JPH06314105A - ニューラルネットコントローラシステム - Google Patents
ニューラルネットコントローラシステムInfo
- Publication number
- JPH06314105A JPH06314105A JP5104795A JP10479593A JPH06314105A JP H06314105 A JPH06314105 A JP H06314105A JP 5104795 A JP5104795 A JP 5104795A JP 10479593 A JP10479593 A JP 10479593A JP H06314105 A JPH06314105 A JP H06314105A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- network controller
- parameters
- parameter
- setting
- 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】 複雑なパラメータ設定をコントローラで行う
必要がなくなり、コントローラそのものの構成を簡略化
でき、その結果、製造効率を大幅に向上させる。 【構成】 パラメータ設定器３では、ＣＲＴ５上に表示
されたメニューの選択肢をマウス６の操作により選択
し、各種パラメータを設定する。パラメータである層
数、層内のユニット数（ニューロン数）、各ユニットの
出力特性、結合の順番、および結合の種類（重み付け係
数）等は、ニューラルネットコントローラ２へ供給され
る。ニューラルネットコントローラ２では、上記パラメ
ータに応じたニューラルネットが構成される。そして、
該ニューラルネットコントローラ２により、制御対象１
が制御される。
必要がなくなり、コントローラそのものの構成を簡略化
でき、その結果、製造効率を大幅に向上させる。 【構成】 パラメータ設定器３では、ＣＲＴ５上に表示
されたメニューの選択肢をマウス６の操作により選択
し、各種パラメータを設定する。パラメータである層
数、層内のユニット数（ニューロン数）、各ユニットの
出力特性、結合の順番、および結合の種類（重み付け係
数）等は、ニューラルネットコントローラ２へ供給され
る。ニューラルネットコントローラ２では、上記パラメ
ータに応じたニューラルネットが構成される。そして、
該ニューラルネットコントローラ２により、制御対象１
が制御される。
Description
【０００１】
【産業上の利用分野】この発明は、制御対象の制御系に
用いて好適なニューラルネットコントローラシステムに
関する。
用いて好適なニューラルネットコントローラシステムに
関する。
【０００２】
【従来の技術】近年、フィードバック制御されるプラン
ト等の制御対象において、ニューラルネットワークによ
る制御系を用いることが試みられている。一般に、制御
対象には、数式によってモデル化できないような外乱が
含まれている。これを通常のフィードバック制御で制御
するのは非常に困難である。上記ニューラルネットワー
ックは、人間の脳における神経系を模擬したもので、上
述した外乱に対しても最適な制御が可能であることが知
られている。
ト等の制御対象において、ニューラルネットワークによ
る制御系を用いることが試みられている。一般に、制御
対象には、数式によってモデル化できないような外乱が
含まれている。これを通常のフィードバック制御で制御
するのは非常に困難である。上記ニューラルネットワー
ックは、人間の脳における神経系を模擬したもので、上
述した外乱に対しても最適な制御が可能であることが知
られている。
【０００３】
【発明が解決しようとする課題】ところで、上述した従
来のニューラルネットを用いたコントローラシステムで
は、通常の制御系に比べて、設定すべきパラメータが多
く、その設定手順も非常に複雑になり、設定を間違え易
いという問題がある。また、同様の理由からパラメータ
を容易に変更できないため、結局、最適な制御条件とす
ることが難しいという問題を生じる。
来のニューラルネットを用いたコントローラシステムで
は、通常の制御系に比べて、設定すべきパラメータが多
く、その設定手順も非常に複雑になり、設定を間違え易
いという問題がある。また、同様の理由からパラメータ
を容易に変更できないため、結局、最適な制御条件とす
ることが難しいという問題を生じる。
【０００４】この発明は上述した事情に鑑みてなされた
もので、コントローラそのものの構成を簡略化でき、そ
の結果、製造効率を大幅に向上させることができ、ま
た、多くの複雑なパラメータを容易に設定でき、さら
に、学習内容を表示できるとともに、汎用性に優れたニ
ューラルネットコントローラシステムを提供することを
