JP2003141499A - ニューラルネットワーク学習方法 - Google Patents

Abstract

(57)【要約】 【課題】 ニューラルネットワークにより空調制御を行
う空調装置において、ニューラルネットワークを初期設
定するにあたり、限られた時間で学習誤差を最低限に抑
える。 【解決手段】 ステップＳ１００で冷房評価する場合に
は、冷房運転に関する領域における重み係数ｗを他の領
域の重み係数ｗに比べて大きくするので、ステップＳ７
０にて、冷房運転に関する領域におけるニューラルネッ
トワークの学習誤差が他の領域における学習誤差に比べ
て優先的に小さくなるようにニューラルネットワークが
学習されることとなる。従って、ステップＳ１００の冷
房評価で用いる領域の学習誤差を優先的に小さくできる
ので、ニューラルネットワークを初期設定するにあた
り、限られた時間で学習誤差を最低限に抑えることがで
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、ニューラルネット
ワークにより空調制御を行う空調装置において、ニュー
ラルネットワークを初期設定するための学習方法に関す
るものである。

【０００２】

【従来の技術】特開平１１−３０１２３９号公報では、
上記空調装置を車両用の空調装置に適用したものが記載
されている。この空調装置は、乗員の設定温度操作等に
基づいて学習するニューラルネットワークを備えてお
り、このニューラルネットワークにより算出された空調
制御量に基づいて空調制御を行うものである。

【０００３】このような空調装置では、空調装置を市場
に出荷する前段階において、数万点〜数十万点からなる
教師データによりニューラルネットワークを学習させ
て、ニューラルネットワークの結合係数を予め初期設定
しておく必要がある。なお、本明細書では、ニューラル
ネットワーク演算結果と教師データとの差を学習誤差と
呼び、一般的なニューラルネットワークの学習では、こ
の学習誤差の２乗和を最小化するように結合係数が変化
する。そして、この変化が学習に他ならない。

【０００４】このような初期設定をするための従来の作
業手順の概略を説明すると、はじめに、作業として教
師データを作成する。次に、作業として、作業で作
成した教師データでニューラルネットワークを学習させ
る。次に、作業として、作業で学習させたニューラ
ルネットワークの学習誤差が所定の誤差範囲内で収まっ
ているか否かを、所定の空調運転条件（例えば暖房運
転）で評価する。

【０００５】そして、この運転条件において所定の誤差
範囲内に収まっていない場合には、作業に戻って教師
データを修正し、所定の誤差範囲内に収まるまで作業
〜を繰り返す。そして、所定の誤差範囲内に収まった
場合には、作業において他の空調運転条件（例えば冷
房運転）で評価し、この空調運転条件で所定の誤差範囲
内に収まるまで、再度、作業〜を繰り返す。

【０００６】

【発明が解決しようとする課題】ここで、上記学習誤差
は、ニューラルネットワークを用いる以上避けられない
ものであるが、この学習誤差が大きいほどユーザーの空
調に対する温感、音感等の不満が大きくなってしまう。
これに対しては、前述の所定の誤差範囲を小さくした
り、教師データのデータ数を増加させたりすれば学習誤
差を小さくでき、ユーザーの不満を低減できる。

【０００７】しかしながら、単純に誤差範囲を小さくさ
せるだけでは、その背反として作業〜の繰り返し作
業の回数が非常に多くなるので、初期設定の作業に膨大
な時間が必要となる。また、単純に教師データのデータ
数を増加させるだけでは、作業における学習時間が非
常に長くなるので、初期設定の作業に膨大な時間が必要
となる。そして、初期設定の作業に膨大な時間が必要と
なると、初期設定の作業日数が限られている場合には、
十分な初期設定を行うことができなくなってしまう。

【０００８】本発明は、上記点に鑑み、ニューラルネッ
トワークにより空調制御を行う空調装置において、ニュ
ーラルネットワークを初期設定するにあたり、限られた
時間で学習誤差を最低限に抑えることを目的とする。

【０００９】

【課題を解決するための手段】本発明は、上記目的を達
成するために、請求項１に記載の発明では、ニューラル
ネットワークによって算出された空調制御量（ＶＭ、ｔ
ａｏ、ｓ）に基づいて空調制御を行う空調装置におい
て、ニューラルネットワークを初期設定するためのニュ
ーラルネットワーク学習方法であって、空調制御量（Ｖ
Ｍ、ｔａｏ、ｓ）の可変領域内のうち、任意の領域を選
択可能にし、選択された領域におけるニューラルネット
ワークの学習誤差が他の領域における学習誤差に比べて
優先的に小さくなるように、ニューラルネットワークを
学習させることを特徴とする。

【００１０】これにより、ニューラルネットワークの学
習誤差が所定の誤差範囲内で収まっているか否かを所定
の空調運転条件で評価するにあたり、その所定の空調運
転条件に対応する領域を任意の領域として選択するよう
にすれば、その評価に用いる領域の学習誤差を優先的に
小さくできるので、ニューラルネットワークを初期設定
するにあたり、限られた時間で学習誤差を最低限に抑え
ることができる。

【００１１】請求項２に記載の発明では、優先的に学習
誤差を小さくする度合を設定可能としたことを特徴とし
ているので、優先的に小さくした学習誤差がうまく縮ま
らない場合に前記度合をより大きく設定することによ
り、学習しやすさを向上できる。

【００１２】請求項３に記載の発明では、選択された領
域における学習誤差の許容範囲を設定可能にするととも
に、この学習誤差が許容範囲外である場合には、学習誤
差を優先的に小さくする度合を自動的に大きくした上で
ニューラルネットワークを再度学習させることを特徴と
しているので、学習しやすさを向上できる。

【００１３】請求項４に記載の発明では、ニューラルネ
ットワークによって算出された空調制御量（ＶＭ、ｔａ
ｏ、ｓ）に基づいて空調制御を行う空調装置において、
ニューラルネットワークを教師データにより学習させて
初期設定するためのニューラルネットワーク学習方法で
あって、空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内
のうち任意の領域を選択可能にし、教師データのうち、
選択された領域に関する教師データを、他の領域に関す
る教師データに比べて増加させることを特徴とする。

【００１４】これにより、ニューラルネットワークの学
習誤差が所定の誤差範囲内で収まっているか否かを所定
の空調運転条件で評価するにあたり、その所定の空調運
転条件に対応する領域を任意の領域として選択するよう
にすれば、その評価に用いる領域の教師データの増加に
より、その領域の学習誤差を小さくできるので、ニュー
ラルネットワークを初期設定するにあたり、限られた時
間で学習誤差を最低限に抑えることができる。

【００１５】請求項５に記載の発明では、選択された領
域における学習誤差の許容範囲を設定可能にするととも
に、学習誤差が許容範囲外である場合には、教師データ
を増加させる度合を自動的に大きくした上でニューラル
ネットワークを再度学習させることを特徴としているの
で、学習しやすさを向上できる。

【００１６】請求項６に記載の発明では、ニューラルネ
ットワークを学習させるにあたり、ニューラルネットワ
ークの結合係数の初期値を所定パターン変えた学習を第
１所定回数行い、その後、選択された領域における学習
誤差を、所定パターン毎に確認し、所定パターンの初期
値のうち最も学習誤差の小さい初期値を用いて、更に第
２所定回数の学習を行うことを特徴とする。

【００１７】これにより、選択された領域の学習誤差が
小さくなりやすい結合係数の初期値を見出し、その初期
値を使って集中的に学習することにより、短時間で最良
の結合係数が得られる。

【００１８】請求項７に記載の発明では、ニューラルネ
ットワークによって算出された空調制御量（ＶＭ、ｔａ
ｏ、ｓ）に基づいて空調制御を行う空調装置において、
ニューラルネットワークを初期設定するためにニューラ
ルネットワークを学習させる機能を、コンピュータに実
現させるためのプログラムであって、空調制御量（Ｖ
Ｍ、ｔａｏ、ｓ）の可変領域内のうち、任意の領域を選
択可能にする機能と、選択された領域におけるニューラ
ルネットワークの学習誤差が他の領域における学習誤差
に比べて優先的に小さくなるように、ニューラルネット
ワークを学習させる機能とを、コンピュータに実現させ
ることを特徴とする。これにより、請求項１に記載の発
明と同様の効果を得ることができる。

【００１９】請求項８に記載の発明では、ニューラルネ
ットワークによって算出された空調制御量（ＶＭ、ｔａ
ｏ、ｓ）に基づいて空調制御を行う空調装置において、
ニューラルネットワークを教師データにより学習させて
初期設定するためにニューラルネットワークを学習させ
る機能を、コンピュータに実現させるためのプログラム
であって、空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域
内のうち、任意の領域を選択可能にする機能と、教師デ
ータのうち選択された領域に関する教師データを他の領
域に関する教師データに比べて増加させる機能とを、コ
ンピュータに実現させることを特徴とする。これによ
り、請求項４に記載の発明と同様の効果を得ることがで
きる。

【００２０】因みに、上記各手段の括弧内の符号は、後
述する実施形態に記載の具体的手段との対応関係を示す
一例である。

【００２１】

【発明の実施の形態】以下、本発明を図に示す実施形態
について説明する。

【００２２】（第１実施形態）本実施形態は、ニューラ
ルネットワークによって学習制御される空調装置のうち
車両用空調装置に、本発明のニューラルネットワーク学
習方法を適用したものである。なお、本実施形態におけ
る車両用空調装置は、特開平１１−３０１２３９号公報
に記載の車両用空調装置と同様のものであり、空調装置
に搭載された電子制御装置（以下、エアコンＥＣＵとい
う）により上記学習制御を行うようになっている。

【００２３】ここで、上記公報にも記載されているが、
ニューラルネットワークの概要について簡単に説明する
と、ニューラルネットワークは、ある入力信号を与えた
ときに、その出力信号が、予め設定された所望の値であ
る教師データの出力値データとなるように、ニューラル
ネットワークのシナプス荷重である結合係数を修正する
という誤差逆伝播学習機能（バックプロパーゲーション
機能）を備えた階層構造のネットワークである。

【００２４】なお、上記入力信号の具体例としては、設
定温度ｔｓｅｔ、外気温度ｔａｍ、室内温度ｔｒ等が挙
げられる。また、上記出力信号の具体例としては、ブロ
ワ風量レベルＶＭ、目標吹出温度ｔａｏ、吹出口モード
算出値ｓが挙げられる。そして、これらの出力信号Ｖ
Ｍ、ｔａｏ、ｓが、空調装置の作動を制御する空調制御
量となる。

【００２５】そして、教師データのうち、前述の入力信
号に対応する入力値データは設定温度ｔｓｅｔ、外気温
度ｔａｍ、室内温度ｔｒであり、出力値信号に対応する
出力値データはブロワ風量レベルＶＭ、目標吹出温度ｔ
ａｏ、吹出口モード算出値ｓである。そして、本実施形
態では、これらの入力値データの１つずつと、それらの
入力値に対応する出力値データ１つとからなる一群の教
師データを、Ｎ個用いてニューラルネットワークを学習
させる。

【００２６】そして、教師データを変更した場合は、再
び、ある入力信号に対する出力値が変更後の教師データ
の出力データとなるように、繰り返し学習させることに
より、結合係数を修正する。つまり、多量の教師データ
により結合係数からなる相関関数を自動生成する特徴を
持っている。

【００２７】なお、本実施形態のニューラルネットワー
クの学習では、学習誤差の２乗和を最小化するように結
合係数が変化して学習する最小２乗法を用いている。こ
こで、上記学習誤差（ｔ_p−ｏ_p）および学習誤差の２乗
和Ｅは以下に示す数１および数２の式で定義されてお
り、この２乗和Ｅを最小化するように学習している。

【００２８】

【数１】ｅ_p＝ｗ_p（ｔ_p−ｏ_p） ここで、Ｎ個の一群の教師データｔｓｅｔ、ｔａｍ、ｔ
ｒ、ｔａｏのうちｐ番目の一群の教師データｔｓｅ
ｔ_p、ｔａｍ_p、ｔｒ_p、ｔａｏ_pの出力値データｔａｏ_p
を、ｔ_pとして数１の式では表している。なお、出力値
データは、ｔａｏ_pの他に、後述するブロワ風量レベル
ＶＭ_p、吹出口モード算出値ｓ_p等が挙げられる。また、
ｐ番目の一群の教師データｔｓｅｔ_p、ｔａｍ_p、ｔ
ｒ_p、ｔａｏ_pの入力値データｔｓｅｔ_p、ｔａｍ_p、ｔｒ
_pを入力値としたときのニューラルネットワークによる
出力値を、ｏ_pとして数１の式では表している。

【００２９】また、数１の式におけるｗ_pは、ｐ番目の
一群の教師データｔｓｅｔ_p、ｔａｍ _p、ｔｒ_p、ｔａｏ_p
に対する重み係数であり、この重み係数ｗ_pは０以上の
実数である。従って、ニューラルネットワークの学習誤
差のうち、ｐ番目の一群の教師データｔｓｅｔ_p、ｔａ
ｍ_p、ｔｒ_p、ｔａｏ_pに対する誤差を小さくしたい場合
には、ｐ番目の重み係数ｗ_pを大きくするように設定す
ればよい。この設定方法に関しては後に詳述する。

【００３０】

【数２】Ｅ＝Σｅ_p ²＝Σｗ_p ²（ｔ_p−ｏ_p）² また、この数２の式の右辺は、ｅ_p ²においてｐ＝１から
ｐ＝Ｎまでを加算した数値を示すものである。

【００３１】以下に、このような車両用空調装置を市場
に出荷する前段階において、上記Ｎ個を数万点〜数十万
点とし、このＮ個からなる教師データによりニューラル
ネットワークを学習させて、ニューラルネットワークの
結合係数を予め初期設定する手順を、図１のフローチャ
ートに基づいて説明する。

【００３２】初めに、ステップＳ１０にて、所定の教師
データに基づいて学習したニューラルネットワークを用
いて空調装置を実際に作動させる。そして、この作動に
対する温感、音感等の評価を、環境条件や乗員操作の設
定毎に行うことにより、空調評価を行う。なお、上記音
感の一例として、送風機の騒音に対する音感が挙げられ
る。また、上記環境条件の一例としては外気温度ｔａ
ｍ、室内温度ｔｒ、日射量ｔｓ等が挙げられ、上記乗員
操作の一例としては設定温度ｔｓｅｔ等が挙げられる。

【００３３】その後、空調評価結果検討を行うステップ
Ｓ２０にて、上記評価に基づき、温感、音感等の評価に
不満があったポイントを抽出し、教師データをどのよう
に変更したら不満が解消されるかを検討する。そして、
ステップＳ３０にて、上記検討に基づき、ステップＳ１
０で用いた所定の教師データを修正して、新たな教師デ
ータを作成する。

【００３４】なお、この教師データのうち、前述の入力
信号に対応する入力値データは設定温度ｔｓｅｔ、外気
温度ｔａｍ、室内温度ｔｒ、日射量ｔｓであり、出力値
信号に対応する出力値データはブロワ風量レベルＶＭ、
目標吹出温度ｔａｏ、吹出口モード算出値ｓである。そ
して、これらの入力値データおよび出力値データからな
る一群の教師データをＮ個用いてニューラルネットワー
クを学習させる。

【００３５】次に、ステップＳ４０にて、後述のステッ
プＳ１００で行う空調評価について、どのような空調運
転条件における評価を行うかを選択する。本実施形態で
は、空調運転条件として冷房運転か暖房運転かを選択す
るようにしている。以下、冷房運転における空調評価を
冷房評価、暖房運転における空調評価を暖房評価と呼
ぶ。

【００３６】そして、ステップＳ４０にて冷房評価が選
択された場合にはステップＳ５０に進み、暖房評価が選
択された場合にはステップＳ６０に進む。そして、ステ
ップＳ５０およびステップＳ６０のそれぞれでは、ブロ
ワ風量レベルＶＭ、目標吹出温度ｔａｏ、吹出口モード
算出値ｓのそれぞれの可変領域の範囲内で、学習誤差を
優先的に小さくする領域を設定する。そして、設定され
た領域における学習誤差を、他の領域における学習誤差
に比べてどの程度優先的に小さくさせるかの優先度合を
設定する。

【００３７】この設定の具体的数値の一例を以下に説明
する。

【００３８】図２は、ニューラルネットワークによる出
力値である目標吹出温度ｔａｏと、室内温度ｔｒとの関
係を示す特性図であり、（ａ）は、設定温度ｔｓｅｔ＝
２４℃、外気温度ｔａｍ＝−３０℃である冷房運転時に
用いる特性図、（ｂ）は、設定温度ｔｓｅｔ＝２４℃、
外気温度ｔａｍ＝−１０℃である暖房運転時に用いる特
性図である。

【００３９】そして、図２（ａ）の特性図のうち冷房評
価に用いる領域は、室内温度ｔｒが小さい領域の目標吹
出温度ｔａｏである。よって、ステップＳ４０で冷房評
価が選択された場合には、この領域を学習誤差を優先的
に小さくする領域として設定する。本実施形態では、室
内温度ｔｒ＞２０の領域における目標吹出温度ｔａｏの
重み係数ｗを２とし、室内温度≦２０の領域における目
標吹出温度ｔａｏの重み係数ｗを１としている。

【００４０】一方、図２（ｂ）の特性図のうち暖房評価
に用いる領域は、室内温度ｔｒが大きい領域の目標吹出
温度ｔａｏである。よって、ステップＳ４０で暖房評価
が選択された場合には、この領域を学習誤差を優先的に
小さくする領域として設定する。本実施形態では、室内
温度ｔｒ＜３０の領域における目標吹出温度ｔａｏの重
み係数ｗを２とし、室内温度≧３０の領域における目標
吹出温度ｔａｏの重み係数ｗを１としている。

【００４１】また、図３は、設定温度ｔｓｅｔおよび室
内温度ｔｒの関数であるＴＤと、ブロワ風量レベルＶＭ
との関係を示す特性図であり、（ａ）は、外気温度ｔａ
ｍ＝３０℃、日射量ｔｓ＝０であるとともにフェイスモ
ードである冷房運転時に用いる特性図、（ｂ）は、外気
温度ｔａｍ＝−１０℃、日射量ｔｓ＝０であるとともに
フットモードである暖房運転時に用いる特性図である。

【００４２】そして、図３（ａ）の特性図のうち冷房評
価に用いる領域は、関数ＴＤが大きい領域のブロワ風量
レベルＶＭである。よって、ステップＳ４０で冷房評価
が選択された場合には、この領域を学習誤差を優先的に
小さくする領域として設定する。本実施形態では、関数
ＴＤ＞−５の領域におけるブロワ風量レベルＶＭの重み
係数ｗを２とし、関数ＴＤ≦−５の領域におけるブロワ
風量レベルＶＭの重み係数ｗを１としている。

【００４３】一方、図３（ｂ）の特性図のうち暖房評価
に用いる領域は、関数ＴＤが小さい領域のブロワ風量レ
ベルＶＭである。よって、ステップＳ４０で暖房評価が
選択された場合には、この領域を学習誤差を優先的に小
さくする領域として設定する。本実施形態では、関数Ｔ
Ｄ＜５の領域におけるブロワ風量レベルＶＭの重み係数
ｗを２とし、関数ＴＤ≧５の領域におけるブロワ風量レ
ベルＶＭの重み係数ｗを１としている。

【００４４】また、図４は、目標吹出温度ｔａｏとその
関数である吹出口モード算出値ｓとの関係を示す特性図
であり、図５は、吹出口モード算出値ｓと吹出口モード
との関係を示す特性図である。そして、この算出値ｓが
最小値であれば周知のフェイスモードとなり、最大値で
あれば周知のフットモードとなり、最大値と最小値との
間の値であれば周知のバイレベルモードとなる。

【００４５】そして、このバイレベルモードは、フェイ
ス吹出口とフット吹出口との風量割合により３段階に設
定されるようになっており、算出値ｓが大きい値である
ほどフェイス吹出口からの風量が多くなるように設定さ
れている。因みに、周知のデフロスタモードはマニュア
ルにより設定されるようになっている。

【００４６】そして、図５の特性図のうち冷房評価に用
いる領域は、図４における目標吹出温度ｔａｏが小さい
領域の算出値ｓに基づいて図５により算出された吹出口
モードの領域である。よって、ステップＳ４０で冷房評
価が選択された場合には、この領域を学習誤差を優先的
に小さくする領域として設定する。本実施形態では、目
標吹出温度ｔａｏ＜２５の領域の算出値ｓに基づく吹出
口モードの重み係数ｗを２とし、目標吹出温度ｔａｏ≧
２５の領域の算出値ｓに基づく吹出口モードの重み係数
ｗを１としている。

【００４７】一方、図５の特性図のうち暖房評価に用い
る領域は、図４における目標吹出温度ｔａｏが大きい領
域の算出値ｓに基づいて図５により算出された吹出口モ
ードの領域である。よって、ステップＳ４０で暖房評価
が選択された場合には、この領域を学習誤差を優先的に
小さくする領域として設定する。本実施形態では、目標
吹出温度ｔａｏ＞３５の領域の算出値ｓに基づく吹出口
モードの重み係数ｗを２とし、目標吹出温度ｔａｏ≦３
５の領域の算出値ｓに基づく吹出口モードの重み係数ｗ
を１としている。

【００４８】次に、ステップＳ７０にて、ステップＳ５
０またはステップＳ６０で設定された重み係数を数１の
式に代入し、数２の式にて定義される学習誤差の２乗和
Ｅを最小化するように、ニューラルネットワークを学習
させる。

【００４９】そして、ステップＳ８０にて、ステップＳ
４０で選択された空調運転条件において、ステップＳ７
０で学習されたニューラルネットワークの学習誤差が、
予め設定された許容誤差範囲内にあるか否かを検証す
る。そして、重み係数ｗが大きく設定されている領域に
おいては、許容誤差範囲を小さく設定している。

【００５０】具体的には、目標吹出温度ｔａｏのうちス
テップＳ５０またはステップＳ６０で設定された領域の
許容誤差範囲を１℃以下とし、その他の領域の許容誤差
範囲を２℃以下とする。また、ブロワ風量レベルＶＭの
うちステップＳ５０またはステップＳ６０で設定された
領域の許容誤差範囲を１レベル以下とし、その他の領域
の許容誤差範囲を２レベル以下とする。また、吹出口モ
ード算出値ｓのうちステップＳ５０またはステップＳ６
０で設定された領域の許容誤差範囲を０．００３以下と
し、その他の領域の許容誤差範囲を０．００６以下とす
る。

【００５１】そして、ステップＳ８０にて学習誤差が許
容誤差範囲内にない場合には、ステップＳ９０に進み、
教師データの追加、変更を行う。または、ステップＳ１
０における所定の教師データの変更を行う。または、ス
テップＳ４０で設定した優先度合としての重み係数ｗを
変更する。または、優先的に小さくする領域の範囲を変
更する。

【００５２】そして、再度、ステップＳ７０にてニュー
ラルネットワークを学習させ、ステップＳ８０にて学習
誤差が許容誤差範囲内にあるか否かを検証する。

【００５３】一方、ステップＳ８０にて学習誤差が許容
誤差範囲内にあると判定された場合には、ステップＳ１
００に進み、ステップＳ７０で学習したニューラルネッ
トワークを用いて空調装置を実際に作動させる。そし
て、ステップＳ１０にて行った空調評価と同様に、この
作動に対する温感、音感等の評価を、環境条件や乗員操
作の設定毎に行うことにより、空調の再評価を行い、ス
テップＳ２０での不満が軽減されているかを確認する。

【００５４】ここで、ステップＳ１００ではステップＳ
１０とは異なる環境条件や乗員操作の設定における空調
評価を行う。例えば、ステップＳ１０で冷房評価を行っ
た場合において、ステップＳ４０で暖房評価を選択して
ステップＳ１００にて暖房評価を行う。或いは、ステッ
プＳ１００およびステップＳ１０でともに冷房評価また
は暖房評価を行う場合において、ステップＳ１０におけ
る外気温度ｔａｍ、室内温度ｔｒ、日射量ｔｓ、設定温
度ｔｓｅｔ等の運転条件を変えて、ステップＳ１００の
空調評価を行う。

【００５５】以上により、本実施形態によれば、ステッ
プＳ１００で冷房評価する場合には、冷房運転に関する
領域における重み係数ｗを他の領域の重み係数ｗに比べ
て大きくするので、ステップＳ７０にて、冷房運転に関
する領域におけるニューラルネットワークの学習誤差が
他の領域における学習誤差に比べて優先的に小さくなる
ようにニューラルネットワークが学習されることとな
る。

【００５６】一方、ステップＳ１００で暖房評価する場
合には、暖房運転に関する領域における重み係数ｗを他
の領域の重み係数ｗに比べて大きくするので、ステップ
Ｓ７０にて、暖房運転に関する領域におけるニューラル
ネットワークの学習誤差が他の領域における学習誤差に
比べて優先的に小さくなるようにニューラルネットワー
クが学習されることとなる。

【００５７】従って、ステップＳ１００の空調評価で用
いる領域の学習誤差を優先的に小さくできるので、ニュ
ーラルネットワークを初期設定するにあたり、限られた
時間で学習誤差を最低限に抑えることができる。

【００５８】また、本実施形態によれば、上記設定され
た領域における学習誤差を、他の領域における学習誤差
に比べてどの程度優先的に小さくさせるかの優先度合を
設定できるので、優先的に小さくした学習誤差がうまく
縮まらない場合に前記度合をより大きく設定することに
より、学習しやすさを向上できる。

【００５９】また、本実施形態によれば、ステップＳ８
０にて学習誤差が許容誤差範囲内にない場合には、ステ
ップＳ９０にて、優先的に小さくする領域の範囲、教師
データ、重み係数ｗの変更を自動的に行うので、学習し
やすさを向上できる。

【００６０】なお、本発明の実施にあたり、図６に示す
ようにブロワ風量レベルＶＭが１５以下か否かにより重
み係数ｗを変化させるようにしてもよい。また、このよ
うにブロワ風量レベルＶＭが１５以下か否かにより重み
係数ｗを変化させる代わりに、図７に示すようにブロワ
風量レベルＶＭと重み係数ｗとを関数で対応させて変化
させるようにしてもよい。

【００６１】また、ステップＳ４０にて、ステップＳ１
００で行う空調評価について、どのような空調運転条件
における評価を行うかを選択するにあたり、本実施形態
では、空調運転条件として冷房運転か暖房運転かを選択
するようにしているが、ニューラルネットワークの出力
が過渡的に変化する領域（例えば図４における１０≦ｔ
ａｏ≦５０の領域）における運転か、定常状態となる領
域（例えば図４におけるｔａｏ＜１０、ｔａｏ＞５０の
領域）における運転かを選択するようにしてもよい。

【００６２】（第２実施形態）図８は、本実施形態に係
る、ニューラルネットワークを学習させる手順を説明す
るフローチャートであり、第１実施形態におけるステッ
プＳ５０およびステップＳ６０を、図８に示すステップ
Ｓ５１およびステップＳ６１に変更したものである。そ
して、ステップＳ５１およびステップＳ６１では、重点
的に追加教師データを作成する領域を設定する。そし
て、この設定にあたり、ステップＳ４０で選択された空
調評価での空調運転条件に関する教師データを、他の領
域に関する教師データに比べて増加させる。

【００６３】この設定の具体的数値の一例を以下に説明
する。

【００６４】図９（ａ）および図１０（ａ）は、ステッ
プＳ３０にて作成された教師データ（以下、基本教師デ
ータという）を示しており、図９（ｂ）および図１０
（ｂ）は、ステップＳ５１およびステップＳ６１にて、
基本教師データに追加教師データを加えてなる教師デー
タ（以下、追加済み教師データという）を示している。
なお、追加教師データは、図９（ｂ）および図１０
（ｂ）にて下線が付されたデータである。

【００６５】ここで、図２（ａ）のうち冷房評価に用い
る領域は、室内温度ｔｒが小さい領域の目標吹出温度ｔ
ａｏである。また、図３（ａ）のうち冷房評価に用いる
領域は、関数ＴＤが大きい領域のブロワ風量レベルＶＭ
である。また、図５のうち冷房評価に用いる領域は、図
４における目標吹出温度ｔａｏが小さい領域の算出値ｓ
に基づいて図５により算出された吹出口モードの領域で
ある。

【００６６】よって、ステップＳ４０で冷房評価が選択
された場合には、これらの領域を、重点的に追加教師デ
ータを作成する領域として設定する。本実施形態では、
室内温度ｔｒ＞２０の領域における目標吹出温度ｔａｏ
の領域と、関数ＴＤ＞−５の領域におけるブロワ風量レ
ベルＶＭの領域と、目標吹出温度ｔａｏ＜２５の領域の
算出値ｓに基づく吹出口モードの領域とを、重点的に追
加教師データを作成する領域として設定している。

【００６７】そして、このように設定された領域に関す
る基本教師データの間には、図９（ｂ）に示すように２
個の追加教師データを追加する。一方、上記設定された
領域の他の領域に関する基本教師データの間には、１個
の追加教師データを追加する。

【００６８】一方、図２（ｂ）のうち暖房評価に用いる
領域は、室内温度ｔｒが大きい領域の目標吹出温度ｔａ
ｏである。また、図３（ｂ）のうち暖房評価に用いる領
域は、関数ＴＤが小さい領域のブロワ風量レベルＶＭで
ある。また、図５のうち暖房評価に用いる領域は、図４
における目標吹出温度ｔａｏが大きい領域の算出値ｓに
基づいて図５により算出された吹出口モードの領域であ
る。

【００６９】よって、ステップＳ４０で暖房評価が選択
された場合には、これらの領域を、重点的に追加教師デ
ータを作成する領域として設定する。本実施形態では、
室内温度ｔｒ＜３０の領域における目標吹出温度ｔａｏ
の領域と、関数ＴＤ＜５の領域におけるブロワ風量レベ
ルＶＭの領域と、目標吹出温度ｔａｏ＞３５の領域の算
出値ｓに基づく吹出口モードの領域とを、重点的に追加
教師データを作成する領域として設定している。

【００７０】そして、このように設定された領域に関す
る基本教師データの間には、図１０（ｂ）に示すように
２個の追加教師データを追加する。一方、上記設定され
た領域の他の領域に関する基本教師データの間には、１
個の追加教師データを追加する。

【００７１】そして、ステップＳ７０にて、ステップＳ
５１またはステップＳ６１で作成された追加済み教師デ
ータを用いて、数２の式にて定義される学習誤差の２乗
和Ｅを最小化するように、ニューラルネットワークを学
習させる。なお、本実施形態では重み係数ｗを全て１に
設定している。そして、ニューラルネットワークの学習
は、極力、教師データに合うように結合係数が出来るた
め、教師データが密な領域は、粗な領域より学習誤差が
小さくなる。

【００７２】以上により、本実施形態によれば、ステッ
プＳ４０にて空調制御量ＶＭ、ｔａｏ、ｓの可変領域内
のうち、ステップＳ１００で用いる所定の空調運転条件
に対応する領域を選択できる。そして、ステップＳ５１
またはステップＳ６１にて、選択された領域に関する教
師データを他の領域に関する教師データに比べて増加さ
せることができるので、ステップＳ７０にて、選択され
た領域におけるニューラルネットワークの学習誤差が他
の領域における学習誤差に比べて優先的に小さくなるよ
うにニューラルネットワークが学習されることとなる。

【００７３】従って、ステップＳ１００で用いる所定の
空調運転条件に対応する領域の学習誤差を優先的に小さ
くできるので、ニューラルネットワークを初期設定する
にあたり、限られた時間で学習誤差を最低限に抑えるこ
とができる。

【００７４】（第３実施形態）図１１は、本実施形態に
係る、ニューラルネットワークを学習させる手順を説明
するフローチャートであり、第１実施形態におけるステ
ップＳ９０を、図１１に示すステップＳ９１に変更した
ものである。

【００７５】そして、ステップＳ８０にて学習誤差が許
容誤差範囲内にない場合には、ステップＳ９１に進み、
ステップＳ５０またはステップＳ６０で設定した優先度
合としての重み係数ｗを変更する。または、優先的に小
さくする領域の範囲を変更する。

【００７６】この変更の一例として本実施形態では、ス
テップＳ５０またはステップＳ６０で設定された学習誤
差を優先的に小さくする領域のそれぞれの重み係数ｗに
１を加算する。

【００７７】そして、再度、ステップＳ７０にてニュー
ラルネットワークを学習させ、ステップＳ５０またはス
テップＳ６０にて学習誤差が許容誤差範囲内にあるか否
かを検証し、ステップＳ７０にて学習誤差が許容誤差範
囲内にあると判定された場合には、ステップＳ１００に
進み、空調の再評価を行う。

【００７８】（第４実施形態）図１２は、本実施形態に
係る、ニューラルネットワークを学習させる手順を説明
するフローチャートであり、第１実施形態におけるステ
ップＳ７０を、図１２に示すステップＳ７１、ステップ
Ｓ７２、ステップＳ７３、ステップＳ７４およびステッ
プＳ７５に変更したものである。

【００７９】ステップＳ７１では、ニューラルネットワ
ークを学習させるにあたり、ニューラルネットワークの
結合係数の初期値を所定パターン変えた学習を第１所定
回数行う。なお、本実施形態では第１所定回数を５００
回に設定している。

【００８０】続いて、ステップＳ７２にて、第１所定回
数の学習を所定パターンだけ行ったか否かを判定する。
なお、本実施形態では所定パターンを５回に設定してい
る。そして、５パターン未満であればステップＳ７３に
進み、結合係数初期値を変更してステップＳ７１にて第
１所定回数の学習を再度行う。そして、ステップＳ７２
にて５パターンだけ学習したと判定された段階では、５
種類のパターンの結合係数初期値に基づいてニューラル
ネットワークを学習させたことになる。

【００８１】そして、ステップＳ７４にて、優先的に学
習誤差を小さくする領域における学習誤差を、５種類の
パターン毎に確認し、所定パターンの初期値のうち最も
学習誤差の小さい初期値を用いて、更に第２所定回数の
学習をステップＳ７５にて行う。なお、本実施形態では
第２所定回数を２０００回に設定している。

【００８２】このように本実施形態によれば、優先的に
学習誤差を小さくする領域の学習誤差が小さくなりやす
い結合係数の初期値を見出し、その初期値を使って集中
的に学習することにより、短時間で最良の結合係数が得
られる。

【図面の簡単な説明】

【図１】本発明の第１実施形態に係る、ニューラルネッ
トワークを学習させる手順を説明するフローチャートで
ある。

【図２】第１実施形態に係る、目標吹出温度ｔａｏと室
内温度ｔｒとの関係を示す特性図であり、（ａ）は冷房
運転時に用いる特性図、（ｂ）は暖房運転時に用いる特
性図である。

【図３】第１実施形態に係る、関数ＴＤとブロワ風量レ
ベルＶＭとの関係を示す特性図であり、（ａ）は冷房運
転時に用いる特性図、（ｂ）は暖房運転時に用いる特性
図である。

【図４】第１実施形態に係る、目標吹出温度ｔａｏと吹
出口モード算出値ｓとの関係を示す特性図である。

【図５】第１実施形態に係る、吹出口モード算出値ｓと
吹出口モードとの関係を示す特性図である。

【図６】第１実施形態の変形例を示す、関数ＴＤとブロ
ワ風量レベルＶＭとの関係を示す特性図である。

【図７】第１実施形態の変形例を示す、ブロワ風量レベ
ルＶＭと重み係数ｗとの関係を示す特性図である。

【図８】本発明の第２実施形態に係る、ニューラルネッ
トワークを学習させる手順を説明するフローチャートで
ある。

【図９】第２実施形態に係る、冷房評価時に用いる教師
データを示す図であり、（ａ）は基本教師データを示す
図、（ｂ）は追加済み教師データを示す図である。

【図１０】第２実施形態に係る、暖房評価時に用いる教
師データを示す図であり、（ａ）は基本教師データを示
す図、（ｂ）は追加済み教師データを示す図である。

【図１１】本発明の第３実施形態に係る、ニューラルネ
ットワークを学習させる手順を説明するフローチャート
である。

【図１２】本発明の第４実施形態に係る、ニューラルネ
ットワークを学習させる手順を説明するフローチャート
である。

【符号の説明】

ｓ…吹出口モード算出値、ｔａｏ…目標吹出温度、ＶＭ
…ブロワ風量レベル。

Claims (8)

【特許請求の範囲】
1. 【請求項１】 ニューラルネットワークによって算出さ
   れた空調制御量（ＶＭ、ｔａｏ、ｓ）に基づいて空調制
   御を行う空調装置において、前記ニューラルネットワー
   クを初期設定するためのニューラルネットワーク学習方
   法であって、 前記空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のう
   ち、任意の領域を選択可能にし、 前記選択された領域における前記ニューラルネットワー
   クの学習誤差が他の領域における学習誤差に比べて優先
   的に小さくなるように、前記ニューラルネットワークを
   学習させることを特徴とするニューラルネットワーク学
   習方法。
2. 【請求項２】 前記優先的に学習誤差を小さくする度合
   を設定可能としたことを特徴とする請求項１に記載のニ
   ューラルネットワーク学習方法。
3. 【請求項３】 前記選択された領域における学習誤差の
   許容範囲を設定可能にするとともに、 この学習誤差が前記許容範囲外である場合には、前記学
   習誤差を優先的に小さくする度合を自動的に大きくした
   上で前記ニューラルネットワークを再度学習させること
   を特徴とする請求項１または２に記載のニューラルネッ
   トワーク学習方法。
4. 【請求項４】 ニューラルネットワークによって算出さ
   れた空調制御量（ＶＭ、ｔａｏ、ｓ）に基づいて空調制
   御を行う空調装置において、前記ニューラルネットワー
   クを教師データにより学習させて初期設定するためのニ
   ューラルネットワーク学習方法であって、 前記空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のう
   ち任意の領域を選択可能にし、 前記教師データのうち、前記選択された領域に関する教
   師データを、他の領域に関する教師データに比べて増加
   させることを特徴とするニューラルネットワーク学習方
   法。
5. 【請求項５】 前記選択された領域における学習誤差の
   許容範囲を設定可能にするとともに、 前記学習誤差が前記許容範囲外である場合には、前記教
   師データを増加させる度合を自動的に大きくした上で前
   記ニューラルネットワークを再度学習させることを特徴
   とする請求項４に記載のニューラルネットワーク学習方
   法。
6. 【請求項６】 前記ニューラルネットワークを学習させ
   るにあたり、前記ニューラルネットワークの結合係数の
   初期値を所定パターン変えた学習を第１所定回数行い、 その後、前記選択された領域における学習誤差を、前記
   所定パターン毎に確認し、 前記所定パターンの初期値のうち最も学習誤差の小さい
   初期値を用いて、更に第２所定回数の学習を行うことを
   特徴とする請求項１ないし５のいずれか１つに記載のニ
   ューラルネットワーク学習方法。
7. 【請求項７】 ニューラルネットワークによって算出さ
   れた空調制御量（ＶＭ、ｔａｏ、ｓ）に基づいて空調制
   御を行う空調装置において、前記ニューラルネットワー
   クを初期設定するために前記ニューラルネットワークを
   学習させる機能を、コンピュータに実現させるためのプ
   ログラムであって、 前記空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のう
   ち、任意の領域を選択可能にする機能と、 前記選択された領域における前記ニューラルネットワー
   クの学習誤差が他の領域における学習誤差に比べて優先
   的に小さくなるように、前記ニューラルネットワークを
   学習させる機能とを、前記コンピュータに実現させるこ
   とを特徴とするプログラム。
8. 【請求項８】 ニューラルネットワークによって算出さ
   れた空調制御量（ＶＭ、ｔａｏ、ｓ）に基づいて空調制
   御を行う空調装置において、前記ニューラルネットワー
   クを教師データにより学習させて初期設定するために前
   記ニューラルネットワークを学習させる機能を、コンピ
   ュータに実現させるためのプログラムであって、 前記空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のう
   ち、任意の領域を選択可能にする機能と、 前記教師データのうち前記選択された領域に関する教師
   データを他の領域に関する教師データに比べて増加させ
   る機能とを、前記コンピュータに実現させることを特徴
   とするプログラム。