JPH0464183A - ニューラル・ネットワークによる重み付き多数決装置及びその製造方法 - 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】 〔目次〕 概要 産業上の利用分野 従来の技術 発明が解決しようとする課題 課題を解決するための手段（第１図） 作用 実施例（第２図〜第７図） 発明の効果 〔概要〕 ニューラル・ネットワークによる重み付き多数決装置及
びその製造方法に関し、 複数の入力に対して、その重み値がわかってし）ない場
合でも、重み付き多数決演算ができる装置の提供を目的
とし、 前段層からの入力を中間層に送出して演算を行うネット
ワーク構成データ処理装置におし１て、ニューロ・ユニ
ットで構成される複数の中間層ユニットと、前段層ユニ
ットの出力と、中間層ユニ・ノドの出力にもとづき割算
処理を行う前段割算部と、前段割算部の出力と、中間層
ユニットの出力Ｇこもとづき割算処理を行う後段割算部
を設け、前段層ユニットの出力を前記中間層ユニットと
前段割算部に伝達し、前記中間層ユニットの出力は重み
付けされて前記前段割算部と後段割算部に伝達され、複
数の入力信号に対して重み付き多数決演算を行うように
構成する。

また前段割算部と後段割算部を個別に構成し、これらを
前段層ユニットと中間層ユニ・ントに接続し、この装置
を製造する。

〔産業上の利用分野〕

本発明はニューラル・ネットワークによる重み付き多数
決回路に関する。

近年、プラントなど多入力、多出力系の制御にＩＦ−Ｔ
ＨＥＮ型ルールに基づくエキスパートシステムやファジ
ィシステムを適用する例が出ている。

特にプラント制御では、入力変数間の重み付け（重要度
）が大切であり、それを基にして作った制御規則による
制御が行われている。本発明は、このような制御システ
ムの構築に必要な重み付き多数決回路をニューラル・ネ
・ントワークを使用して行うものである。

〔従来の技術〕

プラント制御システムを構築するとき、通常はＩＦ−Ｔ
ＨＥＮルールで構築する。例えば圧力がどのような状態
のとき、どのような操作を行うとか、温度がどのような
状態のとき、どのような操作を行うべきかというような
ことを決定することが必要となる。プラントの種類にも
よるが、例えば圧力とか、温度といっても圧力も複数個
所のチエツクポイントがあり、温度もこれまた複数個所
のチエツクポイントがあるので、これらの変数は数１０
個を超えるようなときもある。

したがって各変数間の重み付けが大切であるが、このよ
うなプラント制御システムを構築するとき、現場のオペ
レータに間合わせ、各変数の状態に応じてどのような処
理を行っているのか具体的に解析することが必要である
。

しかし、変数に応じて重要度が異なるので、各変数の状
態に応じ、どの変数に重点をおいて操作を行っていたの
かということは、経験的な要素が多く、多数の変数の重
みを具体的にオペレータから答を得ることは不可能であ
る。しかもそれを聞き取る方でもこれらの複数の変数間
の重要度を矛盾なく正確に理解することが困難であった
。

〔発明が解決しようとする課題〕

例えばプラント制御システムを構築する場合、対象プロ
セスに関する知識が全く無いか、あるいはあったとして
も非常に乏しい時は制御ルールの決定にあたって試行錯
誤的方法に転らざるを得す、効率よくその設計を行うこ
とが不可能であった。

しかもこのようにして決定した制御ルールでは、システ
ム稼動後のチューニング作業つまり入力変数間の重みの
調整に非常な手間をかけることが必要となる。

したがって本発明は、これらの問題点を解決し、プラン
ト制御の如き、入力変数間の関係即ち、重み付けをニュ
ーラル・ネットワークを使用して学習により行うことを
可能にし、この重み付は多数決を実現することを目的と
する。

〔課題を解決するための手段〕

前記目的を達成するため、本発明では、第１図に示す如
く、割算部１．２．３・・−ｎ及び５と、ニューロ・ユ
ニット６−１〜６−ｎ、７−１〜７ｎでニューラル・ネ
ットワークを構成し、重み付は多数決回路を得るもので
ある。

入力部であるニューロ・ユニット６−１は入力信号Ｘ１
をそのまま中間層のニューロ・ユニット７−１及び割算
部１の入力部であるニューロ・ユニッｌ−１−２に出力
スル。ニューロ・ユニ・ット７１ではこの入力信号Ｘ１
に重みＷｌを乗じたＸＩＷＩをそれぞれ割算部ｌの入力
部であるニューロ・ユニット１−１及び、割算部５の入
力部であるニューロ・ユニット５−１に出力する。

同様に、入力部であるニューロ・ユニット６２．６−３
−６−　ｎは、それぞれ入力信号Ｘ２、Ｘ　３−Ｘ　ｎ
をそれぞれ出力する。そして中間層のニューロ・ユニッ
ト７−２．７−３−４−　ｎは入力信号Ｘ２、Ｘ　ｓ−
Ｘ　ｎにそれぞれ重みＷｎ、Ｗ３−Ｗｎを乗じたＸ２Ｗ
２、Ｘ　３　Ｗ　３−Ｘ　ｎ　Ｗ　ｎを出力する。

割算部ｌは入力部のニューロ・ユニットｉ−ｔの入力信
号を同じくニューロ・ユニット１−２の入力信号で割算
した値を出力部のニューロ・ユニット１−３から出力す
るものであり、前記の場合にはＸＩＷＩ：Ｘ１＝Ｗ１か
出力される。

同様に割算部２．３−・−ｎは、入力部のニューロ・ユ
ニット２−１．３−１−ｎ　−１の入力信号を同じくニ
ューロ・ユニット２−２．３−２−ｎ　−２の入力信号
で割算した値を出力部のニューロ・ユニット２−３．３
−３・・−ｎ−３から出力するものであり、前記の場合
には、それぞれＷｎＩ、Ｗｓ−−−Ｗｎが出力される。

割算部５は割算部工、２．３−ｎと同様に構成されるが
、入力部のニューロ・ユニット５−１には前記中間層の
ニューロ・ユニット７−１．７−２．７−３−４−ｎか
らの出力信号Ｘ　Ｉ　Ｗ　１、ＸｔＷａ、Ｘ３Ｗ３−・
Ｘ　ｎ　Ｗ　ｎが伝達されてこれらの和が入力信号とな
る。そして入力部のニューロ・ユニット５−２には前記
各割算部１〜ｎの出力部のニューロ・ユニット１−３．
２−３．３−３ｎ−３からの出力信号Ｗ１、Ｗｎ、Ｗ　
３−Ｗ　ｎが伝達されてこれらの和が入力信号となる。

〔作用〕

割算部１．２．３−ｎ及び割算部５を、それぞれ入力ｘ
、ｙに対し出力Ｚを２＝□になる、割算演算を行うもの
で構成しておき、中間層のニューロ・ユニット７−１．
７−２．７−　：３−７−ｎからはそれぞれ重みＷ　１
、Ｗｎ、Ｗ３−Ｗｎを乗じた信号が出力される。

従って入力部のニューロ・ユニット６−１．６２．６−
３・・・６−ｎにそれぞれ入力信号ＸＩ、Ｘ！、Ｘ５−
Ｘｎが入力されるとき、これらの入力信号はそのまま中
間層と割算部に第１図に示す如く入力され、中間層のニ
ューロ・ユニット７−１．７−２、？　−３−・・１−
　ｎからはそれぞれＸＩＷｌ、ＸａＷ２、Ｘ　’３　Ｗ
　３−Ｘ　ｎＷｎが出力され、第１図に示す如く、割算
部１．２．３−ｎ及び割算部５に入力される。

したがって、割算部１ではＸ　ＩＷＩ÷Ｘ　１　＝Ｗ１
が演算されて出力され、同様に割算部２．３ｎからＷｎ
、Ｗ　ｓ−Ｗ　ｎが出力される。

これらにより割算部５の入力部のニューロ・ユニット５
−１には（ＸｔＷ＋＋ＸｘＷｓ＋Ｘ５Ｗ３−＋　Ｘ　ｎ
　Ｗ　ｎ　）が入力演算され、同じくニューロ・ユニッ
ト５−２には（Ｗ　ｓ　＋　Ｗ　２　＋　Ｗ　３−＋Ｗ
　ｎ　）が入力演算される。それ故、割算部５では、こ
れらの割算が行われ、出力部のニューロ・ユニット５−
３より下記の出力信号Ｚが出力される。

Ｘ　ｓ　　＋Ｘ　２　　＋Ｘ　３−４Ｘｎこのようにし
て加重平均すなわち重み付き多数決演算を行うことがで
きる。

なお、割算部１．２．３−ｎ及び割算部５は、ニューロ
で構成しても、他の演算手段で構成してもよく、あらか
じめｘ／ｙの割算が可能になるもので構成しておく。

そして、後述するように、複数の入力Ｘ１、Ｘ２、Ｘ３
−とその教師信号りにより学習することによりその重み
付けが可能になるので、重み付き多数決をニューラル・
ネットワークで実現することができ、しかもニューラル
・ネットワークの学習により入力変数Ｘ１、Ｘ２、Ｘ３
〜Ｘｎ間の関係即ち重み付けが可能になる。、 〔実施例〕 本発明の一実施例を第２図〜第７図にもとづき説明する
。

第２図は本発明の一実施例構成図、第３図はその割算部
の構成図、第４図は学習状態説明図、第５図はニューロ
・ユニットの基本的構成図、第６図はニューロ・システ
ムにおける階層ネットワークの基本構成図、第７図は一
般的なニューロ・システムを示すもので（Ａ）はニュー
ロ・ユニットの一例、（Ｂ）は階層ネットワークの１例
を示す。

まず、本発明を詳述するに先立ち、第５図により本発明
を構成するニューロ・ユニットについて説明する。

第５図において、２１はニューロ、ユニット、２２は複
数の入力（図示の場合は入力Ｘ１〜Ｘ５の５人力の場合
を示す）に対し夫々の内部結合の重み値（Ｗｌ、Ｗ２〜
Ｗ　ｓ　）を乗算する乗算部２２−１〜２２−５を具備
する乗算処理部、２３は乗算処理部２２から出力される
全乗算結果Ｘ１・Ｗ１〜Ｘ５・Ｗｓを加算する累算処理
部、２４は前記累算処理部２３の累算値に例えばＳ字形
関数（シグモイド関数）を使用して非線型の闇値処理を
行う闇値処理部である。勿論、用途に応じて前記Ｓ字形
関数の代わりに他の関数、例えばｆ　（Ｘ）＝Ｘの恒等
関数を使用することができる。

このニューロ・ユニット２１で行われる演算を数式で示
すと以下のようになる。

加算部２３の出力Ｙ、は、入力信号をＸｌ、Ｘ２Ｘ５と
すれば、 Ｙ＝（Ｘ　１−Ｗｌ　＋Ｘ２　・Ｗ２＋−＋Ｘ　ｓ　−
Ｗｓ）＝Σ　Ｘｌ−Ｗｉ （なお、第５図の例は、ｎ＝５である。）閾値処理部２
４の出力Ｚは、闇値をθとするとき、 前記各式においてＷｉとθは可変である。

なお、ニューロ・ユニット２１は、第７図（Ａ）に示す
如く、具体的に構成されている。第７図（Ａ）において
、２２ａは乗算型Ｄ／Ａコンバータ、２３は累算処理部
であってアナログ加算器２３ａ及びサンプルホールド回
路２３ｂを具備するもの、２４は閾値処理部、２５は出
力保持部、２６は出カスインチ部、２７は入カスインチ
部、２８は重み保持部、２９は制御回路である。そして
第７図（Ａ）において、第５図と同−記号部は同一部分
をしめす。

入力スイッチ部２７は入力信号Ｘｓ、Ｘ２、Ｘ３−・−
が順次入力されるものであり、この入力タイミングに同
期してオン制御される。そしてこの入力タイミングに応
じて重み信号ｗ１、ｗ２、ｗ３−が伝達されるが、この
とき制御回路２９より重み入力制御信号が順次レシーバ
に出力され、レシーバを経由してこの重み信号Ｗ　ｓ　
、Ｗ　２、Ｗ　３−を重み保持部２８に順次送出する。

このようにして乗算型Ｄ／Ａコンバータ２２ａにおいて
、ＸＩＷｌ、Ｘ　２　Ｗ　２、Ｘ３Ｗ３・−が順次演算
される。

累算処理部２３は、初めのサンプルホールド回路２３ｂ
は零にクリアされているので、前記ＸＩＷ１とこの零が
アナログ加算器２３ａにて加算され、得られたＸ　ｓ　
Ｗ　１が保持される。次にＸ２Ｗ２が入力されるとき、
アナログ加算器２３ａはサンプルホールド回路２３ｂに
保持されたＸ　Ｉ　Ｗ　１とこのＸ　２　Ｗ　２を加算
して、得られた（ＸＩＷＩ＋　Ｘ　２　Ｗ　２　）をサ
ンプルホールド回路２３ｂに保持する。このようにして
累算値Ｙ＝（ＸｓＷｘ＋Ｘ　２　Ｗ　２　＋　Ｘ　ｓ　
Ｗ　３……）が演算される。

このようにして、累算処理部２３における累算処理が終
了したとき、制御回路２９は変換制御信号を出力し、次
いで出力制御信号を出力する。これに応じて前記累算値
Ｙが閾値処理部２４が閾値処理を行い、得られた出力Ｚ
を出力保持部２５で一時的に保持し、出力スイッチ２６
がオンに制御されることによりこの出力Ｚが出力される
。

ニューロ・コンピュータでは、前記の如きニューロ・ユ
ニット２１を使用して、第６図に示す如き階層ネットワ
ークによる並列分散処理を行うものである。

第６図において、入力層を構成する複数のニューロ・ユ
ニット２１ｈは入力信号に対し重み付けや閾値処理を行
うことなく、そのままこれを中間層を構成する複数のニ
ューロ・ユニット２１１に分配出力するものである。

中間層を構成するニューロ・ユニノ）２１ｉはこれらの
入力信号に対し重み付けして累算入力し、これを闇値処
理して出力するものである。

出力層を構成するニューロ・ユニット２１ｊは、中間層
と同様に、各入力信号に対し重み付けして累算入力し、
これを閾値処理して出方するものである。

そして中間層ｉを前段として、出方層ｊを後段層とする
と、ｉＮｉ番目のニューロ・ユニ・ノドの累算処理部で
は下記の（１１式の演算を実行し、また闇値処理部では
下記（２）弐の闇値演算処理が実行するよう処理する。

Ｙｐｉ＝ΣＸｐｈ　Ｗｉｈ　　−１ｆ）Ｚｐｉ＝１／（
１＋ｅｘｐ（ｙｐｉ＋θｉ）　　−（２１但し、 ｈ　Ｓｈ層（入力層）のユニ、ト番号 ｐ　：入力信号のパターン番号 ０１８１層（中間層）の１番ユニットの闇値Ｗｉｈ：ｈ
−ｉｉｉｉ間の内部結合の重み値Ｘｐｈ：ｐ番目のパタ
ーンの入力信号に対するｈ層のｈ番ユニットからの出力 第６図に示す階層ネットワークは、例えば第７図（Ｂ）
に示す如く、具体的に構成されている。

第７図（Ｂ）において、７０はアナログバスであって、
入力層を構成するニューロ・ニー：ｙ）２１ｈ、中間層
を構成するニューロ・ユニット２１ｉ、出力層を構成す
るニューロ・ユニット２１ｊ等を、第７図（Ｂ）に示す
如く、接続するもの、７１は前記重み保持部２８に重み
値を与える重み出力回路、７２は入力層を構成するニュ
ーロ・ユニット２１ｈに対する入力信号を保持する久方
信号保持回路、７３はデータ転送の制御信号である同期
制御信号を伝送する同期制御信号線、７４は階層ネット
ワークを総合的に制御する主制御部である。

なお、入力層のニューロ・ユニソｌ−２１ｈの重み値は
、前記の如く１のため、これらのニューロ・ユニット２
１ｈの重み出力回路７１にはいずれも数値１が記入され
ている。

ところで、第６図に示す如き、階層ネットワーク構成の
データ処理装置では、データ変換機能を規定するところ
の階層ネットワーク構造の重み値等を学習処理により求
めることが必要である。そしてこの学習処理のアルゴリ
ズムとして、バンク・プロパゲーション法がその実用性
の高さから注目されている。このバンク・プロパゲーシ
ョン法は、階層ネットワークの重み値と闇値を、誤差の
フィードバックにより調節することにより学習するもの
である。

例えば、第１の数値の入力信号（Ｘｉ、Ｘ　２　……）
を入力してこのときの出力層のニューロ・ユニット２１
ｊの各出力（Ｚｔ、Ｚ　２……）を減算ユニット３０に
より数値の教師信号（Ｄｔ、Ｄ　２１．）と比較してそ
の誤差Δｄｌ−（Ｄｌ−Ｚｌ）、Δｄ２＝　（Ｄ２−２
２）−・−を求める。

そしてまず出力層の各ニューロ・・ユニット２１ｊの闇
値、重み値ＷｊｉをΔｄｌ、Δｄ２−が小さくなるよう
に調整し、次に中間層のニューロ・ユニット２１ｉの闇
値、重み値Ｗｊｈを同様に調整する。

それから第２の数値の入力信号（Ｘ、’、Ｘ２）を入力
してこのときの出力層のニューロ・ユニット２１ｈの各
出力（Ｚ、′、Ｚｚ”−”）を減算ユニット３０により
、これまた数値の教師信号（Ｄ、Ｄ２′−・・）と比較
してその誤差Δｄ、’＝（Ｄ−ｚ＋’……）、Δｄｚ’
　＝　（Ｄｚ’　　Ｚｚ’）　−を求める。そして出力
層のニューロ・ユニット２１ｊの閾値、重み値を同様に
調整し、次に中間層のニューロ・ユニット２１ｉの闇値
、重み値を調整する。これを複数の入力信号と教師信号
にもとづき行い、学習することになる。

第２図に示す本発明の一実施例に対しても、当然のこと
ながらこのような学習が必要である。ところで第２図に
示す如く、本発明では割算部１．２．３．４及び５を具
備している。したがって、これら割算部１〜５をユニッ
トとして構成し、割算部としての重み付け、闇値の調整
つまりチューニング済みのものを用いて第２図に示す如
き回路を構成すれば、これについてのチューニング部分
はニューロ・ユニット７−１．７−２．７−３．７−４
のみであり、学習が非常に容易なものとなる。

この割算部の構成を、第２図に示す割算部１を例として
、第３図にもとづき説明する。

割算部は、第３図（Ａ）に示す如く、入力層のニューロ
・ユニット１−１．１−２と、中間層のニューロ・ユニ
ットＩ−４，１−５１ｉ力層のニューロ・ユニット１−
３で構成されている。各ニューロ・ユニットは、第５図
、第７図（Ａ）に例示する如（構成されているが、入力
層のニューロ・ユニットは、入力値がそのまま出力され
、重み値が数値１である。

ところで割算部のニューロ・ユニットの学習は、第３図
（Ａ）に示す如く、減算部１０を使用し、次のようにし
て行われる。学習に使用したデータとして、例えば第３
図（Ｂ）に示すものを使用した。ｘ、ｙはそれぞれ入力
値であり、Ｄは教師信号である。

まずパターン１としてｘ　＝０．５００ｙ＝１．ｏｏｏ Ｄ　＝０．５００ を使用する。Ｘは入力部のニューロ・ユニット１−１に
入力し、ｙは入力部のニューロ・ユニット１−２に入力
する。そして教師信号は減算部１０に入力され、また減
算器１０には出力部のニューロ・ユニット１−３の出力
信号Ｚが入力され、減算部１０からＺとＤとの差に応じ
た誤差信号、例えば（Ｚ−Ｄ）”が出力される。

この場合、学習は、バック・プロパゲーション法により
行われる。

■　前記パターン１を入力することにより減算部１０よ
り前記誤差信号が出力されるが、ニューロ・ユニット１
−３における重み値ＷＩ６、Ｗ、６及び閾値ＱＩｆｆを
調整する。当然のことながら、前記誤差信号が小さくな
るように、これらを調整する。

■　ニューロ・ユニット１−３に対する前記調整に続き
、今度は同じパターン１についてニューロ・ユニット１
−４における重み値Ｗ１いＷ１□、闇値Ｑ目の調整と、
ニューロ・ユニット１−５における重み値Ｗ１１、Ｗ、
４、閾値Ｑ、２の調整とが行われる。

このようにして、パターン１に対し学習が行われたあと
、パターン２についての調整が、同様にして行われる。

以下パターン３．４−・−について調整が行われる。そ
して各パターンに対し調整が行われた後、再度パターン
１．２−・−についての調整が行われる。このようなこ
とを複数回繰り返し、Ｚ　＝　ｘ　／　ｙの誤差が許容
範囲になるまでこの調整か行われる。そして許容範囲に
なったとき、割算部ｌが得られることになる。

このようにして、前記割算部２．３．４．５をそれぞれ
独立に予め構成しておく。そして、第２図に示す如く、
入力層のニューロ・ユニット６１〜６−４、中間層のニ
ューロ・ユニット７−１〜７−４を組み合わせ、重み付
き多数決回路を構成する。なお、第２図の例では入力信
号がｘ１〜Ｘ４の４個の例を示す。

ここでニューロ・ユニット６−１〜６−４は、重み値が
数値ｌで、闇値処理関数としてｆ　　（Ｘ）＝Ｘである
恒等関数を用いるので、入力値がそのまま出力される。

それ故、ニューロ・ユニット６−１に入力信号Ｘ１が印
加されると、ニューロ・ユニット６−１はこの入力信号
Ｘｒをそのまま、ニューロ・ユニット７−１と割算部１
の入力部のニューロ・ユニット１−２に入力する。そし
てニューロ・ユニット６−２に入力信号Ｘ２が印加され
ると、ニューロ・ユニット６−２はこの入力信号Ｘ２を
ニューロ・ユニット７−２と割算部２の入力部のニュー
ロ・ユニット２−２に入力させる。

ニューロ・ユニット６−３．６−４について右同様であ
る。

またニューロ・ユニット７−１は重み値がＷｌであり、
闇値処理関数としてｆ　　（Ｘ）＝Ｘである恒等関数を
用いるので、前記信号Ｘ１が入力されるとＸ　Ｉ　Ｗ　
１を、それぞれ割算部１の入力部のニューロ・ユニット
１−１及び割算部５の入力部のニューロ・ユニット５−
１に入力させる。

そしてニューロ・ユニット７−２は重み値がＷｚであり
、闇値処理関数として恒等関数を用いるので、前記信号
Ｘ２か人力されると、Ｘ２Ｗ２をそれぞれ割算部２の入
力部のニューロ・ユニット２−１及び割算部５の前記ニ
ューロ・ユニット５−１に入力させる。

ナオ、ニューロ・ユニソｌ−７−３，７−４はそれぞれ
重み値がＷ　３　、Ｗ　４であり、いずれも闇値処理関
数として恒等関数を用いるので、前記信号Ｘ３あるいは
Ｘ４が入力されると、Ｘ３Ｗ３を割算部３のニューロ・
ユニット３−１及び割算部５のニューロ・ユニット５−
１に入力させ、Ｘ４Ｗ４を割算部４のニューロ・ユニッ
ト４−１及び割算部５のニューロ・ユニ７ト５　１に入
力させる。

したがって割算部１では Ｘ　Ｉ　Ｗ　！÷Ｘ１＝Ｗ１ が演算され、割算部２では Ｘ　２　Ｗ　２÷Ｘ２＝Ｗ２ が演算され、割算部３では Ｘ　３Ｗ　３÷Ｘ３°Ｗ３ が演算され、割算部４では Ｘ　ａ　Ｗ　４÷ＸＡ＝Ｗ４ が演算される。そしてこの出力Ｗ１〜Ｗ４は、各割３Ｅ
部１〜４のニューロ・ユニ・ノ）ｉ３．２３．３−３．
４−３から出力されて割算部５の入力部のニューロ・ユ
ニット５−２に入力される。

このとき、割算部５の入力部の他のニューロ・ユニット
５−１には、前記の如く、Ｘ　ｔ　Ｗ　ｌ、　Ｘ２Ｗ！
、Ｘ　３　Ｗ　９、Ｘ４Ｗ４が入力される。したがって
割算部５では、 の、重み付き多数決演算（加重平均演算）が得られ、演
算結果の出力Ｚを得ることができる。

ところでこのように構成される重み付き多数決回路の学
習データの１例を第４図（Ａ）に示す。

入力層のニューロ・ユニット６−１〜６−４に入力され
るＸ１〜Ｘ４及び教師信号りとして、第４図（Ａ）に示
すパターン１〜３０を使用した。

本発明では、前述の如く、割算部１〜５は、この学習に
先立ち、別にそれぞれ学習ずみであるので、これらのニ
ューロ・ユニットを調整する必要はない。また入力層の
ニューロ・ユニット６−１〜６−４は前記の如く、重み
値が数値１であり入力値がそのまま出力となるのでこれ
また調整の必要はない。中間層のニューロ・ユニット７
−１〜７−４は、前記の如く、闇値処理関数は恒等関数
を使用しているので閾値の調整は必要なく、結局学習は
、出力値Ｚと教師信号りとの差の（Ｚ　−Ｄ）に応じた
誤差信号、例えば（Ｚ−Ｄ）”にしたがって前記重み値
Ｗ！〜Ｗ４の更新量を求めればよい。

このように学習を行うことにより、第４図（Ｂ）に示す
如く、 学習前は、Ｗ　ｓ　＝　０．０１２ Ｗ　２　＝　　０．０３８ Ｗ　３−−０．０２５ Ｗ　４　　＝　　０．０８９ であったものが、学習後は、 Ｗ　ｓ　＝　０．９８１ Ｗ　２　＝　　１．５４７ Ｗ　３　＝　　２．０４８ Ｗ　４−　２．４８５ ちなみに、第４図（Ａ）におけるＤは、Ｗｌ　　：Ｗｚ
　　：Ｗｓ　　：Ｗａ　　＝　　１　　：１．５　　：
　　２．０　　：　　２．５としたときの計算値である
。これにより学習後は、その重みがほぼ設計値に近いも
のとなり、かくして前記の如く、重み付き多数決演算を
行うことができる。

なお、前記実施例では、入力信号がＸ１〜Ｘ４の４個の
例について説明したが、本発明は勿論これのみに限定さ
れるものではなく、増減可能である。

また割算部としてニューラル・ネットワークで構成され
た例について説明したが、勿論これに限定されるもので
はなく、ニューラル・ネットワークによらない割算部を
使用することもできる。

〔発明の効果〕

本発明によれば、複数の入力信号がそれぞれどのような
状態のときにどのような出力を生ずるのかということさ
えわかれば、それにもとづき学習することにより前記の
如く、入力変数間の重み付き多数決の実現が可能となる
。

このように、例えばプラント制御における入力変数間の
関数をニューラル・ネットワークによる学習で行うこと
が可能となり、従来のように稼動後のチューニング作業
に非常に手間をかける必要がなくなった。

柄図、 第４図は学習状態説明図、 第５図はニューロ・ユニットの説明図、第６図はニュー
ロ・ユニットを使用した階層ネットワークの基本構成図
、 第７図（Ａ）はニューロ・ユニットの一実施例構成図、
（Ｂ）は階層ネットワークの一実施例を示す。

１．２．３．４．５−割算部 ６−１〜６−４−人力層のニューロ・ユニット７−１〜
’１−４−・〜中間層ノニューロ・ユニ・７ト２２〜　
乗算処理部 ２３−累算処理部 ２４−闇値処理部

【図面の簡単な説明】

第１図は本発明の原理説明図、 第２図は本発明の一実施例構成図、

Claims (3)

【特許請求の範囲】
1. （１）前段層からの入力を中間層に送出して演算を行う
   ネットワーク構成データ処理装置において、ニューロ・
   ユニットで構成される複数の中間層ユニット（７−１、
   ７−２……）と、 前段層ユニット（６−１、６−２……）の出力と、中間
   層ユニット（７−１、７−２……）の出力にもとづき割
   算処理を行う前段割算部（１、２……）と、前段割算部
   （１、２……）の出力と、中間層ユニット（７−１、７
   −２……）の出力にもとづき割算処理を行う後段割算部
   （５）を設け、 前段層ユニットの出力を前記中間層ユニットと前段割算
   部に伝達し、前記中間層ユニットの出力は重み付けされ
   て前記前段割算部と後段割算部に伝達され、複数の入力
   信号に対して重み付き多数決演算を行うことを特徴とす
   るニューラル・ネットワークによる重み付き多数決装置
   。
2. （２）前記前段割算部及び後段割算部の一部又は全部を
   ニューロ・ユニットを使用した演算手段で構成したこと
   を特徴とする請求項１記載のニューラル・ネットワーク
   による重み付き多数決装置。
3. （３）前段割算部及び後段割算部をそれぞれニューロ・
   ユニットで構成して、これらをそれぞれ個別に調整した
   のち、ニューロ・ユニットで構成された前段層ユニット
   と、中間層ユニットに接続し、調整を行うことを特徴と
   するニューラル・ネットワークによる重み付き多数決装
   置の製造方法。