目的としている。
もので、コントローラそのものの構成を簡略化でき、そ
の結果、製造効率を大幅に向上させることができ、ま
た、多くの複雑なパラメータを容易に設定でき、さら
に、学習内容を表示できるとともに、汎用性に優れたニ
ューラルネットコントローラシステムを提供することを
目的としている。
【０００５】
【課題を解決するための手段】上述した問題点を解決す
るために、請求項１記載の発明では、ニューラルネット
によって構成され、制御対象の制御量を目標値に到達さ
せるべく制御する制御手段と、前記制御手段と別途に設
けられ、前記制御手段のパラメータを設定する手段であ
って、前記パラメータの設定過程および設定されたパラ
メータの状況を画像として表示する表示手段と、前記表
示手段に表示される指示に従って前記パラメータを設定
する操作手段とを備える設定手段とを具備することを特
徴とする。また、請求項２記載の発明では、請求項１記
載のニューラルネットコントローラシステムにおいて、
前記操作手段は、前記表示手段の画面上の位置座標を指
示するポインティングデバイスであることを特徴とす
る。
るために、請求項１記載の発明では、ニューラルネット
によって構成され、制御対象の制御量を目標値に到達さ
せるべく制御する制御手段と、前記制御手段と別途に設
けられ、前記制御手段のパラメータを設定する手段であ
って、前記パラメータの設定過程および設定されたパラ
メータの状況を画像として表示する表示手段と、前記表
示手段に表示される指示に従って前記パラメータを設定
する操作手段とを備える設定手段とを具備することを特
徴とする。また、請求項２記載の発明では、請求項１記
載のニューラルネットコントローラシステムにおいて、
前記操作手段は、前記表示手段の画面上の位置座標を指
示するポインティングデバイスであることを特徴とす
る。
【０００６】
【作用】本発明によれば、設定手段において、表示手段
の表示画面を確認しながら、設定手段により制御手段の
パラメータを設定する。設定されたパラメータは、設定
手段と別体で、ニューラルネットによって構成された制
御手段に供給される。制御手段は、パラメータに従って
ニューラルネットを構成し、該ニューラルネットによっ
て制御対象の制御量を目標値に到達させるべく制御す
る。また、上記設定手段を、表示手段の画面上の位置座
標を指示するポインティングデバイスとしてもよい。
の表示画面を確認しながら、設定手段により制御手段の
パラメータを設定する。設定されたパラメータは、設定
手段と別体で、ニューラルネットによって構成された制
御手段に供給される。制御手段は、パラメータに従って
ニューラルネットを構成し、該ニューラルネットによっ
て制御対象の制御量を目標値に到達させるべく制御す
る。また、上記設定手段を、表示手段の画面上の位置座
標を指示するポインティングデバイスとしてもよい。
【０００７】
【実施例】次に図面を参照してこの発明の一実施例につ
いて説明する。図１は本発明によるニューラルネットコ
ントローラシステムの構成を示す概略ブロック図であ
る。図において、１はプラントなどの制御対象である。
２はニューラルネットコントローラであり、制御対象１
の外乱を含めた制御量ＣＴを検出し、該制御量ＣＴが目
標値となるよう、制御対象１に対して操作量ＯＰを出力
する。
いて説明する。図１は本発明によるニューラルネットコ
ントローラシステムの構成を示す概略ブロック図であ
る。図において、１はプラントなどの制御対象である。
２はニューラルネットコントローラであり、制御対象１
の外乱を含めた制御量ＣＴを検出し、該制御量ＣＴが目
標値となるよう、制御対象１に対して操作量ＯＰを出力
する。
【０００８】ここで、上述したニューラルネットコント
ローラ２について図２を参照して説明する。一般に、ニ
ューラルネットでは、個々の構成要素は人間の神経細胞
と似た機能を有している。図２はニューラルネットの基
本的な構成を示す概念図である。図において、ニューラ
ルネットは、入力層Ｌ１、中間層Ｌ２および出力層Ｌ３
からなる。各層Ｌ１、Ｌ２、Ｌ３は複数のユニットから
構成されており、この例では、各々、３つのユニットＵ
１１，Ｕ１２，Ｕ１３、Ｕ２１，Ｕ２２，Ｕ２３、Ｕ３
１，Ｕ３２，Ｕ３３から構成されている。各ユニットＵ
１１，Ｕ１２，…，Ｕ３２，Ｕ３３の入出力特性は非線
形をとることを特徴としている。また、各層の各ユニッ
トは、任意のユニットと結合することができる。また、
各結合の強さを決めるために、各ユニットＵ１１，Ｕ１
２，…，Ｕ３２，Ｕ３３の入力端には可変の重み付け係
数（図示略）が供給されるようになっている。
ローラ２について図２を参照して説明する。一般に、ニ
ューラルネットでは、個々の構成要素は人間の神経細胞
と似た機能を有している。図２はニューラルネットの基
本的な構成を示す概念図である。図において、ニューラ
ルネットは、入力層Ｌ１、中間層Ｌ２および出力層Ｌ３
からなる。各層Ｌ１、Ｌ２、Ｌ３は複数のユニットから
構成されており、この例では、各々、３つのユニットＵ
１１，Ｕ１２，Ｕ１３、Ｕ２１，Ｕ２２，Ｕ２３、Ｕ３
１，Ｕ３２，Ｕ３３から構成されている。各ユニットＵ
１１，Ｕ１２，…，Ｕ３２，Ｕ３３の入出力特性は非線
形をとることを特徴としている。また、各層の各ユニッ
トは、任意のユニットと結合することができる。また、
各結合の強さを決めるために、各ユニットＵ１１，Ｕ１
２，…，Ｕ３２，Ｕ３３の入力端には可変の重み付け係
数（図示略）が供給されるようになっている。
【０００９】また、上述したニューラルネットにおける
学習は、まず、入力層Ｌ１の各ユニットＵ１１，Ｕ１２
およびＵ１３に入力データＩＮＤを与える。この実施例
では、制御対象１の制御量が入力データとなる。これら
の信号は各ユニットＵ１１，Ｕ１２およびＵ１３におい
て変換され、中間層Ｌ２へ供給され、さらに、出力層Ｌ
３へ順次供給されて出力される。その出力値ＯＵＴＤ
と、所望する出力値（目標値）とを比較し、その差を減
らすように、各ユニットの結合の強さ（重み付け係数）
を変えることにより学習がなされる。このようなニュー
ラルネットコントローラ２では、数式でモデル化が難し
い現象を学習により獲得し、制御することができる。
学習は、まず、入力層Ｌ１の各ユニットＵ１１，Ｕ１２
およびＵ１３に入力データＩＮＤを与える。この実施例
では、制御対象１の制御量が入力データとなる。これら
の信号は各ユニットＵ１１，Ｕ１２およびＵ１３におい
て変換され、中間層Ｌ２へ供給され、さらに、出力層Ｌ
３へ順次供給されて出力される。その出力値ＯＵＴＤ
と、所望する出力値（目標値）とを比較し、その差を減
らすように、各ユニットの結合の強さ（重み付け係数）
を変えることにより学習がなされる。このようなニュー
ラルネットコントローラ２では、数式でモデル化が難し
い現象を学習により獲得し、制御することができる。
【００１０】図１に説明を戻すと、３はパラメータ設定
器であり、上記ニューラルネットコントローラ２に対し
ての各種パラメータを設定する。該パラメータ設定器３
には、図示しないメモリ、外部記憶装置等を備えるパラ
メータ設定制御部４、表示器としてのＣＲＴ５、ポイン
ティングデバイスであるマウス６等からなる。パラメー
タ設定器３では、ＣＲＴ５上に表示されたメニューの選
択肢をマウス６により選択することによって、各種パラ
メータを設定するようになっている。なお、ＣＲＴ５の
表示画面の例は後述する。パラメータ設定器３によって
設定されるパラメータとしては、例えば、層数、層内の
ユニット数（ニューロン数）、各ユニットの出力特性
（非線形特性）、結合の順番、および結合の種類（重み
付け係数）等がある。また、設定されたパラメータは、
適宜、ファイル名を付けて、図示しないメモリ、もしく
は外部記憶装置に記憶される。したがって、全てのパラ
メータを逐次設定していく以外にも、既存のファイルを
読み出すことによってパラメータを設定することができ
る。
器であり、上記ニューラルネットコントローラ２に対し
ての各種パラメータを設定する。該パラメータ設定器３
には、図示しないメモリ、外部記憶装置等を備えるパラ
メータ設定制御部４、表示器としてのＣＲＴ５、ポイン
ティングデバイスであるマウス６等からなる。パラメー
タ設定器３では、ＣＲＴ５上に表示されたメニューの選
択肢をマウス６により選択することによって、各種パラ
メータを設定するようになっている。なお、ＣＲＴ５の
表示画面の例は後述する。パラメータ設定器３によって
設定されるパラメータとしては、例えば、層数、層内の
ユニット数（ニューロン数）、各ユニットの出力特性
（非線形特性）、結合の順番、および結合の種類（重み
付け係数）等がある。また、設定されたパラメータは、
適宜、ファイル名を付けて、図示しないメモリ、もしく
は外部記憶装置に記憶される。したがって、全てのパラ
メータを逐次設定していく以外にも、既存のファイルを
読み出すことによってパラメータを設定することができ
る。
【００１１】次に、上述した構成による動作について、
図３および図４を参照して説明する。図３はパラメータ
設定器３におけるパラメータ設定手順を示すフローチャ
ートであり、図４はパラメータ設定時におけるＣＲＴ５
の表示例を示す模式図である。まず、ステップＳ１にお
いて、ファイル名の入力を指示する。次に、ステップＳ
２へ進み、入力されたファイル名が既存のものであるか
否かを判断する。そして、新規のファイル名である場合
には、ステップＳ２における判断結果は「ＮＯ」とな
り、ステップＳ３へ進む。ステップＳ３では、ニューラ
ルネットを何層で構成するかを決めるために層数を入力
する。入力は、通常、ＣＲＴ５に表示される選択肢をマ
ウス６の操作により選択することにより行う。次に、ス
テップＳ４へ進み、制御対象１の入出力端子をＣＲＴ５
へ表示する。
図３および図４を参照して説明する。図３はパラメータ
設定器３におけるパラメータ設定手順を示すフローチャ
ートであり、図４はパラメータ設定時におけるＣＲＴ５
の表示例を示す模式図である。まず、ステップＳ１にお
いて、ファイル名の入力を指示する。次に、ステップＳ
２へ進み、入力されたファイル名が既存のものであるか
否かを判断する。そして、新規のファイル名である場合
には、ステップＳ２における判断結果は「ＮＯ」とな
り、ステップＳ３へ進む。ステップＳ３では、ニューラ
ルネットを何層で構成するかを決めるために層数を入力
する。入力は、通常、ＣＲＴ５に表示される選択肢をマ
ウス６の操作により選択することにより行う。次に、ス
テップＳ４へ進み、制御対象１の入出力端子をＣＲＴ５
へ表示する。
【００１２】次に、ステップＳ５において、１つのニュ
ーラルネットを、Ａ．コントローラネットワーク、Ｂ．
予測モデルネットワークの２つに分ける。ここで、予測
モデルネットワークについて簡単に説明する。予測モデ
ルは、前述したニューラルネットワークによって構成さ
れ、制御対象１の入出力特性、すなわち入力される操作
量に対して、制御対象がどのような制御量を出力するか
を予測する。したがって、この予測モデルネットワーク
を併用することにより、さらに、適切な制御が可能とな
る。次に、ステップＳ６へ進み、各層の一番目のユニッ
トをＣＲＴ５に表示する。そして、ステップＳ７におい
て、ユニット種類をＣＲＴ５にメニュー表示し、マウス
６の操作によりユニット種類を選択することによって、
ユニットを増減し、ステップＳ８へ進む。ステップＳ８
では、結線の種類をＣＲＴ５にメニュー表示し、マウス
６の操作により結線の種類を選択し、その結線に従って
マウス６で選択したユニット間の結線をＣＲＴ５に描画
する。次に、ステップＳ９へ進み、各ユニットの結合の
初期値を自動設定する。設定された結合の強さは、ＣＲ
Ｔ５上の結線の色表示を変えることで識別可能とする。
そして、ステップＳ１０において、上記ステップＳ３〜
Ｓ９において設定されたパラメータを、ステップＳ１に
おいて入力したファイル名を付けて外部記憶装置へ保存
する。
ーラルネットを、Ａ．コントローラネットワーク、Ｂ．
予測モデルネットワークの２つに分ける。ここで、予測
モデルネットワークについて簡単に説明する。予測モデ
ルは、前述したニューラルネットワークによって構成さ
れ、制御対象１の入出力特性、すなわち入力される操作
量に対して、制御対象がどのような制御量を出力するか
を予測する。したがって、この予測モデルネットワーク
を併用することにより、さらに、適切な制御が可能とな
る。次に、ステップＳ６へ進み、各層の一番目のユニッ
トをＣＲＴ５に表示する。そして、ステップＳ７におい
て、ユニット種類をＣＲＴ５にメニュー表示し、マウス
６の操作によりユニット種類を選択することによって、
ユニットを増減し、ステップＳ８へ進む。ステップＳ８
では、結線の種類をＣＲＴ５にメニュー表示し、マウス
６の操作により結線の種類を選択し、その結線に従って
マウス６で選択したユニット間の結線をＣＲＴ５に描画
する。次に、ステップＳ９へ進み、各ユニットの結合の
初期値を自動設定する。設定された結合の強さは、ＣＲ
Ｔ５上の結線の色表示を変えることで識別可能とする。
そして、ステップＳ１０において、上記ステップＳ３〜
Ｓ９において設定されたパラメータを、ステップＳ１に
おいて入力したファイル名を付けて外部記憶装置へ保存
する。
【００１３】一方、上述したステップＳ１において入力
されたファイル名が既存のものである場合には、ステッ
プＳ２における判断結果が「ＹＥＳ」となりステップＳ
７へ進み、外部記憶装置からファイルを読み込み、該フ
ァイルのパラメータに従って、上述した処理と同様にス
テップＳ７〜Ｓ１０を実行し、修正もしくは変更等を施
す。
されたファイル名が既存のものである場合には、ステッ
プＳ２における判断結果が「ＹＥＳ」となりステップＳ
７へ進み、外部記憶装置からファイルを読み込み、該フ
ァイルのパラメータに従って、上述した処理と同様にス
テップＳ７〜Ｓ１０を実行し、修正もしくは変更等を施
す。
【００１４】このようにして、最終的に、図４に示すよ
うに、ＣＲＴ５にパラメータ設定後のニューラルネット
が表示される。図において、ニューラルネットの層数は
３層（ＬＹ１，ＬＹ２，ＬＹ３）とし、層内のユニット
数は、順に、６，３，６とした。なお、図４では、各ユ
ニット間の結合の強さは、便宜上、色表示に代え、異な
る線種（実線、点線、破線、一点鎖線、二点鎖線）によ
って表わしている。
うに、ＣＲＴ５にパラメータ設定後のニューラルネット
が表示される。図において、ニューラルネットの層数は
３層（ＬＹ１，ＬＹ２，ＬＹ３）とし、層内のユニット
数は、順に、６，３，６とした。なお、図４では、各ユ
ニット間の結合の強さは、便宜上、色表示に代え、異な
る線種（実線、点線、破線、一点鎖線、二点鎖線）によ
って表わしている。
【００１５】上述した処理により設定されたパラメータ
である層数、層内のユニット数（ニューロン数）、各ユ
ニットの出力特性、結合の順番、および結合の種類（重
み付け係数）等は、ニューラルネットコントローラ２へ
供給される。ニューラルネットコントローラ２では、上
記パラメータに従って、ニューラルネットが構成され
る。そして、該ニューラルネットコントローラ２によ
り、制御対象１の制御量ＣＴが検出され、該制御量が目
標値となるよう、制御対象１に対して操作量ＯＰが出力
され、制御対象１が制御される。
である層数、層内のユニット数（ニューロン数）、各ユ
ニットの出力特性、結合の順番、および結合の種類（重
み付け係数）等は、ニューラルネットコントローラ２へ
供給される。ニューラルネットコントローラ２では、上
記パラメータに従って、ニューラルネットが構成され
る。そして、該ニューラルネットコントローラ２によ
り、制御対象１の制御量ＣＴが検出され、該制御量が目
標値となるよう、制御対象１に対して操作量ＯＰが出力
され、制御対象１が制御される。
【００１６】なお、上述した実施例では、ポインティン
グデバイスとして、マウス６を用いたが、これに限定さ
れることなく、トラックボールやジョイスティック、あ
るいはタブレットやデジタイザによる入力手段、もしく
は直接画面を指で指示する方式であってもよい。
グデバイスとして、マウス６を用いたが、これに限定さ
れることなく、トラックボールやジョイスティック、あ
るいはタブレットやデジタイザによる入力手段、もしく
は直接画面を指で指示する方式であってもよい。
【００１７】
【発明の効果】以上、説明したように、この発明によれ
ば、ニューラルネットによって構成され、制御対象の制
御量を目標値に到達させるべく制御する制御手段と、前
記制御手段のパラメータを設定する手段であって、前記
パラメータの設定過程および設定されたパラメータの状
況を画像として表示する表示手段と、前記表示手段に表
示される指示に従って前記パラメータを設定する操作手
段とを備える設定手段とを別体としたため、コントロー
ラそのものの構成を簡略化でき、その結果、製造効率を
大幅に向上させることができ、また、多くの複雑なパラ
メータを容易に設定でき、さらに、学習内容を表示でき
るとともに、汎用性に優れるという利点が得られる。ま
た、パラメータを設定する操作手段を、表示手段の画面
上の位置座標を指示するポインティングデバイスとした
ため、さらに容易に設定できるという利点が得られる。
ば、ニューラルネットによって構成され、制御対象の制
御量を目標値に到達させるべく制御する制御手段と、前
記制御手段のパラメータを設定する手段であって、前記
パラメータの設定過程および設定されたパラメータの状
況を画像として表示する表示手段と、前記表示手段に表
示される指示に従って前記パラメータを設定する操作手
段とを備える設定手段とを別体としたため、コントロー
ラそのものの構成を簡略化でき、その結果、製造効率を
大幅に向上させることができ、また、多くの複雑なパラ
メータを容易に設定でき、さらに、学習内容を表示でき
るとともに、汎用性に優れるという利点が得られる。ま
た、パラメータを設定する操作手段を、表示手段の画面
上の位置座標を指示するポインティングデバイスとした
ため、さらに容易に設定できるという利点が得られる。
【図１】本発明の一実施例の構成を示すブロック図であ
る。
る。
【図２】同実施例に用いたニューラルネットの基本的な
構成を示す概念図である。
構成を示す概念図である。
【図３】同実施例における動作を説明するためのフロー
チャートである。
チャートである。
【図４】同実施例におけるＣＲＴ５の表画面の一例を示
す図である。
す図である。
１ 制御対象 ２ ニューラルネットコントローラ（制御手段） ３ パラメータ設定器（設定手段） ４ パラメータ設定制御部 ５ ＣＲＴ（表示手段） ６ マウス（操作手段）
───────────────────────────────────────────────────── フロントページの続き (72)発明者 村山 茂樹 東京都江東区豊洲三丁目１番15号 石川島 播磨重工業株式会社東二テクニカルセンタ ー内 (72)発明者 木通 秀樹 東京都江東区豊洲三丁目１番15号 石川島 播磨重工業株式会社東二テクニカルセンタ ー内
