JP2993153B2 - 入力領域適応型ニューラルネットワーク文字認識装置 - Google Patents
入力領域適応型ニューラルネットワーク文字認識装置Info
- Publication number
- JP2993153B2 JP2993153B2 JP3053965A JP5396591A JP2993153B2 JP 2993153 B2 JP2993153 B2 JP 2993153B2 JP 3053965 A JP3053965 A JP 3053965A JP 5396591 A JP5396591 A JP 5396591A JP 2993153 B2 JP2993153 B2 JP 2993153B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- neural network
- input
- input area
- cell
- 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 - Fee Related
Links
Landscapes
- Character Input (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、パターンの分類を認識
する装置に関し、特にノイズを含んだあるいは回転また
は平行移動した文字パターンの文字認識装置に関する。
する装置に関し、特にノイズを含んだあるいは回転また
は平行移動した文字パターンの文字認識装置に関する。
【０００２】
【従来の技術】従来、分類問題を扱うことのできる多く
の文字認識システムが提案されている。これらについて
は、例えば「パターン認識」、森健一監修、電子情報通
信学会、（１９８８）（以下、「引用文献１」と称
す。）により詳しく解説されている。パターン認識の過
程は、原パターン信号は、前処理され、特徴抽出され、
最後に識別される。前処理の過程では、学習したときの
パターンと同じくらいになるように、パターンの大きさ
を拡大縮小してそろえる。また特徴抽出の過程では、認
識を行なうのに有効なパターンの性質を特徴として取り
出す。ノイズを含んだあるいは回転または平行移動した
文字パターンが提示された時は、前処理または特徴抽出
の過程が正常に行なわれず、認識を誤る。
の文字認識システムが提案されている。これらについて
は、例えば「パターン認識」、森健一監修、電子情報通
信学会、（１９８８）（以下、「引用文献１」と称
す。）により詳しく解説されている。パターン認識の過
程は、原パターン信号は、前処理され、特徴抽出され、
最後に識別される。前処理の過程では、学習したときの
パターンと同じくらいになるように、パターンの大きさ
を拡大縮小してそろえる。また特徴抽出の過程では、認
識を行なうのに有効なパターンの性質を特徴として取り
出す。ノイズを含んだあるいは回転または平行移動した
文字パターンが提示された時は、前処理または特徴抽出
の過程が正常に行なわれず、認識を誤る。
【０００３】
【発明が解決しようとする課題】上述した従来のシステ
ムでは、十分な認識率を達成するために、前処理または
特徴抽出の過程を適切に行なう必要がある。しかしなが
ら、適切な、すべての考え得るパターンについて前処理
または特徴抽出の過程を予め決定することは難しい。
ムでは、十分な認識率を達成するために、前処理または
特徴抽出の過程を適切に行なう必要がある。しかしなが
ら、適切な、すべての考え得るパターンについて前処理
または特徴抽出の過程を予め決定することは難しい。
【０００４】本発明の目的は、ノイズを含んだあるいは
回転または平行移動した文字パターンに対して適応する
ニューラルネットワークを用いて文字認識を行なうこと
により、文字認識精度と確度をともに向上することがで
きる入力領域適応型ニューラルネットワーク文字認識装
置を提供することにある。
回転または平行移動した文字パターンに対して適応する
ニューラルネットワークを用いて文字認識を行なうこと
により、文字認識精度と確度をともに向上することがで
きる入力領域適応型ニューラルネットワーク文字認識装
置を提供することにある。
【０００５】
【課題を解決するための手段】本願第１の発明による入
力領域適応型ニューラルネットワーク文字認識装置は、
標準的な文字パターンおよびその文字パターンのカテゴ
リーを保持する標準文字パターン・カテゴリー・メモリ
部と、認識すべきパターンが外部から提示され、学習時
のパターンとなるように適応する入力領域部と、標準的
な位置に提示された文字パターンを認識することができ
るパターン連想型ニューラルネットワークと、前記文字
パターンの認識時に前記入力領域部のセル間の距離を空
間的に制約する制約力の影響を徐々に大きくするように
制御する制約力制御部と、パターン連想型ニューラルネ
ットワーク部を制御する学習・認識制御部とを有するこ
とを特徴とする。本願第２の発明による入力領域適応型
ニューラルネットワーク文字認識装置は、標準的な文字
パターンおよびその文字パターンのカテゴリーを保持す
る標準文字パターン・カテゴリー・メモリ部と、認識す
べきパターンが外部から提示され、学習時のパターンと
なるように適応する入力領域部と、標準的な位置に提示
された文字パターンを認識することができるパターン連
想型ニューラルネットワークと、前記入力領域部に提示
されたパターンの各部の強度が入力される各入力セルに
対して、前記ニューラルネットワークの出力の誤差を小
さくするように作用するデルタ力の影響を徐々に小さく
なるように制御するデルタ力制御部と、パターン連想型
ニューラルネットワーク部を制御する学習・認識制御部
とを有することを特徴とする。本願第３の発明による入
力領域適応型ニューラルネットワーク文字認識装置は、
前記本願第１の発明に加え、前記入力領域部に提示され
たパターンの各部の強度が入力される各入力セルに対し
て、前記ニューラルネットワークの出力の誤差を小さく
するように作用するデルタ力の影響を徐々に小さくなる
ように制御するデルタ力制御部を有することを特徴とす
る。
力領域適応型ニューラルネットワーク文字認識装置は、
標準的な文字パターンおよびその文字パターンのカテゴ
リーを保持する標準文字パターン・カテゴリー・メモリ
部と、認識すべきパターンが外部から提示され、学習時
のパターンとなるように適応する入力領域部と、標準的
な位置に提示された文字パターンを認識することができ
るパターン連想型ニューラルネットワークと、前記文字
パターンの認識時に前記入力領域部のセル間の距離を空
間的に制約する制約力の影響を徐々に大きくするように
制御する制約力制御部と、パターン連想型ニューラルネ
ットワーク部を制御する学習・認識制御部とを有するこ
とを特徴とする。本願第２の発明による入力領域適応型
ニューラルネットワーク文字認識装置は、標準的な文字
パターンおよびその文字パターンのカテゴリーを保持す
る標準文字パターン・カテゴリー・メモリ部と、認識す
べきパターンが外部から提示され、学習時のパターンと
なるように適応する入力領域部と、標準的な位置に提示
された文字パターンを認識することができるパターン連
想型ニューラルネットワークと、前記入力領域部に提示
されたパターンの各部の強度が入力される各入力セルに
対して、前記ニューラルネットワークの出力の誤差を小
さくするように作用するデルタ力の影響を徐々に小さく
なるように制御するデルタ力制御部と、パターン連想型
ニューラルネットワーク部を制御する学習・認識制御部
とを有することを特徴とする。本願第３の発明による入
力領域適応型ニューラルネットワーク文字認識装置は、
前記本願第１の発明に加え、前記入力領域部に提示され
たパターンの各部の強度が入力される各入力セルに対し
て、前記ニューラルネットワークの出力の誤差を小さく
するように作用するデルタ力の影響を徐々に小さくなる
ように制御するデルタ力制御部を有することを特徴とす
る。
【０００６】
【作用】本発明では、入力として従来の方法を用いて大
まかに切り出された文字パターンを用いる。このパター
ンに対してパターン連想型ニューラルネットワークを用
いて文字認識が行われる。認識結果を用いて入力領域部
が文字パターンに対して適応される。適応させた入力に
対して再度ニューラルネットワークを用いて文字認識が
行われる。この手続きの繰り返しによって文字の認識が
行われる。前処理は認識結果に基づいて逐時的に行なわ
れ、ノイズを含んだあるいは回転または平行移動した文
字パターンに対しても適切に行われる。また、特徴抽出
の過程はニューラルネットワーク学習によって行うか
ら、分類する文字パターンに対して適切な特徴抽出が行
なわれる。
まかに切り出された文字パターンを用いる。このパター
ンに対してパターン連想型ニューラルネットワークを用
いて文字認識が行われる。認識結果を用いて入力領域部
が文字パターンに対して適応される。適応させた入力に
対して再度ニューラルネットワークを用いて文字認識が
行われる。この手続きの繰り返しによって文字の認識が
行われる。前処理は認識結果に基づいて逐時的に行なわ
れ、ノイズを含んだあるいは回転または平行移動した文
字パターンに対しても適切に行われる。また、特徴抽出
の過程はニューラルネットワーク学習によって行うか
ら、分類する文字パターンに対して適切な特徴抽出が行
なわれる。
【０００７】本願の第１の発明による入力領域適応型ニ
ューラルネットワーク文字認識装置では、認識時に前記
入力領域部の空間的な制約力の影響を制御する制約力制
御部を有する。認識時に制約力制御部によって、空間的
な制約力の影響は徐々に大きくされる。このことによ
り、認識開始直後、制約力の影響が小さいから、入力領
域の各セルは大きく動くことが可能となり、入力パター
ンの大きい特徴量に対してセルが適応する。認識開始直
後しばらく経つと、制約力の影響が徐々に大きくなり、
入力領域の各セルでは大きい特徴量に対応するセルとの
空間的な制約力の影響が大きくなる。その結果、ほとん
ど特徴が無い領域に対応するセルも正しい位置に適応す
る。
ューラルネットワーク文字認識装置では、認識時に前記
入力領域部の空間的な制約力の影響を制御する制約力制
御部を有する。認識時に制約力制御部によって、空間的
な制約力の影響は徐々に大きくされる。このことによ
り、認識開始直後、制約力の影響が小さいから、入力領
域の各セルは大きく動くことが可能となり、入力パター
ンの大きい特徴量に対してセルが適応する。認識開始直
後しばらく経つと、制約力の影響が徐々に大きくなり、
入力領域の各セルでは大きい特徴量に対応するセルとの
空間的な制約力の影響が大きくなる。その結果、ほとん
ど特徴が無い領域に対応するセルも正しい位置に適応す
る。
【０００８】本願の第２の発明による入力領域適応型ニ
ューラルネットワーク文字認識装置では、出力の誤差を
小さくする為に各入力セルに対して作用するデルタ力の
影響を制御するデルタ力制御部を有する。認識時にデル
タ力制御部によって、デルタ力の影響が徐々に小さくさ
れる。このことにより、認識開始直後、デルタ力の影響
が大きいから、入力領域の各セルは大きく動くことが可
能となり、入力パターンの大きい特徴量に対してセルが
適応する。認識開始直後しばらく経つと、デルタ力の影
響が徐々に小さくなり、大きい特徴量に対応するセルと
の空間的な制約力の影響が相対的に大きくなる。その結
果、ほとんど特徴が無い領域に対応するセルも正しい位
置に適応する。
ューラルネットワーク文字認識装置では、出力の誤差を
小さくする為に各入力セルに対して作用するデルタ力の
影響を制御するデルタ力制御部を有する。認識時にデル
タ力制御部によって、デルタ力の影響が徐々に小さくさ
れる。このことにより、認識開始直後、デルタ力の影響
が大きいから、入力領域の各セルは大きく動くことが可
能となり、入力パターンの大きい特徴量に対してセルが
適応する。認識開始直後しばらく経つと、デルタ力の影
響が徐々に小さくなり、大きい特徴量に対応するセルと
の空間的な制約力の影響が相対的に大きくなる。その結
果、ほとんど特徴が無い領域に対応するセルも正しい位
置に適応する。
【０００９】本願の第３の発明による入力領域適応型ニ
ューラルネットワーク文字認識装置では、前記本願第１
の発明の認識時に入力領域部の空間的な制約力の影響を
制御する制約力制御部と、前記本願第２の発明の出力の
誤差を小さくする為に各入力セルに対して作用するデル
タ力の影響を制御するデルタ力制御部を有する。
ューラルネットワーク文字認識装置では、前記本願第１
の発明の認識時に入力領域部の空間的な制約力の影響を
制御する制約力制御部と、前記本願第２の発明の出力の
誤差を小さくする為に各入力セルに対して作用するデル
タ力の影響を制御するデルタ力制御部を有する。
【００１０】ここで用いるパターン連想型ニューラルネ
ットワークには、例えば「日経エレクトロニクス」誌４
２７号（１９８７年８月）の１１５頁から１２４頁に
「ニューラル・ネットをパターン認識、信号処理、知識
処理に使う」と題された記事（以下、「引用文献２」と
称す。）により詳細に解説されているパターン連想型ニ
ューラルネットワークを用いることができる。
ットワークには、例えば「日経エレクトロニクス」誌４
２７号（１９８７年８月）の１１５頁から１２４頁に
「ニューラル・ネットをパターン認識、信号処理、知識
処理に使う」と題された記事（以下、「引用文献２」と
称す。）により詳細に解説されているパターン連想型ニ
ューラルネットワークを用いることができる。
【００１１】図５はパターン連想型ニューラルネットワ
ークの構造の一例を示す構造説明図である。図５を参照
するに、このパターン連想型ニューラルネットワークで
は入力層５１、中間層５２、出力層５３の各層が階層構
造になっている。なお、本実施例では、中間層５２は１
層となっているが、２層以上の多層でもよい。
ークの構造の一例を示す構造説明図である。図５を参照
するに、このパターン連想型ニューラルネットワークで
は入力層５１、中間層５２、出力層５３の各層が階層構
造になっている。なお、本実施例では、中間層５２は１
層となっているが、２層以上の多層でもよい。
【００１２】パターン連想型ニューラルネットワークの
各層のノードの出力は、そのノードに接続されているノ
ードに重みｗを掛けたものの総和の値を、非線形関数に
より変換したものである。この様にパターン連想型ニュ
ーラルネットワークの変換特性は、重みｗによって決定
される。重みｗの値は、学習によって決定される。学習
法については、例えば、引用文献２により詳細に解説さ
れているバックワード・プロパゲーションを用いて実行
することができる。
各層のノードの出力は、そのノードに接続されているノ
ードに重みｗを掛けたものの総和の値を、非線形関数に
より変換したものである。この様にパターン連想型ニュ
ーラルネットワークの変換特性は、重みｗによって決定
される。重みｗの値は、学習によって決定される。学習
法については、例えば、引用文献２により詳細に解説さ
れているバックワード・プロパゲーションを用いて実行
することができる。
【００１３】学習が終了したニューラルネットワークに
対して、入力文字パターンＰが提示されたとする。これ
から入力層５１の各セルの値が決定する。フォーワード
・プロパゲーションを用いて出力層５３の各セルの出力
値が決定する。出力層５３の各セルは文字のカテゴリー
に対応づけられているから、出力値が最大のセルが入力
文字パターンＰのカテゴリーとなる。
対して、入力文字パターンＰが提示されたとする。これ
から入力層５１の各セルの値が決定する。フォーワード
・プロパゲーションを用いて出力層５３の各セルの出力
値が決定する。出力層５３の各セルは文字のカテゴリー
に対応づけられているから、出力値が最大のセルが入力
文字パターンＰのカテゴリーとなる。
【００１４】ノイズを含んだあるいは回転または平行移
動した文字パターンが提示されたときには、ニューラル
ネットワークの汎化能力により、入力文字パターンＰの
カテゴリーに対応する出力層５３のセルの出力が最大と
なる。
動した文字パターンが提示されたときには、ニューラル
ネットワークの汎化能力により、入力文字パターンＰの
カテゴリーに対応する出力層５３のセルの出力が最大と
なる。
【００１５】しかしながら、入力文字パターンＰはノイ
ズを含んだあるいは回転または平行移動している文字パ
ターンであるから、入力文字パターンＰに対応しない出
力層５３のセルにも出力が現れる。この時に、出力層５
３の各セルが出力すべき値を、対応するカテゴリーのセ
ルは１．０、対応しないカテゴリーのセルは０．０とす
る。出力すべき値と出力値を用いてニューラルネットワ
ークのエラーを算出する。ここで、引用文献２により詳
細に解説されているパックワード・プロパゲーションを
用いて入力層５１のセルのδ値を求める。δ値は、次の
（１）式で求められる。 δ＝−∂Ｅ／∂ｎｅｔ ・・・（１） ここで、Ｅは前出のエラー、ｎｅｔは入力層５１のセル
の入力である。δ値はエラーに対する入力の偏微係数な
ので、入力層５１のセルの入力を−ηδだけ変更すると
（但し、０＜η＜１）、エラーが減少する。
ズを含んだあるいは回転または平行移動している文字パ
ターンであるから、入力文字パターンＰに対応しない出
力層５３のセルにも出力が現れる。この時に、出力層５
３の各セルが出力すべき値を、対応するカテゴリーのセ
ルは１．０、対応しないカテゴリーのセルは０．０とす
る。出力すべき値と出力値を用いてニューラルネットワ
ークのエラーを算出する。ここで、引用文献２により詳
細に解説されているパックワード・プロパゲーションを
用いて入力層５１のセルのδ値を求める。δ値は、次の
（１）式で求められる。 δ＝−∂Ｅ／∂ｎｅｔ ・・・（１） ここで、Ｅは前出のエラー、ｎｅｔは入力層５１のセル
の入力である。δ値はエラーに対する入力の偏微係数な
ので、入力層５１のセルの入力を−ηδだけ変更すると
（但し、０＜η＜１）、エラーが減少する。
【００１６】入力層５１のセルの入力の変更は、入力領
域にあるセルの局所的なパターン濃さの勾配を用いて、
セルを移動することによって行なう。同時に入力領域の
セルが無秩序に移動しないように、セル間には制約を設
ける。
域にあるセルの局所的なパターン濃さの勾配を用いて、
セルを移動することによって行なう。同時に入力領域の
セルが無秩序に移動しないように、セル間には制約を設
ける。
【００１７】入力領域のセルの移動により、新たに入力
層の各セルの値が決定される。フォーワード・プロパゲ
ーションを用いて出力層５３の各セルの出力値が決定さ
れる。
層の各セルの値が決定される。フォーワード・プロパゲ
ーションを用いて出力層５３の各セルの出力値が決定さ
れる。
【００１８】以上の手続きを繰り返すことによって、入
力領域は出力層でのエラーが減少するように適応する。
すなわち、学習した時の文字パターンと同じようになる
ように入力領域が適応し、ノイズを含んだあるいは回転
または平行移動した文字パターンに対しても適切な前処
理が行なわれる。また、特徴抽出の過程はニューラルネ
ットワーク学習によって行なうから、分類する文字パタ
ーンに対して適切な特徴抽出が行なわれる。
力領域は出力層でのエラーが減少するように適応する。
すなわち、学習した時の文字パターンと同じようになる
ように入力領域が適応し、ノイズを含んだあるいは回転
または平行移動した文字パターンに対しても適切な前処
理が行なわれる。また、特徴抽出の過程はニューラルネ
ットワーク学習によって行なうから、分類する文字パタ
ーンに対して適切な特徴抽出が行なわれる。
【００１９】以下に、本願第１の発明の実施例について
図面を参照して説明する。図１は本願第１の発明の入力
領域適応型ニューラルネットワーク文字認識装置の一実
施例を示す構成図である。この入力領域適応型ニューラ
ルネットワーク文字認識装置は、標準文字パターン・カ
テゴリーメモリ部１１と、パターン連想型ニューラルネ
ットワーク１２と、学習・認識制御部１３と、入力領域
部１４と、制約力制御部１５と、切換え部１６とを有す
る。
図面を参照して説明する。図１は本願第１の発明の入力
領域適応型ニューラルネットワーク文字認識装置の一実
施例を示す構成図である。この入力領域適応型ニューラ
ルネットワーク文字認識装置は、標準文字パターン・カ
テゴリーメモリ部１１と、パターン連想型ニューラルネ
ットワーク１２と、学習・認識制御部１３と、入力領域
部１４と、制約力制御部１５と、切換え部１６とを有す
る。
【００２０】標準文字パターン・カテゴリーメモリ部１
１は、学習用の標準的な文字パターンとそのカテゴリー
との組のＮ組を保持している。パターン連想型ニューラ
ルネットワーク１２は、標準文字パターンＳt を入力信
号とし、その文字パターンＳt のカテゴリーＫt を教師
信号として学習し、文字パターンＳt およびそのカテゴ
リーＫt を認識する機能を有する。そこで、学習・認識
制御部１３は、パターン連想型ニューラルネットワーク
１２の学習と認識の動作を制御する。入力領域部１４に
は、パターン連想型ニューラルネットワーク１２の各入
力セルを含み、外部からのパターンは入力領域部１４を
通してパターン連想型ニューラルネットワーク１２の入
力となる。制約力制御部１５は、認識時に入力領域部の
空間的な制約力の影響を制御する。切換え部１６は、学
習と認識とのフェーズの間で、パターン連想型ニューラ
ルネットワーク１２への入力を切換える。
１は、学習用の標準的な文字パターンとそのカテゴリー
との組のＮ組を保持している。パターン連想型ニューラ
ルネットワーク１２は、標準文字パターンＳt を入力信
号とし、その文字パターンＳt のカテゴリーＫt を教師
信号として学習し、文字パターンＳt およびそのカテゴ
リーＫt を認識する機能を有する。そこで、学習・認識
制御部１３は、パターン連想型ニューラルネットワーク
１２の学習と認識の動作を制御する。入力領域部１４に
は、パターン連想型ニューラルネットワーク１２の各入
力セルを含み、外部からのパターンは入力領域部１４を
通してパターン連想型ニューラルネットワーク１２の入
力となる。制約力制御部１５は、認識時に入力領域部の
空間的な制約力の影響を制御する。切換え部１６は、学
習と認識とのフェーズの間で、パターン連想型ニューラ
ルネットワーク１２への入力を切換える。
【００２１】次に、本願第１の発明の入力領域適応型ニ
ューラルネットワーク文字認識装置の一実施例の動作を
説明する。動作は、パターン連想型ニューラルネットワ
ーク１２の学習を行う学習フェーズと、装置を用いて文
字パターンの認識を行なう認識フェーズとからなる。
ューラルネットワーク文字認識装置の一実施例の動作を
説明する。動作は、パターン連想型ニューラルネットワ
ーク１２の学習を行う学習フェーズと、装置を用いて文
字パターンの認識を行なう認識フェーズとからなる。
【００２２】（１） 学習フェーズ 発明の学習フェーズについて図１および図２に基づき説
明する。図２は学習フェーズにおける信号の流れの一例
を示すブロック図である。学習フェーズでは、図１の切
換え部１６は、接点ａ側に切換えられる。パターン連想
型ニューラルネットワーク１２は、標準文字パターンＳ
t を入力信号とし、その文字パターンＳt のカテゴリー
Ｋt を教師信号とする。これらの入力信号と教師信号を
元にしてパターン連想型ニューラルネットワーク１２の
内部パラメータの更新が行われる。この更新を引用文献
２に詳細に解説されているパックワード・プロパゲーシ
ョンを用いて実行することができる。以上に述べた学習
操作は、標準文字パターン・カテゴリー・メモリ部１１
に保持されている標準文字パターンＳt とカテゴリーＫ
t とについて行われる。学習後の誤差が十分に小さくな
い場合には、以上に述べた学習操作を繰り返し、誤差が
十分に小さくなるまで学習操作を繰り返す。
明する。図２は学習フェーズにおける信号の流れの一例
を示すブロック図である。学習フェーズでは、図１の切
換え部１６は、接点ａ側に切換えられる。パターン連想
型ニューラルネットワーク１２は、標準文字パターンＳ
t を入力信号とし、その文字パターンＳt のカテゴリー
Ｋt を教師信号とする。これらの入力信号と教師信号を
元にしてパターン連想型ニューラルネットワーク１２の
内部パラメータの更新が行われる。この更新を引用文献
２に詳細に解説されているパックワード・プロパゲーシ
ョンを用いて実行することができる。以上に述べた学習
操作は、標準文字パターン・カテゴリー・メモリ部１１
に保持されている標準文字パターンＳt とカテゴリーＫ
t とについて行われる。学習後の誤差が十分に小さくな
い場合には、以上に述べた学習操作を繰り返し、誤差が
十分に小さくなるまで学習操作を繰り返す。
【００２３】これによって、パターン連想型ニューラル
ネットワーク１２の学習は終了する。この学習によって
パターン連想型ニューラルネットワーク１２は、前述の
学習によって文字パターンＳt を元にして、そのカテゴ
リーＫt を認識する機能を有する。
ネットワーク１２の学習は終了する。この学習によって
パターン連想型ニューラルネットワーク１２は、前述の
学習によって文字パターンＳt を元にして、そのカテゴ
リーＫt を認識する機能を有する。
【００２４】（２） 認識フェーズ 認識フェーズについて図１，図３，図４および図６に基
づき説明する。図３は認識フェーズにおける信号の流れ
の一例を示すブロック図、図４は認識フェーズにおける
手続きを示すフローチャート、図６はパターン濃さの勾
配Ｇj を求める説明図である。認識フェーズでは、図１
の切換え部１６は、接点ｂ側に切換えられる。認識すべ
きパターンは外部より入力領域部１４に提示される。こ
の時の認識すべきパターンは原パターンより大まかに切
り出される。この手法については、引用文献１に説明さ
れている。
づき説明する。図３は認識フェーズにおける信号の流れ
の一例を示すブロック図、図４は認識フェーズにおける
手続きを示すフローチャート、図６はパターン濃さの勾
配Ｇj を求める説明図である。認識フェーズでは、図１
の切換え部１６は、接点ｂ側に切換えられる。認識すべ
きパターンは外部より入力領域部１４に提示される。こ
の時の認識すべきパターンは原パターンより大まかに切
り出される。この手法については、引用文献１に説明さ
れている。
【００２５】まず、パターン連想型ニューラルネットワ
ーク１２の各入力セルの入力が計算される（図４のステ
ップ４１）。各入力セルの入力は、入力領域の位置にお
いて提示されているパターンの強度に従って計算され
る。例えば、格子点よりΔｘ，Δｙずれた位置にあるセ
ルの入力Ｉ（Δｘ，Δｙ）を以下のように決定すること
ができる。 Ｉ（Δｘ，Δｙ）＝（１−Δｘ）（１−Δｙ）Ｉ00 ・・・（２） ＋Δｘ（１−Δｙ）Ｉ10 ＋（１−Δｘ）ΔｙＩ01 ＋ΔｘΔｙＩ11 ここでＩ11，Ｉ10，Ｉ01，Ｉ00は、各格子点に対応する
パターンの濃さである。
ーク１２の各入力セルの入力が計算される（図４のステ
ップ４１）。各入力セルの入力は、入力領域の位置にお
いて提示されているパターンの強度に従って計算され
る。例えば、格子点よりΔｘ，Δｙずれた位置にあるセ
ルの入力Ｉ（Δｘ，Δｙ）を以下のように決定すること
ができる。 Ｉ（Δｘ，Δｙ）＝（１−Δｘ）（１−Δｙ）Ｉ00 ・・・（２） ＋Δｘ（１−Δｙ）Ｉ10 ＋（１−Δｘ）ΔｙＩ01 ＋ΔｘΔｙＩ11 ここでＩ11，Ｉ10，Ｉ01，Ｉ00は、各格子点に対応する
パターンの濃さである。
【００２６】次に、出力の計算が行われる（図４のステ
ップ４２）。出力の計算は引用文献２に詳細に解説され
ているフォワード・プロパゲーションを用いて実行され
る。
ップ４２）。出力の計算は引用文献２に詳細に解説され
ているフォワード・プロパゲーションを用いて実行され
る。
【００２７】“正解”の選択（図４のステップ４３）で
は、出力のうち最大出力のものを正解とする。正解が決
まると、平均２乗誤差Ｅは以下のようになる。
は、出力のうち最大出力のものを正解とする。正解が決
まると、平均２乗誤差Ｅは以下のようになる。
【００２８】
【数１】
【００２９】式中、Ｎは出力層のセルの数である。Ａi
は、Ａiが最大出力であったら１．０、それ以外では
０．０である。Ｏi は、出力層の第ｉセルの出力であ
る。
は、Ａiが最大出力であったら１．０、それ以外では
０．０である。Ｏi は、出力層の第ｉセルの出力であ
る。
【００３０】入力層の各セルのデルタ値の計算（図４の
ステップ４４）は、引用文献２に詳細に解説されている
パックワードプロパゲーションを用いて実行される。こ
れによって、入力層の第ｊセルのデルタ値δj を求める
ことができる。デルタ値δj と出力層での平均２乗誤差
Ｅとは、以下に示されるような関係がある。 δj ＝−∂Ｅ／∂ｎｅｔj ・・・（４） ここでｎｅｔj は第ｊ入力セルの入力である。
ステップ４４）は、引用文献２に詳細に解説されている
パックワードプロパゲーションを用いて実行される。こ
れによって、入力層の第ｊセルのデルタ値δj を求める
ことができる。デルタ値δj と出力層での平均２乗誤差
Ｅとは、以下に示されるような関係がある。 δj ＝−∂Ｅ／∂ｎｅｔj ・・・（４） ここでｎｅｔj は第ｊ入力セルの入力である。
【００３１】従って、δj が正の値のときは、第ｊ入力
セルの総入力ｎｅｔj が増加すると、平均２乗誤差Ｅは
減少する。その結果、出力はより“正解”に近付くこと
になる。このことから、出力をより“正解”に近付ける
ためには、第ｊ入力セルの総入力 ｅｔj を、以下に与
えられるようなΔｎｅｔj だけ変更させれば良いことが
分かる。 Δｎｅｔj ＝ηδj ・・・（５）
セルの総入力ｎｅｔj が増加すると、平均２乗誤差Ｅは
減少する。その結果、出力はより“正解”に近付くこと
になる。このことから、出力をより“正解”に近付ける
ためには、第ｊ入力セルの総入力 ｅｔj を、以下に与
えられるようなΔｎｅｔj だけ変更させれば良いことが
分かる。 Δｎｅｔj ＝ηδj ・・・（５）
【００３２】出力層のエラーを減少させるために“移動
しなければならない位置”は、パターン濃さの勾配Ｇj
とΔｎｅｔj を用いて計算される。例えば、パターン濃
さの勾配Ｇj は、図６に示すように、周囲のパターン濃
さを基にして、以下のように内挿して計算される。 Ｇj ＝Ｇx,j ｉ＋Ｇy,j ｊ ・・・（６） Ｇx,j ＝∂Ｉ／∂ｘ ＝Δｙ（Ｉ11−Ｉ01）＋（１−Δｙ）（Ｉ10−Ｉ00）・・・（７） Ｇy,j ＝∂Ｉ／∂ｙ ＝Δｘ（Ｉ11−Ｉ10）＋（１−Δｘ）（Ｉ01−Ｉ00）・・・（８） ここで、Ｉ11，Ｉ10，Ｉ01，Ｉ00は、各位置に対応する
パターンの濃さである。
しなければならない位置”は、パターン濃さの勾配Ｇj
とΔｎｅｔj を用いて計算される。例えば、パターン濃
さの勾配Ｇj は、図６に示すように、周囲のパターン濃
さを基にして、以下のように内挿して計算される。 Ｇj ＝Ｇx,j ｉ＋Ｇy,j ｊ ・・・（６） Ｇx,j ＝∂Ｉ／∂ｘ ＝Δｙ（Ｉ11−Ｉ01）＋（１−Δｙ）（Ｉ10−Ｉ00）・・・（７） Ｇy,j ＝∂Ｉ／∂ｙ ＝Δｘ（Ｉ11−Ｉ10）＋（１−Δｘ）（Ｉ01−Ｉ00）・・・（８） ここで、Ｉ11，Ｉ10，Ｉ01，Ｉ00は、各位置に対応する
パターンの濃さである。
【００３３】出力のエラーが減少する様にするためにセ
ルを移動させようとする力を、以下デルタ力と呼ぶ。デ
ルタ力ｎj は、Δｎｅｔj とパターンの濃さの勾配Ｇj
を用いて以下のように計算される。
ルを移動させようとする力を、以下デルタ力と呼ぶ。デ
ルタ力ｎj は、Δｎｅｔj とパターンの濃さの勾配Ｇj
を用いて以下のように計算される。
【００３４】
【数２】
【００３５】上式では、パターンの濃さの勾配Ｇj 〜０
の時は、デルタｎj は無限大となる。しかしながら、こ
の状態ではデルタ力ｎj はほぼ０となる必要がある上記
のことを考慮すると、デルタｎj を、例えば、以下のよ
うに決定することができる。
の時は、デルタｎj は無限大となる。しかしながら、こ
の状態ではデルタ力ｎj はほぼ０となる必要がある上記
のことを考慮すると、デルタｎj を、例えば、以下のよ
うに決定することができる。
【００３６】
【数３】
【００３７】入力領域のセル間では、例えば、長方形を
保つような空間的な制約力を、以下アドレス力と呼ぶ。
アドレス力は、セル間の距離が増加すると発生し元の距
離に戻そうとする。この力は、入力領域を長方形に保つ
ことについて働き、入力領域全体が回転または平行移動
しても働かない。第ｊセルと第ｍセルに働く、アドレス
力Ｆj,m は以下のように与えられる。
保つような空間的な制約力を、以下アドレス力と呼ぶ。
アドレス力は、セル間の距離が増加すると発生し元の距
離に戻そうとする。この力は、入力領域を長方形に保つ
ことについて働き、入力領域全体が回転または平行移動
しても働かない。第ｊセルと第ｍセルに働く、アドレス
力Ｆj,m は以下のように与えられる。
【００３８】
【数４】
【００３９】ここで、ｋは、バネ定数、ＪＭは、始点が
第ｊセルで終点が第ｍセルで与えられる位置ベクトル、
Ｌj,m は、第ｊセルと第ｍの自然長である。
第ｊセルで終点が第ｍセルで与えられる位置ベクトル、
Ｌj,m は、第ｊセルと第ｍの自然長である。
【００４０】第ｊセルと第ｍセルに働くアドレス力Ｆ
j,m を用いて、第ｊセルに働くアドレス力Ｆj,m は以下
のように表わされる。
j,m を用いて、第ｊセルに働くアドレス力Ｆj,m は以下
のように表わされる。
【００４１】
【数５】
【００４２】ここで、入力領域でのセルの新しい位置が
決定される（図４のステップ４５）。セルの新しい位置
はデルタ力とアドレス力を組み合わせて決定される。セ
ルの新しい位置ベクトルＰj は、以下のように計算され
る。
決定される（図４のステップ４５）。セルの新しい位置
はデルタ力とアドレス力を組み合わせて決定される。セ
ルの新しい位置ベクトルＰj は、以下のように計算され
る。
【００４３】
【数６】
【数７】
【００４４】ここで、ｔはカテゴリーに対する探索回数
である。α1 は、前回の位置の変更量に作用するパラメ
ータで、一種の慣性とみなすことができる。この慣性を
用いることによって、ローカルミニマムを乗り越えて入
力量をパターンに適応化させることが可能となる。
である。α1 は、前回の位置の変更量に作用するパラメ
ータで、一種の慣性とみなすことができる。この慣性を
用いることによって、ローカルミニマムを乗り越えて入
力量をパターンに適応化させることが可能となる。
【００４５】α2 （ｔ）は制約力制御部１５によって与
えられる量で、入力領域部の空間的な制約力の影響を制
御する。制約力制御部１５はα2（ｔ）を探索回数ｔの
増加に伴って徐々に大きくしてゆく。これによって認識
開始直後では、入力領域の各セルはα2 （ｔ）が小さい
ために大きく動きことが可能となり、入力パターンの大
きい特徴量に対してセルが適応される。認識開始直後し
ばらく経つと、α2 （ｔ）が徐々に大きくなり、大きい
特徴量に対応するセルとの空間的な制約力の影響が大き
くなる。その結果、ほとんど特徴が無い領域に対応する
セルも正しい位置に適応する。
えられる量で、入力領域部の空間的な制約力の影響を制
御する。制約力制御部１５はα2（ｔ）を探索回数ｔの
増加に伴って徐々に大きくしてゆく。これによって認識
開始直後では、入力領域の各セルはα2 （ｔ）が小さい
ために大きく動きことが可能となり、入力パターンの大
きい特徴量に対してセルが適応される。認識開始直後し
ばらく経つと、α2 （ｔ）が徐々に大きくなり、大きい
特徴量に対応するセルとの空間的な制約力の影響が大き
くなる。その結果、ほとんど特徴が無い領域に対応する
セルも正しい位置に適応する。
【００４６】ここで誤差が十分に小さい値に収束してい
ないならば、ステップ４１に戻り、各入力セルの入力が
計算される。収束していれば、終了する。
ないならば、ステップ４１に戻り、各入力セルの入力が
計算される。収束していれば、終了する。
【００４７】続いて、本願第２の発明の実施例について
図面を参照して説明する。図７は発明の入力領域適応型
ニューラルネットワーク文字認識装置の一実施例を示す
構成図である。この入力領域適応型ニューラルネットワ
ーク文字認識装置は、標準文字パターン・カテゴリーメ
モリ部１１と、パターン連想型ニューラルネットワーク
１２と、学習・認識制御部１３と、入力領域部１４と、
デルタ力制御部７１と、切換え部１６とを有する。デル
タ力制御部７１は、認識時に入力領域部１４のデルタ力
の影響を制御する。
図面を参照して説明する。図７は発明の入力領域適応型
ニューラルネットワーク文字認識装置の一実施例を示す
構成図である。この入力領域適応型ニューラルネットワ
ーク文字認識装置は、標準文字パターン・カテゴリーメ
モリ部１１と、パターン連想型ニューラルネットワーク
１２と、学習・認識制御部１３と、入力領域部１４と、
デルタ力制御部７１と、切換え部１６とを有する。デル
タ力制御部７１は、認識時に入力領域部１４のデルタ力
の影響を制御する。
【００４８】次に本願第２の発明の実施例の動作を説明
する。動作は、パターン連想型ニューラルネットワーク
１２の学習を行なう学習フェーズと、装置を用いて文字
パターンの認識を行なう認識フェーズからなる。
する。動作は、パターン連想型ニューラルネットワーク
１２の学習を行なう学習フェーズと、装置を用いて文字
パターンの認識を行なう認識フェーズからなる。
【００４９】（１） 学習フェーズ 本実施例の学習フェーズは、本願第１の発明の実施例の
学習フェーズと同じである。
学習フェーズと同じである。
【００５０】（２） 認識フェーズ 認識フェーズについて図３，図４および図７に基づき説
明する。認識フェーズでは図７の切換え部１６は、接点
ｂ側に切換えられる。入力領域でのセルの新しい位置の
決定（図４のステップ４５）までは、本願第１の発明の
実施例と同じである。ここで、入力領域でのセルの新し
い位置の決定（図４のステップ４５）では、デルタ力と
アドレス力を組み合わせてセルの新しい位置を決定す
る。セルの新しい位置ベクトルＰj は、以下のように計
算される。
明する。認識フェーズでは図７の切換え部１６は、接点
ｂ側に切換えられる。入力領域でのセルの新しい位置の
決定（図４のステップ４５）までは、本願第１の発明の
実施例と同じである。ここで、入力領域でのセルの新し
い位置の決定（図４のステップ４５）では、デルタ力と
アドレス力を組み合わせてセルの新しい位置を決定す
る。セルの新しい位置ベクトルＰj は、以下のように計
算される。
【００５１】
【数８】
【数９】
【００５２】ここで、ｔはカテゴリーに対する探索回数
である。α1 は、前回の位置の変更量に作用するパラメ
ータで、一種の慣性とみなすことができる。この慣性を
用いることによって、ローカルミニマムを乗り越えて入
力領域をパターンに感応化させることが可能となる。
である。α1 は、前回の位置の変更量に作用するパラメ
ータで、一種の慣性とみなすことができる。この慣性を
用いることによって、ローカルミニマムを乗り越えて入
力領域をパターンに感応化させることが可能となる。
【００５３】α3 （ｔ）はデルタ力制御部７１より与え
られる量で、入力領域部の各入力セルに対して作用する
デルタ力の影響を制御する。デルタ力制御部７１はα3
（ｔ）を探索回数ｔの増加に伴って徐々に小さくしてゆ
く。これによって認識開始直後では、入力領域の各セル
はα3 （ｔ）が大きいために大きく動くことが可能とな
り、入力パターンの大きい特徴量に対してセルが適応す
る。認識開始直後しばらく経つと、α3 （ｔ）が徐々に
小さくなり、大きい特徴量に対応するセルとの空間的な
制約力の影響が相対的に大きくなる。その結果ほとんど
特徴が無い領域に対応するセルも正しい位置に適応す
る。
られる量で、入力領域部の各入力セルに対して作用する
デルタ力の影響を制御する。デルタ力制御部７１はα3
（ｔ）を探索回数ｔの増加に伴って徐々に小さくしてゆ
く。これによって認識開始直後では、入力領域の各セル
はα3 （ｔ）が大きいために大きく動くことが可能とな
り、入力パターンの大きい特徴量に対してセルが適応す
る。認識開始直後しばらく経つと、α3 （ｔ）が徐々に
小さくなり、大きい特徴量に対応するセルとの空間的な
制約力の影響が相対的に大きくなる。その結果ほとんど
特徴が無い領域に対応するセルも正しい位置に適応す
る。
【００５４】ここで誤差が十分に小さい値に収束してい
ないならば、ステップ４１に戻り、収束していれば、終
了とする。
ないならば、ステップ４１に戻り、収束していれば、終
了とする。
【００５５】
【発明の効果】本発明の入力領域適応型ニューラルネッ
トワーク文字認識装置によれば、大まかに切り出された
文字パターンに対して、ノイズを含んだあるいは回転ま
たは平行移動した文字パターンに対して適応してニュー
ラルネットワークを用いて文字認識を行うことにより、
文字認識精度と確度をともに向上させることができ、ま
た、パターンの提示位置を確定できる。
トワーク文字認識装置によれば、大まかに切り出された
文字パターンに対して、ノイズを含んだあるいは回転ま
たは平行移動した文字パターンに対して適応してニュー
ラルネットワークを用いて文字認識を行うことにより、
文字認識精度と確度をともに向上させることができ、ま
た、パターンの提示位置を確定できる。
【図１】本願第１の発明の入力領域適応型ニューラルネ
ットワーク文字認識装置の一実施例を示す構成図。
ットワーク文字認識装置の一実施例を示す構成図。
【図２】学習フェーズの信号の流れを示すブロック図。
【図３】認識フェーズの信号の流れを示すブロック図。
【図４】認識フェーズにおける手続きを示すフローチャ
ート。
ート。
【図５】パターン連想型ニューラルネットワークの構成
例を示す図。
例を示す図。
【図６】パターン濃さの勾配Ｇj を求める説明図。
【図７】本願第２の発明の入力領域適応型ニューラルネ
ットワーク文字認識装置の一実施例を示す構成図。
ットワーク文字認識装置の一実施例を示す構成図。
１１ 標準文字パターン・カテゴリー・メモリ部 １２ パターン連想型ニューラルネットワーク １３ 学習・認識制御部 １４ 入力領域部 １５ 制約力制御部 １６ 切換え部 ５１ 入力層 ５２ 中間層 ５３ 出力層 ７１ デルタ力制御部
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平４−38587（ＪＰ，Ａ) 特開 平４−106686（ＪＰ，Ａ) 特公 昭58−53790（ＪＰ，Ｂ２) 今井、ほか２名、”３層ＢＰモデルの 組合せによるパターン認識アーキテクチ ャー”電子情報通信学会技術報告，社団 法人電子情報通信学会、1989年12月４ 日、Ｖｏｌ．89 Ｎｏ．320、ＮＣ89− 37 ｐ．27−32 (58)調査した分野(Int.Cl.6，ＤＢ名) G06K 9/00 - 9/82 G06T 7/00
Claims (3)
- 【請求項１】 標準的な文字パターンおよびその文字パ
ターンのカテゴリーを保持する標準文字パターン・カテ
ゴリー・メモリ部と、認識すべきパターンが外部から提示され、学習時のパタ
ーンとなるように 適応する入力領域部と、 標準的な位置に提示された文字パターンを認識すること
ができるパターン連想型ニューラルネットワークと、前記文字パターンの 認識時に前記入力領域部のセル間の
距離を空間的に制約する制約力の影響を徐々に大きくす
るように制御する制約力制御部と、 パターン連想型ニューラルネットワーク部を制御する学
習・認識制御部とを有することを特徴とする入力領域適
応型ニューラルネットワーク認識装置。 - 【請求項２】 標準的な文字パターンおよびその文字パ
ターンのカテゴリーを保持する標準文字パターン・カテ
ゴリー・メモリ部と、認識すべきパターンが外部から提示され、学習時のパタ
ーンとなるように 適応する入力領域部と、 標準的な位置に提示された文字パターンを認識すること
ができるパターン連想型ニューラルネットワークと、前記入力領域部に提示されたパターンの各部の強度が入
力される 各入力セルに対して、前記ニューラルネットワ
ークの出力の誤差を小さくするように作用するデルタ力
の影響を徐々に小さくなるように制御するデルタ力制御
部と、 パターン連想型ニューラルネットワーク部を制御する学
習・認識制御部とを有することを特徴とする入力領域適
応型ニューラルネットワーク認識装置。 - 【請求項３】 前記入力領域部に提示されたパターンの
各部の強度が入力される各入力セルに対して、前記ニュ
ーラルネットワークの出力の誤差を小さくするように作
用するデルタ力の影響を徐々に小さくなるように制御す
るデルタ力制御部を有する請求項１記載の入力領域適応
型ニューラルネットワーク認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3053965A JP2993153B2 (ja) | 1991-02-26 | 1991-02-26 | 入力領域適応型ニューラルネットワーク文字認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3053965A JP2993153B2 (ja) | 1991-02-26 | 1991-02-26 | 入力領域適応型ニューラルネットワーク文字認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04271490A JPH04271490A (ja) | 1992-09-28 |
| JP2993153B2 true JP2993153B2 (ja) | 1999-12-20 |
Family
ID=12957388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3053965A Expired - Fee Related JP2993153B2 (ja) | 1991-02-26 | 1991-02-26 | 入力領域適応型ニューラルネットワーク文字認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2993153B2 (ja) |
-
1991
- 1991-02-26 JP JP3053965A patent/JP2993153B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 今井、ほか２名、"３層ＢＰモデルの組合せによるパターン認識アーキテクチャー"電子情報通信学会技術報告，社団法人電子情報通信学会、１９８９年１２月４日、Ｖｏｌ．８９ Ｎｏ．３２０、ＮＣ８９−３７ ｐ．２７−３２ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04271490A (ja) | 1992-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen | A rapid supervised learning neural network for function interpolation and approximation | |
| US5594835A (en) | Neural-fuzzy logic control system with adjustable fuzzy logic membership functions | |
| JP6858382B2 (ja) | ハードウェア最適化に使用される１ｘＨコンボリューションを利用したＣＮＮ基盤の物体検出器を学習する方法及び学習装置、それを利用したテスト方法及びテスト装置 | |
| US5287430A (en) | Signal discrimination device using neural network | |
| JPH05158910A (ja) | ニューラルネットのトレイン方法及びニューラルネットの分類装置 | |
| Henseler | Back propagation | |
| JP2993153B2 (ja) | 入力領域適応型ニューラルネットワーク文字認識装置 | |
| CN109492697A (zh) | 图片检测网络训练方法及图片检测网络训练装置 | |
| JP3303032B2 (ja) | ニューラルネット学習装置 | |
| JPH09204310A (ja) | 判断規則修正装置と判断規則修正方法 | |
| Choi et al. | Biologically motivated visual attention system using bottom-up saliency map and top-down inhibition | |
| JP2907486B2 (ja) | ニューラルネットワーク装置 | |
| KR100576803B1 (ko) | 신경망에 기반한 음성, 영상, 및 문맥의 통합 음성인식장치 및 방법 | |
| JPH05225163A (ja) | ニューラルネットシステムおよびニューラルネットの学習方法 | |
| JP3022630B2 (ja) | 入力領域適応型ニューラルネットワーク文字認識装置 | |
| JP7230324B2 (ja) | ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置 | |
| JP3097117B2 (ja) | 入力領域適応型ニューラルネットワーク文字認識装置 | |
| JP2847395B2 (ja) | 学習制御装置 | |
| JPH07146852A (ja) | ニューラルネットワークの構造簡略化方法 | |
| Troll et al. | Improving neural net training by mathematical optimization | |
| JP3310009B2 (ja) | ニューラルネットワークシステム | |
| Lawrence et al. | The gamma MLP-using multiple temporal resolutions for improved classification | |
| Owens et al. | A multi-output-layer perceptron | |
| JPH05204399A (ja) | 不特定話者音素認識方法 | |
| Amin et al. | Dynamically pruning output weights in an expanding multilayer perceptron neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19990921 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071022 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081022 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |