JPH0431979A - パターン認識装置 - 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】 産業上の利用分野 本発明は入力したパターンを認識するパターン認識装置
に関するものである。

従来の技術 従来へ　複数の多入力−出力信号処理部を回路網的に構
成したパターン認識装置の例として、そのパターンが文
字である文字認識装置としては例えば　電子情報通信学
会技術研究報告　Ｖｏｌ、　８９Ｎｏ、３２０　ＮＣ８
９−３９ｒ大規模４層ニューラルネット（ＣｏｍｂＮＥ
Ｔ）による印刷漢字認識Ｊ　（１９８９，１２，４）に
示されていも　第６図はこの従来の文字認識装置の構成
図を示すものであり、　６１は文字データから特徴パラ
メータを求める特徴抽出ｉ　　６２は特徴パラメータを
各カテゴリ群に大分類する大分類部６３は大分類部６２
の出力値（以下、適合度と呼ぶモ）から複数個のカテゴ
リ群を選ぶカテゴリ群判定Ｒ，６４はカテゴリ群判定部
６３で得られたカテゴリ群選択情報に基づいて特徴パラ
メータを細分類部６５に出力する入力信号選択眠　６５
は各カテゴリ群内で特徴パラメータを分類する細分類ｉ
　　６６はカテゴリ群判定部６３で得られた選択された
適合度と細分類部６５の出力値から識別尺度を計算する
識別関数演算Ｒ，６７は各カテゴリ群毎に得られた識別
尺度から最終的に文字を識別する文字判定部である。大
分類部６２ζよ　入力部６８と１層の多入力−出力信号
処理部６９から構成され　細分類部６５（友　入力部７
０と層構造をもち、　各層内相互の結合がなく、上位層
にのみ信号が伝搬するようにネットワーク接続された複
数の多入力−出力信号処理部７１と最上位層の複数個の
前記多入力−出力信号処理部の出力の中から最大値を選
択する最大値選択部７２から構成されも 以上のように構成された従来の文字認識装置について、
以下その動作を説明すも　スキャナ等から取り込まれた
文字データζよ　まず、特徴抽出部６１によって、　１
文字データあたりＮ個の特徴パラメータが求められる。

次番へ　　これらの特徴パラメータは　大分類部６２の
入力部６８に入力される。入力部６８は１文字あたりの
特徴パラメータ数に等しいＮ個用意されており、各多入
力−出力信号処理部６９は、　それに接続されている入
力とその接続の度合である重み係数とを掛は合わせたも
のの総和をしきい値関数で変換した後、その値を出力す
る。つまり、第６図に示す多入力−出力信号処理部６９
は、　入力部６８への入力値をＩ」、それに接続されて
いる入力とその接続の度合である重み係数をｗ＋＋（ｉ
番目の多入力−出力信号処理部と３番目の入力との結合
重み）、出力値を０１とすれば ０１　＝ｆ（Σ　Ｗｌｌ　　ＩＩ） を計算しているわけである。但し　しきい値関数ｆ　　
（Ｘ）ζ友 ｆ　　（Ｘ）　　　＝　　１　　／　　（１＋　　ｅｘ
ｐ（−Ｘ十θ））と数式的に表現できる。

ここで、重み係数についてζよ　特定の入力信号に対し
て決まった多入力−出力信号処理部が最大出力を発生ず
るように　予め学習しておく。

学習アルゴリズムＣヨ１つの入力信号が入力されると、
出力が最大となる多入力−出力信号処理部とこの近傍の
多入力−出力信号処理部が選択され　それらの多入力−
出力信号処理部に記憶されている重み係数Ｗ１１を、　
（Ｉ」−ｗ１＋）　　に比例した値で次式にしたがって
変更する。

Ｗ＋＋（ｎ＋１）　　　＝　　　Ｗｚ（ｎ）　　　十　
　α　（ｎ）（Ｉｊ　　−Ｗｚ（ｎ））ここで近傍の多
入力−出力信号処理部とＬ　　最大出力を発生する多入
力−出力信号処理部から半径Ｎ（ｎ）以内の範囲に属す
る多入力−出力信号処理部を示す。半径Ｎ（η）、α（
ｎ）はそれぞれ単調減少するように設定する。

以上のような重み係数の変更を繰り返すことにより、特
定の入力信号に対して決まった多入力−出力信号処理部
が最大出力を発生するようになり、ここで、入力文字の
カテゴリ数に対して多入力−出力信号処理部を少なく制
限すれば　互いに類似した入力文字について同一の多入
力−出力信号処理部が最大の出力を発生するようになり
、多数のカテゴリを持つ入力文字を、いくつかのカテゴ
リ群に分類することができる。

次に　カテゴリ群判定部６３（友　大分類部６２で得ら
れた適合度を大きい順に任意個選び、カテゴリ群の選択
情報とそれに対応する選択された適合度を出力する。

そして、入力信号選択部６４はカテゴリ群判定部６３で
出力されたカテゴリ群選択情報に基づいて、入力文字の
特徴パラメータをそのカテゴリ群に対応する細分類部６
５の入力部に出力すム細分類部６５の入力部７０は１文
字あたりの特徴パラメータ数に等しいＮ個用意されてお
り、各多入力−出力信号処理部７１はそれに接続されて
いる下層の多入力−出力信号処理部７１の出力とその接
続の度合である重み係数とを掛は合わせたものの総和を
しきい値開数で変換した後、その値を上層へ出力する。

また　各細分類部６５の最上位層の多入力−出力信号処
理部７１ｆｔ　　各カテゴリ群に含まれる文字のカテゴ
リ数と同じ個数に設定されも　最大値選択部７２は最上
位層の多入力−出力信号処理部７１の中で、最大出力を
発生するものを選び、この値を細分類部の出力値として
出力すム　このような構成で、各カテゴリ群内の特定の
入力文字の特徴パラメータの入力に対して、その入力文
字に対応する最上位層の多入力−出力信号処理部７１が
最大出力を発生するように　各多入力−出力信号処理部
間の重み係数を変更すれば　各カテゴリ群内で入力文字
を認識することができも このような重み変更は誤差逆伝搬法と呼ばれる学習アル
ゴリズムによって行われる。誤差逆伝搬法ニツイテＩＬ
　　例えばＩ）、　Ｅ、ラメルハート（Ｒｕｍｅｌｈａ
ｒｔ）。

Ｇ、　　Ｅ、　　ヒント：／（Ｈｉｎｔｏｎ）　　ａｎ
ｄ　　Ｒ，Ｊ、　　ウィリアムス？（ＷｉｌｌｉａｍＳ
）　による”ラーニング゛　１＋７°リセ゛ンテーシコ
ンス゛　ハ゛イ　ハ゛ツクプロへ°ケゝ−ディンク１　
エラース４　（Ｌｅａｒｎｉｎｇ　　Ｒｅｐｒｅｓｅｎ
ｔａｔｉｏｎｓ　　ｂｙ　　Ｂａｃｋ−Ｐｒｏｐａｇａ
ｔｉｎｇ　　Ｅｒｒｏｒｓ）、”ネイチｔ−（Ｎａｔｕ
ｒｅ）。

ｖｏｌ、３２３．　ｐｐ、５３３−５３６．　Ｏｃｔ、
　９．１９８６　　に示されてい４　以下、誤差逆伝搬
法の概略について説明する。誤差Ｅは最上位層の多入力
−出力信号処理部復号化部７１の出力信号ｏｋ＆望まし
い出力信号ｔｈ（これを教師信号と呼ぶ）との差からＥ
＝０．５Σ、Σｋ　（ｔｋ−ｏｋ）２によって求められ
る。Σ、は教師信号のパターン数（１画面のブロック数
）に関する総和である。

誤差Ｅを最小にする重みの値を決定することが学習の目
的であり、各多入力−出力信号処理部間の重み係数の変
更量△ｗＩ」は次式に基づいて計算する。

△ｗｚ＝　　−εａＥ／＆ｗ ここで、　εは学習レートと呼ばれる正の定数である。

以上のように重みの更新を繰り返すことにょリ、誤差を
小さくしてゆき、誤差が十分小さくなると、出力信号が
望ましい値に十分近くなったものとして、学習を終了す
４　このようにして、各カテゴリ群内の特定の文字の特
徴パラメータの入力に対して、その入力文字に対応する
最上位層の多入力−出力信号処理部７１が最大出力を発
生するようになるので、最上位層の複数個の多入力−出
力信号処理部７１の中で、最大出力を発生するものを最
大値選択部７２で選ぶことによって各カテゴリ群内で入
力文字を認識することができる。

