JP3550751B2 - アクティブコントロール装置 - Google Patents
アクティブコントロール装置 Download PDFInfo
- Publication number
- JP3550751B2 JP3550751B2 JP23731594A JP23731594A JP3550751B2 JP 3550751 B2 JP3550751 B2 JP 3550751B2 JP 23731594 A JP23731594 A JP 23731594A JP 23731594 A JP23731594 A JP 23731594A JP 3550751 B2 JP3550751 B2 JP 3550751B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- control
- output
- neural network
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】
この発明は、自動車の車室内騒音や車体振動を能動的に低減するアクティブコントロール装置に関する。
【０００２】
【従来の技術】
従来のこの種のアクティブコントロール装置としては、例えば英国公開特許公報第２１４９６１４号記載の図３０に示す能動型騒音制御装置がある。
【０００３】
この従来装置は航空機の客室やこれに類する閉空間に適用されるもので、閉空間１０１内にラウドスピーカ１０３ａ，１０３ｂ，１０３ｃおよびマイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄを備えており、ラウドスピーカ１０３ａ，１０３ｂ，１０３ｃによって騒音に干渉させる制御音を発生し、マイクロフォン１０５ｓ，１０５ｂ，１０５ｃ，１０５ｄによって残差信号（残留騒音）を測定するようになっている。これらラウドスピーカ１０３ａ，１０３ｂ，１０３ｃ、マイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄは信号処理機１０７に接続されており、信号処理機１０７は基本周波数測定手段によって測定した騒音源の基本周波数とマンクロホン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄからの入力信号とを受けとり、閉空間１０１内の音圧レベルを最小にするようにラウドスピーカ１０３ａ，１０３ｂ，１０３ｃに制御音信号を出力するものである。
【０００４】
ここで閉空間１０１内には、３個のラウドスピーカ１０３ａ，１０３ｂ，１０３ｃと４個のマイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄが設けられているが、説明を単純化するため、それぞれ１０３ａ，１０５ａの一個ずつ設けられているものとする。
【０００５】
今、騒音源からマイクロフォン１０５ａまでの伝達関数をＨとし、ラウドスピーカ１０３ａからマイクロフォン１０５ａまでの伝達関数をＣとし、騒音源が発生する音源情報信号をＸｐ とすると、マイクロフォン１０５ａで観測される残差信号Ｅは、
Ｅ＝Ｘｐ ・Ｈ＋Ｘｐ ・Ｇ・Ｃ
となる。ここで、Ｇは、消音するために必要な伝達関数である。消音対象点において、騒音が完全に打ち消されてとき、Ｅ＝０となる。このときＧは、
Ｇ＝−Ｈ／Ｃ
となる。そして、マイク検出信号Ｅが最小となるＧを求め、このＧに基づいて信号処理機１０７内のフィルター係数を適応的に更新するようにしている。マイク検出信号Ｅを最小にするようフィルター係数を求める手段として、最急降下法の一種であるＬＭＳアルゴリズム（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）などがある。
【０００６】
また、図３０のように、マイクロフォンが複数設置されている場合には、各マイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄで検出した信号の総和が最小となるように制御される。
【０００７】
そして、上記のような制御によって、例えば図３１の（ａ）のような車室内籠り音に対して（ｂ）のような逆相の相殺音を出力し、（ｃ）のように籠り音を相殺音で打ち消す。
【０００８】
【発明が解決しようとする課題】
ところで、前記従来装置は、正弦成分などの定状確定信号からなる単一の騒音源、例えばエンジンから発生される騒音を低減する場合には効果的である。
【０００９】
しかしながら、走行中の自動車の車室内騒音は、エンジン回転に伴なう騒音、サスペンションから伝達されるロードノイズ、風切り音、排気音など種々のものが存在し、しかも、ランダムな性質のものが多い。従って、エンジン回転に伴なう騒音の正弦成分のみを基準信号として騒音制御をしたのでは制御対象以外の騒音成分が演算の度に加算されて発散を招く恐れがあり、この場合はかえって騒音レベルの悪化を招くことがある。
【００１０】
また、アクティブコントロール装置は、上記図３０の能動型騒音制御装置以外に、サスペンションの振動制御などにも応用することができるが、サスペンションの振動入力はランダムな性質を有しており、これを適格に制御することは困難であった。
【００１１】
このため、本願出願人はニューラルネットを用いた制御装置を採用することにより、複数の騒音原からの騒音が連成され、かつランダムな性質を有していても、的確な騒音制御を図ることができ、またランダムな振動であってもこれを的確に制振することのできるアクティブコントロール装置をすでに出願している（特願平５−５７８５参照）。
【００１２】
ところで、このようなニューラルネットワークを用いたアクティブコントロール装置では低周波数領域において有効であるにしても、高周波数領域での非線形性の強いシステムに対して、同定学習速度及び制御精度の向上に限界を招いていた。
【００１３】
これをさらに説明すると、ニューラルネットワークを用いた制御装置では、一般に最急降下法ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）などのアルゴリズムを用いて、ニューラルネットワークの出力値から算出できる誤差評価関数の最小値を求め、ニューラルネットワークの制御パラメータの調整を行なうようにしている。
【００１４】
しかし、ニューラルネットワークの誤差評価関数が示す誤差曲面にはグローバルな最小値の他に、数多くのローカルな極小値が存在しランダムな抽出を行なうためたまたま抽出によりローカルな極小値を見つけるとそこに収束してしまうものとなる。このため、検出した値がローカルな極小値かグローバルな最小値かの判断ができず、制御パラメータの調整に限界を招いていたからである。
【００１５】
これに対して、最近ではもとの信号に雑音（ノイズ）を入れてグローバルな最小値が得られるニューラルネットワークのアルゴリズムが発表されている（ＵＳＰ２８４１５２参照）。これはもとの信号に一定レベルの周波数でノイズを入れ、このノイズの度合いを次第に小さくすることにより、グローバルな最小値を得るようにしたものである。
【００１６】
しかしながら、どの程度のレベルのノイズを入たらいいのか、あるいはどの程度小さくしていったらいいのかを一義的に決めることが出来ず、場合によっては最小値が得られない恐れがある。
【００１７】
そこで、この発明はニューラルネットを用いたアクティブコントロール装置でありながら、的確な学習速度と制御精度とを達成することの出来るアクティブコントロール装置の提供を目的とする。
【００１８】
【課題を解決するための手段】
上記、課題を解決するために請求項１の発明は、出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域でのカウント数を変更することを特徴とする。
【００１９】
請求項２の発明は、出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返し中に極小値が得られないと判断するとき、該当する領域を制約リストに登録し、当該領域での極小値の検出を中止することを特徴とする。
【００２０】
請求項３の発明は、出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことを特徴とする。
【００２１】
請求項４の発明は、音又は振動状態の少なくとも一方を制御するアクチュエータと、音又は振動状態の少なくとも一方を検出する音振状態検出手段と、前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域でのカウント数を変更することを特徴とする。
【００２２】
請求項５の発明は、音又は振動状態の少なくとも一方を制御するアクチュエータと、音又は振動状態の少なくとも一方を検出する音振状態検出手段と、前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返し中に極小値が得られないと判断するとき、該当する領域を制約リストに登録し、当該領域での極小値の検出を中止することを特徴とする。
【００２３】
請求項６の発明は、音又は振動状態の少なくとも一方を制御するアクチュエータと、音又は振動状態の少なくとも一方を検出する音振状態検出手段と、前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことを特徴とする。
【００２４】
請求項７の発明は、請求項４〜請求項６のいずれか１項に記載のアクティブコントロール装置であって、前記アクチュエータは、自動車の車室内騒音に干渉させる制御音を発生して騒音低減を図る制御音源であり、前記音振状態検出手段は、自動車の車室内の騒音状態を検出する騒音状態検出手段であることを特徴とする。
【００２５】
請求項８の発明は、請求項４〜請求項６のいずれか１項に記載のアクティブコントロール装置であって、前記アクチュエータは、自動車のサスペンションに制御力を与えて振動低減を図る制振装置であり、前記音振状態検出手段は、自動車のサスペンションの振動状態を検出する振動状態検出手段であることを特徴とする。
【００２６】
請求項９の発明は、請求項４〜請求項８のいずれか１項に記載のアクティブコントロール装置であって、前記制御装置のニューラルネットは、制御ニューラルネットと同定ニューラルネットとからなり、前記制御ニューラルネットは、前記音振状態検出手段の出力が入力されて前記アクチュエータを制御する信号を出力し、前記同定ニューラルネットは、予め同定した前記アクチュエータの制御による自動車の応答に基づき前記制御予測値を出力することを特徴とする。
【００２７】
請求項１０の発明は、請求項４〜請求項９のいずれか１項に記載のアクティブコントロール装置であって、前記制御装置は、前記音振状態検出手段が検出した現時点よりも前のデータとして、少なくとも前記アクチュエータの制御信号を入力するニューロン素子を有して現時点のアクチュエータの制御信号を出力し、前記検出時点よりも後の制御予測値を予測して出力することを特徴とする。
【００２８】
請求項１１の発明は、請求項１〜請求項１０のいずれか１項に記載のアクティブコントロール装置であって、前記制御パラメータは、前記ニューラルネットの結合荷重を学習するときの学習の割合であることを特徴とする。
【００２９】
請求項１２の発明は、請求項１〜請求項１１記載のいずれか１項にアクティブコントロール装置であって、前記ニューラルネットは、前記領域の個数であるステップ数に応じて複数並列に備えられていることを特徴とする。
【００３０】
【作用】
上記手段の請求項１の発明のよれば、ニューラルネットを用いた制御装置は、出力値と制御目標値との比較により制御パラメータの修正を行なう。この場合、制御装置は制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行なうことができる。
【００３１】
すなわち、制御パラメータの許容範囲を複数の領域に分割し、その夫々から極小値を検出し、そのうち最も小さいものを最小値として算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を求めて制御パラメータの修正を行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域での検出の繰り返しにおいて得られる検出値に応じて前記各領域でのカウント数を変更することができる。このため、例えば、カウント数が多く残存していても、検出値が大きく収束している場合には、以後の処理においてカウント数を減少させ、処理を早めることができる。
【００３２】
請求項２の発明では、ニューラルネットを用いた制御装置は、出力値と制御目標値との比較により制御パラメータの修正を行なう。この場合、制御装置は制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行なうことができる。すなわち、制御パラメータの許容範囲を複数の領域に分割し、その夫々から極小値を検出し、そのうち最も小さいものを最小値として算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を求めて制御パラメータの修正を行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でカウント数の繰り返しにより検出値が収束しないとき、該当する領域を制約リストに登録し当該領域での極小値の検出を中止することができる。従って、極小値が得られる可能性のある領域にしぼって検出を続行することができる。
【００３３】
請求項３の発明では、ニューラルネットを用いた制御装置は、出力値と制御目標値との比較により制御パラメータの修正を行なう。この場合、制御装置は制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行なうことができる。すなわち、制御パラメータの許容範囲を複数の領域に分割し、その夫々から極小値を検出し、そのうち最も小さいものを最小値として算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を求めて制御パラメータの修正を行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でのカウント数の繰り返しによる検出値に応じて、各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことができる。従って、各領域で、検出値がより収束する方向に制御パラメータのランダムな値をとることができる。
【００３４】
請求項４の発明では、音振状態検出手段が対象物の音振状態を検出し、その出力が制御装置に入力されるとニューラルネットによって生成された信号が出力される。この信号出力によって、アクチュエータが対象物の音振状態を制御する。また、ニューラルネットにより出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習が適応的に行われる。この際、制御装置は、制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値のカウントを計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記制御パラメータの修正を行なうことができる。すなわち、ニューラルネットを用いて制御パラメータを修正する際、各領域ごとに極小値を検出し得られた極小値の中から最小値を算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を的確に求めることができる。そして、このグローバルな最小値によって制御パラメータの修正を的確に行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域での検出の繰り返しにおいて得られる検出値に応じて前記各領域でのカウント数を変更することができる。このため、例えば、カウント数が多く残存していても、検出値が大きく収束している場合には、以後の処理においてカウント数を減少させ、処理を早めることができる。
【００３５】
請求項５の発明では、音振状態検出手段が対象物の音振状態を検出し、その出力が制御装置に入力されるとニューラルネットによって生成された信号が出力される。この信号出力によって、アクチュエータが対象物の音振状態を制御する。また、ニューラルネットにより出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習が適応的に行われる。この際、制御装置は、制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値のカウントを計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記制御パラメータの修正を行なうことができる。すなわち、ニューラルネットを用いて制御パラメータを修正する際、各領域ごとに極小値を検出し得られた極小値の中から最小値を算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を的確に求めることができる。そして、このグローバルな最小値によって制御パラメータの修正を的確に行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でカウント数の繰り返しにより検出値が収束しないとき、該当する領域を制約リストに登録し当該領域での極小値の検出を中止することができる。従って、極小値が得られる可能性のある領域にしぼって検出を続行することができる。
【００３６】
請求項６の発明では、音振状態検出手段が対象物の音振状態を検出し、その出力が制御装置に入力されるとニューラルネットによって生成された信号が出力される。この信号出力によって、アクチュエータが対象物の音振状態を制御する。また、ニューラルネットにより出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習が適応的に行われる。この際、制御装置は、制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値のカウントを計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記制御パラメータの修正を行なうことができる。すなわち、ニューラルネットを用いて制御パラメータを修正する際、各領域ごとに極小値を検出し得られた極小値の中から最小値を算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を的確に求めることができる。そして、このグローバルな最小値によって制御パラメータの修正を的確に行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でのカウント数の繰り返しによる検出値に応じて、各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことができる。従って、各領域で、検出値がより収束する方向に制御パラメータのランダムな値をとることができる。
【００３７】
請求項７の発明では、請求項４〜請求項６のいずれか１項に記載の発明の作用に加え、騒音状態検出手段が車室内の騒音状態を検出すると、その出力が制御装置に入力されニューラルネットによって生成された信号が出力される。この出力信号によって、制御音源が制御され自動車の車室内騒音に干渉させる制御音を発生して、騒音低減を図ることができる。またニューラルネットにより、出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習を行なうことができる。すなわちランダムな性質を有する騒音であっても、ニューラルネットを用いて正確にコントロールすることができる。
【００３８】
請求項８の発明では、請求項４〜請求項６のいずれか１項に記載の作用に加え、振動状態検出手段がサスペンションの振動状態を検出すると、その出力が制御装置に入力され、ニューラルネットにより生成された信号が出力される。この出力信号によって、制振装置が制御され自動車のサスペンションに制御力が与えられて、振動低減を図ることができる。またニューラルネットによって、前記出力信号に基づく制御予測値が出力され、制御目標値と比較することによりニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習を行なうことができる。すなわち、ランダムな性質を有するサスペンション振動をニューラルネットを用いてコントロールすることができる。
【００３９】
請求項９の発明では、請求項４〜請求項８のいずれか１項に記載の作用に加え、音振状態検出手段の出力が制御ニューラルネットに入力され、アクチュエータを制御する信号が出力される。また、同定ニューラルネットは予め同定した自動車の応答に基づき制御予測値を出力することができる。したがって同定ニューラルネットから出力された制御予測値を制御目標値と比較することにより、制御ニューラルネットの制御パラメータの修正を行ないニューラルネットの学習を行なうことができる。すなわち、同定ニューラルネットの採用により制御ニューラルネットの制御パラメータを修正するための制御予測値を正確に出力することができる。
【００４０】
請求項１０の発明では、請求項４〜請求項９のいずれか１項に記載の作用に加え、制御装置において、音振状態検出手段が検出した現時点よりも前のデータとして少なくともアクチュエータの制御信号を入力し、現時点のアクチュエータの制御信号が出力される。また検出時点よりも後の制御予測値を予測して出力することができる。すなわちアクチュエータの制御信号は、過去のデータに基づいて出力され、かつ制御予測値が予測して出力されるので、ランダムな性質を有する騒音や振動に適応させることができる。
【００４１】
請求項１１の発明では、請求項１〜請求項１０のいずれか１項に記載の作用に加え、制御パラメータとしてニューラルネットの結合荷重を学習するときの学習の割合とすることができる。したがって最小値の検出に際して、学習の割合を適宜選択することができる。
【００４２】
請求項１２の発明では、請求項１〜請求項１１のいずれかの発明の作用に加え、ニューラルネットを領域の個数であるステップ数に応じて複数並列に備えることができる。したがって各領域ごとに、各々のニューラルネットによって探索を行なうことができる。
【００４３】
【実施例】
以下、この発明の実施例を説明する。
【００４４】
図１は、この発明の第１実施例に係るアクティブコントロール装置を適用したアクティブノイズコントロール装置の全体を示す概略図である。
【００４５】
図１で示す車室１内は、エンジンからの騒音、サスペンションからのロードノイズ、マフラからの排気音、更には風切り音、車体パネルの振動などが合成され、非線形の連成空間を構成している。このような連成空間としての車室１内の音振状態として、騒音状態を検出するために、音振状態検出手段（騒音状態検出手段）であるマイクロフォン３及びピエゾ素子センサ５が設けられている。
【００４６】
自動車の音振状態を制御するアクチュエータとしては、自動車の車室１内騒音に干渉させる制御音を発生して騒音低減を図る制御音源であるラウドスピーカ７が設けられている。
【００４７】
また、この実施例では、自動車の音振状態を制御するアクチュエータとして車体パネルに外力を加えて車体の振動モードを制御するピエゾ素子アクチュエータ９が設けられている。
【００４８】
そして、マイクロフォン３、ピエゾ素子センサ５の出力は、ニューラルネットを用いた制御装置１１に入力され、制御装置１１は、ラウドスピーカ７、ピエゾ素子アクチュエータ９を制御する信号を出力するようになっている。
【００４９】
同時に当該出力信号に基づく制御予測値を制御目標値と比較することにより、ニューラルネットのパラメータ、例えば結合荷重の修正を行なう構成となっている。
【００５０】
なお、この実施例では、前記のように車室１内の騒音を制御するためにマイクロフォン３、ラウドスピーカ７の他に、ピエゾ素子センサ５、ピエゾ素子アクチュエータ９を設けているが、これは、車室１内の騒音は車体の振動応答と車室１内の音場との連成となるからである。
【００５１】
また、マイクロフォン３、ピエゾ素子センサ５、ラウドスピーカ７及びピエゾ素子アクチュエータ９は、説明簡単のために各１個のみ設けられているものとしているが、例えば、これらを複数とし、マイクロフォン３は各座席のヘッドレスト位置にそれぞれ設け、ラウドスピーカ７は車両の前席及び後席に対応する左右ドア部にそれぞれ配置し、ピエゾ素子センサ５及びピエゾ素子アクチュエータ９は車体ルーフ、左右ドア部などに分散して設けることもできる。
【００５２】
図２は、前記制御装置１１を示す概略ブロック図である。即ち、制御装置１１は、制御ニューラルネット１３と、同定ニューラルネット１５と、評価・調整部１７と、遅延器１９と、図示しないが記憶部等を備えている。
【００５３】
前記制御ニューラルネット１３は、マイクロフォン３の出力ｍとピエゾ素子セ
【外１】
子アクチュエータ９を制御する信号Ｏｃ２とを出力する構成となっている。
【００５４】
前記同定ニューラルネット１５は、予め同定したアクチュエータの制御による自動車の応答に基づき制御予測値Ｏｆ を出力する。即ち、制御ニューラルネット１３の出力Ｏｃ１，Ｏｃ２及びマイクロフォン３の出力ｍ等を入力し、制御予測値Ｏｆ を出力する構成となっている。
【００５５】
前記評価・調整部１７は、同定ニューラルネット１５が被制御体の動特性を充分に表した後、即ち、車室１の応答を充分に同定した後、同定ニューラルネット１５の出力Ｏｆ と制御目標値ＸＴ との差を演算し、この値を用いてバックプロパゲーションにより制御ニューラルネット１３の結合荷重の修正を行なう。
【００５６】
前記遅延器１９，２１及び図示しない記憶部は、ＡＲＭＡモデルに基づいて制御ニューラルネット１３と同定ニューラルネット１５とを構成するものである。
【００５７】
遅延器１９はマイクロフォン３、ピエゾ素子センサ５が騒音状態を検出した時点ｔよりも前、即ち、（ｔ−１），（ｔ−２），…などの制御信号Ｏｃ１，Ｏｃ２を制御ニューラルネット１３に入力する構成となっている。このため、制御ニューラルネット１３は時間遅れ（過去）の信号を入力するニューロン素子を有している。
【００５８】
遅延器２１は、同定ニューラルネット１５の出力信号Ｏｆ の現時点ｔよりも前の（ｔ−１）などのデータを同定ニューラルネット１５及び制御ニューラルネット１３に入力する構成となっている。従って、両ニューラルネット１３，１５は、同定ニューラルネット１５の出力Ｏｆ の過去のデータを入力するニューロン素子をそれぞれ有している。
【００５９】
【外２】
入力により現時点の制御信号Ｏｃ１，Ｏｃ２を出力し、同定ニューラルネット１５は、前記過去のデータとｍ，Ｏｃ１，Ｏｃ２との信号入力により、検出時点よりも後の（ｔ＋Δｔ）の制御予測値Ｏｆ を予測して出力する。このため、自動車のように外部環境が激しく変化するような場合でも、将来を見越した制御ができるため、素早い対応をとることができる。又、その予測を行なう際、常に最前の値を用いて予測を行なっているため適確な予測を行なうことができる。
【００６０】
図３（ａ），（ｂ）は、ニューラルネットの構成の一部を示したもので（ａ）は全体（ｂ）は中間層の１つ（例えば２５ｃ）を示したものである。
【００６１】
このニューラルネットは、入力層と中間層と出力層とからなっている。入力層はニューロン素子２３ａ，２３ｂの２個を示し、中間層はニューロン素子２５ａ，２５ｂ，２５ｃの３個を示し、出力層はニューロン素子２７の１個を示している。
【００６２】
ここで説明するニューラルネットは、入力層のニューロン素子２３ａ，２３ｂでは入力ｘ１ ，ｘ２ に対して結合荷重Ｗｉｊを付け、中間層のニューロン素子２５ａ，２５ｂ，２５ｃでは同様に結合荷重Ｈｊｒを付けている。ｉｊはｉ番目の入力層に対して、ｊ番目の中間層が結合していることを示し、ｊｒはｊ番目の中間層に対してｒ番目の出力層が結合していることを示している。
【００６３】
従って、結合荷重Ｗｉｊによる各ニューロンの内部ポテンシャルＯ１ は、
Ｏ１ ＝ΣＷｉｊｘｉ ＋Θｉ …（１）
となる。ここに、Θｉ はニューロン素子の閾値を示している。
【００６４】
また、内部ポテンシャルＯ１ は、ニューロン素子への出力値と決める。出力は、例えば、図４で示すシグモイド関数で計算される。これは、
【数１】
と表される。
【００６５】
ここに、ｕ０ は図４の傾きを示すもので、この傾きｕ０ を決めることにより、ランダム信号に対応させることができる。出力は０から１の間の出力であり、例えば、物理量ｖ＝０〜１００ｍ／ｓｅｃ を出力するとしたら、
【数２】
として、０〜１の信号にするのである。
【００６６】
結合荷重Ｗｉｊ等の修正は、同定ニューラルネット１５の出力Ｏｆ と制御目標値ＸＴ との誤差を、
Ｅ＝Σ（ＸＴ −Ｏｆ ）２ …（４）
とし、最急降下法により、誤差Ｅを最小値とするＷｉｊを求め、結合荷重とするのである。
【００６７】
ここで、入力ｘのニューロン素子の出力Ｏｆ は、Ｏｆ ＝ｆ（ｙ）で与えられるから、誤差Ｅはｆ（ｙ）の関数となり、ＥをＯｆ で偏微分し、Ｏｆ をＷｉｊで偏微分して、
【数３】
とし、さらにＯｆ をｆ（ｙ）で偏微分し、ｆ（ｙ）をＷｉｊで偏微分して、
【数４】
となる。従って、ｆ（ｙ）とＯｆ との関係でＥを最小とするＷｉｊが求められる。
【００６８】
上記のような関係でＥを最小とするＷｉｊを求めることは、最急降下法を実装したものと等価であり、以下の式が成り立つ。
【００６９】
【数５】
このような関係において、制御パラメータηがある程度大きいと誤差Ｅは収束せず、またηを小さくするとローカルな極小値で収束してしまい、グローバルな最小値を検出することができなくなる。これを図５を用いて説明すると、図５は入力ｘに対する誤差Ｅの変化として誤差関数ｆ（ｙ）を示している。この誤差関数ｆ（ｙ）において、制御パラメータηを大きくしてしまうと例えば誤差関数ｆ（ｙ）上においてＳからＰまで進んでしまい、最小値Ｒに収束することがなかなかできないものとなる。逆にηが小さいと例えばＰ点からＱ点へ進んでローカルな極小値Ｑに収束してしまい、グローバルな最小値Ｒを検出することができなくなる恐れがある。したがって上記のように、単なる最急降下法を実装したものと等価なニューラルネットワークでは学習速度及び制御精度の向上に限界がある。このため、この発明の一実施例では制御パラメータの一つであるηを以下に説明する勾配式ランダム探索法によって決定するのである。すなわち、この実施例では最急降下法とランダム探索法とを結合したアルゴリズムとなっている。
【００７０】
図６はランダム探索法の概略図を示している。ここでは、有る目的関数ｆ（ｘ）を制約条件のもとで最小にする問題を考える。このランダム探索法ではあらたにステップ数、カウント数の二つの定数を定義する。ステップ数とは探索を行なう近傍領域の個数であり、カウント数とは一つの近傍領域を探索する回数の上限値を表わす。制約条件を満足する解の第１次近似解（初期値）ｘ０ とし、ｘ０ の周りに近傍領域Ｎ（ｘ０ ，ｈｉ ）を設定する。ここにＨ＝ｈｉ （ｉ＝１，…，ｒ）はステップである。この探索法の考え方は、夫々の近傍領域の中でｘをランダムに発生させ、これによるｆ（ｘ）がｆ（ｘ０ ）より小さければ、その点をその領域内の極小値として記憶し、全近傍領域で選択された極小値の中で最も小さなｘを第２次近似解ｘ１ とし、ｘ１ の周りに再度近傍領域を設けて探索を繰り返すものである。
【００７１】
以上の手法を一変数関数の最小値の問題に適用すると以下のようになる。
【００７２】
目的関数ｆ（ｘ）が与えられ、変数ｘの値域が（ａ，ｂ）のとき、ステップを順次１／１０づつ小さくし、ステップ数がｒ個で探索が行われた場合、ステップ（Ｈ）はベクトル表示して次のようになる。
【００７３】
【数６】
すなわち図６の上段のようにｈ１ ＝ｂ−ａを最大の領域として、１／１０のづつ小さくしｈｒ ＝ｈｒ−１ ／１０．０を最小として、ｒ個の領域に分割される。すなわち、ある起点ｘ０ から夫々のステップに対し近傍領域（Ｎ）が設定される。次いで図６の中段のように近傍領域（Ｎ）でランダムにｘ０ｉが発生する。この結果、ｆ（ｘ０ ）＞ｆ（ｘ０ｉ）ならばｘ０ｉは記憶され、そうでない場合はカウント数Ｋをプラスし同じ近傍領域で次のランダムなｘ０ｉが発生する。またカウント数Ｋが与えられた数より大きければ、他の近傍領域（Ｎ）への探索に移る。そして図６の下段のように、全ての近傍領域Ｎでの探索から極小値ｘｓａｖｅ（１），ｘｓａｖｅ（２），…ｘｓａｖｅ（ｒ）を検出し、これら極小値の中から最小値ｘｂｅｓｔを算出し次解の初期値とするのである。この方法は多変数の場合についても、変数をベクトルと考えることにより、その対応は可能である。
【００７４】
次に図７のフローチャートを用いて、上記ランダム探索を説明する。
【００７５】
なお以下の説明において、ステップＳはランダム探索法において、あらたに定義したステップｈとは異なるものである。
【００７６】
まずステップＳ１では、ステップｈｉ の設定が行われる。このステップｈｉ の設定は、上記のように探索を行なう近傍領域の個数の設定である。
【００７７】
ステップＳ２では、領域の設定が行われる。この領域設定によって、ｘの許容範囲を複数の領域に分割する。
【００７８】
次いでステップＳ３，Ｓ４，Ｓ５において初期設定が行われる。すなわち繰り返し数Ｉ＝０、ステップ数ｉ＝１、カウント数Ｋ＝０に設定される。繰り返し数Ｉは一回の領域設定によって得られた最小値を次解の初期値として、再度探索を繰り返す場合の数である。ステップ数ｉは１として設定し、ステップＳ２で設定した領域の最初の近傍領域を選定する。そして、初回はステップＳ６，ステップＳ７と移行してステップＳ８において最大の領域での探索が行われる。すなわち初期値ｘ０ｉがランダムに発生し、ステップＳ６において目的関数ｆ（ｘ）との比較が行なわれる。ｆ（ｘ０ ）＞ｆ（ｘ０ｉ）ならば初期値ｘ０ｉはステップＳ９において極小値として記憶される。
【００７９】
ステップＳ６においてＮＯと判断されれば、ステップＳ７においてカウント数Ｋが与えられた数より大きいかどうかが判断され、大きくなければステップＳ８において同じ領域であらためてｘが発生し探索が行われる。このような探索において、極小値が見つからず、しかもカウント数が与えられた数より大きくなるとステップＳ１０へ移行し、ステップｈの個数ｉが設定した個数ｒを上回るかどうかの判断が行われ、ｉがｒを下回っていればｉの数をプラスしてステップＳ５へ移行する。
【００８０】
ステップＳ５では再びＫ＝０の設定が行われ、ステップＳ６，ステップＳ７，ステップＳ８へと移行し次の領域での探索が行われる。ステップＳ９において極小値の記憶が行われた場合にも、ステップＳ１０の判断が行われステップの個数ｉのプラスが行われて次の領域での探索が行われるものである。
【００８１】
このようにして、全てのステップでの探索が終了すると、ステップＳ１１において極小値の中の最も小さい値を最小値ｘ＝ｘｂｅｓｔとして算出し記憶する。次にステップＳ１１において記憶した最小値ｘｂｅｓｔを第２次近似解ｘ１ とし、ｘ１ の解りに再度近傍領域が設定され、ステップＳ１３においてＩが繰り返し数を上回ってない限りＩがプラスされ、ステップＳ４へ移行する。したがって、あらたな領域設定において再度探索が行われ最小値の算出が行われる。
【００８２】
そしてステップＳ１３において、繰り返し数を満足したと判断されれば探索は終了する。
【００８３】
このような処理によって、上記制御パラメータηの最小値を探索するものである。すなわち図６，図７において、ｘを制御パラメータηとして置き換え処理を行なうのである。制御パラメータηに置き換えて説明すると、制御装置１１は制御パラメータηの初期値η０ｉをランダムに設定し、初期値η０ｉでの制御目標値に対する出力値の感度を計算する。次いで制御パラメータηの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータηのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値としてηの修正を行なうものである。
【００８４】
したがって上記のように、大きさの異なった多領域に分割してηの解を探索するため、盲目的な探索を避けることができ探索に要する回数を減らすことができる。また多領域において夫々極小値を検出し、その中から最小値を算出するためローカルな極小値へ収束することを防ぐことができ、グルーバルな最小値を求めることができる。こうしてニューラルネットの学習の割合であるηの適正な値を求めることができ、精度良く高速に処理することができる。
【００８５】
次に上記ランダム探索法の効果を目的関数ｆ（ｘ）として、一次元関数を定義し、さらに説明する。
【００８６】
この一次元関数は、
【数７】
で定義する。この関数の形状は図８のようになっている。また関数の最小値を与えるｘ（＝ｘｂｅｓｔ）は１７．０３９であり、そのときの関数値ｆ（＝ｆｂｅｓｔ） は０．０９４となっている。この問題を最急降下法、ランダム探索法及び二つを組合せた方法を用いて探索した結果が図９である。ここで誤差Ｅは、
Ｅ＝（ｆ−ｆｂｅｓｔ）／ｆｂｅｓｔ
ｆｂｅｓｔ＝最適値
と定義され、ｘの初期値は各々図に示してある通り１３．５，１３．４，５．０としている。この図９より最急降下法は初期値の設定によって解が収束する場合（グローバルな最小値）とそうでない場合（ローカルな極小値）とがあり、初期値に対する依存性が強くあるのに対し、ランダム探索法ではどのような初期値に対しても精度よく解が収束した。
【００８７】
さらに二つの方法を組合せた場合、最急降下法だけのときに見られた初期値に対する依存性を十分に克服していると共に、ランダム探索法だけのときに比べ収束が早くなっている。この結果からランダム探索法は最適化問題を解く上で有効な方法であり、ランダム探索法と他のアルゴリズムを組合せることにより、さらに有効性が増すことが確認できた。
【００８８】
またランダム探索法に用いる新たに定義した定数であるステップ数，カウント数が最適解への収束情況にどのような影響を及ぼすかを考慮してみる。これら二つの定数を変更したときの解の収束性を比較した結果を図１０，図１１に示す。目的関数は上記ｆ（ｘ）を用いている。これら図１０，図１１から明らかなように、ステップ数が増えるとより精度の良いきめこまかな解の探索が可能となる。またカウント数が増えると誤差が最小、すなわちグローバルな最小値にたどりつく確率が増すことになる。但し、この二つの考え方で注意しなければならないのは、この二つの定数をむやみに大きくすると無駄な探索時間や、プログラムの際、無駄なメモリ領域を使ってしまうので、これらの定数の決定には十分な注意を要する。
【００８９】
図１２から図２０はランダム探索法の有効性をさらに説明するためのものである。すなわち一自由度のばね−質量モデル及び多自由度の梁の数値シミュレーション結果を示している。
【００９０】
先ず図１２から図１６は一自由度系の変位励振による応答を示している。図１２に示す一自由度のばね−質量モデルを考えると、この系に正弦波の外力を加え、ある時間経過した後の過渡応答を図１３に示す。固有角振動数は約１００ｒａｄ／ｓｅｃで、時間ステップは１ｍｓｅｃとした。ニューラルネットワークの入力としては、系の応答速度と加速度とを用い、次の時間ステップの加速度の変化分を出力とした。教師信号を図１４に示し、図１５に収束性、図１６に同定結果を示している。図１５，図１６の結果よりランダム探索法の誤差の収束が極めて早いことが確認できた。これは高精度な学習を極めて短時間で行なうことができることを示し、ランダム探索法を用いたニューラルネットワークの写像能力が最急降下法に比べ、極めて優れていることが確認できた。
【００９１】
図１７から図２０は片持梁のインパルス応答をオンライン同定することを試みた。ニューラルネットワークの入出力及びシステムの概略は図１８に示している。この図１８において、ニューラルネットワークの入力としては梁の先端（ｘ６）の加速度と速度とし、加速度の変換を出力する。ここでも片持梁の応答、すなわち教師信号は数値計算により求めている。誤差の収束性を図１９に示し、シミュレーション時間１００秒付近における同定結果を図２０に夫々示している。図１９，図２０より明らかなように、オンライン同定では最急降下法を用いた場合とランダム探索法及び最急降下法を組合せた方法を用いた場合とでは、学習時間及び誤差の収束性にかなりの違いがあった。同定結果も勾配式ランダム探索法では極めて精度良く行われていることが確認できた。
【００９２】
以上説明したランダム探索法の処理は、一つのニューラルネットワークによって順番に行なうこともできるが、図２１のように並列化ニューラルネットによって分散処理することも可能である。すなわちニューラルネットは夫々入力層，中間層，出力層を備えた複数のユニット１〜ｒを備えている。このユニットの個数は分割設定する領域の個数となっている。したがって各領域ごとに各ユニットにより分散処理制御を行なうことができる。すなわち分散処理制御システム６１では全体領域での探索の情報制御及び各ユニットを分散制御する。そして各ユニットごとに各領域での探索が行われ、グローバルな最小値の算出が６３によって行われる。そして、この最小値に基づきバックプロパゲーションによって各ユニットの制御パラメータが修正されるのである。このような並列化処理によって、処理時間を極めて短縮することができ、より高速な処理を行なうことができる。またこのように複数のニューラルネットを並設した場合、一つのユニットの処理が終了し、他のユニットの処理が終了していない場合には終了したユニットが他のユニットの支援を行なうことができ、さらに高速化処理することができる。
【００９３】
なお上記処理において、制御装置１１は各領域でのカウント数の繰り返しによる検出値に応じて、各領域でのカウント数を変更することも可能である。すなわちカウント数が多く残存していても、検出値が大きく収束している場合には、以後の処理においてカウント数を次第に減少し、処理を早めることができるのである。
【００９４】
また制御装置１１は、各領域でカウント数の繰り返しにより極小値が得られないと判断するとき、該当する領域を制約リストに登録し、該領域での極小値の検出を中止することもできる。このように構成することによって、極小値が得られないことが明らかな領域の探索を中止し、より処理を高速化することができる。
【００９５】
さらに制御装置１１は各領域でのカウント数の繰り返しによる検出値に応じて、各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことができる。すなわち図７で示すような領域において、初期値ｘ０ｉを中心にしてランダムな値を発生させるのであるが、カウント数を繰り返しているうちに初期値に対する極小値の方向が領域の中で次第に明らかになってくるため、その方向に多くのランダムな値を発生させることによって、より精度の良い検出を行なうことができるのである。
【００９６】
図２２は、ＡＲＭＡモデルに基づいたニューラルネットを一般的に示したものである。このニューラルネットは、入力層、中間層、出力層を有しており、時刻ｔにおける入力ｘ（ｔ）によって時刻（ｔ＋１）における出力ｙ（ｔ＋１）を予測して出力する。即ち、予測される出力ｙ（ｔ＋１）は、現在の入力ｘ（ｔ）と過去の状態とに関係する。このため、入力層には３つの短期記憶ユニット２９，３０，３１に接続されたニューロン素子を新たに追加している。
【００９７】
記憶ユニット２９は、入力ｘ（ｔ）の過去のデータｘ（ｔ−１）からｘ（ｔ−ｎ）を記憶し、それぞれ対応するニューロン素子に信号を入力するようになっている。記憶ユニット３０は、出力ｙ（ｔ＋１）の過去のデータｙ（ｔ）からｙ（ｔ−ｌ）のデータを記憶し、それぞれ対応するニューロン素子に入力するようになっている。記憶ユニット３１は、出力ｙ（ｔ＋１）の過去のデータｚ（ｔ−ｌ−１）からｚ（ｔ−ｇ）を記憶し、それぞれ対応するニューロン素子に入力するようになっている。
【００９８】
そして、入力ｘ（ｔ）の信号は予測係数α０ を付けて中間層のニューロン素子に入力され、記憶ユニット２９の各信号は予測係数α１ からαｎ が付けられ、記憶ユニット３０の信号は予測係数β０ からβ１ が付けられ、記憶ユニット３１の信号は予測係数γｌ＋１ からγｇ が付けられ、それぞれ中間層のニューロン素子に入力されるようになっている。
【００９９】
このニューラルネットの出力ｙ（ｔ＋１）と検出した状態量ｘ（ｔ＋１）との関係は、予測誤差ｅ（ｔ＋１）とすると、
ｘ（ｔ＋１）＝ｙ（ｔ＋１）＋ｅ（ｔ＋１）
となる。この場合、出力ｙ（ｔ＋１）は、
【数８】
で表される。
【０１００】
従って、予測係数α，β，γは、誤差系列に最小２乗推定法を適用して適正な値へ修正されていくこととなる。
【０１０１】
次に、アクティブコントロール装置の作用を説明する。
【０１０２】
図２３は、この発明の第１実施例に係る作用の概略を示したものである。アクティブコントロール装置は、大概この図２３のように動作する。図１をも参照すると、まず、ピエゾ素子センサ５及びマイクロフォン３によって車室１内の代表点の応答を正確に把握し、制御装置１１によってシステムの動的特性をより正確に同定する。制御装置１１は、システムの同定に基づいて連成解析を行ない、ピエゾ素子アクチュエータ９及びラウドスピーカ７を制御するのである。即ち、図２を参照し、同定ニューラルネット１５が車室１内の騒音に対する動特性を充分に表した後、評価・調整部１７において同定ニューラルネット１５の出力Ｏｆ と制御目標値ＸＴ との差を演算し、この値を用いて制御ニューラルネット１３の結合荷重をバックプロパゲーションにより修正するのである。
【０１０３】
図２４は、車室１内の応答に対する制御のタイムチャートを示している。即ち、時刻ｔにおいて、ピエゾ素子センサ５及びマイクロフォン３で車室１内の状態を感知し、制御装置１１が時刻ｔでラウドスピーカ７及びピエゾ素子アクチュエータ９に信号を出力し、時刻ｔ＋Δｔにおいて車室１内の騒音制御が実現されるのである。
【０１０４】
そして、この制御結果を制御装置１１のニューラルネットにフィードバックして結合荷重を修正するため、同定ニューラルネット１５の入力はある時間ステップｔにおける車室１内の騒音状態量とこれに対する制御量とし、出力は次のステップ（ｔ＋Δｔ）における状態量となる。この同定ニューラルネット１５の出力Ｏｆ に基づき、同定ニューラルネット１５の制御評価関数Ｅｆ 、制御ニューラルネット１３の制御評価関数Ｅｃ は、
【数９】
但し、Ｘ：現在の状態
ＸＴ ：のぞましい状態
Ｏｆ ：ニューロが予測した状態
となる。
【０１０５】
Ｘは時間ステップｔ＋Δｔにおける検出状態量であり、ＸＴ は、制御目標となる状態量である。従って、同定ニューラルネット１５が車室１内の騒音に対する動特性を正確に同定しているならば、評価関数Ｅｆ は所定値以下となり、同定ニューラルネット１５の出力Ｏｆ と目標状態量ＸＴ との誤差Ｅｃ は、全て制御ニューラルネット１３によって発生したと考えられる。
【０１０６】
従って、図２５のように誤差情報を逆伝搬し、制御ニューラルネット１３迄戻すことによって、制御装置１１全体についての調整が可能となるのである。
【０１０７】
次に、図２６のフローチャートによりこの発明の第１実施例の制御作用を説明する。
【０１０８】
まず、ステップＳ２１では、制御ニューラルネット１３と同定ニューラルネット１５との初期化を行なう。この初期化は、結合荷重Ｗと閾値Θ及びシグモイド関数の傾き係数ｕ０ をランダム関数を用いて決定する。
【０１０９】
ステップＳ２２では、同定ニューラルネット１５の初期学習を行なう。この初期学習はオフラインで行なわれ、予め定められたプログラムで行なわれる。このステップＳ２２での初期学習が完了すると、図２のように同定ニューラルネット１５は制御装置１１に組み込まれる。
【０１１０】
同定ニューラルネット１５の初期学習が完了した後、制御ニューラルネット１３が稼動され、その出力Ｏｃ がステップＳ２３で出力される。この出力によってラウドスピーカ７及びピエゾ素子アクチュエータ９が駆動されると共に、出力Ｏｃ は同定ニューラルネット１５に入力される。これにより、ステップＳ２４において同定ニューラルネット１５は、時刻ｔ＋Δｔにおける予測した状態量Ｏｆ を出力する。
【０１１１】
ステップＳ２５では、時刻ｔ＋Δｔにおける状態量Ｘの実測データがサンプリングされる。また、この実施例では、ＡＲＭＡモデルを利用しているため、過去の状態量を記憶装置に書き込む。
【０１１２】
ステップＳ２６では、同定の判断が行なわれる。即ち、このステップＳ２６は、同定ニューラルネット１５が車室１内の騒音に関する動特性を正確に同定しているかどうかを判断するものである。具体的には、実測された状態量Ｘと予測した出力Ｏｆ とを用いて上式のように演算された同定ニューラルネット１５の評価関数Ｅｆ を収束判定基準Ｔｆ より大きいか否かを判断する。Ｅｆ がＴｆ より大きければ、同定ニューラルネット１５がシステムを充分に同定していないため、ステップＳ２７へ移行し、評価・調整部１７によって同定ニューラルネット１５の結合荷重Ｗの修正、学習が行なわれる。
【０１１３】
次いで、ステップＳ２８へ移行し、適応制御の判断が行なわれる。この判断は、車室１内の騒音状態が目標の状態になっているかどうかを判断するものである。具体的には、目標とする状態量ＸＴ と同定ニューラルネット１５の出力Ｏｆ とによって上式のように演算される評価関数Ｅｃ を収束判定基準Ｔｃ より大きいか否かを判断する。Ｅｃ がＴｃ よりも大きければ、制御ニューラルネット１３が充分に同定されていないためステップＳ２９に移行し、バックプロパゲーションによって制御ニューラルネット１３の結合荷重Ｗの修正、学習が行なわれる。
【０１１４】
以後、ステップＳ２３からステップＳ２９が繰り返され、車室１内の騒音がフィードフォワードによって制御されることになる。
【０１１５】
即ち、図１、図２のように同定ニューラルネット１５は、予めオフラインで車室１内の騒音に関する動特性を同定されている。そして、制御ニューラルネット
【外３】
制御ニューラルネット１３の出力信号Ｏｃ１，Ｏｃ２の過去の信号及び同定ニューラルネット１５の出力Ｏｆ の過去の信号が入力され、制御信号Ｏｃ１，Ｏｃ２が出力される。ここで、制御ニューラルネット１３は、過去のデータを反映させるために過去のデータを入力するために予め設けられた入力用のニューロン素子全てにデータが入力された後稼動し出力するのである。
【０１１６】
そして、出力Ｏｃ１によってラウドスピーカ７が駆動され、騒音に対する逆相の信号が車室１内に出力される。また、出力Ｏｃ２によって、ピエゾ素子アクチュエータ９が駆動され、車体の振動モードが制御される。これによって、車室１の非線形の連成空間が制御され、騒音低減を図ることができる。
【０１１７】
また、同定ニューラルネット１５は、制御ニューラルネット１３の出力Ｏｃ１，Ｏｃ２を入力すると共に、車室１内の状態量としてマイクロフォン３の出力ｍ及び出力Ｏｆ の過去のデータを入力し、時刻ｔ＋Δｔにおける出力Ｏｆ を予測して出力する。この出力Ｏｆ は、現時点での車室１内の騒音状態及び外力と過去のデータとに基づいており、ランダムな入力による騒音状態であっても正確に予測しているものと言える。
【０１１８】
そして、出力Ｏｆ と現時点ｔにおける車室１内の騒音状態の実測データＸとを比較し、同定ニューラルネット１５の学習が行なわれる。同定ニューラルネット１５がシステムの動特性を正確に同定しているものとした場合に、同定ニューラルネット１５の出力Ｏｆ と目標の状態量ＸＴ とにより評価・調整部１７が制御ニューラルネット１３の学習を行なうのである。
【０１１９】
図２７は、この発明の第１実施例に係るニューラルネットワークの具体的な構成を示している。
【０１２０】
上記のように、このニューラルネットワークは、ＡＲＭＡモデルを考慮しており、制御ニューラルネット１３として音場制御ニューラルネットワーク１３ａと構造制御ニューラルネットワーク１３ｂとを備えている。各ニューラルネットワークは、入力層、中間層、出力層とからなっており、入力層は白丸、中間層は斜線の入った丸、出力層は黒丸で示している。
【０１２１】
音場制御ニューラルネットワーク１３ａの入力は、時刻ｔにおけるｎ個のマイクロフォンの音圧感知信号ｍ＝ｍ１ ｓ （ｔ） 〜ｍｎ ｓ （ｔ） と、時刻（ｔ−１）〜（ｔ−ｋ）迄の過去のデータｍ１ ａ （ｔ−１） 〜ｍ１ ａ （ｔ−ｋ） ，ｍｎ ａ （ｔ−１） 〜ｍｎ ａ （ｔ−ｋ） と、ｎ個のラウドスピーカの（ｔ−１）〜（ｔ−ｋ）迄の過去における制御力Ｓ１ ａ （ｔ−１） 〜Ｓ１ ａ （ｔ−ｋ） ，Ｓｎ ａ （ｔ−１） 〜Ｓｎ ａ （ｔ−ｋ） とが入力層の各ニューロン素子に入力されている。ここに、上添字のｓは検出信号を示し、同ａはニューラルネットによる処理信号を示している。
【０１２２】
音場制御ニューラルネットワーク１３ａの現在の時刻ｔにおける出力Ｏｃ１は、
Ｏｃ１＝Ｓ１ ａ （ｔ） 〜Ｓｎ ａ （ｔ）
であり、ｎ個のラウドスピーカに制御力として出力されると共に、同定ニューラルネットワーク１５の入力層の該当するニューロン素子に入力されている。
【０１２３】
この出力Ｏｃ１＝Ｓ１ ａ （ｔ） 〜Ｓｎ ａ （ｔ） の過去のデータは記憶され、遅延器１９により音場制御ニューラルネットワーク１３ａの入力層に入力されることは前述の通りである。
【０１２４】
同定ニューラルネットワーク１５の入力層には、現時点ｔにおけるマイクロフォン音圧感知信号ｍ＝ｍ１ ｓ （ｔ） 〜ｍｎ ｓ （ｔ） と音圧感知信号の過去のデータｍ１ ａ （ｔ−１） 〜ｍ１ ａ （ｔ−ｋ） ，ｍｎ ａ （ｔ−１） 〜ｍｎ ａ （ｔ−ｋ） とが入力されている。
【０１２５】
また、構造制御ニューラルネットワーク１３ｂの入力層には、ｎ個のピエゾ素
【外４】
） が入力されている。また、ｎ個のピエゾ素子アクチュエータの過去の制御信号Ｐ１ ａ （ｔ−１） 〜Ｐ１ ａ （ｔ−ｋ） ，Ｐｎ ａ （ｔ−１） 〜Ｐｎ ａ （ｔ−ｋ） が入力されている。
【０１２６】
構造ニューラルネットワーク１３ｂの時刻ｔにおける出力Ｏｃ２は、
Ｏｃ２＝Ｐ１ ａ （ｔ） 〜Ｐｎ ａ （ｔ）
である。この出力Ｏｃ２＝Ｐ１ ａ （ｔ） 〜Ｐｎ ａ （ｔ） は、ｎ個のピエゾ素子アクチュエータに出力されると共に、同定ニューラルネットワーク１５の入力層に入力されている。
【０１２７】
また、出力Ｏｃ２＝Ｐ１ ａ （ｔ） 〜Ｐｎ ａ （ｔ） は前記同様逐次記憶され、過去のデータとして構造制御ニューラルネットワーク１３ｂの入力層に入力されるのは前述の通りである。
【０１２８】
同定ニューラルネットワーク１５の入力層には、時刻ｔにおける検出した車体
【外５】
る。
【０１２９】
そして、同定ニューラルネットワーク１５からは時刻ｔ＋Δｔにおけるマイク検出信号の予測値として
Ｏｆ ＝ｍ１ ａ （ｔ＋Δｔ）〜ｍｎ ａ （ｔ＋Δｔ）
が出力され、ピエゾ素子センサの検出の予測値として
【数１０】
が出力される。
【０１３０】
なお、同定ニューラルネットワーク１５の出力Ｏｆ ＝ｍ１ ａ （ｔ＋Δｔ）〜ｍｎ ａ （ｔ＋Δｔ）は逐次記憶され、過去のデータとして同定ニューラルネットワーク１５と音場制御ニューラルネットワーク１３ａとの各入力層に入力されている。
【０１３１】
【外６】
ｎ ａ （ｔ＋Δｔ）も逐次記憶され、過去のデータとして同定ニューラルネットワーク１５の入力層及び構造制御ニューラルネットワーク１３ｂの入力層にそれぞれ入力されている。
【０１３２】
従って、同定ニューラルネットワーク１５の評価関数Ｅｆ は、
【数１１】
となる。
【０１３３】
また、音場制御ニューラルネットワーク１３ａの制御評価関数Ｅｃ は、
【数１２】
となる。
【０１３４】
更に、構造制御ニューラルネットワーク１３ｂの制御評価関数Ｅｃ は、
【数１３】
となる。
【０１３５】
従って、これらの評価関数Ｅｆ ，Ｅｃ を用いて上記のように同定ニューラルネットワーク１５と制御ニューラルネットワーク１３との結合荷重Ｗの修正、学習を適格に行なうことができる。
【０１３６】
なお、この第１実施例では、同定ニューラルネット、制御ニューラルネットの双方にＡＲＭＡモデルを考慮したニューラルネットを用いているが、少なくとも制御ニューラルネットにつきＡＲＭＡモデルを考慮すればよい。
【０１３７】
図２８は、この発明の第２実施例を示している。この実施例は、アクティブコントロール装置を自動車のサスペンションの振動制御に適用したものである。
【０１３８】
車体３２は、前輪３３と後輪３５とで路面３７に接地している。このようなサスペンションにおいて前輪３３と車体３２との間のバネ定数はＫＦ２、減衰係数はＣＦ１であり、前輪３３と路面３７との間のバネ定数はＫＦ１、減衰係数はＣＦ１である。また、後輪３５と車体３２との間のバネ定数はＫＲ２であり、減衰係数はＣＲ１である。後輪３５と路面３７との間のバネ定数はＫＲ１、減衰係数はＣＲ１である。
【外７】
ある。
【０１３９】
そして、前輪３３と車体３２との間には制御力ＰＦ を与えて振動低減を図る制振装置３９が設けられ、後輪３５と車体３２との間には制御力ＰＲ を与えて振動低減を図る制振装置４１が設けられている。
【０１４０】
制御装置４０には、前輪３３側における路面３７の凹凸Ｙ０Ｆを検出する前輪側路面検出器４３及び後輪３５側における路面の凹凸を検出する後輪側路面検出器４５の信号が入力されるようになっている。
【０１４１】
また、前輪３３の振動加速度を検出する前輪振動加速度検出器４７と、後輪３５の振動加速度を検出する後輪振動加速度検出器４９との出力信号が入力されるようになっている。
【０１４２】
更に、車体３２の前部振動加速度を検出する前部振動加速度検出器５１と、後輪側の振動加速度を検出する後部振動加速度検出器５３とからの信号が入力されるようになっている。
【０１４３】
これら、検出器４３，４５，４７，４９，５１，５３は、サスペンションの振動状態を検出する振動状態検出手段を構成している。そして、制御装置４０は、第１実施例同様にニューラルネットが用いられており、検出器４３，４５，４７，４９，５１，５３の出力が入力され、前記制振装置３９，４１を制御する信号を出力する。また、当該出力信号に基づく制御予測値を制御目標値と比較することにより、ニューラルネットの結合荷重の修正を行なう構成となっている。
【０１４４】
この制御装置４０のニューラルネットワークの構成は図２９のようになっている。
【０１４５】
このニューラルネットも前記実施例同様、制御ニューラルネット５５と同定ニューラルネット５７とからなっている。制御ニューラルネット５５は、前輪制御ニューラルネット５５ａと後輪制御ニューラルネット５５ｂとからなっている。各制御ニューラルネット５５ａ，５５ｂは白丸の入力層と、斜線を施した丸で示す２段の中間層と黒丸の出力層とからなっており、同定ニューラルネット５７は白丸の入力層、斜線を施した丸の中間層、黒丸の出力層からなっている。
【０１４６】
そして、この実施例では、制御ニューラルネット５５のみをＡＲＭＡモデルを考慮したニューラルネットとしている。即ち、前輪制御ニューラルネット５５ａの入力層には、時刻ｔにおける前輪側路面検出器４３の検出信号Ｙ０Ｆ ｓ （ｔ） 、前
【外８】
制御力ＰＦ ａ （ｔ） となる。この出力ＰＦ ａ （ｔ） は、同定ニューラルネット１５に入力されると共に逐次記憶され、過去のデータＰＦ ａ （ｔ−１） として前輪制御ニューラルネット５５ａの入力層に入力されるようになっている。
【０１４７】
また、後輪制御ニューラルネット５５ｂも同様であり、入力は、検出器４５，
【外９】
４１の制御力Ｏｃ ＝ＰＲ ａ （ｔ） の過去のデータＰＲ ｓ （ｔ−１） となっている。出力Ｏｃ ＝ＰＲ ａ （ｔ） は制振装置４１に出力されると共に、同定ニューラルネット１５に入力されるようになっている。同定ニューラルネット１５の入力層には、更
【外１０】
更に、同定ニューラルネット１５の入力層には、中間層の出力が入力される構成となっている。これは、一般にレカレント（ｒｅｃｕｒｒｅｎｔ ）と呼ばれ、信号のノイズを除去することができる。レカレントは、例えば、中間層の出力を再び中間層自体に入力することによっても行なうことができる。
【０１４８】
同定ニューラルネット１５の出力Ｏｆ は、次の時刻ｔ＋１における車体３２の振動加速度
【数１４】
となる。従って、同定ニューラルネット１５の評価関数Ｅｆ は、
【数１５】
となり、制御ニューラルネット５５の評価関数Ｅｃ は、
【数１６】
となる。
【０１４９】
従って、この実施例においても評価関数Ｅｆ が所定以下となり、同定ニューラルネット５７が振動入力に対する車体３２の動特性を正確に表しているならば、評価関数Ｅｃ によって制御ニューラルネット５５の結合荷重を修正、学習し、サスペンション制御の適格なフィードフォワード制御を可能とする。
【０１５０】
なお、第２実施例で設けた同定ニューラルネット５７のレカレントは、制御ニューラルネットに用いることもでき、更に、第１実施例のニューラルネットに適用することも可能である。また第２実施例では過去のデータとして（ｔ−１）における１個のデータで説明したが、第１実施例と同様にいくつかの時間遅れのデータも考慮することが可能である。
【０１５１】
【発明の効果】
以上より明らかなように、この発明の構成によれば以下のような効果を奏する。
【０１５２】
請求項１の発明では、ニューラルネットを用いた制御装置によりシステムの動特性を的確に同定することができる。しかも探索領域を大きさの異なった多領域に分割して探索を行なうため盲目的な探索を避けることができ、探索に要する回数を減らすことができる。しかもランダム探索を用いるため、ローカルな極小値へ収束することを防止し、グローバルな最小値を的確に求めることができる。したがって高速で精度のよい処理を行なうことができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。また、検出値に応じてカウント数を減少することが可能となり、より高速な処理が可能となる。
【０１５３】
請求項２の発明では、ニューラルネットを用いた制御装置によりシステムの動特性を的確に同定することができる。しかも探索領域を大きさの異なった多領域に分割して探索を行なうため盲目的な探索を避けることができ、探索に要する回数を減らすことができる。しかもランダム探索を用いるため、ローカルな極小値へ収束することを防止し、グローバルな最小値を的確に求めることができる。したがって高速で精度のよい処理を行なうことができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。極小値が得られないことが明らかな場合にその領域の処理を中止し、処理をより高速に行なうことが可能である。
【０１５４】
請求項３の発明では、ニューラルネットを用いた制御装置によりシステムの動特性を的確に同定することができる。しかも探索領域を大きさの異なった多領域に分割して探索を行なうため盲目的な探索を避けることができ、探索に要する回数を減らすことができる。しかもランダム探索を用いるため、ローカルな極小値へ収束することを防止し、グローバルな最小値を的確に求めることができる。したがって高速で精度のよい処理を行なうことができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。また、初期値に対する方向性に重み付けを行なうことにより、より高速で精度のよい検出を行なうことができる。
【０１５５】
請求項４の発明では、探索領域を大きさの異なった複数の領域に分割して、ランダム探索を行なうため、音又は振動状態の少なくとも一方を高速かつ精度よく制御することができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。また、検出値に応じてカウント数を減少することが可能となり、より高速な処理が可能となる。
【０１５６】
請求項５の発明では、探索領域を大きさの異なった複数の領域に分割して、ランダム探索を行なうため、音又は振動状態の少なくとも一方を高速かつ精度よく制御することができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。極小値が得られないことが明らかな場合にその領域の処理を中止し、処理をより高速に行なうことが可能である。
【０１５７】
請求項６の発明では、探索領域を大きさの異なった複数の領域に分割して、ランダム探索を行なうため、音又は振動状態の少なくとも一方を高速かつ精度よく制御することができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。初期値に対する方向性に重み付けを行なうことにより、より高速で精度のよい検出を行なうことができる。
【０１５８】
請求項７の発明では、請求項４〜請求項６のいずれか１項の発明の効果に加え、車室内騒音をフィードフォワード制御により的確に制御することができる。したがって車室内騒音がエンジン音、エンジンからの入力、サスペンションからの入力、マフラーからの排気音、風切り音などの連成に基づく場合でも連成を的確に解析して、騒音低減を図ることができる。
【０１５９】
請求項８の発明では、請求項４〜請求項６のいずれか１項の発明の効果に加え、サスペンションの信号制御をフィードフォワードにより的確に制御することができる。したがって高速道は勿論、オフロードであってもサスペンションの振動特性を的確に解析し、車体振動の低減を図ることができる。
【０１６０】
請求項９の発明では、請求項４〜請求項８のいずれか１項の発明の効果に加え、制御ニューラルネットの他に同定ニューラルネットを設けることによって、制御予測値を出力し、制御ニューラルネットの制御パラメータの修正を的確に行なうことができる。
【０１６１】
請求項１０の発明では、請求項４〜請求項９のいずれか１項の発明の効果に加え、検出制御の現時点よりも前のデータを入力することによって、現時点よりも後の制御予測値を予測して出力するため、ランダムな入力であっても音振状態を的確に予測することができ、ランダムな入力に対して的確な制御が可能となる。
【０１６２】
請求項１１の発明では、請求項１〜請求項１０のいずれか１項の発明の効果に加え、ニューラルネットの結合荷重を学習するときの学習する割合を制御パラメータとして修正するため、学習の割合を適切な値にすることを高速かつ精度良く行なうことができ、最小値の検出をより高速かつ高精度に行なうことができる。
【０１６３】
請求項１２の発明では、請求項１〜請求項１１のいずれか１項の発明の効果に加え、ニューラルネットを領域の個数に応じて複数並列に備えたため、処理を高速に行なうことができる。
【図面の簡単な説明】
【図１】この発明の一実施例に係る概略ブロック図である。
【図２】制御装置のブロック図である。
【図３】ニューラルネットの一部を示す説明図である。
【図４】シグモイド関数を示す説明図である。
【図５】最急降下法による収束状況を示す説明図である。
【図６】ランダム探索法の概略図である。
【図７】ランダム探索法のフローチャートである。
【図８】一次元関数の形状を示す図である。
【図９】各初期値における収束状況を説明するグラフである。
【図１０】ステップ数を変更した場合の説明図である。
【図１１】カウント数を変更した場合の説明図である。
【図１２】一自由度系ばね−質量モデルの説明図である。
【図１３】一自由度系ばね−質量モデルの過渡応答の説明図である。
【図１４】教師信号のグラフである。
【図１５】線形モデルの誤差の時刻歴のグラフである。
【図１６】同定結果のグラフである。
【図１７】片持梁にインパルス入力を行なう状況の説明図である。
【図１８】片持梁の同定ニューラルシステムの説明図である。
【図１９】片持梁のリアルタイム同定過程での誤差の履歴を示すグラフである。
【図２０】ニューラルネットによる片持梁の同定結果のグラフである。
【図２１】並列化ニューラルネットによる該略図である。
【図２２】ＡＲＭＡモデルに基づいたニューラルネットの説明図である。
【図２３】作用の概略説明図である。
【図２４】システムの応答図である。
【図２５】バックプロパゲーションの説明図である。
【図２６】フローチャートである。
【図２７】一実施例に係るニューラルネットの構成図である。
【図２８】他の実施例に係る概略ブロック図である。
【図２９】他の実施例に係るニューラルネットワークの構成図である。
【図３０】従来の能動型騒音制御装置の概略ブロック図である。
【図３１】信号の干渉状態を示す説明図である。
【符号の説明】
１ 車室
３ マイクロフォン（騒音状態検出手段、音振状態検出手段）
７ ラウドスピーカ（制御音源、アクチュエータ）
１１ 制御装置
３９ 制振装置（アクチュエータ）
４０ 制御装置
４１ 制振装置（アクチュエータ）
４３ 前輪側路面検出器（振動状態検出手段、音振状態検出手段）
４５ 後輪側路面検出器（振動状態検出手段、音振状態検出手段）
４７ 前輪振動加速度検出器（振動状態検出手段、音振状態検出手段）
４９ 後輪振動加速度検出器（振動状態検出手段、音振状態検出手段）
５１ 前部振動加速度検出器（振動状態検出手段、音振状態検出手段）
５３ 後部振動加速度検出器（振動状態検出手段、音振状態検出手段）
【産業上の利用分野】
この発明は、自動車の車室内騒音や車体振動を能動的に低減するアクティブコントロール装置に関する。
【０００２】
【従来の技術】
従来のこの種のアクティブコントロール装置としては、例えば英国公開特許公報第２１４９６１４号記載の図３０に示す能動型騒音制御装置がある。
【０００３】
この従来装置は航空機の客室やこれに類する閉空間に適用されるもので、閉空間１０１内にラウドスピーカ１０３ａ，１０３ｂ，１０３ｃおよびマイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄを備えており、ラウドスピーカ１０３ａ，１０３ｂ，１０３ｃによって騒音に干渉させる制御音を発生し、マイクロフォン１０５ｓ，１０５ｂ，１０５ｃ，１０５ｄによって残差信号（残留騒音）を測定するようになっている。これらラウドスピーカ１０３ａ，１０３ｂ，１０３ｃ、マイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄは信号処理機１０７に接続されており、信号処理機１０７は基本周波数測定手段によって測定した騒音源の基本周波数とマンクロホン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄからの入力信号とを受けとり、閉空間１０１内の音圧レベルを最小にするようにラウドスピーカ１０３ａ，１０３ｂ，１０３ｃに制御音信号を出力するものである。
【０００４】
ここで閉空間１０１内には、３個のラウドスピーカ１０３ａ，１０３ｂ，１０３ｃと４個のマイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄが設けられているが、説明を単純化するため、それぞれ１０３ａ，１０５ａの一個ずつ設けられているものとする。
【０００５】
今、騒音源からマイクロフォン１０５ａまでの伝達関数をＨとし、ラウドスピーカ１０３ａからマイクロフォン１０５ａまでの伝達関数をＣとし、騒音源が発生する音源情報信号をＸｐ とすると、マイクロフォン１０５ａで観測される残差信号Ｅは、
Ｅ＝Ｘｐ ・Ｈ＋Ｘｐ ・Ｇ・Ｃ
となる。ここで、Ｇは、消音するために必要な伝達関数である。消音対象点において、騒音が完全に打ち消されてとき、Ｅ＝０となる。このときＧは、
Ｇ＝−Ｈ／Ｃ
となる。そして、マイク検出信号Ｅが最小となるＧを求め、このＧに基づいて信号処理機１０７内のフィルター係数を適応的に更新するようにしている。マイク検出信号Ｅを最小にするようフィルター係数を求める手段として、最急降下法の一種であるＬＭＳアルゴリズム（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）などがある。
【０００６】
また、図３０のように、マイクロフォンが複数設置されている場合には、各マイクロフォン１０５ａ，１０５ｂ，１０５ｃ，１０５ｄで検出した信号の総和が最小となるように制御される。
【０００７】
そして、上記のような制御によって、例えば図３１の（ａ）のような車室内籠り音に対して（ｂ）のような逆相の相殺音を出力し、（ｃ）のように籠り音を相殺音で打ち消す。
【０００８】
【発明が解決しようとする課題】
ところで、前記従来装置は、正弦成分などの定状確定信号からなる単一の騒音源、例えばエンジンから発生される騒音を低減する場合には効果的である。
【０００９】
しかしながら、走行中の自動車の車室内騒音は、エンジン回転に伴なう騒音、サスペンションから伝達されるロードノイズ、風切り音、排気音など種々のものが存在し、しかも、ランダムな性質のものが多い。従って、エンジン回転に伴なう騒音の正弦成分のみを基準信号として騒音制御をしたのでは制御対象以外の騒音成分が演算の度に加算されて発散を招く恐れがあり、この場合はかえって騒音レベルの悪化を招くことがある。
【００１０】
また、アクティブコントロール装置は、上記図３０の能動型騒音制御装置以外に、サスペンションの振動制御などにも応用することができるが、サスペンションの振動入力はランダムな性質を有しており、これを適格に制御することは困難であった。
【００１１】
このため、本願出願人はニューラルネットを用いた制御装置を採用することにより、複数の騒音原からの騒音が連成され、かつランダムな性質を有していても、的確な騒音制御を図ることができ、またランダムな振動であってもこれを的確に制振することのできるアクティブコントロール装置をすでに出願している（特願平５−５７８５参照）。
【００１２】
ところで、このようなニューラルネットワークを用いたアクティブコントロール装置では低周波数領域において有効であるにしても、高周波数領域での非線形性の強いシステムに対して、同定学習速度及び制御精度の向上に限界を招いていた。
【００１３】
これをさらに説明すると、ニューラルネットワークを用いた制御装置では、一般に最急降下法ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）などのアルゴリズムを用いて、ニューラルネットワークの出力値から算出できる誤差評価関数の最小値を求め、ニューラルネットワークの制御パラメータの調整を行なうようにしている。
【００１４】
しかし、ニューラルネットワークの誤差評価関数が示す誤差曲面にはグローバルな最小値の他に、数多くのローカルな極小値が存在しランダムな抽出を行なうためたまたま抽出によりローカルな極小値を見つけるとそこに収束してしまうものとなる。このため、検出した値がローカルな極小値かグローバルな最小値かの判断ができず、制御パラメータの調整に限界を招いていたからである。
【００１５】
これに対して、最近ではもとの信号に雑音（ノイズ）を入れてグローバルな最小値が得られるニューラルネットワークのアルゴリズムが発表されている（ＵＳＰ２８４１５２参照）。これはもとの信号に一定レベルの周波数でノイズを入れ、このノイズの度合いを次第に小さくすることにより、グローバルな最小値を得るようにしたものである。
【００１６】
しかしながら、どの程度のレベルのノイズを入たらいいのか、あるいはどの程度小さくしていったらいいのかを一義的に決めることが出来ず、場合によっては最小値が得られない恐れがある。
【００１７】
そこで、この発明はニューラルネットを用いたアクティブコントロール装置でありながら、的確な学習速度と制御精度とを達成することの出来るアクティブコントロール装置の提供を目的とする。
【００１８】
【課題を解決するための手段】
上記、課題を解決するために請求項１の発明は、出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域でのカウント数を変更することを特徴とする。
【００１９】
請求項２の発明は、出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返し中に極小値が得られないと判断するとき、該当する領域を制約リストに登録し、当該領域での極小値の検出を中止することを特徴とする。
【００２０】
請求項３の発明は、出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことを特徴とする。
【００２１】
請求項４の発明は、音又は振動状態の少なくとも一方を制御するアクチュエータと、音又は振動状態の少なくとも一方を検出する音振状態検出手段と、前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域でのカウント数を変更することを特徴とする。
【００２２】
請求項５の発明は、音又は振動状態の少なくとも一方を制御するアクチュエータと、音又は振動状態の少なくとも一方を検出する音振状態検出手段と、前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返し中に極小値が得られないと判断するとき、該当する領域を制約リストに登録し、当該領域での極小値の検出を中止することを特徴とする。
【００２３】
請求項６の発明は、音又は振動状態の少なくとも一方を制御するアクチュエータと、音又は振動状態の少なくとも一方を検出する音振状態検出手段と、前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことを特徴とする。
【００２４】
請求項７の発明は、請求項４〜請求項６のいずれか１項に記載のアクティブコントロール装置であって、前記アクチュエータは、自動車の車室内騒音に干渉させる制御音を発生して騒音低減を図る制御音源であり、前記音振状態検出手段は、自動車の車室内の騒音状態を検出する騒音状態検出手段であることを特徴とする。
【００２５】
請求項８の発明は、請求項４〜請求項６のいずれか１項に記載のアクティブコントロール装置であって、前記アクチュエータは、自動車のサスペンションに制御力を与えて振動低減を図る制振装置であり、前記音振状態検出手段は、自動車のサスペンションの振動状態を検出する振動状態検出手段であることを特徴とする。
【００２６】
請求項９の発明は、請求項４〜請求項８のいずれか１項に記載のアクティブコントロール装置であって、前記制御装置のニューラルネットは、制御ニューラルネットと同定ニューラルネットとからなり、前記制御ニューラルネットは、前記音振状態検出手段の出力が入力されて前記アクチュエータを制御する信号を出力し、前記同定ニューラルネットは、予め同定した前記アクチュエータの制御による自動車の応答に基づき前記制御予測値を出力することを特徴とする。
【００２７】
請求項１０の発明は、請求項４〜請求項９のいずれか１項に記載のアクティブコントロール装置であって、前記制御装置は、前記音振状態検出手段が検出した現時点よりも前のデータとして、少なくとも前記アクチュエータの制御信号を入力するニューロン素子を有して現時点のアクチュエータの制御信号を出力し、前記検出時点よりも後の制御予測値を予測して出力することを特徴とする。
【００２８】
請求項１１の発明は、請求項１〜請求項１０のいずれか１項に記載のアクティブコントロール装置であって、前記制御パラメータは、前記ニューラルネットの結合荷重を学習するときの学習の割合であることを特徴とする。
【００２９】
請求項１２の発明は、請求項１〜請求項１１記載のいずれか１項にアクティブコントロール装置であって、前記ニューラルネットは、前記領域の個数であるステップ数に応じて複数並列に備えられていることを特徴とする。
【００３０】
【作用】
上記手段の請求項１の発明のよれば、ニューラルネットを用いた制御装置は、出力値と制御目標値との比較により制御パラメータの修正を行なう。この場合、制御装置は制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行なうことができる。
【００３１】
すなわち、制御パラメータの許容範囲を複数の領域に分割し、その夫々から極小値を検出し、そのうち最も小さいものを最小値として算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を求めて制御パラメータの修正を行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域での検出の繰り返しにおいて得られる検出値に応じて前記各領域でのカウント数を変更することができる。このため、例えば、カウント数が多く残存していても、検出値が大きく収束している場合には、以後の処理においてカウント数を減少させ、処理を早めることができる。
【００３２】
請求項２の発明では、ニューラルネットを用いた制御装置は、出力値と制御目標値との比較により制御パラメータの修正を行なう。この場合、制御装置は制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行なうことができる。すなわち、制御パラメータの許容範囲を複数の領域に分割し、その夫々から極小値を検出し、そのうち最も小さいものを最小値として算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を求めて制御パラメータの修正を行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でカウント数の繰り返しにより検出値が収束しないとき、該当する領域を制約リストに登録し当該領域での極小値の検出を中止することができる。従って、極小値が得られる可能性のある領域にしぼって検出を続行することができる。
【００３３】
請求項３の発明では、ニューラルネットを用いた制御装置は、出力値と制御目標値との比較により制御パラメータの修正を行なう。この場合、制御装置は制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行なうことができる。すなわち、制御パラメータの許容範囲を複数の領域に分割し、その夫々から極小値を検出し、そのうち最も小さいものを最小値として算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を求めて制御パラメータの修正を行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でのカウント数の繰り返しによる検出値に応じて、各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことができる。従って、各領域で、検出値がより収束する方向に制御パラメータのランダムな値をとることができる。
【００３４】
請求項４の発明では、音振状態検出手段が対象物の音振状態を検出し、その出力が制御装置に入力されるとニューラルネットによって生成された信号が出力される。この信号出力によって、アクチュエータが対象物の音振状態を制御する。また、ニューラルネットにより出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習が適応的に行われる。この際、制御装置は、制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値のカウントを計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記制御パラメータの修正を行なうことができる。すなわち、ニューラルネットを用いて制御パラメータを修正する際、各領域ごとに極小値を検出し得られた極小値の中から最小値を算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を的確に求めることができる。そして、このグローバルな最小値によって制御パラメータの修正を的確に行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域での検出の繰り返しにおいて得られる検出値に応じて前記各領域でのカウント数を変更することができる。このため、例えば、カウント数が多く残存していても、検出値が大きく収束している場合には、以後の処理においてカウント数を減少させ、処理を早めることができる。
【００３５】
請求項５の発明では、音振状態検出手段が対象物の音振状態を検出し、その出力が制御装置に入力されるとニューラルネットによって生成された信号が出力される。この信号出力によって、アクチュエータが対象物の音振状態を制御する。また、ニューラルネットにより出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習が適応的に行われる。この際、制御装置は、制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値のカウントを計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記制御パラメータの修正を行なうことができる。すなわち、ニューラルネットを用いて制御パラメータを修正する際、各領域ごとに極小値を検出し得られた極小値の中から最小値を算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を的確に求めることができる。そして、このグローバルな最小値によって制御パラメータの修正を的確に行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でカウント数の繰り返しにより検出値が収束しないとき、該当する領域を制約リストに登録し当該領域での極小値の検出を中止することができる。従って、極小値が得られる可能性のある領域にしぼって検出を続行することができる。
【００３６】
請求項６の発明では、音振状態検出手段が対象物の音振状態を検出し、その出力が制御装置に入力されるとニューラルネットによって生成された信号が出力される。この信号出力によって、アクチュエータが対象物の音振状態を制御する。また、ニューラルネットにより出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習が適応的に行われる。この際、制御装置は、制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値のカウントを計算し、制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記制御パラメータの修正を行なうことができる。すなわち、ニューラルネットを用いて制御パラメータを修正する際、各領域ごとに極小値を検出し得られた極小値の中から最小値を算出するため、ローカルな極小値で収束することがなく、グローバルな最小値を的確に求めることができる。そして、このグローバルな最小値によって制御パラメータの修正を的確に行なうことができる。また、各領域での極小値の検出に際し、各領域の中に制御パラメータのランダムな値を各々複数個を選び、選んだ個数をカウント数として複数回繰り返すことができる。従って、グローバルな最小値を求める確率が増大する。また、各領域でのカウント数の繰り返しによる検出値に応じて、各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことができる。従って、各領域で、検出値がより収束する方向に制御パラメータのランダムな値をとることができる。
【００３７】
請求項７の発明では、請求項４〜請求項６のいずれか１項に記載の発明の作用に加え、騒音状態検出手段が車室内の騒音状態を検出すると、その出力が制御装置に入力されニューラルネットによって生成された信号が出力される。この出力信号によって、制御音源が制御され自動車の車室内騒音に干渉させる制御音を発生して、騒音低減を図ることができる。またニューラルネットにより、出力信号に基づく制御予測値が出力され、この制御予測値と制御目標値とが比較され、その結果ニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習を行なうことができる。すなわちランダムな性質を有する騒音であっても、ニューラルネットを用いて正確にコントロールすることができる。
【００３８】
請求項８の発明では、請求項４〜請求項６のいずれか１項に記載の作用に加え、振動状態検出手段がサスペンションの振動状態を検出すると、その出力が制御装置に入力され、ニューラルネットにより生成された信号が出力される。この出力信号によって、制振装置が制御され自動車のサスペンションに制御力が与えられて、振動低減を図ることができる。またニューラルネットによって、前記出力信号に基づく制御予測値が出力され、制御目標値と比較することによりニューラルネットの制御パラメータの修正が行われ、ニューラルネットの学習を行なうことができる。すなわち、ランダムな性質を有するサスペンション振動をニューラルネットを用いてコントロールすることができる。
【００３９】
請求項９の発明では、請求項４〜請求項８のいずれか１項に記載の作用に加え、音振状態検出手段の出力が制御ニューラルネットに入力され、アクチュエータを制御する信号が出力される。また、同定ニューラルネットは予め同定した自動車の応答に基づき制御予測値を出力することができる。したがって同定ニューラルネットから出力された制御予測値を制御目標値と比較することにより、制御ニューラルネットの制御パラメータの修正を行ないニューラルネットの学習を行なうことができる。すなわち、同定ニューラルネットの採用により制御ニューラルネットの制御パラメータを修正するための制御予測値を正確に出力することができる。
【００４０】
請求項１０の発明では、請求項４〜請求項９のいずれか１項に記載の作用に加え、制御装置において、音振状態検出手段が検出した現時点よりも前のデータとして少なくともアクチュエータの制御信号を入力し、現時点のアクチュエータの制御信号が出力される。また検出時点よりも後の制御予測値を予測して出力することができる。すなわちアクチュエータの制御信号は、過去のデータに基づいて出力され、かつ制御予測値が予測して出力されるので、ランダムな性質を有する騒音や振動に適応させることができる。
【００４１】
請求項１１の発明では、請求項１〜請求項１０のいずれか１項に記載の作用に加え、制御パラメータとしてニューラルネットの結合荷重を学習するときの学習の割合とすることができる。したがって最小値の検出に際して、学習の割合を適宜選択することができる。
【００４２】
請求項１２の発明では、請求項１〜請求項１１のいずれかの発明の作用に加え、ニューラルネットを領域の個数であるステップ数に応じて複数並列に備えることができる。したがって各領域ごとに、各々のニューラルネットによって探索を行なうことができる。
【００４３】
【実施例】
以下、この発明の実施例を説明する。
【００４４】
図１は、この発明の第１実施例に係るアクティブコントロール装置を適用したアクティブノイズコントロール装置の全体を示す概略図である。
【００４５】
図１で示す車室１内は、エンジンからの騒音、サスペンションからのロードノイズ、マフラからの排気音、更には風切り音、車体パネルの振動などが合成され、非線形の連成空間を構成している。このような連成空間としての車室１内の音振状態として、騒音状態を検出するために、音振状態検出手段（騒音状態検出手段）であるマイクロフォン３及びピエゾ素子センサ５が設けられている。
【００４６】
自動車の音振状態を制御するアクチュエータとしては、自動車の車室１内騒音に干渉させる制御音を発生して騒音低減を図る制御音源であるラウドスピーカ７が設けられている。
【００４７】
また、この実施例では、自動車の音振状態を制御するアクチュエータとして車体パネルに外力を加えて車体の振動モードを制御するピエゾ素子アクチュエータ９が設けられている。
【００４８】
そして、マイクロフォン３、ピエゾ素子センサ５の出力は、ニューラルネットを用いた制御装置１１に入力され、制御装置１１は、ラウドスピーカ７、ピエゾ素子アクチュエータ９を制御する信号を出力するようになっている。
【００４９】
同時に当該出力信号に基づく制御予測値を制御目標値と比較することにより、ニューラルネットのパラメータ、例えば結合荷重の修正を行なう構成となっている。
【００５０】
なお、この実施例では、前記のように車室１内の騒音を制御するためにマイクロフォン３、ラウドスピーカ７の他に、ピエゾ素子センサ５、ピエゾ素子アクチュエータ９を設けているが、これは、車室１内の騒音は車体の振動応答と車室１内の音場との連成となるからである。
【００５１】
また、マイクロフォン３、ピエゾ素子センサ５、ラウドスピーカ７及びピエゾ素子アクチュエータ９は、説明簡単のために各１個のみ設けられているものとしているが、例えば、これらを複数とし、マイクロフォン３は各座席のヘッドレスト位置にそれぞれ設け、ラウドスピーカ７は車両の前席及び後席に対応する左右ドア部にそれぞれ配置し、ピエゾ素子センサ５及びピエゾ素子アクチュエータ９は車体ルーフ、左右ドア部などに分散して設けることもできる。
【００５２】
図２は、前記制御装置１１を示す概略ブロック図である。即ち、制御装置１１は、制御ニューラルネット１３と、同定ニューラルネット１５と、評価・調整部１７と、遅延器１９と、図示しないが記憶部等を備えている。
【００５３】
前記制御ニューラルネット１３は、マイクロフォン３の出力ｍとピエゾ素子セ
【外１】
【００５４】
前記同定ニューラルネット１５は、予め同定したアクチュエータの制御による自動車の応答に基づき制御予測値Ｏｆ を出力する。即ち、制御ニューラルネット１３の出力Ｏｃ１，Ｏｃ２及びマイクロフォン３の出力ｍ等を入力し、制御予測値Ｏｆ を出力する構成となっている。
【００５５】
前記評価・調整部１７は、同定ニューラルネット１５が被制御体の動特性を充分に表した後、即ち、車室１の応答を充分に同定した後、同定ニューラルネット１５の出力Ｏｆ と制御目標値ＸＴ との差を演算し、この値を用いてバックプロパゲーションにより制御ニューラルネット１３の結合荷重の修正を行なう。
【００５６】
前記遅延器１９，２１及び図示しない記憶部は、ＡＲＭＡモデルに基づいて制御ニューラルネット１３と同定ニューラルネット１５とを構成するものである。
【００５７】
遅延器１９はマイクロフォン３、ピエゾ素子センサ５が騒音状態を検出した時点ｔよりも前、即ち、（ｔ−１），（ｔ−２），…などの制御信号Ｏｃ１，Ｏｃ２を制御ニューラルネット１３に入力する構成となっている。このため、制御ニューラルネット１３は時間遅れ（過去）の信号を入力するニューロン素子を有している。
【００５８】
遅延器２１は、同定ニューラルネット１５の出力信号Ｏｆ の現時点ｔよりも前の（ｔ−１）などのデータを同定ニューラルネット１５及び制御ニューラルネット１３に入力する構成となっている。従って、両ニューラルネット１３，１５は、同定ニューラルネット１５の出力Ｏｆ の過去のデータを入力するニューロン素子をそれぞれ有している。
【００５９】
【外２】
【００６０】
図３（ａ），（ｂ）は、ニューラルネットの構成の一部を示したもので（ａ）は全体（ｂ）は中間層の１つ（例えば２５ｃ）を示したものである。
【００６１】
このニューラルネットは、入力層と中間層と出力層とからなっている。入力層はニューロン素子２３ａ，２３ｂの２個を示し、中間層はニューロン素子２５ａ，２５ｂ，２５ｃの３個を示し、出力層はニューロン素子２７の１個を示している。
【００６２】
ここで説明するニューラルネットは、入力層のニューロン素子２３ａ，２３ｂでは入力ｘ１ ，ｘ２ に対して結合荷重Ｗｉｊを付け、中間層のニューロン素子２５ａ，２５ｂ，２５ｃでは同様に結合荷重Ｈｊｒを付けている。ｉｊはｉ番目の入力層に対して、ｊ番目の中間層が結合していることを示し、ｊｒはｊ番目の中間層に対してｒ番目の出力層が結合していることを示している。
【００６３】
従って、結合荷重Ｗｉｊによる各ニューロンの内部ポテンシャルＯ１ は、
Ｏ１ ＝ΣＷｉｊｘｉ ＋Θｉ …（１）
となる。ここに、Θｉ はニューロン素子の閾値を示している。
【００６４】
また、内部ポテンシャルＯ１ は、ニューロン素子への出力値と決める。出力は、例えば、図４で示すシグモイド関数で計算される。これは、
【数１】
【００６５】
ここに、ｕ０ は図４の傾きを示すもので、この傾きｕ０ を決めることにより、ランダム信号に対応させることができる。出力は０から１の間の出力であり、例えば、物理量ｖ＝０〜１００ｍ／ｓｅｃ を出力するとしたら、
【数２】
【００６６】
結合荷重Ｗｉｊ等の修正は、同定ニューラルネット１５の出力Ｏｆ と制御目標値ＸＴ との誤差を、
Ｅ＝Σ（ＸＴ −Ｏｆ ）２ …（４）
とし、最急降下法により、誤差Ｅを最小値とするＷｉｊを求め、結合荷重とするのである。
【００６７】
ここで、入力ｘのニューロン素子の出力Ｏｆ は、Ｏｆ ＝ｆ（ｙ）で与えられるから、誤差Ｅはｆ（ｙ）の関数となり、ＥをＯｆ で偏微分し、Ｏｆ をＷｉｊで偏微分して、
【数３】
【数４】
【００６８】
上記のような関係でＥを最小とするＷｉｊを求めることは、最急降下法を実装したものと等価であり、以下の式が成り立つ。
【００６９】
【数５】
【００７０】
図６はランダム探索法の概略図を示している。ここでは、有る目的関数ｆ（ｘ）を制約条件のもとで最小にする問題を考える。このランダム探索法ではあらたにステップ数、カウント数の二つの定数を定義する。ステップ数とは探索を行なう近傍領域の個数であり、カウント数とは一つの近傍領域を探索する回数の上限値を表わす。制約条件を満足する解の第１次近似解（初期値）ｘ０ とし、ｘ０ の周りに近傍領域Ｎ（ｘ０ ，ｈｉ ）を設定する。ここにＨ＝ｈｉ （ｉ＝１，…，ｒ）はステップである。この探索法の考え方は、夫々の近傍領域の中でｘをランダムに発生させ、これによるｆ（ｘ）がｆ（ｘ０ ）より小さければ、その点をその領域内の極小値として記憶し、全近傍領域で選択された極小値の中で最も小さなｘを第２次近似解ｘ１ とし、ｘ１ の周りに再度近傍領域を設けて探索を繰り返すものである。
【００７１】
以上の手法を一変数関数の最小値の問題に適用すると以下のようになる。
【００７２】
目的関数ｆ（ｘ）が与えられ、変数ｘの値域が（ａ，ｂ）のとき、ステップを順次１／１０づつ小さくし、ステップ数がｒ個で探索が行われた場合、ステップ（Ｈ）はベクトル表示して次のようになる。
【００７３】
【数６】
【００７４】
次に図７のフローチャートを用いて、上記ランダム探索を説明する。
【００７５】
なお以下の説明において、ステップＳはランダム探索法において、あらたに定義したステップｈとは異なるものである。
【００７６】
まずステップＳ１では、ステップｈｉ の設定が行われる。このステップｈｉ の設定は、上記のように探索を行なう近傍領域の個数の設定である。
【００７７】
ステップＳ２では、領域の設定が行われる。この領域設定によって、ｘの許容範囲を複数の領域に分割する。
【００７８】
次いでステップＳ３，Ｓ４，Ｓ５において初期設定が行われる。すなわち繰り返し数Ｉ＝０、ステップ数ｉ＝１、カウント数Ｋ＝０に設定される。繰り返し数Ｉは一回の領域設定によって得られた最小値を次解の初期値として、再度探索を繰り返す場合の数である。ステップ数ｉは１として設定し、ステップＳ２で設定した領域の最初の近傍領域を選定する。そして、初回はステップＳ６，ステップＳ７と移行してステップＳ８において最大の領域での探索が行われる。すなわち初期値ｘ０ｉがランダムに発生し、ステップＳ６において目的関数ｆ（ｘ）との比較が行なわれる。ｆ（ｘ０ ）＞ｆ（ｘ０ｉ）ならば初期値ｘ０ｉはステップＳ９において極小値として記憶される。
【００７９】
ステップＳ６においてＮＯと判断されれば、ステップＳ７においてカウント数Ｋが与えられた数より大きいかどうかが判断され、大きくなければステップＳ８において同じ領域であらためてｘが発生し探索が行われる。このような探索において、極小値が見つからず、しかもカウント数が与えられた数より大きくなるとステップＳ１０へ移行し、ステップｈの個数ｉが設定した個数ｒを上回るかどうかの判断が行われ、ｉがｒを下回っていればｉの数をプラスしてステップＳ５へ移行する。
【００８０】
ステップＳ５では再びＫ＝０の設定が行われ、ステップＳ６，ステップＳ７，ステップＳ８へと移行し次の領域での探索が行われる。ステップＳ９において極小値の記憶が行われた場合にも、ステップＳ１０の判断が行われステップの個数ｉのプラスが行われて次の領域での探索が行われるものである。
【００８１】
このようにして、全てのステップでの探索が終了すると、ステップＳ１１において極小値の中の最も小さい値を最小値ｘ＝ｘｂｅｓｔとして算出し記憶する。次にステップＳ１１において記憶した最小値ｘｂｅｓｔを第２次近似解ｘ１ とし、ｘ１ の解りに再度近傍領域が設定され、ステップＳ１３においてＩが繰り返し数を上回ってない限りＩがプラスされ、ステップＳ４へ移行する。したがって、あらたな領域設定において再度探索が行われ最小値の算出が行われる。
【００８２】
そしてステップＳ１３において、繰り返し数を満足したと判断されれば探索は終了する。
【００８３】
このような処理によって、上記制御パラメータηの最小値を探索するものである。すなわち図６，図７において、ｘを制御パラメータηとして置き換え処理を行なうのである。制御パラメータηに置き換えて説明すると、制御装置１１は制御パラメータηの初期値η０ｉをランダムに設定し、初期値η０ｉでの制御目標値に対する出力値の感度を計算する。次いで制御パラメータηの許容範囲を複数の領域に分割し、前記感度に基づき各領域の中に制御パラメータηのランダムな値を選んで、制御目標値に対する出力値の差の極小値を各領域で検出し、各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値としてηの修正を行なうものである。
【００８４】
したがって上記のように、大きさの異なった多領域に分割してηの解を探索するため、盲目的な探索を避けることができ探索に要する回数を減らすことができる。また多領域において夫々極小値を検出し、その中から最小値を算出するためローカルな極小値へ収束することを防ぐことができ、グルーバルな最小値を求めることができる。こうしてニューラルネットの学習の割合であるηの適正な値を求めることができ、精度良く高速に処理することができる。
【００８５】
次に上記ランダム探索法の効果を目的関数ｆ（ｘ）として、一次元関数を定義し、さらに説明する。
【００８６】
この一次元関数は、
【数７】
Ｅ＝（ｆ−ｆｂｅｓｔ）／ｆｂｅｓｔ
ｆｂｅｓｔ＝最適値
と定義され、ｘの初期値は各々図に示してある通り１３．５，１３．４，５．０としている。この図９より最急降下法は初期値の設定によって解が収束する場合（グローバルな最小値）とそうでない場合（ローカルな極小値）とがあり、初期値に対する依存性が強くあるのに対し、ランダム探索法ではどのような初期値に対しても精度よく解が収束した。
【００８７】
さらに二つの方法を組合せた場合、最急降下法だけのときに見られた初期値に対する依存性を十分に克服していると共に、ランダム探索法だけのときに比べ収束が早くなっている。この結果からランダム探索法は最適化問題を解く上で有効な方法であり、ランダム探索法と他のアルゴリズムを組合せることにより、さらに有効性が増すことが確認できた。
【００８８】
またランダム探索法に用いる新たに定義した定数であるステップ数，カウント数が最適解への収束情況にどのような影響を及ぼすかを考慮してみる。これら二つの定数を変更したときの解の収束性を比較した結果を図１０，図１１に示す。目的関数は上記ｆ（ｘ）を用いている。これら図１０，図１１から明らかなように、ステップ数が増えるとより精度の良いきめこまかな解の探索が可能となる。またカウント数が増えると誤差が最小、すなわちグローバルな最小値にたどりつく確率が増すことになる。但し、この二つの考え方で注意しなければならないのは、この二つの定数をむやみに大きくすると無駄な探索時間や、プログラムの際、無駄なメモリ領域を使ってしまうので、これらの定数の決定には十分な注意を要する。
【００８９】
図１２から図２０はランダム探索法の有効性をさらに説明するためのものである。すなわち一自由度のばね−質量モデル及び多自由度の梁の数値シミュレーション結果を示している。
【００９０】
先ず図１２から図１６は一自由度系の変位励振による応答を示している。図１２に示す一自由度のばね−質量モデルを考えると、この系に正弦波の外力を加え、ある時間経過した後の過渡応答を図１３に示す。固有角振動数は約１００ｒａｄ／ｓｅｃで、時間ステップは１ｍｓｅｃとした。ニューラルネットワークの入力としては、系の応答速度と加速度とを用い、次の時間ステップの加速度の変化分を出力とした。教師信号を図１４に示し、図１５に収束性、図１６に同定結果を示している。図１５，図１６の結果よりランダム探索法の誤差の収束が極めて早いことが確認できた。これは高精度な学習を極めて短時間で行なうことができることを示し、ランダム探索法を用いたニューラルネットワークの写像能力が最急降下法に比べ、極めて優れていることが確認できた。
【００９１】
図１７から図２０は片持梁のインパルス応答をオンライン同定することを試みた。ニューラルネットワークの入出力及びシステムの概略は図１８に示している。この図１８において、ニューラルネットワークの入力としては梁の先端（ｘ６）の加速度と速度とし、加速度の変換を出力する。ここでも片持梁の応答、すなわち教師信号は数値計算により求めている。誤差の収束性を図１９に示し、シミュレーション時間１００秒付近における同定結果を図２０に夫々示している。図１９，図２０より明らかなように、オンライン同定では最急降下法を用いた場合とランダム探索法及び最急降下法を組合せた方法を用いた場合とでは、学習時間及び誤差の収束性にかなりの違いがあった。同定結果も勾配式ランダム探索法では極めて精度良く行われていることが確認できた。
【００９２】
以上説明したランダム探索法の処理は、一つのニューラルネットワークによって順番に行なうこともできるが、図２１のように並列化ニューラルネットによって分散処理することも可能である。すなわちニューラルネットは夫々入力層，中間層，出力層を備えた複数のユニット１〜ｒを備えている。このユニットの個数は分割設定する領域の個数となっている。したがって各領域ごとに各ユニットにより分散処理制御を行なうことができる。すなわち分散処理制御システム６１では全体領域での探索の情報制御及び各ユニットを分散制御する。そして各ユニットごとに各領域での探索が行われ、グローバルな最小値の算出が６３によって行われる。そして、この最小値に基づきバックプロパゲーションによって各ユニットの制御パラメータが修正されるのである。このような並列化処理によって、処理時間を極めて短縮することができ、より高速な処理を行なうことができる。またこのように複数のニューラルネットを並設した場合、一つのユニットの処理が終了し、他のユニットの処理が終了していない場合には終了したユニットが他のユニットの支援を行なうことができ、さらに高速化処理することができる。
【００９３】
なお上記処理において、制御装置１１は各領域でのカウント数の繰り返しによる検出値に応じて、各領域でのカウント数を変更することも可能である。すなわちカウント数が多く残存していても、検出値が大きく収束している場合には、以後の処理においてカウント数を次第に減少し、処理を早めることができるのである。
【００９４】
また制御装置１１は、各領域でカウント数の繰り返しにより極小値が得られないと判断するとき、該当する領域を制約リストに登録し、該領域での極小値の検出を中止することもできる。このように構成することによって、極小値が得られないことが明らかな領域の探索を中止し、より処理を高速化することができる。
【００９５】
さらに制御装置１１は各領域でのカウント数の繰り返しによる検出値に応じて、各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことができる。すなわち図７で示すような領域において、初期値ｘ０ｉを中心にしてランダムな値を発生させるのであるが、カウント数を繰り返しているうちに初期値に対する極小値の方向が領域の中で次第に明らかになってくるため、その方向に多くのランダムな値を発生させることによって、より精度の良い検出を行なうことができるのである。
【００９６】
図２２は、ＡＲＭＡモデルに基づいたニューラルネットを一般的に示したものである。このニューラルネットは、入力層、中間層、出力層を有しており、時刻ｔにおける入力ｘ（ｔ）によって時刻（ｔ＋１）における出力ｙ（ｔ＋１）を予測して出力する。即ち、予測される出力ｙ（ｔ＋１）は、現在の入力ｘ（ｔ）と過去の状態とに関係する。このため、入力層には３つの短期記憶ユニット２９，３０，３１に接続されたニューロン素子を新たに追加している。
【００９７】
記憶ユニット２９は、入力ｘ（ｔ）の過去のデータｘ（ｔ−１）からｘ（ｔ−ｎ）を記憶し、それぞれ対応するニューロン素子に信号を入力するようになっている。記憶ユニット３０は、出力ｙ（ｔ＋１）の過去のデータｙ（ｔ）からｙ（ｔ−ｌ）のデータを記憶し、それぞれ対応するニューロン素子に入力するようになっている。記憶ユニット３１は、出力ｙ（ｔ＋１）の過去のデータｚ（ｔ−ｌ−１）からｚ（ｔ−ｇ）を記憶し、それぞれ対応するニューロン素子に入力するようになっている。
【００９８】
そして、入力ｘ（ｔ）の信号は予測係数α０ を付けて中間層のニューロン素子に入力され、記憶ユニット２９の各信号は予測係数α１ からαｎ が付けられ、記憶ユニット３０の信号は予測係数β０ からβ１ が付けられ、記憶ユニット３１の信号は予測係数γｌ＋１ からγｇ が付けられ、それぞれ中間層のニューロン素子に入力されるようになっている。
【００９９】
このニューラルネットの出力ｙ（ｔ＋１）と検出した状態量ｘ（ｔ＋１）との関係は、予測誤差ｅ（ｔ＋１）とすると、
ｘ（ｔ＋１）＝ｙ（ｔ＋１）＋ｅ（ｔ＋１）
となる。この場合、出力ｙ（ｔ＋１）は、
【数８】
【０１００】
従って、予測係数α，β，γは、誤差系列に最小２乗推定法を適用して適正な値へ修正されていくこととなる。
【０１０１】
次に、アクティブコントロール装置の作用を説明する。
【０１０２】
図２３は、この発明の第１実施例に係る作用の概略を示したものである。アクティブコントロール装置は、大概この図２３のように動作する。図１をも参照すると、まず、ピエゾ素子センサ５及びマイクロフォン３によって車室１内の代表点の応答を正確に把握し、制御装置１１によってシステムの動的特性をより正確に同定する。制御装置１１は、システムの同定に基づいて連成解析を行ない、ピエゾ素子アクチュエータ９及びラウドスピーカ７を制御するのである。即ち、図２を参照し、同定ニューラルネット１５が車室１内の騒音に対する動特性を充分に表した後、評価・調整部１７において同定ニューラルネット１５の出力Ｏｆ と制御目標値ＸＴ との差を演算し、この値を用いて制御ニューラルネット１３の結合荷重をバックプロパゲーションにより修正するのである。
【０１０３】
図２４は、車室１内の応答に対する制御のタイムチャートを示している。即ち、時刻ｔにおいて、ピエゾ素子センサ５及びマイクロフォン３で車室１内の状態を感知し、制御装置１１が時刻ｔでラウドスピーカ７及びピエゾ素子アクチュエータ９に信号を出力し、時刻ｔ＋Δｔにおいて車室１内の騒音制御が実現されるのである。
【０１０４】
そして、この制御結果を制御装置１１のニューラルネットにフィードバックして結合荷重を修正するため、同定ニューラルネット１５の入力はある時間ステップｔにおける車室１内の騒音状態量とこれに対する制御量とし、出力は次のステップ（ｔ＋Δｔ）における状態量となる。この同定ニューラルネット１５の出力Ｏｆ に基づき、同定ニューラルネット１５の制御評価関数Ｅｆ 、制御ニューラルネット１３の制御評価関数Ｅｃ は、
【数９】
ＸＴ ：のぞましい状態
Ｏｆ ：ニューロが予測した状態
となる。
【０１０５】
Ｘは時間ステップｔ＋Δｔにおける検出状態量であり、ＸＴ は、制御目標となる状態量である。従って、同定ニューラルネット１５が車室１内の騒音に対する動特性を正確に同定しているならば、評価関数Ｅｆ は所定値以下となり、同定ニューラルネット１５の出力Ｏｆ と目標状態量ＸＴ との誤差Ｅｃ は、全て制御ニューラルネット１３によって発生したと考えられる。
【０１０６】
従って、図２５のように誤差情報を逆伝搬し、制御ニューラルネット１３迄戻すことによって、制御装置１１全体についての調整が可能となるのである。
【０１０７】
次に、図２６のフローチャートによりこの発明の第１実施例の制御作用を説明する。
【０１０８】
まず、ステップＳ２１では、制御ニューラルネット１３と同定ニューラルネット１５との初期化を行なう。この初期化は、結合荷重Ｗと閾値Θ及びシグモイド関数の傾き係数ｕ０ をランダム関数を用いて決定する。
【０１０９】
ステップＳ２２では、同定ニューラルネット１５の初期学習を行なう。この初期学習はオフラインで行なわれ、予め定められたプログラムで行なわれる。このステップＳ２２での初期学習が完了すると、図２のように同定ニューラルネット１５は制御装置１１に組み込まれる。
【０１１０】
同定ニューラルネット１５の初期学習が完了した後、制御ニューラルネット１３が稼動され、その出力Ｏｃ がステップＳ２３で出力される。この出力によってラウドスピーカ７及びピエゾ素子アクチュエータ９が駆動されると共に、出力Ｏｃ は同定ニューラルネット１５に入力される。これにより、ステップＳ２４において同定ニューラルネット１５は、時刻ｔ＋Δｔにおける予測した状態量Ｏｆ を出力する。
【０１１１】
ステップＳ２５では、時刻ｔ＋Δｔにおける状態量Ｘの実測データがサンプリングされる。また、この実施例では、ＡＲＭＡモデルを利用しているため、過去の状態量を記憶装置に書き込む。
【０１１２】
ステップＳ２６では、同定の判断が行なわれる。即ち、このステップＳ２６は、同定ニューラルネット１５が車室１内の騒音に関する動特性を正確に同定しているかどうかを判断するものである。具体的には、実測された状態量Ｘと予測した出力Ｏｆ とを用いて上式のように演算された同定ニューラルネット１５の評価関数Ｅｆ を収束判定基準Ｔｆ より大きいか否かを判断する。Ｅｆ がＴｆ より大きければ、同定ニューラルネット１５がシステムを充分に同定していないため、ステップＳ２７へ移行し、評価・調整部１７によって同定ニューラルネット１５の結合荷重Ｗの修正、学習が行なわれる。
【０１１３】
次いで、ステップＳ２８へ移行し、適応制御の判断が行なわれる。この判断は、車室１内の騒音状態が目標の状態になっているかどうかを判断するものである。具体的には、目標とする状態量ＸＴ と同定ニューラルネット１５の出力Ｏｆ とによって上式のように演算される評価関数Ｅｃ を収束判定基準Ｔｃ より大きいか否かを判断する。Ｅｃ がＴｃ よりも大きければ、制御ニューラルネット１３が充分に同定されていないためステップＳ２９に移行し、バックプロパゲーションによって制御ニューラルネット１３の結合荷重Ｗの修正、学習が行なわれる。
【０１１４】
以後、ステップＳ２３からステップＳ２９が繰り返され、車室１内の騒音がフィードフォワードによって制御されることになる。
【０１１５】
即ち、図１、図２のように同定ニューラルネット１５は、予めオフラインで車室１内の騒音に関する動特性を同定されている。そして、制御ニューラルネット
【外３】
【０１１６】
そして、出力Ｏｃ１によってラウドスピーカ７が駆動され、騒音に対する逆相の信号が車室１内に出力される。また、出力Ｏｃ２によって、ピエゾ素子アクチュエータ９が駆動され、車体の振動モードが制御される。これによって、車室１の非線形の連成空間が制御され、騒音低減を図ることができる。
【０１１７】
また、同定ニューラルネット１５は、制御ニューラルネット１３の出力Ｏｃ１，Ｏｃ２を入力すると共に、車室１内の状態量としてマイクロフォン３の出力ｍ及び出力Ｏｆ の過去のデータを入力し、時刻ｔ＋Δｔにおける出力Ｏｆ を予測して出力する。この出力Ｏｆ は、現時点での車室１内の騒音状態及び外力と過去のデータとに基づいており、ランダムな入力による騒音状態であっても正確に予測しているものと言える。
【０１１８】
そして、出力Ｏｆ と現時点ｔにおける車室１内の騒音状態の実測データＸとを比較し、同定ニューラルネット１５の学習が行なわれる。同定ニューラルネット１５がシステムの動特性を正確に同定しているものとした場合に、同定ニューラルネット１５の出力Ｏｆ と目標の状態量ＸＴ とにより評価・調整部１７が制御ニューラルネット１３の学習を行なうのである。
【０１１９】
図２７は、この発明の第１実施例に係るニューラルネットワークの具体的な構成を示している。
【０１２０】
上記のように、このニューラルネットワークは、ＡＲＭＡモデルを考慮しており、制御ニューラルネット１３として音場制御ニューラルネットワーク１３ａと構造制御ニューラルネットワーク１３ｂとを備えている。各ニューラルネットワークは、入力層、中間層、出力層とからなっており、入力層は白丸、中間層は斜線の入った丸、出力層は黒丸で示している。
【０１２１】
音場制御ニューラルネットワーク１３ａの入力は、時刻ｔにおけるｎ個のマイクロフォンの音圧感知信号ｍ＝ｍ１ ｓ （ｔ） 〜ｍｎ ｓ （ｔ） と、時刻（ｔ−１）〜（ｔ−ｋ）迄の過去のデータｍ１ ａ （ｔ−１） 〜ｍ１ ａ （ｔ−ｋ） ，ｍｎ ａ （ｔ−１） 〜ｍｎ ａ （ｔ−ｋ） と、ｎ個のラウドスピーカの（ｔ−１）〜（ｔ−ｋ）迄の過去における制御力Ｓ１ ａ （ｔ−１） 〜Ｓ１ ａ （ｔ−ｋ） ，Ｓｎ ａ （ｔ−１） 〜Ｓｎ ａ （ｔ−ｋ） とが入力層の各ニューロン素子に入力されている。ここに、上添字のｓは検出信号を示し、同ａはニューラルネットによる処理信号を示している。
【０１２２】
音場制御ニューラルネットワーク１３ａの現在の時刻ｔにおける出力Ｏｃ１は、
Ｏｃ１＝Ｓ１ ａ （ｔ） 〜Ｓｎ ａ （ｔ）
であり、ｎ個のラウドスピーカに制御力として出力されると共に、同定ニューラルネットワーク１５の入力層の該当するニューロン素子に入力されている。
【０１２３】
この出力Ｏｃ１＝Ｓ１ ａ （ｔ） 〜Ｓｎ ａ （ｔ） の過去のデータは記憶され、遅延器１９により音場制御ニューラルネットワーク１３ａの入力層に入力されることは前述の通りである。
【０１２４】
同定ニューラルネットワーク１５の入力層には、現時点ｔにおけるマイクロフォン音圧感知信号ｍ＝ｍ１ ｓ （ｔ） 〜ｍｎ ｓ （ｔ） と音圧感知信号の過去のデータｍ１ ａ （ｔ−１） 〜ｍ１ ａ （ｔ−ｋ） ，ｍｎ ａ （ｔ−１） 〜ｍｎ ａ （ｔ−ｋ） とが入力されている。
【０１２５】
また、構造制御ニューラルネットワーク１３ｂの入力層には、ｎ個のピエゾ素
【外４】
【０１２６】
構造ニューラルネットワーク１３ｂの時刻ｔにおける出力Ｏｃ２は、
Ｏｃ２＝Ｐ１ ａ （ｔ） 〜Ｐｎ ａ （ｔ）
である。この出力Ｏｃ２＝Ｐ１ ａ （ｔ） 〜Ｐｎ ａ （ｔ） は、ｎ個のピエゾ素子アクチュエータに出力されると共に、同定ニューラルネットワーク１５の入力層に入力されている。
【０１２７】
また、出力Ｏｃ２＝Ｐ１ ａ （ｔ） 〜Ｐｎ ａ （ｔ） は前記同様逐次記憶され、過去のデータとして構造制御ニューラルネットワーク１３ｂの入力層に入力されるのは前述の通りである。
【０１２８】
同定ニューラルネットワーク１５の入力層には、時刻ｔにおける検出した車体
【外５】
【０１２９】
そして、同定ニューラルネットワーク１５からは時刻ｔ＋Δｔにおけるマイク検出信号の予測値として
Ｏｆ ＝ｍ１ ａ （ｔ＋Δｔ）〜ｍｎ ａ （ｔ＋Δｔ）
が出力され、ピエゾ素子センサの検出の予測値として
【数１０】
【０１３０】
なお、同定ニューラルネットワーク１５の出力Ｏｆ ＝ｍ１ ａ （ｔ＋Δｔ）〜ｍｎ ａ （ｔ＋Δｔ）は逐次記憶され、過去のデータとして同定ニューラルネットワーク１５と音場制御ニューラルネットワーク１３ａとの各入力層に入力されている。
【０１３１】
【外６】
【０１３２】
従って、同定ニューラルネットワーク１５の評価関数Ｅｆ は、
【数１１】
【０１３３】
また、音場制御ニューラルネットワーク１３ａの制御評価関数Ｅｃ は、
【数１２】
【０１３４】
更に、構造制御ニューラルネットワーク１３ｂの制御評価関数Ｅｃ は、
【数１３】
【０１３５】
従って、これらの評価関数Ｅｆ ，Ｅｃ を用いて上記のように同定ニューラルネットワーク１５と制御ニューラルネットワーク１３との結合荷重Ｗの修正、学習を適格に行なうことができる。
【０１３６】
なお、この第１実施例では、同定ニューラルネット、制御ニューラルネットの双方にＡＲＭＡモデルを考慮したニューラルネットを用いているが、少なくとも制御ニューラルネットにつきＡＲＭＡモデルを考慮すればよい。
【０１３７】
図２８は、この発明の第２実施例を示している。この実施例は、アクティブコントロール装置を自動車のサスペンションの振動制御に適用したものである。
【０１３８】
車体３２は、前輪３３と後輪３５とで路面３７に接地している。このようなサスペンションにおいて前輪３３と車体３２との間のバネ定数はＫＦ２、減衰係数はＣＦ１であり、前輪３３と路面３７との間のバネ定数はＫＦ１、減衰係数はＣＦ１である。また、後輪３５と車体３２との間のバネ定数はＫＲ２であり、減衰係数はＣＲ１である。後輪３５と路面３７との間のバネ定数はＫＲ１、減衰係数はＣＲ１である。
【外７】
【０１３９】
そして、前輪３３と車体３２との間には制御力ＰＦ を与えて振動低減を図る制振装置３９が設けられ、後輪３５と車体３２との間には制御力ＰＲ を与えて振動低減を図る制振装置４１が設けられている。
【０１４０】
制御装置４０には、前輪３３側における路面３７の凹凸Ｙ０Ｆを検出する前輪側路面検出器４３及び後輪３５側における路面の凹凸を検出する後輪側路面検出器４５の信号が入力されるようになっている。
【０１４１】
また、前輪３３の振動加速度を検出する前輪振動加速度検出器４７と、後輪３５の振動加速度を検出する後輪振動加速度検出器４９との出力信号が入力されるようになっている。
【０１４２】
更に、車体３２の前部振動加速度を検出する前部振動加速度検出器５１と、後輪側の振動加速度を検出する後部振動加速度検出器５３とからの信号が入力されるようになっている。
【０１４３】
これら、検出器４３，４５，４７，４９，５１，５３は、サスペンションの振動状態を検出する振動状態検出手段を構成している。そして、制御装置４０は、第１実施例同様にニューラルネットが用いられており、検出器４３，４５，４７，４９，５１，５３の出力が入力され、前記制振装置３９，４１を制御する信号を出力する。また、当該出力信号に基づく制御予測値を制御目標値と比較することにより、ニューラルネットの結合荷重の修正を行なう構成となっている。
【０１４４】
この制御装置４０のニューラルネットワークの構成は図２９のようになっている。
【０１４５】
このニューラルネットも前記実施例同様、制御ニューラルネット５５と同定ニューラルネット５７とからなっている。制御ニューラルネット５５は、前輪制御ニューラルネット５５ａと後輪制御ニューラルネット５５ｂとからなっている。各制御ニューラルネット５５ａ，５５ｂは白丸の入力層と、斜線を施した丸で示す２段の中間層と黒丸の出力層とからなっており、同定ニューラルネット５７は白丸の入力層、斜線を施した丸の中間層、黒丸の出力層からなっている。
【０１４６】
そして、この実施例では、制御ニューラルネット５５のみをＡＲＭＡモデルを考慮したニューラルネットとしている。即ち、前輪制御ニューラルネット５５ａの入力層には、時刻ｔにおける前輪側路面検出器４３の検出信号Ｙ０Ｆ ｓ （ｔ） 、前
【外８】
【０１４７】
また、後輪制御ニューラルネット５５ｂも同様であり、入力は、検出器４５，
【外９】
【外１０】
【０１４８】
同定ニューラルネット１５の出力Ｏｆ は、次の時刻ｔ＋１における車体３２の振動加速度
【数１４】
【数１５】
【数１６】
【０１４９】
従って、この実施例においても評価関数Ｅｆ が所定以下となり、同定ニューラルネット５７が振動入力に対する車体３２の動特性を正確に表しているならば、評価関数Ｅｃ によって制御ニューラルネット５５の結合荷重を修正、学習し、サスペンション制御の適格なフィードフォワード制御を可能とする。
【０１５０】
なお、第２実施例で設けた同定ニューラルネット５７のレカレントは、制御ニューラルネットに用いることもでき、更に、第１実施例のニューラルネットに適用することも可能である。また第２実施例では過去のデータとして（ｔ−１）における１個のデータで説明したが、第１実施例と同様にいくつかの時間遅れのデータも考慮することが可能である。
【０１５１】
【発明の効果】
以上より明らかなように、この発明の構成によれば以下のような効果を奏する。
【０１５２】
請求項１の発明では、ニューラルネットを用いた制御装置によりシステムの動特性を的確に同定することができる。しかも探索領域を大きさの異なった多領域に分割して探索を行なうため盲目的な探索を避けることができ、探索に要する回数を減らすことができる。しかもランダム探索を用いるため、ローカルな極小値へ収束することを防止し、グローバルな最小値を的確に求めることができる。したがって高速で精度のよい処理を行なうことができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。また、検出値に応じてカウント数を減少することが可能となり、より高速な処理が可能となる。
【０１５３】
請求項２の発明では、ニューラルネットを用いた制御装置によりシステムの動特性を的確に同定することができる。しかも探索領域を大きさの異なった多領域に分割して探索を行なうため盲目的な探索を避けることができ、探索に要する回数を減らすことができる。しかもランダム探索を用いるため、ローカルな極小値へ収束することを防止し、グローバルな最小値を的確に求めることができる。したがって高速で精度のよい処理を行なうことができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。極小値が得られないことが明らかな場合にその領域の処理を中止し、処理をより高速に行なうことが可能である。
【０１５４】
請求項３の発明では、ニューラルネットを用いた制御装置によりシステムの動特性を的確に同定することができる。しかも探索領域を大きさの異なった多領域に分割して探索を行なうため盲目的な探索を避けることができ、探索に要する回数を減らすことができる。しかもランダム探索を用いるため、ローカルな極小値へ収束することを防止し、グローバルな最小値を的確に求めることができる。したがって高速で精度のよい処理を行なうことができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。また、初期値に対する方向性に重み付けを行なうことにより、より高速で精度のよい検出を行なうことができる。
【０１５５】
請求項４の発明では、探索領域を大きさの異なった複数の領域に分割して、ランダム探索を行なうため、音又は振動状態の少なくとも一方を高速かつ精度よく制御することができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。また、検出値に応じてカウント数を減少することが可能となり、より高速な処理が可能となる。
【０１５６】
請求項５の発明では、探索領域を大きさの異なった複数の領域に分割して、ランダム探索を行なうため、音又は振動状態の少なくとも一方を高速かつ精度よく制御することができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。極小値が得られないことが明らかな場合にその領域の処理を中止し、処理をより高速に行なうことが可能である。
【０１５７】
請求項６の発明では、探索領域を大きさの異なった複数の領域に分割して、ランダム探索を行なうため、音又は振動状態の少なくとも一方を高速かつ精度よく制御することができる。また、領域の中での探索を複数回繰り返すことによって、極小値を確実に検出することができる。したがって精度のよい処理を行なうことが可能である。初期値に対する方向性に重み付けを行なうことにより、より高速で精度のよい検出を行なうことができる。
【０１５８】
請求項７の発明では、請求項４〜請求項６のいずれか１項の発明の効果に加え、車室内騒音をフィードフォワード制御により的確に制御することができる。したがって車室内騒音がエンジン音、エンジンからの入力、サスペンションからの入力、マフラーからの排気音、風切り音などの連成に基づく場合でも連成を的確に解析して、騒音低減を図ることができる。
【０１５９】
請求項８の発明では、請求項４〜請求項６のいずれか１項の発明の効果に加え、サスペンションの信号制御をフィードフォワードにより的確に制御することができる。したがって高速道は勿論、オフロードであってもサスペンションの振動特性を的確に解析し、車体振動の低減を図ることができる。
【０１６０】
請求項９の発明では、請求項４〜請求項８のいずれか１項の発明の効果に加え、制御ニューラルネットの他に同定ニューラルネットを設けることによって、制御予測値を出力し、制御ニューラルネットの制御パラメータの修正を的確に行なうことができる。
【０１６１】
請求項１０の発明では、請求項４〜請求項９のいずれか１項の発明の効果に加え、検出制御の現時点よりも前のデータを入力することによって、現時点よりも後の制御予測値を予測して出力するため、ランダムな入力であっても音振状態を的確に予測することができ、ランダムな入力に対して的確な制御が可能となる。
【０１６２】
請求項１１の発明では、請求項１〜請求項１０のいずれか１項の発明の効果に加え、ニューラルネットの結合荷重を学習するときの学習する割合を制御パラメータとして修正するため、学習の割合を適切な値にすることを高速かつ精度良く行なうことができ、最小値の検出をより高速かつ高精度に行なうことができる。
【０１６３】
請求項１２の発明では、請求項１〜請求項１１のいずれか１項の発明の効果に加え、ニューラルネットを領域の個数に応じて複数並列に備えたため、処理を高速に行なうことができる。
【図面の簡単な説明】
【図１】この発明の一実施例に係る概略ブロック図である。
【図２】制御装置のブロック図である。
【図３】ニューラルネットの一部を示す説明図である。
【図４】シグモイド関数を示す説明図である。
【図５】最急降下法による収束状況を示す説明図である。
【図６】ランダム探索法の概略図である。
【図７】ランダム探索法のフローチャートである。
【図８】一次元関数の形状を示す図である。
【図９】各初期値における収束状況を説明するグラフである。
【図１０】ステップ数を変更した場合の説明図である。
【図１１】カウント数を変更した場合の説明図である。
【図１２】一自由度系ばね−質量モデルの説明図である。
【図１３】一自由度系ばね−質量モデルの過渡応答の説明図である。
【図１４】教師信号のグラフである。
【図１５】線形モデルの誤差の時刻歴のグラフである。
【図１６】同定結果のグラフである。
【図１７】片持梁にインパルス入力を行なう状況の説明図である。
【図１８】片持梁の同定ニューラルシステムの説明図である。
【図１９】片持梁のリアルタイム同定過程での誤差の履歴を示すグラフである。
【図２０】ニューラルネットによる片持梁の同定結果のグラフである。
【図２１】並列化ニューラルネットによる該略図である。
【図２２】ＡＲＭＡモデルに基づいたニューラルネットの説明図である。
【図２３】作用の概略説明図である。
【図２４】システムの応答図である。
【図２５】バックプロパゲーションの説明図である。
【図２６】フローチャートである。
【図２７】一実施例に係るニューラルネットの構成図である。
【図２８】他の実施例に係る概略ブロック図である。
【図２９】他の実施例に係るニューラルネットワークの構成図である。
【図３０】従来の能動型騒音制御装置の概略ブロック図である。
【図３１】信号の干渉状態を示す説明図である。
【符号の説明】
１ 車室
３ マイクロフォン（騒音状態検出手段、音振状態検出手段）
７ ラウドスピーカ（制御音源、アクチュエータ）
１１ 制御装置
３９ 制振装置（アクチュエータ）
４０ 制御装置
４１ 制振装置（アクチュエータ）
４３ 前輪側路面検出器（振動状態検出手段、音振状態検出手段）
４５ 後輪側路面検出器（振動状態検出手段、音振状態検出手段）
４７ 前輪振動加速度検出器（振動状態検出手段、音振状態検出手段）
４９ 後輪振動加速度検出器（振動状態検出手段、音振状態検出手段）
５１ 前部振動加速度検出器（振動状態検出手段、音振状態検出手段）
５３ 後部振動加速度検出器（振動状態検出手段、音振状態検出手段）
Claims (12)
- 出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、
該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、
前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域でのカウント数を変更することを特徴とするアクティブコントロール装置。 - 出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、
該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、
前記各領域での検出の繰り返し中に極小値が得られないと判断するとき、該当する領域を制約リストに登録し、当該領域での極小値の検出を中止することを特徴とするアクティブコントロール装置。 - 出力値と制御目標値との比較により制御パラメータを修正するニューラルネットを用いた制御装置を備え、
該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する出力値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する出力値の差の極小値を各領域で検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、
前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことを特徴とするアクティブコントロール装置。 - 音又は振動状態の少なくとも一方を制御するアクチュエータと、
音又は振動状態の少なくとも一方を検出する音振状態検出手段と、
前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、
該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、
前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域でのカウント数を変更することを特徴とするアクティブコントロール装置。 - 音又は振動状態の少なくとも一方を制御するアクチュエータと、
音又は振動状態の少なくとも一方を検出する音振状態検出手段と、
前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、
該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、
前記各領域での検出の繰り返し中に極小値が得られないと判断するとき、該当する領域を制約リストに登録し、当該領域での極小値の検出を中止することを特徴とするアクティブコントロール装置。 - 音又は振動状態の少なくとも一方を制御するアクチュエータと、
音又は振動状態の少なくとも一方を検出する音振状態検出手段と、
前記音振状態検出手段の出力が入力され、前記アクチュエータを制御する信号を出力すると共に、当該出力信号に基づく制御予測値を制御目標値と比較することにより制御パラメータを修正するニューラルネットを用いた制御装置とを備え、
該制御装置は、前記制御パラメータの初期値をランダムに設定し、該初期値での制御目標値に対する制御予測値の感度を計算し、前記制御パラメータの許容範囲を複数の領域に分割し、前記感度に基づき前記各領域の中に前記制御パラメータのランダムな値を選んで制御目標値に対する制御予測値の差の極小値を各領域で並列に検出し、該各領域から得られた極小値の中から最小値を算出し、該最小値を次回の初期値として前記修正を行ない、
制御目標値に対する出力値の差の極小値を各領域で検出するに当たり、前記各領域の中に前記制御パラメータのランダムな値を各々複数個選び、選んだ個数をカウント数とし、前記各領域での検出を、カウント数以下で且つ複数回だけ繰り返し、
前記各領域での検出の繰り返しにおいて得られる検出値に応じて、前記各領域で選ぶ制御パラメータのランダムな値の初期値に対する方向性に重み付けを行なうことを特徴とするアクティブコントロール装置。 - 請求項４〜請求項６のいずれか１項に記載のアクティブコントロール装置であって、
前記アクチュエータは、自動車の車室内騒音に干渉させる制御音を発生して騒音低減を図る制御音源であり、
前記音振状態検出手段は、自動車の車室内の騒音状態を検出する騒音状態検出手段であることを特徴とするアクティブコントロール装置。 - 請求項４〜請求項６のいずれか１項に記載のアクティブコントロール装置であって、
前記アクチュエータは、自動車のサスペンションに制御力を与えて振動低減を図る制振装置であり、
前記音振状態検出手段は、自動車のサスペンションの振動状態を検出する振動状態検出手段であることを特徴とするアクティブコントロール装置。 - 請求項４〜請求項８のいずれか１項に記載のアクティブコントロール装置であって、
前記制御装置のニューラルネットは、制御ニューラルネットと同定ニューラルネットとからなり、
前記制御ニューラルネットは、前記音振状態検出手段の出力が入力されて前記アクチュエータを制御する信号を出力し、
前記同定ニューラルネットは、予め同定した前記アクチュエータの制御による自動車の応答に基づき前記制御予測値を出力することを特徴とするアクティブコントロール装置。 - 請求項４〜請求項９のいずれか１項に記載のアクティブコントロール装置であって、
前記制御装置は、前記音振状態検出手段が検出した現時点よりも前のデータとして、少なくとも前記アクチュエータの制御信号を入力するニューロン素子を有して現時点のアクチュエータの制御信号を出力し、前記検出時点よりも後の制御予測値を予測して出力することを特徴とするアクティブコントロール装置。 - 請求項１〜請求項１０のいずれか１項に記載のアクティブコントロール装置であって、
前記制御パラメータは、前記ニューラルネットの結合荷重を学習するときの学習の割合であることを特徴とするアクティブコントロール装置。 - 請求項１〜請求項１１記載のいずれか１項にアクティブコントロール装置であって、
前記ニューラルネットは、前記領域の個数であるステップ数に応じて複数並列に備えられていることを特徴とするアクティブコントロール装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23731594A JP3550751B2 (ja) | 1994-09-30 | 1994-09-30 | アクティブコントロール装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23731594A JP3550751B2 (ja) | 1994-09-30 | 1994-09-30 | アクティブコントロール装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08101692A JPH08101692A (ja) | 1996-04-16 |
| JP3550751B2 true JP3550751B2 (ja) | 2004-08-04 |
Family
ID=17013553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23731594A Expired - Fee Related JP3550751B2 (ja) | 1994-09-30 | 1994-09-30 | アクティブコントロール装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3550751B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190048061A (ko) * | 2017-10-30 | 2019-05-09 | 현대자동차주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103132B (zh) * | 2017-04-21 | 2020-04-03 | 西北工业大学 | 基于随机参数-神经网络的民机机构全局灵敏度分析方法 |
| CN108418494B (zh) * | 2018-03-13 | 2021-02-19 | 江西精骏电控技术有限公司 | 一种产生优化pwm的方法 |
| JP7268582B2 (ja) | 2019-11-12 | 2023-05-08 | トヨタ自動車株式会社 | 乗物用消音装置及び乗物用消音方法 |
-
1994
- 1994-09-30 JP JP23731594A patent/JP3550751B2/ja not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190048061A (ko) * | 2017-10-30 | 2019-05-09 | 현대자동차주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
| KR102474355B1 (ko) * | 2017-10-30 | 2022-12-05 | 현대자동차 주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08101692A (ja) | 1996-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3345930B2 (ja) | アクティブコントロール装置 | |
| Cha et al. | DNoiseNet: Deep learning-based feedback active noise control in various noisy environments | |
| US8306930B2 (en) | Learning device, learning method, and program for learning a pattern | |
| US8195586B2 (en) | Data processing apparatus, data processing method, and computer program for setting targets in a range and taking action to attain the target | |
| US20080172349A1 (en) | Neural network controller with fixed long-term and adaptive short-term memory | |
| JP2005538886A (ja) | 少なくされた数のセンサーを用いるファジー制御装置 | |
| JPH08221137A (ja) | 能動振動制御方法及び装置 | |
| US20230282193A1 (en) | Method and apparatus for active noise cancellation using deep learning | |
| Chang et al. | Adaptive neural networks for model updating of structures | |
| US20070288407A1 (en) | Information-processing apparatus, method of processing information, learning device and learning method | |
| JP3550751B2 (ja) | アクティブコントロール装置 | |
| Wang et al. | Adaptive tuning of the fuzzy controller for robots | |
| US5909676A (en) | System for controlling an object and medium using neural networks | |
| JP7614938B2 (ja) | サスペンション制御装置、およびサスペンション制御方法 | |
| Huang et al. | Application of a fuzzy enhance adaptive control on active suspension system | |
| Elkins et al. | Control-Theoretic Techniques for Online Adaptation of Deep Neural Networks in Dynamical Systems | |
| Halfmann et al. | Modeling and identification of the vehicle suspension characteristics using local linear model trees | |
| Modi et al. | Robust Iterative Learning for Collaborative Road Profile Estimation and Active Suspension Control in Connected Vehicles | |
| JPH0588684A (ja) | 適応信号処理方法、適応信号処理装置、及び能動型騒音制御装置 | |
| US12026081B2 (en) | Method for validating a software | |
| Jung | Neural network controllers for robot manipulators | |
| CN119512079B (zh) | 一种面向机器人智能控制的平滑强化学习方法及装置 | |
| JP3445872B2 (ja) | ファジィ能動ノイズ消去装置 | |
| Ruchti et al. | Estimation of artificial neural network parameters for nonlinear system identification | |
| Xiaoyu et al. | Integrated Active Suspension Deep Reinforcement Learning Control Strategy with Dagger Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040330 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040412 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090514 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |