JPH0863203A - ニューラルネット制御方法及び装置 - Google Patents
ニューラルネット制御方法及び装置Info
- Publication number
- JPH0863203A JPH0863203A JP6199244A JP19924494A JPH0863203A JP H0863203 A JPH0863203 A JP H0863203A JP 6199244 A JP6199244 A JP 6199244A JP 19924494 A JP19924494 A JP 19924494A JP H0863203 A JPH0863203 A JP H0863203A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- value
- output
- input
- output value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 17
- 230000001537 neural effect Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 15
- 239000000701 coagulant Substances 0.000 description 13
- 238000010521 absorption reaction Methods 0.000 description 12
- 238000010438 heat treatment Methods 0.000 description 10
- 239000012535 impurity Substances 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000000746 purification Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】ニューラルネットワークの出力誤差を低減す
る。 【構成】二つ以上のニューラルネットワークを並列に備
え、各ニューラルネットワークの出力値を基に最終出力
値を算出し、更に最終出力値と教師信号とが一致するよ
うに該ニューラルネットワークの重み係数を更新する学
習手段を設ける。 【効果】出力精度を高めることができる。
る。 【構成】二つ以上のニューラルネットワークを並列に備
え、各ニューラルネットワークの出力値を基に最終出力
値を算出し、更に最終出力値と教師信号とが一致するよ
うに該ニューラルネットワークの重み係数を更新する学
習手段を設ける。 【効果】出力精度を高めることができる。
Description
【０００１】
【産業上の利用分野】本発明は、制御に利用されるニュ
ーラルネットワークの学習方法並びにニューラルネット
制御装置に関する。
ーラルネットワークの学習方法並びにニューラルネット
制御装置に関する。
【０００２】
【従来の技術】従来では、ニューラルネットワークを制
御に応用する場合、たとえば雑誌（計測自動制御学会論
文集Ｖol.２７，Ｎo.７，７８４／７９１(１９９１）
「ダイレクトニューロコントローラに関する一考察」）
に示されるように、ニューラルネットワークの出力は、
制御対象に出力される操作量や制御対象に接続されたコ
ントローラに出力される指令値に直接対応していた。
御に応用する場合、たとえば雑誌（計測自動制御学会論
文集Ｖol.２７，Ｎo.７，７８４／７９１(１９９１）
「ダイレクトニューロコントローラに関する一考察」）
に示されるように、ニューラルネットワークの出力は、
制御対象に出力される操作量や制御対象に接続されたコ
ントローラに出力される指令値に直接対応していた。
【０００３】
【発明が解決しようとする課題】上記従来技術において
は、ニューラルネットワークの出力値が制御対象に出力
される操作量やコントローラに出力される指令値に直接
対応しているため、ニューラルネットワークの持つ出力
誤差がそのまま操作量や指令値の誤差に相当し、制御精
度を低下させたり、制御系を不安定化させる問題があっ
た。
は、ニューラルネットワークの出力値が制御対象に出力
される操作量やコントローラに出力される指令値に直接
対応しているため、ニューラルネットワークの持つ出力
誤差がそのまま操作量や指令値の誤差に相当し、制御精
度を低下させたり、制御系を不安定化させる問題があっ
た。
【０００４】そこで本発明の目的は、ニューラルネット
ワークの出力誤差を低減し、高精度に制御を行うニュー
ラルネット制御装置及び制御方法を提供することにあ
る。
ワークの出力誤差を低減し、高精度に制御を行うニュー
ラルネット制御装置及び制御方法を提供することにあ
る。
【０００５】
【課題を解決するための手段】上記問題点は以下に示す
手段で解決できる。ニューラルネット制御装置を通常の
ニューラルネットワークである第１のニューラルネット
ワークと第１のニューラルネットワークの出力誤差を算
出する第２のニューラルネットワークから構成し、第１
のニューラルネットワークの出力値から第２のニューラ
ルネットワークの出力値を減じた値を最終的な出力とし
て操作量や指令値に対応させる。第２のニューラルネッ
トワークは第１のニューラルネットワークと同一の重み
係数を持ち、制御量誤差が０となる値や、目標制御量な
どの予め設定された一定値が入力され、この一定値近傍
での第１のニューラルネットワークの出力誤差を算出す
る。
手段で解決できる。ニューラルネット制御装置を通常の
ニューラルネットワークである第１のニューラルネット
ワークと第１のニューラルネットワークの出力誤差を算
出する第２のニューラルネットワークから構成し、第１
のニューラルネットワークの出力値から第２のニューラ
ルネットワークの出力値を減じた値を最終的な出力とし
て操作量や指令値に対応させる。第２のニューラルネッ
トワークは第１のニューラルネットワークと同一の重み
係数を持ち、制御量誤差が０となる値や、目標制御量な
どの予め設定された一定値が入力され、この一定値近傍
での第１のニューラルネットワークの出力誤差を算出す
る。
【０００６】この構成によるニューラルネット制御装置
では、第１のニューラルネットワークの出力値からこの
ときの出力値を減じるため、入力値が一定値の近傍であ
れば、制御精度を向上させることが可能である。しかし
ながら、従来技術によりニューラルネットワークの学習
を行った場合、第１のニューラルネットワークのみが学
習の対象となるため、同一の重み係数を持つ第２のニュ
ーラルネットワークの出力値は、前記一定値近傍の入力
値に対する第１のニューラルネットワークの出力誤差に
相当する。従って、入力値が一定値近傍のときは高精度
な出力精度が得られるが、一定値から隔たった場合は、
第２のニューラルネットワークの出力値は第１のニュー
ラルネットワークの出力誤差に対応しないため、ニュー
ラルネット制御装置の出力精度は低下してしまう。
では、第１のニューラルネットワークの出力値からこの
ときの出力値を減じるため、入力値が一定値の近傍であ
れば、制御精度を向上させることが可能である。しかし
ながら、従来技術によりニューラルネットワークの学習
を行った場合、第１のニューラルネットワークのみが学
習の対象となるため、同一の重み係数を持つ第２のニュ
ーラルネットワークの出力値は、前記一定値近傍の入力
値に対する第１のニューラルネットワークの出力誤差に
相当する。従って、入力値が一定値近傍のときは高精度
な出力精度が得られるが、一定値から隔たった場合は、
第２のニューラルネットワークの出力値は第１のニュー
ラルネットワークの出力誤差に対応しないため、ニュー
ラルネット制御装置の出力精度は低下してしまう。
【０００７】そこで、この問題点を解決し、予め決めら
れた一定値から隔たった入力値に対しても、良好な出力
精度を持った上記構成のニューラルネットワークを構築
する手段を付加する。上述した問題点は、第１のニュー
ラルネットワークに加えて、第２のニューラルネットワ
ークを学習の対象にすることにより解決できる。すなわ
ち、第１のニューラルネットワークの出力値から第２の
ニューラルネットワークの出力値を減じた値を教師信号
と比較し、両者が一致する方向に第１のニューラルネッ
トワークの重み係数を更新し、さらに第２のニューラル
ネットワークの重み係数を第１のニューラルネットワー
クの重み係数に一致させる操作を繰り返すことにより、
学習を行うニューラルネット学習手段を設けることによ
り解決される。
れた一定値から隔たった入力値に対しても、良好な出力
精度を持った上記構成のニューラルネットワークを構築
する手段を付加する。上述した問題点は、第１のニュー
ラルネットワークに加えて、第２のニューラルネットワ
ークを学習の対象にすることにより解決できる。すなわ
ち、第１のニューラルネットワークの出力値から第２の
ニューラルネットワークの出力値を減じた値を教師信号
と比較し、両者が一致する方向に第１のニューラルネッ
トワークの重み係数を更新し、さらに第２のニューラル
ネットワークの重み係数を第１のニューラルネットワー
クの重み係数に一致させる操作を繰り返すことにより、
学習を行うニューラルネット学習手段を設けることによ
り解決される。
【０００８】
【作用】前記一定値近傍では第２のニューラルネットワ
ークが第１のニューラルネットワークの出力誤差を高精
度に算出し、一定値から隔たった場合でも、第１のニュ
ーラルネットワークと第２のニューラルネットワークか
ら算出した最終的な出力値と教師信号とを比較して学習
を行っているため、良好な出力精度が保証される。従っ
て、一定値近傍の入力値におけるニューラルネット演算
手段の出力精度を低下させることなく、該一定値から隔
たった入力値に対して高精度な出力値を算出できる。
ークが第１のニューラルネットワークの出力誤差を高精
度に算出し、一定値から隔たった場合でも、第１のニュ
ーラルネットワークと第２のニューラルネットワークか
ら算出した最終的な出力値と教師信号とを比較して学習
を行っているため、良好な出力精度が保証される。従っ
て、一定値近傍の入力値におけるニューラルネット演算
手段の出力精度を低下させることなく、該一定値から隔
たった入力値に対して高精度な出力値を算出できる。
【０００９】
【実施例】以下、本発明の実施例を図に従って詳細に説
明する。図１に本発明によって実現されたニューラルネ
ット制御装置の構成を示す。ニューラルネット制御装置
１００は制御対象１０４に与える望ましい指令値を算出
し、コントローラ１０３に出力する。コントローラ１０
３ではニューラルネット制御装置１００より与えられた
指令値を基に制御対象１０４に備えられたアクチュエー
タ１０６に指令値を出力する。制御対象１０４には制御
量を検出する第１のセンサ１０９及び制御量以外の制御
対象１０４の状態を検出する第２のセンサ１１０が備え
られており、これらにより検出された信号はニューラル
ネット制御装置１００に送られる。まず、ニューラルネ
ット制御装置１００の処理の流れを説明する。ニューラ
ルネット制御装置１００は指令値算出手段１０２，目標
値格納部１０７，ニューラルネットにより演算を行うニ
ューラルネット演算手段１０１，ニューラルネット学習
手段１１１により構成される。目標値格納部１０７には
制御対象１０４の目標とする制御量である値が格納され
ており、その値はたとえば入力手段１０８により設定，
変更される。指令値算出手段１０２は、制御対象１０４
をモデル化したモデル１０５を基に制御対象１０４の出
力が目標値と一致するようにコントローラ１０３へ出力
する指令値を算出する。ニューラルネット演算手段１０
１は、第１の入力値である、第１のセンサ１０９により
取り込んだ制御量とモデル105を用いて算出された制御
量との差分を用いて、この差分を減少させるようにモデ
ル１０５のパラメータを修正する。差分とパラメータの
修正量の関係に制御対象の状態を表す他の値が影響を与
えている場合は、影響を与えている値を第２の入力値と
して第２のセンサ１１０より取り込み、ニューラルネッ
ト演算手段１０１に入力する。指令値算出手段１０２は
モデル１０５が修正される度に、修正されたモデル１０
５を基に指令値を再計算し、計算結果をコントローラ１
０３に出力する。ニューラルネット学習手段１１１は、
上記処理に必要なニューラルネット演算手段１０１の演
算内容を記憶手段１１２を参照して重み係数変更手段１
１３により決定する。
明する。図１に本発明によって実現されたニューラルネ
ット制御装置の構成を示す。ニューラルネット制御装置
１００は制御対象１０４に与える望ましい指令値を算出
し、コントローラ１０３に出力する。コントローラ１０
３ではニューラルネット制御装置１００より与えられた
指令値を基に制御対象１０４に備えられたアクチュエー
タ１０６に指令値を出力する。制御対象１０４には制御
量を検出する第１のセンサ１０９及び制御量以外の制御
対象１０４の状態を検出する第２のセンサ１１０が備え
られており、これらにより検出された信号はニューラル
ネット制御装置１００に送られる。まず、ニューラルネ
ット制御装置１００の処理の流れを説明する。ニューラ
ルネット制御装置１００は指令値算出手段１０２，目標
値格納部１０７，ニューラルネットにより演算を行うニ
ューラルネット演算手段１０１，ニューラルネット学習
手段１１１により構成される。目標値格納部１０７には
制御対象１０４の目標とする制御量である値が格納され
ており、その値はたとえば入力手段１０８により設定，
変更される。指令値算出手段１０２は、制御対象１０４
をモデル化したモデル１０５を基に制御対象１０４の出
力が目標値と一致するようにコントローラ１０３へ出力
する指令値を算出する。ニューラルネット演算手段１０
１は、第１の入力値である、第１のセンサ１０９により
取り込んだ制御量とモデル105を用いて算出された制御
量との差分を用いて、この差分を減少させるようにモデ
ル１０５のパラメータを修正する。差分とパラメータの
修正量の関係に制御対象の状態を表す他の値が影響を与
えている場合は、影響を与えている値を第２の入力値と
して第２のセンサ１１０より取り込み、ニューラルネッ
ト演算手段１０１に入力する。指令値算出手段１０２は
モデル１０５が修正される度に、修正されたモデル１０
５を基に指令値を再計算し、計算結果をコントローラ１
０３に出力する。ニューラルネット学習手段１１１は、
上記処理に必要なニューラルネット演算手段１０１の演
算内容を記憶手段１１２を参照して重み係数変更手段１
１３により決定する。
【００１０】次に、各部の詳細な構成及び処理について
説明する。制御対象１０４として本実施例では熱間圧延
における加熱炉プラントを例に説明する。図２に加熱炉
の構成を示す。加熱炉２００では、加熱される材料であ
るスラブ２０４が加熱炉入り口より挿入され、加熱炉出
側に移動する間にガスバーナ２０１により加熱される。
図１との対応において、アクチュエータ１０６はガスバ
ーナ２０１に対応し、第１のセンサ１０９はスラブ２０
４の出口での表面温度を測定する温度計２０３に対応す
る。また、第２のセンサ１１０はスラブ２０４の挿入温
度を測定する温度計２０５，加熱炉２００の炉内温度を
測定する温度計２０２に対応している。加熱炉プラント
では、スラブ２０４の出口温度をガスバーナ２０１の適
切な操作により、目標温度にすることが制御目標とな
る。
説明する。制御対象１０４として本実施例では熱間圧延
における加熱炉プラントを例に説明する。図２に加熱炉
の構成を示す。加熱炉２００では、加熱される材料であ
るスラブ２０４が加熱炉入り口より挿入され、加熱炉出
側に移動する間にガスバーナ２０１により加熱される。
図１との対応において、アクチュエータ１０６はガスバ
ーナ２０１に対応し、第１のセンサ１０９はスラブ２０
４の出口での表面温度を測定する温度計２０３に対応す
る。また、第２のセンサ１１０はスラブ２０４の挿入温
度を測定する温度計２０５，加熱炉２００の炉内温度を
測定する温度計２０２に対応している。加熱炉プラント
では、スラブ２０４の出口温度をガスバーナ２０１の適
切な操作により、目標温度にすることが制御目標とな
る。
【００１１】指令値算出手段１０２のモデル１０５に
は、スラブ２０４に与えられる輻射伝熱量がモデル化さ
れている。輻射伝熱量に対応したモデルは、ステファン
ボルツマンの熱伝導方程式が代表的である。（１）式に
一般的なステファンボルツマンの熱伝導方程式を示す。
は、スラブ２０４に与えられる輻射伝熱量がモデル化さ
れている。輻射伝熱量に対応したモデルは、ステファン
ボルツマンの熱伝導方程式が代表的である。（１）式に
一般的なステファンボルツマンの熱伝導方程式を示す。
【００１２】
【数１】
【００１３】ここでＱは炉からスラブへの伝熱量、Ｔは
炉内温度であり、温度計２０２により検出される。θは
スラブ２０４の温度、φcgは総括熱吸収係数と呼ばれる
伝熱係数である。総括熱吸収係数の値を厳密に算出する
のは一般に困難であり、本実施例ではニューラルネット
演算手段１０１によりこの総括熱吸収係数を加熱炉２０
０の総括熱吸収係数と一致するようにチューニングす
る。指令値算出手段１０２はこのモデル１０５を基にス
ラブ２０４の加熱炉出口での温度が目標温度を満足する
ような炉温指令値を算出し、計算結果をコントローラ１
０３に出力する。コントローラ１０３は炉温と指令値が
一致するようにガスバーナ２０１の燃料流量を制御す
る。
炉内温度であり、温度計２０２により検出される。θは
スラブ２０４の温度、φcgは総括熱吸収係数と呼ばれる
伝熱係数である。総括熱吸収係数の値を厳密に算出する
のは一般に困難であり、本実施例ではニューラルネット
演算手段１０１によりこの総括熱吸収係数を加熱炉２０
０の総括熱吸収係数と一致するようにチューニングす
る。指令値算出手段１０２はこのモデル１０５を基にス
ラブ２０４の加熱炉出口での温度が目標温度を満足する
ような炉温指令値を算出し、計算結果をコントローラ１
０３に出力する。コントローラ１０３は炉温と指令値が
一致するようにガスバーナ２０１の燃料流量を制御す
る。
【００１４】図３に、ニューラルネット演算手段１０１
の構成を示す。ニューラルネット演算手段１０１は第１
のニューラルネットワーク３０１と第２のニューラルネ
ットワーク３０２により構成される。第１のニューラル
ネットワーク３０１では総括熱吸収係数の修正量が、第
２のニューラルネットワーク３０２では第１のニューラ
ルネットワーク３０１によって計算された修正量の誤差
分が計算される。第１のニューラルネットワーク３０１
は、第１の入力値として、温度計２０３から実際に取り
込んだ制御量とモデル１０５を用いて算出された制御量
との差分（以下、「制御量−モデルの制御量」）が入力
される。また、第２の入力値として、温度計２０２と２
０５よりそれぞれ取り込んだ炉内温度とスラブ２０４の
挿入温度、さらにモデル１０５で現在設定されている総
括熱吸収係数が入力される。これらの入力値に対応し
て、第１のニューラルネットワーク３０１は差分を減少
させる総括熱吸収係数の修正量を算出する。第２のニュ
ーラルネットワーク３０２は第１のニューラルネットワ
ーク３０１と同一の構成となっており、「制御量−モデ
ルの制御量」に対応する入力に０が入力され、他の入力
に関しては、第１のニューラルネットワーク３０１と同
一の値である第２の入力値が入力される。このとき、
「制御量−モデルの制御量」が０のときの第１のニュー
ラルネットワーク３０１の理想出力は「０」であるた
め、第２のニューラルネットワーク３０２の出力値は
「制御量−モデルの制御量」が０のときの第１のニュー
ラルネットワーク３０１の出力誤差を算出することにな
る。また、「制御量−モデルの制御量」が０近傍以外の
入力に対する第２のニューラルネット３０１の出力値
は、後述するニューラルネット学習手段１１１の行う学
習により、「制御量−モデルの制御量」の各値に対応し
て第１のニューラルネットワーク３０１の出力誤差を良
好に算出する。最終的に、第１のニューラルネットワー
ク３０１の出力値から第２のニューラルネットワーク３
０２の出力値を減じたものがニューラルネット演算手段
１０１の出力値となる。この出力値がモデル１０５に送
出され、この値に従ってモデル１０５の総括熱吸収係数
が修正される。
の構成を示す。ニューラルネット演算手段１０１は第１
のニューラルネットワーク３０１と第２のニューラルネ
ットワーク３０２により構成される。第１のニューラル
ネットワーク３０１では総括熱吸収係数の修正量が、第
２のニューラルネットワーク３０２では第１のニューラ
ルネットワーク３０１によって計算された修正量の誤差
分が計算される。第１のニューラルネットワーク３０１
は、第１の入力値として、温度計２０３から実際に取り
込んだ制御量とモデル１０５を用いて算出された制御量
との差分（以下、「制御量−モデルの制御量」）が入力
される。また、第２の入力値として、温度計２０２と２
０５よりそれぞれ取り込んだ炉内温度とスラブ２０４の
挿入温度、さらにモデル１０５で現在設定されている総
括熱吸収係数が入力される。これらの入力値に対応し
て、第１のニューラルネットワーク３０１は差分を減少
させる総括熱吸収係数の修正量を算出する。第２のニュ
ーラルネットワーク３０２は第１のニューラルネットワ
ーク３０１と同一の構成となっており、「制御量−モデ
ルの制御量」に対応する入力に０が入力され、他の入力
に関しては、第１のニューラルネットワーク３０１と同
一の値である第２の入力値が入力される。このとき、
「制御量−モデルの制御量」が０のときの第１のニュー
ラルネットワーク３０１の理想出力は「０」であるた
め、第２のニューラルネットワーク３０２の出力値は
「制御量−モデルの制御量」が０のときの第１のニュー
ラルネットワーク３０１の出力誤差を算出することにな
る。また、「制御量−モデルの制御量」が０近傍以外の
入力に対する第２のニューラルネット３０１の出力値
は、後述するニューラルネット学習手段１１１の行う学
習により、「制御量−モデルの制御量」の各値に対応し
て第１のニューラルネットワーク３０１の出力誤差を良
好に算出する。最終的に、第１のニューラルネットワー
ク３０１の出力値から第２のニューラルネットワーク３
０２の出力値を減じたものがニューラルネット演算手段
１０１の出力値となる。この出力値がモデル１０５に送
出され、この値に従ってモデル１０５の総括熱吸収係数
が修正される。
【００１５】図４にニューラルネット演算手段１０１が
行う処理のフローチャートを示す。ｓ４−１で、温度計
２０３で検出された制御量（以下、ｙ）とモデル１０５
を用いて算出された制御量(以下、ｙd）の差分及び、制
御量以外のパラメータ群である炉内温度，挿入温度，総
括熱吸収係数を第１のニューラルネットワーク３０１へ
入力し、演算結果を修正量１とする。ｓ４−２で、ｙ−
ｙd に対応した入力に０を入力し第２のニューラルネッ
トワーク３０２に演算させる。このときの演算結果を誤
差量とする。ｓ４−３では、ｓ４−１で得られた修正量
１からｓ４−２で得られた誤差量を引いたものを修正量
２とする。ｓ４−４で修正量２を出力し、処理終了とな
る。
行う処理のフローチャートを示す。ｓ４−１で、温度計
２０３で検出された制御量（以下、ｙ）とモデル１０５
を用いて算出された制御量(以下、ｙd）の差分及び、制
御量以外のパラメータ群である炉内温度，挿入温度，総
括熱吸収係数を第１のニューラルネットワーク３０１へ
入力し、演算結果を修正量１とする。ｓ４−２で、ｙ−
ｙd に対応した入力に０を入力し第２のニューラルネッ
トワーク３０２に演算させる。このときの演算結果を誤
差量とする。ｓ４−３では、ｓ４−１で得られた修正量
１からｓ４−２で得られた誤差量を引いたものを修正量
２とする。ｓ４−４で修正量２を出力し、処理終了とな
る。
【００１６】次に、ニューラルネットワーク３０１（本
実施例では、第１のニューラルネットワークと第２のニ
ューラルネットワークは同一構成のため第１のニューラ
ルネットワークの説明のみ行う）の詳細な説明を行う。
図５に、第１のニューラルネットワーク３０１の構造を
示す。第１のニューラルネットワーク３０１は、ニュー
ロン５０１がシナプス５０２により層状に連結されて構
成される。図５の例では入力層５０３，中間層５０４，
出力層５０５からなる３層構造のネットワークを示して
いるが、中間層５０４を複数備えた４層以上のネットワ
ークを構築してもよい。入力層５０３に入力された入力
をＩi ，中間層５０４の出力をＭj とすれば、Ｉi とＭ
j の関係はたとえば次のような式で与えられる。
実施例では、第１のニューラルネットワークと第２のニ
ューラルネットワークは同一構成のため第１のニューラ
ルネットワークの説明のみ行う）の詳細な説明を行う。
図５に、第１のニューラルネットワーク３０１の構造を
示す。第１のニューラルネットワーク３０１は、ニュー
ロン５０１がシナプス５０２により層状に連結されて構
成される。図５の例では入力層５０３，中間層５０４，
出力層５０５からなる３層構造のネットワークを示して
いるが、中間層５０４を複数備えた４層以上のネットワ
ークを構築してもよい。入力層５０３に入力された入力
をＩi ，中間層５０４の出力をＭj とすれば、Ｉi とＭ
j の関係はたとえば次のような式で与えられる。
【００１７】
【数２】 Ｍj ＝ｆ(ｕj） …（２）
【００１８】
【数３】
【００１９】
【数４】 ｕj ＝ΣＩi Ｗij−θj …（４） Ｗij（ｊは中間層ニューロンの番号）は、ｉ番目の入力
ニューロンとｊ番目の中間層ニューロンを結ぶシナプス
５０２に与えられている重み、θj はニューロンｊに対
応した定数、ｆ(ｕj）は一般に微分可能な単調飽和関数
が用いられるが、通常（２）式のようなシグモイド関数
が用いられる。さらに、このように得られたＭj を用い
ると、出力層５０５におけるｋ番目のニューロンの出力
Ｏk は、
ニューロンとｊ番目の中間層ニューロンを結ぶシナプス
５０２に与えられている重み、θj はニューロンｊに対
応した定数、ｆ(ｕj）は一般に微分可能な単調飽和関数
が用いられるが、通常（２）式のようなシグモイド関数
が用いられる。さらに、このように得られたＭj を用い
ると、出力層５０５におけるｋ番目のニューロンの出力
Ｏk は、
【００２０】
【数５】 Ｏk ＝ｆ(ｕk） …（５）
【００２１】
【数６】
【００２２】
【数７】 ｕk ＝ΣＭj Ｖjk−θk …（７） となる。Ｖjkはｊ番目の中間層ニューロンとｋ番目の出
力層ニューロンを結ぶ重み、θk は出力層ニューロンに
対応した定数である。以上のようにしてニューラルネッ
ト演算手段１０１では、入力Ｉi に対応した出力Ｏk を
決定する演算が行われる。ニューラルネット演算手段１
０１では第２のニューラルネットワーク３０２を第１の
ニューラルネットワーク３０１と同一構造としていた
が、温度計２０３より検出した制御量とモデル１０５を
用いて算出した制御量との差分に対応する入力層５０３
でのニューロンとこれにつながるシナプスを欠落させた
構成でもよい。
力層ニューロンを結ぶ重み、θk は出力層ニューロンに
対応した定数である。以上のようにしてニューラルネッ
ト演算手段１０１では、入力Ｉi に対応した出力Ｏk を
決定する演算が行われる。ニューラルネット演算手段１
０１では第２のニューラルネットワーク３０２を第１の
ニューラルネットワーク３０１と同一構造としていた
が、温度計２０３より検出した制御量とモデル１０５を
用いて算出した制御量との差分に対応する入力層５０３
でのニューロンとこれにつながるシナプスを欠落させた
構成でもよい。
【００２３】次に、ニューラルネット学習手段１１１の
構成及び処理について説明する。ニューラルネット学習
手段１１１は、記憶手段１１２，重み係数変更手段１１
３から構成される。記憶手段１１２には、ニューラルネ
ット演算手段１０１に学習させたい入力信号と出力信号
の関係（以下、入出力ペア）が複数個格納されている。
本実施例では「制御量−モデルの制御量」，炉内温度，
スラブ挿入温度，総括熱吸収係数が入力信号に対応し、
これら入力に対応した総括熱吸収係数の修正量が出力信
号に対応する。重み係数変更手段１１３は記憶手段１１
２より入出力ペアを取り込み、これらを基にニューラル
ネット演算手段１０１の重み係数Ｗij，Ｖjk及び定数θ
i ，θj を修正し学習を行う。入力手段１０８は、ユー
ザが記憶手段１１２に入出力ペアを入力したり、重み係
数変更手段１１３の学習パラメータを変更するのに利用
