JP2000242624A - 信号分離装置 - Google Patents

信号分離装置

Info

Publication number
JP2000242624A
JP2000242624A JP11039636A JP3963699A JP2000242624A JP 2000242624 A JP2000242624 A JP 2000242624A JP 11039636 A JP11039636 A JP 11039636A JP 3963699 A JP3963699 A JP 3963699A JP 2000242624 A JP2000242624 A JP 2000242624A
Authority
JP
Japan
Prior art keywords
signal
unit
signals
estimated
signal separation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP11039636A
Other languages
English (en)
Inventor
Retsu Yamakawa
烈 山川
Noriaki Suetake
規哲 末竹
Yu Nakamura
遊 中村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to JP11039636A priority Critical patent/JP2000242624A/ja
Publication of JP2000242624A publication Critical patent/JP2000242624A/ja
Pending legal-status Critical Current

Links

Abstract

(57)【要約】 【課題】 原信号の確率分布が未知である場合や変化す
る場合であっても、正しく観測信号から原信号を分離抽
出する。 【解決手段】 統計的独立な原信号s1k,s2kが混合過
程Aにより混合され、センサ部16a,16bによって
観測信号x1k,x2kがそれぞれ観測される。信号分離部
18では、観測信号x1k,x2kを各成分とする観測信号
ベクトルに信号分離行列Wを掛け、推定信号s1k’,s
2k’を各成分とする推定信号ベクトルを生成する。推定
信号s1k’,s2k’は、非線形関数演算部30a,30
bにて非線形関数g1,g2に代入演算され、中間信号y
1k,y2kに変換される。分離行列更新部20では、結合
エントロピーH(y1,y2)を最大化するよう信号分離
行列Wを更新する。この際、非線形関数更新部28では
非線形関数g1,g2の形状を周辺エントロピーH
(y1),H(y2)を最大化するよう適宜更新する。

