JPH0535709A - Output data analyzing/estimating method - Google Patents

Output data analyzing/estimating method

Info

Publication number
JPH0535709A
JPH0535709A JP3210513A JP21051391A JPH0535709A JP H0535709 A JPH0535709 A JP H0535709A JP 3210513 A JP3210513 A JP 3210513A JP 21051391 A JP21051391 A JP 21051391A JP H0535709 A JPH0535709 A JP H0535709A
Authority
JP
Japan
Prior art keywords
output data
output
difference
input
data
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.)
Withdrawn
Application number
JP3210513A
Other languages
Japanese (ja)
Inventor
Takeshi Sasa
剛 佐々
Original Assignee
Sony Corp
ソニー株式会社
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 Sony Corp, ソニー株式会社 filed Critical Sony Corp
Priority to JP3210513A priority Critical patent/JPH0535709A/en
Publication of JPH0535709A publication Critical patent/JPH0535709A/en
Application status is Withdrawn legal-status Critical

Links

Abstract

PURPOSE:To reduce the error that is caused with use of a logical formula and to decide the output data without loosing a global trend even with use of a neural network by optimizing a formula showing the input/output relation based on the input/output data of a real system and with use of the neural network. CONSTITUTION:A logical formula is optimized based on the actual measurement value of the input/output data on a real system and with a recurrent analysis, etc. Then the input data is applied to the optimized formula in a step S2 so that the difference is obtained between the estimated output data and the actually measured output data. Then the relation between the difference and the input data is optimized in a step S3 with use of a neural network. The estimated difference value obtained in such a way is added to the estimated value of the output data obtained in the step S2. Thus the estimated output data value of the real system is obtained to the input data. In such a way, the output date can be estimated with high precision and without loosing a global trend.

Description

【発明の詳細な説明】 DETAILED DESCRIPTION OF THE INVENTION

【0001】 [0001]

【産業上の利用分野】本発明は、実システムに任意の入力データを与えたときの出力データを精度良く推定するための出力データの分析・推定方法に関する。 The present invention relates to relates to the analysis and estimation method for the output data to the output data to accurately estimate when given any input data to the real system.

【0002】 [0002]

【従来の技術】一般に、システムの入力と出力とを分析するのに回帰分析や要因分析等の手法が用いられるが、 In general, although methods such as regression analysis and factor analysis is used to analyze the input and output of the system,
得られた式に入力データを与えて算出された出力データの推定値と、実システムの出力データの実測値との間には、何らかの差分(いわゆる誤差、残差)が生じている。 The resulting estimated value of the output data calculated giving input data to the equation, between the actual value of the output data of the real system, some difference (so-called error, residual) has occurred. この差分(誤差、残差)が大きく、無視できない場合には、式に補正項を盛り込むこと等により実測出力データと推定出力データとのすり合わせを行って、上記差分を減らすようにしている。 The difference (error, residual) is large, if not negligible, performs ground joint between the measured output data such as by incorporate correction term to equation estimated output data, and to reduce the difference.

【0003】また、システムの入力と出力とを分析するのにいわゆるニューラルネットワークを用いる場合には、ニューラルネットワークの規模をある程度大きくし学習を重ねることにより出力データの推定値の誤差を小さくできる。 [0003] In the case of using a so-called neural network to analyze the input and output of the system can reduce the error of the estimated value of the output data by superimposing a scale somewhat larger neural network learning.

【0004】 [0004]

【発明が解決しようとする課題】ところで、上記理論式に補正項を盛り込む方式において、演算された推定値と実測値との差分(誤差、残差)が何に起因するかわかっている場合には適正な補正項を付加することができるが、このようなことはまれであり、補正項を付加しても差分をとりきれないことが多い。 [SUMMARY OF THE INVENTION Incidentally, in the method to include the correction term to the theoretical equation, the difference between the measured value and the calculated estimate (error, residual) when know whether due to what Although it is possible to add a proper correction term, such it is rare, often be added correction term is not completely removed the difference. また上記ニューラルネットワークを用いる方式においては、場合によって大局的な傾向を反映しなくなるという問題がある。 In method using the neural network has a problem that no longer reflect the global trend by case.

【0005】本発明は、このような実情に鑑みてなされたものであり、理論式等を用いる場合に生じる誤差を少なくでき、ニューラルネットワークを用いる場合の大局的傾向を失う虞れも防止し得るような出力データの分析・推定方法の提供を目的とする。 [0005] The present invention has been made in view of such circumstances, it is possible to reduce the error caused when using the theoretical formula or the like, a fear can be prevented to lose the global trend of the case of using a neural network and to provide the analysis and estimation method of the output data, such as.

【0006】 [0006]

【課題を解決するための手段】本発明に係る出力データの分析・推定方法は、実システムの入力データと実システムの出力データの実測値とを用いて入力と出力との関係を表す式を最適化する工程と、この最適化された式により算出された入力データに対する出力データの推定値と上記出力データの実測値との差分を求める工程と、上記入力データに対する上記差分の推定値を出力するニューラルネットワークを用いこれらの入力データと差分との関係を最適化する工程と、上記最適化された式に任意の入力データを与えて算出された出力データの推定値と、上記最適化されたニューラルネットワークに上記任意の入力データを与えて得られた差分の推定値とを加算して、上記任意の入力データに対する上記実システムの出力データの推定値 Analysis and estimation method of output data according to the present invention In order to achieve the above object, according to the equation representing the relationship between the input and output by using the measured value of the output data of the input data and the real system of the real system output a step of optimizing, the step of obtaining the difference between the estimated value and the measured value of the output data of the output data for the input data calculated by the optimized formula, the estimated value of the difference with respect to the input data a step of optimizing the relationship between these input data and the difference using a neural network, the estimated value of the output data calculated giving any input data to the optimized formula is the optimized by adding the estimated value of the obtained difference gives the arbitrary input data to the neural network, the estimated value of the output data of the real system with respect to the arbitrary input data 求める工程とを有することにより、上述の課題を解決する。 By having a step of determining, to solve the problems described above.

【0007】ここで上記入出力関係を表す式の最適化の際には、システムに対して知られている理論式を用いて、入力と出力の関係を該理論式に合わせた形で最適化することが好ましく、この最適化は実システムに対する入力データと実際に測定された実測出力データとを用いていわゆる回帰分析や要因分析により行われる。 [0007] Here, during optimization of expression representing the input-output relationship, by using the theoretical formula known to the system, the optimization in the form of combined output relationship between the input to the 該理 theory formula it is preferred to, this optimization is performed by the so-called regression analysis and factor analysis using the measured output data actually measured input data for the real system.

【0008】 [0008]

【作用】システムの入出力の基本的な関係を表す式に基づいて分析し、最適化された式を用いることで、大局的な傾向を失うことなく出力データの推定が行え、この推定出力データと実際の出力との差分(誤差、残差)をニューラルネットワークを用いて分析して推定することにより、精度の高い推定が行える。 [Action] is analyzed based on equations representing the fundamental relationships of a system output, by using the optimized expression, can be estimated output data without losing global trend, the estimated output data If the actual output of the difference (error, residual) by estimating analyzed using a neural network, it allows a high estimation accuracy.

【0009】 [0009]

【実施例】図1は、本発明に係る出力データの分析・推定方法の一実施例を示すフローチャートである。 DETAILED DESCRIPTION FIG. 1 is a flow chart showing an example of analysis and estimation method of output data according to the present invention. この図1の最初のステップS1においては、実システムの入力データと実システムの出力データの実測値とを用いて、 In a first step S1 of FIG. 1, by using the measured values ​​of the input data and output data of the real system of the real system,
入力と出力との関係を表す式を最適化する。 Optimizing an expression representing the relationship between the input and output. これは、分析、推定しようとする対象のシステムについて従来より知られている理論式を、入力データと実測出力データとに基づいて例えば回帰分析するような工程である。 This analysis, theoretical formula is conventionally known about the target system to be estimated, a process such as for example, regression analysis on the basis of the input data and the actual output data.

【0010】次のステップS2では、この最適化された式に上記入力データを代入して出力データの推定値を算出し、この推定出力データと上記実システムの実測出力データとの差分(誤差、残差)を求める。 [0010] In the next step S2, by substituting the input data to calculate the estimated value of the output data in the optimized formula, the estimated output data and the difference between the measured output data of the real system (error, determine the residual).

【0011】次に、ステップS3においては、上記入力データに対する上記差分の推定値を出力するニューラルネットワークを用い、このニューラルネットワークに上記入力データを与えたときに上記差分が得られるようにネットワークの内部結線の重み付けを変えて学習を繰り返すことにより、これらの入力データと差分との関係を最適化する。 [0011] Next, in step S3, the inside of the network to use the neural network outputs an estimated value of the difference with respect to the input data, the difference when given the input data to the neural network are obtained by repeating the learning by changing the weighting of connection, to optimize the relationship between these input data and the difference.

【0012】次のステップS4では、先ず上記ステップS2で最適化された式に任意の入力データ、すなわち出力データの推定を行おうとする入力データを与えて、出力データの推定値を算出する。 [0012] In the next step S4, first, any input data to the optimized expression in step S2, i.e. giving input data to be subjected to estimation of the output data, to calculate the estimated value of the output data. 次に上記ステップS3で最適化されたニューラルネットワークに上記任意の入力データを与え、差分の推定値を出力として求める。 Then given the arbitrary input data to an optimized neural network in step S3, obtaining an estimate of the difference as an output. この差分の推定値を、上記式から算出された出力データの推定値と加算して、上記任意の入力データに対する上記実システムの出力データの推定値を求める。 The estimate of this difference, by adding the estimated value of the output data calculated from the above equation to determine the estimated value of the output data of the real system with respect to the arbitrary input data.

【0013】このように、理論式等を実際のデータに基づいて最適化して得られた式によりシステムの基本的な入出力関係に基づいて出力データを推定し、実際の出力との差分(誤差、残差)をニューラルネットワークを用いて推定することにより、大局的な傾向を失うことなく、精度良く、出力データの推定が行える。 [0013] Thus, to estimate the output data on the basis of the equation obtained by optimizing the theoretical formula or the like based on the actual data in the basic input-output relationships of the system, the difference between the actual output (error by estimating using a neural network residual), without losing the global trend, precisely, allows the estimation of the output data.

【0014】以下、本発明をビデオテープレコーダ用の磁気ヘッドの特性推定に適用した具体例について、図2 [0014] Hereinafter, a specific example of applying the present invention to estimation of the magnetic head for video tape recorder, FIG. 2
〜図5を参照しながら説明する。 It will be described with reference to to 5. すなわち、例えばビデオテープレコーダ用の磁気ヘッドの設計時においては、 That is, for example, at the time of designing the magnetic head for a video tape recorder,
ギャップ部の間隔(ギャップ長)、幅(トラック幅)、 Interval of the gap portion (gap length), the width (track width),
深さ(ギャップデプス)や、磁気コア部の各部寸法、さらに巻線(コイル)の巻数等のデータ(入力データ)に対して、再生出力強度、周波数特性、記録出力強度、インダクタンス等のデータ(出力データ)を求めることが必要とされる。 Depth (gap depth) and various dimensions of the magnetic core portion, against the further number of turns such as the winding (coil) data (input data), reproduction output intensity, frequency characteristics, recording output intensity, the data of the inductance such as ( output data) is required to obtain the. これらの入力データに対して各出力データを求めるためのいくつかの理論式が知られているものの、これらの理論式は、単純な形状で均質な材料を用いるような理想的な条件で成立するものである場合が多い。 Although some theoretical formula for obtaining the output data for these input data are known, these theoretical equations are established in ideal conditions, such as with homogeneous material with a simple shape If it is there are many. しかしながら、実際の磁気ヘッドは上記理想的な条件を満足することはまれであり、理論式がそのまま使用できないことが多い。 However, actual magnetic head is rarely satisfying the ideal conditions often theoretical formula can not be used as it is.

【0015】ビデオテープレコーダ用の磁気ヘッドとして、例えば図2及び図3に示すような構造のものが知られている。 [0015] As a magnetic head for a video tape recorder, for example, a structure as shown in FIGS. 2 and 3 are known. この磁気ヘッドは、磁気コア半体11A、1 The magnetic head, the magnetic core halves 11A, 1
1Bの大部分を占める磁気コア部12A、12Bが多結晶構造の酸化物磁性材料で構成され、これら磁気コア部12A、12Bの接合面を斜めに切り欠いた傾斜面12 Magnetic core portion 12A which occupies the majority of 1B, 12B is made of a magnetic oxide polycrystalline structure, the inclined surface 12 formed by cutting these magnetic core portion 12A, the joint surfaces of 12B obliquely
Aa、12Baに、それぞれ高飽和磁束密度合金、例えばFe−Al−Si系合金よりなる磁性合金薄膜13 Aa, the 12Ba, high saturation magnetic flux density alloy, respectively, for example, a magnetic alloy thin film 13 made of Fe-Al-Si alloy
A、13Bが被着形成されることにより、それぞれ磁気コア半体11A、11Bとして構成されている。 A, 13B is by being deposited and formed, and a respective magnetic core halves 11A, as 11B. これらの一対の磁気コア半体11A、11Bを、SiO 2等のギャップスペーサを介して突き合わせ、上記磁性合金薄膜13A、13の当接面がトラック幅T wの作動ギャップ15となるように構成されている。 These pair of magnetic core halves 11A, the 11B, butt with a gap spacer such as SiO 2, the abutment surface of the magnetic alloy thin film 13A, 13 is configured such that the operation gap 15 in the track width T w ing. 磁性合金薄膜13 Magnetic alloy thin film 13
A、13B上及びトラック幅規制溝12Ab、12Bb A, 13B and on the track width control grooves 12Ab, 12Bb
内には磁気記録媒体(ビデオテープ)との当たりを確保するために高融点ガラス等の非磁性材16、17が溶融充填されている。 Non-magnetic material 16, 17 such as high melting point glass is melted filled to ensure the contact between the magnetic recording medium (video tape) is within. また、一方の磁気コア半体12Aには、コイル(巻線)18を巻回するための巻線孔19が穿設されている。 In addition, the one magnetic core halves 12A, the winding hole 19 for winding the coil (winding) 18 is bored.

【0016】ここで、上述した磁気ヘッドの各種出力データの内、例えばインダクタンスLを求めるための理論式を以下に示す。 [0016] Here, among the various output data of the magnetic head described above, showing for example a theoretical equation for determining the inductance L below.

【0017】 [0017]

【数1】 [Number 1]

【0018】この(1)式において、Nはコイル(巻線)の巻数、Sはコアの断面積、S gはギャップの断面積、μはコアの透磁率、eはコア長(平均長)、μ 0はギャップの透磁率、gはギャップ長をそれぞれ表している。 [0018] In this equation (1), N is the number of turns of the coil (winding), S is the cross-sectional area of the core, S g is the cross-sectional area of the gap, mu is the magnetic permeability of the core, e is the core length (average length) , mu 0 denotes the magnetic permeability of the gap, g is the gap length, respectively. さらに、この(1)式中のS g (ギャップの断面積)はトラック幅T wとギャップデプスD pとの積で表現できることから、(2)式のように表すことができる。 Furthermore, S g (cross-sectional area of the gap) of the (1) where from it can be expressed by the product of the track width T w and gap depth D p, it can be expressed as (2).

【0019】しかしながら、この理論式は、図4に示すような単純形状で均質のリングヘッド20に対して理想状態のときに当てはまるものであり、上記図2及び図3 [0019] However, this theory equations are true when the ideal state with respect to a simple shape in homogeneous ring head 20 as shown in FIG. 4, FIG. 2 and FIG. 3
に示すような特殊形状の磁気ヘッドにおいては、高精度のLを求めることが困難である。 In the magnetic head of the special shape as shown, it is difficult to obtain a high accuracy L. 具体的には、図2、図3に示すような磁気ヘッドにおいて、コアの平均長eや断面積Sを求めること自体が困難であり、またコアの透磁率μも容易に決定できない。 Specifically, FIG. 2, in the magnetic head shown in FIG. 3, it is difficult per se to determine the average length e and the sectional area S of the core, nor can readily determine the permeability μ of the core. ここで図2及び図3に示す磁気ヘッドにおいて、上記(2)式中のL、g、 Here the magnetic head shown in FIGS. 2 and 3, in the above (2) L, g,
w 、D p 、N等は測定可能である。 T w, D p, N, etc. can be measured. そこで、g、 Therefore, g,
w 、D p 、Nの4項目を入力データとし、その他の未知の項目を係数c 0 、c 1で置き換えると、インダクタンスLを求めるための(3)式が得られる。 T w, and D p, input data four items of N, replacing the other unknown items coefficients c 0, c 1, (3 ) expression for obtaining the inductance L can be obtained.

【0020】この(3)式を上記図1のステップS1で最適化される前の入出力関係式として用い、この(3) [0020] The equation (3) used as the input-output relation before being optimized in step S1 of FIG. 1, the (3)
式中の係数c 0 、c 1を回帰分析手法にて求めることにより式の最適化を行う。 To optimize expression by obtaining the coefficients c 0, c 1 in the formula in the regression analysis method. 具体的には、例えば、表1に示すように、入力データであるg(ギャップ長)、T Specifically, for example, as shown in Table 1, the input data g (gap length), T
w (トラック幅)、D p (ギャップデプス)、N(コイルの巻数)の複数組(表1では20組)を実システムに与えて、これらの入力データの組に対する出力データをそれぞれ求める。 w (track width), D p (gap depth), giving a plurality of sets of N (number of turns of the coil) to (Table 1 20 pairs) to a real system, obtaining the output data for a set of these input data, respectively. すなわち、この表1に示すような20 That is, as shown in Table 1 20
組の入力データを各部寸法とする20個の磁気ヘッド(サンプル番号#1〜#20)を実際に作成し、作成された各磁気ヘッドのインダクタンスLを実際に測定する。 Actually create a twenty magnetic heads to a set of input data and various dimensions (sample numbers # 1 to # 20), actually measuring the inductance L of each magnetic head is created. このようにして求められた実システムに対する入力データと実測出力データとの組から、上記係数c 0 、c Thus to the set of the input data and the measured output data to the real system that sought, the coefficients c 0, c
1を最小二乗的に回帰分析する。 1 to least-squares to regression analysis. すなわち理論式の回帰の手段に、上記g、T w 、D p 、N、及びLを入力し、 That input to means of the regression theory formula, the g, T w, D p, N, and L, and the
回帰推定値と実測インダクタンスLとの差を小さくするように係数c 0 、c 1の値を変化させる。 Regression estimate and the measured coefficients c 0 to the difference between the inductance L is reduced, changing the value of c 1. この回帰分析の際の最小二乗法による解法には、例えばシンプレックス法等が用いられる。 The solution according to the least square method when the regression analysis, for example, simplex method or the like is used.

【0021】 [0021]

【表1】 [Table 1]

【0022】次に、これらの係数c 0 、c 1が上記最適化により決定された上記(3)式を用い、式中のg、T Next, these coefficients c 0, c 1 is using the above equation (3) as determined by the optimization, g in the formula, T
w 、D p 、Nに表1の各値をそれぞれ代入して計算を行うことにより、インダクタンスの推定値L e1を算出する。 w, D p, by performing computation by replacing the values of Table 1, respectively in N, calculates the estimated value L e1 inductance. この推定値L e1 (推定出力データ)と、上記各サンプル番号#1〜#20の実際に作られた磁気ヘッドの各インダクタンスの実測値Lとの差分をとると、表1に示すεのようになる。 The estimated value L e1 (estimated output data), taking the difference between the measured value L of each inductance actually made the magnetic head of the respective sample numbers # 1 to # 20, as ε shown in Table 1 become. すなわち、理論式を最適化しても、 That is, even if optimizing theoretical formula,
理論式では表現しきれない成分が差分εとして残っている。 Component that can not be represented in the theoretical formula is left as the difference ε. 一般的にはこの差分εが何に起因するか分かっていないことが多い。 In general, it is often the difference ε is not known whether due to what. この差分εを、いわゆるニューラルネットワークで分析する。 The difference ε, to analyze the so-called neural network.

【0023】ここで、上記g、T w 、D p 、Nを入力とし、差分εを出力するようなニューラルネットワークを用い、出力が表1の差分εに近付くように学習を行わせる。 [0023] Here, the g, T w, D p, as input N, using neural networks to output a difference epsilon, output to perform learning so as to approach the difference epsilon Table 1. 図5はこのニューラルネットワークの一具体例として、3層構造のネットワークを示している。 5 as an example of the neural network indicates the network of the three-layer structure. この図5に示すニューラルネットワークは、入力層100、中間層200、出力層300を有しており、入力層100には、上記ギャップ長g、トラック幅T w 、デプスD p Neural network shown in FIG. 5, an input layer 100, intermediate layer 200 has an output layer 300, the input layer 100, the gap length g, the track width T w, depth D p,
コイルの巻数Nの4種の入力データにそれぞれ対応して4個の素子101、102、103、104を配置し、 Each four input data of the coil number of turns N correspondingly disposed four elements 101, 102, 103, 104,
出力層300には上記差分(の推定値)に対応して1個の素子301を配置し、中間層200には例えば10個の素子201、202、203、・・・、209、21 Output layer 300 corresponds to the difference (estimated value) Place one of the element 301 is in, for example ten elements in the intermediate layer 200 201, 202, ..., 209,21
0を配置している。 It is arranged 0. 学習時には教師信号として、入力層100の4個の素子101〜104に上記表1の4種の入力データの20組を与えると共に出力層300の素子301に表1の差分εを与え、例えばバックプロパゲーション(逆伝搬)により内部結線の重み係数を変更して、ネットワーク出力が差分εに近付くように学習を繰り返す。 As a teacher signal in the learning, given the difference ε in Table 1 the element 301 of output layer 300 with providing the 20 pairs of the four input data of Table 1 into four elements 101 to 104 of the input layer 100, for example, back propagation by changing the weighting coefficient of the internal wiring by (backpropagation), repeated learning as network output approaches difference epsilon.

【0024】いま、入力層100の素子10xと素子と中間層200の素子20yとの間の結線の重み係数をw [0024] Now, weighting factors connections between the elements 20y of elements 10x and the element and the intermediate layer 200 of the input layer 100 w
xyとし、中間層200の素子20yと出力層300の素子301との間の結線の重み係数をz yとするとき、学習によって得られた各重み係数をw xy 、z yの具体例をそれぞれ表2、表3に示す。 and xy, when the weighting coefficient of connection between the elements 20y of the intermediate layer 200 and the element 301 of output layer 300 and z y, each weight coefficient obtained by learning w xy, a specific example of a z y respectively Table 2, shown in Table 3.

【0025】 [0025]

【表2】 [Table 2]

【0026】 [0026]

【表3】 [Table 3]

【0027】これらの表2、表3に示すニューラルネットワークの内部素子間の結線の重みからは、素子101 [0027] These tables 2, from the weight of the connection between the internal elements of the neural network shown in Table 3, device 101
のギャップ長gと、素子102のトラック幅T wからの寄与が大きいことが判断できる。 A gap length g of, it can be determined that a large contribution from the track width T w of the element 102.

【0028】このようにして学習が行われて各結線の重み付けが決定されたニューラルネットワークと、上記最適化された理論式(上記(3)式の係数c 0 、c 1が決定されたもの)とを用い、最終的な出力データ(インダクタンス)の推定値L e2を求める。 [0028] In this way the neural network learning is determined weighting performed by each wire, the said optimized theoretical equation (equation (3) of the coefficients c 0, which c 1 is determined) using the door, determining an estimated value L e2 of the final output data (inductance). すなわち、上記ギャップ長g、トラック幅T w 、デプスD p 、コイルの巻数Nの4種の入力データを上記最適化された式に代入して第1の推定値L e1を求めると共に、これらの4種の入力データを上記学習が終了したニューラルネットワークの入力層(の各素子)に与えて差分推定値ε eを得る。 That is, the gap length g, the track width T w, depth D p, the four input data turns N of the coil along with obtaining a first estimate L e1 is substituted into the optimized expression of these four input data given to the input layer of the neural network the learning is completed (each element) obtaining a difference estimate epsilon e. これらの出力推定値L e1と差分推定値ε eと加算することにより、最終的な出力データ(インダクタンス)の推定値L e2を算出するわけである。 By adding these output estimate L e1 and difference estimated value epsilon e, it is not to calculate the estimated value L e2 of the final output data (inductance).

【0029】上記表1には、上記各サンプル番号#1〜 [0029] Table 1, each sample number # 1
#20のサンプルについて、上記最適化された式から算出される出力推定値L e1 、実測出力データとの差分ε、 For a sample of # 20, the output estimate is calculated from the optimized formula L e1, the difference between the measured output data epsilon,
上記学習が終了したニューラルネットワークから得られる差分推定値ε e 、出力推定値L e1と差分推定値ε eとの和として得られる最終的な出力推定値L e2をそれぞれ示しており、さらにこの最終的な出力推定値L e2の評価のために、実測インダクタンスLとの残差(差分)Δε Shows the difference estimate obtained from the neural network the learning is completed epsilon e, the final output estimate L e2 obtained as the sum of the output estimate L e1 and difference estimated value epsilon e respectively, further the final for the evaluation of specific output estimate L e2, residual between the measured inductance L (difference) [Delta] [epsilon]
を示している。 The shows.

【0030】この表1の上記差分εの2乗和は3631 The sum of squares of the difference ε of this Table 1 3631
6であるのに対して、上記残差Δεの2乗和は1500 Whereas it is 6, the square sum of the residual Δε 1500
となって、論理式だけを用いる場合に比べて近似度が大幅に向上していることが明らかである。 It becomes, it is apparent that the degree of approximation as compared with the case of using only the logical expression is greatly improved.

【0031】なお、本発明は上記実施例のみに限定されるものではなく、例えば、上記実システムとしては磁気ヘッドの設計に限定されず、この他種々のシステム、特に、論理式や傾向のわかっているシステム等の入出力分析への適用が考えられる。 [0031] The present invention is not limited to the above embodiments, for example, as the real system is not limited to the design of the magnetic head, various other systems, in particular, found the formulas and trends and it is applied to the input-output analysis of the system and the like can be considered. また、入力と出力との関係が100%定式化できないシステムの分析と、分析結果を用いた出力の推定に、本発明を適用することができる。 Moreover, an analysis of the relationship 100% formulate systems lacking the input and the output, analysis results for the estimation of the output using, it is possible to apply the present invention.

【0032】 [0032]

【発明の効果】以上の説明からも明らかなように、本発明に係る出力データの分析・推定方法によれば、実システムの入力と出力との関係を表す式を最適化する工程と、この最適化された式により算出された出力データの推定値と上記実システムの実測出力データとの差分を求める工程と、この差分の推定値を出力するニューラルネットワークを用いて最適化する工程と、上記最適化された式からの推定値と、上記最適化されたニューラルネットワークからの差分の推定値とを加算して、任意の入力データに対する出力データの推定値を求める工程とを有しているため、大局的な傾向を失うことなく、精度のよい推定が行える。 As is apparent from the foregoing description, according to the analysis and estimation method of output data according to the present invention, the step of optimizing an expression representing the relationship between the input and the output of the real system, this estimated value of the output data calculated by the optimized formula and a step of determining the difference between the actual system of the measured output data, a step of optimized using neural network outputs an estimated value of the difference, the and estimates from the optimized expression, by adding the estimated value of the difference from the optimized neural network, because it has a step of determining an estimated value of the output data for arbitrary input data without losing global trends, perform better estimation accuracy.

【0033】すなわち、システムの入出力の基本的な関係を表す理論式等に基づいて回帰法等で分析し、その残差(差分、誤差)のみをニューラルネットワークで分析することで、理論式により大局的な傾向を失うことなく出力データの推定が行え、理論式で表現できない部分がニューラルネットワークによって分析されるため、理論式に不足している部分のみを取り出して検討することができ、最終的に、より精度の高い推定が行える。 [0033] That is, based on the theoretical formula or the like representing a basic relationship between the input and output of the system was analyzed by regression method, by analyzing the residual (difference, error) only in neural networks, the theoretical formula can do global trend of the output data without losing estimation, since the part can not be represented by a theoretical expression is analyzed by the neural network, it is possible to consider taking out only the portion missing in the theoretical formula, the final to, enables more accurate estimation.

【図面の簡単な説明】 BRIEF DESCRIPTION OF THE DRAWINGS

【図1】本発明に係る出力データの分析・推定方法の一実施例を説明するためのフローチャートである。 Is a flowchart for explaining an example of analysis and estimation method of output data according to the present invention; FIG.

【図2】該実施例に用いられる実システムの具体例を説明するための磁気ヘッドを示す斜視図である。 2 is a perspective view showing a magnetic head for explaining a specific example of a real system to be used in the embodiment.

【図3】図2に示す磁気ヘッドの要部拡大平面図である。 3 is an enlarged plan view of the magnetic head shown in FIG.

【図4】理論式が適用される基本的な磁気ヘッドを示す斜視図である。 4 is a perspective view showing a basic magnetic head theoretical formula is applied.

【図5】上記実施例に用いられるニューラルネットワークの具体例を示す図である。 5 is a diagram showing a specific example of a neural network used in the above examples.

【符号の説明】 DESCRIPTION OF SYMBOLS

11A、11B・・・・・磁気コア半体 12A、12B・・・・・磁気コア部 13A、13B・・・・・磁性合金薄膜 15・・・・・作動ギャップ 16、17・・・・・非磁性材 18・・・・・コイル 19・・・・・巻線孔 100・・・・・入力層 200・・・・・中間層 300・・・・・出力層 11A, 11B ..... magnetic core halves 12A, 12B ..... magnetic core portion 13A, 13B ..... magnetic alloy thin film 15 ..... operation gap 16, 17 ..... non-magnetic material 18 ----- coil 19 ----- Makisen'ana 100 ----- input layer 200 ----- intermediate layer 300 ..... output layer

Claims (1)

  1. 【特許請求の範囲】 【請求項1】 実システムの入力データと実システムの出力データの実測値とを用いて入力と出力との関係を表す式を最適化する工程と、 この最適化された式により算出された入力データに対する出力データの推定値と上記出力データの実測値との差分を求める工程と、 上記入力データに対する上記差分の推定値を出力するニューラルネットワークを用いこれらの入力データと差分との関係を最適化する工程と、 上記最適化された式に任意の入力データを与えて算出された出力データの推定値と、上記最適化されたニューラルネットワークに上記任意の入力データを与えて得られた差分の推定値とを加算して、上記任意の入力データに対する上記実システムの出力データの推定値を求める工程とを有することを特徴とす A step of optimizing an expression representing a relationship between inputs and outputs by using the measured value of the output data of the Claims 1 input data and the real system of the real system, is the optimized a step of obtaining a difference between the estimated value and the measured value of the output data of the output data for the input data calculated by the equation, these input data using the neural network outputs an estimated value of the difference with respect to the input data and the difference a step of optimizing the relationship between, giving the estimated value of the output data calculated giving any input data to the optimized formula, the arbitrary input data to the optimized neural network by adding the estimated value of the obtained difference, to; and a step of determining an estimated value of the output data of the real system with respect to the arbitrary input data 出力データの分析・推定方法。 Analysis and estimation method of output data.
JP3210513A 1991-07-29 1991-07-29 Output data analyzing/estimating method Withdrawn JPH0535709A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP3210513A JPH0535709A (en) 1991-07-29 1991-07-29 Output data analyzing/estimating method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP3210513A JPH0535709A (en) 1991-07-29 1991-07-29 Output data analyzing/estimating method

Publications (1)

Publication Number Publication Date
JPH0535709A true JPH0535709A (en) 1993-02-12

Family

ID=16590620

Family Applications (1)

Application Number Title Priority Date Filing Date
JP3210513A Withdrawn JPH0535709A (en) 1991-07-29 1991-07-29 Output data analyzing/estimating method

Country Status (1)

Country Link
JP (1) JPH0535709A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017035380A1 (en) * 2015-08-25 2017-03-02 Ryskamp Innovations, LLC Systems and methods for machine learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017035380A1 (en) * 2015-08-25 2017-03-02 Ryskamp Innovations, LLC Systems and methods for machine learning

Similar Documents

Publication Publication Date Title
McCamy et al. A correlation method of apparent velocity measurement
Wiberg et al. Enhanced superconvergent patch recovery incorporating equilibrium and boundary conditions
US5831801A (en) Thin film magnetic head with special pole configuration
Ohashi Numerical modelling of plastic multislip in metal crystals of fcc type
Kashyap Inconsistency of the AIC rule for estimating the order of autoregressive models
Speliotis et al. A correlation between magnetic properties and recording behavior in metallic chemically deposited surfaces
CN1166963C (en) Plural vibrator single step invertion separation method
EP0548511B1 (en) Thin film inductive transducer having improved write capability
JP2001014617A (en) Lapping guide, method for forming electric lapping guide, manufacture of magnetoresistance head and electric lapping guide
Ljung System identification
CA2257748C (en) Method and apparatus for evaluating the resistivity of invaded formations at high apparent dip angle
EP0861449A4 (en) High fidelity vibratory source seismic method using a plurality of vibrator sources
JP2004047079A (en) Wlapping guide for magnetoresistive head and method for manufacturing magneto resistive reading head
EP0411914B1 (en) Thin film magnetic head
CA2056217A1 (en) Bar coding calibration
US4623867A (en) Permanent magnet biased narrow track magnetoresistive transducer
Adams et al. An analysis of Taguchi's on-line process-control procedure under a random-walk model
Chen et al. Reconstruction of cracks with physical closure from signals of eddy current testing
Choi et al. Search-based wordlength optimization for VLSI/DSP synthesis
JP2826598B2 (en) Non-destructive inspection method of goods
JPH1064017A (en) Thin film magnetic head and its manufacture
US5307296A (en) Semiconductor workpiece topography prediction method
Ren Degenerated Whitney prism elements-general nodal and edge shell elements for field computation in thin structures
EP0191447A2 (en) Magnetic head
KR920006124B1 (en) Magnetic head having an integrated recording and playback head and an erasure head

Legal Events

Date Code Title Description
A300 Withdrawal of application because of no request for examination

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 19981008