JPH0566597B2 - - Google Patents

Description

【発明の詳細な説明】 産業上の利用分野 本発明は、不特定多数の利用者を対象とした認
識装置に用いる標準パタンの作成装置に関するも
のである。

従来の技術 従来、認識装置、例えば音声認識装置（樺沢
他；“不特定話者単語音声認識ボード。日本音響
学会講演論文集（P145〜146）59年３月）や文
字、図形の認識装置などでは、入力データを分析
することによつて得られるｎ次元の特徴ベクトル
系列｛ａ→₁，ａ→₂，…，ａ→_I｝に対して、あらかじ
め装置内に登録してあるＰ個の標準パターンベク
トル系列｛ｂ→¹ ₁，ｂ→¹ ₂，…，ｂ→_J｝……｛ｂ→^P ₁
，ｂ→^P ₂，
…，ｂ→^P _K｝の中から、これと距離の最も近いもの、
もしくは最も類似性の大きいものをもつて認識結
果としているが、このとき入力ベクトル系列｛ａ→
_１，ａ→₂，…，ａ→_I｝と標準パターンベクトル系列
のうち１つ、例えばベクトル系列｛ｂ→₁，b₂，
…，b_M｝（但し＝１〜Ｐ）の比較に際してベ
クトル系列｛ａ→₁，ａ→₂，…，ａ→_I｝の一要素ベク
トルａ→_iとベクトル系列｛ｂ→₁，ｂ→₂，…，ｂ
→_M｝
の中の一要素ベクトルｂ→_Mの市街距離、もしくは
ユークリツト距離を計算し、これをもとに２つの
ベクトル系列の総距離を、ダイナミツクプログラ
ミングや線形伸縮などの方法を用いて計算するも
のが大部分である。

但し、市街距離C^j _,n、ユークリツド距離d^j _,n
は次式で与えられる。

ａ→_i＝｛a_i,1，a_i,2，…，a_i,N｝ ｂ→_n＝｛b_n,1，b_n,2，…，b_n,N｝ とするとき C^j _,n＝_N 〓^r=1 ｜a_i,r−b_n,r｜（市街距離） …(1) ところで、辞書として、あらかじめ装置内に登
録してある標準パターンベクトル列としては、特
定の利用者を対象として使用者が認識装置の使用
に先立つて、該当パターンを発声しておき、これ
を用いるもののほか、複数の利用者から集めた多
数のデータをもとに、これらのデータから得られ
た、多数の特徴パターンをグループ化して、グル
ープを代表する特徴パターンを標準パターンとす
る、不特定使用者を対象とした認識装置がある。

不特定使用者を対象とする認識装置における、
標準パターン作成の一例を以下に説明する。

第１の従来例としては、L.R.Rabiner，et al：
“Speaker−independen recognition of isolated
words using clustering techniques”IEEE
Trans.Acoust，Speach Signal Process.，
ASSP−27，PP.336−349（1979）に示されるもの
が代表的である。

第２図は、不特定話者を対象とする認識装置に
おける従来例１の標準パターン作成方式のブロツ
ク図を示すものであり、１１は特徴抽出手段で１
カテゴリ（認識対象）毎に入力されるＮ個の入力
パターンについて各入力パターン毎にその特徴量
を抽出して入力パターンを表わす特徴パターンす
なわち前述の特徴ベクトル系列｛ａ→₁，ａ→₂，…，
ａ→_I｝を生成する。１２は記憶手段で、特徴抽出
手段１１で生成された特徴パターンを記憶する。
１３は計算手段で、前記特徴パターン間の距離を
計算し結果を保持する。１４はグループ化手段
で、前記計算結果に基づいて、特徴パターンと他
の特徴パターンとの距離が小さい上位Ｋ個を１つ
の特徴パターン群とし各特徴パターン毎に選ばれ
たＮ個の特徴パターン群間で共通する特徴パター
ンの数が所定数K_s（Ｋ）以上の特徴パターン群
をグループ化する。１５は判断手段で、グループ
化手段４ａでグループ化されたグループの数が所
定数Ｍであるかどうかを判断してＭ個でない時は
グループ手段１４を再駆動させる。１６は平均手
段で、前記グループ内のそれぞれの特徴パターン
を平均する。

以上の様に構成された従来の標準パターン作成
装置について、以下その動作について説明する。
入力パターンは特徴抽出手段１１で特徴抽出され
て、入力パターンを表わす特徴パターンA_iが生成
される。一つのカテゴリに対するＮ個の入力パタ
ーンについて入力パターン毎に生成された前記特
徴パターンA_i（ｉ＝０，…，Ｎ−１）は記憶手段
１２にそれぞれ記憶される。記憶手段１２で記憶
されているＮ個の特徴パターン群A_i（ｉ＝０，…，
Ｎ−１）に対し、計算手段１３でそれぞれの特徴
パターン間の距離計算を行い、それぞれの計算結
果D_ij＝｜A_i−A_j｜（ｉ，ｊ＝０，…，Ｎ−１）を
保持する。グループ化手段１４では前記計算結果
に基づいて、一つの特徴パターンA_iについて他の
特徴パターンとの距離の近いもの上位Ｋ個の特徴
パターン A_i，A_x，…，A_yで構成される特徴パターン群 a_i＝（A_i，A_x，…，A_y），（ｉ＝０，…，Ｎ−
１） を選び、前記特徴パターン群間で共通する特徴パ
ターンが所定個数K_s（Ｋ）以上存在する場合に
該当する特徴パターン同志a_e，a_f｛K_sN_un（a_e
a_f）：ｅ，ｆ＝０，…，Ｎ−１，ｅ≠ｆ；N_un(x)
は集合ｘの要素の数｝をグループ化する。判断手
段１５では、グループ化手段１４でグループ化さ
れたグループの数が所定数Ｍであるかどうかを判
断し、所定数Ｍでない時には、前記特徴パターン
群を構成する特徴パターン数Ｋを１つ増してＫ＋
１としてグループ化手段１４を再駆動させるが、
前記グループの数が所定数Ｍであれば、平均手段
１６を駆動させる。平均手段１６ではグループ化
手段１４でグループ化されて記憶手段１２で記憶
されている特徴パターンのグループB₀，…，
B_M-1についてそれぞれのグループ内のＫ個の特
徴パターンを平均して各グループを代表する標準
パターンS₀，…，S_M-1をそれぞれのカテゴリに対
して前記所定のグループ数Ｍだけ発生する。

以上のように、一群のデータを特徴の似た複数
のグループに分割する手法をクラスタリングと呼
ぶ。

しかしながら、上記のような構成では、前記グ
ループ化された特徴パターンを平均するので、一
つのカテゴリに属する標準パターン間の距離より
も、他のカテゴリに属する標準パターンとの距離
の方が近くなる場合が生じ結果的に、作成された
標準パターンはカテゴリの特徴を失つてしまう。
したがつてこの様な装置により作成した標準パタ
ーンは、パターン認識率の劣化の大きな原因の一
つであるという問題を有していた。

この問題を解決する第２の従来例として、特開
昭59−163681号公報に示される標準パターン作成
装置が有る。これは所定数のグループ内のそれぞ
れの特徴パターン間で当該特徴パターンと他の特
徴パターンとの距離の最大値が最も小さくなる特
徴パターンを選択する選択手段を備えた標準パタ
ーン作成装置であり、カテゴリを表わす特徴を失
わずに標準パターンが作成できる高認識率を与え
る標準パターンを精度よく短時間で作成できる。

第３図は、この標準パターン作成装置のブロツ
ク図を示すものである。

第３図において、２１は特徴抽出手段で、１カ
テゴリ毎に入力されるＮ個の入力パターンについ
て各入力パターン毎にその特徴量を抽出して入力
パターンを表わす特徴パターンを生成する。２２
は記憶手段で、特徴抽出手段２１で生成された特
徴パターンを記憶する。２３は計算手段で、前記
特徴パターン間の距離を計算し結果を保持する。
２４はグループ化手段で、前記計算結果に基づい
て、特徴パターンと他の特徴パターンとの距離が
小さい上位Ｋ個を１つの特徴パターン群とし、各
特徴パターン毎に選ばれたＮ個の特徴パターン群
間で共通する特徴パターンの数が所定数K_s（
Ｋ）以上の特徴パターン群をグループ化する。２
５は判断手段で、グループ化手段２４でグループ
化されたグループの数が所定数Ｍ以上であるかど
うかを判断してＭ個でない時は前記グループ化手
段を再駆動させる。２７は選択手段で、Ｍ個のグ
ループ内のそれぞれの特徴パターン間で当該特徴
パターンと他の特徴パターンとの距離の最大値が
最も小さくなる特徴パターンを選択して、標準パ
ターンとして出力する。

以上の様に構成された標準パターン作成装置に
ついて、以下その動作を説明する。

入力パターンは特徴抽出手段２１で特徴抽出さ
れて、入力パターンを表わす特徴パターンA_iが生
成される。一つのカテゴリに対するＮ個の入力パ
ターンについて、入力パターン毎に生成された前
記特徴パターンA_i（ｉ＝０，…，Ｎ−１）は記憶
手段２２にそれぞれ記憶される。記憶手段２２で
記憶されているＮ個の特徴パターン群A_i（ｉ＝０，
…，Ｎ−１）に対し、計算手段２３でそれぞれの
特徴パターン間の距離計算を行い、それぞれの計
算結果D_ij＝｜A_i−A_j｜（ｉ，ｊ＝０，…，Ｎ−
１）を保持する。グループ化手段２４では前記計
算結果に基づいて、一つの特徴パターンA_iについ
て他の特徴パターンとの距離の近いもの上位Ｋ個
の特徴パターンA_i，A_x，…，A_yで構成される特
徴パターン群a_i＝（A_i，A_x，A_y），（ｉ＝０，…，
Ｎ−１）を選び、前記特徴パターン群間で共通す
る特徴パターンが所定個数K_s（Ｋ）以上存在す
る場合に該当する特徴パターン同志a_e，a_f｛K_s
N_un（a_e a_f）：ｅ，ｆ＝０，…，Ｎ−１，ｅ≠
ｆ；N_un(x)は集合ｘの要素の数｝をグループ化す
る。判断手段２５ではグループ化手段２４でグル
ープ化されたグループの数が所定数Ｍであるかど
うかを判断し、所定数Ｍでない時には、前記特徴
パターン群を構成する特徴パターン数Ｋを１つ増
してＫ＋１として、グループ化手段２４を再駆動
させるが、前記グループの数が所定数Ｍであれ
ば、選択手段２７を駆動させる。選択手段２７で
は、グループ化手段２４でグループ化された特徴
パターン群について特徴パターン間で当該特徴パ
ターンA_q（B：＝０，…，Ｍ−１，ｑ＝０，
…，Ｋ−１）と他の特徴パターンA_r（B：
≠ｒ＝０，…，Ｋ−１）との距離の最大値D_qnax
（ｑ＝０，…，Ｋ−１）が最も小さくなる特徴パ
ターンA^* _n（ｍ＝０，…，Ｍ−１）を選択して標準
パターンとして出力する。

以上のようにこの従来例によれば、グループ内
のそれぞれの特徴パターン間で当該特徴パターン
と他の特徴パターンとの距離の最大値が最も小さ
くなる特徴パターンを選択することにより、カテ
ゴリを表わす特徴を失わずに標準パターンが作成
でき高認識率を与える標準パターンを精度よく短
時間で作成できる。

このクラスタリング手法をCLSクラスタリング
と呼ぶ。

発明が解決しようとする問題点 しかしながらこのような従来の方式では、例え
ば音声認識装置の場合に、同一単語の多数パター
ンから、その単語を代表する中心パターンを抽出
するのに有効であるが、違つた年齢・性別等バラ
ツキの大きなデータでは異なる単語間でも距離が
非常に小さいものが有り、標準パターンの生成に
際して互のグループ間距離が接近し、誤認識を起
こしやすいという欠点を有する。

本発明はかかる点に鑑み、グループ間距離を大
きくした標準パターンを得ることができるパター
ン作成装置を提供することを目的としている。

問題点を解決するための手段 本発明は、複数の認識対象の各認識対象毎に異
なる発生条件で得た複数のサンプルの特徴パター
ンを抽出する特徴パターン抽出手段と、前記特徴
パターンの相互間の距離を計算する計算手段と、
異なる認識対象の特徴パターン間の距離が所定値
よりも小さいとき当該特徴パターンのサンプルを
標準パターン作成のためのサンプルから除外する
サンプル選択手段と、各認識対象毎に、当該認識
対象の前記除外サンプル以外のサンプルをもと
に、当該サンプルより生成された特徴パターン間
の距離の各グループ毎の最大値が最小となるよう
に前記当該サンプルをグループ化し、グループの
中心となるサンプルを標準パターンとする標準パ
ターン決定手段とを備えた標準パターン作成装置
である。

作 用 本発明は以上のように構成することにより、複
数の認識対象の各認識対象毎に異なる発生条件で
得た複数のサンプルの特徴パターンを抽出し、こ
の特徴パターンの相互間の距離を計算し、異なる
認識対象の特徴パターン間の距離が所定値よりも
小さいとき当該特徴パターンのサンプルを標準パ
ターン作成のためのサンプルから除外し、各認識
対象毎に、当該認識対象の前記除外サンプル以外
のサンプルをもとに、当該サンプルより生成され
た特徴パターンの距離の各グループ毎の最大値が
最小となるように前記当該サンプルをグループ化
し、グループの中心となるサンプルを標準パター
ンとする。

実施例 以下、本発明の一実施例について図面とともに
説明する。第１図は本発明の一実施例における音
声認識装置のブロツク図である。

同図において、１は入力信号をｎ次元のパラメ
ータベクトル系列｛ａ→₁，ａ→₂，…，ａ→_i，…，ａ
→_I｝
に逐次変換する特徴抽出部で、フイルタバンク、
フーリエ変換器などにより構成される。２はスイ
ツチで、標準パターン作成時にはＡ側に、パター
ン比較時にはＢ側に切りかわる。３は標準パター
ン作成部で認識動作に供する標準パターン｛ｂ→
¹ _1,1，…，ｂ→¹ _J,1｝……｛ｂ→^P _1,1，…，ｂ→^P _K,1｝
を作成す
る。４はパターン記憶部で、上記標準パターン系
列｛ｂ→¹ _1,1，ｂ→¹ _2,1，…，ｂ→¹ _J,1｝，…，｛ｂ→
^P _1,1，ｂ→^P _2,1，
…，ｂ→^P _K,1｝を記憶する。５は前記パラメータベク
トル系列｛ａ→₁，ａ→₂，…，ａ→_I｝と標準パターン
記憶部４に記憶されている標準パターンとの距離
を計算する距離計算部である。６は距離計算部５
により得られたＰ個の距離のうち最小なる標準パ
ターンを認識結果として出力信号線７に出力する
判定部である。

次に標準パターン作成部３の内部構成について
説明する。

８は記憶手段で、特徴抽出部１で生成された
特徴パターンを記憶する。９は計算手段で、前記
特徴パターン間の距離を計算し結果を保持する。
１０はグループ化手段Ｉで、前記計算結果に基づ
いて、特徴パターンと他の特徴パターンとの距離
が小さい上位Ｋ個を１つの特徴パターン群とし、
各特徴パターン毎に選ばれたＮ個の特徴パターン
群間で共通する特徴パターンの数が所定数K_s（
Ｋ）以上の特徴パターン群をグループ化する。１
１は判断手段Ｉで、グループ化手段Ｉ１０でグル
ープ化されたグループの数が所定数Ｍ以上である
かどうかを判断してＭ個でない時は前記グループ
化手段を再駆動させる。１２は選択手段Ｉで、Ｍ
個のグループ内のそれぞれの特徴パターン間で当
該特徴パターンと他の特徴パターンとの距離の最
大値が最も小さくなる特徴パターンを選択して、
標準パターンとして出力する。１３は記憶手段
で、選択手段で生成された特徴パターンを記憶
する。１４は計算手段で、前記特徴パターン間
の距離を計算し結果を保持する。１５はグループ
化手段で、前記計算結果に基づいて、特徴パタ
ーンと他の特徴パターンとの距離が小さい上位
K′個を１つの特徴パターン群とし、各特徴パタ
ーン毎に選ばれたN′個の特徴パターン群間で共
通する特徴パターンの数が所定数K′_s（K′）以
上の特徴パターン群をグループ化する。１６は判
断手段で、グループ化手段，１５でグループ
化されたグループの数が所定数M′以上であるか
どうかを判断してM′個でない時は前記グループ
化手段を再駆動させる。１７は選択手段で、
M′個のグループ内のそれぞれの特徴パターン間
で当該特徴パターンと他の特徴パターンとの距離
の最大値が最も小さくなる特徴パターンを選択し
て、標準パターンとして標準パターン記憶部４に
記憶する。

次に上記のように構成された装置の動作につい
て、標準パターン作成時、パターン比較時に分け
て各々説明する。

先ず標準パターン作成時にはスイツチ２をＡ側
にし標準パターン作成に供するデータを順次入力
する。

入力データは特徴抽出部１で特徴抽出されて、
入力データを表わす特徴パターンA_iが生成され
る。全カテゴリに対するＮ個の入力パターンにつ
いて、入力データ毎に生成された前記特徴パター
ンA_i（ｉ＝０，…，Ｎ−１）は記憶手段８にそ
れぞれ記憶される。記憶手段８で記憶されてい
るＮ個の特徴パターン群A_i（ｉ＝０，…，Ｎ−１）
に対し、計算手段８でそれぞれの特徴パターン
間の距離計算を行い、それぞれの計算結果D_ij＝
｜A_i−A_j｜（ｉ，ｊ＝０，…，Ｎ−１）を保持す
る。グループ化手段１０では前記計算結果に基
づいて、一つの特徴パターンA_iについて他の特徴
パターンとの距離の近いもの上位Ｋ個の特徴パタ
ーンA_i，A_x，…，A_yで構成される特徴パターン
群a_i＝（A_i，A_x，A_y），（ｉ＝０，…，Ｎ−１）を
選び、前記特徴パターン群間で共通する特徴パタ
ーンが所定個数K_s（Ｋ）以上存在する場合に該
当する特徴パターン同志a_e，a_f｛K_sN_un（a_e
a_f）：ｅ，ｆ＝０，…，Ｎ−１，ｅ≠ｆ；N_un(x)
は集合ｘの要素の数｝をグループ化する。判断手
段１１ではグループ化手段１０でグループ化
されたグループの数が所定数Ｍであるかどうかを
判断し、所定数Ｍでない時には、前記特徴パター
ン群を構成する特徴パターン数Ｋを１つ増してＫ
＋１として、グループ化手段１０を再駆動させ
るが、前記グループの数が所定数Ｍであれば、選
択手段，１１を駆動させる。選択手段１２で
は、グループ化手段１０でグループ化された特
徴パターン群について特徴パターン間で当該特徴
パターンA_q（B：＝０，…，Ｍ−１，ｑ＝
０，…，Ｋ−１）と他の特徴パターンA_r
（B：≠ｒ＝０，…，Ｋ−１）との距離の最
大値D_qnax（ｑ＝０，…，Ｋ−１）が最も小さくな
る特徴パターンをもとに他グループに混入してい
るものを除いた残りのパターンA_i′（i′＝０，…，
N′−１）を選択して出力する。

以上のようにして選択手段１２から出力され
た前記特徴パターンA′_i（i′＝０，…，N′−１）は
記憶手段１３にそれぞれ記憶される。記憶手段
１３で記憶されているN′個の特徴パターン群
A′_i（i′＝０，…，N′−１）に対し、計算手段１
５でそれぞれの特徴パターン間の距離計算を行
い。それぞれの計算結果D′_ij＝｜A′_i−A′_j｜（i′，
j′＝０，…，N′−１）を保持する。グループ化手
段１５では前記計算結果に基づいて、一つの特
徴パターンA′_iについて他の特徴パターンとの距
離の近いもの上位K′個の特徴パターンA′_i′，A′_x′
，
…，A′_y′で構成される特徴パターン群a′_i＝（A′_i′
，
A′_x′，A′_y′），（i′＝０，…，N′−１）を選び、
前
記特徴パターン群間で共通する特徴パターンが所
定個数K′_s（K′）以上存在する場合に該当する
特徴パターン同志a′_e，a′_f｛K′_sN′_u′_n′（a′_e

a′_f）：e′，f′＝０，…，N′−１，e′≠f′；
N′_u′_n′（x′）は集合x′の要素の数｝をグループ化
す
る。判断手段，１６ではグループ化手段，１
５でグループ化されたグループの数が所定数
M′であるかどうかを判断し、所定数M′でない時
には、前記特徴パターン群を構成する特徴パター
ン数K′を１つ増してK′＋１として、グループ化
手段，１５を再駆動させるが、前記グループの
数が所定数M′であれば、選択手段１７を駆動
させる。選択手段１７では、グループ化手段
１５でグループ化された特徴パターン群について
特徴パターン間で当該特徴パターンA′_q
（B′′：′＝０，…，M′−１，q′＝０，…，
K′−１）と他の特徴パターンA′′_r′（B′′：
′
≠r′＝０，…，K′−１）との距離の最大値D′_qnax
（q′＝０，…，K′−１）が最も小さくなる特徴パ
ターンA_n（ｍ＝０，…，Ｍ−１）を選択して標準
パターンとして出力し標準パターン記憶部４に記
憶する。

次にパターン比較の場合について説明する。パ
ターン比較に際しては、スイツチ２をＢ側に接続
し、特徴抽出部１は、入力音声に対応する入力パ
ラメータベクトル列｛ａ→₁，ａ→₂，…，ａ→_I｝を距
離計算部５へ送出する。距離計算部５では特徴抽
出部１、パターン記憶部４から送出された各信号
に対し、式(1)，(2)で示される市街距離、ユークリ
ツド距離等を用いて距離計算を行う。この動作を
標準パターンベクトルの第１グループ＝１〜Ｐ
なると第２グループの同じく＝１〜Ｐに対し
て行い、各々の距離を判定部６に出力する。

判定部６は、これらＰ個の距離のうち最小のも
のを判定し、最小距離を与える標準パターンベク
トルを判定結果として出力信号線７に出力する。

本発明における標準パターン作成時の動作につ
いて、さらに第４図のフローチヤートによつて説
明する。

今認識すべき対象が発声された８つの単語から
成る、央声認識の場合を例にとると、先ず、例え
ばクラスタリング手法に前述の第２の従来例なる
CLSクラスタリングを用いるとすると、８単語の
すべての発声パターンを１つの大きなグループと
して、その大グループをCLSクラスタリングの手
法によつて８つの副グループに分割する(31)。こ
の時各副グループのグループの大きさをグループ
内距離Ｄによつて決定するのであるが、この時単
語グループ間のオーバーラツプが存在しないよう
にＤを決定する。従つて単語間のオーバーラツプ
を生じる様なサンプルはこの時点でとり除くこと
になる(32)。これによつて８つの副グループは認
識対象となる８つの単語を代表することになる。
次に各副グループをさらに複数個の小グループに
クラスタリングし(33)、小グループの中心点を前
述のM_io−M_ax手法等を用いて決定し、中心点を
代表するパターンを、認識対象となる標準パター
ンとする。

本発明を先の従来例との比較によつてさらに説
明する。前記第１、第２の従来例においては、分
類カテゴリ内の各データのみを対象として、その
中の代表点をいくつか求めるものであつた。例え
ば「東京」、「大阪」、「京都」……と発声された複
数のデータのうちから、「東京」という分類カテ
ゴリのデータのみに対して分類方法を適用して、
複数の代表点を求めようとするもので、このうち
第２の従来例では第５図ａに示すように複数の代
表点を求めるクラスタリングに際してカテゴリの
重複するサンプルを除去するものである。これに
対して本発明は、第５図ｂに示すように対象とな
る全カテゴリのデータに対してクラスタリングを
行い、この時点でカテゴリの重複するデータを先
ず除去して、各カテゴリを重複のないサブカテゴ
リに縮小し、このサブカテゴリを、さらにクラス
タリング手法によつて、複数のクラスタに分割す
るものである。

今「大阪」と発声された入力データが第６図５
１の位置に有るとする。従来のクラスタリング手
法では、カテゴリ間、すなわちこの場合、第６図
ａに示すように東京と大阪に重なりが存在するた
め標準パターンの副グループが、重複領域に入り
込む場合が有り、東京の代表標準パターンとの最
小距離と第２位の距離CA₁，CA₂と大阪の代表標
準パターンのそれをCB₁，CB₂とする時 （CA₁＋CA₂）／２＜（CB₁＋CB₂）／２ となり例えば最小２距離の平均で判定した時、誤
認識されることになる。これに対して本発明では
第１のクラスタリングによつて第６図ｂに示すよ
うに、「東京」、「大阪」で重複する領域が排除さ
れるため（CA₁＋CA₂）／２＞（CB₁＋CB₂）／２
となり、正しい認識結果が得られる。

以上の手法により、東京、京都、奈良、犬山、
千葉、大阪の６都市名と「はい」、「いいえ」の合
計８単語について従来のCLSクラスタリング手法
と本発明のダブルクラスタリング手法で認識実験
を行つた結果、従来の認識率が9.34％であつたの
に対し、本発明では97.7％の認識率が得られた。

なお、本実施例は、これをコンピユータに置き
換え、プログラム的にこれを行うことも可能であ
る。又、本実施例では標準パターン作成と認識動
作を同一認識装置上に構成したが、これを２つの
装置とし、標準パターン作成のみを行う装置と、
認識動作を行う装置に分割することも可能であ
る。又、記憶手段と計算手段とグループ化手
段と判断手段と選択手段並びに記憶手段
と計算手段とグループ化手段と判断手段と
選択手段は共用化し、１組の手段を時分割的に
使用することも可能である。

また計算手段９，１４での距離尺度は２つ
の特徴パターンの絶対値としたが、絶対値以外
に、cosh尺度や対数尺度など、距離を表すどの
様な尺度を用いることも可能である。

発明の効果 本発明の標準パターン作成装置は、複数の認識
対象の各認識対象毎に異なる発生条件で得た複数
のサンプルのうちから、異なる認識対象の特徴パ
ターン間の距離が所定値よりも小さいものを除い
て、標準パターンを作成するようにしたので、グ
ループ間の距離の大きい標準パターンを得ること
ができ、この標準パターンを認識装置に用いるこ
とにより、高い認識率を得ることができ、その工
業的価値は大である。

【図面の簡単な説明】

第１図は本発明の一実施例における認識装置の
ブロツク図、第２図、第３図は従来の認識装置に
おける標準パターン作成部のブロツク図、第４図
は本発明の標準パターン作成部の動作を説明する
フローチヤート、第５図は本発明の概念を説明す
る図、第６図は本発明による改善効果を示す図で
ある。 １……特徴抽出部、３……標準パターン作成
部、８，１３……記憶手段、９，１４……計算手
段、１０，１５……グループ化手段、１１，１６
……判断手段、１２，１７……選択手段。

Claims (1)

【特許請求の範囲】
1. １ 複数の認識対象の各認識対象毎に異なる発生
   条件で得た複数のサンプルの特徴パターンを抽出
   する特徴パターン抽出手段と、前記特徴パターン
   の相互間の距離を計算する計算手段と、異なる認
   識対象の特徴パターン間の距離が所定値よりも小
   さいとき当該特徴パターンのサンプルを標準パタ
   ーン作成のためのサンプルから除外するサンプル
   選択手段と、各認識対象毎に、当該認識対象の前
   記除外サンプル以外のサンプルをもとに、当該サ
   ンプルより生成された特徴パターン間の距離の各
   グループ毎の最大値が最小となるように前記当該
   サンプルをグループ化し、グループの中心となる
   サンプルを標準パターンとする標準パターン決定
   手段とを備えた標準パタン作成装置。