Description

【発明の詳細な説明】
【0001】
【発明の属する技術分野】本発明は信号分離装置に関
し、特にブラインド信号分離(BSS:blind signal s
eparation)又は独立成分解析(ICA:Independent c
omponent analysis)と呼ばれる信号処理技術に関す
る。
【0002】
【従来の技術】近年、ブラインド信号分離と呼ばれる新
しい信号処理技術が注目されており、通信や画像処理な
ど、幅広い分野での応用が期待されている。
【0003】かかる技術の実際の適用場面としては、例
えば次のようなものが挙げられる。すなわち、複数の信
号源(例えば音源)において互いに統計的独立な信号
(本明細書では「原信号」という)が発生しており、そ
れらが混合した信号が複数のセンサ(例えばマイク)に
よって観測される(本明細書ではセンサによって観測さ
れる信号を「混合信号」又は「観測信号」という)。こ
うした場面で、原信号の混合過程A(Aは一般的なオペ
レータ)が既知であれば、観測信号にその逆変換A-1
施すことにより原信号が得られるのは勿論である。ブラ
インド信号分離は、こうした場面で、原信号及びその混
合過程Aの双方が未知であっても、原信号が互いに統計
的独立であるという条件から、混合過程A、逆変換
-1、及び原信号を同定しようとするものである。な
お、ブラインド信号分離は、観測信号から互いに統計的
独立な原信号を再現するという意味で、独立成分解析と
も呼ばれる。
【0004】図9は、かかるブラインド信号分離の考え
方を取り入れた信号分離装置の一構成例を示す図であ
る。同図では一点鎖線の左側に外界が、右側に装置内部
が描かれている。
【0005】同図に示すように、外界ではスピーカ10
2a,102bから統計的独立な音声信号s1,s2が発
生しており、それが混合過程A(符号104)にて混合
され、マイク106a,106bにより観測される。マ
イク106a,106bで観測された観測信号x1,x2
は信号分離部108に入力され、そこで次式(1)に示
す行列演算が行われ、推定信号s1’,s2’が算出され
る。
【0006】
【数1】 ここで、Wは混合過程Aの逆変換に相当する2行2列の
行列であり、本明細書では信号分離行列と呼ぶことにす
る。信号分離行列Wは装置の起動時には例えば単位行列
が設定されるが、その後、学習部111により随時混合
過程Aの逆変換に近づくよう更新される。
【0007】かかる学習部111での処理方針は次の通
りである。
【0008】まず、信号分離行列Wを混合過程Aの逆変
換に近づけるためには、推定信号s1’,s2’が互いに
統計的独立となるよう、換言すれば推定信号s1’,
2’の相互情報量I(s1’,s2’)を最小化するよ
う信号分離行列Wを更新しなければならない。相互情報
量I(s1’,s2’)は、いわば「推定信号s1’を知
ることによりもたらされる推定信号s2’の曖昧さの減
少量」であり、次式(2)により表される。
【0009】
【数2】 ここで、H(s1’)及びH(s2’)は周辺エントロピ
ーであり、連続量αの周辺エントロピーH(α)が次式
(3)により定義される。また、H(s1’,s2’)は
結合エントロピーであり、連続量α,βの結合エントロ
ピーH(α,β)は次式(4)により定義される。これ
ら式(3)及び(4)において、p(・)はいずれも確
率密度関数である。周辺エントロピーH(α)は、いわ
ば「『αが起こる』事の曖昧さ」を表す。一方、結合エ
ントロピーH(α,β)は、いわば「『αとβが同時に
起こる』事の曖昧さ」を表す。
【0010】
【数3】 ところが、学習部111にて相互情報量I(s1’,
2’)を直接に取り扱うことは困難である。このた
め、次式(5)及び(6)により得られる中間信号
1,y2を導入し、該中間信号y1,y2の相互情報量I
(y1,y2)を最小化するよう信号分離行列Wを更新す
ることを考える。この技術は、例えば Anthony J.Bell
and Terrence J.Sejnowski, "An Information-Maximiza
tion Approach to Blind Separation and Blind Deconv
olution", Neural Computation 7. pp.1129-1159, 1995
に開示されている。
【0011】
【数4】 同式(5)及び(6)において、関数g1,g2は値域を
[0,1]とする単調増加関数であり、周辺エントロピ
ーH(y1),H(y2)を最大化するよう形状が決定さ
れるものである。関数g1,g2の値域を[0,1]に限
定すれば、式(3)より、次式(7)及び(8)を数学
的に導くことができる。このため、周辺エントロピーH
(y1),H(y2)を最大化する関数g1,g2とは、そ
れぞれ確率密度関数p(s1’),p(s2’)を積分し
て得られることになる。
【0012】
【数5】 ところで、結合エントロピーH(y1,y2)については
次式(9)が、相互情報量I(y1,y2)については次
式(10)が、それぞれ成立する。
【0013】
【数6】 このため、周辺エントロピーH(y1),H(y2)を最
大化(0にする)よう関数g1,g2の形状を決定してお
けば、これら式(9)及び(10)より、中間信号
1,y2の結合エントロピーH(y1,y2)を最大化す
ることで、相互情報量I(y1,y2)を最小化すること
ができるようになる。
【0014】信号分離装置100の学習部111では、
上記事情を考慮して、関数演算部112a,112bを
設け、推定信号s1’,s2’に関数g1,g2を施して中
間信号y1,y2を生成するようにしている。そして、分
離行列更新部110では、結合エントロピーH(y1
2)を最大化するよう、信号分離部108に保持され
る信号分離行列Wを更新している。こうして、信号分離
装置100によれば、中間信号y1,y2を導入して周辺
エントロピーH(y1),H(y2)を一旦最大化し、さ
らに結合エントロピーH(y1,y2)を最大化するよう
信号分離行列Wを更新することで、推定信号s1’,
2’が互いに統計的独立となるようにできる。
【0015】
【発明が解決しようとする課題】信号分離装置100の
関数演算部112a,112bに設定される関数g1
2は、上述したように、確率密度関数p(s1’)、p
(s2’)を積分して得られるものではあるが、実際に
は原信号s1,s2は未知であり、その確率分布を予め知
ることは困難である。このため従来は、原信号s1,s2
の確率分布を例えばガウス型と仮定し、関数g1,g2
してシグモイド型の関数形状を設定するほかなかった。
【0016】しかしながら、このような仮定は必ずしも
適切であるとは限らず、原信号の種類(音声信号、画像
信号、生体信号など)によっては設定した関数g1,g2
で周辺エントロピーH(y1),H(y2)が十分に最大
化されない場合もあった。この場合、分離行列更新部1
10による信号分離行列Wの更新は適切なものとはなら
ず、その結果、観測信号x1,x2から原信号s1,s2
十分な精度で分離抽出することはできなくなってしま
う。
【0017】また、前記信号分離装置100では信号分
離部108による信号分離の最中などに原信号s1,s2
の確率分布が変化した場合、もはや、元の関数g1,g2
では周辺エントロピーH(y1),H(y2)が十分に最
大化されなくなってしまう。
【0018】本発明は上記課題に鑑みてなされたもので
あって、その目的は、原信号の確率分布が未知である場
合や変化する場合であっても、正しく観測信号から原信
号を分離抽出することのできる信号分離装置を提供する
ことにある。
【0019】
【課題を解決するための手段】上記課題を解決するため
に、本発明に係る信号分離装置は、それぞれがN個の統
計的独立な原信号sp(p=1〜N)を混合してなる観
測信号xq(q=1〜M;M≧N)を検出するM個の信
号検出手段と、観測信号xqを成分とする観測信号ベク
トルに信号分離行列を乗算して推定信号sr’(r=1
〜N)を成分とする推定信号ベクトルを生成する信号分
離手段と、前記推定信号sr’が互いに統計的独立とな
るよう前記信号分離行列を更新する学習手段と、を含む
信号分離装置において、前記学習手段は、1変数の非線
形関数gr(r=1〜N)に、対応する推定信号sr’を
代入して得られるN個の中間信号yr(r=1〜N)の
結合エントロピーH(y1,y2,…,yN)を最大化す
るよう、前記分離行列を更新する行列更新手段と、前記
中間信号yr(r=1〜N)の周辺エントロピーH
(yr)を最大化するよう、推定信号sr’の値に基づい
て前記非線形関数grの関数形状を更新する関数更新手
段と、を含むことを特徴とする。
【0020】本発明によれば、中間信号yrの周辺エン
トロピーH(yr)を最大化するよう関数更新手段が非
線形関数grの関数形状を更新するため、原信号spの確
率分布が未知である場合や変化する場合であっても、正
しく観測信号xqから原信号spを分離抽出した推定信号
r’を出力することができる。
【0021】また、本発明に係る信号分離装置の一態様
では、前記関数更新手段は、入力層と競合学習層とを備
えたニューラルネットワークと、前記入力層のユニット
に推定信号sr’の値を順次入力する手段と、前記競合
学習層のユニットと前記入力層のユニットとの間のシナ
プス結合の重みを、前記推定信号sr’の値に応じて更
新する手段と、を含み、前記非線形関数grの関数形状
は、前記シナプス結合の重みとして間接的に保持され、
更新されることを特徴とする。
【0022】本発明によれば、ニューラルネットワーク
の汎化能力を用いて比較的少数の推定信号sr’から連
続関数たる非線形関数grの形状を適切に更新すること
ができる。
【0023】
【発明の実施の形態】以下、本発明の好適な実施の形態
について図面に基づき詳細に説明する。
【0024】図1は、本発明の実施の形態に係る信号分
離装置の全体構成を示す図である。同図中、縦に引かれ
た一点鎖線よりも左側は外界を表し、右側は装置を表し
ている。この信号分離装置10は、信号を検出する二つ
のセンサ部16a,16bと、センサ部16a,16b
の出力である観測信号x1k,x2kを成分とする観測信号
ベクトルに信号分離行列Wを乗算して推定信号s1k’,
2k’を成分とする推定信号ベクトルを算出する信号分
離部18と、信号分離行列Wを更新する学習部11と、
を含んで構成されている。そして、外界に設置された二
つの信号源12a,12bから互いに独立に発生する原
信号s1k,s2kは、混合過程A(符号14)により混合
され、その混合信号がセンサ部16a,16bにより観
測される。ここでは、信号源12としてスピーカを、セ
ンサ部16としてマイクを、取り扱う信号として音声信
号をそれぞれ想定するが、その他、本信号分離装置10
では画像信号、通信信号、生体信号などの分離も同様に
行うことができ、その場合はセンサ部16としてCCD
カメラ、受信機、生体センサなどを用いればよい。な
お、各信号に付されたkは時間順を表す添字である。
【0025】学習部11は、分離行列更新部20、観測
信号記憶部22、推定信号記憶部24、制御部26、非
線形関数更新部28a,28b、非線形関数演算部30
a,30bを含んで構成されている。観測信号記憶部2
2はRAMを含んで構成されており、センサ部16から
出力される観測信号x1k,x2kを、制御部26によるア
ドレス指定に従って順次記憶する。ここでの記憶内容は
分離行列更新部20での処理に用いられる。推定信号記
憶部24もRAMを含んで構成されており、信号分離部
18から出力される推定信号s1k’,s2k’を、制御部
26によるアドレス指定に従って順次記憶する。ここで
の記憶内容は非線形関数更新部28での処理、及び非線
形関数演算部30での演算対象として用いられる。
【0026】非線形関数演算部30aは図示しないRA
M上に非線形関数g1の形状を保持しており、制御部2
6から指示されるタイミングで推定信号記憶部24に記
憶されている推定信号s1k’を読み込み、それを非線形
関数g1に代入演算して中間信号y1kに変換し、分離行
列更新部20に供給する。非線形関数演算部30bも同
様であり、図示しないRAM上に非線形関数g2の形状
を保持しており、推定信号s2k’を非線形関数g2に代
入演算して中間信号y2kを生成し、それを分離行列更新
部20に供給する。
【0027】非線形関数更新部28は対応する非線形関
数演算部30に保持される非線形関数g1又はg2の形状
を推定信号記憶部24に記憶されている推定信号s1k
又はs2k’に基づいて更新する。具体的には、非線形関
数更新部28は自己組織化機能を有する相互結合型ニュ
ーラルネットワーク(以下、「自己組織化マップ」とい
う)を含んで構成されている。
【0028】図2は、かかる自己組織化マップを示す概
念図である。同図に示す自己組織化マップ41は、入力
層ユニット(ニューロンモデル)42と、競合学習層4
0上に一次元配置されたN個のユニットU0〜UNとを有
しており、入力層ユニット42と各ユニットUnとの間
は重みωnでシナプス結合している。入力層ユニット4
2には推定信号記憶部24に記憶された推定信号s1k
又はs2k’が順次入力されるようになっており、その入
力に対し、競合学習層40上の勝者ユニット(最大反応
ニューロンモデル)が選ばれ、当該勝者ユニット及びそ
の近傍ユニットについてのシナプス結合の重みωが所定
学習則に従って更新される。
【0029】図3は、自己組織化マップにおけるユニッ
トU0〜UNの自己組織化を説明する図である。同図
(a)は、信号分離部18から出力される推定信号
1k’又はs2k’(ここではs1k’を考えることにす
る)の時間的推移を示している。同図(a)に示される
黒点は、ここで着目しているサンプル点である。同図
(b)は、推定信号s1k’の確率密度分布を示してい
る。同図(c)は、図2に既に示した自己組織化マップ
41を示している。さらに、同図(d)は、自己組織化
マップ41の学習が十分に進んだ後の、シナプス結合の
重みωの値を示している。これらの図に示されるよう
に、一定期間の推定信号s1k’を自己組織化マップ41
に入力すれば、同図(d)に示される各ユニットU0
Nのシナプス結合の重みωは、同図(b)に示される
確率密度分布を反映したものとなる。具体的には、学習
後、同図(b)における確率密度に対応して、シナプス
結合の重みωの分布に粗密が現れる。このように、学習
後の自己組織化マップ41ではシナプス結合の重みωが
推定信号s1k’やs2k’の確率密度分布を反映したもの
となっているため、これに基づき、確率密度関数p(s
1’),p(s2’)の形状を得ることができる。また、
それら確率密度関数p(s1’),p(s2’)を積分す
ることにより、非線形関数g1,g2を得ることもでき
る。すなわち、自己組織化マップ41では、シナプス結
合の重みωを介して、確率密度関数p(s1’),p
(s2’)や、非線形関数g1,g2の形状を、いわば間
接的に保持することができる。こうした自己組織化マッ
プ41の機能を利用して、非線形関数更新部28では推
定信号s1k’,s2k’に基づき非線形関数g1,g2の更
新を行っている。
【0030】再び図1に戻る。分離行列更新部20に
は、中間信号y1k,y2k及び観測信号x1k,x2kが入力
される。分離行列更新部20では、これらの値を所定の
行列更新式に代入し、それに基づいて信号分離部18に
保持される信号分離行列Wを更新する。制御部26は観
測信号記憶部22、推定信号記憶部24への書き込みア
ドレス指定や、非線形関数更新部28、非線形関数演算
部30への読み込みタイミング指示の他、装置各部の制
御を行う。
【0031】以上の構成を有する信号分離装置10で
は、制御部26による切り替え制御により、学習モード
動作と信号分離モード動作とを選択的に行うようになっ
ている。すなわち、学習モードでは装置全体が機能して
信号分離部18に保持される信号分離行列Wが随時更新
されるが、信号分離モードでは学習部11が休眠状態と
なり、学習済みの信号分離行列Wを用いて信号分離が行
われる。
【0032】ここで、以上の構成を有する信号分離装置
10の動作について説明する。図4は、本発明の実施の
形態に係る信号分離装置10の学習モードでの動作を説
明するフロー図である。
【0033】同図に示すように、学習モードでは、まず
制御部26が信号分離行列Wの初期化を行う(S10
1)。この初期化では、例えば信号分離行列Wを単位行
列に設定する。或いは、例えば各行列要素に乱数を与え
るようにしてもよい。次に、非線形関数更新部28で
は、そこに内蔵する自己組織化マップ41において、ユ
ニットU0〜UN及び入力層ユニット42の準備と、ユニ
ットU0〜UNの初期配置とを行う(S102)。具体的
には、入力層に入力層ユニット42を用意するととも
に、競合学習層40にN個のユニットU0〜UNを用意す
る。そして、各ユニットU0〜UNのシナプス結合の重み
ωn(n=0〜N)を初期化し、それらユニットU0〜U
Nの初期配置を行う。重みωnの初期値としては例えば、
【数7】 のように、各ユニットU0〜UNを等間隔に配置するもの
を選べばよい。
【0034】次に、制御部26は、図示しないメモリに
格納された変数i及び変数jの値を0に初期化する(S
103,S104)。ここで変数iは、信号分離行列W
及び非線形関数g1,g2の更新回数を表す。また変数j
は、観測信号記憶部22及び推定信号記憶部24に格納
済みの信号対の数を表す。
【0035】その後、信号分離装置10では各センサ部
16にて信号が観測され、時刻kでの観測値として観測
信号x1k,x2kが出力される(S105)。制御部26
では、それら信号対を観測信号記憶部22のj番地に書
き込む(S106)。また、観測信号x1k,x2kは信号
分離部18にも入力され、そこで次式(12)に従っ
て、時刻kにおける推定信号s1k’,s2k’を成分とす
る推定信号ベクトルが算出され、出力される(S10
7)。
【0036】
【数8】 そして、制御部26では、信号分離部18から出力され
る推定信号s1k’,s2k’を推定信号記憶部24のj番
地に書き込む(S108)。その後、制御部26では、
変数jが設定値Jに達していないか判断し(S10
9)、達していなければ変数jの値をインクリメントし
(S110)、再びセンサ部16により観測信号x1k
2kを取得する(S105)。
【0037】一方、S109にて変数jが設定値Jに達
していると判断されれば、次に制御部26では、変数i
が設定値Iに達しているかを判断する(S111)。そ
して、設定値に達していなければ、非線形関数更新部2
8により非線形関数g1,g2の更新を行い(S11
2)、さらに分離行列更新部20により信号分離行列W
の更新を行う(S113)。これらS112,S113
での処理は、後に詳述する。その後、制御部26は変数
iの値をインクリメントし、再び変数jの値を0に戻し
(S104)、新たにセンサ部16により観測信号
1k,x2kを取得する(S105)。一方、S111で
変数iが設定値Iに達していると判断された場合には、
学習が終了したと判断し、学習モードでの処理を終了す
る。
【0038】図5は、図4のS112での処理を詳細に
説明するフロー図であり、非線形関数更新部28での処
理を示している。以下、非線形関数更新部28aの処理
について説明するが、非線形関数更新部28bの処理も
同様である。
【0039】非線形関数更新処理では、まず、図示しな
