JPH0676064A - パターン識別装置 - Google Patents
パターン識別装置Info
- Publication number
- JPH0676064A JPH0676064A JP22836892A JP22836892A JPH0676064A JP H0676064 A JPH0676064 A JP H0676064A JP 22836892 A JP22836892 A JP 22836892A JP 22836892 A JP22836892 A JP 22836892A JP H0676064 A JPH0676064 A JP H0676064A
- Authority
- JP
- Japan
- Prior art keywords
- class
- template
- data
- probability density
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 テンプレートマッチングにおいて、いかなる
特徴量に対しても適切な正規化ができ、高識別率の判別
を可能とする。 【構成】 確率密度計算装置１は、サンプルデータの特
徴量ベクトルから各正解クラス毎に各特徴量の条件付確
率密度関数を求め、メモリ２に保存する。特徴量変換装
置３ａは上記サンプルデータ、特徴量変換装置３ｂは識
別対象データの特徴量ベクトルを、上記条件付確率密度
関数を用いて変換する。テンプレート作成装置４は上記
変換されたサンプルデータの特徴量ベクトルからテンプ
レート及びテンプレート補助データを作成する。このテ
ンプレート及びテンプレート補助データを用い、マッチ
ング度計算装置５は上記識別対象データと各クラスとの
マッチング度を計算し、クラス判定装置６はこのマッチ
ング度から最も高いマッチング度の属するクラスを識別
対象データの属するクラスと判定する。
特徴量に対しても適切な正規化ができ、高識別率の判別
を可能とする。 【構成】 確率密度計算装置１は、サンプルデータの特
徴量ベクトルから各正解クラス毎に各特徴量の条件付確
率密度関数を求め、メモリ２に保存する。特徴量変換装
置３ａは上記サンプルデータ、特徴量変換装置３ｂは識
別対象データの特徴量ベクトルを、上記条件付確率密度
関数を用いて変換する。テンプレート作成装置４は上記
変換されたサンプルデータの特徴量ベクトルからテンプ
レート及びテンプレート補助データを作成する。このテ
ンプレート及びテンプレート補助データを用い、マッチ
ング度計算装置５は上記識別対象データと各クラスとの
マッチング度を計算し、クラス判定装置６はこのマッチ
ング度から最も高いマッチング度の属するクラスを識別
対象データの属するクラスと判定する。
Description
【０００１】
【産業上の利用分野】この発明は画像及び信号等の識別
に適用されるパターン識別装置に関する。
に適用されるパターン識別装置に関する。
【０００２】
【従来の技術】パターンの識別において、多次元パター
ン空間の各軸は、多くの場合比較することのできない異
なった性質を有する軸である。例えば、人体の状態の特
徴として、身長、体重、体温、血圧を適用した場合、各
々は異なった性質を有している。
ン空間の各軸は、多くの場合比較することのできない異
なった性質を有する軸である。例えば、人体の状態の特
徴として、身長、体重、体温、血圧を適用した場合、各
々は異なった性質を有している。
【０００３】このため、上述したような特徴軸をパター
ンの識別において用いる際、各々の特徴軸の単位が異な
り、単位長の空間設定が問題となる。例えば、２つの特
徴量を対象にｘ軸及びｙ軸で表示すると、図３（ａ）に
示す場合、点１と点２、点３と点４が各々位置的に近
く、類似していると考えられる。しかし、軸の測定単位
を変更して、上記ｘ軸の単位を２倍に、上記ｙ軸の単位
を０．５倍にした場合、図３（ｂ）に示すように、点１
と点３、点２と点４とが位置的に近くなる。従って、識
別方法にパターンマッチング判別手法を用いる場合、対
象とする特徴量の特徴軸を正規化する必要がある。従
来、上述した特徴量の正規化方法には、各特徴量軸に対
して平均値の回りの分散を各々等しくする方法が適用さ
れている。
ンの識別において用いる際、各々の特徴軸の単位が異な
り、単位長の空間設定が問題となる。例えば、２つの特
徴量を対象にｘ軸及びｙ軸で表示すると、図３（ａ）に
示す場合、点１と点２、点３と点４が各々位置的に近
く、類似していると考えられる。しかし、軸の測定単位
を変更して、上記ｘ軸の単位を２倍に、上記ｙ軸の単位
を０．５倍にした場合、図３（ｂ）に示すように、点１
と点３、点２と点４とが位置的に近くなる。従って、識
別方法にパターンマッチング判別手法を用いる場合、対
象とする特徴量の特徴軸を正規化する必要がある。従
来、上述した特徴量の正規化方法には、各特徴量軸に対
して平均値の回りの分散を各々等しくする方法が適用さ
れている。
【０００４】
【発明が解決しようとする課題】しかし、上記従来の方
法では、次元の異なる特徴量、例えばスイッチのＯＮ／
ＯＦＦと高さ計測データ等、を正規化する際、適切な正
規化がなされない。又、ユークリッド距離とハミング距
離（数字０〜９の場合、例えば、１と２の距離と１と９
の距離は同じである。）を扱う場合にも不都合が生じる
ため、適切なパターンの識別がなされない。
法では、次元の異なる特徴量、例えばスイッチのＯＮ／
ＯＦＦと高さ計測データ等、を正規化する際、適切な正
規化がなされない。又、ユークリッド距離とハミング距
離（数字０〜９の場合、例えば、１と２の距離と１と９
の距離は同じである。）を扱う場合にも不都合が生じる
ため、適切なパターンの識別がなされない。
【０００５】この発明は、上記実情に鑑みてなされたも
ので、いかなる特徴量に対しても適切な正規化ができ、
これにより高い識別率を可能とし得るパターン識別装置
を提供することを目的とする。
ので、いかなる特徴量に対しても適切な正規化ができ、
これにより高い識別率を可能とし得るパターン識別装置
を提供することを目的とする。
【０００６】
【課題を解決するための手段】この発明に係るパターン
識別装置は、複数個の異なる特徴量（特徴量ベクトル）
で表現されるデータ群で、特徴量値と正しいクラスが分
かっている十分な個数のサンプルデータが与えられた
時、処理上発生するデータを記憶する記憶手段と、上記
複数個のサンプルデータから条件付確率密度関数を計算
する確率密度関数計算手段と、この確率密度関数計算手
段によって算出された上記条件付密度関数を用い、上記
サンプルデータの特徴量ベクトルを条件付確率密度特徴
量ベクトルに変換し、又識別対象データの特徴量ベクト
ルが与えられた時、この識別対象データの特徴量ベクト
ルを変換する特徴量変換手段と、この特徴量変換手段に
よって生成された上記条件付確率密度特徴量ベクトルと
上記サンプルデータの正しいクラスとから、特徴量ベク
トルの平均ベクトル（テンプレート）と、平均に関する
クラス毎の共分散行列の固有値と固有ベクトルの全部又
は一部を用いたテンプレート補助データを生成するテン
プレート作成手段と、このテンプレート作成手段によっ
て作成されたテンプレート及びテンプレート補助データ
と、上記特徴量変換手段によって変換された識別対象デ
ータの特徴量ベクトルとを用いて、上記識別対象データ
に対する各クラスのマッチング度を求めるマッチング度
計算手段と、このマッチング度計算手段によって求めら
れたマッチング度から上記識別対象データの属するクラ
スを判定するクラス判定手段とを具備することを特徴と
する。
識別装置は、複数個の異なる特徴量（特徴量ベクトル）
で表現されるデータ群で、特徴量値と正しいクラスが分
かっている十分な個数のサンプルデータが与えられた
時、処理上発生するデータを記憶する記憶手段と、上記
複数個のサンプルデータから条件付確率密度関数を計算
する確率密度関数計算手段と、この確率密度関数計算手
段によって算出された上記条件付密度関数を用い、上記
サンプルデータの特徴量ベクトルを条件付確率密度特徴
量ベクトルに変換し、又識別対象データの特徴量ベクト
ルが与えられた時、この識別対象データの特徴量ベクト
ルを変換する特徴量変換手段と、この特徴量変換手段に
よって生成された上記条件付確率密度特徴量ベクトルと
上記サンプルデータの正しいクラスとから、特徴量ベク
トルの平均ベクトル（テンプレート）と、平均に関する
クラス毎の共分散行列の固有値と固有ベクトルの全部又
は一部を用いたテンプレート補助データを生成するテン
プレート作成手段と、このテンプレート作成手段によっ
て作成されたテンプレート及びテンプレート補助データ
と、上記特徴量変換手段によって変換された識別対象デ
ータの特徴量ベクトルとを用いて、上記識別対象データ
に対する各クラスのマッチング度を求めるマッチング度
計算手段と、このマッチング度計算手段によって求めら
れたマッチング度から上記識別対象データの属するクラ
スを判定するクラス判定手段とを具備することを特徴と
する。
【０００７】
【作用】複数個の特徴量ベクトルで表現されるデータ群
で、特徴量値と正しいクラスが分かっている十分な個数
のサンプルデータが与えられた時、確率密度関数計算装
置において、上記各特徴量の頻度分布が計算され、特徴
量変換パラメータとなる条件付確率密度関数が求められ
る。
で、特徴量値と正しいクラスが分かっている十分な個数
のサンプルデータが与えられた時、確率密度関数計算装
置において、上記各特徴量の頻度分布が計算され、特徴
量変換パラメータとなる条件付確率密度関数が求められ
る。
【０００８】特徴量変換装置では、上記確率密度関数計
算装置によって求められた特徴量変換パラメータ（条件
付確率密度関数）を用いて上記各サンプルデータの特徴
量ベクトルを変換し、正規化された新しい特徴量ベクト
ルを求める。この新しい特徴量ベクトルは、変換前の特
徴量ベクトがｍ次元、クラス数がｎクラスである場合、
ｍ＊ｎ次元のベクトルとなる。このため、上記変換後の
特徴量ベクトルは、各クラスに対する確からしさのみを
特徴量ベクトル（ｍ次元ベクトル）とした場合に比べて
クラス間の相関が考慮されているため、後述の識別の
際、識別率が向上する。
算装置によって求められた特徴量変換パラメータ（条件
付確率密度関数）を用いて上記各サンプルデータの特徴
量ベクトルを変換し、正規化された新しい特徴量ベクト
ルを求める。この新しい特徴量ベクトルは、変換前の特
徴量ベクトがｍ次元、クラス数がｎクラスである場合、
ｍ＊ｎ次元のベクトルとなる。このため、上記変換後の
特徴量ベクトルは、各クラスに対する確からしさのみを
特徴量ベクトル（ｍ次元ベクトル）とした場合に比べて
クラス間の相関が考慮されているため、後述の識別の
際、識別率が向上する。
【０００９】識別対象データの特徴量ベクトルが与えら
れた時、特徴量変換装置において、上記特徴量変換パラ
メータを用いて識別対象データの特徴量ベクトルが変換
され、新しい特徴量ベクトルが求められる。
れた時、特徴量変換装置において、上記特徴量変換パラ
メータを用いて識別対象データの特徴量ベクトルが変換
され、新しい特徴量ベクトルが求められる。
【００１０】テンプレート作成装置では、上記特徴量変
換装置によって得られた新しい特徴量ベクトル、即ち、
条件付確率密度特徴量ベクトルと、上記サンプルデータ
の正解クラスとからテンプレート及びテンプレート補助
データが求められる。マッチング度計算装置は、上記テ
ンプレート及びテンプレート補場データを用いて、上記
特徴量変換装置によって求められた識別対象データの特
徴量ベクトルから各クラスとのマッチング度を計算す
る。この際、計測不能な特徴量データに関しては、その
特徴量を平均値で代用することにより、計測不能データ
をこう了してマッチング度を計算する。クラス判定装置
では、上記マッチング度計算装置により求められたマッ
チング度が最も高いクラスを、上記識別対象データの属
するクラスと判断し、これを識別結果とする。
換装置によって得られた新しい特徴量ベクトル、即ち、
条件付確率密度特徴量ベクトルと、上記サンプルデータ
の正解クラスとからテンプレート及びテンプレート補助
データが求められる。マッチング度計算装置は、上記テ
ンプレート及びテンプレート補場データを用いて、上記
特徴量変換装置によって求められた識別対象データの特
徴量ベクトルから各クラスとのマッチング度を計算す
る。この際、計測不能な特徴量データに関しては、その
特徴量を平均値で代用することにより、計測不能データ
をこう了してマッチング度を計算する。クラス判定装置
では、上記マッチング度計算装置により求められたマッ
チング度が最も高いクラスを、上記識別対象データの属
するクラスと判断し、これを識別結果とする。
【００１１】
【実施例】以下、図面を参照してこの発明の一実施例を
説明する。
説明する。
【００１２】この発明に係るパターン識別装置の構成を
図１に示す。確率密度関数計算装置１は、複数個の異な
る特徴量ベクトルで表現されるデータ群で、特徴量値と
正しいクラスが分かっている十分な個数のサンプルデー
タが与えられた時、サンプルデータの特徴量ベクトルか
ら、各正解クラス毎に各特徴量の条件付確率密度関数を
求める。メモリ２は、この条件付確率密度関数を保存す
る。
図１に示す。確率密度関数計算装置１は、複数個の異な
る特徴量ベクトルで表現されるデータ群で、特徴量値と
正しいクラスが分かっている十分な個数のサンプルデー
タが与えられた時、サンプルデータの特徴量ベクトルか
ら、各正解クラス毎に各特徴量の条件付確率密度関数を
求める。メモリ２は、この条件付確率密度関数を保存す
る。
【００１３】特徴量変換装置３ａは、上記メモリ２に保
存された条件付確率密度関数を用い、与えられたサンプ
ルデータの全ての特徴量ベクトルを条件付確率密度特徴
量ベクトルに変換する。テンプレート作成装置４は、上
記特徴量変換装置３ａにより求められた条件付確率密度
特徴量ベクトルを用い、マッチング度計算の基本となる
各クラスのテンプレートと、マッチング度計算の過程に
必要なテンプレート補助データとを作成して、上記メモ
リ２に保存する。
存された条件付確率密度関数を用い、与えられたサンプ
ルデータの全ての特徴量ベクトルを条件付確率密度特徴
量ベクトルに変換する。テンプレート作成装置４は、上
記特徴量変換装置３ａにより求められた条件付確率密度
特徴量ベクトルを用い、マッチング度計算の基本となる
各クラスのテンプレートと、マッチング度計算の過程に
必要なテンプレート補助データとを作成して、上記メモ
リ２に保存する。
【００１４】特徴量変換装置３ｂは、上記特徴量変換装
置３ａと同様な構成を有しており、識別対象データの特
徴量ベクトルが与えられた時、上記メモリ２に格納され
た条件付確率密度関数を用いて識別対象データの特徴量
ベクトルを変換し、変換した特徴量ベクトルをマッチン
グ度計算装置５に出力する。
置３ａと同様な構成を有しており、識別対象データの特
徴量ベクトルが与えられた時、上記メモリ２に格納され
た条件付確率密度関数を用いて識別対象データの特徴量
ベクトルを変換し、変換した特徴量ベクトルをマッチン
グ度計算装置５に出力する。
【００１５】マッチング度計算装置装置５は、上記識別
対象データが正常データであるか否か判断すると共に、
上記メモリ２に保存されたテンプレート及びテンプレー
ト補助データを用いて上記識別対象データと各クラスと
のマッチング度を計算し、クラス判定装置６に出力す
る。クラス判定装置６は、上記マッチング度計算装置５
において算出されたマッチング度の内、最も高いマッチ
ング度の属するクラスを識別対象データの属するクラス
と判定する。
対象データが正常データであるか否か判断すると共に、
上記メモリ２に保存されたテンプレート及びテンプレー
ト補助データを用いて上記識別対象データと各クラスと
のマッチング度を計算し、クラス判定装置６に出力す
る。クラス判定装置６は、上記マッチング度計算装置５
において算出されたマッチング度の内、最も高いマッチ
ング度の属するクラスを識別対象データの属するクラス
と判定する。
【００１６】次に同実施例の動作を説明する。複数個の
異なる特徴量ベクトルで表現されるデータ群で、特徴量
値と正しいクラスが分かっている十分な個数のサンプル
データが与えられた時、確率密度関数計算装置１におい
て、各正解クラスＣｉ（ｉ＝１，…，ｎ）毎に各特徴量
ｆｉ（ｉ＝１，…，ｍ）の条件付確率密度関数Ｐ（ｆｉ
｜Ｃｉ）が求められる。生成された条件付確率密度関数
Ｐ（ｆｉ｜Ｃｉ）は、メモリ２に保存される。
異なる特徴量ベクトルで表現されるデータ群で、特徴量
値と正しいクラスが分かっている十分な個数のサンプル
データが与えられた時、確率密度関数計算装置１におい
て、各正解クラスＣｉ（ｉ＝１，…，ｎ）毎に各特徴量
ｆｉ（ｉ＝１，…，ｍ）の条件付確率密度関数Ｐ（ｆｉ
｜Ｃｉ）が求められる。生成された条件付確率密度関数
Ｐ（ｆｉ｜Ｃｉ）は、メモリ２に保存される。
【００１７】又、上記サンプルデータは、確率密度関数
計算装置１に入力されると共に、特徴量変換装置３ａに
入力される。特徴量変換装置３ａにおいて、入力された
全サンプルデータの特徴量ベクトルは、条件付確率密度
特徴量ベクトルｖに変換される。この際、上記メモリ２
に保存された条件付確率密度関数Ｐ（ｆｉ｜Ｃｉ）が用
いられる。条件付確率密度特徴量ベクトルｖは、 ｖ ＝ （Ｐ（ｇ1 ｜Ｃ1 ），Ｐ（ｇ1 ｜Ｃ2 ），…，Ｐ（ｇ1 ｜Ｃｎ）， Ｐ（ｇ2 ｜Ｃ1 ），Ｐ（ｇ2 ｜Ｃ2 ），…，Ｐ（ｇ2 ｜Ｃｎ）， ・・・ Ｐ（ｇｍ｜Ｃ1 ），Ｐ（ｇｍ｜Ｃ2 ），…，Ｐ（ｇｍ｜Ｃｎ）） となる。上述した条件付確率密度関数と確率密度特徴ベ
クトルとの例を図２（ａ）及び（ｂ）に示す。
計算装置１に入力されると共に、特徴量変換装置３ａに
入力される。特徴量変換装置３ａにおいて、入力された
全サンプルデータの特徴量ベクトルは、条件付確率密度
特徴量ベクトルｖに変換される。この際、上記メモリ２
に保存された条件付確率密度関数Ｐ（ｆｉ｜Ｃｉ）が用
いられる。条件付確率密度特徴量ベクトルｖは、 ｖ ＝ （Ｐ（ｇ1 ｜Ｃ1 ），Ｐ（ｇ1 ｜Ｃ2 ），…，Ｐ（ｇ1 ｜Ｃｎ）， Ｐ（ｇ2 ｜Ｃ1 ），Ｐ（ｇ2 ｜Ｃ2 ），…，Ｐ（ｇ2 ｜Ｃｎ）， ・・・ Ｐ（ｇｍ｜Ｃ1 ），Ｐ（ｇｍ｜Ｃ2 ），…，Ｐ（ｇｍ｜Ｃｎ）） となる。上述した条件付確率密度関数と確率密度特徴ベ
クトルとの例を図２（ａ）及び（ｂ）に示す。
【００１８】特徴量変換装置３ａにおいて生成された条
件付確率密度特徴量ベクトルｖは、その正解クラスと共
にテンプレート作成装置４に送られる。テンプレート作
成装置４は、テンプレートとテンプレート補助データを
作成し、これらをメモリ２に保存する。
件付確率密度特徴量ベクトルｖは、その正解クラスと共
にテンプレート作成装置４に送られる。テンプレート作
成装置４は、テンプレートとテンプレート補助データを
作成し、これらをメモリ２に保存する。
【００１９】一方、識別対象データが与えられた時、こ
の識別対象データの特徴量ベクトルは、特徴量変換装置
３ｂに送られて新しい特徴量ベクトルに変換される。こ
の際、上記メモリ２に保存されている条件付確率密度関
数Ｐ（ｆｉ｜Ｃｉ）が用いられる。特徴量変換装置３ｂ
において変換された識別対象データの特徴量ベクトル
は、マッチング度計算装置５に送られる。上記変換され
た識別対象データの特徴量ベクトルは、マッチング度計
算装置５において正常データであるか否かを判断され、
正常データと判断された識別対象データは、各クラスと
のマッチング度が計算される。この際、上記メモリ２に
保存されているテンプレート及びテンプレート補助デー
タを用いる。計算された各クラスとのマッチング度は、
クラス判定装置７に送られる。クラス判定装置７では、
各クラスとのマッチング度の内、最も高いマッチング度
のクラスが識別対象データの属するクラスと判定され
る。
の識別対象データの特徴量ベクトルは、特徴量変換装置
３ｂに送られて新しい特徴量ベクトルに変換される。こ
の際、上記メモリ２に保存されている条件付確率密度関
数Ｐ（ｆｉ｜Ｃｉ）が用いられる。特徴量変換装置３ｂ
において変換された識別対象データの特徴量ベクトル
は、マッチング度計算装置５に送られる。上記変換され
た識別対象データの特徴量ベクトルは、マッチング度計
算装置５において正常データであるか否かを判断され、
正常データと判断された識別対象データは、各クラスと
のマッチング度が計算される。この際、上記メモリ２に
保存されているテンプレート及びテンプレート補助デー
タを用いる。計算された各クラスとのマッチング度は、
クラス判定装置７に送られる。クラス判定装置７では、
各クラスとのマッチング度の内、最も高いマッチング度
のクラスが識別対象データの属するクラスと判定され
る。
【００２０】
【発明の効果】以上詳記したようにこの発明によれば、
テンプレートマッチングにおいて、確率密度計算装置１
及び特徴量変換装置３ａ，３ｂにより正規化された特徴
量ベクトルを算出することができるため、いかなる特徴
量に対しても適切な正規化が可能となり、高い識別率を
得ることができる。
テンプレートマッチングにおいて、確率密度計算装置１
及び特徴量変換装置３ａ，３ｂにより正規化された特徴
量ベクトルを算出することができるため、いかなる特徴
量に対しても適切な正規化が可能となり、高い識別率を
得ることができる。
【図１】この発明の一実施例に係るパターン識別装置の
全体を示すブロック図。
全体を示すブロック図。
【図２】同実施例における条件付確率密度関数と確率密
度特徴量ベクトルとの関係を示す図。
度特徴量ベクトルとの関係を示す図。
【図３】従来のパターン識別装置において、パターン空
間の座標軸の単位設定の変更によってデータ間の距離が
変化する例を示す図。
間の座標軸の単位設定の変更によってデータ間の距離が
変化する例を示す図。
１…確率密度関数計算装置、２…メモリ、３ａ，３ｂ…
特徴量変換装置、４…テンプレート作成装置、５…マッ
チング度計算装置、６…クラス判定装置。
特徴量変換装置、４…テンプレート作成装置、５…マッ
チング度計算装置、６…クラス判定装置。
Claims (1)
- 【請求項１】 複数個の異なる特徴量（特徴量ベクト
ル）で表現されるデータ群で、特徴量値と正しいクラス
が分かっている十分な個数のサンプルデータが与えられ
た時、 処理上発生するデータを記憶する記憶手段と、 上記複数個のサンプルデータから条件付確率密度関数を
計算する確率密度関数計算手段と、 この確率密度関数計算手段によって算出された上記条件
付密度関数を用い、上記サンプルデータの特徴量ベクト
ルを条件付確率密度特徴量ベクトルに変換し、又識別対
象データの特徴量ベクトルが与えられた時、この識別対
象データの特徴量ベクトルを変換する特徴量変換手段
と、 この特徴量変換手段によって生成された上記条件付確率
密度特徴量ベクトルと上記サンプルデータの正しいクラ
スとから、特徴量ベクトルの平均ベクトル（テンプレー
ト）と、平均に関するクラス毎の共分散行列の固有値と
固有ベクトルの全部又は一部を用いたテンプレート補助
データを生成するテンプレート作成手段と、 このテンプレート作成手段によって作成されたテンプレ
ート及びテンプレート補助データと、上記特徴量変換手
段によって変換された識別対象データの特徴量ベクトル
とを用いて、上記識別対象データに対する各クラスのマ
ッチング度を求めるマッチング度計算手段と、 このマッチング度計算手段によって求められたマッチン
グ度から上記識別対象データの属するクラスを判定する
クラス判定手段とを具備することを特徴とするパターン
識別装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22836892A JPH0676064A (ja) | 1992-08-27 | 1992-08-27 | パターン識別装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22836892A JPH0676064A (ja) | 1992-08-27 | 1992-08-27 | パターン識別装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0676064A true JPH0676064A (ja) | 1994-03-18 |
Family
ID=16875371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22836892A Withdrawn JPH0676064A (ja) | 1992-08-27 | 1992-08-27 | パターン識別装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0676064A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006350434A (ja) * | 2005-06-13 | 2006-12-28 | Toshiba Corp | 手形状認識装置及びその方法 |
| JP2007240654A (ja) * | 2006-03-06 | 2007-09-20 | Asahi Kasei Corp | 体内伝導通常音声変換学習装置、体内伝導通常音声変換装置、携帯電話機、体内伝導通常音声変換学習方法、体内伝導通常音声変換方法 |
-
1992
- 1992-08-27 JP JP22836892A patent/JPH0676064A/ja not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006350434A (ja) * | 2005-06-13 | 2006-12-28 | Toshiba Corp | 手形状認識装置及びその方法 |
| JP2007240654A (ja) * | 2006-03-06 | 2007-09-20 | Asahi Kasei Corp | 体内伝導通常音声変換学習装置、体内伝導通常音声変換装置、携帯電話機、体内伝導通常音声変換学習方法、体内伝導通常音声変換方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0570896B1 (en) | Method for tachycardia discrimination or rate adaptive pacing with multiple sensors | |
| EP1966760A2 (en) | Automatic 3-d object detection | |
| JP2006155594A (ja) | パターン認識装置、パターン認識方法 | |
| JP2012190159A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| JP2010039778A (ja) | 次元削減方法、パターン認識用辞書生成装置、及びパターン認識装置 | |
| US9576222B2 (en) | Image retrieval apparatus, image retrieval method, and recording medium | |
| JP2002230551A (ja) | 確率密度関数を用いたパターン認識装置および方法 | |
| CN108932468B (zh) | 一种适用于心理学的面部识别方法 | |
| JPH0676064A (ja) | パターン識別装置 | |
| Sauer et al. | Reconstructing the Jacobian from data with observational noise | |
| CN112003662B (zh) | 认知网络中的基于降维和聚类的协作频谱感知方法、装置 | |
| CN109978066B (zh) | 基于多尺度数据结构的快速谱聚类方法 | |
| JPH05298452A (ja) | パターン認識装置 | |
| US10586154B2 (en) | State estimation apparatus, state estimation method, and integrated circuit | |
| Van Der Voet et al. | New probabilistic versions of the SIMCA and CLASSY classification methods: Part 1. Theoretical description | |
| JP2000090274A (ja) | パターン識別方法及びパターン識別プログラムを記録した記録媒体 | |
| JP3021123B2 (ja) | パターン認識装置 | |
| JP3841481B2 (ja) | 特徴抽出装置及びそれを用いたパターン識別装置 | |
| JP2000137818A (ja) | パターン認識方式 | |
| KR102316556B1 (ko) | 웨어러블 디바이스 기반 적응형 dtw을 이용한 손동작 인식기 및 인식 방법 | |
| Costen et al. | Markov fields for recognition derived from facial texture error. | |
| Zhang et al. | A computational perspective on projection pursuit in high dimensions: feasible or infeasible feature extraction | |
| JPH05274149A (ja) | ファジィ制御方法 | |
| JPS59161782A (ja) | パタ−ン・マツチング方法 | |
| Chaudhari et al. | An Introduction to Principal Component Analysis and Its Applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19991102 |