JP6167062B2 - 分類装置、分類方法、およびプログラム - Google Patents

Description

本発明は、観測された信号をそれぞれに対応する信号源に分類する信号源分類技術に関する。

複数の端末装置で得られた非同期な録音信号を利用して発話者分類を行う場合、位相差による時間変動やマイクロホンの感度の違いから、位相差や音圧差を利用した発話者分類を行うことは出来ない。そこで、非同期な録音信号であることの影響の小さい目的音と雑音のパワー比であるＳ／Ｎ比に着目して発話者分類を行う従来の技術（例えば、非特許文献１等参照）がある。Ｓ／Ｎ比に着目する技術では、時間領域で非同期な録音信号の相互相関を計算し、相関が最大となるポイントに波形をずらすことで各録音信号の時間波形の位相を合わせる。時間波形の位相を合わせた後、各端末装置で得られた録音信号に対応する目的音のパワーと雑音のパワーの比であるＳ／Ｎ比を計算する。各端末装置で得られた録音信号に対応するＳ／Ｎ比を要素とするベクトルを作成し、Ｓ／Ｎ比を要素とするベクトルの単位ベクトルを特徴ベクトルとする。この特徴ベクトルをk-meansやleader-followerクラスタリングなどのクラスタリング手法をつかって分類することで、非同期な録音信号でも動作する発話者分類を行うことができる。

加古達也，小林和則，大室仲，"非同期分散マイクアレーのための振幅スペクトルビームフォーマの提案，"日本音響学会２０１３ 年春季研究発表会講演論文集，１−Ｐ−５，２０１３．３．

しかしながら、従来の各端末装置で得られた録音信号に対応するＳ／Ｎ比を要素とする単位ベクトルを特徴ベクトルとして利用する発話者分類技術では、Ｓ／Ｎ比が目的音源のパワーの時間的な変動によって特徴ベクトルが変動してしまい、発話者分類の分類誤りを引き起こしてしまう。このような問題は、Ｓ／Ｎ比を利用して発話者を分類する場合だけではなく、さらに一般的にＳ／Ｎ比を利用して信号源分類を行う場合に共通するものである。

本発明の課題は、源信号の大きさの時間的な変動の影響を受けにくい信号源分類技術を提供することである。

観測された複数チャネルの時系列信号に由来する、所定の時間区間のそれぞれの時点に対応する複数チャネルのサンプルからなる列を、列ベクトルのそれぞれとした第１行列を得、非負値の要素からなる第２行列に非負値の要素からなる第３行列を乗じると第１行列となる第２行列を得、第２行列の列ベクトルをクラスタリングする。

このような信号源分類は、源信号の大きさの時間的な変動の影響を受けにくい。

図１は実施形態の分類装置の構成を説明するためのブロック図である。 図２は正規化部の構成を説明するためのブロック図である。 図３は実施形態の分類方法を説明するためのフロー図である。 図４Ａは減衰量ベクトルの各要素の時間波形を例示した図である。図４Ｂは減衰量ベクトルとあるクラスタの重心ベクトルとのコサイン類似度を例示した図である。 図５は実施形態の変形例の分類装置の構成を説明するためのブロック図である。

［概要］
まず、実施形態の概要を説明する。以下に説明する信号源分類では、行列生成部が、観測された複数チャネルの時系列信号に由来する、所定の時間区間のそれぞれの時点に対応する複数チャネルのサンプルからなる列を、列ベクトルのそれぞれとした第１行列を得る。第１行列の各行は各チャネルに対応し、第１行列の各列は各時点に対応する。「複数チャネルの時系列信号」は、１個または複数個の信号源から発せられた信号（源信号）が複数チャネルの観測装置（複数個の観測装置）で観測されることで得られた信号である。複数チャネルのそれぞれのチャネルは、複数個の観測装置のそれぞれの観測装置で観測された時系列信号に由来するサンプルを扱う処理系列である。時系列信号の例は、音響信号や超音波信号や生体信号などの物理信号である。「複数チャネルのサンプル」は、時間領域の値であってもよいし、周波数領域の値であってもよい。各チャネルのサンプルは、観測された各チャネルの時系列信号の大きさに対応する。例えば、観測されたチャネルの「時系列信号」の大きさが大きければ大きいほど、そのチャネルの「サンプル」の大きさも大きい。「αの大きさ」の例は、αのパワー、αの振幅、αの絶対値の単調増加関数値、αの絶対値の広義単調増加関数値などである。各チャネルのサンプルは例えば正値である。

次に行列分解部が、第１行列を非負値の要素からなる第２行列と第３行列とに分解して第２行列を得る。ただし、第２行列に第３行列を（右側から）乗じると第１行列となる。第２行列の列数は第３行列の行数と同じであり、第２行列の各行は各チャネルに対応し、第３行列の各列は各時点に対応する。このように得られる第２行列の要素は、時系列信号が観測されるまでの減衰特性（信号源から観測装置までの経路の減衰特性）に対応し、第３行例の要素は、時系列信号の源信号成分に対応する。

その後、ベクトル分類部が第２行列の列ベクトルをクラスタリングする。ここで、第２行列の列ベクトルは信号源から複数チャネルの観測装置までの経路の減衰特性に対応する。そのため、これらの列ベクトルをクラスタリングすることで信号源分類を行うことができる。また、減衰特性は信号源から複数チャネルの観測装置までの経路に依存し、源信号の大きさの時間的な変動の影響を受けにくい。そのため、このような信号源の分類は、源信号の大きさの時間的な変動の影響を受けにくい。

複数チャネルの観測装置の観測感度に違いがある場合には、その違いを正規化する処理が行われてもよい。すなわち、正規化部が、複数チャネルのそれぞれのチャネルの非目的信号区間の時系列信号に由来する非目的信号区間サンプルを用い、非目的信号区間サンプルと同一のチャネルの目的信号区間の時系列信号に由来する目的信号区間サンプルを正規化し、複数チャネルのそれぞれの正規化サンプルを得てもよい。この場合、行列生成部は、得られた正規化サンプルに由来する複数チャネルのサンプルからなる列を列ベクトルとした第１行列を得る。これにより、複数チャネルの観測装置の観測感度に違いがあったとしても、その影響が第２行列の列ベクトルに表れることを抑制できる。その結果、高い精度で信号源分類を行うことができる。なお、目的信号区間とは目的信号が支配的な時間区間を意味し、非目的信号区間とは目的信号区間以外の時間区間を意味する。目的信号とは、信号源分離の対象となる信号源から発せられた信号を意味する。目的信号の例は、音声信号や音楽信号などである。

この正規化は周波数領域で行われてもよいし、時間領域で行われてもよい。正規化が周波数領域で行われる場合、「非目的信号区間サンプル」「目的信号区間サンプル」「正規化サンプル」は周波数領域の値である。例えば、「非目的信号区間サンプル」は非目的信号区間の時系列信号に対応する周波数領域信号の大きさであり、「目的信号区間サンプル」は目的信号区間の時系列信号に対応する周波数領域信号の大きさである。また、複数チャネルのそれぞれの「正規化サンプル」は周波数領域の値となる。この場合、周波数ごとに定められた「重み」による、すべての周波数（例えば、予め定められた周波数範囲に属するすべての周波数）にわたる正規化サンプルの重み付け和を「複数チャネルのサンプル」のそれぞれとしてもよい。「重み」は例えば正値である。同一の周波数に対応する「重み」はすべてのチャネルの間で同一であってもよいし、そうでなくてもよい。しかしながら、同一の周波数に対応する「重み」がすべてのチャネルの間で同一であれば、精度の高い信号源分類が可能となる。また、「重み」は周波数ごとに異なっていてもよいし、そうでなくてもよい。例えば、所定の周波数範囲において周波数が低いほど「重み」の大きさを大きくするか、あるいは、周波数の単調非減少関数値（単調非増加関数値）を「重み」の大きさとすれば、その周波数範囲における低域の周波数の源信号の分類精度を向上させることができる。逆に所定の周波数範囲において周波数が高いほど「重み」の大きさを大きくするか、あるいは、周波数の広義単調増加関数値（単調非減少関数値）を「重み」の大きさとすれば、その周波数範囲における高域の周波数の源信号の分類精度を向上させることができる。あるいは、所定の周波数範囲に含まれるある範囲に対応する「重み」の大きさの平均を他の範囲に対応する「重み」の大きさの平均よりも大きくすれば、その範囲における源信号の分類精度を向上させることができる。一方、正規化が時間領域で行われる場合、「非目的信号区間サンプル」「目的信号区間サンプル」「正規化サンプル」は時間領域の値であり、例えば、「非目的信号区間サンプル」は非目的信号区間の時系列信号の大きさであり、「目的信号区間サンプル」は目的信号区間の時系列信号の大きさである。正規化が時間領域で行われる場合、複数チャネルのそれぞれの「正規化サンプル」は時間領域の値となる。

また、複数チャネルの観測装置のサンプリング周波数に違いがあったり、それぞれで観測される時系列信号が同期していなかったりする場合には、サンプリング周波数変換部が、複数チャネルの時系列信号に由来するデジタル信号のサンプリング周波数変換を行い、互いにサンプリング周波数が同一な複数チャネルの変換時系列信号を得、信号同期部が変換時系列信号を複数チャネル間で同期させ、複数チャネルの同期化時系列信号を得てもよい。この場合、行列生成部は、得られた複数チャネルの同期化時系列信号に由来する数チャネルのサンプルからなる列を列ベクトルとした第１行列を得る。これにより、複数チャネルの観測装置のサンプリング周波数に違いがあったり、それぞれで観測される時系列信号が同期していなかったりする場合にも、その影響が第２行列の列ベクトルに表れることを抑制できる。その結果、高い精度で信号源分類を行うことができる。

以下、図面を参照して本発明の実施形態を説明する。以下では、時系列信号が音響信号であり、信号源が話者やスピーカー等の音源である例を示す。ただし、これは本発明を限定するものではない。
［第１実施形態］
図１に例示するように、本形態の分類装置１は、サンプリング周波数変換部１１、信号同期部１２、フレーム分割部１３、ＶＡＤ判定部１４、正規化部１５、バッファ部１６、行列生成部１７、行列分解部１８、およびベクトル分類部１９を有する。図２に例示するように、本形態の正規化部１５は、音声非音声選択部１５１、パワー算出部１５２、暗騒音パワー算出部１５３、記憶部１５４、および暗騒音正規化部１５５を有する。本形態の分類装置１は、例えばＣＰＵ（central processing unit）等のプロセッサ（ハードウェア・プロセッサ）やＲＡＭ（random-access memory）等のメモリ等を備える汎用または専用のコンピュータに所定のプログラムが読み込まれて構成される特別な装置である。なお、ＣＰＵは電子回路（circuitry）の一種であるが、その他の電子回路によって分類装置１の一部が構成されてもよい。分類装置１に入力されたデータおよび処理されたデータは、図示していないメモリに格納され、必要に応じて処理部から読み出される。

分類装置１は、自由に配置されたＫ個（Ｋは２以上の整数）の観測装置２０−１，・・・，２０−Ｋに接続されている。観測装置２０−１，・・・，２０−Ｋの位置や互いの相対位置は、未知であってもよいし、既知であってもよい。ただし、観測装置２０−１，・・・，２０−Ｋの位置がすべて同一でないことが好ましく、より好ましくは観測装置２０−１，・・・，２０−Ｋの位置が互いにすべて相違することが望ましい。また各観測装置２０−ｋ（ｋ＝１，２，・・・，Ｋ）は、マイクロホン２１−ｋおよびＡ／Ｄ変換器２２−ｋを有する。観測装置２０−１，・・・，２０−Ｋは互いに独立に動作する。マイクロホン２１−１，・・・，２１−Ｋの感度は、互いに異なっていてもよいし、同一であってもよく、Ａ／Ｄ変換器２２−１，・・・，２２−Ｋのサンプリング周波数は、互いに異なっていてもよいし、同一であってもよい。観測装置２０−１，・・・，２０−Ｋの具体例は、互いにサンプリング周波数およびマイクロホン感度が異なる、スマートフォン、固定電話、ボイスレコーダ、タブレット端末装置、セットトップボックスなどの録音機能をもつ端末装置である。例えば、２〜１０台程度のスマートフォンを観測装置２０−１，・・・，２０−Ｋとして用いる。

各観測装置２０−ｋのマイクロホン２１−ｋは音響信号（時系列信号）を観測する。この音響信号は、未知または既知の音源から発せられ、空間を経由してマイクロホン２１−ｋで観測された信号である。各マイクロホン２１−ｋで観測された音響信号はＡ／Ｄ変換器２２−ｋに入力される。各Ａ／Ｄ変換器２２−ｋはそれぞれのサンプリング周波数で当該音響信号をＡ／Ｄ変換し、複数個のサンプル点での入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）（時系列信号に由来するデジタル信号）を得て出力する。ただし、ｉ_ｋは時間領域のサンプル点を表す整数のインデックスである。すなわち、ｘ_ｋ（ｉ_ｋ）は、インデックスｉ_ｋで表されるサンプル点の入力デジタル音響信号を表す。

観測装置２０−ｋで得られた入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）に対応する処理を行う処理系列をチャネルｋと呼ぶ。言い換えると、Ａ／Ｄ変換器２２−ｋで音響信号を変換して得られた入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）に対応する処理を行う処理系列をチャネルｋと呼ぶ。すなわち、チャネルｋは入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）および入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）から得られる値を取り扱う。本形態ではＫ個のチャネルｋ＝１，・・・，Ｋが存在する。

＜サンプリング周波数変換部１１＞
複数個の観測装置２０−１，・・・，２０−Ｋで得られた複数個のチャネルｋ＝１，・・・，Ｋの入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）（複数チャネルの時系列信号に由来するデジタル信号）は、サンプリング周波数変換部１１に入力される。異なるチャネルｋの入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）は、異なるＡ／Ｄ変換器２２−ｋで得られたものであるため、サンプリング周波数が異なる場合がある。サンプリング周波数変換部１１は、すべてのチャネルｋ＝１，・・・，Ｋの入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）のサンプリング周波数を任意の同一のサンプリング周波数に揃える。言い換えると、サンプリング周波数変換部１１は、複数個のチャネルｋ＝１，・・・，Ｋの入力デジタル音響信号ｘ_ｋ（ｉ_ｋ）をサンプリング周波数変換し、特定のサンプリング周波数の変換デジタル音響信号ｃｘ_ｋ（ｉ_ｋ）を複数個のチャネルｋ＝１，・・・，Ｋについて得る。「特定のサンプリング周波数」は、Ａ／Ｄ変換器２２−１，・・・，２２−Ｋの何れか一つのサンプリング周波数であってもよいし、その他のサンプリング周波数であってもよい。「特定のサンプリング周波数」の一例は１６ｋＨｚである。サンプリング周波数変換部１１は、各Ａ／Ｄ変換器２２−ｋのサンプリング周波数の公称値に基づいてサンプリング周波数変換を行う。すなわち、サンプリング周波数変換部１１は、各Ａ／Ｄ変換器２２−ｋのサンプリング周波数の公称値でサンプリングされた信号を、特定のサンプリング周波数でサンプリングされた信号に変換する。このようなサンプリング周波数変換は周知である。サンプリング周波数変換部１１は、以上のように得た各チャネルｋの変換デジタル音響信号ｃｘ_ｋ（ｉ_ｋ）（互いにサンプリング周波数が同一な複数チャネルの変換時系列信号）を出力する（ステップＳ１１）。

＜信号同期部１２＞
信号同期部１２は、チャネルｋ＝１，・・・，Ｋの変換デジタル音響信号ｃｘ_１（ｉ_１），・・・，ｃｘ_Ｋ（ｉ_Ｋ）を入力として受け取る。信号同期部１２は、変換デジタル音響信号ｃｘ_１（ｉ_１），・・・，ｃｘ_Ｋ（ｉ_Ｋ）をチャネルｋ＝１，・・・，Ｋ間で同期させ、チャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_１（ｉ_１），・・・，ｓｘ_Ｋ（ｉ_Ｋ）（複数チャネルの同期化時系列信号）を得て出力する（ステップＳ１２）。以下にこの詳細を説明する。

Ａ／Ｄ変換器２２−ｋには個体差がある。そのためＡ／Ｄ変換器２２−ｋのサンプリング周波数の公称値がｆ_ｋであったとしても、Ａ／Ｄ変換器２２−ｋがサンプリング周波数ｆ_ｋ／α_ｋでＡ／Ｄ変換を行う場合もある。ただし、α_ｋはＡ／Ｄ変換器２２−ｋの実際のサンプリング周波数とサンプリング周波数の公称値との間の周波数ずれを表す正のパラメータである。音響信号をサンプリング周波数ｆ_ｋでＡ／Ｄ変換して得られる入力デジタル音響信号をｘ_ｋ’（ｉ_ｋ）とおくと、同じ音響信号をサンプリング周波数ｆ_ｋ／α_ｋでＡ／Ｄ変換して得られる入力デジタル音響信号はｘ_ｋ’（ｉ_ｋ×α_ｋ）となる。ただし「×」は乗算演算子を表す。すなわち、サンプリング周波数の周波数ずれは、入力デジタル音響信号の時間領域でのタイミングずれとなって現れる。

サンプリング周波数変換部１１は、各Ａ／Ｄ変換器２２−ｋのサンプリング周波数の公称値ｆ_ｋに基づいてサンプリング周波数変換を行っている。すなわち、すべてのチャネルｋ＝１，・・・，Ｋに共通の「特定のサンプリング周波数」をｆとすると、サンプリング周波数変換部１１は、各チャネルｋのサンプリング周波数をｆ／ｆ_ｋ倍にするサンプリング周波数変換を行っている。そのため、各Ａ／Ｄ変換器２２−ｋの実際のサンプリング周波数がｆ_ｋ／α_ｋであるとすると、各チャネルｋの変換デジタル音響信号ｃｘ_ｋ（ｉ_ｋ）のサンプリング周波数はｆ×α_ｋとなる。この個体差に基づく周波数ずれは、チャネルｋ＝１，・・・，Ｋ間における、変換デジタル音響信号ｃｘ_ｋ（ｉ_ｋ）の時間領域でのタイミングずれとなって現れる。

