鉱物処理プロセス制御のための神経回路網の学習速度の高速化

• Project/Area Number: 07651145
• Research Category: Grant-in-Aid for General Scientific Research (C)
• Allocation Type: Single-year Grants
• Research Field: 資源開発工学
• Research Institution: The University of Tokyo
• Principal Investigator: 岡屋 克則 東京大学, 大学院・工学系研究科, 助手 (80134493)
• Co-Investigator(Kenkyū-buntansha): 野中 道朗 東京大学, 大学院・工学系研究科, 助手 (70010981) ; 岡野 靖彦 東京大学, 大学院・工学系研究科, 助教授 (30011092)
• Project Period (FY): 1995
• Project Status: Completed (Fiscal Year 1995)
• Budget Amount: ¥700,000 (Direct Cost: ¥700,000); Fiscal Year 1995: ¥700,000 (Direct Cost: ¥700,000)
• Keywords: ニューラルネットワーク / バックプロパゲーション / 高速化 / プロセス制御 / パーソナルコンピュータ / LAN / FORTH言語

Research Abstract

本研究では鉱物処理プロセス制御をANNによって実現するための基礎研究をおこなった。現状ではANNの学習速度が不十分であるためにANNを十分に活用することが困難な状況である。そのためANNの学習速度を高速化するための技術についてハードウェアおよびソフトウェア的環境とANNのアルゴリズムの面から検討した。
ハードウェアについては、安価なパソコンを複数台利用することで適切なANNシステムを構築することが可能であることを指摘した。
ソフトウエア的環境については、ANNを実現しうる言語的環境およびネットワークの有効性について検討した。その結果32ビット系の言語が必須であること、およびLANによる分散処理がANNの演算に有効であることを示した。
BP法については、ANNの収束性の安定化と高速化を実現するために以下のような新しい手法を開発し、その有効性を確認した。
1.BP計算式の合理化。
2.階層間多重結合法。
3.新しい逐次修正モーメント法。
4.二次曲線法および逐次モーメント法との組み合わせ。
5.不要な層およびユニットの切り放し法。
これらの手法を組み合わせたANNは収束の安定性と高速性が保証されており、構造的にも汎用性がある。したがって、この研究成果は将来開発されるであろうANNエンジンの基本的なアーキテクチャたり得るものと思われる。
今後、ANNを活用できるハード的、ソフト的環境は急激に整備されるものと考えられ、本論文で提示したアルゴリズムによってプロセス制御だけでなく広範囲の分野にANNが使われるようになるものと期待される。