JPH04246906A - ニューラルネットによる波形処理装置及びその設計方法 - Google Patents

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】

【０００１】

【産業上の利用分野】本発明は、デジタル信号を記録再
生・伝送する際に生じた信号劣化を除去する波形等化手
段に係り、特にニューラルネットを利用し、簡易な構成
で、かつ、高性能な波形等化装置及びその設計方法を提
供するものである。

【０００２】

【従来の技術】近年、デジタル信号による記録再生（伝
送）が盛んに利用されている。しかし、デジタル信号に
よる場合でも、媒体（伝送系）自体への記録（伝送）は
アナログ（信号）である。そして、磁気記録再生系では
ピークシフトとして知られているように、信号波形が部
分的に時間シフトして記録・再生されて劣化し、信号デ
ータである「０」「１」の判定を誤ることがある。また
、光学記録再生系でも、レンズの収差などにより、信号
の劣化（符号間干渉）が生じる。

【０００３】このようなデジタル信号の劣化は、記録再
生系（伝送系）などで頻繁に発生するものである。これ
に対して、従来では、図９に示すようなトランスバーサ
ル形フィルタによる波形等化装置が用いられていた。再
生装置からの入力信号は、遅延回路３０ａ〜３０ｄによ
り遅延された後、異なる増幅係数を有するアンプ３１ａ
〜３１ｅで増幅され，加算回路３２で加算出力されてい
た。しかし、このような波形等化装置では、十分な効果
が得られなかった。

【０００４】ここで、磁気記録再生系の信号劣化につい
て説明すると以下の通りである。図１０（Ａ）〜（Ｅ）
は磁気記録再生系に発生する信号劣化の状態を示すもの
である。これはＮＲＺ（Ｎｏｎ　Ｒｅｔｕｒｎ　ｔｏ　
Ｚｅｒｏ）符号を記録再生した場合を示している。

【０００５】同図（Ａ）のように理想的な電流で記録し
ても、実際に記録される磁化パターンは同図（Ｂ）のよ
うに劣化したものとなる。再生時には微分波形として再
生されるから理想的な電流で記録した場合には同図（Ｃ
）になり、波形の劣化はなくピークシフトも発生しない
。

【０００６】しかし、同図（Ｄ）のように劣化した信号
を再生すると、同図（Ｅ）のように、ピークシフトΔｔ
が生じた微分波形となってしまう。このように劣化して
いると、記録波形の反転（ＮＲＺ符号であるので、磁化
反転が「１」を表わす）がどこで起きたのか分からなく
なってしまい、正しい波形が再生できないこととなる。 すなわち、ｔ２　とｔ３　で反転しているにもかかわら
ず、ｔ１　とｔ４　で反転しているように判断されたり
、あるいはレベルがこの部分で低いため、反転なしと判
断されてしまう。逆にこの低いレベルを反転と見なすと
、ｔ６　だけであるべき反転がｔ５　及びｔ７　までも
反転しているように、誤った判断をしてしまうことにな
る。

【０００７】また、光学記録再生系では、もっと大きい
信号の劣化が生じる。光学記録再生系においてはレンズ
に収差があり、この収差が全て信号の劣化（符号干渉）
を生ずる原因となる。レンズの収差としては、「ザイデ
ルの５収差」と呼ばれる５種類の収差があり、その中で
も、非点収差・球面収差・コマ収差はデジタル信号に符
号間の干渉を発生させ、これを劣化させる大きな原因と
なる。さらに、光ディスクの傾きによっても光学的収差
が生じ、符号間の干渉が引起こされて、信号が劣化する
。

【０００８】図１１（Ａ）〜（Ｄ）は、光学記録再生系
に発生する信号劣化の状態を示すものである。ここでは
Ｔｍｉｎ　＝２Ｔ（最小ピットサイズがクロック周期の
２倍）の場合を示している。同図（Ａ）が原波形であっ
て、注目すべき部分Ｘ，Ｙについて説明する。

【０００９】部分Ｘでは左（時間的に前）に２Ｔ（のデ
ータ）があり、右に６Ｔ（のデータ）がある。部分Ｙで
は逆に左に６Ｔ（のデータ）が右に２Ｔ（のデータ）が
ある。光学記録再生はエネルギーによるものであり、磁
気記録再生におけるＮ極Ｓ極と言ったものに相当する逆
の要素を持たない。このため球面収差によってボケが発
生すると、同図（Ｂ）のように大きな符号長である６Ｔ
（のデータ）の周辺が太る結果となり、ｔ２　はｔ１　
にずれ、ｔ３　はｔ４　にずれてしまう。さらにコマ収
差による劣化はひどい結果をもたらす。同図（Ｃ）はコ
マ収差がディスクの回転方向と逆の方向（逆）に発生し
た場合であり、同図（Ｄ）はコマ収差がディスクの回転
方向（正）に発生した場合であり、原因によりずれ量が
異なる。

【００１０】このように光学記録再生系による読み取り
、すなわち、光ディスクのような場合ではレンズ・光学
系の収差は前述のように多く存在し、どの収差にどれほ
ど起因して符号劣化が発生したか定量的には把握できな
いので、従来の波形等化装置ではほとんど対応できなか
った。すなわち、符号の干渉程度（符号の劣化の程度）
や劣化の原因によって異なる係数値（図９に示したアン
プの増幅係数）が要求されるので一義的に定まらず、従
来のような線形な波形等化装置では対応できなかった。

【００１１】しかし、磁気記録再生系に発生した前記図
１０（Ｄ）及び（Ｅ）に示すような信号劣化の状態であ
っても、磁気記録再生系の特性やＮＲＺ符号に熟知した
経験者であれば正しく判断することができる。つまり、
反転自身は必ずペアになっており、正の反転には必ず負
の反転が続き、正負正負と続く。したがって、ｔ２　と
ｔ３　について言えば、ここで短い期間で反転したと判
断でき、この付近ではピークシフトによって実際よりも
長い期間になっていることから、反転自身はｔ１　，ｔ
４　でなくｔ２　，ｔ３　であると正しく判断できる。 また、ｔ５　，ｔ６　，ｔ７　はいずれも正でありペア
になっていないことから、ｔ６　で反転していることが
判明する。

