JPH03218558A - ニューロコンピュータへの時系列データ入力方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔概要〕 時系列データをニューロコンピュータに入力する時系列
データ入力方式に関し、 センサーなどで検出した時系列データについて窓関数に
よって抽出してニューロコンピュータに入力し、時系列
データの認識を一般的、高精度かつ効率的に行えるよう
にすることを目的とし、時系列データに対して予め生成
した窓関数をもとに認識に必要な時系列データを抽出し
、この抽出した時系列データをニューロコンピュータの
人力層に入力するように構成する． 〔産業上の利用分野〕 本発明は、時系列データをニューロコンピュータに入力
する時系列データ入力方式に関するものである．ニュー
ロコンピュータにおいて、パターンｔＪｋなどの竃に用
いる空間的なパターンデータだけでなく、センサーなど
から常に入力されている時系列データを扱い、応用範囲
を広げることが望まれている． 〔従来の技術と発明が解決しようとするｔ！６１３従来
、ニューロコンピュータは、空間的なバタ一二／テ″一
夕を扱っていた．しかし、ニューロコンビエータを導入
した場合、より広く活用するために、時間的に変化する
パターンを処理する必嬰性が生じてきた． 本発明は、センサーなどで検出した時系列データについ
て窓関数によって抽出して二二ーｐコンピュータに入力
し、時系列データの認識を一般的、高精度かつ効率的に
行えるようにすることを目的としている． 〔課題を解決する手段〕 第１図を参照して課題を解決する手段を説明する． 第１図において、時系列データは、時間の経過に伴い変
化するセンサーなどで検出したデータである， 演算ユニノト４ぱ、時系列データに対して予め生成した
窓関数をもとに認識に必要な時系列データを抽出するも
のである． ニューロコンピュータ５は、抽出した時系列データを入
力層に入力すると共に教師信号を出力層に入力して学習
を行った後、推論などを行うニューロコンピュータ（例
えば３階層のニューロコンピュータ）である． 〔作用３ 本発明は、第１図に示すように、演夏ユニソ｝４が入力
された時系列データに対して予め生成した宮関数をもと
に認識に必要な時系列データを抽出し、ニューロコンピ
ュータ５を構成する入力層に対してこれら抽出した認識
に必要な時系列データを入力するようにしている．そし
て、出力層に対して併せて教師信号を入力して学習をｔ
テった後、次時刻の事象の推論を行ったなどするように
している。

従って、センサーなどで検出した時系列データについて
窓関数によって認識に必要なデータを抽出してニューロ
コンピュータに入力することにより、時系列データの認
識を一般的、高精度かつ効率的にｔテうことが可能とな
る。

【実施例〕

次に、第１図から第３図を用いて本発明の１実施例の構
成および動作を順次詳細に説明する．第１図において、
時系列データは、時間の経過に伴い変化するデータであ
って、例えば高炉の各部について温度センサーによって
測定した時間に伴い変化する温度データである． サンプリングユニノト１は、アナログの時系列データを
所定周期毎にサンプリング信号に同期してそのときの値
を抽出し（サンプリングし）、ディジタルの時系列デー
タに変換するユニノトである． 時系列データ保存ユニノト２は、サンプリングユニノト
１によってサンプリングされた時系列データを保存する
ものである． ＝ｔｚ数ｑ成ユニ，ト３は、ニューロコンピュータ５が
認識するために必要な時系列データを抽出するための窓
関数を生成するユニントである（例えば第２図（口）窓
関数を生成するユニノトである）。

演算ユニノト４は、ディジタルの時系列データに対して
窓関数生成ユニソト３によって生成された窓関数を演算
し、認識に必要な時系列データを取り出すものである。

この際、第２図（口）処理に用いる窓関数によって時系
列データから所定の部分のみを抽出して第２図（ハ）処
理後の時系列データを生成してもよい。また、所定の部
分に重み付けを行って抽出して処理後の時系列データを
生成するようにしてもよい． ニューロコンピュータ５は、演算ユニット４によって抽
出した時系列データを入力層に入力し、教師信号を出力
層に入力していわゆるバンクプロバゲーション法によっ
て現時点の事象の学習を行い、次の時刻における事象の
予測を行うなどの学習機能を持ったコンピュータである
． 次に、第２図および第３図を用いて第１図構成の動作を
詳細に説明する。第２図で横軸は時間ｔを表し、縦軸は
例えば高炉のある部分の温度Ｘを表す。

（１１　　第２図（イ）アナログの元の時系列データを
第Ｌ図サンプリングユニノト１に入力し、サンプリング
してディジタルの時系列データに変換して時系列データ
保存ユニット２に保存する．鰺》　時系列データ保存ユ
ニソト２がら取り出したディジタルの時系列データに対
して窓関数生成ユニソト３によって生成された例えば第
２図（ワ）窓関数を演算し（乗夏し）、第２図《ハ》太
線の部分の時系列データを抽出し、ニューロコンピュー
タ５の入力層の各ノードにλ，。，、λ，１，・・・λ
，．．として入力する（与える）．＋３１’！３図に示
すように、ニューロコンピュータ５の入力層の各ノード
にλ，。，、λ（１１　　”　’λ，，，，として上記
｛２｝で与えると共に、出力層に教師信号として現時点
の状況（例えば正常に対応するデータ）を与え、そのと
きの誤差をもとにバ，クプロバゲーション法によって各
層間の重み付けなどの調整を行うことを繰り返す．これ
ら一連の学習を行った後、現時刻から次の時刻における
状況の推論を行わせる。

以上のように、時系列データに窓関数を演夏して抽出し
た認識に必要な時系列データをニューロコンビエータに
入力することにより、時系列データの！ｍｌにおいて高
い認識率を効率的に得ることが可能となる． 第２図は、本発明の動作説明図を示す．第２図（イ）は
、元の時系列データを示す．横軸は時間ｔを表し、縦軸
は例えば温度Ｘを表し、０は現時刻を表す．この時系列
データは、高炉のある部分の温度変化である． 第２図（口）は、処理に用いる窓関数を示す．これは、
時刻一λから現時刻０までが１の窓関数である。窓関数
は、値が１でなく、重み付けを持だせるためにこれ以外
の値を持つようにしてもよい． 第２図（ハ）は、処理後の時系列データを示す。

これは、第２図（イ）元の時系列データから、第２図（
口）処理に用いる窓関数によって、抽出した時系列デー
タを示し、太線の部分が抽出された時系列データであり
、これをニューロコンピュータ５の入力ＮＬ＝入力する
． 向、（１）窓関数の決定は、過去に異常が発見された時
系列パターンを管理者が経験的に予め決定する． 偉）第２図（口）窓関数の−λとは異なるが、例えば第
２図（イ）の高炉のある部分の温度Ｘについて、現時刻
０から過去に遡って最も近い最大値のときの時刻ｔ１、
最小値のときの時刻ｔ２があり、更にこの時刻ｔ，から
最も近い最大値ｔ，を求める．そして、一τ＝Ｑ−ｔ，
として窓関数の−τの値を求める．このーτからＯの区
間が高炉のある部分の正常／異常を認議するために必要
な時系列データとなる． 第３図は、本発明に係る二二一ロコンピュータ構成例を
示す．これは、入力層、中間層、出力層の３Ｎから構成
され、各層はＯを用いて示す各ノードを持っている．こ
こでは、入力層の各ノードに第２図（ハ）太線の部分に
対応する時系列データλｌ．，、λ，，，、λ．，・・
・λ．．，を図示のように入力すると共に、出力層の出
力と教師信号との差である誤差信号をもとに、パックプ
ロパゲーション法によって入力層と中間層、中間層と出
力層との間の重みＷなどを調整し、学習を行うことを繰
り返し行う．学習が終了した後、１！詩Ｍから次時刻に
おける推ｖＡ（高炉の状況が正常／異常などの推論）を
行うようにしている． 〔発明の効果〕 以上説明したように、本発明によれば、時系列データか
ら窓関数をもとに認識に必要なデータを抽出してニュー
ロコンピュータに入力する構成を採用しているため、ニ
ューロコンピュータにおいて時系列データの認識を一般
的、高精度かつ効率的に行うことができる。

【図面の簡単な説明】

第１図は本発明の１実施例構成図、第２図は本発明の動
作説明図、第３図は本発明に係るニューロコンピュータ
構成例を示す． 図中、１はサンプリングユニノト、２は時系列データ保
存ユニノト、３は芯閏数住成ユニノト、４は演算ユニノ
ト、 ５はニューロコンピュータを 表す。

Claims (1)

1. 【特許請求の範囲】 時系列データをニューロコンピュータに入力する時系列
   データ入力方式において、 時系列データに対して予め生成した窓関数をもとに認識
   に必要な時系列データを抽出し、この抽出した時系列デ
   ータをニューロコンピュータの入力層に入力するように
   構成したことを特徴とするニューロコンピュータへの時
   系列データ入力方式。