JP2000122991A

JP2000122991A - 制御装置の製造方法、制御装置、データ生成装置、入出力特性決定方法及び相関関係評価方法

Info

Publication number: JP2000122991A
Application number: JP10293690A
Authority: JP
Inventors: Retsu Yamakawa; 烈山川; Keiichi Horio; 恵一堀尾
Original assignee: Individual
Current assignee: Individual
Priority date: 1998-10-15
Filing date: 1998-10-15
Publication date: 2000-04-28
Anticipated expiration: 2018-10-15
Also published as: JP4267726B2

Abstract

(57)【要約】【課題】制御装置の特性を、複数の動作信号及び操作
量の対に対する個別評価に基づいて容易に決定する。【解決手段】動作信号を表す第１ベクトルＸと操作量
を表す第２ベクトルＹとで一つの学習ベクトルＩ（Ｘ，
Ｙ）を構成し、該学習ベクトルＩを入力層に与える。そ
して、その学習ベクトルＩの表す動作信号及び操作量の
対で制御量が安定するのであれば、競合層１２における
勝者ユニット及び近傍ユニットと、入力層と、の間の重
みベクトルＷ（ｗ，ｕ）を、学習ベクトルＩに近づける
よう、ネットワークを更新する。こうすれば、安定的な
制御が可能な動作信号及び操作量の対が重みベクトル空
間に表れる。この結果、複数の動作信号及び操作量の対
に対する個別評価に基づき、制御装置の特性を決定する
ことができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は制御装置の製造方
法、制御装置、データ生成装置、入出力特性決定方法及
び相関関係評価方法に関し、特に、ニューラルネットワ
ークを用いた、制御装置の製造方法、制御装置、データ
生成装置、入出力特性決定方法及び相関関係評価方法に
関する。

【０００２】

【従来の技術及び発明が解決しようとする課題】高性能
な制御装置を設計するにあたっては、制御対象の特性
や、その制御対象が置かれる環境について正確な情報が
予め入手されていなければならない。しかしながら、現
実にはそれらの情報を正しく入手するのは困難な場合が
多い。

【０００３】このため、多数の動作信号及び操作量の対
を実際に制御対象に対して与え、どのような制御結果が
得られるかをしらみ潰しに調べていくことにより、制御
装置の特性を決定するのが実際的である。

【０００４】この際、多数の動作信号及び操作量の対
と、その対に対する個別評価に基づいて、動作信号及び
操作量の関係を評価する手法が提案されれば、その評価
結果に基づいて好ましい動作信号と操作量との関係を決
定し、制御装置を容易に設計・製造することができる。

【０００５】また、以上のような制御装置の特性に限ら
ず、一般的に、二つのデータ（ベクトルデータを含む）
の相関関係を、個々のデータ対に対する個別評価に基づ
いて評価する方法が提案されれば、有意義である。

【０００６】この点、ニューラルネットワーク技術は、
個々のデータとその個別評価を処理するのに最も優れた
技術といえるが、既存のニューラルネットワークのモデ
ルでは、単に入力データを分類分けするのみであった
り、単に写像の入出力関係を実現するものであり、二つ
のデータの相関関係を評価することのできるニューラル
ネットワークのモデルは未だ提案されていない。

【０００７】本発明は上記課題に鑑みてなされたもので
あって、第１の目的は、制御装置の特性を、複数の動作
信号及び操作量の対に対する個別評価に基づいて容易に
決定することのできる制御装置の製造方法を提供するこ
とにある。

【０００８】また、第２の目的は、制御装置の好ましい
特性をニューラルネットワークに学習させ、その学習内
容に従って、制御対象を制御することのできる制御装置
を提供することにある。

【０００９】また、第３の目的は、二つのデータの相関
関係とその評価とをニューラルネットワークに学習させ
ておき、その学習内容に従って、あるデータに対応する
データを生成することのできるデータ生成装置を提供す
ることにある。

【００１０】また、第４の目的は、対象装置の入出力特
性を、複数の入出力データの対に対する個別評価に基づ
いて容易に決定することのできる入出力特性決定方法を
提供することにある。

【００１１】さらに、第５の目的は、個々のデータ対に
対する個別評価に基づいて、二つのデータの相関関係を
評価することのできる相関関係評価方法を提供すること
にある。

【００１２】

【課題を解決するための手段】（１）上記課題を解決す
るために、本発明に係る制御装置の製造方法は、動作信
号を構成する個々のデータ要素に対応する動作信号用ニ
ューロンモデルと、操作量を構成する個々のデータ要素
に対応する操作量用ニューロンモデルと、をニューラル
ネットワークの第１層に配置し、前記動作信号用及び操
作量用ニューロンモデルと結合するニューロンモデル群
を前記ニューラルネットワークの第２層に配置し、前記
第１層に配置されるニューロンモデルに、学習用の動作
信号及び操作量の対を順次入力し、該動作信号及び操作
量の対とそれに対する個別評価情報とに基づいて、前記
動作信号用及び操作量用ニューロンモデルと前記第２層
に配置されるニューロンモデル群との間の結合荷重を更
新し、更新後の前記結合荷重に基づいて前記制御装置の
入出力特性を決定し、前記制御装置を製造することを特
徴とする。

【００１３】本発明では学習用の動作信号及び操作量の
対が第１層のニューロンモデルに順次入力され、当該学
習用の動作信号及び操作量の対と、例えば制御量の安定
度等の前記個別評価情報と、に基づき、前記結合荷重が
更新される。こうすれば、入出力関係が類似する動作信
号及び操作量の対に対しては、第２層において近傍に位
置するニューロンモデルが反応するよう、前記結合荷重
が順次更新されるため、学習後の結合荷重に基づいて、
ある個別評価に対応する動作信号及び操作量の対を得る
ことができる。この結果、例えば制御量が安定する動作
信号及び操作量の対を前記結合荷重から得ることがで
き、制御装置の特性を容易に決定ことができる。

【００１４】（２）また、本発明に係る制御装置は、ニ
ューラルネットワークを用いた制御装置であって、前記
ニューラルネットワークの第１層に配置され、動作信号
を構成する個々のデータ要素が入力される動作信号用ニ
ューロンモデルと、操作量を構成する個々のデータ要素
が入力される操作量用ニューロンモデルと、を含む第１
層ニューロンモデル群と、前記ニューラルネットワーク
の第２層に配置され、前記動作信号用及び操作量用ニュ
ーロンモデルと結合する第２層ニューロンモデル群と、
前記第１層ニューロンモデル群に入力される動作信号及
び操作量と、該動作信号及び操作量に対する個別評価情
報と、に基づいて、前記第１層ニューロンモデル群と前
記第２層ニューロンモデル群との間の結合荷重を更新す
る学習手段と、動作信号と前記結合荷重とに基づき、該
動作信号に対応して出力すべき操作量を算出する操作量
算出手段と、を含むことを特徴とする。

【００１５】上述のように前記結合荷重には個別評価が
肯定的な動作信号及び操作量の対についての情報が記憶
される。このため、本発明では、ある動作信号が与えら
れると、その動作信号に対応する操作量を、該動作信号
及び結合荷重に基づいて算出することができる。たとえ
ば、前記操作量算出手段は、ある動作信号が与えられる
と、対応する操作量であって制御量の安定度の高いもの
を、動作信号及び結合荷重に基づいて算出することがで
きる。このため、本発明に係る制御装置によれば、制御
装置の好ましい特性をニューラルネットワークに学習さ
せ、その学習内容に従って、制御対象を制御することが
できる。また、制御対象の制御と並行して前記学習手段
による学習を行わせれば、該制御対象を適応的に制御す
ることができる。

【００１６】また、本発明の一態様では、前記操作量算
出手段は、前記第２層ニューロンモデル群に含まれるニ
ューロンモデルと前記動作信号用ニューロンモデルとの
間の結合荷重と、動作信号と、に基づき、前記第２層ニ
ューロンモデル群に含まれる各ニューロンモデルの該動
作信号に対する部分反応度を算出する手段と、前記第２
層ニューロンモデル群に含まれるニューロンモデルと前
記制御量用ニューロンモデルとの間の結合荷重と、前記
部分反応度と、に基づき、操作量を算出する手段と、を
含むことを特徴とする。

【００１７】この態様では動作信号の入力に対する前記
第２層ニューロンモデル群の各部分反応度が、まず算出
される。そして、その部分反応度と、前記制御用ニュー
ロンモデルと第２層ニューロンモデル群との間の結合荷
重と、に基づいて、動作信号に対応する制御量を算出す
る。例えば前記制御用ニューロンモデルと第２層ニュー
ロンモデル群との間の結合荷重を、前記部分反応度によ
り重み付け加算して、制御量を算出すればよい。こうす
れば、ニューラルネットワークの学習内容に基づき、動
作信号に対応する制御量を算出することができる。

【００１８】（３）また、本発明に係るデータ生成装置
は、第１データに基づいて第２データを生成するデータ
生成装置であって、ニューラルネットワークの第１層に
配置され、前記第１データの個々のデータ要素に対応す
る第１ニューロンモデルと、前記第２データの個々のデ
ータ要素に対応する第２ニューロンモデルと、を含む第
１層ニューロンモデル群と、前記ニューラルネットワー
クの第２層に配置され、前記第１及び第２ニューロンモ
デルと結合する第２層ニューロンモデル群と、前記第１
層ニューロンモデル群と前記第２層ニューロンモデル群
との間の結合荷重と、第１データとに基づき、第２デー
タを算出するデータ算出手段と、を含み、学習段階で
は、前記第１層ニューロンモデル群に学習用の第１及び
第２データの対が順次入力され、該学習用の第１及び第
２データの対とそれに対する個別評価情報とに基づい
て、前記第１層ニューロンモデル群と前記第２層ニュー
ロンモデル群との間の結合荷重が更新されることを特徴
とする。

【００１９】本発明によれば、第１データと第２データ
の相関関係とその評価をニューラルネットワークに学習
させておき、その学習内容に従って、ある与えられた第
１データに対応する第２データを生成することができ
る。

【００２０】（４）また、本発明に係る入出力特性決定
方法は、対象装置の入力データ及び出力データの関係を
決定する入出力特性決定方法であって、前記入力データ
の個々のデータ要素に対応する入力データ用ニューロン
モデルと、前記出力データの個々のデータ要素に対応す
る出力データ用ニューロンモデルと、をニューラルネッ
トワークの第１層に配置し、前記入力データ用及び出力
データ用ニューロンモデルと結合するニューロンモデル
群を前記ニューラルネットワークの第２層に配置し、学
習段階では、前記第１層に配置されるニューロンモデル
に学習用の入力及び出力データの対を順次入力し、該デ
ータの対とそれに対する個別評価情報とに基づいて、前
記入力データ用及び出力データ用ニューロンモデルと前
記第２層に配置されるニューロンモデル群との間の結合
荷重を更新し、入出力特性決定段階では、前記結合荷重
に基づいて前記対象装置の入出力特性を決定することを
特徴とする。

【００２１】こうすれば、対象装置の入出力データとそ
の個別評価をニューラルネットワークに学習させてお
き、対象装置の入出力特性を学習結果に基づいて決定す
ることができる。

【００２２】（５）また、本発明に係る相関関係評価方
法は、第１データと第２データとの間の相関関係を評価
する相関関係評価方法であって、前記第１データの個々
のデータ要素に対応する第１データ用ニューロンモデル
と、前記第２データの個々のデータ要素に対応する第２
データ用ニューロンモデルと、をニューラルネットワー
クの第１層に配置し、前記第１データ用及び第２データ
用ニューロンモデルと結合するニューロンモデル群を前
記ニューラルネットワークの第２層に配置し、学習段階
では、前記第１層に配置されるニューロンモデルに学習
用の第１及び第２データの対を順次入力し、該データの
対とそれに対する個別評価情報とに基づいて、前記第１
データ用及び第２データ用ニューロンモデルと前記第２
層に配置されるニューロンモデル群との間の結合荷重を
更新し、評価段階では、前記結合荷重に基づいて第１デ
ータと第２データとの間の相関関係を評価することを特
徴とする。

【００２３】こうすれば、個々のデータ対に対する個別
評価に基づいて、二つのデータの相関関係を評価するこ
とができる。

【００２４】

【発明の実施の形態】以下、本発明の好適な実施の形態
について図面に基づいて詳細に説明する。

【００２５】実施の形態１．実施の形態１では、ニュー
ラルネットワークを用いて、二つのデータの相関関係を
評価する方法、及び対象装置の入出力特性を決定する方
法、とりわけ制御装置における動作信号と操作量との関
係を決定する方法について説明する。

【００２６】なお、以下の説明では各種変数を表すアル
ファベット文字を使用するが、大文字アルファベットが
ベクトル量を表し、小文字アルファベットがスカラー量
を表すものとする。

【００２７】図１は、本実施の形態に係る方法を説明す
る図であり、本方法で用いるニューラルネットワークの
構成が示されている。同図に示すニューラルネットワー
クでは、入力層１０に配置されるニューロンモデル（以
下では「ユニット」ともいう。）に学習ベクトルＩが入
力されており、それら入力層１０のニューロンモデルは
競合層１２に配置されるニューロンモデルとシナプス結
合している。

【００２８】入力層１０に配置されるニューロンモデル
は大きく２つに分類される。第１分類に属するのは第１
ベクトルＸが入力されるニューロンモデルであり、第２
分類に属するのは第２ベクトルＹが入力されるニューロ
ンモデルである。すなわち、学習ベクトルＩは次式
（１）に示すように第１ベクトルＸと第２ベクトルＹと
から構成される。

【００２９】

【数１】そして、第１分類に属するニューロンモデルは、第１ベ
クトルＸの成分数（データ要素数）に等しい個数存在
し、第２分類に属するニューロンモデルは、第２ベクト
ルＹの成分数に等しい個数存在する。ここでは、第１ベ
クトルＸがｎ個の成分を有するものとし、第２ベクトル
Ｙがｍ個の成分を有するものとする。このため、入力層
１０には合計（ｎ＋ｍ）個のニューロンモデルが配置さ
れている。

【００３０】たとえば、二つのデータの相関関係を評価
したい場合には、一方のデータを第１ベクトルに対応さ
せ、他方のデータを第２ベクトルに対応させればよい。
また、対象装置の入出力特性を決定する場合には、当該
対象装置の入力信号を第１ベクトルに対応させ、出力信
号を第２ベクトルに対応させればよい。さらに、制御装
置における動作信号と操作量との関係を決定する場合に
は、動作信号を第１ベクトルに対応させ、操作量を第２
ベクトルに対応させればよい。

【００３１】また、第１分類に属するｊ番目のニューロ
ンモデルは、競合層１２に配置されたｉ番目のニューロ
ンモデルと、結合荷重ｗ_ijにてシナプス結合しているも
のとする。また、第２分類に属するｋ番目のニューロン
モデルは、競合層１２に配置されたｉ番目のニューロン
モデルと、結合荷重ｕ_ikにてシナプス結合しているもの
とする。そして、結合荷重ｗ_ijと結合荷重ｕ_ikとによ
り、競合層１２のｉ番目のニューロンモデルに関する重
みベクトルＷ_iが、次式（２）に示すようにして構成さ
れる。

【００３２】

【数２】図２は、以上説明したニューラルネットワークに学習を
させる際の手順を説明するフロー図である。

【００３３】同フロー図に示すように、上記ニューラル
ネットワークに学習をさせるには、まずｓ個の学習ベク
トルＩ_l（ｌ＝１〜ｓ）を準備する（Ｓ１０１）。この
学習ベクトルは、第１ベクトルＸと第２ベクトルＹの対
であり、ランダムなベクトルの対であって、それら対の
各々対しては個別評価情報も準備されていなければなら
ない。たとえば、本方法により制御装置の特性を決定し
ようとする場合には、動作信号と操作量の対を学習ベク
トルＩ_lに選び、その対が制御装置の入出力とされた場
合に制御量がどの様な振る舞いをするかを表す情報等を
個別評価情報とすればよい。

【００３４】次に、学習繰り返し回数Ｉｔｅを０に設定
するとともに（Ｓ１０２）、学習ベクトルＩ_lの添え字
である変数ｌを０に設定する（Ｓ１０３）。そして、Ｓ
１０１で準備した学習ベクトルＩ_lの各成分を、図１に
示したニューラルネットワークの入力層１０に配置され
たニューロンモデルに入力する（Ｓ１０４）。

【００３５】入力層１０に学習ベクトルＩ_lが与えられ
ると、勝者ユニット（勝ちニューロン）、即ち学習ベク
トルＩ_lに対して最も反応する競合層１２のニューロン
モデルが決定される（Ｓ１０５）。具体的には、次式
（３）により、競合層１２のｉ番目のニューロンモデル
と入力層１０のニューロンモデルとの間のユークリッド
距離Ｉ_iを求め、それが最も短いものを勝者ユニットと
する。

【００３６】

【数３】なお、勝者ユニットを決定する場合、次式（４）に示す
ファジイ類似性尺度Ｓ_iを競合層１２の各ニューロンモ
デルについて算出し、それが最も小さな値をとるニュー
ロンモデルを勝者ユニットとしてもよい。同式（４）に
おいて、ｘ∧ｗは、ｘとｗのいずれか小さな値を意味す
る。またｘ∨ｗは、ｘとｗのいずれか大きな値を意味す
る。

【００３７】

【数４】次に、本方法では、勝者ユニットの近傍に位置するニュ
ーロンモデル、即ち近傍ユニットを決定する（Ｓ１０
６）。たとえば、競合層１２のｉ番目のニューロンモデ
ルを勝者ユニットとした場合、競合層１２のニューロン
モデルが図１に示すように直線状に配置されていると仮
定すれば、競合層（ｉ−２）番目から（ｉ＋２）番目の
ニューロンモデル等、前後するニューロンモデルを近傍
ユニットに選べばよい。

【００３８】その後、本方法では、勝者ユニットと近傍
ユニットについて、重みベクトルＷ_iを次式（５）及び
（６）により更新する（Ｓ１０７）。

【００３９】

【数５】まず、上式（５）は学習ベクトルＩ_lに対する評価が肯
定的である場合に用いられる更新式である。同式（５）
においてＷ_i ^oldは更新前の重みベクトルＷ_iであり、Ｗ_i
^newは更新後の重みベクトルＷ_iである。また、α（ｔ）
は学習係数であり、時間とともに減少するｔの関数が採
用されている。さらに、Ｅ_lは正の実数値をとる評価値
であり、学習ベクトルＩ_lに与えられる肯定的な個別評
価情報を表す。

【００４０】この式（５）による重みベクトルＷ_iの更
新により、学習ベクトルＩ_lに対する評価が肯定的であ
れば、勝者ユニット及びその近傍ユニットの重みベクト
ルＷ_iは、学習係数α（ｔ）及び評価値Ｅ_lに比例して、
学習ベクトルＩ_lに近づくことになる。

【００４１】これに対して上式（６）は学習ベクトルＩ
_lに対する評価が否定的である場合に用いられる更新式
である。同式（６）において、ｓｉｇｎは符号関数であ
る。また、Ｅ_lは負の実数値をとる評価値であり、学習
ベクトルＩ_lに与えられる否定的な個別評価情報を表
す。

【００４２】この式（６）による重みベクトルＷ_iの更
新により、学習ベクトルＩ_lに対する評価が否定的であ
れば、勝者ユニット及びその近傍ユニットの重みベクト
ルＷ_iは学習ベクトルＩ_lから遠ざかることになる。その
際、重みベクトルＷ_iが学習ベクトルＩ_lから遠ざかる距
離は学習係数α（ｔ）及び評価値Ｅ_lに比例する。ま
た、同式（６）の右辺の指数関数の働きにより、より近
い重みベクトルＷ_jがより大きく学習ベクトルＩ_lから遠
ざけられることになる。

【００４３】その後、変数ｌが最大値ｓ未満であれば
（Ｓ１０８）、ｌをインクリメントし（Ｓ１１０）、次
の学習ベクトルＩ_lをニューラルネットワークの入力層
１０に与える（Ｓ１０４）。一方、変数ｌが最大値ｓに
達すれば（Ｓ１０８）、繰り返し回数Ｉｔｅが設定値Ｉ
ＴＥに達しているかを判断し（Ｓ１０９）、達していな
ければ繰り返し回数Ｉｔｅをインクリメントするととも
に（Ｓ１１１）、変数ｌを０に戻し（Ｓ１０３）、再び
学習ベクトルＩ０をニューラルネットワークの入力層１
０に与える（Ｓ１０４）。

【００４４】以上のように、本方法ではニューラルネッ
トワークの学習ベクトルとして、対象装置の入出力デー
タ等の二つのデータの対を用いている。こうしてニュー
ラルネットワークに学習をさせると、以下に説明するよ
うに、ニューラルネットワークの結合荷重から、ある評
価を与えられるデータ対の相関関係が得られるようにな
る。

【００４５】図３及び図４は、第１ベクトルＸ及び第２
ベクトルＹとしていずれも１成分のみを有するものを採
用した場合の、ニューラルネットワークの学習の様子を
模式的に示す図である。この場合、学習ベクトルＩは２
成分を有し、重みベクトルＷ_iは第１ベクトルＸ及び第
２ベクトルＹに対応して２成分を有することになる。

【００４６】図３には、上から学習ベクトル空間（平
面）、重みベクトル空間（平面）、競合層１２が順に描
かれている。学習ベクトル空間は第１ベクトルＸ及び第
２ベクトルＹに対応する座標軸を有しており、学習ベク
トルＩが与えられると、それを平面上の一点に対応づけ
ることができるようになっている。一方、重みベクトル
空間は学習ベクトルＷの２成分に対応する軸を有してお
り、学習ベクトルＷ_iの終点が平面上の一点にそれぞれ
描かれるようになっている。

【００４７】同図に示すように、ある学習ベクトルＩが
与えられると、競合層１２に配置されるニューロンモデ
ルから勝者ユニットが決定される。この勝者ユニット
は、学習ベクトルＩを重みベクトル空間上の一点に表し
た場合に、その点に最も近い点に終点を有する学習ベク
トルＷ_iである。続いて、その勝者ユニットに対する近
傍ユニットも選ばれる。同図では競合層１２にニューロ
ンモデルを平面的に配置しているため、勝者ユニットの
周囲を取り巻くユニットが近傍ユニットに選ばれる。

【００４８】そして、与えられた学習ベクトルＩに対す
る個別評価が肯定的であって評価値Ｅが正の値をとる場
合、それら勝者ユニット及び近傍ユニットの重みベクト
ルＷ_iが上式（５）に従って更新される。この場合、近
傍ユニットの重みベクトルＷ_iは必ずしも勝者ユニット
の重みベクトルＷ_iに類似するものとはなっていない。
しかしながら、学習が進むに従って勝者ユニットの重み
ベクトルＷ_iと近傍ユニットの重みベクトルＷ_iとは次第
に類似するようになる。

【００４９】なお、同図では特に示さないが、入力され
る学習ベクトルＩに対する評価が否定的である場合、即
ち評価値Ｅが負の値をとる場合、上式（６）に従って、
勝者ユニット及び近傍ユニットの重みベクトルＷ_iは当
該学習ベクトルＩから遠ざかるように更新される。

【００５０】図４（ａ）は、学習が進んだ後の重みベク
トル空間の様子を示す図である。同図に示すように、学
習が相当程度に進むと重みベクトルＷ_iの終点を表す各
点は肯定的な評価を与えられた学習ベクトルＩの近傍に
集結する。従って、この重みベクトルＷ_iの分布を調べ
ることにより、学習ベクトルＩに含まれる第１ベクトル
Ｘと第２ベクトルＹとの関係を評価することができる。

【００５１】たとえば、第１ベクトルＸとして制御装置
に入力される動作信号を採用し、第２ベクトルＹとして
制御装置から出力される操作量を採用した場合、それら
動作信号及び操作量のデータ対と個別評価とを予め十分
にニューラルネットワークに学習させると、同図（ａ）
に示すように、安定的に制御量を制御できる動作信号と
操作量とのデータ対が重みベクトル空間のおける多数の
重みベクトルＷ_iの終点として得られることになる。こ
のため、例えば同図（ａ）に示される重みベクトルＷ_i
の終点を補間する等して、同図（ｂ）に示すような、動
作信号と操作量との関係を表す関数を容易に得ることが
できる。この結果、その関数を制御装置に予め設定する
ことにより、ある動作信号を与えられると適切な操作量
を出力する制御装置を容易に設計することができる。こ
の点は、対象装置の入出力特性を決定する場合にも同様
に当てはまる。

【００５２】また、以上のように、第１ベクトルＸと第
２ベクトルＹの相関関係を、ニューラルネットワークの
学習後に一旦評価してもよいが、そのような評価をせず
とも、第１ベクトルＸに対応する好ましい（肯定的評価
が得られるであろう）第２ベクトルＹを、重みベクトル
Ｗ_iに基づいて算出することができる。

【００５３】図５は、重みベクトルＷ_iから第１ベクト
ルＸに対応する好ましい第２ベクトルＹを算出する手順
を説明するフロー図である。

【００５４】この手順では、図６に示すようにして、ま
ず第１ベクトルＸのみをニューラルネットワークの入力
層１０に与える。ここでの第１ベクトルＸは、学習段階
で用いた学習ベクトルの構成要素たる第１ベクトルＸと
区別するため、特に事実入力ベクトルＸ⁰と記す（Ｓ２
０１）。また以下では、この事実入力ベクトルＸ⁰に対
応する第２ベクトルＹを、学習段階で用いた学習ベクト
ルの構成要素たる第２ベクトルＹと区別するため、特に
事実出力ベクトルＹ⁰と記す。

【００５５】次に、事実入力ベクトルＸ⁰に対する競合
層１２上の各ニューロンモデルの出力ｚ_p（ここでは、
「部分反応度」という。）を、次式（７）に従って算出
する（Ｓ２０２）。同式（７）においてβは所与の定数
である。

【００５６】

【数６】その後、Ｓ２０２で得られた部分反応度ｚ_pと結合荷重
Ｕ_prとに基づき、次式（８）に従って事実出力ベクトル
Ｙ⁰を算出する（Ｓ２０３）。図７は、この事実出力ベ
クトルＹ⁰の算出処理の概念を示すものである。

【００５７】

【数７】同式（８）は結合荷重Ｕ_prを部分反応度ｚ_pを用いて重
み付け加算すると、事実出力ベクトルＹ⁰のｒ番目の成
分が算出できることを表している。

【００５８】たとえば、第１ベクトルＸ及び第２ベクト
ルＹとしていずれも１成分のみを有するものを採用した
場合、図８に示すようにして重みベクトルＷが重みベク
トル空間上に表されていれば、ある事実入力ベクトルＸ
⁰が与えられると、以上説明した処理では、領域１４内
に重みベクトルＷ_iの終点を有するニューロンモデルを
中心として、式（７）で算出される部分反応度ｚ_pが大
きな値を有することになる。そして、式（８）を計算す
ると、この領域１４内に重みベクトルＷ_iの終点を有す
るニューロンモデルについての結合荷重ｕの値が支配的
となり、同図の矢印１６の辺りに事実出力ベクトルＹ⁰
の値が得られることになる。

【００５９】以上のようにして、重みベクトルＷ_iから
第１ベクトルＸに対応する好ましい第２ベクトルＹを算
出することができる。

【００６０】実施の形態２．実施の形態２では、上述し
た実施の形態１に係る方法を応用した適応制御装置につ
いて説明する。

【００６１】図９は、本実施の形態に係る適応制御装置
の構成を示す図である。同図に示す適応制御装置は、図
１に示したニューラルネットワークをハードウェアとし
て維持・更新するものであり、制御部４４と学習部４６
との間で第１結合荷重記憶部２０及び第２結合荷重記憶
部２２が共有されており、双方から随時アクセスするこ
とができるようになっている。この第１結合荷重記憶部
２０は図１に示したニューラルネットワークにおける結
合荷重ｗ_ijを記憶するものであり、第２結合荷重記憶部
は図１に示したニューラルネットワークにおける結合荷
重ｕ_ikを記憶するものである。

【００６２】まず、学習部４６は、結合荷重更新部２８
と、評価部３８と、第１及び第２結合荷重記憶部２０，
２２と、を含んでいる。評価部３８は、制御対象４０か
ら得られる制御量を評価して、評価値Ｅを結合荷重更新
部２８に与えるようになっている。評価値Ｅには、具体
的には制御量の安定性等を表す情報を採用することがで
き、その値は−１〜＋１に亘って連続する値をとる。

【００６３】結合荷重更新部２８には、制御部４４から
出力される操作量Ｙもまたスイッチ３４及び遅延素子３
２を介して入力されるようになっている。また、基準入
力とフィードバック量との差分である動作信号Ｘも、加
算器４２により生成され、遅延素子３０を介して結合荷
重更新部２８に入力されるようになっている。なお、遅
延素子３０，３２は、動作信号Ｘと操作量Ｙと評価値Ｅ
とが互いに対応するものとなるように、遅延時間がそれ
ぞれ設定される。また、動作信号Ｘはｎ個のデータ要素
を有し、操作量Ｙはｍ個のデータ要素を有し、それらは
複数本の信号線により伝送される。

【００６４】そして、結合荷重更新部２８では、上式
（５）及び（６）に基づいて重みベクトルＷ_iをリアル
タイムに更新し、更新後の結合荷重ｗ_ij，ｕ_ikを第１及
び第２結合荷重記憶部２０，２２にそれぞれ格納する。

【００６５】一方、制御部４４は、部分反応度算出部２
４と、操作量算出部２６と、第１及び第２結合荷重記憶
部２０，２２と、を含んでいる。部分反応度算出部２４
には第１結合荷重記憶部２０から結合荷重ｗ_pqが入力さ
れるとともに、加算器４２から事実動作信号（事実入力
ベクトル）Ｘ⁰が入力されるようになっている。そし
て、部分反応度算出部２４では、これらの情報をもと
に、上式（７）に従って部分反応度ｚ_pを全ての競合層
１２上のニューロンモデルについて算出する。

【００６６】また、操作量算出部２６には第２結合荷重
記憶部２２から結合荷重ｕ_prが入力されるとともに、部
分反応度算出部２４から部分反応度ｚ_pが入力されるよ
うになっている。そして、操作量算出部では、これらの
情報をもとに、上記式（８）に従って事実操作量（事実
出力ベクトル）Ｙ⁰を算出する。そして、算出された事
実操作量Ｙ⁰が制御対象４０に与えられる。

【００６７】以上説明した適応制御装置では、制御対象
４０の安定性等の諸評価要素に基づいて第１及び第２結
合荷重記憶部２０，２２の内容が随時更新される。そし
て、その随時更新される第１及び第２結合荷重記憶部２
０，２２の内容に従って、事実動作信号Ｘ⁰に対応す
る、好ましい（肯定的な評価を得られるであろう）事実
操作量Ｙ⁰が制御部４４により算出され、制御対象４０
に与えられる。このため、制御対象４０の特性が時とと
もに変化した場合であっても、その変化に適応的に追従
し、好適な制御特性を維持することができる。

【００６８】なお、以上説明した本発明の実施の形態１
及び２は種々の変形実施が可能である。たとえば、以上
の説明ではニューラルネットワークの結合荷重ｗ_ij，ｕ
_ikの更新、即ち重みベクトルＷ_iの更新を、式（５）及
び式（６）に従って行うようにしたが、その他の更新方
法を採用してもよい。

【００６９】また、評価値Ｅ_lやＥとしては、学習ベク
トルに対応してあらゆる情報を採用することができる。
たとえば、学習ベクトル毎の確信度、重要度、刺激程度
などを評価値Ｅ_lやＥとして採用することができる。

【００７０】さらに、実施の形態２に係る適応制御装置
では、基準入力としてランダムな値を加算器４２に与え
るとともに、スイッチ３４を端子３６側に切り換えて該
端子３６からランダムな値を与え、実際の装置の使用に
先立ち、ニューラルネットワークの学習をある程度済ま
せておくようにしてもよい。

【図面の簡単な説明】

【図１】本発明の実施の形態１に係る方法で用いるニ
ューラルネットワークの構成を示す図である。

【図２】図１に示すニューラルネットワークの学習手
順を説明するフロー図である。

【図３】図１に示すニューラルネットワークの学習の
様子を説明する図である。

【図４】学習後の重みベクトル空間の様子を示す図で
ある。

【図５】図１に示すニューラルネットワークを用い、
事実入力ベクトルから事実出力ベクトルを算出する手順
を説明するフロー図である。

【図６】図１に示すニューラルネットワークを用い
て、事実入力ベクトルに対する競合層の各ニューロンモ
デルの部分反応度が算出される様子を示す図である。

【図７】競合層の各ニューロンモデルの部分反応度に
基づいて、事実入力ベクトルに対応する事実出力ベクト
ルが算出される様子を示す図である。

【図８】事実出力ベクトルの計算過程を説明する図で
ある。

【図９】本発明の実施の形態２に係る適応制御装置の
構成を示す図である。

【符号の説明】

１０入力層、１２競合層、２０第１結合荷重記憶
部、２２第２結合荷重記憶部、２４部分反応度算出
部、２６操作量算出部、２８結合荷重更新部、３
０，３２遅延素子、３４スイッチ、３６端子、３
８評価部、４０制御対象、４２加算器、４４制御
部、４６学習部。

Claims

【特許請求の範囲】

【請求項１】制御装置の製造方法であって、動作信号を構成する個々のデータ要素に対応する動作信
号用ニューロンモデルと、操作量を構成する個々のデー
タ要素に対応する操作量用ニューロンモデルと、をニュ
ーラルネットワークの第１層に配置し、前記動作信号用及び操作量用ニューロンモデルと結合す
るニューロンモデル群を前記ニューラルネットワークの
第２層に配置し、前記第１層に配置されるニューロンモデルに、学習用の
動作信号及び操作量の対を順次入力し、該動作信号及び
操作量の対とそれに対する個別評価情報とに基づいて、
前記動作信号用及び操作量用ニューロンモデルと前記第
２層に配置されるニューロンモデル群との間の結合荷重
を更新し、更新後の前記結合荷重に基づいて前記制御装置の入出力
特性を決定し、前記制御装置を製造することを特徴とす
る方法。
【請求項２】ニューラルネットワークを用いた制御装
置であって、前記ニューラルネットワークの第１層に配置され、動作
信号を構成する個々のデータ要素が入力される動作信号
用ニューロンモデルと、操作量を構成する個々のデータ
要素が入力される操作量用ニューロンモデルと、を含む
第１層ニューロンモデル群と、前記ニューラルネットワークの第２層に配置され、前記
動作信号用及び操作量用ニューロンモデルと結合する第
２層ニューロンモデル群と、前記第１層ニューロンモデル群に入力される動作信号及
び操作量と、該動作信号及び操作量に対する個別評価情
報と、に基づいて、前記第１層ニューロンモデル群と前
記第２層ニューロンモデル群との間の結合荷重を更新す
る学習手段と、動作信号と前記結合荷重とに基づき、該動作信号に対応
して出力すべき操作量を算出する操作量算出手段と、を含むことを特徴とする制御装置。
【請求項３】請求項２に記載の制御装置において、前記操作量算出手段は、前記第２層ニューロンモデル群に含まれるニューロンモ
デルと前記動作信号用ニューロンモデルとの間の結合荷
重と、動作信号と、に基づき、前記第２層ニューロンモ
デル群に含まれる各ニューロンモデルの該動作信号に対
する部分反応度を算出する手段と、前記第２層ニューロンモデル群に含まれるニューロンモ
デルと前記制御量用ニューロンモデルとの間の結合荷重
と、前記部分反応度と、に基づき、操作量を算出する手
段と、を含むことを特徴とする制御装置。
【請求項４】請求項２又は３に記載の制御装置におい
て、前記個別評価情報は制御量に基づいて生成されることを
特徴とする制御装置。
【請求項５】第１データに基づいて第２データを生成
するデータ生成装置であって、ニューラルネットワークの第１層に配置され、前記第１
データの個々のデータ要素に対応する第１ニューロンモ
デルと、前記第２データの個々のデータ要素に対応する
第２ニューロンモデルと、を含む第１層ニューロンモデ
ル群と、前記ニューラルネットワークの第２層に配置され、前記
第１及び第２ニューロンモデルと結合する第２層ニュー
ロンモデル群と、前記第１層ニューロンモデル群と前記第２層ニューロン
モデル群との間の結合荷重と、第１データとに基づき、
第２データを算出するデータ算出手段と、を含み、学習段階では、前記第１層ニューロンモデル群に学習用
の第１及び第２データの対が順次入力され、該学習用の
第１及び第２データの対とそれに対する個別評価情報と
に基づいて、前記第１層ニューロンモデル群と前記第２
層ニューロンモデル群との間の結合荷重が更新されるこ
とを特徴とするデータ生成装置。
【請求項６】対象装置の入力データ及び出力データの
関係を決定する入出力特性決定方法であって、前記入力データの個々のデータ要素に対応する入力デー
タ用ニューロンモデルと、前記出力データの個々のデー
タ要素に対応する出力データ用ニューロンモデルと、を
ニューラルネットワークの第１層に配置し、前記入力データ用及び出力データ用ニューロンモデルと
結合するニューロンモデル群を前記ニューラルネットワ
ークの第２層に配置し、学習段階では、前記第１層に配置されるニューロンモデ
ルに学習用の入力及び出力データの対を順次入力し、該
データの対とそれに対する個別評価情報とに基づいて、
前記入力データ用及び出力データ用ニューロンモデルと
前記第２層に配置されるニューロンモデル群との間の結
合荷重を更新し、入出力特性決定段階では、前記結合荷重に基づいて前記
対象装置の入出力特性を決定することを特徴とする入出
力特性決定方法。
【請求項７】第１データと第２データとの間の相関関
係を評価する相関関係評価方法であって、前記第１データの個々のデータ要素に対応する第１デー
タ用ニューロンモデルと、前記第２データの個々のデー
タ要素に対応する第２データ用ニューロンモデルと、を
ニューラルネットワークの第１層に配置し、前記第１データ用及び第２データ用ニューロンモデルと
結合するニューロンモデル群を前記ニューラルネットワ
ークの第２層に配置し、学習段階では、前記第１層に配置されるニューロンモデ
ルに学習用の第１及び第２データの対を順次入力し、該
データの対とそれに対する個別評価情報とに基づいて、
前記第１データ用及び第２データ用ニューロンモデルと
前記第２層に配置されるニューロンモデル群との間の結
合荷重を更新し、評価段階では、前記結合荷重に基づいて第１データと第
２データとの間の相関関係を評価することを特徴とする
相関関係評価方法。