JPH02287775A - pattern recognition system - Google Patents
pattern recognition systemInfo
- Publication number
- JPH02287775A JPH02287775A JP1107627A JP10762789A JPH02287775A JP H02287775 A JPH02287775 A JP H02287775A JP 1107627 A JP1107627 A JP 1107627A JP 10762789 A JP10762789 A JP 10762789A JP H02287775 A JPH02287775 A JP H02287775A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- data
- mouse
- routine
- 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
Landscapes
- Position Input By Displaying (AREA)
- Image Analysis (AREA)
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。(57) [Summary] This bulletin contains application data before electronic filing, so abstract data is not recorded.
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、ポインティングデバイスを用いてデータを入
力するシステムに関する。DETAILED DESCRIPTION OF THE INVENTION [Field of Industrial Application] The present invention relates to a system for inputting data using a pointing device.
従来のニューロシステムでは、学習によりパターン認識
を行うことができるが、処理するデータとしては、画像
データのみを考えていた。Conventional neurosystems can perform pattern recognition through learning, but only image data was considered as the data to be processed.
従来のシステムでは、パターンｍｌ ０１に重点がおか
れ、そのパターンが作成された状況データは利用されて
いなかった。In the conventional system, emphasis was placed on the pattern ml 01, and the situation data for which the pattern was created was not utilized.
本発明の目的は、パターン認識の補助となる情報をパタ
ーン認識部に与えることにより、パターン認識を行いや
すくし、個人のクセを人力手段として用いることができ
るようにすることにある。An object of the present invention is to provide the pattern recognition section with information that assists in pattern recognition, thereby making it easier to perform pattern recognition and using personal quirks as a manual means.
上記目的を達成するために、ポインティングデバイスに
は圧力センサを付け、ポインティングデバイスより座標
、移動速度、圧力を読みとり、これらのデータを、ニュ
ーラルネツＩへワークに学習させて、パターン認識でき
るようにしたものである。In order to achieve the above purpose, a pressure sensor was attached to the pointing device, and the coordinates, movement speed, and pressure were read from the pointing device, and this data was learned by the work in Neural Nets I, so that it could recognize patterns. It is something.
ポインティングデバイスの座標、移動速度、圧力を与え
られるニューラルネツトワータは、与えられた各データ
が学習したどのパターンに対応するかを結論できる。ニ
ューラルネツ１−ワークの学習機能により、パターン認
識だけでなく個人のクセも認識できるので、クセとパタ
ーンのむすび付きにより、パターン認識の確度の上昇と
、クセを入力として利用することができる。Given the pointing device's coordinates, speed of movement, and pressure, a neural networker can conclude which pattern it has learned corresponds to each given piece of data. The learning function of the neural network 1-work allows not only pattern recognition but also individual quirks to be recognized, so by connecting quirks and patterns, the accuracy of pattern recognition can be increased and quirks can be used as input.
以下本発明の実施例を図面により詳細に説明する。 Embodiments of the present invention will be described in detail below with reference to the drawings.
第１図は本パターン認識システムを実現する装置のブロ
ック図であり、１は一般的なワークステーション、２は
ユーザが動作させる一般的なプログラムで、入力のデバ
イスとしてマウス８を使用できるユーザプログラム、３
はキーボード、マウスドライバ５からの各情報を学習、
認識し、結果をユーザプログラム２に送るニューラルネ
ットワークルーチン、４はワークステーション１を管理
するオペレーティングシステム、５はキーボード６、マ
ウス８からのコード、座標、圧力データをニューラルネ
ットワークルーチン３、オペレーティングシステム４に
送ることの可能なキーボード、マウスドライバで、マウ
ス８からの時系列座標データより各座標での移動速度を
計算し、ニューラルネットワークルーチン３に送ること
ができる。FIG. 1 is a block diagram of a device that realizes this pattern recognition system, in which 1 is a general workstation, 2 is a general program operated by a user, and a user program that can use a mouse 8 as an input device; 3
learns each information from the keyboard and mouse driver 5,
A neural network routine recognizes and sends the results to the user program 2, 4 is an operating system that manages the workstation 1, 5 is a neural network routine that sends codes, coordinates, and pressure data from the keyboard 6 and mouse 8 to the operating system 4 Using a keyboard and mouse driver that can send data, the moving speed at each coordinate can be calculated from the time-series coordinate data from the mouse 8 and sent to the neural network routine 3.
６は一般的なキーボード、７は圧力センサ、８は＊標を
読みとることの可能なマウスに圧力センサ７を付けたタ
イプのマウスである。6 is a general keyboard, 7 is a pressure sensor, and 8 is a type of mouse that can read the * mark and has the pressure sensor 7 attached thereto.
つぎに本システムの処理をニューラルネッ１〜ワークル
ーチン３に対する動作フローチャートである第２図に従
い説明する。尚、本システ１１は０〜９の数字、ＲＥ
Ｔ Ｕ ＲＮ動作の認識を行うものとする。Next, the processing of this system will be explained with reference to FIG. 2, which is an operational flowchart for the neural network 1 to work routine 3. In addition, this system 11 has numbers 0 to 9, RE
It shall be assumed that the TURN operation is recognized.
本システムを使用するユーザは、ニューラルネットワー
クルーチン内のニューラルネットワークにＯ〜９、ＲＥ
Ｔ Ｕ ＲＮ動作を字溝させることがら始める。Users using this system can add O to 9, RE to the neural network in the neural network routine.
Begin by grooving the TURN motion.
ワークステーション１のオペレーティングシステム４よ
りニューラルネッ１−ワークルーチン３に制御を渡しニ
ューラルネットワークルーチン３を５ＴＡＲＴする。ニ
ューラルネッ１〜ワークルーチン３は、オペレーティン
グシステム４より制御を（２０２）へ移る（２０１）。Control is passed from the operating system 4 of the workstation 1 to the neural network 1-work routine 3, and the neural network routine 3 is started five times. The neural network 1 to work routine 3 transfer control from the operating system 4 to (202) (201).
づきに、どんなパターンを学習するかをキーボード６に
より決定する。ここではＲＥ Ｔ Ｕ ＲＮキー押下を
学習するものとし、以下の説明を行う。Then, using the keyboard 6, the user decides what pattern to learn. Here, it is assumed that pressing of the RETURN key is learned, and the following explanation will be given.
ＲＥ Ｔ Ｕ ＲＮキー押下に対応するデータは、マウ
ス８からのデータのうち、座標に関するものを画面表示
することにより選択する。（２０３）具体的にはある圧
力以上のデータがマウス８より入った後の全ての座標、
移動速度、圧力の各データをまず保管する。第４図にマ
ウスカーソルの動きを示す。マウス８の動きは、図の点
線と実線の部分である。マウス８の動きのデータ量は保
管されるエリアのメモリ容量による。マウス８のデータ
は、単位時間でサンプリングされ、第４図では点の部分
と、Ｌの付いた点の部分である。このデータよりＲＥ
ＴＵ ＲＮキー押下分の切り出し方法は、動作開始点を
決めてやることにより可能である。The data corresponding to the press of the RETURN key is selected by displaying on the screen the data related to coordinates from among the data from the mouse 8. (203) Specifically, all coordinates after data of a certain pressure or more is input from mouse 8,
First, data on moving speed and pressure are stored. Figure 4 shows the movement of the mouse cursor. The movements of the mouse 8 are indicated by dotted lines and solid lines in the figure. The amount of data regarding the movement of the mouse 8 depends on the memory capacity of the area where it is stored. The data of the mouse 8 is sampled every unit time, and in FIG. 4, the data is indicated by a dot and a dot indicated by an L. From this data RE
The method of cutting out the TURN key press is possible by determining the operation start point.
本ニューラルネットワークでは３０点分の認識をの各り
に対する座標データχ＋／＋移動速度データｖＥ ＋
ｖ−！ｌ＋圧力デーデーが選択される。This neural network recognizes 30 points using coordinate data χ +/+ moving speed data vE +
v-! l+pressure day is selected.
つぎに結果の入力であるが、どの）！ｆ：標にＲ）＜
ｉ’ＵＲＮ押下したかを決める為、画面」二の第４図の
ＲＥ Ｔ ｔＪ ＲＮパターン図中で、ふされしいＪ東
１ｒ’Ａを決定する。本例ではｔ、６に対しＲＥ ＴＵ
ＲＮ押下したものとして、キーボード６人力により本
座標を結果入力前とする。（２０４）
（２０３）と（２０４）で、ニューラルネッ１−ワーク
ルーチン３の中のニューラルネッ１−ワーク（第３図に
示す）に対する人力と出力が決まったので、このデータ
に従い第３図のニューラルネットワークを学習させる。Next, enter the result (which)! f: mark R)<
In order to determine whether i'URN has been pressed, determine the appropriate J East 1r'A in the RE T tJ RN pattern diagram in Figure 4 of screen 2. In this example, RE TU for t, 6
Assuming that RN has been pressed, the actual coordinates will be entered before the result is input using the keyboard. (204) In (203) and (204), the human power and output for the neural network 1-work (shown in Figure 3) in neural network 1-work routine 3 have been determined, so according to this data, the Train a neural network.
（２０５）
第３図は３層のニューラルネットワークで、人力層には
（２０３）で決定したノ、〜ｌ、。に対応するχｔ ｙ
、１）−ｘ 、ｆｙ 、Ｐが各々六カされる。(205) Figure 3 shows a three-layer neural network, with the human layer having ノ, ~l, determined in (203). χt y corresponding to
, 1) -x, fy, and P are each multiplied by six.
出力はχ、ｙはり、６に対する座標として与えられ、Ｒ
Ｅ ＴＵ ＲＮ動作であるＲ１に’ｆ’ Ｕ ＲＮの出
力層に信号が期待される。この条件に従いバッタプロパ
ゲーションモデルでニューラルネッ１−ワークを修正す
る。（２０５）
つぎに試行を行う。試行は（２０８）〜（２１０）の動
作である。（２０６）
マウス８からのデータをニューラルネットワークに連続
する３０点ずつ与え、結果を受けとるのであるが、Ｌの
単位時間毎にχＴ ｙｔプよ＋２／−ｙ。The output is given as coordinates for χ, y beam, 6, and R
A signal is expected at the output layer of the 'f' U RN in R1 which is an E TU RN operation. According to this condition, the neural network is modified using the grasshopper propagation model. (205) Next, perform a trial. The trial is the operations (208) to (210). (206) The data from the mouse 8 is given to the neural network at 30 successive points and the results are received, but every L unit time, χT yt+2/-y.
Ｐがサンプリングされているので、ニューラルネジ１〜
ワークは、Ｌの単位時間が経過する毎に常にニューラル
ネットワークの出力を計算する。Since P is sampled, neural screw 1~
The work always calculates the output of the neural network every time L unit time passes.
（２０８）である時刻１．ｎに対し、それより前の’−
ｎ−３０よりＬ７＋、までのχ＋ ｙｔ ７）”ｘ ｔ
％ ｐ Ｐをニューラルネットワークに与え、 （２
０９）でその結果を受は取る。(208) at time 1. For n, the previous '−
χ+ from n-30 to L7+ yt 7)”x t
% p P to the neural network, (2
09), the Uke receives the result.
（２０８）は時刻Ｌｎ＋□に対しては、Ｌ１２−２９よ
りＡ ７１ ＋ １までのχ＋ ｙｔみ、外、Ｐで結果
を出す。For time Ln+□, (208) produces a result of χ+yt from L12-29 to A71+1, outside, and P.
（２１０）ではＬの時系列に結果を受けとっている。こ
こでは移動中以外の結果がある程度、例えば５つ連続し
たら、結果を認識結果とする。At (210), results are received in L time series. Here, when there are a certain number of results other than moving, for example, five consecutive results, the result is determined as a recognition result.
（２０７）では、マウス８より与えたデータが認識され
たかどうかを（２１０）のＹの出力として判定し、認識
できなければ（２０３）に戻り（２０３）〜（２０６）
までの処理をくり返す。In (207), it is determined whether the data given from the mouse 8 is recognized as the output of Y in (210), and if it is not recognized, the process returns to (203) and steps (203) to (206)
Repeat the process up to.
認識できるようになったら、学習の処理は終ｆする。（
２１２）
つぎに実際の使用の説明を行う。ユーザプログラム２を
起動する。ユーザプログラム２はプログラムがマウス８
の入力を必要とした時に、ニューラルネットワークルー
チン：３をコールする。When recognition becomes possible, the learning process ends. (
212) Next, the actual use will be explained. Start user program 2. User program 2 is program mouse 8
Neural network routine 3 is called when input is required.
ニューラルネットワークルーチン３は、ユーザプログラ
ム２より制御を渡された時は、学習処理でないものとし
、（２０８）に移る。（２０１）（２０８）では、サン
プリングデータが３０以」二になったら、単位時間毎に
ニューラルネッ１−ワークにデータを与えつづける。When the neural network routine 3 is given control by the user program 2, it assumes that it is not a learning process and moves to (208). In (201) and (208), when the sampling data becomes 30 or more, data continues to be provided to the neural network every unit time.
（２０９）にて受は取られた結果は、（２１０）にて移
動中かそれ以外かの判定を行い、一定の結果が連続した
ら、次の処理に移る。（２１０）（２１１）では、連続
した結果を認識したパターンのコードとして、出力座標
χ、ｙとともにユーザプログラムに渡して処理を終了す
る。The result of acceptance in (209) is determined as whether it is being moved or not in (210), and if a certain result continues, the process moves to the next process. In (210) and (211), the continuous results are passed to the user program as a code of the recognized pattern along with the output coordinates χ and y, and the process is completed.
ＲＥＴＵＲＮの例で説明すると、ユーザプログラム２は
、ある画面の領域に対し、ＲＥＴ Ｕ ＲＮ入力待とな
った時、ニューラルネットワークルーチン３に制御を渡
す。To explain using an example of RETURN, the user program 2 passes control to the neural network routine 3 when a RETURN input is waited for a certain screen area.
ニューラルネットワークルーチン３は、学習以外の処理
であることを判定（２０１）Ｌ、（２０８）に移る。Neural network routine 3 determines that the process is other than learning (201)L, and moves to (208).
（２０８）〜（２１０）で、マウスからの連続する３ｏ
ケのデータがあるコード、ここではＲＥＴＵ ＲＮに一
致しないかを判定する。ＲＥＴＵＲＮの結果が５回連続
した所で、ニューラルネットワークルーチン３は、ＲＥ
ＴＵ ＲＮコードとその座標χ、ｙをユーザプログラ
ム２に渡し、（２１１）、処理を終了する。（２１２）
本システムによれば、特定のドッＩ−パターンとそれを
描いた動作を認識できるので、数字、文字の認識だけで
なく、特定の動作パターン（クセ）を、あるキャラクタ
の入力動作であると認識させることが可能となる。(208) to (210), consecutive 3o from the mouse
It is determined whether the code in which the data of 1) does not match the RETU RN in this case. When the result of RETURN is five consecutive times, neural network routine 3 returns RETURN.
The TU RN code and its coordinates χ, y are passed to the user program 2 (211), and the process ends. (212) According to this system, it is possible to recognize a specific dot I-pattern and the motion that draws it, so it is not only possible to recognize numbers and letters, but also to recognize a specific motion pattern (habit) by input motion of a certain character. It is possible to recognize that there is.
本発明によれば、個人のクセを認識できるので、筆跡を
個人のＩ Ｄとして使用できる。又、動作パターンをあ
る入力と決めることも可能なので、シートにチエツク印
を付ける、丸をつけるの動作もそのまま入力として利用
することができる１゜According to the present invention, since an individual's habits can be recognized, handwriting can be used as an individual's ID. Also, it is possible to set a motion pattern as a certain input, so the motion of putting a check mark on a sheet or marking a circle can be used as input as is.
第１図は、本発明の一実施例のシステムを構成する単位
を示すブロック図、第２図は第１図の中のニューラルネ
タ１〜ワークルーチン：３の動作フローチャーＩ・、第
３図は、第１図のニューラルネッ１−ワークルーチン３
の内部の ニューラルネジ１〜ワークの構成図、第４図
は、ＲＩＥ Ｔ Ｕ ＲＮキー押下に対応させるマウス
８の動作例をンバす説明図である。
１・・・ワークステーション、２ ユーザプログラム、
３・・・ニューラルネッ１−ワークルーチン、４オペレ
ーテイングシステム、５・・・キーボード、マウスドラ
イバ、６・・キーボー＋：、７ 圧力センサ８ マウス
。
躬
躬
土Ｉ
０□光
０−一一中ゴ
０−一一一◆４
Ｓ
Ｏ乙
０＝ｌ”？ＥＴＵｆ’＜Ｎ
Ｏ−一→秘動中FIG. 1 is a block diagram showing units constituting a system according to an embodiment of the present invention, FIG. 2 is an operational flowchart of neural network 1 to work routine: 3 in FIG. 1, and FIG. is the neural network 1-work routine 3 in Figure 1.
