JPH06259398A - 波形生成装置 - Google Patents
波形生成装置Info
- Publication number
- JPH06259398A JPH06259398A JP5041006A JP4100693A JPH06259398A JP H06259398 A JPH06259398 A JP H06259398A JP 5041006 A JP5041006 A JP 5041006A JP 4100693 A JP4100693 A JP 4100693A JP H06259398 A JPH06259398 A JP H06259398A
- Authority
- JP
- Japan
- Prior art keywords
- waveform
- output
- time
- data
- shift register
- 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
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 波形生成装置において、精度のよい予測を行
うと同時に、予測結果を入力に組み入れることで収束も
発散もしない波形を生成することができる波形生成装置
を提供する。 【構成】１単位時間毎にデータを過去にシフトするシフ
トレジスタ１０２と、そのシフトレジスタからある時間
間隔でサンプリングするサンプリング装置１０４と、サ
ンプリングデータを入力とするニューラルネット演算装
置１０５と、ニューラルネット演算装置の出力を現時点
の入力データに加算する加算装置１０６と、加算結果を
シフトレジスタ上で予測時間に対応するアドレスに格納
する格納装置１０７とを備える。
うと同時に、予測結果を入力に組み入れることで収束も
発散もしない波形を生成することができる波形生成装置
を提供する。 【構成】１単位時間毎にデータを過去にシフトするシフ
トレジスタ１０２と、そのシフトレジスタからある時間
間隔でサンプリングするサンプリング装置１０４と、サ
ンプリングデータを入力とするニューラルネット演算装
置１０５と、ニューラルネット演算装置の出力を現時点
の入力データに加算する加算装置１０６と、加算結果を
シフトレジスタ上で予測時間に対応するアドレスに格納
する格納装置１０７とを備える。
Description
【０００１】
【産業上の利用分野】本発明は、例えば扇風機、エアコ
ンにおける、ゆらぎを持った風速設定、温度設定等に利
用できる、ゆらぎを持った波形を生成する波形生成装置
に関する。
ンにおける、ゆらぎを持った風速設定、温度設定等に利
用できる、ゆらぎを持った波形を生成する波形生成装置
に関する。
【０００２】
【従来の技術】従来の波形生成装置において用いられて
いる波形の予測方法としては、次のような方法がある。
いる波形の予測方法としては、次のような方法がある。
【０００３】一つの方法は、線形予測法と呼ばれ、以下
のようにして波形の予測を行う。
のようにして波形の予測を行う。
【０００４】 Ｘ(t)=a0+a1*X(t-1)+a2*X(t-2)+...+ap*(t-p) (1) ここで、ｔを予測する時点の時刻、X(t-1),X(t-2),...,
X(t-p)が既知の波高値、X(t)が予測した波高値、a0,
a1,..,apは定数である。
X(t-p)が既知の波高値、X(t)が予測した波高値、a0,
a1,..,apは定数である。
【０００５】
【発明が解決しようとする問題点】しかしながら、この
線形予測法を利用した波形生成装置には次のような問題
点があった。つまり、過去のデータの線形結合で波形の
予測が行われるため真の値と予測される値との差が大き
い。また、予測された値を次の点を予測するデータに組
み入れると、系が線形であるので、予測される波形が発
散あるいは収束する。従って、この線形予測法を用いた
波形生成装置によりゆらぎのある波形を生成しようとし
ても、生成される波形が発散あるいは収束すると言った
問題があった。
線形予測法を利用した波形生成装置には次のような問題
点があった。つまり、過去のデータの線形結合で波形の
予測が行われるため真の値と予測される値との差が大き
い。また、予測された値を次の点を予測するデータに組
み入れると、系が線形であるので、予測される波形が発
散あるいは収束する。従って、この線形予測法を用いた
波形生成装置によりゆらぎのある波形を生成しようとし
ても、生成される波形が発散あるいは収束すると言った
問題があった。
【０００６】そこで、本発明の目的は、複雑な波形を生
