JP2752146B2

JP2752146B2 - ニューラル・ネット

Info

Publication number: JP2752146B2
Application number: JP1090209A
Authority: JP
Inventors: 龍一桑田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1989-04-10
Filing date: 1989-04-10
Publication date: 1998-05-18
Anticipated expiration: 2013-05-18
Also published as: JPH02268364A

Description

【発明の詳細な説明】［発明の目的］（産業上の利用分野）この発明は、ニューラル・ネットの改良に係り、例え
ば、多数の同類の信号をその信号レベルによりその大小
序列を判断し、プラントの監視制御をするのに使用した
り、生産ラインにおける品種ロットの生産順位の決定等
に利用されるニューラル・ネット（ネットワーク）に関
する。

（従来の技術）ガスタービン燃焼温度、ボイラ蒸発管温度、燃料電池
セルスタック温度、燃料電池リフォーマ温度、加熱炉温
度、化学反応槽（器）温度、室温、配水管網圧力等の分
布系を監視したり制御する場合、同類の多数のアナログ
入力信号を取入れ、これらの信号の最大値、中間値、最
小値、最大値と最小値を除外した平均値、中間値近傍の
数個の平均値等を制御量として使用し、１個の操作端を
操作して被制御対象を制御する場合が考えられる。この
制御方式では、多数のアナログ入力信号の信号レベル
（例えば、電流値、電圧値）の最大値や最小値や、中間
値等を見出す大小序列判別処理が必要である。この信号
処理は、通常、２つの入力信号の信号レベルの比較を繰
返すことにより行われる。

また、複数個の都市を最短距離で巡回するための巡回
順序の決定や１つの生産ラインで複数の品種ロットを生
産する場合に総切替え段取り時間を最小にする品種ロッ
トの生産順序の決定は、NP完全問題といわれ、全ての組
合わせに対して評価指数値を計算して決定される。

近時、この種の決定にニューラル・ネットの利用も検
討されている（例えば、Hopfield,Tank氏共著、“Neura
l"Computation of Decisions in Optimization Proble
m,Biol.Cybern52号,1985,の141頁から152頁参照）（発明が解決すべき課題）従来の大小序列判別方法では、入力信号の信号レベル
の大小序列を判断するためには、繰返し処理が必要で、
時間がかかる。このため、従来の信号処理を採用する
と、フィードバック制御ループ中に余分の遅れが加わ
り、制御性が向上できない。特に、高速制御が必要な場
合、この信号処理による遅れが許容できない。多数のア
ナログ入力信号のうちの１つを選択し、これを制御量と
して使用することも考えられる。しかし、選択したアナ
ログ入力信号を出力するセンサが異常になったり、選択
したアナログ入力信号が他のアナログ入力信号と異なる
変動をすると、選択したアナログ入力信号に基づき分布
系全体を制御するので、かえって分布系を乱してしまう
危険性がある。

警報監視において、個々の入力信号に対して上限チェ
ックと下限チェックを行う場合、中間レベルで本来上限
チェックや下限チェックが不要な信号もチェックするこ
とになる。このようなチェックは無駄な時間を要するこ
とになり、あるいは、警報監視装置が大規模になる。な
お、大小序列を決定した後、最大レベルの入力信号に対
して上限チェック、最小レベルの入力信号に対して下限
チェックをすることも可能である。このようにすれば、
無駄なチェックは不要になる。しかし、大小序列のチェ
ックに時間がかかり、警報発生が遅れ、問題が発生する
危険がある。

従来の都市巡回順路の決定や品種ロットの生産順位決
定の問題では、全ての組合わせに対して評価指標値を計
算し、最適なものを選ぶ必要があり、時間がかかる。特
に、巡回する都市数や生産する品種ロット数が増すと、
増加数の３乗程度の割合いで計算所要時間が増大し、都
市数やロット数が数十個の場合には現在の超高速計算機
を用いても実質上解を求めることができない。このた
め、このような解の決定にニューラル・ネットを利用す
ることが検討されている。ニューラル・ネットを用いれ
ば、高速で解を求めることができる。しかし、従来のニ
ューラル・ネットを用いたシステムは、この種の問題で
頻繁に遭遇する、ある都市は特定の日時までに訪問しな
ければならないとか納期等の制約条件の下で評価指数値
が最適になる解を求める構成になっていない。

この発明は相互結合のニューラル・ネットの並列処理
性に着目してなされたもので、応用価値の高いニューラ
ル・ネット及びそれを使用したシステムを提供すること
をを目的とする。

この発明の他の目的は、信号レベルの序列判断を高速
で行なうことができ、あるいは、期限等の制約条件の下
で最適な順位決定を高速で行うのに適したニューラル・
ネット及びそれを使用したシステムを提供することであ
る。

（課題を解決するための手段と作用）上記目的を達成するため、この発明に係るニューラル
・ネット（ネットワーク）は閾値理論の人工ニューロン
を二次元に配列し、その入出力を相互に結合し、さら
に、人工ニューロンを行方向、列方向及び対角方向のう
ちのいずれか１方向に階層状に分け、階層毎に発火しや
すさが異なりかつ同一階層内では発火しやすさが等しい
人工ニューロンを配置することとした。

このような構成のもとにおいて、入力信号の信号レベ
ルの大小序列の判断は以下のように行なわれる。人工ニ
ューロンを行列状に配列し、各人工ニューロンは同一列
及び同一行の他の人工ニューロンの発火を抑制する信号
を送るように相互に抑制結合される。第１行に最も発火
しやすい人工ニューロンを配置し、第２行、第３行……
と順次発火しにくい人工ニューロンを配置する。ニュー
ラル・ネットの各列の人工ニューロンに、序列を決めた
い信号を各々入力し、ニューラル・ネットを動作させ
る。所定の時間が経過すると、各行各列で１個の人工ニ
ューロンのみが発火した安定状態が得られる。即ち、こ
のニューラル・ネットを構成する人工ニューロンのう
ち、最大レベルの入力信号が供給された列で第１行の人
工ニューロンが発火し、第１行及び同一列に属する他の
人工ニューロンの発火を抑制する。次に、２番目に大き
い入力レベルの信号が供給された列で第２行の人工ニュ
ーロンが発火し、第２行及び同一列に属する他の人工ニ
ューロンの発火を抑制する。このように、第ｉ行で発火
した人工ニューロンの属する列への入力信号が、ｉ番目
のレベルを有する入力信号であることを示す。このよう
にして、入力信号の信号レベルによる序列が決定され
る。

巡回する都市の順序や品種ロットの生産順位決定は以
下のように行なう。人工ニューロンを行列状に配列し、
行を都市や品種ロットに、列を順位に対応付ける。この
際、期限が早いものは番号が若い行に割当てる。人工ニ
ューロンの組合わせ結合と入力の強さはニューラルネッ
トのエネルギー関数を評価指標と対応付けることにより
決める。第ｉ行第ｊ列の人工ニューロンは（ｉ＋ｊ）の
値が小さい程発火しやすい人工ニューロンを配列する。
総巡回距離や総所要時間や、総費用や、総切替え段取り
時間等の評価指標を極小にする順位は、発火している人
工ニューロンの行列における位置で指示される。例え
ば、第１列で、発火している人工ニューロンが属する行
に対応する都市を最初に訪問し、あるいは品種ロットを
最初に生産し、次に訪問する都市あるいは生産する品種
ロットは第２列で発火する人工ニューロンの属す行で指
示される。

このような構成では、人工ニューロンを階層分けして
発火しやすさを異ならせることにより、早く訪問したい
都市、あるいは早く生産したい品種ロットを行番号の若
い行に対応付けすることにより期限と評価指標の最適化
を勘案した順位決定を行うことができる。

期限を厳しく守らなければならない場合には、前記の
ニューラル・ネットによって、決定された順位で各々の
事象の期限が守られるかどうかをチェックする。期限遅
れの事象が存在すれば、その事象に対応する行を行番号
の若い行に対応変えを行ったり、対応する行で順位が早
い列の人工ニューロンを発火しやくさせる等の修正を行
う。その後、再度ニューラル・ネットを動作させ、期限
遅れの事象が生じない順位決定を行う。

（実施例）以下、図面を参照してこの発明の実施例に係るニュー
ラル・ネット（ネットワーク）及び該ネットワークを使
用したシステムを説明する。

まず、この実施例で用いられる人工ニューロンについ
て、第７図を参照して説明する。第７図の人工ニューロ
ンは外部からの入力信号Ｉ、バイアス信号Ｊ、及び他の
人工ニューロンの出力xiにシナプス結合係数ωｉを乗じ
た信号を入力する。人工ニューロンは入力信号を加算
し、次式（１）のダイナミックスにより内部状態ｕ
（ｔ）を発生する。なお、抑制結合の場合、シナプス結
合係数ωｉは負の値である。ただし、物理的に負の値を
実現できない場合には、シナプス結合係数ωｉ自体は正
の値とし、人工ニューロンの出力xiの反転信号▲▼
（＝−xi）を用いて等価的に実現する。

τは動作時定数。

人工ニューロンは、次式に示すように、このｕ（ｔ）
を出力関数ｆで変換して出力ｘ（ｔ）を発生する。

ｘ（ｔ）＝ｆ［ｕ（ｔ）,h］出力関数ｆは、例えば、第８図に示すようなシグモイ
ド関数であり、閾値ｈが（１）式のように右辺に含まれ
ていない場合、閾値ｈは出力関数ｆのパラメータとな
る。

従って、この人工ニューロンの発火しやすさは、バイ
アス信号Ｊや閾値ｈや出力関数ｆの形状（８図参照）や
シナプス結合係数ωの値を変えることにより変えること
ができる。

人工ニューロンは、例えば、アナログ電子回路のアン
プを用いて実現でき、空間変調素子を用いた光学系でも
実現できる。前記（１）式を差分方程式に変換し、デジ
タル演算回路で人工ニューロンを構成することも可能で
ある。

次に、この発明の一実施例に係るニューラル・ネット
を第１図を参照して説明する。このニューラル・ネット
は、入力信号を信号レベルの大小により序列化する回路
である。

第１図のニューラル・ネットは第７図に示された人工
ニューロン11が２次元（行列状）に配列されて構成され
る。各人工ニューロン11は同一行の他の人工ニューロン
及び同一列の他の人工ニューロンと相互抑制結合されて
いる。ニューラル・ネット１には、入力信号供給要素
（回路、素子）８が接続される。入力信号供給要素８
は、複数個の入力信号I1、I2……ＩMを各々対応する列
に属する人工ニューロン11に供給する。ニューラル・ネ
ット１には、バイアス信号供給要素９も接続される。バ
イアス信号供給要素９はバイアス信号J1、J2……ＪMを
各々対応する行の人工ニューロン11に供給する。バイア
ス信号J1、J2……ＪMはその順番に信号レベルが小さく
なっている。

各人工ニューロン11の出力信号は判断要素10に供給さ
れる。

次に、第１図に示される回路の動作を説明する。

第１行の人工ニューロン11には他の行の人工ニューロ
ン11より大きいレベルのバイアス信号J1が供給されてい
る。このため、第１行の人工ニューロンでは、（１）式
の右辺が大きく、ｕ（ｔ）が大きくなりやすく、従っ
て、出力ｘ（ｔ）が大きくなりやすい。即ち、第１行の
人工ニューロンが最も発火しやすい。以下、第２行、第
３行……の人工ニューロン11の順に発火しにくくなる。
換言すると、第１図では、マトリクス状に配置された人
工ニューロン11が行単位で理論的に階層分けされてお
り、番号の小さい階層の人工ニューロン11ほど発火しや
すく構成されている。

入力信号供給要素８から信号I1、I2、I3……ＩMが人
工ニューロン11に供給されると、信号レベルの最も大き
い信号が供給される第１行の人工ニューロン11がこのニ
ューラル・ネット１を構成する人工ニューロン11の中
で、（１）式右辺のＩ＋Ｊの値が最も大きくなり発火す
る。すなわち、出力ｘ＝１となり最大レベルを有する入
力信号が判別される。発火した人工ニューロン11の出力
は同一行及び同一列の他の人工ニューロン11に送られ
る。人工ニューロン11は抑制結合されているので、シナ
プス結合係数ωは負の値であり、発火した人工ニューロ
ン11と同一列及び同一行の人工ニューロン11では（１）
式右辺の第２項Σωixi（ｔ）の値が小さくなり、発火
が抑止され、安定する。

次に、第２行の人工ニューロン11の内で、信号レベル
が２番目に大きい信号が供給される人工ニューロン11の
Ｉ＋Ｊの値が大きくなり、発火する。これにより、２番
目に大きな信号レベルを有する信号が判別される。発火
した人工ニューロン11の出力は同一列及び第２行の他の
人工ニューロン11に供給され、これらの人工ニューロン
11の発火が抑制される。入力信号の供給から一定時間が
経過すると、各行、各列で１個ずつ人工ニューロンが発
火した安定状態となる。判断要素10は人工ニューロン11
の出力信号を受け、入力信号の信号レベルを行毎にチェ
ックし、入力信号I1〜ＩMの信号レベルの序列を判断す
る。例えば、第１行で第１列の人工ニューロンが発火
し、第２行で第２列の人工ニューロンが発火した場合、
判断要素10は入力信号のレベルがI1、I2……の順番であ
ることを出力する。このようにして入力信号の信号レベ
ルの大小序列が短時間のうちに判断される。

なお、入力信号供給要素８は、例えば、入力信号に対
応する電流を出力する複数の可変電流源から構成され
る。また、判断要素10は、例えば、１チッップコンピュ
ータ等から構成される。

第２図に、第１図のニューラル・ネット１の具体的な
構成の一例を示す。第２図はマトリクス状に配置された
人工ニューロン及びそれらの結線関係の２行６列分を示
す。第２図の回路では、人工ニューロンはアナログアン
プから構成される。また、シナプスは抵抗により構成さ
れ、抵抗値を変更することにより、シナプス結合の程度
ωが変化する。各アンプの反転出力は同一列及び同一行
のアンプに抵抗を介して供給され、相互抑制結合が達成
されている。

次に、上記第１図に示された回路を利用して実際にプ
ラントを制御する実施例を第３図を参照して説明する。

この実施例は、ガスタービンの温度を制御する例を示
す。ガスタービンに、複数のバーナ21が取付けられてい
る。バーナ21には共通の燃料パイプ23を介して燃焼燃料
が供給される。バーナ21に供給される燃料の総量は弁22
の開閉度により調整される。

ガスタービン内には複数の温度センサSEが配置され、
各センサの出力信号は、信号処理回路24に供給される。
信号処理回路24は例えば第１図に示す構成と共に平均レ
ベル算出回路を有する。この平均レベル算出回路はセン
サSEの出力信号と判断要素10の出力信号を受ける。平均
レベル算出回路は、判断要素10の判断結果に基づいて、
最大信号レベルと最小信号レベルを有する信号以外の信
号の信号レベルの平均値、あるいは、中間値近傍の複数
の信号の信号レベルの平均値を示す信号を制御回路25に
出力する。この信号はガスタービン内部の平均的な温度
を示す。制御回路25は、信号処理回路24からの平均値を
示す信号に応答して、制御動作（例えば、PID動作）を
行い、弁22の開閉度を調整し、ガスタービン内部の温度
を制御する。

この実施例では、ガスタービン内部の温度は一定では
なく、位置により異なり、分布糸になる。このため、ガ
スタービン内に複数の温度センサSEが配置され、燃焼温
度の平均値を求める。一方、ガスタービン内部は非常に
高温であり、センサが故障する確率が高い。このため、
この実施例では、センサSEの出力信号のうち、正常信号
である確率の高い信号のみを用いて平均温度を求めてい
る。このため、制御の信頼性が高く、しかも、信号処理
回路24は第１図に示されるニューラル・ネットを用いた
回路なので、高速動作が可能であり、オンライン制御が
可能である。

このように、この実施例によれば、ニューラル・ネッ
トの並列処理能力を活用し、多数の入力信号をその信号
レベルにより、繰返し動作なく、ほぼ瞬時にその序列を
決定できる。このため、最大信号レベル、最小信号レベ
ル、中間信号レベルを有する信号等を短時間に選び出す
ことができる。これにより、入力異常の可能性が高い信
号を除いた信頼度の高い平均値や、中間値の近傍の数点
の入力信号を用いた信頼度の高い平均値を短い検出遅れ
時間で得ることが容易になる。求められた平均値を制御
量とすることにより、分布系を良好且つ高信頼度で制御
できる。

また、多数の入力信号について１つずつ、上限チェッ
ク、下限チェックを行なう代わりに、最大信号レベルを
有する信号のみを上限チェックし、最小信号レベルを有
する信号のみを下限チェックすることにより、分布系の
上限・下限警報処理を簡単に行うことができる。

次に、この発明の第２の実施例を第４図を参照して説
明する。この実施例のニューラル・ネット２は、第７図
に示された人工ニューロン12を二次元（行列状に）に配
列して構成されている。この実施例では人工ニューロン
12に供給されるバイアス信号の信号レベルは全て零ある
いは一定値である。各人工ニューロン12はその人工ニュ
ーロン12が属する行及び列と同一の行及び列の他の人工
ニューロン12と相互に抑制結合されている。さらに、こ
のニューラル・ネット１では、第１行の人工ニューロン
12の入力に関する相互抑制係数ω１が他の行の人工ニュ
ーロン12の入力に関する相互抑制係数ω２〜ωＭと比較
して最も大きい（負の数で絶対値が最も小さい、抑制力
が最も弱い）。以下、第２行、第３行……第Ｍ行の相互
抑制係数ω２〜ωＭの順に順次小さくなる。さらに、ニ
ューラル・ネット２には、第１の実施例と同一の入力信
号供給要素８が接続される。また、図示されていない
が、判断要素10もニューラル・ネット２に接続される。
このように構成されたニューラル・ネットでは、（１）
式でxi（ｔ）の状態が全ての行でほぼ同じと考えると、
右辺第２項Σωixi（ｔ）の値は第１行の人工ニューロ
ンが最も大きい（負数で絶対値が最も小さい）。従っ
て、第１行の人工ニューロンの抑制力が最も弱く、発火
しやすい。以下、第２行、第３行……の順に発火しにく
くなっている。従って、第１図の実施例と同様の作用に
より、入力信号の信号レベルの大小序列が短時間のうち
に判別される。

第４図に合せて記載されているように、第８図に示さ
れる閾値ｈを第１行の人工ニューロンに関して最も小さ
く、第２行、第３行と順次大きくすることによっても、
同様の作用は実現できる。

また、同様のことは、人工ニューロンの出力関数を行
毎に異ならせることによっても達成できる。この場合、
出力関数ｆを第１行の人工ニューロンに関して最も発火
しやすいものにし（例えば、第８図の実線）、第２行は
第１行よりも発火しにくいものいし（例えば、第８図の
一点鎖線）、以後、第３行、第４行…と順字発火しにく
いものとする。

次に、この発明の第３の実施例を第５図を参照して説
明する。

この第３の実施例のニューラル・ネット３は、第７図
に示される人工ニューロン13を行列状に配列して相互に
結合（抑制結合とは限らない）して構成される。ニュー
ラル・ネット３の第ｉ行、第ｊ列の人工ニューロンは
（ｉ＋ｊ）の値が同一の人工ニューロンと同一の階層に
属するように階層分けされている。同一の階層に属す人
工ニューロンは同一の発火しやすさを有する。（ｉ＋
ｊ）の値が小さい階層程、例えば、閾値ｈijを調整する
ことにより、ベースとして発火しやすい人工ニューロン
が配列されている。入力信号Iijとバイアス信号Jijを供
給する入力・バイアス信号供給要素４が各人工ニューロ
ン13の入力端子に接続される。ニューラル・ネット３が
生成した解が妥当な解であるかどうかをチェックするチ
ェック要素５が、各人工ニューロン13の出力端子に接続
される。ニューラル・ネット３が生成した解が許容でき
ない解の場合に入力信号Ｉ、バイアス信号Ｊ、結合係数
ω、閾値ｈ等のニューラル・ネット３のパラメータを変
更（修正）するパラメータ設定要素６が各人工ニューロ
ン及び入力・バイアス信号供給要素４に接続される。こ
れらの諸要素の動作を管理・制御する制御要素７が、ニ
ューラル・ネット３、チェック要素５、パラメータ設定
要素６に接続される。

第５図のニューラル・ネットシステムの動作を説明す
る。理解を容易にするため、生産ラインで種々の品種ロ
ットを総切替段取コストが少なくなるように品種ロット
の生産順位を決定する場合を例に説明する。

まず、ニューラル・ネット３の各列を生産順位に対応
付ける。次に、各行を品種ロットに対応付ける。この場
合、早く生産した品種ロット程、若い番号の行に対応付
ける。換言すると、第ｉ行、第ｊ列の人工ニューロンの
発火は第ｉ行に対応付けられた品種ロットを第ｊ番目に
生産するように意味付ける。

品種ロットＸをｋ番目に生産することを意味する人工
ニューロンの出力をＶXk（０≦ＶXk≦１）で表し、品種
ロットＸの次に、品種ロットＹを生産する際の切替え段
取りコストをdxy、品種ロット数をｎとすると、求める
解は次のエネルギー関数Ｅ（第２式）を極小にするもの
である。

Ａ、Ｂ、Ｃ、Ｄは定数である。

ここで、右辺第１項は各行で１個以下の人工ニューロ
ンのみ発火した場合に０となり、右辺第２項は各列で１
個以下の人工ニューロンのみ発火した場合に０となり、
右辺第３項はｎ個の人工ニューロンのみ発火した場合に
０となり、第４項は総切替え段取りコストを意味する。

他方、相互結合のニューラル・ネットは下記のエネル
ギー関数Ｅ′（３式）が極小になる状態で安定する性質
を有する。

従って、第Ｘ行第ｋ列の人工ニューロンと第Ｙ行第ｌ
列の人工ニューロンの結合係数ωXk,Ylを（４）式のよ
うに設定し、 ωXk,Y＝−Ａ・δXY（１−δkl） −Ｂ・δkl（１−δXY）−Ｃ −Ｄ・dXY（δl,k＋１＋δl,k−１） …（４） δkl＝1:k＝l,δkl＝0:k≠ｌ第Ｘ行第ｋ列の人工ニューロンの入力信号ＩXk（バイ
アス入力ＪXkは零）を（５）式のように設定し、第
（３）式の右辺第３項は微小であるから無視するとＥ＝
Ｅ′となる。

ＩXk＝cn …（５）このようにして結合係数や入力信号値を決めたニュー
ラル・ネットを動作させると、エネルギー関数値が極小
の安定状態になる。その時の人工ニューロンの発火状態
から総切替え段取りコストが極小になる生産順位が決定
する。

例えば、安定状態で、１行１列の人工ニューロン、２
行３列の人工ニューロン、３行２列の人工ニューロン…
…が発火している場合、このニューラル・ネットは品種
ロットＡ、Ｃ、Ｂ……の順番で、生産するべきことを指
示している。

本実施例では、第ｉ行第ｊ列の人工ニューロン13の閾
値ｈij（Ｉ＋Ｊ）の値と正相関で異ならせており、階層
毎に人工ニューロン13の発火しやすさを変えている。こ
のため、図面右下がりの対角線（１行１列の人工ニュー
ロンとＭ行Ｍ列の人工ニューロンを結ぶ線）の近傍に配
設されている人工ニューロンが発火しやすい。即ち、短
納期であるために若い行に対応付けられている品種ロッ
トが早い生産順位になり易く設定されている。従って、
この実施例では、総切替え段取りコストの極小と納期を
妥協させた生産順位の解を得ることができる。

前述の説明では、人工ニューロンの発火しやすさを閾
値を異ならせることにより変える場合について述べた
が、第８図の出力関数ｆの形を変えたり、バイアス入力
信号Ｊの値を変えることによっても実現できる。さら
に、前述のエネルギー関数から決めた結合係数ωに階層
毎に異なるバイアスを加え、結合係数を補正することに
よっても実現できる。

次に、チェック要素５について説明する。前述のニュ
ーラル・ネット３では、納期を考慮した順位決定が行わ
れるが、納期を厳守しなければならない品種ロットがあ
る場合、確実に納期を守れるように順位が決定される補
償がない。このためチェック要素５は次式（６）に基づ
いて、各品種ロットがそれぞれの生産期限までに生産が
完了するか否かをチェックする。

第６式において、Ｔα（ｉ−1,i）は第ｉ−１番目の
生産品種を第ｉ番目の生産品種に切替えるための所要時
間を意味する。Ｔα（0,1）は最初の段取り時間を意味
する。Ｔβ（ｉ）は第ｉ番目に生産する品種の生産に要
する時間を意味する。Ｔγ（ｉ）は第ｉ番目に生産する
品種の生産期限を意味する。パラメータ設定要素６は、
チェック要素５のチエック結果を受取る。パラメータ設
定要素６は期限遅れになる品種ロットが存在する場合、
その品種ロットに対応する行を若い行に振替える。パラ
メータ設定要素６は行の振替えに伴い（４）式に基づい
て、ニューラル・ネット３の結合係数ωも変更する。

例えば、具体的に、品種Ａ、Ｃ、Ｂ…の順で、生産を
行うという解が得られた場合を考える。チェック要素５
のチェックにより、例えば、品種Ｂの納期が守れないと
判断された場合、パラメータ設定要素６は品種Ｂを第１
行に、品種Ａを第２行にそれぞれ振替え、それに伴っ
て、結合係数も変更する。制御要素７は振替が終了する
と、再びニューラル・ネット３を起動し、新たな解を求
める。

制御要素７は、全ての品種が納期を満足する解が得ら
れるまで、各要素に働きかけ、前述の動作を自動的に繰
返えさせる。制御要素７の動作を第６図のフローチャー
トを参照して説明する。先ず、制御部７はニューラル・
ネット３及び入力・バイアス信号供給要素４にその初期
パラメータを設定することをパラメータ設定要素６に指
令する（ステップS1）。初期パラメータの設定が終了す
ると、ニューラル・ネット３を起動する（ステップS
2）。制御要素７は、例えば、時間を計測することによ
りニューラル・ネット３が安定状態になったか否かをチ
ェックする（ステップS3）。ニューラル・ネット３が安
定状態になると、制御要素７はチェック要素５に期限チ
ェックを指示する（ステップS5）。チェック要素５の動
作により、期限を守れない品種ロットが見付かった場合
（ステップS5）、制御部７はその品種のロットの生産順
位が向上するように、ニューラル・ネット３のパラメー
タを再設定することをパラメータ設定要素６に指令する
（ステップS6）。設定終了後（ステップS7）、制御部７
はニューラル・ネット３を再起動する（ステップS2）。
制御要素７は、この一連の動作を、期限遅れの品種ロッ
トがないとステップS5で判断されるまで、繰返させる。

かくして、人工ニューロンの発火状態により、納期制
約のある条件の下での最適生産順位を短時間のうちに得
ることができる。

なお、期限遅れの品種が存在する解が得られた場合
に、行の振替えはせず、その品種ロットが割付けられて
いる行の求められた順位が割付けられている列よりも若
い列に属する人工ニューロンが発火しやすくなるよう
に、それらの人工ニューロン13に供給されるバイアス信
号の信号レベルや閾値や出力関数を補正することによっ
ても、同様の作用が得られる。例えば、第２行に割付け
られた品種Ｂが３番目に生産され、期限遅れとなる解が
得られた場合、第２行の第１及び第２列の人工ニューロ
ンにより大きい信号レベルのバイアス信号を供給しても
良い。あるいは、第２行の第１及び第２列の人工ニュー
ロンの閾値ｈを小さくし、あるいは出力関数ｆを補正し
ても良い。

なお、前述の品種ロット名を都市名に、生産順位を巡
回順位に置換えれば、第５図の実施例は巡回セールスマ
ン問題の解を求める場合に応用できる。また、これらに
限定されず、他の同様な問題の回答にも応用できる。

なお、入力・バイアス信号供給要素４、チエック要素
５、パラメータ設定要素６、制御要素７等は、マイクロ
コンピュータを用いて、個別にあるいは一体的に実現で
きる。

［発明の効果］この発明によれば、ニューラル・ネットの並列処理能
力を活用し、多数の入力信号をその信号レベルにより、
繰返し動作なく、ほぼ瞬時にその序列を決定できる。こ
のため、最大信号レベル、最小信号レベル、中間信号レ
ベルを有する信号等を短時間に選び出すことを容易にす
るニューラル・ネットを得ることができる。これによ
り、入力異常の可能性が高い信号を除いた信頼度の高い
平均値や、中間値の近傍の数点の入力信号を用いた信頼
度の高い平均値を小さい検出遅れ時間で得ることが容易
になる。求められた平均値を制御量とすることにより、
分布系を良好且つ高信頼度で制御できる。

また、多数の入力信号を１つずつ、上限値を越えてい
るか、下限値を下回っているかをチェックする代わりに
最大信号レベルを有する信号のみを上限チェックし、最
小信号レベルを有する信号のみを下限チェックすること
により、分布系の上限・下限警報処理を簡単に行うこと
ができる。

さらに、訪問期日に制約がある条件下での最適訪問順
位決定や、納期制約がある下での品種ロットの最適生産
順位決定を迅速に実効できるニューラル・ネット及びシ
ステムを得ることができる。

【図面の簡単な説明】

第１図は、入力信号の信号レベルの大小序列を判別する
ため、階層毎にバイアス信号値を変え、発火しやすさを
変えた、相互抑制結合ニューラル・ネットシステムの実
施例の構成図、第２図は第１図に示されるニューラル・
ネットの一部分の具体的な構成の一例を示す回路図、第
３図は第１図に示されるニューラル・ネットシステムを
用いた制御システムの一例を示すブロック図、第４図は
入力信号の信号レベルの大小序列を判別するため、階層
毎の結合係数値あるいは閾値を変え、発火しやすさを変
えた相互抑制結合ニューラル・ネットシステムの構成を
示すブロック図、第５図は期限制約がある条件下で最適
順位を決定できる相互結合ニューラル・ネットシステム
の構成を示すブロック図、第６図は第５図の制御要素７
の動作を示すフローチャート、第７図は人工ニューロン
の模式図、第８図は人工ニューロンの出力関数の形を示
す図である。１、２、３……ニューラル・ネット、４……入力・バイ
アス信号供給要素、５……チェック要素、６……パラメ
ータ設定要素、７……制御要素、８……入力信号供給要
素、９……バイアス信号供給要素、10……判断要素、1
1、12、13……人工ニューロン。

Claims

(57)【特許請求の範囲】

【請求項１】相互結合型の人工ニューロンを二次元状に
配列し、並列情報処理を行う、ニューラル・ネットにお
いて、人工ニューロンを行方向、列方向及び対角方向のうちの
いずれか１方向に階層状に分け、階層毎に発火しやすさ
が異なりかつ同一階層内では発火しやすさが等しい人工
ニューロンを用いることを特徴とするニューラル・ネッ
ト。
【請求項２】人工ニューロンを行列状に配列し、行ある
いは列毎に階層に分けることを特徴とする請求項１に記
載のニューラル・ネット。
【請求項３】人工ニューロンを行列状に配列し、第ｉ行
第ｊ列の人工ニューロンは（ｉ＋ｊ）の値が同一の人工
ニューロンと同一の階層に属するように階層分すること
を特徴とする請求項１に記載のニューラル・ネット。
【請求項４】同一行または同一列内の人工ニューロンが
相互抑制結合をしていることを特徴とする請求項１に記
載のニューラル・ネット。
【請求項５】所定のエネルギー関数が極小になる状態に
ニューラル・ネットの状態の安定点が存在するように人
工ニューロンを相互結合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。
【請求項６】人工ニューロンを行列状に配列し、同一行
あるいは同一列内の人工ニューロンを相互抑制結合し、
行あるいは列毎に階層状に分けるこを特徴とする請求項
１に記載のニューラル・ネット。
【請求項７】人工ニューロンを行列状に配列し、所定の
エネルギー関数が極小になる状態にニューラル・ネット
の状態の安定点があるように各人工ニューロンを相互結
合させ、第ｉ行、第ｊ列の人工ニューロンは（ｉ＋ｊ）
の値が同一の人工ニューロンと同一階層に属するように
階層分けされていることを特徴とする請求項１に記載の
ニューラル・ネット。
【請求項８】人工ニューロンの階層毎の発火しやすさ
を、階層毎に人工ニューロンに加えるバイアス信号の大
きさを変えることにより異ならせていることを特徴とす
る請求項１に記載のニューラル・ネット。
【請求項９】人工ニューロンの階層毎の発火しやすさ
を、階層毎に人工ニューロンの閾値の大きさを変えるこ
とにより異ならせていることを特徴とする請求項１に記
載のニューラル・ネット。
【請求項１０】人工ニューロンの階層毎の発火しやすさ
を、階層毎の人工ニューロンの出力関数の形状を変える
ことにより異らせていることを特徴とする請求項１に記
載のニューラル・ネット。
【請求項１１】人工ニューロンの階層毎の発火しやすさ
を、階層毎の人工ニューロンの抑制結合の強さを変える
ことにより異ならせていることを特徴とする請求項１に
記載のニューラル・ネット。
【請求項１２】人工ニューロンが行又は列毎に階層分け
されており、同一行又は同一列に属する人工ニューロン
には同一の入力信号を供給する入力信号供給要素を具備
す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。
【請求項１３】人工ニューロンの行又は列を所定の事象
に、人工ニューロンの列又は行を所定の事象の発生順位
に対応付け、所定の事象の発生順位を決定する順位決定
用であることを特徴とする請求項７に記載のニューラル
・ネット。
【請求項１４】ニューラル・ネットにより決定された順
位では遅すぎる事象が存在するか否かをチェックするチ
ェック要素と、遅すぎる事象が存在する場合に、その事象に関係する人
工ニューロンの発火しやすさを修正するパラメータ設定
要素と、所望の結果が得られるまで、繰返し、ニューラル・ネッ
トとチェック要素とパラメータ設定要素の動作を制御す
る制御要素とを備えることを特徴とする請求項13に記載の順位決定用
ニューラル・ネット。
【請求項１５】ニューラル・ネットにより決定された順
位では遅すぎる事象が存在するか否かをチェックするチ
ェック要素と、遅すぎる事象が存在する場合にその事象に対応する行を
その行より若い番号の行に変更し、変更に伴う人工ニュ
ーロン間の相互結合の強さを変更するパラメータ設定要
素と、所望の結果が得られるまで、繰返し、ニューラル・ネッ
トとチェック要素とパラメータ設定要素の動作を制御す
る制御要素とを具備したことを特徴とする請求項13記載の順位決定用
ニューラル・ネット。
【請求項１６】事象を巡回する訪問先として、所定の訪
問先は所定の期間以内に訪問する制約条件の下で巡回距
離、総所要時間、総費用を極小にする訪問先の巡回順位
を決定することを特徴とする請求項13記載の順位決定用
ニューラル・ネット。
【請求項１７】事象を生産ラインで生産する品種ロット
とし、所定の品種ロットは所定の日時以内に生産を完了
させる制約条件の下で、品種ロット切替え総費用、総時
間を極小にする品種ロットの生産順位を決定することを
特徴とする請求項13記載の順位決定用ニューラル・ネッ
ト。