JPH04155503A - ニューロ制御装置 - Google Patents

ニューロ制御装置

Info

Publication number
JPH04155503A
JPH04155503A JP2282072A JP28207290A JPH04155503A JP H04155503 A JPH04155503 A JP H04155503A JP 2282072 A JP2282072 A JP 2282072A JP 28207290 A JP28207290 A JP 28207290A JP H04155503 A JPH04155503 A JP H04155503A
Authority
JP
Japan
Prior art keywords
input
output
neural network
controlled object
value
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
Application number
JP2282072A
Other languages
English (en)
Inventor
Tadayuki Morishita
森下 賢幸
Yoichi Tamura
洋一 田村
Tatsuo Otsuki
達男 大槻
Takami Satonaka
里中 孝美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Holdings Corp
Original Assignee
Matsushita Electric Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Matsushita Electric Industrial Co Ltd filed Critical Matsushita Electric Industrial Co Ltd
Priority to JP2282072A priority Critical patent/JPH04155503A/ja
Publication of JPH04155503A publication Critical patent/JPH04155503A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Feedback Control In General (AREA)

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】 産業上の利用分野 本発明は、モータの制御、電圧の制御などの制御分野に
おいて、ニューフルネットワークを利用したニューロ制
御装置に関するものである。
従来の技術 従来、何らかの制御を行う場合、制御対象の入出力特性
を実際に測定して制御パラメータを計算し、制御対象に
見合った最適制御パラメータを各々調整していた。例え
ば、七−ターの位置決め制御の例でみると、従来の制御
装置は、PI−D制御が代表的な制御方式である。こΩ
場合、制御対象に適正なPID制御パラメータは、経験
的に決定する。これらのパラメータは、モーターの位置
(回転角度)、その速度(角速度)、その時刻までの変
化量の積分値であり、これらの値への依存度を多量の係
数で調整していた。この制御パラメータの値が的確なほ
ど制御対象は目標値からのずれ量が少なく、精度の良い
制御ができていた。
発明が解決しようとする課題 しかし、以上のような従来の技術においては、制御対象
の特性が明確であり、一定式で記述できる場合には理論
的に的確な制御パラメータの値が得られるが、制御対象
の内部関係が不明確な場合には、その一定式及びそれか
ら求められる制御パラメータは経験的に決定するしかな
かった。また、制御対象の特性が経時変化する場合、制
御パフメータを求める経時的に一定式をいくつも求めな
くてはならなくなシ、制御パラメータの調整が複雑で困
難になっていた。さらに、制御対象が変わると、またそ
の制御対象の制御パラメータを求め調整する作業を行な
わなくてはならなかった。
本発明では、制御対象の特性を定式化することなく、制
御対象の入出力特性をサンプリングしてその特性を学習
することにより、制御対象の出力を目標値にする制御信
号を自動発生するニューロ制御装置を提供する。
課題を解決するだめの手段 本発明は、制御対象の入出力特性を記憶する部位と、前
記記憶された入出力特性を用いて学習するニューラルネ
ットワークから構成され、入力に現在の制御対象の出力
値と、それから所定時刻後の制御対象出力の目標値を入
力することにより、出力から制御対象への制御信号を出
力するニューロ制御装置である。
作  用 この発明によれば、まず制御対象の入出力特性を測定し
てサンプリングした入出力データを用いて、ニューフル
ネットワークを学習させる。これにより、制御対象の目
標出力値を与えるだけで最適な制御信号を出力するニュ
