FI83577C - Adaptivt detekteringsfoerfarande foer kvantiserade signaler. - Google Patents

Description

1 83577

Adaptiivinen ilmaisumenetelmä kvantittuneille signaaleille

Keksintö koskee yleisesti adaptiivista ilmaisumenetelmää kvantittuneille signaaleille, joiden nimelliset 5 arvot eri ajan hetkinä muodostavat äärellisen joukon diskreettejä tiloja, jossa menetelmässä signaalin diskreetti tila tietyllä ajanhetkellä tulkitaan vertaamalla signaalin näytearvoa joukkoon vertailulukuja, joiden perusteella signaalitilan tunnistus tapahtuu.

10 Koska jokaisen tiedonsiirtojärjestelmän siirtotie on käytännössä aina epäideaalinen, kaikessa tiedonsiirrossa aiheutuu jonkin verran signaalin vääristymistä, joka saattaa vaikeuttaa signaalin ilmaisua vastaanottopäässä. Siirtotie saattaa aiheuttaa siirrettävän signaalin diskreet-15 tien tilojen esityksiin (signaaliarvoihin) hyvin suuriakin satunnaisvaihtelulta ja vaihteluita ja vääristymiä, jotka aiheuttavat virheitä ilmaisussa tai tekevät ilmaisun mahdottomaksi .

Esimerkiksi radioteitse tai kantoaaltokaapelitek-20 nilkalla tapahtuvassa kvantittuneiden signaalien siirrossa välitetään usein digitaalisia koodeja niiden binääriarvoja vastaavien modulaatiosyvyyksien avulla, jotka siis ovat kvantittuneita analogiasuureita. Tällöin siirtotie sattaa aiheuttaa moduloitujen aaltojen suuria ja suhteellisen 25 nopeita tasonvaihteluita.

Tämän vuoksi tiedonsiirrossa on yleensä käytettävä adaptiivista vastaanottomenetelmää (korjainta), jossa ilmaisumenetelmän herkkyys automattisesti seuraa lähetettävän signaalin tasonvaihteluita.

30 Hyvin tunnettuja ovat erilaiset automaattiset tason- säätömenetelmät, jotka tavallisesti pyrkivät normalisoimaan kantoaallon intensiteetin vastaanotossa. Ongelmaksi jää kuitenkin edelleen se, että vaikka kantoaallon vaihtelut voitaisiin kompensoida, voi modulaationkin syvyys vastaan-.. 35 otossa vaihdella lähetys- ja vastaanottopiirien epätarkan 2 83577 \ \ \ \ \ tai viallisen toiminnan vuoksi, väliaineen ominaisuuksien \ vaihdellessa tai kun signaalit saavuttavat vastaanottimen eri kulkuteitä myöten, jolloin eri viiveellä saapuvat signaalit interferoivat keskenään.

5 Tunnetaan myös suuri määrä erilaisia adaptiivisia korjaimia, joiden siirtofunktio pyrkii approksimoimaan siirtokanavan siirtofunktion käänteisfunktiota, jolloin ne osittain korjaavat siirtokanavan signaaliin aiheuttamat vääristymät ennen signaalin ilmaisemista ja palauttamista 10 digitaaliseen muotoon.

Näillä ratkaisuilla pyritään korjaamaan signaalia ennen signaalitilojen ilmaisua, mutta niillä ei pyritä korjaamaan itse ilmaisutapahtumaa.

Keksinnön päämääränä on aikaansaada kvantittuneille 15 signaaleille uusi adaptiivinen ilmaisumenetelmä, joka vähentää siirtotien aiheuttamien muutosten ja vääristymien vaikutusta signaalitilojen tulkintaan.

Tämä saavutetaan johdannossa esitetyn tyyppisellä adaptiivisella ilmaisumenetelmällä, jolle on keksinnön 20 mukaisesti tunnusomaista, että adaptiivisesti korjataan ilmaisussa käytettyjen vertailulukujen arvoja kohti ilmaistavan signaalin todellisia signaalitiloja. Tämän mahdollistaa se, että vaikka siirtotie aiheuttaa signaalitiloihin mahdollisesti suuriakin satunnaisvaihtelulta ja vääristy-25 miä, nämä muutokset ovat ajallisesti suhteellisen jatkuvia.

Keksinnön mukaisesti ainakin tunnistustulokseksi valittua vertailulukua korjataan näytearvon ja vertailuluvun välisen etäisyyden perusteella jokaisen näytearvon jälkeen tai jokaista vertailulukua korjataan tunnistustu-30 loksittain ryhmiteltyjen näytearvojen ryhmäkeskiarvojen perusteella säännöllisin väliajoin.

Keksinnön erään piirteen mukaisesti pyritään vastaanotettujen signaalien mahdollisimman pienen näytemäärän avulla määrittelemään, esiintyykö näissä näytteissä tilas-35 töllistä ryhmittelyä, joiden ryhmien keskiarvoja tai muita 3 83577 keskilukuja voitaisiin sitten seurata ja käyttää uusina vertailulukuina eri kvantittuneita tiloja ilmaistaessa. Tällä tavoin vertailuluvut seuraavat melko tarkasti sig-naalitasoja parantaen siten ilmaisun tarkkuutta.

5 Joissakin tilanteissa, esim. vastaanoton alkaessa tai yhteyden katketessa, edellä mainitulla tavalla määritellyt eri ryhmien vertailuarvot voivat suurten säätökor-jausten johdosta joutua väärään suuruusjärjestykseen ja lukkiutua siihen, mikä aiheuttaa vakavia pitkäaikaisia 10 häiriöitä vastaanotossa, koska tällöin signaalin diskreetit tilat tulkitaan jatkuvasti väärin.

Keksinnön toisen piirteen mukaisesti käytetään it-seorganisoituvien piirrekarttojen periaatetta vertailulukujen korjaamiseen. Itseorganisoituvia piirrekarttoja 15 käyttävä ilmaisumenetelmä pyrkii palauttamaan vertailuarvojen suuruus- ja topologiset suhteet signaaliarvoissa vallitsevien vastaavien suhteiden mukaisesti, myös siinä tapauksessa, että vertailulukujen suuruusjärjestys on tilapäisesti virheellinen.

20 Keksinnön kolmannen piirteen mukaisesti käytetään vuorotellen sekä keskilukuihin perustuvaa ilmaisumenetelmää että itseorganisoituvia piirrekarttoja. Tällaisella ratkaisulla päästään parhaaseen kompromissiin mukautumistarkkuuden ja oikean järjestyksen palauttamiskyvyn välillä.

25 Keksinnön mukaisella ilmaisumenetelmällä voidaan ilmaisun tarkkuutta lisätä ja pienentää aikaisempien kor-jäimien tarkkuusvaatimuksia tai jopa korvata tällaiset korjaimet. Menetelmällä saavutettu hyöty kasvaa, kun signaalin eri tilojen lukumäärä kasvaa, koska tällöin hyvin 30 pienikin häiriö voi aiheuttaa virheitä ilmaisussa. Keksinnön mukainen menetelmä on laskennallisesti melko kevyt toteuttaa ja mahdollistaa tehokkaan korjauksen suurillakin siirtonopeuksilla, joten sitä soveltuva ilmaisin on toteutettavissa signaaliprosessori- tai mikropiirisovellutuksena 35 edullisemmin kuin perinteiset korjaimet. Nykyisten signaa- 4 83577 liprosessoreiden nopeus ei riitä hyvin suurinopeuksisten signaalien käsittelyyn.

Menetelmän toteutus voidaan suorittaa digitaalisilla tai analogisilla laskentamenetelmillä.

5 Sillä on sovelluksia esimerkiksi radio- ja kantoaal- tokaapelitekniikalla tapahtuvassa digitaalisesti moduloidussa tiedonvälityksessä, mittaus- ja säätötekniikassa, lääketieteellisessä tekniikassa, tietokonetekniikassa, ja yleensä kun välitetään kvantittuneita signaaleita.

10 Keksintöä selitetään nyt yksityiskohtaisemmin suo ri tusesimerkkien avulla viitaten oheisiin piirustuksiin, joissa kuvio 1 esittää yksiulotteista piirrekarttaa, kuvio 2 havainnollistaa kuvion 1 piirrekartan erästä 15 realisointitapaa, kuvio 3 esittää piirrekarttaa käyttävän menetelmän toimintaa esimerkin avulla, kuvio 4 esittää kaksiulotteista piirrekarttaa, ja kuvio 5 esittää erästä laitteistoa, jossa sovelle-20 taan keksinnön mukaista menetelmää.

Yksinkertaisimmassa muodossaan on keksinnön mukainen menetelmä sovellettavissa yksiulotteiselle signaalille (esim. monitasoinen signaali), jonka arvot ovat kvantit-tuneet eräälle vaihteluvälille [a, a+nq], missä a on välin 25 alin arvo, n on kokonaisluku, ja q kvantittumisväli. Signaaleille on siis lähetteessä pyritty antamaan jokin arvoista a+hq, missä h on signaalitilan järjestysindeksi, 0,1,...,n, mutta siirtotie muuntaa sen satunnaiseksi arvoksi a+hq+fcj^ , missä Sh on satunnaisvirhe (mahdollisesti suu-.30 rempi kuin kvantittumisväli q). Oletetaan kuitenkin, että kun erilaiset vaihteluita aiheuttavat tekijät esiintyvät samoissa piireissä tai samassa siirtotiessä, niin peräkkäiset 6h :n arvot ovat siten korreloituvia, että niiden erotuksen itseisarvo \Sh-t^.x | on vain hyvin pienellä to-35 dennäköisyydellä suurempi kuin q/2.

5 83577 Tällöin vastaanotettua siirtotien läpi kulkenutta signaaliarvoa edustaa lukuarvo x=a+hq+£h, missä h ja £h ovat vastaavasti signaalitilan järjestysindeksi ja tilan satunnaisvaihtelu.

5 Signaalitllojen tunnistaminen (ilmaisu):

Signaalin signaalitilat tunnistetaan vertaamalla niitä tiettyihin vertailuarvoihin ml . Oletetaan aluksi, että vertailuluvut mt on laskettu valmiiksi. Käyttämällä jotain sopivaa etäisyysmittaa d = d(x, mt ), esimerkiksi 10 d = |x-m1 |, määritetään lähin vertailuarvo mc , joka on juuri tunnistustulos: d(x, mc) = min {d(x, mt )}. (1) i 15

Vertailuarvojen päivitys

Vaikka alkuperäisillä vertailuarvoilla mt saavutet-taislinkin tyydyttävä ilmaisutulos, voidaan ilmaisun tarkkuutta parantaa kun vertailuarvoja jatkuvasti korjataan 20 niiden muutosten mukaisesti, jotka siirtotie aiheuttaa vastaanotettuun signaaliin ja sen signaalitiloihin.

Vastaanotetun signaalin signaalitilat voivat vaihdella suurissa rajoissa erilaisten häiriötekijöiden johdosta, mutta lyhyellä aikavälillä signaalien keskinäiset suu-25 ruus- tai topologiset suhteet säilyvät.

Esillä olevan menetelmän periaatteena on vastaanotettujen signaalien mahdollisimman pienen näytemäärän avulla automaattisesti seurata, esiintyykö näissä näytteissä tilastollista ryhmittelyä (clustering) ja tuottaa näitä ... 30 ryhmiä parhaiten vastaavat mukautuvat vertailuluvut tai -vektorit, joita sitten voidaan käyttää kvantittuneiden signaalitilojen identifiointiin.

Tämä voidaan toteuttaa tavanomaisia ryhmittelyme-netelmiä tai vektorialgoritmeja käyttäen. Tällainen on 35 esim. digitaalisessa signaalitekniikassa ja hahmontunnis- 6 83577 tuksessa käytetty k:n keskiarvon ryhmittely, joka on esitetty viitteessä: [1] J. Makhoul, S. Roucos, H. Gish, "Vector Quantization in Speech Coding", Proc, IEEE, Vol. 73, ss. 1551-5 1588, 1985.

Seuraavassa selostetaan keksinnön mukaisen menetelmän eräs vertailulukujen päivitystäpä, jossa käytetään k:n keskiarvon ryhmittelyä.

Vertailulukujen päivittäminen ryhmäkesklarvojen pe-10 rusteella:

Viitteessä [1] selostetussa k:n keskiarvon menetelmässä kerätään peräkkäisiä signaalinäytteitä sellainen joukko, että jokainen mahdollinen signaalitila esiintyy niissä useita kertoja. Näytteet jaetaan edellisessä kohdas-15 sa kuvatun tunnistustuloksen mukaan luokkiin ja muodostetaan kunkin luokan keskiarvo. Uusiksi vertailuluvuiksi mA voidaan nyt ottaa nämä näytteistä lasketut keskiarvot, tai esimerkiksi jokin painotettu lineaarinen kombinaatio vanhoista vertailuluvuista ja näytteistä lasketuista keskiar-20 voista. Kun menetelmää toistetaan jatkuvasti uusia signaaleja vastaanotettaessa, seuraavat vertailuluvut signaaliarvojen vaihteluita. Lukujen päivitys tapahtuu tässä siis määrävälein.

Vertailulukujen päivitys signaallnäytteen ja ver-25 tailuluvun välisen etäisyyden perusteella:

Vertailulukujen päivitys voidaan suorittaa myös jokaisen signaalinäytteen jälkeen, jolloin ensin on suoritettava kaavan (1) mukainen näytteen kokeellinen tunnistaminen lähimmän vertailuarvon mc löytämiseksi. Tätä ja .30 vain tätä päivitetään: mc (t+1) = mc (t) + a (x(t)-mc (t)) (2) m^t+1) = m^t), kun i φ c (3) 35 Tässä siis mA = mt (t) on vertailuluvun arvo juuri li 7 83577 ennen signaalinäytteen saamista hetkellä (t) (t = 0,1,2 ... on ns. diskreettiaikamuuttuja). Parametri a (0<α<1) on kerroin joka määrää korjausten suhteellisen suuruuden. Korjattu vertailuluku saadaan lisäämällä alkuperäiseen 5 vertailulukuun signaalinäytteen x ja alkuperäisen vertailuluvun erotus kerrottuna a:11a.

Näitä vertailulukujen mA päivitystapoja käyttämällä eri signaalitilojen vertailuluvut saadaan normaalisti hyvin tarkasti seuraamaan signaalitilojen esitysten ryhmäkeskiar-10 voja.

Nämä päivitysluvut ovat kuitenkin vielä osittain puutteellisia, koska niihin sisältyy se vaara, että algoritmin määrittelemät eri ryhmien vertailuarvot mt voivat suurten säätökorjausten johdosta joutua väärään suuruus-15 järjestykseen ja käytetyn säätömenetelmän johdosta lukkiintua siihen, mikä aiheuttaa vakavia, pitkäaikaisia häiriöitä vastaanotossa, koska tällöin diskreetit tilat tulkitaan jatkuvasti väärin. Mukautuvan menetelmän on siis oltava itsekorjaava siinä mielessä, että se pyrkii säilyttämään 20 ja palauttamaan vertailuarvojen oikeat suuruus- ja topologiset suhteet signaaliarvoissa vallitsevien vastaavien suhteiden mukaisesti, myös siinä tapauksessa, että vertailulukujen suhteet ovat tilapäisesti virheelliset.

Keksinnön mukaisen menetelmän ensisijaisessa suori-25 tusmuodossa käytetäänkin ns. itseorganisoivia piirrekart-toja, joilla on tällainen ominaisuus.

Oikean järjestyksen palauttava vertailulukujen päivitys itseorganisolvan karttakuvauksen avulla:

Itseorganisoivan karttakuvauksen periaatetta yksi-30 ulotteisessa tapauksessa havainnollistaa kuvio 1, joka esittää joukkoa prosessointiyksiköltä, joita nimitetään seuraavassa solmupisteiksi. Kussakin solmupisteessä on varastoituna eräs vertailuluku m£ , i - 0,1,...,n, jota käytetään vastaanotetun signaalin x signaalitilan tunnis-35 tamiseen ja ilmaisemiseen. Kuviossa 1 solmupisteiden vä- 8 83577 liset viivat kuvaavat topologisia naapurustosuhteita, ts. sitä mitkä solmupisteet ovat topologisesti lähinnä toisiaan. Solmupisteiden topologisella järjestyksellä tarkoitetaan tässä tapauksessa sitä, että tarkoitetuilta arvol-5 taan toisiaan lähinnä olevat vertailuluvut mt ovat kuvion 1 karttakuvauksen vierekkäisissä solmupisteissä eli toistensa topologiseen naapurustoon kuuluvia. Virheellisessä tilassa tämä järjestys voi kuitenkin olla tilapäisesti toinen.

10 Kuvion 1 topologista karttakuvausta voidaan havain nollistaa myös kuvion 2 mukaisesti, jossa solmupisteet eli prosessointiyksiköt on kytketty rinnan signaalilinjaan ja jokaisen sisääntuloon on kytketty sama signaali x. Jokaisella prosessointiyksiköllä on ulostulo , johon se tuot-15 taa ulostulosignaalin, kun signaalin x signaalitila on lähinnä kyseisen solmupisteen vertailulukua mt . Jos signaali x on esimerkiksi monitasoinen signaali, voisivat prosessointiyksiköt olla esimerkiksi komparaattoreita.

Tässä esitetty on kuitenkin tarkoitettu vain keksin-20 nön ymmärtämisen helpottamiseen. Itseorganisoituvat topologiset piirrekartat ja niiden käyttö on kuvattu yksityiskohtaisemmin seuraavissa julkaisuissa, jotka otetaan tähän viitteiksi: [2] T. Kohonen, "Clustering, Taxonomy, and Topologi-25 cal Maps of Patterns", Sixth International Conference on

Pattern Recognition, Munich, Germany, October 19-22, 1982, ss. 114-128.

[3] T. Kohonen, "Self-Organization and Associative Memory", Springer-Verlag, Series in Information Sciences, 30 Vol. 8, Berlin-Heidelberg-New York-Tokyo, 1984, 2. p. 1988.

Aikaisemmin esitetyn vertailulukujen päivitysmene-telmän puutteena on se, että jos vertailuluvut mt saavat jostain syystä, esimerkiksi toimintahäiriön tai laskenta-virheen johdosta arvoja, joiden suuruussuhteet poikkeavat 35 alkuperäisistä (mt > mj vaikka i < j), tämä väärä järjestys li 9 83577 säilyy. Seuraavassa selostettava menetelmä sen sijaan pystyy palauttamaan oikean järjestyksen automaattisesti. Tämän todistaminen on suoritettu viitteessä [3] ja sen ristiviittauksissa, ja sitä havainnollistetaan tässä myös esimerkin 5 avulla.

Menetelmässä suoritetaan vastaanotetun signaalin signaalitilojen tunnistaminen yhtälön (1) mukaisesti.

Vertailulukujen päivittäminen suoritetaan seuraavan korjaussäännön (mukauttamissääntö, ryhmittelysääntö) mu-10 kaisesti: korjataan sekä tunnistustulokseksi valittua vertailulukua mc että sitä vastaavan solmupisteen c naapuri-solmupisteiden vertailulukuja lähemmäksi x:n arvoa. Toisin sanoen 15 mt (t+1) = m1 (t) + aix-n^it)), i e Nc (4) mi (t+1) = mt (t), i £ Nc (5) missä mA = mi(t) on vertailuluvun arvo juuri ennen signaa-linäytteen saamista hetkellä t (t = 0,1,2,... on ns. dis-20 kreettiaikamuuttuja) ja m^t+1) on seuraavalla näytteenot-tohetkellä käytettävä uusi vertailuluku. Parametri a on kerroin, joka määrää korjausten suhteellisen suuruuden. N. on indeksijoukko, joka koostuu solmupisteestä c sekä sen topologisista naapureista. Kuviossa 1 on yhdistetty viival-25 la ne solmupisteet, jotka ovat toistensa topologisia naapureita .

Yllä parametri a = a(t) täyttää aina ehdon 0<α<1, mutta sitä voidaan vaihdella tarpeen mukaan, ja Nc = Ne(t) on indeksijoukko, joka käsittää kaikki solmupisteet sol-30 mupisteen c naapurustossa tietyn säteen etäisyydelle. Kun säde on yhtä suuri tai suurempi kuin yksi solmuväli, pystyy yllä kuvattu korjaussääntö tehokkaasti palauttamaan vertailuluvulle mt saman suuruusjärjestyksen kuin vastaanotetuille signaalitiloilla on, mutta jättää arvoihin mt tietyn 35 harhan, jota tarkastellaan tuonnempana.

10 83577 Säteen ollessa nolla (Nc = {c}) pyrkii taas kor-jaussääntö antamaan vertailuluvuille mahdollisimman oikeat ryhmäkeskiarvot, mutta ei pysty palauttamaan oikeaa järjestystä. Tämä tilanne vastaakin yhtälöissä 2 ja 3 esitettyä 5 korjaussääntöä.

Näiden kahden ominaisuuden välille on määriteltävä kompromissi. Käytännössä joudutaan määräajoin soveltamaan erilaisia a = a(t):n ja Ne Nc(t):n valintoja tarpeen mukaan, ainakin tiedonsiirron keskeytyessä ja sen edelleen 10 jatkuessa.

Usein voidaan lähetteen signaalitilojen katsoa vaih-televan satunnaisesti samalla esiintymistodennäköisyydellä. Näin on esimerkiksi, jos analogisignaalit kvantitetaan ns. deltamodulaation avulla, ja kertyneet bitit kerätään koo-15 deiksi; näiden koodien numeeriset arvot, joilla lähetettä sitten moduloidaan, ovat yleensä ns. pseudosatunnais-lukuja. Silloin on korjaussäännön tuottamien vertailulukujen ja ryhmien keskiarvojen välillä olemassa yksikäsitteinen numeerinen vastaavuus (katso viite [3]). Jos sitten 20 vastaanotettuja signaaliarvoja x esikäsitellään korjaus-säännössä kullekin vertailuluvulle ominaisella lausekkeella b1+d1x, missä ja dA ovat vakioparametreja, voidaan edellä esitetyn korjaussäännön jättämä harha kompensoida suurimmalta osaltaan ja saada vertailuluvuille tarkemmat 25 arvot, jotka nyt approksimoivat ryhmäkeskiarvoja. Tätä samaa menetelmää voidaan käyttää muulloinkin, kun signaalin x todennäköisyystiheys p(x) on mielivaltainen mutta tunnettu funktio, jolloin esikäsittelylausekkeelle on edelleen laskettavissa harhaa kompensoivat parametrit bd ja dr - · 30 Käytettävä lopullinen painotettu korjaussääntö, jolla myös edellä mainittu harha voidaan poistaa on siis yksinkertaisimmillaan tyypillisesti muotoa mA (t+1) = mt (t) + aibj+dA x-m1 (t)), i e Nc (6) 35 m1(t+l) = mt(t), i £ Nc (7) 11 83577

Esimerkki 1 Tässä esimerkissä havainnollistetaan yhtälöiden (6) ja (7) mukaisen parannetun esikäsitellyn korjaussäännön kykyä määritellä topologisesti järjestäytyneet vertailu-5 luvut mx, jotka seuraavat nopeasti lähetejoukon {x = x(t), t = 0,1,2, ...} yleisiä vaihteluita. Oletamme, että sig- naalitiloja on 4 kpl, ja ne esiintyvät satunnaisesti samalla todennäköisyydellä. Tässä esimerkissä on käytetty parametreja b0 =bj =b2 =b3 =0, d0=0,7, dx =1, d2=l, d3=l,14. Ku-10 vioon 3 piirretyt jatkuvat käyrät esittävät mahdollisia signaalitiloja, joiden suuruudet tässä vaihtelevat erään mielivaltaisesti valitun lain mukaisesti. Todelliset signaalin x arvot poimitaan eri hetkinä näiltä neljältä käyrältä sa-tunnaisesti. Erillisillä pisteillä piirretyt ku-15 vaajat esittävät, kuinka vastaavat vertailuluvut seuraavat näitä vaihteluita. Esimerkissä on ollut a = 0,1 ja N = ({max (0, c-1), c, min (3, c+1)}, eli solmupisteen c naapurustoon kuvion 1 mukaan on otettu vain lähimmät naapurit. Esimerkistä nähdään myös, kuinka vertailulukujen m3 suu-20 ruusjärjestys, joka alussa oli väärä (1-0-3-2), muuttuu noin 30 näytteen jälkeen oikeaksi (0-1-2-3). Vertailulukujen satunnaispoikkeamat johtuvat siitä, että eri signaa-litilat esiintyvät signaalissa x täysin satunnaisesti, jolloin myös vertailulukuja korjataan satunnaisessa järjes-25 tyksessä.

