JP2943504B2 - 調理器具 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、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、例えば電子レ
ンジで図２３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
入れる調理室２と、調理物を調理する調理手段で加熱供
給手段３、調理室２の雰囲気温度を検出しサーミスタ等
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
ために電源投入時からの温度検出手段４の出力がある温
度に達するまでの時間を測定し、この時間長で調理物の
重量を推測し、この時間に各調理物特有の定数ｋを乗じ
た時間を最適調理時間としていた。

【０００４】

【発明が解決しようとする課題】このような従来の調理
器具では、調理室内の雰囲気温度を検出して、それをも
とに調理物の重量を判断し調理時間を決定していたため
に出来上りにかなりバラツキがあった。また、各調理物
特有の定数ｋを乗じて最適調理時間としているので、各
調理物に対応した調理物選択手段が必要でその選択操作
は煩雑で使い勝手の悪いものであった。

【０００５】本発明は上記課題を解決するもので、調理
物の調理度合を、現実に計測・検出できる加熱室内の環
境物理量でもって実時間で推定することにより出来上り
のバラツキをなくすことと、調理物選択の操作を簡易に
し使い勝手の向上を目的としている。

【０００６】

【課題を解決するための手段】 本発明は上記の目的を達
成するために下記構成とした。 すなわち、第１の 解決手
段として、調理物を調理する調理手段と、調理物周辺の
環境物理量を検出する環境物理量検出手段と、前記環境
物理量検出手段の変化量の最大値を記憶する変化量最大
値記憶手段と、前記環境物理量検出手段の変化量が最大
値であったときの前記環境物理量検出手段の出力を記憶
する出力記憶手段と、前記環境物理量検出手段の出力と
前記変化量最大値記憶手段の記憶値および前記出力記憶
手段の記憶値の情報に基づき前記調理物の調理度合を推
定する調理度合推定手段と、前記調理度合推定手段の出
力に基づき前記調理手段を制御する制御手段とからなる
構成とした。

【０００７】また第２の解決手段として、調理物を調理
する調理手段と、調理物周辺の湿度を検出する湿度検出
手段と、調理室からの排気温度を検出する排気温度検出
手段と、前記湿度検出手段の変化量の最大値を記憶する
最大値記憶手段と、前記湿度検出手段の変化量が最大値
であった時の前記湿度検出手段の出力を記憶する出力記
憶手段と、前記湿度検出手段の出力と前記排気温度検出
手段の出力と前記変化量最大値記憶手段の記憶値および
前期出力記憶手段の記憶値の情報に基づき前記調理物の
調理度合を推定する調理度合推定手段と、前記調理度合
推定手段の出力に基づき前記調理手段を制御する制御手
段とからなる構成とした。

【０００８】また第３の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、調理の出来上がり強度を入力する
出来上がり強度入力手段と、前記環境物理量検出手段の
変化量の最大値を記憶する変化量最大値記憶手段と、前
記環境物理量検出手段の変化量が最大値であったときの
前記環境物理量検出手段の出力を記憶する出力記憶手段
と、前記環境物理量検出手段の出力と前記変化量最大値
記憶手段の記憶値および前記出力記憶手段の記憶値の情
報に基づき前記調理物の調理度合を推定する調理度合推
定手段と、前記調理度合推定手段の出力と前記出来上が
り強度入力手段の情報に基づき前記調理手段を制御する
制御手段とからなる構成とした。

【０００９】また第４の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、調理の出来上がり強度を入力する
出来上がり強度入力手段と、前記環境物理量検出手段の
変化量の最大値を記憶する変化量最大値記憶手段と、前
記環境物理量検出手段の変化量が最大値であったときの
前記環境物理量検出手段の出力を記憶する出力記憶手段
と、前記環境物理量検出手段の出力と前記出来上がり強
度入力手段の情報と前記変化量最大値記憶手段の記憶値
および前記出力記憶手段の記憶値の情報に基づき前記調
理物の調理度合を推定する調理度合推定手段と、前記調
理度合推定手段の出力に基づき前記調理手段を制御する
制御手段とからなる構成とした。

【００１０】さらに、前記調理度合推定手段は、複数の
神経素子より構成される神経回路網をモデル化した手法
により得られ、調理度合を推定する複数の固定された結
合重み係数を内部に持つ神経回路網模式手段を有する構
成とした。または、複数の神経素子より構成される層が
多数組み合わされて構築される階層型の神経回路網模式
手段を有する構成とした。

【００１１】

【作用】 本発明は上記した構成によって下記の作用が得
られる。 第１の解決手段により、調理物周辺の環境物理
量を検出する環境物理量検出手段と、前記環境物理量検
出手段の変化量の最大値を記憶する変化量最大値記憶手
段と、前記環境物理量検出手段の変化量が最大値であっ
たときの前記環境物理量検出手段の出力を記憶する出力
記憶手段と、前記環境物理量検出手段の出力と前記変化
量最大値記憶手段の記憶値と前記出力記憶手段の記憶値
の情報を時々刻々調理度合推定手段に入力することによ
り、調理度合推定手段は調理度合を推定し、制御手段は
調理度合推定手段からの調理度合情報で調理手段を制御
していき調理を終了させる。

【００１２】また第２の解決手段により調理物周辺の湿
度を検出する湿度検出手段と、調理室からの排気温度を
検出する排気温度検出手段と、前期湿度検出手段の変化
量の最大値を記憶する最大値記憶手段と、前期湿度検出
手段の変化量が最大値であった時の前期湿度検出手段の
出力を記憶する出力記憶手段と、前記湿度検出手段の出
力と前期排気温度検出手段の出力と前期変化量最大値記
憶手段の記憶値と前期出力記憶手段の記憶値の情報を時
々刻々調理度合推定手段に入力することにより、調理度
合推定手段は調理度合を推定し、制御手段は調理度合推
定手段からの調理度合情報で調理手段を制御していき調
理を終了させる。

【００１３】また第３の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、調理の出来上がり強度を入力する
出来上がり強度入力手段と、前記環境物理量検出手段の
変化量の最大値を記憶する変化量最大値記憶手段と、前
記環境物理量検出手段の変化量が最大値であったときの
前記環境物理量検出手段の出力を記憶する出力記憶手段
と、前記環境物理量検出手段の出力と前記変化量最大値
記憶手段の記憶値および前記出力記憶手段の記憶値の情
報を時々刻々調理度合推定手段に入力することにより、
調理度合推定手段は調理度合を推定し、制御手段は調理
度合推定手段からの調理度合情報と出来上り強度入力手
段の情報で調理手段を制御していき調理を終了させる。

【００１４】また第４の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、調理の出来上がり強度を入力する
出来上がり強度入力手段と、前記環境物理量検出手段の
変化量の最大値を記憶する変化量最大値記憶手段と、前
記環境物理量検出手段の変化量が最大値であったときの
前記環境物理量検出手段の出力を記憶する出力記憶手段
と、前記環境物理量検出手段の出力と前記出来上がり強
度入力手段の情報と前記変化量最大値記憶手段の記憶値
および前記出力記憶手段の記憶値の情報を時々刻々調理
度合推定手段に入力することにより、調理度合推定手段
は出来上り強度の入力に応じて調理度合を推定し、制御
手段は調理度合推定手段からの調理度合情報で調理手段
を制御していき調理を終了させる。

【００１５】さらに、調理度合推定手段を構成する神経
回路網模式手段は、調理される環境下で既に学習された
結合重み係数を備えており、調理中の調理度合を推定す
ることができる。

【００１６】さらに、調理度合推定手段を構成する神経
回路網模式手段は、複数の神経素子が多層組み合わされ
て構築されているので、調理度合の推定をより正確に行
なうことができる。

【００１７】

【実施例】以下、本発明の一実施例および参考例を図１
から図２２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。

【００１８】（参考例１） 本参考例では、調理器具として、電子オーブンレンジに
応用した例について説明する。図１に示すように、環境
物理量検出手段６は調理物周辺の環境を検出する。本実
施例では、調理室内の雰囲気温度を検出するものであ
り、サーミスタ等で構成されている。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は調理のカテゴリーを選択するカテゴリ
ー選択キー９ａと調理開始・停止を行なう調理キー９ｂ
よりなる。調理度合推定手段１０は環境物理量検出手段
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９ａの出力に基づき調理物の調理度合を推定する
ものであり、制御手段５は調理度合推定手段１０の出力
に基づき調理手段３を制御する。調理手段３は、ヒータ
ーと送風ファンから構成され調理室２に配設されてい
る。又、９ｃは調理情報の表示等を行なう表示手段であ
り液晶表示部よりなる。さらに、１１、１２はＡ／Ｄ変
換手段であり環境物理量検出手段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９に表示部
と操作部の構成を示す。

【００１９】調理度合推定手段１０は、従来の制御手法
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モデル化し
た方法で構成している。神経回路網をモデル化する手法
は、調理度合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、神経回路網をモデル化した手法によっ
て獲得され、固定された結合重み係数を内部にテーブル
としてもち調理度合を推定する神経回路網模式手段を有
する調理物推定手段１０を設けている。

【００２０】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。

【００２１】調理物の調理度合を推定する神経回路網に
おいて複数の結合重み係数は、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、そのいろいろな環境のもとで、最適な出来
上り状態を実現するまでの調理時間と、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−タを収集し、
環境デ−タと加熱室内の雰囲気温度デ−タと調理物の調
理度合（最適調理時間）デ−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６３−５５１０６
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。

【００２２】図１１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１１において、２１
〜２Ｎ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。

【００２３】以下、図１１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〜
Ｘｎ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，…… ，Ｎ ｈ＋△ｈ （式２） と修正する。

【００２４】図１２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。なお、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個に限定するものではない。図１２において、２１１
〜２４４は疑似シナプス結合変換器であり、２０１〜２
０４は、図１１で説明した加算器２ａと非線形変換器２
ｂをまとめた加算非線形変換器である。図１２におい
て、図１１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２０１〜
２０４につながっている。疑似シナプス結合変換器２１
１〜２４４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１１で説明した神経素子の動作が並
列してなされるものである。

【００２５】図１３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１３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
Ｓin（Ｘ）を受け、Ｍ個の出力Ｓout（Ｘ）を出力す
る。修正手段３２は、入力信号Ｓin（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δj（Ｘ）の入力があるま
で待機する。誤差信号δj（Ｘ）が入力され修正量を △Ｗij＝δj（Ｘ）・Ｓjout（Ｘ）・（１−Ｓjout（Ｘ））・Ｓiin（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。

【００２６】図１４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
１４を参照しながらその動作を説明する。信号処理手段
３４Ｘにおいて、信号変換手段３１Ｘは、入力Ｓiin
（Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓjout（Ｘ）（ｊ＝
１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓiin
（Ｘ）と信号Ｓjout（Ｘ）を受け、誤差信号δj（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Ｓhout（Ｚ）（ｈ＝１
〜Ｍ）が出力される。最終出力Ｓhout（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δh（Ｚ）が修正手段３２Ｚに送られる。

【００２７】

【数１】

【００２８】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・（Ｓhout（Ｚ）−Ｔh） （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。

【００２９】

【数２】

【００３０】ここで、Ｗij（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。

【００３１】こうして、神経回路網模式手段は調理をす
る時の環境デ−タ（加熱室内の初期温度、商用電源電圧
レベル、調理の種類、調理物の初期温度など）と加熱室
内の雰囲気温度デ−タと調理物の調理度合（最適調理時
間）デ−タとの関係を学習し、簡単なル−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、調理度合推定手段１０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−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、調理度合推定手段１２を構成す
る。実際に学習させたデ−タについて説明する。

【００３２】図１５は、調理室２の初期温度が低く、商
用電源電圧１００Ｖ、調理の種類はオーブンでスポンジ
ケーキ直径１８ｃｍの場合の特性を示したものである。
図１５（ａ）は環境物理量検出手段６（加熱室内の雰囲
気温度）の変化を示し、図１５（ｂ）は調理物の調理度
合を示している。調理度合は２値で示し、これは実験に
より求め、出来上り状態後を”１”、それまでは”０”
としている。図１６は、図１５と同様でスポンジケーキ
直径２１ｃｍの下ごしらえをした時の特性を示したもの
である。

【００３３】図１６（ａ）および図１６（ｂ）は、図１
５（ａ）および図１５（ｂ）にそれぞれ対応している。
調理物の量により環境物理量検出手段６の出力電圧変化
（加熱室内の雰囲気温度）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。調理度合は、それら
の条件下で実験により求める。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ついて同様に行った。
そして、その実験デ−タを神経回路網模式手段に入力し
学習をさせた。つまり、神経回路網模式手段へは環境物
理量検出手段６の調理室内の雰囲気温度情報と、雰囲気
温度勾配情報として現時点より１分前の雰囲気温度情報
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９ａより得られるカテゴリ
ー情報と、理想出力として調理物の調理度合の２値情報
（調理終了かまたは未終了か）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、３
１Ｚを確立し、それらを神経回路網模式手段として調理
度合推定手段１０に組み込んでいる。

【００３４】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、調理物を調理室内に入れ、
操作手段９の内、カテゴリー選択キー９ａにより調理カ
テゴリーを選択し入力する。そして、調理スタートキー
９ｂが入力される。これらの情報は制御手段５と調理度
合推定手段１０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
の計時情報は調理度合推定手段１０に入力されている。
そして加熱室内の環境物理情報（雰囲気温度情報）は環
境物理量検出手段６の出力がＡ／Ｄ変換手段１１でディ
ジタル変換され、時々刻々調理度合推定手段１０に入力
している。また電圧レベル検出手段７からの商用電源電
圧の電圧レベル情報は、ＡＤ変換手段１２でディジタル
変換され調理度合推定手段１０に入力されている。調理
度合推定手段１０は、これらの入力された信号・情報を
もとに調理物の標準的な出来上りとするべく調理度合を
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、この調理度合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。即ち、調理度合推定
手段１０の出力が”１”になると加熱供給手段３を停止
する。

【００３５】以上のように本参考例によれば、実際に調
理する調理室内の環境下で学習された、神経回路網の複
数の結合重み係数を有する神経回路網模式手段を組み込
んだ調理度合推定手段を備えた構成としているので、出
来上り状態にバラツキがなくなるほか、詳細な調理メニ
ュー選択操作が不要で使い勝手の向上を図ることができ
る。

【００３６】（参考例２） 本参考例では、電子レンジに応用した例について説明す
る。構成は図２に示すように参考例１とほぼ同様である
が、調理室２内の湿度を検出する湿度検出手段１３と、
調理室２からの排気温度を検出する排気温度検出手段１
４を備えた点が異なる。詳細な説明は参考例１で説明し
たので省略する。調理室近傍の温度を検出する構成にす
れば、そのサーミスタは、耐熱性が要求されるために、
その構造上、熱時定数が大きくなり、温度に対する応答
性がよくない。そのため排気温度を検出するようにすれ
ば、耐熱性を下げることができ熱応答性を早くできるの
で、本実施例では、排気温度を検出する構成としてい
る。こうすることにより、調理中に発生する調理物周辺
の熱的変化をすばやく認識することができ、調理物の推
定の精度を向上させることができる。

【００３７】（実施例１） 本実施例では、電子オーブンレンジに応用した例につい
て説明する。構成を図３に示す。環境物理量検出手段６
は調理室内の環境物理量を検出する。本実施例では、調
理室内の湿度変化を検出するものであり、絶対湿度セン
サで構成されている。このセンサは環境物理量を検出で
きるものであればよく、本発明を拘束するものではな
い。計時手段８は電源投入時よりの時間をカウントす
る。１５は環境物理量の単位時間あたりの変化量を演算
する変化量演算手段であり、その変化量の最大値は随時
更新されながら変化量最大値記憶手段１６に記憶される
と同時に最大値が更新される毎にその時点での環境物理
量は出力記憶手段１７に記憶される。調理度合推定手段
１０は環境物理量検出手段６、計時手段８、変化量演算
手段１５、変化量最大値記憶手段１６、出力記憶手段１
７、カテゴリー選択キー９ａの出力に基づき調理物の調
理度合を推定するものであり、制御手段５は調理度合推
定手段１０の出力に基づき調理手段３を制御する。調理
手段３は、マイクロ波供給手段であり調理室２に配設さ
れている。

【００３８】次に調理度合推定手段１０を構成する神経
回路網模式手段に、実際に学習させたデ−タについて説
明する。図１７は、調理室２の初期温度が低く、調理物
の種類は野菜でホウレンソウ２００ｇの場合に調理をし
た時の特性を示したものである。図１７（ａ）は環境物
理量検出手段６（調理室内の湿度）の変化を示し、図１
７（ｂ）は環境物理量検出手段６の単位時間あたりの変
化量を示し、図１７（ｃ）は調理物の調理度合を示して
いる。調理度合は２値で示し、これは実験により求め、
出来上り状態後を”１”、それまでは”０”としてい
る。図１８は、図１７と同様でじゃが芋２００ｇを調理
をした時の特性を示したものである。

【００３９】図１８（ａ）、図１８（ｂ）および図１８
（ｃ）は、図１７（ａ）、図１７（ｂ）および図１７
（ｃ）にそれぞれ対応している。調理物の量により環境
物理量検出手段６の出力電圧変化（調理室の湿度変化）
が異なるのがわかる。特に湿度変化の変化量の最大値に
調理物の種類による違いが現れる。これは調理物の形状
などの違いにより蒸気の出易さ、つまり加熱の行き届き
易さの違いである。同様に調理物の分量を変えた場合で
も、又違った出力の変化をする。調理度合は、それらの
条件下で実験により求める。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ついて同様に行った。そ
して、その実験デ−タを神経回路網模式手段に入力し学
習をさせた。つまり、神経回路網模式手段へは環境物理
量検出手段６の調理室内の環境物理量情報（湿度情報）
と、湿度変化情報として現時点より３０秒前の湿度情報
との差、更にその差の運転開始以来の最大値と、最大値
を記録した時点の湿度情報と、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
９ａより得られるカテゴリー情報の６情報と、理想出力
として調理物の調理度合の２値情報（調理終了かまたは
未終了か）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調理度合推定手段１０に
組み込んでいる。

【００４０】つぎに、図３に示した構成ブロック図に基
づき動作を説明する。まず、調理物を調理室２に入れ、
操作手段９の内、カテゴリー選択キー９ａにより調理カ
テゴリーを選択し入力する。そして、調理スタートキー
９ｂが入力される。これらの情報は制御手段５と、調理
度合推定手段１０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、調理手段３を
駆動させるべく調理開始信号を出力する。計時手段８の
計時情報は調理度合推定手段１０に入力されている。
又、調理室内の環境物理情報（湿度情報）は、環境物理
量検出手段６の出力がＡ／Ｄ変換手段１１でディジタル
変換され、時々刻々調理度合推定手段１０に入力してい
る。更にその変化量を変化量演算手段１５で演算し調理
度合推定手段１０に入力し、また変化量の調理開始以来
の最大値を変化量最大値記憶手段１６で随時更新しなが
ら記憶し変化量が最大の時の環境物理量情報は出力記憶
手段１７に記憶し共に調理度合推定手段１０に入力す
る。調理度合推定手段１０は、これらの入力された信号
・情報をもとに調理物の標準的な出来上りとするべく調
理度合を時々刻々推定し、その情報を制御手段５に出力
している。制御手段５は、この調理度合情報に基づき調
理手段３を制御するように動作する。即ち、調理度合推
定手段１０の出力が”１”になると調理手段３を停止す
る。

【００４１】また効果は、参考例１の基本的効果に加
え、実施例１によって得られる効果がさらに加わり、よ
り出来上がりのよい、かつ使い勝手の良い調理器具を得
ることができる。 （実施例２） 本実施例では、電子レンジに応用した例について説明す
る。構成は図４に示すように実施例１とほぼ同様である
が、、調理室２内の湿度を検出する湿度検出手段１３
と、調理室２からの排気温度を検出する排気温度検出手
段１４を備えている点が異なる。詳細な説明は参考例２
および実施例１で説明したので省略する。調理室近傍の
温度を検出する構成にすれば、そのサーミスタは、耐熱
性が要求されるために、その構造上、熱時定数が大きく
なり、温度に対する応答性がよくない。そのため排気温
度を検出するようにすれば、耐熱性を下げることができ
熱応答性を早くできるので、本実施例では、排気温度を
検出する構成としている。こうすることにより、調理中
に発生する調理物周辺の熱的変化をすばやく認識するこ
とができ、調理度合の推定の精度を向上させることがで
きる。

【００４２】（参考例３） 本実施例として、電子オーブンレンジに応用した例につ
いて説明する。構成を図５に示す。参考例１とほぼ同様
であるが、出来上がりの強度を決める出来上がり強度入
力手段９ｄを有する点が異なる。調理度合推定手段１０
は環境物理量検出手段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９ａの出力に基づき調理物
の調理度合を推定するものであり、制御手段５は調理度
合推定手段１０の出力と出来上がり強度入力手段からの
情報に基づき調理手段３を制御する。図１０に表示部と
操作部の構成を示す。

【００４３】次に調理度合推定手段を構成する神経回路
網模式手段に学習させたデータについて説明する。図１
９は、調理室２の初期温度が低く、商用電源電圧１００
Ｖ、調理の種類はオーブンでスポンジケーキ直径１８ｃ
ｍの場合の特性を示したものである。図１９（ａ）は環
境物理量検出手段６（加熱室内の雰囲気温度）の変化を
示し、図１９（ｂ）は調理物の調理度合を示している。
調理度合は０から１の範囲の値で示し標準なら０．５、
弱めなら０．２、強めなら０．８になるように調理完了
付近で直線的に増加するようにしている。これは実験に
より求めたものである。図２０は、図１９と同様でスポ
ンジケーキ直径２１ｃｍの下ごしらえをした時の特性を
示したものである。

【００４４】図２０（ａ）および図２０（ｂ）は、図１
９（ａ）および図１９（ｂ）にそれぞれ対応している。
調理物の量により環境物理量検出手段６の出力電圧変化
（加熱室内の雰囲気温度）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。調理度合は、それら
の条件下で実験により求める。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ついて同様に行った。
そして、その実験デ−タを神経回路網模式手段に入力し
学習をさせた。つまり、神経回路網模式手段へは環境物
理量検出手段６の調理室内の雰囲気温度情報と、雰囲気
温度勾配情報として現時点より１分前の雰囲気温度情報
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９ａより得られるカテゴリ
ー情報と、理想出力として調理物の調理度合情報を入力
し学習させ、神経回路網模式手段の中の信号変換手段３
１Ｘ、３１Ｙ、３１Ｚを確立し、それらを神経回路網模
式手段として調理度合推定手段１０に組み込んでいる。
つぎに、図５に示した構成ブロック図に基づき動作を説
明する。まず、調理物を調理室内に入れ、操作手段９の
内、カテゴリー選択キー９ａにより調理カテゴリーを選
択し、出来上がり強度入力手段９ｄより出来上がり強度
を入力する。そして、調理スタートキー９ｂが入力され
る。これらの情報は制御手段５と調理度合推定手段１０
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の計時情報は調
理度合推定手段１０に入力されている。そして加熱室内
の環境物理情報（雰囲気温度情報）は環境物理量検出手
段６の出力がＡ／Ｄ変換手段１１でディジタル変換さ
れ、時々刻々調理度合推定手段１０に入力している。ま
た電圧レベル検出手段７からの商用電源電圧の電圧レベ
ル情報は、ＡＤ変換手段１２でディジタル変換され調理
度合推定手段１３に入力されている。調理度合推定手段
１０は、これらの入力された信号・情報をもとに調理度
合を時々刻々推定し、その情報を制御手段５に出力して
いる。制御手段５は、この調理度合情報と出来上がり強
度入力手段９ｄより得られる出来上がり強度情報に基づ
き加熱供給手段３を制御するように動作する。即ち、出
来上がり強度入力手段９ｄより得られる情報が弱め設定
であれば調理度合推定手段１０の出力が０．２を越える
と加熱供給手段３を停止し、標準設定であれば０．５を
越えると加熱供給手段を停止し、強め設定であれば０．
８を越えると加熱供給手段３を停止する。

【００４５】以上のように本参考例によれば、実際に調
理する調理室内の環境下で学習された、神経回路網の複
数の結合重み係数を有する神経回路網模式手段を組み込
んだ調理度合推定手段１０を備え、出来上がり強度入力
手段９ｄで使用者の設定した出来上がり強度情報と推定
した調理度合により制御手段５が加熱供給手段３を制御
する構成としているので、出来上り状態にバラツキがな
くなるほか、詳細な調理メニュー選択操作が不要で使い
勝手の向上を図ることができる。また、調理物の出来上
がり状態が使用者の好みに合わせることも可能となる。

【００４６】（参考例４） 本参考例では、電子オーブンレンジに応用した例につい
て説明する。構成を図６に示す。参考例３とほぼ同様の
構成であるが、参考例３では出来上り強度入力手段９ｄ
の出力が制御手段５に入力されていたのに対して、本参
考例では調理度合推定手段１０に入力されている点が異
なる。つまり、参考例３では調理度合推定手段１０から
出力される調理度合推定情報と出来上り強度入力手段９
ｄの出来上り強度入力情報とで、制御手段５は調理度合
を推定する。しかし本参考例では、調理度合推定手段１
０を構成する神経回路網模式手段に、出来上り強度情報
をも学習させた構成としているので、調理度合推定手段
１０の調理度合推定出力情報には、出来上り強度入力情
報も含まれた構成としている。よって制御手段５は調理
度合推定手段１０の出力情報のみを基に調理手段３を制
御する。

【００４７】次に調理度合推定手段１０を構成する神経
回路網模式手段に学習させたデータについて説明する。
図２１は、調理室２の初期温度が低く、商用電源電圧１
００Ｖ、調理物の種類はパン１個の場合に調理をした時
の特性をしめしたものである。図２１（ａ）は環境物理
量検出手段６（加熱室内の雰囲気温度）の変化を示し、
図２１（ｂ）は調理物の調理度合を示している。調理度
合は２値で示し、これは実験により求め、出来上り強度
入力手段９ｄの入力に対応した出来上り状態後を”
１”、それまでは”０”としている。図２１（ｂ）は標
準的な出来上り強度の調理度合を示し、同図（ｃ）は弱
めの調理度合を示し、同図（ｄ）は、強めの調理度合を
示している。図２２は、図２１と同様でパン多数を調理
をした時の特性を示したものである。調理度合の分割
は、本実施例では３分割であるが、いくつに分割しても
問題はなく、より好み度の選択を向上させるものにほか
ならない。

【００４８】図２２（ａ）、ないし図２２（ｄ）は、図
２１（ａ）、ないし図２１（ｄ）にそれぞれ対応してい
る。調理物の量により環境物理量検出手段６の出力電圧
変化（加熱室内の雰囲気温度）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。調理度合（出来
上り強度手段９ｄに対応した弱め、標準、強め）は、そ
れらの条件下で実験により求める。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ついて同様に行っ
た。そして、その実験デ−タを神経回路網模式手段に入
力し学習をさせた。つまり、神経回路網模式手段へは環
境物理量検出手段６の調理室内の雰囲気温度情報と、雰
囲気温度勾配情報として現時点より１分前の雰囲気温度
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９ａより得られるカテゴ
リー情報と、出来上り強度入力情報の６情報と、理想出
力として出来上り強度入力情報に対応した調理物の調理
度合の２値情報（調理終了かまたは未終了か）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３１
Ｘ、３１Ｙ、３１Ｚを確立し、それらを神経回路網模式
手段として調理度合推定手段１０に組み込んでいる。

【００４９】（実施例３） 本実施例では、電子オーブンレンジに応用した例につい
て説明する。構成は図７に示す。実施例１とは、調理物
の出来上がり状態が使用者の好みに合わせるために、出
来上り強度入力手段９ｄを有する点が異なる。具体的な
内容は実施例１と同様であり、参考例３に比べ、より出
来上りの良い、かつ使い勝手の良い調理器具を得ること
ができる。

【００５０】（実施例４） 本実施例では、電子オーブンレンジに応用した例につい
て説明する。構成は図８に示す。実施例１とは、調理物
の出来上がり状態が使用者の好みに合わせるために、出
来上り強度入力手段９ｄを有する点が異なる。具体的な
内容は実施例１と同様であり、参考例４に比べより出来
上りの良い、かつ使い勝手の良い調理器具を得ることが
できる。

【００５１】以上の実施例では、制御手段５、計時手段
７、調理度合推定手段８は、すべて４ビットマイクロコ
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、
調理度合推定手段１０には環境物理量情報として温度情
報、湿度情報等を適切に加工して入力しているが、この
限定は本発明を拘束するものでなく加工方法を変えた
り、情報量を増やして推定の精度を向上させることは可
能である。また、環境物理量情報として上記の以外に
も、温度情報、煙情報、調理物からでるにおい情報や調
理物の色情報などでも適用できる。また相互に事前に演
算を施し加工した値を入力しても同様の効果が得られ
る。また、本実施例では、調理室を持つ電子レンジ、電
子オーブンレンジについて説明したが、ガステーブル、
電磁調理器などの調理室を持たない調理器具にも適用で
きる。さらに本実施例では、電子レンジの再加熱機能
や、オーブンレンジでのお菓子の調理を説明したが、惣
菜やレンジ料理の煮込み、下ごしらえにも適用できる。

【００５２】

【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、調理物を調理する調理手段と、調理物周辺の
環境物理量を検出する環境物理量検出手段と、前記環境
物理量検出手段の変化量の最大値を記憶する変化量最大
値記憶手段と、前記環境物理量検出手段の変化量が最大
値であったときの前記環境物理量検出手段の出力を記憶
する出力記憶手段と、前記環境物理量検出手段の出力と
前記変化量最大値記憶手段の記憶値および前記出力記憶
手段の記憶値の情報に基づき前記調理物の調理度合を推
定する調理度合推定手段と、前記調理度合推定手段の出
力に基づき前記調理手段を制御する制御手段とからなる
から調理室内の初期温度、調理物の初期温度、調理物の
量等にかかわらず調理物の調理度合が推定でき、出来上
がりのばらつきの少ない自動調理が可能となる。

【００５３】また調理物を調理する調理手段と、調理物
周辺の湿度を検出する湿度検出手段と、調理室からの排
気温度を検出する排気温度検出手段と、前期湿度検出手
段の変化量の最大値を記憶する最大値記憶手段と、前期
湿度検出手段の変化量が最大値であった時の前期湿度検
出手段の出力を記憶する出力記憶手段と、前記湿度検出
手段の出力と前期排気温度検出手段の出力と前期変化量
最大値記憶手段の記憶値および前期出力記憶手段の記憶
値の情報に基づき前記調理物の調理度合を推定する調理
度合推定手段と、前記調理度合推定手段の出力に基づき
前記調理手段を制御する制御手段とからなるから調理中
に生じる調理室内の温度変化等をすばやく認識でき、調
理度合の推定の精度が上がる。

【００５４】また調理物を調理する調理手段と、調理物
周辺の環境物理量を検出する環境物理量検出手段と、調
理の出来上がり強度を入力する出来上がり強度入力手段
と、前記環境物理量検出手段の変化量の最大値を記憶す
る変化量最大値記憶手段と、前記環境物理量検出手段の
変化量が最大値であったときの前記環境物理量検出手段
の出力を記憶する出力記憶手段と、前記環境物理量検出
手段の出力と前記変化量最大値記憶手段の記憶値および
前記出力記憶手段の記憶値の情報に基づき前記調理物の
調理度合を推定する調理度合推定手段と、前記調理度合
推定手段の出力と前記出来上がり強度入力手段の情報に
基づき前記調理手段を制御する制御手段とからなるか
ら、調理室内の初期温度、調理物の初期温度、調理物の
量等にかかわらず調理物の調理度合が推定でき、出来上
がりばらつきの少ない自動調理が可能となる。さらに、
調理物の出来上がり状態が使用者の好みに合わせること
も可能となる。

【００５５】また調理物を調理する調理手段と、調理物
周辺の環境物理量を検出する環境物理量検出手段と、調
理の出来上がり強度を入力する出来上がり強度入力手段
と、前記環境物理量検出手段の変化量の最大値を記憶す
る変化量最大値記憶手段と、前記環境物理量検出手段の
変化量が最大値であったときの前記環境物理量検出手段
の出力を記憶する出力記憶手段と、前記環境物理量検出
手段の出力と前記出来上がり強度入力手段の情報と前記
変化量最大値記憶手段の記憶値および前記出力記憶手段
の記憶値の情報に基づき前記調理物の調理度合を推定す
る調理度合推定手段と、前記調理度合推定手段の出力に
基づき前記調理手段を制御する制御手段とからなるか
ら、調理室内の初期温度、調理物の初期温度、調理物の
量等にかかわらず調理物の調理度合が推定でき、出来上
がりばらつきの少ない自動調理が可能となる。さらに、
調理物の出来上がり状態が使用者の好みに合わせること
も可能となる。

【００５６】また、調理度合推定手段は、複数の神経素
子より構成される神経回路網をモデル化し学習によって
得られ、調理度合を推定する複数の固定された結合重み
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数組み合わされて
構築される階層型の神経回路網模式手段を有するから、
自動調理の対象となる学習させた調理メニューについて
は、調理度合の推定ができ出来上り状態にバラツキがな
い自動調理が可能な調理器具を提供できる。

【図面の簡単な説明】

【図１】本発明の参考例１としての調理器具の構成ブロ
ック図

【図２】本発明の参考例２としての調理器具の構成ブロ
ック図

【図３】本発明の実施例１としての調理器具の構成ブロ
ック図

【図４】本発明の実施例２としての調理器具の構成ブロ
ック図

【図５】本発明の参考例３としての調理器具の構成ブロ
ック図

【図６】本発明の参考例４としての調理器具の構成ブロ
ック図

【図７】本発明の実施例３の調理器具の構成ブロック図

【図８】本発明の実施例４の調理器具の構成ブロック図

【図９】本発明の参考例１としての構成ブロック図に基
づく調理器具に用いた操作部の構成図

【図１０】本発明の参考例３としての構成ブロック図に
基づく調理器具に用いた操作部の構成図

【図１１】本発明の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１２】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１３】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１４】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示すブロック図

【図１５】本発明の参考例１としての構成ブロック図に
基づく調理器具の実験データの一例を示す図

【図１６】同調理器具の実験データの他の例を示す図

【図１７】本発明の実施例１の構成ブロック図に基づく
調理器具の実験データの一例を示す図

【図１８】同調理器具の実験データの他の例を示す図

【図１９】本発明の参考例３の構成ブロック図に基づく
調理器具の実験データの他の例を示す図

【図２０】同調理器具の実験データの他の例を示す図

【図２１】本発明の参考例４の構成ブロック図に基づく
調理器具の実験データの一例を示す図

【図２２】同調理器具の実験データの他の例を示す図

【図２３】従来の調理器具の構成ブロック図

【符号の説明】

１ 調理器具 ３ 調理手段 ５ 制御手段 ６ 環境物理量検出手段 ９ｄ 出来上り強度入力手段 １０ 調理度合推定手段 １３ 湿度検出手段 １４ 排気温度検出手段 １５ 変化量演算手段 １６ 変化量最大値記憶手段 １７ 出力記憶手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 黄地 謙三 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 中 基孫 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 (56)参考文献 特開 平４−292714（ＪＰ，Ａ) 特開 昭63−153325（ＪＰ，Ａ) 特開 平１−139019（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) F24C 7/02 340

Claims (6)

(57)【特許請求の範囲】
1. 【請求項１】 調理物を調理する調理手段と、調理物周辺
   の環境物理量を検出する環境物理量検出手段と、前記環
   境物理量検出手段の変化量の最大値を記憶する変化量最
   大値記憶手段と、前記環境物理量検出手段の変化量が最
   大値であったときの前記環境物理量検出手段の出力を記
   憶する出力記憶手段と、前記環境物理量検出手段の出力
   と前記変化量最大値記憶手段の記憶値および前記出力記
   憶手段の記憶値の情報に基づき前記調理物の調理度合を
   推定する調理度合推定手段と、前記調理度合推定手段の
   出力に基づき前記調理手段を制御する制御手段とからな
   る調理器具。
2. 【請求項２】 調理物を調理する調理手段と、調理物周辺
   の湿度を検出する湿度検出手段と、調理室からの排気温
   度を検出する排気温度検出手段と、前記湿度検出手段の
   変化量の最大値を記憶する最大値記憶手段と、前記湿度
   検出手段の変化量が最大値であった時の前記湿度検出手
   段の出力を記憶する出力記憶手段と、前記湿度検出手段
   の出力と前記排気温度検出手段の出力と前記変化量最大
   値記憶手段の記憶値および前記出力記憶手段の記憶値の
   情報に基づき前記調理物の調理度合を推定する調理度合
   推定手段と、前記調理度合推定手段の出力に基づき前記
   調理手段を制御する制御手段とからなる調理器具。
3. 【請求項３】 調理物を調理する調理手段と、調理物周辺
   の環境物理量を検出する環境物理量検出手段と、調理の
   出来上がり強度を入力する出来上がり強度入力手段と、
   前記環境物理量検出手段の変化量の最大値を記憶する変
   化量最大値記憶手段と、前記環境物理量検出手段の変化
   量が最大値であったときの前記環境物理量検出手段の出
   力を記憶する出力記憶手段と、前記環境物理量検出手段
   の出力と前記変化量最大値記憶手段の記憶値および前記
   出力記憶手段の記憶値の情報に基づき前記調理物の調理
   度合を推定する調理度合推定手段と、前記調理度合推定
   手段の出力と前記出来上がり強度入力手段の情報に基づ
   き前記調理手段を制御する制御手段とからなる調理器
   具。
4. 【請求項４】 調理物を調理する調理手段と、調理物周辺
   の環境物理量を検出する環境物理量検出手段と、調理の
   出来上がり強度を入力する出来上がり強度入力手段と、
   前記環境物理量検出手段の変化量の最大値を記憶する変
   化量最大値記憶手段と、前記環境物理量検出手段の変化
   量が最大値であったときの前記環境物理量検出手段の出
   力を記憶する出力記憶手段と、前記環境物理量検出手段
   の出力と前記出来上がり強度入力手段の情報と前記変化
   量最大値記憶手段の記憶値および前記出力記憶手段の記
   憶値の情報に基づき前記調理物の調理度合を推定する調
   理度合推定手段と、前記調理度合推定手段の出力に基づ
   き前記調理手段を制御する制御手段とからなる調理器
   具。
5. 【請求項５】 調理度合推定手段は、複数の神経素子より
   構成される神経回路網をモデル化し学習によって得ら
   れ、調理度合を推定する複数の固定された結合重み係数
   を内部に持つ神経回路網模式手段を有する請求項１ない
   し請求項４記載の調理器具。
6. 【請求項６】 調理度合推定手段は、複数の神経素子より
   構成される層が多数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
   ないし請求項４記載の調理器具。