JPH0454685A - 状熊学習装置及び状態推定装置 - 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】 〔産業上の利用分野〕 本発明は、ある状態と別の状態との相関関係の学習を行
う状態学習装置、及びある状態に基づいて別の状態の推
定を行う状態推定装置に関する。

〔従来技術］ ある状態Ａと別の状態Ｂとの間に何らかの相関関係があ
るとき、前記状ｍＡに基づいて状態Ｂを推定する方法と
して、以下に示すシステムが挙げられる。

一つは、前記状態Ａを入力データとし、前記状態Ｂを出
力データとするようなバンクプロパゲーション型のニュ
ーラルネットワークを用い、前記両者の対応関係を前記
ニューラルネットワークの連結重みを変更することによ
り学習させ、学習後のニューラルネットワークに新たな
状態Ａを入力し、その時の出力値を状態Ｂの推定値とす
るシステムである。

或いは、ツエボ　コホ・−ネン教授の提案による自己組
織化特徴マツピングアルゴリズムに基づくニューラルネ
ットワークを用いたシステムである。

これは前記ニューラルネットワークに前記状態Ａを入力
して学習させ、前記状態Ａに係るＮＸＮ個の典型パター
ンを作成すると共に、該作成された典型パターン毎に相
関のある状態Ｂを予め設定しておく、そして前記学習後
のニューラルネットワークに新たな状態量を入力し、そ
のとき概念上発火したニューロンに割付けられている状
態Ｂを推定価とするものである。

〔発明が解決しようとする課題〕

ところが、上記したようなバックプロパゲーション型の
ニューラルネットワークでは、設定入力された複数の状
態Ａが学習用入力データとして、該学習用入力データの
それぞれに対応する状態Ｂが教師データとしてそれぞれ
対で学習に供され、前記複数の状態Ａ全体に係るネット
ワークの最終的な連結重みが演算されるため、学習時に
用いた状態Ａに含まれないような状ｊｆｆｔＡ、即ち前
記ニュラルネットワークにとって未知の状態Ａが入力さ
れた時、状ＪＩＦｉＢに対する推定精度が悪くなり途方
もない推定を行う場合がある。

他方、上記したような推定精度の低下を回避するために
、学習時に入力される状態Ａの数を多く設定すると、当
該ニューラルネットワークはその信号伝播方向と反対に
遡るようにネットワークの重みを変更する逆伝播による
学習アルゴリズムが採用されているので、学習に要する
時間が膨大になって現実的でないといった問題がある。

特に、上記２つのタイプのニューラルネットワークを共
に適用する場合には、上記学習に要する時間が一層大き
な問題となる。

従って、本発明の第１の目的とするところは、学習用の
入力データが多い場合でも、バンクプロパゲーション型
及び自己＆［ｌ織化特徹マツピング型のニューラルネッ
トワークの学習に多大な時間を要することのない状態学
習装置を提供することにある。

他方、前記自己組織化特徴マツピング型のニューラルネ
ットワークでは、富亥ニューラルネットワークにとって
未知の状態Ａが入力された場合でも、前記いずれかの典
型パターンに特定され、該典型パターンに係る状態Ｂが
推定値とされるため、途方もない推定を行うことがない
。しかしながら、前記推定値はＮＸＮ＠類のものしか出
力されず、入力された状態Ａが学習時に用いられた状態
Ａに近似する中間的な状態であった場合には、前記バッ
クプロパゲーション型のニューラルネットワークを用い
たときと比べて推定精度が悪くなるといった問題があっ
た。

従って、本発明の第２の目的とするところは、バックプ
ロパゲーション型および自己組織化特徴マツピング型の
各ニューラルネットワークにそれぞれの利点を生かして
役割分担させることにより、状態の推定を精度良（行う
ことのできる状態推定装置を提供することにある。

交番こ、多くの学習用の入力データを用いてニューラル
ネットワークの学習を効率良く行い、この学習済のニュ
ーラルネットワークにより上記した如くの状態の推定を
行えば、当該状態の推定をより精度良く行うことができ
る。

そこで、本発明の第３の目的とするところは、多くの学
習用の入力データを用いて効率良く学習済の、バックプ
ロパゲーション型および自己組織化特徴マツピング型の
各ニューラルネットワークにそれぞれの利点を生かして
役割分担させることにより、状態の推定をより精度良く
行うことのできる状態推定装置を提供することにある。

〔課題を解決するための手段］ 上記第１の目的を達成するために、第１の発明が採用す
る主たる手段は、ある状態Ａと別の状態Ｂとの相関関係
の学習を行う状態学習装置において、前記状態Ａにかか
る一連のデータを構成する入力データ毎に演算重みを付
与し上記入力データと演算重みの積の和に関する関数を
出力すべく格子状に概念上配列された複数の第１情報処
理部と、予め設定された状態Ａの学習用の入力データを
前記複数の第１情報処理部に入力し演算することにより
特定された第１情報処理部及びその周辺番地の第１情報
処理部の演算重みを変更し前記第１情報処理部間に演算
重みの重軽の異なる環境を形成して前記学習用の入力デ
ータをこれに対応する第１情報処理部毎に状態Ａに対応
した適宜の状態に分類するデータ分類手段とを有する第
１のニューラルネットワークと、データの入力部、演算
部及び出力部を有する複数の第２情報処理部を具備し、
ある第２情報処理部の出力部と他の第２情報処理部の入
力部が前記出力部よりの出力情報に連結重みを付加して
前記入力部に伝達するための連結部を介して連結されて
なる第２のニューラルネットワークと、該第２のニュー
ラルネットワークに前記第１のニューラルネットワーク
により分類された学習用の入力データを入力し、その出
力データが前記分類された学習用の入力データに対応す
る状態Ｂに係るデータに近接若しくは一致するまで前記
連結重みを変えつつ学習して１．近接若しくは一致した
際の前記連結部の各々の連結重みを決定する第１重み決
定手段とを具備してなることを要旨とする状態学習装置
である。

