JP2936839B2

JP2936839B2 - 調理器具

Info

Publication number: JP2936839B2
Application number: JP27226991A
Authority: JP
Inventors: 一成西井; 基孫中
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1991-10-21
Filing date: 1991-10-21
Publication date: 1999-08-23
Anticipated expiration: 2014-08-23
Also published as: JPH05113220A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、電子レンジ、ガスオー
ブン、ロースター等において自動調理を目的とした調理
器具に関するものである。

【０００２】

【従来の技術】従来、この種の調理器具（ここではロー
スター）は図１１に示すように構成されていた。以下、
その構成について説明する。

【０００３】図に示すように、調理器具１は、調理物を
入れる加熱室２と、調理物を加熱する加熱供給手段（ヒ
ータ）３、加熱室２の内部温度を検出するサーミスタ等
から構成される温度検出手段４、温度検出手段４からの
情報でもって加熱供給手段３を制御する制御手段５から
構成されていた。このような構成で自動調理をするため
に、調理物の重量、初期温度等を知る必要がある。その
ため電源投入時から数分間の温度検出手段４の出力電圧
勾配を測定して勾配が急であれば調理物の重量が軽く、
勾配が緩やかであれば重量が大きいと判断し、その電圧
勾配にある定数Ｋを乗じた時間を最適調理時間としてい
た。温度検出手段４の出力電圧特性を図１２に示す。図
１２（ａ）は重量が軽いもの、図１２（ｂ）は重いもの
である。そして非常に多くの調理実験をしてその定数を
決定していた。

【０００４】

【発明が解決しようとする課題】このような従来の調理
器具（ここでは、ロースター）では、加熱室内の雰囲気
温度の勾配を検出して、それをもとに調理物（例えば、
魚焼き）の重量を判断し調理時間を決定していたため
に、調理の出来上がりにかなりバラツキがあった。例え
ば加熱室内の初期温度が常に低いとは限らず、調理を終
えた後で、すぐに調理をした場合には加熱室内の初期温
度は非常に高いものとなる。この場合重量の重い調理物
を調理した場合、温度検出手段４の出力電圧特性は図１
３のようになり、一瞬加熱室内の温度は下がる。これ
は、調理を開始しても加熱室内の温度が高いために、調
理物に加熱室内の温度が吸収されるためである。このよ
うな場合前記した方法では最適調理時間を決定するのは
困難であった。また加熱供給手段３はヒータであるの
で、商用電源電圧の変動が調理の出来上りにかなり影響
を与える。つまり、調理を開始する時の環境（調理物の
種類、加熱室内の初期温度、調理物の初期温度、電源電
圧等）により調理の出来上りがかなりバラツクのであ
る。さらに魚等の焼きばえという面に関しては、表面の
焼き上がり状態も重要であるが、魚内部の温度上昇も６
０℃〜７０℃がいちばん良いされている。そういうこと
を考慮して、表面の焼け具合いと内部の温度上昇という
面から調理の出来上りを検出するのは非常に困難である
という課題を有していた。

【０００５】本発明は上記課題を解決するもので、調理
物の温度を、現実に計測・検出できる調理物固有の物理
量でもって実時間で推定することにより調理物の出来上
りを間接的に検出することを目的としている。

【０００６】

【課題を解決するための手段】本発明は上記の目的を達
成するために、調理するために調理物を格納する加熱室
と、前記調理物を加熱する加熱供給手段と、前記調理物
の固有物理量を検出する調理物固有物理量検出手段と、
前記調理物固有物理量検出手段の出力に基づき前記調理
物の表面温度、中心温度、裏面温度の内、少なくともい
ずれか１つを推定する温度推定手段と、前記温度推定手
段の出力に基づき前記加熱供給手段を制御する制御手段
とからなり、前記温度推定手段は、複数の神経素子より
構成される神経回路網を模した手法により獲得された調
理物の温度を推定する固定された神経回路網の複数の結
合重み係数を内部に持つ階層型の神経回路網模式手段を
有する。

【０００７】

【作用】本発明は上記した課題解決手段により、調理物
固有物理量検出手段からの調理物固有の固有物理情報を
温度推定手段に入力することにより、実際に調理される
実調理環境をすべて学習し内部に固定された結合重み係
数として持つ神経回路網模式手段を有する温度推定手段
は、調理物の表面温度、中心温度、裏面温度の内、少な
くともいづれか１つを時々刻々推定していく。制御手段
は、温度推定手段の出力に基づき加熱供給手段（電気ロ
ースターでは、ヒータ）を制御していき、調理物の温度
上昇を間接的に検出していくことにより、出来上りを認
識するように作用する。

【０００８】

【実施例】以下、本発明の一実施例を図１から図３を参
照しながら説明する。なお、従来例と同じ構成のものは
同一符号を付して説明を省略する。

【０００９】本実施例では、調理器具として、魚等を焼
く電気ロースターに応用した例について説明する。図１
に示すように、調理物固有物理量検出手段６は調理物固
有の物理量を検出する。本実施例では、調理物の重量を
検出するものであり、重量センサ（ストレインゲージ）
等で構成されている。調理物の重量は加熱に伴い、蒸気
が発生するので重量は時々刻々変化していく。電圧レベ
ル検出手段７は商用電源電圧の電圧レベルを検出するも
のである。計時手段８は電源投入時よりの時間をカウン
トする。操作手段９は調理物のカテゴリーを選択するカ
テゴリー選択キー１０と調理開始・停止を行なう調理開
始キー１１よりなる。温度推定手段１２は調理物固有物
理量検出手段６、電圧レベル検出手段７、計時手段８、
カテゴリー選択キー１０の出力に基づき調理物の表面温
度、中心温度、裏面温度を推定するものであり、制御手
段５は温度推定手段１２の出力に基づき加熱供給手段３
を制御する。加熱供給手段３は、ヒーターであり加熱室
２に配設されている。又、１３は調理の残り時間表示等
を行なう表示手段であり、蛍光表示管よりなる。さら
に、１４、１５はＡ／Ｄ変換手段であり、調理物固有物
理量検出手段６、電圧レベル検出手段７の出力をディジ
タルに変換している。図２に表示部と操作部の構成を示
す。

【００１０】温度推定手段１２を構成する手段は、従来
の制御方法に用いられている解決的な方法が適用できな
いため、多次元情報処理手法として最適な神経回路網を
模した方法で構成している。神経回路網を模した手法に
おいては、調理物の温度（表面温度、中心温度、裏面温
度）を推定する神経回路網の複数の結合重み係数を固定
されたテーブルとして用いる方法と、学習機能を残し環
境と使用者に適応できるようにする方法とがある。本実
施例は、神経回路網を模した手法によって獲得された調
理物の温度を推定する固定された結合重み係数を内部に
もつ神経回路網模式手段を有する温度推定手段１２を設
けている。

【００１１】調理物の出来上りに影響を与える要因とし
ては、加熱室内の初期温度、調理物の初期温度、調理物
の種類（カテゴリー）、商用電源電圧の電圧レベル等が
考えられる。それらの要因によって出来上りは大きく変
動する。

【００１２】調理物の温度を推定する神経回路網におい
て固定された結合重み係数は、実際に調理する時の環境
（前記した要因のいろいろな組合せた環境）において調
理した場合、調理物の表面温度、中心温度、裏面温度と
加熱室内の雰囲気温度がどのように変化するかというデ
ータを収集し、環境データと加熱室内の雰囲気温度デー
タと調理物の温度（表面、中心、裏面）データとの相関
を神経回路網模式手段に学習させることによって得るこ
とができる。用いるべき神経回路網模式手段としては、
文献１（Ｄ．Ｅ．ラメルハート他２名著、甘利俊一監訳
「ＰＤＰモデル」（株）産業図書、１９８９年）、文献
２（中野馨他７名著「ニューロコンピュータの基礎」
（株）コロナ社刊、Ｐ１０２、１９９０年）、特公昭６
３−５５１０６号公報などに示されたものがある。以
下、文献１に記載された最もよく知られた学習アルゴリ
ズムとして誤差逆伝搬法を用いた多層パーセプトロンを
例にとり、具体的な神経回路網模式手段の構成および動
作について説明する。

【００１３】図３は、神経回路網模式手段の構成単位と
なる神経素子の概念図である。図３において、２１〜２
Ｎは神経のシナプス結合を模擬する疑似シナプス結合変
換器であり、２ａは疑似シナプス結合変換器２１〜２Ｎ
からの出力を加算する加算器であり、２ｂは設定された
非線形関数、たとえば、しきい値をｈとするシグモイド
関数、ｆ（ｙ，ｈ）＝１／（１＋ｅｘｐ（−ｙ＋ｈ））（式１）によって加算器２ａの出力を非線形変換する非線形変換
器である。なお、図面が煩雑になるので省略したが、修
正手段からの修正信号を受ける入力線が疑似シナプス結
合変換器２１〜２Ｎと非線形変換器２ｂにつながってい
る。また、疑似シナプス結合変換器２１〜２Ｎが神経回
路網模式手段の結合重み係数となる。この神経素子に
は、信号処理モードと学習モードの２つの種類の動作モ
ードがある。

【００１４】以下、図３に基づいて神経素子のそれぞれ
のモードの動作について説明する。まず、信号処理モー
ドの動作の説明をする。神経素子はＮ個の入力Ｘ１〜Ｘ
ｎを受けて１つの出力を出す。ｉ番目の入力信号Ｘｉ
は、四角で示されたｉ番目の疑似シナプス結合変換器２
ｉにおいてＷｉ・Ｘｉに変換される。疑似シナプス結合
変換器２１〜２Ｎで変換されたＮ個の信号Ｗ１・Ｘ１〜
Ｗｎ・Ｘｎは加算器２ａに入り、加算結果ｙが非線形変
換器２ｂに送られ、最終出力ｆ（ｙ，ｈ）となる。つぎ
に、学習モードの動作について説明する。学習モードで
は、疑似シナプス結合変換器２１〜２Ｎと非線形変換器
２ｂの変換パラメータＷ１〜Ｗｎとｈを、修正手段から
の変換パラメータの修正量△Ｗ１〜△Ｗｎと△ｈを表す
修正信号を受けて、Ｗｉ＋△Ｗｉ；ｉ＝１，２，・・，Ｎｈ＋△ｈ（式２）と修正する。

【００１５】図４は上記神経素子を４つ並列につないで
構成した信号変換手段の概念図である。いうまでもな
く、以下の説明は、この信号変換手段を構成する神経素
子の個数を４個に特定するものではない。図４におい
て、２１１〜２４４は疑似シナプス結合変換器であり、
２０１〜２０４は、図３で説明した加算器２ａと非線形
変換器２ｂをまとめた加算非線形変換器である。図４に
おいて、図３と同様に図面が煩雑になるので省略した
が、修正手段からの修正信号を受ける入力線が疑似シナ
プス結合変換器２１１〜２４４と加算非線形変換器２０
１〜２０４につながっている。疑似シナプス結合変換器
２１１〜２４４も結合重み係数となる。この信号変換手
段の動作については、図３で説明した神経素子の動作が
並列してなされているものである。

【００１６】図５は、学習アルゴリズムとして誤差逆伝
搬法を採用した場合の信号処理手段の構成を示したブロ
ック図で、３１は上述の信号変換手段である。ただし、
ここではＮ個の入力を受ける神経素子がＭ個並列に並べ
られたものである。３２は学習モードにおける信号変換
手段３１の修正量を算出する修正手段である。以下、図
５に基づいて信号処理手段の学習を行う場合の動作につ
いて説明する。信号変換手段３１はＮ個の入力Ｓ
_in（Ｘ）を受け、Ｍ個の出力Ｓ_out（Ｘ）を出力する。
修正手段３２は、入力信号Ｓ_in（Ｘ）と出力信号Ｓ_out
（Ｘ）とを受け、誤差計算手段または後段の信号変換手
段からのＭ個の誤差信号δ_i（Ｘ）の入力があるまで待
機する。誤差信号δ_i（Ｘ）が入力され修正量を △Ｗ_ij＝δ_i（Ｘ）・Ｓ_iout（Ｘ）・（１−Ｓ_iout（Ｘ））・Ｓ_jin（Ｘ）（ｉ＝１〜Ｎ，ｊ＝１〜Ｍ）（式３）と計算し、修正信号を信号変換手段３１に送る。信号変
換手段３１は、内部の神経素子の変換パラメータを上で
説明した学習モードにしたがって修正する。

【００１７】図６は、神経回路網模式手段を用いた多層
パーセプトロンの構成を示すブロック図であり、３１
Ｘ、３１Ｙ、３１ＺはそれぞれＫ個、Ｌ個、Ｍ個の神経
素子からなる信号変換手段であり、３２Ｘ、３２Ｙ、３
２Ｚは修正手段であり、３３は誤差計算手段である。以
上のように構成された多層パーセプトロンについて、図
６を参照しながらその動作を説明する。信号処理手段３
４Ｘにおいて、信号変換手段３１Ｘは、入力Ｓ
_iin（Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓ_jout（Ｘ）
（ｊ＝１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓ
_iin（Ｘ）と信号Ｓ_jout（Ｘ）を受け、誤差信号δ
_j（Ｘ）（ｊ＝１〜Ｋ）が入力されるまで待機する。以
下同様の処理が、信号処理手段３４Ｙ、３４Ｚにおいて
行われ、信号変換手段３１Ｚより最終出力Ｓ_hout（Ｚ）
（ｈ＝１〜Ｍ）が出力される。最終出力Ｓ_hout（Ｚ）
は、誤差計算手段３３にも送られる。誤差計算手段３３
においては、２乗誤差の評価関数ＣＯＳＴ（式４）に基
づいて理想的な出力Ｔ（Ｔ１，・・・・・，ＴＭ）との
誤差が計算され、誤差信号δ_h（Ｚ）が修正手段３２Ｚ
に送られる。

【００１８】

【数１】

【００１９】ただし、ηは多層パーセプトロンの学習速
度を定めるパラメータである。つぎに、評価関数を２乗
誤差とした場合には誤差信号は、 δｈ（Ｚ）＝−η・（Ｓ_hout（Ｚ）−Ｔ_h）（式５）となる。修正手段３２Ｚは、上で説明した手続きにした
がって、信号変換手段３１Ｚの変換パラメータの修正量
△Ｗ（Ｚ）を計算し、修正手段３２Ｙに送る誤差信号を
（式６）に基づき計算し、修正信号△Ｗ（Ｚ）を信号変
換手段３１Ｚに送り、誤差信号δ（Ｙ）を修正手段３２
Ｙに送る。信号変換手段３１Ｚは、修正信号△Ｗ（Ｚ）
に基づいて内部のパラメータを修正する。なお、誤差信
号δ（Ｙ）は（式６）で与えられる。

【００２０】

【数２】

【００２１】ここで、Ｗ_ij（Ｚ）は信号変換手段３１Ｚ
の疑似シナプス結合変換器の変換パラメータである。以
下、同様の処理が信号処理手段３４Ｘ、３４Ｙにおいて
行われる。学習と呼ばれる以上の手続きを繰り返し行う
ことにより、多層パーセプトロンは入力が与えられると
理想出力Ｔをよく近似する出力を出すようになる。な
お、上記の説明においては、３段の多層パーセプトロン
を用いたが、これは何段であってもよい。また、文献１
にある信号変換手段のなかの非線形変換手段の変換パラ
メータｈの修正法についてと慣性項として知られる学習
高速化の方法については、説明の簡略化のため省略した
が、この省略は以下に述べる本発明を拘束するものでは
ない。

【００２２】こうして、神経回路網模式手段は調理をす
る時の環境データ（加熱室内の初期温度、商用電源電圧
レベル、調理物の種類、調理物の初期温度など）と調理
物固有の物理量データ（重量）と調理物の温度（表面、
中心、裏面）データとの関係を学習し、簡単なルールで
記述することが容易でない制御の仕方を自然な形で表現
することができる。本実施例は、こうして得られた情報
を組み込んで、温度推定手段１２を構成するものであ
る。具体的には、十分学習を終えた後の多層パーセプト
ロンの信号変換手段３１Ｘ、３１Ｙ、３１Ｚのみを神経
回路網模式手段として用いて、温度推定手段１２を構成
する。実際に学習させたデータについて説明する。

【００２３】図７は、加熱室２の初期温度が低く、商用
電源電圧１００Ｖ、調理物の種類はアジ一匹、調理物の
初期温度は約１０℃の場合に調理をした時の特性を示し
たものである。図７（ａ）は調理物固有物理量検出手段
６（加熱室内の雰囲気温度）の変化を示し、図７（ｂ）
は調理物の表面温度、図７（ｃ）は調理物の中心温度、
図７（ｄ）は調理物の裏面温度の変化を示している。調
理物の温度は熱電対等により測定したものである。図８
は、加熱室２の初期温度が高く、商用電源電圧１００
Ｖ、調理物の種類はアジ一匹、調理物の初期温度は約１
０℃の場合に調理をした時の特性を示したものである。
図９は、加熱室２の初期温度が低く、商用電源電圧１０
０Ｖ、調理物の種類はアジ四匹、調理物の初期温度は約
１０℃の場合に調理をした時の特性をしめしたものであ
る。図１０は、加熱室２の初期温度が高く、商用電源電
圧１００Ｖ、調理物の種類はアジ四匹、調理物の初期温
度は約１０℃の場合に調理をした時の特性を示したもの
である。

【００２４】図８（ａ）〜図８（ｄ）、図９（ａ）〜図
９（ｄ）、図１０（ａ）〜図１０（ｄ）は、図７（ａ）
〜図７（ｄ）にそれぞれ対応している。加熱室内の初期
温度、調理物の量により調理物固有物理量検出手段６の
出力電圧変化（調理物の重量変化）が異なるのがわか
る。同様に電源電圧を変化させた場合、調理物の種類を
変えた場合でも、又違った出力の変化をする。このよう
な実験を実際調理する時のすべての環境の組合せについ
て同様に行った。そして、その実験データを神経回路網
模式手段に入力し学習させた。つまり、神経回路網模式
手段へは調理物固有物理量手段６の調理物の重量情報
と、重量変化情報として現時点より１分前の重量情報
と、電圧レベル検出手段７の商用電源電圧レベル情報
と、計時手段８より得られる電源投入時からの経過時間
情報と、カテゴリー選択キー１０より得られるカテゴリ
ー情報の５情報と、理想出力として調理物の表面温度情
報、中心温度情報、裏面温度情報の３情報を入力し学習
させ、神経回路網模式手段の中の信号変換手段３１Ｘ、
３１Ｙ、３１Ｚを確立し、それらを神経回路網模式手段
として温度推定手段１２に組み込んでいる。

【００２５】つぎに、図１に示した構成ブロック図に基
づき動作を説明する。まず、調理物を加熱室内に入れ、
操作手段９の内、カテゴリー選択キー１０により調理カ
テゴリーを選択する。そして調理開始キー１１により調
理が開始される。カテゴリー情報は制御手段５を介して
温度推定手段１２に入力される。制御手段５は計時手段
８に計時開始の信号を出力するとともに、加熱供給手段
３を発熱させるべく加熱開始信号を出力する。計時手段
８の計時情報は温度推定手段１２に入力されている。そ
して調理物固有の固有物理情報（重量情報）は調理物固
有物理量検出手段６の出力がＡ／Ｄ変換手段１４でディ
ジタル変換され、時々刻々温度推定手段１２に入力して
いる。また電圧レベル手段７からの商用電源電圧の電圧
レベル情報は、ＡＤ変換手段１５でディジタル変換され
温度推定手段１２に入力されている。温度推定手段１２
は、これらの入力された信号・情報をもとに調理物の表
面温度、中心温度、裏面温度を時々刻々推定し、その情
報を制御手段５に出力している。制御手段５は、この推
定温度情報に基づき加熱供給手段３を制御するように動
作する。

【００２６】また、制御手段５、計時手段８、温度推定
手段１２は、すべて４ピットマイクロコンピュータで構
成したが、これらは１つのマイクロコンピュータで構成
することはもちろん可能である。なお、温度推定手段１
２には、調理物固有物理量検出手段６の重量変化情報
（現時点と１分前の２情報）と、電圧レベル検出手段７
より得られる商用電源電圧の電圧レベル情報と、計時手
段８より得られる電源投入時からの経過時間情報、カテ
ゴリー選択キー１０より得られる調理物のカテゴリー情
報の５情報を入力しているが、この限定は本発明を拘束
するものではない。又、調理物固有物理量情報として調
理物の重量情報を用いたが、焦げ目の色情報、調理物の
形状の変化情報等でも適用できることはいうまでもな
い。又、これらの情報を複数組み合わせることも可能で
ある。又、本実施例では調理器具として電気ロースター
を用いたが、電子レンジ、ガスオーブンにも応用は可能
である。

【００２７】以上のように本実施例によれば、実際に調
理する加熱室内の環境下で既に学習された神経回路網の
複数の固定結合重み係数を有する神経回路網模式手段を
組み込んだ温度推定手段を備えた構成としているので、
調理物の出来上り状態が表面温度、中心温度、裏面温度
で検出することができ、従来に比べ、より以上調理状態
をよくすることができ、自動調理に最適なものとなる。

【００２８】

【発明の効果】以上の実施例から明らかなように本発明
によれば、調理するために調理物を格納する加熱室と、
前記調理物を加熱する加熱供給手段と、前記調理物の固
有物理量を検出する調理物固有物理量検出手段と、前記
調理物固有物理量検出手段の出力に基づき前記調理物の
温度を推定する温度推定手段と、前記温度推定手段の出
力に基づき前記加熱供給手段を制御する制御手段とから
なるから、調理物の出来上り状態を認識するために調理
物の実温度を間接的に検出できることになる。よって、
従来行なわれていた、雰囲気温度等の勾配より最適調理
時間を決定していたものより調理の出来上り状態をよく
することが可能となる。

【００２９】また、温度推定手段は調理物の表面温度、
中心温度、裏面温度の内、少なくともいずれか１つを推
定するので調理物の表面から内部まで全体の出来上り状
態がわかることになる。

【００３０】また、温度推定手段は、複数の神経素子よ
り構成される神経回路網を模した手法により獲得された
調理物の温度（表面、中心、裏面温度）を推定する固定
された神経回路網の複数の結合重み係数を内部に持つ神
経回路網模式手段を有し、または、複数の神経素子より
構成される層が多層組み合わされて構築される階層型の
神経回路網模式手段を有するから、加熱室内の初期温
度、調理物の初期温度、調理物の量等にかかわらず調理
物の温度推定ができ自動調理が可能となる。

【図面の簡単な説明】

【図１】本発明の一実施例の調理器具の構成ブロック図

【図２】同調理器具に用いた操作部と表示部の構成図

【図３】同調理器具に用いた神経回路網模式手段の構成
単位となる神経素子の概念図

【図４】同調理器具に用いた神経素子で構成した信号変
換手段の概念図

【図５】同調理器具に用いた学習アルゴリズムとして誤
差逆伝搬法を採用した信号処理手段のブロック図

【図６】同調理器具に用いた神経回路網模式手段を用い
た多層パーセプトロンの構成をを示すブロック図

【図７】（ａ）〜（ｄ）同調理器具の実験データの一
例を示す図

【図８】（ａ）〜（ｄ）同調理器具の実験データの他
の例を示す図

【図９】（ａ）〜（ｄ）同調理器具の実験データの他
の例を示す図

【図１０】（ａ）〜（ｄ）同調理器具の実験データの
他の例を示す図

【図１１】従来の調理器具の構成ブロック図

【図１２】（ａ）〜（ｂ）従来の調理器具の実験デー
タの一例を示す図

【図１３】従来の調理器具の実験データの他の例を示す
図

【符号の説明】

１調理器具２加熱室３加熱供給手段５制御手段６調理物固有物理量検出手段１２温度推定手段

Claims

(57)【特許請求の範囲】

【請求項１】調理するために調理物を格納する加熱室
と、前記調理物を加熱する加熱供給手段と、前記調理物
の固有物理量を検出する調理物固有物理量検出手段と、
前記調理物固有物理量検出手段の出力に基づき前記調理
物の温度を、加熱調理中に推定する神経回路網模式手段
より構成された温度推定手段と、前記温度推定手段の出
力に基づき前記加熱供給手段を制御する制御手段とから
なる調理器具。
【請求項２】調理物の表面温度、中心温度、裏面温度の
内、少なくともいずれか１つを推定する温度推定手段を
備えたことを特徴とする請求項１記載の調理器具。
【請求項３】温度推定手段は、複数の神経素子より構成
される神経回路網を模した手法により獲得された複数の
結合重み係数を内部に持つ神経回路網模式手段を備えた
ことを特徴とする請求項１記載の調理器具。
【請求項４】温度推定手段は、複数の神経素子より構成
される層が多層組み合わされて構築される階層型の神経
回路網模式手段を備えたことを特徴とする請求項１記載
の調理器具。