FIG. 4 is an explanatory diagram showing an example of the operation of the mouse 8 in response to pressing of the RIETU RN key. 1...workstation, 2 user program,
3... Neural network 1-work routine, 4 Operating system, 5... Keyboard, mouse driver, 6... Keyboard+:, 7 Pressure sensor 8 Mouse. Tsutomuto I 0□Hikari0-11chugo0-111◆4 S Oot0=l”?ETUf'＜N O-1→Secretly
Claims (1)
おいて、ポインティングデバイスの示す座標、移動速度
、ポインティングデバイスを持つ指の圧力の各情報を、
ニューラルネットワークに与える構成とし、パターン認
識だけでなく、使用者のクセも学習し認識することによ
り、データを入力することを特徴としたパターン認識シ
ステム。1. In a device that performs input using a pointing device, information such as coordinates indicated by the pointing device, movement speed, and pressure of the finger holding the pointing device,
A pattern recognition system that is configured to feed into a neural network and input data by not only recognizing patterns but also learning and recognizing the user's habits.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1107627A JPH02287775A (en) | 1989-04-28 | 1989-04-28 | pattern recognition system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1107627A JPH02287775A (en) | 1989-04-28 | 1989-04-28 | pattern recognition system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH02287775A true JPH02287775A (en) | 1990-11-27 |
Family
ID=14463984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1107627A Pending JPH02287775A (en) | 1989-04-28 | 1989-04-28 | pattern recognition system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH02287775A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0695800A (en) * | 1992-09-17 | 1994-04-08 | Nippon Nesamatsuku Kk | Pen grip type input device |
| US5940158A (en) * | 1994-04-11 | 1999-08-17 | Japan Nesamac Corporation | Pen-grip type of input apparatus and input apparatus |
| US6330359B1 (en) | 1994-04-07 | 2001-12-11 | Japan Nesamac Corporation | Pen-grip type of input apparatus using finger pressure and gravity switches for character recognition |
-
1989
- 1989-04-28 JP JP1107627A patent/JPH02287775A/en active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0695800A (en) * | 1992-09-17 | 1994-04-08 | Nippon Nesamatsuku Kk | Pen grip type input device |
| US6330359B1 (en) | 1994-04-07 | 2001-12-11 | Japan Nesamac Corporation | Pen-grip type of input apparatus using finger pressure and gravity switches for character recognition |
| US5940158A (en) * | 1994-04-11 | 1999-08-17 | Japan Nesamac Corporation | Pen-grip type of input apparatus and input apparatus |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5533147A (en) | Segmentation of handwritten patterns using stroke and jump vectors | |
| JP3179487B2 (en) | Key combination keyboard method and device | |
| JP5166008B2 (en) | A device for entering text | |
| US5361310A (en) | Handwriting entry processing system using keyboard and mouse interfaces requiring no modification of an application program | |
| JPH0887378A (en) | Command execution system by mouse operation recognition | |
| JPH1020995A (en) | Handwritten character recognition device and method | |
| CN113961067A (en) | Non-contact graffiti drawing method and recognition interaction system based on deep learning | |
| JPS6152492B2 (en) | ||
| JPS60136890A (en) | Real-time recognition device of hand-written locus | |
| JPH0371322A (en) | Continuous command processing system | |
| CN120949947B (en) | Point cloud-based finger-pinching interaction method, head-mounted display device, interaction system, and storage medium | |
| JP3538208B2 (en) | Music score information input device | |
| JP2003044203A (en) | Information processor | |
| JPS5862765A (en) | Electronics | |
| JPH0634258B2 (en) | Handwritten character recognition device with personal dictionary creation function | |
| JPS60238988A (en) | Data processor equipped with character recognition device | |
| JPH0574090B2 (en) | ||
| JPH07113950B2 (en) | Image recognition method | |
| JPS56155471A (en) | Word processor | |
| JPS62135983A (en) | On-line handwritten character recognizing system | |
| JPH0632082B2 (en) | Pattern input device | |
| JPH0415507B2 (en) | ||
| CN114385007A (en) | VR and AR input device based on depth sensor | |
| JPH05298491A (en) | Device for recognizing on-line handwriting character | |
| JPH03240120A (en) | Control system for coordinate input device |