JP7221335B2 - 無線通信装置 - Google Patents

Description

本発明は、例えばＦＭ変調方式の特定小電力無線通信無線局のための無線通信装置に関する。

例えば特許文献１において開示された無線通信機では、ノイズキャンセル機能及びスケルチ機能を有する無線通信機において、ノイズキャンセル機能が働いて聴覚上は受信感度が良いにも関わらず、スケルチ感度付近でスケルチが閉じてしまうことを抑制するために、以下の構成を開示している。

無線通信機の復調部は、周波数変換部が周波数変換したＩＦ信号を復調し、復調信号を出力する。ノイズキャンセル部は、復調信号の雑音成分を抑圧したノイズキャンセル信号を出力する。出力部は、ノイズキャンセル機能がオフの場合、復調信号を音声出力し、ノイズキャンセル機能がオンの場合、ノイズキャンセル信号を音声出力する。スケルチ制御部は、雑音信号が示す電圧値が第１のしきい値以上になると出力部の音声出力を停止し、第２のしきい値未満になると出力部の音声出力を許可する。ノイズキャンセル機能がオンの場合の第１のしきい値及び第２のしきい値は、ノイズキャンセル機能がオフの場合よりも大きいように設定されている。

図５は従来例に係る無線機１００の構成例を示すブロック図である。図５において、無線機１００は、制御部１０と、受信アンテナ１１と、受信復調部１２と、ノイズ量及び電界強度検出部１６と、ノイズスケルチによる受信音声ミュート部１７（ノイズスケルチ回路とも呼ばれる）と、音声信号増幅器１４と、スピーカ１５とを備えて構成される。

図５において、受信アンテナ１１により受信された無線信号は受信復調部１２に入力される。受信復調部１２は入力される無線信号に対して、低雑音増幅、低域周波数変換、中間周波増幅、例えばＦＭ（周波数変調）復調などの信号処理を実行することで、音声信号を復調してノイズスケルチによる受信音声ミュート部１７及び音声信号増幅器１４を介してスピーカ１５に出力する。ノイズ量及び電界強度検出部１６は、受信された無線信号のノイズ量及び電界強度を検出して制御部１０に出力する。制御部１０は、検出されたノイズ量及び電界強度に応じて、ノイズスケルチによる受信音声ミュート部１７を動作させて出力する音声信号をミュート（消音）する。具体的には、制御部１０は、電界強度が所定のしきい値未満となった場合において、ノイズ量が第１のしきい値以上になるとノイズスケルチによる受信音声ミュート部１７を動作させて音声信号の出力を停止し、第２のしきい値未満になるとノイズスケルチによる受信音声ミュート部１７を非動作状態にさせて音声信号の出力を許可する。

特許第６７３０５９１号公報

図６は図５の複数の無線機１００Ａ～１００Ｄを含む無線通信システムの動作例を示すブロック図である。図６において、無線機１００の構成をそれぞれ有する無線機１００Ａ～１００Ｄが所定の通話限界距離（カバレージエリア）内に配置され、そのうち無線機１００Ａ～１００Ｃが所定のノイズスケルチでの通話限界距離内に配置されているものとする。

従来技術に係るＦＭ変調方式の特定小電力無線通信機では、通話距離が長くなるにつれて電界強度が低下すると、無信号状態に近くなり、無信号時に出力されるホワイトノイズが受信音声に混ざり、結果としては図６における無線機１００Ｃは通話限界距離に近づくにつれて受信音声はノイズ交じりになり音声の識別が困難になる。

これらの従来技術に係る無線通信機に搭載されている一般的なノイズスケルチ回路は、このノイズをフィルタリングして整流することで、ノイズのレベルを受信機で判別して、受信音声を止めている。しかしながら、この方法の場合、ノイズ音と受信音のバランスの関係で本来受信できる音声も止めているため、図６における無線機１００Ｄは通話限界距離をセーブしている状態が従来技術に係る無線通信機の現状となる。

本発明の目的は以上の問題点を解決し、従来技術における通話距離による受信音声の劣化を対策しつつ、通話限界距離を向上させることができる無線通信装置及び無線通信システムを提供することにある。

本発明の一態様に係る無線通信装置は、受信された無線信号を音声信号に復調する受信復調部を備える無線通信装置において、
前記復調された音声信号からノイズをキャンセルするように音声信号処理を行うノイズキャンセル部を備え、
前記ノイズキャンセル部は、人間の音声の特徴パラメータを用いて学習され、前記復調された音声信号からノイズを含む非音声期間であるか否かを判定する深層学習モデル部を用いて、ノイズキャンセル処理を行う。

従って、本発明に係る無線通信装置によれば、従来技術に係るノイズスケルチ回路に代えて、深層学習モデル部を用いてノイズキャンセル処理を行うノイズキャンセル部を備えたので、従来技術における通話距離による受信音声の劣化を対策しつつ、通話限界距離を向上させることができる。

実施形態に係る無線機１の構成例を示すブロック図である。 図１のノイズキャンセル部１３の構成例を示すブロック図である。 図２の深層学習モデル部３５の構成例を示すブロック図である。 図１の複数の無線機１Ａ～１Ｄを含む無線通信システムの動作例を示すブロック図である。 従来例に係る無線機１００の構成例を示すブロック図である。 図５の複数の無線機１００Ａ～１００Ｄを含む無線通信システムの動作例を示すブロック図である。

以下、本発明に係る実施形態及び変形例について図面を参照して説明する。なお、同一又は同様の構成要素については同一の符号を付している。

図１は実施形態に係る無線機１の構成例を示すブロック図である。図１において、無線機１は無線通信装置の一例であって、受信アンテナ１１と、受信復調部１２と、ノイズキャンセル部１３と、音声信号増幅器１４と、スピーカ１５と、制御部２０と、ＰＴＴ（Push To Talk）キー２１Ａを含む操作部２１と、マイクロホン２２と、音声信号増幅器２３と、変調送信部２４と、送信アンテナ２５とを備えて構成される。

ここで、実施形態に係る無線機１は例えば特定小電力無線通信システムのための特定小電力無線局の無線通信装置の一例である。本実施形態では、無線機１はその受信部において、例えばＦＭ（周波数変調）復調又はＰＭ（位相変調）復調においてノイズ軽減で有効である図５のノイズスケルチによる受信音声ミュート部１７に代えて、ノイズキャンセル部１３を備えたことを特徴としている。また、複数の無線機１により無線通信システムを構成する。

図１において、受信アンテナ１１により受信された無線信号は受信復調部１２に入力される。受信復調部１２は、受信された無線信号を低雑音増幅、低域周波数変換、中間周波増幅等を行った後、例えばＦＭ（周波数変調）復調又はＰＭ（位相変調）復調などの所定の復調方式で音声信号に復調してノイズキャンセル部１３に出力する。ノイズキャンセル部１３は人間の音声により深層学習された深層学習モデル部３５(図３）を用いて、復調された音声信号から音声信号期間のみ当該音声信号を通過させることで、ノイズをキャンセルするように音声信号処理を行った後、処理後の音声信号を音声信号増幅器１４を介してスピーカ１５に出力する。

マイクロホン２２は入力される音声を音声信号に変換して音声信号増幅器２３を介して変調送信部２４に出力する。制御部２０は、ＰＴＴキー２１Ａがオンされたときに、変調送信部２４を動作させ、変調送信部２４は入力される音声信号に従って無線搬送波を所定の変調方式で変調した後、変調された無線搬送波である無線信号を、高域周波数変換しかつ電力増幅した後、送信アンテナ２５から送信する。

なお、本実施形態では、無線機１は送信周波数と受信周波数とが異なる同時通話方式での動作について説明したが、本発明はこれに限られず、無線機１は送信周波数と受信周波数とを同一の周波数を使用する場合は、制御部２０は、ＰＴＴキー２１Ａがオンされたときに、受信復調部１２の動作を停止させる。

次いで、図２を参照して、深層学習モデル部３５を用いた図１のノイズキャンセル部１３の構成及び動作について以下に説明する。

図２は図１のノイズキャンセル部１３の構成例を示すブロック図である。

ここで、「音素」という用語は、特定の言語において１つの単語を他の単語から区別する音の単位を意味し、「振動レート」という用語は、各秒におけるデジタル化された振動データの０と１の間の移動の数を意味し、「振動計数値（ＶＣ）」という用語は、各フレーム内のデジタル化された振動データの値の合計を意味する。また、「振動パターン」とは、時間軸に沿った所定のフレーム数ごとに算出された振動数の総和のデータ分布を意味する。深層学習モデル部３５では、異なる振動パターン、すなわち異なる振動計数値の総和（ＶＳ値）のデータ分布の違いを考慮して、ノイズキャンセル処理を行っており、振動レートは振動計数値に類似しているが、振動レートが大きいほど、振動計数値も大きくなる。

音声信号の振幅と振動レートは共に観測可能である。ノイズキャンセル部１３の特徴は、音声信号の振幅と振動率に応じて音声イベントを検出することである。また、別の特徴は、デジタル化された振動データの振動計数値の総和を、あらかじめ定義されたフレーム数分だけ計測することで、音声と、非音声／無音を区別することである。もう一つの特徴は、入力される音声信号データのストリームをその振動パターンによって異なる音素に分類することである。別の特徴は、下流の処理部をトリガするように、入力される音声信号データストリームから最初の起動音素を正しく区別することであり、それによって、処理部を含む計算システムの電力消費等の計算コストを節約することである。

図２において、ノイズキャンセル部１３は音声イベント検出を用いてノイズキャンセル処理を行うものであって、音声信号前置処理部３８と、ＡＤ変換器３９と、音声信号処理部３０とを備えて構成される。ここで、音声信号前置処理部３８は、アナログ音声信号に対して、ハイパスフィルタリング、ローパスフィルタリング、増幅又はそれらの組み合わせ等を含む、音声信号前置処理を行って、処理後のアナログ音声信号をＡＤ変換器３９に出力する。すなわち、音声信号前置処理部３８は、マイクロホン２２からの音声信号に対して、人間の音声信号の所定のレベル範囲であって、所定の帯域幅のみを通過させる。次いで、ＡＤ変換器３９は、所定の基準電圧Ｖｒｅｆ及び許容電圧Ｖａｄｍ（＜Ｖｒｅｆ）に従って、アナログ音声信号をデジタル音声信号にＡＤ変換して音声信号処理部３０の入力インターフェース３６に出力する。

本実施形態において、ＡＤ変換器３９において、基準電圧Ｖｒｅｆよりも小さい許容電圧Ｖａｄｍは、基準電圧Ｖｒｅｆと組み合わせて、第１のしきい値電圧Ｖｔｈ１（＝Ｖｒｅｆ＋Ｖａｄｍ））及び第２のしきい値電圧Ｖｔｈ２（＝Ｖｒｅｆ－Ｖａｄｍ）を形成するために使用され、ＡＤ変換器３９は、第１のしきい値電圧Ｖｔｈ１及び第２のしきい値電圧Ｖｔｈ２に基づいて、第１のしきい値電圧Ｖｔｈ１以上又は第２のしきい値電圧Ｖｔｈ２以下のノイズに対してＡＤ変換を実行せず、その間の音声信号に対してＡＤ変換を実行することで、入力されるアナログ音声信号のノイズ及び干渉を除去することができる。ここで、例えばＶｒｅｆ＝１．０Ｖ，Ｖａｄｍ＝０．０１Ｖとすると、静かな環境では振動データの振動数が少なく，音声環境では振動データの振動数が多いことが理解できる。なお、本実施形態において、「フレームサイズ」とは、各フレーム内のデジタル化された振動データに対応するサンプリングポイントの数を意味し、「音素ウィンドウＴｗ」とは、各音素の音声特徴量を収集するための時間を意味する。好ましい実施形態では、各フレームの継続時間Ｔｆは例えば０．１～１ミリ秒（ｍｓ）であり、音素ウィンドウＴｗは例えば約０．３秒である。さらに好ましい実施形態では、各フレーム内のデジタル化された振動データに対応するサンプリングポイントの数は例えば１～１６の範囲である。

音声信号を分析する場合、ほとんどの音声信号は短期間で安定しているので、通常、短期分析の方法が採用される。例えば、ＡＤ変換器３９で使用されるサンプリング周波数ｆｓが１６０００であり、各フレームの継続時間Ｔｆが１ｍｓであると仮定すると、フレームサイズはｆｓ×１／１０００＝１６サンプルポイントとなる。

図２において、音声信号処理部３０は例えばコンピュータデバイスで構成され、
（１）ノイズキャンセルなどの所定の音声信号処理を実行するＣＰＵ（Central Processing Unit）３１と、
（２）ＣＰＵ３１の基本処理を実行するオペレーティングシステム及び前記音声信号処理のプログラム、並びに当該プログラムを実行するために必要なデータ等を格納するＲＯＭ（Read Only Memory）３２と、
（３）ＣＰＵ３１の基本処理を実行するオペレーティングシステム及び前記音声信号処理のプログラムの実行時に、処理中のデータ等を格納するＲＡＭ（Read Access Memory）３３と、
（４）前記音声信号処理を実行するために必要な後述する設定データ等を格納する不揮発性のＥＥＰＲＯＭ（Electrically Erasable Programmable Memory）３４と、
（５）例えばニューラルネットワークなどで構成され、人間の音声信号データに基づいて深層学習されて入力される音声信号データに対して、ノイズを除去して実質的に音声信号のみを抽出して出力する深層学習モデル部３５と、
（６）ＡＤ変換器３９から入力される音声信号データを、後段の信号仕様値に変換するための所定の信号変換処理を行ってＣＰＵ３１に出力する入力インターフェース３６と、
（７）深層学習モデル部３５によりノイズが除去された音声信号データを、後段の信号仕様値に変換するための所定の信号変換処理を行って端子Ｔ１２、音声ラインＬ２等を介して無線機１に出力する出力インターフェース３７と、
を備えて構成される。

ここで、ＥＥＰＲＯＭ３４は例えば、一連の振動計数値ＶＣ、振動計数値の総和ＶＳ、振動計数値の総和ＶＳｆ、振動計数値の総和ＶＳｐ（後述する）、及びすべての特徴ベクトルの音声特徴値を記憶する。なお、ＥＥＰＲＯＭ３４は外部メモリなどの記憶装置であってもよい。音声信号処理部３０に適用される音声イベント検出方法は、音声イベントを捕捉するために、ＣＰＵ３１によってランタイム中に実行される。ｆｓ＝１６０００、Ｔｆ＝１ｍｓ、Ｔｗ＝０．３ｓと仮定して、音声イベント検出を実行する。

ＣＰＵ３１は、具体的には、処理対象である現在のフレーム（すなわち、１ｍｓ以内）の振動データ値の総和を計算して、振動計数値ＶＣを取得し、その後、時点Ｔｊにおける現在のフレームのＶＣ値をＥＥＰＲＯＭ３４に格納する。ここで、ｘ個のフレームの振動計数値ＶＣを加算して、時点Ｔｊにおける現在のフレームの振動計数値の総和ＶＳを得る。ｘ個のフレームには現在のフレームが含まれる。一実施形態では、ＣＰＵ３１は、時点Ｔｊにおける現在のフレームの振動計数値ＶＣと、その直前（ｘ－１）個のフレームの振動計数値の総和ＶＳｐとを加算して、時点Ｔｊにおけるｘ個のフレームの振動計数値の総和ＶＳ（＝ＶＣ＋ＶＳｐ）を得る。

なお、変形例では、ＣＰＵ３１は、時点Ｔｊにおける現在のフレームの振動計数値ＶＣ、その直後のｙ個のフレームの振動計数値の総和ＶＳｆ、及びその直前の（ｘ－ｙ－１）個のフレームの振動計数値の総和ＶＳｐを加算して、時点Ｔｊにおけるｘ個のフレームの振動計数値の総和ＶＳ（＝ＶＣ＋ＶＳｆ＋ＶＳｐ）を得るが、ｙはゼロ以上である。ＣＰＵ３１は、ＶＳ、ＶＳｆ及びＶＳｐの値をＥＥＰＲＯＭ３４に格納する。好ましい実施形態では、ｘ個のフレーム（音素ウィンドウＴｗ）の継続時間（ｘ×Ｔｆ）は、約０．３秒である。さらに好ましい実施形態では、ｘ個のフレームのデジタル化された振動データに対応するサンプリングポイントの数は、ｘ～１６ｘの範囲にある。

一般的に、音声信号データについては、同じ音素では振動計数値ＶＣの振動パターンが類似しているが、異なる音素ではＶＳ値の振動パターンが全く異なる。従って、振動計数値ＶＣの振動パターンを利用して、音素を区別することができる。特に、例えば鶏又は猫の鳴き声と、人間の音声とは、振動計数値ＶＣの周波数分布に関して全く異なり、人間の音声の振動計数値ＶＣのほとんどは４０以下に分布していることが既知である。

学習フェーズにおいて、音声信号処理部３０のＣＰＵ３１は、まず、所定の音声信号データ収集方法を複数回実行して、複数の音素に対する複数の特徴ベクトルを収集し、複数の特徴ベクトルに対応するラベルを付加して、複数のラベル付き学習例を形成する。その後、起動音素を含む異なる音素に対する複数のラベル付き学習例を、深層学習モデル部３５の学習に適用する。最後に、学習された深層学習モデル部３５（音声信号データの予測モデルを構成する）を作成して、入力される音声信号データのストリームが起動音素を含むかどうかを分類する。音声信号処理部３０の起動音素として、所定の音素が指定されている場合、深層学習モデル部３５は、少なくとも当該指定された音素を含む異なる音素についての複数のラベル付き学習例で学習される。

すなわち、学習段階では、ラベル付けされた学習例のセットを使用して深層学習モデル部３５を学習し、それによって深層学習モデル部３５が、ラベル付けされた学習例の各フレームの３つの音声特徴量（例えば、（ＶＳｊ，ＴＤｊ，ＴＧｊ））に基づいて、ｊ＝０～２９９の間で、所定の起動音素を認識するようにする。学習段階の終わりに、学習された深層学習モデル部３５は、当該起動音素に対応する学習されたスコアを提供し、学習されたスコアは、次に、入力される音声信号データのストリームをランタイムで分類するための基準として使用される。なお、ＶＳｊ，ＴＤｊ，ＴＧｊは以下のように定義される。
（１）ＶＳｊ：フレームｊの振動計数値の総和（ＶＳ値）；
（２）ＴＤｊ：フレームｊにおいて、ゼロではない振動計数値の総和（ＶＳ値）の時間期間；及び
（３）ＴＧｊ；フレームｊにおける、ゼロではない振動計数値の総和（ＶＳ値）間の時間ギャップ（時間隙間）。

深層学習モデル部３５を学習するために、教師付き学習に関連する様々な機械学習技術を使用することができ、例えば、サポートベクターマシン（ＳＶＭ）法、ランダムフォレスト法、畳み込みニューラルネットワーク法などを利用できる。教師付き学習では、複数のラベル付けされた学習例を使用して関数計算部（すなわち、深層学習モデル部３５）が作成され、その各例は、入力特徴ベクトルとラベル付けされた出力からなる。学習されたとき、深層学習モデル部３５は、対応するスコア又は予測値を生成するために、新しいラベルのない例に適用することができる。

図３は図２の深層学習モデル部３５の詳細構成例を示すブロック図である。

深層学習モデル部３５は、例えば、図３に示すように、ニューラルネットワークを用いて実装される。ここで、ニューラルネットワークは、１つの入力層４１と、少なくとも１つであり好ましくは複数の中間層４２と、１つの出力層４３を含む。入力層４１には３つの入力ニューロン５１，５２，５３があり、各入力ニューロン５１，５２，５３は、特徴ベクトルの各フレームの３つのオーディオ特徴値（すなわち、ＶＳｊ，ＴＤｊ，ＴＧｊ）に対応する。また、中間層４２は、各入力ニューロン５１，５２，５３に関連する重み係数と各ニューロンのバイアス係数を有するニューロン６１～７４で構成される。学習フェーズのサイクルを通じて中間層４２の各ニューロン６１～７４の重み係数とバイアス係数を変更することにより，ニューラルネットワークを学習して，所定の種類の入力に対する予測値を報告するようにすることができる。さらに、出力層４３は、音素に対応する１つの予測値（具体的には、音声期間であるか、ノイズを含む非音声期間であるかを示す）を提供する１つの出力ニューロン８１を含む。

以上説明したように、前記ノイズキャンセル部において、深層学習モデル部３５は、人間の音声の特徴パラメータを用いて学習され、入力される音声信号からノイズを含む非音声期間であるか否かを判定する。そして、音声信号処理部３０のＣＰＵ３１は、深層学習モデル部３５の前記判定に基づいて、入力される音声信号からノイズを含む非音声期間を通過させないようにノイズキャンセル処理を行って、前記ノイズキャンセル処理後の音声信号を出力する。ここで、深層学習モデル部３５は、人間の音声の特徴パラメータを入力とし、入力される音声信号からノイズを含む非音声期間であるか否かを判定する判定結果を出力とする、図３のニューラルネットワークにより構成される。

図４は図１の複数の無線機１Ａ～１Ｄを含む無線通信システムの動作例を示すブロック図である。図４において、無線機１の構成をそれぞれ有する無線機１Ａ～１Ｄが所定の通話限界距離（カバレージエリア）内に配置され、そのうち無線機１Ａ～１Ｃが所定のノイズスケルチでの通話限界距離内に配置されているものとする。

図４に示すように、復調した音声信号をスピーカ１５に出力する前段でノイズキャンセル部１３に通すことによって、無信号に近くなってきた際のホワイトノイズが無くなり、図４における無線機１Ｃは通話限界距離に近づいていっても受信音声はクリアな音声を保ち続ける。また、従来のノイズスケルチ回路の代わりに、深層学習モデル部３５を利用するノイズキャンセル部１３を用いてノイズキャンセルすることで、無信号状態のノイズの出力を停止させる（又は軽減させる）ことにより、本来受信できる音声信号も出力停止させることが無い。従って、図４における無線機１Ｄは限界通話距離ギリギリまで受信された音声信号を出力でき、ノイズスケルチ回路に比べて通話距離を延ばすことが可能となる。

以上詳述したように、本発明に係る無線通信装置によれば、従来のノイズスケルチ回路の代わりに、深層学習モデル部３５を利用するノイズキャンセル部１３を用いてノイズキャンセルすることで、従来技術における通話距離による受信音声の劣化を対策しつつ、通話限界距離を向上させることができる。

１，１Ａ～１Ｄ 無線機
１１ 受信アンテナ
１２ 受信復調部
１３ ノイズキャンセル部
１４ 音声信号増幅器
１５ スピーカ
１６ ノイズ量及び電界強度検出部
１７ ノイズスケルチによる受信音声ミュート部
２０ 制御部
２１ 操作部
２１Ａ ＰＴＴキー
２２ マイクロホン
２３ 音声信号増幅器
２４ 変調送信部
２５ 送信アンテナ
３０ 音声信号処理部
３１ ＣＰＵ
３２ ＲＯＭ
３３ ＲＡＭ
３４ ＥＥＰＲＯＭ
３５ 深層学習モデル部
３６ 入力インターフェース
３７ 出力インターフェース
３８ 音声信号前置処理部
３９ ＡＤ変換器
４１ 入力層
４２ 中間層
４３ 出力層
５１～８１ ニューロン
１００，１００Ａ～１００Ｄ 無線機

Claims (5)

1. 受信された無線信号を音声信号に復調する受信復調部を備える無線通信装置において、
   前記復調された音声信号からノイズをキャンセルするように音声信号処理を行うノイズキャンセル部を備え、
   前記ノイズキャンセル部は、前記音声信号における時間軸に沿った所定のフレーム数ごとに算出された振動数である人間の音声の特徴パラメータを用いて学習され、前記振動数の総和のデータ分布を表す振動パターンに基づいて、前記復調された音声信号からノイズを含む非音声期間であるか否かを判定する深層学習モデル部を用いて、ノイズキャンセル処理を行い、
   前記ノイズキャンセル部は、前記深層学習モデル部の前記判定に基づいて、入力される音声信号からノイズを含む非音声期間を通過させないようにノイズキャンセル処理を行って、前記ノイズキャンセル処理後の音声信号を出力する音声信号処理部を備える、
   無線通信装置。
2. 前記受信された無線信号は、所定の音声信号に従って周波数変調方式又は位相変調方式で変調される、請求項１に記載の無線通信装置。
3. 前記ノイズキャンセル部は、
   前記音声信号処理部の前段に設けられ、入力される音声信号に対して、人間の音声信号の所定のレベル範囲であって、所定の帯域幅のみを通過させる音声信号前置処理部をさらに備える、請求項１又は２に記載の無線通信装置。
4. 前記深層学習モデル部は、人間の音声の特徴パラメータを入力とし、入力される音声信号からノイズを含む非音声期間であるか否かを判定する判定結果を出力とする、所定のニューラルネットワークにより構成される、請求項１～３のうちのいずれか１つに記載の無線通信装置。
5. 前記無線通信装置は、特定小電力無線通信システムのための無線通信装置である特定小電力無線局である、請求項１～４のうちのいずれか１つに記載の無線通信装置。

Images