DE19731943A1 - Stabilisierungsentwicklungsverfahren und Aufzeichnungsträger, auf dem ein Stabilisierungsentwicklungsprogramm aufgezeichnet ist - Google Patents

Description

Die vorliegende Erfindung betrifft ein Stabilisierungsent­ wicklungsverfahren und einen Aufzeichnungsträger, auf dem ein Stabilisierungsentwicklungsprogramm aufgezeichnet ist. Insbe­ sondere betrifft die Erfindung ein Stabilisierungsentwick­ lungsverfahren, bei dem ein Produkt entwickelt wird, während die Funktion berücksichtigt wird, die die Stabilität eines Produkts widerspiegelnde Faktoren enthält, und die Stabili­ tät eines Produkts starke Beachtung findet, und einen Auf­ zeichnungsträger, der ein Entwicklungsprogramm zur Stabili­ sierungsentwicklung eines Produkts aufzeichnet, dessen Ent­ wicklungsbedingungen, die sowohl die Funktion als auch die Robustheit eines Produkts aufweisen, durch einen Computer er­ halten werden.

Im allgemeinen wird bei der Produktentwicklung wie einer ma­ schinellen Entwicklung oder strukturellen Entwicklung eine grundlegende Entwicklung ausgeführt, um einer anfänglichen Funktionsanforderung zu genügen. Ein Produkt wird beruhend auf der grundlegenden Entwicklung versuchsweise hergestellt und wird dahingehend ausgewertet, ob das hergestellte Produkt der Funktionsanforderung genügt. Das Ergebnis wird zu der grundlegenden Entwicklung rückgeführt und die versuchsweise Herstellung/Auswertung derart wiederholt, daß ein Produkt, das der beabsichtigten Funktionsanforderung genügt, beruhend auf der empirisch-praktischen Methode bzw. Versuch- und Irr­ tum-Methode entwickelt wird. Mit der Weiterentwicklung des Computers wird desweiteren zur Auswertung ein Produkt unter Verwendung eines Computers entwickelt. Außerdem fügt ein Be­ nutzer einen erforderlichen Entwicklungstest oder eine Analy­ se unter Verwendung des Computers durch (sog. CAE: "Computer Aided Engineering", Rechnerunterstützung von Ingenieuraufga­ ben).

Seit kurzem wird bei der Produktentwicklung einer Stabilisie­ rungsentwicklung große Beachtung geschenkt, bei der die Sta­ bilität eines Produkts bzgl. verschiedener Arten von Faktoren wie einem Rauschabstand oder einer zu verwendenden Umgebung stark berücksichtigt wird. Beispielsweise genügen zwei Arten von Teilen A und B Funktionsanforderungen bzw. Leistungsan­ forderungen, und wenn die Leistung des Teils B höher als die des Teils A ist, wird der Teil B ausgewählt, dessen Leistung höher als die des Teils A ist. Wenn jedoch die Beziehung zwi­ schen Entwicklungsfaktoren und einer Leistung berücksichtigt wird, kann in einem Fall, bei dem der Teil A gegenüber Rau­ schen resistent und robust (der Beitrag zur Robustheit hoch) ist und der Teil B gegenüber Rauschen weniger resistent ist, der Teil A in Abhängigkeit einer zu verwendenden Umgebung ausgewählt werden.

Jedoch wird bei der Auswertung durch CAE oder der vorstehend angeführten Auswertung, bei der die versuchsweise Herstel­ lung/Auswertung wiederholt und das Produkt beruhend auf der empirisch/praktischen Methode hergestellt wird, eine Punkt­ entwicklung bewirkt, bei der die Funktion bzw. Leistung aus den Entwicklungsfaktoren oder den zu verwendenden Umgebungs­ bedingungen derart vorhergesagt wird, daß Veränderungen der Leistung zu dem Zeitpunkt nicht ausreichend berücksichtigt werden, zu dem der Entwicklungsfaktor oder die zu verwenden­ den Umgebungsbedingungen verändert werden. Bei dem Stabili­ sierungsentwicklungsverfahren zur Stabilisierungsentwicklung werden die Änderungen der Leistung zu dem Zeitpunkt berück­ sichtigt, zu dem sich der Entwicklungsfaktor oder die zu ver­ wendenden Umgebungsbedingungen derart ändern, daß die Stabi­ lität eines Produkts verbessert wird.

Als Stabilisierungsentwicklungsverfahren ist das Taguchi- Verfahren bekannt (Ueno: "Quality Engineering at the Site of Development; Machine Design by Functional Evaluation", Japa­ nese Standards Association (JSA), 1995). Bei diesem Verfahren wird eine Streuung bzw. Dispersion, die nicht durch einen Entwickler gesteuert werden kann, als Fehlerfaktor genommen, und es wird ein Entwicklungsfaktor erhalten, bei dem der Bei­ trag zur Robustheit hoch ist. Als nächstes wird ein Entwick­ lungsfaktor erhalten, bei dem der Beitrag zur Robustheit ge­ ring und der Beitrag zur Leistung hoch ist, und es wird ein Produkt entwickelt, bei dem die Leistung ohne Verringerung des Beitrags zur Robustheit verbessert ist.

Bei diesem Verfahren ist es erforderlich, daß der Fehlerfak­ tor zuvor bestimmt wird, und daß der Entwicklungsfaktor, des­ sen Beitrag zur Robustheit gering und dessen Beitrag zur Lei­ stung hoch ist, tatsächlich vorhanden ist. Da jedoch eine Empfindungsgröße wie eine Tonqualität der Fehlerfaktor sein kann, oder die Entwicklungsfaktoren nicht vorhanden sein kön­ nen, ist es schwierig, dieses Verfahren in der Praxis anzu­ wenden. Desweiteren ist die Beziehung zwischen den Entwick­ lungsfaktoren und der Leistung oft nicht linear, so daß es erforderlich ist, eine große Anzahl an Versuchen zur zuver­ lässigen Analyse der nicht linearen Entsprechung auszuführen.

Zur Beseitigung eines derartigen Nachteils wird ein Entwick­ lungsverfahren vorgeschlagen, bei dem ein neuronales Netzwerk verwendet wird, das nach einer neuronalen Schaltung model­ liert ist (siehe Japanische Offenlegungsschrift Nr. 7-319 508). Das neuronale Netzwerk ist nach der neuronalen Schal­ tung modelliert und durch Gewichtung und Verbindung einer Eingangsschicht, einer Zwischenschicht und einer Ausgangs­ schicht strukturiert, die durch eine Vielzahl von Neuronen ausgebildet sind. Die Verbindungsbeziehungen werden durch be­ kannte Eingangs/Ausgangsdaten erlernt. Auf diese Weise kann selbst dann, wenn die Eingangs/Ausgangsbeziehung eine nicht­ lineare Entsprechung ist, das dem Eingangssignal entsprechen­ de Ausgangssignal erhalten werden.

Jedoch muß selbst im Fall, in dem das neuronale Netzwerk ver­ wendet wird, die Struktur des neuronalen Netzwerks selbst zum Erhalt optimaler Leistung wie der Anzahl von Eingangsschich­ ten, die die Entwicklungsfaktoren enthalten, oder der Anzahl von Zwischenschichten beruhend auf der empirisch-praktischen Methode erhalten werden. Somit sind komplizierte und störende Verarbeitungsvorgänge erforderlich.

Der Erfindung liegt daher die Aufgabe zugrunde, ein Stabili­ sierungsentwicklungsverfahren auszugestalten, bei dem die Än­ derungen der Leistung zu dem Zeitpunkt berücksichtigt werden, zu dem sich ein Entwicklungsfaktor oder zu verwendende Umge­ bungsbedingungen ändern und bei dem die Stabilität eines Pro­ dukts verbessert werden kann.

Eine weitere Aufgabe der Erfindung besteht in der Ausgestal­ tung eines Stabilisierungsentwicklungsverfahrens, bei dem Entwicklungsfaktoren erhalten werden können, die sowohl Lei­ stung als auch Robustheit aufweisen.

Die Aufgaben werden gemäß einer ersten Ausgestaltung der Er­ findung durch ein Stabilisierungsentwicklungsverfahren ge­ löst, bei dem die Leistung eines Produkts auf der Grundlage von Entwicklungsbedingungen und Umgebungsbedingungen des Pro­ dukts erhalten wird, und bei dem die Stabilität des Produkts berücksichtigt wird, dadurch gekennzeichnet, daß im Fall, daß eine Vielzahl von Daten, bei denen die Beziehung zwischen ei­ ner Gruppe von Entwicklungsbedingungen und den Umgebungsbe­ dingungen des Produkts und der Leistung des Produkts, die ei­ nen die Stabilität des Produkts widerspiegelnden Faktor ent­ hält, bekannt ist, unter Verwendung der Gruppe der Entwick­ lungsbedingungen und der Umgebungsbedingungen des Produkts als Eingangssignal und der Leistung des Produkts, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, als Ausgangssignal eine Entsprechung bestimmt wird, die eine nichtlineare Entsprechung der Eingangs-Ausgangsbeziehung ent­ hält, eine Entsprechungseinrichtung verwendet wird, die ein neuronales Schaltungsmodell einer Mehrschichtstruktur auf­ weist, und das neuronale Schaltungsmodell unter Verwendung eines Vererbungsalgorithmus verändert wird und die Entspre­ chungseinrichtung aufgebaut wird, und die Leistung erhalten wird, die den Entwicklungsbedingungen und den Umgebungsbedin­ gungen eines Produkts entspricht.

Gemäß einer zweiten Ausgestaltung der Erfindung ist das Sta­ bilisierungsentwicklungsverfahren dadurch gekennzeichnet, daß die Veränderung des neuronalen Schaltungsmodells unter Ver­ wendung des Vererbungsalgorithmus mit vorbestimmter Wahr­ scheinlichkeit und durch Ausführen eines Austauschens zumin­ dest eines Abschnitts der Vielzahl von neuronalen Schaltungs­ modellen und/oder einer Mutation bewirkt wird, bei der zumin­ dest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß die Struktur der Entsprechungseinrichtung be­ stimmt wird.

Das Stabilisierungsentwicklungsverfahren gemäß der dritten Ausgestaltung der Erfindung ist dadurch gekennzeichnet, daß unter einer Vielzahl von Daten, bei denen die Beziehung zwi­ schen der Gruppe von Entwicklungsbedingungen und den Umge­ bungsbedingungen des Produkts und der Leistung des Produkts bekannt ist, die einen die Stabilität des Produkts wider­ spiegelnden Faktor enthält, die Vielzahl von Daten als Daten betrachtet wird, deren verallgemeinerter Mahalanobis-Abstand größer als ein vorbestimmter Abstand ist.

Die Funktion bzw. Leistung eines Produkts wird durch Entwick­ lungsbedingungen wie Entwicklungsfaktoren eines Produkts und Umgebungsbedingungen wie eine Umgebungstemperatur oder Feuch­ tigkeit und Windstärke, bestimmt. Es wird nach einem Produkt verlangt, das resistent gegenüber Rauschen ist, dessen Stabi­ lität berücksichtigt ist, und dessen Beitrag zur Robustheit hoch ist. Die Entsprechung zwischen der Gruppe von Entwick­ lungsbedingungen und Umgebungsbedingungen des Produkts und der Leistung ist oft nicht linear. Zum Erhalt der nichtlinea­ ren entsprechenden Beziehung gibt es ein System, das nach der neuronalen Schaltung modelliert ist und das neuronale Netz­ werk verwendet. Selbst dann, wenn das System nach der neuro­ nalen Schaltung zum Erhalt der nichtlinearen Entsprechungsbe­ ziehung modelliert ist, ist es jedoch beschwerlich, die Struktur zu bestimmen. Gemäß der ersten Ausgestaltung der Er­ findung wird das Konzept des Vererbungsalgorithmus einge­ führt. In der Entsprechungseinrichtung, die ein nach der neu­ ronalen Schaltung einer Mehrschichtstruktur modelliertes neu­ ronales Netzwerk ist, wird die Beziehung zwischen der Gruppe der Entwicklungsbedingungen und den Umgebungsbedingungen des Produkts und der Leistung durch die Vielzahl bekannter Daten erlernt, die einen die Stabilität des Produkts widerspie­ gelnden Faktor enthält. In der Entsprechungseinrichtung die­ nen die Entwicklungsbedingungen und die Umgebungsbedingungen des Produkts als Eingangssignale und die Leistung, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, als Ausgangssignal. Die Entsprechungseinrichtung bestimmt ei­ ne Entsprechung, die eine nichtlineare Entsprechung der Ein­ gangs-Ausgangsbeziehung enthält. Das neuronale Schaltungsmo­ dell der Entsprechungseinrichtung wird unter Verwendung des Vererbungsalgorithmus verändert, wodurch die Entsprechungs­ einrichtung aufgebaut wird. Auf diese Weise kann die Leistung erhalten werden, die den Entwicklungsbedingungen und den Um­ gebungsbedingungen eines Produkts entspricht.

Gemäß der zweiten Ausgestaltung wird die Änderung des neuro­ nalen Schaltungsmodells unter Verwendung des Vererbungsalgo­ rithmus mit vorbestimmter Wahrscheinlichkeit entsprechend der Auswahl/Sortierung des Vererbungsalgorithmus und durch Aus­ führung eines Austauschens zumindest eines Abschnitts der Vielzahl von neuronalen Schaltungsmodellen und/oder einer Mu­ tation bewirkt wird, bei der zumindest ein Abschnitt des neu­ ronalen Schaltungsmodells verändert wird. Auf diese Weise wird das neuronale Schaltungsmodell verändert und die Struk­ tur der Entsprechungseinrichtung bestimmt.

Es ist erforderlich, daß die Vielzahl von zu verwendenden Da­ ten keine Extrapolationsdaten sind, da nämlich die Lösung des Extrapolationsproblems oft einen großen Fehler enthält. In­ folgedessen wird gemäß der dritten Ausgestaltung unter einer Vielzahl von Daten, bei denen die Beziehung zwischen den Ent­ wicklungsbedingungen und den Umgebungsbedingungen des Pro­ dukts und die Leistung bekannt ist, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, die Vielzahl von Daten als Daten betrachtet, deren verallgemeinerter Maha­ lanobis-Abstand größer als ein vorbestimmter Abstand ist. Auf diese Weise kann selbst dann, wenn die Daten zur Verifikation der wie vorstehend beschrieben aufgebauten Umwandlungsein­ richtungen verwendet werden, unter der Vielzahl von Daten die Daten, deren verallgemeinerter Mahanobis-Abstand kürzer als der vorbestimmte Abstand ist, als Interpolationsdaten und nicht als Extrapolationsdaten verarbeitet werden. Somit ent­ halten die Daten keinen großen Fehler.

Das Stabilisierungsentwicklungsverfahren gemäß einer vierten Ausgestaltung ist gekennzeichnet durch die Schritte vorab Be­ reitstellen einer Vielzahl von Daten, bei denen die Beziehung zwischen einer Gruppe der Entwicklungsbedingungen und der Um­ gebungsbedingungen des Produkts und die Leistung des Produkts entsprechend der Gruppe der Entwicklungsbedingungen und der Umgebungsbedingungen des Produkts bekannt ist, Einstellen ei­ ner Entsprechungsbeziehung, bei der die Gruppe der Entwick­ lungsbedingungen und der Umgebungsbedingungen des Produkts als Eingangssignal dient, und die Leistung als Ausgangssignal für ein neuronales Schaltungsmodell einer Mehrschichtstruktur dient, und Lernen/Aufbauen der Entsprechungsbeziehung unter Verwendung der Vielzahl von Daten, Bestimmen einer Entwick­ lungsbeschränkung, die den zulässigen Bereich der Entwick­ lungsbedingungen und/oder der Umgebungsbedingungen des Pro­ dukts und/oder der Leistung des Produkts beschränkt, unter Verwendung der Daten, die anders als die Vielzahl von Daten den Wert enthalten, innerhalb des zulässigen Bereichs, der durch die Entwicklungsbeschränkung beschränkt ist, eine Viel­ zahl von Entsprechungen zwischen der Gruppe der Entwicklungs­ bedingungen und der Umgebungsbedingungen des Produkts und der Leistung des Produkts und Erhalten einer Robustheit, und Ent­ nehmen der Entwicklungsbedingungen innerhalb des vorbestimm­ ten Bereichs, der zuvor durch die Leistung des Produkts und die Robustheit bestimmt wurde, auf Grundlage der erhaltenen Vielzahl von Entsprechungen und der Robustheit.

Gemäß der ersten Ausgestaltung wird nach einem Produkt ver­ langt, das resistent gegen Rauschen ist, dessen Stabilität berücksichtigt wird und dessen Beitrag zur Robustheit groß ist. Die Entsprechung zwischen der Gruppe der Entwicklungsbe­ dingungen und Umgebungsbedingungen des Produkts und der Lei­ stung ist oft nicht linear. Gemäß der vierten Ausgestaltung werden die Entwicklungsbedingungen erhalten, die sowohl die Leistung als auch die Robustheit eines Produkts aufweisen. D.h., eine Vielzahl von Daten wird zuvor bereitgestellt, bei denen die Beziehung zwischen der Gruppe der Entwicklungsbe­ dingungen und der Umgebungsbedingungen des Produkts und der Leistung entsprechend den Entwicklungsbedingungen und den Um­ gebungsbedingungen des Produkts bekannt ist. Dann wird eine Entsprechungsbeziehung, bei der die Entwicklungsbedingungen und die Umgebungsbedingungen des Produkts als Eingangssignal dienen und die Leistung als Ausgangssignal dient, bei einem neuronalem Schaltungsmodell einer Mehrschichtstruktur einge­ stellt, und die Entsprechungsbeziehung wird unter Verwendung der Vielzahl von Daten erlernt/aufgebaut. Das neuronale Netz­ werk, das das neuronale Schaltungsmodell darstellt, gibt die Leistung entsprechend der Eingabe der Entwicklungsbedingungen und der Umgebungsbedingungen des Produkts aus. Zum Zeitpunkt der Entwicklung des Produkts sind Beschränkungen vorhanden, die sich aus der Struktur oder einem optimalen Wert und einem zulässigen Bereich bzgl. der Entwicklungsbedingungen oder der Leistung des Produkts ergeben. Demnach wird eine Entwick­ lungsbeschränkung bestimmt, die den zulässigen Bereich der Entwicklungsbedingungen und/oder der Umgebungsbedingungen des Produkts und/oder der Leistung beschränkt. Infolgedessen wird der variable Bereich der Entwicklungsbedingungen, der Umge­ bungsbedingungen und der Leistung des Produkts bestimmt. Dann wird unter Verwendung der Daten, die anders als die Vielzahl von Daten den Wert enthält, und innerhalb des zulässigen Be­ reichs, der durch die Entwicklungsbeschränkung beschränkt ist, eine Vielzahl von Entsprechungen zwischen der Gruppe der Entwicklungsbedingungen und der Umgebungsbedingungen des Pro­ dukts und der Leistung und die Robustheit erhalten. Die Ent­ sprechung zwischen den Entwicklungsbedingungen und den Umge­ bungsbedingungen des Produkts und dessen Leistung bzw. Funk­ tion kann aus der Entsprechungsbeziehung des entworfenen neu­ ronalen Schaltungsmodells und die Robustheit aus dem Wert ei­ nes partiellen Differentials einer Formel erhalten werden, wenn die Entsprechungsbeziehung des neuronalen Schaltungsmo­ dells formuliert wird. Der Wert des partiellen Differentials kann durch ein neuronales Netzwerk erhalten werden, das ent­ sprechend dem neuronalen Schaltungsmodell entworfen ist. So­ mit kann die Entsprechung relativ zu der Vielzahl von Lei­ stungen bzw. Funktionen und die Robustheit erhalten werden. Auf der Grundlage der erhaltenen Vielzahl von Entsprechungen und der Robustheit werden die Entwicklungsbedingungen inner­ halb des vorbestimmten Bereichs entnommen, die zuvor durch die Leistung des Produkts und die Robustheit bestimmt wurde. Die Entwicklungsbedingungen, deren Leistung des Produkts groß und deren Robustheit stark ist, d. h. der Einfluß aufgrund des Fehlerfaktors ist gering, können entnommen werden. Beispiels­ weise können die Entwicklungsfaktoren wie eine strukturelle Länge oder ein Winkel entnommen werden. Wenn der Beziehung zwischen der Leistung des Produkts und der Robustheit Priori­ tät gegeben wird, genügt es, wenn eine Vielzahl von Entwick­ lungsfaktoren, deren Leistung oder Robustheit groß ist und die eine höhere Priorität haben entnommen werden, und danach Entwicklungsfaktoren entnommen werden, deren Leistung oder Robustheit groß ist und die eine geringere Priorität haben.

Gemäß einer fünften Ausgestaltung ist das Stabilisierungsent­ wicklungsverfahren dadurch gekennzeichnet, daß zumindest ein Abschnitt der Entsprechungsbeziehung, die in dem neuronalen Schaltungsmodell einer Mehrschichtstruktur eingestellt wurde, mit einer vorbestimmten Wahrscheinlichkeit unter Verwendung eines Vererbungsalgorithmus und durch Ausführung eines Aus­ tauschens zumindest eines Abschnitts der Vielzahl von neuro­ nalen Schaltungsmodellen und/oder durch eine Mutation verän­ dert wird, wobei zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß die Entsprechungsbe­ ziehung gebildet wird.

Gemäß einer fünften Ausgestaltung wird mit der Ausbildung der Entsprechungsbeziehung zum Erhalt der Entwicklungsbedingun­ gen, die sowohl die Leistung des Produkts als auch die Ro­ bustheit aufweisen, das Konzept eines Vererbungsalgorithmus eingeführt. D.h., die Entsprechungsbeziehung, die ein nach der neuronalen Schaltung einer Mehrschichtstruktur modellier­ tes neuronales Netzwerk ist, wird durch die Vielzahl von Da­ ten erlernt, bei denen die Beziehung zwischen den Entwick­ lungsbedingungen und den Umgebungsbedingungen des Produkts und dessen Leistung bekannt ist. Bei der Entsprechungsbezie­ hung dienen die Entwicklungsbedingungen und die Umgebungsbe­ dingungen des Produkts als Eingangssignal und die Leistung als Ausgangssignal. Die Entsprechungsbeziehung bestimmt die Entsprechung, die eine nichtlineare Entsprechung der Ein­ gangs/Ausgangsbeziehung beinhaltet. Das neuronale Schaltungs­ modell der Entsprechungsbeziehung wird unter Verwendung eines Vererbungsalgorithmus verändert, wodurch die Entsprechungsbe­ ziehung gebildet wird. Auf diese Weise kann die Leistung er­ halten werden, die den Entwicklungsbedingungen und den Umge­ bungsbedingungen eines Produkts entspricht.

Gemäß einer sechsten Ausgestaltung beinhaltet der Vererbungs­ algorithmus einen Schritt (A), in dem das neuronale Schal­ tungsmodell bestimmt wird, das durch die Vielzahl von Daten als Anfangsgeneration erlernt/gebildet wurde, einen Schritt (B), in dem die inverse Zahl des Fehlers zwischen dem Aus­ gangssignal des neuronalen Schaltungsmodells hinsichtlich je­ des Eingangssignals der Vielzahl von Daten und des Quadrats der Daten, die das Ausgangssignal jedes der Vielzahl von Da­ ten sein sollten, als Bewertung erhalten wird, einen Schritt (C), in dem unter der Vielzahl von erhaltenen Bewertungen das neuronale Schaltungsmodell ausgewählt wird, dessen erhaltene Bewertung größer als eine vorbestimmte Bewertung ist, einen Schritt (D), in dem ein Austauschen zumindest eines Ab­ schnitts des ausgewählten neuronalen Schaltungsmodells und/oder eine Mutation bewirkt wird, bei der zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß das neuronale Schaltungsmodell verändert und bestimmt wird, und einen Schritt (E), in dem die Schritte (A) bis (D) bis zur vorbestimmten Generation wiederholt werden.

Gemäß einer sechsten Ausgestaltung wird das neuronale Schal­ tungsmodell, das durch die Vielzahl von Daten erlernt/aufge­ baut wurde, als Anfangsgeneration bestimmt. An diesem Punkt gibt es eine Vielzahl von erlernten/aufgebauten bzw. entwor­ fenen neuronalen Schaltungsmodellen, wobei jedes Modell das­ jenige enthält, das für alle Daten nicht das beste Ausgangs­ signal erhalten kann. Dementsprechend wird die inverse Zahl des Fehlers zwischen dem Ausgangssignal des neuronalen Schal­ tungsmodells bzgl. jedes Eingangssignals der Vielzahl von Da­ ten und des Quadrats von Daten, das das Ausgangssignal jedes der Vielzahl von Daten sein sollte, als Bewertung erhalten. Unter der Vielzahl erhaltener Bewertungen wird das neuronale Schaltungsmodell ausgewählt, dessen erhaltene Bewertung grö­ ßer als eine vorbestimmte Bewertung ist. Es wird ein Austau­ schen zumindest eines Abschnitts des ausgewählten neuronalen Schaltungsmodells und/oder eine Mutation bewirkt, bei der zu­ mindest ein Abschnitt des Modells verändert wird. Somit wird das neuronale Schaltungsmodell verändert und ein neuronales Schaltungsmodell der nächsten Generation bestimmt. Das neuro­ nale Schaltungsmodell der nächsten Generation erbt die Ent­ sprechungsbeziehung der Anfangsgeneration und bildet ferner eine Struktur, die derjenigen ähnlich ist, die ein besseres Ausgangssignal erhalten kann. Da das Austauschen und die Mu­ tation bis zu der vorbestimmten Generation wiederholt werden, um das neuronale Schaltungsmodell zu bestimmen, kann demzu­ folge das beste Ausgangssignal für die gesamten Daten erhal­ ten werden.

Gemäß einer siebten Ausgestaltung wird die Vielzahl von Daten durch eine Kategorisierung in Verifikationsdaten und Lernda­ ten verwendet, wobei Daten, deren verallgemeinerter Mahalano­ bis-Abstand geringer als der vorbestimmte Abstand ist, als Verifikationsdaten zur Verifikation des erlernten/entworfenen neuronalen Schaltungsmodells dienen, und wobei die anderen Daten als Lerndaten zum Lernen/Entwerfen dienen.

Gemäß der dritten Ausgestaltung ist es erforderlich, daß die Vielzahl von zu verwendenden Daten keine Extrapolationsdaten sind, da nämlich die Lösung des Extrapolationsproblems oft einen großen Fehler enthält. Gemäß der siebten Ausgestaltung wird die Vielzahl von Daten durch Kategorisierung in Verifi­ kationsdaten und Lerndaten verwendet. Daten, deren verallge­ meinerter Mahalanobis-Abstand geringer als der vorbestimmte Abstand ist, dienen als Verifikationsdaten zur Verifikation des erlernten/entworfenen neuronalen Schaltungsmodells, und die anderen Daten dienen als Lerndaten für das Lernen/Ent­ werfen. Auf diese Weise können selbst dann, wenn die Daten zur Verifikation des entworfenen neuronalen Schaltungsmodells verwendet werden, unter der Vielzahl von Daten die Daten, de­ ren verallgemeinerter Mahalanobis-Abstand geringer als der vorbestimmte Abstand ist, als Interpolationsdaten und nicht als Extrapolationsdaten verarbeitet werden. Somit enthalten die Daten keinen großen Fehler.

Das Stabilisierungsentwicklungsverfahren der Erfindung kann durch die Durchführung eines Stabilisierungsentwicklungspro­ gramms verwirklicht werden, das auf einem Aufzeichnungsträger aufgezeichnet ist. Das Stabilisierungsentwicklungsprogramm kann elektronisch in einem Speicher gespeichert sein.

Gemäß einer achten Ausgestaltung ist ein Aufzeichnungsträger ausgebildet, der ein Stabilisierungsentwicklungsprogramm auf­ zeichnet, in dem die Entwicklungsbedingungen, die sowohl die Leistung eines Produkts als auch die Robustheit aufweisen, durch einen Computer erhalten werden, und in dem die Stabili­ sierungsentwicklung des Produkts bewirkt wird, wobei das Ent­ wicklungsprogramm folgende Schritte aufweist: vorab Bereit­ stellen einer Vielzahl von Daten, bei denen die Beziehung zwischen einer Gruppe der Entwicklungsbedingungen und der Um­ gebungsbedingungen des Produkts und der Leistung des Produkts entsprechend der Gruppe der Entwicklungsbedingungen und der Umgebungsbedingungen des Produkts bekannt ist, Einstellen ei­ ner Entsprechungsbeziehung, bei der die Gruppe der Entwick­ lungsbedingungen und der Umgebungsbedingungen des Produkts als Eingangssignal und die Leistung als Ausgangssignal zu ei­ nem neuronalen Schaltungsmodell einer Mehrschichtstruktur dienen, und Lernen/Entwerfen der Entsprechungsbeziehung durch Verwendung der Vielzahl von Daten, Bestimmen einer Entwick­ lungsbeschränkung, die den zulässigen Bereich der Entwick­ lungsbedingungen und/oder der Umgebungsbedingungen des Pro­ dukts und/oder der Leistung des Produkts beschränkt, unter Verwendung der Daten, die anders als die Vielzahl von Daten den Wert enthalten, Erhalten einer Vielzahl von Entsprechun­ gen zwischen der Gruppe der Entwicklungsbedingungen und der Umgebungsbedingungen des Produkts und der Leistung des Pro­ dukts innerhalb des zulässigen Bereichs, der durch die Ent­ wicklungsbeschränkung beschränkt ist, und Erhalten einer Ro­ bustheit, und auf der erhaltenen Vielzahl von Entsprechungen und der Robustheit beruhendes Entnehmen der Entwicklungsbe­ dingungen innerhalb des vorbestimmten Bereichs, der zuvor durch die Leistung des Produkts und die Robustheit bestimmt wurde.

Gemäß einer neunten Ausgestaltung ist ein Aufzeichnungsträger, der das Stabilisierungsentwicklungsprogramm nach der achten Ausgestaltung aufzeichnet, dadurch gekennzeichnet, daß zumin­ dest ein Abschnitt der Entsprechungsbeziehung, die in dem neuronalen Schaltungsmodell einer Mehrschichtstruktur einge­ stellt wurde, mit einer vorbestimmten Wahrscheinlichkeit un­ ter Verwendung eines Vererbungsalgorithmus und durch Ausfüh­ rung eines Austauschens zumindest eines Abschnitts der Viel­ zahl von neuronalen Schaltungsmodellen und/oder eine Mutation verändert wird, wobei zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß die Entsprechungsbe­ ziehung ausgebildet wird.

Gemäß einer zehnten Ausgestaltung ist ein Aufzeichnungsträ­ ger, der das Stabilisierungsentwicklungsprogramm nach der achten Ausgestaltung aufzeichnet, dadurch gekennzeichnet, daß der Vererbungsalgorithmus einen Schritt (A), bei dem das neu­ ronale Schaltungsmodell bestimmt wird, das durch die Vielzahl von Daten als Anfangsgeneration erlernt/entworfen wurde, ei­ nen Schritt (B), in dem die inverse Zahl des Fehlers zwischen dem Ausgangssignal des neuronalen Schaltungsmodells hinsicht­ lich jedes Eingangssignals der Vielzahl von Daten und des Quadrats von Daten, das das Ausgangssignal jedes der Vielzahl von Daten sein sollte, als Bewertung erhalten wird, einen Schritt (C), in dem unter der Vielzahl von erhaltenen Bewer­ tungen das neuronale Schaltungsmodell ausgewählt wird, dessen erhaltene Bewertung größer als eine vorbestimmte Bewertung ist, einen Schritt (D), in dem ein Austauschen zumindest ei­ nes Abschnitts des ausgewählten neuronalen Schaltungsmodells und/oder eine Mutation bewirkt wird, bei der zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß das neuronale Schaltungsmodell verändert und bestimmt wird, und einen Schritt (E) enthält, in dem die Schritte (A) bis (E) bis zu der vorbestimmten Generation wiederholt wer­ den.

Gemäß einer elften Ausgestaltung ist ein Aufzeichnungsträger, der das Stabilisierungsentwicklungsprogram nach einem der achten bis zehnten Ausgestaltungen aufzeichnet, dadurch ge­ kennzeichnet, daß die Vielzahl von Daten durch Kategorisie­ rung in Verifikationsdaten und Lerndaten verwendet wird, wo­ bei die Daten, deren verallgemeinerter Mahalanobis-Abstand kürzer als der vorbestimmte Abstand ist, als Verifikationsda­ ten zur Verifikation des erlernten/entworfenen neuronalen Schaltungsmodells dienen, und wobei die anderen Daten als Lerndaten zum Lernen/Entwerfen dienen.

Die Erfindung wird nachstehend anhand von bevorzugten Ausfüh­ rungsbeispielen unter Bezugnahme auf die beiliegende Zeich­ nung ausführlich beschrieben. Es zeigen:

Fig. 1 eine bildliche Darstellung eines Simulationsgeräts ge­ mäß einem ersten Ausführungsbeispiel,

Fig. 2 eine schematische Darstellung des Simulationsgerät ge­ mäß dem ersten Ausführungsbeispiel,

Fig. 3 ein schematisches Blockschaltbild des Simulationsge­ räts gemäß dem ersten Ausführungsbeispiel,

Fig. 4 eine schematische Darstellung eines neuronalen Netz­ werks,

Fig. 5 eine schematische Darstellung eines durch einen Verer­ bungsalgorithmus ausgebildeten neuronalen Netzwerks,

Fig. 6 ein Ablaufdiagramm, das den Ablauf eines Lernvorgangs des neuronalen Netzwerks darstellt,

Fig. 7 ein Ablaufdiagramm, das den Ablauf des Betriebs des Simulationsgeräts gemäß dem ersten Ausführungsbeispiel dar­ stellt,

Fig. 8 eine schematische Darstellung eines Austauschens,

Fig. 9 eine schematische Darstellung einer Mutation,

Fig. 10 eine bildliche Darstellung des Prozesses zur Ausbil­ dung eines neuronalen Netzwerks, das durch eine Stabilisie­ rungsentwicklung verwendet wird, bei der das aerodynamische Rauschen eines Fahrzeugs verringert wird,

Fig. 11a die Beziehung zwischen Lehrdaten von 17 Fahrzeugar­ ten und einem geschätzten Ergebnis,

Fig. 11b die Beziehung zwischen Versuchsdaten der anderen Fahrzeugarten und einem geschätzten Ergebnis,

Fig. 12 eine perspektivische Ansicht eines Fahrzeugs, die den Abschnitt von Entwicklungsfaktoren zeigt,

Fig. 13 eine Schnittansicht entlang der Linie A-A′ in Fig. 12,

Fig. 14 eine dreidimensionale bildliche Darstellung der Be­ ziehung zwischen dem Abschnitt der Entwicklungsfaktoren und dem Sensorwert eines Raschelns bzw. Rauschens,

Fig. 15 ein schematisches Blockschaltbild eines Simulations­ geräts gemäß einem zweiten Ausführungsbeispiel,

Fig. 16 ein Ablaufdiagramm, das den Ablauf des Betriebs des Simulationsgeräts gemäß dem zweiten Ausführungsbeispiel dar­ stellt,

Fig. 17 ein Ablaufdiagramm, das den Ablauf eines Stabilisie­ rungsentwicklungsprozesses des Simulationsgeräts gemäß dem zweiten Ausführungsbeispiel darstellt,

Fig. 18A eine schematische Darstellung eines neuronalen Netz­ werks im Entwurfsprozeß durch einen Vererbungsalgorithmus,

Fig. 18B eine schematische Darstellung eines neuronalen Netz­ werks im Entwurfsprozeß durch einen Vererbungsalgorithmus,

Fig. 18C eine schematische Darstellung eines neuronalen Netz­ werks im Entwurfsprozeß durch einen Vererbungsalgorithmus,

Fig. 19A eine Darstellung der Beziehung zwischen Lehrdaten in dem neuronalen Netzwerk, das sich in dem Entwurfsprozeß durch einen Vererbungsalgorithmus befindet, und einem geschätzten Ausgangswert des neuronalen Netzwerks,

Fig. 19B eine Darstellung der Beziehung zwischen Lehrdaten in dem neuronalen Netzwerk, das sich in dem Entwurfsprozeß durch einen Vererbungsalgorithmus befindet, und einem geschätzten Ausgangswert des neuronalen Netzwerks,

Fig. 19C eine Darstellung der Beziehung zwischen Lehrdaten in dem neuronalen Netzwerk, das sich in dem Entwurfsprozeß durch einen Vererbungsalgorithmus befindet, und einem geschätzten Ausgangswert des neuronalen Netzwerks.

Nachstehend wird ein Ausführungsbeispiel der Erfindung unter Bezugnahme auf die Zeichnung beschrieben. Gemäß einem ersten Ausführungsbeispiel wird die Erfindung bei einem Simulations­ gerät zur Stabilisierungsentwicklung eines Produkts verwen­ det, wobei die Leistung eines Produkts auf der Grundlage der Entwicklungsfaktoren des Produkts und von Umgebungsbedingun­ gen erhalten und dessen Stabilität berücksichtigt wird. Bei dem Simulationsgerät gemäß dem ersten Ausführungsbeispiel wird die Struktur eines neuronalen Netzwerks, das eine nicht­ lineare Prädiktionstechnik darstellt und nach dem neuronalen Netzwerk eines höheren Tieres ingenieurmäßig modelliert ist, unter Verwendung eines Vererbungsalgorithmus bestimmt.

Fig. 1 zeigt eine Übersicht eines Simulationsgeräts 30 des ersten Ausführungsbeispiels. Das Simulationsgerät 30 enthält eine Tastatur 10 zur Eingabe von Daten oder dgl., einen Com­ puterhauptkörper 12, in dem die Funktion bzw. Leistung eines Produkts aus dessen Entwicklungsfaktoren, den Umgebungsbedin­ gungen und dgl. entsprechend einem zuvor gespeicherten Pro­ gramm und unter Verwendung eines neuronalen Netzwerks einer nichtlinearen Prädiktionstechnik vorhergesagt/gesteuert wird, und eine Kathodenstrahlröhre (CRT) 14, die die Ergebnisse der Verarbeitung oder dgl. des Computerhauptkörpers 12 anzeigt.

Wie in Fig. 2 ausführlich dargestellt enthält das Simulati­ onsgerät 30 den Computerhauptkörper 12, der aus einem Mikro­ computer besteht, die Tastatur zur Eingabe von Daten, Befeh­ len oder dgl., und den Monitor bzw. Bildschirm 14. Der Compu­ terhauptkörper 12 enthält eine Zentraleinheit (CPU) 16, einen Nur-Lese-Speicher (ROM) 18, einen Schreib-Lese-Speicher (RAM) 20, einen Speicher 22 zur Speicherung von Daten zur Ausbil­ dung eines neuronalen Netzwerks (was nachstehend ausführlich beschrieben ist), eine Eingabe/Ausgabeeinrichtung (I/O-Einrichtung) zum Senden und Empfangen von Daten oder dgl. zwischen dem Hauptkörper und den anderen Einrichtungen, und einen Bus 24, durch den diese Einrichtungen verbunden sind, um die Eingabe/Ausgabe von Daten oder Befehlen zu erlauben. Der Nur-Lese-Speicher 18 speichert ein Verarbeitungsprogramm, das nachstehend beschrieben wird. Ferner ist gemäß dem ersten Ausführungsbeispiel eine Datenspeichereinrichtung 28 zur Speicherung des Werts von Entwicklungsfaktoren eines Produkts oder des Werts von dessen Umgebungsbedingungen mit der Einga­ be/Ausgabeeinrichtung 26 verbunden. Es ist keine Datenspei­ chereinrichtung 28 erforderlich, wenn der Wert von Entwick­ lungsfaktoren eines Produkts oder der Wert von Umgebungsbe­ dingungen über die Tastatur 10 eingegeben wird, oder wenn die Werte in dem Nur-Lese-Speicher 18 oder dem Speicher 22 ge­ speichert werden.

Ferner ist gemäß dem ersten Ausführungsbeispiel eine Lese/ Schreibeinrichtung 27, bei der die Informationen wie Daten Programme oder dgl., aus einem bzw. in einen magnetischen Speichermedium 29 wie eine Diskette gelesen bzw. geschrieben werden, an die Eingabe/Ausgabeeinrichtung 26 anschließbar. Demzufolge ist die nachstehend beschriebene Speicherung des Verarbeitungsprogramms nicht auf den Nur-Lese-Speicher 18 be­ schränkt, und das Verarbeitungsprogramm kann in dem magneti­ schen Speichermedium 29 gespeichert werden. Außerdem kann das in dem magnetischen Speichermedium 29 gespeicherte Verarbei­ tungsprogramm durch die Lese/Schreibeinrichtung 27 gelesen und in dem Speicher 22 gespeichert werden. Ferner kann das Speichermedium wie eine Festplatteneinrichtung in dem. Compu­ terhauptkörper 12 oder außerhalb vorgesehen sein, um das Ver­ arbeitungsprogramm in der Festplatteneinrichtung zu spei­ chern. Diese gespeicherten Verarbeitungsprogramme können auf dem magnetischen Speichermedium 29 ausgeführt werden, auf dem sie zuvor gespeichert wurden. Alternativ dazu kann ein nach­ stehend beschriebenes Verarbeitungsprogramm auf dem magneti­ schen Speichermedium 29 gespeichert sein und ausgeführt wer­ den oder kann in dem Speicher 22 oder dgl. gespeichert sein und ausgeführt werden.

Fig. 3 zeigt ein Blockschaltbild des schematischen Aufbaus des Simulationsgeräts 30 des ersten Ausführungsbeispiels. Das Simulationsgerät 30 des ersten Ausführungsbeispiels gibt Aus­ gabedaten, die die Leistung eines Produkts darstellen, dessen Stabilität berücksichtigt wird, aus Eingangsdaten wie den Entwicklungsfaktoren eines Produkts und dessen Umgebungsbe­ dingungen aus.

Das Simulationsgerät 30 wird durch einen nichtlinearen Opera­ tionsabschnitt 32, einen Vererbungsalgorithmus-Operationsab­ schnitt 34, einen Dateneingabeabschnitt 40 und einen Daten­ ausgabeabschnitt 44 funktional in Kategorien eingeteilt. Der nichtlineare Operationsabschnitt 32 wird durch ein (nach­ stehend ausführlich beschriebenes) neuronales Netzwerk gebil­ det und dient als Berechnungsabschnitt, der die Entsprechung zwischen den Entwicklungsfaktoren und Umgebungsbedingungen des Produkts und dessen Leistung berechnet. Desweiteren er­ hält der nichtlineare Operationsabschnitt 32 auf der Grundla­ ge von aus dem Dateneingabeabschnitt 40 eingegebenen Daten das Modell, das die Entwicklungsfaktoren und die Umgebungsbe­ dingungen des Produkts mit dessen Leistung verknüpft. Das be­ schriebene Modell ist ein Umwandlungssystem, bei dem eine Um­ wandlung und eine inverse Umwandlung möglich sind, so daß die Entsprechung zwischen den Entwicklungsfaktoren, den zu ver­ wendenden Umgebungsbedingungen oder dgl. des Produkts und dessen Leistung 1 : 1 ist. Auch wenn das erlernte neuronale Netzwerk durch eine Formel ausgedrückt wird, enthält das Mo­ dell die Formel und deren Koeffizienten.

Der Dateneingabeabschnitt 40 dient zur Eingabe der Entwick­ lungsfaktoren, der zu verwendenden Umgebungsbedingungen und dgl. eines Produkts, die durch numerische Werte ausgedrückt werden. Im Fall, bei dem die durch die Tastatur 10 eingegebe­ nen numerischen Daten oder die in der Datenspeichereinrich­ tung 28 gespeicherten Daten unverändert verwendet werden, entspricht die Tastatur 10 oder die Datenspeichereinrichtung 28 dem Dateneingabeabschnitt 40. Im Fall, in dem die durch die Tastatur 10 eingegebenen numerische Daten oder die in der Datenspeichereinrichtung 28 gespeicherten Daten als Umwand­ lungsdaten entsprechend einer vorbestimmten Funktion oder Ta­ belle eingegeben werden, da die Operation bzw. Verarbeitung eine arithmetische Verarbeitung erfordert, entspricht die Ta­ statur 10, die den Computerhauptkörper 12 beinhaltet, oder die Datenspeichereinrichtung 28 dem Dateneingabeabschnitt 40.

Als Ergebnis der Operation des nichtlinearen Operationsab­ schnitts 32 dient der Datenausgabeabschnitt 44 zur Ausgabe von Ausgangsdaten, in denen die Daten aus dem Dateneingabeab­ schnitt 40 die Leistung eines stabilisierten Produkts dar­ stellen. Wenn die Daten, die das Ergebnis der Operation des nichtlinearen Operationsabschnitts 32 darstellen, einen Wert haben, der die Leistung eines Produkts unverändert anzeigt, da der Wert auf dem Bildschirm 14 angezeigt oder in der Da­ tenspeichereinrichtung 28 unverändert gespeichert werden kann, entspricht der Bildschirm 14 oder die Datenspeicherein­ richtung 28 dem Datenausgabeabschnitt 44. In einem Fall, bei dem die Daten, die das Ergebnis der Operation des nichtlinea­ ren Operationsabschnitts 32 darstellen, als Umwandlungsdaten entsprechend einer vorbestimmten Funktion oder Tabelle verar­ beitet und danach die Daten in den Wert umgewandelt werden, der die Leistung eines Produkts anzeigt, da die Operation bzw. Verarbeitung eine arithmetische Verarbeitung erfordert, entspricht der Bildschirm 14, der den Computerhauptkörper 12 beinhaltet, oder die Datenspeichereinrichtung 28 dem Daten­ ausgabeabschnitt 44.

Gemäß dem ersten Ausführungsbeispiel wird der nichtlineare Operationsabschnitt 32 mittels in Fig. 2 gezeigten Hardware­ betriebsmitteln und nachstehend beschriebenen Softwarebe­ triebsmitteln gebildet. Wie nachstehend beschrieben wird, enthält der nichtlineare Operationsabschnitt 32 Umwandlungs­ funktionen, die durch ein neuronales Netzwerk gemäß der Auf­ gabe gebildet werden, und Lernfunktionen zum Erlernen des neuronalen Netzwerks. Desweiteren ist es möglich, daß die Entsprechung zwischen den Entwicklungsfaktoren oder dgl. und dessen Leistung in dem anderen neuronalen Netzwerk zuvor er­ lernt wird, daß der Koeffizient der Umwandlung des anderen erlernten Netzwerks in den nichtlinearen Operationsabschnitts 32 eingegeben wird, und daß dadurch ein neuronales Netzwerk unter Verwendung des Koeffizienten der Umwandlung ausgebildet wird.

In dem vorstehend beschriebenen nichtlinearen Operationsab­ schnitt 32 enthält eine Eingangsschicht Neurone, die der An­ zahl von Entwicklungsfaktoren und zu verwendenden Bedingungen eines Produkts entsprechen, um die Eingabe jedes Werts der Entwicklungsfaktoren und der zu verwendenden Bedingungen zu ermöglichen, und eine Ausgangsschicht enthält über eine Zwi­ schenschicht Neurone, die der Anzahl von Leistungen des Pro­ dukts entsprechen. Demnach bildet der nichtlineare Operati­ onsabschnitt 32 ein neuronales Netzwerk, in dem die jeweili­ gen Neurone durch Synapsen verbunden sind. Wenn ein neurona­ les Netzwerk gelernt ist, was nachstehend beschrieben wird, und danach jeder Wert der Entwicklungsfaktoren und zu verwen­ denden Bedingungen eines Produkts eingegeben wird, wird bei dem nichtlinearen Operationsabschnitt 32 die Leistung eines Produkts, die diesen entspricht, ausgegeben. Zur Zeit des Lernens wird die bekannte Leistung, die den Entwicklungsfak­ toren und den zu verwendenden Umgebungsbedingungen eines Pro­ dukts entspricht, als Lehrdatum eingegeben, und entsprechend der Größe der Fehlerdifferenz oder dgl. zwischen der auszuge­ benden Leistung des Produkts und der bekannten Leistung des Produkts entspricht jeder Wert der Entwicklungsfaktoren und zu verwendenden Umgebungsbedingungen des Produkts der Lei­ stung des Produkts.

Fig. 4 zeigt ein Beispiel eines neuronalen Netzwerks, das in dem nichtlinearen Operationsabschnitt 32 verwendet wird. Das neuronale Netzwerk umfaßt eine Eingangsschicht, die aus einer vorbestimmten Anzahl von Einheiten I1, I2, . . ., Ip (p < 1) gebildet wird, die den Neuronen entsprechen, eine Zwischen­ schicht, die aus einer Vielzahl von Einheiten M1, M2, . . ., Mp (p < 1) gebildet wird, und eine Ausgangsschicht, die durch eine vorbestimmte Anzahl (1 in dem ersten Ausführungsbei­ spiel) der Ausgangseinheit U1 gebildet wird. Die Anzahl von Einheiten in der Eingangsschicht und die Anzahl von Einheiten in der Zwischenschicht werden durch einen Vererbungsalgorith­ mus verändert, was nachstehend beschrieben wird. Jedoch kann zu Beginn die Anzahl entsprechend der Anzahl von Entwick­ lungsfaktoren und zu verwendenden Umgebungsbedingungen eines Produkts und der Anzahl dessen Leistungen eingestellt werden. Ferner sind jede Einheit in der Zwischenschicht und die Ein­ heit in der Ausgangsschicht jeweils mit Offset-Einheiten 46, 48 verbunden, die einen Ausgangswert um einen vorbestimmten Betrag verschieben.

In dem ersten Ausführungsbeispiel werden die Einheiten in der Zwischenschicht und die Einheiten in der Ausgangsschicht durch neuronale Schaltungselemente gebildet, die eine Sig­ moidkennlinie enthalten, bei der die Ein­ gangs/Ausgangsbeziehung durch eine Sigmoidfunktion aus ge­ drückt wird, und die Einheiten in der Eingangsschicht werden durch neuronale Schaltungselemente gebildet, bei denen die Eingangs/Ausgangsbeziehung linear ist. Da die Einheiten zum Enthalten der Sigmoidkennlinie ausgebildet sind, werden die Ausgangswerte tatsächliche (positive) Werte.

Jeweilige Ausgangssignale der Einheiten in der Zwischen­ schicht in dem nichtlinearen Operationsabschnitt 32 können durch die folgende Formel (1) ausgedrückt werden. D.h., in einer bestimmten Einheit kann eine virtuelle innere Bedin­ gungsvariable uj, die dem Durchschnittswert eines Membranen­ potentials eines Neurons entspricht, durch ein Gewicht w1ÿ (dem Koeffizienten zur Verknüpfung in einer Einheit), das der Stärke jeder Synapsenverknüpfung entspricht, und durch ein Eingangssignal xi ausgedrückt werden, und ein Ausgangssignal yj kann durch eine nichtlineare Funktion f1 ausgedrückt wer­ den, die die Eigenschaften des Neurons anzeigt. Auf ähnliche Weise können die jeweiligen Ausgangssignale der Einheiten in der Ausgangsschicht durch folgende Formel (2) ausgedrückt werden.

wobei θ_1j ein von einer Offset-Einheit zugeführter Schwellen­ wert und f () eine Sigmoidfunktion ist.

wobei θ_2k ein von einer Offset-Einheit zugeführter Schwellen­ wert und f () eine Sigmoidfunktion oder eine lineare Funktion ist.

Da jeder Wert x_i der Entwicklungsfaktoren und zu verwendenden Umgebungsbedingungen eines Produkts in jede Einheit in der Eingangsschicht eingegeben wird, wird daher jeder Wert z_k, der die Leistung des Produkts anzeigt, aus jeder Einheit in der Ausgangsschicht ausgegeben.

Jede Einheit in der vorstehend angeführten Eingangsschicht kann das Eingangssignal unverändert ausgeben. Desweiteren wird das Gewicht (der Koeffizient der Verknüpfung) jeder Ein­ heit in dem nichtlinearen Operationsabschnitt 32 (in dem neu­ ronalen Netzwerk) durch einen Lernprozeß, der nachstehend be­ schrieben wird, gelernt/modifiziert, so daß ein Fehler zwi­ schen dem Ausgangssignal und den bekannten Versuchsdaten mi­ nimiert wird. D.h., in dem Nervensystem eines Lebewesens wird angenommen, daß das Lernen durch Veränderung der Stärke der Synapsenverknüpfung zwischen den Neuronen bewirkt wird. In­ folge dessen verändert das Lernen/Modifizieren in dem neuro­ nalen Netzwerk das Gewicht (den Koeffizienten zur Verknüp­ fung) jeder Einheit entsprechend einer Synapsengewichtung und dem Schwellenwert. Desweiteren werden in dem ersten Ausfüh­ rungsbeispiel, wie es nachstehend beschrieben wird, die An­ zahl von Einheiten in der Eingangsschicht und die Anzahl von Einheiten in der Zwischenschicht durch einen Vererbungsalgo­ rithmus optimiert.

Nachstehend wird der Lernprozeß des neuronalen Netzwerks in dem nicht linearen Operationsabschnitt 32 ausführlich unter Bezugnahme auf Fig. 6 beschrieben. In dem ersten Ausführungs­ beispiel wird ein Produkt versuchsweise entsprechend jedem Wert der Entwicklungsfaktoren und zu verwendenden Umgebungs­ bedingungen des Produkts hergestellt, und es wird jeder Wert, der die Leistung des Produkts anzeigt, zuvor erhalten. Da die Produkte entsprechend einer Vielzahl von unterschiedlichen Entwicklungsfaktoren und zu verwendenden Umgebungsbedingungen versuchsweise hergestellt und die die Leistungen der Produkte anzeigenden Werte erhalten werden, dienen die Entsprechungen zwischen den jeweiligen Werten der Entwicklungsfaktoren und der zu verwendenden Umgebungsbedingungen dieser Produkte und die jeweiligen Werte, die deren Leistungen anzeigen, als Ver­ suchsdaten. Die Versuchsdaten dienen als eine Vielzahl von Lehrdaten, die zum Zeitpunkt des Lernens verwendet werden. Es wird angenommen, daß eine vorbestimmte Anzahl von Versuchsda­ ten unter der Vielzahl von Lehrdaten (beispielsweise 70 bis 80% der gesamten Daten) Lerndaten sind, und die anderen Ver­ suchsdaten (beispielsweise die verbleibenden 20 bis 30%) kei­ ne Lerndaten bzw. Nicht-Lerndaten sind. Auf diese Weise wer­ den die Versuchsdaten für die Daten, die zum Zeitpunkts des Lernens des neuronalen Netzwerks zu verwenden sind, und die Daten verwendet, die verifizieren, ob das gelernte neuronale Netzwerk optimal gelernt ist. Desweiteren wird angenommen, daß jeder Wert der Entwicklungsfaktoren und zu verwendenden Umgebungsbedingungen dieser Produkte eingegebene Lehrdaten sind, und jeder die Leistungen der Produkte anzeigende Wert ausgegebene Lehrdaten sind.

In dem ersten Ausführungsbeispiel werden Nicht-Lerndaten un­ ter den gesamten Daten derart eingestellt, daß die einge­ stellten Nicht-Lerndaten keine Extrapolationsdaten werden. D.h., Daten, deren verallgemeinerter Mahalanobis-Abstand kurz ist, werden als Nicht-Lerndaten betrachtet. Bei der Analyse, wie einer mehrdimensionalen Analyse, kann die Lösung des Pro­ blems der Extrapolation, da das Problem der Interpolation der Gegenstand ist, einen großen Fehler enthalten. Da selbst das in dem ersten Ausführungsbeispiel verwendete neuronale Netz­ werk einem nichtlinearen mehrfachen Regressionsmodell ent­ spricht, wird angenommen, daß die Einstellung der Nicht-Lerndaten, die keine Extrapolationsdaten werden, zur Verbes­ serung der Zuverlässigkeit der erhaltenen Daten beiträgt.

Zuerst werden in Schritt 200 Lerndaten und Nicht-Lerndaten, die zuvor erhalten wurden, gelesen. Im nachfolgenden Schritt 202 wird durch die Einstellung des Koeffizienten der Verknüp­ fung (des Gewichts) jeder Einheit und des Schwellenwert in einem neuronalen Netzwerk auf vorbestimmte Werte eine Initia­ lisierung bewirkt. Im nachfolgenden Schritt 204 wird zum Ler­ nen des Netzwerks unter Verwendung einer Vielzahl von bekann­ ten Lerndaten der Entwicklungsfaktoren und zu verwendenden Umgebungsbedingungen des Produkts die Fehler jeweiliger Ein­ heiten in der Zwischenschicht und der Ausgangsschicht erhal­ ten.

Der Fehler in der Ausgangsschicht kann die Differenz zwischen den Lerndaten und einem mechanischen Verhalten sein. Da der Koeffizient der Verknüpfung und/oder der Schwellenwert lang­ sam verändert wird, kann der Fehler in der Ausgangsschicht, d. h. der Fehler der Einheit minimiert werden. Ferner kann der Fehler in der Zwischenschicht unter Verwendung des Fehlers in der Ausgangsschicht durch eine Rückwärtsberechnung, wie ein Fehlerrückwärtsausbreitungsverfahren (einem sog. Rückausbrei­ tungsverfahren "back propagation method") erhalten werden.

In einem nachfolgenden Schritt 206 werden der Koeffizient der Verknüpfung und der Schwellenwert, die wie vorstehend be­ schrieben erhalten wurden, aktualisiert (neu geschrieben) . Im nachfolgenden Schritt 208 wird jedes Nicht-Lerndatum durch das neuronale Netzwerk getestet, in dem der Koeffizient der Verknüpfung und der Schwellenwert aktualisiert wurden, so daß die die Leistung des Produkts anzeigenden Daten als Wert des Testergebnisses erhalten werden. Im nachfolgenden Schritt 210 wird bestimmt, ob der Wert des in Schritt 208 erhaltenen Te­ stergebnisses konvergierte, indem beurteilt wird, ob der Wert in einem vorbestimmten Bereich liegt, der für die Bestimmung der Konvergenz herangezogen wird, oder es wird alternativ da­ zu bestimmt, ob die vorstehend beschriebene Verarbeitung eine vorbestimmte Anzahl oft wiederholt wurde. Wenn das Ergebnis der Bestimmung in Schritt 210 "JA" ist, endet die aktuelle Routine. Wenn andererseits das Ergebnis der Bestimmung in Schritt 210 "NEIN" ist, kehrt der Prozeß zu Schritt 204 zu­ rück und der vorstehend beschriebene Prozeß wird wiederholt. Wenn die Lerndaten eingegeben sind, werden auf diese Weise der Koeffizient der Verknüpfung und der Schwellenwert derart bestimmt, daß der Fehler jeder Einheit in der Zwischenschicht und der Ausgangsschicht minimiert wird.

Demnach wird das neuronale Netzwerk unter Verwendung der Vielzahl bekannter Versuchsdaten der Entwicklungsfaktoren und der zu verwendenden Umgebungsbedingungen des Produkts ge­ lernt. D.h., das Lernen wird derart bewirkt, daß der Fehler des Ausgangswert aus der Ausgangsschicht des neuronalen Netz­ werks bzgl. des Lehrsignals minimiert ist. Wird der Wert der Entwicklungsfaktoren und zu verwendenden Umgebungsbedingungen des Produkts eingegeben, gibt als Folge des Lernens der nichtlineare Operationsabschnitt 32 den die Leistung des Pro­ dukts anzeigenden Wert aus.

Nachdem die vorstehend beschriebene Verarbeitung beendet ist und das Lernen des neuronalen Netzwerks ausreichend bewirkt ist, kann die Struktur des Netzwerks, d. h. der Koeffizient der Verknüpfung oder der Schwellenwert, in dem Speicher 18 gespeichert werden, um ein Umwandlungssystem auszubilden.

Nachstehend wird der Betrieb des Simulationsgeräts 30 gemäß dem ersten Ausführungsbeispiel unter Bezugnahme auf das Ab­ laufdiagramm in Fig. 7 beschrieben. Wenn die Energieversor­ gung des Simulationsgeräts 30 eingeschaltet wird oder der Be­ ginn der Ausführung durch die Tastatur bestimmt wird, geht der Prozeß zu Schritt 100 in Fig. 7 über, in dem eine Viel­ zahl von Chromosomen in einer Anfangsgeneration eingestellt werden. D.h., die optimale Kombination der Entwicklungsfakto­ ren, die optimale Anzahl von Einheiten in der Zwischenschicht und die optimalen Anfangswerte eines Verknüpfungszustands des Gewichts und des Schwellenwerts) werden durch den Verer­ bungsalgorithmus erhalten. Gleichzeitig wird zur Vermeidung des minimalen Werts, zu dem das neuronale Netzwerk tendiert, die Struktur des vorhandenen neuronalen Netzwerks, das ge­ lernt wurde, beispielsweise durch ein Array von "0" und "1" derart codiert, daß die mehreren Strukturen des neuronalen Netzwerks, die jeweils durch das Vorhandensein einer Einheit in der Eingangsschicht, das Vorhandensein der Einheit in der Zwischenschicht, das Gewicht W und den Schwellenwert θ ausge­ bildet sind, durch den Vererbungsalgorithmus verarbeitet wer­ den können. Im nachfolgenden Schritt 102 werden die mittleren quadratischen Fehler (RMS-Fehler) der gesamten Lerndaten zur Ausbildung von Anpassungsfähigkeiten erhalten.

Im nachfolgenden Schritt 104 wird die Vielzahl von in dem vorstehend beschriebenen Schritt 100 eingestellten Chromoso­ men in der Folge angeordnet, in der die Anpassungsfähigkeit hoch ist und entsprechend der Wahrscheinlichkeit der Auswahl sortiert. In diesem Fall wird die Auswahl derart bewirkt, daß die Chromosomen mit hohen Anpassungsfähigkeiten bestehen bleiben. Desweiteren werden in Schritt 104 die Chromosomen entsprechend der Größe der Anpassungsfähigkeit ausgewählt und ein Abschnitt der Chromosomen wird ausgetauscht. Desweiteren wird ein anderer Abschnitt der Chromosomen einer Mutation un­ terzogen, d. h. die Werte werden entsprechend einer vorbe­ stimmten Wahrscheinlichkeit verändert. Im nachfolgenden Schritt 106 werden die Anpassungsfähigkeiten der Chromosomen erhalten, die angeordnet, ausgetauscht und einer Mutation un­ terzogen wurden. Da das Austauschen und dgl. der Chromosomen bis zur vorbestimmten Generation (Schritt 108) wiederholt wird, wird die dem Prozeß der Evolution eines Lebewesens in der Natur entsprechende Evolution bewirkt. D.h. es werden die Anzahl von Einheiten in der Eingangsschicht, die Anzahl von Einheiten in der Zwischenschicht und die Anfangswerte der Koeffizienten der Verknüpfung (die Gewichte) bestimmt, wie es in Fig. 5 gezeigt ist. In Fig. 5 bezeichnet eine durchzogene Linie ein positives Vorzeichen, eine gestrichelte Linie ein negatives Vorzeichen und die Dicke einer Linie den Grad der Verknüpfung.

Wie es in Fig. 8 gezeigt ist, bedeutet das vorstehend be­ schriebene Austauschen, daß ein Abschnitt eines Chromosoms mit einem Abschnitt eines anderen Chromosoms ausgetauscht wird. Wie es in Fig. 9 gezeigt ist, bedeutet die vorstehend beschriebene Mutation, daß ein Abschnitt eines Chromosoms verändert wird.

Bei dem vorstehend angeführten Evolutionsprozeß ist zur Ver­ hinderung, daß das Chromosom mit der höchsten Anpassungsfä­ higkeit durch ein Austauschen oder eine Mutation zerstört wird, die Verwendung einer Elitestrategie zu bevorzugen, bei der das Chromosom, dessen Anpassungsfähigkeit die höchste ist, in der kommenden Generation verbleibt.

Bei dem ersten Ausführungsbeispiel ist die Evolution in der vorbestimmten Generation beendet, wie es vorstehend beschrie­ ben ist. Somit wird im Fall, in dem der Vererbungsalgorithmus bei dem neuronalen Netzwerk angewendet wird, die Konvergenz in der Nachbarschaft des optimalen Werts verringert. Demnach wird bei dem ersten Ausführungsbeispiel der optimale Wert nur durch den Vererbungsalgorithmus nicht erhalten. Die Evolution ist in der vorbestimmten Generation beendet, und das Chromo­ som, dessen Anpassungsfähigkeit die höchste zur Zeit der be­ endeten Generation ist, wird als Quasi-Anfangswert in Schritt 110 gespeichert. Im nachfolgenden Schritt 112 wird ein neuro­ nales Netzwerk mit dem Quasi-Anfangswert durch eine Fehler­ rückwärtsausbreitung, d. h. ein Rückausbreitungsverfahren re­ konstruiert. D.h., die Anfangsstruktur des neuronalen Netz­ werks wird durch einen Vererbungsalgorithmus bestimmt, und das neuronale Netzwerk mit der Anfangsstruktur wird durch den vorstehend beschriebenen Lernprozeß (Fig. 6) optimiert, um den optimalen Koeffizienten der Verknüpfung zu bestimmen.

Wie es vorstehend beschrieben ist, werden gemäß dem ersten Ausführungsbeispiel die optimale Kombination der Entwick­ lungsfaktoren, die optimale Anzahl von Einheiten in der Zwi­ schenschicht, und die optimalen Anfangswerte eines Verknüp­ fungszustands (des Gewichts und des Schwellenwerts) durch den Vererbungsalgorithmus erhalten. Gleichzeitig kann die Struk­ tur des neuronalen Netzwerks verhindert werden, die zu einem Minimalwert tendiert, d. h. die Struktur des neuronalen Netz­ werks, die durch die Kombination der in die Eingangsschicht einzugebenden Entwicklungsfaktoren, die Anzahl von Einheiten in der Eingangsschicht, die Anzahl von Einheiten in der Zwi­ schenschicht, das Gewicht W und den Schwellenwert θ gebildet wird, optimal eingestellt werden. Da die Anzahl der zu ent­ wickelnden Generationen zuvor bestimmt ist, kann desweiteren verhindert werden, daß die Last bei der Konvergenz der Opera­ tion um den optimalen Wert angewendet wird. Da desweiteren die Daten, deren verallgemeinerter Mahalanobis-Abstand kurz ist, als Nicht-Lerndaten eingestellt sind, werden keine Ex­ trapolationsdaten erzeugt. Daher kann das neuronale Netzwerk mit wenigen Fehlern gebildet werden.

Als nächstes wurde zur Ausbildung eines neuronalen Netzwerks unter Verwendung des vorstehend beschriebenen Vererbungsalgo­ rithmus und zur Verwendung des neuronalen Netzwerks für die Stabilisierungsentwicklung, bei der das aerodynamische Rau­ schen eines Fahrzeugs verringert wird, der folgende Versuch ausgeführt und wünschenswerte Ergebnisse erhalten.

Seit kurzem wird aufgrund der Verringerung des Hintergrund­ rauschens eines Fahrzeugs ein 500 bis 1000 Hz aerodynamisches Rauschen (ein sog. Rascheln) bemerkt, das eine Frequenz von 2 bis 3 Hz hat und die Empfindung einer Schwankung enthält. Es wird angenommen, daß das Rascheln aufgrund von Turbulenzen des Windstroms in der Umgebung einer Vordersäule erzeugt wird. Da jedoch die Konfiguration der Nachbarschaft der Vor­ dersäule den Entwurf eines Fahrzeugs beeinflußt, wird die Konfiguration vorzugsweise auf der Stufe der Entwicklung des Fahrzeugs in Betracht gezogen.

Zur Auswertung der Empfindlichkeit bzw. des Empfindens eines Raschelns zum Zeitpunkt eines tatsächlichen Fahrens eines Fahrzeugs als Funktion bzw. Leistung wurde das Empfinden in fünf Stufen ausgedrückt: 1 sehr störend, 2 störend, 3 leicht störend, 4 nicht störend, 5 überhaupt nicht störend. Deswei­ teren wurden bei den Versuchsdaten die Konfiguration der Vor­ dersäule und der Sensorwert bei 17 Fahrzeugbauarten gemessen.

Da die Versuchsdaten (17) und der Vererbungsalgorithmus wie vorstehend beschrieben verwendet wurden, wurde die Kombinati­ on der Entwicklungsfaktoren, die Anzahl von Einheiten in der Zwischenschicht und das Gewicht und der Schwellenwert für die optimale Konfiguration bzw. den optimalen Aufbau der Vorder­ säule erhalten. Nachdem das Rückausbreitungsverfahren durch­ geführt wurde, wurde das in Fig. 10 gezeigte neuronale Netz­ werk ausgebildet. Wie es in den Fig. 12 und 13 dargestellt ist, wurde als Ergebnis herausgefunden, daß die gesamten sechs Datentypen als Entwicklungsfaktoren, d. h. dreidimensio­ nale Neigungswinkel (τ, θ, γ) einer Vordersäule 50 auf der linken Seite eines Fahrzeugs in Laufrichtung um eine Wind­ schutzscheibe, eine Differenz im Niveau H zwischen der Wind­ schutzscheibe und einer Regenrinne 58 (oder der Säule 50), eine Breite W der Säule 50 und der Radius R der Säule 50 das Rascheln bzw. Rauschen beeinflussen.

In Fig. 12 bezeichnet τ der dreidimensionalen Winkel einen Neigungswinkel um die Achse L (die Achse in der rückwärtigen Richtung eines Fahrzeugs, die Achse in der Richtung entlang der Richtung eines Pfeils L in Fig. 12), θ eine Neigungswin­ kel um die Achse W (die Achse in der Querrichtung eines Fahr­ zeugs, die Achse in der Richtung entlang der Richtung des Pfeils W in Fig. 12) und γ einen Neigungswinkel um die Achse H (die Achse in der Höhenrichtung eines Fahrzeugs, die Achse in der Richtung entlang der Richtung des Pfeils H in Fig. 12).

In Fig. 12 bezeichnet eine dicke durchgezogene Linie 54 den Strom eines Hauptwindes, der um die Vordersäule 50 linker Hand eines Fahrzeugs in Fahrtrichtung um die Windschutzschei­ be vorrüberweht, und eine dünne durchgezogene Linie 56 be­ zeichnet den Windstrom, der durch den durch die dicke durch­ gezogene Linie 54 um die Vordersäule und oberhalb eines Tür­ spiegels 52 bezeichneten Windstrom beeinflußt wird.

Unter den 17 Versuchsdaten, die als Lehrdaten dienen, dienen 12 Daten als Lerndaten und die verbleibenden 5 als Nicht-Lerndaten. Die gesamten 17 Daten werden schließlich zur Aus­ bildung eines neuronalen Netzwerks verwendet.

Wie in Fig. 11A gezeigt war der Mehrfachkorrelationskoeffizi­ ent der Lehrdaten von 17 Fahrzeugbauarten 0,92, und die ge­ schätzte Genauigkeit des Fahrzeugs hoch. Wenn desweiteren, wie es in Fig. 11B gezeigt ist, die geschätzte Genauigkeit der Fahrzeuge, die von den 17 Fahrzeugbauarten verschieden sind, erhalten wird, war der Korrelationskoeffizient 1,0 und genauso gut wie der der Lehrdaten.

In Fig. 14 ist die Beziehung zwischen dem Abschnitt der Ent­ wicklungsfaktoren und dem Sensorwert eines Raschelns bzw. Rauschens in einem dreidimensionalen Bild gezeigt. Wie es aus Fig. 14 ersichtlich ist, ist der Grenzbereich zwischen den Sensorwerten gekrümmt und das Intervall dazwischen nicht gleich. Infolge dessen kann verstanden werden, daß das Lernen des neuronalen Netzwerks nicht linear ausgeführt wird. Des­ weiteren ist ersichtlich, daß sich der Sensorwert verschlech­ tert, wenn der Radius R der Säule ein vorbestimmter Wert ist.

Daher wird aus Fig. 12 die Leistung auf der Entwicklungsstufe vorhergesagt, und es können auch die Entwicklungsfaktoren un­ ter Berücksichtigung der Stabilisierungsentwicklung bestimmt werden.

Nachstehend wird ein zweites Ausführungsbeispiel beschrieben. Bei dem zweiten Ausführungsbeispiel wird die Erfindung bei einem Simulationsgerät 31 angewendet, bei dem die Stabilität berücksichtigt wird und die Entwicklungsfaktoren eines Pro­ dukts eine hohe Leistung aufweisen. Da die Struktur des zwei­ ten Ausführungsbeispiels im wesentlichen gleich der des er­ sten Ausführungsbeispiel ist, wird auf die Beschreibung der Abschnitte, die mit den gleichen Bezugszeichen bezeichnet sind, verzichtet.

Bei einem Taguchi-Verfahren, das als Stabilisierungsentwick­ lungsverfahren bekannt ist, wird eine Dispersion, die nicht durch einen Entwickler gesteuert werden kann, als Fehlerfak­ tor genommen, und es wird ein Entwicklungsfaktor, bei dem der Beitrag der Robustheit hoch ist, erhalten. Infolge dessen wird ein Entwicklungsfaktor erhalten, bei dem der Beitrag der Robustheit gering und der Beitrag der Leistung hoch ist. D.h., bei dem Taguchi-Verfahren wird in der ersten Stufe der Einfluß der Dispersion, die nicht durch einen Entwickler ge­ steuert werden kann, im Versuch als Fehlerfaktor genommen und gemessen, um die Entwicklungsfaktoren zu erhalten, deren Lei­ stung nicht verstreut ist, d. h. ein Signal-Zu- Rauschverhältnis groß und der Beitrag der Robustheit hoch ist. In der zweiten Stufe werden die Entwicklungsfaktoren er­ halten, bei denen der Beitrag der Robustheit gering und der Beitrag der Leistung hoch ist, und es wird eine Entwicklung bewirkt, bei der die Robustheit nicht verringert und die Lei­ stung verbessert ist. Als Ergebnis der zwei Entwicklungsstu­ fen enthalten die Entwicklungsfaktoren sowohl die Robustheit als auch die Leistung.

Da jedoch das Taguchi-Verfahren ein Versuch-Planungsverfahren ist, müssen die auf eine orthogonale Tabelle verteilten Ver­ suchsdaten zuvor bereitgestellt werden. Daher ist es erfor­ derlich, die Daten entsprechend einem neuen Versuch zu extra­ hieren, und die sehr große Menge von Versuchsdaten, die durch die letzten Experimente erhalten wird, kann nicht effektiv genutzt werden. Desweiteren kann es schwierig sein, Daten der orthogonalen Tabelle in Abhängigkeit der Bedingung des Ver­ suchs zuzuordnen. Kann die Beziehung zwischen den Entwick­ lungsfaktoren, dem Fehlerfaktor, der nicht durch einen Ent­ wickler gesteuert werden kann, und der Leistung verglichen mit der Zwei-Stufen-Entwicklung des Taguchi-Verfahrens spezi­ fiziert werden, wird angenommen, daß die Stabilisierungsent­ wicklung bewirkt werden kann, bei der das Produkt mit hoher Leistung in einer Ein-Stufen-Entwicklung und das Produkt, bei dem der Beitrag der Robustheit hoch ist, entwickelt werden kann.

D.h., wenn die verschiedenen Arten der Entwicklungsfaktoren durch x = (x1, x2, . . . xm)^T, ein oder eine Vielzahl von Feh­ lerfaktoren, die nicht durch einen Entwickler gesteuert wer­ den können, durch r = (r1, r2, . . . rn)^T und eine oder eine Vielzahl von Leistungen, die aus dem Vorstehenden erhalten werden kann, durch z = (z1, z2, . . . zp)^T definiert ist, kann die Beziehung zwischen den Entwicklungsfaktoren x, dem Feh­ lerfaktor r, der nicht durch einen Entwickler gesteuert wer­ den kann, und der Leistung z durch die folgende Formel (3) ausgedrückt werden. Die in der Formel (3) gezeigte Beziehung wird als nichtlinear angenommen. Wie es vorstehend beschrie­ ben ist, kann jedoch die Beziehung durch das neuronale Netz­ werk bestimmt werden, das durch einen Vererbungsalgorithmus (der nachstehend ausführlich beschrieben wird) ausgebildet wurde. Falls daher die Leistungen z für alle Werte der Ent­ wicklungsfaktoren x, die praktisch verwendet werden, und der maximale Wert der Leistungen z erhalten wird, kann das Pro­ dukt mit der hohen Leistung entwickelt werden. Wenn ferner das partielle Differential δg/δr, das den Fehlerfaktor r in der Formel (3) betrifft, erhalten wird, und die Entwicklungs­ faktoren x, die das partielle Differential δg/δr minimie­ ren, erhalten werden, kann ein Produkt entwickelt werden, bei dem der Beitrag der Robustheit hoch ist.

z = g (x, r) (3)

Die definierte Funktion ()^T bezeichnet eine Transponierung. Wenn beispielsweise die Beziehung r = h (x) bzgl. x = (x1, x2, . . . xm)^T und r = (r1, r2, . . ., rn)^T existiert, kann die Be­ ziehung wie folgt ausgedrückt werden.

Fig. 15 zeigt ein Blockschaltbild der schematischen Struktur eines Simulationsgeräts 31 des zweiten Ausführungsbeispiels. Die Funktionskategorie des Simulationsgeräts 31 ist im we­ sentlichen die gleiche wie die des Simulationsgeräts 30 und das Simulationsgerät 31 wird funktional durch einen nichtli­ nearen Operationsabschnitt 32, einen Vererbungsalgorithmus- Operationsabschnitt 34, einen Dateneingabeabschnitt 40, einen Datenausgabeabschnitt 44 und einen Stabilisierungsentwick­ lungsabschnitt 60 in Kategorien eingeteilt. Der nichtlineare Operationsabschnitt 32 wird durch ein neuronales Netzwerk auf die gleiche Weise wie bei dem ersten Ausführungsbeispiel ge­ bildet, und dient als Berechnungsabschnitt, der die Entspre­ chung zwischen den Entwicklungsfaktoren und den Umgebungsbe­ dingungen des Produkts und dessen Leistung berechnet. Der Da­ teneingabeabschnitt 40 dient zur Eingabe der Entwicklungsfak­ toren eines Produkts, der zu verwendenden Umgebungsbedingun­ gen und dgl., die durch numerische Werte ausgedrückt werden. Als Ergebnis der Arbeitsweise des nichtlinearen Operationsab­ schnitts 32 dient der Datenausgabeabschnitt 44 zur Ausgabe von Ausgangsdaten, wobei die Daten von dem Dateneingabeab­ schnitt 40 die Leistung eines stabilisierten Produkts anzei­ gen. Da der Dateneingabeabschnitt 40, der Datenausgabeab­ schnitt 44 und der nichtlineare Operationsabschnitt 32 ähn­ lich jenen bei dem ersten Ausführungsbeispiel sind, wird auf ihre ausführliche Beschreibung verzichtet.

Bei dem zweiten Ausführungsbeispiel dient der Dateneingabeab­ schnitt 40 zur Eingabe der Entwicklungsfaktoren eines Pro­ dukts, der zu verwendenden Umgebungsbedingungen und dgl., die durch numerische Werte ausgedrückt werden, und zur stufenwei­ sen Eingabe der die Entwicklungsfaktoren eines Produkts zum Zeitpunkt einer Stabilisierungsentwicklung anzeigenden Werte, was nachstehend beschrieben wird. Ferner gibt der Datenausga­ beabschnitt 44 das Ergebnis der Operation bzw. Verarbeitung des nichtlinearen Operationsabschnitts 32, d. h. Ausgangsdaten aus, die die Leistung eines Produkts anzeigen. Außerdem gibt der Datenausgabeabschnitt 44 zum Zeitpunkt einer Stabilisie­ rungsentwicklung den Zwischenwert, d. h. den Leistungswert aus, der dem Stufenwert des Werts entspricht, der die Ent­ wicklungsfaktoren eines Produkts anzeigt, was nachstehend be­ schrieben wird.

Unter den Entsprechungen zwischen den Entwicklungsfaktoren und den zu verwendenden Umgebungsbedingungen eines Produkts und dessen Leistung, die durch den vorstehend beschriebenen nichtlinearen Operationsabschnitt 32 berechnet werden, erhält der Stabilisierungsentwicklungsabschnitt 60 die optimalen Entwicklungsfaktoren eines Produkts, indem die Leistung oder die Robustheit stark berücksichtigt wird, und kann durch die Verwendung von Hardwarebetriebsmitteln (siehe Fig. 2) und Softwarebetriebsmitteln ausgebildet werden, was nachstehend beschrieben wird. In dem Stabilisierungsentwicklungsabschnitt 60 werden Daten, wie die Entwicklungsfaktoren eines Produkts und die zu verwendenden Umgebungsbedingungen über den Daten­ eingabeabschnitt 40 in den nichtlinearen Operationsabschnitt 32 eingegeben, der wie nachstehend beschrieben ausgebildet wurde, und die die Leistung eines Produkts anzeigenden Aus­ gangsdaten, die durch den Datenausgabeabschnitt 44 erhalten werden, d. h., die das Ergebnis der Operation des nichtlinea­ ren Operationsabschnitts 32 darstellen, werden zur Ausbildung der Stabilisierungsentwicklung verwendet. Wenn die Stabili­ sierungsentwicklung bewirkt wird, kann der Stabilisierungs­ entwicklungsabschnitt 60, da es für den Stabilisierungsent­ wicklungsabschnitt 60 erforderlich ist, den nichtlinearen Operationsabschnitt 32 zuvor auszubilden, eine Steueranzeige bzw. Steuerbestimmung an den Vererbungsalgorithmusabschnitt 34 ausgeben oder kann die Anzeige bzw. Bestimmung empfangen, daß die Ausbildung abgeschlossen ist.

Nachstehend wird die Arbeitsweise des zweiten Ausführungsbei­ spiels beschrieben.

Wenn die Energieversorgung des Simulationsgeräts 31 des zwei­ ten Ausführungsbeispiels eingeschaltet wird, oder wenn der Beginn der Ausführung der Stabilisierungsentwicklungsberech­ nung durch die Tastatur bestimmt wird, geht der Prozeß zu Schritt 400 in Fig. 16 über, in dem eine Vielzahl von Ver­ suchsdaten bereitgestellt werden. Die Versuchsdaten sind die Daten, bei denen die Entwicklungsfaktoren, die zu verwenden­ den Umgebungsbedingungen oder dgl. eines Produkts zuvor mit der Leistung des Produkts übereinstimmen und ausprobiert wur­ den, und bei denen jedes Ergebnis durch einen numerischen Wert ausgedrückt wird. Die Daten werden dann in der Daten­ speichereinrichtung 28 gespeichert. Dementsprechend werden in Schritt 400 die in der Datenspeichereinrichtung 28 gespei­ cherten Versuchsdaten gelesen. Auf diese Weise wird eine Vielzahl von Kombinationen bzgl. der Entwicklungsfaktoren x = (x1, x2, . . . xm)^T, des Fehlerfaktors, der nicht durch einen Entwickler gesteuert werden kann, r = (r1, r2, . . . rn)^T und der Leistung, die aus dem vorstehenden erhalten werden kann, z = (z1, z2, . . . zp)^T ausgebildet. Die Versuchsdaten müssen nicht in der Datenspeichereinrichtung 28 gespeichert werden. Die Daten können von der Tastatur 10 eingegeben oder zuvor in dem Nur-Lese-Speicher 18 oder dem Speicher 22 gespeichert werden.

Im nachfolgenden Schritt 402 werden die Versuchsdaten, die zur Erleichterung der Berechnung ausgebildet wurden, dimensi­ onslos. Beispielsweise wird der maximale Wert auf 0,9 und der minimale Wert auf 0,1 gesetzt, und die gesamten Versuchsda­ ten, d. h. die Entwicklungsfaktoren x, der Fehlerfaktor r und die Leistung z werden zwischen dem maximalen Wert und dem mi­ nimalen Wert normiert. Der maximale Wert und der minimale Wert können für die Entwicklungsfaktoren x, den Fehlerfaktor r und die Leistung z verändert werden.

Wenn die Ausbildung der Versuchsdaten wie vorstehend be­ schrieben beendet ist, wird in Schritt 404 die Beziehung zwi­ schen den Entwicklungsfaktoren x, dem Fehlerfaktor r und der Leistung z wie folgt durch das neuronale Netz und den Verer­ bungsalgorithmus gelernt, d. h. die Formel (3) wird bestimmt. Der Lernprozeß wird durch Lernen und Ausbilden des neuronalen Netzwerks wie bei dem ersten Ausführungsbeispiel beschrieben (siehe Fig. 6 und 7) ausgeführt.

Zuerst dient zur Ausbildung/zum Lernen des neuronalen Netz­ werks in dem nichtlinearen Operationsabschnitt 32 unter einer Vielzahl von Versuchsdaten eine vorbestimmte Anzahl (beispielsweise 70 bis 80% der gesamten Daten) der Versuchs­ daten als Lerndaten und der Rest (beispielsweise die verblei­ benden 20 bis 30%) der Versuchsdaten als Nicht-Lerndaten. Beim Einstellen der Nicht-Lerndaten unter den gesamten Daten ist das Problem der Interpolation der Gegenstand bei der Ana­ lyse, wie einer mehrdimensionalen Analyse, so daß die Lösung des Problems der Extrapolation einen großen Fehler enthalten kann. Demzufolge werden wie bei dem ersten Ausführungsbei­ spiel die Nicht-Lerndaten derart eingestellt, daß sie keine Extrapolationsdaten werden. D.h., die Daten, deren verallge­ meinerter Mahalanobis-Abstand kurz ist, dienen als Nicht-Lerndaten.

Beim Lernprozeß werden Lerndaten und Nicht-Lerndaten gelesen, der Koeffizient der Verknüpfung (das Gewicht) und der Schwel­ lenwert jeder Einheit in dem neuronalen Netzwerk werden auf Anfangswerte eingestellt und die Fehler der jeweiligen Ein­ heiten in der Zwischenschicht und der Ausgangsschicht in dem neuronalen Netzwerk werden erhalten (Schritte 200 bis 204). Wenn die Fehler jeweiliger Einheiten erhalten werden, werden der Koeffizient der Verknüpfung und der Schwellenwert aktua­ lisiert (neu geschrieben), jedes Nicht-Lerndatum wird durch das neuronale Netzwerk getestet, in dem der Koeffizient der Verknüpfung und der Schwellenwert aktualisiert wurden, so daß die die Leistung des Produkts anzeigenden Daten als Wert des Testergebnisses erhalten werden, und die vorstehend beschrie­ bene Verarbeitung wird solange wiederholt, bis der erhaltene Wert des Testergebnisses konvergiert (Schritte 206 bis 210). Wenn die Lerndaten eingegeben werden, werden auf diese Weise der Koeffizient der Verknüpfung und der Schwellenwert be­ stimmt, so daß der Fehler jeder Einheit in der Zwischen­ schicht und der Ausgangsschicht minimiert wird.

Nachdem die vorstehend beschriebene Verarbeitung beendet und das Lernen des neuronalen Netzwerks ausreichend bewirkt ist, kann die Struktur des Netzwerks, d. h. der Koeffizient der Verknüpfung oder der Schwellenwert in dem Speicher 18 zur Ausbildung eines Umwandlungssystem gespeichert werden.

Als nächstes wird die Anfangsstruktur des neuronalen Netz­ werks, bei dem der Lernprozeß beendet wurde, durch den Verer­ bungsalgorithmus ausgebildet (Fig. 7). Zuerst werden die op­ timale Kombination der Entwicklungsfaktoren (die Anzahl und Position der Eingangsschicht in dem neuronalen Netzwerk), die optimale Anzahl von Einheiten in der Zwischenschicht, und die optimalen Werte eines verknüpften Zustands (das Gewicht und der Schwellenwert) durch den Vererbungsalgorithmus erhalten. Gleichzeitig wird zur Vermeidung des minimalen Werts, zu dem das neuronale Netzwerk tendiert, die Struktur des vorhandenen neuronalen Netzwerks, das gelernt wurde, d. h. die Struktur des neuronalen Netzwerks, das durch das Vorhandensein einer Einheit in der Eingangsschicht, das Vorhandensein einer Ein­ heit in der Zwischenschicht, das Gewicht W und den Schwellen­ wert θ ausgebildet ist, als ein Chromosom in der Anfangsgene­ ration zum Erhalten einer Anpassungsfähigkeit bestimmt (Schritte 100, 102). Dann wird eine Vielzahl von Chromosomen in der Ordnung angeordnet, in der die Anpassungsfähigkeit hoch ist, und entsprechend der Wahrscheinlichkeit der Auswahl sortiert. Desweiteren werden die Chromosomen entsprechend der Größe der Anpassungsfähigkeit ausgewählt und ein Abschnitt der Chromosomen wird ausgetauscht, um eine Anpassungsfähig­ keit zu erhalten (Schritte 104, 106). Da das Austauschen und dgl. der Chromosomen bis zur vorbestimmten Generation wieder­ holt wird (Schritt 108) und eine Evolution bewirkt wird, die dem Prozeß der Evolution eines Lebewesens in der Natur ent­ spricht, werden die Anzahl von Einheiten in der Eingangs­ schicht, die Anzahl von Einheiten in der Zwischenschicht und die Anfangswerte der Koeffizienten der Verknüpfung (die Ge­ wichte) bestimmt, und es wird ein neuronales Netzwerk auf der Grundlage der Anfangswerte ausgebildet (Schritte 110, 112).

D.h. zur Vermeidung der Verringerung der Konvergenz in der Nachbarschaft des optimalen Werts wird die Evolution in der vorbestimmten Generation auf die gleiche Weise wie bei dem vorstehend beschriebenen ersten Ausführungsbeispiel beendet. Dann wird ein neuronales Netzwerk durch eine Fehlerrückwärts­ ausbreitung, d. h. ein Rückausbreitungsverfahren rekonstru­ iert. D.h., die Anfangsstruktur des neuronalen Netzwerks wird durch einen Vererbungsalgorithmus bestimmt, und das neuronale Netzwerk mit der Anfangsstruktur wird durch den vorstehend beschriebenen Lernprozeß optimiert (Fig. 6), um den optimalen Koeffizienten der Verknüpfung zu bestimmen.

Bei dem zweiten Ausführungsbeispiel wird, nachdem zuerst der Lernprozeß bewirkt wird, die Anfangsstruktur des neuronalen Netzwerks durch einen Vererbungsalgorithmus bestimmt, und das neuronale Netzwerk mit der Anfangsstruktur wird durch den vorstehend beschriebenen Lernprozeß optimiert, um den Koeffi­ zienten der Verknüpfung zu bestimmen. Die Erfindung ist je­ doch nicht auf einen Fall beschränkt, in dem die An­ fangsstruktur des neuronalen Netzwerks durch den Lernprozeß optimiert wird, und die Struktur des neuronalen Netzwerks kann zufällig auf die Struktur mit vorbestimmten Werten ein­ gestellt werden.

Dann wird in Schritt 406 in Fig. 16 die Stabilisierungsent­ wicklung bewirkt (in einem dimensionslosen Zustand), wie es nachstehend beschrieben wird, indem das wie vorstehend be­ schrieben ausgebildete neuronale Netzwerk, d. h. die Formel (3), die die Beziehung zwischen den Entwicklungsfaktoren x, dem Fehlerfaktor r und der Leistung z darstellt, verwendet wird. Nachdem die Stabilisierungsentwicklung bewirkt wurde, wird in Schritt 408 die Dimension der dimensionslosen Ent­ wicklungsfaktoren x wiederhergestellt und der tatsächliche Wert der Entwicklungsfaktoren x erhalten. In Schritt 408 kann, wenn die jeweiligen Dimensionen der Entwicklungsfakto­ ren x, des Fehlerfaktors r und der Leistung z zum Erhalten der tatsächlichen Werte der Entwicklungsfaktoren x, des Feh­ lerfaktors r und der Leistung z wiederhergestellt sind, die Beziehung zwischen den Entwicklungsfaktoren x, dem Fehlerfak­ tor r und der Leistung z durch die tatsächlichen Werte ausge­ wertet/verifiziert werden. Auf diese Weise können die Ent­ wicklungsfaktoren x erhalten werden, die sowohl die Leistung als auch die Robustheit aufweisen.

Nachstehend werden Beispiele beschrieben, bei denen der Ver­ erbungsalgorithmus angewendet wird. Die folgende Tabelle 1 zeigt Data 1 bis Data 13, die bei diesen Beispielen verwendet werden.

Tabelle 1

Von den vorstehend beschriebenen Daten Data 1 bis Data 13 wird angenommen, daß die in der folgenden Formel (4) gezeigte Beziehung ausgebildet ist. Wie es aus der folgenden Beziehung ersichtlich ist, wird die Leistung z, die nicht durch den Entwicklungsfaktor X4 beeinflußt ist, in diesen Daten verwen­ det.

Z = g (x)
x = (X₁, X₂, X₃)^T
z = (Z₁, Z₂, Z₃)^T (4)

Als erste Generation wurden 50 Individuen (die Struktur des neuronalen Netzwerks) zufällig erzeugt und es wurde eine An­ passungsfähigkeit durch die Verwendung der vorstehend be­ schriebenen Daten Data 1 bis Data 13 erhalten. Während die vorstehend beschriebenen Daten Data 1 bis Data 13 als Lehrda­ ten dienen, wurde die Anpassungsfähigkeit aus den Lehrdaten und dem geschätzten Wert des entsprechenden neuronalen Netz­ werks erhalten. Fig. 18 (A) zeigt Individuen, die die höch­ sten Anpassungsfähigkeiten unter den Lernergebnissen haben. Während die vorstehend beschriebenen Daten Data 1 bis Data 13 als Lehrdaten dienen, verwendet die Anpassungsfähigkeit die inverse Zahl des Quadrats eines Fehlers zwischen den Lehrda­ ten und dem geschätzten Ausgangswert des entsprechenden neu­ ronalen Netzwerks. Wie es aus Fig. 18 (A) ersichtlich ist, sind die Entwicklungsfaktoren X1, X2, X4 in der Einheit der Eingangsschicht enthalten, während der Entwicklungsfaktor X3 nicht enthalten ist, und die Anzahl von Einheiten in der Zwi­ schenschicht ist auf zwei gesetzt. Desweiteren zeigt Fig. 19 (A) die Korrelation zwischen den Lehrdaten und dem geschätz­ ten Ausgangswert des neuronalen Netzwerks. Wie es aus Fig. 19 (A) ersichtlich ist, ist zwischen diesen keine Korrelation vorhanden.

Dann wird aus den Individuen der vorstehend beschriebenen An­ fangsgeneration das Individuum ausgewählt, dessen Anpassungs­ fähigkeit die höchste ist. Zumindest bei einem Abschnitt der ausgewählten Individuen wird ein Austauschen und/oder eine Mutation bewirkt, d. h. die Struktur des neuronalen Netzwerks wird verändert, um das Individuum der nächsten Generation zu bestimmen. Dies wird bis zur fünfzigsten Generation wieder­ holt. Zum Bewirken des vorstehend beschriebenen Austauschens werden zumindest zwei Individuen ausgewählt. Jedoch ist es zum Bewirken der Mutation ausreichend, wenn ein Individuum ausgewählt wird. Fig. 18 (B) zeigt die Individuen, deren An­ passungsfähigkeiten die höchsten unter den Individuen der fünfzigsten Generation sind. Wie es aus Fig. 18 (B) ersicht­ lich ist, wird der Entwicklungsfaktor X4, der die Leistung z nicht beeinflußt, d. h. der ursprünglich nicht als Eingangs­ signal verwendet werden sollte, weggelassen und die Anzahl der Einheiten in der Zwischenschicht auf 4 erhöht. Wie es auch aus der Korrelation in Fig. 19 (B) ersichtlich ist, ist die Korrelation zwischen den Lehrdaten und dem geschätzten Ausgangswert des neuronalen Netzwerks ähnlich der idealen Be­ ziehung. D.h., es ist ersichtlich, daß die Koeffizienten der Verknüpfung, die das Gewicht enthalten, und der Schwellenwert ähnlich den optimalen Werten sind.

Das vorstehend beschriebene Austauschen und die Mutation wer­ den weiter wiederholt, bis die tausendste Generation erreicht ist. Fig. 18 (C) zeigt die Individuen, deren Anpassungsfä­ higkeiten die höchsten unter den Individuen der tausendsten Generation sind. Wie aus Fig. 18 (C) ersichtlich ist der Ent­ wicklungsfaktor X3, der die Leistung z beeinflußt, d. h. der ursprünglich enthalten sein sollte, enthalten und der Ent­ wicklungsfaktor X4, der die Leistung z nicht beeinflußt, d. h., der ursprünglich als Eingangssignal nicht enthalten sein sollte, wird weggelassen, und die Anzahl an Einheiten in der Zwischenschicht wird bei vier beibehalten. Wie es aus der Korrelation in Fig. 19 (C) ersichtlich ist, ist ferner die Korrelation zwischen den Lehrdaten und dem geschätzten Aus­ gangswert des neuronalen Netzwerks der idealen Beziehung noch ähnlicher. D.h., es ist ersichtlich, daß die Koeffizienten zur Verknüpfung, die das Gewicht und den Schwellenwert ent­ halten, den optimalen Werten noch ähnlicher sind.

Bei dem vorstehend beschriebenen Beispiel wird die Evolution in der tausendsten Generation beendet. Somit wird in einem Fall, bei dem der Vererbungsalgorithmus bei dem neuronalen Netzwerk angewendet wird, die Konvergenz in der Nachbarschaft des optimalen Werts verringert. Daher wird der optimale Wert nicht nur durch den Vererbungsalgorithmus erhalten, die Evo­ lution in der tausendsten Generation beendet und das Chromo­ som, dessen Anpassungsfähigkeit die höchste in der Generation ist, als Quasi-Anfangswert gespeichert. Dadurch wird ein neu­ ronales Netzwerk durch eine Fehlerrückwärtsausbreitung, d. h. ein Rückausbreitungsverfahren rekonstruiert. D.h., die An­ fangsstruktur des neuronalen Netzwerks wird durch den Verer­ bungsalgorithmus bestimmt, und das neuronale Netzwerk mit der Anfangsstruktur wird durch den vorstehend beschriebenen Lern­ prozeß (Fig. 6) optimiert, um den optimalen Koeffizienten der Verknüpfung zu bestimmen.

Da der Vererbungsalgorithmus mit dem neuronalen Netzwerk kom­ biniert wird, kann auf diese Weise die optimale Ko 16426 00070 552 001000280000000200012000285911631500040 0002019731943 00004 16307mbination der Entwicklungsfaktoren, die beruhend auf dem empirisch- praktischen Verfahren bewirkt worden, und die optimale Struk­ tur des neuronalen Netzwerks, d. h. die Anzahl (die Anzahl von Einheiten) in der Zwischenschicht bestimmt werden.

Nachstehend wird die Stabilisierungsentwicklung in Schritt 406 in Fig. 16 ausführlich beschrieben. Bei der Stabilisie­ rungsentwicklung wird hinsichtlich der Leistung entsprechend den Werten der Entwicklungsfaktoren x und dem Fehlerfaktor r, während die Werte der Entwicklungsfaktoren x und des Fehler­ faktors r verändert werden, die optimale Beziehung zwischen den Entwicklungsfaktoren x, dem Fehlerfaktor r und der Lei­ stung z gesucht. Wenn die Stabilisierungsentwicklungsverar­ beitung beginnt, wird die Stabilisierungsentwicklungsroutine in Fig. 17 ausgeführt und der Prozeß geht zu Schritt 300 über.

In Schritt 300 wird die Entwicklungsbeschränkung für die Sta­ bilisierungsentwicklung bereitgestellt. Die Entwicklungsbe­ schränkung ist ein Parameter oder eine Entwicklungsbedingung, die zum Zeitpunkt der Entwicklung verwendet wird. D.h., die Entwicklungsbedingung ist die Beschränkung des Bereichs der Dimension, in dem sich ein Produkt befinden kann, zum Zeit­ punkt der Entwicklung des Produkts und die Beschränkung des zulässigen Bereichs der Leistung. Bei dem zweiten Ausfüh­ rungsbeispiel sind die Entwicklungsbeschränkungen der maxima­ le und der minimale Wert der Entwicklungsfaktoren x, des Feh­ lerfaktors r und der Leistung z. Ferner ist ein Intervall in dem Parameter enthalten, wenn der Wert der Entwicklungsfakto­ ren x verändert wird. Wenn das Intervall zu groß ist, wird eine optimale Lösung aufgrund der Nichtlinearität (der vor­ stehenden Formel (3)) übersehen. Wenn das Intervall zu klein ist, erhöht sich die zum Suchen erforderliche Berechnungs­ zeit. Beispielsweise in einem Fall, in dem die Stabilisie­ rungsentwicklung zur Verringerung des aerodynamischen Geräu­ sches (eines sog. Raschelns bzw. Rauschens) eines Fahrzeugs bei der strukturellen Entwicklung der Peripherie der Vorder­ säule angewendet wird, wie es in Fig. 12 und 13 gezeigt ist, ist es unter den Entwicklungsfaktoren x, in denen der Einfluß des in dem ersten Ausführungsbeispiel beschriebenen Rauschens vermutlich groß ist, vorzuziehen, daß jede Differenz im Ni­ veau H zwischen der Windschutzscheibe und der Regenrinne 58 (oder der Säule 50), die Breite W der Säule 50 und der Radius R der Säule 50 ein Intervall von ungefähr 1 mm aufweisen. Werden diese Entwicklungsfaktoren x bei einem Intervall von 1 mm verändert, können die Änderungen in der Leistung ausrei­ chend erfaßt werden und die Anzahl der Suchdurchläufe ist nicht enorm groß.

Die Entwicklungsbeschränkung kann von der Tastatur 10 einge­ geben werden. Alternativ dazu kann die Entwicklungsbeschrän­ kung zuvor als Daten bereitgestellt und in der Datenspei­ chereinrichtung 28 gespeichert werden, um gelesen zu werden.

Im nachfolgenden Schritt 302 werden hinsichtlich aller Kombi­ nationen zwischen den Entwicklungsfaktoren x und dem Fehler­ faktor r, die durch die vorstehende Entwicklungsbeschränkung bestimmt werden, die Leistung z = g (x, r) und der partielle Differentialwert δg/δr erhalten. D.h., wenn beispielsweise bei der Stabilisierungsentwicklung zur Verringerung des aero­ dynamischen Geräuschs (eines Rauschens) eines Fahrzeugs die Differenz in der Stufe H, die Breite W der Säule 50 und der Radius R der Säule 50, die vermutlich einen großen Einfluß auf das Rauschen haben, als Entwicklungsfaktoren x bestimmt werden, werden die maximalen bis minimalen Werte von H, W und R um 1 mm verändert, und alle Kombinationen, bei denen der Fehlerfaktor r von dem maximalen Wert auf den minimalen Wert verändert wird, werden eingestellt. Bei jeder dieser Kombina­ tionen werden die Leistung z und der partielle Differential­ wert δg/δr, der die Robustheit anzeigt, unter Verwendung des nichtlinearen Operationsabschnitts 32 (des neuronalen Netzwerks) erhalten. Die Formel zum Erhalten des partiellen Differentialwerts δg/δr kann aus der vorstehenden Formel (3) erhalten werden, so daß die Formel zuvor und der partiel­ le Differentialwert δg/δr unter Verwendung der Formel er­ halten wird. Die Formel zum Erhalten des partiellen Differen­ tialwerts δg/δr kann erhalten werden, wenn die Verarbeitung des Schritts 302 beginnt. Desweiteren kann zum Erhalten der Entsprechungsbeziehung zwischen den Entwicklungsfaktoren x und dem Fehlerfaktor r zum Erhalten des partiellen Differen­ tialwerts δg/δr das neuronale Netzwerk ausgebildet und ver­ wendet werden.

Im nachfolgenden Schritt 304 werden die Entwicklungsfaktoren x, bei denen die Leistung g (x, r) groß und der absolute Wert des partiellen Differentials abs (δg/δr) klein ist, wie folgt erhalten.

Wenn die minimale Leistung g (x, r) der Kombinationen von Entwicklungsfaktoren x und allen Fehlerfaktoren r g_x ist, können die Entwicklungsfaktoren x, bei denen die Leistung g (x, r) groß ist, durch Erhalten der Entwicklungsfaktoren x erhalten werden, bei denen die Leistung g_x maximal bei allen Kombinationen der Entwicklungsfaktoren x ist. Ist der maxima­ le absolute Wert des partiellen Differentials abs (δg/δr) der Kombinationen von Entwicklungsfaktoren und aller Fehler­ faktoren r g_z, können die Entwicklungsfaktoren x, bei denen der absolute Wert des partiellen Differentials abs (δg/δr) klein ist, durch Erhalten der Entwicklungsfaktoren x erhalten werden, bei denen der absolute Wert des partiellen Differen­ tials g_z minimal bei allen Kombinationen der Entwicklungsfak­ toren x ist.

Da in Schritt 302 die Leistung z und der partielle Differen­ tialwert δg/δr bzgl. allen Kombinationen der Entwicklungs­ faktoren x und der Fehlerfaktoren r erhalten werden, können in Schritt 304 die Entwicklungsfaktoren, bei denen die Lei­ stung g (x, r) groß ist, und die Entwicklungsfaktoren x, bei denen der absolute Wert des partiellen Differentials abs (δg/δr) klein ist, durch Extraktion des entsprechenden Entwick­ lungswert aus jedem der erhaltenen Werte erhalten werden.

Die Entwicklungsfaktoren x, bei denen die Leistung g (x, r) groß ist, und die Entwicklungsfaktoren x, bei denen der abso­ lute Wert des partiellen Differentials abs (δg/δr) klein ist, können aus der folgenden Formel (5) bestimmt werden.

wobei t eine reelle Zahl größer gleich null ist.

Durch Erhalt dieser Entwicklungsfaktoren x, bei denen das Er­ gebnis der Berechnung der vorstehend beschriebenen Formel (5) klein ist, können die Entwicklungsfaktoren, deren Leistung große Bedeutung zukommt, erhalten werden. Desweiteren können durch Erhalten der Entwicklungsfaktoren x, bei denen das Er­ gebnis der Berechnung groß ist, die Entwicklungsfaktoren er­ halten werden, deren Robustheit große Bedeutung zukommt.

Bei der Stabilisierungsentwicklung in Schritt 406 wird hin­ sichtlich der Leistung entsprechend den Werten der Entwick­ lungsfaktoren x und dem Fehlerfaktor r, während die Werte der Entwicklungsfaktoren x oder des Fehlerfaktors r verändert werden, die optimale Beziehung zwischen den Entwicklungsfak­ toren x, dem Fehlerfaktor r und der Leistung gesucht. Wenn jedoch angenommen wird, daß sich die Berechnungszeit erhöht, anstatt die Leistung z hinsichtlich aller Kombinationen zwi­ schen den maximalen Werten und den minimalen Werten innerhalb des durch die Entwicklungsbeschränkung erhaltenen Intervalls zu erhalten, kann der Vererbungsalgorithmus für die Suche verwendet werden.

Auf diese Weise kann durch Kombination des neuronalen Netz­ werks und des Vererbungsalgorithmus die optimale Kombination der Entwicklungsfaktoren, die ursprünglich beruhend auf dem empirisch/praktischen Verfahren bewirkt wurden, und die opti­ male Struktur des neuronalen Netzwerks, d. h. die Anzahl (die Anzahl von Einheiten) in der Zwischenschicht, bestimmt wer­ den. Durch die Verwendung des auf diese Weise ausgebildeten neuronalen Netzwerks können die Entwicklungsfaktoren, bei de­ nen die Leistung und die Robustheit große Bedeutung haben, d. h. sowohl die Leistung als auch die Robustheit vorhanden sind, auf einer Entwicklungsstufe erhalten werden. Da demnach das zweite Ausführungsbeispiel bei einer Ein-Stufen-Entwicklung bewirkt wird, kann eine flexiblere Entwicklung verglichen mit der Zwei-Stufen-Entwicklung des herkömmlichen Entwicklungsverfahrens, wie des Taguchi-Verfahrens, ausge­ führt werden. Desweiteren war es schwierig, die Wechselwir­ kung zwischen den Entwicklungsfaktoren und dem Fehlerfaktor zu verarbeiten, wobei die direkte Beziehung nicht erhalten werden konnte. Da jedoch das Simulationsgerät, das die Stabi­ lisierungsentwicklung des zweiten Ausführungsbeispiels ermög­ licht, die Ein-Stufen-Entwicklung bewirkt, ist es nicht er­ forderlich, die Entwicklungsfaktoren und den Fehlerfaktor klar zu trennen. Wenn es beispielsweise erforderlich ist, daß ein willkürliches Produkt einer Vielzahl von Leistungen genü­ gen soll, werden die Entwicklungsfaktoren bzgl. einer Lei­ stung ein Fehlerfaktor im Fall, in dem die Entwicklungsfakto­ ren bzgl. einer anderen Leistung verbessert wurden. Wie im Fall, in dem die Entwicklungsfaktoren und der Fehlerfaktor das gleiche sind, müssen selbst dann, wenn die Entwicklungs­ faktoren und der Fehlerfaktor nicht klar getrennt sind, die Entwicklungsfaktoren und der Fehlerfaktor nicht getrennt wer­ den und können einfach als Eingangsdaten verarbeitet werden. Die optimalen Entwicklungsfaktoren können dadurch erhalten werden.

Ferner kann bei dem Versuchs-Planungsverfahren, das bei dem Taguchi-Verfahren verwendet wird, nur die Leistung, die die Kombination des Niveaus der Umgebung oder dgl., die vorher untersucht wurde, erhalten werden. Jedoch sind bei dem Simu­ lationsgerät des zweiten Ausführungsbeispiels, wenn das neu­ ronale Netzwerk gelernt ist, für die Verifikation verwendete Daten Daten, die nicht gelernt sind und deren verallgemeiner­ ter Mahalanobis-Abstand gering ist. Daher werden die Daten keine Extrapolationsdaten, das neuronale Netzwerk, das wenige Fehler aufweist, kann ausgebildet werden und die Leistung in­ nerhalb einer Interpolation kann leicht vorhergesagt werden.

Wie es vorstehend beschrieben ist, wird gemäß der ersten Aus­ gestaltung der Erfindung das neuronale Schaltungsmodell durch die Verwendung des Vererbungsalgorithmus verändert und die Entsprechungseinrichtung ausgebildet. Daher wird ein hervor­ ragender Effekt dahingehend erzielt, daß die Beziehung, die eine nichtlineare Entsprechung ist, zwischen einer Gruppe von Entwicklungsbedingungen und Umgebungsbedingungen des Produkts und dessen Leistung, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, leicht erhalten werden kann.

Gemäß der zweiten Ausgestaltung der Erfindung wird die Ände­ rung des neuronalen Schaltungsmodells mit vorbestimmter Wahr­ scheinlichkeit und durch Ausführung eines Austauschens zumin­ dest eines Abschnitts der Vielzahl von neuronalen Schaltungs­ modellen und/oder durch Mutation bewirkt, bei der zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß die Struktur der Entsprechungseinrichtung be­ stimmt wird. Dadurch wird ein hervorragender Effekt dahinge­ hend erzielt, daß die Struktur der Entsprechungseinrichtung optimal bestimmt wird.

Gemäß der dritten Ausgestaltung der Erfindung werden unter einer Vielzahl von bekannten Daten Daten verwendet, deren verallgemeinerter Mahalanobis-Abstand größer als ein vorbe­ stimmter Abstand ist. Dadurch kann ein hervorragender Effekt dahingehend erzielt werden, daß Daten keine Extrapolationsda­ ten werden und eine Entsprechung mit geringem Fehler erhalten werden kann.

Gemäß der vierten Ausgestaltung der Erfindung wird eine Viel­ zahl von Daten, die zuvor bereitgestellt wurden, verwendet, um eine Entsprechungsbeziehung eines neuronalen Schaltungsmo­ dells einer Mehrschichtstruktur zu lernen/auszubilden. Die Beschränkung oder der zulässige Bereich der Entwicklungsbe­ dingungen oder der Leistung des Produkts wird bestimmt und innerhalb des zulässigen Bereichs, der durch die Entwick­ lungsbeschränkung beschränkt ist, werden die Entsprechung und Robustheit erhalten. Die Entwicklungsbedingungen innerhalb des vorbestimmten Bereichs, der zuvor durch die Leistung des Produkts und die Robustheit bestimmt wurde, werden dadurch extrahiert. Dadurch wird ein hervorragender Effekt dahinge­ hend erzielt, daß die Entwicklungsfaktoren, die sowohl die Leistung des Produkts als auch die Robustheit aufweisen, er­ halten werden können.

Gemäß der fünften Ausgestaltung der Erfindung wird zumindest ein Abschnitt der Entsprechungsbeziehung, die in dem neurona­ len Schaltungsmodell einer Mehrschichtstruktur eingestellt wurde, wird mit vorbestimmter Wahrscheinlichkeit unter Ver­ wendung eines Vererbungsalgorithmus und durch Ausführung ei­ nes Austauschens zumindest eines Abschnitts der Vielzahl von neuronalen Schaltungsmodellen und/oder Mutation verändert, wobei ein Abschnitt des Modells verändert wird, so daß die Entsprechungsbeziehung ausgebildet wird. Dadurch wird ein hervorragender Effekt dahingehend erzielt, daß die Leistung, die den Entwicklungsbedingungen und den Umgebungsbedingungen eines Produkts entspricht, erhalten werden kann.

Gemäß der sechsten Ausgestaltung der Erfindung wird bzgl. des Vererbungsalgorithmus das erste neuronale Schaltungsmodell, das durch die Vielzahl von Daten gelernt/ausgebildet wird, als Anfangsgeneration bestimmt, das neuronale Schaltungsmo­ dell wird ausgewählt und eine Veränderung des neuronalen Schaltungsmodells, d. h. ein Austauschen zumindest eines Ab­ schnitts des neuronalen Schaltungsmodells und/oder Mutation wird bis zur vorbestimmten Generation wiederholt. Dadurch kann ein hervorragender Effekt dahingehend erzielt werden, daß ein neuronales Schaltungsmodell, das die Entsprechungsbe­ ziehung jeder Generation erbt, und eine Struktur ausbildet, die derjenigen ähnlich ist, die ein besseres Ausgangssignal erzielen kann, bestimmt werden kann.

Erfindungsgemäß ist ein Stabilisierungsentwicklungsverfahren offenbart, bei dem die Leistung eines Produkts auf der Grund­ lage von Entwicklungsbedingungen und Umgebungsbedingungen des Produkts erhalten wird und bei dem die Stabilität des Pro­ dukts berücksichtigt wird, wobei im Fall, daß auf der Grund­ lage einer Vielzahl von Daten, bei denen die Beziehung zwi­ schen einer Gruppe von Entwicklungsbedingungen und den Umge­ bungsbedingungen des Produkts und der Leistung des Produkts, die einen die Stabilität des Produkts widerspiegelnden Fak­ tor enthält, bekannt ist, unter Verwendung der Gruppe der Entwicklungsbedingungen und der Umgebungsbedingungen des Pro­ dukts als Eingangssignal und der Leistung des Produkts, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, als Ausgangssignal eine Entsprechung, die eine nichtlineare Entsprechung der Eingangs/Ausgangsbeziehung ent­ hält, bestimmt wird, eine Entsprechungseinrichtung, die ein neuronales Schaltungsmodell einer Mehrschichtstruktur auf­ weist, verwendet wird, und das neuronale Schaltungsmodell un­ ter Verwendung eines Vererbungsalgorithmus verändert und die Entsprechungseinrichtung ausgebildet wird, und die Leistung, die den Entwicklungsbedingungen und den Umgebungsbedingungen eines Produkts entspricht, erhalten wird. Da das neuronale Schaltungsmodell unter Verwendung des Vererbungsalgorithmus verändert und die Entsprechungseinrichtung ausgebildet wird, kann die Beziehung, die eine nichtlineare Entsprechung ist, zwischen einer Gruppe der Entwicklungsbedingungen und den Um­ gebungsbedingungen des Produkts und dessen Leistung, die ei­ nen die Stabilität des Produkts widerspiegelnden Faktor ent­ hält, leicht erhalten werden.

Claims (11)

1. Stabilisierungsentwicklungsverfahren, bei dem die Leistung eines Produkts auf der Grundlage von Entwicklungsbedingungen und Umgebungsbedingungen des Produkts erhalten wird und die Stabilität des Produkts berücksichtigt wird, dadurch gekennzeichnet, daß im Fall, daß auf der Grundlage einer Vielzahl von Daten, bei denen die Beziehung zwischen einer Gruppe von Entwicklungsbe­ dingungen und den Umgebungsbedingungen des Produkts und der Leistung des Produkts, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, bekannt ist, unter Verwen­ dung der Gruppe der Entwicklungsbedingungen und der Umge­ bungsbedingungen des Produkts als Eingangssignal und der Lei­ stung des Produkts, die einen die Stabilität des Produkts widerspiegelnden Faktor enthält, als Ausgangssignal eine Entsprechung bestimmt wird, die eine nichtlineare Entspre­ chung der Eingangs/Ausgangsbeziehung enthält, eine Entspre­ chungseinrichtung (32) verwendet wird, die ein neuronales Schaltungsmodell einer Mehrschichtstruktur aufweist, und das neuronale Schaltungsmodell unter Verwendung eines Vererbung­ salgorithmus verändert und die Entsprechungseinrichtung aus­ gebildet wird, und die Leistung erhalten wird, die den Ent­ wicklungsbedingungen und den Umgebungsbedingungen eines Pro­ dukts entspricht.

2. Stabilisierungsentwicklungsverfahren nach Anspruch 1, da­ durch gekennzeichnet, daß die Veränderung des neuronalen Schaltungsmodells unter Ver­ wendung des Vererbungsalgorithmus mit vorbestimmter Wahr­ scheinlichkeit und durch Ausführung eines Austauschens zumin­ dest eines Abschnitts der Vielzahl neuronaler Schaltungsmo­ delle und/oder Mutation bewirkt wird, wobei zumindest ein Ab­ schnitt des neuronalen Schaltungsmodells verändert wird, so daß die Struktur der Entsprechungseinrichtung bestimmt wird.

3. Stabilisierungsentwicklungsverfahren nach Anspruch 1, da­ durch gekennzeichnet, daß unter einer Vielzahl von Daten, bei denen die Beziehung zwi­ schen der Gruppe der Entwicklungsbedingungen und den Umge­ bungsbedingungen des Produkts und der Leistung des Produkts, die einen die Stabilität des Produkts widerspiegelnden Fak­ tor enthält, bekannt ist, wobei die Vielzahl von Daten als Daten betrachtet werden, deren verallgemeinerter Mahalanobis- Abstand länger als ein vorbestimmter Abstand ist.

4. Stabilisierungsentwicklungsverfahren, gekennzeichnet durch die Schritte
Vorab-Bereitstellen einer Vielzahl von Daten, bei denen die Beziehung zwischen einer Gruppe der Entwicklungsbedingun­ gen und den Umgebungsbedingungen des Produkts und der Lei­ stung des Produkts entsprechend der Gruppe der Entwicklungs­ bedingungen und den Umgebungsbedingungen des Produkts bekannt ist,
Einstellen einer Entsprechungsbeziehung, bei der die Gruppe der Entwicklungsbedingungen und die Umgebungsbedingun­ gen des Produkts als Eingangssignal und die Leistung als Aus­ gangssignal für ein neuronales Schaltungsmodell einer Mehr­ schichtstruktur dienen, und Lernen/Ausbilden der Entspre­ chungsbeziehung unter Verwendung der Vielzahl von Daten,
Bestimmen einer Entwicklungsbeschränkung, die den zuläs­ sigen Bereich der Entwicklungsbedingungen und/oder der Umge­ bungsbedingungen des Produkts und/oder der Leistung des Pro­ dukts beschränkt,
Erhalten einer Vielzahl von Entsprechungen zwischen der Gruppe der Entwicklungsbedingungen und den Umgebungsbedingun­ gen des Produkts und der Leistung des Produkts unter Verwen­ dung der Daten, die den von der Vielzahl von Daten verschie­ denen Wert enthalten, innerhalb des zulässigen Bereichs, der durch die Entwicklungsbeschränkung beschränkt ist, und Erhal­ ten einer Robustheit, und
auf der erhaltenen Vielzahl von Entsprechungen und der Robustheit beruhendes Extrahieren der Entwicklungsbedingungen innerhalb des vorbestimmten Bereichs, der zuvor durch die Leistung des Produkts und die Robustheit bestimmt wurde.

5. Stabilisierungsentwicklungsverfahren nach Anspruch 4, da­ durch gekennzeichnet, daß zumindest ein Abschnitt der Entsprechungsbeziehung, die in dem neuronalen Schaltungsmodell einer Mehrschichtstruktur eingestellt wurde, mit vorbestimmter Wahrscheinlichkeit unter Verwendung eines Vererbungsalgorithmus und durch Ausführung eines Austauschens zumindest eines Abschnitts der Vielzahl von neuronalen Schaltungsmodellen und/oder Mutation verändert wird, wobei zumindest ein Abschnitt des neuronalen Schal­ tungsmodells verändert wird, so daß die Entsprechungsbezie­ hung ausgebildet wird.

6. Stabilisierungsentwicklungsverfahren nach Anspruch 4, da­ durch gekennzeichnet, daß der Vererbungsalgorithmus einen Schritt (a), in dem das neuronale Schaltungsmodell, das durch die Vielzahl von Daten als Anfangsgeneration gelernt/gebildet wurde, bestimmt wird, einen Schritt (b), in dem die inverse Zahl des Fehlers zwi­ schen dem Ausgangssignal des neuronalen Schaltungsmodells bzgl. jedes Eingangssignals der Vielzahl von Daten und dem Quadrat der Daten, das das Ausgangssignal jedes der Vielzahl von Daten sein sollte, als Bewertung erhalten wird, einen Schritt (c), in dem unter der Vielzahl erhaltener Bewertungen das neuronale Schaltungsmodell ausgewählt wird, dessen erhal­ tene Bewertung größer als eine vorbestimmte Bewertung ist, einen Schritt (d), in dem ein Austauschen zumindest eines Ab­ schnitts des ausgewählten neuronalen Schaltungsmodells und/oder Mutation bewirkt wird, wobei zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß das neuronale Schaltungsmodell verändert und bestimmt wird, und einen Schritt (e) enthält, in dem die Schritte (a) bis (d) bis zur vorbestimmten Generation wiederholt werden.

7. Stabilisierungsentwicklungsverfahren nach einem der An­ sprüche 4 bis 6, dadurch gekennzeichnet, daß die Vielzahl von Daten durch Kategorisierung in Verifi­ kationsdaten und Lerndaten verwendet wird, und Daten, deren verallgemeinerter Mahalanobis-Abstand kürzer als der vorbe­ stimmte Abstand ist, als Verifikationsdaten zur Verifikation des gelernten/ausgebildeten neuronalen Schaltungsmodells die­ nen, und die anderen Daten als Lerndaten zum Lernen/Ausbilden dienen.

8. Aufzeichnungsträger, auf dem ein Stabilisierungsentwick­ lungsprogramm aufgezeichnet ist, bei dem die Entwicklungsbe­ dingungen, die sowohl die Leistung eines Produkts als auch die Robustheit aufweisen, durch einen Computer erhalten wer­ den, und bei dem die Stabilisierungsentwicklung des Produkts bewirkt wird, wobei das Entwicklungsprogramm die folgenden Schritte aufweist:
Vorab-Bereitstellen einer Vielzahl von Daten, bei denen die Beziehung zwischen einer Gruppe der Entwicklungsbedingun­ gen und den Umgebungsbedingungen des Produkts und der Lei­ stung des Produkts entsprechend der Gruppe der Entwicklungs­ bedingungen und den Umgebungsbedingungen des Produkts bekannt ist,
Einstellen einer Entsprechungsbeziehung, bei der die Gruppe der Entwicklungsbedingungen und die Umgebungsbedingun­ gen des Produkts als Eingangssignal und die Leistung als Aus­ gangssignal für ein neuronales Schaltungsmodell einer Mehr­ schichtstruktur dient, und Lernen/Ausbilden der Entspre­ chungsbeziehung unter Verwendung der Vielzahl von Daten,
Bestimmen einer Entwicklungsbeschränkung, die den zuläs­ sigen Bereich der Entwicklungsbedingungen und/oder der Umge­ bungsbedingungen des Produkts und/oder der Leistung des Pro­ dukts beschränkt,
Erhalten einer Vielzahl von Entsprechungen zwischen der Gruppe der Entwicklungsfaktoren und den Umgebungsbedingungen des Produkts und der Leistung des Produkts unter Verwendung der Daten, die den von der Vielzahl der Daten verschiedenen Wert enthalten, innerhalb des zulässigen Bereichs, der durch die Entwicklungsbeschränkung beschränkt ist, und erhalten ei­ ner Robustheit, und
auf der erhaltenen Vielzahl von Entsprechungen und der Robustheit beruhendes Extrahieren der Entwicklungsbedingungen innerhalb des vorbestimmten Bereichs, der zuvor durch die Leistung des Produkts und die Robustheit bestimmt wurde.

9. Aufzeichnungsträger, auf dem ein Stabilisierungsentwick­ lungsprogramm aufgezeichnet ist, nach Anspruch 8, wobei zumindest ein Abschnitt der Entsprechungsbeziehung, die in dem neuronalen Schaltungsmodell einer Mehrschichtstruktur eingestellt wurde, mit einer vorbestimmten Wahrscheinlichkeit unter Verwendung eines Vererbungsalgorithmus und durch Aus­ führung eines Austauschens zumindest eines Abschnitts der Vielzahl von neuronalen Schaltungsmodellen und/oder Mutation verändert wird, wobei zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß die Entsprechungsbe­ ziehung ausgebildet wird.

10. Aufzeichnungsträger, auf dem ein Stabilisierungsentwick­ lungsprogramm aufgezeichnet ist, nach Anspruch 8, wobei der Vererbungsalgorithmus einen Schritt (a), in dem das neuronale Schaltungsmodell, das durch die Vielzahl von Daten als Anfangsgeneration gelernt/ausgebildet wurde, bestimmt wird, einen Schritt (b), in dem die inverse Zahl des Fehlers zwischen dem Ausgangssignal des neuronalen Schaltungsmodells bzgl. jedes Eingangssignals der Vielzahl von Daten und dem Quadrat der Daten, das das Ausgangssignal jedes der Vielzahl von Daten sein sollte, als Bewertung erhalten wird, einen Schritt (c), in dem unter der Vielzahl erhaltener Bewertungen das neuronale Schaltungsmodell ausgewählt wird, dessen erhal­ tene Bewertung größer als eine vorbestimmte Bewertung ist, einen Schritt (d), in dem ein Austauschen zumindest eines Ab­ schnitts des ausgewählten neuronalen Schaltungsmodells und/oder Mutation bewirkt wird, wobei zumindest ein Abschnitt des neuronalen Schaltungsmodells verändert wird, so daß das neuronale Schaltungsmodell verändert und bestimmt wird, und einen Schritt (e) enthält, in dem die Schritte (a) bis (e) bis zur vorbestimmten Generation wiederholt werden.

11. Aufzeichnungsträger, auf dem ein Stabilisierungsentwick­ lungsprogramm aufgezeichnet ist, nach einem der Ansprüche 8 bis 10, wobei die Vielzahl von Daten durch Kategorisierung in Verifi­ kationsdaten und Lerndaten verwendet wird, und Daten, deren verallgemeinerter Mahalanobis-Abstand kürzer als der vorbe­ stimmte Abstand ist, als Verifikationsdaten zur Verifikation des gelernten/ausgebildeten neuronalen Schaltungsmodells die­ nen, und die anderen Daten als Lerndaten zum Lernen/Ausbilden dienen.