JPH03219362A - 時系列データ処理方式 - 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】 〔概　要〕 ニューラルネットワークによる時系列データの処理に関
し、 変化に時間差のある複数種類の時系列データから所要の
出力を得るネットワークを、経済的に構成できる時系列
データ処理方式を目的とし、グローバルネットワークと
、ローカルネットワークと、バッファとを有し、該ロー
カルネットワークは、ニューラルネットワークであって
、所定の種類の時系列データごとに設けられ、当該時系
列データを入力として、所要の出力を生成するように設
定され、該バッファは、該ローカルネットワークごとに
対応し、当該ローカルネットワークの該出力について、
所定時間内の該出力から求める所定の関数値を保持し、
該グローバルネットワークは、ニューラルネットワーク
であって、該バッファの保持する該関数値を入力として
所要の出力を生成するように設定されているように構成
する。

〔産業上の利用分野〕

本発明は、ニューラルネ・ノドワークによる時系列デー
タの処理、特に変化に時間差のある複数種類の時系列デ
ータを処理する方式に関する。

〔従来の技術〕

公知のようにニューラルネットワークは、第５図に説明
的に示すように、入力層、中間層、出力層からなり、前
の層の全ノードの各出力を、各ノード入力ごとに定めら
れるある重みを乗じて次の層の通常は全ノードに入力し
、それら入力の合計を入力とする所定の関数の値を当ノ
ードの出力とするように構成する。中間層は２層以上の
場合もあり、出力層のノードは必要な出力の種類に応じ
て、２以上になってもよい。

各ノードの出力を定める前記の関数には、例えば、Ｘを
前記の入力合計値、ｅを自然対数の底として、ｆ　（ｘ
）・１／（１＋　ｅ−Ｘ）で表されるシグモイド関数が
用いられる。なお、図の入力層の第４ノード及び中間層
の第１ノードは何れも定数１．０を出力するノードで、
この出力に他のノード出力と同様に重みを乗じて闇値と
し、各ノード入力に必要なバイアスを与える。

このようなニューラルネットワークを使用する場合には
、所要の入力信号をニューラルネットワークの入力層の
入力端子に入力して、出力層の出力端子に必要な出力値
を得るように学習する必要がある。

このニューラルネットワークの学習は公知のように、入
力信号と、その入力からの所望の出力信号を示す教師信
号とをニューラルネットワークに与え、出力信号と教師
信号との差を縮小するように、各ノード間の前記の重み
を調整する処理であり、例えばパンクプロパゲーション
法等の所定のアルゴリズムにより、実際の出力信号と教
師信号との差に基いて重みを変更する動作を反復して両
信号間の差を漸次減少させる。

このようにして両信号間の差を所定値以内に収束させる
ことにより、入力信号の１パターンについての学習がで
きるので、一般に複数の必要な入力信号パターンと教師
信号との組合わせの群について、前記のような学習動作
を反復して、ニューラルネットワークを所要の状態に設
定する。

センサで観測される温度値等の時系列データを入力して
、観測値の時間的な変動に基づく所要の出力を得るよう
に、前記のようなニューラルネットワークを利用するこ
とができる。そのような時系列データが複数種類あり、
それらを総合した結果を得たい場合に、第４図に示すよ
うに各種時系列データごとにローカルなニューラルネッ
トワーク（ローカルネットワークとする）１−１〜１−
ｎ　と、それらローカルネットワーク１−１〜１−ｎの
出力を入力とするニューラルネットワーク（グローバル
ネットワークとする）２からなる、２以上の階層でニュ
ーラルネットワークを接続する、いわゆるマルチネット
ワーク構成が用いられる。

〔発明が解決しようとする課題〕

そのような多種の時系列データを扱う問題において、各
種時系列データの間で時間的変動に時間差を持つ場合が
しばしばあるが、そのような時間差をカバーするには、
前記のマルチネットワーク構成では、例えば各時系列デ
ータの期間を、時間差を包含する程度に十分長くする必
要があり、その結果各ローカルネットワークの規模が太
き（なり、それに従って学習時間も長大化する等の問題
があった。

本発明は、ニューラルネットワークによる時系列データ
の処理において、変化に時間差のある複数種類の時系列
データから所要の出力を得るネットワークを、経済的に
構成できる時系列データ処理方式を目的とする。

〔課題を解決するための手段〕

第１図は、本発明の構成を示すブロック図である。

図は時系列データ処理方式の構成であって、グローバル
ネットワーク３と、ローカルネ・ノドワーク１−１〜１
−ｎ　と、バッファ４−１〜４−ｎ　とを有し、ローカ
ルネットワーク１−１〜ｌ−ｎ　は、ニューラルネット
ワークであって、所定の種類の時系列データごとに設け
られ、当該時系列データを入力として、所要の出力を生
成するように設定され、バッファ４−１〜４−ｎは、ロ
ーカルネットワーク１−１〜１−ｎごとに対応し、当該
ローカルネットワークの該出力について、所定時間内の
該出力から求める所定の関数値を保持し、グローバルネ
ットワーク３は、ニューラルネットワークであって、バ
ッファ４−１〜４−ｎの保持する該関数値を入力として
所要の出力を生成するように設定されている。

〔作　用］ この処理方式により、バッファ４−１〜４−ｎにおいて
、接続するローカルネットワーク１−１〜１−ｎの一定
時間内の各出力について、所定の闇値を越えた出力の有
無、或いはその時間内の出力の最大値等を前記関数値と
して、グローバルネットワーク３の入力とすれば、各時
系列データの期間を越える時間範囲にわたる処理を行う
ことが可能になり、ふノドワークを拡大しないでも、時
系列データ間の変化の時間差をカバーすることが容易に
できるようになる。

〔実施例〕

第２図は本発明の実施例を示すブロック図である、１０
−１〜１０−〇はそれぞれ所要の場所に設置された、温
度、湿度、圧力等のセンサである。データバッファ１１
−１〜１１−ｎは、それぞれ１センサと接続して、当該
センサの出力する一定時間ごとの観測値を、所定の時間
にわたって記憶し、その観測値列からローカルネットワ
ーク１−１〜１−ｎの各入力とする時系列データを生成
する。時系列データは観測値そのま−で構成してもよい
が、必要に応じて適宜加工して後の処理を効率よく進め
られるような前処理をする。

ローカルネットワーク１−１〜１−ｎ　は、それぞれの
時系列データ入力に対して必要な出力をするように予め
学習しておく。

バッファ４−１〜４−ｎ　は、それぞれ対応するローカ
ルネットワーク１−１〜１−ｎの出力を受は取って、例
えば一定の時間内に一定の闇値を越える出力が有ったか
否かを１及び０で保持する。第３図は各バッファ４−１
〜４−ｎの一構成例であって、閾値レジスタ２０には、
それぞれ所要の閾値を設定しておき、比較回路２１でロ
ーカルネットワーク１−１〜１−ｎの出力のアナログ値
と、閾値レジスタ２０の内容とを比較し、ローカルネッ
トワークの出力値の方が大きい場合に１、大きくない場
合にＯを判定値レジスタ２２の左端ビットにセット、判
定値レジスタ２２を１ビツト右にシフトする。

判定値レジスタ２２は、所要の監視時間に応じたビット
長のレジスタとし、各ビットに各時間ごとの時系列デー
タによるローカルネットワークの出力に対応した判定値
を保持するようにする。この判定値レジスタ２２の全ピ
ントの値の論理和をバッファ４−１〜４−ｎの出力とす
れば、所要の時間内に闇値を越える出力が有ったか否か
を示す。

グローバルネットワーク３は、それらのバッファ４−１
〜４−ｎの出力を入力して、所要の出力を得るように学
習しておく。

〔発明の効果〕

以上の説明から明らかなように本発明によれば、ニュー
ラルネットワークによる時系列データの処理において、
変化に時間差のある複数種類の時系列データから所要の
出力を得るネットワークを経済的に構成できるという著
しい工業的効果がある。

【図面の簡単な説明】

第１図は本発明の構成を示すブロック図、第２図は本発
明の実施例を示すブロック図、第３図は本発明のバッフ
ァの構成例ブロック図、第４図はマルチネットワーク構
成を示す図、第５図はニューラルネットワークの説明図
である。 図において、 １−１〜１−ｎ　はローカルネットワーク、２．３はグ
ローバルネットワーク、 ４−１〜４−ｎはバッファ、　１０−１〜１０−ｎはセ
ンサ、１１−１〜１１−ｎはデータバッファ、２０は闇
値レジスタ、　　２１は比較回路、２２は判定値レジス
タを示す。

Claims (1)

1. 【特許請求の範囲】 グローバルネットワーク（３）と、ローカルネットワー
   ク（１−１〜）と、バッファ（４−１〜）とを有し、該
   ローカルネットワーク（１−１〜）は、ニューラルネッ
   トワークであって、所定の種類の時系列データごとに設
   けられ、当該時系列データを入力として、所要の出力を
   生成するように設定され、該バッファ（４−１〜）は、
   該ローカルネットワーク（１−１〜）ごとに対応し、当
   該ローカルネットワークの該出力について、所定時間内
   の該出力から求める所定の関数値を保持し、 該グローバルネットワーク（３）は、ニューラルネット
   ワークであって、該バッファ（４−１〜）の保持する該
   関数値を入力として所要の出力を生成するように設定さ
   れていることを特徴とする時系列データ処理方式。