JPH0652137A - パタ−ン分類装置 - Google Patents

Abstract

(57)【要約】 【目的】 高炉温度の円周バランスのような回転するパ
タ−ンに対する分類能力の改善。変化の大きい分類と変
化の小さい分類とが共存する分類に対する能力の改善。
パタ−ンの一部の特徴を重視する分類に対する能力の改
善。 【構成】 回転して基準パタ−ンに位置合せした信号を
ネットワ−クに入力する。変化の大きい分類と変化の小
さい分類を独立した専用のネットワ−クで分類処理す
る。入力信号に対する統計値をも、パタ−ンの特徴とし
てネットワ−クに入力する。統計値の種類を複数の中か
ら選択して指定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、所謂ニュ−ラルネット
ワ−クを用いて入力信号のパタ−ンを分類するパタ−ン
分類装置及びそのネットワ−クの作成を支援する装置に
関する。このパタ−ン分類装置は、例えば、製鉄所にお
ける高炉の温度分布パタ−ンの分類に利用しうる。

【０００２】

【従来の技術】パタ−ンの分類処理などを自動的に実施
しようとする分野においては、最近ではニュ−ラルネッ
トワ−クの技術がよく利用される。この種のニュ−ラル
ネットワ−クに関しては、既に様々な分野で利用するた
めの研究が進められており、ニュ−ラルネットワ−クを
利用した製品の開発及び市販も様々な分野で行なわれて
いる。また、ニュ−ラルネットワ−クの作成を支援する
ツ−ルも各社で市販されている。この種のニュ−ラルネ
ットワ−クの従来技術としては、例えば、特開平２−１
５７９８１号公報及び特開平３−３３９６８号公報に開
示されたものが知られている。

【０００３】

【発明が解決しようとする課題】ニュ−ラルネットワ−
クの性能は、一般にネットワ−クの構造（層数や各層の
ユニット数），学習回数，学習アルゴリズム，学習の際
に利用するデ−タの種類等々によって大きく変化し、し
かもパタ−ン分類が適用される分野に応じて条件が様々
に変わるので、実際に性能の良いニュ−ラルネットワ−
クを作成するのは非常に難しい。

【０００４】例えば製鉄所においては、高炉の水平面内
で検出される円周状の温度分布パタ−ンに関して、炉壁
部付着物の形成状況を識別する必要があるので、平均温
度及び活性部位のバランスが重要であり、例えば図５に
示す８種類のパタ−ンに分類し、現在の炉況がいずれの
パタ−ン分類に属するかに応じて炉の制御を実施する必
要がある。

【０００５】この温度分布パタ−ンの信号に対して、一
般的なニュ−ラルネットワ−クを用いてシミュレ−ショ
ンにより分類処理を実施したが、低い正解率（熟練者と
同じ分類結果が得られる率）しか得られなかった。この
結果については、次のようにいくつかの原因が考えられ
る。

【０００６】即ち、同一種類に分類すべき形状のパタ−
ンであっても、複数のパタ−ンの間に水平面内で位置の
回転があると、それらのパタ−ンに大きな変化が生じる
ので、この変化が分類能力を下げる原因になる。また、
図５のパタ−ン分類では、入力デ−タ（温度）そのもの
よりも、パタ−ンの特徴を重視しているので、温度デ−
タ群をそのままネットワ−クに入力するだけではパタ−
ンの特徴が結果に反映され難い。更に、割当てられた複
数の分類パタ−ンの一部に他と比べて差の大きなものが
含まれている場合、一部の分類パタ−ンに対する正解率
を上げようとすると残りの分類パタ−ンに対する正解率
が低下してしまう。例えば図５のパタ−ン１及び２は、
それ以外のパタ−ンに比べて差が大きいので、単一のニ
ュ−ラルネットワ−クを用いて全てのパタ−ンを分類し
ようとする場合、パタ−ン１及び２に対する学習量を増
やすとそれらに対する正解率が向上する代わりにパタ−
ン３〜８に対する正解率が下がり、パタ−ン３〜８に対
する学習量を増やすとそれらに対する正解率が向上する
代わりにパタ−ン１及び２に対する正解率が下がってし
まう。

【０００７】従って本発明は、分類能力の高いパタ−ン
分類装置を提供することを課題とする。

【０００８】

【課題を解決するための手段】上記課題を解決するた
め、本発明の第１番のパタ−ン分類装置には、複数の入
力端子と複数の出力端子を備えるネットワ−クを含み該
ネットワ−クの入力端子に複数の入力信号を印加して入
力信号の組合せパタ−ンの分類を示す信号を出力するパ
タ−ン分類装置において、複数の入力信号全体の並び順
を回転して位置合せ補償した信号を前記ネットワ−クの
複数の入力端子に印加する、回転処理手段(1)を設け
る。

【０００９】また本発明の第２番のパタ−ン分類装置に
は、特定の入力信号パタ−ンの出現比率を高めた第１組
の学習デ−タに対して重み係数の学習が実施された第１
組のネットワ−ク手段(3)；前記特定の入力信号パタ−
ンの出現比率を下げた第２組の学習デ−タに対して重み
係数の学習が実施された第２組のネットワ−ク手段
(4)；及び未知の入力信号が前記第１組及び第２組のネ
ットワ−ク手段に印加された時に、第１組のネットワ−
ク手段が入力信号を前記特定パタ−ンとして分類した時
には第１組のネットワ−ク手段の出力を選択し、第１組
のネットワ−ク手段が入力信号を前記特定パタ−ン以外
として分類した時には第２組のネットワ−ク手段の出力
を選択し、選択した分類信号を出力する出力選択手段
(5)；を設ける。

【００１０】また本発明の第３番のパタ−ン分類装置に
は、複数の入力端子と複数の出力端子を備えるネットワ
−クを含み該ネットワ−クの入力端子に複数の入力信号
を印加して入力信号の組合せパタ−ンの分類を示す信号
を出力するパタ−ン分類装置において、複数の入力信号
の統計量を計算する統計量計算手段(2)を設け、前記ネ
ットワ−クの入力端子に、前記入力信号自体を受入れる
第１組の端子と統計量計算手段が出力する統計量を受入
れる第２組の端子とを設ける。

【００１１】なお上記括弧内に示した記号は、後述する
実施例中の対応する要素の符号を参考までに示したもの
であり、本発明の各構成要素は実施例中の具体的な要素
のみに限定されるものではない。

【００１２】

【作用】第１番の発明によれば、複数の入力信号全体の
並び順を回転して（図７参照）位置合せ補償した信号を
ネットワ−クの入力端子に印加するので、例えば高炉の
温度分布信号のように入力信号のパタ−ンが回転を生じ
るものであっても、その回転方向の位置は基準パタ−ン
（即ち学習するパタ−ン）の回転方向位置と一致するよ
うに揃えられてネットワ−クに印加される。従って、入
力信号パタ−ンの回転位置はネットワ−クに影響を及ぼ
さない。これによって、ネットワ−クのパタ−ン分類能
力が大幅に向上する。

【００１３】第２番の発明においては、第１組のネット
ワ−ク手段は特定の入力信号パタ−ンに対する分類能力
が高くなるがその他のパタ−ンに対する分類能力は低く
なり、第２組のネットワ−ク手段は前記特定の入力信号
パタ−ンに対する分類能力が低くなる代わりにその他の
パタ−ンに対する分類能力が高くなる。ニュ−ラルネッ
トワ−クを通常の方法、即ちバックプロパゲ−ションで
学習させる場合、学習による重み係数の更新はほとんど
全てのユニット（神経細胞）に適用される。従って、例
えばパタ−ンＡ／Ｂの分類に関して既に充分な学習が済
んでいる状態で、別のパタ−ンＣ／Ｄの分類に関する学
習を実行すると、既に学習されたＡ／Ｂ分類に関する重
み係数までも更新され、Ａ／Ｂ分類の能力（正解率）は
低下する。このような分類能力の低下傾向は、形状差の
大きい複数パタ−ンの分類（例えば図５の活性型パタ−
ンと小活性型・不活性型パタ−ンの分類）と形状差の小
さい複数パタ−ンの分類（例えば図５のパタ−ン３〜８
の分類）とを同時に実施しようとする場合に顕著にな
る。本発明では、学習デ−タの変更によって分類能力を
異ならせた第１組のネットワ−ク手段と第２組のネット
ワ−ク手段とが備わっているので、例えば形状差の大き
い複数パタ−ンの分類を第１組のネットワ−ク手段で実
施し、形状差の小さい複数パタ−ンの分類を第２組のネ
ットワ−ク手段で実施することによって、形状差の大き
い複数パタ−ンと形状差の小さい複数パタ−ンのいずれ
に対しても高い分類能力が得られる。

【００１４】第３番の発明のパタ−ン分類装置では、ネ
ットワ−クは入力信号とその信号の統計量（例えば複数
信号の平均値など）とを組合せたパタ−ンを入力してそ
れを分類する。例えば図５に示した高炉の水平面温度分
布パタ−ンの分類においては、デ−タの値そのものより
も、温度デ−タ全体のパタ−ンの特徴を重視して分類し
ているので、温度デ−タのみをネットワ−クに入力して
も、高い分類能力は期待できない。しかし本発明では、
統計量をも特徴量として入力信号とともにネットワ−ク
に入力して両方の組合せパタ−ンを分類するので、高い
分類能力が期待できる。

【００１５】

【実施例】一実施例のパタ−ン分類装置の構成を図１に
示す。この実施例のパタ−ン分類装置は、図３に示すよ
うに高炉の壁面に配置された多数の温度センサ（熱電
対）によって検出される、所定位置の水平面内温度分布
を示す温度信号群（１２点の温度）を入力して、図５に
示すようなステ−ブ温度円周バランスパタ−ンの分類を
実施するものであり、図１０に示した構成のワ−クステ
−ション上及びプロセス用コンピュ−タ上で動く、ソフ
トウェア処理として構成されている。勿論、図１の装置
をハ−ドウェアのみ、もしくはハ−ドウェアとソフトウ
ェアの組合せに置き替えて構成することも可能である。

【００１６】図１を参照すると、このパタ−ン分類装置
は、回転処理部１，統計計算処理部２，ニュ−ラルネッ
トワ−ク３，４及びデ−タセレクタ部５で構成されてい
る。高炉で得られる１２点の温度信号は、回転処理部１
を通って２組のニュ−ラルネットワ−ク３及び４に入力
される。また、１２点の温度信号は、統計計算処理部２
にも入力される。ニュ−ラルネットワ−ク３，４の入力
層は１６ユニットで構成されており、そのうちの１２個
に回転処理部の出力が印加され、統計計算処理部２が出
力する４種類の統計信号ａ，ｂ，ｃ及びｄが、ニュ−ラ
ルネットワ−クの残りの入力ユニットに印加される。

【００１７】回転処理部１は、１２点の温度信号の並び
順を回転させて位置合せするものである。即ち、この実
施例ではパタ−ンの形状を重視して分類することが必要
であるので、基準となる典型的パタ−ンを回転したパタ
−ンは、元の典型的パタ−ンと同じグル−プに分類する
必要がある（図５参照）。しかし、特定のパタ−ン（典
型的パタ−ン）のみをニュ−ラルネットワ−クで学習し
た場合、回転したパタ−ンに対して分類を誤る可能性が
高い。そこでこの例では、回転処理部１で、１２点の温
度信号（Ｄ１〜Ｄ１２）の並び順を図７に示すように回
転し位置合わせした後で、各ニュ−ラルネットワ−クに
印加している。

【００１８】回転処理部１の具体的な処理の内容とし
て、最初に、デ−タの最大値の位置が典型的パタ−ンと
入力信号パタ−ンとで一致するように入力信号を回転し
て位置合せを実施した。その結果、位置合せしない場合
に比べて分類能力が向上したが、更に性能を改善する必
要が認められた。そこでこの実施例では、更に改良した
図６に示す回転処理を実施している。

【００１９】図６を参照して、回転処理を説明する。ス
テップＳ１では１２点の温度信号を入力し、次のステッ
プＳ２では入力した温度信号の値を正規化する。続くス
テップＳ３では、予め作成してある基準パタ−ン１〜８
（図５の典型的パタ−ンの１〜８）のデ−タを読込む。
ステップＳ４では、正規化した入力温度信号と各基準パ
タ−ンとの相関係数を計算する。計算の結果は保存して
おく。ステップＳ５では対比する基準パタ−ンを他のも
のと交換する。そして全ての基準パタ−ンとの相関係数
の計算が終了するまで、ステップＳ４の処理を繰り返
す。ステップＳ７では、１２点の入力温度信号の位置
を、図７に示すように１ステップ（１点分）回転する。
そして再びステップＳ４に進み、回転後の入力温度信号
と各基準パタ−ンとの相関係数をそれぞれ計算する。全
ての回転位置について相関係数の計算が終了すると、ス
テップＳ８からＳ９に進む。ステップＳ９では、ステッ
プＳ４で計算された相関係数のうち、最大のものを捜
し、最大の相関係数が得られた回転位置を検出する。次
のステップＳ１０では、検出した回転位置になるよう
に、１２点の入力温度信号を位置合せする。

【００２０】次に統計計算処理部２の処理内容を説明す
る。この実施例では、統計計算処理部２は図８に示す処
理を実施している。即ち、ステップＳ２１では１２点の
温度信号ｘ(i)を入力し、ステップＳ２２ではｘ(i)の平
均値ａを計算し、ステップＳ２３ではｘ(i)のうち前記
平均値ａより小さいものに関する平均値ｂを計算し、ス
テップＳ２４では入力温度信号パタ−ン（図４，図９参
照）の各山の角度を検出し、次のステップＳ２５では前
記山の角度が１１０度以内のポイント数ｃを検出し、続
くステップＳ２６では平均値＋１シグマより大きいｘ
(i)の数ｄを計数し、最後のステップＳ２７では、検出
した４つの統計値ａ，ｂ，ｃ及びｄを出力する。

【００２１】ステップＳ２４で検出する山の角度につい
て説明する。この実施例においては、温度パタ−ンの形
状を図４に示すチャ−トで表現している。図４において
は、円の中心が０℃で、その中心から放射状に直線的に
温度の目盛が高くなっており、内側の円の位置が５０
℃、外側の円の位置が１２５℃を表わし、各センサの位
置は３０度毎にずらした円周方向の位置で示してある。
このチャ−ト上の温度パタ−ンのｉ番目の各山の角度
は、図９に示すα[i+1]+β[i]であり、図９のように処
理して計算される。即ち、ｉ番目及びｉ＋１番目のセン
サの検出した温度の値を示す点とチャ−ト中心との距離
をそれぞれＬ[i]及びＬ[i+1]とする場合には、各点の条
件に応じて、次のようにα[i]及びβ[i]が計算される。

【００２２】Ｌ[i]＝Ｌ[i+1]の時： α[i]＝β[i]＝(π-π/6)/2 [rad] Ｌ[i]＞Ｌ[i+1]の時： la＝Ｌ[i+1]×Cos(π/6) lb＝Ｌ[i]−la ｔ＝Ｌ[i+1]×Sin(π/6) α[i]＝arctan(ｔ/lb) [rad] β[i]＝π-π/6−α[i] [rad] Ｌ[i]＜Ｌ[i+1]の時： la＝Ｌ[i]×Cos(π/6) lb＝Ｌ[i+1]−la ｔ＝Ｌ[i]×Sin(π/6) β[i]＝arctan(ｔ/lb) [rad] α[i]＝π-π/6−β[i] [rad] このようにして各点のα[i]及びβ[i]を求め、その結果
を利用して、各山の角度α[i+1]+β[i]を求める。

【００２３】図１に示すパタ−ン分類装置では、二組の
ニュ−ラルネットワ−ク３，４を用いてあるが、これら
２つは学習内容を除き、良く似た構成になっている。ニ
ュ−ラルネットワ−ク３，４の構成は、図２に示すよう
に、入力層，中間層及び出力層の３層構成になってお
り、ネットワ−ク３は入力層が１６ユニット、出力層は
７ユニットでそれぞれ構成され、ネットワ−ク４は入力
層が１６ユニット、出力層は６ユニットでそれぞれ構成
されている。入力層の１６ユニットのうち１２ユニット
に、回転処理により位置合せされた１２点の温度信号が
印加され、残りの４ユニットに、統計値ａ，ｂ，ｃ及び
ｄがそれぞれ印加される。ネットワ−ク３の出力層の１
番目のユニットはパタ−ン１及び２に割り当てられ、２
番目，３番目，４番目，５番目，６番目及び７番目のユ
ニットは、それぞれパタ−ン３，パタ−ン４，パタ−ン
５，パタ−ン６，パタ−ン７及びパタ−ン８に割り当て
てある。

【００２４】図５に示すように、この実施例の典型的パ
タ−ンは８種類に区分されているが、パタ−ン１とパタ
−ン２については両者の混同が激しく、また両者は共に
活性型であり実用上分類の必要性がないので、これらを
同一の分類に統合した結果、図１の装置は７種類のパタ
−ンを分類するように構成された。

【００２５】なお、ニュ−ラルネットワ−ク３，４を構
成する各ユニット（細胞）の構成は、基本的に従来より
公知の技術と同様であり、例えば１〜ｎの入力端子を有
するユニットの出力値は、ｉ番目の入力端子に関する入
力値及び重み係数（即ち結合係数）を、それぞれＤ(i)
及びｗ(i)とする場合、Ｄ(i)×ｗ(i)のｉ＝１〜ｎの総
和に対する関数（例えばシグモイド関数）の出力値にな
る。

【００２６】この実施例では、一方のニュ−ラルネット
ワ−ク３を学習させるための学習デ−タとして、図５に
示すパタ−ン１及びパタ−ン２に分類されるデ−タをそ
れぞれ５種類、それ以外に分類されるパタ−ンを２０種
類用意し、合計で３０種類のパタ−ン（グル−プＢ）に
ついて各々所定回数の学習を実施した。学習のアルゴリ
ズムとしては公知のバックプロパゲ−ションを用いた。
またもう一方のニュ−ラルネットワ−ク４を学習させる
ための学習デ−タとしては、図５に示すパタ−ン３，
４，５，６，７又は８に属するものについて合計で２４
種類のパタ−ン（グル−プＡ）を用意し、各々のパタ−
ンについて所定回数の学習を実施した。学習のアルゴリ
ズムとしてはバックプロパゲ−ションを用いた。

【００２７】従って、一方のニュ−ラルネットワ−ク３
は、パタ−ン１及び２とそれ以外のパタ−ンとの分類能
力が高く、他方のニュ−ラルネットワ−ク４は、パタ−
ン１及び２に属さないものをパタ−ン３〜８のいずれか
に分類する能力が高い。そこで、図１に示すように、ニ
ュ−ラルネットワ−ク３のパタ−ン１，２の分類出力を
利用して、デ−タセレクタ５の切替制御を実施し、ニュ
−ラルネットワ−ク３が未知のパタ−ンをパタ−ン１，
２に分類した時にはニュ−ラルネットワ−ク３のパタ−
ン３〜パタ−ン８の分類出力をデ−タセレクタで選択
し、ニュ−ラルネットワ−ク３が未知のパタ−ンをパタ
−ン１，２以外に分類した時にはニュ−ラルネットワ−
ク４のパタ−ン３〜パタ−ン８の分類出力をデ−タセレ
クタで選択し、選択されたパタ−ン３〜パタ−ン８の分
類出力と、ニュ−ラルネットワ−ク３のパタ−ン１，２
の分類出力を、このパタ−ン分類装置の分類結果として
選択的に出力するように構成してある。正確には、ニュ
−ラルネットワ−ク３は、パタ−ン１，２の検出専用に
なっている。

【００２８】このパタ−ン分類装置の分類能力を熟練オ
ペレ−タと比較し、同一の分類結果になったものを正解
としたところ、約８５％の正解率が得られた。また、不
正解であったデ−タについては、いずれのパタ−ンに分
類すべきか判断するのが極めて微妙なものが多く、実際
の操業にこのパタ−ン分類装置を使用しても何ら支障は
生じないことが分かった。

【００２９】以上説明したようなパタ−ン分類装置を効
率的に開発するのに役立つ、ネットワ−ク作成装置の実
施例について以下に説明する。

【００３０】この実施例のネットワ−ク作成装置は、図
１０に示すワ−クステ−ション上に構成されている。図
１０を参照すると、このワ−クステ−ションは、中央処
理装置ＣＰＵ，表示装置ＣＲＴ，キ−ボ−ドＫＢ，マウ
スＭＳ，主記憶装置ＭＭ，補助記憶装置ＨＤ，プリンタ
ＰＲ及び通信装置ＣＵで構成されており、通信装置ＣＵ
はロ−カルエリアネットワ−クに接続されている。補助
記憶装置ＨＤ上には、基本ソフトウェア（即ちオペレ−
ティングシステム）とネットワ−ク作成装置のためのア
プリケ−ションソフトウェアが組込まれている。ワ−ク
ステ−ションの電源を投入してオペレ−ティングシステ
ムを起動した後、システムにログインし、更にキ−ボ−
ドＫＢ又はマウスＭＳによって所定の入力操作を実施す
ることによって、ネットワ−ク作成装置のシステムが起
動する。このシステムを起動すると、図１８に示す処理
が開始される。

【００３１】図１８の最初のステップＳ３１ではメイン
メニュ−を表示装置ＣＲＴ上に表示する。これによっ
て、例えば図１１に示すようなメニュ−画面が表示され
る。このメニュ−画面においては、操作可能なキ−とし
て終了キ−Ｋ１ａ，モデル登録キ−Ｋ１ｂ，構造設定キ
−Ｋ１ｃ，学習モ−ドキ−Ｋ１ｄ，取消キ−Ｋ１ｅ，モ
デル削除キ−Ｋ１ｆ，実機転送キ−Ｋ１ｇ及び評価モ−
ドキ−Ｋ１ｈが設けられており、更にモデルＮＯ領域Ａ
１ａ，モデル一覧表領域Ａ１ｂ，層数一覧表領域Ａ１ｃ
が設けられている。

【００３２】画面上のモデル登録キ−Ｋ１ｂをマウス又
はキ−ボ−ドから操作することによって、図１８のステ
ップＳ４３が実行される。この時には、モデル一覧表領
域Ａ１ｂの各欄に対して、モデルＮＯ，モデル名及びメ
モを入力することができる。入力された情報はメモリ上
に登録され、モデル一覧表上に表示される。

【００３３】また、画面上のモデルＮＯ領域Ａ１ａを指
示することによって、図１８のステップＳ４４が実行さ
れる。この時には、予め登録したモデル（モデル一覧表
に表示されているモデル）の中から１つのモデルを番号
を指定して選択することができる。選択したモデルの番
号は、メモリ上に登録され、モデルＮＯ領域Ａ１ａに表
示される。

【００３４】画面上の構造設定キ−Ｋ１ｃをマウス又は
キ−ボ−ドから操作することによって、図１８のステッ
プＳ４５が実行される。この時には、層数一覧表領域Ａ
１ｃに対して、各層の細胞数を入力することができる。
入力された各層の細胞数は、その時に選択しているモデ
ルに対する各層の構造情報としてメモリに登録され、更
新された情報は層数一覧表領域Ａ１ｃに表示される。

【００３５】取消キ−Ｋ１ｅを操作すると、図１８のス
テップＳ４７が実行されるが、その前にＳ４５で構造設
定が完了していると、Ｓ４７において、メモリ上に１つ
のニュ−ラルネットワ−クが作成される。具体的には、
予め用意されたＣ言語のソ−スファイルと設定された層
数及び各層の細胞数のパラメ−タの情報に基づいて、ソ
−スファイルのコンパイルが実行され、ネットワ−クの
デ−タ構造とそのネットワ−クに対する計算を実施する
オブジェクトプログラムが作成される。なおこのネット
ワ−クは、学習用モデルと評価用モデルの２組で構成さ
れる。

【００３６】作成されたニュ−ラルネットワ−クは、学
習を実施することによって所望のパタ−ン分類機能が備
わる。図１１の画面上で学習モ−ドキ−Ｋ１ｄを操作す
ることによって、図１８のステップ４８が実行される
が、これによって図１９に示す学習モ−ドの処理に進む
ことができる。

【００３７】図１９の最初のステップＳ５１では学習メ
ニュ−を表示装置ＣＲＴ上に表示する。これによって、
例えば図１２に示すようなメニュ−画面が表示される。
このメニュ−画面においては、操作可能なキ−として終
了キ−Ｋ２ａ，学習NO登録キ−Ｋ２ｂ，デ−タ作成キ−
Ｋ２ｃ，細胞割付キ−Ｋ２ｄ，取消キ−Ｋ２ｅ，デ−タ
削除キ−Ｋ２ｆ，学習モ−ド設定キ−Ｋ２ｇ，学習キ−
Ｋ２ｈ及びデ−タ解析キ−Ｋ２ｉが設けられており、更
にモデルＮＯ領域Ａ２ａ，学習ＮＯ領域Ａ２ｂ，実機デ
−タファイル領域Ａ２ｃ，学習モ−ド領域Ａ２ｅ，終了
条件領域Ａ２ｆ，学習終了値領域Ａ２ｇ，学習デ−タ一
覧表領域Ａ２ｈ及び学習状況領域Ａ２ｉが設けられてい
る。

【００３８】画面上の学習NO登録キ−Ｋ２ｂをマウス又
はキ−ボ−ドから操作することによって、図１９のステ
ップＳ６３が実行される。この時には、学習デ−タの番
号とデ−タ名を入力することができる。入力された情報
はメモリ上に登録され、学習デ−タ一覧表上に表示され
る。

【００３９】また、学習ＮＯ領域Ａ２ｂをマウス又はキ
−ボ−ドで指示することによって、図１９のステップＳ
６４が実行される。この時には、登録された学習デ−タ
（一覧表に表示されているデ−タ）の１つを選択するこ
とができる。選択された学習デ−タの番号はメモリに登
録され、学習ＮＯ領域Ａ２ｂに表示される。

【００４０】学習デ−タを選択した後で、デ−タ作成キ
−Ｋ２ｃを指示することによって、図１９のステップＳ
６６が実行される。このステップでは、学習デ−タの内
容をオペレ−タの入力操作によって作成し登録する。実
際には、図１５に示すような画面が表示されるので、こ
の画面において入力する行を指定し、各行でパタ−ン
名，学習デ−タ及び教師デ−タを入力する。図１５に示
された例は、ネットワ−クの入力層が６ユニット（統計
値のユニットを除く）で構成され、出力層が４ユニット
で構成される場合を示している。例えば、１行目のデ−
タの場合、50.0，54.0，50.0，44.5，35.0及び16.4が入
力層の６つのユニットに印加される時に、出力層の１番
目，２番目，３番目及び４番目のユニットの教師デ−タ
がそれぞれ1.0，0.0，0.0及び0.0になる。

【００４１】図１２の表示画面において、細胞割付キ−
Ｋ２ｄをマウス又はキ−ボ−ドで指示すると、図１９の
ステップＳ６７が実行され、これによって図２０に示す
処理に進む。図２０の最初のステップＳ８１では、例え
ば図１３に示すような細胞割付画面を表示する。図１３
の例は、ネットワ−クの入力層が７つのユニット（細
胞）で構成されている場合を示している。各々のユニッ
トに割当てられるデ−タに関する情報をこの画面で指定
する。指定できる項目としては、ＮＯ，入力デ−タ名，
返り値ＮＯ，正規化方法，正規化定数及び正規化関数名
がある。ＮＯはデ−タを割付ける細胞の番号を示す。

【００４２】図１３の表示画面において入力キ−Ｋ３ｂ
をマウス又はキ−ボ−ドで指示すると、図２０のステッ
プ９３が実行され、図２１の処理に進む。この場合、ス
テップS101の実行によって、画面の表示内容は図１４の
ようにチョイスウインドゥが開き、新たにキ−Ｋ４ｂ，
Ｋ４ｃ，Ｋ４ｅ及びＫ４ｆが表示される。図１４の画面
でキ−Ｋ４ｂ，Ｋ４ｃ，Ｋ４ｅ及びＫ４ｆを指示するこ
とによって、原デ−タ，直接指定，統計値，及びユ−ザ
指定を入力デ−タの種類として選択することができる。

【００４３】原デ−タの選択は、図１５に示す画面で作
成されたデ−タを正規化して各細胞に入力することを意
味し、直接指定の選択は図１５に示す画面で作成された
デ−タを正規化せず直接に各細胞に入力することを意味
し、統計値の選択は図１５に示す画面で作成されたデ−
タの統計値を各細胞に入力することを意味し、ユ−ザ指
定の選択は、図１５に示す画面で作成されたデ−タを、
予めユ−ザが作成した関数（サブル−チン）によって処
理した結果を各細胞に入力することを意味する。また、
統計値を選択した場合には、更に次の選択項目が表示さ
れ、基本統計値の中のいずれを割付るのかを選択するこ
とができる。この実施例では、基本統計値として、平均
値，標準偏差，偏差平方和，分散，標準誤差，最大値，
最小値，範囲，メジアン，及び最大値の位置を用意して
ある。この中のいずれかが選択される。図１３及び図１
４に示した例では、ネットワ−クの入力層の１番〜６番
のユニットに原デ−タを割付け、７番のユニットに統計
値の中の平均値を割付けた場合を示している。

【００４４】返り値ＮＯは、ユ−ザ指定関数からの戻り
値を割り付ける細胞を示す。正規化方法は、入力デ−タ
を正規化して細胞に印加する場合の正規化処理を指定す
るものであり、この例では、デ−タを一定値で割る方
法，幅で割る（列ごとの最大及び最小値によって正規化
する）方法，及びユ−ザ指定関数によって正規化する方
法の３種類の中から選択できる。正規化定数は、正規化
方法として、デ−タを一定値で割る方法を選択した場合
の一定値を示す。正規化関数名は、正規化方法としてユ
−ザ指定関数を選択した場合に使用する関数の名称を示
す。

【００４５】図１２の画面において、学習モ−ド設定キ
−Ｋ２ｇを指定した場合、図１９のステップＳ６８が実
行される。この時には、学習モ−ド，終了条件，及び学
習終了値が設定される。学習モ−ドについては、新規学
習と既存の学習ファイル（重み係数ファイル）の更新学
習のいずれかを選択でき、終了条件については、学習を
終了する条件として、学習回数，誤差，及び自動のいず
れかを選択でき、条件として学習回数を選択した時には
学習終了値として学習回数を指定し、条件として誤差を
選択した時には学習終了値としてネットワ−クの出力と
教師デ−タとの誤差（収束値）を指定する。設定した条
件は、登録され、画面上の領域Ａ２ｅ，Ａ２ｆ及びＡ２
ｇに表示される。

【００４６】上記のように操作して学習の準備を整えた
後、図１２に示す画面において、学習キ−Ｋ２ｈを指示
すると、図１９のステップＳ６９に進み、学習処理を実
行する。この学習処理では、バックプロパゲ−ションの
アルゴリズムが用いられている。即ち、指定された学習
デ−タを必要に応じて正規化し、必要に応じて統計処理
を実施し、指定された入力層のユニットに入力し、ネッ
トワ−クの計算を実行し、その結果ネットワ−クの出力
層の各ユニットに得られる値と、指定された学習デ−タ
に付随する教師デ−タ（図１５参照）とを比較し、両者
の誤差を０に近づけるように、出力層から入力層に向か
って、各ユニットの重み係数（結合係数）の値を少しず
つ修正する。この動作を何回も繰り返し実行する。学習
の状況は、図１２に示す画面の領域Ａ２ｉに、学習回数
と誤差との対応の変化を示す学習曲線として表示され
る。

【００４７】図１２に示す表示画面においてデ−タ解析
キ−Ｋ２ｉを指示すると、図１９のステップＳ７１が実
行される。この処理においては、指定した学習デ−タ
（図１５参照）の特徴分析のために、学習デ−タのグラ
フ表示，学習デ−タの印刷，学習デ−タの統計値の計算
及び印刷をオペレ−タの指示によって処理することがで
きる。学習デ−タをグラフ表示する場合には、折れ線グ
ラフとレ−ダチャ−トの２種類のグラフを選択的に表示
することができ、グラフ上の各要素の表示位置を移動
（折れ線グラフの場合には軸方向への移動，レ−ダチャ
−トの場合には回転）することもできる。

【００４８】学習が終了した後、図１１に示す画面に戻
り、評価モ−ドキ−Ｋ１ｈをマウス又はキ−ボ−ドで指
示すると、図１８のステップＳ４９を実行し、図２２に
示す評価モ−ド処理に進む。この場合、まずステップS1
21で、図１６に示すような評価メニュ−を表示する。図
１６の画面には、終了キ−Ｋ６ａ，評価ＮＯ登録キ−Ｋ
６ｂ，デ−タ作成キ−Ｋ６ｃ，細胞割付キ−Ｋ６ｄ，前
処理生成キ−Ｋ６ｅ，取消キ−Ｋ６ｆ，デ−タ削除キ−
Ｋ６ｇ，入力モ−ドキ−Ｋ６ｈ，表示仕様キ−Ｋ６ｉ，
割付コピ−キ−Ｋ６ｊ，評価キ−Ｋ６ｋ，表示取消キ−
Ｋ６ｌ，モデルＮＯ領域Ａ６ａ，学習ＮＯ領域Ａ６ｂ，
評価ＮＯ領域Ａ６ｃ，入力モ−ド領域Ａ６ｄ，表示モ−
ド領域Ａ６ｅ，グラフモ−ド領域Ａ６ｆ，スケ−ル領域
Ａ６ｇ，及び表示デ−タ一覧表領域Ａ６ｈが備わってい
る。

【００４９】この評価モ−ドでは、作成したニュ−ラル
ネットワ−クに未知のデ−タパタ−ンを入力し、ネット
ワ−クが出力する分類結果を調べることができる。この
評価を実施する場合には、まず評価ＮＯ登録キ−Ｋ６ｂ
を操作した後で評価の番号と名称を入力する。入力した
情報は登録され、評価デ−タ一覧表領域Ａ６ｈ上に表示
される。次に学習ＮＯ領域Ａ６ｂをマウス又はキ−ボ−
ドで指示すると、図２２のステップS144が実行されるの
で、ここで重み係数デ−タを選択する。即ち、評価する
ネットワ−クについて学習モ−ドで予め作成してある１
つ又は複数の重み係数デ−タファイルの中から１つを選
択する。学習が終了していないネットワ−クを評価する
ことはできない。

【００５０】次に、評価ＮＯ領域Ａ６ｃをマウス又はキ
−ボ−ドで指示すると、図２２のステップS145が実行さ
れるので、ここで予め登録してある評価デ−タ（領域Ａ
６ｈに表示されているデ−タ）の１つを選択する。続い
て、デ−タ作成キ−Ｋ６ｃを指示すると、図２２のステ
ップS146が実行される。ここで選択された評価デ−タの
内容を入力し評価デ−タの本体を作成する。この場合、
図示しないが、例えば図１５に示す学習デ−タの作成画
面と同様な画面が表示されるので、その場合と同様にし
て、評価対象となる未知のデ−タパタ−ンを入力する。
学習モ−ドの場合には、学習デ−タと教師デ−タを入力
する必要があるが、評価モ−ドでは評価対象となるデ−
タ（ニュ−ラルネットワ−クの入力層に印加するデ−
タ）のみを入力する。

【００５１】続いて、細胞割付キ−Ｋ６ｄをマウス又は
キ−ボ−ドで指示すると、図２２のステップS147が実行
される。ここで評価デ−タをネットワ−クの各ユニット
に割当てる。この細胞割付では、学習モ−ドにおける細
胞割付の場合と同様の処理が実施される。

【００５２】次に、前処理生成キ−Ｋ６ｅをマウス又は
キ−ボ−ドで指示すると、図２２のステップS148が実行
される。この処理では、ステップS147で設定されたデ−
タ割付に基づいて、前処理用モジュ−ルが作成される。
この前処理用モジュ−ルは、例えば図１における回転処
理部１に相当するものであり、評価対象入力デ−タを前
処理（図１の例では回転方向の位置合せ）してからニュ
−ラルネットワ−クに印加する。

【００５３】入力モ−ドキ−Ｋ６ｈを指示すると、図２
２のステップS150が実行される。ここで、評価対象のデ
−タを予め用意した評価デ−タファイルから読込んで入
力するか、又はキ−ボ−ドから直接入力するかを選択で
きる。また、表示仕様キ−Ｋ６ｉを指示すると、評価結
果を表示する画面における表示仕様を変更することがで
きる。

【００５４】次に、評価キ−Ｋ６ｋを指示すると、図２
２のステップS151が実行される。入力モ−ドとしてファ
イルを選択した場合には、ファイルの番号を入力する
と、そのファイルのデ−タを評価対象デ−タとして読込
んで、ネットワ−クに印加し、評価を開始する。即ち、
評価デ−タに対してネットワ−クの計算を実施し、ネッ
トワ−クの出力層の各ユニットの出力値を評価値として
表示し、その中で最も高い評価結果が得られたユニット
の分類パタ−ンを評価結果として表示する。また、評価
対象デ−タ及び学習デ−タをグラフ表示する。これによ
って、例えば図１７のような画面が表示される。なお図
１７の例では評価対象デ−タが折線グラフで表示されて
いるが、表示仕様を変更すれば、レ−ダチャ−トによっ
て、例えば図４のように評価対象デ−タを表示すること
もできる。

【００５５】また、図１６に示す表示画面において、割
付コピ−キ−Ｋ６ｊを指示すると、選択された学習ＮＯ
のデ−タについて学習モ−ドで学習を実施した時に設定
された細胞割付と一致するように、登録されたその情報
を参照して自動的に細胞割付が実施される。即ち、各々
のネットワ−クについて、各モ−ドで指定した情報は、
そのネットワ−クに対応付けたデ−タファイルとして、
主記憶装置ＭＭ上又は補助記憶装置ＨＤ上に保存されて
いるので、学習モ−ドの際に指定した細胞割付の情報、
つまり各々の入力層ユニットに対応付けられた原デ−
タ，直接指定，統計値（平均値，標準偏差等の区分も含
む）及びユ−ザ指定の区分情報や、正規化のための情報
を読み出して、その情報を評価モ−ドでも利用する。こ
の自動細胞割付を実施する場合には、評価モ−ドで改め
て細胞割付のための入力を実施する必要がなく、学習モ
−ドの際と同じ条件を自動的に再現してネットワ−クの
評価を実施することができる。これによって、ネットワ
−クの入力情報としていずれの種類の統計値を選択する
のがパタ−ン分類に効果的であるかを、容易に調べるこ
とができる。

【００５６】

【発明の効果】以上のとおり、第１番の発明のパタ−ン
分類装置によれば、複数の入力信号全体の並び順を回転
して位置合せ補償した信号をネットワ−クの入力端子に
印加するので、例えば高炉の温度分布信号のように入力
信号のパタ−ンが回転を生じるものであっても、その回
転方向の位置は基準パタ−ン（即ち学習するパタ−ン）
の回転方向位置と一致するように揃えられてネットワ−
クに印加される。従って、入力信号パタ−ンの回転位置
はネットワ−クに影響を及ぼさない。これによって、ネ
ットワ−クのパタ−ン分類能力が大幅に向上する。

【００５７】第２番の発明のパタ−ン分類装置において
は、第１組のネットワ−ク手段は特定の入力信号パタ−
ンに対する分類能力が高くなるがその他のパタ−ンに対
する分類能力は低くなり、第２組のネットワ−ク手段は
前記特定の入力信号パタ−ンに対する分類能力が低くな
る代わりにその他のパタ−ンに対する分類能力が高くな
る。ニュ−ラルネットワ−クを通常の方法、即ちバック
プロパゲ−ションで学習させる場合、学習による重み係
数の更新はほとんど全てのユニットに適用されるので、
例えばパタ−ンＡ／Ｂの分類に関して既に充分な学習が
済んでいる状態で、別のパタ−ンＣ／Ｄの分類に関する
学習を実行すると、既に学習されたＡ／Ｂ分類に関する
重み係数までも更新され、Ａ／Ｂ分類の能力は低下す
る。このような分類能力の低下傾向は、形状差の大きい
複数パタ−ンの分類（例えば図５の活性型パタ−ンと小
活性型・不活性型パタ−ンの分類）と形状差の小さい複
数パタ−ンの分類（例えば図５のパタ−ン３〜８の分
類）とを同時に実施しようとする場合に顕著になる。本
発明では、学習デ−タの変更によって分類能力を異なら
せた第１組のネットワ−ク手段と第２組のネットワ−ク
手段とが備わっているので、例えば形状差の大きい複数
パタ−ンの分類を第１組のネットワ−ク手段で実施し、
形状差の小さい複数パタ−ンの分類を第２組のネットワ
−ク手段で実施することによって、形状差の大きい複数
パタ−ンと形状差の小さい複数パタ−ンのいずれに対し
ても高い分類能力が得られる。

【００５８】第３番の発明のパタ−ン分類装置では、ネ
ットワ−クは入力信号とその信号の統計量とを組合せた
パタ−ンを入力してそれを分類するので、高い分類能力
が期待できる。

【図面の簡単な説明】

【図１】 実施例のパタ−ン分類装置の構成を示すブロ
ック図である。

【図２】 １つのネットワ−クの構成を示すブロック図
である。

【図３】 高炉と温度センサの位置関係を示す斜視図で
ある。

【図４】 １つの入力信号パタ−ンを示すレ−ダチャ−
トである。

【図５】 代表的な信号パタ−ンの分類を示すレ−ダチ
ャ−トである。

【図６】 回転処理の内容を示すフロ−チャ−トであ
る。

【図７】 回転処理前と処理後の信号の並びを示すマッ
プである。

【図８】 統計計算処理の内容を示すフロ−チャ−トで
ある。

【図９】 １つの入力信号パタ−ンを示すレ−ダチャ−
トである。

【図１０】 装置のハ−ドウェア構成を示すブロック図
である。

【図１１】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１２】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１３】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１４】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１５】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１６】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１７】 ネットワ−ク作成装置の表示画面の例を示
す正面図である。

【図１８】 ネットワ−ク作成装置の処理の一部を示す
フロ−チャ−トである。

【図１９】 ネットワ−ク作成装置の処理の一部を示す
フロ−チャ−トである。

【図２０】 ネットワ−ク作成装置の処理の一部を示す
フロ−チャ−トである。

【図２１】 ネットワ−ク作成装置の処理の一部を示す
フロ−チャ−トである。

【図２２】 ネットワ−ク作成装置の処理の一部を示す
フロ−チャ−トである。

【符号の説明】

１：回転処理部 ２：統計計算処理部 ３，４：ニュ−ラルネットワ−ク ５：デ−タセレクタ

───────────────────────────────────────────────────── フロントページの続き (72)発明者 西 尾 清 明 東海市東海町５−３ 新日本製鐵株式会社 名古屋製鐵所内 (72)発明者 宮 崎 裕 之 富津市新富20−１ 新日本製鐵株式会社技 術開発本部内

Claims (3)

【特許請求の範囲】
1. 【請求項１】 複数の入力端子と複数の出力端子を備え
   るネットワ−クを含み該ネットワ−クの入力端子に複数
   の入力信号を印加して入力信号の組合せパタ−ンの分類
   を示す信号を出力するパタ−ン分類装置において、複数
   の入力信号全体の並び順を回転して位置合せ補償した信
   号を前記ネットワ−クの複数の入力端子に印加する、回
   転処理手段を設けたことを特徴とする、パタ−ン分類装
   置。
2. 【請求項２】 特定の入力信号パタ−ンの出現比率を高
   めた第１組の学習デ−タに対して重み係数の学習が実施
   された第１組のネットワ−ク手段；前記特定の入力信号
   パタ−ンの出現比率を下げた第２組の学習デ−タに対し
   て重み係数の学習が実施された第２組のネットワ−ク手
   段；及び未知の入力信号が前記第１組及び第２組のネッ
   トワ−ク手段に印加された時に、第１組のネットワ−ク
   手段が入力信号を前記特定パタ−ンとして分類した時に
   は第１組のネットワ−ク手段の出力を選択し、第１組の
   ネットワ−ク手段が入力信号を前記特定パタ−ン以外と
   して分類した時には第２組のネットワ−ク手段の出力を
   選択し、選択した分類信号を出力する、出力選択手段；
   を備えるパタ−ン分類装置。
3. 【請求項３】 複数の入力端子と複数の出力端子を備え
   るネットワ−クを含み該ネットワ−クの入力端子に複数
   の入力信号を印加して入力信号の組合せパタ−ンの分類
   を示す信号を出力するパタ−ン分類装置において、 複数の入力信号の統計量を計算する統計量計算手段を設
   け、前記ネットワ−クの入力端子に、前記入力信号自体
   を受入れる第１組の端子と統計量計算手段が出力する統
   計量を受入れる第２組の端子とを設けたことを特徴とす
   るパタ−ン分類装置。