ーフルネットワークが自己組織化されるので、制御対象
の入出力パラメータを制御対象ごとに最適化する必要が
ない。
すなわち、制御対象が変化してもその入出力特性をニュ
ーフルネットワークに学習させるだけで、最適制御を行
う制御装置が構成できる。
実施例 以下本発明の一実施例を図面に基づいて説明する。第1
図は、本発明の一実施例のニューロ制御装置の全体構成
図である。ここでは、一般に制御対象とされる抵抗、容
量、コイルで構成された電気回路に2いて、ニューロ制
御機構を組込んで、入力の電圧変化を制御し、出力電圧
のオーバーシュートを減少し、迅速に一定値に近づける
という課題を解決する。この様な課題は、モータの回転
全制御してロボットのアームの位置をオーバーシュート
なく目的地にすばやく到達させる場合などに見られ、そ
の適切な制御を可能にする。
第1図中の各符号に関し、1は入力電圧測定位置、2は
出力電圧測定位置、3はニューフルネットワーク、4は
出力電圧の目標値を蓄えるメモリを示し、このメモリで
等間隔の時刻の目標値をアドレスの順番に蓄えている。
6.6は学習用データを測定するためのメモリを示し、
これらは、あらかじめ設定した制御対象への入力電圧と
出力電圧を測定した結果の時間変化をアドレスの順番に
保持するメモリである。7はニューフルネットワークの
各シナプスの重みを保持するメモリを示し、8はニュー
ツルネットワークの学習を実行する回路(学習用演算器
)、9は時刻を発生するタイマー、10〜17は信号の
切シ替えスイッチを示すものである。18はこれらのシ
ーケjを制御する回路を示し、この回路でスイッチ10
〜17の切ル替え信号を発生し、メモリ4,8.6にア
ドレスを供給する。
本装置の動作を説明する前に、ニューフルネットワーク
について説明する。第2図は本発明の一実施例に用いる
ニューフルネットワークの構成図である。本ニューフル
ネットワークは、層内のニューロン間に相互に結合のな
い入力層、中間層。
出力層と呼ばれる3つの層で構成された階層型の構造を
もち、3人力1出力で構成されている。第2図において
、21.22.23は、入力層のニューロンであシ、2
4は出力層のニューロンであシ、26はシナプスを表す
。シナプスは、前段のニューロンの出力にニューロン間
の結合強度を示す重みを掛けて、次段のニューロンへ出
力する。
出力を受けた次段のニューロンは、自分に接続している
すべてのシナプスの出力を加算し、この総和をシグモイ
ド関数と呼ばれる非線形関数を用いて変換し出力する。
入力層の3個の入力用ニューロンは、制御対象の現在の
出力値を入力するニューロン21.現在からt時間後の
制御対象の目標出力値を入力するニューロン229時刻
を入力するニューロン23で形成されている。ニューロ
ン24からの出力は、制御対象への制御済み入力値(制
御舊号)となる。中間層ニューロンは第2図では4個と
なっているが、この個数は学習効率がよくなるような数
に選べばよい。
第1図に示すニューロ制御装置の動作は、制御対象の特
性を把握するための学習の段階と、学習した結果を使っ
て入力データから制御信号を計算し出力する実行の段階
の2穫類から構成されている。
まず、学習の段階について説明をする。
第1図の装置で、スイッチ12.15を閉じ、スイッチ
13,14,16,1γを開いて、予めメモリ6に設定
した電圧信号を一定時間間隔でディジタル−アナログ変
換し、制御対象に入力して、そこからの出力を測定し、
メモリ6に時刻の項番にディジタル値として保持してい
く。この様にして、各入力電圧信号に対する出力の経時
変化が得られる。
次に、この制御対象の特性データをもとにニューフルネ
ットワークに学習を行わせる。まず、第1図の装置で、
スイッチ13.14を開き、スイッチ16を閉じて、メ
モリ6にある時刻tに相当するアドレスの出力電圧を現
在値としてニューロン21に入力し、スイッチ16を閉
じ、スイッチ1γを開いてメモリ6の時刻t+Δtのア
ドレスの出力電圧を目標値としてニューロン2zに入力
する。学習前の初期状態では、シナプスの持つ重みの値
はランダムでニューラルネットワークの出力ニューロン
24から出力される制御対象への入力電圧は、時刻tに
制御対象へ入力した電圧と一致しない。学習用演算器8
において、メモリ5に蓄えた入力電圧データとニューラ
ルネットワークからの出力値を比較し、この差が小さく
なるようにシナプスの重みを変化させる。この操作を学
習と呼び、両方の値が一致するまで何度も以上の操作を
くり返し、計算したシナプスの重みは、逐次メモリ7に
記憶される。重みの変化量の決定は、バックプロパゲー
ションと呼ばれるアルゴリズムを用いて行う。この学習
アルゴリズムは、メモリ6に蓄えた入力電圧データとニ
ューラルネットワークからの出力値の差の二乗が零にな
るよう、つまり一致するよう操作する。ある特定の時刻
では、ニューフルネットワーク歯の入力は固定されてい
るので、差の二乗は、重みだけの関数g (wl。
w2.w3.・・・・・・Wn)である。ここで、添字