Edellä esitetty ja kuviolla 1 havainnollistettu yksiulotteinen karttakuvaus voidaan helposti yleistää useampiulotteiseksi. Tällainen tapaus esiintyy, kun esim. lähetteessä on jonkin yhdistetyn modulaatiotavan johdosta 30 kaksi tai useampia erillisiä signaalimuuttujia. Oletamme seuraavassa, että lähetteessä esiintyvät samanaikaiset signaalitilat (hj ja h2 ) ja niitä vastaavat lähetteet ovat xx * ax + h1q1 ja x2 * a2 +h2 q2 , missä hx ja h2 ovat kokonaislukuja sekä q: ja q2 vastaavat kvantittumisvälit. Tässä 35 tapauksessa lähete esitetään vektorina X = (x: , x2 ) = X(t) i2 83577 ja vastaavat vertailuluvut A , mi 2 vektoreina = (m^, n>i 2 ) = Mt(t). Tunnistussääntö voidaan valita jonkin vek-torinormin mukaisten etäisyyksien vertailuksi. Tunnistaminen: 5 d(X,Mc ) = min {d(X,M1 )} i missä d( · ) voi olla esimerkiksi jokin Minkowskin etäisyys-10 mitta, jonka erikoistapaus on euklidinen etäisyys;

Vertailuvektorien päivittäminen (ilman esikäsitte-lylauseketta): M* (t+1) = Mt(t) + p(X(t) - M, (t) ), i e N' e 15 M, (t+1) = M, (t), i * N' e missä β = β(ΐ) on eräs toinen skalaari (0<β<1) ja N'c = N'c (t) on naapurustojoukko kaksiulotteisessa solmupiste-verkossa esim. kuvion 4 mukaan. Kuviossa 4 solmupisteen c 20 naapuristojoukkoon N’c kuuluvat solmupistettä c lähinnä olevat ympäröivät solmupisteet, kuten yhtenäisellä viivalla on kuvattu. Tässä tapauksessa solmupisteiden topologinen järjestys voi olla esim. sellainen, että solmupisteissä olevien vertailuvektorien vertailuluvut m± χ kasvavat 25 ylhäältä alaspäin siirryttäessä ja vertailuluvut mt2 kasvavat vasemmalta oikealle siirryttäessä.

Yllä kuvatut säännöt havainnollistavat yleistä periaatetta, jolloin menetelmää on pidettävä samana, vaikka solmupistejoukon topologia valittaisiin toisinkin, ja mu-30 kauttamisessa käytettyjen naapurustojen N. ja N'c määrittely poikkeaisi edellisistä esimerkeistä, kunhan niillä vain pyritään yllä kuvattuun topologiseen järjestäytymiseen. Myöskään parametrien a - a(t) ja β = β(ΐ) ei tarvitse olla samoja kaikille solmupisteille, vaan ne voidaan yleistää 35 joiksikin pisteestä c laskettujen etäisyyksien funktioiksi.

Il i3 83577

Yleisesti signaalimuuttujien x lukumäärän ollessa n, on kussakin vertailuvektorissa vastaavasti n vertailulukua m1 .

On syytä korostaa, että tässä kuvattavan ilmaisu-5 menetelmän mukautuvat vertailuluvut määräytyvät yksinomaan ilmaistun lähetteen eri signaalitilojen metristen topologisten suhteiden perusteella, ilman että minkään signaa-litilan tunnusta tai merkitystä tarvitsisi ilmoittaa lähetetyssä signaalissa. Kyseessä on siis ohjaamaton oppi-10 minen (engl. nonsupervised learning), mikä on ominaista kaikille ryhmittelymenetelmille (clustering) ja useimmille mukautuville signaalinkäsittelyjärjestelmille.

Erilaisia toteutusmuotoja Tähän menetelmään kuuluu siis kaksi olennaista osa-15 menetelmää: 1. Menetelmä, jonka avulla eri signaalitilojen vertailuluvut saadaan seuraamaan tilojen esitysten ryhmä-keskiarvoja. 2. Menetelmä, joka palauttaa vertailuluvuille oikeat suuruussuhteet, jos nämä jostain syystä (toimintahäiriö, väärä korjaus tms.) sekoittuisivat.

20 Menetelmien 1 ja 2 vaatimat operaatiot voidaan to teuttaa numeerisesti, esimerkiksi nykyisin saatavilla olevista komponenteista rakennetuilla ns. signaaliprosesso-riarkkitehtuureilla, tai analogisilla piireillä. Valinta riippuu tarvittavasta tarkkuudesta, laskentanopeudesta ja 25 kustannustekijöistä; kulloinenkin kompromissi määräytyy eri piiriteknologioitten vallitsevasta teollisesta kehitysasteesta. Esimerkiksi artikkelissa T. Korhonen, K. Torkkola, M. Shozahai, J. Kangas, O. Ventä, "Microprocessor Implementation of a Large Vocabulary Speech Recognizer and 30 Phonetic Typewriter for Finnish and Japanese", Proc. of European Conference on Speech Technology, CEP Consultants Ltd, Edinburgh, 1987, ss.377-380 selostettu signaaliproses-soriratkaisu, jota on käytetty puheentunnistuksessa, on tähän tarkoitukseen teknillisesti mahdollinen, mutta turhan 35 monimutkainen ja kallis. Korjaussääntö voidaan toteuttaa 83 577 myös klassillisella analogia-tietokonetekniikalla, jota on kuvattu esimerkiksi teoksessa G.A. Korn, T.M. Korn, "Electronic Analog and Hybrid Computers", McGraw-Hill, New York, 1964, tai sen mukaisilla elektronisilla, optisilla 5 tai optoelektronisilla konstruktioilla.

Mikäli menetelmää sovelletaan radio- tai kaapeliteitse tapahtuvaan tiedonsiirtoon, jossa käytetään moduloitua kantoaaltoa, voi vastaanottimessa tapahtuva ilmaisu olla hyvin yksinkertainen; sille ei aseteta suuria tark-10 kuusvaatimuksia, koska mukautuva säätö pyrkii automaattisesti korjaamaan epälineaarisuuksia ja epästabiilisuuksia. Itse asiassa ilmaisimelle riittää, että ilmaistujen sig-naalitilojen suuruusrelaatiot säilyvät lyhyellä aikavälillä, sillä käytetty ryhmittelyanalyysi löytää automaattises-15 ti näitä tiloja vastaavien lähetteiden kasautumat ja mukautuu niihin.

Kuvio 5 esittää menetelmää käyttävän laitteiston tyypillistä lohkokaaviota. Osa 1 on väline signaalien modulointia ja lähettämistä varten, osa 2 väline signaalien 20 vastaanottoa ja ilmaisemista (demodulaatiota) varten, osa 3 väline, jonka vertailuluvut seuraavat mahdollisimman suurella tarkkuudella (esim. k:n keskiarvon menetelmällä) vastaanotettuja signaalitiloja, ja osa 4 väline, jonka vertailuluvut määräytyvät esimerkiksi itseorganisoiviin 25 karttakuvauksiin perustuvien korjaussääntöjen mukaisesti, jolloin vertailuluvut pystyvät automaattisesti palautumaan oikeaan suuruus- ja topologiseen järjestykseen. Osa 5 on väline signaalin kytkemiseksi joko osaan 3 tai osaan 4, ja osa 6 (ohjain) on väline, joka ohjaa osan 5 toimintaa. 30 Osa 6 voi saada informaatiota käsiohjaukselta, lähetteen vastaanottolaitteelta (osa 3), joka ilmoittaa lähetteen alkamisen ja katkokset, tai tulkintavälineiltä (osat 3 ja 4), jotka voivat ilmoittaa, milloin tulkinta on jatkuvasti virheellistä. Sen lisäksi osa 5 voi kytkeytyä osiin 3 ja 35 4 välillä säännöllisin tai muuten ennalta määrätyin välein, il is 83 5 77 ajastimen ohjaamana.

Osien 3 ja 4 sisältämien vertailulukujen mt tai alkuarvot voidaan toimintaa aloitettaessa asettaa ennalta laskettuihin arvoihin. Myös ohjain, osa 6 voi asettaa ver-5 tailuluvut mA tai MA sopiviin oletusarvoihin.

Kuvatun laitteiston etuna on, että vastaanoton alkaessa, katkoksien jälkeen tai pahoissa virhetilanteissa voidaan vertailuluvut palauttaa oikeaan järjestykseen kytkemällä signaali osaan 4. Vastaanoton ollessa vakiintunut 10 voidaan signaali kytkeä osaan 3, joka laskee vertailuarvot tarkemmin. Näin voidaan optimoida sekä tarkkuus että häiriöistä palautuminen.

Keksinnön mukainen adaptiivinen ja itsekorjautuva signaalien ilmaisumenetelmä soveltuu käytettäväksi minkä 15 tahansa tiedon siirrossa, jossa siirrettävien signaalien nimelliset arvot eri hetkinä muodostavat äärellisen joukon diskreettejä tiloja.

Signaalit voivat suoraan esittää digitaalista informaatiota, esim. laitteen sisällä tapahtuvassa siirrossa. 20 Menetelmää voidaan soveltaa kun digitaaliset sig naalit tai tilat muunnetaan analogisiksi suureiksi ja siirretään tällaisina, ja sitten jälleen analysoidaan, ilmaistaan ja koodataan tällä menetelmällä digitaaliseen muotoon. Eräs sovellusalue on solukkoradio (matkapuhelin), jossa 25 puhe tai muut analogiset signaalit digitoidaan ensin del-tamodulaatiolla, muunnetaan analogiseen muotoon (esim. QAM), siirretään tässä muodossa, muunnetaan jälleen digitaaliseen muotoon ja tämän jälkeen rekonstruoidaan puheeksi .

30 Kuvattava menetelmä ei kuitenkaan rajoitu mihinkään erityiseen modulaatiomenetelmään tai standardiin tiedonsiirrossa, vaan se on yleisesti tarkoitettu erottelemaan kvantitettuja tiloja toisistaan.

Menetelmää voidaan soveltaa myös optisiin signaalei-35 hin tai digitaalisia signaaleja magneettisista tai optisis- 16 83577 ta muisteista lukeviin laitteisiin.

Oheiset kuviot ja niihin liittyvä selitys on tarkoitettu vain havainnollistamaan esillä olevaa keksintöä. Yksityiskohdiltaan keksinnön mukainen menetelmä voi vaih-5 della oheisten patenttivaatimusten puitteissa.

Claims (10)

1. Adaptiivinen ilmaisumenetelmä kvantittuneille signaaleille, joiden nimelliset arvot eri ajan hetkinä 5 muodostavat äärellisen joukon diskreettejä tiloja, jossa menetelmässä signaalin diskreetti tila tietyllä ajanhet-kellä tulkitaan vertaamalla signaalin näytearvoa joukkoon vertailulukuja, joiden perusteella signaalitilan tunnistus tapahtuu, tun net tu siitä, että adaptiivisesti 10 korjataan ilmaisussa käytettyjen vertailulukujen arvoja kohti ilmaistavan signaalin todellisia signaalitiloja.

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että ainakin tunnistustulokseksi valittua vertailulukua korjataan joko näytearvon ja vertailuluvun 15 välisen etäisyyden perusteella jokaisen näytearvon jälkeen tai jokaista vertailulukua korjataan tunnistustuloksittain ryhmiteltyjen näytearvojen ryhmäkeskiarvojen perusteella säännöllisin väliajoin.

3. Patenttivaatimuksen 1 tai 2 mukainen menetelmä, 20 kun signaalissa on kaksi tai useampia erillisiä samanaikaisesti esiintyviä signaalimuuttujia, joilla kummallakin on äärellinen määrä diskreettejä tiloja, tunnettu siitä, että vertailuluvut ovat vertailuvektoreita.

4. Patenttivaatimuksen 2 tai 3 mukainen menetelmä, 25 tunnettu siitä, että peräkkäisiä signaalin näytear- voja kerätään sellainen määrä, että jokainen mahdollinen tunnistustulos esiintyy useita kertoja, näytteet jaetaan tunnistustulosten mukaan ryhmiin ja muodostetaan kunkin ryhmän ryhmäkeskiarvo, jolloin uusiksi vertailuluvuiksi 30 otetaan säännöllisin aikavälein nämä lasketut ryhmäkeskiar-vot tai jokin lineaarinen kombinaatio näistä lasketuista ryhmäkeskiarvoista ja aikaisemmista vertailuluvuista.

5. Patenttivaatimuksen 2 tai 3 mukainen menetelmä, tunnettu siitä, että jokaisen näytearvon jälkeen 35 korjataan tunnistustulokseksi valittua vertailuarvoa kohti 18 83577 näytearvoa.

6. Patenttivaatimuksen 2 tai 3 mukainen menetelmä, tun net tu siitä, että vertailulukuja päivitetään signaalin eri signaalitilojen suuruus- ja topologisia suh- 5 teitä tarkkailemalla ja määrittelemällä vertailuluvut, jotka noudattavat samoja metris-topologisia suhteita.

7. Patenttivaatimuksen 6 mukainen menetelmä, tunnettu siitä, että vertailuluvut määritetään itseor-ganisoituvien piirrekarttojen avulla.

8. Patenttivaatimuksen 1, 2, 3, 5, 6 tai 7 mukainen menetelmä, tunnettu siitä, että jokaisen näytear-von jälkeen korjataan sekä tunnistustulokseksi valittua vertailulukua että ennalta määrättyä määrää muita vertailulukuja, jotka muodostavat valitun vertailuluvun ennalta 15 määrätyn topologisen naapurustojoukon.

9. Patenttivaatimuksen 8 mukainen menetelmä, tunnettu siitä, että vertailulukuja korjataan näytearvon suuntaan määrällä, joka on näytearvon ja kulloisenkin vertailuluvun väliseen etäisyyteen verrannollinen arvo kerrot- 20 tuna parametrilla a, joka on välillä 0 ja 1.

10. Patenttivaatimuksen 9 mukainen menetelmä, tunnettu siitä, että ennen kunkin vertailuluvun korjaamista näytearvoa käsitellään kullekin vertailuluvulle ominaisella lausekkeella bi+d1x, missä x on näytearvo, 25 ja d£ ovat vakioparametreja ja i on vertailuluvun järjes-tysindeksi. 19 83577