JP2002073076A - Pattern recognition method, pattern recognition device and recording medium - Google Patents

Pattern recognition method, pattern recognition device and recording medium

Info

Publication number
JP2002073076A
JP2002073076A JP2000267803A JP2000267803A JP2002073076A JP 2002073076 A JP2002073076 A JP 2002073076A JP 2000267803 A JP2000267803 A JP 2000267803A JP 2000267803 A JP2000267803 A JP 2000267803A JP 2002073076 A JP2002073076 A JP 2002073076A
Authority
JP
Japan
Prior art keywords
vector
data
learning
discrimination
data vector
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
Application number
JP2000267803A
Other languages
Japanese (ja)
Other versions
JP4827285B2 (en
Inventor
Hiroyasu Kumaki
弘泰 熊木
Naoya Miyano
尚哉 宮野
Muneo Harada
宗生 原田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Steel Corp
Original Assignee
Sumitomo Metal Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sumitomo Metal Industries Ltd filed Critical Sumitomo Metal Industries Ltd
Priority to JP2000267803A priority Critical patent/JP4827285B2/en
Publication of JP2002073076A publication Critical patent/JP2002073076A/en
Application granted granted Critical
Publication of JP4827285B2 publication Critical patent/JP4827285B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P20/00—Technologies relating to chemical industry
    • Y02P20/50—Improvements relating to the production of bulk chemicals
    • Y02P20/52—Improvements relating to the production of bulk chemicals using catalysts, e.g. selective catalysts

Landscapes

  • Image Analysis (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide a pattern recognition method by which an increase in computation time arising from re-learning, and an extensive use of computer resources can be reduced, and efficiency and accuracy in pattern recognition can be improved, and to provide a pattern recognition device for performing the method, and a recording medium on which a computer program for operating a computer as the device is recorded. SOLUTION: A learning data vector that has the distance between a discrimination plane and a plurality of learning data vectors within a prescribed range is selected as a re-learning data vector. A sampled data vector is discriminated by using the discrimination plane. When a need for re-learning arises, the discrimination plane is re-calculated by using the re-learning data vector including the sampled data vector.

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【０００１】[0001]

【発明の属する技術分野】本発明は、音声認識、画像認
識等のパターン認識に関し、特に認識の再学習を行なう
パターン認識方法、該パターン認識方法を実施するため
のパターン認識装置、及びコンピュータを前記パターン
認識装置として機能させるためのコンピュータプログラ
ムが記録されている記録媒体に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to pattern recognition such as voice recognition and image recognition, and more particularly to a pattern recognition method for performing re-learning of recognition, a pattern recognition apparatus for performing the pattern recognition method, and a computer. The present invention relates to a recording medium on which a computer program for functioning as a pattern recognition device is recorded.

【０００２】[0002]

【従来の技術】コンピュータを用いた、音声認識、画像
認識等のパターン認識においては、音声、画像等の対象
から得られる空間的又は時間的に分布したデータである
パターンを認識する際、まず、音声、画像等の対象から
該対象のパターンの特徴を表現する特徴データと、その
対象の分類であるカテゴリを示すカテゴリデータを所定
の方式に従って生成する。音声認識の場合、例えば人間
の声をマイクロホンで集音した電気信号をＡ／Ｄ（アナ
ログ／デジタル）変換器でデジタル化してコンピュータ
での利用が可能な特徴データに変換する。音声認識の場
合のカテゴリデータは、例えば音声「あ」をカテゴリＡ
とし、「あ」以外の音声「い」「う」「え」等をカテゴ
リＢとして、カテゴリＡのカテゴリデータを１、カテゴ
リＢのカテゴリデータを−１と定める。2. Description of the Related Art In pattern recognition such as voice recognition and image recognition using a computer, when recognizing a pattern that is spatially or temporally distributed data obtained from an object such as voice or image, first, Feature data expressing features of a pattern of the target from a target such as voice and image and category data indicating a category as a classification of the target are generated according to a predetermined method. In the case of voice recognition, for example, an electric signal obtained by collecting a human voice by a microphone is digitized by an A / D (analog / digital) converter and converted into feature data usable by a computer. The category data in the case of voice recognition is, for example, the voice "A"
The voices other than "A", such as "I", "U", "E", are defined as category B, category data of category A is defined as 1, and category data of category B is defined as -1.

【０００３】コンピュータは、特徴データとカテゴリデ
ータとの組の入力を多数受け付け、該特徴データとカテ
ゴリデータとの組から前記対象のパターンの特徴とカテ
ゴリとを関連付ける知識を生成する。該知識は、未知の
対象のパターンの特徴データからその対象のカテゴリを
判別することが出来るものであり、前記知識をコンピュ
ータが生成することを学習という。学習のために特徴デ
ータを用いるとき、その特徴データを学習データと呼
ぶ。一方、パターン認識を行なうべき未知の対象の特徴
データを標本データと呼ぶ。パターン認識とは、前記知
識を用いて標本データから対象のカテゴリを判別するこ
とである。また、学習データから知識を生成した後、よ
りカテゴリ判別精度の高い知識を生成するために再び学
習することを再学習と呼び、再学習を行なうときに用い
る特徴データを再学習データと呼ぶ。A computer receives a large number of input sets of feature data and category data, and generates knowledge for associating the feature of the target pattern with a category from the set of the feature data and category data. The knowledge can determine the category of the target from the characteristic data of the pattern of the unknown target, and the generation of the knowledge by a computer is called learning. When feature data is used for learning, the feature data is called learning data. On the other hand, feature data of an unknown target to be subjected to pattern recognition is called sample data. Pattern recognition refers to discriminating a target category from sample data using the knowledge. Re-learning to generate knowledge with higher category discrimination accuracy after generating knowledge from learning data is referred to as re-learning, and feature data used when performing re-learning is referred to as re-learning data.

【０００４】パターン認識の方法には、あらかじめ登録
されたパターンと標本データから得られるパターンとを
照合して相関係数が１に近いものを選び出す方法、あら
かじめ学習を行なったニューラルネットワークに標本デ
ータを入力して出力を得る方法、又は多次元空間内をカ
テゴリに対応する領域に区分して判別する判別面をあら
かじめ求めておき、該判別面と標本データとの位置関係
を調べ、該標本データが前記判別面に対してどちらの側
にあるか、即ち標本データが前記多次元空間内のどの領
域に位置するかを調べることによりカテゴリを判別する
方法等がある。[0004] Pattern recognition methods include a method in which a pattern registered in advance and a pattern obtained from sample data are compared to select a pattern having a correlation coefficient close to 1, or a method in which sample data is stored in a neural network that has been trained in advance. A method of inputting and obtaining an output, or a discriminant plane for discriminating by dividing the multidimensional space into regions corresponding to categories is obtained in advance, and the positional relationship between the discriminant plane and the sample data is examined. There is a method of determining the category by examining which side of the discrimination plane is located, that is, in which region in the multidimensional space the sample data is located.

【０００５】以下では、簡単のため、標本データが２個
のカテゴリ（カテゴリＡ，カテゴリＢ）のいずれに属す
るかを判別面を用いて判別する場合について従来のパタ
ーン認識の実施方法を述べる。In the following, for the sake of simplicity, a conventional method of performing pattern recognition will be described for a case where a sample data belongs to one of two categories (category A and category B) using a discrimination plane.

【０００６】複数の学習データが、２次元平面におい
て、ある線のどちら側に位置するか、３次元空間におい
て、ある平面のどちら側に位置するか、又はｍ次元空間
において、ある超平面のどちら側に位置するかを調べる
ことによってカテゴリＡであるかカテゴリＢであるかを
区別出来る（線形分離可能である）とき、前述の線を判
別線と呼び、平面、超平面を判別面と呼ぶ。コンピュー
タは、学習データとカテゴリデータとの組から対象のパ
ターンがどのカテゴリに属するかを学習し、未知の対象
のカテゴリを判別するために用いることが出来る判別面
を算出する。判別面は、評価汎関数（真のカテゴリデー
タの出力値と判別されたカテゴリデータの出力値との２
乗誤差の総和）が最小となるように最適化される（例え
ば勾配降下法を用いる）が、このとき得られる判別面
は、未知の標本データをカテゴリ判別したときの認識誤
差（汎化誤差）を制御することが出来ず、従来、認識精
度低下の一つの要因となっていた。[0006] A plurality of learning data are located on which side of a certain line in a two-dimensional plane, on which side of a certain plane in a three-dimensional space, or which of a certain hyperplane in an m-dimensional space. When it is possible to distinguish between category A and category B by examining whether it is located on the side (linear separation is possible), the above-mentioned line is called a discrimination line, and the plane and hyperplane are called discrimination planes. The computer learns which category the target pattern belongs to from a set of the learning data and the category data, and calculates a discrimination surface that can be used for discriminating the unknown target category. The discriminant plane is an evaluation functional (2 of the output value of the true category data and the output value of the discriminated category data).
(The sum of the squared errors) is optimized (for example, using the gradient descent method), but the discrimination plane obtained at this time is a recognition error (generalization error) when the unknown sample data is classified into categories. Has not been able to be controlled, which has conventionally been one of the causes of a decrease in recognition accuracy.

【０００７】判別面を用いて標本データのカテゴリ判別
を行なうパターン認識の内、学習データに含まれない未
知の標本データに対する認識誤差をあらかじめ見積るこ
とが出来るパターン認識法として、サポートベクトルマ
シーンが提案されている(Vapnik,V.N.:The Nature of S
tatistical Learning Theory,Springer-Verlag,1995)。[0007] Among pattern recognition in which the category of sample data is discriminated using a discrimination plane, a support vector machine has been proposed as a pattern recognition method capable of estimating a recognition error for unknown sample data not included in learning data in advance. (Vapnik, VN: The Nature of S
tatistical Learning Theory, Springer-Verlag, 1995).

【０００８】以下に、サポートベクトルマシーンによる
パターン認識の手順を述べる。The procedure of pattern recognition using a support vector machine will be described below.

【０００９】集音した音、声等の対象から生成した学習
データ及び標本データを、ｍ次元ベクトルである学習デ
ータベクトル及び標本データベクトルに変換する。例え
ば、学習データ又は標本データを所定の時間間隔毎に合
計ｔ個サンプリングし、フーリエ変換してパワースペク
トルを求め、各サンプリング時におけるあらかじめ定め
られた合計ｕ個の周波数区分毎の夫々の強度を得て、こ
の合計ｔ×ｕ＝ｍ個のデータを１つの学習データベクト
ル又は標本データベクトルとする。The learning data and sample data generated from the collected sound, voice, and the like are converted into an m-dimensional learning data vector and a sample data vector. For example, a total of t pieces of learning data or sample data are sampled at predetermined time intervals, Fourier transform is performed to obtain a power spectrum, and respective intensities of a predetermined u total of frequency sections at each sampling are obtained. Then, the total t × u = m data is set as one learning data vector or sample data vector.

【００１０】ここで、学習データベクトルの組をＶ[1]
，Ｖ[2] ，…，Ｖ[N] とする。このうち、Ｖ[1] ，Ｖ
[2] ，…，Ｖ[N']はカテゴリＡに属し、Ｖ[N'+1]，Ｖ
[N'+2]，…，Ｖ[N] はカテゴリＢに属するものとする。Here, a set of learning data vectors is represented by V [1].
, V [2],..., V [N]. Of these, V [1], V
[2], ..., V [N '] belong to category A, and V [N' + 1], V [N ']
[N '+ 2],..., V [N] belong to category B.

【００１１】このＮ個の学習データベクトルが、ｍ次元
空間において、ある超平面のどちら側に位置するかを調
べることによってカテゴリＡであるかカテゴリＢである
かを区別出来る（線形分離可能である）とき、次式(1)
式及び(2) 式を満たし、更に(1) 式の等号が成立するよ
うな少なくとも１つのi'、(2) 式の等号が成立するよう
な少なくとも１つのi'' が存在するように、ｍ次元ベク
トルＷと実数ｂを求めることが出来る。It is possible to distinguish between category A and category B by checking which side of the N learning data vectors is located on a certain hyperplane in the m-dimensional space (linear separation is possible). ) Then, the following equation (1)
There is at least one i 'that satisfies the equation and the equation (2) and further satisfies the equality of the equation (1), and at least one i''that satisfies the equality of the equation (2) In addition, an m-dimensional vector W and a real number b can be obtained.

【００１２】 Ｗ・Ｖ[i] ＋ｂ≧１ (i=1,2, …,N')‥‥‥‥‥‥‥‥‥‥‥(1) Ｗ・Ｖ[i] ＋ｂ≦−１ (i=N'+1,N'+2, …,N) ‥‥‥‥‥‥‥‥(2) 式中の・はベクトルの内積を表す。W · V [i] + b ≧ 1 (i = 1, 2,..., N ′) ‥‥‥‥‥‥‥‥‥‥‥ (1) W · V [i] + b ≦ −1 (i = N '+ 1, N' + 2, ..., N) ・ in equation (2) indicates the inner product of the vectors.

【００１３】ここで、各学習データベクトルがカテゴリ
Ａ又はカテゴリＢのどちらに属するかの指標であるカテ
ゴリデータｙ[i] （ｙ[i] ＝１；i=1,2,…,N' ，ｙ[i]
＝−１；i=N'+1,N'+2,…,N）を定めると、式(1) ，式
(2) は次のように書き直すことが出来る。Here, category data y [i] (y [i] = 1; i = 1, 2,..., N ′, i) is an index indicating whether each learning data vector belongs to category A or category B. y [i]
= −1; i = N ′ + 1, N ′ + 2,..., N), equation (1), equation (1)
(2) can be rewritten as:

【００１４】 ｙ[i] ×（Ｗ・Ｖ[i] ＋ｂ）≧１ (i=1,2, …,N) ‥‥‥‥‥‥(3) 式中の×はスカラー積を表す。Y [i] × (W · V [i] + b) ≧ 1 (i = 1, 2,..., N) ‥‥‥‥‥‥ (3) In the equation, x represents a scalar product.

【００１５】ここで、Ｗ・Ｘ＋ｂ＝０（Ｘはｍ次元変数
ベクトル）は、ｍ次元空間における超平面を表し、該超
平面に対しどちらの側に標本データベクトルＺがある
か、この場合Ｗ・Ｚ＋ｂの符号が正であるか負であるか
によって夫々カテゴリＡに属するかカテゴリＢに属する
かを判別出来る。この超平面Ｗ・Ｘ＋ｂ＝０を判別面と
呼ぶ。Here, W · X + b = 0 (X is an m-dimensional variable vector) represents a hyperplane in an m-dimensional space, and on which side the sample data vector Z is located with respect to the hyperplane, in this case W -It is possible to determine whether the symbol belongs to category A or category B depending on whether the sign of Z + b is positive or negative. This hyperplane W · X + b = 0 is referred to as a determination plane.

【００１６】判別面Ｗ・Ｘ＋ｂ＝０と学習データベクト
ルＶ[i] との距離ｄ[i] は下式で算出出来る。The distance d [i] between the discrimination plane W.X + b = 0 and the learning data vector V [i] can be calculated by the following equation.

【００１７】 ｄ[i] ＝｜Ｗ・Ｖ[i] ＋ｂ｜／‖Ｗ‖‥‥‥‥‥‥‥‥‥‥‥‥(4) D [i] = | W · V [i] + b | / {W} (4)

【００１８】式中の｜ ｜は絶対値を、‖ ‖はベクト
ルの大きさを表す。In the equation, | | represents the absolute value, and {} represents the magnitude of the vector.

【００１９】少なくともi=i',i''については｜Ｗ・Ｖ
[i] ＋ｂ｜＝１であるから、ｄ[i] の最小値は１／‖Ｗ
‖となる。このような、｜Ｗ・Ｖ[i] ＋ｂ｜＝１を満た
す全ての学習データベクトルＶ[i] をサポートベクトル
Ｖ[s] と呼ぶ。カテゴリＡに属するサポートベクトルと
判別面との距離、及びカテゴリＢに属するサポートベク
トルと判別面との距離は、どちらも１／‖Ｗ‖である。
つまり、サポートベクトルとは判別面に最も近い学習デ
ータベクトルのことである。At least for i = i ′, i ″, | W · V
Since [i] + b | = 1, the minimum value of d [i] is 1 / ‖W
It becomes ‖. All the learning data vectors V [i] satisfying | W · V [i] + b | = 1 are called support vectors V [s]. The distance between the support vector belonging to category A and the discrimination plane and the distance between the support vector belonging to category B and the discrimination plane are both 1 / {W}.
That is, the support vector is a learning data vector closest to the discrimination plane.

【００２０】判別面がサポートベクトルによって与えら
れる学習方法、パターン認識方法のことをサポートベク
トルマシーンと呼ぶ。A learning method and a pattern recognition method in which a discriminant plane is given by a support vector is called a support vector machine.

【００２１】判別面を用いて標本データベクトルＺのカ
テゴリ判別を行なう場合、判別面からサポートベクトル
が遠いほど２つのカテゴリ間の距離（マージン）が広が
るため、標本データベクトルＺと判別面との間の距離も
充分大きいことが期待出来る。そのため、ノイズの影
響、学習データベクトルの不足等の理由から判別面に誤
差が生じている場合であっても、前記判別面を用いて判
別した標本データベクトルＺのカテゴリが真のカテゴリ
と異なる可能性は低い。即ち認識誤差（汎化誤差）を抑
えることが出来る。つまり、サポートベクトルＶ[s] に
おいてｄ[s] が最大、即ち‖Ｗ‖が最小になるようなＷ
及びｂにより定められる判別面を用いるとき、標本デー
タベクトルＺを精度良くカテゴリ判別することが出来
る。言い換えれば、カテゴリＡに属する学習データベク
トルと判別面との距離の最小値と、カテゴリＢに属する
学習データベクトルと判別面との距離の最小値とが等し
く、しかもこの距離が最大となるように定められた超平
面が最適な判別面Ｗ・Ｘ＋ｂ＝０となる。When the category discrimination of the sample data vector Z is performed using the discrimination plane, the distance (margin) between the two categories increases as the support vector is farther from the discrimination plane. Can be expected to be sufficiently large. Therefore, even if there is an error in the discrimination plane due to the influence of noise, lack of learning data vectors, or the like, the category of the sample data vector Z determined using the discrimination plane may be different from the true category. Sex is low. That is, a recognition error (generalization error) can be suppressed. In other words, W is such that d [s] is maximum in the support vector V [s], that is, {W} is minimum.
When the discriminant plane determined by b and b is used, the category of the sample data vector Z can be discriminated with high accuracy. In other words, the minimum value of the distance between the learning data vector belonging to category A and the discrimination plane is equal to the minimum value of the distance between the learning data vector belonging to category B and the discrimination plane, and this distance is maximized. The determined hyperplane becomes the optimum discrimination plane W · X + b = 0.

【００２２】判別面を求めるには、学習データベクトル
Ｖ[i] 及び学習データベクトルのカテゴリを表すカテゴ
リデータｙ[i] の組から、(3) 式の制約条件の下で‖Ｗ
‖が最小値となるＷ及びｂとの組を求めれば良く、これ
は制約条件付きの非線形計画法問題であり、一般的に知
られているペナルティ関数法又は乗数法等のアルゴリズ
ムによりコンピュータを用いて数値的に算出することが
出来る。In order to obtain the discrimination plane, a set of the learning data vector V [i] and the category data y [i] representing the category of the learning data vector is obtained from the set of ‖W under the constraint condition of the equation (3).
It suffices to find a set of W and b that minimizes と. This is a nonlinear programming problem with constraints, and uses a computer by a generally known algorithm such as a penalty function method or a multiplier method. Can be calculated numerically.

【００２３】このようにして求められた判別面により、
標本データベクトルＺは、Ｗ・Ｚ＋ｂの値の正負の符号
でカテゴリを判別することが出来る。また、該標本デー
タベクトルＺと判別面Ｗ・Ｘ＋ｂ＝０との間の距離ｄz
＝｜Ｗ・Ｚ＋ｂ｜／‖Ｗ‖を調べることにより、汎化誤
差を見積ることが出来る。つまり、ｄz の値が小さけれ
ば小さいほど、前記標本データベクトルＺは判別面に近
い位置にあり、該判別面を用いて判別した標本データベ
クトルＺのカテゴリが真のカテゴリと異なる可能性が高
くなる。According to the discrimination plane obtained in this way,
The category of the sample data vector Z can be determined by the sign of the value of W · Z + b. Further, a distance dz between the sample data vector Z and the discrimination plane W · X + b = 0.
= | W.Z + b | / {W}, the generalization error can be estimated. In other words, the smaller the value of dz, the closer the sample data vector Z is to the discrimination plane, and the more likely it is that the category of the sample data vector Z discriminated using the discrimination plane is different from the true category. .

【００２４】なお、ここでは２個のカテゴリについて述
べたが、Ｋ個のカテゴリに区分する場合は、夫々のカテ
ゴリ区分に対応するＫ個の判別面を求めて判別を行なえ
ばよい。Although two categories have been described here, in the case of dividing into K categories, the discrimination may be performed by obtaining K discriminating planes corresponding to each category section.

【００２５】以上説明したようにサポートベクトルマシ
ーンを用いてパターン認識を行なう場合、学習データベ
クトルから判別面を算出するとき、通常数百から数千次
元である学習データベクトルを数百から数千必要とし、
更に判別面の算出は従来の技術で述べたように制約条件
付きの非線形計画法問題であるため繰り返し演算を必要
とすることから、判別面の算出には膨大な計算時間を必
要とする。更に、制約条件付き非線形計画法を解く場合
に、学習データベクトルの行列を必要とするときには、
コンピュータのメモリ容量も膨大なものを要する。As described above, when performing pattern recognition using a support vector machine, when calculating a discrimination plane from learning data vectors, hundreds to thousands of learning data vectors, which are usually hundreds to thousands of dimensions, are required. age,
Further, the calculation of the discrimination plane requires a repetitive operation because it is a nonlinear programming problem with constraints as described in the related art, so that the calculation of the discrimination plane requires a huge amount of calculation time. Furthermore, when solving a nonlinear programming with constraints, when a matrix of learning data vectors is required,
The memory capacity of the computer also requires a huge amount.

【００２６】一方、判別面が算出されている場合、それ
を用いた標本データベクトルのカテゴリ判別は容易に行
なえる。On the other hand, when the discrimination plane is calculated, the category discrimination of the sample data vector using the discrimination plane can be easily performed.

【００２７】このため、サポートベクトルマシーンを用
いる場合、判別面の算出には能力の高いコンピュータを
使用し、算出された判別面によるカテゴリ判別には能力
の低いコンピュータを使用することにより、パターン認
識に必要な計算機資源を節約することが出来る。For this reason, when a support vector machine is used, a computer having a high ability is used for calculating a discrimination plane, and a computer having a low ability is used for discriminating a category based on the calculated discrimination plane. Necessary computer resources can be saved.

【００２８】しかしながら、算出した判別面を用いてカ
テゴリ判別し、受容可能なカテゴリ判別精度が得られな
かった場合、よりカテゴリ判別精度の高い判別面を算出
するために再学習を行なうことがあり、再学習のために
学習データベクトルと同数以上の再学習データベクトル
を用いるとき、学習データベクトルから判別面を算出し
たときと同様に高い能力を持つコンピュータを使用し膨
大な計算時間と計算機資源とを費やして判別面を再算出
しなければならないため、パターン認識の効率が低下す
るという問題が生じる。However, if the category discrimination is performed using the calculated discrimination surface, and no acceptable category discrimination accuracy is obtained, re-learning may be performed to calculate a discrimination surface having higher category discrimination accuracy. When using the same number or more of re-learning data vectors as the learning data vectors for re-learning, use a computer with the same high performance as when calculating the discriminant plane from the learning data vectors, and use a huge amount of calculation time and computer resources. Since the discrimination plane has to be recalculated by spending time, there is a problem that the efficiency of pattern recognition is reduced.

【００２９】該問題を解決すべく、特開平１１−７３４
０６号公報では、同次２次核に用いられる固有値計算以
外の最適化法を用いて訓練段階中にあらかじめ決定され
た縮小セットのベクトルを用いて標本データベクトルの
カテゴリ判別を行なう方法が提案されている。In order to solve the problem, Japanese Patent Application Laid-Open No.
No. 06 proposes a method of performing category discrimination of a sample data vector using a reduced set vector determined in advance during a training stage using an optimization method other than eigenvalue calculation used for a homogeneous secondary kernel. ing.

【００３０】この方法は、あらかじめ求められたサポー
トベクトルの組から、該サポートベクトルより少ない数
の縮小セットベクトルを無制約最適化法により計算する
ものである。該縮小セットベクトルを用いて判別面を算
出し、算出した判別面を用いて標本データベクトルのカ
テゴリ判別を行ない、受容可能なカテゴリ判別精度が得
られない場合は、縮小セットベクトルの個数を調整して
新たな縮小セットベクトルを求める。In this method, a reduced set vector of a number smaller than the number of support vectors is calculated from a set of support vectors obtained in advance by an unconstrained optimization method. A discrimination plane is calculated using the reduced set vector, and the category of the sample data vector is discriminated using the calculated discrimination plane. If an acceptable category discrimination accuracy cannot be obtained, the number of the reduced set vectors is adjusted. To find a new reduced set vector.

【００３１】[0031]

【発明が解決しようとする課題】しかしながら、前記特
開平１１−７３４０６号公報に記載の方法を用いず、再
学習データベクトルを用いて再学習を行ない新たな判別
面を求める方法を用いる場合には、前述のように、サポ
ートベクトルマシーンでは多数の再学習データベクトル
から判別面を再算出する際に再学習データベクトル数に
応じた計算量が必要となる。特に、能力の低いコンピュ
ータで判別面を用いてカテゴリ判別を行なっている場合
に再学習が必要になったとき、前記コンピュータ上では
容易に判別面の再算出が出来ないためパターン認識の効
率が低下する。However, in the case where the method described in Japanese Patent Application Laid-Open No. H11-73406 is not used and a method for re-learning using a re-learning data vector to obtain a new discrimination plane is used. As described above, the support vector machine requires a calculation amount corresponding to the number of relearning data vectors when recalculating the discrimination plane from a large number of relearning data vectors. In particular, when re-learning becomes necessary when a category discrimination is performed using a discrimination surface with a computer having low ability, the efficiency of pattern recognition decreases because recalculation of the discrimination surface cannot be easily performed on the computer. I do.

【００３２】本発明は斯かる事情に鑑みてなされたもの
であり、多数の学習データベクトルの中から再学習デー
タベクトルを選択することにより、再学習を行なう際に
膨大な個数の再学習データベクトルを用いる必要がな
く、判断面の再算出に必要な計算時間及び／又は計算機
資源が節約出来るパターン認識方法、該パターン認識方
法を実施するためのパターン認識装置、及びコンピュー
タを前記パターン認識装置として機能させるためのコン
ピュータプログラムが記録されている記録媒体を提供す
ることを目的とする。The present invention has been made in view of such circumstances, and by selecting a re-learning data vector from a large number of learning data vectors, an enormous number of re-learning data vectors are required when performing re-learning. A pattern recognition method that does not require the use of a computer and saves the calculation time and / or computer resources required for recalculating the determination surface, a pattern recognition device for performing the pattern recognition method, and a computer functioning as the pattern recognition device It is an object of the present invention to provide a recording medium in which a computer program for causing a computer to execute the program is recorded.

【００３３】また、本発明の他の目的は、再学習データ
ベクトルを選択する基準として、容易に算出出来るパラ
メータである判別面と学習データベクトルとの距離を用
いることにより、再学習データベクトルの選択に必要な
計算時間及び／又は計算機資源が節約出来るパターン認
識方法、該パターン認識方法を実施するためのパターン
認識装置、及びコンピュータを前記パターン認識装置と
して機能させるためのコンピュータプログラムが記録さ
れている記録媒体を提供することにある。Another object of the present invention is to select a relearning data vector by using the distance between the discriminant plane and the learning data vector, which can be easily calculated, as a criterion for selecting the relearning data vector. Recognition method capable of saving the calculation time and / or computer resources required for the above, a pattern recognition device for performing the pattern recognition method, and a recording recording a computer program for causing a computer to function as the pattern recognition device To provide a medium.

【００３４】更に、本発明の目的は、再学習データベク
トルを選択する際、判別面からの距離が所定の値より小
さい学習データベクトルを再学習データベクトルとして
選択することにより、判別面のカテゴリ判別精度を落と
すことなく判別面の再算出を行なうことが出来るパター
ン認識方法、該パターン認識方法を実施するためのパタ
ーン認識装置、及びコンピュータを前記パターン認識装
置として機能させるためのコンピュータプログラムが記
録されている記録媒体を提供することにある。Further, it is an object of the present invention to select a re-learning data vector by selecting a learning data vector whose distance from the discrimination plane is smaller than a predetermined value as a re-learning data vector. A pattern recognition method capable of recalculating the discrimination surface without reducing accuracy, a pattern recognition device for performing the pattern recognition method, and a computer program for causing a computer to function as the pattern recognition device are recorded. To provide a recording medium.

【００３５】[0035]

【課題を解決するための手段】第１発明に係るパターン
認識方法は、対象から得られる空間的及び／又は時間的
に分布したパターンを認識するにあたって、複数の対象
のパターンの特徴を表現する特徴データと、該複数の対
象のカテゴリを示すカテゴリデータとの組を取得し、対
象の特徴データから前記対象のカテゴリを判別するため
の知識を前記特徴データと前記カテゴリデータとの組か
らあらかじめ生成しておく学習を行ない、前記知識を用
いて未知の対象の特徴データから該対象のカテゴリを判
別し、判別に用いた知識の判別精度が受容可能でない場
合は、より判別精度の高い知識を生成するために再学習
データを用いて再学習を行なうパターン認識方法におい
て、複数の対象の特徴データを、多次元空間のベクトル
として表現した学習に用いる学習データベクトルに変換
するステップと、該学習データベクトルと前記複数の対
象のカテゴリデータとの組から前記多次元空間内をカテ
ゴリに対応する領域に区分してカテゴリを判別する判別
面を算出するステップと、算出した判別面と学習データ
ベクトルとの間の距離を求めるステップと、該学習デー
タベクトルの中から多次元空間のベクトルとして表現し
た再学習データを選択する際、前記判別面からの距離が
所定の範囲内にあるものを選択して再学習データベクト
ルとする再学習データベクトル選択ステップとを有する
ことを特徴とする。According to a first aspect of the present invention, there is provided a pattern recognition method for recognizing a spatially and / or temporally distributed pattern obtained from an object. Data and a set of category data indicating the categories of the plurality of targets are acquired, and knowledge for discriminating the target category from the target feature data is generated in advance from the set of the feature data and the category data. Learning is performed, the category of the target is determined from the characteristic data of the unknown target using the knowledge, and if the determination accuracy of the knowledge used for the determination is not acceptable, knowledge with higher determination accuracy is generated. In a pattern recognition method in which relearning is performed using relearning data, feature data of multiple objects is represented as a vector in a multidimensional space. Converting the learning data vector into a learning data vector to be used for calculating the classification data for dividing the multidimensional space into regions corresponding to the category from a set of the learning data vector and the plurality of target category data. Calculating the distance between the calculated discrimination plane and the learning data vector, and selecting re-learning data expressed as a vector in a multidimensional space from the learning data vector. A re-learning data vector selecting step of selecting data whose distance is within a predetermined range and using the selected data as a re-learning data vector.

【００３６】第２発明に係るパターン認識方法は、パタ
ーンを認識すべき未知の対象の特徴データを取得するス
テップと、該特徴データを前記多次元空間のベクトルと
して表現し判別用の標本とする標本データベクトルに変
換するステップと、前記判別面と前記標本データベクト
ルとの位置関係を求めるステップと、該位置関係から前
記標本データベクトルが位置する多次元空間内の領域を
判別し、その判別結果から前記標本データベクトルのカ
テゴリを判別するステップと、判別面のカテゴリ判別精
度が許容可能であるか否かを基準にして前記判別面の再
算出が必要か否かを区別するステップと、該判別面の再
算出が必要であるとされた場合に前記再学習データベク
トル及び前記標本データベクトルを新たな再学習データ
ベクトルとするステップと、該再学習データベクトルを
用いて判別面を再算出するステップとを有することを特
徴とする。A pattern recognition method according to a second aspect of the present invention includes a step of acquiring characteristic data of an unknown object whose pattern is to be recognized, and a step of expressing the characteristic data as a vector in the multidimensional space to be a sample for discrimination. Converting to a data vector; obtaining a positional relationship between the discrimination plane and the sample data vector; determining a region in a multidimensional space where the sample data vector is located from the positional relationship; Determining the category of the sample data vector; determining whether recalculation of the determination surface is necessary based on whether or not the category determination accuracy of the determination surface is acceptable; If it is determined that the re-learning data vector is necessary, the re-learning data vector and the sample data vector are used as new re-learning data vectors. And-up, characterized by a step of re-calculating a discrimination surface using 該再 training data vectors.

【００３７】第３発明に係るパターン認識方法は、前記
再学習データベクトル選択ステップは、複数の前記学習
データベクトルの中から、前記判別面からの距離が所定
の値以下であるものを再学習データベクトルとして選択
するステップを有することを特徴とする。In the pattern recognition method according to a third aspect of the present invention, in the re-learning data vector selecting step, the re-learning data vector is selected from a plurality of learning data vectors whose distance from the discrimination plane is equal to or less than a predetermined value. The method further comprises the step of selecting as a vector.

【００３８】第４発明に係るパターン認識方法は、対象
から得られる空間的及び／又は時間的に分布したパター
ンを認識するにあたって、複数の対象のパターンの特徴
を表現する特徴データと、該複数の対象のカテゴリを示
すカテゴリデータとの組に係る知識を用いて未知の対象
の特徴データから該対象のカテゴリを判別し、判別に用
いた知識の判別精度が受容可能でない場合は、より判別
精度の高い知識を生成するために再学習データを用いて
再学習を行なうパターン認識方法において、複数の対象
の特徴データを多次元空間のベクトルとして表現した学
習に用いる学習データベクトルと前記複数の対象のカテ
ゴリデータとの組から算出された前記多次元空間内をカ
テゴリに対応する領域に区分する判別面を取得するステ
ップと、前記複数の対象の特徴データを前記多次元空間
のベクトルとして表現した再学習に用いる再学習データ
ベクトルを取得するステップと、パターンを認識すべき
未知の対象の特徴データを取得するステップと、該特徴
データを前記多次元空間のベクトルとして表現し判別用
の標本とする標本データベクトルに変換するステップ
と、前記判別面と前記標本データベクトルとの位置関係
を求めるステップと、該位置関係から前記標本データベ
クトルが位置する多次元空間内の領域を判別し、その判
別結果から前記標本データベクトルのカテゴリを判別す
るステップと、判別面のカテゴリ判別精度が許容可能で
あるか否かを基準にして前記判別面の再算出が必要か否
かを区別するステップと、該判別面の再算出が必要であ
るとされた場合に、前記再学習データベクトルの内、前
記判別面からの距離が所定の範囲内にある再学習データ
ベクトルを取得する再学習データベクトル取得ステップ
と、該再学習データベクトル及び前記標本データベクト
ルを新たな再学習データベクトルとするステップと、該
再学習データベクトルを用いて判別面を再算出するステ
ップとを有することを特徴とする。In the pattern recognition method according to the fourth invention, in recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the pair with the category data indicating the category of the target. If the determination accuracy of the knowledge used for the determination is not acceptable, the classification accuracy becomes higher. In a pattern recognition method for performing re-learning using re-learning data to generate high knowledge, a learning data vector used for learning in which feature data of a plurality of objects is represented as a vector in a multidimensional space, and a category of the plurality of objects. Acquiring a discrimination surface that divides the multidimensional space calculated from a set of data into regions corresponding to categories, Obtaining a re-learning data vector used for re-learning in which target feature data is expressed as a vector in the multidimensional space; obtaining feature data of an unknown target whose pattern is to be recognized; Converting to a sample data vector that is expressed as a vector in a multidimensional space and used as a sample for discrimination, obtaining a positional relationship between the discrimination surface and the sample data vector, and determining the position of the sample data vector from the positional relationship. Determining the category of the sample data vector from the result of the determination, and re-determining the determination surface based on whether or not the category determination accuracy of the determination surface is acceptable. A step of discriminating whether or not the calculation is necessary; and when it is determined that the recalculation of the discrimination surface is necessary, the relearning data A relearning data vector obtaining step of obtaining a relearning data vector whose distance from the discrimination plane is within a predetermined range, and replacing the relearning data vector and the sample data vector with a new relearning data vector. And a step of recalculating the discrimination surface using the relearning data vector.

【００３９】第５発明に係るパターン認識方法は、前記
再学習データベクトル取得ステップは、複数の前記再学
習データベクトルの中から、前記判別面からの距離が所
定の値以下のものを選択して新たな再学習データベクト
ルとして取得するステップを有することを特徴とする。In the pattern recognition method according to a fifth aspect of the present invention, in the re-learning data vector acquiring step, the re-learning data vector is selected from a plurality of re-learning data vectors whose distance from the discrimination surface is equal to or less than a predetermined value. A step of obtaining a new relearning data vector.

【００４０】第６発明に係るパターン認識方法は、対象
から得られる空間的及び／又は時間的に分布したパター
ンを認識するにあたって、複数の対象のパターンの特徴
を表現する特徴データと、該複数の対象のカテゴリを示
すカテゴリデータとの組に係る知識を用いて未知の対象
の特徴データから該対象のカテゴリを判別し、判別に用
いた知識の判別精度が受容可能でない場合は、より判別
精度の高い知識を生成するために再学習データを用いて
再学習を行なうパターン認識方法において、複数の対象
の特徴データを多次元空間のベクトルとして表現した学
習に用いる学習データベクトルと前記複数の対象のカテ
ゴリデータとの組から算出された前記多次元空間内をカ
テゴリに対応する領域に区分する判別面を取得するステ
ップと、前記複数の対象の特徴データを前記多次元空間
のベクトルとして表現してあり、また、前記判別面から
の距離が所定の範囲内にある再学習に用いる再学習デー
タベクトルを取得する再学習データベクトル取得ステッ
プと、パターンを認識すべき未知の対象の特徴データを
取得するステップと、該特徴データを前記多次元空間の
ベクトルとして表現し判別用の標本とする標本データベ
クトルに変換するステップと、前記判別面と前記標本デ
ータベクトルとの位置関係を求めるステップと、該位置
関係から前記標本データベクトルが位置する多次元空間
内の領域を判別し、その判別結果から前記標本データベ
クトルのカテゴリを判別するステップと、判別面のカテ
ゴリ判別精度が許容可能であるか否かを基準にして前記
判別面の再算出が必要か否かを区別するステップと、該
判別面の再算出が必要であるとされた場合に、前記再学
習データベクトル及び前記標本データベクトルを新たな
再学習データベクトルとするステップと、該再学習デー
タベクトルを用いて判別面を再算出するステップとを有
することを特徴とする。In the pattern recognition method according to the sixth invention, in recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the pair with the category data indicating the category of the target. If the determination accuracy of the knowledge used for the determination is not acceptable, the classification accuracy becomes higher. In a pattern recognition method for performing re-learning using re-learning data to generate high knowledge, a learning data vector used for learning in which feature data of a plurality of objects is represented as a vector in a multidimensional space, and a category of the plurality of objects. Acquiring a discrimination surface that divides the multidimensional space calculated from a set of data into regions corresponding to categories, A re-learning data vector obtaining step of obtaining a re-learning data vector used for re-learning, wherein the target feature data is expressed as a vector in the multidimensional space, and the distance from the discrimination plane is within a predetermined range. Acquiring feature data of an unknown object whose pattern is to be recognized, expressing the feature data as a vector in the multidimensional space, and converting the feature data into a sample data vector to be used as a sample for discrimination, Obtaining a positional relationship with the sample data vector, determining a region in a multidimensional space where the sample data vector is located from the positional relationship, and determining a category of the sample data vector from the determination result; Discriminating whether the recalculation of the discrimination surface is necessary based on whether the category discrimination accuracy of the discrimination surface is acceptable Using the relearning data vector and the sample data vector as new relearning data vectors when it is determined that the recalculation of the discrimination plane is necessary. Recalculating the discrimination plane.

【００４１】第７発明に係るパターン認識方法は、前記
再学習データベクトル取得ステップは、判別面からの距
離が所定の範囲内にある前記再学習データベクトルとし
て、複数の再学習データベクトルの中から選択された前
記判別面からの距離が所定の値以下である再学習データ
ベクトルを取得するステップを有することを特徴とす
る。In the pattern recognition method according to a seventh aspect of the present invention, the re-learning data vector acquiring step includes selecting the re-learning data vector having a distance from the discrimination plane within a predetermined range from a plurality of re-learning data vectors. A step of acquiring a re-learning data vector whose distance from the selected discrimination plane is equal to or less than a predetermined value.

【００４２】第８発明に係るパターン認識装置は、対象
から得られる空間的及び／又は時間的に分布したパター
ンを認識するにあたって、複数の対象のパターンの特徴
を表現する特徴データと、該複数の対象のカテゴリを示
すカテゴリデータとの組を取得し、対象の特徴データか
ら前記対象のカテゴリを判別するための知識を前記特徴
データと前記カテゴリデータとの組からあらかじめ生成
しておく学習を行ない、前記知識を用いて未知の対象の
特徴データから該対象のカテゴリを判別し、判別に用い
た知識の判別精度が受容可能でない場合は、より判別精
度の高い知識を生成するために再学習データを用いて再
学習を行なうパターン認識装置において、複数の対象の
特徴データを、多次元空間のベクトルとして表現した学
習に用いる学習データベクトルに変換する手段と、該学
習データベクトルと前記複数の対象のカテゴリデータと
の組から前記多次元空間内をカテゴリに対応する領域に
区分してカテゴリを判別する判別面を算出する手段と、
算出した判別面と学習データベクトルとの間の距離を求
める手段と、該学習データベクトルの中から多次元空間
のベクトルとして表現した再学習データを選択する際、
前記判別面からの距離が所定の範囲内にあるものを選択
して再学習データベクトルとする再学習データベクトル
選択手段とを有することを特徴とする。The pattern recognition apparatus according to the eighth invention recognizes a spatially and / or temporally distributed pattern obtained from an object, and recognizes feature data representing features of a plurality of object patterns, Acquires a set of category data indicating a target category, and performs learning to generate knowledge for discriminating the target category from the feature data of the target in advance from the set of the feature data and the category data. Using the knowledge, the category of the target is determined from the feature data of the unknown target, and if the determination accuracy of the knowledge used for the determination is not acceptable, the relearning data is generated in order to generate knowledge with higher determination accuracy. In a pattern recognition device that performs re-learning using learning, learning data used for learning in which feature data of a plurality of objects are represented as vectors in a multidimensional space. Means for converting the data vector, means for calculating a discrimination plane to determine the category of sets from the multidimensional space of the training data vectors and the plurality of target categories data by dividing a region corresponding to the category,
Means for determining the distance between the calculated discrimination plane and the learning data vector, and selecting re-learning data expressed as a vector in a multidimensional space from the learning data vector,
Re-learning data vector selecting means for selecting a data whose distance from the discrimination surface is within a predetermined range and using the selected data as a re-learning data vector.

【００４３】第９発明に係るパターン認識装置は、パタ
ーンを認識すべき未知の対象の特徴データを取得する手
段と、該特徴データを前記多次元空間のベクトルとして
表現し判別用の標本とする標本データベクトルに変換す
る手段と、前記判別面と前記標本データベクトルとの位
置関係を求める手段と、該位置関係から前記標本データ
ベクトルが位置する多次元空間内の領域を判別し、その
判別結果から前記標本データベクトルのカテゴリを判別
する手段と、判別面のカテゴリ判別精度が許容可能であ
るか否かを基準にして前記判別面の再算出が必要か否か
を区別する手段と、該判別面の再算出が必要であるとさ
れた場合に前記再学習データベクトル及び前記標本デー
タベクトルを新たな再学習データベクトルとする手段
と、該再学習データベクトルを用いて判別面を再算出す
る手段とを有することを特徴とする。According to a ninth aspect of the present invention, there is provided a pattern recognition apparatus comprising: means for acquiring feature data of an unknown object whose pattern is to be recognized; and a sample representing the feature data as a vector in the multidimensional space and serving as a sample for discrimination. Means for converting to a data vector, means for determining the positional relationship between the discrimination plane and the sample data vector, and discriminating a region in the multidimensional space where the sample data vector is located from the positional relationship, and from the discrimination result Means for discriminating the category of the sample data vector; means for discriminating whether or not recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable; and Means for setting the re-learning data vector and the sample data vector to a new re-learning data vector when recalculation of the re-learning data is necessary. And having a means for re-calculating a discrimination surface using a vector.

【００４４】第１０発明に係るパターン認識装置は、前
記再学習データベクトル選択手段は、複数の前記学習デ
ータベクトルの中から、前記判別面からの距離が所定の
値以下であるものを再学習データベクトルとして選択す
る手段を有することを特徴とする。According to a tenth aspect of the present invention, in the pattern recognition apparatus, the re-learning data vector selecting means determines, from among the plurality of learning data vectors, one whose distance from the discrimination plane is equal to or less than a predetermined value. It is characterized by having means for selecting as a vector.

【００４５】第１１発明に係るパターン認識装置は、対
象から得られる空間的及び／又は時間的に分布したパタ
ーンを認識するにあたって、複数の対象のパターンの特
徴を表現する特徴データと、該複数の対象のカテゴリを
示すカテゴリデータとの組に係る知識を用いて未知の対
象の特徴データから該対象のカテゴリを判別し、判別に
用いた知識の判別精度が受容可能でない場合は、より判
別精度の高い知識を生成するために再学習データを用い
て再学習を行なうパターン認識装置において、複数の対
象の特徴データを多次元空間のベクトルとして表現した
学習に用いる学習データベクトルと前記複数の対象のカ
テゴリデータとの組から算出された前記多次元空間内を
カテゴリに対応する領域に区分する判別面を取得する手
段と、前記複数の対象の特徴データを前記多次元空間の
ベクトルとして表現した再学習に用いる再学習データベ
クトルを取得する手段と、パターンを認識すべき未知の
対象の特徴データを取得する手段と、該特徴データを前
記多次元空間のベクトルとして表現し判別用の標本とす
る標本データベクトルに変換する手段と、前記判別面と
前記標本データベクトルとの位置関係を求める手段と、
該位置関係から前記標本データベクトルが位置する多次
元空間内の領域を判別し、その判別結果から前記標本デ
ータベクトルのカテゴリを判別する手段と、判別面のカ
テゴリ判別精度が許容可能であるか否かを基準にして前
記判別面の再算出が必要か否かを区別する手段と、該判
別面の再算出が必要であるとされた場合に、前記再学習
データベクトルの内、前記判別面からの距離が所定の範
囲内にある再学習データベクトルを取得する再学習デー
タベクトル取得手段と、該再学習データベクトル及び前
記標本データベクトルを新たな再学習データベクトルと
する手段と、該再学習データベクトルを用いて判別面を
再算出する手段とを有することを特徴とする。A pattern recognition apparatus according to an eleventh aspect of the present invention recognizes a spatially and / or temporally distributed pattern obtained from an object, by retrieving characteristic data representing the characteristics of a plurality of target patterns, The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the pair with the category data indicating the category of the target. If the determination accuracy of the knowledge used for the determination is not acceptable, the classification accuracy becomes higher. In a pattern recognition apparatus for performing re-learning using re-learning data to generate high knowledge, a learning data vector used for learning in which feature data of a plurality of objects is represented as a vector in a multidimensional space, and a category of the plurality of objects. Means for acquiring a discrimination surface that divides the multidimensional space calculated from a set of data into regions corresponding to categories, and Means for acquiring a re-learning data vector used for re-learning in which the elephant feature data is represented as a vector in the multidimensional space, means for acquiring feature data of an unknown object whose pattern is to be recognized, and Means for expressing a vector in a multidimensional space and converting it to a sample data vector to be a sample for discrimination, means for obtaining a positional relationship between the discrimination plane and the sample data vector,
Means for discriminating a region in the multidimensional space where the sample data vector is located from the positional relationship, and discriminating a category of the sample data vector from the discrimination result; and determining whether the category discrimination accuracy of the discrimination surface is acceptable. Means for discriminating whether or not the recalculation of the discrimination plane is necessary on the basis of, and when it is determined that the recalculation of the discrimination plane is necessary, of the re-learning data vectors, A re-learning data vector obtaining means for obtaining a re-learning data vector whose distance is within a predetermined range; a means for setting the re-learning data vector and the sample data vector as a new re-learning data vector; Means for recalculating the discrimination plane using the vector.

【００４６】第１２発明に係るパターン認識装置は、前
記再学習データベクトル取得手段は、複数の前記再学習
データベクトルの中から、前記判別面からの距離が所定
の値以下のものを選択して新たな再学習データベクトル
として取得する手段を有することを特徴とする。In the pattern recognition apparatus according to a twelfth aspect, the re-learning data vector acquiring means selects a re-learning data vector whose distance from the discrimination plane is equal to or less than a predetermined value from a plurality of the re-learning data vectors. It is characterized by having means for acquiring a new relearning data vector.

【００４７】第１３発明に係るパターン認識装置は、対
象から得られる空間的及び／又は時間的に分布したパタ
ーンを認識するにあたって、複数の対象のパターンの特
徴を表現する特徴データと、該複数の対象のカテゴリを
示すカテゴリデータとの組に係る知識を用いて未知の対
象の特徴データから該対象のカテゴリを判別し、判別に
用いた知識の判別精度が受容可能でない場合は、より判
別精度の高い知識を生成するために再学習データを用い
て再学習を行なうパターン認識装置において、複数の対
象の特徴データを多次元空間のベクトルとして表現した
学習に用いる学習データベクトルと前記複数の対象のカ
テゴリデータとの組から算出された前記多次元空間内を
カテゴリに対応する領域に区分する判別面を取得する手
段と、前記複数の対象の特徴データを前記多次元空間の
ベクトルとして表現してあり、また、前記判別面からの
距離が所定の範囲内にある再学習に用いる再学習データ
ベクトルを取得する再学習データベクトル取得手段と、
パターンを認識すべき未知の対象の特徴データを取得す
る手段と、該特徴データを前記多次元空間のベクトルと
して表現し判別用の標本とする標本データベクトルに変
換する手段と、前記判別面と前記標本データベクトルと
の位置関係を求める手段と、該位置関係から前記標本デ
ータベクトルが位置する多次元空間内の領域を判別し、
その判別結果から前記標本データベクトルのカテゴリを
判別する手段と、判別面のカテゴリ判別精度が許容可能
であるか否かを基準にして前記判別面の再算出が必要か
否かを区別する手段と、該判別面の再算出が必要である
とされた場合に、前記再学習データベクトル及び前記標
本データベクトルを新たな再学習データベクトルとする
手段と、該再学習データベクトルを用いて判別面を再算
出する手段とを有することを特徴とする。A pattern recognition apparatus according to a thirteenth aspect of the present invention recognizes a spatially and / or temporally distributed pattern obtained from an object, by retrieving characteristic data representing characteristics of a plurality of target patterns, The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the pair with the category data indicating the category of the target. If the determination accuracy of the knowledge used for the determination is not acceptable, the classification accuracy becomes higher. In a pattern recognition apparatus for performing re-learning using re-learning data to generate high knowledge, a learning data vector used for learning in which feature data of a plurality of objects is represented as a vector in a multidimensional space, and a category of the plurality of objects. Means for acquiring a discrimination surface that divides the multidimensional space calculated from a set of data into regions corresponding to categories, and Elephant feature data is represented as a vector in the multi-dimensional space, and a re-learning data vector obtaining means for obtaining a re-learning data vector used for re-learning whose distance from the discrimination surface is within a predetermined range. ,
A means for acquiring feature data of an unknown object to be recognized as a pattern, a means for expressing the feature data as a vector in the multidimensional space, and converting the feature data into a sample data vector as a sample for determination, Means for determining a positional relationship with the sample data vector, and determining an area in the multidimensional space where the sample data vector is located from the positional relationship,
Means for discriminating the category of the sample data vector from the discrimination result, and means for discriminating whether recalculation of the discrimination surface is necessary based on whether or not category discrimination accuracy of the discrimination surface is acceptable. Means for setting the re-learning data vector and the sample data vector to a new re-learning data vector when recalculation of the discrimination plane is necessary; Recalculating means.

【００４８】第１４発明に係るパターン認識装置は、前
記再学習データベクトル取得手段は、判別面からの距離
が所定の範囲内にある前記再学習データベクトルとし
て、複数の再学習データベクトルの中から選択された前
記判別面からの距離が所定の値以下である再学習データ
ベクトルを取得する手段を有することを特徴とする。According to a fourteenth aspect of the present invention, in the pattern recognition apparatus, the re-learning data vector acquiring means includes a plurality of re-learning data vectors as the re-learning data vectors whose distance from the discrimination surface is within a predetermined range. The apparatus further comprises means for acquiring a relearning data vector whose distance from the selected discrimination plane is equal to or less than a predetermined value.

【００４９】第１５発明に係るコンピュータでの読み取
りが可能な記録媒体は、対象から得られる空間的及び／
又は時間的に分布したパターンを認識するにあたって、
複数の対象のパターンの特徴を表現する特徴データと、
該複数の対象のカテゴリを示すカテゴリデータとの組を
取得させ、対象の特徴データから前記対象のカテゴリを
判別させるための知識を前記特徴データと前記カテゴリ
データとの組からあらかじめ生成しておく学習を行なわ
せ、前記知識を用いて未知の対象の特徴データから該対
象のカテゴリを判別させ、判別に用いた知識の判別精度
が受容可能でない場合は、より判別精度の高い知識を生
成させるために再学習データを用いて再学習を行なわせ
るコンピュータプログラムが記録してあるコンピュータ
での読み取りが可能な記録媒体において、複数の対象の
特徴データを、多次元空間のベクトルとして表現した学
習に用いる学習データベクトルに変換させるプログラム
コード手段と、該学習データベクトルと前記複数の対象
のカテゴリデータとの組から前記多次元空間内をカテゴ
リに対応する領域に区分してカテゴリを判別する判別面
を算出させるプログラムコード手段と、算出させた判別
面と学習データベクトルとの間の距離を求めさせるプロ
グラムコード手段と、該学習データベクトルの中から多
次元空間のベクトルとして表現した再学習データを選択
させる際、前記判別面からの距離が所定の範囲内にある
ものを選択させて再学習データベクトルとさせる再学習
データベクトル選択プログラムコード手段とを有するこ
とを特徴とする。The computer readable recording medium according to the fifteenth aspect of the present invention provides a spatial and / or spatial medium obtained from an object.
Or, in recognizing patterns distributed over time,
Feature data representing features of a plurality of target patterns;
Learning in which a set of category data indicating the plurality of target categories is acquired and knowledge for discriminating the target category from the target feature data is generated in advance from the set of the feature data and the category data. Is performed, and the category of the target is determined from the characteristic data of the unknown target using the knowledge. If the determination accuracy of the knowledge used for the determination is not acceptable, to generate knowledge with higher determination accuracy Learning data used for learning in which feature data of a plurality of objects is represented as a vector in a multidimensional space on a computer-readable recording medium on which a computer program for causing re-learning using the re-learning data is recorded. Program code means for converting into a vector, the learning data vector and the category data of the plurality of objects Program code means for calculating a discrimination surface for discriminating a category by dividing the multidimensional space into regions corresponding to categories from the set of programs, and a program for calculating a distance between the calculated discrimination surface and the learning data vector Code means, when selecting re-learning data expressed as a vector in a multidimensional space from the learning data vector, selecting a re-learning data vector having a distance from the discrimination plane within a predetermined range, And a re-learning data vector selection program code means.

【００５０】第１６発明に係るコンピュータでの読み取
りが可能な記録媒体は、パターンを認識すべき未知の対
象の特徴データを取得させるプログラムコード手段と、
該特徴データを前記多次元空間のベクトルとして表現し
判別用の標本とする標本データベクトルに変換させるプ
ログラムコード手段と、前記判別面と前記標本データベ
クトルとの位置関係を求めさせるプログラムコード手段
と、該位置関係から前記標本データベクトルが位置する
多次元空間内の領域を判別させ、その判別結果から前記
標本データベクトルのカテゴリを判別させるプログラム
コード手段と、判別面のカテゴリ判別精度が許容可能で
あるか否かを基準にして前記判別面の再算出が必要か否
かを区別させるプログラムコード手段と、該判別面の再
算出が必要であるとされた場合に前記再学習データベク
トル及び前記標本データベクトルを新たな再学習データ
ベクトルとさせるプログラムコード手段と、該再学習デ
ータベクトルを用いて判別面を再算出させるプログラム
コード手段とを有することを特徴とする。According to a sixteenth aspect of the present invention, there is provided a computer-readable recording medium comprising: program code means for acquiring characteristic data of an unknown object whose pattern is to be recognized;
Program code means for expressing the characteristic data as a vector in the multidimensional space and converting it to a sample data vector to be a sample for discrimination, program code means for obtaining a positional relationship between the discrimination plane and the sample data vector, Program code means for determining a region in the multidimensional space where the sample data vector is located from the positional relationship, and determining the category of the sample data vector from the determination result, and category determination accuracy of the determination surface is acceptable. Program code means for discriminating whether the recalculation of the discrimination plane is necessary based on whether or not the re-learning data vector and the sample data are necessary if recalculation of the discrimination plane is necessary. Program code means for converting a vector into a new relearning data vector, and using the relearning data vector And having a program code means for re-calculating a discrimination surface Te.

【００５１】第１７発明に係るコンピュータでの読み取
りが可能な記録媒体は、前記再学習データベクトル選択
プログラムコード手段は、複数の前記学習データベクト
ルの中から、前記判別面からの距離が所定の値以下であ
るものを再学習データベクトルとして選択させるプログ
ラムコード手段を有することを特徴とする。According to a seventeenth aspect of the present invention, in the computer-readable recording medium, the re-learning data vector selection program code means includes a learning data vector having a predetermined distance from the discrimination surface among a plurality of learning data vectors. It is characterized by having program code means for selecting the following as a re-learning data vector.

【００５２】第１８発明に係るコンピュータでの読み取
りが可能な記録媒体は、対象から得られる空間的及び／
又は時間的に分布したパターンを認識するにあたって、
複数の対象のパターンの特徴を表現する特徴データと、
該複数の対象のカテゴリを示すカテゴリデータとの組に
係る知識を用いて未知の対象の特徴データから該対象の
カテゴリを判別させ、判別に用いた知識の判別精度が受
容可能でない場合は、より判別精度の高い知識を生成さ
せるために再学習データを用いて再学習を行なわせるコ
ンピュータプログラムが記録してあるコンピュータでの
読み取りが可能な記録媒体において、複数の対象の特徴
データを多次元空間のベクトルとして表現した学習に用
いる学習データベクトルと前記複数の対象のカテゴリデ
ータとの組から算出された前記多次元空間内をカテゴリ
に対応する領域に区分する判別面を取得させるプログラ
ムコード手段と、前記複数の対象の特徴データを前記多
次元空間のベクトルとして表現した再学習に用いる再学
習データベクトルを取得させるプログラムコード手段
と、パターンを認識すべき未知の対象の特徴データを取
得させるプログラムコード手段と、該特徴データを前記
多次元空間のベクトルとして表現し判別用の標本とする
標本データベクトルに変換させるプログラムコード手段
と、前記判別面と前記標本データベクトルとの位置関係
を求めさせるプログラムコード手段と、該位置関係から
前記標本データベクトルが位置する多次元空間内の領域
を判別させ、その判別結果から前記標本データベクトル
のカテゴリを判別させるプログラムコード手段と、判別
面のカテゴリ判別精度が許容可能であるか否かを基準に
して前記判別面の再算出が必要か否かを区別させるプロ
グラムコード手段と、該判別面の再算出が必要であると
された場合に、前記再学習データベクトルの内、前記判
別面からの距離が所定の範囲内にある再学習データベク
トルを取得させる再学習データベクトル取得プログラム
コード手段と、該再学習データベクトル及び前記標本デ
ータベクトルを新たな再学習データベクトルとさせるプ
ログラムコード手段と、該再学習データベクトルを用い
て判別面を再算出させるプログラムコード手段とを有す
ることを特徴とする。A computer-readable recording medium according to an eighteenth aspect of the present invention is a computer-readable recording medium capable of obtaining spatial and / or
Or, in recognizing patterns distributed over time,
Feature data representing features of a plurality of target patterns;
The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the set of category data indicating the categories of the plurality of targets, and if the determination accuracy of the knowledge used for the determination is not acceptable, In a computer-readable recording medium on which a computer program for performing re-learning using re-learning data in order to generate knowledge with high discrimination accuracy is stored in a computer-readable recording medium, a plurality of target feature data are stored in a multi-dimensional space. Program code means for acquiring a discriminant plane for dividing the multidimensional space calculated into a region corresponding to a category calculated from a set of a learning data vector used for learning expressed as a vector and the category data of the plurality of objects; and A re-learning data vector used for re-learning in which feature data of a plurality of objects is represented as a vector in the multidimensional space Program code means for obtaining, program code means for obtaining feature data of an unknown object whose pattern is to be recognized, and converting the feature data into a sample data vector to be represented as a vector in the multidimensional space and used as a sample for determination Program code means for determining the positional relationship between the discrimination surface and the sample data vector, and determining the region in the multidimensional space where the sample data vector is located from the positional relationship, and determining the result. Program code means for discriminating the category of the sample data vector from the program data means for discriminating whether recalculation of the discrimination surface is necessary based on whether or not the discrimination surface category discrimination accuracy is acceptable. The re-learning data vector A re-learning data vector acquisition program code means for acquiring a re-learning data vector whose distance from the discrimination plane is within a predetermined range; It is characterized by having program code means for making a vector, and program code means for recalculating a discrimination plane using the relearning data vector.

【００５３】第１９発明に係るコンピュータでの読み取
りが可能な記録媒体は、前記再学習データベクトル取得
プログラムコード手段は、複数の前記再学習データベク
トルの中から、前記判別面からの距離が所定の値以下の
ものを選択して新たな再学習データベクトルとして取得
させるプログラムコード手段を有することを特徴とす
る。According to a nineteenth aspect of the present invention, in the computer-readable recording medium, the re-learning data vector acquisition program code means includes a plurality of re-learning data vectors having a predetermined distance from the discrimination plane. It is characterized by having program code means for selecting a value less than the value and acquiring it as a new relearning data vector.

【００５４】第２０発明に係るコンピュータでの読み取
りが可能な記録媒体は、対象から得られる空間的及び／
又は時間的に分布したパターンを認識するにあたって、
複数の対象のパターンの特徴を表現する特徴データと、
該複数の対象のカテゴリを示すカテゴリデータとの組に
係る知識を用いて未知の対象の特徴データから該対象の
カテゴリを判別させ、判別に用いた知識の判別精度が受
容可能でない場合は、より判別精度の高い知識を生成さ
せるために再学習データを用いて再学習を行なわせるコ
ンピュータプログラムが記録してあるコンピュータでの
読み取りが可能な記録媒体において、複数の対象の特徴
データを多次元空間のベクトルとして表現した学習に用
いる学習データベクトルと前記複数の対象のカテゴリデ
ータとの組から算出された前記多次元空間内をカテゴリ
に対応する領域に区分する判別面を取得させるプログラ
ムコード手段と、前記複数の対象の特徴データを前記多
次元空間のベクトルとして表現してあり、また、前記判
別面からの距離が所定の範囲内にある再学習に用いる再
学習データベクトルを取得させるプログラムコード手段
と、パターンを認識すべき未知の対象の特徴データを取
得させるプログラムコード手段と、該特徴データを前記
多次元空間のベクトルとして表現し判別用の標本とする
標本データベクトルに変換させるプログラムコード手段
と、前記判別面と前記標本データベクトルとの位置関係
を求めさせるプログラムコード手段と、該位置関係から
前記標本データベクトルが位置する多次元空間内の領域
を判別させ、その判別結果から前記標本データベクトル
のカテゴリを判別させるプログラムコード手段と、判別
面のカテゴリ判別精度が許容可能であるか否かを基準に
して前記判別面の再算出が必要か否かを区別させるプロ
グラムコード手段と、該判別面の再算出が必要であると
された場合に、前記再学習データベクトル及び前記標本
データベクトルを新たな再学習データベクトルとさせる
再学習データベクトル取得プログラムコード手段と、該
再学習データベクトルを用いて判別面を再算出させるプ
ログラムコード手段とを有することを特徴とする。The computer-readable recording medium according to the twentieth aspect of the present invention is a computer-readable recording medium capable of obtaining spatial and / or
Or, in recognizing patterns distributed over time,
Feature data representing features of a plurality of target patterns;
The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the set of category data indicating the categories of the plurality of targets, and if the determination accuracy of the knowledge used for the determination is not acceptable, In a computer-readable recording medium on which a computer program for performing re-learning using re-learning data in order to generate knowledge with high discrimination accuracy is stored in a computer-readable recording medium, a plurality of target feature data are stored in a multidimensional space. Program code means for acquiring a discriminant plane for dividing the multidimensional space calculated into a region corresponding to a category calculated from a set of a learning data vector used for learning expressed as a vector and the category data of the plurality of objects; and The feature data of a plurality of objects is represented as a vector in the multidimensional space, and the distance from the discrimination plane is Program code means for acquiring a re-learning data vector used for re-learning within a predetermined range; program code means for acquiring feature data of an unknown object whose pattern is to be recognized; and Program code means for expressing as a vector and converting it into a sample data vector to be used as a sample for discrimination, program code means for obtaining the positional relationship between the discrimination surface and the sample data vector, and the sample data vector Program code means for determining a region in a multidimensional space in which the sample data vector is located, and determining the category of the sample data vector based on the determination result; and determining whether the category determination accuracy of the determination surface is acceptable. Program code means for distinguishing whether or not recalculation of the surface is necessary; Re-learning data vector acquisition program code means for making the re-learning data vector and the sample data vector new re-learning data vectors when it is determined that the re-learning data vector is required; And program code means for re-calculating.

【００５５】第２１発明に係るコンピュータでの読み取
りが可能な記録媒体は、前記再学習データベクトル取得
プログラムコード手段は、判別面からの距離が所定の範
囲内にある前記再学習データベクトルとして、複数の再
学習データベクトルの中から選択された前記判別面から
の距離が所定の値以下である再学習データベクトルを取
得させるプログラムコード手段を有することを特徴とす
る。According to a twenty-first aspect of the present invention, in the computer-readable recording medium, the re-learning data vector acquisition program code means includes a plurality of re-learning data vectors whose distance from the discrimination surface is within a predetermined range. And a program code unit for acquiring a re-learning data vector having a distance from the discrimination plane selected from the re-learning data vectors of a predetermined value or less.

【００５６】第１発明、第８発明及び第１５発明にあっ
ては、複数の対象のパターンの特徴データを取得し、各
特徴データを夫々学習データベクトルに変換し、前記複
数の対象のカテゴリをカテゴリデータとして取得し、前
記学習データベクトルと前記カテゴリデータとの組から
判別面を算出し、該判別面と各学習データベクトルとの
距離を夫々求めて、学習データベクトルの中から前記距
離が所定の範囲内にある学習データベクトルを再学習デ
ータベクトルとして選択することにより、再学習の際、
再学習データベクトルの個数を軽減することが出来る。In the first invention, the eighth invention and the fifteenth invention, feature data of a pattern of a plurality of objects is obtained, each feature data is converted into a learning data vector, and the category of the plurality of objects is obtained. Acquired as category data, a discrimination plane is calculated from a set of the learning data vector and the category data, and a distance between the discrimination plane and each learning data vector is obtained. By selecting a learning data vector within the range of as a re-learning data vector,
The number of relearning data vectors can be reduced.

【００５７】また、再学習データベクトルを選択する基
準が判断面と学習データベクトルとの距離であり、該距
離は容易に算出出来るので、再学習データベクトルの選
択に必要な計算時間及び／又は計算機資源が節約出来
る。The criterion for selecting the re-learning data vector is the distance between the determination surface and the learning data vector, and the distance can be easily calculated. Resources can be saved.

【００５８】第２発明、第９発明及び第１６発明にあっ
ては、未知の対象の特徴データを取得して標本データベ
クトルに変換し、第１発明、第８発明及び第１５発明に
おいて算出した判別面と前記標本データベクトルとの位
置関係を調べて該標本データベクトルのカテゴリ判別を
行なった後、前記判別面のカテゴリ判別精度が許容可能
であるか否かを基準にして判別面の再算出が必要である
か否かを区別し、判別面の再算出が必要であるとされた
場合に、第１発明、第８発明及び第１５発明において求
めた再学習データベクトル及び前記標本データベクトル
を新たな再学習データベクトルとして、この新たな再学
習データベクトルを用いて判別面を再算出する。このた
め、再学習を行なう際に膨大な個数の再学習データベク
トルを用いる必要がなく、判断面の再算出に必要な計算
時間及び／又は計算機資源が節約出来る。In the second, ninth and sixteenth inventions, the characteristic data of the unknown object is obtained, converted into a sample data vector, and calculated in the first, eighth and fifteenth inventions. After examining the positional relationship between the discrimination surface and the sample data vector and performing category discrimination of the sample data vector, recalculation of the discrimination surface is performed based on whether or not the category discrimination accuracy of the discrimination surface is acceptable. Is discriminated whether or not the re-learning data vector and the sample data vector obtained in the first invention, the eighth invention, and the fifteenth invention are determined. The discrimination plane is recalculated using the new relearning data vector as a new relearning data vector. For this reason, it is not necessary to use an enormous number of re-learning data vectors when performing re-learning, and the calculation time and / or computer resources required for re-calculation of the determination surface can be saved.

【００５９】第３発明、第１０発明及び第１７発明にあ
っては、再学習データベクトルを選択する際に、判別面
からの距離が所定の値以下の学習データベクトルを再学
習データベクトルとして選択し、該再学習データベクト
ルを用いて判別面を再算出することにより、判別面に近
い学習データベクトルのみが判別面の決定に寄与すると
いう性質から、少数の再学習データベクトルから判別面
のカテゴリ判別精度を落とすことなく判別面の再算出を
行なうことが出来る。According to the third, tenth and seventeenth aspects of the present invention, when selecting a re-learning data vector, a learning data vector whose distance from the discrimination plane is equal to or less than a predetermined value is selected as the re-learning data vector. Then, by re-calculating the discrimination plane using the re-learning data vector, the property that only the learning data vector close to the discrimination plane contributes to the determination of the discrimination plane is determined. The recalculation of the discrimination plane can be performed without lowering the discrimination accuracy.

【００６０】第４発明、第１１発明及び第１８発明にあ
っては、未知の対象の特徴データを取得して標本データ
ベクトルに変換し、予め算出した判別面、例えば第１発
明、第８発明及び第１５発明において算出した判別面と
前記標本データベクトルとの位置関係を調べて該標本デ
ータベクトルのカテゴリ判別を行なった後、前記判別面
のカテゴリ判別精度が許容可能であるか否かを基準にし
て判別面の再算出が必要であるか否かを区別し、判別面
の再算出が必要であるとされた場合に、例えば第１発
明、第８発明及び第１５発明において用いられた学習デ
ータベクトルを再学習データベクトルとして用意し、該
再学習データベクトルの中から前記判別面からの距離が
所定の範囲内にある学習データベクトルを新たな再学習
データベクトルとして取得し、取得された再学習データ
ベクトル及び前記標本データベクトルを新たな再学習デ
ータベクトルとして、この新たな再学習データベクトル
を用いて判別面を再算出する。このため、再学習を行な
う際に膨大な個数の再学習データベクトルを用いる必要
がなく、判断面の再算出に必要な計算時間及び／又は計
算機資源が節約出来る。According to the fourth, eleventh and eighteenth aspects of the present invention, the characteristic data of the unknown object is obtained, converted into a sample data vector, and the discrimination plane calculated in advance, for example, the first and eighth aspects of the present invention. And examining the positional relationship between the discrimination plane calculated in the fifteenth invention and the sample data vector, and performing category discrimination of the sample data vector, and then determining whether the category discrimination accuracy of the discrimination plane is acceptable. To determine whether recalculation of the discrimination plane is necessary. If it is determined that recalculation of the discrimination plane is necessary, for example, the learning used in the first invention, the eighth invention, and the fifteenth invention is performed. A data vector is prepared as a re-learning data vector, and a learning data vector whose distance from the discrimination plane is within a predetermined range from the re-learning data vector is defined as a new re-learning data vector. Acquired, re-training data vectors and the sample data vector is acquired as a new re-training data vectors, recalculates the discrimination surface using the new re-training data vectors. For this reason, it is not necessary to use an enormous number of re-learning data vectors when performing re-learning, and the calculation time and / or computer resources required for re-calculation of the determination surface can be saved.

【００６１】また、再学習データベクトルを取得する基
準が判断面と前記再学習データベクトルとの距離であ
り、該距離は容易に算出出来るので、再学習データベク
トルの取得に必要な計算時間及び／又は計算機資源が節
約出来る。The criterion for obtaining the relearning data vector is the distance between the judgment plane and the relearning data vector, and the distance can be easily calculated. Alternatively, computer resources can be saved.

【００６２】第５発明、第１２発明及び第１９発明にあ
っては、再学習データベクトルを取得する際に、判別面
からの距離が所定の値以下の再学習データベクトルを取
得し、該再学習データベクトルを用いて判別面を再算出
することにより、判別面に近い学習データベクトルのみ
が判別面の決定に寄与するという性質から、少数の再学
習データベクトルから判別面のカテゴリ判別精度を落と
すことなく判別面の再算出を行なうことが出来る。According to the fifth, twelfth and nineteenth aspects of the present invention, when acquiring the relearning data vector, the relearning data vector whose distance from the discrimination plane is equal to or less than a predetermined value is acquired. Recalculating the discriminant plane using the learning data vector reduces the category discrimination accuracy of the discriminant plane from a small number of re-learning data vectors due to the property that only the learning data vector close to the discriminant plane contributes to the determination of the discriminant plane. The recalculation of the discrimination plane can be performed without the need.

【００６３】第６発明、第１３発明及び第２０発明にあ
っては、未知の対象の特徴データを取得して標本データ
ベクトルに変換し、予め算出した判別面、例えば第１発
明、第８発明及び第１５発明において算出した判別面と
前記標本データベクトルとの位置関係を調べて該標本デ
ータベクトルのカテゴリ判別を行なった後、前記判別面
のカテゴリ判別精度が許容可能であるか否かを基準にし
て判別面の再算出が必要であるか否かを区別し、判別面
の再算出が必要であるとされた場合に、前記判別面から
の距離が所定の範囲内にある再学習データベクトル、例
えば第１発明、第８発明及び第１５発明において求めた
再学習データベクトルを取得し、該再学習データベクト
ル及び前記標本データベクトルを新たな再学習データベ
クトルとして、この新たな再学習データベクトルを用い
て判別面を再算出する。このため、再学習を行なう際に
膨大な個数の再学習データベクトルを用いる必要がな
く、判断面の再算出に必要な計算時間及び／又は計算機
資源が節約出来る。According to the sixth, thirteenth, and twentieth inventions, feature data of an unknown object is acquired, converted into a sample data vector, and a discrimination plane calculated in advance, for example, the first and eighth inventions And examining the positional relationship between the discrimination plane calculated in the fifteenth invention and the sample data vector, and performing category discrimination of the sample data vector, and then determining whether the category discrimination accuracy of the discrimination plane is acceptable. To determine whether the recalculation of the discrimination plane is necessary. If it is determined that the recalculation of the discrimination plane is necessary, the relearning data vector whose distance from the discrimination plane is within a predetermined range is determined. For example, the relearning data vector obtained in the first invention, the eighth invention, and the fifteenth invention is obtained, and the relearning data vector and the sample data vector are set as new relearning data vectors. Recalculating discrimination surface using a new re-training data vectors. For this reason, it is not necessary to use an enormous number of re-learning data vectors when performing re-learning, and the calculation time and / or computer resources required for re-calculation of the determination surface can be saved.

【００６４】第７発明、第１４発明及び第２１発明にあ
っては、判別面からの距離が所定の値以下の再学習デー
タベクトルを取得し、該再学習データベクトルを用いて
判別面を再算出することにより、判別面に近い学習デー
タベクトルのみが判別面の決定に寄与するという性質か
ら、少数の再学習データベクトルから判別面のカテゴリ
判別精度を落とすことなく判別面の再算出を行なうこと
が出来る。In the seventh invention, the fourteenth invention and the twenty-first invention, a re-learning data vector whose distance from the discrimination plane is equal to or less than a predetermined value is obtained, and the discrimination plane is re-used by using the re-learning data vector. Due to the property that only the learning data vector close to the discriminant plane contributes to the decision of the discriminant plane, the recalculation of the discriminant plane without reducing the category discrimination accuracy of the discriminant plane from a small number of re-learning data vectors Can be done.

【００６５】[0065]

【発明の実施の形態】以下、本発明をその実施の形態を
示す図面に基づいて詳述する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the drawings showing the embodiments.

【００６６】ここでは、音声のパターン認識を行なう場
合であって、判別面を用いて標本データベクトルをカテ
ゴリＡ又はカテゴリＢの２個のカテゴリに判別すること
によりパターン認識を実施する形態について説明する。Here, a case will be described in which voice pattern recognition is performed, and pattern recognition is performed by discriminating a sample data vector into two categories of category A or category B using a discrimination plane. .

【００６７】また、パターン認識の処理手順を、高度な
計算能力（例えば数百から数千次元である学習データベ
クトルを数百から数千用いた繰り返し演算が可能な大き
いメモリ容量、高い計算速度）を必要とする学習（多数
の学習データベクトルを用いた判別面の算出）及び再学
習データベクトルの選択を行なう第１段階と、該第１段
階の処理に必要とされる計算能力より低度な計算能力で
足りる標本ベクトルのカテゴリ判別及び再学習（前記再
学習データベクトルを用いた判別面の再算出）を行なう
第２段階とに分け、高度な計算能力を有する第１コンピ
ュータによって第１段階の処理を、第１コンピュータ以
下の能力を有する第２コンピュータによって第２段階の
処理を、夫々行なうものとする。In addition, the pattern recognition processing procedure is performed with a high calculation capability (for example, a large memory capacity capable of performing repetitive calculations using hundreds to thousands of learning data vectors having hundreds to thousands of dimensions, and a high calculation speed). (A calculation of a discriminant plane using a large number of learning data vectors) and selection of a re-learning data vector, and a computational power lower than the calculation capability required for the processing of the first stage. The second step of performing category discrimination and re-learning (recalculation of the discrimination plane using the re-learning data vector) of the sample vector sufficient for the calculation is divided into two steps. It is assumed that the processing in the second stage is performed by a second computer having a capability equal to or lower than that of the first computer.

【００６８】図１は、本発明に係るパターン認識装置の
実施の形態を示すブロック図である。FIG. 1 is a block diagram showing an embodiment of a pattern recognition device according to the present invention.

【００６９】図中１は高度な計算能力を有する第１コン
ピュータ、図中２は、第１コンピュータ以下の能力を有
する第２コンピュータである。In the figure, reference numeral 1 denotes a first computer having a high calculation capability, and reference numeral 2 denotes a second computer having a capability equal to or lower than that of the first computer.

【００７０】第１コンピュータ１には音声入力装置１８
が接続されており、該音声入力装置１８から、第１コン
ピュータ１を用いて後述の手順により判別面を算出する
ための学習データベクトルとなる音声を入力する。The first computer 1 has a voice input device 18
Is connected, and a voice that is a learning data vector for calculating a discrimination plane is input from the voice input device 18 using the first computer 1 according to a procedure described later.

【００７１】第１コンピュータ１はＣＰＵ１１を有し、
該ＣＰＵ１１に対して、キーボード及びマウス等の入力
装置を備える入力部１３、本発明のプログラムが記録さ
れているＣＤ−ＲＯＭ又はフレキシブルディスク等の可
搬型記録媒体１４に記録されているプログラムを読み取
るＣＤ−ＲＯＭドライブ又はフレキシブルディスクドラ
イブ等の外部記憶装置１５、外部記憶装置１５により読
み取った本発明のプログラムを格納するハードディスク
１６、入出力画面を表示するディスプレイ並びに出力さ
れたデータ及びパラメータを可搬型記録媒体に書き込む
外部記憶装置を備える出力部１７、並びに前記ＣＰＵ１
１において発生するデータと、前記音声入力装置１８又
は入力部１３から入力されるデータ及びパラメータと、
前記プログラムとを記憶するメモリ１２が接続されてい
る。前記ＣＰＵ１１及びメモリ１２は、後述する判別面
算出に必要な計算速度、計算精度等の諸条件を実現する
ことが可能な処理能力及びメモリ容量を有する。The first computer 1 has a CPU 11,
For the CPU 11, an input unit 13 including an input device such as a keyboard and a mouse, and a CD for reading a program recorded on a portable recording medium 14 such as a CD-ROM or a flexible disk in which the program of the present invention is recorded. An external storage device 15 such as a ROM drive or a flexible disk drive, a hard disk 16 for storing the program of the present invention read by the external storage device 15, a display for displaying an input / output screen, and a portable recording medium for storing output data and parameters. Output unit 17 including an external storage device for writing to CPU 1 and CPU 1
1, data and parameters input from the voice input device 18 or the input unit 13,
A memory 12 for storing the program is connected. The CPU 11 and the memory 12 have a processing capacity and a memory capacity capable of realizing various conditions, such as a calculation speed and a calculation accuracy, required for calculating a discrimination plane described later.

【００７２】可搬型記録媒体１４には本発明のプログラ
ムが記録されており、該プログラムを外部記憶装置１５
を用いて第１コンピュータ１へダウンロードし、ハード
ディスク１６に格納する。前記プログラムには、それ自
体公知の技術であるサポートベクトルマシーンが含まれ
ており、格納されたプログラムをＣＰＵ１１がメモリ１
２にロードすることによって第１コンピュータ１は本発
明の第１段階の処理を行なう機能を有する。The program of the present invention is recorded on the portable recording medium 14, and the program is stored in the external storage device 15.
And downloaded to the first computer 1 and stored in the hard disk 16. The program includes a support vector machine, which is a technology known per se. The CPU 11 stores the stored program in the memory 1.
2, the first computer 1 has a function of performing the first stage processing of the present invention.

【００７３】音声入力装置１８について説明すると、マ
イクロホン１８１によって集音した音声は該マイクロホ
ン１８１によって電気信号に変換される。この電気信号
を増幅器１８２で増幅してＡ／Ｄ（アナログ／デジタ
ル）変換器１８３でデジタル化して第１コンピュータ１
へ入力する。The sound input device 18 will be described. The sound collected by the microphone 181 is converted into an electric signal by the microphone 181. The electric signal is amplified by an amplifier 182, digitized by an A / D (analog / digital) converter 183, and
Enter

【００７４】音声入力装置１８からは集音した音声がデ
ジタルデータに変換されて前記第１コンピュータ１へ入
力され、学習データとしてメモリ１２に格納される。入
力部１３、例えばキーボードから、前記学習データのカ
テゴリデータ、多次元空間の次元、周波数領域等の、第
１段階の処理に必要なパラメータ及びデータが入力され
て、メモリ１２に格納される。The collected voice is converted into digital data from the voice input device 18, input to the first computer 1, and stored in the memory 12 as learning data. Parameters and data required for the first-stage processing, such as the category data of the learning data, dimensions of the multidimensional space, and frequency domain, are input from an input unit 13, for example, a keyboard, and stored in the memory 12.

【００７５】ＣＰＵ１１は、メモリ１２に格納されたデ
ータ及びパラメータを用いて学習データの学習データベ
クトルへの変換、学習データベクトルによる判別面の算
出、該判別面と学習データベクトルとの間の距離の算出
等の演算、及び該距離を用いた再学習データベクトルの
選択を行ない、該選択の終了後、出力部１７のディスプ
レイに、算出された判別面、及び学習データベクトルの
中から選択された再学習データベクトルと該再学習デー
タベクトルのカテゴリデータとの組とを第１出力データ
として表示し、また、前記出力部１７の外部記憶装置を
用いて可搬型記録媒体に前記第１出力データを記録す
る。該第１出力データは、前記可搬型記録媒体を介して
第２コンピュータ２へ入力される。The CPU 11 converts the learning data into a learning data vector using the data and parameters stored in the memory 12, calculates a discrimination plane based on the learning data vector, and calculates the distance between the discrimination plane and the learning data vector. Calculation and the like, and selection of the re-learning data vector using the distance are performed. After the selection is completed, the re-learning data vector selected from the calculated discrimination plane and the learning data vector is displayed on the display of the output unit 17. A set of the learning data vector and the category data of the relearning data vector is displayed as first output data, and the first output data is recorded on a portable recording medium using an external storage device of the output unit 17. I do. The first output data is input to the second computer 2 via the portable recording medium.

【００７６】なお、入力部１３からは、多次元空間の次
元、周波数領域、及び各学習データに対応するカテゴリ
データ等の、必要なパラメータ及びデータが入力される
が、これらのパラメータ及びデータを、前述したキーボ
ードを介して入力する以外に、可搬型記録媒体に記録し
て外部記憶装置１５で読み取り第１コンピュータ１へ入
力しても良い。また、音声入力装置１８を用いず、予め
学習データベクトルに変換した音声のデータを直接第１
コンピュータ１へ入力しても良い。The input unit 13 inputs necessary parameters and data, such as dimensions of a multidimensional space, frequency domain, and category data corresponding to each learning data. Instead of inputting via the above-described keyboard, the information may be recorded on a portable recording medium, read by the external storage device 15, and input to the first computer 1. Also, without using the voice input device 18, the voice data previously converted to the learning data vector is directly input to the first data.
It may be input to the computer 1.

【００７７】第２コンピュータ２にも音声入力装置２８
が接続されており、該音声入力装置２８から、第２コン
ピュータ２を用いて後述の手順によりカテゴリを判別す
るための標本データベクトルとなる音声が入力される。The second computer 2 also has a voice input device 28
Is connected, and a voice serving as a sample data vector for determining a category is input from the voice input device 28 using the second computer 2 according to a procedure described later.

【００７８】第２コンピュータ２はＣＰＵ２１を有し、
該ＣＰＵ２１に対して、キーボード及びマウス等の入力
装置と前記可搬型記録媒体に記録された第１出力データ
を読み取る外部記憶装置とを備える入力部２３、本発明
のプログラムが記録されているＣＤ−ＲＯＭ又はフレキ
シブルディスク等の可搬型記録媒体２４に記録されてい
るプログラムを読み取るＣＤ−ＲＯＭドライブ又はフレ
キシブルディスクドライブ等の外部記憶装置２５、外部
記憶装置２５により読み取った本発明のプログラムを格
納するハードディスク２６、入出力画面を表示するディ
スプレイを備える出力部２７、並びに前記ＣＰＵ２１に
おいて発生するデータと、前記音声入力装置２８又は入
力部２３から入力されるデータ及びパラメータと、前記
プログラムとを記憶するメモリ２２が接続されている。The second computer 2 has a CPU 21,
For the CPU 21, an input unit 23 including an input device such as a keyboard and a mouse and an external storage device for reading first output data recorded on the portable recording medium, and a CD-ROM on which a program of the present invention is recorded. An external storage device 25 such as a CD-ROM drive or a flexible disk drive for reading a program recorded on a portable recording medium 24 such as a ROM or a flexible disk, and a hard disk 26 for storing the program of the present invention read by the external storage device 25 An output unit 27 having a display for displaying an input / output screen; and a memory 22 for storing data generated in the CPU 21, data and parameters input from the voice input device 28 or the input unit 23, and the program. It is connected.

【００７９】可搬型記録媒体２４には本発明のプログラ
ムが記録されており、該プログラムを外部記憶装置２５
を用いて第２コンピュータ２へダウンロードし、ハード
ディスク２６に格納する。前記プログラムには、それ自
体公知の技術であるサポートベクトルマシーンが含まれ
ており、格納されたプログラムをＣＰＵ２１がメモリ２
２にロードすることによって第２コンピュータ２は本発
明の第２段階の処理を行なう機能を有する。The program of the present invention is recorded on the portable recording medium 24, and the program is stored in the external storage device 25.
Is downloaded to the second computer 2 and stored in the hard disk 26. The program includes a support vector machine which is a known technique, and the stored program is stored in the memory 2 by the CPU 21.
2, the second computer 2 has a function of performing the processing of the second stage of the present invention.

【００８０】音声入力装置２８について説明すると、マ
イクロホン２８１によって集音した音声は該マイクロホ
ン２８１によって電気信号に変換される。この電気信号
を増幅器２８２で増幅してＡ／Ｄ（アナログ／デジタ
ル）変換器２８３でデジタル化して第２コンピュータ２
へ入力する。The sound input device 28 will be described. The sound collected by the microphone 281 is converted into an electric signal by the microphone 281. This electric signal is amplified by an amplifier 282, digitized by an A / D (analog / digital) converter 283, and
Enter

【００８１】音声入力装置２８からは集音した音声がデ
ジタルデータに変換されて前記第２コンピュータ２へ入
力され、標本データとしてメモリ２２に格納される。入
力部２３、例えば外部記憶装置から、可搬型記録媒体に
記録された前記第１出力データ、またキーボードから、
多次元空間の次元、周波数領域等の、第２段階の処理に
必要なパラメータ及びデータが入力されて、メモリ２２
に格納される。The collected sound is converted into digital data from the sound input device 28, input to the second computer 2, and stored in the memory 22 as sample data. From the input unit 23, for example, from the external storage device, the first output data recorded on the portable recording medium, or from the keyboard,
Parameters and data required for the second-stage processing, such as the dimensions of the multidimensional space and the frequency domain, are input to the memory 22.
Is stored in

【００８２】ＣＰＵ２１は、メモリ２２に格納されたデ
ータ及びパラメータを用いて標本データの標本データベ
クトルへの変換、該標本データベクトルによるカテゴリ
判別、判別面の再算出の要不要の判断受付、及び判別面
の再算出を行なう。The CPU 21 converts the sample data into a sample data vector using the data and parameters stored in the memory 22, determines the category based on the sample data vector, accepts the necessity of recalculation of the discrimination plane, and accepts the discrimination. Recalculate the surface.

【００８３】出力部２７のディスプレイには、データの
入力指示又は判別された標本データのカテゴリが表示さ
れる。The display of the output unit 27 displays a data input instruction or the category of the sample data determined.

【００８４】なお、出力部２７のディスプレイには第２
段階の処理によって判別された標本データのカテゴリが
出力、表示されるが、該カテゴリを外部記憶装置を用い
て可搬型記録媒体に記録することで出力しても良い。The display of the output section 27 has the second
The category of the sample data determined by the processing in the step is output and displayed, but the category may be output by recording the category on a portable recording medium using an external storage device.

【００８５】また、音声入力装置２８を用いず、予め標
本データベクトルに変換した音声のデータを直接第２コ
ンピュータ２へ入力しても良い。Further, instead of using the voice input device 28, voice data previously converted into a sample data vector may be directly input to the second computer 2.

【００８６】また、第１コンピュータ１から、多次元空
間の次元、周波数領域、第１出力データ等の、必要なパ
ラメータ及びデータを、直接第２コンピュータ２へ入力
しても良い。Further, necessary parameters and data such as dimensions of a multidimensional space, a frequency domain, and first output data may be directly input from the first computer 1 to the second computer 2.

【００８７】図２は、第１コンピュータ１で行なわれる
第１段階の処理の手順を示すフローチャートである。FIG. 2 is a flowchart showing the procedure of the first stage processing performed by the first computer 1.

【００８８】第１コンピュータ１は、カテゴリＡ（例え
ば「あ」）の音声と該音声のカテゴリデータ（例えば
１）との組、並びにカテゴリＢ（「あ」ではない
「い」、「う」、「え」等）の音声と該音声のカテゴリ
データ（例えば−１）との組の入力を受け付ける。この
とき、音声を音声入力装置１８から、カテゴリデータを
入力部１３から入力するよう要求し、前記出力部１７の
ディスプレイに指示を表示する（Ｓ２０１）。The first computer 1 includes a set of a voice of category A (for example, “A”) and category data of the voice (for example, 1), and a category B (for “A”, “U”, An input of a set of a voice of "e" or the like and category data (for example, -1) of the voice is received. At this time, a request is made to input category data from the input unit 13 from the voice input device 18 and a command is displayed on the display of the output unit 17 (S201).

【００８９】音声入力装置１８から入力され、デジタル
データに変換された音声、即ち該音声の特徴データを、
学習データとして取得し、該学習データと該学習データ
に対応するカテゴリデータとを一組としてメモリ１２に
記憶する。また、前記学習データとカテゴリデータとの
組がｉ組目（ｉ＝１，２，…）であることをカウントす
る（Ｓ２０２）。The voice input from the voice input device 18 and converted into digital data, that is, the characteristic data of the voice,
The learning data is acquired, and the learning data and the category data corresponding to the learning data are stored in the memory 12 as a set. Further, it counts that the combination of the learning data and the category data is the i-th combination (i = 1, 2,...) (S202).

【００９０】音声及びカテゴリの入力を終了するか否か
前記出力部１７のディスプレイに指示を表示し、終了す
る場合は前記ｉを前記学習データと該学習データに対応
するカテゴリデータとの組の数Ｎとして前記メモリ１２
に記憶し、入力を続行する場合はＳ２０１に戻る（Ｓ２
０３）。An instruction is displayed on the display of the output unit 17 as to whether or not to end the input of the voice and the category. If the instruction is to be ended, i is set to the number of sets of the learning data and the category data corresponding to the learning data. N as the memory 12
To return to S201 to continue the input (S2).
03).

【００９１】学習データを学習データベクトルに変換さ
せるときに用いるパラメータ（サンプリングの時間間
隔、サンプリング数ｔ、周波数領域及び該周波数領域の
区分数ｕ）、再学習によるカテゴリ判別精度の向上性又
は再計算にかかる時間等の計算の便を勘案してあらかじ
め決定される再学習データベクトルの選択条件（学習デ
ータベクトルと判別面との距離ｄの範囲）等、必要なデ
ータ及びパラメータである第１初期データを入力部１３
からキーボードを介して入力するよう要求し、前記出力
部１７のディスプレイに指示を表示する（Ｓ２０４）。Parameters used when converting learning data into learning data vectors (sampling time interval, number of samplings t, frequency domain and number of divisions u in the frequency domain), improvement in category discrimination accuracy by re-learning, or recalculation Necessary data and parameters, such as selection conditions (range of the distance d between the learning data vector and the discrimination surface) of the re-learning data vector determined in consideration of the convenience of calculation such as the time required for the first initial data Input unit 13
Requests the user to input through the keyboard, and displays an instruction on the display of the output unit 17 (S204).

【００９２】第１初期データを全て取得していない場
合、Ｓ２０４に戻る（Ｓ２０５）。If all the first initial data has not been obtained, the process returns to S204 (S205).

【００９３】なお、サポートベクトルと判別面との間の
距離を１に正規化する場合は１未満の距離がないため、
１以上、例えば２以下を学習データベクトルと判別面と
の距離である前記ｄの範囲として設定する。When the distance between the support vector and the discrimination plane is normalized to 1, there is no distance less than 1;
One or more, for example, two or less, is set as the range of d, which is the distance between the learning data vector and the discrimination surface.

【００９４】次に、Ｓ２０２で取得した学習データを所
定の時間間隔でｔ個（例えば１０ｍｓの間隔で１００
個）サンプリングし、フーリエ変換して、各サンプリン
グ時におけるあらかじめ定められた周波数区分数ｕ（例
えば０Ｈｚから２０００Ｈｚまで等間隔で２０区分）の
信号強度（パワースペクトル）の時系列データを求め
る。このｔ×ｕ＝ｍ次元（１００×２０＝２０００次
元）の時系列データを１つの学習データベクトルＶ[i]
（i=1,2,…,N）とし、該学習データベクトルに対応する
カテゴリデータをカテゴリデータｙ[i] （i=1,2,…,N）
としてメモリ１２に記憶する（Ｓ２０６）。Next, the learning data acquired in S202 is t data at predetermined time intervals (for example, 100 data at 10 ms intervals).
), And perform Fourier transform to obtain time-series data of signal strength (power spectrum) of a predetermined number u of frequency divisions (for example, 20 divisions at equal intervals from 0 Hz to 2000 Hz) at each sampling. This time-series data of t × u = m dimensions (100 × 20 = 2000 dimensions) is converted into one learning data vector V [i].
(I = 1,2, ..., N), and the category data corresponding to the learning data vector is category data y [i] (i = 1,2, ..., N)
Is stored in the memory 12 (S206).

【００９５】前述の変換をＮ個の学習データ夫々に行な
い、Ｎ組の学習データベクトルＶ[i] とカテゴリデータ
ｙ[i] との組を得る（Ｓ２０７）。The above-described conversion is performed on each of the N pieces of learning data to obtain a set of N sets of learning data vectors V [i] and category data y [i] (S207).

【００９６】前記Ｎ組の学習データベクトルＶ[i] とカ
テゴリデータｙ[i] との組から、サポートベクトルマシ
ーンを用いて判別面Ｗ・Ｘ＋ｂ＝０におけるＷ，ｂを算
出する（Ｓ２０８）。From the set of the N sets of learning data vectors V [i] and the category data y [i], W and b at the discrimination plane W · X + b = 0 are calculated using a support vector machine (S208).

【００９７】次に学習データベクトルＶ[i] と判別面Ｗ
・Ｘ＋ｂ＝０との間の距離ｄ[i] を式(4) により算出す
る（Ｓ２０９）。Next, the learning data vector V [i] and the discrimination plane W
The distance d [i] between X + b = 0 is calculated by the equation (4) (S209).

【００９８】次に、Ｓ２０７で得た前記Ｎ組の学習デー
タベクトルＶ[i] とカテゴリデータｙ[i] との組の中か
らＳ２０４において取得した前記選択条件に合致する
（例えば学習データベクトルと判別面との距離ｄ[i] が
前記ｄの範囲内に含まれる、即ち１以上２以下である)
学習データベクトルＶ[i] とカテゴリデータｙ[i] との
組を選択し、再学習データベクトルＶ'[k]と再学習用カ
テゴリデータｙ'[k]との組とする（k=1,2,…,N' ；N'<
N）（Ｓ２１０）。Next, from the set of the N sets of learning data vectors V [i] and the category data y [i] obtained in S207, the selection condition obtained in S204 is met (for example, the learning data vector (The distance d [i] to the discrimination surface is included in the range of d, that is, 1 or more and 2 or less.)
A pair of the learning data vector V [i] and the category data y [i] is selected to be a pair of the re-learning data vector V '[k] and the re-learning category data y' [k] (k = 1 , 2,…, N ';N'<
N) (S210).

【００９９】Ｎ組の学習データベクトルＶ[i] とカテゴ
リデータｙ[i] との組夫々について前述のようにｄ[i]
の算出とＶ'[k]，ｙ'[k]の選択とを行なう（Ｓ２１
１）。As described above, for each set of N sets of learning data vectors V [i] and category data y [i], d [i]
Is calculated and V '[k] and y' [k] are selected (S21).
1).

【０１００】なお、判別面からの距離が小さすぎる学習
データベクトルは汎化誤差が大きいので、そのようなデ
ータを新しい判別面の算出時にあらかじめ除去しておく
ことにより、判別困難な再学習データベクトルが混入す
ることにより判別面が異常になって正常なカテゴリ判別
が行なえなくなることを防止することも出来る。これ
は、再学習データベクトルを選択するときの距離の下限
を設定することによって行なえる。Since a learning data vector whose distance from the discrimination plane is too small has a large generalization error, by removing such data in advance when calculating a new discrimination plane, a relearning data vector that is difficult to discriminate can be obtained. Can be prevented from becoming abnormal so that normal category determination cannot be performed. This can be done by setting the lower limit of the distance when selecting the relearning data vector.

【０１０１】最後に、Ｓ２０８で求めた判別面Ｗ・Ｘ＋
ｂ＝０におけるＷ，ｂ、及びＳ２１０で求めた再学習デ
ータベクトルＶ'[k]と再学習用カテゴリデータｙ'[k]と
の組を第２コンピュータ２システムへ入力するための第
１出力データとし、出力部１７のディスプレイに表示
し、また、前記出力部１７の外部記憶装置を用いて可搬
型記録媒体に書き込む（Ｓ２１２）。Finally, the discrimination plane W.X + obtained in S208
W, b at b = 0, and a first output for inputting a set of the re-learning data vector V ′ [k] and the re-learning category data y ′ [k] obtained in S210 to the second computer 2 system The data is displayed on the display of the output unit 17 and written on a portable recording medium using the external storage device of the output unit 17 (S212).

【０１０２】なお、判別面を算出した後、新たな学習デ
ータベクトルを追加しても良く、この追加された学習デ
ータベクトルも含む全ての学習データベクトルについて
各々判別面からの距離を計算し、その距離が所定の範囲
内に入る前記学習データベクトルを再学習データベクト
ルとして選択しても良い。After calculating the discrimination plane, a new learning data vector may be added. The distance from the discrimination plane is calculated for each of all the learning data vectors including the added learning data vector. The learning data vector whose distance falls within a predetermined range may be selected as the relearning data vector.

【０１０３】図３は、第２コンピュータ２で行なわれる
第２段階の処理の手順を示すフローチャートである。FIG. 3 is a flowchart showing the procedure of the second stage processing performed by the second computer 2.

【０１０４】第２コンピュータ２は、音声の入力を受け
付ける。このとき、前記音声を音声入力装置２８から入
力するよう要求し、前記出力部２７のディスプレイに指
示を表示する（Ｓ４０１）。The second computer 2 accepts a voice input. At this time, a request is made to input the voice from the voice input device 28, and an instruction is displayed on the display of the output unit 27 (S401).

【０１０５】音声入力装置２８へ入力され、デジタルデ
ータに変換された音声を、標本データとしてメモリ２２
に記憶する（Ｓ４０２）。The voice input to the voice input device 28 and converted into digital data is used as sample data in the memory 22.
(S402).

【０１０６】前記第１出力データ（判別面Ｗ・Ｘ＋ｂ＝
０におけるＷ，ｂ及び再学習データベクトルＶ'[k]と再
学習用カテゴリデータｙ'[k]との組）、標本データを標
本データベクトルに変換させるときに用いるパラメータ
（サンプリングの時間間隔及び周波数区分）等、第２段
階の処理に必要なパラメータ及びデータである第２初期
データを入力部２３から（例えば前記第１出力データが
記録された可搬型記録媒体を介して該可搬型記録媒体を
読み取る外部記憶装置から、また、手入力でキーボード
から）入力するよう要求し、前記出力部２７のディスプ
レイに指示を表示する（Ｓ４０３）。The first output data (determination plane W · X + b =
W, b at 0, a set of re-learning data vector V '[k] and re-learning category data y' [k], parameters used when converting sample data into sample data vector (sampling time interval and Second initial data, such as parameters and data necessary for the second stage processing, such as frequency division, are input from the input unit 23 (for example, via a portable recording medium on which the first output data is recorded). Is requested from the external storage device that reads the data and from the keyboard manually, and an instruction is displayed on the display of the output unit 27 (S403).

【０１０７】第２初期データを全て取得していない場
合、Ｓ４０３に戻る（Ｓ４０４）。If all the second initial data has not been obtained, the process returns to S403 (S404).

【０１０８】次に、Ｓ４０２で取得した標本データを所
定の間隔でサンプリングし、フーリエ変換して、各サン
プリング時におけるあらかじめ決められた周波数区分の
パワースペクトルの時系列データを求める。この時系列
データを標本データベクトルＺとする（Ｓ４０５）。Next, the sample data obtained in S402 is sampled at a predetermined interval, and Fourier-transformed to obtain time-series data of a power spectrum of a predetermined frequency division at each sampling. This time-series data is set as a sample data vector Z (S405).

【０１０９】該標本データベクトルＺと判別面Ｗ・Ｘ＋
ｂ＝０との位置関係を調べる。具体的には、判別面のパ
ラメータＷ，ｂと前記標本データＺからＷ・Ｚ＋ｂの値
を算出する（Ｓ４０６）。The sample data vector Z and the discrimination plane W · X +
The positional relationship with b = 0 is checked. Specifically, the value of W · Z + b is calculated from the parameters W and b of the discrimination surface and the sample data Z (S406).

【０１１０】次に、該Ｗ・Ｚ＋ｂの値の正負を判定する
（Ｓ４０７）。Next, it is determined whether the value of W.Z + b is positive or negative (S407).

【０１１１】この値が正の場合には、前記標本データを
カテゴリＡと判別し、出力部２７のディスプレイに結果
を表示する（Ｓ４０８ａ）。If this value is positive, the sample data is determined to be category A, and the result is displayed on the display of the output unit 27 (S408a).

【０１１２】この値が負の場合には、前記標本データを
カテゴリＢと判別し、出力部２７のディスプレイに結果
を表示する（Ｓ４０８ｂ）。If the value is negative, the sample data is determined to be category B, and the result is displayed on the display of the output unit 27 (S408b).

【０１１３】次に、判別面を再算出する必要があるか否
かの判断を受け付ける。Ｓ４０８ａ又はＳ４０８ｂで判
断されたカテゴリが誤っている場合は再算出が必要であ
るとして「Ｙ」又は「ｙ」を、正しい場合は再算出が不
要であるとして「Ｎ」又は「ｎ」を、入力部２３からキ
ーボードを介して入力するよう要求し、前記出力部２７
のディスプレイに指示を表示する（Ｓ４０９）。Next, a determination is made as to whether or not it is necessary to recalculate the discrimination plane. If the category determined in S408a or S408b is incorrect, enter "Y" or "y" as recalculation is necessary, and if correct, enter "N" or "n" as recalculation is unnecessary. Requesting input from the keyboard from the unit 23,
(S409).

【０１１４】「Ｙ」又は「ｙ」の入力を取得した、即ち
判別面を再算出する必要があると判断した場合はＳ４１
１へ、「Ｎ」又は「ｎ」の入力を取得した、即ち判別面
を再算出する必要がないと判断した場合はＳ４１４へ移
る（Ｓ４１０）。If the input of "Y" or "y" is obtained, that is, if it is determined that the discrimination surface needs to be recalculated, the process proceeds to S41.
If the input of “N” or “n” has been obtained, that is, if it is determined that there is no need to recalculate the discrimination surface, the process proceeds to S414 (S410).

【０１１５】Ｓ４１０において判別面の再算出が必要で
あると判断された、即ちＳ４０８ａ又はＳ４０８ｂで判
断された前記標本データＺのカテゴリが誤りであったと
判断されたため、ここでカテゴリの判断を修正し、カテ
ゴリデータｙz を得る。例えば、カテゴリＡと判断され
ていた場合は前記標本データＺの真のカテゴリがカテゴ
リＢであると修正し、カテゴリデータｙz ＝−１を得
る。カテゴリＢと判断されていた場合は前記標本データ
Ｚの真のカテゴリがカテゴリＡであると修正し、カテゴ
リデータｙz ＝１を得る（Ｓ４１１）。In S410, it was determined that recalculation of the discrimination plane was necessary, that is, it was determined that the category of the sample data Z determined in S408a or S408b was incorrect. , And category data yz. For example, if it is determined that the category A is the category A, the true category of the sample data Z is corrected to be the category B, and the category data yz = -1 is obtained. If it is determined that the category is category B, the true category of the sample data Z is corrected to be category A, and category data yz = 1 is obtained (S411).

【０１１６】前記再学習データベクトルＶ'[k]と再学習
用カテゴリデータｙ'[k]との組に前記標本データベクト
ルＺと前記カテゴリデータｙz との組を追加し、新たな
再学習データベクトルと再学習用カテゴリデータとの組
とする（Ｓ４１２）。A pair of the sample data vector Z and the category data yz is added to a pair of the re-learning data vector V ′ [k] and the re-learning category data y ′ [k], and new re-learning data is obtained. A set of the vector and the category data for re-learning is set (S412).

【０１１７】Ｓ４１２で得られた新たな再学習データベ
クトルと再学習用カテゴリデータとを用いてサポートベ
クトルマシーンにより新たな判別面のパラメータＷ，ｂ
を算出する（Ｓ４１３）。Using the new re-learning data vector and the re-learning category data obtained in S412, the parameters W and b of the new discrimination plane are obtained by the support vector machine.
Is calculated (S413).

【０１１８】なお、ここで用いられた新たな再学習デー
タベクトルと再学習用カテゴリデータとの組は、前述の
第１コンピュータ１で用いられた学習データベクトルＶ
[i]とカテゴリデータｙ[i] との組Ｎ組よりも数が少な
いので、第２コンピュータ２の計算能力が第１コンピュ
ータ１より劣っていても問題はない。The pair of the new re-learning data vector and the re-learning category data used here is the learning data vector V used in the first computer 1 described above.
Since the number of sets is smaller than the set N of sets [i] and category data y [i], there is no problem even if the calculation capability of the second computer 2 is inferior to that of the first computer 1.

【０１１９】Ｓ４１３で得られた新たな判別面Ｗ・Ｘ＋
ｂ＝０は、再学習により判別精度が向上した判別面であ
るので、該判別面を用いて前記標本データＺのカテゴリ
判別を行なうために、再びＳ４０６へ戻る。The new discrimination plane W.X + obtained in S413
Since b = 0 is a discrimination surface whose discrimination accuracy has been improved by re-learning, the process returns to S406 again in order to perform the category discrimination of the sample data Z using the discrimination surface.

【０１２０】一方、Ｓ４１０で判別面の再算出が不必要
であると判断された場合は、Ｓ４０８ａ又はＳ４０８ｂ
で判別したカテゴリを出力部２７のディスプレイに出力
する（Ｓ４１４）。On the other hand, if it is determined in S410 that recalculation of the discrimination surface is unnecessary, the process proceeds to S408a or S408b.
The category determined in step is output to the display of the output unit 27 (S414).

【０１２１】なお、上述の実施例では、ある１つの音声
についてカテゴリ判断を行なっているが、例えばＬ個の
音声を受け付けて上述の処理をＬ回繰り返しても良い。In the above-described embodiment, the category is determined for a certain voice. However, for example, L voices may be received and the above process may be repeated L times.

【０１２２】また、判別面の再算出の要不要の判断の入
力を受け付ける実施形態ではなく、カテゴリ判別する音
声に対応するカテゴリデータの入力を受け付けて、判別
されたカテゴリのカテゴリデータと入力されたカテゴリ
データとを一致するか否か比較することで判別面の再算
出の要不要を判断しても良い（一致した場合は再算出不
要、一致しない場合は再算出が必要）。Further, instead of receiving the input of the judgment that the recalculation of the discrimination plane is unnecessary, the input of the category data corresponding to the voice for which the category is to be discriminated is received, and the category data of the discriminated category is input. Whether or not recalculation of the discrimination surface is necessary may be determined by comparing whether or not the data matches the category data (recalculation is unnecessary if they match, and recalculation is necessary if they do not match).

【０１２３】また、真のカテゴリが出力されている場合
であっても、判別面Ｗ・Ｘ＋ｂ＝０と前記標本データベ
クトルＺとの距離が近い（式(4) のＶ[i] にＺを代入し
た値が所定の値より小さい）場合は、再算出が必要であ
ると判断しても良い。Further, even when the true category is output, the distance between the discrimination plane W · X + b = 0 and the sample data vector Z is short (Z is added to V [i] in equation (4)). If the substituted value is smaller than the predetermined value), it may be determined that recalculation is necessary.

【０１２４】また、判別面を再算出した後、その新しい
判別面と再学習データベクトルとの間の距離を算出し、
その距離に基づいて再度再学習データベクトルを選択し
ても良い。このとき、新しい判別面と再学習データベク
トルとの間の距離を算出する前に、新たな学習データベ
クトルを再学習データベクトルに追加しても良い。After recalculating the discrimination plane, the distance between the new discrimination plane and the relearning data vector is calculated.
The relearning data vector may be selected again based on the distance. At this time, the new learning data vector may be added to the relearning data vector before calculating the distance between the new discrimination plane and the relearning data vector.

【０１２５】以上のようにして、本発明におけるパター
ン認識方法およびパターン認識装置は、判別面と学習デ
ータベクトルとの間の距離、場合によっては判別面と標
本データベクトルとの間の距離、判別面と再学習データ
ベクトルとの間の距離という容易に算出出来るパラメー
タを用いて判別面を再算出するための再学習データベク
トルを決定し、また、再学習を行なう場合には最初の判
別面を算出したときの学習データベクトルとカテゴリデ
ータとの組よりも少ない再学習データベクトルと再学習
用カテゴリデータとを用いるので、膨大な計算機資源及
び／又は膨大な計算時間を要することなく、より判別精
度の高い判別面を効率よく再決定出来るという利点が得
られる。As described above, the pattern recognition method and the pattern recognition apparatus according to the present invention provide the distance between the discrimination plane and the learning data vector, and in some cases, the distance between the discrimination plane and the sample data vector. Determines the relearning data vector for recalculating the discriminant plane using the easily calculated parameter of the distance between the re-learning data vector and the first discriminant plane when relearning is performed. Since the re-learning data vector and the re-learning category data are used less than the pair of the learning data vector and the category data at the time of performing the above, a large amount of computer resources and / or a large amount of calculation time are not required, and the discrimination accuracy is improved. The advantage is obtained that a high discrimination plane can be efficiently determined again.

【０１２６】なお、再学習データベクトルの選択範囲
は、計算量、計算頻度、又は誤認識（判別面によるカテ
ゴリ判別ミス）の頻度等により、適宜その範囲を増減し
ても良い。The selection range of the relearning data vector may be appropriately increased or decreased according to the amount of calculation, the calculation frequency, or the frequency of erroneous recognition (category discrimination error due to the discrimination plane).

【０１２７】また、再学習データベクトルは、判別面か
ら近い順（ｄ[i] の小さい順）に所定の数だけを選択し
ても良い。又は、所定の範囲にｄ[i] が入る学習データ
ベクトルＶ[i] とカテゴリデータｙ[i] との組の数が所
定の数を超えた場合に、判別面から近い順に所定の数だ
けを選択しても良い。この選択数は、再学習によるカテ
ゴリ判別精度の向上性、再計算にかかる時間等の計算の
便を勘案して決定する。Also, a predetermined number of re-learning data vectors may be selected in the order closer to the discrimination plane (in order of smaller d [i]). Alternatively, when the number of pairs of the learning data vector V [i] and the category data y [i] in which d [i] falls within a predetermined range exceeds a predetermined number, the predetermined number is set in ascending order from the discrimination plane. May be selected. The number of selections is determined in consideration of the improvement of the category discrimination accuracy by re-learning and the convenience of calculation such as the time required for re-calculation.

【０１２８】学習データベクトルと判別面との間の距離
は式(4) のみではなく、例えばあらかじめ決められたｍ
次元より小さいｍ' 次元空間における距離を用いてもよ
い。つまり、判別されるデータの特性、計算上の便宜等
に合わせて距離の定義を変えても良い。The distance between the learning data vector and the discrimination plane is not limited to equation (4).
A distance in an m′-dimensional space smaller than the dimension may be used. That is, the definition of the distance may be changed in accordance with the characteristics of the data to be determined, the convenience of calculation, and the like.

【０１２９】また、カテゴリがＫ個に区分されている場
合は、夫々のカテゴリについてＫ個の判別面を算出し、
各判別面について前述の処理を行なえば良い。If the category is divided into K categories, K discrimination planes are calculated for each category,
The above processing may be performed for each discrimination surface.

【０１３０】前述の実施形態では、パターン認識の処理
手順を第１段階の処理手順と第２段階の処理手順とに分
け、夫々の処理を第１コンピュータ１と第２コンピュー
タ２とを含んで構成されるパターン認識装置で行なって
いるが、前述の第１段階の処理と第２段階の処理とを同
一のコンピュータで行なっても、膨大な計算時間を要す
ることなく、より判別精度の高い判別面を効率よく再決
定出来るという利点を実現する。In the above-described embodiment, the processing procedure of pattern recognition is divided into a first-stage processing procedure and a second-stage processing procedure, and each processing is configured to include the first computer 1 and the second computer 2. However, even if the above-described first-stage processing and second-stage processing are performed by the same computer, the discrimination surface with higher discrimination accuracy does not require a huge calculation time. Can be efficiently determined again.

【０１３１】しかし、前述のパターン認識装置によれ
ば、高度な計算能力を必要とするパターン認識処理（多
数の学習データベクトルからの判断面の算出）には高度
な計算能力を有する第１コンピュータ１を使い、低度な
計算能力で足りる、即ち計算が容易なパターン認識処理
（算出した判断面を用いた標本データベクトルのカテゴ
リ判別、再学習が必要と判断された場合の少数の再学習
データベクトルからの判断面再算出）には低度な計算能
力を有する第２コンピュータ２を使うことにより、計算
能力に差のあるコンピュータ２つを１つのパターン認識
装置とするため、パターン認識装置全体として計算機資
源を節約し、また、精度の高いパターン認識を行なうこ
とが出来る。However, according to the above-described pattern recognition device, the first computer 1 having a high calculation capability is required for pattern recognition processing (calculation of a decision plane from a large number of learning data vectors) requiring a high calculation capability. , A low-level calculation ability is sufficient, that is, pattern recognition processing that is easy to calculate (category discrimination of the sample data vector using the calculated judgment plane, a small number of re-learning data vectors when it is judged that re-learning is necessary) The second computer 2 having a low degree of calculation capability is used for the calculation of the determination surface, and the two computers having different calculation capabilities are used as one pattern recognition device. Resources can be saved, and highly accurate pattern recognition can be performed.

【０１３２】また、前述したパターン認識の第２段階の
処理手順のみを行なっても良い。この場合、あらかじめ
用意されている判別面及び該判別面からの距離が所定の
範囲内にある再学習データベクトル（例えば前記判別面
からの距離が所定の値以下である再学習データベクト
ル）と該再学習データベクトルに対応するカテゴリデー
タとの組を、第２初期データとして用いる。Further, only the processing procedure of the second stage of the pattern recognition described above may be performed. In this case, a discrimination plane prepared in advance and a relearning data vector whose distance from the discrimination plane is within a predetermined range (for example, a relearning data vector whose distance from the discrimination plane is equal to or less than a predetermined value) and A pair with the category data corresponding to the relearning data vector is used as the second initial data.

【０１３３】パターン認識の第２段階の処理手順のみを
行なう場合、あらかじめ用意されている判別面及び再学
習データベクトルと該再学習データベクトルに対応する
カテゴリデータとの組を第２初期データとして用いても
良い。判別面の再算出が必要であるとされたとき、前記
再学習データベクトルのうち、前記判別面からの距離が
所定の範囲内にある再学習データベクトル（例えば前記
判別面からの距離が所定の値以下である再学習データベ
クトル）を新たな再学習データベクトルとし、該再学習
データベクトルを判別面の再算出に用いる。When only the processing procedure of the second stage of pattern recognition is performed, a set of a discrimination plane and a re-learning data vector prepared in advance and category data corresponding to the re-learning data vector is used as the second initial data. May be. When it is determined that the recalculation of the discrimination plane is necessary, among the relearning data vectors, the relearning data vector whose distance from the discrimination plane is within a predetermined range (for example, the distance from the discrimination plane is a predetermined value) The re-learning data vector that is equal to or less than the value) is set as a new re-learning data vector, and the re-learning data vector is used for recalculating the discrimination plane.

【０１３４】また、サポートベクトルマシーンに限ら
ず、多次元空間でデータベクトルと判別面との位置関係
によりパターン認識を行なう場合、本発明は適用可能で
ある。しかしながら、サポートベクトルマシーンでは、
多数の学習データベクトルから少数のサポートベクトル
を選択する際に学習データベクトル数に応じた計算量が
必要となり、一方、判別面に近い学習データベクトルの
みが判別面の決定に寄与するので、判別面の再算出にお
いて学習データベクトルよりも少ない個数の再学習デー
タベクトルを用い、しかも、該再学習データベクトルは
判別面からの距離が近いものを選択することを特徴とす
る本発明は特に好適である。即ち、サポートベクトルマ
シーンの特徴である、汎化誤差が少なく、しかも汎化誤
差の見積りが容易で、判別計算が容易であるという利点
を計算能力の低いコンピュータでも利用することが出来
る。The present invention is applicable not only to the support vector machine but also to the case where pattern recognition is performed based on the positional relationship between a data vector and a discrimination plane in a multidimensional space. However, with support vector machines,
When selecting a small number of support vectors from a large number of learning data vectors, a calculation amount corresponding to the number of learning data vectors is required.On the other hand, only learning data vectors close to the discrimination surface contribute to the determination of the discrimination surface. The present invention is characterized in that a smaller number of re-learning data vectors than the learning data vectors are used in the recalculation of, and that the re-learning data vector is selected at a short distance from the discrimination plane. . In other words, the advantage of the generalization error, which is a feature of the support vector machine, that is, the generalization error is easy to estimate and the discriminant calculation is easy, can be used even with a computer having a low calculation ability.

【０１３５】パターン認識を行ないたい音声の特徴デー
タである標本データを変換して得た標本データベクトル
について、その音声が何であるかを示すカテゴリが判別
面を用いて正しく出力出来るということは、即ち判別面
を用いて音声のパターン認識を行なうことが出来るとい
うことになり、本発明のパターン認識方法及びパターン
認識装置は、有効なパターン認識を行なうことが出来る
と言える。With respect to the sample data vector obtained by converting the sample data which is the feature data of the speech to be subjected to pattern recognition, the category indicating what the speech is can be correctly output using the discrimination plane. This means that voice pattern recognition can be performed using the discrimination surface, and the pattern recognition method and pattern recognition apparatus of the present invention can perform effective pattern recognition.

【０１３６】更に、本発明は、音声のみならず、他のパ
ターン認識（例えば画像のパターン認識）を行なう場合
にも用いることが出来る。Further, the present invention can be used not only for speech but also for other types of pattern recognition (eg, image pattern recognition).

【０１３７】[0137]

【発明の効果】本発明のパターン認識方法、パターン認
識装置及び記録媒体によれば、複数の学習データベクト
ルの中から、判別面と各学習データベクトルとの距離が
所定の範囲内にある学習データベクトルを再学習データ
ベクトルとして選択することにより、再学習に必要な再
学習データベクトルの個数を軽減することが出来る。こ
のため、判別面と標本データベクトルとの位置関係を調
べて該標本データベクトルのカテゴリ判別を行なった
後、判別面のカテゴリ判別精度が許容可能であるか否か
を基準にして判別面の再算出が必要であるか否かを区別
し、判別面の再算出が必要であるとされた場合に前記再
学習データベクトル及び前記標本データベクトルを新た
な再学習データベクトルとして、この新たな再学習デー
タベクトルから判別面を再算出するとき、膨大な個数の
再学習データベクトルを用いる必要がなく、再学習に必
要な計算時間及び／又は計算機資源が節約出来る。According to the pattern recognition method, the pattern recognition apparatus and the recording medium of the present invention, the learning data in which the distance between the discrimination plane and each learning data vector is within a predetermined range from the plurality of learning data vectors. By selecting a vector as the relearning data vector, the number of relearning data vectors required for relearning can be reduced. For this reason, after examining the positional relationship between the discrimination plane and the sample data vector and performing category discrimination of the sample data vector, the discrimination plane is re-determined based on whether the category discrimination accuracy of the discrimination plane is acceptable. It is discriminated whether or not the calculation is necessary, and when it is determined that the recalculation of the discrimination surface is necessary, the re-learning data vector and the sample data vector are set as new re-learning data vectors, and the new re-learning data vector is used. When recalculating the discrimination plane from the data vector, it is not necessary to use a huge number of relearning data vectors, and the calculation time and / or computer resources required for relearning can be saved.

【０１３８】また、再学習データベクトルを選択する基
準が判別面と学習データベクトルとの距離であり、該距
離は容易に算出出来るので、再学習データベクトルの選
択に必要な計算時間及び／又は計算機資源が節約出来
る。The criterion for selecting the re-learning data vector is the distance between the discrimination plane and the learning data vector, and the distance can be easily calculated. Resources can be saved.

【０１３９】また、再学習データベクトルを選択する際
に、判別面からの距離が近い学習データベクトルを再学
習データベクトルとして選択し、該再学習データベクト
ルから判別面を再算出することにより、判別面に近い学
習データベクトルのみが判別面の決定に寄与するという
性質から、少数の再学習データベクトルからでも判別面
のカテゴリ判別精度を落とすことなく判別面の再算出を
行なうことが出来る。When selecting a re-learning data vector, a learning data vector having a short distance from the discrimination plane is selected as a re-learning data vector, and the discrimination plane is recalculated from the re-learning data vector. Since only the learning data vector close to the surface contributes to the determination of the discrimination surface, the discrimination surface can be recalculated from a small number of re-learning data vectors without lowering the category discrimination accuracy of the discrimination surface.

【０１４０】更に、高度な計算能力を必要とするパター
ン認識処理である、多数の学習データベクトルからの判
別面の算出を、高い計算能力を有するコンピュータで行
ない、計算が容易なパターン認識処理である、判別面を
用いた標本データベクトルのカテゴリ判別、及び再学習
が必要と判断された場合の少数の再学習データベクトル
からの判別面再算出を計算能力の低いコンピュータで行
なうことにより、長い計算時間及び／又は大量の計算機
資源を要する計算は高い計算能力を有するコンピュータ
で最初の一度だけ行ない、計算時間が短く計算機資源を
大量には必要としない計算を計算能力の低いコンピュー
タで行なうことが出来るため、パターン認識処理に必要
とされるコンピュータの能力に応じて、計算能力に差の
あるコンピュータ２台を有効に活用することが出来、こ
の２台のコンピュータを一つのパターン認識装置とする
ことにより、パターン認識装置全体として計算時間及び
計算機資源を節約し、しかも、精度の高いパターン認識
を行なうことが出来る等、本発明は優れた効果を奏す
る。Further, the calculation of the discrimination plane from a large number of learning data vectors, which is a pattern recognition process requiring a high calculation capability, is performed by a computer having a high calculation capability, so that the calculation is easy. By using a computer with low computational power to perform category discrimination of sample data vectors using discriminant planes and recalculation of discriminant planes from a small number of relearning data vectors when it is determined that relearning is necessary, a long calculation time can be achieved. And / or a calculation requiring a large amount of computer resources is performed only once at the beginning of a computer having a high calculation capability, and a calculation having a short calculation time and not requiring a large amount of computer resources can be performed by a computer having a low calculation capability. Computers with different computational capabilities depending on the computer capabilities required for pattern recognition processing The two computers can be used effectively, and by using these two computers as one pattern recognition device, it is possible to save calculation time and computer resources as a whole of the pattern recognition device and to perform highly accurate pattern recognition. For example, the present invention has excellent effects.

【図面の簡単な説明】[Brief description of the drawings]

【図１】本発明に係るパターン認識装置の実施の形態を
示すブロック図である。FIG. 1 is a block diagram showing an embodiment of a pattern recognition device according to the present invention.

【図２】第１コンピュータで行なわれる第１段階の処理
の手順を示すフローチャートである。FIG. 2 is a flowchart illustrating a procedure of a first-stage process performed by a first computer.

【図３】第２コンピュータで行なわれる第２段階の処理
の手順を示すフローチャートである。FIG. 3 is a flowchart showing a procedure of a second stage process performed by a second computer.

【符号の説明】[Explanation of symbols]

１ 第１コンピュータ １１ ＣＰＵ １２ メモリ １３ 入力部 １４ 可搬型記録媒体 １５ 外部記憶装置 １６ ハードディスク １７ 出力部 １８ 音声入力装置 １８１ マイクロホン １８２ 増幅器 １８３ Ａ／Ｄ変換器 ２ 第２コンピュータ ２１ ＣＰＵ ２２ メモリ ２３ 入力部 ２４ 可搬型記録媒体 ２５ 外部記憶装置 ２６ ハードディスク ２７ 出力部 ２８ 音声入力装置 ２８１ マイクロホン ２８２ 増幅器 ２８３ Ａ／Ｄ変換器 Reference Signs List 1 first computer 11 CPU 12 memory 13 input unit 14 portable recording medium 15 external storage device 16 hard disk 17 output unit 18 audio input device 181 microphone 182 amplifier 183 A / D converter 2 second computer 21 CPU 22 memory 23 input unit Reference Signs List 24 Portable recording medium 25 External storage device 26 Hard disk 27 Output unit 28 Audio input device 281 Microphone 282 Amplifier 283 A / D converter

─────────────────────────────────────────────────────
────────────────────────────────────────────────── ───

【手続補正書】[Procedure amendment]

【提出日】平成１２年９月７日（２０００．９．７）[Submission date] September 7, 2000 (2009.7)

【手続補正１】[Procedure amendment 1]

【補正対象書類名】明細書[Document name to be amended] Statement

【補正対象項目名】請求項２０[Correction target item name] Claim 20

【補正方法】変更[Correction method] Change

【補正内容】[Correction contents]

【手続補正２】[Procedure amendment 2]

【補正対象書類名】明細書[Document name to be amended] Statement

【補正対象項目名】００５４[Correction target item name] 0054

【補正方法】変更[Correction method] Change

【補正内容】[Correction contents]

【００５４】第２０発明に係るコンピュータでの読み取
りが可能な記録媒体は、対象から得られる空間的及び／
又は時間的に分布したパターンを認識するにあたって、
複数の対象のパターンの特徴を表現する特徴データと、
該複数の対象のカテゴリを示すカテゴリデータとの組に
係る知識を用いて未知の対象の特徴データから該対象の
カテゴリを判別させ、判別に用いた知識の判別精度が受
容可能でない場合は、より判別精度の高い知識を生成さ
せるために再学習データを用いて再学習を行なわせるコ
ンピュータプログラムが記録してあるコンピュータでの
読み取りが可能な記録媒体において、複数の対象の特徴
データを多次元空間のベクトルとして表現した学習に用
いる学習データベクトルと前記複数の対象のカテゴリデ
ータとの組から算出された前記多次元空間内をカテゴリ
に対応する領域に区分する判別面を取得させるプログラ
ムコード手段と、前記複数の対象の特徴データを前記多
次元空間のベクトルとして表現してあり、また、前記判
別面からの距離が所定の範囲内にある再学習に用いる再
学習データベクトルを取得させる再学習データベクトル
取得プログラムコード手段と、パターンを認識すべき未
知の対象の特徴データを取得させるプログラムコード手
段と、該特徴データを前記多次元空間のベクトルとして
表現し判別用の標本とする標本データベクトルに変換さ
せるプログラムコード手段と、前記判別面と前記標本デ
ータベクトルとの位置関係を求めさせるプログラムコー
ド手段と、該位置関係から前記標本データベクトルが位
置する多次元空間内の領域を判別させ、その判別結果か
ら前記標本データベクトルのカテゴリを判別させるプロ
グラムコード手段と、判別面のカテゴリ判別精度が許容
可能であるか否かを基準にして前記判別面の再算出が必
要か否かを区別させるプログラムコード手段と、該判別
面の再算出が必要であるとされた場合に、前記再学習デ
ータベクトル及び前記標本データベクトルを新たな再学
習データベクトルとさせるプログラムコード手段と、該
再学習データベクトルを用いて判別面を再算出させるプ
ログラムコード手段とを有することを特徴とする。The computer-readable recording medium according to the twentieth aspect of the present invention is a computer-readable recording medium capable of obtaining spatial and / or
Or, in recognizing patterns distributed over time,
Feature data representing features of a plurality of target patterns;
The category of the target is determined from the characteristic data of the unknown target using the knowledge related to the set of category data indicating the categories of the plurality of targets, and if the determination accuracy of the knowledge used for the determination is not acceptable, In a computer-readable recording medium on which a computer program for performing re-learning using re-learning data in order to generate knowledge with high discrimination accuracy is stored in a computer-readable recording medium, a plurality of target feature data are stored in a multidimensional space. Program code means for acquiring a discriminant plane for dividing the multidimensional space calculated into a region corresponding to a category calculated from a set of a learning data vector used for learning expressed as a vector and the category data of the plurality of objects; and The feature data of a plurality of objects is represented as a vector in the multidimensional space, and the distance from the discrimination plane is Relearning data vectors to obtain a re-training data vectors to be used for re-learning which is within the range of the constant
Acquisition program code means, program code means for acquiring characteristic data of an unknown object whose pattern is to be recognized, and converting the characteristic data into a sample data vector to be expressed as a vector in the multidimensional space and used as a sample for discrimination. Program code means, program code means for determining the positional relationship between the discrimination plane and the sample data vector, and determining the area in the multidimensional space where the sample data vector is located from the positional relationship, from the determination result Program code means for discriminating the category of the sample data vector, and program code means for discriminating whether or not recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable. When it is determined that the recalculation of the discrimination plane is necessary, the re-learning data vector and Program code means for causing the serial sample data vector and the new re-training data vectors, characterized by having a program code means for re-calculating a discrimination surface using該再training data vectors.

───────────────────────────────────────────────────── フロントページの続き (72)発明者 原田 宗生 兵庫県尼崎市扶桑町１番８号 住友金属工 業株式会社エレクトロニクス技術研究所内 Ｆターム(参考） 5D015 JJ06 5L096 HA08 JA11 JA22 KA04  ────────────────────────────────────────────────── ─── Continued on the front page (72) Muneo Harada, Inventor 1-8 Fuso-cho, Amagasaki-shi, Hyogo Sumitomo Metal Industries, Ltd. Electronics Research Laboratory F-term (reference) 5D015 JJ06 5L096 HA08 JA11 JA22 KA04

Claims (21)

【特許請求の範囲】[Claims] 【請求項１】 対象から得られる空間的及び／又は時間
的に分布したパターンを認識するにあたって、複数の対
象のパターンの特徴を表現する特徴データと、該複数の
対象のカテゴリを示すカテゴリデータとの組を取得し、
対象の特徴データから前記対象のカテゴリを判別するた
めの知識を前記特徴データと前記カテゴリデータとの組
からあらかじめ生成しておく学習を行ない、前記知識を
用いて未知の対象の特徴データから該対象のカテゴリを
判別し、判別に用いた知識の判別精度が受容可能でない
場合は、より判別精度の高い知識を生成するために再学
習データを用いて再学習を行なうパターン認識方法にお
いて、 複数の対象の特徴データを、多次元空間のベクトルとし
て表現した学習に用いる学習データベクトルに変換する
ステップと、該学習データベクトルと前記複数の対象の
カテゴリデータとの組から前記多次元空間内をカテゴリ
に対応する領域に区分してカテゴリを判別する判別面を
算出するステップと、算出した判別面と学習データベク
トルとの間の距離を求めるステップと、該学習データベ
クトルの中から多次元空間のベクトルとして表現した再
学習データを選択する際、前記判別面からの距離が所定
の範囲内にあるものを選択して再学習データベクトルと
する再学習データベクトル選択ステップとを有すること
を特徴とするパターン認識方法。When recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, category data indicating a category of the plurality of objects, Get a pair of
Learning is performed to generate in advance knowledge for determining the category of the target from the feature data of the target from a pair of the feature data and the category data. If the discrimination accuracy of the knowledge used for discrimination is unacceptable, in a pattern recognition method in which re-learning is performed using re-learning data in order to generate knowledge having higher discrimination accuracy, a plurality of objects are determined. Converting the feature data of the above into a learning data vector used for learning expressed as a vector in a multidimensional space, and corresponding to a category in the multidimensional space from a set of the learning data vector and the category data of the plurality of targets. Calculating a discrimination plane for discriminating a category by dividing into regions to be classified, and a step between the calculated discrimination plane and the learning data vector. And selecting re-learning data expressed as a vector in a multidimensional space from the learning data vectors, and selecting re-learning data whose distance from the discrimination surface is within a predetermined range. A step of selecting a re-learning data vector as a data vector. 【請求項２】 パターンを認識すべき未知の対象の特徴
データを取得するステップと、該特徴データを前記多次
元空間のベクトルとして表現し判別用の標本とする標本
データベクトルに変換するステップと、前記判別面と前
記標本データベクトルとの位置関係を求めるステップ
と、該位置関係から前記標本データベクトルが位置する
多次元空間内の領域を判別し、その判別結果から前記標
本データベクトルのカテゴリを判別するステップと、判
別面のカテゴリ判別精度が許容可能であるか否かを基準
にして前記判別面の再算出が必要か否かを区別するステ
ップと、該判別面の再算出が必要であるとされた場合に
前記再学習データベクトル及び前記標本データベクトル
を新たな再学習データベクトルとするステップと、該再
学習データベクトルを用いて判別面を再算出するステッ
プとを有することを特徴とする請求項１に記載のパター
ン認識方法。2. A step of obtaining feature data of an unknown object whose pattern is to be recognized, a step of expressing the feature data as a vector in the multidimensional space, and converting the feature data into a sample data vector to be used as a sample for discrimination. Determining a positional relationship between the discrimination surface and the sample data vector; determining a region in the multidimensional space where the sample data vector is located based on the positional relationship; and determining a category of the sample data vector from the determination result And determining whether or not the recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable, and recalculating the discrimination surface is necessary. Making the re-learning data vector and the sample data vector a new re-learning data vector, Recalculating the discrimination plane by using the pattern recognition method. 【請求項３】 前記再学習データベクトル選択ステップ
は、複数の前記学習データベクトルの中から、前記判別
面からの距離が所定の値以下であるものを再学習データ
ベクトルとして選択するステップを有することを特徴と
する請求項１又は２記載のパターン認識方法。3. The re-learning data vector selecting step includes a step of selecting, as a re-learning data vector, a vector whose distance from the discrimination plane is equal to or less than a predetermined value from among the plurality of learning data vectors. The pattern recognition method according to claim 1 or 2, wherein: 【請求項４】 対象から得られる空間的及び／又は時間
的に分布したパターンを認識するにあたって、複数の対
象のパターンの特徴を表現する特徴データと、該複数の
対象のカテゴリを示すカテゴリデータとの組に係る知識
を用いて未知の対象の特徴データから該対象のカテゴリ
を判別し、判別に用いた知識の判別精度が受容可能でな
い場合は、より判別精度の高い知識を生成するために再
学習データを用いて再学習を行なうパターン認識方法に
おいて、 複数の対象の特徴データを多次元空間のベクトルとして
表現した学習に用いる学習データベクトルと前記複数の
対象のカテゴリデータとの組から算出された前記多次元
空間内をカテゴリに対応する領域に区分する判別面を取
得するステップと、前記複数の対象の特徴データを前記
多次元空間のベクトルとして表現した再学習に用いる再
学習データベクトルを取得するステップと、パターンを
認識すべき未知の対象の特徴データを取得するステップ
と、該特徴データを前記多次元空間のベクトルとして表
現し判別用の標本とする標本データベクトルに変換する
ステップと、前記判別面と前記標本データベクトルとの
位置関係を求めるステップと、該位置関係から前記標本
データベクトルが位置する多次元空間内の領域を判別
し、その判別結果から前記標本データベクトルのカテゴ
リを判別するステップと、判別面のカテゴリ判別精度が
許容可能であるか否かを基準にして前記判別面の再算出
が必要か否かを区別するステップと、該判別面の再算出
が必要であるとされた場合に、前記再学習データベクト
ルの内、前記判別面からの距離が所定の範囲内にある再
学習データベクトルを取得する再学習データベクトル取
得ステップと、該再学習データベクトル及び前記標本デ
ータベクトルを新たな再学習データベクトルとするステ
ップと、該再学習データベクトルを用いて判別面を再算
出するステップとを有することを特徴とするパターン認
識方法。4. Recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data representing characteristics of a plurality of object patterns, and category data indicating a category of the plurality of objects. The category of the target is determined from the characteristic data of the unknown target using the knowledge of the set of objects, and if the determination accuracy of the knowledge used for the determination is unacceptable, re-generation is performed in order to generate knowledge with higher determination accuracy. In the pattern recognition method of performing re-learning using learning data, the pattern data is calculated from a set of a learning data vector used for learning in which feature data of a plurality of objects is expressed as a vector in a multidimensional space and the category data of the plurality of objects. Acquiring a discrimination surface that divides the multidimensional space into regions corresponding to categories; Obtaining a re-learning data vector used for re-learning expressed as a vector of the vector, obtaining feature data of an unknown target whose pattern is to be recognized, and expressing and discriminating the feature data as a vector in the multidimensional space. Converting the sample data vector into a sample data vector to be used as a sample for use; obtaining a positional relationship between the determination surface and the sample data vector; and determining an area in the multidimensional space where the sample data vector is located from the positional relationship. Discriminating a category of the sample data vector from the discrimination result, and discriminating whether recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable. And if the recalculation of the discrimination plane is necessary, the distance from the discrimination plane in the relearning data vector Obtaining a re-learning data vector that is within a predetermined range, a step of setting the re-learning data vector and the sample data vector as a new re-learning data vector, and Recalculating the discrimination plane by using the pattern recognition method. 【請求項５】 前記再学習データベクトル取得ステップ
は、複数の前記再学習データベクトルの中から、前記判
別面からの距離が所定の値以下のものを選択して新たな
再学習データベクトルとして取得するステップを有する
ことを特徴とする請求項４に記載のパターン認識方法。5. The re-learning data vector acquiring step selects, from among the plurality of re-learning data vectors, ones whose distance from the discrimination plane is equal to or less than a predetermined value and acquires as a new re-learning data vector. 5. The pattern recognition method according to claim 4, further comprising the step of: 【請求項６】 対象から得られる空間的及び／又は時間
的に分布したパターンを認識するにあたって、複数の対
象のパターンの特徴を表現する特徴データと、該複数の
対象のカテゴリを示すカテゴリデータとの組に係る知識
を用いて未知の対象の特徴データから該対象のカテゴリ
を判別し、判別に用いた知識の判別精度が受容可能でな
い場合は、より判別精度の高い知識を生成するために再
学習データを用いて再学習を行なうパターン認識方法に
おいて、 複数の対象の特徴データを多次元空間のベクトルとして
表現した学習に用いる学習データベクトルと前記複数の
対象のカテゴリデータとの組から算出された前記多次元
空間内をカテゴリに対応する領域に区分する判別面を取
得するステップと、前記複数の対象の特徴データを前記
多次元空間のベクトルとして表現してあり、また、前記
判別面からの距離が所定の範囲内にある再学習に用いる
再学習データベクトルを取得する再学習データベクトル
取得ステップと、パターンを認識すべき未知の対象の特
徴データを取得するステップと、該特徴データを前記多
次元空間のベクトルとして表現し判別用の標本とする標
本データベクトルに変換するステップと、前記判別面と
前記標本データベクトルとの位置関係を求めるステップ
と、該位置関係から前記標本データベクトルが位置する
多次元空間内の領域を判別し、その判別結果から前記標
本データベクトルのカテゴリを判別するステップと、判
別面のカテゴリ判別精度が許容可能であるか否かを基準
にして前記判別面の再算出が必要か否かを区別するステ
ップと、該判別面の再算出が必要であるとされた場合
に、前記再学習データベクトル及び前記標本データベク
トルを新たな再学習データベクトルとするステップと、
該再学習データベクトルを用いて判別面を再算出するス
テップとを有することを特徴とするパターン認識方法。6. In recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, category data indicating a category of the plurality of objects, The category of the target is determined from the characteristic data of the unknown target using the knowledge of the set of objects, and if the determination accuracy of the knowledge used for the determination is unacceptable, re-generation is performed in order to generate knowledge with higher determination accuracy. In the pattern recognition method of performing re-learning using learning data, the pattern data is calculated from a set of a learning data vector used for learning in which feature data of a plurality of objects is expressed as a vector in a multidimensional space and the category data of the plurality of objects. Acquiring a discrimination surface that divides the multidimensional space into regions corresponding to categories; A re-learning data vector obtaining step of obtaining a re-learning data vector used for re-learning, the distance from the discrimination plane being within a predetermined range, and an unknown object to be recognized. Acquiring the characteristic data of, and converting the characteristic data into a sample data vector to be expressed as a vector in the multidimensional space and used as a sample for determination, and a positional relationship between the determination surface and the sample data vector. Determining the area in the multidimensional space where the sample data vector is located based on the positional relationship, and determining the category of the sample data vector from the determination result; and the category determination accuracy of the determination surface is acceptable. Discriminating whether or not the recalculation of the discrimination surface is necessary based on whether or not the recalculation of the discrimination surface is performed. Making the re-learning data vector and the sample data vector a new re-learning data vector if deemed necessary;
Recalculating the discrimination plane using the relearning data vector. 【請求項７】 前記再学習データベクトル取得ステップ
は、判別面からの距離が所定の範囲内にある前記再学習
データベクトルとして、複数の再学習データベクトルの
中から選択された前記判別面からの距離が所定の値以下
である再学習データベクトルを取得するステップを有す
ることを特徴とする請求項６に記載のパターン認識方
法。7. The re-learning data vector acquiring step includes the step of: selecting the re-learning data vector having a distance from the discrimination plane within a predetermined range from the discrimination plane selected from a plurality of re-learning data vectors. The pattern recognition method according to claim 6, further comprising a step of acquiring a relearning data vector whose distance is equal to or less than a predetermined value. 【請求項８】 対象から得られる空間的及び／又は時間
的に分布したパターンを認識するにあたって、複数の対
象のパターンの特徴を表現する特徴データと、該複数の
対象のカテゴリを示すカテゴリデータとの組を取得し、
対象の特徴データから前記対象のカテゴリを判別するた
めの知識を前記特徴データと前記カテゴリデータとの組
からあらかじめ生成しておく学習を行ない、前記知識を
用いて未知の対象の特徴データから該対象のカテゴリを
判別し、判別に用いた知識の判別精度が受容可能でない
場合は、より判別精度の高い知識を生成するために再学
習データを用いて再学習を行なうパターン認識装置にお
いて、 複数の対象の特徴データを、多次元空間のベクトルとし
て表現した学習に用いる学習データベクトルに変換する
手段と、該学習データベクトルと前記複数の対象のカテ
ゴリデータとの組から前記多次元空間内をカテゴリに対
応する領域に区分してカテゴリを判別する判別面を算出
する手段と、算出した判別面と学習データベクトルとの
間の距離を求める手段と、該学習データベクトルの中か
ら多次元空間のベクトルとして表現した再学習データを
選択する際、前記判別面からの距離が所定の範囲内にあ
るものを選択して再学習データベクトルとする再学習デ
ータベクトル選択手段とを有することを特徴とするパタ
ーン認識装置。8. In recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, and category data indicating a category of the plurality of objects are included. Get a pair of
Learning is performed to generate in advance knowledge for determining the category of the target from the feature data of the target from a pair of the feature data and the category data. If the discrimination accuracy of the knowledge used for discrimination is unacceptable, a pattern recognition device that performs re-learning using re-learning data in order to generate knowledge with higher discrimination accuracy may include a plurality of objects. Means for converting the feature data of the above into a learning data vector used for learning expressed as a vector in a multidimensional space, and corresponding to a category in the multidimensional space from a set of the learning data vector and the category data of the plurality of targets. Means for calculating a discrimination surface for discriminating a category by dividing the region into regions to be classified, and calculating a distance between the calculated discrimination surface and the learning data vector. Means for obtaining, and when selecting re-learning data expressed as a vector in a multidimensional space from the learning data vectors, selecting a re-learning data vector whose distance from the discrimination plane is within a predetermined range and selecting the re-learning data vector And a re-learning data vector selecting means. 【請求項９】 パターンを認識すべき未知の対象の特徴
データを取得する手段と、該特徴データを前記多次元空
間のベクトルとして表現し判別用の標本とする標本デー
タベクトルに変換する手段と、前記判別面と前記標本デ
ータベクトルとの位置関係を求める手段と、該位置関係
から前記標本データベクトルが位置する多次元空間内の
領域を判別し、その判別結果から前記標本データベクト
ルのカテゴリを判別する手段と、判別面のカテゴリ判別
精度が許容可能であるか否かを基準にして前記判別面の
再算出が必要か否かを区別する手段と、該判別面の再算
出が必要であるとされた場合に前記再学習データベクト
ル及び前記標本データベクトルを新たな再学習データベ
クトルとする手段と、該再学習データベクトルを用いて
判別面を再算出する手段とを有することを特徴とする請
求項８に記載のパターン認識装置。9. A means for acquiring feature data of an unknown object whose pattern is to be recognized, a means for expressing the feature data as a vector in the multidimensional space, and converting the feature data into a sample data vector to be used as a sample for determination. Means for determining the positional relationship between the discrimination plane and the sample data vector, discriminating a region in the multidimensional space where the sample data vector is located from the positional relationship, discriminating the category of the sample data vector from the discrimination result Means for determining whether or not recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable; and recalculation of the discrimination surface is necessary. Means for setting the re-learning data vector and the sample data vector as new re-learning data vectors, and recalculating the discrimination plane using the re-learning data vectors. The pattern recognition device according to claim 8, further comprising: 【請求項１０】 前記再学習データベクトル選択手段
は、複数の前記学習データベクトルの中から、前記判別
面からの距離が所定の値以下であるものを再学習データ
ベクトルとして選択する手段を有することを特徴とする
請求項８又は９記載のパターン認識装置。10. The re-learning data vector selecting means includes means for selecting, as a re-learning data vector, a data whose distance from the discrimination plane is equal to or less than a predetermined value from among the plurality of learning data vectors. The pattern recognition device according to claim 8, wherein: 【請求項１１】 対象から得られる空間的及び／又は時
間的に分布したパターンを認識するにあたって、複数の
対象のパターンの特徴を表現する特徴データと、該複数
の対象のカテゴリを示すカテゴリデータとの組に係る知
識を用いて未知の対象の特徴データから該対象のカテゴ
リを判別し、判別に用いた知識の判別精度が受容可能で
ない場合は、より判別精度の高い知識を生成するために
再学習データを用いて再学習を行なうパターン認識装置
において、 複数の対象の特徴データを多次元空間のベクトルとして
表現した学習に用いる学習データベクトルと前記複数の
対象のカテゴリデータとの組から算出された前記多次元
空間内をカテゴリに対応する領域に区分する判別面を取
得する手段と、前記複数の対象の特徴データを前記多次
元空間のベクトルとして表現した再学習に用いる再学習
データベクトルを取得する手段と、パターンを認識すべ
き未知の対象の特徴データを取得する手段と、該特徴デ
ータを前記多次元空間のベクトルとして表現し判別用の
標本とする標本データベクトルに変換する手段と、前記
判別面と前記標本データベクトルとの位置関係を求める
手段と、該位置関係から前記標本データベクトルが位置
する多次元空間内の領域を判別し、その判別結果から前
記標本データベクトルのカテゴリを判別する手段と、判
別面のカテゴリ判別精度が許容可能であるか否かを基準
にして前記判別面の再算出が必要か否かを区別する手段
と、該判別面の再算出が必要であるとされた場合に、前
記再学習データベクトルの内、前記判別面からの距離が
所定の範囲内にある再学習データベクトルを取得する再
学習データベクトル取得手段と、該再学習データベクト
ル及び前記標本データベクトルを新たな再学習データベ
クトルとする手段と、該再学習データベクトルを用いて
判別面を再算出する手段とを有することを特徴とするパ
ターン認識装置。11. Recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data representing characteristics of a plurality of object patterns, and category data indicating a category of the plurality of objects. The category of the target is determined from the characteristic data of the unknown target using the knowledge of the set of objects, and if the determination accuracy of the knowledge used for the determination is unacceptable, re-generation is performed in order to generate knowledge with higher determination accuracy. In a pattern recognition apparatus that performs re-learning using learning data, the pattern data is calculated from a set of a learning data vector used for learning in which feature data of a plurality of objects is expressed as a vector in a multidimensional space and the category data of the plurality of objects. Means for acquiring a discrimination surface that divides the multidimensional space into regions corresponding to categories, and converting the feature data of the plurality of objects into the multidimensional space. Means for obtaining a re-learning data vector used for re-learning expressed as a vector, means for obtaining feature data of an unknown target whose pattern is to be recognized, and a method for expressing the feature data as a vector in the multidimensional space. Means for converting the sample data vector into a sample data vector, means for determining the positional relationship between the discrimination surface and the sample data vector, and determining an area in the multidimensional space where the sample data vector is located from the positional relationship. Means for discriminating the category of the sample data vector from the discrimination result, and means for discriminating whether recalculation of the discrimination surface is necessary based on whether or not category discrimination accuracy of the discrimination surface is acceptable. And when it is determined that the recalculation of the discrimination plane is necessary, the re-learning data of which the distance from the discrimination plane is within a predetermined range among the re-learning data vectors. Re-learning data vector obtaining means for obtaining a data vector, means for using the re-learning data vector and the sample data vector as a new re-learning data vector, and means for re-calculating a discrimination plane using the re-learning data vector A pattern recognition device comprising: 【請求項１２】 前記再学習データベクトル取得手段
は、複数の前記再学習データベクトルの中から、前記判
別面からの距離が所定の値以下のものを選択して新たな
再学習データベクトルとして取得する手段を有すること
を特徴とする請求項１１に記載のパターン認識装置。12. The re-learning data vector acquisition means selects a re-learning data vector whose distance from the discrimination surface is equal to or less than a predetermined value from among the plurality of re-learning data vectors and acquires as a new re-learning data vector. The pattern recognition apparatus according to claim 11, further comprising a unit for performing the operation. 【請求項１３】 対象から得られる空間的及び／又は時
間的に分布したパターンを認識するにあたって、複数の
対象のパターンの特徴を表現する特徴データと、該複数
の対象のカテゴリを示すカテゴリデータとの組に係る知
識を用いて未知の対象の特徴データから該対象のカテゴ
リを判別し、判別に用いた知識の判別精度が受容可能で
ない場合は、より判別精度の高い知識を生成するために
再学習データを用いて再学習を行なうパターン認識装置
において、 複数の対象の特徴データを多次元空間のベクトルとして
表現した学習に用いる学習データベクトルと前記複数の
対象のカテゴリデータとの組から算出された前記多次元
空間内をカテゴリに対応する領域に区分する判別面を取
得する手段と、前記複数の対象の特徴データを前記多次
元空間のベクトルとして表現してあり、また、前記判別
面からの距離が所定の範囲内にある再学習に用いる再学
習データベクトルを取得する再学習データベクトル取得
手段と、パターンを認識すべき未知の対象の特徴データ
を取得する手段と、該特徴データを前記多次元空間のベ
クトルとして表現し判別用の標本とする標本データベク
トルに変換する手段と、前記判別面と前記標本データベ
クトルとの位置関係を求める手段と、該位置関係から前
記標本データベクトルが位置する多次元空間内の領域を
判別し、その判別結果から前記標本データベクトルのカ
テゴリを判別する手段と、判別面のカテゴリ判別精度が
許容可能であるか否かを基準にして前記判別面の再算出
が必要か否かを区別する手段と、該判別面の再算出が必
要であるとされた場合に、前記再学習データベクトル及
び前記標本データベクトルを新たな再学習データベクト
ルとする手段と、該再学習データベクトルを用いて判別
面を再算出する手段とを有することを特徴とするパター
ン認識装置。13. In recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, category data indicating a category of the plurality of objects, The category of the target is determined from the characteristic data of the unknown target using the knowledge of the set of objects, and if the determination accuracy of the knowledge used for the determination is unacceptable, re-generation is performed in order to generate knowledge with higher determination accuracy. In a pattern recognition apparatus that performs re-learning using learning data, the pattern data is calculated from a set of a learning data vector used for learning in which feature data of a plurality of objects is expressed as a vector in a multidimensional space and the category data of the plurality of objects. Means for acquiring a discrimination surface that divides the multidimensional space into regions corresponding to categories, and converting the feature data of the plurality of objects into the multidimensional space. A re-learning data vector acquiring means for acquiring a re-learning data vector used for re-learning, the distance from the discrimination plane being within a predetermined range, and an unknown object to be recognized. Means for acquiring feature data, means for expressing the feature data as a vector in the multidimensional space, and converting the feature data into a sample data vector to be used as a sample for discrimination, and obtaining a positional relationship between the discrimination plane and the sample data vector. Means, means for judging a region in the multidimensional space where the sample data vector is located from the positional relationship, and means for judging the category of the sample data vector from the judgment result; Means for discriminating whether or not recalculation of the discrimination surface is necessary based on whether or not, and when it is determined that recalculation of the discrimination surface is necessary, A pattern recognition apparatus comprising: means for setting the re-learning data vector and the sample data vector as a new re-learning data vector; and means for re-calculating a discrimination plane using the re-learning data vector. 【請求項１４】 前記再学習データベクトル取得手段
は、判別面からの距離が所定の範囲内にある前記再学習
データベクトルとして、複数の再学習データベクトルの
中から選択された前記判別面からの距離が所定の値以下
である再学習データベクトルを取得する手段を有するこ
とを特徴とする請求項１３に記載のパターン認識装置。14. The re-learning data vector obtaining means, as the re-learning data vector whose distance from the discrimination plane is within a predetermined range, the re-learning data vector from the discrimination plane selected from a plurality of re-learning data vectors. 14. The pattern recognition apparatus according to claim 13, further comprising: means for acquiring a relearning data vector whose distance is equal to or less than a predetermined value. 【請求項１５】 対象から得られる空間的及び／又は時
間的に分布したパターンを認識するにあたって、複数の
対象のパターンの特徴を表現する特徴データと、該複数
の対象のカテゴリを示すカテゴリデータとの組を取得さ
せ、対象の特徴データから前記対象のカテゴリを判別さ
せるための知識を前記特徴データと前記カテゴリデータ
との組からあらかじめ生成しておく学習を行なわせ、前
記知識を用いて未知の対象の特徴データから該対象のカ
テゴリを判別させ、判別に用いた知識の判別精度が受容
可能でない場合は、より判別精度の高い知識を生成させ
るために再学習データを用いて再学習を行なわせるコン
ピュータプログラムが記録してあるコンピュータでの読
み取りが可能な記録媒体において、 複数の対象の特徴データを、多次元空間のベクトルとし
て表現した学習に用いる学習データベクトルに変換させ
るプログラムコード手段と、該学習データベクトルと前
記複数の対象のカテゴリデータとの組から前記多次元空
間内をカテゴリに対応する領域に区分してカテゴリを判
別する判別面を算出させるプログラムコード手段と、算
出させた判別面と学習データベクトルとの間の距離を求
めさせるプログラムコード手段と、該学習データベクト
ルの中から多次元空間のベクトルとして表現した再学習
データを選択させる際、前記判別面からの距離が所定の
範囲内にあるものを選択させて再学習データベクトルと
させる再学習データベクトル選択プログラムコード手段
とを有することを特徴とするコンピュータでの読み取り
が可能な記録媒体。15. In recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data expressing characteristics of a plurality of object patterns, category data indicating a category of the plurality of objects, Is acquired, and learning for previously generating knowledge for discriminating the target category from the target feature data from the pair of the feature data and the category data is performed. When the category of the target is determined from the feature data of the target, and the determination accuracy of the knowledge used for the determination is unacceptable, re-learning is performed using the re-learning data to generate knowledge with higher determination accuracy. On a computer-readable recording medium on which a computer program is recorded, feature data of a plurality of objects is stored in a multidimensional space. Program code means for converting into a learning data vector used for learning expressed as a vector, and dividing the multidimensional space into regions corresponding to categories from a set of the learning data vector and the plurality of category data of the object. Program code means for calculating a discrimination plane for discriminating a category; program code means for obtaining a distance between the calculated discrimination plane and a learning data vector; and expressing as a vector in a multidimensional space from the learning data vector. And a re-learning data vector selection program code means for selecting a re-learning data when the selected distance is within a predetermined range from the discrimination plane. Recording media that can be read by 【請求項１６】 パターンを認識すべき未知の対象の特
徴データを取得させるプログラムコード手段と、該特徴
データを前記多次元空間のベクトルとして表現し判別用
の標本とする標本データベクトルに変換させるプログラ
ムコード手段と、前記判別面と前記標本データベクトル
との位置関係を求めさせるプログラムコード手段と、該
位置関係から前記標本データベクトルが位置する多次元
空間内の領域を判別させ、その判別結果から前記標本デ
ータベクトルのカテゴリを判別させるプログラムコード
手段と、判別面のカテゴリ判別精度が許容可能であるか
否かを基準にして前記判別面の再算出が必要か否かを区
別させるプログラムコード手段と、該判別面の再算出が
必要であるとされた場合に前記再学習データベクトル及
び前記標本データベクトルを新たな再学習データベクト
ルとさせるプログラムコード手段と、該再学習データベ
クトルを用いて判別面を再算出させるプログラムコード
手段とを有することを特徴とする請求項１５に記載のコ
ンピュータでの読み取りが可能な記録媒体。16. A program code means for acquiring feature data of an unknown object whose pattern is to be recognized, and a program for expressing the feature data as a vector in the multidimensional space and converting it into a sample data vector to be used as a sample for discrimination. Code means, program code means for determining the positional relationship between the discrimination surface and the sample data vector, and determining the region in the multidimensional space where the sample data vector is located from the positional relationship, Program code means for discriminating the category of the sample data vector, and program code means for discriminating whether or not the recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable, If recalculation of the discrimination plane is necessary, the re-learning data vector and the sample data 16. The computer-readable method according to claim 15, further comprising: program code means for converting a vector into a new relearning data vector; and program code means for recalculating a discrimination surface using the relearning data vector. Recording media capable of 【請求項１７】 前記再学習データベクトル選択プログ
ラムコード手段は、複数の前記学習データベクトルの中
から、前記判別面からの距離が所定の値以下であるもの
を再学習データベクトルとして選択させるプログラムコ
ード手段を有することを特徴とする請求項１５又は１６
記載のコンピュータでの読み取りが可能な記録媒体。17. The re-learning data vector selecting program code means selects a learning data vector having a distance from the discrimination plane equal to or less than a predetermined value from a plurality of learning data vectors as a re-learning data vector. 17. The method according to claim 15, further comprising:
A computer-readable recording medium according to the above. 【請求項１８】 対象から得られる空間的及び／又は時
間的に分布したパターンを認識するにあたって、複数の
対象のパターンの特徴を表現する特徴データと、該複数
の対象のカテゴリを示すカテゴリデータとの組に係る知
識を用いて未知の対象の特徴データから該対象のカテゴ
リを判別させ、判別に用いた知識の判別精度が受容可能
でない場合は、より判別精度の高い知識を生成させるた
めに再学習データを用いて再学習を行なわせるコンピュ
ータプログラムが記録してあるコンピュータでの読み取
りが可能な記録媒体において、 複数の対象の特徴データを多次元空間のベクトルとして
表現した学習に用いる学習データベクトルと前記複数の
対象のカテゴリデータとの組から算出された前記多次元
空間内をカテゴリに対応する領域に区分する判別面を取
得させるプログラムコード手段と、前記複数の対象の特
徴データを前記多次元空間のベクトルとして表現した再
学習に用いる再学習データベクトルを取得させるプログ
ラムコード手段と、パターンを認識すべき未知の対象の
特徴データを取得させるプログラムコード手段と、該特
徴データを前記多次元空間のベクトルとして表現し判別
用の標本とする標本データベクトルに変換させるプログ
ラムコード手段と、前記判別面と前記標本データベクト
ルとの位置関係を求めさせるプログラムコード手段と、
該位置関係から前記標本データベクトルが位置する多次
元空間内の領域を判別させ、その判別結果から前記標本
データベクトルのカテゴリを判別させるプログラムコー
ド手段と、判別面のカテゴリ判別精度が許容可能である
か否かを基準にして前記判別面の再算出が必要か否かを
区別させるプログラムコード手段と、該判別面の再算出
が必要であるとされた場合に、前記再学習データベクト
ルの内、前記判別面からの距離が所定の範囲内にある再
学習データベクトルを取得させる再学習データベクトル
取得プログラムコード手段と、該再学習データベクトル
及び前記標本データベクトルを新たな再学習データベク
トルとさせるプログラムコード手段と、該再学習データ
ベクトルを用いて判別面を再算出させるプログラムコー
ド手段とを有することを特徴とするコンピュータでの読
み取りが可能な記録媒体。18. Recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data representing characteristics of a plurality of object patterns, and category data indicating a category of the plurality of objects. If the category of the target is determined from the feature data of the unknown target using the knowledge of the set, and if the determination accuracy of the knowledge used for the determination is unacceptable, re-create the knowledge with higher determination accuracy. On a computer-readable recording medium on which a computer program for causing re-learning using learning data is recorded, a learning data vector used for learning in which a plurality of target feature data is represented as a vector in a multidimensional space. Partitioning the multidimensional space calculated from a set of the plurality of target category data into regions corresponding to categories; Program code means for acquiring a discrimination plane, program code means for acquiring a re-learning data vector used for re-learning in which the feature data of the plurality of objects are expressed as a vector in the multidimensional space, and an unknown code to recognize a pattern. Program code means for acquiring target feature data, program code means for expressing the feature data as a vector in the multidimensional space and converting the sample data into a sample data vector to be used as a sample for discrimination, the discrimination plane and the sample data vector Program code means for determining the positional relationship with
Program code means for determining a region in the multidimensional space where the sample data vector is located from the positional relationship, and determining the category of the sample data vector from the determination result, and category determination accuracy of the determination surface is acceptable. Program code means for discriminating whether or not the recalculation of the discrimination surface is necessary based on whether or not, and when it is determined that the recalculation of the discrimination surface is necessary, among the relearning data vectors, A re-learning data vector acquisition program code for acquiring a re-learning data vector whose distance from the discrimination plane is within a predetermined range; and a program for making the re-learning data vector and the sample data vector new re-learning data vectors. Code means, and program code means for recalculating the discrimination surface using the relearning data vector. Recording medium readable on a computer, wherein the door. 【請求項１９】 前記再学習データベクトル取得プログ
ラムコード手段は、複数の前記再学習データベクトルの
中から、前記判別面からの距離が所定の値以下のものを
選択して新たな再学習データベクトルとして取得させる
プログラムコード手段を有することを特徴とする請求項
１８に記載のコンピュータでの読み取りが可能な記録媒
体。19. The re-learning data vector acquisition program code means selects a re-learning data vector whose distance from the discrimination plane is equal to or less than a predetermined value from among the plurality of re-learning data vectors, and selects a new re-learning data vector. 19. The computer-readable recording medium according to claim 18, further comprising program code means for acquiring the program code. 【請求項２０】 対象から得られる空間的及び／又は時
間的に分布したパターンを認識するにあたって、複数の
対象のパターンの特徴を表現する特徴データと、該複数
の対象のカテゴリを示すカテゴリデータとの組に係る知
識を用いて未知の対象の特徴データから該対象のカテゴ
リを判別させ、判別に用いた知識の判別精度が受容可能
でない場合は、より判別精度の高い知識を生成させるた
めに再学習データを用いて再学習を行なわせるコンピュ
ータプログラムが記録してあるコンピュータでの読み取
りが可能な記録媒体において、 複数の対象の特徴データを多次元空間のベクトルとして
表現した学習に用いる学習データベクトルと前記複数の
対象のカテゴリデータとの組から算出された前記多次元
空間内をカテゴリに対応する領域に区分する判別面を取
得させるプログラムコード手段と、前記複数の対象の特
徴データを前記多次元空間のベクトルとして表現してあ
り、また、前記判別面からの距離が所定の範囲内にある
再学習に用いる再学習データベクトルを取得させるプロ
グラムコード手段と、パターンを認識すべき未知の対象
の特徴データを取得させるプログラムコード手段と、該
特徴データを前記多次元空間のベクトルとして表現し判
別用の標本とする標本データベクトルに変換させるプロ
グラムコード手段と、前記判別面と前記標本データベク
トルとの位置関係を求めさせるプログラムコード手段
と、該位置関係から前記標本データベクトルが位置する
多次元空間内の領域を判別させ、その判別結果から前記
標本データベクトルのカテゴリを判別させるプログラム
コード手段と、判別面のカテゴリ判別精度が許容可能で
あるか否かを基準にして前記判別面の再算出が必要か否
かを区別させるプログラムコード手段と、該判別面の再
算出が必要であるとされた場合に、前記再学習データベ
クトル及び前記標本データベクトルを新たな再学習デー
タベクトルとさせる再学習データベクトル取得プログラ
ムコード手段と、該再学習データベクトルを用いて判別
面を再算出させるプログラムコード手段とを有すること
を特徴とするコンピュータでの読み取りが可能な記録媒
体。20. In recognizing a spatially and / or temporally distributed pattern obtained from an object, feature data representing characteristics of a plurality of object patterns, category data indicating a category of the plurality of objects, If the category of the target is determined from the feature data of the unknown target using the knowledge of the set, and if the determination accuracy of the knowledge used for the determination is unacceptable, re-create the knowledge with higher determination accuracy. On a computer-readable recording medium on which a computer program for causing re-learning using learning data is recorded, a learning data vector used for learning in which a plurality of target feature data is represented as a vector in a multidimensional space. Partitioning the multidimensional space calculated from a set of the plurality of target category data into regions corresponding to categories; A program code unit for acquiring a discrimination plane; and the feature data of the plurality of objects are expressed as vectors in the multidimensional space. A program code unit for acquiring a learning data vector, a program code unit for acquiring feature data of an unknown target whose pattern is to be recognized, and a sample that represents the feature data as a vector in the multidimensional space and serves as a sample for determination Program code means for converting into a data vector, program code means for determining the positional relationship between the discrimination surface and the sample data vector, and determining an area in the multidimensional space where the sample data vector is located from the positional relationship. A program code for determining a category of the sample data vector from the determination result. Steps, program code means for distinguishing whether or not the recalculation of the discrimination surface is necessary based on whether or not the category discrimination accuracy of the discrimination surface is acceptable; and recalculation of the discrimination surface is required. , A re-learning data vector acquisition program code means for making the re-learning data vector and the sample data vector new re-learning data vectors, and a program for re-calculating the discrimination plane using the re-learning data vectors. A computer-readable recording medium having code means. 【請求項２１】 前記再学習データベクトル取得プログ
ラムコード手段は、判別面からの距離が所定の範囲内に
ある前記再学習データベクトルとして、複数の再学習デ
ータベクトルの中から選択された前記判別面からの距離
が所定の値以下である再学習データベクトルを取得させ
るプログラムコード手段を有することを特徴とする請求
項２０に記載のコンピュータでの読み取りが可能な記録
媒体。21. The re-learning data vector acquisition program code means, wherein the discrimination plane selected from a plurality of re-learning data vectors is selected as the re-learning data vector whose distance from the discrimination plane is within a predetermined range. 21. The computer-readable recording medium according to claim 20, further comprising program code means for acquiring a re-learning data vector whose distance from is less than or equal to a predetermined value.
JP2000267803A 2000-09-04 2000-09-04 Pattern recognition method, pattern recognition apparatus, and recording medium Expired - Fee Related JP4827285B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2000267803A JP4827285B2 (en) 2000-09-04 2000-09-04 Pattern recognition method, pattern recognition apparatus, and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2000267803A JP4827285B2 (en) 2000-09-04 2000-09-04 Pattern recognition method, pattern recognition apparatus, and recording medium

Publications (2)

Publication Number Publication Date
JP2002073076A true JP2002073076A (en) 2002-03-12
JP4827285B2 JP4827285B2 (en) 2011-11-30

Family

ID=18754663

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2000267803A Expired - Fee Related JP4827285B2 (en) 2000-09-04 2000-09-04 Pattern recognition method, pattern recognition apparatus, and recording medium

Country Status (1)

Country Link
JP (1) JP4827285B2 (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004021590A (en) * 2002-06-17 2004-01-22 Fujitsu Ltd Data sorting device, active learning method for data storing device and program for active learning
JP2008233438A (en) * 2007-03-20 2008-10-02 National Institute Of Advanced Industrial & Technology Speech recognition device using myoelectric potential signal
WO2010016109A1 (en) * 2008-08-05 2010-02-11 富士通株式会社 Sample attribution class estimation method, sample attribution class estimation program, and attribution class estimation apparatus
JP2012027858A (en) * 2010-07-27 2012-02-09 Central Res Inst Of Electric Power Ind Determination criterion generation device, determination criterion generation method and determination criterion generation program
US9002101B2 (en) 2011-03-25 2015-04-07 Kabushiki Kaisha Toshiba Recognition device, recognition method, and computer program product
WO2017145960A1 (en) * 2016-02-24 2017-08-31 日本電気株式会社 Learning device, learning method, and recording medium
JP2019185244A (en) * 2018-04-05 2019-10-24 富士通株式会社 Learning program and learning method
US11468261B2 (en) 2016-01-20 2022-10-11 Fujitsu Limited Information processing apparatus, image processing method, and computer-readable recording medium recording image processing program

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1173406A (en) * 1997-06-26 1999-03-16 Lucent Technol Inc Method for using support vector machine
JP2000293502A (en) * 1999-04-05 2000-10-20 Nippon Telegr & Teleph Corp <Ntt> Data sorting method and device and storage medium storing data sorting program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1173406A (en) * 1997-06-26 1999-03-16 Lucent Technol Inc Method for using support vector machine
JP2000293502A (en) * 1999-04-05 2000-10-20 Nippon Telegr & Teleph Corp <Ntt> Data sorting method and device and storage medium storing data sorting program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JPN6010029270, 小倉信彦、渡辺澄夫, "データの重要度推定に基づくサポートベクタマシンの逐次学習", 電子情報通信学会技術研究報告． ９９（１８２）, 19990716, Ｐ．４５−Ｐ．５２, JP, 社団法人電子情報通信学会 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004021590A (en) * 2002-06-17 2004-01-22 Fujitsu Ltd Data sorting device, active learning method for data storing device and program for active learning
JP2008233438A (en) * 2007-03-20 2008-10-02 National Institute Of Advanced Industrial & Technology Speech recognition device using myoelectric potential signal
EP2323080A4 (en) * 2008-08-05 2017-04-26 Fujitsu Limited Sample attribution class estimation method, sample attribution class estimation program, and attribution class estimation apparatus
WO2010016109A1 (en) * 2008-08-05 2010-02-11 富士通株式会社 Sample attribution class estimation method, sample attribution class estimation program, and attribution class estimation apparatus
JP5141767B2 (en) * 2008-08-05 2013-02-13 富士通株式会社 Sample attribution class prediction method, attribution class prediction program, and attribution class prediction apparatus
US8682813B2 (en) 2008-08-05 2014-03-25 Fujitsu Limited Sample class prediction method, prediction program, and prediction apparatus
JP2012027858A (en) * 2010-07-27 2012-02-09 Central Res Inst Of Electric Power Ind Determination criterion generation device, determination criterion generation method and determination criterion generation program
US9002101B2 (en) 2011-03-25 2015-04-07 Kabushiki Kaisha Toshiba Recognition device, recognition method, and computer program product
US11468261B2 (en) 2016-01-20 2022-10-11 Fujitsu Limited Information processing apparatus, image processing method, and computer-readable recording medium recording image processing program
WO2017145960A1 (en) * 2016-02-24 2017-08-31 日本電気株式会社 Learning device, learning method, and recording medium
JPWO2017145960A1 (en) * 2016-02-24 2018-12-20 日本電気株式会社 Learning device, learning method and program
US10878286B2 (en) 2016-02-24 2020-12-29 Nec Corporation Learning device, learning method, and recording medium
JP2019185244A (en) * 2018-04-05 2019-10-24 富士通株式会社 Learning program and learning method
JP7041348B2 (en) 2018-04-05 2022-03-24 富士通株式会社 Learning program and learning method

Also Published As

Publication number Publication date
JP4827285B2 (en) 2011-11-30

Similar Documents

Publication Publication Date Title
US7783581B2 (en) Data learning system for identifying, learning apparatus, identifying apparatus and learning method
WO2021143396A1 (en) Method and apparatus for carrying out classification prediction by using text classification model
CN109993236A (en) Few sample language of the Manchus matching process based on one-shot Siamese convolutional neural networks
JP4960416B2 (en) Speaker clustering apparatus and speaker clustering method
CN116560895B (en) Fault diagnosis method for mechanical equipment
CN113611293B (en) Mongolian data set expansion method
US6449591B1 (en) Learning apparatus, learning method, recognition apparatus, recognition method, and recording medium
JP4393720B2 (en) Pattern recognition apparatus and method
JP4827285B2 (en) Pattern recognition method, pattern recognition apparatus, and recording medium
JP2019008131A (en) Speaker determination device, speaker determination information generation method, and program
CN108847251B (en) Voice duplicate removal method, device, server and storage medium
JPWO2019215904A1 (en) Predictive model creation device, predictive model creation method, and predictive model creation program
CN117371511A (en) Training method, device, equipment and storage medium for image classification model
JP2008046864A (en) Face image recognition device and face image recognition program
CN113010687B (en) Exercise label prediction method and device, storage medium and computer equipment
CN112905166B (en) Artificial intelligence programming system, computer device, and computer-readable storage medium
CN112200224B (en) Medical image feature processing method and device
JP4346531B2 (en) Text data learning analysis system, text data learning device, text data analysis device, method and program
CN116091867B (en) Model training and image recognition method, device, equipment and storage medium
CN116932487B (en) Quantized data analysis method and system based on data paragraph division
JP3986008B2 (en) Statistical analysis apparatus and statistical analysis program
CN117251574B (en) Text classification extraction method and system based on multi-feature data fusion
JPH11345342A (en) Method and device for retrieving time series image, and recording medium having recorded time series image retrieval program
CN116502093B (en) Target detection data selection method and device based on active learning
Merrill et al. Extensive Huffman-tree-based Neural Network for the Imbalanced Dataset and Its Application in Accent Recognition

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20070807

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20100419

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100601

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100727

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110510

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110624

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: 20110913

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20110913

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140922

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees