JPH03218557A - ニューロコンピュータの前処理方式 - Google Patents
ニューロコンピュータの前処理方式Info
- Publication number
- JPH03218557A JPH03218557A JP1459090A JP1459090A JPH03218557A JP H03218557 A JPH03218557 A JP H03218557A JP 1459090 A JP1459090 A JP 1459090A JP 1459090 A JP1459090 A JP 1459090A JP H03218557 A JPH03218557 A JP H03218557A
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time series
- time
- learning
- neurocomputer
- 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.)
- Pending
Links
- 238000007781 pre-processing Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
[1!I要〕
時系列データをニューロコンピュータに入力する前処理
方式に関し、 時系列データを微分して直流成分による変動をなくした
後の時系列データをニューロコンピュータに入力し、学
習回数を少なくして認識率を向上させることを目的とし
、 時系列データを微分して直流成分を除去した後の時系列
データをニューロコンピュータの入力層に入力するよう
に構成する. E産業上の利用分野冫 本発明は、時系列データをニューロコンピュータに入力
する前処理方式に関するものである.ニューロコンピュ
ータにおいて、パターン認識などの場合に用いる空間的
なパターンデータだはでなく、センサーなどから常に入
力されている時系列データの認識を行うことが要求され
ている.この魔、時系列データをニューロコンピュータ
に入力するときに、適切な前処理を行ってL!識率を向
上および学習回数を減少させることが望まれている.〔
従来の技術と発明が解決しようとする課題〕従来、ニュ
ーロコンピュータを用いて時系列データを処理しようと
する場合、センサーなどで検出した時系列データをその
ままニューロコンビュ−タに入力し、学習および認識を
行っていた.このため、入力される時系列データの直流
成分が変動するような場合、学習の閣に直流成分の変動
に対応する位置ずれのある学習パターン(時系列データ
)を数多く用意しで学習させて認識させるようにしてい
た.このため、学習させる学習パターンの数が多くなり
過ぎてしまうと共に、充分な認識率を得難いという問題
があった. 本発明は、時系列データを微分して直流成分による変動
をなくした後の時系列データをニューロコンピュータに
入力し、学習回数を少なくして認識率を向上させること
を目的としている.〔課題を解決する手段〕 第1図を参照して課題を解決する手段を説明する. 第1図において、微分ユニット1は、時系列データを微
分して直流成分を除去するものである.ニューロコンピ
ュータ2は、微分した後の時系列データを入力層に入力
すると共に教師信号を出力層に入力して学習を行った後
、推論などを行うニューロコンピュータ(例えば3階層
のニューaコンピュータ)である. 〔作用〕 本発明は、第1v!iに示すように、微分ユニット1が
入力された時系列データを微分して直流成分を除去し、
この直流成分を除去した後の時系列データをニューロコ
ンピュータ2を構成する入力層に人力するようにしてい
る.そして、教師信号(学習データ)を出力層に併せて
人力して学習を繰り返し行った後、次時刻の事象の推論
を行ったりなどするようにしている. 従って、時系列データを微分して直流成分による変動を
なくした後の時系列データをニューロコンピュータに入
力することにより、学習回数を少なくして認識率を向上
させることが可能となる.〔実施例〕 次に、第1図から第3図を用いて本発明の1実施例の構
成および動作を順次詳細に説明する.第F図において、
時系列データは、時間の経通に伴い変化するデータであ
って、例えば高炉の各部について温度センサーによって
測定した時間に伴い変化する温度データである. 徽分ユニソ}Lは、時系列データを徽分して直流成分を
除去するものであって、大局的な時間平均によらない時
系列データに変換する処理を行うものである.ここで、
例えば第2図(イ)■、■の時系列データについて微分
して第2図(口)■、■の同じ時系列データにしている
ため、従来の第2図(イ)■、■をそのままニューロコ
ンピュータに入力していた場合に比し、前処理した第2
!11(口)■、■をニューロコンピュータに入力する
ことにより、直流成分の差(X,−xz )の違いによ
る学習を行う必要がなくなり、学習回数が少なくて済み
、効率よく学習を行って!!!識率を向上させることが
可能となる. ニューロコンピュータ2は、微分した後の時系列データ
を入力層に入力すると共に教wfJ信号を出力層に入力
していわゆるバンクプロパゲーション法によって現時点
に対応する事象の学習を行い、次の時刻における事象の
予測を行うなどの学習機能を持ったコンピュータである
. 次に、第21!Iおよび第3図を用いて第1図構成の動
作を詳細に説明する.第2図で横軸は時間tを表し、縦
軸は例えば高炉のある部分の温度Xを表す. (1) 第2図(イ)元の時系列データの■および■
の2つについて、第1図微分ユニット1によってそれぞ
れ微分すると、第2図(口)■、■の時系列データが得
られる.この場合には、直流成分のみが異なり、変化分
が同じであったのて、■、■は同じ時系列データとなる
.これら第2図(口)■、■の時系列データを第3図ニ
ューロコンピュータの入力層の各ノードにλ,..、λ
(11・・λ。.とじて入力する(与える).(2)第
3図に示すニューロコンピュータ50入力層の各ノード
にλ{.》、λ(1)・・・Jt*+トして上記(11
で与えると共に、出力層に教師信号として現時点に対応
する状況《例えば正常を表すデータ》を与え、そのとき
の誤差をもとにバ,クプロバゲーション法によって各層
間の重み付けなどの調整を行うことを雄り返す.そして
、これら一連の学習を行った後、現時刻から次の時刻に
おける状況の推論を行わせる. 以上のように、時系列データを微分して!E流成分を除
去した後の時系列データをニューロコンピュータ2に入
力することにより、直流成分の違いによる学四を行う必
要がなくなり、少ない学習回数で高い認識率を得ること
が可能となる.第2図は、本発明の動作説明図を示す.
第2図(イ)は、元の時系列データを示す.ta軸は時
間tを表し、縦軸は例えば温度Xを表す.この時系列デ
ータは、高炉のある部分の温度変化であって、■、■の
温度の直流成分の違いは例えば鋼材の違いによるもので
ある. 第2図(口)は、微分した後の時系列データを示す.こ
れは、第2図てイ)■、■の時系列データをそれぞれ微
分した時系列データである.この場合には、直流分のみ
が異なっていたため、微分して直流分を除去したことに
より、■、■の時系列データが同一となる.これにより
、学習パターン数が少なくなり、ニューロコンピュータ
の学習を効率的に行って認識率を向上させることができ
る. 第3図は、本発明に係るニューロコンピュータ構成例を
示す.これは、入力層、中間層、出力層の3層から構成
され、各層はOを用いて示す各ノ一ドを持っている.こ
こでは、入力層の各ノードに第2図(口)■、■の同一
の時系列データλ《●》・λ(1)・λ(1) ”
’λ<−》 を図示のように入力すると共に、出力層の
出力と教師信号との差である誤差信号をもとに、バンク
プロパゲーション法によって入力層と中間層、中間層と
出力層との間の重みWなどを111!シ、学習を行う.
ここでは、第2図(イ)元の時系列データの■、■を微
分して第2図(p)■、■の時系列データに前処理した
後、ニューロコンピュータ2に入力することにより、学
習回数を少な《して認識率を向上させることが可能とな
る.そして、学習を終了した後、現時刻から次時刻にお
ける推論(高炉の状況が正常/異常などの推論)を行う
ようにしている. 〔発明の効果〕 以上説明したように、本発明によれば、時系列データを
微分して直流成分による変動をなくした後の時系列デー
タをニューロコンピュータ2に入力する構成を採用して
いるため、学習同数を少なくして認識率を向上させるこ
とができる.
方式に関し、 時系列データを微分して直流成分による変動をなくした
後の時系列データをニューロコンピュータに入力し、学
習回数を少なくして認識率を向上させることを目的とし
、 時系列データを微分して直流成分を除去した後の時系列
データをニューロコンピュータの入力層に入力するよう
に構成する. E産業上の利用分野冫 本発明は、時系列データをニューロコンピュータに入力
する前処理方式に関するものである.ニューロコンピュ
ータにおいて、パターン認識などの場合に用いる空間的
なパターンデータだはでなく、センサーなどから常に入
力されている時系列データの認識を行うことが要求され
ている.この魔、時系列データをニューロコンピュータ
に入力するときに、適切な前処理を行ってL!識率を向
上および学習回数を減少させることが望まれている.〔
従来の技術と発明が解決しようとする課題〕従来、ニュ
ーロコンピュータを用いて時系列データを処理しようと
する場合、センサーなどで検出した時系列データをその
ままニューロコンビュ−タに入力し、学習および認識を
行っていた.このため、入力される時系列データの直流
成分が変動するような場合、学習の閣に直流成分の変動
に対応する位置ずれのある学習パターン(時系列データ
)を数多く用意しで学習させて認識させるようにしてい
た.このため、学習させる学習パターンの数が多くなり
過ぎてしまうと共に、充分な認識率を得難いという問題
があった. 本発明は、時系列データを微分して直流成分による変動
をなくした後の時系列データをニューロコンピュータに
入力し、学習回数を少なくして認識率を向上させること
を目的としている.〔課題を解決する手段〕 第1図を参照して課題を解決する手段を説明する. 第1図において、微分ユニット1は、時系列データを微
分して直流成分を除去するものである.ニューロコンピ
ュータ2は、微分した後の時系列データを入力層に入力
すると共に教師信号を出力層に入力して学習を行った後
、推論などを行うニューロコンピュータ(例えば3階層
のニューaコンピュータ)である. 〔作用〕 本発明は、第1v!iに示すように、微分ユニット1が
入力された時系列データを微分して直流成分を除去し、
この直流成分を除去した後の時系列データをニューロコ
ンピュータ2を構成する入力層に人力するようにしてい
る.そして、教師信号(学習データ)を出力層に併せて
人力して学習を繰り返し行った後、次時刻の事象の推論
を行ったりなどするようにしている. 従って、時系列データを微分して直流成分による変動を
なくした後の時系列データをニューロコンピュータに入
力することにより、学習回数を少なくして認識率を向上
させることが可能となる.〔実施例〕 次に、第1図から第3図を用いて本発明の1実施例の構
成および動作を順次詳細に説明する.第F図において、
時系列データは、時間の経通に伴い変化するデータであ
って、例えば高炉の各部について温度センサーによって
測定した時間に伴い変化する温度データである. 徽分ユニソ}Lは、時系列データを徽分して直流成分を
除去するものであって、大局的な時間平均によらない時
系列データに変換する処理を行うものである.ここで、
例えば第2図(イ)■、■の時系列データについて微分
して第2図(口)■、■の同じ時系列データにしている
ため、従来の第2図(イ)■、■をそのままニューロコ
ンピュータに入力していた場合に比し、前処理した第2
!11(口)■、■をニューロコンピュータに入力する
ことにより、直流成分の差(X,−xz )の違いによ
る学習を行う必要がなくなり、学習回数が少なくて済み
、効率よく学習を行って!!!識率を向上させることが
可能となる. ニューロコンピュータ2は、微分した後の時系列データ
を入力層に入力すると共に教wfJ信号を出力層に入力
していわゆるバンクプロパゲーション法によって現時点
に対応する事象の学習を行い、次の時刻における事象の
予測を行うなどの学習機能を持ったコンピュータである
. 次に、第21!Iおよび第3図を用いて第1図構成の動
作を詳細に説明する.第2図で横軸は時間tを表し、縦
軸は例えば高炉のある部分の温度Xを表す. (1) 第2図(イ)元の時系列データの■および■
の2つについて、第1図微分ユニット1によってそれぞ
れ微分すると、第2図(口)■、■の時系列データが得
られる.この場合には、直流成分のみが異なり、変化分
が同じであったのて、■、■は同じ時系列データとなる
.これら第2図(口)■、■の時系列データを第3図ニ
ューロコンピュータの入力層の各ノードにλ,..、λ
(11・・λ。.とじて入力する(与える).(2)第
3図に示すニューロコンピュータ50入力層の各ノード
にλ{.》、λ(1)・・・Jt*+トして上記(11
で与えると共に、出力層に教師信号として現時点に対応
する状況《例えば正常を表すデータ》を与え、そのとき
の誤差をもとにバ,クプロバゲーション法によって各層
間の重み付けなどの調整を行うことを雄り返す.そして
、これら一連の学習を行った後、現時刻から次の時刻に
おける状況の推論を行わせる. 以上のように、時系列データを微分して!E流成分を除
去した後の時系列データをニューロコンピュータ2に入
力することにより、直流成分の違いによる学四を行う必
要がなくなり、少ない学習回数で高い認識率を得ること
が可能となる.第2図は、本発明の動作説明図を示す.
第2図(イ)は、元の時系列データを示す.ta軸は時
間tを表し、縦軸は例えば温度Xを表す.この時系列デ
ータは、高炉のある部分の温度変化であって、■、■の
温度の直流成分の違いは例えば鋼材の違いによるもので
ある. 第2図(口)は、微分した後の時系列データを示す.こ
れは、第2図てイ)■、■の時系列データをそれぞれ微
分した時系列データである.この場合には、直流分のみ
が異なっていたため、微分して直流分を除去したことに
より、■、■の時系列データが同一となる.これにより
、学習パターン数が少なくなり、ニューロコンピュータ
の学習を効率的に行って認識率を向上させることができ
る. 第3図は、本発明に係るニューロコンピュータ構成例を
示す.これは、入力層、中間層、出力層の3層から構成
され、各層はOを用いて示す各ノ一ドを持っている.こ
こでは、入力層の各ノードに第2図(口)■、■の同一
の時系列データλ《●》・λ(1)・λ(1) ”
’λ<−》 を図示のように入力すると共に、出力層の
出力と教師信号との差である誤差信号をもとに、バンク
プロパゲーション法によって入力層と中間層、中間層と
出力層との間の重みWなどを111!シ、学習を行う.
ここでは、第2図(イ)元の時系列データの■、■を微
分して第2図(p)■、■の時系列データに前処理した
後、ニューロコンピュータ2に入力することにより、学
習回数を少な《して認識率を向上させることが可能とな
る.そして、学習を終了した後、現時刻から次時刻にお
ける推論(高炉の状況が正常/異常などの推論)を行う
ようにしている. 〔発明の効果〕 以上説明したように、本発明によれば、時系列データを
微分して直流成分による変動をなくした後の時系列デー
タをニューロコンピュータ2に入力する構成を採用して
いるため、学習同数を少なくして認識率を向上させるこ
とができる.
第1図は本発明の1実施例構成図、第2図は本発明の動
作説明図、第3図は本発明に係るニューロコンピュータ
構成例を示す. 図中、lu徽分ユニソト、2はニューロコンビエータを
表す.
作説明図、第3図は本発明に係るニューロコンピュータ
構成例を示す. 図中、lu徽分ユニソト、2はニューロコンビエータを
表す.
Claims (1)
- 【特許請求の範囲】 時系列データをニューロコンピュータに入力する前処理
方式において、 時系列データを微分して直流成分を除去した後の時系列
データをニューロコンピュータの入力層に入力するよう
に構成したことを特徴とするニューロコンピュータの前
処理方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1459090A JPH03218557A (ja) | 1990-01-24 | 1990-01-24 | ニューロコンピュータの前処理方式 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1459090A JPH03218557A (ja) | 1990-01-24 | 1990-01-24 | ニューロコンピュータの前処理方式 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH03218557A true JPH03218557A (ja) | 1991-09-26 |
Family
ID=11865387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1459090A Pending JPH03218557A (ja) | 1990-01-24 | 1990-01-24 | ニューロコンピュータの前処理方式 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH03218557A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005059249A1 (en) * | 2003-12-10 | 2005-06-30 | Basf Aktiengesellschaft | Filler-containing paper and a method for the production of filler-containing paper |
-
1990
- 1990-01-24 JP JP1459090A patent/JPH03218557A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005059249A1 (en) * | 2003-12-10 | 2005-06-30 | Basf Aktiengesellschaft | Filler-containing paper and a method for the production of filler-containing paper |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20050197983A1 (en) | Information processing apparatus and method, and recording medium | |
Dai et al. | A fast tube model predictive control scheme based on sliding mode control for underwater vehicle-manipulator system | |
JP2010123072A (ja) | パルスニューロンモデルのためのバックプロパゲーション学習法 | |
Balasubramaniam et al. | Delay-range dependent stability criteria for neural networks with Markovian jumping parameters | |
CN116088349A (zh) | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 | |
Russo | Evolutionary neural fuzzy systems for noise cancellation in image data | |
CN113200086A (zh) | 一种智能车转向控制系统及其控制方法 | |
JPS6231430A (ja) | 帰納推論装置 | |
JPH07282168A (ja) | カオスリカレント神経回路網とその学習方法 | |
JPH03218557A (ja) | ニューロコンピュータの前処理方式 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
JP2540654B2 (ja) | ニュ―ラルネットワ―クの学習装置 | |
KR20210035535A (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 | |
JPH0535710A (ja) | ニユーラルネツトワークの学習方法および学習装置 | |
JPH06243273A (ja) | ニューラルネットワークの学習方式 | |
JPH03218558A (ja) | ニューロコンピュータへの時系列データ入力方式 | |
JP2908553B2 (ja) | 免疫学的反応パターンの判定装置 | |
Alvarez et al. | Control of chemical processes using neural networks: implementation in a plant for xylose production | |
JPH04186402A (ja) | フアジイ推論における学習方式 | |
Sznaier et al. | An LMI approach to the identification and (in) validation of LPV systems | |
Zhang et al. | Robust Parameter Estimation for a Class of Nonlinear System With EM Algorithm | |
JP3292495B2 (ja) | ニューロ・ファジィ融合システム | |
Kyianovskyi et al. | Decision systems in the design of electrical machines | |
Saida et al. | Skill analysis in human tele-operation using dynamic image | |
JPH04139592A (ja) | ニューロコンピュータへの自動教示方式 |