Claims (2)
- 【請求項１】 ニューラルネットによって構成され、制
御対象の制御量を目標値に到達させるべく制御する制御
手段と、 前記制御手段と別途に設けられ、前記制御手段のパラメ
ータを設定する手段であって、前記パラメータの設定過
程および設定されたパラメータの状況を画像として表示
する表示手段と、前記表示手段に表示される指示に従っ
て前記パラメータを設定する操作手段とを備える設定手
段とを具備することを特徴とするニューラルネットコン
トローラシステム。 - 【請求項２】 前記操作手段は、前記表示手段の画面上
の位置座標を指示するポインティングデバイスであるこ
とを特徴とする請求項１記載のニューラルネットコント
ローラシステム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5104795A JPH06314105A (ja) | 1993-04-30 | 1993-04-30 | ニューラルネットコントローラシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5104795A JPH06314105A (ja) | 1993-04-30 | 1993-04-30 | ニューラルネットコントローラシステム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06314105A true JPH06314105A (ja) | 1994-11-08 |
Family
ID=14390386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5104795A Pending JPH06314105A (ja) | 1993-04-30 | 1993-04-30 | ニューラルネットコントローラシステム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06314105A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010514986A (ja) * | 2007-01-02 | 2010-05-06 | シーメンス アクチエンゲゼルシヤフト | 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および／または開ループ制御のための方法 |
| JP2012504810A (ja) * | 2008-10-03 | 2012-02-23 | ビ−エイイ− システムズ パブリック リミテッド カンパニ− | システムにおける故障を診断するモデルの更新の支援 |
| JP2018014060A (ja) * | 2016-07-22 | 2018-01-25 | ファナック株式会社 | 機械学習モデル構築装置、数値制御装置、機械学習モデル構築方法、機械学習モデル構築プログラム、及び記録媒体 |
| JP2022540872A (ja) * | 2019-07-08 | 2022-09-20 | ヴィアナイ システムズ， インコーポレイテッド | ニューラルネットワークの動作を変更するための手法 |
| US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
-
1993
- 1993-04-30 JP JP5104795A patent/JPH06314105A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010514986A (ja) * | 2007-01-02 | 2010-05-06 | シーメンス アクチエンゲゼルシヤフト | 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および／または開ループ制御のための方法 |
| US8099181B2 (en) | 2007-01-02 | 2012-01-17 | Siemens Aktiengesellschaft | Method for the computer-aided regulation and/or control of a technical system, especially a gas turbine |
| JP2012504810A (ja) * | 2008-10-03 | 2012-02-23 | ビ−エイイ− システムズ パブリック リミテッド カンパニ− | システムにおける故障を診断するモデルの更新の支援 |
| JP2018014060A (ja) * | 2016-07-22 | 2018-01-25 | ファナック株式会社 | 機械学習モデル構築装置、数値制御装置、機械学習モデル構築方法、機械学習モデル構築プログラム、及び記録媒体 |
| US10649416B2 (en) | 2016-07-22 | 2020-05-12 | Fanuc Corporation | Machine learning model construction device, numerical control, machine learning model construction method, and non-transitory computer readable medium encoded with a machine learning model construction program |
| JP2022540872A (ja) * | 2019-07-08 | 2022-09-20 | ヴィアナイ システムズ， インコーポレイテッド | ニューラルネットワークの動作を変更するための手法 |
| US11615321B2 (en) | 2019-07-08 | 2023-03-28 | Vianai Systems, Inc. | Techniques for modifying the operation of neural networks |
| US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3447286B2 (ja) | 生産計画作成システムおよび生産計画作成方法 | |
| US7835576B2 (en) | Apparatus and method for editing optimized color preference | |
| JP2907057B2 (ja) | 輝度自動調整装置 | |
| JPH0440719B2 (ja) | ||
| JP4347435B2 (ja) | 色修正方法およびそれを格納した記録媒体 | |
| US20040085361A1 (en) | Method and system for control system software | |
| JPS63106871A (ja) | 画像を相互作用的に変更する装置およびその使用方法 | |
| US6579324B1 (en) | Method for indicating a selected region on a computer display while allowing the user to see the formatting of the background and content items within the selected region | |
| JP2522415B2 (ja) | ファジイ制御機能付プログラマブルコントロ―ラ、そのモニタシステム、および、ファジイ制御機能付プログラマブルコントロ―ラの制御方法 | |
| JPH06314105A (ja) | ニューラルネットコントローラシステム | |
| Bockus | A systems approach to marital process | |
| JPS63262754A (ja) | スケジユ−ル管理装置 | |
| JP2691022B2 (ja) | ニューラルネットを用いた画像認識システム | |
| US20040109203A1 (en) | Anti-clipping color-image correction | |
| JPH04190461A (ja) | ニューラルネットワークの構築表示方法 | |
| JPH08315104A (ja) | 画像編集装置 | |
| US20040075853A1 (en) | Graphic-interface, anti-clipping, color-image correction | |
| JPH09319724A (ja) | 推論装置 | |
| JPH10145617A (ja) | 画像処理装置 | |
| JPH0627868A (ja) | Ｃａｉシステム | |
| JPH08272438A (ja) | プラント情報画面の配色設定装置及びその配色設定方法 | |
| JP3355004B2 (ja) | 図形入出力装置 | |
| JPH07146794A (ja) | ファジィルール表示方法 | |
| Rouse | Constructing Monte Carlo simulations in lotus 1-2-3 | |
| JPH06332877A (ja) | リカレント型ニューラルネットワーク構造構築支援方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20000201 |