JPH05324876A - 神経回路網を用いた波形評価装置 - Google Patents

Abstract

(57)【要約】 ［目的］ 本発明はシンクロスコープ等の測定装置で計
測された波形を評価するための波形評価装置に係わり、
特に、判定対象ごとに神経回路網モジュールを独立して
複数個形成し、これらの神経重率は、理想的な信号の模
範教師及び判定対象となる要素に対応した反面教師で学
習させることにより決定される波形評価装置を提供する
ことを目的とする。 ［構成］ 本発明は、神経重率を有している神経回路網
モジュールの入力層に対して、判定対象信号を入力信号
として入力し、この神経回路網モジュールを、判定対象
ごとに独立して複数個形成している。そして、理想的な
信号の模範教師及び判定対象となる要素に対応した反面
教師で学習させることにより、各神経回路網モジュール
の神経重率を決定する様になっている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、シンクロスコープやそ
の他の測定装置等で計測された波形を評価するための波
形評価装置に係わり、特に、判定対象ごとに神経回路網
モジュールを独立して複数個形成し、これらの神経重率
は、理想的な信号の模範教師及び判定対象となる要素に
対応した反面教師で学習させることにより決定される神
経回路網を用いた波形評価装置に関するものである。そ
して本発明は、例えばＰＣ板等の良、不良等を検査する
ための検査装置に最適な波形評価装置である。

【０００２】

【従来の技術】従来、シンクロスコープ等で計測された
波形を評価するには、その波形形状に合わせたプログラ
ム等を作成するか、或は目視により観測者が判断する方
法しか存在していなかった。

【０００３】

【発明が解決しようとする課題】しかしながら波形の評
価を行うには、波形が多種多様な形状を有するため、プ
ログラム等を作成する場合には、波形別に評価するプロ
グラムをそれぞれ作成しなくてはならず、極めて煩雑で
あるという問題点があった。更に、これらのプログラム
は汎用性が全くなく、能率性も悪いという問題点があっ
た。そしてアナログ波形の評価は、プログラムで記述す
ることが困難であり、目視による評価では、観測者によ
り個人差があり、定量的な評価を行うことができないと
いう問題点があった。

【０００４】また判定対象物から得られる電気信号波形
は、多くの要素から成り立っており、その要素の中には
波形評価の対象となる要素もあれば、不要の要素も存在
している。

【０００５】従ってこれらの理由から、機械化、自動化
が困難となっており、プログラムを記述することなく、
あらゆる波形を評価することができる波形評価装置の出
現が強く望まれていた。

【０００６】

【課題を解決するための手段】本発明は上記課題に鑑み
案出されたもので、判定対象信号を入力信号として入力
される入力層、隠れ層及び出力層の少なくとも３層とか
ら構成され、神経重率を有している神経回路網モジュー
ルを判定対象ごとに独立して複数個形成し、前記各神経
回路網モジュールの神経重率は、理想的な信号の模範教
師及び判定対象となる要素に対応した反面教師で学習さ
せることにより決定されていることを特徴としている。

【０００７】

【作用】以上の様に構成された本発明は、入力層、隠れ
層及び出力層の少なくとも３層とから構成され、神経重
率を有している神経回路網モジュールの入力層に対し
て、判定対象信号を入力信号として入力し、この神経回
路網モジュールを、判定対象ごとに独立して複数個形成
している。そして、理想的な信号の模範教師及び判定対
象となる要素に対応した反面教師で学習させることによ
り、各神経回路網モジュールの神経重率を決定する様に
なっている。

【０００８】

【実施例】

【０００９】本発明の実施例を図面に基づいて説明す
る。

【００１０】本発明を波形の良否判断を行う波形評価装
置１に応用した場合について説明する。図１に示す様
に、本実施例の波形評価装置１は、学習実行系Ａと波形
評価系Ｂとからなっており、学習実行系Ａは、判定対象
物１０からの信号が波形統計採取部２１、教師波形決定
部２２、波形識別部２３および判定部２４に至る系統で
あり、波形評価系Ｂは、判定対象物１０からの信号が波
形採取部２５、波形前処理部２６、波形識別部２３およ
び判定部２４に至る系統である。なお判定対象物１０
は、波形を評価すべき信号を出力する被測定対象装置で
ある。

【００１１】波形統計採取部２１は、判定対象物１０か
らの波形データを次々に採取し、これらを統計処理し理
想的な理想波形を形成するためのものである。即ち波形
統計採取部２１は、統計処理機能及び採取したい波形だ
けを採取する機能を有しており、波形切り出し機能、波
形拡大機能、波形縮小機能、波形部分拡大機能、波形部
分縮小機能、波形形状変更機能等が備えられている。こ
れらの機能により、採取された波形データから波形の特
徴抽出を容易にするための適切な教師波形の形成が円滑
化される。

【００１２】教師波形決定部２２は、波形識別部２３で
識別される波形の特徴要素に対応して、その特徴要素ご
とに理想波形に基づき模範教師、第１の反面教師および
第２の反面教師を決定し、各神経回路網モジュールに形
成された入力層へそれぞれ出力するためのものである。

【００１３】波形識別部２３は、識別すべき波形の特徴
要素の個数の独立した神経回路網モジュールを備えてい
る。この波形の特徴要素には、例えば、欠け、位相、振
幅値、周期等が該当する。そして波形識別部２３は、学
習時には神経重率を決定し、判定時には、波形の判定を
行なう様になっている。

【００１４】判定部２４は、波形識別部２３の識別結果
から総合的な判定を行なうためのものであり、判定結果
を制御演算部２７および表示部２８に送出する様に構成
されている。

【００１５】波形採取部２５は、測定対象物１０から波
形採取を行うためのものであり、波形前処理部２６は、
採取された波形の切り出し、拡大、縮小等の波形前処理
を実施するためのものである。

【００１６】なお制御演算部２７は、入力された波形信
号を学習実行系Ａと波形評価系Ｂとに切り替えるための
ものである。そして表示部２８は、判定部２４の判定結
果を表示するためのものである。

【００１７】次に本実施例で使用されるニューラル・ネ
ットワークを構成する多層神経回路網の構成を説明す
る。

【００１８】ニューラル・ネットワークとは、複数の神
経細胞（ニューロン）から構成され、１つのニューロン
は、細胞体と、樹状突起（信号入力部分）、軸索（信号
出力部分）から構成されている。軸索（信号出力部分）
は、他のニューロンの樹状突起とシナプス結合されてお
り、ネットワークが形成されている。

【００１９】そして、このニューラル・ネットワークに
適用する学習方法は、バックプロパゲーション法と呼ば
れるものであり、そのニューラル・ネットワークの構造
は、入力層、中間層、出力層の多層構造となっている。

【００２０】次に多層神経回路網の学習に採用されてい
るバックプロパゲーション法について簡単に説明する。

【００２１】バックプロパゲーションの実行サブルーチ
ンを説明する。まず乱数により神経重率の初期値を設定
する。そして、学習のデータの個数分だけ繰り返し計算
を行う。各細胞の出力を計算し、更に評価関数を演算す
る。次に、この評価関数値が最小とするために神経重率
修正量を計算する。そして、神経重率修正量に基づき神
経重率を修正し、繰り返し計算を行う。この結果、評価
関数の和が所定値以下となった場合には、最終神経重率
を出力する様になっている。

【００２２】次に本実施例の波形識別部２３を詳細に説
明する。波形識別部２３は、図２に示す様に、比較的単
純なｎ個の神経回路網モジュール２３１（ａ）、２３１
（ｂ）・・・・２３１（ｎ）から構成されている。各神
経回路網モジュール２３１は、図３に示す様に、入力層
２３１１、隠れ層２３１２、出力層２３１３の少なくと
も３層からなっており、神経重率を有している。

【００２３】それぞれの神経回路網モジュール２３１、
２３１・・・の入力データは、例えば、図４に示されて
いる様に波形データを一定時間間隔でサンプリングし、
その時間間隔を１ニューロンに割り振る様になってい
る。そして各ニューロンの入力値は、例えば波形の最大
電圧値と最小電圧値から定まる振幅範囲で、１に正規化
したもの等を採用することもできる。入力ニューロン数
は観測者が観測したい波形の形状にあわせ設定する。ま
た、それぞれの神経回路網モジュール２３１、２３１・
・・に入力する波形は同一でも異なっていてもよく、例
えばその特徴がよく現れている波形であってもよい。即
ち、モジュールごとに入力ニューロンの数が異なってい
てもよく、同一であってもよい。更に、それぞれのネッ
トワーク構成も、隠れ層、出力層のニューロン数が異っ
ていてもよく、同一であってもよい。

【００２４】また各神経回路網モジュール２３１、２３
１・・・ は、識別したい特徴要素ごとに個別に構成さ
れており、例えば、位相、振幅、形状、その他の特に抽
出したい特徴要素ごとに構成されている。

【００２５】更に教師信号は、教師波形決定部２２で形
成されるが、各神経回路網モジュール２３１、２３１・
・・の教師信号は、例えば、上述の特徴要素別に最も良
好とされる代表的な波形を模範教師として選択し、また
否として識別したい波形は、反面教師としてその代表的
な波形に設定する。模範教師は例えば一つの出力ニュー
ロンに出力が１となる様に学習させ、反面教師はその出
力ニューロンの反応が０となる様に学習させる。或は、
もう一つ別の出力ニューロンを用意し、そちらのニュー
ロンが１あるいは０と反応する様に構成してもよい。ま
た１や０に限るものでなく、しきい値により区別できれ
ば何れのものでも使用することができる。

【００２６】次に本実施例の作用を説明する。本実施例
の波形評価装置１は、波形評価を実施する際に、評価の
ための事前学習を行う様になっている。そこで図５に基
づいて波形評価装置１の学習手順を説明することにす
る。

【００２７】まずステップ１（以下、Ｓ１と略すること
にする）で学習を開始し、制御演算部２７が、入力され
た波形が学習実行系Ａに導かれる様に切り替える。次に
Ｓ２では、測定対象物１０から採取すべき波形データを
波形統計採取部２１に入力し、波形統計採取部２１が波
形統計処理を行い理想的な波形を形成させる。そしてＳ
３では、波形統計採取部２１が採取する波形を決定し、
採取する。

【００２８】次にＳ４では、学習対象の神経回路網モジ
ュール２３１（ａ）、２３１（ｂ）・・・を選択する。
ここで選択された神経回路網モジュール２３１が、図２
に示す「欠け検出」の神経回路網モジュール２３１
（ａ）の場合には、Ｓ５で図６（ａ）の波形を模範教師
とし、図６（ｂ）の波形を第１の反面教師、図６（ｃ）
の波形を第２の反面教師として決定する。なお、図６
（ａ）の波形の模範教師は、理想波形がそのまま採用さ
れている。

【００２９】そして、決定された教師波形に基づき学習
が実行されるが、まず、Ｓ６で神経重率が初期設定され
る。次にＳ７では、模範教師波形が入力された状態にお
ける出力層の評価関数を計算する。そしてＳ８では、Ｓ
７で計算された評価関数値が所定範囲内であるかを判断
し、所定範囲内である場合にはＳ９に進んで、全ての教
師学習が終了であるか否かを判断する。またＳ８で、Ｓ
７で計算された評価関数値が所定範囲外であれば、Ｓ１
０に進んで神経重率修正量を計算し、Ｓ１１では、Ｓ１
０の神経重率修正量に基づき、神経重率を修正する。そ
してＳ７に戻って再び評価関数計算を行なう様になって
おり、このルーチンは、評価関数値が所定範囲となる神
経重率が決定されるまで繰り返される。

【００３０】またＳ９で、選択されている神経回路網モ
ジュールの全ての教師波形で学習が終了したと判断され
た場合には、Ｓ１２に進み、全ての神経回路網モジュー
ル２３１（ａ）、２３１（ｂ）・・・の学習が終了した
かどうかを判断する。そしてＳ１２で、全ての神経回路
網モジュール２３１（ａ）、２３１（ｂ）・・・で学習
が終了したと判断した場合には、Ｓ１３に進み学習を全
て終了する。

【００３１】またＳ９で、選択されている神経回路網モ
ジュール２３１（ａ）、２３１（ｂ）・・・の全ての教
師波形で学習が終了していないと判断された場合には、
Ｓ１４に進み、終了していない教師波形を入力信号とし
て、Ｓ６に戻って学習を行う様になっている。

【００３２】更にＳ１２で、全ての神経回路網モジュー
ル２３１（ａ）、２３１（ｂ）・・・で学習が終了して
いないと判断した場合には、Ｓ１５に進み、終了してい
ない神経回路網モジュール２３１に学習対象を変更し、
Ｓ５に戻って、変更された神経回路網モジュール２３１
に対応する教師波形によって学習を行う様になってい
る。尚、教師信号が不適当で神経重率が決定できない場
合又は適正な判断が行えない場合には、教師信号を変更
して再学習することとなる。

【００３３】以上の様に構成された事前学習を使用し
て、波形評価（判定）を行う本実施例の波形評価装置１
の動作を説明する。

【００３４】図７に示す様に、ステップ１（以下、Ｓ１
と略する）で波形評価（判断）を開始し、制御演算部２
７が、入力された波形が波形評価系Ｂに導かれる様に切
り替える。次にＳ２では、波形採取部２５が測定対象物
１０から波形採取を行う。そしてＳ３では、Ｓ２で採取
された波形を波形前処理部２６が、波形切り出し、拡
大、縮小等の波形前処理を実施する。そしてＳ４では、
波形識別部２３がＳ３で波形前処理した波形を波形識別
し、Ｓ５では、判定部２４が識別した波形の波形判定を
行う様になっている。更にＳ６では、Ｓ５で判定された
判定結果を、表示部２８がＧｏｏｄ／ＮｏＧｏｏｄ等の
表示法により表示する様になっている。またＳ７では、
測定終了か否かを判断し、測定終了の場合にはＳ８に進
んで測定を終了する。Ｓ７で、測定終了でないと判断さ
れた場合には、Ｓ２に戻る様になっている。なお表示部
２８には、波形統計採取部２１、教師波形決定部２２、
波形採取部２５、波形前処理部２６のデータを表示させ
ることも可能である。

【００３５】次に本実施例の波形評価装置１が、具体的
な波形を評価する場合について説明する。

【００３６】まず［欠けの検出］について説明する。図
６（ａ）で示されているアナログ波形を模範教師とし、
図６（ｂ）の様な波形と識別したい場合、図６（ｂ）に
示す波形を代表的なものとして第１の反面教師に設定す
る。更に図６（ｃ）に示すＤＣデータの様なものを第２
の反面教師に設定することもできる。

【００３７】以上の様に設定すれば、図６（ａ）の様な
波形を模範教師として、一つの出力ニューロンの反応が
１となる様にし、図６（ｂ）の様な波形を第１の反面教
師として０と反応するように学習させると、少なくとも
図６（ａ）に似た波形は１に近くなり、図６（ｂ）に似
た波形は０に近い反応を示す様になる。従って、特定な
場所でしきい値を設定すれば、これらの波形は容易に識
別することができる。

【００３８】この様な学習を実行させた神経回路網モジ
ュール２３１は、位相に着目すると何等位相に対する制
限を与えていないため、図６（ａ）、図６（ｂ）の形状
で多少位相がずれている波形は識別することができる。
しかも汎化能力が高いので、図６（ｄ）に示す好ましく
ない波形も識別することができる。また図６（ｃ）に示
す第２の反面教師を図６（ａ）に示す模範教師、図６
（ｂ）に示す第１の反面教師と共に、何れかの出力ニュ
ーロンに学習させても同様に識別することができ、かつ
識別能力を向上させることができる。

【００３９】次に［位相ずれ判定］の場合を説明する。
位相ずれを検出する神経回路網モジュール２３１（ｂ）
においては、模範教師として図８（ａ）に示す様な代表
的な位相の波形を選択し、第１の反面教師として図８
（ｂ）に示す様な４５゜位相の遅れた波形を選択し、第
２の反面教師として図８（ｃ）に示す様な４５゜位相の
進んだ波形を選択して、これらの波形を学習させればよ
い。即ち、第１の反面教師と第２の反面教師とは、好ま
しくない位相の代表例である。この位相ずれを検出する
神経回路網モジュールは、振幅や波形の形状に無関係で
あり、少なくとも位相の善し悪しのみを識別できる能力
を有している。

【００４０】なお、図６（ｂ）の様な波形と、位相ずれ
の波形という、二つの特徴要素を同時に識別したい場合
には、神経回路網モジュール２３１（ａ）と、神経回路
網モジュール２３１（ｂ）の２つの神経回路網モジュー
ル２３１に識別させればよい。したがって複数の特徴要
素を識別したい場合には、それぞれの特徴を重点的に見
る、複数の神経回路網モジュール２３１（ａ）、２３１
（ｂ）・・・を作成すればよいことになる。

【００４１】以上の様に、振幅や形状や位相、特に観察
したい場所等をそれぞれネットワークべつに、代表的な
模範教師と反面教師を与えて学習させるだけで、少なく
とも識別したい波形を識別することができる。

【００４２】また図６（ｅ）に示す様に、観察したい場
所が変化した場合には、図６（ｅ）の欠陥波形を検出す
るための神経回路網モジュール２３１を作成すればよ
く、更に、図６（ｆ）に示す様な欠陥波形を検出したい
場合には、図６（ｆ）に示す様な欠陥波形を検出するた
めの神経回路網モジュール２３１を追加して作成すれば
よい。なお複数の神経回路網モジュール２３１（ａ）、
２３１（ｂ）・・・を作成することなく、別の学習例と
して、一つの神経回路網モジュール２３１に対して、図
６（ｂ）、図６（ｅ）、図６（ｆ）に示す欠陥を検出す
る能力を持たせることも可能である。この場合には、図
６（ｂ）、図６（ｅ）、図６（ｆ）の代表的なものを反
面教師とし、図６（ａ）を模範教師等とすればよい。こ
の様な構成にしても、それぞれの反面教師が、対応する
波形の欠陥を検出しているので、図６（ｂ）、図６
（ｅ）、図６（ｆ）に示す欠陥の特徴要素を検出するこ
とができる。

【００４３】なお図６（ａ）〜図６（ｄ）は、アナログ
波形の場合であったが、図６（ｇ）〜図６（ｉ）に示す
様な矩形波形であっても、同様に識別能力を有してい
る。即ち、図６（ｇ）、図６（ｈ）に示す代表的なもの
を模範教師、反面教師と設定することにより、図６
（ｈ）や図６（ｉ）に示す好ましくない波形を検出する
ことができる。この様に識別したい特徴要素を各神経回
路網モジュール２３１、２３１・・・毎に、一個から数
個とすれば、それぞれ汎化能力が高くなり、少なくとも
識別したい特徴要素を検出できる神経回路網モジュール
２３１が作成できる。

【００４４】以上の様に構成された本実施例の波形評価
装置１は、判定部２４が、波形識別部２３の神経回路網
モジュール２３１（ａ）、２３１（ｂ）・・・から出力
される複数の識別結果に基づいて、波形のＧｏｏｄ／Ｎ
ｏＧｏｏｄを判定する様になっている。但し、判定した
い波形がこれら神経回路網モジュール２３１（ａ）、２
３１（ｂ）・・・の出力結果を確認しなくても明かに不
都合な場合には、直にＮｏＧｏｏｄとする。この様な場
合は例えば、入力された波形の振幅が極端に大きかった
り、小さかったりした場合等であり、波形識別部２３の
結果を確認するまでもなくＮｏＧｏｏｄとする。

【００４５】そして複数の神経回路網モジュール２３１
（ａ）、２３１（ｂ）・・・の出力結果により、判定部
２４が判定する場合には、全ての神経回路網モジュール
２３１（ａ）、２３１（ｂ）・・・の模範教師識別ニュ
ーロンが、設定されたしきい値以上で反応している場合
に、この波形をＧｏｏｄと判断し、ひとつでも反応して
いなければ、この波形をＮｏＧｏｏｄと判断する様にな
っている。

【００４６】なお判別したい特徴要素が増えた場合は、
その特徴要素を判別するための神経回路網モジュール２
３１を追加して学習させればよく、既に学習した他の神
経回路網モジュール２３１を再学習する必要はない。ま
た判定部２４の判定は、追加したネットワークモジュー
ルの模範教師識別ニューロンの出力結果により、その良
否判定に加えるだけでよい。この様にすれば、一つ一つ
の神経回路網モジュール２３１（ａ）、２３１（ｂ）・
・・の学習を高速で実行することができ、ローカルミニ
マムに落ちる事なく、ニューロン数は少数で足りるの
で、少ないメモリ容量で実行できるという効果がある。
また追加の学習は、該当する神経回路網モジュール２３
１を増やすだけで可能となり、容易に実現することがで
きるという効果がある。

【００４７】次に本発明の第１の変形例を説明すると、
第１の変形例は図９に示す様に、波形識別部２３の神経
回路網モジュール２３１（ａ）、２３１（ｂ）・・・の
入力ニューロンに対して、波形データ以外に、識別した
い特徴要素に関連した評価値等のパラメータを加えたも
のである。即ち、例えば波形の実効値、平均値、最大
値、最小値、周波数、或は他の何等かの評価値（神経回
路網モジュール２３１の出力値でもよい）等のパラメー
タを、アナログ値で１に正規化して加えることにより、
より神経回路網モジュール２３１（ａ）、２３１（ｂ）
・・・の識別能力を向上させることができる。

【００４８】更に本発明の第２変形例を図１０に基づい
て説明する。この第２変形例は、推論判定機能行うため
の統合推論判定部３０が付加されており、統合推論判定
部３０は、複数の神経回路網モジュール２３１（ａ）、
２３１（ｂ）・・・・を、更に複数並列に接続したもの
である。即ち複数の神経回路網モジュール２３１
（ａ）、２３１（ｂ）・・・を、測定対象物１０の各部
位の波形データ毎に独立させ（波形１、波形２、…波形
ｎ）、それらの出力結果を統合推論判定部３０に接続し
たものである。この第２の変形例は図１１に示される様
に、各部位の神経回路網モジュール２３１（ａ）、２３
１（ｂ）・・・の識別結果や波形の測定値等から、測定
対象物１０の不都合箇所や、全体の性能等を推論判定す
ることができる。なお統合推論判定部３０は、論理処
理、或は別の神経回路網や、ファジイ推論処理等から構
成されている。この様な付加機能を持たせることによ
り、高度で知的な波形評価装置１を提供することができ
る。

【００４９】

【効果】以上の様に構成された本発明は、判定対象信号
を入力信号として入力される入力層、隠れ層及び出力層
の少なくとも３層とから構成され、神経重率を有してい
る神経回路網モジュールを判定対象ごとに独立して複数
個形成し、前記各神経回路網モジュールの神経重率は、
理想的な信号の模範教師及び判定対象となる要素に対応
した反面教師で学習させることにより決定されているの
で、波形ごとに複雑なプログラム等を作成する必要がな
く、簡便な学習を実行するのみで、波形の評価を行うこ
とができるという効果がある。即ち、複数の神経回路網
モジュールを特徴要素毎に構成し、抽出したい特徴要素
毎に教師、反面教師を設定するので、簡便な学習を実行
するだけで、あらゆる波形を評価することができるとい
う効果がある。特に先ず信号処理等により、入力波形を
良否判定の対象とする特徴要素に分解または抽出し、こ
れに基づき教師及び反面教師を作成し、神経回路網を学
習させた後に判断を行う様に構成されているので、良好
な判断を行うことができるという卓越した効果がある。

【００５０】また識別したい特徴要素が増加しても、既
に作成した神経回路網モジュールを変化させることな
く、新たな特徴要素に対応する神経回路網モジュールを
追加するだけ済むという卓越した効果がある。また本発
明は、汎用性が高く、判定に個人差がなく、機械化、自
動化も容易となる波形評価システムを提供することがで
きるという効果がある。

【００５１】

【図面の簡単な説明】

【図１】本発明の実施例の構成を示す図である。

【図２】本実施例の神経回路網モジュールを説明する図
である。

【図３】本実施例の神経回路網モジュールを説明する図
である。

【図４】本実施例の神経回路網モジュールの入力データ
を説明する図である。

【図５】本実施例の波形評価装置１の学習手順を説明す
る図である。

【図６】本実施例の波形評価装置１が「欠け検出」を行
う場合を説明する図である。

【図７】本実施例の波形評価装置１の波形評価（判定）
を説明する図である。

【図８】本実施例の波形評価装置１が「位相検出」を行
う場合を説明する図である。

【図９】本発明の第１変形例を説明する図である。

【図１０】本発明の第２変形例を説明する図である。

【図１１】本発明の第２変形例を説明する図である。

【符号の説明】

１ 波形評価装置 １０ 判定対象物 ２１ 波形統計採取部 ２２ 教師波形決定部 ２３ 波形識別部 ２４ 判定部 ２５ 波形採取部 ２６ 波形前処理部 ２７ 制御演算部 ２８ 表示部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 判定対象信号を入力信号として入力され
   る入力層、隠れ層及び出力層の少なくとも３層とから構
   成され、神経重率を有している神経回路網モジュールを
   判定対象ごとに独立して複数個形成し、前記各神経回路
   網モジュールの神経重率は、理想的な信号の模範教師及
   び判定対象となる要素に対応した反面教師で学習させる
   ことにより決定されていることを特徴とする神経回路網
   を用いた波形評価装置。