JPH09257553A - 自重測定装置 - Google Patents
自重測定装置Info
- Publication number
- JPH09257553A JPH09257553A JP8066381A JP6638196A JPH09257553A JP H09257553 A JPH09257553 A JP H09257553A JP 8066381 A JP8066381 A JP 8066381A JP 6638196 A JP6638196 A JP 6638196A JP H09257553 A JPH09257553 A JP H09257553A
- Authority
- JP
- Japan
- Prior art keywords
- load
- information
- weight
- layer
- intermediate layer
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
- G01G19/086—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles wherein the vehicle mass is dynamically estimated
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Forklifts And Lifting Vehicles (AREA)
- Traffic Control Systems (AREA)
- Regulating Braking Force (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
(57)【要約】
【課題】 車両の積載荷重パターンや自重計センサの出
力特性を精度良く補正できる自重測定装置を提供するこ
と。 【解決手段】 入力層１６Ａ、中間層１６Ｂ、および出
力層１６Ｃが階層化されて成る多層フィードフォワード
型ニューラルネットワークを具備するとともに、この多
層フィードフォワード型ニューラルネットワークを用い
て、車両の積載荷重を測定する自重計センサが測定する
車両の積載荷重の補正にかかる学習を自重計センサ１２
で測定された測定荷重情報１２ａを用いて予め実行する
とともに、この学習の結果に基づいて自重計センサ１２
が測定した積載荷重を補正して実荷重を求める実荷重演
算手段１６を備えて成る。
力特性を精度良く補正できる自重測定装置を提供するこ
と。 【解決手段】 入力層１６Ａ、中間層１６Ｂ、および出
力層１６Ｃが階層化されて成る多層フィードフォワード
型ニューラルネットワークを具備するとともに、この多
層フィードフォワード型ニューラルネットワークを用い
て、車両の積載荷重を測定する自重計センサが測定する
車両の積載荷重の補正にかかる学習を自重計センサ１２
で測定された測定荷重情報１２ａを用いて予め実行する
とともに、この学習の結果に基づいて自重計センサ１２
が測定した積載荷重を補正して実荷重を求める実荷重演
算手段１６を備えて成る。
Description
【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明の自重測定装置は、自
重計センサが測定した積載荷重を補正して実荷重を求め
る自重測定装置に関する。
重計センサが測定した積載荷重を補正して実荷重を求め
る自重測定装置に関する。
【０００２】
【従来の技術】図８（ａ）は従来の自重測定装置を用い
た場合の表示値と積載荷重と積載荷重パターンとの関係
を示すグラフあり、図８（ｂ）および図８（ｃ）は変曲
点補正を行った場合の補正結果を説明したグラフであ
り、図８（ｄ）および図８（ｅ）は同じ変曲点補正を別
の積載荷重パターンに用いた場合の補正結果を説明した
グラフである。
た場合の表示値と積載荷重と積載荷重パターンとの関係
を示すグラフあり、図８（ｂ）および図８（ｃ）は変曲
点補正を行った場合の補正結果を説明したグラフであ
り、図８（ｄ）および図８（ｅ）は同じ変曲点補正を別
の積載荷重パターンに用いた場合の補正結果を説明した
グラフである。
【０００３】自重測定装置に用いられる自重計センサの
出力特性は、図８（ａ）に示すように、一般的に上に凸
の形状を有している。また車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンに応じて各々異なる出力特性を示
す。
出力特性は、図８（ａ）に示すように、一般的に上に凸
の形状を有している。また車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンに応じて各々異なる出力特性を示
す。
【０００４】従来、このような自重計センサの出力特性
の影響や積載荷重パターンの影響を補正して自重計セン
サの出力特性の影響を補正するために、図８（ｂ）また
は図８（ｃ）に示すように、変曲点補正が行われてい
た。変曲点補正とは、ある任意の荷重値を設定し、その
荷重値以上の入力があった場合と、それ以下のの入力が
あった場合とで、別々の係数を掛け合わせることによ
り、凸形状の出力特性を直線に近似させる補正手段を意
味する。
の影響や積載荷重パターンの影響を補正して自重計セン
サの出力特性の影響を補正するために、図８（ｂ）また
は図８（ｃ）に示すように、変曲点補正が行われてい
た。変曲点補正とは、ある任意の荷重値を設定し、その
荷重値以上の入力があった場合と、それ以下のの入力が
あった場合とで、別々の係数を掛け合わせることによ
り、凸形状の出力特性を直線に近似させる補正手段を意
味する。
【０００５】
【発明が解決しようとする課題】しかしながら、従来の
自重測定装置にを用いられる変曲点補正は、特定の自重
計センサを用いた特性の積載荷重パターンについての補
正にしか対応できず、図８（ｄ）および図８（ｅ）に示
すように、他の自重計センサを用いて積載荷重を測定し
た場合やたの積載荷重パターンを測定した場合に、車両
の積載荷重パターンや自重計センサの出力特性を精度良
く補正することが難しいという問題点があった。するこ
とが難しいという問題点があった。
自重測定装置にを用いられる変曲点補正は、特定の自重
計センサを用いた特性の積載荷重パターンについての補
正にしか対応できず、図８（ｄ）および図８（ｅ）に示
すように、他の自重計センサを用いて積載荷重を測定し
た場合やたの積載荷重パターンを測定した場合に、車両
の積載荷重パターンや自重計センサの出力特性を精度良
く補正することが難しいという問題点があった。するこ
とが難しいという問題点があった。
【０００６】本発明は、このような従来の問題点に着目
してなされたもので、入力層、中間層、および出力層が
階層化されて成る多層フィードフォワード型ニューラル
ネットワークを具備するとともに、この多層フィードフ
ォワード型ニューラルネットワークを用いて、車両の積
載荷重を測定する自重計センサが測定する車両の積載荷
重の補正にかかる学習を自重計センサで測定された測定
荷重情報を用いて予め実行するとともに、この学習の結
果に基づいて自重計センサが測定した積載荷重を補正し
て実荷重を求める実荷重演算手段を装置することによっ
て、車両の積載荷重パターンや自重計センサの出力特性
を精度良く補正できる自重測定装置を提供することを目
的としている。
してなされたもので、入力層、中間層、および出力層が
階層化されて成る多層フィードフォワード型ニューラル
ネットワークを具備するとともに、この多層フィードフ
ォワード型ニューラルネットワークを用いて、車両の積
載荷重を測定する自重計センサが測定する車両の積載荷
重の補正にかかる学習を自重計センサで測定された測定
荷重情報を用いて予め実行するとともに、この学習の結
果に基づいて自重計センサが測定した積載荷重を補正し
て実荷重を求める実荷重演算手段を装置することによっ
て、車両の積載荷重パターンや自重計センサの出力特性
を精度良く補正できる自重測定装置を提供することを目
的としている。
【０００７】
【課題を解決するための手段】請求項１に記載の自重測
定装置（１０）は、入力層（１６Ａ）、中間層（１６
Ｂ）、および出力層（１６Ｃ）が階層化されて成る多層
フィードフォワード型ニューラルネットワークを具備す
るとともに、この多層フィードフォワード型ニューラル
ネットワークを用いて、車両の積載荷重を測定する自重
計センサ（１２）が測定する車両の積載荷重の補正にか
かる学習を所定の学習パラメータを用いて予め実行する
とともに、この学習の結果に基づいて自重計センサ（１
２）が測定した積載荷重を補正して実荷重を求める実荷
重演算手段（１６）を備えて成る。
定装置（１０）は、入力層（１６Ａ）、中間層（１６
Ｂ）、および出力層（１６Ｃ）が階層化されて成る多層
フィードフォワード型ニューラルネットワークを具備す
るとともに、この多層フィードフォワード型ニューラル
ネットワークを用いて、車両の積載荷重を測定する自重
計センサ（１２）が測定する車両の積載荷重の補正にか
かる学習を所定の学習パラメータを用いて予め実行する
とともに、この学習の結果に基づいて自重計センサ（１
２）が測定した積載荷重を補正して実荷重を求める実荷
重演算手段（１６）を備えて成る。
【０００８】このような実荷重演算手段（１６）を用い
ることにより、車両の均等積載荷重、前偏積載荷重、後
偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重
パターンの影響や自重計センサ（１２）の出力特性の影
響を精度良く補正できる。請求項２に記載の実荷重演算
手段（１６）は、請求項１に記載の自重測定装置（１
０）に用いられるものである。また、この実荷重演算手
段（１６）における学習に用いられる所定の学習パラメ
ータは、前記自重計センサ（１２）を用いて測定された
積載荷重にかかる測定荷重情報（１２ａ）である。
ることにより、車両の均等積載荷重、前偏積載荷重、後
偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重
パターンの影響や自重計センサ（１２）の出力特性の影
響を精度良く補正できる。請求項２に記載の実荷重演算
手段（１６）は、請求項１に記載の自重測定装置（１
０）に用いられるものである。また、この実荷重演算手
段（１６）における学習に用いられる所定の学習パラメ
ータは、前記自重計センサ（１２）を用いて測定された
積載荷重にかかる測定荷重情報（１２ａ）である。
【０００９】このような実荷重演算手段（１６）を用い
ることにより、自重計センサ（１２）の出力特性の影響
を精度良く補正できる。請求項３に記載の自重測定装置
（１０）は、請求項１又は２に記載の自重測定装置（１
０）である。
ることにより、自重計センサ（１２）の出力特性の影響
を精度良く補正できる。請求項３に記載の自重測定装置
（１０）は、請求項１又は２に記載の自重測定装置（１
０）である。
【００１０】請求項３に記載の自重測定装置（１０）に
具備された多層フィードフォワード型ニューラルネット
ワークにおいて、前記入力層（１６Ａ）を構成する各ニ
ューロンは、前記所定の学習パラメータの数に応じて各
々一対一に対応させて設けられるとともに、前記中間層
（１６Ｂ）を構成する全ニューロンについて予め学習さ
れた重み情報（１４ａ）によってこの全ニューロンの各
々と結合されて成る。
具備された多層フィードフォワード型ニューラルネット
ワークにおいて、前記入力層（１６Ａ）を構成する各ニ
ューロンは、前記所定の学習パラメータの数に応じて各
々一対一に対応させて設けられるとともに、前記中間層
（１６Ｂ）を構成する全ニューロンについて予め学習さ
れた重み情報（１４ａ）によってこの全ニューロンの各
々と結合されて成る。
【００１１】さらに、前記出力層（１６Ｃ）を構成する
各ニューロンは、前記中間層（１６Ｂ）を構成する全ニ
ューロンについて予め学習された重み情報（１４ａ）に
よってこの全ニューロンの各々と結合されて成る。請求
項３に記載の実荷重演算手段（１６）は、このような多
層フィードフォワード型ニューラルネットワークを用い
ることによって、前記所定の学習パラメータを用いたニ
ューロ演算に基づいて実荷重情報（１６ａ）を出力する
ことができる。
各ニューロンは、前記中間層（１６Ｂ）を構成する全ニ
ューロンについて予め学習された重み情報（１４ａ）に
よってこの全ニューロンの各々と結合されて成る。請求
項３に記載の実荷重演算手段（１６）は、このような多
層フィードフォワード型ニューラルネットワークを用い
ることによって、前記所定の学習パラメータを用いたニ
ューロ演算に基づいて実荷重情報（１６ａ）を出力する
ことができる。
【００１２】このような多層フィードフォワード型ニュ
ーラルネットワークを具備した実荷重演算手段（１６）
を用いることにより、車両の均等積載荷重、前偏積載荷
重、後偏積載荷重、右偏積載荷重、左偏積載荷重等の積
載荷重パターンの影響や自重計センサ（１２）の出力特
性の影響を受けた測定荷重情報（１２ａ）を精度良く補
正して、真の積載荷重である実荷重情報（１６ａ）を算
出することができる。
ーラルネットワークを具備した実荷重演算手段（１６）
を用いることにより、車両の均等積載荷重、前偏積載荷
重、後偏積載荷重、右偏積載荷重、左偏積載荷重等の積
載荷重パターンの影響や自重計センサ（１２）の出力特
性の影響を受けた測定荷重情報（１２ａ）を精度良く補
正して、真の積載荷重である実荷重情報（１６ａ）を算
出することができる。
【００１３】請求項４に記載の自重測定装置（１０）
は、請求項３に記載の自重測定装置（１０）であって、
前記入力層（１６Ａ）と前記中間層（１６Ｂ）との間の
学習済みの前記重み情報（１４ａ）、および前記中間層
（１６Ｂ）と前記出力層（１６Ｃ）との間の学習済みの
前記重み情報（１４ａ）を随時記憶および読み出し可能
なメモリ手段（１４）を備えて成る。
は、請求項３に記載の自重測定装置（１０）であって、
前記入力層（１６Ａ）と前記中間層（１６Ｂ）との間の
学習済みの前記重み情報（１４ａ）、および前記中間層
（１６Ｂ）と前記出力層（１６Ｃ）との間の学習済みの
前記重み情報（１４ａ）を随時記憶および読み出し可能
なメモリ手段（１４）を備えて成る。
【００１４】請求項４に記載の自重測定装置（１０）に
具備された多層フィードフォワード型ニューラルネット
ワークにおいて、前記入力層（１６Ａ）を構成する各ニ
ューロンは、前記所定の学習パラメータの数に応じて各
々一対一に対応させて設けられるとともに、前記中間層
（１６Ｂ）を構成する全ニューロンについて前記メモリ
手段（１４）から読み出した前記入力層（１６Ａ）と前
記中間層（１６Ｂ）との間の学習済みの前記重み情報
（１４ａ）によってこの全ニューロンの各々と結合され
て成る。
具備された多層フィードフォワード型ニューラルネット
ワークにおいて、前記入力層（１６Ａ）を構成する各ニ
ューロンは、前記所定の学習パラメータの数に応じて各
々一対一に対応させて設けられるとともに、前記中間層
（１６Ｂ）を構成する全ニューロンについて前記メモリ
手段（１４）から読み出した前記入力層（１６Ａ）と前
記中間層（１６Ｂ）との間の学習済みの前記重み情報
（１４ａ）によってこの全ニューロンの各々と結合され
て成る。
【００１５】さらに、前記出力層（１６Ｃ）を構成する
各ニューロンは、前記中間層（１６Ｂ）を構成する全ニ
ューロンについて前記メモリ手段（１４）から読み出し
た前記中間層（１６Ｂ）と前記出力層（１６Ｃ）との間
の学習済みの前記重み情報（１４ａ）によってこの全ニ
ューロンの各々と結合されて成る。
各ニューロンは、前記中間層（１６Ｂ）を構成する全ニ
ューロンについて前記メモリ手段（１４）から読み出し
た前記中間層（１６Ｂ）と前記出力層（１６Ｃ）との間
の学習済みの前記重み情報（１４ａ）によってこの全ニ
ューロンの各々と結合されて成る。
【００１６】請求項４に記載の実荷重演算手段（１６）
は、このような多層フィードフォワード型ニューラルネ
ットワークを用いることによって、前記所定の学習パラ
メータを用いたニューロ演算に基づいて実荷重情報（１
６ａ）を出力することができる。
は、このような多層フィードフォワード型ニューラルネ
ットワークを用いることによって、前記所定の学習パラ
メータを用いたニューロ演算に基づいて実荷重情報（１
６ａ）を出力することができる。
【００１７】このようなメモリ手段（１４）から読み出
した重み情報（１４ａ）によって決定される多層フィー
ドフォワード型ニューラルネットワークを具備した実荷
重演算手段（１６）を用いることにより、車両の均等積
載荷重、前偏積載荷重、後偏積載荷重、右偏積載荷重、
左偏積載荷重等の積載荷重パターンの影響や自重計セン
サ（１２）の出力特性の影響を受けた測定荷重情報（１
２ａ）を精度良く補正して、真の積載荷重である実荷重
情報（１６ａ）を算出することができる。また重み情報
（１４ａ）をメモリ手段（１４）に記憶および読み出し
が随時できるので、車両から離れた別の場所で重み情報
（１４ａ）をエディットしたり、デバッグすることが容
易となる。また、自重測定装置（１０）に不具合が発生
した場合でも、重み情報（１４ａ）をメモリ手段（１
４）に待避させておくことができるので、リッセット動
作をして重み情報（１４ａ）を再び読み込むことによ
り、迅速に自重測定装置（１０）の再立ち上げが容易と
なる。
した重み情報（１４ａ）によって決定される多層フィー
ドフォワード型ニューラルネットワークを具備した実荷
重演算手段（１６）を用いることにより、車両の均等積
載荷重、前偏積載荷重、後偏積載荷重、右偏積載荷重、
左偏積載荷重等の積載荷重パターンの影響や自重計セン
サ（１２）の出力特性の影響を受けた測定荷重情報（１
２ａ）を精度良く補正して、真の積載荷重である実荷重
情報（１６ａ）を算出することができる。また重み情報
（１４ａ）をメモリ手段（１４）に記憶および読み出し
が随時できるので、車両から離れた別の場所で重み情報
（１４ａ）をエディットしたり、デバッグすることが容
易となる。また、自重測定装置（１０）に不具合が発生
した場合でも、重み情報（１４ａ）をメモリ手段（１
４）に待避させておくことができるので、リッセット動
作をして重み情報（１４ａ）を再び読み込むことによ
り、迅速に自重測定装置（１０）の再立ち上げが容易と
なる。
【００１８】請求項５に記載の自重測定装置（１０）
は、請求項１乃至３のいずれかに記載の自重測定装置
（１０）である。請求項５に記載の前記実荷重演算手段
（１６）に具備された前記多層フィードフォワード型ニ
ューラルネットワークは、前記入力層（１６Ａ）と前記
中間層（１６Ｂ）との間には、前記自重計センサ（１
２）の種類を識別するためのセンサ種類識別情報（１４
ｂ）を入力するためのセンサ種類識別ニューロン（１
５）を備えて成る。
は、請求項１乃至３のいずれかに記載の自重測定装置
（１０）である。請求項５に記載の前記実荷重演算手段
（１６）に具備された前記多層フィードフォワード型ニ
ューラルネットワークは、前記入力層（１６Ａ）と前記
中間層（１６Ｂ）との間には、前記自重計センサ（１
２）の種類を識別するためのセンサ種類識別情報（１４
ｂ）を入力するためのセンサ種類識別ニューロン（１
５）を備えて成る。
【００１９】請求項５に記載のセンサ種類識別ニューロ
ン（１５）は、前記入力層（１６Ａ）を構成する全ニュ
ーロンについて前記センサ種類識別情報（１４ｂ）に応
じて予め学習したこのセンサ種類識別ニューロン（１
５）とこの入力層（１６Ａ）との間の重み情報（１４
ａ）によってこの全ニューロンの各々と結合されて成
り、さらに前記中間層（１６Ｂ）を構成する全ニューロ
ンについて前記センサ種類識別情報（１４ｂ）に応じて
予め学習したこのセンサ種類識別ニューロン（１５）と
この中間層（１６Ｂ）との間の重み情報（１４ａ）によ
ってこの全ニューロンの各々と結合されて成る。
ン（１５）は、前記入力層（１６Ａ）を構成する全ニュ
ーロンについて前記センサ種類識別情報（１４ｂ）に応
じて予め学習したこのセンサ種類識別ニューロン（１
５）とこの入力層（１６Ａ）との間の重み情報（１４
ａ）によってこの全ニューロンの各々と結合されて成
り、さらに前記中間層（１６Ｂ）を構成する全ニューロ
ンについて前記センサ種類識別情報（１４ｂ）に応じて
予め学習したこのセンサ種類識別ニューロン（１５）と
この中間層（１６Ｂ）との間の重み情報（１４ａ）によ
ってこの全ニューロンの各々と結合されて成る。
【００２０】このようなセンサ種類識別ニューロン（１
５）を付加した多層フィードフォワード型ニューラルネ
ットワークを具備した実荷重演算手段（１６）を用いる
ことにより、車両の均等積載荷重、前偏積載荷重、後偏
積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パ
ターンの影響や自重計センサ（１２）の出力特性の影響
を受けた測定荷重情報（１２ａ）を精度良く補正して、
真の積載荷重である実荷重情報（１６ａ）を算出するこ
とができる。また重み情報（１４ａ）をメモリ手段（１
４）に記憶および読み出しが随時できるので、車両から
離れた別の場所で重み情報（１４ａ）をエディットした
り、デバッグすることが容易となる。また、自重測定装
置（１０）に不具合が発生した場合でも、重み情報（１
４ａ）をメモリ手段（１４）に待避させておくことがで
きるので、リッセット動作をして重み情報（１４ａ）を
再び読み込むことにより、迅速に自重測定装置（１０）
の再立ち上げが容易となる。
５）を付加した多層フィードフォワード型ニューラルネ
ットワークを具備した実荷重演算手段（１６）を用いる
ことにより、車両の均等積載荷重、前偏積載荷重、後偏
積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パ
ターンの影響や自重計センサ（１２）の出力特性の影響
を受けた測定荷重情報（１２ａ）を精度良く補正して、
真の積載荷重である実荷重情報（１６ａ）を算出するこ
とができる。また重み情報（１４ａ）をメモリ手段（１
４）に記憶および読み出しが随時できるので、車両から
離れた別の場所で重み情報（１４ａ）をエディットした
り、デバッグすることが容易となる。また、自重測定装
置（１０）に不具合が発生した場合でも、重み情報（１
４ａ）をメモリ手段（１４）に待避させておくことがで
きるので、リッセット動作をして重み情報（１４ａ）を
再び読み込むことにより、迅速に自重測定装置（１０）
の再立ち上げが容易となる。
【００２１】請求項６に記載の自重測定装置（１０）
は、請求項５に記載の自重測定装置（１０）であって、
前記入力層（１６Ａ）と中間層（１６Ｂ）との間の学習
済みの重み情報（１４ａ）、前記中間層（１６Ｂ）と出
力層（１６Ｃ）との間の学習済みの重み情報（１４
ａ）、前記入力層（１６Ａ）を構成する全ニューロンに
ついてセンサ種類識別情報（１４ｂ）に応じて予め学習
したセンサ種類識別ニューロン（１５）と入力層（１６
Ａ）との間の重み情報（１４ａ）、および前記中間層
（１６Ｂ）を構成する全ニューロンについてセンサ種類
識別情報（１４ｂ）に応じて予め学習したセンサ種類識
別ニューロン（１５）と中間層（１６Ｂ）との間の重み
情報（１４ａ）を随時記憶および読み出し可能なメモリ
手段（１４）を備えて成る。
は、請求項５に記載の自重測定装置（１０）であって、
前記入力層（１６Ａ）と中間層（１６Ｂ）との間の学習
済みの重み情報（１４ａ）、前記中間層（１６Ｂ）と出
力層（１６Ｃ）との間の学習済みの重み情報（１４
ａ）、前記入力層（１６Ａ）を構成する全ニューロンに
ついてセンサ種類識別情報（１４ｂ）に応じて予め学習
したセンサ種類識別ニューロン（１５）と入力層（１６
Ａ）との間の重み情報（１４ａ）、および前記中間層
（１６Ｂ）を構成する全ニューロンについてセンサ種類
識別情報（１４ｂ）に応じて予め学習したセンサ種類識
別ニューロン（１５）と中間層（１６Ｂ）との間の重み
情報（１４ａ）を随時記憶および読み出し可能なメモリ
手段（１４）を備えて成る。
【００２２】請求項６に記載の前記多層フィードフォワ
ード型ニューラルネットワークにおいて、前記センサ種
類識別ニューロン（１５）と前記入力層（１６Ａ）の各
ニューロンとは、前記メモリ手段（１４）から読み出さ
れた前記センサ種類識別ニューロン（１５）と入力層
（１６Ａ）との間の重み情報（１４ａ）によって各々結
合されて成る。
ード型ニューラルネットワークにおいて、前記センサ種
類識別ニューロン（１５）と前記入力層（１６Ａ）の各
ニューロンとは、前記メモリ手段（１４）から読み出さ
れた前記センサ種類識別ニューロン（１５）と入力層
（１６Ａ）との間の重み情報（１４ａ）によって各々結
合されて成る。
【００２３】さらに、前記センサ種類識別ニューロン
（１５）と前記中間層（１６Ｂ）の各ニューロンとは、
前記メモリ手段（１４）から読み出された前記センサ種
類識別ニューロン（１５）と中間層（１６Ｂ）との間の
重み情報（１４ａ）によって各々結合されて成る。
（１５）と前記中間層（１６Ｂ）の各ニューロンとは、
前記メモリ手段（１４）から読み出された前記センサ種
類識別ニューロン（１５）と中間層（１６Ｂ）との間の
重み情報（１４ａ）によって各々結合されて成る。
【００２４】さらに、前記入力層（１６Ａ）を構成する
各ニューロンは、前記メモリ手段（１４）から読み出さ
