JPS63109500A - パタ−ン認識装置 - 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、音声、文字等のパターン認識装置区間する。

（従来の技術） 従来、パターン認識装置は、認識すべき対象の特徴を示
すパターンを認識に先立ち予め作成、記憶しておき（以
下このパターンを標準パターンと称する）、認識時に入
力されたパターン（以下このパターンを入力パターンと
称する）と比較処浬（以下マツチングと称する）を行い
、その差（以下距離と称する）の最も小さい標準パター
ンのカテゴリ名を認識結果とする方法が、多く取られて
いる。

音声信号を例にあげると、音声の特徴を示すパターンは
、バンドパス・フイ〃り法、ケプストラム法、ノルケプ
ストラム法、ＬＰＣ法等の分析方法で得られるベクトル
列の形で表されている（以下、このベクトル列を特徴ベ
クトル時系列と称する）。これらの分析法に関しては、
昭和５４年１０月、共立出版より出版された「音声認識
」の第１０７頁よシ第１０８頁に記載されている。

さらに、まえもって、多量の音声データにクラスタリン
グを行って作成した代表的なベクトル（以下、そのベク
トルをコードベクトル、コードベクトルの集合をコード
ブックと称する）で、標準パターンの特徴ベクトル時系
列の各ベクトルを、代表させるというベクトル量子化法
がある。このベクトル量子法を用いると、標準パターン
の各ベクトルを、コードベクトルに対応した一次元の値
（以下、コードと称する）で表せるので、認識率をあま
シ損なわずに記憶量を削減することができるのが知られ
ている。クラスタリングに関しては、昭和５８年３月、
コロナ社より出版された「パターン情報処理」の第１１
３頁より第１２４頁に記載されている。

（発明が解決しようとする問題点） しかしながら、従来のベクトル量子化法では、多量のデ
ータをコードブックの作成のためだけに使っていて、捨
てられてしまう情報が多かった。

つまシ、各クラスタ内の複数のベクトルを、一つのコー
ドベクトルに代表させて、各ベクトルがどのような分布
をしているかといった情報は、捨てられてしまっていた
。このように、従来のベクトル量子化法では、多量のデ
ータを有効に活用しているとは言えなかった。

本発明の目的は、上記問題点を解決し、コードブック作
成時のデータを有効に活用し、高い認識率の得られるパ
ターン認識装置を提供することにある。

（問題点を解決するだめの手段） 本発明のパターン意識装置は、代表的なベクトルである
コードベクトルを複数個記憶しておくコードブック記憶
部と、前記コードベクトルに対応した重み行列を記憶し
ておく重み行列記憶部と、前記コードベクトルに対応し
たコードの系列の形で表される標準パターンを一つのカ
テゴリ名に対し少なくとも−り以上記憶する標準パター
ン記憶部と、ベクトル系列の形で表される入力パターン
を記憶する入力パターン記憶部と、前記入力パターンの
ベクトルと前記標準パターンのコードに対応したコード
ベクトルとの重み付け距離を前記重み行列記憶部におけ
るコードベクトルに対応した重み行列を用いて計算する
重み付け距離計算部と、前記入力パターンと前記標準パ
ターンとの系列を対応付けて前記重み付け距離の累積和
を計算する重み付け距離累積和計算部と、前記重み付け
距離累積和が最小となる標準パターンのカテゴリ名を認
識結果とする判定部とから構成される。

（作　用） 本発明の詳細な説明する。

コードブック作成時は、まず、多数のベクトルの系列パ
ターンをひとつひとつのベクトルに分解し、ベクトルご
とにクラスタリングを行い、いくつかのクラスタに分類
する。そして、各クラスタの要素を代表するベクトルを
コードベクトルとして記憶する。同時に、コードベクト
ルが作成されたクラスタ内のベクトルから、各ベクトル
の分布の状態を反映させて距離に重み付けを行う重み行
列（例えば、共分散行列）を求め、各コードベクトルに
対応させて記憶しておく。

そして、登録時は、標準パターンの特徴ベクトル系列の
各ベクトルを、従来のベクトル量子化法と同様に、コー
ドブック内の最も似ている（距離が小さい）コードベク
トルのコードで置き換えて記憶する。つｔｂ、標準パタ
ーンは、コードの系列で記憶される。

認識時は、入力パターンのベクトルと標準パターンのコ
ードに対応したコードベクトルとの距離計算に際し、コ
ードブック作成時に求めたコードベクトルに対応した重
み行列を用いて、距離に重み付けをする。七のｉみ付け
された距離を用いて認識を行う。

以上が、本発明の作用である。

（実施例） ゛以下、本発明の実施例について図面を参照して説明す
る。第１図は、本発明の一実施例である音声認識装置の
ブロック図である。

マイクロホン１よシ入力された音声信号は、音声分析部
２において、たとえば特願昭５２−１４４２０５号明細
書及びその第３図に示された如き周波数分析器によって
、音声分析がなされ、ベクトルの時系列の形に変換され
る。

本装置は、コードブックと重み行列の作成を行う学習モ
ードと、標準パターンの登録を行う登録モードと、入力
パターンの認識を行う認識モードとで、動作が異なり、
スイッチ回路３で切シ替える０ 学習モードにおいて、スイッチ回路３はＡＫ後接続れる
。学習用の音声データのベクトル時系列は、学習部４に
送られる。第２図は、学習部４の詳細を示すブロック図
である。ベクトル時系列は、ベクトル分解部４，１に送
られ、ひとつひとつのベクトルに分解された後、クラス
タリング部４゜２に送られる。クラスタリング部４，２
では、各ベクトル間の距離を基に％に平均アルゴリズム
を用いて、おのおのベクトルをクラスタリングする。

クラスタリングやに平均アルゴリズムに関しては、昭和
５８年３月、コロナ社より出版された「パターン情報処
理」の第１１３頁から第１２０頁に記載されている。ク
ラスタリングが終了すると、各クラスタごとに、逐次、
そのクラスタに属するベクトルは、クラスタ内ベクトル
記憶部４，３に記憶される。また、そのクラスタを代表
するベクトルは、コードベクトルとしてコードブック記
憶部５に記憶される。クラスタ内ベクトル記憶部４゜３
のベクトルは、共分散行列計算部４，４に送られ共分散
行列が計算され、共分散行列記憶部６に記憶される。以
上の動作がすべてのクラスタについて行われ、各り２ス
タを代表するベクトルがコードベクトルとしてコードブ
ック記憶部５Ｋ、それに対応する共分散行列が共分散行
列記憶部６ＩＣそれぞれ記憶される。

登録モードにおいて、スイッチ回路３はＢに接続される
。標準パターンのベクトル時系列は、ベクトルを子化部
７で、コードブック記憶部５の最も似ているコードベク
トルのコードの時系列に変換される。このベクトル量子
化部７における動作、はパターン処理の分野では、ベク
トル量子化法として周知の技術で、本発明の本質ではな
いので、詳細な説明は省く。

認識モードにおいて、スイッチ回路３はＣに接続される
。入力パターンの特徴ベクトル時系列は、入力パターン
記憶部９に記憶される。そして、重み付け距離計算部１
０において、標準パターン記憶部８に記憶されているコ
ード時系列に対応するコードブック記憶部５のコードベ
クトルと、入力パターン記憶部９に記憶されている特徴
ベクトル時系列の各ベクトルとのマハラノビス距離を、
共分散行列記憶部６に記憶されている各コードに対応さ
れた共分散行列を用いて計算する。つま）、標準パター
ンの第ｊフレームにおけるコードに対応するコードブッ
ク記憶部５のコードベクトルをＳｊ１共分散行列記憶部
６の共分散行列をＶｊとすると、入力パターンのｇｔフ
レームのベクトルをＸｉとすると、標準パターンの第ｊ
フレームと入力パターンの第ｉフレームにおけるマハラ
ノビス距離ｄ　（ｉ、　　ｊ）は、 ｄ（ｔ、ｊ）＝（Ｘｔ−８ｊ）　　（Ｖｊ）　　ＱＣｌ
−８ｊ）となる。なお、記号丁は転置を示す。

各フレームにおけるマハラノビス距離は、ＤＰ実行部１
１に送られる。ＤＰ実行部１１では、マハラノビス距離
の全フレームの和が最小（以下、この距離の和の最小値
をＤＰ短距離称する）となるような時間軸の正規化を、
特願昭４９−２４１８号記載の如く、動的計画法を利用
して行う。このアルゴリズムは、パターン認識の分野で
は、ＤＰマツチングとして周知の技術なので、詳細な説
明は省く。

各標準パターンに対するＤＰ短距離、逐次、判り名を認
識結果として出力する。

以上本発明の原理を実施例に基づいて説明したが、これ
らの記載は本発明を限定するものではない。特に、ＤＰ
実行部１１で、時間軸の正規化を行う際、ＤＰマツチン
グを用いたが、特徴ベクトルの変化景を線形正規化する
方法、特徴抽出によシセグメンーションを行い時間軸正
規化する方法等、その他の時間軸正規化法を用いてもか
まわない０ また、この実施例では、コードベクトルに対応する重み
行列を、クラスタ内のベクトルの共分散行列の逆行列と
していた。しかし、重み行列を、前記の他にも、コード
ベクトルが作成されるクラスタの級内分散を小さく駅間
分散を大きくするような変換行列としても良いし、クラ
スタ内のベクトルの分散もしくは標準偏差の逆数として
も良い。

分散もしくは標準偏差の逆数とした場合は、重み行列は
、対角項以外はＯとなシ、計算が簡単になる。

さらに、この実施例では、重み付け距離を計算する際の
重み行列を標準パターンのコードに対応したものを用い
たが、入力パターンについても同様にベクトル量子化を
行い、入力パターンのコードに対応した重み行列を用い
ても良い。

なお、本発明の原理は、音声以外のパターン、つまシ文
字、図形等のパターンを扱うパターン認識装置において
も、有効に活用できるのは明白である。

（発明の効果） 以上に述べたとおシ、本発明によれば、コードブック作
成時のデータを有効に活用し、高い認識率の得られるパ
ターン認識装置を提供することができる。

【図面の簡単な説明】

第１図は本発明の一実施例の音声認識装置のブロック図
、第２図は第１図実施例における学習部４の詳細を示す
ブロック図である。 １・・・マイクロホン、２・・・音声分析部、３・・・
スイッチ回路、４・・・学習部、４，１・・・ベクトル
分解部、４．２・・・クラスタリング部、４．３・・・
クラスタ内ベクトル記憶部、４，４・・・共分散行列計
算部、５・・・コードブック記憶部、６・・・共分散行
列記憶部、７・・・ベクトル量子化部、８・・・標準パ
ターン記憶部、９・・・入力パターン記憶部、１０・・
・重み付け距離計算部、１１・・・ＤＰ実行部、１２・
・・判定部。

Claims (2)

【特許請求の範囲】
1. （１）代表的なベクトルであるコードベクトルを複数個
   記憶しておくコードブック記憶部と、前記コードベクト
   ルに対応した重み行列を記憶しておく重み行列記憶部と
   、前記コードベクトルに対応したコードの系列の形で表
   される標準パターンを一つのカテゴリ名に対し少なくと
   も一つ以上記憶する標準パターン記憶部と、ベクトルの
   系列の形で表される入力パターンを記憶する入力パター
   ン記憶部と、前記入力パターンのベクトルと前記標準パ
   ターンのコードに対応したコードベクトルとの重み付け
   距離を前記重み行列記憶部におけるコードベクトルに対
   応した重み行列を用いて計算する重み付け距離計算部と
   、前記入力パターンと前記標準パターンとの系列を対応
   付けて前記重み付け距離の累積和を計算する重み付け距
   離累積和計算部と、前記重み付け距離累積和が最小とな
   る標準パターンのカテゴリ名を認識結果とする判定部と
   を有することを特徴とするパターン認識装置。
2. （２）前記重み付け距離累積計算部は動的計画法を用い
   て重み付け距離累積和が最小になるように前記入力パタ
   ーンの系列と前記標準パターンの系列を対応付けること
   を特徴とする特許請求の範囲第１項記載のパターン認識
   装置。