JPH0713983A - 神経回路網を利用した波形評価装置及び方法 - Google Patents

Abstract

(57)【要約】 ［目的］ 本発明は、測定装置等で計測された波形を評
価するための波形評価装置に係わり、特に、神経重率を
理想的な信号及び測定対象となる回路を異常条件とした
時の波形信号を用いて学習させ、回路の異常の種類の種
類又はその度合いに対応した信号を表示することのでき
る波形評価装置を提供することを目的とする。 ［構成］ 本発明は、判定対象信号を入力信号として入
力される入力層、隠れ層及び出力層の少なくとも３層を
形成し、神経回路網モジュールは、これらの各層を神経
重率が与えられるネットワークで結合して形成し、神経
重率は、少なくとも理想的な信号及び測定対象となる回
路を異常条件とした時の波形信号を用いて学習させるこ
とにより決定し、かつ、出力層には、回路の異常の種類
又はその度合いに対応した信号を出力する様に構成され
ている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、シンクロスコープやそ
の他の測定装置等で計測された波形を評価するための波
形評価装置に係わり、特に、神経重率を理想的な信号及
び測定対象となる回路を異常条件とした時の波形信号を
用いて学習させることにより決定された神経回路網モジ
ュールを設け、出力層には、回路の異常の種類又はその
度合いに対応した信号が表示することのできる波形評価
装置に関するものである。

【０００２】

【従来の技術】従来、シンクロスコープ等で計測された
波形を評価するには、その波形形状に合わせたプログラ
ム等を作成するか、或は目視により観測者が判断する方
法しか存在していなかった。

【０００３】

【発明が解決しようとする課題】しかしながら従来の波
形形状に合わせたプログラム等を作成する評価方法は、
波形が多種多様な形状を有するため、波形別に評価する
プログラムをそれぞれ作成しなくてはならず、その作業
量が膨大なものとなり極めて煩雑であるという問題点が
あった。更に、これらのプログラムは汎用性が全くな
く、能率性も悪いという問題点があった。そしてアナロ
グ波形の評価は、プログラムで記述することが困難であ
り、目視による評価では、観測者により個人差があり、
定量的な評価を行うことができないという問題点があっ
た。

【０００４】更に環境試験等の実施後に、波形変動を定
量的に把握することができないという問題点があった。

【０００５】従ってこれらの理由から、機械化、自動化
が困難となっており、プログラムを記述することなく、
あらゆる波形を評価することができる波形評価装置の出
現が強く望まれていた。

【０００６】

【課題を解決するための手段】本発明は上記課題に鑑み
案出されたもので、判定対象信号を入力信号として入力
される入力層、隠れ層及び出力層の少なくとも３層とで
構成し、これらの各層を神経重率が与えられるネットワ
ークで結合した神経回路網モジュールと、該神経重率
は、少なくとも理想的な信号及び測定対象となる回路を
異常条件とした時の波形信号を用いて学習させることに
より決定されており、かつ、前記出力層には、前記回路
の異常の種類又はその度合いに対応した信号が現れる様
に構成されている。

【０００７】更に本発明の神経回路網を用いた波形評価
方法は、判定対象信号を入力信号として入力される入力
層、隠れ層及び出力層の少なくとも３層とで構成し、こ
れらの各層を神経重率が与えられるネットワークで結合
した神経回路網モジュールを使用し、該神経重率は、少
なくとも理想的な信号及び測定対象となる回路を異常条
件とした時の波形信号を用いて学習させることにより決
定される様に構成されている。

【０００８】

【作用】以上の様に構成された本発明は、判定対象信号
を入力信号として入力される入力層、隠れ層及び出力層
の少なくとも３層を形成し、神経回路網モジュールは、
これらの各層を神経重率が与えられるネットワークで結
合して形成し、神経重率は、少なくとも理想的な信号及
び測定対象となる回路を異常条件とした時の波形信号を
用いて学習させることにより決定し、かつ、出力層に
は、回路の異常の種類又はその度合いに対応した信号を
出力する様になっている。

【０００９】また本発明の神経回路網を用いた波形評価
方法は、判定対象信号を入力信号として入力される入力
層、隠れ層及び出力層の少なくとも３層を形成し、神経
回路網モジュールは、これらの各層を神経重率が与えら
れるネットワークで結合して形成し、神経重率は、少な
くとも理想的な信号及び測定対象となる回路を異常条件
とした時の波形信号を用いて学習させることにより決定
する様になっている。

【００１０】

【実施例】

【００１１】本発明の実施例を図面に基づいて説明す
る。

【００１２】図１に示す様に、本実施例の波形評価装置
１は、学習実行系Ａと波形評価系Ｂとからなっており、
学習実行系Ａは、測定対象回路１００００からの信号が
波形統計採取部２１、教師波形決定部２２、波形識別部
２３および判定部２４に至る系統であり、波形評価系Ｂ
は、測定対象回路１００００からの信号が波形採取部２
５、波形前処理部２６、波形識別部２３および判定部２
４に至る系統である。なお測定対象回路１００００は、
波形を評価すべき判定対象信号を出力する被測定対象回
路である。

【００１３】波形統計採取部２１は、測定対象回路１０
０００からの波形データを次々に採取し、これらを統計
処理し理想的な理想波形を形成するためのものである。
即ち波形統計採取部２１は、統計処理機能及び採取した
い波形だけを採取する機能を有しており、波形切り出し
機能、波形拡大機能、波形縮小機能、波形部分拡大機
能、波形部分縮小機能、波形形状変更機能等が備えられ
ている。これらの機能により、採取された波形データか
ら波形の特徴抽出を容易にするための適切な教師波形の
形成が円滑化される。

【００１４】教師波形決定部２２は、波形識別部２３で
識別される波形の特徴要素に対応して、その特徴要素ご
とに理想波形に基づき模範教師、第１の反面教師および
第２の反面教師を決定し、各神経回路網モジュールに形
成された入力層へそれぞれ出力するためのものである。

【００１５】波形識別部２３は、識別すべき波形の特徴
要素の個数の独立した神経回路網モジュールを備えてい
る。この波形の特徴要素には、例えば、欠け、位相、振
幅値、周期等が該当する。そして波形識別部２３は、学
習時には神経重率を決定し、判定時には、波形の判定を
行なう様になっている。

【００１６】判定部２４は、波形識別部２３の識別結果
から総合的な判定を行なうためのものであり、判定結果
を制御演算部２７および表示部２８に送出する様に構成
されている。

【００１７】波形採取部２５は、測定対象回路１０００
０から波形採取を行うためのものであり、波形前処理部
２６は、採取された波形の切り出し、拡大、縮小等の波
形前処理を実施するためのものである。

【００１８】なお制御演算部２７は、入力された波形信
号を学習実行系Ａと波形評価系Ｂとに切り替えるための
ものである。そして表示部２８は、判定部２４の判定結
果を表示するためのものである。

【００１９】次に本実施例で使用されるニューラル・ネ
ットワークを構成する多層神経回路網の構成を説明す
る。

【００２０】ニューラル・ネットワークとは、複数の神
経細胞（ニューロン）から構成され、１つのニューロン
は、細胞体と、樹状突起（信号入力部分）、軸索（信号
出力部分）から構成されている。軸索（信号出力部分）
は、他のニューロンの樹状突起とシナプス結合されてお
り、ネットワークが形成されている。

【００２１】そして、このニューラル・ネットワークに
適用する学習方法は、バックプロパゲーション法と呼ば
れるものであり、そのニューラル・ネットワークの構造
は、入力層、中間層、出力層の多層構造となっている。

【００２２】「神経回路網の原理説明」次に多層神経回
路網の学習に採用されているバックプロパゲーション法
について簡単に説明する。

【００２３】バックプロパゲーションの実行サブルーチ
ンを説明する。まず乱数により神経重率の初期値を設定
する。そして、学習のデータの個数分だけ繰り返し計算
を行う。各細胞の出力を計算し、更に評価関数を演算す
る。次に、この評価関数値が最小とするために神経重率
修正量を計算する。そして、神経重率修正量に基づき神
経重率を修正し、繰り返し計算を行う。この結果、評価
関数の和が所定値以下となった場合には、最終神経重率
を出力する様になっている。

【００２４】次に本実施例の波形識別部２３を詳細に説
明する。波形識別部２３は、図２に示す様に、神経回路
網モジュール２３１から構成されている。神経回路網モ
ジュール２３１は、入力層２３１１、隠れ層２３１２、
出力層２３１３の少なくとも３層からなっており、神経
重率を有している。なお図３に示す様な、出力層のニュ
ーロン数を１とした神経回路網モジュール２３１を採用
することもできる。

【００２５】それぞれの神経回路網モジュール２３１の
入力データは、例えば、図４に示されている様に波形デ
ータを一定時間間隔でサンプリングし、その時間間隔を
１ニューロンに割り振る様になっている。そして各ニュ
ーロンの入力値は、濃度値（即ち、波形の最大電圧値と
最小電圧値から定まる振幅範囲で、１に正規化したも
の）等を採用することができる。入力ニューロン数は観
測者が観測したい波形の形状にあわせ設定する。

【００２６】また、神経回路網モジュール２３１の隠れ
層２３１２のニューロン数は学習によって適宜に調整す
る。また評価する時の出力ニューロン数は、その評価内
容によって図３に示す様に１の場合から、図２に示す様
に複数とすることもできる。

【００２７】また各神経回路網モジュール２３１、２３
１・・・ は、識別したい特徴要素ごとに個別に構成さ
れており、例えば、位相、振幅、形状、その他の特に抽
出したい特徴要素ごとに構成されている。

【００２８】更に教師信号は、教師波形決定部２２で形
成されるが、各神経回路網モジュール２３１、２３１・
・・の教師信号は、例えば、上述の特徴要素別に最も良
好とされる代表的な波形を模範教師として選択し、また
否として識別したい波形は、反面教師としてその代表的
な波形に設定する。模範教師は例えば一つの出力ニュー
ロンに出力が１となる様に学習させ、反面教師はその出
力ニューロンの反応が０となる様に学習させる。或は、
もう一つ別の出力ニューロンを用意し、そちらのニュー
ロンが１あるいは０と反応する様に構成してもよい。ま
た１や０に限るものでなく、しきい値により区別できれ
ば何れのものでも使用することができる。

【００２９】次にバックプロパゲーションの実行サブル
ーチンの作用を説明する。本実施例の波形評価装置１
は、波形評価を実施する際に、評価のための事前学習を
行う様になっている。そこで図５に基づいて波形評価装
置１の学習手順を説明することにする。

【００３０】まずステップ１（以下、Ｓ１と略すること
にする）で学習を開始し、制御演算部２７が、入力され
た波形が学習実行系Ａに導かれる様に切り替える。次に
Ｓ２では、測定対象回路１００００から採取すべき波形
データを波形統計採取部２１に入力し、波形統計採取部
２１が波形統計処理を行い理想的な波形を形成させる。
そしてＳ３では、波形統計採取部２１が採取する波形を
決定し、採取する。

【００３１】次にＳ４では、学習対象の神経回路網モジ
ュール２３１（ａ）、２３１（ｂ）・・・を選択する。
ここで原理的な説明を行うために、一つの例として「欠
け検出」を行う例で説明する。選択された神経回路網モ
ジュール２３１が、図９に示す「欠け検出」の神経回路
網モジュール２３１（ａ）となり、Ｓ５で図６（ａ）の
波形を模範教師とし、図６（ｂ）の波形を第１の反面教
師、図６（ｃ）の波形を第２の反面教師として決定す
る。なお、図６（ａ）の波形の模範教師は、理想波形が
そのまま採用されている。

【００３２】そして、決定された教師波形に基づき学習
が実行されるが、まず、Ｓ６で神経重率が初期設定され
る。次にＳ７では、模範教師波形が入力された状態にお
ける出力層の評価関数を計算する。そしてＳ８では、Ｓ
７で計算された評価関数値が所定範囲内であるかを判断
し、所定範囲内である場合にはＳ９に進んで、全ての教
師学習が終了であるか否かを判断する。またＳ８で、Ｓ
７で計算された評価関数値が所定範囲外であれば、Ｓ１
０に進んで神経重率修正量を計算し、Ｓ１１では、Ｓ１
０の神経重率修正量に基づき、神経重率を修正する。そ
してＳ７に戻って再び評価関数計算を行なう様になって
おり、このルーチンは、評価関数値が所定範囲となる神
経重率が決定されるまで繰り返される。

【００３３】またＳ９で、選択されている神経回路網モ
ジュールの全ての教師波形で学習が終了したと判断され
た場合には、Ｓ１２に進み、全ての神経回路網モジュー
ル２３１（ａ）、２３１（ｂ）・・・の学習が終了した
かどうかを判断する。そしてＳ１２で、全ての神経回路
網モジュール２３１（ａ）、２３１（ｂ）・・・で学習
が終了したと判断した場合には、Ｓ１３に進み学習を全
て終了する。

【００３４】またＳ９で、選択されている神経回路網モ
ジュール２３１（ａ）、２３１（ｂ）・・・の全ての教
師波形で学習が終了していないと判断された場合には、
Ｓ１４に進み、終了していない教師波形を入力信号とし
て、Ｓ６に戻って学習を行う様になっている。

【００３５】更にＳ１２で、全ての神経回路網モジュー
ル２３１（ａ）、２３１（ｂ）・・・で学習が終了して
いないと判断した場合には、Ｓ１５に進み、終了してい
ない神経回路網モジュール２３１に学習対象を変更し、
Ｓ５に戻って、変更された神経回路網モジュール２３１
に対応する教師波形によって学習を行う様になってい
る。尚、教師信号が不適当で神経重率が決定できない場
合又は適正な判断が行えない場合には、教師信号を変更
して再学習することとなる。

【００３６】以上の様に構成された事前学習を使用し
て、波形評価（判定）を行う動作例を説明する。

【００３７】図７に示す様に、ステップ１（以下、Ｓ１
と略する）で波形評価（判断）を開始し、制御演算部２
７が、入力された波形が波形評価系Ｂに導かれる様に切
り替える。次にＳ２では、波形採取部２５が測定対象回
路１００００から波形採取を行う。そしてＳ３では、Ｓ
２で採取された波形を波形前処理部２６が、波形切り出
し、拡大、縮小等の波形前処理を実施する。そしてＳ４
では、波形識別部２３がＳ３で波形前処理した波形を波
形識別し、Ｓ５では、判定部２４が識別した波形の波形
判定を行う様になっている。更にＳ６では、Ｓ５で判定
された判定結果を、表示部２８がＧｏｏｄ／ＮｏＧｏｏ
ｄ等の表示法により表示する様になっている。またＳ７
では、測定終了か否かを判断し、測定終了の場合にはＳ
８に進んで測定を終了する。Ｓ７で、測定終了でないと
判断された場合には、Ｓ２に戻る様になっている。なお
表示部２８には、波形統計採取部２１、教師波形決定部
２２、波形採取部２５、波形前処理部２６のデータを表
示させることも可能である。

【００３８】次に本実施例の波形評価装置１が、具体的
な波形を評価する原理について説明する。

【００３９】まず［欠けの検出］について説明する。図
６（ａ）で示されているアナログ波形を模範教師とし、
図６（ｂ）の様な波形と識別したい場合、図６（ｂ）に
示す波形を代表的なものとして第１の反面教師に設定す
る。更に図６（ｃ）に示すＤＣデータの様なものを第２
の反面教師に設定することもできる。

【００４０】以上の様に設定すれば、図６（ａ）の様な
波形を模範教師として、一つの出力ニューロンの反応が
１となる様にし、図６（ｂ）の様な波形を第１の反面教
師として０と反応するように学習させると、少なくとも
図６（ａ）に似た波形は１に近くなり、図６（ｂ）に似
た波形は０に近い反応を示す様になる。従って、特定な
場所でしきい値を設定すれば、これらの波形は容易に識
別することができる。

【００４１】この様な学習を実行させた神経回路網モジ
ュール２３１は、位相に着目すると何等位相に対する制
限を与えていないため、図６（ａ）、図６（ｂ）の形状
で多少位相がずれている波形は識別することができる。
しかも汎化能力が高いので、図６（ｄ）に示す好ましく
ない波形も識別することができる。また図６（ｃ）に示
す第２の反面教師を図６（ａ）に示す模範教師、図６
（ｂ）に示す第１の反面教師と共に、何れかの出力ニュ
ーロンに学習させても同様に識別することができ、かつ
識別能力を向上させることができる。

【００４２】なお［欠けの検出］に限定されることな
く、位相ずれを検出する神経回路網モジュール２３１
（ｂ）を使用すれば、［位相ずれ判定］を行うこともで
きる。位相ずれを検出する神経回路網モジュール２３１
（ｂ）においては、模範教師として図８（ａ）に示す様
な代表的な位相の波形を選択し、第１の反面教師として
図８（ｂ）に示す様な４５゜位相の遅れた波形を選択
し、第２の反面教師として図８（ｃ）に示す様な４５゜
位相の進んだ波形を選択して、これらの波形を学習させ
ればよい。即ち、第１の反面教師と第２の反面教師と
は、好ましくない位相の代表例である。この位相ずれを
検出する神経回路網モジュールは、振幅や波形の形状に
無関係であり、少なくとも位相の善し悪しのみを識別で
きる能力を有している。

【００４３】なお、図６（ｂ）の様な波形と、位相ずれ
の波形という、二つの特徴要素を同時に識別したい場合
には、神経回路網モジュール２３１（ａ）と、神経回路
網モジュール２３１（ｂ）の２つの神経回路網モジュー
ル２３１に識別させればよい。したがって複数の特徴要
素を識別したい場合には、それぞれの特徴を重点的に見
る、複数の神経回路網モジュール２３１（ａ）、２３１
（ｂ）・・・を作成すればよいことになる。

【００４４】以上の様に、振幅や形状や位相、特に観察
したい場所等をそれぞれネットワークべつに、代表的な
模範教師と反面教師を与えて学習させるだけで、少なく
とも識別したい波形を識別することができる。

【００４５】また図６（ｅ）に示す様に、観察したい場
所が変化した場合には、図６（ｅ）の欠陥波形を検出す
るための神経回路網モジュール２３１を作成すればよ
く、更に、図６（ｆ）に示す様な欠陥波形を検出したい
場合には、図６（ｆ）に示す様な欠陥波形を検出するた
めの神経回路網モジュール２３１を追加して作成すれば
よい。なお複数の神経回路網モジュール２３１（ａ）、
２３１（ｂ）・・・を作成することなく、別の学習例と
して、一つの神経回路網モジュール２３１に対して、図
６（ｂ）、図６（ｅ）、図６（ｆ）に示す欠陥を検出す
る能力を持たせることも可能である。この場合には、図
６（ｂ）、図６（ｅ）、図６（ｆ）の代表的なものを反
面教師とし、図６（ａ）を模範教師等とすればよい。こ
の様な構成にしても、それぞれの反面教師が、対応する
波形の欠陥を検出しているので、図６（ｂ）、図６
（ｅ）、図６（ｆ）に示す欠陥の特徴要素を検出するこ
とができる。

【００４６】なお図６（ａ）〜図６（ｄ）は、アナログ
波形の場合であったが、図６（ｇ）〜図６（ｉ）に示す
様な矩形波形であっても、同様に識別能力を有してい
る。即ち、図６（ｇ）、図６（ｈ）に示す代表的なもの
を模範教師、反面教師と設定することにより、図６
（ｈ）や図６（ｉ）に示す好ましくない波形を検出する
ことができる。この様に識別したい特徴要素を各神経回
路網モジュール２３１、２３１・・・毎に、一個から数
個とすれば、それぞれ汎化能力が高くなり、少なくとも
識別したい特徴要素を検出できる神経回路網モジュール
２３１が作成できる。

【００４７】以上の様に構成された本実施例の波形評価
装置１は、判定部２４が、波形識別部２３の神経回路網
モジュール２３１（ａ）、２３１（ｂ）・・・から出力
される複数の識別結果に基づいて、波形のＧｏｏｄ／Ｎ
ｏＧｏｏｄを判定する様になっている。但し、判定した
い波形がこれら神経回路網モジュール２３１（ａ）、２
３１（ｂ）・・・の出力結果を確認しなくても明かに不
都合な場合には、直にＮｏＧｏｏｄとする。この様な場
合は例えば、入力された波形の振幅が極端に大きかった
り、小さかったりした場合等であり、波形識別部２３の
結果を確認するまでもなくＮｏＧｏｏｄとする。

【００４８】そして複数の神経回路網モジュール２３１
（ａ）、２３１（ｂ）・・・の出力結果により、判定部
２４が判定する場合には、全ての神経回路網モジュール
２３１（ａ）、２３１（ｂ）・・・の模範教師識別ニュ
ーロンが、設定されたしきい値以上で反応している場合
に、この波形をＧｏｏｄと判断し、ひとつでも反応して
いなければ、この波形をＮｏＧｏｏｄと判断する様にな
っている。

【００４９】なお判別したい特徴要素が増えた場合は、
その特徴要素を判別するための神経回路網モジュール２
３１を追加して学習させればよく、既に学習した他の神
経回路網モジュール２３１を再学習する必要はない。ま
た判定部２４の判定は、追加したネットワークモジュー
ルの模範教師識別ニューロンの出力結果により、その良
否判定に加えるだけでよい。この様にすれば、一つ一つ
の神経回路網モジュール２３１（ａ）、２３１（ｂ）・
・・の学習を高速で実行することができ、ローカルミニ
マムに落ちる事なく、ニューロン数は少数で足りるの
で、少ないメモリ容量で実行できるという効果がある。
また追加の学習は、該当する神経回路網モジュール２３
１を増やすだけで可能となり、容易に実現することがで
きるという効果がある。

【００５０】「回路評価に応用した具体例」

【００５１】次に本実施例の波形評価装置１が、具体的
な回路を評価する場合について説明する。

【００５２】まず測定対象回路１００００を図１０に基
づいて説明する。この測定対象回路１００００は、ＬＥ
Ｄを一定周期で駆動して反射板に向けて光を投射し、反
射板により反射された光を受光部に入射させることによ
り、反射板の有無や反射板までの距離を測定する装置で
ある。

【００５３】この測定対象回路１００００は、発振部１
０００とＬＥＤ発光部２０００と受光増幅部３０００と
基準電圧発生部４０００と合成増幅部５０００との５ブ
ロックより構成されている。

【００５４】「第１の使用例」

【００５５】まず基板上の回路の抵抗、コンデンサ等の
電子部品が誤って挿入されていた場合や経時変化等によ
り抵抗値、静電容量値等が変化した場合等の基板の評価
方法について説明する。

【００５６】第１の使用例では、学習時に故意に基板上
に設計値とは異なる、抵抗値や静電容量等の電子部品を
挿入し、そのときの波形を学習データとして学習させ
る。なお、本第１の使用例では、発振部１０００とＬＥ
Ｄ発光部２０００と受光増幅部３０００と基準電圧発生
部４０００とは全て正常に動作しているものとする。

【００５７】（コンデンサ５００１が変化した場合）

【００５８】合成増幅部５０００のコンデンサ５００１
の静電容量が変化した場合には、合成増幅部５０００の
出力信号ＥＯの波形には、位相変化となって観測され
る。

【００５９】例えばコンデンサ５００１の静電容量は、
本来３３ＰＦ（ピコファラッド）であるが、このコンデ
ンサ５００１を４７ＰＦ、６８ＰＦ、２２ＰＦ、１０Ｐ
Ｆのコンデンサに変更して、合成増幅部５０００の出力
信号ＥＯをシンクロスコープで波形観測すれば、３３Ｐ
Ｆであった図１１（ａ）の波形から、図１１（ｂ）〜図
１１（ｅ）の様な出力波形に変化する。図１１（ａ）の
波形のトリガーポイントを基準とすれば、コンデンサの
静電容量値によって位相ずれ量が異なるのが判る。

【００６０】そこでコンデンサの静電容量値の変化を、
出力層のニューロン数を１とした図３の様な神経回路網
モジュール２３１で学習させる。

【００６１】例えば、図１１（ａ）のコンデンサ５００
１＝３３ＰＦの波形を模範波形として、教師信号を
［０.５］に、図１１（ｂ）のコンデンサ５００１＝４
７ＰＦの波形を［０.７］、図１１（ｃ）のコンデンサ
５００１＝６８ＰＦの波形を［０.９］、図１１（ｄ）
のコンデンサ５００１＝２２ＰＦの波形を［０.３］、
図１１（ｅ）のコンデンサ５００１＝１０ＰＦの波形を
［０.１］と設定して学習させる。

【００６２】学習の結果、神経回路網モジュール２３１
は、コンデンサ５００１の静電容量値が３３ＰＦでなか
った場合（即ち、４７、６８、２２、１０ＰＦの時）に
は、その教師信号に近い、或いは等しい値（０.１〜０.
９）を出力ニューロンに出力する様になる。また、教師
信号として設定していない静電容量値（即ち、３３、４
７、６８、２２、１０ＰＦ以外）も、これらの静電容量
の間を補間する様に、設定値の間の数値を出力する様に
なる。例えば、設定する静電容量には存在していないコ
ンデンサ５００１＝１５ＰＦの波形を［０.２］とした
ものも、出力される。

【００６３】以上の様に測定対象回路１００００上のコ
ンデンサの静電容量値を故意に変化させて、その波形を
学習波形として採取し学習を行うことにより、神経回路
網モジュール２３１の出力値から基板のコンデンサの誤
挿入を検出することができる。また、温度試験やエージ
ング、その他の各種試験後に本第１の使用例を実施する
ことにより、コンデンサの経時変化も神経回路網モジュ
ール２３１の出力値から検出することができる。そして
コンデンサの静電容量値変化が許容範囲外であれば、不
具合状態として修理等を行う。

【００６３】（抵抗５００２が変化した場合）

【００６４】合成増幅部５０００の抵抗５００２の抵抗
値が変化した場合には、合成増幅部５０００の出力信号
ＥＯの波形には、波形振幅の大小となって観測される。

【００６５】例えば抵抗５００２の抵抗値は、本来１０
ＫΩ（キロオーム）であるが、この抵抗５００２を６.
８ｋΩ、３.９ｋΩ、１３ｋΩ、１６ｋΩの抵抗に変更
して合成増幅部５０００の出力信号ＥＯをシンクロスコ
ープで波形観測すれば、図１１（ｆ）〜図１１（ｉ）の
様な出力波形形状となり、抵抗値の違いが振幅の大小と
なって現れるのが観測される。

【００６６】そこで抵抗値の変化を、出力層のニューロ
ン数を１とした図２の様な神経回路網モジュール２３１
で学習させる。

【００６７】例えば、図１１（ａ）の抵抗５００２＝１
０ｋΩの波形を模範波形として、教師信号を［０.５］
に、図１１（ｆ）の抵抗５００２＝６.８ｋΩの波形を
［０.３］、図１１（ｇ）の抵抗５００２＝３.９ｋΩの
波形を［０.１］、図１１（ｈ）の抵抗５００２＝１３
ｋΩの波形を［０.７］、図１１（ｉ）の抵抗５００２
＝１６ｋΩの波形を［０.９］と設定して学習させる。

【００６８】学習の結果、神経回路網モジュール２３１
は、抵抗５００２の抵抗値が１０ｋΩでなかった場合
（即ち、６.８ｋΩ、３.９ｋΩ、１３ｋΩ、１６ｋΩの
時）には、その教師信号に近い、或いは等しい値（０.
１〜０.９）を出力ニューロンに出力する様になる。ま
た、教師信号として設定していない抵抗値（即ち、６.
８ｋΩ、３.９ｋΩ、１３ｋΩ、１６ｋΩ以外）も、こ
れらの抵抗値の間を補間する様に、設定値の間の数値を
出力する様になる。例えば、設定する静電容量には存在
していない抵抗５００２＝５.１ｋΩの波形を［０.２］
としたものも、出力される。

【００６９】以上の様に測定対象回路１００００上の抵
抗の抵抗値を故意に変化させて、その波形を学習波形と
して採取し学習を行うことにより、神経回路網モジュー
ル２３１の出力値から基板の抵抗値の誤挿入を検出する
ことができる。また、温度試験やエージング、その他の
各種試験後に本第１の使用例を実施することにより、抵
抗の経時変化も神経回路網モジュール２３１の出力値か
ら検出することができる。そして抵抗の抵抗値変化が許
容範囲外であれば、不具合状態として修理等を行う。

【００７０】以上の様に構成された本第１の使用例は、
神経回路網モジュール２３１の学習に使用する教師信号
値は、上述の値に限定されるものではない。また、神経
回路網モジュール２３１は、出力層のニューロン数を１
とした図３に示すものに限定されるものではなく、図２
に示す様な出力層ニューロンが多数存在するものであっ
てもよく、教師信号の設定を適宜変更するだけで採用す
ることが可能である。

【００７１】「第２の使用例」

【００７２】次に、測定対象回路１００００上の不具合
により、特性が変化してしまった場合の不具合検出評価
方法について説明する。

【００７３】（基準電圧発生部４０００に不具合があっ
た場合）

【００７４】まず、基準電圧発生部４０００に不具合が
あった場合について説明する。基準電圧発生部４０００
は基準電圧発生回路から構成されており、受光増幅部３
０００からの信号を合成増幅部５０００で増幅すると共
に、基準電圧分だけ受光増幅部３０００の信号をシフト
させるためのものである。

【００７５】なお、この場合には、発振部１０００とＬ
ＥＤ発光部２０００と受光増幅部３０００と合成増幅部
５０００とは全て正常に動作しているものとし、合成増
幅部５０００の出力信号ＥＯをシンクロスコープで波形
観測する。

【００７６】図１２（ａ）に示す波形は調整済みの場合
に、合成増幅部５０００の出力信号ＥＯを観測した正常
波形である。そして基準電圧発生部４０００の可変抵抗
４００１の抵抗値を可変することにより、図１２
（ｂ）、図１２（ｃ）、図１２（ｄ）に示す様に合成増
幅部５０００の出力信号ＥＯを基準電圧分だけシフトさ
せることができる。この様に基準電圧分だけシフトさせ
た波形は、測定対象回路１００００においては、異常状
態（調整不良）となる。

【００７７】そこで、この異常状態を検出する神経回路
網モジュール２３１として、出力層のニューロン数を１
とした図３に示すものを採用し、学習を行わせる場合に
ついて説明する。図１２（ａ）の波形は正常に基準電圧
を調整してあるので、これを模範教師とし、教師信号を
［０.９］と設定する。図１２（ｂ）、図１２（ｃ）、
図１２（ｄ）に示す様な、明確に異常波形であると認識
される故意に基準電圧をシフトさせたものを学習データ
とし、図１２（ｂ）、図１２（ｃ）、図１２（ｄ）の教
師信号には、全て［０.１］と設定する。

【００７８】以上の様な設定に基づき学習を実行する
と、正常に調整されている場合には［０.９］、或いは
それに近い値を神経回路網モジュール２３１が出力ニュ
ーロンに出力する。従って適当な値に、しきい値を設定
すれば、何らかの不都合で基準電圧発生部４０００が正
常に動作しなくなり、基準電圧が異常になったことを検
出することができる。基準電圧の異常は、例えば基準電
圧発生部４０００の抵抗４００２、可変抵抗４００１、
ツェナーダイオード４００３、アンプ４００４等の不
良、半田付け不良等が原因である。

【００７９】なお学習における調整不良の教師信号は、
全て［０.１］に設定する様に説明したが、調整がされ
ていない時の教師信号を、その割合によって［０.５］
［０.３］等と設定して学習すれば、基準電圧のずれ量
も加味した微妙な判定を行うことができる。

【００８０】以上の様に構成された本第２の使用例の基
準電圧発生部４０００に不具合があった場合では、神経
回路網モジュール２３１の学習に使用する教師信号値
は、上述の値に限定されるものではない。また、神経回
路網モジュール２３１は、出力層のニューロン数を１と
した図３に示すものに限定されるものではなく、図２に
示す様な出力層ニューロンが多数存在するものであって
もよく、教師信号の設定を適宜変更するだけで採用する
ことが可能である。

【００８１】（受光増幅部３０００に不具合があった場
合）

【００８２】次に受光増幅部３０００が何らかの不都
合、（例えば、基板の電子部品の半田付け不良や、電子
部品破壊等）が発生した場合の検出評価方法について説
明する。受光増幅部３０００は受光部を備えており、光
を受光し、増幅する回路である。

【００８３】この波形を観測する場所は、合成増幅部５
０００の出力信号ＥＯでもよいが、不確定要素をなくす
ために、受光増幅部３０００の出力信号ＣＯの方が適当
である。そこで受光増幅部３０００の出力信号ＣＯで波
形を観測するものとして以下説明する。なお、この場合
には、発振部１０００とＬＥＤ発光部２０００とは正常
に動作しているとする。

【００８４】そこで、この異常状態を検出する神経回路
網モジュール２３１として、出力層のニューロン数を４
とした図２に示すものを採用し、学習を行わせる場合に
ついて説明する。図１３（ａ）の波形は正常に受光増幅
部３０００が動作している場合のものであり、これを模
範教師とし、教師信号を［１、０、０、０］と設定す
る。基板上の受光素子３００１、増幅器３００２、抵抗
３００３、可変抵抗３００４、コンデンサ３００５等の
不良や半田付け不良等が原因となり、不都合が生じれ
ば、図１３（ｂ）〜図１３（ｅ）の様な不具合いの波形
が観測される。そして不具合波形として観測された図１
３（ｂ）〜図１３（ｅ）の４波形を学習データとして採
取し、図１３（ｂ）の不具合波形の教師信号を［０、
１、０、０］とし、図１３（ｃ）の不具合波形の教師信
号を［０、０、１、０］とし、図１３（ｄ）の不具合波
形の教師信号を［０、０、０、１］とし、図１３（ｅ）
の不具合波形の教師信号を［０、０、０、０］と設定し
て学習させる。

【００８５】この様に学習した神経回路網モジュール２
３１は、図１３（ｂ）〜図１３（ｅ）の様な不具合波形
を検出することができ、受光増幅部３０００の回路上の
電子部品の不具合いの度合いや、故障箇所等を評価、推
定することが可能となる。

【００８６】以上の様に構成された本第２の使用例の受
光増幅部３０００に不具合があった場合では、神経回路
網モジュール２３１の学習に使用する教師信号値は、上
述の値に限定されるものではない。また、神経回路網モ
ジュール２３１は、出力層のニューロン数を４とした図
２に示すものに限定されるものではなく、図３に示す様
な出力層ニューロンが１個であってもよい。更に、これ
らの不具合を複数の神経回路網モジュール２３１・・・
により学習させて検出評価させる構成にすることもでき
る。

【００８７】（ＬＥＤ発光部２０００に不具合があった
場合）

【００８８】次にＬＥＤ発光部２０００が何らかの不都
合、（例えば、基板の電子部品の半田付け不良や、電子
部品破壊等）が発生した場合の検出評価方法について説
明する。ＬＥＤ発光部２０００は、発振部１０００が発
振した周波数の信号を駆動信号として発光ダイオード２
００１を発光させるための回路である。

【００８９】このＬＥＤ発光部２０００に組み込まれた
トランジスタ２００２の出力側（コレクター側）の出力
信号ＬＥＤ発光部２０００ＢＯで波形を観測することと
する。ＬＥＤ発光部２０００の出力信号ＢＯをシンクロ
スコープにより波形を観測すると、図１４（ａ）の様な
波形となる。ＬＥＤ発光部２０００の発光ダイオード２
００１やトランジスタ２００２等が故障したときの波形
は、例えば、図１４（ｂ）〜図１４（ｄ）に示される様
に、ノイズが生じたり、波形形状に異常が認められたり
する様になる。

【００９０】そこで、この異常状態を検出する神経回路
網モジュール２３１として、出力層のニューロン数を１
とした図３に示すものを採用し、学習を行わせる場合に
ついて説明する。図１４（ａ）の波形は正常にＬＥＤ発
光部２０００が動作している場合のものであり、これを
模範教師とし、教師信号を［０.９］と設定する。次に
それぞれの不良基板より、図１４（ｂ）、図１４
（ｃ）、図１４（ｄ）の不具合波形を採取し、教師信号
をそれぞれ［０.１］として神経回路網モジュール２３
１を学習させる。この様な学習波形により学習させた神
経回路網モジュール２３１は、図１４（ｂ）〜図１４
（ｄ）の様な波形を検出した場合、［０.１］に近い
値、或いは等しい値に反応するようになる。従って、基
板上の各種デバイスの不具合を簡単な学習を行うだけで
検出することができる。

【００９１】なお、ここでは出力層ニューロン数を１と
したが、神経回路網モジュール２３１の学習能力に合わ
せて、不具合波形をそれぞれ出力層ニューロン２３１３
に割り振り、（例えば４個、即ち図２の神経回路網）学
習させてもよい。この場合、検査波形は学習波形の形状
に一番近い波形に担当する出力層ニューロン２３１３が
反応することで検出することができる。（例えば、図１
４（ｂ）の様な波形であれば［０、０.７、０、０］等
となる）

【００９２】「第３の使用例」

【００９３】次に、調整量を評価する場合の学習方法に
ついて説明する。

【００９４】（受光素子３００１の受光信号の増幅率を
調整する場合）

【００９５】まず図１０の受光増幅部３０００の可変抵
抗３００４を調整し、受光素子３００１の受光信号の増
幅率を決定する調整評価について説明する。

【００９６】なお、この場合には、発振部１０００とＬ
ＥＤ発光部２０００とは正常に動作しているものとし、
受光増幅部３０００の出力信号ＣＯをシンクロスコープ
で波形観測する。

【００９７】ここでは神経回路網モジュール２３１とし
て、出力層のニューロン数を１とした図３に示すものを
採用し、学習を行わせる場合について説明する。可変抵
抗３００４が正常に調整された波形は図１５（ａ）に示
す様になっており、この時の可変抵抗３００４は１００
ｋΩとなる様に設計されている。

【００９８】この調整用可変抵抗３００４が５０ｋΩの
時には、図１５（ｂ）に示す様な波形となり、可変抵抗
３００４が２５ｋΩの時には、図１５（ｃ）に示す様な
波形となり、可変抵抗３００４が１５０ｋΩの時には、
図１５（ｄ）に示す様な波形となり、可変抵抗３００４
が１７５ｋΩの時には、図１５（ｅ）の様な波形として
観測される。

【００９９】これらの可変抵抗３００４の抵抗値による
波形を学習波形として採取し、教師信号をそれぞれ可変
抵抗３００４＝１００ｋΩで［０.５］（調整状態）、
可変抵抗３００４＝５０ｋΩで［０.３］、可変抵抗３
００４＝２５ｋΩで［０.１］、可変抵抗３００４＝１
５０ｋΩで［０.７］、可変抵抗３００４＝１７５ｋΩ
で［０.９］と設定して学習すれば、神経回路網モジュ
ール２３１は、その調整量に応じて、学習設定した値に
近い、或いは等しい値を出力層ニューロン２３１３に出
力する様になる。

【０１００】以上の様な学習を行うことによって、受光
増幅部３０００の調整量を数値で評価することができ
る。また各種試験後や、調整後、或いは不良発生後に、
調整値が適切であるか否かを定量的に評価することが可
能になる。

【０１０１】（発振部１０００を調整する場合）

【０１０２】次に調整量の評価として、発振部１０００
の調整を行う場合について説明する。発振部１０００で
は、ＬＥＤ発光部２０００の発光ダイオード２００１を
発光させるために、図１６（ａ）に示される方形波を発
振させている。なお図１６（ａ）の波形は、正常に調整
されている場合に、発振部１０００の出力信号ＡＯをシ
ンクロスコープで観測した波形である。

【０１０３】ここでは神経回路網モジュール２３１とし
て、出力層のニューロン数を１とした図３に示すものを
採用し、学習を行わせる場合について説明する。可変抵
抗１００１が正常に調整された波形は図１６（ａ）に示
す様になっており、この時の可変抵抗１００１は１００
ｋΩとなる様に設計されている。

【０１０４】調整用可変抵抗１００１を変化させると観
測波形は、その値により、図１６（ｂ）〜図１６（ｅ）
に示す様な波形に変化する。即ち、調整用可変抵抗１０
０１が１５０ｋΩの時には、図１６（ｂ）に示す様な波
形となり、可変抵抗１００１が２００ｋΩの時には、図
１６（ｃ）に示す様な波形となり、可変抵抗１００１が
５０ｋΩの時には、図１６（ｄ）に示す様な波形とな
り、可変抵抗１００１が０ｋΩの時には、図１６（ｅ）
の様な発振周波数の波形として観測される。

【０１０５】これらの可変抵抗１００１の抵抗値による
波形を学習波形として採取し、教師信号をそれぞれ可変
抵抗１００１＝１００ｋΩで［０.５］（調整状態）、
可変抵抗１００１＝１５０ｋΩで［０.７］、可変抵抗
１００１＝２００ｋΩで［０.９］、可変抵抗１００１
＝５０ｋΩで［０.３］、可変抵抗１００１＝０ｋΩで
［０.１］と設定して学習すれば、神経回路網モジュー
ル２３１は、その調整量に応じて、学習設定した値に近
い、或いは等しい値を出力層ニューロン２３１３に出力
する様になる。

【０１０６】以上の様な学習を行うことによって、発振
部１０００の調整量を数値で評価することができる。ま
た各種試験後や、調整後、或いは不良発生後に、調整値
が適切であるか否かを定量的に把握することが可能にな
り、微妙な調整量の変化や、試験結果を評価できるとい
う効果がある。

【０１０７】「第４の使用例」

【０１０８】次に検査調整後の図１０の測定対象回路１
００００全体が、温度試験やエージング試験等を実施し
た場合の総合的な波形の評価について説明する。この総
合的波形評価により、測定対象回路１００００全体の経
時変化や不具合を定量的に検出することができる。

【０１０９】図１０の測定対象回路１００００全体に対
して温度試験等を実施した場合には、温度によって、周
波数、振幅、位相、基準電圧、その他が変動し、合成増
幅部５０００の出力信号ＥＯには、それの全てが総合さ
れた波形が観測される。図１７（ａ）に示される波形
が、周囲の温度が２５℃である正常波形であり、４０℃
になると図１７（ｂ）に示す波形となり、５０℃になる
と図１７（ｃ）に示す波形となり、５℃では図１７
（ｄ）に示す図形となり、ー５℃では図１７（ｅ）に示
す様な波形形状となる。

【０１１０】この時のそれぞれの波形を各温度で採取
し、神経回路網モジュール２３１の学習波形とする。神
経回路網モジュール２３１は、出力層のニューロン数を
１とした図３に示すものを採用し、学習を行わせる場合
について説明する。

【０１１１】これらの温度による波形を学習波形として
採取する。図１７（ａ）に示される２５℃における正常
波形を模範波形として教師信号を［０.５］に設定す
る。また教師信号を図１７（ｂ）に示す４０℃の波形で
は［０.８］、図１７（ｃ）に示す５０℃の波形では
［０.９］、図１７（ｄ）に示す５℃の波形では［０.
２］、図１７（ｅ）に示す−５℃の波形では［０.１］
と設定し、波形を学習させる。

【０１１２】学習の結果、神経回路網モジュール２３１
は、測定対象回路が−５℃〜５０℃に変化した時、それ
ぞれの温度で教師信号に近い、或いは等しい値（０.１
〜０.９）を出力層ニューロン２３１３に出力するよう
になる。また教師信号として設定していない温度、設定
温度の間の温度についても、これらの温度等の間を補間
して設定値の間の数値を出力することができる。（例え
ば２０℃の時には、０.４と出力することができる。）

【０１１３】温度試験やエージング等各種試験を実施し
た後、この神経回路網モジュール２３１で評価すること
により、試験前と試験後の温度による総合的な測定対象
回路１００００の変化を数値として表現することがで
き、試験の波形評価を定量的に行うことができるという
効果がある。更に不具合の発見も同時に行うことができ
るという効果もある。

【０１１４】なお教師信号の値は、上記以外の数値で割
り振ることも可能であり、図３の神経回路網モジュール
２３１に限ることなく、出力層ニューロン２３１３を複
数とした図２に示す様な神経回路網モジュール２３１を
採用して学習、評価することも可能である。

【０１１５】「第５の使用例」

【０１１６】最後に、測定対象回路１００００全体の不
具合箇所を推定する使用例について説明する。図１８
は、不具合箇所検出の手法を示すものであり、全体不具
合箇所検出ニューラルネットワーク９０００と、個別不
具合検出ニューラルネットワーク９１００とから構成さ
れる。この個別不具合検出ニューラルネットワーク９１
００は、発振部１０００の不具合を検出するためのブロ
ックＡ・ニューラルネットワーク９１１０（以下、ニュ
ーラルネットワークをＮＮと略する）と、ＬＥＤ発光部
２０００の不具合を検出するためのブロックＢ・ＮＮ９
１２０と、受光増幅部３０００の不具合を検出するため
のブロックＣ・ＮＮ９１３０と、基準電圧発生部４００
０の不具合を検出するためのブロックＤ・ＮＮ９１４０
と、合成増幅部５０００の不具合を検出するためのブロ
ックＥ・ＮＮ９１５０とから構成されている。

【０１１７】測定対象回路１００００に不具合箇所があ
った場合、全体不具合箇所検出ニューラルネットワーク
９０００で、どの測定回路のブロックに不具合があるか
否かを推定し、この推定に基づき、推定されたＡ〜Ｅま
での個別不具合検出ニューラルネットワーク９１００に
対応する測定回路のブロックの波形を入力し、不具合箇
所を推定することができる。そして個別不具合検出ニュ
ーラルネットワーク９１００は、上述の調整量を評価す
る神経回路網モジュール２３１や、不具合箇所を検出す
る神経回路網モジュール２３１等をブロック毎に構成す
る様になっている。なお各ブロック構成は、上述の様に
ブロックＡ・ＮＮ９１１０〜ブロックＥ・ＮＮ９１５０
の５個に限定されるものではなく、適宜変更可能である
ことは言うまでもない。

【０１１８】ここで、全体不具合箇所検出ニューラルネ
ットワーク９０００の構成を図１９に基づいて説明す
る。測定対象回路１００００に不具合が生じる場合にお
いては、通常、発振部１０００であれば周波数に不具合
が生じ、ＬＥＤ発光部２０００では波形の有無、受光増
幅部３０００では振幅と位相、基準電圧発生部４０００
では基準電圧量、そして合成増幅部５０００では振幅と
位相に不具合現象が生じる可能性が高い。従って、全体
不具合箇所検出ニューラルネットワーク９０００は図１
９に示される様な神経回路網モジュール２３１を使用
し、不具合波形を学習させる様になっている。

【０１１９】例えば出力層ニューロン２３１３に、ブロ
ックＡ〜ブロックＥをそれぞれ対応させ、ブロックＡに
対応する出力は発振周波数に不具合があった場合に反応
する様に学習され、ブロックＢに対応する出力は波形の
出力がない場合、ブロックＣに対応する出力は振幅又は
位相に異常があった場合、ブロックＤに対応する出力は
基準電圧に異常がある場合、そして合成増幅部５０００
では振幅又は位相に異常があった場合に反応する様に学
習される様になっている。

【０１２０】また、受光増幅部３０００の不具合と、合
成増幅部５０００の不具合とでは、現象が似ていて識別
判断が困難であるので、図１９に示す様に、入力層２３
１１には、合成増幅部５０００の出力信号ＥＯと、受光
増幅部３０００の出力信号ＣＯの両方を入力する様に構
成されている。従って、受光増幅部３０００と合成増幅
部５０００の不具合を識別して判定することができる。

【０１２１】次に具体的な学習方法について説明する。

【０１２２】図２０（ａ）に示される波形は、合成増幅
部５０００の出力ＥＯで観測される正常時の波形であ
り、図２０（ａ）に示される波形は、受光増幅部３００
０の出力信号ＣＯで観測される正常時の波形である。こ
れらの波形を模範教師波形とし、ブロックＡ・ＮＮ９１
１０〜ブロックＥ・ＮＮ９１５０を出力層ニューロン２
３１３に対応させて［０、０、０、０、０］とする。図
２０（ｂ）と図２０（ｃ）とは、発振部１０００の発振
部の周波数が異常である時、合成増幅部５０００の出力
ＥＯで観測される波形であり、図２０（ｂ）と図２０
（ｃ）とは、発振部１０００の発振部の周波数が異常で
ある時、受光増幅部３０００の出力信号ＣＯで観測され
る波形である。これらの波形を教師波形として教師信号
を［１、０、０、０、０］に設定する。

【０１２３】そして図２０（ｄ）及び図２０（ｅ）と
は、基準電圧発生部４０００の基準電圧発生量が異常で
ある時、合成増幅部５０００の出力ＥＯで観測される波
形であり、これらの波形を学習波形とする。また受光増
幅部３０００の出力信号ＣＯには、図２０（ａ）と同様
に正常波形が現れるので、この波形を学習波形とし、教
師波形を［０、０、０、１、０］とする。

【０１２４】図２０（ｆ）と図２０（ｇ）とは、受光増
幅部３０００又は合成増幅部５０００が不具合で、振幅
が異常となった場合に、合成増幅部５０００の出力ＥＯ
で観測される波形である。図２０（ｈ）と図２０（ｉ）
とは、受光増幅部３０００又は合成増幅部５０００が不
具合で、位相が異常となった場合に、合成増幅部５００
０の出力ＥＯで観測される波形である。

【０１２５】また受光増幅部３０００に不具合があり、
合成増幅部５０００が正常に動作している場合であっ
て、振幅に異常がある場合には、受光増幅部３０００の
出力信号ＣＯが、図２１（ｄ）及び図２１（ｅ）に示す
様な波形となる。更に受光増幅部３０００に不具合があ
り、合成増幅部５０００が正常に動作している場合であ
って、位相に異常がある場合には、受光増幅部３０００
の出力信号ＣＯが、図２１（ｆ）及び図２１（ｇ）に示
す様な波形が現れる。これらの合成増幅部５０００の出
力ＥＯと、受光増幅部３０００の出力信号ＣＯの波形を
学習波形とし、教師信号には［０、０、１、０、０］を
採用する。

【０１２６】そして合成増幅部５０００に不具合があ
り、受光増幅部３０００が正常に動作している場合に
は、受光増幅部３０００の出力信号ＣＯの波形が、図２
１（ａ）に示される様な正常波形が観測される。従っ
て、受光増幅部３０００の出力信号ＣＯの正常波形を学
習波形に採用し、合成増幅部５０００の出力ＥＯは、図
２０（ｆ）〜図２０（ｉ）の様な異常波形を学習波形に
採用し、この時の教師信号は、［０、０、０、０、１］
とする。

【０１２７】またＬＥＤ発光部２０００に不具合がある
場合には、合成増幅部５０００の出力ＥＯが、図２０
（ｊ）に示す様な波形として観測される場合が多く、受
光増幅部３０００の出力信号ＣＯでは、図２１（ｈ）の
様な波形となって観測される場合が多い。この様な場合
には、双方の波形を学習波形として、教師信号を［０、
１、０、０、０］とする。

【０１２８】以上の様に構成された第５の使用例は、上
述の教師信号、学習波形を設定して学習させることによ
り、発振部１０００、ＬＥＤ発光部２０００、受光増幅
部３０００、基準電圧発生部４０００、そして合成増幅
部５０００の何れかに異常があった場合には、出力層ニ
ューロン２３１３に対応する全体不具合箇所検出ニュー
ラルネットワーク９０００の反応に基づいて、異常のあ
る箇所を推定することができる。更に不具合箇所の詳細
を調べる場合には、全体不具合箇所検出ニューラルネッ
トワーク９０００で推定した異常箇所に対応する個別不
具合検出ニューラルネットワーク９１００（ブロックＡ
・ＮＮ９１１０〜ブロックＥ・ＮＮ９１５０）の何れか
に波形を入力し、そのブロックの神経回路網モジュール
２３１の出力を評価すればよい。

【０１２９】なお全体不具合箇所検出ニューラルネット
ワーク９０００の構成は、図１９に示すものを例に説明
したが、個別の異常箇所が独立に推定できる要素であれ
ば、上述の様に入力波形を２波形にする必要はなく、１
波形にすることも可能である。

【０１３０】更に、発振部１０００、ＬＥＤ発光部２０
００、受光増幅部３０００、基準電圧発生部４０００、
そして合成増幅部５０００という様な回路ブロックに対
応させることなく、周波数、位相、振幅、…といった要
素毎に対応させてもよい。

【０１３１】また不具合波形は蓄積されていくので、蓄
積された波形を学習波形として学習させていけば、不具
合箇所検出の推定の信頼性も向上させることができる。

【０１３２】以上の様に構成された本実施例は、学習を
行う際に、学習データを、温度変化させた波形や、基板
の抵抗、コンデンサ等の電子部品の設計値を変えた波形
や、不具合いのある基板の波形、調整箇所の調整値を変
化させた波形等を学習データとして採取し、更に適当な
教師信号を設定した上、神経回路網モジュール２３１に
学習させることにより、基板の不具合状態や不具合い箇
所、調整状態などを数値化して定量的に評価できるとい
う効果がある。

【０１３３】更に、各回路構成の不具合状態に対応させ
た波形を学習波形として神経回路網モジュール２３１に
学習させれば、不具合回路構成を推定することも可能で
ある。この様な不具合回路構成の推定は、従来の人間に
よる黙視や電子計算機による検査では非常に困難であ
り、また電算機解析用に、それぞれ波形等に対する検査
用プログラムを作成する必要もなく、比較的簡単な学習
のみで、波形評価を行うことができ、波形検査等の効率
が飛躍的で向上するという卓越した効果がある。

【０１３４】また調整した波形に対して環境試験等を実
施した後、この神経回路網モジュール２３１に波形デー
タを入力すれば、環境試験の変動による影響が数値とし
て把握することができ、基板の信頼性等をも評価するこ
とができる。

【０１３５】

【効果】

【０１３６】以上の様に構成された本発明は、判定対象
信号を入力信号として入力される入力層、隠れ層及び出
力層の少なくとも３層とで構成し、これらの各層を神経
重率が与えられるネットワークで結合した神経回路網モ
ジュールと、該神経重率は、少なくとも理想的な信号及
び測定対象となる回路を異常条件とした時の波形信号を
用いて学習させることにより決定されており、かつ、前
記出力層には、前記回路の異常の種類又はその度合いに
対応した信号が現れる様に構成されているので、異常回
路構成を推定することができ、基板等の不具合状態や不
具合い箇所、調整状態などを数値化して定量的に評価で
きるという効果がある。

【０１３７】そして本発明は、電算機解析用に、それぞ
れ波形等に対する検査用プログラムを作成する必要もな
く、比較的簡単な学習のみで波形評価を行うことができ
るので、波形検査等の効率が飛躍的で向上するという卓
越した効果がある。

【０１３８】

【図面の簡単な説明】

【図１】本発明の実施例の構成を示す図である。

【図２】本発明の神経回路モジュールを説明する図であ
る。

【図３】本発明の神経回路モジュールを説明する図であ
る。

【図４】本発明の神経回路モジュールの入力データを説
明する図である。

【図５】バックプロパゲーションの学習手順を説明する
図である。

【図６】バックプロパゲーションの原理を「欠け検出」
の例で説明する図である。

【図７】バックプロパゲーションの原理を「波形検出」
の例で説明する図である。

【図８】バックプロパゲーションの原理を「波形検出」
の例で説明する図である。

【図９】バックプロパゲーションの原理で使用する神経
回路モジュールを説明する図である。

【図１０】本実施例の測定対象回路１００００の構成を
説明する図である。

【図１１】合成増幅部５０００に異常があった場合の波
形を説明する図である。

【図１２】基準電圧発生部４０００に異常があった場合
の波形を説明する図である。

【図１３】受光増幅部３０００に異常があった場合の波
形を説明する図である。

【図１４】ＬＥＤ発光部２０００に異常があった場合の
波形を説明する図である。

【図１５】受光素子３００１の受光信号の増幅率を調整
する場合を説明する図である。

【図１６】発振部１０００を調整する場合を説明する図
である。

【図１７】測定対象回路１００００の温度変化による変
動を説明する図である。

【図１８】不具合箇所検出の手法を説明する図である。

【図１９】全体不具合箇所検出ニューラルネットワーク
９０００の構成を説明する図である。

【図２０】本実施例の測定対象回路１００００の不具合
箇所の推定を説明する図である。

【図２１】本実施例の測定対象回路１００００の不具合
箇所の推定を説明する図である。 １ 波形評価装置 ２１ 波形統計採取部 ２２ 教師波形決定部 ２３ 波形識別部 ２３１ 神経回路網モジュール ２３１１ 入力層 ２３１２ 隠れ層 ２３１３ 出力層 ２４ 判定部２４ １０００ 発振部 ２０００ ＬＥＤ発光部 ３０００ 受光増幅部 ４０００ 基準電圧発生部 ５０００ 合成増幅部 ９０００ 全体不具合箇所検出ニューラルネットワーク ９１００ 個別不具合検出ニューラルネットワーク ９１１０ ブロックＡ・ニューラルネットワーク ９１２０ ブロックＢ・ニューラルネットワーク ９１３０ ブロックＣ・ニューラルネットワーク ９１４０ ブロックＤ・ニューラルネットワーク ９１５０ ブロックＥ・ニューラルネットワーク １００００ 測定対象回路

Claims (2)

【特許請求の範囲】
1. 【請求項１】 判定対象信号を入力信号として入力され
   る入力層、隠れ層及び出力層の少なくとも３層とで構成
   し、これらの各層を神経重率が与えられるネットワーク
   で結合した神経回路網モジュールと、該神経重率は、少
   なくとも理想的な信号及び測定対象となる回路を異常条
   件とした時の波形信号を用いて学習させることにより決
   定されており、かつ、前記出力層には、前記回路の異常
   の種類又はその度合いに対応した信号が現れる様に構成
   されている神経回路網を用いた波形評価装置。
2. 【請求項２】 判定対象信号を入力信号として入力され
   る入力層、隠れ層及び出力層の少なくとも３層とで構成
   し、これらの各層を神経重率が与えられるネットワーク
   で結合した神経回路網モジュールを使用し、該神経重率
   は、少なくとも理想的な信号及び測定対象となる回路を
   異常条件とした時の波形信号を用いて学習させることに
   より決定される神経回路網を用いた波形評価方法。