JPH02304498A

JPH02304498A - 単語認識方式

Info

Publication number: JPH02304498A
Application number: JP1126316A
Authority: JP
Inventors: Kazuhiko Okashita; 和彦岡下; Shingo Nishimura; 新吾西村; Masayuki Unno; 海野　雅幸; Masashi Miyagawa; 宮川　正志
Original assignee: Sekisui Chemical Co Ltd
Current assignee: Sekisui Chemical Co Ltd
Priority date: 1989-05-18
Filing date: 1989-05-18
Publication date: 1990-12-18

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】［産業上の利用分野］本発明は、電気錠、ＩＣカード等のオンライン端末等で
入力音声からその単語を認識するに好適な単語認識方式
に関する。

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

■入力音声に含まれる単語に関する特徴量を抽出する。

■予め上記■と同様にして抽出しておいた標準パターン
と上記■て抽出した特徴量との距離を計算する。

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

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

実時間処理が困難である。即ち、従来の単語認識方式に
おいて一定以上の認識率を確保するためには複雑な特徴
量を用いる必要があるが、複雑な特徴量を抽出するには
複雑な処理装置が必要であリ、処理時間も多大となる。

本発明は、高い認識率を確保し、かつ容易に実時間処理
できる単語認識方式を得ることを目的とする。

［、ＪＭを解決するための手段］請求項１に記載の本発明は、ニューラルネットワークを
用いて入力音声からその単語を認識する単語認識方式で
あって、ニューラルネットワークへの入力として、音声
の平均的な周波数特性、及び平均的なピッチ周波数を用
いるようにしたものである。

請求項２に記載の本発明は、前記ニューラルネットワー
クへの入力として、音声の一定時間内における平均的な
周波数特性の時間的変化、及び一定時間内における平均
的なピッチ周波数の時間的変化を用いるようにしたもの
である。

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

尚、音声のピッチ周波数とは、声帯波の繰返し周期（ピ
ッチ周期）の逆数である。

［作用］請求項１に記載の本発明によれば以下の■〜■の作用効
果がある。

■ニューラルネットワークへの入力として、「音声の平
均的な周波数特性、及び平均的なピッチ周波数」を用い
たから、入力を得るための前処理が、従来の複雑な特徴
量抽出に比して、単純となり、この前処理に要する時間
が短くて足りる。

尚、ニューラルネットワークへの入力として、個人差が
ある声帯の基本的なパラメータであるピッチ周波数を付
加したから、不特定話者における単語の認識率を向上す
ることができる。

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

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

■上記■〜■により、単語認識処理を複雑な処理装置に
よることなく容易に実時間処理できる。

又、請求項２に記載の本発明によれば上記■〜■の作用
効果に加えて、以下の■の作用効果がある。

■ニューラルネットワークへの入力として、［音声の一
定時間内における平均的な周波数特性の時間的変化、及
び一定時間内における平均的なピッチ周波数の時間的変
化」を用いたから、ニューラルネットワークにおける処
理が単純となり、この処理に要する時間がより短くて足
りる。

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

０階層的なニューラルネットワークにあっては、現在、
後述する如くの簡単な学習アルゴリズム（パックブロバ
ゲーシミン）が確立されており、高い認識率を実現でき
るニューラルネットワークを容易に形成できる。

［実施例］第１図は本発明が適用された単語認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
バンドパスフィルタの出力を示す模式図、第４図はニュ
ーラルネットワークを示す模式図、第５図は階層的なニ
ューラルネットワークを示す模式図、第６図はユニット
の構造を示す模式図である。

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

（１）ニューラルネットワークは、その構造から、第４
図（Ａ）に示す階層的ネットワークと第４図（Ｂ）に示
す相互結合ネットワークの２種に大別できる。本発明は
、両ネットワークのいずれを用いて構成するものであっ
ても良いが、階層的ネットワークは後述する如くの簡単
な学習アルゴリズムが確立されているためより有用であ
る。

（２）ネットワークの構造階層的ネットワークは、第５図に示す如く、入力層、中
間層、出力層からなる階層構造をとる。

各層は１以上のユニットから構成される。結合は、入力
層→中間層→出力層という前向きの結合たけで、各層内
での結合はない。

（３）ユニットの構造ユニットは第６図に示す如く脳のニューロンのモデル化
であり構造は簡単である。他のユニットから入力を受け
、その総和をとり一定の規則（変換関数）で変換し、結
果を出力する。他のユニットとの結合には、それぞれ結
合の強さを表わす可変の重みを付ける。

（４）学習（パックプロパゲーション）ネットワークの
学習とは、実際の出力を目標値（望ましい出力）に近づ
けることであり、−Ｍ的には第６図に示した各ユニット
の変換関数及び重みを変化させて学習を行なう。

又、学習のアルゴリズムとしては、例えば、Ｒｕｍｅｌ
ｈａｒｔ、　Ｄ、Ｅ、、ＭｃＣｌｅｌｌａｎｄ、　Ｊ、
Ｌ、　ａｎｄ　ｔｈｅＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇｒ
ｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢｕＴＥＤ
ＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒｅｓｓ
、　１９８６．に記載されているパックプロパゲーショ
ンを用いることができる。

以下、本発明の具体的な実施例について説明する。尚、
この実施例の認識システム１は、ｎチャンネルのバンド
パスフィルタ１０、ピッチ抽出部１１、平均化回路１５
、ニューラルネットワーク２０、判定回路３０の結合に
て構成される（第１図参照）。

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

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

■音声波形を、第１図に示す如く、複数（ｎ個）（この
実施例ではｎ＝８）チャンネルのバンドパスフィルタ１
０に通し、各ブロック即ち各一定時間毎に第３図（Ａ）
〜（Ｄ）のそれぞれに示す如くの周波数特性を得る。

又、上記バンドパスフィルタ１０による処理と並列的に
、音声波形をピッチ抽出部１１に通し、各ブロック即ち
各一定時間毎にピッチ周波数を得る。

この時、バンドパスフィルタ１ｏとピッチ抽出部１１の
各出力は各ブロック毎に平均化回路１５で平均化される
。

（Ｃ）ニューラルネットワークによる処理及び判定 ■前処理の結果（ブロック毎のバンドパスフィルタ１０
、ピッチ抽出部１１を経た各平均化回路１５の出力）を
、第１図に示す如く、３層の階層的なニューラルネット
ワーク２ｏに入力する。入力層２１は、バンドパスフィ
ルタ１０による前処理のｎチャンネル、４ブロツクに対
応し、かつピッチ抽出部１１による前処理の１チヤンネ
ル、４ブロツクに対応する、４ｘ　（ｎ＋１）ユニット
（この実施例ではｎ＝８．３６ユニツト）にて構成され
る。出力層２２は、５単語のそれぞれについて登録単語
とその他の単語とに対応する２ユニツトを設け、全体を
１０ユニツトにて構成される。

■ニューラルネットワーク２０の出力を判定回路３０に
入力し、今回入力音声の単語を認識する。但し、本発明
の実施において、ニューラルネットワーク２０の出力は
判定回路３０の如くにて機械的に判定処理されず、ニュ
ーラルネットワーク２０の出力を得た人間の知力にて判
定処理されるものであっても良い。

■前述した学習アルゴリズムの°バックプロパゲーショ
ンにより、入力に対する出力のエラーが一定レベルに収
束するまで　１，０００回学習させ、一定認識率を保証
し得るネットワークを構築する。尚、出力としては、各
登録単語に対応したユニットが「１」、その他の単語に
対応したユニットが「０」となるように学習した。

（Ｄ）実験上記認識システム１を用いて、単語認識を実験した。

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

（ａ）認識率結果、認識率は　１００％であることが認められた。

（ｂ）処理速度又、処理速度（１単語の発声に対する認識に要した時間
）は１秒以内てあり、極めて迅速処理できることが認め
られた。

即ち、上記認識システム１にあっては、上記（ａ）の結
果か示すように認識率が極めて高い。

又、上記認識システム１にあっては、上記　（ｂ）の結
果が示すように単語認識処理を複雑な処理装置によるこ
となく迅速処理でき、容易に実時間処理できる。

尚、本発明の実施において、ニューラルネットワークへ
の入力として、音声の一定時間内における平均的な周波
数特性の時間的変化、及び一定時間内における平均的な
ピッチ周波数の時間的変化を用いるものでなく、単に「
音声の平均的な周波数特性、及び平均的なピッチ周波数
」を用いるものであワても良い。

［発明の効果コ以上のように本発明によれば、高い認識率を確保し、か
つ容易に実時間処理できる単語認識方式％式％

【図面の簡単な説明】

第１図は本発明が適用された単語認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
バンドパスフィルタの出力を示す模式図、第４図はニュ
ーラルネットワークを示す模式図、第５図は階層的なニ
ューラルネットワークを示す模式図、第６図はユニット
の構造を示す模式図である。１・・・認識システム、１０・・・バンドパスフィルタ、１１・・・ピッチ抽出部、１５・・・平均化回路、２０・・・ニューラルネットワーク、２１・・・入力層２２・・・出力層、３０・・・判定回路。特許出願人　積水化学工業株式会社代表者　　廣１）馨第２図時間第３図（Ａ）　　　（Ｂ）　　　（Ｃ）　　　（Ｄ）周波数　
　　周波数　　　　周匠叡　　　　周仮鍜第４図第５図 ↑ 入カバターン第６図ユニット

Claims

【特許請求の範囲】

（１）ニューラルネットワークを用いて入力音声からそ
の単語を認識する単語認識方式であって、ニューラルネ
ットワークへの入力として、音声の平均的な周波数特性
、及び平均的なピッチ周波数を用いる単語認識方式。
（２）前記ニューラルネットワークへの入力として、音
声の一定時間内における平均的な周波数特性の時間的変
化、及び一定時間内における平均的なピッチ周波数の時
間的変化を用いる請求項１記載の単語認識方式。
（３）前記ニューラルネットワークが階層的なニューラ
ルネットワークである請求項１又は２記載の単語認識方
式。