JPH06347563A - 気象予測システムおよびニューロコンピュータ制御システム - Google Patents

気象予測システムおよびニューロコンピュータ制御システム

Info

Publication number
JPH06347563A
JPH06347563A JP5136267A JP13626793A JPH06347563A JP H06347563 A JPH06347563 A JP H06347563A JP 5136267 A JP5136267 A JP 5136267A JP 13626793 A JP13626793 A JP 13626793A JP H06347563 A JPH06347563 A JP H06347563A
Authority
JP
Japan
Prior art keywords
information
weather
neurocomputer
learning
meteorological
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.)
Granted
Application number
JP5136267A
Other languages
English (en)
Other versions
JP3005141B2 (ja
Inventor
Norio Emura
憲夫 江村
Hironari Masui
裕也 増井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP5136267A priority Critical patent/JP3005141B2/ja
Publication of JPH06347563A publication Critical patent/JPH06347563A/ja
Application granted granted Critical
Publication of JP3005141B2 publication Critical patent/JP3005141B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

(57)【要約】 【目的】 学習機能を備えたニューロコンピュータを制
御して、気象状態の変化の様子を学習させ気象予測を行
う気象予測技術を提供する。 【構成】 気象観測を行う時刻に対応した各観測地点ご
との気象情報を入出力層の各ニューロンに割り当て、各
観測地点で観測された気象実測情報を入力層に入力し、
以降の各々の観測地点の気象情報を推測させ、対応する
実測情報をお手本として、推測情報と実測情報との誤差
が最小になるように学習情報を更新し、これを繰り返し
て気象の変化の様子を学習させることで、以前の気象情
報を基に、以降の気象情報が予測可能になる。更に、気
象情報に対応する季節要因を学習、判別することで、気
象に対する学習の範囲を季節ごとに限定でき、時系列的
に相関関係の強い気象状態を学習できる。また、降水確
率等は、入力する時系列データのカオス性を調べ、その
データが予想し易いか否かを数値化することで求められ
る。

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】本発明は、気象予測技術およびニ
ューロコンピュータ制御技術に関し、特に、気象庁をは
じめとする気象予報業務に適応して有効な技術に関す
る。
【0002】
【従来の技術】従来の気象予測は、たとえば、各気象観
測地点から送られてきた気象情報(大気圧,温度,湿
度,風向,風速等)を基に、スーパーコンピュータを用
いて観測範囲内の将来の大気の状態(大気圧,熱量)を
計算し、予報官は、過去の経験に基づき、「晴れ」
「雨」等の具体的な天気を判断する、という方法が一般
的であった。最近では、気圧配置とその状況下の天気を
ニューロコンピュータに学習させておき、予想時点での
予測気圧配置をニューロコンピュータに入力して、その
時の気圧配置に対応した天気を出力させる研究が見られ
る。また、降雨確率は、コンピュータに「こういう大気
状態の時は過去の例では、これぐらい雨が降るという統
計情報」を出力させる。
【0003】なお、上記従来技術に関連するものとして
は、 朝日新聞 '92.4.21「なんでもQ&A:天気
予報(1)」 特開平4−220758号公報の「時系列データの予
測および予測認識方法」 等の文献に開示された技術が存在する。
【0004】
【発明が解決しようとする課題】上記従来技術には、次
の点について問題がある。
【0005】すなわち、まず第一に、過去の気圧配置と
その状況下の天気をニューロコンピュータに学習させて
おき、予想時点での予測気圧配置をニューロコンピュー
タに入力して、その時の天気を出力させる場合、例え
ば、移動性高気圧の中心部にある場合などは、「晴れ」
で問題ないが、複雑な気圧配置の場合や変化の激しい場
合、または、季節の変わり目の時期は、当る確率は大幅
に低下してしまう。
【0006】第二に、将来の大気の状態を推測するの
に、大気圧や熱量等のデータを用いて力学上の計算を行
う数値予報では、スーパーコンピュータ等の大型装置
や、計算を実行するための膨大なプログラムを必要とす
る。
【0007】第三に、降水確率を求めるのに、コンピュ
ータに「こういう大気状態の時は過去の例では、これぐ
らい雨が降るという統計情報」を出力させる場合、あら
ゆるケースに対応した統計情報を必要とし、そのため膨
大なデータを必要とする。
【0008】第四に、上記のような大がかりな気象予測
システムでは、装置の大きさもさることながら、気象に
関する専門知識がないと、気象予測(以降の天気、降水
確率等)を行うことは困難である。よって、局地的気象
予測と言えども、専門業者などに依頼せざるを得ない。
【0009】本発明では、大気の気象状態は、時系列的
要因が強く、一般に大気は西から東へゆっくり移動し、
例外的な台風でも、移動、および大気状態には規則性が
ある事を利用して、 .ニューロコンピュータに、過去の気象情報(大気
圧,温度,湿度,風向,風速,降水確率,晴れる確率,
雪の確率,大雨の確率など)の変化を学習させ、次に以
前の時系列的な気象情報を入力し、以降の気象情報を推
測させることを目的とする。
【0010】さらに、年間の大気状態の変化の様子を季
節要因ごとに学習、推測することで気象予測の精度を高
めることを目的とする。
【0011】.全国版の気象情報の提供を受け、全国
版の気象を予測する以外に、気象を予測したい地域の気
象情報をニューロコンピュータの学習対象に追加するこ
とで、任意の地域の局地的予測を可能にすることを目的
とする。
【0012】さらに、任意の地域の局地的予測を行うの
に、「特定の地域」と「特定の地域の大気状態の変化の
様子」の相関関係が強いことを利用して、特定の地域の
気象観測を行うだけで、以降の気象予測を行うことを目
的とする。
【0013】.ニューロコンピュータが推測した第2
の気象情報(降水確率、晴れる確率、雪の確率、大雨の
確率など)を、しきい値の操作で”1”(肯定要因)、
または”0”(否定要因)に変換して、ニューロコンピ
ュータに入力する気象情報に関し、規則性が最も高い場
合から、規則性が最も低い場合までを数値化する仕組み
を用いて、入力気象情報の「時間的変化のフラクタル次
元」を調べ、前記第2の気象情報の肯定要因の当たる確
率を100%から0%で推測することを目的とする。
【0014】また、本発明は、 .大がかりな装置、専門的な知識がなくても、的確に
気象予測を行うことを目的とする。
【0015】.ニューロコンピュータ(ニューロチッ
プの集合体、またはRISC等のCPUによる演算装置
等)とその制御装置から成るニューロボードをコンピュ
ータシステムに組み込み、そのオペレーティングシステ
ム上で、アプリケーションに対し、ニューロコンピュー
タを制御する個々のサブルーチンを提供することによ
り、例えば、本発明で述べる「気象予測システム」等、
ユーザが目的に応じ、ニューロコンピュータを制御する
様々な処理をアプリケーションに組み込めることを目的
とする。
【0016】本発明の前記ならびにその他の目的と新規
な特徴は、本明細書の記述および添付図面から明らかに
なるであろう。
【0017】
【課題を解決するための手段】本願において開示される
発明のうち、代表的なものの概要を簡単に説明すれば、
下記のとおりである。
【0018】すなわち、請求項1記載の発明は、気象観
測を行う少なくとも1ヵ所以上の地点の大気状態を示す
「少なくとも大気圧、温度、湿度、風向、および風速か
らなる第1の気象情報」、および「少なくとも降水確
率、晴れる確率、雪の確率、大雨の確率からなる第2の
気象情報」のうち、少なくとも一つ以上の気象情報を収
集し、以降、気象観測を行う少なくとも1カ所以上の地
点の前記第1の気象情報、および前記第2の気象情報の
うち少なくとも一つ以上の気象情報を推測する気象予測
システムにおいて、ニューロコンピュータに大気状態の
変化の様子を学習させる第1の制御手段と、任意の大気
状態の変化の様子を基に、ニューロコンピュータに以降
の大気状態を推測させる第2の制御手段と、を備えたも
のである。
【0019】また、請求項2記載の発明は、請求項1記
載の気象予測システムにおいて、複数のパターンに分類
された大気状態の変化の様子を識別する第3の制御手段
と、パターン毎に、ニューロコンピュータが大気状態の
変化の様子を学習して作成した学習情報を管理する第4
の制御手段と、パターンに対応した学習情報を用いて、
大気状態の変化の様子を学習、推測する第5の制御手段
と、を有するものである。
【0020】また、請求項3記載の発明は、少なくとも
プログラムの実行およびデータ処理を行う演算ユニット
を備え、オペレーティングシステムの配下で稼働する情
報処理装置と、ニューロコンピュータに接続されたニュ
ーロコンピュータ制御装置とを、情報処理装置の内部バ
ス、またはインターフェイスバスで接続したニューロコ
ンピュータ制御システムにおいて、ニューロコンピュー
タ制御装置は、情報処理装置のオペレーティングシステ
ム上で、任意のアプリケーションプログラムに対し、ニ
ューロコンピュータを制御する複数のコマンド手段を提
供し、アプリケーションプログラムは、コマンド手段を
選択することでオペレーティングシステムを通し、ニュ
ーロコンピュータの制御を要求できるようにした第1の
インターフェイスと、アプリケーションプログラムの要
求に対し、必要に応じニューロコンピュータを制御し、
ニューロコンピュータの処理結果のうち、必要な情報
を、オペレーティングシステムを通しアプリケーション
プログラムに応答する第2のインターフェイスと、を実
現する第6の制御手段を備えたものである。
【0021】また、請求項4記載の発明は、請求項1ま
たは2記載の気象予測システム、または請求項3記載の
ニューロコンピュータ制御システムにおいて、少なくと
も一つ以上の異なる時刻に、少なくとも一つ以上の異な
る地点で、観測、および推測される第1および第2の気
象情報のうち必要な気象情報を、ニューロコンピュータ
の入力用、および出力用の各ニューロンに割り当てる第
1の段階と、任意の時刻以前、および時刻以降の少なく
とも一つ以上の異なる時刻に、少なくとも一つ以上の異
なる地点で観測された気象情報の内容を、ニューロコン
ピュータに入力する第2の段階と、任意の時刻以前の気
象情報の内容を基に、ニューロコンピュータが推測した
任意の時刻以後の気象情報の内容と、任意の時刻以後に
観測された気象情報の内容との誤差をフィードバックし
て、ニューロコンピュータが使用している学習情報(結
合荷重、しきい値)を更新する操作を、誤差が十分小さ
くなるまで繰返す第3の段階と、学習情報を用いて、ニ
ューロコンピュータに、現時刻以前の少なくとも一つ以
上の異なる時刻の各地点の気象情報を入力することで、
現時刻以降の各地点の必要な気象情報を出力させる第4
の段階と、からなる制御動作を行う第7の制御手段を有
する第1の機能、ニューロコンピュータに、第1および
第2の気象情報うち必要な気象情報の観測を行う少なく
とも一ヶ所以上の各地点毎に単独で、地点の大気状態の
変化の様子を学習させる第8の制御手段と、ニューロコ
ンピュータに、各地点の大気状態の変化に対応した、各
地点の中から選択した任意の地点の大気状態の変化の様
子を学習させる第9の制御手段と、第8の制御手段の学
習結果を用いて、各地点毎に、ニューロコンピュータ
に、地点の現時刻以前の少なくとも一つ以上の異なる時
刻の気象情報を入力して、現時刻以降の少なくとも一つ
以上の異なる時刻の必要な気象情報を出力させる第10
の制御手段と、第9の制御手段の学習結果を用いて、当
該第9の制御手段で選択した任意の地点毎に、ニューロ
コンピュータに、第10の制御手段の出力結果を入力
し、現時刻以降の少なくとも一つ以上の異なる時刻の必
要な気象情報を出力させる第11の制御手段と、からな
る第2の機能、ニューロコンピュータに、第1および第
2の気象情報うち必要な気象情報の観測を行う任意の地
点の気象情報の変化の様子を一気象情報毎に単独で学習
させる第12の制御手段と、ニューロコンピュータに、
任意の地点の各気象情報の変化に対応した、任意の地点
の各気象情報の中から選択した一気象情報の変化の様子
を学習させる第13の制御手段と、第12の制御手段の
学習結果を用いて、各気象情報毎に、任意の地点の現時
刻以前の少なくとも一つ以上の異なる時刻の一気象情報
を入力して、現時刻以降の少なくとも一つ以上の異なる
時刻の一気象情報を出力させる第14の制御手段と、第
13の制御手段の学習結果を用いて、当該第13の制御
手段で選択した任意の一気象情報毎に、ニューロコンピ
ュータに、第14の制御手段の出力結果を入力し、任意
の地点の現時刻以降の少なくとも一つ以上の異なる時刻
の一気象情報を出力させる第15の制御手段と、からな
る第3の機能、の中の少なくとも一つの機能を有する構
成としたものである。
【0022】また、請求項5記載の発明は、請求項1ま
たは2記載の気象予測システム、または請求項3記載の
ニューロコンピュータ制御システムにおいて、ニューロ
コンピュータに、気象観測を行う任意の地点で、第2の
気象情報のうち一気象情報の変化の様子を学習させる第
16の制御手段と、第16の制御手段による学習結果を
用いて、ニューロコンピュータに地点での現時刻以前の
少なくとも一つ以上の異なる時刻の一気象情報を入力し
て、現時刻以降の少なくとも一つ以上の異なる時刻の一
気象情報を出力させる第17の制御手段と、入力気象情
報のカオス性を調べ、第17の制御手段で出力した気象
情報の当たる確率を推測する第18の制御手段とからな
る第4の機能、第18の制御手段においてニューロコン
ピュータが出力した第2の気象情報を、しきい値の操作
で、”1”、または”0”に変換し、第2の気象情報を
肯定要因と否定要因に切分け、データの規則性が最も高
い場合から、規則性が最も低い場合までを数値化する仕
組みを用いて、入力気象情報の時間的変化のフラクタル
次元を調べ、推測気象情報の肯定要因、または否定要因
の当たる確率を100%から50%の間の値で求め、第
2の気象情報の肯定要因、または否定要因の当たる確率
を100%から0%の間の値で求める第19の制御手段
と、第16および第17の制御手段とからなる第5の機
能、第18の制御手段においてニューロコンピュータが
出力した第2の気象情報を、第2の気象情報の肯定要因
に対する発火率とし、データの規則性が最も高い場合か
ら、規則性が最も低い場合までを数値化する仕組みを用
いて、入力気象情報の時間的変化のフラクタル次元を調
べて、推測気象情報の肯定要因の当たる確率を100%
から50%の間の値で求め、発火率と推測気象情報の肯
定要因の当たる確率の積を第2の気象情報として求める
第20の制御手段と、第16および第17の制御手段と
からなる第6の機能、の中の少なくとも一つの機能を備
えた構成としたものである。
【0023】
【作用】上記した本発明の気象予測システムおよびニュ
ーロコンピュータ制御システムの作用の一例を示せば以
下の通りである。
【0024】(1)気象予測システムI(請求項1,
2,4に記載の気象予測システム、および請求項1,4
に記載の第1、第2、第7の制御手段) 本システムは、ニューロコンピュータに複数の観測地点
の大気状態の変化の様子を学習させ、各観測地点の現時
刻以前の時系列的な気象情報を入力して、各観測地点の
現時点以後の一つ以上の異なる時刻の気象情報を推測さ
せるもので、図4に示す「気象予測システムIにおける
ニューロコンピュータ基本モデル」、および図5に示す
「ニューロコンピュータ入出力の関係の一例を示す説明
図」を用いて説明する。
【0025】気象観測、および気象予測を行う時刻T
(t0)に対応した各観測地点L(j)毎の入力用の気象
情報Fin (t0,j, i0)(一例としてFin (i0):大気
圧,温度,湿度,風向,風速)、および出力用の気象情
報Fout (t1,j,i1)(一例としてFout (i1):大
気圧,温度,湿度,風向,風速,降雨確率,晴れる確
率)をニューロコンピュータの入力層の各ニューロンN
in(t0,j,i0)、および出力層のニューロンNout
(t1,j,i1)に割り当てておき、各地観測点で実際に
観測され、情報処理装置(以降ホストと称す)が収集し
た観測済み気象情報Fin (t0,j,i0)を、観測可能範
囲の上下限を[0]から[1]までの実数となるよう、
シグモイド関数を用いて変換し、さらに2n 倍した値を
気象実測情報Hin (t0,j,i0)とし、 .まず、異なる時刻(例えば、24,12,6時間
前、および現時点)に観測した各々の観測地点の気象情
報を気象実測情報にデータ変換してニューロコンピュー
タの入力層に入力し、学習情報(ニューロコンピュータ
の中間層、出力層における各ニューロのしきい値、およ
び複数のシナプスに記憶されている結合係数)を用い
て、以降(例えば6,12,24時間後)の各々の観測
地点の気象状態を推測させ、気象推測情報Hout (t1,
j,i1)として出力層より出力させ、次に、前記気象推
測情報Hout に対し、実際に該当時刻に観測した気象情
報Fin (t1,j,i1)を気象実測情報Hinに変換したも
のをニューロコンピュータの出力層に入力することで
「前記気象推測情報Hout (t1,j,i1)と前記気象実
測情報Hin (t1,j,i1)との誤差」が最小になるよう
に前記学習情報を更新し、 .項番を繰り返すことで気象の変化の様子(1事
象)を学習させ、さらに、別の時刻における複数の「気
象の変化の様子」(n事象)についても学習させ、 .各観測地点からホストに送られてきた、例えば、2
4,12,6時間前、および現時点の気象情報Fin (t
0:k0〜k1,j,i0)を気象実測情報Hin (t0,j,
0)に変換し、ニューロコンピュータの入力層に入力
し、前記学習情報を用いて、以降の気象状態を推測さ
せ、気象推測情報Hout (t1,j,i1)として出力層よ
り出力させ、気象情報Fout (t1:k1〜k2,j,i
1)に変換することで、例えば6,12,24時間後の各
観測地点L(j)での気象情報を推測する。
【0026】以上により、 .ニューロコンピュータに、過去の気象情報を学習さ
せ、次に以前の時系列的な気象情報を入力することで、
以降の気象情報を推測させることが可能になる。
【0027】.本発明では、気象情報の観測、および
予測地点が任意に設定できるため、全国版の気象情報の
提供を受け、全国版の気象を予測する以外に、気象を予
測したい地域の気象情報をニューロコンピュータの学習
対象に追加することで、任意の地域の局地的予測が可能
である。
【0028】.ニューロコンピュータの学習対象に、
降水確率、晴れる確率、雪の確率、大雨の確率のうち、
少なくとも一つ以上の気象情報を追加することで、これ
らの情報も予測可能となる。
【0029】.本発明による気象予測システムの運用
に、気象に関する専門的知識は不要である。
【0030】(2)季節要因の判別(請求項2に記載の
第3、第4、第5の制御手段) ニューロコンピュータに大気状態の変化とその季節要因
の関係を学習させ、時系列的な気象情報を入力して、現
在の大気状態の季節要因を推測させ、季節要因に対応し
た学習情報(大気状態の変化の様子の学習結果)を用い
て、気象予測を行う。
【0031】大気状態の変化の様子を、春,梅雨,夏,
台風,秋,秋の長雨,冬等の季節要因を学習の対象と
し、学習、および推測する前処理として、 .気象観測、および気象予測を行う時刻T (t0)に対
応した各観測地点L(j)毎の前記入力用の気象情報F
in (t0,j,i0)をニューロコンピュータの入力層の各
ニューロンNin (t0,j,i0)、および春,梅雨,夏,
台風,秋,秋の長雨,冬等の各季節要因を出力層のニュ
ーロンNout (季節要因)に割り当てておき、異なる時
刻(例えば、24,12,6時間前、および現時点)に
観測した各々の観測地点の気象情報を、気象実測情報に
データ変換しニューロコンピュータの入力層に入力し、
季節要因判別用学習情報(ニューロコンピュータの中間
層、出力層における各ニューロのしきい値、および複数
のシナプスに記憶されている結合係数で)を用いて、前
記気象情報に対する季節要因を、[0]から[1]まで
の実数で出力層より出力(判断)させ、次に、前記気象
情報に対する最も適切な季節要因を正解[1]、該当し
ない季節要因は[0]として、ニューロコンピュータの
出力層に入力することで「ニューロコンピュータが判断
した前記季節要因と、正解として出力層に入力した前記
季節要因との誤差」が最小になるようにニューロコンピ
ュータが使用している学習情報を更新し、 .項番を繰り返すことで、気象の変化に対応する季
節要因(1事象)を学習させ、さらに、別の時刻におけ
る複数の「気象の変化に対応する季節要因」(n事象)
についても学習させ、 .実際に気象情報を推測する際の前処理として、各観
測地点からホストに送られてきた、例えば、24,1
2,6時間前、および現時点の気象情報Fin(t0:k0
〜k1,j,i)を気象実測情報Hin(t0,j,i)に
変換し、ニューロコンピュータの入力層に入力し、季節
要因判別用学習情報を用いて、前記気象情報に対する季
節要因を、[0]から[1]までの実数で出力層22の
各ニューロンNout (季節要因)より出力(判断)さ
せ、最も大きい値を出力したニューロンNout (季節要
因)に割り当てられた季節要因を、前記気象情報に対す
る季節要因として判定し、「季節要因別に気象の変化の
様子を学習して得られた学習情報」を基に、実際に、項
番(1)に従い、例えば6,12,24時間後の各観測
地点L(j)での気象情報Fout (t1:k1〜k2,
j,i)を推測する。
【0032】以上により、ニューロコンピュータの気象
に対する学習の範囲を「季節ごと」に限定でき、時系列
的に相関関係の強い気象状態を学習でき、以降の気象状
態を決め細かく推測でき、特に季節の変わり目での予測
精度が維持でき、威力を発揮できる。
【0033】(3)ニューロコンピュータ制御システム
(請求項3に記載のニューロコンピュータ制御システム
および第6の制御手段) OS(オペレーティングシステム)上で動くアプリケー
ションに対し、OS上で、ニューロコンピュータを制御
する汎用的なサブルーチンを提供する。
【0034】本システムは、情報処理装置のOS上で、
アプリケーションに対し、ニューロコンピュータを制御
する個々の処理、例えば、基本的機能である「学習処
理」、「推測処理」、またはニューロコンピュータの
モード設定である「学習対象のニューロンの割当
て」、「学習情報の初期化」、「入出力層、および
中間層のニューロン数の決定」等をサブルーチンとして
提供する。
【0035】一方、アプリケーションは、プログラムを
実行していく過程で、必要に応じ、上記コマンドをOS
に対し発行する(サブルーチンをOS上で起動)。
【0036】前記コマンドを契機として、OSは、ニュ
ーロコンピュータ制御システムにアプリケーションの要
求を伝え、ニューロコンピュータ制御システムは、前記
要求に対し必要に応じ、ニューロコンピュータを制御す
るための制御情報を準備し、ニューロコンピュータに命
令を実行する様に要求する。ニューロコンピュータ制御
システムは、ニューロコンピュータの前記命令に対する
終了報告を待って、OSに終了報告をすると共に、必要
に応じ、アプリケーション、またはOSに提供すべき情
報を所定の場所に格納する。前記終了報告を契機とし
て、OSはアプリケーションへの終了報告、またはニュ
ーロコンピュータ制御システムの要求を実行する。
【0037】以上により、情報処理装置は、「ニューロ
コンピュータが接続されたニューロコンピュータ制御装
置」を内部バス、または標準インターフェイスで接続す
ることにより、ニューロコンピュータ制御システムがO
S上で提供するサブルーチンをアプリケーションプログ
ラムに組み込むことで、ニューロコンピュータを使った
処理を実行できる。
【0038】(4)気象予測システムII(請求項1,
2,4に記載の気象予測システムおよび請求項4に記載
の第8、第9、第10、第11の制御手段) 本システムは、ニューロコンピュータに、気象観測を行
う各地点毎に単独で大気状態の変化の様子を学習させ、
更に、各地点の大気状態の変化に対する特定の地点の大
気状態の変化の様子を学習させ、各観測地点の現時刻以
前の異なる時刻の気象情報を入力して、特定地点の現時
刻以後の一つ以上の異なる時刻の気象情報を推測させる
もので、図13に示す「気象予測システムIIにおけるニ
ューロコンピュータ基本モデル」を用いて説明する。
【0039】.任意の観測地点L(0)で、少なくと
も一つ以上の異なる時刻T (t0)に観測、および推測さ
れる前記第1、第2の気象情報のうち必要な気象情報
を、ニューロコンピュータの入力層、および出力層の各
ニューロンに割り当て、 .前記地点L(0)で、任意の時刻T (t0)以前、お
よび前記時刻T (t0)以降の少なくとも一つ以上の異な
る時刻に、観測された前記気象情報の内容を、ニューロ
コンピュータに入力して、前記地点L(0)における大
気状態の変化の様子を学習させ、 .項番〜を気象観測を行う少なくとも一つ以上の
地点L(j)で実行し、 .項番〜を実行した前記各地点L(j)で、ニュ
ーロコンピュータの出力層に割り当てた各気象情報のう
ち必要な気象情報を入力層に割り当て、前記任意の地点
L(0)の前記第1、第2の気象情報のうち必要な気象
情報を出力層に割り当て、 .項番〜を実行した各地点L(j)で任意の時刻
T (t0)以後の少なくとも一つ以上の異なる時刻に観測
された前記気象情報の内容、および項番で割り当てた
前記任意の地点L(0)の前記任意の時刻T (t0)以後
の少なくとも一つ以上の異なる時刻に観測された前記気
象情報の内容をニューロコンピュータに入力し、項番
〜を実行した各地点L(j)の大気状態の変化に対す
る前記任意の地点L(0)の大気状態の変化の様子を学
習させ、 .項番〜を、気象予測を必要とする地点L (j1)
で実行し、 .項番の学習結果を用いて、前記各地点L(j)毎
に、ニューロコンピュータに、現時刻T (t1)以前の少
なくとも一つ以上の異なる時刻の前記各地点での気象情
報を入力することで、現時刻T (t1)以降の必要な気象
情報を出力させ、 .項番の学習結果を用いて、前記各地点L (j1)毎
に、ニューロコンピュータに、項番の出力結果を入力
し、前記各地点L (j1)の現時刻T (t1)以降の必要な
気象情報を出力させる。
【0040】以上により、項番(1)に加え、学習、推
測の演算を行うのに、学習情報の入替え、気象情報のニ
ューロンへの割当ては頻繁に発生するものの、小規模の
ニューロン構成で実現可能で、ニューロコンピュータの
汎化能力が強化できる。
【0041】(5)気象予測システムIII (請求項1,
2,4に記載の気象予測システムおよび請求項4に記載
の第12、第13、第14、第15の制御手段) 本システムは、任意の観測地点に関し、ニューロコンピ
ュータに、各気象情報毎に、前記一気象情報のみの変化
の様子を学習させ、更に、各気象情報の変化に対する特
定の気象情報の変化の様子を学習させ、現時刻以前の異
なる時刻の気象情報を入力して、現時刻以後の一つ以上
の異なる時刻の特定の気象情報を推測させるもので、図
14に示す「気象予測システムIII におけるニューロコ
ンピュータ基本モデル」を用いて説明する。
【0042】.任意の地点で、少なくとも一つ以上の
異なる時刻に観測、および推測される前記第1、第2の
気象情報のうちの一気象情報F (i0)を、ニューロコン
ピュータの入力層、および出力層の各ニューロンに割り
当て、 .前記地点で、任意の時刻T (t0)以前、および前記
時刻T (t0)以降の少なくとも一つ以上の異なる時刻に
観測された前記一気象情報F (i0)の内容を、ニューロ
コンピュータに入力し、前記地点における前記一気象情
報F (i0)の変化の様子を学習させ、 .項番〜を気象観測を行う少なくとも一つ以上の
前記各一気象情報F (i0)で実行し、 .項番でニューロコンピュータの出力層に割り当て
た各気象情報F(i)のうち必要な気象情報を入力層に
割り当て、前記各気象情報F(i)の中から選択した一
気象情報F (i1)を出力層に割り当て、 .前記地点で、任意の時刻T (t0)以後の少なくとも
一つ以上の異なる時刻に観測された前記各気象情報F
(i)の内容、および前記時刻T (t0)以降の少なくと
も一つ以上の異なる時刻に観測された前記一気象情報F
(i1)の内容を、ニューロコンピュータに入力し、各気
象情報F(i)の変化に対する前記一気象情報F (i1)
の変化の様子を学習させ、 .項番〜を、気象予測を必要とする前記各一気象
情報F (i1)について実行し、 .項番の学習結果を用い、前記各一気象情報F
(i)毎に、ニューロコンピュータに、現時刻T (t1)
以前の少なくとも一つ以上の異なる時刻に観測された前
記一気象情報F(i)の内容を入力することで、現時刻
T (t1)以降の少なくとも一つ以上の異なる時刻の前記
一気象情報F(i)を出力させ、 .項番の学習結果を用い、前記各気象情報F (i1)
毎にニューロコンピュータに、項番の出力結果を入力
し、現時刻T (t1)以降の一気象情報F (i1)を出力さ
せる。
【0043】以上により、項番(4)に加え、特定地域
の気象観測を行うだけで、その地域の気象予測が可能、
つまり、他の地域と独立して予測が可能なため、他の地
域の気象情報の収集をしなくて済み、小規模のニューロ
構成で実現が可能である。
【0044】(6)気象予測システムIV(請求項5に記
載の気象予測システムおよび第16、第17、第18、
第19、第20の制御手段) 本システムは、降水確率、晴れる確率等の第2の気象情
報の予測に関し、ニューロコンピュータに入力する時系
列データのカオス性(規則性)を調べ、そのデータが予
測しやすいか否かを数値化することで、前記入力情報に
対しニューロコンピュータの推測が当たる確率から、ニ
ューロコンピュータが推測する第2の気象情報の肯定要
因(例えば、晴れる、雨が降る等)、または否定要因
(そうでない)に対する当たる確率を求めるもので、図
15および図16に示す「気象予測システムIVにおける
ニューロコンピュータ基本モデル」を用いて説明する。
【0045】.任意の地点で、少なくとも一つ以上の
異なる時刻に観測、および予測される前記第2の気象情
報のうち一気象情報を、ニューロコンピュータの入力
用、および出力用の各ニューロンに割り当てると共に、 .任意の時刻以前、および前記時刻以降の少なくとも
一つ以上の異なる時刻に、前記地点で観測された前記気
象情報の内容を、例えば、降水確率の場合、測定時間中
において、肯定要因である雨が降れば”1”、否定要因
である雨が降らない場合には”0”としてニューロコン
ピュータに入力し、ニューロコンピュータの出力データ
を”0”から”1”までの値になる様に設定し、また、
教師情報は、入力データと同様に”0”、または”1”
のいずれかとして、任意の地点での前記気象情報の変化
の様子を学習させ、下記項番,のいずれかを実行す
る。
【0046】.(請求項5に記載の第17、第18、
第19の制御手段)(i)前記学習結果を用いて、ニュ
ーロコンピュータに、前記地点での現時刻以前の少なく
とも一つ以上の異なる時刻の前記気象情報を入力して、
以降の少なくとも一つ以上の異なる時刻の前記第2の気
象情報を推測させ、しきい値の操作で、”1:肯定要因
(雨が降る)”、または”0:否定要因(雨が降らな
い)”のいずれかに変換し、(ii)ニューロコンピュー
タに入力した前記第2の時系列的な気象情報の集合体に
関し、フラクタル解析を行い、規則性が最も高い場合
(フラクタル次元G=”1”)から、規則性が最も低い
場合(フラクタル次元G=”2”)までを100から5
0までの値に数値化する仕組みを用いて、「入力情報に
対しニューロコンピュータの推測が当たる確率」を求
め、ニューロコンピュータが推測する降水確率、晴れる
確率等の第2の気象情報の肯定要因、または否定要因の
当たる確率を100%から50%の間の値で求め、さら
に、肯定要因の当たる確率を100%から0%の間の値
で算出する。
【0047】.(請求項5記載の第17、第18、第
20の制御手段)(i)前記学習結果を用いて、ニュー
ロコンピュータに、前記地点での現時刻以前の少なくと
も一つ以上の異なる時刻の前記気象情報を入力して、以
降の少なくとも一つ以上の異なる時刻の前記第2の気象
情報を推測させ、これを第2の気象情報の肯定要因に対
する発火率とし、(ii)ニューロコンピュータに入力し
た前記第2の時系列的な気象情報の集合体に関し、フラ
クタル解析を行い、規則性が最も高い場合(フラクタル
次元G=”1”)から、規則性が最も低い場合(フラク
タル次元G=”2”)までを100から50までの値に
数値化する仕組みを用いて、「入力情報に対しニューロ
コンピュータの推測が当たる確率」を求め、ニューロコ
ンピュータが推測する降水確率、晴れる確率等の第2の
気象情報の肯定要因の当たる確率を100%から50%
の間の値で求め、(iii)現時刻以降の各「前記推測気象
情報の肯定要因の当たる確率」と「前記発火率」との積
を求め、これを第2の気象情報として出力する。
【0048】以上により、項番(5)に加え、ニューロ
コンピュータに入力する時系列データのカオス性(規則
性)を調べ、そのデータが予測しやすいか否かを数値化
してニューロコンピュータの推測が当たる確率を求める
ことで、降水確率、晴れる確率等の第2の気象情報を明
示することが可能となる。
【0049】
【実施例】以下、本発明の実施例を図面を参照しながら
詳細に説明する。
【0050】(実施例1) (1)気象情報の定義 気象情報 : 第1の気象情報、および第2の気
象情報 第1の気象情報 : 大気状態(大気圧,温度,湿度,
風向,風速) 第2の気象情報 : 天気(降水確率,晴れる確率,雪
の確率,大雨の確率) (2)情報処理装置基本構成 図1は、本発明を情報処理装置の気象予測システムに適
応した場合の一実施例を示すブロック図であり、 (2−1)情報処理装置本体部1(以降、ホスト1と称
す)は、プログラムの実行、およびデータ処理を行う演
算ユニット3、ホスト内部バス4、およびディスク装置
5を基本構成とする。
【0051】(2−2)ニューロボード2は、 (2−2−1)図2に示す気象予測システムアプリケー
ション30からOS31を通した要求に対し、入出力
層、中間層のニューロンの割当て、学習情報の初期化、
季節要因に対応した学習情報の切り替え、および学習の
ための最適化制御などのモード設定、ニューロコンピ
ュータ7の入出力情報のデータ変換、ニューロコンピ
ュータ7の学習、推測のための起動、およびニューロコ
ンピュータ7の処理結果の吸い上げを行うため、後述す
るプログラム「ニューロコンピュータ制御ドライバ3
3」を組み込んだニューロコンピュータ制御装置6、 (2−2−2)各観測値点で実際に観測される大気状態
(大気圧:860〜1060mb、温度:−50〜50
℃、湿度0〜100%、風向:E,S,W,Nまでを1
6分割、風速:0〜100m/s)、および天気(降水
確率、晴れる確率、雪の確率、大雨の確率:全て%)等
の気象情報をシグモイド関数を用いて’0’から’1’
の実数に入るように設定し、2n 倍した気象実測情報
(後述)に変換し、または気象実測情報と対応する気象
推測情報を前記気象情報に変換するのに、プログラマブ
ルなハード演算回路を組み込んだ入力層/出力層_対応
データ変換ボード11、 (2−2−3) .図4に示すように、外部よりニューロン数の設定が
可能な入力層20、中間層21、出力層22、およびお
手本入力層(実体は出力層22)により構成され、入力
層20は一方向ラッチから成る入力部8を、出力層22
は、双方向ラッチから成る出力部9を通して外部と接続
され、入力部8、出力部9、およびニューロコンピュー
タの制御パラメータを書き替える制御パラメータ部10
は、実際には一つのポートで構成され、外部からの制御
信号で機能を切り替えることができ、 .ニューロコンピュータ制御装置6により、ニューロ
ボード内部バス15を介して入力層20の各ニューロン
に、各観測地点で実際に観測された気象情報に該当する
気象実測情報(後述)を入力されると、初期設定、また
はニューロコンピュータ7自らが更新した学習情報を基
に、気象推測情報(’0’から’1’までの値を2n
した実数:後述)を算出し、出力層22の各ニューロン
より出力し、更に、前記出力情報(推測値)に対する教
師情報(ニューロコンピュータ7への前記入力データ)
を出力層22に入力されると、バックプロパゲーション
則に基づき、出力層22の各ニューロンの出力と教師情
報との誤差、および前記誤差を逆伝播して求めた中間層
21の各ニューロンの出力誤差を最小にするように学習
情報を更新することで気象状態の変化の様子を学習する
ニューロコンピュータ7、 (2−2−4)ニューロコンピュータ7の中間層21、
出力層22における各ニューロンの「複数のシナプス結
合の係数」、および各ニューロンに対応した「しきい
値」は学習情報として、図6に示す中間層行列(中間層
シナプス係数/しきい値から成る行列)、出力層行列
(出力層シナプス係数/しきい値から成る行列)で表現
でき、「学習情報」を学習情報カレントラッチ14と
ディスク装置5との間で転送するためのバッファ、学
習情報のワークエリアまたは、学習、および推測の演
算を分割して行う場合の途中結果の一時退避エリアとし
て利用する学習情報メモリ13、 (2−2−5)ニューロコンピュータ7内部に設けら
れ、現在使用している学習情報(各ニューロンの「しき
い値と複数のシナプス結合の係数」)をカレント的に格
納する学習情報カレントラッチ14、 (2−2−6)学習情報メモリ13と学習情報カレント
ラッチ14、または学習情報メモリ13とディスク装置
5との間で「学習情報」を転送する学習情報メモリドラ
イバ12より構成され、一実施例として、ニューロボー
ド2は、メモリボードのようなスロット方式で情報処理
装置本体部1に挿入することができ、この結果、ニュー
ロコンピュータ制御装置6はホスト内部バス4に直接、
またはホスト内部バス標準インターフェイス4aで接続
され、演算ユニット3は、ニューロコンピュータ制御
装置6または入力層/出力層_対応データ変換ボード1
1の図示しない内部メモリにコマンド、および添付情報
を書き込み、ニューロコンピュータ制御装置6の終了
報告を契機として、前記内部メモリに書き込まれた終了
報告、添付情報を読み取ることができる仕掛けを持ち、
学習情報(図6に示す中間層21の各ニューロンの「し
きい値と複数のシナプス結合の係数」、および出力層2
2の各ニューロンの「しきい値と複数のシナプス結合の
係数」)の転送時、学習情報メモリドライバ12は、 .ニューロコンピュータ制御装置6の要求に対し、デ
ィスク装置5、および学習情報メモリ13を駆動して、
ディスク装置5<-->ニューロコンピュータ制御装置6
(スルー)<-->学習情報転送バス16<-->学習情報メモ
リドライバ12(スルー)<-->学習情報メモリ13の経
路でデータを転送し、 .ニューロコンピュータ7の要求に対し、学習情報カ
レントラッチ14<-->学習情報メモリドライバ12(ス
ルー)<-->学習情報メモリ13の経路でデータを転送す
る仕掛けを持つ。
【0052】(3)情報処理装置ソフトウェア構成(請
求項3記載の第6の制御手段) 図2は、本発明の情報処理装置ソフトウェアの機能分
担、およびインターフェイスの一例を示す説明図であ
り、下記より構成される。
【0053】(A) 気象予測システムアプリケーション3
0(以降、気象予測AP30と称す) .ホスト1に移植され、気象情報を観測するための観
測地点、および観測すべき気象情報項目を設定し、必要
な気象情報を各種手段で収集し、 .OS31に対し、「ニューロコンピュータ7に気象
状態の変化の様子を学習し、以降の気象状態を推測す
る」ように要求し、処理結果を吸い上げディスプレイ、
記憶装置、またはプリンタ等に出力する。
【0054】(B) ニューロコンピュータドライバ32
(制御プログラム:以降、OS31と称す) .ホスト1が内蔵するOS31に組み込まれ、 .気象予測AP30のニューロコンピュータ7に対す
る要求(コマンド発行)をそのままニューロコンピュー
タ制御ドライバ33に伝送し、 .ニューロコンピュータ7の処理結果をニューロコン
ピュータ制御ドライバ33より吸い上げ、気象予測AP
30に伝送することで、気象予測AP30とニューロコ
ンピュータ制御ドライバ33との論理インターフェイス
として機能し、 .ニューロコンピュータ制御ドライバ33の学習情報
転要求に対し、ディスク装置5と学習情報メモリ13の
間でデータ転送を許可する。
【0055】(C) ニューロコンピュータ制御ドライバ3
3(制御プログラム:以降、ニューロコンピュータ制御
ドライバ33、またはニューロコンピュータ制御装置6
と称す) .ニューロコンピュータ制御装置6内に内蔵され、 .OS31上で、気象予測AP30に対し、ニューロ
コンピュータ7を制御する「学習、推測、モード設定な
どの個々の処理」をサブルーチンとして提供し、 .学習対象である気象情報を入出力層の各ニューロン
に割り当て、以降、管理し、 .学習法の選択、学習推測の為の演算式、および制御
パラメータの設定、学習情報の初期化を行い、 .学習の単位である季節要因に対応し、学習情報メモ
リドライバ12を制御して、対応する学習情報に切り換
え、 .ニューロコンピュータ7の入出力に関し、入力層/
出力層_対応データ変換ボード11を制御して、前記気
象情報から気象実測情報へ、または気象推測情報から前
記気象情報へデータ変換し、 .気象予測AP30の要求に応じ、ニューロコンピュ
ータ7に対し、学習、推測をするように要求し、 .ニューロコンピュータ7の処理結果を吸い上げ、そ
のままOS31に開放し、 .学習精度(推測結果とお手本との誤差の低減)、お
よび学習実行速度(誤差が収束するまでの学習回数の低
減)を高めるための学習の最適化制御を行う。
【0056】(D) ニューロコンピュータ制御マイクロプ
ログラム34(以降、ニューロコンピュータ制御プログ
ラム34、またはニューロコンピュータ7と称す) ニューロコンピュータ制御ドライバ33の要求に対し、
ニューロコンピュータ7を制御して、 .学習、推測のための後述する演算をストレ−ト、も
しくは分割して実行し、 .演算式、および制御パラメータの変更等のモード設
定し、 .学習の単位である季節要因に対応し、学習情報を切
り換え、また、ニューロコンピュータ制御プログラム3
4(ニューロコンピュータ7)は、ニューロコンピュー
タ制御ドライバ33(ニューロコンピュータ制御装置
6)の起動指令に従い、図3に示す一連の演算処理を実
行し、演算結果を所定の場所に格納するものとする。
【0057】なお、推測命令、および学習命令で用いる
演算式〜式は、項番(4−2)「ニューロコンピュ
ータが学習、推測処理で行う演算」で詳述する。
【0058】(4)気象予測システムIで使用するニュ
ーロコンピュータ7に対する基本モデル (4−1)基本モデルの構成 図4は、気象予測システムIにおけるニューロコンピュ
ータの基本モデルを示したもので、「複数の観測値点の
大気の変化の様子」を学習させ、各観測値点の現時刻以
前の時系列的な気象情報を入力し、各観測地点の現時刻
以降の一つ以上の異なる時刻の気象情報を推測させるシ
ステムである。
【0059】まず、気象観測を行う時刻T (t0)(t0:
任意の時刻k0に対し、24、18、12、6時間前、
および現時点k0)に対応した各観測地点L(j)ごと
の気象情報Fin (t0,j,i0)を入力層のニューロンN
in (t0,j,i0)に割り当てる。また、気象予測を行う
時刻T (t1)(t1:任意の時刻k0に対し、6、12、
24時間時間後)に対応した各観測地点L(j)ごとの
気象情報Fout (t1,j,i1)を出力層のニューロンN
out (t1,j,i1)に割り当てる。入力層20,中間層
21および出力層22のニューロン数の最適化について
は、項番(6)の「ニューロン数の決定処理」で後述す
る。
【0060】(4−2)ニューロコンピュータ7が学
習、推測処理で行う演算 ニューロコンピュータ7で行う学習、および推測の為の
演算は、以下に示す演算式[式]から[式]を用い
る。なお、前記演算式は、本発明を簡単に説明するた
め、株式会社オーム社発行、菊池豊彦著「入門ニューロ
コンピュータ」(第1版第1刷発行)のシート89、お
よびシート91に掲載されている演算式を引用した。
【0061】また、上記式から式までの演算処理
は、機械的に実行可能であり、扱う量が多いことを考慮
し、ニューロコンピュータ7(専用のデジタルニューロ
ンチップの集合体、またはマルチプロセッサによる並列
処理)で行うことにする。
【0062】なお、入出力層に割り当てる気象情報Fin
(t0,j,i0)、および気象情報Fout (t1,j,i1)
のデータ量が、入出力層のニューロン数を超える場合、
特に、中間層、および出力層出力計算(式)における
「シナプス結合の係数Wji」と「ニューロンjへの入力
値Xi 」との積Wjii 、および中間層誤差計算(
式)における「出力層の誤差計算式δk 」と「シナプス
結合の係数Wkj」との積δk kjの演算を何回かに分け
て行うことで対処する。
【0063】(A)個々のニューロンにおける入出力特
性を定める非線形関数として次式で示す「シグモイド関
数」を用い出力のダイナミックレンジを[0.1]区間
の任意の実数とする。ここで、シグモイド関数F(X)
として F(X)=(1/2)(1+tanh(X/U0 )) ・・・式 ここで X :入力値 U0 :シグモイド関数の傾き係数 (B)中間層、および出力層のニューロンからの出力、
出力層における誤差のフィードバック、および出力層の
誤差に対する中間層の誤差のフィードバックに下記式を
用いる。
【0064】[中間層、および出力層出力計算] X' j =F(Σi jii −Hj ) ・・・式 ここで、X' j :中間層21、および出力層22のニュ
ーロンからの出力値 Xi :ニューロンjへの入力値 Wji:シナプス結合の係数 Hj :ニューロンjのしきい値 F(X):シグモイド関数の近似値 よって、ニューロンの入出力は図6に示すようになる。
【0065】[出力層誤差計算] δi =(2/U)(ti −Xi )Xi (1−Xi ) ・・・式 ここで、δi :出力層の誤差計算値 i :1,2,3・・n,層内のニューロンの個数 Xi :ニューロンjの出力値 ti :ニューロンjへのお手本情報(入力層への入力デ
ータ) U :出力用ニューロンへのシグモイド関数の傾き係数 [中間層誤差計算] δ' j =(Σk δk kj)Xj (1−Xj ) ・・・式 ここで、δ' j :中間層の誤差計算値 j :1,2,3・・m,層内のニューロンの個数 δk :出力層の誤差計算値 Wkj:シナプス結合の係数 Xj :中間層内の目的ニューロンからの出力値 (C)ホスト1の「大気状態の変化の様子」に対する学
習、つまり中間層、および出力層内の各ニューロンのシ
ナプス結合の係数Wji、およびしきい値Hj を最適な値
に修正するための下記バックプロパゲーション則を用い
る。
【0066】 W' ji=αWji+βδj j ・・・式 H' j =α' Hj +β' δj ・・・式 ここで、α,α’,β,β’ :定数 W' ji:修正後のシナプス結合の係数 H' j :修正後のしきい値 δj :ニューロjの出力誤差値 Xj :ニューロjの出力値 (実施例2)次に、ニューロコンピュータ7の入出力に
ついて詳細に述べる。
【0067】まず、本発明では、ニューロコンピュータ
7を用いて、気象状態の変化の様子を学習させ、以前の
気象状態をもとに以降の気象状態を推測することを目的
としている。以下、気象予測制御について説明する。
【0068】(5)気象情報の管理 一定時刻毎に各気象観測地点からホスト1の気象予測A
P30へ送られて来る気象情報は、一例として、 .大気状態を示す第1の気象情報F(i):(大気
圧:860〜1060mb:管理番号i=#1,温度:
−50〜50℃:#2,湿度0〜100%:#3,風
速:0〜100m/s:#4,以上は0から100で表
示;風向:東南西北を16分割したもので東を’0’東
北東を’93.75 ’で表示:#5,) .天気を示す第2の気象情報F(i):(降水確率:
#6,晴れる確率:#7,雪の確率:#8,大雨の確
率:全て%で表示:#9)とし、気象予測AP30は、
一例として、過去の気象情報のうち、1年間、または
「春,夏,秋,冬,梅雨等の季節(相関関係の強い気象
情報の集合体)」を単位として、また、前記気象情報
を、観測時刻の管理番号(一例として6時間を’1’と
する表示):(t0),気象観測地点の管理番号を
(j),気象情報の管理番号を(i)とし、各気象観測
地点L(j)で6時間おきに観測された気象情報F
in(t0,j,i0)を、観測時刻T(t0)、観測地点L
(j)、気象情報Fin(i)の階層構造形式になるよう
に、ディスク装置5で管理する。前記気象情報Fin(t
0,j,i0)はニューロコンピュータ7が「気象状態の変
化の様子」を学習するための学習およびお手本(教師)
データとして用い、最も最新のデータは以降の気象情報
を推測するのに用いる。
【0069】気象予測AP30が収集しディスク装置5
に格納した気象情報をパラメータとして、ニューロコン
ピュータ制御装置6に気象情報の学習、推測を要求する
場合、ニューロコンピュータ制御装置6は入力層/出力
層_対応データ変換ボード11を制御して気象情報をシ
グモイド関数、 G(X)=(1/2)(1+tanh((X−s)/U1 )) ……’式 ここで、G(X):気象実測情報Hin(t0,j,i) X :気象情報Fin(t0,j,i) S :G(X)算出値補正係数 U1 :シグモイド関数の傾き係数 を用いて’0’から’1’の実数、かつ、シグモイド曲
線の近似的な直線部に入るように設定し、2n 倍した気
象実測情報(定義)に変換し、気象実測情報Hin(t0,
j,i0)とする。また、上記演算に対し、逆演算を行え
ば、例えば、気象実測情報Hin (t0,j,i0)を気象情
報Fin (t0,j,i0)に変換できる。
【0070】一方、ニューロコンピュータ7は時系列的
に入力層20の各ニューロンにセットした前記気象実測
情報Hin (t0,j,i0)(一例としてt0 =k0−4,
k0−3,k0−2,k0−1,k0(任意の時刻):
24,18,12,6時間前,任意の時刻を設定する
が、実際にはニューロン数の決定処理に基づく[後
述])を基に、任意の時刻(k0)以降の気象状態を推
測し、気象推測情報Hout (t1,j,i1)(一例として
1 =k0(任意の時刻)として、k0+1,k0+
2,k0+4:6,12,24時間後を設定するが、実
際にはニューロン数の決定処理に基づく[後述])を出
力層22の各ニューロンに出力する。この値は、ニュー
ロコンピュータ7の推測的中率が高ければ、任意の時刻
(k0)以降の気象実測情報Hin(t1,j,i1)とほぼ
一致する。
【0071】なお、図5に、推測処理におけるニューロ
コンピュータ入出力の関係の一例を示す。
【0072】(6)ニューロコンピュータ初期設定 (6−1)ニューロン数の決定処理 以前の気象情報をニューロコンピュータに入力し、以降
の気象情報を推測させる場合、予想的中率を上げるた
め、「出力すべき推測時刻T (t1)の数N1 」(t1
k0,k0+1,K0+2,k+3にするのか、k0,k0+1,K0+2にするの
か)の決定に関し、「フラクタル次元解析」を導入す
る。フラクタル次元とは、時系列データの傾向が同じ間
は同じ次元数を持ち、次元数が大きいほど時系列データ
の変動が複雑なことを示す。時系列系データの場合、次
元数の値は’1’から’2’の間の値をとり、’2’に
近いほどデータが複雑な変動を示し予測が困難であるの
に対し、’1’に近いほど、予測の精度が高いことを示
す。
【0073】よって、フラクタル次元が’1’に近い場
合は推測が可能であるとして「出力すべき推測時刻T
(t1)の数N1 」を決定する。また、「入力すべき推測
時刻T(t0)の数N0 」は、理論上、「N0 =2*N1
−1」が最適とされる。
【0074】中間層の決定には、AIC(Akaike's Info
rmation Criterion)の導入により、中間層ニューロン数
の最適化を図る。ニューロ学習における定義は、 AIC=(学習対象数)*log (二乗誤差)+2*(中間層ニューロン数) ・・・式 二乗誤差=ΣU i ((1/2)|V i −W i |2 ) ・・・式 ここで、U:学習対象、 V:気象実測情報、 W:気象推測情報、 で、AIC値と、予測誤差には相関関係があり、AIC
の値が最小になる中間層ニューロン数と予測誤差を最小
にする中間層ニューロン数が一致する傾向にある。
【0075】以上の背景を基に、気象予測AP30は、
学習対象群ごとの実測済気象情報Fin (t0,j,i0)を
パラメータとして付加して、「モード設定コマンド:入
出力層、および中間層ニューロン数の決定」を使って、
OS31を通し、ニューロコンピュータ制御装置6に対
し、ニューロコンピュータモデルにおける入力層20、
中間層21、出力層22の数を決定するように要求す
る。
【0076】前記コマンドに対し、ニューロコンピュー
タ制御装置6は、出力すべき推測時刻T (t1)(t1
k0,k0+1,K0+2,k+3・・・)ごとにフラクタル次元を算出
し、値が’1’に近い(遠ざからない)「出力すべき推
測時刻T (t1)数」を求め、あらゆるケースで繰返し、
気象情報を推測するのに、統計的に最適な推測時刻 (t
1)数を決定し、同時に入力すべき実測時刻T (t0)数を
決める。
【0077】よって、入出力層のニューロン数は、以下
の通りとなる。
【0078】(入力層ニューロン数)=(入力すべき推
測時刻数t0 )*(観測地点数j0 )*(気象情報数i
0 ) (出力層ニューロン数)= (出力すべき推測時刻数
1 )*(推測地点数j1 )*(気象情報数i1 ) 次に、上記で算出した入出力層のニューロン数に気象実
測情報Hin (t0,j,i0)、および気象推測情報Hout
(t1,j,i1)を割り当てた状態で、中間層のニューロ
ン数をパラメータとして、前記二乗誤差(式)、続い
てAIC値(式)を算出し、AIC値が最小となる中
間層のニューロン数を、気象予測システムで使用するニ
ューロコンピュータモデルにおける中間層のニューロン
数とする。
【0079】上記処理終了後、ニューロコンピュータ制
御装置6は、OS31を通して、気象予測AP30に終
了報告を行う際、下記情報を提供する。
【0080】入力すべき推測時刻数t0 出力すべき推測時刻数t1 入力層ニューロン数 出力層ニューロン数 中間層ニューロン数 (6−2)気象情報のニューロコンピュータ入出力層へ
の割当て 気象予測AP30は、観測地点L(j)、観測すべき第
1、および第2の気象情報を決定し、各層のニューロン
数については「ニューロン数の決定処理」に基づき決定
し、ニューロコンピュータ制御装置6がホスト1のOS
31上で提供する「モード設定コマンド:学習対象のニ
ューロン割当て」を使って、実測用気象情報Fin (t0,
j,i0)、および推測用気象情報Fout (t1,j,i1)
をニューロコンピュータ7の入力層の各ニューロンNin
(t0,j,i0)、および出力層の各ニューロンNout
(t1,j,i1)に割り当てる。
【0081】前記コマンドに対し、ニューロコンピュー
タ制御装置6は図7に示す入力層ニューロン割当て管理
テーブルT10、および出力層ニューロン割当て管理テ
ーブルT20を設定し、同時にニューロコンピュータ7
に対し、各ニューロンを入力層20、中間層21、およ
び出力層22に設定するように要求し、かつ以降のニュ
ーロコンピュータ7に対する気象実測/推測データの入
出力は、全て入力層ニューロン割当て管理テーブルT1
0、および出力層ニューロン割当て管理テーブルT20
に従い、管理、制御する。
【0082】(6−3)学習情報の初期化 気象予測AP30は、「モード設定コマンド:学習情報
の初期化」を使って、学習情報(「シナプス結合係
数」,「しきい値」)の初期設定を行う。
【0083】前記コマンドに対し、ニューロコンピュー
タ制御装置6は、学習情報メモリドライバ12を制御し
て、学習情報メモリ13に学習情報初期値として、白色
ガウス分布ノイズの値を書き込み、ニューロコンピュー
タ7は、必要に応じ、学習情報メモリ13に転送された
学習情報を学習情報カレントラッチ14に転送する。
【0084】(7)気象状態の変化の様子の学習、推測
(請求項4記載の第1、第2、第7の制御手段) 以下、ニューロコンピュータ制御装置6がニューロコン
ピュータ7を制御して、気象状態の変化の様子を学習
し、以降の気象状態を推測するための制御について、図
8、および図9に示すフローチャートに従い説明する。
【0085】(7−1)気象情報の学習(請求項1記載
の第1、第7の制御手段) 気象予測AP30は、前記学習対象の気象状況の変化の
様子を学習させるのに、ニューロコンピュータ7を用い
て、以前の気象状況から以降の気象状況を推測させ、推
測した気象状況と実際観測した気象情報の誤差が最小に
なるように学習情報を更新するため、以下に示す「学習
コマンド」をOS31に対し発行する(フローチャート
1)。
【0086】〔学習コマンド〕+〔制御パラメータ〕+
〔学習用データ〕 制御パラメータ:学習対象区分=年間,季節要因(春
(前半,後半),夏,秋,冬,梅雨,台風等)のいずれ
か、 学習用データの気象情報群の数、 学習用データ :項番を一組とする複数の気象情報
群 以前の気象情報Fin (t0,j,i0)(学習データ) (一例としてt0 =k0−4,k0−3,k0−2,k
0−1,k0(任意の時刻);24,18,12,6時
間前,任意の時刻における、入力層20に対応した各観
測地点の観測すべき気象情報) 以降の気象情報Fin (t1,j,i1)(誤差修正、学習
情報更新用教師データ) (一例としてk0を任意の時刻とし、t1 =k0+1,
k0+2,k0+4;6,12,24時間後における、
出力層22に対応した各観測地点の観測すべき気象情
報) 前記コマンドに対し、OS31は、ニューロコンピュー
タ制御装置6を起動する(フローチャート2)。
【0087】一方、ニューロコンピュータ制御装置6
は、学習用の気象情報Fin (t0,j,i0)と、誤差修正
/学習情報更新用の気象情報Fin (t1,j,i1)を入力
層/出力層_対応データ変換ボード11を制御して、そ
れぞれ気象実測情報Hin (t0,j,i0)、およびHin
(t1,j,i1)に変換し(フローチャート3)、ニュー
ロコンピュータ7に前記気象情報群毎に「以降の気象情
報の推測(下記項番)と、前記推測に対し実測した
情報との誤差を最小とすべく学習情報の更新(下記項番
)」を、規定回数繰り返して行わせ、気象状況の変
化の様子を学習させる。
【0088】.推測用の気象実測情報Hin (t0,j,
0)をニューロコンピュータ7の入力部8に出力し、ニ
ューロコンピュータ7に以降の気象情報を推測するよう
に起動要求する(フローチャート4)。
【0089】.ニューロコンピュータ7は、前記要求
に対し、図3に示す起動指令一覧に従い気象推測情報H
out (t1,j,i1)を算出し、出力層22に保持すると
ともに、ニューロコンピュータ制御装置6に推測処理の
終了報告を行う(フローチャート5)。
【0090】.前記終了報告を契機として、ニューロ
コンピュータ制御装置6は、学習情報更新用の気象実測
情報Hin (t1,j,i1)(教師情報)をニューロコンピ
ュータ7の出力部9に出力し、ニューロコンピュータ7
に「ニューロコンピュータ7自身が算出し、出力部9に
保持してある気象推測情報Hout (t1,j,i1)」と
「正解として出力層22に入力された前記教師情報とし
ての気象実測情報Hin (t1,j,i1)との誤差」を最小
にすべく学習情報を更新するように要求する(フローチ
ャート6)。
【0091】.ニューロコンピュータ7は、前記要求
に対し、図3に示す起動指令一覧に従い学習情報を更新
し、学習情報カレントラッチ14に格納すると共に、ニ
ューロコンピュータ制御装置6に、学習処理の終了報告
を行う(フローチャート7)。また、更新した学習情報
は、以降の推測処理に用いる。
【0092】.ニューロコンピュータ制御装置6は、
前記終了報告を契機として、学習処理が終了したことを
認識し、OS31に終了報告を行い、OS31はこれを
契機として、気象予測AP30に対し、終了報告を行う
(フローチャート8,9)。
【0093】(7−2)気象情報の推測(請求項1記載
の第2、第7の制御手段) 気象予測AP30は、以降の気象状況を推測するのに、
ニューロコンピュータ7を用いて、前記学習対象群の気
象状況の変化の様子を学習し、得られた学習情報を基
に、各観測点で実際に観測され収集した気象状況から、
以降の気象状況を推測させるため、以下のコマンドをO
S31に対し発行する(フローチャート10)。
【0094】〔推測コマンド〕+〔制御パラメータ〕+
〔推測用データ〕 制御パラメータ:学習対象区分=年間,季節要因(春
(前半,後半),夏,秋,冬,梅雨,台風 等)のいず
れか 推測用データ :以前の気象情報Fin (t0,j,i0)
(推測用データ) (一例としてt0 =k0−4,k0−3,k0−2,k
0−1,k0任意の時刻;24,18,12,6時間
前,任意の時刻における、入力層20に対応した各観測
地点の観測すべき気象情報) 前記コマンドに対し、OS31は、ニューロコンピュー
タ制御装置6を起動する(フローチャート11)。
【0095】一方、ニューロコンピュータ制御装置6
は、 .コマンドに付随した推測用データ、つまり一番最後
に観測した時点以前の気象情報Fin (t0,j,i0)を、
入力層/出力層_対応データ変換ボード11を制御し
て、気象実測情報Hin (t0,j,i0)に変換する(フロ
ーチャート12)。
【0096】.推測用気象実測情報Hin (t0,j,i
0)をニューロコンピュータ7の入力部8に出力し、ニュ
ーロコンピュータ7に、前記観測時点以降の気象情報を
推測するように起動要求する(フローチャート13)。
【0097】.ニューロコンピュータ7は、前記要求
に対し、図3に示す起動指令一覧に従い気象推測情報H
out (t1,j,i1)を算出し、出力部9に保持するとと
もに、ニューロコンピュータ制御装置6に推測処理の終
了報告を行う(フローチャート14)。
【0098】.前記終了報告を契機として、ニューロ
コンピュータ制御装置6は、ニューロコンピュータ7の
出力部9に保持された気象推測情報Hout (t1,j,i
1)を吸上げ、入力層/出力層_対応データ変換ボード1
1を制御して、推測済み気象情報Fout (t1,j,i1)
に変換し、内部バッファに保持し(フローチャート1
5)、 .OS31に推測コマンドの終了報告を行う(フロー
チャート16)。
【0099】.これに対し、OS31は、適切なタイ
ミングに、ホスト内部バス4を占有し、ニューロコンピ
ュータ制御装置6に、入力層/出力層_対応データ変換
ボード11の推測済み気象情報Fout (t1,j,i1)を
メモリに転送するように要求し(フローチャート1
7)、 .ニューロコンピュータ制御装置6は、前記要求を実
行し、OS31に終了報告を行い、OS31は、気象予
測AP30に対し、終了報告を行い、前記推測済み気象
情報Fout (t1,j,i1)をメモリにセットしたことを
知らせる(フローチャート18)。
【0100】(実施例3) (8)学習情報の管理 大気の気象状態は、時系列的な要因が強く、一般に、大
気の状態は、西から東へゆっくり移動する。さらに、春
夏秋冬,梅雨,台風,秋の長雨などの季節要因によリ、
大気状態の変化の様子を大まかに分類することができ
る。
【0101】よって、ニューロコンピュータ7にとって
は、大気状態の変化の様子を学習するのに、学習の範囲
を「1年間」とするより、むしろ「季節ごと」に限定し
た方が、時系列的に、相関関係の強い気象状態を学習す
るこができ、以降の気象状態を、決め細かく推測するこ
とができる。
【0102】そこで、本発明では、ニューロコンピュー
タ7の学習の単位を、季節要因(春(前半),春(後
半),梅雨,夏,台風,秋,秋の長雨,冬)とし、それ
ぞれの季節要因において、気象状態の学習、推測を行
い、学習情報も季節要因ごとに、管理、制御する。以
下、詳細について述べる。
【0103】(8−1)学習情報の管理(請求項2記載
の第4の制御手段) 気象予測AP30は、ニューロコンピュータ7に気象予
測、気象状態の変化の様子の学習、推測、または、モー
ド設定を実行させるため、OS31に対し、学習、推
測、またはモード設定コマンドを発行するのに、コマ
ンドの制御パラメータエリアに、該当する前記季節要因
を書き込むか、後述する「モード設定コマンド:季節
要因自動判定(設定/not)」を使って、気象状態の
季節要因を自動判定する。
【0104】これに対し、ニューロコンピュータ制御装
置6は、季節要因ごとに図6に示す学習情報を管理する
のに、図10に示す、季節要因をコード化した季節要
因種別T31、ニューロコンピュータ7が学習情報を
使用できるか否かを示すのに、「学習情報が未作成の場
合’00’」、学習情報が作成されるか、初期設定さ
れ、「ディスクのみに格納されている場合’01’」、
「学習情報メモリ13に格納されている場合、’8
#’」で表示する使用状況管理フラグT32、学習、
推測のための演算式の制御パラメータを格納するディス
ク装置5、および学習情報メモリ13の格納先頭アドレ
ス、格納バイト数を示す演算式制御パラメータ格納エリ
アT33、同様に学習情報(しきい値、およびシナプ
ス係数)の格納先頭アドレス、格納バイト数を示す学習
情報格納エリアT34から成る季節要因対応学習情報管
理テーブルT30を用いて、管理制御する。
【0105】まず、学習、推測処理が発生した場合、ニ
ューロコンピュータ制御装置6は、前記季節要因対応学
習情報管理テーブルT30の使用状況管理フラグT32
を参照し、 (A)T32=’8#’つまり必要とする学習情報が学
習情報メモリ13にある場合、項番(7)の「気象状態
の変化の様子の学習、推測」に従う。
【0106】(B)T32=’01’つまり学習情報が
作成されるか、初期設定され、ディスクのみに格納され
ている場合の場合、以下の制御を行う。
【0107】.ニューロコンピュータ制御装置6は、
OS31に対し、学習情報がセットされてないことを示
すステータスを付加して、終了報告を行う。
【0108】.終了報告を契機として、OS31は、
ニューロコンピュータ制御装置6に、該当する学習情報
をディスク装置5から学習情報メモリ13に転送するよ
うに要求する。同時に、ホスト内部バス4をニューロボ
ード2のために開放する。
【0109】.前記要求に対し、ニューロコンピュー
タ制御装置6は、前記季節要因対応学習情報管理テーブ
ルT30を参照して、学習情報メモリドライバ12に対
し、該当する季節要因に対応した「気象予測用学習情
報」をディスク装置5から学習情報メモリ13に転送す
るように要求する。
【0110】.学習情報メモリドライバ12は、デー
タ転送終了後、ニューロコンピュータ制御装置6に終了
報告を行い、ニューロコンピュータ制御装置6は、OS
31に対し、終了報告を行う。
【0111】.前記終了報告を契機として、OS31
は、ニューロコンピュータ制御装置6に再度、学習、ま
たは推測処理を実行するように要求する。
【0112】.前記要求を契機として、ニューロコン
ピュータ制御装置6は、ニューロコンピュータ7に対
し、学習、または推測を行うように要求する。
【0113】但し、学習情報メモリ13と学習情報カレ
ントラッチ14との間で学習情報を転送する必要が発生
した場合、ニューロコンピュータ7は学習情報メモリド
ライバ12を制御して、自ら、データ転送を行う。
【0114】(C)T32=’00’つまり学習情報が
作成されてない場合、 .ニューロコンピュータ制御装置6はOS31に対
し、また、OS31は気象予測AP30に対し、学習情
報が作成されてないことを示すステータスを付加し、終
了報告を行う。
【0115】.終了報告を契機として、気象予測AP
30は、項番(6−3)に示す「学習情報の初期化」を
実行した後、再度、OS31に対し、コマンドを発行す
る。
【0116】次に、ニューロコンピュータ制御装置6に
よる学習処理が終了した場合、OS31に終了報告を行
う際、更新した学習情報をディスク装置5に格納する意
志を示すステータスを付加する。これに対し、OS31
は、気象予測AP30に終了報告を行うと共に、ニュー
ロコンピュータ制御装置6にホスト内部バス4を開放し
て、学習情報のデータ転送を許可する。
【0117】(8−2)気象要因の判別(請求項2記載
の第3の制御手段) 気象予測AP30は、「モード設定コマンド:季節要因
自動判定(設定/not)」を用いることで、気象情報の季
節要因を自動的に判別することができる。
【0118】前記コマンドによって、季節要因自動判定
フラグが”設定”にセットされた状態で、気象予測AP
30が学習、または推測コマンドを発行した場合、ニュ
ーロコンピュータ制御装置6は、 .「気象予測システム」を運用する以前に、ニューロ
コンピュータ7に、気象情報すなわち、「大気状態の変
化の様子に対応する季節要因」を学習させておき、 .項番で作成した「季節要因判別用学習情報」を用
い、前記コマンドに添付された気象情報の季節要因を判
別し、 .前記季節要因に対応した「気象予測用学習情報」を
用いて、大気状態の変化の様子を学習、または推測する
のに、図11、図12に示すフローチャートに従い、以
下の制御を行う。
【0119】 (8−2−1)気象情報対応季節要因の学習 (A) 気象予測AP30は、気象情報と対応する季節要因
を学習するため以下に示す「学習コマンド(季節要
因)」をOS31に対し発行する(フローチャート2
0)。
【0120】〔学習コマンド(季節要因)〕+〔制御パ
ラメータ〕+〔学習用データ〕 制御パラメータ:学習用データの気象情報群の数 学習用データ :項番を一組とする複数の気象情報
群 以前の気象情報Fin (t0,j,i0)(学習用データ) (一例としてt0 =k0−4,k0−3,k0−2,k
0−1,k0(任意の時刻);24,18,12,6時
間前,任意の時刻における、入力層20に対応した各観
測地点の観測すべき気象情報) 前記気象情報群Fin(t0,j,i)に対応する季節要
因(h)(気象情報に対応する季節要因(h)のみ
[1],他の季節要因(h)は[0]) (B) 前記コマンドに対し、OS31は、ニューロコンピ
ュータ制御装置6を起動する(フローチャート21)。
【0121】一方、ニューロコンピュータ制御装置6
は、 (C) 入力層ニューロン割当て管理テーブルT10、およ
び出力層ニューロン割当て管理テーブルT20を設定す
ることで、気象観測、および気象予測を行う時刻T (t
0)に対応した各観測地点L(j)毎の前記入力用気象情
報Fin (t0,j,i0)をニューロコンピュータ7の入力
層の各ニューロンNin (t0,j,i0)、および春,梅
雨,夏,台風,秋,秋の長雨,冬の季節要因(h)を出
力層のニューロンNout (季節要因)に割り当て、「季
節要因判別用学習情報」を項番(6−3)に従い初期化
する。但し、前記出力層ニューロン割当て管理テーブル
T20の気象推測情報管理番号には、各季節要因(h)
をセットする(フローチャート22)。
【0122】(D) 気象情報Fin (t0,j,i0)を入力層
/出力層_対応データ変換ボード11を制御して、気象
実測情報Hin (t0,j,i0)に変換する(フローチャー
ト23)。
【0123】(E) ニューロコンピュータ7に前記気象情
報群毎に「前記気象実測情報群Hin (t0,j,i0)に対
応する実際の季節要因(正解)と、ニューロコンピュー
タ7が推測した季節要因 '(h)(下記項番)との
誤差」を最小とすべく季節要因判別用学習情報の更新
(下記項番)」を規定回数繰り返して行わせ、「気
象情報と対応する季節要因(h)」を学習させる。
【0124】.気象実測情報Hin (t0,j,i0)をニ
ューロコンピュータ7の入力部8に出力し、ニューロコ
ンピュータ7に、前記気象実測情報群に対応する季節要
因 '(h)を推測するように起動要求する(フローチャ
ート24)。
【0125】.ニューロコンピュータ7は、前記要求
に対し、図3に示す起動指令一覧に従い季節要因 '
(h)([0]〜[1]までの実数)を算出し、出力層
22に保持すると共に、ニューロコンピュータ制御装置
6に推測処理の終了報告を行う(フローチャート2
5)。
【0126】.前記終了報告を契機として、ニューロ
コンピュータ制御装置6は、季節要因(h)(教師情
報:前記気象情報に対する最も適切な季節要因を正解
[1]、該当しない季節要因は[0])をニューロコン
ピュータ7の出力部9に出力し、ニューロコンピュータ
7に「ニューロコンピュータ7自身が判断し出力層22
の各ニューロンに保持してある季節要因 '(h)」と
「正解として出力層22の各のニューロンに入力された
季節要因(h)(前記教師情報)」との誤差を最小にす
べく季節要因判別用学習情報を更新するように要求する
(フローチャート26)。
【0127】.ニューロコンピュータ7は、前記要求
に対し、図3に示す起動指令一覧に従い学習情報を更新
し、学習情報カレントラッチ14に格納すると共に、ニ
ューロコンピュータ制御装置6に学習処理の終了報告を
行う(フローチャート27)。また、更新した「季節要
因判別用学習情報」は、一旦、ディスク装置5に退避し
ておき、以降、気象情報の季節要因を判別するのに用い
る。
【0128】(F) ニューロコンピュータ制御装置6は、
前記終了報告を契機として、学習処理が終了したことを
認識し、OS31に終了報告を行い、OS31はこれを
契機として、気象予測AP30に対し、終了報告を行う
(フローチャート28)。
【0129】(8−2−2)気象情報の季節要因を判別 (A) 気象予測AP30は、気象状態の変化の様子を学
習、推測するのに、項番(7)に示す学習コマンド、ま
たは推測コマンドを、OS31に対し発行する(フロー
チャート30)。
【0130】(B) 前記コマンドに対し、OS31は、ニ
ューロコンピュータ制御装置6を起動する(フローチャ
ート31)。
【0131】一方、ニューロコンピュータ制御装置6
は、 (C) ニューロコンピュータ7の入出力層に、実測用気象
情報Fin (t0,j,i0)、および推測用気象情報Fout
(t1,j,i1)が割り当ててある場合、現在、ニューロ
コンピュータ7が使用している「学習、推測用学習情
報」、および入力層ニューロン割当て管理テーブルT1
0、出力層ニューロン割当て管理テーブルT20の情報
を、項番(8−1)と同様にしてディスク装置5に退避
する(フローチャート32)。
【0132】(D) 項番(8−2−1)で作成した「季節
要因判別用学習情報」を項番(8−1)と同様にしてデ
ィスク装置5から、ニューロコンピュータ7の学習情報
カレントラッチ14に転送する。更に、前記入力層ニュ
ーロン割当て管理テーブルT10、出力層ニューロン割
当て管理テーブルT20、および項番(6−2)に従
い、実測用気象情報Fin (t0,j,i0)、および前記気
象情報群に対応する季節要因(h)を、ニューロコンピ
ュータ7の入出力層の各ニューロンNin (t0,j,
0)、およびニューロンNout (季節要因)に割り当て
る(フローチャート33)。
【0133】(E) 前記コマンドに添付された気象情報F
in (t0,j,i0)の季節要因を判別するのに、 .入力層/出力層_対応データ変換ボード11を制御
して、気象実測情報Hin (t0,j,i0)に変換する(フ
ローチャート34)。
【0134】.気象実測情報Hin (t0,j,i0)をニ
ューロコンピュータ7の入力部8に出力し、ニューロコ
ンピュータ7に、前記気象実測情報対応する季節要因 '
(h)を推測するように起動要求する(フローチャート
35)。
【0135】.ニューロコンピュータ7は、前記要求
に対し、「季節要因判別用学習情報」を用いて、図3に
示す起動指令一覧に従い、季節要因 '(h)([0]〜
[1]までの実数)を算出し、出力層22の各ニューロ
ンNout (季節要因)に保持すると共に、ニューロコン
ピュータ制御装置6に推測処理の終了報告を行う(フロ
ーチャート36)。
【0136】.ニューロコンピュータ制御装置6は、
ニューロコンピュータ7が出力層22の各ニューロンN
out (季節要因)に出力した前記気象情報に対する季節
要因値の中で、最も大きい値を出力したニューロンN
out (季節要因)に割り当てられた季節要因を、前記気
象情報に対する季節要因と判断する(フローチャート3
7)。
【0137】(F) (請求項2に記載の第5の制御手段)
ニューロコンピュータ制御装置6は、項番(8−1)と
同様にして、 .ディスク装置5に退避した「学習推測用学習情報」
を、ニューロコンピュータ7の学習情報カレントラッチ
14に転送し、 .入力層ニューロン割当て管理テーブルT10、およ
び出力層ニューロン割当て管理テーブルT20をニュー
ロコンピュータ制御装置6のメモリに転送し、更に、当
該入力層ニューロン割当て管理テーブルT10、出力層
ニューロン割当て管理テーブルT20、および項番(6
−2)に従い、実測用気象情報Fin (t0,j,i0)、お
よび推測用気象情報Fout (t1,j,i1)を、ニューロ
コンピュータ7の入出力層の各ニューロンNin (t0,
j,i0)、およびNout (t1,j,i1)に割り当てる
(フローチャート38)。
【0138】.項番(7)に従い、気象状態の変化の
様子を学習、推測する(フローチャート39)。
【0139】以上本発明者によってなされた発明を実施
例に基づき具体的に説明したが、本発明は前記実施例に
限定されるものではなく、その要旨を逸脱しない範囲で
種々変更可能であることはいうまでもない。
【0140】たとえば、本発明の上記実施例では、一例
として気象予測(時系列要因の強い大気状態の変化の様
子の学習、および推測)を記述したが、「図1のニュー
ロコンピュータを用いた情報処理装置の基本構成図」、
および「図2のAP,OS,ニューロ制御の論理インタ
ーフェイス」を用いれば、応用分野はかなり広い。
【0141】
【発明の効果】本願において開示される発明のうち、代
表的なものによって得られる効果を簡単に説明すれば、
以下のとおりである。
【0142】本発明の気象予測システムおよびニューロ
コンピュータ制御システムによれば、 (1)ニューロコンピュータに気象観測、および気象予
測を行う複数の観測地点の大気の変化の様子を学習させ
ることで、 .ニューロコンピュータに、以前(例えば24,1
2,6時間前、および現時点)の気象情報を入力するこ
とで、以降(例えば6,12,24時間後)の気象情報
を推測させることが可能になる。
【0143】.気象情報の観測、および予測地点が任
意に設定できるため、全国版の気象情報の提供を受け、
全国版の気象を予測する以外に、気象を予測したい地域
の気象情報をニューロコンピュータの学習対象に追加す
ることで、任意の地域の局地的予測が可能である。
【0144】.本発明による気象予測システムの運用
に、気象に関する専門的知識は不要である。
【0145】(2)「気象情報」と対応する「季節要
因」(例えば春,梅雨,夏,台風,秋,秋の長雨,冬)
を、項番(1)と同様にして学習、および推測(判別)
することにより、ニューロコンピュータの気象に対する
学習の範囲を「季節ごと」に限定でき、時系列的に相関
関係の強い気象状態を学習でき、以降の気象状態を決め
細かく推測でき、特に季節の変わり目の予測制度を維持
することができる。
【0146】(3)情報処理装置は、「ニューロコンピ
ュータが接続されたニューロコンピュータ制御装置」を
内部バス、または標準インターフェイスで接続すること
により、ニューロコンピュータ制御システムがOS上で
提供するサブルーチンをコマンド手段によってアプリケ
ーションプログラムから呼び出すことで、ニューロコン
ピュータを使った処理を実行できる。
【0147】(4)ニューロコンピュータに、気象観測
を行う各地点毎に単独で大気状態の変化の様子を学習さ
せ、更に、各地点の大気状態の変化に対する特定の地点
の大気状態の変化の様子を学習させ、各観測地点の現時
刻以前の異なる時刻の気象情報を入力して、特定地点の
現時刻以後の一つ以上の異なる時刻の気象情報を推測さ
せることにより、本システムを小規模のニューロン構成
で実現でき、ニューロコンピュータの汎化能力が強化で
きる。
【0148】(5)任意の観測地点において、ニューロ
コンピュータに、各気象情報毎に、前記一気象情報のみ
の変化の様子を学習させ、更に、各気象情報の変化に対
する特定の気象情報の変化の様子を学習させ、現時刻以
前の異なる時刻の気象情報を入力して、現時刻以後の一
つ以上の異なる時刻の特定の気象情報を推測させること
により、 .特定地域の気象観測を行うだけで、その地域の気象
予測が可能、つまり、他の地域と独立して予測が可能
で、他の地域の気象情報の収集をしなくて済む。
【0149】.本システムを小規模のニューロン構成
で実現でき、ニューロコンピュータの汎化能力が強化で
きる。
【0150】(6)降水確率、晴れる確率等の第2の気
象情報の予測に関し、ニューロコンピュータに入力する
時系列データのカオス性(規則性)を調べ、そのデータ
が予測しやすいか否かを数値化する仕組みを用いて得ら
れた、「前記入力情報に対しニューロコンピュータの推
測が当たる確率」から、ニューロコンピュータが推測す
る第2の気象情報の肯定要因(例えば、晴れる、雨が降
る等)、または否定要因(そうでない)に対する当たる
確率を求めることにより、降水確率、晴れる確率等の第
2の気象情報を明示することが可能となる。
【図面の簡単な説明】
【図1】ニューロコンピュータを用いた情報処理装置の
一例を示すブロック図である。
【図2】AP−OSのニューロ制御のインターフェイス
の一例を示す説明図である。
【図3】ニューロコンピュータへの起動命令一覧の一例
を示す説明図である。
【図4】気象予測システムIにおけるニューロコンピュ
ータ基本モデルの一例を示す説明図である。
【図5】ニューロコンピュータ入出力の関係の一例を示
す説明図である。
【図6】ニューロコンピュータ学習情報およびニューロ
ンの入出力の一例を示す説明図である。
【図7】ニューロン割当て管理テーブルの一例を示す説
明図である。
【図8】気象予測APによる学習処理の制御の一例を示
すフローチャートである。
【図9】気象予測APによる推測処理の制御の一例を示
すフローチャートである。
【図10】季節要因対応学習情報管理テーブルの一例を
示す説明図である。
【図11】気象情報対応季節要因の学習処理の制御の一
例を示すフローチャートである。
【図12】気象情報対応季節要因の推測処理の制御の一
例を示すフローチャートである。
【図13】気象予測システムIIにおけるニューロコンピ
ュータ基本モデルの一例を示す説明図である。
【図14】気象予測システムIII におけるニューロコン
ピュータ基本モデルの一例を示す説明図である。
【図15】気象予測システムIVにおけるニューロコンピ
ュータ基本モデルの一例を示す説明図である。
【図16】「第2の気象情報」の予測_後処理の一例を
示す説明図である。
【符号の説明】
1 情報処理装置本体部 2 ニューロボード 3 演算ユニット 4 ホスト内部バス 4a ホスト内部バス標準インターフェイス 5 ディスク装置 6 ニューロコンピュータ制御装置 7 ニューロコンピュータ 8 入力部 9 出力部 10 制御パラメータ部 11 入力層/出力層_対応データ変換ボード 12 学習情報メモリドライバ 13 学習情報メモリ 14 学習情報カレントラッチ 15 ニューロボード内部バス 16 学習情報転送バス 20 入力層 21 中間層 22 出力層 30 気象予測システムアプリケーション(AP) 31 オペレーティングシステム(OS) 32 ニューロコンピュータドライバ 33 ニューロコンピュータ制御ドライバ 34 ニューロコンピュータ制御マイクロプログラム

Claims (5)

    【特許請求の範囲】
  1. 【請求項1】 気象観測を行う少なくとも1ヵ所以上の
    地点の大気状態を示す「少なくとも大気圧、温度、湿
    度、風向、および風速からなる第1の気象情報」、およ
    び「少なくとも降水確率、晴れる確率、雪の確率、大雨
    の確率からなる第2の気象情報」のうち、少なくとも一
    つ以上の気象情報を収集し、以降、気象観測を行う少な
    くとも1カ所以上の地点の前記第1の気象情報、および
    前記第2の気象情報のうち少なくとも一つ以上の気象情
    報を推測する気象予測システムであって、 ニューロコンピュータに大気状態の変化の様子を学習さ
    せる第1の制御手段と、 任意の大気状態の変化の様子を基に、ニューロコンピュ
    ータに以降の大気状態を推測させる第2の制御手段とを
    備えたことを特徴とする気象予測システム。
  2. 【請求項2】 複数のパターンに分類された大気状態の
    変化の様子を識別する第3の制御手段と、 前記パターン毎に、ニューロコンピュータが大気状態の
    変化の様子を学習して作成した学習情報を管理する第4
    の制御手段と、 前記パターンに対応した前記学習情報を用いて、大気状
    態の変化の様子を学習、推測する第5の制御手段と、を
    有することを特徴とする請求項1記載の気象予測システ
    ム。
  3. 【請求項3】 少なくともプログラムの実行およびデー
    タ処理を行う演算ユニットを備え、オペレーティングシ
    ステムの配下で稼働する情報処理装置と、ニューロコン
    ピュータに接続されたニューロコンピュータ制御装置と
    を、前記情報処理装置の内部バス、またはインターフェ
    イスバスで接続したニューロコンピュータ制御システム
    において、 前記ニューロコンピュータ制御装置は、 前記情報処理装置の前記オペレーティングシステム上
    で、任意のアプリケーションプログラムに対し、ニュー
    ロコンピュータを制御する複数のコマンド手段を提供
    し、前記アプリケーションプログラムは、前記コマンド
    手段を選択することで前記オペレーティングシステムを
    通し、前記ニューロコンピュータの制御を要求できるよ
    うにした第1のインターフェイスと、 前記アプリケーションプログラムの要求に対し、必要に
    応じ前記ニューロコンピュータを制御し、前記ニューロ
    コンピュータの処理結果のうち、必要な情報を、前記オ
    ペレーティングシステムを通し前記アプリケーションプ
    ログラムに応答する第2のインターフェイスと、を実現
    する第6の制御手段を備えたことを特徴とするニューロ
    コンピュータ制御システム。
  4. 【請求項4】 少なくとも一つ以上の異なる時刻に、少
    なくとも一つ以上の異なる地点で、観測、および推測さ
    れる前記第1および第2の気象情報のうち必要な気象情
    報を、前記ニューロコンピュータの入力用、および出力
    用の各ニューロンに割り当てる第1の段階と、 任意の時刻以前、および前記時刻以降の少なくとも一つ
    以上の異なる時刻に、少なくとも一つ以上の異なる地点
    で観測された前記気象情報の内容を、前記ニューロコン
    ピュータに入力する第2の段階と、 前記任意の時刻以前の前記気象情報の内容を基に、前記
    ニューロコンピュータが推測した前記任意の時刻以後の
    気象情報の内容と、前記任意の時刻以後に観測された前
    記気象情報の内容との誤差をフィードバックして、前記
    ニューロコンピュータが使用している学習情報(結合荷
    重、しきい値)を更新する操作を、前記誤差が十分小さ
    くなるまで繰返す第3の段階と、 前記学習情報を用いて、前記ニューロコンピュータに、
    現時刻以前の少なくとも一つ以上の異なる時刻の前記各
    地点の気象情報を入力することで、現時刻以降の前記各
    地点の必要な気象情報を出力させる第4の段階と、から
    なる制御動作を行う第7の制御手段を有する第1の機
    能、 前記ニューロコンピュータに、前記第1および第2の気
    象情報うち必要な気象情報の観測を行う少なくとも一ヶ
    所以上の各地点毎に単独で、前記地点の大気状態の変化
    の様子を学習させる第8の制御手段と、 前記ニューロコンピュータに、前記各地点の大気状態の
    変化に対応した、前記各地点の中から選択した任意の地
    点の大気状態の変化の様子を学習させる第9の制御手段
    と、 前記第8の制御手段の学習結果を用いて、前記各地点毎
    に、前記ニューロコンピュータに、前記地点の現時刻以
    前の少なくとも一つ以上の異なる時刻の前記気象情報を
    入力して、現時刻以降の少なくとも一つ以上の異なる時
    刻の必要な前記気象情報を出力させる第10の制御手段
    と、 前記第9の制御手段の学習結果を用いて、当該第9の制
    御手段で選択した任意の地点毎に、前記ニューロコンピ
    ュータに、前記第10の制御手段の出力結果を入力し、
    現時刻以降の少なくとも一つ以上の異なる時刻の必要な
    前記気象情報を出力させる第11の制御手段と、からな
    る第2の機能、 前記ニューロコンピュータに、前記第1および第2の気
    象情報うち必要な気象情報の観測を行う任意の地点の前
    記気象情報の変化の様子を一気象情報毎に単独で学習さ
    せる第12の制御手段と、 前記ニューロコンピュータに、前記任意の地点の前記各
    気象情報の変化に対応した、前記任意の地点の前記各気
    象情報の中から選択した一気象情報の変化の様子を学習
    させる第13の制御手段と、 前記第12の制御手段の学習結果を用いて、前記各気象
    情報毎に、前記任意の地点の現時刻以前の少なくとも一
    つ以上の異なる時刻の前記一気象情報を入力して、現時
    刻以降の少なくとも一つ以上の異なる時刻の前記一気象
    情報を出力させる第14の制御手段と、 前記第13の制御手段の学習結果を用いて、当該第13
    の制御手段で選択した任意の一気象情報毎に、前記ニュ
    ーロコンピュータに、前記第14の制御手段の出力結果
    を入力し、前記任意の地点の現時刻以降の少なくとも一
    つ以上の異なる時刻の前記一気象情報を出力させる第1
    5の制御手段と、からなる第3の機能、の中の少なくと
    も一つの機能を有することを特徴とする請求項1または
    2記載の気象予測システム、または請求項3記載のニュ
    ーロコンピュータ制御システム。
  5. 【請求項5】 前記ニューロコンピュータに、気象観測
    を行う任意の地点で、前記第2の気象情報のうち一気象
    情報の変化の様子を学習させる第16の制御手段と、 前記第16の制御手段による学習結果を用いて、前記ニ
    ューロコンピュータに前記地点での現時刻以前の少なく
    とも一つ以上の異なる時刻の前記一気象情報を入力し
    て、現時刻以降の少なくとも一つ以上の異なる時刻の前
    記一気象情報を出力させる第17の制御手段と、 前記入力気象情報のカオス性を調べ、前記第17の制御
    手段で出力した前記気象情報の当たる確率を推測する第
    18の制御手段とからなる第4の機能、 前記第18の制御手段において前記ニューロコンピュー
    タが出力した第2の気象情報を、しきい値の操作で、”
    1”、または”0”に変換し、前記第2の気象情報を肯
    定要因と否定要因に切分け、データの規則性が最も高い
    場合から、規則性が最も低い場合までを数値化する仕組
    みを用いて、前記入力気象情報の時間的変化のフラクタ
    ル次元を調べ、前記推測気象情報の肯定要因、または否
    定要因の当たる確率を100%から50%の間の値で求
    め、前記第2の気象情報の肯定要因、または否定要因の
    当たる確率を100%から0%の間の値で求める第19
    の制御手段と前記第16および第17の制御手段とから
    なる第5の機能、 前記第18の制御手段において前記ニューロコンピュー
    タが出力した第2の気象情報を、前記第2の気象情報の
    肯定要因に対する発火率とし、データの規則性が最も高
    い場合から、規則性が最も低い場合までを数値化する仕
    組みを用いて、入力気象情報の時間的変化のフラクタル
    次元を調べて、前記推測気象情報の肯定要因の当たる確
    率を100%から50%の間の値で求め、前記発火率と
    前記推測気象情報の肯定要因の当たる確率の積を第2の
    気象情報として求める第20の制御手段と前記第16お
    よび第17の制御手段とからなる第6の機能、の中の少
    なくとも一つの機能を備えたことを特徴とする請求項1
    または2記載の気象予測システム、または請求項3記載
    のニューロコンピュータ制御システム。
JP5136267A 1993-06-07 1993-06-07 気象予測システムおよびニューロコンピュータ制御システム Expired - Fee Related JP3005141B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP5136267A JP3005141B2 (ja) 1993-06-07 1993-06-07 気象予測システムおよびニューロコンピュータ制御システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP5136267A JP3005141B2 (ja) 1993-06-07 1993-06-07 気象予測システムおよびニューロコンピュータ制御システム

Publications (2)

Publication Number Publication Date
JPH06347563A true JPH06347563A (ja) 1994-12-22
JP3005141B2 JP3005141B2 (ja) 2000-01-31

Family

ID=15171198

Family Applications (1)

Application Number Title Priority Date Filing Date
JP5136267A Expired - Fee Related JP3005141B2 (ja) 1993-06-07 1993-06-07 気象予測システムおよびニューロコンピュータ制御システム

Country Status (1)

Country Link
JP (1) JP3005141B2 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010098015A1 (ja) * 2009-02-27 2010-09-02 キヤノン株式会社 医療意志決定支援装置及びその制御方法
KR101475625B1 (ko) * 2013-09-25 2014-12-22 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법
KR101475624B1 (ko) * 2013-09-25 2014-12-22 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 방법
WO2016175343A1 (ko) * 2015-04-27 2016-11-03 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법
JP2019204485A (ja) * 2018-05-25 2019-11-28 エスケーハイニックス株式会社SKhynix Inc. マシンラーニング装置、及びそれを利用したマシンラーニングシステム

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010098015A1 (ja) * 2009-02-27 2010-09-02 キヤノン株式会社 医療意志決定支援装置及びその制御方法
JP2010200840A (ja) * 2009-02-27 2010-09-16 Canon Inc 医療意志決定支援装置及びその制御方法
US8880455B2 (en) 2009-02-27 2014-11-04 Canon Kabushiki Kaisha Medical decision making support apparatus and control method for the same
US9436915B2 (en) 2009-02-27 2016-09-06 Canon Kabushiki Kaisha Medical decision making support apparatus and control method for the same
KR101475625B1 (ko) * 2013-09-25 2014-12-22 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법
KR101475624B1 (ko) * 2013-09-25 2014-12-22 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 방법
WO2016175343A1 (ko) * 2015-04-27 2016-11-03 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법
JP2019204485A (ja) * 2018-05-25 2019-11-28 エスケーハイニックス株式会社SKhynix Inc. マシンラーニング装置、及びそれを利用したマシンラーニングシステム
US20190362261A1 (en) * 2018-05-25 2019-11-28 SK Hynix Inc. Machine learning device and machine learning system using the same
KR20190134293A (ko) * 2018-05-25 2019-12-04 에스케이하이닉스 주식회사 머신 러닝 장치 및 이를 이용한 머신 러닝 시스템
US11972328B2 (en) 2018-05-25 2024-04-30 SK Hynix Inc. Machine learning device and machine learning system using the same

Also Published As

Publication number Publication date
JP3005141B2 (ja) 2000-01-31

Similar Documents

Publication Publication Date Title
Alizamir et al. A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions
Cheng et al. Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures
CN107392368B (zh) 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN111461413B (zh) 一种公路路面使用性能检测系统
CN112734135B (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
JP2020154785A (ja) 予測方法、予測プログラムおよびモデル学習方法
WO2022039675A1 (en) Method and apparatus for forecasting weather, electronic device and storage medium thereof
CN110852498A (zh) 一种基于gru神经网络预测数据中心能耗效率值pue的方法
Tan et al. Support vector machine algorithm for artificial intelligence optimization
Abdourahamane et al. Fuzzy rule-based forecast of meteorological drought in western Niger
JP3005141B2 (ja) 気象予測システムおよびニューロコンピュータ制御システム
Zamani et al. A comparative study on data mining techniques for rainfall prediction in Subang
CN115017970A (zh) 一种基于迁移学习的用气行为异常检测方法及系统
Liu et al. Soil water content forecasting by ANN and SVM hybrid architecture
CN117349748A (zh) 一种基于云边协同的主动学习故障诊断方法
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
JPH08106448A (ja) 気象予測装置
Ghazali et al. An application of Jordan Pi-sigma neural network for the prediction of temperature time series signal
Mohd-Safar et al. Integration of fuzzy c-means and artificial neural network for short-term localized rainfall forecasting in tropical climate
CN114492945A (zh) 电力市场背景下的短期光伏功率预测方法、介质及设备
CN113779871A (zh) 一种电热耦合系统调度方法、装置、电子设备及其存储介质
Husaini et al. A Jordan pi-sigma neural network for temperature forecasting in Batu Pahat region
Lee et al. Teaching and learning the AI modeling
CN117218375B (zh) 基于先验知识与数据驱动的环境能见度预测方法及设备

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees