JPH08152902A - 適応処理装置 - Google Patents

Abstract

(57)【要約】 【目的】 高性能の汎用マイコンあるいはＤＳＰ程度の
演算能力の計算機を用いて、非線形系の適応処理をオン
ラインで実行することが可能な適応処理装置を提供する
こと。 【構成】 入力に応じて出力特性を可変させる適応処理
装置において、入力に応じて所定の出力特性を有する、
複数の定常非線形処理装置と、サンプル入力に応じて各
定常非線形処理装置が寄与する重みを計算する計算装置
と、前記計算装置により計算された重みにしたがって、
前記各定常非線形処理装置の出力に重みつけして出力す
る重みつけ装置とを具備する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、適応処理系の実現方法
および装置に係わり、特に、組み込み型のマイコンで非
線形系の適応処理を効率的に実現する技術に関する。

【０００２】

【従来の技術】適応処理とは、入力・状態に応じて系の
特性を自動的に調整する処理を意味し、適応制御・適応
フィルタはもとよりニューラルネットワークおよびファ
ジイ系の動的構成方法、即ち、入力に応じて系特性を動
的に調整する方法をも含まれる。

【０００３】このような適応処理系は、自動制御はもと
より画像・音声等のマルチメディア関連処理の基本技術
として広く利用されている。

【０００４】組み込み用途マイコンの性能は飛躍的に向
上したが、非線形系の適応技術を組み込みマイコンで実
現するには制約があり、多くの場合、適応技術は線形系
に近似して扱われる。

【０００５】また、最近では、ニューラルネットワーク
あるいはファジイ技術を応用して、経験に基づく非線形
系の設計手法が研究されている。

【０００６】これらの技術を組み込みシステムに応用す
る場合、事前にオフラインで設計した結果をテーブルと
して保有し、オンラインではテーブルのデータをそのま
ま参照し、あるいはそれによる簡単な計算で所望の結果
を出力する方法が一般的である。

【０００７】しかし、オフラインで計算した結果を用い
る手法は、本質的に定常系としての扱いが前提となって
おり、この場合、系の性質が時間的に変動すると、十分
に性能が発揮されないこともある。

【０００８】以下に、関連する線形系の適応技術・シス
テム制御技術・ニューラルネットワークやファジイ等の
非線形技術について、その概要を簡潔に示す。

【０００９】［１．線形系の適応技術に関する従来技
術］従来の適応技術は、大きく線形系における適合技術
と非線形系における適応技術に大別できるが、しかし、
非線形系では処理が繁雑になる。

【００１０】例えば、線形の方程式なら直接計算できる
が、非線形の方程式は一般にニュートンラプソン法のよ
うな反復計算を要する。

【００１１】同様に、適応技術においても非線形系一般
の取扱いは困難である。

【００１２】一方、線形系において適応技術は進展して
いる。

【００１３】（１）線形適応フィルタの原理 例えば、デジタルフィルタを例にとると、最も簡単なＮ
次のＦＩＲフィルタは、現在の出力を過去の入力と重み
係数（タップ係数）の線形結合で表現される。

【００１４】

【数１】

【００１５】適応フィルタでは、このタップ係数を

【００１６】

【数２】

【００１７】を最小とするように更新する。ここで、Ｅ
は期待値演算子である。

【００１８】これを満たすパラメータは、結局正規方程
式

【００１９】

【数３】

【００２０】の解となる。

【００２１】従って、この正規方程式を解けば、各パラ
メータを得ることができる。

【００２２】（２）線形適応フィルタの高速実行方法 ＦＩＲ適応フィルタにおいて、数２で示した平均二乗誤
差は、フィルタ係数の二次関数になる。

【００２３】即ち、この関数を空間的に表現すると単一
の最小点を持つ曲となる。

【００２４】これは、誤差特性曲面と呼ばれるが、この
ような誤差特性曲面の性質から、最急降下法のような反
復法を用いてパラメータを得られる。

【００２５】また、ＬＭＳ（least meansquare）やＲＬ
Ｓ（recursive least square）と呼ばれる高速アルゴリ
ズムなどがある。

【００２６】［２．システム・制御技術に関する従来技
術］ダイナミック自動制御技術においては、図１１に示
す制御対象の制御量に着目して制御する古典論的手法
と、図１２に示す制御対象の制御量の他にシステムに影
響する物理量をも考慮する現代論的手法とに大別でき
る。

【００２７】古典論的な取扱いの代表例は線形ＰＩＤ制
御法である。

【００２８】これは、

【００２９】

【数４】

【００３０】のように操作量を決定する。

【００３１】一方、現代論では、システムを数５のよう
な状態空間法によって記述する。

【００３２】

【数５】

【００３３】これは、一次遅れ系の例であるが、このよ
うなシステムを制御する例として、図１２のような状態
フィードバック系を考える。

【００３４】いま、最適レギュレータと呼ばれる制御装
置を考える。

【００３５】これは、以下のような評価関数を

【００３６】

【数６】

【００３７】最小にするように操作量を決定する。

【００３８】この解は、リカッチ方程式と呼ばれる方程
式の解を用いて、

【００３９】

【数７】

【００４０】のように制御装置が構成される。

【００４１】実際の設計では、システムに合うようなＱ
・Ｒを制御対象に合わせて決定する。Ｑ・Ｒが決定すれ
ば、Ｐはリカッチ方程式を解くことで決定できるから、
数７のＦはオフラインで計算できる。

【００４２】従って、定常的な取扱いであれば、結局数
７の式をリアルタイムで実行すれば良い。

【００４３】しかしながら、実際には、状態は直接観測
されないこともある。

【００４４】この場合には、状態推定が必要になるな
ど、計算量が概して多くなり、高性能のマイコンが必要
となる。

【００４５】また、これとは別にニューラルネットワー
クやファジイ推論を用いた制御方法が実用化されている
が、これらはニューラルネットワークやファジイ推論の
持つ特徴、即ち、経験的なデータ・ノウハウから望まし
い非線形特性を実現できる性質、を制御に取り入れたも
のであり、非線形制御法の典型的な成功例になってい
る。これらは、古典論・現代論という分類とは直接対応
しない。

【００４６】さらに、近年、適応制御や予測制御とよば
れる制御手法が脚光を集めている。

【００４７】適応制御とは、制御対象の性質が時間的に
変動するような場合、制御対象の性質の変化に対応して
制御器の特性を変化させる制御方法のことである。

【００４８】また、予測制御とはフィードフォワード的
に将来の予測値を考慮するものである。

【００４９】具体例として、この両者を合わせたモデル
予測制御について簡単に説明する。

【００５０】モデル予測制御では、制御対象を線形予測
モデル

【００５１】

【数８】

【００５２】で表現する。

【００５３】即ち、過去の操作量と重み係数の線形和で
現在の制御量を推定する。

【００５４】そして、現在の目標値と推定値の誤差を最
小にするように操作量を決定する。

【００５５】即ち、

【００５６】

【数９】

【００５７】この問題は、結局

【００５８】

【数１０】

【００５９】のように制御量を決定できる（西谷：プロ
セス制御系の設計−化学プロセス制御における最近の話
題−：システムと制御，Vol.30，No.1，pp.16-25）。

【００６０】この他にも、予測値をフィードフォファー
ド的に処理する制御方法は数多く存在する。

【００６１】［３．その他］前記のように、信号処理や
システム工学の分野では、対象を線形近似することが多
い。

【００６２】しかし、実際の系は大なり小なり非線形性
を持っていて、時として線形系での取扱いが適さないこ
ともある。

【００６３】このように、本来的には非線形系での取扱
いが望ましいが、非線形系の理論的な取扱いは難しい。

【００６４】もっとも、近年では可変構造系あるいはニ
ューラルネットワーク・ファジイ等のヒューリステック
な手法を応用する研究が進展しており、将来的に有望で
ある。

【００６５】（１）可変構造系 可変構造系は、予め複数の処理系を用意しておき、入力
に応じて適宜処理系を切り替える系のことである。

【００６６】この系では、比較的容易に非線形系を構成
できる利点があるが、系の特性がある値を境にして大き
く変化しない構成が望まれる（川路：ファジイ制御と可
変構造系：電気学会誌，Vol.110，No.8, pp.678-679,
(1990)）。

【００６７】（２）ファジイ技術 ファジイ推論では、

【００６８】

【数１１】

【００６９】のようなファジイ規則で表現される。

【００７０】ただし、各変数はファジイ変数で、図１３
（ａ−１）に示すようなメンバシップ関数で性質が定義
される。

【００７１】ファジイ推論系では、このようなファジイ
規則が、例えば、図１３（ａ−２）に示すように複数存
在する。

【００７２】そして、確定入力に対して、例えば、

【００７３】

【数１２】

【００７４】のような推論式で確定出力を得る。

【００７５】数１２から明らかなように、結局ファジイ
推論は確定入力（ｕ#，ｖ#）から確定出力ｗ# を決定す
る方法、即ち、関数関係 ｗ#＝ｆ(ｕ#、ｖ#）を与える手
法に他ならない。

【００７６】そして、この関数関係は一般に非線形性が
強い。

【００７７】このようなことから、ファジイ制御は経験
に基づいて非線形制御を行う有力な手段となっている。

【００７８】ファジイ制御の多くは高々２入力であるた
め、これらを予め計算してテーブルに格納しても相応の
メモリ容量での実現が可能である。

【００７９】ファジイ機能内蔵の家電製品では大部分こ
の手法が用いられる（広田他：ファジイ制御の応用動
向：計測と制御，Ｖｏｌ．２８，Ｎｏ．１１，ｐｐ．９
６４−９６９（１９８９））。

【００８０】また、入力が３以上になっても、多くのテ
ーブルを必要としない実現方法も開発されている（中川
他：制御用マイコン向け高速ファジイ推論方式：情報処
理学会第４３回全国大会講演論文集，Ｉ−１０１（１９
９１））。

【００８１】しかし、これらの方法は、定常系（時不
変）のファジイ推論系では実現できても、非定常系（時
変）システムでは適用できなかった。

【００８２】本発明は、このようなテーブル参照法を、
非定常（時変）のシステムでも適用可能にするものであ
る。

【００８３】（３）ニューラルネットワーク ニューラルネットワークは、図１４（ｂ−１）に示すよ
うなニューロン素子をネットワーク状に結合したもので
ある。

【００８４】このニューロン素子の特性は、

【００８５】

【数１３】

【００８６】のように与えられることが多い。

【００８７】ネットワーク結合のトポロジーも数多く存
在するが、例えば、図１４（ｂ−２）のような階層型ネ
ットワークが良く用いられる。

【００８８】この階層型ネットワークにおいては、入力
の対応したニューロンの層（入力層）と出力に対応した
ニューロンの層（出力層）の間に、中間層と呼ばれるニ
ューロンの層により構成される。

【００８９】そして、各ニューロン素子の結合の重み
（ｗ）の与え方で、ネットワークの性質（入力に対応す
る出力のパターン）を変えることができる。

【００９０】即ち、ネットワークの出力は、入力と結合
の重み（ｗ）の関数になる。

【００９１】ニューラルネットワークを機能させるため
には、手本となる入出力の対応関係を学習させなければ
ならない。

【００９２】このような学習方法の典型例に、誤差逆伝
播法がある。

【００９３】誤差逆伝播法においては、特定の入力が与
えられた時、目標出力を得るように結合の重みｗを修正
していく。

【００９４】即ち、入力を固定すると、ニューラルネッ
トワークの出力はｗの関数で表現される。

【００９５】これと目標出力の二乗誤差

【００９６】

【数１４】

【００９７】を評価関数とし、これを最小にするように
ｗを修正する。

【００９８】これは、いわゆる非線形最適化問題とな
り、この問題の解法も、先に示した適応アルゴリズムと
同様ではあるが、出力ｙ(ｗ)がｗの非線形関数で表現さ
れることもあり、誤差評価関数は一般に多峰性の関数に
なる。

【００９９】従って、単純な最急降下法などを用いる
と、局所最適解に落ち込み、最適な重み係数が得られな
いことがある。

【０１００】このような問題を解決するため、シミュレ
ーテッドアニーリング法のような確率的最適化法が必要
になるが、この計算にはスーパコンピュータを用いても
膨大な時間を要する。

【０１０１】

【発明が解決しようとする課題】前記したように、最近
では非線形システムが積極的に応用される。

【０１０２】特に、ニューラルネットワーク・ファジイ
等の手法は、系の非線形特性を経験的に実現できるため
広く適用されている。

【０１０３】しかしながら、ニューラルネットワークや
ファジイのような非線形のシステムを組込マイコンで処
理させる場合、先に示したような計算を全てオンライン
で実行する能力はなく、定常系としてオフラインで計算
し、これをテーブルとして保有することで実現してい
た。

【０１０４】従って、非線形系の適応処理を現在のマイ
コン実現するには制約が多く、組み込みシステムでの適
応処理は、一般に線形系で行われる。

【０１０５】本発明は、前記従来技術の問題点を解決す
るためになされたものであり、本発明の目的は、適応処
理装置において、高性能の汎用マイコンあるいはＤＳＰ
程度の演算能力の計算機を用いて、非線形系の適応処理
をオンラインで実行することが可能な技術を提供するこ
とにある。

【０１０６】本発明の前記目的並びにその他の目的及び
新規な特徴は、本明細書の記載及び添付図面によって明
らかにする。

【０１０７】

【課題を解決するための手段】本願において開示される
発明のうち、代表的なものの概要を簡単に説明すれば、
下記の通りである。

【０１０８】（１）入力に応じて出力特性を可変させる
適応処理装置において、入力に応じて所定の出力特性を
有する複数の定常非線形処理装置と、サンプル入力に応
じて各定常非線形処理装置が寄与する重みを計算する計
算装置と、前記計算装置により計算された重みにしたが
って、前記各定常非線形処理装置の出力に重みつけして
出力する重みつけ装置とを具備することを特徴とする。

【０１０９】（２）入力に応じて出力特性を可変させる
適応制御装置において、過去の制御量あるいは状態の少
なくとも一方の入力に対応して現在の操作量を得る複数
の定常非線形制御器と、前記各定常非線形制御器からの
複数の操作量と、前記過去の制御量あるいは状態の少な
くとも一方の入力とから、前記複数の定常非線形制御器
が寄与する重みを計算する計算装置と、前記計算装置に
より計算された重みにしたがって、前記各定常非線形制
御器の出力に重みつけして出力する重みつけ装置とを具
備することを特徴とする。

【０１１０】（３）前記（２）手段において、前記計算
装置が、前記各定常非線形制御器からの複数の操作量
と、前記過去の制御量あるいは状態の少なくとも一方の
入力とから、現在の制御量あるいは状態の少なくとも一
方を予測する、前記各定常非線形制御器に対応する複数
の予測器を具備し、前記過去の制御量あるいは状態の少
なくとも一方の入力と、前記複数の予測器からの現在の
制御量あるいは状態の少なくとも一方の予測値とから、
前記各定常非線形制御器が寄与する重みを計算すること
を特徴とする。

【０１１１】（４）前記（３）の手段において、前記計
算装置により計算された重みにしたがって、前記複数の
予測器から現在の制御量あるいは状態の少なくとも一方
の予測値に重みつけして出力する第２の重みつけ装置
を、さらに具備し、前記第２の重みつけ装置からの出力
が、前記各定常非線形制御器に入力されることを特徴と
する。

【０１１２】（５）前記（２）ないし（４）の手段にお
いて、前記計算装置が、各定常非線形制御器に対応する
予測器によって予測された現在の制御量あるいは状態の
少なくとも一方の予測値と、現在の制御量あるいは状態
の少なくとも一方とから各定常非線形制御器毎の予測誤
差を計算する装置と、各定常非線形制御器毎の予測誤差
から各定常非線形制御器の適合性を評価するための装置
と、各定常非線形制御器の適合値と重み係数の線形和を
最適にする重み係数を求める装置とから構成されること
を特徴とする。

【０１１３】（６）入力に応じて出力特性を可変させる
適応デジタルフィルタにおいて、入力に応じて所定の出
力特性を有する複数の定常非線形デジタルフィルタと、
前記各定常非線形デジタルフィルタからの１ステップ前
の複数の出力と目標信号とから、前記複数の定常非線形
デジタルフィルタが寄与する重みを計算する計算装置
と、前記計算装置により計算された重みにしたがって、
前記各定常非線形デジタルフィルタの出力に重みつけし
て出力する重みつけ装置とを具備することを特徴とす
る。

【０１１４】（７）入力に応じて出力特性を可変させる
適応シミュレータにおいて、入力に応じて所定の出力特
性を有する複数の定常非線形シミュレータと、前記各定
常非線形シミュレータの複数の出力と教師信号とから、
前記複数の定常非線形シミュレータが寄与する重みを計
算する計算装置と、前記計算装置により計算された重み
にしたがって、前記各定常非線形シミュレータの出力に
重みつけして出力する重みつけ装置とを具備することを
特徴とする。

【０１１５】（８）入力に応じて出力特性を可変させる
適応ファジイ推論装置において、入力に応じて所定の出
力特性を有する複数の定常ファジイ推論装置と、前記各
定常ファジイ推論装置の複数の出力と教師信号とから、
前記複数の定常ファジイ推論装置が寄与する重みを計算
する計算装置と、前記計算装置により計算された重みに
したがって、前記各定常ファジイ推論装置の出力に重み
つけして出力する重みつけ装置とを具備することを特徴
とする。

【０１１６】（９）入力に応じて出力特性を可変させる
適応ニューラルネットワーク装置において、入力に応じ
て所定の出力特性を有する複数の定常ニューラルネット
ワーク装置と、前記各定常ニューラルネットワーク装置
の複数の出力と教師信号とから、前記複数の定常ニュー
ラルネットワーク装置が寄与する重みを計算する計算装
置と、前記計算装置により計算された重みにしたがっ
て、前記各定常ニューラルネットワーク装置の出力に重
みつけして出力する重みつけ装置とを具備することを特
徴とする。

【０１１７】

【作用】前記各手段によれば、複数の定常非線形処理装
置を用意し、前記各定常非線形処理装置の出力に所定の
重みつけをするようにして適応処理装置を構成する。

【０１１８】この定常非線形処理装置は、特定のプロセ
スにおいて最適になるように調整された非線形システム
によって構成される。

【０１１９】定常非線形処理装置を表現する関数は予め
オフラインで調整し計算しておくことが可能であり、こ
れをテーブルとして保有する。

【０１２０】従って、実行時には必要なテーブルを参照
し、定常非線形処理装置の重み係数を、入力に応じて適
宜実時間処理で動的に決定することにより、所望の非線
形特性を得ることが可能能となる。

【０１２１】また、パラメータの決定においては、誤差
評価関数が通常の線形系と同様にパラメータの二次形式
で表現されることから、誤差特性曲面は単一の極値をも
つため、線形系の高速適応処理手法−例えば、ＬＭＳ・
ＲＬＳ ｅｔｃ．により、効率的に重み係数を決定でき
る。

【０１２２】これにより、オンラインで時間のかかる非
線形処理をオフラインでの実行に移し、オンラインでの
実行は、比較的高速処理が可能な線形適応技術を用いる
ことにより、基本的に線形系の適応処理と同程度の時間
で実現でき、組み込みマイコンでの非線形適応処理が可
能となる。

【０１２３】それにより、例えば、ニューラルネットワ
ークのような非線形システムを調整する計算量に比べて
遥かに小さく、高性能のマイコンでの処理が可能にな
る。

【０１２４】さらに、各定常非線形処理装置は、それ自
身が特定のプロセスを対象にして設計されたシステムで
あり、対応するプロセスモデルを保有する。

【０１２５】また、このプロセスモデルによる予測値と
現在値より、各プロセスモデルと現在のプロセスの状態
を比較して、最適な出力を得ることが可能である。

【０１２６】これにより、システムが変動する範囲で各
定常非線形処理装置を用意すれば足り、一般的な線形化
手法に比べて、定常非線形処理装置を表現する関数の数
を少なくすることが可能である。

【０１２７】

【実施例】以下、図面を参照して本発明の実施例を詳細
に説明する。

【０１２８】なお、実施例を説明するための全図におい
て、同一機能を有するものは同一符号を付け、その繰り
返しの説明は省略する。

【０１２９】本発明では、従来の可変構造系を発展させ
て、非線形系の適応処理を複数の時不変な非線形系で構
成する、即ち、定常非線形系を表現する非線形関数の基
底と時変パラメータを持つ線形系で、疑似的に適応非線
形系を実現するものである。

【０１３０】ここでは、一般的なフィードバック制御系
を例にとって説明する。

【０１３１】フィードバック制御系には、図１１に示す
ように出力をフィードバックさせる古典制御理論に基づ
く構成と、図１２に示すようにシステムの状態を推定
し、これをフィードバックさせる現代制御理論に基づく
構成がある。

【０１３２】図１１および図１２において、装置１０１
は制御対象、装置１０２は制御装置である。

【０１３３】制御装置１０２の内部を図１１に示すよう
に構成すると、古典論的なフィードバック系となり、図
１２に示すように構成すると、現代論的な状態フィード
バック系になる。

【０１３４】ここでは、非線形適応制御として、一般的
な図１１の構成を基本にした実施例を説明するが、両者
とも基本的に同様に取り扱える。

【０１３５】例えば、先に示した最適レギュレータを用
いても、原理的には同様である。

【０１３６】図１は、本発明の一実施例（実施例１）で
ある適応処理装置をブロック線図で表現したものであ
る。

【０１３７】本実施例１は、本発明を、図１１の制御装
置１０２に適用した例である。

【０１３８】図１に示すように、制御装置は、非定常非
線形系を実現するために、定常非線形制御器を複数個用
意する。

【０１３９】即ち、制御器１・制御器２〜制御器ｎ（２
０１・２０２・２０９）は、特定の条件に合わせて調整
されている制御器である。

【０１４０】また、各制御器（２０１・２０２・２０
９）に対応する予測器１・予測器２〜予測器ｎ（２２１
・２２２・２２９）、重み評価装置２３１・２３２・２
３９および重みを決定する適応器２４１が用いられる。

【０１４１】尚、各装置の特性は、遅延素子を１／Ｚで
表現する都合上伝達関数を用いて周波数領域で表現して
ある。

【０１４２】しかし、実際の計算は、サンプル値の計算
で行われているため、以下、本実施例の数的処理は時間
領域で表現する。

【０１４３】尚、両者の関係は数１５のようなＺ変換に
よって関係付けられる。

【０１４４】

【数１５】

【０１４５】ここで、時間領域の変数は小文字のアルフ
ァベットで表し、対応する大文字で周波数領域の信号を
表すものとする。

【０１４６】入力ｙの他に、定置制御においてはリファ
レンスｒが、また、追従制御においては目標値ｒ(ｔ)が
制御器の入力となる。

【０１４７】尚、両者は全く同様に扱えるが、ここでは
定置制御を例にする。

【０１４８】これらのデータは、各制御器（２０１・２
０２・２０９）に入力される。

【０１４９】それと同時に、各制御器（２０１・２０２
・２０９）は、それと対になる予測器１・予測器２〜予
測器ｎ（２２１・２２２・２２９）を持っている。

【０１５０】各予測器（２２１・２２２・２２９）で
は、それぞれが対象としているプラントモデルに従っ
て、過去の入力列から現在の入力推定値ｙ〜を予測す
る。

【０１５１】そして、適応器２４１で、各予測値ｙ〜と
実測値ｙのずれ、即ち、各予測誤差を総合的に評価し、
各制御器（２０１・２０２・２０９）の重み係数を決定
する。

【０１５２】この重みの決定は、線形系の適応技術（Ｌ
ＭＳ・ＲＬＳ ｅｔｃ．）を用いて決定できる。

【０１５３】例えば、制御器に対応する予測器の特性
が、

【０１５４】

【数１６】

【０１５５】で表現されるものとする。

【０１５６】現在の操作量ｕ（０）を決定するためのデ
ータは、過去Ｎステップ前までの操作量と制御量であ
る。

【０１５７】各予測器（２２１・２２２・２２９）での
出力は、遅延装置２５１を通ることにより、１ステップ
前の制御量ｙ（−１）の推定値が、適応器２４１に入力
されることになる。

【０１５８】一方、ｙ（−１）はサンプルされているか
ら、適応器２４１で、各予測器（２２１・２２２・２２
９）での推定値と比較決定できる。

【０１５９】例えば、各予測誤差に基づいてモデルの信
頼性を評価するため、

【０１６０】

【数１７】

【０１６１】のような評価関数を設定すると、これは数
２で示した評価関数と同様に重み係数の二次形式で表現
され、特性曲面は単一の極値を持っている。

【０１６２】従って、この問題は、従来の線形フィルタ
のパラメータ決定問題と同質の問題に帰着されることに
なる。

【０１６３】このようにして決定された寄与の重み係数
により、操作量ｕ（０）は

【０１６４】

【数１８】

【０１６５】により決定される。

【０１６６】これは、本実施例１では、各制御器（２０
１・２０２・２０９）からの信号が、それぞれ重み評価
装置２３１・２３２・２３９を経て足し合わされる過程
によって実現される。

【０１６７】また、実時間システムとして実現する場
合、各制御器（２０１・２０２・２０９）はオフライン
で予め計算しておき、入力に対応するテーブルを参照す
れば効率的に実現できる。

【０１６８】尚、ここで、重み評価装置２３１・２３２
・２３９において、いずれか一つの重みを１、かつ他の
重みを全て０とすれば、従来の可変構造系（ＶＳＳ）制
御装置と等価になる。

【０１６９】しかしながら、本発明は、従来の可変構造
系（ＶＳＳ）制御装置のように、入力に応じて複数の制
御器から適宜１つを選択するのではなく、各制御器（２
０１・２０２・２０９）の現在の制御量と現在の制御量
の予測値から、個々の制御器１・制御器２〜制御器ｎ
（２０１・２０２・２０９）の重みを決定するようにし
たものである。

【０１７０】図２は、本実施例１の適応制御装置をワン
チップの計算機で実現する場合の処理手順を示すフロー
チャートである。

【０１７１】以下に、図２を用いて本実施例１の適応制
御装置をワンチップの計算機で実現する場合の処理手順
を説明する。

【０１７２】手順３０１は、ＳＴＡＲＴを表す。

【０１７３】手順３０２は、制御装置への入力であり、
サンプルされた制御量が入力される。

【０１７４】手順３０３は、立ち上げ時における例外処
理のための判定手順である。

【０１７５】即ち、本実施例１においては、過去のサン
プル値から現在の値を推定する作業が必要になるが、開
始直後においては過去のサンプル値は存在しない。

【０１７６】そのため、本実施例１では、最初のｎステ
ップは、予め設定した初期値に重み係数を固定するよう
にしている。

【０１７７】この場合、最初のｎステップならば、後述
する手順３０４・３０５を飛び越し、初期設定された重
みに従って手順３０６で制御量を決定する。

【０１７８】また、組み込みシステムなどにおいて実時
間処理する場合、手順３０６は予めオフラインで計算し
たＲＯＭ３１３の参照で実現できる。

【０１７９】また、ＲＡＭ３１２には、立ち上げ時の制
御量決定に必要なパラメータを初期化データとして入れ
ておく。

【０１８０】手順３０７は、出力を意味し、計算された
操作量を出力する。

【０１８１】手順３０８は終了判定であり、実際上は終
了の指示がなければ手順３０２に戻り、終了指示があれ
ば、手順３０９に行って終了する。

【０１８２】尚、立ち上げｎステップの間とは、予測に
必要なデータがサンプルされるまでという意味である。

【０１８３】例えば、現在の制御量と操作量と１ステッ
プ先の制御量を予測するタイプの予測器ではｎ＝１とな
り、最初のステップだけスワップすることになる。

【０１８４】この立ち上げ処理の間を除いて、手順３０
４・３０５が実行されることになる。

【０１８５】手順３０４では、各制御則に対応する予測
モデルに基づいて現在値を推定する。

【０１８６】予測値の推定方法も数多く存在し、簡単な
ものでは、数８のような線形予測モデルを使う方法があ
り、これならＲＯＭ３１０に数個のパラメータを保有す
るだけで実時間で予測できる。

【０１８７】また、複雑な非線形モデルであっても定常
系なので、予めオフラインで計算し、これをテーブルと
して保有することで実時間処理が可能である。

【０１８８】そして、手順３０４で計算された予測値は
ＲＡＭ３１１に格納される。

【０１８９】尚、ＲＯＭ３１０と３１３とに格納される
データは、予め設計段階で計算されたデータであり、処
理中に変更されることがない。

【０１９０】手順３０５では、手順３０４で計算しＲＡ
Ｍ３１１に格納されている現在の予測値と手順３０２で
入力された現在値とから、各制御則の重み係数を計算す
る。

【０１９１】この計算処理は、前記した通りである。

【０１９２】そして、この結果はＲＡＭ３１２に格納さ
れる。

【０１９３】手順３０６では、手順３０５によって更新
された重みに従って、制御量を計算し出力する。

【０１９４】図３は、寄与の重み係数の決定に係わる適
応器２４１の詳細を示すブロック線図である。

【０１９５】前記した数１７は、最小二乗誤差を最小に
する評価関数の例であった。

【０１９６】しかし、実際問題において、想定している
モデルのずれによって受ける影響は、制御系ごとに異な
る（ロバスト性の問題）。

【０１９７】例えば、想定しているモデルと多少実際の
対象が異なっても、制御性があまり影響を受けないもの
もあれば、少しのずれでも制御性が大きく悪化する制御
系もある。

【０１９８】この実施例では、各制御系のロバスト性を
考慮して、評価関数を以下のように設定する。

【０１９９】

【数１９】

【０２００】図３は、前記した評価を行う装置であり、
図３において、始めに、各予測器（２２１・２２２・２
２９）からの予測値と実際の値とから予測誤差が計算さ
れる。

【０２０１】この予測誤差から各制御器（２０１・２０
２・２０９）の適合性を評価するため、制御器１・制御
器２〜制御器ｎ（２０１・２０２・２０９）ごとに適合
性評価装置１・適合性評価装置２〜適合性評価装置ｎ
（６１１・６１２・６１９）により評価する。

【０２０２】この適合性評価装置１・適合性評価装置２
〜適合性評価装置ｎ（６１１・６１２・６１９）は、数
１９の各項の値を計算する装置に相当する。

【０２０３】この結果は、最適係数評価装置６２０に入
力され、ここで、最適な重み係数、即ち、数１９の評価
関数を最小にする係数を計算する。

【０２０４】図４は、この装置と等価な処理をワンチッ
プの計算機で実現した場合の処理手順を示すフローチャ
ートである。

【０２０５】手順６０１は、ＳＴＡＲＴを表す。

【０２０６】手順６０２では、各予測器（２２１・２２
２・２２９）からの予測値と実測値のサンプルデータが
入力される。

【０２０７】手順６０３では、入力された予測値と実測
値とから予測誤差が計算される。

【０２０８】手順６０４では、各制御則ごとに適合性が
評価される。

【０２０９】これは、予測誤差の関数として、ＲＯＭ６
１０上にテーブルとして定義すれば効率的に実行でき
る。

【０２１０】手順６０５では、数２０の評価関数を最小
にする重み係数を計算する。

【０２１１】手順６０６では、出力、即ち重みの更新を
行う。

【０２１２】手順６０７は、ＥＮＤを示す。

【０２１３】この一連の手順は、前記図２のフローチャ
ートにおけるサブルーチンに相当する。

【０２１４】従って、重み係数の計算ごとに呼び出され
ループ構造にはならない。

【０２１５】もっとも、実際の装置ではサンプリングご
とに実行されることになる。

【０２１６】次に、本発明の他の実施例として、制御対
象１０１であるｐｌａｎｔの出力の予測値を考慮して制
御性を向上させた予測制御系での実施例を説明する。

【０２１７】図５は、本発明の他の実施例（実施例２）
である適応処理装置のブロック線図を示す図である。

【０２１８】図６は、本実施例２を、組み込み型計算機
で実現する場合の処理手順を示すフローチャートであ
る。

【０２１９】図５は、本実施例２を予測制御系に適用し
た制御装置のブロック線図を示す。

【０２２０】図５においては、図１に示す前記実施例１
に、重み評価装置４３１・４３２・４３９が追加されて
おり、各予測器（２２１・２２２・２２９）の推定値と
重み係数から、システムの予測値を推定する構造になっ
ている。

【０２２１】即ち、

【０２２２】

【数２０】

【０２２３】により、予測値を推定する。

【０２２４】この予測値を制御器１・制御器２〜制御器
ｎ（２０１・２０２・２０９）に入力して、各制御器
（２０１・２０２・２０９）の出力を得る。

【０２２５】各制御器（２０１・２０２・２０９）の出
力から操作量の決定は図１と同じである。

【０２２６】また、重み係数の評価も、実施例１と同様
に適応器２４１で決定する。

【０２２７】決定方法は、例えば、対応する制御器１・
制御器２〜制御器ｎ（２０１・２０２・２０９）の重み
評価と一致させ、装置４３１の重みは装置２３１と等し
い重みにするなどの方法で決定できる。

【０２２８】図６は、図５と等価な装置をワンチップの
計算機で実現する場合の処理手順を示す。

【０２２９】本実施例２の処理手順は、前記実施例１に
手順５０１が追加された構成になっている。

【０２３０】従って、この手順５０１と関連する手順３
０６以外の他の処理手順の概要は前記実施例１と同様で
ある。

【０２３１】この手順５０１は、手順３０４の各制御則
における予測値の計算および手順３０５の各制御則の重
みの評価を受けて、制御量を決定する手順３０６の前に
挿入される。

【０２３２】ここでは、ＲＡＭ３１２に格納されている
適応的に調整された重みに従って、出力された操作量を
受けた制御対象（ｐｌａｎｔ）１０１の次の出力の予測
値を推定する。

【０２３３】これは、ＲＡＭ５１０に格納される。

【０２３４】制御量の計算は、ＲＯＭ３１３に格納され
ている各制御則のデータとＲＡＭ３１２に格納されてい
る各制御則の重みの評価値と共に、ＲＡＭ５１０に格納
されている制御対象（ｐｌａｎｔ）１０１の予測値を利
用して計算できる。

【０２３５】次に、本発明の他の実施例（実施例３）に
ついて説明する。

【０２３６】図７は、本発明の他の実施例（実施例３）
である適応処理装置のブロック線図を示す図である。

【０２３７】本実施例３は、本発明に基づく非線形適応
フィルタの実施例である。

【０２３８】ここでは、ＦＩＲと同様にフィルタに対す
る過去の入力から現在の出力が決定される非線形適応フ
ィルタを例に説明する。

【０２３９】ｎ段フィルタでは、過去ｎステップの入力
が必要であるが、これは遅延素子を図７に示すように通
すことで実現できる。

【０２４０】図７の太線は、過去ｎステップの入力をベ
クトル表現したものであり、即ち、実際の装置ではｎ本
の信号線で実現される。

【０２４１】これらは、それぞれ複数の定常非線形フィ
ルタ１・定常非線形フィルタ２〜定常非線形フィルタｎ
（７０１・７０２・７０９）に入力される。

【０２４２】この出力のうち、適応器７２１に入力され
るものは、遅延素子２５１を通り１ステップ遅れて入力
される。

【０２４３】即ち、適応器７２１から見れば、１ステッ
プ前の出力が入力される。

【０２４４】一方、適応器７２１には、目標信号Ｄ
（ｚ）が入力される。

【０２４５】適応器７２１では、目標信号Ｄ（ｚ）と各
定常非線形フィルタ（７０１・７０２・７０９）のフィ
ルタ出力との差より、以下の評価関数を最小にするよう
に重み係数を決定する。

【０２４６】

【数２１】

【０２４７】この評価関数を最小にする重み係数は、前
記した従来技術や実施例と同様に処理でき、例えば、Ｌ
ＭＳ・ＲＬＳ等が適用できる。

【０２４８】これら結果より、重み係数評価装置７１１
・７１２・７１９の重みが修正される。

【０２４９】これらの重み係数評価装置７１１・７１２
・７１９を通って、各定常非線形フィルタ（７０１・７
０２・７０９）のフィルタ出力と重み係数との線形和が
出力される。

【０２５０】図８は、本実施例３をワンチップの計算機
で実現する場合の処理手順を示すフローチャートであ
る。

【０２５１】手順３０１〜３０３・３０７〜３０９は、
前記実施例１・２と同じ手順である。

【０２５２】手順８０１では、各定常非線形フィルタ
（７０１・７０２・７０９）ごとに過去のフィルタ入力
より求められるフィルタ出力を計算する。

【０２５３】これらの定常非線形フィルタ１・定常非線
形フィルタ２〜定常非線形フィルタｎ（７０１・７０２
・７０９）は、定常系（時不変）であるから、ＲＯＭ８
１０に必要なデータを保有する。

【０２５４】手順８０１では、それを利用してフィルタ
出力を得る。

【０２５５】計算されたフィルタ出力は、ＲＡＭ３１１
に格納される。

【０２５６】手順８０２では、各定常非線形フィルタ
（７０１・７０２・７０９）のフィルタ出力と目標信号
Ｄ（ｚ）から、数２１を最小にする重み係数を計算す
る。

【０２５７】ここでは、手順３０２のサンプルデータの
入力で入力された目標信号Ｄ（ｚ）とＲＡＭ３１１に格
納されている各定常非線形フィルタ（７０１・７０２・
７０９）のフィルタ出力より、前記した方法等により最
適な重み係数を計算する。

【０２５８】そして、この重み係数は、ＲＡＭ３１２に
格納される。

【０２５９】手順８０３では、ＲＯＭ８１０のテーブル
とＲＡＭ３１２の重み係数を用いてフィルタ出力を計算
する。

【０２６０】次に、本発明の他の実施例（実施例４）を
説明する。

【０２６１】図９は、本発明の他の実施例（実施例４）
の適応処理装置のブロック線図を示す図である。

【０２６２】本実施例４は、本発明を教師信号に追従す
る非線形適応モデルに適用した実施例である。

【０２６３】ここで、非線形適応モデルとは、非線形な
入出力特性（入力に対応した出力の性質）を持つモデル
のことで、具体的には、ダイナミックシミュレータ、ニ
ューラルネットワーク、ファジイシステムなどが包含さ
れる。

【０２６４】尚、図９では、表現を一般化するため時間
領域で表示してある。

【０２６５】入力ベクトルｘは、複数の定常（時不変
な）非線形モデル実現器１・定常非線形モデル実現器２
〜定常非線形モデル実現器ｎ（９０１・９０２・９０
９）にそれぞれ入力され、そのモデル出力は、適応器９
２１に入力される。

【０２６６】適応器９２１では、教師信号ｔとモデル出
力ｙｉのずれを最小にする重み係数を計算する。

【０２６７】そして、重み評価装置９１１・９１２・９
１９の重みを修正する。

【０２６８】重みの修正のタイミングは、計算が完了さ
れて直ちに更新される。

【０２６９】図９の定常非線形モデル実現器１・定常非
線形モデル実現器２〜定常非線形モデル実現器ｎ（９０
１・９０２・９０９）には、図１３に示すファジイ推論
系あるいは図１４に示すニューラルネットワーク等が適
用できる。

【０２７０】ファジイ推論系は、基本的に多入力一出力
系であり（出力変数が複数の場合それぞれ推論系を構成
すれば良い）、本実施例４の定常非線形モデル実現器１
・定常非線形モデル実現器２〜定常非線形モデル実現器
ｎ（９０１・９０２・９０９）にそのままの形で適用で
きる。

【０２７１】この場合、各定常非線形モデル実現器（９
０１・９０２・９０９）ごとにファジイ推論系が必要に
なるが、定常（時不変）システムを前提としているた
め、オフラインで計算した結果をテーブルとして保有す
れば十分である。

【０２７２】一方、ニューラルネットワークは、基本的
に多入力多出力系である。

【０２７３】この場合、誤差評価関数を次のように定義
する。

【０２７４】

【数２２】

【０２７５】これを最小にする重み係数の決定は、一般
的な最小二乗問題となり、以下の方法で決定できる。

【０２７６】まず、デザイン行列Ａを次のように定義す
る。

【０２７７】

【数２３】

【０２７８】このように、各ニューラルネットワークが
ｎ出力系であり、本発明における時不変システムの数が
ｍ個であるとすると、デザイン行列はｎ×ｍの行列で表
現される。

【０２７９】この最小二乗問題は、特異値分解すること
により、

【０２８０】

【数２４】

【０２８１】で与えられる。

【０２８２】この計算は、ｎ，ｍが大きいと実時間処理
は厳しいが、定常系（時不変）システムの数が高々２な
いし３の場合には、高性能のマイコンを用いれば、実時
間処理も可能となる。

【０２８３】図１０は、実施例４をワンチップの計算機
で実現する場合の処理手順を示すフローチャートであ
る。

【０２８４】手順３０１〜３０３・３０７〜３０９は、
前記した実施例１・２と同じ手順である。

【０２８５】手順１００１では、各定常非線形モデル実
現器（９０１・９０２・９０９）ごとに、過去のモデル
入力よりモデル出力を計算する。

【０２８６】これらの定常非線形モデル実現器１・定常
非線形モデル実現器２〜定常非線形モデル実現器ｎ（９
０１・９０２・９０９）は、定常系（時不変）であるか
ら、ＲＯＭ１０１０に必要なデータを保有する。

【０２８７】手順１００１では、それを利用して各定常
非線形モデル実現器（９０１・９０２・９０９）のモデ
ル出力を得る。

【０２８８】計算されたモデル出力は、ＲＡＭ３１１に
格納される。

【０２８９】手順１００２では、各定常非線形モデル実
現器（９０１・９０２・９０９）のモデル出力と教師信
号とから、数２２を最小にする重み係数を計算する。

【０２９０】ここでは、手順３０２のサンプルデータの
入力で入力された教師信号とＲＡＭ３１１に格納されて
いる各モデル出力より、先に示した特異値分解による方
法等で最適な重み係数を計算する。

【０２９１】そして、この重み係数は、ＲＡＭ３１２に
格納される。

【０２９２】手順１００３では、ＲＯＭ１０１０のテー
ブルとＲＡＭ３１２の重み係数を用いて非線形適応モデ
ルの出力を計算する。

【０２９３】なお、本発明では、定常系（時不変）シス
テムの数を一般的に表現したが、実際の系では２ないし
３個で十分実用性があり、その場合には、システムによ
るメモリ等の増大は、許容範囲内に収めることが可能で
ある。

【０２９４】以上、本発明を実施例に基づき具体的に説
明したが、本発明は、前記実施例に限定されるものでは
なく、その要旨を逸脱しない範囲で種々変更し得ること
は言うまでもない。

【０２９５】

【発明の効果】本願において開示される発明のうち代表
的なものによって得られる効果を簡単に説明すれば、下
記の通りである。

【０２９６】（１）複数の定常非線形処理装置を用意
し、前記各定常非線形処理装置の出力に所定の重みつけ
をするようにして適応処理装置を構成し、また、前記各
定常非線形処理装置を表現する関数を、予めオフライン
で計算してこれをテーブルとして保有することにより、
実行時には必要なテーブルを参照し、複数の定常非線形
処理装置の重み係数を、入力に応じて適宜実時間処理で
動的に決定することにより、所望の非線形特性を得るこ
とが可能となる。

【０２９７】これにより、オンラインで時間のかかる非
線形処理をオフラインでの実行に移し、オンラインでは
実行は、比較的高速処理が可能な線形適応技術を用いる
ことにより、基本的に線形系の適応処理と同程度の時間
で実現でき、組み込みマイコンでの非線形適応処理が可
能となる。

【０２９８】さらに、各定常非線形処理装置は、それ自
身が特定のプロセスを対象にして設計されたシステムで
あり、対応するプロセスモデルを保有し、また、このプ
ロセスモデルによる予測値と現在値より、各プロセスモ
デルと現在のプロセスの状態を比較して、最適な出力を
得ることが可能である。

【図面の簡単な説明】

【図１】本発明の一実施例（実施例１）である適応処理
装置の構成を示すブロック線図である。

【図２】本実施例１の適応処理装置における処理手順を
示すフローチャートである。

【図３】本実施例１の適応処理装置における重み係数決
定装置の構成を示すブロック線図である。

【図４】本実施例１の適応処理装置における重み係数決
定装置の処理手順を示すフローチャートである。

【図５】本発明の他の実施例（実施例２）である適応処
理装置の構成を示すブロック線図である。

【図６】本実施例２の適応処理装置における処理手順を
示すフローチャートである。

【図７】本発明の他の実施例（実施例３）である適応処
理装置の構成を示すブロック線図である。

【図８】本実施例３の適応処理装置における処理手順を
示すフローチャートである。

【図９】本発明の他の実施例（実施例４）である適応処
理装置の構成を示すブロック線図である。

【図１０】本実施例４の適応処理装置における処理手順
を示すフローチャートである。

【図１１】古典的なフィードバック制御系を示すブロッ
ク線図である。

【図１２】現代論的なフィードバック制御系を示すブロ
ック線図である。

【図１３】非線形モデルとしてのファジイ推論系の構成
を示す図である。

【図１４】非線形モデルとしてのニュウラルネットワー
クの構成を示す図である。

【符号の説明】

１０１…制御対象、１０２…制御装置、２０１・２０２
・２０９…制御器、２２１・２２２・２２９…予測器、
２３１・２３２・２３９・４３１・４３２・４３９・７
１１・７１２・７１９・９１１・９１２・９１９…重み
係数評価装置、２４１・７２１・９２１…適応器、２５
１…遅延素子、３１０…予測モデルを格納するＲＯＭ、
３１１…予測値を格納するＲＡＭ、３１２…重み係数を
格納するＲＡＭ、３１３…操作量を計算するデータを格
納するＲＯＭ、５１０…推定された予測値を格納するＲ
ＡＭ、６１０…適合性評価のためのデータを格納するＲ
ＯＭ、６１１・６１２・６１９…適合性評価装置、６２
０…最適係数評価装置、７０１・７０２・７０９…時不
変非線形フィルタ、８１０…出力計算のためのデータを
格納するＲＯＭ、９０１・９０２・９０９…非線形モデ
ル実現器、１０１０…出力計算のためのデータを格納す
るＲＯＭ。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 9/44 ５５４ Ｋ 7737−5Ｂ C15 15/78 ５１０ Ｇ

Claims (18)

【特許請求の範囲】
1. 【請求項１】 入力に応じて出力特性を可変させる適応
   処理装置において、 入力に応じて所定の出力特性を有する複数の定常非線形
   処理装置と、サンプル入力に応じて各定常非線形処理装
   置が寄与する重みを計算する計算装置と、前記計算装置
   により計算された重みにしたがって、前記各定常非線形
   処理装置の出力に重みつけして出力する重みつけ装置と
   を具備することを特徴とする適応処理装置。
2. 【請求項２】 請求項１に記載された適応処理装置が、
   組み込み型のマイクロコンピュータで構成され、各定常
   非線形処理装置毎の定数データを格納するテーブルを具
   備することを特徴とする適応処理装置。
3. 【請求項３】 入力に応じて出力特性を可変させる適応
   制御装置において、 過去の制御量あるいは状態の少なくとも一方の入力に対
   応して現在の操作量を得る複数の定常非線形制御器と、 前記各定常非線形制御器からの複数の操作量と、前記過
   去の制御量あるいは状態の少なくとも一方の入力とか
   ら、前記複数の定常非線形制御器が寄与する重みを計算
   する計算装置と、 前記計算装置により計算された重みにしたがって、前記
   各定常非線形制御器の出力に重みつけして出力する重み
   つけ装置とを具備することを特徴とする適応制御装置。
4. 【請求項４】 請求項３に記載された適応制御装置にお
   いて、 前記計算装置が、前記各定常非線形制御器からの複数の
   操作量と、前記過去の制御量あるいは状態の少なくとも
   一方の入力とから、現在の制御量あるいは状態の少なく
   とも一方を予測する、前記各定常非線形制御器に対応す
   る複数の予測器を具備し、 前記過去の制御量あるいは状態の少なくとも一方の入力
   と、前記複数の予測器からの現在の制御量あるいは状態
   の少なくとも一方の予測値とから、前記各定常非線形制
   御器が寄与する重みを計算することを特徴とする適制御
   装置。
5. 【請求項５】 請求項４に記載された適応処理装置にお
   いて、 前記計算装置により計算された重みにしたがって、前記
   複数の予測器から現在の制御量あるいは状態の少なくと
   も一方の予測値に重みつけして出力する第２の重みつけ
   装置を、さらに具備し、 前記第２の重みつけ装置からの出力が、前記各定常非線
   形制御器に入力されることを特徴とする適応制御装置。
6. 【請求項６】 請求項３ないし請求項５のいずれか１項
   に記載された適応制御装置において、 前記計算装置が、各定常非線形制御器に対応する予測器
   によって予測された現在の制御量あるいは状態の少なく
   とも一方の予測値と、現在の制御量あるいは状態の少な
   くとも一方とから各定常非線形制御器毎の予測誤差を計
   算する装置と、各定常非線形制御器毎の予測誤差から各
   定常非線形制御器の適合性を評価するための装置と、各
   定常非線形制御器の適合値と重み係数の線形和を最適に
   する重み係数を求める装置とから構成されることを特徴
   とする適応制御装置。
7. 【請求項７】 請求項３ないし請求項６のいずれか１項
   に記載された適応制御装置が、組み込み型のマイクロコ
   ンピュータで構成されることを特徴とする適応制御装
   置。
8. 【請求項８】 請求項７に記載された適応制御装置にお
   いて、予め計算された前記各定常非線形制御器毎の計算
   結果を格納するテーブルを具備することを特徴とする適
   応制御装置。
9. 【請求項９】 請求項７に記載された適応制御装置にお
   いて、前記各定常非線形制御器に対応する予測器のため
   のデータを格納するテーブルを具備することを特徴とす
   る適応制御装置。
10. 【請求項１０】 請求項７に記載された適応制御装置に
    おいて、前記予測器によって予測された現在の制御量あ
    るいは状態の少なくとも一方の予測値と、現在の制御量
    あるいは状態の少なくとも一方との差から各定常非線形
    制御器の適合性を評価するための定数データを格納する
    テーブルを具備することを特徴とする適応制御装置。
11. 【請求項１１】 入力に応じて出力特性を可変させる適
    応デジタルフィルタにおいて、 入力に応じて所定の出力特性を有する複数の定常非線形
    デジタルフィルタと、 前記各定常非線形デジタルフィルタからの１ステップ前
    の複数の出力と目標信号とから、前記複数の定常非線形
    デジタルフィルタが寄与する重みを計算する計算装置
    と、 前記計算装置により計算された重みにしたがって、前記
    各定常非線形デジタルフィルタの出力に重みつけして出
    力する重みつけ装置とを具備することを特徴とする適応
    デジタルフィルタ。
12. 【請求項１２】 請求項１１に記載された適応デジタル
    フィルタが、組み込み型のマイクロコンピュータで構成
    され、各定常非線形デジタルフィルタの過去入力から各
    定常非線形デジタルフィルタの出力を得るために必要な
    データを格納するテーブルを具備することを特徴とする
    適応デジタルフィルタ。
13. 【請求項１３】 入力に応じて出力特性を可変させる適
    応シミュレータにおいて、 入力に応じて所定の出力特性を有する複数の定常非線形
    シミュレータと、 前記各定常非線形シミュレータの複数の出力と教師信号
    とから、前記複数の定常非線形シミュレータが寄与する
    重みを計算する計算装置と、 前記計算装置により計算された重みにしたがって、前記
    各定常非線形シミュレータの出力に重みつけして出力す
    る重みつけ装置とを具備することを特徴とする適応シミ
    ュレータ。
14. 【請求項１４】 請求項１３に記載された適応シミュレ
    ータが、組み込み型のマイクロコンピュータで構成さ
    れ、予め計算された前記各定常非線形シミュレータ毎の
    計算結果を格納するテーブルを具備することを特徴とす
    る適応シミュレータ。
15. 【請求項１５】 入力に応じて出力特性を可変させる適
    応ファジイ推論装置において、 入力に応じて所定の出力特性を有する複数の定常ファジ
    イ推論装置と、 前記各定常ファジイ推論装置の複数の出力と教師信号と
    から、前記複数の定常ファジイ推論装置が寄与する重み
    を計算する計算装置と、 前記計算装置により計算された重みにしたがって、前記
    各定常ファジイ推論装置の出力に重みつけして出力する
    重みつけ装置とを具備することを特徴とする適応ファジ
    イ推論装置。
16. 【請求項１６】 請求項１５に記載された適応ファジイ
    推論装置が、組み込み型のマイクロコンピュータで構成
    され、予め計算された前記各定常ファジイ推論装置毎の
    推論値を格納するテーブルを具備することを特徴とする
    適応ファジイ推論装置。
17. 【請求項１７】 入力に応じて出力特性を可変させる適
    応ニューラルネットワーク装置において、 入力に応じて所定の出力特性を有する複数の定常ニュー
    ラルネットワーク装置と、 前記各定常ニューラルネットワーク装置の複数の出力と
    教師信号とから、前記複数の定常ニューラルネットワー
    ク装置が寄与する重みを計算する計算装置と、 前記計算装置により計算された重みにしたがって、前記
    各定常ニューラルネットワーク装置の出力に重みつけし
    て出力する重みつけ装置とを具備することを特徴とする
    適応ニューラルネットワーク装置。
18. 【請求項１８】 請求項１７に記載された適応ニューラ
    ルネットワーク装置が、組み込み型のマイクロコンピュ
    ータで構成され、予め計算された前記各定常ニューラル
    ネットワーク装置毎の結合パラメータを格納するテーブ
    ルを具備することを特徴とする適応ニューラルネットワ
    ーク装置。