JPH0926948A - ニューラルネットワークによる情報処理装置 - Google Patents

Abstract

(57)【要約】 【課題】 ニューラルネットワークによる情報処理装置
に関し，多数の情報の表す内容を少ない情報数で効率良
く表現することを目的とする。 【解決手段】 複数のニューラルネットワークを階層的
に接続し，学習により得られた各ニューラルネットワー
クの内部表現をそれぞれのニューラルネットワークが入
力した情報数より少ない情報数でそれぞれの上位の階層
のニューラルネットワークに入力することにより入力情
報を統合し，入力情報数より少ない情報数で入力情報の
表す内容を表現して出力する情報統合部を備える構成を
もつ。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，ニューラルネットワー
クによる情報処理装置に関するものである。人間は，異
種複数のセンサによって得られた視覚，触覚，聴覚など
の多種多様な感覚情報と自分自身の知識や運動系などか
ら得られるさまざまな情報を段階的に統合して，処理す
ることで外界の環境を認識して行動している。人間のこ
のような多種多様なセンサ情報を統合した情報処理機構
を工学的に実現するためには，異種センサ情報の同種の
情報への段階的な統合，情報を統合するために必要な変
換ルールである内部表現の自動獲得，センサ情報のあい
まい性を許容できる柔軟性，外界の認識と認識結果に対
応する運動の相互関係の記述を可能とする等の機能を持
たせる必要がある。

【０００２】これまで，本発明者等は，システムの内部
表現とセンシング対象のセンサ情報の対応関係を学習し
た順方向の階層型ネットワークにおいて，誤差逆伝搬に
より入力ネットワークの値を修正する手法（イテラティ
ブインバージョン（Iterative inversion ）法）を用い
て，認識系と運動系の情報交換やトップダウン情報を利
用した認識問題の不良設定性の回避などが可能な認識モ
デルを提案してきた。

【０００３】さらに，システムが外界に対して高度で受
難な適応能力を持つためには，内部表現の自動獲得能力
を備えることが必要である。複数センサから得られる多
種多様で曖昧な不完全情報を統合して適切な形で必要と
される情報を自動的に抽出して，少ない情報数で適切な
形に表現し，システム内部表現として蓄えるしくみが重
要である。

【０００４】本発明は，情報統合の枠組みとして，学習
により内部表現を獲得する能力を有する砂時計型ニュー
ラルネットワークに着目し，内部表現の自動獲得と異種
情報の階層的情報統合により情報処理をすることにより
上記の要件を満たす情報処理装置を提供する。そして，
本発明の情報処理装置により，情報を多段的にデータ圧
縮し，環境認識，パターン認識，知能ロボット，統計情
報の情報処理等で必要とされる大量の情報の情報処理を
能率的に行うことができるようにしたものである。

【０００５】

【従来の技術】３次元物体の認識をデータ圧縮して行う
場合を例として，図１２により従来の技術を説明する。

【０００６】図１２において，２０１は左カメラであ
る。２０２は左データ保持部である。

【０００７】２０３は左データ圧縮部である。２０４は
左データ復元部である。２１１は右カメラである。

【０００８】２１２は右データ保持部である。２１３は
右データ圧縮部である。２１４は右データ復元部であ
る。

【０００９】２２０は３次元データ生成部である。図７
の構成の動作を説明する。左カメラ２０１，右カメラ２
１１により３次元物体（図示せず）を撮影し，左カメラ
２０１で作成した画像データは左データ保持部２０２に
保持し，右カメラ２１１により撮影した画像データは右
データ保持部２１２に保持する。

【００１０】左データ，右データはそれぞれ左データ圧
縮部２０３，右データ圧縮部２１３でデータ圧縮され
る。そして，左データ復元部２０４により左画像のデー
タを復元し，右データ復元部２１４で右画像のデータを
復元する。

【００１１】３次元データ生成部２２０は左画像の復元
データと右画像の復元データに基づいて３次元画像を生
成する。

【００１２】

【発明が解決しようとする課題】上記のように，従来の
３次元物体の認識は，左右の２次元データ毎にデータ圧
縮と復元を行い，左右の情報を統合して圧縮／復元をす
ることはしていなかった。そのため，データ処理数が多
いと処理に長時間を必要とし，また多数のモジュールも
必要とした。また，このような装置をニューラルネット
ワークのような学習をしながらデータ処理をするシステ
ムで行う場合には大規模な情報で学習しなければならな
いため学習が不可能になる場合もあった。

【００１３】本発明は，多数の情報の表す内容を少ない
情報数で効率良く表現する情報処理装置を提供すること
を目的とする。

【００１４】

【課題を解決するための手段】砂時計型のニューラルネ
ットワークは，獲得した内部表現を階層的に積み上げる
ことにより獲得済みの内部表現を流用し，学習コストの
低減をはかることができる。例えば，すでに「カップ」
と「グラス」を区別できる形状に関する内部表現と色を
区別することのできるシステムが「赤いカップ」と「青
いグラス」を区別する内部表現を生成するケースでは，
新たなセンサ情報から内部表現を直接生成するよりも，
前記二つの内部表現を統合した表現を学習する方が容易
である。さらに，階層化により，同じような処理系統を
複数作ることを避けられるので効率的である。本発明
は，異種情報を統合することにより多数の情報を少ない
情報数で情報処理できるようにし，ネットワーク数で多
数の情報処理をすることができようにした。

【００１５】本発明は，複数のニューラルネットワーク
を階層的に接続し，学習により得られた各ニューラルネ
ットワークの内部表現をそれぞれのニューラルネットワ
ークが入力した情報数より少ない情報数でそれぞれの上
位の階層のニューラルネットワークに入力することによ
り入力情報を統合し，入力情報数より少ない情報数で入
力情報の表す内容を表現して出力する情報統合部を備え
る構成を持つ。

【００１６】図１は本発明の基本構成を示す図である。
図１において，図１ (a)は本発明で使用する砂時計型の
ニューラルネットワーク（単に，ネットワークと略称す
る場合がある）の説明図である。

【００１７】１は砂時計型のニューラルネットワークで
ある。砂時計型ニューラルネットワークは，入力層と出
力層のユニット数が同じであって，最もユニット数の少
ない中間層（圧縮層）のユニット数が入力層もしくは出
力層よりも小さい３層以上のニューラルネットワークで
ある。

【００１８】２は入力層である。３は中間層（圧縮層）
である。４は出力層である。

【００１９】５−１，５−２，５−３，５−４は入力層
のユニットであって，図１は入力層のユニット数が４の
場合を例示したものである。６−１，６−２は中間層の
ユニットであって，図１は中間層のユニット数が２の場
合を例示したものである。

【００２０】７−１，７−２，７−３，７−４は出力層
のユニットであって，図１は出力層のユニット数が４の
場合を例示したものである。８は評価部であって，入力
信号と出力層４の出力の差に基づいて中間層３の内部表
現を学習しながら変更するものである（内部の信号伝搬
の重み係数を変更する等）。学習は，例えば，入力層の
ユニット（５−１，５−２，５−３，５−４）への入力
と出力層のユニット（７−１，７−２，７−３，７−
４）からの出力が同じになるようにする等の方法（恒等
写像）で行う。

【００２１】入力層２から中間層３への信号の流れは逆
モデルであって，情報圧縮をするものである。中間層３
から出力層４への信号の流れは順モデルであって，情報
復元である。

【００２２】図１ (b)は本発明の情報処理装置の基本構
成である。図１ (b)において，９は情報処理装置であ
る。

【００２３】１０は情報統合部であって，複数の情報を
統合的に処理して入力情報より少ない情報数で入力情報
の内容を表す情報を出力するものである。１１，１２，
１３はネットワークであって，最下位の階層の砂時計型
ニューラルネットワークである。ネットワーク１１，１
２，１３はセンサ信号等の情報入力を行うものである。

【００２４】１４，１５はネットワークであって，中間
階層であり，砂時計型ニューラルネットワークである。
１６はネットワークであって，最上位の階層であり，砂
時計型ニューラルネットワークである。

【００２５】２１は入力部であって，情報入力をするも
のである。２２は統合情報出力部であって，情報統合部
１０で統合した情報を出力するものである。

【００２６】２３は情報処理部であって，統合情報出力
部２２の出力する情報を処理するものである。２４は出
力部であって，情報処理部２３の処理した情報を出力す
るものである。

【００２７】２５は制御部であって，情報処理装置の各
部を制御するものである。図１ (b)の情報統合部１０は
階層数を３とし，最上位の階層のネットワーク数を１，
中間階層のネットワーク数を２，最上位のネットワーク
数を３とした場合を例示したものである。

【００２８】

【作用】図１ (b)の本発明の情報処理装置の基本構成を
説明する前に図１ (a)の砂時計型ニューラルネットワー
クについて説明する。

【００２９】図１ (a)において，入力情報が入力層の各
ユニット（５−１，５−２，５−３，５−４）に入力さ
れる。入力層の各ユニット（５−１，５−２，５−３，
５−４）から中間層の各ユニット（６−１，６−２）に
情報が圧縮されて伝えられる。この中間層における出力
が内部表現である。中間層の各ユニット（６−１，６−
２）から出力層の各ユニット（７−１，７−２，７−
３，７−４）に情報が伝えられ，情報が復元される。

【００３０】学習処理は，出力層の各ユニット（７−
１，７−２，７−３，７−４）の出力と入力層２への入
力情報とが評価部８に入力されて評価される。そして，
例えば，入力情報と出力層の情報が同じになるように
（出力層４から出力される情報が入力層２への入力情報
の恒等写像となるように）入力層２から中間層３への信
号伝搬の重みの係数を変更する等の処理を行う。

【００３１】図１ (b)の本発明の情報処理装置の動作を
説明する。情報処理装置の全体の動作を説明する前に情
報統合部１０について説明する。情報統合部１０は，ま
ず学習を行う。学習は，画像を最下位の各ネットワーク
（１１，１２，１３）に情報を与えて，例えば，前述の
恒等写像法により行う。次に中間階層の各ネットワーク
（１４，１５）に最下位の階層の各ネットワーク（１
１，１２，１３）の中間層の出力を入力して，恒等写像
法により学習を行う。さらに，最上位の階層のネットワ
ーク１６に中間階層のネットワーク（１４，１５）の中
間層の出力を入力して恒等写像法により学習を行う。

【００３２】このように学習した情報統合部１０を備え
る情報処理装置９の全体の動作を説明する。例えば，ロ
ボットがパターン認識をして動作するものとする。最下
位の階層の各ネットワーク（１１，１２，１３）に入力
部２１よりセンサ信号を入力する。そして，各ネットワ
ーク（１１，１２，１３）において入力層から中間層に
信号が伝搬され，中間層から信号を出力して上位の階層
のネットワーク（１４，１５）に入力する。図１ (b)の
場合，最下位の階層のネットワーク（１１，１２，１
３）の各中間層の二つのユニットの出力信号のそれぞれ
を中間階層のネットワーク（１４，１５）の入力層に入
力する。中間階層の各ネットワーク（１４，１５）に入
力された信号はそれぞれの中間層に伝搬されるので，そ
れぞれの中間層の二つのユニットから信号を出力して最
上位の階層のネットワーク１６の入力層に入力する。最
上位の階層のネットワーク１６の入力層に入力された信
号はその中間層に伝搬される。最上位の階層は，パター
ン認識のための３次元情報を中間層から出力する。

【００３３】このようにして情報統合部１０で複数情報
を統合することにより，入力情報のもつ内容を少ない情
報に圧縮して出力できる。そして，情報処理部２３は少
ない情報数に圧縮された情報を入力して情報処理をす
る。情報処理部２３の情報処理の結果は出力部２４より
出力される。

【００３４】本発明によれば，各ネットワークが自律的
に学習可能なので，情報を統合する過程において下位の
ネットワークから段階的に上位のネットワークを学習で
きるので，システム自身により次第に高次の内部表現を
得ることができる。例えば，上記の場合，入力は３次元
情報を含む２次元情報であり情報数は１２あるが，それ
ぞれのネットワークにおいて，２次元情報が伝搬される
過程に内部表現により３次元情報を含む形で圧縮され，
最上位の階層から情報数が３つの３次元情報として出力
される。

【００３５】このように，高次の内部表現をもつシステ
ムとして情報を統合できる。そのため，情報を機能的に
データ圧縮することができ，少ないネットワークで有効
なデータ圧縮をすることができ，ロボット等の情報処
理，あるいは膨大な量のセンサ情報，統計情報等の大量
の情報を少ない情報数で有効に情報処理できるようにな
る。

【００３６】なお，上記の説明において，ニューラルネ
ットワークの階層数，入力層，中間層，出力層の各ユニ
ット数は例示的なものであって，図示の内容に限定され
るものではない。

【００３７】

【実施例】図２は本発明の実施例であって，本発明をシ
ミュレーションする場合の概念図である。

【００３８】図２は直方体の出現エリア３１の中を移動
する対象物体３２を左右の２台のカメラで撮影し，左右
のカメラのそれぞれの２次元の画像データに基づいて対
象物体３２の３次元の位置を復元するものである。

【００３９】３１は出現エリアであって，空間の位置を
３次元座標Ｘ軸，Ｙ軸，Ｚ軸で表す。３２は対象物体で
あって，出現エリアを移動する小さい物体である。

【００４０】３３はカメラ１である。３４はカメラ２で
ある。４１はシステム１であって，カメラ１（３３）の
画像を処理するものである。

【００４１】４２はシステム２であって，カメラ２（３
４）の画像を処理するものである。４３は画像１であっ
て，カメラ１の画像である。４４は画像２であって，カ
メラ２の画像である。

【００４２】５０はネットワークの階層構造である。５
１は下位ネットワーク１であって，下位の階層の砂時計
型ニューラルネットワークであって，画像１のデータを
処理するものである。

【００４３】５２は下位ネットワーク２であって，下位
の階層の砂時計型ニューラルネットワークであって，画
像２のデータを処理するものである。５３は上位ネット
ワークであって，砂時計型ニューラルネットワークであ
って，下位ネットワーク１（５１）と下位ネットワーク
２（５２）の出力する情報を統合して圧縮された３次元
画像データを生成するものである。

【００４４】図３は本発明の実施例であって，カメラと
出現エリアの関係を説明するものである。図３ (a)，
(b)は左カメラ３３（カメラ１）と右カメラ３４（カメ
ラ２）の位置座標と物体の出現エリアの座標の関係を示
すものである（図２のカメラの配置は便宜的に表したも
のであって，図３のカメラの配置に対応していない）。

【００４５】図３ (a)はＸＺ平面である。３１は出現エ
リアであって，＋２．２＜Ｘ＜−２．２，３．９＜Ｚ＜
８．１である。

【００４６】対象物体はこの範囲において，０．４ずつ
の間隔で位置するものとする。３３は左カメラ（カメラ
１）であって，（Ｘ，Ｚ）＝（−６，０）の位置にある
ものである。

【００４７】３４は右カメラ（カメラ２）であって，
（Ｘ，Ｚ）＝（−６，０）の位置にあるものである。図
３ (b)はＹＺ平面である。

【００４８】３１は出現エリアであって，−１．４＜Ｙ
＜＋１．４，３．９＜Ｚ＜８．１である。対象物体はこ
の範囲において，０．４ずつの間隔で位置するものとす
る。

【００４９】３３’は左カメラ，右カメラの位置（Ｙ，
Ｚ）＝（０，０）である。図４はカメラの受光部であ
る。図４において，６１は受光部であって，大きさが１
×１のものである。受光部６１の座標はその中心を原点
にとり，横軸をＣｘ，縦軸をＣｙとする。

【００５０】６２，６３，６４等は受光部６１のエレメ
ントであって，受光素子である。各エレメントは０．５
ずつの間隔で配置される。６５はエレメント６４の撮像
範囲である。

【００５１】６６は対象物体の像である。７１はエレメ
ントの入出力特性である。エレメントから対象物体の像
の距離ｕに対して， ｕ（ｒ）＝０．９−０．８ｒ （ｒ＜１．０） ｕ（ｒ）＝０．１ ｒ＞０．１ である。

【００５２】図５は本発明の実施例であって，階層構造
の構成である。２階層で構成したものである。図５にお
いて，８１は下位ネットワーク１であって，左カメラ８
５の画像データを処理するものであり，砂時計型ニュー
ラルネットワークである。ユニットの構成は５階層であ
り，５−１０−２−１０−２５（第１層（入力層）が５
ユニット，第２層目が１０ユニット，第３層目（中間
層）が２ユニット，第４層目が１０ユニット，第５層
（出力層）が２５ユニットである（図５参照）。Ａ１，
Ｂ１は中間層のユニットである。

【００５３】８２は下位ネットワーク２であって，右カ
メラ８６の画像データを処理するものであり，砂時計型
ニューラルネットワークである。ユニットの構成は下位
ネットワーク８１と同様である。即ち，５階層であり，
各階層のユニット数が５−１０−２−１０−２５である
（図５参照）。Ａ２，Ｂ２は中間層のユニットである。

【００５４】８３は上位のネットワークであって，ユニ
ットは５階層で構成され，各階層のユニット数は４（入
力層）−６−３（中間層）−６−４（出力層）である
（図５参照）。Ａ３，Ｂ３，Ｃ３は中間層のユニットで
ある。

【００５５】８３は左カメラ８５の受光部である。８４
は右カメラ８６の受光部である。下位ネットワーク１
（８１）の中間層のユニットＡ１，Ｂ１の出力（内部表
現）を上位ネットワーク（８３）の入力ユニットに入力
する。また，下位ネットワーク２（８２）の中間層のユ
ニットＡ２，Ｂ２の出力（内部表現）を上位ネットワー
ク（８３）の入力ユニットに入力する。

【００５６】上位ネットワーク８３の中間層（Ａ３，Ｂ
３，Ｃ３）からデータ数を圧縮した統合情報を出力す
る。図６は本発明の砂時計型ニューラルネットワークの
実施例である。

【００５７】図６において，９１は下位ネットワークで
ある。下位ネットワーク９１は５層により構成され，入
力層は２５ユニットである。入力層の下の層は１０ユニ
ットである。中間層は２ユニットである。中間層の次の
層は１０ユニットである。出力層は２５ユニットであ
る。本発明では，ユニット数が２の中間層より内部表現
を出力し，上位階層のユニットに入力する。

【００５８】９２は上位ネットワークである。上位ネッ
トワーク９２は５層により構成され，入力層は４ユニッ
トである。入力層の下の層は６ユニットである。中間層
は３ユニットである。中間層の次の層は６ユニットであ
る。出力層は４ユニットである。本発明では，ユニット
数が３の中間層の内部表現を出力として取り出す。

【００５９】図７は本発明のシミュレーションの構成の
実施例である。図７において，１１０はＣＰＵである。

【００６０】１１１はメモリである。１２１は上位ネッ
トワークであって，砂時計型ニューラルネットワークの
プログラムである。

【００６１】１２２は下位ネットワーク１であって，砂
時計型ニューラルネットワークのプログラムである。１
２３は上位ネットワーク２であって，砂時計型ニューラ
ルネットワークのプログラムである。

【００６２】１２４はネットワーク結合プログラムであ
って，上位ネットワーク（１２１）と下位ネットワーク
１（１２２）および下位ネットワーク２（１２３）を接
続関係を定めるプログラムである。

【００６３】１２５はテストデータ発生プログラムであ
って，テストデータを発生するものである。１２６は学
習プログラムであって，テストデータにより各ネットワ
ーク（１２１，１２２，１２３）を学習させるためのプ
ログラムである。

【００６４】１２７は作業領域である。１２８は入出力
制御プログラムである。１２９はセンサプログラムであ
って，センサの動作を定めるプログラムである。

【００６５】１３０は入出力制御装置とのインタフェー
スである。１３１は磁気ディスク装置である。１３２は
ディスプレイである。

【００６６】１３３は入力装置であって，キーボード等
である。１３４はプリンタである。学習回数は下位ネッ
トワーク（８１，８２）は２００００回，上位ネットワ
ーク８３は８００００回である。

【００６７】実験に使用したデータセットは次の通りで
ある。 (a) 学習データセット 対象物体を出現エリア内のランダムな位置にセットした
１０００個のデータである。

【００６８】(b) テストデータセット （ｂ−１）下位ネットワーク用（２次元） カメラの視野内をスキャン，つまり，Ｃｘ−Ｃｙの各軸
に対して０．２５刻みで対象物体を移動した８１個のデ
ータである。

【００６９】（ｂ−２）上位ネットワーク用（３次元） 対象物体を出現エリア内でＸ，Ｙ，Ｚ各方向に０．４刻
みでスキャンした１１５２個（１２×９×１２）のデー
タである。

【００７０】図８は本発明のシミュレーションのフロー
チャートである。 Ｓ１ テストデータ生成部はテストデータを生成し，左
カメラ，右カメラによりセンサ情報を収集する。

【００７１】Ｓ２ 最下層ネットワーク用の学習データ
を生成する。 Ｓ３ ｌａｙｅｒ＝０（最下層）とする。 Ｓ４ 現在処理対象のｌａｙｅｒ層のネットワークの学
習をする。

【００７２】Ｓ５ 現在処理中の中間層のユニットの出
力値から上位層ネットワークの学習データを生成する。 Ｓ６ ｌａｙｅｒ＝ｌａｙｅｒ＋１として，次の層の選
択をする。

【００７３】Ｓ７ 最上位層が終了したか判定し，最上
位層が終了していなければＳ４以降の処理を繰り返し，
最上位層が終了していれば処理を終了する。 図９，１０，１１は本発明の実施例の結果を示す。

【００７４】図９，図１０は下位ネットワークの内部表
現の結果であり，砂時計型ニューラルネットワークの中
間層のユニット１とユニット２の出力をそれぞれ横軸，
縦軸に表したものである。図９は左カメラのものであ
り，図１０は右カメラのものである。

【００７５】下位ネットワークは学習データセット (a)
に対して誤差逆伝播法で恒等写像を２００００回イテレ
ーション（iteration)学習し，その後に同じ学習データ
セットに対する下位ネットワークの中間層の出力を利用
して同様に上位ネットワークの学習を８００００回イテ
レーションを行った。

【００７６】図９，図１０は学習したテストデータセッ
ト（ｂ−１）に対する左右のカメラの撮像データを下位
ネットワークに与えた時の中間層の出力を示す。その結
果，図９に示されるように，左カメラのシステムではユ
ニット１の出力がＣｙに，ユニット２の出力がＣｘに対
応している。一方，図１０に示されるように右カメラの
システムでは，逆にユニット１の出力がＣｘに，ユニッ
ト２の出力がＣｙに対応している。よって，何れの下位
ネットワークとも期待通りに入力情報の変動部分が内部
表現で抽出された。

【００７７】引き続く上位ネットワークの学習では，同
じ学習データセット (a)に対する二つの下位ネットワー
クの圧縮層の出力を利用して８００００イテレーション
の誤差逆伝搬出法を行った。学習させたネットワークに
テストデータセット（ｂ−２）を与えた時の上位ネット
ワークの圧縮層の出力を図１１に示す。ここでユニット
１，ユニット２，ユニット３は上位の砂時計型ニューラ
ルネットワークの中間層のユニットである。図１１に示
されるように上位ネットワークと対象物体の３次元位置
に対応する内部表現を獲得している。

【００７８】上記の説明はシミュレーションによるもの
であるが，各説明におけるネットワークのユニットをニ
ューロ特性のソフトウェアもしくはハードウェアで構成
し，ロボットのパターン認識，センサ情報の処理，統計
データの処理等に適用できるものである。

【００７９】例えば，実施例の左右のカメラをロボット
に備えたカメラとし，本発明の情報処理装置により外界
の対象物の位置を測定し，ロボットの移動を行う等の応
用ができるものである。あるいは学習結果に基づいて多
数の統計データ等の情報から統合的に情報を圧縮し，少
ない情報に基づいて有効な情報統計処理を高速に行う
等，本発明は多方面に応用できるものである。

【００８０】

【発明の効果】本発明によれば，各ネットワークが自律
的に学習可能であり，情報を統合する過程において下位
のネットワークから段階的に上位のネットワークを学習
できるので，システム自身により次第に高次の内部表現
を得る情報処理装置を実現することができる。

【００８１】そのため，少ないネットワーク数で多数の
情報を統合的にデータ圧縮することができ，統合により
得られる少ない情報数で有効な情報処理を行うことがで
きるようになる。

【図面の簡単な説明】

【図１】本発明の基本構成を示す図である。

【図２】本発明の実施例を示す図である（シミュレーシ
ョン概念図）。

【図３】本発明の実施例を示す図である（カメラと出現
エリアの関係）。

【図４】本発明の実施例を示す図である（受光部）。

【図５】本発明の実施例を示す図である（階層構造）。

【図６】本発明の砂時計型ニューラルネットワークの実
施例を示す図である。

【図７】本発明のシミュレーションの構成の実施例を示
す図である。

【図８】本発明のシミュレーションのフローチャートを
示す図である。

【図９】本発明の実施例の結果を示す図である（左カメ
ラ）。

【図１０】本発明の実施例の結果を示す図である（右カ
メラ）。

【図１１】本発明の実施例の結果を示す図である（３次
元）。

【図１２】従来の技術を示す図である。

【符号の説明】

１：ネットワーク（砂時計型ニューラルネットワーク） ２：入力層 ３：中間層（圧縮層） ４：出力層 ５−１：ユニット ５−２：ユニット ５−３：ユニット ５−４：ユニット ６−１：ユニット ６−２：ユニット ７−１：ユニット ７−２：ユニット ７−３：ユニット ７−４：ユニット ８：評価部 ９：情報処理装置 １０：情報統合部 １１：ニューラルネットワーク １２：ニューラルネットワーク １３：ニューラルネットワーク １４：ニューラルネットワーク １５：ニューラルネットワーク １６：ニューラルネットワーク（砂時計型） ２１：入力部 ２２：統合情報出力部 ２３：情報処理部 ２４：出力部 ２５：制御部

Claims (4)

【特許請求の範囲】
1. 【請求項１】 複数のニューラルネットワークを階層的
   に接続し，学習により得られた各ニューラルネットワー
   クの内部表現をそれぞれのニューラルネットワークが入
   力した情報数より少ない情報数でそれぞれの上位の階層
   のニューラルネットワークに入力することにより入力情
   報を統合し，最上位の階層のニューラルネットワークに
   入力された入力情報数より少ない情報数で入力情報の表
   す内容を表現して該出力する情報統合部を備えたことを
   特徴とするニューラルネットワークによる情報処理装
   置。
2. 【請求項２】 該ニューラルネットワークを砂時計型ニ
   ューラルネットワークにより構成し，下位の階層のニュ
   ーラルネットワークは中間層の出力を上位階層に出力す
   ることを特徴とする請求項１に記載のニューラルネット
   ワークによる情報処理装置。
3. 【請求項３】 最下位の階層の入力情報は複数のセンサ
   情報であり，最上位の階層のニューラルネットワークは
   下位の階層の出力するセンサ情報を統合して少ない数の
   センサ情報として出力することを特徴とする請求項１も
   しくは２に記載のニューラルネットワークによる情報処
   理装置。
4. 【請求項４】 左カメラ，右カメラの撮影した３次元物
   体の像を左右の２次元情報とし，最下位の階層のネット
   ワークに入力し，各階層のニューラルネットワークは左
   右のカメラの２次元情報を統合して最上位の階層のネッ
   トワークより３次元情報を出力することを特徴とする請
   求項１，２もしくは３に記載のニューラルネットワーク
   による情報処理装置。