JP2000268017A - パターン認識装置 - Google Patents

Abstract

(57)【要約】 【課題】少ない配線量・回路規模で、パターン認識およ
びパターン認識に用いる参照ベクトルの学習が行えるパ
ターン認識装置を提供する。 【解決手段】識別対象の入力パターンを所定ビット長の
時系列データに変換する変換手段（１２）と、前記入力
パターンの時系列データと参照パターンの所定ビット長
の時系列データとの間で比較演算を行って、該入力パタ
ーンについての識別結果信号を出力する識別手段（１
３、１４）と、前記識別結果信号に基づき前記入力パタ
ーンの時系列データと該入力パターンに最も近似する参
照パターンの時系列データとの間で演算を行って該参照
パターンの時系列データを更新する学習手段（１１）と
を具備する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、例えば、匂い・ガ
ス識別センシングシステム、文字・画像認識システム、
音声認識システム等に用いるパターン認識装置に関す
る。

【０００２】

【従来の技術】匂いの識別は、空港での麻薬探知や、環
境計測、食品・飲料の品質管理など多くの分野において
その応用例が考えられている。そこで、匂いの複数のセ
ンサ応答パターンからニューラルネットワークを用いて
匂いを識別する手法が考えられている。

【０００３】匂いの識別に限らず、音声認識、画像認識
等のパターン認識をニューラルネットワークを用いて行
う際、ニューラルネットワークをソフトウエアで実現す
ると、複雑な問題では処理時間が膨大になってしまう。
また、ワークステーション等の装置の移動が困難であ
り、使用する環境が限定されてしまう。そこで、並列性
を持つニューラルネットワークをハードウエア化して高
速化し、ＬＳＩ化することにより小型化することが必要
となる。

【０００４】以下に、その一例を示す。

【０００５】（１）文献１：ディジタル神経回路網モデ
ル（鎌田勝浩、平井有三、信学技報、１９８７、ＭＢＥ
８７−１５７） パルス信号でニューロン間の信号伝達を行ってニューラ
ルネットワークを構成し、ディジタル回路のみでニュー
ラルネットワークを実現する方法が記載されている。信
号の強弱はパルス頻度で伝える。しかし、シナプス荷重
の箇所は多ビットで固定であり、学習機能を有しない。
また、信号の伝送にも正負の信号を１本の信号線で伝え
ることができず、興奮性信号と抑制性信号の２本が必要
となる。

【０００６】（２）文献２：１ビットディジタル信号処
理を用いた制御システム（瀬川将宣、樋口俊郎、黒沢
実、岡宏一、ＳＩＣＥ９４、１０９Ｍ−２） Δ−Σ変調された１ビットディジタル信号間で加算、減
算、乗算、増幅、減衰、積分等の演算をディジタル回路
のみでできることを示した。

【０００７】（３）文献３：１ビットディジタル演算方
式を用いた匂いセンサ用測定・識別回路の研究（久保
靖、中本高道、森泉豊栄、電気学会センサ応用システム
研究会、１９９８、ＳＳＡ９８−１１） 文献２に記載の要素回路に加えて、周波数変化をΔ−Σ
変調する回路、絶対値回路等を開発し、それらを組み合
わせて匂いセンサ用測定・識別回路を実現している。し
かし、多様な識別対象に対応できるような学習する機能
を具備していない。

【０００８】

【発明が解決しようとする課題】このように、従来は、
ＡＳＩＣ（Application Specific Integratedcircui
t）、ＦＰＧＡ（Field Programmable Gate array）
等に容易に１チップ化できるような少ない配線量、回路
規模で、識別機能および学習機能を共に有したパターン
認識装置は存在していなかった。

【０００９】そこで、本発明は、パターン認識および学
習回路を１ビットディジタル演算回路で実現することが
でき、少ない配線量・回路規模で容易に構成可能なパタ
ーン認識装置を提供することを目的とする。

【００１０】すなわち、本発明は、文献１とは異なり、
シナプス荷重も１ビットディジタル信号として少ない配
線でニューラルネットワークを構成し、正負両方の信号
を扱え、さらに、文献２、３を発展させ、１ビットΔ−
Σ変調信号を用いて学習演算機能を備える。

