...ウェーブレットとは時間周波数解析[*]
短時間フーリエ変換の基本概念。時間軸上で区間を区切った入力信号に対し、各時間ごとの周波数を調べる方法。 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...neuralnet．その後、ニューラルネットワークの研究は学習理論等の数理解析系研究と、時系列予測や音声信号処理のような応用系研究という2つの方向性を持って進められている。学習理論の数理解析については甘利らの研究成果が目立っており、情報幾何[*]
統計多様体を扱う微分幾何 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...auditory2、画像処理においては新井らによるフレームレット[*]
ウェーブレットを一般化した"ウェーブレットフレーム"の一種 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...wavenet1、主に非線形システムのモデリングを行う単層ネットワークモデル[*]
入力層と出力層だけで構成されるニューラルネットワークモデル 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...になる場合、(2)1対以上の重みの絶対値が等しくなる[*]
シグモイド関数やtanh関数は奇関数であるため、このときの出力は等しくなる 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...この図が示す通り、1つの原信号に対してマザーウェーブレットを複数のスケールに拡大縮小して解析を行う。このように複数の``スケール''[*]
離散変換では``レベル''と呼ぶ 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...等のパラメータを付加したものがウェーブレット係数となる。よってウェーブレット変換による解析結果では、フーリエ変換のように「100Hz帯の係数が10、200Hz帯の係数が5」というような解析結果ではなく、「スケール1の係数が10、スケール2の係数が5」というような解析結果となる。そしてこの「スケール後の中心周波数」はマザーウェーブレットによりそれぞれ異なるため、これの選定方法によって結果が大きく変動することになる[*]
この選定方法には確たる原理が提案されておらず、各研究者達の経験則と先行研究の結果により決められている。 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...，入力空間の最大半径[*]
各次元での半径を計算し，その中から最大のものを選ぶ 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...入力層の基底関数は線形関数[*]
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...を、第2隠れ層と出力層の基底関数にはシグモイド関数[*]
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...の数[*]
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...の値に関わらず全て同じ重みを持つ。ただし、第2中間層-出力層間に関しては全てのフレーム・ノードからエッジを張る。よって、本研究のモデルはネットワーク全体で785本[*]
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...corpus」から母音/a,i,u,e,o/を含む100msの音素を切り出した。調音結合の影響を排除するために、音素の前後50msは無視している。この音素を12.5ms[*]
うち6.25msは前後のフレームと重複 
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.