する。出力手段１１４は、学習前において入出力ペアの
モニタや、第１のニューラルネットワーク３０１の構造
の把握等に利用する。学習中では、たとえば、第１のニ
ューラルネットワーク３０１と第２のニューラルネット
ワーク３０２の出力値及び両者から算出される最終出力
値のそれぞれの値と教師信号との誤差をそれぞれ表示す
ることにより、各ニューラルネットワークの出力特性や
学習状況の把握に利用する。このときの様子を図６に示
す。出力手段１１４はＣＲＴや液晶ディスプレイなどで
実現され、スクリーン６０４上に表示される６０１は
「第１のニューラルネットワーク３０１の出力値と入出
力ペアの出力信号との誤差、６０２は「制御量−モデル
の制御量」の値が０のときの第２のニューラルネットワ
ーク３０２の出力値と該出力信号との誤差、６０３は第
１のニューラルネットワーク３０１の出力値から第２の
ニューラルネットワーク３０２の出力値を減じた値と該
出力信号との誤差を示している。図７に本発明で実施さ
れた重み係数変更手段１１３による処理のフローチャー
トを示す。Ｓ７−１で、重み係数変更手段１１３は記憶
手段１１２より入出力ペアを一つ取り込む。次に６−２
で、取り込んだ入出力ペアの入力信号のうち、「制御量
−モデルの制御量」が０かどうか判定する。０でなけれ
ば、「制御量−モデルの制御量」が０近傍での出力精度
を保ちつつ、「制御量−モデルの制御量」の値が０から
隔たった場合でも良好な出力精度を得るために、第１の
ニューラルネットワーク３０１と第２のニューラルネッ
トワーク３０２を用いて算出した出力値と入出力ペアの
出力信号を比較して学習を行う。このときの処理をＳ７
−３からＳ７−６で行う。０ならば、第１のニューラル
ネットワーク３０１と第２のニューラルネットワーク３
０２の出力値が等しくなり、最終出力値が０となるた
め、第１のニューラルネットワーク３０１と第２のニュ
ーラルネットワーク３０２を用いた学習では、重み係数
の更新が行われない。このため、第１のニューラルネッ
トワーク301のみを対象として学習を行う。このときの
処理をＳ７−７からＳ７−１０で行う。Ｓ７−３では、
取り込んだ入出力ペアのうち入力信号を第１のニューラ
ルネットワーク３０１と第２のニューラルネットワーク
３０２にそれぞれ提示する。第２のニューラルネットワ
ーク３０２では、入力信号のうちの「制御量−モデルの
制御量」に代わって０が入力される。Ｓ７−４で、第１
のニューラルネットワーク３０１と第２のニューラルネ
ットワーク３０２はそれぞれの入力信号に従って演算を
行い、第１のニューラルネットワーク３０１の出力値か
ら第２のニューラルネットワーク３０２の出力値を減じ
た値を重み係数変更手段１１３に送出する。Ｓ７−５で
重み係数変更手段１１３は、送出されたニューラルネッ
ト演算手段１０１の出力値と入出力ペアの出力信号が一
致する方向に、第１のニューラルネットワーク３０１の
重み係数Ｗj ,Ｖj 及び定数θi ,θj を更新する。
Ｗij，Ｖjk及びθi ，θj の修正は、たとえば、入出力
ペアの出力信号と、それに対応したニューラルネット演
算手段１０１の出力との差分の２乗和が減少するように
行う。次式にこのときの誤差関数を示す。
構成及び処理について説明する。ニューラルネット学習
手段１１１は、記憶手段１１２，重み係数変更手段１１
３から構成される。記憶手段１１２には、ニューラルネ
ット演算手段１０１に学習させたい入力信号と出力信号
の関係（以下、入出力ペア）が複数個格納されている。
本実施例では「制御量−モデルの制御量」，炉内温度，
スラブ挿入温度，総括熱吸収係数が入力信号に対応し、
これら入力に対応した総括熱吸収係数の修正量が出力信
号に対応する。重み係数変更手段１１３は記憶手段１１
２より入出力ペアを取り込み、これらを基にニューラル
ネット演算手段１０１の重み係数Ｗij，Ｖjk及び定数θ
i ，θj を修正し学習を行う。入力手段１０８は、ユー
ザが記憶手段１１２に入出力ペアを入力したり、重み係
数変更手段１１３の学習パラメータを変更するのに利用
する。出力手段１１４は、学習前において入出力ペアの
モニタや、第１のニューラルネットワーク３０１の構造
の把握等に利用する。学習中では、たとえば、第１のニ
ューラルネットワーク３０１と第２のニューラルネット
ワーク３０２の出力値及び両者から算出される最終出力
値のそれぞれの値と教師信号との誤差をそれぞれ表示す
ることにより、各ニューラルネットワークの出力特性や
学習状況の把握に利用する。このときの様子を図６に示
す。出力手段１１４はＣＲＴや液晶ディスプレイなどで
実現され、スクリーン６０４上に表示される６０１は
「第１のニューラルネットワーク３０１の出力値と入出
力ペアの出力信号との誤差、６０２は「制御量−モデル
の制御量」の値が０のときの第２のニューラルネットワ
ーク３０２の出力値と該出力信号との誤差、６０３は第
１のニューラルネットワーク３０１の出力値から第２の
ニューラルネットワーク３０２の出力値を減じた値と該
出力信号との誤差を示している。図７に本発明で実施さ
れた重み係数変更手段１１３による処理のフローチャー
トを示す。Ｓ７−１で、重み係数変更手段１１３は記憶
手段１１２より入出力ペアを一つ取り込む。次に６−２
で、取り込んだ入出力ペアの入力信号のうち、「制御量
−モデルの制御量」が０かどうか判定する。０でなけれ
ば、「制御量−モデルの制御量」が０近傍での出力精度
を保ちつつ、「制御量−モデルの制御量」の値が０から
隔たった場合でも良好な出力精度を得るために、第１の
ニューラルネットワーク３０１と第２のニューラルネッ
トワーク３０２を用いて算出した出力値と入出力ペアの
出力信号を比較して学習を行う。このときの処理をＳ７
−３からＳ７−６で行う。０ならば、第１のニューラル
ネットワーク３０１と第２のニューラルネットワーク３
０２の出力値が等しくなり、最終出力値が０となるた
め、第１のニューラルネットワーク３０１と第２のニュ
ーラルネットワーク３０２を用いた学習では、重み係数
の更新が行われない。このため、第１のニューラルネッ
トワーク301のみを対象として学習を行う。このときの
処理をＳ７−７からＳ７−１０で行う。Ｓ７−３では、
取り込んだ入出力ペアのうち入力信号を第１のニューラ
ルネットワーク３０１と第２のニューラルネットワーク
３０２にそれぞれ提示する。第２のニューラルネットワ
ーク３０２では、入力信号のうちの「制御量−モデルの
制御量」に代わって０が入力される。Ｓ７−４で、第１
のニューラルネットワーク３０１と第２のニューラルネ
ットワーク３０２はそれぞれの入力信号に従って演算を
行い、第１のニューラルネットワーク３０１の出力値か
ら第２のニューラルネットワーク３０２の出力値を減じ
た値を重み係数変更手段１１３に送出する。Ｓ７−５で
重み係数変更手段１１３は、送出されたニューラルネッ
ト演算手段１０１の出力値と入出力ペアの出力信号が一
致する方向に、第１のニューラルネットワーク３０１の
重み係数Ｗj ,Ｖj 及び定数θi ,θj を更新する。
Ｗij，Ｖjk及びθi ，θj の修正は、たとえば、入出力
ペアの出力信号と、それに対応したニューラルネット演
算手段１０１の出力との差分の２乗和が減少するように
行う。次式にこのときの誤差関数を示す。
【００２４】
【数８】
【００２５】（Ｏ1)k は第１のニューラルネットワーク
３０１におけるｋ番目の出力層からの出力値、（Ｏ2)k
は第２のニューラルネットワーク３０２におけるｋ番目
の出力層からの出力値、Ｔk は、ニューラルネット演算
手段１０１の出力値（(Ｏ1)k−(Ｏ2)k）に対応した入出
力ペアの出力信号である。このエネルギー関数を減少さ
せ、最小値を与える重み係数の算出を目的とした重み係
数の修正方法は種々の方法が提案されており、代表的手
法として最急降下法を用いた誤差逆伝播学習法がある。
最急降下法による重みＷij，Ｖjk及び定数θi，θjの修
正手順の一例を（９)，(１０)，（１１)，(１２）式に
示す。Ｗij(ｎ)，Ｖjk(ｎ)，θi(ｎ)，θj(ｎ）はそれ
ぞれ、修正ｎ回目の重みＷij，Ｖjk，定数θi，θjを表
し、αは修正量を調節する定数である。
３０１におけるｋ番目の出力層からの出力値、（Ｏ2)k
は第２のニューラルネットワーク３０２におけるｋ番目
の出力層からの出力値、Ｔk は、ニューラルネット演算
手段１０１の出力値（(Ｏ1)k−(Ｏ2)k）に対応した入出
力ペアの出力信号である。このエネルギー関数を減少さ
せ、最小値を与える重み係数の算出を目的とした重み係
数の修正方法は種々の方法が提案されており、代表的手
法として最急降下法を用いた誤差逆伝播学習法がある。
最急降下法による重みＷij，Ｖjk及び定数θi，θjの修
正手順の一例を（９)，(１０)，（１１)，(１２）式に
示す。Ｗij(ｎ)，Ｖjk(ｎ)，θi(ｎ)，θj(ｎ）はそれ
ぞれ、修正ｎ回目の重みＷij，Ｖjk，定数θi，θjを表
し、αは修正量を調節する定数である。
【００２６】
【数９】
【００２７】
【数１０】
【００２８】
【数１１】
【００２９】
【数１２】
【００３０】上式の処理を全ての重みについて行うこと
により、ｎ＋１回目の修正が終了する。この手法のより
詳細は、たとえば、雑誌（David E. Rumelhart. geoffr
eye.Hinton & ronald J. williams.“Learning represe
ntations by back-propagating error.”Nature. Ｖol.
３２３，Ｎo.９，第５３３項〜第５３６項,１０月，１
９８６年）に記載されている。Ｓ７−６で重み係数変更
手段１１３は第２のニューラルネットワーク３０２の重
み係数を第１のニューラルネットワーク３０１の修正さ
れた重み係数と一致させ、処理をＳ７−１０に移す。Ｓ
７−７では、取り込んだ入出力ペアのうちの入力信号を
第１のニューラルネットワーク３０１にのみ提示する。
Ｓ７−８で第１のニューラルネットワーク３０１は、提
示された入力信号を基に演算を行い出力値を重み係数変
更手段１１３に送出する。Ｓ７−９で、重み係数変更手
段１１３は第１のニューラルネットワーク３０１により
送出された値と入出力ペアの出力信号が一致する方向に
第１のニューラルネットワーク３０１の重み係数Ｗj，
Ｖj及び定数θi，θjを更新する。Ｗij，Ｖjk及びθi，
θjの修正は、Ｓ７−５での処理と同様に行い、このと
きのエネルギー関数は次式で与えられる。
により、ｎ＋１回目の修正が終了する。この手法のより
詳細は、たとえば、雑誌（David E. Rumelhart. geoffr
eye.Hinton & ronald J. williams.“Learning represe
ntations by back-propagating error.”Nature. Ｖol.
３２３，Ｎo.９，第５３３項〜第５３６項,１０月，１
９８６年）に記載されている。Ｓ７−６で重み係数変更
手段１１３は第２のニューラルネットワーク３０２の重
み係数を第１のニューラルネットワーク３０１の修正さ
れた重み係数と一致させ、処理をＳ７−１０に移す。Ｓ
７−７では、取り込んだ入出力ペアのうちの入力信号を
第１のニューラルネットワーク３０１にのみ提示する。
Ｓ７−８で第１のニューラルネットワーク３０１は、提
示された入力信号を基に演算を行い出力値を重み係数変
更手段１１３に送出する。Ｓ７−９で、重み係数変更手
段１１３は第１のニューラルネットワーク３０１により
送出された値と入出力ペアの出力信号が一致する方向に
第１のニューラルネットワーク３０１の重み係数Ｗj，
Ｖj及び定数θi，θjを更新する。Ｗij，Ｖjk及びθi，
θjの修正は、Ｓ７−５での処理と同様に行い、このと
きのエネルギー関数は次式で与えられる。
【００３１】
【数１３】
【００３２】次に処理をＳ７−１０に移し、第２のニュ
ーラルネットワーク３０２の重み係数を第１のニューラ
ルネットワーク３０１の修正された重み係数と一致させ
る。Ｓ７−１１では全てのペアについて終了したかどう
か確認する。終了していなければ、Ｓ７−１に処理を移
し、記憶手段１１２より次の入出力ペアを取り出す。終
了していればＳ７−１２に処理を移す。Ｓ７−１２で
は、式（８）を全ての入出力ぺアで平均した値Ｅｔが予
め設定された値εよりも小さいかどうか判定する。小さ
ければ、Ｓ７−１３に処理を移し、そうでなければＳ７
−１に処理を移す。Ｓ７−１３では繰り返し回数を一つ
増加させ、予め設定された制限回数よりも小さいかどう
か判断する。小さければ学習終了となる。そうでなけれ
ば、Ｓ７−１に処理を戻す。以上の処理によりニューラ
ルネット演算手段１０１の重みＷij，Ｖjk及び定数
θi，θjは決定される。第１のニューラルネットワーク
３０１及び第２のニューラルネットワーク３０２はこれ
らの値を基に演算を行う。次に、記憶手段１１２の入出
力ペアの値設定方法の一例を図８に示す。まず、Ｓ８−
１でモデル１０５にチューニングの対象である総括熱吸
収係数の値（以下、φcgとする）をセットする。Ｓ８−
２でφcgをセットされたモデル１０５から制御量（抽出
温度）ｔ0 を計算する。Ｓ８−３ではＳ８−１でセット
したパラメータφcgにパラメータ誤差Δφcgを加える。
Ｓ８−４でパラメータ誤差Δφcgを加えられたパラメー
タφcgを用いて制御量ｔ1 を計算する。Ｓ８−５では、
Ｓ８−２で算出した制御量ｔ0 とＳ８−４で算出した制
御量ｔ1 との差をとり、Ｓ８−３で算出したｔ1−ｔ0と
パラメータ誤差Δφcgを入出力ペアとして記憶手段に保
存する。Ｓ８−６でパラメータφcgがパラメータの上限
φcgmax を越えたかどうか判定する。越えていれば終了
し、そうでなければＳ７−３に処理を移す。以上の操作
で記憶手段１１２が作成される。以上で示したニューラ
ルネット学習手段１１１の働きにより、学習の終了した
ニューラルネット演算手段１０１は「制御量−モデルの
制御量」の全領域で高精度なパラメータφcgの修正量を
算出できるため、少ない修正回数で且つ高精度なチュー
ニングが可能となる。また、上述した説明ではニューラ
ルネット制御装置１００とニューラルネット学習手段１
１１は一つの装置として取り扱ったが、別の装置として
もよい。
ーラルネットワーク３０２の重み係数を第１のニューラ
ルネットワーク３０１の修正された重み係数と一致させ
る。Ｓ７−１１では全てのペアについて終了したかどう
か確認する。終了していなければ、Ｓ７−１に処理を移
し、記憶手段１１２より次の入出力ペアを取り出す。終
了していればＳ７−１２に処理を移す。Ｓ７−１２で
は、式（８）を全ての入出力ぺアで平均した値Ｅｔが予
め設定された値εよりも小さいかどうか判定する。小さ
ければ、Ｓ７−１３に処理を移し、そうでなければＳ７
−１に処理を移す。Ｓ７−１３では繰り返し回数を一つ
増加させ、予め設定された制限回数よりも小さいかどう
か判断する。小さければ学習終了となる。そうでなけれ
ば、Ｓ７−１に処理を戻す。以上の処理によりニューラ
ルネット演算手段１０１の重みＷij，Ｖjk及び定数
θi，θjは決定される。第１のニューラルネットワーク
３０１及び第２のニューラルネットワーク３０２はこれ
らの値を基に演算を行う。次に、記憶手段１１２の入出
力ペアの値設定方法の一例を図８に示す。まず、Ｓ８−
１でモデル１０５にチューニングの対象である総括熱吸
収係数の値（以下、φcgとする）をセットする。Ｓ８−
２でφcgをセットされたモデル１０５から制御量（抽出
温度）ｔ0 を計算する。Ｓ８−３ではＳ８−１でセット
したパラメータφcgにパラメータ誤差Δφcgを加える。
Ｓ８−４でパラメータ誤差Δφcgを加えられたパラメー
タφcgを用いて制御量ｔ1 を計算する。Ｓ８−５では、
Ｓ８−２で算出した制御量ｔ0 とＳ８−４で算出した制
御量ｔ1 との差をとり、Ｓ８−３で算出したｔ1−ｔ0と
パラメータ誤差Δφcgを入出力ペアとして記憶手段に保
存する。Ｓ８−６でパラメータφcgがパラメータの上限
φcgmax を越えたかどうか判定する。越えていれば終了
し、そうでなければＳ７−３に処理を移す。以上の操作
で記憶手段１１２が作成される。以上で示したニューラ
ルネット学習手段１１１の働きにより、学習の終了した
ニューラルネット演算手段１０１は「制御量−モデルの
制御量」の全領域で高精度なパラメータφcgの修正量を
算出できるため、少ない修正回数で且つ高精度なチュー
ニングが可能となる。また、上述した説明ではニューラ
ルネット制御装置１００とニューラルネット学習手段１
１１は一つの装置として取り扱ったが、別の装置として
もよい。
【００３３】次に、ニューラルネット演算手段１０１の
出力が入出力ペアで与えた出力信号の出力範囲を越えな
いように制限するリミッタを備えた例を示す。図９に、
このときのニューラルネット演算手段１０１の構成を示
す。リミッタ９０１は第１のニューラルネットワークと
第２のニューラルネットワークによる演算結果が入力さ
れる。リミッタ９０１の処理は、例えば、上述した演算
結果が入出力ペアのうち出力信号の最大値または最小値
を越えたときにニューラルネット演算手段101の出力を
前記出力信号の最大値または最小値とし、越えていなけ
れば演算結果をそのままニューラルネット演算手段１０
１の出力とするものである。次式にこのときのリミッタ
９０１が行う計算式を示す。
出力が入出力ペアで与えた出力信号の出力範囲を越えな
いように制限するリミッタを備えた例を示す。図９に、
このときのニューラルネット演算手段１０１の構成を示
す。リミッタ９０１は第１のニューラルネットワークと
第２のニューラルネットワークによる演算結果が入力さ
れる。リミッタ９０１の処理は、例えば、上述した演算
結果が入出力ペアのうち出力信号の最大値または最小値
を越えたときにニューラルネット演算手段101の出力を
前記出力信号の最大値または最小値とし、越えていなけ
れば演算結果をそのままニューラルネット演算手段１０
１の出力とするものである。次式にこのときのリミッタ
９０１が行う計算式を示す。
【００３４】
【数１４】
【００３５】ここで、Ｏは第１のニューラルネットワー
クと第２のニューラルネットワークによる演算結果であ
り、Ｙmax，Ｙminはそれぞれ入出力ペアのうち出力信号
の最大値，最小値である。上式に従えば、ニューラルネ
ット演算手段１０１の出力範囲を限定できるため、制御
系の安定性保証が容易になる。
クと第２のニューラルネットワークによる演算結果であ
り、Ｙmax，Ｙminはそれぞれ入出力ペアのうち出力信号
の最大値，最小値である。上式に従えば、ニューラルネ
ット演算手段１０１の出力範囲を限定できるため、制御
系の安定性保証が容易になる。
【００３６】図１０に本発明によるニューラルネット制
御装置をフィードバックコントローラとして用いた実施
例を示す。ニューラルネット制御装置１０００は、ニュ
ーラルネット演算手段１０１,目標値格納部１０７,ニュ
ーラルネット学習手段１１１により構成される。ニュー
ラルネット演算手段１０１はニューラルネットワーク３
０１と第２のニューラルネットワーク３０２により構成
される。また、目標値格納部１０７には制御量の目標値
が格納されている。ニューラルネット学習手段１１１は
全実施例と同様に、記憶手段１１２と重み係数変更手段
１１３から構成され、ニューラルネット演算手段１０１
の演算内容を決定する。ニューラルネット制御装置１０
００は第１のセンサ１００３より取り込んだ制御量から
目標値を減じて得られる偏差を第１の入力値として、第
２のセンサ１００４より取り込んだ制御量以外の制御対
象１００１の状態量を第２の入力値としてそれぞれニュ
ーラルネット演算手段１０１に入力し制御量を目標値と
一致させる操作量を制御対象１００１のアクチュエータ
１００２に出力する。ニューラルネット制御装置１００
０を浄水プラントの薬品注入制御に適用した例を用いて
ニューラルネット制御装置１０００の動作を詳細に説明
する。
御装置をフィードバックコントローラとして用いた実施
例を示す。ニューラルネット制御装置１０００は、ニュ
ーラルネット演算手段１０１,目標値格納部１０７,ニュ
ーラルネット学習手段１１１により構成される。ニュー
ラルネット演算手段１０１はニューラルネットワーク３
０１と第２のニューラルネットワーク３０２により構成
される。また、目標値格納部１０７には制御量の目標値
が格納されている。ニューラルネット学習手段１１１は
全実施例と同様に、記憶手段１１２と重み係数変更手段
１１３から構成され、ニューラルネット演算手段１０１
の演算内容を決定する。ニューラルネット制御装置１０
００は第１のセンサ１００３より取り込んだ制御量から
目標値を減じて得られる偏差を第１の入力値として、第
２のセンサ１００４より取り込んだ制御量以外の制御対
象１００１の状態量を第２の入力値としてそれぞれニュ
ーラルネット演算手段１０１に入力し制御量を目標値と
一致させる操作量を制御対象１００１のアクチュエータ
１００２に出力する。ニューラルネット制御装置１００
０を浄水プラントの薬品注入制御に適用した例を用いて
ニューラルネット制御装置１０００の動作を詳細に説明
する。
【００３７】図１１に制御対象１００１に対応した浄水
プラントの構成を示す。図１０のアクチュエータ１００
２は凝固材を第１の層１００４に挿入する凝固材注入器
1101に対応する。また、第１のセンサ９０４は凝固材濃
度及び不純物濃度を検出するセンサ１００３に対応し、
第２のセンサ１００４は浄水プラント１１００の温度を
検出するセンサ１１０２に対応している。源水を注入さ
れたプラントは、第１の層１００４で凝固材を凝固材注
入器１１０１により注入し、源水に含まれる不純物を凝
固させる。第２の層１００５，第３の層１００６で沈殿
物を濾過し、水道水として精製する。第３の層１００６
で、センサ１１０３により抽出された水の不純物濃度と
凝固材濃度を検出する。また、プラントの温度をセンサ
１１０３により取り込む。浄水プラントでは不純物濃度
と凝固材濃度が制御量となり、ニューラルネット制御装
置１０００は不純物濃度と凝固材濃度が０になるまで凝
固材注入器１１０１に操作量を送る。
プラントの構成を示す。図１０のアクチュエータ１００
２は凝固材を第１の層１００４に挿入する凝固材注入器
1101に対応する。また、第１のセンサ９０４は凝固材濃
度及び不純物濃度を検出するセンサ１００３に対応し、
第２のセンサ１００４は浄水プラント１１００の温度を
検出するセンサ１１０２に対応している。源水を注入さ
れたプラントは、第１の層１００４で凝固材を凝固材注
入器１１０１により注入し、源水に含まれる不純物を凝
固させる。第２の層１００５，第３の層１００６で沈殿
物を濾過し、水道水として精製する。第３の層１００６
で、センサ１１０３により抽出された水の不純物濃度と
凝固材濃度を検出する。また、プラントの温度をセンサ
１１０３により取り込む。浄水プラントでは不純物濃度
と凝固材濃度が制御量となり、ニューラルネット制御装
置１０００は不純物濃度と凝固材濃度が０になるまで凝
固材注入器１１０１に操作量を送る。
【００３８】図１１にニューラルネット制御装置１００
０の処理の流れを示す。Ｓ１２−１では、第１のニュー
ラルネットワーク３０１に第１の入力値である、センサ
903により取り込んだ不純物濃度及び凝固材濃度と目標
値（本実施例では０）との偏差が入力される。さらに偏
差とこれに対応した適切な操作量の関係に影響を与える
信号として、センサ９０２により取り込んだプラントの
温度を第２の入力値として入力し、演算結果を操作量１
に保存する。Ｓ１２−２で第２のニューラルネットワー
ク３０２にＳ１２−１で入力した不純物濃度及び凝固材
濃度と目標値との偏差に対応した入力に０を入力し同様
の演算を行う。演算結果は誤差量に保存する。Ｓ１２−
３でＳ１２−１で保存されている操作量１の値から、Ｓ
１２−２で算出された誤差量を引いたものを操作量２と
する。Ｓ１２−４で操作量２の値をプラントに出力す
る。ニューラルネット学習手段１１１は前実施例と同様
な構成となり、各部においても同様な処理が行われる
が、記憶手段１１２に格納される入出力ペアが異なる。
本実施例では入出力ペアの入力信号はセンサ１１０３に
より取り込んだ不純物濃度及び凝固材濃度と目標値との
偏差、センサ１１０２により取り込んだプラントの温度
となり、出力信号は凝固材注入機１１０１への操作量で
ある。前実施例での「制御量−モデルの制御量」は不純
物濃度及び凝固材濃度と目標値との偏差に対応してい
る。記憶手段１１２の入出力ペアは、実際のプラント
で、入力信号とこれに対応した、熟練運転者の操作量を
基にして作成すれば良い。また、浄水プラント１１００
のモデルが得られている場合は、これを用いたシミュレ
ーションや実験により入出力ペアを作成することもでき
る。
０の処理の流れを示す。Ｓ１２−１では、第１のニュー
ラルネットワーク３０１に第１の入力値である、センサ
903により取り込んだ不純物濃度及び凝固材濃度と目標
値（本実施例では０）との偏差が入力される。さらに偏
差とこれに対応した適切な操作量の関係に影響を与える
信号として、センサ９０２により取り込んだプラントの
温度を第２の入力値として入力し、演算結果を操作量１
に保存する。Ｓ１２−２で第２のニューラルネットワー
ク３０２にＳ１２−１で入力した不純物濃度及び凝固材
濃度と目標値との偏差に対応した入力に０を入力し同様
の演算を行う。演算結果は誤差量に保存する。Ｓ１２−
３でＳ１２−１で保存されている操作量１の値から、Ｓ
１２−２で算出された誤差量を引いたものを操作量２と
する。Ｓ１２−４で操作量２の値をプラントに出力す
る。ニューラルネット学習手段１１１は前実施例と同様
な構成となり、各部においても同様な処理が行われる
が、記憶手段１１２に格納される入出力ペアが異なる。
本実施例では入出力ペアの入力信号はセンサ１１０３に
より取り込んだ不純物濃度及び凝固材濃度と目標値との
偏差、センサ１１０２により取り込んだプラントの温度
となり、出力信号は凝固材注入機１１０１への操作量で
ある。前実施例での「制御量−モデルの制御量」は不純
物濃度及び凝固材濃度と目標値との偏差に対応してい
る。記憶手段１１２の入出力ペアは、実際のプラント
で、入力信号とこれに対応した、熟練運転者の操作量を
基にして作成すれば良い。また、浄水プラント１１００
のモデルが得られている場合は、これを用いたシミュレ
ーションや実験により入出力ペアを作成することもでき
る。
【００３９】
【発明の効果】本発明によれば、第１のニューラルネッ
トの出力値から第２のニューラルネットの出力値を減じ
たものと教師信号とを比較して学習を行うため、ニュー
ラルネット制御装置は一定値入力近傍で出力精度を低下
させることなく、一定値から隔たった入力値に対して
も、良好な出力精度を持った指令値や、操作量を算出す
ることができる。
トの出力値から第２のニューラルネットの出力値を減じ
たものと教師信号とを比較して学習を行うため、ニュー
ラルネット制御装置は一定値入力近傍で出力精度を低下
させることなく、一定値から隔たった入力値に対して
も、良好な出力精度を持った指令値や、操作量を算出す
ることができる。
【図１】本発明の一実施例を示すニューラルネット制御
装置の構成図。
装置の構成図。
【図２】制御対象である加熱炉の構成図。
【図３】ニューラルネット演算手段の構成図。
【図４】ニューラルネット演算手段のアルゴリズム。
【図５】ニューラルネットワークの構成図。
【図６】ニューラルネット学習装置のアルゴリズム。
【図７】入出力ペアの作成アルゴリズム。
【図８】リミッタを設けたニューラルネット演算手段の
構成図。
構成図。
【図９】出力手段の実施例を示す図。
【図１０】本発明をコントローラとして適用した実施例
を示す図。
を示す図。
【図１１】浄水プラントの構成図。
【図１２】ニューラルネット演算手段のアルゴリズム。
１００…ニューラルネット制御装置、１０１…ニューラ
ルネット演算手段、１０２…指令値算出手段、１０３…
コントローラ、１０４…制御対象、１０５…モデル、１
０６…アクチュエータ、１０７…目標値格納部、１０８
…入力手段、１０９…第１のセンサ、１１０…第２のセ
ンサ、１１１…ニューラルネット学習手段、１１２…記
憶手段、１１３…重み係数変更手段、１１４…出力手
段。
ルネット演算手段、１０２…指令値算出手段、１０３…
コントローラ、１０４…制御対象、１０５…モデル、１
０６…アクチュエータ、１０７…目標値格納部、１０８
…入力手段、１０９…第１のセンサ、１１０…第２のセ
ンサ、１１１…ニューラルネット学習手段、１１２…記
憶手段、１１３…重み係数変更手段、１１４…出力手
段。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 斉藤 ▲裕▼ 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 河瀬 宏志 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内
Claims (11)
- 【請求項１】入力値に対応した出力値を算出するニュー
ラルネットワークを備えたニューラルネット制御装置に
おいて、少なくとも二つ以上のニューラルネットワーク
を並列に備え、並列に構成された各該ニューラルネット
ワークの出力値を基にして算出された値を該並列に構成
されたニューラルネットワークの最終出力値とし、さら
に、該最終出力値と教師信号とが一致するように該ニュ
ーラルネットワークの重み係数を更新するニューラルネ
ット学習手段を備えたことを特徴とするニューラルネッ
ト制御装置。 - 【請求項２】請求項１記載のニューラルネット制御装置
において、前記並列に構成されたニューラルネットワー
クは同一の構造を持ち、前記ニューラルネット学習手段
は該並列に構成されたニューラルネットワークに同じ重
み係数を持たせて更新することを特徴とするニューラル
ネット制御装置。 - 【請求項３】請求項１記載のニューラルネット制御装置
において、前記並列に構成されたニューラルネットワー
クは入力値に対応した出力値を算出する第１のニューラ
ルネットワークと，該第１のニューラルネットワークの
出力値を補正する値を算出する第２のニューラルネット
ワークとからなり、該第１のニューラルネットワークの
出力値から該第２のニューラルネットワークの出力値を
減じた値を該第１と第２のニューラルネットワークの最
終出力値とし、さらに、該最終出力値と教師信号とを比
較し、両者が一致する方向に該第１のニューラルネット
ワークの重み係数を更新し、該第２のニューラルネット
ワークの重み係数を該第１のニューラルネットワークと
一致させる操作を繰り返すことにより学習を行うニュー
ラルネット学習手段を備えたことを特徴とするニューラ
ルネット制御装置。 - 【請求項４】請求項３記載のニューラルネット制御装置
において、前記第１のニューラルネットワークは制御対
象より抽出された制御量を基にして算出される少なくと
も一つ以上の第１の入力値と該制御対象の状態量であ
る、少なくとも一つ以上の第２の入力値を入力され、前
記第２のニューラルネットワークは該第１の入力値の代
わりに一定値が入力され、前記ニューラルネット学習手
段は該第１の入力値が該一定値と一致した場合、該第１
のニューラルネットワークの出力値と前記教師信号とを
比較し、両者が一致する方向に該第１のニューラルネッ
トワークの重み係数を更新し、該第２のニューラルネッ
トワークの重み係数を該第１のニューラルネットワーク
と一致させる操作を行うことを特徴とするニューラルネ
ット制御装置。 - 【請求項５】請求項３記載のニューラルネットワーク制
御装置において、前記第１のニューラルネットワークの
出力値，前記第２のニューラルネットワークの出力値及
び該第１のニューラルネットワークと該第２のニューラ
ルネットワークにより算出される前記最終的な出力値の
それぞれと前記教師信号との誤差を個別に表示し、該第
１のニューラルネットワークと該第２のニューラルネッ
トワークの出力特性や学習状況の把握が行える出力手段
を備えたことを特徴とするニューラルネット制御装置。 - 【請求項６】入力値に対応した出力値を算出するニュー
ラルネットワークを用いたニューラルネット制御方法に
おいて、少なくとも二つ以上のニューラルネットワーク
の各出力値を基にして最終出力値を算出し、さらに、該
最終出力値と教師信号とが一致するように該ニューラル
ネットワークの重み係数を更新することを特徴とするニ
ューラルネット制御方法。 - 【請求項７】請求項６記載のニューラルネット制御方法
において、前記少なくとも二つ以上のニューラルネット
ワークの重み係数を同じ値とすることを特徴とするニュ
ーラルネット制御方法。 - 【請求項８】請求項６記載のニューラルネット制御方法
において、入力値に対応した出力値を算出する第１のニ
ューラルネットワークの出力値から該第１のニューラル
ネットワークの出力値を補正する値を算出する第２のニ
ューラルネットワークの出力値を減じた値を最終出力値
とし、さらに、該最終出力値と教師信号とを比較し、両
者が一致する方向に該第１のニューラルネットワークの
重み係数を更新し、該第２のニューラルネットワークの
重み係数を該第１のニューラルネットワークと一致させ
る操作を繰り返すことにより学習を行うことを特徴とす
るニューラルネット制御方法。 - 【請求項９】請求項８記載のニューラルネット制御方法
において、前記第１のニューラルネットワークは制御対
象より抽出された制御量を基にして算出される少なくと
も一つ以上の第１の入力値と該制御対象の状態量であ
る、少なくとも一つ以上の第２の入力値を入力し、前記
第２のニューラルネットワークは該第１の入力値の代わ
りに一定値が入力し、該第１の入力値が該一定値と一致
した場合、該第１のニューラルネットワークの出力値と
前記教師信号とを比較し、両者が一致する方向に該第１
のニューラルネットワークの重み係数を更新し、該第２
のニューラルネットワークの重み係数を該第１のニュー
ラルネットワークと一致させる操作を行うことを特徴と
するニューラルネット制御方法。 - 【請求項１０】制御対象を、正確に得られにくいパラメ
ータを有して構成される数式によるモデルで表現し、該
モデルを用いて制御対象より抽出される制御量が目標値
と一致するように最適な指令値を制御対象へ算出する指
令値算出部と，第１のニューラルネットワークと該第１
のニューラルネットワークの出力誤差を算出する第２の
ニューラルネットワークを備え、該第１のニューラルネ
ットワークから該第２のニューラルネットワークの出力
を減じた値を最終出力とするニューラルネット演算手段
と，該最終出力値と教師信号を比較し、両者が一致する
方向に該第１のニューラルネットワークの重み係数を更
新し、該第２のニューラルネットワークの重み係数を該
第１のニューラルネットワークの重み係数と一致させる
操作を繰り返すことにより学習を行うニューラルネット
学習手段から構成され、該第１のニューラルネットワー
クは制御対象より抽出された少なくとも一つ以上の第１
の入力値と制御対象の状態量である少なくとも二つ以上
の第２の入力値を入力され、該第２のニューラルネット
ワークは該第１の入力値の代わりに一定値が入力され、
さらに、該最終出力値は該制御対象より抽出された制御
量と該モデルにより算出された制御量との偏差を減少さ
せるための該パラメータの修正量に対応することを特徴
とするニューラルネット制御装置。 - 【請求項１１】制御対象を、正確に得られにくいパラメ
ータを有して構成される数式によるモデルで表現し、該
モデルを用いて制御対象より抽出される制御量が目標値
と一致するように最適な指令値を制御対象へ算出する制
御方法において、制御対象より抽出された少なくとも一
つ以上の第１の入力値と制御対象の状態量である少なく
とも二つ以上の第２の入力値を入力し、該制御対象より
抽出された制御量と該モデルにより算出された制御量と
の偏差を減少させる該パラメータの修正量を出力する第
１のニューラルネットワークの出力から、該第１の入力
値の代わりに一定値を入力し、該第１のニューラルネッ
トワークの出力誤差を算出する該第２のニューラルネッ
トワークの出力を減じた最終出力値と教師信号とを比較
し、両者が一致する方向に該第１のニューラルネットワ
ークの重み係数を更新し、該第２のニューラルネットワ
ークの重み係数を該第１のニューラルネットワークの重
み係数と一致させる操作を繰り返すことにより学習を行
うことを特徴とするニューラルネットワーク制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19924494A JP3367214B2 (ja) | 1994-08-24 | 1994-08-24 | ニューラルネット制御方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19924494A JP3367214B2 (ja) | 1994-08-24 | 1994-08-24 | ニューラルネット制御方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0863203A true JPH0863203A (ja) | 1996-03-08 |
| JP3367214B2 JP3367214B2 (ja) | 2003-01-14 |
Family
ID=16404572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP19924494A Expired - Fee Related JP3367214B2 (ja) | 1994-08-24 | 1994-08-24 | ニューラルネット制御方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3367214B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1396770A1 (de) * | 2002-08-16 | 2004-03-10 | Powitec Intelligent Technologies GmbH | Verfahren zur Regelung eines thermodynamischen Prozesses |
| JP2017129896A (ja) * | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 機械学習装置、機械学習方法及び機械学習プログラム |
| JP2019212164A (ja) * | 2018-06-07 | 2019-12-12 | オムロン株式会社 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
| JP2020071156A (ja) * | 2018-11-01 | 2020-05-07 | 三菱Ｆｂｒシステムズ株式会社 | 高速炉デブリベッド冷却の解析方法及び解析プログラム |
| JPWO2021059791A1 (ja) * | 2019-09-26 | 2021-04-01 | ||
| WO2022054980A1 (ko) * | 2020-09-09 | 2022-03-17 | 엘지전자 주식회사 | 무선 통신 시스템에서 사용 가능한 뉴럴 네트워크 인코더 구조 및 인코딩 방법 |
| JP2022073176A (ja) * | 2020-10-30 | 2022-05-17 | グローバルウェーハズ・ジャパン株式会社 | 酸素濃度予測システムおよび酸素濃度制御システム |
-
1994
- 1994-08-24 JP JP19924494A patent/JP3367214B2/ja not_active Expired - Fee Related
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1396770A1 (de) * | 2002-08-16 | 2004-03-10 | Powitec Intelligent Technologies GmbH | Verfahren zur Regelung eines thermodynamischen Prozesses |
| WO2004023226A1 (de) * | 2002-08-16 | 2004-03-18 | Powitec Intelligent Technologies Gmbh | Verfahren zur regelung eines thermodynamischen prozesses mittels neuronaler netze |
| JP2017129896A (ja) * | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 機械学習装置、機械学習方法及び機械学習プログラム |
| CN112105994A (zh) * | 2018-06-07 | 2020-12-18 | 欧姆龙株式会社 | 控制系统、控制方法、学习装置、控制装置、学习方法以及学习程序 |
| WO2019235018A1 (ja) * | 2018-06-07 | 2019-12-12 | オムロン株式会社 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
| JP2019212164A (ja) * | 2018-06-07 | 2019-12-12 | オムロン株式会社 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
| EP3805875A4 (en) * | 2018-06-07 | 2022-03-02 | OMRON Corporation | Control system, control method, learning device, control device, learning method, and learning program |
| US11681261B2 (en) | 2018-06-07 | 2023-06-20 | Omron Corporation | Control system, control method, learning device, control device, learning method for controlling an operation of a subject device on basis of a detemined command value |
| JP2020071156A (ja) * | 2018-11-01 | 2020-05-07 | 三菱Ｆｂｒシステムズ株式会社 | 高速炉デブリベッド冷却の解析方法及び解析プログラム |
| JPWO2021059791A1 (ja) * | 2019-09-26 | 2021-04-01 | ||
| WO2021059791A1 (ja) * | 2019-09-26 | 2021-04-01 | 日立Astemo株式会社 | 内燃機関の制御装置 |
| US11655791B2 (en) | 2019-09-26 | 2023-05-23 | Hitachi Astemo, Ltd. | Internal combustion engine control device |
| WO2022054980A1 (ko) * | 2020-09-09 | 2022-03-17 | 엘지전자 주식회사 | 무선 통신 시스템에서 사용 가능한 뉴럴 네트워크 인코더 구조 및 인코딩 방법 |
| JP2022073176A (ja) * | 2020-10-30 | 2022-05-17 | グローバルウェーハズ・ジャパン株式会社 | 酸素濃度予測システムおよび酸素濃度制御システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3367214B2 (ja) | 2003-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2539540B2 (ja) | プロセス制御装置 | |
| WO2021196997A1 (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
| JP3367214B2 (ja) | ニューラルネット制御方法及び装置 | |
| CN101689044A (zh) | 用于计算机辅助控制和/或调节技术系统的方法 | |
| US11977972B2 (en) | Residual semi-recurrent neural networks | |
| JP3330758B2 (ja) | 調節されるシステムにおけるプロセスの制御方法および装置 | |
| JP3798239B2 (ja) | 多変数モデル予測制御装置、方法、及びその記憶媒体 | |
| DE69922736T2 (de) | Globales Steuerungsverfahren | |
| JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
| JP3377163B2 (ja) | 自律的制御システム | |
| JP3040901B2 (ja) | ニューラルネットワークによる制御方法および内蔵制御装置 | |
| CN113569898A (zh) | 基于bp神经网络的水质模型参数反演分析方法及系统 | |
| CN116700001A (zh) | 一种基于层级特征融合多注意力机制的压装预测控制方法 | |
| Nápoles et al. | Learning of Fuzzy Cognitive Map models without training data | |
| CN111898726B (zh) | 一种电动汽车控制系统参数优化方法、设备及存储介质 | |
| CN115027499A (zh) | 基于动态神经网络Hammerstein模型的车辆自动驾驶预测控制方法 | |
| JP2004280450A (ja) | プラントモデルの自動モデリング装置 | |
| JPH0924449A (ja) | 連続鋳造機の冷却制御方法および装置 | |
| JPH07244501A (ja) | プロセスの学習制御方法 | |
| JP2838343B2 (ja) | ニューラルネットワークを用いた判別方法 | |
| Rix et al. | Models of human learning applicable to the vehicle steering task | |
| Wang et al. | Intelligent controller using neural network | |
| CN118012160A (zh) | 基于改进区间二型模糊宽度神经网络的炉膛温度控制方法 | |
| Conway et al. | Using adaptive networks to model and control drug delivery | |
| JPH064506A (ja) | ニューラルネット学習方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071108 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081108 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |