JP3109748B2 - ニューラル・ネットを用いた高速ソータ - Google Patents
ニューラル・ネットを用いた高速ソータInfo
- Publication number
- JP3109748B2 JP3109748B2 JP5405491A JP5405491A JP3109748B2 JP 3109748 B2 JP3109748 B2 JP 3109748B2 JP 5405491 A JP5405491 A JP 5405491A JP 5405491 A JP5405491 A JP 5405491A JP 3109748 B2 JP3109748 B2 JP 3109748B2
- Authority
- JP
- Japan
- Prior art keywords
- signal
- input
- value
- signals
- neural net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Devices For Executing Special Programs (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、多数の同類の信号をそ
のレベルにより弁別して、プラント等の監視・制御など
の情報処理に利用するニューラル・ネットを用いた高速
ソータに関する。
のレベルにより弁別して、プラント等の監視・制御など
の情報処理に利用するニューラル・ネットを用いた高速
ソータに関する。
【０００２】
【従来の技術】ガスタービン入口温度制御，ボイラ蒸発
管温度制御，燃料電池セルスタック温度制御，燃料電池
リフォーマ温度制御，加熱炉温度制御，化学反応槽
（管）温度制御，室温制御，配水管網圧力制御等の分布
系を制御する場合、同類の多数のアナログ入力信号を取
り入れ、その信号レベルの大きい信号，小さい信号，あ
るいは中間の信号等を用いて監視したり、それらを制御
量として１個の操作端を操作して被制御対象を制御した
りする場合がある。
管温度制御，燃料電池セルスタック温度制御，燃料電池
リフォーマ温度制御，加熱炉温度制御，化学反応槽
（管）温度制御，室温制御，配水管網圧力制御等の分布
系を制御する場合、同類の多数のアナログ入力信号を取
り入れ、その信号レベルの大きい信号，小さい信号，あ
るいは中間の信号等を用いて監視したり、それらを制御
量として１個の操作端を操作して被制御対象を制御した
りする場合がある。
【０００３】これらの制御方式では、多数のアナログ入
力信号でその信号レベル（例えば、電流値，電圧値）が
大きい信号や小さい信号や中間の信号等を見出す信号処
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なわれる。
また、アナログ入力信号の信号レベルが上限値を超えて
いるか、下限値を下回っているかをチェックする場合、
入力信号毎に入力信号の信号レベルと上限値または下限
値を比較する必要がある。
力信号でその信号レベル（例えば、電流値，電圧値）が
大きい信号や小さい信号や中間の信号等を見出す信号処
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なわれる。
また、アナログ入力信号の信号レベルが上限値を超えて
いるか、下限値を下回っているかをチェックする場合、
入力信号毎に入力信号の信号レベルと上限値または下限
値を比較する必要がある。
【０００４】
【発明が解決しようとする課題】上記方法において、入
力信号の信号レベルが大きい信号や、小さい信号や、中
間の信号や、あるいは指定した値に近い信号等を求める
ためには繰返し処理が必要で、時間がかかる。このた
め、このような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を向上できな
い。
力信号の信号レベルが大きい信号や、小さい信号や、中
間の信号や、あるいは指定した値に近い信号等を求める
ためには繰返し処理が必要で、時間がかかる。このた
め、このような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を向上できな
い。
【０００５】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。この場合、多数の入力信
号のうち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、選択した入力信号を出力する
センサが異常になったり、あるいは選択した入力信号が
他の入力信号と異なる変動をすると、選択した入力信号
に基づいて分布系全体を制御することになるため、かえ
って分布系を乱してしまう危険性がある。
理による遅れが許容できない。この場合、多数の入力信
号のうち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、選択した入力信号を出力する
センサが異常になったり、あるいは選択した入力信号が
他の入力信号と異なる変動をすると、選択した入力信号
に基づいて分布系全体を制御することになるため、かえ
って分布系を乱してしまう危険性がある。
【０００６】本発明は上記事情に鑑みてなされたもので
あり、相互抑制結合のニューラル・ネットの並列処理性
を利用して、上記信号処理の繰返し動作をなくし、もし
くは最小限度に止どめ、高速に信号をソートすることの
可能なニューラル・ネットを用いた高速ソータを提供す
ることを目的としている。
あり、相互抑制結合のニューラル・ネットの並列処理性
を利用して、上記信号処理の繰返し動作をなくし、もし
くは最小限度に止どめ、高速に信号をソートすることの
可能なニューラル・ネットを用いた高速ソータを提供す
ることを目的としている。
【０００７】
【課題を解決するための手段及び作用】上記目的を達成
するため、本発明は複数の入力信号Ｘi （i=1,2,3,…）
を受け、それらの信号レベルが指定した値Ａに近い程大
きな信号レベルになるように信号変換し、これらのソー
トして抽出する個数をＭとしたとき、この個数Ｍに対応
するバイアス値Ｂを加えてニューラル・ネットへ発信す
る入力前処理要素と、複数個の入力信号のうちその信号
レベルが指定した値に近い程大きく、かつバイアス値Ｂ
で指定した個数の信号を判定する相互抑制結合を用いた
ニューラル・ネットから構成した。
するため、本発明は複数の入力信号Ｘi （i=1,2,3,…）
を受け、それらの信号レベルが指定した値Ａに近い程大
きな信号レベルになるように信号変換し、これらのソー
トして抽出する個数をＭとしたとき、この個数Ｍに対応
するバイアス値Ｂを加えてニューラル・ネットへ発信す
る入力前処理要素と、複数個の入力信号のうちその信号
レベルが指定した値に近い程大きく、かつバイアス値Ｂ
で指定した個数の信号を判定する相互抑制結合を用いた
ニューラル・ネットから構成した。
【０００８】上記構成により複数の入力信号のうち、そ
の信号レベルが指定した値Ａに近い、Ｂで指定した個数
の信号を瞬時に判定できる。なお、Ａの値として予測さ
れる最大（小）値とすれば、信号レベルが大きい（小さ
い）Ｍ個の信号を判定できる。また別途求めた入力信号
レベルの平均値や中間値をＡの値とすれば、平均値ある
いは中間値に近いＭ個の信号を判定できる。なお、Ｍ＝
１とすれば、値Ａに最も近い入力信号が１個判定され
る。
の信号レベルが指定した値Ａに近い、Ｂで指定した個数
の信号を瞬時に判定できる。なお、Ａの値として予測さ
れる最大（小）値とすれば、信号レベルが大きい（小さ
い）Ｍ個の信号を判定できる。また別途求めた入力信号
レベルの平均値や中間値をＡの値とすれば、平均値ある
いは中間値に近いＭ個の信号を判定できる。なお、Ｍ＝
１とすれば、値Ａに最も近い入力信号が１個判定され
る。
【０００９】
【実施例】以下図面を参照して実施例を説明する。図２
はアナログ電子回路で実現されたニューラル・ネットの
一例を示す。図において、回路の１つのアンプ（増幅
器）ＡＰ1 〜ＡＰN が、生体の１個のニューロンの細胞
体に対応する。ｊ番目のアンプの出力電圧Ｖj の反転電
圧ｖj（以後小文字を反転符号とする）のフィードバッ
ク線がｉ番目のアンプの入力線に抵抗（その逆数である
コンダクタンスがＴij）を介して接続される。この接続
が生体における抑制性シナプス結合に対応する。
はアナログ電子回路で実現されたニューラル・ネットの
一例を示す。図において、回路の１つのアンプ（増幅
器）ＡＰ1 〜ＡＰN が、生体の１個のニューロンの細胞
体に対応する。ｊ番目のアンプの出力電圧Ｖj の反転電
圧ｖj（以後小文字を反転符号とする）のフィードバッ
ク線がｉ番目のアンプの入力線に抵抗（その逆数である
コンダクタンスがＴij）を介して接続される。この接続
が生体における抑制性シナプス結合に対応する。
【００１０】そして抵抗を介して流入する電流ΣＴij・
ｖj （＝−ΣＴij・Ｖj ）と外部から流入する電流Ｉi
が加算され、コンデンサＣi と抵抗ｒi を介してアース
される。これにより、ｉ番目のアンプＡＰi に入力電圧
Ｕiが印加される。アンプＡＰの出力関数としては入力
・出力の静特性ｇ（Ｕi ）が図３に示すようなシグモイ
ド関数が使用され、アンプＡＰiは入力電圧Ｕi に対応
する電圧Ｖi を出力する。なお、静特性ｇ（Ｕi ）はシ
グモイド関数に限定されるものではなく、類似の特性の
他の関数でもよい。
ｖj （＝−ΣＴij・Ｖj ）と外部から流入する電流Ｉi
が加算され、コンデンサＣi と抵抗ｒi を介してアース
される。これにより、ｉ番目のアンプＡＰi に入力電圧
Ｕiが印加される。アンプＡＰの出力関数としては入力
・出力の静特性ｇ（Ｕi ）が図３に示すようなシグモイ
ド関数が使用され、アンプＡＰiは入力電圧Ｕi に対応
する電圧Ｖi を出力する。なお、静特性ｇ（Ｕi ）はシ
グモイド関数に限定されるものではなく、類似の特性の
他の関数でもよい。
【００１１】図２に示したニューラル・ネットの特性は
(1) 式から(4) 式で表わすことができる。 ｄＵi Ｕi Ｃi ・ ＝− −ΣＴij・ｖj ＋Ｉi ………(1) ｄｔ Ｒi j １ １ N ＝ ＋ ΣＴij ………(2) Ｒi ｒi j=1 Ｖi （ｔ）＝−ｖi （ｔ）＝ｇ［Ｕi （ｔ）］ ………(3) １ ｇ（ｘ）＝ ［１＋tanh（ｘ／ｘo ）］ ………(4) ２ 図２のニューラル・ネットはシナプス結合が対称の時
（Ｔij＝Ｔji，Ｔii＝０）、(5) 式に示されるエネルギ
ー関数（リアプノフ関数）が減少する方向に動作する。
そして、(5) 式のエネルギー値Ｅの極小点が、回路のア
トラクタ（定常状態）に対応することが知られている。
(1) 式から(4) 式で表わすことができる。 ｄＵi Ｕi Ｃi ・ ＝− −ΣＴij・ｖj ＋Ｉi ………(1) ｄｔ Ｒi j １ １ N ＝ ＋ ΣＴij ………(2) Ｒi ｒi j=1 Ｖi （ｔ）＝−ｖi （ｔ）＝ｇ［Ｕi （ｔ）］ ………(3) １ ｇ（ｘ）＝ ［１＋tanh（ｘ／ｘo ）］ ………(4) ２ 図２のニューラル・ネットはシナプス結合が対称の時
（Ｔij＝Ｔji，Ｔii＝０）、(5) 式に示されるエネルギ
ー関数（リアプノフ関数）が減少する方向に動作する。
そして、(5) 式のエネルギー値Ｅの極小点が、回路のア
トラクタ（定常状態）に対応することが知られている。
【００１２】 １ １ Vi Ｅ＝− Σ（−Ｔij）Ｖi Ｖj −ΣＩi Ｖi ＋Σ ◆ ｇ-1（ｖ）ｄＶ ２ ij i i Ｒi o １ １ Vi ＝ ΣＴijＶi Ｖj −ΣＩi Ｖi ＋Σ ◆ ｇ-1（ｖ）ｄＶ ２ ij i i Ｒi o ………(5) 但し、上記式中の未変換記号は積分記号であ
る。なお、(5) 式の右辺の第３項は通常の使用状態では
微小な値であるため、以下の説明では無視する。ここ
で、本実施例では下記として説明する。 Ｍ−１＜Ｉi ＜Ｍ （但し、Ｍはソートする信号の個
数）この場合、(5) 式の右辺第１項と第２項を考え、Ｍ
個の人工ニューロンだけが“１”で他は“０”である極
小のエネルギー値をＥM とすれば、 ＥM ＝Ｍ（Ｍ−１）／２−（大きい順に選んだＭ個のＩi の和） ……(6) ＥM+1 −ＥM ＝Ｍ−（大きさが第Ｍ＋１番目のＩ） ……(7) ＥM −ＥM-1 ＝Ｍ−１−（大きさが第Ｍ番目のＩ） ……(8) となる。
る。なお、(5) 式の右辺の第３項は通常の使用状態では
微小な値であるため、以下の説明では無視する。ここ
で、本実施例では下記として説明する。 Ｍ−１＜Ｉi ＜Ｍ （但し、Ｍはソートする信号の個
数）この場合、(5) 式の右辺第１項と第２項を考え、Ｍ
個の人工ニューロンだけが“１”で他は“０”である極
小のエネルギー値をＥM とすれば、 ＥM ＝Ｍ（Ｍ−１）／２−（大きい順に選んだＭ個のＩi の和） ……(6) ＥM+1 −ＥM ＝Ｍ−（大きさが第Ｍ＋１番目のＩ） ……(7) ＥM −ＥM-1 ＝Ｍ−１−（大きさが第Ｍ番目のＩ） ……(8) となる。
【００１３】ここでＭ−１＜Ｉi ＜Ｍであるから、(7)
式は正でＭが更に大きくなっても正であり、(8) 式は負
でＭが更に小さくなっても負である。したがって、……
…＞ＥM+2 ＞ＥM+1 ＞ＥM ＜ＥM-1 ＜ＥM-2 ＜………、
即ち、ニューラル・ネットへの入力Ｉi がＭ−１＜Ｉi
＜Ｍのとき、その大きい順に選んだＭ個の入力を受ける
人工ニューロンだけが状態“１”となり、他は“０”の
状態がエネルギー極小の安定状態となり、この時、状態
“１”になっている人工ニューロンをセンスすることに
より、信号レベルの大きい、本ニューラル・ネットへの
Ｍ個の信号を判定できる。なお、このニューラル・ネッ
トは並列に動作し、回路の時定数Ｃi ・Ｒi を十分に小
さくしておけば、上述の信号ソートを瞬時に行なう能力
を有する。
式は正でＭが更に大きくなっても正であり、(8) 式は負
でＭが更に小さくなっても負である。したがって、……
…＞ＥM+2 ＞ＥM+1 ＞ＥM ＜ＥM-1 ＜ＥM-2 ＜………、
即ち、ニューラル・ネットへの入力Ｉi がＭ−１＜Ｉi
＜Ｍのとき、その大きい順に選んだＭ個の入力を受ける
人工ニューロンだけが状態“１”となり、他は“０”の
状態がエネルギー極小の安定状態となり、この時、状態
“１”になっている人工ニューロンをセンスすることに
より、信号レベルの大きい、本ニューラル・ネットへの
Ｍ個の信号を判定できる。なお、このニューラル・ネッ
トは並列に動作し、回路の時定数Ｃi ・Ｒi を十分に小
さくしておけば、上述の信号ソートを瞬時に行なう能力
を有する。
【００１４】次に、本装置への入力信号をＸi （i=1,2,
3,…）、指定した値をＡとし、入力信号Ｘi に関して下
記の信号変換も行ない、これをＹi とすると、 Ｙi ＝（２Ａ−Ｘi ）Ｘi ＝−（Ｘi −Ａ）2 ＋Ａ2 ………(9) 即ち、２次関数の性質から、信号レベルＸi がＡに近い
程Ｙiが大きな値になるように変換される。
3,…）、指定した値をＡとし、入力信号Ｘi に関して下
記の信号変換も行ない、これをＹi とすると、 Ｙi ＝（２Ａ−Ｘi ）Ｘi ＝−（Ｘi −Ａ）2 ＋Ａ2 ………(9) 即ち、２次関数の性質から、信号レベルＸi がＡに近い
程Ｙiが大きな値になるように変換される。
【００１５】更にＭをソートする信号の個数、Ｂを信号
Ｙi に加えるバイアス値として、(1) ０＜Ｙi ＜１の場
合にはＩi ＝Ｙi ＋Ｂ、（但し、Ｂ＝Ｍ−１）(2) ０＜
Ｙi ＜１が満たされない場合にはＩi ＝α・Ｙi ＋Ｂと
してＭ−１＜Ｉi ＜Ｍとなるように係数α及びＢを決め
れば、ソートする信号の個数Ｍを指定した時、ニューラ
ル・ネットへの入力Ｉi は、Ｍ−１＜Ｉi ＜Ｍを満た
し、信号レベルＸi がＡに近い信号に対応するＩi 程、
信号レベルが大きな信号となる。したがって、このＩi
を前述のニューラル・ネットへの入力信号とすることに
より、本装置への入力のうちその信号レベルが値Ａに近
いＭ個の信号を瞬時にソートできる。
Ｙi に加えるバイアス値として、(1) ０＜Ｙi ＜１の場
合にはＩi ＝Ｙi ＋Ｂ、（但し、Ｂ＝Ｍ−１）(2) ０＜
Ｙi ＜１が満たされない場合にはＩi ＝α・Ｙi ＋Ｂと
してＭ−１＜Ｉi ＜Ｍとなるように係数α及びＢを決め
れば、ソートする信号の個数Ｍを指定した時、ニューラ
ル・ネットへの入力Ｉi は、Ｍ−１＜Ｉi ＜Ｍを満た
し、信号レベルＸi がＡに近い信号に対応するＩi 程、
信号レベルが大きな信号となる。したがって、このＩi
を前述のニューラル・ネットへの入力信号とすることに
より、本装置への入力のうちその信号レベルが値Ａに近
いＭ個の信号を瞬時にソートできる。
【００１６】図１は高速ソータの一実施例の構成図であ
る。本装置は、図２に示す相互抑制結合のニューラル・
ネット２を備える。ニューラル・ネット２はＮ（Ｎは２
以上の整数）個の入力端と出力端を備える。ニューラル
・ネット２の出力端（アンプの出力）には、センス要素
（回路，ブロック）３が接続される。センス要素３はニ
ューラル・ネット２で何れのアンプ出力が“１”になっ
ているかを判定し、その信号番号を出力する。
る。本装置は、図２に示す相互抑制結合のニューラル・
ネット２を備える。ニューラル・ネット２はＮ（Ｎは２
以上の整数）個の入力端と出力端を備える。ニューラル
・ネット２の出力端（アンプの出力）には、センス要素
（回路，ブロック）３が接続される。センス要素３はニ
ューラル・ネット２で何れのアンプ出力が“１”になっ
ているかを判定し、その信号番号を出力する。
【００１７】入力前処理要素１は、演算要素11と乗算要
素12とバイアス加算要素13とから構成される。温度セン
サ，圧力センサ等からの入力信号（入力電流）ＸI 〜Ｘ
N は、演算要素11及び乗算要素12へ供給される。演算要
素11では指定値Ａを用いて演算２Ａ−Ｘi を行ない、そ
の結果を乗算要素12へ発信する。
素12とバイアス加算要素13とから構成される。温度セン
サ，圧力センサ等からの入力信号（入力電流）ＸI 〜Ｘ
N は、演算要素11及び乗算要素12へ供給される。演算要
素11では指定値Ａを用いて演算２Ａ−Ｘi を行ない、そ
の結果を乗算要素12へ発信する。
【００１８】乗算要素12では入力信号Ｘi と演算要素11
からの信号２Ａ−Ｘi を乗じ、信号Ｙi （＝（２Ａ−Ｘ
i ）Ｘi ）としてバイアス加算要素13へ発信する。バイ
アス加算要素13では信号Ｙi にバイアスＢを加え信号Ｉ
i ＝Ｙi ＋Ｂとしてニューラル・ネット２へ発信する。
なお、信号Ｙi を規格化する必要がある場合には、バイ
アス加算要素13で演算α・Ｙi ＋Ｂを行ない、これを信
号Ｉi として発信する（α：係数）。
からの信号２Ａ−Ｘi を乗じ、信号Ｙi （＝（２Ａ−Ｘ
i ）Ｘi ）としてバイアス加算要素13へ発信する。バイ
アス加算要素13では信号Ｙi にバイアスＢを加え信号Ｉ
i ＝Ｙi ＋Ｂとしてニューラル・ネット２へ発信する。
なお、信号Ｙi を規格化する必要がある場合には、バイ
アス加算要素13で演算α・Ｙi ＋Ｂを行ない、これを信
号Ｉi として発信する（α：係数）。
【００１９】ニューラル・ネット２は、信号Ｉi を受け
ると動作し、それらの信号状態に応じたエネルギー極小
の定常状態、即ち、バイアス値Ｂで指定した個数の指定
値Ａに近い入力信号に対応するアンプが“１”で、他は
“０”の状態に瞬時に達する。このアンプ状態が“１”
になっている入力番号をセンス要素３で判定して出力す
る。
ると動作し、それらの信号状態に応じたエネルギー極小
の定常状態、即ち、バイアス値Ｂで指定した個数の指定
値Ａに近い入力信号に対応するアンプが“１”で、他は
“０”の状態に瞬時に達する。このアンプ状態が“１”
になっている入力番号をセンス要素３で判定して出力す
る。
【００２０】上記実施例では入力信号として電流信号を
想定して説明したが、これに限定されるものではなく、
入力信号が電圧信号等の場合にも同様に適用できる。ま
た、上記実施例では、ニューラル・ネットをアナログ回
路で構成したが、ディジタル演算回路で行なっても良
い。この場合、ニューラル・ネットの機能は(1) 式の微
分方程式を差分方程式に変換したものを用いて実施す
る。なお、この場合、入力信号がアナログ信号の場合に
は、Ａ／Ｄ変換器でディジタル信号に変換して処理す
る。
想定して説明したが、これに限定されるものではなく、
入力信号が電圧信号等の場合にも同様に適用できる。ま
た、上記実施例では、ニューラル・ネットをアナログ回
路で構成したが、ディジタル演算回路で行なっても良
い。この場合、ニューラル・ネットの機能は(1) 式の微
分方程式を差分方程式に変換したものを用いて実施す
る。なお、この場合、入力信号がアナログ信号の場合に
は、Ａ／Ｄ変換器でディジタル信号に変換して処理す
る。
【００２１】本実施例によれば、ガスタービン入口温度
や燃料電池リフォーマ温度や高圧ポリエチレン反応管温
度などのように、分布系で装置の寿命などが、制限温度
以上にしてはいけないが、効率や品質面からできるだけ
高温にしたく精密な温度制御が要求される場合に、指定
する値を高い温度に設定しておくことにより、多数の温
度センサ出力のうち高温のものを瞬時にソートし、それ
らの信号の平均値を求め制御量として制御することによ
り、分布系を良好かつ高信頼度で制御できる。
や燃料電池リフォーマ温度や高圧ポリエチレン反応管温
度などのように、分布系で装置の寿命などが、制限温度
以上にしてはいけないが、効率や品質面からできるだけ
高温にしたく精密な温度制御が要求される場合に、指定
する値を高い温度に設定しておくことにより、多数の温
度センサ出力のうち高温のものを瞬時にソートし、それ
らの信号の平均値を求め制御量として制御することによ
り、分布系を良好かつ高信頼度で制御できる。
【００２２】また、指定値を中間の値に設定し、１〜２
個が除外される個数を指定しておくことにより、入力異
常の可能性が高い信号を除いた信号を瞬時にソートで
き、これらを用いて信頼度の高い平均値を制御量とし
た、分布系の良好かつ高信頼度の制御ができる。
個が除外される個数を指定しておくことにより、入力異
常の可能性が高い信号を除いた信号を瞬時にソートで
き、これらを用いて信頼度の高い平均値を制御量とし
た、分布系の良好かつ高信頼度の制御ができる。
【００２３】また、配水管網のように、いずれの地域で
も最低限の水圧を確保する必要がある場合、指定値を制
限値近傍の低い値に設定しておくことにより、水道管破
壊などによる異常値を除いた制限値近傍の数個の圧力値
をソートし、それらの平均値を制御量として送水機器を
操作することにより、経済的で良好な配水管網の圧力制
御ができる。更に、部品の属性値を入力信号としておく
ことにより、属性値にバラツキのある多数の部品の中か
ら、所望の属性値に近い、指定した個数の部品を瞬時に
ソートすることもできる。
も最低限の水圧を確保する必要がある場合、指定値を制
限値近傍の低い値に設定しておくことにより、水道管破
壊などによる異常値を除いた制限値近傍の数個の圧力値
をソートし、それらの平均値を制御量として送水機器を
操作することにより、経済的で良好な配水管網の圧力制
御ができる。更に、部品の属性値を入力信号としておく
ことにより、属性値にバラツキのある多数の部品の中か
ら、所望の属性値に近い、指定した個数の部品を瞬時に
ソートすることもできる。
【００２４】
【発明の効果】以上説明したように、本発明によれば複
数の入力信号を指定値に近い程大きな信号レベルになる
よう信号変換し、更にソートして抽出する個数に基づく
バイアス値を加えた後、相互抑制結合を用いたニューラ
ル・ネットに加えて並列処理する構成としたので、多数
の入力信号の中で、その信号レベルが指定した値に近
く、かつ指定した個数の信号をほゞ瞬時にソートでき
る。
数の入力信号を指定値に近い程大きな信号レベルになる
よう信号変換し、更にソートして抽出する個数に基づく
バイアス値を加えた後、相互抑制結合を用いたニューラ
ル・ネットに加えて並列処理する構成としたので、多数
の入力信号の中で、その信号レベルが指定した値に近
く、かつ指定した個数の信号をほゞ瞬時にソートでき
る。
【図１】本発明による高速ソータの一実施例の構成図。
【図２】相互抑制結合のニューラル・ネットの構成例
図。
図。
【図３】ニューラル・ネットのアンプの入出力特性図。
１ 入力前処理要素 ２ ニューラル・ネット ３ センス要素 11 演算要素 12 乗算要素 13 バイアス加算要素
Claims (1)
- 【請求項１】 複数の入力信号を受け、これらの信号レ
ベルが指定値に近い程大きな信号レベルになるように信
号変換し、更にソートして抽出する個数に基づくバイア
ス値を加えることにより生成された信号を発信する入力
前処理要素と、前記入力前処理要素を介して入力された
信号のうち信号レベルが前記指定値に近い程大きく、か
つバイアス値で指定した個数の信号を判定する相互抑制
結合を用いたニューラル・ネットを備えたことを特徴と
するニューラル・ネットを用いた高速ソータ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5405491A JP3109748B2 (ja) | 1991-02-26 | 1991-02-26 | ニューラル・ネットを用いた高速ソータ |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5405491A JP3109748B2 (ja) | 1991-02-26 | 1991-02-26 | ニューラル・ネットを用いた高速ソータ |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04271486A JPH04271486A (ja) | 1992-09-28 |
| JP3109748B2 true JP3109748B2 (ja) | 2000-11-20 |
Family
ID=12959904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5405491A Expired - Fee Related JP3109748B2 (ja) | 1991-02-26 | 1991-02-26 | ニューラル・ネットを用いた高速ソータ |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3109748B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3459017B2 (ja) * | 1993-02-22 | 2003-10-20 | 直 柴田 | 半導体装置 |
| NZ567815A (en) * | 2005-11-15 | 2011-08-26 | Bernadette Garner | Training neural networks including selecting an output to be trained and connecting an output neuron to input neurons |
-
1991
- 1991-02-26 JP JP5405491A patent/JP3109748B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04271486A (ja) | 1992-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Fault detection for nonlinear discrete-time switched systems with persistent dwell time | |
| Jang et al. | Predicting chaotic time series with fuzzy if-then rules | |
| Charalambous | Conjugate gradient algorithm for efficient training of artificial neural networks | |
| Yu et al. | Robust adaptive control of unknown modified Cohen–Grossberg neural networks with delays | |
| Ren et al. | Type-2 TSK fuzzy logic system and its type-1 counterpart | |
| JP3109748B2 (ja) | ニューラル・ネットを用いた高速ソータ | |
| Ying | General Takagi-Sugeno fuzzy systems are universal approximators | |
| Cheon et al. | Application of neural networks to multiple alarm processing and diagnosis in nuclear power plants | |
| US6188251B1 (en) | Analog voltage maximum selection and sorting circuits | |
| Rediniotis et al. | Application of neural networks and fuzzy logic to the calibration of the seven-hole probe | |
| Ye et al. | A Bayesian–Gaussian neural network and its applications in process engineering | |
| US20210357724A1 (en) | System and method for signal conversion in a neural network | |
| Postolache et al. | An ANN fault detection procedure applied in virtual measurement systems case | |
| Anggriawan et al. | Digital overcurrent relay implementation with non-standard inverse curve modelling using adaptive neuro fuzzy inference system | |
| JPH04271459A (ja) | ニューラル・ネットワークを用いた信号処理装置 | |
| JP2654155B2 (ja) | ニューラル・ネットを用いた信号処理回路 | |
| Radi et al. | Genetic programming can discover fast and general learning rules for neural networks | |
| Kang et al. | Design of fuzzy state controllers and observers | |
| Choi et al. | Nonlinear system diagnosis using neural networks and fuzzy logic | |
| Amin et al. | Dynamically pruning output weights in an expanding multilayer perceptron neural network | |
| JP3101742B2 (ja) | 最小値検出器 | |
| Caminhas et al. | A neurofuzzy approach for fault diagnosis in dynamic systems | |
| Tjahjono et al. | Modeling characteristic curves of digital overcurrent relay (DOCR) for User-defined characteristic curve using artificial neural network | |
| Krcmar et al. | Global asymptotic stability for RNNs with a bipolar activation function | |
| Li | Output-back fuzzy logic systems and equivalence with feedback neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |