JPH04184668A - ニューラルネットワークにおける教師データの修正方法 - Google Patents
ニューラルネットワークにおける教師データの修正方法Info
- Publication number
- JPH04184668A JPH04184668A JP2317116A JP31711690A JPH04184668A JP H04184668 A JPH04184668 A JP H04184668A JP 2317116 A JP2317116 A JP 2317116A JP 31711690 A JP31711690 A JP 31711690A JP H04184668 A JPH04184668 A JP H04184668A
- Authority
- JP
- Japan
- Prior art keywords
- data
- tutor
- tutor data
- neural network
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Air Conditioning Control Device (AREA)
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。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
（イ）産業上の利用分野
本発明は、階層構造を持ち、学習によって結合係数を変
化させるニューラルネットワークシステムの教師データ
の修正方法に関する。
化させるニューラルネットワークシステムの教師データ
の修正方法に関する。
１口）従来の技術
学習データに応じた入出力変換を行うニューラルネット
ワークシステムとして現在量もよく利用されているもの
に、パックプロパゲーション法（以下、ＢＰ法と略す。
ワークシステムとして現在量もよく利用されているもの
に、パックプロパゲーション法（以下、ＢＰ法と略す。
）がある。
ＢＰ法はフィードバックのない多層構造をのネットワー
クを対象としたものであり出力と教師データとの２乗誤
差を極小化するように、結合の強度を変化させるもので
ある。
クを対象としたものであり出力と教師データとの２乗誤
差を極小化するように、結合の強度を変化させるもので
ある。
このようなりＰ法は教師データを与えて学習を行えば、
どの様な入出力関係でも学習できるという特徴を持つ。
どの様な入出力関係でも学習できるという特徴を持つ。
しかし逆に言えば、教師データの与えられていない領域
での動作は、全く保証されていない。この為、教師デー
タの一部分を別の教師データに交換することは、教師デ
ータの与えられていない領域を作る可能性があり、従来
は教師データに新しいデータを追加する方法が取られて
いた。
での動作は、全く保証されていない。この為、教師デー
タの一部分を別の教師データに交換することは、教師デ
ータの与えられていない領域を作る可能性があり、従来
は教師データに新しいデータを追加する方法が取られて
いた。
（ハ）発明が解決しようとする課題
然し乍ら、従来の方法では、新たに教師データを追加す
ることによって教師データの数はどんどん増大し、学習
時間もそれにつれて増大する結果となる。しかも教師信
号の増大は、教師データ用のメモリの確保を必要とし、
教師データの追加に制限が加えざるを得ないのが常であ
った。
ることによって教師データの数はどんどん増大し、学習
時間もそれにつれて増大する結果となる。しかも教師信
号の増大は、教師データ用のメモリの確保を必要とし、
教師データの追加に制限が加えざるを得ないのが常であ
った。
（ニ）課題を解決するための手段
本発明はこのような点に鑑みて梅されたものであって、
予め設定された教師データに教師データを追加する際、
所定の距離関数に基づく距離が小さいもの同士からデー
タを合成して、新たな教師データを再構成して、教師デ
ータを減少させている。
予め設定された教師データに教師データを追加する際、
所定の距離関数に基づく距離が小さいもの同士からデー
タを合成して、新たな教師データを再構成して、教師デ
ータを減少させている。
（ホ）作用
教師データは通常入出力空間全体を代表できるように選
定されている。最初に与えた教師データがｍ個あり、そ
こに新しい教師信号をｎ個追加したとすると、合計量子
ｎ個の教師信号になる。そして、これ等の中から最も距
離の近いもの同士を合成して、ｍ個の新たな教師データ
が−を求めると、これらｍ個の教師データは、新旧のｍ
＋ｎ個の教師データを代表することになる。
定されている。最初に与えた教師データがｍ個あり、そ
こに新しい教師信号をｎ個追加したとすると、合計量子
ｎ個の教師信号になる。そして、これ等の中から最も距
離の近いもの同士を合成して、ｍ個の新たな教師データ
が−を求めると、これらｍ個の教師データは、新旧のｍ
＋ｎ個の教師データを代表することになる。
（へ）実施例
まず、ニューラルネットワークシステムをエアコン等の
装置に搭載して、使用環境に合わせた制御を行うことを
考える。予め標準の教師データで標準環境を学習させて
おき、使用者がこの標準動作が気にいらなければ、マニ
ュアルでスイッチを操作する。これにより、このマニュ
アル操作が優先的に動作し、その時の入出力関係を適当
にサンプリングして記憶しておく。
装置に搭載して、使用環境に合わせた制御を行うことを
考える。予め標準の教師データで標準環境を学習させて
おき、使用者がこの標準動作が気にいらなければ、マニ
ュアルでスイッチを操作する。これにより、このマニュ
アル操作が優先的に動作し、その時の入出力関係を適当
にサンプリングして記憶しておく。
電源ＯＦＦ後、このマニュアル時の入出力関係を新しい
教師データとして、古い教師データと合わせてクラスタ
リングを行い、教師信号を元の数に戻し、この教師信号
で学習を行なわせる。
教師データとして、古い教師データと合わせてクラスタ
リングを行い、教師信号を元の数に戻し、この教師信号
で学習を行なわせる。
第１図は本発明を実施するための教師データ修正装置で
あって、通常コンピュータ等の情報処理装置でしつげん
される。例えば、エアコンにおいては、室温、室温変化
、及びこれに対応する送風温度等のエアコン操作に必要
な情報が初期の教師データとしてｎ個ＲＡ Ｍ １に記
憶されている。そして、この教師データに基づいて標準
的にニューラルネットワーク２が学習させられている。
あって、通常コンピュータ等の情報処理装置でしつげん
される。例えば、エアコンにおいては、室温、室温変化
、及びこれに対応する送風温度等のエアコン操作に必要
な情報が初期の教師データとしてｎ個ＲＡ Ｍ １に記
憶されている。そして、この教師データに基づいて標準
的にニューラルネットワーク２が学習させられている。
エアコン動作に際し、入力値（室温、室温変化）が与え
られるとニューラルネットワーク２が最適と判断したエ
アコン出力値（送風温度）が出力される。使用者はこの
出力が不満であれば操作キー等によりマニュアル操作を
行う。この時、マニュアル操作による出力値が選択手段
３で優先的に選択されエアコンは動作される。また、こ
のマニュアル操作値は出力値として室温、室温変化等の
入力値と共に新たな教師データとなって、逐次レジスタ
４に書き込まれる。
られるとニューラルネットワーク２が最適と判断したエ
アコン出力値（送風温度）が出力される。使用者はこの
出力が不満であれば操作キー等によりマニュアル操作を
行う。この時、マニュアル操作による出力値が選択手段
３で優先的に選択されエアコンは動作される。また、こ
のマニュアル操作値は出力値として室温、室温変化等の
入力値と共に新たな教師データとなって、逐次レジスタ
４に書き込まれる。
このエアコン動作が終了すると、ＲＡＭＩ内のｎ個の教
師データとレジスタ４内のｍ個の教師データとがクラス
タリング手段５によりｎ個にグループ分けされて、それ
ぞれのクラスタに代表点（代表教師データ）が決められ
る。
師データとレジスタ４内のｍ個の教師データとがクラス
タリング手段５によりｎ個にグループ分けされて、それ
ぞれのクラスタに代表点（代表教師データ）が決められ
る。
エアコンのように室温と室温変化と送風温度を教師デー
タの要素とする場合、まず、クラスタリング時に単位を
無次元化して考える。また、室温変化や室温の数値は単
位の取り方によっても異なるので適当な係数を掛けてお
く。こうした状態で室温Ｔｌ（’Ｃ）、室温変化Ｔ２（
”Ｃ）がらＫＩＴｌ、Ｋ２Ｔ２を導き出す。同様にして
、エアコン送風温度Ｔ３がらに３Ｔ３を導き出す。簡単
のためＸ＝ＫＩＴ１、Ｙ＝に２Ｔ２、Ｚ＝に３Ｔ３と置
いて、ｉ番目のｒ−タ（Ｘｉ、Ｙｉ、Ｚｉ）と３番目の
データ（Ｘｉ、Ｙｉ、Ｚｉ）との間のユークリッド距離
は ｄ、＝ ［（Ｘｉ−Ｘｊ）”＋ （Ｙｉ−Ｙｊ）”＋（
Ｚｉ十Ｚｊ）月１７８ で表される。そして、この距離の小さいものから順に教
師データを統合し、統合されたデータの平均を新しいデ
ータとする。これを繰り返してｍ十ｎ個のデータをｎ個
のデータにする。
タの要素とする場合、まず、クラスタリング時に単位を
無次元化して考える。また、室温変化や室温の数値は単
位の取り方によっても異なるので適当な係数を掛けてお
く。こうした状態で室温Ｔｌ（’Ｃ）、室温変化Ｔ２（
”Ｃ）がらＫＩＴｌ、Ｋ２Ｔ２を導き出す。同様にして
、エアコン送風温度Ｔ３がらに３Ｔ３を導き出す。簡単
のためＸ＝ＫＩＴ１、Ｙ＝に２Ｔ２、Ｚ＝に３Ｔ３と置
いて、ｉ番目のｒ−タ（Ｘｉ、Ｙｉ、Ｚｉ）と３番目の
データ（Ｘｉ、Ｙｉ、Ｚｉ）との間のユークリッド距離
は ｄ、＝ ［（Ｘｉ−Ｘｊ）”＋ （Ｙｉ−Ｙｊ）”＋（
Ｚｉ十Ｚｊ）月１７８ で表される。そして、この距離の小さいものから順に教
師データを統合し、統合されたデータの平均を新しいデ
ータとする。これを繰り返してｍ十ｎ個のデータをｎ個
のデータにする。
このようにＭｉｌｌ成されたデータにより、ニューラル
ネットワーク２は最学習させられる。
ネットワーク２は最学習させられる。
なお、本実施例では階層型でユークリッド距離を用い、
代表点（代表教師データ）として群平均を取る方法を説
明したが、クラスタリングの方法については何ら制限は
なく、標準ユークリッド距離、マハラノピスの距離、ミ
ンコフスキーの距離等を用いてもよく、代表点の決め方
についても、最短距離法、最長距離法、重心法、つオー
ド法等を用いてもよい。
代表点（代表教師データ）として群平均を取る方法を説
明したが、クラスタリングの方法については何ら制限は
なく、標準ユークリッド距離、マハラノピスの距離、ミ
ンコフスキーの距離等を用いてもよく、代表点の決め方
についても、最短距離法、最長距離法、重心法、つオー
ド法等を用いてもよい。
（ト）発明の効果
以上述べた如く、本発明では、標準の教師データに使用
環境に応じた教師データを追加しても、全ての教師デー
タの特徴を生かして、教師データの総数を削減すること
ができ、ニューラルネットワークの最学習時間が短縮さ
れる。
環境に応じた教師データを追加しても、全ての教師デー
タの特徴を生かして、教師データの総数を削減すること
ができ、ニューラルネットワークの最学習時間が短縮さ
れる。
第１図は本発明ニューラルネットワークにおける教師デ
ータの修正方法を実施するための構成図である。 １・・・ＲＡＭ、２・・・ニューラルネットワーク、３
・・・選択手段、４・・・レジスタ、５・・・クラスタ
リング手段。
ータの修正方法を実施するための構成図である。 １・・・ＲＡＭ、２・・・ニューラルネットワーク、３
・・・選択手段、４・・・レジスタ、５・・・クラスタ
リング手段。
Claims (2)
- （１）予め設定された教師データに教師データを追加す
る際、所定の距離関数に基づく距離が小さいもの同士か
らデータを合成して、新たな教師データを再構成して、
教師データを減少させることを特徴とするニューラルネ
ットワークシステムにおける教師データの修正方法。 - （２）上記距離関数としてユークリッド距離関数を用い
たことを特徴とした特許請求の範囲第１項記載のニュー
ラルネットワークシステムにおける教師データの修正方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2317116A JPH04184668A (ja) | 1990-11-20 | 1990-11-20 | ニューラルネットワークにおける教師データの修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2317116A JPH04184668A (ja) | 1990-11-20 | 1990-11-20 | ニューラルネットワークにおける教師データの修正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04184668A true JPH04184668A (ja) | 1992-07-01 |
Family
ID=18084619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2317116A Pending JPH04184668A (ja) | 1990-11-20 | 1990-11-20 | ニューラルネットワークにおける教師データの修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04184668A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10170053A (ja) * | 1996-12-04 | 1998-06-26 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
| JP2018032394A (ja) * | 2016-08-25 | 2018-03-01 | 株式会社日立製作所 | 階層データに基づくデバイス制御 |
| JP2022043923A (ja) * | 2020-09-04 | 2022-03-16 | ダイキン工業株式会社 | 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル |
| WO2023223594A1 (ja) * | 2022-05-20 | 2023-11-23 | ダイキン工業株式会社 | 予測装置、冷凍システム、予測方法及び予測プログラム |
| US11965667B2 (en) | 2020-09-04 | 2024-04-23 | Daikin Industries, Ltd. | Generation method, program, information processing apparatus, information processing method, and trained model |
| CN119245192A (zh) * | 2024-12-05 | 2025-01-03 | 广州智业节能科技有限公司 | 基于人工智能的空调设备寻优控制方法及系统 |
-
1990
- 1990-11-20 JP JP2317116A patent/JPH04184668A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10170053A (ja) * | 1996-12-04 | 1998-06-26 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
| JP2018032394A (ja) * | 2016-08-25 | 2018-03-01 | 株式会社日立製作所 | 階層データに基づくデバイス制御 |
| JP2022043923A (ja) * | 2020-09-04 | 2022-03-16 | ダイキン工業株式会社 | 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル |
| US11965667B2 (en) | 2020-09-04 | 2024-04-23 | Daikin Industries, Ltd. | Generation method, program, information processing apparatus, information processing method, and trained model |
| US12130037B2 (en) | 2020-09-04 | 2024-10-29 | Daikin Industries, Ltd. | Generation method, program, information processing apparatus, information processing method, and trained model |
| WO2023223594A1 (ja) * | 2022-05-20 | 2023-11-23 | ダイキン工業株式会社 | 予測装置、冷凍システム、予測方法及び予測プログラム |
| JP2023170830A (ja) * | 2022-05-20 | 2023-12-01 | ダイキン工業株式会社 | 予測装置、冷凍システム、予測方法及び予測プログラム |
| CN119245192A (zh) * | 2024-12-05 | 2025-01-03 | 广州智业节能科技有限公司 | 基于人工智能的空调设备寻优控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5259064A (en) | Signal processing apparatus having at least one neural network having pulse density signals as inputs and outputs | |
| PL359134A1 (en) | Control system for actuators in an aircraft | |
| Kruiskamp et al. | DARWIN: analogue circuit synthesis based on genetic algorithms | |
| US5293458A (en) | MOS Multi-layer neural network and its design method | |
| WO1991016674A1 (fr) | Procede et appareil de commande de repetition de type discret | |
| US5586223A (en) | High speed segmented neural network and fabrication method | |
| JPH04195667A (ja) | 電気機器 | |
| JPH04237388A (ja) | ニューロプロセッサ | |
| Polycarpou et al. | Stable adaptive neural control of nonlinear systems | |
| JP3518813B2 (ja) | 構造化神経回路網構築装置 | |
| GB2250666A (en) | Majority decision using reduced number of components | |
| JPH04253260A (ja) | ニューラルネットワークの学習方法 | |
| Greene | Simulated Evolution and Adaptive Search in Engineering Design—Experiences at the University of Cape Town | |
| CN116382154B (zh) | 一种基于事件触发的指定时间高精度控制方法 | |
| CN119398122B (zh) | 基于通用LoRA和领域专用LoRA多任务混合专家模型微调方法 | |
| JPH03235101A (ja) | モデル規範型適応制御方法 | |
| JPH07306845A (ja) | 神経系学習装置用の並列処理装置 | |
| JP3213627B2 (ja) | パターン分類装置 | |
| JPH08110896A (ja) | フィードフォワード型ニューラルネットワーク | |
| Arden | The Synthesis of Computers, Communication and Engineering Education | |
| JPH07105163A (ja) | ニューラルネットワークシステム | |
| JPH0728768A (ja) | ニューラルネットワークの学習により逆解を求める方法 | |
| JPH07160660A (ja) | ニューラルネットワークシステム | |
| JP2767625B2 (ja) | ファジィ推論装置およびその動作方法 | |
| JPS62241039A (ja) | 論理シミユレ−タ |