JP2005115569A - 信号識別装置および信号識別方法 - Google Patents

Abstract

【課題】競合型ニューラルネットワークによるカテゴリ分類に際して、対象信号およびカテゴリの分類目的に応じた適正な前置処理を専門的な知識がなくても容易に選択できるようにする。
【解決手段】前置処理手段１は入力された対象信号からノイズを除去した後、対象信号の特徴を表す特徴量データを抽出する。競合型ニューラルネットワーク３は、複数個の特徴量データの組からなる入力データが入力され、対象信号を複数のカテゴリに分類する。前置処理手段１における処理内容は処理選択手段２によって複数種類から選択可能であって、確度演算手段４では処理選択手段２により選択可能な前置処理ごとに競合型ニューラルネットワーク３による対象信号のカテゴリの分類結果の確度を求める。処理選択手段２は確度演算手段４により求めた確度に基づいて前置処理の処理内容を自動的に選択する。
【選択図】 図１

Description

本発明は、対象信号を競合型ニューラルネットワークにより複数のカテゴリに分類するために、対象信号からノイズを除去し特徴量を抽出する前置処理を行うにあたり、対象信号の種類やカテゴリの種類に応じた前置処理を選択する信号識別装置および信号識別方法に関するものである。

従来から、種々の対象信号を複数種類のカテゴリに分類するにあたり、分類器としてニューラルネットワークを用いる技術が知られている。たとえば、変圧器の異常の有無を検出することを目的として、変圧器の１次側と２次側との電流を対象信号として検出し、ウェーブレット変換により求めた周波数成分を特徴量データとして、ニューラルネットワークにより対象信号のカテゴリを異常の有無に分類する技術が知られている（たとえば特許文献１参照）。この構成では、対象信号からニューラルネットワークに入力するための特徴量データを得る前置処理として、ウェーブレット変換を行っている。

同様に、モータを含む装置の良否検査を行うために、装置から発生する音をマイクロホンで検出したり装置から発生する振動を振動ピックアップで検出したりした信号を対象信号とし良否をカテゴリとしてニューラルネットワークで分類する技術や、音声認識のために、音声をマイクロホンで検出した信号を対象信号とし、音韻をカテゴリとしてニューラルネットワークで分類する技術も知られている。
特開平１０−３２７５３０号公報

上述のように、ニューラルネットワークは種々の対象信号を複数種類のカテゴリに分類する分類器として用いることができる。一方、ニューラルネットワークによって対象信号を適正なカテゴリに分類するには、対象信号の種類ごとに前置処理の処理内容を変更することが必要になる。たとえば、装置の良否検査に用いる場合に、装置の種類ごとに前置処理の処理内容を変更することが必要になる。しかしながら、どのような対象信号に対してどのような前置処理が適正であるかは、専門的な知識がなければ判断するのは難しく、前置処理の処理内容を対象信号に応じて適正に選択するのは困難である。

本発明は上記事由に鑑みて為されたものであり、その目的は、対象信号およびカテゴリの分類目的に応じた適正な前置処理を専門的な知識がなくても容易に選択できるようにした信号識別装置および信号識別方法を提供することにある。

請求項１の発明は、入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理手段と、前置処理手段により求めた複数個の特徴量データの組からなる入力データが入力されニューラルネットワークであって出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する競合型ニューラルネットワークと、前置処理手段における処理内容を複数種類から選択可能とする処理選択手段と、処理選択手段により選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度を求める確度演算手段とを備え、処理選択手段は確度演算手段により求めた確度に基づいて前置処理の処理内容を自動的に選択することを特徴とする。

この構成によれば、前置処理の処理内容が自動的に選択されるから、専門的な知識を持たない使用者であっても、競合型ニューラルネットワークに入力するための特徴量データを得るための適正な前置処理を行うことが可能になる。

請求項２の発明は、入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理手段と、前置処理手段により求めた複数個の特徴量データの組からなる入力データが入力されるニューラルネットワークであって出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する競合型ニューラルネットワークと、前置処理手段における処理内容を複数種類から選択可能とする処理選択手段と、処理選択手段により選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度を求める確度演算手段と、確度演算手段により求めた確度をガイダンスとして提示するガイダンス提示手段とを備え、処理選択手段はガイダンス提示手段によるガイダンスの提示後に前置処理の処理内容が選択可能であることを特徴とする。

この構成によれば、前置処理の処理内容を選択するためのガイダンスがガイダンス提示手段により提示されるから、専門的な知識を持たない使用者であっても、競合型ニューラルネットワークに入力するための特徴量データを得るための適正な前置処理を目的に応じて比較的簡単に選択することが可能になる。とくに、ガイダンス提示手段によりカテゴリ分類の確度が提示された後に、処理選択手段によって所望の前置処理を使用者が選択できるから、カテゴリを分類する際に確度と漏れとの優先度に応じて分類の境界線を設定することが可能になる。

請求項３の発明では、請求項１または請求項２の発明において、前記前置処理手段は、ノイズを除去する前処理部と、対象信号の特徴を表す特徴量データを抽出する特徴抽出フィルタとからなり、前処理部と特徴抽出フィルタとはそれぞれ複数種類から選択可能であることを特徴とする。

この構成によれば、ノイズを除去する方法と特徴量データを抽出する方法とを個別に選択することができるから、組合せによる選択肢が多くなり、前置処理の処理内容を適正化しやすくなる。

請求項４の発明では、請求項３の発明において、前記前処理部は、ウェーブレット変換によるノイズの除去を選択可能であることを特徴とする。

この構成によれば、ウェーブレット変換を用いてノイズを除去するから、特定の周波数成分に限定してノイズとして除去することが可能になり、ローパスフィルタやハイパスフィルタを用いる場合に比較すると、ノイズ成分のみを確実に除去することが可能になる。

請求項５の発明では、請求項１ないし請求項４の発明において、前記競合型ニューラルネットワークは、学習ベクトル量子化を行うことを特徴とする。

この構成によれば、カテゴリの境界が明確になり、いずれかのカテゴリに確実に分類した結果を得ることが可能になる。

請求項６の発明では、請求項１ないし請求項５の発明において、前記クラスタリングマップを３次元表示する表示手段を備えることを特徴とする。

この構成によれば、２次元でのクラスタリングマップを表示する場合に比較すると、表示手段に表示される情報量が多くなり、結果的にクラスタリングマップのパターンの違いを一目瞭然に認識することができる。

請求項７の発明は、入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理を行った後、複数個の特徴量データの組からなる入力データを競合型ニューラルネットワークに入力し、競合型ニューラルネットワークにおける出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する信号識別方法において、前置処理の処理内容を複数種類から選択可能とし、選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度を求め、求めた確度に基づいて前置処理の処理内容を自動的に選択することを特徴とする。

この方法によれば、前置処理の処理内容が自動的に選択されるから、専門的な知識を持たない使用者であっても、競合型ニューラルネットワークに入力するための特徴量データを得るための適正な前置処理を行うことが可能になる。

請求項８の発明は、入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理を行った後、複数個の特徴量データの組からなる入力データを競合型ニューラルネットワークに入力し、競合型ニューラルネットワークにおける出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する信号識別方法において、前置処理の処理内容を複数種類から選択可能とし、選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度をガイダンスとして提示し、ガイダンスの提示後に前置処理の処理内容を選択させることを特徴とする。

この方法によれば、前置処理の処理内容を選択するためのガイダンスが提示されるから、専門的な知識を持たない使用者であっても、競合型ニューラルネットワークに入力するための特徴量データを得るための適正な前置処理を目的に応じて比較的簡単に選択することが可能になる。とくに、カテゴリ分類の確度が提示された後に、所望の前置処理を使用者が選択できるから、カテゴリを分類する際に確度と漏れとの優先度に応じて分類の境界線を設定することが可能になる。

請求項１および請求項７の発明では、前置処理の処理内容が自動的に選択されるから、専門的な知識を持たない使用者であっても、競合型ニューラルネットワークに入力するための特徴量データを得るための適正な前置処理を行うことが可能になるという利点がある。

請求項２および請求項８の発明では、前置処理の処理内容を選択するためのガイダンスが提示されるから、専門的な知識を持たない使用者であっても、競合型ニューラルネットワークに入力するための特徴量データを得るための適正な前置処理を目的に応じて比較的簡単に選択することが可能になるという利点がある。とくに、カテゴリ分類の確度が提示された後に、所望の前置処理を使用者が選択可能であるから、カテゴリを分類する際に確度と漏れとの優先度に応じて分類の境界線を設定することが可能になるという利点がある。

本発明は、装置の良否検査ないし異常の有無の判定のほか、音声認識や画像を用いたパターン認識などの各種分野に適用可能であって、種々のセンサ（マイクロホン、振動ピックアップ、ＴＶカメラ、火災センサ、ガスセンサ、味覚センサ、臭いセンサなど）から出力される信号を対象信号として用いることができる。また、競合型ニューラルネットワークを用いて対象信号を複数種類のカテゴリに分類する。すなわち、本発明では、人が五感として感じる情報（対象信号）を入力とし、入力に対して競合型ニューラルネットワークを用いて人の脳での処理に近似した処理を行うことによって、人の感覚に近いカテゴリ分類を行う。ただし、本実施形態ではモータを含む装置の良否検査のために、装置から発生する音をマイクロホンにより検出した信号を対象信号に用いることを想定して説明する。

図１に示すように、対象信号は前置処理手段１に入力される。前置処理手段１は、対象信号からノイズを除去して目的とする信号を抽出する前処理部１ａと、前処理部１ａによりノイズが除去された対象信号の特徴を表す特徴量データを抽出する特徴抽出フィルタ１ｂとを備える。前処理部１ａおよび特徴抽出フィルタ１ｂの処理内容は、それぞれ複数種類から選択可能になっている。処理内容を選択するにあたっては、自動モードと手動モードとの切換が可能であって、自動モードが選択されているときには前処理部１ａおよび特徴抽出フィルタ１ｂがそれぞれ処理選択手段２によって選択肢から自動的に選択され、手動モードが選択されているときには前処理部１ａおよび特徴抽出フィルタ１ｂをそれぞれ選択肢から使用者が処理選択手段２を操作して選択することが可能になる。

前処理部１ａはノイズを除去するための前処理フィルタとして機能し、入力された対象信号をそのまま通過させる「波形整形なし」と、ウェーブレット変換により求めたウェーブレット係数のうち閾値以下の周波数成分を除去する「ウェーブレット処理」と、対象信号から適宜の時定数（カットオフ周波数）で包絡線成分のみを抽出する「包絡線処理」と、対象信号に対してバンドパスフィルタと同様に機能する「ＦＩＲフィルタ」と、ケプストラムを求めてパワーが閾値以下の成分を除去する「ケプストラム分析」とが選択肢になっている。ここに、「包絡線処理」については、複数種類の時定数が選択可能になっている。

特徴抽出フィルタ１ｂは、前処理部１ａによりノイズ成分を除去した後の対象信号から特徴量データを抽出するものであって、時間軸方向に設定した窓内の振幅を積算する「投影波形」と、高速フーリエ変換によりフーリエ係数を求める「ＦＦＴ」と、高速フーリエ変換により求めた周波数分布パターンについてウェーブレット変換を行う「ＦＦＴ＋ウェーブレット」と、確率密度関数を求める「確率密度関数」と、実効値を求める「実効値」とが選択肢になっている。ここに、「ＦＦＴ」については、複数種類のパラメータが選択可能になっている。

前処理部１および特徴抽出フィルタ１ｂを用いて抽出された特徴量データは、分類器としての競合型ニューラルネットワーク３に入力される。本実施形態で用いる競合型ニューラルネットワーク３は、自己組織化特徴マップ（ＳＯＭ）と称するものである。ここで、競合型ニューラルネットワーク３が学習済みであるとすれば、競合型ニューラルネットワーク３によって特徴量データに基づいて対象信号のカテゴリが分類され、競合型ニューラルネットワーク３の出力層の重み係数のパターンがカテゴリに対応したパターンになる。このパターンは、図２に示すように、２次元パターンとして表示される。すなわち、競合型ニューラルネットワーク３の出力層は、６×６個のノード（ニューロン）を有し、各ノードは重み係数に応じて色分け（図２では、白抜き部分、斜線部分、点部分の３種類にカテゴリを分類してあり、白抜き部分が良品、斜線部分が不良品、点部分が良品と不良品との中間品を表している）した形で、ディスプレイ装置からなる表示手段５に表示される。図２に示す６×６個のマトリクスからなる２次元パターンをクラスタリングマップと呼び、クラスタリングマップのパターン分布によって良否判定が行われる。表示手段５には、クラスタリングマップを３次元表示することも可能であって、３次元表示の場合には各ノードの重み係数を正規化した値を高さとして表示する。このように３次元でクラスタリングマップを表示すると、２次元でクラスタリングマップを表示する場合に比較して、表示手段５に表示される情報量が多くなり、クラスタリングマップの相違を一目で認識することが可能になる。

ところで、上述のように処理選択手段２は自動モードと手動モードとが選択可能であって、自動モードが選択されているときには確度演算手段４により求めたカテゴリ分類の確度の順位がもっとも高くなる前置処理手段１での処理内容（前処理部１ａと特徴抽出フィルタ１ｂとの処理の組合せ）が自動的に選択され、手動モードでは確度演算手段４により求めたカテゴリ分類の確度の順位がガイダンス提示手段を兼ねた表示手段５にガイダンスとして提示（表示）される。手動モードでは、ガイダンスが表示手段５に提示された段階で、処理選択手段２を操作することによって、前置処理手段１での処理内容（前処理部１ａと特徴抽出フィルタ１ｂとの処理の組合せ）を選択することが可能になる。

確度演算手段４は、対象信号のカテゴリの分類処理を行う前で、競合型ニューラルネットワーク３の学習時などに確度を演算するのであって、前置処理手段１における選択肢のすべての組合せについて確度を求め、確度に順位付けを行う。たとえば、図２に示す例では、特徴抽出フィルタ１ｂに関する選択肢を左に示し、競合型ニューラルネットワーク３で得られたクラスタリングマップを中間に示し、確度の順位を右に示してある。このようにして求めた確度の順位はソートすることによって、確度の順位がもっとも高い順に並べられ、表示手段５にガイダンスとして提示される場合には、確度の高い順に配列された形で表示される。

確度演算手段５では、以下の方法のうちの１種類の値または複数種類の値の組合せによって確度の順位を決定する。複数種類の組合せによる場合には、それぞれの値から求めた順位を加算または重み付け加算し、加算結果の小さい順を確度の順位とする。
１．（学習データに対する誤判定数）／（全学習データ数）
２．クラスタリングマップにおいてカテゴリの境界を挟む出力層のノード（ニューロン）間の距離の総和（ただし、距離としては、ユークリッド距離、カルバックダイバージェンスなどを用いる）
３．クラスタリングマップにおける各クラスタの占有面積比
４．各クラスタ内での学習データの出力位置の分散
以下に、良否検査を行う手順について説明する。図３に示すように、検査を実行する前に、使用者は、まず良否検査で使用する可能性のある前処理部（ノイズを除去するための一種のフィルタであるから、以下では「前処理フィルタ」と呼ぶ）１ａおよび特徴抽出フィルタ１ｂを選択し、フィルタ設定テーブルに登録する（Ｓ１）。使用者が選択可能な選択肢は、あらかじめ装置に用意されているものを用いる。フィルタ設定テーブルは、たとえば表１のような形になる。表１において包絡線１、包絡線２、包絡線３は「包絡線処理」において異なる時定数が設定されていることを意味する。また、表１においてＦＦＴ１、ＦＦＴ２、ＦＦＴ３、ＦＦＴ４は「ＦＦＴ」において異なるパラメータが設定されていることを意味する。このような時定数やパラメータは、フィルタ設定テーブルの登録の際に使用者が設定する。ただし、フィルタ設定テーブルへの登録は、専門的な知識がなくとも使用者が比較的自由に行うことが可能である。

フィルタ設定テーブルの登録が終了すると、前処理フィルタ１ａと特徴抽出フィルタ１ｂとのすべての組合せについて、学習用データセットによる競合型ニューラルネットワーク３の学習が行われる（Ｓ２，Ｓ３，Ｓ４，Ｓ８，Ｓ９）。

学習用データセットは、実際の良否検査で測定されるすべてのカテゴリに対する対象信号（良品および複数種類の不良品から得た対象信号）から抽出した複数の特徴量データとして作成される。すなわち、競合型ニューラルネットワーク３では、抽出した特徴量データを教師なしで入力して、複数のカテゴリに分類することで学習させ、２次元のクラスタリングマップを作成する。ここで用いる競合型ニューラルネットワーク３は、複数個のニューロンからなる入力層と、入力層の各ニューロンに完全結合で結ばれた複数個のニューロンからなる出力層との２層で構成され、学習によって入力層と出力層との間の結合度である重み係数が決定される。なお、学習時にはどのデータがどのカテゴリに属しているのかを、キーボードやマウスなどを用いて使用者に登録させ、教師なしの競合型ニューラルネットワーク３により作成されたクラスタリングマップを出力側から入力側に逆向きに動作させて、クラスタリングマップ上の各カテゴリの位置に対応する入力データを推定する。

クラスタリングマップを作成するにあたっては、まず、出力層のニューロンに接続されている入力層のニューロンの重み係数を推定入力データとし、出力層のニューロンを選択して、入力データを推定した後、推定入力データと学習用データセットの登録データとの誤差二乗和を計算することによって両者の一致度を評価する。一致度の計算をすべての登録データについて実施した後、一致度がもっとも高い（誤差二乗和が最大である）登録データを選択し、選択された登録データに対して使用者が登録したカテゴリを出力層のニューロンに割り当て、マップ上の対応する位置のカテゴリとするのである。出力層のすべてのニューロンについて上述の処理を実行した後、出力層のニューロンをマトリクス状に配列した上述の２次元のクラスタリングマップを作成するとともに、クラスタリングマップのデータを記憶する（Ｓ５）。

上述のように競合型ニューラルネットワーク３の学習を行った後に、学習データセットを再入力し（Ｓ６）、このとき学習時とは異なるカテゴリに分類したときには誤判定とする。つまり、上述した誤判定数は図３のステップＳ６において得られる誤判定の回数を意味する。以上の処理によって競合型ニューラルネットワーク３によるカテゴリ分類の確度を求めることができるから（Ｓ７）、前置処理手段１の前処理フィルタ１ａおよび特徴抽出フィルタ１ｂのすべての組合せが終了した後に（Ｓ８，Ｓ９）、確度の高い順に前処理フィルタ１ａと特徴抽出フィルタ１ｂとの組合せを配列し表示手段５に表示する（Ｓ１０）。表１のフィルタ設定テーブルに対して得られた確度の順位の例を表２に示す。

自動モードでは、確度の順位がもっとも高くなるように前処理フィルタ１ａと特徴抽出フィルタ１ｂとの組合せが決定され、この組合せが良否検査に用いられる。また、手動モードでは、確度の順位を参考にして使用者が適宜順位の組合せを選択する。手動モードによって確度の順位が最高である組合せを選択しない場合には、カテゴリの分類の精度が低下するが、不良品を分類するような場合には、カテゴリ分類の精度を緩くすることによって、不良品率を高めて不良品の漏れを少なくすることが可能になる。要するに、カテゴリの分類確度とカテゴリの分類漏れとは相反する関係になるから、手動モードでは両者の兼ね合いによって適宜順位の確度を選択することが可能になる。

上述のようにして前処理フィルタ１ａと特徴抽出フィルタ１ｂとの組合せが決まると、図４のように、良否検査で用いるすべてのカテゴリのデータ（対象信号）を入力し（Ｓ１，Ｓ４）、前処理フィルタ１ａおよび特徴抽出フィルタ１ｂに通して特徴量データを抽出し、競合型ニューラルネットワーク３を学習させ（Ｓ５）、クラスタリングマップを作成する（Ｓ６）。つまり、選択された前処理フィルタ１ａおよび特徴抽出フィルタ１ｂを用いて競合型ニューラルネットワーク３を再度学習させる。

競合型ニューラルネットワーク３の学習後には、図５に示すように、所望の対象信号を入力し（Ｓ１）、前処理フィルタ１ａおよび特徴抽出フィルタ１ｂに通して（Ｓ２，Ｓ３）特徴量データを抽出し、競合型ニューラルネットワーク３によるカテゴリ分類を行い（Ｓ４）、クラスタリングマップからカテゴリ分類の結果を出力する（Ｓ５）。

なお、本実施形態において用いる競合型ニューラルネットワーク３は、学習ベクトル量子化が可能であって、学習ベクトル量子化を行うことによりカテゴリの境界が明確になり、いずれかのカテゴリに確実に分類することが可能になっている。

実施形態を示すブロック図である。 同上の動作説明図である。 同上において前置処理を自動的に設定する際の動作説明図である。 同上において競合型ニューラルネットワークを学習させる際の動作説明図である。 同上において競合型ニューラルネットワークによるカテゴリ分類の際の動作説明図である。

符号の説明

１ 前置処理手段
１ａ 前処理部（前処理フィルタ）
１ｂ 特徴抽出フィルタ
２ 処理選択手段
３ 競合型ニューラルネットワーク
４ 確度演算手段
５ 表示手段

Claims (8)

1. 入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理手段と、前置処理手段により求めた複数個の特徴量データの組からなる入力データが入力されニューラルネットワークであって出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する競合型ニューラルネットワークと、前置処理手段における処理内容を複数種類から選択可能とする処理選択手段と、処理選択手段により選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度を求める確度演算手段とを備え、処理選択手段は確度演算手段により求めた確度に基づいて前置処理の処理内容を自動的に選択することを特徴とする信号識別装置。
2. 入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理手段と、前置処理手段により求めた複数個の特徴量データの組からなる入力データが入力されるニューラルネットワークであって出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する競合型ニューラルネットワークと、前置処理手段における処理内容を複数種類から選択可能とする処理選択手段と、処理選択手段により選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度を求める確度演算手段と、確度演算手段により求めた確度をガイダンスとして提示するガイダンス提示手段とを備え、処理選択手段はガイダンス提示手段によるガイダンスの提示後に前置処理の処理内容が選択可能であることを特徴とする信号識別装置。
3. 前記前置処理手段は、ノイズを除去する前処理部と、対象信号の特徴を表す特徴量データを抽出する特徴抽出フィルタとからなり、前処理部と特徴抽出フィルタとはそれぞれ複数種類から選択可能であることを特徴とする請求項１または請求項２記載の信号識別装置。
4. 前記前処理部は、ウェーブレット変換によるノイズの除去を選択可能であることを特徴とする請求項３記載の信号識別装置。
5. 前記競合型ニューラルネットワークは、学習ベクトル量子化を行うことを特徴とする請求項１ないし請求項４のいずれか１項に記載の信号識別装置。
6. 前記クラスタリングマップを３次元表示する表示手段を備えることを特徴とする請求項１ないし請求項５のいずれか１項に記載の信号識別装置。
7. 入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理を行った後、複数個の特徴量データの組からなる入力データを競合型ニューラルネットワークに入力し、競合型ニューラルネットワークにおける出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する信号識別方法において、前置処理の処理内容を複数種類から選択可能とし、選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度を求め、求めた確度に基づいて前置処理の処理内容を自動的に選択することを特徴とする信号識別方法。
8. 入力された対象信号からノイズを除去するとともに対象信号の特徴を表す特徴量データを抽出する前置処理を行った後、複数個の特徴量データの組からなる入力データを競合型ニューラルネットワークに入力し、競合型ニューラルネットワークにおける出力層の重み係数の分布を表すクラスタリングマップを作成しクラスタリングマップの形状により対象信号を複数のカテゴリに分類する信号識別方法において、前置処理の処理内容を複数種類から選択可能とし、選択可能な前置処理ごとに競合型ニューラルネットワークによる対象信号のカテゴリの分類結果の確度をガイダンスとして提示し、ガイダンスの提示後に前置処理の処理内容を選択させることを特徴とする信号識別方法。

Images