又、上記第２の目的を達成するために、第２の発明が採
用する主たる手段は、ある状態Ａにかかる一連のデータ
に基づいて別の状態Ｂを推定する状態推定装置において
、データの入力部、演算部及び出力部を有する複数の第
３情報処理部を具備し、ある第３情報処理部の出力部と
他の第３情報処理部の入力部が前記出力部よりの出力情
報に連結重みを付加して前記入力部に伝達するための連
結部を介して連結されてなる第３のニューラルネットワ
ークと、該第３のニューラルネットワークに前記一連の
データを構成する学習用の入力データを入力し、その出
力データが予め設定された教師データに近接若しくは一
致するまで前記連結重みを変えつつ学習して、近接若し
くは一致した際の前記連結部の各々の連結重みを決定す
る第２重み決定手段と、前記入力データ毎に演算重みを
付与し上記入力データと演算重みの積の和に関する関数
を出力すべく格子状に概念上配列された複数の第４情報
処理部と、予め設定された状態Ａの学習用の入力データ
を前記複数の第４情報処理部に入力し演算することによ
り特定された第４情報処理部及びその周辺番地の第４情
報処理部の演算重みを変更し前記第４情報処理部間に演
算重みの重軽の異なる環境を形成して前記学習用の入力
データをこれに対応する第４情報処理部毎に状態Ａに対
応した適宜の状態に分類するデータ分類手段とを有する
第４のニューラルネットワークと、前記第３のニューラ
ルネットワークに、予め設定された内容の異なる複数の
前記状態Ａに係る学習用の入力データを入力し該学習用
の入力データのそれぞれに対応する前記状態Ｂに係る教
師データを参照しつつ得た前記連結部の各々の連結重み
を格納すると共に、前記第４のニューラルネットワーク
の、前記データ分類手段により分類された学習用の入力
データに対応する演算重み及び状態Ｂに係るデータを当
該第４情報処理部毎に格納するメモリ手段と、状Ｊ！！
ｉ准定時に、新たな状態Ａに係る入力データを前記第４
のニューラルネットワークに入力して上記入力データに
対応する第４情報処理部を上記メモリ手段に格納された
演算重みに基づいて特定し、当該入力データが上記メモ
リ手段に格納された演算重みに対応する学習用の入力デ
ータに近似しないと判断されたとき、上記特定された第
４情報処理部若しくはこれに最も近い上記メモリ手段に
格納された演算重みの第４情報処理部に分類された状態
Ｂに係るデータを出力し、前記入力データが上記メモリ
手段に格納された演算重みに対応する学習用の入力デー
タに近似すると判断されたとき、前記新たな状態Ａに係
る一連のデータを前記第３のニューラルネットワークに
入力し上記メモリ手段に格納された連結重みに基づいて
得られた出力データを前記状態Ｂとして出力する演算手
段とを具備してなることを要旨とする状態推定装置であ
る。

更に、上記第３の目的を達成するために、第３の発明が
採用する主たる手段は、ある状態Ａにかかる一連のデー
タに基づいて別の状態Ｂを推定する状態推定装置におい
て、前記一連のデータを構成する入力データ毎に演算重
みを付与し上記入力データと演算重みの積の和に関する
関数を出力すべく格子状に概念上配列された複数の第１
情報処理部と、予め設定された状Ｊ！！ｉＡの学習用の
入力データを前記複数の第１情報処理部に入力し演算す
ることにより特定された第１情報処理部及びその周辺番
地の第１情報処理部の演算重みを変更し前記第１情報処
理部間に演算重みの重軽の異なる環境を形成して前記学
習用の入力データをこれに対応する第１情報処理部毎に
状態Ａに対応した適宜の状態に分類するデータ分類手段
とを有する第１のニューラルネットワークと、データの
入力部演算部及び出力部を有する複数の第２情報処理部
を具備し、ある第２情報処理部の出力部と他の第２情報
処理部の入力部が前記出力部よりの出力情報に連結重み
を付加して前記入力部に伝達するための連結部を介して
連結されてなる第２のニューラルネットワークと、該第
２のニューラルネットワークに前記第１のニューラルネ
ットワークにより分類された学習用の入力データを入力
し、その出力データが前記分類された学習用の入力デー
タに対応する状態Ｂに係るデータに近接若しくは一致す
るまで前記連結重みを変えつつ学習して、近接若しくは
一致した際の前記連結部の各々の連結重みを決定する第
１重み決定手段と、前記第２のニューラルネットワーク
に、予め設定された内容の異なる複数の前記状態Ａに係
る学習用の入力データを入力し該学習用の入力データの
それぞれに対応する前記状態Ｂに係る教師データを参照
しつつ得た前記連結部の各々の連結重みを格納すると共
に、前記第１のニューラルネットワークの、前記データ
分類手段により分類された学習用の入力データに対応す
る演算重み及び状態Ｂに係るデータを当該第１情報処理
部毎に格納するメモリ手段と、状態推定時に、新たな状
態Ａに係る入力データを前記第１のニューラルネットワ
ークに入力して上記入力データに対応する第１情報処理
部を上記メモリ手段に格納された演算重みに基づいて特
定し、当該入力データが上記メモリ手段に格納された演
算重みに対応する上記学習用の入力データに近似しない
と判断されたとき、上記特定された第１情報処理部若し
くはこれに最も近い上記メモリ手段に格納された演算重
みの第１情報処理部に分類された状態Ｂに係るデータを
出力し、前記入力データが上記メモリ手段に格納された
演算重みに対応する学習用の入力データに近似すると判
断されたとき、前記新たな状態Ａに係る一連のデータを
前記第２のニューラルネットワークに入力し上記メモリ
手段に格納された連結重みに基づいて得られた出力デー
タを前記状態Ｂとして出力する演算手段とを具備してな
ることを要旨とする状態推定装置である。

〔作用〕

第１の発明によれば、学習ステップとして、先ず状態Ａ
に係る学習用の入力データが第１のニューラルネットワ
ークに入力される。そこで、第１のニューラルネットワ
ークでは、前記第１情報処理部間に演算重みの重軽の異
なる環境が形成され、前記学習用の入力データが前記第
１情報処理部毎に状態Ａに対応した適宜の状態に分類さ
れる。

そして、前記分類された状態Ａの入力データ及びそれに
対応する状態Ｂに係るデータは、それぞれ学習用の入力
データ及び教師データとして第２のニューラルネットワ
ークの学習に供される。そこで、該第２のニューラルネ
ットワークでは、前記分類された学習用の入力データ及
びこれらに対応する教師データに基づいて、第１連結重
み決定手段が各々の連結部の最終的な連結重みを決定し
、前記第１及び第２のニューラルネットワークの学習ス
テップが終了する。

このように、学習用の入力データは、まず第１のニュー
ラルネットワークの学習に供され、その際に特徴的に分
類されるので、例えば人手によっては特徴付けることが
困難で且つ多量の入力データであっても、適切に分類さ
れ得る０次いで、この適切に分類された入力データが、
代表的な学習用の入力データとして上記第２のニューラ
ルネ。

トワークの学習に供されるので、当該学習が効率化され
上記第１及び第２のニューラルネットワークの学習に要
する時間を、例えば短縮することができる。

又、第２の発明によれば、先ず状態Ａに係る学習用の入
力データが第３及び第４のニューラルネットワークにそ
れぞれ入力され前記各ニューラルネットワークの学習ス
テップに供される。

次に、推定ステップとして、新たな状態Ａの入力データ
が上記第４のニューラルネットワークに入力され上記入
力データに対応する第４情報処理部が特定される。そこ
で、当該入力データが前記学習用の入力データに近似し
ないと判断されたとき、上記特定された第４情報処理部
若しくはこれに最も近い第４情報処理部に予め分類され
ている状態Ｂに係るデータが出力され、前記新たな入力
データが学習用の入力データに近似すると判断されたと
き、前記新たな状態Ａの入力データを、学習用の入力デ
ータに近似する入力データに対して極めて推定精度のよ
い前記第３のニューラルネットワークに入力して得られ
た出力データが前記状態Ｂとして出力される。このよう
に、前記第３及び第４のニューラルネットワークがそれ
ぞれの利点を生かしつつ状態量の推定を行う上で役割分
担する。

更に、第３の発明によれば、上記第１の発明に係る学習
ステップが各々のニューラルネットワークの学習時に実
行され、上記第２の発明に係る推定ステップが実行され
る。そのため、第１及び第２のニューラルネットワーク
の学習の高速化を図ることが可能で、多量の学習用の入
力データを実際的に当該学習に供することができる。そ
して、上記学習済のニューラルネットワークを役割分割
させて用いることにより、状態の推定をより精度良く行
うことができる。

〔実施例〕

以下、添付した図面を参照しつつ、本発明を具体化した
実施例につき説明し、本発明の理解に供する。ここに第
１図は本発明の一実施例に係る高炉熱損失量推定装置を
示すブロック構成図、第２図は同高炉熱損失量推定装置
が具備するバックプロパゲーション型のニューラルネッ
トワークを示すＷ念図、第３図は同ニューラルネットワ
ークを構成するニューロンと連結部を示す概念図、第４
図は前記高炉熱損失量推定装置が具備する自己組織化特
徴マツピング型のニューラルネットソークを示す概念図
、第５図は第４図のニューラルネットソークを構成する
ニューロンを示す概念図、第６図は同ニューラルネット
ワークのニューロンの配置状態及び゛°泡゛の範囲の時
間的変化を示す概念図、第７図は第４図のニューラルネ
ットワークの発火した特定ニューロンからの距離とニュ
ーロン出力の活性度との関係を示すグラフ、第８図は第
２図のニューラルネットワークを構成する中間層のノー
ドにニューロン）の個数が４個の場合の学習時における
演算の収束に要した学習回数を示すグラフ、第９図は前
記中間層のノードの個数が４個の場合の学習時における
熱損失量の推定値と実ｋＩｉ値の相関関係を示すグラフ
、第１Ｏ図は前記中間層のノードの個数が４個の場合の
実運転の評価時における熱損失量の推定値と実績値の相
関関係を示すグラフ、第１１図は分類された炉壁温度分
布データを各ニューロンの配置毎に概念的に示す７２１
図、第１２図は発火したニューロンに分類された全ての
炉壁温度分布データに対応する放散熱量の平均値を当該
ニューロンの配置毎に割付けた状態を示す割付はマツプ
図、第１３図は学習済みの第４図のニューラルネットワ
ークに学習用の炉壁温度分布データを入力した場合の熱
を員失量の実績値と推定値との関係を示すグラフ、第１
４図は学習済みの第４図のニューラルネットワークに前
記学習用の炉壁温度分布データと異なるテスト用の炉壁
温度分布データを入力した時の熱損失量の実Ｍｉ値と推
定値との関係を示すグラフ、第１５図は前記高炉熱ｔｌ
失量推定装置による熱損失量のｔｔｐ定手順を示すフロ
ーチャートである。

尚、以下の実施例は、本発明の具体的−例に過ぎず、本
発明の技術的範囲を限定する性格のものではない。

本実施例に係る高炉熱損失量推定装置１は、第１図に示
すように、バックプロパゲーションアルゴリズムに基づ
いて温度分布のパターン認識を行うニューラルネットワ
ーク２（第２若しくは第３のニューラルネットワーク）
と、自己組織化特徴マンピングアルゴリズムを用いてパ
ターン認識を行う、所謂コホーネン型のニューラルネッ
トワーク２つ　（第１若しくは第４のニューラルネンｌ
−’ノーク〕と、前記学習済みのニューラルネットソー
ク２に、実測された炉壁温度分布データを入ツノして得
た出力データｙ（第２図）を熱１員失量推定値として出
力したり、或いは前記ニューラルネットワーク２．のニ
ューロン５．（第４図）毎に分類された複数の炉壁温度
分布データに対応する炉体からの放散熱量の平均値を当
該ニューＬ】ン５．に割付け、推定実行時に新たな炉壁
温度分布データが前記ニューラルネットワーク２．に入
力された時、概念上発火したニューロン５．若しくはこ
れに最も近いニューロン５ｍの放散熱量の平均値をその
時の高炉１０の熱損失量として推定する演算制御部４と
、学習時に設定された内容の異なる複数の炉壁温度の学
習用入力データと該学習用入力データのそれぞれに対応
する高炉ＩＯの熱損失量の教師データとを参照しつつ得
たニューラルネットソーク２の連結部（後述）の各々の
連結重みを格納すると共に、学習時に分類された炉壁温
度分布データ及び該炉壁温度分布データに対応するニュ
ーラルネットワーク２．のシナプス荷重（演算重み）及
び放散熱量の平均値をニューロン５．毎に格納するメモ
リ３と、温度センサ１１からの炉壁温度分布データを入
力すると共に推定された熱損失量データを高炉ｌＯに向
けて出力するための入出力ポート１２とから構成されて
いる。

前記ニューラルネットワーク２は、第２図に示すように
、前記温度センサ１１からの６５点の炉壁温度データと
オフセット入力１点の合計６６点の入力データＸ、、Ｘ
、、・・・＋Ｘ６６を入力するように、６６個のニュー
ロン５（第２若しくは第３情報処理部）からなる入力層
と、複数のニューロン５よりなる中間層と、１個のニュ
ーロン５からなり出力データｙを出力する出力層とより
構成され、それぞれの眉間が連結部６により連結されて
いる。

そして、前記ニューロン５は、第３図に示すように、デ
ータ信号を伝達すると共に該データ信号に対し重み付は
処理を行う連結部６に接続され、該データ伝達方向（第
２図の矢印Ｆ）上流側の層のニューロン５の連結部６か
らの入力データを入力する入力部７と、該入力部７に入
力された重み付は後のそれぞれの入力データを総和して
得られた総和値に闇値処理を施し当該総和値がニューロ
ン５毎に予め設定された闇値を越えた時に概念上発火（
出力）するようにした演算部８と、該演算部８が発火し
た時にデータ伝達方向下流側の層のニューロン５にデー
タ信号を出力する出力部９とからなっている。

そして、このニューラルネットワーク２は、予め学習ス
テップが実行され、前記バックプロパゲーションアルゴ
リズム（逆伝播法）に基づいて学習用入力データと該学
習用入力データに対応する教師データ（放散熱量）から
、学習時に前記連結部６の連結重みの学習を順次行い、
全ての学習用入力データ及び該学習用入力データに対応
する教師データを用いた学習によって、最終的な連結重
みを決定し、前記メモリ３にその時の連結重みを格納す
る。即ち、上記した如くの炉壁温度分布データと熱を員
失量との対応関係に係る情報は、上記各連結部６の最終
的な連結重みの中にＩ！を立上分散して格納されている
ことになる。尚、前記連結重みの学習は、前記データ伝
達方向の上流側に向けて層毎に順次遡り逆伝播して行わ
れる。例えば、前記入力信号×１〜Ｌ＆を前記高炉熱損
失量推定装置ｌｌに入力し、出力データｙを演算する。

この時、前記出力データｙが予め設定された教師データ
に近接若しくは一層するまで前記重みを変えつつ学習（
演算）して、近接若しくは一層した際の前記連結部６に
付与された重みを連結重みとして採用する。即ち、前記
演算制御部４と前記演算部８とにより連結重みが決定さ
れるまでの機能を実現するのが第２重心決定手段である
。尚、上記全ての連結部６に決定された連結重みは、次
の学習用の入力データが入力される時上記連結部６に付
与された連結重みの学習時の初期値として用いられる。

引き続き、上記したコホーネン型のニューラルネットワ
ーク２．の概要につき説明する。

ツエボ・コホーネン教授により提案されたニューロン５
．（第１若しくは第４情報処理部）は、第５図にそのモ
デルを示すように、炉壁温度分布データを構成する個々
の入力に対応する荷重ベクトルＷ、、、を具備している
。当該ニューロン５１の出力の活性度０□は、次の（１
）式に示すように、前記荷重ベクトルＷ、、、と入力ベ
クトルＸｊ　との内積の和から得られる。

０、＝Ｌ／（１＋ｅ−”）　　・・・ａ）但し、１．−
ΣＸ、Ｗ、、。

更に、上記したニューロン５ユを連結したニューラルネ
ットワーク２ａの概念的な基本構造を第４図に示す、前
記ニューラルネットワーク２１は、炉壁温度分布データ
等を構成する６５個の入力信号Ｘ１．・・・＋Ｘ４Ｓの
一つ一つが１００個のニューロン５．と個別に連結され
、それぞれのニューロン５．の出力信号０１．・・・、
ｏｌ。。がら入力側に向けてフィードバック信号Ｆ１．
・・・＋ＦＩ。。を帰還させるフィードバック結合が形
成されている。

該フィードバック結合は、第７図に示すように、当該ニ
ューラルネットワーク２．に前記入力信号Ｘ１．・・・
、Ｘ＆Ｓが入力された時あるニューロン５、が発火して
特定されその活性度０□が増大すると、前記特定のニュ
ーロン５ｓに近接するニューロン５ａの活性度を引きず
って増大させる機能を具備している。このように、ある
特定のニューロン５ｓが活性化された時に、該特定のニ
ューロン５．の周囲に引きずられてできる比較的活性度
の高いニューロン５ａは、まとめて”泡“　（図中添字
付きのＢで示す位置に該当するニューロン５゜を呼ぶ）
と称される。尚、同図において、上記泡の外側のニュー
ロン５１１の活性度は一旦下がった後平衡状態に至って
いる。それにより、上記特定のニューロン５１を一層特
徴付けるように構成されている。ただし、これに限らず
、上記泡の状態から直接平衡状態に移行させてもよい。

前記ニューラルネットワーク２．は、ニューロン５１の
それぞれのシナプス荷重Ｗｉ、、（荷重ベクトル）を、
炉壁温度分布データが入力される毎に演算し、前記ニュ
ーラルネットワーク２３の学Ｍを予め行っておく必要が
ある。そこで、前記シナプス荷重Ｗ、１．の学習は次の
（２）式で行われる。

化している。即ちｇ（Ｏ□）を（０，ａｌとして、前記
シナプス荷重Ｗ０．．の学習が簡単化されている。即ち
、次の（３）式及び（４）弐を用いて、０＝＝１．ｇ（
○１）＝ａ（泡の範囲の内側）のとき、 但し、ａ−学習係数であって、ａｇｏである。

ここで、右辺第１項は入力とニューロン５ａの出力の活
性度の積に比例して前記シナプス荷重Ｗ　ｉ　、ｊを変
化させる衆知のヘブＨ１ｅｂｂ）の法則に従う項である
。また、右辺第２項は前記第１項のみであれば増加する
一方となるシナプス荷重Ｗ　ｔ　、Ｊを抑制するための
項である。

更に、前記ニューロン５ａは、第６図に示すように、１
列ｍ行の２次元格子に概念上配置されている。そして、
実際の学習時には、（２）式について、出力の活性度Ｏ
８を活性化するかしないか、即ち、０□を［０，１１と
し、更に、前記抑制項を簡略ｏ、＝Ｉ、　　ｇ　（０＝
　）　＝０　（泡の範囲の外側）のとき、 ｔ により前記シナプス荷重ＷＬ、、の学習を行う。

ここで上記した学習係数ａ及び泡の範囲の大きさは前記
学習を収束させるために、学習回数につれて縮小される
。即ち、前記学習係数ａ及び泡の範囲の大きさは時間の
関数として設定されている。

第６図では学習初期の泡の範囲Ｂ、が学習中期の泡の範
囲Ｂ、から学習終期の泡の範囲Ｂ、へと、この時発火し
た特定のニューロン５．に向けて次第に狭まって行く様
子を概念的に示す。それにより、前記シナプス荷重Ｗ、
２．は近隣のニューロン５ａのものと類偵していき、前
記シナプス荷重Ｗ、、、の値はニューロン５ａ間で滑ら
かに変化するように型針の異なる環境が形成される。更
に、入力ベクトルＸ、よりなるベクトルパターンが有限
個のニューロン５ａと対応関係を持つことになるため、
Ｘ、という多次元ベクトルを量子化することができる。

そこで、上記のような概要のニューラルネットワーク２
．２．を高炉１０に適用した例につき以下説明する。

温度センサ１１から採取した炉壁温度は、同一炉高につ
き４方位若しくは８方位の測定点で炉高の異なる９箇所
及び最下部１測定点の合計６５点のセンサ出力が入力信
号として前記ニューラルネットワーク２又は２．に入力
される。

これらのニューラルネットワーク２，２．は予め学習ス
テップが実行される。該学習ステップに先立って、前記
炉壁温度分布データＰ及び該炉壁温度分布データＰに対
応する放散熱量は次式を用いて正規化されている。

炉壁温度分布データＰ−炉壁温度／２００．０放散熱量
データ＝（放散熱１−１００）　／２００．０該学習用
の炉壁温度分布データＰは１年間の奇数月の日平均デー
タを用いた。

まず、上記したニューラルネットワーク２を単独に用い
た場合の学習結果につき説明する。

本実施例装置のニューラルネットワーク２において、中
間層のノード数にニューロン５の数）の最適値を求める
ために、学習時において、２．３４．５．１０，１５．
２０のノード数が設定され、各ノード数毎に学習計算が
実行された。この時、学習用データに係る学習係数を４
．０とし、慣性項係数を０．９とした。前記学習計算に
よる中間層ノード個数毎の学習回数と誤差ノルマ（最大
誤差）との関係を第８図に示す。それによれば、学習が
ある程度進むと、前記誤差はグラフ上で振動を始める。

そこで、振動直前まで学習が行われるように、打ち切り
誤差を設定した。前記設定された打ち切り誤差を次の表
１に示す。

また、第９図は学習済のニューラルネットワーク２に学
習用入力データを入力して得た熱損失量の推定値と、そ
の時教師データとして参照された放散熱量（熱損失量）
の実績値との相関関係を、“学習時°”として示すグラ
フ、第１θ図は学習済のニューラルネットワーク２に当
該学習に用いた学習用入力データと異なる入力データを
入力して得た熱損失量の推定値と、その入力データによ
る損失量の実績値との相関関係を“評価時°°として示
すグラフである。尚、上記した第９図及び第１０図にお
いて、図中のγは相関係数を示す。又各図に用いられた
推定値と実績値との誤差の分散値を推定誤差分散として
上記した表１に示す、この時、学習回数に３３３５５回
を要し、学習時間（３２ビ、　トｃｐｕ使用時）には、
１０．０５時間を要した。

その結果、前記中間層のノード数が４個に設定された時
、前記ニューラルネットワーク２の結合状態が最適にな
ることが判明した。又、前記ニューラルネットワーク２
では、学習用入力データと大きく異なる、いわゆる未知
の入力データＵ（第１Ｏ図）を用いた場合には推定精度
が悪くなった。

次に、前記ニューラルネットワーク２ａの学習ステップ
概要につき詳述する。

先ず、前記ニューラルネットワーク２ａの各ニューロン
５．のシナプス荷重Ｗ、、１の初期値が設定される。こ
の時、前記炉壁温度分布データＰとして乱数が用いられ
、前記シナプス荷重Ｗ、９゜の値が適当に分散されるよ
うになしている。

続いて、前記ニューラルネットワーク２．に学習用の炉
壁温度分布データＰが入力される。該学習用の炉壁温度
分布データＰは先に述べたニューラルネットワーク２の
学習時と同じ１年間の奇数月の日平均データを用いた。

そして、ある学習用の炉壁温度分布データＰが入力され
た時、前記泡の中心となるニューロン５ｓが特定される
。そこで、前記炉壁温度分布データＰは正規化されてい
るので、前記各ニューロン５゜についての前記炉壁温度
分布データＰとシナプス荷重Ｗ、、、の各ベクトル間の
距離り、は、次の（５）式を用いて前記１００個のニュ
ーロン５．毎に演算される。

前記（５）式において、前記路＠Ｄ、が最小となるニュ
ーロンが前記泡の中心となるニューロン゛５゜である。

引き続き、前記特定のニューロン５ｓ、及びその周辺の
ニューロン５．のシナプス荷重ｗ、　、　Ｊが次の（６
）式により修正される。

Ｗ、　、　ノ　　（ｔ　　＋　１）　　＝Ｗ＝　　、　
　＋　　　（ｔ）＋ａ　（ｔ）（Ｘ＋　　（ｔ）−Ｗ、
、Ｊ　　（ｔ））・・・（６） ここで、ａ（【）は、上記したように経験的に定められ
る値で、０〜ｌの値をとる。更に、前記ａ（【）は時間
ｔの経過に伴って減少するように設定されている。同様
に、上記したような学習時間経過に伴って泡の範囲もＢ
、、Ｂ２．Ｂ、の様に次第に縮小され、その時特定され
たニューロン５、に当該炉壁温度分布データＰが特徴付
けられて分類される。

以上のような学習ステップは、前記学習用の全ての炉壁
温度分布データＰに対して教師データを必要とすること
なく実行され、それぞれの炉壁温度分布データＰは、発
火したいずれかのニューロン５ａに分類される。即ち、
前記フィードバック結合による学習用の炉壁温度分布デ
ータＰをこれに対応するニューロン５１に分類する機能
を実現するのがデータ分類手段である。

この場合、発火しなかったニューロン５ａには学習用の
炉壁温度分布データＰは分類されないが、当該ニューロ
ン５ａは近隣の発火したニューロン５ヮの泡としての影
響受け、そのシナプス荷重Ｗ　ｉ　＋　ｊがメモリ３に
記憶される。これを用いて当該発火しなかったニューロ
ン５．のシナプス荷ｇｗ、、、が演算される。そのため
、当該ニューロン５ａは上記発火したニューロン５．に
近いもの程、当該シナプス荷重Ｗ４．．が上記発火した
ニューロン５．のものに近似することになる。

そして、■若しくは複数の炉壁温度分布データＰが分類
されたニューロン５ａ及び上記炉壁温度分布データが分
類されなかったニューロン５ａのいずれにも、学習時に
上記（５）式及び（６）式により求められたシナプス荷
重ｗｉ、、のヘクトルパターンとして第１１図に示す如
くの炉壁温度パターンＴを得ることができる。該炉壁温
度パターンＴは、第１Ｉ図のパターンマツプＭに示すよ
うに、例えば図中９行０列目のニューロン５ａに対応す
る炉壁温度パターンＴを例に挙げると、高炉ｌＯの東方
位ｅ、西方位Ｗ、南方位Ｓ、北方位ｎの４方位における
炉壁温度パターンＴとして分類されている。

ここで、前記炉壁温度パターンＴは、縦軸が高炉１０の
高さを、横軸が温度を示す概念図であって、実際にはメ
モリ３に格納されたシナプス荷重Ｗ。

から導き出される。上記炉壁温度パターンＴは、例えば
図外のＣＲＴに第１１図に示す如く表示することができ
る。

このように、前記ニューラルネットワーク２ａによって
、６５次元のヘクトルパターンを１００個のニューロン
５１にマンピングすることができる。

上記したニューラルネットワーク２．ｌを単独に用いた
場合において、例えば３２ビツトの処理能力を用いて前
記学習に要した時間は約１時間であって、その学習回数
は２０００回であった。

そして、ある複数組の学習用の炉壁温度分布データＰを
入力して、あるニューロン５．が活性化した時、前記炉
壁温度分布データＰに対応する放散熱量の平均値は、演
算制御部４により当該ニューロン５ａに割付けられ、メ
モリ３に格納される。

このように、前記放散熱量の平均値が各ニューロン５ａ
に対応して割付けられてなる割付はマツプＡの一例を第
１２図に示す。第１２図に示したマツプ八において、（
−）は、前記学習用の炉壁温度分布データＰによっては
当該行列位置のニューロン５ａが活性化しなかったこと
を示している。この割付はマツプＡによれば、大きな放
散熱量の集まりＳｌ及び小さな放散熱量の集まりＳ２が
１０行行ＩＯ列のニューラルネットワーク２ａ上で顕著
に分類されている。

即ち、ニューラルネットワーク２．の学習時において、
新たに入力された学習用の炉壁温度分布データＰがそれ
以前に入力された学習用の炉壁温度分布データＰと比べ
て近似するかどうかが、先述した（５）式を用いて評価
される。そこで、上記それぞれの炉壁温度分布データＰ
が近似していると判断された場合には、上記新たに入力
された学習用の炉壁温度分布データＰは、上記それ以前
に入力された学習用の炉壁温度分布データＰが分類され
たニューロン５１の近傍のニューロン５．に（６）式に
よって分類される。逆に上記そ、れぞれの炉壁温度分布
データＰが近似しないと判断された場合には、前記新た
に入力された学習用の炉壁温度分布データＰは前記それ
以前に入力された学習用の炉壁温度分布データＰが分類
されたニューロン５ｍから離れたニューロン５．に分類
される。これによって、上記したようにして得た炉壁温
度パターンＴと放散熱Ｉｔ（熱損失量）との間に深い関
係があることを確認することができた。

上記したような学習済みのニューラルネットワーク２ａ
に新たな炉壁温度分布データＰを入力すると、該炉壁温
度分布データＰに最も近い値（距１１１Ｄｉが最小）の
学習済のシナプス荷重Ｗ４．。

を具備するニューロン５ａが発火する。このニュロン５
ａが、例えば先述した９行０列目のニューロン５１であ
れば、当工亥ニューロン５．に対応して割付けられた放
散熱量の平均値（＝１７１．３）が前記演算制御部４（
制御手段）によりその時の高炉ＩＯの熱ｔＵ失量として
推定される。

このとき、学習時に発火しなかったニューロン５ａが発
火した場合には、上記学習時に発火しなかったニューロ
ン５つに対応する放散熱量の平均値は、学習時に発火し
た最も近いニューロン５ａに割付けられた放散熱量の平
均値に基づいて演算される。

更に、上記した炉壁温度パターンＴと熱損失量との関係
を表す新しい知識につきどの程度の精度が望めるかを評
価した。

ここで、学習後のニューラルネットワーク２ａに前記ニ
ューラルネットワーク２に入力したと同じ学習用の炉壁
温度分布データＰを入力し、活性化したニューロン５ａ
の平均放散熱量を熱損失量の推定値として評価した。第
１３図に学習用の炉壁温度分布データＰを用いて得た熱
損失量の実績値と推定値の関係を示す、この時の両者の
相関係数Ｔは０．９３１であり、当然ながら比較的高い
再現性を得ている。

また、学習後のニューラルネットワーク２ａに前記学習
用の炉壁温度分布データＰとは異なるテスト用の新たな
炉壁温度分布データ（１年間の偶数月の日平均データ）
を入力して得た前記実績値と推定値との関係を第１４図
に示す、それによれば、これまでニューラルネットワー
ク２１が知らなかった未知の炉壁温度分布データに対し
ても前記ニューラルネットワーク２による場合と比べて
高精度に熱損失量を推定することが可能であった（Ｔ＝
０．７１１）。

上記したようなニューラルネットワーク２．２ａを具備
しこれらの双方を用いた高炉熱ＩＪＩ失Ｉ推定装置１に
よる高炉１０からの熱損失量の推定手順につき、第１５
図のフローチャートを用いて、以下説明する。

先ず、過去の実績値（１年間の奇数月の日平均データ）
である炉壁温度の複数の炉壁温度分布データＰ（状態Ａ
）が高炉１０の６５点の温度センサ１１から自己組織化
特徴マツピング型のニューラルネットワーク２ａに入力
され学習に供される。

そこで、前記炉壁温度分布データＰは１００個（１（Ｌ
（ｍ）行Ｘｌ０（ｊり列）のニューロン５゜のいずれか
に炉壁温度パターンＴとして分類され、そのとき決定さ
れた上記シナプス荷重Ｗ、、、（演算重み）がメモリ３
に格納される。即ち、上記シナプス荷重Ｗ、、、に対応
するｌ　ＯＸＩ　０個の炉壁温度パターンＴによるパタ
ーンマツプＭがメモリ３内に作成される（ステップＳｌ
）。

このとき、前記炉壁温度パターンＴ毎に分類された炉壁
温度分布データＰに対応する放散熱量（状態Ｂ）の平均
値が演算制御部４によって演算される（ステップＳ２）
、それにより、前記パターンマツプＭに対応する前記放
散熱量の平均値の割付はマツプＡが形成されメモリ３に
記憶される。

次に、前記分類された炉壁温度パターンＴのうち、高炉
操業上典型的であると目される炉壁温度パターンＴが対
応する前記放散熱量の平均値と共に選択され（ステップ
Ｓ３）、パックプロパゲーシッン型のニューラルネット
ワーク２へ学習のために入力される。ただし、前記典型
的な炉壁温度パターンＴ及び対応する放散熱量の平均値
のみを敢えて選択する必要はなく、前記１００個の炉壁
温度パターンＴ及びその放散熱量の平均値を全て用いて
も構わない。

そして、前記ニューラルネットワーク２では、選択され
た炉壁温度パターンＴにオフセット入力１点を加えた入
力データＸ１〜Ｘ＆＆を炉壁温度分布データＰとし、前
記炉壁温度パターンＴに対応する放散熱量の平均値を教
師データとして、両者の対応関係が学習され、当該ニュ
ーラルネットワーク２の最終的な連結重みが決定されメ
モリ３に格納される（ステップＳ４）。これにより、本
実施例装置のニューラルネットワーク２．２ａの学習ス
テップが終了する。即ち、前記ニューラルネットワーク
２１により分類された炉壁温度分布データＰを前記ニュ
ーラルネットワーク２に入力し該ニューラルネットワー
ク２の連結重みの学習を行うステップＳ４の機能を実現
するのが第１重み決定手段である。

引き続き、実質の推定ステップが実行される。

先ず、新たな炉壁温度分布データＰが、前記ニューラル
ネットワーク２ａに入力され、そのとき発火したニュー
ロン５１の前記メモリ３に格納されたシナプス荷重Ｗ４
１．と上記入力された炉壁温度分布データＰとのベクト
ル間の距ＭＤ、が演算される（ステ・２プＳ５）。

そして、前記距ｊｉｌｌＤ、が予め設定されたベクトル
間距離に係る設定値ε。と比較される（ステップＳ６）
。この設定値ε。は、高炉操業上の経験的な情報に係り
前記ニューラルネットワーク２の学習時に用いたものと
同し炉壁温度分布データＰにｌづいて設定されている。

即ち、前記距離り、が前記設定値ε。よりも大きい場合
には、前記新たに入力された炉壁温度分布データＰがニ
ューラルネットワーク２の学習時に用いられた炉壁温度
分布データＰと大きく相違する入力データであると判断
される。そして、そのとき発火したニューラルネットワ
ーク２ａのニューロン５ａ若しくは当該ニューロン５．
若しくはこれに最も近いニューロン５．に割付けられた
放散熱量の平均値を高炉１０がらの熱１１失量の推定値
とする（ステップＳ７）。

他方、前記距離り、が設定値ε。よりも小さい場合、入
力された炉壁温度分布データＰは、前記学習時の炉壁温
度分布データＰに似たパターンであると判断され、学習
時に使用された既知のパターンデータ及びこれに近位す
るパターンデータに対して高い推定精度で演算を行うこ
とのできるニューラルネットワーク２に入力される。そ
こで、ニューラルネットワーク５の出力層から得た出力
データｙが、熱損失量の推定値として出力される（ステ
ップ３Ｂ）。

上記したように、本実施例に係る高炉熱損失量推定装置
１は、学習時に教師データを要しない自己組織化特徴マ
ンピング型のニューラルネットワーク２１を用いた場合
、炉壁温度分布データＰを適宜の炉壁温度パターンＴに
分類するので、人手によっては分類の困難なパターンデ
ータであっても自動的に特徴付けされ分類され得る。

又、上記のように分類された炉壁温度パターンＴを、バ
ンクプロパゲーシッン型のニューラルネットワーク２の
学習時の一連の入力データとして用いた場合には、学習
の高速化を図ることができる。更に、前記ベクトル間の
距ＩＩ　Ｄ　＋　によってニューラルネットワーク２と
ニューラルネットワーク２１を使いわけることにより、
推定入力時のパターンデータが学習時の炉壁温度分布デ
ータＰと大きく相違する量であったり、或いは前記炉壁
温度パターンＴの中間的な量であっても、高炉１０から
の熱損失量を高精度に推定することができる。

ただし、前記ニューラルネットワーク２の学習時の一連
の入力データとしては、必ずしも前記分類されたパター
ンデータである必要はなく、例えば全ての炉壁温度分布
データＰを用いてもよく、その場合にも前記熱ｔａ失量
の推定を高精度に行うことができる。

尚、本実施例のステップＳ６において、演算されたベク
トル間の距＠Ｄ、が設定値ε。より大のとき、ステップ
Ｓ７を選択するようにしたが、それに限定されるもので
はなく、例えば、そのとき入力された炉壁温度分布デー
タＰ及びそれに対応する放散熱量をパックプロパゲーシ
ョン型のニューラルネットワーク２の学習用の一連の入
力データ及び教師データに加え、該ニューラルネットワ
ーク２の再学習を行わせるように構成してもよい。

それにより、前記学習用の一連の入力データ及び教師デ
ータの適用範囲が広がることがら、当該ニューラルネッ
トワーク２の推定精度が一層向上する。又、距翻り、＞
設定値ε。の場合のみ再学習を実行すればよいため、学
習が効率的なものとなる。

（発明の効果） 上記第１の発明は上記したように構成されているので、
第１及び第２のニューラルネットワークを用いた場合の
それらの学習の高速化を図ることができる。それにより
、学習用の入力データが多い場合でも、上記学習に多大
な時間を要することがない。

又、上記第２の発明は上記したように構成されているの
で、第３及び第４の各ニューラルネットワークがそれぞ
れの利点を生がしつつ役割分担する。それにより、状態
の推定を精度良く行うことができる。

更に、上記第３の発明は上記したように構成されている
ので、第１及び第２のニューラルネットワークを用いた
場合の学習が高速化される。それにより、多くの学習用
の入力データを用いて効率良く学習済の各ニューラルネ
ットワークを状態の推定に供することができる。又、こ
れらのニューラルネットワークがそれぞれの利点を生か
しつつ役割分担するので、状態の推定をより精度良く行
うことができる。

【図面の簡単な説明】

第１図は本発明の一実施例に係る高炉熱Ｉ員失量推定装
置を示すブロック構成図、第２図は同高炉熱損失量推定
装置が具備するバンクプロパゲーション型のニューラル
ネットワークを示す概念図、第３図は同ニューラルネッ
トワークを構成するニューロンと連結部を示す概念図、
第４図は前記高炉熱損失量推定装置が具備する自己組織
化特徴マツピング型のニューラルネットワークを示す概
念図、第５図は第４図のニューラルネットワークを構成
するニューロンを示す概念図、第６図は同ニューラルネ
ットワークのニューロンの配置状態及び“泡′”の範囲
の時間的変化を示す概念図、第７図は第４図のニューラ
ルネットワークの発火した特定ニューロンからの距離と
ニューロン出力の活性度との関係を示すグラフ、第８図
は第２図のニューラルネットワークを構成する中間層の
ノードにニューロン）の個数が４個の場合の学習時にお
ける演算の収束に要した学習回数を示すグラフ、第９図
は前記中間層のノードの個数が４個の場合の学習時にお
ける熱損失量の推定値と実績値の相関関係を示すグラフ
、第１θ図は前記中間層のノードの個数が４個の場合の
実運転の評価時における熱損失量の推定値と実績値の相
関関係を示すグラフ、第１１図は分類された炉壁温度分
布データを各二ニーロンの配置毎に概念的に示すマツプ
図、第１２図は発火したニューロンに分類された全ての
炉壁温度分布データに対応する放散熱量の平均値を当該
ニューロンの配置毎に割付けた状態を示す割付はマツプ
図、第１３図は学習済みの第４図のニューラルネットワ
ークに学習用の炉壁温度分布データを入力した場合の熱
損失量の実績値と推定値との関係を示すグラフ、第１４
図は学習済みの第４図のニューラルネットワークに前記
学習用の炉壁温度分布データと異なるテスト用の炉壁温
度分布データを入力した時の熱損失量の実績値と推定値
との関係を示すグラフ、第１５図は前記高炉熱損失量推
定装置による熱損失量の推定手順を示すフローチャート
である。 〔符号の説明〕 １・・・高炉熱損失量推定装置 ２．２ａ・・・ニューラルネットワーク３・・・メモリ ４・・・演算制御部 ５．５．．５．・・・ニューロン ｌＯ・・・高炉 １１・・・温度センサ

Claims (3)

【特許請求の範囲】
1. （１）ある状態Ａと別の状態Ｂとの相関関係の学習を行
   う状態学習装置において、 前記状態Ａにかかる一連のデータを構成する入力データ
   毎に演算重みを付与し上記入力データと演算重みの積の
   和に関する関数を出力すべく格子状に概念上配列された
   複数の第１情報処理部と、予め設定された状態Ａの学習
   用の入力データを前記複数の第１情報処理部に入力し演
   算することにより特定された第１情報処理部及びその周
   辺番地の第１情報処理部の演算重みを変更し前記第１情
   報処理部間に演算重みの重軽の異なる環境を形成して前
   記学習用の入力データをこれに対応する第１情報処理部
   毎に状態Ａに対応した適宜の状態に分類するデータ分類
   手段とを有する第１のニューラルネットワークと、 データの入力部，演算部及び出力部を有する複数の第２
   情報処理部を具備し、ある第２情報処理部の出力部と他
   の第２情報処理部の入力部が前記出力部よりの出力情報
   に連結重みを付加して前記入力部に伝達するための連結
   部を介して連結されてなる第２のニューラルネットワー
   クと、 該第２のニューラルネットワークに前記第１のニューラ
   ルネットワークにより分類された学習用の入力データを
   入力し、その出力データが前記分類された学習用の入力
   データに対応する状態Ｂに係るデータに近接若しくは一
   致するまで前記連結重みを変えつつ学習して、近接若し
   くは一致した際の前記連結部の各々の連結重みを決定す
   る第１重み決定手段とを具備してなることを特徴とする
   状態学習装置。
2. （２）ある状態Ａにかかる一連のデータに基づいて別の
   状態Ｂを推定する状態推定装置において、データの入力
   部，演算部及び出力部を有する複数の第３情報処理部を
   具備し、ある第３情報処理部の出力部と他の第３情報処
   理部の入力部が前記出力部よりの出力情報に連結重みを
   付加して前記入力部に伝達するための連結部を介して連
   結されてなる第３のニューラルネットワークと、 該第３のニューラルネットワークに前記一連のデータを
   構成する学習用の入力データを入力し、その出力データ
   が予め設定された教師データに近接若しくは一致するま
   で前記連結重みを変えつつ学習して、近接若しくは一致
   した際の前記連結部の各々の連結重みを決定する第２重
   み決定手段と、前記入力データ毎に演算重みを付与し上
   記入力データと演算重みの積の和に関する関数を出力す
   べく格子状に概念上配列された複数の第４情報処理部と
   、予め設定された状態Ａの学習用の入力データを前記複
   数の第４情報処理部に入力し演算することにより特定さ
   れた第４情報処理部及びその周辺番地の第４情報処理部
   の演算重みを変更し前記第４情報処理部間に演算重みの
   重軽の異なる環境を形成して前記学習用の入力データを
   これに対応する第４情報処理部毎に状態Ａに対応した適
   宜の状態に分類するデータ分類手段とを有する第４のニ
   ューラルネットワークと、 前記第３のニューラルネットワークに、予め設定された
   内容の異なる複数の前記状態Ａに係る学習用の入力デー
   タを入力し該学習用の入力データのそれぞれに対応する
   前記状態Ｂに係る教師データを参照しつつ得た前記連結
   部の各々の連結重みを格納すると共に、前記第４のニュ
   ーラルネットワークの、前記データ分類手段により分類
   された学習用の入力データに対応する演算重み及び状態
   Ｂに係るデータを当該第４情報処理部毎に格納するメモ
   リ手段と、 状態推定時に、新たな状態Ａに係る入力データを前記第
   ４のニューラルネットワークに入力して上記入力データ
   に対応する第４情報処理部を上記メモリ手段に格納され
   た演算重みに基づいて特定し、当該入力データが上記メ
   モリ手段に格納された演算重みに対応する学習用の入力
   データに近似しないと判断されたとき、上記特定された
   第４情報処理部若しくはこれに最も近い上記メモリ手段
   に格納された演算重みの第４情報処理部に分類された状
   態Ｂに係るデータを出力し、前記入力データが上記メモ
   リ手段に格納された演算重みに対応する学習用の入力デ
   ータに近似すると判断されたとき、前記新たな状態Ａに
   係る一連のデータを前記第３のニューラルネットワーク
   に入力し上記メモリ手段に格納された連結重みに基づい
   て得られた出力データを前記状態Ｂとして出力する演算
   手段とを具備してなることを特徴とする状態推定装置。
3. （３）ある状態Ａにかかる一連のデータに基づいて別の
   状態Ｂを推定する状態推定装置において、前記一連のデ
   ータを構成する入力データ毎に演算重みを付与し上記入
   力データと演算重みの積の和に関する関数を出力すべく
   格子状に概念上配列された複数の第１情報処理部と、予
   め設定された状態Ａの学習用の入力データを前記複数の
   第１情報処理部に入力し演算することにより特定された
   第１情報処理部及びその周辺番地の第１情報処理部の演
   算重みを変更し前記第１情報処理部間に演算重みの重軽
   の異なる環境を形成して前記学習用の入力データをこれ
   に対応する第１情報処理部毎に状態Ａに対応した適宜の
   状態に分類するデータ分類手段とを有する第１のニュー
   ラルネットワークと、 データの入力部，演算部及び出力部を有する複数の第２
   情報処理部を具備し、ある第２情報処理部の出力部と他
   の第２情報処理部の入力部が前記出力部よりの出力情報
   に連結重みを付加して前記入力部に伝達するための連結
   部を介して連結されてなる第２のニューラルネットワー
   クと、 該第２のニューラルネットワークに前記第１のニューラ
   ルネットワークにより分類された学習用の入力データを
   入力し、その出力データが前記分類された学習用の入力
   データに対応する状態Ｂに係るデータに近接若しくは一
   致するまで前記連結重みを変えつつ学習して、近接若し
   くは一致した際の前記連結部の各々の連結重みを決定す
   る第１重み決定手段と、 前記第２のニューラルネットワークに、予め設定された
   内容の異なる複数の前記状態Ａに係る学習用の入力デー
   タを入力し該学習用の入力データのそれぞれに対応する
   前記状態Ｂに係る教師データを参照しつつ得た前記連結
   部の各々の連結重みを格納すると共に、前記第１のニュ
   ーラルネットワークの、前記データ分類手段により分類
   された学習用の入力データに対応する演算重み及び状態
   Ｂに係るデータを当該第１情報処理部毎に格納するメモ
   リ手段と、 状態推定時に、新たな状態Ａに係る入力データを前記第
   １のニューラルネットワークに入力して上記入力データ
   に対応する第１情報処理部を上記メモリ手段に格納され
   た演算重みに基づいて特定し、当該入力データが上記メ
   モリ手段に格納された演算重みに対応する上記学習用の
   入力データに近似しないと判断されたとき、上記特定さ
   れた第１情報処理部若しくはこれに最も近い上記メモリ
   手段に格納された演算重みの第１情報処理部に分類され
   た状態Ｂに係るデータを出力し、前記入力データが上記
   メモリ手段に格納された演算重みに対応する学習用の入
   力データに近似すると判断されたとき、前記新たな状態
   Ａに係る一連のデータを前記第２のニューラルネットワ
   ークに入力し上記メモリ手段に格納された連結重みに基
   づいて得られた出力データを前記状態Ｂとして出力する
   演算手段とを具備してなることを特徴とする状態推定装
   置。