JPH05265509A - 学習制御装置 - Google Patents
学習制御装置Info
- Publication number
- JPH05265509A JPH05265509A JP5811092A JP5811092A JPH05265509A JP H05265509 A JPH05265509 A JP H05265509A JP 5811092 A JP5811092 A JP 5811092A JP 5811092 A JP5811092 A JP 5811092A JP H05265509 A JPH05265509 A JP H05265509A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- mode
- control device
- input
- control
- 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.)
- Withdrawn
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 不要な入力項を減らし、運用モード時の計算
量を減少して制御速度を向上する。 【構成】 計算機処理装置10Aは、最初、学習モード
側に切換えて目標生成装置100の学習を行なう。この
学習モードでは、動作切換えスイッチ23を学習制御装
置400側に接続し、教師データと対応する測定データ
により学習を実施する。この学習により誤差が決められ
た値ε以下になった時点で動作切換えスイッチ23を影
響度評価手段500側に切換え、影響度評価を行ない、
その評価結果を省略手段600に送る。省略手段600
は、上記評価結果に基づいて、影響の小さな入力項を削
除する。その後、再度学習モードに切換えて学習を行な
う。そして、この再度の学習を終了すると運用モードに
切換えて、制御対象300に対する制御を行なう。
量を減少して制御速度を向上する。 【構成】 計算機処理装置10Aは、最初、学習モード
側に切換えて目標生成装置100の学習を行なう。この
学習モードでは、動作切換えスイッチ23を学習制御装
置400側に接続し、教師データと対応する測定データ
により学習を実施する。この学習により誤差が決められ
た値ε以下になった時点で動作切換えスイッチ23を影
響度評価手段500側に切換え、影響度評価を行ない、
その評価結果を省略手段600に送る。省略手段600
は、上記評価結果に基づいて、影響の小さな入力項を削
除する。その後、再度学習モードに切換えて学習を行な
う。そして、この再度の学習を終了すると運用モードに
切換えて、制御対象300に対する制御を行なう。
Description
【0001】
【産業上の利用分野】本発明は、雨水排水機場のポンプ
制御、その他、モデル化が困難で熟練オペレータが制御
している各種プラントにおける学習制御装置に関する。
制御、その他、モデル化が困難で熟練オペレータが制御
している各種プラントにおける学習制御装置に関する。
【0002】
【従来の技術】例えば雨水排水機場の制御のようにオペ
レータの経験によって制御している装置では、制御対象
である流域を含めて正確にモデル化することは困難であ
る。このような制御対象に対しては、従来、熟練オペレ
ータの操作結果をニューラルネットに学習させて制御す
ることが行なわれている。
レータの経験によって制御している装置では、制御対象
である流域を含めて正確にモデル化することは困難であ
る。このような制御対象に対しては、従来、熟練オペレ
ータの操作結果をニューラルネットに学習させて制御す
ることが行なわれている。
【0003】この場合、オペレータがどのような情報に
基づいてポンプを制御しているかが不明確なため、取り
敢えず出力に影響すると思われる観測値を入力項とし、
出力としてオペレータの操作量を採用する。実際のオペ
レータの運転時データを教師データとして学習させる
と、ニューラルネットにオペレータの判断モデルが生成
され、オペレータと同様な制御が可能になる。
基づいてポンプを制御しているかが不明確なため、取り
敢えず出力に影響すると思われる観測値を入力項とし、
出力としてオペレータの操作量を採用する。実際のオペ
レータの運転時データを教師データとして学習させる
と、ニューラルネットにオペレータの判断モデルが生成
され、オペレータと同様な制御が可能になる。
【0004】この場合の従来の学習型制御装置の構成例
を図4に示し、また、そのときの概略フローチャートを
図5に示す。図4において、10はニューラルネットを
実現するための計算機処理装置であり、この内部の機能
は目標生成装置100と学習制御装置400から構成さ
れる。また、目標生成装置100の入力側及び出力側に
は、それぞれ学習モードと運用モードとを切換えるモー
ド切換スイッチ21,22が設けられる。このモード切
換スイッチ21,22により学習モードに切換えた場合
は、目標生成装置100に対して学習制御装置400が
接続され、運用モードに切換えた場合には目標生成装置
100が制御装置200、制御対象300に接続され
る。
を図4に示し、また、そのときの概略フローチャートを
図5に示す。図4において、10はニューラルネットを
実現するための計算機処理装置であり、この内部の機能
は目標生成装置100と学習制御装置400から構成さ
れる。また、目標生成装置100の入力側及び出力側に
は、それぞれ学習モードと運用モードとを切換えるモー
ド切換スイッチ21,22が設けられる。このモード切
換スイッチ21,22により学習モードに切換えた場合
は、目標生成装置100に対して学習制御装置400が
接続され、運用モードに切換えた場合には目標生成装置
100が制御装置200、制御対象300に接続され
る。
【0005】上記目標生成装置100は、パーセプトロ
ン型多層フィードフォワード結合型ニューラルネットと
呼ばれるもので、現在よく使用されている。この目標生
成装置100の各層は、ニューロンと呼ばれる多入力1
出力の非線形素子から構成される。1つのニューロンI
i には入力がn個あり、それをIij(j=1〜n)、入
力値Iijにかかる重み係数をWij、出力をOj とする
と、入力の総和Ii は Ii =ΣIij*Wij で表され、この入力に対し、出力はロジスティック関数
と呼ばれる非線形関数 f(x)=1/(1+exp (-x+di)) が用いられる。x=Ii として、Oi =f(x)により
出力値Oj が計算される。なお、diは閾値である。
ン型多層フィードフォワード結合型ニューラルネットと
呼ばれるもので、現在よく使用されている。この目標生
成装置100の各層は、ニューロンと呼ばれる多入力1
出力の非線形素子から構成される。1つのニューロンI
i には入力がn個あり、それをIij(j=1〜n)、入
力値Iijにかかる重み係数をWij、出力をOj とする
と、入力の総和Ii は Ii =ΣIij*Wij で表され、この入力に対し、出力はロジスティック関数
と呼ばれる非線形関数 f(x)=1/(1+exp (-x+di)) が用いられる。x=Ii として、Oi =f(x)により
出力値Oj が計算される。なお、diは閾値である。
【0006】スタート時には、計算機処理装置10の動
作モードをモード切換スイッチ21,22により学習モ
ードに切換え、目標生成装置100を学習制御装置40
0に接続して学習を行なう。この学習では、学習法BP
(Back Propagation、誤差逆伝播法)と呼ばれる手法が
使われ、入力に対して出力の値を教師データと比較し、
この誤差が決められた値ε(例えば0.001)以下に
なるまで重み係数Wijを修正する。そして、誤差がε以
下になると学習を終了し、モード切換スイッチ21,2
2により運用モードに切換え、目標生成装置100によ
り制御装置200にオペレータが行なっていたと同様に
測定値に対して目標値を出力させ、制御対象300の制
御を行なう。
作モードをモード切換スイッチ21,22により学習モ
ードに切換え、目標生成装置100を学習制御装置40
0に接続して学習を行なう。この学習では、学習法BP
(Back Propagation、誤差逆伝播法)と呼ばれる手法が
使われ、入力に対して出力の値を教師データと比較し、
この誤差が決められた値ε(例えば0.001)以下に
なるまで重み係数Wijを修正する。そして、誤差がε以
下になると学習を終了し、モード切換スイッチ21,2
2により運用モードに切換え、目標生成装置100によ
り制御装置200にオペレータが行なっていたと同様に
測定値に対して目標値を出力させ、制御対象300の制
御を行なう。
【0007】
【発明が解決しようとする課題】上記のように実際のオ
ペレータの運転時データを教師データとして学習させる
ことにより、オペレータと同様な制御が可能になる。し
かし、オペレータの判断時に関係しそうな入力項を全て
使って学習させると、ニューラルネットが大きく、実行
時に要する時間が長くなるという問題がある。
ペレータの運転時データを教師データとして学習させる
ことにより、オペレータと同様な制御が可能になる。し
かし、オペレータの判断時に関係しそうな入力項を全て
使って学習させると、ニューラルネットが大きく、実行
時に要する時間が長くなるという問題がある。
【0008】本発明は上記実情に鑑みてなされたもの
で、不要な入力項を減らすことにより運用モード時の計
算量を減少でき、制御速度を向上できる学習制御装置を
提供することを目的とする。
で、不要な入力項を減らすことにより運用モード時の計
算量を減少でき、制御速度を向上できる学習制御装置を
提供することを目的とする。
【0009】
【課題を解決するための手段】本発明は、多入力多出力
を備えた多層のニューラルネットを利用した学習型制御
装置において、入力値の出力に及ぼす影響度を評価する
手段と、この手段による評価結果に基づいて影響度の小
さいものを入力項から省略する手段とを備えたことを特
徴とする。
を備えた多層のニューラルネットを利用した学習型制御
装置において、入力値の出力に及ぼす影響度を評価する
手段と、この手段による評価結果に基づいて影響度の小
さいものを入力項から省略する手段とを備えたことを特
徴とする。
【0010】
【作用】学習時に制御に影響すると思われる因子を全て
入力として学習制御装置に入力して学習を実施し、学習
終了後に影響度評価手段により、入力項の出力に影響を
及ぼす影響度を求める。次いで、この影響度に基づい
て、出力に及ぼす影響の小さいものを入力項から省略す
る。その後、再度学習を実施して学習制御装置を再構成
する。この結果、不要な入力項を減らして運用モード時
の計算量を減少でき、制御速度を向上することが可能と
なる。
入力として学習制御装置に入力して学習を実施し、学習
終了後に影響度評価手段により、入力項の出力に影響を
及ぼす影響度を求める。次いで、この影響度に基づい
て、出力に及ぼす影響の小さいものを入力項から省略す
る。その後、再度学習を実施して学習制御装置を再構成
する。この結果、不要な入力項を減らして運用モード時
の計算量を減少でき、制御速度を向上することが可能と
なる。
【0011】
【実施例】以下、図面を参照して本発明の一実施例を説
明する。図1は本発明を雨水排水機場のポンプ制御に実
施した場合の学習制御装置の全体構成を示し、図2はそ
の動作を示すフローチャートである。
明する。図1は本発明を雨水排水機場のポンプ制御に実
施した場合の学習制御装置の全体構成を示し、図2はそ
の動作を示すフローチャートである。
【0012】図1において、10Aはニューラルネット
を実現するための計算機処理装置であり、目標生成装置
100、学習制御装置400、入力値の出力に及ぶ影響
度を評価する影響度評価手段500、この手段500に
よる評価結果に基づいて影響度の小さいものを入力項か
ら省略する省略手段600により構成される。また、目
標生成装置100の入力側及び出力側には、それぞれ学
習モードと運用モードとを切換えるモード切換スイッチ
21,22が設けられる。更に計算機処理装置10Aに
は、学習制御装置400及び影響度評価手段500の入
力側に動作切換えスイッチ23が設けられる。この動作
切換えスイッチ23は、学習モードにおいて、学習中は
学習制御装置400を目標生成装置100に接続し、学
習を終了すると影響度評価手段500を目標生成装置1
00に切換え接続する。
を実現するための計算機処理装置であり、目標生成装置
100、学習制御装置400、入力値の出力に及ぶ影響
度を評価する影響度評価手段500、この手段500に
よる評価結果に基づいて影響度の小さいものを入力項か
ら省略する省略手段600により構成される。また、目
標生成装置100の入力側及び出力側には、それぞれ学
習モードと運用モードとを切換えるモード切換スイッチ
21,22が設けられる。更に計算機処理装置10Aに
は、学習制御装置400及び影響度評価手段500の入
力側に動作切換えスイッチ23が設けられる。この動作
切換えスイッチ23は、学習モードにおいて、学習中は
学習制御装置400を目標生成装置100に接続し、学
習を終了すると影響度評価手段500を目標生成装置1
00に切換え接続する。
【0013】また、モード切換スイッチ21,22を運
用モードに切換えた場合は、目標生成装置100から出
力される目標値が制御装置200へ送られ、制御対象3
00が制御される。そして、この制御対象300の各種
状態量に対する検出信号が目標生成装置100に入力さ
れる。
用モードに切換えた場合は、目標生成装置100から出
力される目標値が制御装置200へ送られ、制御対象3
00が制御される。そして、この制御対象300の各種
状態量に対する検出信号が目標生成装置100に入力さ
れる。
【0014】次に上記実施例の動作を図2のフローチャ
ートを参照して説明する。この図2は、計算機処理装置
10Aの処理動作を示したものである。計算機処理装置
10Aは、動作を開始すると、まず、初めての動作であ
るか否かを判断し(ステップA1 )、初めてである場合
にはモード切換スイッチ21,22を学習モード側に切
換え、目標生成装置100の学習を行なう(ステップA
2 )。この学習モードでは、最初に動作切換えスイッチ
23を学習制御装置400側に接続し、教師データと対
応する測定データにより学習を実施する。そして、目標
生成装置100の入力に対する出力の値を教師データと
比較し、この誤差が決められた値ε以下になるまで重み
係数を修正する。
ートを参照して説明する。この図2は、計算機処理装置
10Aの処理動作を示したものである。計算機処理装置
10Aは、動作を開始すると、まず、初めての動作であ
るか否かを判断し(ステップA1 )、初めてである場合
にはモード切換スイッチ21,22を学習モード側に切
換え、目標生成装置100の学習を行なう(ステップA
2 )。この学習モードでは、最初に動作切換えスイッチ
23を学習制御装置400側に接続し、教師データと対
応する測定データにより学習を実施する。そして、目標
生成装置100の入力に対する出力の値を教師データと
比較し、この誤差が決められた値ε以下になるまで重み
係数を修正する。
【0015】上記の学習により誤差が決められた値ε以
下になったか否かを判断し(ステップA3 )、誤差がε
以下になった時点で動作切換えスイッチ23を影響度評
価手段500側に切換え、影響度評価を行なう(ステッ
プA4 )。影響度評価手段500は、目標生成装置10
0の各入力項目について、その出力に及ぼす影響度を例
えば次式で評価する。 Wi =Σj |Woj|*|Wji| 但し、 Wi :i番入力ニューロンの出力値に対する寄与 Woj:中間層j番ニューロンから出力層へのリンク重み Wji:入力層i番ニューロンから中間層j番ニューロン
へのリンク重み
下になったか否かを判断し(ステップA3 )、誤差がε
以下になった時点で動作切換えスイッチ23を影響度評
価手段500側に切換え、影響度評価を行なう(ステッ
プA4 )。影響度評価手段500は、目標生成装置10
0の各入力項目について、その出力に及ぼす影響度を例
えば次式で評価する。 Wi =Σj |Woj|*|Wji| 但し、 Wi :i番入力ニューロンの出力値に対する寄与 Woj:中間層j番ニューロンから出力層へのリンク重み Wji:入力層i番ニューロンから中間層j番ニューロン
へのリンク重み
【0016】このWi の値により重要な入力とそれほど
影響のない入力を比較することができる。図3は、影響
度評価手段500による評価結果の一例を示したもので
ある。この図3に示した評価結果から、ポンプ井水位、
降雨量、予測流入量の寄与が大きいことが分かり、この
3つの測定値で同等の制御が可能であることが分かる。
この影響度評価手段500による評価結果は、省略手段
600に送られる。
影響のない入力を比較することができる。図3は、影響
度評価手段500による評価結果の一例を示したもので
ある。この図3に示した評価結果から、ポンプ井水位、
降雨量、予測流入量の寄与が大きいことが分かり、この
3つの測定値で同等の制御が可能であることが分かる。
この影響度評価手段500による評価結果は、省略手段
600に送られる。
【0017】省略手段600は、上記評価結果に基づい
て、影響の小さな入力項を削除する(ステップA5 )。
その後、再び動作切換えスイッチ23を学習制御装置4
00側に切換えて学習モードとする(ステップA6 )。
この再学習の結果、誤差が一定値以下になったか否かを
判断し(ステップA7 )、一定値以下になれば学習を終
了する。
て、影響の小さな入力項を削除する(ステップA5 )。
その後、再び動作切換えスイッチ23を学習制御装置4
00側に切換えて学習モードとする(ステップA6 )。
この再学習の結果、誤差が一定値以下になったか否かを
判断し(ステップA7 )、一定値以下になれば学習を終
了する。
【0018】上記の学習を終了した後は、モード切換ス
イッチ21,22を運用モードに切換える(ステップA
8 )。この運用モードでは、目標生成装置100より測
定値に対する目標値を制御装置200に出力させ、制御
対象300の制御を行なう。この運用モードにおいて
も、偏差が大きいか否かを判断し(ステップA9 )、偏
差が一定値以内に収まっていれば、そのまま制御対象3
00に対する制御動作を続行する。しかし、偏差が大き
くなった場合は、ステップA10を経てステップA2 に戻
り、上記した学習を再度行なう。
イッチ21,22を運用モードに切換える(ステップA
8 )。この運用モードでは、目標生成装置100より測
定値に対する目標値を制御装置200に出力させ、制御
対象300の制御を行なう。この運用モードにおいて
も、偏差が大きいか否かを判断し(ステップA9 )、偏
差が一定値以内に収まっていれば、そのまま制御対象3
00に対する制御動作を続行する。しかし、偏差が大き
くなった場合は、ステップA10を経てステップA2 に戻
り、上記した学習を再度行なう。
【0019】
【発明の効果】以上詳記したように本発明によれば、入
力値の出力に及ぶ影響度を評価し、この評価結果に基づ
いて影響度の小さい入力項を省略するようにしたので、
不要な入力項を減らすことができ、運用モード時の計算
量を減少して制御速度を向上することができる。
力値の出力に及ぶ影響度を評価し、この評価結果に基づ
いて影響度の小さい入力項を省略するようにしたので、
不要な入力項を減らすことができ、運用モード時の計算
量を減少して制御速度を向上することができる。
【図1】本発明の一実施例に係る学習制御装置の全体構
成図。
成図。
【図2】同実施例の動作を示すフローチャート。
【図3】影響度評価手段の出力例を示す図。
【図4】従来の学習制御装置の全体構成図。
【図5】従来装置の動作を示すフローチャート。
10,10A…計算機処理装置、100…目標生成装
置、200…制御装置、300…制御対象、400…学
習制御装置、500…影響度評価手段、600…入力を
省略する手段。
置、200…制御装置、300…制御対象、400…学
習制御装置、500…影響度評価手段、600…入力を
省略する手段。
Claims (1)
- 【請求項1】 多入力多出力を備えた多層のニューラル
ネットを利用した学習型制御装置において、入力値の出
力に及ぼす影響度を評価する手段と、この手段による評
価結果に基づいて影響度の小さいものを入力項から省略
する手段とを備えたことを特徴とする学習型制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5811092A JPH05265509A (ja) | 1992-03-16 | 1992-03-16 | 学習制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5811092A JPH05265509A (ja) | 1992-03-16 | 1992-03-16 | 学習制御装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05265509A true JPH05265509A (ja) | 1993-10-15 |
Family
ID=13074838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP5811092A Withdrawn JPH05265509A (ja) | 1992-03-16 | 1992-03-16 | 学習制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH05265509A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997022914A1 (fr) * | 1995-12-19 | 1997-06-26 | Hitachi Construction Machinery Co., Ltd. | Methode de correction de sortie pour appareil de commande, appareil de commande et appareil de commande de pompe hydraulique |
US6101456A (en) * | 1995-03-07 | 2000-08-08 | Hitachi Construction Machinery Co., Ltd. | Output correcting method in control system, control system, and hydraulic pump control system |
JP2010282547A (ja) * | 2009-06-08 | 2010-12-16 | Fuji Electric Systems Co Ltd | 入力変数選択支援装置 |
JP2014038609A (ja) * | 2012-07-23 | 2014-02-27 | Alstom Technology Ltd | ケミカルループ処理のための非線形モデル予測制御 |
JP2018169960A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社Jsol | 多層ニューラルネットワーク(ディープラーニング)における線形多項式モデルの作成システム、作成方法及び作成プログラム |
JP2018169959A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社Jsol | 多層ニューラルネットワーク(ディープラーニング)の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム |
-
1992
- 1992-03-16 JP JP5811092A patent/JPH05265509A/ja not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6101456A (en) * | 1995-03-07 | 2000-08-08 | Hitachi Construction Machinery Co., Ltd. | Output correcting method in control system, control system, and hydraulic pump control system |
WO1997022914A1 (fr) * | 1995-12-19 | 1997-06-26 | Hitachi Construction Machinery Co., Ltd. | Methode de correction de sortie pour appareil de commande, appareil de commande et appareil de commande de pompe hydraulique |
JP2010282547A (ja) * | 2009-06-08 | 2010-12-16 | Fuji Electric Systems Co Ltd | 入力変数選択支援装置 |
JP2014038609A (ja) * | 2012-07-23 | 2014-02-27 | Alstom Technology Ltd | ケミカルループ処理のための非線形モデル予測制御 |
JP2015195061A (ja) * | 2012-07-23 | 2015-11-05 | アルストム テクノロジー リミテッドALSTOM Technology Ltd | ケミカルループ処理のための非線形モデル予測制御 |
US9740214B2 (en) | 2012-07-23 | 2017-08-22 | General Electric Technology Gmbh | Nonlinear model predictive control for chemical looping process |
JP2018169960A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社Jsol | 多層ニューラルネットワーク(ディープラーニング)における線形多項式モデルの作成システム、作成方法及び作成プログラム |
JP2018169959A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社Jsol | 多層ニューラルネットワーク(ディープラーニング)の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pérez-Sánchez et al. | A review of adaptive online learning for artificial neural networks | |
US5682465A (en) | Learning method of non-linear network for non-linear function approximation | |
JPH05265509A (ja) | 学習制御装置 | |
JPH0581228A (ja) | ニユーラルネツトワークの構成方法および学習/想起システム | |
JP3056324B2 (ja) | 学習/想起方法および装置 | |
JP2540654B2 (ja) | ニュ―ラルネットワ―クの学習装置 | |
Rossi et al. | Geometrical initialization, parametrization and control of multilayer perceptrons: application to function approximation | |
JPH06175998A (ja) | 時系列予測方法 | |
JPH03105663A (ja) | 強化学習処理方式 | |
Temponi et al. | A fuzzy neural architecture for customer satisfaction assessment | |
Piazza et al. | Fast spline neural networks for image compression | |
JPH09138786A (ja) | ニューラルネットワークの学習装置 | |
JP2734374B2 (ja) | 神経回路網模擬装置 | |
JP3031075B2 (ja) | ニューラルネットワーク学習装置 | |
JPH0635881A (ja) | 神経回路装置 | |
JP2607351B2 (ja) | 多層パーセプトロンの神経回路網の効率的な学習のための誤差信号の発生方法 | |
JPH08166934A (ja) | ニューラルネットワークを用いた関数生成装置 | |
JPH10198646A (ja) | 神経回路網型逐次学習方法および装置 | |
JPH0520293A (ja) | 時系列パターンの学習方式 | |
JPH05233860A (ja) | 時系列パターンの学習方式 | |
Lee et al. | Error self-recurrent neural networks for control of fast time-varying nonlinear systems | |
JPH08137821A (ja) | ニューラルネットワークの学習装置及びその学習方法 | |
JPH05265990A (ja) | ニューロコンピュータ | |
JPH06231289A (ja) | 時系列予測方法 | |
Yonghong et al. | Research on the feedforward network method of marine radar track |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19990518 |