JPH08101692A - アクティブコントロール装置 - Google Patents

Abstract

(57)【要約】 【目的】 自動車の音振状態をニューラルネットを用い
た制御装置により的確に制御する。 【構成】 自動車の音振状態を制御するアクチュエータ
（７）と、自動車の音振状態を検出する音振状態検出手
段（３）と、前記音振状態検出手段（３）の出力が入力
され、前記アクチュエータ（７）を制御する信号を出力
すると共に、当該出力信号に基づく制御予測値を制御目
標値と比較することにより結合荷重の修正を行なうニュ
ーラルネットを用いた制御装置（１１）とよりなり、制
御装置（１１）は探索領域を大きさの異なった多領域に
分割し、各領域の中に制御パラメータのランダムな値を
選んで極小値を各領域で検出し、この極小値の中から最
小値を算出して次回の初期値とする。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、自動車の車室内騒音
や車体振動を能動的に低減するアクティブコントロール
装置に関する。

【０００２】

【従来の技術】従来のこの種のアクティブコントロール
装置としては、例えば英国公開特許公報第２１４９６１
４号記載の図３０に示す能動型騒音制御装置がある。

【０００３】この従来装置は航空機の客室やこれに類す
る閉空間に適用されるもので、閉空間１０１内にラウド
スピーカ１０３ａ，１０３ｂ，１０３ｃおよびマイクロ
フォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄを備え
ており、ラウドスピーカ１０３ａ，１０３ｂ，１０３ｃ
によって騒音に干渉させる制御音を発生し、マイクロフ
ォン１０５ｓ，１０５ｂ，１０５ｃ，１０５ｄによって
残差信号（残留騒音）を測定するようになっている。こ
れらラウドスピーカ１０３ａ，１０３ｂ，１０３ｃ、マ
イクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄ
は信号処理機１０７に接続されており、信号処理機１０
７は基本周波数測定手段によって測定した騒音源の基本
周波数とマンクロホン１０５ａ，１０５ｂ，１０５ｃ，
１０５ｄからの入力信号とを受けとり、閉空間１０１内
の音圧レベルを最小にするようにラウドスピーカ１０３
ａ，１０３ｂ，１０３ｃに制御音信号を出力するもので
ある。

【０００４】ここで閉空間１０１内には、３個のラウド
スピーカ１０３ａ，１０３ｂ，１０３ｃと４個のマイク
ロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄが設
けられているが、説明を単純化するため、それぞれ１０
３ａ，１０５ａの一個ずつ設けられているものとする。

【０００５】今、騒音源からマイクロフォン１０５ａま
での伝達関数をＨとし、ラウドスピーカ１０３ａからマ
イクロフォン１０５ａまでの伝達関数をＣとし、騒音源
が発生する音源情報信号をＸ_p とすると、マイクロフォ
ン１０５ａで観測される残差信号Ｅは、 Ｅ＝Ｘ_p ・Ｈ＋Ｘ_p ・Ｇ・Ｃ となる。ここで、Ｇは、消音するために必要な伝達関数
である。消音対象点において、騒音が完全に打ち消され
てとき、Ｅ＝０となる。このときＧは、 Ｇ＝−Ｈ／Ｃ となる。そして、マイク検出信号Ｅが最小となるＧを求
め、このＧに基づいて信号処理機１０７内のフィルター
係数を適応的に更新するようにしている。マイク検出信
号Ｅを最小にするようフィルター係数を求める手段とし
て、最急降下法の一種であるＬＭＳアルゴリズム（Ｌｅ
ａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）などがある。

【０００６】また、図３０のように、マイクロフォンが
複数設置されている場合には、各マイクロフォン１０５
ａ，１０５ｂ，１０５ｃ，１０５ｄで検出した信号の総
和が最小となるように制御される。

【０００７】そして、上記のような制御によって、例え
ば図３１の（ａ）のような車室内籠り音に対して（ｂ）
のような逆相の相殺音を出力し、（ｃ）のように籠り音
を相殺音で打ち消す。

【０００８】

【発明が解決しようとする課題】ところで、前記従来装
置は、正弦成分などの定状確定信号からなる単一の騒音
源、例えばエンジンから発生される騒音を低減する場合
には効果的である。

【０００９】しかしながら、走行中の自動車の車室内騒
音は、エンジン回転に伴なう騒音、サスペンションから
伝達されるロードノイズ、風切り音、排気音など種々の
ものが存在し、しかも、ランダムな性質のものが多い。
従って、エンジン回転に伴なう騒音の正弦成分のみを基
準信号として騒音制御をしたのでは制御対象以外の騒音
成分が演算の度に加算されて発散を招く恐れがあり、こ
の場合はかえって騒音レベルの悪化を招くことがある。

【００１０】また、アクティブコントロール装置は、上
記図３０の能動型騒音制御装置以外に、サスペンション
の振動制御などにも応用することができるが、サスペン
ションの振動入力はランダムな性質を有しており、これ
を適格に制御することは困難であった。

【００１１】このため、本願出願人はニューラルネット
を用いた制御装置を採用することにより、複数の騒音原
からの騒音が連成され、かつランダムな性質を有してい
ても、的確な騒音制御を図ることができ、またランダム
な振動であってもこれを的確に制振することのできるア
クティブコントロール装置をすでに出願している（特願
平５−５７８５参照）。

【００１２】ところで、このようなニューラルネットワ
ークを用いたアクティブコントロール装置では低周波数
領域において有効であるにしても、高周波数領域での非
線形性の強いシステムに対して、同定学習速度及び制御
精度の向上に限界を招いていた。

【００１３】これをさらに説明すると、ニューラルネッ
トワークを用いた制御装置では、一般に最急降下法ＬＭ
Ｓ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）などのアル
ゴリズムを用いて、ニューラルネットワークの出力値か
ら算出できる誤差評価関数の最小値を求め、ニューラル
ネットワークの制御パラメータの調整を行なうようにし
ている。

【００１４】しかし、ニューラルネットワークの誤差評
価関数が示す誤差曲面にはグローバルな最小値の他に、
数多くのローカルな極小値が存在しランダムな抽出を行
なうためたまたま抽出によりローカルな極小値を見つけ
るとそこに収束してしまうものとなる。このため、検出
した値がローカルな極小値かグローバルな最小値かの判
断ができず、制御パラメータの調整に限界を招いていた
からである。

【００１５】これに対して、最近ではもとの信号に雑音
（ノイズ）を入れてグローバルな最小値が得られるニュ
ーラルネットワークのアルゴリズムが発表されている
（ＵＳＰ２８４１５２参照）。これはもとの信号に一定
レベルの周波数でノイズを入れ、このノイズの度合いを
次第に小さくすることにより、グローバルな最小値を得
るようにしたものである。

【００１６】しかしながら、どの程度のレベルのノイズ
を入たらいいのか、あるいはどの程度小さくしていった
らいいのかを一義的に決めることが出来ず、場合によっ
ては最小値が得られない恐れがある。

【００１７】そこで、この発明はニューラルネットを用
いたアクティブコントロール装置でありながら、的確な
学習速度と制御精度とを達成することの出来るアクティ
ブコントロール装置の提供を目的とする。

【００１８】

【課題を解決するための手段】上記、課題を解決するた
めに請求項１の発明は、出力値と制御目標値との比較に
より制御パラメータを修正するニューラルネットを用い
た制御装置を備え、該制御装置は、前記制御パラメータ
の初期値をランダムに設定し、該初期値での制御目標値
に対する出力値の感度を計算し、前記制御パラメータの
許容範囲を複数の領域に分割し、前記感度に基づき前記
各領域の中に前記制御パラメータのランダムな値を選ん
で制御目標値に対する出力値の差の極小値を各領域で検
出し、該各領域から得られた極小値の中から最小値を算
出し、該最小値を次回の初期値として前記修正を行なう
ことを特徴とする。

【００１９】請求項２の発明は、音又は振動状態の少な
くとも一方を制御するアクチュエータと、音又は振動状
態の少なくとも一方を検出する音振状態検出手段と、前
記音振状態検出手段の出力が入力され、前記アクチュエ
ータを制御する信号を出力すると共に、当該出力信号に
基づく制御予測値を制御目標値と比較することにより制
御パラメータを修正するニューラルネットを用いた制御
装置とを備え、該制御装置は、前記制御パラメータの初
期値をランダムに設定し、該初期値での制御目標値に対
する制御予測値の感度を計算し、前記制御パラメータの
許容範囲を複数の領域に分割し、前記感度に基づき前記
各領域の中に前記制御パラメータのランダムな値を選ん
で制御目標値に対する制御予測値の差の極小値を各領域
で検出し、該各領域から得られた極小値の中から最小値
を算出し、該最小値を次回の初期値として前記修正を行
なうことを特徴とする。

【００２０】請求項３の発明は、請求項１又は請求項２
記載のアクティブコントロール装置であって、前記制御
装置は、前記各領域の中に前記制御パラメータのランダ
ムな値を各々複数個選び、選んだ個数をカウント数とし
て前記各領域での検出を、複数回繰り返すことを特徴と
する。

【００２１】請求項４の発明は、請求項３記載のアクテ
ィブコントロール装置であって、前記制御装置は、前記
各領域での前記カウント数の繰り返しによる検出値に応
じて、前記各領域でのカウント数を変更することを特徴
とする。

【００２２】請求項５の発明は、請求項３記載のアクテ
ィブコントロール装置であって、前記制御装置は、前記
各領域で前記カウント数の繰り返し中に極小値が得られ
ないと判断するとき、該当する領域を制約リストに登録
し、当該領域での極小値の検出を中止することを特徴と
する。

【００２３】請求項６の発明は、請求項３記載のアクテ
ィブコントロール装置であって、前記制御装置は、前記
各領域での前記カウント数の繰り返しによる検出値に応
じて、前記各領域で選ぶ制御パラメータのランダムな値
の初期値に対する方向性に重み付けを行なうことを特徴
とする。

【００２４】請求項７の発明は、請求項１〜請求項６記
載のアクティブコントロール装置であって、前記制御パ
ラメータは、前記ニューラルネットの結合荷重を学習す
るときの学習の割合であることを特徴とする。

【００２５】請求項８の発明は、請求項１〜請求項７記
載のアクティブコントロール装置であって、前記ニュー
ラルネットは、前記領域の個数であるステップ数に応じ
て複数並列に備えられていることを特徴とする。

【００２６】請求項９の発明は、請求項２〜請求項８の
いずれかに記載のアクティブコントロール装置であっ
て、前記アクチュエータは、自動車の車室内騒音に干渉
させる制御音を発生して騒音低減を図る制御音源であ
り、前記音振状態検出手段は、自動車の車室内の騒音状
態を検出する騒音状態検出手段であることを特徴とす
る。

【００２７】請求項１０の発明は、請求項２〜請求項８
のいずれかに記載のアクティブコントロール装置であっ
て、前記アクチュエータは、自動車のサスペンションに
制御力を与えて振動低減を図る制振装置であり、前記音
振状態検出手段は、自動車のサスペンションの振動状態
を検出する振動状態検出手段であることを特徴とする。

【００２８】請求項１１の発明は、請求項２〜請求項１
０のいずれかに記載のアクティブコントロール装置であ
って、前記制御装置のニューラルネットは、制御ニュー
ラルネットと同定ニューラルネットとからなり、前記制
御ニューラルネットは、前記音振状態検出手段の出力が
入力されて前記アクチュエータを制御する信号を出力
し、前記同定ニューラルネットは、予め同定した前記ア
クチュエータの制御による自動車の応答に基づき前記制
御予測値を出力することを特徴とする。

【００２９】請求項１２の発明は、請求項２〜請求項１
１のいずれかに記載のアクティブコントロール装置であ
って、前記制御装置は、前記音振状態検出手段が検出し
た現時点よりも前のデータとして、少なくとも前記アク
チュエータの制御信号を入力するニューロン素子を有し
て現時点のアクチュエータの制御信号を出力し、前記検
出時点よりも後の制御予測値を予測して出力することを
特徴とする。

【００３０】

【作用】上記手段の請求項１の発明のよれば、ニューラ
ルネットを用いた制御装置は、出力値と制御目標値との
比較により制御パラメータの修正を行なう。この場合、
制御装置は制御パラメータの初期値をランダムに設定
し、該初期値での制御目標値に対する出力値の感度を計
算し、制御パラメータの許容範囲を複数の領域に分割
し、前記感度に基づき各領域の中に制御パラメータのラ
ンダムな値を選んで、制御目標値に対する出力値の差の
極小値を各領域で検出し、各領域から得られた極小値の
中から最小値を算出し、該最小値を次回の初期値として
前記修正を行なうことができる。

【００３１】すなわち、制御パラメータの許容範囲を複
数の領域に分割し、その夫々から極小値を検出し、その
うち最も小さいものを最小値として算出するため、ロー
カルな極小値で収束することがなく、グローバルな最小
値を求めて制御パラメータの修正を行なうことができ
る。

【００３２】請求項２の発明では、音振状態検出手段が
対象物の音振状態を検出し、その出力が制御装置に入力
されるとニューラルネットによって生成された信号が出
力される。この信号出力によって、アクチュエータが対
象物の音振状態を制御する。また、ニューラルネットに
より出力信号に基づく制御予測値が出力され、この制御
予測値と制御目標値とが比較され、その結果ニューラル
ネットの制御パラメータの修正が行われ、ニューラルネ
ットの学習が適応的に行われる。この際、制御装置は、
制御パラメータの初期値をランダムに設定し、該初期値
での制御目標値に対する制御予測値のカウントを計算
し、制御パラメータの許容範囲を複数の領域に分割し、
前記感度に基づき各領域の中に制御パラメータのランダ
ムな値を選んで制御目標値に対する制御予測値の差の極
小値を各領域で検出し、各領域から得られた極小値の中
から最小値を算出し、該最小値を次回の初期値として前
記制御パラメータの修正を行なうことができる。すなわ
ち、ニューラルネットを用いて制御パラメータを修正す
る際、各領域ごとに極小値を検出し得られた極小値の中
から最小値を算出するため、ローカルな極小値で収束す
ることがなく、グローバルな最小値を的確に求めること
ができる。そして、このグローバルな最小値によって制
御パラメータの修正を的確に行なうことができる。

【００３３】請求項３の発明では、請求項１又は請求項
２記載の発明の作用に加え、各領域での極小値の検出に
際し、各領域の中に制御パラメータのランダムな値を各
々複数個を選び、選んだ個数をカウント数として複数回
繰り返すことができる。したがってグローバルな最小値
を求める確率が増大する。

【００３４】請求項４の発明では、請求項３の発明の作
用に加え、各領域でカウント数の繰り返しによる検出値
に応じて前記各領域でのカウント数を変更することがで
きる。したがって、検出値が収束しない領域の場合に
は、次第にカウント数を減らすことができる。

【００３５】請求項５の発明では、請求項３の発明の作
用に加え、各領域でカウント数の繰り返しにより検出値
が収束しないとき、該当する領域を制約リストに登録し
当該領域での極小値の検出を中止することができる。し
がって、極小値が得られる可能性のある領域にしぼって
検出を続行することができる。

【００３６】請求項６の発明では、請求項３の発明の作
用に加え、各領域でのカウント数の繰り返しによる検出
値に応じて、各領域で選ぶ制御パラメータのランダムな
値の初期値に対する方向性に重み付けを行なうことがで
きる。したがって各領域で、検出値がより収束する方向
に制御パラメータのランダムな値をとることができる。

【００３７】請求項７の発明では、請求項１〜請求項６
のいずれかの発明の作用に加え、制御パラメータとして
ニューラルネットの結合荷重を学習するときの学習の割
合とすることができる。したがって最小値の検出に際し
て、学習の割合を適宜選択することができる。

【００３８】請求項８の発明では、請求項１〜請求項７
のいずれかの発明の作用に加え、ニューラルネットを領
域の個数であるステップ数に応じて複数並列に備えるこ
とができる。したがって各領域ごとに、各々のニューラ
ルネットによって探索を行なうことができる。

【００３９】請求項９の発明では、請求項２〜請求項８
のいずれかの発明の作用に加え、騒音状態検出手段が車
室内の騒音状態を検出すると、その出力が制御装置に入
力されニューラルネットによって生成された信号が出力
される。この出力信号によって、制御音源が制御され自
動車の車室内騒音に干渉させる制御音を発生して、騒音
低減を図ることができる。またニューラルネットによ
り、出力信号に基づく制御予測値が出力され、この制御
予測値と制御目標値とが比較され、その結果ニューラル
ネットの制御パラメータの修正が行われ、ニューラルネ
ットの学習を行なうことができる。すなわちランダムな
性質を有する騒音であっても、ニューラルネットを用い
て正確にコントロールすることができる。

【００４０】請求項１０の発明では、請求項２〜請求項
８のいずれかの発明の作用に加え、振動状態検出手段が
サスペンションの振動状態を検出すると、その出力が制
御装置に入力され、ニューラルネットにより生成された
信号が出力される。この出力信号によって、制振装置が
制御され自動車のサスペンションに制御力が与えられ
て、振動低減を図ることができる。またニューラルネッ
トによって、前記出力信号に基づく制御予測値が出力さ
れ、制御目標値と比較することによりニューラルネット
の制御パラメータの修正が行われ、ニューラルネットの
学習を行なうことができる。すなわち、ランダムな性質
を有するサスペンション振動をニューラルネットを用い
てコントロールすることができる。

【００４１】請求項１１の発明では、請求項２〜請求項
１０のいずれかの発明の作用に加え、音振状態検出手段
の出力が制御ニューラルネットに入力され、アクチュエ
ータを制御する信号が出力される。また、同定ニューラ
ルネットは予め同定した自動車の応答に基づき制御予測
値を出力することができる。したがって同定ニューラル
ネットから出力された制御予測値を制御目標値と比較す
ることにより、制御ニューラルネットの制御パラメータ
の修正を行ないニューラルネットの学習を行なうことが
できる。すなわち、同定ニューラルネットの採用により
制御ニューラルネットの制御パラメータを修正するため
の制御予測値を正確に出力することができる。

【００４２】請求項１２の発明では、請求項２〜請求項
１１のいずれかの発明の作用に加え、制御装置におい
て、音振状態検出手段が検出した現時点よりも前のデー
タとして少なくともアクチュエータの制御信号を入力
し、現時点のアクチュエータの制御信号が出力される。
また検出時点よりも後の制御予測値を予測して出力する
ことができる。すなわちアクチュエータの制御信号は、
過去のデータに基づいて出力され、かつ制御予測値が予
測して出力されるので、ランダムな性質を有する騒音や
振動に適応させることができる。

【００４３】

【実施例】以下、この発明の実施例を説明する。

【００４４】図１は、この発明の第１実施例に係るアク
ティブコントロール装置を適用したアクティブノイズコ
ントロール装置の全体を示す概略図である。

【００４５】図１で示す車室１内は、エンジンからの騒
音、サスペンションからのロードノイズ、マフラからの
排気音、更には風切り音、車体パネルの振動などが合成
され、非線形の連成空間を構成している。このような連
成空間としての車室１内の音振状態として、騒音状態を
検出するために、音振状態検出手段（騒音状態検出手
段）であるマイクロフォン３及びピエゾ素子センサ５が
設けられている。

【００４６】自動車の音振状態を制御するアクチュエー
タとしては、自動車の車室１内騒音に干渉させる制御音
を発生して騒音低減を図る制御音源であるラウドスピー
カ７が設けられている。

【００４７】また、この実施例では、自動車の音振状態
を制御するアクチュエータとして車体パネルに外力を加
えて車体の振動モードを制御するピエゾ素子アクチュエ
ータ９が設けられている。

【００４８】そして、マイクロフォン３、ピエゾ素子セ
ンサ５の出力は、ニューラルネットを用いた制御装置１
１に入力され、制御装置１１は、ラウドスピーカ７、ピ
エゾ素子アクチュエータ９を制御する信号を出力するよ
うになっている。

【００４９】同時に当該出力信号に基づく制御予測値を
制御目標値と比較することにより、ニューラルネットの
パラメータ、例えば結合荷重の修正を行なう構成となっ
ている。

【００５０】なお、この実施例では、前記のように車室
１内の騒音を制御するためにマイクロフォン３、ラウド
スピーカ７の他に、ピエゾ素子センサ５、ピエゾ素子ア
クチュエータ９を設けているが、これは、車室１内の騒
音は車体の振動応答と車室１内の音場との連成となるか
らである。

【００５１】また、マイクロフォン３、ピエゾ素子セン
サ５、ラウドスピーカ７及びピエゾ素子アクチュエータ
９は、説明簡単のために各１個のみ設けられているもの
としているが、例えば、これらを複数とし、マイクロフ
ォン３は各座席のヘッドレスト位置にそれぞれ設け、ラ
ウドスピーカ７は車両の前席及び後席に対応する左右ド
ア部にそれぞれ配置し、ピエゾ素子センサ５及びピエゾ
素子アクチュエータ９は車体ルーフ、左右ドア部などに
分散して設けることもできる。

【００５２】図２は、前記制御装置１１を示す概略ブロ
ック図である。即ち、制御装置１１は、制御ニューラル
ネット１３と、同定ニューラルネット１５と、評価・調
整部１７と、遅延器１９と、図示しないが記憶部等を備
えている。

【００５３】前記制御ニューラルネット１３は、マイク
ロフォン３の出力ｍとピエゾ素子セ

【外１】 子アクチュエータ９を制御する信号Ｏ_c2とを出力する構
成となっている。

【００５４】前記同定ニューラルネット１５は、予め同
定したアクチュエータの制御による自動車の応答に基づ
き制御予測値Ｏ_f を出力する。即ち、制御ニューラルネ
ット１３の出力Ｏ_c1，Ｏ_c2及びマイクロフォン３の出力
ｍ等を入力し、制御予測値Ｏ_f を出力する構成となって
いる。

【００５５】前記評価・調整部１７は、同定ニューラル
ネット１５が被制御体の動特性を充分に表した後、即
ち、車室１の応答を充分に同定した後、同定ニューラル
ネット１５の出力Ｏ_f と制御目標値Ｘ_T との差を演算
し、この値を用いてバックプロパゲーションにより制御
ニューラルネット１３の結合荷重の修正を行なう。

【００５６】前記遅延器１９，２１及び図示しない記憶
部は、ＡＲＭＡモデルに基づいて制御ニューラルネット
１３と同定ニューラルネット１５とを構成するものであ
る。

【００５７】遅延器１９はマイクロフォン３、ピエゾ素
子センサ５が騒音状態を検出した時点ｔよりも前、即
ち、（ｔ−１），（ｔ−２），…などの制御信号Ｏ_c1，
Ｏ_c2を制御ニューラルネット１３に入力する構成となっ
ている。このため、制御ニューラルネット１３は時間遅
れ（過去）の信号を入力するニューロン素子を有してい
る。

【００５８】遅延器２１は、同定ニューラルネット１５
の出力信号Ｏ_f の現時点ｔよりも前の（ｔ−１）などの
データを同定ニューラルネット１５及び制御ニューラル
ネット１３に入力する構成となっている。従って、両ニ
ューラルネット１３，１５は、同定ニューラルネット１
５の出力Ｏ_f の過去のデータを入力するニューロン素子
をそれぞれ有している。

【００５９】

【外２】 入力により現時点の制御信号Ｏ_c1，Ｏ_c2を出力し、同定
ニューラルネット１５は、前記過去のデータとｍ，
Ｏ_c1，Ｏ_c2との信号入力により、検出時点よりも後の
（ｔ＋Δｔ）の制御予測値Ｏ_f を予測して出力する。こ
のため、自動車のように外部環境が激しく変化するよう
な場合でも、将来を見越した制御ができるため、素早い
対応をとることができる。又、その予測を行なう際、常
に最前の値を用いて予測を行なっているため適確な予測
を行なうことができる。

【００６０】図３（ａ），（ｂ）は、ニューラルネット
の構成の一部を示したもので（ａ）は全体（ｂ）は中間
層の１つ（例えば２５ｃ）を示したものである。

【００６１】このニューラルネットは、入力層と中間層
と出力層とからなっている。入力層はニューロン素子２
３ａ，２３ｂの２個を示し、中間層はニューロン素子２
５ａ，２５ｂ，２５ｃの３個を示し、出力層はニューロ
ン素子２７の１個を示している。

【００６２】ここで説明するニューラルネットは、入力
層のニューロン素子２３ａ，２３ｂでは入力ｘ₁ ，ｘ₂
に対して結合荷重Ｗ_ijを付け、中間層のニューロン素子
２５ａ，２５ｂ，２５ｃでは同様に結合荷重Ｈ_jrを付け
ている。ijはｉ番目の入力層に対して、ｊ番目の中間層
が結合していることを示し、jrはｊ番目の中間層に対し
てｒ番目の出力層が結合していることを示している。

【００６３】従って、結合荷重Ｗ_ijによる各ニューロン
の内部ポテンシャルＯ₁ は、 Ｏ₁ ＝ΣＷ_ijｘ_i ＋Θ_i …（１） となる。ここに、Θ_i はニューロン素子の閾値を示して
いる。

【００６４】また、内部ポテンシャルＯ₁ は、ニューロ
ン素子への出力値と決める。出力は、例えば、図４で示
すシグモイド関数で計算される。これは、

【数１】 と表される。

【００６５】ここに、ｕ₀ は図４の傾きを示すもので、
この傾きｕ₀ を決めることにより、ランダム信号に対応
させることができる。出力は０から１の間の出力であ
り、例えば、物理量ｖ＝０〜１００ｍ／sec を出力する
としたら、

【数２】 として、０〜１の信号にするのである。

【００６６】結合荷重Ｗ_ij等の修正は、同定ニューラル
ネット１５の出力Ｏ_f と制御目標値Ｘ_T との誤差を、 Ｅ＝Σ（Ｘ_T −Ｏ_f ）² …（４） とし、最急降下法により、誤差Ｅを最小値とするＷ_ijを
求め、結合荷重とするのである。

【００６７】ここで、入力ｘのニューロン素子の出力Ｏ
_f は、Ｏ_f ＝ｆ（ｙ）で与えられるから、誤差Ｅはｆ
（ｙ）の関数となり、ＥをＯ_f で偏微分し、Ｏ_f をＷ_ij
で偏微分して、

【数３】 とし、さらにＯ_f をｆ（ｙ）で偏微分し、ｆ（ｙ）をＷ
_ijで偏微分して、

【数４】 となる。従って、ｆ（ｙ）とＯ_f との関係でＥを最小と
するＷ_ijが求められる。

【００６８】上記のような関係でＥを最小とするＷ_ijを
求めることは、最急降下法を実装したものと等価であ
り、以下の式が成り立つ。

【００６９】

【数５】 このような関係において、制御パラメータηがある程度
大きいと誤差Ｅは収束せず、またηを小さくするとロー
カルな極小値で収束してしまい、グローバルな最小値を
検出することができなくなる。これを図５を用いて説明
すると、図５は入力ｘに対する誤差Ｅの変化として誤差
関数ｆ（ｙ）を示している。この誤差関数ｆ（ｙ）にお
いて、制御パラメータηを大きくしてしまうと例えば誤
差関数ｆ（ｙ）上においてＳからＰまで進んでしまい、
最小値Ｒに収束することがなかなかできないものとな
る。逆にηが小さいと例えばＰ点からＱ点へ進んでロー
カルな極小値Ｑに収束してしまい、グローバルな最小値
Ｒを検出することができなくなる恐れがある。したがっ
て上記のように、単なる最急降下法を実装したものと等
価なニューラルネットワークでは学習速度及び制御精度
の向上に限界がある。このため、この発明の一実施例で
は制御パラメータの一つであるηを以下に説明する勾配
式ランダム探索法によって決定するのである。すなわ
ち、この実施例では最急降下法とランダム探索法とを結
合したアルゴリズムとなっている。

【００７０】図６はランダム探索法の概略図を示してい
る。ここでは、有る目的関数ｆ（ｘ）を制約条件のもと
で最小にする問題を考える。このランダム探索法ではあ
らたにステップ数、カウント数の二つの定数を定義す
る。ステップ数とは探索を行なう近傍領域の個数であ
り、カウント数とは一つの近傍領域を探索する回数の上
限値を表わす。制約条件を満足する解の第１次近似解
（初期値）ｘ₀ とし、ｘ₀ の周りに近傍領域Ｎ（ｘ₀ ，
ｈ_i ）を設定する。ここにＨ＝ｈ_i （ｉ＝１，…，ｒ）
はステップである。この探索法の考え方は、夫々の近傍
領域の中でｘをランダムに発生させ、これによるｆ
（ｘ）がｆ（ｘ₀ ）より小さければ、その点をその領域
内の極小値として記憶し、全近傍領域で選択された極小
値の中で最も小さなｘを第２次近似解ｘ₁ とし、ｘ₁ の
周りに再度近傍領域を設けて探索を繰り返すものであ
る。

【００７１】以上の手法を一変数関数の最小値の問題に
適用すると以下のようになる。

【００７２】目的関数ｆ（ｘ）が与えられ、変数ｘの値
域が（ａ，ｂ）のとき、ステップを順次１／１０づつ小
さくし、ステップ数がｒ個で探索が行われた場合、ステ
ップ（Ｈ）はベクトル表示して次のようになる。

【００７３】

【数６】 すなわち図６の上段のようにｈ₁ ＝ｂ−ａを最大の領域
として、１／１０のづつ小さくしｈ_r ＝ｈ_r-1 ／１０．
０を最小として、ｒ個の領域に分割される。すなわち、
ある起点ｘ₀ から夫々のステップに対し近傍領域（Ｎ）
が設定される。次いで図６の中段のように近傍領域
（Ｎ）でランダムにｘ_0iが発生する。この結果、ｆ（ｘ
₀ ）＞ｆ（ｘ_0i）ならばｘ_0iは記憶され、そうでない場
合はカウント数Ｋをプラスし同じ近傍領域で次のランダ
ムなｘ_0iが発生する。またカウント数Ｋが与えられた数
より大きければ、他の近傍領域（Ｎ）への探索に移る。
そして図６の下段のように、全ての近傍領域Ｎでの探索
から極小値ｘ_save（１），ｘ_{sa ve}（２），…ｘ
_save（ｒ）を検出し、これら極小値の中から最小値ｘ
_bestを算出し次解の初期値とするのである。この方法は
多変数の場合についても、変数をベクトルと考えること
により、その対応は可能である。

【００７４】次に図７のフローチャートを用いて、上記
ランダム探索を説明する。

【００７５】なお以下の説明において、ステップＳはラ
ンダム探索法において、あらたに定義したステップｈと
は異なるものである。

【００７６】まずステップＳ１では、ステップｈ_i の設
定が行われる。このステップｈ_i の設定は、上記のよう
に探索を行なう近傍領域の個数の設定である。

【００７７】ステップＳ２では、領域の設定が行われ
る。この領域設定によって、ｘの許容範囲を複数の領域
に分割する。

【００７８】次いでステップＳ３，Ｓ４，Ｓ５において
初期設定が行われる。すなわち繰り返し数Ｉ＝０、ステ
ップ数ｉ＝１、カウント数Ｋ＝０に設定される。繰り返
し数Ｉは一回の領域設定によって得られた最小値を次解
の初期値として、再度探索を繰り返す場合の数である。
ステップ数ｉは１として設定し、ステップＳ２で設定し
た領域の最初の近傍領域を選定する。そして、初回はス
テップＳ６，ステップＳ７と移行してステップＳ８にお
いて最大の領域での探索が行われる。すなわち初期値ｘ
_0iがランダムに発生し、ステップＳ６において目的関数
ｆ（ｘ）との比較が行なわれる。ｆ（ｘ₀ ）＞ｆ
（ｘ_0i）ならば初期値ｘ_0iはステップＳ９において極小
値として記憶される。

【００７９】ステップＳ６においてＮＯと判断されれ
ば、ステップＳ７においてカウント数Ｋが与えられた数
より大きいかどうかが判断され、大きくなければステッ
プＳ８において同じ領域であらためてｘが発生し探索が
行われる。このような探索において、極小値が見つから
ず、しかもカウント数が与えられた数より大きくなると
ステップＳ１０へ移行し、ステップｈの個数ｉが設定し
た個数ｒを上回るかどうかの判断が行われ、ｉがｒを下
回っていればｉの数をプラスしてステップＳ５へ移行す
る。

【００８０】ステップＳ５では再びＫ＝０の設定が行わ
れ、ステップＳ６，ステップＳ７，ステップＳ８へと移
行し次の領域での探索が行われる。ステップＳ９におい
て極小値の記憶が行われた場合にも、ステップＳ１０の
判断が行われステップの個数ｉのプラスが行われて次の
領域での探索が行われるものである。

【００８１】このようにして、全てのステップでの探索
が終了すると、ステップＳ１１において極小値の中の最
も小さい値を最小値ｘ＝ｘ_bestとして算出し記憶する。
次にステップＳ１１において記憶した最小値ｘ_bestを第
２次近似解ｘ₁ とし、ｘ₁ の解りに再度近傍領域が設定
され、ステップＳ１３においてＩが繰り返し数を上回っ
てない限りＩがプラスされ、ステップＳ４へ移行する。
したがって、あらたな領域設定において再度探索が行わ
れ最小値の算出が行われる。

【００８２】そしてステップＳ１３において、繰り返し
数を満足したと判断されれば探索は終了する。

【００８３】このような処理によって、上記制御パラメ
ータηの最小値を探索するものである。すなわち図６，
図７において、ｘを制御パラメータηとして置き換え処
理を行なうのである。制御パラメータηに置き換えて説
明すると、制御装置１１は制御パラメータηの初期値η
_0iをランダムに設定し、初期値η_0iでの制御目標値に対
する出力値の感度を計算する。次いで制御パラメータη
の許容範囲を複数の領域に分割し、前記感度に基づき各
領域の中に制御パラメータηのランダムな値を選んで、
制御目標値に対する出力値の差の極小値を各領域で検出
し、各領域から得られた極小値の中から最小値を算出
し、該最小値を次回の初期値としてηの修正を行なうも
のである。

【００８４】したがって上記のように、大きさの異なっ
た多領域に分割してηの解を探索するため、盲目的な探
索を避けることができ探索に要する回数を減らすことが
できる。また多領域において夫々極小値を検出し、その
中から最小値を算出するためローカルな極小値へ収束す
ることを防ぐことができ、グルーバルな最小値を求める
ことができる。こうしてニューラルネットの学習の割合
であるηの適正な値を求めることができ、精度良く高速
に処理することができる。

【００８５】次に上記ランダム探索法の効果を目的関数
ｆ（ｘ）として、一次元関数を定義し、さらに説明す
る。

【００８６】この一次元関数は、

【数７】 で定義する。この関数の形状は図８のようになってい
る。また関数の最小値を与えるｘ（＝ｘ_best）は１７．
０３９であり、そのときの関数値ｆ（＝ｆ_best) は０．
０９４となっている。この問題を最急降下法、ランダム
探索法及び二つを組合せた方法を用いて探索した結果が
図９である。ここで誤差Ｅは、 Ｅ＝（ｆ−ｆ_best）／ｆ_best ｆ_best＝最適値 と定義され、ｘの初期値は各々図に示してある通り１
３．５，１３．４，５．０としている。この図９より最
急降下法は初期値の設定によって解が収束する場合（グ
ローバルな最小値）とそうでない場合（ローカルな極小
値）とがあり、初期値に対する依存性が強くあるのに対
し、ランダム探索法ではどのような初期値に対しても精
度よく解が収束した。

【００８７】さらに二つの方法を組合せた場合、最急降
下法だけのときに見られた初期値に対する依存性を十分
に克服していると共に、ランダム探索法だけのときに比
べ収束が早くなっている。この結果からランダム探索法
は最適化問題を解く上で有効な方法であり、ランダム探
索法と他のアルゴリズムを組合せることにより、さらに
有効性が増すことが確認できた。

【００８８】またランダム探索法に用いる新たに定義し
た定数であるステップ数，カウント数が最適解への収束
情況にどのような影響を及ぼすかを考慮してみる。これ
ら二つの定数を変更したときの解の収束性を比較した結
果を図１０，図１１に示す。目的関数は上記ｆ（ｘ）を
用いている。これら図１０，図１１から明らかなよう
に、ステップ数が増えるとより精度の良いきめこまかな
解の探索が可能となる。またカウント数が増えると誤差
が最小、すなわちグローバルな最小値にたどりつく確率
が増すことになる。但し、この二つの考え方で注意しな
ければならないのは、この二つの定数をむやみに大きく
すると無駄な探索時間や、プログラムの際、無駄なメモ
リ領域を使ってしまうので、これらの定数の決定には十
分な注意を要する。

【００８９】図１２から図２０はランダム探索法の有効
性をさらに説明するためのものである。すなわち一自由
度のばね−質量モデル及び多自由度の梁の数値シミュレ
ーション結果を示している。

【００９０】先ず図１２から図１６は一自由度系の変位
励振による応答を示している。図１２に示す一自由度の
ばね−質量モデルを考えると、この系に正弦波の外力を
加え、ある時間経過した後の過渡応答を図１３に示す。
固有角振動数は約１００ｒａｄ／ｓｅｃで、時間ステッ
プは１ｍｓｅｃとした。ニューラルネットワークの入力
としては、系の応答速度と加速度とを用い、次の時間ス
テップの加速度の変化分を出力とした。教師信号を図１
４に示し、図１５に収束性、図１６に同定結果を示して
いる。図１５，図１６の結果よりランダム探索法の誤差
の収束が極めて早いことが確認できた。これは高精度な
学習を極めて短時間で行なうことができることを示し、
ランダム探索法を用いたニューラルネットワークの写像
能力が最急降下法に比べ、極めて優れていることが確認
できた。

【００９１】図１７から図２０は片持梁のインパルス応
答をオンライン同定することを試みた。ニューラルネッ
トワークの入出力及びシステムの概略は図１８に示して
いる。この図１８において、ニューラルネットワークの
入力としては梁の先端（ｘ６）の加速度と速度とし、加
速度の変換を出力する。ここでも片持梁の応答、すなわ
ち教師信号は数値計算により求めている。誤差の収束性
を図１９に示し、シミュレーション時間１００秒付近に
おける同定結果を図２０に夫々示している。図１９，図
２０より明らかなように、オンライン同定では最急降下
法を用いた場合とランダム探索法及び最急降下法を組合
せた方法を用いた場合とでは、学習時間及び誤差の収束
性にかなりの違いがあった。同定結果も勾配式ランダム
探索法では極めて精度良く行われていることが確認でき
た。

【００９２】以上説明したランダム探索法の処理は、一
つのニューラルネットワークによって順番に行なうこと
もできるが、図２１のように並列化ニューラルネットに
よって分散処理することも可能である。すなわちニュー
ラルネットは夫々入力層，中間層，出力層を備えた複数
のユニット１〜ｒを備えている。このユニットの個数は
分割設定する領域の個数となっている。したがって各領
域ごとに各ユニットにより分散処理制御を行なうことが
できる。すなわち分散処理制御システム６１では全体領
域での探索の情報制御及び各ユニットを分散制御する。
そして各ユニットごとに各領域での探索が行われ、グロ
ーバルな最小値の算出が６３によって行われる。そし
て、この最小値に基づきバックプロパゲーションによっ
て各ユニットの制御パラメータが修正されるのである。
このような並列化処理によって、処理時間を極めて短縮
することができ、より高速な処理を行なうことができ
る。またこのように複数のニューラルネットを並設した
場合、一つのユニットの処理が終了し、他のユニットの
処理が終了していない場合には終了したユニットが他の
ユニットの支援を行なうことができ、さらに高速化処理
することができる。

【００９３】なお上記処理において、制御装置１１は各
領域でのカウント数の繰り返しによる検出値に応じて、
各領域でのカウント数を変更することも可能である。す
なわちカウント数が多く残存していても、検出値が大き
く収束している場合には、以後の処理においてカウント
数を次第に減少し、処理を早めることができるのであ
る。

【００９４】また制御装置１１は、各領域でカウント数
の繰り返しにより極小値が得られないと判断するとき、
該当する領域を制約リストに登録し、該領域での極小値
の検出を中止することもできる。このように構成するこ
とによって、極小値が得られないことが明らかな領域の
探索を中止し、より処理を高速化することができる。

【００９５】さらに制御装置１１は各領域でのカウント
数の繰り返しによる検出値に応じて、各領域で選ぶ制御
パラメータのランダムな値の初期値に対する方向性に重
み付けを行なうことができる。すなわち図７で示すよう
な領域において、初期値ｘ_0iを中心にしてランダムな値
を発生させるのであるが、カウント数を繰り返している
うちに初期値に対する極小値の方向が領域の中で次第に
明らかになってくるため、その方向に多くのランダムな
値を発生させることによって、より精度の良い検出を行
なうことができるのである。

【００９６】図２２は、ＡＲＭＡモデルに基づいたニュ
ーラルネットを一般的に示したものである。このニュー
ラルネットは、入力層、中間層、出力層を有しており、
時刻ｔにおける入力ｘ（ｔ）によって時刻（ｔ＋１）に
おける出力ｙ（ｔ＋１）を予測して出力する。即ち、予
測される出力ｙ（ｔ＋１）は、現在の入力ｘ（ｔ）と過
去の状態とに関係する。このため、入力層には３つの短
期記憶ユニット２９，３０，３１に接続されたニューロ
ン素子を新たに追加している。

【００９７】記憶ユニット２９は、入力ｘ（ｔ）の過去
のデータｘ（ｔ−１）からｘ（ｔ−ｎ）を記憶し、それ
ぞれ対応するニューロン素子に信号を入力するようにな
っている。記憶ユニット３０は、出力ｙ（ｔ＋１）の過
去のデータｙ（ｔ）からｙ（ｔ−ｌ）のデータを記憶
し、それぞれ対応するニューロン素子に入力するように
なっている。記憶ユニット３１は、出力ｙ（ｔ＋１）の
過去のデータｚ（ｔ−ｌ−１）からｚ（ｔ−ｇ）を記憶
し、それぞれ対応するニューロン素子に入力するように
なっている。

【００９８】そして、入力ｘ（ｔ）の信号は予測係数α
₀ を付けて中間層のニューロン素子に入力され、記憶ユ
ニット２９の各信号は予測係数α₁ からα_n が付けら
れ、記憶ユニット３０の信号は予測係数β₀ からβ₁ が
付けられ、記憶ユニット３１の信号は予測係数γ_l+1 か
らγ_g が付けられ、それぞれ中間層のニューロン素子に
入力されるようになっている。

【００９９】このニューラルネットの出力ｙ（ｔ＋１）
と検出した状態量ｘ（ｔ＋１）との関係は、予測誤差ｅ
（ｔ＋１）とすると、 ｘ（ｔ＋１）＝ｙ（ｔ＋１）＋ｅ（ｔ＋１） となる。この場合、出力ｙ（ｔ＋１）は、

【数８】 で表される。

【０１００】従って、予測係数α，β，γは、誤差系列
に最小２乗推定法を適用して適正な値へ修正されていく
こととなる。

【０１０１】次に、アクティブコントロール装置の作用
を説明する。

【０１０２】図２３は、この発明の第１実施例に係る作
用の概略を示したものである。アクティブコントロール
装置は、大概この図２３のように動作する。図１をも参
照すると、まず、ピエゾ素子センサ５及びマイクロフォ
ン３によって車室１内の代表点の応答を正確に把握し、
制御装置１１によってシステムの動的特性をより正確に
同定する。制御装置１１は、システムの同定に基づいて
連成解析を行ない、ピエゾ素子アクチュエータ９及びラ
ウドスピーカ７を制御するのである。即ち、図２を参照
し、同定ニューラルネット１５が車室１内の騒音に対す
る動特性を充分に表した後、評価・調整部１７において
同定ニューラルネット１５の出力Ｏ_f と制御目標値Ｘ_T
との差を演算し、この値を用いて制御ニューラルネット
１３の結合荷重をバックプロパゲーションにより修正す
るのである。

【０１０３】図２４は、車室１内の応答に対する制御の
タイムチャートを示している。即ち、時刻ｔにおいて、
ピエゾ素子センサ５及びマイクロフォン３で車室１内の
状態を感知し、制御装置１１が時刻ｔでラウドスピーカ
７及びピエゾ素子アクチュエータ９に信号を出力し、時
刻ｔ＋Δｔにおいて車室１内の騒音制御が実現されるの
である。

【０１０４】そして、この制御結果を制御装置１１のニ
ューラルネットにフィードバックして結合荷重を修正す
るため、同定ニューラルネット１５の入力はある時間ス
テップｔにおける車室１内の騒音状態量とこれに対する
制御量とし、出力は次のステップ（ｔ＋Δｔ）における
状態量となる。この同定ニューラルネット１５の出力Ｏ
_f に基づき、同定ニューラルネット１５の制御評価関数
Ｅ_f 、制御ニューラルネット１３の制御評価関数Ｅ
_c は、

【数９】 但し、Ｘ：現在の状態 Ｘ_T ：のぞましい状態 Ｏ_f ：ニューロが予測した状態 となる。

【０１０５】Ｘは時間ステップｔ＋Δｔにおける検出状
態量であり、Ｘ_T は、制御目標となる状態量である。従
って、同定ニューラルネット１５が車室１内の騒音に対
する動特性を正確に同定しているならば、評価関数Ｅ_f
は所定値以下となり、同定ニューラルネット１５の出力
Ｏ_f と目標状態量Ｘ_T との誤差Ｅ_c は、全て制御ニュー
ラルネット１３によって発生したと考えられる。

【０１０６】従って、図２５のように誤差情報を逆伝搬
し、制御ニューラルネット１３迄戻すことによって、制
御装置１１全体についての調整が可能となるのである。

【０１０７】次に、図２６のフローチャートによりこの
発明の第１実施例の制御作用を説明する。

【０１０８】まず、ステップＳ２１では、制御ニューラ
ルネット１３と同定ニューラルネット１５との初期化を
行なう。この初期化は、結合荷重Ｗと閾値Θ及びシグモ
イド関数の傾き係数ｕ₀ をランダム関数を用いて決定す
る。

【０１０９】ステップＳ２２では、同定ニューラルネッ
ト１５の初期学習を行なう。この初期学習はオフライン
で行なわれ、予め定められたプログラムで行なわれる。
このステップＳ２２での初期学習が完了すると、図２の
ように同定ニューラルネット１５は制御装置１１に組み
込まれる。

【０１１０】同定ニューラルネット１５の初期学習が完
了した後、制御ニューラルネット１３が稼動され、その
出力Ｏ_c がステップＳ２３で出力される。この出力によ
ってラウドスピーカ７及びピエゾ素子アクチュエータ９
が駆動されると共に、出力Ｏ_c は同定ニューラルネット
１５に入力される。これにより、ステップＳ２４におい
て同定ニューラルネット１５は、時刻ｔ＋Δｔにおける
予測した状態量Ｏ_f を出力する。

【０１１１】ステップＳ２５では、時刻ｔ＋Δｔにおけ
る状態量Ｘの実測データがサンプリングされる。また、
この実施例では、ＡＲＭＡモデルを利用しているため、
過去の状態量を記憶装置に書き込む。

【０１１２】ステップＳ２６では、同定の判断が行なわ
れる。即ち、このステップＳ２６は、同定ニューラルネ
ット１５が車室１内の騒音に関する動特性を正確に同定
しているかどうかを判断するものである。具体的には、
実測された状態量Ｘと予測した出力Ｏ_f とを用いて上式
のように演算された同定ニューラルネット１５の評価関
数Ｅ_f を収束判定基準Ｔ_f より大きいか否かを判断す
る。Ｅ_f がＴ_f より大きければ、同定ニューラルネット
１５がシステムを充分に同定していないため、ステップ
Ｓ２７へ移行し、評価・調整部１７によって同定ニュー
ラルネット１５の結合荷重Ｗの修正、学習が行なわれ
る。

【０１１３】次いで、ステップＳ２８へ移行し、適応制
御の判断が行なわれる。この判断は、車室１内の騒音状
態が目標の状態になっているかどうかを判断するもので
ある。具体的には、目標とする状態量Ｘ_T と同定ニュー
ラルネット１５の出力Ｏ_f とによって上式のように演算
される評価関数Ｅ_c を収束判定基準Ｔ_c より大きいか否
かを判断する。Ｅ_c がＴ_c よりも大きければ、制御ニュ
ーラルネット１３が充分に同定されていないためステッ
プＳ２９に移行し、バックプロパゲーションによって制
御ニューラルネット１３の結合荷重Ｗの修正、学習が行
なわれる。

【０１１４】以後、ステップＳ２３からステップＳ２９
が繰り返され、車室１内の騒音がフィードフォワードに
よって制御されることになる。

【０１１５】即ち、図１、図２のように同定ニューラル
ネット１５は、予めオフラインで車室１内の騒音に関す
る動特性を同定されている。そして、制御ニューラルネ
ット

【外３】 制御ニューラルネット１３の出力信号Ｏ_c1，Ｏ_c2の過去
の信号及び同定ニューラルネット１５の出力Ｏ_f の過去
の信号が入力され、制御信号Ｏ_c1，Ｏ_c2が出力される。
ここで、制御ニューラルネット１３は、過去のデータを
反映させるために過去のデータを入力するために予め設
けられた入力用のニューロン素子全てにデータが入力さ
れた後稼動し出力するのである。

【０１１６】そして、出力Ｏ_c1によってラウドスピーカ
７が駆動され、騒音に対する逆相の信号が車室１内に出
力される。また、出力Ｏ_c2によって、ピエゾ素子アクチ
ュエータ９が駆動され、車体の振動モードが制御され
る。これによって、車室１の非線形の連成空間が制御さ
れ、騒音低減を図ることができる。

【０１１７】また、同定ニューラルネット１５は、制御
ニューラルネット１３の出力Ｏ_c1，Ｏ_c2を入力すると共
に、車室１内の状態量としてマイクロフォン３の出力ｍ
及び出力Ｏ_f の過去のデータを入力し、時刻ｔ＋Δｔに
おける出力Ｏ_f を予測して出力する。この出力Ｏ_f は、
現時点での車室１内の騒音状態及び外力と過去のデータ
とに基づいており、ランダムな入力による騒音状態であ
っても正確に予測しているものと言える。

【０１１８】そして、出力Ｏ_f と現時点ｔにおける車室
１内の騒音状態の実測データＸとを比較し、同定ニュー
ラルネット１５の学習が行なわれる。同定ニューラルネ
ット１５がシステムの動特性を正確に同定しているもの
とした場合に、同定ニューラルネット１５の出力Ｏ_f と
目標の状態量Ｘ_T とにより評価・調整部１７が制御ニュ
ーラルネット１３の学習を行なうのである。

【０１１９】図２７は、この発明の第１実施例に係るニ
ューラルネットワークの具体的な構成を示している。

【０１２０】上記のように、このニューラルネットワー
クは、ＡＲＭＡモデルを考慮しており、制御ニューラル
ネット１３として音場制御ニューラルネットワーク１３
ａと構造制御ニューラルネットワーク１３ｂとを備えて
いる。各ニューラルネットワークは、入力層、中間層、
出力層とからなっており、入力層は白丸、中間層は斜線
の入った丸、出力層は黒丸で示している。

【０１２１】音場制御ニューラルネットワーク１３ａの
入力は、時刻ｔにおけるｎ個のマイクロフォンの音圧感
知信号ｍ＝ｍ₁ ^s (t) 〜ｍ_n ^s (t) と、時刻（ｔ−１）
〜（ｔ−ｋ）迄の過去のデータｍ₁ ^a (t-1) 〜ｍ₁ ^a (t
-k) ，ｍ_n ^a (t-1) 〜ｍ_n ^a(t-k) と、ｎ個のラウドス
ピーカの（ｔ−１）〜（ｔ−ｋ）迄の過去における制御
力Ｓ₁ ^a (t-1) 〜Ｓ₁ ^a (t-k) ，Ｓ_n ^a (t-1) 〜Ｓ_n ^a
(t-k) とが入力層の各ニューロン素子に入力されてい
る。ここに、上添字のｓは検出信号を示し、同ａはニュ
ーラルネットによる処理信号を示している。

【０１２２】音場制御ニューラルネットワーク１３ａの
現在の時刻ｔにおける出力Ｏ_c1は、Ｏ_c1＝Ｓ₁ ^a (t) 〜
Ｓ_n ^a (t)であり、ｎ個のラウドスピーカに制御力とし
て出力されると共に、同定ニューラルネットワーク１５
の入力層の該当するニューロン素子に入力されている。

【０１２３】この出力Ｏ_c1＝Ｓ₁ ^a (t) 〜Ｓ_n ^a (t) の
過去のデータは記憶され、遅延器１９により音場制御ニ
ューラルネットワーク１３ａの入力層に入力されること
は前述の通りである。

【０１２４】同定ニューラルネットワーク１５の入力層
には、現時点ｔにおけるマイクロフォン音圧感知信号ｍ
＝ｍ₁ ^s (t) 〜ｍ_n ^s (t) と音圧感知信号の過去のデー
タｍ₁ ^a (t-1) 〜ｍ₁ ^a (t-k) ，ｍ_n ^a (t-1) 〜ｍ_n ^a
(t-k) とが入力されている。

【０１２５】また、構造制御ニューラルネットワーク１
３ｂの入力層には、ｎ個のピエゾ素

【外４】 ) が入力されている。また、ｎ個のピエゾ素子アクチュ
エータの過去の制御信号Ｐ₁ ^a (t-1) 〜Ｐ₁ ^a (t-k) ，
Ｐ_n ^a (t-1) 〜Ｐ_n ^a (t-k) が入力されている。

【０１２６】構造ニューラルネットワーク１３ｂの時刻
ｔにおける出力Ｏ_c2は、 Ｏ_c2＝Ｐ₁ ^a (t) 〜Ｐ_n ^a (t) である。この出力Ｏ_c2＝Ｐ₁ ^a (t) 〜Ｐ_n ^a (t) は、ｎ
個のピエゾ素子アクチュエータに出力されると共に、同
定ニューラルネットワーク１５の入力層に入力されてい
る。

【０１２７】また、出力Ｏ_c2＝Ｐ₁ ^a (t) 〜Ｐ_n ^a (t)
は前記同様逐次記憶され、過去のデータとして構造制御
ニューラルネットワーク１３ｂの入力層に入力されるの
は前述の通りである。

【０１２８】同定ニューラルネットワーク１５の入力層
には、時刻ｔにおける検出した車体

【外５】 る。

【０１２９】そして、同定ニューラルネットワーク１５
からは時刻ｔ＋Δｔにおけるマイク検出信号の予測値と
して Ｏ_f ＝ｍ₁ ^a (t＋Δt)〜ｍ_n ^a (t＋Δt) が出力され、ピエゾ素子センサの検出の予測値として

【数１０】 が出力される。

【０１３０】なお、同定ニューラルネットワーク１５の
出力Ｏ_f ＝ｍ₁ ^a (t＋Δt)〜ｍ_n ^a(t＋Δt)は逐次記憶
され、過去のデータとして同定ニューラルネットワーク
１５と音場制御ニューラルネットワーク１３ａとの各入
力層に入力されている。

【０１３１】

【外６】 _n ^a (t＋Δt)も逐次記憶され、過去のデータとして同定
ニューラルネットワーク１５の入力層及び構造制御ニュ
ーラルネットワーク１３ｂの入力層にそれぞれ入力され
ている。

【０１３２】従って、同定ニューラルネットワーク１５
の評価関数Ｅ_f は、

【数１１】 となる。

【０１３３】また、音場制御ニューラルネットワーク１
３ａの制御評価関数Ｅ_c は、

【数１２】 となる。

【０１３４】更に、構造制御ニューラルネットワーク１
３ｂの制御評価関数Ｅ_c は、

【数１３】 となる。

【０１３５】従って、これらの評価関数Ｅ_f ，Ｅ_c を用
いて上記のように同定ニューラルネットワーク１５と制
御ニューラルネットワーク１３との結合荷重Ｗの修正、
学習を適格に行なうことができる。

【０１３６】なお、この第１実施例では、同定ニューラ
ルネット、制御ニューラルネットの双方にＡＲＭＡモデ
ルを考慮したニューラルネットを用いているが、少なく
とも制御ニューラルネットにつきＡＲＭＡモデルを考慮
すればよい。

【０１３７】図２８は、この発明の第２実施例を示して
いる。この実施例は、アクティブコントロール装置を自
動車のサスペンションの振動制御に適用したものであ
る。

【０１３８】車体３２は、前輪３３と後輪３５とで路面
３７に接地している。このようなサスペンションにおい
て前輪３３と車体３２との間のバネ定数はＫ_F2、減衰係
数はＣ_F1であり、前輪３３と路面３７との間のバネ定数
はＫ_F1、減衰係数はＣ_F1である。また、後輪３５と車体
３２との間のバネ定数はＫ_R2であり、減衰係数はＣ_R1で
ある。後輪３５と路面３７との間のバネ定数はＫ_R1、減
衰係数はＣ_R1である。

【外７】 ある。

【０１３９】そして、前輪３３と車体３２との間には制
御力Ｐ_F を与えて振動低減を図る制振装置３９が設けら
れ、後輪３５と車体３２との間には制御力Ｐ_R を与えて
振動低減を図る制振装置４１が設けられている。

【０１４０】制御装置４０には、前輪３３側における路
面３７の凹凸Ｙ_0Fを検出する前輪側路面検出器４３及び
後輪３５側における路面の凹凸を検出する後輪側路面検
出器４５の信号が入力されるようになっている。

【０１４１】また、前輪３３の振動加速度を検出する前
輪振動加速度検出器４７と、後輪３５の振動加速度を検
出する後輪振動加速度検出器４９との出力信号が入力さ
れるようになっている。

【０１４２】更に、車体３２の前部振動加速度を検出す
る前部振動加速度検出器５１と、後輪側の振動加速度を
検出する後部振動加速度検出器５３とからの信号が入力
されるようになっている。

【０１４３】これら、検出器４３，４５，４７，４９，
５１，５３は、サスペンションの振動状態を検出する振
動状態検出手段を構成している。そして、制御装置４０
は、第１実施例同様にニューラルネットが用いられてお
り、検出器４３，４５，４７，４９，５１，５３の出力
が入力され、前記制振装置３９，４１を制御する信号を
出力する。また、当該出力信号に基づく制御予測値を制
御目標値と比較することにより、ニューラルネットの結
合荷重の修正を行なう構成となっている。

【０１４４】この制御装置４０のニューラルネットワー
クの構成は図２９のようになっている。

【０１４５】このニューラルネットも前記実施例同様、
制御ニューラルネット５５と同定ニューラルネット５７
とからなっている。制御ニューラルネット５５は、前輪
制御ニューラルネット５５ａと後輪制御ニューラルネッ
ト５５ｂとからなっている。各制御ニューラルネット５
５ａ，５５ｂは白丸の入力層と、斜線を施した丸で示す
２段の中間層と黒丸の出力層とからなっており、同定ニ
ューラルネット５７は白丸の入力層、斜線を施した丸の
中間層、黒丸の出力層からなっている。

【０１４６】そして、この実施例では、制御ニューラル
ネット５５のみをＡＲＭＡモデルを考慮したニューラル
ネットとしている。即ち、前輪制御ニューラルネット５
５ａの入力層には、時刻ｔにおける前輪側路面検出器４
３の検出信号Ｙ_0F ^s (t) 、前

【外８】 制御力Ｐ_F ^a (t) となる。この出力Ｐ_F ^a (t) は、同定
ニューラルネット１５に入力されると共に逐次記憶さ
れ、過去のデータＰ_F ^a (t-1) として前輪制御ニューラ
ルネット５５ａの入力層に入力されるようになってい
る。

【０１４７】また、後輪制御ニューラルネット５５ｂも
同様であり、入力は、検出器４５，

【外９】 ４１の制御力Ｏ_c ＝Ｐ_R ^a (t) の過去のデータＰ_R ^s (t
-1) となっている。出力Ｏ_c ＝Ｐ_R ^a (t) は制振装置４
１に出力されると共に、同定ニューラルネット１５に入
力されるようになっている。同定ニューラルネット１５
の入力層には、更

【外１０】 更に、同定ニューラルネット１５の入力層には、中間層
の出力が入力される構成となっている。これは、一般に
レカレント（recurrent ）と呼ばれ、信号のノイズを除
去することができる。レカレントは、例えば、中間層の
出力を再び中間層自体に入力することによっても行なう
ことができる。

【０１４８】同定ニューラルネット１５の出力Ｏ_f は、
次の時刻ｔ＋１における車体３２の振動加速度

【数１４】 となる。従って、同定ニューラルネット１５の評価関数
Ｅ_f は、

【数１５】 となり、制御ニューラルネット５５の評価関数Ｅ_c は、

【数１６】 となる。

【０１４９】従って、この実施例においても評価関数Ｅ
_f が所定以下となり、同定ニューラルネット５７が振動
入力に対する車体３２の動特性を正確に表しているなら
ば、評価関数Ｅ_c によって制御ニューラルネット５５の
結合荷重を修正、学習し、サスペンション制御の適格な
フィードフォワード制御を可能とする。

【０１５０】なお、第２実施例で設けた同定ニューラル
ネット５７のレカレントは、制御ニューラルネットに用
いることもでき、更に、第１実施例のニューラルネット
に適用することも可能である。また第２実施例では過去
のデータとして（ｔ−１）における１個のデータで説明
したが、第１実施例と同様にいくつかの時間遅れのデー
タも考慮することが可能である。

【０１５１】

【発明の効果】以上より明らかなように、この発明の構
成によれば以下のような効果を奏する。

【０１５２】請求項１の発明では、ニューラルネットを
用いた制御装置によりシステムの動特性を的確に同定す
ることができる。しかも探索領域を大きさの異なった多
領域に分割して探索を行なうため盲目的な探索を避ける
ことができ、探索に要する回数を減らすことができる。
しかもランダム探索を用いるため、ローカルな極小値へ
収束することを防止し、グローバルな最小値を的確に求
めることができる。したがって高速で精度のよい処理を
行なうことができる。

【０１５３】請求項２の発明では、探索領域を大きさの
異なった複数の領域に分割して、ランダム探索を行なう
ため、音又は振動状態の少なくとも一方を高速かつ精度
よく制御することができる。

【０１５４】請求項３の発明では、請求項１又は請求項
２の発明の効果に加え、領域の中での探索を複数回繰り
返すことによって、極小値を確実に検出することができ
る。したがって精度のよい処理を行なうことが可能であ
る。

【０１５５】請求項４の発明では、請求項３の発明の効
果に加え、検出値に応じてカウント数を減少することが
可能となり、より高速な処理が可能となる。

【０１５６】請求項５の発明では、請求項３の発明の効
果に加え、極小値が得られないことが明らかな場合にそ
の領域の処理を中止し、処理をより高速に行なうことが
可能である。

【０１５７】請求項６の発明では、請求項３の発明の効
果に加え、初期値に対する方向性に重み付けを行なうこ
とにより、より高速で精度のよい検出を行なうことがで
きる。

【０１５８】請求項７の発明では、ニューラルネットの
結合荷重を学習するときの学習する割合を制御パラメー
タとして修正するため、学習の割合を適切な値にするこ
とを高速かつ精度良く行なうことができ、最小値の検出
をより高速かつ高精度に行なうことができる。

【０１５９】請求項８の発明では、ニューラルネットを
領域の個数に応じて複数並列に備えたため、処理を高速
に行なうことができる。

【０１６０】請求項９の発明では、請求項２〜請求項８
の発明の効果に加え、車室内騒音をフィードフォワード
制御により的確に制御することができる。したがって車
室内騒音がエンジン音、エンジンからの入力、サスペン
ションからの入力、マフラーからの排気音、風切り音な
どの連成に基づく場合でも連成を的確に解析して、騒音
低減を図ることができる。

【０１６１】請求項１０の発明では、請求項２〜請求項
８の発明の効果に加え、サスペンションの信号制御をフ
ィードフォワードにより的確に制御することができる。
したがって高速道は勿論、オフロードであってもサスペ
ンションの振動特性を的確に解析し、車体振動の低減を
図ることができる。

【０１６２】請求項１１の発明では、請求項２〜請求項
１０のいずれかの発明の効果に加え、制御ニューラルネ
ットの他に同定ニューラルネットを設けることによっ
て、制御予測値を出力し、制御ニューラルネットの制御
パラメータの修正を的確に行なうことができる。

【０１６３】請求項１２の発明では、請求項２〜請求項
１１のいずれかの発明の効果に加え、検出制御の現時点
よりも前のデータを入力することによって、現時点より
も後の制御予測値を予測して出力するため、ランダムな
入力であっても音振状態を的確に予測することができ、
ランダムな入力に対して的確な制御が可能となる。

【図面の簡単な説明】

【図１】この発明の一実施例に係る概略ブロック図であ
る。

【図２】制御装置のブロック図である。

【図３】ニューラルネットの一部を示す説明図である。

【図４】シグモイド関数を示す説明図である。

【図５】最急降下法による収束状況を示す説明図であ
る。

【図６】ランダム探索法の概略図である。

【図７】ランダム探索法のフローチャートである。

【図８】一次元関数の形状を示す図である。

【図９】各初期値における収束状況を説明するグラフで
ある。

【図１０】ステップ数を変更した場合の説明図である。

【図１１】カウント数を変更した場合の説明図である。

【図１２】一自由度系ばね−質量モデルの説明図であ
る。

【図１３】一自由度系ばね−質量モデルの過渡応答の説
明図である。

【図１４】教師信号のグラフである。

【図１５】線形モデルの誤差の時刻歴のグラフである。

【図１６】同定結果のグラフである。

【図１７】片持梁にインパルス入力を行なう状況の説明
図である。

【図１８】片持梁の同定ニューラルシステムの説明図で
ある。

【図１９】片持梁のリアルタイム同定過程での誤差の履
歴を示すグラフである。

【図２０】ニューラルネットによる片持梁の同定結果の
グラフである。

【図２１】並列化ニューラルネットによる該略図であ
る。

【図２２】ＡＲＭＡモデルに基づいたニューラルネット
の説明図である。

【図２３】作用の概略説明図である。

【図２４】システムの応答図である。

【図２５】バックプロパゲーションの説明図である。

【図２６】フローチャートである。

【図２７】一実施例に係るニューラルネットの構成図で
ある。

【図２８】他の実施例に係る概略ブロック図である。

【図２９】他の実施例に係るニューラルネットワークの
構成図である。

【図３０】従来の能動型騒音制御装置の概略ブロック図
である。

【図３１】信号の干渉状態を示す説明図である。

【符号の説明】

１ 車室 ３ マイクロフォン（騒音状態検出手段、音振状態検出
手段） ７ ラウドスピーカ（制御音源、アクチュエータ） １１ 制御装置 ３９ 制振装置（アクチュエータ） ４０ 制御装置 ４１ 制振装置（アクチュエータ） ４３ 前輪側路面検出器（振動状態検出手段、音振状態
検出手段） ４５ 後輪側路面検出器（振動状態検出手段、音振状態
検出手段） ４７ 前輪振動加速度検出器（振動状態検出手段、音振
状態検出手段） ４９ 後輪振動加速度検出器（振動状態検出手段、音振
状態検出手段） ５１ 前部振動加速度検出器（振動状態検出手段、音振
状態検出手段） ５３ 後部振動加速度検出器（振動状態検出手段、音振
状態検出手段）

Claims (12)

【特許請求の範囲】
1. 【請求項１】 出力値と制御目標値との比較により制御
   パラメータを修正するニューラルネットを用いた制御装
   置を備え、 該制御装置は、前記制御パラメータの初期値をランダム
   に設定し、該初期値での制御目標値に対する出力値の感
   度を計算し、前記制御パラメータの許容範囲を複数の領
   域に分割し、前記感度に基づき前記各領域の中に前記制
   御パラメータのランダムな値を選んで制御目標値に対す
   る出力値の差の極小値を各領域で検出し、該各領域から
   得られた極小値の中から最小値を算出し、該最小値を次
   回の初期値として前記修正を行なうことを特徴とするア
   クティブコントロール装置。
2. 【請求項２】 音又は振動状態の少なくとも一方を制御
   するアクチュエータと、 音又は振動状態の少なくとも一方を検出する音振状態検
   出手段と、 前記音振状態検出手段の出力が入力され、前記アクチュ
   エータを制御する信号を出力すると共に、当該出力信号
   に基づく制御予測値を制御目標値と比較することにより
   制御パラメータを修正するニューラルネットを用いた制
   御装置とを備え、 該制御装置は、前記制御パラメータの初期値をランダム
   に設定し、該初期値での制御目標値に対する制御予測値
   の感度を計算し、前記制御パラメータの許容範囲を複数
   の領域に分割し、前記感度に基づき前記各領域の中に前
   記制御パラメータのランダムな値を選んで制御目標値に
   対する制御予測値の差の極小値を各領域で並列に検出
   し、該各領域から得られた極小値の中から最小値を算出
   し、該最小値を次回の初期値として前記修正を行なうこ
   とを特徴とするアクティブコントロール装置。
3. 【請求項３】 請求項１又は請求項２記載のアクティブ
   コントロール装置であって、 前記制御装置は、前記各領域の中に前記制御パラメータ
   のランダムな値を各々複数個選び、選んだ個数をカウン
   ト数として前記各領域での検出を、複数回繰り返すこと
   を特徴とするアクティブコントロール装置。
4. 【請求項４】 請求項３記載のアクティブコントロール
   装置であって、 前記制御装置は、前記各領域での前記カウント数の繰り
   返しによる検出値に応じて、前記各領域でのカウント数
   を変更することを特徴とするアクティブコントロール装
   置。
5. 【請求項５】 請求項３記載のアクティブコントロール
   装置であって、 前記制御装置は、前記各領域で前記カウント数の繰り返
   し中に極小値が得られないと判断するとき、該当する領
   域を制約リストに登録し、当該領域での極小値の検出を
   中止することを特徴とするアクティブコントロール装
   置。
6. 【請求項６】 請求項３記載のアクティブコントロール
   装置であって、 前記制御装置は、前記各領域での前記カウント数の繰り
   返しによる検出値に応じて、前記各領域で選ぶ制御パラ
   メータのランダムな値の初期値に対する方向性に重み付
   けを行なうことを特徴とするアクティブコントロール装
   置。
7. 【請求項７】 請求項１〜請求項６記載のアクティブコ
   ントロール装置であって、 前記制御パラメータは、前記ニューラルネットの結合荷
   重を学習するときの学習の割合であることを特徴とする
   アクティブコントロール装置。
8. 【請求項８】 請求項１〜請求項７記載のアクティブコ
   ントロール装置であって、 前記ニューラルネットは、前記領域の個数であるステッ
   プ数に応じて複数並列に備えられていることを特徴とす
   るアクティブコントロール装置。
9. 【請求項９】 請求項２〜請求項８のいずれかに記載の
   アクティブコントロール装置であって、 前記アクチュエータは、自動車の車室内騒音に干渉させ
   る制御音を発生して騒音低減を図る制御音源であり、 前記音振状態検出手段は、自動車の車室内の騒音状態を
   検出する騒音状態検出手段であることを特徴とするアク
   ティブコントロール装置。
10. 【請求項１０】 請求項２〜請求項８のいずれかに記載
    のアクティブコントロール装置であって、 前記アクチュエータは、自動車のサスペンションに制御
    力を与えて振動低減を図る制振装置であり、 前記音振状態検出手段は、自動車のサスペンションの振
    動状態を検出する振動状態検出手段であることを特徴と
    するアクティブコントロール装置。
11. 【請求項１１】 請求項２〜請求項１０のいずれかに記
    載のアクティブコントロール装置であって、 前記制御装置のニューラルネットは、制御ニューラルネ
    ットと同定ニューラルネットとからなり、 前記制御ニューラルネットは、前記音振状態検出手段の
    出力が入力されて前記アクチュエータを制御する信号を
    出力し、 前記同定ニューラルネットは、予め同定した前記アクチ
    ュエータの制御による自動車の応答に基づき前記制御予
    測値を出力することを特徴とするアクティブコントロー
    ル装置。
12. 【請求項１２】 請求項２〜請求項１１のいずれかに記
    載のアクティブコントロール装置であって、 前記制御装置は、前記音振状態検出手段が検出した現時
    点よりも前のデータとして、少なくとも前記アクチュエ
    ータの制御信号を入力するニューロン素子を有して現時
    点のアクチュエータの制御信号を出力し、前記検出時点
    よりも後の制御予測値を予測して出力することを特徴と
    するアクティブコントロール装置。