JPH05303642A

JPH05303642A - パターン認識装置

Info

Publication number: JPH05303642A
Application number: JP4109440A
Authority: JP
Inventors: Yoshihiro Kojima; 良宏小島; Koji Yamamoto; 浩司山本; Toshiyuki Koda; 敏行香田; Susumu Maruno; 進丸野; 泰治〆木; Taiji Shimeki
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1992-04-28
Filing date: 1992-04-28
Publication date: 1993-11-16
Anticipated expiration: 2014-07-26
Also published as: JP2924442B2

Abstract

(57)【要約】【目的】入力されたパターンデータに対し階層的に認
識を行なうパターン認識装置において、高精度の認識を
行う。【構成】識別部16において、群選択部14で選択された
カテゴリ群の帰属度と細分類部入力信号選択部15から入
力パターン信号を入力された細分類部13から得られる全
ての群内類似度を乗算器17で乗算する。カテゴリ類似度
計算部18では、各カテゴリ毎に乗算器の出力値の大きい
ものを複数個選択し、これらの出力値の総和を求め、こ
れを各カテゴリの類似度として、パターン判定部19に出
力する。パターン判定部19では、各カテゴリの類似度を
用いて、入力パターン信号のカテゴリの識別及びリジェ
クトを行なう。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力されたパターンデ
ータの認識を行う装置に関するものである。

【０００２】

【従来の技術】従来の、入力されたパターンデータに対
して、まず大分類を行って入力データが属するカテゴリ
群を選択し、次に選択されたカテゴリ群において、細分
類を行なうことによって入力データの認識を行なうパタ
ーン認識装置の例としては、例えば、電子情報通信学会
論文誌Ｄ−II Vol.J75-D-II No.3 pp545-553「大規模ニ
ューラルネット”ＣｏｍｂＮＥＴ−II”」に示されてい
る。

【０００３】図１０はこの従来のパターン認識装置の構
成図を示すものであり、101 は大分類部であり、入力パ
ターン信号を各カテゴリ群に大分類するものである。10
2 は細分類部であり、入力パターン信号を各カテゴリ群
内で細分類するものである。103は群選択部であり、大
分類部101の出力値（以下、適合度と呼ぶ。）から複数
個のカテゴリ群を選択するものである。104 は細分類部
入力信号選択部であり、群選択部103 で得られる群選択
情報に基づいて入力パターン信号を入力する細分類部10
2 を選択するものである。105は識別部であり、群選択
部103で選択されたカテゴリ群の適合度と細分類部102
の出力値から入力パターン信号の識別を行なうものであ
る。

【０００４】大分類部101において、106は入力部であ
り、入力パターン信号を入力するものである。107 は多
入力一出力信号処理部であり、入力パターン信号に対す
る各カテゴリ群の適合度を計算するものである。

【０００５】細分類部102 において、108は入力部であ
り、細分類部入力信号選択部104から出力される入力パ
ターン信号を入力するものである。109 は多入力一出力
信号処理部であり、それに接続されている下層の入力部
108 、または多入力一出力信号処理部109 の出力と、そ
の連結の度合である重み係数とを各々掛け合わせて総和
したものをしきい値処理して出力するものである。ここ
では、これら複数個の多入力一出力信号処理部を層構造
を持ち、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することによって、入
力パターン信号に対するカテゴリ群内の各カテゴリに類
似する度合が求められる。110 は最大値選択部であり、
最上位層の複数個の前記多入力ー出力信号処理部の出力
の中から最大値を選択するものである。

【０００６】識別部105において、111 は類似度計算部
であり、群選択部103で選択されたカテゴリ群の適合度
と、そのカテゴリ群に対応する細分類部102 の出力値か
ら各カテゴリの類似度を計算するものである。112 はカ
テゴリ識別部であり、類似度計算部111 から得られた各
カテゴリの類似度の最大値を求めることによって、入力
パターン信号の識別を行なうものである。

【０００７】以上のように構成された従来のパターン認
識装置について、以下その動作を説明する。認識対象物
のｎ個の特徴データからなる入力パターン信号Ｘ

【０００８】

【数１】

【０００９】は、まず、大分類部101の入力部106に入力
される。入力部106 はパターンデータの特徴データ数に
等しくｎ個用意されており、各特徴データｘ_i はそれぞ
れ対応する入力部106に入力される。大分類部101の各多
入力一出力信号処理部107 は、それに接続されている入
力部101の入力ｘ_jとその連結の度合である重み係数ｖ_ij
（１≦ｉ≦ｍ_r；ｍ_rはカテゴリ群の数、１≦j≦ｎ）と
を乗算したものの総和を計算した後、これを入力パター
ン信号Ｘ及び、各多入力一出力信号処理部107 の重み係
数ベクトルＶ_i

【００１０】

【数２】

【００１１】のノルム｜Ｘ｜、｜Ｖ_i｜の積で割り算し
たものを出力する。つまり、図１０に示す重み係数ベク
トルＶ_iをもつ多入力一出力信号処理部107の出力値sim
(Ｘ，Ｖ _i)は、

【００１２】

【数３】

【００１３】と表わすことができる。なお、重み係数ベ
クトルＶ_i については、類似した入力パターン信号に対
して決まった多入力一出力信号処理部が最大出力を発生
するように、予め設計しておく。

【００１４】これらの重み係数ベクトルＶ_i は、従来例
によると、以下のような手法で設計される。まず第１過
程では、重み係数ベクトル設計用の入力パターン信号Ｘ
を入力する毎に、最もsim(Ｘ，Ｖ_i)の大きいＶ_Cを求め
（このとき、ＸはＶ_Cに最適整合するという。）、Ｖ_C
をＸに近づける。また、１つの重み係数ベクトルに最適
整合する入力パターン信号がある一定数以上になった時
には、その重み係数ベクトルが担当する領域を２つに分
割する。第２過程では、重み係数ベクトル設計用の全入
力パターン信号に対して、最適整合するＶ_i を求め、そ
れが前回と変化したかどうかを調べる。そして、変更が
あれば、そのＶ_i を修正する。このとき、第１過程と同
様に、重み係数ベクトルの分裂も行なう。これを重み係
数ベクトルの修正、分裂がなくなるまで繰り返す。

【００１５】このようにして、重み係数ベクトルの設計
を行なうことによって、入力パターン信号は複数のカテ
ゴリ群に大分類される。そして、各多入力一出力信号処
理部107 の出力値は、入力パターン信号Ｘに対する各カ
テゴリ群の適合度として群選択部103 に出力される。

【００１６】群選択部103では、大分類部101で得られた
適合度の大きい順に任意個のカテゴリ群を選び、どのカ
テゴリ群が選択されたかを示す群選択情報とそれに対応
する適合度を出力する。

【００１７】群選択部103から得られる群選択情報に基
づいて、細分類入力信号選択部104は、入力パターン信
号を入力する細分類部102 を選択し、入力パターン信号
をこれらの細分類部102へ出力する。

【００１８】群選択部103で選択されたカテゴリ群に対
応する各々の細分類部102（即ち、細分類入力信号選択
部104から入力パターン信号を入力された細分類部102）
では、まず、入力部108に、入力パターン信号Ｘが入力
される。入力部108は、パターン信号の特徴データ数に
等しくＮ個用意されており、各特徴データｘ_i はそれぞ
れ対応する入力部108に入力される。細分類部102 の各
多入力一出力信号処理部109はそれに接続されている下
層の入力部108、または多入力一出力信号処理部109の出
力とその連結の度合である重み係数とを掛け合わせたも
のの総和をしきい値関数で変換した後、その値を上層へ
出力する。ここで、各細分類部102 の最上位層の多入力
一出力信号処理部109 は、各カテゴリ群に含まれるパタ
ーンデータのカテゴリ数と同じ個数に設定され、最上位
層の各多入力一出力信号処理部109 は、これらの各カテ
ゴリに対応している。最大値選択部80は最上位層の各多
入力一出力信号処理部109 の出力値の中で最大のものを
選び、この多入力一出力信号処理部109 に対応するカテ
ゴリと、その最大出力値を出力する。

【００１９】なお、各多入力一出力信号処理部109 の重
み係数は、カテゴリ群内の各カテゴリをもつ入力パター
ン信号に対して、その各カテゴリに対応する最上位層の
多入力一出力信号処理部109 が最大出力を発生するよう
に、予め学習されている。

【００２０】具体的には、このような重み係数の学習方
法は、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は、例えばD. E. Ru
melhart, G. E.Hinton and R. J. Williams による"Lea
rning Representations by Back-Propagating Errors,"
Nature, vol.323, pp.533-536, Oct. 9, 1986 に示さ
れている。

【００２１】以下、誤差逆伝搬法の概略について説明す
る。まず、重み係数学習用のパターン信号Ｘが細分類部
102の入力部108に入力される。各多入力一出力信号処理
部109 は、既に説明したように、各々それに接続されて
いる下層の入力部108、または多入力一出力信号処理部1
09の出力とその連結の度合である重み係数とを掛け合わ
せたものの総和をしきい値関数で変換した後、その値を
上層へ出力する。ここで、全ての最上位層の多入力一出
力信号処理部109の出力信号ｏ_k と望ましい出力信号ｔ_k
（これを教師信号と呼ぶ）との誤差Ｅは（数４）のよう
に求められる。

【００２２】

【数４】

【００２３】但し、Σ_p は教師信号のパターン数に関す
る総和である。学習の目的は、誤差Ｅを最小にする重み
係数の値を決定することであり、各多入力一出力信号処
理部間109の重み係数の変更量△ｗ_ij は（数５）に基づ
いて計算される。

【００２４】

【数５】

【００２５】但し、εは学習レートと呼ばれる正の定数
である。このような（数５）に基づいた重み係数の更新
を、学習用のパターン信号が入力されるたびに繰り返す
ことにより、誤差Ｅを小さくすることができる。誤差Ｅ
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。

【００２６】このような重み係数の学習方法によって、
カテゴリ群内の各カテゴリをもつ入力パターン信号に対
し、その各カテゴリに対応する最上位層の多入力一出力
信号処理部109 が最大出力を発生するようにすることが
できる。従って、最上位層の複数個の多入力一出力信号
処理部109 の中で、最大出力を発生するものを最大値選
択部80で選ぶことにより、各カテゴリ群内において、即
ち、各細分類部において入力パターン信号のカテゴリを
認識することができる。

【００２７】識別部105 では、まず、類似度計算部111
において、群選択部103で選択されたカテゴリ群の適合
度と、そのカテゴリ群に対応する細分類部102 の出力値
から（数６）式を用いて細分類部102 で得られた各カテ
ゴリの類似度を計算し、これらの類似度をカテゴリ識別
部112 に出力する。

【００２８】

【数６】

【００２９】但し、ａ，ｂは実定数とする。最後に、カ
テゴリ識別部112は、類似度計算部111から得られる各カ
テゴリの類似度を比較し、それらの中で最大となる類似
度に対応するカテゴリを識別結果として出力する。

【００３０】

【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、入力パターン信号に対する各カテゴリの
類似度は、（数６）式によって各カテゴリ群毎に独立に
計算して得られるものであるので、複数のカテゴリ群に
含まれるカテゴリをもつパターン信号が入力された場
合、この信号に対する適切なカテゴリの類似度が得られ
ないという問題がある。

【００３１】通常、パターン信号の変動が小さい場合、
同一のカテゴリをもつパターン信号は同じ一つのカテゴ
リ群に含まれる。しかし、入力パターン信号の変動が大
きい場合には、同一カテゴリをもつパターン信号でも、
複数のカテゴリ群に含まれることが多くなる。このと
き、従来例では、各カテゴリ群毎にこのカテゴリが識別
できるように細分類部を設計する。しかし、従来例で
は、各カテゴリ群毎に独立に類似度を求めるために、複
数のカテゴリ群に含まれるカテゴリをもつパターン信号
がカテゴリ群の境界領域（つまり、大分類部におけるカ
テゴリ群分類境界）に入力された場合、このカテゴリの
類似度は複数のカテゴリ群毎に分散されて各々小さな値
にならざるを得ない。最終的には、この中の最大値が入
力信号に対するこのカテゴリの類似度として得られる
が、このような場合、たとえこのパターン信号が、この
カテゴリのもつパターン信号空間の中央に位置していた
としても、このカテゴリに対する適切な類似度は得られ
ず、他のカテゴリの類似度がこのカテゴリの類似度より
大きくなり、このパターン信号を正しく認識することは
できない。よって、従来例では、パターンの変動が大き
いために、同一カテゴリが複数のカテゴリ群に含まれる
場合、認識率が劣化するという課題を有していた。

【００３２】また、従来のパターン認識装置では、パタ
ーンデータにノイズ等が加わることによって明らかに認
識不可能なパターン信号が入力された場合でも、なんら
かの認識結果が出力される。しかし、これが大抵、誤認
識を招き、認識率を劣化させるという課題を有してい
た。

【００３３】本発明はかかる従来のパターン認識装置の
課題に鑑み、入力パターンの変動が大きいために、同一
カテゴリが複数のカテゴリ群に含まれる場合にも、高精
度の認識を行なうことができ、また、ノイズ等によって
明らかに認識不可能なパターン信号に対してはリジェク
トを行って、誤認識を防ぐパターン認識装置を提供する
ことを目的とする。

【００３４】

【課題を解決するための手段】本発明のパターン認識装
置は、類似パターンの集合から成るカテゴリ群を代表す
る群参照用パターン信号が複数個記憶されている群辞書
と、前記群辞書を用いて入力パターン信号が各カテゴリ
群に属する度合である群帰属度を計算するファジィ大分
類部と、前記入力パターン信号がカテゴリ群内に含まれ
る各カテゴリに類似する度合である群内類似度を計算す
る複数個の細分類部と、前記群帰属度から複数個のカテ
ゴリ群を選択する群選択部と、前記群選択部から得られ
る群選択情報に基づいて前記入力パターン信号を入力す
る細分類部を選択する細分類部入力信号選択部と、前記
群選択部で選択されたカテゴリ群の群帰属度と前記細分
類部で得られた群内類似度から入力パターン信号の識別
を行なう識別部を具備し、前記識別部は、前記群選択部
で選択されたカテゴリ群の群帰属度と前記細分類部入力
信号選択部から前記入力パターン信号を入力された前記
細分類部から得られる全ての群内類似度を乗算する複数
個の乗算器と、各カテゴリ毎に前記乗算器の出力値の大
きいものを複数個選択し、これらの出力値の総和を求め
るカテゴリ類似度計算部と、前記カテゴリ類似度計算部
から得られる各カテゴリの類似度を用いて、入力パター
ン信号のカテゴリの認識及びリジェクトを行なうパター
ン判定部を備える。

【００３５】

【作用】本発明は前記した構成により、まず、入力パタ
ーン信号をファジィ大分類部に入力する。ファジィ大分
類部は、群辞書に記憶されている全ての群参照用パター
ン信号を読みだして、各カテゴリ群の境界を曖昧に定め
た大分類を行ない、前記入力パターン信号が各カテゴリ
群に属する度合である群帰属度を求める。これらの前記
群帰属度を用いて、群選択部は複数のカテゴリ群を選択
し、群選択情報を細分類部入力信号選択部に、対応する
群帰属度を識別部に出力する。

【００３６】細分類部入力信号選択部は、前記入力パタ
ーン信号を前記群選択情報に対応する細分類部に出力
し、各細分類部は、前記入力パターン信号が各カテゴリ
群内に含まれる各カテゴリに類似する度合である群内類
似度を計算し、識別部に出力する。

【００３７】識別部では、まず、前記群選択部で選択さ
れたカテゴリ群の帰属度と前記細分類部入力信号選択部
から前記入力パターン信号を入力された前記細分類部か
ら得られる全ての群内類似度を乗算器で乗算し、これを
カテゴリ類似度計算部に出力する。カテゴリ類似度計算
部では、各カテゴリ毎に前記乗算器の出力値の大きいも
のを複数個選択し、これらの出力値の総和を求め、これ
を各カテゴリの類似度として、パターン判定部に出力す
る。最後に、パターン判定部では、前記各カテゴリの類
似度を用いて、入力パターン信号のカテゴリの認識及び
リジェクトを行なう。

【００３８】以上により、識別部において、各カテゴリ
の類似度を各カテゴリ群毎に独立に求めることなく、複
数のカテゴリ群から得られた類似度を複数個加算するこ
とによって求めることにより、入力パターンの変動が大
きいために、同一カテゴリのパターン信号が複数のカテ
ゴリ群に含まれる場合にも、各カテゴリの良好な類似度
が得られ、高精度の認識を行なうことができる。また、
ノイズ等によって明らかに認識不可能なパターン信号に
対しても、リジェクトを行うことによって、誤認識を少
なくすることができる。

【００３９】

【実施例】以下、本発明の実施例について図面を参照し
て説明する。

【００４０】一般にパターン認識装置に入力されるパタ
ーンデータとしては、音声等の時系列パターン、文字・
画像等の空間パターン等などがあるが、本発明において
は、いずれのパターンデータでも構わないものとする。

【００４１】図１は本発明の実施例におけるパターン認
識装置のブロック図を示すものである。図１において、
11は群辞書であり、入力パターン信号の類似パターンの
集合から成るカテゴリ群を代表する群参照用パターン信
号が複数個記憶されているものである。12はファジィ大
分類部であり、群辞書11に記憶されている群参照用パタ
ーン信号を用いて、入力パターン信号が各カテゴリ群に
属する度合である群帰属度を計算するものである。13は
細分類部であり、入力パターン信号がカテゴリ群内に含
まれる各カテゴリに類似する度合である群内類似度を計
算するものである。14は群選択部であり、群帰属度から
複数個のカテゴリ群を選択するものである。15は細分類
部入力信号選択部であり、群選択部から得られる群選択
情報に基づいて入力パターン信号を入力する細分類部13
を選択するものである。16は識別部であり、群選択部14
で選択されたカテゴリ群の群帰属度と細分類部13で得ら
れた群内類似度から入力パターン信号の識別を行なうも
のである。

【００４２】識別部16において、17は乗算器であり、群
選択部14で選択されたカテゴリ群の群帰属度と細分類部
入力信号選択部15から入力パターン信号を入力された細
分類部13から得られる群内類似度を乗算するものであ
る。18はカテゴリ類似度計算部であり、各カテゴリ毎に
乗算器17の出力値の大きいものを複数個選択し、これら
の出力値の総和を求めるものである。19はパターン判定
部であり、カテゴリ類似度計算部18から得られる各カテ
ゴリの類似度を用いて、入力パターン信号のカテゴリの
識別及びリジェクトを行なうものである。

【００４３】なお、図１に示すパターン判定部19はパタ
ーン判定部19の第１の実施例である。図１において、20
はカテゴリ識別部であり、カテゴリ類似度計算部18から
得られる各カテゴリの類似度の中から最大値を求めるこ
とによって、入力パターン信号のカテゴリの識別を行な
うものである。

【００４４】図２は、ファジィ大分類部12の構成を具体
的に示すブロック図である。21は、入力部であり、入力
パターン信号を入力するものである。22は距離計算部で
あり、群辞書11の全ての群参照用パターン信号と入力パ
ターン信号との距離を計算するものである。23は割算器
であり、距離計算部22の出力の逆数を計算するものであ
る。24は加算器であり、各々の割算器23の出力の総和を
求めるものである。25は乗算器であり、加算器24の出力
と距離計算部22の出力を乗算するものである。26は割算
器であり、乗算器25の出力の逆数を計算するものであ
る。

【００４５】図３は、細分類部13の第１の実施例の構成
を具体的に示すブロック図である。31は入力部であり、
細分類部入力信号選択部15から出力される入力パターン
信号を入力するものである。32はカテゴリ辞書であり、
入力パターン信号の各カテゴリの代表値を示すカテゴリ
参照用パターン信号が複数個記憶されているものであ
る。33は距離計算部であり、カテゴリ辞書32の全てのカ
テゴリ参照用パターン信号と入力パターン信号との距離
を計算するものである。34は割算器であり、距離計算部
33の出力の逆数を計算するものである。35は加算器であ
り、各々の割算器34の出力の総和を求めるものである。
36は乗算器であり、加算器35の出力と距離計算部33の出
力を乗算するものである。37は割算器であり、乗算器36
の出力の逆数を計算するものである。

【００４６】以上のように構成されたパターン認識装置
について、以下その動作を説明する。

【００４７】認識対象物のｎ個の特徴データからなる入
力パターン信号Ｘ

【００４８】

【数７】

【００４９】は、まず、ファジィ大分類部12に入力され
る。ファジィ大分類部12では、まず、入力部21が入力パ
ターン信号Ｘを入力し、ｍ_r個の距離計算部22へＸを出
力する。各々の距離計算部22は、群辞書11に記憶されて
いる各カテゴリ群を代表する群参照用パターン信号Ｖ_i
（１≦ｉ≦ｍ_r；ｍ_rは群参照用パターン信号の数、即
ち、カテゴリ群数）を読みだし、（数８）式に示すＸと
Ｖ_i の距離ｄ_i を計算し、各々対応する割算器23、及び
乗算器25へ出力する。

【００５０】

【数８】

【００５１】但し、ｆはｆ＞１を満たす実数とする。各
々の割算器23は、距離ｄ_i の逆数を計算し、その出力を
加算器24へ出力する。加算器24は、全ての割算器23の出
力の総和を計算し、その出力をｍ_r 個の乗算器25へ出力
する。各々の乗算器25では、対応する距離計算部22と加
算器24の出力を乗算し、その出力を対応する割算器26に
入力する。各々の割算器26では、対応する乗算器25の出
力の逆数を計算する。最終的にファジィ大分類部12で
は、この各割算器26の出力が入力パターン信号Ｘに対す
る各カテゴリ群の群帰属度μ_i（１≦ｉ≦ｍ_r）として、
群選択部14に出力される。つまり、各カテゴリ群の群帰
属度μ_i（１≦ｉ≦ｍ_r）は、

【００５２】

【数９】

【００５３】と表わすことができる。なお、群辞書11に
記憶されている各カテゴリ群を代表する群参照用パター
ン信号は、予め、従来のクラスタリング手法、例えば、
電子情報通信学会編長尾真著「パターン情報処理」
（コロナ社）に示されているＫ平均アルゴリズム、及び
Isodataアルゴリズムや、Y.Linde, A.Buzo, and R.M.Gr
ay による"An Algorithmfor Vector Quantizer desig
n," IEEE Trans. Commun.,COM-28, 1, pp.84-95, Jan.1
980 に示されているＬＢＧアルゴリズムを用いて設計さ
れる。

【００５４】以下、Ｋ平均アルゴリズムを用いて群辞書
11を設計する方法について簡単に説明する。（１）認識対象物の群辞書設計用のパターン信号の集合
から、ｍ_r個（但し、ｍ_rは予め定められたカテゴリ群
数）のパターン信号を適当に選び、これらをｍ_r 個の群
参照用パターン信号Ｖ_i（１≦ｉ≦ｍ_r）とする。（２）全ての群辞書設計用のパターン信号Ｘについて、
それぞれ、（数１０）に示される距離ｄ_i

【００５５】

【数１０】

【００５６】を最小にするＶ_iを求める。このとき、Ｘ
はカテゴリ群Ｓ_i（１≦ｉ≦ｍ_r）に属するものとする。（３）各Ｓ_iに属するパターン信号Ｘの平均値を求
め、これをＶ_i’とする。（４）Ｖ_i’＝Ｖ_iが全てのｉについて成立すれば、こ
のときの群参照用パターン信号Ｖ_iを群辞書11に記憶す
る。そうでなければ、Ｖ_i’を新たな群参照用パターン
信号Ｖ_iとして、（２）に戻る。

【００５７】このようにして、群参照用パターン信号を
設計することによって、全てのパターン信号はいくつか
の類似したパターン信号の部分集合（カテゴリ群）に分
割することができる。なお、Isodata アルゴリズム及
び、ＬＢＧアルゴリズムもこのＫ平均アルゴリズムと基
本的にはほぼ同じ手法である。

【００５８】群選択部14では、ファジィ大分類部12で得
られた群帰属度の大きい順に複数個のカテゴリ群を選
び、どのカテゴリ群が選択されたかを示す群選択情報を
細分類入力信号選択部15へ、また、それに対応する群帰
属度を識別部16へ出力する。なお、カテゴリ群の選択方
法としては、あるしきい値以上の群帰属度をもつカテゴ
リ群を選択するとしてもよい。

【００５９】群選択部14から得られる群選択情報に基づ
いて、細分類入力信号選択部15は、入力パターン信号Ｘ
を入力する細分類部13を選択し、入力パターン信号Ｘを
これらの細分類部13へ出力する。

【００６０】群選択部14で選択されたカテゴリ群に対応
する各々の細分類部13（即ち、細分類入力信号選択部15
から入力パターン信号を入力された細分類部13）では、
まず、入力部31が入力パターン信号Ｘを入力し、ｍ_c 個
の距離計算部33へＸを出力する。各々の距離計算部33
は、カテゴリ辞書32に記憶されている各カテゴリの代表
値を示すカテゴリ参照用パターン信号Ｗ_i （１≦ｉ≦ｍ
_c；ｍ_cはカテゴリ参照用パターン信号の数）を読みだ
し、（数１１）式に示すＸとＷ_i の距離ｄ_i を計算し、
各々対応する割算器34、及び乗算器36へ出力する。

【００６１】

【数１１】

【００６２】但し、ｆはｆ＞１を満たす実数とする。各
々の割算器34は、距離ｄ_i の逆数を計算し、その出力を
加算器35へ出力する。加算器35は、全ての割算器34の出
力の総和を計算し、その出力をｍ_c 個の乗算器36へ出力
する。各々の乗算器36では、対応する距離計算部33と加
算器35の出力を乗算し、その出力を対応する割算器37に
入力する。各々の割算器37では、対応する乗算器36の出
力の逆数を計算する。最終的に、細分類部13では、この
各割算器37の出力が入力パターン信号Ｘに対する各カテ
ゴリの群内類似度ν_i（１≦ｉ≦ｍ_c）として、識別部16
に出力される。つまり、各細分類部13における各カテゴ
リの群内類似度ν_i（１≦ｉ≦ｍ_c）は、

【００６３】

【数１２】

【００６４】と表わすことができる。なお、カテゴリ辞
書32に記憶されている各カテゴリの代表値を示すカテゴ
リ参照用パターン信号は、カテゴリ群内の各カテゴリを
もつ入力パターン信号に対して、その各カテゴリに対応
する距離計算部33の出力が他の距離計算部33の出力に比
べて最小出力を発生するように、予め設計されている。

【００６５】これらのカテゴリ参照用パターン信号の設
計方法は、例えば、学習ベクトル量子化法（ＬＶＱ）と
呼ばれる学習アルゴリズムによって行われる。学習ベク
トル量子化法については、例えば、T.Kohonenによる"Le
arning Vector Quantization for Pattern Recognition"，Helsinki University of T
echnology, Report TKK-F-A601(1986.11)に示されてい
る。

【００６６】以下、学習ベクトル量子化法について簡単
に説明する。まず、ｍ_c個のカテゴリラベルをもつカテ
ゴリ参照用パターン信号Ｗ_iが用意される。このＷ_i の
初期値としては、各カテゴリ群に含まれる入力パターン
信号の集合からなるカテゴリ辞書設計用のパターン信号
から、各カテゴリ毎に任意に選択されたもの及び、群辞
書11の設計の際に説明したＫ平均アルゴリズム等の従来
のクラスタリング法から得られる参照用パターン信号等
が用いられる。次に、カテゴリ辞書設計用のパターン信
号から任意の１個のカテゴリＣ_X をもつパターン信号Ｘ
が選択され、このＸについて順次、以下のステップが繰
り返される。（１）Ｘに最も近いカテゴリ参照用パターン信号Ｗ_C
を選択する。但し、このＷ_CのカテゴリラベルをＣ_Cとす
る。（２）もし、Ｃ_X＝Ｃ_Cなら、Ｗ_CはＸの方向に近づけ
る。一方、Ｃ_X≠Ｃ_C なら、Ｗ_CはＸから遠ざけられる。
また、Ｗ_C以外のカテゴリ参照用パターン信号は更新さ
れない。

【００６７】Ｘが提示されたときの上記のカテゴリ参照
用パターン信号の更新は、予め用意された全てのカテゴ
リ辞書設計用のパターン信号に対して繰り返し行なわれ
る。

【００６８】このようにして、カテゴリ辞書32のカテゴ
リ参照用パターン信号を設計することにより、カテゴリ
群内の各カテゴリをもつ入力パターン信号に対して、常
にその各カテゴリのラベルをもつカテゴリ参照用パター
ン信号が最も近い距離に位置するようになる。従って、
全ての距離計算部33の中で、最小出力を発生する距離計
算部33を選ぶことによって、各カテゴリ群内において、
入力パターン信号のカテゴリを認識することができる。

【００６９】識別部16では、まず、乗算器17が、群選択
部14で選択されたカテゴリ群の群帰属度と、そのカテゴ
リ群に対応する各々の細分類部13（即ち、細分類入力信
号選択部15から入力パターン信号を入力された細分類部
13）から得られる全ての群内類似度を乗算し、それらの
出力をカテゴリ類似度計算部18に出力する。つまり、乗
算器17は、（群参照用パターン信号の数×各細分類部に
おけるカテゴリ参照用パターン信号数の総和）個用意さ
れており、群選択部14で選択されたあるカテゴリ群ｐの
群帰属度μ_p（１≦ｐ≦ｍ_r；ｍ_r はカテゴリ群の数）と
そのカテゴリ群ｐに対応する細分類部13から得られたあ
るカテゴリｑの群内類似度ν_pq（１≦ｑ≦ｍ_c；ｍ_Cはパ
ターンデータのカテゴリ数）が入力される乗算器17の出
力値ξ_pqは、

【００７０】

【数１３】

【００７１】と表わされる。カテゴリ類似度計算部18で
は、全ての乗算器17の出力値を、各カテゴリ毎にまとめ
て分類し、その出力値の大きいものを複数個選択する。
そして、各カテゴリ毎に、これらの選択された出力値の
総和を求め、これを各カテゴリの類似度ｒ_i（１≦ｉ≦
Ｎ_C；Ｎ_Cはカテゴリの数）としてカテゴリ識別部20に出
力する。なお、乗算器17の出力値を各カテゴリ毎に複数
個選択する方法としては、乗算器17の出力値があるしき
い値以上のものを選択するとしてもよい。

【００７２】最後に、カテゴリ識別部20では、カテゴリ
類似度計算部18から得られる各カテゴリの類似度ｒ_i を
比較し、それらの中で最大となる類似度に対応するカテ
ゴリを認識結果として出力する。

【００７３】ここで、実験的に得られた結果を示す。認
識対象となるパターンデータは手書き数字とした。群辞
書11及び、各細分類部13のカテゴリ辞書32は、25270 文
字で設計を行った。また、ファジィ大分類部12におい
て、カテゴリ群数（群参照用パターン信号数）を８と
し、各細分類部のカテゴリ参照用パターン信号数はそれ
ぞれ、３７、３９、７５、２５、４７、４０、４０、４
４の、総数３４７個とした。

【００７４】認識に際して、ファジィ大分類部の（数
８）におけるｆは１．６、また細分類部における（数１
１）におけるｆは１．２とした。また、群選択部14で選
択するカテゴリ群の数は８で、即ち、全ての細分類部13
に入力パターン信号を入力した。また、カテゴリ類似度
計算部18において、各カテゴリ毎に選ぶ乗算器17の出力
値の個数をＬとする。

【００７５】（表１）に、Ｌを１、２、４、６、８と変
えたときの認識結果を示す。ここで、評価に用いたデー
タは、設計の際に用いたデータとは異なる2216文字を用
いた。

【００７６】

【表１】

【００７７】（表１）から明かなように、Ｌの個数をあ
る程度大きくすることによって、認識率が向上すること
がわかる。ここで、Ｌ＝１の場合は、各カテゴリの類似
度を、従来例同様に、各カテゴリ群毎に独立に求めてい
ることを示しており、これより、明らかに、本実施例の
ように、複数のカテゴリ群から得られた類似度を複数個
加算することによってカテゴリの類似度を求めるほうが
認識率が向上することがわかる。

【００７８】このように本実施例によれば、各カテゴリ
の類似度は、従来のパターン認識装置のように、各カテ
ゴリ群毎に独立に求められるものではなく、識別部にお
いて複数のカテゴリ群から得られた類似度を複数個加算
することによって求められる。

【００７９】つまり、入力パターンの変動が大きいため
に、同一カテゴリのパターン信号が複数のカテゴリ群に
含まれる場合、従来例では、複数のカテゴリ群に含まれ
るカテゴリをもつパターン信号がカテゴリ群の境界領域
に入力されると、このカテゴリの類似度が複数のカテゴ
リ群毎に分散されて各々小さな値になり、このカテゴリ
の適切な類似度が得られなかったが、本実施例では、こ
れらの分散された類似度はカテゴリ類似度計算部18にお
いて総和されるので、このような入力信号に対しても適
切なカテゴリの類似度を得ることができる。従って、本
実施例は、パターンの変動が大きいために、同一カテゴ
リが複数のカテゴリ群に含まれる場合でも、従来例に比
べて、各カテゴリの良好な類似度を得られ、認識率を向
上することができる。

【００８０】なお、本実施例において、細分類部13は図
３に示すような構成ではなく、以下に示すような構成に
してもよい。

【００８１】図４は、細分類部13の第２の実施例の構成
を具体的に示すブロック図である。41は入力部であり、
細分類部入力信号選択部15から出力される入力パターン
信号を入力するものである。42は多入力一出力信号処理
部であり、それに接続されている下層の入力部41、また
は多入力一出力信号処理部42の出力と、その連結の度合
である重み係数とを各々掛け合わせて総和したものをし
きい値処理して出力するものである。ここでは、これら
複数個の多入力一出力信号処理部を層構造を持ち、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することによって、入力パターン信
号に対するカテゴリ群内の各カテゴリに類似する度合で
ある類似度が求められる。

【００８２】図５は、前記多入力一出力信号処理部42の
構成を具体的に示すブロック図である。図５において、
51は入力部あり、入力パターン信号を入力するものであ
る。52は重み係数記憶部であり、入力部51からの複数の
入力信号を重み付ける重み係数を記憶するものである。
53は乗算器であり、重み係数記憶部52の重み係数と入力
部51からの入力信号を乗算するものである。54は加算器
であり、全ての乗算器53の出力値を総和するものであ
る。55はしきい値処理部であり、加算器54の出力値を一
定範囲の値に制限するものである。

【００８３】以上のように構成された細分類部13の第２
の実施例について、以下その動作を説明する。

【００８４】第１の実施例同様に、群選択部14で選択さ
れたカテゴリ群に対応する各々の細分類部13（即ち、細
分類入力信号選択部15から入力パターン信号を入力され
た細分類部13）では、まず、入力部31に、入力パターン
信号Ｘが入力される。入力部41は、パターンデータの特
徴データ数に等しくＮ個用意されており、各特徴データ
ｘ_i はそれぞれ対応する入力部41に入力される。各々の
多入力一出力信号処理部42は、図４に示すようにそれに
接続されている下層の入力部41、または多入力一出力信
号処理部42の出力と重み係数記憶部52に記憶されている
その接続の度合である重み係数ｗ_ijとを乗算器53により
掛け合わせ、各々の乗算器53の出力の総和を加算器54で
計算した後、しきい値処理部55で変換し、その出力値を
上層へ出力する。つまり、図４に示すある層のｉ番目の
多入力一出力信号処理部42の出力値Ｉ_i は、入力部51へ
の入力値をＩ_j 、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_ij（ｉ番目の多入力一出力信
号処理部とｊ番目の入力との結合重み）とすれば、

【００８５】

【数１４】

【００８６】と表わせる。なお、しきい値処理部55の入
出力特性を図６に示す。例えば、出力を（０，１）の範
囲に制限するしきい値処理部55の入出力特性は

【００８７】

【数１５】

【００８８】と数式的に表現できる。但し、ａはしきい
値処理部55の入力である。なお、しきい値処理部55の入
出力特性としては上記以外のしきい値関数でもよい。

【００８９】最上位層の多入力一出力信号処理部42は、
各カテゴリ群に含まれるパターン信号のカテゴリの数と
同じ個数に設定されており、最上位層の各多入力一出力
信号処理部42は、これらの各カテゴリに対応している。
つまり、最上位層の各多入力一出力信号処理部42の出力
が、入力パターン信号に対するカテゴリ群内の各カテゴ
リに類似する度合である類似度として、識別部16に出力
される。

【００９０】なお、各多入力一出力信号処理部42の重み
係数は、カテゴリ群内の各カテゴリをもつ入力パターン
信号に対して、その各カテゴリに対応する最上位層の多
入力一出力信号処理部42が最大出力を発生するように、
予め設計しておく。これより、各細分類部13において、
入力パターン信号のカテゴリを認識することができる。
なお、これらの重み係数の設計方法は、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
搬法については、例えば、従来例で示したD. E. Rumelh
art, G. E.Hinton and R. J. Williams による"Learnin
g Representations by Back-Propagating Errors," Nat
ure, vol.323, pp.533-536, Oct. 9, 1986) に示されて
いる。

【００９１】図７は本発明のパターン判定部19の第２の
実施例の構成を具体的に示すブロック図である。71は候
補類似度検出器であり、カテゴリ類似度計算部18から得
られる各カテゴリの類似度の中で最も大きい第１位類似
度と２番目に大きい第２位類似度を求めるものである。
72は割算器であり、第１位類似度と前記第２位類似度と
の比を求めるものである。73はカテゴリ識別部であり、
割算器の出力と予め定められたリジェクトしきい値を比
較し、入力パターン信号のカテゴリの識別またはリジェ
クトの判定を行なうものである。

【００９２】以上のように構成されたパターン判定部19
について、以下その動作を説明する。パターン判定部
19では、まず、候補類似度検出器71が、カテゴリ類似度
計算部18から得られる各カテゴリの類似度の中で、最も
大きい値と２番目に大きい値をそれぞれ第１位類似度ｒ
_1th、第２位類似度ｒ_2ndとして検出する。割算器72は、
（数１６）に示すように、候補類似度検出器71で得られ
た第１位類似度ｒ_1thと第２位類似度ｒ_2ndの比Ｒを求
め、これをカテゴリ識別器73に出力する。

【００９３】

【数１６】

【００９４】最後に、カテゴリ識別器73では、割算器72
から得られたＲと予め定められたリジェクトしきい値θ
とを比較し、もし、Ｒ＞θなら、入力パターン信号をリ
ジェクトする。また、Ｒ＜θなら、第１位類似度をもつ
カテゴリを入力パターン信号の識別結果として出力す
る。

【００９５】通常、ノイズ等によって明らかに認識不可
能なパターン信号、即ち、ある一つのカテゴリに特定す
ることが不可能なパターン信号が入力された場合、この
パターン信号は、類似した２つのカテゴリの境界領域に
位置することが多くなる。このとき、この入力パターン
信号の２つのカテゴリに対する類似度はほぼ同じ値が得
られるが、従来例のように、この類似度の大きいほうを
識別結果とすると誤認識が多くなる。そこで、本実施例
では、第１位類似度と第２位類似度がある程度以上類似
している場合、即ち、比Ｒがある値以上の場合リジェク
トを行うことによって、誤認識を防いでいる。

【００９６】このようにこの実施例によれば、ノイズ等
によって明らかに認識不可能なパターン信号が入力され
た場合、従来の装置のように、なんらかの識別結果を出
力するのではなく、リジェクトを行なうことによって誤
認識を少なくすることができる。

【００９７】図８はパターン判定部19の第３の実施例の
構成を具体的に示すブロック図である。81は候補類似度
検出器であり、カテゴリ類似度計算部から得られる各カ
テゴリの類似度の中で最も大きい第１位類似度と２番目
に大きい第２位類似度を求めるものである。82は割算器
であり、第１位類似度と前記第２位類似度との比を求め
るものである。83はリジェクトしきい値記憶部であり、
第１位類似度をもつ第１候補カテゴリと第２位類似度を
もつ第２候補カテゴリの組合わせに応じて定まるリジェ
クトしきい値が複数個記憶されているものである。84は
カテゴリ識別部であり、候補類似度検出器81から得られ
る第１候補カテゴリと第２候補カテゴリの組合せに対応
するリジェクトしきい値をリジェクトしきい値記憶部83
から読みだし、これと割り算器の出力を比較し、入力パ
ターン信号のカテゴリの識別またはリジェクトの判定を
行なうものである。

【００９８】以上のように構成されたパターン判定部19
について、以下その動作を説明する。

【００９９】パターン判定部19では、まず、候補類似度
検出器81が、カテゴリ類似度計算部18から得られる各カ
テゴリの類似度の中で、最も大きい値と２番目に大きい
値をそれぞれ第１位類似度ｒ_1th、第２位類似度ｒ_2ndと
して検出し、これを割算器82へ出力し、また、第１位類
似度、第２位類似度に対応するカテゴリＣ_1th、Ｃ_2ndを
カテゴリ識別器83へ出力する。割算器82は、図６に示し
たパターン判定部19同様に、候補類似度検出器81で得ら
れた第１位類似度ｒ_1thと第２位類似度ｒ_2ndの比Ｒを
（数１３）式を用いて求め、これをカテゴリ識別器83に
出力する。

【０１００】最後に、カテゴリ識別器83では、リジェク
トしきい値記憶部83からカテゴリ候補（Ｃ_1th、Ｃ_2nd）
の組合せに対応するリジェクトしきい値θ(ｃ_1thｃ_2nd)
を読みだし、これと割り算器82の出力Ｒを比較し、も
し、Ｒ＞θ(ｃ_1thｃ_2nd)なら、入力パターン信号をリジ
ェクトする。また、Ｒ＜θ(ｃ_1thｃ_2nd)なら、第１位類
似度をもつカテゴリ、即ち、Ｃ_1th を入力パターン信号
の識別結果として出力する。

【０１０１】なお、リジェクトしきい値記憶部83の第１
候補カテゴリと第２候補カテゴリの組合わせに応じて定
まるリジェクトしきい値は、予め、入力パターン信号の
誤り特性によって設定される。つまり、類似したカテゴ
リの組合せに対しては、リジェクトしきい値を大きくし
てリジェクトされ易くし、逆に、全く異なるカテゴリの
組合せに対してはリジェクトしきい値を小さくしてリジ
ェクトを起こりにくくする。例えば、いま、パターンデ
ータを文字とすると、（１、Ｉ）、（０、Ｏ）等のカテ
ゴリの組合せが第１候補、第２候補となった場合、Ｒが
ある程度小さくないかぎり、誤認識する確率が高いこと
は明らかである。よって、このような場合、リジェクト
しきい値を大きく設定しておく。

【０１０２】このようにこの実施例によれば、ノイズ等
によって明らかに認識不可能なパターン信号が入力され
た場合、従来の装置のように、なんらかの識別結果を出
力するのではなく、リジェクトを行なうことによって誤
認識を少なくすることができる。特に、リジェクトしき
い値記憶部83を設け、第１候補カテゴリと第２候補カテ
ゴリの組合わせに応じてリジェクトしきい値を適応的に
変えることができるので、常に一定のリジェクトしきい
値であるパターン認識装置に比べて、より精度の高いリ
ジェクトを行なうことができる。

【０１０３】図９はパターン判定部19の第４の実施例の
構成を具体的に示すブロック図である。91は入力部であ
り、カテゴリ類似度計算部18から得られる各カテゴリの
類似度を入力するものである。92は多入力一出力信号処
理部であり、それに接続されている下層の入力部91、ま
たは多入力一出力信号処理部92の出力と、その連結の度
合である重み係数とを各々掛け合わせて総和したものを
しきい値処理して出力するものである。ここでは、これ
ら複数個の多入力一出力信号処理部を、層構造を持ち、
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することによって、入力パター
ン信号のリジェクトの判定、またはカテゴリの最終的な
識別が行なわれる。93は最大値選択部であり、最上位層
の複数個の前記多入力ー出力信号処理部の出力の中から
最大値を選択するものである。なお、前記多入力一出力
信号処理部92の構成は、既に図５で説明したものと同じ
ものとする。

【０１０４】以上のように構成されたパターン判定部19
の第４の実施例について、以下その動作を説明する。

【０１０５】まず、入力部91には、カテゴリ類似度計算
部18から得られる各カテゴリの類似度が入力される。即
ち、入力部91は、パターンデータのカテゴリの数だけ用
意されており、各カテゴリの類似度ｒ_i （１≦ｉ≦
Ｎ_C；Ｎ_Cはカテゴリの数）は、それぞれ対応する入力部
91に入力される。各々の多入力一出力信号処理部92は、
図９に示すようにそれに接続されている下層の入力部9
1、または多入力一出力信号処理部92の出力と重み係数
記憶部52に記憶されているその接続の度合である重み係
数ｗ_ijとを乗算器52により掛け合わせ、各々の乗算器52
の出力の総和を加算器53で計算した後、しきい値処理部
54で変換し、その出力値を上層へ出力する。つまり、図
９に示すある層のｉ番目の多入力一出力信号処理部92の
出力値Ｉ_i は、入力部51への入力値をＩ_j 、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_ij
（ｉ番目の多入力一出力信号処理部とｊ番目の入力との
結合重み）とすれば、（数１４）のように表わすことが
できる。なお、しきい値処理部54の入出力特性は既に図
６に示したものと同じである。例えば、出力を（０，
１）の範囲に制限するしきい値処理部54の入出力特性
は、（数１５）のように数式的に表現できる。なお、し
きい値処理部54の入出力特性としては上記以外のしきい
値関数でもよい。

【０１０６】最上位層の多入力一出力信号処理部92は、
（パターンデータのカテゴリの数＋１）個に設定されて
おり、最上位層の各多入力一出力信号処理部92は、それ
ぞれ、パターン信号の各カテゴリ及びリジェクトに対応
している。最大値選択部93は最上位層の多入力一出力信
号処理部92の出力値の中で最大のものを選び、もし、こ
の多入力一出力信号処理部92がリジェクトに対応してい
るならば、入力パターン信号をリジェクトする。また、
この多入力一出力信号処理部92が、パターンデータのあ
るカテゴリに対応しているならば、このカテゴリを入力
パターン信号の識別結果として出力する。

【０１０７】なお、各多入力一出力信号処理部92の重み
係数は、予め、入力パターン信号に対する各カテゴリの
類似度を用いて、明らかにあるカテゴリに識別できるパ
ターン信号が入力された場合には、そのパターン信号の
各カテゴリに対応する最上位層の多入力一出力信号処理
部42が最大出力を発生するように、また、ノイズ等によ
って明らかに識別不可能なパターン信号が入力された場
合には、リジェクトに対応する最上位層の多入力一出力
信号処理部42が最大出力を発生するように、学習を行な
う。これより、パターン判定部19において、入力パター
ン信号のカテゴリの識別またはリジェクトを行なうこと
ができる。なお、これらの重み係数の設計方法は、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は、例えば、従来例で示した
D. E. Rumelhart, G. E.Hinton and R. J. Williams による"Learning Representations by
Back-Propagating Errors," Nature, vol.323, pp.533-
536, Oct. 9, 1986) に示されている。

【０１０８】このようにこの実施例によれば、ノイズ等
によって明らかに認識不可能なパターン信号が入力され
た場合、従来の装置のように、なんらかの識別結果を出
力するのではなく、リジェクトを行なうことによって誤
認識を少なくすることができる。特に、入力パターン信
号に対する各カテゴリの類似度全てを用いて、リジェク
ト及び、カテゴリの識別を行なうので、カテゴリの類似
度の一部分を用いて、リジェクトを行なうパターン認識
装置に比べて、より精度の高いリジェクトを行なうこと
ができる。

【０１０９】

【発明の効果】本発明によれば、各カテゴリの類似度
は、従来のパターン認識装置のように、各カテゴリ群毎
に独立に求められるものではなく、識別部において複数
のカテゴリ群から得られた類似度を複数個加算すること
によって求められるので、パターンの変動が大きいため
に同一カテゴリが複数のカテゴリ群に含まれる場合で
も、従来例に比べて各カテゴリの良好な類似度を得ら
れ、高精度の認識率を行なうことができる。また、ノイ
ズ等によって明らかに認識不可能なパターン信号に対し
ても、リジェクトを行うことによって、誤認識を少なく
することができる。

【図面の簡単な説明】

【図１】本発明におけるパターン認識装置の実施例を示
すブロック図

【図２】本発明におけるパターン認識装置のファジィ大
分類部の実施例を示すブロック図

【図３】本発明におけるパターン認識装置の細分類部の
第１の実施例を示すブロック図

【図４】本発明におけるパターン認識装置の細分類部の
第２の実施例を示すブロック図

【図５】本発明における第２の実施例である細分類部の
多入力一出力信号処理部の実施例を示すブロック図

【図６】本発明における第２の実施例である細分類部の
多入力一出力信号処理部におけるしきい値処理部の入出
力特性図

【図７】本発明におけるパターン認識装置のパターン判
定部の第２の実施例を示すブロック図

【図８】本発明におけるパターン認識装置のパターン判
定部の第３の実施例を示すブロック図

【図９】本発明におけるパターン認識装置のパターン判
定部の第４の実施例を示すブロック図

【図１０】従来のパターン認識装置の実施例を示すブロ
ック図

【符号の説明】

11 群辞書 12 ファジィ大分類部 13 細分類部 14 群選択部 15 細分類部入力信号選択部 16 識別部 17 乗算器 18 カテゴリ類似度計算部 19 カテゴリ判定部

───────────────────────────────────────────────────── フロントページの続き (72)発明者丸野進大阪府門真市大字門真1006番地松下電器産業株式会社内 (72)発明者〆木泰治大阪府門真市大字門真1006番地松下電器産業株式会社内

Claims

【特許請求の範囲】

【請求項１】類似パターンの集合から成るカテゴリ群を
代表する群参照用パターン信号が複数個記憶されている
群辞書と、前記群参照用パターン信号を用いて入力パタ
ーン信号が各カテゴリ群に属する度合である群帰属度を
計算するファジィ大分類部と、前記入力パターン信号が
カテゴリ群内に含まれる各カテゴリに類似する度合であ
る群内類似度を計算する複数個の細分類部と、前記群帰
属度から複数個のカテゴリ群を選択する群選択部と、前
記群選択部から得られる群選択情報に基づいて前記入力
パターン信号を入力する細分類部を選択する細分類部入
力信号選択部と、前記群選択部で選択されたカテゴリ群
の群帰属度と前記細分類部で得られた群内類似度から入
力パターン信号の識別を行なう識別部を具備し、前記識
別部は、前記群選択部で選択されたカテゴリ群の群帰属
度と前記細分類部入力信号選択部から前記入力パターン
信号を入力された前記細分類部から得られる全ての群内
類似度を乗算する複数個の乗算器と、各カテゴリ毎に前
記乗算器の出力値の大きいものを複数個選択し、これら
の出力値の総和を求めるカテゴリ類似度計算部と、前記
カテゴリ類似度計算部から得られる各カテゴリの類似度
を用いて、入力パターン信号のカテゴリの識別及びリジ
ェクト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。
【請求項２】パターン判定部は、カテゴリ類似度計算部
から得られる各カテゴリの類似度の中から最大値を求め
ることによって、入力パターン信号のカテゴリの識別を
行なうカテゴリ識別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。
【請求項３】パターン判定部は、カテゴリ類似度計算部
から得られる各カテゴリの類似度の中で最も大きい第１
位類似度と２番目に大きい第２位類似度を求める候補類
似度検出器と、前記第１位類似度と前記第２位類似度と
の比を求める割算器と、前記割算器の出力と予め定めら
れたリジェクトしきい値を比較し、入力パターン信号の
カテゴリの識別またはリジェクトの判定を行なうカテゴ
リ識別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。
【請求項４】パターン判定部は、カテゴリ類似度計算部
から得られる各カテゴリの類似度の中で最も大きい第１
位類似度と２番目に大きい第２位類似度を求める候補類
似度検出器と、前記第１位類似度と前記第２位類似度と
の比を求める割算器と、第１位類似度をもつ第１候補カ
テゴリと第２位類似度をもつ第２候補カテゴリの組合わ
せに応じて定まるリジェクトしきい値が複数個記憶され
ているリジェクトしきい値記憶部と、前記候補類似度検
出器から得られる前記第１候補カテゴリと前記第２候補
カテゴリの組合わせに対応するリジェクトしきい値を前
記リジェクトしきい値記憶部から読みだし、前記リジェ
クトしきい値と前記割り算器の出力を比較し、入力パタ
ーン信号のカテゴリの識別またはリジェクトの判定を行
なうカテゴリ識別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。
【請求項５】パターン判定部は、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ー出力信号処理部
と、最上位層の複数個の前記多入力ー出力信号処理部の
出力の中から最大値を選ぶ最大値選択部からなり、前記
多入力ー出力信号処理部は、複数の重み係数を保持する
重み係数記憶部と、複数の入力信号を入力する入力部
と、前記重み係数記憶部に貯えられた重み係数で前記入
力部からの入力信号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入力信号を加え合わせる
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。
【請求項６】ファジィ大分類部は、入力パターン信号と
群辞書に記憶されている全ての群参照用パターン信号と
の距離を計算する複数個の距離計算部と、前記距離計算
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
記距離計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１〜５のいずれかに記載のパタ
ーン認識装置。
【請求項７】細分類部は、入力パターン信号の各カテゴ
リの代表値を示すカテゴリ参照用パターン信号が複数個
記憶されているカテゴリ辞書と、入力パターン信号と前
記カテゴリ辞書に記憶されている全てのカテゴリ参照用
パターン信号との距離を計算する複数個の距離計算部
と、前記距離計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計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１〜６のいず
れかに記載のパターン認識装置。
【請求項８】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ー出力信号処理部からな
り、前記多入力ー出力信号処理部は、複数の重み係数を
保持する重み係数記憶部と、複数の入力信号を入力する
入力部と、前記重み係数記憶部に貯えられた重み係数で
前記入力部からの入力信号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入力信号を加え合
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１〜６のいずれかに記載のパターン認識装置。