JPH06347563A

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

Info

Publication number: JPH06347563A
Application number: JP5136267A
Authority: JP
Inventors: Norio Emura; 憲夫江村; Hironari Masui; 裕也増井
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1993-06-07
Filing date: 1993-06-07
Publication date: 1994-12-22
Anticipated expiration: 2015-01-31
Also published as: JP3005141B2

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Ｆ_in (ｔ₀,ｊ, ｉ₀)（一例としてＦ_in (ｉ₀)：大気
圧，温度，湿度，風向，風速）、および出力用の気象情
報Ｆ_out (ｔ₁,ｊ，ｉ₁)（一例としてＦ_out (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Ｎ_out
(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Ｆ_in (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Ｈ_in (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Ｈ_out (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Ｈ_outに対し、実際に該当時刻に観測した気象情
報Ｆ_in (ｔ₁,ｊ，ｉ₁)を気象実測情報Ｈ_in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Ｈ_out (ｔ₁,ｊ，ｉ₁)と前記気象実
測情報Ｈ_in (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Ｆ_in (ｔ
₀:ｋ０〜ｋ１，ｊ，ｉ₀)を気象実測情報Ｈ_in (ｔ₀,ｊ，
ｉ₀)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Ｈ_out (ｔ₁,ｊ，ｉ₁)として出力層よ
り出力させ、気象情報Ｆ_out (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Ｎ_in (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Ｎ_out（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Ｆ_in（ｔ₀:ｋ０
〜ｋ１，ｊ，ｉ）を気象実測情報Ｈ_in（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Ｎ_out（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Ｆ_out（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倍
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Ｆ_in (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Ｆ_out (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Ｆ_in
(ｔ₀,ｊ，ｉ₀)、および気象情報Ｆ_out (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Ｗ_ji」と「ニューロンｊへの入力
値Ｘ_i」との積Ｗ_jiＸ_i、および中間層誤差計算（
式）における「出力層の誤差計算式δ_k」と「シナプス
結合の係数Ｗ_kj」との積δ_kＷ_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（Σ_iＷ_jiＸ_i−Ｈ_j) ・・・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Ｘ_i：ニューロンｊへの入力値Ｗ_ji：シナプス結合の係数Ｈ_j：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］ δ_i＝（２／Ｕ）（ｔ_i−Ｘ_i）Ｘ_i（１−Ｘ_i）・・・式ここで、δ_i：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Ｘ_i：ニューロンｊの出力値ｔ_i：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＝（Σ_kδ_kＷ_kj）Ｘ_j（１−Ｘ_j）・・・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 δ_k：出力層の誤差計算値Ｗ_kj：シナプス結合の係数Ｘ_j：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Ｗ_ji、およびしきい値Ｈ_j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＝αＷ_ji＋βδ_jＸ_j ・・・式Ｈ' _j＝α' Ｈ_j＋β' δ_j ・・・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 δ_j：ニューロｊの出力誤差値Ｘ_j：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Ｆ_in（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Ｆ_in（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Ｈ_in（ｔ₀,ｊ，ｉ）Ｘ：気象情報Ｆ_in（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Ｈ_in(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Ｈ_in (ｔ₀,ｊ，ｉ₀)を気象情
報Ｆ_in (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Ｈ_in (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Ｈ_out (ｔ₁,ｊ，ｉ₁)（一例として
ｔ₁＝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Ｈ_in（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を
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＝Σ_{U 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Ｆ_in (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を
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
ｔ₁）＊（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Ｈ_in (ｔ₀,ｊ，ｉ₀)、および気象推測情報Ｈ_out
(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Ｆ_in (ｔ₀,
ｊ，ｉ₀)、および推測用気象情報Ｆ_out (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Ｎ_in
(ｔ₀,ｊ，ｉ₀)、および出力層の各ニューロンＮ_out
(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Ｆ_in (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Ｆ_in (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Ｆ_in (ｔ₀,ｊ，ｉ₀)と、誤差修正
／学習情報更新用の気象情報Ｆ_in (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Ｈ_in (ｔ₀,ｊ，ｉ₀)、およびＨ_in
(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Ｈ_in (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Ｈ_in (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Ｈ_out (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Ｈ_in (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Ｆ_in (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Ｆ_in (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Ｈ_in (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Ｈ_in (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Ｈ_out（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Ｆ_out (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Ｆ_out (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Ｆ_out (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Ｆ_in (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Ｆ_in（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Ｆ_in (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Ｎ_in (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Ｎ_out（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Ｆ_in (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Ｈ_in (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Ｈ_in (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Ｈ_in (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Ｆ_in (ｔ₀,ｊ，ｉ₀)、および推測用気象情報Ｆ_out
(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Ｆ_in (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Ｎ_in (ｔ₀,ｊ，
ｉ₀)、およびニューロンＮ_out（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Ｈ_in (ｔ₀,ｊ，ｉ₀)に変換する（フ
ローチャート３４）。

【０１３４】．気象実測情報Ｈ_in (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Ｎ_out（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Ｆ_in (ｔ₀,ｊ，ｉ₀)、お
よび推測用気象情報Ｆ_out (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Ｎ_in (ｔ₀,
ｊ，ｉ₀)、およびＮ_out (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

【特許請求の範囲】

【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。
【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。
【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。
【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。
【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。