JPH02287860A - 情報処理装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 （Ａ）産業上の利用分野 この発明はニューラルネットワークにより情報を処理す
る情報処理装置乙コ関する。

（ｂ）従来の技術 パターン認識や高速のデータ処理に用いられる処理方式
にニューラルネットワークがある。ニューラルネットワ
ークは、複数の演算子にニューロン）を互いに重みイ」
け関数（シナプス）で結合し、入カバターンによってニ
ューロンが行った演算値をシナプスを通過させて伝達す
ることによって結論となる出力バタンを得る演算方式で
ある。ごのニューラルネットワークは、入カバターンと
この入カバターンからえられるべき出カバターンを有限
回学習させることにより各シナプスの重み付εノをみず
から決定する能力があるため、アルボリスＪ、の分析が
困テ１（なパターン認識等に多く用いられる。

（Ｃ）発明が解決しようとする課題 しかし、ニコー−ラル不ソｌ−’ノークを用いた従来の
情報処理装置では、１のニューラルネソトワりを用いて
情報処理を行っているため以下に述べるような欠点があ
った。

■　処理対象の属性が変化した場合、これに迅速・的確
に対応できない。すなわち、ニューラルネットワークの
学習にはある程度の時間を必要とするため、処理対象の
属性の変化を検出したのちその属性に適応するだめの学
習を行っていたのでは、処理の遅れが必然となるためで
ある。

■　−度ある状況に対応するように学習されたニューラ
ルネットワークは、その学習内容を保持したままさらに
全く違った属性を有する状況に対応するように学習する
ことは困難である場合が多く、１のニューラルネットワ
ークで多機能を実現することは困難であった。

■　さらに、ニューラルネットワークには処理対象の特
性に適した構造があるため、一定の構造を持った１つの
ニューラルネットワークで、さまざまな状況全てに対し
て適応させることは井効率的である。

この発明は複数の状況に対応して形成されたニューラル
ネットワークを選択することにより上記課題を解決した
情報処理装置を提供することを目的とする。

ｆｄ）課題を解決するための手段 この出願の請求項１の発明は、 同一の情報が人力される複数のニューラルネットワーク
と、 これら複数のニューラルネットワークのうち何れかＩの
出力を出力を選択する選択手段と、を設けたことを特徴
とする。

この出願の請求項２の発明は、 複数のニューラルネットワーク定義データと、ニューラ
ルネットワーク定義データが入力されることによりニュ
ーラルネットワークを形成するニューラルネットワーク
処理装置と、 このニューラルネットワーク処理装置に前記ニューラル
ネットワーク定義データのうちＩを入力するニューラル
ネットワーク選択装置と、を設けたことを特徴とする。

＋ｅ）発明の作用 この発明の情報処理装置では、処理対象の異なる状況に
対応できるよう複数のニューラルネットワークを備え、
状況に応じてそのうら１また＆；１複数を選択できるよ
うにした。

このため、この出願の請求項１の発明では、予め複数の
ニューラルネットワークを設けておき、そのうち何れか
を状況に応じて選択するようにした。また、この出願の
請求項２の発明では、ニューロン−シナプス構造を有す
る二１−ラルネ・ノドワーク処理装置にそれぞれの状況
に対応した出ノｊ関数にニューロン）や伝達関数（シナ
プス）からなるニューラルネットワーク定義データを設
定することにより状況に応じた情報処理ができるように
した。

このように複数のニューラルネットワークから適当なも
のを選択して情報処理ができるようにしたことにより、
処理すべき対象の属性・状況に最適なニューラルネット
ワークを選択して情報処理が可能になるとともに、それ
ぞれのニューラルネットワークに対しては単一の属性・
状況について学習させるのみでよいため学習時間が短縮
できる。またニューラルネットワークを情報処理装置と
分離して設けた（選択されなければ分離している。）こ
とにより、情報処理装置から切り離して素子として取り
出すことにより一度の学習で同一能力を有するニューラ
ルネットワークを多数構成することもできる。

（ｆｌ実施例 第１図はこの出願の請求項１の発明の実施例である自動
車のサスペンション設定システムのブロック図である。

このシステムは、左右の前後輪の懸架装置の適所に設け
られたセンサＳ１〜Ｓ４と、各懸架装置に設りられ、Δ
Ｐが入力されるバネ定数変更装置（図示せず）およびΔ
Ｄが入力されるダンパ定数変更装置（図示ゼず）とを有
している。センサＳ１〜Ｓ４は路面状況によって車輪が
受ける振動を検出する。

センサＳ１〜Ｓ４の検出値は４個のニューラルネットワ
ークＮＮＩ〜ＮＮ４すべてに入カバターンとして入力さ
れている。これらニューラルネソトワークＮＮＩ〜ＮＮ
４は切換装置２に接続されている。切換装置２にはニュ
ーラル不ソＩワーク決定装置３が接続されている。ニュ
ーラルネソＩワーク決定装置３は外部からの入力を受Ｄ
：ｌ　（−ｊの“ζ選択すべきニューラルネットワーク
を決定し、ＮＮ決定信号を切換装置２に出力する。切換
装置２は入力されたＮＮ信号決定信号に基づいてニュラ
ルネソトワークＮＮＩ〜ＮＮ４のうち一つを選択し、そ
のニブ、−ラルネソトワークの出力バタ・−ンをサスペ
ンション設定変更値として出力する。

ニューラルネットワークＮＮ’ｌ〜ＮＮ４は、それぞれ
異なる路面状況（たとえは乾燥した舗装道路、濡れた舗
装道路、砂利道等）において、路面からの振動に基つき
最適なハネ定数（Ｐ）、クンパ定数（Ｄ）を決定ずへく
学習された二ノ、−ラルネ・７トワークである。ずなわ
ら、路面状況や路１ｔｉｉの凹凸によってザスペンショ
ン設定を変更すれば安全に運転することができるように
なるか、路面状況によってサスベンジ・１ン設定条件が
全くことなるため同じニューラルネットワークで全ての
路面状況を学習させることばネットワーク構造を複雑化
するのみであり、学習時間も多く掛かるためそれぞれの
路面状況に合わせた独立のニューラルネットワークを構
成したものである。

各ニューラルネンＩ・ワークＮＮＩ〜ＮＮ４は入カバタ
ーン（センサＳ１〜Ｓ４の検出値）に基ツき、担当する
路面状況に最適のサスペンション設定変更値ΔＰ、ΔＤ
（ｒｆ：右側前輪、１ｆ：左側前輪、ｒｒ：右側後輪、
１ｒ：左側後輪）を出力する。

切換装置２ばこのうち１のニューラルネットワークの出
カバターンを選択して各車輪のハネ定数変更装置および
ダンパ定数変更装置に出力する。ＮＮ決定信号を出力す
るＮＮ決定装置３は運転席のコントロールパネルに設け
られた切換スイッチであり、運転者が路面状況を判断し
て対応するスイツチをオンするようにされている。

また、このＮＮ決定装置３は路面状況を検出するセンサ
を存し自動的にＮＮ決定信号を出力するものであっても
よい。

第２図〜第５図にこの出願の請求項２の発明の実施例を
示す。ごれらの実施例も自動車の・リースペンション設
定システムに適用されたものである。

第２図は高速マイクロコンピュータ５およびメモリ６か
ら構成されたサスペンション設定シスう一ムを示す。高
速のマイクロコンピュータ５はプ１．１グラムユニソ１
−としてネソトワークデーク設定り段７．ネットワーク
データ決定手段８およびニューラルネットワーク処理手
段９を有しており、それぞれのタイミングに必要なプロ
グラ口が動作する。このマイクロコンピュータ５に接続
されているメモリ６には複数のニューラルネットワーク
定義データＮＤＩ〜ＮＤ４が記憶されている。ネットワ
ークデータ設定手段７は路面状況に対応して適当なニュ
ーラルネットワーク定義データをメ＋ｂす６から読み込
む動作を行う。不ソＩ・ワークブタ決定手段８は読み込
むニューラルネットワーク定義データを決定する。この
決定は運転者のス・インチ操作や路面状況検出センナの
検出データに基づいて行われる。ニューシルネットτノ
ーク処理手段９ばセンサＳ１〜Ｓ４の検出値をニューラ
ルネットワーク定義データのニューロン出力関数７　シ
ナプス伝達関数で演算し、出カバターン（サスペンショ
ン設定変更値ΔＰ、ΔＤｌｒ）を得る。

この実施例では必要なニューラルネットワーク定義デー
タを読み出してマイクロコンピュータ５内でニューラル
ネットワーク処理を実行したことにより、装置の構成を
簡略化することができる。

ただし、処理サイクルを短くするためには高速度のＣＰ
Ｕを用いる必要がある。

そこで、ニューラルネットワークの判断基準（二上−ロ
ン出力関数やシナプス伝達関数）のみをニューラルネッ
トワーク定義データとしてメモリに記憶し、ニューラル
ネットワークの演嘗処理のみをハード化された素子で実
行し、ＣＰＵの負担を軽減して高速化を容易にした情報
処理装置が考えられる。以下このようにして構成された
サスペンション設定システムを示す。

第４図（ＡＬ　（Ｂ）は上記サスペンション設定システ
ムに用いられる光学的ニューラルネソトヮ−ク装置３９
，４．３を示す図である。同図（Ａ）はＸ軸方向のＬ　
ＥＤアレイ４０とＹ軸方向のＣＣＤアレイ４２を対向し
て配置し、レンズ等の光学的手段により全てのＬ　Ｅ　
Ｄの光か全てのＣＣＤに入光可能にしたものである。さ
らに各Ｌ　Ｅ　Ｄの各々のＣＣＤにへの光路−Ｆにｘｙ
力方向ＬＣＤマＩ・リックス４１を設けた。ＬＥＤアレ
イ４０の各Ｉ。

ＥＤを前段の複数のニューロンの出力に応じた光量で点
灯し、ＣＣＤアレイ４２の各要素を後段のニューロンの
入力部とし′ζ機能させる。Ｌ　ＣＤマトリックス４１
を各ニューロン間のシナプス結合に応じた濃度にするこ
とにより多数のニューロン間の結合を一括して処理する
ことができる。

また同図（Ｂ）ばＬＥＤアレイ４３ａ　　ＬＣＤマトリ
ックス４．３　ｂおよびＣＣＤアレイ４３Ｃを一枚のチ
ップ４３に積層したニューラルネソｌ−ワークチップで
ある。このように積層することにより小型のニューラル
ネットワーク演算素子を実現することができる。機能は
同図（Ａ）に示したものと同様であるが、Ｌ、　Ｅ　Ｄ
アレイ４３　ａ　　ＣＣＤアレイ４３ｃをそれぞれスト
ライプ状にしたことにより、光学的手段を用いることな
くＬＣＤマトリックス４３ｂを介して密着対向させるこ
とができ、１チツプ化が可能になった。

第３図は上記第４図に示すニューラルネットワーク装置
を用いたサスペンション設定システムのブロック図であ
る。ニューラルネットワーク定義データはフロッピィデ
ィスク１１に記憶されておりＣＰＵｌ０によって呼び出
される。ＣＰＵＩ　Ｏにはインターフェイス１２が接続
されており、このインターフェイス１２には、制御対象
（自動車の懸架装置）３０に設けられたセンサ３１．サ
スペンション設定装置３２および前記ニューラルネット
ワーク装置３９または４３を動作させるための入出力制
御装置１９〜２５が接続されている。

この装置のニューラルネットワークは３層の階層型ニュ
ーラルネットワークであり、ニューラルネットワーク装
置は２個（Ｌ　Ｅ　Ｄアレイ１３．ＬＣＤマトリックス
１４．ＣＣＤアレイ１５およびＬＥＤアレイ１６．ＬＣ
Ｄマトリックス１７．ＣＣＤアレイ１８）用いられてい
る。ＬＥＤトライバ１９．２２は入力された値にプ、−
ロン出力）に比例する光量で対応するＬＥＤを点灯させ
る。１、ＣＤコントローラ２０．２３は入力された値（
シナプス結合量）に比例する濃度に対応する＋１１１］
を制御する（結合が大きいほど色を薄くする。）。

演算回路２１．２４は各ＣＣＤ要素の受光量に基づいて
ニューロン出力を演算する。演券式口０ｒ）Ｕｌｏから
入力される。Ａ　／　Ｄ変換回路２５．２６はニューロ
ン出力をＣＰＵ処理できるようにディジタル値に変換し
てインターフェイス１２に出力する。

サスペンション設定変更量を演算するとき、この装置は
以下の動作を行う。

センサ３１の検出値が［、ＥＤトライバ１９に入力され
る。Ｌ　ＩＥ　Ｄドライバ１９はニュ−ラルネットワー
ク装置のＬ　１！、　Ｄアレイ１３を駆動する。ＬＥＤ
アレイ１３から出力された光は１．、　ＣＤ７１リソク
ス１４を透過してＣＣＤアレイ１５に入光する。ＬＣＤ
マトリックス１４はＬ　ＣＤコン１〜ローう２０によっ
て各排口ごとにシナプス結合量に対応した濃度に制御さ
れ、ＣＣＤアレイ１５の各要素の受光量はシナプス入力
値の総和（ΣＷ・Ｘ）となる。この値は演算回路２１に
読み出されて演算される。ＣＰＵｌ０から入力される演
算関数は闇値関数やシグモイド関数である。この出力値
は次段のＬＥＤドライバ２２に人力される。

ＬＥＤアレイ１６．ＬＣＤマトリックス１７ＣＣＤアレ
イ１８およびＬＥＤドライバ２２．ＬＣＤコントローラ
２３．演算回路２４．Ａ／Ｄ変換回路２６からなる次段
も同様の動作を行い、Ａ／Ｄ変換回路２６から入力され
た値がサスペンション設定変更量としてＣＰＵｌ０から
サスペンション設置装置３２に伝送される。

一方、この装置が特定の入カバターンに対応する期特出
カバターンの学習を行う場合には、ＬＥＤドライバ１９
に対してＣＰＵｌ０またはセンサ３１から入カバターン
が設定される。センサ３１が入カバターンが設定された
場合にはＣＰＵＩ　Ｏはインターフェイス１２を介して
このパターンを読み取って記憶している。Ｌ　ＣＤコン
Ｉ・ｌ：Ｉ−’）　２０，２３や演算回路２１．２４に
は適当な数値や関数が設定されており、各段の出カバタ
ーンＧ：１△／Ｄ変換回路２５．２６−インターフエイ
ス１２によってＣＰ　Ｕ　１０に入力されろ。ＣＰＵ１
Ｏはこの出カバターンと、マンーマシンインターソ、１
〜イス（図示用ず）から人力されたＩＵ］特出力バクー
ンとを比較してＬ　ＣＤコンｉ・ローラに設定するシナ
プス結合］（や出力関数を変更してゆく。

以上の実施例ではシナプス結合を光量で処理する光学的
なニューラルネッＩ・ワーク装置を用いたか、第５図に
示すような電子回路による装置も実現可能である。この
場合、シナプス結合の重め設定器としては、抵抗アレイ
を電子的に開閉してシリアル（またはパラレル）に接続
される抵抗器の数を可変する回路やＶ　ＣＡ　（Ｖｏｌ
　ｔａｇｅ　Ｃｏｎｔｒｏｌｅｄ　Ａｍｐｌｆ　１ｒｅ
ｒ）を用いることができる。また、ニューロン演算器と
しては、種々の演算回路を適用することが可能である。

（ｇ）発明の効果 以」二のようにこの発明の情報処理装置によれば異なる
処理対象やその属性に適合するニコ、−ラルネ・ノドワ
ークを複数設け、そのときの属性に応してそのうちのい
ずれかを選択することかできるため、つねに処理外１象
に適合した処理を行うことができる。

また、異なる処理対象等に対処するための学習もそれぞ
れ対応する二し−ラルネソトワーク毎に別個に行うこと
ができるため学習量を少なくすることができ、また並行
処理も可能である。

また各状況ごとに学習されたニューラルネ・ノドワーク
を一つの要素して取り出すことにより、度の学習で複数
の情報処理装置に同様に動作をさ−するごとができ装置
の量産にも寄与することができる。

【図面の簡単な説明】

第１図はこの出願の請求世１の発明の実施例である゛す
ソ、ペンション設定システムのプロ・ツク図である。 第２Ｍはこの出願の請求項２の発明の実施例あるザスペ
ンション設定システムのゾｎ’ｌ　・ツク図−（ある。 第３図ば「）；１記Ｍｆｆ求項２の発明の他の実施例で
ある勺スペンション設定システムのフロ・ノクレ１、第
４図（Ａ）、　（Ｂ）は同り゛スペンション設定−／ノ
、テムに用いられる光学的な二５．−ラル不・ノ）〜ワ
ーク装置を示す図である。 第５図は前記請求項２の発明のさらに他の実施例の情報
処理装置を示すフロ・ツク図１である。 ＮＮＩ〜ＮＮ４−ニューラルネソ１〜ワーク、２−切換
装置、 ３−ニューラル不ソＩ・ワーク決定装置、５−マイクじ
Ｉコンピュータ、６−メモリ、７−ネソＩ・ワークデー
タ設定手段、 ８−ネソ１ヘワークデータ決定手段、 ９−ニューラルネットワーク処理手段、３９、ｄ３−二
、Ｊ−−ラルイ・ノドワーク装置。

Claims (2)

【特許請求の範囲】
1. （１）同一の情報が入力される複数のニューラルネット
   ワークと、 これら複数のニューラルネットワークのうち何れか１の
   出力を出力を選択する選択手段と、を設けたことを特徴
   とする情報処理装置。
2. （２）複数のニューラルネットワーク定義データと、 ニューラルネットワーク定義データが入力されることに
   よりニューラルネットワークを形成するニューラルネッ
   トワーク処理装置と、 このニューラルネットワーク処理装置に前記ニューラル
   ネットワーク定義データのうち１を入力するニューラル
   ネットワーク選択装置と、 を設けたことを特徴とする情報処理装置。