JPH11119795A - 特徴量の濃縮合成方法、及び特徴量の濃縮合成装置 - Google Patents
特徴量の濃縮合成方法、及び特徴量の濃縮合成装置Info
- Publication number
- JPH11119795A JPH11119795A JP9283451A JP28345197A JPH11119795A JP H11119795 A JPH11119795 A JP H11119795A JP 9283451 A JP9283451 A JP 9283451A JP 28345197 A JP28345197 A JP 28345197A JP H11119795 A JPH11119795 A JP H11119795A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- feature vector
- vector
- pattern
- recognition
- 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.)
- Pending
Links
Abstract
(57)【要約】
【課題】 複数の測定方法により得られた特徴量を効率
よく合成することにより、パターン認識の精度を高めた
技術を提供することにある。 【解決手段】 ２種類の測定方法により要素数ｍの特徴
ベクトルＸ、及び要素数ｎの特徴ベクトルＹを得る。特
徴ベクトルＸ及び特徴ベクトルＹに対して特徴選択を行
う。この特徴選択により、要素数ｉ（ｉ＜ｍ）の特徴ベ
クトルＴ及び要素数ｊ（ｊ＜ｎ）の特徴ベクトルＵが生
成される。続いて、特徴ベクトルＴと特徴ベクトルＵと
を一列に並べて要素数ｋ（ｋ= ｉ+j）の特徴ベクトルＶ
を生成する。特徴ベクトルＶに対して特徴選択を行い要
素数ｌ（ｌ＜ｋ）の特徴ベクトルＷを生成する。
よく合成することにより、パターン認識の精度を高めた
技術を提供することにある。 【解決手段】 ２種類の測定方法により要素数ｍの特徴
ベクトルＸ、及び要素数ｎの特徴ベクトルＹを得る。特
徴ベクトルＸ及び特徴ベクトルＹに対して特徴選択を行
う。この特徴選択により、要素数ｉ（ｉ＜ｍ）の特徴ベ
クトルＴ及び要素数ｊ（ｊ＜ｎ）の特徴ベクトルＵが生
成される。続いて、特徴ベクトルＴと特徴ベクトルＵと
を一列に並べて要素数ｋ（ｋ= ｉ+j）の特徴ベクトルＶ
を生成する。特徴ベクトルＶに対して特徴選択を行い要
素数ｌ（ｌ＜ｋ）の特徴ベクトルＷを生成する。
Description
【０００１】
【発明の属する技術分野】本発明はパターン認識に関す
る技術であり、特に情報密度の高い特徴量が得られる特
徴量の濃縮合成技術に関する。
る技術であり、特に情報密度の高い特徴量が得られる特
徴量の濃縮合成技術に関する。
【０００２】
【従来の技術】パターンマッチングの技術は色々な技術
が開発されている。例えば、パターンマッチングの技術
として、特許出願公開番号特開平８−１１０７９７号公
報に記載された技術がある。以下、図５を参照して説明
する。このパターンマッチング装置は、音声入力手段１
００と、音声入力手段１００よりの入力音声を特徴ベク
トルの時系列である入力パターンに変換する特徴部抽出
手段１１０と、標準パターンの特徴ベクトルを予め登録
した標準パターン記憶手段１３０と、特徴部抽出手段１
１０によって取り出された入力パターンの特徴ベクトル
と標準パターン記憶手段１３０から取り出された標準パ
ターンの特徴ベクトルとの局所距離と類似度中立点とか
ら局所類似度を求め、局所類似度の累積値を入力パター
ンと標準パターンとの類似度として求める類似度計算手
段１２０と、類似度中立点を入力信号に応じて決定する
類似度中立点計算手段１５０と、求められた累積類似度
から認識対象となつている標準パターンがしきい値以上
かどうかを判定する結果出力判定手段１４０と、しきい
値以上のときはその標準パターンを認識結果として出力
する認識結果出力手段１６０とから成る。
が開発されている。例えば、パターンマッチングの技術
として、特許出願公開番号特開平８−１１０７９７号公
報に記載された技術がある。以下、図５を参照して説明
する。このパターンマッチング装置は、音声入力手段１
００と、音声入力手段１００よりの入力音声を特徴ベク
トルの時系列である入力パターンに変換する特徴部抽出
手段１１０と、標準パターンの特徴ベクトルを予め登録
した標準パターン記憶手段１３０と、特徴部抽出手段１
１０によって取り出された入力パターンの特徴ベクトル
と標準パターン記憶手段１３０から取り出された標準パ
ターンの特徴ベクトルとの局所距離と類似度中立点とか
ら局所類似度を求め、局所類似度の累積値を入力パター
ンと標準パターンとの類似度として求める類似度計算手
段１２０と、類似度中立点を入力信号に応じて決定する
類似度中立点計算手段１５０と、求められた累積類似度
から認識対象となつている標準パターンがしきい値以上
かどうかを判定する結果出力判定手段１４０と、しきい
値以上のときはその標準パターンを認識結果として出力
する認識結果出力手段１６０とから成る。
【０００３】このパターンマッチング装置によれば、類
似度中立点計算手段１５０により類似度中立点を入力信
号に応じて、例えば入力された信号のパワーや入力ベク
トルの大きさに応じて決定する。すなわち、標準パター
ンの特徴量に応じて類似度中立点決定するのではなく、
入力パターンの特徴量に応じて類似度中立点決定してい
る。
似度中立点計算手段１５０により類似度中立点を入力信
号に応じて、例えば入力された信号のパワーや入力ベク
