JPS61148497A - 標準パタン作成装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

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。

従来り植イボ↑ 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）６９年３月）や文字９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って得られ
るｎ次元の特徴ベクトル系列（；、＋’：２．・・・、
ａＩ）に対して、あらかじめ装置内に登録しであるＰ個
の標準パターンベクトル系列（ぢｊ　＋　”′２＋・・
・、烏）・・・・・・（鍔で、Ｈ’、　・−・。

→Ｐ 稚）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って認識結果としているが、
このとき入力ベクトル系列（；１゜ａ２．・・・、ａＩ
）と標準パターンベクトル系列のうちｌ　　１ １つ、例えばベクトル系列（ｂｌ、ｂ２．・・・ユ４）
（但しＪ＝１〜Ｐ）の比較に際してベクトル系列（；４
．；２．・・・、；Ｉ）の−要素ベクトル；ｉ　とベク
トル系列（”Ｈｅ　、Ｈｉ　、、、　Ｈ６、の中の−要
素ペクトルざ４の市街距離、もしくはユークリッド距離
を計算し、これをもとに２つのベクトル系列の総距離を
、ダイナミッ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、ユークリッド距離ｄｊｌ、ｍ　　　
　　　　　　　　　　　　ｌ、ｍは次式で与えられる。

とするとき 距離）・・・・・・・・・（２） ところで、辞書として、あらかじめ装置内に登録しであ
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って、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：”５ｐｅａｋｅｒ−ｉｎｄｅｐｅｎｄｅｎ　ｒ
ｅｃｏｇｎｉｔｉｏｎ　ｏｆｉｓｏｌａｔｅｄ　ｗｏｒ
ｄｓ　ｕｓｉｎｇ　ｃｌｕｓｔｅｒｉｎｇ　ｔｅｃｈｎ
ｉｑｕｅｓ”ＩＥＥＥ　Ｔｒａｎｓ、Ａｃｏｕｓｔ、５
ｐｅａｃｈ　Ｓｉｇｎａｌ　Ｐｔｏｃｅｓｓ、。

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ック図を示すもの
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個の入カバターンについて各入カバタ
ーン毎にその特徴量を抽出して入カバターンを表わす特
徴パターンすなわち前述の特徴ベクトル系列（ａｌ、ａ
２．・−・、ａｌ）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７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
結果全係持する。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
離が小さい上位に個を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Ｋｓ（：＜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。

入カバターンは特徴抽出手段１１で特徴抽出されて、入
カバターンを表わす特徴パターンＡ、が生成される。一
つのカテゴリに対するＮ個の入カバターンについて入カ
バターン毎に生成された前記特徴パターンＡ、（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工（１＝０゜・・・、Ｎ−１）に対し、計算手段１
３でそれぞれの特徴パターン間の距離計算を行い、それ
ぞれの計算結果り、＝　ＩＡ、−Ａ、　ｌ　（ｔ　、　
５　＝ｏ　、・・・、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、について他の特徴パターンとの距離の近いもの
上位に個の特徴パターン を選び、前記特徴パターン群間で共通する特徴パターン
が所定個数に、（くＫ）以上存在する場合に該当する特
徴パターン同志α。、αｆ（ＫｓくＮｕｍ（ａ、　ａ（
）：ｅ　、　ｆ＝ｏ、−−−、Ｎ−１，ｅｌｆ　；Ｎｕ
−（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つ増してに＋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に個の特徴パタ
ーンを平均して各グループを代表する標準パターンＳｏ
、・・・５Ｍ−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
する標準パターンど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
ってしまう。

したがってこの様な装置によシ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ック図を示
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個の入カバターンについて各入カバター
ン毎にその特徴量を抽出して入カバ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に
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Ｋｓ（＜Ｋ）以上の特徴パターン群をグル
ープ化する。２６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。

入カバターンは特徴抽出手段２１で特徴抽出されて、入
カバターンを表わす特徴パターンＡ・が生成される。一
つのカテゴリに対するＮ個の入カバターンについて、入
カバターン毎に生成された前記特徴パターンＡｉ（ｉ＝
ｏ、・・・、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＝ｏ。

・・・、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
ｉｉ　”　ｌ　Ａ１−Ａ３　ｌ　（’　＋　］　＝ｏ−
”’＋Ｎ−’　）　　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、
について他の特徴パターンとの距離の近いもの上位に個
の特徴ハターンＡｉ、Ａ工、・・・、Ａアで構成される
特徴パターン群α、＝　　（Ａｉ、Ａｘ、Ａ、）、（ｔ
＝ｏ、・−・、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に、（＜Ｋ）以上存
在する場合に該当する特徴パターン同志ａ。、ａｆ（Ｋ
８くＮｕｍ（ａｏ　ａｆ）：ｅ、ｉ＝ｏ、−、Ｎ−１，
ｅ、＠ｉ’、Ｎｕｍ（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つ増してに＋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Ａｌｑ（Ｂｌ：１ｌ＝ｏ、−、Ｍ−１，ｑ＝
ｏ、−、に−１）と他の特徴パターンＡ１　ｒ　（Ｂｌ
：　ｌ←ｒ＝ｏ、−、に−１）との距離の最大値Ｄｑｍ
ａｚ（ｑ＝ｏ置、に−１）が最も小さくなる特徴パター
ンＡｒｒＬ（ｍ＝　Ｏ、−、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
、違った年齢・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シ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、尚該認識
対象の前記除外サンプル以外のサンプルをもとに、尚該
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す／グルを
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７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
距離が所定値よシ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。

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
ロック図である。

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（ａｌ　、　ａ２、−・・ｌ”ｉ　ｌ・・・、
ａｌ）　　に逐次変換する特徴抽出部で、フィルタバン
ク、フーリエ変換器などにより構成される。２はスイッ
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（ｂｌ、１’・・・ｌ’Ｊ、
１）・・・・・・（”：　、　１　、・・・、百に、、
）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（”１．
１’糧１４．・・・、吐、）、・・・（１￥１４．Ｔ：
Ｘ２．１゜・・・、Ｔ；ζ、１）を記憶する。６は前記
パラメータベクトル系列（ａ４．ａ２．・・・＋”ｌ）
と標準パ・ターン記境部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Ｉ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。

１Ｑ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
に個を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
ンの数が所定数に、（≦Ｋ）以上の特徴パターン群をグ
ループ化する。１１は判断手段Ｉで、グループ化手段１
１０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Ｉ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に′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に’、（＜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■、１６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ッチ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Ａｉが生成される。全カテゴリ
に対するＮ個の入カバターンについて、入力データ毎に
生成された前記特徴パターｙＡｉ（ｉ　＝Ｏ、・・・、
Ｎ−１）は記憶手段Ｉ８にそれぞれ記憶される。記憶手
段Ｉ８で記憶されているＮ個の特徴パターン群Ａ、（ｉ
＝ｏ、・・・。

Ｎ−１）に対し、計算手段Ｉ８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Ｄ１ｉ”　
ｌＡ１−Ａ１１　（１，ｉ　＝○、・・・、Ｎ−１）を
保持する。グループ化手段１１０では前記計算結果に基
づいて、一つの特徴パターンＡ、について他の特徴パタ
ーンとの距離の近いもの上位に個に個 に個 ・・・、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に、（≦Ｋ）以上存在する
場合に該当する特徴パターン同志α。、αｆ（Ｋ、＜、
ＮｕｍＣａｏ　ａｌ）：ｅ、ｆ＝ｏ、−、Ｎ−１，ｅ＋
ｆ；Ｎｕｍ（りは集合Ｘの要素の数）をグループ化する
。

判断手段１１１ではグループ化手段１１０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つ増してに＋１として、グルー
プ化手段１１０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Ｉ、１１を駆動させる。選
択手段１１２では、グループ化手段１１０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”’　　”ＡＩｑｃ　　Ｂｚ：ｌ＝Ｏ，・−＝、Ｍ−
１，ｑ＝Ｏ。

・・−、に−１）　　と他の特徴パターンＡ、ｒ（Ｂ、
：ｌ←ｒ−〇、・・・、に−１）との距離の最大値Ｄｑ
ｍａｘ（ｑ＝Ｏ，・・・、に−１）が最も小さくなる特
徴ノく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へ’（ｉ’：Ｏ，・・・、　Ｎ’
−１）を選択して出力する。

以上のようにして選択手段１１２から出力された前記特
徴バターｙＡ’ｉ（ｉ’＝ｏ　、−、Ｎ’−１）は記憶
手段１１１３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’
＝　Ｏ、−・・、　Ｎ’−１）　ｉＣ対し、計算手段■
１５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ｐ／、＋＝　ｌ　Ａ／、　−Ａ／、　
１１】 （ｉ’　、　ｊ’＝ｏ　、・・・、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／　、について他の特徴パ
ターンとの距離の近いもの上位に′個の特徴パターン群
α’、　＝＝　（Ａ’、／　、　Ａ’工ｔ　、　Ａ’ア
ｔ　）　、　（ｉ’＝ｏ　、・・・。

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に／ｓ（≦に／　）以上存在する
場合に該当する特徴パターン同志α′。、α′ｆ（Ｋ’
ｓ’：”ｕ’ｍ’　（ａ’ｏａ’（）　：　ｅ’　、　
ｆ’＝ｏ　、−。

Ｎ’　−１，ｅ’　＊　ｆ’　；　Ｎ’ｕｔｍｉ　（！
’）　　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■、１５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に′を１つ増してに′＋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ＩＨ７を駆
動させる。選択手段ｌ１１７では、グループ化手段１１
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′１９（Ｂ’ｌｌ：　ｌ
’　＝Ｏ、・・・、Ｍ’　−１、ｑ’＝ｏ　、・・・、
　Ｋ’　１）と他の特徴パターンＡ’１ｔｒｉ　（Ｂ’
ｌｔ　：　ｌ’　”ｅ　ｒ’　＝Ｏ。

・・・−；−に’−１）との距離の最大値”ｑｍａｚ　
（ｑ’＝　Ｏ、−、、。

Ｋ’−１）が最も小さくなる特徴パターンＡｍ（ｍ＝０
“、・・・、Ｍ−１）を選択して標準パターンとじて出
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、スイッチ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　、・・・、ａＩ）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、ユークリッド距離等を用い
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ｌ＝１〜Ｐなるｌと第２グループの同じく
ｌ＝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７０−チャートによって説明する。

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って８つの副グループに分割す
る（３１）。

この時各側グループのグループの大きさをグループ内距
離りによっ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。

従っ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）。これによって
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く３３）、小グループの中心
点を前述のＭｉｎ−Ｍａ！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
とす右。

本発明を先の従来例との比較によってさらに説明する。

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
求めるものであった。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
類手法を適用して、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６図す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って、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５１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
大阪に重なシが存在するため原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シ、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
（ＣＡ　１＋　ＣＡ　２　）　／２　＜　（ＣＢ　１＋
　ＣＢ　２　）／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って第６図すに示すよ
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、東京１京都、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った結果、
従来の認識率が９３．４Ｌ４であったのに対し、本発明
では９７．７％の認識率が得られた。

なお、本実施例は、これをコンピュータに［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−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Ｉと計算手段Ｉとグループ化手段Ｉと判断
手段Ｉと選択手段Ｉ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Ｉ９．［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ック
図、第２図、第３図は従来の認識装置における標準パタ
ーン作成部のブロック図、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ャート、第６図は本
発明の詳細な説明する図、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、１０．１６・・・・・・グループ
化手段、１１．１６・・・・・判断手段、１２．１７・
・・・・・選択手段。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名弊惜
°（八−人 曽恰°（壁八 第４図 第　６　図 （ＣＡｌ＋ＣＡ”）／２　　イ（ＣＢ、＋Ｃθ２）／２
ｔａ＞

Claims (1)

【特許請求の範囲】
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
   。