JPH09127073A - 自己回帰モデルを利用した時系列データの収集、処理方法 - Google Patents

Abstract

(57)【要約】 【課題】音響や振動等の時系列データに対して、未知の
音等の対象部分に適応するフィルタを構成する。 【解決手段】収集した音響振動等の時系列データを、自
己回帰モデルにより構成したフィルタ３を通して処理す
る方法において、フィルタは夫々自己回帰係数を設定可
能に複数構成し、収集した時系列データ中の、有意な信
号を含む所望部分に対して自己回帰モデルによるパワー
スペクトルの算出を行うと共に、算出したパワースペク
トルが過去に算出したものと異なる場合には自己回帰係
数を算出して、この係数を未設定のフィルタに設定する
と共に、パワースペクトルに関する情報を記憶して、以
降に算出したパワースペクトルとの比較に供する。 【効果】収集した時系列データに基づきフィルタを構
成するので、未知の所望部分に対しても夫々に対応する
フィルタを構成して、以降の同一所望部分の識別に供す
ることができる。複数の未知の所望部分の夫々に対し
てフィルタを構成して、夫々に類似する所望部分の識別
に供することができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は自己回帰モデルを利
用した時系列データの収集、処理方法に関するもので、
例えばガス供給用等の導管のピグトラッキング、他工事
による損傷音の発見、その他、音による故障診断等にお
ける音響データの解析や、振動等の各種時系列データの
解析等の各種分野に利用できるものである。

【０００２】

【従来の技術】ガス供給用の埋設管等の管内にピグと呼
ばれる物体を移動させて管内の清掃や検査等を行う作業
があり、この作業では、ピグの移動に伴って生じる音を
導管の適所に配置したマイクロフォンを介して収集し
て、ピグが導管の内壁の溶接部の盛り上がり部を通過す
る際に生じる特定の音を識別し、この数をカウントして
導管の配置図と照合することによりピグの現在位置を検
出する、いわゆるピグトラッキングが行われている。

【０００３】ピグが導管内を移動する際に収集される音
のスペクトルや音圧レベルはノイズを含め多種多様であ
るため、上記のような特定の音をノイズから分離して自
動的に識別するのは困難であり、従って、従来は現場の
熟練者が音を聴取して識別を行っている。

【０００４】以上のピグトラッキングにおける特定音の
識別のように、特定の音をノイズから分離して識別する
ために、バンドパスフィルタ等のフィルタを利用するこ
とは一般的な技術であるが、従来のフィルタは、識別す
べき音を予め調べて、この音に対応するように特性を固
定的に設定して利用している。

【０００５】

【発明が解決しようとする課題】このように特性を固定
的に設定したフィルタでは、測定条件の変化等により、
識別すべき音のスペクトル等の性質が変化すると対応し
なくなってしまい、所定の機能が発揮出来なくなってし
まう。そこで本発明では、このような課題を解決するこ
とを目的とするものである。

【０００６】

【課題を解決するための手段】上述した課題を解決する
ために、本発明では、まず、収集した時系列データ中
の、有意な信号を含む所望部分より自己回帰係数を算出
して、この係数をそのままフィルタ係数として用いるこ
とを提案する。

【０００７】また本発明では、収集した時系列データ
を、自己回帰モデルにより構成したフィルタを通して処
理する方法において、フィルタは自己回帰係数を設定可
能に構成し、収集した時系列データ中の、有意な信号を
含む所望部分に対して自己回帰係数を算出して、この係
数をフィルタに設定することを提案する。

【０００８】また本発明では、収集した時系列データ
を、自己回帰モデルにより構成したフィルタを通して処
理する方法において、フィルタは夫々自己回帰係数を設
定可能に複数構成し、収集した時系列データ中の、有意
な信号を含む所望部分に対して自己回帰モデルによるパ
ワースペクトルの算出を行うと共に、算出したパワース
ペクトルが過去に算出したものと異なる場合には自己回
帰係数を算出して、この係数を未設定のフィルタに設定
すると共に、パワースペクトルに関する情報を記憶し
て、以降に算出したパワースペクトルとの比較に供する
ことを提案する。

【０００９】また本発明では、収集した時系列データ
を、自己回帰モデルにより構成したフィルタを通して処
理する方法において、フィルタは夫々自己回帰係数を設
定可能に複数構成し、収集した時系列データ中の、有意
な信号を含む所望部分に対して自己回帰係数を算出し
て、この係数を未設定のフィルタに設定するものとし、
上記自己回帰係数の算出及びフィルタへの設定は、それ
までに自己回帰係数を設定されているフィルタによって
は強調されない範囲につき行うことを提案する。

【００１０】そして本発明では、上記の構成において、
時系列データ中の、ピークがしきい値を越えている部分
を抽出して、有意な信号を含む所望部分として処理する
こと、そして自己回帰係数は、所望部分のピーク後の所
定範囲につき算出することを提案する。

【００１１】また本発明では、上記の構成において、収
集した時系列データは、ハイパスフィルタ等の固定フィ
ルタによる前処理を行うことを提案する。

【００１２】更に本発明では上記の構成において、自己
回帰係数を最大エントロピー法（ＭＥＭ）を利用して算
出することを提案する。

【００１３】上述したとおり、本発明においては、時系
列データを処理するフィルタを自己回帰モデルにより構
成し、その自己回帰係数は設定可能に構成する。そし
て、このフィルタには、収集した時系列データ中の、有
意な信号を含む所望部分、例えばピーク値がしきい値を
越えている部分から抽出した所定範囲の時系列データに
対して算出した自己回帰係数を設定する。

【００１４】これ以降、このフィルタは、所望部分と同
様な性質のデータを通過させるフィルタとして動作し、
従ってノイズが含まれる時系列データ中から所望部分と
同様なスペクトル特性を有するデータを強調することが
できる。このように本発明では、従来のようなフィルタ
の設計手順が不要になり、即ち、フィルタを通過させた
い時系列データがあれば、そのデータからフィルタを構
成することができる。

【００１５】自己回帰係数が設定可能なフィルタを複数
構成すれば、複数の異なったスペクトル特性の所望部分
に対応するフィルタ群を構成することができ、従ってノ
イズが含まれる時系列データ中から、有意な信号として
の複数の異なった性質のデータ部分を区別して強調する
ことができる。

【００１６】以上に際して、自己回帰係数の算出は、例
えば、所望部分のパワースペクトルを比較して、今回の
ものが、それ以前に所望部分として算出したものと異な
る場合にのみ行い、こうして算出した自己回帰係数を未
設定のフィルタに対して設定することで、フィルタの特
性の重複を防止することができる。

【００１７】また別の方法として、自己回帰係数の算出
及びフィルタへの設定を、それまでに自己回帰係数を設
定されているフィルタによっては強調されない所望部分
につき行うようにすることによってもフィルタの特性の
重複を防止することができる。

【００１８】

【発明の実施の形態】次に本発明の実施の形態を添付図
面を参照して詳細に説明する。まず、自己回帰モデルに
よりフィルタを構成する方法を説明する。自己回帰モデ
ルは、1969年に赤池により提案されたものであるが、こ
の方法は、信号処理を必要とする多くの分野で近来注目
されている。Burg提案の最大エントロピー法（ＭＥＭ…
Maximum Entropy Method）と同一のスペクトル解析法で
あることが代表的なアルゴリズムである。ＭＥＭの理論
において、最も重要な点は、観測された時系列データ
（以降、観測データと記す）に対して自己回帰（ＡＲ…
Auto Regressive）モデルを仮定するところにある。こ
の自己回帰モデルは図３に概略図として示している。図
３に示すように、観測データx(k)をm次の線形離散値モ
デルの出力であると考える。また自己回帰モデルは、次
式で与えられる確率過程のモデルである。

【００１９】

【数１】

【００２０】ここで、時系列データの自己相関関数を Ｒ＝Ｅ｛x(k)x(k-i)｝ (2) と表すと、(1)式の両辺にx(k)を掛けて期待値をとるこ
とにより、次式が与えられる。

【００２１】

【数２】

【００２２】同様に(1)式の両辺に、x(k-1),x(k-2),…,
x(k-m)を掛けて期待値をとることにより、次の行列方
程式が得られる。

【００２３】

【数３】

【００２４】また、Wiener-Khinchineの公式を用いて、
次式が得られ、この式により自己回帰モデル｛ａ｝とパ
ワースペクトルＳ(ω)の関係が示される。

【００２５】

【数４】

【００２６】観測波形により自己相関関数Ｒを求め、
(5)式に代入することによって自己回帰係数ａとＰが推
定できる。ＭＥＭによりスペクトル推定を行うには、
(5)式のm+1元連立方程式を解かなければならない。しか
も、自己回帰モデルの次数を決定するために、mを変化
させながら夫々の次元の連立方程式を繰り返して解かな
ければならない。そこで(5)式の自己相関関数を情報エ
ントロピーが増加しないように配慮して計算するのがバ
ーグ(Burg)法である。

【００２７】上記の自己回帰モデルにおける次数mは事
前に得られないので、例えば、赤池により提案されたＦ
ＰＥ（最終予測誤差：Final Prediction Error）による
決定法により決定する。尚、ＦＰＥとは、時系列x(k)か
ら次数mで推定した自己回帰係数に対して、次式で定義
される統計量Ｑmであり、このＱを最小にする次数mを自
己回帰モデルの次数とする。

【００２８】

【数５】

【００２９】本発明では、以上の手法により求めた自己
回帰係数を用いて、以下に示すようにフィルタを構成す
る。このフィルタは図４に概略図として示している。図
３の上段に示す自己回帰モデルは、上記(1)と同様に次
式で与えられる。

【００３０】

【数６】

【００３１】この(8)式から上記最大エントロピー法に
より、観測データx₁(k)の特徴を示す自己回帰係数ａを
推定し、この自己回帰係数ａを用いたフィルタを構成す
る。このフィルタは次式のように示すことができる。

【００３２】

【数７】

【００３３】(9)式に示すフィルタは、(8)式の自己回帰
モデルの入出力関係を変更し、(8)式の白色雑音n(k)
を、フィルタ処理を施したい観測データx₂(k)に、(8)式
の観測データx₁(k)を、フィルタ処理後のデータy₂(k)に
置き換えたもので、即ち、観測データx₂(k)に対して(9)
式に示される演算を行うことにより、フィルタ処理後の
データy₂(k)を得ることができる。この演算において
は、n番目のフィルタ処理後のデータを求める際に、m個
の既に算出したデータが必要になるため、フィルタ処理
後のデータの最初の係数の数だけは正確ではないが、一
般に、係数の数は、データ長と比較して非常に小さいの
で実際上の支障はない。

【００３４】図１は以上のフィルタを構成要素とする本
発明の時系列データの収集、処理方法実施の形態の例と
して、音響データの収集、処理において、自己回帰モデ
ルにより構成したフィルタを複数構成する例を模式的に
示すものである。図１において、符号１は音響データ収
集手段であり、この音響データ収集手段１は、マイクロ
フォン、増幅器、Ａ／Ｄ変換器等から構成し、採取した
音響データをディジタル量に変換する機能を有する構成
としている。符号２は複数のフィルタ３から成るフィル
タ群であり、各フィルタ３は、ディジタル量に変換され
た音響データを、所定時間毎に(9)式に示される演算を
行ってフィルタ処理を行う構成である。符号４は自己回
帰係数算出、設定手段であり、この自己回帰係数算出、
設定手段４は、音響データ収集手段１から入力される音
響データから対象音を抽出し、自己回帰係数を算出して
フィルタ３に設定する構成である。そして符号５はデー
タ処理手段であり、このデータ処理手段５は、フィルタ
群２のフィルタ３により処理された音響データから所定
の信号を抽出する処理を行う構成である。

【００３５】図２は自己回帰係数算出、設定手段４にお
ける処理の流れの一例を示す流れ図である。この例は、
複数のフィルタの特性の重複を防止する第１の方法を適
用したものである。まずステップＳ１では、音響データ
収集手段１により収集し、ディジタル化した音響データ
を入力する。次いでステップＳ２では、入力された音響
データから対象音を抽出する。対象音は、例えば音響デ
ータ中の波形のピークがしきい値を越えている部分を、
有意な信号を含む対象音として抽出する。次いでステッ
プＳ３では、抽出された対象音の部分につき、Burg法の
アルゴリズムを用い、上記(6)の演算を行うことによ
り、対象音の部分のパワースペクトルを算出する。次い
でステップＳ４では、ステップＳ３で算出したパワース
ペクトルが新しいものか、否かを判別する。即ち、ステ
ップＳ４ではステップＳ３において今回算出したパワー
スペクトルを、スペクトル関連情報の記憶手段に、それ
までに記憶されているスペクトル関連情報と比較して、
一致又は類似するか、否かを判定する。記憶手段に記憶
するスペクトル関連情報は、算出したパワースペクトル
自体でも良いし、１つ又は複数の代表する周波数のみと
する等、適宜である。ステップＳ４において、今回算出
したパワースペクトルがそれまでに記憶されているもの
と一致又は類似すると判定した場合、即ち、図２におい
て“Ｎｏ”と判定した場合にはステップＳ１に戻る。ま
たステップＳ４において、今回算出したパワースペクト
ルがそれまでに記憶されているものと異なる新しいもの
であると判定した場合、即ち、図２において“Ｙｅｓ”
と判定した場合にはステップＳ５において、今回算出し
たパワースペクトルの関連情報を記憶手段に記憶する。
上述したとおり、この関連情報は、２つのパワースペク
トルが、一致又は類似するか、否かを判定するのに十分
な情報であれば良く、パワースペクトルの全体情報でな
く、１つ又は複数の代表周波数についての情報とするこ
ともできる。次いでステップＳ６では、対象音の部分に
つき、上記(8)の演算を行って自己回帰係数を算出し、
ステップＳ７においてフィルタ３に設定する。フィルタ
３への自己回帰係数の設定は、既に設定が行われている
か否かを判断して、未設定のものに行う。このため自己
回帰係数算出、設定手段４には各フィルタ３の設定状況
を把握するための手段を構成する。

【００３６】次に、以上の説明を参照して図１の構成の
動作を説明する。音響データ収集手段１により採取さ
れ、ディジタル量に変換された音響データは、自己回帰
係数算出、設定手段４に入力されると共に、フィルタ群
２の各フィルタ３に入力され、各フィルタ３により処理
された後にデータ処理手段５に入力されて音響の識別処
理等の処理がなされる。この際、各フィルタ３には、上
記自己回帰係数が設定されていない場合には、音響デー
タの入力を停止したり、バイパスしたりする手段を設け
ると良い。

【００３７】入力された音響データ中に、波形のピーク
が予め設定しているしきい値を越えた部分がある場合に
は、自己回帰係数算出、設定手段４は、この部分を対象
音として上述したステップにより、スペクトル特性が似
ていない音響データが入力される毎に、自己回帰係数を
算出してフィルタ３に設定する。従って、この後にフィ
ルタ群２に入力された音響データ中に、対象音に類似す
る音が含まれる場合、この音は、フィルタ３により強調
されてデータ処理手段５に入力され、従ってデータ処理
手段５における対象音の識別処理が容易となる。データ
処理手段５における対象音の識別処理の手法としては、
あるレベル以上の振幅が所定時間以上継続した場合に対
象音として識別する手法や、波形の時定数を算出し、こ
れが所定時間以内である場合に対象音として識別する等
の適宜の手法を適用することができる。

【００３８】

【実施例】次に以上の本発明の実施の形態をピグトラッ
キングに適用した実施例を説明する。まず図５は、ピグ
トラッキングにおいて採取された音響データの一例を模
式的に示すもので、このデータの音響は人の耳には“カ
ン”と聞こえる対象音を含むものである。データは8192
点でサンプリングした1.64秒間のデータで、図中矢印で
示した位置にピークがある。（尚、以降の音響データに
ついても具体的な数値の記載は省略して模式的に表
す。）図６の(a),(b),(c),(d),(e)は、図５のデータ中
の波形のピークから100点ずつ(0.02秒間)の範囲につき
算出した自己回帰係数のスペクトル特性を模式的に示す
ものである。（尚、以降のスペクトル特性のデータにつ
いても具体的な数値の記載は省略して模式的に表す。）
図５に示す以外の複数の対象音のデータにつき図６と同
様に算出したスペクトル特性を検討した結果、自己回帰
係数を求める演算は、波形のピークから続く範囲で行う
のが良いことがわかった。そして図７の(a),(b),(c),
(d),(e)は、図５のデータ中の波形のピークから、100
点、200点と、100点ずつデータ数を増やして算出した自
己回帰係数のスペクトル特性を示すものであり、上述と
同様に、図５に示す以外の複数の対象音のデータにつき
図７と同様に算出したスペクトル特性を検討した結果、
自己回帰係数のスペクトル特性は、ピークから200点以
上で求めたものから安定し始め、変化が少なくなってい
くことがわかった。このことと、算出のためのハードウ
エア、特にメモリの制約や、急峻なフィルタ特性により
フィルタ処理後のデータに悪影響を及ぼすことを防止す
る点等を考慮して、自己回帰係数を算出するためのデー
タ範囲は、ピークから200点程度が適当であることがわ
かった。

【００３９】次に図８の(a),(b),(c),(d),(e)は、図５
と同様に、人の耳に“カン”と聞こえる対象音を含む５
つのデータの例を示すもので、(a)は図５のデータ（但
し、尺度が異なっている。）と同一である。図８のデー
タの夫々につき自己回帰係数を求め、そのスペクトル特
性を図９の(a),(b),(c),(d),(e)に示している。これら
のデータは、人の耳には、同様に“カン”と聞こえる対
象音を含むにもかかわらず、スペクトルの現れ方はばら
ばらになっている。

【００４０】そこで図８の時間波形をみると、10Hz以下
のノイズの重畳により、本来のピークが現れていないと
考えられるため、図８のデータの夫々を50Hzのハイパス
フィルタにより前処理を行い、この前処理を行ったデー
タにつき自己回帰係数を求めた。

【００４１】前処理後のデータは図１０の(a),(b),(c),
(d),(e)に示しており、このデータについてのスペクト
ル特性は図１１の(a),(b),(c),(d),(e)に示している。
図１０に示すように前処理によりピークの位置が移動し
たデータがあり、また図１１に示すように、スペクトル
のピーク位置は、レベルは異なるものの、夫々がほぼ同
じような位置に現れていることがわかる。従って、音響
データ収集手段１により採取した音響データを、必要に
応じて前処理を行うことが有効であることがわかる。

【００４２】以上と同様にして、人の耳に“ゴン”と聞
こえる対象音を含む５つのデータにつき、自己回帰係数
を求め、そのスペクトル特性を図１２の(a),(b),(c),
(d),(e)に示す。尚、これらのデータは、上述と同様に5
0Hzのハイパスフィルタにより前処理を行っている。図
１２に示されるように、“ゴン”と聞こえる５つの対象
音は、全て同じような位置にスペクトルが現れており、
これらはスペクトル特性上類似性を有する。しかしなが
ら、上述した“カン”と聞こえる５つの対象音とは、ス
ペクトルの現れる位置が異なっており、従って、これら
のことから、“カン”と聞こえる対象音と、“ゴン”と
聞こえる対象音とは、スペクトル特性上区別できること
がわかる。

【００４３】更に図１３の(a),(b),(c),(d),(e)は、人
の耳に“カン”又は“ゴン”と聞こえる対象音以外の対
象音を含む５つの音響データにつき、自己回帰係数を求
め、そのスペクトル特性を示すもので、人の耳に聞こえ
る表現を夫々の図中に示している。この図１３及びこれ
までの図から“ガン”と聞こえる音は“カン”と聞こえ
る音とスペクトル特性が似ていること、“グォン”と聞
こえる音及び“コッコ”と聞こえる音は“ゴン”と聞こ
える音とスペクトル特性が似ていること、“バン”と聞
こえる音及び“ドン”と聞こえる音は、“カン”と聞こ
える音及び“ゴン”と聞こえる音のいずれのスペクトル
特性にも似ていないことがわかる。

【００４４】以上のことから、図１の構成において、
“カン”と聞こえる対象音のデータにより自己回帰係数
を求めてフィルタ３に設定すると、以降にフィルタ３を
通過する音響データ中の“カン”と聞こえる音のみが強
調され、また“ゴン”と聞こえる音のデータにより自己
回帰係数を求めてフィルタ３に設定すると、以降にフィ
ルタ３を通過する音響データ中の“ゴン”と聞こえる音
のみが強調されるので、データ処理手段５において、い
ずれのフィルタ３を通過して強調されたかを判別するこ
とにより、その音響データが、“カン”と聞こえる音又
は“ゴン”と聞こえる音のいずれを含むかを判別するこ
とができる。また、いずれのフィルタ３においても強調
されない場合には、それらの音とは種類の異なる音を含
むことが判別できる。

【００４５】従って、複数のフィルタの特性の重複を防
止するための上述した第１の方法に代え、第２の方法と
して、例えば音響データ中の波形のピークがしきい値を
越える等により判定する、有意な信号を含む対象音に対
して、それまでに自己回帰係数が設定されている一つ又
は複数のフィルタ３により、強調がなされるか否かをフ
ィルタ３の入力側と出力側の信号の変化により判定し、
いずれの設定されているフィルタ３によっても強調がさ
れない場合にのみ、新たに自己回帰係数を算出して、算
出した自己回帰係数を未設定のフィルタに対して設定す
ることで、フィルタの特性の重複を防止することができ
る。

【００４６】次に図１４の(a),(b),(c),(d),(e)は、人
の耳に“カン”と聞こえる対象音を含む音響データの他
の例を示すもので、(a)の対象音につき上述したように
自己回帰係数を算出してフィルタに設定して、“カン”
に対するフィルタを構成している。以降、このフィルタ
を“カン”フィルタと称する。図１４の(a),(b),(c),
(d),(e)のデータを カン”フィルタに通した結果のデー
タを図１５の(a),(b),(c),(d),(e)に示している。図か
らわかるように、“カン”フィルタは、“カン”と聞こ
える対象音を強調しており、このような音が複数続く場
合には、(b),(c)に示すように、夫々の音間の切れ目が
はっきりして識別が可能となることがわかる。一方、
(e)に示すように“カン”と聞こえる対象音以外、この
場合は ゴン"と聞こえる音は、強調せず、抑制されてい
ることがわかる。

【００４７】図１６(a),(b),(c),(d),(e)は、人の耳に
“カン”と聞こえない対象音を含む音響データの例を示
すもので、これらの音響データを、上記 カン”フィル
タに通した結果のデータを図１７の(a),(b),(c),(d),
(e)に示している。これらの図から、人の耳に“ゴ
ン”，“バン”，“ドン”と聞こえる対象音は、いずれ
もカン”フィルタに抑制されているのに対して、“ガ
ン”と聞こえる対象音は強調されている。これは、“ガ
ン”と聞こえる対象音のスペクトル特性と、“カン”と
聞こえる対象音のスペクトル特性が類似しているためで
ある。

【００４８】以上の説明では、自己回帰係数を設定可能
なフィルタは複数構成して、夫々に異なったスペクトル
特性の対象音に対する自己回帰係数を設定する構成とし
ているが、このフィルタは、単数であっても良い。この
場合には、例えば音響データ収集手段で収集している音
響データの中の最初に現れる有意な対象音に対するフィ
ルタを構成して、以降、この対象音と類似の音の強調、
そして識別を行うようにすることができる。

【００４９】以上に説明した本発明の実施形態では、例
えば、ピグの移動に伴って生じる音を導管の適所に配置
したマイクロフォンを介して収集して、ピグが導管の内
壁の溶接部の盛り上がり部を通過する際に生じる特定の
音を識別し、この数をカウントして導管の配置図と照合
することによりピグの現在位置を検出する、いわゆるピ
グトラッキングに利用することができる他、導管を伝播
する音を監視して、他の工事に際しての掘削刃による導
管の損傷を音により検出する方法や、各種設備の音によ
る故障診断等に利用できるものである。

【００５０】しかしながら、本発明において収集、処理
し得るデータは、上述した音響データの他、振動等の各
種時系列データを含むもので、例えば上述した実施の形
態では、音響データ収集手段を、振動データ収集手段等
の他の時系列データ収集手段に代えることで適用するこ
とができる。

【００５１】

【発明の効果】本発明は、以上のとおりであるので、次
のような効果がある。 従来のようなフィルタの設計手順が不要になり、時系
列データ中にフィルタを通過させたいの所望データ部分
があれば、その所望データ部分からフィルタを構成する
ことができる。 複数の所望データ部分の夫々に対応するフィルタを構
成して、以降の同様なデータ部分の識別に供することが
できる。 例えば、本発明を、音響データの収集、処理に適用した
場合には、収集した音響データに基づきフィルタを構
成するので、未知の音に対しても、又条件が変化した場
合にも、夫々に対応するフィルタを構成して、以降の同
一音の識別に供することができる。複数の未知の音の
夫々に対してフィルタを構成して、夫々に類似する音の
識別に供することができる。というような効果がある。

【図面の簡単な説明】

【図１】 本発明の方法を適用する構成の一例を示す模
式図である。

【図２】 本発明に係る自己回帰係数算出、設定手段に
おける処理の流れの一例を示す流れ図である。

【図３】 自己回帰モデルの説明図である。

【図４】 自己回帰モデルと本発明に係るフィルタとの
対応関係を示す説明図である。

【図５】 ピグトラッキングにおいて採取された音響の
時系列データの一例を模式的に示すものである。

【図６】 図５のデータにおいて演算位置を替えて算出
した自己回帰係数のスペクトル特性を模式的に示すもの
である。

【図７】 図５のデータにおいて演算点数を替えて算出
した自己回帰係数のスペクトル特性を模式的に示すもの
である。

【図８】 人の耳に“カン”と聞こえる対象音を含む５
つの時系列データの例を模式的に示すものである。

【図９】 図８のデータ中の対象音につき算出した自己
回帰係数のスペクトル特性を模式的に示すものである。

【図１０】 図８のデータをハイパスフィルタ処理した
時系列データを模式的に示すものである。

【図１１】 図１０のデータ中の対象音につき算出した
自己回帰係数のスペクトル特性を模式的に示すものであ
る。

【図１２】 人の耳に“ゴン”と聞こえる対象音を含む
５つの時系列データにつき算出した自己回帰係数のスペ
クトル特性を模式的に示すものである。

【図１３】 人の耳に“カン”又は“ゴン”と聞こえる
対象音以外の対象音を含む５つの時系列データにつき算
出した自己回帰係数のスペクトル特性を模式的に示すも
のである。

【図１４】 人の耳に“カン”と聞こえる対象音を含む
音響データの他の例を模式的に示すものである。

【図１５】 図１４の(a)のデータに基づき構成したフ
ィルタにより、図１４のデータを処理した結果を模式的
に示すものである。

【図１６】 人の耳に“カン”と聞こえない対象音を含
む音響データの例を模式的に示すものである。

【図１７】 図１４の(a)のデータに基づき構成したフ
ィルタにより、図１６のデータを処理した結果を模式的
に示すものである。

【符号の説明】

１ 音響データ収集手段 ２ フィルタ群 ３ フィルタ ４ 自己回帰係数算出、設定手段 ５ データ処理手段

Claims (11)

【特許請求の範囲】
1. 【請求項１】 収集した時系列データ中の、有意な信号
   を含む所望部分より自己回帰係数を算出して、この係数
   をそのままフィルタ係数として用いることを特徴とする
   自己回帰モデルを利用した時系列データの収集、処理方
   法
2. 【請求項２】 収集した時系列データを、自己回帰モデ
   ルにより構成したフィルタを通して処理する方法におい
   て、フィルタは自己回帰係数を設定可能に構成し、収集
   した時系列データ中の、有意な信号を含む所望部分に対
   して自己回帰係数を算出して、この係数をフィルタに設
   定することを特徴とする自己回帰モデルを利用した時系
   列データの収集、処理方法
3. 【請求項３】 収集した時系列データを、自己回帰モデ
   ルにより構成したフィルタを通して処理する方法におい
   て、フィルタは夫々自己回帰係数を設定可能に複数構成
   し、収集した時系列データ中の、有意な信号を含む所望
   部分に対して自己回帰モデルによるパワースペクトルの
   算出を行うと共に、算出したパワースペクトルが過去に
   算出したものと異なる場合には自己回帰係数を算出し
   て、この係数を未設定のフィルタに設定すると共に、パ
   ワースペクトルに関する情報を記憶して、以降に算出す
   るパワースペクトルとの比較に供することを特徴とする
   自己回帰モデルを利用した時系列データの収集、処理方
   法
4. 【請求項４】 収集した時系列データを、自己回帰モデ
   ルにより構成したフィルタを通して処理する方法におい
   て、フィルタは夫々自己回帰係数を設定可能に複数構成
   し、収集した時系列データ中の、有意な信号を含む所望
   部分に対して自己回帰係数を算出して、この係数を未設
   定のフィルタに設定するものとし、上記自己回帰係数の
   算出及びフィルタへの設定は、それまでに自己回帰係数
   を設定されているフィルタによっては強調されない所望
   部分につき行うことを特徴とする自己回帰モデルを利用
   した時系列データの収集、処理方法
5. 【請求項５】 時系列データ中の、ピークがしきい値を
   越えている部分を抽出して、有意な信号を含む所望部分
   として処理することを特徴とする請求項１，２又は３記
   載の自己回帰モデルを利用した時系列データの収集、処
   理方法
6. 【請求項６】 自己回帰係数は、時系列データ中の、ピ
   ークがしきい値を越えている部分のピーク後の所定範囲
   につき算出することを特徴とする請求項３記載の自己回
   帰モデルを利用した時系列データの収集、処理方法
7. 【請求項７】 収集した時系列データは、固定フィルタ
   による前処理を行うことを特徴とする請求項１又は２記
   載の自己回帰モデルを利用した時系列データの収集、処
   理方法
8. 【請求項８】 固定フィルタはハイパスフィルタである
   ことを特徴とする請求項５記載の自己回帰モデルを利用
   した時系列データの収集、処理方法
9. 【請求項９】 自己回帰係数は、最大エントロピー法
   （ＭＥＭ）を利用して算出することを特徴とする請求項
   １又は２記載の自己回帰モデルを利用した時系列データ
   の収集、処理方法
10. 【請求項１０】 時系列データは音響データであること
    を特徴とする請求項１〜９記載の自己回帰モデルを利用
    した時系列データの収集、処理方法
11. 【請求項１１】 時系列データは振動データであること
    を特徴とする請求項１〜９記載の自己回帰モデルを利用
    した時系列データの収集、処理方法