いメモリに変数mを0として記憶するとともに(S20
1)、変数jを0として記憶する(S202)。ここで
変数mは、自己組織化マップ41の学習繰り返し回数を
表す。また変数jは、非線形関数更新部28aに読み込
もうとする推定信号s1k’の、推定信号記憶部24にお
ける番地を表す。
【0040】その後、非線形関数更新部28aは推定信
号記憶部24からj番地に記憶されている推定信号
1k’を読み出し、それを内部に設けられた自己組織化
マップ41に入力する(S203)。自己組織化マップ
41では、推定信号s1k’の入力に対し、競合学習層4
0上のユニットU0〜UNから一つの勝者ユニットが決
定される(S204)。これは、例えば入力層ユニット
42とのユークリッド距離が最も小さな値をとる、ユニ
ットU0〜UNの一つが選ばれる。その他、推定信号
1k’とシナプス結合の重みωとの積(内積)が最も小
さな値をとる、ユニットU0〜UNの一つを選んでもよ
い。次に、非線形関数更新部28aでは、勝者ユニット
の近傍ユニットを決定する(S205)。例えば勝者ユ
ニットがユニットUnであれば、ユニットUn-1とユニッ
トUn+1を近傍ユニットに決定すればよい。その後、こ
うして決定した勝者ユニット及び近傍ユニットについ
て、シナプス結合の重み(重みベクトル)を、例えばヘ
ブ則などの各種更新式に従って更新する(S206)。
そして、変数jが設定値Jに等しくなるまで(S20
7)、変数jの値を一つづつインクリメントしつつ(S
208)、推定信号s1k’を自己組織化マップ41に入
力しつづける(S203〜S206)。
【0041】そして、変数jが設定値Jに等しくなった
場合、変数mが設定値Mに等しいか否かを判断する(S
209)。そして、変数mが設定値Mに等しくなけれ
ば、変数mの値を1だけインクリメントして(S21
0)、再び変数jの値を0に初期化して(S202)、
推定信号s1k’の自己組織化マップ41への入力を繰り
返す(S203〜S207)。
【0042】一方、S209にて変数mが設定値Mに等
しいと判断されれば、競合学習層40上のすべてのユニ
ットU0〜UNに対して与えられたシナプス結合の重みω
0〜ωNに基づき、非線形関数g1を生成する。そして、
それを非線形関数演算部30aに供給し(S211)、
非線形関数更新処理を終了する。
【0043】図6は、シナプス結合の重みω0〜ωNに基
づいて非線形関数g1を生成する手順の一例を説明する
図であり、同図上段は、自己組織化マップ41における
シナプス結合の重みω0〜ωNの分布を表しており、同図
中段は、それに基づき得られる非線形関数g1の一階微
分g1’(s1’)(=p(s1’))を表している。ま
た同図下段は、非線形関数g1(s1’)を表している。
【0044】上述したように、自己組織化マップ41に
おいては、シナプス結合の重みω0〜ωNの分布が、推定
信号s1’の確率密度関数p(s1’)を反映したのもと
なっている。また、式(8)より、周辺エントロピーH
(y1)を最大化する非線形関数g1は、その一階微分が
推定信号s1’の確率密度関数p(s1’)に等しい。こ
のため、同図中段では、横軸の量である推定信号s1
の値が隣り合うシナプス結合の重みωの平均値であり、
縦軸の量である関数g1’の値が、それら重みωの差の
逆数に係数cを掛けたものである点を、すべてのシナプ
ス結合の重みω0〜ωNについてプロットしている。そし
て、それらの点を直線で結んだものを関数g1’として
いる。ここで、係数cは関数g1’と横軸とに囲まれる
領域の面積が1となるように定められる。また、同図下
段は、同図中段のグラフを積分して得られるものであ
る。ここで、Suは区間[(ωu-1+ωu)/2,(ωu
ωu+1)/2]における、g1’(s1’)とs1’軸とに
挟まれた領域の面積である。ただし、S0=c/(ω1
ω0)とする。非線形関数更新部28aでは、同図下段
の各黒点を補間して非線形関数g1を生成し、それを非
線形関数演算部30aに供給している。
【0045】非線形関数更新部28aでは、以上のよう
にして中間信号y1の周辺エントロピーH(y1)を最大
化するよう非線形関数g1の形状を決定している。非線
形関数更新部28bも同様にして、中間信号y2の周辺
エントロピーH(y2)を最大化するよう非線形関数g2
の形状を決定している。そして、これらの決定は原信号
1,s2の確率密度分布が未知である場合にも可能であ
り、また、信号分離行列Wの更新の最中に変化した場合
であっても、適応的に周辺エントロピーH(y1),H
(y2)を最大化するよう非線形関数g1,g2の形状を
随時更新することができる。
【0046】なお、図5のS203〜S207で行われ
る自己組織化マップ41の学習工程としては、以上説明
したものに限らず、各ユニットU0〜UNがJ個の推定信
号s1k’又はs2k’に対して等確率に勝者ユニットに選
ばれるよう競合学習層40上のユニットU0〜UNを再配
置してゆくものであれば、どのような学習工程を用いて
もよい。例えば、 Duane Desieno, "Adding a Conscien
ce to Competitive Learning", Proc. Int. Conf. on N
eural Networks, I pp.117-124, IEEE Press,New York
1988 に開示されたアルゴリズムでは、各ユニットU0
Nにつき最近勝者ユニットに選ばれた割合を時々刻々
トレースしてゆき、その1ユニット当たりの勝者ユニッ
トに選ばれる割合の期待値に、その割合が近づくよう勝
者ユニットを選んでゆく。このため、このアルゴリズム
を図5のS203〜S207に適用することにより、推
定信号s1’又はs2’の確率密度をより正確に自己組織
化マップ41にて近似することができるようになる。
【0047】次に信号分離行列Wの更新処理を説明す
る。図7は、図4のS113での処理を詳細に説明する
フロー図である。同図に示すように、信号分離行列Wの
更新処理では、まず制御部26が変数jの値を0に初期
化する(S301)。ここで変数jは、推定信号記憶部
24の読み出し番地を表す。次に、制御部26は、推定
信号記憶部24のj番地に記憶されている推定信号
1k’及びs2k’を読み出し、それを非線形関数演算部
30にそれぞれ供給する(S302)。これを受け、非
線形関数演算部30では入力された推定信号s1k’又は
2k’を非線形関数g1又はg2に代入し、その値である
中間信号y1k,y2kを分離行列更新部20に供給する。
【0048】その後、分離行列更新部20では、観測信
号記憶部22のj番地から観測信号x1k,x2kを読み出
し、それらを中間信号y1k,y2kとともに、次式(1
3)に示される自然勾配法の更新式に代入し、信号分離
行列Wを更新する。
【0049】
【数9】 ここで、Wnewは更新後の信号分離行列Wであり、Wold
は更新前の既に信号分離部18に格納されている信号分
離行列Wである。また、lは学習率を、Iは単位行列を
それぞれ表している。また、E[・]は期待値演算を、
Tは転置を表している。
【0050】なお、y1’,y2’は中間信号y1,y2
一階微分を表し、y1’’,y2’’は二階微分を表す。
これらの値は直前に供給された中間信号y1,y2の値だ
けからは求められず、前回及び前々回に供給された中間
信号y1,y2の値を用いて求めることができる。このた
め、変数jが0又は1の場合、図7のS303の処理は
スキップされる。
【0051】なお、S303で用いる更新式は式(1
3)に限定されるものではなく、次式(14)に示され
る確率勾配法の更新式、或いは次式(15)に示される
勾配法の更新式を用いてもよい。
【0052】
【数10】 信号分離行列Wの更新を終えると、変数jが設定値Jに
等しくなるまで(S304)、変数jをインクリメント
し(S305)、再び推定信号記憶部からデータを読み
出し、信号分離行列Wの更新を繰り返す(S302,S
303)。そして、変数jが設定値Jに等しくなると、
分離行列更新処理を終了する。
【0053】以上が信号分離装置10の学習モードでの
全動作である。最後に、信号分離装置10の信号分離モ
ードでの動作について説明する。図8は、本発明の実施
の形態に係る信号分離装置10の信号分離モードにおけ
る動作を説明するフロー図である。同図に示すように、
このモードでは、まず信号分離部18の図示しないメモ
リに用意された変数rが0に初期化される(S40
1)。この変数rは、信号分離を行う回数を表してい
る。次に、信号分離部18は、センサ部16から現時刻
における観測信号x1k,x2kを受け取る(S402)。
この信号値は既に示した式(12)に代入され、推定信
号s1k’,s2k’を出力する(S403)。そして、変
数rが設定値Rよりも小さければ(S404)、変数r
をインクリメントして(S405)、再び次の時刻での
観測信号x1k,x2kをセンサ部16から受け取る(S4
02)。そして、変数rが設定値Rに等しくなれば(S
404)、信号分離処理を終了する。
【0054】以上説明した信号分離装置10によれば、
原信号s1,s2の確率密度分布が未知である場合であっ
ても、推定信号s1’,s2’に基づき、中間信号y1
2の周辺エントロピーH(y1),H(y2)を最大化
するよう非線形関数g1,g2の形状を設定することがで
きる。このため、原信号s1,s2の確率分布が不明であ
る場合にも、正しく信号分離行列Wを更新することがで
きる。また、こうして更新された信号分離行列Wを用い
て信号分離を行えば、観測信号x1,x2から正しく独立
成分を分離することができる。
【0055】なお、以上説明した信号分離装置10は種
々の変形実施が可能である。例えば、以上では信号源1
2とセンサ部16とが共に2つである場合について説明
したが、センサ部16の数が信号源12の数よりも多け
れば、信号分離行列Wの行数及び列数をそれに応じて増
やすことにより、同様に信号分離できる。
【0056】また、以上の説明では非線形関数演算部3
0にて非線形関数g1,g2の形状を保持し、中間信号
1,y2を分離行列更新部20に供給するようにした
が、分離行列更新部20にて必要な情報は中間信号
1,y2の一階微分及び二階微分であることから、非線
形関数演算部30にて非線形関数g1,g2の一階微分及
び二階微分の形状を保持しておき、分離行列更新部20
には中間信号y1,y2の一階微分及び二階微分の値を直
接に供給するようにしてもよい。こうすれば、微積分処
理を繰り替えることにより発生する誤差を押さえること
ができるとともに、図7のS303の処理をスキップす
るという例外処理を避けることができる。
【0057】また、以上の説明ではセンサ部16から出
力される観測信号x1k,x2kを観測信号記憶部22に記
憶しておき、それを後に分離行列更新部20に供給した
が、観測信号x1k,x2kの値は推定信号記憶部24に記
憶された推定信号s1k’,s2k’を成分とする推定信号
ベクトルに信号分離行列Wの逆行列を乗算しても得られ
る。このため、推定信号記憶部24から出力される推定
信号s1k’,s2k’を分離行列更新部20にも供給すれ
ば、観測信号記憶部22を特に設けなくてもよい。
【0058】また、以上では原信号s1,s2が瞬時混合
した場合のみ説明したが、畳み込み混合した場合も、本
発明を同様に適用することができる。
【0059】さらに、以上の説明した信号分離装置10
では、学習モードでの動作と信号分離モードでの動作と
が選択的に行われるようにしたが、その他、信号分離モ
ードの動作と並行して学習モードの動作を常に、或いは
一定周期で行うようにすれば、原信号s1,s2の確率密
度に変化が現れた場合にも、それに追随して正確に、原
信号s1,s2を観測信号x1,x2から分離することがで
きるようになる。
【図面の簡単な説明】
【図1】 本発明の実施の形態に係る信号分離装置の構
成を示す図である。
【図2】 非線形関数更新部に含まれる自己組織化マッ
プを模式的に示す図である。
【図3】 自己組織化マップにより推定信号の確率密度
分布が記録される様子を説明する図である。
【図4】 本発明の実施の形態に係る信号分離装置の学
習モードでの動作を説明するフロー図である。
【図5】 非線形関数更新部の処理を説明するフロー図
である。
【図6】 自己組織化マップから非線形関数を生成する
手順を説明する図である。
【図7】 分離行列更新部の処理を説明するフロー図で
ある。
【図8】 本発明の実施の形態に係る信号分離装置の信
号分離モードでの動作を説明するフロー図である。
【図9】 従来技術に係る信号分離装置の一構成例を示
す図である。
【符号の説明】
10 信号分離装置、11 学習部、12 信号源(ス
ピーカ)、14 混合過程、16 センサ部、18 信
号分離部、20 分離行列更新部、22 観測信号記憶
部、24 推定信号記憶部、26 制御部、28 非線
形関数更新部、30 非線形関数演算部、40 競合学
習層、41 自己組織化マップ、42入力層ユニット。

Claims (2)

    【特許請求の範囲】
  1. 【請求項1】 それぞれがN個の統計的独立な原信号s
    p(p=1〜N)を混合してなる観測信号xq(q=1〜
    M;M≧N)を検出するM個の信号検出手段と、 観測信号xqを成分とする観測信号ベクトルに信号分離
    行列を乗算して推定信号sr’(r=1〜N)を成分と
    する推定信号ベクトルを生成する信号分離手段と、 前記推定信号sr’が互いに統計的独立となるよう前記
    信号分離行列を更新する学習手段と、 を含む信号分離装置において、 前記学習手段は、 1変数の非線形関数gr(r=1〜N)に、対応する推
    定信号sr’を代入して得られるN個の中間信号yr(r
    =1〜N)の結合エントロピーH(y1,y2,…,
    N)を最大化するよう、前記分離行列を更新する行列
    更新手段と、 前記中間信号yr(r=1〜N)の周辺エントロピーH
    (yr)を最大化するよう、推定信号sr’の値に基づい
    て前記非線形関数grの関数形状を更新する関数更新手
    段と、 を含むことを特徴とする信号分離装置。
  2. 【請求項2】 請求項1に記載の信号分離装置におい
    て、 前記関数更新手段は、 入力層と競合学習層とを備えたニューラルネットワーク
    と、 前記入力層のユニットに推定信号sr’の値を順次入力
    する手段と、 前記競合学習層のユニットと前記入力層のユニットとの
    間のシナプス結合の重みを、前記推定信号sr’の値に
    応じて更新する手段と、を含み、 前記非線形関数grの関数形状は、前記シナプス結合の
    重みとして間接的に保持され、更新されることを特徴と
    する信号分離装置。
JP11039636A 1999-02-18 1999-02-18 信号分離装置 Pending JP2000242624A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP11039636A JP2000242624A (ja) 1999-02-18 1999-02-18 信号分離装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP11039636A JP2000242624A (ja) 1999-02-18 1999-02-18 信号分離装置

Publications (1)

Publication Number Publication Date
JP2000242624A true JP2000242624A (ja) 2000-09-08

Family

ID=12558590

Family Applications (1)

Application Number Title Priority Date Filing Date
JP11039636A Pending JP2000242624A (ja) 1999-02-18 1999-02-18 信号分離装置

Country Status (1)

Country Link
JP (1) JP2000242624A (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003078423A (ja) * 2001-09-03 2003-03-14 Clarion Co Ltd ブラインド信号分離処理装置
WO2004079388A1 (ja) * 2003-03-04 2004-09-16 Nippon Telegraph And Telephone Corporation 位置情報推定装置、その方法、及びプログラム
US6944579B2 (en) 2000-11-01 2005-09-13 International Business Machines Corporation Signal separation method, signal processing apparatus, image processing apparatus, medical image processing apparatus and storage medium for restoring multidimensional signals from observed data in which multiple signals are mixed
JP2005260744A (ja) * 2004-03-12 2005-09-22 Advanced Telecommunication Research Institute International マイクロホンアレーにおけるマイクロホン受音信号の同相化方法および同相化装置
US7225124B2 (en) 2002-12-10 2007-05-29 International Business Machines Corporation Methods and apparatus for multiple source signal separation
US7440892B2 (en) 2004-03-11 2008-10-21 Denso Corporation Method, device and program for extracting and recognizing voice
CN100430747C (zh) * 2003-03-04 2008-11-05 日本电信电话株式会社 位置信息估计装置及其方法
JP2013106502A (ja) * 2011-11-17 2013-05-30 Mitsubishi Electric Corp パターン分離装置及びパターン分離方法及びプログラム

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6944579B2 (en) 2000-11-01 2005-09-13 International Business Machines Corporation Signal separation method, signal processing apparatus, image processing apparatus, medical image processing apparatus and storage medium for restoring multidimensional signals from observed data in which multiple signals are mixed
JP2003078423A (ja) * 2001-09-03 2003-03-14 Clarion Co Ltd ブラインド信号分離処理装置
JP4616529B2 (ja) * 2001-09-03 2011-01-19 クラリオン株式会社 ブラインド信号分離処理装置
US7225124B2 (en) 2002-12-10 2007-05-29 International Business Machines Corporation Methods and apparatus for multiple source signal separation
WO2004079388A1 (ja) * 2003-03-04 2004-09-16 Nippon Telegraph And Telephone Corporation 位置情報推定装置、その方法、及びプログラム
US7039546B2 (en) 2003-03-04 2006-05-02 Nippon Telegraph And Telephone Corporation Position information estimation device, method thereof, and program
CN100430747C (zh) * 2003-03-04 2008-11-05 日本电信电话株式会社 位置信息估计装置及其方法
US7440892B2 (en) 2004-03-11 2008-10-21 Denso Corporation Method, device and program for extracting and recognizing voice
JP2005260744A (ja) * 2004-03-12 2005-09-22 Advanced Telecommunication Research Institute International マイクロホンアレーにおけるマイクロホン受音信号の同相化方法および同相化装置
JP2013106502A (ja) * 2011-11-17 2013-05-30 Mitsubishi Electric Corp パターン分離装置及びパターン分離方法及びプログラム

Similar Documents

Publication Publication Date Title
KR102239714B1 (ko) 신경망 학습 방법 및 장치, 데이터 처리 장치
US7877338B2 (en) Information processing apparatus, method, and program using recurrent neural networks
WO2018235448A1 (ja) 多層ニューラルネットワークのニューロンの出力レベル調整方法
KR100306848B1 (ko) 신경회로망을 이용한 선택적 주의집중 방법
JP2000242624A (ja) 信号分離装置
JP2007265345A (ja) 情報処理装置および方法、学習装置および方法、並びにプログラム
CN113505924A (zh) 一种基于级联时空特征的信息传播预测方法及系统
JPH10320008A (ja) 複合被駆動システムの効率的合成
CN108810551B (zh) 一种视频帧预测方法、终端及计算机存储介质
Polepalli et al. Reconfigurable digital design of a liquid state machine for spatio-temporal data
US11436432B2 (en) Method and apparatus for artificial neural network
CN111882028B (zh) 用于卷积神经网络的卷积运算装置
JP2021108120A (ja) 点データをラスターデータに組み合わせる機械学習のための方法、装置、及び、プログラム
CN114626500A (zh) 一种神经网络计算方法及相关设备
WO2021095512A1 (ja) 機械学習装置、情報処理方法および記録媒体
JP7250643B2 (ja) 計算機システム及びモデル学習方法
US7324980B2 (en) Information processing apparatus and method
JP2005056340A (ja) 情報処理装置および方法、プログラム格納媒体、並びにプログラム
Dang et al. Constrained Dynamical Neural ODE for Time Series Modelling: A Case Study on Continuous Emotion Prediction
CN117079058B (zh) 图像处理方法和装置、存储介质及电子设备
CN117193008B (zh) 面向高维扰动环境的小样本鲁棒模仿学习训练方法、电子设备及存储介质
JP3289517B2 (ja) 連想記憶装置及び思考模擬装置
JP3052520B2 (ja) パターン分類装置
JPH0844699A (ja) 非線形時系列データ予測装置
JP2000048187A (ja) 画像変換方法