JP3117204B2 - 制御物理変量発生用および物体識別用ニューラル・ネット - Google Patents
制御物理変量発生用および物体識別用ニューラル・ネットInfo
- Publication number
- JP3117204B2 JP3117204B2 JP01233407A JP23340789A JP3117204B2 JP 3117204 B2 JP3117204 B2 JP 3117204B2 JP 01233407 A JP01233407 A JP 01233407A JP 23340789 A JP23340789 A JP 23340789A JP 3117204 B2 JP3117204 B2 JP 3117204B2
- Authority
- JP
- Japan
- Prior art keywords
- input
- output
- classification
- layer
- artificial neuron
- 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
- Feedback Control In General (AREA)
Description
【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） 本発明は、各種の制御システムや情報処理システムに
利用される制御物理変量発生用および物体識別用ニュー
ラル・ネットに係わり、特に比較的簡単な構成で複雑な
特性関数値や多種類の物体の識別用信号を出力する制御
物理変量発生用および物体識別用ニューラル・ネットに
関する。
利用される制御物理変量発生用および物体識別用ニュー
ラル・ネットに係わり、特に比較的簡単な構成で複雑な
特性関数値や多種類の物体の識別用信号を出力する制御
物理変量発生用および物体識別用ニューラル・ネットに
関する。
（従来の技術） 一般に、軸流圧縮機の制御や監視を行う場合、第９図
に示すような圧縮機特性マップを用いて既知の入力デー
タ（圧縮比rc,修正流量Gc等）から未知の状態量である
制御物理変量（断熱圧縮効率ηc,修正回転数nc等）を得
る必要がある。しかし、各変数間の関数関係には非線形
性が強いことから関数式を用いて未知の制御物理変量を
求めることは非常に難しい。
に示すような圧縮機特性マップを用いて既知の入力デー
タ（圧縮比rc,修正流量Gc等）から未知の状態量である
制御物理変量（断熱圧縮効率ηc,修正回転数nc等）を得
る必要がある。しかし、各変数間の関数関係には非線形
性が強いことから関数式を用いて未知の制御物理変量を
求めることは非常に難しい。
そこで、従来、次のような方式を用いて未知の制御物
理変量を得ている。
理変量を得ている。
その１つは、予め各種の圧力比，修正流量に基づいて
圧縮機特性マップのメッシュ交点データを定めてファイ
ルメモリに格納し、関数値である未知の制御物理変量を
必要とするとき、前記ファイルメモリからその入力デー
タ近傍の２つのメッシュ交点データを読出し、これらメ
ッシュ交点データから線形補間法を用いて所望の制御物
理変量を得る方式である。
圧縮機特性マップのメッシュ交点データを定めてファイ
ルメモリに格納し、関数値である未知の制御物理変量を
必要とするとき、前記ファイルメモリからその入力デー
タ近傍の２つのメッシュ交点データを読出し、これらメ
ッシュ交点データから線形補間法を用いて所望の制御物
理変量を得る方式である。
他の１つは、第10図に示すような人工ニューロン素子
を第11図に示す如く入力層、中間層および出力層の順序
で接続してニューラル・ネットワークを構成し、入力層
の人工ニューロン素子に圧力比，修正流量等の入力デー
タｈを入力し、中間層を経て出力層から未知の制御物理
変量である所定の断熱圧縮効率データηｃや修正回転数
データncを得る方式である。この人工ニューロン素子
は、入力データxj（ｊ＝1,2,…,N）にシナプス荷重（シ
ナプス可変結合係数）wj（ｊ＝1,2,…,N）を乗算して得
られたxj・wjを受けると、これら数個のxj・wjについて
総和 を求めた後、この総和 からしきい値θを減算して出力関数ｆ（例えばシグモイ
ド関数）で変換することにより、 なる出力を得る。そして、この出力データｙを次の人工
ニューロン素子へ発信し、或いはそのまま出力する。
を第11図に示す如く入力層、中間層および出力層の順序
で接続してニューラル・ネットワークを構成し、入力層
の人工ニューロン素子に圧力比，修正流量等の入力デー
タｈを入力し、中間層を経て出力層から未知の制御物理
変量である所定の断熱圧縮効率データηｃや修正回転数
データncを得る方式である。この人工ニューロン素子
は、入力データxj（ｊ＝1,2,…,N）にシナプス荷重（シ
ナプス可変結合係数）wj（ｊ＝1,2,…,N）を乗算して得
られたxj・wjを受けると、これら数個のxj・wjについて
総和 を求めた後、この総和 からしきい値θを減算して出力関数ｆ（例えばシグモイ
ド関数）で変換することにより、 なる出力を得る。そして、この出力データｙを次の人工
ニューロン素子へ発信し、或いはそのまま出力する。
従って、このニューラル・ネットワークは、入力層に
圧力比および修正流量等の入力データｈを入力し、その
ときの出力層の出力データｉと教師データとを比較し、
その偏差に応じてバックプロパゲーション学習則を用い
て前記シナプス荷重wjおよびしきい値θを少しずつ修正
しながら出力層から１次元の非線形関数である所定の断
熱圧縮効率データηｃや修正回転数データncを発生させ
ていく方式である。
圧力比および修正流量等の入力データｈを入力し、その
ときの出力層の出力データｉと教師データとを比較し、
その偏差に応じてバックプロパゲーション学習則を用い
て前記シナプス荷重wjおよびしきい値θを少しずつ修正
しながら出力層から１次元の非線形関数である所定の断
熱圧縮効率データηｃや修正回転数データncを発生させ
ていく方式である。
（発明が解決しようとする課題） しかし、以上述べた方式のうち、前者のファイルメモ
リからメッシュ交点データを読み出して線形補間法によ
り所望の制御物理変量を得る方式では、圧縮機特性マッ
プを精度よく実現しょうとしたとき、細かくメッシュを
定めてメッシュ交点データをメモリに格納する必要があ
り、そのために多大なメモリを必要とし、しかも全部の
交点データを正確に格納する場合には大変な作業とな
る。また、線形補間法では計算用アルゴリズムを用いて
行うが、精度が高く計算量の少ないアルゴリズムの作成
は非常に難度の高い作業である。さらに、圧縮機特性マ
ップは各種の条件例えば基準圧力p,基準温度T,圧縮機入
口温度pi等々に元に作成されるが、これら条件の変化ご
とに交点データを得る必要があり、前述した種々の不具
合をさらに助長させる問題がある。
リからメッシュ交点データを読み出して線形補間法によ
り所望の制御物理変量を得る方式では、圧縮機特性マッ
プを精度よく実現しょうとしたとき、細かくメッシュを
定めてメッシュ交点データをメモリに格納する必要があ
り、そのために多大なメモリを必要とし、しかも全部の
交点データを正確に格納する場合には大変な作業とな
る。また、線形補間法では計算用アルゴリズムを用いて
行うが、精度が高く計算量の少ないアルゴリズムの作成
は非常に難度の高い作業である。さらに、圧縮機特性マ
ップは各種の条件例えば基準圧力p,基準温度T,圧縮機入
口温度pi等々に元に作成されるが、これら条件の変化ご
とに交点データを得る必要があり、前述した種々の不具
合をさらに助長させる問題がある。
そこで、近年、かかる不具合を解消するために後者の
ニューラル・ネットワークを用いて行うようにしている
が、例えばこのニューラル・ネットワークを用いて３次
元の圧縮機特性マップを作成することが考えられるが、
このような３次元の曲面をもつマップを第11図に示す単
一構造のニューラル・ネットワークで実現しようとする
と、中間層には相当膨大な数の人工ニューロン素子を設
ける必要があり、しかも入力層から中間層へ、さらに中
間層から出力層への接続路も非常に多くなる問題があ
る。また、圧縮機の全動作域にわたって正確な曲面を得
るためには膨大な繰り返し回数と長い時間をかけて学習
を行う必要がある。さらに、条件の変更により曲面の一
部を修正したい場合でも全領域にわたって学習し直さな
ければならない問題がある。
ニューラル・ネットワークを用いて行うようにしている
が、例えばこのニューラル・ネットワークを用いて３次
元の圧縮機特性マップを作成することが考えられるが、
このような３次元の曲面をもつマップを第11図に示す単
一構造のニューラル・ネットワークで実現しようとする
と、中間層には相当膨大な数の人工ニューロン素子を設
ける必要があり、しかも入力層から中間層へ、さらに中
間層から出力層への接続路も非常に多くなる問題があ
る。また、圧縮機の全動作域にわたって正確な曲面を得
るためには膨大な繰り返し回数と長い時間をかけて学習
を行う必要がある。さらに、条件の変更により曲面の一
部を修正したい場合でも全領域にわたって学習し直さな
ければならない問題がある。
また、前述したような３次元の曲線データを発生させ
る場合に限らず、ニューラル・ネットワークを用いて、
例えば第９図に示す異常域と正常域との境界線を表わす
サージラインや第12図に示す１入力１出力系での複雑な
非線形入出力特性を求める場合や搬送ライン上の多種類
の搬送物体を識別する場合にも前述と同様な問題が生ず
る。
る場合に限らず、ニューラル・ネットワークを用いて、
例えば第９図に示す異常域と正常域との境界線を表わす
サージラインや第12図に示す１入力１出力系での複雑な
非線形入出力特性を求める場合や搬送ライン上の多種類
の搬送物体を識別する場合にも前述と同様な問題が生ず
る。
本発明は上記実情に鑑みてなされたもので、入力デー
タから分類を判定し、この判定結果に基づいて各層の人
工ニューロン素子群を適宜に選択してニューラル・ネッ
ト化構成とすることにより、少ない学習回数で迅速に複
雑な関数値などの制御物理変量を容易に取出す制御物理
変量発生用ニューラル・ネットを提供することを目的と
する。
タから分類を判定し、この判定結果に基づいて各層の人
工ニューロン素子群を適宜に選択してニューラル・ネッ
ト化構成とすることにより、少ない学習回数で迅速に複
雑な関数値などの制御物理変量を容易に取出す制御物理
変量発生用ニューラル・ネットを提供することを目的と
する。
また、本発明の他の目的は、対象物体の入力データか
ら特徴を抽出し、この特徴をファジイ集合論理等を行っ
て少なくとも対象物体の入力データに関わる複数の分類
を見つけ出し、複数の分類に跨がって人工ニューロン素
子群を選択してニューラル・ネット化構成とすることに
より、複雑或いは多数の入力データでも容易に対象物体
の形態を識別可能とする物体識別用ニューラル・ネット
を提供することにある。
ら特徴を抽出し、この特徴をファジイ集合論理等を行っ
て少なくとも対象物体の入力データに関わる複数の分類
を見つけ出し、複数の分類に跨がって人工ニューロン素
子群を選択してニューラル・ネット化構成とすることに
より、複雑或いは多数の入力データでも容易に対象物体
の形態を識別可能とする物体識別用ニューラル・ネット
を提供することにある。
［発明の構成］ （課題を解決するための手段） 請求項１に対応する発明は、人工ニューロン素子で構
成される入力層、中間層および出力層を有し、学習機能
により少なくとも中間層および出力層の人工ニューロン
素子に関わる係数を可変しながら所望とする制御物理変
量を取り出す制御物理変量発生用ニューラル・ネットで
あって、入力ラインに接続される所定の演算式要素およ
び関数式要素が設けられ、前記入力ラインから入力され
る入力データに基づいてそれぞれ個別に前記演算式要
素，関数式要素による演算によって得られる各演算出力
および前記入力データそのものと定数を、前記入力層の
人工ニューロン素子にそれぞれ供給する入力前処理要素
と、前記入力データが入力され、当該入力データが予め
設定される複数の分類判定用データのもとに何れの分類
に属するかを判定し、その判定結果に応じた切換信号を
発生する分類要素と、この分類要素で分類分けする分類
ごとに設けられ、それぞれ複数の人工ニューロン素子か
らなる前記中間層とそれぞれ複数の人工ニューロン素子
とからなる前記出力層とを接続してなる中間・出力層ニ
ューラル・ネットと、前記分類要素から発生する切換信
号に応じて前記入力層の各人工ニューロン素子の出力を
前記分類判定された分類用の中間・出力層ニューラル・
ネットの人工ニューロン素子に供給する入力スイッチン
グ要素と、前記分類要素から発生する切換信号に応じて
前記中間・出力層ニューラル・ネットの当該分類に属す
る制御物理変量を保持する複数の人工ニューロン素子の
出力を取り出す出力スイッチング要素とを備えた構成で
ある。
成される入力層、中間層および出力層を有し、学習機能
により少なくとも中間層および出力層の人工ニューロン
素子に関わる係数を可変しながら所望とする制御物理変
量を取り出す制御物理変量発生用ニューラル・ネットで
あって、入力ラインに接続される所定の演算式要素およ
び関数式要素が設けられ、前記入力ラインから入力され
る入力データに基づいてそれぞれ個別に前記演算式要
素，関数式要素による演算によって得られる各演算出力
および前記入力データそのものと定数を、前記入力層の
人工ニューロン素子にそれぞれ供給する入力前処理要素
と、前記入力データが入力され、当該入力データが予め
設定される複数の分類判定用データのもとに何れの分類
に属するかを判定し、その判定結果に応じた切換信号を
発生する分類要素と、この分類要素で分類分けする分類
ごとに設けられ、それぞれ複数の人工ニューロン素子か
らなる前記中間層とそれぞれ複数の人工ニューロン素子
とからなる前記出力層とを接続してなる中間・出力層ニ
ューラル・ネットと、前記分類要素から発生する切換信
号に応じて前記入力層の各人工ニューロン素子の出力を
前記分類判定された分類用の中間・出力層ニューラル・
ネットの人工ニューロン素子に供給する入力スイッチン
グ要素と、前記分類要素から発生する切換信号に応じて
前記中間・出力層ニューラル・ネットの当該分類に属す
る制御物理変量を保持する複数の人工ニューロン素子の
出力を取り出す出力スイッチング要素とを備えた構成で
ある。
請求項２に対応する物体識別用ニューラル・ネットの
発明は、物体の入力画像データを画素ごとの画像データ
に変換して前記入力層の人工ニューロン素子に供給する
とともに前記入力画像データに関する特徴量を算出する
入力前処理要素と、この入力前処理要素から出力された
特徴量の各分類への所属度合に基づいて複数の分類を判
定し、その分類結果に応じた切換信号および前記特徴量
が各分類にどの程度属するかの所属度合信号を発生する
ファジィ分類要素と、このファジイ分類要素で分類分け
する分類ごとに設けられ、それぞれ複数の人工ニューロ
ン素子からなる前記中間層とそれぞれ複数の人工ニュー
ロン素子からなる前記出力層とを接続してなる中間・出
力層ニューラル・ネットと、前記ファジィ分類要素から
発生する切換信号に応じて前記入力層の各人工ニューロ
ン素子の出力を少なくとも１つ以上分類判定された分類
用の中間・出力層ニューラル・ネットの人工ニューロン
素子に供給する入力スイッチング素子と、前記中間・出
力層ニューラル・ネットの少なくとも１つ以上の分類に
属する人工ニューロン素子の出力に前記分類要素から発
生する前記所属度合信号を乗じて前記物体の形態を判定
するための信号を出力する出力合成要素とを備えた構成
である。
発明は、物体の入力画像データを画素ごとの画像データ
に変換して前記入力層の人工ニューロン素子に供給する
とともに前記入力画像データに関する特徴量を算出する
入力前処理要素と、この入力前処理要素から出力された
特徴量の各分類への所属度合に基づいて複数の分類を判
定し、その分類結果に応じた切換信号および前記特徴量
が各分類にどの程度属するかの所属度合信号を発生する
ファジィ分類要素と、このファジイ分類要素で分類分け
する分類ごとに設けられ、それぞれ複数の人工ニューロ
ン素子からなる前記中間層とそれぞれ複数の人工ニュー
ロン素子からなる前記出力層とを接続してなる中間・出
力層ニューラル・ネットと、前記ファジィ分類要素から
発生する切換信号に応じて前記入力層の各人工ニューロ
ン素子の出力を少なくとも１つ以上分類判定された分類
用の中間・出力層ニューラル・ネットの人工ニューロン
素子に供給する入力スイッチング素子と、前記中間・出
力層ニューラル・ネットの少なくとも１つ以上の分類に
属する人工ニューロン素子の出力に前記分類要素から発
生する前記所属度合信号を乗じて前記物体の形態を判定
するための信号を出力する出力合成要素とを備えた構成
である。
請求項３に対応する物体識別用ニューラル・ネットの
発明は、物体の入力画像データを画素ごとの画像データ
に変換して前記入力層の人工ニューロン素子に供給する
とともに前記入力画像データに関する特徴量を算出する
入力前処理要素と、この入力前処理要素から出力された
特徴量の各分類への所属度合に基づいて複数の分類を判
定し、その判定結果に応じた切換信号および前記特徴量
が各分類にどの程度属するかの所属度合信号を発生する
ファジィ分類要素と、このファジイ分類要素で分類分け
する分類ごとに設けられ、それぞれ複数の人工ニューロ
ン素子からなる前記中間層およびそれぞれ複数の人工ニ
ューロン素子とからなる前記出力層とを接続してなる中
間・出力層ニューラル・ネットと、前記ファジィ分類要
素から発生する切換信号に応じて前記入力層の各人工ニ
ューロン素子の出力を少なくとも１つ以上分類判定され
た分類用の中間・出力層ニューラル・ネットの人工ニュ
ーロン素子に供給する入力スイッチング素子と、前記分
類要素から発生する前記所属度合信号に応じて前記中間
・出力層ニューラル・ネットの少なくとも１つ以上の分
類に属する人工ニューロン素子の出力を加算或いは加重
平均或いは論理和をとって前記物体の形態を判定するた
めの信号を出力する出力合成要素とを備えた構成であ
る。
発明は、物体の入力画像データを画素ごとの画像データ
に変換して前記入力層の人工ニューロン素子に供給する
とともに前記入力画像データに関する特徴量を算出する
入力前処理要素と、この入力前処理要素から出力された
特徴量の各分類への所属度合に基づいて複数の分類を判
定し、その判定結果に応じた切換信号および前記特徴量
が各分類にどの程度属するかの所属度合信号を発生する
ファジィ分類要素と、このファジイ分類要素で分類分け
する分類ごとに設けられ、それぞれ複数の人工ニューロ
ン素子からなる前記中間層およびそれぞれ複数の人工ニ
ューロン素子とからなる前記出力層とを接続してなる中
間・出力層ニューラル・ネットと、前記ファジィ分類要
素から発生する切換信号に応じて前記入力層の各人工ニ
ューロン素子の出力を少なくとも１つ以上分類判定され
た分類用の中間・出力層ニューラル・ネットの人工ニュ
ーロン素子に供給する入力スイッチング素子と、前記分
類要素から発生する前記所属度合信号に応じて前記中間
・出力層ニューラル・ネットの少なくとも１つ以上の分
類に属する人工ニューロン素子の出力を加算或いは加重
平均或いは論理和をとって前記物体の形態を判定するた
めの信号を出力する出力合成要素とを備えた構成であ
る。
（作 用） 従って、請求項１に対応する発明は以上のような手段
を講じたことにより、入力前処理要素で入力データを適
宜なデータに変換して入力層の各人工ニューロン素子に
供給するが、このとき分類要素では入力データの大きさ
等或いは学習機能を持つニューラル・ネットで入力デー
タに分類判定し、この判定結果に応じた分類切換信号を
出力する。ここで、入力スイッチング要素は、分類切換
信号を受けると前記入力層の各人工ニューロン素子の出
力を分類切換信号に応じた分類用の中間・出力層ニュー
ラル・ネットの人工ニューロン素子に入力する。そし
て、出力スイッチング要素にて中間・出力層ニューラル
・ネットの前記分類に属する人工ニューロン素子から出
力データを取り出して出力するとともに、この出力と教
師信号とを比較し、この偏差に応じて前記中間層および
出力層の人工ニューロン素子の係数を順次修正しながら
前記中間・出力層ニューラル・ネットから適切な出力デ
ータを得るものである。
を講じたことにより、入力前処理要素で入力データを適
宜なデータに変換して入力層の各人工ニューロン素子に
供給するが、このとき分類要素では入力データの大きさ
等或いは学習機能を持つニューラル・ネットで入力デー
タに分類判定し、この判定結果に応じた分類切換信号を
出力する。ここで、入力スイッチング要素は、分類切換
信号を受けると前記入力層の各人工ニューロン素子の出
力を分類切換信号に応じた分類用の中間・出力層ニュー
ラル・ネットの人工ニューロン素子に入力する。そし
て、出力スイッチング要素にて中間・出力層ニューラル
・ネットの前記分類に属する人工ニューロン素子から出
力データを取り出して出力するとともに、この出力と教
師信号とを比較し、この偏差に応じて前記中間層および
出力層の人工ニューロン素子の係数を順次修正しながら
前記中間・出力層ニューラル・ネットから適切な出力デ
ータを得るものである。
次に、請求項２ないし４に対応する発明においては、
入力前処理要素で入力データを適宜なデータに変換して
入力層の各人工ニューロン素子に供給するとともに入力
データの特徴を抽出してファジィ分類要素に供給する。
このファジィ分類要素ではその特徴から少なくとも１つ
以上の分類を判定して分類切換信号を出力すると同時に
その特徴から所属度合またはその他の所要とする信号を
求めて出力する。そこで、入力スイッチング要素ではフ
ァジィ分類要素から送られてくる分類切換信号に基づい
て入力層の各人工ニューロン素子の出力を１つ以上の分
類に跨がって中間・出力層ニューラルネットの人工ニュ
ーロン素子に供給し、一方、出力合成要素ではファジィ
分類要素から送られてくる所属度合または所定の信号に
基づいて中間・出力層ニューラルネットの当該分類に属
する人工ニューロンの出力を適宜に処理して出力すると
ともに、この出力と教師信号とを比較し、この偏差に応
じて前記中間層および出力層の人工ニューロン素子の係
数を順次修正しながら前記中間・出力層ニューラルネッ
トから適切な出力データを得るものである。
入力前処理要素で入力データを適宜なデータに変換して
入力層の各人工ニューロン素子に供給するとともに入力
データの特徴を抽出してファジィ分類要素に供給する。
このファジィ分類要素ではその特徴から少なくとも１つ
以上の分類を判定して分類切換信号を出力すると同時に
その特徴から所属度合またはその他の所要とする信号を
求めて出力する。そこで、入力スイッチング要素ではフ
ァジィ分類要素から送られてくる分類切換信号に基づい
て入力層の各人工ニューロン素子の出力を１つ以上の分
類に跨がって中間・出力層ニューラルネットの人工ニュ
ーロン素子に供給し、一方、出力合成要素ではファジィ
分類要素から送られてくる所属度合または所定の信号に
基づいて中間・出力層ニューラルネットの当該分類に属
する人工ニューロンの出力を適宜に処理して出力すると
ともに、この出力と教師信号とを比較し、この偏差に応
じて前記中間層および出力層の人工ニューロン素子の係
数を順次修正しながら前記中間・出力層ニューラルネッ
トから適切な出力データを得るものである。
（実施例） 以下、本発明の実施例について図面を参照して説明す
る。第１図は本発明装置の一実施例を示す構成図であっ
て、これは入力データを所定のデータに変換する入力前
処理要素11と、この入力データを受けて当該入力データ
がどの分類に属するかを判定しその判定結果に基づいて
切換信号を発生する分類要素12と、Ｎ個の人工ニューロ
ン素子からなる入力層13と、入力スイッチング要素141,
142,…,14Nと、Ｚ組に分類された中間・出力層ニューラ
ル・ネット151,152,…,15Zと、この中間・出力層ニュー
ラル・ネット151,152,…,15Zの出力側に設けられたＭ個
の出力スイッチング要素161,162,…,16Mとによって構成
されている。
る。第１図は本発明装置の一実施例を示す構成図であっ
て、これは入力データを所定のデータに変換する入力前
処理要素11と、この入力データを受けて当該入力データ
がどの分類に属するかを判定しその判定結果に基づいて
切換信号を発生する分類要素12と、Ｎ個の人工ニューロ
ン素子からなる入力層13と、入力スイッチング要素141,
142,…,14Nと、Ｚ組に分類された中間・出力層ニューラ
ル・ネット151,152,…,15Zと、この中間・出力層ニュー
ラル・ネット151,152,…,15Zの出力側に設けられたＭ個
の出力スイッチング要素161,162,…,16Mとによって構成
されている。
前記入力前処理要素11は、１入出力関数を処理する場
合には例えば第２図に示す如く入力データｘが入力され
ると、そのデータｘをそのままおよびx2,x3なる処理を
行い、また三角関数sinf1（ｘ）,cosf2（ｘ），指数関
数ef3(x),対数関数log f4（ｘ）等の処理を行い、さら
にはｘに無関係な定数等を発生し、後続の入力層13の対
応する各人工ニューロン素子にセットする。また、例え
ば２入力データを用いて圧縮機特性マップを作成する場
合には第３図に示すように入力データｘ（修正流量）と
入力データｙ（圧力比）を受けると、各データx,yをそ
のまま出力するとともに、x2,xy,y2,x3,x2y,xy2,y3なる
処理を行い、さらにx,yに無関係な定数を発生し、前述
と同様に後続の入力層13のの対応する各人工ニューロン
素子にセットする機能をもっている。
合には例えば第２図に示す如く入力データｘが入力され
ると、そのデータｘをそのままおよびx2,x3なる処理を
行い、また三角関数sinf1（ｘ）,cosf2（ｘ），指数関
数ef3(x),対数関数log f4（ｘ）等の処理を行い、さら
にはｘに無関係な定数等を発生し、後続の入力層13の対
応する各人工ニューロン素子にセットする。また、例え
ば２入力データを用いて圧縮機特性マップを作成する場
合には第３図に示すように入力データｘ（修正流量）と
入力データｙ（圧力比）を受けると、各データx,yをそ
のまま出力するとともに、x2,xy,y2,x3,x2y,xy2,y3なる
処理を行い、さらにx,yに無関係な定数を発生し、前述
と同様に後続の入力層13のの対応する各人工ニューロン
素子にセットする機能をもっている。
前記分類要素12は、１つの入力データｘの場合には１
次元用分類要素12aが用いられ、ここでは入力データｘ
と第４図に示す如く予め決められたxa,xb,…,xyなどと
比較し、入力データｘがどの分類A,B,…,Zに属するかを
判定し、その判定結果に基づいて切換信号を発生する。
例えばxa≦ｘ≦xbのときには分類Ｂであると判定し、こ
の判定結果に基づいて切換信号を発生して各入力スイッ
チング要素141〜14Nおよび各出力スイッチング要素161
〜16MをＢ端子側に接続するように切換え制御する。
次元用分類要素12aが用いられ、ここでは入力データｘ
と第４図に示す如く予め決められたxa,xb,…,xyなどと
比較し、入力データｘがどの分類A,B,…,Zに属するかを
判定し、その判定結果に基づいて切換信号を発生する。
例えばxa≦ｘ≦xbのときには分類Ｂであると判定し、こ
の判定結果に基づいて切換信号を発生して各入力スイッ
チング要素141〜14Nおよび各出力スイッチング要素161
〜16MをＢ端子側に接続するように切換え制御する。
一方、２つの入力データx,yの場合には２次元用分類
要素12bが用いられ、ここでは入力データｘとｙで表さ
れる状態が予め決められたxa,xb,…,ya,yb,…などで区
分された何らの分類ブロックに属するかを判定し、その
判定結果に基づいて切換信号を発生する。例えばxa≦ｘ
≦xb、ya≦ｙ≦ybであれば分類Ｂに属すると判定し、こ
の判定結果に基づいて切換信号を発生して各入力スイッ
チング要素141〜14Nおよび各出力スイッチング要素161
〜16MをＢ端子側に接続するように切換え制御する。
要素12bが用いられ、ここでは入力データｘとｙで表さ
れる状態が予め決められたxa,xb,…,ya,yb,…などで区
分された何らの分類ブロックに属するかを判定し、その
判定結果に基づいて切換信号を発生する。例えばxa≦ｘ
≦xb、ya≦ｙ≦ybであれば分類Ｂに属すると判定し、こ
の判定結果に基づいて切換信号を発生して各入力スイッ
チング要素141〜14Nおよび各出力スイッチング要素161
〜16MをＢ端子側に接続するように切換え制御する。
前記入力スイッチング要素141〜14Nは、分類要素12
（12a,12b）からの切換信号を受けて入力層13の各人工
ニューロン素子と中間層と出力層からなる中間・出力層
ニューラル・ネット151,152,…,15Zの中間層に属する人
工ニューロン素子とを選択的に接続する要素である。例
えば分類Ｂに属する切換信号を受けると入力層13の各人
工ニューロン素子の出力を中間・出力層ニューラル・ネ
ット151,152,…,152の分類Ｂに属する中間層人工ニュー
ロン素子に供給する。
（12a,12b）からの切換信号を受けて入力層13の各人工
ニューロン素子と中間層と出力層からなる中間・出力層
ニューラル・ネット151,152,…,15Zの中間層に属する人
工ニューロン素子とを選択的に接続する要素である。例
えば分類Ｂに属する切換信号を受けると入力層13の各人
工ニューロン素子の出力を中間・出力層ニューラル・ネ
ット151,152,…,152の分類Ｂに属する中間層人工ニュー
ロン素子に供給する。
前記出力スイッチング要素161〜16Mは、分類要素12
（12a,12b）からの切換信号を受けて中間・出力層ニュ
ーラル・ネット151,152,…,15Zを構成する出力層の人工
ニューロン素子の出力を選択して本装置の出力とする要
素である。例えば分類Ｂに属する切換信号を受けると中
間・出力層ニューラル・ネット151,152,…,15Zの出力層
の分類Ｂに属する人工ニューロン素子の状態を外部に出
力する。
（12a,12b）からの切換信号を受けて中間・出力層ニュ
ーラル・ネット151,152,…,15Zを構成する出力層の人工
ニューロン素子の出力を選択して本装置の出力とする要
素である。例えば分類Ｂに属する切換信号を受けると中
間・出力層ニューラル・ネット151,152,…,15Zの出力層
の分類Ｂに属する人工ニューロン素子の状態を外部に出
力する。
次に、中間・出力層ニューラルネット151,152,…,15Z
は、第11図から入力層を除いた学習機能を有する多層構
造のニューラル・ネットによって構成されている。な
お、第１図には学習機能を行うシステムが示されていな
いが、第10図および第11図と同様にバックプロパゲーシ
ョン学習則を用いて前記シナプス荷重wjおよびしきい値
θを少しずつ修正する機能を備えているものとする。な
お、中間・出力層ニューラルネット151,152,…,15Zを構
成する各人工ニューロン素子は第12図と同様な機能を行
う人工ニューロン素子を使用するものである。
は、第11図から入力層を除いた学習機能を有する多層構
造のニューラル・ネットによって構成されている。な
お、第１図には学習機能を行うシステムが示されていな
いが、第10図および第11図と同様にバックプロパゲーシ
ョン学習則を用いて前記シナプス荷重wjおよびしきい値
θを少しずつ修正する機能を備えているものとする。な
お、中間・出力層ニューラルネット151,152,…,15Zを構
成する各人工ニューロン素子は第12図と同様な機能を行
う人工ニューロン素子を使用するものである。
従って、以上のような実施例の構成によれば、予め第
９図に示す修正回転数，断熱圧縮効率や第12図のような
出力値等の関数値が分かっているので、これらを入力に
対する正しい値（教師信号）として与えた後、分類Ａ例
えば第９図では横軸の「０」〜「２」、縦軸の「1.0」
〜「2.0」の間で少しずつ数値を変えながら２つの入力
データx,yを第３図に示す入力前処理要素11に入力す
る。その結果、これらの入力データx,yを受けて入力前
処理要素11では必要な信号処理を行って入力層13の対応
する人工ニューロン素子に供給する。このとき、分類要
素12bでは２つの入力データx,yからＡ分類に属すると判
定し、分類Ａに属する切換信号を入力スイッチング要素
141〜14Nおよび出力スイッチング要素161〜16Mに与え
る。その結果、入力層13の各人工ニューロン素子の出力
を中間・出力層ニューラル・ネット151,152,…,15Zの分
類Ａに属する中間層人工ニューロン素子に供給するよう
に切換える。一方、出力スイッチング要素161〜16Mは分
類Ａに属する切換信号を受けると中間・出力層ニューラ
ル・ネット151,152,…,15Zを構成する出力層の分類Ａに
属する人工ニューロン素子の状態を外部に出力する。
９図に示す修正回転数，断熱圧縮効率や第12図のような
出力値等の関数値が分かっているので、これらを入力に
対する正しい値（教師信号）として与えた後、分類Ａ例
えば第９図では横軸の「０」〜「２」、縦軸の「1.0」
〜「2.0」の間で少しずつ数値を変えながら２つの入力
データx,yを第３図に示す入力前処理要素11に入力す
る。その結果、これらの入力データx,yを受けて入力前
処理要素11では必要な信号処理を行って入力層13の対応
する人工ニューロン素子に供給する。このとき、分類要
素12bでは２つの入力データx,yからＡ分類に属すると判
定し、分類Ａに属する切換信号を入力スイッチング要素
141〜14Nおよび出力スイッチング要素161〜16Mに与え
る。その結果、入力層13の各人工ニューロン素子の出力
を中間・出力層ニューラル・ネット151,152,…,15Zの分
類Ａに属する中間層人工ニューロン素子に供給するよう
に切換える。一方、出力スイッチング要素161〜16Mは分
類Ａに属する切換信号を受けると中間・出力層ニューラ
ル・ネット151,152,…,15Zを構成する出力層の分類Ａに
属する人工ニューロン素子の状態を外部に出力する。
そして、出力スイッチング要素161〜16Mの出力と教師
信号とを比較し、その誤差が減少するように中間・出力
層ニューラル・ネット151,152,…,15Zを構成する中間層
および出力層の該当分類の各人工ニューロン素子のシナ
プス荷重Ｗおよびしきい値θを少しずつ修正し、その誤
差が無視できるまで修正処理を繰り返し、所望とする出
力データを得るものである。
信号とを比較し、その誤差が減少するように中間・出力
層ニューラル・ネット151,152,…,15Zを構成する中間層
および出力層の該当分類の各人工ニューロン素子のシナ
プス荷重Ｗおよびしきい値θを少しずつ修正し、その誤
差が無視できるまで修正処理を繰り返し、所望とする出
力データを得るものである。
以上のようにして分類Ａに属する入力データx,yにつ
いて適性に機能する分類Ａ用のニューラル・ネットを構
築すると、引き続き、同様にして分類Ｂ、分類Ｃ、…の
順序でニューラル・ネットを構築していけば、学習した
入力以外の入力を含めて全ての分類に属する入力に対し
所望とする関数値を得ることができ、従来の単一構造の
ニューラル・ネットと較べて少ない学習回数で迅速に関
数値を得ることができる。その理由は、単一構造のニュ
ーラル・ネットでは全ての分類に属する入力に対して人
工ニューロンのシナプス荷重やしきい値が関与している
ので、全領域の入力データに対して矛盾しないような値
を学習によって見出だすのが非常に大変であったのに対
し、本装置では各分類に属する入力データだけに関与す
るので予めその分類に合うシナプス荷重およびしきいを
容易に与えることができ、所望とする関数値を迅速に見
出だすことができる。また、ある分類に属する入力を処
理するに必要な中間層および出力層の人工ニューロン素
子数は全分類に対応する場合に較べてはるかに少くてす
み、その分中間層と出力層の接続路が少くなり、この点
からも学習回数を低減化できる。
いて適性に機能する分類Ａ用のニューラル・ネットを構
築すると、引き続き、同様にして分類Ｂ、分類Ｃ、…の
順序でニューラル・ネットを構築していけば、学習した
入力以外の入力を含めて全ての分類に属する入力に対し
所望とする関数値を得ることができ、従来の単一構造の
ニューラル・ネットと較べて少ない学習回数で迅速に関
数値を得ることができる。その理由は、単一構造のニュ
ーラル・ネットでは全ての分類に属する入力に対して人
工ニューロンのシナプス荷重やしきい値が関与している
ので、全領域の入力データに対して矛盾しないような値
を学習によって見出だすのが非常に大変であったのに対
し、本装置では各分類に属する入力データだけに関与す
るので予めその分類に合うシナプス荷重およびしきいを
容易に与えることができ、所望とする関数値を迅速に見
出だすことができる。また、ある分類に属する入力を処
理するに必要な中間層および出力層の人工ニューロン素
子数は全分類に対応する場合に較べてはるかに少くてす
み、その分中間層と出力層の接続路が少くなり、この点
からも学習回数を低減化できる。
次に、第５図は本発明の他の実施例を示す構成図であ
る。この装置は全体として第１図と同じ構成を有する
が、特に異なるところはより複雑な入力データを対象と
していることおよびファジィ集合理論を用いて分類分け
することにあり、その観点から入力前処理要素11′、フ
ァジィ分類要素12′および入力スイッチング要素141′,
142′，…,14N′が異なり、さらに出力スイッチング要
素161〜16Mに代えて出力合成要素171〜17Mを設けたこと
にある。その他は第１図と同じであるので同一符号を付
してその詳しい説明は省略する。
る。この装置は全体として第１図と同じ構成を有する
が、特に異なるところはより複雑な入力データを対象と
していることおよびファジィ集合理論を用いて分類分け
することにあり、その観点から入力前処理要素11′、フ
ァジィ分類要素12′および入力スイッチング要素141′,
142′，…,14N′が異なり、さらに出力スイッチング要
素161〜16Mに代えて出力合成要素171〜17Mを設けたこと
にある。その他は第１図と同じであるので同一符号を付
してその詳しい説明は省略する。
入力前処理要素11′は、例えば多種類の物体を識別す
る場合には第６図に示すように物体の画像データを画素
ごとの画像データに変換する画素分解手段111と、ノイ
ズ処理を行うとともに人工ニューロン素子に設定するの
に適した画素毎のデータに変換して入力層13の対応する
各人工ニューロン素子にセットする画像前処理手段112
と、例えば“1"のみの画素データの縦横比（アスペクト
比）或いは画像の形状等に関わる１つ以上の特徴量α，
β，…を抽出する特徴算出手段113とで構成されてい
る。
る場合には第６図に示すように物体の画像データを画素
ごとの画像データに変換する画素分解手段111と、ノイ
ズ処理を行うとともに人工ニューロン素子に設定するの
に適した画素毎のデータに変換して入力層13の対応する
各人工ニューロン素子にセットする画像前処理手段112
と、例えば“1"のみの画素データの縦横比（アスペクト
比）或いは画像の形状等に関わる１つ以上の特徴量α，
β，…を抽出する特徴算出手段113とで構成されてい
る。
前記ファジィ分類要素12′は、例えば第７図に示すご
とく特徴量αに基づいて所属度合つまりメンバー関数η
（α）によって分類分けを行い、この分類分け結果にし
たがって切換信号を入力スイッチング要素141〜14Nに発
信し、また各分類の所属度合ηＡ（α）、ηＢ（α）、
…を出力合成要素171〜17Mに送出する。例えば特徴量が
α０≦α≦α１の場合には分類Ａと判定し、入力スイッ
チング要素141,142,…のＡ接点のみを閉成し、入力層13
の各人工ニューロン素子の出力を分類Ａ用の中間・出力
層ニューラル・ネット151〜15Mを構成する中間層の人工
ニューロン素子へ供給するように接続し、一方、出力合
成要素171〜17Mへは第７図に示す如く分類Ａ用の所属度
合ηＡ（α）のみ“1"となり、他の分類B,C,D用のηＢ
（α）、ηＣ（α）、ηＤ（α）は“0"を発信する。ま
た、α１≦α≦α２の場合には特徴量αは分類Ａおよび
分類Ｂに属すると見做せるので、入力スイッチング要素
141〜14Nの分類Ａおよび分類Ｂの接点を閉成し、入力層
13の人工ニューロン素子の出力を分類A,B用の中間・出
力層ニューラル・ネット151〜15Mの中間層入力ニューロ
ン素子へ供給するように接続し、一方、出力合成要素17
1〜17Mへは第７図に示す如く分類Ａ用の所属度合0.6、
分類Ｂ用の所属度合0.3、その他の分類C,D用の所属度合
は“0"を発信する。
とく特徴量αに基づいて所属度合つまりメンバー関数η
（α）によって分類分けを行い、この分類分け結果にし
たがって切換信号を入力スイッチング要素141〜14Nに発
信し、また各分類の所属度合ηＡ（α）、ηＢ（α）、
…を出力合成要素171〜17Mに送出する。例えば特徴量が
α０≦α≦α１の場合には分類Ａと判定し、入力スイッ
チング要素141,142,…のＡ接点のみを閉成し、入力層13
の各人工ニューロン素子の出力を分類Ａ用の中間・出力
層ニューラル・ネット151〜15Mを構成する中間層の人工
ニューロン素子へ供給するように接続し、一方、出力合
成要素171〜17Mへは第７図に示す如く分類Ａ用の所属度
合ηＡ（α）のみ“1"となり、他の分類B,C,D用のηＢ
（α）、ηＣ（α）、ηＤ（α）は“0"を発信する。ま
た、α１≦α≦α２の場合には特徴量αは分類Ａおよび
分類Ｂに属すると見做せるので、入力スイッチング要素
141〜14Nの分類Ａおよび分類Ｂの接点を閉成し、入力層
13の人工ニューロン素子の出力を分類A,B用の中間・出
力層ニューラル・ネット151〜15Mの中間層入力ニューロ
ン素子へ供給するように接続し、一方、出力合成要素17
1〜17Mへは第７図に示す如く分類Ａ用の所属度合0.6、
分類Ｂ用の所属度合0.3、その他の分類C,D用の所属度合
は“0"を発信する。
ここで、出力合成要素171〜17Mは、中間・出力層ニュ
ーラル・ネット151〜15Mの出力に対し、ファジィ分類要
素12′からの所属度合η（α）で荷重平均して出力す
る。すなわち、出力合成要素171では次式に基づいて出
力を発生する。
ーラル・ネット151〜15Mの出力に対し、ファジィ分類要
素12′からの所属度合η（α）で荷重平均して出力す
る。すなわち、出力合成要素171では次式に基づいて出
力を発生する。
但し、ηA,ηB,ηＺは特徴量αに対する分類A,B,…,Z
の所属度合、yA1,yB1,yZ1は分類Ａ用，分類Ｂ用，…，
分類Ｚ用中間・出力層ニューラル・ネットの出力層の＃
１人工ニューロン素子の出力である。出力合成要素172
でも同様に を発生し、以下の出力合成要素173〜17Mも同様の処理を
行って出力を発生する。
の所属度合、yA1,yB1,yZ1は分類Ａ用，分類Ｂ用，…，
分類Ｚ用中間・出力層ニューラル・ネットの出力層の＃
１人工ニューロン素子の出力である。出力合成要素172
でも同様に を発生し、以下の出力合成要素173〜17Mも同様の処理を
行って出力を発生する。
従って、この装置は、入力データから排中律的に明確
に粗分類できない場合に有効であるが、また第９図、第
12図に示す関数値発生時のように入力データから排中律
的に明確に区別できる場合であっても各分類の境界近傍
で出力関数値の連続性を保持できる。さらに、分類に属
する関数値を変更したいとき、第１図に示す装置ではそ
の分類用だけでなく、その近傍の分類用のニューラル・
ネットも学習し直す必要がある場合があるが、第５図に
示す装置では変更対象の分類用のニューラル・ネットだ
けを学習し直すだけでその近傍の分類に対する出力関数
値の連続性を保持できる利点がある。
に粗分類できない場合に有効であるが、また第９図、第
12図に示す関数値発生時のように入力データから排中律
的に明確に区別できる場合であっても各分類の境界近傍
で出力関数値の連続性を保持できる。さらに、分類に属
する関数値を変更したいとき、第１図に示す装置ではそ
の分類用だけでなく、その近傍の分類用のニューラル・
ネットも学習し直す必要がある場合があるが、第５図に
示す装置では変更対象の分類用のニューラル・ネットだ
けを学習し直すだけでその近傍の分類に対する出力関数
値の連続性を保持できる利点がある。
なお、第５図の装置はファジィ分類による場合につい
て述べたが、これに限定されるものではない。例えば第
８図に示すように、分類要素12′において特徴量x,yがx
a≦ｘ≦xb、ya≦ｙ≦ybなる関係にあって分類Ｆに属す
ると判定したとき、分類Ｆ用だけの中間・出力層ニュー
ラル・ネットだけを使用するだけでなく、近傍の分類A,
B,C,E,G,I,J,K用の中間・出力層ニューラル・ネット151
〜15Mも同時に稼働させるように入力スイッチング要素1
41〜14Nへ切換信号を送出し、このとき入力スイッチン
グ要素141〜14Nではその切換信号に従って入力層13の人
工ニューロン素子と中間・出力層ニューラル・ネット15
1〜15Mとの間を接続する。そこで、出力合成要素171〜1
7Mでは各分類用の中間・出力層ニューラル・ネット151
〜15Mの出力を加算し、使用した中間・出力層ニューラ
ル・ネット151〜15Mの組数で割算って平均値を求めて出
力する。また、分類Ｆ用の中間・出力層ニューラル・ネ
ット151〜15Mの出力を重視して大きい重み係数を乗じ、
他の分類用からの出力には小さい重み係数を乗じた荷重
平均値を出力させるようにしてもよい。
て述べたが、これに限定されるものではない。例えば第
８図に示すように、分類要素12′において特徴量x,yがx
a≦ｘ≦xb、ya≦ｙ≦ybなる関係にあって分類Ｆに属す
ると判定したとき、分類Ｆ用だけの中間・出力層ニュー
ラル・ネットだけを使用するだけでなく、近傍の分類A,
B,C,E,G,I,J,K用の中間・出力層ニューラル・ネット151
〜15Mも同時に稼働させるように入力スイッチング要素1
41〜14Nへ切換信号を送出し、このとき入力スイッチン
グ要素141〜14Nではその切換信号に従って入力層13の人
工ニューロン素子と中間・出力層ニューラル・ネット15
1〜15Mとの間を接続する。そこで、出力合成要素171〜1
7Mでは各分類用の中間・出力層ニューラル・ネット151
〜15Mの出力を加算し、使用した中間・出力層ニューラ
ル・ネット151〜15Mの組数で割算って平均値を求めて出
力する。また、分類Ｆ用の中間・出力層ニューラル・ネ
ット151〜15Mの出力を重視して大きい重み係数を乗じ、
他の分類用からの出力には小さい重み係数を乗じた荷重
平均値を出力させるようにしてもよい。
その他、本発明はその要旨を逸脱しない範囲で種々変
形して実施できる。
形して実施できる。
［発明の効果］ 以上説明したように本発明によれば次のような種々の
効果を奏する。
効果を奏する。
先ず、請求項１の発明においては、入力データを粗分
類し、その分類に基づいて入力層の人工ニューロン素子
の出力を、予め分類分けした中間・出力層ニューラル・
ネットの中間層人工ニューロン素子に供給するようにし
たので、非線形関数値や多種類の物体を識別するニュー
ラル・ネットを少ない学習回数で迅速に構築できる。
類し、その分類に基づいて入力層の人工ニューロン素子
の出力を、予め分類分けした中間・出力層ニューラル・
ネットの中間層人工ニューロン素子に供給するようにし
たので、非線形関数値や多種類の物体を識別するニュー
ラル・ネットを少ない学習回数で迅速に構築できる。
次に、請求項２〜４の発明は、複雑かつ多種類の入力
データであってもその入力データを確実に分類し、その
分類に基づいて入力層の人工ニューロン素子の出力を、
予め分類分けした中間・出力層ニューラル・ネットの複
数分類の中間層人工ニューロン素子に供給するようにし
たので、少ない学習回数で所望とするニューラル・ネッ
トを構築でき、複雑な非線形関数値その他種々の測定対
象の形態を適正に判定するための出力データを得ること
ができる。
データであってもその入力データを確実に分類し、その
分類に基づいて入力層の人工ニューロン素子の出力を、
予め分類分けした中間・出力層ニューラル・ネットの複
数分類の中間層人工ニューロン素子に供給するようにし
たので、少ない学習回数で所望とするニューラル・ネッ
トを構築でき、複雑な非線形関数値その他種々の測定対
象の形態を適正に判定するための出力データを得ること
ができる。
第１図ないし第４図は本発明の一実施例を説明するため
に示したもので、第１図は本発明装置の構成図、第２図
および第３図はそれぞれ第１図の入力前処理要素の具体
的な構成を示す図、第４図は第１図に示す分類要素での
分類例を説明する図、第５図ないし第８図は本発明の他
の実施例を説明するために示したもので、第５図は装置
の構成図、第６図は第５図の入力前処理要素の具体的な
構成を示す図、第７図および第８図はそれぞれ第５図に
示すファジィ分類要素での分類例を説明する図、第９図
ないし第12図は従来装置を説明するための図であって、
第９図は軸流圧縮機の特性曲線図、第10図は人工ニュー
ロン素子の機能説明図、第11図は人工ニューロン素子を
用いた従来の学習機能を持つ単一多層構造のニューラル
・ネットの構成図、第12図は１入出力非線形関数の一例
を示す図である。 11,11′……入力前処理要素、12……分類要素、12′…
…ファジィ分類要素、13……入力層、141,142,…,14N…
…入力スイッチング要素、151,152,…,15Z……中間・出
力層ニューラル・ネット、161,162,…,16M……出力スイ
ッチング要素、171,172,…,17M……出力合成要素。
に示したもので、第１図は本発明装置の構成図、第２図
および第３図はそれぞれ第１図の入力前処理要素の具体
的な構成を示す図、第４図は第１図に示す分類要素での
分類例を説明する図、第５図ないし第８図は本発明の他
の実施例を説明するために示したもので、第５図は装置
の構成図、第６図は第５図の入力前処理要素の具体的な
構成を示す図、第７図および第８図はそれぞれ第５図に
示すファジィ分類要素での分類例を説明する図、第９図
ないし第12図は従来装置を説明するための図であって、
第９図は軸流圧縮機の特性曲線図、第10図は人工ニュー
ロン素子の機能説明図、第11図は人工ニューロン素子を
用いた従来の学習機能を持つ単一多層構造のニューラル
・ネットの構成図、第12図は１入出力非線形関数の一例
を示す図である。 11,11′……入力前処理要素、12……分類要素、12′…
…ファジィ分類要素、13……入力層、141,142,…,14N…
…入力スイッチング要素、151,152,…,15Z……中間・出
力層ニューラル・ネット、161,162,…,16M……出力スイ
ッチング要素、171,172,…,17M……出力合成要素。
Claims (4)
- 【請求項１】人工ニューロン素子で構成される入力層、
中間層および出力層を有し、学習機能により少なくとも
中間層および出力層の人工ニューロン素子に関わる係数
を可変しながら所望とする制御物理変量を取り出す制御
物理変量発生用ニューラル・ネットにおいて、 入力ラインに接続される所定の演算式要素および関数式
要素が設けられ、前記入力ラインから入力される入力デ
ータに基づいてそれぞれ個別に前記演算式要素，関数式
要素による演算によって得られる各演算出力および前記
入力データそのものと定数を、前記入力層の人工ニュー
ロン素子にそれぞれ供給する入力前処理要素と、 前記入力データが入力され、当該入力データが予め設定
される複数の分類判定用データのもとに何れの分類に属
するかを判定し、その判定結果に応じた切換信号を発生
する分類要素と、 この分類要素で分類分けする分類ごとに設けられ、それ
ぞれ複数の人工ニューロン素子からなる前記中間層とそ
れぞれ複数の人工ニューロン素子とからなる前記出力層
とを接続してなる中間・出力層ニューラル・ネットと、 前記分類要素から発生する切換信号に応じて前記入力層
の各人工ニューロン素子の出力を前記分類判定された分
類用の中間・出力層ニューラル・ネットの人工ニューロ
ン素子に供給する入力スイッチング要素と、 前記分類要素から発生する切換信号に応じて前記中間・
出力層ニューラル・ネットの当該分類に属する制御物理
変量を保持する複数の人工ニューロン素子の出力を取り
出す出力スイッチング要素と を備えたことを特徴とする制御物理変量発生用ニューラ
ル・ネット。 - 【請求項２】人工ニューロン素子で構成される入力層、
中間層および出力層を有し、学習機能により少なくとも
中間層および出力層の人工ニューロン素子に関わる係数
を可変しながら所望とする信号を出力する物体識別用ニ
ューラル・ネットにおいて、 物体の入力画像データを画素ごとの画像データに変換し
て前記入力層の人工ニューロン素子に供給するとともに
前記入力画像データに関する特徴量を算出する入力前処
理要素と、 この入力前処理要素から出力された特徴量の各分類への
所属度合に基づいて複数の分類を判定し、その分類結果
に応じた切換信号および前記特徴量が各分類にどの程度
属するかの所属度合信号を発生するファジィ分類要素
と、 このファジィ分類要素で分類分けする分類ごとに設けら
れ、それぞれ複数の人工ニューロン素子からなる前記中
間層とそれぞれ複数の人工ニューロン素子からなる前記
出力層とを接続してなる中間・出力層ニューラル・ネッ
トと、 前記ファジィ分類要素から発生する切換信号に応じて前
記入力層の各人工ニューロン素子の出力を少なくとも１
つ以上分類判定された分類用の中間・出力層ニューラル
・ネットの人工ニューロン素子に供給する入力スイッチ
ング素子と、 前記中間・出力層ニューラル・ネットの少なくとも１つ
以上の分類に属する人工ニューロン素子の出力に前記分
類要素から発生する前記所属度合信号を乗じて前記物体
の形態を判定するための信号を出力する出力合成要素と
を備えたことを特徴とする物体識別用ニューラル・ネッ
ト。 - 【請求項３】人工ニューロン素子で構成される入力層、
中間層および出力層を有し、学習機能により少なくとも
中間層および出力層の人工ニューロン素子に関わる係数
を可変しながら所望とする信号を出力する物体識別用ニ
ューラル・ネットにおいて、 物体の入力画像データを画素ごとの画像データに変換し
て前記入力層の人工ニューロン素子に供給するとともに
前記入力画像データに関する特徴量を算出する入力前処
理要素と、 この入力前処理要素から出力された特徴量の各分類への
所属度合に基づいて複数の分類を判定し、その判定結果
に応じた切換信号および前記特徴量が各分類にどの程度
属するかの所属度合信号を発生するファジィ分類要素
と、 このファジィ分類要素で分類分けする分類ごとに設けら
れ、それぞれ複数の人工ニューロン素子からなる前記中
間層およびそれぞれ複数の人工ニューロン素子とからな
る前記出力層とを接続してなる中間・出力層ニューラル
・ネットと、 前記ファジィ分類要素から発生する切換信号に応じて前
記入力層の各人工ニューロン素子の出力を少なくとも１
つ以上分類判定された分類用の中間・出力層ニューラル
・ネットの人工ニューロン素子に供給する入力スイッチ
ング素子と、前記分類要素から発生する前記所属度合信
号に応じて前記中間・出力層ニューラル・ネットの少な
くとも１つ以上の分類に属する人工ニューロン素子の出
力を加算或いは加重平均或いは論理和をとって前記物体
の形態を判定するための信号を出力する出力合成要素と
を備えたことを特徴とする物体識別用ニューラルネッ
ト。 - 【請求項４】前記ファジィ分類要素は、ファジィ論理で
判定された分類およびその隣接の分類に関わる切換信号
を入力スイッチング要素に送出し、前記入力層の各人工
ニューロン素子の出力を複数の分類用に跨がって中間・
出力層ニューラル・ネットの人工ニューロン素子に供給
するものである請求項２または請求項３に記載の物体識
別用ニューラルネット。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01233407A JP3117204B2 (ja) | 1989-09-08 | 1989-09-08 | 制御物理変量発生用および物体識別用ニューラル・ネット |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01233407A JP3117204B2 (ja) | 1989-09-08 | 1989-09-08 | 制御物理変量発生用および物体識別用ニューラル・ネット |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0395664A JPH0395664A (ja) | 1991-04-22 |
| JP3117204B2 true JP3117204B2 (ja) | 2000-12-11 |
Family
ID=16954588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP01233407A Expired - Fee Related JP3117204B2 (ja) | 1989-09-08 | 1989-09-08 | 制御物理変量発生用および物体識別用ニューラル・ネット |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3117204B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019016166A (ja) * | 2017-07-06 | 2019-01-31 | 日本放送協会 | ニューラルネットワーク、符号化装置、復号装置、学習方法、制御方法、およびプログラム |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007094224A (ja) * | 2005-09-30 | 2007-04-12 | Hitachi Ltd | 表示装置 |
| JP7146372B2 (ja) * | 2017-06-21 | 2022-10-04 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、プログラム、および、記憶媒体 |
| JP7296905B2 (ja) * | 2020-03-06 | 2023-06-23 | Kddi株式会社 | モデル付加部分を用いた説明変数推定方法、プログラム及び装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63241678A (ja) * | 1987-03-30 | 1988-10-06 | Nec Corp | 光学式文字認識装置 |
-
1989
- 1989-09-08 JP JP01233407A patent/JP3117204B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 信学論 Ｄ−▲ＩＩ▼ Ｖｏ１．Ｊ７２−Ｄ−▲ＩＩ▼ Ｎｏ．８ ＰＰ．１１９４−１１９９（１９８９−８） |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019016166A (ja) * | 2017-07-06 | 2019-01-31 | 日本放送協会 | ニューラルネットワーク、符号化装置、復号装置、学習方法、制御方法、およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0395664A (ja) | 1991-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chuang et al. | The annealing robust backpropagation (ARBP) learning algorithm | |
| US5058184A (en) | Hierachical information processing system | |
| EP0327817B1 (en) | Associative pattern conversion system and adaptation method thereof | |
| CN110472695B (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
| CN111785014A (zh) | 一种基于dtw-rgcn的路网交通数据修复的方法 | |
| Volna et al. | Multi-classifier based on Elliott wave’s recognition | |
| EP4227856A1 (en) | System and method for defect detection | |
| JP3117204B2 (ja) | 制御物理変量発生用および物体識別用ニューラル・ネット | |
| Ritter et al. | Associative memories based on lattice algebra | |
| Steinbach et al. | Neural networks–a model of boolean functions | |
| Yacoub et al. | Features selection and architecture optimization in connectionist systems | |
| De Veaux et al. | A brief introduction to neural networks | |
| Sharifi et al. | Prunedcaps: A case for primary capsules discrimination | |
| EP4075343A1 (en) | Device and method for realizing data synchronization in neural network inference | |
| Vázquez et al. | Using testor theory to reduce the dimension of neural network models | |
| CN113469450B (zh) | 一种数据分类方法、装置、计算机设备及存储介质 | |
| Fioribello et al. | Design of an Artificial Neural Network battery for an optimal recognition of patterns in financial time series | |
| Ohtani et al. | Structural learning of neurofuzzy GMDH with Minkowski norm | |
| US20220101132A1 (en) | Evaluating the relevance of potential input signals to an artificial neural network | |
| Elsimary et al. | Generalization ability of fault tolerant feedforward neural nets | |
| JPH09138786A (ja) | ニューラルネットワークの学習装置 | |
| Cabral et al. | A novel method for one-class classification based on the nearest neighbor data description and structural risk minimization | |
| Jan et al. | Financial prediction using modified probabilistic learning network with embedded local linear models | |
| Kim et al. | A new approach to fuzzy modeling using an extended kernel method | |
| Lee et al. | Block-Based Neural Network Optimization with Manageable Problem Space |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |