JP3703164B2 - パターン認識方法及びその装置 - Google Patents
パターン認識方法及びその装置 Download PDFInfo
- Publication number
- JP3703164B2 JP3703164B2 JP11197295A JP11197295A JP3703164B2 JP 3703164 B2 JP3703164 B2 JP 3703164B2 JP 11197295 A JP11197295 A JP 11197295A JP 11197295 A JP11197295 A JP 11197295A JP 3703164 B2 JP3703164 B2 JP 3703164B2
- Authority
- JP
- Japan
- Prior art keywords
- fitness
- pattern
- calculation
- pattern recognition
- feature vector
- 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
- 238000012567 pattern recognition method Methods 0.000 title claims description 15
- 239000013598 vector Substances 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 46
- 238000003909 pattern recognition Methods 0.000 claims description 33
- 238000013139 quantization Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 description 40
- 238000000034 method Methods 0.000 description 22
- 230000014509 gene expression Effects 0.000 description 20
- 238000009826 distribution Methods 0.000 description 8
- 238000005315 distribution function Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Description
【産業上の利用分野】
本発明は、パターン認識を行なうパターン認識方法及びその装置に関するものである。
【0002】
【従来の技術】
従来より、パターン認識の手法として、参照パターンを予め用意し、用意されたパターンのうち入力されたパターンに最も良く適合するものを認識結果とする方法がある。通常、入力されるパターンは、複数の特徴量を組み合わせた特徴ベクトルである。一方、参照パターンは、認識結果を代表する特徴ベクトル、あるいは特徴ベクトルを入力とする関数として表現される。
【0003】
参照パターンが認識結果を代表する特徴ベクトルの場合は、参照パターンと入力されたパターンとの適合度は、参照パターンの特徴ベクトルと入力パターンの特徴ベクトルとの間の距離として表現される。参照パターンが特徴ベクトルを入力とする関数の場合は、参照パターンと入力されたパターンとの適合度は、参照パターンである関数に入力パターンの特徴ベクトルを入力して得られる値として表現される。
【0004】
参照パターン関数としては、多次元確率密度関数が用いられることが多い。即ち、入力された特徴ベクトルをx,i番目の参照パターンである確率密度関数をPi(・),i番目の参照パターンと入力されたパターンとの適合度をYi とすれば、
【0005】
【数1】
となる。
前記の確率密度関数としては、ガウス分布関数などの関数が用いられる。また、複数の確率密度関数の重み付け和である混合密度関数が用いられることもある。混合密度関数を用いた場合、前記適合度は、i番目の参照パターンのm番目の確率密度関数をPi m(・) 、i番目の参照パターンのm番目の確率度関数の重みをwi mとして、
【0006】
【数2】
となる。
また、式(1)において、特徴ベクトルの各次元間の無相関を仮定して、
【0007】
【数3】
を参照パターン関数とすることもある。ここで、xj は入力ベクトルxのj次元目の特徴量、Pi j(・) は、i番目の参照パターンのj次元目に対応する確率密度関数である。
【0008】
また、音声認識などにおいては、HMM(隠れマルコフモデル)がよく用いられる。この場合には、参照パターンはHMMの各状態に対応し、前記適合度は、HMMの各状態が入力されたパターンを出力する出力確率となる。
また、実際のパターン認識において、Pi(・)は入力ベクトルと参照パターンとの適合度でしかないため、Pi(・)は厳密な意味での確率密度関数である必要はない。特に、Pi(・)を、入力ベクトルと参照パターンベクトルとの距離と解釈することも出来る。さらに、Pi(・)は距離関数以外の一般の関数でもよい。従って、以降の説明では、確率密度関数という用語を用いる代わりに、参照パターン関数、あるいは適合度関数と呼ぶことにする。
【0009】
【発明が解決しようとする課題】
しかし、上記従来例では、次のような問題点があった。すなわち、パターン認識を行なうためには、全ての参照パターン関数に関して式(1)の値を計算しなくてはならない。従って、参照パターンの数が多い場合には、適合度の計算量が非常に大きくなる。
【0010】
本発明は、従来の欠点を除去し、パターン認識を行なうために必要な全ての参照パターン関数に対する適合度の計算量を削減して、高速なパターン認識を行うパターン認識方法及びその装置を提供する。又、参照パターンの数が多い場合にも、適合度の計算量が増加せずに高速なパターン認識を行うパターン認識方法及びその装置を提供する。更に、適合度の計算量を極力抑えて正確なパターン認識を行うパターン認識方法及びその装置を提供する。
【0011】
【課題を解決するための手段】
上記課題を解決するために、本発明のパターン認識方法は、参照パターンと入力された特徴ベクトルとの適合度の計算に基づいてパターン認識を行なうパターン認識方法であって、適合度の計算工程において、特徴ベクトルの各次元をスカラー量子化するスカラー量子化工程と、前記スカラー量子化工程の結果に基づいて適合度を近似的に計算する計算工程と、前記計算工程の結果に基づいて選択された参照パターンの適合度を、入力された特徴ベクトルからスカラー量子化せずに計算して、前記選択された参照パターンの適合度とすることを特徴とする。
【0015】
又、本発明のパターン認識装置は、参照パターンと入力された特徴ベクトルとの適合度の計算に基づいてパターン認識を行なうパターン認識装置であって、前記適合度の計算に用いる関数を各次元独立に計算可能な形式に近似した関数を用いて、特徴ベクトルとの適合度を計算することを特徴とする。
【0016】
又、本発明のパターン認識装置は、参照パターンと入力された特徴ベクトルとの適合度の計算に基づいてパターン認識を行なうパターン認識装置であって、適合度の計算において、特徴ベクトルの各次元をスカラー量子化するスカラー量子化手段と、前記スカラー量子化手段の結果に基づいて、適合度の計算に用いる関数を各次元独立に計算可能な形式に近似した関数に対する適合度を近似的に計算する第2の近似計算手段とを備えることを特徴とする。
【0017】
【実施例】
以下、図面を参照しながら本発明の一実施例を説明する。
図1は本実施例のパターン認識装置のハードウェア構成例を示す図である。
図中、1は、パターン認識の結果あるいはパターン認識の結果得られた応答を出力する出力装置、2は、音声や画像といった認識すべき対象を入力する入力装置、3は、数値演算・制御等の処理を行う中央処理装置であり、記憶装置4に記憶された本実施例の手順に従って演算・制御を行う。4は、ディスク装置等の外部メモリ装置やRAM/ROM等の内部メモリを含む記憶装置であり、各種変数や中間値を記憶すると共に、入力パターンの特徴ベクトル4a,スカラー量子化用の符号値集合4b,参照パターン関数4c,参照パターン関数の出力値集合4d,図2に示すフローチャートを含むパターン認識プログラム4eを格納する。
【0018】
以上のハードウェア構成を踏まえて本実施例の動作を説明する。
図2は本実施例の動作手順例を示すフローチャートである。
該フローチャートにおいて、参照パターンの個数をSとし、特徴ベクトル空間の次元数をNとする。また、入力された特徴ベクトルをxとし、そのj次元目の要素をxj とする。また、i番目の参照パターンに対応する関数をYi =Pi(・)とする。本実施例においては、特徴ベクトル空間の各次元を独立と仮定して、
【0019】
【数4】
あるいは、
【0020】
【数5】
とする。前者と後者の違いは、対数表現を用いるか否かの違いである。本実施例の以降の説明では、対数をとった場合の表現である後者を用いる。ここで、Pi j(・) はi番目の参照パターン関数のj次元目の関数である。
【0021】
ステップS1〜ステップS3の初期化後、先ず、スカラー量子化ステップS4で、入力ベクトルxのj次元目の値xj をスカラー量子化する。スカラー量子化とは、予め用意されたKj 個の符号値集合{x1 j,x2 j,…,xKj j }の中から入力xj に最も近い値xKj j を求める操作である。
次にテーブル参照ステップS5で、前記スカラー量子化の結果得られたxKj j を入力とした場合の参照パターン関数のj次元目の出力値Pi j(xKj j)を求める。この操作は、予め入力値集合{x1 j,x2 j,…,xKj j }が分かっているため、出力値集合{Pi j(x1 j) ,Pi j(x2 j) ,…,Pi j(xKj j)}のテーブルを用意し、Kj 番目の要素を参照するだけの操作である。
【0022】
次に累積適合度計算ステップS6で、前記テーブル参照ステップS5での結果を、以前のテーブル参照ステップS5の結果の累積値yi に加える。
上記ステップS4からステップS6をN次元分繰り返すことにより、i番目の参照パターンに対する入力ベクトルの適合度Yi を近似的にyi として求めることができる。ステップS3、ステップS7、ステップS8がN回の繰り返し制御のためのステップである。
【0023】
また、上記ステップS2〜ステップS10をS個分繰り返すことにより、全ての参照パターンについて、入力ベクトルの適合度を高速に求めることができる。ステップS1、ステップS9、ステップS10がS回の繰り返し制御のためのステップである。
尚、前記スカラー量子化ステップS4において、2分探索法を用いることによりスカラー量子化を高速に行なうことができる。2分探索法は、符号値集合を昇順もしくは降順に並べた時に、入力のj次元目の値が、集合の前半に属するか集合の後半に属するかを調べ、前半に属するならば前半を後半に属するならば後半を新たな符号値集合として、再帰的な探索を行なう手法である(図3)。
【0024】
図3において、301には、符号値集合とスカラー量子化すべき入力値との例が示されている。302には2分探索法の手順例が示されている。
まず、入力値“5”が、符号値集合{1,3,4,7,11,12,15,19}を2分した場合に、各部分集合{1,3,4,7}と{11,12,15,19}とのどちらに入るかを判断する(step1) 。次に、部分集合{1,3,4,7}と2つの部分集合{1,3}と{4,7}とのどちらに入るかを判断する(step2) 。最後に、部分集合{4,7}内のどちらの値がスカラー量子化値として適当かを判断する(step3) 。この2分探索の結果、“4”が量子化値として出力される。
【0025】
又、前記実施例によって適合度yi を高速に求めた後、いくつかのyi については、スカラー量子化をせずに入力ベクトルxを用いて本来の適合度の計算式Yi =Pi(x)によって厳密に計算して、置き代えても良い。yi のうちのどれを再計算すべきかを判断するために、yi の値を利用することが出来る。
一例として、高速に求められたyi のうち適合度の良かったものから順に予め定められた個数分だけ再計算することができる。
【0026】
また別の例として次の手法が可能である。パターン認識においては1つの特徴ベクトルxだけでなく、複数の特徴ベクトルの集合{x0 ,…,xT }を用いることがある。この場合、適合度の集合{Yi 0,…,Yi T}がパターン認識の結果を求めるのに用いられる。このようなパターン認識方法において、全体として良い値を示す適合度の集合{yi 0,…,yi T}について再計算を行なって{Yi 0,…,Yi T}を求め、他の適合度の集合については高速に求められた値を用いることができる。
例えば、音声認識において、参照パターンとして{a,o,oo,g,k,n,s,t,y}があった場合に、[tookyoo]という参照パターンの時系列の組合わせを考える。まず本実施例の簡易計算によって適合度の集合{yi 0,…,yi T}を求めた時に、[t]の適合度がいくら良くても[ookyoo]の適合度があまりに悪ければ再計算を行なう必要はない。一方、[t]の適合度がいくら悪くても[ookyoo]の適合度が良ければ厳密に再計算を行なう価値がある。
以上のように、選ばれた参照パターンについて適合度を厳密に再計算することによって、スカラー量子化による誤差の低減と共に以下の式(15)のような近似計算による誤差(各次元に分けて計算できないものを近似的に分けて計算することによる)をも低減できる。
【0027】
[具体例1]
参照パターンを示す関数としてガウス分布(多次元正規分布)を用いた場合について、その具体例を示す。
i番目の参照パターンと入力xの適合度Yi は、平均値をμi 、共分散行列をΣi とするガウス分布N(・) を用いて、
【0028】
【数6】
と表される。ここで、Nは特徴ベクトルの次元数であり、tは転置を意味する。
ここで、本実施例の手法を用いて、このYi を高速に計算する。
先ず、N次元特徴ベクトル空間の各次元を独立として、式(6)を
【0029】
【数7】
と分解する。ここで、μi jはi番目の参照パターンであるガウス分布のj次元目の平均値を、σi jはi番目の参照パターンのガウス分布のj次元目の分散である。尚、通常は分散をσ2 と表記するが、本明細書では簡単のためσと書く。
【0030】
また、入力ベクトルxのj次元目の値xj をスカラー量子化するための符号値の集合を{xj,k }とする。全てのi,j,kに対して、
【0031】
【数8】
を求め、記憶装置4にテーブルとして格納しておく。
以上の前処理の後、パターン認識時には以下の適合度計算を行なう。
先ず、入力された特徴ベクトルxの各次元をスカラー量しかステップS4でスカラー量子化する。即ち、各次元jについて最適なKj を求めて
【0032】
【数9】
とする。
次にテーブル参照ステップS5で、xj,Kjに対応するyi j,Kj をテーブル参照によって求める。
【0033】
次に累積適合度計算ステップS6で、前記テーブル参照ステップS5の結果を累積し、Yi の近似値を得る。
【0034】
【数10】
以上により、各参照パターンiについて入力特徴ベクトルxの適合度Yi の高速計算が行なわれる。
また、実施例で述べたように、いくつかの参照パターン{i}について、式(6)もしくは式(7)を用いて厳密な{Yi }を求め、上記の高速計算で求められた値{yi }と置き換えても良い。
【0035】
[具体例2]
参照パターンを示す関数として混合密度ガウス分布関数を用いた場合について具体例を示す。混合密度ガウス分布関数は、M個のガウス分布の重み付け和であり、m番目のガウス分布の重みをwm とすると次の様に定義される。
【0036】
【数11】
ガウス分布の共分散成分を“0”と仮定した場合には、
【0037】
【数12】
となる。
以下、本実施例の手法を用いて、この混合密度ガウス分布関数による適合度を計算する方法を示す。
【0038】
先ず、第1の方法は、混合密度ガウス分布関数を構成する各ガウス分布関数について、本実施例の手法を適用して累積するものである。
先ず、上記具体例1に基づいて、入力ベクトルxの各次元の値xj,Kjを求めた後、テーブル参照により、
【0039】
【数13】
を求める。
次に、累積適合度計算ステップS6では、
【0040】
【数14】
の累積計算を行ない、yi を得る。
第2の方法は、式(12)を次の様に近似する方法である。
【0041】
【数15】
上記の式を用いて、上記具体例1と同様の計算を行なう。
先ず、入力された特徴ベクトルxの各次元の値xj をスカラー量子化ステップS4でスカラー量子化してxj,Kjを求めた後、テーブル参照により、
【0042】
【数16】
を求める。
次に、累積適合度計算ステップS6では、
【0043】
【数17】
の累積計算を行ない、yi を得る。
第3の方法は、学習データを用いてPi(x)を出力する関数を学習する方法である。
【0044】
先ず、スカラー量子化の符号値の集合{xj,k }に対応する値の集合{yi j,k}を全てのiについて用意する。{yi j,k}は後述の基準によって学習しておく。
入力された特徴ベクトルxの各次元の値xj をスカラー量子化ステップS4でスカラー量子化してxj,Kjを求めた後、
【0045】
【数18】
により、適合度を求める。
上記の計算において、各i,{xj,k }に対応する{yi j,k}は、学習データを用いて求める。
【0046】
先ず、n番目の学習データξn =(ξn 1,…,ξn N)の各次元をスカラー量子化して得られるベクトルξn'=(x1,Kn1 ,…,xN,KnN )およびξn'に対応する(y1,Kn1 ,…,yj,KnN )について、2乗誤差値( ε2)i nを次のように定義する。
【0047】
【数19】
これは、ある集合{yi j,k}を使ってn番目の学習データとi番目の参照パターンとの適合度を近似計算したときの、真の適合度と近似計算によって得られた適合度と2乗誤差を示している。
ここで、2乗誤差( ε2)i nを予め容易された全学習データに関して最小になるように、集合{yi j,k}を定めれば、この集合{yi j,k}は精度の良い適合度の近似計算を行うのに適した集合となることが期待できる。即ち、n個の学習データに対して、
【0048】
【数20】
が最小となるような集合{yi j,k}を求める。これには誤差最小化問題の手法を用いることが出来る。
また、上記式(19)において、スカラー量子化する前の入力ベクトルξn を用いて
【0049】
【数21】
と( ε2)i nを定義しても良い。
以上のように、学習により集合{yi j,k}を再設定することによって、スカラー量子化による誤差の低減と共に式(15)のような近似計算による誤差をも低減できる。
[具体例3]
前記具体例1および具体例2では、確率密度関数値をそのまま用いる例について説明したが、確率密度関数値の対数をとった値、即ち対数尤度を用いて計算を行なっても良い。
【0050】
対数尤度を用いると、各次元を独立とした場合の多次元確率密度関数は、各次元の確率密度関数の値の積ではなく、和として表現される。例えば、式(7)は、
【0051】
【数22】
となる。
また、式(15)は、
【0052】
【数23】
と変形される。
また、式(19)は、
【0053】
【数24】
となる。この場合には、誤差Σε2i nを最小化する手法として多変量統計解析の1つである「数量化I類」などの統計的手法を用いることができる。
尚、本発明は、複数の機器から構成されるシステムに適用しても、1つの機器から成る装置に適用しても良い。また、本発明はシステム或は装置にプログラムを供給することによって達成される場合にも適用できることはいうまでもない。
【0054】
【発明の効果】
以上説明したように、本発明によれば、パターン認識を行なうために必要な全ての参照パターン関数に対する適合度の計算量を削減して、高速なパターン認識を行うパターン認識方法及びその装置を提供できる。又、参照パターンの数が多い場合にも、適合度の計算量が増加せずに高速なパターン認識を行うパターン認識方法及びその装置を提供できる。更に、適合度の計算量を極力抑えて正確なパターン認識を行うパターン認識方法及びその装置を提供できる。
【図面の簡単な説明】
【図1】本実施例のパターン認識装置のハードウェア構成を示したブロック図である。
【図2】本実施例のパターン認識手順を示したフローチャートである。
【図3】2分探索法の例を説明する図である。
【符号の説明】
1 出力装置
2 入力装置
3 中央処理装置
4 記憶装置
Claims (6)
- 参照パターンと入力された特徴ベクトルとの適合度の計算に基づいてパターン認識を行なうパターン認識方法であって、
適合度の計算工程において、特徴ベクトルの各次元をスカラー量子化するスカラー量子化工程と、
前記スカラー量子化工程の結果に基づいて適合度を近似的に計算する計算工程と、
前記計算工程の結果に基づいて選択された参照パターンの適合度を、入力された特徴ベクトルからスカラー量子化せずに計算して、前記選択された参照パターンの適合度とする処理工程とを備えたことを特徴とするパターン認識方法。 - 前記処理工程では、前記計算工程で計算された適合度が高いものから順に所定の個数選択し、該選択された参照パターンの適合度を、入力された特徴ベクトルからスカラー量子化せずに計算して、前記選択された参照パターンの適合度とすることを特徴とする請求項1記載のパターン認識方法。
- 参照パターンの時系列に対して、前記計算工程を行なうことを特徴とする請求項1に記載のパターン認識方法。
- 参照パターンと入力された特徴ベクトルとの適合度の計算に基づいてパターン認識を行なうパターン認識装置であって、
適合度の計算において、特徴ベクトルの各次元をスカラー量子化するスカラー量子化手段と、
前記スカラー量子化手段の結果に基づいて適合度を近似的に計算する計算手段と、
前記計算手段の結果に基づいて選択された参照パターンの適合度を、入力された特徴ベクトルからスカラー量子化せずに計算して、前記選択された参照パターンの適合度とする処理手段とを備えたことを特徴とするパターン認識装置。 - 前記処理手段は、前記計算手段により計算された適合度が高いものから順に所定の個数選択し、該選択された参照パターンの適合度を、入力された特徴ベクトルからスカラー量子化せずに計算して、前記選択された参照パターンの適合度とすることを特徴とする請求項4記載のパターン認識装置。
- 参照パターンの時系列に対して、前記計算手段による計算を行なうことを特徴とする請求項4に記載のパターン認識装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11197295A JP3703164B2 (ja) | 1995-05-10 | 1995-05-10 | パターン認識方法及びその装置 |
EP96303014A EP0742547B1 (en) | 1995-05-10 | 1996-04-30 | Method and apparatus for pattern recognition |
DE69619154T DE69619154T2 (de) | 1995-05-10 | 1996-04-30 | Verfahren und Vorrichtung zur Mustererkennung |
US08/640,475 US5991442A (en) | 1995-05-10 | 1996-05-01 | Method and apparatus for pattern recognition utilizing gaussian distribution functions |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11197295A JP3703164B2 (ja) | 1995-05-10 | 1995-05-10 | パターン認識方法及びその装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005135407A Division JP4194579B2 (ja) | 2005-05-06 | 2005-05-06 | パターン認識方法及びその装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH08305849A JPH08305849A (ja) | 1996-11-22 |
JP3703164B2 true JP3703164B2 (ja) | 2005-10-05 |
Family
ID=14574753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP11197295A Expired - Fee Related JP3703164B2 (ja) | 1995-05-10 | 1995-05-10 | パターン認識方法及びその装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US5991442A (ja) |
EP (1) | EP0742547B1 (ja) |
JP (1) | JP3703164B2 (ja) |
DE (1) | DE69619154T2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2349460B (en) * | 1999-04-29 | 2002-11-27 | Mitsubishi Electric Inf Tech | Method of representing colour images |
US6594392B2 (en) * | 1999-05-17 | 2003-07-15 | Intel Corporation | Pattern recognition based on piecewise linear probability density function |
US6697776B1 (en) * | 2000-07-31 | 2004-02-24 | Mindspeed Technologies, Inc. | Dynamic signal detector system and method |
US7295978B1 (en) * | 2000-09-05 | 2007-11-13 | Verizon Corporate Services Group Inc. | Systems and methods for using one-dimensional gaussian distributions to model speech |
US6611678B1 (en) | 2000-09-29 | 2003-08-26 | Ibm Corporation | Device and method for trainable radio scanning |
US7038690B2 (en) * | 2001-03-23 | 2006-05-02 | Microsoft Corporation | Methods and systems for displaying animated graphics on a computing device |
US7239324B2 (en) * | 2001-03-23 | 2007-07-03 | Microsoft Corporation | Methods and systems for merging graphics for display on a computing device |
CN111126420B (zh) * | 2018-10-30 | 2023-04-25 | 杭州海康威视数字技术股份有限公司 | 一种建立识别模型的方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4587670A (en) * | 1982-10-15 | 1986-05-06 | At&T Bell Laboratories | Hidden Markov model speech recognition arrangement |
US4783804A (en) * | 1985-03-21 | 1988-11-08 | American Telephone And Telegraph Company, At&T Bell Laboratories | Hidden Markov model speech recognition arrangement |
US5347612A (en) * | 1986-07-30 | 1994-09-13 | Ricoh Company, Ltd. | Voice recognition system and method involving registered voice patterns formed from superposition of a plurality of other voice patterns |
JP2795058B2 (ja) * | 1992-06-03 | 1998-09-10 | 松下電器産業株式会社 | 時系列信号処理装置 |
US5715367A (en) * | 1995-01-23 | 1998-02-03 | Dragon Systems, Inc. | Apparatuses and methods for developing and using models for speech recognition |
US5687287A (en) * | 1995-05-22 | 1997-11-11 | Lucent Technologies Inc. | Speaker verification method and apparatus using mixture decomposition discrimination |
-
1995
- 1995-05-10 JP JP11197295A patent/JP3703164B2/ja not_active Expired - Fee Related
-
1996
- 1996-04-30 EP EP96303014A patent/EP0742547B1/en not_active Expired - Lifetime
- 1996-04-30 DE DE69619154T patent/DE69619154T2/de not_active Expired - Lifetime
- 1996-05-01 US US08/640,475 patent/US5991442A/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
US5991442A (en) | 1999-11-23 |
DE69619154D1 (de) | 2002-03-21 |
EP0742547B1 (en) | 2002-02-13 |
JPH08305849A (ja) | 1996-11-22 |
EP0742547A3 (en) | 1997-06-18 |
EP0742547A2 (en) | 1996-11-13 |
DE69619154T2 (de) | 2002-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Collobert et al. | Torch: a modular machine learning software library | |
US6735588B2 (en) | Information search method and apparatus using Inverse Hidden Markov Model | |
Kambhatla et al. | Dimension reduction by local principal component analysis | |
US7296005B2 (en) | Method and apparatus for learning data, method and apparatus for recognizing data, method and apparatus for generating data, and computer program | |
WO1993013519A1 (en) | Composite expert | |
JPH05346915A (ja) | 学習機械並びにニューラルネットワークおよびデータ分析装置並びにデータ分析方法 | |
CN110210032A (zh) | 文本处理方法及装置 | |
CN113033215B (zh) | 情感检测方法、装置、设备以及存储介质 | |
CN1391211A (zh) | 对识别系统中的参数进行训练的方法和系统 | |
JP3703164B2 (ja) | パターン認識方法及びその装置 | |
US6697769B1 (en) | Method and apparatus for fast machine training | |
Cybenko | Complexity theory of neural networks and classification problems | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN113657595B (zh) | 基于神经网络实时剪枝的神经网络加速器 | |
McDermott et al. | A derivation of minimum classification error from the theoretical classification risk using Parzen estimation | |
JP4194579B2 (ja) | パターン認識方法及びその装置 | |
Magoulas et al. | Adaptive algorithms for neural network supervised learning: A deterministic optimization approach | |
WO2022178950A1 (zh) | 预测语句实体的方法、装置和计算机设备 | |
US11481632B2 (en) | Classification apparatus and method for optimizing throughput of classification models | |
Arriola et al. | Integration of multi-layer perceptron and Markov models for automatic speech recognition | |
CN108985371B (zh) | 一种图像多分辨率字典学习方法及其应用 | |
Wei et al. | A fast histogram-based postprocessor that improves posterior probability estimates | |
Foresee | Generalization and neural networks | |
CN117852609A (zh) | 针对大语言模型进行预处理的方法及装置 | |
CN117591841A (zh) | 贝叶斯神经网络设备运行趋势预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050307 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050506 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050719 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080729 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090729 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090729 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100729 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100729 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110729 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120729 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120729 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130729 Year of fee payment: 8 |
|
LAPS | Cancellation because of no payment of annual fees |