JPH06187315A - ニューラルネット型追加学習装置 - Google Patents

Abstract

(57)【要約】 【目的】 追加学習したい入出力関係のみに影響するよ
うな追加学習装置を提供することを目的とする。 【構成】 基本制御部である学習済みＮＮ部４とは別
に、追加学習可能な追加学習ＮＮ部８を設ける。信号入
力部１４からの入力信号に対して基本的な出力を学習済
みＮＮ部４にて出力し、各人の好みの補正量を追加学習
ＮＮ部８にて出力して、この合計値により好みに合った
制御を行う。出力を変更された時には、変更後の出力値
と第１出力部１５から出力された基本出力値との差を算
出し、この差とその時の入力値とから追加学習ＮＮ部８
がバックプロパゲーション法により追加学習を行う。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ニューラルネット型追
加学習装置に関し、例えば、車両用空調装置において風
量に関する個人の好みを学習可能な制御装置として用い
て有効である。

【０００２】

【従来の技術】近年、個人の好みを学習可能な制御方法
として、ニューラルネットワークを用いたものが種々の
分野の制御装置に適用されつつある。特開平３−１０２
４７７号公報に開示されるように、図３の従来例に示す
如く、このニューラルネットワーク２０は、ある入力信
号１〜ｎを与えた時に出力された出力信号１〜ｎが正し
い信号であるか誤った信号であるかという情報（教師信
号）を入力する事により、ニューラルネット部４内に設
けられた入力層１、中間層２、出力層３内部の各ニュー
ロン１９間の結合２１の重みを修正するという誤差逆伝
播学習（バックプロパゲーション）機能を備えたもので
あり、繰り返し’学習’させることにより、新たな信号
が入力されたときに正解を出力する確率を高めることが
できるものである。

【０００３】各ニューロン１９間の結合２１の重みは、
結合２１の抵抗値として表されるものであり、重みが大
きい結合２１にてニューロン１９間が結合されている結
合部では、入力側からみて前側の層内のニューロン１９
からの信号が振幅の大きい信号となり、隣に結合された
ニューロン１９にその信号が流れる。また、重みが小さ
い結合部ではニューロン１９からの信号が振幅の小さい
信号となり、隣に結合されたニューロン１９にその信号
が流れる。

【０００４】このニューラルネットワークを、例えば、
空調装置の制御装置に用いたものが、特開平３−１７７
７４２号公報に開示されている。この公報によれば、予
め典型的な制御データを学習させておき、このニューラ
ルネット部４（以下、ＮＮ部と呼ぶ）での制御により空
調機を自動制御運転する。この空調制御された状態が利
用者の好みの状態でない場合には、制御状態を変更する
ことができる操作部から好みの制御情報を入力して制御
状態を変更する。制御状態が変更されると、予めＮＮ部
４に学習された制御データと変更した状態を示す追加デ
ータとに基づいて、ＮＮ部４内の各ニューロン１９間の
結合２１の重みを新たに学習し直す。次回からは、新し
く学習されたＮＮ部４により自動制御を行い、個人の好
みに合った空調制御を行おうとするものである。

【０００５】

【発明が解決しようとする課題】しかしながら、上記特
開平３−１７７７４２号公報での学習方法では、制御状
態が変更された時に新規の入出力関係を学習しようとす
ると、新規の入出力関係だけでなく、学習済みの制御デ
ータも同時に学習するために、学習したい入出力関係だ
けでなく、元々の制御状態で所望の出力が既に得られて
おり、入出力関係が変化してほしくない箇所にまで影響
がでてしまい、基本的な制御状態までが狂ってしまうと
いう問題がある。

【０００６】そこで、追加学習したい入出力関係のみに
影響するような追加学習装置を提供することを目的とす
る。

【０００７】

【課題を解決するための手段】本発明は、上記目的を達
成するために、信号を入力する信号入力手段と、この信
号入力手段にて入力される入力信号と、この入力信号に
応じて出力されるべき出力信号とからなる基本制御パタ
ーンを学習済みのものであって、前記信号入力手段によ
り入力信号が入力されると基本制御パターンに基づく基
本出力値を出力する基本制御部と、前記信号入力手段に
より入力信号が入力されると追加制御パターンに基づく
追加出力値を出力する追加学習ニューラルネット部と、
前記基本制御部から出力される基本出力値と、前記追加
学習ニューラルネット部から出力される追加出力値との
和に基づく統合出力値を出力する統合出力部と、この統
合出力部から出力された統合出力値を任意の出力値に変
更する出力変更手段と、この出力変更手段にて前記統合
出力値を変更した時に、前記基本制御部にて出力されて
いる基本出力値と、前記信号入力手段にて入力されてい
る入力信号と、前記出力変更手段にて変更された出力値
とを記憶する記憶部と、この記憶部に記憶された前記基
本出力値と出力変更手段にて変更した出力値との差を算
出する差分算出手段と、を備え、前記記憶部は、前記差
分算出手段にて算出された差と前記入力信号とからなる
追加学習データを記憶し、前記追加学習ニューラルネッ
ト部は、前記記憶部に記憶された追加学習データに基づ
いて前記追加制御パターンの学習を実行するニューラル
ネット型追加学習装置を採用するものである。

【０００８】また、請求項２記載の本発明によれば、前
記出力変更手段により統合出力値が変更された時に、前
記記憶部の記憶可能な領域と、記憶された追加学習デー
タの蓄積量とを比較する比較手段と、この比較手段によ
り、前記記憶部に記憶済みの追加学習データの蓄積量が
記憶可能領域を越えると判断すると、記憶部に記憶され
た追加学習データの中で、より不要な出力値を示す追加
学習データを選択する選択手段と、この選択手段により
選択された不要な追加学習データと、統合出力値変更時
の新たな追加学習データとを比較して、何れの追加学習
データがより重要な出力値を示す追加学習データである
のかを判断する判断手段と、この判断手段にて、前記記
憶部に記憶済みの追加学習データがより重要な出力値を
示すデータであると判断された時には、新たな追加学習
データは記憶せず、一方、新たな追加学習データがより
重要な出力値を示すデータであると判断された時には、
前記記憶手段に記憶済みの前記選択手段にて選択された
不要な追加学習データ上に新たな追加学習データを上書
きして記憶する記憶データ制御手段と、を備える請求項
１記載のニューラルネット型追加学習装置を採用するも
のである。

【０００９】また、請求項３記載の本発明によれば、前
記差分算出手段により算出された出力差が正の値である
のか、負の値であるのかを判断する判断手段と、この判
断手段にて判断された出力差が負である時に、この出力
差を絶対値変換する絶対値変換手段と、を有し、前記追
加学習ニューラルネット部は、前記信号入力手段により
入力信号が入力された時に、正側追加制御パターンに基
づいて正側追加出力値を出力する正出力用ニューラルネ
ット部と、前記信号入力手段により入力信号が入力され
た時に、負側追加制御パターンに基づいて負側追加出力
値を出力する負出力用ニューラルネット部と、この負出
力用ニューラルネット部にて出力された負側追加出力値
を、−１倍する出力変換手段と、この出力変換手段にて
−１倍された負側追加出力値と正側追加出力値との和を
出力する出力部と、を備え、前記正出力用ニューラルネ
ット部は、前記差分算出手段により算出された出力差が
正の値である時に、この出力差と出力変更時の入力信号
とに基づき前記正側追加制御パターンの学習を実行し、
前記負出力用ニューラルネット部は、前記差分算出手段
により算出された出力差が負の値である時に、前記絶対
値変換手段により絶対値変換された出力差と出力変更時
の入力信号とに基づき前記負側追加制御パターンの学習
を実行する請求項１記載のニューラルネット型追加学習
装置を採用するものである。

【００１０】

【作用】上記構成よりなる本発明のニューラルネット型
追加学習装置によれば、基本制御を行う基本制御部とは
別に、追加学習可能な追加学習ニューラルネット部を設
ける。この基本制御部の出力と追加学習ニューラルネッ
ト部の出力との和からなる統合出力値を出力変更手段に
より変更した際には、基本出力値と変更後の出力値との
差分を算出する。出力値を変更した時に信号入力手段に
より入力されている入力信号と、先の差分とを共に追加
学習データとして記憶部で記憶する。

【００１１】この記憶部で記憶された入力信号に対応す
る出力での変更分、即ち、基本出力値と変更後の出力値
との差分だけ追加学習ニューラルネット部にて出力でき
るように、変更時の差分を入力信号に対応して学習して
いく。つまり、基本の制御を行う基本制御部はそのまま
とし、変更分のみに対応する追加学習データを追加学習
ニューラルネット部にて学習する。すると、追加分のみ
について学習していくので追加分に則した制御パターン
を学習でき、基本出力信号に追加出力信号を加えて出力
することで、希望の出力値とすることができる。

【００１２】また、請求項２記載の装置によれば、出力
変更手段により出力を変更した時に、記憶部内の記憶可
能領域と追加学習データの蓄積量とを比較し、データの
蓄積量が記憶容量一杯に蓄積されているか否かを判断す
る。記憶容量一杯に追加学習データが蓄積されている時
には、記憶部内のより不要な出力値を示す追加学習デー
タを選択し、この追加学習データと新たな追加学習デー
タとの何れが重要なのかを判断し、より重要な追加学習
データを記憶させる。新たな追加学習データの方が記憶
済みの追加学習データよりも重要な出力値を示すデータ
であると判断された時には、比較された記憶済みの追加
学習データ上に上書きする。記憶済みの追加学習データ
の中で不要なデータであると選択された追加学習データ
の方が、新たな追加学習データよりも重要な出力値を示
すデータであると判断された時には、新たな追加学習デ
ータは記憶しない。

【００１３】また、請求項３記載の装置によれば、追加
学習ニューラルネット部に正出力用のニューラルネット
部と、負出力用のニューラルネット部とを備える。判断
手段により、入力信号に対して正の出力値を持つと判断
された追加学習データは、正出力用ニューラルネット部
に正側追加制御パターンとして学習する。一方、判断手
段により、入力信号に対して負の出力値を持つと判断さ
れた負の追加学習データは、絶対値変換手段により絶対
値変換した正の出力値にしてから、負側追加制御パター
ンとして負出力用ニューラルネット部に学習する。

【００１４】入力信号が入力されると、正出力用ニュー
ラルネット部での正側追加出力値と、負出力用ニューラ
ルネット部での負側追加出力値とを各々出力する。負側
追加出力値は、正の出力値として負出力用ニューラルネ
ット部に学習されているので、出力変換手段により、負
側追加出力値を−１倍して負の値とする。出力部は、−
１倍されて負の値になった負側の出力値と、正出力用ニ
ューラルネット部にて出力された出力値との和を出力す
る。この出力値は、追加学習ニューラルネット部の出力
値として出力される。

【００１５】

【実施例】以下に、本発明の追加学習装置の一実施例に
ついて図面と共に説明する。この追加学習装置は、図１
の追加学習装置のシステム図に示すように、主に、信号
入力部１４と、学習済みニューラルネット部４（以下、
学習済みＮＮ部と呼ぶ）と、追加学習ニューラルネット
部８（以下、追加学習ＮＮ部と呼ぶ）と、第１出力部１
５と、第２出力部１６と、統合出力部１７と、第１メモ
リ１０と、第２メモリ１２と、制御部１３とからなる。

【００１６】信号入力部１４は、入力したい信号の数だ
け学習済みＮＮ部４と追加学習ＮＮ部８に信号を入力す
るものである。学習済みＮＮ部４は、信号入力部１４か
らの信号を伝播するリード２２により入力信号が入力さ
れる入力層１と、この入力層１からの信号が入力される
中間層２と、中間層２からの信号が入力される出力層３
とから構成されている。各層１、２、３内には信号が入
力されるニューロン１９が複数個配されており、入力層
１のニューロン１９の数は、信号入力部１４から入力さ
れる信号の入力数と同数である。中間層２と出力層３の
ニューロン１９の数は任意である。各層１、２、３内部
の各ニューロン１９は結合２１により電気的に結合され
ており、この結合２１の電気的な伝播の重みが夫々の結
合２１で異なる。また、図１においては、中間層２が一
層であるが複数層でも良い。

【００１７】追加学習ＮＮ部８は、学習済みＮＮ部４と
同様にして、信号入力部１４からの信号を伝播するリー
ド２４により第１メモリ１０を介して、入力信号が入力
される入力層５と、中間層６と、出力層７とから構成さ
れている。各層５、６、７内にはニューロン１９が複数
個配されており、入力層５のニューロン１９の数は、信
号入力部１４から入力される信号の入力数と同数であ
る。中間層６のニューロン１９の数は任意であり、出力
層７のニューロン１９の数は、学習済みＮＮ部４の出力
層３のニューロン１９の数は同じである。各層５、６、
７内部の各ニューロン１９は結合２１により電気的に結
合されており、この結合２１の重みが夫々の結合２１で
異なる。また、中間層２は一層で無く複数層でも良い。

【００１８】第１出力部１５は、電気的に結合するリー
ド２３により、学習済みＮＮ部４の出力層３内のニュー
ロン１９と結合されたものであり、出力層３のニューロ
ン１９の信号を出力信号１ａ〜ｎａとして出力するもの
である。

【００１９】また、第２出力部１６は、リード２５によ
り追加学習ＮＮ部８の出力層７内のニューロン１９と電
気的に結合されたものであり、出力層７のニューロン１
９の信号を出力信号１ｂ〜ｎｂとして出力するものであ
る。

【００２０】統合出力部１７は、第１出力部１５から出
力された出力信号１ａと第２出力部１６から出力された
出力信号１ｂとの和を、統合出力値１として出力し、同
様にして、出力２ａと出力２ｂとの和から出力ｎａと出
力ｎｂとの和までを、統合出力値１〜ｎとして外部に出
力する。

【００２１】制御部１３は、統合出力部１７から出力さ
れた統合出力値１〜ｎを希望する出力値１’〜ｎ’に変
更した時に、希望する出力値１’〜ｎ’と第１出力部１
５から出力された１ａ〜ｎａとの差を出力１’と出力１
ａとの差から出力ｎ’と出力ｎａとの差まで、順次、差
分を夫々算出する。また、追加学習ＮＮ部８が学習する
時には、リード２４の途中に配されたスイッチ９とリー
ド２７の途中に配されたスイッチ１１とを非導通とす
る。なお、非学習時には導通させる。

【００２２】第１メモリ１０は、統合出力部１７から出
力された統合出力値を変更した時に、信号入力部１４か
ら入力されていた入力信号１〜ｎを記憶する。第２メモ
リ１２は、統合出力部１７から出力された統合出力値を
変更した時に、制御部１３により算出された希望する出
力値１’〜ｎ’と第１出力部１５から出力された１ａ〜
ｎａとの差分を記憶する。

【００２３】上記の構成において、学習済みＮＮ部４
は、予め、ある標準的な入出力パターンを従来より公知
のバックプロパゲーション法により学習したものであ
る。次に、本発明の追加学習装置の作動について説明す
る。

【００２４】学習済みＮＮ部４は、入力データに対応す
る出力１ａ〜ｎａを出力する。この出力は標準的なパタ
ーンを学習済みＮＮ部４に学習された結果である。最初
の状態においては追加学習ＮＮ部８は新しいデータの学
習（追加学習）は行われていないから出力１ｂ〜ｎｂは
ゼロである。従って、初期には、出力１ａ〜ｎａと出力
１ｂ〜ｎｂを加算した出力１〜ｎは、学習済みＮＮ部４
の出力１ａ〜ｎａに等しい。

【００２５】次に出力１〜ｎに対し、希望する出力とし
て、出力１’〜ｎ’が要求された時の処理について説明
する。統合出力部１７から出力された出力１〜ｎを希望
する出力１’〜ｎ’に変更された時には、第１出力部１
５から出力された出力１ａ〜ｎａと希望する出力１’〜
ｎ’の差分が追加学習ＮＮ部８の出力となるように学習
を行うため、スイッチ９を導通した状態で入力データを
第１メモリ１０に記憶し、出力１’〜ｎ’と出力１ａ〜
ｎａの差分を第２メモリ１２に記憶する。この後、スイ
ッチ９とスイッチ１１を非導通とし、第１メモリ１０と
第２メモリ１２とに記憶されたデータを学習データとし
て、従来より公知のバックプロパゲーシュン法により追
加学習ＮＮ部８に学習を行なわせる。なお、この希望す
る出力１’〜ｎ’になるための差分の出力１ｂ〜ｎｂを
出力させたい入力データが属する特性変化したい領域以
外の入力データに関しては、出力１ｂ〜ｎｂの出力は、
ゼロとなるように学習を行う。

【００２６】このようにして、追加学習ＮＮ部８の学習
が終了すると、制御部１３がスイッチ４９を導通し、追
加学習ＮＮ部８に入力１〜ｎが入力されるように制御す
る。また、制御部１３がスイッチ１１を導通させること
で、前記の入力信号が入力されると、第２出力部１６か
ら出力１ｂ〜ｎｂが出力される。第２出力部１６から出
力１ｂ〜ｎｂが出力され、第１出力部１５から出力され
た出力１ａ〜ｎａと加算することで、希望する出力１’
〜ｎ’が出力１〜ｎとして出力されるようにする。

【００２７】出力１〜ｎを希望する出力１’〜ｎ’に変
更した時には、上記のように追加学習ＮＮ部８に学習を
行うことを繰り返すことで、任意の入力データに対し
て、希望する出力を得ることができるようになる。

【００２８】なお、第１メモリ１０と第２メモリ１２
は、学習データの数だけ容量が必要となるため、学習済
ＮＮ部４に予め記憶された入出力パターンによる出力値
に、比較的近以する出力値を希望する出力とする入力デ
ータ、出力データの組は抹消したり、時間的に古いデー
タは抹消したりするなどして、限られたメモリ容量で効
果的な入出力特性を得るものとする。

【００２９】この様な構成によって、標準的な入出力関
係は、学習済みＮＮ部４に行わせ、追加学習ＮＮ部８
は、それを補正する出力とすることができる。もし、追
加学習ＮＮ部８が存在しなければ、追加学習を行うには
標準的な入出力関係に加えて、希望する入出力関係をＮ
Ｎ部に学習させる必要がある。通常、補正量は、標準的
な出力量より小さいから、追加学習ＮＮ部８を備えるこ
とによって、補正量の精度を向上することができ、希望
する出力の精度が向上する。また、万一、追加学習の結
果が所望の誤差以内に学習が収束しなかった場合におい
ても、基本的な入出力関係は、学習済みニューラルネッ
ト４によって保証される。

【００３０】次に、上記の制御部１３の作動を図２のフ
ローチャートに従って説明する。ステップ１００にて本
制御を開始すると、ステップ１１０にてまず追加学習が
必要であるか否かを判断する。希望する出力１’〜ｎ’
が出力１〜ｎと異なり追加学習が必要であると判断した
際には、次のステップ１２０にて、第１メモリ１０に入
力データ１〜ｎを記憶する。次に、ステップ１３０、ス
テップ１４０にてスイッチ１１、とスイッチ９を非導通
としてから、ステップ１５０にて希望する出力１’〜
ｎ’と第１出力部１５からの出力１ａ〜ｎａとの差分を
第２メモリ１２に記憶する。次のステップ１６０では、
この差分を教師信号として、入力データと希望出力との
関係とをバックプロパゲーション法により学習する。ま
た、教師信号としてメモリ１２に新たに記憶した以外の
入力データにおいては出力はゼロとなるように学習す
る。ステップ１７０にて、メモリ１０、１２に記憶され
た入出力関係データの出力値と学習された出力値との誤
差が小さいと判断され、ステップ１８０にて追加学習が
終了すれば、ステップ１９０、ステップ２００にてスイ
ッチ９とスイッチ１１を導通として制御を終了する。す
ると、追加学習ＮＮ部８の出力が学習済みＮＮ部４の出
力と加算され、追加学習された入出関係が出力に反映さ
れる。

【００３１】なお、上記の実施例の場合、学習済みＮＮ
部４を用いたが、この部分の入出力関係は、学習により
変化しないので、マイコンを含む電子回路であってもよ
く、ニューラルネットに限定されない。

【００３２】また、追加学習ＮＮ部８は、一つである必
要はなく複数個存在してもよい。仮に、追加学習ＮＮ部
が２つ存在した場合、一方の追加学習ＮＮ部が追加学習
している間、他方の追加学習ＮＮ部の出力を学習済みＮ
Ｎ部４の出力と加算して最終出力とし、追加学習が終了
すると、追加学習が終了した追加学習ＮＮ部の出力と学
習済みＮＮ部の出力を加算し、最終出力とすることがで
きる。こうすることにより、２つの追加学習ＮＮ部を交
互に切り換えて、追加学習を行うことができ、たえず、
学習した結果を出力に反映することができる。なお、す
べての構成は、ハードウェアで構成されてもソフトウェ
アで構成されてもよい。

【００３３】なお、上記の実施例では、統合出力値１〜
ｎを変更した時に、希望する出力値１’〜ｎ’と学習済
みＮＮ部４から出力される出力１ａ〜ｎａとの差分をと
ることで、この差分を教師データとし、個人の好みを学
習する構成とした。

【００３４】しかしながら、統合出力値１〜ｎを変更し
た時に、希望する出力値１’〜ｎ’と統合出力値１〜ｎ
との出力の差を算出し、この時の入力信号に対応する追
加学習ＮＮ部８での出力値１ｂ〜ｎｂと、算出した出力
の差とを加えることで、この値を個人の好みを表す教師
データとしても良い。

【００３５】従来の構成においては、学習済みのパター
ンを含めて最初から学習する必要があるが、上記の如
く、学習済みＮＮ部４とは別に追加学習ＮＮ部８を設
け、この追加学習ＮＮ部８のみで学習することにより、
学習するデータ量が大幅に減少し、学習時間の短縮化を
図ることができる。

【００３６】次に、本発明のニューラルネット型追加学
習装置を、車両用空調装置のブロア風量の制御装置に用
いた第２実施例について図面と共に説明する。図４は、
本発明の構成を示す空調制御機構のシステム図であり、
図５は、車両用空調装置の一例を示す。

【００３７】図４に示す信号入力部１４は、図５におけ
る温度センサ等空調環境の状態を検出する環境センサ群
３０に対応し、検出結果をセンサ処理部３１であるＡ−
Ｄ変換器６６に出力する。

【００３８】センサ処理部３１は、環境センサ群３０の
出力信号を所定時間毎に収集して、学習済みＮＮ部４及
び追加学習ＮＮ部８に入力する。基本制御部である学習
済みＮＮ部４は、第１実施例と同様にして、空調の基本
制御を行うものであり、環境センサ群３０からの環境状
態と、この環境状態での空調機３２の基本的な制御特性
とを教師信号として予め学習したニューラルネット等で
構成され、環境センサ群３０からの入力信号に基づい
て、空調機３２を基本制御するための基本制御信号を統
合出力部１７に出力する。

【００３９】３３は、上記学習済みＮＮ部４により空調
制御に対して、利用者の好みにより、制御状態を変更で
きる様に設置される出力変更手段としての操作部であ
り、この操作部３３での出力の変更量を好み制御情報と
してメモリ１２に出力する。

【００４０】追加学習ＮＮ部８は、操作者の好み制御情
報を統合出力部１７に出力するものであり、出力変更手
段としての操作部３３からの好み制御情報が入力された
時には、先ず、操作時のセンサ処理部３１からの各環境
センサ情報と、基本制御部４から出力されている基本出
力値と、操作部３３で変更した後の出力値とを記憶部３
４に記憶させる。差分算出手段であるマイクロコンピュ
ータ６７にて、操作部３３で変更した後の出力値と基本
出力値との差分を算出し、この差分と環境センサ情報と
からなる追加学習データを記憶させる。この追加学習デ
ータに基づいて学習を行うことで、操作者の好み制御情
報を出力可能になる。

【００４１】記憶部３４は、上記第１実施例におけるメ
モリ１０、１２に対応し、センサ処理部３１からの環境
情報と、基本制御部４からの出力と操作部３３での出力
との差分制御情報とを追加学習ＮＮ部８の追加学習デー
タとして記憶する。但し、記憶領域と学習データ量をチ
ェックし、記憶領域＜学習データ量と判断すると、全学
習データから基本制御情報に最も近い学習データを検索
すると共に、今回入力された学習データと大小比較を行
い、差分の大きい方のデータを記憶する。

【００４２】統合出力部１７では、学習済みＮＮ部４か
らの基本制御情報と追加学習ＮＮ部８からの好み制御情
報を加減算して自動制御情報を作成し、空調機３２を制
御する。

【００４３】図５は本発明に係る車両用空気調和制御装
置の一例を示している。この空気調和制御装置は、当該
車両に装備したエアダクト４０を有しており、このエア
ダクト４０内には、その上流から下流にかけて、内外気
切り換えダンパ４１、ブロア４２、エバポレータ４３、
エアミックスダンパ４４、ヒータコア４５及び吹き出し
口切り換えダンパ４６が配設されている。内外気切り換
えダンパ４１は、サーボモータ４１ａにより外気導入位
置（図５にて図示実線で示す位置）に切り換えられてエ
アダクト４０内にその外気導入口４７から外気を導入
し、一方、内気導入位置（図５にて図示一点鎖線で示す
位置）に切り換えられてエアダクト４０内にその内気導
入口４８を介し当該車両の車室内の内気を導入する。

【００４４】ブロア４２は、駆動回路４２ａにより駆動
されるブロアモータＭの回転速度に応じ、外気導入口４
７からの外気又は内気導入口４８からの内気を内外気切
り換えダンパ４１を介し空気流として導入しエバポレー
タ４３に送風する。エバポレータ４３は、空気調和制御
装置の冷凍サイクルの作動に応じ、ブロア４２からの空
気流を冷却する。エアミックスダンパ４４は、サーボモ
ータ４４ａにより駆動されて、その開度に応じ、エバポ
レータ４３からの冷却空気流をヒータコア４５に流入さ
れるとともに、残余の冷却空気流を吹き出し口切り換え
ダンパ４６に向け直接流動させる。ヒータコア４５は、
当該車両のエンジン冷却系統からの冷却水の温度に応
じ、その流入冷却空気流を加熱して吹き出し口切り換え
ダンパ４６に向け流動させる。

【００４５】吹き出し口切り換えダンパ４６は、サーボ
モータ４６ａによる駆動のもとに、空気調和制御装置の
ベンティレーションモード（ＶＥＮＴ）時に第１切り換
え位置（図５にて図示実線の位置）に切り換えられて、
エアダクト４０のＶＥＮＴ吹き出し口１３から車室内中
央に向け空気流を吹き出させる。また、吹き出し口切り
換えダンパ４６は、サーボモータ４６ａによる駆動のも
とに、空気調和制御位置のヒートモード（ＨＥＡＴ）時
に第２切り換え位置（図５にて図示一点鎖線の位置）に
切り換えられてエアダクト４０のＦＯＯＴ吹き出し口１
４から車室内下部に向け空気流を吹き出させる。また、
吹き出し口切り換えダンパ４６は、サーボモータ４６ａ
による駆動のもとに、空気調和制御位置のバイレベルモ
ード（Ｂ／Ｌ）時に第３切り換え位置（図５にて図示二
点鎖線の位置）に切り換えられて両吹き出し口１３、１
４から車室内中央及び下方に向け空気流を吹き出させ
る。

【００４６】操作パネルＰは、車室内の運転席前方のイ
ンストルメントパネルに設けられており、図６に示す如
く、上記各部を所定の制御パターンにて自動制御するオ
ートモードを設定するためのオートスイッチ５１、空気
調和制御装置の動作停止指令を入力する、すなわちブロ
ア４２を駆動する駆動回路４２ａを停止するためのオフ
スイッチ５２、冷凍サイクルの作動・停止を切り換え
る、すなわちコンプレッサ（図示しない）の作動・停止
を切り換えるためのエアコンスイッチ５３、内気循環が
外気導入かを切り換えるための内外気切換スイッチ５
４、車室内の目標温度を設定するための温度設定スイッ
チ５５、温度設定スイッチ５５により設定された車室内
の目標温度を表示する表示器５６、ブロア４２からの送
風両を強・中・弱の何れかに設定するための風量設定ス
イッチ５７、吹出口を設定するための吹出口設定スイッ
チ５８等を備えている。

【００４７】内気温センサ６１は、当該車両の車室内の
現実の温度を検出し内気温検出信号として発生する。外
気温センサ６２は当該車両の外気の現実の温度を検出し
外気温検出信号として発生する。日射センサ６３は、車
室内への日射の現実の入射量を検出し日射検出信号とし
て発生する。出口温センサ６４はエバポレータ４３の出
口における現実の温度を出口温検出信号として発生す
る。水温センサ６５は当該車両のエンジン冷却系統の冷
却水の現実の温度を検出し水温検出信号として発生す
る。

【００４８】Ａ−Ｄ変換器６６は、内気温センサ６１か
らの内気温検出信号、外気温センサ６２からの外気温検
出信号、日射センサ６３からの日射検出信号、出口温セ
ンサ６４からの出口温検出信号、水温センサ６５からの
水温検出信号をそれぞれデジタル変換し、内気温Ｔ_R ，
外気温Ｔ_AM，日射量Ｔ_S ，出口温Ｔｅ，水温Ｔｗを表す
デジタル信号として発生する。

【００４９】マイクロコンピュータ６７は、図７〜図９
に示すフローチャートに従って駆動回路４２ａ、各サー
ボモータ４１ａ，４４ａ，４６ａを駆動制御するのに必
要な演算処理を実行する。

【００５０】但し、上述のコンピュータプログラムはマ
イクロコンピュータ６７のＲＯＭに予め記憶されてい
る。尚、マイクロコンピュータ６７は、当該車両のイグ
ニッションスイッチｉＧを介しバッテリＢから給電され
て作動を開始する。

【００５１】また、マイクロコンピュータ６７には、学
習済みＮＮ部４と追加学習ＮＮ部８と、及び記憶部３４
が接続されており、学習済みＮＮ部４と追加学習ＮＮ部
８とに従って、空調装置を制御すると共に、記憶部３４
にて追加学習すべき制御パターンを記憶しておく。

【００５２】なお、本実施例は、第１実施例において、
各環境センサ６１〜６５による値を入力値とし、学習済
みＮＮ部４の出力層３と追加学習ＮＮ部８の出力層７の
ニューロン１９の数を一つとした例である。

【００５３】次に図５に示すマイクロコンピュータ６７
による基本的な制御を図７に従って説明する。マイクロ
コンピュータ６７は、イグニッションスイッチｉＧのス
イッチオンと共にステップ３００にて制御を開始し、ス
テップ３１０に進み、各種変換、フラグ等の初期値を設
定する。

【００５４】次のステップ３２０では内気温センサ６
１、外気温センサ６２、および日射センサ６３等からの
センサ信号と、温度設定スイッチ５５等のパネルＰでの
操作スイッチの状態を入力し、ステップ３３０に進む。

【００５５】ステップ３３０ではステップ３２０で入力
した環境条件より車室内に吹き出す空気の目標吹出温度
（ＴＡＯ）を下記数式１に従って演算する。

【００５６】

【数１】ＴＡＯ＝Ｋ_SET ×Ｔ_SET −Ｋ_R ×Ｔ_R −Ｋ_AM×
Ｔ_AM−Ｋ_S ×Ｔ_S ＋Ｃ ただしＫ_SET ，Ｋ_R ，Ｋ_AM，Ｋ_S は係数、Ｇは定数であ
り、Ｔ_SET は設定温度、Ｔ_R は内気温度、Ｔ_AMは外気温
度、Ｔ_S は日射量である。

【００５７】次にステップ３４０に進み、ＴＡＯに対し
てのエアミックスダンパ４４の開度が演算され、この開
度となる様に図示しないアクチュエータをサーボモータ
４４ａを介して制御し、吹出口１３および１４より車室
内に向けて送られる空気の温度をコントロールする。

【００５８】次にステップ３５０に進み、送風量を演算
し、駆動回路４２ａを介してプロアモータＭに固定され
たファン４２を回転させ、送風量を制御する。次にステ
ップ３６０に進み、内外気切換ダンパ４１による内外気
の導入割合を演算し、図示しないアクチュエータをサー
ボモータ４１ａを介して制御する。

【００５９】次にステップ３７０に進み、吹出口モード
の状態を演算し、吹き出し口切換えダンパ４６をサーボ
モータ４６ａを介して制御する。次にステップ３８０に
進み、図示しないコンプレッサのＯＮ−ＯＦＦ制御を行
う。このコンプレッサの制御が終了すると、ステップ３
２０に戻って上記処理を繰り返す。

【００６０】次に、図８〜図１０に示すブロア制御を例
として、本発明の実施例を詳細に説明する。ステップ３
４０におけるエアミックス制御が終了すると、図８の詳
細フローチャートに示すブロア制御の処理に移る。

【００６１】ブロア制御では、まずステップ３５０１で
パネルＰのＯＦＦスイッチ５２により、空調装置の制御
がＯＦＦされているかどうか判断し、ＯＦＦされている
場合には、ステップ３５０２に進む。

【００６２】ステップ３５０２では、ブロアモータＭの
停止、ブロア制御状態を表す表示器５７ｄの全消といっ
たＯＦＦ処理を行ない、ステップ３６０に進む。ステッ
プ３５０１で空調装置の制御がＯＮされていると判断す
ると、ステップ３５０３に進む。ステップ３５０３で
は、パネルＰのＡＵＴＯスイッチ５１の設定状態等から
ブロアが自動制御されているかどうかを判断し、自動制
御に設定されているとステップ３５０４に進む。

【００６３】ステップ３５０４では、予め学習済みＮＮ
部４に記憶されたブロア基本制御特性（図１０（ａ）の
基本特性）と、後述する学習処理によって追加学習ＮＮ
部８に記憶されたブロア好み制御特性（図１０（ｂ）の
好み特性）を加算してブロア自動制御特性（図１０
（ｃ）の自動制御特性）を算出し、この特性に基づい
て、ブロア駆動回路４２ａを制御した後、ステップ３６
０に進む。

【００６４】一方、ステップ３５０３で、ブロアが手動
制御されていると判断すると、ステップ３５０５に進
む。ステップ３５０３では、パネルＰの風量設定スイッ
チ５７の設定状態を判断し、例えば、風量Ｍ１の設定ス
イッチがＯＮされていれば、風量Ｍ１を実現するブロア
制御信号をブロア駆動回路４２ａに出力すると共に表示
器５７ｄから風量Ｍ１を表す表示器を点灯するマニュア
ル処理を行い、ステップ３５０６に進む。

【００６５】ステップ３５０６では、今回のマニュアル
処理が自動制御モードから移行した最初の処理かどうか
判断し、最初の処理でなければステップ３６０に進む。
一方、最初の処理、すなわち自動制御に対して、乗員が
好みに合わないと判断してパネルＰの風量設定スイッチ
５７を用いて好みの風量に手動設定してから最初に流入
してきた時であると判断すると、ステップ３５０７に進
む。

【００６６】ステップ３５０７では、上記手動設定量を
ブロア基本制御特性に対する補正量として学習し、この
補正量を基に好み特性を作成する学習処理を実施して、
ステップ３６０に進む。

【００６７】この学習処理について、図９に示すフロー
チャートに従って、詳細に説明する。まず、ステップ３
５２０で、風量設定スイッチ５７による手動設定ブロア
量と手動設定直前の自動制御によるブロア量の差ΔＢｎ
（図１０（ａ）参照）を算出する。

【００６８】そして、ステップ３５２１で、予め記憶部
３４内に領域が確保された学習データ記憶可能領域の使
用状況をチェックし、今回の学習データ（ブロア変更量
ΔＢｘとその時のＴＡＯ値）を記憶できる領域があると
判断するとステップ３５２２で学習データを記憶する。

【００６９】一方、記憶領域をオーバすると判断する
と、ステップ３５２３に進み、これまで記憶されたブロ
ア変更量ΔＢの最小値ΔＢｍｉｎを検索する。そして、
ステップ３５２４で検索されたブロア変更量ΔＢｍｉｎ
と今回のブロア変更量ΔＢｎを比較し、ΔＢｍｉｎ＞Δ
Ｂｎの場合、ステップ３５２５に進み、今回のブロア変
更量ΔＢｎを学習データとして記憶部３４に記憶せず
に、次のステップに進む。

【００７０】一方、ΔＢｍｉｎ＜ΔＢｎと判断するとス
テップ３５２６に進み、最小ブロア変更量ΔＢｍｉｎを
持つ学習データ領域に今回の学習データを上書きして、
ステップ３５２７に進む。

【００７１】ステップ３５２７では、記憶部３４に記憶
された学習データ×印と図１０（ｂ）に示す様に予め基
本制御特性の変極点に対応して設定された制御領域デー
タ・印（イ）〜（ト）とを教師データとして、公知のバ
ックプロパゲーション法による学習を実行する。このバ
ックプロパゲーション法により、追加学習ＮＮ部８の出
力ができるだけ教師データに近づくように追加学習ＮＮ
部８内の各ニューロン１９間の結合２１の重みを調整し
て、結果として図１０（ｂ）の好み特性を得る。なお、
初期状態では各入力データに対するブロア変更量は
“０”に設定されているが、・印（ハ）の値は追加学習
ＮＮ部８の学習結果が反映されてデータ（ハ’）の様に
変動する。この好み特性は、上記処理終了後のブロア自
動制御時ステップ３５０４にて影響を与え、以後、好み
を反映した自動制御が実施される。以上の様に、大多数
の人が平均して満足できる様に予め学習済みの基本制御
特性により制御を行い、自動制御モードから、手動設定
スイッチの操作により手動制御モードに移行した時の設
定変更量を操作者の好み量とし、この好み量と手動操作
直前の基本制御量との差分を求め、環境センサ群３０か
らの環境状態量と対にした学習データを追加学習ＮＮ部
８で学習することにより、学習データを含む好み制御特
性を自動生成し、さらに基本制御特性と好み制御特性と
を加算して自動制御特性を算出し、空調器を制御する様
に構成してある。

【００７２】この様に構成することにより、好み制御特
性のみをリセットすることが可能となり、多数の操作者
に対する好み制御が容易に実現できる。また、追加学習
ＮＮ部８による好み学習時に、基本制御特性との差分値
を用いる構成としたことにより、例えば図１０（ａ）の
様な非線型な特性を初期特性として持つ場合より、学習
データの小容量化、学習時間の短縮化が計れるという効
果がある。

【００７３】さらに、学習データ用に予め確保されたメ
モリ領域と学習データ容量とをチェックして、メモリオ
ーバーする時には、基本制御特性との差が大きい学習デ
ータ、すなわち、好みを明確に表すデータを学習データ
として採用する様に構成されているために、有限である
記憶容量内にて、好み量を明確に表す量を記憶してい
き、好み量の小さいものを消していくことができる。従
って、記憶容量内を有効に使用することが可能なため
に、学習データの記憶容量を小さくできる。また、特徴
的な好み量の学習により、学習効果を明確に操作者に表
すことができるといった効果がある。

【００７４】ところで、従来の如く、ブロア風量の制御
部を、一つのニューラルネットワークにて構成して、個
人の好みのブロア風量を学習させている際には、以下の
様な問題点がある。

【００７５】第１に、個人的な好みを学習するには、全
ての範囲で入力に対する出力パターンを学習する必要が
あり、データを入力し、学習するのに時間がかかる。第
２に、不特定の使用者がいる場合、一個人の好みだけで
なく、平均的なブロアパターンが必要である。

【００７６】第３として、学習が収束しなかった場合、
出力が不定となってしまうことである。このような点を
考慮して、上記の構成の如く、個人的な好みは平均的な
ブロア風量との差分とし、この差分をニューラルネット
ワークに学習させれば、個人的に変更を必要とするブロ
ア風量のデータだけを入力して学習すれば良く、学習デ
ータが少なくて済む。万一、不特定の使用者が使用する
車両の場合には、また、学習が収束しなかった場合に
は、個人的なブロア風量を学習するニューラルネットを
切り離し、平均的なブロア風量を出力することもでき
る。

【００７７】なお、上記実施例では、ブロア制御での適
用例を示したが、本発明は、吹出し口制御等他制御にも
適用可能である。又、上記実施例では、メモリ容量に余
裕がある時には、無条件で学習データとして記憶した
が、予め学習データとして採用するかどうかを判定する
判定基準をもうけ、操作ミス等と考えられるデータの学
習データ化を禁止する様にしても良い。

【００７８】又、統合出力部における自動制御特性の算
出を加算処理により実施したが、他の方法でも良い。
又、メモリオーバー時に、変更量の最も小さい学習デー
タを削除したが、時間的に最も古い学習データを選出し
て、この上に上書きしていき、古いデータを削除する様
にしても良い。

【００７９】次に、追加学習ＮＮ部８にて、バックプロ
パゲーション法により学習する際の学習方法について説
明する。ニューラルネットワークで学習を行う場合のア
ルゴリズムとして、上記の学習制御に用いたバックプロ
パゲーション法があるが、このアルゴリズムは、ニュー
ラルネットの出力と、目標とする出力との誤差が‘０’
になるようにするため、ニューロン１９間の結合２１の
重みによる誤差の変化率を求め、その変化率に従って誤
差が減少していく方向に重みを更新させる。そして、再
び、その更新した重みによる誤差の変化率を求め、更に
重みを更新するというように、逐次的に誤差を最少とな
るようにするアルゴリズムである。

【００８０】このアルゴリズムにおいて、各ニューロン
１９の出力関数は、例えば、次式のようなシグモイド関
数からなる。

【００８１】

【数２】σ＝１／（１＋ｅ^-s） 各ニューロン１９の出力関数は、このようなシグモイド
関数からなるので、出力値σは、０から１までの範囲内
の値となる。

【００８２】ところで、追加学習ＮＮ部８は、図１０
（ｂ）に示すように、個人の好みを示すデータが学習さ
れていない初期の状態においては、ブロワ変更量が
‘０’である。図１０（ａ）に示すように、基本的な風
量の制御に対してブロワ風量を変更する際には、個人の
好みにより、風量を増加するように変更する場合と、風
量を減少させるように変更する場合がある。従って、図
１０（ｂ）に示す好みの変更量は、図１３に示すよう
に、−ａから＋ａまでの正負の範囲の値をとる。

【００８３】その他、例えば、ある状態の出力値に対
し、希望する出力値となる様に補正を行う場合、その出
力値に対して加算あるいは減算を行うこととなるが、こ
のような補正をニューラルネットワークで実現する場
合、補正を行うためのニューラルネットワーク（上記の
追加学習ＮＮ部８）は正負の値を出力することが要求さ
れる。

【００８４】上記の数２のようなシグモイド関数を用い
る際には、出力の値の範囲が０〜１までの範囲内である
ため、このような正負にまたがる範囲の値の学習を行う
場合、図１４に示すように、−ａから＋ａの範囲を０〜
１の範囲に規格化し、あるバイアス面６９を規準として
正負を表現する方法が考えられる。ところが、図１４に
て０．５を示す線であるバイアス面６９を表現するため
には、多数のシグモイド関数の重ね合わせで表現される
必要があり、多数のニューロン１９が必要となるので、
このような曲面を学習し、収束させるのは困難である。

【００８５】そこで、本実施例では、教師出力の正負の
判定を行う正負判定装置と、正出力用ニューラルネット
ワークと、負出力用ニューラルネットワークとを備える
ことにより、図１５に示すように、出力範囲を正負にま
たがらせ、正負の出力に対してそれぞれ別個に学習させ
ることで、学習の収束を良くするものである。また出力
範囲を−１〜０の範囲と０〜＋１の範囲に分割すること
により、分解能に関しても拡大する効果もある。

【００８６】上記のニューラルネットワークの構成を、
第１実施例の追加学習ＮＮ部８に用いた際の実施例を、
図１１〜図１６に示す。図１１に示すように、学習時に
おいては、第１メモリ１０に記憶された入力信号（教師
入力）と、第２メモリ１２に記憶された教師出力とから
なる教師データが、第１実施例と同様に、追加学習ＮＮ
部８に入力され、この教師データに基づいてバックプロ
パゲーション法により学習する。

【００８７】追加学習ＮＮ部８は、図１１に示すよう
に、第２メモリ１２に記憶された教師出力が、正の値で
あるのか、それとも、負の値であるのかを判定する正負
判定部７１を備える。この正負判定部７１により判定さ
れた教師出力が正の教師出力である時には、この正の教
師出力を正出力用ニューラルネット部８１（以下、正出
力用ＮＮ部と呼ぶ）に対して出力する。正出力用ＮＮ部
８１は、上記のニューラルネット部４、８と同様にし
て、複数層にニューロン１９を配し、このニューロン１
９間を結合２１により電気的に結合されている。

【００８８】正負判定部７１により判定された教師出力
が負の教師出力である時には、負の値を絶対値変換して
正の値にする絶対値変換部８３にて絶対値変換する。こ
の正の値に変換された負の教師出力は、負出力用ニュー
ラルネット部８２（以下、負出力用ＮＮ部と呼ぶ）に対
して学習される。負出力用ＮＮ部８２は、上記のニュー
ラルネット部４、８と同様にして、複数層にニューロン
１９を配し、このニューロン１９間を結合２１により電
気的に結合されている。

【００８９】図１２に示すように、出力時には、信号入
力部１４からの信号が、正出力用ＮＮ部８１と、負出力
用ＮＮ部８２とに入力される。負出力用ＮＮ部８２にて
出力された値は、出力のマイナス変換部８４にて−１倍
される。負の値を絶対値変換し正の値として負出力用Ｎ
Ｎ部８２にて出力された値を−１倍することにより、負
の値として出力することができる。この負の出力と、正
の出力とを加算手段にて加算し、出力する。

【００９０】上記のニューラルネットワークは、教師デ
ータを与えてバックプロパゲーション法によって学習を
行う学習モードと、学習を行ったニューラルネットワー
クにより所望の値を出力する出力モードとからなり、こ
の切り換えは、図１に示すスイッチ９、１１の切り換え
と共に行う。

【００９１】なお、学習モードにおいて、教師入力と教
師出力からなる教師データは、ある入力に対する個人の
好みの出力データと、それ以外の入力に対して出力が０
になるデータを持っている。

【００９２】次に、本実施例のニューラルネットワーク
の作動について説明する。まず、学習時について説明す
る。第１メモリ１０に記憶された教師入力は、正出力用
ＮＮ部８１と負出力用ＮＮ部８２に入力される。一方、
第２メモリ１２に記憶された教師出力は、正負判定部７
１により正負の判定が行われ、教師出力が正の時には、
正出力用ＮＮ部８１に学習を行うための正の教師出力を
教師出力に等しいとし、バックプロパゲーション法によ
り正出力用ＮＮ部８１に学習を行う。この学習は、正出
力用ＮＮ部８１の出力と、正負判定部７１から入力され
る正の教師出力とを入力として、この出力の差が所定の
範囲内に収まるまで学習し、ニューロン１９間の結合２
１の重みが変更される。この時、負の教師出力は０とな
り、現在の負出力用ＮＮ部８２の出力が０でない場合、
バックプロパゲーション法により、負出力用ＮＮ部８２
には、０が学習される。

【００９３】教師出力が負の場合には、正負判定部７１
により、正教師出力は０となり現在の正出力用ＮＮ部８
１の出力が０でない場合、正出力用ＮＮ部８１には０が
学習される。一方、負の教師出力は、教師出力に等しい
とされ、絶対値変換部８３にて、その絶対値をとり、こ
の値に基づきバックプロパゲーション法により負出力用
ＮＮ部８２に学習を行う。この学習は、負出力用ＮＮ部
８２の出力と、正負判定部７１から入力される負の教師
出力とを入力として、この出力の差が所定の範囲内に収
まるまで学習し、ニューロン１９間の結合２１の重みが
変更される。

【００９４】この様にして、全ての教師データのパター
ンを学習することにより、この追加学習ＮＮ部８には、
入力と出力の関係が学習される。この後、スイッチ９、
１１により、学習モードから出力モードにネットワーク
の構成を切り換える。入力データが入力されると、この
入力に対し正出力用ＮＮ部８１は、学習結果に基づき、
ある決まった値を出力する。一方、負出力用ＮＮ部８２
も、学習結果に基づき、決まった値を出力する。但し、
この負出力用ＮＮ負８２の出力は、出力のマイナス変換
部８４により−１倍され、その後、正出力用ＮＮ部８１
の出力と、加算部８５にて加算され、このネットワーク
全体の出力となる。

【００９５】上記の如く構成することにより、正負にま
たがる出力値を学習し、出力することが可能なニューラ
ルネットワークを構成することができる。次に、エンジ
ン燃料噴射量の補正に、このニューラルネットワークを
用いた際の例について説明する。

【００９６】エンジンの固体差、経年変化等の影響を補
正するため、本構成により、学習によって最適な噴射量
に設定することができる。本来の噴射量と最適な噴射量
との差分を、追加学習ＮＮ部８にて学習し、その後、出
力モードに切り換えて、最適な噴射量にするための補正
量を出力することができる。

【００９７】図１６に、上記のニューラルネットワーク
の全体構成図を示す。この図１６に示すように、本構成
のニューラルネットワークは、平均的なパターンを出力
する学習済みＮＮ部４と、正出力用ＮＮ部８１と、負出
力用ＮＮ部８２とを備える。この夫々のニューラルネッ
ト部４、８１、８２に入力信号が入力され、各々にて値
が出力される。これらの出力値を加え合わせることで、
所望の出力値とすることができる。

【００９８】なお、図１６では、学習データは、正出力
用ＮＮ部８１に一個の追加学習を行うための出力データ
が存在し、同様に、負出力用ＮＮ部８２に一個の追加学
習を行うための出力データが存在しているが、複数存在
しても良い。

【００９９】このような構成とすることで、学習は平均
的なブロアパターンと相違した箇所のデータのみを入力
し、不特定な者が使用した場合や、万一、学習が収束し
なかった場合には、正出力用ＮＮ部８１と負出力用ＮＮ
部８２を切り離し、平均的なパターンを出力する学習済
みＮＮ部４のみで制御をすることもできる。

【０１００】なお、上記の実施例では、結合２１が電気
的に結合されるものであるとしたが、これに限らず、光
で結合される光ニューラルネットにより構成されても良
い。

【０１０１】

【発明の効果】以上説明したように、本発明において
は、基本制御を行う基本制御部とは別に、追加学習可能
な追加学習ニューラルネット部を設ける。この追加学習
ニューラルネット部にて、出力値を変更した時の変更分
の値だけ出力できる制御データを学習する。

【０１０２】変更分に対応する追加学習データのみの学
習を追加学習ニューラルネット部にて行うため、追加学
習データに則した追加制御パターンを学習することがで
きる。基本制御部での基本出力値に、追加学習ニューラ
ルネット部での追加出力値を加えることで、希望の出力
値とすることができる。

【０１０３】基本制御パターンに基づいた学習済みニュ
ーラルネット部は学習しなおすことが無いので、変更し
たい入出力関係以外の部分には影響が無い。また、請求
項２記載の本発明においては、記憶部の記憶容量内に一
杯に追加学習データが記憶された後は、記憶済みの追加
学習データの中の不要なデータと新たな追加学習データ
とを比較して、より重要なデータを記憶しておく構成と
するので、記憶部内の限られた記憶容量内にて重要な追
加学習データを記憶していくことができる。

【０１０４】また、請求項３記載の本発明においては、
追加学習ニューラルネット部に学習される追加制御パタ
ーンを、正の出力値の場合と負の出力値の場合とに分け
て学習する。負の出力値を持つデータは、絶対値変換し
て正の値にしてから学習するので、正の値の時と同様に
学習することができる。そして、出力時には、負の出力
値を−１倍してから、正の出力値との和をとり、追加学
習ニューラルネット部の出力とする。従って、負の出力
値がある場合においても学習の収束がし易くなり、学習
処理時間も短くなる。

【図面の簡単な説明】

【図１】本発明のニューラルネット型追加学習装置の第
１実施例を示すシステム図である。

【図２】本発明のニューラルネット型追加学習装置の制
御を示すフローチャートである。

【図３】従来のニューラルネット型追加学習装置を示す
システム図である。

【図４】本発明の第２実施例を示すシステム図であると
共に、特許請求の範囲に対応する図である。

【図５】本発明のニューラルネット型追加学習装置を空
調装置に用いた際の全体構成図を示す。

【図６】パネルＰを示す正面図である。

【図７】本発明の第２実施例の制御を示すフローチャー
トである。

【図８】本発明の第２実施例の制御を示すフローチャー
トである。

【図９】本発明の第２実施例の制御を示すフローチャー
トである。

【図１０】（ａ）は、学習済みＮＮ部によるブロワの基
本制御パターンを示す図である。（ｂ）は、追加学習Ｎ
Ｎ部による制御パターンを示す図である。（ｃ）は、学
習済みＮＮ部の出力と追加学習ＮＮ部の出力との和によ
る制御パターンを示す図である。

【図１１】学習モードにおける追加学習ＮＮ部のシステ
ム図である。

【図１２】出力モードにおける追加学習ＮＮ部のシステ
ム図である。

【図１３】追加学習ＮＮ部による制御パターンを示す図
である。

【図１４】バイアスを持った際の追加学習ＮＮ部による
制御パターンを示す図である。

【図１５】追加学習ＮＮ部による制御パターンを示す図
である。

【図１６】本発明のニューラルネット型追加学習装置を
示すシステム図である。

【符号の説明】

１、５ 入力層 ２、６ 中間層 ３、７ 出力層 ４ 学習済みＮＮ部 ８ 追加学習ＮＮ部 １０ 第１メモリ １２ 第２メモリ １３ 制御部 １４ 信号入力部 １７ 統合出力部 ８１ 正出力用ＮＮ部 ８２ 負出力用ＮＮ部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 伊藤 裕司 愛知県刈谷市昭和町１丁目１番地 日本電 装株式会社内 (72)発明者 河合 孝昌 愛知県刈谷市昭和町１丁目１番地 日本電 装株式会社内 (72)発明者 竹尾 裕治 愛知県刈谷市昭和町１丁目１番地 日本電 装株式会社内

Claims (3)

【特許請求の範囲】
1. 【請求項１】 信号を入力する信号入力手段と、 この信号入力手段にて入力される入力信号と、この入力
   信号に応じて出力されるべき出力信号とからなる基本制
   御パターンを学習済みのものであって、前記信号入力手
   段により入力信号が入力されると基本制御パターンに基
   づく基本出力値を出力する基本制御部と、 前記信号入力手段により入力信号が入力されると追加制
   御パターンに基づく追加出力値を出力する追加学習ニュ
   ーラルネット部と、 前記基本制御部から出力される基本出力値と、前記追加
   学習ニューラルネット部から出力される追加出力値との
   和に基づく統合出力値を出力する統合出力部と、 この統合出力部から出力された統合出力値を任意の出力
   値に変更する出力変更手段と、 前記基本出力値と前記出力変更手段にて変更した出力値
   との出力の差を算出する差分算出手段と、 この差分算出手段にて算出された出力差と前記入力信号
   とからなる追加学習データを記憶する記憶部と、 を備え、前記追加学習ニューラルネット部は、前記記憶
   部に記憶された追加学習データに基づいて前記追加制御
   パターンの学習を実行するニューラルネット型追加学習
   装置。
2. 【請求項２】 前記出力変更手段により統合出力値が変
   更された時に、前記記憶部の記憶可能な領域と、記憶さ
   れた追加学習データの蓄積量とを比較する比較手段と、 この比較手段により、前記記憶部に記憶済みの追加学習
   データの蓄積量が記憶可能領域を越えると判断すると、
   記憶部に記憶された追加学習データの中で、より不要な
   出力値を示す追加学習データを選択する選択手段と、 この選択手段により選択された不要な追加学習データ
   と、統合出力値変更時の新たな追加学習データとを比較
   して、何れの追加学習データがより重要な出力値を示す
   追加学習データであるのかを判断する判断手段と、 この判断手段にて、前記記憶部に記憶済みの追加学習デ
   ータがより重要な出力値を示すデータであると判断され
   た時には、新たな追加学習データは記憶せず、一方、新
   たな追加学習データがより重要な出力値を示すデータで
   あると判断された時には、前記記憶手段に記憶済みの前
   記選択手段にて選択された不要な追加学習データ上に新
   たな追加学習データを上書きして記憶する記憶データ制
   御手段と、 を備える請求項１記載のニューラルネット型追加学習装
   置。
3. 【請求項３】 前記差分算出手段により算出された出力
   差が正の値であるのか、負の値であるのかを判断する判
   断手段と、 この判断手段にて判断された出力差が負である時に、こ
   の出力差を絶対値変換する絶対値変換手段と、 を有し、前記追加学習ニューラルネット部は、前記信号
   入力手段により入力信号が入力された時に、正側追加制
   御パターンに基づいて正側追加出力値を出力する正出力
   用ニューラルネット部と、 前記信号入力手段により入力信号が入力された時に、負
   側追加制御パターンに基づいて負側追加出力値を出力す
   る負出力用ニューラルネット部と、 この負出力用ニューラルネット部にて出力された負側追
   加出力値を、−１倍する出力変換手段と、 この出力変換手段にて−１倍された負側追加出力値と正
   側追加出力値との和を出力する出力部と、 を備え、前記正出力用ニューラルネット部は、前記差分
   算出手段により算出された出力差が正の値である時に、
   この出力差と出力変更時の入力信号とに基づき前記正側
   追加制御パターンの学習を実行し、 前記負出力用ニューラルネット部は、前記差分算出手段
   により算出された出力差が負の値である時に、前記絶対
   値変換手段により絶対値変換された出力差と出力変更時
   の入力信号とに基づき前記負側追加制御パターンの学習
   を実行する請求項１記載のニューラルネット型追加学習
   装置。