JPH0728766A - パターン認識システム及び監視システム - Google Patents

Abstract

(57)【要約】 【目的】 弱反応を検出するパターン認識システムを提
供する。 【構成】 画像スキャナ１及び画像前処理部１０が入力
した文字パターンをニューラルネットが認識する。弱反
応検出部１１が弱反応を検出すると、問題パターン格納
部１２が問題パターンを格納し、関連情報格納部１３が
関連情報を格納する。教師情報決定部１５が各パターン
の教師情報を決定する。教師情報は教師情報格納部１６
に格納され、妥当性判定部１７は、問題パターン以外の
パターンについて、その教師情報に基づいて認識結果の
妥当性を判定する。認識結果が妥当でないパターンは問
題パターン格納部１２に格納される。教師情報付加作業
支援部１８は、問題パターンについて、関連情報を出力
することによってオペレータによる教師情報付加作業を
支援する。性能低下検出部１９がニューラルネットの性
能低下を検出すると、調整部２０がニューラルネットの
パラメータを調整する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、パターンが複数の認識
結果候補のいずれに該当するかを認識するパターン認識
システムの改良に関するもので、特に、前記認識におけ
る弱反応を検出するものに係る。

【０００２】

【従来の技術】従来から、各種パターンの認識を行うパ
ターン認識システムが用いられている。このパターン認
識システムは、複数の認識結果候補に基づいて構成され
た、ニューラルネットなどの認識手段を備え、この認識
手段が、入力されたパターンがいずれの前記認識結果候
補に該当するかを認識するものである。ここで、本明細
書において「該当」とは、完全な同一のみならず、特徴
の類似や部分の類似を含む広い概念である。このパター
ン認識システムは、手書き文字・音声・信号・画像のよ
うなパターンを認識してコンピュータに入力したり、化
学プラントのような大規模システムの状態評価をするな
ど、様々な目的に用いられている。

【０００３】ところで、パターン認識システムの認識対
象となるパターンは、一般に、その母集団の特性が条件
によって変化するものが多い。例えば、認識対象となる
パターンが、化学プラントの状態を表すパターンの場
合、プラントの諸装置の経年劣化という時間的条件によ
って、配管やバルブにかかる圧力分布が変化する。ま
た、郵便物の住所表記の文字は、地域という条件によっ
て変化する。すなわち、都心部の郵便物はビジネスレタ
ーやダイレクトメールが多いため、住所表記は活字文字
が多く、一方、郊外の郵便物では私信が多いため、住所
表記は手書き文字が多い。

【０００４】このような条件によるパターンの変化に対
応し、パターン認識システムの認識性能を維持するため
には、実際の使用環境で入力されるパターンの特性に適
合するように、認識手段を調整することが重要である。
このためには、パターン認識システムの認識性能を定期
的に評価し、性能が相対的又は絶対的に低下している場
合には、認識できないパターンに対する性能が向上する
よう、パラメータを調整する必要がある。なお、ここ
で、「パラメータ」とは、認識手段の構成や挙動を制御
する数値などのデータの意味であり、例えば、認識手段
がニューラルネットである場合、ニューラルネットを構
成する各素子間の結合荷重や各素子の反応特性を制御す
るパラメータである。

【０００５】

【発明が解決しようとする課題】しかしながら、上記の
ような従来のパターン認識システムは、次のような問題
点を有していた。まず、従来のパターン認識システム
は、入力されたパターンが最も類似する認識結果候補の
コードを認識結果として機械的に出力するもので、いず
れの認識結果候補にも類似しないパターンが入力された
場合でも、パターンが認識できないという事実自体を検
出するものではなかった。

【０００６】すなわち、一般的なパターン認識システム
では、全ての認識結果候補に対するパターンの類似度が
計算され、類似度が最大の認識結果候補のコードが機械
的に認識結果となる。例えば、認識手段がニューラルネ
ットである場合、ニューラルネットの出力層の各素子
（以下「出力層素子」という）が各認識結果候補に対応
しており、各認識結果候補との間のパターンの類似度が
各出力層素子の反応強度として出力される。そして、最
大の反応強度を示した出力層素子に対応する認識結果候
補のコードが認識結果となる。この場合、当該出力層素
子の反応強度が、当該認識結果に対する確信度となる。

【０００７】そして、いずれの認識結果候補にも類似し
ないパターンが入力された場合、当該パターンの各認識
結果候補に対する反応強度すなわち確信度は、いずれも
低く大差のないものとなる（なお、本明細書において、
認識手段が所定の基準以下の反応強度しか生じないこと
を「弱反応」という）。

【０００８】しかし、前記のような従来のパターン認識
システムでは、このような場合も類似度が最大である認
識結果候補のコードが機械的に認識結果となっていたの
で、弱反応を検出することができなかった。そして、弱
反応の場合、当該弱反応を生じさせたパターン（本明細
書において「問題パターン」という）については、認識
手段の調整など、弱反応を前提とした処理が必要である
が、従来のパターン認識システムでは、弱反応が検出さ
れない結果、弱反応を前提とした処理を行うことができ
なかった。

【０００９】また、従来のパターン認識システムでは、
上記のように弱反応が検出されない結果、認識手段にお
ける前記のような性能の低下も検出されなかった（この
ような性能の低下は、例えば、所定回数以上の弱反応の
観察によって検出することが考えられる。）。このた
め、認識手段の適切な調整時期を知ることも困難で、認
識手段の性能低下が、実際の運用上支障が出ることによ
って判明する場合もあった。このため、適切な時期に調
整が可能なパターン認識システムが求められていた。

【００１０】また、従来のパターン認識システムでは、
弱反応が検出されない結果、問題パターンをシステム稼
働中に自動的に収集することも不可能であった。このた
め、従来のパターン認識システムにおける認識手段の調
整では、著しい性能低下が判明したときに、使用環境に
おいて新規にサンプルとなるパターンを大量に採取し、
認識手段の挙動を決定する各種パラメータの調整全体を
最初からやり直すという手法が採用されていた。

【００１１】しかし、このような調整全体のやり直しは
非効率的でコストが高く、頻繁に実行することは困難で
あった。すなわち、調整全体のやり直しにおいて高い認
識性能を実現するためには、膨大なサンプルに対して、
認識性能の評価とパラメータの調整とを多数回繰り返し
て行わねばならず、このような処理が調整のコストを増
大させていた。しかも、このような処理は、大容量のデ
ータ処理を行う大規模なコンピュータを要するため、パ
ターン認識システムの使用現場において行なうことはで
きず、簡便な調整は困難であった。

【００１２】特に、このような無差別なサンプル収集で
は、出現頻度が低いパターンをサンプルとして採取する
ためには、オペレータが、長時間にわたって常時、パタ
ーン認識システムを監視したり、収集するサンプル数を
一層増大させなければならず、調整の負担を一層増大さ
せていた。

【００１３】また、認識手段の調整では、一般に、サン
プルと、サンプルに対する正しい認識結果を示す教師情
報とを対にして用いる。そして、従来のパターン認識シ
ステムは、この教師情報を自動的に決定する手段を備え
ていなかったため、教師情報を、人間であるオペレータ
がサンプルごとに入力することによってサンプルに付加
しなければならず、効率的な調整が困難であった。

【００１４】また、従来のパターン認識システムは、教
師情報の付加作業を支援する手段も備えていなかったた
め、教師情報の付加作業に必要なサンプルに関する情報
は、人間のオペレータが収集しなければならず、教師情
報付加作業の負担が一層増大していた。

【００１５】本発明は、上記のような従来技術の問題点
を解決するために提案されたもので、その目的は、弱反
応を検出するパターン認識システムを提供することであ
る。また、本発明の他の目的は、認識手段の性能低下を
検出するパターン認識システムを提供することである。
また、本発明の他の目的は、弱反応を生じさせる問題パ
ターンを自動的に収集するパターン認識システムを提供
することである。また、本発明の他の目的は、低廉かつ
簡便な認識手段の調整が可能なパターン認識システムを
提供することである。また、本発明の他の目的は、問題
パターンに対応する教師情報を自動的に決定するパター
ン認識システムを提供することである。また、本発明の
他の目的は、問題パターンに対する教師情報の付加作業
を効果的に支援するパターン認識システムを提供するこ
とである。

【００１６】本発明のさらに他の目的は、監視対象であ
る対象系の異常を弱反応として検出することによって、
当該対象系の異常を報知する監視システムを提供するこ
とにある。

【００１７】

【課題を解決するための手段】上記の目的を達するた
め、請求項１のパターン認識システムは、パターンを入
力する入力手段と、前記パターンが複数の認識結果候補
のいずれに該当するかを認識する認識手段と、前記認識
の結果を出力する出力手段とを有するパターン認識シス
テムにおいて、前記認識における弱反応を検出する弱反
応検出手段を備えたことを特徴とする。

【００１８】また、請求項２の発明は、請求項１記載の
パターン認識システムにおいて、前記認識手段の性能低
下を検出する性能低下検出手段を備えたことを特徴とす
る。

【００１９】また、請求項３の発明は、請求項１記載の
パターン認識システムにおいて、前記弱反応を生じさせ
た前記パターンである問題パターンを格納する問題パタ
ーン格納手段を備えたことを特徴とする。

【００２０】また、請求項４の発明は、請求項３記載の
パターン認識システムにおいて、前記問題パターンに対
応する正しい認識結果を表す情報である教師情報を決定
する教師情報決定手段を備えたことを特徴とする。

【００２１】また、請求項５の発明は、請求項４記載の
パターン認識システムにおいて、前記パターンに対応す
る前記教師情報に基づいて、当該パターンに対する前記
認識の結果の妥当性を判定する妥当性判定手段を備えた
ことを特徴とする。

【００２２】また、請求項６の発明は、請求項４記載の
パターン認識システムにおいて、前記問題パターン及び
当該問題パターンに対応する前記教師情報に基づいて前
記認識手段を調整する調整手段を備えたことを特徴とす
る。

【００２３】また、請求項７の発明は、請求項３記載の
パターン認識システムにおいて、前記問題パターンと、
当該問題パターンに関連する関連情報を出力することに
よって前記問題パターンに対する前記教師情報の付加作
業を支援する教師情報付加作業支援手段を備えたことを
特徴とする。

【００２４】また、請求項８の発明は、請求項１記載の
パターン認識システムにおいて、前記認識手段として、
ニューラルネットを用いたことを特徴とする。

【００２５】また、請求項９の監視システムは、監視対
象である対象系の状態を表すパターンを入力する入力手
段と、前記パターンが複数の認識結果候補のいずれに該
当するかを認識する認識手段とを有し、前記複数の認識
結果候補は、前記対象系における予測された状態であ
り、前記認識における弱反応を検出する弱反応検出手段
と、前記弱反応の検出を報知する報知手段を備えたこと
を特徴とする。

【００２６】また、請求項１０の発明は、請求項９記載
の監視システムにおいて、前記認識手段として、ニュー
ラルネットを用いたことを特徴とする。

【００２７】

【作用】上記のような構成を有する本発明は、次のよう
な作用を有する。すなわち、請求項１の発明では、弱反
応検出手段が、パターン認識における弱反応を検出する
ので、弱反応を前提とした処理を行うことが可能とな
る。

【００２８】また、請求項２の発明では、性能低下検出
手段が、認識手段における性能低下を検出するので、適
切な時期に認識手段の調整を行うことができる。

【００２９】また、請求項３の発明では、問題パターン
格納手段が、弱反応を生じさせる問題パターンを格納す
るので、問題パターンを自動的に収集することができ
る。

【００３０】また、請求項４の発明では、教師情報決定
手段が、問題パターンに対応する教師情報を自動的に決
定するので、認識手段の調整における負担が軽減され
る。

【００３１】また、請求項５の発明では、妥当性判定手
段が、各パターンに対応する教師情報に基づいて、当該
パターンに対する認識結果の妥当性を確認するので、弱
反応を生じないが誤った認識を生じるパターンを検出す
ることが可能となる。

【００３２】また、請求項６の発明では、調整手段が、
問題パターン及び教師情報に基づいて認識手段を調整す
るので、パターン認識システムの使用現場における簡便
かつ低廉な調整が可能となる。

【００３３】また、請求項７の発明では、教師情報付加
作業支援手段が教師情報付加作業を効果的に支援するの
で、認識手段の調整が容易になる。

【００３４】また、請求項８の発明では、認識手段とし
てニューラルネットを用いているので、認識の基準を系
統的に論理化することなくパターン認識を行うことがで
きる。

【００３５】また、請求項９の発明では、対象系の予測
された状態を表す認識結果候補を前提とし、対象系の異
常を、パターンに係る弱反応として検出・報知するの
で、対象系の異常状態の条件を積極的に定めることな
く、対象系の異常を検出することができる。

【００３６】また、請求項１０の発明では、認識手段と
してニューラルネットを用いているので、認識の基準を
系統的に論理化することなく対象系の監視を行うことが
できる。

【００３７】

【実施例】次に、本発明の複数の実施例について、図面
に従って具体的に説明する。なお、下記各実施例はコン
ピュータを用いて実現されるもので、各実施例の構成の
うち、入出力装置のように専らハードウェアによって実
現されるべき部分以外は、プログラムとして格納された
所定の手順でコンピュータを動作させることによって実
現されている。したがって、以下、各実施例の各機能を
有する仮想的回路ブロックを想定して本装置を説明す
る。

【００３８】なお、各実施例に用いられるコンピュータ
は、少なくとも、ＣＰＵ（中央演算処理装置）と、ＲＡ
Ｍ（随時書込読出型記憶素子）からなる主記憶装置とを
有するもので、典型的には、キーボードやマウスなどの
入力装置と、ＣＲＴ表示装置やプリンタ印字装置などの
出力装置と、必要なＩ／Ｏ制御回路とを含むものであ
る。

【００３９】また、このコンピュータのソフトウェアの
構成としては、典型的には、ＯＳ（オペレーティングシ
ステム）上で、各実施例を実現するためのプログラムが
アプリケーション（応用）プログラムとして実行される
態様が考えられるが、コンピュータ上に、入出力手順を
含む専用のプログラムのみを搭載してもよい。

【００４０】また、プログラムの格納態様も自由であ
り、ＲＯＭ（読出し専用メモリ）に格納しておいてもよ
く、また、ハードディスク装置のような外部記憶装置に
格納しておき、コンピュータの起動時や処理の開始時に
主メモリ上にロード（読み込み）してもよい。また、プ
ログラムを複数の部分に分割して外部記憶装置に格納し
ておき、処理内容に応じて必要なモジュールのみを随時
主メモリ上にロード（読み込み）してもよい。

【００４１】各実施例において、情報を格納する手段
は、典型的には、ハードディスク装置のような外部記憶
装置上に設けられるが、主メモリや、近年試みられてい
るフラッシュメモリ（大容量の不揮発性メモリ）上に実
現してもよい。また、辞書データのように当面変更され
ない情報は、ＲＯＭに格納してもよい。

【００４２】Ａ．第１実施例 （１）第１実施例の構成 第１実施例は、郵便物の自動分類などに用いられる文字
読取装置であり、本発明のパターン認識システムの一類
型である。まず、図１は、第１実施例の構成を示すブロ
ック図である。なお、図１において、矢印はデータの流
れを、破線の矢印は制御の流れを示す。また、図１にお
いて、矢印同士の交差は、単なる図形上の交差であっ
て、各矢印によって表現されるデータ又は制御の流れ同
士の関連を意味するものではない。第１実施例は、この
図に示すように、１又は２以上の文字を含む所定のサイ
ズごとの画像データを入力する画像スキャナ１と、認識
結果出力用の外部インタフェース２（前記出力手段に相
当するもの）と、キーボード３及びマウス４と、表示装
置５と、情報を処理する処理部６とを有する。なお、処
理部６には、Ｉ／Ｏ制御回路７が設けられている。

【００４３】また、処理部６は、パターンを認識するニ
ューラルネットの挙動を演算するニューラルネットドラ
イバ８と、前記ニューラルネットの諸元を決定するパラ
メータを格納するパラメータ格納部９と、前記画像デー
タから１文字ごとのパターンを切り出して前記ニューラ
ルネットドライバ８に入力する画像前処理部１０とを有
する。なお、ニューラルネットドライバ８及びパラメー
タ格納部９は、前記認識手段を構成している。また、画
像スキャナ１及び前記画像前処理部１０は、前記入力手
段を構成している。

【００４４】また、処理部６は、パターン認識における
弱反応を検出する弱反応検出部１１（前記弱反応検出手
段に相当するもの）と、弱反応を生じさせた問題パター
ンを格納する問題パターン格納部１２（前記問題パター
ン格納手段に相当するもの）と、問題パターンに関連す
る関連情報を格納する関連情報格納部１３とを有する。

【００４５】また、処理部６は、認識結果候補である文
字からなる単語の辞書データを格納する辞書データ格納
部１４と、各パターンについて、当該パターンの前後に
連続する文字のパターンに対する認識結果と、前記辞書
データとに基づいて、当該パターンに対応する教師情報
を決定する教師情報決定部１５と、教師情報を格納する
教師情報格納部１６とを有する。なお、辞書データ格納
部１４及び教師情報決定部１５は、前記教師情報決定手
段を構成している。

【００４６】また、処理部６は、問題パターン以外のパ
ターンについて、当該パターンの教師情報に基づいて、
当該パターンの妥当性を判定し、妥当でないパターンを
問題パターンとみなして問題パターン格納部１２に格納
させる妥当性判定部１７（前記妥当性判定手段を構成す
るもの）を有する。

【００４７】また、処理部６は、問題パターンに関する
関連情報を出力し、教師情報の選択入力を受け付けるこ
とによって教師情報付加作業を支援する教師情報付加作
業支援部１８と、所定の基準に基づいてニューラルネッ
トの性能低下を検出する性能低下検出部１９（前記性能
低下検出手段に相当するもの）と、前記性能低下が検出
された場合に問題パターン及び教師情報に基づいてニュ
ーラルネットのパラメータを調整する調整部２０（前記
調整手段に相当するもの）とを有する。なお、キーボー
ド３、マウス４、表示装置５、Ｉ／Ｏ制御回路７及び教
師情報付加作業支援部は、前記教師情報付加作業支援手
段を構成している。

【００４８】する。

【００４９】なお、ニューラルネットドライバ８及びパ
ラメータ格納部９によって実現されるニューラルネット
は、生体の神経網を模擬した情報処理機構である。本実
施例で用いるニューラルネットは、図２（ニューラルネ
ットの概念図）に示すように（図の下方から順に）、入
力層、中間層及び出力層を有し、これら各層は複数の素
子を含んでおり、各素子は直下の層のすべての素子と結
合されている。図２の丸印は個々の素子を、矢印は素子
間の結合を表す。なお、図２では、図の単純化のため、
素子間の結合は、その一部のみを図示する。

【００５０】各層のうち、入力層は、入力されるパター
ンの次元数Ｊと同数のＪ個の素子Ｕ_j を有し、入力端子
として機能する。すなわち、パターンｘを、

【数１】ｘ＝（ｘ₁ ，ｘ₂ ，・・・，ｘ_J ） と表すとき、各素子Ｕ_j にはパターンｘの成分ｘ_j が入
力される。入力層の素子（以下「入力層素子」という）
の反応特性は恒等関数であり、素子Ｕ_j の反応強度は入
力される成分ｘ_j と等しいｘ_j である。

【００５１】各層のうち、中間層の素子（以下「中間層
素子」という）は、図３（中間層素子の配列を示す平面
図）に示すように、層の上に格子状に配置されている。
この図に示すように、各素子は、層上に定義された物理
座標に対応する格子点に配置されている。例えば、中間
層の左下隅の格子点の座標は（０，０）であり、その一
つ右隣の座標は（１，０）、一つ上の座標は（０，１）
である。素子の座標は、当該素子が配置されている格子
点に対応する物理座標によって表される。したがって、
中間層上に縦横にＸ×Ｙ個の素子が配置されていると
き、例えば、層の右上角にある素子の座標は（Ｘ−１，
Ｙ−１）である。

【００５２】中間層素子Ｕ_i は、全ての入力層素子の反
応強度を受信する。中間層素子の反応特性には、吊鐘型
反応特性関数ｇ、すなわち、

【数２】 を採用する。また、ここで、各記号はそれぞれ、

【数３】 を表す。

【００５３】すなわち、本実施例のニューラルネット
は、近年試みられている、反応特性関数の値が所定の閾
値以上になる入力空間の領域が有界な素子を含むニュー
ラルネットである。また、ベクトル間の距離ｄには任意
の距離を用いることができるが、ここでは、最も一般的
なユークリッド距離、すなわち、

【数４】 を採用する。

【００５４】図４は、反応特性関数ｇの概形を示す特性
図であり、横軸に距離ｄを、縦軸に反応強度ａ_i をとる
ように描いたものである。ここで、反応特性のパラメー
タｒ_i 、ｐ_i は反応特性の形状を調節するパラメータで
あり、あわせて素子パラメータとよばれる。これらは、
素子が反応する入力の範囲の感度を制御する。すなわ
ち、ｒ_i を大きくすれば、素子が強く反応するパターン
ｘの存在範囲は広がり、ｒ_i を小さくすれば強く反応す
るパターンの存在範囲が狭まる。また、ｐ_i を小さくす
ればｄの変化に対し緩やかに変化する特性となり、ｐ_i
を大きくすればｄの変化に対し敏感に変化する特性とな
る。

【００５５】図４の実線はｒ_i ＝1.0,ｐ_i ＝1.0 の場合
のｇの形状、破線はｒ_i ＝0.5,ｐ_i＝5.0 の場合の形状
を示している。縦軸に垂直な直線の左側であって、斜線
が描かれた領域は、破線の場合において、素子が所定の
閾値δ以上で反応する範囲を示している。この場合閾値
は、0.1 である。閾値以上で反応する領域を、以下、反
応領域と呼ぶ。

【００５６】吊鐘型反応特性を持つ素子の場合、反応領
域は結合荷重ベクトルｗ_i を中心とするＪ次元入力空間
上の超球となるので、特に反応超球と呼ぶ。ここで、超
球とは、任意次元空間上において、３次元空間における
球に相当するものである。

【００５７】図５は、反応超球と結合荷重ベクトルとの
関係を示す図であって、入力空間が三次元の場合として
描いたものである。すなわち。素子Ｕ_i は、この反応超
球に含まれるパターンのみにδ以上で反応する。

【００５８】各層のうち、出力層素子Ｕ_k は、全ての中
間層素子の反応強度を受信し、シグモイド型関数ｆ、す
なわち、

【数５】 である反応特性にしたがって反応する。ここで、各記号
はそれぞれ、 ａ_k ：Ｕ_k の反応強度 ｗ_ki：中間層の素子Ｕ_i からＵ_k への結合上の荷重 ａ_i ：中間層の素子Ｕ_i の反応強度 を表す。これら出力層素子は、ニューラルネットの出力
端子として機能する。

【００５９】なお、第１実施例におけるニューラルネッ
トのパラメータは、前記各素子間の結合間における信号
の通りやすさを表す結合荷重（結合上の荷重）や、各素
子の反応特性を制御する素子パラメータである。

【００６０】（２）第１実施例の作用 上記のような構成を有する第１実施例は、次のような作
用を有する。なお、ニューラルネットのパラメータは、
あらかじめ、認識結果として出力されるべき全ての文字
を認識結果候補に基づいて文字の認識をするように調整
しておく。また、辞書データ格納部１４には、認識結果
候補となるべき文字からなる単語を収録しておく。これ
ら単語は、郵便物の宛名に現れる地名であるものとす
る。

【００６１】［概略的作用］画像スキャナ１が画像デー
タを入力すると、画像前処理部１０が画像データから１
文字ごとの文字パターンを切り出してニューラルネット
ドライバ８に入力する。ニューラルネットは入力された
パターンを認識して認識結果を外部インタフェース２か
ら出力する。認識の際、弱反応検出部１１が弱反応を検
出すると、問題パターン格納部１２が弱反応を生じさせ
た問題パターンを格納し、関連情報格納部１３が問題パ
ターンに関連する情報を保存する。

【００６２】また、教師情報決定部１５は各パターンの
教師情報を決定する。これら教師情報のうち、問題パタ
ーンの教師情報は教師情報格納部１６に格納され、妥当
性判定部１７は、問題パターン以外のパターンについ
て、その教師情報に基づいて認識結果の妥当性を判定す
る。認識結果が妥当でないパターンは問題パターンとみ
なされ問題パターン格納部１２に格納される。

【００６３】教師情報付加作業支援部１８は、問題パタ
ーンについて、関連情報を出力することによってオペレ
ータによる教師情報付加作業を支援する。性能低下検出
部１９が所定の基準に基づいてニューラルネットの性能
低下を検出すると、調整部２０が問題パターン及び教師
情報に基づいてニューラルネットのパラメータを調整す
る。以下、上記の手順の詳細を説明する。

【００６４】［画像スキャナからのパターン入力］パタ
ーン入力では、まず、画像スキャナ１が、文字の書かれ
た郵便物などの対象物からデジタル画像データを入力す
る。すなわち、画像スキャナ１は、図示はしないが、カ
メラ及び画像処理回路を有し、カメラが文字の書かれた
対象物を撮影して画像信号を生成すると、画像処理回路
が、前記画像信号から画像のノイズ（汚れ）を除去し、
画像信号から所定のフレームサイズごとの画像信号を切
り出し、さらに、切り出した画像信号をデジタル画像デ
ータに変換する。

【００６５】この画像データは処理部６に送られ、処理
部６の画像前処理部１０が画像データから文字列部分を
検出し、この文字列部分のデータを１文字分のデータご
とに分離する。図６は、このように分離された１文字の
手書き文字の画像データの例である。この画像は、黒を
１、白を０とする画素の濃淡値を横Ｘ画素・縦Ｙ画素に
順列させたデジタルビットマップデータである。

【００６６】また、画像前処理部１０は、１文字分ごと
の各画像データをベクトルパターンに変換し、ニューラ
ルネットドライバ８に入力する。すなわち、この変換
は、図６における左下角の画素の濃淡値を第１要素、右
上角の値を第ＸＹ要素として、左→右という順序の要素
抽出を、下→上方向という順序で行い、抽出した各要素
を部分ベクトルとしてＸ×Ｙ次元のベクトルを生成する
処理である。

【００６７】［パターン認識］ニューラルネットドライ
バ８は、ベクトル形式のパターンが入力されるごとに、
パラメータ格納部９に格納されたパラメータに基づいて
ニューラルネットの挙動を演算する。この演算の結果、
入力されたパターンに対するニューラルネットの各素子
の反応強度が決定され、これによってパターン認識が行
われて認識結果が生成される。すなわち、ニューラルネ
ットでは、入力層−中間層−出力層の順に、入力に対す
る素子の反応強度が結合線を通じて上層に伝搬すること
によって、下層から段階的にニューラルネットの出力が
決定される。

【００６８】第１実施例におけるニューラルネットで
は、各出力層素子が認識結果として出力されるべき各文
字（種類）を表すコードと１対１に対応しており、パタ
ーンに対する認識結果である文字コードは、出力層素子
のうち、当該文字コードに対応する素子の反応強度が最
強となることによって出力される。

【００６９】このように得られた認識結果は、処理部６
における後述のデータ処理に用いられるほか、外部イン
タフェース２を介して、郵便物自動住所読取区分機にお
けるソーター部のような外部情報処理手段に送られる。

【００７０】［弱反応の検出］上記のようにパターン認
識が行われると、ニューラルネットドライバ８は、ニュ
ーラルネットにおける各素子の反応強度を弱反応検出部
１１に提供し、弱反応検出部１１は、提供されたデータ
に基づいて、ニューラルネットの反応強度が所定の値以
下となる現象を検出する。例えば、第１実施例で用いる
ニューラルネットは、パターンがどの中間層素子の反応
領域にも含まれない場合、中間層素子はいずれも反応せ
ず、出力層素子も反応しない。すなわち、

【数６】 が不成立ならば、パターンに対して十分強く反応する中
間層素子が存在しないので、弱反応を検出することが相
当である。ここで、Ｕ_i は中間層素子の反応強度、ｘは
パターン、θ_a は所定の閾値を表す微小な正定値であ
る。この微小な値θ_a は、認識対象となるパターン群の
特性によって変化するが、例えば 0.1程度にすればよ
い。

【００７１】弱反応の場合、問題パターン格納部１２が
弱反応を生じさせたパターンを問題パターンとして格納
し、関連情報格納部１３が当該問題パターンに関連する
関連情報を格納する。ここで、関連情報とは、例えば、
問題パターン入力時におけるニューラルネットの各素子
の反応強度、問題パターンに前後して入力されたパター
ン（以下「関連パターン」という）、この関連パターン
に対する各素子の反応強度や認識結果である。

【００７２】なお、第１実施例において、弱反応検出時
にその旨を報知する報知手段を設けてもよく、このよう
にすれば、確信度の低い認識結果の利用による混乱を回
避することができる。

【００７３】［教師情報の決定］教師情報決定部１５
は、問題パターンを含む各パターンについて、その教師
情報を決定する。すなわち、文字列が地名のように定型
的な文字列である場合、文字の出現順序は規則性を帯び
るので、教師情報は、文字列の個々の文字に対する認識
結果のうち一部（望ましくは過半数）が十分な確信度を
もって得られれば、当該文字列の他の部分については、
認識結果が得られず又は認識結果が誤りである場合にも
正しく決定することができる。具体的には、地名の一部
が欠損している場合、辞書データ格納部１４の辞書デー
タを検索すれば、直前直後の文字との関連性から欠損部
分に入るべき文字を特定し、教師情報とすることができ
る。

【００７４】例えば、図７は、郵便物の宛先記載部分の
画像であるが、この画像の右端行の８個の文字パターン
から、上から順に、「足□区十住竜田町」という認識結
果が得られたと仮定する。ここで、第２文字目の「□」
は、ニューラルネットが認識できなかった、すなわち、
すべての出力層素子の反応が微弱だった問題パターンを
表している。この場合、教師情報決定部１５が、辞書デ
ータから、「足」の字で始まる区名を検索すると、該当
するものとして「足立」（区）のみが得られる。したが
って、この問題パターンに対応する正しい認識結果、す
なわち教師記号は「立」であると決定できる。

【００７５】なお、教師情報は、上記のような手順によ
って一義的に決定できない場合は、複数の候補の集合と
して決定される。例えば、問題パターンの直前の文字の
認識結果が「山」で、直後のパターンの認識結果が
「県」の場合、教師情報は、「形」（山形県）、「梨」
（山梨県）、「口」（山口県）のように複数、候補とし
て決定される。以上のように決定された教師情報や教師
情報候補は、教師情報格納部１６に格納される。

【００７６】［認識結果の妥当性の判定］教師情報決定
部１５は、問題パターンを含まない文字列の各パターン
についても、辞書データに基づいて教師情報を決定す
る。例えば、図７における「足□区十住竜田町」という
認識結果のうち、４〜７番目のパターンの認識結果であ
る「十住竜田」を地名として辞書データを検索すると、
この地名は足立区内には存在しないことが判明する。足
立区内で四文字からなる地名を検索すると「十住竜田」
と共通の構成部分を有するものは「千住竜田」のみであ
り、４番目のパターンに対する教師情報は「千」である
と決定できる。

【００７７】上記のように決定された教師情報は、認識
結果の妥当性の判定に用いられる。すなわち、妥当性判
定部１７は、各パターンの認識結果を当該パターンに対
応する教師情報と比較し、両者が一致しない場合、問題
パターン格納部１２が当該パターンを問題パターンとし
て格納する。この場合、当該パターンに対応する教師情
報及び関連情報も、それぞれ、教師情報格納部１６及び
関連情報格納部１３に格納される。

【００７８】［認識性能低下の検出］以上のように、第
１実施例がパターン認識に用いられている間に入力され
た問題パターンは、問題パターン格納部１２内に蓄積さ
れるが、問題パターンが格納される度に、性能低下検出
部１９は、ニューラルネットの性能低下の検出処理を行
う。この性能低下の検出の具体的基準は自由に定めるこ
とができるが、具体的には、例えば、問題パターン格納
部１２内に格納されている問題パターンが一定数を越え
たことをもって性能が低下したと判断するようにすれば
よい。

【００７９】性能低下を検出した場合、性能低下検出部
１９は、調整部２０を起動するが、この調整部２０の起
動は、第１実施例が認識処理に用いられていないとき
（例えば、郵便局の業務が終った夜間）に実行するよう
設定することが極めて望ましい。また、性能低下検出時
に警報のみを出力し、調整は保守作業中においてオペレ
ータが別段の調整指示を入力したときに行なってもよ
い。

【００８０】なお、調整に先だって、教師情報付加作業
支援部１８が教師情報付加作業の支援を行ない、この
際、教師情報決定部１５が決定した教師情報をオペレー
タが確認して確定させ、又は、教師情報が決定できなか
った問題パターンについて、オペレータが判断して決定
した教師情報を付加する。

【００８１】［教師情報付加作業］すなわち、教師情報
付加作業支援部１８は、各問題パターン、各問題パター
ンの関連情報を表示装置５に表示することによってオペ
レータに提示すると共に、オペレータによる教師情報の
選択をキーボード３やマウス４を介して入力することに
よって、オペレータによる教師情報付加作業を支援す
る。この場合、オペレータには、関連情報として教師情
報や教師情報候補も提示され、オペレータは、提示され
た関連情報に基づいて教師情報を決定し、決定した教師
情報をその場で入力すればよい。教師情報付加作業の支
援は、問題パターン格納部１２内の全ての問題パターン
に対応する教師情報が確定又は入力されるまで続行され
る。

【００８２】なお、オペレータが中止を命じた場合、教
師情報付加作業を中止し、教師情報が確定又は入力済の
問題パターンのみについて調整を行うようにしてもよ
い。

【００８３】ここで、図８は、問題パターン及び関連情
報の表示例である。この表示では、パターンの採取期間
などの形式的事項と共に、問題パターンを含む文字列を
構成する一連の文字パターンが画像として表示されてい
る。この画像は文字の番号ごとのパターンに区分され、
各パターンの番号は、当該パターンに対する教師情報が
確定している場合及び認識結果の確信度が所定の基準値
以上の場合には、［１］のように括弧で囲われて表示さ
れている。括弧で囲われていないものは、教師情報が未
確定の問題パターンであり、オペレータが教師情報を指
定すべき対象である。

【００８４】例えば、パターン番号１の認識結果は
「足」で、文字種類「足」に対応する出力層素子の反応
強度は0.892 と強い（反応強度・確信度が高い）。しか
も、この認識結果は辞書データに基づく教師情報とも一
致しているので、このパターンは問題パターンではな
く、調整やオペレータの判断は不必要である。

【００８５】また、パターン番号２の認識結果は「×」
と表示されているが、これは出力層のどの素子も十分強
く反応しなかったことを示しているので問題パターンで
あり、調整及びオペレータの判断（確認操作による確
定）が必要である。

【００８６】この入出力画面では、斜めの黒い矢印で表
示されるマウスカーソルのポイントするパターン番号が
直接の操作対象となるが、このマウスカーソルは、図８
では、４番目のパターン上にあり、４番目のパターン及
びその関連情報は太枠表示によって囲まれている。この
パターンに対しもっとも強く反応している出力層素子は
漢数字「十」に対応する素子で、その反応強度は0.885
である。しかし、辞書データに基づく教師情報は漢数字
「千」であり、認識結果がこの教師情報と矛盾している
ので、このパターンは問題パターンであり、教師情報の
確定とパラメータ調整が必要である。

【００８７】なお、第１実施例におけるニューラルネッ
トのパラメータ調整は調整部２０が自動的に行うが、こ
の調整はオペレータが手動操作で行ってもよく、この場
合、教師情報付加作業で提示される関連情報が調整の指
針となる。例えば、図８下方に表示されているように、
このパターンに対するニューラルネットの中間層の最大
反応強度は0.677 、平均反応強度は0.320 である。この
値は、中間層には比較的高い値でこのパターンに反応す
る素子があるが、この素子の反応強度が適正に出力層に
伝達されていないことを意味している。したがって、オ
ペレータは、このパターンに対する正しい認識を得るた
めには、中間層から出力層への結合荷重を調整すればよ
いという判断をすることができる。また、中間層の最大
反応強度が低い場合には、オペレータは、入力層−中間
層の結合荷重の調整を行なうか、あるいは中間層の素子
を増やす必要があるという判断をすることができる。

【００８８】なお、第１実施例におけるニューラルネッ
トとしては、近年試みられている、自動的に素子が増減
するニューラルネットを用いてもよく、このようにすれ
ば、全く乃至ほとんど、オペレータの介入なくパラメー
タの調整を行うことが可能となる。

【００８９】教師情報の候補が複数ある場合は、オペレ
ータがどの候補を採用するか指定しなければならない
が、その際は選択する候補の上でマウスのボタンをクリ
ックすれば（押せば）よい。

【００９０】また、教師情報がまったく提供されていな
い場合もしくは教師情報に正しい教師情報が含まれてい
ない場合は、画面右下方の「教師情報指定」欄をマウス
カーソルでポイントし、いわゆるカナ漢字変換やＪＩＳ
コード入力などの文字指定手法によって正しい文字種類
を指定する。このように決定された教師情報は、確定し
た教師情報として、教師情報保存手段に格納される。

【００９１】［パラメータの調整］教師情報付加作業に
続いて、調整部２０がニューラルネットのパラメータを
調整する。この調整は、素子の反応領域の位置やサイ
ズ、形状を調整することによって、素子の反応領域に問
題パターンが含まれるようにする操作であり、問題パタ
ーンとそれに対応する教師情報を用いて行なわれる。こ
こでは、出力層素子の反応強度（すなわち出力パター
ン）と、確定した教師情報との誤差に基づいた修正を説
明する。

【００９２】パラメータの調整のうち、出力層素子への
結合荷重の修正では、まず、出力層のすべての素子Ｕ_k
の反応と、教師情報との誤差を求める。教師情報は、パ
ターンに対する出力層素子の望ましい反応強度を指定す
るものである。ここで教師情報ｔは、

【数７】 ｔ＝（ｔ₁ ，ｔ₂ ，・・・，ｔ_k ） （０＜ｔ_k ＜１） であり、その成分ｔ_k は出力層素子Ｕ_k の望ましい反応
強度を指定する値である。第１実施例においては、その
パターンの文字種類を示す出力層素子に対する成分のみ
値１をとり、他の素子に対する成分は値０をとるような
教師情報を与える。

【００９３】ここで、Ｕ_k における誤差Ｅ_k は、

【数８】Ｅ_k ＝ｔ_k −ａ_k と定義される。

【００９４】したがって、中間層のすべての素子Ｕ_i か
らＵ_k への結合荷重ｗ_kiは、誤差Ｅ_k に従って、

【数９】ｗ_ki←ｗ_ki＋Δｗ_ki

【数１０】Δｗ_ki←ηＥ_k ａ_i と修正される。ここで「←」は、変数への代入操作を表
している。またηは結合荷重の修正率を示す係数であ
り、通常はη＝０．１程度に設定すればよい。

【００９５】パラメータの調整のうち、中間層素子の結
合荷重と素子パラメータの修正においては、以下の計算
を行う。すなわち、まず、パターンに対して、中間層に
おいて最も強く反応した素子を判定する。つまり、

【数１１】 の値が最大となる素子Ｕ_m を求める。次に、中間層上
に、素子Ｕ_m を中心とする半径Ｒの領域をνを設定す
る。すなわち、前述した中間層上の格子点に対応して定
めてある座標を用いて、

【数１２】 とする。ここで、Ｐ_m ，Ｐ_i は、それぞれ素子Ｕ_m ，Ｕ
_i の中間層上における物理座標を示す。また、ｄはユー
クリッド距離である。Ｒの値についてはここでは詳述し
ないが、一例としては、中間層の大きさが縦Ｙ，横Ｘで
あり、ｍｉｎ（）を引数の最小値をとる関数とすると
き、

【数１３】 とする。ここでＴは学習繰り返し回数である。

【００９６】上式のνは、素子Ｕ_m の近傍にある素子の
集合となる。結合荷重ベクトルｗ_iと素子パラメータｐ
_i ，ｒ_i が修正されるのは、νに属する素子のみに限定
する。νに含まれる素子について、結合荷重の修正は、

【数１４】ｗ_i ←ｗ_i ＋Δｗ_i

【数１５】Δｗ_i ←α（ｘ−ｗ_i ） に従う。ここで、ｘは入力されたパターンである。ま
た、αは、結合荷重の修正率を示す係数である。この値
は、 0.1程度に設定すればよい。

【００９７】また、νに含まれる素子について、素子パ
ラメータｒ_i の修正は、

【数１６】ｒ_i ←ｒ_i ＋Δｒ_i

【数１７】 に従う。ここで、γ_r はｒ_i の修正率を与える正係数で
あり、通常は 0.1程度に設定する。ｒ_i の修正量Δｒ_i
は、出力層素子の反応強度と教師情報との誤差で定まる
第一項と、拡散項と呼ばれる第二項の和として求まる。

【００９８】ここで、上記数式１７の意味を説明する。
ｗ_kiＥ_k は、素子Ｕ_i の反応が誤差Ｅ_k の原因である程
度を表す量である。ｗ_kiＥ_k ＞０なら、これを０に近付
けるためには、Ｕ_i の反応が弱まることが望ましいの
で、Ｕ_i の反応超球の半径を小さくするために、ｒ_i を
減少させるべきである。したがって、

【数１８】 とすればよい。そして、出力層のすべての素子について
和をとることによって、第一項が得られる。

【００９９】第二項は、出力層で誤差が出ない範囲で、
反応超球の半径を増加させる効果を持つ、第二項は、一
つの中間層素子を、可能な限り広い領域のパターンに反
応させるための項である。出力層での誤差に影響しない
ように、γ＞＞ξ_r ＞０としておく。一般には、ξ_r ＝
0.001 程度でよい。

【０１００】νに含まれる素子について、素子パラメー
タｐ_i の修正は以下の式に従う。

【０１０１】

【数１９】ｐ_i ←ｐ_i ＋Δｐ_i

【数２０】 ここで、γ_p はｐ_i の修正率を与える正係数であり、通
常は 0.1程度に設定する。ξ_p は、誤差に影響を与えな
い範囲で、Ｕ_i が強く反応する領域を広げる効果を持
つ。γ_p ＞＞ξ_p ＞０としておく。通常は、ξ_p ＝0.00
1 程度でよい。

【０１０２】なお、問題パターンと教師情報は、調整終
了後に消去される。

【０１０３】（３）第１実施例の効果 以上のように、第１実施例によれば、弱反応検出部１１
が、パターン認識における弱反応を検出するので、弱反
応を前提とした処理を行うことが可能となる。また、第
１実施例では、性能低下検出部１９が、ニューラルネッ
トにおける性能低下を検出するので、適切な時期にニュ
ーラルネットの調整を行うことができ、ニューラルネッ
トの性能低下によって、実際の運用上の支障が出ること
を未然に予防できる。

【０１０４】また、第１実施例では、問題パターン格納
部１２が問題パターンを格納するので、問題パターンを
自動的に収集することができる。このため、調整のため
に、使用環境において新規にサンプルを大量に採取した
り、ニューラルネットのパラメータの調整全体を最初か
らやり直す必要がなくなり、調整が効率化されるので、
調整コストが低廉となり、頻繁な調整が容易になる。特
に、調整全体のやり直しに要する膨大なサンプルに対す
る多数回の処理が不要となるので、調整のコストが一層
削減される。

【０１０５】特に、第１実施例では、問題パターンが選
択的に収集されるので、出現頻度が低いパターンを採取
するためにオペレータが長時間にわたって常時パターン
認識システムを監視したり、収集サンプル数を増大させ
る必要もなくなり、問題パターン収集の負担が軽減され
る。

【０１０６】また、第１実施例では、教師情報決定部１
５が、問題パターンに対応する教師情報を自動的に決定
するので、ニューラルネットの調整における負担が軽減
される。また、第１実施例では、教師情報付加作業支援
部１８が教師情報付加作業を効果的に支援するので、ニ
ューラルネットの調整にかかる負担が一層軽減される。

【０１０７】また、第１実施例では、妥当性判定部１７
が、各パターンに対応して教師情報決定部１５が決定し
た教師情報に基づいて、当該パターンに対するニューラ
ルネットの認識結果の妥当性を確認するので、弱反応を
生じないが誤った認識を生じるようなパターンを検出・
収集することが可能となる。

【０１０８】また、第１実施例では、調整部２０が、問
題パターン及び教師情報に基づいてニューラルネットの
パラメータを自動的に調整するので、パターン認識シス
テムの使用現場における簡便かつ低廉な調整が可能とな
る。

【０１０９】以上説明したように、第１実施例によれ
ば、パターンに対するニューラルネットの弱反応や性能
低下を検出し、適切な時期にニューラルネットの調整が
行えると共に、調整作業自体をも有効に支援し、低廉・
簡便・容易にニューラルネットの調整を行う、優れたパ
ターン認識システムを提供することができる。したがっ
て、第１実施例のパターン認識システムは、大規模、複
雑な認識対象に好適なものであり、特に、パターンの母
集団の特性が条件によって変化するようなパターンに対
しても迅速に対応し得るものである。

【０１１０】この結果、第１実施例は、例えば、文字・
音声の認識、特性が経年変化する電力系統・化学プラン
ト等大規模系の状態監視、電力需要・株式や為替市況の
予測、部材の表面瑕疵検出など、人間の能力では困難な
パターン認識に広く応用することができる。

【０１１１】Ｂ．第２実施例 （１）第２実施例の構成 第２実施例は、本発明を適用した監視システムであり、
図９は、第２実施例の構成を示すブロック図である。第
２実施例は、この図に示すように、監視対象である電力
系統２１（前記対象系に相当するもの）の状態を表す状
態データを収集・入力するデータ収集装置２２と、前記
状態データに基づいて電力系統２１の状態を認識するこ
とによって電力系統２１の状態を監視する監視ユニット
２３と、この監視ユニット２３からは遠隔の地点に設け
られ、前記認識の結果に基づいて電力系統２１を制御す
る系統制御装置２４と、監視ユニット２３と系統制御装
置２４とを接続する通信機構２５を有する。

【０１１２】このうち、データ収集装置２２は、図示は
しないが、電力系統２１の各部に取り付けられた各種セ
ンサと、前記センサからの出力信号を前記状態データで
あるデジタル信号に変換するＡＤ変換器とを備えてい
る。

【０１１３】また、監視ユニット２３は、状態データか
らパターンを生成するパターン生成部２６と、パターン
を認識するニューラルネットの挙動を演算するニューラ
ルネットドライバ２７と、前記ニューラルネットの諸元
を決定するパラメータを格納するパラメータ格納部２８
と、ニューラルネットの認識における弱反応を検出する
弱反応検出部２９（前記弱反応検出手段に相当するも
の）と、弱反応検出時に警報信号を発生する警報部３０
とを有する。なお、データ収集装置２２及びパターン生
成部２６は、前記入力手段を構成している。また、ニュ
ーラルネットの動作を実現するニューラルネットドライ
バ２７及びパラメータ格納部２８は、前記認識手段を構
成している。

【０１１４】また、系統制御装置２４は、警報を表示す
るための表示装置３１と、電力系統２１を制御するため
の図示しない制御機構とを備えている。なお、監視ユニ
ット２３の警報部３０、通信機構２５及び系統制御装置
２４は、前記報知手段を構成している。

【０１１５】第２実施例におけるニューラルネットは、
第１実施例と同様に、入力されたパターンが、複数の認
識結果候補のいずれに該当するかを認識するものであ
る。そして、このニューラルネットにおける認識結果候
補は、電力系統２１上で発生することが予測される全て
の状態を表す各種のパターンである。なお、このニュー
ラルネットのパラメータは、予め、認識結果候補に基づ
いてパターンを認識するように調整され、パラメータ格
納部２８に格納されている。

【０１１６】（２）第２実施例の作用 上記のような構成を有する第２実施例における電力系統
２１の状態の監視は、次のように行なわれる。すなわ
ち、前記センサ群が、所定のサンプリング間隔で電力系
統２１上の各種の状態量、例えば、電圧、相差角、通過
電力をアナログ信号で出力する。ＡＤ変換器は、これら
アナログ信号を一定の変域の値に規格化しデジタル信号
である状態データに変換し、監視ユニット２３に提供す
る。監視ユニット２３のパターン生成部２６は、状態デ
ータからノイズを除去し、各測定点で計測されたスカラ
ー値から電力系統２１全体の状態を表すベクトルパター
ンであるパターンを生成しニューラルネットドライバ２
７に提供する。

【０１１７】ニューラルネットは、パターンに対する認
識結果として、電力系統２１に対する状態評価を生成す
る。なお、ニューラルネットが電力系統２１の状態評価
のみならず、一定時間後の状態予測などを生成するよう
にしてもよい。認識結果である状態評価は、パターンと
共に、通信機構２５を通じて系統制御装置２４へ送信さ
れると共に、弱反応検出部２９へ提供される。

【０１１８】なお、ニューラルネットは、パターンに対
して、当該パターンが電力系統２１上に観測されるとき
の系統の状態を判定する。すなわち、この状態の判定
は、複数の評価項目の成立不成立で表現され、複数項目
の同時成立も許容される。ニューラルネットの出力層
は、このような状態の判定を出力するため、前記各評価
項目数と同数の素子を有し、ある評価項目が成立してい
る場合は、その成立に対する確信度に応じ、当該評価項
目に対応する素子が強い反応強度を生じる。

【０１１９】認識が行われると、弱反応検出部２９は、
第１実施例におけると同様に、ニューラルネットの各素
子の反応強度に関するデータに基づいて、いずれの評価
項目の確信度も所定の基準以下となる場合を検出する。
そして、ニューラルネットは全ての予測された状態のパ
ターンを学習しているから、これら以外の状態パターン
が観測された場合は、電力系統２１は異常状態にあると
考えられる。

【０１２０】このように弱反応が検出された場合は、警
報部３０が通信機構２５を通じて系統制御装置２４へ警
報信号を送信する。なお、監視ユニット２３を、弱反応
検出時に、この弱反応を生じさせたパターンを問題パタ
ーンとして保存するような構成にしてもよい。

【０１２１】警報信号を受信した系統制御装置２４は、
表示装置３１を通じて警報を発し、そのときのパターン
を表示するので、系統制御装置２４のオペレータは、こ
のパターンを参考に、系統制御装置２４に設けられた前
記制御機構を用いて電力系統２１を制御し、異常に対処
することができる。

【０１２２】［実例］次に、第２実施例を用いた電力系
統２１における異常検出の実例を説明する。この実例
は、電力系統２１の状態量を、２５か所の観測地点にお
ける電圧のみとしたものである。図１０は、実例におけ
る電圧を示すパターンである２５次元のベクトルパター
ンを示すグラフである。横軸には観測地点の番号を、縦
軸は、電圧の変動幅を変換し［０，１］の範囲に規格化
したのちの単位電圧である。

【０１２３】ニューラルネットは２５次元の電圧パター
ンが入力されると、出力層の各素子に対応する１２の評
価項目に基づいてパターンを認識・評価する。次の表
は、これら１２の評価項目の内容を示すものである。

【０１２４】

【表１】

【０１２５】また、図１１は、評価結果の一例を示す図
である。この図では、縦軸に評価項目を、横軸に各評価
項目成立の確信度をとっている。確信度は、評価項目に
対応する出力層の素子の反応強度である。この図の評価
は、パターンに対して、「昼間」、「電圧やや低下」、
「南東部」の３項目が肯定されており、換言すれば、
「系統は昼間の状態にあって、南東部において、電圧が
やや低下している」ことを意味する。

【０１２６】（３）第２実施例の効果 以上のように、第２実施例によれば、電力系統２１の予
測される状態を表す認識結果候補を前提とし、電力系統
２１の異常を、パターンに係る弱反応として検出・報知
するので、電力系統２１の異常状態の条件を積極的に定
めることなく、電力系統２１の予測外の異常を検出する
ことができる。

【０１２７】また、第２実施例によれば、認識手段とし
てニューラルネットを用いているので、認識の基準を系
統的に論理化することなく電力系統２１の異常を検出す
ることができる。

【０１２８】Ｃ．他の実施例 なお、本発明は、上記各実施例に限定されるものではな
く、その要旨を変更しない範囲で種々変形できるもので
あるから、次のような他の実施例をも包含するものであ
る。

【０１２９】例えば、上記各実施例では、認識手段とし
てニューラルネットを用いたが、認識手段としては、パ
ターンを認識する手段であればいかなるものを用いるこ
とも可能であり、例えば、主成分分析を基礎とする統計
的なパターン認識手法（一例としては、複合類似度法）
に基づいた認識手段を用いることもできる。

【０１３０】また、本発明のパターン認識システムは、
性能低下検出手段、問題パターン格納手段、教師情報決
定手段、教師情報付加作業支援手段、妥当性判定手段、
調整手段の全部又は一部を設けずに実施することもでき
る。また、第１実施例である文字認識装置は、パターン
認識の対象を文字としたが、本発明は、文字以外にもパ
ターンの母集団の統計的な性質が変化し得る大規模で複
雑な対象、例えば、音声認識、ソナー音響分析、化学プ
ラント監視、電力需要予測、株式・為替市況予測など各
種用途に適している。

【０１３１】また、第２実施例の監視システムは、電力
系統を監視対象としたが、本発明の監視システムは、化
学プラントなどあらゆる対象を監視対象とすることがで
きる。また、監視システムは、前記性能低下検出手段、
前記問題パターン格納手段、前記教師情報決定手段、前
記教師情報付加作業支援手段、前記妥当性判定手段、前
記調整手段を設けて実施することもできる。このように
すれば、電力需要傾向の変化などに対応し、認識手段で
あるニューラルネットを機動的に変更しながら異常検出
を行うことができる。

【０１３２】また、上記各実施例はコンピュータを用い
て実現されているが、その機能の全部又は一部は専用の
電子回路上に実現してもよい。例えば、認識手段である
ニューラルネットを実現するために、最近試みられてい
るニューラルネット専用演算装置を用いることも可能で
ある。

【０１３３】

【発明の効果】以上のように、本発明のパターン認識シ
ステムによれば、認識における弱反応を前提とした処
理、特に、パターンの母集団の特性変化に対応し、適時
かつ効率的な認識手段の調整を行うことが可能となる。
また、本発明の監視システムによれば、異常状態の条件
を積極的に定めることなく監視対象の予測外の状態を検
出することができる。

【図面の簡単な説明】

【図１】本発明の第１実施例の構成を示すブロック図。

【図２】同実施例におけるニューラルネットの構造を示
す概念図。

【図３】同実施例におけるニューラルネットの中間層の
素子配列を示す平面図。

【図４】同実施例におけるニューラルネットの中間層素
子の反応特性関数の概形を示す特性図。

【図５】同実施例における反応超球と結合荷重ベクトル
の関係を示す図。

【図６】同実施例における１文字分の手書き文字の画像
データの一例。

【図７】同実施例における郵便物の宛名記載部分の画像
の一例。

【図８】同実施例における問題パターン及び関連情報の
表示例。

【図９】本発明の第２実施例の構成を示すブロック図。

【図１０】同実施例の実例における電圧のパターンを示
すグラフ。

【図１１】同実施例の実例における評価結果の一例を示
すグラフ。

【符号の説明】

１…画像スキャナ ２…外部インタフェース ３…キーボード ４…マウス ５，３１…表示装置 ６…処理部 ７…Ｉ／Ｏ制御回路 ８，２７…ニューラルネットドライバ ９，２８…パラメータ格納部 １０…画像前処理部 １１，２９…弱反応検出部 １２…問題パターン格納部 １３…関連情報格納部 １４…辞書データ格納部 １５…教師情報決定部 １６…教師情報格納部 １７…妥当性判定部 １８…教師情報付加作業支援部 １９…性能低下検出部 ２０…調整部 ２１…電力系統 ２２…データ収集装置 ２３…監視ユニット ２４…系統制御装置 ２５…通信機構 ２６…パターン生成部 ３０…警報部

Claims (10)

【特許請求の範囲】
1. 【請求項１】 パターンを入力する入力手段と、 前記パターンが複数の認識結果候補のいずれに該当する
   かを認識する認識手段と、 前記認識の結果を出力する出力手段とを有するパターン
   認識システムにおいて、 前記認識における弱反応を検出する弱反応検出手段を備
   えたことを特徴とするパターン認識システム。
2. 【請求項２】 前記認識手段の性能低下を検出する性能
   低下検出手段を備えたことを特徴とする請求項１記載の
   パターン認識システム。
3. 【請求項３】 前記弱反応を生じさせた前記パターンで
   ある問題パターンを格納する問題パターン格納手段を備
   えたことを特徴とする請求項１記載のパターン認識シス
   テム。
4. 【請求項４】 前記問題パターンに対応する正しい認識
   結果を表す情報である教師情報を決定する教師情報決定
   手段を備えたことを特徴とする請求項３記載のパターン
   認識システム。
5. 【請求項５】 前記パターンに対応する前記教師情報に
   基づいて、当該パターンに対する前記認識の結果の妥当
   性を判定する妥当性判定手段を備えたことを特徴とする
   請求項４記載のパターン認識システム。
6. 【請求項６】 前記問題パターン及び当該問題パターン
   に対応する前記教師情報に基づいて前記認識手段を調整
   する調整手段を備えたことを特徴とする請求項４記載の
   パターン認識システム。
7. 【請求項７】 前記問題パターンと、当該問題パターン
   に関連する関連情報を出力することによって前記問題パ
   ターンに対する前記教師情報の付加作業を支援する教師
   情報付加作業支援手段を備えたことを特徴とする請求項
   ３記載のパターン認識システム。
8. 【請求項８】 前記認識手段として、ニューラルネット
   を用いたことを特徴とする請求項１記載のパターン認識
   システム。
9. 【請求項９】 監視対象である対象系の状態を表すパタ
   ーンを入力する入力手段と、 前記パターンが複数の認識結果候補のいずれに該当する
   かを認識する認識手段とを有し、 前記複数の認識結果候補は、前記対象系における予測さ
   れた状態であり、 前記認識における弱反応を検出する弱反応検出手段と、 前記弱反応の検出を報知する報知手段を備えたことを特
   徴とする監視システム。
10. 【請求項１０】 前記認識手段として、ニューラルネッ
    トを用いたことを特徴とする請求項９記載の監視システ
    ム。