JP2899484B2

JP2899484B2 - パターン分類装置と環境認識装置と空調機

Info

Publication number: JP2899484B2
Application number: JP4208708A
Authority: JP
Inventors: 正章佐藤; 基孫中; 武彦志田; 邦夫 ▲吉田▼; 美恵斉藤; 育雄赤嶺; 真清水; 克彦藤原; 朗横内
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1991-08-09
Filing date: 1992-08-05
Publication date: 1999-06-02
Anticipated expiration: 2014-06-02
Also published as: JPH0660049A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、３つの発明より構成さ
れ、次の様な分野に利用できる。第１の発明は、音声認
識や画像認識等のカテゴリの分類を伴う情報処理システ
ムに用いるパターン分類装置である。第２の発明は、空
調機など、使用環境に適応する事が望まれる機器の制御
に用いる環境認識装置である。第３の発明は、快適な空
気環境を実現するために使用環境の変化に適応的に制御
を行う事が望まれる空調機である。

【０００２】

【従来の技術】第１の発明のパターン分類装置の従来例
としては、ＬＶＱ（Learning VectorQuntaum)モデルや
クーパーによるモデル（特開昭６１−１９３２７９号公
報）、岡本によるＰＤＭモデル（電子情報通信学会論文
誌D-2,Vol.J73-D2,pp.1186,1990年8月）が知られてい
る。

【０００３】以下、クーパーのパターン分類の方法を説
明する。クーパーのパターン分類の方法は、ＲＣＥ(Res
tricted Coulomb Energy）モデルと呼ばれているもの
で、学習効率が良好なモデルとしてパターン分類等に用
いられている。ＲＣＥモデルの基本は、一つの処理ユニ
ット（ニューロン）で非線形の領域（多次元上の超球）
をカバーする形で処理ユニットを使用することである。

【０００４】ＲＣＥモデルは、入力層、中間層、出力層
の３層からなる階層モデルであり、ＲＣＥモデルの学習
規則は、（１）ニューロンの生成（２）ニューロンのしきい値（半径）の修正によって行なう。

【０００５】以下、ＲＣＥモデルの動作手順について図
１７から図２１を参照して説明する。

【０００６】まず、理解を容易にするために、図２３に
示すように、２次元（ｘ，ｙ）をクラス（Ａ，Ｂ）に分
類する場合について想定する。この場合、初めの未学習
状態では、中間層および出力層には、ニューロンは一つ
も生成されていない。

【０００７】次に、図２４に示すように、入力層に入力
パターンＰ１が入力されると、興奮するニューロンがな
いため、システムは「わからない」という回答をする。
そこで、Ｐ１がＡであると学習させると、中間層にその
Ｐ１を中心とした半径ｒ１の円領域に興奮するニューロ
ンＮ１と、出力層に分類Ａを示すニューロンが生成され
る。これにより、このＰ１を中心とする円の範囲に入る
入力パターンは、Ａという回答を出すようになる。

【０００８】次に、図２５に示すように、入力層に分類
Ｂの入力パターンＰ２を入力すると、この入力に興奮す
るニューロンがないため、システムは「わからない」と
いう回答をする。そこで、Ｐ２がＢであると学習させる
と、中間層にＰ２を中心とした半径ｒ２の円領域に興奮
するニューロンＮ２と、出力層に分類Ｂを示すニューロ
ンが生成される。これにより、このＰ２を中心とする円
の範囲に入る入力パターンは、Ｂという回答を出すよう
になる。

【０００９】ここで、Ｐ１とＰ２を中心とする円の両方
に含まれる分類Ａに属する入力パターンＰ３が入力され
ると、ニューロンＮ１とＮ２はともに興奮するので、シ
ステムは、「ＡかＢか不確定」という回答をする。そこ
で、この入力パターンＰ３は分類Ａであると回答する
と、図２６に示すように、ニューロンＮ２はＰ３に興奮
しないように半径ｒ２を小さくする。

【００１０】このように、このシステムでは、入力層に
入力パターンを入力しては学習させることを繰り返すこ
とにより、図２７に示すように、中間層に半径すなわち
しきい値を修正された多くのニューロンが生成されて入
力空間内を分類してゆく。

【００１１】次に第２の発明および第３の発明の環境認
識装置と空調機の従来例として、例えば特開昭６３−１
０８１４５号公報に記載された空調機器装置が知られて
いる。

【００１２】以下、図面を参照して従来の空調機器装置
について説明する。図２８は従来の空調機器装置におけ
る推論制御ソフトウェアの構成を示すブロック図であ
る。図２８において、２８１は温度、湿度、外光などの
空調環境をそれぞれのセンサー（図示せず）から感知
し、データを蓄積する環境検知プログラムであり、２８
２は上記データから特定の事実を導き出すための条件を
設定する条件設定プログラムであり、２８３は上記条件
と蓄積された空調のための知識データベースを要素構文
的意味記号化処理する処理プログラムであり、２８４は
上記意味記号化された知識を述語論理型プログラム言語
により推論して最適解を取り出そうとする推論プログラ
ムであり、２８５は上記最適解のデジタル信号を制御出
力表示、アクチュェータ、モータなどに分配し、制御出
力を出力する駆動インターフェイス制御プログラムであ
り、２８６は空気調和機である。

【００１３】次に、図２９を参照して上記従来例の動作
について説明する。まずステップ２９１では、センサー
群からの入力である環境からの事実をデータとして蓄積
する。次にステップ２９２では、上記データから条件な
どによる制御知識ルール、例えばＩＦ〜ＴＨＥＮ形式を
用いて新たな意味を持つ知識をつくる。例えば、２４時
間の時計装置を電子的に有し、特定時刻に２５度を越え
た日が５日間続けば、いまは「夏」というような判定条
件の知識ルールをデジタル記号化して、マイクロコンピ
ュータのメモリに保有させる。

【００１４】次にステップ２９３では、上記の条件など
による制御知識ルールによって生成された知識により、
たとえば夏であれば人は薄着でいるから、短時間低い方
向に冷気を吹き出し、その後、人に直接当たらないよう
に方向を上向きに変えるカテゴリが良いと推論し、風向
切り替え手段で制御する。その他、運転開始時刻、運転
ード切り替え、温度設定などの制御出力を出力する。

【００１５】次にステップ２９４では、上記の推論され
た出力に対し、使用者が例えば風向を変える操作入力を
行なったとき、その情報を蓄積する。そして次のステッ
プ２９５でその蓄積データを分析し、使用者の習慣や好
みを判定し、その結果をステップ２９２にフィードバッ
クし、推論の前提を変更できる構成としている。この従
来例の適応制御にかかる部分が、第２の本発明の環境認
識装置にかかる部分である。

【００１６】

【発明が解決しようとする課題】第１の発明の従来例に
おける、上記のＲＣＥモデルでは、効率的で高速な学習
を行なうことができる反面、学習の度ごとに中間層にユ
ニットが生成され、かつその都度ユニット数や結合の重
み係数が発生し、また一度生成された中間層のユニット
は消えることがないため、記憶量が増えるという問題が
あった。このため、実用化を目指したシステムでは、大
量の記憶容量を必要とし、さらに入力信号によりパター
ン分類を行なう使用環境が変化した場合に、今まで生成
されたユニットが無駄になるという課題があった。

【００１７】本発明は、このような従来の問題を解決す
るものであり、少ない記憶容量で効率よく学習でき、か
つパターンを分類する使用環境が変化した場合でも、生
成されたユニットを無駄にすることのない優れたパター
ン分類装置を提供することを目的とする。

【００１８】次に、第２、第３の発明における上記の従
来例は空調機に適合したルールに基づいて処理を行って
いるため、汎用的に用いることができないという課題が
あった。また、第２、第３の発明における上記の従来の
空調機装置では、センサ群の入力から知識を検知した
り、検知された知識から新たな知識を生成し推論するた
めに、予め熟練者により既に得られた経験に基づいた制
御知識ルールを生成しなければならず、制御知識ルール
の作成に多くの手間と時間がかかるという問題があっ
た。

【００１９】本発明は、このような従来の問題を解決す
るものであり、使用者の意思に基づいて使用者の感覚、
趣向性や機器の環境にあうように、自己組織編成的な学
習手段を容易に行なうことのできる環境認識装置とそれ
を用いた空調機を提供することを目的とする。

【００２０】

【課題を解決するための手段】本発明における第１の発
明は、上記目的を達成するために、カウンタ信号を内部
にもたせ効率的な分類部またはユニットの運用を図ると
ともに、分類判定のためのしきい値を固定にすると共
に、ニューロンの位置を表す係数を調節する事によって
使用環境の変化に素早く対応でき、効率の良い学習を行
えるようにしたものである。なお、本発明では分類部を
ユニットと呼ぶ場合がある。

【００２１】第１の発明は、複数の入力信号Ｓに対して
複数のカテゴリのどれに属するかを分類して出力する複
数の分類部と、前記分類部から出力された複数の分類を
示す値の内から少なくとも一つを選んで出力する選択出
力部と、前記選択出力部の出力と教師信号Ｔについて演
算を行い、その結果に従って分類部内部のパラメータを
調節する調整部を備えたものである。前記複数の分類部
それぞれは、内部に複数の係数Ｗと少なくとも一つの固
定のしきい値Ｒを保持し、複数の入力信号Ｓとの間の演
算を行う演算手段と、内部に少なくとも１個のカテゴリ
値Ｐと、少なくとも１個のカウンタ信号Ｃを保持するよ
うに構成されている。

【００２２】また、第２の発明は、上記課題を解決する
ため、汎用的にもちいられる装置を構成する適応制御に
かかる部分をニューラルネットワークを模したパターン
分類装置を用いることにより制御機器に依存しない環境
認識装置を提供することを目的とする。また、第３の発
明の空調機は、空気調和制御装置に第１の発明のパター
ン分類装置やその他のパターン分類装置を用いた環境認
識装置を用いることにより解決する。第２、第３の発明
の構成は、使用者の意思の入力手段と前記第１の発明を
含めたパターン分類装置を用いて、機器に内蔵された複
数のセンサ情報や前記のセンサの情報を加工して求めた
情報、使用者が操作や設定した情報、機器の運転時間お
よび時刻、カレンダー情報のうち少なくても１つ以上を
入力信号とする学習手段を具備することにより、自己組
織編成する環境認識装置を提供できる。この具体的な例
として空調機器では、室内外の環境条件を検知する複数
のセンサ手段と、これらセンサ手段の前状態を保持する
記憶手段と、設定温度を変更したり、暑い、寒い等の意
思を入力する操作手段と、空調機器の運転開始からの経
過時間を検出する運転時間検出手段と、センサ手段およ
び記憶手段からの出力値である室内外の環境条件と操作
手段により使用者が入力した設定温度値および空調機の
運転開始経過時間から使用者の操作内容を推測する手段
と、各手段から得られた結果を参照して操作内容を学習
する手段と、操作内容を推測する手段から出力された信
号をもとに空調機を制御する制御信号生成手段とを備え
たものである。空調機に対して第１の発明のパターン分
類装置を用いることにより、効率的な学習が可能になる
とともに、具現化した場合に記憶容量が少なくでき、処
理時間の短縮も図れるものとなる。

【００２３】

【作用】第１の発明は、上記構成によって次のような作
用を有する。第１の作用として、本発明においては、分
類機が分類判定のためのしきい値を固定にした分類を行
うので、学習機構が簡単で、処理および記憶容量が少な
くて済む。第２の作用としては、調整部では分類部の生
成、強化、弱化、消滅させながら学習を行うことがで
き、学習する環境の変化にも効率良く、その傾向を模倣
することができ、学習する環境の変化にも良く対応する
ことできるとともに、追加学習ができる。第３の作用と
しては、第１の発明においては、係数の調整によって、
ニューロンの位置を変更する事が可能なため、より少な
い記憶容量で学習ができ、入力パターンの経時変化にも
優れた追随性を持つものである。第４の作用としては、
選択部において、入力に対して、どのカテゴリに属する
かを判定する際に、カウンタ値を判定基準にする事によ
って、高速な判定を行う事ができる。

【００２４】次に、第２の発明は、適応制御ができる学
習手段にパターン分類装置を組み込み、人間の意思を適
応的に学習する手段を持つ環境認識装置が構成できる。

【００２５】また、第３の発明の環境認識装置を利用し
た空調機では、上記構成により、センサ手段および記憶
手段からの出力値である室内外の環境条件と使用者の入
力した設定温度値および空調機器の運転時間から使用者
の操作内容を推測するとともに、各手段から得られた結
果をもとに操作内容を学習することにより、部屋の環境
や個人の好みにあった空調運転を自動的にかつ容易に行
なうことができる。パターン分類装置に、第１の発明の
パターン分類装置を用いることによりより効率的な学習
が可能となる。

【００２６】

【実施例】

（実施例１）以下、本発明のパターン分類装置の第１の
実施例について、図面を参照しながら説明する。

【００２７】図１において、１１−１〜Ｌは、Ｎ個の入
力信号Ｓを受け、あらかじめ設定された手続きに従って
内部に保持したパラメータを用いた演算を行い、条件を
満たした場合に、必要に応じて評価値信号を含む分類部
出力Ａ１〜ＡＬ’を出力するＬ個の分類部であり、１２
はＬ個の分類部からのＬ’個の分類部出力Ａ１〜ＡＬ’
を受け、あらかじめ設定された手続きに従って一つの分
類部出力Ａｘを選択し、Ａｘに含まれるカテゴリ信号Ｐ
cmaxを出力する選択出力部であり、１３は選択出力部１
２からの出力Ｐcmaxと教師信号Ｔを受けて、分類部１１
−ｘのパラメータを調整する調整信号ＡＤＪを出力する
調整部である。ここで、Ｌ’≦Ｌである。

【００２８】本実施例においては、分類部出力Ａ１〜Ａ
Ｌは、評価値信号として、カウンタ信号Ｃおよびカテゴ
リ信号Ｐを含むものとする。

【００２９】図２は、前記分類部１２の詳しい内部構成
を示すブロック図である。図２において、２１はＮ個の
係数Ｗ１〜ＷＮを保持する書換可能な係数記憶手段、２
２は入力が起きると係数記憶手段２１から係数Ｗを読み
込んで、その間の距離を計算し、その結果を評価値Ｖと
して距離信号Ｄを出力する距離計算手段、２３は固定の
しきい値Ｒを保持するしきい値記憶手段、２４は固定の
しきい値Ｒと距離信号Ｄを比較し、その結果をＤ≦Ｒの
場合はTRUE、Ｄ＞Ｒの場合はFALSEとなる比較信号Ｆと
して出力する比較手段、２５はカテゴリ信号Ｐを保持す
る書換可能なカテゴリ記憶手段、２６は比較信号Ｆを受
けて、比較信号ＦがTRUEならばカテゴリ記憶手段２５か
らカテゴリ信号Ｐを読み込み出力するカテゴリ出力手
段、２７はカウンタ信号Ｃを保持するカウンタ記憶手
段、２８は比較信号Ｆを受けて、比較信号ＦがTRUEなら
ばカウンタ記憶手段２７からカウンタ信号Ｃを読み込み
出力するカウンタ出力手段、２８はカウンタの下限値Ｃ
leastを保持する下限値記憶手段、２９はカウンタ信号
Ｃが下限値Ｃleast以下の時は入力信号Ｓを受け付けな
くする不活性化手段である。

【００３０】図３は、前記選択出力部１２の詳しい内部
構成を示すブロック図である。図３において、３１はＬ
個の分類部１１−１〜ＬからのＬ’個のカウンタ信号Ｃ
１〜ＣＬ’を受けて、Ｃ１からＣＬ’の中で最大のカウ
ンタ信号を選択し、当該カウンタ信号のラベル信号ｘを
出力するかもしくは、ある入力信号Ｓに対して分類部出
力Ａｘが一つも発生しなかった場合はUNKNOWNを選択手
段出力Ｓｏとして出力する選択手段、３２はＳｏ＝UNKN
OWNの場合はＳｏを選択出力部出力Ｐｘとして出力し、
Ｓｏ≠UNKNOWNの場合はラベル信号ｘとＬ’個のカテゴ
リ信号Ｐ１〜ＰＬ’を受けて、ラベル信号ｘに該当する
カテゴリ信号Ｐｘを選択出力部出力として出力する出力
手段である。

【００３１】図４は、前記調整部１３の詳しい内部構成
を示すブロック図である。図４において、４１は、選択
出力部出力Ｐｘと教師信号Ｔを受けて、選択出力部出力
Ｐｘと教師信号Ｔを比較し、その結果をＰｘ＝Ｔならば
正答、Ｐｘ≠Ｔならば誤答、Ｐｘ＝UNKNOWNならば不答
の３つに分類して、正誤信号ＴＦとして出力する正誤判
定手段、４２は正誤信号ＴＦ、ラベル信号ｘ、カテゴリ
信号Ｐｘを受けて、ラベル信号ｘに該当するカウンタ信
号Ｃｘ，係数Ｗｘ，を読み込み、カウンタ信号Ｃｘおよ
び係数Ｗｘの修正を行い、ラベル信号ｘ，調整されたカ
ウンタ信号Ｃｘ’、調整された係数Ｗｘ’、カテゴリ信
号Ｐｘ’＝Ｐｘを出力する正誤処理手段、４３は正誤信
号ＴＦ、教師信号Ｔ、入力信号Ｓを受けて、全ての分類
部１１のカウンタ信号Ｃ１〜Ｌを読み込み、調整する分
類部１１−ｘのラベル信号ｘ、調整されたカテゴリ信号
Ｐｘ’、調整された係数Ｗｘ’、調整されたカウンタ信
号Ｃｘ’を出力する生成処理手段、４４は正誤信号ＴＦ
を受けて、正答の場合は正誤処理手段４２、不答の場合
は生成処理手段４３、誤答の場合正誤処理手段４２およ
び生成処理手段４３の両方に正誤信号ＴＦを出力する切
り替え手段、４５は正誤処理手段４２もしくは生成処理
手段４３からの出力Ｃｘ’、Ｗｘ’、Ｐｘ’をラベル信
号ｘに該当する分類部１１−ｘに対して出力するセレク
タ手段である。

【００３２】図５は、前記正誤処理手段４２の詳しい内
部構成を示すブロック図である。図５において、５１は
正答時のカウンタ信号調整量ＤＣ１を保持する正答時カ
ウンタ信号調整量記憶回路であり、５２は誤答時のカウ
ンタ信号調整量ＤＣ２を保持する誤答時カウンタ信号調
整量記憶回路であり、５３は正誤信号ＴＦを受けて、正
答の場合は正答時カウンタ信号調整量記憶器５１から、
誤答の場合は誤答時カウンタ信号調整量記憶器５２から
カウンタ信号調整量を読み込み、カウンタ信号調整量信
号ＤＣとして出力するカウンタ信号調整切り替え回路、
５４は該当する分類部のカウンタ信号Ｃｘと、カウンタ
信号調整量信号ＤＣを受けて、調整されたカウンタ信号
Ｃｘ’を出力するカウンタ信号調整回路であり、５５は
正答時の係数調整量ＤＷ１を保持する正答時係数調整量
記憶回路であり、５６は誤答時の係数調整量ＤＷ２を保
持する誤答時係数調整量記憶回路であり、５７は正誤信
号ＴＦを受けて、正答の場合は正答時係数調整量記憶回
路５５、誤答の場合は誤答時係数調整量記憶回路５６か
ら係数調整量ＤＷを読み込み、係数調整量信号ＤＷとし
て出力する係数調整切り替え回路であり、５８は該当す
る分類部の係数Ｗｘと係数調整量信号ＤＷを受けて、調
整された係数Ｗｘ’を出力する係数調整回路である。本
正誤処理手段４２においては、前記セレクタ手段４５に
対する出力を生成処理手段４３と揃えるために、ラベル
信号ｘとカテゴリ信号Ｐｘを受け取り、そのまま出力し
ている。

【００３３】図６は、前記生成処理手段４３の詳しい内
部構成を示すブロック図である。図６において、６１は
カウンタ信号の下限値Ｃleastを保持する下限値保持回
路であり、６２はカウンタ信号Ｃ１〜ＣＬとＴＦ正誤信
号を受けて、Ｌ個の分類部１１−１〜Ｌの内から、カウ
ンタ信号が下限値Ｃleast以下の分類部１１、もしくは
カウンタ信号Ｃが下限値Ｃleast以下の分類部１１が存
在しない場合は、カウンタ信号Ｃが最小の分類部１１を
選択し、該当する分類部１１−ｘのラベル番号ｘを出力
する選択回路、６３はカウンタ信号Ｃの初期値Ｃstart
を保持するカウンタ初期値記憶回路である。教師信号Ｔ
と入力信号Ｓは、そのままカテゴリ信号Ｐｘ’、係数Ｗ
ｘ’として出力します。

【００３４】次に、以上のように構成された上記実施例
の動作について説明する。まず、全体の動作について図
７の流れ図を参照して説明する。まず、ステップ７１で
分類部１１−１〜Ｌは入力信号Ｓが発生するまで待ち、
入力が発生したなら、ステップ７２で選択出力部１２は
入力Ｓが属していると思われるカテゴリ信号Ｐを出力す
る。その後ステップ７３において、調整部１３はカテゴ
リ信号Ｐと教師信号Ｔとを比較し、その結果に基づいて
調整を行う。

【００３５】次に、上記実施例の動作の細部について説
明する。本実施例の処理過程は、分類処理、学習処理の
二つの処理に分けて考える事ができる。

【００３６】分類処理においては、カウンタ信号Ｃとし
てＣleast以下の値を持つ分類部１１は、いかなる入力
に対しても不活性化され、動作しない。

【００３７】分類処理において、Ｎ個の入力信号Ｓは、
全ての分類部１１−１〜Ｌに入力される。活性化されて
いる各分類部１１において、距離計算手段２２は、入力
信号Ｓと係数記憶手段２１に保持される係数Ｗについ
て、以下のように距離計算を行い、距離信号Ｄを比較手
段２４に出力する。

【００３８】比較手段２４においては、受け取った距離信号Ｄとしき
い値記憶手段２３に記憶されている固定のしきい値Ｒと
を比較する。比較手段２４は、Ｄ≦Ｒが成り立つときの
み、比較信号Ｆをカテゴリ出力手段２６とカウンタ出力
手段２８に出力する。カテゴリ出力手段２６は、比較信
号Ｆを受け取ると、カテゴリ記憶手段２５に記憶されて
いるカテゴリ信号Ｐを出力する。カウンタ出力手段２８
は、比較信号Ｆを受け取ると、カウンタ記憶手段２７に
記憶されているカウンタ信号Ｃを出力する。

【００３９】このようにして、Ｌ個の分類部１１−１〜
Ｌから、Ｌ’個のカテゴリ信号Ｐ１〜ＰＬ’およびカウ
ンタ信号Ｃ１〜ＣＬ’が出力される。

【００４０】選択出力手段１２は、ある入力信号Ｓに対
して、最大Ｌ個の入力の内で、カウンタ信号Ｃが最大の
入力のカテゴリ信号Ｐを選択出力部出力Ｐｘとして出力
するか、もしくはいずれの分類部１１からもカテゴリ信
号Ｐおよびカウンタ信号Ｃの出力が行われなかった場合
は、Ｐｘ＝UNKNOWNを出力する。

【００４１】これで、入力Ｓに対して、一つのカテゴリ
もしくは、「わからない」が選択されたことになる。

【００４２】学習処理においては、調整部１３におい
て、まず、選択出力部出力Ｐｘと教師信号Tとの比較を
行い、不答、正答、誤答の３つに応じて操作が行われ
る。

【００４３】不答すなわち「わからない」という出力の
場合は、カウンタ信号ＣがＣleast以下である分類部１
１もしくはカウンタ信号ＣがＣleast以下である分類部
１１が存在しない場合はカウンタ信号Ｃが最小の分類部
１１に、そのときの入力Ｓを係数Ｗとして代入し、カウ
ンタ信号Ｃに初期値Ｃstartを代入する。

【００４４】正答の場合は、選択された分類部１１−ｘ
のカウンタ信号ＣにDC1を加え、係数Ｗを入力信号Ｓに
応じて調整する。

【００４５】誤答の場合は、選択された分類部１１−ｘ
のカウンタ信号ＣからＤＣ２を減じ、係数Ｗを入力信号
Ｓに応じて調整する。ここで、カウンタ信号がＣleast
以下になった場合は、以後その分類部１１は不活性化さ
れ、不答もしくは誤答の場合の処理によって再活性化さ
れるまで使われなくなる。また、同時に、不答の場合と
同様に、カウンタ信号ＣがＣleast以下である分類部１
１もしくはカウンタ信号ＣがＣleast以下である分類部
１１が存在しない場合はカウンタ信号Ｃが最小の分類部
１１に、そのときの入力信号Ｓを係数Ｗとして入力し、
カウンタ信号Ｃに初期値Ｃstartを入力する。

【００４６】次に、正答時のＷ’の算出について説明す
る。この場合、必要となる動作は、一定距離信号ＤＷだ
けＷをＳの方に近づけるという事なので、Ｗ’＝Ｗ＋ＤＷ（Ｓ−Ｗ）／｜Ｓ−Ｗ｜で求められる。

【００４７】また、誤答の場合もＤＷの符号が反転する
だけなので、同様な処理で求める事ができる。

【００４８】本実施例の初期状態としては、全ての分類
部１１−１〜Ｌにおいてカウンタ信号Ｃが下限値Ｃleas
tにセットされた状態からスタートするものとする。第
１の入力信号Ｓに対しては必ず「わからない」という出
力を行い、学習処理において、１つの分類部１１が活性
化される。

【００４９】本実施例においては、入力信号Ｓと係数Ｗ
の間の演算はユークリッド距離計算を用いたが、入力信
号に対して適当な計量テンソルを設定することでより分
類の効果を向上させる事ができる。また、距離が一定に
なるように正規化された入力信号Ｓに対しては、入力信
号Ｓと係数Ｗの内積で置き換える事が可能である。

【００５０】なお、移動距離ＤＷをカウンタ値Ｃおよび
距離信号ｄで重み付けする事も考えられ、ロバスト性等
に影響する。

【００５１】なお、正誤処理手段４２において行う調整
は、カウンタ信号Ｃ、係数Ｗのどちらか片方を省略する
事も可能である。

【００５２】（実施例２）以下、本発明のパターン分類
装置の第２の実施例について、図面を参照しながら説明
する。

【００５３】第１の実施例においては、分類部１１の状
態によっては「わからない」という出力を行う場合があ
るが、本実施例においては、そのような場合は、入力信
号Ｓに最も距離が近い係数Ｗを持つ分類部のパラメータ
を出力させる事で、「わからない」を出力する回数を減
少させるものである。

【００５４】図８は本実施例の構成を示すブロック図で
ある。図８において、８１−１〜Ｌは、第１の実施例に
おける分類部１１−１〜Ｌに、全ての入力信号Ｓに対し
てＬ個の距離信号Ｄ−１〜Ｌを含む分類部出力Ａ１〜Ａ
Ｌを出力する機能を付加した分類部、８２はＬ個の距離
信号Ｄ−１〜Ｌと、Ｌ個のカテゴリ信号Ｐ−１〜Ｌを含
むＬ個の分類部出力Ａ１〜ＡＬを受け、あらかじめ設定
された演算の結果に基づいて、カテゴリ信号Ｐｘと、ラ
ベル信号ｘを出力する最近傍探索部、８３は選択出力部
出力がUNKNOWNである場合は、最近傍探索部８２からの
カテゴリ信号Ｐdminおよびラベル信号dminを、出力する
出力切り替え部である。

【００５５】図９は最近傍探索部８２の詳しい内部構成
を示すブロック図である。図９において、９１はＬ個の
距離信号Ｄ−１〜Ｌをうけ、距離信号Ｄ−１〜Ｌの内の
最小値を選択し、該当するラベル番号dminを出力する最
小距離選択手段、９２はＬ個のカテゴリ信号Ｐ１〜ＰＬ
およびラベル信号dminを受け、ラベル信号dminに該当す
るカテゴリ信号Ｐdminを出力する出力手段である。

【００５６】つぎに、本実施例の動作について説明す
る。本実施例においては、分類処理において、ある入力
信号Ｓが発生したときに、分類部８１−１〜Ｌ全てが距
離信号Ｄ−１〜Ｌとカテゴリ信号Ｐ１からＰＬを出力す
る。第１の実施例と同じ構成の選択出力部１２において
は、第１の実施例と同様に処理を行い、１個以上ののカ
ウンタ信号Ｃ１〜ＣＬ’が出力された場合は、Ｌ’個の
カウンタ信号Ｃ１〜ＣＬから最大のカウンタ信号Ｃｘを
選択し、カウンタ信号Ｃｘ、カテゴリ信号Ｐｘ、ラベル
信号ｘを出力する。いずれの分類部１１からもカウンタ
信号Ｃの出力が行われなかった場合は、UNKNOWNが出力
される。同時に、最近傍探索部８２においては、Ｌ個
の距離信号Ｄ−１〜Ｌから最小の距離信号Ｄ−ｘを選択
し、該当するカテゴリ信号Ｐdminおよびラベル信号dmin
を出力する。

【００５７】次に、出力切り替え部８３においては、選
択出力部出力ＰｘがUNKNOWNでない場合は、選択出力部
１２からのカテゴリ信号Ｐｘを出力し、調整部１３に選
択出力部１２からのカテゴリ信号Ｐｘおよびラベル信号
ｘを出力する。Ｐｘ＝UNKNOWNである場合は、最近傍探
索部８２からのカテゴリ信号Ｐdminを出力し、調整部１
３に最近傍探索手段８２からのカテゴリ信号Ｐdmin、ラ
ベル信号dminを出力する。

【００５８】以上のように構成する事で、本実施例にお
いては、「わからない」という出力を行うのは、全ての
分類部１１が不活性化されている、すなわち全ての分類
部１１のカウンタ信号ＣがＣleast以下であるときのみ
である。

【００５９】（実施例３）次に、本発明のパターン分類
装置の第３の実施例について、図面を参照しながら説明
する。

【００６０】本実施例は、分類部出力Ａ１〜ＡＬに含ま
れる評価値信号として、カテゴリ信号Ｐ１〜Ｌを用いて
分類を行う。また、カテゴリ値の出力を行った全ての分
類部１１−１〜Ｌ’に対してカウンタ信号Ｃおよび係数
Ｗの調整を行う。

【００６１】本実施例の構成は、第１および第２の実施
例において選択出力部から出力されるラベル信号の代わ
りに、Ｍ’個のカテゴリ信号Ｐｓ−１〜Ｍ’が出力され
るものである。

【００６２】図１０は、本実施例における選択出力部の
内部構成を示すブロック図である。図１０において、１
０１は、Ｌ個の分類部からのＬ’個のカテゴリ信号Ｐ１
〜ＰＬ’を受け、カテゴリごとに集計して最大Ｍ個の各
カテゴリ毎の入力数ＮＰ−１〜Ｍ’およびそれぞれのカ
テゴリＰｓ−１〜Ｍ’を出力する集計手段、１０２は入
力数ＮＰ−１〜Ｍ’およびカテゴリＰｓ−１〜Ｍ’を受
け、ＮＰの最大値ＮＰ−ｚを選択し、該当するカテゴリ
Ｐｓ−ｚを出力する最大カテゴリ出力手段である。

【００６３】次に本実施例の動作について説明する。本
実施例における分類処理において、ある入力信号Ｓが発
生したときに、各分類部１１−１〜Ｌは、それぞれ独立
に演算を行い、条件を満たした場合はカテゴリ信号Ｐを
出力する。Ｌ’個の分類部においてＰの出力が行われた
ならば、Ｐ１〜Ｌ’が出力される事になる。選択出力手
段１２においては、カテゴリ信号Ｐ１〜Ｌ’をうけ、そ
れぞれのカテゴリ毎に集計し、各カテゴリ毎の入力数Ｎ
Ｐを求める。入力されたＰ１〜Ｌ’がＭ’個のカテゴリ
に全て含まれるとすれば、ＮＰ−１〜Ｍ’が出力され
る。同時に、それぞれのＮＰに対応するカテゴリ信号Ｐ
もＰｓ−１〜Ｍ’として出力されるものとする。次に、
最大カテゴリ選択手段１０２では、入力数ＮＰ−１〜
Ｍ’の内で、最大の入力数ＮＰを選択し、該当するカテ
ゴリ信号Ｐｓ−ｚを出力する。もしくは、入力信号Ｓが
発生して、いずれの分類部１１からもカテゴリ信号Ｐの
出力が行われなかった、すなわちＬ’＝０の場合は、集
計手段１０１からUNKNOWN信号が出力される。これで、
入力信号Ｓに対して、一つのカテゴリもしくは「わから
ない」が分類された事になる。

【００６４】学習処理において、調整手段１３は、カテ
ゴリ信号Ｐが出力された分類部１１−１〜Ｌ’全てから
カテゴリ信号Ｐ１〜Ｌ’をうけ、実施例１と同様に、分
類部１１−１〜Ｌ’全てに対して係数Ｗ並びにカウンタ
信号Ｃの調整を行う。

【００６５】以上のように、評価値信号としてカテゴリ
値Ｐのみを用いた分類を行い、一つの入力信号Ｓについ
て複数個の分類部１１を調整する事ができる。

【００６６】なお、本実施例の調整手段１３において、
評価値信号として距離信号Ｄやカウンタ信号Ｃを用いる
事で、Ｌ’個の分類部全てではなく、一部に限定して調
整を行う構成とする事も容易である。

【００６７】（実施例４）以下、本発明のパターン分類
装置の第４の実施例について図面を参照して説明する。
本実施例においては、分類部を第１層のユニット、選択
出力部を第２層のユニットと称する。図１１は本発明の
一実施例におけるパターン分類装置の構成を示すもので
ある。図１１において、１１１はＮ個の入力信号Ｓが入
力される最大Ｍ個の第１層のユニット、１１２は第２層
のユニット、１１３はパターン分類装置全体をコントロ
ールするコントロール部、１１４は第２層のユニット１
１２の出力信号Ｒと学習の教師信号Ｔとを比較する比較
器である。第１層の各ユニット１１１は、Ｎ個の入力信
号Ｓに対しそれぞれＮ個の係数をか、または入力信号と
係数との間の距離計算を行う演算し、その結果に対して
全てのユニットを同じ固定のしきい値と比較し、その大
小関係からそのユニットが持つパターンと同じ分類を示
す値またはおなじ分類でないことを示す値を出力する分
類手段１１５と、分類されたパターンと同じパターンを
持つユニットを強化するとともに、異なるパターンを持
つユニットを弱化する調整手段１１６を備えている。調
整手段１１６としては、ユニットを強化する場合はＫ値
（任意の整数）を加え、ユニットを弱化する場合はＫ値
を減じるアップダウンカウンタが使用されている。

【００６８】次に、上記実施例の動作について説明す
る。まず、全体の動作について図１２に示すフローチャ
ートを参照して説明する。まず、ステップ１２１で入力
信号Ｓが発生したかどうかが判定され、入力信号Ｓが発
生している場合は、続いてステップ１２２で学習事象
（カテゴリ）があるかどうかが判定され、ない場合には
ステップ１２３で後述する分類判定処理１が行なって入
力信号Ｓから分類パターンを求め、再びステップ１２２
で学習事象の有無が判定され、今度は学習事象が存在す
るので、ステップ１２４に移って後述する分類判定処理
２を行なった後、ステップ１２５で学習を行なう。

【００６９】次に、上記実施例の動作の細部について説
明する。本実施例の処理過程には、大きく分けて２種類
の処理がある。それは、入力信号Ｓによって分類された
パターンを覚える学習処理と、入力信号Ｓを学習により
覚えた結果に基づいてパターンの分類を行なう分類判定
処理１である。学習処理もその前には必ず分類判定処理
２を行なう。

【００７０】分類判定処理１では、Ｎ個の入力信号Ｓが
第１層のユニット１１１に入力される。第１層のユニッ
ト１１１には、Ｌ個のパターン分類を示す役割が事前に
決められており、例えば、第１層の１番目からａ番目は
パターン１の分類、ａ＋１番目からｂ番目はパターン２
の分類、・・・、ｄ番目からＭ番目はパターンＬの分類
を示すように定められている。

【００７１】第１層の各ユニット１１１は、入力信号Ｓ
に基づいてパターンの分類結果を信号Ｐ１〜Ｐｍとして
出力する。信号Ｐ１〜Ｐｍは、１または０が用いられ、
０は分類なし、１は分類結果がそのユニットに決められ
た分類であることを示す。第１層の各ユニット１１１か
ら出力された分類結果は、第２層のユニット１１２に入
力され、多数決論理をユニット１１２で行ない、信号Ｐ
１〜Ｐｍのうちで最も１が多かったパターンの番号を出
力信号Ｒとして出力する。

【００７２】第２層のユニット１１２から出力信号Ｒが
出力されたときに、コントロール部１３から信号Ｑ１〜
Ｑｍを通じて第１層のユニット１１１から出力された信
号Ｐ１〜Ｐｍのうち、１を出力したユニット内部の調整
手段１１６であるアップダウンカウンタをＫ値だけ上昇
させる。

【００７３】分類判定処理１は、図１３に示すように、
Ｎ個の入力信号Ｓに対してそれぞれＮ個の係数を掛け合
わせか、または入力信号と係数との距離計算を行う演算
をするステップ１３１と、その計算結果に対して全ての
ユニットを同じ固定のしきい値と比較するステップ１３
２と、計算結果が固定しきい値よりも小さい場合は分類
ありを出力して、その値を出力したユニットを記憶する
ステップ１３３と、計算結果が固定しきい値以上の場合
は分類なしを出力するステップ１３４とを有する。

【００７４】分類判定処理２は、図１４に示すように、
分類判定処理１で分類された結果、第１層に該当する分
類パターンがあるかどうかを判定するステップ１４１
と、分類結果と同じパターンを出力した第１層のユニッ
トが備えているアップダウンカウンタの値をＫ値だけ上
昇させるステップ１４２とを有する。

【００７５】次に学習処理について説明する。学習処理
は、図１５に示す。学習処理が実行される前に前述した
ように、入力信号Ｓに基づいて分類判定処理２を実施す
る。学習処理では、入力信号Ｓのパターン分類を示す教
師信号Ｔが同時に入力され、ステップ１５１でこの教師
信号Ｔと第２層のユニット１１２の出力信号Ｒとが比較
器１１４により比較され、その結果は信号Ｄとして出力
される。信号Ｄは、マイナス１、０およびプラス１の信
号値が用いられ、マイナス１は分類なし、０は分類誤
り、プラス１は出力信号Ｒと教師信号Ｔが同一であった
ことを示す。

【００７６】信号Ｄがプラス１すなわち出力信号Ｒと教
師信号Ｔとが同一の場合は、そのまま処理を終了する。
信号Ｄがマイナス１すなわち分類なしの場合は、分類さ
れたパターンを出力した第１層のユニットのうち、アッ
プダウンカウンタの値がマイナスの値を示すユニットの
係数に入力信号Ｓを代入し、そのカウンタ値をゼロにす
る（ステップ１５２）。または分類されたパターンを出
力した第１層のユニットのうち、アップダウンカウンタ
の値がマイナスの値を示すものがないときは、アップダ
ウンカウンタの値がゼロまたは一定の値Ｗ以下の値を示
すユニットの係数に入力信号Ｓを代入し、アップダウン
カウンタの値をゼロにする（ステップ５３）。また、信
号Ｄが０すなわち分類誤りの場合は、教師信号Ｔと異な
った分類を示した第１層のユニット１１１の内部のアッ
プダウンカウンタをＫ値だけ下降させる（ステップ１５
４）。

【００７７】次に、図１１における第１層のユニット１
１１の詳しい内部構成および動作について図１６を参照
して説明する。まず、１６０１，１６０２，１６０３は
入力信号ＳのＮ個の要素の入力値、１６０４，１６０
５，１６０６は演算器、１６０７，１６０８，１６０９
は係数記憶手段、１６１０，１６１１，１６１２は係
数、１６１３，１６１４，１６１５は比較器、１６１
６，１６１７，１６１８は固定しきい値記憶手段、１６
１９，１６２０，１６２１は固定しきい値信号、１６２
２、１６２３、１６２４は比較器１６１３，１６１４，
１６１５の出力信号値、１６２５は加算・比較器、１６
２６はパターン分類信号、１６２７はパターン分類信号
１６２６とコントロール部１１３からの信号１６３０と
を比較する比較器、１６２８はアップダウンカウンタ、
１６２９はアップダウンカウンタ１６２８が使用された
ことを記憶する記憶手段、１６３０，１６３１，１６３
２はコントロール部１１３から出力された信号、１６３
３は比較器１６２７から出力された信号、１６３４はア
ップダウンカウンタ１６２８から出力された信号、１６
３５は記憶手段１６２９から出力された信号である。

【００７８】分類判定処理１では、入力信号値１６０１
〜１６０３と係数１６１０〜１６１２とが演算器１６０
４〜１６０６で掛け合わすか、または距離計算する演算
を行い、その結果が比較器１６１３〜１６１５で固定し
きい値信号１６１９〜１６２１と比較され、その出力信
号１６２２〜１６２４（１，０の２値信号）が加算・比
較器１６２５に入力される。加算・比較器１６２５で
は、出力信号１６２２〜１６２４が全て１の値になって
いるかどうかを確認し、全ての信号値が１の場合はパタ
ーン分類信号１６２６は１、その他の場合は０が出力さ
れる。パターン分類信号１６２６が１の場合は、そのこ
とが記憶手段１６２９に記憶され、その信号１６３５が
コントロール部１１３に伝えられる。

【００７９】分類判定処理２の場合は、分類判定処理１
と同様の処理と、コントロール部１１３からの信号１６
３１に基づいて、信号１６３１の値が１の場合はアップ
ダウンカウンタ１６２８のカウンタ値をＫ値だけ上昇さ
せ、０の場合は何もしない。なお、アップダウンカウン
タ１６２８の値は、装置が最初にスタートした時点では
マイナスの値が設定されている。

【００８０】また、学習処理では、分類判定処理２の処
理の後、コントロール部１１３からの信号１６３０、１
６３２に基づいて制御を実施する。信号１６３０が値１
の場合は、パターン分類信号１６２６と比較器１６２７
で比較を行ない、パターン分類信号１６２６が信号値１
の場合は、比較器１６２７から値１の信号１６３３が出
力されてアップダウンカウンタ１６２８をＫ値だけ下降
させる。また、信号１６３２が値１の場合は、入力信号
Ｓが係数記憶手段１６０７〜１６０９に格納され、同時
に信号１６３１もアップダウンカウンタ１６２８に入力
され、アップダウンカウンタ１６２８はゼロまたは一定
の値にリセットされる。アップダウンカウンタ１６２８
の値が変わると、その信号１６３４がコントロール部１
１３に伝えられる。

【００８１】（実施例５）以下、本発明における環境認
識装置の実施例を説明する。環境認識装置は、使用者の
意思の入力する操作手段と本発明におけるパターン分類
装置を用いた学習手段の組み合わせを中心に構成され
る。つまり、機器に内蔵された複数のセンサ情報や前記
のセンサの情報、使用者が設定した情報、機器の運転時
間のうち少なくても１つ以上を入力信号とした演算手段
と、演算手段からの出力を入力とし、使用者の意志を入
力とする操作手段からの出力を教師信号とした第１の発
明のパターン分類装置を用いた学習手段と、前記演算手
段からの出力信号と学習手段からの出力を入力として、
使用者の意志や感覚を推定する推定手段を具備すること
を基本構成にする。第１の発明のパターン分類装置は、
入力信号空間において内部パラメータと入力信号との距
離計算を行い、その値と固定しきい値との比較を行って
いるために、入力信号の分布の状態や入力信号の歪み等
により、効率的な学習が行えるかどうかの重要な要因と
なる。このため、演算手段では前記の各手段からの入力
信号を第１の発明のパターン分類装置において最も効率
の良い学習が実行できるように特徴量を抽出したり、デ
ータの正規化により信号値の最大最小の振幅を合わせた
りするための演算を実行する。

【００８２】なお、センサ手段の具体的な例としては、
気温、湿度、輻射温度、可視光、赤外光、風量、風向、
音、時刻、カレンダーの検出手段が含まれる。

【００８３】図１７（Ａ）に環境認識装置の基本構成の
ブロック図を示す。図１７（Ａ）において１７１はセン
サ手段であり、１７２はセンサ手段の出力値の記憶手段
であり、１７３は使用者の装置の内部パラメータを設定
するための設定手段であり、１７４は使用者の意思を入
力するための操作手段であり、１７５は運転時間検出手
段であり、１７６は前記の各種手段からの情報を加工す
る演算手段であり、１７７は学習手段を示す。１７８は
使用者の意志、感覚や制御対象の機器への評価指標を推
測する推測手段である。

【００８４】以上の構成における推測手段１７８と学習
手段１７７の基本的な役割を示すと、推測手段１７８は
事前に推定される標準的な使用者の操作方法や感覚また
は装置の評価指標を推測する手段であり、学習手段１７
７は、使用者毎に異なる操作方法、意志や感覚の違い、
装置の評価指標の偏差を、装置の設置現場や使用者の使
用環境において学習する事によって補正する手段であ
る。

【００８５】以上の構成における動作の流れを以下に示
す。センサ手段１７１、センサの出力値の記憶手段１７
２、使用者が設定する装置の内部パラメータ等の設定手
段１７３および運転時間検出手段１７５からの出力１７
１１、１７２１、１７３１、１７５１は前述した演算を
実行する演算手段１７６に入力される。演算手段１７６
では入力信号の正規化や特徴量の抽出が行われ、出力信
号１７６１、１７６２として推測手段１７８と学習手段
１７７に入力される。学習手段１７７は出力信号１７６
２、推測手段１７８からの出力信号１７８３を入力と
し、使用者の意志を入力する操作手段１７４からの意志
表示値１７４１を教師信号として学習を行う。学習は、
教師信号１７４１が入力された時に逐次実行される。教
師信号が無い場合に入力信号１７６２が入力されると、
出力信号１７８３と入力信号１７６２に基づいて学習結
果１７８４を出力する。学習結果１７８４は推測手段１
７８に入力され、入力信号１７６１とともに推測手段１
７８で使用者の意志や感覚、装置の評価指標等を推測し
て信号１７９として出力する。

【００８６】なお、学習手段１７６は演算手段からの出
力信号のうち少なくても１つ以上を入力信号とし、１７
４の操作手段からの信号を教師信号として、教師信号が
出力される度に逐次学習することを目的としたもので、
第１の発明であるパターン分類装置を用いることにより
効率の良い学習が実行できる。しかし、各種のパターン
分類装置、例えばＬＶＱやＲＣＥ等のパターン分類型の
ニューラルネットワークや統計処理による識別方法を用
いることも可能である。推測手段１７８は多数の入力か
ら使用者の意志や制御対象の機器への評価指標値１７９
を推測するためにニューラルネットワークや統計処理を
用いる方法がある。また、学習手段１７７の出力は推測
手段１７８に入力され、推測手段１７８ではその他の入
力情報を合わせて使用者の意志や制御対象の機器への評
価指標１７９が推測されるが、学習手段１７７と推測手
段１７８の間は相互に情報を交換しながら推測値を求め
る場合もある。

【００８７】図１７（Ｂ）に推測手段１７７と学習手段
１７８との間の相互情報の流れの例を示す。図１７
（Ｂ）の推測手段１７８の内部には、前推測部１７８１
と後推測部１７８２により構成される。入力信号１７６
１より前推測部にて使用者の感覚や装置の評価指標１７
８３が推測される。推測値１７８３をＡとすると、推測
値１７８３は後推測部１７８２と学習手段１７７に入力
される。学習手段１７７では、以前の学習結果に基づい
て入力信号１７６２と推測値１７８３から出力信号１７
８４が生成される。出力信号１７８４の値をＢとする。
後推測部１７８２では、推測値１７８３と出力信号１７
８４に基づいて推測結果１７９が出力される。推測結果
は、上記の例ではＦ(Ａ，Ｂ)やＡ＋α・Ｂとなる。Ｆ
(Ａ，Ｂ)はＡ、Ｂにより値が決定される線形や非線形関
数で、αは推測値１７８３と出力信号１７８４に基づい
て決定される。

【００８８】なお、上述したように逐次処理で推測結果
１７９を求める方法以外に、推測手段と学習手段で繰り
返しやり取りして、推測値の安定した状態を求めたりす
る連想記憶処理も用いる事ができる。（実施例６）次に、第２の発明の環境認識装置を用いた
具体的な実施例として空調機を示す。

【００８９】以下、本発明の一実施例について図面を参
照して説明する。図１８は本発明の一実施例における空
調機の概略ブロック図である。図１８において、１８１
はセンサ手段であり、１８１１はセンサ信号であり、１
８２はセンサ信号を記憶する記憶手段であり、１８２１
は記憶されたセンサ値であり、１８３はリモコンまたは
操作パネル等の使用者が装置の内部パラメータ、例えば
設定温度等を設定する設定手段であり、１８３１は操作
手段１８３において使用者が入力設定した温度や体感等
の信号値であり、１８３２は設定手段１８３によって空
調機１８８の運転が開始された時間を示す運転開始時間
信号であり、１８４は操作手段１８３によって空調機１
８８の運転が開始されてから現在までの時間を検出する
運転時間検出手段であり、１８４１は運転時間経過信号
であり、１８５は操作内容推測手段であり、１８５１は
操作内容推測値であり、１８５２は操作内容推測手段１
８５から出力された参照情報値で重み付けされた操作内
容推測値であり、１８６は学習手段、１８６１は学習手
段１８６で得られた参照情報値であり、１８７は操作内
容作推測値１８５２により空調機１８８を制御するため
の制御信号を生成する制御信号生成手段であり、１８７
１は制御信号、１８８は空調機である。使用者の意志を
入力とする操作手段１８９は学習手段１８６に教師信号
を出力する。以上の構成における操作内容推測手段１８
５と学習手段１８６の基本的な役割を示すと、操作内容
推測手段１８５は事前に推定される標準的な使用者の操
作方法を推測する手段であり、使用者により異なる操作
方法、意志や感覚の違いを学習手段１８６により、装置
の設置現場において学習して、その偏差を補正するもの
である。操作内容推測手段１８５は入力信号に対する処
理の方法が明示的にできる場合はルールやアルゴリズム
で構成できるが、入力信号に対する処理の方法が使用者
の意志や感覚を扱う場合には複雑になりルールやアルゴ
リズムにて構成できないことがある。この場合は、操作
内容推測手段１８５を多次元情報処理手法としてニュー
ラルネットワークを導入し、学習を行った状態のニュー
ラルネットワークを推測手段として用いる。センサ手段
１８１、記憶手段１８２、設定手段１８３、運転時間検
出手段１８４、操作手段１８９、操作内容推測手段１８
５、学習手段１８６によって構成される部分が前述した
環境認識装置の構成である。センサ手段１８１、記憶手
段１８２、設定手段１８３および運転時間検出手段１８
４からの出力信号（１８１１、１８２１、１８３１、１
８４１）は学習手段の装置の構成により前記環境認識装
置に示した演算手段を挿入するか、または学習手段のな
かで学習が効率良く実行できるように実行できる。本実
施例では、後述するように学習手段１８６の詳細説明図
１５のなかの入力信号正規化部が演算手段になる。

【００９０】なお、センサ手段の具体的な例としては、
気温、湿度、輻射温度、可視光、赤外光、風量、風向、
音、時刻、カレンダーの検出手段が含まれる。

【００９１】以上のような構成において、以下その動作
について説明する。多数のセンサ手段１８１、例えば外
気温センサ、吸い込み温度（室温）センサ、湿度センサ
等は空調機１８８内に設けられている。センサ手段１８
１からセンサ信号１８１１が出力されると、その内容で
ある室外温度、吸い込み温度、湿度などが、操作内容推
測手段１８５および記憶手段１８２へ出力される。記憶
手段１８２は、入力されたセンサ信号１８１１について
過去Ｎ秒間（Ｎは正の実数）の履歴を記憶するととも
に、記憶されたセンサの前の状態、例えば室内温度のＮ
秒間隔の傾斜センサ値１８２１を出力する。一方、設定
手段１８３からは、使用者が入力設定した温度、風量、
風向、暑い、寒い等の体感を表わす信号値１８３１およ
び空調機１８８の運転開始時間信号１８３２が運転時間
検出手段１８４へ向けて出力される。運転時間検出手段
１８４では、空調機１８８の運転開始から現在までの時
間ｔ１を次式のように計算し、運転時間経過信号１８４
１を操作内容推測手段１８５へ出力する。

【００９２】ｔ１＝ｔｎ − ｔ０・・・（１）ｔｎ：現在時刻ｔ０：運転開始時刻なお、運転時間検出手段１８４が、月、日、時間につい
ての信号を出力するカレンダー機能を備えている場合に
は、運転時間経過信号１８４１とともに、これらカレン
ダー情報についての信号が操作内容推測手段１８５へ出
力される。

【００９３】各手段１８１、１８２、１８３、１８４か
ら出力された信号１８１１、１８２１、１８３１、１８
３２、１８４１を入力された操作内容推測手段１８５
は、事前に学習が済んだニューラルネットを用いて操作
手段１８３の操作内容を推測して、その結果の操作内容
推測値１８５１を学習手段１６へ向けて出力する。各手
段からの信号１８１１、１８２１、１８３１、１８３
２、１８４１は直接入力する場合もあるが、前記環境認
識装置にて示した様に、信号値が０から１までになるよ
うにの正規化したり、学習や推測する場合に効率よく行
えるように特徴量を算出したりする演算を行う場合があ
る。本例では、図１２に示す入力信号正規化部にあた
る。

【００９４】操作内容推測値１８５１は、「温度を１度
上げる」、「風量を１段強くする」などである。操作内
容推測手段１８５から出力された操作内容推測値１８５
１は、学習手段１８６からの参照情報値１８６１により
重み付けされた操作内容推測値１８５２として制御信号
生成手段１８７に入力され、ここで制御信号１８７１を
生成して空調機１８８を制御する。

【００９５】一方、各手段１８１、１８２、１８３、１
８４からの出力信号１８１１、１８２１、１８３１、１
８３２、１８４１は学習手段１８６にも入力される。学
習手段１８６は人間の意志を入力する操作手段１８９か
らの人の意志を定量化した出力信号１８９１、例えば暑
い時は０、寒い時は１を教師信号として、操作内容推測
手段１８５が出力した操作内容推測値１８５１が正しい
か否かをニューラルネットを用いて学習する。学習は教
師信号に基づいて逐次実行される。学習が実行される度
に、ニューラルネットの参照情報値１８６１を操作内容
推測手段１８５に出力し、操作内容推測手段１８５は参
照情報値１８６１を用いて操作内容推測値１８５１を更
新し、学習された操作内容推測値１８５２として制御信
号生成手段１８７へ出力する。この内容の更新は逐次実
行される場合と、数１０回とか数１００回とかの学習が
行われた後に、実行することも可能である。

【００９６】次に、図１９を参照して操作内容推測手段
１８５の詳細について説明する。図１９はニューラルネ
ットの構成を示しており、本発明におけるニューラルネ
ットは、パターン分類型の各種のモデルが使えるが、本
実施例では、ＬＶＱ（Learning Vector Quantum ：参考
文献、T.Kohonen,"Self-Organization and Associative
Memory",2nd,Springer-Verlag,1988 ）を例に示す。図
１９において、１９１は入力信号正規化部であり、１９
２は参照情報部であり、人間の意思に合わせた「暑
い」、「寒い」、「満足」の３個のカテゴリ（事象）と
それぞれについてｍ個の参照情報を有する。１９３は距
離算出部であり、１９４はカテゴリ算出部である。

【００９７】以上のような構成において、以下その動作
について説明する。入力信号１９１０は、入力信号正規
化部１９１において正規化される。すなわち、全ての入
力信号ｘ１は、次式のように処理される。

【００９８】Ｓｘ１＝（ｘmax −ｘ１）／（ｘmax −ｘmin ）・・（２）Ｓｘ１：正規化された信号値ｘmax ：入力信号がとる最大値ｘmin ：入力信号がとる最小値入力信号１９１０は、外気温、吸い込み温度、吸い込み
温度の傾斜（Ｎ秒前の吸い込み温度）、風量、設定温
度、時間、暑い、寒い等である。入力信号正規化部１９
１により正規化された信号は、入力ベクトル１９１１と
して距離算出部１９３に出力される。距離算出部１９３
では、入力ベクトルと参照情報部１９２の各カテゴリ
「暑い」、「寒い」、「満足」における参照情報との距
離を算出する。例えば、「暑い」カテゴリの参照情報と
の距離（ｄＡj ）は、次式（３）から求められ、次いで
参照情報部１９２のディレクトリ１９２１を参照し、カ
テゴリ数３と各カテゴリの参照情報数を算出する。な
お、参照情報部１９２のディレクトリ１９２１の内容を
図２０に示す。

【００９９】ｄＡj ＝ Σ（ｘi − Ｒａji）² ・・・（３）ｄＡj ：ｊ番目の参照情報との距離ｘi ：ｉ番目の入力ベクトル値Ｒａji：ｊ番目の参照情報のｉ番目のベクトル値次に、各カテゴリに対し参照情報と入力ベクトルとの距
離を算出し、さらに全てのカテゴリに対しても同様の処
理を行なって距離を算出する。距離算出部１９３で求め
る距離の総数ｄnum は、次式（４）のようになる。

【０１００】ｄnum ＝ｍ１＋ｍ２＋ｍ３・・・（４）ｍ１：「暑い」カテゴリのリファレンス総数ｍ２：「寒い」カテゴリのリファレンス総数ｍ３：「満足」カテゴリのリファレンス総数次に、距離算出部１９３で求めた距離の総数ｄnum はカ
テゴリ算出部１９４に出力される。カテゴリ算出部１９
４では、ｄnum 個の距離で最も短い距離ｄminを算出
し、さらに該当参照情報が属するカテゴリを算出する。
なお、最短距離を出力する一般的なアルゴリズムを図２
１に示す。入力ベクトルと最短距離にある参照情報が属
するカテゴリを算出したカテゴリ算出部１８２４の出力
は、図１８の操作内容推測手段１８１５の出力となる。
たとえば、「寒い」カテゴリに対して「設定温度を１度
上げる」とか、「暑い」カテゴリに対して「設定温度を
１度下げる」とか、「満足」カテゴリに対して「設定温
度を変更しない」などと対応させる。

【０１０１】なお、操作内容推測手段１８５は推測内容
が簡単な場合はルールやアルゴリズムによる明示的な方
法も可能である。

【０１０２】次に、図２２を用いて学習手段１８１６の
詳細について説明する。図２２において、２２１は入力
信号正規化部であり、図１９の入力信号正規化部１９１
と共通の入力信号を正規化し、入力ベクトルに変換す
る。２２２も図１９と共通の参照情報部である。２２３
は参照情報検索部、２２４は参照情報生成部、２２５は
参照情報学習部である。

【０１０３】以上のような構成において、以下その動作
について説明する。入力信号正規化部２２１で正規化さ
れた入力信号は、入力ベクトルとして参照情報検索部２
２３に入力される。さらに入力ベクトルの正しいカテゴ
リ（教師データＴＣ）も同時に参照情報検索部２２３に
入力される。参照情報検索部２２３では、参照情報部２
２２のディレクトリを参照し、入力ベクトルの正しいカ
テゴリＴＣが例えば「暑い」カテゴリの場合、「暑い」
カテゴリの参照情報数が以下のような関係にある時、次
のような処理を行なう。

【０１０４】ＡＲNUM ＜ＡＲNUMmax ならば、参照
情報生成部２２４の処理を行なう。ＡＲNUM ≧ ＡＲNUMmax ならば、参照情報学習部２
２５の処理を行なう。

【０１０５】ＡＲNUM ：「暑い」カテゴリのリファレン
ス数ＡＲNUMmax：「暑い」カテゴリのリファレンス最大数参照情報生成部２２４では、入力ベクトルを正しいカテ
ゴリＴＣの参照情報として生成する。ここでは、「暑
い」カテゴリの参照情報を生成し、ＡＲNUM を１増や
す。

【０１０６】参照情報学習部２２５では、操作手段１８
３の出力値と入力ベクトルの正しいカテゴリを比較し、
一致している場合は、一番距離の短い参照情報を近づけ
る。また、操作手段１８３の出力値と入力ベクトルの正
しいカテゴリが一致していない場合は、一番距離の短い
参照情報を遠ざける。すなわち、ＯＣ＝ＴＣならばＲＶ＝ＲＶ＋ α（ＲＶ − Ｓｘ）ＯＣ ≠ ＴＣならばＲＶ＝ＲＶ − α（ＲＶ − Ｓｘ）ＲＶ：入力ベクトルと一番距離の短い参照情報ＯＣ：出力カテゴリ（ＲＶのカテゴリ）ＴＣ：入力ベクトルの正しいカテゴリＳｘ：入力ベクトル α ：学習レート従って、参照情報学習部２２５では、参照情報数が参照
情報の最大値を超えるまでは、入力ベクトルを入力ベク
トルの正しいカテゴリの参照情報として生成する。ま
た、最大値を超えてからは、出力カテゴリと入力カテゴ
リが一致した場合は、参照情報を入力ベクトルの方向へ
少し近づけ、一致しない場合は、参照情報を入力ベクト
ルから少し遠ざける。近づけたり、遠ざけたりする距離
はαで設定する。

【０１０７】以上のように、上記実施例によれば、ニュ
ーラルネットを用いることにより、センサ群からの入力
と出力を関係づけるルールを必要とせず、使用者の操作
内容を学習し、操作の先取り予測を行なうことにより、
例えば室内外の温度が何度で設定温度が何度の場合、運
転開始から何分後にはどのような条件に設定するかを、
部屋の環境や個人の好みにあわせて自動的に設定するこ
とができ、使用者をリモコン設定等の煩わしさから解放
することができる。

【０１０８】また、上記実施例において、第１の発明の
パターン分類装置を用いた空調機器では、センサ群から
の入力と出力を関係づけるルールを必要とせず、使用者
の操作内容を学習し、操作の先取り予測を行なうことに
より、例えば室内外の温度が何度で設定温度が何度の場
合、運転開始から何分後にはどのような条件に設定する
かを、部屋の環境や個人の好みにあわせて自動的に設定
することができ、使用者をリモコン設定等の煩わしさか
ら解放することができる。

【０１０９】なお、学習手段１８６と操作内容推測手段
１８５の間は相互に情報を交換しながら推測値を求める
場合もある。この相互の情報のやり取りも逐次処理で推
測結果求める方法以外に、推測手段と学習手段で繰り返
しやり取りして、推測値の安定した状態を求めたりする
連想記憶処理等の方法もある。

【０１１０】次に、第２の発明における環境認識装置の
具現化としてもう一つの空調機の制御例をしめす。この
空調制御では、空調における快適度に基づく空調制御を
示す。前記の空調機器の実施例では使用者の操作内容を
推測手段で推測を行っていた。これに対して、推測手段
で推測する値が空調における使用者の快適度評価指標の
場合を示す。

【０１１１】空調における快適度評価指標として一般的
に用いられる予測平均投票数ＰＭＶ(Predicted Mean
Vote）（以下ＰＭＶという）を用いる方法がある。ＰＭ
Ｖは、快適性を左右する要素として、温度、湿度、気流
速、輻射温度（周囲壁体）、代謝量、着衣状態の６要素
の組み合わせを変化させた環境試験室で、被験者から、
試験室での寒暑についての投票を受け、その結果を基に
定量化したものである。すなわち、人間の状態（代謝や
着衣の状況）と室内の環境（温度、湿度、機流速、周囲
壁体輻射）によって、計算したＰＭＶの値は、 −３：寒い −２：涼しい −１：やや涼しい０：なんともない＋１：やや暖かい＋２：暖かい＋３：暑いと評価できる。

【０１１２】次にＰＭＶを求める快適方程式について説
明する。快適方程式は PMV=(0.303eー0.036M+0.028) ×[(M-W)-3.05・10-3{5733 -6.99(M-W)-Pa} −0.42{(M-W)-58.15} -1.17・10ー5M(5867-pa) -0.0014M(34-ta)ー3.96・10ー8Mfc1{(tcl+273)4 -(tr+273)4}ーfclhc(tcl-ta)] tcl =35.7-0.028(M-w) -−0.155Icl[3.96・10-8fcl{(tcl+273)4 -(tr+273)4}+fclhcl(tcl-ta)] hcl = 2.38(tcl-ta)0.25 for 2.38(tcl-ta)0.25 > 12.1√var = 12.1√var for 2.38(tcl-ta）0.25 < 12.1√var fcl = 1.00+0.2Icl for Icl < 0.5clo 1.05+0.1Icl for Icl > 0.5clo M ：代謝量Ｗ／ｍ² W ：外部仕事Ｗ／ｍ² pa ：水蒸気圧Ｐａ ta ：空気温度 ℃ fcl：衣服野面積因子 tcl：衣服野表面温度 ℃ tr ：平均輻射温度 ℃ hc ：対流熱伝達率Ｗ／ｍ²℃ Icl：衣服野熱抵抗ｃｌｏ var：相対風速ｍ／ｓで表され、各センサからの入力データの値を上記の快適
方程式に代入し、快適度（ＰＭＶ）を算出する。空調環
境においては、室温、輻射温度、湿度、気流速について
はセンサにより直接測定したり、輻射温度、湿度、およ
び気流速については複数のセンサや空調機器の制御情報
に基づいて間接的に求める方法がある。例えば、空調機
器においてセンシング可能な情報、外気温、室温、使用
者の設定温度や風量の情報から室内の輻射温度をニュー
ラルネットワークを用いて事前に学習し、その学習した
状態のニュールネットワークを推測手段として用いる方
法がある。本実施例では、空調機器のセンサ手段の情報
から間接的に輻射温度を求める手段を前述した環境認識
装置では演算手段にあたり、ＰＭＶを推測または算出す
る手段が推測手段にあたるが、空調機器のセンサ手段の
情報から間接的に輻射温度を求める手段とＰＭＶを推測
または算出する手段を併せて推測手段とする場合があ
る。この他に以下に示す学習手段および使用者の意思を
入力する操作手段により前述した環境認識装置が構成さ
れている。

【０１１３】ところが、着衣量や代謝量については、そ
の状態を直接的にセンシングする技術が少ない。そこ
で、外気温度等により決定される固定値を用いられる。
そこで、着衣量、代謝量を、使用者の意思表示に基づい
て変化させる方法が挙げられる。本実施例では着衣量や
代謝量を使用者の意思表示に合わせて学習する方法を示
す。この学習には、第１の発明の発明手段を用いてい
る。具体的な学習方法としては、着衣量を使用者の意思
に合わせて学習する方法を示す。外気温度がＴ度の場
合、着衣量をＡclo値とした場合、使用者の意思表示
が、「暑い」、「寒い」の２種類により行われるとする
と、「暑い」場合は、（Ａ−α）clo値として着衣量を
少なくし、「寒い」場合は、（Ａ＋α）clo値として着
衣量を増やす方法で学習する。学習手段では、前述した
ように室内外の環境情報、運転時間、使用者の設定条
件、着衣量を入力として、使用者の申告を教師信号とし
た学習を第１の発明のパターン分類装置を用いた学習手
段により行う。変更された着衣量は空調機器の内部に保
存され、継続して使用者の申告がある場合は現状の着衣
量として使用される。

【０１１４】使用者の意思が２種類以上ある場合は、α
の値は使用者の意思の数に合わせて変更量を変える。ま
た、学習する内容は着衣量の変更量だけでなく代謝量の
場合も可能であるし、着衣量、代謝量の両方を組み合わ
せる方法もある。この変更された着衣量や代謝量を用い
て前述したニューラルネットワークを用いて推測手段に
おいてＰＭＶの算出を行い、空調制御手段に伝達され
る。空調制御手段ではＰＭＶの値に基づいて室温や風量
の制御を行う。推測手段はニューラルネットワーク以外
にもルールやアルゴリズムにより明示的に構成すること
もできる。また、学習手段は第１の発明のパターン分類
装置以外にも実施例６に示したＬＶＱやその他のパター
ン分類型のニューラルネットワークモデルやルール、ア
ルゴリズムによる方法がある。

【０１１５】

【発明の効果】第１の発明は、上記の実施例からも明ら
かなように、分類機が分類判定のためのしきい値を固定
にした分類を行うので、学習機構が簡単で、処理および
記憶容量が少なくて済むし、分類部の生成、強化、弱
化、消滅させながら学習を行うことができ、学習する環
境の変化にも効率良く、その傾向を模倣することがで
き、学習する環境の変化にも良く対応することできると
ともに、追加学習ができる。また、係数の調整によっ
て、ニューロンの位置を変更する事が可能なため、より
少ない記憶容量で学習ができ、入力パターンの経時変化
にも優れた追随性を持つことができる。

【０１１６】次に、第２の発明は、適応制御ができる学
習手段にパターン分類装置を組み込み、人間の意思を適
応的に学習する手段を持つ環境認識装置が構成できる。

【０１１７】また、第３の発明の環境認識装置を利用し
た空調機では、上記構成により、センサ手段および記憶
手段からの出力値である室内外の環境条件と使用者の入
力した設定温度値および空調機器の運転時間から使用者
の操作内容を推測するとともに、各手段から得られた結
果をもとに操作内容を学習することにより、部屋の環境
や個人の好みにあった空調運転を自動的にかつ容易に行
なうことができる。パターン分類装置に、第１の発明の
パターン分類装置を用いることにより、少数の学習デー
タでも効率良く学習できる。また、学習する環境の変化
にも良く対応することが可能となる。

【図面の簡単な説明】

【図１】本発明の第１の実施例におけるパターン分類装
置の構成図

【図２】同実施例における分類部の構成図

【図３】同実施例における選択出力部の構成図

【図４】同実施例における調整部の構成図

【図５】同実施例における正誤処理手段の構成図

【図６】同実施例における生成処理手段の構成図

【図７】同実施例におけるパターン分類装置の制御の流
れ図

【図８】本発明の第２の実施例におけるパターン分類装
置の構成図

【図９】同実施例における最近傍探索部の構成図

【図１０】本発明の第３の実施例におけるパターン分類
装置の選択出力部の構成図

【図１１】本発明の第４の実施例におけるパターン分類
装置の構成図

【図１２】同実施例における全体動作を示すフローチャ
ート

【図１３】同実施例における分類判定１の動作を示すフ
ローチャート

【図１４】同実施例における分類判定２の動作を示すフ
ローチャート

【図１５】同実施例における学習処理の動作を示すフロ
ーチャート

【図１６】同実施例における第１層のユニットの構成を
示す概略ブロック図

【図１７】（Ａ）本発明の第５の実施例における環境
認識装置の基本構成を示す概略ブロック図（Ｂ）同実
施例における推測手段と学習手段の流れを示す概念図

【図１８】本発明の第６の実施例における空調機の概略
ブロック図

【図１９】同実施例における操作内容推測手段の概略ブ
ロック図

【図２０】同実施例における参照情報部のディレクトリ
の内容を示す模式図

【図２１】同実施例における最短距離を出力するアルゴ
リズム例を示すフローチャート

【図２２】同実施例における学習手段の概略ブロック図

【図２３】従来のパターン分類装置におけるＲＣＥモデ
ルの動作を説明する模式図

【図２４】従来のパターン分類装置におけるＲＣＥモデ
ルの動作を説明する模式図

【図２５】従来のパターン分類装置におけるＲＣＥモデ
ルの動作を説明する模式図

【図２６】従来のパターン分類装置におけるＲＣＥモデ
ルの動作を説明する模式図

【図２７】従来のパターン分類装置におけるＲＣＥモデ
ルの動作を説明する模式図

【図２８】従来の空気調和機の制御装置における推論制
御ソフトウェアの構成を示す概略ブロック図

【図２９】同従来例における推論制御ソフトウェアの動
作を示す概略ブロック図

【符号の説明】

１１ー１〜Ｌ分類部１２選択出力部１３調整部Ａ１〜Ｌ分類部出力Ｐｘ選択出力部出力ｘラベル信号Ｔ教師信号Ｓ入力信号ＡＤＪ調整信号４１正誤判定手段４２正誤処理手段４３生成処理手段４４切り替え手段４５セレクタ手段８１ー１〜Ｌ分類部８２最近傍探索手段８３出力切り替え部１０１集計手段１０２最大カテゴリ選択手段１７１センサ手段１７２センサの記憶手段１７３使用者の設定手段１７４使用者の意志操作手段１７５運転時間検出手段１７６演算手段１７７学習手段１７８推測手段１７９信号１８１センサ手段１８２記憶手段１８３設定手段１８４運転時間検出手段１８５操作内容推測手段１８６学習手段１８７制御信号生成手段１８８空気調和機

───────────────────────────────────────────────────── フロントページの続き (72)発明者志田武彦神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内 (72)発明者 ▲吉田▼ 邦夫神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内 (72)発明者斉藤美恵神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内 (72)発明者赤嶺育雄大阪府門真市大字門真1006番地松下電器産業株式会社内 (72)発明者清水真大阪府門真市大字門真1006番地松下電器産業株式会社内 (72)発明者藤原克彦大阪府門真市大字門真1006番地松下電器産業株式会社内 (72)発明者横内朗大阪府門真市大字門真1006番地松下電器産業株式会社内 (56)参考文献特開昭61−173387（ＪＰ，Ａ) 特開昭61−131184（ＪＰ，Ａ) 特開平３−177742（ＪＰ，Ａ) 特開平３−48301（ＪＰ，Ａ) 「ニューロコンピューティングの基礎理論（社）日本工業技術振興会、ニューロコンピュータ研究部会編（海文堂ｐｐ．45−57、1990．12．10) 「長尾真著「パターン情報処理」コロナ社、Ｓ58．３．10、”４．９クラスタリング”ｐｐ．113−120」

Claims

(57)【特許請求の範囲】

【請求項１】Ｎ個の入力信号Ｓと、内部に保持したＮ
個の係数Ｗとに基づいてあらかじめ設定された手法によ
って前記入力信号Ｓの評価値Ｖを求め、内部に保持した
固定されたしきい値Ｒと評価値Ｖを比較し、その結果に
基づく評価値信号として少なくともカウンタ記憶手段に
保持される当該分類部の使用頻度を表すカウンタ信号Ｃ
および、カテゴリ記憶手段に保持される当該分類部のカ
テゴリを表すカテゴリ信号Ｐを出力する複数の分類部
と、前記複数の分類部からのカウンタ信号Ｃの大きさに
よって一つのカテゴリ信号である選択出力部出力Ｐｘを
出力する選択出力部と、少なくとも前記選択出力部から
の選択出力部出力Ｐｘと、入力信号Ｓを分類する目標カ
テゴリを示す教師信号Ｔに基づいて、前記カウンタ信号
Ｃ及び前記係数Ｗの分類部の内部パラメータを修正する
調整部からなるパターン分類装置。
【請求項２】分類部は、Ｎ個の係数Ｗを記憶する係数
記憶手段と、入力信号Ｓを受けて、前記係数記憶手段よ
り係数Ｗを読みだして、入力信号Ｓと係数Ｗの距離Ｄを
計算する距離計算手段を有する事を特徴とする請求項１
記載のパターン分類装置。
【請求項３】分類部は、Ｎ個の係数Ｗを記憶する係数
記憶手段と、入力信号Ｓを受けて、前記係数記憶手段よ
り係数Ｗを読みだして、入力信号Ｓと係数Ｗの距離Ｄを
計算する距離計算手段と、距離計算手段からの距離信号
Ｄを固定のしきい値Ｒと比較する比較手段と、比較手段
からの出力に従ってカテゴリ記憶手段からカテゴリ信号
を読みだして出力するカテゴリ出力手段と、比較手段か
らの出力に従ってカウンタ記憶手段からカウンタ信号Ｃ
を読み出して出力するカウンタ出力手段を有する分類部
である事を特徴とする請求項１に記載のパターン分類装
置。
【請求項４】Ｎ個の入力信号Ｓと、内部に保持したＮ
個の係数Ｗとに基づいてあらかじめ設定された手法によ
って前記入力信号Ｓの評価値Ｖを求め、内部に保持した
固定されたしきい値Ｒと評価値Ｖを比較し、その結果に
基づく評価値信号として少なくともカウンタ記憶手段に
保持される当該分類部の使用頻度を表すカウンタ信号Ｃ
および、カテゴリ記憶手段に保持される当該分類部のカ
テゴリを表すカテゴリ信号Ｐを出力する複数の分類部
と、前記複数の分類部から分類部出力として入力された
カテゴリ信号のうちで最も多く入力されたカテゴリを選
択し、該当する選択出力部出力Ｐｘを出力する選択出力
部と、少なくとも前記選択出力部からの選択出力部出力
Ｐｘと、入力信号Ｓを分類する目標カテゴリを示す教師
信号Ｔに基づいて、前記カウンタ信号Ｃ及び前記係数Ｗ
の分類部の内部パラメータを修正する調整部からなるパ
ターン分類装置。
【請求項５】選択出力部は、分類部から評価信号とし
て入力されたカウンタ信号Ｃの内、最大の値を持つもの
を選択して該当するカテゴリ信号Ｐｘを出力することを
特徴とする請求項１乃至３のいずれかに記載のパターン
分類装置。
【請求項６】選択出力部は、分類部から入力された分
類部出力に基づいて選択を行った結果を、該当する分類
部を表すラベル信号として出力する事を特徴とする請求
項１乃至３のいずれかに記載のパターン分類装置。
【請求項７】調整部は、少なくとも選択出力部からの
選択出力と、教師信号Ｔを受けて、選択出力の正誤を判
定し、正誤信号ＴＦとして出力する判定手段と、前記判
定手段の判定結果を受けて、分類部の内部パラメータを
修正する正誤処理手段と、生成処理手段とを有する事を
特徴とする請求項１乃至６のいずれかに記載のパターン
分類装置。
【請求項８】正誤処理手段は、少なくとも、正答時の
カウンタ調整量ＤＣ１を保持する正答時カウンタ信号調
整量記憶回路と、誤答時のカウンタ調整量ＤＣ２を保持
する誤答時カウンタ信号調整量記憶回路と、正誤信号Ｔ
Ｆを受けて、正誤信号ＴＦによって正答時カウンタ信号
調整量か誤答時カウンタ信号調整量のいずれかを読み出
して出力するカウンタ信号調整量切り替え回路と、カウ
ンタ信号調整量ＤＣと、修正すべき分類部のカウンタ信
号Ｃを受けて、修正されたカウンタ信号Ｃ’を出力する
カウンタ信号調整回路を有する正誤処理手段である事を
特徴とする請求項７に記載のパターン分類装置。
【請求項９】正誤処理手段は、少なくとも、正答時の
係数調整量ＤＷ１を保持する正答時係数調整量記憶回路
と、誤答時の係数調整量ＤＷ２を保持する誤答時係数調
整量記憶回路と、正誤信号ＴＦを受けて、正誤信号ＴＦ
によって正答時係数調整量か誤答時係数調整量のいずれ
かを読み出して出力する係数調整量切り替え回路と、係
数調整量ＤＷと、修正すべき分類部の係数Ｗを受けて、
修正された係数Ｗ’を出力する係数調整回路を有する正
誤処理手段である事を特徴とする請求項７または８に記
載のパターン分類装置。
【請求項１０】生成処理手段は、カウンタ信号Ｃの下
限値Ｃleastを保持する下限値記憶手段と、正誤信号Ｔ
Ｆと、下限値Ｃleastを受けて、分類部内部のカウンタ
信号Ｃを読み出して下限値以下のカウンタ信号Ｃを持つ
分類部のラベル信号ｘを出力する選択回路と、正誤信号
ＴＦおよび教師信号Ｔおよび入力信号Ｓを受けて、カウ
ンタ信号Ｃの初期値Ｃstartを保持する初期値記憶回路
からＣstartを読み出して出力し、入力信号Ｓをそのま
ま係数Ｗとして、教師信号Ｔをそのままカテゴリ値Ｐと
して出力する生成処理手段である事を特徴とする請求項
７乃至９のいずれかに記載のパターン分類装置。
【請求項１１】調整部は、判定手段の出力である正誤
信号ＴＦを受けて、正誤信号ＴＦの内容に基づいて、正
誤処理手段と生成処理手段のいずれかまたは両方に正誤
信号ＴＦを出力する切り替え手段を有する調整部である
事を特徴とする請求項７乃至１０のいずれかに記載のパ
ターン分類装置。
【請求項１２】分類部は、カウンタ信号Ｃが下限値Ｃ
least以下であるときは入力を受け付けない不活性化手
段を有する事を特徴とする請求項１乃至１１のいずれか
に記載のパターン分類装置。
【請求項１３】分類部は、初期状態として、カウンタ
信号Ｃがすべての分類部において下限値Ｃleastdである
事を特徴とする請求項１乃至１２のいずれかに記載のパ
ターン分類装置。
【請求項１４】分類部は、評価値信号として少なくと
も距離信号Ｄを出力する分類部である事を特徴とする請
求項１乃至１３のいずれかに記載のパターン分類装置。
【請求項１５】選択出力部は、分類部から距離信号Ｄ
を受けて、距離が最小のものを選択して該当するカテゴ
リ信号Ｐｘを出力する最近傍探索部を有する選択出力部
である事を特徴とする請求項１４に記載のパターン分類
装置。
【請求項１６】環境条件を取り込む複数のセンサ手段
と、前記センサ手段の前状態を保持する記憶手段と、使
用者が操作して装置の内部パラメータを設定する設定手
段と、運転時間を示す時間を検出する運転時間検出手段
と、前記の手段のうち少なくても１つ以上を入力信号と
して使用者の意志または装置の評価指標に関する情報を
推測する推測手段と、使用者が意志または装置の評価指
標に関する情報を入力する操作手段と、前記センサ手
段、記憶手段、設定手段、運転時間検出手段および演算
手段の出力のうち少なくても１つ以上を入力とし、前記
操作手段からの出力信号を教師信号として、入力と使用
者の意志または装置の評価指標に関する情報の関係を学
習する学習手段として請求項１乃至１５のいずれかに記
載のパターン分類装置とを備えたことを特徴とする環境
認識装置。
【請求項１７】環境条件を取り込む複数のセンサ手段
と、前記センサ手段の前状態を保持する記憶手段と、使
用者が操作して装置の内部パラメータを設定する設定手
段と、運転時間を示す時間を検出する運転時間検出手段
と、前記それぞれの手段からの信号の特徴を示す１つ以
上の信号を算出する演算を行う演算手段と、前記の手段
のうち少なくても１つ以上を入力信号として使用者の意
志または装置の評価指標に関する情報を推測する推測手
段と、使用者が意志または装置の評価指標に関する情報
を入力する操作手段と、前記センサ手段、記憶手段、設
定手段、運転時間検出手段および演算手段の出力のうち
少なくても１つ以上を入力とし、前記操作手段からの出
力信号を教師信号として、入力と使用者の意志または装
置の評価指標に関する情報の関係を学習する学習手段と
して請求項１乃至１５のいずれかに記載のパターン分類
装置とを備えたことを特徴とする環境認識装置。
【請求項１８】推測手段にニューラルネットワークを
用いた事を特徴とする請求項１６または１７のいずれか
に記載の環境認識装置。
【請求項１９】学習手段で学習する情報が、少なくと
も使用者の意思、使用者の活動量、使用者の代謝量、使
用者の着衣量のいずれかの情報を含む事を特徴とする請
求項１６乃至１８のいずれかに記載の環境認識装置。
【請求項２０】推測手段で推測する情報が、少なくと
も使用者の意思、使用者の感覚、使用者の活動量、使用
者の代謝量、使用者の着衣量のいずれかの情報を含む事
を特徴とする請求項１６乃至１９のいずれかに記載の環
境認識装置。
【請求項２１】使用者の意思を入力する操作手段が、
学習に際し使用者の感覚のうち相反する少なくても２種
類以上の分類で意思表示することを含む請求項１６乃至
２０のいずれかに記載の環境認識装置。
【請求項２２】使用者の意思を入力する操作手段が、
学習に際し使用者が環境における体感を少なくても暑い
または寒いの２種類以上の分類で意思表示することを含
む請求項１６乃至２１のいずれかに記載の環境認識装
置。
【請求項２３】使用者の意思を入力する操作手段が、
例えば使用者の希望する室温などの数値で意思表示する
事を特徴とする請求項１７乃至２３のいずれかに記載の
環境認識装置。
【請求項２４】複数のセンサ手段として、少なくとも
気温、湿度、輻射温度、風量、風向、可視光、赤外光、
音、時刻、カレンダのいずれかを取り込むセンサを備え
た事を特徴とする請求項１６乃至２３のいずれかに記載
の環境認識装置。
【請求項２５】少なくとも快適度を出力する事を特徴
とする請求項１６乃至２４のいずれかに記載の環境認識
装置。
【請求項２６】機器の制御状況を表す信号として少な
くとも運転開始からの相対的な時間を用いる事を特徴と
する請求項２５に記載の環境認識装置。
【請求項２７】請求項１６乃至２６のいずれかに記載
の環境認識装置と、前記環境認識装置からの出力を用い
て機器を制御する制御手段を備えた事を特徴とする空調
機。
【請求項２８】環境認識装置の複数のセンサ手段とし
て、少なくとも空調器の風量、能力、風向のいずれかを
取り込むセンサを備えた事を特徴とする請求項２７記載
の空調機。