JP2574517B2 - パターン認識装置 - Google Patents

Description

【発明の詳細な説明】 産業上の利用分野 本発明は入力したパターンを認識するパターン認識装
置に関するものである。

従来の技術 従来の、複数の多入力一出力信号処理部を回路網的に
構成したパターン認識装置の例として、そのパターンが
文字である文字認識装置としては、例えば、電子情報通
信学会技術研究報告 Vol.89 No.320 NC89−39「大規模
４層ニューラルネット（CombNET）による印刷漢字認
識」（1989.12.4）に示されている。第６図はこの従来
の文字認識装置の構成図を示すものであり、61は文字デ
ータから特徴パラメータを求める特徴抽出部、62は特徴
パラメータを各カテゴリ群に大分類する大分類部、63は
大分類部62の出力値（以下、適合度と呼ぶ。）から複数
個のカテゴリ群を選ぶカテゴリ群判定部、64はカテゴリ
群判定部63で得られたカテゴリ群選択情報に基づいて特
徴パラメータを細分類部65に出力する入力信号選択部、
65は各カテゴリ群内で特徴パラメータを分類する細分類
部、66はカテゴリ群判定部63で得られた選択された適合
度と細分類部65の出力値から識別尺度を計算する識別関
数演算部、67は各カテゴリ群毎に得られた識別尺度から
最終的に文字を識別する文字判定部である。大分類部62
は、入力部68と１層の多入力一出力信号処理部69から構
成され、細分類部65は、入力部70と層構造をもち、各層
内相互の結合がなく、上位層にのみ信号が伝搬するよう
にネットワーク接続された複数の多入力一出力信号処理
部71と最上位層の複数個の前記多入力一出力信号処理部
の出力の中から最大値を選択する最大値選択部72から構
成される。

以上のように構成された従来の文字認識装置につい
て、以下その動作を説明する。スキャナ等から取り込ま
れた文字データは、まず、特徴抽出部61によって、１文
字データあたりＮ個の特徴パラメータが求められる。次
に、これらの特徴パラメータは、大分類部62の入力部68
に入力される。入力部68は１文字あたりの特徴パラメー
タ数に等しいＮ個用意されており、各多入力一出力信号
処理部69は、それに接続されている入力とその接続の度
合である重み係数とを掛け合わせたものの挿話をしきい
値関数で変換した後、その値を出力する。つまり、第６
図に示す多入力一出力信号処理部69は、入力部68への入
力値をI_j、それに接続されている入力とその接続の度合
である重み係数をw_ij（ｉ番目の多入力一出力信号処理
部とｊ番目の入力との結合重み）、出力地をO_iとすれ
ば、 を計算しているわけである。但し、しきい値関数ｆ
（Ｘ）は、 ｆ（Ｘ）＝1/（１＋exp（−Ｘ＋θ）） と数式的に表現できる。

ここで、重み係数については、特定の入力信号に対し
て決まった多入力一出力信号処理部が最大出力を発生す
るように、予め学習しておく。

学習アルゴリズムは、１つの入力信号が入力される
と、出力が最大となる多入力一出力信号処理部とこの近
傍の多入力一出力信号処理部が選択され、それらの多入
力一出力信号処理部に記憶されている重み係数w_ijを、
（I_j−w_ij）に比例した値で次式にしたがって変更す
る。

W_ij（ｎ＋１）＝W_ij（ｎ）＋α（ｎ）（I_j−W
_ij（ｎ）） ここで近傍の多入力一出力信号処理部とは、最大出力を
発生する多入力一出力信号処理部から半径Ｎ（ｎ）以内
の範囲に属する多入力一出力信号処理部を示す。半径Ｎ
（ｎ）、α（ｎ）はそれぞれ単調減少するように設定す
る。

以上のような重み係数の変更を繰り返すことにより、
特定の入力信号に対して決まった多入力一出力信号処理
部が最大出力を発生するようになり、ここで、入力文字
のカテゴリ数に対して多入力一出力信号処理部を少なく
制限すれば、互いに類似した入力文字について同一の多
入力一出力信号処理部が最大の出力を発生するようにな
り、多数のカテゴリを持つ入力文字を、いくつかのカテ
ゴリ群に分類することができる。

次に、カテゴリ群判定部63は、大分類部62で得られた
適合度を大きい順に任意個選び、カテゴリ群の選択情報
とそれに対応する選択された適合度を出力する。

そして、入力信号選択部64はカテゴリ群判定部63で出
力されたカテゴリ群選択情報に基づいて、入力文字の特
徴パラメータをそのカテゴリ群に対応する細分類部65の
入力部に出力する。

細分類部65の入力部70は１文字あたりの特徴パラメー
タ数に等しいＮ個用意されており、各多入力一出力信号
処理部71はそれに接続されている下層の多入力一出力信
号処理部71の出力とその接続の度合である重み係数とを
掛け合わせたものの総和をしきい値関数で変換した後、
その値を上層へ出力する。また、各細分類部65の最上位
層の多入力一出力信号処理部71は、各カテゴリ群に含ま
れる文字のカテゴリ数と同じ個数に設定される。最大値
選択部72は最上位層の多入力一出力信号処理部71の中
で、最大出力を発生するものを選び、この値を細分類部
の出力値として出力する。このような構成で、各カテゴ
リ群内の特定の入力文字の特徴パラメータの入力に対し
て、その入力文字に対応する最上位層の多入力一出力信
号処理部71が最大出力を発生するように、各多入力一出
力信号処理部間の重み係数を変更すれば、各カテゴリ群
内で入力文字を認識することができる。

このような重み変更は誤差逆伝搬法と呼ばれる学習ア
ルゴリズムによって行われる。誤差逆伝搬法について
は、例えばD.E.ラメルハート（Rumelhart）,G.E.ヒント
ン（Hinton）and R.J.ウイリアムズ（Williams）による
“ラーニング リプリゼンテーションズ バイ バック
プロパケーティング エラーズ（Learning Representat
ions by Back−Propagating Errors）,"ネイチャー（Na
ture）,vol.323,pp.533−536,Oct.9,1868に示されてい
る。以下、誤差逆伝搬法の概略について説明する。誤差
Ｅは最上位層の多入力一出力信号処理部復号化部71の出
力信号o_kと望ましい出力信号t_k（これを教師信号と呼
ぶ）との差から Ｅ＝0.5Σ_ｐΣ_ｋ（t_k−o_k）^２ によって求められる。Σ_ｐは教師信号のパターン数（１
画面のブロック数）に関する総和である。誤差Ｅを最小
にする重みの値を決定することが学習の目的であり、各
多入力一出力信号処理部間の重み係数の変更量△w_ijは
次式に基づいて計算する。

△w_ij＝−ε∂E/∂w_ij ここで、εは学習レートと呼ばれる正の定数である。以
上のように重みの更新を繰り返すことにより、誤差を小
さくしてゆき、誤差が十分小さくなると、出力信号が望
ましい値に十分近くなったものとして、学習を終了す
る。このようにして、各カテゴリ群内の特定の文字の特
徴パラメータの入力に対して、その入力文字に対応する
最上位層の多入力一出力信号処理部71が最大出力を発生
するようになるので、最上位層の複数個の多入力一出力
信号処理部71の中で、最大出力を発生するものを最大値
選択部72で選ぶことによって各カテゴリ群内で入力文字
を認識することができる。

次に、識別関数演算部66は、カテゴリ群判定部63から
得られた選択された適合度と細分類部65の出力値から次
式を用いて識別尺度を演算する。

（識別尺度）＝（適合度）^ａ（出力値）^ｂ 但し、a,bは実定数とする。

最後に、文字判定部67はカテゴリ群判定部63で任意個
設定された各カテゴリ群に対応する各識別関数演算部66
の出力値を比較し、それらの中で最大となる出力に対応
するカテゴリ群を選び、それに対応する細分類部での認
識文字を最終識別文字として出力する。

発明が解決しようとする課題 しかしながら上記のような構成では、大分類部62で得
られた適合度は、入力文字の特徴パラメータと各カテゴ
リ群の代表パターンとの類似度を表わす１つの尺度では
あるものの、入力文字の特徴ベクトルと代表パターンと
の内積値を入力とした、出力を（0,1）の範囲に制限す
るしきい値関数の出力であるために、内積値がある一定
値以上になるとしきい値関数の特性上、似かよった大き
さの値が多く現われ、入力文字の特徴パラメータがどの
くらいの割合で各カテゴリ群に属しているかを示してい
ない。よって、単に、適合度と細分類部の出力値を乗算
したものを最終的な識別尺度として用いると認識率の低
下を招くという課題を有している。それ故に、従来例で
は、識別関数演算部66で、適合度及び細分類部65から得
られた出力値に各々任意の定数でべき乗し補正した後、
乗算したものを最終的な識別尺度として用いているが、
これらの任意の定数を実験的に求めなければならないと
課題を有している。

本発明はかかる点に鑑み、入力パターンの特徴パラメ
ータの各カテゴリ群に帰属する度合を求めて、これを大
分類部の出力値とすることによって、識別部で任意の定
数を実験的に求める必要がなく、認識率を向上させるこ
とのできるパターン認識装置を提供することを目的とす
る。

課題を解決するための手段 本発明は上記目的を達成するため、パターンデータを
入力し特徴パラメータを求める特徴抽出部と、前記特徴
抽出部で得られた特徴パラメータから入力されたパター
ンを認識するパターン認識部を具備し、前記パターン認
識部は、類似パターンの集合からなるカテゴリ群を代表
する特徴パターンを各カテゴリ群ごとに備える群辞書
と、前記特徴パラメータが各カテゴリ群に属する度合で
ある帰属度をファジイクラスタリングによって求めるフ
ァジイ大分類部と、前記帰属度から複数のカテゴリ群を
選択しカテゴリ群選択情報と選択された帰属度を出力す
るカテゴリ群判定部と、前記カテゴリ群選択情報に応じ
て前記特徴パラメータを入力する細分類部を選択する入
力信号選択部と、前記入力信号選択部から出力された特
徴パラメータと各カテゴリ群内に含まれるパターンとの
類似度を計算する複数個の細分類部と、前記カテゴリ群
判定部から得られた選択されたカテゴリ群の各帰属度と
前記細分類部で得られた各出力値から入力パターンの識
別を行う識別部からなり、前記識別部は、前記カテゴリ
群判定部から得られた選択されたカテゴリ群の帰属度と
前記細分類部で得られた各出力値との乗算を求める複数
個の乗算器と、複数個の前記乗算器の出力の中から最大
値を選択することによって、入力パターンの識別を行う
パターン判定部を備えた構成である。

作用 本発明は前記した構成により、特徴抽出部において入
力パターンの特徴パラメータを求め、ファジイ大分類部
がファジイクラスタリングを用いた大分類を行うことに
よって入力パターンの特徴パラメータが各カテゴリ群に
属する帰属度を求める。カテゴリ群判定部が前記帰属度
から複数のカテゴリ群を選択し、カテゴリ群選択情報を
入力信号選択部に、選択された帰属度を識別部に出力す
る。入力信号選択部は前記カテゴリ群選択情報に応じ
て、入力パターンの特徴パラメータを細分類部に出力
し、細分類部は前記特徴パラメータと各カテゴリ群内に
含まれるパターンとの類似度を計算し識別部に出力す
る。識別部では前記カテゴリ群判定部から出力された選
択された帰属度と細分類部の出力値を乗算器で乗算し、
これを識別尺度としてパターン判定部でパターンの識別
を行なう。以上により、識別部において、任意の定数を
実験的に求める必要がなく、大分類部で得られる選択さ
れた帰属度と細分類部で得られる出力値を乗算するだけ
で、良好な識別尺度を得ることができ、認識率を向上さ
せることができる。

実施例 本発明の実施例を説明するに当り、認識する対象であ
るパターンを文字とする。

第１図は本発明の実施例におけるパターン認識装置の
例としてそのパターンを文字とした文字認識装置の構成
図を示すものである。第１図において、１は文字データ
から特徴パラメータを求める特徴抽出部、２は前記特徴
パラメータから入力文字を認識する文字認識部、３は群
辞書、４はファジイ大分類部、５はカテゴリ群判定部、
６は入力信号選択部、７は細分類部、８はファジイ大分
類部４及び、細分類部７の出力から最終的に文字を識別
する識別部、９は乗算器、10は文字判定部である。第２
図は、ファジイ大分類部４の構成を具体的に示したもの
で、20は文字の特徴パラメータを入力する入力部、21は
特徴パラメータと群辞書３に格納されている特徴パター
ンとの距離を計算する距離演算部、22、25は入力値の逆
数を計算する割算器、23は各割算器22の出力の総和を求
める加算器、24は加算器23と距離演算部21の出力との乗
算を求める乗算器である。細分類部７は、第３図に示す
ように多段の回路網構成をしており、30は多入力一出力
信号処理部、31は入力部、32は最大値選択部である。前
記多入力一出力信号処理部30の構成を具体的に示したも
のが第４図である。第４図において、40は多入力一出力
信号処理部30の入力部、41は入力部40からの複数入力を
重み付ける重み係数を格納するメモリ、42はメモリ41の
重み係数と入力部40からの入力を各々掛け合わせる乗算
器、43は乗算器42の各々の出力を足し合わせる加算器、
44は加算器43の出力を一定範囲の値に制限するしきい値
処理部である。しきい値処理部44の入出力特性を第５図
に示す。例えば、出力を（0,1）の範囲に制限するしき
い値処理部44の入出力特性は ｆ（Ｘ）＝1/（１＋exp（−Ｘ＋θ）） （１） と数式的に表現できる。ここで、Ｘはしきい値処理部44
の入力である。なお、しきい値処理部44の入出力特性と
しては上記以外のしきい値関数でもよい。

以上のように構成された文字認識装置について、以下
その動作を説明する。

スキャナ等から取り込まれた文字データは、まず、特
徴抽出部１によって、１文字データあたりＮ個の特徴パ
ラメータX_k（１≦ｋ≦Ｎ）が求められる。次に、特徴パ
ラメータベクトルｘ（ｘ＝｛X₁、X₂、…X_N｝）は、ファ
ジイ大分類部４の入力部20に入力され、距離演算部21
で、群辞書３に格納されている各カテゴリ群を代表する
特徴パターンv_j（１≦ｊ≦ｃ）との距離Dj（１≦ｊ≦
ｃ）が計算される。但し、ｃはカテゴリ群の総数を示
す。次に、割算器22で距離Djの逆数が計算された後、前
記割算器22の各々の出力の総和が加算器23で求められ
る。次に、乗算器24で前記加算器23の出力と前記距離演
算部21の出力が乗算された後、前記乗算器24の出力の逆
数が割算器25で求められる。前記割算器25の出力μ
_ｊ（１≦ｊ≦ｃ）を各カテゴリ群の帰属度としてファジ
イ大分類部４から出力する。

つまり、ファジイ大分類部４では、 D_j＝‖ｘ−v_j‖ （３） を計算しており、μ_ｊを各カテゴリ群への帰属度として
出力する。

ここで、群辞書３の各カテゴリ群の代表パターンは、
予め、ファジイｃ−meansクラスタリングと呼ばれるア
ルゴリズムによって構成する。ファジイｃ−meansクラ
スタリングについては、例えば、J.C.ベズデック（Bezd
ek）による“パターン リコグニション ウイズ ファ
ジイ オブジェクテイブ ファンクション アルゴリズ
ム（Pattern Recognition with Fuzzy Objective Funct
ion Algorithms）,"プレナム（Plenum）（1981）に示さ
れている。以下、ファジイｃ−meansクラスタリングの
概略について説明する。いま、ｃ個のカテゴリ群に対し
て、各入力ベクトルx₁（１≦ｉ≦ｎ）が各カテゴリ群S_j
（１≦ｊ≦ｃ）に帰属する度合を次式の行列Ｕで表わ
す。

Ｕ＝（μ_ji）（１≦ｊ≦c,1≦ｉ≦ｎ） （４） ここで、 つまり、μ_jiは帰属関数であり、これで入力x₁がカテゴ
リ群S_jに帰属する度合が示される。このとき、次の目的
関数 を最小化する帰属度行列U,代表パターンｖが最適なクラ
スタリングを構成する。但し、ｍはクラスタリングのあ
いまいさを示すパラメータで、ｍ＞１なる実定数であ
る。ここで、（６）式を極小にするμ_jiとv_jは D_ki＝‖x_i−v_k‖^{1/（ｍ−１）} （８） を満たす。よって、（７）式と（９）式を用いて、Ｕと
ｖの更新を繰り返すことによって、最終的に最適なクラ
スタリング、即ち、最適な代表パターンを得ることがで
きる。つまり、このようなアルゴリズムによって最適な
群辞書３を構成することができるのである。

カテゴリ群判定部５は、ファジイ大分類部４から得ら
れた帰属度を大きい順に任意個選び、カテゴリ群の選択
情報とそれに対応する選択された帰属度を出力する。

次に、入力信号選択部６はカテゴリ群判定部５で出力
されたカテゴリ群選択情報に基づいて、入力文字の特徴
パラメータをそのカテゴリ群に対応する細分類部７の入
力部31に出力する。

細分類部７の入力部31は１文字あたりの特徴パラメー
タ数に等しいＮ個用意されており、各多入力一出力信号
処理部30は第４図に示すようにそれに接続されている下
層の多入力一出力信号処理部30の出力とメモリ41に記憶
されているその接続の度合である重み係数w_ijとを乗算
器42により掛け合わせ、前記乗算器42の各々の出力の総
和を加算器43で計算した後、しきい値処理部44で変換
し、その値を上層へ出力する。つまり、第４図に示す多
入力一出力信号処理部30は、入力部40への入力値I_j、そ
れに接続されている入力とその接続の度合である重み係
数をw_ij（ｉ番目の多入力一出力信号処理部とｉ番目の
入力との結合重み）とすれば、 を計算しているわけである。各細分類部７の最上位層の
多入力一出力信号処理部30は、各カテゴリ群に含まれる
文字のカテゴリ数と同じ個数に設定される。最大値選択
部32は最上位層の多入力一出力信号処理部30の中で、最
大出力を発生するものを選び、この値を細分類部の出力
値として出力する。

このような構成で、各カテゴリ群内の特定の入力文字
の特徴パラメータの入力に対して、その入力文字に対応
する最上位層の多入力一出力信号処理部30が最大出力を
発生するように、各多入力一出力信号処理部間の重み係
数を変更すれば、各カテゴリ群内で入力文字を認識する
ことができる。

このような重み変更は誤差逆伝搬法と呼ばれる学習ア
ルゴリズムによって行われる。誤差逆伝搬法について
は、例えば、D.E.ラメルハート（Rummelhart）,G.E.ヒ
ントン（Hinton）and R.J.ウイリアムズ（Williams）に
よる“ラーニング リプリゼンテーションズ バイ バ
ック−プロパケーティング エラーズ（Learning repre
sentations by back−propagating errors）,"ネイチャ
ー（Nature）,vol.323,pp.533−536,Oct.9,1868）に示
されている。以下、誤差逆伝搬法の概略について説明す
る。誤差Ｅは最上位層の多入力一出力信号処理部復号化
部30の出力信号o_kと望ましい出力信号t_k（これを教師信
号と呼ぶ）との差から Ｅ＝0.5Σ_ｐΣ_ｋ（t_k−o_k）^２ （11） によって求められる。Σ_ｐは教師信号のパターン数（１
画面のブロック数）に関する総和である。誤差Ｅを最小
にする重みの値を決定することが学習の目的であり、各
多入力一出力信号処理部間の重み係数の変更量△w_ijは
次式に基づいて計算する。

△w_ij＝−ε∂E/∂w_ij （12） ここで、εは学習レートと呼ばれる正の定数である。以
上のように重みの更新を繰り返すことにより、誤差を小
さくしてゆき、誤差が十分小さくなると、出力信号が望
ましい値に十分近くなったものとして、学習を終了す
る。このようにして、各カテゴリ群内の特定の文字の特
徴パラメータの入力に対して、その入力文字に対応する
最上位層の多入力一出力信号処理部30が最大出力を発生
するようになるので、最上位層の複数個の多入力一出力
信号処理部30の中で、最大出力を発生するものを最大値
選択部32で選ぶことによって各カテゴリ群内で入力文字
を認識することができる。

識別部８では、カテゴリ群判定部５から得られた選択
された帰属度と細分類部７の出力値を乗算器９で乗算し
た後、文字判定部10で、カテゴリ群判定部５で任意個設
定された各カテゴリ群に対応する前記乗算器９の各出力
値（本発明の識別尺度）を比較し、それらの中で最大と
なる出力に対応するカテゴリ群を選び、それに対応する
細分類部７での認識文字を最終識別文字として出力す
る。

このように本実施例によれば、従来の文字認識装置の
場合、大分類部62で得られた適合度が、入力文字の特徴
パラメータがどのくらいの割合で各カテゴリ群に属して
いるかを示していなかったので、文字判定部67で、適合
度及び細分類部65から得られた出力値に各々実験的に求
めた定数でべき乗し補正したものを最終的な識別尺度と
して用いる必要があったのに対し、本実施例の場合に
は、大分類をファジイクラスタリングを用いて行うファ
ジイ大分類部４を用いて、入力文字の特徴パラメータが
各カテゴリ群に帰属する度合いを求めているので、識別
部８において、ファジイ大分類部４で得られる帰属度と
細分類部７での出力値を乗算するだけで、従来例よりも
良好な識別尺度を得ることができる。以上により、従来
例に比べて、識別部８での計算量を削減でき、かつ認識
率の向上を図ることができる。

なお、本実施例において、ファジイ大分類部４の距離
演算部21が求める距離D_jは、（３）式のようにユークリ
ッド距離を用いたが、下記（13）式のようなユークリッ
ド距離をｍ乗（ｍはｍ＞０なる実定数）したものを用い
てもよいし、（14）式のような角度を用いてもよい。

D_j＝‖ｘ−v_j‖^ｍ （13） D_j＝（ｘ・v_j）／‖ｘ‖・‖v_j‖ （14） また、本実施例において、ファジイ大分類部４の群辞
書３は、ファジィｃ−meansクラスタリング法を用いて
構成したが、ファジィｃ−meansクラスタリング法にお
ける、（６）式の目的関数を とし、（７）、（８）、（９）式を D_ki＝‖x_i−v_k‖^２ （17） として、（16）、（18）式を用いて、Ｕとｖの更新を繰
り返すことによって、最適な代表パターンを求めるＫ−
meansクラスタリング法等の従来のクラスタリング法を
用いて構成してもよいし、従来の技術で説明した文字認
識装置の、入力部と１層の多入力一出力信号処理部から
構成される大分類部を用いて設計してもよい。

また、本実施例において、細分類部７は、層構造をも
ち、各層内相互の結合がなく、上位層にのみ信号が伝搬
するようにネットワーク接続された複数の多入力一出力
信号処理部30と、最上位層の複数個の前記多入力一出力
信号処理部の出力の中から最大値を選ぶ最大値選択部32
から構成したが、特徴パラメータとカテゴリ辞書の各特
徴パターンとの距離を計算する複数個の距離演算部と、
前記距離演算部の出力の逆数を計算する複数個の割算器
と、前記割算器の各出力を加算する加算器と、前記加算
器の出力と前記距離演算部の出力を乗算する複数個の乗
算器と、前記乗算器の出力の逆数を計算する複数個の割
算器によってファジイクラスタリングを行う構成として
もよいし、入力文字の特徴パラメータとカテゴリ辞書の
各特徴パターンとの従来のパターンマッチング手法を行
なう構成としてもよい。

発明の効果 本発明によれば、ファジイ大分類部の出力値として、
入力パターンの特徴パラメータが各カテゴリ群に帰属す
る度合を帰属として求められるので、識別部において、
ファジイ大分類部で得られる帰属度と細分類部での出力
値を乗算するだけで、従来例よりも良好な識別尺度を得
ることができ、認識率を向上させることができるので、
その実用的効果は大きい。

【図面の簡単な説明】

第１図は本発明の一実施例におけるパターン認識装置の
構成を示すブロック図、第２図は同実施例におけるファ
ジイ大分類部の構成を示すブロック図、第３図は同実施
例における細分類部の構成図、第４図は同実施例におけ
る多入力一出力信号処理部の構成を示すブロック図、第
５図は同実施例におけるしきい値処理部の入出力特性
図、第６図は従来の文字認識装置の構成を示すブロック
図である。 １……特徴抽出部、２……文字認識部、３……群辞書、
４……ファジイ大分類部、５……カテゴリ群判定部、６
……入力信号選択部、７……細分類部、８……識別部、
９……乗算器、10……文字判定部、20……ファジイ大分
類部の入力部、21……距離演算部、22……割算器、23…
…加算器、24……乗算器、25……割算器、30……多入力
一出力信号処理部、31……多入力一出力信号処理部の入
力部、32……最大値選択部、40……細分類部の入力部、
41……メモリ、42……乗算器、43……加算器、44……し
きい値処理部、61……特徴抽出部、62……大分類部、63
……カテゴリ群判定部、64……入力信号選択部、65……
細分類部、66……識別関数演算部、67……文字判定部、
68……大分類部の入力部、69……大分類部の多入力一出
力信号処理部、70……細分類部の入力部、71……細分類
部の多入力一出力信号処理部、72……最大値選択部。

Claims (4)

(57)【特許請求の範囲】
1. 【請求項１】パターンデータを入力し特徴パラメータを
   求める特徴抽出部と、前記特徴抽出部で得られた特徴パ
   ラメータから入力されたパターンを認識するパターン認
   識部を具備し、 前記パターン認識部は、類似パターンの集合からなるカ
   テゴリ群を代表する特徴パターンを各カテゴリ群ごとに
   備える群辞書と、前記特徴パラメータが各カテゴリ群に
   属する度合である帰属度をファジイクラスタリングによ
   って求めるファジイ大分類部と、前記帰属度から複数の
   カテゴリ群を選択しカテゴリ群選択情報と選択された帰
   属度を出力するカテゴリ群判定部と、前記カテゴリ群選
   択情報に応じて前記特徴パラメータを入力する細分類部
   を選択する入力信号選択部と、前記入力信号選択部から
   出力された特徴パラメータと各カテゴリ群内に含まれる
   パターンとの類似度を計算する複数個の細分類部と、前
   記カテゴリ群判定部から得られた選択されたカテゴリ群
   の各帰属度と前記細分類部で得られた各出力値から入力
   パターンの識別を行う識別部とを備え、 前記識別部は、前記カテゴリ群判定部から得られた選択
   されたカテゴリ群の帰属度と前記細分類部で得られた各
   出力値との乗算を求める複数個の乗算器と、複数個の前
   記乗算器の出力の中から最大値を選択することによっ
   て、入力パターンの識別を行うパターン判定部を備えた
   ことを特徴とするパターン認識装置。
2. 【請求項２】ファジイ大分類部は、特徴パラメータと群
   辞書の各特徴パターンとの距離を計算する複数個の距離
   演算部と、前記距離演算部の出力の逆数を計算する複数
   個の割算器と、前記割算器の各出力を加算する加算器
   と、前記加算器の出力と前記距離演算部の出力を乗算す
   る複数個の乗算器と、前記乗算器の出力の逆数を計算す
   る複数個の割算器を備えたことを特徴とする請求項１記
   載のパターン認識装置。
3. 【請求項３】細分類部は、層構造をもち、各層内相互の
   結合がなく、上位層にのみ信号が伝搬するようにネット
   ワーク接続された複数の多入力一出力信号処理部と、最
   上位層の複数個の前記多入力一出力信号処理部の出力の
   中から最大値を選ぶ最大値選択部からなり、 前記多入力一出力信号処理部は、複数の重み係数を保持
   するメモリと、複数のデータを入力する入力部と、前記
   メモリに貯えられた重み係数で前記入力部からの入力デ
   ータを重き付けする乗算器と、前記乗算器で重み付けさ
   れた複数のデータを加え合わせる加算器と、該加算器の
   出力を一定範囲の値に制限するしきい値処理部を備えた
   ことを特徴とする請求項１記載のパターン認識装置。
4. 【請求項４】細分類部は、特徴パラメータとカテゴリ辞
   書の各特徴パターンとの距離を計算する複数個の距離演
   算部と、前記距離演算部の出力の逆数を計算する複数個
   の割算器と、前記割算器の各出力を加算する加算器と、
   前記加算器の出力と前記距離演算部の出力乗算する複数
   個の乗算器と、前記乗算器の出力の逆数を計算する複数
   個の割算器を備えたことを特徴とする請求項１記載のパ
   ターン認識装置。