JPH02304499A - 単語認識方式 - 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、電気錠、ＩＣカード等のオンライン端末等で
入力音声からその単語を認識するに好適な単語認識方式
に関する。

［従来の技術］ 従来の単語認識方式は、例えば特公昭６３−４２００号
公報、特開昭６２−２２０９９８号公報に記載される如
く、以下の手順による。

■入力音、声に含まれる単語に関する特徴量を抽出する
。

■−Ｆめ上記■と同様にして抽出しておいた＋Ｈ’Ｘ　
ｉｉｑパターンと上記■で抽出した特徴！１（との距離
を計算する。

■計算結果より、上記距離か最小の標ｑパターンの単語
を入力音声の単語とｉ１１定する。

［発明が解決しようとする課題］ 然しながら、上記従来の単語認識方式では、以下の問題
点かある。

実時間処理か困難である。即ち、従来の単語認。

織方式において一定以上の認識率を確保するためには複
雑な特徴１１１を用いる必要があるが、複電な特、微量
を抽出するには複雑な処理装置か必要°Ｃあり、処理時
間も多大となる。

本発明は、高い認、減率を確保し、かつ容易に実時間処
理てきる単語認識方式を得ることを１−１的とする。

［課題を解決するための手段］ ：？Ｉ求項ｌに記載の本発明は、ニューラルネットワー
クを用いて入力音声からその単語を認識する単６！ｉｉ
２＋　６ｈ方式てあって、ニューラルネットワークへの
人力として、音声の平均的なしΔＩｔ　ＣＯＲ係数を用
いるようにしたものである。

請求項２に記載の本発明は、；再記ニューラルネットワ
ークへの入力として、音声の一定時間内における平均的
なＰＡＲＣＯＲ係数の時間的変化を用いるようにしたも
のである。

請求項３に記載の本発明は、前記ニューラルネットワー
クか階層的なニューラルネットワ一つてあるようにした
ものである。

尚、ｌ）　Ａ　ＲＣＯＲ係数（偏自己相関係数）は以ド
の如く定義される。即ち、音声波形のサンプル値（χ１
、）の間には、−ｎＱに高い近接相関かあることか知ら
れ”でいる。そこで次のような線形予測がｉ＋）ｌＴＩ
２であると仮定する。

線形予測値　　χｔ　”　　’Ｆ、Ｆ　ｔ　χｔ−＋　
　”’　（１）線形工・測誤差　ε、＝χ、−χ、　　
・・・（２）ここで、χ、二時刻しにおける音声波形の
サンプル値、（α；ｌ　（ｉ　＝　１．・・・、ｐ）：
　（９次の）線形予測係数 さて、本発明の実施においては、線形予測、：１差ε□
の２乗平均値か最小となるように線形予測係数（α１）
を求める。

具体的には　（ε、）２を求め、ぞの時間下均を（ｅｔ
）２と表ｂ　Ｕ−Ｃ，Ｅ３　（Ｃｔ　）２／　ｃ’３　
ａ　＋　−０，ｔ＝１．２．・・・、ｐとおくことによ
って、次の式から（α、）か求められる。

ここで、［ｋ。］（ｎ＝１．・・・、ｐ）を（９次の）
　ＰＡＲＣＯＲ係数（偏自己（］１関係数）とする時、
ＰＡＲＣＯＲ係数ｋ　１１＊＋は、線形予測による前向
き残差εｔ０ゝと後向き残差ε、−（０１，□）′ｂ′
間の正規化相関係数として、次の式によって定義される
。

ｃｔ″）、　ε、□。。、　ｆｂ） ・・・（４） ここて、８ｔ（ｔＩ：χじ丸、α１χ（−１１（ａ、）
：前向き予測係数、 εｔ−ｆｎ＋ｌｌ　Ｌｂ’＝χＬ　−＋　＋１＋　１　
＋　−＞、？　ｊ　、χｔ−ｊ、（β、）；後向き予測
係数 ［作用］ 請求項１に記載の本発明によれば以ｒの■〜■の作用効
果かある。

■ニューラルネッ１へワークへの入力として、「音声の
平均的なＰＡＲＣＯＲ係数」を用いたから、人力を得る
ための前処理か、従来の複雑な特徴量抽出に比して、単
純となり、この前処理に要する時間が知くて足りる。

■ニューラルネットワークは、原理的に、ネットワーク
全体の演算処理か単純且つ迅速である。

■ニューラルネットワークは、原理的に、それを構成し
ている各ユニットか独立に動作しており、並列的な演算
処理か可能である。従って、演算処■１１１か迅速であ
る。

■−１−記■、〜■により、単語認識処理を複雑な処理
装置によることなく容易に実時間処理てきる。

又、請求項２に記１銭の本発明によれば上記■〜■の作
用効果に加え゛Ｃ１以−［：の■の作用効果がある。

■ニューラルネットワークへの人力として、「ｊ″ｆ　
、Ｈの一定１１キ間内における平均的な１）Ａ１セｃ　
Ｉ）＋＋係数の時間的変化」を用いたがら、ニューラル
ネットワークにおける処理か単純となり、この処理に斐
する時間かより短くて足りる。

又、１請求項３に記載の本発明によれは上記■〜■の作
用効果に加えて、以下の■の作用効果がある。

０階層的なニューラルネットワークにあっては、現在、
後述する如くの簡単な学習アルゴリスム（ハックプロパ
ゲーション）か確立されており、高い認識率を実現てき
るニューラルネットワークを容易に形成てきる。

［実施例］ 第１図は本発明が適用された単語認識システムの−・例
を示す模式図、第２図は人力音声を示す模式図、第３図
はニューラルネットワークを示す模式図、第４図は階層
的なニューラルネッ１−ワークを示す模式図、第５図は
ユニットの構造を示す模式図である。

本発明の具体的実施例の説明に先立ち、ニューラルネッ
トワークの構成、学習アルゴリズムについて説明する。

（１）ニューラルネットワークは、その構造から、第３
図（Ａ＞に示す階層的ネットワークど′第３図（Ｂ　）
に示す相互結合ネットワークの２種に大別てきる。本発
明は、両ネットワークのいずれを用いて構成するもので
あっても良いが、階層的ネッ１−ワークは後述する如く
の簡単な学習アルゴリズムが確立されているためより有
用である。

（２）ネットワークの構造 階層的ネットワークは、第４図に示す如く、人力Ｊｊ４
、中間層、出力層からなる階層構造をとる。

各層は１以七のユニットから構成される。結合は、人力
層、→中間Ｊｉｌ→出力層という前向きの結合たけ゛Ｃ
１各層内ての結合はない。

（３）ユニットの構造 ユニットは第５図に示す如く脳のニューロンのモデル化
であり構造は筒中である。他のユニッ１−から人力を受
け、その総和をとり−・定の規則（変換関数）゛Ｃ変換
し、結果を出力する。他のユニットとの結合には、それ
ぞれ結合の強さを表わす可変の重みを付ける。

（４）学習（ハックプロパゲーション）ネットワークの
学習とは、実際の出力を［］棉値（望ましい出力）に近
づけることてあり、一般的には第５図に示した各ユニッ
トの変換関数及び重みを変化させて学習を行なう。

又、学習のアルゴリズムとしては、例えは、Ｒｕｍｅｌ
ｈａｒｔ、　Ｄ、Ｅ、、Ｍｃｃｌｅｌｌａｎｄ、　Ｊ、
Ｌ、　ａｎｄ　ｔｈｅＰ　Ｄ　Ｐ　　Ｒｅ　ｓ　ｃ　ａ
　ｒ　ｃ　ｈ　　Ｇ　ｒ　ｏ　ｕ　ｐ　、　　ｉ’　Ａ
　ＲΔＬＬＥＬ　　ＤＩＳＴＲＩＢｔｌＴＥｌ）ＰＩ（
ＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒｅｓｓ、　
１９８６．に記載されているハックプロパゲーションを
用いることかできる。

以下、本発明の具体的な実施例について説明する。尚、
この実施例の認識システム１は、ＰＡＲＣＯＲ分析部１
０、平均化回路１５、ニューラルネットワーク２０、判
定回路３０の結合にて構成される（第１図゛参照）。

（Ａ）学習単語を「ショウメイ」、「エアコン」、「カ
ーテン」、「テレビ」、「ドア」の５単語とし、入力単
語を「ショウメイ」、「エアコン」、「カーテン」、「
テレビ」、「ドア」の５単３ｊｉとした。

（Ｂ）前処理 ■入力音声（５単語のそれぞれ）を、第２図に示す如く
、４つのブロックに時間的に等分割する。

■音声波形を、゛第１図に示す如く、複数（９個）（こ
の実施例てはｐ　＝　１２）の標本値のそれぞれ°にお
ける、各ツロック即ち各一定Ｕ）間毎に偏相関分析し、
各ブロック毎の平均的なＰＡＲＣＯＲ係数を算出する。

この時、ＰＡＲ（，０１（分析部１０の算出結果である
９次のＰＡＲＣＯＲ係数は、各ブロック毎に平均化回路
１５で平均化される。

（Ｄ）ニューラルネットワークによる処理及び判定 ■前処理の結果（ブロック毎のＰＡＲＣＯＲ分析部１０
、平均化回路１５の出力）を、第１図に示す如く、３層
の階層的なニューラルネットワーク２０に入力する。入
力層２１は、前処理の４ブロツク、９個に対応する、４
Ｘｐユニツト（この実施例てはρ＝１２．４８ユニツト
）にて構成される。出力層２２は、５単語のそれぞれに
ついて登録単語とその他の単語とに対応する２ユニツト
を設け、全体を１０ユニツトにて構成される。

■ニューラルネットワーク２０の出力を判定回路３０に
入力し、今回入力音声の単語を認識する。ｆ！、、！　
ｊ、、本発明の実施におい゛（、ニーｔ、　　’）ルネ
ットワーク２０の出力は［１１定回路３０の如くにて機
織的に判定処理されず、；−ユーラル？、・ソｉ−ワー
ク２０の出力を得た人間の知力にて量定処理されるもの
であっても良い。

■前述した学習アルゴリズムのハツクプＶコバケーショ
ンにより、人力に対する出力のエラーか一定レベルに収
束するまで　１，０００回学習させ、一定認１識率を保
証し得るネットワークなｒｌ？ｉ築する。尚、出力とし
ては、各σ録単詰に対応したユニットか「１」、ぞの他
の’ｌ’　語に対応したユニットがｒＯＪとなるように
学ｊＷシた。

（１））実験 ト記認識シスデム１を用い°Ｃ１単３ｈ認識を実験した
。

人力音声は、ハックプロパゲーションにより学習した５
単語（「シコウメイ」、「エアコン」、「カーテン」、
「ブレビ」、「ドア」）とした。

（ａ）　　認１識率 結果、；２、議率は　１００％であることか認、められ
た。

（ｂ）処理速度 又、処理速度（ｌ　ｊｉｉ　：、、７ｉの発声に対する
認、識に要した時間）は１秒以１人ドＣあり、極め゛Ｃ
迅速処理てきることか認められた。

即ち、上記認識システム１にあっては、−１１記（ｄ）
の結果か示すように３，３．厳重か極めて高い。

叉、＋Ｌ−記認識シスデム１にあっては、上記　（１）
）の結果か示すように（１１７語認、識処理を複雑な処
理裟’ｊ”ｒによることなく迅速処理てき、容易に実時
間タハ理てきる。

尚、本発明の実施において、ニューラルネットワークへ
の入力として、ＰＡＲＣＯＲ係数の時間的変化を用いる
ことな（、ｔｉｊ、に、［音声の平均的なＩ’ＡＲＣＯ
Ｒ係数」を用いるものてあっても良い。

［発明の効果］ 以上のように本発明によれは、高い認識率を確保し、か
つ容易に実時間処理てきる単語認、織方式％式％

【図面の簡単な説明】

第１図は本発明が適用された単語認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
ニューラルネットワークを示す模式図、第４図は階層的
なニューラルネットワークを示す模式図、第５図はユニ
ットの構造を示す模式図である。 １・・・認識システム、 １０・・・Ｐ　Ａ　ＲＣＯＲ分析部、 １５・・・平均化回路、 ２０・・・ニューラルネットワーク、 ２１・・・人力層 ２２・・・出力層、 ３０・・・判定回路。 特許出願人　積水化学工業株式会社 代表者　　廣１）馨 時間 第３図 第４図 出カバターン ↑ ↑ 入カバターン 第５図 ユニソト

Claims (3)

【特許請求の範囲】
1. （１）ニューラルネットワークを用いて入力音声からそ
   の単語を認識する単語認識方式であって、ニューラルネ
   ットワークへの入力として、音声の平均的なＰＡＲＣＯ
   Ｒ係数を用いる単語認識方式。
2. （２）前記ニューラルネットワークへの入力として、音
   声の一定時間内における平均的なＰＡＲＣＯＲ係数の時
   間的変化を用いる請求項１記載の単語認識方式。
3. （３）前記ニューラルネットワークが階層的なニューラ
   ルネットワークである請求項１又は２記載の単語認識方
   式。