JP2001083986A - 統計モデル作成方法 - Google Patents
統計モデル作成方法Info
- Publication number
- JP2001083986A JP2001083986A JP26193599A JP26193599A JP2001083986A JP 2001083986 A JP2001083986 A JP 2001083986A JP 26193599 A JP26193599 A JP 26193599A JP 26193599 A JP26193599 A JP 26193599A JP 2001083986 A JP2001083986 A JP 2001083986A
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning data
- likelihood
- learning
- 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.)
- Granted
Links
Abstract
統計モデルを学習させて精度を向上することを目的とし
ている。 【解決手段】 HMMを学習する際にその学習データの
尤度を計算し、その尤度を基準として学習データを選択
し、その選択した結果の学習データを用いて音響モデル
を生成するようにする。
Description
字、図形などのような認識すべき対象を、統計モデル、
例えば隠れマルコフモデル(Hidden Markov Model,以下
HMMと記す)(例えば中川他“確率モデルにおける音
声認識”,電子情報通信学会,1997)、を用いて表
現するパターン認識において、モデル作成時に尤度を用
いてモデル作成時の学習データを選択することによっ
て、頑健で高性能なモデルを作成し、この統計モデルを
用いて認識実行時の認識率の向上を目指し、かつHMM
作成時間を短縮できる統計モデル作成方法に関する。
入力音声データが如何なるカテゴリに属するかを認識す
るに当たって、当該入力音声データの特徴を統計モデル
で表して、当該統計モデル(以下では、説明をより具体
的にするためにHMMと記すが、他のいかなる統計(確
率)モデル、例えばニューラルネット等であってもよ
い)を用いた様々なパターン認識をする場合に作成する
モデルにおいて適用可能である。
たHMM(音素モデル、音節モデル、単語モデルなど)
と入力音声データとを照合して両者の整合の程度を尤度
として求め、認識結果を得る。HMMのパラメータは学
習用音声データを収録した条件(背景雑音、回線歪み、
話者など)に大きく依存する。したがって、この音声収
録条件と実際の認識時が異なる場合、入力音声パターン
とHMMとの不整合が生じ、結果として認識率が低下す
る。
Mとの不整合による認識率の低下を防ぐには、認識を実
行する際の条件と同じ条件で収録した音声データを用い
て、モデルを作成すれば良い。しかし、HMMのような
統計的手法に基づくモデルは、作成処理に時間がかかる
(約400時間以上)。またこれら音声データの中に
は、評価の対象となる音声データ(以下、評価データと
記す)と大きく特性が異なるものが含まれている。この
ような音声を学習に用いた場合、HMMの精度が悪化す
る恐れがある。
その目的とするところは、HMMを学習する際にその学
習データの尤度を計算し、その尤度を基準として学習デ
ータを選択する方法を提供することによって認識率を向
上させ、かつHMM作成時間を短縮する事にある。
め、請求項1記載の発明では、入力データに対応する入
力ベクトル時系列に対し、各認識カテゴリの特徴を表現
した統計モデルを用いて、各認識カテゴリに対する尤度
を計算し、最も尤度の高い統計モデルが表現するカテゴ
リを認識結果として出力するパターン認識において、モ
デル作成時に用いる学習データを、学習データの尤度を
求めるための予備統計モデルを作成し、この予備統計モ
デルを用いて、学習データに学習データと同じカテゴリ
を与えた場合での尤度を求めて、その学習データの尤度
を判断基準として選択し、選択した学習データのみを用
いて統計モデルを学習するようにする。
時の判断基準である尤度を用い、学習データの正解に対
する尤度を求め、閾値を設けて学習データの取捨選択を
行う。
択の基準に尤度値を閾値として用いて、尤度が閾値以上
の入力データを取捨選択する。
の選択の基準に、入力データを尤度の高い順番に並べ、
上位のデータを用いるようにする。
示す。この様なモデルを音声単位(カテゴリ)ごとに作
成する。各状態S1からS3には、音声特徴パラメータ
の統計的な分布D1からD3がそれぞれ付与される。例
えば、これが音素モデルであるとすると、第1状態は音
素の始端付近、第2状態は中心付近、第3状態は終端付
近の特徴量の統計的な分布を表現する。
布形状を表現するために、複数の連続確率分布(以下、
混合連続分布と記す)の合成されたものとして表現され
る場合が多い。連続確率分布には、様々な分布が考えら
れるが、正規分布が用いられる場合が多い。また、それ
ぞれの正規分布は、特徴量と同じ次元数の多次元無相関
正規分布で表現されることが多い。
では平均値ベクトルがμ1 、分散値がσ1 である正規分
布N(μ1 ,σ1 )と同様なN(μ2 ,σ2 )と同様な
N(μ3 ,σ3 )との3つの正規分で表現された場合と
して示されている。例えば分布D1の如き分布が図1B
に示す如き3つの正規分で表現されたものとして与えら
れる。
数) に対する混合連続分布HMMの状態での出力確率b(X
t )は、
含まれるk番目の多次元正規分布kに対する重み係数を
表す。多次元正規分布kに対する確率密度Pk (Xt )
は
k番目の多次元正規分布kに対する平均値ベクトル、Σ
k は同じく共分散行列を表す。共分散行列が対角成分の
み、つまり対角共分散行列であるとすると、P
k (Xt )の対数値は、
規分布の平均値ベクトルの第i番目の成分を,σk,i は
状態の第k番目の多次元正規分布の共分散行列の第i番
目の対角成分(分散値)を表す。このように尤度はHM
Mと音声データの類似度とを表す。
示す。音声データを音響分析部で分析し、その音声に対
応する正解ラベルを用いて、HMMは上記のW、μ、σ
を推定するように初期音響モデルから作成される。
・・」や「テレビゲームや・・・」の如きデータが与え
られるとき、正解ラベル(音韻列)として上記夫々の音
声データに対応する「arayuru・・・」や「te
lebi・・・」が用意される。そして、例えば「a」
や「r」や・・・の夫々に対応して、学習の結果で得ら
れるべき音響モデルのいわば見本として、初期音響モデ
ルが用意される。
対応して、26次元でかつ4混合で3状態のものとし
て、合計312個の正規分布 N(μ1 ,σ1 ),N(μ2 ,σ2 )・・・・・N(μ312 ,σ312 ) を指定すべく μ1 (平均) 0.0;σ1 (分散) 1.0 μ2 (平均) 0.0;σ2 (分散) 1.0 ・・・ が指示される。図示の学習部は、(i)夫々の音声デー
タについて音響分析部にて分析して得た線形予測分析
(LPC)ケプストラムや他のMFCC(メルケプスト
ラム)等と、(ii)正解ラベルと、(iii)初期音響モデ
ルとを与えられて、学習の結果で、例えば「a」が μ1 (平均) 0.01;σ1 (分散) 0.2 μ2 (平均)−0.03;σ2 (分散) 0.04 ・・・ の如き複数個の正規分布の合成されたもので代表される
ものであることを得る。
対象となる入力データ中の例えば「a」について、上記
と同様な音響モデルを得た上で、正解となる「a」につ
いての音響モデルとの距離を計算して、当該入力データ
中の上記「a」が正解「a」に対応するものであると認
識するようにする。
の (i)学習アルゴリズム(離散HMM) (ii)学習アルゴリズム(多次元正規分布) (iii)学習アルゴリズム(混合正規分布) (iv)学習アルゴリズム(半連続HMM) などを用いることができる。当該夫々のアルゴリズムに
ついては、鹿野清宏、中村哲、伊勢史郎著、発行者 阿
井國昭、発行所 株式会社昭晃堂 1997年11月1
0日初版1刷発行「音声・音情報のディジタル信号処理
(ディジタル信号処理シリーズ5)」の第74頁ないし
第79頁に解説されており、本発明者は実験に当たっ
て、上記の「学習アルゴリズム(混合正規分布)」を用
いた。
では、図3のように、認識候補のモデルについて、尤度
計算を入力音声の各フレームの特徴量ベクトルに対して
行い、得られる全音声の累積をフレーム数で割った尤度
の対数値と認識候補とが記述されている単語辞書を用
い、認識結果を出力する。
2において得られている「音響モデル」が使用され、評
価データ(即ち、認識対象となる入力データ)例えば
「でもやる事について男女の差はありません」や「日米
関係は重要であろう」・・・などが与えられて、音響分
析部で上述のLPCケプストラムが得られた上で、認識
部に供給される。
「単語辞書」と対応づけて認識処理が行われるが、本発
明では従来技術より好ましい「音響モデル」が得られ
る。
Cケプストラムを用いて得た音響モデルと上述の図2に
示す如き「音響モデル」との距離を計算して、例えば
「d」「e」「m」「o」「y」「a」・・・について
の認識を得て、「単語辞書」を利用して、「認識結果」
を得る。
「単語辞書」と対応づけて認識処理が行われるが、本発
明では、より好ましい「音響モデル」を得られる。
度を用い、学習データの正解に対する尤度を求め、閾値
を設けて学習データの取捨選択を行う。このように尤度
を判断基準とすることで、正解ラベルが間違っているデ
ータや、雑音を含むデータや、音声が途中で切れている
データなどを除外する事ができる。
フローチャートを示す。尤度を求めるために用いる「音
響モデル1(HMM1)」を学習するための「学習デー
タ1」と、認識用の「音響モデル2(HMM2)」を学
習するためのデータで選択対象である「学習データ2」
とを用意する。このとき学習データ2は学習データ1を
含んでも含まなくても良い。
(「音響モデル1」)を作成する。ここで作成した予備
HMM1を用いて、学習データ2の各データに対して正
解(例えば正解音素列)を与えた時の尤度を求める。次
にこの尤度に閾値を設け、閾値以上の尤度がある学習デ
ータ2’を選び出して、認識処理のための音響モデル2
を生成する。
するフローチャートを示す。図5においては「学習デー
タ2」として、「予防や健康管理リハビリテーション・
・・」や「出口のない・・・」の如きものが任意に与え
られる。そして、「音響分析部」によりLPCケプスト
ラムを得て、「音響モデル1(図2の「音響モデル」;
図4の「音響モデル1」)」を用い、「正解ラベル」
(図2の如き正解ラベル)を用いて、「尤度計算部」に
て尤度を計算する。
ータ2」として入力した各学習データについて、尤度の
高いものから順に並べる。図示の場合No.3の「わずかな
収入をやりくりして」が尤度「79.6」を得、No.5の
ものが尤度「77.7」を得、No.2の「出口のない・・
・」が尤度「74.8」を得・・・ていることが判った
とき、「学習データ2’」(図4の「学習データ
2’」)としてNo.3のもの、No.5のもの、No.2のもの、
No.6のもの、No.1のもの、No.7のものが夫々尤度として
「70」以上であったとして選択される。
選択するフローチャートを示す。上位数%から数十%の
学習データを選択し、学習データ2’を作成する。即
ち、図6の場合には、尤度の高いものから、全体の上位
x%の学習データを選択する。図示の場合には、No.3の
もの、No.5のもの、No.2のもの、No.6のもの、No.1のも
のが上位x%に入るものとして選択されている。即ち
「学習データ2’」として選択されている。
2’」を選択し、この学習データ2’を用いて再び図4
に示す如く、「音響モデル2(HMM2)」を作成す
る。
タ2’の量を調節する事が出来、HMM2の作成に必要
な時間を調節する事が可能になる。
実験を行った。HMMを作成する際に用いているマシン
はSun Ultra Enterprise 450MHz である。学習デー
タはニュース放送音声を用いており、評価にはニュース
音声50文を認識させている。語彙サイズは20000
語である。実験結果を
っていない、6666文を用いて300時間かけて学習
したモデルの認識率は93.23%で、本発明の学習デ
ータ選択により3894文を用いて240時間かけて学
習したモデルの認識率は93.79%となった。上記の
ように本発明による学習データ選択を行うことでHMM
の作成時間は60時間短縮され、また認識率も0.56
%の改善が見られた。
MMを作成する場合においては学習データを特に尤度を
用いて選択する事によって、認識率が向上し、かつHM
Mを作成する際の時間を短縮することが出来る。また学
習データとして一般に特定の話者ならびに発声状態の音
声が用いられうる。かかる音声によって作成された音響
モデルを使用して音声認識を行うと学習時とは特性の異
なる音声に対して認識率が著しく低下する。しかし、本
発明では予め学習されたモデルとの尤度を計算し、尤度
が異常な値をとる音声を学習データとして使用すること
が避けられる。そのため、作成された音響モデルを用い
た認識率の低下を抑制することが可能になる。
示す。
る例を示す。
採用するようにした例を示す。
Claims (3)
- 【請求項1】 入力データに対応する入力ベクトル時系
列に対し、各認識カテゴリの特徴を表現した統計モデル
を用いて、各認識カテゴリに対する尤度を計算し、最も
尤度の高い統計モデルが表現するカテゴリを認識結果と
して出力するパターン認識において、 モデル作成時に用いる学習データを、学習データの尤度
を求めるための予備統計モデルを作成し、この予備統計
モデルを用いて、学習データに学習データと同じカテゴ
リを与えた場合での尤度を求めて、その学習データの尤
度を判断基準として選択し、選択した学習データのみを
用いて統計モデルを学習することを特徴とする統計モデ
ル作成方法。 - 【請求項2】 請求項1において、学習データの選択の
基準に尤度値を閾値として用いて、尤度が閾値以上の入
力データを用いるようにしたことを特徴とする統計モデ
ル作成方法。 - 【請求項3】 請求項1において、学習データの選択の
基準に、入力データを尤度の高い順番に並べ、上位のデ
ータを用いるようにしたことを特徴とする統計モデル作
成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26193599A JP3525082B2 (ja) | 1999-09-16 | 1999-09-16 | 統計モデル作成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26193599A JP3525082B2 (ja) | 1999-09-16 | 1999-09-16 | 統計モデル作成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2001083986A true JP2001083986A (ja) | 2001-03-30 |
JP3525082B2 JP3525082B2 (ja) | 2004-05-10 |
Family
ID=17368742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP26193599A Expired - Lifetime JP3525082B2 (ja) | 1999-09-16 | 1999-09-16 | 統計モデル作成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3525082B2 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065533A (ja) * | 2005-09-02 | 2007-03-15 | Advanced Telecommunication Research Institute International | 音響モデル生成装置、およびプログラム |
JP2008241970A (ja) * | 2007-03-27 | 2008-10-09 | Kddi Corp | 話者適応装置、話者適応方法及び話者適応プログラム |
JP2009128490A (ja) * | 2007-11-21 | 2009-06-11 | Nippon Telegr & Teleph Corp <Ntt> | 学習データ選択装置、学習データ選択方法、プログラムおよび記録媒体、音響モデル作成装置、音響モデル作成方法、プログラムおよび記録媒体 |
JP2009251510A (ja) * | 2008-04-10 | 2009-10-29 | Nippon Hoso Kyokai <Nhk> | 音響処理装置およびプログラム |
JP2014109698A (ja) * | 2012-12-03 | 2014-06-12 | Nippon Telegr & Teleph Corp <Ntt> | 話者適応化装置、話者適応化方法、プログラム |
JP2016161762A (ja) * | 2015-03-02 | 2016-09-05 | 日本電信電話株式会社 | 学習データ生成装置、方法及びプログラム |
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2020123198A (ja) * | 2019-01-31 | 2020-08-13 | 中国電力株式会社 | 予測システム、予測方法 |
JP2021026406A (ja) * | 2019-08-01 | 2021-02-22 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2021131528A (ja) * | 2020-02-19 | 2021-09-09 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | ユーザ意図認識方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム |
-
1999
- 1999-09-16 JP JP26193599A patent/JP3525082B2/ja not_active Expired - Lifetime
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065533A (ja) * | 2005-09-02 | 2007-03-15 | Advanced Telecommunication Research Institute International | 音響モデル生成装置、およびプログラム |
JP4654452B2 (ja) * | 2005-09-02 | 2011-03-23 | 株式会社国際電気通信基礎技術研究所 | 音響モデル生成装置、およびプログラム |
JP2008241970A (ja) * | 2007-03-27 | 2008-10-09 | Kddi Corp | 話者適応装置、話者適応方法及び話者適応プログラム |
JP2009128490A (ja) * | 2007-11-21 | 2009-06-11 | Nippon Telegr & Teleph Corp <Ntt> | 学習データ選択装置、学習データ選択方法、プログラムおよび記録媒体、音響モデル作成装置、音響モデル作成方法、プログラムおよび記録媒体 |
JP2009251510A (ja) * | 2008-04-10 | 2009-10-29 | Nippon Hoso Kyokai <Nhk> | 音響処理装置およびプログラム |
JP2014109698A (ja) * | 2012-12-03 | 2014-06-12 | Nippon Telegr & Teleph Corp <Ntt> | 話者適応化装置、話者適応化方法、プログラム |
JP2016161762A (ja) * | 2015-03-02 | 2016-09-05 | 日本電信電話株式会社 | 学習データ生成装置、方法及びプログラム |
WO2018079840A1 (ja) * | 2016-10-31 | 2018-05-03 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2018077814A (ja) * | 2016-10-31 | 2018-05-17 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JPWO2018079840A1 (ja) * | 2016-10-31 | 2019-09-19 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP7021097B2 (ja) | 2016-10-31 | 2022-02-16 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP2020123198A (ja) * | 2019-01-31 | 2020-08-13 | 中国電力株式会社 | 予測システム、予測方法 |
JP7342369B2 (ja) | 2019-01-31 | 2023-09-12 | 中国電力株式会社 | 予測システム、予測方法 |
JP2021026406A (ja) * | 2019-08-01 | 2021-02-22 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP7406885B2 (ja) | 2019-08-01 | 2023-12-28 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2021131528A (ja) * | 2020-02-19 | 2021-09-09 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | ユーザ意図認識方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム |
US11646016B2 (en) | 2020-02-19 | 2023-05-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for recognizing user intention, device, and readable storage medium |
Also Published As
Publication number | Publication date |
---|---|
JP3525082B2 (ja) | 2004-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0831456B1 (en) | Speech recognition method and apparatus therefor | |
Reynolds et al. | Robust text-independent speaker identification using Gaussian mixture speaker models | |
US6868380B2 (en) | Speech recognition system and method for generating phonotic estimates | |
US9972306B2 (en) | Method and system for acoustic data selection for training the parameters of an acoustic model | |
EP0470245B1 (en) | Method for spectral estimation to improve noise robustness for speech recognition | |
JP2002500779A (ja) | 識別訓練されたモデルを用いる音声認識システム | |
JP3299408B2 (ja) | 動的特徴を使用した音声認識方法及び装置 | |
CN106847259B (zh) | 一种音频关键词模板的筛选和优化方法 | |
JPH09160584A (ja) | 音声適応化装置および音声認識装置 | |
EP0709826B1 (en) | Pattern recognition method | |
JP3298858B2 (ja) | 低複雑性スピーチ認識器の区分ベースの類似性方法 | |
WO2022148176A1 (en) | Method, device, and computer program product for english pronunciation assessment | |
JP3130524B2 (ja) | 音声信号認識方法およびその方法を実施する装置 | |
US7133827B1 (en) | Training speech recognition word models from word samples synthesized by Monte Carlo techniques | |
Lai et al. | Phone-aware LSTM-RNN for voice conversion | |
JP2001083986A (ja) | 統計モデル作成方法 | |
JP5091202B2 (ja) | サンプルを用いずあらゆる言語を識別可能な識別方法 | |
Martinčić-Ipšić et al. | Croatian large vocabulary automatic speech recognition | |
JP2982689B2 (ja) | 情報量基準を用いた標準パターン作成方式 | |
US7454337B1 (en) | Method of modeling single data class from multi-class data | |
JP2996925B2 (ja) | 音素境界検出装置及び音声認識装置 | |
Sundaram | Effects of Transcription Errors on Supervised Learning in Speech Recognition | |
US20240153493A1 (en) | Techniques for improved audio processing using combinations of clipping engines and acoustic models | |
Kovács | Noise robust automatic speech recognition based on spectro-temporal techniques | |
JPH07160287A (ja) | 標準パターン作成装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040210 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040216 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 3525082 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080220 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090220 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090220 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100220 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110220 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110220 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120220 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130220 Year of fee payment: 9 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
EXPY | Cancellation because of completion of term |