JPH0522154A - Ｌｖｑにおける参照ベクトル初期値の設定方法 - Google Patents
Ｌｖｑにおける参照ベクトル初期値の設定方法Info
- Publication number
- JPH0522154A JPH0522154A JP3170843A JP17084391A JPH0522154A JP H0522154 A JPH0522154 A JP H0522154A JP 3170843 A JP3170843 A JP 3170843A JP 17084391 A JP17084391 A JP 17084391A JP H0522154 A JPH0522154 A JP H0522154A
- Authority
- JP
- Japan
- Prior art keywords
- vector
- reference vector
- category
- learning
- initial value
- 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.)
- Pending
Links
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Complex Calculations (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
(57)【要約】
【目的】 音声工学や画像工学で信号の符号化に使用さ
れるＬＶＱで参照ベクトルの初期値を設定する際、カテ
ゴリ間の学習ベクトル分布に応じた初期値を自動設定
し、学習を容易にする。 【構成】 まずｉ番目のカテゴリでｊ個目の参照ベクト
ルＭｉｊを各カテゴリ（△，□，）のセントロイドに配
列し、次に各学習ベクトルＬｉｊに対して最近傍の参照
ベクトルを求め、そのメンバーベクトルとする。続い
て、その中で異なるカテゴリのメンバーベクトルでもあ
るセントロイドに新規参照ベクトルＭｉ′ｊ′を生成さ
せ、そのメンバー中で同一カテゴリの占める比率を内部
ポテンシャルとする。この値が所定の基準値以下の参照
ベクトルは図（ｂ）以降の手順を繰り返す。
れるＬＶＱで参照ベクトルの初期値を設定する際、カテ
ゴリ間の学習ベクトル分布に応じた初期値を自動設定
し、学習を容易にする。 【構成】 まずｉ番目のカテゴリでｊ個目の参照ベクト
ルＭｉｊを各カテゴリ（△，□，）のセントロイドに配
列し、次に各学習ベクトルＬｉｊに対して最近傍の参照
ベクトルを求め、そのメンバーベクトルとする。続い
て、その中で異なるカテゴリのメンバーベクトルでもあ
るセントロイドに新規参照ベクトルＭｉ′ｊ′を生成さ
せ、そのメンバー中で同一カテゴリの占める比率を内部
ポテンシャルとする。この値が所定の基準値以下の参照
ベクトルは図（ｂ）以降の手順を繰り返す。
Description
【０００１】
【産業上の利用分野】本発明は、音声工学や画像工学で
信号の符号化に使用されている学習ベクトル量子化技術
（Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａ
ｔｉｏｎ；以下ＬＶＱと略称する）における参照ベクト
ル初期値の設定方法に関し、特に、カテゴリ間の学習ベ
クトル分布に応じた初期値を設定する初期値設定方法に
関する。
信号の符号化に使用されている学習ベクトル量子化技術
（Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａ
ｔｉｏｎ；以下ＬＶＱと略称する）における参照ベクト
ル初期値の設定方法に関し、特に、カテゴリ間の学習ベ
クトル分布に応じた初期値を設定する初期値設定方法に
関する。
【０００２】
【従来の技術】ＬＶＱは、従来より音声工学や画像工学
で信号の符号化に重視されていたが、ＡＩ手法の飛躍的
な発展に伴って学習が質的に向上し、一層重要度を増し
てきている。ベクトルの量子化は、メモリの大容量化と
低コスト化によって開発されたもので、連続するサンプ
ル値の集団を一つのカテゴリとして利用する符号化方法
であり、Ｎ個のサンプル値の集団は、Ｎ個の成分を有す
るＮ次元空間の１点又は原点からその点までのＮ次元ベ
クトルと考えることができる。例えば、何らかの方法に
より、このＮ次元空間に図２に示される如き番号を付与
されたＭ個の参照ベクトルＹｉが配列されていて、所望
のベクトルＸ（＝ｘ１，ｘ２，…ｘＮ）が入力されたと
き、これと各参照ベクトルＹｉとの空間的距離を定義
し、該距離が最小の参照ベクトルＹｍで入力ベクトルＸ
を代表（量子化）させ、その参照ベクトルＹｍの番号ｍ
を決定（符号化）する。ＬＶＱは、この参照ベクトルＹ
ｍを学習によって得るパターン認識方法である。
で信号の符号化に重視されていたが、ＡＩ手法の飛躍的
な発展に伴って学習が質的に向上し、一層重要度を増し
てきている。ベクトルの量子化は、メモリの大容量化と
低コスト化によって開発されたもので、連続するサンプ
ル値の集団を一つのカテゴリとして利用する符号化方法
であり、Ｎ個のサンプル値の集団は、Ｎ個の成分を有す
るＮ次元空間の１点又は原点からその点までのＮ次元ベ
クトルと考えることができる。例えば、何らかの方法に
より、このＮ次元空間に図２に示される如き番号を付与
されたＭ個の参照ベクトルＹｉが配列されていて、所望
のベクトルＸ（＝ｘ１，ｘ２，…ｘＮ）が入力されたと
き、これと各参照ベクトルＹｉとの空間的距離を定義
し、該距離が最小の参照ベクトルＹｍで入力ベクトルＸ
を代表（量子化）させ、その参照ベクトルＹｍの番号ｍ
を決定（符号化）する。ＬＶＱは、この参照ベクトルＹ
ｍを学習によって得るパターン認識方法である。
【０００３】
【発明が解決しようとする課題】ＬＶＱにおいては、参
照ベクトルの初期値をどのように設定するかで、ＬＶＱ
の性能が大きく左右される。しかし、従来の初期値の選
択方法は、学習ベクトルの中から適当に抽出するか、各
カテゴリ内の歪み率が小さくなるような初期値を与える
かのいずれかであった。これでは、カテゴリ間の学習ベ
クトル分布状態を忠実に反映していると言えず、折角Ｌ
ＶＱにより参照ベクトルを学習させても、認識率に無関
係な参照ベクトルが増えるばかりである。本発明はこの
ような課題に鑑みて創案されたもので、カテゴリ間の学
習ベクトル分布状態に応じた初期値を設定でき、ＬＶＱ
の学習が容易になるような参照ベクトルの初期値設定方
法を提供することを目的としている。
照ベクトルの初期値をどのように設定するかで、ＬＶＱ
の性能が大きく左右される。しかし、従来の初期値の選
択方法は、学習ベクトルの中から適当に抽出するか、各
カテゴリ内の歪み率が小さくなるような初期値を与える
かのいずれかであった。これでは、カテゴリ間の学習ベ
クトル分布状態を忠実に反映していると言えず、折角Ｌ
ＶＱにより参照ベクトルを学習させても、認識率に無関
係な参照ベクトルが増えるばかりである。本発明はこの
ような課題に鑑みて創案されたもので、カテゴリ間の学
習ベクトル分布状態に応じた初期値を設定でき、ＬＶＱ
の学習が容易になるような参照ベクトルの初期値設定方
法を提供することを目的としている。
【０００４】
【課題を解決するための手段】本発明における上記課題
を解決するための手段は、各カテゴリを代表する最適の
参照ベクトルを学習で得る学習ベクトル量子化における
参照ベクトル初期値の設定方法において、各カテゴリの
セントロイドに参照ベクトルを配列し、各学習ベクトル
に対して最も近傍の参照ベクトルを求め、その学習ベク
トルを参照ベクトルのメンバーベクトルとし、該メンバ
ーベクトルのうち異なるカテゴリのメンバーベクトルと
重複するセントロイドに新規の参照ベクトルを生成さ
せ、メンバーベクトルのうち同一カテゴリに属するもの
の比率を新規の参照ベクトルの内部ポテンシャルとする
参照ベクトル初期値の設定方法によるものとする。
を解決するための手段は、各カテゴリを代表する最適の
参照ベクトルを学習で得る学習ベクトル量子化における
参照ベクトル初期値の設定方法において、各カテゴリの
セントロイドに参照ベクトルを配列し、各学習ベクトル
に対して最も近傍の参照ベクトルを求め、その学習ベク
トルを参照ベクトルのメンバーベクトルとし、該メンバ
ーベクトルのうち異なるカテゴリのメンバーベクトルと
重複するセントロイドに新規の参照ベクトルを生成さ
せ、メンバーベクトルのうち同一カテゴリに属するもの
の比率を新規の参照ベクトルの内部ポテンシャルとする
参照ベクトル初期値の設定方法によるものとする。
【０００５】
【作用】本発明は、各カテゴリの学習ベクトルの分布状
態に応じて参照ベクトルを自己生成させる初期値設定方
法である。このため本発明では、各カテゴリのセントロ
イドに参照ベクトルを配列し、各学習ベクトルに対して
最近傍の参照ベクトルを求め、その学習ベクトルを参照
ベクトルのメンバーベクトルとし、そのメンバーベクト
ルのうち異なるカテゴリのメンバーベクトルでもあるセ
ントロイドに新規の参照ベクトルを生成させ、メンバー
ベクトルのうち同一カテゴリに属するものの比率をその
参照ベクトルの内部ポテンシャルとして評価する。
態に応じて参照ベクトルを自己生成させる初期値設定方
法である。このため本発明では、各カテゴリのセントロ
イドに参照ベクトルを配列し、各学習ベクトルに対して
最近傍の参照ベクトルを求め、その学習ベクトルを参照
ベクトルのメンバーベクトルとし、そのメンバーベクト
ルのうち異なるカテゴリのメンバーベクトルでもあるセ
ントロイドに新規の参照ベクトルを生成させ、メンバー
ベクトルのうち同一カテゴリに属するものの比率をその
参照ベクトルの内部ポテンシャルとして評価する。
【０００６】
【実施例】以下、図面を参照して、本発明の実施例を詳
細に説明する。図１は、本発明の一実施例の工程の説明
図である。本実施例では、各記号は下記の如く定義され
ている。
細に説明する。図１は、本発明の一実施例の工程の説明
図である。本実施例では、各記号は下記の如く定義され
ている。
【０００７】 Ｍ；参照ベクトル Ｌ；学習ベクトル ｉ；カテゴリ番号（１≦ｉ≦ｎ） ｊ；参照ベクトル番号（１≦ｊ≦ｋ） 従って、Ｍｉｊはｉ番目のカテゴリでｊ個目の参照ベク
トルということになり、同様にｉ番目のカテゴリでｊ個
目の学習ベクトルはＬｉｊとなる。本実施例では、ま
ず、図１（ａ）に示す如く、各カテゴリ（△，□，）の
セントロイドに参照ベクトルＭ１１，Ｍ２１，Ｍ３１を
配列する。次に、各学習ベクトルＬｉｊ（図示せず）に
対して最も近傍の参照ベクトルを求め、各学習ベクトル
Ｌｉｊは、図１（ｂ）に示す参照ベクトルＭ１１，Ｍ２
１又はＭ３１のいずれかのメンバーベクトルと呼ぶこと
にする。ここで、各参照ベクトルのメンバーベクトルは
空間的距離で決定されるので遠隔部にはカテゴリの異な
るものも含まれるが、異なるカテゴリのメンバーベクト
ルのセントロイドには、新規の参照ベクトルＭｉ′ｊ′
を生成させる。例えば図１（ｃ）で、カテゴリ１（△）
の参照ベクトルＭ１１のメンバーベクトルには、カテゴ
リ２（□）及びカテゴリ３（）のメンバーベクトルも存
在する。そこで本実施例では、前者のセントロイドに参
照ベクトルＭ２２を生成させ、後者のセントロイドに参
照ベクトルＭ３２を生成させる。同様に、参照ベクトル
Ｍ２１のメンバーベクトルにも参照ベクトルＭ１２及び
参照ベクトルＭ３３を生成させ、参照ベクトルＭ３１の
メンバーベクトルにも参照ベクトルＭ１３及び参照ベク
トルＭ２３を生成させる。これらの新規な参照ベクトル
Ｍｉ′ｊ′の内部ポテンシャルＥｉ′ｊ′は、次式で演
算される。
トルということになり、同様にｉ番目のカテゴリでｊ個
目の学習ベクトルはＬｉｊとなる。本実施例では、ま
ず、図１（ａ）に示す如く、各カテゴリ（△，□，）の
セントロイドに参照ベクトルＭ１１，Ｍ２１，Ｍ３１を
配列する。次に、各学習ベクトルＬｉｊ（図示せず）に
対して最も近傍の参照ベクトルを求め、各学習ベクトル
Ｌｉｊは、図１（ｂ）に示す参照ベクトルＭ１１，Ｍ２
１又はＭ３１のいずれかのメンバーベクトルと呼ぶこと
にする。ここで、各参照ベクトルのメンバーベクトルは
空間的距離で決定されるので遠隔部にはカテゴリの異な
るものも含まれるが、異なるカテゴリのメンバーベクト
ルのセントロイドには、新規の参照ベクトルＭｉ′ｊ′
を生成させる。例えば図１（ｃ）で、カテゴリ１（△）
の参照ベクトルＭ１１のメンバーベクトルには、カテゴ
リ２（□）及びカテゴリ３（）のメンバーベクトルも存
在する。そこで本実施例では、前者のセントロイドに参
照ベクトルＭ２２を生成させ、後者のセントロイドに参
照ベクトルＭ３２を生成させる。同様に、参照ベクトル
Ｍ２１のメンバーベクトルにも参照ベクトルＭ１２及び
参照ベクトルＭ３３を生成させ、参照ベクトルＭ３１の
メンバーベクトルにも参照ベクトルＭ１３及び参照ベク
トルＭ２３を生成させる。これらの新規な参照ベクトル
Ｍｉ′ｊ′の内部ポテンシャルＥｉ′ｊ′は、次式で演
算される。
【０００８】Ｅｉ′ｊ′＝メンバーベクトルのうちカテ
ゴリｉの個数／メンバーベクトルの個数 この内部ポテンシャルＥｉ′ｊ′が所定の基準値以下で
ある参照ベクトルＭｉ′ｊ′に対しては、上記の図１
（ｂ）以降の手順を繰り返す。
ゴリｉの個数／メンバーベクトルの個数 この内部ポテンシャルＥｉ′ｊ′が所定の基準値以下で
ある参照ベクトルＭｉ′ｊ′に対しては、上記の図１
（ｂ）以降の手順を繰り返す。
【０００９】本実施例は下記の効果が明らかである。
【００１０】（１）参照ベクトルに内部ポテンシャルを
定義することにより各カテゴリにおける参照ベクトルの
貢献度が認識できる。
定義することにより各カテゴリにおける参照ベクトルの
貢献度が認識できる。
【００１１】（２）参照ベクトルを自己生成させること
によりカテゴリ間の学習ベクトルの分布状態に応じた初
期値を設定できる。
によりカテゴリ間の学習ベクトルの分布状態に応じた初
期値を設定できる。
【００１２】
【発明の効果】以上、説明したとおり、本発明によれ
ば、カテゴリ間の学習ベクトルの分布に応じた初期値を
設定でき、ＬＶＱの学習が容易になる参照ベクトルの初
期値設定方法を提供することができる。
ば、カテゴリ間の学習ベクトルの分布に応じた初期値を
設定でき、ＬＶＱの学習が容易になる参照ベクトルの初
期値設定方法を提供することができる。
【図１】本発明の一実施例の説明図。
【図２】ベクトル量子化の説明図である。
Ｍ…参照ベクトル、ｉ…カテゴリ番号、ｊ…参照ベクト
ル番号。
ル番号。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.5 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｎ 7/133 Ｚ 4228−5Ｃ
Claims (1)
- 【特許請求の範囲】 【請求項１】 各カテゴリを代表する最適の参照ベクト
ルを学習で得る学習ベクトル量子化における参照ベクト
ル初期値の設定方法において、各カテゴリのセントロイ
ドに参照ベクトルを配列し、各学習ベクトルに対して最
も近傍の参照ベクトルを求め、その学習ベクトルを参照
ベクトルのメンバーベクトルとし、該メンバーベクトル
のうち異なるカテゴリのメンバーベクトルと重複するセ
ントロイドに新規の参照ベクトルを生成させ、メンバー
ベクトルのうち同一カテゴリに属するものの比率を新規
の参照ベクトルの内部ポテンシャルとすることを特徴と
する参照ベクトル初期値の設定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3170843A JPH0522154A (ja) | 1991-07-11 | 1991-07-11 | Ｌｖｑにおける参照ベクトル初期値の設定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3170843A JPH0522154A (ja) | 1991-07-11 | 1991-07-11 | Ｌｖｑにおける参照ベクトル初期値の設定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0522154A true JPH0522154A (ja) | 1993-01-29 |
Family
ID=15912359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3170843A Pending JPH0522154A (ja) | 1991-07-11 | 1991-07-11 | Ｌｖｑにおける参照ベクトル初期値の設定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0522154A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10913251B2 (en) | 2015-09-01 | 2021-02-09 | Mitsui Chemicals, Inc. | Buffer material, buffer material for coating robot, robot with buffer material, and coating robot with buffer material |
-
1991
- 1991-07-11 JP JP3170843A patent/JPH0522154A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10913251B2 (en) | 2015-09-01 | 2021-02-09 | Mitsui Chemicals, Inc. | Buffer material, buffer material for coating robot, robot with buffer material, and coating robot with buffer material |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4400828A (en) | Word recognizer | |
| US5583968A (en) | Noise reduction for speech recognition | |
| US5796631A (en) | Method and apparatus for monitoring and characterizing power quality, faults and other phenomena in network power systems | |
| Munk et al. | Neural network models for infrared spectrum interpretation | |
| JPH03101423A (ja) | 多要素信号を符号化する方法および装置 | |
| CN111861945A (zh) | 一种文本引导的图像修复方法和*** | |
| JPH08227408A (ja) | ニューラルネットワーク | |
| US5528699A (en) | Information medium recognition device | |
| US8001061B2 (en) | First and second unsupervised learning processes combined using a supervised learning apparatus | |
| CN113066475B (zh) | 一种基于生成式对抗网络的语音合成方法 | |
| JPH0522154A (ja) | Ｌｖｑにおける参照ベクトル初期値の設定方法 | |
| CN114332479A (zh) | 一种目标检测模型的训练方法及相关装置 | |
| CN111339734B (zh) | 一种基于文本生成图像的方法 | |
| CN113837230A (zh) | 基于自适应注意力机制的图像描述生成方法 | |
| CN113252323A (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及*** | |
| CN113987924A (zh) | 一种基于目标特征自学习的复杂电磁信号模拟发生方法 | |
| CN111583420B (zh) | 基于增强现实模式的智能学习***和方法 | |
| CN114549341A (zh) | 一种基于样例引导的人脸图像多样化修复方法 | |
| JPS61261799A (ja) | 不特定話者用コ−ドブツク作成方法 | |
| JPS59161782A (ja) | パタ−ン・マツチング方法 | |
| JPH0535710A (ja) | ニユーラルネツトワークの学習方法および学習装置 | |
| JP3303253B2 (ja) | パターンマッチング方法および装置 | |
| CN113630098B (zh) | 音频放大器的增益控制方法、装置和电子设备 | |
| JP3060922B2 (ja) | 特徴生成装置 | |
| JPH07160287A (ja) | 標準パターン作成装置 |