JP7199264B2 - 認識装置、認識方法及びプログラム - Google Patents

Description

本発明の実施形態は認識装置、認識方法及びプログラムに関する。

振幅に揺らぎのあるモールス信号を記号列に変換して、記号列を認識する自動復号技術として、モールス信号のオン・オフを決定する閾値を、モールス信号の振幅に合わせて動的に制御する技術が従来から知られている。

特許第４２０９３７４号公報

Ｃｏｎｎｅｃｔｉｏｎｉｓｔ ｔｅｍｐｏｒａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ： ｌａｂｅｌｌｉｎｇ ｕｎｓｅｇｍｅｎｔｅｄ ｓｅｑｕｅｎｃｅ ｄａｔａ ｗｉｔｈ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ， ＩＣＭＬ２００６ Ａ ｔｉｍｅ ｄｅｌａｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｅｆｆｉｃｉｅｎｔ ｍｏｄｅｌｉｎｇ ｏｆ ｌｏｎｇ ｔｅｍｐｏｒａｌ ｃｏｎｔｅｘｔｓ， Ｉｎｔｅｒｓｐｅｅｃｈ２０１５ Ａｔｔｅｎｔｉｏｎ－ｂａｓｅｄ ｍｏｄｅｌｓ ｆｏｒ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ， ＮＩＰＳ２０１５ ＥＥＳＥＮ： ＥＮＤ－ｔｏ－ｅｎｄ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｄｅｅｐ ＲＮＮ ｍｏｄｅｌｓ ａｎｄ ＷＦＳＴ－ｂａｓｅｄ ｄｅｃｏｄｉｎｇ， ＡＳＲＵ２０１５

しかしながら、従来の認識装置では、間隔に揺らぎのあるモールス信号の区切りを決定して、モールス信号を認識することができなかった。

実施形態の認識装置は、受付部と特徴量算出部とスコア算出部と認識部と出力部とを備える。受付部は、モールス信号を受け付ける。特徴量算出部は、前記モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出する。スコア算出部は、前記特徴量から、前記モールス信号に対応する情報のスコアを示す情報スコアと、前記モールス信号の区切りのスコアを示す区切りスコアとを算出する。認識部は、前記情報スコアと前記区切りスコアとを用いて、前記モールス信号に対応する情報と、前記区切りとを含む出力系列を認識する。出力部は、前記出力系列を出力する。

実施形態の認識装置の機能構成の例を示す図。 実施形態のフレームの例を示す図。 実施形態のＬＳＴＭの例を説明するための概略図。 実施形態の出力系列の例を説明するための図。 図４Ａの出力系列に対応する表示情報の例を示す図。 実施形態の認識方法の例を示すフローチャート。 実施形態の認識装置のハードウェア構成の例を示す図。

以下に添付図面を参照して、認識装置、認識方法及びプログラムの実施形態を詳細に説明する。

［機能構成の例］
図１は実施形態の復号装置の機能構成の例を示す図である。実施形態の認識装置１０は、受付部１、特徴量算出部２、スコア算出部３、認識部４及び出力部５を備える。

受付部１は、モールス信号を受け付ける。受付部１は、例えば４ｋＨｚにサンプリングされたモールス信号の入力を受け付ける。

特徴量算出部２は、モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出する。

図２は実施形態のフレームの例を示す図である。図２の例では、モールス信号から、フレーム１０１ａ～１０１ｃが取得されている。特徴量算出部２は、フレームの開始時刻を少しずつシフトさせながら、各フレームを取得する。

特徴量算出部２は、例えば６０点のフレーム幅に対して、３６点ずらしながらＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）をかける。そして、特徴量算出部２は、それぞれのフレームに対してナイキスト周波数までの周波数パワー３３次元を、前後５フレーム連結し、計３６３（＝３３×１１）次元の特徴量を、フレーム単位の特徴量として算出する。なお、この特徴量の算出方法は一例であり、ＦＦＴをかける前の波形そのものを、特徴量の算出に使ってもよいし、フィルタバンク特徴量など他の特徴量が用いられても良い。

スコア算出部３は、特徴量から、モールス信号に対応する情報のスコアを示す情報スコアと、モールス信号の区切りのスコアを示す区切りスコアとを算出する。

モールス信号に対応する情報は、例えば小文字アルファベットである。また例えば、モールス信号に対応する情報は、大文字アルファベットである。また例えば、モールス信号に対応する情報は、小文字と大文字の混合アルファベットである。また例えば、モールス信号に対応する情報は、数字が混ざっていても良いし、アルファベットに限らず日本語（ひながな、カタカナ及び漢字）や中国語などの表記でも良い。

また、区切りスコアは、例えば単語の区切りを示す単語区切りスコア、音節の区切りを示す音節区切りスコア、文節の区切りを示す文節区切りスコア、及び、文の区切りを示す文区切りスコアの少なくとも１つを含む。

具体的な例としては、スコア算出部３は、例えば特徴量算出部２から特徴量を受け付けると、モールス信号記号リスト内の１つ以上の記号のスコアと、空文字シンボルのスコアと、モールス信号区切りシンボルのスコアとを算出する。モールス信号記号リストは、例えば小文字アルファベット２６文字を含む。

スコア算出方法については、スコア算出部３は、例えば特徴量を入力する入力層と、情報スコアと区切りスコアとを出力する出力層とを有するリカレントニューラルネットワークを用いて、情報スコアと、区切りスコアとを算出する。

具体的な例としては、スコア算出部３は、例えばリカレントニューラルネットワークの一種であるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）（非特許文献１）を用いる。例えばスコア算出部３は、３６３次元の特徴量を、モールス信号の記号に対するスコアと、空文字シンボルスコアと、単語区切りシンボルスコアと、文区切りシンボルスコアとを出力とするＬＳＴＭに入力する。

ＬＳＴＭのユニットは５１２ユニットとし、それを３層積み重ねたものを用いる。また出力層にはＳｏｆｔｍａｘを適用する。スコア算出部３は、入力されたフレームに含まれるアルファベット、空文字シンボル及び信号区切りシンボルに対する事後確率をスコアとして算出する。小文字英語アルファベット２６文字、空文字シンボル一つ、単語区切りシンボル一つ、文区切りシンボル一つが出力される場合、最終出力はそれぞれの事後確率を表す２９次元の出力となる。

ここで、スコア算出部３は、ＬＳＴＭ出力の区切りシンボル（例えば文区切りシンボル）のスコア（事後確率）が閾値より大きい場合にＬＳＴＭの内部状態をリセットする。これにより長時間に依存するＬＳＴＭの内部状態の影響を取り除くことができる。

なお、スコア算出方法は、ここで示したＬＳＴＭに限定されるものではなく、双方向型ＬＳＴＭや、ＴＤＮＮ（非特許文献２）を適用してもよいし、Ａｔｔｅｎｔｉｏｎモデルを適用してもよい（非特許文献３）。

次に、ＬＳＴＭのパラメータの学習方法の例について説明する。まず学習用のモールス信号と、当該モールス信号に対応するラベルを複数用意する。単語区切りシンボルを＜Ｃ＞、文区切りシンボルを＜Ｓ＞としたとき、以下のようなラベル列を用意する。

・モールス信号１：ｈｅｌｌｏ ラベル：ｈ ｅ ｌ ｌ ｏ ＜Ｓ＞
・モールス信号２：ｔｈｉｓ ｉｓ ａ ｐｅｎ ラベル：ｔ ｈ ｉ ｓ ＜Ｃ＞ ｉｓ ＜Ｃ＞ ａ ＜Ｃ＞ ｐｅｎ ＜Ｓ＞

特徴量には、受付部１から出力される３６３次元の特徴量が用いられる。ＬＳＴＭのパラメータは、学習用のモールス信号から変換された特徴量を使用して、ＣＴＣ（Ｃｏｎｎｅｃｔｉｏｎｉｓｔ Ｔｅｍｐｏｒａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）学習（非特許文献１）を用いて学習される。

図３は実施形態のＬＳＴＭの例を説明するための概略図である。ＬＳＴＭには、各フレームの特徴量が入力される。出力系列は、アルファベット、空文字シンボル（ｂｌａｎｋ）、及び、信号区切りシンボル（＜区切り＞）に対するスコア（事後確率）に基づいて認識される。

認識部４は、情報スコアと区切りスコアとを用いて、モールス信号に対応する情報と、区切りとを含む出力系列を認識する。

具体的には、例えば認識部４は、スコア算出部３により、フレーム毎に算出されたスコア（事後確率）のうち、各フレームで最大のスコアを有する出力対象を、各フレームの出力ラベルとする。

ここで、認識部４は、空文字シンボル（ｂｌａｎｋ）は、出力対象から削除する。また、認識部４は、モールス信号に対応する情報（例えば小文字アルファベット）が連続で続いた場合はそれらを一つにして、出力する。このとき、認識部４は、連続する小文字アルファベットの間に空文字シンボルや、信号区切りシンボルが挿入された場合には一つに変更する処理は行わない。空文字シンボルをΦとし、３フレーム分の出力を処理する場合の例を以下に示す。
・ａｂｃ → ａｂｃ
・ａａａ → ａ
・ａａｂ → ａｂ
・ａΦａ → ａａ
・ａ＜Ｃ＞ａ → ａ＜Ｃ＞ａ
・ａ＜Ｓ＞ａ → ａ＜Ｓ＞ａ

また、認識部４は、情報スコアと区切りスコアとを用いて、出力系列を複数の系列パターンに分けて認識する。このとき、認識部４は、複数の単語を含む単語リストから、系列パターンにより近い単語を選択することにより、系列パターンを単語に置き換えて認識してもよい。

具体的には、例えば認識部４は、単語区切り、または文区切りが検出された際に、一つ前の単語区切り、文区切り、または文頭から現在検出された区切りまでの記号列（系列パターン）を、あらかじめ用意された単語リストに存在する最も距離の近い単語に置き換える。距離の近さは、単語記号列間の編集距離で測られる。

なお、ここで用いる距離は、Ｗｏｒｄ２Ｖｅｃ（単語をベクトル表現に変換）を単語記号列に適用し、単語記号列をベクトル表現にしてから算出されてもよい。認識部４は、例えば検出された単語記号列のベクトル表現の平均ベクトルと、単語のベクトル表現の平均ベクトルとのベクトル距離などを用いてもよい。なお、検出された単語記号列と、単語リスト内の単語の距離は、これらに限定されるものではなく、その他の距離を使うこともできる。

検出された単語記号列（系列パターン）の置き換え例を以下に示す。
例）ｃｏｍｍｍｕｎｉｃａｔｉｏｎ（検出された単語記号列（ｍが１つ多い））
→ｃｏｍｍｕｎｉｃａｔｉｏｎ（単語リスト内にある単語で最も編集距離の近い単語）
＜単語リストの例＞
・ｃｏｍｍｕｎｉｃａｔｉｏｎ
・ｃｏｎｖｅｒｓａｔｉｏｎ
・ｃｏｎｖｅｒｔｅｒ
・ｃｏｎｃｅｒｔ

単語区切りが検出されたか否かの判定には、単語区切りシンボルの事後確率が、あらかじめ定められた閾値より高い場合には検出、低い場合には未検出とする。文区切りの検出についても、単語区切りの場合と同様である。

また、単語リストにある距離の近い単語候補を上位から順にいくつか出力することもできる。例えば、認識部４が、複数の単語を含む単語リストから、系列パターンに近い順に複数の単語を選択し、出力部５が、選択された複数の単語を、系列パターンの候補として出力してもよい。

また、認識部４では、スコア算出部３で得られたスコアと、ＷＦＳＴ（非特許文献４）を使って、最終出力を用いてもよい。この時、ＷＦＳＴ（Ｗｅｉｇｈｔｅｄ Ｆｉｎｉｔｅ－Ｓｔａｔｅ Ｔｒａｎｓｄｕｃｅｒ）の構築に使用される記号の連鎖モデルの単位として、記号３つ組の出現確率である記号３グラムなどを用いることができるし、単語３つ組の出現確率である単語３グラムなどを用いることもできる。このとき、最適記号系列を出力するためのモールス信号の時間範囲をファイル先頭または一つ前の文区切りと、次の文区切りに区切って最適なものを出力するようにする。ＷＦＳＴを用いてスコアの高い複数の候補を出力することもできる。

出力部４は、出力系列を複数の系列パターンに分けて出力する。

具体的には、出力部４は、例えば区切りシンボル＜Ｃ＞をスペースに置き換え、＜Ｓ＞をピリオドに置き換えることにより、出力系列を複数の系列パターンに分けて表示する。この場合、例えば小文字アルファベットとスペースとピリオドとが表示装置に表示される。また、前述の単語リストにある距離の近い単語候補を出力として受け取った場合には、表示装置に単語候補を表示することもできる。また、ＷＦＳＴを用いた複数の候補も表示することができる。なお、本出力はこれらの限定されるものではなく、表示装置に表示する以外に、テキストファイルに書き込んでもよいし、記号列を音声として出力してもよい。

図４Ａは実施形態の出力系列２０１の例を説明するための図である。空文字スコアが最も高い場合には、ここでは表示を省略する。波形２１０は、モールス信号を示す。波形２１１は、空文字スコアを示す。波形２１１は、情報スコア及び区切りスコアを示す。図４Ｂは、図４Ａの出力系列２０１に対応する表示情報の例を示す図である。図４Ｂの表示情報では、出力系列２０１に含まれる単語区切りシンボル＜Ｃ＞により、出力系列２０１が、系列パターン２０２及び系列パターン２０３に分けられて表示されている。文区切りシンボルはピリオドに置き換えられて表示される。また、「ン」のスコアが連続で４フレーム分、空文字スコアよりも高いため、「ンンンン」と４つ連続して出力されるが、間に空文字スコアが「ン」のスコアより高くなることがないため系列パターン２０２では一つの「ン」と表示される。系列パターン２０３の「ッ」、「オ」も同じである。

［認識方法の例］
図５は実施形態の認識方法の例を示すフローチャートである。はじめに、特徴量算出部２が、モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出する（ステップＳ１）。次に、スコア算出部３が、特徴量から、モールス信号に対応する情報のスコアを示す情報スコアと、モールス信号の区切りのスコアを示す区切りスコアとを算出する（ステップＳ２）。

次に、認識部４が、情報スコアと区切りスコアとを用いて、モールス信号に対応する情報と、区切りとを含む出力系列を認識する（ステップＳ３）。次に、認識部４は、出力系列を複数の系列パターンに分けて認識する（ステップＳ４）。このとき、認識部４は、複数の単語を含む単語リストから、系列パターンにより近い単語を選択することにより、系列パターンを単語に置き換えて認識してもよい。

次に、出力部５が、複数の系列パターンを含む出力系列を出力する（ステップＳ５）。

以上、説明したように、実施形態の認識装置１０では、受付部１が、モールス信号を受け付ける。特徴量算出部２が、モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出する。スコア算出部３が、特徴量から、モールス信号に対応する情報のスコアを示す情報スコアと、モールス信号の区切りのスコアを示す区切りスコアとを算出する。認識部４が、情報スコアと区切りスコアとを用いて、モールス信号に対応する情報と、区切りとを含む出力系列を認識する。そして、出力部５が、出力系列を出力する。

これにより実施形態の認識装置１０によれば、間隔に揺らぎのあるモールス信号の区切りを決定して、モールス信号を認識することができる。

具体的には、振幅の揺らぎと、間隔の揺らぎと、を有するモールス信号に、リカレントニューラルネットワークを適用することで、モールス信号の短点、長点、及び、記号区切り間隔の揺らぎを吸収する。さらに、このリカレントニューラルネットワークの出力層にモールス信号記号に対するスコアだけでなく、単語区切りシンボルのスコアを備え、単語区切りに対するスコアを算出する。これらのスコアを用いてモールス信号記号の系列スコアを算出し、最もスコアが高い記号系列を出力する。

これにより、間隔に揺らぎのあるモールス信号の復号を、意味のある単位の分かち書きで出力することができる。すなわち、間隔に揺らぎのあるモールス信号の復号と、モールス信号区切りの決定とを同時に行うことができる。従来の技術では、人が打ったモールス信号などの間隔に揺らぎのあるモールス信号に対して、モールス信号の区切りを決定する手段がなかった。

最後に、実施形態の認識装置１０のハードウェア構成の例について説明する。

［ハードウェア構成の例］
図６は実施形態の認識装置１０のハードウェア構成の例を示す図である。

認識装置１０は、制御装置３０１、主記憶装置３０２、補助記憶装置３０３、表示装置３０４、入力装置３０５及び通信装置３０６を備える。制御装置３０１、主記憶装置３０２、補助記憶装置３０３、表示装置３０４、入力装置３０５及び通信装置３０６は、バス３１０を介して接続されている。

制御装置３０１は、補助記憶装置３０３から主記憶装置３０２に読み出されたプログラムを実行する。主記憶装置３０２は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及び、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリである。補助記憶装置３０３は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、及び、メモリカード等である。

表示装置３０４は表示情報を表示する。表示装置３０４は、例えば液晶ディスプレイ等である。入力装置３０５は、コンピュータを操作するためのインタフェースである。入力装置３０５は、例えばキーボードやマウス等である。コンピュータがスマートフォン及びタブレット型端末等のスマートデバイスの場合、表示装置３０４及び入力装置３０５は、例えばタッチパネルである。通信装置３０６は、他の装置と通信するためのインタフェースである。

コンピュータで実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ、メモリカード、ＣＤ－Ｒ及びＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等のコンピュータで読み取り可能な記憶媒体に記録されてコンピュータ・プログラム・プロダクトとして提供される。

またコンピュータで実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。またコンピュータで実行されるプログラムをダウンロードさせずにインターネット等のネットワーク経由で提供するように構成してもよい。

またコンピュータで実行されるプログラムを、ＲＯＭ等に予め組み込んで提供するように構成してもよい。

コンピュータで実行されるプログラムは、上述の認識装置１０の機能構成（機能ブロック）のうち、プログラムによっても実現可能な機能ブロックを含むモジュール構成となっている。当該各機能ブロックは、実際のハードウェアとしては、制御装置３０１が記憶媒体からプログラムを読み出して実行することにより、上記各機能ブロックが主記憶装置３０２上にロードされる。すなわち上記各機能ブロックは主記憶装置３０２上に生成される。

なお上述した各機能ブロックの一部又は全部をソフトウェアにより実現せずに、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等のハードウェアにより実現してもよい。

また複数のプロセッサを用いて各機能を実現する場合、各プロセッサは、各機能のうち１つを実現してもよいし、各機能のうち２つ以上を実現してもよい。

また認識装置１０を実現するコンピュータの動作形態は任意でよい。例えば、認識装置１０を１台のコンピュータにより実現してもよい。また例えば、認識装置１０を、ネットワーク上のクラウドシステムとして動作させてもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 受付部
２ 特徴量算出部
３ スコア算出部
４ 認識部
５ 出力部
１０ 認識装置
３０１ 制御装置
３０２ 主記憶装置
３０３ 補助記憶装置
３０４ 表示装置
３０５ 入力装置
３０６ 通信装置
３１０ バス

Claims (21)

1. モールス信号を受け付ける受付部と、
   前記モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出する特徴量算出部と、
   前記特徴量から、前記モールス信号に対応する情報のスコアを示す情報スコアと、前記モールス信号の区切りのスコアを示す区切りスコアとを算出するスコア算出部と、
   前記情報スコアと前記区切りスコアとを用いて、前記モールス信号に対応する情報と、前記区切りとを含む出力系列を認識する認識部と、
   前記出力系列を出力する出力部と、
   を備える認識装置。
2. 前記スコア算出部は、前記特徴量を入力する入力層と、前記情報スコアと前記区切りスコアとを出力する出力層と、を有するリカレントニューラルネットワークを用いて、前記情報スコアと、前記区切りスコアとを算出する、
   を備える請求項１に記載の認識装置。
3. 前記スコア算出部は、前記区切りスコアが閾値より大きい場合、前記リカレントニューラルネットワークの内部状態をリセットする、
   請求項２に記載の認識装置。
4. 前記区切りスコアは、単語の区切りを示す単語区切りスコア、音節の区切りを示す音節区切りスコア、文節の区切りを示す文節区切りスコア、及び、文の区切りを示す文区切りスコアの少なくとも１つを含む、
   請求項２に記載の認識装置。
5. 前記認識部は、前記情報スコアと前記区切りスコアとを用いて、前記出力系列を複数の系列パターンに分けて認識し、
   前記出力部は、前記出力系列を前記複数の系列パターンに分けて出力する、
   請求項４に記載の認識装置。
6. 前記認識部は、複数の単語を含む単語リストから、前記系列パターンにより近い単語を選択することにより、前記系列パターンを単語に置き換えて認識する、
   請求項５に記載の認識装置。
7. 前記認識部は、複数の単語を含む単語リストから、前記系列パターンに近い順に複数の単語を選択し、
   前記出力部は、選択された複数の単語を、前記系列パターンの候補として出力する、
   請求項６に記載の認識装置。
8. モールス信号を受け付けるステップと、
   前記モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出するステップと、
   前記特徴量から、前記モールス信号に対応する情報のスコアを示す情報スコアと、前記モールス信号の区切りのスコアを示す区切りスコアとを算出するステップと、
   前記情報スコアと前記区切りスコアとを用いて、前記モールス信号に対応する情報と、前記区切りとを含む出力系列を認識するステップと、
   前記出力系列を出力するステップと、
   を含む認識方法。
9. 前記特徴量から、前記モールス信号に対応する情報のスコアを示す情報スコアと、前記モールス信号の区切りのスコアを示す区切りスコアとを算出するステップは、前記特徴量を入力する入力層と、前記情報スコアと前記区切りスコアとを出力する出力層と、を有するリカレントニューラルネットワークを用いて、前記情報スコアと、前記区切りスコアとを算出する、
   請求項８に記載の認識方法。
10. 前記区切りスコアが閾値より大きい場合、前記リカレントニューラルネットワークの内部状態をリセットするステップ、
    を更に含む請求項９に記載の認識方法。
11. 前記区切りスコアは、単語の区切りを示す単語区切りスコア、音節の区切りを示す音節区切りスコア、文節の区切りを示す文節区切りスコア、及び、文の区切りを示す文区切りスコアの少なくとも１つを含む、
    請求項９に記載の認識方法。
12. 前記認識するステップは、前記情報スコアと前記区切りスコアとを用いて、前記出力系列を複数の系列パターンに分けて認識し、
    前記出力するステップは、前記出力系列を前記複数の系列パターンに分けて出力する、
    請求項１１に記載の認識方法。
13. 前記認識するステップは、複数の単語を含む単語リストから、前記系列パターンにより近い単語を選択することにより、前記系列パターンを単語に置き換えて認識する、
    請求項１２に記載の認識方法。
14. 前記認識するステップは、複数の単語を含む単語リストから、前記系列パターンに近い順に複数の単語を選択し、
    前記出力するステップは、選択された複数の単語を、前記系列パターンの候補として出力する、
    請求項１３に記載の認識方法。
15. コンピュータを、
    モールス信号を受け付ける受付部と、
    前記モールス信号の特徴を示す特徴量を、所定のフレーム毎に算出する特徴量算出部と、
    前記特徴量から、前記モールス信号に対応する情報のスコアを示す情報スコアと、前記モールス信号の区切りのスコアを示す区切りスコアとを算出するスコア算出部と、
    前記情報スコアと前記区切りスコアとを用いて、前記モールス信号に対応する情報と、前記区切りとを含む出力系列を認識する認識部と、
    前記出力系列を出力する出力部、
    として機能させるためのプログラム。
16. 前記スコア算出部は、前記特徴量を入力する入力層と、前記情報スコアと前記区切りスコアとを出力する出力層と、を有するリカレントニューラルネットワークを用いて、前記情報スコアと、前記区切りスコアとを算出する、
    を備える請求項１５に記載のプログラム。
17. 前記スコア算出部は、前記区切りスコアが閾値より大きい場合、前記リカレントニューラルネットワークの内部状態をリセットする、
    請求項１６に記載のプログラム。
18. 前記区切りスコアは、単語の区切りを示す単語区切りスコア、音節の区切りを示す音節区切りスコア、文節の区切りを示す文節区切りスコア、及び、文の区切りを示す文区切りスコアの少なくとも１つを含む、
    請求項１６に記載のプログラム。
19. 前記認識部は、前記情報スコアと前記区切りスコアとを用いて、前記出力系列を複数の系列パターンに分けて認識し、
    前記出力部は、前記出力系列を前記複数の系列パターンに分けて出力する、
    請求項１８に記載のプログラム。
20. 前記認識部は、複数の単語を含む単語リストから、前記系列パターンにより近い単語を選択することにより、前記系列パターンを単語に置き換えて認識する、
    請求項１９に記載のプログラム。
21. 前記認識部は、複数の単語を含む単語リストから、前記系列パターンに近い順に複数の単語を選択し、
    前記出力部は、選択された複数の単語を、前記系列パターンの候補として出力する、
    請求項２０に記載のプログラム。

Images