JPH03273722A - 音声・モデム信号識別回路 - 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、ディジタル入力信号が音声信号であるかモデ
ム信号であるかを識別する音声・モデム信号識別回路に
関する。

〔従来の技術〕

衛星通信、海底ケーブル通信等の長距離回線の有効利用
を図るために、高能率音声符号化（例えば、ＡＤＰＣＭ
）技術とディジタル音声挿入（ＤＳＩ）技術とを組合せ
た高能率端局装置（ＤＣＭＥＤｉｇｉｔａｌ　Ｃ１ｒｃ
ｕｉｔ　Ｍｕｌｔｉｐｌｉｃａｔｉｏｎ　Ｅｑｕｉｐｍ
ｅｎｔ）が開発されている。この装置では、音声信号と
モデム信号とで、相異なるビットレートの符号化を行な
う必要を生じる。例えば、音声信号は３２Ｋｂｐｓ　　
ＡＤＰＣＭで符号化されるが、モデム信号にもこれと同
じ符号化を適用すると、特に高速のモデム信号の場合、
データ誤り率が許容限界を超えてしまう。データ誤り率
を許容限界内に抑えるには、モデム信号を音声符号より
も高いレート、例えば４０Ｋｂｐｓ　　ＡＤＰＣＭで符
号化する必要がある。

従って上述の高能率端局装置は、時分割多重化信号中の
音声信号とモデム信号とを識別してそれぞれの符号化回
路に導いてやるために、音声・モデム信号識別回路を必
要とする。

このような音声・モデム信号識別回路は、例え− ばＩＥＥＥ　　ＧＬＯＢＥＣＯＭ’　８８　（Ｇｌｏｂ
ａｌＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ　Ｃｏｎｆ
ｅｒｅｎｃｅ　＆　Ｅｘｉｂｉｔｉｏｎ、１９８８　）
　。

Ｃｏｎｆｅｒｅｎｃｅ　Ｒｅｃｏｒｄ　Ｖｏｌ、ＩＩＩ
　、　１４１９〜１４２７頁に、Ｓ、Ｃａ５ａｌｅ等に
より示されている。この論文中の第２図に示されている
ように、従来の音声・モデム信号識別回路は、与えられ
た信号と、この原信号を高域フィルタに通して高域成分
、および原信号を低域フィルタに通した低域成分、の３
つの信号ごとに、短時間エネルギー、セロ交差数、差分
信号のゼロ交差数を算出し、各算出結果の分布範囲を判
定用の各しきい値と比較することにより、与えられた信
号が音声信号かモデム信号かを判定する。この判定の基
準となる各しきい値は、予め音声信号とモデム信号とに
ついて収集した標本データの統計的特徴を分析した結果
により、設定される。各判定結果を照合して、入力信号
が音声信号あるいはモデム信号のいずれであるかを最終
的に識別する。

〔発明が解決しようとする課題〕

上述した従来の音声・モデム信号識別回路では、短時間
エネルギーおよび零交差数の算出データをそれぞれ別の
判定器へ入力し、各判定器での判定結果を更に最終の判
定器へ入力するよう構成されている。各判定器の判定結
果は０′″およびパ１′”の２値表示なので、短時間エ
ネルギーおよび零交差数の相互関連を示す情報が大幅に
欠落してしまい、信号対雑音比が異なる種々の回線にお
いて音声およびモデム信号を精度良く識別するのに十分
な情報量が得られず、この結果、処理量が多い割には十
分な識別率が得られない。

更に、各判定器における判定結果から矛盾無く最終の判
定を伝えるよう各判定器でのしきい値を設定するには、
多量の実験データと、多大な分析工数とを必要とする。

〔課題を解決するための手段〕

本発明の回路は、入力信号を処理して音声信号またはモ
デム信号のいずれかに応じて異なる特徴をもつ複数の信
号を発生する信号処理手段と、前記複数信号に応答して
音声信号またはモデム信号のいずれに近い特徴をもつか
を示す関数値のデータを発生するニューラルネットワー
クと、前記関数値のデータに応答して前記入力信号が音
声信号またはモデム信号のいずれであるかを示す信号を
出力する判定手段とを含む。

〔実施例〕

次に図面を参照して本発明について説明する。

第１図を参照すると、本発明の第１の実施例の回路は、
短時間自己相関係数計算器３０と、ニューラルネットワ
ーク６と、判定器３１とを縦続に接続して構成されてい
る。この回路において、入力端子１から入力されるディ
ジタル信号は、短時間自己相関係数計算器３０に入力さ
れる。短時間自己相関係数計算器３０は、入力ディジタ
ル信号の時系列（ｘ（ｎ）Ｉｎは整数）と時間窓幅Ｗの
方形窓とを用いて、次に式（１）により、自己相関係数
を計算する。

（ｋ＝ｏ、１，２．・・・、Ｗ−１）　　・・・（１）
この短時間自己相関係数は、入力ディジタル信号の振幅
の影響を除去するため、入力ディジタル信号の電力値で
あるＲ、（０）で正規化されて、くＲ、、（ｋ）　＞と
なる。

正規化された短時間自己相関係数は、ニューラルネット
ワーク６に入力される。

第２図（ａ）および（ｂ）は、第１図中のニューラルネ
ットワーク６の接続構成および構成要素をそれぞれ例示
するブロック図である。すなわち、同図（ａ）は、入力
層６０．中間層６１．出力層６２から成る層構造をもつ
ニューラルネットワークを示す。入力層６０は４つのユ
ニット７０を有し、中間層６１は２つのユニット７１を
、出力層６２は１つのユニット７２をそれぞれ有する。

例えばユニット７０は、同図（ａ）に示すごとく、入力
端からデータＸｌｌ　Ｘ２１　Ｘ３１　Ｘ４を受けて、
乗算器８１．８２，８３．８４でそれぞれに重みＷｌ、
　ｗ２゜Ｗ３．ｗ４を付けたあと、加算器８５で加算し
て総和ｕ１すなわち、 〜９ １〇− Ｕ＝±ｗｋ’ｘｋ　　・・・（３） を算出し、これに関数発生器８６で関数ｆを作用させて
出力する。関数ｆとしては、微分可能なシグモイド（ｓ
ｉｇｍｏｉｄ　）関数、すなわちｆ（ｕ）＝１７　（１
＋ｅ−つ　　・（４）を用い、この値をユニット７０の
出力データｙとする。

第２図（ａ）中のユニッ）７１，７２もこれと同様に、
入力データの重み付け総和にシグモイド関数を作用させ
た出力データを発生する。第２図（ａ）は、階層型のニ
ューラルネットワークを用いた例を示し、それぞれ出力
側から入力側へのフィードバック接続をもたない入力層
６１．中間層６２．出力層６３を縦続に接続した構成で
ある。

階層型のニューラル・ネットワーク６の領域分類機能の
学習は、バックプロパゲーションのアルゴリズムにより
行う。すなわち、入力層６０の各ユニット７０に入力デ
ータを与えて各ユニットで変換させ、中間層６１に伝え
て、最後に出力層６２から出力を得る。この実際の出力
値と、望ましい出力値とを比べ、その差を減らすように
重みｗｌを逐次に修正していく。

この修正では、ユニットの入力Ｘ１に対する重みｗｌの
ｍ回目の修正値ｗ、（ｍ）から、（ｍ＋１）回目の修正
値ｗ、（ｍ＋１）を次式（５）〜（７）により算出する
。

ｗ、（ｍ＋１）＝ｗ＋（ｍ）十’７δｘ　’＋　　　　
　　　・”　（５）但し、Ｘ、：当該ユニットで重みｗ
ｌを乗算される入力値、 η：学習定数 当該ユニットが出力層にあれば、 δ＝ｖ　（１−ｖ）　（ｄ−ｖ）　　　　　　　　　−
（６）但し、Ｖ：実際の出力値 ｄ：望ましい出力値 また当該ユニットが出力層以外にあれば、δ１：ｘ’＋
　（１ｘ’＋）Σδｋｗｙ　　　　　　　・・・（７）
但し、総和のｋは当該ユニットよりも後段の層のすべて
のユニットにわたる。

Ｘｌ：当該ユニットの出力値 以上のアルゴリズムは、実際の出力値■と望ましい出力
値ｄとの平均二乗誤差を極小化するように、重みＷ；を
修正していく。学習時には、まずニューラルネットワー
ク６内の各重み値を適宜初期設定したあと、多数の音声
信号およびモデム信号の短期間自己相関数値（正規化し
たもの）の標本データを順次にニューラルネットワーク
６に入力して出力データを得る。また標本データごとに
音声信号が入力された場合には値「１」、モデム信号が
入力された場合には値「０」の２値信号を、希望出力値
として与える。標本データごとに、ニューラルネットワ
ーク６の出力データを得たあと、式（５）〜（７）によ
る各重み値の修正を、出力層６２から初めて入力層６０
の側に向って、実行する。この修正は、上述の平均二乗
誤差の極小点に到達するまで、繰返される。

上述のバックプロパゲーションによる学習終了後、ニュ
ーラルネットワーク６は、学習結果の重みを用いて動作
する。この動作時に入力された短時間自己相関係数は、
ニューラルネットワーク６３ の領域分類機能により、音声信号領域の短時間自己相関
係数であるかモデム信号領域の短時間自己相関係数であ
るかの分類がなされる。

ニューラルネットワーク６の出力は、例えば音声信号の
場合に「１」を、モデム信号の場合に「０」を出力する
ように学習させた場合でも、各ユニッ）７０〜７２の応
答関数がｓｉｇｍｏｉｄ関数であるため、「０」から「
１」までの間の連続値をとり得る。このために、判定器
３１において、あらかじめ決められたしきい値（例えば
０．５）との比較により、しきい値以上の場合に音声信
号であると判定し、しきい個未満の場合にモデム信号と
判定して、出力端子８に識別結果として出力している。

第３図は本発明の第２の実施例のブロック図であり、第
１の実施例（第１図参照）の判定器３１のあとに、加算
器３２と、その出力データに定数を乗算して加算器３２
の入力データを与える乗算器３３とから成る積分器とを
付加接続し、更にこの積分器のあとに判定器３４を付加
接続した構成４− を示す。

この積分器を付加することにより、散発的に生じる誤識
別を平滑化して除去でき、短時間で散発的に生じる識別
結果の不安定性を防止し、識別率を向上できる。

次に、第１および第２の実施例について、実験データの
例を示す。この実験は、第３図の回路（第１図の回路を
含んでいる）を汎用ディジタル信号プロセッザ（Ｄ　Ｓ
　Ｐ）集積回路（日本電気■製のμＰＤ７７Ｃ２５）に
より実現して、行われた。短時間自己相関関数計算機３
０では、時間窓幅Ｗ＝６４とし、遅れに＝Ｏ〜４の関数
値を算出して、基準化値＜Ｒ（１）＞〜＜Ｒ（４）＞を
ニューラルネットワーク６に入力する。ニューラルネッ
トワーク６は、入力層６０に３個のユニット７０を、ま
た出力層６２に１個のユニット７２をそれぞれもち、中
間層６１を設けない２層構成のものを使用した。ニュー
ラルネットワーク６の学習は、ミニコンピユータ上でオ
フライン・シミュレーションにより行なった。このシミ
ュレーションは、日本人の成人男性２人、成人女性１人
の音声信号と、２４００ｂｐｓ　（ＣＣＩＴＴ　　Ｖ、
２６ｂｉｓ）、４８００ｂｐｓ　（Ｖ、２７ｂｉ　ｓ）
、９６００ｂｐｓ（Ｖ２Ｏ）のモデム信号とについて行
ない、音声信号入力時にＩＩ　Ｉ　ＩＩ、モデム信号入
力時にＩＩ　ＯＩＩのニューラルネットワーク出力を得
るよう、バックプロパゲーション法で学習させた。学習
して得られた重み係数値をニューラル・ネットワーク６
に書込んで識別を行なった結果、表１に示すように識別
率が得られた。

表１ 表１中で、識別率（Ａ）は第１図の実施例、また識別率
（Ｂ）は第３図の実施例の実験データを示す。なお、音
声■〜■、モデム■〜■は学習した入力信号であり、残
余の音声■〜■、モデム■。

■は学習していない入力信号である。

以上説明したように、第１ないし第３の実施例では、少
数の遅れについての短時間自己相関係数により、入力デ
ィジタル信号の特徴を分類でき、実用上十分な識別率が
得られる。これに伴なって、ニューラルネットワークの
ユニット数も少なくて済み、ニューラルネットワークの
学習を自動的に短時間で行える。

なお、ニューラルネットワーク６については、階層型の
ものをバックプロパゲーション法で学習させ使用する場
合を説明したが、これに限定されるものでは無い。ユニ
ット間接続にフィードバック結合を含む相互結合型のも
のを、ホップフィールド（Ｊ、Ｊ、Ｈｏｐｆ　１ｅｌｄ
）による方法あるいはヒントン（に、Ｅ、Ｈｉｎｔｏｎ
）等による方法で学習させ使用しても良い。

１７ 第４図は本発明の第３の実施例を示すブロック図であり
、第１図の実施例におけるニューラル・ネットワーク６
のすぐあとに、加算器３２および乗算器３３から成る積
分器を接続し、この積分器の出力データ値がしきい値を
超えたか否かで音声信号かモデム信号かを判定する判定
器３４を付加接続した構成を示す。この構成は、第３図
の実施例において、判定器３１を除去したものに相当す
るが、第２図の場合と同様に、ニューラルネットワーク
６が出力する関数値の散発的な不安定性を平滑化して、
安定な識別結果を得ることができる。

第１図、第３図、および第４図の回路において、入力デ
ィジタル信号に含まれている背景白色雑音が無視できな
い場合、遅れに＝ｏの短時間自己相関係数Ｒ（０）は、
背景白色雑音の電力個分だけ増大する。他方、遅れに＝
０以外の短時間自己相関係数Ｒ（ｎ）（ｎｅｏ）は、背
景白色雑音の影響を殆んど受けない。この結果、Ｒ（０
）で正規化した短時間自己相関係数＜Ｒ（ｎ）＞　（ｎ
ｅｏ）は、雑音を含まない場合よりも小さな値になり、
信号識８ 別を誤らせる原因となる。

第５図は、このような背景白色雑音の悪影響を除去する
手段を付加した、本発明の第４の実施例ブロック図であ
る。同図の回路は、入力ディジタル信号と、短時間自己
相関係数計算器１６で得られるＲ　、　（０）とを受信
し、無音部における入力ディジタル信号の電力値を保持
する雑音電力値保持回路４３を、第１図の回路に付加接
続した構成をもつ。

雑音電力値保持回路４３は、第６図に示すように、入力
されたディジタル信号の有音部を検出する有音検出器４
３Ａと、入力された入力信号の電力値をこの有音検出器
４３Ａの検出時間に相当する標本時間だけ遅延する遅延
回路４３Ｂと、有音検出器４３Ａが無音であると出力し
た時の遅延回路４３Ｂの出力を、無音部の信号電力値と
して保持する保持回路４３Ｃとから構成される。

次に、本実施例の音声・モデム信号識別回路の動作につ
いて第５図および第６図を参照して説明する。

入力端子ｌから入力されたディジタル信号は、短時間自
己相関係数計算器１６の相関係数計算器４２と雑音電力
値保持回路４３とに入力される。

相関係数計算器４２は、第１図の回路の場合と同様に、
前述した式（１）により短時間自己相関係数を計算する
。

また、雑音電力値保持回路４３では、入力ディジタル信
号は、有音検出器４３Ａに入力される。

有音検出器４３Ａは、入力されたディジタル信号が有音
であるか無音であるかの検出を行う。遅延回路４３Ｂは
、有音検出器４３Ａの検出遅れを補正するために、この
遅延時間に相当する標本時間だけ、入力の信号すなわち
電力値Ｒ１（０）を遅延して出力する。保持回路４３Ｃ
は、有音検出器４３Ａの出力が無音の状態から有音の状
態に変化したとの遅延回路４３Ｂの出力値の保持し出力
する。

このように、雑音電力値保持回路４３では、入力ディジ
タル信号と相関係数計算器４２の出力する遅れＯの短時
間自己相関係数Ｂ、（０）　（入力信号電力値）とを入
力し、入力ディジタル信号が無い時の背景白色雑音の電
力値を保持し、出力する。

正規化器１４には、相関係数計算器４２および雑音電力
値保持回路４３の両出力データが入力される。ここで、
入力信号電力値Ｒ（０）は背景白色雑音の電力値が加算
されており、この背景白色雑音の電力値は、信号の有無
にかかわらず一定とみなせる。このため、背景白色雑音
の電力値は入力ディジタル信号が無い時の入力信号の電
力値であり、これが雑音電力値保持回路４３からの出力
される。正規化器４４では、入力信号電力値Ｒ１（０）
から雑音電力値保持回路４３の出力値を差引き、背景白
色雑音の影響を取り除いた遅れ０の短時間相関係数をＲ
ｎ（０）とする。

Ｒ；、（の＝Ｒｎ（０）−Ｎｏ　Ｉ　Ｓ　　　　　　　
　　　　・（８）ただし、式（８）のＮ０ＩＳは雑音電
力値保持回路１３の出力値である。

正規化器４４における正規化は式（８）の結果を用いて
次の式（９）により行う。

１− 式（９）により求められた短時間自己相関係数は、背景
白色雑音の影響を取り除いた短時間自己相関係数Ｒ狐（
０）で正規化されるため、背景白色雑音の影響を受けな
い。この正規化された短時間自己相関係数は、ニューラ
ルネットワーク６に入力される。入力された短時間自己
相関係数は、ニューラルネットワーク６の領域分類機能
により、音声信号領域の短時間自己相関係数であるかモ
デム信号領域の短時間自己相関係数であるかの分類がな
される。

ニューラルネットワーク６の出力は、例えば音声信号の
場合に「１」を、モデム信号の場合に「０」を出力する
ように学習させた場合でも、ニューロンユニットの応答
関数がｓｉｇｍｏｉｄ関数であるため、「０」から「１
」までの間の接続値をとる。このために、判定器３１に
おいて、あらかじめ決められたしきい値（例えば０．５
）との比較により、しきい値以上の場合に音声信号であ
ると判定し、しきい値未満の場合にモデム信号と判定し
て、出力端子８に識別結果として出力する。

２ このように、本実施例は、遅れＯの短時間自己相関係数
Ｒ１（０）から背景白色雑音の信号電力値を差引いた値
で正規化することにより、背景白色雑音の影響を受けな
い短時間自己相関係数Ｒ０（ｋ）が得られる。このため
、背景白色雑音の多い状況下でも音声信号とモデム信号
との識別率の低下が起こらない。

第７図（ａ）　、　（ｂ）は本発明の第５の実施例を示
すブロック図である。同図（ａ）において、入力端子１
から与えられるディジタル信号は、適応予測器２１およ
び減算器２２へ入力される。適応予測器２１は、例えば
ＡＤＰＣＭ用の適応予測器であり、予測信号と入力ディ
ジタル信号との差である誤差信号を減算器２２から受け
て、誤差信号をゼロに近付けるよう予測係数２４を修正
していく。この適応予測器２１は、同図（ｂ）に示すご
とく、ｍ個（ｍは整数）の遅延器り、、Ｄ２．・・・、
Ｄｍから成るタップ付遅延回路の各タップ出力に、係数
器Ａ１゜Ａ　２　、・・・、Ａ□から与えられる係数ａ
ｌ＋ａ２＋・・・。

ａイを乗算器Ｍ１．　Ｍ２　、・・・＋　Ｍｍにて乗じ
、各乗算結果を加算器Ｓで加算して、加算結果を予測信
号として出力する。各係数ａ１ないしａｍは、減算器２
２から受ける誤差信号をゼロに近付けるよう適応的に修
正されて、乗算器Ｍ１ないしＭｍに与えられると共に、
ニューラルネットワーク６へ予測係数２４として与えら
れる。

この予測係数は、音声信号とモデム信号とで異なった特
徴を有し、しかも入力ディジタル信号の信号対雑音比や
信号振幅に依存しない。学習済みのニューラルネットワ
ーク６で音声信号かモデム信号かを分類され、判定器３
１でしきい値との比較によりいずれの信号であるか判定
される。

第８図は本発明の第６の実施例のブロック図である。同
図において、入力端子１から入力する信号は、低域通過
フィルタ１１．高域通過フィルタ１２、短時間エネルギ
ー計算器１３．および零交差数計算器１４に入力される
。短時間エネルギー計算器１３は、入力信号と、低域通
過フィルタ１１および高域通過フィルタ１２の出力信号
とを受信し、各信号の短時間エネルギーを計算する。

零交差数計算器１４は、入力信号と、低域通過フィルタ
１１および高域通過フィルタ１２の出力信号とを受信し
、それぞれの零交差数および１ザンプル前との差分信号
についての零交差数を計算する。ニューラルネットワー
ク６には、短時間エネルギー計算器４および零交差数計
算器５の両出力信号を並列に入力する。

このニューラルネットワーク６の入力信号は、従来の音
声・モデム信号を識別回路でも使われているように、音
声信号とモデム信号とで異なった特徴を有している。従
来の識別回路では、短時間エネルギーと零交差数とをそ
れぞれ別の判定器に与えて信号識別にさせているのに対
し、本実施例では、両者を並列にニューラルネットワー
ク６に与えて信号領域の分類を行なわせる。従って従来
の回路では、短時間エネルギーおよび零交差数の相互関
連による信号識別が不可能であるのに対し、本実施例で
は、両者の相互関係を含めた総合的な信号識別を行なう
ことができ、従来回路よりも高い識別率が得られる。

５− 〔発明の効果〕 以上説明したように本発明によれば、入力信号の自己相
関を示す信号は音声信号とモデム信号とで顕著に異なる
特徴をもち、その上白色雑音の影響を受は難いので、こ
れをニューラルネットワークで分類することにより、実
用上十分に高い識別率を得ることができる。また、信号
識別用の条件であるニューラルネットワークの重みの値
は、学習時に自動的に設定される。

更に、入力信号の特徴をもつ信号を複数組用いる場合、
例えば入力信号の短時間エネルギーと零交差数とを用い
る場合でも、その複数組の信号を同一のニューラルネッ
トワークに入力して、各組相互間の関連も含めて分類で
きる。従って、各組ごとに識別している従来回路に比べ
て、より高い識別率が得られる。

【図面の簡単な説明】

第１図は本発明の第１の実施例のブロック図、第２図（
ａ）　、　（ｂ）は、第１図中のニューラルネット＝２
６ ワークの構成を示すブロック図、第３図は本発明の第２
の実施例の一部を示すブロック図、第４図は本発明の第
３の実施例を示すブロック図、第５図は本発明の第４の
実施例を示すブロック図、第６図は第５図中の雑音電力
値保持回路の構成を示すブロック図、第７図（ａ）　、
　（ｂ）は本発明の第５の実施例を示すブロック図、第
８図は本発明の第６の実施例を示すブロック図である。 １．１０・・・・・・入力端子、６・・・・・・ニュー
ラルネットワーク、６０・・・・・・入力層、６１・・
・・・・中間層、６２・・・・・・出力層、７０〜７２
・・・・・・ユニッ）、３１．３４・・・・・・判定器
、８・・・・・・出力端子、１１・・・・・・低域通過
フィルタ、１２・・・・・・高域通過フィルタ、１３・
・・・・・短時間エネルギー計算器、１４・・・・・・
零交差数計算器、２１・・・・・・　適応予測器、２２
・・・・・・減算器、２４・・・・・・予測係数、３０
・・・・・・短時間自己相関関数計算器、３２・・・・
・・加算器、３３・・・・・・乗算器、４３・・・・・
・雑音電力値保持回路、４２・・・・・・相関係数計算
器、４４・・・・・・正規化器。

Claims (1)

1. 【特許請求の範囲】 １、入力信号を処理して音声信号またはモデム信号のい
   ずれかに応じて異なる特徴をもつ複数の信号を発生する
   信号処理手段と、 前記複数信号に応答して音声信号またはモデム信号のい
   ずれに近い特徴をもつかを示す関数値のデータを発生す
   るニューラルネットワークと、 前記関数値のデータに応答して前記入力信号が音声信号
   またはモデム信号のいずれであるかを示す信号を出力す
   る判定手段とを含む音声・モデム信号識別回路。 ２、前記信号処理手段は、前記入力信号の短時間自己相
   関係数を計算して各係数値を示す複数の信号を発し前記
   ニューラルネットワークへ送出する請求項１記載の音声
   ・モデム信号識別回路。 ３、前記信号処理手段は、前記入力信号の短時間自己相
   関係数を計算したあと、遅れゼロの係数値でこれ以外の
   係数値を除算して得る正規化係数値を示す複数の信号を
   発生し、前記ニューラルネットワークへ送出する請求項
   １記載の音声・モデム信号識別回路。 ４、前記信号処理手段は、前記入力信号の短時間自己相
   関係数を計算する相関係数計算器と、前記入力信号の無
   音部を検出し無音部検出時における遅れゼロの前記短時
   間自己相関係数の値を保持する雑音電力値保持回路と、 該雑音電力値保持回路の保持値を遅れゼロの前記短時間
   自己相関係数から減算した値で遅れゼロ以外の前記短時
   間自己相関係数を除算して得る正規化係数値を示す複数
   の信号を送出する正規化器とを有する請求項１記載の音
   声・モデム信号識別回路。 ５、前記雑音電力値保持回路は、前記入力信号の有音部
   を検出する有音検出器と、 前記遅れゼロの短時間自己相関係数値を該有音検出器の
   検出時間に相当する標本時間遅延する遅延回路と、 前記有音検出器の検出結果が無音部を示している時の前
   記遅延回路の出力信号を保持し出力する保持回路とを有
   する請求項４記載の音声・モデム信号識別回路。 ６、前記信号処理手段は、前記入力信号と予測信号との
   誤差をゼロに近付けるよう予測係数を適応的に修正して
   前記予測信号を発生する適応予測器を有し、 該予測係数の値を示す複数の信号を前記 ニューラルネットワークへ送出する請求項１記載の音声
   ・モデム信号識別回路。 ７、前記信号処理手段は、前記入力信号の短時間エネル
   ギーと前記入力信号およびその差分信号の零交差数とを
   算出して各算出値を示す複数の信号を前記ニューラルネ
   ットワークへ送出する請求項１記載の音声・モデム信号
   識別回路。 ８、前記ニューラルネットワークは、それぞれ複数の入
   力信号の重み付け総和に予め定めた関数を作用させ該関
   数値のデータを出力する少なくとも１つのユニットを含
   み該ユニット間で フィードバック接続をもたない階層を、少くとも１つ縦
   続に接続した構成をもつ階層型であり、前記重みをバッ
   クプロパゲーション法により学習して設定させた請求項
   １記載の音声・モデム信号識別回路。 ９、前記ニューラルネットワークは、それぞれ複数の入
   力信号の重み付け総和に予め定めた関数を作用させ該関
   数値のデータを出力する複数のユニットを含み、該ユニ
   ット間でフィードバック接続をもつ相互結合型であり、 前記重みを学習設定させた請求項１記載の音声・モデム
   信号識別回路。 １０、前記判定手段は、前記関数値のデータと予め設定
   したしきい値との大小を比較して前記入力信号が音声信
   号またはモデム信号のいずれであるかを示す信号を出力
   する請求項１記載の音声・モデム信号識別回路。 １１、前記判定手段は、前記関数値のデータを積分器に
   通して平滑化したあと、予め設定したしきい値との大小
   を比較して前記入力信号が音声またはモデム信号のいず
   れであるかを示す信号を出力する請求項１記載の音声・
   モデム信号識別回路。 １２、前記判定手段は、前記関数値のデータと予め設定
   した第１のしきい値との大小を比較し、この比較結果を
   積分器に通して平滑化したあと、予め設定した第２のし
   きい値との大小を比較して前記入力信号が音声信号ある
   いはモデム信号のいずれであるかを示す信号を出力する
   請求項１記載の音声・モデム信号識別回路。