【００１１】

【課題を解決するための手段】本発明のパターン認識装
置は、識別対象の入力パターンを所定長の１ビット時系
列データに変換する変換手段と、前記入力パターンの１
ビット時系列データと参照パターンの所定長の１ビット
時系列データとの間で比較演算を行って、該入力パター
ンについての識別結果信号を出力する識別手段と、前記
識別結果信号に基づき前記入力パターンの１ビット時系
列データと該入力パターンに最も近似する参照パターン
の１ビット時系列データとの間で演算を行って該参照パ
ターンの１ビット時系列データを更新する学習手段とを
具備したことにより（パターン認識およびパターン認識
に用いる参照ベクトルの学習を１ビットディジタル演算
で行うことにより）、少ない配線量・回路規模でパター
ン認識とパターン認識に用いる参照ベクトルの学習とが
行える。なお、上記手段は、ディジタル回路のみなら
ず、コンピュータに実行させることのできるプログラム
としてフロッピーディスク、ＣＤ−ＲＯＭ等の記録媒体
に記録して配布することも可能である。

【００１２】また、前記変換手段は、前記入力パターン
を規格化してから１ビット時系列データに変換すること
により、匂い・ガスの濃度、温度等の環境の違いに影響
されずにパターン認識が高精度に行える。

【００１３】また、前記識別手段は、前記入力パターン
の１ビット時系列データと前記参照パターンの１ビット
時系列データとの差の絶対値を積分した値（マンハッタ
ン距離）を用いて比較演算を行うことにより、センサ等
の過渡応答情報そのものを識別に使うことができ、二乗
や平方根等を計算するユークリッド距離の場合と比較し
て回路が容易に構成できる。

【００１４】

【発明の実施の形態】以下、本発明の一実施形態につい
て図面を参照して説明する。

【００１５】（１）匂い・ガス識別装置 図１は、本実施形態にかかる学習・識別装置を構成する
ニューロンユニットの基本的な構成例を示したものであ
る。

【００１６】複数のセンサ＃１、＃２、＃３、…からの
各入力信号は、例えば、この順に時分割多重されて入力
パターンとして、Δ−Σ変調部１に入力し、ここでΔ−
Σ変調されてニューロンユニットに１ビット信号として
供給される。一方、シナプス荷重も時分割多重され、Δ
−Σ変調されて１ビット信号に変換されたものをシリア
ルメモリ（例えば、ＦＩＦＯ（First In First Ou
t）メモリ）であるシナプス荷重記憶部３に格納されて
いる。演算部２は、シナプス荷重記憶部３に記憶された
シナプス荷重を順次読み出し、それと、Δ−Σ変調部１
から入力された１ビット信号との間で演算を行った後、
１ビットの信号として出力する。この出力信号は、教師
信号とともに学習回路４に入力され、ここで得られた１
ビット信号をシナプス荷重記憶部３に格納する。これを
繰り返し行うことで学習を行うことができる。

【００１７】図２は、図１のニューロンユニットを用い
た、匂い・ガス識別装置の全体の構成例を示したもので
ある。

【００１８】図２に示した匂い・ガス識別装置は、匂い
・ガスの吸着量に伴う周波数変化を測定するためにセン
サセル部１０１と、センサセル部１０１の出力を多重化
し、匂い・ガスの応答パターンを生成し、それを１ビッ
ト時系列データに変換する周波数測定部１０２と、図１
のニューラルユニット（演算部１、学習回路４、シナプ
ス荷重記憶部３）を組み合わせて構成されるニューラル
ネットワークを用いて匂い・ガスの応答パターンの学習
・識別を行う学習・識別回路部１０３から構成されてい
る。

【００１９】周波数測定部１０２は、図１３に示すよう
に、ここでは、４つの周波数カウンタ２０１ａ〜２０１
ｄを用いて、４種のセンサからの周波数変化を測定しマ
ルチプレクサ２０３により多重化する。周波数カウンタ
は例えば１秒の間に入力されるパルスの数をカウントす
る１４ビットのバイナリカウンタを用いる。カウンタの
出力は係数されている間に常に変化するので１秒間デー
タを保持するためにラッチ回路２０２ａ〜２０２ｄが必
要になる。

【００２０】周波数カウンタ２０１ａ〜２０１ｄでは、
匂いが吸着する前のセンサ信号を初期値としてレジスタ
に格納し、匂い吸着後のセンサ信号をそのレジスタの値
の各ビットを反転した値から新たにカウントを行うこと
により匂いの吸着に伴う周波数変化が得られる。

【００２１】図１３に示した周波数測定部１０２では、
周波数カウンタ２０１ａ〜２０１ｄで４種のセンサの周
波数変化分を並列して同時に測定することができる。

【００２２】各センサの周波数変化を測定し、マルチビ
ットのカウンタデータをマルチプレクサ２０３により時
分割多重化する。このようにして得られた匂い・ガス応
答パターンは、Δ−Σ変調部２０４でΔ−Σ変調され
て、１ビット時系列データ（例えば２０４８ビット長）
に変換され、例えば、２０４８ビット×１構成のＦＩＦ
Ｏメモリ２０５に一時格納される。

【００２３】Δ−Σ変調して得られた２０４８ビット長
の１ビット時系列データをＦＩＦＯメモリ２０５に格納
するのは、特に、学習時に繰り返し入力データを読み出
すようにするためである。原理的には、学習を行う度に
測定を行うのであれば、このＦＩＦＯメモり２０５は必
要ないが、それでは効率が悪いため、ここでは、予め学
習に用いるデータを一括してＦＩＦＯメモリ２０５格納
しておき、ここから繰り返し読み出すことにする。

【００２４】ＦＩＦＯメモり２０５から逐次読み出され
た１ビット時系列データは、学習・識別回路部１０３に
入力し、ＬＶＱ（Learning Vector Quantization：学
習ベクトル量子化法）によるニューラルネットワークの
学習に用いられる。

【００２５】本来Δ−Σ変調は、アナログデータに対し
て行うものであるが、ここでは、１４ビットバイナリデ
ータをアナログデータと同様に扱ってΔ−Σ変調を行っ
ている。通常のΔ−Σ変調回路は、アナログの減算器、
積分器を必要とするが、ここでは、ディジタル回路のみ
で構成できる。

【００２６】図１４にΔ−Σ変調部１２の構成例を示
す。積分器２１１の出力はバイナリデータとなるため、
その最上位ビットの値により符号が決まる。この最上位
ビットを反転したものが出力となる。図１４において、
加算器２１０において、フィードバックゲインＫによっ
て、入力を１／Ｋに減衰させている。これは積分器２１
１の飽和を防ぐものであり、このＫによって周波数変化
の測定可能範囲が決まる。例えば、ここでは、測定範囲
を１０２４Ｈｚ、ゲインを１０２４（２^１０）倍とす
る。

【００２７】図３は、図２の学習・識別回路部１０３の
構成例を示したもので、ここでは、周波数測定部１０２
との接続関係をわかりやすく示すために、周波数測定部
１０２の一部も記載している。図１のニューロンユニッ
トを組み合わせて構成したＬＶＱ回路である。この回路
は、入力パターンの属するカテゴリを判別するものであ
る。以下、ＬＶＱ回路について述べるが、バックプロバ
ケーション、ＲＢＦ（Radial Basis Function）、ボ
ルツマンマシン等、他のニューラルネットワークについ
ても、図１のニューロンユニットを適用することは可能
である。

【００２８】ＬＶＱでは、多数の参照ベクトルをデータ
空間内に配置し、各参照ベクトルと入力ベクトルとの距
離を計算する。各参照ベクトルはいずれかのカテゴリに
属するものとし、そのカテゴリは予め定められている。
そして、入力ベクトルと最も近い参照ベクトル（これを
「最近傍参照ベクトル」と呼ぶ）を検出し、この参照ベ
クトルが属するカテゴリが入力ベクトルのカテゴリであ
ると判別する。

【００２９】距離演算部１３で匂い・ガスの応答パター
ンの１ビット時系列データと、各カテゴリの参照ベクト
ルとの距離計算を行う。入力ベクトルと参照ベクトルと
の距離は、次式（１）で計算する。

【００３０】

【数１】

【００３１】この距離は、ユークリッド距離ではなく、
時分割多重波形、すなわち、応答パターンそのものをベ
クトルとして扱い、時分割多重波形間の差の絶対値を積
分したマンハッタン距離である。時分割多重するとき
は、センサの定常応答だけでなく過渡応答でもよいの
で、式（１）を用いれば、過渡応答情報そのものを識別
に使うことができる。

【００３２】図３では、各参照ベクトル毎に（例えば、
Ｎ個の参照ベクトル毎に）、それぞれに応じた距離演算
部（＃１、＃２、…＃Ｎ）１３を設け、並列にこの距離
計算を行い、最近傍参照ベクトル検出部１４で距離最小
の参照ベクトルを決定する。

【００３３】なお、式（１）に基づいて距離を計算する
図３の各距離演算部１３を構成する減算回路２１と絶対
値回路２２と積分回路２３と全ての距離演算部１で求め
られ距離を基に識別結果を出力する最近傍参照ベクトル
検出部１４とは図１の演算部２に相当し、図３の各距離
演算部１３の有する参照ベクトルＦＩＦＯメモリ２４は
図１のシナプス荷重記憶部３に相当し、図３の最近傍参
照ベクトル更新部１１は図１の学習回路４に相当する。

【００３４】最近傍参照ベクトル検出部１３は、入力さ
れた、各参照ベクトルと入力ベクトルとの距離を比較
し、その値が最小となる参照ベクトル、すなわち、最近
傍参照ベクトルを検出する。このような回路は、ＷＴＡ
（Winner Take All）回路として研究されているが、
ディジタル回路で構成するのは意外と難しい。通常、最
小値の検出には、２つずつ順に大小比較を行うトーナメ
ント方式がよくとられるが、参照ベクトルの数が増える
と比較演算の回数が飛躍的に増大する。また、全ての変
数について同時並列的な比較を行うと膨大な数の比較器
が必要になる。そこで、ここでは、以下のような方法を
とる。

【００３５】すなわち、図３の各距離演算部１３の最終
段にある積分回路２３では、入力された１ビット時系列
データをアップダウンカウンタ（積分用カウンタ）によ
り計数して積分していて、この積分回路２３の出力は多
ビットバイナリデータであり、最上位ビットは積分値の
符号を表している。そこで、この点に着目して、各距離
演算部１３の全ての積分回路２３で絶対値回路２２の出
力のカウントを終了した後、全ての積分回路２３で一斉
に、その積分用カウンタ値を同時に「１」ずつ減らして
いく。そして、最近傍参照ベクトル検出部１４は、いず
れかのカウンタ値が負になったら、その最初に負になっ
た積分用カウンタの参照ベクトルを最近傍参照ベクトル
として決定する。どれが最初に負になるかは、積分用カ
ウンタの最上位ビットのみをモニタしていれば分かる。
この方法によれば、積分用カウンタの値を減らしていく
分のクロックが余分に必要になるが、検出回路自体は簡
便な構成のみで構成でき、参照ベクトルがいくら多くて
もほとんど回路規模は増加しない。

【００３６】次に、図１の学習回路４に相当する図３の
最近傍参照ベクトル更新部１１について説明する。ここ
では、最近傍参照ベクトルの更新を逐次行う。

【００３７】図４に最近傍参照ベクトル更新部１１の構
成例を示す。最近傍参照ベクトル更新部１１は、最近傍
参照ベクトル検出部１４の出力（識別結果）と制御信号
発生回路３５で発生される教師信号とから識別結果の正
誤を判定し、判別精度が大きくなるように最近傍参照ベ
クトルの更新を行う。

【００３８】制御信号発生回路３５は、図２の学習・識
別回路部１０３内の回路動作タイミングを発生するもの
である。学習時はこの制御信号に従って参照ベクトルＦ
ＩＦＯメモり２４のデータの読み書きを行っている。な
お、ここで用いたＦＩＦＯメモリは読み出しと書込を同
時に行うことが可能で、参照ベクトルの時系列データを
読み出しながら同時に更新後の参照ベクトルの書き込み
を行うものとする。

【００３９】最近傍参照ベクトルの更新には、次式
（２）を用いている。

【００４０】

【数２】

【００４１】更新量αは、学習回数が進むにつれて、単
調減少する係数である。識別結果が教師信号と一致すれ
ば（２）式で正の符号をとり、一致しなければ負の符号
をとる。

【００４２】図４において、減算回路３２では、入力ベ
クトルと参照ベクトルＦＩＦＯメモリ１３から読み出さ
れた更新前の最近傍参照ベクトルとの差を求め、減衰回
路３３では、入力ベクトルと更新前の最近傍参照ベクト
ルとの差に更新量αを乗じる。

【００４３】加算回路３４では、（２）式より、図５
（ａ）に示すように、識別結果が教師信号と一致すれば
最近傍参照ベクトルを入力ベクトルに、

【００４４】

【数３】

【００４５】だけ近づけ、図５（ｂ）に示すように、識
別結果が教師信号に一致しなければ最近傍参照ベクトル
を入力ベクトルに、

【００４６】

【数４】

【００４７】だけ遠ざける。

【００４８】ここで、文献３に記載されている、１ビッ
ト加算（減算）回路、１ビット絶対値回路について説明
する。

【００４９】図１５は、距離演算部１３や、最近傍参照
ベクトル更新部１１に用いられる１ビット加算（減算）
回路の構成例を示したものである。

【００５０】図１５に示すように、１ビット加算は、３
入力加算器３０１、積分器３０２、比較器３０３から構
成される。但し、１ビット信号における「０」は「−
１」を意味するものであるため、一般的な３入力加算器
を用いることができず、図１６に示す真理表を持つ組み
合わせ回路で実現している。

【００５１】また、積分器３０２は、加算器とＤ−フリ
ップフロップを用い、積分器内のＤ−フリップフロップ
の最上位ビットは符号を表している。従って、このカウ
ンタは、比較器の役目も備えており、最上位ビットをそ
のままフィードバックして入力Ａ、Ｂと共に加算するこ
とによって減算が実現できる。但し、出力信号は、この
最上位ビットを反転する必要がある。

【００５２】図１７は、距離演算部１３に用いられる１
ビット絶対値回路の構成例を示したものである。１ビッ
ト信号の絶対値をとるためにには各時刻の信号の符号を
求め、負ならば反転すればよい。各時刻の符号を調べる
ために移動平均フィルタを考える。Δ−Σ変調した信号
をＤ／Ａ変換するには、ある時点におけるアナログ値を
得る場合、過去数十点（例えば６４点）からの平均によ
り求めればよい事が分かっている。これは、式（３）で
導出されるように６４点前の値を現時刻の値から減算し
たものを積分し求める。

【００５３】

【数５】

【００５４】回路は、図１７に示したような構成とな
る。これを応用し、過去数点（例えば６４点）の和をア
ップ／ダウンカウンタで求め、その符号を判定すること
で着目している点における正負の判別を行う。その結果
が正であれば元の信号のまま通過させ、負の場合は反転
して通過させる事で絶対値回路を実現できる。

【００５５】（Ｂ）匂い・ガスの学習および識別の具体
例 次に、図３に示した学習・識別回路を用いて、実際にガ
スの識別を行う場合について具体例を挙げて説明する。

【００５６】図３に示した学習・識別回路部１０３の構
成をＶＨＤＬ（ＶＨＳＩＣ Ｈａｒｄｗａｒｅ Ｄｅｓ
ｃｒｉｐｔｉｏｎ Ｌａｎｇｕａｇｅ）で記述してシミ
ュレーションした後に、ＦＰＧＡ（ＡＬｔｅｒａ社 Ｆ
ＬＥＸ１０ｋ５０）に搭載した。このＦＰＧＡは、メモ
リ内蔵型であり、それを有効に使うことにより、回路全
体を１チップ化することが可能である。

【００５７】このチップに、実際に測定された匂いの応
答パターンデータを用いて匂いサンプルの学習・識別を
行うものとする。

【００５８】ここでは、教師信号を用いて参照ベクトル
が最適な値へ更新されていく学習モードと、その結果得
られた参照ベクトルを用いて入力された匂いサンプルを
識別する識別モードの２つに分けて行う。各カテゴリに
ついて、参照ベクトル数が「１」の場合と複数の場合の
２通りについてシミュレーションを行った。

【００５９】（Ｂ−１）各カテゴリ１参照ベクトルの場
合 匂いサンプルの応答パターンデータは、特性の異なる３
種類の半導体ガスセンサ（センサ＃１、センサ＃２、セ
ンサ＃３（Ｆｉｇａｒｏ技研製で、それぞれ、ＴＧＳ８
２５、ＴＧＳ８２４、ＴＧＳ８２２）を用いて測定され
たもの（Ｄａｔａ＿１〜Ｄａｔａ＿６）を使用した。

【００６０】サンプル匂いガスは１００ｐｐｍのアセト
ン、アンモニア、ヘキサンの３種類とし、各サンプルに
ついて６回ずつ（Ｄａｔａ＿１〜Ｄａｔａ＿６）測定さ
れている。

【００６１】学習モードでは、参照ベクトルの初期値と
してＤａｔａ＿１を、教師信号としてＤａｔａ＿２を用
いた。センサ＃１とセンサ＃３を軸とした参照ベクトル
のデータ分布を図６に示す。

【００６２】図６において白塗りのマークはセンサの応
答パターン（測定データ）の値を、黒塗りのマークは学
習の結果得られた参照ベクトルの位置を表している。

【００６３】学習後にＤａｔａ＿３〜Ｄａｔａ＿６を用
いて匂いサンプルの識別を行った。識別結果を図７に示
す。なお、カテゴリＡ、Ｂ、Ｃはそれぞれアセトン、ア
ンモニア、ヘキサンを表す。

【００６４】図７から全ての測定データについて識別が
正しく行われているのがわかる。これは学習によって、
得られた参照ベクトルが正しくそれぞれのカテゴリに属
しており、正しい最近傍参照ベクトルが検出されたため
である。

【００６５】（Ｂ−２）各カテゴリ２参照ベクトルの場
合 各カテゴリの参照ベクトルを２本に変更してシミュレー
ションを行った。使用する匂いサンプルの測定データ
は、前回と同様で、今回は、１００ｐｐｍのアセトン、
１００ｐｐｍのヘキサンの２つについてのみ学習と識別
を行った。

【００６６】参照ベクトルの学習は、初期値にはＤａｔ
ａ＿１、教師信号にはＤａｔａ＿２、Ｄａｔａ＿３を用
いて行った。

【００６７】図８にセンサ＃１、センサ＃３を軸とした
参照ベクトルのデータ分布を示す。図８において白塗り
のマークはセンサの応答パターン（測定データ）の値
を、黒塗りのマークは学習の結果得られた参照ベクトル
の位置を表している。

【００６８】学習後にＤａｔａ＿４〜Ｄａｔａ＿６を用
いて匂いサンプルの識別を行った。識別結果を図９に示
す。なお、カテゴリＡ、Ｂはそれぞれアセトン、ヘキサ
ンを表す。

【００６９】図８では、センサ＃２の応答は省略し、学
習に用いたセンサの応答パターン（測定データ）を白抜
きで、学習後の参照ベクトル位置を黒塗りで表してい
る。

【００７０】図９の識別結果は、１参照ベクトルの時と
同様に全ての測定データにおいて正しいものが得られ
た。また、図８を見ると、参照ベクトルが適当に各カテ
ゴリ内部で異なる２点を示しており、学習が正しく行わ
れたと考えれる。

【００７１】カテゴリの分布が広い場合や、カテゴリ間
の距離が近い場合などには、１つの参照ベクトルでは正
しく識別を行うことは難しい。そのような場合、各カテ
ゴリに対して複数の参照ベクトルを用いることが必要で
ある。

【００７２】シミュレーションに用いた測定データは、
その分布が比較的小さくまとまっているため、各カテゴ
リにおける参照ベクトルは１本でも正しく識別すること
ができた。

【００７３】なお、図６〜図９はシミュレーション結果
であるが、ＲＯＭに格納したデータを読み出して同様の
ことをＦＰＧＡに実装した回路で行った結果正しく識別
できることがわかった。

【００７４】（Ｂ−３）水晶振動子ガスセンサを用いた
場合 文献３には、水晶振動子ガスセンサの周波数変化の出力
をΔ−Σ変調する方法が記載されている。水晶振動子ガ
スセンサの場合、出力がディジタル値であるため、セン
サインタフェース回路まで含めて全てディジタル回路で
設計可能で、１チップ化することが容易になる。なお、
文献３には識別回路のみで学習機能を有していなかっ
た。

【００７５】さて、文献３に記載の手法を用いると、図
１０に示すセンサ応答規格化回路を用いることにより、
水晶振動子ガスセンサアレイ出力パターンを学習・識別
回路部１０３でパターン認識することが可能である。す
なわち、濃度の異なる匂いを扱うためにはセンサアレイ
応答パターンを規格化することが必要になる。濃度の違
いに限らず、実際に測定されたデータは、例えば、温度
条件、測定者の癖などの環境条件等から誤差が生じるた
め、その誤差を最小限に抑えるために規格化を行うこと
が必要となる。ところが、規格化のためには除算回路が
必要となりかなり複雑な回路を必要とする。

【００７６】本発明では、図１０に示すように、ピーク
値検出回路４１を設け、ここで、複数のセンサの周波数
変化のうち最大周波数変化を検出し、Σ−Δ変調部１２
でΔ−Σ変調のフルスケール値と当該最大周波数変化と
を等しくすることにより規格化を行うもので、これによ
り、簡便な回路で実現できる特徴がある。

【００７７】センサとしては２０ＭＨｚ、ＡＴ−ＣＵＴ
水晶振動子にエチルセルロース、ＵＣＯＮ９００００、
ポリフェルニエーテル、フォスファチジルイノシトール
を塗布したものを４つ用い、サンプルとしては、ベンゼ
ン、ブチルアセテート、ヘキサン、２−ヘキサノンをＯ
ＤＯ（Octyl Decyl Oil）で１：１、１：３、１：８
に希釈したものを用いた。

【００７８】各サンプルは、試料瓶にいれた後に１秒間
だけ空気を試料ヘッドスペースに通気し、４つのセンサ
（センサ＃１〜＃４）の匂いパルスに対する８秒間の応
答波形を測定した。希釈比１：３の場合に４つのセンサ
応答を時分割多重化して規格化した応答パターンを図１
１に示す。

【００７９】また、各サンプルの参照ベクトル数を
「１」として、希釈比１：３のデータを用いて学習し、
得られた学習後の参照ベクトルＡ〜Ｄ（それぞれベンゼ
ン、ブチルアセテート、ヘキサン、２−ヘキサノン）の
波形を図１２に示す。

【００８０】なお、この結果は、回路をＶＨＤＬで記述
し、予め測定したセンサデータを用いて行ったシミュレ
ーション結果である。本来参照ベクトルは１ビットディ
ジタルデータであるが、そのデータをローパスフィルタ
に通してアナログ値としたものを図１２に示した。その
後、希釈比１：１、１：８の試料の測定データを入力し
た結果、各サンプルが濃度が異なっても正しく識別でき
ることがわかった。

【００８１】（Ｃ）効果 以上説明したように、上記実施形態によれば、パターン
認識およびパターン認識に用いる参照ベクトルの学習を
１ビットディジタル演算で行うことにより、ＡＳＩＣ、
ＦＰＧＡなどに容易に１チップ化できるディジタル回路
を構成でき、携帯用の判別機能付きセンシングシステム
の実現が可能になる。また、多ビット演算方式に比べて
配線量、回線規模を低減できる。

【００８２】また、図３に示した学習・識別回路とセン
サ（例えば、半導体ガスセンサアレイ、半導体ガスセン
サアレイ等）を組み合わせると、匂い・ガスの認識が精
度よく行え、環境計測、防災システムとして用いること
もできる。また、匂い源の位置を探知するためのロボッ
トに搭載すれば、匂い源の位置とその種類を同時に判定
可能になる。なお、認識対象は匂い・ガス等に限らず、
音声認識、画像認識にも応用可能である。

【００８３】

【発明の効果】以上説明したように、本発明によれば、
パターン認識およびパターン認識に用いる参照ベクトル
の学習を１ビットディジタル演算で行うことにより、少
ない配線量・回路規模で容易に構成可能なパターン認識
装置を提供できる。

【図面の簡単な説明】

【図１】本発明の一実施形態に係る１ビット演算方式を
用いたニューロンユニットの古本的な構成例を示した
図。

【図２】図１のニューロンユニットを用いた、匂い・ガ
ス識別装置の全体の構成例を示した図。

【図３】図２の匂い・ガス識別装置の学習・識別回路部
の構成例を示した図。

【図４】最近傍参照ベクトル更新部の構成例を示した
図。

【図５】最近傍参照ベクトル更新部の動作を説明するた
めの図。

【図６】匂い・ガスの学習および識別の具体例を示した
もので、各カテゴリ１参照ベクトルの場合の学習モード
時における各カテゴリ毎のセンサ＃１とセンサ＃３の応
答パターン（測定データ）と学習後の参照ベクトルの位
置分布を示した図。

【図７】匂い・ガスの学習および識別の具体例を示した
もので、各カテゴリ１参照ベクトルの場合の識別モード
時におけるガスの識別結果を示した図。

【図８】匂い・ガスの学習および識別の他の具体例を示
したもので、各カテゴリ２参照ベクトルの場合の学習モ
ード時における各カテゴリ毎のセンサ＃１とセンサ＃３
の応答パターン（測定データ）と学習後の参照ベクトル
の位置分布を示した図。

【図９】匂い・ガスの学習および識別の他の具体例を示
したもので、各カテゴリ２参照ベクトルの場合の識別モ
ード時におけるガスの識別結果を示した図。

【図１０】水晶振動子ガスセンサを用いた場合のセンサ
応答規格化回路の構成例を示した図。

【図１１】４つのサンプルのそれぞれについて、４つの
センサ応答を時分割多重化して規格化したセンサ応答パ
ターンの一例を示した図。

【図１２】４つの各サンプルのそれぞれについて、参照
ベクトル数を「１」としたときの学習により得られた参
照ベクトルＡ〜Ｄ（それぞれベンゼン、ブチルアセテー
ト、ヘキサン、２−ヘキサノン）の波形の一例を示した
図。

【図１３】図２の周波数測定部の構成例を示した図。

【図１４】Δ−Σ変調部の構成例を示した図。

【図１５】１ビット加算（減算）回路の構成例を示した
図。

【図１６】図１５の加算器の持つ真理表を示した図。

【図１７】１ビット絶対値回路の構成例を示した図。

【符号の説明】

１…Δ−Σ変調部 ２…演算部 ３…シナプス荷重演算部（ＦＩＦＯメモリ） ４…学習回路 １０１…センサセル部 １０２…周波数測定部 １０３…学習・識別回路部 １１…最近傍参照ベクトル更新部 １２…Δ−Σ変調部 １３…距離演算部 １４…最近傍参照ベクトル検出部 ２１…減算回路 ２２…絶対値回路 ２３…積分回路 ２４…参照ベクトルＦＩＦＯメモリ ３２…減算回路 ３３…減衰回路 ３４…加算回路 ３５…制御信号発生回路

Claims (3)

【特許請求の範囲】
1. 【請求項１】 識別対象の入力パターンを所定長の１ビ
   ット時系列データに変換する変換手段と、 前記入力パターンの１ビット時系列データと参照パター
   ンの所定長の１ビット時系列データとの間で比較演算を
   行って、該入力パターンについての識別結果信号を出力
   する識別手段と、 前記識別結果信号に基づき前記入力パターンの１ビット
   時系列データと該入力パターンに最も近似する参照パタ
   ーンの１ビット時系列データとの間で演算を行って該参
   照パターンの１ビット時系列データを更新する学習手段
   と、 を具備したことを特徴とするパターン認識装置。
2. 【請求項２】 前記変換手段は、前記入力パターンを規
   格化してから１ビット時系列データに変換することを特
   徴とする請求項１記載のパターン認識装置。
3. 【請求項３】 前記識別手段は、前記入力パターンの１
   ビット時系列データと前記参照パターンの１ビット時系
   列データとの差の絶対値を積分した値を用いて比較演算
   を行うことを特徴とする請求項１記載のパターン認識装
   置。