结构是基于根据用户操作提供的操作信号而改变的，

其中所述信号处理部件包括：

教师数据产生部件，用于从预定学习数据中产生教师数据；

学生数据产生部件，用于从所述学习数据中产生学生数据；

学习部件，用于学习通过所述学生数据和预定预期系数、以及极小化与所述教师数据的误差的所述预期系数的线性组合获得的所述教师数据的预期值；以及

输出信号产生部件，用于通过执行所述输入信号与由所述学习部件获得的预期系数的线性组合产生输出信号。

21.一种信号处理装置，包括：

信号处理部件，用于输入信号的信号处理；以及

输出部件，用于输出所述信号处理部件的信号处理结果；

其中所述信号处理部件的处理结构是基于根据用户操作提供的操作信号而改变的，

其中所述信号处理部件

通过统计地极小化作为对N次幂的所述误差的N次幂误差的最小N次幂误差来学习所述预期系数；并且

基于所述操作信号，通过改变所述N次幂误差来改变其处理结构。

22.根据权利要求21所述的信号处理装置，其中所述学习部件通过使用二乘误差的积作为所述N次幂误差和权重、基于所述操作信号改变所述N次幂误差。

23.根据权利要求21所述的信号处理装置，其中所述学习部件如利用对应于所述操作信号的N次幂的所述N次幂误差那样，使用利用由最小N次误差获得的所述预期系数计算的所述教师数据的预期值的二乘误差和N-2次幂误差的积。

24.一种信号处理方法，包括：

信号处理步骤，用于输入信号的信号处理；以及

输出步骤，用于输出在所述信号处理步骤中的处理的信号处理结果；

其中在所述信号处理步骤中的处理结构是基于根据用户操作提供的操作信号而改变的，

其中所述信号处理步骤包括：

特性检测步骤，用于检测来自输入信号的特性；

处理决定步骤，用于基于由所述特性检测步骤检测的特性决定关于输入信号的处理内容；以及

处理执行步骤，按照在由所述处理决定步骤决定的处理内容执行对所述输入信号的处理；

其中所述特性检测步骤、所述处理决定步骤、或者所述处理执行步骤中至少之一的处理结构会基于所述操作信号改变。

Images