JPH04194999A

JPH04194999A - 学習を用いた動的計画法

Info

Publication number: JPH04194999A
Application number: JP2327785A
Authority: JP
Inventors: Shin Kamiya; 伸神谷
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1990-11-27
Filing date: 1990-11-27
Publication date: 1992-07-14
Also published as: US5581650A

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】【産業上の利用分野】

この発明は、動的計画法の改良に関する。

【従来の技術】

通常、同し人が同し単語を発声してもその長さはそのつ
ど変わり、しかも時間軸に非線形に伸縮する。ずなわぢ
、時間軸に対する不規則な８′１容歪みを有するのであ
る。そのため、例えば音声認識の際において、標準パタ
ーンと人力音声の特徴パターンとの同じ音素同士が対応
するように時間軸を仲析Ｉする必要かある。その具体的
なＴθ、おして動的ｉ−１’　１ｌｌｊｌ法（ＤＪ））
を用いることができる。Ｉ）　Ｐマツチングは、このＩ
）　Ｉ）を用いて特徴パターンと標準パターンとの時間
伸縮マツチングを行う手法であり、音声認識においては
重要な手法である。近年、発明者等は、１９■〕マツチンクを応用して個人
差による音声信号の特徴パターン変動にり・ｊ処する話
者適応化方式を提案しく中相、神谷、坂月１音声スペク
トルの時間軸・周波数軸・強度軸の同時非線形伸縮に基
づく不特定話者の中３ｇ音声の認識ゴミ子通信学会論文
誌’８１／２　Ｖｏｗ、　Ｊ　６４−　ＤＮｏ、２）、
実験によってその有効性を認識した。上記話者適応化方式は、個人差による特徴パターン変動
は主に周波数軸に対する不規則な許容歪みであることに
注目して、Ｄ　Ｐを周波数伸縮マツチングに用いた方式
である。すなわち、キーワードとして単／ｑ音／ａ／を
発声し、この母音／ａ／の定常部におけるスペク１〜ル
と標準話者の同し母音／ａ／の定常部におけるスペクＩ
・ルとを、周波数軸」−におけるＤＰマッチンクによっ
て比較する。そして、標弗話者と入力話者との母音／ａ
／のスペクトルの周を成敗１１１１Ｉ１１二のずれの方
向を検出し、この検出された中Ｉ号召／ａ／のスペクト
ルの周ｌ成敗輔１、のずれの方向を単Ｊバ認識の際の話
者適応化に利用するものである。

【発明か解決しようどする課題】

しかしながら、−Ｉ−記話者適応化方式においては、単
母音／ａ／のスペクトルの周波数軸１−のずれの方向の
みならず、そのずれの度ｆ〒いも■〕１）マツチングに
よって正規化しようとすると、個人差のみならず音韻差
まで正規化されてしまい、個人；！′−：は除去できて
も単語か認識できない場合が生じるという問題がある。そこで、この発明の［Ｉ的は、予め類似カテゴリ差を加
味して個人差等の許容歪みの範囲を学習することによっ
て、あるカテゴリに属する特徴パターンか有する許容歪
みを、類似カテゴリ差が１１：現化されることなく必要
な範囲で正規化できる動的旧画法を提供することにある
。

【課題を解決するための□手段］１−゛記目的を達成するため、この発明の学習を用いた
動的５−１画法は、学習モード時において、同一カテゴ
リに属する複数の学習パターン・ベクトルとゴー記カテ
ゴリに屈する標準パターン・ベクトルとのＤＰマツチン
グを行って最適経路を行列パターンで表した複数のＩ）
　Ｐパス行列を求め、同様に、上記カテゴリの類似カテ
ゴリに属する複数の学習パターン・ベクトルと上記カテ
ゴリに属する上記（票準パターン・ベクトルとのＤＰマ
ツチングを行って最適経路を行列パターンで表した複数
の類似パターンＤＰパス行列を求め、−に記複数のＤ　
Ｐパス行列の同一要素の値と」１記複数の類似パターン
ＤＰパス行列の対応する要素の値とから累積ＤＰパス行
列を求めるに際し、」―記ＤＰパス行列の要素の値は加
算する一方」１記類似パターンＤＰパス行列の要素の値
は減算することによって」１記累積ＤＰパス行列の各要
素の値を求め、上記累積ＤＰパス行列における各要素の
イ１ηに基づいて所定のルールに従ってパス重みを算出
し、評価モード時において、入力された評価パターン・
ベクトルと標準パターン・ベクトルとのＤ　Ｐマｙｆン
ク時ニ両ハターン・ヘクトルの要素間の距離を算出する
際に、上記要素間に対応した上記パス重みの値を用いて
単みイτｊけを行うことをｑ！ｒ徴としている。【実施例】以下、この発明を図示の実施例により詳細に説明する。第１図はこの発明に係るＩ）　Ｉ）マツチングにおける
動作手順の一実施例を示すフローチャーＩ・である。こ
のフローチャートの説明をするに先立って、本実施例で
実施する周波数伸縮１）　Ｐマツチングについて、特徴
パターンとして音声波形に基づく特徴パターンを用いた
場合を例に詳細に説明する。上記ＤＰマツチングの際に用いられる特徴パターンは次
のようにして生成される。すなわち、音声？Ｊｕ形を１
．チャンネルのフィルタ・バンクで分析し、ｌ０ｍ５（
フレーム）づつサンプリングする。各フレームにおける
Ｌチャンネルの出力値は各出力値の二乗和によって正規
化する。以下、こうして求められた各チャンネルの正規
化値からなるチャンネル系列をパワー・スペクトルと言
う。こうして求められた二つの音声波形に係るパワー・
スペク１−ルを特徴パターン・ベクトルＡおよび特徴パ
ターン・ベクトルＢとし、両特徴パターン・ベクトルに
おける各チャンネルの出力値を表す要素値を要素値ａｉ
および要素値す、ｉ（但し、１≦１５．ｊ≦Ｌ）とする
。いま、第２図に示すような特徴パターン・ベクトルＡと
特徴パターン・ベクトルＢにカ（つく平面を考える。両
パターン・ベクトル（パワー・スペクトル）の周波数の
対応付けは、この平面」二の格子点ｃ＝（ｉ、、ｉ）の
系列（パス）で表現できる。そうすると、両パターン・
ベクトル間の最適パス（以下、ＤＰパスと言う）に沿っ
た距離の総和Ｇ（以下、ＤＰスコアと言う）の値は、ｌ
）Ｐマツチングによって（１）式に示される部分和ｇ（
ｉ、　ｊ）の値を整合窓の範囲内で＋＋ｊを増加させな
がら繰り返し計算することによって求められる。（コーｇ（１，、Ｌ　）／　２Ｌノごだ　し、　ｄ（ｉ、ｊ）　　−１ａｉ−ｂ、ｉ　　
１（１）式に基づいて算出されるＤ　Ｆ）スコアのイ１
１’、ｉか′小さいほど両パターン・ベクトル間の１〕
Ｉ）パスに沿った距離の総和か小さく、両パターン・ベ
クトルは′１１〈合意の範囲内で周波数（ＩＩＩ　ｌｉ
を行−・たｊ、ｊ、ｊ　４．、によく似た形状になるパ
ターン・ベクトルであると言える。つまり、ｒ〕［〕ス
コアは両パターンが同しカテゴリに属している度合いを
表しているのである。第３図は、（１，）式にノｊ（ついて、同一カテゴリに
属する複数の学習パターンの特徴パターン・ベクトル（
学習パターン・ベタ１〜ル）のうらの１つＩ３ト」１記
カテゴリに属する杆準パターンの特徴パターン・ベクト
ル（標準パターン・ベクトル）Ａとから求められたＤＰ
スコアを与える格子Ｉ３．ｃ（Ｉ、ｊ）の系列、ずなわ
ぢＤＰパスを表現するための行列（以下、このようなり
Ｐバスを表現する行列をＩ）　Ｐパス行列、と言う）の
例を示す。このＩ）　Ｊ）パス行列は、１つのａｌに１
つのｂｊが対応する（ずなわぢ、ｇ（ｉ、、ｉ）がたた
一つ存在する）場合には、格子点ｃ（ｉ、　ｊ）に′“
２′”を与える。また、１つのａｌに２つのｂｊが対応
する（ずなわら、ｇ（ｉ、　ｊ）か二つ存在する　ｇ（
ｂ、＋＋）＝ｇ（ｉ、　ｊ２））場合には格子点Ｃ（Ｉ
Ｉ　ｊｌ）とｃ（＋、　ＪＪとにビを与え、経路−１−
にない格子点ｃ（ｉ、、ｉ）には“ｏ゛（第３図におい
Ｃは記載を省略）を与えたものである。第３図のＩ）　Ｉ）パス行列においては、“′２゛が与
えられた格子点（ｉ、　ｊ）かほぼ対角線上に数多くあ
るため、Δ、Ｂ二つのパワー・スペクトルのパターンは
周波数軸」二でよく対応付けられていると言える。第４図は第３図と同様にして、上記カテゴリの類似カテ
ゴリに属する複数の学習パターン・ベクトルのうぢの１
つＢ′と上Ｓ己カテゴリに属する」１記標準パターン・
ベクトルＡとから求められたＤＰババス列（類似パター
ンＤＰパス行列）を示す。この場合、類似パターンＤＰパス行列においても′“２
″が与えられた格子点（ｉ、Ｄがほぼ対角線上に数多く
あるため、△、Ｂ′二つのパワー・スペクトルのパター
ンも周波数軸」−でよ・く対応付けられていると言える
。このことは、１３．Ｂ°二つのパワー・スペクトルのパ
ターンも周波数軸上で対応イ；１けられることを意味す
る。そのため、単純にに記カテゴリに属する−に記標準
パターン・ハク１〜ルを用いて人力音戸Ｉθシの特徴パ
ターン・ベクトルを評価した場合、−１，記ノツチコリ
に属するような評価対象の１１１徴パターン・　・ベク
トルの属するカテゴリか一１〕記類似カテゴリテあると
評価されてしまう場合か生ずるのである。ところで、」二連のように、同し音素カテゴリに属する
特徴パターン・ベクトルてあっ−Ｃち、話考によって周
波数軸」二における許容歪みを有している。ところか、
個人差による周波数軸」−の許容歪みを正規化するため
にｌ）　ｌ）マツチングにおける整合窓の範囲を必要以
」―に大きくすると、−に二連のように音韻差までか正
規化されてしまうのである。一方、第３図と第４図とに示すように、ある篇素カテゴ
リに属するパワー・スペクトルとその類似音素カテゴリ
に属するパワー・スペクトルとが周波数軸」二でよく対
応（：ｊけられる場合には、Ｉ）ｌ）−ンノチングにお
ける整合窓の範囲を必要以上に大きくしなくとも音韻差
か正規化される場合がある。そこで、この発明においては、同じカテゴリに属する種
々の特徴パターン・ベクトルとそのカテゴリを代表する
標準パターン・ベクトルとにおけるＤＰパス行列の出現
範囲と、Ｊ１記カテゴリの類似カテゴリに属する種々の
特徴パターン・ベクトルト」二Ｍ己カテゴリの−」二３
己標埠、パターン・ベクトルとにおける類似パターンＤ
Ｐパス行列の出現範囲とを予め学習しておく（学習モー
ド）。そして、評価すべき特徴パターン・ベクトルと上
記標準パターン・ベクトルとのＤＰマツチングを行う際
には、両パターン・ベクトルの要素間の距離に対して学
習結果に基つく補正を行って、周波数軸を非線形に伸縮
させる場合の伸縮方向と伸縮範囲とを自動的に設定する
のである（評価モード）。以下、学習モードおよび評価
モードについて詳細に述へる。学賀汚：リ− 標準話者から得られたある音素のパワー・スペクトルを
標準パターン・ベクトルＡとする一方、複数話者から得
られた１−記音素と同一の＋３素のパワー・スペクトル
の１つを学習パターン・ベクトルＢとする。そして、標
準パターン・ベクトルΔと学習パターン・ベクトル■３
とのＤＰマツチングを実施してＤＰパス行列を求める。次に、学習パターン・ベクトルＢを順次更新してＤ　Ｉ
）マツチングを実施し、得られた全Ｄ　Ｐパス行列にお
ける同一要素の値を加算することによって全１？ｊ’ｊ
　ｒｒに関する累積１）　Ｐパス行列を求める。さらに、複数話者から得られた」―記音素の類似音素の
パワー・スペク１ヘルの１つを学習パターン・ベクトル
Ｂ′とする。そして、」４述と同様に、学習パターン・
ベクトルＢ”を順次更新しなから上記標準パターン・ヘ
タ１〜ルＡと学習パターン・ベクトルＢ゛とのＤ　Ｐマ
ツチングを実施して類似パターンＤＰパス行列を求め、
得られた類似パターンＤＰパス行列の各要素の値を累積
Ｄ　Ｐパス行列の対応する要素の値から減算することに
よって累積■）Ｉ〕パス行列における各要素の値を更新
する。第５図はこうして求められた累積１）　Ｉ）パス行列−
１１＝の−例である。このような累積１）　Ｐパス行列におけ
る゛′正′”の高い値を有する格子点ｃ（ｉ、　ｊ）は
、同一音素に属する複数話者の特徴パターン・ベクトル
とその音素の標準パターン・ベクトルとのＤ　Ｐマツチ
ングにおいて得られるＩ）　Ｐパスが頻繁に通過する格
子点（以下、頻出格子点と言う）であると言うことがで
きる。これに対して、゛負°”の値を有する格子点（ｉ
、、ｉ）は、−に記音素の類似音素に属する複数話者の
特徴パターン・ベクトルと」１記音素の標準パターン・
ベクトルとのＩ）　Ｐパス（類似ハターンＤＰパス）が
頻繁に通過する格子点（以下、類似パターン頻出格子点
と言う）であると言うことかできる。また、“Ｏ′”が
記載された格子点（ｉ、　ｊ）は、上記ＤＰパスと類似
パターン１）１）パスどが同数回通過する格子点である
。一方、実際には′０”′であるかその記載を省略した
“′空白”の格子点（ｉ、　ｊ）は、ｆ　８８　Ｄ　Ｊ
）パスと類似パターンＩ）　Ｐパスとのいずれもが通過
しない格子点であると言うことかできる。上述のように、ある音素カテゴリに属する標準パターン
・ベクトルと上記音素カチコリに属する学習パターン・
バク１−ルか周波数軸１−でよくス・Ｊ応イ」けられる
一方、」１記標準パターン・ベクトルと上記音素カテゴ
リの類（ＩＪ音音素カフコリ属する学習パターン・ハク
１ヘルとかやはり周波数軸上でよく対応付けられる場合
であっても、第３図と第４図とを比較すると、１つの８
１に２つのｌ＋ｊか対応する場合に］′”か与えられた
格子点の位置か異なるのである。したがって、複数話者
の音声波形から得られた累積Ｄ　Ｐパス行列においては
、第５図に見られるように、ＤＰパス行列と類似パター
ンＤＰパス行列との」―述の僅かな違いか頻出格子点と
類似パターン頻出格子点として強調されるのである。る。こうして、全学習パターン・ヘク）・ルと標準パターン
・ベクトルとのＤ　Ｐマツチングか終了すると、（２）
式によって累積１）　Ｉ）パス行列の各格子点毎に累積
値の平均値の逆数に相当する重み（以下、パス重みと言
う）を求める。ｐＷ（ｉ、ｊ）＝Ｍ／［１ＤＰＷ（ｉ、、ｉ）十Ｋｌ／
（Ｄｒ’Ｗ（ｉ、Ｉ）→ＤＰＷ（ｉ、　２）４・・＋１
）ＰＷ（ｉ、　Ｌ）　＋１ＪＫｌ　）　　・・（２）但
し、　　　　Ｍ、定数　（Ｍ＞Ｏ）Ｌ、　Ｋ　：定数ｐＷ（ｉ、　ｊ）ニパス重みＤＰＷ（ｉ、　Ｄ　：累積ＤＰパス行列における要素値そして、得られたパス重みｐｗの値を記憶部に格納して
学習を終了する。評価モード評価対象の特徴パターンとして不特定話者の音βｆ　７
１２形からパワー・スペクトルか求められる。そして、
この評価対象の特徴パターン・ベクトル（以下、評価パ
ターン・ベクトルと言う）Ｂと学習モード時に用いられ
た各音素における標準パターン・ベクトルＡとのＤＰマ
ツチングを行う。その際に用いる漸化式を（３）式のよ
うに変更する。たたし、ｄ’　（ｉ、　ｊ）−ｄ（ｉ、　、ｊ）　＋ｐ
Ｗ（ｉ、　ｊ）すなわち、評価モード′時においては、
２つのパターン・ベクトルΔ、Ｂの要素値ａｉ、ｂ、ｉ
間の距離ｄ（ｉ。１）に対して」１記標準パターン・ベクトルＡに係るハ
ス重みｐＷ（ｉ、　ｊ）を付加するのである。その結果
、１’、ｉｊｇ累積Ｄ　ｌ）パス行列における頻出格子
点にλ、１応した格子点ｃ（ｉｋ、、ｉｌＯにおけるパ
ス重みの値ｐＷ（ｉｌ、。１ｋ）は小さいため、その格子点ｃ（ｉｋ、、ｉｋ）に
対応した両パターン・ベクトルの要素値ａｉｋ、ｂ、ｉ
ｋ間の距離は遠ざけられることはない。ところか、頻出
格子点以外の格子点ｃ（ｉ　ｌ＋　ｊｌ）におけるパス
重みｐＷ（ｉ　ｉｔ　ｊ　１）の値は大きいため、その
格子点ｃ（ｉｌ、ｊｌ）に対応した両パターン・ベクト
ルの要素値ａｉｌ、ｂｊ１間の距離は遠ざけられるので
ある。特に、類似パターン頻出格子点に対応した格子点
ｃ（ｉｍ、　箱）におけるパス重みの値ｐＷ　（１ｌｌ
ｌ＋　ｊ　ｍ）は極端に小さいため、その格ｒ点ｃ　（
ｌ　ｌｉｔ　ｊ　ｍ）に対応した両パターン・ベクトル
の要素値ａｉｍ、ｂｊｍ間の距離は極端に遠ざけられる
のである。こうすることによって、評価モード時のＤＰマツチング
におけるＤＰパスが頻出格子点に向かって近（：Ｉけら
れて、評価パターン・ベクトルか有する周波数ψ＋ｌ＋
Ｊ：の許容歪みか正規化されるのである。その際に、」１記評価モード時のＤＰマツチングにおけ
るＤＰパスは類似パターン頻出格子点から確実に遠ざけ
られて、ある音素カテゴリに属する評価パターン・ベク
トルか有する周波数軸上の許容歪みか類似音素カテゴリ
側に正規化されることがないのである。以下、」−述の
ようなパス重みｐｗを用いたＪ）Ｐマツチングを虫み４
＝ｊけＤＰマツチングと言う。その際に、上記頻出格子点の系列から成る頻出１）Ｐパ
スがある幅を有している場合には、評価モード時におけ
るＤＰパスがその頻出１）Ｐパス帯内に修正されること
になる。したがって、評価モード時におけるＤＰマツチ
ングの整合窓か必要以」二に大きく設定されて、同一カ
チコリに属さない評価パターン・ヘク！・ルと標準パタ
ーン・ベクトルとに係るＤＰパスが頻出ＤＰパス帯外の
格子点に設定されることか回避できるのである。ずなわ
ぢ、頻出ＤＰパス帯の範囲か取りも直さず周波数軸」−
の許容歪みを正規化する範囲であると言うことかでき、
頻出Ｄ＋）パス帯によって、周波数軸上の許容歪みの正
規化の度合いか、類似ノコチコリ差も正規化されてしま
われないように自動的に設定されることになる。また、
評価モード時における［月）パスの修正は常に頻出Ｄ　
Ｉ−）パス帯側に向かって修正されるので、周波数軸」
−の許容歪みの正規化の方向も自動的に設定されること
になる。ｌ二連のことから、」―記頻出１）ｌ）パス帯の範囲を
どのように設定するかが重要になる。この頻出［）Ｉ〕
パス帯の範囲は、上述の学習モード時において、いかに
種々の形態を有する学習パターン・ベクトルを用いるか
に係っている。したかって、学習パターン・ベクトルを
作成する場合には、年令、性別。言語環境１発生癖等を異にする多くの話者における特徴
パターンを用いればよい。以下、本実施例におけるＤＰマツチング動作手１１１ａ
を第１図のフローチャ−１・に従って説明する。第１図はある１つの音素に対する学習あるいは評価に関
するフローチャー１・である。ステ、プＳｌで、処理モードか学習モードであるか否か
か判別される。その結果学習モードであればステップＳ
２に進み、評価モードであればステップＳ２１に進む。ステップＳ２で、学習パターン数１）に“ビかセットさ
れる。ステップＳ３で、対象どなる？［）素におけるｐ番１−
１の学習パターン・ベクトル１３ｐか読み出さる。ステップＳ４で、対象となる音素の標準パターン・ベク
トルΔが読み出される。ステップＳ５で、上記ステップＳ３およびステップＳ４
において読み出された学習パターン・ペクト／ｌ／　Ｂ
　ｐ　ト＋Ｍ　準ハターン・ヘクトル△とのＤＰマツチ
ングか実行される。ステップＳ６で、−に記文テップＳ５におけるＤ　Ｉ）
マツチングによって得られるｌ）　Ｐパスに基づいてＤ
Ｐパス行列が作成される。ステップＳ７で、累積Ｄ　Ｐパス行列の各要素値が更新
される。ステップＳ８で、学習パターン数１）に′１゛′か加算
される。ステップＳ９で、学習パターンＭｐか全学習パターン数
Ｐになったか百かか判別される。その結末全学習パター
ン・ベクトルに対するＩ）　Ｉ）マツチングか終了して
いればステップＳ１０に進め、また終了していなければ
ステップＳ３に戻って次の学習パターン・ベクトル対す
る処理に入る。ステップ１０〜ステップＳ１．７で、上記ステップ８２
〜ステップＳ９と同様にしＣ，Ｉ−記文・Ｊ象となるｒ
’ｆ＋素のり、ａ似音素（Ｑ個）の学習パターン・ベク
トルＩ３”ｑと一］−記対象となる音素の一］二記標準
パターン・ベクトルＡとのＤＰマツチングから類似パタ
ーンＩ）　１．）パス行列が作成される。そして、類似
パターンｌ）■〕パス行列の要素の値によって上記累積
ＤＰパス行列の各要素の値の更新か行われる。そうした
後ステップＳＩ８に進む。ステップＳ］８で、上記ステップＳＩ５において求めら
れた累積ＤＰパス行列に基づいて、（２）式によってパ
ス重みｐＷか算出される。ステップＳＩ９で、上記ステップＳ１８において算出さ
れたパス重みｐｗか記憶部に格納され、り・ｊ象となる
音素に対する学習を終了する。ステップＳ２］て、評価パターン・ベクトルが入力され
る。ステップＳ２２て、ある音素の標準パターン・ベクトル
か読み出される。ステップＳ２３で、」−８己ステップ５１９（こおいて
記憶部に格納された上記標準パターン・ベクトルと同し
音素に係るパス重みｐＷか読み出される。 □ステップＳ２４て、上記ステ・ツブＳ２３において読
み出されたパス重みｐＷの値を用いて、評価パターン・
ベクトルと−に記文テップＳ２２において読み出された
標準パターン・ベクトルとの手み付けＤＰマンチングか
実行され、ＤＰパスアが算出される。そして、算出されたＤＰパスアが出力されて評価パター
ン・ベクトルに対する評価を終了する。このように、本実施例においては、まず学習モードにお
いて、複数話者から得られた同一カテゴリニ属スる学習
パターン・ベクトルと上記カテゴリに属する標準パター
ン・ベクトルとのＤＰマ、。チングを行い、ｔυ数のｌ）　Ｐパス行列を求める。そ
して、各ＤＰパス行列の同一要素における値を加算して
累積ＤＰパス行列を求める。次に、−上記ｈチコリの類
似カテゴリに属する学習パターン・ベクトルと上記カテ
ゴリに屈する標ｉｆ、ｌｉパターン・ベクトルとのＤＰ
マツチングを行い、複数のｉｒｊ似パターンＤＰパス行
列を求める。そして、類似パターンＤＰパス行列の各要
素の値を累１ｉ！Ｊ　Ｉ）　Ｐパス行列における対応す
る要素の値から減算して、累積ＤＰパス行列の要素の値
を更新する。こうして、総ての学習パターン・ベクトル
に対するＩ）　Ｐマ。チングが終了すると、累積１）　Ｐパス行列の要素値に
基ついてパス重みｐＷを算出する。 −一方、Ｍ’Ｐ価モードにおいて、入力された評価パタ
ーン・ベクトルとあるカテゴリに属する標ｄ、！；パタ
ーン・ベクトルとに対して、そのカテゴリに係るパス重
みｐＷによって両パターン・ベクトルの要素間の距離に
重み付けを行う重みイ・ｊけＤ　Ｐマツチングか実行さ
れる。その結果、評価モード時におけるＤＰパスの格子
点か、学習モード′によって得し、れた累積Ｉ〕１）バ
ス１１列におけるＶＭｉ似パターン頻出格子点から遠ざ
けられる一方頻出格子点に向かって修正されるのである
。また、学習モード時において、類似カテゴリに属する学
習パターンを含む種々の学習パターンを用いて上記頻出
格子点から成る類１−旧）ｌ）パスかある幅を有するよ
うに学習すれば、頻出ＤＰパス帯外に対応する両パター
ン・ベクトルの要素間の距離か遠ざけられる。その結果
、評価パターン・ベク！−ルにおける周波数軸１；の許
容歪のが頻出ＤＰパス帯の範囲で正規化されるのである
。すなわら、各カテゴリ毎に、類似カテゴリに属する学習
パターンを含む種々の学習パターンと標準パターンとの
ＤＰマソチンクによって、ＤＰパス行列上におけるＤ　
Ｉ−）パスの頻出箇所とその頻出箇所の範囲（個人差の
範囲）を予め学習すると共に、類似パターンＤＰパス行
列Ｉ−における類（ＩＪパターンＤＰパスの頻出箇所と
その頻出箇所の範囲（類似カテゴリ差の範囲）を予め学
する。そして、その学習結果を評価時に利用することに
よって、評価時におけるｒ）Ｐマツチングによる個人差
（周波数軸」−におけるに′ｌ許容歪）の正規化の方向
どその度合いか、類似カテゴリ差も汗、環化されてしま
わないように自動的に設定されるのである。したかって
、本実施例によれば、類似ノツチコリ；りか正規化され
ることなく個人差を必要範囲で正規化できる。上記実施例における学習動作手順のフローチャー１・に
おいて、予め記憶した学習パターンを読み出さずにその
都度入力するようにしても同等Ｘ−シ支えない。この発明にお６プるＩ）　Ｉ）マツチング動作のアルコ
リズムは、上記実施例のアルコリズムに限定されるもの
ではない。１−４記実施例における学習モードでは、まず、同一　
カテゴリに属する複数の学習パターンと−」ユ記カテゴ
リに属する標準パターンとのＩ）　Ｉ）マツチングから
ＤＰパス行列を求め、さらにこのＤ　Ｉ〕パス行列から
累積ＤＰパス行列を求める。そして、次に、上記カチコ
リの類似カテゴリに属する複数の学習パターンと上記カ
テゴリに属するに記標準パターンとのＤ　Ｐマツチング
によって求めた類似パターンＤＰパス行列の各要素の値
を用いて、−に記累積１）Ｐパス行列の各要素の値を更
新するようにしている。しかしなから、この発明におい
てはこれに限定されるものではない。例えば、同一カテゴリに属する複数の学習パターンと同
一類似カテゴリに属する複数の学習パターンを一一一〕
ずつランタム順序に提示して、−」１記カテゴリに属す
る標準パターンとｌ）　Ｉ）マツチングを実施する。そ
して、その都度得られたＤＰパス行列の各要素の値は累
積Ｄ　Ｐパス行列の対応する要素の値に加算する一方、
類似パターンＩ）　Ｉ）パス行列の各要素の値は累積Ｄ
Ｐパスの対応する要素の値から減算することによって累
積ＤＰパス行列の対応する各要素の値を更新しＣもよい
。上記実施例の説明においては、用いられるＩ）　Ｉ）マ
ツチングとして周波数伸縮マツチングを例として説明し
ているが、この発明はこれに限定されるものではない。ずなわぢ、特徴パターンが有する許容歪みの内容に応し
て、例えば時間伸縮マツチングあるいは空間位置を伸縮
する空間位置伸縮マツチング等を用いてもよい３、また
、例えは時間（１囁ｉｉマ、チングと周波数伸縮マツチ
ングとをイノ１用してもよい。上記実施例においては、人力音用波形の１１ｆ徴パター
ンを認識する場合を例に］、げて説明している。しかしなから、この発明はこれに限定されるものではな
く、文字画像の４１ｆ徴パターンを認識する際に用いて
も構わない。その際には、用いるＩ）　Ｐマツチングと
して−１−配字間伸縮マッチングを用いればよい。

【発明の効果】

以上より明らかなように、この発明の学習を用いた動的
計画法は、学習モード時においては、あるカテゴリに属
する複数の学習パターン・ムク１−ルおよび類似カテゴ
リに属する複数の学習パターン・ベクトルと上記カチコ
リに属する標準パターン・ヘクｌ−Ｊしとの１）［）マ
ツチング（こよって１Ａ己Ｔ順で累積１）Ｐパス行列を
求め、この累積Ｄ　Ｐパス行列の各要素の値に基ついて
パス重めをい出し、計画モード時において評価パターン
・ベクトルと標準パターン・ベクトルとのＤＰマツチン
グを行う際には、両パターン・ベクトルの要素間の距離
を上記パス重みの値による重み付けを行って算出するの
で、評価モード時における最適経路は上記累積Ｄ　Ｐパ
ス行列において高い値を有する要素の系列からなる頻出
最適経路に向かって修正される。すなわち、学習モード時において、類似力テフリに属す
る学習パターンを含む種々の学習パターンを用いて」１
記頻出最適経路かある幅を有するように学習しておけば
、評価モード時において、評価パターン・ベクトルが有
する許容歪みか類似カテゴリ側に向かうことなく上記頻
出最適経路帯側に向かって正しく頻出最適経路帯の範囲
で正規化されるのである。したがって、この発明によれば、種々の学習パターンを
用いて類似カテゴリ差を加味して個人差等の許容歪みの
範囲を予め学習し、その学習結果を評価時に利用して許
容歪みの正規化の度合いを類似カテゴリ差も正規化され
てしまわないように自動的に設定し、あるカテゴリに属
する特徴パターンが有する許容歪みを類似ＪＪチコリ差
か正規化されることなく必要な範囲でＩＦ現化できる。

【図面の簡単な説明】

第１図はこの発明に係る１つｒ）マッヂング動作−Ｌ順
のフローチャー１・の−・実施例を示す図、第２図はＤ
Ｐパス行列のひな型を示す図、第３図はＩ）　Ｐパス行
列の一具体例を示す図、第４図は類似パターンＤＰパス
行列の一具体例を示す図、第５図は累積ＤＰパス行列の
−・具体例を示す図である。

Claims

【特許請求の範囲】

（１）学習モード時において、同一カテゴリに属する複
数の学習パターン・ベクトルと上記カテゴリに属する標
準パターン・ベクトルとのＤＰマッチングを行って、最
適経路を行列パターンで表した複数のＤＰパス行列を求
め、同様に、上記カテゴリの類似カテゴリに属する複数の学
習パターン・ベクトルと上記カテゴリに属する上記標準
パターン・ベクトルとのＤＰマッチングを行って、最適
経路を行列パターンで表した複数の類似パターンＤＰパ
ス行列を求め、上記複数のＤＰパス行列の同一要素の値
と上記複数の類似パターンＤＰパス行列の対応する要素
の値とから累積ＤＰパス行列を求めるに際し、上記ＤＰ
パス行列の要素の値は加算する一方上記類似パターンＤ
Ｐパス行列の要素の値は減算することによって上記累積
ＤＰパス行列の各要素の値を求め、上記累積ＤＰパス行列における各要素の値に基づいて、
所定のルールに従ってパス重みを算出し、評価モード時
において、入力された評価パターン・ベクトルと標準パ
ターン・ベクトルとのＤＰマッチング時に両パターン・
ベクトルの要素間の距離を算出する際に、上記要素間に
対応した上記パス重みの値を用いて重み付けを行うこと
を特徴とする学習を用いた動的計画法。