JP2806814B2 - 目標自動検出方式 - Google Patents
目標自動検出方式Info
- Publication number
- JP2806814B2 JP2806814B2 JP6296179A JP29617994A JP2806814B2 JP 2806814 B2 JP2806814 B2 JP 2806814B2 JP 6296179 A JP6296179 A JP 6296179A JP 29617994 A JP29617994 A JP 29617994A JP 2806814 B2 JP2806814 B2 JP 2806814B2
- Authority
- JP
- Japan
- Prior art keywords
- signal
- spectrum
- processing unit
- section
- reverberation
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、音波や電磁波を発信し
てその発信信号に対する目標からの反響信号を検出する
装置に関し、特に反響信号の中から目標らしき反響信号
を自動検出し、更にこの反響信号がどのような物体から
反射されたものであるかを判別する目標自動検出方式に
関する。
てその発信信号に対する目標からの反響信号を検出する
装置に関し、特に反響信号の中から目標らしき反響信号
を自動検出し、更にこの反響信号がどのような物体から
反射されたものであるかを判別する目標自動検出方式に
関する。
【０００２】
【従来の技術】音波や電磁波を発信し、その発信信号に
対する目標からの反響信号を検出する装置では、従来、
反響音から振幅、ドップラー、距離、方位等の情報を抽
出し、例えばこの反響音が生じた方位、距離に対応する
位置を反響音の強度に対応した階調で表示器上に表示す
る。そして、観測者がこの表示器上の表示内容を視認に
より反響音の持つ強さや広がり等の特徴を把握したうえ
で目標とする物体からの反響音であるか否かを判別する
方法と、観測者が直接音を耳で聞き、反響音の音色等の
特徴から、目標とする物体からの反響音であるか否かを
判別する方法とを併用して目標の検出を行っていた。
対する目標からの反響信号を検出する装置では、従来、
反響音から振幅、ドップラー、距離、方位等の情報を抽
出し、例えばこの反響音が生じた方位、距離に対応する
位置を反響音の強度に対応した階調で表示器上に表示す
る。そして、観測者がこの表示器上の表示内容を視認に
より反響音の持つ強さや広がり等の特徴を把握したうえ
で目標とする物体からの反響音であるか否かを判別する
方法と、観測者が直接音を耳で聞き、反響音の音色等の
特徴から、目標とする物体からの反響音であるか否かを
判別する方法とを併用して目標の検出を行っていた。
【０００３】しかしながら、この方法は観測者の目や耳
を用いた複雑なパターンの認識となり、定量的に画一的
な判断を行う事が困難である。よって、適確な判断を行
うには、画像のパターン形状や音色のパターン形状の差
を認識、区別出来る経験を積んだ観測者が必要となる。
を用いた複雑なパターンの認識となり、定量的に画一的
な判断を行う事が困難である。よって、適確な判断を行
うには、画像のパターン形状や音色のパターン形状の差
を認識、区別出来る経験を積んだ観測者が必要となる。
【０００４】
【発明が解決しようとする課題】上記の目標検出方式で
は、目標検出の精度は、観測者の知識や経験に依存す
る。よって、観測者の知識や経験にもとづく判断を自動
的に行なう為には、次のような手法が必要となる。すな
わち、熟練した観測者が目標を判断する上で行なってい
る思考過程、例えば反響音のどのような情報を、またそ
の情報のどの部分の特徴を使用して判断しているかを明
確にする手法（以下、これを「特徴素の抽出」と称す
る）が必要である。また、これらの特徴素に対する感覚
的な判断基準を、数値的な尺度に変換する手法（以下、
これを「特徴素の定量化」と称する）も必要となる。し
かしながら、これら手法を実際にどのように構成するか
が問題となっている。
は、目標検出の精度は、観測者の知識や経験に依存す
る。よって、観測者の知識や経験にもとづく判断を自動
的に行なう為には、次のような手法が必要となる。すな
わち、熟練した観測者が目標を判断する上で行なってい
る思考過程、例えば反響音のどのような情報を、またそ
の情報のどの部分の特徴を使用して判断しているかを明
確にする手法（以下、これを「特徴素の抽出」と称す
る）が必要である。また、これらの特徴素に対する感覚
的な判断基準を、数値的な尺度に変換する手法（以下、
これを「特徴素の定量化」と称する）も必要となる。し
かしながら、これら手法を実際にどのように構成するか
が問題となっている。
【０００５】そのため、目標自動検出処理方法として、
例えばパターンマッチング等によって画一的に検出しよ
うとする方法も考えられるが、自動検出に供されるデー
タは、探知距離、目標が正対しているかどうか等の相対
関係（以下、これを「対勢」と称する）や海中の音場状
態等の影響を除いたものであることが必要である。
例えばパターンマッチング等によって画一的に検出しよ
うとする方法も考えられるが、自動検出に供されるデー
タは、探知距離、目標が正対しているかどうか等の相対
関係（以下、これを「対勢」と称する）や海中の音場状
態等の影響を除いたものであることが必要である。
【０００６】しかし、反響音の振幅、ドップラー、方
位、距離等の各情報は、反響音が生じた距離により反響
音が減衰する為、同一の目標であっても、その都度得ら
れる情報の組み合わせだけでなく、情報の内容までが異
なることがある。また、探知目標の対勢によっては同一
探知目標であっても反響音の振幅構造が異なることがあ
り、海中の音場で生ずる雑音を抑圧する手法によって反
響音に歪が生ずることがある。従って、生のデータたる
反響音はそのまま直接使用することはできず、均一化す
る手段が必要であるが、これら手法をどのように構成す
るかが問題となっている。
位、距離等の各情報は、反響音が生じた距離により反響
音が減衰する為、同一の目標であっても、その都度得ら
れる情報の組み合わせだけでなく、情報の内容までが異
なることがある。また、探知目標の対勢によっては同一
探知目標であっても反響音の振幅構造が異なることがあ
り、海中の音場で生ずる雑音を抑圧する手法によって反
響音に歪が生ずることがある。従って、生のデータたる
反響音はそのまま直接使用することはできず、均一化す
る手段が必要であるが、これら手法をどのように構成す
るかが問題となっている。
【０００７】一方、上記方法とは別に、受信信号に各種
処理を施すことにより目標を検出する方法も種々提供
（例えば、特開平３−８７６８１号）されているが、い
ずれも目標の検出のみにとどまり、目標がどのような物
体かを判別するまでには至っていない。
処理を施すことにより目標を検出する方法も種々提供
（例えば、特開平３−８７６８１号）されているが、い
ずれも目標の検出のみにとどまり、目標がどのような物
体かを判別するまでには至っていない。
【０００８】本発明は、このような問題点を解決すべく
なされたもので、生のデータたる反響音をそのまま直接
使用して、所望とする目標からの反響音を検出すると共
に、この反響音がどのような物体から生じたものかを判
別することのできる目標自動検出方式を提供することを
目的とする。
なされたもので、生のデータたる反響音をそのまま直接
使用して、所望とする目標からの反響音を検出すると共
に、この反響音がどのような物体から生じたものかを判
別することのできる目標自動検出方式を提供することを
目的とする。
【０００９】
【課題を解決するための手段】本発明によれば、音波や
電磁波を発信しその発信信号に対する目標からの反響信
号を検出する装置において、前記反響信号の受信信号を
所定の区間切り出して前記反響信号のスペクトルにより
特徴づけられる検出用パターンに変換して出力する前処
理部と、前記検出用パターンと所望の出力との関係を学
習したうえでニューラルネットワークのアルゴリズムを
実行して前記検出用パターンがどのような物体から反射
されたものであるか判別するニューラルネットワーク判
定部とを備え、前記前処理部の第２の例として、前記反
響信号の受信信号を、時系列に短時間の区間で分割し、
短時間の区間データを順次周波数変換して反響信号のス
ペクトルを求める周波数変換処理部と、この短時間区間
毎のスペクトル出力を時系列に並べて受信した反響信号
の長さに相当する区間切り出して、検出用パターンとす
る切り出し処理部と、切り出した検出用パターンを周波
数軸方向の隣り合うスペクトル間で差をとる周波数軸方
向の微分処理を行うと共に、同一スペクトルの時間軸方
向の隣り合うスペクトル間で差をとる時間軸方向の微分
処理を行う特徴強化処理部と、この特徴強化処理を行っ
た検出用パターンの出力レベルを０〜１の範囲で正規化
するレベル正規化処理部とを有する事を特徴とする目標
自動検出方式が提供される。
電磁波を発信しその発信信号に対する目標からの反響信
号を検出する装置において、前記反響信号の受信信号を
所定の区間切り出して前記反響信号のスペクトルにより
特徴づけられる検出用パターンに変換して出力する前処
理部と、前記検出用パターンと所望の出力との関係を学
習したうえでニューラルネットワークのアルゴリズムを
実行して前記検出用パターンがどのような物体から反射
されたものであるか判別するニューラルネットワーク判
定部とを備え、前記前処理部の第２の例として、前記反
響信号の受信信号を、時系列に短時間の区間で分割し、
短時間の区間データを順次周波数変換して反響信号のス
ペクトルを求める周波数変換処理部と、この短時間区間
毎のスペクトル出力を時系列に並べて受信した反響信号
の長さに相当する区間切り出して、検出用パターンとす
る切り出し処理部と、切り出した検出用パターンを周波
数軸方向の隣り合うスペクトル間で差をとる周波数軸方
向の微分処理を行うと共に、同一スペクトルの時間軸方
向の隣り合うスペクトル間で差をとる時間軸方向の微分
処理を行う特徴強化処理部と、この特徴強化処理を行っ
た検出用パターンの出力レベルを０〜１の範囲で正規化
するレベル正規化処理部とを有する事を特徴とする目標
自動検出方式が提供される。
【００１０】
【００１１】
【００１２】
【作用】本発明は、反響信号から特徴素を自動抽出する
と共に、この特徴素を自動的に定量化したうえで所望の
目標からの反響信号検出及び目標物体の判別を行うもの
である。
と共に、この特徴素を自動的に定量化したうえで所望の
目標からの反響信号検出及び目標物体の判別を行うもの
である。
【００１３】
【００１４】
【００１５】
【００１６】本発明による前処理部では、反響音の受信
信号を時系列で短時間の区間に分割し、この短時間の区
間データを順次周波数変換して反響音のスペクトルを求
めると共に、信号対雑音比の改善をはかる。こうして得
られた短時間毎のスペクトル出力を時系列に並べて、受
信した反響音の長さに相当する区間を切り出すことによ
り周波数軸及び時間軸の構造を表す検出用パターンを生
成する。更に、生成された検出用パターンに対して、周
波数軸方向の隣り合うスペクトル間で差をとる周波数軸
方向の微分処理と、同一スペクトルの時間軸方向の隣り
合うスペクトル間で差をとる時間軸方向の微分処理とを
行うことによって、スペクトルの周波数軸上の変化及び
時間軸上の変化を強調する特徴強化処理を行う。更に、
特徴強化された検出用パターンの出力レベルをニューラ
ルネットワークの入力条件に合わせるために、０〜１の
範囲で正規化してこれを検出用パターンとする。この前
処理によってニューラルネットワークの学習の効率化と
認識率の向上をはかることができる。
信号を時系列で短時間の区間に分割し、この短時間の区
間データを順次周波数変換して反響音のスペクトルを求
めると共に、信号対雑音比の改善をはかる。こうして得
られた短時間毎のスペクトル出力を時系列に並べて、受
信した反響音の長さに相当する区間を切り出すことによ
り周波数軸及び時間軸の構造を表す検出用パターンを生
成する。更に、生成された検出用パターンに対して、周
波数軸方向の隣り合うスペクトル間で差をとる周波数軸
方向の微分処理と、同一スペクトルの時間軸方向の隣り
合うスペクトル間で差をとる時間軸方向の微分処理とを
行うことによって、スペクトルの周波数軸上の変化及び
時間軸上の変化を強調する特徴強化処理を行う。更に、
特徴強化された検出用パターンの出力レベルをニューラ
ルネットワークの入力条件に合わせるために、０〜１の
範囲で正規化してこれを検出用パターンとする。この前
処理によってニューラルネットワークの学習の効率化と
認識率の向上をはかることができる。
【００１７】
【実施例】次に、本発明について図面を参照して説明す
る。図１は、本発明の第１の実施例による目標自動検出
方式のブロック図である。本実施例は、反響音受信部１
で受信された受信信号を、認識率の向上と区別する反響
音や雑音の学習の効率化のために、検出用パターンに変
換する前処理部２と、この検出用パターンを入力パター
ンとして所望の出力との関係を学習させる学習処理を行
なったうえで新たに入力される検出用パターンを分離あ
るいは判別するニューラルネットワーク判定部３とから
構成される。
る。図１は、本発明の第１の実施例による目標自動検出
方式のブロック図である。本実施例は、反響音受信部１
で受信された受信信号を、認識率の向上と区別する反響
音や雑音の学習の効率化のために、検出用パターンに変
換する前処理部２と、この検出用パターンを入力パター
ンとして所望の出力との関係を学習させる学習処理を行
なったうえで新たに入力される検出用パターンを分離あ
るいは判別するニューラルネットワーク判定部３とから
構成される。
【００１８】図２を参照して前処理部２の参考例につい
て説明する。反響音受信部１からの受信信号は、周波数
変換処理部２０１において時系列に短時間の区間で分割
され、更にこの短時間の区間のデータが周波数に変換さ
れて反響音のスペクトルが求められる。その際、各種周
波数成分を持つ雑音は、周波数に変換されることにより
雑音の持つエネルギーが各スペクトルに分散され、その
結果、周波数領域における雑音レベルが低減される。こ
れに基づき信号対雑音比が改善される。この周波数変換
処理部２０１には、フーリエ変換等の周波数変換方式を
適用する。
て説明する。反響音受信部１からの受信信号は、周波数
変換処理部２０１において時系列に短時間の区間で分割
され、更にこの短時間の区間のデータが周波数に変換さ
れて反響音のスペクトルが求められる。その際、各種周
波数成分を持つ雑音は、周波数に変換されることにより
雑音の持つエネルギーが各スペクトルに分散され、その
結果、周波数領域における雑音レベルが低減される。こ
れに基づき信号対雑音比が改善される。この周波数変換
処理部２０１には、フーリエ変換等の周波数変換方式を
適用する。
【００１９】周波数変換処理部２０１から時系列で出力
されるスペクトル出力は、切り出し処理部２０２で受信
した反響音の長さに相当する区間で切り出されて検出用
パターンが生成される。切り出し処理部２０２で生成さ
れた検出用パターンは、レベル正規化処理部２０３にて
ニューラルネットワーク判定部３の入力条件に合わせる
ために、０〜１の範囲でスペクトルレベルの正規化が行
われる。
されるスペクトル出力は、切り出し処理部２０２で受信
した反響音の長さに相当する区間で切り出されて検出用
パターンが生成される。切り出し処理部２０２で生成さ
れた検出用パターンは、レベル正規化処理部２０３にて
ニューラルネットワーク判定部３の入力条件に合わせる
ために、０〜１の範囲でスペクトルレベルの正規化が行
われる。
【００２０】スペクトルレベルの正規化では、まず検出
用パターン内のスペクトルレベルの最大値ＭＡＸを検出
し、この最大値ＭＡＸにて各スペクトルレベルを割る。
用パターン内のスペクトルレベルの最大値ＭＡＸを検出
し、この最大値ＭＡＸにて各スペクトルレベルを割る。
【００２１】Ａ′ f t ＝Ａ f t ／ＭＡＸ ここで、Ａは検出用パターン内のスペクトルレベルを示
し、添字ｔは時間、添字ｆは周波数を示し、Ａ′は正規
化後のスペクトルレベルである。
し、添字ｔは時間、添字ｆは周波数を示し、Ａ′は正規
化後のスペクトルレベルである。
【００２２】次に、図３を参照してニューラルネットワ
ーク判定部３における学習動作について説明する。本実
施例で使用するニューラルネットワークの構成は、３層
（入力層，中間層，出力層）の階層型で、各層間のユニ
ットは相互に全て結合されている。勿論、ニューラルネ
ットワークの構成は、３層に限定されるものではない。
ーク判定部３における学習動作について説明する。本実
施例で使用するニューラルネットワークの構成は、３層
（入力層，中間層，出力層）の階層型で、各層間のユニ
ットは相互に全て結合されている。勿論、ニューラルネ
ットワークの構成は、３層に限定されるものではない。
【００２３】図４はある層のｉ番目のユニットにおける
入出力関係を示した図であり、ユニットｉの内部状態Ｘ
i は次の数式１で表わされる。
入出力関係を示した図であり、ユニットｉの内部状態Ｘ
i は次の数式１で表わされる。
【００２４】
【数１】 但し、Ｉj は入力、Ｗj はユニット間の重み、θi はユ
ニット間の閾値を表わす。
ニット間の閾値を表わす。
【００２５】ユニットｉの出力Ｏi はまた次の式で表わ
される。
される。
【００２６】Ｏi ＝ｆ（Ｘi ） 関数ｆ（Ｘi ）には、通常、図５に示すようなシグモイ
ド関数が用いられる。
ド関数が用いられる。
【００２７】学習動作の手順は、周知のように、ニュー
ラルネットワークの入力層各ユニットへ、前処理部２の
レベル正規化処理部２０３で生成された検出用パターン
のスペクトルレベルを入力する。ニューラルネットワー
クでは、この入力データに基づきニューラルネットワー
ク出力層の出力値を算出する。
ラルネットワークの入力層各ユニットへ、前処理部２の
レベル正規化処理部２０３で生成された検出用パターン
のスペクトルレベルを入力する。ニューラルネットワー
クでは、この入力データに基づきニューラルネットワー
ク出力層の出力値を算出する。
【００２８】次に、この出力値と入力層に入力したパタ
ーンが何であるかを示す教師信号との差を誤差として算
出する。そしてこの誤差に基づきユニット間の重み（Ｗ
i ）とユニット間の閾値（θi ）を更新する。
ーンが何であるかを示す教師信号との差を誤差として算
出する。そしてこの誤差に基づきユニット間の重み（Ｗ
i ）とユニット間の閾値（θi ）を更新する。
【００２９】以上の説明で明らかなように、更新の方法
としてはバックプロパゲーション法を使用する。
としてはバックプロパゲーション法を使用する。
【００３０】学習動作はこの一連の処理の誤差がある閾
値以下の値となるまで繰り返され、重みと閾値の最適値
が決定される。
値以下の値となるまで繰り返され、重みと閾値の最適値
が決定される。
【００３１】次に、図６を参照して実際の判定動作につ
いて説明する。ニューラルネットワークによる判定動作
では、前処理部２において生成された検出用パターンを
ニューラルネットワークアルゴリズムにより分類する。
すなわち、学習処理動作と同様に前処理部２のレベル正
規化処理２０３で生成された検出用パターンのスペクト
ルレベルをニューラルネットワークの入力層の各ユニッ
トに入力する。
いて説明する。ニューラルネットワークによる判定動作
では、前処理部２において生成された検出用パターンを
ニューラルネットワークアルゴリズムにより分類する。
すなわち、学習処理動作と同様に前処理部２のレベル正
規化処理２０３で生成された検出用パターンのスペクト
ルレベルをニューラルネットワークの入力層の各ユニッ
トに入力する。
【００３２】ニューラルネットワークは、学習処理動作
により決定されたユニット間の重み（Ｗi ）及びユニッ
ト間の閾値（θi ）をもとにこの入力データに対して出
力値を算出しこれを判別結果として出力する。入力デー
タがどのようなパターンによるものであるかを判断する
には、この判別結果出力値が学習処理において使用した
教師信号のどれに近いかを判別する事により可能とな
る。すなわち、学習処理において、教師信号として与え
られるパターンの種別により所望の目標からの反響音を
検出するだけでなく、目標がどのような物体であるかの
判別を行うこともできる。
により決定されたユニット間の重み（Ｗi ）及びユニッ
ト間の閾値（θi ）をもとにこの入力データに対して出
力値を算出しこれを判別結果として出力する。入力デー
タがどのようなパターンによるものであるかを判断する
には、この判別結果出力値が学習処理において使用した
教師信号のどれに近いかを判別する事により可能とな
る。すなわち、学習処理において、教師信号として与え
られるパターンの種別により所望の目標からの反響音を
検出するだけでなく、目標がどのような物体であるかの
判別を行うこともできる。
【００３３】図７を参照して本発明の特徴部分である前
処理部について説明する。なお、図２と同じ部分には同
一番号を付している。この前処理部２′では、反響音受
信部１からの受信信号は、周波数変換処理部２０１にお
いて時系列に短時間の区間で分割され、更にこの短時間
の区間のデータが周波数に変換されて反響音のスペクト
ルが求められる。その際、各種周波数成分を持つ雑音
は、周波数に変換されることにより雑音の持つエネルギ
ーが各スペクトルに分散され、その結果、周波数領域に
おける雑音レベルが低減される。これに基づき信号対雑
音比が改善される。
処理部について説明する。なお、図２と同じ部分には同
一番号を付している。この前処理部２′では、反響音受
信部１からの受信信号は、周波数変換処理部２０１にお
いて時系列に短時間の区間で分割され、更にこの短時間
の区間のデータが周波数に変換されて反響音のスペクト
ルが求められる。その際、各種周波数成分を持つ雑音
は、周波数に変換されることにより雑音の持つエネルギ
ーが各スペクトルに分散され、その結果、周波数領域に
おける雑音レベルが低減される。これに基づき信号対雑
音比が改善される。
【００３４】周波数変換処理部２０１から時系列で出力
されるスペクトル出力は、切り出し処理部２０２で受信
した反響音の長さに相当する区間で切り出されて検出用
パターンが生成される。切り出し処理部２０２で生成さ
れた検出用パターンは、時間軸方向微分処理部２０４と
周波数軸方向微分処理部２０５とにより特徴強化処理さ
れる。すなわち、時間軸方向微分処理部２０４と周波数
軸方向微分処理部２０５とは、特徴強化処理部として作
用する。
されるスペクトル出力は、切り出し処理部２０２で受信
した反響音の長さに相当する区間で切り出されて検出用
パターンが生成される。切り出し処理部２０２で生成さ
れた検出用パターンは、時間軸方向微分処理部２０４と
周波数軸方向微分処理部２０５とにより特徴強化処理さ
れる。すなわち、時間軸方向微分処理部２０４と周波数
軸方向微分処理部２０５とは、特徴強化処理部として作
用する。
【００３５】時間軸方向微分処理部２０４では、下記の
式に基づいて、同一スペクトルの時間軸方向で隣り合う
スペクトル間の差をとることにより、時間軸上のスペク
トルレベルの変化を強調する。
式に基づいて、同一スペクトルの時間軸方向で隣り合う
スペクトル間の差をとることにより、時間軸上のスペク
トルレベルの変化を強調する。
【００３６】ΔＡ（t) f t ＝Ａ f t −Ａ f t+1 ここで、Ａは検出用パターン内のスペクトルレベルを示
し、添字ｔは時間、添字ｆは周波数を示し、ΔＡ(t) は
時間軸方向で微分されたスペクトルレベルである。
し、添字ｔは時間、添字ｆは周波数を示し、ΔＡ(t) は
時間軸方向で微分されたスペクトルレベルである。
【００３７】一方、周波数軸方向微分処理部２０５で
は、下記の式に基づいて、周波数軸方向の隣り合うスペ
クトル間の差をとることにより、周波数軸上のスペクト
ルレベルの変化を強調する。
は、下記の式に基づいて、周波数軸方向の隣り合うスペ
クトル間の差をとることにより、周波数軸上のスペクト
ルレベルの変化を強調する。
【００３８】ΔＡ（f) f t ＝Ａ f t −Ａ f+1 t ここで、ΔＡ(f) は周波数軸方向で微分されたスペクト
ルレベルである。
ルレベルである。
【００３９】時間軸方向微分処理部２０４で時間微分さ
れた検出用パターンと周波数軸方向微分処理部２０５で
周波数微分された検出用パターンは、レベル正規化処理
部２０３′にてニューラルネットワーク判定部３の入力
条件に合わせるために、０〜１の範囲でスペクトルレベ
ルの正規化が行われる。
れた検出用パターンと周波数軸方向微分処理部２０５で
周波数微分された検出用パターンは、レベル正規化処理
部２０３′にてニューラルネットワーク判定部３の入力
条件に合わせるために、０〜１の範囲でスペクトルレベ
ルの正規化が行われる。
【００４０】スペクトルレベルの正規化では、まず検出
用パターン内の微分されたスペクトルレベルに対して絶
対値をとり、最大値（｜ＭＡＸ｜）を検出し、この最大
値（｜ＭＡＸ｜）を使用して以下の数式２，数式３によ
りスペクトルレベルの正規化を行う。
用パターン内の微分されたスペクトルレベルに対して絶
対値をとり、最大値（｜ＭＡＸ｜）を検出し、この最大
値（｜ＭＡＸ｜）を使用して以下の数式２，数式３によ
りスペクトルレベルの正規化を行う。
【００４１】
【数２】
【００４２】
【数３】 ここで、ΔＡ(t) ′，ΔＡ(f) ′はそれぞれ、正規化後
のスペクトルレベルである。
のスペクトルレベルである。
【００４３】次段のニューラルネットワーク判定部３に
おける動作は、前述した動作と同じであるので説明は省
略する。
おける動作は、前述した動作と同じであるので説明は省
略する。
【００４４】
【発明の効果】以上説明したように本発明の目標自動検
出方式は、周波数軸及び時間軸のスペクトル構造に着目
した検出用パターンを生成し、さらに特徴強化、正規化
を行う事により、ニューラルネットワークの認識率の向
上及び学習の効率化がはかれると共に、ニューラルネッ
トワークを適用する事により特徴素の抽出及び定量化が
学習により行なえるので、反響音の受信信号から直接目
標の分類が可能となるという効果を有する。
出方式は、周波数軸及び時間軸のスペクトル構造に着目
した検出用パターンを生成し、さらに特徴強化、正規化
を行う事により、ニューラルネットワークの認識率の向
上及び学習の効率化がはかれると共に、ニューラルネッ
トワークを適用する事により特徴素の抽出及び定量化が
学習により行なえるので、反響音の受信信号から直接目
標の分類が可能となるという効果を有する。
【図１】本発明の一実施例を示す目標自動検出方式のブ
ロック図である。
ロック図である。
【図２】図１における前処理部の参考例を示すブロック
図である。
図である。
【図３】図１におけるニューラルネットワーク判定部の
学習処理動作を説明するための図である。
学習処理動作を説明するための図である。
【図４】図３におけるニューラルネットワークのひとつ
のユニットを説明するための図である。
のユニットを説明するための図である。
【図５】図４におけるユニットの入出力関数の一例を示
した図である。
した図である。
【図６】図１におけるニューラルネットワーク判定部の
実際の判定動作を説明するための図である。
実際の判定動作を説明するための図である。
【図７】図１における前処理部の本発明による構成を示
すブロック図である。
すブロック図である。
１ 反響音受信部 ２、２´ 前処理部 ３ ニューラルネットワーク判定部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 高橋 智 東京都港区芝五丁目７番１号 日本電気 株式会社内 (56)参考文献 特開 平４−147078（ＪＰ，Ａ) 特開 平６−43238（ＪＰ，Ａ) (58)調査した分野(Int.Cl.6，ＤＢ名) G01S 7/00 - 7/64 G01S 13/00 - 15/96
Claims (1)
- 【請求項１】 音波や電磁波を発信しその発信信号に対
する目標からの反響信号を検出する装置において、前記
反響信号の受信信号を所定の区間切り出して前記反響信
号のスペクトルにより特徴づけられる検出用パターンに
変換して出力する前処理部と、前記検出用パターンと所
望の出力との関係を学習したうえでニューラルネットワ
ークのアルゴリズムを実行して前記検出用パターンがど
のような物体から反射されたものであるか判別するニュ
ーラルネットワーク判定部とを備え、前記前処理部は、
前記反響信号の受信信号を、時系列に短時間の区間で分
割し、短時間の区間データを順次周波数変換して反響信
号のスペクトルを求める周波数変換処理部と、この短時
間区間毎のスペクトル出力を時系列に並べて受信した反
響信号の長さに相当する区間切り出して、検出用パター
ンとする切り出し処理部と、切り出した検出用パターン
を周波数軸方向の隣り合うスペクトル間で差をとる周波
数軸方向の微分処理を行うと共に、同一スペクトルの時
間軸方向の隣り合うスペクトル間で差をとる時間軸方向
の微分処理を行う特徴強化処理部と、この特徴強化処理
を行った検出用パターンの出力レベルを０〜１の範囲で
正規化するレベル正規化処理部とを有する事を特徴とす
る目標自動検出方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6296179A JP2806814B2 (ja) | 1994-11-30 | 1994-11-30 | 目標自動検出方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6296179A JP2806814B2 (ja) | 1994-11-30 | 1994-11-30 | 目標自動検出方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08152472A JPH08152472A (ja) | 1996-06-11 |
| JP2806814B2 true JP2806814B2 (ja) | 1998-09-30 |
Family
ID=17830192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6296179A Expired - Lifetime JP2806814B2 (ja) | 1994-11-30 | 1994-11-30 | 目標自動検出方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2806814B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3206584B2 (ja) | 1999-02-05 | 2001-09-10 | 日本電気株式会社 | 画像データ処理方法及び装置 |
| WO2008023714A1 (fr) * | 2006-08-21 | 2008-02-28 | National University Corporation Tottori University | Procédé et programme de mesure |
| JP5708294B2 (ja) * | 2011-06-22 | 2015-04-30 | 日本電気株式会社 | 信号検出装置、信号検出方法及び信号検出プログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04147078A (ja) * | 1990-10-09 | 1992-05-20 | Nec Corp | 目標追尾装置 |
| JPH0643238A (ja) * | 1992-07-27 | 1994-02-18 | Mitsubishi Heavy Ind Ltd | ソーナー信号処理装置 |
-
1994
- 1994-11-30 JP JP6296179A patent/JP2806814B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08152472A (ja) | 1996-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1210711B1 (en) | Sound source classification | |
| US6173074B1 (en) | Acoustic signature recognition and identification | |
| CN108597505A (zh) | 语音识别方法、装置及终端设备 | |
| CN108053842B (zh) | 基于图像识别的短波语音端点检测方法 | |
| CN109358317A (zh) | 一种鸣笛信号检测方法、装置、设备及可读存储介质 | |
| EP4351166A1 (en) | Abnormal sound source determination method and ai sound video camera | |
| CN108847252A (zh) | 基于声信号语谱图纹理分布的声特征提取方法 | |
| JP2806814B2 (ja) | 目標自動検出方式 | |
| Guo et al. | Underwater target detection and localization with feature map and CNN-based classification | |
| JP2000098031A (ja) | インパルスソーナー | |
| JP2845850B2 (ja) | 目標自動検出方式 | |
| Vahidpour et al. | An automated approach to passive sonar classification using binary image features | |
| JP3503694B2 (ja) | 目標識別装置および目標識別方法 | |
| RU2386165C2 (ru) | Способ определения структуры и демодуляции сигнала с неизвестной структурой | |
| JP2990237B2 (ja) | 目標信号自動検出方法および装置 | |
| JP2910727B2 (ja) | 目標信号検出方法及び装置 | |
| JP2967721B2 (ja) | 目標信号検出方法 | |
| JP2834071B2 (ja) | 目標信号自動検出方法および装置 | |
| JP2001296359A (ja) | バイスタティック処理装置 | |
| KR20040073145A (ko) | 음성인식기의 성능 향상 방법 | |
| Roch et al. | Detection, classification, and localization of cetaceans by groups at the scripps institution of oceanography and San Diego state university (2003-2013) | |
| CN114299994B (zh) | 激光多普勒远距离侦听语音的爆音检测方法、设备及介质 | |
| CN117995193B (zh) | 一种基于自然语言处理的智能机器人语音交互方法 | |
| Kuzin et al. | Automated sea vehicle classification system based on neural network | |
| JPH05333138A (ja) | ソナー信号処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19980114 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19980707 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070724 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080724 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090724 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100724 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110724 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110724 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120724 Year of fee payment: 14 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120724 Year of fee payment: 14 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130724 Year of fee payment: 15 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |