JP3243313B2 - パターン認識用ファジィニューロン - Google Patents
パターン認識用ファジィニューロンInfo
- Publication number
- JP3243313B2 JP3243313B2 JP01418593A JP1418593A JP3243313B2 JP 3243313 B2 JP3243313 B2 JP 3243313B2 JP 01418593 A JP01418593 A JP 01418593A JP 1418593 A JP1418593 A JP 1418593A JP 3243313 B2 JP3243313 B2 JP 3243313B2
- Authority
- JP
- Japan
- Prior art keywords
- membership function
- pass
- membership
- value
- distribution signal
- 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
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、画像認識や音声認識な
ど、パターン認識の分野、特にあいまいさを含むパター
ン認識の分野に適用されるファジィニューロンに関す
る。
ど、パターン認識の分野、特にあいまいさを含むパター
ン認識の分野に適用されるファジィニューロンに関す
る。
【０００２】
【従来の技術】より人間的な情報処理を実現するため
に、あいまいな情報を取り扱うファジィ理論と、生物の
脳を模したニューラルネットを融合させようとする研究
が行われている。それらの一つにパターン認識のために
提案されたファジィニューロンがある。
に、あいまいな情報を取り扱うファジィ理論と、生物の
脳を模したニューラルネットを融合させようとする研究
が行われている。それらの一つにパターン認識のために
提案されたファジィニューロンがある。
【０００３】ファジィニューロンでは、参照パターンを
メンバーシップ関数によりあいまいさを含む情報として
記述することで、柔らかなパターンマッチングを実現し
ている。
メンバーシップ関数によりあいまいさを含む情報として
記述することで、柔らかなパターンマッチングを実現し
ている。
【０００４】ファジィニューロンによるパターン認識で
は、特徴切り出し線と呼ばれるサンプリングポイントの
集合が設定され、入力パターンの特徴は、特徴切り出し
線上の分布信号として抽出される。特徴切り出し線は、
パターンの特徴を端的に表すような部分に設定され、そ
の形状は特に直線である必要はない。特徴切り出し線の
本数は、認識対象となるパターンにより異なり、複数設
けることができる。
は、特徴切り出し線と呼ばれるサンプリングポイントの
集合が設定され、入力パターンの特徴は、特徴切り出し
線上の分布信号として抽出される。特徴切り出し線は、
パターンの特徴を端的に表すような部分に設定され、そ
の形状は特に直線である必要はない。特徴切り出し線の
本数は、認識対象となるパターンにより異なり、複数設
けることができる。
【０００５】これらの特徴切り出し線に対応して「通過
型」「禁止型」の２種類のメンバーシップ関数が、参照
パターンを満足すべき条件として定義される。
型」「禁止型」の２種類のメンバーシップ関数が、参照
パターンを満足すべき条件として定義される。
【０００６】例えば図６のように通過型メンバーシップ
関数は、特徴切り出し線でパターンが通過すべき領域
（通過領域）に設定される。メンバーシップ関数の値
は、０〜１といった多値で表現される。通過型メンバー
シップ関数のメンバーシップ値は、パターンがその場所
を通過すべき「通過条件」の度合いを表現している。図
７ａに示すように、まず、特徴切り出し線上の分布信号
に対応する位置ｉのメンバーシップ値μＥi が求められ
る。次に、一本の切り出し線上に複数の通過点が存在す
る場合は、分布信号すなわち通過点に対応するメンバー
シップ値のうち最大の値∨μＥｉが出力される。（記号
∨は、最大値演算を表す。）この出力値は、与えられた
分布信号が通過条件をどの程度満たしたかを表してい
る。
関数は、特徴切り出し線でパターンが通過すべき領域
（通過領域）に設定される。メンバーシップ関数の値
は、０〜１といった多値で表現される。通過型メンバー
シップ関数のメンバーシップ値は、パターンがその場所
を通過すべき「通過条件」の度合いを表現している。図
７ａに示すように、まず、特徴切り出し線上の分布信号
に対応する位置ｉのメンバーシップ値μＥi が求められ
る。次に、一本の切り出し線上に複数の通過点が存在す
る場合は、分布信号すなわち通過点に対応するメンバー
シップ値のうち最大の値∨μＥｉが出力される。（記号
∨は、最大値演算を表す。）この出力値は、与えられた
分布信号が通過条件をどの程度満たしたかを表してい
る。
【０００７】他方、禁止型メンバーシップ関数は、通過
型とは対照的に特徴切り出し線上でパターンが通過して
はいけない領域（禁止領域）に設定される（図７ｂ）。
この場合のメンバーシップ値はパターンがその場所を通
過してはいけない「禁止条件」の度合いを表す。通過型
と同様に分布信号に対応するメンバーシップ値μＩiが
求められ、それらの最大の値∨μＩi が出力される。こ
の出力値は、「通過してはいけない」場所を通過した度
合いを表すものであるから、この値を反転し
型とは対照的に特徴切り出し線上でパターンが通過して
はいけない領域（禁止領域）に設定される（図７ｂ）。
この場合のメンバーシップ値はパターンがその場所を通
過してはいけない「禁止条件」の度合いを表す。通過型
と同様に分布信号に対応するメンバーシップ値μＩiが
求められ、それらの最大の値∨μＩi が出力される。こ
の出力値は、「通過してはいけない」場所を通過した度
合いを表すものであるから、この値を反転し
【数１】 を求めることで禁止条件をどの程度満たしたかを表現で
きる。
きる。
【０００８】別の方法として、ド・モルガンの法則を用
いれば禁止型メンバーシップ関数をあらかじめ反転して
おき、分布信号に対応するメンバーシップ値の最小値
いれば禁止型メンバーシップ関数をあらかじめ反転して
おき、分布信号に対応するメンバーシップ値の最小値
【数２】 を求めることでも禁止条件に対する適合度を得ることが
できる（図８）。（記号∧は最小値演算を表す。）
できる（図８）。（記号∧は最小値演算を表す。）
【０００９】前記通過型、禁止型メンバーシップ関数の
出力値は全ての特徴切り出し線について求められ、最終
的にそれら全てのうち最小の値がファジィニューロンの
出力値となる。この出力値は、入力パターンがメンバー
シップ関数によって記述された参照パターンの条件をど
の程度満足しているのか、言い換えれば入力パターンの
参照パターンに対する適合度を表している。適合度が大
きな場合は、入力パターンは参照パターンと同じカテゴ
リーに属し、適合度が小さな場合は、異なるカテゴリー
のパターンと解釈される。
出力値は全ての特徴切り出し線について求められ、最終
的にそれら全てのうち最小の値がファジィニューロンの
出力値となる。この出力値は、入力パターンがメンバー
シップ関数によって記述された参照パターンの条件をど
の程度満足しているのか、言い換えれば入力パターンの
参照パターンに対する適合度を表している。適合度が大
きな場合は、入力パターンは参照パターンと同じカテゴ
リーに属し、適合度が小さな場合は、異なるカテゴリー
のパターンと解釈される。
【００１０】このように、ファジィニューロンでは、入
力パターンの分布信号とメンバーシップ関数を比較照合
することでパターン認識を行っており、ファジィ理論の
一つであるメンバーシップ値の多値表現により、二値表
現では不可能なあいまいなパターンの認識が可能であ
る。
力パターンの分布信号とメンバーシップ関数を比較照合
することでパターン認識を行っており、ファジィ理論の
一つであるメンバーシップ値の多値表現により、二値表
現では不可能なあいまいなパターンの認識が可能であ
る。
【００１１】上述のようなファジィニューロンによるパ
ターン認識で考慮されねばならない点に、入力パターン
の分布信号の正逆のいずれに対してメンバーシップ関数
を定義するかという問題がある。メンバーシップ関数は
通常、パターンに対して定義されるため、仮に分布信号
が「白」「黒」で表されるような場合、「白」「黒」の
いずれをパターンとみなし、いずれを背景とみなすのか
という問題が生じる。
ターン認識で考慮されねばならない点に、入力パターン
の分布信号の正逆のいずれに対してメンバーシップ関数
を定義するかという問題がある。メンバーシップ関数は
通常、パターンに対して定義されるため、仮に分布信号
が「白」「黒」で表されるような場合、「白」「黒」の
いずれをパターンとみなし、いずれを背景とみなすのか
という問題が生じる。
【００１２】例として、図９ａに示す円形のパターンの
認識を考える。なお、円形パターンを「黒」、背景を
「白」とする。また、特徴切り出し線は、説明の簡便さ
のため１本としている。いま、図９ａのような「黒」に
対する通過型メンバーシップ関数が設定されていると、
特徴切り出し線上の分布信号の「黒」に対応するメンバ
ーシップ値の最大の値が出力される。メンバーシップ関
数が、０〜１の連続値で表現されるとすると、この場合
は「１」が出力され、通過条件が満たされたことを意味
している。
認識を考える。なお、円形パターンを「黒」、背景を
「白」とする。また、特徴切り出し線は、説明の簡便さ
のため１本としている。いま、図９ａのような「黒」に
対する通過型メンバーシップ関数が設定されていると、
特徴切り出し線上の分布信号の「黒」に対応するメンバ
ーシップ値の最大の値が出力される。メンバーシップ関
数が、０〜１の連続値で表現されるとすると、この場合
は「１」が出力され、通過条件が満たされたことを意味
している。
【００１３】一方、同じメンバーシップ関数に対して、
図９ｂ，図９ｃ，図９ｄに示す「白」の欠陥を含むパタ
ーンが与えられると、通過領域中に欠陥があるにもかか
わらず、図９ａと同様「１」が出力される。これは、
「黒」のパターンに対してメンバーシップ関数を定義し
ていることが原因で、「白」の欠陥を検出するためには
「白」に対しメンバーシップ関数を設定しなければなら
ない。
図９ｂ，図９ｃ，図９ｄに示す「白」の欠陥を含むパタ
ーンが与えられると、通過領域中に欠陥があるにもかか
わらず、図９ａと同様「１」が出力される。これは、
「黒」のパターンに対してメンバーシップ関数を定義し
ていることが原因で、「白」の欠陥を検出するためには
「白」に対しメンバーシップ関数を設定しなければなら
ない。
【００１４】そこで、図９ｅのように「白」に対する禁
止型メンバーシップ関数を設定してみる。この場合、分
布信号の「白」に対応するメンバーシップ値の最大値が
求められた後、さらに反転され、結果として出力「０」
が得られる。このように、「白」の有無が認識の判断基
準になる場合は、「白」に対しメンバーシップ関数を定
義すべきである。
止型メンバーシップ関数を設定してみる。この場合、分
布信号の「白」に対応するメンバーシップ値の最大値が
求められた後、さらに反転され、結果として出力「０」
が得られる。このように、「白」の有無が認識の判断基
準になる場合は、「白」に対しメンバーシップ関数を定
義すべきである。
【００１５】第２の例として図１０ａに示す中央に穴の
あいたパターンを考える。いま、図１０ａのような
「黒」に対する禁止型メンバーシップ関数を設定する
と、分布信号の「黒」に対応するメンバーシップ値のう
ち最大のものが反転され、この場合「１」が出力され
る。これは、禁止条件が満足されたことを意味してい
る。
あいたパターンを考える。いま、図１０ａのような
「黒」に対する禁止型メンバーシップ関数を設定する
と、分布信号の「黒」に対応するメンバーシップ値のう
ち最大のものが反転され、この場合「１」が出力され
る。これは、禁止条件が満足されたことを意味してい
る。
【００１６】一方、図１０ｂのように穴の一部に「黒」
のパターンが存在する場合は、禁止領域を通過したこと
から、「０」が出力される。しかし、仮に、パターンの
中央にわずかでも「白」い穴があいていれば良いとされ
るような場合は、前記例と同様に「白」に対してメンバ
ーシップ関数を定義しなければならない。
のパターンが存在する場合は、禁止領域を通過したこと
から、「０」が出力される。しかし、仮に、パターンの
中央にわずかでも「白」い穴があいていれば良いとされ
るような場合は、前記例と同様に「白」に対してメンバ
ーシップ関数を定義しなければならない。
【００１７】そこで、図１０ｃのように「白」に対する
通過型メンバーシップ関数を設定してみる。この場合、
分布信号の「白」に対応するメンバーシップ値のうち最
大の値が出力され、結果として「１」を得る。このメン
バーシップ関数においては、穴が全て「黒」のパターン
で埋められない限り、大きなメンバーシップ値が出力さ
れる。認識目的によっては、図１０ｂより図１０ｃの場
合の方が目的にかなった認識結果となる場合もあろう。
通過型メンバーシップ関数を設定してみる。この場合、
分布信号の「白」に対応するメンバーシップ値のうち最
大の値が出力され、結果として「１」を得る。このメン
バーシップ関数においては、穴が全て「黒」のパターン
で埋められない限り、大きなメンバーシップ値が出力さ
れる。認識目的によっては、図１０ｂより図１０ｃの場
合の方が目的にかなった認識結果となる場合もあろう。
【００１８】すなわち、パターンの「白」「黒」いずれ
に対し通過条件、禁止条件を定義するかは、認識対象の
パターンの種類や認識目的によって異なり、さらに、こ
れらを組み合わせることでより高度なパターン認識が可
能となる。図１１に一例を示す。この例では、認識対象
は黒地の円形パターン上に描かれた白い数字であり、周
囲には黒い枠線が存在する。まず、白い数字を認識する
ために「白」に対する通過型メンバーシップ関数が定義
される。また、黒地の円形パターンに白の欠陥があって
はならないという条件に対応し、この部分には「白」に
対する禁止型メンバーシップ関数が定義されている。同
様に、円形パターンの外には黒いパターンが存在しては
ならないことから「黒」に対する禁止型メンバーシップ
関数が定義される。さらに、黒の枠線に対しては、
「黒」に対する通過型メンバーシップ関数が定義されて
いる。全体としては、「白」「黒」両者に対してメンバ
ーシップ関数が設定され、これにより複雑なパターンの
認識に対応している。
に対し通過条件、禁止条件を定義するかは、認識対象の
パターンの種類や認識目的によって異なり、さらに、こ
れらを組み合わせることでより高度なパターン認識が可
能となる。図１１に一例を示す。この例では、認識対象
は黒地の円形パターン上に描かれた白い数字であり、周
囲には黒い枠線が存在する。まず、白い数字を認識する
ために「白」に対する通過型メンバーシップ関数が定義
される。また、黒地の円形パターンに白の欠陥があって
はならないという条件に対応し、この部分には「白」に
対する禁止型メンバーシップ関数が定義されている。同
様に、円形パターンの外には黒いパターンが存在しては
ならないことから「黒」に対する禁止型メンバーシップ
関数が定義される。さらに、黒の枠線に対しては、
「黒」に対する通過型メンバーシップ関数が定義されて
いる。全体としては、「白」「黒」両者に対してメンバ
ーシップ関数が設定され、これにより複雑なパターンの
認識に対応している。
【００１９】以上のように、洗練されたパターン認識を
実現するためには、入力パターンの一部では「白」をパ
ターンとみなし、他の部分では「黒」をパターンとみな
すような、「白」「黒」いずれに対しても、すなわちパ
ターン、背景お両者に対して自由に通過条件、禁止条件
を設定できれば、メンバーシップ関数で記述される参照
パターンの表現内容は広くなり、より複雑なパターン
や、より広い目的の認識が可能である。
実現するためには、入力パターンの一部では「白」をパ
ターンとみなし、他の部分では「黒」をパターンとみな
すような、「白」「黒」いずれに対しても、すなわちパ
ターン、背景お両者に対して自由に通過条件、禁止条件
を設定できれば、メンバーシップ関数で記述される参照
パターンの表現内容は広くなり、より複雑なパターン
や、より広い目的の認識が可能である。
【００２０】しかしながら、従来のファジィニューロン
では、このような機能とそれを実現するための手段につ
いては開示されていなかった。
では、このような機能とそれを実現するための手段につ
いては開示されていなかった。
【００２１】
【発明が解決しようとする課題】本発明が解決すべき課
題は、入力パターンの一部では分布信号の正をパターン
とみなし、他の部分では逆をパターンとみなすような、
分布信号の正逆いずれに対しても通過型、禁止型メンバ
ーシップ関数が設定可能なファジィニューロンを提供す
ることにある。
題は、入力パターンの一部では分布信号の正をパターン
とみなし、他の部分では逆をパターンとみなすような、
分布信号の正逆いずれに対しても通過型、禁止型メンバ
ーシップ関数が設定可能なファジィニューロンを提供す
ることにある。
【００２２】
【課題を解決するための手段】前記課題を解決するた
め、本発明のパターン認識用ファジィニューロンは、入
力パターンから特徴切り出し線により得られた分布信号
と、あらかじめ設定されたメンバーシップ関数とを比較
照合することにより入力パターンの認識を行うファジィ
ニューロンにおいて、各特徴切り出し線上の分布信号を
反転して出力する分布信号反転手段と、各特徴切り出し
線上の分布信号に対応して、一峰性または複峰性の通過
型メンバーシップ関数を設定する少なくとも１個の第１
の通過型メンバーシップ関数設定手段と、前記分布信号
反転手段の出力に対応して、一峰性または複峰性の通過
型メンバーシップ関数を設定する少なくとも１個の第２
の通過型メンバーシップ関数設定手段と、各特徴切り出
し線上の分布信号に対応して、一峰性または複峰性の禁
止型メンバーシップ関数を設定する少なくとも１個の第
１の禁止型メンバーシップ関数設定手段と、前記分布信
号反転手段の出力に対応して、一峰性または複峰性の禁
止型メンバーシップ関数を設定する少なくとも１個の第
２の禁止型メンバーシップ関数設定手段と、第１の通過
型メンバーシップ関数設定手段で設定された通過型メン
バーシップ関数に対して、分布信号に対応する位置のメ
ンバーシップ値を求め、それらの最大値を出力する最大
値出力手段と、第２の通過型メンバーシップ関数設定手
段で設定された通過型メンバーシップ関数に対して、前
記分布信号反転手段の出力に対応する位置のメンバーシ
ップ値を求め、それらの最大値を出力する最大値出力手
段と、第１の禁止型メンバーシップ関数設定手段で設定
された禁止型メンバーシップ関数に対して、分布信号に
対応する位置のメンバーシップ値を求め、それらの最大
値を出力する最大値出力手段と、第２の禁止型メンバー
シップ関数設定手段で設定された禁止型メンバーシップ
関数に対して、前記分布信号反転手段の出力に対応する
位置のメンバーシップ値を求め、それらの最大値を出力
する最大値出力手段と、前記第１の禁止型メンバーシッ
プ関数から得られたメンバーシップ値の最大値を反転し
て出力する反転出力手段と、前記第２の禁止型メンバー
シップ関数から得られたメンバーシップ値の最大値を反
転して出力する反転出力手段と、前記第１および第２の
通過型メンバーシップ関数から得られたそれぞれの最大
値と、前記第１および第２の禁止型メンバーシップ関数
から得られた最大値のそれぞれの反転出力とから、全体
の最小値を求める最小値出力手段とを備えたものであ
る。
め、本発明のパターン認識用ファジィニューロンは、入
力パターンから特徴切り出し線により得られた分布信号
と、あらかじめ設定されたメンバーシップ関数とを比較
照合することにより入力パターンの認識を行うファジィ
ニューロンにおいて、各特徴切り出し線上の分布信号を
反転して出力する分布信号反転手段と、各特徴切り出し
線上の分布信号に対応して、一峰性または複峰性の通過
型メンバーシップ関数を設定する少なくとも１個の第１
の通過型メンバーシップ関数設定手段と、前記分布信号
反転手段の出力に対応して、一峰性または複峰性の通過
型メンバーシップ関数を設定する少なくとも１個の第２
の通過型メンバーシップ関数設定手段と、各特徴切り出
し線上の分布信号に対応して、一峰性または複峰性の禁
止型メンバーシップ関数を設定する少なくとも１個の第
１の禁止型メンバーシップ関数設定手段と、前記分布信
号反転手段の出力に対応して、一峰性または複峰性の禁
止型メンバーシップ関数を設定する少なくとも１個の第
２の禁止型メンバーシップ関数設定手段と、第１の通過
型メンバーシップ関数設定手段で設定された通過型メン
バーシップ関数に対して、分布信号に対応する位置のメ
ンバーシップ値を求め、それらの最大値を出力する最大
値出力手段と、第２の通過型メンバーシップ関数設定手
段で設定された通過型メンバーシップ関数に対して、前
記分布信号反転手段の出力に対応する位置のメンバーシ
ップ値を求め、それらの最大値を出力する最大値出力手
段と、第１の禁止型メンバーシップ関数設定手段で設定
された禁止型メンバーシップ関数に対して、分布信号に
対応する位置のメンバーシップ値を求め、それらの最大
値を出力する最大値出力手段と、第２の禁止型メンバー
シップ関数設定手段で設定された禁止型メンバーシップ
関数に対して、前記分布信号反転手段の出力に対応する
位置のメンバーシップ値を求め、それらの最大値を出力
する最大値出力手段と、前記第１の禁止型メンバーシッ
プ関数から得られたメンバーシップ値の最大値を反転し
て出力する反転出力手段と、前記第２の禁止型メンバー
シップ関数から得られたメンバーシップ値の最大値を反
転して出力する反転出力手段と、前記第１および第２の
通過型メンバーシップ関数から得られたそれぞれの最大
値と、前記第１および第２の禁止型メンバーシップ関数
から得られた最大値のそれぞれの反転出力とから、全体
の最小値を求める最小値出力手段とを備えたものであ
る。
【００２３】なお、前記において、第１および第２の禁
止型メンバーシップ関数設定手段に代えて、第１および
第２の反転禁止型メンバーシップ関数設定手段を設け、
これらの出力の最小値と、前記第１および第２の通過型
メンバーシップ関数設定手段の出力の最大値とから全体
の最小値を求めても、前記と等価な出力を得ることがで
きる。
止型メンバーシップ関数設定手段に代えて、第１および
第２の反転禁止型メンバーシップ関数設定手段を設け、
これらの出力の最小値と、前記第１および第２の通過型
メンバーシップ関数設定手段の出力の最大値とから全体
の最小値を求めても、前記と等価な出力を得ることがで
きる。
【００２４】
【作用】特徴切り出し線上の分布信号は、少なくとも１
個の一峰性または複峰性の通過型メンバーシップ関数と
比較され、対応するメンバーシップ値の最大値が出力さ
れる。また、分布信号は、少なくとも１個の一峰性また
は複峰性の禁止型メンバーシップ関数と比較され、対応
するメンバーシップ値の最大値が求められた後、その最
大値を反転したものが出力される。
個の一峰性または複峰性の通過型メンバーシップ関数と
比較され、対応するメンバーシップ値の最大値が出力さ
れる。また、分布信号は、少なくとも１個の一峰性また
は複峰性の禁止型メンバーシップ関数と比較され、対応
するメンバーシップ値の最大値が求められた後、その最
大値を反転したものが出力される。
【００２５】一方、分布信号反転手段によって反転され
た分布信号は、少なくとも１個の一峰性または複峰性の
通過型メンバーシップ関数と比較され、対応するメンバ
ーシップ値の最大値が出力される。また、反転された分
布信号は、少なくとも１個の一峰性または複峰性の禁止
型メンバーシップ関数と比較され、対応するメンバーシ
ップ値の最大値が求められた後、その最大値を反転した
ものが出力される。
た分布信号は、少なくとも１個の一峰性または複峰性の
通過型メンバーシップ関数と比較され、対応するメンバ
ーシップ値の最大値が出力される。また、反転された分
布信号は、少なくとも１個の一峰性または複峰性の禁止
型メンバーシップ関数と比較され、対応するメンバーシ
ップ値の最大値が求められた後、その最大値を反転した
ものが出力される。
【００２６】これとは別に、分布信号または反転された
分布信号を禁止型メンバーシップ関数と比較する手段と
して、禁止型メンバーシップ関数をあらかじめ反転した
ものを用いると、対応するメンバーシップ値の最小値が
出力される。
分布信号を禁止型メンバーシップ関数と比較する手段と
して、禁止型メンバーシップ関数をあらかじめ反転した
ものを用いると、対応するメンバーシップ値の最小値が
出力される。
【００２７】これら、分布信号または反転された分布信
号とメンバーシップ関数の比較は全ての特徴切り出し線
について行われた後、得られた全ての出力値のうち最小
の値がファジィニューロンの出力値として出力される。
号とメンバーシップ関数の比較は全ての特徴切り出し線
について行われた後、得られた全ての出力値のうち最小
の値がファジィニューロンの出力値として出力される。
【００２８】このように、分布信号と同時に反転された
分布信号についても、メンバーシップ関数との比較照合
が行われる。
分布信号についても、メンバーシップ関数との比較照合
が行われる。
【００２９】
【実施例】図１に、本発明を実施した一例を示す。ブロ
ック１，ブロック２は、それぞれ特定の特徴切り出し線
上の分布信号と反転された分布信号に対するメンバーシ
ップ関数の比較照合手段である。
ック１，ブロック２は、それぞれ特定の特徴切り出し線
上の分布信号と反転された分布信号に対するメンバーシ
ップ関数の比較照合手段である。
【００３０】ブロック１では、まずセンサーアレイやＣ
ＣＤ（電荷結合素子）で構成された特徴切り出し線３に
より、分布信号が検出される。通過型メンバーシップ関
数設定手段６は、たとえばシフトレジスタで構成され、
あらかじめ通過型メンバーシップ関数が設定されてい
る。前記分布信号と通過型メンバーシップ関数は、比較
手段５により比較照合され分布信号に対応するメンバー
シップ値が出力される。この値は最大値出力手段８に入
力され、メンバーシップ値のうち最大の値が出力され
る。
ＣＤ（電荷結合素子）で構成された特徴切り出し線３に
より、分布信号が検出される。通過型メンバーシップ関
数設定手段６は、たとえばシフトレジスタで構成され、
あらかじめ通過型メンバーシップ関数が設定されてい
る。前記分布信号と通過型メンバーシップ関数は、比較
手段５により比較照合され分布信号に対応するメンバー
シップ値が出力される。この値は最大値出力手段８に入
力され、メンバーシップ値のうち最大の値が出力され
る。
【００３１】禁止型メンバーシップ関数設定手段７に
は、禁止型メンバーシップ関数が設定されており、比較
手段５により分布信号に対応するメンバーシップ値が出
力される。このメンバーシップ値から最大値出力手段８
により最大の値が求められた後、反転手段９により反転
された出力が得られる。
は、禁止型メンバーシップ関数が設定されており、比較
手段５により分布信号に対応するメンバーシップ値が出
力される。このメンバーシップ値から最大値出力手段８
により最大の値が求められた後、反転手段９により反転
された出力が得られる。
【００３２】他方では、ブロック２により、反転された
分布信号に対してメンバーシップ関数との比較照合が行
われる。特徴切り出し線３上の分布信号は、分布信号反
転手段４により反転される。この反転された分布信号は
ブロック１と同様の手段で通過型メンバーシップ関数と
比較照合され、反転された分布信号に対応するメンバー
シップ値の最大値が出力される。
分布信号に対してメンバーシップ関数との比較照合が行
われる。特徴切り出し線３上の分布信号は、分布信号反
転手段４により反転される。この反転された分布信号は
ブロック１と同様の手段で通過型メンバーシップ関数と
比較照合され、反転された分布信号に対応するメンバー
シップ値の最大値が出力される。
【００３３】一方、禁止型メンバーシップ関数も、反転
された分布信号に対し、ブロック１と同様の手段で比較
照合され、反転された分布信号に対応するメンバーシッ
プ値の最大の値が求められた後、反転されて出力され
る。
された分布信号に対し、ブロック１と同様の手段で比較
照合され、反転された分布信号に対応するメンバーシッ
プ値の最大の値が求められた後、反転されて出力され
る。
【００３４】以上のように、特徴切り出し線上の分布信
号と、反転された分布信号の両者に対し、別々に通過
型、禁止型メンバーシップ関数との比較照合が可能とな
る。
号と、反転された分布信号の両者に対し、別々に通過
型、禁止型メンバーシップ関数との比較照合が可能とな
る。
【００３５】このようにして得られた分布信号、反転さ
れた分布信号両者に対する通過型メンバーシップ関数の
最大値と、禁止型メンバーシップ関数の最大値を反転し
た値は、全ての特徴切り出し線について最小値出力手段
１０に入力され、これらの最小値が、ファジィニューロ
ンの出力値として出力される。
れた分布信号両者に対する通過型メンバーシップ関数の
最大値と、禁止型メンバーシップ関数の最大値を反転し
た値は、全ての特徴切り出し線について最小値出力手段
１０に入力され、これらの最小値が、ファジィニューロ
ンの出力値として出力される。
【００３６】なお、図１では、説明の簡便さのために、
特徴切り出し線１本につき、ブロック１，ブロック２は
それぞれ１個ずつしか用意されていないが、同様のブロ
ックを特徴切り出し線について複数用意したほうがより
柔軟な認識が実現できる。これは、図２のように、通過
領域や禁止領域が複数存在する場合、すなわちメンバー
シップ関数が複峰性のとき、場合によっては一峰ずつ分
割して設定する必要があるためである。複峰性メンバー
シップ関数を一峰ずつ分割するか、それとも複峰のまま
設定するかは目的により違ってくる。
特徴切り出し線１本につき、ブロック１，ブロック２は
それぞれ１個ずつしか用意されていないが、同様のブロ
ックを特徴切り出し線について複数用意したほうがより
柔軟な認識が実現できる。これは、図２のように、通過
領域や禁止領域が複数存在する場合、すなわちメンバー
シップ関数が複峰性のとき、場合によっては一峰ずつ分
割して設定する必要があるためである。複峰性メンバー
シップ関数を一峰ずつ分割するか、それとも複峰のまま
設定するかは目的により違ってくる。
【００３７】通過型メンバーシップ関数の場合、図２の
ように複峰のまま設定すると、一峰に対応する各通過領
域（通過条件）は〔ＯＲ〕の関係で結ばれる。これは、
通過型メンバーシップ関数ではメンバーシップ値の最大
値が出力されるために、複数の通過領域のいずれかをパ
ターンが通過すれば、通過条件全体が満足されたと判断
されるためである。そこで、複数の通過領域を〔ＡＮ
Ｄ〕の関係で結ぶためには、図３ａのように複峰を一峰
ずつ分割して、あたかも別のメンバーシップ関数のよう
にそれぞれ別個の通過型メンバーシップ関数設定手段中
に設定しなければならない。
ように複峰のまま設定すると、一峰に対応する各通過領
域（通過条件）は〔ＯＲ〕の関係で結ばれる。これは、
通過型メンバーシップ関数ではメンバーシップ値の最大
値が出力されるために、複数の通過領域のいずれかをパ
ターンが通過すれば、通過条件全体が満足されたと判断
されるためである。そこで、複数の通過領域を〔ＡＮ
Ｄ〕の関係で結ぶためには、図３ａのように複峰を一峰
ずつ分割して、あたかも別のメンバーシップ関数のよう
にそれぞれ別個の通過型メンバーシップ関数設定手段中
に設定しなければならない。
【００３８】一方、複峰性の禁止型メンバーシップ関数
では、図２のように複峰のまま設定すると一峰に対応す
る各禁止領域は〔ＡＮＤ〕で結ばれる。これは、禁止型
メンバーシップ関数ではメンバーシップ値の最大値が反
転されて出力されるために、複数の禁止領域の全てをパ
ターンが通過していないときのみ、禁止条件全体が満足
されたと判断されるためである。そこで、複数の禁止領
域を〔ＯＲ〕の関係で結ぶためには、図３ｂのように複
峰を一峰ずつ分割して、あたかも別のメンバーシップ関
数のようにそれぞれ別個の禁止型メンバーシップ関数設
定手段中に設定しなければならない。
では、図２のように複峰のまま設定すると一峰に対応す
る各禁止領域は〔ＡＮＤ〕で結ばれる。これは、禁止型
メンバーシップ関数ではメンバーシップ値の最大値が反
転されて出力されるために、複数の禁止領域の全てをパ
ターンが通過していないときのみ、禁止条件全体が満足
されたと判断されるためである。そこで、複数の禁止領
域を〔ＯＲ〕の関係で結ぶためには、図３ｂのように複
峰を一峰ずつ分割して、あたかも別のメンバーシップ関
数のようにそれぞれ別個の禁止型メンバーシップ関数設
定手段中に設定しなければならない。
【００３９】複数の通過条件、禁止条件を〔ＡＮＤ〕，
〔ＯＲ〕いずれで結ぶかは認識対象のパターンや目的に
より決められることであるから、ファジィニューロンと
してはいずれに対しても対応できるように各特徴切り出
し線に複数のメンバーシップ関数比較照合手段を設置し
ておく方がよい。
〔ＯＲ〕いずれで結ぶかは認識対象のパターンや目的に
より決められることであるから、ファジィニューロンと
してはいずれに対しても対応できるように各特徴切り出
し線に複数のメンバーシップ関数比較照合手段を設置し
ておく方がよい。
【００４０】なお、本実施例中、比較手段５は、たとえ
ば図４に示すトランスミッションゲートで実現できる。
端子Ｚに入力された分布信号（または反転された分布信
号）が「ハイレベル」のとき端子Ｘ−Ｙ間が導通し、レ
ジスターに格納されたメンバーシップ値はＸ−Ｙ間を通
って、最大値出力手段に入力される。端子Ｚの入力が
「ローレベル」のときはＸ−Ｙ間は非導通となりメンバ
ーシップ値は出力されない。反面、Ｗ−Ｙ間が導通し、
Ｗにメンバーシップ関数の下限値を入れておけば最大値
出力には影響しない。このようなトランスミッションゲ
ートが各メンバーシップ値が格納される全てのレジスタ
ーに接続されることで、分布信号（または反転された分
布信号）とメンバーシップ関数との比較が可能である。
ば図４に示すトランスミッションゲートで実現できる。
端子Ｚに入力された分布信号（または反転された分布信
号）が「ハイレベル」のとき端子Ｘ−Ｙ間が導通し、レ
ジスターに格納されたメンバーシップ値はＸ−Ｙ間を通
って、最大値出力手段に入力される。端子Ｚの入力が
「ローレベル」のときはＸ−Ｙ間は非導通となりメンバ
ーシップ値は出力されない。反面、Ｗ−Ｙ間が導通し、
Ｗにメンバーシップ関数の下限値を入れておけば最大値
出力には影響しない。このようなトランスミッションゲ
ートが各メンバーシップ値が格納される全てのレジスタ
ーに接続されることで、分布信号（または反転された分
布信号）とメンバーシップ関数との比較が可能である。
【００４１】図５では、禁止型メンバーシップ関数の比
較照合手段として、分布信号、または反転した分布信号
に対応するメンバーシップ値の最大値を反転する代わり
に、あらかじめ反転したメンバーシップ関数を用いる方
法が示されている。
較照合手段として、分布信号、または反転した分布信号
に対応するメンバーシップ値の最大値を反転する代わり
に、あらかじめ反転したメンバーシップ関数を用いる方
法が示されている。
【００４２】ド・モルガンの法則によると以下の関係が
ある。
ある。
【数３】
【００４３】ここで、μi は特徴切り出し線上のｉ番目
のメンバーシップ値を、∨，∧はそれぞれ最大値，最小
値演算を表している。
のメンバーシップ値を、∨，∧はそれぞれ最大値，最小
値演算を表している。
【００４４】つまり、メンバーシップ値の最大値を求め
た後でそれを反転した値と、あらかじめ反転されたメン
バーシップ値の最小値とは等しい。
た後でそれを反転した値と、あらかじめ反転されたメン
バーシップ値の最小値とは等しい。
【００４５】この性質を利用し、反転禁止型メンバーシ
ップ関数設定手段２１により、あらかじめ禁止型メンバ
ーシップ関数を反転しておけば、図１中の最大値出力手
段８とその後段の反転手段９を図５のように最小値出力
手段２２に置き換えることができる。
ップ関数設定手段２１により、あらかじめ禁止型メンバ
ーシップ関数を反転しておけば、図１中の最大値出力手
段８とその後段の反転手段９を図５のように最小値出力
手段２２に置き換えることができる。
【００４６】
【発明の効果】本発明によれば、分布信号に加え、反転
された分布信号についてもメンバーシップ関数との比較
照合を行うことができるので、入力パターンの一部では
分布信号の正をパターンとみなし、他の部分では逆をパ
ターンとみなすような、分布信号の正逆いずれに対して
も通過型、禁止型メンバーシップ関数が設定可能なファ
ジィニューロンが実現できる。これにより、メンバーシ
ップ関数で記述される参照パターンの表現内容が広が
り、より複雑なパターンや、より広い目的の認識が可能
となる。
された分布信号についてもメンバーシップ関数との比較
照合を行うことができるので、入力パターンの一部では
分布信号の正をパターンとみなし、他の部分では逆をパ
ターンとみなすような、分布信号の正逆いずれに対して
も通過型、禁止型メンバーシップ関数が設定可能なファ
ジィニューロンが実現できる。これにより、メンバーシ
ップ関数で記述される参照パターンの表現内容が広が
り、より複雑なパターンや、より広い目的の認識が可能
となる。
【図１】 本発明の実施例を示すブロック図である。
【図２】 複峰性メンバーシップ関数の例を示す説明図
である。
である。
【図３】 複峰性メンバーシップ関数の分割方法の説明
図である。
図である。
【図４】 分布信号とメンバーシップ関数との比較手段
の一例を示す回路図である。
の一例を示す回路図である。
【図５】 本発明の他の実施例を示すブロック図であ
る。
る。
【図６】 メンバーシップ関数の概念図である。
【図７】 分布信号とメンバーシップ関数との比較照合
方法を示す説明図である。
方法を示す説明図である。
【図８】 分布信号と反転された禁止型メンバーシップ
関数との比較照合法補を示す説明図である。
関数との比較照合法補を示す説明図である。
【図９】 各種メンバーシップ関数によるパターン認識
の例を示す説明図である。
の例を示す説明図である。
【図１０】 各種メンバーシップ関数によるパターン認
識の例を示す説明図である。
識の例を示す説明図である。
【図１１】 より複雑なパターン認識の例を示す説明図
である。
である。
１，２ メンバーシップ関数比較照合手段、３ 特徴切
り出し線、４ 分布信号反転手段、５ 比較手段、６
通過型メンバーシップ関数設定手段、７ 禁止型メンバ
ーシップ関数設定手段、８ 最大値出力手段、９ 反転
手段、１０ 最小値出力手段、２１ 反転禁止型メンバ
ーシップ関数設定手段、２２ 最小値出力手段
り出し線、４ 分布信号反転手段、５ 比較手段、６
通過型メンバーシップ関数設定手段、７ 禁止型メンバ
ーシップ関数設定手段、８ 最大値出力手段、９ 反転
手段、１０ 最小値出力手段、２１ 反転禁止型メンバ
ーシップ関数設定手段、２２ 最小値出力手段
フロントページの続き (56)参考文献 特開 平３−67303（ＪＰ，Ａ) 特開 平３−110633（ＪＰ，Ａ) 特開 平６−194133（ＪＰ，Ａ) 特開 平３−219385（ＪＰ，Ａ) 特開 平２−310782（ＪＰ，Ａ) 特開 平６−231259（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G06F 9/44 554 G06K 9/68 G06K 9/46 G06T 7/00 - 7/60
Claims (2)
- 【請求項１】 入力パターンから特徴切り出し線により
得られた分布信号と、あらかじめ設定されたメンバーシ
ップ関数とを比較照合することにより入力パターンの認
識を行うファジィニューロンにおいて、 各特徴切り出し線上の分布信号を反転して出力する分布
信号反転手段と、 各特徴切り出し線上の分布信号に対応して、一峰性また
は複峰性の通過型メンバーシップ関数を設定する少なく
とも１個の第１の通過型メンバーシップ関数設定手段
と、 前記分布信号反転手段の出力に対応して、一峰性または
複峰性の通過型メンバーシップ関数を設定する少なくと
も１個の第２の通過型メンバーシップ関数設定手段と、 各特徴切り出し線上の分布信号に対応して、一峰性また
は複峰性の禁止型メンバーシップ関数を設定する少なく
とも１個の第１の禁止型メンバーシップ関数設定手段
と、 前記分布信号反転手段の出力に対応して、一峰性または
複峰性の禁止型メンバーシップ関数を設定する少なくと
も１個の第２の禁止型メンバーシップ関数設定手段と、 第１の通過型メンバーシップ関数設定手段で設定された
通過型メンバーシップ関数に対して、分布信号に対応す
る位置のメンバーシップ値を求め、それらの最大値を出
力する最大値出力手段と、 第２の通過型メンバーシップ関数設定手段で設定された
通過型メンバーシップ関数に対して、前記分布信号反転
手段の出力に対応する位置のメンバーシップ値を求め、
それらの最大値を出力する最大値出力手段と、 第１の禁止型メンバーシップ関数設定手段で設定された
禁止型メンバーシップ関数に対して、分布信号に対応す
る位置のメンバーシップ値を求め、それらの最大値を出
力する最大値出力手段と、 第２の禁止型メンバーシップ関数設定手段で設定された
禁止型メンバーシップ関数に対して、前記分布信号反転
手段の出力に対応する位置のメンバーシップ値を求め、
それらの最大値を出力する最大値出力手段と、 前記第１の禁止型メンバーシップ関数から得られたメン
バーシップ値の最大値を反転して出力する反転出力手段
と、 前記第２の禁止型メンバーシップ関数から得られたメン
バーシップ値の最大値を反転して出力する反転出力手段
と、 前記第１および第２の通過型メンバーシップ関数から得
られたそれぞれの最大値と、前記第１および第２の禁止
型メンバーシップ関数から得られた最大値のそれぞれの
反転出力とから、全体の最小値を求める最小値出力手段
とを備えたパターン認識用ファジィニューロン。 - 【請求項２】 入力パターンから特徴切り出し線により
得られた分布信号と、あらかじめ設定されたメンバーシ
ップ関数とを比較照合することにより入力パターンの認
識を行うファジィニューロンにおいて、 各特徴切り出し線上の分布信号を反転して出力する分布
信号反転手段と、 各特徴切り出し線上の分布信号に対応して、一峰性また
は複峰性の通過型メンバーシップ関数を設定する少なく
とも１個の第１の通過型メンバーシップ関数設定手段
と、 前記分布信号反転手段の出力に対応して、一峰性または
複峰性の通過型メンバーシップ関数を設定する少なくと
も１個の第２の通過型メンバーシップ関数設定手段と、 各特徴切り出し線上の分布信号に対応して、一峰性また
は複峰性の禁止型メンバーシップ関数を設定する少なく
とも１個の第１の反転禁止型メンバーシップ関数設定手
段と、 前記分布信号反転手段の出力に対応して、一峰性または
複峰性の禁止型メンバーシップ関数を設定する少なくと
も１個の第２の反転禁止型メンバーシップ関数設定手段
と、 第１の通過型メンバーシップ関数設定手段で設定された
通過型メンバーシップ関数に対して、分布信号に対応す
る位置のメンバーシップ値を求め、それらの最大値を出
力する最大値出力手段と、 第２の通過型メンバーシップ関数設定手段で設定された
通過型メンバーシップ関数に対して、前記分布信号反転
手段の出力に対応する位置のメンバーシップ値を求め、
それらの最大値を出力する最大値出力手段と、 第１の反転禁止型メンバーシップ関数設定手段で設定さ
れた禁止型メンバーシップ関数に対して、分布信号に対
応する位置のメンバーシップ値を求め、それらの最小値
を出力する最小値出力手段と、 第２の反転禁止型メンバーシップ関数設定手段で設定さ
れた禁止型メンバーシップ関数に対して、前記分布信号
反転手段の出力に対応する位置のメンバーシップ値を求
め、それらの最小値を出力する最小値出力手段と、 前記第１および第２の通過型メンバーシップ関数から得
られたそれぞれの最大値と、前記第１および第２の反転
禁止型メンバーシップ関数から得られた最小値とから、
全体の最小値を求める最小値出力手段とを備えたパター
ン認識用ファジィニューロン。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01418593A JP3243313B2 (ja) | 1993-01-29 | 1993-01-29 | パターン認識用ファジィニューロン |
| US08/160,274 US5434930A (en) | 1993-01-29 | 1993-12-02 | Fuzzy neuron for patter recognition |
| US08/429,634 US5592564A (en) | 1993-01-29 | 1995-04-27 | Pattern recognition method using fuzzy neuron |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01418593A JP3243313B2 (ja) | 1993-01-29 | 1993-01-29 | パターン認識用ファジィニューロン |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06231256A JPH06231256A (ja) | 1994-08-19 |
| JP3243313B2 true JP3243313B2 (ja) | 2002-01-07 |
Family
ID=11854073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP01418593A Expired - Fee Related JP3243313B2 (ja) | 1993-01-29 | 1993-01-29 | パターン認識用ファジィニューロン |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US5434930A (ja) |
| JP (1) | JP3243313B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6473524B1 (en) | 1999-04-14 | 2002-10-29 | Videk, Inc. | Optical object recognition method and system |
| US6514186B2 (en) * | 2001-06-20 | 2003-02-04 | Frank Catallo | High speed fabric folder |
| US7720786B2 (en) * | 2007-05-25 | 2010-05-18 | Samsung Electronics Co., Ltd. | Method of pattern identification using retain operators on multisets |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2944102B2 (ja) * | 1989-05-26 | 1999-08-30 | 烈 山川 | ファジィニューロン |
| US5086479A (en) * | 1989-06-30 | 1992-02-04 | Hitachi, Ltd. | Information processing system using neural network learning function |
| US5131073A (en) * | 1989-07-12 | 1992-07-14 | Ricoh Company, Ltd. | Neuron unit and neuron unit network |
| US5202954A (en) * | 1989-07-14 | 1993-04-13 | Olympus Optical Co., Ltd. | Digital fuzzy apparatus having simplified barycentral operation arrangement |
| US5227678A (en) * | 1991-05-22 | 1993-07-13 | Illinois Institute Of Technology | Fast digital comparison circuit for fuzzy logic operations |
| US5272657A (en) * | 1991-07-26 | 1993-12-21 | American Neuralogix, Inc. | Fuzzy pattern comparator having automatic update threshold function |
-
1993
- 1993-01-29 JP JP01418593A patent/JP3243313B2/ja not_active Expired - Fee Related
- 1993-12-02 US US08/160,274 patent/US5434930A/en not_active Expired - Fee Related
-
1995
- 1995-04-27 US US08/429,634 patent/US5592564A/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06231256A (ja) | 1994-08-19 |
| US5434930A (en) | 1995-07-18 |
| US5592564A (en) | 1997-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101834778B1 (ko) | 교통 표지판 인식장치 및 방법 | |
| JPH04287290A (ja) | ハフ変換画像処理装置 | |
| Sharma et al. | Fuzzy based pooling in convolutional neural network for image classification | |
| Mani et al. | Application of artificial neural network model for optical character recognition | |
| Lerner et al. | A classification-driven partially occluded object segmentation (CPOOS) method with application to chromosome analysis | |
| Ghica et al. | Recognition of traffic signs by artificial neural network | |
| Li et al. | Findnet: Can you find me? boundary-and-texture enhancement network for camouflaged object detection | |
| US5528700A (en) | Character recognition system based on a neural network | |
| JP3243313B2 (ja) | パターン認識用ファジィニューロン | |
| Chi et al. | Separation of single-and double-touching handwritten numeral strings | |
| JPH08329032A (ja) | ニュ−ラルネット型パターン認識装置及びニュ−ラルネットの学習方法 | |
| JP3469677B2 (ja) | 文字認識装置およびその学習方法 | |
| Tahir et al. | Shock graph for representation and modeling of posture | |
| JP2944102B2 (ja) | ファジィニューロン | |
| Austin | ADAM: An Associative neural architecture for invariant pattern classification | |
| Anagnostopoulos et al. | A probabilistic neural network for face detection on segmented skin areas based on fuzzy rules | |
| JP2880383B2 (ja) | パターン認識装置および方法 | |
| JP3470375B2 (ja) | 画像認識装置 | |
| El-Gayar et al. | A novel approach for detecting deep fake videos using graph neural network | |
| Devi et al. | Algorithmic Study on Facial Emotion Recognition model with Optimal Feature Selection via Firefly Plus Jaya Algorithm | |
| Seidel et al. | Extracting State Machines from Feedforward Neural Networks | |
| JPH08314879A (ja) | ニュ−ラルネットの学習方法及びニュ−ラルネット型パターン認識装置 | |
| JP2682203B2 (ja) | 文字認識方法 | |
| Montesinos et al. | Perceptual Grouping of Continuation: Application for Satellite Images | |
| Marsella et al. | Neural techniques for image segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071019 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101019 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |