本発明はコンピュータ支援によって技術システムを制御および／または調整する方法に関する。本方法は２つのステップ、すなわち、技術システムの動特性をリカレントニューラルネットワークに基づいて履歴データを用いて学習するステップと、続いてリカレントニューラルネットワークを別のニューラルネットワークと結合することにより最適な制御を学習するステップを特徴としている。本発明は別の技術適用領域も有しており、特に任意の技術システムにおいてこの技術システムをコンピュータ支援により最適に制御するために使用することができる。適用領域は例えばガスタービンの制御である。本方法は先行技術から公知の台車-棒問題に関してテストされ、公知の方法よりも格段に良い結果をもたらした。
（もっと読む）

本発明は技術システムの計算機支援による開ループ制御および／または閉ループ制御のための方法に関する。本方法は技術システムを記述する高次元の状態空間を効率的により低い次元に縮小するために用いられる。本発明によれば、状態空間の縮退は人工的なリカレントニューラルネットワークによって実行される。状態空間を縮小することにより、専ら低次元状態空間向けに設計されている公知の学習法を、元来大きな状態空間を有する複雑な技術システムに対しても適用できるようになる。それも、従来の方法をこの縮退した状態空間内で実行することにより可能になる。本発明による方法は任意の技術システムに対して、とりわけガスタービンに対して使用することができる。
（もっと読む）

【課題】データセットのモダリティを経験的に判別するためにニューラルネットワークを用いる方法を提供する。
【解決手段】双峰性データを判別する方法は、複数のデータ入力を受領するステップ、複数のデータ入力からヒストグラムを作成するステップ、複数のデータ入力の範囲を計算するステップ、複数のデータ入力の範囲を複数のデータ入力の期待される非反復性と比較するステップ、範囲が期待される非反復性より小でない場合に複数のヒストグラム度数を計算するステップ、複数のヒストグラム度数および複数の予め計算された重みを学習ベクトル量子化（ＬＶＱ）ネットワーク３１に入力するステップ、および学習ベクトル量子化から複数のデータ入力の双峰性を示す双峰性フラグを出力するステップ、を有する。 （もっと読む）

【課題】大規模な学習を、実用的に行う。
【解決手段】複数のSOM(Self-Organization Map)が階層構造を構成するように接続された階層SOMを構成するSOMの自己組織的な学習を、時系列データであるSOM入力データを用いて行うとともに、所定のフレーム長のSOM入力データに対するSOMの勝者ノードと、次の時刻の前記フレーム長のSOM入力データに対するSOMの勝者ノードとの結合の度合いを表す結合重みを強めるように更新する予測学習を行い、かつ、階層SOMを構成する複数のSOMのうちの注目している注目SOMの自己組織的な学習と予測学習とを、注目SOMの下位階層のSOMである下位SOMの勝者ノードを表すノード情報の時系列をSOM入力データとして用いて行う。本発明は、例えば、ロボットなどに適用できる。 （もっと読む）

【課題】多次元の時系列データを効率的に扱う。
【解決手段】入力重み調整部６１２は、力学系近似モデルの入力層のユニットに入力される、観測される複数の次元の時系列データである入力データに対する次元ごとの重み係数である入力重み係数を、次元ごとに調整する。出力重み調整部６１３は、力学系近似モデルの出力層のユニットから出力される、複数の次元の出力データに対する次元ごとの重み係数である出力重み係数を、次元ごとに調整する。決定部７１１は、ノードごとの出力誤差に基づいて、入力データに適合するダイナミクスを保持するノードである勝者ノードを決定する。本発明は、例えば、ロボットに適用することができる。 （もっと読む）

【課題】多次元の時系列データを効率的に扱う。
【解決手段】ネットワーク記憶部は、力学系近似モデルによってモデル化されたダイナミクスを保持するノードを記憶する。入力重み調整部８２は、力学系近似モデルの入力層のユニットに入力される、観測される複数の次元の時系列データである入力データに対する次元ごとの重み係数である入力重み係数を、次元ごとに調整する。出力重み調整部８３は、力学系近似モデルの出力層のユニットから出力される、複数の次元の出力データに対する次元ごとの重み係数である出力重み係数を、次元ごとに調整する。本発明は、例えば、ロボットに適用することができる。 （もっと読む）

【課題】多次元の時系列データを効率的に扱う。
【解決手段】ネットワーク記憶部は、力学系近似モデルによってモデル化されたダイナミクスを１つのノードに保持し、複数の前記ノードによって構成されるネットワークを記憶する。入力重み調整部８２は、力学系近似モデルの入力層のユニットに入力される、観測される複数の次元の時系列データである入力データに対する次元ごとの重み係数である入力重み係数を、次元ごとに調整する。出力重み調整部８３は、力学系近似モデルの出力層のユニットから出力される、複数の次元の出力データに対する次元ごとの重み係数である出力重み係数を、次元ごとに調整する。本発明は、例えば、ロボットに適用することができる。 （もっと読む）

【課題】処理の負担を軽減する。
【解決手段】SOMの一種である入力ネットワークnet₁₁は、空間的な配置構造が与えられた複数のノードから構成され、各ノードは、時系列パターンを表現する時系列パターンモデルを有している。時系列データである入力データの学習時において、時刻tのフレームの入力データに対する勝者ノードN_tの決定後、次のフレームである、時刻t+1のフレームの入力データに対する勝者ノードN_t+1の決定は、その時刻t+1のフレームの入力データの直前の時刻tのフレームの入力データに対する勝者ノードN_tとの距離が所定の距離以内のノードだけを対象にして行われる。本発明は、例えば、ロボットなどに適用できる。 （もっと読む）

【課題】 現実的なニューラル・モデル（一組の要領またはルール）と、この提案されたニューラル・モデルを考慮に入れて、脳の動作原理に基づいて動作できるデバイス（プロセッサ）とを原則として作り上げる。
【解決手段】 本発明は、周囲電極の中央にあり、かつ多値準位システムまたはニューロンが収められている面上で、あらゆる方向から水平に複数の入力信号が与えられ、また、その面上の様々な地点にて出力信号が垂直に取り出される一対のテンプレートを含む垂直水平プロセッサ（「標準垂直水平プロセッサ」とも呼ぶ）を提供する。本発明はまた、上記の垂直水平プロセッサを含むクラスタ、上記の垂直水平プロセッサを含む修正仮想ソース・ニューラル・ネットワーク・モデル、および、上記垂直水平プロセッサを学習させるプロセッサ学習法も提供する。 （もっと読む）

【課題】利用可能な情報を効率的に使用し、訓練時間及び誤差率を改善する。
【解決手段】自動質問分類及び自動回答システム並びに方法が開示される。メインの人工神経回路（ＡＮＮ）と補助ＡＮＮを有するマルチパートＡＮＮは、複数の定義されたカテゴリのうちの１つに従って、受け付けた質問を分類する。一旦補助ＡＮＮが訓練するとウエイトは凍結されてメインのＡＮＮに移転される。メインのＡＮＮは、このとき、ラベル付けされた質問を使用して訓練され得る。本発明によれば、利用可能な情報を効率的に使用でき、単一パートＡＮＮを使用するのに比較して訓練時間及び誤差率を改善できる。 （もっと読む）