次に　識別関数演算部６６（友　カテゴリ群判定部６３
から得られた選択された適合度と細分類部６５の出力値
から次式を用いて識別尺度を演算す（識別尺度）−（適
合度）′（出力値）ｂ但り、、　　ａ、　　ｂは実定数
とする。

最後に　文字判定部６７はカテゴリ群判定部６３で任意
個選択された各カテゴリ群に対応する各識別関数演算部
６６の出力値を比較し　それらの中で最大となる出力に
対応するカテゴリ群を選び、それに対応する細分類部で
の認識文字を最終識別文字として出力すム 発明が解決しようとする課題 しかしながら上記のような構成では、　大分類部６２で
得られた適合度は　入力文字の特徴パラメータと各カテ
ゴリ群の代表パターンとの類似度を表わす１つの尺度で
はあるものＱ　入力文字の特徴ベクトルと代表パターン
との内積値を入力とした　出力を（０，１）の範囲に制
限するしきい値関数の出力であるため艮　内積値がある
一定値以上になるとしきい値関数の特性上　似がよった
大きさの値が多く現われ　入力文字の特徴パラメータが
どのくらいの割合で各カテゴリ群に属しているかを示し
てはいない。よって、単く　適合度と細分類部の出力値
を乗算したものを最終的な識別尺度として用いると認識
率の低下を招くという課題を有している。それ故＆へ　
従来例では、　識別関数演算部６６で、適合度及び細分
類部６５から得られた出力値に各々任意の定数でべき乗
し補正した樵　乗算したものを最終的な識別尺度として
用いている力丈　これらの任意の定数を実験的に求めな
ければならないという課題を有している。

本発明はかかる点に鑑へ　入力パターンの特徴パラメー
タの各カテゴリ群に帰属する度合を求めて、これを大分
類部の出力値とすることによって、識別部で任意の定数
を実験的に求める必要がなく、認識率を向上させること
のできるパターンに’ｌｌ　ｔａ　装置を提供すること
を目的とする。

課題を解決するための手段 パターンを入力し特徴パラメータを求める特徴抽出部と
、前記特徴抽出部で得られた特徴パラメータから入力さ
れたパターンを認識するパターン認識部を具備し　前記
パターン認識部は、　類似パターンの集合から成るカテ
ゴリ群を代表する特徴パターンを各カテゴリ群ごとに備
える群辞書と、前記特徴パラメータが各カテゴリ群に属
する度合である帰属度を計算する曖昧大分類部と、前記
帰属度から複数のカテゴリ群を選択しカテゴリ群選択情
報と選択された帰属度を出力するカテゴリ群判定部と、
前記カテゴリ群選択情報に応じて前記特徴パラメータを
入力する細分類部を選択する入力信号選択部と、前記入
力信号選択部から出力された特徴パラメータと各カテゴ
リ群内に含まれるパターンとの類似度を計算する複数個
の細分類部と、前記カテゴリ群判定部から得られた選択
されたカテゴリ群の各帰属度と前記細分類部で得られた
各出力値から入力パターンの識別を行なう識別部からな
り、前記識別部は　前記カテゴリ群判定部から得られた
選択されたカテゴリ群の帰属度と前記細分類部で得られ
た各出力値との乗算を求める複数個の乗算器と、複数個
の前記乗算器の出力の中から最大値を選択することによ
って、人カバターンの識別を行なうパターン判定部を備
えたパターン認識装置を構成する。

作用 本発明は前記した構成により、特徴抽出部において入力
パターンの特徴パラメータを求敦　曖昧大分類部がカテ
ゴリ群の境界を曖昧に定めた大分類を行な（＼　人カバ
ターンの特徴パラメータが各カテゴリ群に属する帰属度
を求めも　カテゴリ群判定部が前記帰属度から複数のカ
テゴリ群を選択し　カテゴリ群選択情報を入力信号選択
部に　選択された帰属度を識別部に出力す４　入力信号
選択部は前記カテゴリ群選択情報に応じて、人カバター
ンの特徴パラメータを細分類部に出力し　細分類部は前
記特徴パラメータと各カテゴリ群内に含まれるパターン
との類似度を計算し識別部に出力すも　識別部では前記
カテゴリ群判定部から出力された選択された帰属度と細
分類部の出力値を乗算器で乗算し　これを識別尺度とし
てパターン判定部でパターンの識別を行なう。以上によ
り、識別部において、任意の定数を実験的に求める必要
がなく、大分類部で得られる選択された帰属度と細分類
部で得られる出力値を乗算するだけで、良好な識別尺度
を得ることができ、認識率を向上させることができる。

実施例 本発明の詳細な説明するに当り、認識する対象であるパ
ターンを文字とする。

第１図は本発明の実施例におけるパターン認識装置の例
としてそのパターンを文字とした文字認識装置の構成図
を示すものである。第１図において、　１は文字データ
から特徴パラメータを求める特徴抽出部　２は前記特徴
パラメータから入力文字を認識する文字認識数　３は群
辞書、　４は曖昧大分類部　５はカテゴリ群判定賑　６
は入力信号選択部　７は細分類部　８は曖昧大分類部４
及び、細分類部７の出力から最終的に文字を識別する識
別部　９は乗算ｉ　　１０は文字判定部である。第２図
は、　曖昧大分類部４の構成を具体的に示したもので、
　２０は文字の特徴パラメータを入力する入力ｉ　　２
１は特徴パラメータと群辞書３に格納されている特徴パ
ターンとの距離を計算する距離演算Ｒ，２２、２５は入
力値の逆数を計算する割算器　２３は各割算器２２の出
力の総和を求める加算器　２４は加算器２３と距離演算
部２１の出力との乗算を求める乗算器である。細分類部
７は、第３図に示すように多段の回路網構成をしており
、３０は多入力−出力信号処理区　３１は入力部３２は
最大値選択部である。前記多入力−出力信号処理部３０
の構成を具体的に示したものが第４図である。第４図に
おいて、　４０は多入力−出力信号処理部３０の入力部
　４１は入力部４０からの複数入力を重み付ける重み係
数を格納するメモリ、　４２はメモリ４１の重み係数と
入力部４０からの入力を各々掛は合わせる乗算ａ　４３
は乗算器４２の各々の出力を足し合わせる加算器４４は
加算器４３の出力を一定範囲の値に制限するしきい値処
理部である。しきい値処理部４４の入出力特性を第５図
に示す。例えば　出力を（０，Ｉ）の範囲に制限するし
きい値処理部４４の入出力特性は ｆ　　　　（Ｘ）　　　　　＝　　　１　　　／　　　
（１＋　　ｅｘｐ（−Ｘ　　十　〇　））　　　　　　
（１）と数式的に表現できる。ここで、Ｘはしきい値処
理部４４の入力である。な抵　しきい値処理部４４の人
出力特性としては上記以外のしきい値開数でもよｕ℃ 以上のように構成された文字認識装置について、以下そ
の動作を説明する。

スキャナ等から取り込まれた文字データは、　まず、特
徴抽出部１によって、　１文字データあたりＮ個の特徴
パラメータＸｋ（１≦に≦Ｎ）が求められる。

次に　特徴パラメータベクトルｘ　　　（ｘ−（Ｘ＋、
Ｘ２、・・・Ｘ５））ζよ　曖昧大分類部４の入力部２
０に入力され　距離演算部２１で、群辞書３に格納され
ている各カテゴリ群を代表する特徴パターンｖ＋（１≦
Ｊ≦Ｃ）との距離Ｄｊ（１≦Ｊ≦Ｃ）が計算される。但
Ｌｃはカテゴリ群の総数を示す。次に割算器２２で距離
Ｄｊの逆数が計算された後、前記割算器２２の各々の出
力の総和が加算器２３で求められる。次に　乗算器２４
で前記加算器２３の出力と前記距離演算部２１の出力が
乗算された後、前記乗算器２４の出力の逆数が割算器２
５で求められる。前記割算器２５の出力μｊ（１≦ｊ≦
Ｃ）を各カテゴリ群の帰属度として曖昧大分類部４から
出力する。

つまり、曖昧大分類部４では、 りテゴリ群５Ｊ（１≦ｊ≦Ｃ）に帰属する度合を次式の
行列Ｕで表わす。

（μ」１） （１≦ｊ≦ｃ、１≦ｉ≦ｎ） を計算しており、μｊを各カテゴリ群への帰属度として
出力する。

ここで、群辞書３の各カテゴリ群の代表パターンは　手
取　ファジィ　ｃ−ｍｅａｎｓクラスタリングと呼ばれ
るアルゴリズムによって構成すも　ファジィＣ−ｍｅａ
Ｔｌｓクラスタリングについて（友　例えばＪ、　　Ｃ
，へゝス９テゞフク（Ｂｅｚｄｅｋ）による”へリーン
　リコク′ニジ式ンウイスゞ　ファシゝイ　オフ″′シ
ゝエクティ７゛　ファンクシ３ン　アル丁リス９ム　（
Ｐａｔｔｅｒｎ　　Ｒｅｃｏｇｎｉｔｉｏｎ　　ｗｉｔ
ｈ　　Ｆｕｚｚｙ　　０ｂｊｅｃｔｉｖｅ　　Ｆｕｎｃ
ｔｉｏｎ　　Ａｌｇｏｒｉｔｈｍｓ）、”ブレナム（Ｐ
ｌｅｎｕｍ）　　（１９８１）に示されてい４　以下、
ファジィＣ−ｍｅａｎＳクラスタリングの概略について
説明する。いま、　Ｃ個のカテゴリ群に対して、各入力
ベクトルＸ１　（１≦ｉ≦ｎ）が各つまり、μｊ１は帰
属関数であり、これで入力Ｘがカテゴリ群Ｓ＋　に帰属
する度合が示される。このとき、次の目的関数 Ｊ＋＋（Ｕ、ｖ）−Ａ　；ｆ、　（ｐ」＋　）・ＩＩ　
ｘ＋−ｖ＋ｌｌ’を最小化する帰属度行列Ｕ９代表パタ
ーンＶが最適なりラスタリングを構成する。但Ｌｍはク
ラスタリングのあいまいさを示すパラメータで、ｍ〉１
なる実定数である。ここ”ｉ’、（６）式を極小にする
μ」１とＶＪ　は Ｄｋ１＝　ＩＩ　ｘ　＋　−ｖｋＩＩ　””−”　　　
　　　　　（８）を満たす。よって、　（７）式と（９
）式を用いて、ＵとＶの更新を繰り返すことによって、
最終的に最適なりラスタリン久　即板　最適な代表パタ
ーンを得ることができる。つまり、このようなアルゴリ
ズムによって最適な群辞書３を構成することができるの
である。

カテゴリ群判定部５は、　曖昧大分類部４から得られた
帰属度を大きい順に任意側選び、カテゴリ群の選択情報
とそれに対応する選択された帰属度を出力する。

次に　入力信号選択部６はカテゴリ群判定部５で出力さ
れたカテゴリ群選択情報に基づいて、入力文字の特徴パ
ラメータをそのカテゴリ群に対応する細分類部７の入力
部３１に出力する。

細分類部７の入力部３１は１文字あたりの特徴パラメー
タ数に等しいＮ個用意されており、各多入力−出力信号
処理部３０は第４図に示すようにそれに接続されている
下層の多入力−出力信号処理部３０の出力とメモリ４１
に記憶されているぞの接続の度合である重み係数Ｗ　Ｉ
　Ｉとを乗算器４２により掛は合わせ、前記乗算器４２
の各々の出力の総和を加算器４３で計算した後、しきい
値処理部４４で変換し　その値を上層へ出力する。っま
り、第４図に示す多入力−出力信号処理部３（Ｈ＆入力
部４０への入力値をＩＩ、それに接続されている入力と
その接続の度合である重み係数をＷ（１番目の多入力−
出力信号処理部と３番目の入力との結合重み）とすれ（
′Ｌ Ｉ＋＝ｆ（ΣｗｚＩ＋）　　　　　　（１０）を計算し
ているわけであム　各細分類部７の最上位層の多入力−
出力信号処理部３０は、　各カテゴリ群に含まれる文字
のカテゴリ数と同じ個数に設定されも　最大値選択部３
２は最上位層の多入力−出力信号処理部３０の中で、最
大出力を発生するものを選賦　この値を細分類部の出力
値として出力すム このような構成で、各カテゴリ群内の特定の入力文字の
特徴パラメータの入力に対して、その入力文字に対応す
る最上位層の多入力−出力信号処理部３０が最大出力を
発生するように　各多入力−出力信号処理部間の重み係
数を変更すれば　各カテゴリ群内で入力文字を認識する
ことができる。

このような重み変更は誤差逆伝搬法と呼ばれる学習アル
ゴリズムによって行われる。誤差逆伝搬法について４１
　　例えばり、　Ｅ、ラメルハート（Ｒｕｍｍｅｌｈａ
ｒｔ）Ｇ、　Ｅ、　ヒントン（Ｈｉｎｔｏｎ）　　ａｎ
ｄ　　Ｒ９Ｊ、　ウィリアムス’（Ｗｉｌｌｉａｍｓ）
　　によ　る”ラーニング′　リフ°リセゝンデーショ
ンスゞ　ハ゛イ　八゛７り−７”ｏへ＠ｌ’−ティフク
′　エラース’（Ｌｅａｒｎｉｎｇ　　ｒｅｐｒｅｓｅ
ｎｔａｔｉｏｎｓｂｙ　　ｂａｃｋ−ｐｒｏｐａｇａｔ
ｉｎｇ　　ｅｒｒｏｒｓ）’、　　ネイチｇ−（Ｎａｔ
ｕｒｅ）。

ｖｏｌ、３２３．　ｐｐ、５３３−５３６．　Ｏｃｔ、
９．１９８６）に示されている。以下、誤差逆伝搬法の
概略について説明すも　誤差Ｅは最上位層の多入力−出
力信号処理部復号化部３０の出力信号Ｏ２と望ましい出
力信号ｔｋ（これを教師信号と呼ぶ）との差からＥ＝０
．５Σ−Σｋ　（ｔｋ　ｏｋ）２　　　　　　（１１）
によって求められる。Σ、は教師信号のパターン数（１
画面のブロック数）に関する総和である。

誤差Ｅを最小にする重みの値を決定することが学習の目
的であり、各多入力−出力信号処理部間の重み係数の変
更量△Ｗ　ｌ　１は次式に基づいて計算する。

△ｗＩ」　＝　　　−ｔ、ａ　Ｅ／ａｗｘ　　　　　　
　（１２）ここで、　εは学習レートと呼ばれる正の定
数である。以上のように重みの更新を繰り返すことによ
り、誤差を小さくしてゆき、誤差が十分小さくなると、
出力信号が望ましい値に十分近くなったものとして、学
習を終了する。このようにして、各カテゴリ群内の特定
の文字の特徴パラメータの入力に対して、その入力文字
に対応する最上位層の多入力−出力信号処理部３０が最
大出力を発生するようになるので、最上位層の複数個の
多入力−出力信号処理部３０の中で、最大出力を発生す
るものを最大、値選択部３２で選ぶことによって各カテ
ゴリ群内で入力文字を認識することができる。

識別部８では　カテゴリ群判定部５から得られた選択さ
れた帰属度と細分類部７の出力値を乗算器９で乗算した
後、文字判定部１０て　カテゴリ群判定部５で任意個選
択された各カテゴリ群に対応する前記乗算器９の各出力
値（本発明の識別尺度）を比較し　それらの中で最大と
なる出力に対応するカテゴリ群を選び、それに対応する
細分類部７での認識文字を最終識別文字として出力する
。

このように本実施例によれ番渋　　従来の文字認識装置
の場合、大分類部６２で得られた適合度力（入力文字の
特徴パラメータがどのくらいの割合で各カテゴリ群に属
しているかを示していなかったので、文字判定部６７で
、適合度及び細分類部６５から得られた出力値に各々実
験的に求めた定数でべき乗し補正したものを最終的な識
別尺度として用いる必要があったのに対し　本実施例の
場合には　大分類を曖昧に行う曖昧大分類部４を用いて
、入力文字の特徴パラメータが各カテゴリ群に帰属する
度合いを求めているので、識別部８において、曖昧大分
類部４で得られる帰属度と細分類部７での出力値を乗算
するだけで、従来例よりも良好な識別尺度を得ることか
できる。以上により、従来例に比べて、識別部での計算
量を削減でき、かつ認識率の向上を図ることかできる。

な抵　本実施例において、曖昧大分類部４の距離演算部
２１が求める距離Ｄ＋Ｌｔ（３）式のようにユークリッ
ド距離を用いた力（下記（１３）式のようなユークリッ
ド距離をｍ乗（ｍはＯ＜ｍ〈１なる実定数）したものを
用いてもよいＬ　（１４）式のような角度を用いてもよ
（Ｘ。

Ｄ＋−１１ｘ−ｖｅｉｌ”　　　　　　　　　　（１３
）ＤＪ＝　　（ｘ　　−ｖ））／　　１ｌｘｌｌ　　・
Ｖｌｌｌ　　　（１４） また　本実施例において、曖昧大分類部４の群辞書３（
友　ファジィ　ｃ−ｍｅａｎｓクラスタリング法を用い
て構成した力ｔ　ファジィ　ｃ−ｍｅａｎｓクラスタリ
ング法におけゑ　（６）式の目的関数をとム （７）、 （８）、 （９）式を Ｄｋｊ＝ ｋ （１≦Ｊ、に≦ｃ、１≦ｉ≦ｎ） として、　（１６）、　（１８）式を用いて、ＵとＶの
更新を繰り返すことによって、最適な代表パターンを求
めるに−ｍｅａｎｓクラスタリング法等の従来のクラス
タリング法を用いて構成してもよいし従来の技術で説明
した文字認識装置へ　入力部と１層の多入力−出力信号
処理部から構成される大分類部を用いて設計してもよい
。

また　本実施例において、細分類部７は　層構造をもち
、　各層内相互の結合がなく、上位層にのみ信号が伝搬
するようにネットワーク接続された複数の多入力−出力
信号処理部３０と、最上位層の複数個の前記多入力−出
力信号処理部の出力の中から最大値を選ぶ最大値選択部
３２から構成した力丈　特徴パラメータとカテゴリ辞書
の各特徴パターンとの距離を計算する複数個の距離演算
部と、前記距離演算部の出力の逆数を計算する複数個の
割算器と、前記割算器の各出力を加算する加算器と、前
記加算器の出力と前記距離演算部の出力を乗算する複数
個の乗算器と、前記乗算器の出力の逆数を計算する複数
個の割算器によって曖昧な分類を行なう構成としてもよ
いし　入力文字の特徴パラメータとカテゴリ辞書の各特
徴パターンとの従来のパターンマツチング手法を行なう
構成としてもよ（ち 発明の効果 本発明によれば　曖昧大分類部の出力値として、入力パ
ターンの特徴パラメータが各カテゴリ群に帰属する度合
を帰属度として求められるので、識別部において、曖昧
大分類部で得られる帰属度と細分類部での出力値を乗算
するだけて　従来例よりも良好な識別尺度を得ることが
でき、認識率を向上させることかできるので、その実用
的効果は大きし■

【図面の簡単な説明】

第１図は本発明の一実施例におけるパターン認識装置の
構成を示すブロック＠　第２図は同実施例における曖昧
大分類部の構成を示すブロック図第３図は同実施例にお
ける細分類部の構成は　第４図は同実施例における多入
力−出力信号処理部の構成を示すブロック図　第５図は
同実施例におけるしきい値処理部の人出力特性医　第６
図は従来の文字認識装置の構成を示すブロック図であム
ト・・特徴抽出訊　２・・・文字認識眼　３・・・群辞
書、４・・・曖昧大分類部　５・・・カテゴリ群判定眼
　６・・・入力信号選択敵　７・・・細分類部　８・・
・識別部　９・・・乗算器　１０・・・文字判定餓　２
０・・・曖昧大分類部の入力能　２１・・・距離演算部
　２２・・・割算器２３・・・加算器　２４・・・乗算
器　２５・・・割算器　３０・・・多入力−出力信号処
理訊　３１・・・多入力−出力信号処理部の入力部　３
２・・・最大値選択部　４０・・・細分類部の入力部　
４１・・・メモリ、　４２・・・乗算器　４３・・・加
算器　４４・・・しきい値処理餓　６１・・・特徴抽出
餓　６２・・・大分類部、　６３・・・カテゴリ群判定
眼　６４・・・入力信号選択賑　６５・・・細分類部　
６６・・・識別関数演算訊　６７・・・・・・文字判定
仏　６８・・・大分類部の入力部　６９・・・大分類部
の多入力−出力信号処理区　７０・・・細分類部の入力
部　７１・・・細分類部の多入力−出力信号処理ａ７２
・・・最大値選択部 代理人の氏名　弁理士　粟野重孝　ほか１名第 図 第 図 （Ｘ） 七 尋シ

Claims (4)

【特許請求の範囲】
1. （１）パターンデータを入力し特徴パラメータを求める
   特徴抽出部と、前記特徴抽出部で得られた特徴パラメー
   タから入力されたパターンを認識するパターン認識部を
   具備し、前記パターン認識部は、類似パターンの集合か
   ら成るカテゴリ群を代表する特徴パターンを各カテゴリ
   群ごとに備える群辞書と、前記特徴パラメータが各カテ
   ゴリ群に属する度合である帰属度を計算する曖昧大分類
   部と、前記帰属度から複数のカテゴリ群を選択しカテゴ
   リ群選択情報と選択された帰属度を出力するカテゴリ群
   判定部と、前記カテゴリ群選択情報に応じて前記特徴パ
   ラメータを入力する細分類部を選択する入力信号選択部
   と、前記入力信号選択部から出力された特徴パラメータ
   と各カテゴリ群内に含まれるパターンとの類似度を計算
   する複数個の細分類部と、前記カテゴリ群判定部から得
   られた選択されたカテゴリ群の各帰属度と前記細分類部
   で得られた各出力値から入力パターンの識別を行なう識
   別部とを備え、前記識別部は、前記カテゴリ群判定部か
   ら得られた選択されたカテゴリ群の帰属度と前記細分類
   部で得られた各出力値との乗算を求める複数個の乗算器
   と、複数個の前記乗算器の出力の中から最大値を選択す
   ることによって、入力パターンの識別を行なうパターン
   判定部を備えたことを特徴とするパターン認識装置。
2. （２）曖昧大分類部は、特徴パラメータと群辞書の各特
   徴パターンとの距離を計算する複数個の距離演算部と、
   前記距離演算部の出力の逆数を計算する複数個の割算器
   と、前記割算器の各出力を加算する加算器と、前記加算
   器の出力と前記距離演算部の出力を乗算する複数個の乗
   算器と、前記乗算器の出力の逆数を計算する複数個の割
   算器を備えたことを特徴とする請求項１記載のパターン
   認識装置。
3. （３）細分類部は、層構造をもち、各層内相互の結合が
   なく、上位層にのみ信号が伝搬するようにネットワーク
   接続された複数の多入力−出力信号処理部と、最上位層
   の複数個の前記多入力−出力信号処理部の出力の中から
   最大値を選ぶ最大値選択部からなり、前記多入力−出力
   信号処理部は、複数の重み係数を保持するメモリと、複
   数のデータを入力する入力部と、前記メモリに貯えられ
   た重み係数で前記入力部からの入力データを重み付けす
   る乗算手段と、前記乗算手段で重み付けされた複数のデ
   ータを加え合わせる加算手段と、該加算手段の出力を一
   定範囲の値に制限するしきい値処理部を備えたことを特
   徴とする請求項１記載のパターン認識装置。
4. （４）細分類部は、特徴パラメータとカテゴリ辞書の各
   特徴パターンとの距離を計算する複数個の距離演算部と
   、前記距離演算部の出力の逆数を計算する複数個の割算
   器と、前記割算器の各出力を加算する加算器と、前記加
   算器の出力と前記距離演算部の出力を乗算する複数個の
   乗算器と、前記乗算器の出力の逆数を計算する複数個の
   割算器を備えたことを特徴とする請求項１記載のパター
   ン認識装置。