JPH0793550A - 類似度検出装置 - Google Patents
類似度検出装置Info
- Publication number
- JPH0793550A JPH0793550A JP5240227A JP24022793A JPH0793550A JP H0793550 A JPH0793550 A JP H0793550A JP 5240227 A JP5240227 A JP 5240227A JP 24022793 A JP24022793 A JP 24022793A JP H0793550 A JPH0793550 A JP H0793550A
- Authority
- JP
- Japan
- Prior art keywords
- spectrum data
- maximum value
- similarity
- value position
- data
- 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- Withdrawn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
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】入力信号のスペクトラムデータが、既知のスペ
クトラムデータとどの程度類似しているかを検出する装
置に関し、少ない回路で精度の高い類似度検出を行なう
ことを目的とする。 【構成】入力信号を高速フーリェ変換し、スペクトラム
データを出力する高速フーリェ変換部１１と、スペクト
ラムデータから、スペクトラムの最大値位置を検出する
最大値位置検出部１２と、スペクトラムの最大値位置を
移動させる最大値位置シフト部１３と、入力信号のスペ
クトラムデータと標準スペクトラムデータとの類似度を
求める類似度検出部１４とを具備することにより構成す
る。
クトラムデータとどの程度類似しているかを検出する装
置に関し、少ない回路で精度の高い類似度検出を行なう
ことを目的とする。 【構成】入力信号を高速フーリェ変換し、スペクトラム
データを出力する高速フーリェ変換部１１と、スペクト
ラムデータから、スペクトラムの最大値位置を検出する
最大値位置検出部１２と、スペクトラムの最大値位置を
移動させる最大値位置シフト部１３と、入力信号のスペ
クトラムデータと標準スペクトラムデータとの類似度を
求める類似度検出部１４とを具備することにより構成す
る。
Description
【０００１】
【産業上の利用分野】本発明は、入力信号のスペクトラ
ムデータが、既知のスペクトラムデータとどの程度類似
しているかを検出する装置に関し、高速フーリェ変換
（以下、ＦＦＴともいう。）後における入力信号のスペ
クトラムデータを、既知の標準スペクトラムデータと比
較し易い形に変換することにより、類似度検出を高速に
行なうものに係る。
ムデータが、既知のスペクトラムデータとどの程度類似
しているかを検出する装置に関し、高速フーリェ変換
（以下、ＦＦＴともいう。）後における入力信号のスペ
クトラムデータを、既知の標準スペクトラムデータと比
較し易い形に変換することにより、類似度検出を高速に
行なうものに係る。
【０００２】
【従来の技術】従来の類似度検出装置は、標準スペクト
ラムデータを蓄積する標準データ保持部や、この標準ス
ペクトラムデータと入力スペクトラムデータとの一致検
出、不一致検出の回数をカウントする検出結果加算部等
の回路を必要としていた。また、比較データがスペクト
ラムデータの場合、単純比較を行なうことが多かった。
ラムデータを蓄積する標準データ保持部や、この標準ス
ペクトラムデータと入力スペクトラムデータとの一致検
出、不一致検出の回数をカウントする検出結果加算部等
の回路を必要としていた。また、比較データがスペクト
ラムデータの場合、単純比較を行なうことが多かった。
【０００３】
【発明が解決しようとする課題】すなわち、従来の類似
検出装置には、標準データ保持部や検出結果加算部等に
多数の回路が必要となるという欠点、また、単純比較の
ため、僅かなピークのずれが大きく結果に係わってくる
という欠点があった。
検出装置には、標準データ保持部や検出結果加算部等に
多数の回路が必要となるという欠点、また、単純比較の
ため、僅かなピークのずれが大きく結果に係わってくる
という欠点があった。
【０００４】本発明は、このような従来技術の欠点に鑑
み、類似度検出装置において、入力されたスペクトラム
データのピークを検出すると共に、そのピークをある任
意の位置にシフトさせる手段を設けることにより、既に
ニューラルネットワークに記憶させてある標準スペクト
ラムデータとの比較を容易なものとして、少ない回路で
精度の高い類似度検出を行なうことを目的とする。
み、類似度検出装置において、入力されたスペクトラム
データのピークを検出すると共に、そのピークをある任
意の位置にシフトさせる手段を設けることにより、既に
ニューラルネットワークに記憶させてある標準スペクト
ラムデータとの比較を容易なものとして、少ない回路で
精度の高い類似度検出を行なうことを目的とする。
【０００５】
【課題を解決するための手段】本発明によれば、上述の
目的は、前記特許請求の範囲に記載した手段にて達成さ
れる。
目的は、前記特許請求の範囲に記載した手段にて達成さ
れる。
【０００６】すなわち、請求項１の発明は、図１に示す
ように、入力信号の時系列波形を高速フーリェ変換し、
スペクトラムデータを出力する高速フーリェ変換部１１
と、スペクトラムデータから、スペクトラムの最大値位
置を検出する最大値位置検出部１２と、スペクトラムの
最大値位置を、標準スペクトラムデータと比較し易い位
置に移動させる最大値位置シフト部１３と、入力信号の
スペクトラムデータと標準スペクトラムデータとを比較
し、その類似度を求める類似度検出部１４とを具備する
類似度検出装置１０である。
ように、入力信号の時系列波形を高速フーリェ変換し、
スペクトラムデータを出力する高速フーリェ変換部１１
と、スペクトラムデータから、スペクトラムの最大値位
置を検出する最大値位置検出部１２と、スペクトラムの
最大値位置を、標準スペクトラムデータと比較し易い位
置に移動させる最大値位置シフト部１３と、入力信号の
スペクトラムデータと標準スペクトラムデータとを比較
し、その類似度を求める類似度検出部１４とを具備する
類似度検出装置１０である。
【０００７】また、請求項２の発明は、標準スペクトラ
ムデータを学習したニューラルネットワークを擁する前
記類似度検出部を具備する類似度検出装置である。
ムデータを学習したニューラルネットワークを擁する前
記類似度検出部を具備する類似度検出装置である。
【０００８】
【作用】本発明は、入力信号のスペクトラムデータの形
を、標準スペクトラムデータと比較し易い形に変換す
る。そして、変換後における入力信号のスペクトラムデ
ータを、ニューラルネットワークへの入力として、その
類似度を導き出す。このニューラルネットワークは、学
習により標準スペクトラムデータを記憶してあるので、
精度の高い類似度検出を高速に行なうこととなる。
を、標準スペクトラムデータと比較し易い形に変換す
る。そして、変換後における入力信号のスペクトラムデ
ータを、ニューラルネットワークへの入力として、その
類似度を導き出す。このニューラルネットワークは、学
習により標準スペクトラムデータを記憶してあるので、
精度の高い類似度検出を高速に行なうこととなる。
【０００９】
【実施例】図２に本発明の一実施例を示す。図２におい
て、音声信号、電波信号等の入力信号は、時系列波形で
あり、高速フーリェ変換部２１により、その入力信号に
含まれる周波数成分がスペクトラムデータに変換され
る。変換されたスペクトラムデータは、最大値の位置検
出部２２に送られる。最大値の位置検出部２２は、任意
の幅のスペクトラムデータの中から、最大値の位置を検
出する。
て、音声信号、電波信号等の入力信号は、時系列波形で
あり、高速フーリェ変換部２１により、その入力信号に
含まれる周波数成分がスペクトラムデータに変換され
る。変換されたスペクトラムデータは、最大値の位置検
出部２２に送られる。最大値の位置検出部２２は、任意
の幅のスペクトラムデータの中から、最大値の位置を検
出する。
【００１０】続いて、入力信号のスペクトラムデータ
は、正規化部２３へ送られる。正規化部２３では、得ら
れた最大値位置を任意の位置へ移動させる。この移動
は、例えば、個々のスペクトラムデータについて、その
最大値が、後に比較し易いように一つの位置に揃うよう
に行なう。
は、正規化部２３へ送られる。正規化部２３では、得ら
れた最大値位置を任意の位置へ移動させる。この移動
は、例えば、個々のスペクトラムデータについて、その
最大値が、後に比較し易いように一つの位置に揃うよう
に行なう。
【００１１】また、その移動は、最大値のある位置と任
意の位置までの比を用いてスペクトラムデータを変換す
るようにする。こうすることにより、単純に位置を揃え
るのではなく、その位置に合ったスペクトラムデータに
変換することができるから、後に、正確な比較をするこ
とができるようになる。
意の位置までの比を用いてスペクトラムデータを変換す
るようにする。こうすることにより、単純に位置を揃え
るのではなく、その位置に合ったスペクトラムデータに
変換することができるから、後に、正確な比較をするこ
とができるようになる。
【００１２】正規化部２３で、最大値の位置を移動させ
られたスペクトラムデータは、次に、類似度検出部２４
へ送られる。この類似度検出部２４は、ニューラルネッ
トワークで構築できるが、このニューラルネットワーク
に対しては、事前に次のような作業を行なっておく。
られたスペクトラムデータは、次に、類似度検出部２４
へ送られる。この類似度検出部２４は、ニューラルネッ
トワークで構築できるが、このニューラルネットワーク
に対しては、事前に次のような作業を行なっておく。
【００１３】まず、標準スペクトラムデータを選んでお
き、このスペクトラムデータに最大値の位置検出、最大
値の位置シフトの各処理を行なっておく。処理を施され
た標準スペクトラムデータを学習データとしてニューラ
ルネットワークに与え、学習させることによって、事前
作業は完了する。
き、このスペクトラムデータに最大値の位置検出、最大
値の位置シフトの各処理を行なっておく。処理を施され
た標準スペクトラムデータを学習データとしてニューラ
ルネットワークに与え、学習させることによって、事前
作業は完了する。
【００１４】事前作業が完了したニューラルネットワー
クで構築された類似度検出部２４は、正規化部２３から
送られてくる入力信号のスペクトラムデータを入力す
る。ここで、入力信号のスペクトラムデータと、標準ス
ペクトラムデータとの比較が為され、これらがどの程度
類似しているかという類似度検出結果が出力される。
クで構築された類似度検出部２４は、正規化部２３から
送られてくる入力信号のスペクトラムデータを入力す
る。ここで、入力信号のスペクトラムデータと、標準ス
ペクトラムデータとの比較が為され、これらがどの程度
類似しているかという類似度検出結果が出力される。
【００１５】図３は、当実施例で示した類似度検出装置
における処理の一例を示す流れ図である。図示する類似
度検出の処理は、一つのサンプルデータを入力するステ
ップと、ＦＦＴ処理を行なうステップと、最大値の位置
を検出するステップと、最大値の正規化を行なうステッ
プと、最大値位置を移動させるステップと、類似度を検
出するステップとから構成されている。
における処理の一例を示す流れ図である。図示する類似
度検出の処理は、一つのサンプルデータを入力するステ
ップと、ＦＦＴ処理を行なうステップと、最大値の位置
を検出するステップと、最大値の正規化を行なうステッ
プと、最大値位置を移動させるステップと、類似度を検
出するステップとから構成されている。
【００１６】標準スペクトラムデータをニューラルネッ
トワークに学習させるための記憶作業時における本発明
装置の説明図を、図４に示す。図中、高速フーリェ変換
部４１は、ドップラーレーダ等から得られる時系列波形
の入力信号に含まれる周波数成分をスペクトラムデータ
に変換する。
トワークに学習させるための記憶作業時における本発明
装置の説明図を、図４に示す。図中、高速フーリェ変換
部４１は、ドップラーレーダ等から得られる時系列波形
の入力信号に含まれる周波数成分をスペクトラムデータ
に変換する。
【００１７】最大値の位置検出部４２は、変換されたス
ペクトラムデータを受け取り、一定の幅のスペクトラム
データの中から最大値を検出すると共に、最大値を
‘１’として、スペクトルパワーを正規化する。
ペクトラムデータを受け取り、一定の幅のスペクトラム
データの中から最大値を検出すると共に、最大値を
‘１’として、スペクトルパワーを正規化する。
【００１８】正規化部４３は、最大値を‘１’とする正
規化が行なわれたスペクトラムデータを入力し、その最
大値位置を正規化する。これは、得られた最大値を一定
の位置に移動するということである。つまり、全ての最
大値を、一つの位置に揃えてしまうのである。
規化が行なわれたスペクトラムデータを入力し、その最
大値位置を正規化する。これは、得られた最大値を一定
の位置に移動するということである。つまり、全ての最
大値を、一つの位置に揃えてしまうのである。
【００１９】このときの位置の移動は、最大値のある位
置と一定の位置までの比を用いて、スペクトラムデータ
を変換することにより行なうことができる。このように
することにより、単純に最大値の位置を揃えるのではな
く、その位置に適したデータに変換することができるの
で、後に正確な比較が可能となるのである。
置と一定の位置までの比を用いて、スペクトラムデータ
を変換することにより行なうことができる。このように
することにより、単純に最大値の位置を揃えるのではな
く、その位置に適したデータに変換することができるの
で、後に正確な比較が可能となるのである。
【００２０】以上により、最大値位置の正規化が済んだ
様々なスペクトラムデータが得られる。標準データ選別
部４５は、この中から、判別したい物体の特徴をよく表
わしていると思われる代表的なデータを抽出して、これ
らを、標準スペクトラムデータとする。
様々なスペクトラムデータが得られる。標準データ選別
部４５は、この中から、判別したい物体の特徴をよく表
わしていると思われる代表的なデータを抽出して、これ
らを、標準スペクトラムデータとする。
【００２１】抽出された標準スペクトラムデータは、類
似度検出部４４のニューラルネットワークに送られる。
このニューラルネットワークは、上記の標準スペクトラ
ムデータを学習し、記憶する。なお、記憶制御部４６
は、ニューラルネットワークにおける各ユニット間の重
み等の変数設定を制御するものである。
似度検出部４４のニューラルネットワークに送られる。
このニューラルネットワークは、上記の標準スペクトラ
ムデータを学習し、記憶する。なお、記憶制御部４６
は、ニューラルネットワークにおける各ユニット間の重
み等の変数設定を制御するものである。
【００２２】図５は、記憶作業時における本発明装置の
処理動作の一例を示す流れ図である。図示する標準スペ
クトラムデータの記憶処理は、図３に示した類似度検出
の処理と同様に、一つのサンプルデータを入力するステ
ップと、ＦＦＴ処理を行なうステップと、最大値の位置
を検出するステップと、正規化を行なうステップと、最
大値位置を移動させるステップとを含んでいる。
処理動作の一例を示す流れ図である。図示する標準スペ
クトラムデータの記憶処理は、図３に示した類似度検出
の処理と同様に、一つのサンプルデータを入力するステ
ップと、ＦＦＴ処理を行なうステップと、最大値の位置
を検出するステップと、正規化を行なうステップと、最
大値位置を移動させるステップとを含んでいる。
【００２３】図５の記憶処理では、さらに、標準スペク
トラムデータを選択するステップと、ニューラルネット
ワークに対して選択標準スペクトラムデータを学習させ
るステップと、ニューラルネットワークにおける記憶制
御変数を設定するステップとを具備している。
トラムデータを選択するステップと、ニューラルネット
ワークに対して選択標準スペクトラムデータを学習させ
るステップと、ニューラルネットワークにおける記憶制
御変数を設定するステップとを具備している。
【００２４】図６に、類似度検出部の構成例を示す。図
６に示す類似度検出部は、ニューラルネットワークで構
成され、その構造は、２9 個の入力ユニットを持つ入力
層と、６０個の中間ユニットを持つ中間層と、４個の出
力ユニットを持つ出力層との三層を有する階層構造とな
っている。
６に示す類似度検出部は、ニューラルネットワークで構
成され、その構造は、２9 個の入力ユニットを持つ入力
層と、６０個の中間ユニットを持つ中間層と、４個の出
力ユニットを持つ出力層との三層を有する階層構造とな
っている。
【００２５】なお、入力層のユニット数は、フーリェ変
換の変換量によって決めており、図６では２9 個として
いる。また、出力層のユニット数は、判別したい物体の
種類の個数で、４個としているが、もちろん適宜変更す
ることができる。
換の変換量によって決めており、図６では２9 個として
いる。また、出力層のユニット数は、判別したい物体の
種類の個数で、４個としているが、もちろん適宜変更す
ることができる。
【００２６】ニューラルネットワークは、学習により、
標準スペクトラムデータを記憶することができるから、
この記憶によって、様々な標準スペクトラムデータを比
較データとして大量に記録しておく必要がなくなる。つ
まり、ニューラルネットワークをひとつ設けるのみで、
様々な標準スペクトラムデータの各特徴を記憶させるこ
とができるのである。
標準スペクトラムデータを記憶することができるから、
この記憶によって、様々な標準スペクトラムデータを比
較データとして大量に記録しておく必要がなくなる。つ
まり、ニューラルネットワークをひとつ設けるのみで、
様々な標準スペクトラムデータの各特徴を記憶させるこ
とができるのである。
【００２７】類似度の検出結果は、記憶作業が済んだニ
ューラルネットワークから出力されることになる。ニュ
ーラルネットワークは、随時入力されるスペクトラムデ
ータを面倒な計算や照会をすることなしに認識という手
段で素早く比較を行なうので、それだけ高速に結果を出
力するようになる。
ューラルネットワークから出力されることになる。ニュ
ーラルネットワークは、随時入力されるスペクトラムデ
ータを面倒な計算や照会をすることなしに認識という手
段で素早く比較を行なうので、それだけ高速に結果を出
力するようになる。
【００２８】ただし、フーリェ変換や正規化作業の前段
の処理にかかる時間は除くこととする。また、当然のこ
とながら、類似度検出装置としては、記憶済みのニュー
ラルネットワークを組み込んで初めて機能することにな
る。
の処理にかかる時間は除くこととする。また、当然のこ
とながら、類似度検出装置としては、記憶済みのニュー
ラルネットワークを組み込んで初めて機能することにな
る。
【００２９】図７に、本発明の応用例を示す。この応用
例における類似度検出装置７０は、図１における高速フ
ーリェ変換部１１を画像データ入力部７１に変更し、最
大値位置検出部１２と最大値位置シフト部１３とを画像
データ処理部７２に変更したものである。図１の場合、
スペクトラムデータの類似度が出力されたが、図７の応
用例では、類似度検出部７４より、画像に関しての類似
度が出力される。
例における類似度検出装置７０は、図１における高速フ
ーリェ変換部１１を画像データ入力部７１に変更し、最
大値位置検出部１２と最大値位置シフト部１３とを画像
データ処理部７２に変更したものである。図１の場合、
スペクトラムデータの類似度が出力されたが、図７の応
用例では、類似度検出部７４より、画像に関しての類似
度が出力される。
【００３０】
【発明の効果】以上説明したように、本発明によれば、
ＦＦＴ処理後のスペクトラムデータの中から、標準スペ
クトラムデータと類似するスペクトラムデータを、簡単
な回路で容易に高速に判別することができるという利点
がある。
ＦＦＴ処理後のスペクトラムデータの中から、標準スペ
クトラムデータと類似するスペクトラムデータを、簡単
な回路で容易に高速に判別することができるという利点
がある。
【図１】本発明の基本構成を示す図である。
【図２】本発明の一実施例を示す図である。
【図３】前図装置における処理の一例を示す流れ図であ
る。
る。
【図４】記憶作業時における本発明装置の説明図であ
る。
る。
【図５】記憶作業時における本発明装置の処理動作の一
例を示す流れ図である。
例を示す流れ図である。
【図６】類似度検出部の構成例を示す図である。
【図７】本発明の応用例を示す図である。
１０，７０ 類似度検出装置 １１，２１，４１ 高速フーリェ変換部 １２，２２，４２ 最大値位置検出部 １３ 最大値位置シフト部 １４，２４，４４，７４ 類似度検出部 ２３，４３ 正規化部 ４５ 標準データ選別部 ４６ 記憶制御部 ７１ 画像データ入力部 ７２ 画像データ処理部
Claims (2)
- 【請求項１】入力信号の時系列波形を高速フーリェ変換
し、スペクトラムデータを出力する高速フーリェ変換部
（１１）と、 スペクトラムデータから、スペクトラムの最大値位置を
検出する最大値位置検出部（１２）と、 スペクトラムの最大値位置を、標準スペクトラムデータ
と比較し易い位置に移動させる最大値位置シフト部（１
３）と、 入力信号のスペクトラムデータと標準スペクトラムデー
タとを比較し、その類似度を求める類似度検出部（１
４）とを具備することを特徴とする類似度検出装置（１
０）。 - 【請求項２】標準スペクトラムデータを学習したニュー
ラルネットワークを擁する前記類似度検出部を具備する
請求項１記載の類似度検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5240227A JPH0793550A (ja) | 1993-09-28 | 1993-09-28 | 類似度検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5240227A JPH0793550A (ja) | 1993-09-28 | 1993-09-28 | 類似度検出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0793550A true JPH0793550A (ja) | 1995-04-07 |
Family
ID=17056346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5240227A Withdrawn JPH0793550A (ja) | 1993-09-28 | 1993-09-28 | 類似度検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0793550A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020041801A (ja) * | 2018-09-06 | 2020-03-19 | 株式会社安藤・間 | 土壌改質判定装置、及び異物除去方法 |
-
1993
- 1993-09-28 JP JP5240227A patent/JPH0793550A/ja not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020041801A (ja) * | 2018-09-06 | 2020-03-19 | 株式会社安藤・間 | 土壌改質判定装置、及び異物除去方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Intelligent rolling bearing fault diagnosis via vision ConvNet | |
| US3770892A (en) | Connected word recognition system | |
| US20100332222A1 (en) | Intelligent classification method of vocal signal | |
| CN110599987A (zh) | 基于卷积神经网络的钢琴音符识别算法 | |
| KR20200075148A (ko) | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 | |
| KR100254121B1 (ko) | 시계열 데이타 식별 장치 및 방법 | |
| CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
| TWI789645B (zh) | 沖壓品質檢測系統及沖壓品質檢測方法 | |
| CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
| CN112908344A (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| Tabacchi et al. | A statistical pattern recognition approach for the classification of cooking stages. The boiling water case | |
| CN103730129A (zh) | 一种用于数据库信息查询的语音查询系统 | |
| CN108507607B (zh) | 一种基于核函数的微弱信号检测方法 | |
| JPH0793550A (ja) | 類似度検出装置 | |
| CN108847251A (zh) | 一种语音去重方法、装置、服务器及存储介质 | |
| EP0430615A2 (en) | Speech recognition system | |
| CN111473975A (zh) | 一种基于特征向量基线法的二级齿轮箱故障智能诊断方法 | |
| US20040159220A1 (en) | 2-phase pitch detection method and apparatus | |
| CN107169476B (zh) | 一种基于神经网络的频率识别系统 | |
| Lacoste et al. | Onset detection with artificial neural networks for mirex 2005 | |
| CN112786068B (zh) | 一种音频音源分离方法、装置及存储介质 | |
| JPS6129519B2 (ja) | ||
| US20030046036A1 (en) | Time-series segmentation | |
| Savchenko | Improving the Method for Measuring the Accuracy Indicator of a Speech Signal Autoregression Model | |
| Ni et al. | Polyphase-modulated radar signal recognition based on time-frequency amplitude and phase features |
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: 20001128 |