JP3279743B2 - 多層型ニューラルネットワーク構造を有する識別装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、例えば製造工程に用
いて好適な、識別対象物を識別する際の演算処理量を削
減し効率的に識別を行なうことの出来る識別装置に関す
るものである。

【０００２】

【従来の技術】図２９は、従来の識別装置の構成を示す
ブロック図であり、図において１は可視光の波長範囲を
一定の範囲で分割し、ｎ個のスペクトルを夫々受光し検
出するセンサ群からなる分光器、２は分光器１から出力
される複数の出力信号を演算し識別対象物の識別結果を
出力する演算部である。

【０００３】次に動作について説明する。この識別装置
では、識別の対象となる対象物Ａと対象物Ｂと対象物Ｃ
の分光スペクトルを分光器１で検出する。その結果、分
光器１からの対象物Ａについての出力信号が図３０の
（ａ）に示すような分光スペクトルを有しており、また
対象物Ｂについては同図（ｂ）に示す分光スペクトルを
有し、さらに対象物Ｃについては同図（ｃ）に示す分光
スペクトルを有している場合、対象物Ａと対象物Ｂと対
象物Ｃについて夫々波長ｐと波長ｑと波長ｒの成分につ
いて演算を行ない、対象物Ａと対象物Ｂと対象物Ｃを識
別し区別している。また、対象物Ａと対象物Ｂと対象物
Ｃの分光スペクトルが波長ｐと波長ｑと波長ｒのみでは
なくさらに多数ある場合にはこれら全ての波長成分につ
いて演算を行ない、対象物Ａと対象物Ｂと対象物Ｃを識
別し区別することになる。

【０００４】

【発明が解決しようとする課題】従来の識別装置は以上
のように構成されているので、識別の対象となる対象物
が有している特性を考慮することなく分光器１から出力
される分光スペクトルの全てについて識別のための演算
処理を行なう結果、演算処理に要する時間が長くなると
ともに、識別結果の正解率が低下するなどの問題点があ
った。

【０００５】この発明は上記のような問題点を解消する
ためになされたもので、識別のための演算処理を効率よ
く行ない、識別率を向上させることのできる識別装置を
得ることを目的とする。

【０００６】

【０００７】

【０００８】

【０００９】

【００１０】

【課題を解決するための手段】請求項１の発明に係る多
層型ニューラルネットワーク構造を有する識別装置は、
識別対象物を識別するための学習を行ない、識別に寄与
する度合いの高い特定のセンサ群から出力されるセンサ
信号群とメモリに格納される多層の神経回路網を構成す
る各重み係数とを利用して上記識別対象物を識別するた
めの識別演算を演算部が実行するように制御する制御部
を備えたものである。

【００１１】

【００１２】

【００１３】

【００１４】

【００１５】請求項２の発明に係る多層型ニューラルネ
ットワーク構造を有する識別装置は、多層の神経回路網
を構成する重み係数からなるメモリの出力層の入力層に
関する偏微分値に基づいて、制御部が上記センサ出力制
御信号を生成するようにしたものである。

【００１６】請求項３の発明に係る多層型ニューラルネ
ットワーク構造を有する識別装置は、多層の神経回路網
を構成する重み係数からなるメモリの出力層の入力層に
関する偏微分値を求める際に、学習に用いた入力信号を
識別対象物毎に分けてその入力信号の中間値を選択し、
さらにそれらの中間値を生成し上記偏微分値を求めるよ
うにしたものである。

【００１７】

【００１８】

【００１９】

【００２０】

【００２１】

【００２２】

【００２３】

【００２４】

【００２５】

【作用】請求項１の発明における多層型ニューラルネッ
トワーク構造を有する識別装置は、学習を行なうこと
で、センサ信号の識別に寄与する度合いの高い特定のセ
ンサ信号群を取り込むためのセンサ出力制御信号が生成
され、センサ信号入力部が取り込むセンサ信号が識別に
寄与するセンサ信号に特定され、その特定されたセンサ
信号とメモリに格納された多層の神経回路網を構成する
各重み係数とを用いて上記識別対象物を識別する識別演
算が行なわれるため、上記センサ信号入力部で取り込ま
れるセンサ信号量が抑制され、識別を行なうための演算
処理の効率および識別対象物の識別率を向上させること
が可能になる。

【００２６】

【００２７】

【００２８】

【００２９】

【００３０】請求項２の発明における多層型ニューラル
ネットワーク構造を有する識別装置は、識別に寄与する
度合いの高いセンサ信号が多層の神経回路網を構成する
重み係数からなるメモリの出力層の入力層に関する偏微
分値に基づいて判定され、これを基に識別に寄与する特
定のセンサ信号が取り込まれ、このセンサ信号とメモリ
に格納された重み係数とを用いて上記識別対象物を識別
する識別演算が行なわれるため、上記センサ信号入力部
が取り込むセンサ信号量が抑制され、識別を行なうため
の演算処理の効率および識別率を向上させることが可能
になる。

【００３１】請求項３の発明における多層型ニューラル
ネットワーク構造を有する識別装置は、識別対象物を識
別するための識別演算に用いる重み係数の学習が行なわ
れ、識別に寄与する度合いの高いセンサ信号が、多層の
神経回路網を構成する重み係数からなるメモリの出力層
の入力層に関する偏微分値、特に学習に用いた入力信号
を識別対象物毎に分けてその入力信号の中間値を選択
し、さらにその中間値を用いて求められた偏微分値に基
づいて取り込まれ、そのセンサ信号とメモリに格納され
た重み係数とを用いて上記識別対象物を識別する識別演
算が行なわれるため、上記センサ信号入力部が取り込む
センサ信号量が抑制され、識別を行なうための演算処理
の効率および識別率を向上させることが可能になる。

【００３２】

【００３３】

【００３４】

【００３５】

【００３６】

【００３７】

【００３８】

【００３９】

【００４０】

【実施例】実施例１．図 １は、本実施例の識別装置の構成を示すブロック図で
ある。図において、１１は複数のセンサ１０からなるセ
ンサ群、１２はセンサ群１１から出力されるセンサ信号
を取り込むセンサ信号入力部、１３は前記センサ信号お
よび重み係数を基に識別演算を行なう演算部（寄与度算
出部、識別演算部）、１４は重み係数についての学習を
行なう学習部（寄与度算出部）、１５は重み係数を格納
するメモリ、１６はセンサ信号入力部１２と演算部１３
などを制御する制御部（識別算出部）である。

【００４１】次に動作について説明する。図２は図１の
識別装置の動作を示すフローチャートである。ステップ
ＳＴ１は学習処理、ステップＳＴ２は解析処理、ステッ
プＳＴ３は再学習処理、ステップＳＴ４は演算部１３の
出力と教師信号との誤差が閾値に収束している過程にあ
るか否かを判定し学習が終了したか否かを判断する収束
判定処理、ステップＳＴ５は解析処理，再学習処理，収
束判定処理からなるセンサ信号選択処理、ステップＳＴ
６は識別対象物を識別するための識別演算などを行なう
識別処理である。

【００４２】まずステップＳＴ１の学習処理について説
明する。識別したい２種類の対象物Ａと対象物Ｂをセン
サ群１１の複数のセンサで計測したときのセンサ出力
が、夫々図３の（ａ）に示すようにセンサｐとセンサ
ｑ、同図（ｂ）に示すようにセンサｑとセンサｒについ
て特徴的であるとし、また学習部１４は代表的な手法と
して例えばニューラルネットワーク（神経回路網）のバ
ックプロパゲーションモデルを用いた学習を行なうもの
として説明する。

【００４３】まず、対象物Ａと対象物Ｂを識別するため
の重み係数の学習を行なう。なお、メモリ１５は適当な
方法で初期化されているものとする。対象物Ａと対象物
Ｂの多数の教師サンプルを用意し、それらを夫々センサ
群１１で検知し、検知した信号をセンサ信号入力部２を
通して演算部１３に送る。

【００４４】演算部１３では、センサ信号入力部１２か
ら送られてくる信号とメモリ１５に格納されている重み
係数を用いてニューラルネットワークのニューロンの特
性に基づいた積和演算などの識別演算を行なう。一方、
学習部１４では演算部１３の出力と外部から与えられる
教師信号の誤差からメモリ１５に格納されている重み係
数の値を修正する。この修正動作は前記誤差が所定の閾
値より小さくなるまで行ない、前記誤差が前記閾値を下
回ったら学習を終了する。

【００４５】次に、ステップＳＴ２の解析処理について
説明すると、この解析処理では、制御部１６がメモリ１
５に格納されている重み係数に対して例えば感度解析の
手法を用いて、各センサ信号が識別演算にどれだけ寄与
しているかなどの寄与の度合いを調べる。そして、セン
サ信号入力部１２に対し寄与の度合いに応じたセンサ信
号を入力するようセンサ出力制御信号を送る。本実施例
では、解析の結果センサｐとセンサｒの寄与の度合いが
高く、他のセンサの寄与の度合いが低いと解析される。
そして、これを「寄与する」と「寄与しない」との２つ
に分ける。

【００４６】さらにステップＳＴ３の再学習処理では、
センサ信号入力部１２に対し制御部１６から「寄与する
センサ信号」、すなわちセンサｐとセンサｒから出力さ
れるセンサ信号のみを入力するようにセンサ出力制御信
号を送りセンサ信号を絞り込み、再初期化されたメモリ
１５に格納されている重み係数の値を前記ステップＳＴ
２の学習処理と同様にして修正する。この際、メモリ１
５における前の重み係数も保存しておく。

【００４７】そして、ステップＳＴ４の学習終了判定処
理において、演算部１３の出力と外部から与えられる教
師信号の誤差が所定の閾値に収束している過程であると
判断したときにはステップＳＴ２の解析処理に戻りステ
ップＳＴ３の再学習処理を繰り返し、上記センサ信号を
絞り込み、前記誤差が前記閾値を上回りこれ以上収束し
ない状態になったと判断したときにはメモリ１５の重み
係数を１回前の再学習処理の結果に戻しステップＳＴ３
の再学習処理を終了する。

【００４８】学習が終了した後、ステップＳＴ６の実際
の識別処理においては、演算部１３に送られたセンサｐ
とセンサｒのセンサ信号に対しメモリ１５に格納されて
いる所定の重み係数を付加した識別演算を実施して識別
を行なうようにする。

【００４９】識別対象物が図３の（ａ），（ｂ），
（ｃ）に示すように夫々センサｐとセンサｑ、センサｑ
とセンサｒ、センサｐとセンサｒに係る各センサ信号に
ついて特徴的であるような特性を有した３つの対象物で
あれば、上述のように重み係数の学習を行ない、学習の
終了した重み係数を用いて識別に寄与する度合いを調べ
ると、センサｐおよびセンサｑおよびセンサｒについて
前記寄与する度合いが高く、他のセンサは寄与する度合
いが低いことが判明する。

【００５０】そこで制御部１６は、センサ信号入力部１
２に対してセンサｐとセンサｑとセンサｒから出力され
るセンサ信号のみ取り込むべくセンサ出力制御信号を生
成し出力し、また演算部１３に対してもセンサｐとセン
サｑとセンサｒから出力されるセンサ信号に対応した重
み係数を用いた演算を実施すべく識別演算制御信号を生
成し出力する。

【００５１】以上説明したように本実施例によれば、セ
ンサ群１１から出力されるセンサ信号のうちで識別対象
物の識別に寄与する度合の大きなセンサ信号のみとその
重み係数とを用いて識別演算が行なわれ識別するため、
識別演算が冗長にならず、識別を効率よく行なうことが
でき、識別率が向上する。

【００５２】なお、上記実施例では対象物が２個の場合
と３個の場合であり、また特徴的な特性を示すセンサ信
号を出力するセンサが２個の場合と３個の場合について
説明したが、識別対象物および特徴的な特性を示すセン
サが任意の個数である場合にも適用できることはいうま
でもない。

【００５３】また上記実施例では、学習部１４がニュー
ラルネットワークのバックプロパゲーションモデルを用
いた学習を行なう場合について説明したが、多変量解析
など他の学習モデルを用いた学習を行なう場合にも適用
できることはいうまでもない。

【００５４】さらにまた上記実施例では、制御部１６が
感度解析を行なう場合について説明したが、識別に寄与
する寄与の度合いを他の方法を用いて解析する場合に適
用できることはいうまでもない。

【００５５】またさらに上記実施例では、寄与の度合い
を「寄与する」，「寄与しない」の２つに分ける場合に
ついて説明したが、これを多段階に分けるようないわゆ
る多値化の閾値処理をする場合にも適用できることはい
うまでもない。

【００５６】実施例２．図 ４は、本実施例の識別装置の構成を示すブロック図で
あり、この実施例の識別装置では、Ｒ，Ｇ，Ｂの３原色
信号を基に色彩さらにはその識別対象物を識別する。図
４において図１と同一または相当の部分については同一
の符号を付し説明を省略する。

【００５７】図において、２１はＲ，Ｇ，Ｂの３原色信
号を出力するセンサであるカラー用撮像装置、２２は
Ｒ，Ｇ，Ｂの３原色信号に対応した３つの増幅器２２
ａ，２２ｂ，２２ｃからなる３原色信号入力部である。

【００５８】次に動作について説明する。識別する対象
物がＡ１〜Ａ１０まで１０種類あると仮定して、その１
０種類の対象物Ａ１〜Ａ１０のそれぞれについてカラー
用撮像装置２１から出力される３原色信号ａｉ＝（ｒ
ｉ，ｇｉ，ｂｉ）、（但しｉは１，２，３・・・１０）
が図５に示すように３次元ベクトル空間上に表わされる
ものとする。この実施例では、このような識別対象につ
いて図２に示すアルゴリズムに従い、ステップＳＴ１の
学習処理やステップＳＴ２の解析処理などを行なう。

【００５９】ステップＳＴ２の解析処理では、図５に示
すところからも明らかなように、その解析結果はＲ信号
とＢ信号とはＧ信号より寄与の度合いが大きいと判定さ
れる。そして、この寄与の度合い、すなわち寄与度を
「０」から「１」までの正規化した数字として表現す
る。さらに、ステップＳＴ３の再学習処理において３原
色信号入力部２２の増幅器２２ａ，２２ｂ，２２ｃに、
制御部１６から夫々の原色信号に対し寄与度に比例して
増幅を行なうようにセンサ出力制御信号を出力し、この
状態でステップＳＴ３の再学習処理を行なう。

【００６０】ステップＳＴ６の実際の識別処理では、寄
与度に比例して増幅された原色信号とメモリ１５に格納
されている重み係数とを演算して識別を行なうようにす
る。

【００６１】なお、以上説明した実施例では、対象物が
１０個の場合について説明したが、対象物の個数は１０
個に限ることはなく、任意の個数であってもよいことは
もちろんである。

【００６２】以上説明したように本実施例によれば、識
別対象物の識別に寄与する度合いに応じて増幅されたカ
ラー用撮像装置２１の出力であるＲ，Ｇ，Ｂの３原色信
号の各原色信号と、学習した結果得られた重み係数とを
基に色彩についての識別を行なうことができる。

【００６３】実施例３．図 ６は、本実施例の識別装置の構成を示すブロック図で
あり、この実施例の識別装置では、レンズによりフーリ
エ変換された像から形状を識別する。図６において図１
と同一または相当の部分については同一の符号を付し説
明を省略する。

【００６４】図６において、３０は対象物の像をフーリ
エ変換するためレンズ、３１は平面状に配置された光電
素子群からなる平面配置センサである。

【００６５】次に動作について、図２のフローチャート
に従って説明する。この実施例では、識別対象物である
２種類の対象物Ａと対象物Ｂとレンズ３０と平面配置セ
ンサ３１とを一定の距離に配置し、コヒーレントな光を
前記識別対象物に照射すると、平面配置センサ３１上に
図７の（ａ）あるいは（ｂ）に示すように、識別対象物
の表面の物理的特性に応じ、その識別対象物の表面のフ
ーリエ変換を示すパターンが観測されることが知られて
いる（例えば、「電子計算機による画像処理」Ｂｙ Ｒ
ｏｓｅｎｆｅｌｄ ｐｐ６６〜７４，共立出版）ことか
ら、図２のフローチャートに従い、ステップＳＴ１の学
習処理やステップＳＴ２の解析処理などを行なう。

【００６６】この実施例ではステップＳＴ２の解析処理
の結果、中心近くに配置された光電素子と四隅近くに配
置された光電素子の寄与の度合いが高いと判定されるこ
とになる。次のステップＳＴ３の再学習処理では、制御
部１６から寄与度の高い光電素子から出力される信号の
み取り込むように、センサ信号入力部１２に対しセンサ
出力制御信号を出力し、この状態で再学習を行なう。

【００６７】ステップＳＴ６の実際の識別処理でも、演
算部１３に送られてくる寄与度の高い光電素子の出力す
る信号およびこの信号に対応してメモリ１５に格納され
ている重み係数のみを演算して識別を行なうようにす
る。

【００６８】なお、以上説明した実施例では、識別対象
物が２種類の対象物Ａと対象物Ｂの場合について説明し
たが、識別対象物の数は任意の個数であってもよいこと
はいうまでもない。

【００６９】以上説明したように本実施例によれば、表
面性状に基づいた識別対象物の識別を効率よく行なうこ
とができる。

【００７０】実施例４．図 ８は、本実施例の構成を示すブロック図であり、この
実施例の識別装置では、平面状に配置された光電素子群
により検出したセンサ信号を基に識別対象物のパターン
を識別する。図８において図６と同一または相当の部分
については同一の符号を付し説明を省略する。

【００７１】次に動作について、図２のフローチャート
に従って説明する。この実施例では、識別対象物の２種
類の対象物Ａと対象物Ｂのパターンを平面配置センサ３
１により撮像し、センサ信号入力部２を介して入力する
と図９の（ａ）および（ｂ）に示すパターンが得られ
る。このパターンについて図２に示すステップＳＴ１の
学習処理を行ない、さらにステップＳＴ２の解析処理な
どを行なう。

【００７２】この実施例では、ステップＳＴ２の解析処
理の結果、第１象限および第２象限のエリアに配置され
た光電素子の寄与の度合いが高いと判定される。次のス
テップＳＴ３の再学習処理では、制御部１６から寄与度
の高い光電素子の属するエリア（この場合、第１象限と
第２象限のエリア）のセンサ信号のみ取り込むように、
センサ信号入力部２に対しセンサ出力制御信号を出力
し、この状態で再学習を行なう。ステップＳＴ６の実際
の識別処理でも、演算部１３に出力される寄与度の高い
光電素子の属するエリアから得られたセンサ信号と、こ
のセンサ信号に対応したメモリ１５に格納されている重
み係数のみを演算して識別を行なうようにする。

【００７３】以上説明したように本実施例によれば、平
面状に配置された光電素子群により検出したセンサ信号
を基に識別対象物のパターンを効率よく識別することが
できる。

【００７４】なお、以上説明した実施例では、対象物が
２種類の対象物Ａと対象物Ｂの場合について説明した
が、対象物の数は任意の個数であってもよいことはいう
までもない。

【００７５】実施例５．図 １０は、本実施例の構成を示すブロック図であり、こ
の実施例の識別装置では、平面状に配置された光電素子
群により得られたセンサー信号から識別対象物のパター
ンの幾何特徴に基づいた識別を行なう。図１０において
図８と同一または相当の部分については同一の符号を付
し説明を省略する。

【００７６】図において、３２は平面配置センサ３１に
より撮像した識別対象のパターンから幾何特徴を抽出す
る幾何特徴抽出部である。

【００７７】次に動作について、図２のフローチャート
に従って説明する。本実施例では、識別対象物の２種類
の対象物Ａと対象物Ｂの像を平面配置センサ３１により
撮像し、幾何特徴抽出部３２において幾何特徴を抽出す
ると、図１１の（ａ），（ｂ）に示すような２次元パタ
ーンおよび図１２に示すｎ個の特徴量ａｎ，ｂｎが得ら
れる。前記対象物Ａと対象物Ｂは面積が等しく、周囲長
とモーメントに著しい差があるものとする。

【００７８】この実施例では、図１２に示すｎ個の特徴
量ａｎ，ｂｎに対し、図２に示すステップＳＴ１の学習
処理やステップＳＴ２の解析処理などが行なわれる。そ
して、ステップＳＴ２の解析処理の結果、周囲長やモー
メントなどの著しい差が生じている特徴量について寄与
の度合いが高いと判定される。次のステップＳＴ３の再
学習処理では、寄与度の高い周囲長やモーメントなどの
著しい差が生じている前記特徴量のみを取り込むように
制御部１６からセンサ信号入力部１２に対し制御信号を
送り、この状態で再学習を行なう。

【００７９】ステップＳＴ６の実際の識別処理でも、演
算部１３に出力される寄与度の高い特徴量とこれに対応
してメモリ１５に格納されている重み係数のみを用いて
演算を行ない、対象物の識別を行なう。

【００８０】以上説明したように本実施例によれば、識
別対象物をその幾何特徴に基づいて効率よく識別でき
る、

【００８１】なお、以上説明した実施例では、対象物が
２種類の対象物Ａと対象物Ｂの場合について説明した
が、対象物の数は任意の個数であってもよく、さらに特
徴量についても周囲長やモーメントに限らないことはい
うまでもない。

【００８２】実施例６． 本実施例の識別装置の構成は図１に示すブロック図を、
また識別のためのアルゴリズムは図２に示すフローチャ
ートを参照する。この実施例の識別装置では、メモリ１
５は多層の神経回路網を構成する重み係数からなり、制
御部（偏微分値算出部、識別演算部）１６は出力層の入
力層に関する偏微分値に基づいて特定のセンサ信号を取
り込む制御信号を発生することになる。

【００８３】まず、出力層の入力層に関する偏微分値に
基づいて特定のセンサ信号を取り込む制御信号を制御部
１６が発生するまでの過程について説明すると、図１３
において４１は第Ｌ層のユニットであり、入出力データ
の受け渡しを行なうもので図１４にその概念図を示す。
図において４２〜４６は重み係数であり、前記ユニット
４１と他のユニットの間などで規定される「０」から
「１」までの値を有した係数である。また、「ｆ」はｓ
ｉｇｍｏｉｄ関数である。図１５は、対象物Ａの５つの
学習サンプルについてセンサ群１１で検知されたセンサ
信号を示しており、ａ１〜ａ５の５種類の信号である。

【００８４】神経回路網を構成する各ユニットは、図９
に示すような入出力データの受け渡しを行ない、入力層
（第１層）の各入力ユニットにはセンサ信号入力部１２
から出力される信号が供給され、出力層（第Ｎ層）の各
出力ユニットには制御部１６から望ましい識別状態を示
す信号が供給されるものとすると、このとき第Ｌ層第ｍ
ユニットの出力は次式（１）で表わされる。

【００８５】

【数１】

【００８６】ここで、ｉ ^L _m は第Ｌ層第ｍユニットの入力
の総和、Ｏ ^L _m は第Ｌ層第ｍユニットの出力、θ ^L _m は第Ｌ
層第ｍユニットの閾値、ｆはユニットの入出力関数、Ｗ
^L _mk は第Ｌ層第ｍユニットと第Ｌ−１層第ｋユニットの
間の結合荷重である。

【００８７】いま、上式（１）をｉ ^１ _ｊ で微分すると次
に示す式（２）が得られる。

【００８８】

【数２】

【００８９】ここで、Ｎ＝３すなわち３層の神経回路網
を考え、式（２）においてＬとして３、ｆとしてｓｉｇ
ｍｏｉｄ関数を使用すると、ｆ'(ｉ ^L _m )は次式（３）で
表わされる。

【００９０】

【数３】

【００９１】従って次式（４）を得る。

【００９２】

【数４】

【００９３】学習済みの神経回路網では、重み係数は既
知となっていることから第１層（入力層）に適当な入力
値を与えると、式（４）は計算可能である。入力値は適
当に与えることも出来るが一例として中間値信号を用い
る方法がある。

【００９４】この中間値信号を用いる方法では、学習に
用いた入力信号の中から同じ識別対象物の信号（図１５
に示すａ１〜ａ５までの５個の信号など）を抜き出す。
そして、センサ毎に前記信号の中間値を選び、これを集
めて新たな中間値信号ａ０を生成し、偏微分値を求める
際の入力値とする。

【００９５】図２のフローチャートに示すステップＳＴ
１の学習処理がなされた状態では、メモリ１５には適当
な重み係数が学習されて格納されている。制御部１６は
ステップＳＴ２における解析処理において前記式（４）
を用いて全ての出力ユニットの各入力ユニットに関する
偏微分値を求める。この結果、図１６に示すように入力
ユニットにより偏微分値に差が生じているのが明らかに
なる。この場合、大きな偏微分値を示す入力ユニットが
識別に大きく寄与しており、小さな偏微分値を示す入力
ユニットは識別に寄与する度合いが少ないことになる。
そこで、この偏微分値に２値化あるいは多値化などの閾
値処理を施し、その結果得られる値に基づいて入力ユニ
ット、すなわちセンサ信号入力部１２においてその入力
ユニットに対応したセンサ信号を取り込むように制御信
号を生成し、センサ信号入力部１２に出力する。

【００９６】なお、上記実施例ではＬとして３、ｆとし
てｓｉｇｍｏｉｄ関数を使用する場合について説明した
が、Ｌとして任意の層数、さらにｆとしてしきい値関数
など他の適当な関数を使用する場合にも適用できること
はいうまでもない。

【００９７】以上説明したように本実施例によれば、識
別に寄与する度合いの高いセンサ信号が多層の神経回路
網を構成する重み係数からなるメモリの出力層の入力層
に関する偏微分値に基づいて取り込まれるため、識別を
行なうための演算処理の効率および識別対象物の識別率
を向上させることが可能になる。

【００９８】実施例７．図 １７は、本実施例の構成を示すブロック図であり、図
１７において図１と同一または相当の部分については同
一の符号を付し説明を省略する。

【００９９】図において、４８は１つの学習サンプルに
対する評価尺度や評定量を入力する入力装置、４９は表
示装置である。

【０１００】次に動作について図２のフローチャートに
基づいて説明する。この実施例では、図２に示すステッ
プＳＴ２の学習処理において学習部１４は代表的な手法
である因子分解法を用いた学習を行なうものとして説明
する。まず、学習部１４は、対象物Ａと対象物Ｂに対す
る検査員の評価尺度や評定量を収集し、これに因子分析
を施す処理を演算部１３に行なわせ、図１８に示すよう
な因子負荷行列Ｒを求めメモリ１５に格納する。

【０１０１】次のステップＳＴ２の解析処理では、因子
分析により得られたＮ個の因子に対応するＮ個のセンサ
群１１、および因子とセンサ群１１間の関数ｆｎ（ｎ∈
Ｎ）を実験的に決定する。始めにセンサ群１１のセンサ
の候補として適当なセンサをｎ個用意すると共に、メモ
リ１５に格納されている関数ｆｎの重み係数を適当に初
期化する。次に、入力装置４８から１つの学習サンプル
に対する評価尺度と評定量を入力し、演算部１３におい
て関数ｆｎと因子負荷行列Ｒを用いて予測されるセンサ
出力値を演算する。同時に、センサ出力を人間に理解し
やすいような視覚表示方法により表示装置４９に表示す
る。そして、表示と学習サンプルとを見比べて差がなけ
れば学習処理を終了し、また差があるときには入力装置
４８から差の値を入力し、演算部１３において関数ｆｎ
の重み係数の修正量を計算する。

【０１０２】さらにステップＳＴ３の再学習処理では、
学習部１４は演算された修正量に基づきメモリ１５に格
納されている重み係数を修正する。そして、この動作を
前記差がなくなるまで繰り返す。差が小さくならないよ
うであれば、センサ群１１のセンサ候補を別のセンサに
置き換え、上述したと同様な動作を行なう。

【０１０３】このようにして決定された因子負荷行列
Ｒ，センサ群１１，関数ｆｎを用いて演算部１３におい
てステップＳＴ６の識別処理を行なう。

【０１０４】以上説明したようにこの実施例では、与え
られた識別状態とメモリに格納された重み係数とから逆
演算し生成された予測されるセンサ信号が表示装置によ
り視覚的に理解容易な表示形式で表示されるため、この
表示と学習サンプルとを比較し両者の差の程度を視覚的
に容易に判断することができる。

【０１０５】なお、以上説明した実施例では、学習部１
４は因子分析法を用いた学習を行なう場合について説明
したが、ニューラルネットワークなど他の学習モデルを
用いた学習をおこなう場合についても適用できることは
いうまでもない。

【０１０６】実施例８．図 １９は、本実施例に係る識別装置で行なわれる人間に
理解しやすい視覚表示方法を説明するための説明図であ
り、図において５１は識別対象物、５２は表示装置（３
次元モデル表示装置）４９に視覚表示されている識別対
象物の３次元モデルである。また、本実施例の識別装置
としては図１７に示すブロック図を参照する。

【０１０７】次に動作について説明する。まず、図２に
おけるステップＳＴ１の学習処理において学習を行なう
際に、識別対象の全ての学習サンプルの画像データを入
力しておく。そしてこれら画像データの平均画像データ
を作成する。さらに、この平均画像データから図２１に
示す識別対象物の表面の各点における反射率分布モデ
ル、透過率分布モデルなどを作成する。次に、ステップ
ＳＴ２の解析処理では、１つの学習サンプルに対する評
価尺度として例えば「表面がよく光る」、評定量として
「かなりそう思う」を入力すると、演算部（３次元モデ
ル合成演算部）１３において関数ｆｎと因子負荷行列Ｒ
を用いて、図２０に示す予測されるセンサ出力値が演算
される。このセンサ出力と、あらかじめ作成しておいた
反射率分布モデル、透過率分布モデルなどとを適当な重
みを付加して掛け合わせ、識別対象の３次元モデルを合
成し表示装置４９に表示する。

【０１０８】以上説明したようにこの実施例では、複数
の識別対象物の画像データから作成した平均画像データ
を用いて識別対象物の３次元モデルを合成し、視覚的に
理解容易な表示形式で表示できる。

【０１０９】実施例９．図 ２２は、本実施例に係る識別装置の表示装置における
人間に理解しやすい視覚表示方法を示す説明図である。
図２２において図１９と同一または相当の部分について
は同一の符号を付し説明を省略する。図において５３は
識別対象物の原画像である。また、本実施例の識別装置
としては図１７に示すブロック図を参照するものとす
る。

【０１１０】次に動作について説明する。本実施例の解
析処理では、識別対象の３次元モデル５２を表示すると
共に原画像５３も表示する。識別対象の３次元モデル５
２は、たとえば前記実施例６で述べた方法により作成し
表示する。そして、原画像５３と３次元モデル５２を見
比べて差があればそれを与えられた評定尺度と評定量を
用いて入力装置（差情報入力装置）４８から入力する。
たとえば、「ざらざらしている」についての評定尺度に
ついて「（３次元モデルのほうが）かなり多い」などの
評定量の指示を行なう。この結果、演算部（３次元モデ
ル合成演算部）１３は重み係数の修正を行なう。

【０１１１】以上説明したように本実施例によれば、表
示装置（３次元モデル表示装置）４９に識別対象物の３
次元モデルと原画像とを表示することで、上記３次元モ
デルと原画像との差をユーザは容易に理解できることに
なり、さらに上記３次元モデルと原画像との差について
の情報を入力でき、この入力に基づいて重み係数の修正
を行なうことが出来る。

【０１１２】なお、上記実施例では入力装置４８として
文字入力ができるキーボードなどを想定して説明した
が、表示装置に表示された選択メニューをマウスなどで
選択する方式の入力装置にも適用できることはいうまで
もない。

【０１１３】実施例１０．図 ２３は、本実施例に係る識別装置の表示装置における
人間に理解しやすい視覚表示方法を示す説明図である。
図２３において図２２と同一または相当の部分について
は同一の符号を付し説明を省略する。図において５４は
識別対象物の原画像５３と３次元モデル５２の差の画像
である。また、本実施例の識別装置としては図１７に示
すブロック図を参照するものとする。

【０１１４】次に動作について説明する。本実施例の解
析処理では、識別対象の３次元モデル５２と識別対象物
の原画像５３と共に、両者の差の画像５４を複数表示す
るようにし、さらにこの場合に変化の履歴も表示する。
前記差の画像を表示することにより両者の差を明確に認
識できると共に、評定尺度と評定量を用いて入力装置４
８から差を入力する際にも差の画像がなくなるように入
力操作を行なえばよいことになる。

【０１１５】実施例１１．図 ２４は、本実施例に係る識別装置の表示装置における
人間に理解しやすい視覚表示方法を示す説明図である。
図２４において図２３と同一または相当の部分について
は同一の符号を付し説明を省略する。図において５２
ａ，５２ｂ，５２ｃは識別対象物の複数の３次元モデル
である。また、本実施例の識別装置としては図１７に示
すブロック図を参照するものとする。

【０１１６】次に動作について説明する。本実施例の解
析処理では、識別対象物の原画像５３と共に、ある評定
尺度の評定量を変えた識別対象物の３次元モデルを複数
合成し、同時に表示装置（３次元モデル表示装置）４９
に表示する。そして、その３次元モデルを別の評定尺度
に基づいて人が順位を付して、これを入力装置（順位尺
度入力装置）４８から入力する。入力装置４８から人に
より入力された順位は順位尺度として扱い、演算部１３
において評定尺度との相関を演算し、メモリ１５に格納
されている重み係数の修正量を算出する。そして、算出
された修正量に従い学習部１４がメモリ１５の重み係数
を修正する。

【０１１７】以上説明したように本実施例によれば、表
示装置４９に表示された複数の合成された識別対象物に
ついての３次元モデルに対し、評定尺度に基づいた順位
を入力装置４８から入力できるので、重み係数の値につ
いての修正を視覚的に容易に行なうことができる。

【０１１８】実施例１２．図 ２５は、本実施例の制御装置の構成を示すブロック図
であり、図１と同一または相当の部分については同一の
符号を付し説明を省略する。図において６１は識別対象
物を撮像する撮像部、６２は撮像部６１が識別対象物を
撮像した結果出力する信号から光沢特徴を抽出し出力す
る光沢特徴入力部である。

【０１１９】次に、図２６に示すフローチャートに基づ
いて動作を説明する。まず、ステップＳＴ１１の学習処
理について説明する。この学習処理では、ニューラルネ
ットワーク（神経回路網）のバックプロパゲーションモ
デルを用いた学習処理が行なわれる。最初、識別すべき
Ｎ種類の対象物Ａｎ（ｎ∈Ｎ）を撮像部６１で撮像す
る。光沢特徴入力部では撮像部６１から出力される信号
から複数の光沢特徴を抽出する。この複数の光沢特徴と
は、人の感覚についての分析に基づいた透明度の大小，
輝度変化の大小，輝度むら，反射光分布曲線の尖鋭度を
含む複数の光沢特徴である。

【０１２０】学習部１４では、ニューラルネットワーク
（神経回路網）のバックプロパゲーションモデルを用い
た学習を行ない、メモリ１５を適当な方法で初期化し、
対象物Ａｎ（ｎ∈Ｎ）の学習サンプルを多数用意し、そ
れらを夫々撮像部６１により撮像し、撮像部６１から出
力される信号から光沢特徴入力部６２において前記複数
の光沢特徴を抽出し、演算部１３に出力する。演算部１
３では、光沢特徴入力部６２から送られて期待値生成回
路１３信号とメモリ１５に格納されている重み係数とを
用いて演算を行なう。

【０１２１】学習部１４では演算部１３から出力される
信号と外部から与えられる教師信号との誤差からメモリ
１５に格納されている重み係数の値を修正する。この修
正動作は、前記誤差が所定の閾値より小さくなるまで行
ない、前記誤差が前記閾値を下回ったら学習を終了す
る。

【０１２２】そして、ステップＳＴ１２の実際の識別処
理では、演算部１３に送られた光沢特徴に対してメモリ
１２に格納されている所定の重み係数を付加した演算を
実施して識別を行なうようにする。

【０１２３】以上説明したように本実施例によれば、撮
像部６１から出力される信号より抽出した複数の光沢特
徴情報とメモリ１５に格納された重み係数とから演算し
て求めた識別結果と、望ましい識別状態との誤差から重
み係数を演算することで学習を行ない、上記光沢情報と
上記重み係数とを用いて識別演算され識別が行なわれる
ので、識別対象物をその光沢特徴を基に識別することが
できる。

【０１２４】なお上記実施例では、学習部１４がニュー
ラルネットワークのバックプロパゲーションモデルを用
いた学習を行なう場合について説明したが、多変量解析
など他の学習モデルを用いた学習を行なう場合にも適用
できることはいうまでもない。

【０１２５】実施例１３．図 ２７は、本実施例の構成を示すブロック図であり、図
１と同一または相当の部分については同一の符号を付し
説明を省略する。図において７１はセンサ群１１から出
力された信号から前記実施例１２で説明した複数の光沢
特徴であるＰ個の光沢特徴Ｇｐ（ｐ・Ｐ）を抽出する光
沢特徴入力部、７２はＱ個の特定された波長Ｗｑ（ｑ・
Ｑ）を抽出する色彩特徴検出部である。

【０１２６】次に、図２に示すフローチャートに基づい
て動作を説明する。まず、ステップＳＴ１の学習処理に
ついて説明する。この学習処理では、ニューラルネット
ワーク（神経回路網）のバックプロパゲーションモデル
を用いた学習処理が行なわれる。識別対象物として光沢
の高いＮ種類の対象物Ａｎ（ｎ∈Ｎ）と、光沢の低いＭ
種類の対象物Ｂｍ（ｍ∈Ｍ）を仮定すると、光沢特徴入
力部７１ではセンサ群１１から出力された信号から複数
の光沢特徴を抽出する。

【０１２７】メモリ１５を適当な方法で初期化し、対象
物Ａｎ（ｎ∈Ｎ），Ｂｍ（ｍ∈Ｍ）の学習サンプルを多
数用意し、それらをセンサ群１１により検知し、センサ
群１１から出力された信号から光沢特徴入力部７１と色
彩特徴検出部７２にて夫々複数の光沢特徴と色彩特徴を
抽出し、この光沢特徴と色彩特徴に夫々対応した信号を
演算部１３に出力する。

【０１２８】演算部１３では、光沢特徴入力部７１およ
び色彩特徴検出部７２から送られてきた信号とメモリ１
５に格納されている重み係数を用いて演算を行なう。

【０１２９】学習部１４には教師信号が外部から与えら
れ、演算部１３の出力と前記教師信号の誤差からメモリ
１５に格納されている重み係数の値を修正する。この修
正動作は、前記誤差が所定の閾値より小さくなるまで行
ない、前記誤差が前記閾値を下回ったら学習を終了す
る。

【０１３０】ステップＳＴ２の解析処理では、制御部１
６がメモリ１５に格納されている重み係数を例えば感度
解析などの手法を用いて、各識別対象物が光沢が高いあ
るいは低いなどの光沢特徴を有するときに、各色彩特徴
が識別演算にどれだけ寄与しているかの寄与の度合いを
調べると、たとえば光沢の高い対象物Ａ１の光沢特徴Ａ
１ｇが（ｇ１１，ｇ２１，・・・ｇＰ１）のとき、寄与
の度合いの高い色彩特徴がＷ１とＷ３であり、光沢の低
い対象物Ｂ１の光沢特徴が（ｇ１２，ｇ２２，・・・ｇ
Ｐ２）のとき、寄与の度合いの高い色彩特徴がＷ２とＷ
４であるなどが明らかになる。

【０１３１】さらにステップＳＴ３の再学習処理では、
識別対象の光沢特徴に応じて色彩特徴入力部７２に対し
制御部１６から寄与する色彩特徴のみの信号を入力する
ように制御信号を送り、再初期化されたメモリ１５に格
納されている重み係数の値をステップＳＴ１の学習処理
と同様にして修正する。このとき、メモリ１５の前の状
態も保存しておき、誤差が所定の閾値より小さくなれば
ステップＳＴ２の解析処理に戻り、前記誤差が前記所定
の閾値より小さくならなければメモリ１５を前の状態に
戻しステップＳＴ３の再学習処理を終了する。そして、
この再学習処理を光沢情報毎に行ない、重み係数をメモ
リ１５に格納することになる。

【０１３２】ステップＳＴ６の実際の識別処理では、演
算部１３に送られた光沢特徴に対応した信号に応じて、
所定の色彩特徴に対応した信号を入力すると共に、メモ
リ１５に格納されている所定の重み係数を読み出し、演
算を実施して識別を行なうようにする。

【０１３３】以上説明したように本実施例によれば、光
沢特徴情報と色彩特徴情報と上記メモリに格納された重
み係数とにより識別対象物の識別を効率よく行なうこと
ができる。

【０１３４】なお、以上説明した実施例では、学習部１
４はニューラルネットワーク（神経回路網）のバックプ
ロパゲーションモデルを用いた学習を行なうとして説明
したが、多変量解析など他の学習モデルを用いた学習を
行なう場合にも適用できることはいうまでもない。

【０１３５】また、制御部１６が感度解析を行なう場合
について説明したが、識別に寄与する寄与の度合いを他
の方法を用いて解析する場合にも適用できることはいう
までもない。

【０１３６】またさらに、寄与の度合いを「寄与す
る」，「寄与しない」の２つに分類したが、多段階に分
類するような多値化の閾値処理をおこう場合にも適用で
きることはいうまでもない。

【０１３７】実施例１４．図 ２８は、本実施例の識別装置の色彩特徴検出部の構成
を示す説明図である。図において、８１，８３，８５
ａ，８５ｂ，８５ｃはレンズ、８２は光路の一部を遮る
マスク、８４ａ，８４ｂ，８４ｃはハーフミラー、８６
ａ，８６ｂ，８６ｃは夫々異なった特定の波長の光のみ
を透過させる干渉フィルタ、８７ａ，８７ｂ，８７ｃは
光電素子である。９０は撮像部であり、レンズ８１，８
３とマスク８２は撮像部９０に設けられている。９１は
色彩特徴情報を基に識別対象物の色彩特徴を識別する色
彩特徴情報処理部である。

【０１３８】次に動作について説明する。レンズ８１の
前に配置された識別対象物から出た光はレンズ８２によ
り集光され、マスク８２に導かれる。その際に、正反射
成分などの不要な光の成分はマスク８２により遮られ
る。マスク８２を通過した光はレンズ８３を介してハー
フミラー８４ａ，８４ｂ，８４ｃに導かれ、ハーフミラ
ー８４ａにより反射された光はレンズ８５ａにより集光
され、さらに干渉フィルタ８６ａにより特定波長の成分
のみが抽出され、光電素子８７ａ上に集められる。ハー
フミラー８４ｂ，８４ｃについても同様である。そし
て、光電素子８７ａ，８７ｂ，８７ｃから出力される信
号は、識別対象物の色彩特徴に対応した信号となり、色
彩特徴情報処理部９１に出力され処理されて、識別対象
物の色彩特徴が識別される。

【０１３９】以上説明したように本実施例によれば、識
別対象物からの光の特定波長の成分のみを抽出して、識
別対象物の色彩特徴の識別を行なうことができる。

【０１４０】

【発明の効果】以上のように、請求項１の発明によれ
ば、学習の結果メモリに格納された識別に寄与するセン
サ信号に関しての重み係数に応じ、センサ信号群を取り
込むためのセンサ出力制御信号をセンサ信号入力部に対
し出力し、上記センサ信号入力部が上記センサ出力制御
信号に基づいて取り込んだ特定のセンサ信号と上記メモ
リに格納された多層の神経回路網を構成する各重み係数
とを利用して識別対象物を識別するように構成したの
で、識別を行なうための演算処理の効率が向上するとと
もに、識別率が向上するなどの効果がある。

【０１４１】

【０１４２】

【０１４３】

【０１４４】

【０１４５】請求項２の発明によれば、多層の神経回路
網を構成する重み係数からなるメモリにおける上記多層
の神経回路網における出力層の入力層に対する偏微分値
を求め、この偏微分値に基づいて識別に寄与する特定の
センサ信号を取り込むように構成したので、識別のため
の演算処理を効率よく行ない、上記識別対象物の識別率
を向上させることができる効果がある。

【０１４６】請求項３の発明によれば、学習に用いた入
力信号を識別対象物ごとに分けて入力信号の中間値を選
びその中間値を用いて偏微分値を求め、この偏微分値に
基づいて特定のセンサ信号を取り込むように構成したの
で、識別対象物を効率よく識別し、識別率を向上させる
ことのできる効果がある。

【０１４７】

【０１４８】

【０１４９】

【０１５０】

【０１５１】

【０１５２】

【０１５３】

【０１５４】

【図面の簡単な説明】

【図１】この発明の実施例１による識別装置を示すブロ
ック図である。

【図２】実施例１による識別装置の動作を示すフローチ
ャートである。

【図３】この発明の実施例１による識別装置のセンサ群
から出力されるセンサ信号を示す説明図である。

【図４】この発明の実施例２による識別装置を示すブロ
ック図である。

【図５】この発明の実施例２による識別装置のカラー用
撮像装置から出力されるＲ，Ｇ，Ｂの３原色信号を示す
説明図である。

【図６】この発明の実施例３による識別装置を示すブロ
ック図である。

【図７】この発明の実施例３による識別装置におけるレ
ンズによりフーリエ変換された像を示す説明図である。

【図８】この発明の実施例４による識別装置を示すブロ
ック図である。

【図９】この発明の実施例４による識別装置における２
種類の識別対象物のパターンを示す説明図である。

【図１０】この発明の実施例５による識別装置を示すブ
ロック図である。

【図１１】この発明の実施例５による識別装置における
光電素子群で識別対象物を撮像した結果得られた２次元
パターンを示す説明図である。

【図１２】この発明の実施例５による識別装置における
幾何特徴抽出部で抽出された複数種類の特徴量を示す説
明図である。

【図１３】この発明の実施例６による識別装置における
メモリの多層の神経回路網を示す説明図である。

【図１４】この発明の実施例６による識別装置における
メモリの多層の神経回路網の第Ｌ層のユニットを示す説
明図である。

【図１５】この発明の実施例６による識別装置における
対象物Ａの５つの学習サンプルについてセンサ群が検知
した信号およびその中間値信号の説明図である。

【図１６】この発明の実施例６による識別装置における
メモリの多層の神経回路網の全ての出力ユニットの各入
力ユニットに関する偏微分値を示す説明図である。

【図１７】この発明の実施例７による識別装置を示すブ
ロック図である。

【図１８】この発明の実施例７による識別装置における
因子負荷行列を示す説明図である。

【図１９】この発明の実施例８による識別装置の表示装
置における人間に理解しやすい視覚表示方法を説明する
ための説明図である。

【図２０】この発明の実施例８による識別装置における
予測されるセンサ出力値を示す説明図である。

【図２１】この発明の実施例８による識別装置における
識別対象物の表面の各点の反射率分布モデルや透過率分
布モデルを説明するための説明図である。

【図２２】この発明の実施例９による識別装置の表示装
置における人間に理解しやすい視覚表示方法を示す説明
図である。

【図２３】この発明の実施例１０による識別装置の表示
装置における人間に理解しやすい視覚表示方法を示す説
明図である。

【図２４】この発明の実施例１１による識別装置の表示
装置における人間に理解しやすい視覚表示方法を示す説
明図である。

【図２５】この発明の実施例１２による識別装置を示す
ブロック図である。

【図２６】この発明の実施例１２による識別装置の動作
を説明するためのフローチャートである。

【図２７】この発明の実施例１３による識別装置を示す
ブロック図である。

【図２８】この発明の実施例１４による識別装置の色彩
特徴入力部の構成を示す説明図である。

【図２９】従来の識別装置の構成を示すブロック図であ
る。

【図３０】従来の識別装置の識別動作を説明するための
説明図である。

【符号の説明】

１１ センサ群 １２ センサ信号入力部 １３ 演算部（３次元モデル合成演算部、寄与度算出
部、識別演算部） １４ 学習部（寄与度算出部） １５ メモリ １６ 制御部（偏微分値算出部、識別演算部） ２１ カラー用撮像装置 ２２ ３原色信号入力部 ２２ａ，２２ｂ，２２ｃ 増幅器 ３０ レンズ ３１ 平面配置センサ ３２ 幾何特徴抽出部 ４８ 入力装置（差情報入力装置，順位尺度入力装置） ４９ 表示装置（３次元モデル表示装置） ５２ ３次元モデル ５３ 原画像 ５４ 差の画像 ６１，９０ 撮像部 ６２，７１ 光沢特徴入力部 ７２ 色彩特徴検出部 ８２ マスク ８４ａ，８４ｂ，８４ｃ ハーフミラー ８６ａ，８６ｂ，８６ｃ 干渉フィルタ ８７ａ，８７ｂ，８７ｃ 光電素子群 ９１ 色彩特徴情報処理部

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 7/00 - 7/60 G06T 1/00 G06N 3/02 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (3)

(57)【特許請求の範囲】
1. 【請求項１】 識別対象物を検知しセンサ信号を出力す
   るセンサと、 そのセンサから出力されるセンサ信号を取り込むセンサ
   信号入力部と、識別に用いられ、多層の神経回路網を構成する 重み係数
   を格納するメモリと、 上記センサ信号入力部で得られたセンサ信号と上記メモ
   リに格納された多層の神経回路網を構成する各重み係数
   とを用いて識別演算を行ない、この識別結果と望ましい
   識別状態を示す信号との誤差から上記メモリに格納され
   ている重み係数を修正し、上記メモリに格納されている
   重み係数から上記センサ信号の識別に関する寄与度を算
   出する寄与度算出部と、 上記寄与度に基づいて特定のセンサ信号の取り込みを指
   令するセンサ出力制御信号を上記センサ信号入力部に対
   し出力し、そのセンサ信号入力部が上記センサ出力制御
   信号に基づいて取り込んだセンサ信号と、上記メモリに
   格納された重み係数とを利用して上記識別対象物を識別
   するための識別演算を実行する識別演算部とを備えた多
   層型ニューラルネットワーク構造を有する識別装置。
2. 【請求項２】 識別対象物を検知しセンサ信号を出力す
   るセンサと、 そのセンサから出力されるセンサ信号を取り込むセンサ
   信号入力部と、 多層の神経回路網を構成する重み係数を格納するメモリ
   と、 上記センサ信号入力部で得られたセンサ信号と上記メモ
   リに格納された重み係数とを基に識別演算を行ない、こ
   の識別結果と望ましい識別状態を示す信号との誤差から
   上記メモリの重み係数を修正し、上記メモリに格納され
   た多層の神経回路網における出力層の入力層に対する偏
   微分値を算出する偏微分値算出部と、 この偏微分値に基づいて特定のセンサ信号の取り込みを
   指令するセンサ出力制御信号を上記センサ信号入力部に
   対し出力すると共に識別演算を実行する識別演算部とを
   備えた多層型ニューラルネットワーク構造を有する識別
   装置。
3. 【請求項３】 偏微分値算出部は、学習に用いた入力信
   号を識別対象物ごとに分けて夫々の入力信号の中間値を
   選び、さらに、それらの中間値を生成して偏微分値を算
   出し、 識別演算部は、上記偏微分値に基づいて特定のセンサ信
   号を取り込むセンサ出力制御信号を発生すると共に識別
   演算を実行することを特徴とする請求項２記載の多層型
   ニューラルネットワーク構造を有する識別装置。