れた前記入力層（１６Ａ）と中間層（１６Ｂ）との間の
学習済みの重み情報（１４ａ）によってこの中間層（１
６Ｂ）の全ニューロンの各々と結合されて成る。
各ニューロンは、前記メモリ手段（１４）から読み出さ
れた前記入力層（１６Ａ）と中間層（１６Ｂ）との間の
学習済みの重み情報（１４ａ）によってこの中間層（１
６Ｂ）の全ニューロンの各々と結合されて成る。
【００２５】さらに、前記中間層（１６Ｂ）を構成する
各ニューロンは、前記メモリ手段（１４）から読み出さ
れた前記中間層（１６Ｂ）と出力層（１６Ｃ）との間の
学習済みの重み情報（１４ａ）によってこの出力層（１
６Ｃ）の全ニューロンの各々と結合されて成る。
各ニューロンは、前記メモリ手段（１４）から読み出さ
れた前記中間層（１６Ｂ）と出力層（１６Ｃ）との間の
学習済みの重み情報（１４ａ）によってこの出力層（１
６Ｃ）の全ニューロンの各々と結合されて成る。
【００２６】このようなセンサ種類識別ニューロン（１
５）を付加した多層フィードフォワード型ニューラルネ
ットワークを具備した実荷重演算手段（１６）を用いる
ことにより、車両の均等積載荷重、前偏積載荷重、後偏
積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パ
ターンの影響や自重計センサ（１２）の出力特性の影響
を受けた測定荷重情報（１２ａ）を精度良く補正して、
真の積載荷重である実荷重情報（１６ａ）を算出するこ
とができる。また重み情報（１４ａ）をメモリ手段（１
４）に記憶および読み出しが随時できるので、車両から
離れた別の場所で重み情報（１４ａ）をエディットした
り、デバッグすることが容易となる。また、自重測定装
置（１０）に不具合が発生した場合でも、重み情報（１
４ａ）をメモリ手段（１４）に待避させておくことがで
きるので、リッセット動作をして重み情報（１４ａ）を
再び読み込むことにより、迅速に自重測定装置（１０）
の再立ち上げが容易となる。
５）を付加した多層フィードフォワード型ニューラルネ
ットワークを具備した実荷重演算手段（１６）を用いる
ことにより、車両の均等積載荷重、前偏積載荷重、後偏
積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パ
ターンの影響や自重計センサ（１２）の出力特性の影響
を受けた測定荷重情報（１２ａ）を精度良く補正して、
真の積載荷重である実荷重情報（１６ａ）を算出するこ
とができる。また重み情報（１４ａ）をメモリ手段（１
４）に記憶および読み出しが随時できるので、車両から
離れた別の場所で重み情報（１４ａ）をエディットした
り、デバッグすることが容易となる。また、自重測定装
置（１０）に不具合が発生した場合でも、重み情報（１
４ａ）をメモリ手段（１４）に待避させておくことがで
きるので、リッセット動作をして重み情報（１４ａ）を
再び読み込むことにより、迅速に自重測定装置（１０）
の再立ち上げが容易となる。
【００２７】請求項７に記載の自重測定装置（１０）
は、請求項１乃至６のいずれかに記載の自重測定装置
（１０）である。請求項７に記載の前記実荷重演算手段
（１６）は、手動による調整に応じて、教師信号を訂正
して再学習を行うことができる。
は、請求項１乃至６のいずれかに記載の自重測定装置
（１０）である。請求項７に記載の前記実荷重演算手段
（１６）は、手動による調整に応じて、教師信号を訂正
して再学習を行うことができる。
【００２８】このような再学習可能な実荷重演算手段
（１６）を用いることにより、車両の均等積載荷重、前
偏積載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷
重等の積載荷重パターンの影響や自重計センサ（１２）
の出力特性の影響をより正確に重み情報（１４ａ）に反
映させることが可能となり、測定荷重情報（１２ａ）を
さらに精度良く補正して、真の積載荷重である実荷重情
報（１６ａ）を算出することができる。
（１６）を用いることにより、車両の均等積載荷重、前
偏積載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷
重等の積載荷重パターンの影響や自重計センサ（１２）
の出力特性の影響をより正確に重み情報（１４ａ）に反
映させることが可能となり、測定荷重情報（１２ａ）を
さらに精度良く補正して、真の積載荷重である実荷重情
報（１６ａ）を算出することができる。
【００２９】また車両の積載荷重パターンの変更や自重
計センサ（１２）の出力特性の変更を柔軟にかつ迅速に
重み情報（１４ａ）に反映させることが可能となり、測
定荷重情報（１２ａ）をさらに精度良く補正して、真の
積載荷重である実荷重情報（１６ａ）を算出することが
できる。
計センサ（１２）の出力特性の変更を柔軟にかつ迅速に
重み情報（１４ａ）に反映させることが可能となり、測
定荷重情報（１２ａ）をさらに精度良く補正して、真の
積載荷重である実荷重情報（１６ａ）を算出することが
できる。
【００３０】請求項８に記載の自重測定装置（１０）
は、請求項１乃至７のいずれかに記載の自重測定装置
（１０）である。請求項８に記載の前記多層フィードフ
ォワード型ニューラルネットワークにおいて、前記入力
層（１６Ａ）と中間層（１６Ｂ）との間の伝達関数はタ
ンジェントシグモイド関数であり、前記中間層（１６
Ｂ）と出力層（１６Ｃ）との間の伝達関数はピュアライ
ン関数である。
は、請求項１乃至７のいずれかに記載の自重測定装置
（１０）である。請求項８に記載の前記多層フィードフ
ォワード型ニューラルネットワークにおいて、前記入力
層（１６Ａ）と中間層（１６Ｂ）との間の伝達関数はタ
ンジェントシグモイド関数であり、前記中間層（１６
Ｂ）と出力層（１６Ｃ）との間の伝達関数はピュアライ
ン関数である。
【００３１】このような実荷重演算手段（１６）を用い
ることにより、最短の学習時間および最小の学習回数
で、測定荷重情報（１２ａ）と実荷重演算手段（１６）
との最大誤差幅を最小にすることができる。つまり、高
い学習精度で測定荷重情報（１２ａ）を精度良く補正し
て、真の積載荷重である実荷重情報（１６ａ）を算出す
ることができる。
ることにより、最短の学習時間および最小の学習回数
で、測定荷重情報（１２ａ）と実荷重演算手段（１６）
との最大誤差幅を最小にすることができる。つまり、高
い学習精度で測定荷重情報（１２ａ）を精度良く補正し
て、真の積載荷重である実荷重情報（１６ａ）を算出す
ることができる。
【００３２】請求項９に記載の自重測定装置（１０）
は、請求項１乃至８のいずれかに記載の自重測定装置
（１０）であって、前記実荷重情報（１６ａ）を表示す
るための荷重表示手段（１７）を備えて成る。このよう
な荷重表示手段（１７）を用いることにより、算出され
た真の積載荷重である実荷重演算手段（１６）をその場
でリアルタイムに認識することができる。
は、請求項１乃至８のいずれかに記載の自重測定装置
（１０）であって、前記実荷重情報（１６ａ）を表示す
るための荷重表示手段（１７）を備えて成る。このよう
な荷重表示手段（１７）を用いることにより、算出され
た真の積載荷重である実荷重演算手段（１６）をその場
でリアルタイムに認識することができる。
【００３３】
【発明の実施の形態】以下、図面に基づき本発明の実施
の形態を説明する。始めに、図１および図２を参照し
て、発明の実施の形態の自重測定装置１０の主要構成を
説明する。
の形態を説明する。始めに、図１および図２を参照し
て、発明の実施の形態の自重測定装置１０の主要構成を
説明する。
【００３４】図１は本発明の実施の形態にかかる自重測
定装置１０を示す機能ブロック図である。図２は本発明
の実施の形態にかかる自重測定装置１０の車両への実装
形態を示す構成図である。自重測定装置１０は、図１に
示すように、入力層１６Ａ、中間層１６Ｂ、および出力
層１６Ｃが階層化されて成る多層フィードフォワード型
ニューラルネットワークを具備するとともに、この多層
フィードフォワード型ニューラルネットワークを用い
て、車両の積載荷重を測定する自重計センサ１２が測定
する車両の積載荷重の補正にかかる学習を所定の学習パ
ラメータを用いて予め実行するとともに、この学習の結
果に基づいて自重計センサ１２が測定した積載荷重を補
正して実荷重を求める実荷重演算手段１６を備えて成
る。学習は、具体的には、バックプロパゲーション学習
規則を用いた予め教示学習によって実現している。
定装置１０を示す機能ブロック図である。図２は本発明
の実施の形態にかかる自重測定装置１０の車両への実装
形態を示す構成図である。自重測定装置１０は、図１に
示すように、入力層１６Ａ、中間層１６Ｂ、および出力
層１６Ｃが階層化されて成る多層フィードフォワード型
ニューラルネットワークを具備するとともに、この多層
フィードフォワード型ニューラルネットワークを用い
て、車両の積載荷重を測定する自重計センサ１２が測定
する車両の積載荷重の補正にかかる学習を所定の学習パ
ラメータを用いて予め実行するとともに、この学習の結
果に基づいて自重計センサ１２が測定した積載荷重を補
正して実荷重を求める実荷重演算手段１６を備えて成
る。学習は、具体的には、バックプロパゲーション学習
規則を用いた予め教示学習によって実現している。
【００３５】自重計センサ１２は、図２に示すように、
車両の荷台の下の所定の位置に複数設けられている。本
発明の実施の形態では、各社軸の近傍に各々１つづつの
自重計センサ１２を設けている。自重計センサ１２から
のセンサ出力は、図２に示すアンプ手段、インターフェ
ース手段、Ａ／Ｄ手段を経て、所定のディジタルか処理
が実行されて測定荷重情報１２ａとなる。
車両の荷台の下の所定の位置に複数設けられている。本
発明の実施の形態では、各社軸の近傍に各々１つづつの
自重計センサ１２を設けている。自重計センサ１２から
のセンサ出力は、図２に示すアンプ手段、インターフェ
ース手段、Ａ／Ｄ手段を経て、所定のディジタルか処理
が実行されて測定荷重情報１２ａとなる。
【００３６】このような実荷重演算手段１６を用いるこ
とにより、車両の均等積載荷重、前偏積載荷重、後偏積
載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パタ
ーンの影響や自重計センサ１２の出力特性の影響を精度
良く補正できる。自重測定装置１０は、図１に示すよう
に、入力層１６Ａと中間層１６Ｂとの間の学習済みの重
み情報１４ａ、中間層１６Ｂと出力層１６Ｃとの間の学
習済みの重み情報１４ａ、入力層１６Ａを構成する全ニ
ューロンについてセンサ種類識別情報１４ｂに応じて予
め学習（具体的には、バックプロパゲーション学習規則
を用いて教示学習）したセンサ種類識別ニューロン１５
と入力層１６Ａとの間の重み情報１４ａ、および中間層
１６Ｂを構成する全ニューロンについてセンサ種類識別
情報１４ｂに応じて予め学習したセンサ種類識別ニュー
ロン１５と中間層１６Ｂとの間の重み情報１４ａを随時
記憶および読み出し可能なメモリ手段１４を備えて成
る。
とにより、車両の均等積載荷重、前偏積載荷重、後偏積
載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パタ
ーンの影響や自重計センサ１２の出力特性の影響を精度
良く補正できる。自重測定装置１０は、図１に示すよう
に、入力層１６Ａと中間層１６Ｂとの間の学習済みの重
み情報１４ａ、中間層１６Ｂと出力層１６Ｃとの間の学
習済みの重み情報１４ａ、入力層１６Ａを構成する全ニ
ューロンについてセンサ種類識別情報１４ｂに応じて予
め学習（具体的には、バックプロパゲーション学習規則
を用いて教示学習）したセンサ種類識別ニューロン１５
と入力層１６Ａとの間の重み情報１４ａ、および中間層
１６Ｂを構成する全ニューロンについてセンサ種類識別
情報１４ｂに応じて予め学習したセンサ種類識別ニュー
ロン１５と中間層１６Ｂとの間の重み情報１４ａを随時
記憶および読み出し可能なメモリ手段１４を備えて成
る。
【００３７】メモリ手段１４としてはＥＥＰＲＯＭ等の
半導体記憶デバイス、ＭＯ等の磁気光記憶手段、磁気デ
ィスク等の磁気記憶手段等を用いることができる。この
ような実荷重演算手段１６を用いることにより、自重計
センサ１２の出力特性の影響を精度良く補正できる。
半導体記憶デバイス、ＭＯ等の磁気光記憶手段、磁気デ
ィスク等の磁気記憶手段等を用いることができる。この
ような実荷重演算手段１６を用いることにより、自重計
センサ１２の出力特性の影響を精度良く補正できる。
【００３８】また自重測定装置１０は、図１に示すよう
に、実荷重情報１６ａを表示するための荷重表示手段１
７を備えて成る。このような荷重表示手段１７を用いる
ことにより、算出された真の積載荷重である実荷重演算
手段１６をその場でリアルタイムに認識することができ
る。
に、実荷重情報１６ａを表示するための荷重表示手段１
７を備えて成る。このような荷重表示手段１７を用いる
ことにより、算出された真の積載荷重である実荷重演算
手段１６をその場でリアルタイムに認識することができ
る。
【００３９】次に、図１および図２を参照して、発明の
実施の形態の実荷重演算手段１６の構成を説明する。実
荷重演算手段１６は、図１に示すように、多層フィード
フォワード型ニューラルネットワークを用いることによ
って、所定の学習パラメータを用いたニューロ演算に基
づいて実荷重情報１６ａを出力することができる。
実施の形態の実荷重演算手段１６の構成を説明する。実
荷重演算手段１６は、図１に示すように、多層フィード
フォワード型ニューラルネットワークを用いることによ
って、所定の学習パラメータを用いたニューロ演算に基
づいて実荷重情報１６ａを出力することができる。
【００４０】自重計センサ１２が測定する車両の積載荷
重の補正にかかる学習は、バックプロパゲーションを用
いた教示学習によって実現している。重み情報１４ａ
は、このバックプロパゲーションの学習規則に従って生
成することができる。また実荷重演算手段１６における
学習に用いられる所定の学習パラメータは、自重計セン
サ１２を用いて測定された積載荷重にかかる測定荷重情
報１２ａである。
重の補正にかかる学習は、バックプロパゲーションを用
いた教示学習によって実現している。重み情報１４ａ
は、このバックプロパゲーションの学習規則に従って生
成することができる。また実荷重演算手段１６における
学習に用いられる所定の学習パラメータは、自重計セン
サ１２を用いて測定された積載荷重にかかる測定荷重情
報１２ａである。
【００４１】実荷重演算手段１６は、手動による調整に
応じて、教師信号を訂正して再学習を行うことができ
る。このような再学習可能な実荷重演算手段１６を用い
ることにより、車両の均等積載荷重、前偏積載荷重、後
偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重
パターンの影響や自重計センサ１２の出力特性の影響を
より正確に重み情報１４ａに反映させることが可能とな
り、測定荷重情報１２ａをさらに精度良く補正して、真
の積載荷重である実荷重情報１６ａを算出することがで
きる。再学習は、具体的には、バックプロパゲーション
学習規則を用いた予め教示学習によって実現している。
応じて、教師信号を訂正して再学習を行うことができ
る。このような再学習可能な実荷重演算手段１６を用い
ることにより、車両の均等積載荷重、前偏積載荷重、後
偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重
パターンの影響や自重計センサ１２の出力特性の影響を
より正確に重み情報１４ａに反映させることが可能とな
り、測定荷重情報１２ａをさらに精度良く補正して、真
の積載荷重である実荷重情報１６ａを算出することがで
きる。再学習は、具体的には、バックプロパゲーション
学習規則を用いた予め教示学習によって実現している。
【００４２】また車両の積載荷重パターンの変更や自重
計センサ１２の出力特性の変更を柔軟にかつ迅速に重み
情報１４ａに反映させることが可能となり、測定荷重情
報１２ａをさらに精度良く補正して、真の積載荷重であ
る実荷重情報１６ａを算出することができる。
計センサ１２の出力特性の変更を柔軟にかつ迅速に重み
情報１４ａに反映させることが可能となり、測定荷重情
報１２ａをさらに精度良く補正して、真の積載荷重であ
る実荷重情報１６ａを算出することができる。
【００４３】次に、図を参照して、発明の実施の形態の
多層フィードフォワード型ニューラルネットワークの構
成を説明する。図４は本発明の実施の形態にかかる自重
測定装置１０の学習課程を説明した図であって、図４
（ａ）はニューロン数と最大誤差幅との関係を示すグラ
フであり、図４（ｂ）は学習回数と最大誤差幅との関係
を示すグラフであり、図４（ｃ）は学習回数と学習時間
との関係を示すグラフである。
多層フィードフォワード型ニューラルネットワークの構
成を説明する。図４は本発明の実施の形態にかかる自重
測定装置１０の学習課程を説明した図であって、図４
（ａ）はニューロン数と最大誤差幅との関係を示すグラ
フであり、図４（ｂ）は学習回数と最大誤差幅との関係
を示すグラフであり、図４（ｃ）は学習回数と学習時間
との関係を示すグラフである。
【００４４】図５は本発明の実施の形態にかかる実荷重
演算手段１６（多層フィードフォワード型ニューラルネ
ットワーク）のニューロン数、伝達関数、学習回数を具
体例を示したテーブルある。図６は本発明の実施の形態
にかかる実荷重演算手段１６（多層フィードフォワード
型ニューラルネットワーク）を用いた場合の結果である
表示値と積載荷重との関係を示すグラフある。
演算手段１６（多層フィードフォワード型ニューラルネ
ットワーク）のニューロン数、伝達関数、学習回数を具
体例を示したテーブルある。図６は本発明の実施の形態
にかかる実荷重演算手段１６（多層フィードフォワード
型ニューラルネットワーク）を用いた場合の結果である
表示値と積載荷重との関係を示すグラフある。
【００４５】図７は本発明の実施の形態にかかる実荷重
演算手段１６（多層フィードフォワード型ニューラルネ
ットワーク）を用いた場合の結果である表示値の最大誤
差幅と積載荷重パターンとの関係を示すテーブルある。
図５に示すように、多層フィードフォワード型ニューラ
ルネットワークにおいて、入力層１６Ａと中間層１６Ｂ
との間の伝達関数はタンジェントシグモイド関数であ
り、中間層１６Ｂと出力層１６Ｃとの間の伝達関数はピ
ュアライン関数である。
演算手段１６（多層フィードフォワード型ニューラルネ
ットワーク）を用いた場合の結果である表示値の最大誤
差幅と積載荷重パターンとの関係を示すテーブルある。
図５に示すように、多層フィードフォワード型ニューラ
ルネットワークにおいて、入力層１６Ａと中間層１６Ｂ
との間の伝達関数はタンジェントシグモイド関数であ
り、中間層１６Ｂと出力層１６Ｃとの間の伝達関数はピ
ュアライン関数である。
【００４６】図４（ｂ）および図５に示すように、測定
荷重情報１２ａと実荷重演算手段１６との最大誤差幅が
１０％以内に収まるように、学習回数（具体的には、バ
ックプロパゲーション学習規則を用いて予め教示学習の
回数）を１００００回程度に設定している。
荷重情報１２ａと実荷重演算手段１６との最大誤差幅が
１０％以内に収まるように、学習回数（具体的には、バ
ックプロパゲーション学習規則を用いて予め教示学習の
回数）を１００００回程度に設定している。
【００４７】自重測定装置１０に具備された多層フィー
ドフォワード型ニューラルネットワークにおいて、入力
層１６Ａを構成する各ニューロンは、図１に示すよう
に、所定の学習パラメータの数に応じて各々一対一に対
応させて設けられるとともに、中間層１６Ｂを構成する
全ニューロンについて予め学習（具体的には、バックプ
ロパゲーション学習規則を用いて予め教示学習）された
重み情報（具体的には、バックプロパゲーションの学習
規則を用いて予め教示学習された重み情報）１４ａによ
ってこの全ニューロンの各々と結合されて成る。
ドフォワード型ニューラルネットワークにおいて、入力
層１６Ａを構成する各ニューロンは、図１に示すよう
に、所定の学習パラメータの数に応じて各々一対一に対
応させて設けられるとともに、中間層１６Ｂを構成する
全ニューロンについて予め学習（具体的には、バックプ
ロパゲーション学習規則を用いて予め教示学習）された
重み情報（具体的には、バックプロパゲーションの学習
規則を用いて予め教示学習された重み情報）１４ａによ
ってこの全ニューロンの各々と結合されて成る。
【００４８】入力層１６Ａを構成するニューロンの数は
積載荷重パターンの数に応じて決定される。具体的に
は、車両の均等積載荷重、前偏積載荷重、後偏積載荷
重、右偏積載荷重、左偏積載荷重の５つの積載荷重パタ
ーンを用いるときは、入力層１６Ａを構成するニューロ
ンの数は５こに設定される。
積載荷重パターンの数に応じて決定される。具体的に
は、車両の均等積載荷重、前偏積載荷重、後偏積載荷
重、右偏積載荷重、左偏積載荷重の５つの積載荷重パタ
ーンを用いるときは、入力層１６Ａを構成するニューロ
ンの数は５こに設定される。
【００４９】中間層１６Ｂを構成するニューロンの数
は、図４（ａ）および図５に示すように、測定荷重情報
１２ａと実荷重演算手段１６との最大誤差幅が１０％以
内に収まるように、中間層１６Ｂのニューロン数を１２
ニューロンに設定している。なお、学習の困難度に応じ
て決定されるものなので、本発明の実施の形態では可変
としている。
は、図４（ａ）および図５に示すように、測定荷重情報
１２ａと実荷重演算手段１６との最大誤差幅が１０％以
内に収まるように、中間層１６Ｂのニューロン数を１２
ニューロンに設定している。なお、学習の困難度に応じ
て決定されるものなので、本発明の実施の形態では可変
としている。
【００５０】さらに、出力層１６Ｃを構成する各ニュー
ロンは、図１に示すように、中間層１６Ｂを構成する全
ニューロンについて予め学習された重み情報１４ａによ
ってこの全ニューロンの各々と結合されて成る。また具
体的な多層フィードフォワード型ニューラルネットワー
クは、具体的には、コンピュータ上でのプログラムによ
って達成することができる。
ロンは、図１に示すように、中間層１６Ｂを構成する全
ニューロンについて予め学習された重み情報１４ａによ
ってこの全ニューロンの各々と結合されて成る。また具
体的な多層フィードフォワード型ニューラルネットワー
クは、具体的には、コンピュータ上でのプログラムによ
って達成することができる。
【００５１】本発明の実施の形態では、中間層１６Ｂを
構成するニューロンの数を１２、学習回数を１００００
回とした場合、図４（ｃ）に示すように、測定荷重情報
１２ａと実荷重演算手段１６との最大誤差幅が１０％以
内に収束するまでの学習時間は約３００時間程度であ
る。
構成するニューロンの数を１２、学習回数を１００００
回とした場合、図４（ｃ）に示すように、測定荷重情報
１２ａと実荷重演算手段１６との最大誤差幅が１０％以
内に収束するまでの学習時間は約３００時間程度であ
る。
【００５２】このような実荷重演算手段１６を用いるこ
とにより、図４（ａ）〜図４（ｃ）に示すように、最短
の学習時間および最小の学習回数で、測定荷重情報１２
ａと実荷重演算手段１６との最大誤差幅を最小にするこ
とができる。つまり、高い学習精度で測定荷重情報１２
ａを精度良く補正して、真の積載荷重である実荷重情報
１６ａを算出することができる。
とにより、図４（ａ）〜図４（ｃ）に示すように、最短
の学習時間および最小の学習回数で、測定荷重情報１２
ａと実荷重演算手段１６との最大誤差幅を最小にするこ
とができる。つまり、高い学習精度で測定荷重情報１２
ａを精度良く補正して、真の積載荷重である実荷重情報
１６ａを算出することができる。
【００５３】このような多層フィードフォワード型ニュ
ーラルネットワークを具備した実荷重演算手段１６を用
いることにより、車両の均等積載荷重、前偏積載荷重、
後偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷
重パターンの影響や自重計センサ１２の出力特性の影響
を受けた測定荷重情報１２ａを精度良く補正して、真の
積載荷重である実荷重情報１６ａを算出することができ
る。
ーラルネットワークを具備した実荷重演算手段１６を用
いることにより、車両の均等積載荷重、前偏積載荷重、
後偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷
重パターンの影響や自重計センサ１２の出力特性の影響
を受けた測定荷重情報１２ａを精度良く補正して、真の
積載荷重である実荷重情報１６ａを算出することができ
る。
【００５４】実荷重演算手段１６は、このような多層フ
ィードフォワード型ニューラルネットワークを用いるこ
とによって、所定の学習パラメータを用いたニューロ演
算に基づいて実荷重情報１６ａを出力することができ
る。このようなメモリ手段１４から読み出した重み情報
１４ａによって決定される多層フィードフォワード型ニ
ューラルネットワークを具備した実荷重演算手段１６を
用いることにより、図６における表示値と積載荷重との
関係を示すグラフに示すように、自重計センサ１２の出
力特性の影響を受けた測定荷重情報１２ａを精度良く補
正して（具体的には、１５％程度の最大誤差を３％程度
まで小さくする補正を実行して）、真の積載荷重である
実荷重情報１６ａを算出することができる。
ィードフォワード型ニューラルネットワークを用いるこ
とによって、所定の学習パラメータを用いたニューロ演
算に基づいて実荷重情報１６ａを出力することができ
る。このようなメモリ手段１４から読み出した重み情報
１４ａによって決定される多層フィードフォワード型ニ
ューラルネットワークを具備した実荷重演算手段１６を
用いることにより、図６における表示値と積載荷重との
関係を示すグラフに示すように、自重計センサ１２の出
力特性の影響を受けた測定荷重情報１２ａを精度良く補
正して（具体的には、１５％程度の最大誤差を３％程度
まで小さくする補正を実行して）、真の積載荷重である
実荷重情報１６ａを算出することができる。
【００５５】また図７における表示値の最大誤差幅と積
載荷重パターンとの関係を示すテーブルに示すように、
車両の均等積載荷重、前偏積載荷重、後偏積載荷重、右
偏積載荷重、左偏積載荷重等の積載荷重パターンの影響
や自重計センサ１２の出力特性の影響を受けた測定荷重
情報１２ａを精度良く補正して（具体的には、各種の積
載荷重パターンにおいて、９％〜１５％程度の最大誤差
を３％〜５％程度まで小さくする補正を実行して）、真
の積載荷重である実荷重情報１６ａを算出することがで
きる。
載荷重パターンとの関係を示すテーブルに示すように、
車両の均等積載荷重、前偏積載荷重、後偏積載荷重、右
偏積載荷重、左偏積載荷重等の積載荷重パターンの影響
や自重計センサ１２の出力特性の影響を受けた測定荷重
情報１２ａを精度良く補正して（具体的には、各種の積
載荷重パターンにおいて、９％〜１５％程度の最大誤差
を３％〜５％程度まで小さくする補正を実行して）、真
の積載荷重である実荷重情報１６ａを算出することがで
きる。
【００５６】次に、図１を参照して、センサ種類識別ニ
ューロン１５を有する多層フィードフォワード型ニュー
ラルネットワークの構成を説明する。多層フィードフォ
ワード型ニューラルネットワークは、入力層１６Ａと中
間層１６Ｂとの間には、自重計センサ１２の種類を識別
するためのセンサ種類識別情報１４ｂを入力するための
センサ種類識別ニューロン１５を備えて成る。
ューロン１５を有する多層フィードフォワード型ニュー
ラルネットワークの構成を説明する。多層フィードフォ
ワード型ニューラルネットワークは、入力層１６Ａと中
間層１６Ｂとの間には、自重計センサ１２の種類を識別
するためのセンサ種類識別情報１４ｂを入力するための
センサ種類識別ニューロン１５を備えて成る。
【００５７】センサ種類識別ニューロン１５は、図１に
示すように、入力層１６Ａを構成する全ニューロンにつ
いてセンサ種類識別情報１４ｂに応じて予め学習（具体
的には、バックプロパゲーション学習規則を用いて予め
教示学習）したこのセンサ種類識別ニューロン１５とこ
の入力層１６Ａとの間の重み情報（具体的には、バック
プロパゲーションの学習規則を用いて予め教示学習され
た重み情報）１４ａによってこの全ニューロンの各々と
結合されて成り、さらに中間層１６Ｂを構成する全ニュ
ーロンについてセンサ種類識別情報１４ｂに応じて予め
学習したこのセンサ種類識別ニューロン１５とこの中間
層１６Ｂとの間の重み情報１４ａによってこの全ニュー
ロンの各々と結合されて成る。
示すように、入力層１６Ａを構成する全ニューロンにつ
いてセンサ種類識別情報１４ｂに応じて予め学習（具体
的には、バックプロパゲーション学習規則を用いて予め
教示学習）したこのセンサ種類識別ニューロン１５とこ
の入力層１６Ａとの間の重み情報（具体的には、バック
プロパゲーションの学習規則を用いて予め教示学習され
た重み情報）１４ａによってこの全ニューロンの各々と
結合されて成り、さらに中間層１６Ｂを構成する全ニュ
ーロンについてセンサ種類識別情報１４ｂに応じて予め
学習したこのセンサ種類識別ニューロン１５とこの中間
層１６Ｂとの間の重み情報１４ａによってこの全ニュー
ロンの各々と結合されて成る。
【００５８】多層フィードフォワード型ニューラルネッ
トワークにおいて、センサ種類識別ニューロン１５と入
力層１６Ａの各ニューロンとは、メモリ手段１４から読
み出されたセンサ種類識別ニューロン１５と入力層１６
Ａとの間の重み情報１４ａによって各々結合されて成
る。
トワークにおいて、センサ種類識別ニューロン１５と入
力層１６Ａの各ニューロンとは、メモリ手段１４から読
み出されたセンサ種類識別ニューロン１５と入力層１６
Ａとの間の重み情報１４ａによって各々結合されて成
る。
【００５９】さらに、センサ種類識別ニューロン１５と
中間層１６Ｂの各ニューロンとは、メモリ手段１４から
読み出されたセンサ種類識別ニューロン１５と中間層１
６Ｂとの間の重み情報１４ａによって各々結合されて成
る。さらに、入力層１６Ａを構成する各ニューロンは、
メモリ手段１４から読み出された入力層１６Ａと中間層
１６Ｂとの間の学習済みの重み情報１４ａによってこの
中間層１６Ｂの全ニューロンの各々と結合されて成る。
中間層１６Ｂの各ニューロンとは、メモリ手段１４から
読み出されたセンサ種類識別ニューロン１５と中間層１
６Ｂとの間の重み情報１４ａによって各々結合されて成
る。さらに、入力層１６Ａを構成する各ニューロンは、
メモリ手段１４から読み出された入力層１６Ａと中間層
１６Ｂとの間の学習済みの重み情報１４ａによってこの
中間層１６Ｂの全ニューロンの各々と結合されて成る。
【００６０】さらに、中間層１６Ｂを構成する各ニュー
ロンは、メモリ手段１４から読み出された中間層１６Ｂ
と出力層１６Ｃとの間の学習済みの重み情報１４ａによ
ってこの出力層１６Ｃの全ニューロンの各々と結合され
て成る。このようなセンサ種類識別ニューロン１５を付
加した多層フィードフォワード型ニューラルネットワー
クを具備した実荷重演算手段１６を用いることにより、
車両の均等積載荷重、前偏積載荷重、後偏積載荷重、右
偏積載荷重、左偏積載荷重等の積載荷重パターンの影響
や自重計センサ１２の出力特性の影響を受けた測定荷重
情報１２ａを精度良く補正して、真の積載荷重である実
荷重情報１６ａを算出することができる。また重み情報
１４ａをメモリ手段１４に記憶および読み出しが随時で
きるので、車両から離れた別の場所で重み情報１４ａを
エディットしたり、デバッグすることが容易となる。ま
た、自重測定装置１０に不具合が発生した場合でも、重
み情報１４ａをメモリ手段１４に待避させておくことが
できるので、リッセット動作をして重み情報１４ａを再
び読み込むことにより、迅速に自重測定装置１０の再立
ち上げが容易となる。
ロンは、メモリ手段１４から読み出された中間層１６Ｂ
と出力層１６Ｃとの間の学習済みの重み情報１４ａによ
ってこの出力層１６Ｃの全ニューロンの各々と結合され
て成る。このようなセンサ種類識別ニューロン１５を付
加した多層フィードフォワード型ニューラルネットワー
クを具備した実荷重演算手段１６を用いることにより、
車両の均等積載荷重、前偏積載荷重、後偏積載荷重、右
偏積載荷重、左偏積載荷重等の積載荷重パターンの影響
や自重計センサ１２の出力特性の影響を受けた測定荷重
情報１２ａを精度良く補正して、真の積載荷重である実
荷重情報１６ａを算出することができる。また重み情報
１４ａをメモリ手段１４に記憶および読み出しが随時で
きるので、車両から離れた別の場所で重み情報１４ａを
エディットしたり、デバッグすることが容易となる。ま
た、自重測定装置１０に不具合が発生した場合でも、重
み情報１４ａをメモリ手段１４に待避させておくことが
できるので、リッセット動作をして重み情報１４ａを再
び読み込むことにより、迅速に自重測定装置１０の再立
ち上げが容易となる。
【００６１】実荷重演算手段１６は、手動による調整に
応じて、教師信号を訂正して再学習を行うことができ
る。このような再学習可能な実荷重演算手段１６を用い
ることにより、車両の均等積載荷重、前偏積載荷重、後
偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重
パターンの影響や自重計センサ１２の出力特性の影響を
より正確に重み情報１４ａに反映させることが可能とな
り、測定荷重情報１２ａをさらに精度良く補正して、真
の積載荷重である実荷重情報１６ａを算出することがで
きる。
応じて、教師信号を訂正して再学習を行うことができ
る。このような再学習可能な実荷重演算手段１６を用い
ることにより、車両の均等積載荷重、前偏積載荷重、後
偏積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重
パターンの影響や自重計センサ１２の出力特性の影響を
より正確に重み情報１４ａに反映させることが可能とな
り、測定荷重情報１２ａをさらに精度良く補正して、真
の積載荷重である実荷重情報１６ａを算出することがで
きる。
【００６２】また車両の積載荷重パターンの変更や自重
計センサ１２の出力特性の変更を柔軟にかつ迅速に重み
情報１４ａに反映させることが可能となり、測定荷重情
報１２ａをさらに精度良く補正して、真の積載荷重であ
る実荷重情報１６ａを算出することができる。
計センサ１２の出力特性の変更を柔軟にかつ迅速に重み
情報１４ａに反映させることが可能となり、測定荷重情
報１２ａをさらに精度良く補正して、真の積載荷重であ
る実荷重情報１６ａを算出することができる。
【００６３】次に、図３を参照して、発明の実施の形態
の動作を説明する。図３は本発明の実施の形態にかかる
自重測定装置１０の学習課程を説明したフローチャート
である。自重測定装置１０の学習課程が開始されると、
多層フィードフォワード型ニューラルネットワークのセ
ンサ種類識別ニューロン１５にセンサ種類識別情報１４
ｂが入力される（ステップＳ１）。具体的には、センサ
種類識別情報１４ｂは、メモリ手段１４から読み出され
る。
の動作を説明する。図３は本発明の実施の形態にかかる
自重測定装置１０の学習課程を説明したフローチャート
である。自重測定装置１０の学習課程が開始されると、
多層フィードフォワード型ニューラルネットワークのセ
ンサ種類識別ニューロン１５にセンサ種類識別情報１４
ｂが入力される（ステップＳ１）。具体的には、センサ
種類識別情報１４ｂは、メモリ手段１４から読み出され
る。
【００６４】車両の均等積載荷重、前偏積載荷重、後偏
積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パ
ターンに応じた測定荷重情報１２ａが入力される（ステ
ップＳ１→ステップＳ２）。入力された測定荷重情報１
２ａ（具体的には、荷重を意味する数値、単位はＫｇ，
ｔｏｎなど）を０．１〜０．９までの数値に規格化する
（ステップＳ２→ステップＳ３）。
積載荷重、右偏積載荷重、左偏積載荷重等の積載荷重パ
ターンに応じた測定荷重情報１２ａが入力される（ステ
ップＳ１→ステップＳ２）。入力された測定荷重情報１
２ａ（具体的には、荷重を意味する数値、単位はＫｇ，
ｔｏｎなど）を０．１〜０．９までの数値に規格化する
（ステップＳ２→ステップＳ３）。
【００６５】これらに基づいて、学習（具体的には、バ
ックプロパゲーション学習規則を用いて予め教示学習）
が実行される（ステップＳ３→ステップＳ４）。学習結
果の評価が実行される（ステップＳ４→ステップＳ
５）。具体的には、測定荷重情報１２ａと実荷重演算手
段１６との最大誤差幅が１０％以内に収束するしたかを
評価している。
ックプロパゲーション学習規則を用いて予め教示学習）
が実行される（ステップＳ３→ステップＳ４）。学習結
果の評価が実行される（ステップＳ４→ステップＳ
５）。具体的には、測定荷重情報１２ａと実荷重演算手
段１６との最大誤差幅が１０％以内に収束するしたかを
評価している。
【００６６】十分な学習結果が得られたときは（ステッ
プＳ６の「十分」）、学習課程を終了する（ステップＳ
６の「十分」→ステップＳ７）。また学習結果が不十分
なときは（ステップＳ６の「不十分」）、十分な学習結
果が得られるまで学習処理をやり直して評価を行う処理
を繰り返す（ステップＳ６の「不十分」→ステップＳ４
→ステップＳ５→ステップＳ６）。十分な学習結果が得
られたときは（ステップＳ６の「十分」）、学習課程を
終了する（ステップＳ６の「十分」→ステップＳ７）。
プＳ６の「十分」）、学習課程を終了する（ステップＳ
６の「十分」→ステップＳ７）。また学習結果が不十分
なときは（ステップＳ６の「不十分」）、十分な学習結
果が得られるまで学習処理をやり直して評価を行う処理
を繰り返す（ステップＳ６の「不十分」→ステップＳ４
→ステップＳ５→ステップＳ６）。十分な学習結果が得
られたときは（ステップＳ６の「十分」）、学習課程を
終了する（ステップＳ６の「十分」→ステップＳ７）。
【００６７】以上説明したように本発明の実施の形態に
よれば、車両の均等積載荷重、前偏積載荷重、後偏積載
荷重、右偏積載荷重、左偏積載荷重等の積載荷重パター
ンの影響や自重計センサ１２の出力特性の影響を精度良
く補正できる。また、荷重表示手段１７を用いることに
より、算出された真の積載荷重である実荷重演算手段１
６をその場でリアルタイムに認識することができる。
よれば、車両の均等積載荷重、前偏積載荷重、後偏積載
荷重、右偏積載荷重、左偏積載荷重等の積載荷重パター
ンの影響や自重計センサ１２の出力特性の影響を精度良
く補正できる。また、荷重表示手段１７を用いることに
より、算出された真の積載荷重である実荷重演算手段１
６をその場でリアルタイムに認識することができる。
【００６８】また、多層フィードフォワード型ニューラ
ルネットワークを具備した実荷重演算手段１６を用いる
ことにより、最短の学習時間および最小の学習回数で、
測定荷重情報１２ａと実荷重演算手段１６との最大誤差
幅を最小にすることができる。つまり、高い学習精度で
測定荷重情報１２ａを精度良く補正して、真の積載荷重
である実荷重情報１６ａを算出することができる。
ルネットワークを具備した実荷重演算手段１６を用いる
ことにより、最短の学習時間および最小の学習回数で、
測定荷重情報１２ａと実荷重演算手段１６との最大誤差
幅を最小にすることができる。つまり、高い学習精度で
測定荷重情報１２ａを精度良く補正して、真の積載荷重
である実荷重情報１６ａを算出することができる。
【００６９】さらに、メモリ手段１４から読み出した重
み情報１４ａによって決定される多層フィードフォワー
ド型ニューラルネットワークを具備した実荷重演算手段
１６を用いることにより、車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンの影響や自重計センサ１２の出力特
性の影響を受けた測定荷重情報１２ａを精度良く補正し
て、真の積載荷重である実荷重情報１６ａを算出するこ
とができる。また重み情報１４ａをメモリ手段１４に記
憶および読み出しが随時できるので、車両から離れた別
の場所で重み情報１４ａをエディットしたり、デバッグ
することが容易となる。また、自重測定装置１０に不具
合が発生した場合でも、重み情報１４ａをメモリ手段１
４に待避させておくことができるので、リッセット動作
をして重み情報１４ａを再び読み込むことにより、迅速
に自重測定装置１０の再立ち上げが容易となる。
み情報１４ａによって決定される多層フィードフォワー
ド型ニューラルネットワークを具備した実荷重演算手段
１６を用いることにより、車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンの影響や自重計センサ１２の出力特
性の影響を受けた測定荷重情報１２ａを精度良く補正し
て、真の積載荷重である実荷重情報１６ａを算出するこ
とができる。また重み情報１４ａをメモリ手段１４に記
憶および読み出しが随時できるので、車両から離れた別
の場所で重み情報１４ａをエディットしたり、デバッグ
することが容易となる。また、自重測定装置１０に不具
合が発生した場合でも、重み情報１４ａをメモリ手段１
４に待避させておくことができるので、リッセット動作
をして重み情報１４ａを再び読み込むことにより、迅速
に自重測定装置１０の再立ち上げが容易となる。
【００７０】また、重み情報１４ａをメモリ手段１４に
記憶および読み出しが随時できるので、車両から離れた
別の場所で重み情報１４ａをエディットしたり、デバッ
グすることが容易となる。また、自重測定装置１０に不
具合が発生した場合でも、重み情報１４ａをメモリ手段
１４に待避させておくことができるので、リッセット動
作をして重み情報１４ａを再び読み込むことにより、迅
速に自重測定装置１０の再立ち上げが容易となる。ま
た、センサ種類識別ニューロン１５を付加した多層フィ
ードフォワード型ニューラルネットワークを具備した実
荷重演算手段１６を用いることにより、車両の均等積載
荷重、前偏積載荷重、後偏積載荷重、右偏積載荷重、左
偏積載荷重等の積載荷重パターンの影響や自重計センサ
１２の出力特性の影響を受けた測定荷重情報１２ａを精
度良く補正して、真の積載荷重である実荷重情報１６ａ
を算出することができる。
記憶および読み出しが随時できるので、車両から離れた
別の場所で重み情報１４ａをエディットしたり、デバッ
グすることが容易となる。また、自重測定装置１０に不
具合が発生した場合でも、重み情報１４ａをメモリ手段
１４に待避させておくことができるので、リッセット動
作をして重み情報１４ａを再び読み込むことにより、迅
速に自重測定装置１０の再立ち上げが容易となる。ま
た、センサ種類識別ニューロン１５を付加した多層フィ
ードフォワード型ニューラルネットワークを具備した実
荷重演算手段１６を用いることにより、車両の均等積載
荷重、前偏積載荷重、後偏積載荷重、右偏積載荷重、左
偏積載荷重等の積載荷重パターンの影響や自重計センサ
１２の出力特性の影響を受けた測定荷重情報１２ａを精
度良く補正して、真の積載荷重である実荷重情報１６ａ
を算出することができる。
【００７１】また、再学習可能な実荷重演算手段１６を
用いることにより、車両の均等積載荷重、前偏積載荷
重、後偏積載荷重、右偏積載荷重、左偏積載荷重等の積
載荷重パターンの影響や自重計センサ１２の出力特性の
影響をより正確に重み情報１４ａに反映させることが可
能となり、測定荷重情報１２ａをさらに精度良く補正し
て、真の積載荷重である実荷重情報１６ａを算出するこ
とができる。また車両の積載荷重パターンの変更や自重
計センサ１２の出力特性の変更を柔軟にかつ迅速に重み
情報１４ａに反映させることが可能となり、測定荷重情
報１２ａをさらに精度良く補正して、真の積載荷重であ
る実荷重情報１６ａを算出することができる。
用いることにより、車両の均等積載荷重、前偏積載荷
重、後偏積載荷重、右偏積載荷重、左偏積載荷重等の積
載荷重パターンの影響や自重計センサ１２の出力特性の
影響をより正確に重み情報１４ａに反映させることが可
能となり、測定荷重情報１２ａをさらに精度良く補正し
て、真の積載荷重である実荷重情報１６ａを算出するこ
とができる。また車両の積載荷重パターンの変更や自重
計センサ１２の出力特性の変更を柔軟にかつ迅速に重み
情報１４ａに反映させることが可能となり、測定荷重情
報１２ａをさらに精度良く補正して、真の積載荷重であ
る実荷重情報１６ａを算出することができる。
【００７２】
【発明の効果】請求項１に記載の自重測定装置によれ
ば、車両の均等積載荷重、前偏積載荷重、後偏積載荷
重、右偏積載荷重、左偏積載荷重等の積載荷重パターン
の影響や自重計センサの出力特性の影響を精度良く補正
できる。
ば、車両の均等積載荷重、前偏積載荷重、後偏積載荷
重、右偏積載荷重、左偏積載荷重等の積載荷重パターン
の影響や自重計センサの出力特性の影響を精度良く補正
できる。
【００７３】請求項２に記載の自重測定装置によれば、
自重計センサの出力特性の影響を精度良く補正できる。
請求項３に記載の自重測定装置によれば、車両の均等積
載荷重、前偏積載荷重、後偏積載荷重、右偏積載荷重、
左偏積載荷重等の積載荷重パターンの影響や自重計セン
サの出力特性の影響を受けた測定荷重情報を精度良く補
正して、真の積載荷重である実荷重演算手段を算出する
ことができる。
自重計センサの出力特性の影響を精度良く補正できる。
請求項３に記載の自重測定装置によれば、車両の均等積
載荷重、前偏積載荷重、後偏積載荷重、右偏積載荷重、
左偏積載荷重等の積載荷重パターンの影響や自重計セン
サの出力特性の影響を受けた測定荷重情報を精度良く補
正して、真の積載荷重である実荷重演算手段を算出する
ことができる。
【００７４】請求項４に記載の自重測定装置によれば、
メモリ手段から読み出した重み情報によって決定される
多層フィードフォワード型ニューラルネットワークを具
備した実荷重演算手段を用いることにより、車両の均等
積載荷重、前偏積載荷重、後偏積載荷重、右偏積載荷
重、左偏積載荷重等の積載荷重パターンの影響や自重計
センサの出力特性の影響を受けた測定荷重情報を精度良
く補正して、真の積載荷重である実荷重演算手段を算出
することができる。また重み情報をメモリ手段に記憶お
よび読み出しが随時できるので、車両から離れた別の場
所で重み情報をエディットしたり、デバッグすることが
容易となる。また、自重測定装置に不具合が発生した場
合でも、重み情報をメモリ手段に待避させておくことが
できるので、リッセット動作をして重み情報を再び読み
込むことにより、迅速に自重測定装置の再立ち上げが容
易となる。
メモリ手段から読み出した重み情報によって決定される
多層フィードフォワード型ニューラルネットワークを具
備した実荷重演算手段を用いることにより、車両の均等
積載荷重、前偏積載荷重、後偏積載荷重、右偏積載荷
重、左偏積載荷重等の積載荷重パターンの影響や自重計
センサの出力特性の影響を受けた測定荷重情報を精度良
く補正して、真の積載荷重である実荷重演算手段を算出
することができる。また重み情報をメモリ手段に記憶お
よび読み出しが随時できるので、車両から離れた別の場
所で重み情報をエディットしたり、デバッグすることが
容易となる。また、自重測定装置に不具合が発生した場
合でも、重み情報をメモリ手段に待避させておくことが
できるので、リッセット動作をして重み情報を再び読み
込むことにより、迅速に自重測定装置の再立ち上げが容
易となる。
【００７５】請求項５に記載の自重測定装置によれば、
センサ種類識別ニューロンを付加した多層フィードフォ
ワード型ニューラルネットワークを具備した実荷重演算
手段を用いることにより、車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンの影響や自重計センサの出力特性の
影響を受けた測定荷重情報を精度良く補正して、真の積
載荷重である実荷重演算手段を算出することができる。
また重み情報をメモリ手段に記憶および読み出しが随時
できるので、車両から離れた別の場所で重み情報をエデ
ィットしたり、デバッグすることが容易となる。また、
自重測定装置に不具合が発生した場合でも、重み情報を
メモリ手段に待避させておくことができるので、リッセ
ット動作をして重み情報を再び読み込むことにより、迅
速に自重測定装置の再立ち上げが容易となる。
センサ種類識別ニューロンを付加した多層フィードフォ
ワード型ニューラルネットワークを具備した実荷重演算
手段を用いることにより、車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンの影響や自重計センサの出力特性の
影響を受けた測定荷重情報を精度良く補正して、真の積
載荷重である実荷重演算手段を算出することができる。
また重み情報をメモリ手段に記憶および読み出しが随時
できるので、車両から離れた別の場所で重み情報をエデ
ィットしたり、デバッグすることが容易となる。また、
自重測定装置に不具合が発生した場合でも、重み情報を
メモリ手段に待避させておくことができるので、リッセ
ット動作をして重み情報を再び読み込むことにより、迅
速に自重測定装置の再立ち上げが容易となる。
【００７６】請求項６に記載の自重測定装置によれば、
センサ種類識別ニューロンを付加した多層フィードフォ
ワード型ニューラルネットワークを具備した実荷重演算
手段を用いることにより、車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンの影響や自重計センサの出力特性の
影響を受けた測定荷重情報を精度良く補正して、真の積
載荷重である実荷重演算手段を算出することができる。
また重み情報をメモリ手段に記憶および読み出しが随時
できるので、車両から離れた別の場所で重み情報をエデ
ィットしたり、デバッグすることが容易となる。また、
自重測定装置に不具合が発生した場合でも、重み情報を
メモリ手段に待避させておくことができるので、リッセ
ット動作をして重み情報を再び読み込むことにより、迅
速に自重測定装置の再立ち上げが容易となる。
センサ種類識別ニューロンを付加した多層フィードフォ
ワード型ニューラルネットワークを具備した実荷重演算
手段を用いることにより、車両の均等積載荷重、前偏積
載荷重、後偏積載荷重、右偏積載荷重、左偏積載荷重等
の積載荷重パターンの影響や自重計センサの出力特性の
影響を受けた測定荷重情報を精度良く補正して、真の積
載荷重である実荷重演算手段を算出することができる。
また重み情報をメモリ手段に記憶および読み出しが随時
できるので、車両から離れた別の場所で重み情報をエデ
ィットしたり、デバッグすることが容易となる。また、
自重測定装置に不具合が発生した場合でも、重み情報を
メモリ手段に待避させておくことができるので、リッセ
ット動作をして重み情報を再び読み込むことにより、迅
速に自重測定装置の再立ち上げが容易となる。
【００７７】請求項７に記載の自重測定装置によれば、
再学習可能な実荷重演算手段を用いることにより、車両
の均等積載荷重、前偏積載荷重、後偏積載荷重、右偏積
載荷重、左偏積載荷重等の積載荷重パターンの影響や自
重計センサの出力特性の影響をより正確に重み情報に反
映させることが可能となり、測定荷重情報をさらに精度
良く補正して、真の積載荷重である実荷重演算手段を算
出することができる。
再学習可能な実荷重演算手段を用いることにより、車両
の均等積載荷重、前偏積載荷重、後偏積載荷重、右偏積
載荷重、左偏積載荷重等の積載荷重パターンの影響や自
重計センサの出力特性の影響をより正確に重み情報に反
映させることが可能となり、測定荷重情報をさらに精度
良く補正して、真の積載荷重である実荷重演算手段を算
出することができる。
【００７８】また車両の積載荷重パターンの変更や自重
計センサの出力特性の変更を柔軟にかつ迅速に重み情報
に反映させることが可能となり、測定荷重情報をさらに
精度良く補正して、真の積載荷重である実荷重演算手段
を算出することができる。請求項８に記載の自重測定装
置によれば、実荷重演算手段を用いることにより、最短
の学習時間および最小の学習回数で、測定荷重情報と実
荷重演算手段との最大誤差幅を最小にすることができ
る。つまり、高い学習精度で測定荷重情報を精度良く補
正して、真の積載荷重である実荷重演算手段を算出する
ことができる。
計センサの出力特性の変更を柔軟にかつ迅速に重み情報
に反映させることが可能となり、測定荷重情報をさらに
精度良く補正して、真の積載荷重である実荷重演算手段
を算出することができる。請求項８に記載の自重測定装
置によれば、実荷重演算手段を用いることにより、最短
の学習時間および最小の学習回数で、測定荷重情報と実
荷重演算手段との最大誤差幅を最小にすることができ
る。つまり、高い学習精度で測定荷重情報を精度良く補
正して、真の積載荷重である実荷重演算手段を算出する
ことができる。
【００７９】請求項９に記載の自重測定装置によれば、
荷重表示手段を用いることにより、算出された真の積載
荷重である実荷重演算手段をその場でリアルタイムに認
識することができる。
荷重表示手段を用いることにより、算出された真の積載
荷重である実荷重演算手段をその場でリアルタイムに認
識することができる。
【図１】本発明の実施の形態にかかる自重測定装置を示
す機能ブロック図である。
す機能ブロック図である。
【図２】本発明の実施の形態にかかる自重測定装置の車
両への実装形態を示す構成図である。
両への実装形態を示す構成図である。
【図３】本発明の実施の形態にかかる自重測定装置の学
習課程を説明したフローチャートである。
習課程を説明したフローチャートである。
【図４】本発明の実施の形態にかかる自重測定装置の学
習課程を説明した図であって、図４（ａ）はニューロン
数と最大誤差幅との関係を示すグラフであり、図４
（ｂ）は学習回数と最大誤差幅との関係を示すグラフで
あり、図４（ｃ）は学習回数と学習時間との関係を示す
グラフである。
習課程を説明した図であって、図４（ａ）はニューロン
数と最大誤差幅との関係を示すグラフであり、図４
（ｂ）は学習回数と最大誤差幅との関係を示すグラフで
あり、図４（ｃ）は学習回数と学習時間との関係を示す
グラフである。
【図５】本発明の実施の形態にかかる実荷重演算手段
（多層フィードフォワード型ニューラルネットワーク）
のニューロン数、伝達関数、学習回数を具体例を示した
テーブルある。
（多層フィードフォワード型ニューラルネットワーク）
のニューロン数、伝達関数、学習回数を具体例を示した
テーブルある。
【図６】本発明の実施の形態にかかる実荷重演算手段
（多層フィードフォワード型ニューラルネットワーク）
を用いた場合の結果である表示値と積載荷重との関係を
示すグラフある。
（多層フィードフォワード型ニューラルネットワーク）
を用いた場合の結果である表示値と積載荷重との関係を
示すグラフある。
【図７】本発明の実施の形態にかかる実荷重演算手段
（多層フィードフォワード型ニューラルネットワーク）
を用いた場合の結果である表示値の最大誤差幅と積載荷
重パターンとの関係を示すテーブルある。
（多層フィードフォワード型ニューラルネットワーク）
を用いた場合の結果である表示値の最大誤差幅と積載荷
重パターンとの関係を示すテーブルある。
【図８】従来の自重測定装置であって、図８（ａ）は従
来の自重測定装置を用いた場合の表示値と積載荷重と積
載荷重パターンとの関係を示すグラフあり、図８（ｂ）
および図８（ｃ）は変曲点補正を行った場合の補正結果
を説明したグラフであり、図８（ｄ）および図８（ｅ）
は同じ変曲点補正を別の積載荷重パターンに用いた場合
の補正結果を説明したグラフである。
来の自重測定装置を用いた場合の表示値と積載荷重と積
載荷重パターンとの関係を示すグラフあり、図８（ｂ）
および図８（ｃ）は変曲点補正を行った場合の補正結果
を説明したグラフであり、図８（ｄ）および図８（ｅ）
は同じ変曲点補正を別の積載荷重パターンに用いた場合
の補正結果を説明したグラフである。
１０ 自重測定装置 １２ 自重計センサ １２ａ 測定荷重情報 １４ メモリ手段 １４ａ 学習情報（重み情報） １４ｂ センサ種類識別情報 １５ センサ種類識別ニューロン １６ 実荷重演算手段（多層フィードフォワード型
ニューラルネットワーク） １６Ａ 入力層 １６Ｂ 中間層 １６Ｃ 出力層 １６ａ 実荷重情報 １７ 荷重表示手段
ニューラルネットワーク） １６Ａ 入力層 １６Ｂ 中間層 １６Ｃ 出力層 １６ａ 実荷重情報 １７ 荷重表示手段
Claims (9)
- 【請求項１】入力層、中間層、および出力層が階層化さ
れて成る多層フィードフォワード型ニューラルネットワ
ークを具備して成り、当該多層フィードフォワード型ニ
ューラルネットワークを用いて、車両の積載荷重を測定
する自重計センサが測定する車両の積載荷重の補正にか
かる学習を所定の学習パラメータを用いて予め実行する
とともに、当該学習の結果に基づいて自重計センサが測
定した積載荷重を補正して実荷重を求める実荷重演算手
段、 を備えて成ることを特徴とする自重測定装置。 - 【請求項２】請求項１に記載の実荷重演算手段における
学習に用いられる所定の学習パラメータは前記自重計セ
ンサを用いて測定された積載荷重にかかる測定荷重情報
である、 ことを特徴とする自重測定装置。 - 【請求項３】前記入力層を構成する各ニューロンは、前
記所定の学習パラメータの数に応じて各々一対一に対応
させて設けられるとともに、前記中間層を構成する全ニ
ューロンについて予め学習された重み情報によって当該
全ニューロンの各々と結合されて成り、 さらに、前記出力層を構成する各ニューロンは、前記中
間層を構成する全ニューロンについて予め学習された重
み情報によって当該全ニューロンの各々と結合されて成
り、前記所定の学習パラメータを用いたニューロ演算に
基づいて実荷重情報を出力する、 ことを特徴とする請求項１又は２に記載の自重測定装
置。 - 【請求項４】前記入力層と前記中間層との間の学習済み
の前記重み情報、および前記中間層と前記出力層との間
の学習済みの前記重み情報を随時記憶および読み出し可
能なメモリ手段を備えて成り、 前記入力層を構成する各ニューロンは、前記所定の学習
パラメータの数に応じて各々一対一に対応させて設けら
れるとともに、前記中間層を構成する全ニューロンにつ
いて前記メモリ手段から読み出した前記入力層と前記中
間層との間の学習済みの前記重み情報によって当該全ニ
ューロンの各々と結合されて成り、 さらに、前記出力層を構成する各ニューロンは、前記中
間層を構成する全ニューロンについて前記メモリ手段か
ら読み出した前記中間層と前記出力層との間の学習済み
の前記重み情報によって当該全ニューロンの各々と結合
されて成り、前記所定の学習パラメータを用いたニュー
ロ演算に基づいて実荷重情報を出力する、 ことを特徴とする請求項３に記載の自重測定装置。 - 【請求項５】前記実荷重演算手段は、前記入力層と前記
中間層との間に、前記自重計センサの種類を識別するた
めのセンサ種類識別情報を入力するためのセンサ種類識
別ニューロンを備えて成り、 前記センサ種類識別ニューロンは、前記入力層を構成す
る全ニューロンについて前記センサ種類識別情報に応じ
て予め学習した当該センサ種類識別ニューロンと当該入
力層との間の重み情報によって当該全ニューロンの各々
と結合されて成り、前記中間層を構成する全ニューロン
について前記センサ種類識別情報に応じて予め学習した
当該センサ種類識別ニューロンと当該中間層との間の重
み情報によって当該全ニューロンの各々と結合されて成
る、 ことを特徴とする請求項１乃至３のいずれかに記載の自
重測定装置。 - 【請求項６】前記入力層と中間層との間の学習済みの重
み情報、前記中間層と出力層との間の学習済みの重み情
報、前記入力層を構成する全ニューロンについてセンサ
種類識別情報に応じて予め学習したセンサ種類識別ニュ
ーロンと入力層との間の重み情報、および前記中間層を
構成する全ニューロンについてセンサ種類識別情報に応
じて予め学習したセンサ種類識別ニューロンと中間層と
の間の重み情報を随時記憶および読み出し可能なメモリ
手段を備えて成り、 前記センサ種類識別ニューロンと前記入力層の各ニュー
ロンとは、前記メモリ手段から読み出された前記センサ
種類識別ニューロンと入力層との間の重み情報によって
各々結合されて成り、 前記センサ種類識別ニューロンと前記中間層の各ニュー
ロンとは、前記メモリ手段から読み出された前記センサ
種類識別ニューロンと中間層との間の重み情報によって
各々結合されて成り、 前記入力層を構成する各ニューロンは、前記メモリ手段
から読み出された前記入力層と中間層との間の学習済み
の重み情報によって当該中間層の全ニューロンの各々と
結合されて成り、 さらに、前記中間層を構成する各ニューロンは、前記メ
モリ手段から読み出された前記中間層と出力層との間の
学習済みの重み情報によって当該出力層の全ニューロン
の各々と結合されて成る、 ことを特徴とする請求項５に記載の自重測定装置。 - 【請求項７】前記実荷重演算手段は、手動による調整に
応じて、教師信号を訂正して再学習を行う、 ことを特徴とする請求項１乃至６のいずれかに記載の自
重測定装置。 - 【請求項８】前記入力層と中間層との間の伝達関数はタ
ンジェントシグモイド関数であり、前記中間層と出力層
との間の伝達関数はピュアライン関数である、 ことを特徴とする請求項１乃至７のいずれかに記載の自
重測定装置。 - 【請求項９】前記実荷重情報を表示するための荷重表示
手段、 を備えて成ることを特徴とする請求項１乃至８のいずれ
かに記載の自重測定装置。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8066381A JPH09257553A (ja) | 1996-03-22 | 1996-03-22 | 自重測定装置 |
| KR1019970009738A KR100210358B1 (ko) | 1996-03-22 | 1997-03-21 | 자동하중측정장치 |
| DE69725771T DE69725771T2 (de) | 1996-03-22 | 1997-03-21 | Automatische Lastmessvorrichtung |
| US08/823,313 US5970435A (en) | 1996-03-22 | 1997-03-21 | Automatic load measuring device |
| EP97104895A EP0797081B1 (en) | 1996-03-22 | 1997-03-21 | Automatic load measuring device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8066381A JPH09257553A (ja) | 1996-03-22 | 1996-03-22 | 自重測定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09257553A true JPH09257553A (ja) | 1997-10-03 |
Family
ID=13314203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8066381A Withdrawn JPH09257553A (ja) | 1996-03-22 | 1996-03-22 | 自重測定装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US5970435A (ja) |
| EP (1) | EP0797081B1 (ja) |
| JP (1) | JPH09257553A (ja) |
| KR (1) | KR100210358B1 (ja) |
| DE (1) | DE69725771T2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564546A (zh) * | 2010-12-14 | 2012-07-11 | 金基太 | 对车辆违法超载的检测方法及系统 |
| WO2021131091A1 (ja) * | 2019-12-25 | 2021-07-01 | 新明和工業株式会社 | コンピュータプログラム、推定装置、学習モデルの生成方法、及び特装車の積載重量推定システム |
| JP2021103138A (ja) * | 2019-12-25 | 2021-07-15 | 新明和工業株式会社 | コンピュータプログラム、推定装置、及び学習モデルの生成方法 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI973420A (fi) * | 1997-08-20 | 1999-02-21 | Tamrock Oy | Menetelmä kaivosajoneuvon kuljettaman kuorman painon määrittelemiseksi |
| SE0100475D0 (sv) * | 2001-02-09 | 2001-02-09 | Ericsson Telefon Ab L M | Method and system of retransmission |
| WO2002093042A2 (en) * | 2001-05-11 | 2002-11-21 | Ricardo Mtc Limited | Electrical and mechanical dual drive for hydraulic pump |
| US6598010B2 (en) * | 2001-07-11 | 2003-07-22 | Uri Zefira | Method for achieving accurate measurement of true weight |
| US7818140B2 (en) * | 2008-01-29 | 2010-10-19 | Zf Friedrichshafen Ag | System for estimating a vehicle mass |
| US9508053B2 (en) | 2013-10-18 | 2016-11-29 | Caterpillar Inc. | System and method for estimating delivery events |
| US11151407B2 (en) * | 2019-08-27 | 2021-10-19 | Aidoc Medical Ltd | System for detecting an adapted image |
| CN110836717A (zh) * | 2019-11-25 | 2020-02-25 | 湖北经济学院 | 一种面向金融服务的果蔬智能识别和计价系统 |
| CN113865682B (zh) * | 2021-09-29 | 2023-11-21 | 深圳市汉德网络科技有限公司 | 货车轮胎载重确定方法、装置及存储介质 |
| CN114485877B (zh) * | 2022-01-25 | 2023-09-05 | 常州纺织服装职业技术学院 | 一种结合惯性测量模块进行称重补偿的称重系统和方法 |
| CN116481626B (zh) * | 2023-06-28 | 2023-08-29 | 深圳市汉德网络科技有限公司 | 车载称重自适应的高精度标定方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6067744A (ja) * | 1983-09-21 | 1985-04-18 | Nippon Denso Co Ltd | 空燃比制御方法 |
| JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
| US4979124A (en) * | 1988-10-05 | 1990-12-18 | Cornell Research Foundation | Adaptive, neural-based signal processor |
| JP2762504B2 (ja) * | 1989-01-09 | 1998-06-04 | 日産自動車株式会社 | 車両の変速制御装置 |
| JP2792633B2 (ja) * | 1990-02-09 | 1998-09-03 | 株式会社日立製作所 | 制御装置 |
| FR2661265B1 (fr) * | 1990-04-24 | 1994-07-29 | Thomson Csf | Systeme neuronal de classification et procede de classification utilisant un tel systeme. |
| JP2601003B2 (ja) * | 1990-09-25 | 1997-04-16 | 日産自動車株式会社 | 車両の走行条件認識装置 |
| US5396817A (en) * | 1991-11-29 | 1995-03-14 | Exxon Research And Engineering Co. | Tire inflation and velocity sensor |
| US5479572A (en) * | 1992-06-17 | 1995-12-26 | Siemens Corporate Research, Inc. | Artificial neural network (ANN) classifier apparatus for selecting related computer routines and methods |
| FI94677C (fi) * | 1994-03-10 | 1995-10-10 | Koivisto Marja Liisa | Menetelmä rakenteisiin kohdistuvien kuormitusten mittaamiseksi |
-
1996
- 1996-03-22 JP JP8066381A patent/JPH09257553A/ja not_active Withdrawn
-
1997
- 1997-03-21 US US08/823,313 patent/US5970435A/en not_active Expired - Fee Related
- 1997-03-21 KR KR1019970009738A patent/KR100210358B1/ko not_active IP Right Cessation
- 1997-03-21 DE DE69725771T patent/DE69725771T2/de not_active Expired - Fee Related
- 1997-03-21 EP EP97104895A patent/EP0797081B1/en not_active Expired - Lifetime
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564546A (zh) * | 2010-12-14 | 2012-07-11 | 金基太 | 对车辆违法超载的检测方法及系统 |
| WO2021131091A1 (ja) * | 2019-12-25 | 2021-07-01 | 新明和工業株式会社 | コンピュータプログラム、推定装置、学習モデルの生成方法、及び特装車の積載重量推定システム |
| JP2021103138A (ja) * | 2019-12-25 | 2021-07-15 | 新明和工業株式会社 | コンピュータプログラム、推定装置、及び学習モデルの生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0797081A2 (en) | 1997-09-24 |
| KR970066521A (ko) | 1997-10-13 |
| KR100210358B1 (ko) | 1999-07-15 |
| DE69725771T2 (de) | 2004-05-13 |
| US5970435A (en) | 1999-10-19 |
| EP0797081B1 (en) | 2003-10-29 |
| DE69725771D1 (de) | 2003-12-04 |
| EP0797081A3 (en) | 1998-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH09257553A (ja) | 自重測定装置 | |
| US4978990A (en) | Exposure control apparatus for camera | |
| US20210095995A1 (en) | Inertial sensor and computer-implemented method for self-calibration of an inertial sensor | |
| JP2002328459A (ja) | ウエーハ転写検証方法 | |
| CN112558426B (zh) | 基于协方差矩阵自适应演化策略的光刻机匹配方法 | |
| CN116974139A (zh) | 一种快速计算光刻掩膜图像的方法、装置及设备 | |
| JPH08117827A (ja) | 圧延装置 | |
| JP2540654B2 (ja) | ニュ―ラルネットワ―クの学習装置 | |
| JPH04113481A (ja) | ニューラルネットワーク型データ処理装置の製造方法 | |
| JPH0895938A (ja) | 時系列データの学習方法及び時系列データの学習装置 | |
| WO2020008869A1 (ja) | 演算処理システム、センサシステム、演算処理方法、及びプログラム | |
| EP0567983B1 (en) | Learning type waveform recognizer | |
| JP2674167B2 (ja) | 神経回路網モデルを用いたプロセス制御方法 | |
| JP2722906B2 (ja) | 未知数量推定方法およびその装置 | |
| JPH05265509A (ja) | 学習制御装置 | |
| Sragner et al. | Modelling of a slightly nonlinear system: a neural network approach | |
| RU2714039C1 (ru) | Система для разработки интеллектуального датчика | |
| US5528729A (en) | Neural network learning apparatus and learning method | |
| CN118311835A (en) | Simulation method of programmable illumination light source system and light source mask collaborative optimization method | |
| JPH0764944A (ja) | ニューラルネットワークの学習方法 | |
| TW202411782A (zh) | 量測方法及微影製程控制系統 | |
| JPH03201158A (ja) | 学習処理装置 | |
| JPH046999B2 (ja) | ||
| JP4031195B2 (ja) | オフセット調整装置 | |
| Korbicz et al. | Dynamic GMDH neural networks and their application in fault detection systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20030603 |