制御装置、制御プログラム及び方法
【課題】ニューラルネットワーク制御に係る処理負荷を軽減させる制御装置、制御プログラム及び方法を提供する。
【解決手段】互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択し、複数のニューラルネットワークのうち、第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択し、第１ニューラルネットワークによる制御と、第２ニューラルネットワークによる制御とによる制御誤差を測定し、第１ニューラルネットワークによる制御誤差と、第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する選択部１６と、選択部１６によってより制御誤差が低いと判断されたニューラルネットワークによりシステムの動作を制御する算出部１６及び最終コントローラ１０２とを備える。
【解決手段】互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択し、複数のニューラルネットワークのうち、第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択し、第１ニューラルネットワークによる制御と、第２ニューラルネットワークによる制御とによる制御誤差を測定し、第１ニューラルネットワークによる制御誤差と、第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する選択部１６と、選択部１６によってより制御誤差が低いと判断されたニューラルネットワークによりシステムの動作を制御する算出部１６及び最終コントローラ１０２とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明はニューラルネットワークを用いた制御技術に関するものである。
【背景技術】
【０００２】
近年、例えば磁気ディスク装置のようなディスク装置における記録媒体に対する書き込みデータの高密度化によって、記録媒体のトラックピッチが狭くなり、ヘッドの制御が困難になりつつある。また、ディスク装置における制御周波数及び要求精度が上がるにつれて、求められる制御とアクチュエータ共振等による基本制御モデルによる制御との乖離の影響が大きくなりつつある。このアクチュエータ共振に対する対策として、ノッチフィルタの挿入が一般的ではあるが、位相の遅延を伴うために多段にし難く、また、複雑系には適用し難い。
【０００３】
そこで複雑系に適した非線形制御としてのニューラルネットワーク制御をディスク装置の制御に適用する技術が知られている。ここで、一般的な階層型ネットワークモデルを例としてニューラルネットワークと、その一般的な学習方法である誤差伝搬法（バックプロバゲーション法）について説明する。まず、ニューラルネットワークについて、図１５〜１７を用いて説明する。図１５は、ニューラルネットワークの概要を示す図である。また、図１６は、階層型ニューラルネットワークに係る数式を示す図である。また、図１７は、シグモイド関数を示すグラフである。
【０００４】
図１５に示すように、階層型ネットワークモデルによるニューラルネットワークは、入力ノードからなる入力層、隠れノードからなる隠れ層、出力ノードからなる出力層により構成される。入力ノードは入力値を受け付けるものである。また、隠れノードは、入力ノードに基づく値（隠れ層ノード値）を算出するものである。また、出力層は、隠れ層ノード値に基づいて、最終的に入力値に対する値を出力するものである。なお、図１５において、丸はノード、線はリンク、Ｘは入力値、Ｗは入力層、隠れ層間のリンクの重み、Ｈは隠れ層ノード値、ｎは出力値を示す。また、図１５に示すニューラルネットワークは、上述したノード、具体的には４つの入力ノード、３つの隠れノード、１つの出力ノードから構成される４−３−１の階層型ニューラルネットワークである。
【０００５】
このような階層型ニューラルネットワークにおいて、入力値Ｘiと隠れノード値Ｈjは、重みＷijと図１６の式１に示すようなノード間の伝達関数であるロジスティック関数ｆ（ｘ）により関連付けられている。また隠れノード値Ｈjと出力値ｎは、重みＶjと図１６の式２に示すようなノード間の伝達関数であるロジスティック関数ｆ（ｘ）により関連付けられている。なお、図１６の式１及び２において、ｋは時刻を示す。また、図１５に示す階層型ニューラルネットワークにおいて、一般的に、ロジスティック関数として図１７に示すようなシグモイド関数が採用される。このシグモイド関数を式として示すと、図１６の式３のようになる。また、後述する誤差逆伝搬法のために、図１６の式４に示すように∂ｆ（ｘ）／∂ｘとｆ（ｘ）との関係を求めておく。
【０００６】
このようなニューラルネットワークの学習方法としての誤差逆伝搬法は、測定値と指示値との二乗誤差を小さくするように、誤差に比例して重みＷij，Ｖjを逐次補正していく方法である。以下、数式を用いて誤差逆伝搬法について説明する。図１８は誤差逆伝搬法に係る数式を示す図である。
【０００７】
ｅp（ｋ）を時刻ｋにおける出力偏差、ｎ（ｋ）を時刻ｋにおける制御出力値とし、ｅp（ｋ）とｎ（ｋ）の二乗誤差に比例したＪ（ｋ）を図１８の式１に示すように定義する。誤差逆伝搬法において、このＪ（ｋ）が最小となるように学習が進められる。ここで、出力偏差ｅp（ｋ）をニューラルネットワーク出力ｎ（ｋ）、目標ｔ（ｋ）、制御対象出力ｙ（ｋ）とすると、図１８の式２に表される量がニューラルネットワークの教師信号となる。
【０００８】
また、出力ノードｎ（ｋ）と隠れ層ノードＨj間のリンク重みＶjについて、時刻ｋのエラーＪ（ｋ）を最小にする為のＶjに対する学習量として、ΔＶj（ｋ）を図１８の式４に示すように定義する。また、この誤差逆伝搬法は、学習量ΔＶj（ｋ）をＪ（ｋ）に対するＶj（ｋ）の影響量∂Ｊ（ｋ）／∂Ｖj（ｋ）の−η倍としている。なお、このηは任意に決定可能なニューロンの学習感度を示し、−の符号は補正を示す。このように定義すると、ΔＶj（ｋ）は式５に示すようになる。また、図１８に示す式６及び７により、ΔＶj（ｋ）は式８に示す誤差ｅ（Ｋ）に対して正比例する学習量となる。
【０００９】
また、隠れノード値Ｈjと入力値Ｘi間のリンク重みＷijについて、リンク重みＶjに対する定義と同様に、時刻ｋのエラーＪ（ｋ）を最小にする為のＷijに対する学習量として、ΔＷij（ｋ）を図１８の式９に示すように定義する。するとΔＷij（ｋ）は、式１０に示すようになる。
【００１０】
上述したように、階層型ニューラルネットワークは、誤差逆伝搬法により、ΔＷij（ｋ）の計算を逐次行い、補正することにより、リンク重みＶj，Ｗijを最適化する。
【００１１】
なお、本来の神経細胞は、アオリイカの研究でも知られるように、微分不可能なある閾値以上で突然反応するステップ関数的な応答を示す。しかし、上述したように、ニューラルネットワークにおいて、ロジスティック関数として、シグモイド関数のような微分可能関数を採用することにより、誤差逆伝搬法のような方法を用いることにより最適学習の解析的な厳密解を得ることが可能になる。
【００１２】
また、誤差逆伝搬法により解析を行う場合には解析に係る計算が非常に煩雑となるが、階層型ネットワークモデルに代わって、リカレント型ネットワークモデルのような他のネットワークモデルによりニューラルネットワークを構築することも可能である。
【００１３】
なお、本発明の関連ある従来技術として、ニューラルネットワークによってシステムの動作を制御することによりサーボシステムにおける周期的外乱を補償する制御方法及び制御装置が知られている（例えば、特許文献１参照）。
【特許文献１】特開２００３−３３０５０５号公報
【発明の開示】
【発明が解決しようとする課題】
【００１４】
しかしながら、上述したような複雑系非線形制御としてのニューラルネットワークによる制御は、べき級数ではないシグモイド関数等を計算機で扱うために、大きなＣＰＵ／ＤＳＰパワーを必要とする。また、汎用性の高いニューラルネットワークを形成する場合、入力層及び隠れ層のノード及びリンクを増やす必要があり、これにより更に計算負荷が高くなる。また、このような計算負荷に対する解決策として、ニューラルネットワークに係る計算に専用アナログＶＬＳＩを用いることが、特許文献１に開示されているが、専用ＩＣの作成には相当の時間とコストが必要となる。
【００１５】
本発明は、上述した問題点を解決するためになされたものであり、低コストでニューラルネットワーク制御に係る処理負荷を軽減させる制御装置、制御プログラム及び方法を提供することを目的としている。
【課題を解決するための手段】
【００１６】
上述した課題を解決するため、制御装置は、システムの動作を制御する装置であって、互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択部と、前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択部と、前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定部と、前記制御誤差測定部によって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断部と、前記判断部によってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御部とを備える。
【００１７】
また、制御プログラムは、システムの動作を制御することができるプログラムであって、互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップとをコンピュータに実行させる。
【００１８】
また、制御方法は、システムの動作を制御するための方法であって、互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップとを備える。
【発明の効果】
【００１９】
本発明によれば、低コストでニューラルネットワーク制御に係る処理負荷を軽減させることができるという効果を奏する。
【発明を実施するための最良の形態】
【００２０】
実施の形態１．
以下、本発明の実施の形態について図を用いて説明する。図１は、本実施の形態に係るディスク装置の構成を示すブロック図である。
【００２１】
図１に示すように、本実施の形態に係るディスク装置１（制御装置）は、制御部１０、ＶＣＭ（Ｖｏｉｃｅ Ｃｏｉｌ Ｍｏｔｏｒ）１１、ショックセンサ１２（検出部）、算出部１３（制御部）、学習部１４（重み補正部、制御誤差測定部）、リンク変更部１５（リンク除外部、リンク導入部）、選択部１６（第１選択部、第２選択部、対応付け部、制御誤差測定部）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１７、記憶媒体１８を備えるものである。
【００２２】
ＶＣＭ１１は、本実施の形態における制御対象であり、図示しない磁気ヘッドを駆動するものである。また、制御部１０は、制御対象としてのＶＣＭ１１を制御するコントローラ１０１、コントローラによる制御量に対してニューラルネットワークによる補正を加える最終コントローラ１０２により構成される。また、記憶媒体１８は、ニューラルネットワークのパラメータであるニューラルネットワークテーブル１８を複数格納するものである。この記憶媒体１８は、図示しない磁気ディスク、装置内に備えられた不揮発性メモリ（例えば、フラッシュメモリ）のいずれであっても構わない。また、学習部１４は、制御部１０による制御に対するＶＣＭ１１のフィードバックと目標値との誤差（制御誤差）に基づいて、ニューラルネットワークを学習させるものである。このニューラルネットワークの学習は、具体的には制御誤差に基づくニューラルネットワークにおけるノード間のリンクの重みを補正する処理である。また、算出部１３は、ニューラルネットワークに基づいて、制御量の補正値を算出するものである。また、リンク変更部１５は、ニューラルネットワークのリンクを無効化または有効化するものである。また、ショックセンサ１２は、ディスク装置１に対する外乱を検出するものである。また、選択部１６は、ショックセンサ１２による外乱検出に基づいて、複数のニューラルネットワークから、所定のニューラルネットワークを選択するものである。ＭＰＵ１７は、ディスク装置１内の処理を実行するものであり、算出部１３、学習部１４、リンク変更部１５、選択部１６による各機能は実質的にはＭＰＵ１７によって実行される。
【００２３】
上述したように、本実施の形態に係るディスク装置１は、従来型の制御コントローラ（制御部１０）に対して、ニューラルネットワーク制御による誤差補正を入れる構成となっている。この構成は、従来型の制御コントローラによってアウトラインを与えるためのものである。本実施の形態によれば、まず、現状安定的に使用されている従来型の制御コントローラにより制御が行われる。そして、従来型の制御コントローラによって対応できない複雑な誤差部分が非線形且つ学習適合可能なニューラルネットワークにより補われる。また、本実施の形態に係るディスク装置１の構成は一例であり、ニューラルネットワークのみによる制御を行う構成であっても良い。
【００２４】
次に、本実施の形態において用いられるニューラルネットワークについて説明する。図２は、ニューラルネットワークＡを示す図である。また、図３は、ニューラルネットワークＢを示す図である。
【００２５】
本実施の形態において、外乱が小さい場合に用いられるニューラルネットワークＡと、外乱が大きい場合に用いられるニューラルネットワークＢとが用いられる。ニューラルネットワークＡは、図２に示すように、位置Ｐ、サーボタイムを単位時間とする遅延操作を加えた位置Ｚ-nＰ、速度Ｓを入力値とする６−４−１の階層型ニューラルネットワークである。また、ニューラルネットワークＢは、図３に示すように、位置Ｐ、サーボタイムを単位時間とする遅延操作Ｚ-nを加えた位置Ｚ-nＰ、速度Ｓ、遅延操作Ｚ-nを加えた速度Ｚ-nＳ、加速度αを入力値とする６−５−１の階層型ニューラルネットワークである。
【００２６】
なお、このように、入力値のタイプ、ノードとリンクとによる構成が異なるニューラルネットワークのパラメータは、ニューラルネットワークテーブルとして記憶媒体１８に格納される。また、異なる条件に対応する複数のニューラルネットワークが条件に応じて切り替えられることにより、条件に応じたパラメータのみを入力とすることができ、結果として、汎用性を確保しつつ計算負荷を抑えることができる。
【００２７】
次に、本実施の形態に係るディスク装置の動作について説明する。図４は、本実施の形態に係るディスク装置の全体動作を示すフローチャートである。
【００２８】
まず、選択部１６が、後述する切り替え処理を実行し（Ｓ１０１）、次に、リンク変更部１５が、後述するリンク変更処理を実行する（Ｓ１０２）。なお、これらの切り替え処理、及びリンク変更処理において、学習部１４による学習処理が実行される。この学習処理は従来のニューラルネットワークにおける学習であり、上述した誤差逆伝搬法によりリンク重みを変更する処理である。
【００２９】
次に、切り替え処理について説明する。図５は、切り替え処理の動作を示すフローチャートである。なお、この切り替え処理は、図４のステップＳ１０４における処理である。
【００３０】
まず、選択部１６は、ショックセンサによる外乱の大きさと頻度（外乱のパラメータ）を確認し（Ｓ２０１）、選択しているニューラルネットワークテーブルをデフォルトとし、（Ｓ２０２、第１選択ステップ）、外乱の大きさ及び頻度が閾値以上かどうかを判断する（Ｓ２０３）。
【００３１】
外乱の大きさ及び頻度が閾値に満たない場合（Ｓ２０３，ＮＯ）、選択部１６は、外乱が小さい場合のニューラルネットワークのパラメータであるニューラルネットワークテーブルＡを選択し（Ｓ２０４、第２選択ステップ）、ニューラルネットワークＡにより補正された制御がデフォルトのニューラルネットワークにより補正された制御に対して改善されたかどうかを判断する（Ｓ２０５、制御誤差測定ステップ、判断ステップ）。なお、制御が改善されたかどうかの判断は、選択部１６が制御誤差を測定することによってなされる。具体的には、選択部１６が、制御目標値と、ＶＣＭ１１による実際の制御値とに基づく誤差を参照し、この誤差を制御誤差とする。つまり、ここで改善とは、より制御誤差が低いことを意味する。
【００３２】
制御が改善された場合（Ｓ２０５，ＹＥＳ）、選択部１６は、切り替え処理を終了する。
【００３３】
一方、制御が改善されない場合（Ｓ２０５，ＮＯ）、選択部１６は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ２０６）。
【００３４】
また、ステップＳ２０３において、外乱の大きさ及び頻度が閾値以上である場合（Ｓ２０３，ＹＥＳ）、選択部１６は、外乱が大きい場合のニューラルネットワークのパラメータであるニューラルネットワークテーブルＢを選択する（Ｓ２０６、第２選択ステップ）。
【００３５】
このように切り替えられたニューラルネットワークによる補正値と、コントローラ１０１による制御パラメータとに基づいて、最終コントローラ１０２によりＶＣＭ１１の制御がなされる（制御ステップ）。ニューラルネットワークを切り替えることにより、汎用性が高く、且つ計算負荷が小さい制御が可能となる。なお、本実施の形態において、外乱の大きさ及び頻度をトリガーとして２つのニューラルネットワークを切り替えた。しかし、これらは一例であり、トリガーの種類及びニューラルネットワークの数を限定するものではない。例えば、所定の時間毎にニューラルネットワークを切り替えても構わない。
【００３６】
次に、リンク変更処理について説明する。図６は、リンク変更処理の概要を示す図である。また、図７及び８は、リンク変更処理の動作を示すフローチャートである。
【００３７】
リンク変更処理は、図６に示すように、入力ノードと隠れノード間、隠れノードと出力ノード間のリンクを有効化または無効化する処理である。以下、図７及び８を用いて、その動作を説明する。なお、図７及び８において、ＭＡＸ（）はＭＡＸ関数を示すものであり、ＭＩＮ（）はＭＩＮ関数を示すものである。ＭＡＸ関数は後続する括弧内の最大値を求める関数であり、ＭＩＮ関数は後続する括弧内の最小値を求める関数である。また、図７及び８において、ｎth1は無効化するリンクの候補を抽出するための閾値を示す。また、ｎth2はリンク有効化のための閾値（第２閾値）を示す。また、Ｗij（ｏｎ）は有効になっているリンク重みを示す。また、Ｗij（ｏｆｆ）は無効になっているリンク重みを示す。また、Ｗij（ｂｅｆｏｒｅ）は有効になっているリンク重みのうち、無効になる可能性のあるリンク重みを示す。また、Ｗij（ａｆｔｅｒ）は無効になっているリンク重みのうち、有効になるリンク重みを示す。また、図７及び８において、便宜上、入力ノードと隠れノード間のリンクのみリンク変更が行われるものとする。なお、学習部１４による重みの補正はすでになされているものとする（重み補正ステップ）。
【００３８】
まず、リンク変更部１５は、選択しているニューラルネットワークテーブルをデフォルトとして保存し（Ｓ３０１）、入力値Ｘiの最大値に、Ｗij（ｏｎ）とＶjを乗算し（Ｓ３０２）、全てのＷij（ｏｎ）に対して計算がなされたかどうかを判断する（Ｓ３０３）。
【００３９】
全てのＷij（ｏｎ）に対して計算がなされた場合（Ｓ３０３，ＹＥＳ）、リンク変更部１５は、ステップＳ３０２により算出された値における最小値が、ｎth1より大きいかどうかを判断する（Ｓ３０４）。
【００４０】
ステップＳ３０２において算出された値における最小値がｎth1以下である場合（Ｓ３０４，ＮＯ）、リンク変更部１５は、入力値Ｘiの最大値に、Ｗij（ｏｆｆ）とＶjを乗算し（Ｓ３０５）、全てのＷij（ｏｆｆ）に対して計算がなされたかどうかを判断する（Ｓ３０６）。
【００４１】
全てのＷij（ｏｆｆ）に対して計算がなされた場合（Ｓ３０６，ＹＥＳ）、リンク変更部１５は、ステップＳ３０５により算出された値における最大値が、ｎth2より大きいかどうかを判断する（Ｓ３０７）。
【００４２】
ステップＳ３０５において算出された値における最大値が、ｎth2より大きい場合（Ｓ３０７，ＹＥＳ）、リンク変更部１５は、ステップＳ３０７においてｎth1以下になるようなＷij（ｏｎ）をＷij（ｂｅｆｏｒｅ）として、その重みを保存する（Ｓ３０８）。さらにリンク変更部１５は、他のＷij（ｏｎ）について学習部１４に学習させつつ、Ｗij（ｂｅｆｏｒｅ）の重みを所定の値だけ下げ（Ｓ３０９）、Ｗij（ｂｅｆｏｒｅ）＝０（第１閾値）であるかどうかを判断する（Ｓ３１０）。
【００４３】
Ｗij（ｂｅｆｏｒｅ）＝０である場合（Ｓ３１０，ＹＥＳ）、リンク変更部１５は、Ｗij（ｂｅｆｏｒｅ）のリンクを無効化し（リンク除外ステップ）、その重みをステップＳ３０８で保存した値とする（Ｓ３１１）。
【００４４】
次に、リンク変更部１５は、ステップＳ３０７においてｎth1より大きくなるようなＷij（ｏｆｆ）をＷij（ａｆｔｅｒ）とし、他のＷij（ｏｎ）について学習部１４に学習させつつ、Ｗij（ａｆｔｅｒ）のリンクを有効化し（リンク導入ステップ）、その値を０とする（Ｓ３１２）。
【００４５】
次に、リンク変更部１５は、Ｗij（ａｆｔｅｒ）を含む全てのＷij（ｏｎ）について学習部１４に学習させ（Ｓ３１３）、リンクを変更したニューラルネットワークによる制御がデフォルトのニューラルネットワークによる制御よりも改善されているかどうかを判断する（Ｓ３１４）。
【００４６】
デフォルトのニューラルネットワークによる制御よりも改善されている場合（Ｓ３１４，ＹＥＳ）、リンク変更部１５は、リンク変更処理を終了する。
【００４７】
一方、デフォルトのニューラルネットワークによる制御よりも改善されていない場合（Ｓ３１４，ＮＯ）、リンク変更部１５は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ３１５）。
【００４８】
また、ステップＳ３１０において、Ｗij（ｂｅｆｏｒｅ）＝０ではない場合（Ｓ３１０，ＮＯ）、他のＷij（ｏｎ）について学習部１４に学習させつつ、Ｗij（ｂｅｆｏｒｅ）の重みを所定の値だけ下げる（Ｓ３０９）。
【００４９】
また、ステップＳ３０７において、ステップＳ３０５において算出された値における最大値が、ｎth2以下である場合（Ｓ３０７，ＮＯ）、リンク変更部１５は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ３１５）。
【００５０】
また、ステップＳ３０４において、ステップＳ３０２において算出された値における最小値がｎth1より大きい場合（Ｓ３０４，ＹＥＳ）、リンク変更部１５は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ３１５）。
【００５１】
また、ステップＳ３０３において、全てのＷij（ｏｎ）に対して計算がなされていない場合（Ｓ３０３，ＮＯ）、リンク変更部１５は、すでに計算したＷij（ｏｎ）とは異なるＷij（ｏｎ）について、入力値Ｘiの最大値に、Ｗij（ｏｎ）とＶjを乗算する（Ｓ３０２）。
【００５２】
上述したように、リンクの重み付けに基づいてリンクを無効化することによって、必要のないリンクを減らし、結果として、ニューラルネットワーク制御に係る負荷を軽減することができる。また、上述の処理によれば、無効化したリンクが効果的である場合は、リンクを有効化することも可能である。
【００５３】
実施の形態２．
実施の形態１においては、ニューラルネットワークにおけるロジスティック関数としてのシグモイド関数に基づく関数値はその都度計算されていたが、本実施の形態においては、このシグモイド関数及びその導関数に基づく関数値をルックアップテーブル化する点が実施の形態１とは異なる。なお、実施の形態１と同様の構成及び動作についてはその説明を省略する。図９は、シグモイド関数のルックアップテーブルを示す図である。また、図１０は、シグモイド関数の導関数のルックアップテーブルを示す図である。
【００５４】
図９及び図１０に示すルックアップテーブルは、シブモイド関数及びその導関数について予め計算された値（関数値）が入力値ｘと対応付けられているテーブルであり、記憶媒体１８に予め格納され管理されているものである。本実施の形態に係るディスク装置１における算出部１３は、ｆ（ｘ）または（１−ｆ（ｘ）＾２／２の値をルックアップテーブルにおいてｘと対応付けられた値とすることで、その処理負荷を軽減することができる。なお、このルックアップテーブルは、ニューラルネットワーク制御において、予め計算可能な数式に対して適用可能である。
【００５５】
実施の形態３．
実施の形態１及び２においては、１つのショックセンサ１２により外乱を検出し、検出された外乱の大きさ及び頻度に基づいてニューラルネットワークテーブルが選択されていた。これに対し、本実施の形態は、ショックセンサ１２を複数のショックセンサ（センサＡ、センサＢ）により構成し、これらのショックセンサ１２により得られた複数の外乱のパラメータに基づいてニューラルネットワークテーブルを選択する点が実施の形態１及び２とは異なる。以下、実施の形態１及び２と異なる構成及び動作について説明する。図１１は、分類テーブルを示す図である。また、図１２は、本実施の形態における切り替え処理の動作を示すフローチャートである。また、図１３は、変更される分類テーブルを示す図である。
【００５６】
本実施の形態に係るディスク装置１は、上述したように、ショックセンサ１２がセンサＡ及びセンサＢにより構成される。また、ニューラルネットワークを選択するためのテーブルとして、図１１に示すような分類テーブルが用いられる。この分類テーブルは、センサＡにおける分類（Ａ１〜Ａ４）と、センサＢにおける分類（Ｂ１〜Ｂ３）との組み合わせと、３つのニューラルネットワークテーブルとを対応付けるものである。また、分類テーブルは、記憶媒体１８に格納されるものである。また、分類テーブルにおける分類は、センサＡ及びＢにより検出された外乱の大きさ及び頻度に基づくものであり、本実施の形態においては、外乱の範囲をそれぞれ示し、それぞれの範囲は重複しないものとする。
【００５７】
次に、本実施の形態における切り替え処理について説明する。
【００５８】
まず、選択部１３は、センサＡ及びＢにより得られた値を予め定められた範囲に基づいて分類し、分類テーブルにおいて分類に対応するニューラルネットワークテーブルを選択し（Ｓ４０１、第１選択ステップ）、ディスク装置１がアイドルモードかどうかを判断する（Ｓ４０２）。
【００５９】
ディスク装置１がアイドルモードである場合（Ｓ４０２，ＹＥＳ）、選択部１６は、選択したニューラルネットワークテーブルをデフォルトとして保存し（Ｓ４０３）、他のニューラルネットワークテーブルを選択し、学習部１４に学習させる（Ｓ４０４）。ここで選択部１６は、Ｓ４０４において、全てのニューラルネットワークテーブルが選択されたかどうかを判断する（Ｓ４０５）。
【００６０】
全てのニューラルネットワークテーブルが選択された場合（Ｓ４０５，ＹＥＳ）、選択部１６は、デフォルトのニューラルネットワークによる制御に対して、他のニューラルネットワークのいずれかによる制御が改善したかどうかを判断する（Ｓ４０６、制御誤差測定ステップ、第２選択ステップ）。なお、制御が改善したかどうかの判断は、実施の形態１に示したように、制御誤差によってなされるものとする。
【００６１】
他のニューラルネットワークのいずれかによる制御が改善した場合（Ｓ４０６，ＹＥＳ）、他のニューラルネットワークテーブルより最良のテーブルを選択する（Ｓ４０７、対応付けステップ）。具体的には、選択部１６は、図１３に示すように、デフォルトである分類テーブルにおけるニューラルネットワークテーブル（図１３においてはＮＮＴ＿２）と、選択した最良のニューラルネットワークテーブル（図１３においてはＮＮＴ＿３）とを差し替える。なお、ここで最良のニューラルネットワークテーブルとは、最も目標とする制御に近い制御を実現することができるニューラルネットワークテーブルを指す。最良のニューラルネットワークテーブルを選択した選択部１６は、切り替え処理を終了する。
【００６２】
一方、他のニューラルネットワークのいずれかによる制御が改善しない場合（Ｓ４０６，ＮＯ）、選択部１６は、デフォルトのニューラルネットワークテーブルを選択し（Ｓ４０８）、切り替え処理を終了する。
【００６３】
また、ステップＳ４０５において、全てのニューラルネットワークテーブルが選択されていない場合（Ｓ４０５，ＮＯ）、選択部１６は、再度、他のニューラルネットワークテーブルを選択し、学習部１４に学習させる（Ｓ４０４）。
【００６４】
また、ステップＳ４０２において、ディスク装置１がアイドルモードではない場合（Ｓ４０２，ＮＯ）、選択部１６は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ４０８）。
【００６５】
上述したように、複数の外乱に基づいてニューラルネットワークテーブルを選択することによって、より精度の高い制御を行うことができ、且つ処理負荷を軽減することができる。
【００６６】
本発明は、その要旨または主要な特徴から逸脱することなく、他の様々な形で実施することができる。そのため、前述の実施の形態は、あらゆる点で単なる例示に過ぎず、限定的に解釈してはならない。本発明の範囲は、特許請求の範囲によって示すものであって、明細書本文には、何ら拘束されない。更に、特許請求の範囲の均等範囲に属する全ての変形、様々な改良、代替および改質は、全て本発明の範囲内のものである。
【００６７】
上述したようなディスク装置１のＭＰＵ１７またはコンピュータシステムにおいて上述した各ステップを実行させるプログラムを、制御プログラムとして提供することができる。このプログラムは、コンピュータシステムにより読取り可能な記録媒体に記憶させることによって、コンピュータシステムに実行させることが可能となる。また、コンピュータシステムにより読み取られるこのプログラムは、コンピュータシステムを介してディスク装置１の記憶媒体１８に格納可能である。また、上述した各ステップを実行するプログラムは、ディスク９１０等の可搬型記録媒体に格納されるか、通信装置９０５により他のコンピュータシステムの記録媒体９０６からダウンロードされる。また、コンピュータシステム９００に少なくとも制御機能を持たせる制御プログラム（制御ソフトウェア）は、コンピュータシステム９００に入力されてコンパイルされる。このプログラムは、コンピュータシステム９００を制御機能を有する制御システムとして動作させる。また、このプログラムは、例えばディスク９１０等のコンピュータ読み取り可能な記録媒体に格納されていても良い。ここで、コンピュータシステム９００により読取り可能な記録媒体としては、ＲＯＭやＲＡＭ等のコンピュータに内部実装される内部記憶装置、フレキシブルディスク、ＤＶＤディスク、光磁気ディスク、ＩＣカード等の可搬型記憶媒体や、コンピュータプログラムを保持するデータベース、或いは、他のコンピュータシステム並びにそのデータベースや、通信装置１０５のような通信手段を介して接続されるコンピュータシステムでアクセス可能な各種記録媒体を含む。
【００６８】
以上、本実施の形態によれば、以下の付記で示す技術的思想が開示されている。
（付記１） システムの動作を制御する制御装置であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択部と、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択部と、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定部と、
前記制御誤差測定部によって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断部と、
前記判断部によってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御部と
を備える制御装置。
（付記２） 付記１に記載の制御装置であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御部により前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御誤差測定部により測定された制御誤差に基づいて補正する重み補正部と、
前記重み補正部により補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外部と、
前記リンク除外部により外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入部と
を更に備える制御装置。
（付記３） 付記１に記載の制御装置であって、
前記システムの外乱を検出する検出部を更に備え、
前記第２選択部は、前記検出部により検出された外乱のパラメータに基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御装置。
（付記４） 付記１に記載の制御装置であって、
前記システムの外乱を検出する複数のショックセンサを更に備え、
前記第１ニューラルネットワークは、前記複数のショックセンサにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御装置。
（付記５） 付記４に記載の制御装置であって、
前記判断部により、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付け部を更に備える制御装置。
（付記６） 付記１に記載の制御装置であって、
前記制御部は、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御装置。
（付記７） 付記１乃至付記６のいずれかに記載の制御装置であって、
前記システムはディスク装置であり、
前記制御部は、前記ディスク装置のボイスコイルモータを制御することを特徴とする制御装置。
（付記８） システムの動作を制御することができる制御プログラムであって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
をコンピュータに実行させる制御プログラム。
（付記９） 付記８に記載の制御プログラムであって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御誤差測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更にコンピュータに実行させる制御プログラム。
（付記１０） 付記８に記載の制御プログラムであって、
前記システムの外乱を検出する検出ステップを更にコンピュータに実行させ、
前記第２選択ステップは、前記検出ステップにより検出された前記システムの外乱に基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御プログラム。
（付記１１） 付記８に記載の制御プログラムであって、
複数のショックセンサにより前記システムの外乱を検出する検出ステップを更にコンピュータに実行させ、
前記第１ニューラルネットワークは、前記検出ステップにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御プログラム。
（付記１２） 付記１１に記載の制御プログラムであって、
前記判断ステップにより、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付けステップを更にコンピュータに実行させる制御プログラム。
（付記１３） 付記８に記載の制御プログラムであって、
前記制御ステップは、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御プログラム。
（付記１４） 付記８に記載の制御プログラムであって、
前記システムはディスク装置であり、
前記制御ステップは、前記ディスク装置のボイスコイルモータを制御することを特徴とする制御プログラム。
（付記１５） システムの動作を制御するための制御方法であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
を備える制御方法。
（付記１６） 付記１５に記載の制御方法であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御精度測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更に備える制御方法。
（付記１７） 付記１５に記載の制御方法であって、
前記システムの外乱を検出する検出ステップを更にコンピュータに実行させ、
前記第２選択ステップは、前記検出ステップにより検出された前記システムの外乱に基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御方法。
（付記１８） 付記１５に記載の制御方法であって、
複数のショックセンサにより前記システムの外乱を検出する検出ステップを更に備え、
前記第１ニューラルネットワークは、前記検出ステップにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御方法。
（付記１９） 付記１８に記載の制御方法であって、
前記判断ステップにより、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付けステップを更に備える制御方法。
（付記２０） 付記１５に記載の制御方法であって、
前記制御ステップは、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御方法。
【図面の簡単な説明】
【００６９】
【図１】実施の形態１に係るディスク装置の構成を示すブロック図である。
【図２】ニューラルネットワークＡを示す図である。
【図３】ニューラルネットワークＢを示す図である。
【図４】実施の形態１に係るディスク装置の全体動作を示すフローチャートである。
【図５】切り替え処理の動作を示すフローチャートである。
【図６】リンク変更処理の概要を示す図である。
【図７】リンク変更処理の動作を示すフローチャートである。
【図８】リンク変更処理の動作を示すフローチャートである。
【図９】シグモイド関数のルックアップテーブルを示す図である。
【図１０】シグモイド関数の導関数のルックアップテーブルを示す図である。
【図１１】分類テーブルを示す図である。
【図１２】実施の形態３における切り替え処理の動作を示すフローチャートである。
【図１３】変更される分類テーブルを示す図である。
【図１４】本発明が適用されるコンピュータシステムの一例を示す図である。
【図１５】ニューラルネットワークの概要を示す図である。
【図１６】階層型ニューラルネットワークに係る数式を示す図である。
【図１７】シグモイド関数を示すグラフである。
【図１８】誤差逆伝搬法に係る数式を示す図である。
【符号の説明】
【００７０】
１ ディスク装置、１０ 制御部、１１ ＶＣＭ、１２ ショックセンサ、１３ 算出部、１４ 学習部、１５ リンク変更部、１６ 選択部、１７ ＭＰＵ、１８ 記憶媒体、１０１ コントローラ、１０２ 最終コントローラ。
【技術分野】
【０００１】
本発明はニューラルネットワークを用いた制御技術に関するものである。
【背景技術】
【０００２】
近年、例えば磁気ディスク装置のようなディスク装置における記録媒体に対する書き込みデータの高密度化によって、記録媒体のトラックピッチが狭くなり、ヘッドの制御が困難になりつつある。また、ディスク装置における制御周波数及び要求精度が上がるにつれて、求められる制御とアクチュエータ共振等による基本制御モデルによる制御との乖離の影響が大きくなりつつある。このアクチュエータ共振に対する対策として、ノッチフィルタの挿入が一般的ではあるが、位相の遅延を伴うために多段にし難く、また、複雑系には適用し難い。
【０００３】
そこで複雑系に適した非線形制御としてのニューラルネットワーク制御をディスク装置の制御に適用する技術が知られている。ここで、一般的な階層型ネットワークモデルを例としてニューラルネットワークと、その一般的な学習方法である誤差伝搬法（バックプロバゲーション法）について説明する。まず、ニューラルネットワークについて、図１５〜１７を用いて説明する。図１５は、ニューラルネットワークの概要を示す図である。また、図１６は、階層型ニューラルネットワークに係る数式を示す図である。また、図１７は、シグモイド関数を示すグラフである。
【０００４】
図１５に示すように、階層型ネットワークモデルによるニューラルネットワークは、入力ノードからなる入力層、隠れノードからなる隠れ層、出力ノードからなる出力層により構成される。入力ノードは入力値を受け付けるものである。また、隠れノードは、入力ノードに基づく値（隠れ層ノード値）を算出するものである。また、出力層は、隠れ層ノード値に基づいて、最終的に入力値に対する値を出力するものである。なお、図１５において、丸はノード、線はリンク、Ｘは入力値、Ｗは入力層、隠れ層間のリンクの重み、Ｈは隠れ層ノード値、ｎは出力値を示す。また、図１５に示すニューラルネットワークは、上述したノード、具体的には４つの入力ノード、３つの隠れノード、１つの出力ノードから構成される４−３−１の階層型ニューラルネットワークである。
【０００５】
このような階層型ニューラルネットワークにおいて、入力値Ｘiと隠れノード値Ｈjは、重みＷijと図１６の式１に示すようなノード間の伝達関数であるロジスティック関数ｆ（ｘ）により関連付けられている。また隠れノード値Ｈjと出力値ｎは、重みＶjと図１６の式２に示すようなノード間の伝達関数であるロジスティック関数ｆ（ｘ）により関連付けられている。なお、図１６の式１及び２において、ｋは時刻を示す。また、図１５に示す階層型ニューラルネットワークにおいて、一般的に、ロジスティック関数として図１７に示すようなシグモイド関数が採用される。このシグモイド関数を式として示すと、図１６の式３のようになる。また、後述する誤差逆伝搬法のために、図１６の式４に示すように∂ｆ（ｘ）／∂ｘとｆ（ｘ）との関係を求めておく。
【０００６】
このようなニューラルネットワークの学習方法としての誤差逆伝搬法は、測定値と指示値との二乗誤差を小さくするように、誤差に比例して重みＷij，Ｖjを逐次補正していく方法である。以下、数式を用いて誤差逆伝搬法について説明する。図１８は誤差逆伝搬法に係る数式を示す図である。
【０００７】
ｅp（ｋ）を時刻ｋにおける出力偏差、ｎ（ｋ）を時刻ｋにおける制御出力値とし、ｅp（ｋ）とｎ（ｋ）の二乗誤差に比例したＪ（ｋ）を図１８の式１に示すように定義する。誤差逆伝搬法において、このＪ（ｋ）が最小となるように学習が進められる。ここで、出力偏差ｅp（ｋ）をニューラルネットワーク出力ｎ（ｋ）、目標ｔ（ｋ）、制御対象出力ｙ（ｋ）とすると、図１８の式２に表される量がニューラルネットワークの教師信号となる。
【０００８】
また、出力ノードｎ（ｋ）と隠れ層ノードＨj間のリンク重みＶjについて、時刻ｋのエラーＪ（ｋ）を最小にする為のＶjに対する学習量として、ΔＶj（ｋ）を図１８の式４に示すように定義する。また、この誤差逆伝搬法は、学習量ΔＶj（ｋ）をＪ（ｋ）に対するＶj（ｋ）の影響量∂Ｊ（ｋ）／∂Ｖj（ｋ）の−η倍としている。なお、このηは任意に決定可能なニューロンの学習感度を示し、−の符号は補正を示す。このように定義すると、ΔＶj（ｋ）は式５に示すようになる。また、図１８に示す式６及び７により、ΔＶj（ｋ）は式８に示す誤差ｅ（Ｋ）に対して正比例する学習量となる。
【０００９】
また、隠れノード値Ｈjと入力値Ｘi間のリンク重みＷijについて、リンク重みＶjに対する定義と同様に、時刻ｋのエラーＪ（ｋ）を最小にする為のＷijに対する学習量として、ΔＷij（ｋ）を図１８の式９に示すように定義する。するとΔＷij（ｋ）は、式１０に示すようになる。
【００１０】
上述したように、階層型ニューラルネットワークは、誤差逆伝搬法により、ΔＷij（ｋ）の計算を逐次行い、補正することにより、リンク重みＶj，Ｗijを最適化する。
【００１１】
なお、本来の神経細胞は、アオリイカの研究でも知られるように、微分不可能なある閾値以上で突然反応するステップ関数的な応答を示す。しかし、上述したように、ニューラルネットワークにおいて、ロジスティック関数として、シグモイド関数のような微分可能関数を採用することにより、誤差逆伝搬法のような方法を用いることにより最適学習の解析的な厳密解を得ることが可能になる。
【００１２】
また、誤差逆伝搬法により解析を行う場合には解析に係る計算が非常に煩雑となるが、階層型ネットワークモデルに代わって、リカレント型ネットワークモデルのような他のネットワークモデルによりニューラルネットワークを構築することも可能である。
【００１３】
なお、本発明の関連ある従来技術として、ニューラルネットワークによってシステムの動作を制御することによりサーボシステムにおける周期的外乱を補償する制御方法及び制御装置が知られている（例えば、特許文献１参照）。
【特許文献１】特開２００３−３３０５０５号公報
【発明の開示】
【発明が解決しようとする課題】
【００１４】
しかしながら、上述したような複雑系非線形制御としてのニューラルネットワークによる制御は、べき級数ではないシグモイド関数等を計算機で扱うために、大きなＣＰＵ／ＤＳＰパワーを必要とする。また、汎用性の高いニューラルネットワークを形成する場合、入力層及び隠れ層のノード及びリンクを増やす必要があり、これにより更に計算負荷が高くなる。また、このような計算負荷に対する解決策として、ニューラルネットワークに係る計算に専用アナログＶＬＳＩを用いることが、特許文献１に開示されているが、専用ＩＣの作成には相当の時間とコストが必要となる。
【００１５】
本発明は、上述した問題点を解決するためになされたものであり、低コストでニューラルネットワーク制御に係る処理負荷を軽減させる制御装置、制御プログラム及び方法を提供することを目的としている。
【課題を解決するための手段】
【００１６】
上述した課題を解決するため、制御装置は、システムの動作を制御する装置であって、互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択部と、前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択部と、前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定部と、前記制御誤差測定部によって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断部と、前記判断部によってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御部とを備える。
【００１７】
また、制御プログラムは、システムの動作を制御することができるプログラムであって、互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップとをコンピュータに実行させる。
【００１８】
また、制御方法は、システムの動作を制御するための方法であって、互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップとを備える。
【発明の効果】
【００１９】
本発明によれば、低コストでニューラルネットワーク制御に係る処理負荷を軽減させることができるという効果を奏する。
【発明を実施するための最良の形態】
【００２０】
実施の形態１．
以下、本発明の実施の形態について図を用いて説明する。図１は、本実施の形態に係るディスク装置の構成を示すブロック図である。
【００２１】
図１に示すように、本実施の形態に係るディスク装置１（制御装置）は、制御部１０、ＶＣＭ（Ｖｏｉｃｅ Ｃｏｉｌ Ｍｏｔｏｒ）１１、ショックセンサ１２（検出部）、算出部１３（制御部）、学習部１４（重み補正部、制御誤差測定部）、リンク変更部１５（リンク除外部、リンク導入部）、選択部１６（第１選択部、第２選択部、対応付け部、制御誤差測定部）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１７、記憶媒体１８を備えるものである。
【００２２】
ＶＣＭ１１は、本実施の形態における制御対象であり、図示しない磁気ヘッドを駆動するものである。また、制御部１０は、制御対象としてのＶＣＭ１１を制御するコントローラ１０１、コントローラによる制御量に対してニューラルネットワークによる補正を加える最終コントローラ１０２により構成される。また、記憶媒体１８は、ニューラルネットワークのパラメータであるニューラルネットワークテーブル１８を複数格納するものである。この記憶媒体１８は、図示しない磁気ディスク、装置内に備えられた不揮発性メモリ（例えば、フラッシュメモリ）のいずれであっても構わない。また、学習部１４は、制御部１０による制御に対するＶＣＭ１１のフィードバックと目標値との誤差（制御誤差）に基づいて、ニューラルネットワークを学習させるものである。このニューラルネットワークの学習は、具体的には制御誤差に基づくニューラルネットワークにおけるノード間のリンクの重みを補正する処理である。また、算出部１３は、ニューラルネットワークに基づいて、制御量の補正値を算出するものである。また、リンク変更部１５は、ニューラルネットワークのリンクを無効化または有効化するものである。また、ショックセンサ１２は、ディスク装置１に対する外乱を検出するものである。また、選択部１６は、ショックセンサ１２による外乱検出に基づいて、複数のニューラルネットワークから、所定のニューラルネットワークを選択するものである。ＭＰＵ１７は、ディスク装置１内の処理を実行するものであり、算出部１３、学習部１４、リンク変更部１５、選択部１６による各機能は実質的にはＭＰＵ１７によって実行される。
【００２３】
上述したように、本実施の形態に係るディスク装置１は、従来型の制御コントローラ（制御部１０）に対して、ニューラルネットワーク制御による誤差補正を入れる構成となっている。この構成は、従来型の制御コントローラによってアウトラインを与えるためのものである。本実施の形態によれば、まず、現状安定的に使用されている従来型の制御コントローラにより制御が行われる。そして、従来型の制御コントローラによって対応できない複雑な誤差部分が非線形且つ学習適合可能なニューラルネットワークにより補われる。また、本実施の形態に係るディスク装置１の構成は一例であり、ニューラルネットワークのみによる制御を行う構成であっても良い。
【００２４】
次に、本実施の形態において用いられるニューラルネットワークについて説明する。図２は、ニューラルネットワークＡを示す図である。また、図３は、ニューラルネットワークＢを示す図である。
【００２５】
本実施の形態において、外乱が小さい場合に用いられるニューラルネットワークＡと、外乱が大きい場合に用いられるニューラルネットワークＢとが用いられる。ニューラルネットワークＡは、図２に示すように、位置Ｐ、サーボタイムを単位時間とする遅延操作を加えた位置Ｚ-nＰ、速度Ｓを入力値とする６−４−１の階層型ニューラルネットワークである。また、ニューラルネットワークＢは、図３に示すように、位置Ｐ、サーボタイムを単位時間とする遅延操作Ｚ-nを加えた位置Ｚ-nＰ、速度Ｓ、遅延操作Ｚ-nを加えた速度Ｚ-nＳ、加速度αを入力値とする６−５−１の階層型ニューラルネットワークである。
【００２６】
なお、このように、入力値のタイプ、ノードとリンクとによる構成が異なるニューラルネットワークのパラメータは、ニューラルネットワークテーブルとして記憶媒体１８に格納される。また、異なる条件に対応する複数のニューラルネットワークが条件に応じて切り替えられることにより、条件に応じたパラメータのみを入力とすることができ、結果として、汎用性を確保しつつ計算負荷を抑えることができる。
【００２７】
次に、本実施の形態に係るディスク装置の動作について説明する。図４は、本実施の形態に係るディスク装置の全体動作を示すフローチャートである。
【００２８】
まず、選択部１６が、後述する切り替え処理を実行し（Ｓ１０１）、次に、リンク変更部１５が、後述するリンク変更処理を実行する（Ｓ１０２）。なお、これらの切り替え処理、及びリンク変更処理において、学習部１４による学習処理が実行される。この学習処理は従来のニューラルネットワークにおける学習であり、上述した誤差逆伝搬法によりリンク重みを変更する処理である。
【００２９】
次に、切り替え処理について説明する。図５は、切り替え処理の動作を示すフローチャートである。なお、この切り替え処理は、図４のステップＳ１０４における処理である。
【００３０】
まず、選択部１６は、ショックセンサによる外乱の大きさと頻度（外乱のパラメータ）を確認し（Ｓ２０１）、選択しているニューラルネットワークテーブルをデフォルトとし、（Ｓ２０２、第１選択ステップ）、外乱の大きさ及び頻度が閾値以上かどうかを判断する（Ｓ２０３）。
【００３１】
外乱の大きさ及び頻度が閾値に満たない場合（Ｓ２０３，ＮＯ）、選択部１６は、外乱が小さい場合のニューラルネットワークのパラメータであるニューラルネットワークテーブルＡを選択し（Ｓ２０４、第２選択ステップ）、ニューラルネットワークＡにより補正された制御がデフォルトのニューラルネットワークにより補正された制御に対して改善されたかどうかを判断する（Ｓ２０５、制御誤差測定ステップ、判断ステップ）。なお、制御が改善されたかどうかの判断は、選択部１６が制御誤差を測定することによってなされる。具体的には、選択部１６が、制御目標値と、ＶＣＭ１１による実際の制御値とに基づく誤差を参照し、この誤差を制御誤差とする。つまり、ここで改善とは、より制御誤差が低いことを意味する。
【００３２】
制御が改善された場合（Ｓ２０５，ＹＥＳ）、選択部１６は、切り替え処理を終了する。
【００３３】
一方、制御が改善されない場合（Ｓ２０５，ＮＯ）、選択部１６は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ２０６）。
【００３４】
また、ステップＳ２０３において、外乱の大きさ及び頻度が閾値以上である場合（Ｓ２０３，ＹＥＳ）、選択部１６は、外乱が大きい場合のニューラルネットワークのパラメータであるニューラルネットワークテーブルＢを選択する（Ｓ２０６、第２選択ステップ）。
【００３５】
このように切り替えられたニューラルネットワークによる補正値と、コントローラ１０１による制御パラメータとに基づいて、最終コントローラ１０２によりＶＣＭ１１の制御がなされる（制御ステップ）。ニューラルネットワークを切り替えることにより、汎用性が高く、且つ計算負荷が小さい制御が可能となる。なお、本実施の形態において、外乱の大きさ及び頻度をトリガーとして２つのニューラルネットワークを切り替えた。しかし、これらは一例であり、トリガーの種類及びニューラルネットワークの数を限定するものではない。例えば、所定の時間毎にニューラルネットワークを切り替えても構わない。
【００３６】
次に、リンク変更処理について説明する。図６は、リンク変更処理の概要を示す図である。また、図７及び８は、リンク変更処理の動作を示すフローチャートである。
【００３７】
リンク変更処理は、図６に示すように、入力ノードと隠れノード間、隠れノードと出力ノード間のリンクを有効化または無効化する処理である。以下、図７及び８を用いて、その動作を説明する。なお、図７及び８において、ＭＡＸ（）はＭＡＸ関数を示すものであり、ＭＩＮ（）はＭＩＮ関数を示すものである。ＭＡＸ関数は後続する括弧内の最大値を求める関数であり、ＭＩＮ関数は後続する括弧内の最小値を求める関数である。また、図７及び８において、ｎth1は無効化するリンクの候補を抽出するための閾値を示す。また、ｎth2はリンク有効化のための閾値（第２閾値）を示す。また、Ｗij（ｏｎ）は有効になっているリンク重みを示す。また、Ｗij（ｏｆｆ）は無効になっているリンク重みを示す。また、Ｗij（ｂｅｆｏｒｅ）は有効になっているリンク重みのうち、無効になる可能性のあるリンク重みを示す。また、Ｗij（ａｆｔｅｒ）は無効になっているリンク重みのうち、有効になるリンク重みを示す。また、図７及び８において、便宜上、入力ノードと隠れノード間のリンクのみリンク変更が行われるものとする。なお、学習部１４による重みの補正はすでになされているものとする（重み補正ステップ）。
【００３８】
まず、リンク変更部１５は、選択しているニューラルネットワークテーブルをデフォルトとして保存し（Ｓ３０１）、入力値Ｘiの最大値に、Ｗij（ｏｎ）とＶjを乗算し（Ｓ３０２）、全てのＷij（ｏｎ）に対して計算がなされたかどうかを判断する（Ｓ３０３）。
【００３９】
全てのＷij（ｏｎ）に対して計算がなされた場合（Ｓ３０３，ＹＥＳ）、リンク変更部１５は、ステップＳ３０２により算出された値における最小値が、ｎth1より大きいかどうかを判断する（Ｓ３０４）。
【００４０】
ステップＳ３０２において算出された値における最小値がｎth1以下である場合（Ｓ３０４，ＮＯ）、リンク変更部１５は、入力値Ｘiの最大値に、Ｗij（ｏｆｆ）とＶjを乗算し（Ｓ３０５）、全てのＷij（ｏｆｆ）に対して計算がなされたかどうかを判断する（Ｓ３０６）。
【００４１】
全てのＷij（ｏｆｆ）に対して計算がなされた場合（Ｓ３０６，ＹＥＳ）、リンク変更部１５は、ステップＳ３０５により算出された値における最大値が、ｎth2より大きいかどうかを判断する（Ｓ３０７）。
【００４２】
ステップＳ３０５において算出された値における最大値が、ｎth2より大きい場合（Ｓ３０７，ＹＥＳ）、リンク変更部１５は、ステップＳ３０７においてｎth1以下になるようなＷij（ｏｎ）をＷij（ｂｅｆｏｒｅ）として、その重みを保存する（Ｓ３０８）。さらにリンク変更部１５は、他のＷij（ｏｎ）について学習部１４に学習させつつ、Ｗij（ｂｅｆｏｒｅ）の重みを所定の値だけ下げ（Ｓ３０９）、Ｗij（ｂｅｆｏｒｅ）＝０（第１閾値）であるかどうかを判断する（Ｓ３１０）。
【００４３】
Ｗij（ｂｅｆｏｒｅ）＝０である場合（Ｓ３１０，ＹＥＳ）、リンク変更部１５は、Ｗij（ｂｅｆｏｒｅ）のリンクを無効化し（リンク除外ステップ）、その重みをステップＳ３０８で保存した値とする（Ｓ３１１）。
【００４４】
次に、リンク変更部１５は、ステップＳ３０７においてｎth1より大きくなるようなＷij（ｏｆｆ）をＷij（ａｆｔｅｒ）とし、他のＷij（ｏｎ）について学習部１４に学習させつつ、Ｗij（ａｆｔｅｒ）のリンクを有効化し（リンク導入ステップ）、その値を０とする（Ｓ３１２）。
【００４５】
次に、リンク変更部１５は、Ｗij（ａｆｔｅｒ）を含む全てのＷij（ｏｎ）について学習部１４に学習させ（Ｓ３１３）、リンクを変更したニューラルネットワークによる制御がデフォルトのニューラルネットワークによる制御よりも改善されているかどうかを判断する（Ｓ３１４）。
【００４６】
デフォルトのニューラルネットワークによる制御よりも改善されている場合（Ｓ３１４，ＹＥＳ）、リンク変更部１５は、リンク変更処理を終了する。
【００４７】
一方、デフォルトのニューラルネットワークによる制御よりも改善されていない場合（Ｓ３１４，ＮＯ）、リンク変更部１５は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ３１５）。
【００４８】
また、ステップＳ３１０において、Ｗij（ｂｅｆｏｒｅ）＝０ではない場合（Ｓ３１０，ＮＯ）、他のＷij（ｏｎ）について学習部１４に学習させつつ、Ｗij（ｂｅｆｏｒｅ）の重みを所定の値だけ下げる（Ｓ３０９）。
【００４９】
また、ステップＳ３０７において、ステップＳ３０５において算出された値における最大値が、ｎth2以下である場合（Ｓ３０７，ＮＯ）、リンク変更部１５は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ３１５）。
【００５０】
また、ステップＳ３０４において、ステップＳ３０２において算出された値における最小値がｎth1より大きい場合（Ｓ３０４，ＹＥＳ）、リンク変更部１５は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ３１５）。
【００５１】
また、ステップＳ３０３において、全てのＷij（ｏｎ）に対して計算がなされていない場合（Ｓ３０３，ＮＯ）、リンク変更部１５は、すでに計算したＷij（ｏｎ）とは異なるＷij（ｏｎ）について、入力値Ｘiの最大値に、Ｗij（ｏｎ）とＶjを乗算する（Ｓ３０２）。
【００５２】
上述したように、リンクの重み付けに基づいてリンクを無効化することによって、必要のないリンクを減らし、結果として、ニューラルネットワーク制御に係る負荷を軽減することができる。また、上述の処理によれば、無効化したリンクが効果的である場合は、リンクを有効化することも可能である。
【００５３】
実施の形態２．
実施の形態１においては、ニューラルネットワークにおけるロジスティック関数としてのシグモイド関数に基づく関数値はその都度計算されていたが、本実施の形態においては、このシグモイド関数及びその導関数に基づく関数値をルックアップテーブル化する点が実施の形態１とは異なる。なお、実施の形態１と同様の構成及び動作についてはその説明を省略する。図９は、シグモイド関数のルックアップテーブルを示す図である。また、図１０は、シグモイド関数の導関数のルックアップテーブルを示す図である。
【００５４】
図９及び図１０に示すルックアップテーブルは、シブモイド関数及びその導関数について予め計算された値（関数値）が入力値ｘと対応付けられているテーブルであり、記憶媒体１８に予め格納され管理されているものである。本実施の形態に係るディスク装置１における算出部１３は、ｆ（ｘ）または（１−ｆ（ｘ）＾２／２の値をルックアップテーブルにおいてｘと対応付けられた値とすることで、その処理負荷を軽減することができる。なお、このルックアップテーブルは、ニューラルネットワーク制御において、予め計算可能な数式に対して適用可能である。
【００５５】
実施の形態３．
実施の形態１及び２においては、１つのショックセンサ１２により外乱を検出し、検出された外乱の大きさ及び頻度に基づいてニューラルネットワークテーブルが選択されていた。これに対し、本実施の形態は、ショックセンサ１２を複数のショックセンサ（センサＡ、センサＢ）により構成し、これらのショックセンサ１２により得られた複数の外乱のパラメータに基づいてニューラルネットワークテーブルを選択する点が実施の形態１及び２とは異なる。以下、実施の形態１及び２と異なる構成及び動作について説明する。図１１は、分類テーブルを示す図である。また、図１２は、本実施の形態における切り替え処理の動作を示すフローチャートである。また、図１３は、変更される分類テーブルを示す図である。
【００５６】
本実施の形態に係るディスク装置１は、上述したように、ショックセンサ１２がセンサＡ及びセンサＢにより構成される。また、ニューラルネットワークを選択するためのテーブルとして、図１１に示すような分類テーブルが用いられる。この分類テーブルは、センサＡにおける分類（Ａ１〜Ａ４）と、センサＢにおける分類（Ｂ１〜Ｂ３）との組み合わせと、３つのニューラルネットワークテーブルとを対応付けるものである。また、分類テーブルは、記憶媒体１８に格納されるものである。また、分類テーブルにおける分類は、センサＡ及びＢにより検出された外乱の大きさ及び頻度に基づくものであり、本実施の形態においては、外乱の範囲をそれぞれ示し、それぞれの範囲は重複しないものとする。
【００５７】
次に、本実施の形態における切り替え処理について説明する。
【００５８】
まず、選択部１３は、センサＡ及びＢにより得られた値を予め定められた範囲に基づいて分類し、分類テーブルにおいて分類に対応するニューラルネットワークテーブルを選択し（Ｓ４０１、第１選択ステップ）、ディスク装置１がアイドルモードかどうかを判断する（Ｓ４０２）。
【００５９】
ディスク装置１がアイドルモードである場合（Ｓ４０２，ＹＥＳ）、選択部１６は、選択したニューラルネットワークテーブルをデフォルトとして保存し（Ｓ４０３）、他のニューラルネットワークテーブルを選択し、学習部１４に学習させる（Ｓ４０４）。ここで選択部１６は、Ｓ４０４において、全てのニューラルネットワークテーブルが選択されたかどうかを判断する（Ｓ４０５）。
【００６０】
全てのニューラルネットワークテーブルが選択された場合（Ｓ４０５，ＹＥＳ）、選択部１６は、デフォルトのニューラルネットワークによる制御に対して、他のニューラルネットワークのいずれかによる制御が改善したかどうかを判断する（Ｓ４０６、制御誤差測定ステップ、第２選択ステップ）。なお、制御が改善したかどうかの判断は、実施の形態１に示したように、制御誤差によってなされるものとする。
【００６１】
他のニューラルネットワークのいずれかによる制御が改善した場合（Ｓ４０６，ＹＥＳ）、他のニューラルネットワークテーブルより最良のテーブルを選択する（Ｓ４０７、対応付けステップ）。具体的には、選択部１６は、図１３に示すように、デフォルトである分類テーブルにおけるニューラルネットワークテーブル（図１３においてはＮＮＴ＿２）と、選択した最良のニューラルネットワークテーブル（図１３においてはＮＮＴ＿３）とを差し替える。なお、ここで最良のニューラルネットワークテーブルとは、最も目標とする制御に近い制御を実現することができるニューラルネットワークテーブルを指す。最良のニューラルネットワークテーブルを選択した選択部１６は、切り替え処理を終了する。
【００６２】
一方、他のニューラルネットワークのいずれかによる制御が改善しない場合（Ｓ４０６，ＮＯ）、選択部１６は、デフォルトのニューラルネットワークテーブルを選択し（Ｓ４０８）、切り替え処理を終了する。
【００６３】
また、ステップＳ４０５において、全てのニューラルネットワークテーブルが選択されていない場合（Ｓ４０５，ＮＯ）、選択部１６は、再度、他のニューラルネットワークテーブルを選択し、学習部１４に学習させる（Ｓ４０４）。
【００６４】
また、ステップＳ４０２において、ディスク装置１がアイドルモードではない場合（Ｓ４０２，ＮＯ）、選択部１６は、デフォルトのニューラルネットワークテーブルを選択する（Ｓ４０８）。
【００６５】
上述したように、複数の外乱に基づいてニューラルネットワークテーブルを選択することによって、より精度の高い制御を行うことができ、且つ処理負荷を軽減することができる。
【００６６】
本発明は、その要旨または主要な特徴から逸脱することなく、他の様々な形で実施することができる。そのため、前述の実施の形態は、あらゆる点で単なる例示に過ぎず、限定的に解釈してはならない。本発明の範囲は、特許請求の範囲によって示すものであって、明細書本文には、何ら拘束されない。更に、特許請求の範囲の均等範囲に属する全ての変形、様々な改良、代替および改質は、全て本発明の範囲内のものである。
【００６７】
上述したようなディスク装置１のＭＰＵ１７またはコンピュータシステムにおいて上述した各ステップを実行させるプログラムを、制御プログラムとして提供することができる。このプログラムは、コンピュータシステムにより読取り可能な記録媒体に記憶させることによって、コンピュータシステムに実行させることが可能となる。また、コンピュータシステムにより読み取られるこのプログラムは、コンピュータシステムを介してディスク装置１の記憶媒体１８に格納可能である。また、上述した各ステップを実行するプログラムは、ディスク９１０等の可搬型記録媒体に格納されるか、通信装置９０５により他のコンピュータシステムの記録媒体９０６からダウンロードされる。また、コンピュータシステム９００に少なくとも制御機能を持たせる制御プログラム（制御ソフトウェア）は、コンピュータシステム９００に入力されてコンパイルされる。このプログラムは、コンピュータシステム９００を制御機能を有する制御システムとして動作させる。また、このプログラムは、例えばディスク９１０等のコンピュータ読み取り可能な記録媒体に格納されていても良い。ここで、コンピュータシステム９００により読取り可能な記録媒体としては、ＲＯＭやＲＡＭ等のコンピュータに内部実装される内部記憶装置、フレキシブルディスク、ＤＶＤディスク、光磁気ディスク、ＩＣカード等の可搬型記憶媒体や、コンピュータプログラムを保持するデータベース、或いは、他のコンピュータシステム並びにそのデータベースや、通信装置１０５のような通信手段を介して接続されるコンピュータシステムでアクセス可能な各種記録媒体を含む。
【００６８】
以上、本実施の形態によれば、以下の付記で示す技術的思想が開示されている。
（付記１） システムの動作を制御する制御装置であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択部と、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択部と、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定部と、
前記制御誤差測定部によって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断部と、
前記判断部によってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御部と
を備える制御装置。
（付記２） 付記１に記載の制御装置であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御部により前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御誤差測定部により測定された制御誤差に基づいて補正する重み補正部と、
前記重み補正部により補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外部と、
前記リンク除外部により外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入部と
を更に備える制御装置。
（付記３） 付記１に記載の制御装置であって、
前記システムの外乱を検出する検出部を更に備え、
前記第２選択部は、前記検出部により検出された外乱のパラメータに基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御装置。
（付記４） 付記１に記載の制御装置であって、
前記システムの外乱を検出する複数のショックセンサを更に備え、
前記第１ニューラルネットワークは、前記複数のショックセンサにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御装置。
（付記５） 付記４に記載の制御装置であって、
前記判断部により、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付け部を更に備える制御装置。
（付記６） 付記１に記載の制御装置であって、
前記制御部は、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御装置。
（付記７） 付記１乃至付記６のいずれかに記載の制御装置であって、
前記システムはディスク装置であり、
前記制御部は、前記ディスク装置のボイスコイルモータを制御することを特徴とする制御装置。
（付記８） システムの動作を制御することができる制御プログラムであって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
をコンピュータに実行させる制御プログラム。
（付記９） 付記８に記載の制御プログラムであって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御誤差測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更にコンピュータに実行させる制御プログラム。
（付記１０） 付記８に記載の制御プログラムであって、
前記システムの外乱を検出する検出ステップを更にコンピュータに実行させ、
前記第２選択ステップは、前記検出ステップにより検出された前記システムの外乱に基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御プログラム。
（付記１１） 付記８に記載の制御プログラムであって、
複数のショックセンサにより前記システムの外乱を検出する検出ステップを更にコンピュータに実行させ、
前記第１ニューラルネットワークは、前記検出ステップにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御プログラム。
（付記１２） 付記１１に記載の制御プログラムであって、
前記判断ステップにより、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付けステップを更にコンピュータに実行させる制御プログラム。
（付記１３） 付記８に記載の制御プログラムであって、
前記制御ステップは、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御プログラム。
（付記１４） 付記８に記載の制御プログラムであって、
前記システムはディスク装置であり、
前記制御ステップは、前記ディスク装置のボイスコイルモータを制御することを特徴とする制御プログラム。
（付記１５） システムの動作を制御するための制御方法であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
を備える制御方法。
（付記１６） 付記１５に記載の制御方法であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御精度測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更に備える制御方法。
（付記１７） 付記１５に記載の制御方法であって、
前記システムの外乱を検出する検出ステップを更にコンピュータに実行させ、
前記第２選択ステップは、前記検出ステップにより検出された前記システムの外乱に基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御方法。
（付記１８） 付記１５に記載の制御方法であって、
複数のショックセンサにより前記システムの外乱を検出する検出ステップを更に備え、
前記第１ニューラルネットワークは、前記検出ステップにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御方法。
（付記１９） 付記１８に記載の制御方法であって、
前記判断ステップにより、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付けステップを更に備える制御方法。
（付記２０） 付記１５に記載の制御方法であって、
前記制御ステップは、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御方法。
【図面の簡単な説明】
【００６９】
【図１】実施の形態１に係るディスク装置の構成を示すブロック図である。
【図２】ニューラルネットワークＡを示す図である。
【図３】ニューラルネットワークＢを示す図である。
【図４】実施の形態１に係るディスク装置の全体動作を示すフローチャートである。
【図５】切り替え処理の動作を示すフローチャートである。
【図６】リンク変更処理の概要を示す図である。
【図７】リンク変更処理の動作を示すフローチャートである。
【図８】リンク変更処理の動作を示すフローチャートである。
【図９】シグモイド関数のルックアップテーブルを示す図である。
【図１０】シグモイド関数の導関数のルックアップテーブルを示す図である。
【図１１】分類テーブルを示す図である。
【図１２】実施の形態３における切り替え処理の動作を示すフローチャートである。
【図１３】変更される分類テーブルを示す図である。
【図１４】本発明が適用されるコンピュータシステムの一例を示す図である。
【図１５】ニューラルネットワークの概要を示す図である。
【図１６】階層型ニューラルネットワークに係る数式を示す図である。
【図１７】シグモイド関数を示すグラフである。
【図１８】誤差逆伝搬法に係る数式を示す図である。
【符号の説明】
【００７０】
１ ディスク装置、１０ 制御部、１１ ＶＣＭ、１２ ショックセンサ、１３ 算出部、１４ 学習部、１５ リンク変更部、１６ 選択部、１７ ＭＰＵ、１８ 記憶媒体、１０１ コントローラ、１０２ 最終コントローラ。
【特許請求の範囲】
【請求項１】
システムの動作を制御する制御装置であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択部と、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択部と、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定部と、
前記制御誤差測定部によって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断部と、
前記判断部によってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御部と
を備える制御装置。
【請求項２】
請求項１に記載の制御装置であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御部により前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを、前記制御誤差測定部により測定された制御誤差に基づいて補正する重み補正部と、
前記重み補正部により補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外部と、
前記リンク除外部により外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入部と
を更に備える制御装置。
【請求項３】
請求項１または請求項２に記載の制御装置であって、
前記システムの外乱を検出する検出部を更に備え、
前記第２選択部は、前記検出部により検出された外乱のパラメータに基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御装置。
【請求項４】
請求項１または請求項２に記載の制御装置であって、
前記システムの外乱を検出する複数のショックセンサを更に備え、
前記第１ニューラルネットワークは、前記複数のショックセンサにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御装置。
【請求項５】
請求項４に記載の制御装置であって、
前記判断部により、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付け部を更に備える制御装置。
【請求項６】
請求項１乃至請求項５のいずれかに記載の制御装置であって、
前記制御部は、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御装置。
【請求項７】
システムの動作を制御することができる制御プログラムであって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
をコンピュータに実行させる制御プログラム。
【請求項８】
請求項７に記載の制御プログラムであって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを、前記制御誤差測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更にコンピュータに実行させる制御プログラム。
【請求項９】
システムの動作を制御するための制御方法であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
を備える制御方法。
【請求項１０】
請求項９に記載の制御方法であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御誤差測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更に備える制御方法。
【請求項１】
システムの動作を制御する制御装置であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択部と、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択部と、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定部と、
前記制御誤差測定部によって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断部と、
前記判断部によってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御部と
を備える制御装置。
【請求項２】
請求項１に記載の制御装置であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御部により前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを、前記制御誤差測定部により測定された制御誤差に基づいて補正する重み補正部と、
前記重み補正部により補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外部と、
前記リンク除外部により外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入部と
を更に備える制御装置。
【請求項３】
請求項１または請求項２に記載の制御装置であって、
前記システムの外乱を検出する検出部を更に備え、
前記第２選択部は、前記検出部により検出された外乱のパラメータに基づいて、前記第２ニューラルネットワークを選択することを特徴とする制御装置。
【請求項４】
請求項１または請求項２に記載の制御装置であって、
前記システムの外乱を検出する複数のショックセンサを更に備え、
前記第１ニューラルネットワークは、前記複数のショックセンサにより検出される複数の外乱のパラメータの組み合わせに対応付けられたニューラルネットワークであり、
前記第２ニューラルネットワークは、前記第１ニューラルネットワーク以外の前記複数のニューラルネットワークのうち、最も制御誤差が低いニューラルネットワークであることを特徴とする制御装置。
【請求項５】
請求項４に記載の制御装置であって、
前記判断部により、前記第１ニューラルネットワークによる制御制度より前記第２ニューラルネットワークによる制御誤差が低いと判断された場合、前記第１ニューラルネットワークと対応付けられた複数の外乱のパラメータの組み合わせと、前記第２ニューラルネットワークとを対応付ける対応付け部を更に備える制御装置。
【請求項６】
請求項１乃至請求項５のいずれかに記載の制御装置であって、
前記制御部は、前記ニューラルネットワークに係る計算において、前記ニューラルネットワークに係る関数における入力値と、該入力値に基づく関数値とが対応付けられたルックアップテーブルを参照し、前記入力値を引数として、該入力値に対応する関数値を得ることを特徴とする制御装置。
【請求項７】
システムの動作を制御することができる制御プログラムであって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
をコンピュータに実行させる制御プログラム。
【請求項８】
請求項７に記載の制御プログラムであって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを、前記制御誤差測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更にコンピュータに実行させる制御プログラム。
【請求項９】
システムの動作を制御するための制御方法であって、
互いにネットワーク構成が異なる複数のニューラルネットワークのうち、所定のニューラルネットワークである第１ニューラルネットワークを選択する第１選択ステップと、
前記複数のニューラルネットワークのうち、前記第１ニューラルネットワークとは異なるニューラルネットワークである第２ニューラルネットワークを選択する第２選択ステップと、
前記第１ニューラルネットワークによる制御と、前記第２ニューラルネットワークによる制御とによる制御誤差を測定する制御誤差測定ステップと、
前記制御誤差測定ステップによって測定された第１ニューラルネットワークによる制御誤差と、前記第２ニューラルネットワークによる制御誤差とを比較し、より制御誤差が低いニューラルネットワークを判断する判断ステップと、
前記判断ステップによってより制御誤差が低いと判断されたニューラルネットワークにより前記システムの動作を制御する制御ステップと
を備える制御方法。
【請求項１０】
請求項９に記載の制御方法であって、
前記ニューラルネットワークは、複数のノードと該複数のノード間のリンクにより構成され、
前記制御ステップにより前記システムの動作の制御に用いられるニューラルネットワークにおけるリンクに設定された重みを前記制御誤差測定ステップにより測定された制御誤差に基づいて補正する重み補正ステップと、
前記重み補正ステップにより補正されたリンクのうち、重みに基づく値が所定の閾値である第１閾値以下であるリンクを外すリンク除外ステップと、
前記リンク除外ステップにより外されたリンクのうち、重みに基づく値が前記第１閾値と異なる閾値である第２閾値より大きいリンクを導入するリンク導入ステップと
を更に備える制御方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【公開番号】特開２０１０−８６３９７（Ｐ２０１０−８６３９７Ａ）
【公開日】平成２２年４月１５日（２０１０．４．１５）
【国際特許分類】
【出願番号】特願２００８−２５６３７６（Ｐ２００８−２５６３７６）
【出願日】平成２０年１０月１日（２００８．１０．１）
【出願人】（３０９０３３２６４）東芝ストレージデバイス株式会社 (255)
【Ｆターム（参考）】
【公開日】平成２２年４月１５日（２０１０．４．１５）
【国際特許分類】
【出願日】平成２０年１０月１日（２００８．１０．１）
【出願人】（３０９０３３２６４）東芝ストレージデバイス株式会社 (255)
【Ｆターム（参考）】
[ Back to top ]