信号同期部１２は、個体差に基づく変換デジタル音響信号ｃｘ_ｋ（ｉ_ｋ）の時間領域でのタイミングずれを減らすために、時間領域の変換デジタル音響信号ｃｘ_１（ｉ_１），・・・，ｃｘ_Ｋ（ｉ_Ｋ）をチャネルｋ＝１，・・・，Ｋ間で同期させる。例えば信号同期部１２は、チャネル間の相互相関が最大になるように、変換デジタル音響信号ｃｘ_１（ｉ_１），・・・，ｃｘ_Ｋ（ｉ_Ｋ）を時間軸方向（サンプル点方向）に互いにずらし、同期後のデジタル音響信号ｓｘ_１（ｉ_１），・・・，ｓｘ_Ｋ（ｉ_Ｋ）を得る。

例えば信号同期部１２は、各チャネルｋの変換デジタル音響信号ｃｘ_ｋ（ｉ_ｋ）から、単語の発話など十分特徴的な波形の変化を観測できる長さ（例えば３秒）のサンプル列ｃｘ_ｋ（１），・・・，ｃｘ_ｋ（Ｉ）をとりだす（ステップＳ１２１）。ただし、Ｉは正整数を表す。次に信号同期部１２は、取り出したサンプル列のうち１つのチャネルｋ’∈｛１，・・・，Ｋ｝のサンプル列ｃｘ_ｋ’（１），・・・，ｃｘ_ｋ’（Ｉ）を基準サンプル列とする（ステップＳ１２２）。次に信号同期部１２は、チャネルｋ’以外のチャネルｋ”∈｛１，・・・，Ｋ｝（ｋ”≠ｋ’）のサンプル列ｃｘ_ｋ”（１），・・・，ｃｘ_ｋ”（Ｉ）を時間軸にずらしたサンプル列ｃｘ_ｋ”（１＋δ_ｋ”），・・・，ｃｘ_ｋ”（Ｉ＋δ_ｋ”）と基準サンプル列ｃｘ_ｋ’（１），・・・，ｃｘ_ｋ’（Ｉ）との相互相関Σ_ｎ｛ｃｘ_ｋ”（ｎ）×ｃｘ_ｋ’（ｎ）｝を最大にする遅延δ_ｋ”を所定の探索範囲から探索し、ｓｘ_ｋ”（ｉ_ｋ”）＝ｃｘ_ｋ”（ｉ_ｋ”＋δ_ｋ”）およびｓｘ_ｋ’（ｉ_ｋ’）＝ｃｘ_ｋ’（ｉ_ｋ’）とする（ステップＳ１２３）。さらに信号同期部１２は、サンプル列ｃｘ_ｋ（１），・・・，ｃｘ_ｋ（Ｉ）を切り出す範囲をシフトさせ（例えば１秒の時間に対応するサンプル点だけシフトさせ）、ステップＳ１２１〜Ｓ１２３の処理を実行する処理を繰り返し、同期後のデジタル音響信号ｓｘ_１（ｉ_１），・・・，ｓｘ_Ｋ（ｉ_Ｋ）をすべてのサンプル点について得て出力する。

＜フレーム分割部１３＞
フレーム分割部１３は、同期後のデジタル音響信号ｓｘ_１（ｉ_１），・・・，ｓｘ_Ｋ（ｉ_Ｋ）を入力として受け取る。フレーム分割部１３は、チャネルｋごとにデジタル音響信号ｓｘ_ｋ（ｉ_ｋ）を所定の時間区間であるフレームに分割する（ステップＳ１３）。このフレーム分割処理では、フレーム切り出し区間長（フレーム長）Ｌ点と切り出し区間のずらし幅ｍ点を任意に決めることができる。ただし、Ｌおよびｍは正整数である。例えば、Ｌおよびｍは２以上の整数であり、Ｌ≧ｍである。例えば、切り出し区間長を２０４８点、切り出し区間のずらし幅を２５６点とする。フレーム分割部１３は、チャネルｋごとに切り出し区間長のデジタル音響信号ｓｘ_ｋ（ｉ_ｋ）を切り出して出力する。さらにフレーム分割部１３は、決められた切り出し区間のずらし幅に従い切り出し区間をずらし、チャネルｋごとに上記切り出し区間長のデジタル音響信号ｓｘ_ｋ（ｉ_ｋ）を切り出して出力する処理を繰り返す。以上の処理により、各チャネルｋについて各フレームのデジタル音響信号が出力される。以下では、チャネルｋのτ番目のフレームτに属するデジタル音響信号をｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）と表現する。

＜ＶＡＤ判定部１４＞
ＶＡＤ判定部１４は、各チャネルｋの各フレームτに属するデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）を入力として受け取る。ＶＡＤ判定部１４は、入力されたデジタル音響信号を用い、各チャネルｋの各フレームτが音声区間（目的信号区間）であるか非音声区間（非目的信号区間）であるかを判定する（ステップＳ１４）。ＶＡＤ判定部１４は、例えば参考文献１に記載されたような周知技術を用い、フレームτが音声区間であるか非音声区間であるかの判定を行う。
［参考文献１］Jongseo Sohn, Nam Soo Kim, Wonyong Sung, “A Statistic Model-Based Voice Activity Detection,” IEEE SIGNAL PROCESSING LETTERS, VOL.6, NO.1, 1999．

これらの判定に基づき、ＶＡＤ判定部１４は、各フレームτに対し、音声区間であるか非音声区間であるかの判定結果を表すラベルθ_τを付与する。例えば、「フレームτが音声区間であると判定されたチャネルの個数」が「フレームτが非音声区間であると判定されたチャネルの個数」以上である場合、ＶＡＤ判定部１４は、フレームτが音声区間であると判定し、音声区間であることを表すラベルθ_τをフレームτに対して付与する。一方、「フレームτが音声区間であると判定されたチャネルの個数」が「フレームτが非音声区間であると判定されたチャネルの個数」未満である場合、ＶＡＤ判定部１４は、フレームτが非音声区間であると判定し、非音声区間であることを表すラベルθ_τをフレームτに対して付与する。その他、チャネルｋ＝１，・・・，Ｋのうち、デジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）の平均パワーや平均Ｓ／Ｎ比が最も大きなチャネルに対する判定結果を表すラベルθ_τをフレームτに付与してもよい。また、音声区間であることを表すラベルの例はθ_τ＝１であり、非音声区間であることを表すラベルの例はθ_τ＝０である。ＶＡＤ判定部１４は、各ラベルθ_τを出力する。

＜正規化部１５＞
正規化部１５は、観測装置２０−１，・・・，２０−Ｋのマイクロホン２１−１，・・・，２１−Ｋの感度を正規化する処理を行う。すなわち正規化部１５は、複数チャネルｋ＝１，・・・，Ｋのそれぞれのチャネルｋについて、非音声区間であると判断されたフレームτ０のデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）（非目的信号区間の時系列信号に由来する非目的信号区間サンプル）を用い、音声区間であると判断されたそのチャネルｋのフレームτ１のデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）（非目的信号区間サンプルと同一のチャネルｋの目的信号区間の時系列信号に由来する目的信号区間サンプル）を正規化し、複数チャネルｋ＝１，・・・，Ｋのそれぞれの正規化サンプルを得る（ステップＳ１５）。本形態では周波数領域で正規化を行う。以下、図２を参照してこの詳細を例示する。

≪音声非音声選択部１５１≫
音声非音声選択部１５１は、チャネルｋ＝１，・・・，Ｋの各フレームτに属するデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）とラベルθ_τとを入力として受け取る。音声非音声選択部１５１は、ラベルθ_τを用いて各フレームτが音声区間であるか非音声区間であるかを判別する。例えば、上述の例の場合、音声非音声選択部１５１は、θ_τ＝１であればフレームτが音声区間であると判別し（音声区間と判別されたフレームを「フレームτ１」と表記する）、θ_τ＝０であればフレームτが非音声区間であると判別する（非音声区間と判別されたフレームを「フレームτ０」と表記する）。音声非音声選択部１５１は、音声区間であると判別したフレームτ１のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）をパワー算出部１５２に送る。また、音声非音声選択部１５１は、非音声区間であると判別したフレームτ０のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）を暗騒音パワー算出部１５３に送る。

≪パワー算出部１５２≫
パワー算出部１５２は、音声区間であると判別されたフレームτ１のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）を入力として受け取る。パワー算出部１５２は、高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）等の公知の方法を用い、ｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）から周波数領域のデジタル音響信号ＳＸ_ｋ（ｆ，τ１）を得る。ただし、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘは、所定の周波数範囲に属する各周波数に対応する周波数インデックスである。ｆ，ｆ_ｍｉｎ，ｆ_ｍａｘは整数であり、ｆ_ｍｉｎ≦ｆ≦ｆ_ｍａｘである。例えば、ｆ_ｍｉｎ＝０かつｆ_ｍａｘ＝Ｌ−１である。

また、パワー算出部１５２は、チャネルｋ＝１，・・・，Ｋおよび周波数インデックスｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘについて、周波数領域のデジタル音響信号ＳＸ_ｋ（ｆ，τ１）のパワーＰ_ｋ（ｆ，τ１）（周波数領域信号の大きさ、すなわち、目的信号区間サンプル）を以下のように得る。
Ｐ_ｋ（ｆ，τ１）＝｜ＳＸ_ｋ（ｆ，τ１）｜^２
ただし、｜α｜はαの絶対値を意味する。パワー算出部１５２は、パワーＰ_ｋ（ｆ，τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を暗騒音正規化部１５５に送る。

≪暗騒音パワー算出部１５３≫
暗騒音パワー算出部１５３は、非音声区間であると判別されたフレームτ０のデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）（ただし、ｋ＝１，・・・，Ｋ）を入力として受け取る。暗騒音パワー算出部１５３は、高速フーリエ変換等の公知の方法を用い、デジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）から周波数領域のデジタル音響信号ＳＸ_ｋ（ｆ，τ０）を得る。次に、暗騒音パワー算出部１５３は、チャネルｋ＝１，・・・，Ｋおよび周波数インデックスｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘについて、周波数領域のデジタル音響信号ＳＸ_ｋ（ｆ，τ１）のパワーＰ_ｋ（ｆ，τ０）（周波数領域信号の大きさ、すなわち、非目的信号区間サンプル）を以下のように得る。
Ｐ_ｋ（ｆ，τ０）＝｜ＳＸ_ｋ（ｆ，τ０）｜^２
暗騒音パワー算出部１５３は、パワーＰ_ｋ（ｆ，τ０）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を記憶部１５４に格納する。

また、暗騒音パワー算出部１５３は、これまでに非音声区間であると判別されたＪ個のフレームτ０_（０），・・・，τ０_{（Ｊ−１）}でのパワーＰ_ｋ（ｆ，τ０_（０）），・・・，Ｐ_ｋ（ｆ，τ０_{（Ｊ−１）}）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を記憶部１５４から抽出し、以下のように暗騒音平均パワーＭＰ_ｋ（ｆ）を得る。

ただし、Ｊは１以上の整数である。Ｊは２以上であることが望ましい。Ｊは定数（例えばＪ＝１００）であってもよいし、これまでに非音声区間であると判別されたフレームの総数であってもよい。Ｊ個のフレームτ０_（０），・・・，τ０_{（Ｊ−１）}の選択方法に限定はないが、例えば、これまでに非音声区間であると判別されたフレームのうち、最も新しい互いに異なるＪ個のフレーム（すなわち、互いに異なるＪ個のフレームの組み合わせのうち、時間的に最も後のもの）をフレームτ０_（０），・・・，τ０_{（Ｊ−１）}とする。なお、Ｊが定数の場合、非音声区間であると判別された互いに異なるフレームがＪ個存在しないこともある。このような場合には、フレームτ０_（０），・・・，τ０_{（Ｊ−１）}の少なくとも一部が互いに同一であってもよい。あるいは、Ｊが定数であり、これまでに非音声区間であると判別されたフレームの数がＣ個（ただし、１≦Ｃ＜Ｊ）である場合には、これまでに非音声区間であると判別されたＣ個のフレームτ０_（０），・・・，τ０_{（Ｃ−１）}でのパワーＰ_ｋ（ｆ，τ０_（０）），・・・，Ｐ_ｋ（ｆ，τ０_{（Ｃ−１）}）を用い、以下のように暗騒音平均パワーＭＰ_ｋ（ｆ）を得てもよい。

暗騒音パワー算出部１５３は、例えば、非音声区間であると判別されたフレームのデジタル音響信号が入力されるたび、あるいは、非音声区間であると判別されたフレームのデジタル音響信号が所定個入力されるたびに、暗騒音平均パワーＭＰ_ｋ（ｆ）を計算し、計算した暗騒音平均パワーＭＰ_ｋ（ｆ）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を暗騒音正規化部１５５に送る。

≪暗騒音正規化部１５５≫
暗騒音正規化部１５５は、パワーＰ_ｋ（ｆ，τ１）および暗騒音平均パワーＭＰ_ｋ（ｆ）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を入力として受け取る。これらの暗騒音平均パワーＭＰ_ｋ（ｆ）は、例えば、フレームτ１に対して最新のものである。暗騒音正規化部１５５は、暗騒音平均パワーＭＰ_ｋ（ｆ）を用いてパワーＰ_ｋ（ｆ，τ１）を以下のように正規化し、正規化サンプルＮＰ_ｋ（ｆ，τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を得て出力する。

正規化部１５は、正規化サンプルＮＰ_ｋ（ｆ，τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）をバッファ部１６（図１）に送る。

＜バッファ部１６＞
バッファ部１６は、正規化サンプルＮＰ_ｋ（ｆ，τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を入力として受け取る。バッファ部１６は、新たに正規化サンプルＮＰ_ｋ（ｆ，τ１）を受け取ると、すでにバッファリング（記憶）している正規化サンプルＮＰ_ｋ（ｆ，τ’）を正規化サンプルＮＰ_ｋ（ｆ，τ’−１）に更新し、新たに受け取った正規化サンプルＮＰ_ｋ（ｆ，τ１）を新たな正規化サンプルＮＰ_ｋ（ｆ，τ’）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）としてバッファリングする。なお、バッファ部１６がバッファリングするフレーム数をＴとする。ただし、Ｔは１以上の整数であり、２以上の整数であることが望ましい。例えば、Ｔ＝１００である。バッファ部１６は、新たな正規化サンプルＮＰ_ｋ（ｆ，τ’）を受け取るたびに、過去にバッファリングした古い正規化サンプルＮＰ_ｋ（ｆ，τ’−Ｔ＋１）（更新前）を破棄してもよいし、バッファリングしている正規化サンプルの個数がＺ個（Ｚ＞Ｔ）を超えるまで保持し続けていてもよい。その後、バッファ部１６は、Ｔ個のフレーム分の更新後の正規化サンプルＮＰ_ｋ（ｆ，τ’），・・・，ＮＰ_ｋ（ｆ，τ’−Ｔ＋１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を抽出し、これらを行列生成部１７に送る。なお、バッファ部１６がＴ個未満のＹ個のフレーム分の正規化サンプルしかバッファリングしていない場合、バッファ部１６は、Ｙ個のフレームτ’，・・・，τ’−Ｙ＋１について正規化サンプルＮＰ_ｋ（ｆ，τ’），・・・，ＮＰ_ｋ（ｆ，τ’−Ｙ＋１）を送り、Ｔ−Ｙ個のフレームτ’−Ｙ，・・・，τ’−Ｔ＋１について任意値を正規化サンプルＮＰ_ｋ（ｆ，τ’−Ｙ），・・・，ＮＰ_ｋ（ｆ，τ’−Ｔ＋１）として送る。なお、任意値は定数（例えば０）であってもよいし、乱数であってもよいし、ＮＰ_ｋ（ｆ，τ’），・・・，ＮＰ_ｋ（ｆ，τ’−Ｙ＋１）の何れかであってもよい。あるいは、バッファ部１６がＴ個以上のフレーム分の正規化サンプルをバッファリングするまで、正規化サンプルを出力しないことにしてもよい。

＜行列生成部１７＞
行列生成部１７は、正規化サンプルＮＰ_ｋ（ｆ，τ’），・・・，ＮＰ_ｋ（ｆ，τ’−Ｔ＋１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を入力として受け取る。行列生成部１７は、周波数（周波数インデックスｆに対応する周波数ビン）ごとに定められた重みｗ_ｋ（ｆ）による、すべての周波数（周波数インデックスｆ_ｍｉｎ，・・・，ｆ_ｍａｘにそれぞれ対応する周波数ビン）にわたる正規化サンプルＮＰ_ｋ（ｆ，μ）（ただし、μ＝τ’，・・・，τ’−Ｔ＋１）の重み付け和をサンプルＰ_Ｖｋ（μ）として得る。例えば、行列生成部１７は、以下のようにサンプルＰ_Ｖｋ（μ）を得る。

ただし、ｋ＝１，・・・，Ｋ、μ＝τ’，・・・，τ’−Ｔ＋１である。重みｗ_ｋ（ｆ）は、周波数ごとの重み付けを制御するための係数である。同一の周波数（周波数インデックスｆ）に対応する重みｗ_ｋ（ｆ）は、複数チャネルｋ＝１，・・・，Ｋの間で同一であってもよいし、そうでなくてもよい。ただし、同一の周波数（周波数インデックスｆ）に対応する重みｗ_ｋ（ｆ）が複数チャネルｋ＝１，・・・，Ｋの間で同一（すなわち、ｗ_１（ｆ）＝・・・＝ｗ_Ｋ（ｆ））であることが望ましい。音源分離精度が向上するからである。また、低域の周波数の分類精度を向上させるためには、周波数が低いほど重みｗ_ｋ（ｆ）の大きさを大きくするか、あるいは、周波数の単調非減少関数値をｗ_ｋ（ｆ）の大きさとする。逆に、低域の周波数の分類精度を向上させるためには、周波数が高いほどｗ_ｋ（ｆ）の大きさを大きくするか、あるいは、周波数の広義単調増加関数値をｗ_ｋ（ｆ）の大きさとする。すべての周波数で同じ重みにする場合は、例えば、ｗ_ｋ（ｆ_ｍｉｎ）＝・・・＝ｗ_ｋ（ｆ_ｍａｘ）＝１とする。あるいは、何れかの周波数に対応する重みｗ_ｋ（ｆ’）を定数（例えば、ｗ_ｋ（ｆ’）＝１）とし、それ以外の周波数に対応する重みを０にしてもよい。例えば、何れかの周波数（周波数インデックスｆ’に対応する周波数）に対応する重みｗ_ｋ（ｆ’）を１とし、それ以外の周波数に対応する重みを０とする場合、行列生成部１７は、式（１）を計算することなく、ＮＰ_ｋ（ｆ’，μ）をそのままＰ_Ｖｋ（μ）として用いてもよい。

このように得られたサンプルＰ_Ｖ１（μ），・・・，Ｐ_ＶＫ（μ）は、観測された複数チャネルｋ＝１，・・・，Ｋの時系列信号に由来する、所定の時間区間のそれぞれの時点μに対応する複数チャネルｋ＝１，・・・，Ｋのサンプルである。行列生成部１７は、サンプルＰ_Ｖ１（μ），・・・，Ｐ_ＶＫ（μ）からなる列をμ列目（ただし、μ＝τ’，・・・，τ’−Ｔ＋１）の列ベクトルとしたＫ行Ｔ列の行列Ｐ_τ’（第１行列）を以下のように得る。

行列生成部１７は、行列Ｐ(τ’)を行列分解部１８に送る（ステップＳ１７）。

＜行列分解部１８＞
行列分解部１８は、行列Ｐ(τ’)を入力として受け取る。行列分解部１８は、行列Ｐ(τ’)を、非負値の制約を付けた２つの行列Ｗ(τ’)およびＨ(τ’)（第２行列および第３行列）に分解する。
Ｐ(τ’)＝Ｗ(τ’)Ｈ(τ’)
すなわち、行列Ｗ（τ’）（第２行列）および行列Ｈ（τ’）（第３行列）はそれぞれ非負値の要素からなり、行列Ｗ（τ’）に右側から行列Ｈ（τ’）を乗じると行列Ｐ（τ’）となる。行列Ｗ（τ’）はＫ行Ｑ列の行列であり、行列Ｈ（τ’）はＱ行Ｔ列の行列である。ただし、Ｑは正整数（例えば、Ｑ≧２）である。このように得られる行列Ｗ(τ’)の要素は、それぞれ音源から発せられた源音（源信号）が観測装置２０−ｋのマイクロホン２１−ｋに到達するまでのパワーの減衰特性を表す。一方、行例Ｈ(τ’)の要素は、音源から発せられた源音のパワーを表す（ステップＳ１８）。

このような行列Ｐ(τ’)の分解には、例えば非負値行列分解を用いることができる（例えば、参考文献２：Lee, Daniel D., and H. Sebastian Seung. "Learning the parts of objects by non-negative matrix factorization." Nature 401.6755 (1999): 788-791.）。この例の場合、行列分解部１８は、まず、行列Ｗ(τ’)および行列Ｈ(τ’)の初期値としてランダムな値を要素とする２個の行列を設定する。また行列分解部１８は、行列のサイズを指定する正整数（例えば、Ｑ≧２）のパラメータＱを設定する。Ｑは予め与えておいてもよいし、外部からの入力を許してもよい。例えばＱ＝２とする。行列Ｗ(τ’)は（チャネル数Ｋ）×（パラメータＱ）の行列であり、行列Ｈ(τ’)は（パラメータＱ）×（フレーム数Ｔ）の行列である。Ｗ(τ’)およびＨ(τ’)の更新式は最適化の評価関数によって様々あるが、例えばＬｅｅ等の手法を用いた場合以下のようになる。

ただし、行列αに対するα_ενは行列αのε行ν列目の要素を表し、行列βに対するβ_γλは行列βのγ行λ列目の要素を表す。また、「Ａ←Ｂ」は得られたＢを新たなＡとすることを意味する。行列分解部１８は、これらの更新式の計算を所定の終了条件を満たすまで繰り返す。終了条件の例は、（１）これらの更新式の計算が所定回数（例えば、２０回）繰り返されたこと、（２）すべての要素について更新の前後でのＷ(τ’)_ενの差およびＨ(τ’)_γλの差が所定の範囲内になることなどである。行列分解部１８は、得た行列Ｗ(τ’)をベクトル分類部１９に送る。

＜ベクトル分類部１９＞
ベクトル分類部１９は、行列Ｗ(τ’)を入力として受け取る。ベクトル分類部１９は、行列Ｗ(τ’)の各列ｑ＝１，・・・，Ｑの列ベクトルを減衰量ベクトルｒ_ｑ（τ’）として取り出し、抽出した減衰量ベクトルｒ_ｑ（τ’）のクラスタリングを行って、各減衰量ベクトルｒ_ｑ（τ’）が属する分類（クラスタ）を決定する。各行列Ｗ(τ’)からはＱ個の減衰量ベクトルｒ_ｑ（τ’）を取り出すことができ、減衰量ベクトルｒ_ｑ（τ’）の次元数はチャネル数に等しいＫである。減衰量ベクトルｒ_ｑ（τ’）は各音源からマイクロホン２１−ｋまでの減衰特性を表しているため、音源が固定であれば、同じ音源に対応する減衰量ベクトルｒ_ｑ（τ’）は同程度となる。そのため、減衰量ベクトルｒ_ｑ（τ’）（ｑ＝１，・・・，Ｑ）をクラスタリングすることで話者分類を行うことができる。また、源音のパワー成分の多くは行例Ｈ(τ’)に含まれ、減衰量ベクトルｒ_ｑ（τ’）にはほとんど含まれない。そのため、このような話者分類は源音のパワーの時間的な変動の影響を受けにくい。

ベクトル分類部１９は、フレームτ’，・・・，τ’−Ｔ’＋１に対応する減衰量ベクトルｒ_１（τ’），・・・，ｒ_Ｑ（τ’），・・・，ｒ_１（τ’−Ｔ’＋１），・・・，ｒ_Ｑ（τ’−Ｔ’＋１）を対象としたクラスタリングを行う。ただし、Ｔ’は正整数であり、例えば、Ｔ’≧２である。例えば、ベクトル分類部１９は、複数個のフレームに対応する減衰量ベクトル（例えば、５秒間に対応する区間での減衰量ベクトル）が入力されるたびに、新たに入力された減衰量ベクトルをクラスタリングの対象に加えてクラスタリングを行ってもよいし、各フレームτ’の減衰量ベクトルｒ_１（τ’），・・・，ｒ_Ｑ（τ’）が入力されるたびに、新たに入力された減衰量ベクトルをクラスタリングの対象に加えてクラスタリングを行ってもよい。あるいは、ベクトル分類部１９は、新たに入力された複数個のフレームに対応する減衰量ベクトルのみを対象としてクラスタリングを行ってもよい。このようなクラスタリングにより、各音源に対応するクラスタが生成される。

クラスタリングの例は、教師なし学習であるオンラインクラスタリングなどであり、leader-followerクラスタリングなどの様々な周知の手法を用いることができる（参考文献３：Richard O. Duda, Peter E. Hart, David G. Stork, “Pattern Classication，" Wiley - Interscience, 2000）。以下では、leader-followerクラスタリングを用いて減衰量ベクトルをクラスタリングする例を示す。距離関数には、例えばコサイン類似度を用いる。コサイン類似度による距離ｄ（ＣＬ）は以下のように定義される。

ただし、ＣＬ∈ＳＥＴは各クラスタのラベルであり、ＳＥＴはクラスタの集合である。ｒ_ＣＬはクラスタＣＬに属する減衰量ベクトルの重心ベクトルである。ｄ（ＣＬ）は、クラスタＣＬの重心ベクトルｒ_ＣＬと入力された減衰量ベクトルｒ_ｑ（τ’）とのコサイン類似度を表す。初期のクラスタＣＬおよび重心ベクトルｒ_ＣＬが予め設定されていてもよいし、されていなくてもよい。初期のクラスタＣＬおよび重心ベクトルｒ_ＣＬが予め設定されていない場合には、例えば、最初に入力された減衰量ベクトルｒ_ｑ（τ’）が最初のクラスタＣＬの重心ベクトルｒ_ＣＬとなる。ベクトル分類部１９は、入力された減衰量ベクトルｒ_ｑ（τ’）と各クラスタＣＬ∈ＳＥＴとの間の距離ｄ（ＣＬ）を求める。ここで、すべてのクラスタＣＬ∈ＳＥＴからの距離ｄ（ＣＬ）がある閾値ＴＨを上回る場合、ベクトル分類部１９は、新たなクラスタＣＬ’をクラスタの集合ＳＥＴに追加し、当該減衰量ベクトルｒ_ｑ（τ’）が新たなクラスタＣＬ’に属するものとして、新たなクラスタＣＬ’の重心ベクトルｒ_ＣＬ’を当該減衰量ベクトルｒ_ｑ（τ’）とする。一方、入力された減衰量ベクトルｒ_ｑ（τ’）との距離ｄ（ＣＬ）が閾値ＴＨ以下となるクラスタＣＬ∈ＳＥＴが存在する場合、ベクトル分類部１９は、当該クラスタＣＬに当該減衰量ベクトルｒ_ｑ（τ’）が属するものとして、当該クラスタＣＬの重心ベクトルｒ_ＣＬを以下のように更新する。
ｒ_ＣＬ＝（１−φ）×ｒ_ｑ（τ’）＋φ×ｒ_ｑ（τ’）
ただし、φは０≦φ≦１の定数である。なお、距離ｄ（ＣＬ）が閾値ＴＨ以下となるクラスタＣＬが複数個存在する場合、ベクトル分類部１９は、例えば、最初に距離ｄ（ＣＬ）が閾値ＴＨ以下であると判断されたクラスタＣＬに当該減衰量ベクトルｒ_ｑ（τ’）が属するものとして、当該クラスタＣＬの重心ベクトルｒ_ＣＬを更新する。あるいは、ベクトル分類部１９は、例えば、距離ｄ（ＣＬ）が閾値ＴＨ以下であると判断されたクラスタＣＬのうちで最も距離ｄ（ＣＬ）が小さいクラスタに当該減衰量ベクトルｒ_ｑ（τ’）が属するものとして、当該クラスタＣＬの重心ベクトルｒ_ＣＬを更新してもよい。あるいは、クトル分類部１９は、例えば、距離ｄ（ＣＬ）が閾値ＴＨ以下であると判断されたすべてのクラスタＣＬに当該減衰量ベクトルｒ_ｑ（τ’）が属するものとして、当該クラスタＣＬの重心ベクトルｒ_ＣＬを更新してもよい。以上によって得られた各クラスタＣＬは、音を発した各音源に対応する分類結果を表す。また、減衰量ベクトルｒ_ｑ（τ’）がクラスタＣＬに属することは、フレームτ’において当該減衰量ベクトルｒ_ｑ（τ’）が属するクラスタＣＬに対応する音源から音が発せられたことを示す。

また、オンライン的にクラスタ数を増やしていくleader-follower クラスタリングを用いることに代えて、クラスタ数を固定する手法を用いることもできる。この場合、例えば、分類装置１に接続されている観測装置２０−１，・・・，２０−Ｋの個数分（Ｋ個）のクラスタＣＬ＝１，・・・，Ｋを予め用意する。Ｋ個のクラスタＣＬ＝１，・・・，Ｋの重心ベクトルｒ_{ＣＬ＝１，・・・，Ｋ}は、互いに直交するＫ次元のベクトルである。例えば、クラスタＣＬの重心ベクトルｒ_ＣＬは、ＣＬ番目の要素が１であって残りのＫ−１個の要素が０であるＫ次元ベクトルである。すなわち、例えば、ｒ_１＝（１，０，・・・，０），ｒ_２＝（０，１，０，・・・，０），・・・，ｒ_Ｋ＝（０，・・・，０，１）である。ベクトル分類部１９は、式（２）に従い、入力された減衰量ベクトルｒ_ｑ（τ’）と各クラスタＣＬ＝１，・・・，Ｋとの間の距離ｄ（ＣＬ）を求め、距離ｄ（ＣＬ）が最小となるクラスタＣＬに減衰量ベクトルｒ_ｑ（τ’）が属すると判定する。減衰量ベクトルｒ_ｑ（τ’）がクラスタＣＬに属することは、フレームτ’において当該減衰量ベクトルｒ_ｑ（τ’）が属するクラスタＣＬに対応する音源から音が発せられたことを示す。

ベクトル分類部１９は、各フレームτ’について、減衰量ベクトルｒ_ｑ（τ’）が属するクラスタＣＬを表す情報（区間分類を表すラベル）を出力する（ステップＳ１９）。

＜実験結果＞
本形態の実験結果を示す。実験では、Ｋ＝５とし、観測装置２１−１，・・・，２１−５として５台程度のスマートフォンを用いた。直線配置ではない位置に配置された３個の音源から発せられた音をこれらのスマートフォンで録音した。録音された入力デジタル音響信号ｘ_１（ｉ_１），・・・，ｘ_５（ｉ_５）を分類装置１に入力し、上述の音源分離処理を行った。図４Ａおよび図４Ｂに実験結果を示す。図４Ａの横軸はフレーム番号μを表し、縦軸はサンプルＰ_Ｖ１（μ），・・・，Ｐ_ＶＫ（μ）を表す。図４Ｂの横軸はバッファ区間（１００フレームからなる区間）番号を表し、縦軸は減衰量ベクトルとクラスタＣＬ＝１の重心ベクトルとのコサイン類似度の計算結果を示す。これらの図に示すように、音源１から音が発せられている区間ではコサイン類似度がほぼ０になり、音源２から音が発せられている区間ではコサイン類似度が０．１５近傍に分布し、音源３から音が発せられている区間ではコサイン類似度が０．２近傍に分布する。これにより、クラスタリングによって適切に音源分離ができることが分かる。

［第１実施形態の変形例］
観測装置２０−１，・・・，２０−Ｋのマイクロホン２１−１，・・・，２１−Ｋの感度が同じ（揃っている）場合や、マイクロホン２１−１，・・・，２１−Ｋの感度がキャリブレーションされることでそれらの感度の相違が補正される場合、正規化部１５での正規化処理は不要となる。以下にこの変形例を説明する。

図５に例示するように、この変形例の分類装置１’は、サンプリング周波数変換部１１、信号同期部１２、フレーム分割部１３、ＶＡＤ判定部１４、パワー算出部１５’、バッファ部１６’、行列生成部１７、行列分解部１８、およびベクトル分類部１９を有する。以下では、第１実施形態との相違点であるパワー算出部１５’およびバッファ部１６’のみを説明する。

＜パワー算出部１５’＞
パワー算出部１５’は、ＶＡＤ判定部１４から送られた、チャネルｋ＝１，・・・，Ｋの各フレームτに属するデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）とラベルθ_τとを入力として受け取る。パワー算出部１５’は、ラベルθ_τを用いて各フレームτが音声区間であるか非音声区間であるかを判別する。パワー算出部１５’は、高速フーリエ変換等の公知の方法を用い、音声区間であると判別したフレームτ１のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）から周波数領域のデジタル音響信号ＳＸ_ｋ（ｆ，τ１）を得る。さらに、パワー算出部１５’は、チャネルｋ＝１，・・・，Ｋおよび周波数インデックスｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘについて、これらの周波数領域のデジタル音響信号ＳＸ_ｋ（ｆ，τ１）のパワーＰ_ｋ（ｆ，τ１）＝｜ＳＸ_ｋ（ｆ，τ１）｜^２を得る。パワーＰ_ｋ（ｆ，τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）はバッファ部１６’に送られる。

＜バッファ部１６’＞
バッファ部１６’は、パワーＰ_ｋ（ｆ，τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を「正規化サンプルＮＰ_ｋ（ｆ，τ１）」として受け取る。その後のバッファ部１６’の処理はバッファ部１６と同じである。

その他の処理は第１実施形態と同じである。

［第２実施形態］
第１実施形態では正規化部１５でデジタル音響信号を周波数領域の信号に変換し、周波数領域で正規化を行った。しかしながら、時間領域で正規化を行ってもよい。以下にこのような形態を説明する。

図１に例示するように、本形態の分類装置２は、サンプリング周波数変換部１１、信号同期部１２、フレーム分割部１３、ＶＡＤ判定部１４、正規化部２５、バッファ部２６、行列生成部２７、行列分解部１８、およびベクトル分類部１９を有する。図２に例示するように、本形態の正規化部２５は、音声非音声選択部２５１、パワー算出部２５２、暗騒音パワー算出部２５３、記憶部２５４、および暗騒音正規化部２５５を有する。本形態の分類装置２は、例えば汎用または専用のコンピュータに所定のプログラムが読み込まれて構成される特別な装置である。以下では、第１実施形態との相違点である正規化部２５、バッファ部２６、および行列生成部２７のみを説明する。

＜正規化部２５＞
正規化部２５は、観測装置２０−１，・・・，２０−Ｋのマイクロホン２１−１，・・・，２１−Ｋの感度を正規化する処理を行う。すなわち正規化部２５は、複数チャネルｋ＝１，・・・，Ｋのそれぞれのチャネルｋについて、非音声区間であると判断されたフレームτ０のデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）（非目的信号区間の時系列信号に由来する非目的信号区間サンプル）を用い、音声区間であると判断されたそのチャネルｋのフレームτ１のデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）（非目的信号区間サンプルと同一のチャネルｋの目的信号区間の時系列信号に由来する目的信号区間サンプル）を正規化し、複数チャネルｋ＝１，・・・，Ｋのそれぞれの正規化サンプルを得る。本形態では時間領域で正規化を行う。以下、図２を参照してこの詳細を例示する。

≪音声非音声選択部２５１≫
音声非音声選択部２５１は、チャネルｋ＝１，・・・，Ｋの各フレームτに属するデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）とラベルθ_τとを入力として受け取る。音声非音声選択部１５１は、ラベルθ_τを用いて各フレームτが音声区間であるか非音声区間であるかを判別する。音声非音声選択部２５１は、音声区間であると判別したフレームτ１のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）をパワー算出部２５２に送る。また、音声非音声選択部２５１は、非音声区間であると判別したフレームτ０のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）を暗騒音パワー算出部２５３に送る。

≪パワー算出部２５２≫
パワー算出部２５２は、音声区間であると判別されたフレームτ１のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）を入力として受け取る。パワー算出部２５２は、デジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）に対応するパワーＰ_ｋ（τ１）（時間領域信号の大きさ、すなわち、目的信号区間サンプル）を得る。例えば、パワー｜ｓｘ_ｋ（ｉ_{ｋ，τ１，０}）｜，・・・，｜ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）｜の平均値をパワーＰ_ｋ（τ１）としてもよいし、パワー｜ｓｘ_ｋ（ｉ_{ｋ，τ１，０}）｜，・・・，｜ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）｜の加算値をパワーＰ_ｋ（τ１）としてもよいし、これらに対して広義単調増加する値をパワーＰ_ｋ（τ１）としてもよい。パワー算出部２５２は、パワーＰ_ｋ（τ１）（ただし、ｋ＝１，・・・，Ｋ、ｆ＝ｆ_ｍｉｎ，・・・，ｆ_ｍａｘ）を暗騒音正規化部２５５に送る。

≪暗騒音パワー算出部２５３≫
暗騒音パワー算出部２５３は、非音声区間であると判別されたフレームτ０のデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）（ただし、ｋ＝１，・・・，Ｋ）を入力として受け取る。暗騒音パワー算出部２５３は、デジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ０，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）に対応するパワーＰ_ｋ（τ０）（時間領域信号の大きさ、すなわち、非目的信号区間サンプル）を得る。例えば、パワー｜ｓｘ_ｋ（ｉ_{ｋ，τ０，０}）｜，・・・，｜ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）｜の平均値をパワーＰ_ｋ（τ０）としてもよいし、パワー｜ｓｘ_ｋ（ｉ_{ｋ，τ０，０}）｜，・・・，｜ｓｘ_ｋ（ｉ_{ｋ，τ０，Ｌ−１}）｜の加算値をパワーＰ_ｋ（τ０）としてもよいし、これらに対して広義単調増加する値をパワーＰ_ｋ（τ０）としてもよい。暗騒音パワー算出部２５３は、パワーＰ_ｋ（τ０）（ただし、ｋ＝１，・・・，Ｋ）を記憶部２５４に格納する。

また、暗騒音パワー算出部２５３は、これまでに非音声区間であると判別されたＪ個のフレームτ０_（０），・・・，τ０_{（Ｊ−１）}でのパワーＰ_ｋ（τ０_（０）），・・・，Ｐ_ｋ（τ０_{（Ｊ−１）}）（ただし、ｋ＝１，・・・，Ｋ）を記憶部２５４から抽出し、以下のように暗騒音平均パワーＭＰ_ｋを得る。

ただし、Ｊは１以上の整数である。Ｊは２以上であることが望ましい。Ｊは定数であってもよいし、これまでに非音声区間であると判別されたフレームの総数であってもよい。Ｊ個のフレームτ０_（０），・・・，τ０_{（Ｊ−１）}の選択方法に限定はないが、例えば、これまでに非音声区間であると判別されたフレームのうち、最も新しい互いに異なるＪ個のフレーム（すなわち、互いに異なるＪ個のフレームの組み合わせのうち、時間的に最も後のもの）をフレームτ０_（０），・・・，τ０_{（Ｊ−１）}とする。なお、Ｊが定数の場合、非音声区間であると判別された互いに異なるフレームがＪ個存在しないこともある。このような場合には、フレームτ０_（０），・・・，τ０_{（Ｊ−１）}の少なくとも一部が互いに同一であってもよい。あるいは、Ｊが定数であり、これまでに非音声区間であると判別されたフレームの数がＣ個（ただし、１≦Ｃ＜Ｊ）である場合には、これまでに非音声区間であると判別されたＣ個のフレームτ０_（０），・・・，τ０_{（Ｃ−１）}でのパワーＰ_ｋ（τ０_（０）），・・・，Ｐ_ｋ（τ０_{（Ｃ−１）}）を用い、以下のように暗騒音平均パワーＭＰ_ｋを得てもよい。

暗騒音パワー算出部２５３は、例えば、非音声区間であると判別されたフレームのデジタル音響信号が入力されるたび、あるいは、非音声区間であると判別されたフレームのデジタル音響信号が所定個入力されるたびに、暗騒音平均パワーＭＰ_ｋを計算し、計算した暗騒音平均パワーＭＰ_ｋ（ただし、ｋ＝１，・・・，Ｋ）を暗騒音正規化部２５５に送る。

≪暗騒音正規化部２５５≫
暗騒音正規化部２５５は、パワーＰ_ｋ（τ１）およびフレームτ１に対して最新の暗騒音平均パワーＭＰ_ｋ（ただし、ｋ＝１，・・・，Ｋ）を入力として受け取る。暗騒音正規化部２５５は、暗騒音平均パワーＭＰ_ｋを用いてパワーＰ_ｋ（τ１）を以下のように正規化し、正規化サンプルＮＰ_ｋ（τ１）（ただし、ｋ＝１，・・・，Ｋ）を得て出力する（ステップＳ２５）。

正規化部２５は、正規化サンプルＮＰ_ｋ（τ１）（ただし、ｋ＝１，・・・，Ｋ）をバッファ部２６（図１）に送る。

＜バッファ部２６＞
バッファ部２６は、正規化サンプルＮＰ_ｋ（τ１）（ただし、ｋ＝１，・・・，Ｋ）を入力として受け取る。バッファ部２６は、新たに正規化サンプルＮＰ_ｋ（τ１）を受け取ると、すでにバッファリング（記憶）している正規化サンプルＮＰ_ｋ（τ’）を正規化サンプルＮＰ_ｋ（τ’−１）に更新し、新たに受け取った正規化サンプルＮＰ_ｋ（τ１）を新たな正規化サンプルＮＰ_ｋ（τ’）（ただし、ｋ＝１，・・・，Ｋ）としてバッファリングする。なお、バッファ部２６がバッファリングするフレーム数をＴとする。ただし、Ｔは１以上の整数であり、２以上の整数であることが望ましい。例えば、Ｔ＝１００である。バッファ部２６は、新たな正規化サンプルＮＰ_ｋ（τ’）を受け取るたびに、過去にバッファリングした古い正規化サンプルＮＰ_ｋ（τ’−Ｔ＋１）（更新前）を破棄してもよいし、バッファリングしている正規化サンプルの個数がＺ個（Ｚ＞Ｔ）を超えるまで保持し続けていてもよい。その後、バッファ部２６は、Ｔ個のフレーム分の更新後の正規化サンプルＮＰ_ｋ（τ’），・・・，ＮＰ_ｋ（τ’−Ｔ＋１）（ただし、ｋ＝１，・・・，Ｋ）を抽出し、これらを行列生成部２７に送る。なお、バッファ部２６がＴ個未満のＹ個のフレーム分の正規化サンプルしかバッファリングしていない場合、バッファ部２６は、Ｙ個のフレームτ’，・・・，τ’−Ｙ＋１について正規化サンプルＮＰ_ｋ（τ’），・・・，ＮＰ_ｋ（τ’−Ｙ＋１）を送り、Ｔ−Ｙ個のフレームτ’−Ｙ，・・・，τ’−Ｔ＋１について任意値を正規化サンプルＮＰ_ｋ（τ’−Ｙ），・・・，ＮＰ_ｋ（τ’−Ｔ＋１）として送る。なお、任意値は定数（例えば０）であってもよいし、乱数であってもよいし、ＮＰ_ｋ（τ’），・・・，ＮＰ_ｋ（τ’−Ｙ＋１）の何れかであってもよい。あるいは、バッファ部２６がＴ個以上のフレーム分の正規化サンプルをバッファリングするまで、正規化サンプルを出力しないことにしてもよい。

＜行列生成部２７＞
行列生成部２７は、正規化サンプルＮＰ_ｋ（τ’），・・・，ＮＰ_ｋ（τ’−Ｔ＋１）をサンプルＰ_Ｖｋ（τ’），・・・，Ｐ_Ｖｋ（τ’−Ｔ＋１）として受け取る（ただし、ｋ＝１，・・・，Ｋ）。言い換えると、行列生成部２７は、サンプルＰ_Ｖ１（μ），・・・，Ｐ_ＶＫ（μ）（ただし、μ＝τ’，・・・，τ’−Ｔ＋１）を入力として受け取る。このように得られたサンプルＰ_Ｖ１（μ），・・・，Ｐ_ＶＫ（μ）は、観測された複数チャネルｋ＝１，・・・，Ｋの時系列信号に由来する、所定の時間区間のそれぞれの時点μに対応する複数チャネルｋ＝１，・・・，Ｋのサンプルである。行列生成部２７は、サンプルＰ_Ｖ１（μ），・・・，Ｐ_ＶＫ（μ）からなる列をμ列目（ただし、μ＝τ’，・・・，τ’−Ｔ＋１）の列ベクトルとしたＫ行Ｔ列の行列Ｐ_τ’（第１行列）を以下のように得る。

行列生成部２７は、行列Ｐ(τ’)を行列分解部１８に送る（ステップＳ２７）。

その他の処理は第１実施形態と同じである。

［第２実施形態の変形例］
第２実施形態でも、観測装置２０−１，・・・，２０−Ｋのマイクロホン２１−１，・・・，２１−Ｋの感度が同じ（揃っている）場合や、マイクロホン２１−１，・・・，２１−Ｋの感度がキャリブレーションされることでそれらの感度の相違が補正される場合、正規化部２５の処理のうちパワー算出部２５２での正規化処理は不要となる。以下にこの変形例を説明する。

図５に例示するように、この変形例の分類装置２’は、サンプリング周波数変換部１１、信号同期部１２、フレーム分割部１３、ＶＡＤ判定部１４、パワー算出部２５’、バッファ部２６’、行列生成部１７、行列分解部１８、およびベクトル分類部１９を有する。以下では、第１実施形態との相違点であるパワー算出部２５’およびバッファ部２６’のみを説明する。

＜パワー算出部２５’＞
パワー算出部２５’は、ＶＡＤ判定部１４から送られた、チャネルｋ＝１，・・・，Ｋの各フレームτに属するデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ，Ｌ−１}）とラベルθ_τとを入力として受け取る。パワー算出部２５’は、ラベルθ_τを用いて各フレームτが音声区間であるか非音声区間であるかを判別する。パワー算出部２５’は、パワー算出部２５２と同様に、音声区間であると判別したフレームτ１のチャネルｋ＝１，・・・，Ｋのデジタル音響信号ｓｘ_ｋ（ｉ_{ｋ，τ１，０}），・・・，ｓｘ_ｋ（ｉ_{ｋ，τ１，Ｌ−１}）に対応するパワーＰ_ｋ（τ１）（時間領域信号の大きさ、すなわち、目的信号区間サンプル）を得る。パワーＰ_ｋ（τ１）（ただし、ｋ＝１，・・・，Ｋ）はバッファ部２６’に送られる。

＜バッファ部２６’＞
バッファ部２６’は、パワーＰ_ｋ（τ１）（ただし、ｋ＝１，・・・，Ｋ）を「正規化サンプルＮＰ_ｋ（τ１）」として受け取る。その後のバッファ部２６’の処理はバッファ部２６と同じである。

その他の処理は第２実施形態と同じである。

［特徴］
各実施形態およびその変形例では、自由に配置した複数個のスマートフォン、固定電話、ボイスレコーダ、タブレット端末装置、セットトップボックスなどの録音機能をもつ観測装置で得たデジタル音響信号から、音源の位置に基づいて、音響信号の区間分類を行うことができる。すなわち、音源から複数の観測装置までの間の減衰特性を行列分解によって抽出して分類のパラメータとして用いることで、音源の位置に基づいた音響信号の区間分類を行うことができる。音源の位置に基づいて音響信号の区間分類を行うため、源信号の大きさの時間的な変動の影響を受けにくい。このように得られた音響信号の区間分類結果から、目的とする音響信号区間の抽出が可能になる。また、区間分類結果を用いて目的音の区間とその他の音源の区間に分類ができるため、雑音を抑圧して目的音を強調するフィルタを設計するための情報として利用できる。

また、サンプリング周波数変換部１１および信号同期部１２により、複数の観測装置で得られたデジタル音響信号のサンプリング周波数や位相を揃えることができるため、任意の観測装置で得られたデジタル音響信号を用いて、精度の高い音源分類を行うことができる。

さらに、第１，２実施形態では、複数の観測装置で得られたデジタル音響信号のパワーを正規化するため、複数の観測装置のマイクロホンの感度が相違する場合であっても、高精度に区間分類を行うことができる。

［その他の変形例等］
なお、本発明は上述の実施の形態に限定されるものではない。例えば、各観測装置２０−ｋのマイクロホン２２−ｋの感度の正規化は、行列生成部での処理より前に行われれば、どの時点で行われてもよい。例えば、フレーム分割部、ＶＡＤ判定部、および正規化部の処理が、サンプリング周波数変換部１１の処理と信号同期化部１２の処理との間に行われてもよいし、サンプリング周波数変換部１１の処理の前に行われてもよい。例えば、レーム分割部、ＶＡＤ判定部、および正規化部の処理が、分類装置ではなく、観測装置で行われてよい。

また、すべてのチャネルｋ＝１，・・・，ＫのＡ／Ｄ変換器２２−ｋのサンプリング周波数の公称値が互いに同一であるならば、サンプリング周波数変換部１１の処理を行わなくてもよい。この場合には「入力デジタル音響信号」がそのまま「変換デジタル音響信号」として信号同期部１２に入力されてもよい。このような場合にはサンプリング周波数変換部１１を設けなくてもよい。さらに、すべてのチャネルｋ＝１，・・・，ＫのＡ／Ｄ変換器２２−ｋのサンプリング周波数の公称値が互いに同一であり、それらの個体差の影響も小さいのであれば、サンプリング周波数変換部１１および信号同期部１２の処理を行わなくてもよい。この場合には「入力デジタル音響信号」がそのまま「デジタル音響信号」としてフレーム分割部１３に入力されてもよい。このような場合にはサンプリング周波数変換部１１および信号同期部１２を設けなくてもよい。

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。

上述の構成をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。このプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体の例は、非一時的な（non-transitory）記録媒体である。このような記録媒体の例は、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等である。

このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。処理の実行時、このコンピュータは、自己の記録装置に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。

上記実施形態では、コンピュータ上で所定のプログラムを実行させて本装置の処理機能が実現されたが、これらの処理機能の少なくとも一部がハードウェアで実現されてもよい。

１，１’，２，２’ 分類装置
２０−ｋ 観測装置

Claims (8)

1. 観測された複数チャネルの時系列信号に由来する、所定の時間区間のそれぞれの時点に対応する前記複数チャネルのサンプルからなる列を、列ベクトルのそれぞれとした第１行列を得る行列生成部と、
   非負値の要素からなる第２行列に非負値の要素からなる第３行列を乗じると前記第１行列となる、前記第２行列を得る行列分解部と、
   前記第２行列の列ベクトルをクラスタリングするベクトル分類部と、
   を有する分類装置。
2. 請求項１の分類装置であって、
   前記第２行列の要素は、前記時系列信号が観測されるまでの減衰特性に対応し、
   前記第３行例の要素は、前記時系列信号の源信号成分に対応する、分類装置。
3. 請求項１または２の分類装置であって、
   前記複数チャネルのそれぞれのチャネルの非目的信号区間の時系列信号に由来する非目的信号区間サンプルを用い、前記非目的信号区間サンプルと同一のチャネルの目的信号区間の時系列信号に由来する目的信号区間サンプルを正規化し、前記複数チャネルのそれぞれの正規化サンプルを得る正規化部を有し、
   前記複数チャネルのサンプルのそれぞれは、前記正規化サンプルに由来するものである、分類装置。
4. 請求項３の分類装置であって、
   前記複数チャネルのそれぞれの正規化サンプルは周波数領域の値であり、
   前記複数チャネルのサンプルのそれぞれは、周波数ごとに定められた重みによる、すべての周波数にわたる前記正規化サンプルの重み付け和である、分類装置。
5. 請求項１から４の何れかの分類装置であって、
   前記複数チャネルの時系列信号に由来するデジタル信号のサンプリング周波数変換を行い、互いにサンプリング周波数が同一な前記複数チャネルの変換時系列信号を得るサンプリング周波数変換部と、
   前記変換時系列信号を前記複数チャネル間で同期させ、前記複数チャネルの同期化時系列信号を得る信号同期部と、を有し、
   前記複数チャネルのサンプルは、前記複数チャネルの同期化時系列信号に由来するものである、分類装置。
6. 請求項１から５の何れかの分類装置であって、
   前記複数チャネルの時系列信号は、１個または複数個の信号源から発せられた信号が複数チャネルの観測装置で観測されることで得られた信号である、分類装置。
7. 行列生成部で、観測された複数チャネルの時系列信号に由来する、所定の時間区間のそれぞれの時点に対応する前記複数チャネルのサンプルからなる列を、列ベクトルのそれぞれとした第１行列を得る行列生成ステップと、
   行列分解部で、非負値の要素からなる第２行列に非負値の要素からなる第３行列を乗じると前記第１行列となる、前記第２行列を得る行列分解ステップと、
   ベクトル分類部で、前記第２行列の列ベクトルをクラスタリングするベクトル分類ステップと、
   を有する分類方法。
8. 請求項１から６の何れかの分類装置の各部としてコンピュータを機能させるためのプログラム。

Images