トルの大きさに応じて決定する。すなわち、標準パター
ンの特徴量に応じて類似度中立点決定するのではなく、
入力パターンの特徴量に応じて類似度中立点決定してい
る。
【０００４】これにより、特定話者が単語登録して用い
る学習データが少ない音声認識方式においても、部分マ
ッチングを起こしにくい。
る学習データが少ない音声認識方式においても、部分マ
ッチングを起こしにくい。
【０００５】
【発明が解決しようとする課題】ところで、上述の従来
技術では特徴ベクトルを一つの測定方法により生成して
いる。しかしながら、測定方法には様々なものが検討さ
れているがそれぞれ一長一短があり完全な方法はない。
技術では特徴ベクトルを一つの測定方法により生成して
いる。しかしながら、測定方法には様々なものが検討さ
れているがそれぞれ一長一短があり完全な方法はない。
【０００６】従って、一つの測定方法により得られた特
徴ベクトルを用いてパターン認識する技術では、パター
ン認識の精度にも限度があった。そこで、本発明の目的
は、上記問題点を解決し、複数の測定方法により得られ
た特徴量を効率よく合成することにより、パターン認識
の精度を高めた技術を提供することにある。
徴ベクトルを用いてパターン認識する技術では、パター
ン認識の精度にも限度があった。そこで、本発明の目的
は、上記問題点を解決し、複数の測定方法により得られ
た特徴量を効率よく合成することにより、パターン認識
の精度を高めた技術を提供することにある。
【０００７】
【課題を解決する為の手段】上記本発明の目的を解決す
る第１の発明は、パターン認識に用いられる特徴量の濃
縮合成方法であって、（ａ）複数の測定方法に基づい
て、入力データから複数の第１の特徴ベクトルを生成す
る工程と、（ｂ）前記第１の特徴ベクトルの各々に対し
て任意の特徴選択を行い、複数の第２の特徴ベクトルを
生成する工程と、（ｃ）前記複数の第２の特徴ベクトル
を併合して第３の特徴ベクトルを生成する工程と、
（ｄ）前記第３の特徴ベクトルに対して任意の特徴選択
を行い、第４の特徴ベクトルを生成する工程とを有する
ことを特徴とする。
る第１の発明は、パターン認識に用いられる特徴量の濃
縮合成方法であって、（ａ）複数の測定方法に基づい
て、入力データから複数の第１の特徴ベクトルを生成す
る工程と、（ｂ）前記第１の特徴ベクトルの各々に対し
て任意の特徴選択を行い、複数の第２の特徴ベクトルを
生成する工程と、（ｃ）前記複数の第２の特徴ベクトル
を併合して第３の特徴ベクトルを生成する工程と、
（ｄ）前記第３の特徴ベクトルに対して任意の特徴選択
を行い、第４の特徴ベクトルを生成する工程とを有する
ことを特徴とする。
【０００８】第１の発明によれば、類似性の判別に大き
な影響を与える部分だけを取り出せて情報量の圧縮をし
ながら、別々の特徴量の合成が出来る。尚、用いられる
測定方法は、周波数測定、時系列測定等、種類は問わな
い。同様に特徴選択の方法も、主成分分析法や正準判別
分析法、あるいはニューラルネットワーク等、種類は問
わない。
な影響を与える部分だけを取り出せて情報量の圧縮をし
ながら、別々の特徴量の合成が出来る。尚、用いられる
測定方法は、周波数測定、時系列測定等、種類は問わな
い。同様に特徴選択の方法も、主成分分析法や正準判別
分析法、あるいはニューラルネットワーク等、種類は問
わない。
【０００９】又、第２の発明は、第１の発明における第
１の特徴ベクトルを生成する工程は、互いに異なる測定
方法により入力データから第１の特徴ベクトルを生成す
ることを特徴とする。又、第３の発明は、第１の発明に
おける第２の特徴ベクトルを生成する工程は、互いに異
なる特徴選択の方法により特徴選択を行うことを特徴と
する。
１の特徴ベクトルを生成する工程は、互いに異なる測定
方法により入力データから第１の特徴ベクトルを生成す
ることを特徴とする。又、第３の発明は、第１の発明に
おける第２の特徴ベクトルを生成する工程は、互いに異
なる特徴選択の方法により特徴選択を行うことを特徴と
する。
【００１０】又、第４の発明は、第１の発明に加えて、
第４の特徴ベクトルと正解パターンとの類似性を解析
し、類似性が最も高い正解パターンを認識結果として出
力する工程を更に有することを特徴とする。又、第５の
発明は、第１の発明における（ａ）〜（ｄ）の工程を複
数設け、複数の第４の特徴ベクトルを生成する工程と、
前記複数の第４の特徴ベクトルを併合して第５の特徴ベ
クトルを生成する工程と、前記第５の特徴ベクトルに対
して任意の特徴選択を行い、第６の特徴ベクトルを生成
する工程と、前記第６の特徴ベクトルと正解パターンと
の類似性を解析し、類似性が最も高いパターンを認識結
果として出力する工程とを有することを特徴とする。
第４の特徴ベクトルと正解パターンとの類似性を解析
し、類似性が最も高い正解パターンを認識結果として出
力する工程を更に有することを特徴とする。又、第５の
発明は、第１の発明における（ａ）〜（ｄ）の工程を複
数設け、複数の第４の特徴ベクトルを生成する工程と、
前記複数の第４の特徴ベクトルを併合して第５の特徴ベ
クトルを生成する工程と、前記第５の特徴ベクトルに対
して任意の特徴選択を行い、第６の特徴ベクトルを生成
する工程と、前記第６の特徴ベクトルと正解パターンと
の類似性を解析し、類似性が最も高いパターンを認識結
果として出力する工程とを有することを特徴とする。
【００１１】上記本発明の目的を解決する第６の発明
は、パターン認識に用いられる特徴量の濃縮合成装置で
あって、所定の測定方法により、入力データから第１の
特徴ベクトルを生成し、前記第１の特徴ベクトルに対し
て特徴選択を行って第２の特徴ベクトルを生成する複数
の測定手段と、前記複数の第２の特徴ベクトルを併合し
て第３の特徴ベクトルを生成し、前記第３の特徴ベクト
ルに対して特徴選択を行い、第４の特徴ベクトルを生成
する特徴量併合手段とを有することを特徴とする。
は、パターン認識に用いられる特徴量の濃縮合成装置で
あって、所定の測定方法により、入力データから第１の
特徴ベクトルを生成し、前記第１の特徴ベクトルに対し
て特徴選択を行って第２の特徴ベクトルを生成する複数
の測定手段と、前記複数の第２の特徴ベクトルを併合し
て第３の特徴ベクトルを生成し、前記第３の特徴ベクト
ルに対して特徴選択を行い、第４の特徴ベクトルを生成
する特徴量併合手段とを有することを特徴とする。
【００１２】尚、用いられる測定方法は、周波数測定、
時系列測定等、種類は問わない。同様に特徴選択の方法
も、主成分分析法や正準判別分析法、あるいはニューラ
ルネットワーク等、種類は問わない。又、第７の発明
は、第６の発明の測定手段が、互いに異なる測定方法に
基づいて入力データから第１の特徴ベクトルを生成する
手段であることを特徴とする。
時系列測定等、種類は問わない。同様に特徴選択の方法
も、主成分分析法や正準判別分析法、あるいはニューラ
ルネットワーク等、種類は問わない。又、第７の発明
は、第６の発明の測定手段が、互いに異なる測定方法に
基づいて入力データから第１の特徴ベクトルを生成する
手段であることを特徴とする。
【００１３】又、第８の発明は、第６の発明の測定手段
が、互いに異なる特徴選択の方法に基づいて特徴選択を
行う手段であることを特徴とする。又、第９の発明は、
第６の発明に加えて、第４の特徴ベクトルと正解パター
ンとの類似性を解析し、類似性が最も高い正解パターン
を認識結果として出力する認識判定手段を更に有し、前
記特徴量併合手段は前記認識判定手段において判定に遜
色ない範囲で情報を圧縮する為に特徴選択を行うことを
特徴とする。
が、互いに異なる特徴選択の方法に基づいて特徴選択を
行う手段であることを特徴とする。又、第９の発明は、
第６の発明に加えて、第４の特徴ベクトルと正解パター
ンとの類似性を解析し、類似性が最も高い正解パターン
を認識結果として出力する認識判定手段を更に有し、前
記特徴量併合手段は前記認識判定手段において判定に遜
色ない範囲で情報を圧縮する為に特徴選択を行うことを
特徴とする。
【００１４】又、第１０の発明は、前記複数の測定手段
及び特徴量併合手段から成る濃縮合成装置を複数設け、
濃縮合成装置から出力される複数の第４の特徴ベクトル
を併合して第５の特徴ベクトルを生成し、前記第５の特
徴ベクトルに対して特徴選択を行って第６の特徴ベクト
ルを生成する第２の特徴量併合手段と、前記第６の特徴
ベクトルと正解パターンとの類似性を解析し、類似性が
最も高い正解パターンを認識結果として出力する第２の
認識判定手段を有し、前記第２の特徴量併合手段は、特
徴ベクトルの要素数を前記第２の認識判定手段において
判定に遜色ない範囲で情報を圧縮する為に特徴選択を行
うことを特徴とする。
及び特徴量併合手段から成る濃縮合成装置を複数設け、
濃縮合成装置から出力される複数の第４の特徴ベクトル
を併合して第５の特徴ベクトルを生成し、前記第５の特
徴ベクトルに対して特徴選択を行って第６の特徴ベクト
ルを生成する第２の特徴量併合手段と、前記第６の特徴
ベクトルと正解パターンとの類似性を解析し、類似性が
最も高い正解パターンを認識結果として出力する第２の
認識判定手段を有し、前記第２の特徴量併合手段は、特
徴ベクトルの要素数を前記第２の認識判定手段において
判定に遜色ない範囲で情報を圧縮する為に特徴選択を行
うことを特徴とする。
【００１５】上記本発明の目的を解決する第１１の発明
は、パターン認識に用いられる特徴ベクトルの特徴量の
濃縮合成装置であって、複数の測定手段と、特徴量併合
手段と、認識判定手段とを有し、前記測定手段の各々
は、他の測定手段とは異なる測定方法に基づいて、入力
データから第１の特徴ベクトルを生成する手段と、特徴
量を記憶する記憶手段と、前記第１の特徴ベクトルに対
して、前記特徴量記憶手段に記憶されている特徴量に基
づいて他の測定手段とは異なる特徴選択を行って前記第
１の特徴ベクトルの要素数よりも要素数が少ない第２の
特徴ベクトルを生成する特徴選択手段とを有し、前記特
徴量併合手段は、前記複数の第２の特徴ベクトルを併合
し、第３の特徴ベクトルを生成する特徴量併合手段と、
特徴量を記憶する記憶手段と、前記第３の特徴ベクトル
に対して、前記特徴量記憶手段に記憶されている特徴量
に基づいて所定の特徴選択を行って前記第３の特徴ベク
トルの要素数よりも要素数が少なく、かつ、前記認識判
定手段における要素数と同じ第４の特徴ベクトルを生成
する手段とを有し、前記認識判定手段は、正解パターン
を記憶する記憶手段と、前記第４の特徴ベクトルと前記
正解パターンとの類似性を解析し、類似性が最も高い正
解パターンを認識結果として出力する手段とを有するこ
とを特徴とする。
は、パターン認識に用いられる特徴ベクトルの特徴量の
濃縮合成装置であって、複数の測定手段と、特徴量併合
手段と、認識判定手段とを有し、前記測定手段の各々
は、他の測定手段とは異なる測定方法に基づいて、入力
データから第１の特徴ベクトルを生成する手段と、特徴
量を記憶する記憶手段と、前記第１の特徴ベクトルに対
して、前記特徴量記憶手段に記憶されている特徴量に基
づいて他の測定手段とは異なる特徴選択を行って前記第
１の特徴ベクトルの要素数よりも要素数が少ない第２の
特徴ベクトルを生成する特徴選択手段とを有し、前記特
徴量併合手段は、前記複数の第２の特徴ベクトルを併合
し、第３の特徴ベクトルを生成する特徴量併合手段と、
特徴量を記憶する記憶手段と、前記第３の特徴ベクトル
に対して、前記特徴量記憶手段に記憶されている特徴量
に基づいて所定の特徴選択を行って前記第３の特徴ベク
トルの要素数よりも要素数が少なく、かつ、前記認識判
定手段における要素数と同じ第４の特徴ベクトルを生成
する手段とを有し、前記認識判定手段は、正解パターン
を記憶する記憶手段と、前記第４の特徴ベクトルと前記
正解パターンとの類似性を解析し、類似性が最も高い正
解パターンを認識結果として出力する手段とを有するこ
とを特徴とする。
【００１６】本発明によれば、お互いの特徴（量）のよ
い部分だけを取り出して合成するので、情報密度の高い
特徴量が得られる。
い部分だけを取り出して合成するので、情報密度の高い
特徴量が得られる。
【００１７】
【発明の実施の形態】本発明の実施の形態を説明する。
図１は本特徴量の濃縮方法を説明する為の図である。本
特徴量の濃縮方法の特徴は、複数の特徴抽出方法を用い
て、特徴量を得るとともに特徴選択をする操作を並列し
て行ってから、合成するところにある。入力するデー
タ、特徴選択の方法は、何を用いても構わない。
図１は本特徴量の濃縮方法を説明する為の図である。本
特徴量の濃縮方法の特徴は、複数の特徴抽出方法を用い
て、特徴量を得るとともに特徴選択をする操作を並列し
て行ってから、合成するところにある。入力するデー
タ、特徴選択の方法は、何を用いても構わない。
【００１８】まず、方向や位置、時間変化、状態など、
入力するものの特性を測定した測定データを並べて、特
徴量を特徴ベクトルとして定義する。実際には、ここで
得られた特徴ベクトルと正解となるベクトルとの類似性
によって分類が行われる。本実施の形態では、２種類の
測定方法により特徴ベクトルＸ、及び特徴ベクトルＹを
得る。尚、特徴ベクトルＸの要素数はｍ、特徴ベクトル
Ｙの要素数はｎである。
入力するものの特性を測定した測定データを並べて、特
徴量を特徴ベクトルとして定義する。実際には、ここで
得られた特徴ベクトルと正解となるベクトルとの類似性
によって分類が行われる。本実施の形態では、２種類の
測定方法により特徴ベクトルＸ、及び特徴ベクトルＹを
得る。尚、特徴ベクトルＸの要素数はｍ、特徴ベクトル
Ｙの要素数はｎである。
【００１９】次に、特徴ベクトルＸ及び特徴ベクトルＹ
において、類似性の比較に大きな影響を与える要素だけ
を選び出すための特徴選択を行う。特徴選択の方法に
は、主成分分析法や正準判別分析法あるいは、ニューラ
ルネットワークなどがあげられる。この特徴選択によ
り、特徴ベクトルＸ及び特徴ベクトルＹは、要素数の少
ない特徴ベクトルＴ及び特徴ベクトルＵが生成される。
尚、特徴ベクトルＴの要素数はｉ（ｉ＜ｍ）、特徴ベク
トルＵの要素数はｊ（ｊ＜ｎ）である。特徴選択によっ
てデータ量を減らせるため、併合する際に扱うデータ量
を減らすことができる。
において、類似性の比較に大きな影響を与える要素だけ
を選び出すための特徴選択を行う。特徴選択の方法に
は、主成分分析法や正準判別分析法あるいは、ニューラ
ルネットワークなどがあげられる。この特徴選択によ
り、特徴ベクトルＸ及び特徴ベクトルＹは、要素数の少
ない特徴ベクトルＴ及び特徴ベクトルＵが生成される。
尚、特徴ベクトルＴの要素数はｉ（ｉ＜ｍ）、特徴ベク
トルＵの要素数はｊ（ｊ＜ｎ）である。特徴選択によっ
てデータ量を減らせるため、併合する際に扱うデータ量
を減らすことができる。
【００２０】続いて、特徴ベクトルＴと特徴ベクトルＵ
とを一列に並べて新たな特徴ベクトルを作り（特徴ベク
トルの併合と呼ぶ）、これを特徴ベクトルＶとする。こ
の特徴ベクトルの併合は、 特徴ベクトルＴ＝（ｔ１，ｔ２，……，ｔｉ） 特徴ベクトルＵ＝（ｕ１，ｕ２，……，ｕｊ） の場合、 特徴ベクトルＶ＝（ｔ１，ｔ２，……，ｔｉ，ｕ１，ｕ
２，……，ｕｊ） と言うように各特徴ベクトルの要素を並べることにより
行われる。従って、特徴ベクトルＶの要素数はｋ（ｋ=
ｉ+j）である。
とを一列に並べて新たな特徴ベクトルを作り（特徴ベク
トルの併合と呼ぶ）、これを特徴ベクトルＶとする。こ
の特徴ベクトルの併合は、 特徴ベクトルＴ＝（ｔ１，ｔ２，……，ｔｉ） 特徴ベクトルＵ＝（ｕ１，ｕ２，……，ｕｊ） の場合、 特徴ベクトルＶ＝（ｔ１，ｔ２，……，ｔｉ，ｕ１，ｕ
２，……，ｕｊ） と言うように各特徴ベクトルの要素を並べることにより
行われる。従って、特徴ベクトルＶの要素数はｋ（ｋ=
ｉ+j）である。
【００２１】最後に、特徴ベクトルＶに対して同じよう
に特徴選択を適用し得られた特徴ベクトルを特徴ベクト
ルＷとする。尚、特徴ベクトルＷの要素数はｌ（ｌ＜
ｋ）である。そして、特徴ベクトルＷの特徴量は、濃縮
された特徴量である。尚、本実施の形態では、特徴選択
の際に特徴ベクトルの要素数を減らしているが、かなら
ずしも要素数を減らさなくとも良い。
に特徴選択を適用し得られた特徴ベクトルを特徴ベクト
ルＷとする。尚、特徴ベクトルＷの要素数はｌ（ｌ＜
ｋ）である。そして、特徴ベクトルＷの特徴量は、濃縮
された特徴量である。尚、本実施の形態では、特徴選択
の際に特徴ベクトルの要素数を減らしているが、かなら
ずしも要素数を減らさなくとも良い。
【００２２】又、本実施の形態では、特徴ベクトルが二
つ、即ち二つの特徴ベクトルの併合について説明した
が、３つ以上の特徴ベクトルを併合しても良い。又、既
に併合された２以上の特徴ベクトルを再び併合して新た
な特徴ベクトルを生成しても良い。次に、第１の特徴量
の濃縮合成装置について説明する。図２は第１の濃縮合
成装置のブロック図である。尚、本実施形態では、本発
明を音声認識に適用した例を示すが、入力されるデータ
としては音声以外の文字、画像等のパターン認識される
データならば何でも良い。
つ、即ち二つの特徴ベクトルの併合について説明した
が、３つ以上の特徴ベクトルを併合しても良い。又、既
に併合された２以上の特徴ベクトルを再び併合して新た
な特徴ベクトルを生成しても良い。次に、第１の特徴量
の濃縮合成装置について説明する。図２は第１の濃縮合
成装置のブロック図である。尚、本実施形態では、本発
明を音声認識に適用した例を示すが、入力されるデータ
としては音声以外の文字、画像等のパターン認識される
データならば何でも良い。
【００２３】１はマイクなどの入力装置である。２は第
１の測定器である。測定器２は、周波数測定に基づいて
入力データから特徴ベクトルを生成する測定手段２１
と、予め特徴選択に用いられる演算のための情報（数値
データ）が記憶された特徴量記憶部２２と、特徴量記憶
部２２を用いて主成分分析法により特徴選択を行う特徴
選択手段２３とを有する。
１の測定器である。測定器２は、周波数測定に基づいて
入力データから特徴ベクトルを生成する測定手段２１
と、予め特徴選択に用いられる演算のための情報（数値
データ）が記憶された特徴量記憶部２２と、特徴量記憶
部２２を用いて主成分分析法により特徴選択を行う特徴
選択手段２３とを有する。
【００２４】３は第２の測定器である。測定器３は、時
系列測定に基づいて入力データから特徴ベクトルを生成
する測定手段３１と、予め特徴選択に用いられる演算の
ための情報が記憶された特徴量記憶部３２と、特徴量記
憶部３２を用いて正準判別分析法により特徴選択を行う
特徴選択手段３３とを有する。尚、測定器２，３は、各
々の測定方法の処理が並列に行えるように分わかれてい
る。
系列測定に基づいて入力データから特徴ベクトルを生成
する測定手段３１と、予め特徴選択に用いられる演算の
ための情報が記憶された特徴量記憶部３２と、特徴量記
憶部３２を用いて正準判別分析法により特徴選択を行う
特徴選択手段３３とを有する。尚、測定器２，３は、各
々の測定方法の処理が並列に行えるように分わかれてい
る。
【００２５】４は特徴ベクトル（特徴量）の併合・特徴
選択を行う特徴量併合処理器である。特徴量併合処理器
４は、特徴選択手段２３及び特徴選択手段３３から出力
された特徴ベクトルを併合する特徴量併合手段４１と、
予め特徴選択に用いられる演算のための情報が記憶され
た特徴量記憶部４２と、特徴量記憶部４２を用いて主成
分分析法により特徴選択を行う特徴選択手段４３とを有
する。尚、特徴選択手段４３は、併合されて生成された
特徴ベクトルを後述する認識判定器５に必要な特徴ベク
トルに変換する。
選択を行う特徴量併合処理器である。特徴量併合処理器
４は、特徴選択手段２３及び特徴選択手段３３から出力
された特徴ベクトルを併合する特徴量併合手段４１と、
予め特徴選択に用いられる演算のための情報が記憶され
た特徴量記憶部４２と、特徴量記憶部４２を用いて主成
分分析法により特徴選択を行う特徴選択手段４３とを有
する。尚、特徴選択手段４３は、併合されて生成された
特徴ベクトルを後述する認識判定器５に必要な特徴ベク
トルに変換する。
【００２６】５は入力データと正解の比較・分類を行う
認識判定器である。認識判定器５は、正解パターンが予
め記憶された特徴量記憶部５１と、特徴選択手段４３か
ら出力された特徴ベクトル（特徴量）と特徴量記憶部５
１に記憶されている正解パターンとを比較して類似性判
定を行う判定手段５２とを有する。尚、判定手段５２に
おける類似性判定の識別関数には、ユークリッド距離が
使用される。
認識判定器である。認識判定器５は、正解パターンが予
め記憶された特徴量記憶部５１と、特徴選択手段４３か
ら出力された特徴ベクトル（特徴量）と特徴量記憶部５
１に記憶されている正解パターンとを比較して類似性判
定を行う判定手段５２とを有する。尚、判定手段５２に
おける類似性判定の識別関数には、ユークリッド距離が
使用される。
【００２７】６はディスプレイなどの出力装置である。
上記の如く構成された濃縮合成装置の動作を説明する。
入力装置１から与えられた入力音声は、複数に分かれた
測定器２，３に同時に供給される。測定器２，３では、
各々の測定方法で入力音声をいくつかの項目からなる数
値データにし、それを特徴ベクトル（特徴量）として構
成する。その特徴ベクトルに対し、主成分分析、又は正
準判別分析法を行って特徴選択を行い、新たな特徴ベク
トルを構成して出力する。
上記の如く構成された濃縮合成装置の動作を説明する。
入力装置１から与えられた入力音声は、複数に分かれた
測定器２，３に同時に供給される。測定器２，３では、
各々の測定方法で入力音声をいくつかの項目からなる数
値データにし、それを特徴ベクトル（特徴量）として構
成する。その特徴ベクトルに対し、主成分分析、又は正
準判別分析法を行って特徴選択を行い、新たな特徴ベク
トルを構成して出力する。
【００２８】特徴量併合処理器４では、測定器２，３か
らの出力が揃ったところで、ベクトルの併合を行う。そ
して、併合されて生成された特徴ベクトルに対して主成
分分析を行い、更に認識判定器５に必要な特徴ベクトル
に合わせて新たな特徴ベクトルを構成し出力する。認識
判定器５では、特徴量併合処理器４からの特徴ベクトル
と、特徴量記憶部５１にある正解パターンとのベクトル
の類似性を、識別関数を用いて計算し、正解となる分類
（カテゴリー）の中で最も類似性が高いと判定されたカ
テゴリーを認識結果として出力装置６に表示する。
らの出力が揃ったところで、ベクトルの併合を行う。そ
して、併合されて生成された特徴ベクトルに対して主成
分分析を行い、更に認識判定器５に必要な特徴ベクトル
に合わせて新たな特徴ベクトルを構成し出力する。認識
判定器５では、特徴量併合処理器４からの特徴ベクトル
と、特徴量記憶部５１にある正解パターンとのベクトル
の類似性を、識別関数を用いて計算し、正解となる分類
（カテゴリー）の中で最も類似性が高いと判定されたカ
テゴリーを認識結果として出力装置６に表示する。
【００２９】第１の濃縮合成装置によれば、入力データ
から別々に得られた特徴量を、そのデータの内容に関わ
らず機械的に合成できる。又、特徴選択により、類似性
の判別に大きな影響を与える部分だけを取り出せるた
め、情報量の圧縮をしながら別々の特徴量の合成が行え
る。尚、本実施の形態では、説明を簡単にする為に測定
器を２つしか設けなかったが、図３に示される第２の濃
縮合成装置の様に３つ以上の測定器を設けて、３つ以上
の特徴ベクトルを併合することも可能である。この場
合、入力装置からの入力に対して測定器における処理は
並列して行うことができるため、３つ以上の測定方法か
ら得られる特徴量を同時に合成可能である。
から別々に得られた特徴量を、そのデータの内容に関わ
らず機械的に合成できる。又、特徴選択により、類似性
の判別に大きな影響を与える部分だけを取り出せるた
め、情報量の圧縮をしながら別々の特徴量の合成が行え
る。尚、本実施の形態では、説明を簡単にする為に測定
器を２つしか設けなかったが、図３に示される第２の濃
縮合成装置の様に３つ以上の測定器を設けて、３つ以上
の特徴ベクトルを併合することも可能である。この場
合、入力装置からの入力に対して測定器における処理は
並列して行うことができるため、３つ以上の測定方法か
ら得られる特徴量を同時に合成可能である。
【００３０】次に、第３の濃縮合成装置を説明する。第
３の濃縮合成装置は、第１の濃縮合成装置における測定
器２，３と特徴量併合処理器４とを一つのモジュールと
して（これを中間合成装置とする）、中間合成装置６０
と中間合成装置６１と中間合成装置６２とを並列に並べ
てたものである。
３の濃縮合成装置は、第１の濃縮合成装置における測定
器２，３と特徴量併合処理器４とを一つのモジュールと
して（これを中間合成装置とする）、中間合成装置６０
と中間合成装置６１と中間合成装置６２とを並列に並べ
てたものである。
【００３１】そして、各中間合成装置から出力された特
徴ベクトルを特徴量併合処理器４に入力する。そして、
特徴量併合処理器４及び認識判定器５において第１の濃
縮合成装置と同様な処理を行う。第３の濃縮合成装置に
よれば、より特徴量が濃縮された特徴ベクトルを得るこ
とが出来、パターン認識の精度も高まる。
徴ベクトルを特徴量併合処理器４に入力する。そして、
特徴量併合処理器４及び認識判定器５において第１の濃
縮合成装置と同様な処理を行う。第３の濃縮合成装置に
よれば、より特徴量が濃縮された特徴ベクトルを得るこ
とが出来、パターン認識の精度も高まる。
【００３２】
【効果】本発明によれば、入力データから別々に得られ
た特徴ベクトル（特徴量）を、そのデータの内容に関わ
らず機械的に合成することが出来る。又、かならず特徴
選択を行うので、情報量を圧縮しながら類似性の判別に
大きな影響を与える部分だけを取り出せ、この情報を合
成することにより、大きな影響を与える部分のみを濃縮
して合成することが出来る。
た特徴ベクトル（特徴量）を、そのデータの内容に関わ
らず機械的に合成することが出来る。又、かならず特徴
選択を行うので、情報量を圧縮しながら類似性の判別に
大きな影響を与える部分だけを取り出せ、この情報を合
成することにより、大きな影響を与える部分のみを濃縮
して合成することが出来る。
【図１】図１は本特徴量の濃縮方法を説明する為の図で
ある。
ある。
【図２】図２は第１の濃縮合成装置のブロック図であ
る。
る。
【図３】図３は第２の濃縮合成装置のブロック図であ
る。
る。
【図４】図４は第３の濃縮合成装置のブロック図であ
る。
る。
【図５】図５は従来技術を説明する為の図である。
１ 入力装置 ２，３ 測定器 ４ 特徴量併合処理器 ５ 認識判定器 ６ 出力装置 ２１，３１ 測定手段 ２２，３２，４２，５１ 特徴量記憶部 ２３，３３，４３ 特徴選択手段 ４１ 特徴量併合手段 ５２ 判定手段 ６０，６１，６２ 中間合成装置
Claims (11)
- 【請求項１】 パターン認識に用いられる特徴量の濃縮
合成方法であって、 （ａ）複数の測定方法に基づいて、入力データから複数
の第１の特徴ベクトルを生成する工程と、 （ｂ）前記第１の特徴ベクトルの各々に対して任意の特
徴選択を行い、複数の第２の特徴ベクトルを生成する工
程と、 （ｃ）前記複数の第２の特徴ベクトルを併合して第３の
特徴ベクトルを生成する工程と、 （ｄ）前記第３の特徴ベクトルに対して任意の特徴選択
を行い、第４の特徴ベクトルを生成する工程とを有する
ことを特徴とする特徴量の濃縮合成方法。 - 【請求項２】 （ａ）第１の特徴ベクトルを生成する工
程は、互いに異なる測定方法により入力データから第１
の特徴ベクトルを生成する工程であることを特徴とする
請求項１に記載の特徴量の濃縮合成方法。 - 【請求項３】 （ｂ）第２の特徴ベクトルを生成する工
程は、互いに異なる特徴選択の方法により特徴選択を行
うことを特徴とする請求項１又は請求項２に記載の特徴
量の濃縮合成方法。 - 【請求項４】 第４の特徴ベクトルと正解パターンとの
類似性を解析し、類似性が最も高い正解パターンを認識
結果として出力する工程を更に有することを特徴とする
請求項１から請求項３のいずれかに記載の特徴量の濃縮
合成方法。 - 【請求項５】 請求項１に記載の（ａ）〜（ｄ）の工程
を複数設け、複数の第４の特徴ベクトルを生成する工程
と、 前記複数の第４の特徴ベクトルを併合して第５の特徴ベ
クトルを生成する工程と、 前記第５の特徴ベクトルに対して任意の特徴選択を行
い、第６の特徴ベクトルを生成する工程と、 前記第６の特徴ベクトルと正解パターンとの類似性を解
析し、類似性が最も高いパターンを認識結果として出力
する工程とを更に有することを特徴とする請求項１から
請求項４のいずれかに記載の特徴量の濃縮合成方法。 - 【請求項６】 パターン認識に用いられる特徴量の濃縮
合成装置であって、所定の測定方法により、入力データ
から第１の特徴ベクトルを生成し、前記第１の特徴ベク
トルに対して特徴選択を行って第２の特徴ベクトルを生
成する複数の測定手段と、 前記複数の第２の特徴ベクトルを併合して第３の特徴ベ
クトルを生成し、前記第３の特徴ベクトルに対して特徴
選択を行い、第４の特徴ベクトルを生成する特徴量併合
手段とを有することを特徴とする特徴量の濃縮合成装
置。 - 【請求項７】 複数の測定手段は、互いに異なる測定方
法に基づいて入力データから第１の特徴ベクトルを生成
する手段であることを特徴とする請求項１に記載の特徴
量の濃縮合成装置。 - 【請求項８】 複数の測定手段は、互いに異なる特徴選
択の方法に基づいて特徴選択を行う手段であることを特
徴とする請求項１又は請求項２に記載の特徴量の濃縮合
成装置。 - 【請求項９】 第４の特徴ベクトルと正解パターンとの
類似性を解析し、類似性が最も高い正解パターンを認識
結果として出力する認識判定手段を更に有し、 前記特徴量併合手段は、特徴ベクトルの要素数を前記認
識判定手段において判定に遜色ない範囲で情報を圧縮す
る為に特徴選択を行うことを特徴とする請求項６から請
求項８のいずれかに記載の特徴量の濃縮合成装置。 - 【請求項１０】 複数の測定手段及び特徴量併合手段か
ら成る濃縮合成装置を複数設け、 濃縮合成装置から出力される複数の第４の特徴ベクトル
を併合して第５の特徴ベクトルを生成し、前記第５の特
徴ベクトルに対して特徴選択を行って第６の特徴ベクト
ルを生成する第２の特徴量併合手段と、 前記第６の特徴ベクトルと正解パターンとの類似性を解
析し、類似性が最も高い正解パターンを認識結果として
出力する第２の認識判定手段を有し、 前記第２の特徴量併合手段は、特徴ベクトルの要素数を
前記第２の認識判定手段において判定に遜色ない範囲で
情報を圧縮する為に特徴選択を行うことを特徴とする請
求項６から請求項９のいずれかに記載の特徴量の濃縮合
成装置。 - 【請求項１１】 パターン認識に用いられる特徴量の濃
縮合成装置であって、 複数の測定手段と、特徴量併合手段と、認識判定手段と
を有し、 前記測定手段の各々は、他の測定手段とは異なる測定方
法に基づいて、入力データから第１の特徴ベクトルを生
成する手段と、特徴量を記憶する記憶手段と、前記第１
の特徴ベクトルに対して、前記特徴量記憶手段に記憶さ
れている特徴量に基づいて他の測定手段とは異なる特徴
選択を行って前記第１の特徴ベクトルの要素数よりも要
素数が少ない第２の特徴ベクトルを生成する特徴選択手
段とを有し、 前記特徴量併合手段は、前記複数の第２の特徴ベクトル
を併合し、第３の特徴ベクトルを生成する特徴量併合手
段と、特徴量を記憶する記憶手段と、前記第３の特徴ベ
クトルに対して、前記特徴量記憶手段に記憶されている
特徴量に基づいて所定の特徴選択を行って前記第３の特
徴ベクトルの要素数よりも要素数が少なく、かつ、前記
認識判定手段における要素数と同じ第４の特徴ベクトル
を生成する手段とを有し、 前記認識判定手段は、正解パターンを記憶する記憶手段
と、前記第４の特徴ベクトルと前記正解パターンとの類
似性を解析し、類似性が最も高い正解パターンを認識結
果として出力する手段とを有することを特徴とする特徴
量の濃縮合成装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9283451A JPH11119795A (ja) | 1997-10-16 | 1997-10-16 | 特徴量の濃縮合成方法、及び特徴量の濃縮合成装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9283451A JPH11119795A (ja) | 1997-10-16 | 1997-10-16 | 特徴量の濃縮合成方法、及び特徴量の濃縮合成装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11119795A true JPH11119795A (ja) | 1999-04-30 |
Family
ID=17665723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9283451A Pending JPH11119795A (ja) | 1997-10-16 | 1997-10-16 | 特徴量の濃縮合成方法、及び特徴量の濃縮合成装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11119795A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008250693A (ja) * | 2007-03-30 | 2008-10-16 | Matsushita Electric Ind Co Ltd | 映像検索装置 |
| JP2023513430A (ja) * | 2020-01-21 | 2023-03-31 | グーグル エルエルシー | デリバレーションモデルベースの２パスのエンド・ツー・エンド音声認識 |
-
1997
- 1997-10-16 JP JP9283451A patent/JPH11119795A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008250693A (ja) * | 2007-03-30 | 2008-10-16 | Matsushita Electric Ind Co Ltd | 映像検索装置 |
| JP2023513430A (ja) * | 2020-01-21 | 2023-03-31 | グーグル エルエルシー | デリバレーションモデルベースの２パスのエンド・ツー・エンド音声認識 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Joder et al. | Temporal integration for audio classification with application to musical instrument classification | |
| US4624010A (en) | Speech recognition apparatus | |
| Deshpande et al. | Classification of music signals in the visual domain | |
| EP0686965B1 (en) | Speech recognition apparatus with speaker adaptation using acoustic category mean value calculus | |
| CN108711422A (zh) | 语音识别方法、装置、计算机可读存储介质和计算机设备 | |
| Gao et al. | The labeled multiple canonical correlation analysis for information fusion | |
| US20050192805A1 (en) | Voice analysis device, voice analysis method and voice analysis program | |
| JP2002328695A (ja) | テキストからパーソナライズ化音声を生成する方法 | |
| Parekh et al. | Weakly supervised representation learning for audio-visual scene analysis | |
| US20220156552A1 (en) | Data conversion learning device, data conversion device, method, and program | |
| US6131089A (en) | Pattern classifier with training system and methods of operation therefor | |
| CN111128178A (zh) | 一种基于面部表情分析的语音识别方法 | |
| JPH0981730A (ja) | パターン認識方法及び装置及びコンピュータ制御装置 | |
| US5864807A (en) | Method and apparatus for training a speaker recognition system | |
| CN111488486B (zh) | 一种基于多音源分离的电子音乐分类方法及系统 | |
| CN111785284A (zh) | 基于音素辅助的文本无关声纹识别方法、装置以及设备 | |
| JPH11119795A (ja) | 特徴量の濃縮合成方法、及び特徴量の濃縮合成装置 | |
| Lee | A system for automatic chord transcription from audio using genre-specific hidden Markov models | |
| CN113870896A (zh) | 基于时频图和卷积神经网络的运动声音判假方法、装置 | |
| Blaszke et al. | Real and Virtual Instruments in Machine Learning–Training and Comparison of Classification Results | |
| JP2757356B2 (ja) | 単語音声認識方法および装置 | |
| CN111539490B (zh) | 一种业务模型训练方法和装置 | |
| Nguyen et al. | Improving mix-and-separate training in audio-visual sound source separation with an object prior | |
| US7818172B2 (en) | Voice recognition method and system based on the contexual modeling of voice units | |
| Pentari et al. | Graph-based representations of speech signals: A novel approach for emotion recognition |