成でき、再帰的にデータを入力して波形を生成したとき
にでも発散や収束しない波形を生成することのできる波
形生成装置を提供することにある。
成でき、再帰的にデータを入力して波形を生成したとき
にでも発散や収束しない波形を生成することのできる波
形生成装置を提供することにある。
【０００７】
【問題点を解決するための手段】上述の問題点を解決す
るため、本発明では、波形生成装置を、（１）時系列デ
ータを格納し、制御信号が入力される毎にデータをシフ
トするシフトレジスタと、シフトレジスタに格納されて
いる時系列データを間隔ｄでサンプリングするサンプリ
ング手段と、サンプリングされたデータを入力として、
ニューラルネットの演算を行うニューラルネット演算手
段と、得られた出力値を現時刻のデータに加算する加算
器と、加算器の出力を波形生成予測時間に対応するシフ
トレジスタのアドレスに格納する格納手段と、加算器の
出力を外部に出力する出力手段を備え、時系列の生成を
繰り返し行えることを特徴とした波形予測装置、（２）
ニューラルネット演算手段の出力をシフトレジスタに
格納する格納手段と、ニューラルネット演算手段の出力
を外部に出力する出力手段を備えることを特徴とする波
形生成装置、（３）異なるサンプリング間隔ｄをもった
サンプリング手段を複数個備え、各サンプリングされた
波高値を異なるニューラルネット演算手段に入力するこ
とを特徴とする波形生成装置、（４）サンプリングされ
るデータのうち最も時間的に新しい時刻をｔとすると
き、シフトレジスタ上の時刻ｔ＋ｍ（ｍ＞１）に対応す
るアドレスに得られた出力値を格納する格納手段を備え
ることを特徴とする波形生成装置としている。
るため、本発明では、波形生成装置を、（１）時系列デ
ータを格納し、制御信号が入力される毎にデータをシフ
トするシフトレジスタと、シフトレジスタに格納されて
いる時系列データを間隔ｄでサンプリングするサンプリ
ング手段と、サンプリングされたデータを入力として、
ニューラルネットの演算を行うニューラルネット演算手
段と、得られた出力値を現時刻のデータに加算する加算
器と、加算器の出力を波形生成予測時間に対応するシフ
トレジスタのアドレスに格納する格納手段と、加算器の
出力を外部に出力する出力手段を備え、時系列の生成を
繰り返し行えることを特徴とした波形予測装置、（２）
ニューラルネット演算手段の出力をシフトレジスタに
格納する格納手段と、ニューラルネット演算手段の出力
を外部に出力する出力手段を備えることを特徴とする波
形生成装置、（３）異なるサンプリング間隔ｄをもった
サンプリング手段を複数個備え、各サンプリングされた
波高値を異なるニューラルネット演算手段に入力するこ
とを特徴とする波形生成装置、（４）サンプリングされ
るデータのうち最も時間的に新しい時刻をｔとすると
き、シフトレジスタ上の時刻ｔ＋ｍ（ｍ＞１）に対応す
るアドレスに得られた出力値を格納する格納手段を備え
ることを特徴とする波形生成装置としている。
【０００８】
【作用】上記波形生成装置によると、シフトレジスタに
格納されているデータをサンプリング手段によりデータ
をサンプリングする。得られたデータは、ニューラルネ
ット演算手段に入力される。
格納されているデータをサンプリング手段によりデータ
をサンプリングする。得られたデータは、ニューラルネ
ット演算手段に入力される。
【０００９】このニューラルネットは、入力データに対
して予測すべき波形生成データと現時点のデータとの差
を出力するようにあらかじめ構成されているので、ニュ
ーラルネット演算手段の出力と現時点のデータの値を加
算器により加算することで予測すべき点の値が求まる。
して予測すべき波形生成データと現時点のデータとの差
を出力するようにあらかじめ構成されているので、ニュ
ーラルネット演算手段の出力と現時点のデータの値を加
算器により加算することで予測すべき点の値が求まる。
【００１０】ここで、ニューラルネットは非線形な系で
あり、任意の入出力関係を実現できるので、前述のよう
に予測を精度良く行うことは可能である。
あり、任意の入出力関係を実現できるので、前述のよう
に予測を精度良く行うことは可能である。
【００１１】この得られた予測値を格納手段によりシフ
トレジスタの予測時間に対応するアドレスに書き込む。
データが書き込まれるとシフトレジスタを時間的に過去
にシフトし、この新しく求まったデータから前述と同様
にサンプリング装置によりデータをサンプルする。この
ように求まったデータを入力に組み入れて行くことによ
り、無限にデータ系列を生成することができる。
トレジスタの予測時間に対応するアドレスに書き込む。
データが書き込まれるとシフトレジスタを時間的に過去
にシフトし、この新しく求まったデータから前述と同様
にサンプリング装置によりデータをサンプルする。この
ように求まったデータを入力に組み入れて行くことによ
り、無限にデータ系列を生成することができる。
【００１２】
【実施例】次に図面を参照して本発明を詳細に説明す
る。
る。
【００１３】図１は、本発明に係る波形生成装置の一実
施例を示したブロック図である。
施例を示したブロック図である。
【００１４】この図１において、１０１は、全体の制御
を司る制御装置。１０２は、データを格納するシフトレ
ジスタである。１０３は、初期値格納装置でシフトレジ
スタの初期値を記憶している。１０４は、シフトレジス
タから適当なサンプリング間隔でデータをサンプルする
サンプリング装置である。１０５は、あらかじめ決めら
れたニューラルネットの構造に基づいて、ニューラルネ
ットの積和演算を行うニューラルネット演算装置であ
る。１０６は、ニューラルネット演算装置１０５の出力
とシフトレジスタからサンプリングされたデータを加算
するための加算器である。１０７は、加算器の出力をシ
フトレジスタに記憶するための格納装置である。１０８
は、加算器の出力を外部に出力するための出力装置であ
る。
を司る制御装置。１０２は、データを格納するシフトレ
ジスタである。１０３は、初期値格納装置でシフトレジ
スタの初期値を記憶している。１０４は、シフトレジス
タから適当なサンプリング間隔でデータをサンプルする
サンプリング装置である。１０５は、あらかじめ決めら
れたニューラルネットの構造に基づいて、ニューラルネ
ットの積和演算を行うニューラルネット演算装置であ
る。１０６は、ニューラルネット演算装置１０５の出力
とシフトレジスタからサンプリングされたデータを加算
するための加算器である。１０７は、加算器の出力をシ
フトレジスタに記憶するための格納装置である。１０８
は、加算器の出力を外部に出力するための出力装置であ
る。
【００１５】以下に、この図１の波形生成装置の動作に
ついて説明する。
ついて説明する。
【００１６】まず、外部から制御装置１０１に装置の開
始を命ずる信号が入力されると、初期値格納装置１０３
を起動し、シフトレジスタ１０２に初期値を書き込む。
始を命ずる信号が入力されると、初期値格納装置１０３
を起動し、シフトレジスタ１０２に初期値を書き込む。
【００１７】このシフトレジスタの構造は、図３のよう
に構成されている。ここで、シフトレジスタのアドレス
を０，１，．．，Ｍとし、アドレス値の小さい方のアド
レスを時系列の過去に割り当てる。
に構成されている。ここで、シフトレジスタのアドレス
を０，１，．．，Ｍとし、アドレス値の小さい方のアド
レスを時系列の過去に割り当てる。
【００１８】次に、サンプリング装置１０４は、あらか
じめ設定されたサンプリング間隔ｄで、シフトレジスタ
の内容を読み出す。これらの値を、(a(t),a(t-d),a(t-2
d),..,a(t-(n-1)d))とする。ここで、ｎは、読み出すデ
ータの個数で、後で述べるニューラルネットの入力ユニ
ット数に相当する。
じめ設定されたサンプリング間隔ｄで、シフトレジスタ
の内容を読み出す。これらの値を、(a(t),a(t-d),a(t-2
d),..,a(t-(n-1)d))とする。ここで、ｎは、読み出すデ
ータの個数で、後で述べるニューラルネットの入力ユニ
ット数に相当する。
【００１９】サンプリング装置により読み込まれたデー
タは、ニューラルネット演算装置１０５に入力される。
ニューラルネット演算装置で計算されるニューラルネッ
トの構造は、図４のように構成されている。入力層のユ
ニット４１の個数は２０であり、中間層のユニット４２
の個数は３であり、出力層のユニット４３の個数は１で
ある。
タは、ニューラルネット演算装置１０５に入力される。
ニューラルネット演算装置で計算されるニューラルネッ
トの構造は、図４のように構成されている。入力層のユ
ニット４１の個数は２０であり、中間層のユニット４２
の個数は３であり、出力層のユニット４３の個数は１で
ある。
【００２０】次に、このニューラルネットの計算方法に
ついて述べる。
ついて述べる。
【００２１】入力ユニットに入力される値をｘiとす
る。ここで、ｉは入力ユニットの番号を表している。先
程のデータとの関係を言うと、 ｘ20 ＝ ａ（ｔ） ｘ19 ＝ ａ（ｔ−１） ｘ18 ＝ ａ（ｔ−２ｄ） ．．．． ｘ1 ＝ ａ（ｔ−１９ｄ） である。
る。ここで、ｉは入力ユニットの番号を表している。先
程のデータとの関係を言うと、 ｘ20 ＝ ａ（ｔ） ｘ19 ＝ ａ（ｔ−１） ｘ18 ＝ ａ（ｔ−２ｄ） ．．．． ｘ1 ＝ ａ（ｔ−１９ｄ） である。
【００２２】いま、現在時刻をｔ、予測時刻をｔ＋ｍと
する。
する。
【００２３】中間層のｉ番目のユニットから入力層のｊ
番目のユニットにつながる重み係数をｗi,j、閾値をθi
とすると、中間層の各ユニットの入力値ｕiは、以下の
式で求められる。
番目のユニットにつながる重み係数をｗi,j、閾値をθi
とすると、中間層の各ユニットの入力値ｕiは、以下の
式で求められる。
【００２４】
【数１】
【００２５】中間層の各ユニットに入力された値は、シ
グモイド関数 ｆ（ｘ） ＝ １／１＋ｅｘｐ（−ｘ） をとおして出力されるので、中間層のユニットの出力ｈ
iはそれぞれ、 ｈi ＝ ｆ（ｕi） （１≦ｉ≦３） になる。
グモイド関数 ｆ（ｘ） ＝ １／１＋ｅｘｐ（−ｘ） をとおして出力されるので、中間層のユニットの出力ｈ
iはそれぞれ、 ｈi ＝ ｆ（ｕi） （１≦ｉ≦３） になる。
【００２６】出力層のユニットから中間層のｉ番目のユ
ニットにつながる重み係数をｖi、閾値をδとすると、
出力層のユニットの出力値ｏは、
ニットにつながる重み係数をｖi、閾値をδとすると、
出力層のユニットの出力値ｏは、
【００２７】
【数２】
【００２８】ここで用いられる各重み係数は、バックプ
ロパゲーション法で学習を行い求めることができる。こ
の重み係数の一例を図５に示す。
ロパゲーション法で学習を行い求めることができる。こ
の重み係数の一例を図５に示す。
【００２９】このニューラルネットは、現在の時刻ｔで
のデータの値に対して、時刻（ｔ＋ｍ）でのデータの値
との差を出力するように学習がされているとする。
のデータの値に対して、時刻（ｔ＋ｍ）でのデータの値
との差を出力するように学習がされているとする。
【００３０】次に、ニューラルネットの出力値ｏと現在
の時刻のデータの値a(t)を加算器１０６により加算し、
時刻（ｔ＋ｍ）でのデータの値を求める。この得られた
値は、格納装置１０７により、シフトレジスタ１０２の
時刻（ｔ＋ｍ）に対応するアドレスに書き込まれる。そ
れと同時に、この値は出力装置１０８を通して外部に出
力され、扇風機の風速設定、エアコンの温度設定等、各
種の制御機器等に使われる。
の時刻のデータの値a(t)を加算器１０６により加算し、
時刻（ｔ＋ｍ）でのデータの値を求める。この得られた
値は、格納装置１０７により、シフトレジスタ１０２の
時刻（ｔ＋ｍ）に対応するアドレスに書き込まれる。そ
れと同時に、この値は出力装置１０８を通して外部に出
力され、扇風機の風速設定、エアコンの温度設定等、各
種の制御機器等に使われる。
【００３１】外部に出力される値の一例を図６に示す。
この図６において、横軸が時間、縦軸が波高値である。
この図６において、横軸が時間、縦軸が波高値である。
【００３２】これらの各装置を起動するタイミングは、
すべて制御装置１０１が司っている。
すべて制御装置１０１が司っている。
【００３３】図２は、本発明に係る波形生成装置の他の
実施例である。
実施例である。
【００３４】第１の発明と異なる点についてのみ以下に
詳細に述べる。
詳細に述べる。
【００３５】サンプリング装置１０４により、サンプリ
ングされたデータは、ニューラルネット演算装置１０５
に入力される。このニューラルネット演算装置１０５の
出力は、格納装置１０７により、シフトレジスタ１０２
に書き込まれる。それと同時に、出力装置１０８を通し
て、外部の制御機器等に出力される。
ングされたデータは、ニューラルネット演算装置１０５
に入力される。このニューラルネット演算装置１０５の
出力は、格納装置１０７により、シフトレジスタ１０２
に書き込まれる。それと同時に、出力装置１０８を通し
て、外部の制御機器等に出力される。
【００３６】なお、本発明の実施例で用いたニューラル
ネットの構造は、一例であり、生成する波形の時系列の
複雑さに応じて構造を決定すれば良い。
ネットの構造は、一例であり、生成する波形の時系列の
複雑さに応じて構造を決定すれば良い。
【００３７】また、上記各実施例において、サンプリン
グ装置１０４として、異なるサンプリング間隔ｄをもっ
たサンプリング装置を複数個用意しておき、サンプリン
グされた波高値を異なるニューラルネット演算１０５に
入力するようにしてもよい。
グ装置１０４として、異なるサンプリング間隔ｄをもっ
たサンプリング装置を複数個用意しておき、サンプリン
グされた波高値を異なるニューラルネット演算１０５に
入力するようにしてもよい。
【００３８】さらに、上記各実施例において、サンプリ
ング装置１０４でサンプリングされるデータのうち最も
時間的に新しい時刻をｔとするとき、シフトレジスタ上
の時刻ｔ＋ｍ（ｍ＞１）に対応するアドレスに得られた
出力値を格納する格納手段をもうけてもよい。
ング装置１０４でサンプリングされるデータのうち最も
時間的に新しい時刻をｔとするとき、シフトレジスタ上
の時刻ｔ＋ｍ（ｍ＞１）に対応するアドレスに得られた
出力値を格納する格納手段をもうけてもよい。
【００３９】
【効果】本発明の波形生成装置は上述したように構成さ
れるので、本発明生成装置を用いれば、精度のよい波形
予測が実現でき、再帰的に出力を入力に組み入れること
で、収束も発散もしない波形の生成が可能になる。
れるので、本発明生成装置を用いれば、精度のよい波形
予測が実現でき、再帰的に出力を入力に組み入れること
で、収束も発散もしない波形の生成が可能になる。
【図１】本発明に係る波形生成装置の一実施例を示した
ブロック図である。
ブロック図である。
【図２】本発明に係る波形生成装置の他の実施例を示し
たブロック図である。
たブロック図である。
【図３】本発明に係る波形生成装置におけるシフトレジ
スタを示す図である。
スタを示す図である。
【図４】本発明に係る波形生成装置におけるニューラル
ネットの構成を示す図である。
ネットの構成を示す図である。
【図５】本発明に係る波形生成装置におけるニューラル
ネットの重み係数の一例を示す図である。
ネットの重み係数の一例を示す図である。
【６図】本発明に係る波形生成装置によって生成される
波形データの一例を示す図である。
波形データの一例を示す図である。
１０１ 制御装置 １０２ シフトレジスタ １０３ 初期値格納装置 １０４ サンプリング装置 １０５ ニューラルネット演算装置 １０６ 加算器 １０７ 格納装置 １０８ 出力装置
Claims (4)
- 【請求項１】 波形の過去から現在の時系列データを用
いて波形を生成する波形生成装置において、 時系列データを格納し、制御信号が入力される毎にデー
タをシフトするシフトレジスタと、シフトレジスタに格
納されている時系列データを間隔ｄでサンプリングする
サンプリング手段と、サンプリングされたデータを入力
として、ニューラルネットの演算を行うニューラルネッ
ト演算手段と、得られた出力値を現時刻のデータに加算
する加算器と、加算器の出力を波形生成予測時間に対応
するシフトレジスタのアドレスに格納する格納手段と、
加算器の出力を外部に出力する出力手段を備え、時系列
の生成を繰り返し行えることを特徴とした波形生成装
置。 - 【請求項２】 請求項１の波形生成装置において、 ニューラルネット演算手段の出力をシフトレジスタに格
納する格納手段と、ニューラルネット演算手段の出力を
外部に出力する出力手段を備えることを特徴とする波形
生成装置。 - 【請求項３】 請求項１又は請求項２の波形生成装置に
おいて、 異なるサンプリング間隔ｄをもったサンプリング手段を
複数個備え、各サンプリングされた波高値を異なるニュ
ーラルネット演算手段に入力することを特徴とする波形
生成装置。 - 【請求項４】 請求項１又は請求項２の波形生成装置に
おいて、 サンプリングされるデータのうち最も時間的に新しい時
刻をｔとするとき、シフトレジスタ上の時刻ｔ＋ｍ（ｍ
＞１）に対応するアドレスに得られた出力値を格納する
格納手段を備えることを特徴とする波形生成装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5041006A JPH06259398A (ja) | 1993-03-02 | 1993-03-02 | 波形生成装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5041006A JPH06259398A (ja) | 1993-03-02 | 1993-03-02 | 波形生成装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06259398A true JPH06259398A (ja) | 1994-09-16 |
Family
ID=12596315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5041006A Pending JPH06259398A (ja) | 1993-03-02 | 1993-03-02 | 波形生成装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06259398A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009211294A (ja) * | 2008-03-03 | 2009-09-17 | Nippon Hoso Kyokai <Nhk> | ニューラルネットワーク装置及びそれを用いたロボットカメラ制御装置並びにニューラルネットワークプログラム |
-
1993
- 1993-03-02 JP JP5041006A patent/JPH06259398A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009211294A (ja) * | 2008-03-03 | 2009-09-17 | Nippon Hoso Kyokai <Nhk> | ニューラルネットワーク装置及びそれを用いたロボットカメラ制御装置並びにニューラルネットワークプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5349646A (en) | Signal processing apparatus having at least one neural network | |
| Kreider et al. | Building energy use prediction and system identification using recurrent neural networks | |
| US5131073A (en) | Neuron unit and neuron unit network | |
| Jokar et al. | An efficient uniform-segmented neuron model for large-scale neuromorphic circuit design: Simulation and FPGA synthesis results | |
| JPH04233634A (ja) | ファジィ推論システム | |
| US5812967A (en) | Recursive pitch predictor employing an adaptively determined search window | |
| Opper et al. | Bounds for predictive errors in the statistical mechanics of supervised learning | |
| JPH06259398A (ja) | 波形生成装置 | |
| CN111354374A (zh) | 语音处理方法、模型训练方法及电子设备 | |
| JP3214876B2 (ja) | ニューラルネットワークの構成方法およびニューラルネットワーク構築支援システム | |
| JP3121651B2 (ja) | 適応型モデル予測制御装置 | |
| JPH0793289A (ja) | カオスプロセッサー | |
| JP3083677B2 (ja) | 波形生成装置 | |
| US5481646A (en) | Neuron unit and neuron unit network | |
| US5191637A (en) | Neuron unit and neuron unit network | |
| JP3523325B2 (ja) | ニューラルネットワーク及びこれを用いた信号処理装置、自律システム、自律型ロボット並びに移動システム | |
| CN110503228B (zh) | 低风速下的风力发电机组的功率预测方法及设备 | |
| JP3184388B2 (ja) | 時系列データ生成装置 | |
| JP2574312B2 (ja) | 高速アダマ−ル変換装置 | |
| US5185851A (en) | Neuron unit and neuron unit network | |
| JP3052520B2 (ja) | パターン分類装置 | |
| JPH0588900A (ja) | 学習型フアジイ制御装置および制御方法 | |
| Zaknich | An integrated sensory-intelligent system for underwater acoustic signal-processing applications | |
| Oliger | Approximate methods for atmospheric and oceanographic circulation problems | |
| JP2765903B2 (ja) | 情報処理装置 |