(1゜2、・・・・・・n)は、シナプスの番号を示す
。−たとえば、重みW・・・・・・W を固定させてW
、に対して2       n だけ変化させる場合を考える。第3図は、この場合の学
習アルゴリズムを説明する図である。関数qが第3図の
ように貰、K対してだけ変化する場合、点26での関数
qの勾配が負のときは、正の微小量ΔWだけW、を増加
させれば最小値点27に近づく。逆の場合には、Δ貰 
だけW、を減少させればよい。すなわち、Wlの変化量
は関数qの勾配に比例し、負の符号を掛けた量にすれば
よい。
これが、最急降下法としてよく知られている方法の基本
原理である。この原理を階層型のニューラルネットワー
クの場合について定式化したバックプロパゲーションの
アルゴリズムを用いてすべてのシナプスの重みWl、W
2・・・・−・Wnの変化量を計算することにより、木
ニューフルネットワークは学習を行う。この様な学習過
程において得られた重みデータを逐次メモリ7に蓄え、
この重みデータを掛けてニューフルネットワークの演算
を行い、出力信号を計算する。スイッチ10.11を開
いて、スイッチ12を閉じて、メモリ6に制御対象の特
性データとして保持されている入力電圧を学習用演算器
8に入力して、パックプロパゲーションによシ計算して
、メモリ7の内容を更新する。
この様な学習過程を終了したニューツルネットワークに
、制御対象からの時刻tの出力と、Δを時刻後の出力(
これを目標出力値と考える。)を入力すると、目標出力
値に到達するのに必要な制御対象の時刻tにおける入力
電圧を計算することができる。制御対象の入力電圧と出
力電圧の関係をシナプスの重みという量(Wl、W2.
・・・・・・w n)に換算してメモリ7に記憶しであ
る出力電圧を得るのに必要な入力電圧、すなわち入出力
関数の逆関数を求めることができる。これは、従来行わ
れていた制御対象に応じて制御パラメータを計算する操
作を、二二−フルネ7トヮークが自動的に行っているこ
とFC8当する。この様に、入出力特性を測定するだけ
で最適制御ができるので、特K、入出力関係の定式化が
困難な場合や、入出力特性が経時的に変化する場合に非
常に有効な方法となる。
次に、このニューロ制御装置が制御対象を制御する実行
の段階について説明する。
この場合、第1図の装置で、スイッチ10,11゜1:
a、15.16を開き、スイッチ12,14゜17を閉
じて、目盛シロに蓄えられた時刻を後の目標値を、ニュ
ーロン221C入方する。同時に、現在の制御対象から
の出力電圧をニューロン21に、時刻tをニューロン2
3に入力する。ニューフルネットワークは、メモリ7に
保持している学習によって得た重みを各ニューロンの出
力に掛けて、出力層のニューロンから信号を出力し、こ
の出力を制御対象へ入力する。一定時間間隔 を毎にこ
のステップを〈ル返して、制御対象の出力を時間的に目
標値に近づける制御が可能になる。
ニューフルネットワークへの入力は、実際には、学習し
たパターンよシむしろ、未知のパターンである可能性が
強い。ニューラルネ?)ワークはアナログ的な中間値を
持つことができるため、学習データの中間値の入力に対
しても、学習データから補間した値を信号として出力す
る。したがって、学習した入力以外の値を入力されて本
制御を容易に行うことができる。
以上の例では、制御対象の入出力がそれぞれ1個の例に
ついて説明したが、これらの入出力は1個に限らず複数
個の場合でも、ニューラルネットワづの入出力ニューロ
ンの数を増加させることにより同様に制御できる。
発明の効果 本発明によれば、逆関数を求めるニューフルネットワー
クに制御対象の入出力特性をサンプリングして入力し学
習を行うことにより、制御対象に対応した最適制御を容
易に5ji!現することができる。
【図面の簡単な説明】
第1図は本発明の実施例ニューロ制御装置の全体構成図
、第2図はニューフルネ7)ワークの構成図、第3図は
学習アルゴリズムの説明図である。 1・・・・・・制御対象への入力、2・・・・・・出力
電圧の時5111f化、3・・・・・・ニューフルネッ
トワーク、4・・・・・・出力電圧の目標値を保持する
メモリ、6・・・−・−学習時の入力電圧設定用メモリ
、6・・・・・・測定した出方電圧の保持用メモリ、7
・・山1み保持用メモリ、8・・・・・・学習用演算器
、e・・山・タイマー、10〜17・・・・・・信号線
切シ替え用スイッチ、18・・・・・・制御装置のシー
ケンス制御回路、21・・・・・・出力電圧の現在値入
力用ニューロン、22・・・・・・出力電圧の目標値入
力用ニューロン、23・・・・・・時刻入力用ニューロ
ン、24 ・・・制御対象への入力電圧出力用ニュ一ロ
ン、26・・・・・・シナプス、27・・・・・・最小
値。 代理人の氏名 弁理士 小鍜治  明 ほか1名4、 
 S、  6. 7−一−メ七ソ第1図 栓+1Fy%  幹JI6万 迫2図 中間1 43 図 牡の2乗: 3(Wt、Wz−Wx)

Claims (3)

    【特許請求の範囲】
  1. (1) 制御対象の入出力特性を記憶する部位と、記憶
    された入出力特性を用いて学習するニューラルネットワ
    ークから構成され、前記ニューラルネットワークからの
    出力値を前記制御対象の入力値に合致させるように応動
    する帰還ループをそなえたニューロ制御装置。
  2. (2) 請求項1記載のニューロ制御装置に、制御対象
    の現在の出力値と所定時刻後の前記制御対象の目標値と
    を入力することにより前記制御対象に入力する制御信号
    を自動発生するニューロ制御装置。
  3. (3) 請求項2記載のニューロ制御装置の入力に、時
    刻または定数を加えたニューロ制御装置。
JP2282072A 1990-10-19 1990-10-19 ニューロ制御装置 Pending JPH04155503A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2282072A JPH04155503A (ja) 1990-10-19 1990-10-19 ニューロ制御装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2282072A JPH04155503A (ja) 1990-10-19 1990-10-19 ニューロ制御装置

Publications (1)

Publication Number Publication Date
JPH04155503A true JPH04155503A (ja) 1992-05-28

Family

ID=17647767

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2282072A Pending JPH04155503A (ja) 1990-10-19 1990-10-19 ニューロ制御装置

Country Status (1)

Country Link
JP (1) JPH04155503A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0816207A (ja) * 1994-06-27 1996-01-19 Nec Corp 電子回路パッケージ調整方法および自動調整装置
JPH0895605A (ja) * 1994-09-21 1996-04-12 Nec Corp 高周波回路調整方法および装置
JP2005025719A (ja) * 2003-06-30 2005-01-27 Intel Corp 符号乗算処理を実行する方法及び装置
US9329862B2 (en) 2003-06-30 2016-05-03 Intel Corporation SIMD sign operation

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02201607A (ja) * 1989-01-31 1990-08-09 Fujitsu Ltd ニューラルネットワークを用た適応制御システム
JPH0325504A (ja) * 1989-06-22 1991-02-04 Toshiba Corp 制御系の状態評価装置
JPH04149702A (ja) * 1990-10-15 1992-05-22 Matsushita Electric Ind Co Ltd ニューロ制御装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02201607A (ja) * 1989-01-31 1990-08-09 Fujitsu Ltd ニューラルネットワークを用た適応制御システム
JPH0325504A (ja) * 1989-06-22 1991-02-04 Toshiba Corp 制御系の状態評価装置
JPH04149702A (ja) * 1990-10-15 1992-05-22 Matsushita Electric Ind Co Ltd ニューロ制御装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0816207A (ja) * 1994-06-27 1996-01-19 Nec Corp 電子回路パッケージ調整方法および自動調整装置
JPH0895605A (ja) * 1994-09-21 1996-04-12 Nec Corp 高周波回路調整方法および装置
JP2005025719A (ja) * 2003-06-30 2005-01-27 Intel Corp 符号乗算処理を実行する方法及び装置
US9329862B2 (en) 2003-06-30 2016-05-03 Intel Corporation SIMD sign operation
US9678753B2 (en) 2003-06-30 2017-06-13 Intel Corporation SIMD sign operation
US9858076B2 (en) 2003-06-30 2018-01-02 Intel Corporation SIMD sign operation
US10474466B2 (en) 2003-06-30 2019-11-12 Intel Corporation SIMD sign operation

Similar Documents

Publication Publication Date Title
Maeda et al. Learning rules for neuro-controller via simultaneous perturbation
Liu et al. Adaptive neural network based power system stabilizer design
JPH02138679A (ja) パターン連想記憶方法および装置
Dalton et al. Artificial neural networks
JPH05127706A (ja) ニユーラルネツト型シミユレータ
JPH04155503A (ja) ニューロ制御装置
Aghajanzadeh et al. An offline geometric model for controlling the shape of elastic linear objects
Abido et al. On-line identification of synchronous machines using radial basis function neural networks
Goldberg et al. Using a neural network to learn the dynamics of the CMU Direct-Drive Arm II
JPH04149702A (ja) ニューロ制御装置
Nawrocka et al. Neural network control for robot manipulator
Saad et al. Adaptive versus neural adaptive control: application to robotics
Brown et al. Design of a neural controller using reinforcement learning to control a rotational inverted pendulum
JP3040901B2 (ja) ニューラルネットワークによる制御方法および内蔵制御装置
Janusz et al. Self-learning neural control of a mobile robot
Morris et al. A neural network based adaptive robot controller
O’Brien Jr et al. Robust controller design for linear, time-varying systems
Riedmiller et al. Using neural reinforcement controllers in robotics
Brown et al. Artificial neural network identification of partially known dynamic nonlinear systems
Galvan et al. Two neural networks for solving the linear system identification problem
Hamavand et al. Trajectory control of robotic manipulators by using a feedback-error-learning neural network
JP2862308B2 (ja) コントローラの調整方法および調整システム
Hu et al. Real-time motion control of a nonholonomic mobile robot with unknown dynamics
Er Recent developments and futuristic trends in robot manipulator control
Maeda Real-time control and learning using neuro-controller via simultaneous perturbation for flexible arm system