実体の表現方法、実体の分類方法及び分類装置、実体表現のストア（ｓｔｏｒｅ）を確立する方法、実体の表現を生成する装置、コンピュータプログラム、並びに信号処理装置
【課題】複雑な形状の移動物標による後方散乱信号を受信し、物標の存在や分類を行う場合、アスペクト角のわずかな変化によって後方散乱信号に大きな変動を生じ、統計的推定値の誤差が非常に大きくなる。この誤差を少なくし、信頼性の高い形状記述子を得る。
【解決手段】実体に質問信号を当て、実体からの反射を繰り返しサンプリングして、反射信号の強度にそれぞれ依存する第１の組の値を得る。このサンプル値に対数変換を適用して、第２の組の値を得る。特定の算式により、第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）と、第２の組の値の各々と第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）とを少なくとも含む一組の記述子を導出し、これを異なるアスペクト角において取得する。これらのデータを記憶された複数のデータ集合と比較して物標を分類する。
【解決手段】実体に質問信号を当て、実体からの反射を繰り返しサンプリングして、反射信号の強度にそれぞれ依存する第１の組の値を得る。このサンプル値に対数変換を適用して、第２の組の値を得る。特定の算式により、第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）と、第２の組の値の各々と第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）とを少なくとも含む一組の記述子を導出し、これを異なるアスペクト角において取得する。これらのデータを記憶された複数のデータ集合と比較して物標を分類する。
【発明の詳細な説明】
【技術分野】
【０００１】
［発明の背景］
発明の分野
本発明は、有限の組の信号サンプルから信号の統計パラメータを求める方法及び装置に関し、特に、限定するものではないが、陸上車両等の複雑な人工物を含む物理的実体(entity)によって後方散乱される電磁波の変動電力に含まれる情報を使用することにより、そのような実体の特徴付け及び分類に応用可能である。以下の説明は、主に物体の分類に言及するが、海面反射、音波等といった他の実体の分類にも広く適用可能である。
【０００２】
従来技術の説明
調査対象の物体、系、又は現象が、電気信号、音響信号、電磁信号（本明細書中では無線信号と光信号の両方を含むことが意図される）等であるところのプローブ信号のいくつかの特性を変更する状況は多い。一種の用途では、プローブ信号に対する応答の強度すなわち電力のみを求めることができる。一般に、物体の特徴及び特性に関する少なくともいくらかの不完全な情報が、観測される応答信号にカプセル化される。したがって、調査対象の物体に対する推測はいずれも、応答信号を特徴付ける一組の情報性の高い（informative）記述子又はパラメータを構築するステップを含まなければならない。
【０００３】
以下でより詳細に説明するように、応答信号の記述子を求めることが有用である一例は、対象車両に電磁波エネルギーパルスを照射し、車両により反射される信号の電力を解析することに基づく陸上車両の分類である。こうした全天候型の分類技法は、監視を目的として設置される様々な自動監視システムにおいて使用され、例えば、橋、トンネル、並びに、発電所、ガス及び石油貯蔵システム、貯水及び給水システム等を含む重要な産業施設、に至る道路における改善された連続監視を提供する。
【０００４】
陸上車両のような典型的な人工の対象物は、平板、曲面、コーナーリフレクタ、様々なキャビティ等を含む規則的なデザインを有する複数の構成要素である散乱体（component scatterers）からなる。質問波形(interrogating waveform)の周波数が固定されている場合、及びアスペクト角(aspect angle)が固定されている場合、全ての個々の散乱体からの反射は、その固有の大きさ及び位相角を特徴とするベクトル量と見なすことができる。その結果、複雑な人工物によって後方散乱される全信号は、その物体を構成する全ての散乱体が寄与する反射のベクトル総和から得られる。したがって、複雑な人工物のアスペクト角がごくわずかでも変化すると、後方散乱信号に大きな変動が生じる可能性がある。
【０００５】
さらに、主な構成要素である散乱体間の分離が多数の波長分に匹敵する場合、質問波形のキャリア周波数のわずかな変化でさえ、ベクトル総和の結果を、ひいては反射電力の値を大幅に変えてしまう。
【０００６】
陸上車両の分類の場合、後方散乱信号の電力は周波数と（アスペクト）角度の両方に依存するものと仮定することができる。August W. Rihaczek及びStephen J. Hershkowits著「Theory and Practice of Radar Target Identification」（Artech House. Boston 2000）は、複雑な人工物を調査する際に実験的に観察される様々な散乱現象の詳細な解析を含む。
【０００７】
図１は、回転台(turntable)ＴＴ上で車両ＶＨを回転させる仮想の（hypothetical）実験を示す。送信機ＴＸが、適切な電磁波エネルギーパルスを使用して、送信アンテナＴＡを介して車両に照射を行う。車両ＶＨから後方散乱されたコンポジット信号を、適切な解析器ＡＮを組み込んだ固定受信機ＲＸに接続された受信アンテナＲＡにより捕捉して、信号の瞬時電力を求める。車両ＶＨと受信機ＲＸのアスペクト角ξは連続的に変化するため、車両から後方散乱される信号のレベルは何らかの不規則な形で変動することになる。回転台の実験から得られるいくつかの選択された散乱データ例がPeyton Z. Peebles Jr.著「Radar Principles」（Wiley, New York 1998）に示される。
【０００８】
質問パルスの時間間隔が十分に大きい場合、車両から反射される対応するパルスは相関しない。さらに、送信パルスの間隔に関係なく、反射パルスの非相関性（decorrelation）は、いわゆる周波数機敏性（frequency agility）技法を利用することによって、すなわち、送信キャリア周波数の値をパルス毎に適宜シフトすることによって達成することができる。非相関応答の使用は、統計的推測手順の効率を高めるため有利である。周波数機敏性技法は当業者によく知られている。
【０００９】
複雑な人工物によって後方散乱される信号の不規則性のために、移動する陸上車両によって反射される信号の電力は、正の値のみをとることができるランダム変数と見なすことができる。マイクロ波遠隔探知用途では、複雑な物体によって反射される変動電力は、以下の形式のガンマ確率密度関数（ｐｄｆ）を含むいくつかのよく知られたｐｄｆを特徴とする。
【００１０】
【数１】
【００１１】
ここで、ｘはランダム電力であり、Γ（ ）はガンマ関数であり、αは形状パラメータであり、σはスケールパラメータである。α＝１及びα＝２の場合、上記のｐｄｆは、当業者に知られる２つの一般的な渦（Swerling）モデルを生じる。α＝１である場合、ガンマ分布は指数分布となる。
【００１２】
図２は、２つの渦モデルを表す確率密度関数を示す。
【００１３】
後方散乱電力の他の一般的な統計モデルは、ワイブル(Weibull)分布及び対数正規(log-normal)分布に基づく。さらに別の、ライス(Rice)分布を利用するモデルは、対象物が１つの主要な反射体と、複数のより小さな散乱体とを含む場合に有用である。
【００１４】
スケールパラメータσ自体がランダム変数となるように変更した、次式で表される指数分布
【００１５】
【数２】
【００１６】
に基づく後方散乱電力の広いクラスの統計モデルもある。スケールパラメータがガンマ分布に従って分布する場合、結果として得られるモデルはいわゆるＫ分布を有する。反射電力のスズキ（Suzuki）モデルは、スケールパラメータ自体が対数正規のランダム変数である場合に一次(primary)指数モデルから得られる。
【００１７】
複雑な物体によって反射される変動電力の上記の全てのモデル及び他の確率モデルは２つのパラメータに依存する。１つのパラメータは反射電力の平均値に関連し、もう１つのパラメータは基礎となる確率分布の形状を特徴付ける。Peyton Z. Peebles Jr.著「Radar Principles」（Wiley, New York 1998）及びFred E. Nathanson著「Radar Design Principles」（2nd Ed., McGraw-Hill, New York 1991）に要約されている、反射電力の上記の統計モデルの特性及び適用性は、当業者によく知られている。
【００１８】
上述した統計モデルは、基礎となる各確率密度関数が（明示的又は暗示的な）解析形状で与えられるため、特に物体検出に関する理論的研究に非常に有用である。しかし、それらのモデルの、実際の物体分類問題への適用性は、以下の理由から限られている。
− 提案されている全ての統計モデルにおいて、スケールパラメータが固定である場合、分布の「本体」（main 'body'）と裾野との両方を含む分布形状をたった１つのパラメータが支配する。実験的に得られるサンプル数が少ないか又は中程度（例えば１０００未満）である場合、基礎となる分布の裾野に関する統計的推測はいずれも信頼することができない。したがって、１つの形状パラメータに基づく分類手順の性能は不満足なものとなる。
− 多くの場合に、実験データから得られるヒストグラム（すなわち経験分布）を、「最適適合」を見付けるために或る範囲のモデル分布と比較すると、データに等しく良好に（又は等しく不良に）一致するモデルがいくつか出てくる。明らかに、このような本質的な曖昧さは分類の信頼性を高めることができない。
− かなりの数の統計モデルが想定され得るが、所与の実験データの組の特徴付けにより有用である可能性がある無限数の他の許容可能な分布が依然としてある。例えば、Ｍ１及びＭ２の２つが主要なモデル分布である場合、確率がηであるＭ１及び確率が（１−η）であるＭ２を選択することによって、新たな「ランダム化混合」モデルを構築することができる。明らかに、結果として得られるモデルは、２つの基礎となるモデルのいずれでも適切に表現することができない。
【００１９】
モデル分布の形状を特徴付けるために、その解析形状に関係なく、様々な「形状パラメータ」が導入されている。例えば、変動電力の分布の歪度を測定するために、中央値に対する平均値の比を使用することが知られている。２つの渦モデルについて言えば、α＝１及びα＝２である場合、それぞれの比は１．４４及び１．１８となる。平均値の中央値に対する比は、いかなるスケールパラメータにも依存しないことを指摘しておく。
【００２０】
数理統計学では、確率分布の歪度及び尖度（すなわち平坦さの尺度）に関連するγ１及びγ２の２つのパラメータも広く用いられている。２つのパラメータγ１及びγ２の実際の推定値は、検討中の分布のより高次のサンプルモーメントに基づく。｛ｘ１，ｘ２，．．．ｘＮ｝がＮ個の観測値の組である場合、γ１及びγ２の推定値は次式から求めることができる。
【００２１】
【数３】
【００２２】
ただし、
【００２３】
【数４】
【００２４】
である。ガウス分布の特別な場合、γ１＝０且つγ２＝０である。
【００２５】
パラメータγ１及びγ２、又はこれらに機能的に関連するいくつかの他のパラメータは統計学の文献に頻繁に登場する。しかし、それらの、複雑な人工物から反射された電力に関する実験データの処理への適用性は、主に以下の３つの理由から限られている。
− 観測される電力のサンプルは常に負でない値であり、よって一般に、基礎となる分布は右側に歪む。しかし、このような事前情報は歪度パラメータγ１に組み込まれていない。
− 観測される電力のサンプル数が少ないか又は中程度（例えば１０００未満）である場合、γ１及びγ２の推定値に関連する統計誤差は非常に大きく、物体の分類は信頼できない。
− 一般に、サンプルモーメントに基づく統計量は「ロバスト」でない。すなわち、それらの結果として生じる値は、異常に大きな又は小さな値を有する比較的少数の観測値（いわゆる「外れ値」）によって大きな影響を受ける可能性がある。
【００２６】
したがって、特に後方散乱電磁波エネルギーの解析に基づいて実体を分類する目的で、ランダムに変動する電力又は強度の統計分布の情報性の高い形状記述子を求める改良された方法及び装置を提供することが望ましい。
【００２７】
［発明の概要］
本発明の態様を添付の特許請求の範囲に記載する。
【００２８】
本発明のさらなる態様によれば、正の対象観測量（observable）（例えば物体から反射される信号の電力又は強度）のＮ個のサンプルの組｛ｘ｝＝｛ｘ１，ｘ２，．．．，ｘＮ｝を得、この一次組の各値ｘｊ（ｊ＝１，２，．．．，Ｎ）に対数変換を適用して、対応する値ｚｊ（ここでｚｊ＝ｌｎ ｘｊ）を生成する。その結果、一次組｛ｘ｝は、結果として得られる二次組｛ｚ｝＝｛ｚ１，ｚ２，．．．，ｚＮ｝により一意に表現される。ｘｊの値は正にしかなり得ず、ｚｊの値は正にも負にもなり得ることを指摘しておく。
【００２９】
ｚｊ（ｊ＝１，２，．．．，Ｎ）の値を昇順又は降順に並べ替える。昇順が選択されている場合、ソート手順は、次のように並べられた二次組を生じることになる。
ｚ（１）≦ｚ（２）≦．．．≦ｚ（Ｎ）
次に、二次組を用いて、一次組｛ｘ｝の３つの記述子を次のように求める。
１．次式によって定義される中央値Ｍ
Ｎが奇数である場合、Ｍ＝ｚ（［Ｎ＋１］／２）
又は
Ｎが偶数である場合、Ｍ＝０．５［ｚ（Ｎ／２）＋ｚ（［Ｎ／２］＋１）］
Ｍの数値は、二次組｛ｚ｝の「中心」値('central' value)を表すが、対数関数は単調であるため、一次組｛ｘ｝の「中心」値はちょうどｅｘｐ（Ｍ）となる。
２．次式によって定義される中央値マイナス平均値(median-minus-mean)Ｌ
【００３０】
【数５】
【００３１】
３．代表値からの平均（絶対）偏差Ｄ。（ここで、「代表値」という用語は、一組の値の中央値、平均値又は最頻値をカバーするように広範に意図される。）したがって、Ｄは、中央値からの偏差を表し得る。すなわち、
【００３２】
【数６】
【００３３】
であり、ここで、Ｍは中央値である。
【００３４】
代替的に、記述子Ｄは、平均値からの平均偏差であってもよく、その場合、次式で表される。
【００３５】
【数７】
【００３６】
簡単な計算で得ることができる上記の３つの記述子Ｍ、Ｌ及びＤは、集合的に、多くのクラスの正のランダム観測量、特に複雑な物体により後方散乱される電磁波の変動強度に対して優れた判別子を提供することが分かった。
【００３７】
中央値Ｍは、一次組｛ｘ｝の「中心」値に関連し、基礎となる統計モデルの形状に関する情報を含まないが、残りの２つの記述子Ｌ及びＤは、スケールに対して不変であり、一緒になって、情報性の高い形状特性を提供する。したがって、物体は、記述子Ｌ及びＤを用いて、Ｍを用いずに表現（及び分類）することができる。しかし、中央値Ｍの使用は、対象物によって反射される信号の代表レベルを求める上で有利であり得るため、それが有用である状況で（例えば、形状は同様であるがサイズの異なる物体の区別を助けるため、又は、物体の範囲のような補助情報を提供するために）用いられてもよい。
【００３８】
本発明により構築される「Ｄ−Ｌ平面」又は「Ｄ−Ｌ領域」により提供される利点の理解は、図３を検証することによって高めることができる。図３は、変動する電力又は強度のような正の観測量の多くの既知の統計モデルの相対的な位置を示す。
【００３９】
各モデルは別個の曲線で表され、選択された曲線上の各点は、形状記述子Ｄ及びＬという２つの特定の値に対応する。例えば、「ガンマ」と記された曲線は、ガンマモデルが「サポート」することのできるＤ及びＬの値の全ての可能な対を表す。特に、２つの渦モデルはそれぞれ、固有の座標対を有する点により表され、これらの点の一方（α＝１の場合）は指数分布に相当する。
【００４０】
Ｄ−Ｌ平面の特性、及び一次組｛ｘ｝の視覚化された統計モデルの特性は、以下のように要約することができる。
− 原点（Ｄ＝０及びＬ＝０）は、変動のないデルタ関数δ［ｘ−ｅｘｐ（Ｍ）］に「縮退した(degenerated)」分布ｐ（ｘ）を表し、表示する各分布は、スズキ及びＫ分布を除き、その分散が０に近づくにつれてこの点に向かう。
− 正の軸（Ｄ>０及びＬ＝０）は、ｘの対数正規分布を表し、対数変換ｚ＝ｌｎ ｘ後にｚのガウス分布となる。ガウス分布は対称であることが知られており、その平均値及び中央値は同じ点で一致する。よってＬ＝０である。
− 線Ｌ＝ｇＤ（ここでｇ≒０．２１）はワイブル分布を表す。ワイブルのランダム変数Ｗは、指数のランダム変数Ｖから、変換Ｗ＝Ｖεを適用することによって得ることができ、ここで、０＜ε≦１はパラメータである。対数変換後、εはスケールパラメータとなり、ε＝１についてＷ≡Ｖであるため、線Ｌ＝ｇＤは、指数分布を表す点を通らなければならない。
− スズキのランダム変数とＫ分布のランダム変数はともに、指数のランダム変数から、そのスケールをランダムに「調節」することによって導出する。したがって、これらの分布はそれぞれ、ランダムな調節の分散が０に向かうにつれて、指数分布に近づくことになる。これら２つの分布はいずれも、指数分布の値よりも低い記述子Ｄの値に達することができないことに留意すべきである。
− 統計的通信（statistical communications）では、ある１つの別個の定数成分の寄与を、重要度の等しい複数のランダム成分の寄与と組み合わせたモデルによって生成される、観測量を特徴付けるためにライス分布を用いる。例えば、ライス分布を、１つの主要な反射体と、複数のより小さな散乱体とを含む物体によって後方散乱される電力のモデルとして用いる。Ｄ−Ｌ平面において、ライス分布は、別個の成分の寄与が徐々に減少し、そのうち他の全ての成分の寄与と同程度になるにつれて、指数分布を表す点に近づく。一方、別個の成分の寄与がますます支配的になると、ライス分布は原点（Ｄ＝０及びＬ＝０）に近づく。ライス分布は、指数分布の値よりも大きい記述子Ｄの値に達することができないことに留意すべきである。
【００４１】
Ｄ−Ｌ領域において指数分布が果たす「中心点」の役割は単純に、指数分布が数理統計学において傑出していることを反映する。
【００４２】
次に、本発明を具現する構成を例として、添付図面を参照して説明する。
【００４３】
［好適な実施形態の詳細な説明］
図４は、本発明による分類システムを、本発明を有効に使用することができる可能な監視シナリオの一例において示す。未知のクラスの陸上車両ＶＨが、例えば道路によって物理的に画定される所定の軌道ＴＲに沿って移動している。マイクロ波陸上車両センサＧＶＳが、電磁波エネルギーパルスを使用して、監視領域に照射を行う。次に、この領域によって後方散乱される信号の電力特性を解析することによって、陸上車両センサＧＶＳが車両を検出し、検出された車両が属する可能性が最も高いクラスに関して判定を行う。
【００４４】
センサＧＶＳは、車両の有無の判定に用いられる検出信号ＤＥＴと、車両の分類に用いられる記述子を含む記述子信号ＤＥＣとを出力する。
【００４５】
これらの信号を車両検出器／分類器ＣＬＡにより受信する。検出信号ＤＥＴを判定ブロックＤＢに送って車両の有無を判定し、この判定の結果をディスプレイＤＩＳに送る。スイッチＳＷを訓練モード位置にセットした状態で示す。この位置では、記述子信号ＤＥＣを記述子ストア(store)ＤＳに送る。代替的に、スイッチＳＷは認識モード位置にセットすることもできる。この位置では、記述子信号を比較器ＣＭＰに送って、それぞれ異なる物体カテゴリに関連付けられた記述子の集合と次々に比較し、記述子ストアＤＳに記憶する。比較の結果をディスプレイＤＩＳに表示する。
【００４６】
よって、図示のシステムは、特定のカテゴリの車両を認識するように訓練される機能を有する。統計モデルの訓練に通常用いられる様々な技法を使用することができる。例えば、記述子ストアＤＳに記憶されるデータは、各カテゴリの車両の複数の測定値の統計解析から導出することができる。記憶されるデータはそれぞれのカテゴリのテンプレートを表すことができ、認識手順は、例えば分類すべき物体の記述子を表す多次元空間の点と、オブジェクトカテゴリを表す点との間の距離を計算することによって、新たに取得されたデータをこれらのテンプレートと照合することを伴い得る。代替的に、ニューラルネットワーク技法を用いることもでき、その場合、訓練中に導出された記述子が（自明の方法で）用いられ、ニューロンの重みを導出する。
【００４７】
車両の検出及び分類という要求される機能を実施するために、陸上車両センサＧＶＳは、適切な送信アンテナＴＡを駆動するマイクロ波パルス送信機ＴＸと、受信機ＲＸに接続された受信アンテナＲＡと、制御ユニットＣＲＬと、マルチプレクサＭＰＸと、複数の記述子プロセッサＭＤＬ１、．．．、ＭＤＬＫと、出力回路ＯＰＣとを備える。
【００４８】
陸上車両センサＧＶＳは、図４に示されるように、公称「ルック」角θｋ及び角度範囲ΔΘをそれぞれ特徴とするＫ個の視野ＦＯＶ１、．．．、ＦＯＶｋ、．．．、ＦＯＶＫを使用する。センサ装置は、送信機ＴＸ及び送信アンテナＴＡにより送信され、各視野ＦＯＶ内の移動車両によって反射されたエネルギーパルスを受信アンテナ及び受信機ＲＸにより捕捉するように動作するように構成される。
【００４９】
図４に示すシナリオでは、車両が所定の経路に沿って移動しているため、アスペクト角は連続的に変化し、車両によって反射されるパルスの電力は不規則に変動する。質問パルスの間隔が短すぎて、反射パルスの非相関性を得ることができない場合、上述のように、周波数機敏性をさらに使用することが有利である場合がある。付加的に、又は代替的に、質問信号の偏波を変化させてもよい。
【００５０】
図４の陸上車両センサＧＶＳは、センサの視野ＦＯＶ１、．．．、ＦＯＶＫ及び車両の速度によって決まるＫ個の観測間隔中に車両によって反射されたパルスを捕捉する。捕捉されるパルスの実際の数もまた、監視領域に照射される送信パルスの繰り返し数に依存することになる。受信機ＲＸは、Ｋ組の値を作成し、各組は、選択された視野ＦＯＶ内を移動する車両によって反射された各パルスの電力の値｛ｘ１，ｘ２，．．．，ｘＮ｝を含む。
【００５１】
次に、各視野ＦＯＶ内の監視領域から反射されたパルスの各組を、マルチプレクサＭＰＸによって、記述子プロセッサＭＤＬ１、．．．、ＭＤＬＫの各々に送出して処理し、３つの記述子Ｍ、Ｄ及びＬの値を求める。次に、出力回路ＯＰＣによって中央値Ｍ１、Ｍ２、．．．、ＭＫを収集して検出信号ＤＥＴを生成し、分類器ＣＬＡが監視領域内の車両の有無に関して判定を行うことを可能にする。次に、出力回路ＯＰＣによって３つの記述子の全ての値Ｍ１、Ｄ１、Ｌ１、Ｍ２、Ｄ２、Ｌ２、．．．、ＭＫ、ＤＫ及びＬＫを収集し、記述子信号ＤＥＣとして適切な形式で供給する。この信号は、分類器が、検出された車両が属する可能性が最も高いクラスに関して判定を行うために使用する。
【００５２】
図５は、本発明により動作するように構成されたデジタル記述子プロセッサ（ＭＤＬＰ）のブロック図である。記述子プロセッサＭＤＬ１、．．．、ＭＤＬＫの各々がこのプロセッサＭＤＬＰに対応する構造を有しても、単一のプロセッサＭＤＬＰを連続的に用いて複数のプロセッサＭＤＬ１、．．．、ＭＤＬＫの機能を果たしてもよい。
【００５３】
プロセッサＭＤＬＰは、対数アナログ／デジタル変換器ＬＧＡＤＣと、ソータＳＲＴと、制御・タイミングユニットＣＴＵと、サンプルカウンタＣＮＲと、メモリＭＥＭと、３つのバッファＭＢＦ、ＤＢＦ及びＬＢＦと、補数値（complement-value）回路ＣＭＰと、加算器ＳＵＭと、絶対値回路ＡＢＳと、２つの累算器ＡＣ１及びＡＣ２とを備える。
【００５４】
電力又は強度のような対象観測量を表す正の入力信号ｘ（ｔ）の値を変換器ＬＧＡＤＣにより、ユニットＣＴＵが供給するクロックパルスＣＬによって決められた時刻においてデジタル形式に変換する。その結果、変換器ＬＧＡＤＣの出力Ｚはデジタルワードシーケンス(sequence of digital words)を生成する。各デジタルワードは、ｔｊにおいて取得されたｘ（ｔ）のサンプルの対数ｚｊを表す。よってｚｊ＝ｌｎ ｘ（ｔｊ）である。
【００５５】
プロセッサＭＤＬＰ（バッチ処理モードで動作する）が処理すべき事前に選択された数Ｎの入力サンプルを求めるために、ユニットＣＴＵは適切なサンプルカウンタＣＮＲを使用する。プロセッサＭＤＬＰの動作は２つのサイクル、すなわち、ソート(SORT)サイクルとそれに続く計算(COMPUTE)サイクルを含む。これら２つのサイクルはそれぞれ、プロセッサＭＤＬＰの正確な動作に必要な全てのタイミング信号及び制御信号を生成するユニットＣＴＵにより開始され、また終了される。
【００５６】
ユニットＣＴＵは、入力ＳＢを介してソータＳＲＴに「イネーブルコマンド」を送ることによってソートサイクルを開始する。ソータＳＲＴは、変換器ＬＧＡＤＣからデジタルワードｚｊを受信する。ソータＳＲＴは、受信したデジタルワードを昇順又は降順に並べ替える。この目的で、ソータＳＲＴには、２つのバス、すなわちアドレスバスＡＳと書き込み／読み取りバスＷＲを有するメモリＭＥＭを使用する。ソータＳＲＴは、当業者によく知られた多くのソートアルゴリズムのいずれかを実施することができる。
【００５７】
事前に選択された数Ｎの入力サンプルをカウンタＣＮＲが記録するとすぐに、ユニットＣＴＵは、入力ＳＢを介してソータＳＲＴをディセーブルすることによってソートサイクルを終了する。次に、ユニットＣＴＵは、共通入力ＲＡを介して累算器ＡＣ１及びＡＣ２をリセットすることによって計算サイクルを開始する。ユニットＣＴＵはまた、バッファＭＢＦの「ロード」入力を駆動する適切な信号を出力ＬＭにおいて生成することによって、メモリＭＥＭからバッファＭＢＦに中央値をロードする。バッファＭＢＦの「データ」入力ＭＥは、Ｎ個の入力サンプルの組の中央値を含む所定のメモリセルに接続される。さらなる計算を回避するために、処理されるサンプルの数Ｎは奇数となることが好ましい。
【００５８】
計算サイクル中に、ユニットＣＴＵは、サンプルカウンタＣＮＲを使用して、メモリＭＥＭのアドレスバスに接続された出力ＡＧにおいて適切なアドレスシーケンスを生成する。結果として、メモリＭＥＭに記憶される全ての値ｚｊが、補数値回路ＣＭＰに接続された読み取り出力ＲＯに順次現れる。回路ＣＭＰの目的は、メモリＭＥＭが供給するデジタルワードの符号を逆にすることである。
【００５９】
加算器ＳＵＭは、２つの入力値、すなわち、入力Ｓ１において中央値Ｍを、入力Ｓ２において逆極性のサンプル −ｚｊを受け取る。したがって、加算器ＳＵＭは、和（Ｍ−ｚｊ）を表す値を出力ＳＳにおいて生成し、絶対値回路ＡＢＳを用いて、対応する大きさ｜Ｍ−ｚｊ｜を得る。したがって、累算器ＡＣ１及びＡＣ２はそれぞれ以下の総和の値を求める。
【００６０】
【数８】
【００６１】
累算器の動作のタイミングは、ユニットＣＴＵが共通クロック入力ＣＡを介して供給する適切なクロックパルスにより管理する。
【００６２】
メモリＭＥＭに記憶されていた全てのサンプルを使い果たしたら、累算器ＡＣ１及びＡＣ２の内容を、ユニットＣＴＵが供給する適切な信号によって決められた時刻においてそれぞれのバッファＤＢＦ及びＬＢＦに転送し、これらのバッファの共通「ロード」入力ＬＢを駆動する。したがって、計算サイクルの終了時に、ＭＤＬプロセッサの出力Ｍ、Ｄ及びＬは、処理された入力サンプル組を特徴付ける記述子Ｍ、Ｄ及びＬを表す値を供給する。必要であれば、記述子Ｄ及びＬの値を、例えば単純に、それぞれの二値表現の適切に選択された数の最上位ビットを使用することによって正規化することができる。
【００６３】
上記の構成では、さらなる処理に使用される入力信号ｘ（ｔ）からサンプルが一組だけ取得されるものと仮定する。したがって、計算サイクル中、ソータＳＲＴはアイドル状態であり続ける。しかし、２つのメモリを使用して、その一方をソート目的にのみ使用し、他方が計算サイクルで使用されるソート済の値を記憶することによって、連続動作を達成することができる。このような変更された構成を使用する場合、ソートと計算という２つのサイクルを同時に実行することができる。すなわち、ソート済のサンプル組が計算に使用されている間に、ソータが新たな入力サンプルシーケンスを適切に並べ替える。
【００６４】
上述の実施形態は、観測角又は視野ＦＯＶ毎に一組の記述子を導出することによって機能する。複数組の記述子を分類目的に用いる。しかし、代替的な技法も可能である。例えば、本システムは、全視野にわたって取得したサンプルから一組の記述子を導出し、この一組を分類目的に使用するように構成することもできる。この場合、一組の記述子は、１つの視点から観察される形状のみでなく、物体の全体的な構成に大きく影響を受ける。
【００６５】
状況に応じて、１つの観測角から導出される一組の記述子を分類目的に使用することも可能である。
【００６６】
記載した実施形態において、処理される信号は質問信号の反射である。しかし、必ずしもこれに限られるものではない。例えば、処理される信号は、音波、例えば、対象物により生成される音響信号、又は別個の発生源（例えば周囲光）からの波の反射であってもよい。
【００６７】
本発明は、物体の分類だけでなく、多くの分野に応用可能である。本発明は、通信信号を監視して干渉やシャドウイングにより生じる伝搬誤差を検出するか、又は、海面反射若しくは地上反射（land clutter）又は気象条件を検出するため、又は、色又はテクスチャを表す信号を用いた分類のために使用することができる。特に有用な種類の応用は、帰無仮説を用いて機能する。すなわち、本システムは、正常な状況（例えば、海面反射を表す信号）の分類を表すデータを記憶し、受信した信号が（例えば船や人物のような物体の存在による）その状況とのずれを表す場合を判定し、この判定に応答して検出信号を生成するように構成される。したがって、分類プロセスは単純な二値のはい／いいえ(yes/no)判定となる。
【００６８】
図４及び図５を参照して説明した実施形態は、ハードウェアにおいて完全に具現することができ、その場合、当業者は、様々なブロックの必要な機能を実施するための適切な詳細に渡る回路構成を容易に設計及び構築することができる。別法として、これらの機能の一部を、サンプル値を受信してそこから記述子を導出する適切にプログラムされた汎用コンピュータ又は専用コンピュータを用いてソフトウェアにおいて行ってもよい。したがって、本発明は、そのようなプログラムされたコンピュータ、及びコンピュータをそのような方法で動作させるように構成されたコンピュータプログラム、並びにそのようなプログラムを保持するプログラムキャリアに適用される。一般に、本発明は、その構成方法に関係なく、信号処理装置に適用される。
【００６９】
対数変換を実施する場合、自明の様々な技法を実行することができる。結果が対数変換を少なくとも近似する限り、結果が完全に正確であることは重要でない。
【００７０】
上記の、本発明の好適な実施形態の説明は、例示及び説明のために提示してきた。説明が網羅的であること、又は、本発明を開示した形態そのものに限定すること、は意図していない。上記の説明に鑑みて、当業者は、多くの改変、変更、及び変形により、本発明を意図する特定の用途に適した様々な実施形態で使用することができることは明らかである。
【図面の簡単な説明】
【００７１】
【図１】回転台上で回転する車両に電磁波エネルギーパルスを照射して車両の後方散乱特性を求める仮想の実験の概略図である。
【図２】２つの渦モデルを表す確率密度関数を示す図である。
【図３】本発明により構築される、変動する電力又は強度等のような正の観測量の多くの既知の統計モデルの相対的な位置を視覚化する「Ｄ−Ｌ領域」を示す図である。
【図４】本発明による分類システムを示す図である。
【図５】図４のシステム内で使用されるデジタルプロセッサのブロック図である。
【技術分野】
【０００１】
［発明の背景］
発明の分野
本発明は、有限の組の信号サンプルから信号の統計パラメータを求める方法及び装置に関し、特に、限定するものではないが、陸上車両等の複雑な人工物を含む物理的実体(entity)によって後方散乱される電磁波の変動電力に含まれる情報を使用することにより、そのような実体の特徴付け及び分類に応用可能である。以下の説明は、主に物体の分類に言及するが、海面反射、音波等といった他の実体の分類にも広く適用可能である。
【０００２】
従来技術の説明
調査対象の物体、系、又は現象が、電気信号、音響信号、電磁信号（本明細書中では無線信号と光信号の両方を含むことが意図される）等であるところのプローブ信号のいくつかの特性を変更する状況は多い。一種の用途では、プローブ信号に対する応答の強度すなわち電力のみを求めることができる。一般に、物体の特徴及び特性に関する少なくともいくらかの不完全な情報が、観測される応答信号にカプセル化される。したがって、調査対象の物体に対する推測はいずれも、応答信号を特徴付ける一組の情報性の高い（informative）記述子又はパラメータを構築するステップを含まなければならない。
【０００３】
以下でより詳細に説明するように、応答信号の記述子を求めることが有用である一例は、対象車両に電磁波エネルギーパルスを照射し、車両により反射される信号の電力を解析することに基づく陸上車両の分類である。こうした全天候型の分類技法は、監視を目的として設置される様々な自動監視システムにおいて使用され、例えば、橋、トンネル、並びに、発電所、ガス及び石油貯蔵システム、貯水及び給水システム等を含む重要な産業施設、に至る道路における改善された連続監視を提供する。
【０００４】
陸上車両のような典型的な人工の対象物は、平板、曲面、コーナーリフレクタ、様々なキャビティ等を含む規則的なデザインを有する複数の構成要素である散乱体（component scatterers）からなる。質問波形(interrogating waveform)の周波数が固定されている場合、及びアスペクト角(aspect angle)が固定されている場合、全ての個々の散乱体からの反射は、その固有の大きさ及び位相角を特徴とするベクトル量と見なすことができる。その結果、複雑な人工物によって後方散乱される全信号は、その物体を構成する全ての散乱体が寄与する反射のベクトル総和から得られる。したがって、複雑な人工物のアスペクト角がごくわずかでも変化すると、後方散乱信号に大きな変動が生じる可能性がある。
【０００５】
さらに、主な構成要素である散乱体間の分離が多数の波長分に匹敵する場合、質問波形のキャリア周波数のわずかな変化でさえ、ベクトル総和の結果を、ひいては反射電力の値を大幅に変えてしまう。
【０００６】
陸上車両の分類の場合、後方散乱信号の電力は周波数と（アスペクト）角度の両方に依存するものと仮定することができる。August W. Rihaczek及びStephen J. Hershkowits著「Theory and Practice of Radar Target Identification」（Artech House. Boston 2000）は、複雑な人工物を調査する際に実験的に観察される様々な散乱現象の詳細な解析を含む。
【０００７】
図１は、回転台(turntable)ＴＴ上で車両ＶＨを回転させる仮想の（hypothetical）実験を示す。送信機ＴＸが、適切な電磁波エネルギーパルスを使用して、送信アンテナＴＡを介して車両に照射を行う。車両ＶＨから後方散乱されたコンポジット信号を、適切な解析器ＡＮを組み込んだ固定受信機ＲＸに接続された受信アンテナＲＡにより捕捉して、信号の瞬時電力を求める。車両ＶＨと受信機ＲＸのアスペクト角ξは連続的に変化するため、車両から後方散乱される信号のレベルは何らかの不規則な形で変動することになる。回転台の実験から得られるいくつかの選択された散乱データ例がPeyton Z. Peebles Jr.著「Radar Principles」（Wiley, New York 1998）に示される。
【０００８】
質問パルスの時間間隔が十分に大きい場合、車両から反射される対応するパルスは相関しない。さらに、送信パルスの間隔に関係なく、反射パルスの非相関性（decorrelation）は、いわゆる周波数機敏性（frequency agility）技法を利用することによって、すなわち、送信キャリア周波数の値をパルス毎に適宜シフトすることによって達成することができる。非相関応答の使用は、統計的推測手順の効率を高めるため有利である。周波数機敏性技法は当業者によく知られている。
【０００９】
複雑な人工物によって後方散乱される信号の不規則性のために、移動する陸上車両によって反射される信号の電力は、正の値のみをとることができるランダム変数と見なすことができる。マイクロ波遠隔探知用途では、複雑な物体によって反射される変動電力は、以下の形式のガンマ確率密度関数（ｐｄｆ）を含むいくつかのよく知られたｐｄｆを特徴とする。
【００１０】
【数１】
【００１１】
ここで、ｘはランダム電力であり、Γ（ ）はガンマ関数であり、αは形状パラメータであり、σはスケールパラメータである。α＝１及びα＝２の場合、上記のｐｄｆは、当業者に知られる２つの一般的な渦（Swerling）モデルを生じる。α＝１である場合、ガンマ分布は指数分布となる。
【００１２】
図２は、２つの渦モデルを表す確率密度関数を示す。
【００１３】
後方散乱電力の他の一般的な統計モデルは、ワイブル(Weibull)分布及び対数正規(log-normal)分布に基づく。さらに別の、ライス(Rice)分布を利用するモデルは、対象物が１つの主要な反射体と、複数のより小さな散乱体とを含む場合に有用である。
【００１４】
スケールパラメータσ自体がランダム変数となるように変更した、次式で表される指数分布
【００１５】
【数２】
【００１６】
に基づく後方散乱電力の広いクラスの統計モデルもある。スケールパラメータがガンマ分布に従って分布する場合、結果として得られるモデルはいわゆるＫ分布を有する。反射電力のスズキ（Suzuki）モデルは、スケールパラメータ自体が対数正規のランダム変数である場合に一次(primary)指数モデルから得られる。
【００１７】
複雑な物体によって反射される変動電力の上記の全てのモデル及び他の確率モデルは２つのパラメータに依存する。１つのパラメータは反射電力の平均値に関連し、もう１つのパラメータは基礎となる確率分布の形状を特徴付ける。Peyton Z. Peebles Jr.著「Radar Principles」（Wiley, New York 1998）及びFred E. Nathanson著「Radar Design Principles」（2nd Ed., McGraw-Hill, New York 1991）に要約されている、反射電力の上記の統計モデルの特性及び適用性は、当業者によく知られている。
【００１８】
上述した統計モデルは、基礎となる各確率密度関数が（明示的又は暗示的な）解析形状で与えられるため、特に物体検出に関する理論的研究に非常に有用である。しかし、それらのモデルの、実際の物体分類問題への適用性は、以下の理由から限られている。
− 提案されている全ての統計モデルにおいて、スケールパラメータが固定である場合、分布の「本体」（main 'body'）と裾野との両方を含む分布形状をたった１つのパラメータが支配する。実験的に得られるサンプル数が少ないか又は中程度（例えば１０００未満）である場合、基礎となる分布の裾野に関する統計的推測はいずれも信頼することができない。したがって、１つの形状パラメータに基づく分類手順の性能は不満足なものとなる。
− 多くの場合に、実験データから得られるヒストグラム（すなわち経験分布）を、「最適適合」を見付けるために或る範囲のモデル分布と比較すると、データに等しく良好に（又は等しく不良に）一致するモデルがいくつか出てくる。明らかに、このような本質的な曖昧さは分類の信頼性を高めることができない。
− かなりの数の統計モデルが想定され得るが、所与の実験データの組の特徴付けにより有用である可能性がある無限数の他の許容可能な分布が依然としてある。例えば、Ｍ１及びＭ２の２つが主要なモデル分布である場合、確率がηであるＭ１及び確率が（１−η）であるＭ２を選択することによって、新たな「ランダム化混合」モデルを構築することができる。明らかに、結果として得られるモデルは、２つの基礎となるモデルのいずれでも適切に表現することができない。
【００１９】
モデル分布の形状を特徴付けるために、その解析形状に関係なく、様々な「形状パラメータ」が導入されている。例えば、変動電力の分布の歪度を測定するために、中央値に対する平均値の比を使用することが知られている。２つの渦モデルについて言えば、α＝１及びα＝２である場合、それぞれの比は１．４４及び１．１８となる。平均値の中央値に対する比は、いかなるスケールパラメータにも依存しないことを指摘しておく。
【００２０】
数理統計学では、確率分布の歪度及び尖度（すなわち平坦さの尺度）に関連するγ１及びγ２の２つのパラメータも広く用いられている。２つのパラメータγ１及びγ２の実際の推定値は、検討中の分布のより高次のサンプルモーメントに基づく。｛ｘ１，ｘ２，．．．ｘＮ｝がＮ個の観測値の組である場合、γ１及びγ２の推定値は次式から求めることができる。
【００２１】
【数３】
【００２２】
ただし、
【００２３】
【数４】
【００２４】
である。ガウス分布の特別な場合、γ１＝０且つγ２＝０である。
【００２５】
パラメータγ１及びγ２、又はこれらに機能的に関連するいくつかの他のパラメータは統計学の文献に頻繁に登場する。しかし、それらの、複雑な人工物から反射された電力に関する実験データの処理への適用性は、主に以下の３つの理由から限られている。
− 観測される電力のサンプルは常に負でない値であり、よって一般に、基礎となる分布は右側に歪む。しかし、このような事前情報は歪度パラメータγ１に組み込まれていない。
− 観測される電力のサンプル数が少ないか又は中程度（例えば１０００未満）である場合、γ１及びγ２の推定値に関連する統計誤差は非常に大きく、物体の分類は信頼できない。
− 一般に、サンプルモーメントに基づく統計量は「ロバスト」でない。すなわち、それらの結果として生じる値は、異常に大きな又は小さな値を有する比較的少数の観測値（いわゆる「外れ値」）によって大きな影響を受ける可能性がある。
【００２６】
したがって、特に後方散乱電磁波エネルギーの解析に基づいて実体を分類する目的で、ランダムに変動する電力又は強度の統計分布の情報性の高い形状記述子を求める改良された方法及び装置を提供することが望ましい。
【００２７】
［発明の概要］
本発明の態様を添付の特許請求の範囲に記載する。
【００２８】
本発明のさらなる態様によれば、正の対象観測量（observable）（例えば物体から反射される信号の電力又は強度）のＮ個のサンプルの組｛ｘ｝＝｛ｘ１，ｘ２，．．．，ｘＮ｝を得、この一次組の各値ｘｊ（ｊ＝１，２，．．．，Ｎ）に対数変換を適用して、対応する値ｚｊ（ここでｚｊ＝ｌｎ ｘｊ）を生成する。その結果、一次組｛ｘ｝は、結果として得られる二次組｛ｚ｝＝｛ｚ１，ｚ２，．．．，ｚＮ｝により一意に表現される。ｘｊの値は正にしかなり得ず、ｚｊの値は正にも負にもなり得ることを指摘しておく。
【００２９】
ｚｊ（ｊ＝１，２，．．．，Ｎ）の値を昇順又は降順に並べ替える。昇順が選択されている場合、ソート手順は、次のように並べられた二次組を生じることになる。
ｚ（１）≦ｚ（２）≦．．．≦ｚ（Ｎ）
次に、二次組を用いて、一次組｛ｘ｝の３つの記述子を次のように求める。
１．次式によって定義される中央値Ｍ
Ｎが奇数である場合、Ｍ＝ｚ（［Ｎ＋１］／２）
又は
Ｎが偶数である場合、Ｍ＝０．５［ｚ（Ｎ／２）＋ｚ（［Ｎ／２］＋１）］
Ｍの数値は、二次組｛ｚ｝の「中心」値('central' value)を表すが、対数関数は単調であるため、一次組｛ｘ｝の「中心」値はちょうどｅｘｐ（Ｍ）となる。
２．次式によって定義される中央値マイナス平均値(median-minus-mean)Ｌ
【００３０】
【数５】
【００３１】
３．代表値からの平均（絶対）偏差Ｄ。（ここで、「代表値」という用語は、一組の値の中央値、平均値又は最頻値をカバーするように広範に意図される。）したがって、Ｄは、中央値からの偏差を表し得る。すなわち、
【００３２】
【数６】
【００３３】
であり、ここで、Ｍは中央値である。
【００３４】
代替的に、記述子Ｄは、平均値からの平均偏差であってもよく、その場合、次式で表される。
【００３５】
【数７】
【００３６】
簡単な計算で得ることができる上記の３つの記述子Ｍ、Ｌ及びＤは、集合的に、多くのクラスの正のランダム観測量、特に複雑な物体により後方散乱される電磁波の変動強度に対して優れた判別子を提供することが分かった。
【００３７】
中央値Ｍは、一次組｛ｘ｝の「中心」値に関連し、基礎となる統計モデルの形状に関する情報を含まないが、残りの２つの記述子Ｌ及びＤは、スケールに対して不変であり、一緒になって、情報性の高い形状特性を提供する。したがって、物体は、記述子Ｌ及びＤを用いて、Ｍを用いずに表現（及び分類）することができる。しかし、中央値Ｍの使用は、対象物によって反射される信号の代表レベルを求める上で有利であり得るため、それが有用である状況で（例えば、形状は同様であるがサイズの異なる物体の区別を助けるため、又は、物体の範囲のような補助情報を提供するために）用いられてもよい。
【００３８】
本発明により構築される「Ｄ−Ｌ平面」又は「Ｄ−Ｌ領域」により提供される利点の理解は、図３を検証することによって高めることができる。図３は、変動する電力又は強度のような正の観測量の多くの既知の統計モデルの相対的な位置を示す。
【００３９】
各モデルは別個の曲線で表され、選択された曲線上の各点は、形状記述子Ｄ及びＬという２つの特定の値に対応する。例えば、「ガンマ」と記された曲線は、ガンマモデルが「サポート」することのできるＤ及びＬの値の全ての可能な対を表す。特に、２つの渦モデルはそれぞれ、固有の座標対を有する点により表され、これらの点の一方（α＝１の場合）は指数分布に相当する。
【００４０】
Ｄ−Ｌ平面の特性、及び一次組｛ｘ｝の視覚化された統計モデルの特性は、以下のように要約することができる。
− 原点（Ｄ＝０及びＬ＝０）は、変動のないデルタ関数δ［ｘ−ｅｘｐ（Ｍ）］に「縮退した(degenerated)」分布ｐ（ｘ）を表し、表示する各分布は、スズキ及びＫ分布を除き、その分散が０に近づくにつれてこの点に向かう。
− 正の軸（Ｄ>０及びＬ＝０）は、ｘの対数正規分布を表し、対数変換ｚ＝ｌｎ ｘ後にｚのガウス分布となる。ガウス分布は対称であることが知られており、その平均値及び中央値は同じ点で一致する。よってＬ＝０である。
− 線Ｌ＝ｇＤ（ここでｇ≒０．２１）はワイブル分布を表す。ワイブルのランダム変数Ｗは、指数のランダム変数Ｖから、変換Ｗ＝Ｖεを適用することによって得ることができ、ここで、０＜ε≦１はパラメータである。対数変換後、εはスケールパラメータとなり、ε＝１についてＷ≡Ｖであるため、線Ｌ＝ｇＤは、指数分布を表す点を通らなければならない。
− スズキのランダム変数とＫ分布のランダム変数はともに、指数のランダム変数から、そのスケールをランダムに「調節」することによって導出する。したがって、これらの分布はそれぞれ、ランダムな調節の分散が０に向かうにつれて、指数分布に近づくことになる。これら２つの分布はいずれも、指数分布の値よりも低い記述子Ｄの値に達することができないことに留意すべきである。
− 統計的通信（statistical communications）では、ある１つの別個の定数成分の寄与を、重要度の等しい複数のランダム成分の寄与と組み合わせたモデルによって生成される、観測量を特徴付けるためにライス分布を用いる。例えば、ライス分布を、１つの主要な反射体と、複数のより小さな散乱体とを含む物体によって後方散乱される電力のモデルとして用いる。Ｄ−Ｌ平面において、ライス分布は、別個の成分の寄与が徐々に減少し、そのうち他の全ての成分の寄与と同程度になるにつれて、指数分布を表す点に近づく。一方、別個の成分の寄与がますます支配的になると、ライス分布は原点（Ｄ＝０及びＬ＝０）に近づく。ライス分布は、指数分布の値よりも大きい記述子Ｄの値に達することができないことに留意すべきである。
【００４１】
Ｄ−Ｌ領域において指数分布が果たす「中心点」の役割は単純に、指数分布が数理統計学において傑出していることを反映する。
【００４２】
次に、本発明を具現する構成を例として、添付図面を参照して説明する。
【００４３】
［好適な実施形態の詳細な説明］
図４は、本発明による分類システムを、本発明を有効に使用することができる可能な監視シナリオの一例において示す。未知のクラスの陸上車両ＶＨが、例えば道路によって物理的に画定される所定の軌道ＴＲに沿って移動している。マイクロ波陸上車両センサＧＶＳが、電磁波エネルギーパルスを使用して、監視領域に照射を行う。次に、この領域によって後方散乱される信号の電力特性を解析することによって、陸上車両センサＧＶＳが車両を検出し、検出された車両が属する可能性が最も高いクラスに関して判定を行う。
【００４４】
センサＧＶＳは、車両の有無の判定に用いられる検出信号ＤＥＴと、車両の分類に用いられる記述子を含む記述子信号ＤＥＣとを出力する。
【００４５】
これらの信号を車両検出器／分類器ＣＬＡにより受信する。検出信号ＤＥＴを判定ブロックＤＢに送って車両の有無を判定し、この判定の結果をディスプレイＤＩＳに送る。スイッチＳＷを訓練モード位置にセットした状態で示す。この位置では、記述子信号ＤＥＣを記述子ストア(store)ＤＳに送る。代替的に、スイッチＳＷは認識モード位置にセットすることもできる。この位置では、記述子信号を比較器ＣＭＰに送って、それぞれ異なる物体カテゴリに関連付けられた記述子の集合と次々に比較し、記述子ストアＤＳに記憶する。比較の結果をディスプレイＤＩＳに表示する。
【００４６】
よって、図示のシステムは、特定のカテゴリの車両を認識するように訓練される機能を有する。統計モデルの訓練に通常用いられる様々な技法を使用することができる。例えば、記述子ストアＤＳに記憶されるデータは、各カテゴリの車両の複数の測定値の統計解析から導出することができる。記憶されるデータはそれぞれのカテゴリのテンプレートを表すことができ、認識手順は、例えば分類すべき物体の記述子を表す多次元空間の点と、オブジェクトカテゴリを表す点との間の距離を計算することによって、新たに取得されたデータをこれらのテンプレートと照合することを伴い得る。代替的に、ニューラルネットワーク技法を用いることもでき、その場合、訓練中に導出された記述子が（自明の方法で）用いられ、ニューロンの重みを導出する。
【００４７】
車両の検出及び分類という要求される機能を実施するために、陸上車両センサＧＶＳは、適切な送信アンテナＴＡを駆動するマイクロ波パルス送信機ＴＸと、受信機ＲＸに接続された受信アンテナＲＡと、制御ユニットＣＲＬと、マルチプレクサＭＰＸと、複数の記述子プロセッサＭＤＬ１、．．．、ＭＤＬＫと、出力回路ＯＰＣとを備える。
【００４８】
陸上車両センサＧＶＳは、図４に示されるように、公称「ルック」角θｋ及び角度範囲ΔΘをそれぞれ特徴とするＫ個の視野ＦＯＶ１、．．．、ＦＯＶｋ、．．．、ＦＯＶＫを使用する。センサ装置は、送信機ＴＸ及び送信アンテナＴＡにより送信され、各視野ＦＯＶ内の移動車両によって反射されたエネルギーパルスを受信アンテナ及び受信機ＲＸにより捕捉するように動作するように構成される。
【００４９】
図４に示すシナリオでは、車両が所定の経路に沿って移動しているため、アスペクト角は連続的に変化し、車両によって反射されるパルスの電力は不規則に変動する。質問パルスの間隔が短すぎて、反射パルスの非相関性を得ることができない場合、上述のように、周波数機敏性をさらに使用することが有利である場合がある。付加的に、又は代替的に、質問信号の偏波を変化させてもよい。
【００５０】
図４の陸上車両センサＧＶＳは、センサの視野ＦＯＶ１、．．．、ＦＯＶＫ及び車両の速度によって決まるＫ個の観測間隔中に車両によって反射されたパルスを捕捉する。捕捉されるパルスの実際の数もまた、監視領域に照射される送信パルスの繰り返し数に依存することになる。受信機ＲＸは、Ｋ組の値を作成し、各組は、選択された視野ＦＯＶ内を移動する車両によって反射された各パルスの電力の値｛ｘ１，ｘ２，．．．，ｘＮ｝を含む。
【００５１】
次に、各視野ＦＯＶ内の監視領域から反射されたパルスの各組を、マルチプレクサＭＰＸによって、記述子プロセッサＭＤＬ１、．．．、ＭＤＬＫの各々に送出して処理し、３つの記述子Ｍ、Ｄ及びＬの値を求める。次に、出力回路ＯＰＣによって中央値Ｍ１、Ｍ２、．．．、ＭＫを収集して検出信号ＤＥＴを生成し、分類器ＣＬＡが監視領域内の車両の有無に関して判定を行うことを可能にする。次に、出力回路ＯＰＣによって３つの記述子の全ての値Ｍ１、Ｄ１、Ｌ１、Ｍ２、Ｄ２、Ｌ２、．．．、ＭＫ、ＤＫ及びＬＫを収集し、記述子信号ＤＥＣとして適切な形式で供給する。この信号は、分類器が、検出された車両が属する可能性が最も高いクラスに関して判定を行うために使用する。
【００５２】
図５は、本発明により動作するように構成されたデジタル記述子プロセッサ（ＭＤＬＰ）のブロック図である。記述子プロセッサＭＤＬ１、．．．、ＭＤＬＫの各々がこのプロセッサＭＤＬＰに対応する構造を有しても、単一のプロセッサＭＤＬＰを連続的に用いて複数のプロセッサＭＤＬ１、．．．、ＭＤＬＫの機能を果たしてもよい。
【００５３】
プロセッサＭＤＬＰは、対数アナログ／デジタル変換器ＬＧＡＤＣと、ソータＳＲＴと、制御・タイミングユニットＣＴＵと、サンプルカウンタＣＮＲと、メモリＭＥＭと、３つのバッファＭＢＦ、ＤＢＦ及びＬＢＦと、補数値（complement-value）回路ＣＭＰと、加算器ＳＵＭと、絶対値回路ＡＢＳと、２つの累算器ＡＣ１及びＡＣ２とを備える。
【００５４】
電力又は強度のような対象観測量を表す正の入力信号ｘ（ｔ）の値を変換器ＬＧＡＤＣにより、ユニットＣＴＵが供給するクロックパルスＣＬによって決められた時刻においてデジタル形式に変換する。その結果、変換器ＬＧＡＤＣの出力Ｚはデジタルワードシーケンス(sequence of digital words)を生成する。各デジタルワードは、ｔｊにおいて取得されたｘ（ｔ）のサンプルの対数ｚｊを表す。よってｚｊ＝ｌｎ ｘ（ｔｊ）である。
【００５５】
プロセッサＭＤＬＰ（バッチ処理モードで動作する）が処理すべき事前に選択された数Ｎの入力サンプルを求めるために、ユニットＣＴＵは適切なサンプルカウンタＣＮＲを使用する。プロセッサＭＤＬＰの動作は２つのサイクル、すなわち、ソート(SORT)サイクルとそれに続く計算(COMPUTE)サイクルを含む。これら２つのサイクルはそれぞれ、プロセッサＭＤＬＰの正確な動作に必要な全てのタイミング信号及び制御信号を生成するユニットＣＴＵにより開始され、また終了される。
【００５６】
ユニットＣＴＵは、入力ＳＢを介してソータＳＲＴに「イネーブルコマンド」を送ることによってソートサイクルを開始する。ソータＳＲＴは、変換器ＬＧＡＤＣからデジタルワードｚｊを受信する。ソータＳＲＴは、受信したデジタルワードを昇順又は降順に並べ替える。この目的で、ソータＳＲＴには、２つのバス、すなわちアドレスバスＡＳと書き込み／読み取りバスＷＲを有するメモリＭＥＭを使用する。ソータＳＲＴは、当業者によく知られた多くのソートアルゴリズムのいずれかを実施することができる。
【００５７】
事前に選択された数Ｎの入力サンプルをカウンタＣＮＲが記録するとすぐに、ユニットＣＴＵは、入力ＳＢを介してソータＳＲＴをディセーブルすることによってソートサイクルを終了する。次に、ユニットＣＴＵは、共通入力ＲＡを介して累算器ＡＣ１及びＡＣ２をリセットすることによって計算サイクルを開始する。ユニットＣＴＵはまた、バッファＭＢＦの「ロード」入力を駆動する適切な信号を出力ＬＭにおいて生成することによって、メモリＭＥＭからバッファＭＢＦに中央値をロードする。バッファＭＢＦの「データ」入力ＭＥは、Ｎ個の入力サンプルの組の中央値を含む所定のメモリセルに接続される。さらなる計算を回避するために、処理されるサンプルの数Ｎは奇数となることが好ましい。
【００５８】
計算サイクル中に、ユニットＣＴＵは、サンプルカウンタＣＮＲを使用して、メモリＭＥＭのアドレスバスに接続された出力ＡＧにおいて適切なアドレスシーケンスを生成する。結果として、メモリＭＥＭに記憶される全ての値ｚｊが、補数値回路ＣＭＰに接続された読み取り出力ＲＯに順次現れる。回路ＣＭＰの目的は、メモリＭＥＭが供給するデジタルワードの符号を逆にすることである。
【００５９】
加算器ＳＵＭは、２つの入力値、すなわち、入力Ｓ１において中央値Ｍを、入力Ｓ２において逆極性のサンプル −ｚｊを受け取る。したがって、加算器ＳＵＭは、和（Ｍ−ｚｊ）を表す値を出力ＳＳにおいて生成し、絶対値回路ＡＢＳを用いて、対応する大きさ｜Ｍ−ｚｊ｜を得る。したがって、累算器ＡＣ１及びＡＣ２はそれぞれ以下の総和の値を求める。
【００６０】
【数８】
【００６１】
累算器の動作のタイミングは、ユニットＣＴＵが共通クロック入力ＣＡを介して供給する適切なクロックパルスにより管理する。
【００６２】
メモリＭＥＭに記憶されていた全てのサンプルを使い果たしたら、累算器ＡＣ１及びＡＣ２の内容を、ユニットＣＴＵが供給する適切な信号によって決められた時刻においてそれぞれのバッファＤＢＦ及びＬＢＦに転送し、これらのバッファの共通「ロード」入力ＬＢを駆動する。したがって、計算サイクルの終了時に、ＭＤＬプロセッサの出力Ｍ、Ｄ及びＬは、処理された入力サンプル組を特徴付ける記述子Ｍ、Ｄ及びＬを表す値を供給する。必要であれば、記述子Ｄ及びＬの値を、例えば単純に、それぞれの二値表現の適切に選択された数の最上位ビットを使用することによって正規化することができる。
【００６３】
上記の構成では、さらなる処理に使用される入力信号ｘ（ｔ）からサンプルが一組だけ取得されるものと仮定する。したがって、計算サイクル中、ソータＳＲＴはアイドル状態であり続ける。しかし、２つのメモリを使用して、その一方をソート目的にのみ使用し、他方が計算サイクルで使用されるソート済の値を記憶することによって、連続動作を達成することができる。このような変更された構成を使用する場合、ソートと計算という２つのサイクルを同時に実行することができる。すなわち、ソート済のサンプル組が計算に使用されている間に、ソータが新たな入力サンプルシーケンスを適切に並べ替える。
【００６４】
上述の実施形態は、観測角又は視野ＦＯＶ毎に一組の記述子を導出することによって機能する。複数組の記述子を分類目的に用いる。しかし、代替的な技法も可能である。例えば、本システムは、全視野にわたって取得したサンプルから一組の記述子を導出し、この一組を分類目的に使用するように構成することもできる。この場合、一組の記述子は、１つの視点から観察される形状のみでなく、物体の全体的な構成に大きく影響を受ける。
【００６５】
状況に応じて、１つの観測角から導出される一組の記述子を分類目的に使用することも可能である。
【００６６】
記載した実施形態において、処理される信号は質問信号の反射である。しかし、必ずしもこれに限られるものではない。例えば、処理される信号は、音波、例えば、対象物により生成される音響信号、又は別個の発生源（例えば周囲光）からの波の反射であってもよい。
【００６７】
本発明は、物体の分類だけでなく、多くの分野に応用可能である。本発明は、通信信号を監視して干渉やシャドウイングにより生じる伝搬誤差を検出するか、又は、海面反射若しくは地上反射（land clutter）又は気象条件を検出するため、又は、色又はテクスチャを表す信号を用いた分類のために使用することができる。特に有用な種類の応用は、帰無仮説を用いて機能する。すなわち、本システムは、正常な状況（例えば、海面反射を表す信号）の分類を表すデータを記憶し、受信した信号が（例えば船や人物のような物体の存在による）その状況とのずれを表す場合を判定し、この判定に応答して検出信号を生成するように構成される。したがって、分類プロセスは単純な二値のはい／いいえ(yes/no)判定となる。
【００６８】
図４及び図５を参照して説明した実施形態は、ハードウェアにおいて完全に具現することができ、その場合、当業者は、様々なブロックの必要な機能を実施するための適切な詳細に渡る回路構成を容易に設計及び構築することができる。別法として、これらの機能の一部を、サンプル値を受信してそこから記述子を導出する適切にプログラムされた汎用コンピュータ又は専用コンピュータを用いてソフトウェアにおいて行ってもよい。したがって、本発明は、そのようなプログラムされたコンピュータ、及びコンピュータをそのような方法で動作させるように構成されたコンピュータプログラム、並びにそのようなプログラムを保持するプログラムキャリアに適用される。一般に、本発明は、その構成方法に関係なく、信号処理装置に適用される。
【００６９】
対数変換を実施する場合、自明の様々な技法を実行することができる。結果が対数変換を少なくとも近似する限り、結果が完全に正確であることは重要でない。
【００７０】
上記の、本発明の好適な実施形態の説明は、例示及び説明のために提示してきた。説明が網羅的であること、又は、本発明を開示した形態そのものに限定すること、は意図していない。上記の説明に鑑みて、当業者は、多くの改変、変更、及び変形により、本発明を意図する特定の用途に適した様々な実施形態で使用することができることは明らかである。
【図面の簡単な説明】
【００７１】
【図１】回転台上で回転する車両に電磁波エネルギーパルスを照射して車両の後方散乱特性を求める仮想の実験の概略図である。
【図２】２つの渦モデルを表す確率密度関数を示す図である。
【図３】本発明により構築される、変動する電力又は強度等のような正の観測量の多くの既知の統計モデルの相対的な位置を視覚化する「Ｄ−Ｌ領域」を示す図である。
【図４】本発明による分類システムを示す図である。
【図５】図４のシステム内で使用されるデジタルプロセッサのブロック図である。
【特許請求の範囲】
【請求項１】
実体の表現方法であって、
前記実体からの信号を繰り返しサンプリングすることであって、それによって、前記受信信号の強度にそれぞれ依存する第１の組の値を得る、信号を繰り返しサンプリングすることと、
前記サンプル値に対数変換を適用することであって、それによって、第２の組の値を得る、対数変換を適用することと、
一組の記述子の値を導出することであって、前記組は、前記第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）と、前記第２の組の値の各々と前記第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）とを少なくとも含む、一組の記述子の値を導出することと
を含む、実体の表現方法。
【請求項２】
前記一組の記述子の値は、前記第２の組の中央値（Ｍ）をさらに含む請求項１に記載の実体の表現方法。
【請求項３】
前記実体が観測位置に対して複数の異なるアスペクト角を持つ場合に前記繰り返しサンプリングする動作を行うことを含む請求項１又は請求項２に記載の実体の表現方法。
【請求項４】
記述子の値の複数の組を導出するステップであって、前記組の各々は異なるアスペクト角に関連付けられる、記述子の値の複数の組を導出するステップを含む請求項３に記載の実体の表現方法。
【請求項５】
一組の記述子の値を導出するステップであって、前記記述子の各々は複数の異なるアスペクト角において取得されたサンプルから導出される、一組の記述子の値を導出するステップを含む請求項３に記載の実体の表現方法。
【請求項６】
前記第２の組の値の代表値は、前記第２の組の平均値である請求項１〜５のいずれか一項に記載の実体の表現方法。
【請求項７】
前記第２の組の値の代表値は、前記第２の組の中央値である請求項１〜５のいずれか一項に記載の実体の表現方法。
【請求項８】
質問信号を生成及び送信するステップを含み、前記物体からの信号は、前記質問信号の反射である請求項１〜７のいずれか一項に記載の実体の表現方法。
【請求項９】
前記質問信号は、電磁信号である請求項８に記載の実体の表現方法。
【請求項１０】
前記質問信号は、変動する偏光を有する請求項９に記載の実体の表現方法。
【請求項１１】
前記質問信号は、音響信号である請求項８に記載の実体の表現方法。
【請求項１２】
前記質問信号は、変動する周波数を有する請求項８〜１１のいずれか一項に記載の実体の表現方法。
【請求項１３】
請求項１〜１２のいずれか一項に記載の方法を用いて前記実体を表現することと、
前記導出した記述子を用いて前記実体を分類することと
を含む、実体の分類方法。
【請求項１４】
前記実体は、前記記述子を、複数のデータ集合を含むストアの内容と比較することによって分類され、
各集合は、それぞれのカテゴリの実体を用いた訓練動作によって生成された前記記述子から導出されている請求項１３に記載の実体の分類方法。
【請求項１５】
前記記述子がもはや、正常な状況を表す分類に適合しない場合を検出し、前記検出に応答して検出信号を生成するステップを含む請求項１３に記載の実体の分類方法。
【請求項１６】
実体表現のストアを確立する方法であって、
（ｉ）請求項１〜１２のいずれか一項に記載の方法を用いることであって、それによって、第１のカテゴリの実体を表す記述子を導出する、請求項１〜１２のいずれか一項に記載の方法を用いることと、
（ｉｉ）前記記述子から導出されたデータ集合を記憶することと、
（ｉｉｉ）他のカテゴリの実体について前記ステップ（ｉ）及び（ｉｉ）を繰り返すことと
を含む、実体表現のストアを確立する方法。
【請求項１７】
請求項１〜１２のいずれか一項に記載の方法を用いて動作するように構成される、実体の表現を生成する装置。
【請求項１８】
請求項１３〜１５のいずれか一項に記載の方法を用いて動作するように構成される、実体の分類装置。
【請求項１９】
実体から受信した信号をサンプリングすることによって得られた第１の組の値から前記実体を表現する一組の記述子を導出するように構成されるコンピュータプログラムであって、
前記第１の組の値に対数変換を適用することによって前記第１の組の値を第２の組の値に変換することと、
前記第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）を導出することと、
前記第２の組の値の各々と前記第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）を導出することと
のために構成されるコンピュータプログラム。
【請求項２０】
実体から受信した信号をサンプリングすることによって得られた第１の組の値に応答し、かつ、前記実体を表現する一組の記述子を導出するように構成される、信号処理装置であって、
前記第１の組の値に対数変換を適用することによって前記第１の組の値を第２の組の値に変換することと、
前記第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）を導出することと、
前記第２の組の値の各々と前記第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）を導出することと
のために構成される信号処理装置。
【請求項１】
実体の表現方法であって、
前記実体からの信号を繰り返しサンプリングすることであって、それによって、前記受信信号の強度にそれぞれ依存する第１の組の値を得る、信号を繰り返しサンプリングすることと、
前記サンプル値に対数変換を適用することであって、それによって、第２の組の値を得る、対数変換を適用することと、
一組の記述子の値を導出することであって、前記組は、前記第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）と、前記第２の組の値の各々と前記第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）とを少なくとも含む、一組の記述子の値を導出することと
を含む、実体の表現方法。
【請求項２】
前記一組の記述子の値は、前記第２の組の中央値（Ｍ）をさらに含む請求項１に記載の実体の表現方法。
【請求項３】
前記実体が観測位置に対して複数の異なるアスペクト角を持つ場合に前記繰り返しサンプリングする動作を行うことを含む請求項１又は請求項２に記載の実体の表現方法。
【請求項４】
記述子の値の複数の組を導出するステップであって、前記組の各々は異なるアスペクト角に関連付けられる、記述子の値の複数の組を導出するステップを含む請求項３に記載の実体の表現方法。
【請求項５】
一組の記述子の値を導出するステップであって、前記記述子の各々は複数の異なるアスペクト角において取得されたサンプルから導出される、一組の記述子の値を導出するステップを含む請求項３に記載の実体の表現方法。
【請求項６】
前記第２の組の値の代表値は、前記第２の組の平均値である請求項１〜５のいずれか一項に記載の実体の表現方法。
【請求項７】
前記第２の組の値の代表値は、前記第２の組の中央値である請求項１〜５のいずれか一項に記載の実体の表現方法。
【請求項８】
質問信号を生成及び送信するステップを含み、前記物体からの信号は、前記質問信号の反射である請求項１〜７のいずれか一項に記載の実体の表現方法。
【請求項９】
前記質問信号は、電磁信号である請求項８に記載の実体の表現方法。
【請求項１０】
前記質問信号は、変動する偏光を有する請求項９に記載の実体の表現方法。
【請求項１１】
前記質問信号は、音響信号である請求項８に記載の実体の表現方法。
【請求項１２】
前記質問信号は、変動する周波数を有する請求項８〜１１のいずれか一項に記載の実体の表現方法。
【請求項１３】
請求項１〜１２のいずれか一項に記載の方法を用いて前記実体を表現することと、
前記導出した記述子を用いて前記実体を分類することと
を含む、実体の分類方法。
【請求項１４】
前記実体は、前記記述子を、複数のデータ集合を含むストアの内容と比較することによって分類され、
各集合は、それぞれのカテゴリの実体を用いた訓練動作によって生成された前記記述子から導出されている請求項１３に記載の実体の分類方法。
【請求項１５】
前記記述子がもはや、正常な状況を表す分類に適合しない場合を検出し、前記検出に応答して検出信号を生成するステップを含む請求項１３に記載の実体の分類方法。
【請求項１６】
実体表現のストアを確立する方法であって、
（ｉ）請求項１〜１２のいずれか一項に記載の方法を用いることであって、それによって、第１のカテゴリの実体を表す記述子を導出する、請求項１〜１２のいずれか一項に記載の方法を用いることと、
（ｉｉ）前記記述子から導出されたデータ集合を記憶することと、
（ｉｉｉ）他のカテゴリの実体について前記ステップ（ｉ）及び（ｉｉ）を繰り返すことと
を含む、実体表現のストアを確立する方法。
【請求項１７】
請求項１〜１２のいずれか一項に記載の方法を用いて動作するように構成される、実体の表現を生成する装置。
【請求項１８】
請求項１３〜１５のいずれか一項に記載の方法を用いて動作するように構成される、実体の分類装置。
【請求項１９】
実体から受信した信号をサンプリングすることによって得られた第１の組の値から前記実体を表現する一組の記述子を導出するように構成されるコンピュータプログラムであって、
前記第１の組の値に対数変換を適用することによって前記第１の組の値を第２の組の値に変換することと、
前記第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）を導出することと、
前記第２の組の値の各々と前記第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）を導出することと
のために構成されるコンピュータプログラム。
【請求項２０】
実体から受信した信号をサンプリングすることによって得られた第１の組の値に応答し、かつ、前記実体を表現する一組の記述子を導出するように構成される、信号処理装置であって、
前記第１の組の値に対数変換を適用することによって前記第１の組の値を第２の組の値に変換することと、
前記第２の組の値の平均値と中央値の差を表す第１の記述子の値（Ｌ）を導出することと、
前記第２の組の値の各々と前記第２の組の値の代表値との間の偏差の絶対値の平均値を表す第２の記述子の値（Ｄ）を導出することと
のために構成される信号処理装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２００６−１１９１３１（Ｐ２００６−１１９１３１Ａ）
【公開日】平成１８年５月１１日（２００６．５．１１）
【国際特許分類】
【外国語出願】
【出願番号】特願２００５−２７８２４６（Ｐ２００５−２７８２４６）
【出願日】平成１７年９月２６日（２００５．９．２６）
【出願人】（５０１２５３３１６）ミツビシ・エレクトリック・インフォメイション・テクノロジー・センター・ヨーロッパ・ビーヴィ (77)
【氏名又は名称原語表記】ＭＩＴＳＵＢＩＳＨＩ ＥＬＥＣＲＩＣ ＩＮＦＯＲＭＡＴＩＯＮ ＴＥＣＨＮＯＬＯＧＹ ＣＥＮＴＲＥ ＥＵＲＯＰＥ Ｂ．Ｖ．
【住所又は居所原語表記】２０ Ｆｒｅｄｅｒｉｃｋ Ｓａｎｇｅｒ Ｒｏａｄ， Ｔｈｅ Ｓｕｒｒｅｙ Ｒｅｓｅａｒｃｈ Ｐａｒｋ， Ｇｕｉｌｄｆｏｒｄ， Ｓｕｒｒｅｙ ＧＵ２ ５ＹＤ， Ｇｒｅａｔ Ｂｒｉｔａｉｎ
【Ｆターム（参考）】
【公開日】平成１８年５月１１日（２００６．５．１１）
【国際特許分類】
【出願番号】特願２００５−２７８２４６（Ｐ２００５−２７８２４６）
【出願日】平成１７年９月２６日（２００５．９．２６）
【出願人】（５０１２５３３１６）ミツビシ・エレクトリック・インフォメイション・テクノロジー・センター・ヨーロッパ・ビーヴィ (77)
【氏名又は名称原語表記】ＭＩＴＳＵＢＩＳＨＩ ＥＬＥＣＲＩＣ ＩＮＦＯＲＭＡＴＩＯＮ ＴＥＣＨＮＯＬＯＧＹ ＣＥＮＴＲＥ ＥＵＲＯＰＥ Ｂ．Ｖ．
【住所又は居所原語表記】２０ Ｆｒｅｄｅｒｉｃｋ Ｓａｎｇｅｒ Ｒｏａｄ， Ｔｈｅ Ｓｕｒｒｅｙ Ｒｅｓｅａｒｃｈ Ｐａｒｋ， Ｇｕｉｌｄｆｏｒｄ， Ｓｕｒｒｅｙ ＧＵ２ ５ＹＤ， Ｇｒｅａｔ Ｂｒｉｔａｉｎ
【Ｆターム（参考）】
[ Back to top ]