JP6114209B2 - モデル処理装置、モデル処理方法、およびプログラム - Google Patents
モデル処理装置、モデル処理方法、およびプログラム Download PDFInfo
- Publication number
- JP6114209B2 JP6114209B2 JP2014022040A JP2014022040A JP6114209B2 JP 6114209 B2 JP6114209 B2 JP 6114209B2 JP 2014022040 A JP2014022040 A JP 2014022040A JP 2014022040 A JP2014022040 A JP 2014022040A JP 6114209 B2 JP6114209 B2 JP 6114209B2
- Authority
- JP
- Japan
- Prior art keywords
- acoustic
- situation
- parameter
- event
- acoustic event
- 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.)
- Active
Links
Images
Landscapes
- Stereophonic System (AREA)
Description
<用語の定義>
実施例で用いる用語を定義する。
「音響イベント」とは、音の事象を意味する。例えば、所定の時間区間(短時間フレーム)における音響信号が表している音の事象を「音響イベント」と呼ぶ。「音響イベント」の具体例は、「包丁の音」「水が流れる音」「水音」「着火音」「火の音」「足音」「掃除機の排気音」などである。「音響イベント列」とは、時系列に並んだ所定の時間区間ごとの音響イベントからなる列を意味する。各時間区間の音響イベントを表す要素(ラベル等)からなる時系列を「音響イベント列」と呼ぶ。音響イベント列は1個以上の要素からなる。「音響信号列」とは、各時間区間の音響信号からなる時系列である。音響信号列は1個以上の音響信号からなる。「音響特徴量列」とは、各時間区間の音響特徴量からなる時系列である。音響特徴量列は、1個以上の音響特徴量からなる。「音響特徴量」とは、音響の特徴を表す値やベクトルである。音響特徴量の例は、音圧レベル、音響パワー、MFCC(Mel-Frequency Cepstrum Coefficient)特徴量、LPC(Linear Predictive Coding)特徴量、立ち上がり特性、調波性、時間周期(例えば、「井本他,「複数の生活音の出現頻度に基づくユーザ行動の識別手法とコミュニケーションへの応用」,画像電子学会第32回VMA研究会」参照)の少なくとも一部を要素とするベクトルである。
本実施例では、逐次的に得られる音響特徴量列から、少なくとも、状況−音響イベント生成モデルおよび音響イベント−音響特徴量生成モデルを作成する。
本実施例のモデル化部112は、逐次的に、音響特徴量列11k−sk(ただし、sk=MINk,・・・,MAXk)に対応する音響信号列が状況t(ただし、t=1,・・・,T)を生成する確率と、状況tが音響イベントm(ただし、m=1,・・・,M)を生成する確率と、音響イベントmが音響特徴量を生成する確率を同時に算出し、それぞれを音響信号‐状況生成モデル12、状況‐音響イベント生成モデル13、および音響イベント−音響特徴量生成モデル14とする。つまり、本実施例では、各音響信号が状況の生成確率を規定し、各状況が音響イベントの生成確率を規定し、音響イベントが音響特徴量の生成確率を規定すると考え、これらの関係を生成モデルとして記述する。
ただし、Sは1以上の整数であり、すべての音響特徴量列11,・・・,1Kからなる集合である音響特徴量列1を構成する音響特徴量列11k−skの個数を表す。S=S1+S2+・・・+SKを満たす。Tは1以上の整数であり、潜在的な状況の種類の数(状況の種類の総数)を表す。Mは1以上の整数であり、音響イベントの種類の数(音響イベントの種類の総数)を表す。Dは1以上の整数定数であり、音響特徴量の次元数を表す。fは音響特徴量列1を構成する音響特徴量を要素とする集合である。θは各音響特徴量列11k−skが状況tを生成する確率の集合を表し、例えば、各音響特徴量列11k−skが状況tを生成する確率をs行t列の要素とするS×T行列で表現できる。φは状況tが音響イベントmを生成する確率の集合を表し、例えば状況tが音響イベントmを生成する確率をt行m列の要素とするT×M行列で表現できる。μは音響イベントmによって発生した音響信号の音響特徴量の平均値μmからなる列μ1,・・・,μMを表す。例えば、音響イベントmによって発生した各音響特徴量が複数の要素vcmd(ただし、d=1,・・・,D)からなるベクトル(vcm1,・・・,vcmD)である場合(D≧2の場合)、μmは要素vcm1dからvcmEd(ただし、vcmd∈{vcm1d,・・・,vcmEd}であり、Eは音響イベントmに割り当てられる音響特徴量の数を表す)についてのvcmdの期待値mean(vcmd)を要素とするベクトル(mean(vcm1),・・・,mean(vcmD))である。Σは音響イベントmによって発生した音響信号の音響特徴量の分散の逆数(精度)Σmからなる列Σ1,・・・,ΣMを表す。例えば、音響イベントmによって発生した各音響特徴量が複数の要素vcmdからなるベクトル(vcm1,・・・,vcmD)である場合(D≧2の場合)、Σmは要素vcm1dからvcmEd(ただし、Eは音響イベントmに割り当てられる音響特徴量の数を表す)の分散ver(vcmd)の逆数1/ver(vcmd)を要素とするベクトル(1/ver(vcm1),・・・,1/ver(vcmD))である。Λは音響特徴量列1を表す。fsは音響特徴量列1を構成する音響特徴量列11−sを表し、音響特徴量列11−sが含むNs個の音響特徴量からなる列(ベクトル)を表す。Nsは1以上の整数であり、音響特徴量列11−sが含む短時間区間ごとの音響特徴量の個数を表す。言い換えると、Nsは音響特徴量列11−sに含まれる音響特徴量の個数を表す。ただし、MIN1=1、MAXK=Sであり、{音響特徴量列11−1,・・・,11−S}={音響特徴量列111−MIN1,・・・,111−MAX1,・・・,11K−MINK,・・・,11K−MAXK}である。
ただし、fs,iは音響特徴量列11−sに含まれる先頭からi番目の短時間区間での音響特徴量を表し、Nsは音響特徴量列11−sに含まれる音響特徴量の個数(短時間区間の個数)を表し、zs,iは音響特徴量列11−sに含まれる先頭からi番目の短時間区間での音響特徴量に対応する状況、ms,iは音響特徴量列11−sに含まれる先頭からi番目の短時間区間での音響特徴量に対応する音響イベントを表す。θsは音響特徴量列11−sが何れかの状況t(ただし、t=1,・・・,T)を生成する確率を表す。例えば、音響特徴量列11−sが状況tを生成する確率θstをs行t列の要素とするS×T行列で確率の集合θを表現した場合、θsはθのs行の要素の和で表現できる。φtは状況tが何れかの音響イベントm(m=1,・・・,M)を生成する確率を表す。例えば、状況tが音響イベントmを生成する確率φtmをt行m列の要素とするT×M行列で確率の集合φを表現した場合、φtはφのt行の要素の和で表現できる。Dir(・),N(・),W(・)は、それぞれ、Dirichlet分布の確率密度関数、Normal分布の確率密度関数、Wishart分布の確率密度関数を表す。
ただし、τはτh’(ただし、h’=1,・・・,H’)からなるパラメータ、ιは確率変数、Γはガンマ関数を表す。(・)Tは(・)の転置を表す。また、
である。また、μmは音響イベントmによって発生した音響信号の音響特徴量の平均値を表し、Σmは音響イベントmによって発生した音響信号の音響特徴量の分散の逆数(精度)を表す。また、|B0|は行列B0の行列式を表す。
モデル化部112は、音響信号が状況を生成する確率と、状況が音響イベントを生成する確率と、音響イベントが音響特徴量を生成する確率とを、入力された音響特徴量列について、入力された音響特徴量列が示す状況z=t、入力された音響特徴量列が示す音響イベントm、各音響特徴量列11−sに対する状況の生成確率θs、各状況tに対する音響イベントの生成確率φt、各音響イベントmに対する音響特徴量の生成確率を制御するパラメータμm,Σmの同時確率に対する事後確率を最大化することにより算出し、それぞれを音響信号‐状況生成モデル12、状況‐音響イベント生成モデル13、および音響イベント−音響特徴量生成モデル14とする。ただし、zは状況t(t=1,・・・,T)を表す変数(潜在変数)である。
確率p(f,m,z,μ,Σ,φ,θ|α0,γ0,μ0,β0,ν0,B0)に対するlog p(f,m,z,μ,Σ,φ,θ|α0,γ0,μ0,β0,ν0,B0)の未知のパラメータm,z,μ,Σ,φ,θを確率変数として扱い、音響特徴量列1を構成する音響特徴量を要素とする集合fについての対数尤度関数を最大化することを考える。ここでモデルの新たな分布q(m,z,μ,Λ,φ,θ)(以下、「変分事後分布」と呼ぶ)を導入すると、Jensenの不等式によって、以下のような対数周辺尤度の下限値(Lower Bound)L[f]を求めることができる。
L(f)=F[q]+KL(q(m,z,μ,Σ,φ,θ),p(m,z,μ,Σ,φ,θ|f))
ただし、KL(・)は、KLはダイバージェンスを表す。
このような変分事後分布q(z)をラグランジュの未定乗数法などを用いて導出するとq(z)は多項分布の積で表現可能であることがわかる。そこで、q(z)のパラメータrsntを導入する。すると、q(z)は以下のように表現できる。
ただし、zsntは音響特徴量列11−sに含まれる先頭からn番目の音響特徴量が状況tに対応する場合に1となり、そうでない場合に0となる。
ただし、ysnmは音響特徴量列11−sに含まれる先頭からn番目の音響特徴量が音響イベントmに対応する場合に1となり、そうでない場合に0となる。
下限値F[q]を最大化するパラメータθの変分事後分布q(θs)は、以下の形のディリクレ分布となる。
ただし、
である。また、θstは音響信号sが状況tを生成する確率を表し、Cθsはq(θs)の規格化定数である(例えば、q(θs)のθsについての全空間積分値を1とするための規格化定数)。
ただし、
であり、Cφtはq(φt)の規格化定数である(例えば、q(φt)のφtについての全空間積分値を1とするための規格化定数)。
つまり、q(μm|Σm)は平均がμm、共分散がβmΣmのガウス分布であることが分かる。なお、μm,μ0はD次元の縦ベクトルである。また、fsnは音響特徴量列11−sが含む短時間区間ごとのn番目(ただし、n=1,・・・,Ns)の音響特徴量を表す。すなわち、fs={fs1,・・・,fsNs}の関係を満たす。
ただし、以下を満たす。
f− snはD次元の縦ベクトルである。また、Tr(・)は行列(・)のトレースを表す。以上より、q(Σm)はν0およびBmをパラメータとするWishart分布であることが分かる。
ただし、Czはq(z)の規格化定数である(例えば、q(z)のzについての全空間積分値を1とするための規格化定数)。
ρk=κ (3)
ρk=(τ0+k)−κ (4)
ただし、κは正の忘却係数(κ∈(0.5,1.0]等)を表し、τ0は更新の時間重みを制御するパラメータ(τ0≧0等)を表し、kは時間インデックスを表す。
モデル化部112の初期化部1121は、状況が音響イベントを生成する確率に対応する第1の状況−音響イベントパラメータ(γtm (k))、および音響イベントが音響特徴量を生成する確率に対応する第1の音響イベント−音響特徴量パラメータ(μm (k),Bm (k),gμm (k),Σμm (k))を初期化する。更新部1122は、第1の状況−音響イベントパラメータ(γtm (k))と、入力された音響特徴量列(1k)に応じて第1の状況−音響イベントパラメータ(γtm (k))を更新して得られる第2の状況−音響イベントパラメータ(γ〜 tm (k))と、の重み付け和を第3の状況−音響イベントパラメータ(γtm (k+1))として得、音響特徴量列1kに応じて第1の音響イベント−音響特徴量パラメータ(μm (k),Bm (k),gμm (k),Σμm (k))を更新して第2の音響イベント−音響特徴量パラメータ(μm (k+1),Bm (k+1),gμm (k+1),Σμm (k+1))を得る。ただし、下付け添え字の「μm」は「μm」を表す。制御部1123は、更新部1122に入力される音響特徴量列1kを逐次的に更新し、第3の状況−音響イベントパラメータ(γtm (k+1))を第1の状況−音響イベントパラメータ(γtm (k))とし、かつ、第2の音響イベント−音響特徴量パラメータ(μm (k+1),Bm (k+1),gμm (k+1),Σμm (k+1))を第1の音響イベント−音響特徴量パラメータ(μm (k),Bm (k),gμm (k),Σμm (k))として、更新部1122の処理を再び実行させることを繰り返す。モデル出力部1124は、更新部1122で得られる第3の状況−音響イベントパラメータ(γtm (k+1))に対応する状況−音響イベント生成モデル、および第2の音響イベント−音響特徴量パラメータ(μm (k+1),Bm (k+1),gμm (k+1),Σμm (k+1))に対応する音響イベント−音響特徴量生成モデルを出力する。
(i)初期化部1121は、事前分布の超パラメータα0,γ0,β0,μ0,ν0,B0,τ0および更新のための忘却係数κを設定し、それらを用い、各変分事後分布の超パラメータγtm (k),Ntm (k),Nm (k),μm (k),νm (k),Bm (k),gμm (k),Σμm (k)および重み係数ρkを以下のように初期化し、k=0とする(ステップS101)。
γtm (0)=γ0
Ntm (0)=N/(T×M)
Nm (0)=N/M
μm (0)=μ0
νm (0)=ν0
Bm (0)=B0
と初期化する。
ρ0=(τ0)−κ
と初期化する。
と初期化する(ステップS103)。ただし、Nskは1以上の整数であり、音響特徴量列11k−skが含む短時間区間ごとの音響特徴量の個数を表す。ただし、「Nsk」の下付き添え字の「sk」は「sk」を表す。
ただし、rsknt (k)およびRsknt (k)の下付き添え字「sknt」は「sknt」を表す。Nskt (k)の下付き添え字「skt」は「skt」を表す。以後の処理で用いられるrsknt (k)およびRsknt (k)は、これらの新たなrsknt (k)およびRsknt (k)である(ステップS105)。
ただし、Nskt (k)およびαskt (k)の下付き添え字「skt」は「skt」を表す。以後の処置で用いられるNskt (k)およびαskt (k)は、これらの新たなNskt (k)およびαskt (k)である(ステップS106)。
とみなし、処理をステップS108に進める。
ただし、Sk=MAXk−MINk+1である。
本実施例では、逐次的に得られた音響特徴量列を用い、それらに対応する音響信号列が状況を生成する確率や状況が音響イベントを生成する確率のみでなく、音響イベントが音響特徴量列を生成する確率を同時にモデルに組み込んだ。これにより、音響イベント間の類似度を精度良くモデルに組み込むことが可能となり、精度の高いモデル化が可能となる。
実施例1−2では、逐次的に入力された音響信号列を用い、学習処理によって、状況−音響イベント生成モデル13、および音響イベント−音響特徴量生成モデル14を生成する。さらに、音響信号−状況生成モデル12、状況ラベル列14、音響イベントラベル列16を生成してもよい。ただし、モデル化部112が、音響信号−状況生成モデル12や状況ラベル列14や音響イベントラベル列16を生成することは必須ではない。以降、同一のものには同じ参照符号を付し、説明は繰り返さない。
実施例2−1では、実施例1−1で説明したように得られた状況−音響イベント生成モデル13および音響イベント−音響特徴量生成モデル14を用い、新たに入力された音響信号列から状況を推定する。
ただし、fiは音響特徴量列21に対応する時間区間の先頭からi番目(i=1,・・・,N’)の短時間区間に対応する音響特徴量を表す(音響特徴量列21は音響特徴量f1,・・・,fN’の列である)。miは音響特徴量列21に対応する時間区間の先頭からi番目の短時間区間に対応する音響イベントを表す。また、N’は正の整数であり、音響特徴量列21に対応する時間区間が含む短時間区間の数を表す。N’=Nであってもよいし、N’≠Nであってもよい。p(fi|mi,μm,Λm)は音響イベント−音響特徴量生成モデル14から得られる。例えば、μmは平均νm (k+1)であり、ΛmはΣμm (k+1)の要素の逆数を要素とするD×Dの行列である。例えばp(fi|mi,μm,Λm)は、νm (k+1)を平均、Λmを分散、gμm (k+1)を自由度とするStudent−t分布に従う確率密度関数によって算出可能である。p(mi)は予め定められた事象miの事前確率である。また、音響イベント推定部211aは、音響特徴量列21を構成する各音響特徴量について確率P(音響特徴量|音響イベント)が大きい方から選択された複数個の音響イベントからなる音響イベント列を音響イベント判定結果としてもよいし、当該確率P(音響特徴量|音響イベント)が閾値以上(又は閾値を超える)1個または複数個の音響イベントからなる音響イベント列を音響イベント判定結果としてもよい。
まず比較部211bが、入力された音響イベント列から、以下のように音響イベントの分布p’(m)(ただし、m=1,・・・,M)を算出する。
ただし、γ’は事前に設定された緩和パラメータ(例えば0.01などの非負値)を表し、Cmは、入力された音響イベント列のうち音響イベントmを表す音響イベントの個数を表す。
(ただし、m=1,・・・,M,t=1,・・・,T)(音響イベントm=1,・・・,Mを確率変数とした確率P(音響イベントm|状況t)の各状況tに対応する分布)を代入する。これにより、比較部211bは、各状況t=1,・・・,Tに対応する情報量(合計T個の情報量)を得る。比較部211bは、各状況t=1,・・・,Tについて算出された情報量のうち、最も小さな情報量に対応する状況、または、最も小さな情報量から順番に選択した複数個の情報量に対応する複数個の状況、または、閾値以下(又は未満)の1個または複数個に対応する状況を、音響特徴量列21に対応する状況(状況判定結果)として出力する。
比較部211bは、状況−音響イベント生成モデル13と入力された音響イベント列との比較を以下のように行ってもよい。この手法では、比較部211bが、入力された音響イベント列に対し、状況−音響イベント生成モデル13のもとでの状況の尤度の和や積を求める。比較部211bは、尤度の和や積が最大となる状況を状況判定結果として出力してもよいし、尤度の和や積が大きい順に選択した複数個の状況を状況判定結果として出力してもよいし、尤度の和や積が閾値以上(又は閾値を超える)の1個または複数個の状況を、状況判定結果として出力してもよい。
ただし、ziは音響特徴量列21に対応する時間区間の先頭からi番目の短時間区間に対応する状況を表し、miは音響特徴量列21に対応する時間区間の先頭からi番目の短時間区間に対応する音響イベントを表す。
実施例2−2では、実施例1−1で説明したように得られた状況−音響イベント生成モデル13および音響イベント−音響特徴量生成モデル14を用い、新たに入力された音響信号列から状況を推定する。
なお、本発明は上述の各実施例に限定されるものではない。例えば、例えば、生成モデルの作成処理や状況/音響イベント判定処理が複数の装置で分散処理されてもよいし、生成モデルやデータが複数の記憶部に分散して格納されてもよい。また、短時間区間ごとに区分された各要素に対応する要素番号が、音響特徴量列や音響信号列に含まれていてもよい。また上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。
Claims (8)
- 状況が音響イベントを生成する確率に対応する第1の状況−音響イベントパラメータ、および音響イベントが音響特徴量を生成する確率に対応する第1の音響イベント−音響特徴量パラメータを初期化する初期化部と、
前記第1の状況−音響イベントパラメータと、入力された音響特徴量列に応じて前記第1の状況−音響イベントパラメータを更新して得られる第2の状況−音響イベントパラメータと、の重み付け和を第3の状況−音響イベントパラメータとして得、前記音響特徴量列に応じて前記第1の音響イベント−音響特徴量パラメータを更新して第2の音響イベント−音響特徴量パラメータを得る更新部と、
前記更新部に入力される前記音響特徴量列を逐次的に更新し、前記第3の状況−音響イベントパラメータを前記第1の状況−音響イベントパラメータとし、かつ、前記第2の音響イベント−音響特徴量パラメータを前記第1の音響イベント−音響特徴量パラメータとして、前記更新部の処理を再び実行させる制御部と、
前記第3の状況−音響イベントパラメータに対応する状況−音響イベント生成モデル、および前記第2の音響イベント−音響特徴量パラメータに対応する音響イベント−音響特徴量生成モデルを出力するモデル出力部と、
を有するモデル処理装置。 - 請求項1のモデル処理装置であって、
前記初期化部は、
さらに、前記音響特徴量列の各時点での各音響イベントの確率に対応する第1の音響イベントパラメータ、および前記音響特徴量列の各時点での各状況の確率に対応する第1の状況パラメータを初期化し、
前記更新部は、
前記音響特徴量列および前記第1の音響イベント−音響特徴量パラメータに基づいて、前記第1の音響イベントパラメータを更新して第2の音響イベントパラメータを得、
前記第1の音響イベント−音響特徴量パラメータに基づいて、前記第1の状況パラメータを更新して第2の状況パラメータを得、
前記第1の状況−音響イベントパラメータと、前記第2の音響イベントパラメータおよび前記第2の状況パラメータに基づいて得られる前記第2の状況−音響イベントパラメータとから、前記第3の状況−音響イベントパラメータを得、
前記音響特徴量列、前記第2の音響イベントパラメータおよび前記第2の状況パラメータに基づいて、前記第2の音響イベント−音響特徴量パラメータを得、
前記制御部は、
前記更新部の処理を再び実行させる際に、前記第2の音響イベントパラメータを前記第1の音響イベントパラメータとし、かつ、前記第2の状況パラメータを前記第1の状況パラメータとする、モデル処理装置。 - 請求項2のモデル処理装置であって、
前記第2の状況パラメータから得られる状況の推定情報、および、前記第2の音響イベントパラメータから得られる音響イベントの推定情報の少なくとも一方を出力する解析部をさらに有するモデル処理装置。 - 請求項1から3の何れかのモデル処理装置であって、
入力された音響信号列から前記音響特徴量列を得て出力する音響特徴量算出部をさらに有するモデル処理装置。 - 請求項1から4の何れかのモデル処理装置で得られた前記音響イベント−音響特徴量生成モデルに基づいて、入力された第2の音響特徴量列に対する生成確率が最大となる音響イベント列を得る音響イベント推定部と、
前記音響イベント列から得られる音響イベントの分布と、請求項1から4の何れかのモデル処理装置で得られた前記状況−音響イベント生成モデルに対応する、各状況についての音響イベントを確率変数とした確率P(音響イベント|状況)の分布と、の距離に基づいて、前記第2の音響特徴量列に対応する状況または状況の列を得る比較部と、
を有するモデル処理装置。 - 請求項5のモデル処理装置であって、
入力された第2の音響信号列から前記第2の音響特徴量列を得て出力する第2の音響特徴量算出部をさらに有するモデル処理装置。 - 状況が音響イベントを生成する確率に対応する第1の状況−音響イベントパラメータ、および音響イベントが音響特徴量を生成する確率に対応する第1の音響イベント−音響特徴量パラメータを初期化する初期化ステップと、
前記第1の状況−音響イベントパラメータと、入力された音響特徴量列に応じて前記第1の状況−音響イベントパラメータを更新して得られる第2の状況−音響イベントパラメータと、の重み付け和を第3の状況−音響イベントパラメータとして得、前記音響特徴量列に応じて前記第1の音響イベント−音響特徴量パラメータを更新して第2の音響イベント−音響特徴量パラメータを得る更新ステップと、
前記第3の状況−音響イベントパラメータに対応する状況−音響イベント生成モデル、および前記第2の音響イベント−音響特徴量パラメータに対応する音響イベント−音響特徴量生成モデルを出力するモデル出力ステップと、を有し、
前記音響特徴量列を逐次的に更新し、前記第3の状況−音響イベントパラメータを前記第1の状況−音響イベントパラメータとし、かつ、前記第2の音響イベント−音響特徴量パラメータを前記第1の音響イベント−音響特徴量パラメータとして、前記更新ステップが再び実行される、モデル処理方法。 - 請求項1から6の何れかのモデル処理装置としてコンピュータを機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014022040A JP6114209B2 (ja) | 2014-02-07 | 2014-02-07 | モデル処理装置、モデル処理方法、およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014022040A JP6114209B2 (ja) | 2014-02-07 | 2014-02-07 | モデル処理装置、モデル処理方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015148740A JP2015148740A (ja) | 2015-08-20 |
JP6114209B2 true JP6114209B2 (ja) | 2017-04-12 |
Family
ID=53892128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014022040A Active JP6114209B2 (ja) | 2014-02-07 | 2014-02-07 | モデル処理装置、モデル処理方法、およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6114209B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331697B (zh) * | 2022-10-14 | 2023-01-24 | 中国海洋大学 | 多尺度环境声音事件识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5800718B2 (ja) * | 2012-01-12 | 2015-10-28 | 日本電信電話株式会社 | 特定状況モデルデータベース作成装置とその方法と状況推定装置とプログラム |
-
2014
- 2014-02-07 JP JP2014022040A patent/JP6114209B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2015148740A (ja) | 2015-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6933264B2 (ja) | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 | |
CN107564513B (zh) | 语音识别方法及装置 | |
Alfons et al. | Sparse least trimmed squares regression for analyzing high-dimensional large data sets | |
JP6283331B2 (ja) | 流れ推定装置、予測装置、及びプログラム | |
JP5229478B2 (ja) | 統計モデル学習装置、統計モデル学習方法、およびプログラム | |
US20110288835A1 (en) | Data processing device, data processing method and program | |
JP6749282B2 (ja) | 人流量予測装置、人流量予測方法、及び人流量予測プログラム | |
Oudelha et al. | HMM parameters estimation using hybrid Baum-Welch genetic algorithm | |
JP6967197B2 (ja) | 異常検出装置、異常検出方法及びプログラム | |
JP6517760B2 (ja) | マスク推定用パラメータ推定装置、マスク推定用パラメータ推定方法およびマスク推定用パラメータ推定プログラム | |
Tokdar et al. | Simultaneous linear quantile regression: A semiparametric bayesian approach | |
JP6665071B2 (ja) | 人流量予測装置、人流量予測方法、及び人流量予測プログラム | |
JP5818759B2 (ja) | 状況生成モデル作成装置、状況推定装置、およびプログラム | |
US8972254B2 (en) | Turbo processing for speech recognition with local-scale and broad-scale decoders | |
JP6114209B2 (ja) | モデル処理装置、モデル処理方法、およびプログラム | |
JP6241790B2 (ja) | 生成モデル作成装置、推定装置、それらの方法およびプログラム | |
JP3920749B2 (ja) | 音声認識用音響モデル作成方法、その装置、そのプログラムおよびその記録媒体、上記音響モデルを用いる音声認識装置 | |
JP4950600B2 (ja) | 音響モデル作成装置、その装置を用いた音声認識装置、これらの方法、これらのプログラム、およびこれらの記録媒体 | |
JP2014048523A (ja) | 行動生成モデル作成装置及び行動推定装置 | |
JP6093670B2 (ja) | モデル処理装置、モデル処理方法、およびプログラム | |
JP5783979B2 (ja) | 生成モデル作成装置及び推定装置 | |
JP6078441B2 (ja) | モデル処理装置、分析装置、それらの方法およびプログラム | |
JP6220694B2 (ja) | モデル処理装置、その方法、およびプログラム | |
JP6316669B2 (ja) | 状況モデル学習装置、その方法及びプログラム | |
Vakilzadeh | Stochastic model updating and model selection with application to structural dynamics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160302 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170223 |
|
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: 20170314 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170316 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6114209 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |