JP3438537B2 - ニューラルネットワークの演算装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、簡易形のマイクロ
コンピュータを用いてニューラルネットワークの計算を
行うように構成されたニューラルネットワークの演算装
置に関する。

【０００２】

【従来の技術】例えば８ビットや１６ビットのマイクロ
コンピュータを用いたニューラルネットワークの演算装
置においては、一般的に次のようにしてニューラルネッ
トワークの計算を実行している。まず、ＥＷＳを用いて
学習を行うことにより、各ニューロン間の結合係数と、
シグモイド関数の入力値と関数値との関係を示すデータ
テーブルとを予め求めておき、これらをＲＯＭに記憶さ
せる。そして、上記マイクロコンピュータによりニュー
ラルネットワークの計算を行う場合には、各ニューロン
への入力値と結合係数の積和演算を行うと共に、その演
算結果でシグモイド関数のデータテーブルを検索してシ
グモイド関数値を求めることにより、ニューラルネット
ワークの出力を計算している。

【０００３】また、電気機器である例えば自動車用空調
装置の制御装置に上記構成のニューラルネットワークの
演算装置を組み込むことが考えられている。ここで、自
動車用空調装置のような電気機器の制御装置に搭載され
た制御プログラムには、動作上の基本周期（例えば０．
５秒や１．０秒等の時間）がある。そして、上記制御プ
ログラムに組み込まれた各種のサブルーチンや割り込み
ルーチン等の処理動作は、上記基本周期内で実行完了す
るように構成する必要がある。従って、上記ニューラル
ネットワークの演算を実行するＮＮ制御用サブルーチン
の動作も、上記基本周期内で実行完了するように設計さ
れている。

【０００４】

【発明が解決しようとする課題】ところで、ニューラル
ネットワークの特性を仕様変更したい場合（即ち、ニュ
ーラルネットワークを適用する制御系の仕様を変更した
い場合）には、ＥＷＳにより再び学習を行って各ニュー
ロンの結合係数を新たに求め、これら求めた結合係数を
ＲＯＭに記憶させれば良い。ここで、仕様変更の程度が
大きい場合には、ニューラルネットワークを構成するニ
ューロンの個数を増加しなければならない場合もある。

【０００５】このような場合、各ニューロンへの入力値
と結合係数の積和演算の繰り返しループの回数が増える
ので、ＮＮ制御用サブルーチンの計算時間、即ち、実行
完了までに要する時間が長くなる。このため、ＮＮ制御
用サブルーチンが前記基本周期内で実行完了しなくなる
事態が発生した。これに対しては、上記ＮＮ制御用サブ
ルーチンのロジックを変更して、例えば２つのサブルー
チンに分割したりして、ＮＮ制御用サブルーチンが基本
周期内で確実に実行完了するように構成しなければなら
なかった。しかし、ＮＮ制御用サブルーチンのロジック
を変更する作業はかなり面倒であると共に、作業ミスが
発生するおそれもあった。

【０００６】一方、上記したニューラルネットワークの
演算装置を電気機器に組み込む場合、シグモイド関数の
データテーブルの分解能を高くすると、該データテーブ
ルがかなり大きくなってしまい、電気機器に設けられた
ＲＯＭ内に収容できなくなることがある。これに対し
て、本発明者は、分解能を低下させることなく、シグモ
イド関数のデータテーブルを小さくしたニューラルネッ
トワークの演算装置を発明し、先に出願している（特願
平８−２２３７１４号、尚、この出願は、まだ公開され
ていない）。

【０００７】この先願の構成においては、シグモイド関
数のデータテーブルを小さくする構成の他に、シグモイ
ド関数の傾きＴが「１」の場合のデータテーブルだけを
ＲＯＭに記憶するように構成している。そして、傾きＴ
が「１」以外の場合には、シグモイド関数の入力値、即
ち、各ニューロンへの入力値と結合係数の積和演算結果
を１／Ｔ倍する演算を行い、この１／Ｔ倍した値を入力
値として傾きＴが「１」の場合のデータテーブルを参照
してニューラルネットワークの出力値を求めるようにし
ている。これにより、傾きＴが「１」以外の場合もニュ
ーラルネットワークの計算を実行可能に構成している。

【０００８】ここで、本発明者は、上述したように１／
Ｔ倍する演算によりニューラルネットワークの出力値の
誤差がどれくらいになるかを、多数のデータを用いてシ
ミューレーションを行うことにより、調べてみた。この
結果、ニューラルネットワークの出力値の誤差は、±５
ビット程度あることがわかった。尚、この誤差には、シ
グモイド関数のデータテーブルの検索処理に伴う誤差±
３ビットが含まれている。

【０００９】また、上記先願の構成では、各ニューロン
への入力値と結合係数の分解能の制約から、それらの積
和演算を行うときに誤差が発生し、更に、この誤差が上
記１／Ｔ倍演算を行うときに増幅されるという問題もあ
った。具体的には、結合係数ω及び各ニューロンへの入
力値ｘの各分解能を、ω：４０００ｈ≡１０ ｘ：４０００ｈ≡１ （但し、左辺はコンピュータ内で計算に用いる１６進数
を、右辺は物理量を表す。） とし、ｘ＝１（＝４０００
ｈ）にて、１入力当たりωが（１／２）ビットずれてい
るとし、ωとｘの積和を計算する毎に誤差が同一方向に
蓄積するというワーストケースを想定した場合、図９に
示すような演算誤差が発生することがわかった。この図
９において、Ｔ＝１．０の場合が１／Ｔ倍演算処理を実
行していない場合の演算誤差を示している。上記図９か
ら、例えばＴ＝０．２、ニューロン数＝２０の場合、演
算誤差が最大１２５ビット（ＬＳＢ）になることがわか
る。

【００１０】従って、シグモイド関数の傾きＴが「１」
の場合のデータテーブルだけをＲＯＭに記憶するように
構成した場合、１／Ｔ倍演算処理に伴ってかなり大きな
演算誤差が発生するおそれがあり、何らかの対策が必要
であった。

【００１１】そこで、本発明の目的は、ニューラルネッ
トワークの特性を仕様変更する場合に、ニューラルネッ
トワークの演算処理に要する時間が長くなることを防止
して、ロジックの変更を不要にし得るニューラルネット
ワークの演算装置を提供するにある。また、本発明の他
の目的は、シグモイド関数の傾きＴが「１」の場合のデ
ータテーブルを記憶するように構成しながら、演算誤差
を小さくすることができるニューラルネットワークの演
算装置を提供するにある。

【００１２】

【課題を解決するための手段】

【００１３】

【００１４】請求項１の発明においては、シグモイド関
数の入力値と関数値との対応関係を示すデータテーブル
として、シグモイド関数の傾きＴが「１」の場合のデー
タテーブルを記憶するように構成し、そして、傾きＴが
「１」以外の場合には、シグモイド関数の入力値を１／
Ｔ倍する演算をニューラルネットワークで処理可能なよ
うに各ニューロンの係合係数を設定した。この構成によ
れば、１／Ｔ倍演算処理は、ＥＷＳ等にて学習により結
合係数を求める段階で実行される。この場合、ＥＷＳ等
によれば浮動小数点演算が可能であるから、１／Ｔ倍演
算処理の精度を高くすることができる。そして、上記構
成では、各ニューロンへの入力値と結合係数の積和演算
結果を１／Ｔ倍する演算が不要となるから、１／Ｔ倍演
算処理に伴って発生する演算誤差がなくなる。従って、
シグモイド関数の傾きＴが「１」の場合のデータテーブ
ルを記憶するように構成しながら、演算誤差を小さくす
ることができる。

【００１５】請求項２の発明によれば、結合係数の分解
能を、適用する制御系に対応するように、または、ニュ
ーラルネットワークを構成する複数の階層の層間に対応
するように設定した。これにより、固定小数点演算する
場合でも、演算精度が低下することを極力防止できる。
この場合、請求項３の発明のように、結合係数の分解能
を設定するに際して、結合係数と入力値との積和がオー
バーフローしないように設定すると、演算を正しく実行
することができる。

【００１６】

【発明の実施の形態】以下、本発明を車両用空調装置で
ある例えば自動車のオートエアコンに適用した一実施例
について、図１ないし図８を参照しながら説明する。ま
ず、車両用空調装置の概略全体構成を示す図２におい
て、車両用空調装置１は、自動車の車室内の前部に配設
された空調ユニット２と、主としてマイクロコンピュー
タ３からなるエアコン制御装置４とから構成されてい
る。

【００１７】上記空調ユニット２のダクト５内には、そ
の上流部（図２中左端部）から下流部（図２中右端部）
にかけて、内外気切替ダンパ６、送風装置であるブロワ
７、エバポレータ８、エアミックスダンパ９、ヒータコ
ア１０、デフダンパ１１、ベントダンパ１２及びフット
ダンパ１３が順に配設されている。この構成の場合、内
外気切替ダンパ６は、サーボモータ１４により駆動され
るように構成されている。この内外気切替ダンパ６は、
ダクト５の上流部に形成された外気導入口１５から外気
（室外空気）を導入する外気導入モード（２点鎖線で示
す状態）と、ダクト５の上流部に形成された内気導入口
１６から内気（室内空気）を導入する内気循環モード
（実線で示す状態）とを切り替えるためのダンパであ
る。

【００１８】また、ブロワ７は、外気または内気をダク
ト５内に導入して該ダクト５内を右方へ送風するもので
あり、遠心ファン１７とブロワモータ１８とから構成さ
れている。このブロワモータ１８は、ブロワ駆動回路１
９から与えられる駆動電圧に応じて回転速度を可変可能
に構成されている。これにより、ブロワ７の送風力を可
変できる構成となっている。

【００１９】そして、上記エバポレータ８は、図示しな
い周知構成の冷凍サイクルの一部を構成するものであ
り、その冷凍サイクルの作動に応じて供給された液冷媒
を蒸発させることにより、ブロワ７から送風された空気
を冷却する機能を有している。尚、上記冷凍サイクル
は、エバポレータ８の他にコンプレッサ、コンデンサ、
レシーバ、エキスパンションバルブ（いずれも図示しな
い）等を備えて構成されている。

【００２０】また、エアミックスダンパ９は、サーボモ
ータ２０により駆動されるように構成されている。この
エアミックスダンパ９は、ヒータコア１０を通過する空
気量と、ヒータコア１０を迂回する空気量とを調節する
機能を有している。上記ヒータコア１０は、自動車のエ
ンジン冷却系統からの冷却水が供給されるように構成さ
れており、該冷却水の温度に応じた温度に昇温されるこ
とにより、その周囲を通過する空気を加熱する機能を有
している。

【００２１】更に、デフダンパ１１、ベントダンパ１２
及びフットダンパ１３は、それぞれサーボモータ２１、
２２及び２３により駆動されるように構成されている。
これらデフダンパ１１、ベントダンパ１２及びフットダ
ンパ１３は、ダクト５に形成されたデフロスタ吹出口２
４、ベント吹出口２５及びフット吹出口２６をそれぞれ
開閉するように構成されている。ここで、ベントダンパ
１２及びフットダンパ１３は、サーボモータ２２及び２
３により各別に開閉駆動されることにより、ベント吹出
口２５から乗員の上半身及び顔面に冷風を送風するベン
トモード、頭寒足熱の心地良い暖房を行うバイレベルモ
ード、室内暖房を行うフットモード、室内暖房とフロン
トガラスの曇り除去を行うフット・デフモード等を切り
替えることが可能な構成となっている。

【００２２】一方、車両用空調装置１の操作パネル２７
は、運転席の周辺（例えばインストルメントパネル）に
設けられている。この操作パネル２７に設けられた各種
の操作スイッチ（図示しない）からのスイッチ信号は、
エアコン制御装置４のマイクロコンピュータ３に与えら
れるように構成されている。上記操作スイッチとして、
温度設定用スイッチ、内外気切替用スイッチ、風量設定
用スイッチ等が設けられている。

【００２３】また、上記マイクロコンピュータ３は、内
気センサ２８、外気センサ２９、日射センサ３０、エバ
後温センサ３１及び水温センサ３２から出力される各検
知信号をＡＤ変換器３３を介して受けるように構成され
ている。ここで、内気センサ２８は、車室内の温度を検
知する温度センサであり、内気温検知信号を出力する。
外気センサ２９は、車室外の温度を検知する温度センサ
であり、外気温検知信号を出力する。日射センサ３０
は、車室内の現実の日射量を検知するセンサであり、日
射量検知信号を出力する。エバ後温センサ３１は、エバ
ポレータ８の空気出口部分の温度を検知する温度センサ
であり、エバ後温検知信号を出力する。水温センサ３２
は、エンジン冷却系統の冷却水の温度を検知する温度セ
ンサであり、水温検知信号を出力する。

【００２４】さて、マイクロコンピュータ３は、ＣＰＵ
３４、ＲＯＭ３５及びＲＡＭ３６等から構成されてお
り、車両用空調装置の運転全般を制御する機能を有し、
そのための制御プログラムを記憶している。このマイク
ロコンピュータ３は、上記制御プログラム並びに操作パ
ネル２７の各種操作スイッチからのスイッチ信号及び各
センサからの検知信号に基づいて、上記各ダンパのサー
ボモータ２０、２１、２２、２３及びブロワ７のブロワ
モータ１８（ブロワ駆動回路１９）を駆動制御するよう
に構成されている。

【００２５】尚、マイクロコンピュータ３には、バッテ
リ３７からの電力がイグニッションスイッチ３８及び定
電圧回路（図示しない）を介して与えられるように構成
されている。また、バッテリ３７の電力は、上記各ダン
パのサーボモータ２０〜２３及びブロワ７のブロワモー
タ１８の駆動電力としても使用される構成となってい
る。

【００２６】さて、上記マイクロコンピュータ３は、詳
しくは後述するようなニューラルネットワークの計算を
実行することにより目標吹出温度ＴＡＯを求め、車両用
空調装置１の各吹出口から送風される空気の温度が上記
求めた目標吹出温度ＴＡＯになるようにブロワ７の送風
量や各ダンパーの開閉状態及び開閉角度等を自動的に駆
動制御するように構成されている。この場合、マイクロ
コンピュータ３が、ニューラルネットワークの演算装置
を構成している。

【００２７】ここで、上記求められた目標吹出温度ＴＡ
Ｏに基づいて、ブロワ７の送風量や各ダンパーの開閉状
態及び開閉角度等を自動的に駆動制御する制御内容は、
従来から周知の制御内容と同じであり、ここでは説明を
省略する。以下、ニューラルネットワークの計算を実行
することにより目標吹出温度ＴＡＯを求める制御の内容
について、具体的に説明する。

【００２８】まず、マイクロコンピュータ３は、４つの
入力から１つの出力（即ち、目標吹出温度ＴＡＯ）をニ
ューラルネットワークの計算を実行することにより求め
るように構成されている。この場合、４つの入力のうち
の第１の入力は、使用者が温度設定用スイッチを操作す
ることにより設定された設定温度ＴSET である。第２の
入力は、内気センサ２８により検知された内気温度ＴＲ
である。第３の入力は、外気センサ２９により検知され
た外気温度Ｔamである。そして、第４の入力は、日射セ
ンサ３０により検知された日射量Ｔs である。

【００２９】また、本実施例においては、ニューラルネ
ットワークとして図１に示すような階層型ニューラルネ
ットワークを使用している。この階層型ニューラルネッ
トワークは、例えば５個のニューロンＮ1-0 〜Ｎ1-4 か
らなる入力層ユニットＵ１と、例えば２０個のニューロ
ンＮ2-0 〜Ｎ2-19からなる第１の中間層ユニットＵ２
と、例えば２０個のニューロンＮ3-0 〜Ｎ3-19からなる
第２の中間層ユニットＵ３と、例えば１個のニューロン
Ｎ4-1 からなる出力層ユニットＵ４とから構成されてい
る。そして、入力層ユニットＵ１の各ニューロンと第１
の中間層ユニットＵ２の各ニューロンとはシナプス結合
され、第１の中間層ユニットＵ２の各ニューロンと第２
の中間層ユニットＵ３の各ニューロンとはシナプス結合
され、第２の中間層ユニットＵ３の各ニューロンと出力
層ユニットＵ４のニューロンとはシナプス結合されてい
る。

【００３０】ここで、入力層ユニットＵ１のニューロン
Ｎ1-0 、第１の中間層ユニットＵ２のニューロンＮ2-0
及び第２の中間層ユニットＵ３のニューロンＮ3-0 がバ
イアスニューロンである。また、第１の中間層ユニット
Ｕ２の残りの１９個のニューロンＮ2-1 〜Ｎ2-19並びに
第２の中間層ユニットＵ３の残りの１９個のニューロン
Ｎ3-1 〜Ｎ3-19のうちで、ニューラルネットワークの計
算に使用したくないニューロン、具体的には、結合係数
が予め零に設定されたニューロンがダミーニューロンで
ある。これらダミーニューロン及び上記バイアスニュー
ロンについては、詳しくは後述する。

【００３１】さて、上記階層型ニューラルネットワーク
を用いて計算を実行する場合、 １．入力層Ｕ１−第１の中間層Ｕ２間 ２．第１の中間層Ｕ２−第２の中間層Ｕ３間 ３．第２の中間層Ｕ３−出力層Ｕ４間 を順次計算して出力値、この場合、目標吹出温度ＴＡＯ
を求める。ここで、各層間を計算するに際しては、各ニ
ューロンへの入力値とシナプス結合係数の積和演算を行
い、その演算結果をシグモイド関数を用いて非線形変換
して出力を求めている。この場合、シグモイド関数を用
いて上記階層型ニューラルネットワークの各層間の入出
力を定義すると、次の式（１）で表現される。尚、この
式（１）は、バイアスニューロンＮ1-0 、Ｎ2-0 、Ｎ3-
0 を設けない場合の式である。

【００３２】

【数１】 但し、ｘ_ｊは入力値、ｙ_ｉは出力値、Ｗ_ｋｊｉは結合係
数、Ｔはシグモイド関数の傾き（形状パラメータ）、θ
_ｋｉは閾値（オフセット）、ｎは入力値の数（シナプス
結合されたニューロンの個数）である。

【００３３】ここで、結合係数Ｗ、閾値θ、シグモイド
関数の傾きＴは、予め学習することにより決定してお
く。この学習処理は、例えばＥＷＳ（エンジニアリング
ワークステーション）を用いて実行している。この場
合、傾きＴはニューラルネットワークを適用する１つの
制御系について１つの値が決まるものであり、傾きＴを
予め設定した状態で、結合係数Ｗ及び閾値θを設定して
いる。尚、これら結合係数Ｗ等を決定する学習処理とし
ては、従来周知の学習プログラムを適宜選択して用いれ
ば良く、ここでは説明を省略する。

【００３４】次に、学習処理により決定した結合係数Ｗ
及び閾値θ並びに傾きＴを、マイクロコンピュータ３の
ＲＯＭ３５内に記憶させておく。そして、マイクロコン
ピュータ３は、これら記憶している結合係数Ｗ、閾値
θ、傾きＴと、入力値ｘとを、前記式（１）に代入して
ニューロネットワークの計算を実行するように構成され
ている。この場合、式（１）における積和部分（Σ（Ｗ
＊ｘ）−θ）は実際に計算し、シグモイド関数部分はシ
グモイド関数のデータテーブル（これは、シグモイド関
数の入力値と関数値との対応関係を示すデータテーブル
であり、詳しくは後述する）を検索することによりシグ
モイド関数値を求めるようにしている。

【００３５】さて、上記ニューロネットワークの計算処
理は、マイクロコンピュータ３により図３に示すフロー
チャートに従って実行されるように構成されている。こ
こで、上記計算処理の具体的制御について説明する前
に、上記シグモイド関数のデータテーブルについて説明
する。

【００３６】まず、前記式（１）における入力値ｘは、
０≦ｘ≦１の範囲で変化する変数である。また、結合係
数Ｗは、例えば−１０≦Ｗ≦１０の範囲の数値であり、
閾値θは、例えば−３≦θ≦３の範囲の数値である。こ
の場合、結合係数Ｗ及び閾値θの数値範囲は、オートエ
アコン（車両用空調装置）の制御をニューラルネットワ
ークで制御（計算）する場合の一例の実験値である。こ
こで、上記ｘ、Ｗ、θを例えば１６ビット（２バイト）
のデータで表現することにする。これにより、ｘ、Ｗ、
θのデータレンジは次の通りとなる。

【００３７】（ａ）入力値ｘ、０≦ｘ≦１の場合、１を
「４０００ｈ」（以下、ｈは１６進数を示す）で表現す
る。尚、ｘは符号なしデータである。

【００３８】（ｂ）結合係数Ｗ、−１０≦Ｗ≦１０の場
合、１０を「４０００ｈ」で表現する。尚、ＭＳＢ（最
上位ビット）は符号ビットである。但し、負数の表現方
法は、２の補数、または、符号絶対値表現のいずれかで
ある。

【００３９】（ｃ）閾値θ、−３≦θ≦３の場合、１０
を「１０００ｈ」で表現する。尚、ＭＳＢ（最上位ビッ
ト）は符号ビットである。但し、負数の表現方法は、２
の補数、または、符号絶対値表現のいずれかである。

【００４０】ここで、 ｕ＝Σ（Ｗ＊ｘ）−θ とすると、前記式（１）のシグモイド関数ｆ（ｕ）は、
次の式（２）で表現される関数となる。

【００４１】 ｆ（ｕ）＝１／（１＋ｅｘｐ（−ｕ／Ｔ）） （２） このシグモイド関数ｆ（ｕ）をグラフにして示すと、図
４に示すような形状となる。但し、図４は傾きＴ＝１の
場合である。この図４からわかるように、シグモイド関
数ｆ（ｕ）は、０以上１以下の値（０≦ｆ（ｕ）≦１）
をとる。そして、このシグモイド関数について、入力値
ｕと関数値ｆ（ｕ）との対応関係を示すデータテーブル
を作成する。

【００４２】この場合、関数値ｆ（ｕ）の最大値１を
「４０００ｈ」で表現し、このときの分解能の制限か
ら、シグモイド関数のデータテーブルとしては、 −１１．０≦ｕ≦１１．０ の範囲のデータを持つように構成した。尚、本実施例に
おいては、マイクロコンピュータ３で計算する場合のデ
ータ処理を容易にするために、データテーブルの上限及
び下限を、それぞれ１１．８７５及び−１１．８７５に
設定した。

【００４３】そして、上述したように、シグモイド関数
のデータテーブルの上限及び下限を、データテーブルの
分解能に応じて設定した場合に、データテーブルの容量
（大きさ）を計算してみる。ここで、空調制御において
ＴＡＯを計算する場合、必要分解能から考えてＴＡＯの
データ長を最低２バイトにする必要がある。また、上記
入力値ｕの定義域のデータ長も２バイト（１６ビット）
に設定する必要がある。そして、入力値ｕの定義域の１
ビット（ＬＳＢ）毎にＴＡＯの２バイトのデータを持つ
ように構成したテーブルが上記シグモイド関数のデータ
テーブルとなる。このため、このデータテーブルの容量
を計算する式と、その計算値は、 ２^１６×２バイト＝１２８Ｋバイト となる。このシグモイド関数のデータテーブルの具体的
構成を、図５に示す。

【００４４】そして、上記シグモイド関数のデータテー
ブルを記憶させる記憶手段としてＲＯＭ３５を用いると
すると、１２８Ｋバイト以上のＲＯＭが必要になる。こ
れでは、ＲＯＭ３５の容量がまだかなり大きくなってし
まうので、本実施例では、シグモイド関数のデータテー
ブルを次に述べるようにして縮小している。

【００４５】具体的には、上記シグモイド関数のデータ
テーブルの中から設定個数（例えば２５６個）おきのデ
ータだけを抽出し、これら抽出したデータから縮小デー
タテーブルを作成している。即ち、入力値ｕの１６ビッ
トのデータのうちの上位１バイト分のデータテーブルだ
けを持つようにし、下位１バイト分のデータについては
データテーブルとしては持たないようにしている。これ
により、縮小データテーブルは、図５に示すデータテー
ブルの中から、入力値ｕが「−１１．８７５×（１２８
／１２８）」から「−１１．８７５×（１／１２８）」
までの各値と、「０」と、「１１．８７５×（１／１２
８）」から「１１．８７５×（１２８／１２８）」まで
の各値と、これら入力値ｕの各値に対応する関数値ｆ
（ｕ）とを抽出し、これら抽出したデータから構成され
たデータテーブルとなる。この縮小データテーブルの大
きさは、 １２８Ｋバイト×１／２５６ となる。そして、本実施例では、上記縮小データテーブ
ルをマイクロコンピュータ３のＲＯＭ３５内に記憶して
いる。

【００４６】そして、このような構成の縮小データテー
ブルに基づいてニューラルネットワークの計算を実行す
る場合、即ち、上記縮小データテーブルに基づいて入力
値ｕに対応する関数値ｆ（ｕ）を求める場合において、
入力値ｕが抽出したデータの間のデータについては、２
つの抽出データを２点として線形補間計算することによ
り関数値ｆ（ｕ）を求めるように構成されている。

【００４７】また、上記縮小データテーブルは、傾きＴ
＝１の場合のデータテーブルであるため、傾きＴが１以
外の場合には、傾きＴが１以外の場合のデータテーブル
を使用する必要がある。このためには、傾きＴが１以外
の場合の縮小データテーブルを作成してＲＯＭに記憶さ
せておく必要がある。ここで、傾きＴが複数ある場合と
は、ニューラルネットワークを適用する制御系が複数あ
る場合（換言すると、複数のニューラルネットワークを
用いる場合）である。このような場合には、複数の傾き
Ｔに対応するように形成された複数の縮小データテーブ
ルをＲＯＭ３５に記憶させなければならず、ＲＯＭ３５
の容量が大きくなってしまう。

【００４８】そこで、本実施例においては、傾きＴ＝１
の場合の縮小データテーブルだけを記憶しておき、傾き
Ｔが１以外の場合には、入力値ｕに１／Ｔを乗じたｕ／
Ｔを、入力値として上記Ｔ＝１の場合の縮小データテー
ブルを参照することにより、入力値ｕ／Ｔに対応する関
数値ｆ（ｕ）を検索して求めるようにしている。これに
より、傾きＴが１以外の場合であっても、Ｔ＝１の場合
の縮小データテーブルに基づいて関数値ｆ（ｕ）を求め
ることができる。

【００４９】しかし、上記１／Ｔの演算処理を行うと、
次の２種類の計算誤差が発生する。まず１つは、「Σ
（ω・ｘ）−θ」の計算確定後に、１／Ｔ倍の演算を実
行することによる出力ｙの計算誤差である。この計算誤
差は、従来技術の欄で説明したように、シミュレーショ
ンにより約±５ビットであることがわかった。

【００５０】また、他の１つは、ω、ｘの分解能の制約
から、「Σ（ω・ｘ）−θ」の計算時に誤差が発生し、
この誤差が、上記１／Ｔ倍の演算を実行することにより
増幅されて生ずる計算誤差である。この計算誤差として
は、従来技術の欄で説明したように、図９に示すような
演算誤差が発生することがわかった。例えばＴ＝０．
２、ニューロン数＝２０の場合、演算誤差が最大１２５
ビットになることがわかった。従って、シグモイド関数
の傾きＴが「１」の場合のデータテーブルだけをＲＯＭ
３５に記憶するように構成した場合、１／Ｔ倍演算処理
に伴ってかなり大きな演算誤差が発生するおそれがあっ
た。

【００５１】そこで、本実施例においては、傾きＴが
「１」以外の場合には、シグモイド関数の入力値ｕを１
／Ｔ倍する演算をニューラルネットワークで処理可能な
ように、各ニューロンの係合係数を設定し、演算誤差を
低減するようにした。以下、この構成について具体的に
説明する。

【００５２】まず、前記式（１）を下記のように変形す
る。尚、これ以降記載の式においては、添字ｉ、ｋを付
すことを省略する。

【００５３】 ｙ＝１／［１＋ｅｘｐ｛−［Σ（Ｗ_ｊ＊ｘ_ｊ）−θ］／Ｔ｝］ （１） ＝１／［１＋ｅｘｐ｛−［−（θ／Ｔ）＋Σ（Ｗ_ｊ／Ｔ）＊ｘ_ｊ］｝］ ＝１／［１＋ｅｘｐ｛−［ｂｉａｓ＋Σ（ω_ｊ＊ｘ_ｊ）］｝］ （２） 但し、ｂｉａｓ＝−（θ／Ｔ）、ω_ｊ＝（Ｗ_ｊ／Ｔ）と
置き換えている。

【００５４】ここで、ｂｉａｓは新たな変数であり、以
下、バイアス項と称す。このバイアス項の導入により、
シグモイド関数の傾きＴの演算処理及び閾値θの演算処
理が不要になり、その代わりに、バイアス項の処理をニ
ューラルネットワークに追加する必要が生ずる。具体的
には、上記式（２）を次のように変形する。

【００５５】

【数２】 これにより、バイアス項のための特別な処理ルーチンが
不要になり、通常のニューロンと全く同じ処理でニュー
ラルネットワークの計算が可能になることがわかる。こ
の場合、バイアス項に対応するバイアスニューロンとし
て、０番目のニューロンをニューラルネットワークの３
つの層ユニットＵ１、Ｕ２、Ｕ３に追加すれば良い。本
実施例では、図１に示すように、入力層ユニットＵ１の
ニューロンＮ1-0 、第１の中間層ユニットＵ２のニュー
ロンＮ2-0 及び第２の中間層ユニットＵ３のニューロン
Ｎ3-0 をバイアスニューロンとして、予めニューラルネ
ットワークに組み込んでいる。そして、このように構成
することにより、前述した１／Ｔ演算処理に伴う２つの
計算誤差が発生しなくなるのである。

【００５６】尚、前記式（１）に基づくニューラルネッ
トワークの計算は、簡易なマイクロコンピュータ３で実
行されるため、固定小数点演算で１／Ｔの演算を実行し
なければならず、演算誤差が特定の条件下で大きくなっ
てしまう。これに対して、上記したように置き換えた結
合係数ω_ｊ（＝Ｗ_ｊ／Ｔ）は、ＥＷＳを使用して学習処
理する際に求められるため、浮動小数点演算が可能とな
り、演算を高精度に実行することができる。従って、上
記式（５）に基づくニューラルネットワークの計算を簡
易なマイクロコンピュータ３（即ち、固定小数点演算）
で実行したとしても、高精度な演算を保証することがで
きるのである。尚、上記式（５）から明らかなように、
バイアスニューロンの次層への出力値は、常に「１」と
なるように定義されている。

【００５７】次に、本実施例においては、ニューラルネ
ットワークを構成するニューロンの個数を、適用する制
御系に最も良く対応するように決められた最適個数より
も多く設定している。そして、上記設定された複数のニ
ューロンの中で計算に使用したくないニューロン（この
ようなニューロンを、ここでは、ダミーニューロンと称
す）がある場合には、そのニューロンに関する結合係数
を零に設定している。以下、このダミーニューロンを用
いた構成について具体的に説明する。

【００５８】まず、ニューラルネットワークを構成する
ニューロンの個数は、従来より、例えば特異値分解によ
る方法等によって、適用する制御系に最も良く対応する
ように決められている。このようにして決められたニュ
ーロンの個数を最適個数とすると、本実施例では、ニュ
ーロンの個数を上記最適個数よりも多く設定しており、
具体的には、第１の中間層Ｕ２及び第２の中間層Ｕ３の
各ニューロンの個数をそれぞれ２０個としている。この
場合、各中間層Ｕ２、Ｕ３において、０番目のニューロ
ンＮ2-0 、Ｎ3-0 はバイアスニューロンであり、残りの
１９個のニューロンＮ2-1 〜Ｎ2-19、Ｎ3-1 〜Ｎ3-19の
うちの使用しないニューロンがダミーニューロンとな
る。

【００５９】例えば、各中間層Ｕ２、Ｕ３において、そ
れぞれ１１番目ないし１９番目のニューロンＮ2-11〜Ｎ
2-19、Ｎ3-11〜Ｎ3-19がダミーニューロンであったとす
る。この構成において、第２の中間層Ｕ３の３番目のニ
ューロンＮ3-3 の出力ｙ3-3を計算する場合について考
察してみる。上記出力ｙ3-3 は次の式（６）で定義され
る。

【００６０】

【数３】 今、ダミーニューロンに関する結合係数ωを零と設定し
ているため、第１の中間層Ｕ２の１１番目ないし１９番
目のニューロンＮ2-11〜Ｎ2-19と第２の中間層Ｕ３の３
番目のニューロンＮ3-3 と間の結合係数は零となってい
る。具体的には、上記式（６）において、ω_ｂｊ３＝０
（但し、ｊ＝１１〜１９）となっている。これにより、
上記式（６）は次のように変形される。

【００６１】

【数４】 この式（７）から、第１の中間層Ｕ２の１１番目ないし
１９番目のニューロンＮ2-11〜Ｎ2-19が存在しない場合
と等価なニューラルネットワークの計算を実現できてい
ることがわかる。このことは、第２の中間層Ｕ３の他の
ニューロンの出力を計算する場合も同様である。更に、
同様にして、出力層Ｕ４のニューロンＮ4-1 の出力を計
算する場合も、第２の中間層Ｕ３の１１番目ないし１９
番目のニューロンＮ3-11〜Ｎ3-19が存在しない場合と等
価なニューラルネットワークの計算を実現できているこ
とがわかる。従って、ダミーニューロンが存在するニュ
ーラルネットワークと、ダミーニューロンが存在しない
ニューラルネットワークとは等価であること（計算結果
が同じであること）が保証される。

【００６２】次に、上記したダミーニューロンによって
もたらされる作用効果について具体的に説明する。ここ
で、その前に、マイクロコンピュータ３によりニューラ
ルネットワークの計算を実行する制御内容について、図
３のフローチャートを参照して説明する。この場合、最
初に、ニューラルネットワークの第１の中間層ユニット
Ｕ２の各ニューロンの出力値を前記式（５）により計算
する。具体的には、図３のステップＳ１において、第１
の中間層ユニットＵ２の０番目のニューロンＮ2-0 から
１９番目のニューロンＮ2-19まで順番に計算していく。

【００６３】各ニューロンの計算においては、式（５）
の中の積和部分（ｕ＝Σω_ｊ・ｘ_ｊ）を計算した後、Ｒ
ＯＭ３５に記憶しているシグモイド関数の縮小データテ
ーブル（図５参照）を参照して、上記入力値ｕに対応す
る関数値ｆ（ｕ）を求める。この場合、シグモイド関数
の縮小データテーブルを検索すると共に、上記入力値ｕ
が抽出データ間の中間値であるときには線形補間計算を
実行することにより、関数値ｆ（ｕ）を算出し、これを
第１の中間層ユニットＵ２の各ニューロンの出力値とす
る。

【００６４】そして、ステップＳ２にて、第１の中間層
ユニットＵ２の全てのニューロンの出力値を計算したか
否かを判断する。ここで、第１の中間層ユニットＵ２の
全てのニューロンの出力値を計算していない場合には、
ステップＳ１へ戻って、第１の中間層ユニットＵ２の残
りのニューロンの出力値を計算する処理を繰り返す。こ
れにより、第１の中間層ユニットＵ２の２０個のニュー
ロンの出力値を計算する処理が繰り返される。

【００６５】この後、第１の中間層ユニットＵ２の全て
のニューロンの出力値を計算したら、ステップＳ２にて
「ＹＥＳ」へ進む。そして、第２の中間層ユニットＵ３
の各ニューロンの出力値を前記式（５）により計算する
処理が実行される。具体的には、ステップＳ３におい
て、第２の中間層ユニットＵ３の１番目のニューロンＮ
3-1 から１９番目のニューロンＮ3-19まで順番に計算し
ていく。各ニューロンの計算処理は、第１の中間層ユニ
ットＵ２の各ニューロンの計算処理と同じである。

【００６６】そして、ステップＳ４にて、第２の中間層
ユニットＵ３の全てのニューロンの出力値を計算したか
否かを判断する。ここで、第２の中間層ユニットＵ３の
全てのニューロンの出力値を計算していない場合には、
ステップＳ３へ戻って、第２の中間層ユニットＵ３の残
りのニューロンの出力値を計算する処理を繰り返す。こ
れにより、第２の中間層ユニットＵ３の１９個のニュー
ロンの出力値を計算する処理が繰り返される。

【００６７】この後、第２の中間層ユニットＵ３の全て
のニューロンの出力値を計算したら、ステップＳ４にて
「ＹＥＳ」へ進む。そして、ニューラルネットワークの
出力層ユニットＵ４の各ニューロンの出力値を前記式
（５）により計算する（ステップＳ５）。ここで、各ニ
ューロンの計算処理は、前記中間層ユニットＵ２、Ｕ３
の各ニューロンの計算処理と同じである。

【００６８】続いて、出力層ユニットＵ４の全てのニュ
ーロンの出力値を計算したか否かを判断する（ステップ
Ｓ６）。ここで、出力層ユニットＵ４の全てのニューロ
ンの出力値を計算していない場合には、ステップＳ６に
て「ＮＯ」へ進み、ステップＳ５へ戻って、出力層ユニ
ットＵ４の残りの（２番目以降の）ニューロンの出力値
を計算する処理を繰り返す。尚、本実施例の場合、出力
層ユニットＵ４のニューロンは１個であるから、１回目
でステップＳ６にて「ＹＥＳ」へ進み、ニューラルネッ
トワークの計算処理を終了する。

【００６９】さて、本実施例において、ニューラルネッ
トワークを適用する制御系の仕様変更によりニューロン
の最適個数を増やす必要が生じた場合について考察す
る。このような場合、増加させるニューロンとしてダミ
ーニューロンを割り当てると共に、学習処理により結合
係数ωを求める。そして、この求めた結合係数ωをＲＯ
Ｍ３５内に入れ替える。このように構成すると、仕様変
更を行っても、ニューロンの個数が仕様変更前と変わら
ない。即ち、本実施例の場合、２つの中間層ユニットＵ
２、Ｕ３の各ニューロンの個数が２０個である。このた
め、各ニューロンの出力を計算する処理の繰り返し回数
が仕様変更前と同じである。従って、ニューラルネット
ワークの演算処理に要する時間も仕様変更前と同じで長
くならないため、従来構成とは異なり、ロジックの変更
等の作業が全く不要となる。

【００７０】尚、本実施例においては、ダミーニューロ
ンを２つの中間層ユニットＵ２、Ｕ３に設けたが、入力
層ユニットＵ１や出力層ユニットＵ４に設けても良い。
また、設けるダミーニューロンの個数は、ニューラルネ
ットワークの計算時間が制御プログラムの動作上の基本
周期内に収まる範囲内で、できるだけ多く設けるように
構成すれば良い。

【００７１】一方、本実施例では、結合係数の分解能
を、適用する制御系に対応するように、または、ニュー
ラルネットワークを構成する複数の階層の層間に対応す
るように設定している。これにより、簡易な構成のマイ
クロコンピュータ３により固定小数点演算する場合で
も、演算精度の低下を極力防止することができる。以
下、この結合係数の分解能の設定について具体的に説明
する。

【００７２】まず、ＥＷＳ等で学習処理することにより
求めた結合係数は、適用する各制御系及びニューラルネ
ットワークの階層の各層間毎に異なるものである。この
ため、結合係数の分布範囲も、下記の表１に示すよう
に、適用する制御系及びニューラルネットワークの階層
の層間毎にかなり異なる場合がある。

【００７３】

【表１】 ここで、マイクロコンピュータ３内で計算する場合の結
合係数の分解能をある１つの分解能に固定してしまう
と、固定小数点演算のため、例えば２バイトという限ら
れたデータレンジを有効に使うことができず、計算誤差
の増大を招くことがあった。そこで、本実施例では、次
の３つの条件を満たすように結合係数の分解能を設定し
ている。

【００７４】条件１ 適用する各制御系及びニューラルネットワークの階層の
各層間毎に結合係数の分解能を設定する。例えば制御系
が３つあると共に、これら各制御系毎にニューラルネッ
トワークの層間が３つある場合には、３×３＝９個にわ
けて結合係数の分解能を設定する必要がある。

【００７５】条件２ 入力ニューロン数と実際に使用する結合係数を考慮し
て、オーバーフローが起こらない範囲内に結合係数の分
解能を設定する。具体的には、ニューラルネットワーク
の階層の各層間毎に、（Σω＊ｘ）の最大値を求め、こ
れがオーバーフローしないようにする。尚、（Σω＊
ｘ）の最大値の算出に当たっては、入力値ｘを結合係数
ωと逆符号で且つ絶対値＝１として計算しておけば、あ
らゆる入力値ｘの組み合わせに対応することができる。

【００７６】例えば図６に示すような構成のニューラル
ネットワークにおいて、入力層と第１の中間層との間の
層間の結合係数ωの分解能を設定する場合について簡単
に説明する。この場合、第１の中間層の出力ｎ２ｉは次
の式で計算される。

【００７７】

【数５】 但し、ｉ＝１〜ｂであり、ｂは第１の中間層のニューロ
ンの個数−１である。また、ｎ１ｐ（ｐ＝０〜３）は入
力層の各ニューロンの出力である。尚、第２の中間層の
ニューロンの個数はｃ＋１個である。

【００７８】ここで、シグモイド関数のデータテーブル
の検索用の入力値ｕは次の式で定義される。

【００７９】

【数６】 このｕがオーバーフローを起こすと、正しい検索が不可
能となるので、この値ｕがオーバーフローしないように
分解能を決定する。そして、分解能の決定に当たって
は、上記ｕの式において、ｎ１ｐはω１ｐｉと逆符号で
絶対値＝１とし、ｉ＝１〜ｂまでこの値ｕをｂ個計算
し、ｂ個の計算結果のうちの最大のものがオーバーフロ
ーしないように結合係数の分解能を設定する。そして、
このような処理を各制御系毎及び各層間毎に実行すれば
良い。

【００８０】条件３ （Σω＊ｘ）の計算結果ｕを用いてシグモイド関数のデ
ータテーブル（図５参照）を検索する場合、上記計算結
果が「−１１．８７５〜１１．８７５」の範囲内にあれ
ば、データテーブルの検索を実行可能である。このと
き、データテーブルの検索に用いるｕ座標は、図７に示
す４バイトのデータ（Σω＊ｘ）の中から切り出した２
バイトのデータ（上位１バイトのデータが検索用であ
り、下位１バイトのデータが補間用である）である。こ
こで、上記切り出しは、シフト操作のみで簡単に実行で
きるように、結合係数の分解能を設定する。具体的に
は、 ４０００ｈ≡１１．８７５×２ｎ のように結合係数の分解能を設定する。

【００８１】このように結合係数の分解能を設定する理
由は、４バイトのデータ（Σω＊ｘ）の中から２バイト
のデータを切り出すときに、新たな乗除算を実行する
と、それに伴う演算誤差が発生してしまうためである。

【００８２】そして、上記３つの条件１〜３に基づい
て、前記表１に示した結合係数の分解能を設定した例を
下記の表２に示す。

【００８３】

【表２】 ここで、例えば制御系１における入力層と第１の中間層
との間の層間の結合係数の分解能を設定する場合を具体
的に説明する。まず、上記層間の結合係数の分布範囲が
「−１３．１〜＋３５．４」である。また、Σω＊ｘの
最大値が５２．８となるので、４０００ｈ＝１１．８７
５×２^ｎを満たして、オーバーフローが生じない範囲と
して、４０００ｈ≡９５．０（＝１１．８７５×２^３）
と定義する。そして、上述した処理を各制御系毎及び各
層間毎に実行すれば、上記表２の結果を得ることができ
る。

【００８４】また、本実施例においては、ＲＯＭ３５内
に、シグモイド関数のデータテーブル、結合係数のデー
タ及び制御プログラムを、図８に示すように格納してい
る。即ち、ＲＯＭ３５内のエリア３５ａ内に制御プログ
ラムを記憶し、エリア３５ｂ内にシグモイド関数のデー
タテーブルを記憶している。また、適用する制御系が５
個あるとすると、これら５個の制御系１〜５の各結合係
数はＲＯＭ３５内のエリア３５ｃ〜３５ｇ内に記憶され
ている。更に、これらエリア３５ｃ〜３５ｇ内は、それ
ぞれ３つのエリアに分割されており、この３つのエリア
にはニューラルネットワークの層間毎の結合係数が記憶
されている。

【００８５】このような構成の本実施例によれば、ニュ
ーラルネットワークの演算処理により車両用空調装置制
御用の目標吹出温ＴＡＯを算出するように構成した。こ
のため、算出された目標吹出温ＴＡＯは、設計者が意図
するきめ細かい空調制御を実行するために最適な目標吹
出温ＴＡＯとなる。

【００８６】また、上記実施例においては、目標吹出温
ＴＡＯをニューラルネットワークを用いた演算装置によ
り算出するに当たって、シグモイド関数のデータテーブ
ルの上限及び下限を、データテーブルの分解能に応じて
決めるように構成したので、シグモイド関数のデータテ
ーブルの大きさを小さくすることができ、該データテー
ブルを記憶させるＲＯＭ３５（記憶手段）の容量を小さ
くすることができる。しかも、この場合、データテーブ
ルの上限及び下限の外側のデータは、分解能によれば無
視できるデータであるから、計算精度が低下することは
ない。

【００８７】更に、上記実施例では、シグモイド関数の
データテーブルの中から設定個数（例えば２５６個）お
きのデータだけを抽出し、これら抽出データから縮小デ
ータテーブルを作成した。具体的には、入力値ｕの１６
ビットのデータのうちの上位１バイト分のデータテーブ
ルだけを持つようにし、下位１バイト分のデータについ
てはデータテーブルとしては持たないように構成した縮
小データテーブルを作成し、この縮小データテーブルを
ＲＯＭ３５に記憶させるように構成した。このため、デ
ータテーブルを記憶させるＲＯＭ３５の容量を大幅に小
さくすることができる。そして、上記縮小データテーブ
ルに基づいてニューラルネットワークの計算を実行する
場合、抽出したデータの間のデータについては、線形補
間計算することによりシグモイド関数値を求めるように
構成したので、計算精度が低下することを防止できる。

【００８８】更にまた、上記実施例においては、シグモ
イド関数の縮小データテーブルとして傾きＴが「１」の
場合の縮小データテーブルだけを記憶するように構成し
たので、データテーブルを記憶させるＲＯＭ３５の容量
を更に小さくすることができる。そして、傾きＴが
「１」以外の場合には、入力値を１／Ｔ倍する演算をニ
ューラルネットワークで処理可能なように各ニューロン
の係合係数を設定するように構成した。

【００８９】これにより、傾きＴが「１」以外の場合
も、計算精度が低下することなく、ニューラルネットワ
ークの計算を実行することができる。特に、複数のニュ
ーラルネットワーク（これらは複数の制御系に対応して
いる）を用いた演算装置を使用する構成の場合には、傾
きＴが複数存在するため、ＲＯＭ３５の容量を小さくで
きるという効果が顕著となる。

【００９０】一方、上記実施例においては、結合係数の
分解能を、適用する制御系に対応するように、または、
ニューラルネットワークを構成する複数の階層の層間に
対応するように設定した。これにより、簡易なマイクロ
コンピュータ３で固定小数点演算してニューラルネット
ワークの計算を実行する場合でも、演算精度が低下する
ことを極力防止できる。

【００９１】特に、上記実施例においては、結合係数の
分解能を設定するに際して、結合係数と入力値との積和
がオーバーフローしないように設定する構成とした。こ
れにより、演算を正常に実行することができる。また、
上記実施例では、結合係数と入力値との積和のデータか
ら、シグモイド関数のデータテーブルを検索するための
データを切り出す場合に、シフト操作だけでその作業が
完了するように構成した。このため、演算誤差の発生を
より防止することができる。

【００９２】尚、上記実施例では、ニューラルネットワ
ークの中にバイアスニューロンとダミーニューロンを追
加する構成したが、これに限られるものではなく、ニュ
ーラルネットワークの中にバイアスニューロンだけを追
加する構成としても良いし、或いは、ダミーニューロン
だけを追加する構成としても良い。

【００９３】また、上記実施例では、ニューラルネット
ワークの中にバイアスニューロンとダミーニューロンを
追加する構成とした上で、結合係数の分解能を、適用す
る制御系に対応するように、または、ニューラルネット
ワークを構成する複数の階層の層間に対応するように設
定する構成としたが、これに代えて、バイアスニューロ
ン及びダミーニューロンを追加せずに、結合係数の分解
能を、適用する制御系に対応するように、または、ニュ
ーラルネットワークを構成する複数の階層の層間に対応
するように設定する構成とするだけでも良い。更にま
た、バイアスニューロン或いはダミーニューロンの一方
を追加した上で、結合係数の分解能を、適用する制御系
に対応するように、または、ニューラルネットワークを
構成する複数の階層の層間に対応するように設定する構
成としても良い。

【００９４】一方、上記実施例においては、ニューラル
ネットワークの中間層ユニットを２つとしたが、これに
代えて、１つ或いは３つ以上の中間層ユニットを設ける
ように構成しても良い。また、ニューラルネットワーク
の２つの中間層ユニットのニューロンの個数を各２０個
としたが、これらニューロンの個数は適用する制御系に
応じて適宜決めれば良い。更にまた、入力層ユニットの
ニューロンの個数及び出力層ユニットのニューロンの個
数も、適用する制御系に応じて適宜決めれば良い。

【００９５】一方、上記実施例では、車両用空調装置の
目標吹出温度ＴＡＯをニューラルネットワークを用いた
演算装置により算出する場合に適用したが、これに代え
て、例えば車両用空調装置の風量や吹出口モードや日射
補正量等をニューラルネットワークを用いた演算装置に
より算出する場合に適用することも好ましい構成であ
る。この場合、１つのニューラルネットワークを用いて
目標吹出温度ＴＡＯ、風量、吹出口モード、日射補正量
等を算出するように構成しても良いし、或いは、複数の
ニューラルネットワークを用いて目標吹出温度ＴＡＯ、
風量、吹出口モード、日射補正量等を算出するように構
成しても良い。

【００９６】また、上記実施例では、本発明のニューラ
ルネットワークの演算装置を車両用空調装置に適用する
ように構成したが、これに限られるものではなく、エン
ジン制御装置やプラント制御装置に適用するように構成
しても良い。

【図面の簡単な説明】

【図１】本発明の一実施例を示すもので、ニューラルネ
ットワークの構成を示す図

【図２】車両用空調装置の概略全体構成を示す図

【図３】フローチャート

【図４】シグモイド関数のグラフ

【図５】シグモイド関数のデータテーブルを示す図

【図６】他のニューラルネットワークの構成を示す図

【図７】結合係数と入力値の積和のデータからシグモイ
ド関数の検索用のデータ（ｕ座標）を切り出す処理を示
す図

【図８】ＲＯＭの記憶エリアを示す図

【図９】演算誤差のビット数とニューロンの個数との関
係を示す図

【符号の説明】

１は車両用空調装置、２は空調ユニット、３はマイクロ
コンピュータ（ニューラルネットワークの演算装置）、
４はエアコン制御装置、３４はＣＰＵ、３５はＲＯＭ、
３６はＲＡＭを示す。

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平10−63633（ＪＰ，Ａ) 特開 平４−60752（ＪＰ，Ａ) 特開 平５−197821（ＪＰ，Ａ) 特開 平５−314089（ＪＰ，Ａ) 特開 平６−175999（ＪＰ，Ａ) 甘利俊一・他，「ｂｉｔ臨時増刊 人 工ニューラルシステム」，日本，共立出 版株式会社，1989年 ９月10日，ｐｐ. 170 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06N 1/00 - 7/08 G06G 7/60 G05B 13/00 - 13/04 ＪＳＴファイル（ＪＯＩＳ) ＣＳＤＢ（日本国特許庁)

Claims (3)

(57)【特許請求の範囲】
1. 【請求項１】 エンジニアリングワークステーション内
   で学習され、複数の制御系に対応した複数の結合係数を
   マイクロコンピュータ用に演算したマイクロコンピュー
   タ用の各ニューロンの結合係数（ω）と、 前記エンジニアリングワークステーション内での複数通
   りの結合係数学習の際に用いられ、かつ、各制御系に対
   応した複数のシグモイド関数の各傾き（Ｔ）を代表する
   傾きを持つマイクロコンピュータ用代表シグモイド関数
   とを、前記マイクロコンピュータ内に記憶して 、前記各
   ニューロンの結合係数と前記代表シグモイド関数とに基
   づいてニューラルネットワークの入出力の計算を実行す
   るように前記マイクロコンピュータで構成されたニュー
   ラルネットワークの演算装置において、前記代表シグモイド関数は、 シグモイド関数の入力値と
   関数値との対応関係を示すデータテーブルとして、前記
   シグモイド関数の傾きTが「１」の場合のデータテーブ
   ルを前記マイクロコンピュータ内に記憶するように構成
   し、 前記傾きTが「１」以外の前記マイクロコンピュータ内
   の前記複数の制御系に対応する前記マイクロコンピュー
   タ用の各ニューロンの結合係数（ω）の場合には、前記
   各制御系に対応した複数のシグモイド関数を用いて前記
   エンジニアリングワークステーション内で学習された前
   記各制御系に対応した複数の前記結合係数（Ｗ）を１／
   T倍する演算を前記エンジニアリングワークステーショ
   ン内で行ってニューラルネットワークで処理可能なよう
   に各ニューロンの結合係数を前記マイクロコンピュータ
   内に設定したことを特徴とするニューラルネットの演算
   装置。
2. 【請求項２】 前記マイクロコンピュータ用結合係数
   （ω）の分解能を、１つの分解能に固定せず、前記マイ
   クロコンピュータ内に構成された前記制御系毎に、また
   は、前記ニューラルネットワークを構成する複数の階層
   の層間毎に設定したことを特徴とする請求項１に記載の
   ニューラルネットワークの演算装置。
3. 【請求項３】 前記マイクロコンピュータ用結合係数
   （ω）の分解能を設定するに際しては、前記マイクロコ
   ンピュータ用結合係数（ω）と前記各制御系に入力され
   る入力値との積和の最大値を前記エンジニアリングワー
   クステーション 内で求め、前記最大値に応じて設定した
   ことを特徴とする請求項２に記載のニューラルネットワ
   ークの演算装置。