【００１２】さらに、光学記録再生系に発生した前記図
１１（Ｂ）〜（Ｄ）に示すような信号劣化の状態であっ
ても、光学記録再生系の特性に熟知した経験者によれば
正しく判断することができる。つまり、６Ｔ（のデータ
）の傾きからコマ収差の方向とその量が分かり、その状
態をもとにして正しい反転位置を知ることができる。

【００１３】

【発明が解決しようとする課題】しかしながら、デジタ
ル信号を記録再生・伝送する際に生じた信号劣化をリア
ルタイムで除去する場合に、上記したように、経験的・
分析的にする方法では現実的解決策とはいえない。また
、前述した従来の波形等化装置では十分な性能が得られ
ず、その設計（例えば、伝送再生系に応じた増幅係数の
決定）も容易ではなかった。

【００１４】ところで、最近ではニューラルネットによ
り信号処理することが試みられている。ニューラルネッ
トは、非線形の入出力特性を有する複数の変換系が独立
した可変の重みで結ばれた結合体であり、学習により重
みが可変されて構築されるものである。ニューラルネッ
トでは、目的とする前向きの伝達動作（フィードフォワ
ード処理）と、バックプロパゲーションなどの学習動作
（フィードバック処理）との動作処理がなされ、計算機
上でのシミュレーション動作として実行されるのが一般
的である。このため、ニューラルネットによる高速な処
理動作やリアルタイムな信号処理は計算機の性能から不
可能とされ、さらに、非線形の入出力特性を有する変換
系を実際に構成するのも容易ではなかった。

【００１５】このような状況の下では、ニューラルネッ
トを利用して、上述した磁気記録再生系や光学記録再生
系の特性を学習させ、伝送再生系からの劣化したデジタ
ル信号をリアルタイムで波形等化して出力させることは
、非現実的なものとされ、まったく考えられていなかっ
た。

【００１６】そこで、本発明は、非線形の入出力特性を
有する複数の変換系が独立した重みで結ばれた結合体で
あるニューラルネットの機能と構成を、学習後の所望の
処理機能である（すなわち目的とする）前向きの伝達動
作のための機能と、学習中のバックプロパゲーションな
どの学習動作のための機能とに峻別して、その機能を実
現するのに最適な構成を別々に提供し、これにより、ニ
ューラルネットを利用して伝送再生系からの劣化したデ
ジタル信号をリアルタイムで波形等化して出力できるよ
うにしたものである。

【００１７】つまり、バックプロパゲーションなどの学
習動作（フィードバック処理）及びこれに付随する学習
中の処理（フィードフォワード処理）は、計算機上のシ
ミュレーション動作により実現して、複数の変換系間の
重みを学習により可変決定する（ソフトウェア的実行）
。この学習用の構成により、学習動作は効率的・高精度
に行なわれて良い学習結果が得られる。一方、学習後の
所望の処理機能である（目的とする）前向きの伝達動作
（フィードフォワード処理）は、オペアンプなどの汎用
のアナログ部品で構成した実体的な信号処理装置（信号
処理回路網）で構成し、かつ、複数の変換系間の重みは
固定された重みとする（ハードウェア的実行）。 この装置（回路網）に固定される重みは、前記学習によ
り決定された可変の重みを利用する。この処理用の構成
は、学習機能が不要なので、簡易であり、かつ、高速な
処理が可能である。

【００１８】この結果、ニューラルネットを利用して、
上述した磁気記録再生系や光学記録再生系の特性を予め
学習させ、伝送再生系からの劣化したデジタル信号をリ
アルタイムで波形等化して出力させることができること
となる。

【００１９】

【課題を解決するための手段】本発明は、伝送再生系か
らの劣化したデジタル信号を遅延させる手段と、非線形
の入出力特性を有する複数の変換系が独立した固定の重
みで結ばれ、かつ、この固定の重みはニューラルネット
により前記伝送再生系の特性に対して予め学習された重
みである変換手段とからなり、時間的に前後させた前記
デジタル信号を前記変換手段に入力し、前記伝送再生系
の特性に応じて、前記劣化したデジタル信号を波形等化
して出力するようにしたニューラルネットによる波形等
化装置を提供するものである。

【００２０】さらに、本発明は、伝送再生系からの劣化
したデジタル信号を遅延させる手段と、非線形の入出力
特性を有する複数の変換系が独立した固定の重みで結ば
れた変換手段とからなり、前記伝送再生系からの劣化し
たデジタル信号を波形等化して出力する波形等化装置の
設計方法であって、前記波形等化装置と等価で、かつ、
非線形の入出力特性を有する複数の変換系が独立した可
変の重みで結ばれたニューラルネットにより、前記伝送
再生系の特性に応じた前記重みを可変学習させて、前記
可変学習された重みをもとに前記変換手段の固定の重み
を設計決定するようにしたニューラルネットによる波形
等化装置の設計方法を提供するものである。

【００２１】また、本発明は、非線形の入出力特性を有
する複数の変換系が独立した重みで結ばれた結合体であ
り、被学習条件に対応した信号処理をするニューラルネ
ットにおいて、学習及びこれに付随する学習中の信号処
理ついては、可変の重みを有するニューラルネットに対
して計算機上のシミュレーション動作により実行して、
被学習条件に対応した前記可変の重みを学習させ、学習
後の所望の信号処理ついては、前記ニューラルネットと
等価で、前記学習により学習された重みをもとに決定さ
れた固定の重みを有する実体的信号処理装置として構成
して、リアルタイムで学習条件に応じた信号処理をする
ようにしたニューラルネットを提供するものである。

【００２２】

【実施例】本発明になるニューラルネットによる波形等
化装置及びその設計方法の一実施例を以下図面と共に詳
細に説明する。なお、本波形等化装置ＷＥは、図３に示
すような実体的な信号処理装置であり、図４（Ｃ）に示
すように、記録媒体（または伝送系）Ｍにより記録・伝
送されたデジタル信号を再生・受信する場合に使用され
、再生（受信）装置Ｄからの再生信号（波形劣化したデ
ジタル信号）を波形等化して出力するものである。そし
て、その設計方法は図４（Ａ）〜（Ｃ）に示す手法によ
るものである。

【００２３】（ニューラルネットＮによる波形等化処理
の基本概念）最初に、ニューラルネットによる波形等化
装置及びその設計方法の基本概念であるニューラルネッ
トＮによる波形等化処理ついて説明する。図１はニュー
ラルネット（ニューラルネットワーク）による波形等化
処理（信号処理）の概念図である。

【００２４】同図に示すように、ニューラルネットによ
る波形等化処理においては、入力信号（再生装置Ｄから
の波形劣化したデジタル信号）は、直列に接続された遅
延手段ＤＬによって所定の遅延時間が与えられて、時間
的に前後する複数の入力信号（値）がニューラルネット
Ｎに入力されるように構成されている。

【００２５】ニューラルネットＮは、例えばバックプロ
パゲーション（ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ）を
学習アルゴリズムとする層状（例えば入力層，中間層［
隠れ層］，出力層の３層）のニューラルネットであり、
可変の重みＷで結ばれた多数のユニット（ニューロン、
シナップスとも称される）の結合（体）である。ユニッ
トＵは非線形の入出力特性を有する変換系であり、ユニ
ットＵには前層からの出力値に独立した重みＷが乗算し
て得られた前層からの総和が入力され、この総和が非線
形変換されて後層に出力されている。

【００２６】ニューラルネットＮは、（既知の）入力信
号に対して出力された出力信号が教師信号と比較されて
ユニット間の結合の強さを表わす可変の重みＷが変化・
収束され、すなわち学習され、所望のニューラルネット
が構築されて波形等化機能を有するようになる。すなわ
ち、ニューラルネットＮからは、略２値データ化された
デジタル信号が最終出力される。

【００２７】（ニューラルネットＮとユニットＵの構成
）次に、ニューラルネットＮとユニットＵについて詳述
する。図１に示したニューラルネットＮは、前述したよ
うに、多数のユニット（Ｕ）によりなる入力層、中間層
、出力層などから構成した層状のニューラルネットであ
る。

【００２８】ユニットＵは脳のニューロンを工学的にモ
デル化した非線形な入出力特性を有する変換系であり、
ニューラルネットＮは可変の重みＷで結ばれた多数のユ
ニットの結合（体）である。図２は、図１に示したニュ
ーラルネットのユニット結合を示す図である。ユニット
Ｕは非線形の入出力特性、例えば入力値Ｘに対して出力
値Ｙ＝Ｆ（Ｘ）を出力する非線形関数Ｆ（Ｘ）により構
成された変換系である。入力値としては、前層の出力値
（あるいはニューラルネットへの入力値）に、独立した
可変の重みＷが乗算して得られた総和が入力されており
、この入力値が非線形変換されて後層に出力されている
。

【００２９】より詳述すれば、図２は、層状のニューラ
ルネットワークを構成する第ｎ層のｉ番目のユニット結
合を示す図であり、第ｎ層のｉ番目のユニットへの入力
値Ｘ（ｎ，ｉ）は、前層である第ｎ−１層の各ユニット
の出力値に第ｎ−１層のｊ番目と第ｎ層のｉ番目のユニ
ットとの間の結合の強さを表わす重みＷ（ｎ，ｉ，ｊ）
を掛けたものの総和となるように構成されている。そし
て、入力値Ｘ（ｎ，ｉ）は非線形関数Ｆ（Ｘ）に入力さ
れ、Ｙ（ｎ，ｉ）＝Ｆ｛Ｘ（ｎ，ｉ）｝と非線形変換さ
れて、次層のユニットに出力されるように構成されてい
る。

【００３０】前記可変の重みＷ（ｎ，ｉ，ｊ）はユニッ
ト（Ｕ）の結合の強さを表わすものであり、この重みＷ
（ｎ，ｉ，ｊ）を変化・収束させて、すなわち、学習さ
せて所望のニューラルネットが構築される。ニューラル
ネット構築の学習アルゴリズムとしては公知のバックプ
ロパケーション（ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ）
がある。すなわち、図１に示すニューラルネットＮにお
いて、入力値（入力パターン）が入力層に入力されると
、この入力値は入力層→中間層→出力層へ伝達・処理さ
れ、出力層から出力値（出力パターン）が出力される（
フィードフォワード処理）。この出力値は、それまでの
学習によって得られた重みにもとづくものである。

【００３１】これに対して望ましい出力値（教師信号）
が与えられると、出力層→中間層→入力層の順で伝達・
処理され、重みの学習がなされる（フィードバック処理
）。重みの学習とは、実際の出力値と望ましい出力値と
の差を減らすように、ユニット間の結合の強さ、すなわ
ち、重みＷ（ｎ，ｉ，ｊ）を変化・収束させることであ
る。次に、上述したニューラルネットＮによる波形等化
処理の基本概念をもとに、本発明であるニューラルネッ
トによる波形等化装置ＷＥの具体的構成（実体的信号処
理装置によるハードウェア的実行部分、すなわち、固定
の重みによる所望の信号処理）と、ニューラルネットに
よる波形等化装置の具体的設計方法（計算機によるソフ
トウェア的実行部分、すなわち、可変の重みによる予め
の学習処理）について詳述する。

【００３２】（ニューラルネットＮによる波形等化装置
ＷＥの具体的構成）本発明であるニューラルネットによ
る波形等化装置ＷＥの具体的構成（ハードウェア的実行
部分）について説明する。図３は、オペアンプ，ダイオ
ード対，抵抗などにより具体的に構成した、図１及び図
２に示したニューラルネットＮと等価な波形等化装置の
回路図である。この波形等化装置ＷＥは、固定の重みを
有する実体的な信号処理装置で、所望の信号処理（フィ
ードフォワード処理）のみを高速で実行するものであり
、学習機能を有しない簡易な回路で構成されたものであ
る。

【００３３】図３に示すように、ユニット（Ｕ）は所定
の反転増幅特性を有する汎用の反転型オペアンプ１ａ・
１ｂ，２ａ・２ｂ，３ａ・３ｂ，４ａ・４ｂと、所定の
増幅特性を有するバッファアンプ５，６，７，８，９と
、非線形の入出力特性（接合特性）を有するダイオード
対（１０，１１，１２，１３）からなる。ダイオード対
は、信号ラインと接地ラインとの間に逆方向に並列接続
されたもので、図５に示すように、ダイオードの接合特
性を利用した非線形な入出力特性を有するものである。 すなわち、異なる線形特性を有する３つの入出力領域Ｅ
１，Ｅ２　，Ｅ３　から構成された非線形の変換系とし
て動作するものである。なお、同図では、中心電位を０
とした例を示している。

【００３４】ユニット（Ｕ）間の抵抗Ｒｊｉ，Ｒｊ　（
　Ｒ１１，Ｒ２１，Ｒ３１，Ｒ４１，Ｒ５１，Ｒ１２，
Ｒ２２，Ｒ３２，Ｒ４２，Ｒ５２，Ｒ１３，Ｒ２３，Ｒ
３３，Ｒ４３，Ｒ５３，Ｒ１　，Ｒ２　，Ｒ３　）はユ
ニット間の結合の強さを表わす固定の重みとして機能す
るものである。つまり、重みＷ（２，ｉ，ｊ）は抵抗Ｒ
ｊｉに対応し、重みＷ（３，１，ｊ）は抵抗Ｒｊ　に対
応する。固定の抵抗Ｒｊｉ，Ｒｊ　の抵抗値は、後述す
る設計方法により決定される値である。

【００３５】なお、ユニット間の結合の強さを表わす重
み（係数）は、後述するように正負の値を有するが、負
の重み対しては前記反転型オペアンプを単独で使用して
（例えば、抵抗Ｒ２１　と反転型オペアンプ１ａによる
構成）信号を反転させ、正の重み対しては２つの反転型
オペアンプを直列に使用して（例えば、抵抗Ｒ３１　と
反転型オペアンプ１ｂ及び反転型オペアンプ１ａによる
構成）信号を再反転させて対応させている。１４，１５
，１６，１７は、所定の遅延時間（例えば、再生信号で
あるデジタルデータの１周期Ｔの半分であるＴ／２）を
有するディレイラインである。

【００３６】入力信号（再生装置Ｄからの波形劣化した
デジタル信号）は遅延手段（ディレイライン）１４，１
５，１６，１７によって前記所定の遅延時間が与えられ
て、（ニューラルネットの）入力層に入力されている。 時間的に前後した複数の入力波形（値）は入力層のユニ
ットＵ（１，１）〜Ｕ（１，５）である各バッファアン
プ５，６，７，８，９で増幅された後に分割されて、前
記抵抗を介して中間層のユニットへ入力されている。

【００３７】ユニットへの入力値としては、前層である
入力層の出力値が、独立した固定の重みとして機能する
抵抗Ｒｊｉ（　Ｒ１１，Ｒ２１，Ｒ３１，Ｒ４１，Ｒ５
１，Ｒ１２，Ｒ２２，Ｒ３２，Ｒ４２，Ｒ５２，Ｒ１３
，Ｒ２３，Ｒ３３，Ｒ４３，Ｒ５３）を介して重み付け
された後に、中間層のユニットＵ（２，１）〜Ｕ（２，
３）を構成するオペアンプ１ａ・１ｂ，２ａ・２ｂ，３
ａ・３ｂの反転入力端子に入力され、加算合成されてい
る。なお、オペアンプの非反転入力端子は接地されてい
る。オペアンプより（反転または再反転）増幅された入
力値は、ダイオード対１０，１１，１２により非線形変
換されて後層である出力層に出力されている。ダイオー
ド対は、前記図５に示したような非線形な入出力特性を
有するので、非線形変換がなされて出力されることとな
る。

【００３８】出力層のユニットＵ（３，１）であるオペ
アンプ４ａ（及び４ｂ），ダイオード対１３には、前記
中間層からの出力が抵抗Ｒｊ　（Ｒ１，Ｒ２　，Ｒ３）
を介して入力され、前述した中間層のユニットと同様に
、非線形変換されて出力信号（すなわち、波形等化され
たデジタル信号）としてに出力される。

【００３９】（ニューラルネットによる波形等化装置の
設計方法）次に、ニューラルネットによる波形等化装置
の設計方法（ワークステーションによるソフトウェア的
実行部分）を説明する。なお、この設計方法が対象とす
る波形等化装置（ＷＥ）は、前記図３で説明した回路で
ある。ニューラルネットによる波形等化装置の設計方法
とは、図４（Ａ）〜（Ｃ）に示す手法によって、波形等
化装置ＷＥの抵抗Ｒｊｉ，Ｒｊ　（　Ｒ１１，Ｒ２１，
Ｒ３１，Ｒ４１，Ｒ５１，Ｒ１２，Ｒ２２，Ｒ３２，Ｒ
４２，Ｒ５２，Ｒ１３，Ｒ２３，Ｒ３３，Ｒ４３，Ｒ５
３，Ｒ１　，Ｒ２　，Ｒ３　）の値（固定の重み）を、
この波形等化装置ＷＥと等価なニューラルネット（図１
に示したニューラルネットＮ）の学習により得られた重
みＷ（２，ｉ，ｊ），Ｗ（３，１，ｊ）により、すなわ
ち、学習により変化・収束した可変の重みにより具体的
に決定することである。なお、ユニット間の結合の強さ
を表わす重みは、前述したように正負の値を有するが、
負の重み対しては前記反転型オペアンプを単独で使用し
て信号を反転させ、正の重み対しては２つの反転型オペ
アンプを直列に使用して信号を再反転させて対応させて
いる。

【００４０】図４（Ａ）に示すように、再生装置Ｄによ
り再生された記録媒体Ｍｏ　からの再生信号は、Ａ／Ｄ
変換されてデジタルメモリ２０に所定のサンプリング周
期で取り込まれる。記録媒体Ｍｏ　には、学習時に利用
される既知のデジタルデータが予め記録されている。デ
ジタルメモリ２０に取り込まれたデータは、学習処理用
のワークステーション２１に転送され、後述する学習演
算処理がなされる。サンプリング周期は、学習演算処理
の間隔（後述するようには例えばデータの１周期Ｔの半
分の時間間隔Ｔ／２）に等しいか、または学習演算処理
の間隔よりも短くしてある。

【００４１】この時、再生信号は、ビットＰＬＬ（フェ
ーズロックループ）回路２２にも入力されて再生信号（
デジタルデータ）のクロックが抽出されている。抽出さ
れたクロックは逓倍回路２３で、サンプリング周期に対
応するように逓倍され、位相回路２４で位相調整された
後に、前記デジタルメモリ２０のサンプリングクロック
として入力されている。

【００４２】このように、サンプリング周期の位相は、
記録時と等しい理想的な位相ではなく、再生装置Ｄによ
って再生された現実の信号の位相に合わせている。した
がって、この取り込みデータをもとにしたワークステー
ション２１による後述する学習演算処理は、再生装置Ｄ
によって再生された現実の信号の位相（タイミング）に
合わせてなされることとなり、すなわちニューラルネッ
トは現実的な条件下で学習することとなり、結果的に精
度の良い波形等化がなされる。

【００４３】次に、図４（Ｂ）に示すように、ワークス
テーション２１によって学習演算処理がなされる。ワー
クステーション２１内には、公知のバックプロパケーシ
ョンによる学習アルゴリズムを有するニューラルネット
のシミュレーションプログラムが準備され、前記した図
３に示す具体的な（ニューラルネットによる）波形等化
装置ＷＥと等価である図１に示すニューラルネットＮに
対して学習演算処理が実行される。

【００４４】すなわち、前記再生装置Ｄによって再生さ
れデジタルメモリ２０に取り込まれてワークステーショ
ン２１に転送された取り込みデータは、波形等化装置Ｗ
Ｅと等価であるニューラルネットに入力され、この入力
信号は入力層→中間層→出力層で伝達・演算処理され、
出力層から出力信号が出力される。この出力信号は、そ
れまでの学習によって得られた重みにもとづくものであ
る。演算算出された出力信号は、教師信号（記録媒体Ｍ
ｏ　に予め記録されている既知のデジタルデータをもと
とする教師データ）と比較され、出力層→中間層→入力
層の順で伝達・演算処理され、後述する図６（Ａ）〜（
Ｃ）に示すように学習がなされる。

【００４５】学習とは、実際の出力値（出力信号）と望
ましい出力値（教師信号）との差を減らすように、ニュ
ーラルネットユニット間の結合の強さである重み（係数
）をを可変して収束させることである。

【００４６】学習させる（学習される）伝送再生系の特
性とは、データ自体の特性，記録装置の特性，再生装置
の特性，伝送ラインの特性などがあり、ニューラルネッ
トの大きさに応じて、適宜選択する。つまり、前記再生
装置Ｄによって再生されサンプリングされる取り込みデ
ータとして、種々の条件、例えば、内容の異なるデータ
，異なる記録装置により記録された記録媒体からの再生
データ，組立調整状態の異なる再生装置（実際には、再
生装置を正常な状態から調整ずれの状態とする）よる再
生データなどを使用する。このような種々の取り込みデ
ータをもとにして、所望の正解率（性能）が得られるま
で前述した学習を繰り返して、ニューラルネットＮのユ
ニット間の結合の強さを表わす重みを可変する。そして
、伝送再生系の特性を学習して収束したニューラルネッ
トＮの重みが、波形等化装置ＷＥの抵抗Ｒｊｉ，Ｒｊ　
（　Ｒ１１，Ｒ２１，Ｒ３１，Ｒ４１，Ｒ５１，Ｒ１２
，Ｒ２２，Ｒ３２，Ｒ４２，Ｒ５２，Ｒ１３，Ｒ２３，
Ｒ３３，Ｒ４３，Ｒ５３，Ｒ１　，Ｒ２　，Ｒ３　）の
値として、決定される。ニューラルネットの学習方法に
ついては、後に詳述する。

【００４７】最後に、図４（Ｃ）に示すように、具体的
に決定された抵抗値及び反転型オペアンプの有無に基づ
いて、波形等化装置ＷＥが製作されて、再生装置Ｄで再
生された一般的な記録媒体Ｍからの再生信号が波形等化
されて出力される。

【００４８】（ニューラルネットの学習方法）次に、前
記した波形等化装置の設計方法におけるニューラルネッ
トの学習について詳述する。本設計方法では学習のタイ
ミング（周期）、すなわち、学習に用いる取り込みデー
タのサンプリング点を最適化すると共に、バックプロパ
ゲーションによる学習として教師信号に最終的なデジタ
ル出力値である「０」「１」以外の中間的な値を用いて
、学習効果を高めている。図６（Ａ）〜（Ｃ）は学習過
程を説明する図である。

【００４９】学習時、図６（Ｂ）及び（Ｃ）に示すよう
に、学習は例えばデータの１周期Ｔの半分の時間間隔（
周期Ｔ／２）で実行される。前述したように、前記デジ
タルメモリ２０によるサンプリング周期の位相は、記録
時と等しい理想的な位相ではなく、再生装置Ｄによって
再生された現実の信号の位相に合わせている。よって、
この取り込みデータをもとにしたワークステーション２
１による学習演算処理は、再生装置Ｄによって再生され
た現実の信号の位相に合わせてなされる。すなわちニュ
ーラルネットは現実的な条件下で学習することとなり、
学習効果が良く、これをもとにした波形等化装置では精
度の良い波形等化がなされる。

【００５０】また、学習時、図６（Ｂ）及び（Ｃ）に示
すように、教師信号としてはデジタルデータ０に対応す
る値（信号電圧値）「０」及びデジタルデータ１に対応
する値（信号電圧値）「１」以外の値として、中間値、
例えば「０．５」を用いている。前述したように、前記
デジタルメモリ２０によるサンプリング周期は、学習の
間隔に等しいか短くしてあり、また、学習の間隔はデー
タの１周期Ｔより短く、例えば、の半分の時間間隔（周
期Ｔ／２）とされている。そして、データの反転時の間
の学習点では教師信号を「０．５　」としている。

【００５１】教師信号「０．５　」の時では、出力信号
が両極端の２値である「０」「１」ではなく、この中間
値「０．５　」との差を減らすように、結合の強さであ
る重みを変化・収束させて学習するので、ニューラルネ
ット内に連想記憶がスムーズなり、効率良く学習がなさ
れる。

【００５２】（ニューラルネットへの入力信号）上述し
たように、ニューラルネットによる波形等化においては
、入力信号（再生装置Ｄからの波形劣化したデジタル信
号）は遅延手段ＤＬ（ディレイライン９，１０，１１，
１２）によって所定の遅延時間が与えられて、時間的に
前後する複数の入力波形（値）がニューラルネットに入
力されている。このように、入力波形の時間的変化を入
力して、ニューラルネットが波形の特徴を捕まえやすく
、符号間干渉の原因を認識・連想して学習しやすくして
いるので、簡易な構成で、しかも精度の良い波形等化が
なされることとなる。

【００５３】（ニューラルネットの最終ユニットへの入
力信号）また、前記したニューラルネットによる波形等
化装置の設計方法を実施した結果、ニューラルネットの
最終ユニット（出力層）への複数の入力信号中に、実質
的に極性が逆である信号が含まれる場合では、波形等化
装置としての性能が良好であった。これは、最終ユニッ
ト（出力層）への複数の入力信号中に、実質的に極性が
逆である信号が含まれることにより、最終ユニットへの
信号では加算でなく差分となり、高域周波数が改善され
てうまい学習が可能となって、性能が向上するためであ
る。

【００５４】前述した図３の例では、中間層から出力層
のユニットへの３つ出力信号がすべて同極なので、極性
が逆である信号を含ませるように、３つの信号に対する
重みに対応する係数（これは抵抗Ｒｊ　による）中、１
個の係数の極性を他２個の極性と実質的に逆とすべく、
反転型オペアンプ４ｂで信号を反転させている。なお、
図示しないが、中間層以前での係数関係により中間層か
ら出力層のユニットへの（３つの）出力信号が実質的に
同極でない場合では、（３つの）出力信号に対する重み
に対応する係数中、１個の係数の極性を他２個の極性と
逆にする必要はなく、図３のように反転型オペアンプで
反転させる必要はない。

【００５５】（ニューラルネットを構成する非線形の変
換系）前記した図３及び図５で詳述したように、非線形
の変換系をダイオード・クリップ回路により、異なる線
形特性を有する３つの入出力領域Ｅ１　，Ｅ２　，Ｅ３
　から構成したので、回路が極めて簡易で実現が容易で
あり、かつ、学習演算処理も簡単で効率も良い。

【００５６】（具体的実験例）前記した図４（Ａ）〜（
Ｃ）に示す設計方法にもとずいて、図３に示すニューラ
ルネットによる波形等化装置ＷＥを製作した。図７（Ａ
）は本波形等化装置による波形等化の結果を示す波形写
真、図（８）（Ａ）はタイム・インターバル・アナライ
ザー（Ｔｉｍｅ　Ｉｎｔｅｒｖａｌ　Ａｎａｌｙｚｅｒ
）による等化波形の分析結果を示す図である。

【００５７】（ア）条件 ａ．記録媒体 記録媒体としては、市販のＣＤ（Ｃｏｍｐａｃｔ　Ｄｉ
ｓｋ）の２．８　倍の記録密度（トラックピッチは０．
９５μで１．６８倍の密度、線方向は１．６７倍の密度
）、線速度は２．５ｍ／ｓ（　ＣＤの約２倍速）で、光
学的に記録した。 ｂ．再生装置 光学ピックアップを使用した光学的再生装置レーザー波
長　　λ＝　６７０ｎｍ、レンズＮＡ＝　０．６ｃ．ニ
ューラルネットの学習条件 光学系のデ・フォーカス（ピンボケ），ラジアル方向正
負のコマ収差・タンジェンシャル方向正負のコマ収差の
４収差をバックプロパゲーションによって全て学習させ
た。

【００５８】（イ）比較例 図７（Ｂ）は図９に示した従来の波形等化装置による波
形等化の結果を示す波形写真、図８（Ｂ）は従来の波形
等化装置による等化波形の分析結果を示す図、図７（Ｃ
）は波形等化をしていない再生信号を示す波形写真、図
８（Ｃ）は波形等化をしていない再生信号の分析結果を
示す図である。

【００５９】（ウ）比較結果 各装置に、タンジェンシャル正方向の収差を有する再生
信号を入力して波形等化の性能を比較した。

【００６０】図７（Ａ）〜（Ｃ）から明らかなように、
本波形等化装置ＷＥによれば、再生信号の符号間干渉が
除去されて、劣化のないアイパターンが得られる。また
、図８（Ａ）〜（Ｃ）から明らかなように、タイム・イ
ンターバル・アナライザー（Ｔｉｍｅ　Ｉｎｔｅｒｖａ
ｌ　Ａｎａｌｙｚｅｒ）による等化波形の分析結果（タ
イムベース１ｎｓ，センプル数１０５　）においても、
本波形等化装置ＷＥによれば、データビットが略等間隔
で、かつ、明確に分離されており、ジッタ標準偏差ＳＤ
も小さく、極めて良好な結果が得られた。

【００６１】このように、本波形等化装置によれば、従
来対応出来なかった種々の光学的収差に起因し、多種多
様な符号間干渉により劣化したデジタル信号を正しく再
生することができる。また、その設計方法もニューラル
ネットによるので簡易、かつ、確実である。

【００６２】

【発明の効果】以上詳述したように、本発明になるニュ
ーラルネットによる波形等化装置は、伝送再生系からの
劣化したデジタル信号を遅延させる手段と、非線形の入
出力特性を有する複数の変換系が独立した固定の重みで
結ばれ、かつ、この固定の重みはニューラルネットによ
り前記伝送再生系の特性に対して予め学習された重みで
ある変換手段とからなり、時間的に前後させた前記デジ
タル信号を前記変換手段に入力し、前記伝送再生系の特
性に応じて、前記劣化したデジタル信号を波形等化して
出力するようにしたものであるから、簡易な構成で、か
つ、高速な信号処理が可能となる。したがって、デジタ
ル信号を記録再生・伝送する際に生じた信号劣化を、分
析的にリアルタイムで除去して再生することができ、従
来の波形等化装置では得られなかった性能が提供される
。

【００６３】また、本波形等化装置は入力波形の時間的
変化をニューラルネットに入力するようにしたので、ニ
ューラルネットが波形の特徴を捕まえやすく、符号間干
渉の原因を認識・連想して学習しやすくなり、簡易な構
成で、しかも精度の良い波形等化がなされる。

【００６４】本発明になるニューラルネットによる波形
等化装置の設計方法は、伝送再生系からの劣化したデジ
タル信号を遅延させる手段と、非線形の入出力特性を有
する複数の変換系が独立した固定の重みで結ばれた変換
手段とからなり、前記伝送再生系からの劣化したデジタ
ル信号を波形等化して出力する波形等化装置の設計方法
であって、前記波形等化装置と等価で、かつ、非線形の
入出力特性を有する複数の変換系が独立した可変の重み
で結ばれたニューラルネットにより、前記伝送再生系の
特性に応じた前記重みを学習させて、前記学習された重
みをもとに前記変換手段の固定の重みを設計決定するよ
うにしたものであるから、伝送再生系に応じた波形等化
装置（固定の重み）の具体的な設計決定が、極めて容易
で、かつ、確実である。したがって、種々の光学的収差
に起因し、多種多様な符号間干渉により劣化したデジタ
ル信号を正しく再生する波形等化装置を設計することが
できる。

【００６５】さらに、前記ニューラルネットを層状にす
ると共に、このニューラルネットの出力層を構成する変
換系では、前層から入力される複数の信号中に、極性の
異なる信号が含まれるようにしたニューラルネットによ
る波形等化装置では、出力層（最終ユニット）への信号
が差分となるので、高域周波数が改善されてうまい学習
が可能となり、高性能な波形等化装置となる。

【００６６】また、前記非線形の入出力特性を有する変
換系として、非線形の特性を有する半導体素子（例えば
、ダイオード対）を用いたニューラルネットによる波形
等化装置では、極めて簡易な構成で非線形の入出力特性
を有する変換系が得られるので、波形等化装置を簡易な
構成で安価に製作できる。

【００６７】さらに、前記非線形の入出力特性を有する
変換系として、異なる線形特性を有する複数の入出力領
域から構成された非線形の変換系を用いたニューラルネ
ットによる波形等化装置では、変換系として動作する回
路が極めて簡易で実現が容易であり、かつ、学習演算処
理も簡単で効率も良い。

【００６８】また、ニューラルネットによる波形等化装
置の設計方法として、前記伝送再生系の特性に応じた前
記重みの学習に際して、教師信号としては、出力される
べきデジタル信号の２値とこの２値の中間の値とを用い
たものでは、中間の値との差を減らすようにも、結合の
強さである重みを変化・収束させて学習し、ニューラル
ネット内に連想記憶がスムーズとなり効率良く学習がな
るので、高性能な波形等化装置を容易に設計できる。

【００６９】さらに、ニューラルネットによる波形等化
装置の設計方法として、前記伝送再生系の特性に応じた
前記重みの学習に際して、前記伝送再生系から実際に再
生されたデジタル信号の位相に同期するタイミングで学
習するようにしたものでは、学習は、伝送再生系からの
現実の信号の位相（タイミング）に合わせてなされるこ
ととなり、すなわちニューラルネットは現実的な条件下
で学習することとなるので、高性能な波形等化装置を容
易に設計できる。

【００７０】また、本発明になるニューラルネットは、
非線形の入出力特性を有する複数の変換系が独立した重
みで結ばれた結合体であり、被学習条件に対応した信号
処理を実行するニューラルネットにおいて、学習及びこ
れに付随する学習中の信号処理ついては、可変の重みを
有するニューラルネットに対して計算機上のシミュレー
ション動作により実行して、被学習条件に対応した前記
可変の重みを学習させ、学習後の所望の信号処理ついて
は、前記ニューラルネットと等価で、前記学習により学
習された重みをもとに決定された固定の重みを有する実
体的信号処理装置として構成して、リアルタイムで学習
条件に応じた信号処理をするようにしたものであるから
、学習動作は効率的に行なわれて良い学習結果が得られ
る、一方、所望の処理をする実体的信号処理装置は、簡
易であり、かつ、高速な処理が可能である。したがって
、このニューラルネットを利用して、磁気記録再生系や
光学記録再生系の特性などを学習させ、伝送再生系から
の劣化したデジタル信号をリアルタイムで波形等化して
出力させることができる。

【図面の簡単な説明】

【図１】本発明になるニューラルネットによる波形等化
の一実施例を示す基本概念図である。

【図２】図１に示したニューラルネットワークのユニッ
ト結合を示す図である。

【図３】ニューラルネットによる波形等化装置の具体的
な回路図であり、ハードウェア的実行をする実体的信号
装置の一例を示すものである。

【図４】ニューラルネットによる波形等化装置の設計方
法を示す図であり、ソフトウェア的実行を説明するもの
である。

【図５】ダイオード対による非線形な入出力特性を示す
図である。

【図６】ニューラルネットによる波形等化装置の設計時
における学習過程を説明する図である。

【図７】（Ａ）は本波形等化装置による波形等化の結果
を示す波形写真、（Ｂ）は図９に示した従来の波形等化
装置による波形等化の結果を示す波形写真、（Ｃ）は波
形等化をしていない再生信号を示す波形写真である。

【図８】（Ａ）は本波形等化装置による等化波形の分析
結果を示す図、（Ｂ）は図９に示した従来の波形等化装
置による等化波形の分析結果を示す図、（Ｃ）は波形等
化をしていない再生信号の分析結果を示す図である。

【図９】従来の波形等化装置示す構成図である。

【図１０】磁気記録再生系に発生する信号劣化の状態を
示すものである。

【図１１】光学記録再生系に発生する信号劣化の状態を
示すものである。

【符号の説明】

ＷＥ　　波形等化装置 Ｍｏ　　　既知の記録媒体（伝送系） Ｍ　　記録媒体（伝送系） Ｄ　　再生（受信）装置 ＤＬ　　遅延手段 Ｎ　　ニューラルネット Ｕ　　ユニット Ｗ　　可変の重み ＷＥ　　波形等化装置 Ｔ　　データの１周期時間 １ａ・１ｂ，２ａ・２ｂ，３ａ・３ｂ，４ａ・４ｂ　　
反転型オペアンプ １０，１１，１２，１３　　ダイオード対１４，１５，
１６，１７　　ディレイライン２０　　デジタルメモリ ２１　　ワークステーション ２２　　ビットＰＬＬ回路 Ｒ１１，Ｒ２１，Ｒ３１，Ｒ４１，Ｒ５１　　　中間層
の第１ユニットへの抵抗（固定の重み） Ｒ１２，Ｒ２２，Ｒ３２，Ｒ４２，Ｒ５２　　　中間層
の第２ユニットへの抵抗（固定の重み） Ｒ１３，Ｒ２３，Ｒ３３，Ｒ４３，Ｒ５３　　　中間層
の第３ユニットへの抵抗（固定の重み） Ｒ１　，Ｒ２　，Ｒ３　　最終層（のユニット）への抵
抗（固定の重み）

Claims (8)

【特許請求の範囲】
1. 【請求項１】伝送再生系からの劣化したデジタル信号を
   遅延させる手段と、非線形の入出力特性を有する複数の
   変換系が独立した固定の重みで結ばれ、かつ、この固定
   の重みはニューラルネットにより前記伝送再生系の特性
   に対して予め学習された重みである変換手段とからなり
   、時間的に前後させた前記デジタル信号を前記変換手段
   に入力し、前記伝送再生系の特性に応じて、前記劣化し
   たデジタル信号を波形等化して出力するようにしたこと
   を特徴とするニューラルネットによる波形等化装置。
2. 【請求項２】伝送再生系からの劣化したデジタル信号を
   遅延させる手段と、非線形の入出力特性を有する複数の
   変換系が独立した固定の重みで結ばれた変換手段とから
   なり、前記伝送再生系からの劣化したデジタル信号を波
   形等化して出力する波形等化装置の設計方法であって、
   前記波形等化装置と等価で、かつ、非線形の入出力特性
   を有する複数の変換系が独立した可変の重みで結ばれた
   ニューラルネットにより、前記伝送再生系の特性に応じ
   た重みを可変学習させて、前記可変学習された重みをも
   とに前記変換手段の固定の重みを設計決定するようにし
   たことを特徴とするニューラルネットによる波形等化装
   置の設計方法。
3. 【請求項３】前記ニューラルネットを層状にすると共に
   、このニューラルネットの出力層を構成する変換系では
   、前層から入力される複数の信号中に、極性の異なる信
   号が含まれるようにしたことを特徴とする請求項１記載
   のニューラルネットによる波形等化装置。
4. 【請求項４】前記非線形の入出力特性を有する変換系と
   して、非線形の特性を有する半導体素子を用いたことを
   特徴とする請求項１記載のニューラルネットによる波形
   等化装置。
5. 【請求項５】前記非線形の入出力特性を有する変換系と
   して、異なる線形特性を有する複数の入出力領域から構
   成された変換系を用いたことを特徴とする請求項１記載
   のニューラルネットによる波形等化装置。
6. 【請求項６】前記伝送再生系の特性に応じた前記重みの
   学習に際して、教師信号としては、出力されるべきデジ
   タル信号の２値と、この２値の中間の値とを用いたこと
   を特徴とする請求項２記載のニューラルネットによる波
   形等化装置の設計方法。
7. 【請求項７】前記伝送再生系の特性に応じた前記重みの
   学習に際して、前記伝送再生系から実際に再生されたデ
   ジタル信号の位相に同期するタイミングで学習するよう
   にしたことを特徴とする請求項２記載のニューラルネッ
   トによる波形等化装置の設計方法。
8. 【請求項８】非線形の入出力特性を有する複数の変換系
   が独立した重みで結ばれた結合体であり、被学習条件に
   対応した信号処理を実行するニューラルネットにおいて
   、学習及びこれに付随する学習中の信号処理ついては、
   可変の重みを有するニューラルネットに対して計算機上
   のシミュレーション動作により実行して、被学習条件に
   対応した前記可変の重みを学習させ、学習後の所望の信
   号処理ついては、前記ニューラルネットと等価で、前記
   学習により学習された重みをもとに決定された固定の重
   みを有する実体的信号処理装置として構成して、リアル
   タイムで学習条件に応じた信号処理をするようにしたこ
   とを特徴とするニューラルネット。