JPH1063633A - ニューラルネットワークの演算装置及び車両用空調装置 - Google Patents

Abstract

(57)【要約】 【課題】 シグモイド関数のデータテーブルの大きさを
小さくして、該データテーブルを記憶させる記憶手段の
容量を小さくする。 【解決手段】 本発明のニューラルネットワークの演算
装置は、シグモイド関数の結合係数、閾値、傾きを予め
学習することにより決定すると共に、シグモイド関数の
入力値と関数値との対応関係を示すデータテーブルを作
成し、このデータテーブルに基づいてニューラルネット
ワークの計算を実行するように構成されたものにおい
て、シグモイド関数のデータテーブルの上限及び下限を
データテーブルの分解能に応じて決めると共に、シグモ
イド関数のデータテーブルの中から設定個数おきのデー
タだけを抽出し、これら抽出データから縮小データテー
ブルを作成して記憶するように構成し、そして、ニュー
ラルネットワークの計算を実行する場合、抽出データ間
のデータについては線形補間計算により求めるように構
成したものである。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、簡易形のマイクロ
コンピュータを用いてニューラルネットワークの計算を
実行するように構成されたニューラルネットワークの演
算装置及び車両用空調装置に関する。

【０００２】

【従来の技術】簡易形のマイクロコンピュータを用いた
ニューラルネットワークの演算装置の一例として、特開
平４−１１６７８１号公報に記載された構成がある。こ
の構成においては、各ニューロンのシグモイド関数のデ
ータテーブルとして、関数値を引数として入力値を読出
すデータテーブルを作成し、このデータテーブルを用い
てニューラルネットワークの計算を実行するように構成
されている。

【０００３】

【発明が解決しようとする課題】上記従来構成では、シ
グモイド関数の分解能を７ビット程度とする構成、即
ち、シグモイド関数値を７ビット程度のデータで表現す
る構成であったので、シグモイド関数のデータテーブル
の大きさはそれほど大きくならず、該データテーブルを
記憶させるＲＯＭの容量をそれほど大きくしなくても済
んだ。この場合、シグモイド関数の分解能が７ビット程
度で制御可能な制御系であれば、上記上来構成の装置で
十分であるが、制御系の制御がある程度複雑になると、
シグモイド関数の分解能を高くする必要がある。

【０００４】例えば自動車のオートエアコンのような制
御系において制御する場合、シグモイド関数の分解能を
かなり細かく、具体的には、１６ビット程度にする必要
がある。そして、分解能をこのように細かくすると、シ
グモイド関数のデータテーブルの大きさがかなり大きく
なり、該データテーブルを記憶させるＲＯＭの容量もそ
れに応じて大きくなってしまうという欠点があった。ま
た、シグモイド関数の傾き（形状パラメータ）が変化す
ると、その変化した傾きに対応するデータテーブルを用
意する必要があり、従って、データテーブルを記憶させ
るために必要なＲＯＭの容量が非常に大きくなってしま
うおそれがあった。

【０００５】そこで、本発明の目的は、シグモイド関数
のデータテーブルの大きさを小さくして、該データテー
ブルを記憶させる記憶手段の容量を小さくすることがで
きるニューラルネットワークの演算装置及び車両用空調
装置を提供するにある。

【０００６】

【課題を解決するための手段】請求項１の発明によれ
ば、シグモイド関数のデータテーブルの上限及び下限
を、前記データテーブルの分解能に応じて決めるように
構成したので、シグモイド関数のデータテーブルの大き
さを小さくでき、該データテーブルを記憶させる記憶手
段の容量を小さくできる。しかも、この場合、データテ
ーブルの上限及び下限の外側のデータは、分解能によれ
ば無視できるデータであるから、計算精度が低下するこ
とはない。

【０００７】請求項２の発明においては、シグモイド関
数のデータテーブルの中から設定個数おきのデータだけ
を抽出すると共に、これら抽出データから縮小データテ
ーブルを作成して記憶するように構成したから、縮小デ
ータテーブルを記憶させる記憶手段の容量を小さくする
ことができる。そして、縮小データテーブルに基づいて
ニューラルネットワークの計算を実行する場合、抽出デ
ータ間のデータについては線形補間計算により求めるよ
うに構成したので、計算精度が低下することはない。

【０００８】請求項３の発明においては、シグモイド関
数のデータテーブルとして前記傾きＴが「１」の場合の
データテーブルを記憶するように構成したので、データ
テーブルを記憶させる記憶手段の容量を小さくすること
ができる。そして、傾きＴが「１」以外の場合には、入
力値を１／Ｔ倍した値を入力値として前記傾きＴが
「１」の場合のデータテーブルを参照してニューラルネ
ットワークの計算を実行するように構成した。これによ
り、傾きＴが「１」以外の場合も、計算精度が低下する
ことなく、計算を実行することができる。

【０００９】請求項４の発明によれば、シグモイド関数
の結合係数等を予め学習することにより決定する際、ニ
ューラルネットワークの計算を実行する場合の分解能に
合わせて決定するように構成したので、ニューラルネッ
トワークの計算を実行するときにシグモイド関数値の誤
差が発生しなくなり、それだけ計算精度を高くすること
ができる。

【００１０】そして、請求項５または６の発明によれ
ば、シグモイド関数のデータテーブルを記憶させる記憶
手段の容量をより一層小さくすることができると共に、
計算精度の低下をより一層防止することができる。

【００１１】また、請求項７の発明によれば、車両用空
調装置において、請求項１ないし６のいずれかに記載の
ニューラルネットワークの演算装置によって４つの入力
（設定温度ＴSET 、内気温度ＴＲ、外気温度Ｔam、日射
量Ｔs ）に基づいて目標吹出温度ＴＡＯを演算するよう
に構成したので、記憶手段の容量を一層小さくすること
ができると共に、きめ細かい空調制御を実現することが
できる。

【００１２】

【発明の実施の形態】以下、本発明を車両用空調装置
（例えば自動車のオートエアコン）に適用した一実施例
について図面を参照しながら説明する。まず、車両用空
調装置の概略全体構成を示す図１において、車両用空調
装置１は、自動車の車室内の前部に配設された空調ユニ
ット２と、主としてマイクロコンピュータ３から成るエ
アコン制御装置４とから構成されている。

【００１３】上記空調ユニット２のダクト５内には、そ
の上流部（図１中左端部）から下流部（図１中右端部）
にかけて、内外気切替ダンパ６、送風装置であるブロワ
７、エバポレータ８、エアミックスダンパ９、ヒータコ
ア１０、デフダンパ１１、ベントダンパ１２及びフット
ダンパ１３が順に配設されている。この構成の場合、内
外気切替ダンパ６は、サーボモータ１４により駆動され
るように構成されている。この内外気切替ダンパ６は、
ダクト５の上流部に形成された外気導入口１５から外気
（室外空気）を導入する外気導入モード（２点鎖線で示
す状態）と、ダクト５の上流部に形成された内気導入口
１６から内気（室内空気）を導入する内気循環モード
（実線で示す状態）とを切り替えるためのダンパであ
る。

【００１４】また、ブロワ７は、外気または内気をダク
ト５内に導入して該ダクト５内を右方へ送風するもので
あり、遠心ファン１７とブロワモータ１８とから構成さ
れている。このブロワモータ１８は、ブロワ駆動回路１
９から与えられる駆動電圧に応じて回転速度を可変可能
に構成されている。こらにより、ブロワ７の送風力を可
変できる構成となっている。

【００１５】そして、上記エバポレータ８は、図示しな
い周知構成の冷凍サイクルの一部を構成するものであ
り、その冷凍サイクルの作動に応じて供給された液冷媒
を蒸発させることにより、ブロワ７から送風された空気
を冷却する機能を有している。尚、上記冷凍サイクル
は、エバポレータ８の他にコンプレッサ、コンデンサ、
レシーバ、エキスパンションバルブ（いずれも図示しな
い）等を備えて構成されている。

【００１６】また、エアミックスダンパ９は、サーボモ
ータ２０により駆動されるように構成されている。この
エアミックスダンパ９は、ヒータコア１０を通過する空
気量と、ヒータコア１０を迂回する空気量とを調節する
機能を有している。上記ヒータコア１０は、自動車のエ
ンジン冷却系統からの冷却水が供給されるように構成さ
れており、該冷却水の温度に応じた温度に昇温されるこ
とにより、その周囲を通過する空気を加熱する機能を有
している。

【００１７】更に、デフダンパ１１、ベントダンパ１２
及びフットダンパ１３は、それぞれサーボモータ２１、
２２及び２３により駆動されるように構成されている。
これらデフダンパ１１、ベントダンパ１２及びフットダ
ンパ１３は、ダクト５に形成されたデフロスタ吹出口２
４、ベント吹出口２５及びフット吹出口２６をそれぞれ
開閉するように構成されている。ここで、ベントダンパ
１２及びフットダンパ１３は、サーボモータ２２及び２
３により各別に開閉駆動されることにより、ベント吹出
口２５から乗員の上半身及び顔面に冷風を送風するベン
トモード、頭寒足熱の心地良い暖房を行うバイレベルモ
ード、室内暖房を行うフットモード、室内暖房とフロン
トガラスの曇り除去を行うフット・デフモード等を切り
替えることが可能な構成となっている。

【００１８】一方、車両用空調装置１の操作パネル２７
は、運転席の周辺（例えばインストルメントパネル）に
設けられている。この操作パネル２７に設けられた各種
の操作スイッチ（図示しない）からのスイッチ信号は、
エアコン制御装置４のマイクロコンピュータ３に与えら
れるように構成されている。上記操作スイッチとして、
温度設定用スイッチ、内外気切替用スイッチ、風量設定
用スイッチ等が設けられている。

【００１９】また、上記マイクロコンピュータ３は、内
気センサ２８、外気センサ２９、日射センサ３０、エバ
後温センサ３１及び水温センサ３２から出力される各検
知信号をＡＤ変換器３３を介して受けるように構成され
ている。ここで、内気センサ２８は、車室内の温度を検
知する温度センサであり、内気温検知信号を出力する。
外気センサ２９は、車室外の温度を検知する温度センサ
であり、外気温検知信号を出力する。日射センサ３０
は、車室内の現実の日射量を検知するセンサであり、日
射量検知信号を出力する。エバ後温センサ３１は、エバ
ポレータ８の空気出口部分の温度を検知する温度センサ
であり、エバ後温検知信号を出力する。水温センサ３２
は、エンジン冷却系統の冷却水の温度を検知する温度セ
ンサであり、水温検知信号を出力する。

【００２０】さて、マイクロコンピュータ３は、ＣＰ
Ｕ、ＲＯＭ、ＥＥＰＲＯＭ及びＲＡＭ等から構成されて
おり、車両用空調装置の運転全般を制御する機能を有し
ており、そのための制御プログラムを記憶している。こ
のマイクロコンピュータ３は、上記制御プログラム並び
に操作パネル２７の各種操作スイッチからのスイッチ信
号及び各センサからの検知信号に基づいて、上記各ダン
パのサーボモータ２０、２１、２２、２３及びブロワ７
のブロワモータ１８（ブロワ駆動回路１９）を駆動制御
するように構成されている。

【００２１】尚、マイクロコンピュータ３には、バッテ
リ３４からの電力がイグニッションスイッチ３５を介し
て与えられるように構成されている。このバッテリ３４
の電力は、上記各ダンパのサーボモータ２０〜２３及び
ブロワ７のブロワモータ１８の駆動電力としても使用さ
れる構成となっている。

【００２２】また、上記マイクロコンピュータ３は、詳
しくは後述するようなニューラルネットワークの計算を
実行することにより目標吹出温度ＴＡＯを求め、車両用
空調装置１の各吹出口から送風される空気の温度が上記
求めた目標吹出温度ＴＡＯになるようにブロワ７の送風
量や各ダンパーの開閉状態及び開閉角度等を自動的に駆
動制御するように構成されている。この場合、マイクロ
コンピュータ３が、ニューラルネットワークの演算装置
を構成している。

【００２３】ここで、上記求められた目標吹出温度ＴＡ
Ｏに基づいて、ブロワ７の送風量や各ダンパーの開閉状
態及び開閉角度等を自動的に駆動制御する制御内容は、
従来から周知の制御内容と同じであり、ここでは説明を
省略する。以下、ニューラルネットワークの計算を実行
することにより目標吹出温度ＴＡＯを求める制御の内容
について、具体的に説明する。

【００２４】この場合、マイクロコンピュータ３は、４
つの入力から１つの出力（即ち、目標吹出温度ＴＡＯ）
をニューラルネットワークの計算を実行することにより
求めるように構成されている。この場合、４つの入力の
うちの第１の入力は、使用者が温度設定用スイッチを操
作することにより設定された設定温度ＴSET である。第
２の入力は、内気センサ２８により検知された内気温度
ＴＲである。第３の入力は、外気センサ２９により検知
された外気温度Ｔamである。そして、第４の入力は、日
射センサ３０により検知された日射量Ｔs である。

【００２５】また、本実施例においては、ニューラルネ
ットワークとして図２に示すような階層型ニューラルネ
ットワークを使用している。この階層型ニューラルネッ
トワークは、例えば４個のニューロンからなる入力層ユ
ニットと、例えば２０個のニューロンからなる中間層ユ
ニットと、例えば１個のニューロンからなる出力層ユニ
ットとから構成されている。そして、入力層ユニットの
各ニューロンと中間層ユニットの各ニューロンとはシナ
プス結合され、中間層ユニットの各ニューロンと出力層
ユニットのニューロンとはシナプス結合されている。

【００２６】上記階層型ニューラルネットワークを用い
て計算を実行する場合、 １．入力層−中間層間 ２．中間層−出力層間 を順次計算して出力値（即ち、目標吹出温度ＴＡＯ）を
求める。ここで、各層間を計算するに際しては、入力値
とシナプス結合係数の積和演算を行い、その演算結果を
シグモイド関数を用いて非線形変換して出力を求めてい
る。この場合、シグモイド関数を用いて上記階層型ニュ
ーラルネットワークの各層間の入出力を定義すると、次
の式（１）で表現される。

【００２７】

【数１】 但し、ｘ_ｊは入力値、ｙ_ｉは出力値、ω_ｋｊｉは結合係
数、Ｔ_ｋｊｉはシグモイド関数の傾き（形状パラメー
タ）、θ_ｋｉは閾値（オフセット）、ｎは入力値の数
（シナプス結合されたニューロンの個数）である。

【００２８】ここで、シグモイド関数の結合係数ω、閾
値θ、傾きＴは、予め学習することにより決定してお
く。この学習処理は、本実施例の場合、例えばＥＷＳ
（エンジニアリングワークステーション）を用いて実行
している。この場合、傾きＴは１つのニューラルネット
ワークについて１つの値が決まるものであり、傾きＴを
予め設定した状態で、図６に示すフローチャートに従っ
て結合係数ω及び閾値θを設定している。以下、上記図
６の設定処理について簡単に説明する。

【００２９】まず、図６のステップＳ１０１において、
結合係数ω及び閾値（オフセット）θを初期化する。続
いて、所定の学習パターンをセットする（ステップＳ１
０２）。そして、中間層ユニットの出力を計算する（ス
テップＳ１０３）と共に、出力層ユニットの出力を計算
する（ステップＳ１０４）。続いて、出力層ユニットの
誤差を計算する（ステップＳ１０５）と共に、中間層ユ
ニットの誤差を計算する（ステップＳ１０６）。

【００３０】そして、中間層−出力層間の結合係数ωを
更新すると共に、出力層ユニットの閾値（オフセット）
θを更新する（ステップＳ１０７）。更に、入力層−中
間層間の結合係数ωを更新すると共に、中間層ユニット
の閾値（オフセット）θを更新する（ステップＳ１０
８）。ここで、上記ステップＳ１０７、Ｓ１０８におい
て、結合係数ω及び閾値θを更新する場合、マイクロコ
ンピュータ３においてニューラルネットワークの計算を
実行する場合の分解能に合わせて更新するように構成さ
れている。このニューラルネットワークの計算を実行す
る場合の分解能とは、マイクロコンピュータ３で計算す
るときのデータの分解能であり、本実施例の場合、例え
ば１６ビットに設定されている。尚、この分解能につい
ては、詳しくは後述する。

【００３１】続いて、ステップＳ１０９へ進み、学習パ
ターンを更新する。そして、学習パターンが終了したか
否かを判断する（ステップＳ１１０）。ここで、学習パ
ターンが終了していない場合には、ステップＳ１１０に
て「ＹＥＳ」へ進み、ステップＳ１０２へ戻って上述し
た処理を繰り返し実行する。

【００３２】また、ステップＳ１１０において、学習パ
ターンが終了した場合には、「ＹＥＳ」へ進み、学習繰
り返し回数を更新する（ステップＳ１１１）。続いて、
学習繰り返し回数が制限回数以下であるか否かを判断す
る（ステップＳ１１２）。ここで、学習繰り返し回数が
制限回数以下であれば、ステップＳ１１２にて「ＹＥ
Ｓ」へ進み、ステップＳ１０２へ戻って上述した処理を
繰り返し実行するように構成されている。一方、学習繰
り返し回数が制限回数を越えた場合には、ステップＳ１
１２にて「ＮＯ」へ進み、学習処理を終了する。

【００３３】次に、上述したようにして決定した結合係
数ω及び閾値θ並びに傾きＴを、マイクロコンピュータ
３のＲＯＭ内に記憶させておく。そして、マイクロコン
ピュータ３は、これら結合係数ω、閾値θ、傾きＴと、
入力値ｘ（４つの入力）とを、前記式（１）に代入して
ニューロネットワークの計算を実行する。

【００３４】この場合、式（１）における積和部分（Σ
（ω＊ｘ）−θ）は実際に計算し、シグモイド関数部分
はシグモイド関数のデータテーブル（これは、シグモイ
ド関数の入力値と関数値との対応関係を示すデータテー
ブルであり、詳しくは後述する）を検索することにより
シグモイド関数値を求めるようにしている。このニュー
ロネットワークの計算処理は、マイクロコンピュータ３
により図７に示すフローチャートに従って実行されるよ
うに構成されている。ここで、上記計算処理の具体的制
御について説明する前に、上記シグモイド関数のデータ
テーブルについて説明する。

【００３５】まず、式（１）における入力値ｘは、０≦
ｘ≦１の範囲で変化する変数である。また、結合係数ω
は、−１０≦ω≦１０の範囲の数値であり、閾値θは、
−３≦θ≦３の範囲の数値である。この場合、結合係数
ω及び閾値θの数値範囲は、オートエアコン（車両用空
調装置）の制御をニューラルネットワークで制御（計
算）する場合の実験値である。ここで、上記ｘ、ω、θ
を１６ビット（２バイト）のデータで表現することにす
る。これにより、ｘ、ω、θのデータレンジは次の通り
となる。

【００３６】（ａ）入力値ｘ、０≦ｘ≦１の場合、１を
「４０００ｈ」（以下、ｈは１６進数を示す）で表現す
る。尚、ｘは符号なしデータである。

【００３７】（ｂ）結合係数ω、−１０≦ω≦１０の場
合、１０を「４０００ｈ」で表現する。尚、ＭＳＢ（最
上位ビット）は符号ビットである。但し、負数の表現方
法は、２の補数、または、符号絶対値表現のいずれかで
ある。

【００３８】（ｃ）閾値θ、−３≦θ≦３の場合、１０
を「１０００ｈ」で表現する。尚、ＭＳＢ（最上位ビッ
ト）は符号ビットである。但し、負数の表現方法は、２
の補数、または、符号絶対値表現のいずれかである。

【００３９】そして、上記（ａ）、（ｂ）、（ｃ）の条
件のもとで、シグモイド関数のデータテーブルの定義域
（上限及び下限）について考察してみる。ここで、 ｕ＝Σ（ω＊ｘ）−θ とすると、上記式（１）のシグモイド関数ｆ（ｕ）は、
次の式（２）で表現される関数となる。

【００４０】 ｆ（ｕ）＝１／（１＋ｅｘｐ（−ｕ／Ｔ）） （２） 上記シグモイド関数ｆ（ｕ）をグラフにして示すと、図
３に示すような形状となる。但し、この図３は傾きＴ＝
１の場合である。この図３からわかるように、シグモイ
ド関数ｆ（ｕ）は、０以上１以下の値（０≦ｆ（ｕ）≦
１）をとる。そして、このシグモイド関数について入力
値ｕと関数値ｆ（ｕ）との対応関係を示すデータテーブ
ルを作成すると、図４に示すようなデータテーブルとな
る。この場合、入力値ｕを０．５ずつ変化させるように
した。

【００４１】ここで、関数値ｆ（ｕ）の最大値１を「４
０００ｈ」で表現しているから、１６ビットのデータの
１ビット（１ＬＳＢ）で示される関数値ｆ（ｕ）の最小
値δは、 δ＝１／４０００ｈ＝６．１０４×１０^−５＝０．００
００６１０４ となる。この最小値δは、上記データテーブルの分解能
（関数値ｆ（ｕ）の分解能）である。

【００４２】そして、上記図４に示すデータテーブルに
おいて、ｕ＜−１１．０のときは、ｆ（ｕ）＜０．００
００２であると共に、上記分解能δの制限から、ｆ
（ｕ）＝００００ｈとなる。

【００４３】一方、ｕ＞１１．０のときは、ｆ（ｕ）＞
０．９９９９８であると共に、上記分解能δの制限か
ら、ｆ（ｕ）＝４０００ｈとなる。

【００４４】従って、分解能の制限から、シグモイド関
数のデータテーブルとしては、 −１１．０≦ｕ≦１１．０ の範囲のデータを持てば良い。この場合、データテーブ
ルの上限は１１．０、下限は−１１．０である。尚、本
実施例においては、マイクロコンピュータ３で計算する
場合のデータ処理を容易にするために、データテーブル
の上限及び下限を、それぞれ１１．８７５及び−１１．
８７５に設定した。

【００４５】そして、上述したように、シグモイド関数
のデータテーブルの上限及び下限を、データテーブルの
分解能に応じて設定した場合に、データテーブルの容量
（大きさ）を計算してみる。ここで、空調制御において
ＴＡＯを計算する場合、必要分解能から考えてＴＡＯの
データ長を最低２バイトにする必要がある。また、上記
入力値ｕの定義域のデータ長も２バイト（１６ビット）
に設定する必要がある。そして、入力値ｕの定義域の１
ビット（ＬＳＢ）毎にＴＡＯの２バイトのデータを持つ
ように構成したテーブルが上記シグモイド関数のデータ
テーブルとなる。このため、このデータテーブルの容量
を計算する式とその計算値は、 ２^１６×２バイト＝１２８Ｋバイト となる。このシグモイド関数のデータテーブルの具体的
構成を、図５に示す。

【００４６】また、上記シグモイド関数のデータテーブ
ルを記憶させる記憶手段として例えばＲＯＭを用いると
すると、１２８Ｋバイト以上のＲＯＭが必要になる。こ
れでは、ＲＯＭの容量がまだかなり大きいので、本実施
例では、シグモイド関数のデータテーブルを次に述べる
ようにして縮小している。

【００４７】具体的には、上記シグモイド関数のデータ
テーブルの中から設定個数（例えば２５６個）おきのデ
ータだけを抽出し、これら抽出したデータから縮小デー
タテーブルを作成している。即ち、入力値ｕの１６ビッ
トのデータのうちの上位１バイト分のデータテーブルだ
けを持つようにし、下位１バイト分のデータについては
データテーブルとしては持たないようにしている。これ
により、縮小データテーブルは、図５に示すデータテー
ブルの中から、入力値ｕが「−１１．８７５×（１２８
／１２８）」から「−１１．８７５×（１／１２８）」
までの各値と、「０」と、「１１．８７５×（１／１２
８）」から「１１．８７５×（１２８／１２８）」まで
の各値と、これら入力値ｕの各値に対応する関数値ｆ
（ｕ）とを抽出し、これら抽出したデータから構成され
たデータテーブルとなる。この縮小データテーブルの大
きさは、 １２８Ｋバイト×１／２５６ となる。そして、本実施例では、上記縮小データテーブ
ルをマイクロコンピュータ３のＲＯＭ内に記憶するよう
に構成されいる。

【００４８】そして、このような構成の縮小データテー
ブルに基づいてニューラルネットワークの計算を実行す
る場合、即ち、上記縮小データテーブルに基づいて入力
値ｕに対応する関数値ｆ（ｕ）を求める場合において、
入力値ｕが抽出したデータの間のデータについては、２
つの抽出データを２点として線形補間計算することによ
り関数値ｆ（ｕ）を求めるように構成されている。

【００４９】また、上記縮小データテーブルは、傾きＴ
＝１の場合のデータテーブルであるため、傾きＴが１以
外の場合には、傾きＴが１以外の場合のデータテーブル
を使用する必要がある。このためには、傾きＴが１以外
の場合の縮小データテーブルを作成してＲＯＭに記憶さ
せておく必要があるが、このように構成すると、傾きＴ
が複数ある場合、即ち、複数のニューラルネットワーク
を用いる場合には、複数の縮小データテーブルをＲＯＭ
に記憶させなければならず、ＲＯＭの容量が大きくなっ
てしまう。

【００５０】そこで、本実施例においては、傾きＴ＝１
の場合の縮小データテーブルだけを記憶しておき、傾き
Ｔが１以外の場合には、次のようにして縮小データテー
ブルを参照するようにしている。

【００５１】即ち、入力値ｕに１／Ｔを乗じたｕ／Ｔを
入力値として上記Ｔ＝１の場合の縮小データテーブルを
参照することにより、入力値ｕ／Ｔに対応する関数値ｆ
（ｕ）を求めるようにしている。これにより、傾きＴが
１以外の場合であっても、Ｔ＝１の場合の縮小データテ
ーブルに基づいて関数値ｆ（ｕ）を正確に求めることが
できる。

【００５２】次に、マイクロコンピュータ３により上記
縮小データテーブルに基づいてニューラルネットワーク
の計算を実行する制御内容について図７のフローチャー
トを参照して説明する。この場合、まず、ニューラルネ
ットワークの中間層ユニットの各ニューロンの出力値を
前記式（１）により計算する。具体的には、図７のステ
ップＳ２０１において、中間層ユニットの１番目のニュ
ーロンの式（１）の中の積和部分（ｕ＝Σω_ｋｊ・ｘ_ｊ
−θ_ｋ）を計算する。続いて、入力値ｕに１／Ｔを乗じ
たｕ／Ｔを入力値ｕとする（ステップＳ２０２）。

【００５３】そして、ステップＳ２０３へ進み、ＲＯＭ
に記憶しているシグモイド関数の縮小データテーブル
（図５参照）を参照して、上記入力値ｕ（ｕ／Ｔ）に対
応する関数値ｆ（ｕ）を求める。この場合、シグモイド
関数の縮小データテーブルを検索すると共に、上記入力
値ｕが抽出データ間の中間値であるときには線形補間計
算を実行することにより、関数値ｆ（ｕ）を算出し、こ
れを中間層ユニットの１番目のニューロンの出力値とす
る。

【００５４】続いて、中間層ユニットの全てのニューロ
ンの出力値を計算したか否かを判断する（ステップＳ２
０４）。ここで、中間層ユニットの全てのニューロンの
出力値を計算していない場合には、ステップＳ２０４に
て「ＮＯ」へ進み、ステップＳ２０１へ戻って、中間層
ユニットの残りの（２番目以降の）ニューロンの出力値
を計算する処理を繰り返す。

【００５５】この後、中間層ユニットの全てのニューロ
ン（本実施例の場合、２０個のニューロン）の出力値を
計算したら、ステップＳ２０４にて「ＹＥＳ」へ進む。
そして、ニューラルネットワークの出力層ユニットの各
ニューロンの出力値を前記式（１）により計算する。具
体的には、ステップＳ２０５において、出力層ユニット
の１番目のニューロンの式（１）の中の積和部分（ｕ＝
Σω_ｋｊ・ｘ_ｊ−θ_ｋ）を計算する。続いて、入力値ｕ
に１／Ｔを乗じたｕ／Ｔを入力値ｕとする（ステップＳ
２０６）。

【００５６】そして、ステップＳ２０７へ進み、ＲＯＭ
に記憶しているシグモイド関数の縮小データテーブルを
参照して、上記入力値ｕ（ｕ／Ｔ）に対応する関数値ｆ
（ｕ）を求める。この場合、シグモイド関数の縮小デー
タテーブルを検索すると共に、線形補間計算を実行する
ことにより、関数値ｆ（ｕ）を算出し、これを出力層ユ
ニットの１番目のニューロンの出力値とする。

【００５７】続いて、出力層ユニットの全てのニューロ
ンの出力値を計算したか否かを判断する（ステップＳ２
０８）。ここで、出力層ユニットの全てのニューロンの
出力値を計算していない場合には、ステップＳ２０８に
て「ＮＯ」へ進み、ステップＳ２０５へ戻って、出力層
ユニットの残りの（２番目以降の）ニューロンの出力値
を計算する処理を繰り返す。尚、本実施例の場合、出力
層ユニットのニューロンは１個であるから、１回目でス
テップＳ２０４にて「ＹＥＳ」へ進み、ニューラルネッ
トワークの計算処理を終了する。

【００５８】これにより、車両用空調装置制御用の目標
吹出温ＴＡＯが算出される。そして、このようなニュー
ラルネットワークの演算処理により算出された目標吹出
温ＴＡＯは、設計者が意図するきめ細かい空調制御を実
行するために最適な目標吹出温ＴＡＯとなる。

【００５９】尚、従来構成の車両用空調装置のマイクロ
コンピュータ制御においては、次の式により目標吹出温
ＴＡＯを算出していた。

【００６０】ＴＡＯ＝ＫSET ×ＴSET −ＫＲ×ＴＲ−Ｋ
ＡＭ×Ｔam−ＫＳ×Ｔs ＋Ｃ 但し、ＫSET は温度設定ゲイン、ＫＲは内気温度ゲイ
ン、ＫＡＭは外気温度ゲイン、ＫＳは日射ゲイン、Ｃは
補正定数である。

【００６１】このＴＡＯを算出する式は、一般的な使用
者が普通の条件下でほぼ満足する特性が得られるように
各定数が設定されている。しかし、上記式は一次式（線
形）であるから、ある特定の条件下でＴＡＯの値を急激
に変化させたり、変化率を徐々に変えたりするというよ
うなきめ細かい空調制御を実現することはできなかっ
た。

【００６２】これに対して、本実施例のニューラルネッ
トワークの演算処理により目標吹出温ＴＡＯを算出する
構成によれば、設計者が意図するきめ細かい空調制御を
実行するために最適な目標吹出温ＴＡＯを算出すること
が可能である。具体的には、図６に示すフローチャート
に従って学習処理によりシグモイド関数の結合係数ω及
び閾値θを設定するときに、設計者が意図するきめ細か
い空調制御を実現するように結合係数ω及び閾値θを設
定するように構成すれば良い。

【００６３】そして、本実施例においては、目標吹出温
ＴＡＯをニューラルネットワークを用いた演算装置によ
り算出するに際して、シグモイド関数のデータテーブル
の上限及び下限を、データテーブルの分解能に応じて決
めるように構成したので、シグモイド関数のデータテー
ブルの大きさを小さくすることができ、該データテーブ
ルを記憶させるＲＯＭ（記憶手段）の容量を小さくする
ことができる。しかも、この場合、データテーブルの上
限及び下限の外側のデータは、分解能によれば無視でき
るデータであるから、計算精度が低下することはない。

【００６４】また、上記実施例では、シグモイド関数の
データテーブルの中から設定個数（例えば２５６個）お
きのデータだけを抽出し、これら抽出データから縮小デ
ータテーブルを作成した。具体的には、入力値ｕの１６
ビットのデータのうちの上位１バイト分のデータテーブ
ルだけを持つようにし、下位１バイト分のデータについ
てはデータテーブルとしては持たないように構成した縮
小データテーブルを作成し、この縮小データテーブルを
ＲＯＭに記憶させるように構成した。このため、データ
テーブルを記憶させるＲＯＭの容量を大幅に小さくする
ことができる。そして、上記縮小データテーブルに基づ
いてニューラルネットワークの計算を実行する場合、抽
出したデータの間のデータについては、線形補間計算す
ることによりシグモイド関数値を求めるように構成した
ので、計算精度が低下することを防止できる。

【００６５】更に、上記実施例においては、シグモイド
関数の縮小データテーブルとして傾きＴが「１」の場合
の縮小データテーブルだけを記憶するように構成したの
で、データテーブルを記憶させるＲＯＭの容量を更に小
さくすることができる。そして、傾きＴが「１」以外の
場合には、入力値を１／Ｔ倍した値を入力値として上記
傾きＴが「１」の場合のデータテーブルを参照してニュ
ーラルネットワークの計算を実行するように構成した。
これにより、傾きＴが「１」以外の場合も、計算精度が
低下することなく、ニューラルネットワークの計算を実
行することができる。特に、複数のニューラルネットワ
ークを用いた演算装置を使用する構成の場合には、傾き
Ｔが複数存在するため、ＲＯＭの容量を小さくできると
いう効果が顕著である。

【００６６】一方、上記実施例においては、シグモイド
関数の結合係数等を予め学習することにより決定する際
に、ニューラルネットワークの計算を実行する場合の分
解能に合わせて決定するように構成したので、ニューラ
ルネットワークの計算を実行するときにシグモイド関数
値の誤差が発生しなくなり、それだけ計算精度を高くす
ることができる。

【００６７】ちなみに、シグモイド関数の結合係数等を
予め学習することにより決定する際に、ニューラルネッ
トワークの計算を実行する場合の分解能に合わせて決定
していない場合には、図８に示すように、ｕ（ｘ座標）
のずれαにより、シグモイド関数値ｆ（ｕ）がｆ（ｕ±
α）に変動するようになり、ｙ座標にもずれが生ずる。
この結果、最大誤差ビット数（ＭＡＸ誤差ＬＳＢ数）と
入力ニューロンの個数との関係は、図９に示すような関
係になり、かなり計算誤差が発生するおそれがあること
がわかる。

【００６８】尚、上記実施例では、シグモイド関数のデ
ータテーブルの上限及び下限をデータテーブルの分解能
に応じて決めるという第１の構成と、シグモイド関数の
データテーブルの中から設定個数（例えば２５６個）お
きのデータだけを抽出し、これら抽出データから縮小デ
ータテーブルを作成するという第２の構成と、シグモイ
ド関数の縮小データテーブルとして傾きＴが「１」の場
合の縮小データテーブルだけを記憶すると共に、傾きＴ
が「１」以外の場合には、入力値を１／Ｔ倍した値を入
力値として上記傾きＴが「１」の場合のデータテーブル
を参照してニューラルネットワークの計算を実行すると
いう第３の構成と、シグモイド関数の結合係数等を予め
学習することにより決定する際に、ニューラルネットワ
ークの計算を実行する場合の分解能に合わせて決定する
という第４の構成とを全て組み込むように構成したが、
これに限られるものではなく、上記４つの構成のうちの
いずれか１つの構成だけを組み込むようにしても良い。
また、上記４つの構成のうちのいずれか２つまたは３つ
の構成を組み込むように構成しても良い。

【００６９】更に、上記実施例においては、ニューラル
ネットワークの中間層ユニットを１つとしたが、これに
代えて、２つ以上の中間層ユニットを設けるように構成
しても良い。また、ニューラルネットワークの中間層ユ
ニットを２０個のニューロンから構成したが、ニューロ
ンの個数は適宜決めれば良い。更にまた、入力層ユニッ
トのニューロンの個数及び出力層ユニットのニューロン
の個数も適宜決めれば良い。

【００７０】一方、上記実施例では、車両用空調装置の
目標吹出温度ＴＡＯをニューラルネットワークを用いた
演算装置により算出する場合に適用したが、これに代え
て、例えば車両用空調装置の風量や吹出口モード等をニ
ューラルネットワークを用いた演算装置により算出する
場合に適用することも好ましい構成である。この場合、
１つのニューラルネットワークを用いて目標吹出温度Ｔ
ＡＯ、風量、吹出口モード等を算出するように構成して
も良いし、或いは、複数のニューラルネットワークを用
いて目標吹出温度ＴＡＯ、風量、吹出口モード等を算出
するように構成しても良い。

【００７１】また、上記実施例では、本発明のニューラ
ルネットワークの演算装置を車両用空調装置に適用する
ように構成したが、これに限られるものではなく、エン
ジン制御装置やプラント制御装置に適用するように構成
しても良い。

【図面の簡単な説明】

【図１】本発明の一実施例を示すもので、車両用空調装
置の概略全体構成を示す図

【図２】ニューラルネットワークの構成を示す図

【図３】シグモイド関数のグラフ

【図４】シグモイド関数の入力値と関数値との対応関係
を示す表

【図５】シグモイド関数のデータテーブルを示す図

【図６】学習処理を示すフローチャート

【図７】マイクロコンピュータによるニューラルネット
ワークの計算処理を示すフローチャート

【図８】シグモイド関数の誤差を示すグラフ

【図９】最大誤差ビット数とニューロンの個数との関係
を示す図

【符号の説明】

１は車両用空調装置、２は空調ユニット、３はマイクロ
コンピュータ（ニューラルネットワークの演算装置）、
４はエアコン制御装置、５はダクト、１７は遠心ファ
ン、２８は内気センサ、２９は外気センサ、３０は日射
センサ、３１はエバ後温センサ、３２は水温センサ、３
４はバッテリ、３５はイグニッションスイッチを示す。

Claims (7)

【特許請求の範囲】
1. 【請求項１】 ニューラルネットワークの各ニューロン
   の出力値を定義するシグモイド関数の結合係数、閾値、
   傾きを予め学習することにより決定すると共に、前記シ
   グモイド関数の入力値と関数値との対応関係を示すデー
   タテーブルを作成し、このデータテーブルに基づいてニ
   ューラルネットワークの計算を実行するように構成され
   たニューラルネットワークの演算装置において、 前記シグモイド関数のデータテーブルの上限及び下限
   を、前記データテーブルの分解能に応じて決めるように
   構成したことを特徴とするニューラルネットワークの演
   算装置。
2. 【請求項２】 ニューラルネットワークの各ニューロン
   の出力値を定義するシグモイド関数の結合係数、閾値、
   傾きを予め学習することにより決定すると共に、前記シ
   グモイド関数の入力値と関数値との対応関係を示すデー
   タテーブルを作成し、このデータテーブルに基づいてニ
   ューラルネットワークの計算を実行するように構成され
   たニューラルネットワークの演算装置において、 前記シグモイド関数のデータテーブルの中から設定個数
   おきのデータだけを抽出すると共に、これら抽出データ
   から縮小データテーブルを作成して記憶するように構成
   し、そして、 前記縮小データテーブルに基づいてニューラルネットワ
   ークの計算を実行する場合、前記抽出データ間のデータ
   については線形補間計算により求めるように構成したこ
   とを特徴とするニューラルネットワークの演算装置。
3. 【請求項３】 ニューラルネットワークの各ニューロン
   の出力値を定義するシグモイド関数の結合係数、閾値、
   傾きを予め学習することにより決定すると共に、前記シ
   グモイド関数の入力値と関数値との対応関係を示すデー
   タテーブルを作成し、このデータテーブルに基づいてニ
   ューラルネットワークの計算を実行するように構成され
   たニューラルネットワークの演算装置において、 前記シグモイド関数のデータテーブルとして前記傾きＴ
   が「１」の場合のデータテーブルを記憶するように構成
   し、 前記傾きＴが「１」以外の場合には、入力値を１／Ｔ倍
   した値を入力値として前記傾きＴが「１」の場合のデー
   タテーブルを参照してニューラルネットワークの計算を
   実行するように構成したことを特徴とするニューラルネ
   ットワークの演算装置。
4. 【請求項４】 ニューラルネットワークの各ニューロン
   の出力値を定義するシグモイド関数の結合係数、閾値、
   傾きを予め学習することにより決定すると共に、前記シ
   グモイド関数の入力値と関数値との対応関係を示すデー
   タテーブルを作成し、このデータテーブルに基づいてニ
   ューラルネットワークの計算を実行するように構成され
   たニューラルネットワークの演算装置において、 前記シグモイド関数の結合係数等を予め学習することに
   より決定する際、ニューラルネットワークの計算を実行
   する場合の分解能に合わせて決定するように構成したこ
   とを特徴とするニューラルネットワークの演算装置。
5. 【請求項５】 ニューラルネットワークの各ニューロン
   の出力値を定義するシグモイド関数の結合係数、閾値、
   傾きを予め学習することにより決定すると共に、前記シ
   グモイド関数の入力値と関数値との対応関係を示すデー
   タテーブルを作成し、このデータテーブルに基づいてニ
   ューラルネットワークの計算を実行するように構成され
   たニューラルネットワークの演算装置において、 前記シグモイド関数のデータテーブルの上限及び下限
   を、前記データテーブルの分解能に応じて決め、 前記シグモイド関数のデータテーブルの中から設定個数
   おきのデータだけを抽出すると共に、これら抽出データ
   から縮小データテーブルを作成して記憶するように構成
   し、前記縮小データテーブルに基づいてニューラルネッ
   トワークの計算を実行する場合、前記抽出データ間のデ
   ータについては線形補間計算により求めるように構成
   し、そして、 前記シグモイド関数のデータテーブルとして前記傾きＴ
   が「１」の場合のデータテーブルを記憶するように構成
   し、前記傾きＴが「１」以外の場合には、入力値を１／
   Ｔ倍した値を入力値として前記傾きＴが「１」の場合の
   データテーブルを参照してニューラルネットワークの計
   算を実行するように構成したことを特徴とするニューラ
   ルネットワークの演算装置。
6. 【請求項６】 前記シグモイド関数の結合係数等を予め
   学習することにより決定する際、ニューラルネットワー
   クの計算を実行する場合の分解能に合わせて決定するよ
   うに構成したことを特徴とする請求項５記載のニューラ
   ルネットワークの演算装置。
7. 【請求項７】 空調の吹出口から送風される空気の温度
   が目標吹出温度ＴＡＯになるようにファン装置やダンパ
   ー等を自動的に駆動制御するように構成された車両用空
   調装置において、 使用者により設定された設定温度ＴSET を第１の入力と
   し、 内気温度センサにより検知された内気温度ＴＲを第２の
   入力とし、 外気温度センサにより検知された外気温度Ｔamを第３の
   入力とし、 日射量センサにより検知された日射量Ｔs を第４の入力
   とし、 前記目標吹出温度ＴＡＯを出力とし、 請求項１ないし６のいずれかに記載のニューラルネット
   ワークの演算装置によって前記４つの入力に基づいて前
   記目標吹出温度ＴＡＯを演算するように構成したことを
   特徴とする車両用空調装置。