JPH07244554A - 座標入力装置 - Google Patents
座標入力装置Info
- Publication number
- JPH07244554A JPH07244554A JP3433494A JP3433494A JPH07244554A JP H07244554 A JPH07244554 A JP H07244554A JP 3433494 A JP3433494 A JP 3433494A JP 3433494 A JP3433494 A JP 3433494A JP H07244554 A JPH07244554 A JP H07244554A
- Authority
- JP
- Japan
- Prior art keywords
- value
- layer
- coordinate
- output
- input
- 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- Withdrawn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
- User Interface Of Digital Computer (AREA)
Abstract
(57)【要約】
【目的】 本発明は、操作板上の振動印加点の座標を算
出する座標入力装置に関し、操作板の形状に起因する反
射波、波の性質に起因する位相誤差、および仕様が決ま
ったときに生じる誤差などを補正し、正確な座標値を簡
単な構成で求めることを目的とする。 【構成】 振動を伝播すると共に伝播した振動を検出す
る複数のセンサ2を配置した操作板1と、これら複数の
センサ2によって検出された信号間の時間差をそれぞれ
求める時間差演算回路4と、これら求めた時間差から振
動印加点の座標値(Xs,Ys)を求める座標演算部6
と、この求めた座標値(Xs,Ys)から、反射波など
による誤差を補正した正しい座標値への補正値(x’,
y’)を求める補正値演算回路7とを備え、座標値(X
s,Ys)に補正値(x’,y’)によって補正した正
しい座標値を出力するなどの構成からなる。
出する座標入力装置に関し、操作板の形状に起因する反
射波、波の性質に起因する位相誤差、および仕様が決ま
ったときに生じる誤差などを補正し、正確な座標値を簡
単な構成で求めることを目的とする。 【構成】 振動を伝播すると共に伝播した振動を検出す
る複数のセンサ2を配置した操作板1と、これら複数の
センサ2によって検出された信号間の時間差をそれぞれ
求める時間差演算回路4と、これら求めた時間差から振
動印加点の座標値(Xs,Ys)を求める座標演算部6
と、この求めた座標値(Xs,Ys)から、反射波など
による誤差を補正した正しい座標値への補正値(x’,
y’)を求める補正値演算回路7とを備え、座標値(X
s,Ys)に補正値(x’,y’)によって補正した正
しい座標値を出力するなどの構成からなる。
Description
【0001】
【産業上の利用分野】本発明は、操作板上の振動印加点
の座標を算出する座標入力装置であって、アコースティ
ック・エミッション(AE)計測の原理を利用し、更に
操作板の端面における反射や音波の伝播時の誤差を取り
除くようにした座標入力装置に関するものである。
の座標を算出する座標入力装置であって、アコースティ
ック・エミッション(AE)計測の原理を利用し、更に
操作板の端面における反射や音波の伝播時の誤差を取り
除くようにした座標入力装置に関するものである。
【0002】
【従来の技術】従来、アコースティック・エミッション
(AE)計測の原理を利用した座標入力装置としては、
特開昭63−244068号公報に記載されているよう
に、操作板の表面の周辺部に3個以上の振動センサを設
置しておき、適当な励振手段を内蔵した指示器によって
操作板の任意の位置に振動が印加されると、各振動セン
サが振動を検出し、励振時期と各振動センサによる振動
検出タイミングの時間差に基づいて振動印加点の座標を
演算する。
(AE)計測の原理を利用した座標入力装置としては、
特開昭63−244068号公報に記載されているよう
に、操作板の表面の周辺部に3個以上の振動センサを設
置しておき、適当な励振手段を内蔵した指示器によって
操作板の任意の位置に振動が印加されると、各振動セン
サが振動を検出し、励振時期と各振動センサによる振動
検出タイミングの時間差に基づいて振動印加点の座標を
演算する。
【0003】また、操作板の端面からの反射波を取り除
くために、端面に振動吸収材を配置し、反射波による誤
差を少なくするようにしている。
くために、端面に振動吸収材を配置し、反射波による誤
差を少なくするようにしている。
【0004】
【発明が解決しようとする課題】しかし、図23の
(a)に示す操作板上で指示器によって振動を印加した
際に、振動印加点からセンサへ伝播する振動波には、セ
ンサに直接伝播する直接波(図23の(b))と、操作
板の端面で反射し、振動モードが変換されて伝播する反
射波(図23の(c))とがあり、これらが互いに干渉
し合った合成波(図23の(d))が発生される。この
ため、本来検出すべき直接波の振動と異なる、直接波と
反射波とを合成した合成波の振動をセンサが検出し、振
動印加点の座標値演算結果に誤差が生じてしまうという
問題があった。
(a)に示す操作板上で指示器によって振動を印加した
際に、振動印加点からセンサへ伝播する振動波には、セ
ンサに直接伝播する直接波(図23の(b))と、操作
板の端面で反射し、振動モードが変換されて伝播する反
射波(図23の(c))とがあり、これらが互いに干渉
し合った合成波(図23の(d))が発生される。この
ため、本来検出すべき直接波の振動と異なる、直接波と
反射波とを合成した合成波の振動をセンサが検出し、振
動印加点の座標値演算結果に誤差が生じてしまうという
問題があった。
【0005】また、振動印加点からセンサまでの距離に
より、伝播する波の位相が変化するために、対になるセ
ンサの一方では強くなり、他方では弱くなると検出する
時間差に誤差が発生してしまうという問題もあった。
より、伝播する波の位相が変化するために、対になるセ
ンサの一方では強くなり、他方では弱くなると検出する
時間差に誤差が発生してしまうという問題もあった。
【0006】これらの問題に対処するために、演算結果
の座標値と正しい座標値との対照表を予め作成してお
き、この対照表をもとに求めた座標値を正しい座標値に
変換すればよいが、当該対照表のサイズが分解能単位で
非常に大きくなってしまい、しかも、操作板毎に必要と
なり、実用上実現が困難であるという問題があった。
の座標値と正しい座標値との対照表を予め作成してお
き、この対照表をもとに求めた座標値を正しい座標値に
変換すればよいが、当該対照表のサイズが分解能単位で
非常に大きくなってしまい、しかも、操作板毎に必要と
なり、実用上実現が困難であるという問題があった。
【0007】また、操作板を光が透過する理由によりガ
ラス板を用いた場合、ガラス板の寸法にバラツキがあ
り、座標入力装置として使用したときに精度が保証でき
ないという問題があった。このため、ガラス板の寸法の
バラツキなどに対して簡易に補正する手段が望まれてい
た。
ラス板を用いた場合、ガラス板の寸法にバラツキがあ
り、座標入力装置として使用したときに精度が保証でき
ないという問題があった。このため、ガラス板の寸法の
バラツキなどに対して簡易に補正する手段が望まれてい
た。
【0008】本発明は、これらの問題を解決するため、
操作板の形状に起因する反射波、波の性質に起因する位
相誤差、および仕様が決まったときに生じる各種誤差を
補正し、正確な座標値を簡単な構成で求めることを目的
としている。
操作板の形状に起因する反射波、波の性質に起因する位
相誤差、および仕様が決まったときに生じる各種誤差を
補正し、正確な座標値を簡単な構成で求めることを目的
としている。
【0009】
【課題を解決するための手段】図1、図5、図7、図
9、図11、図13、図15、図17から図22を参照
して課題を解決するための手段を説明する。
9、図11、図13、図15、図17から図22を参照
して課題を解決するための手段を説明する。
【0010】操作板1は、振動を伝播すると共に伝播し
た振動を検出する複数のセンサ2を配置したものであ
る。時間差演算回路4は、複数のセンサ2によって検出
された信号間の時間差をそれぞれ求めるものである。
た振動を検出する複数のセンサ2を配置したものであ
る。時間差演算回路4は、複数のセンサ2によって検出
された信号間の時間差をそれぞれ求めるものである。
【0011】座標演算部6は、これら求めた時間差から
振動印加点の座標値(Xs,Ys)を求めるものであ
る。座標演算部61は、これら求めた時間差から振動印
加点における、反射波などによる誤差を補正した正しい
座標値(X’,Y’)を求めるものである。
振動印加点の座標値(Xs,Ys)を求めるものであ
る。座標演算部61は、これら求めた時間差から振動印
加点における、反射波などによる誤差を補正した正しい
座標値(X’,Y’)を求めるものである。
【0012】座標演算部62は、複数のセンサ2にって
検出された信号から、反射波などによる誤差を補正した
正しい座標値(X’,Y’)を求めるものである。補正
値演算回路7は、求めた座標値(Xs,Ys)から、反
射波などによる誤差を補正した正しい座標値への補正値
(x’,y’)を求めるものである。
検出された信号から、反射波などによる誤差を補正した
正しい座標値(X’,Y’)を求めるものである。補正
値演算回路7は、求めた座標値(Xs,Ys)から、反
射波などによる誤差を補正した正しい座標値への補正値
(x’,y’)を求めるものである。
【0013】補正値演算回路71は、求めた座標値(X
s,Ys)から、反射波などよる誤差を補正した正しい
座標値(X’,Y’)を求めるものである。補正値演算
回路72は、求めた時間差ΔTx、ΔTyから、反射波
などによる誤差を補正した正しい座標値への補正値
(x’,y’)を求めるものである。
s,Ys)から、反射波などよる誤差を補正した正しい
座標値(X’,Y’)を求めるものである。補正値演算
回路72は、求めた時間差ΔTx、ΔTyから、反射波
などによる誤差を補正した正しい座標値への補正値
(x’,y’)を求めるものである。
【0014】補正値演算回路73は、複数のセンサ2に
よって検出された信号から、反射波などによる誤差を補
正した正しい座標値への補正値(x’,y’)を求める
ものである。
よって検出された信号から、反射波などによる誤差を補
正した正しい座標値への補正値(x’,y’)を求める
ものである。
【0015】重み固定中間層14は、入力層11と中間
層12との間に設け、入力層11の各ノードからの値に
所定の重みωおよび閾値θ(ω、θのうちの少なく一方
が固定)をもとに疑似的に増やした値を次の中間層(1
2)のノードへ入力するものである。この際、入力層1
1の入力パラメータ毎に重み固定中間層14を設けても
よい。
層12との間に設け、入力層11の各ノードからの値に
所定の重みωおよび閾値θ(ω、θのうちの少なく一方
が固定)をもとに疑似的に増やした値を次の中間層(1
2)のノードへ入力するものである。この際、入力層1
1の入力パラメータ毎に重み固定中間層14を設けても
よい。
【0016】ニューラルネットワーク15、16は、入
力層11、中間層12、および出力層13、更に必要に
応じて重み固定中間層14から構成されるものである。
学習手段17は、入力層11、中間層12および出力層
13、更に必要に応じて重み固定中間層14からなるニ
ューラルネットワークに教師信号(入力値と正しい出力
値の組)を与えて誤差が所定閾値以下となるように学習
させて重みωおよび閾値θを最適値に決定したり、操作
板1の寸法が拡縮した場合に閾値θのみを再学習させた
り、センサ2の感度が変化した場合に重みωのみを再学
習させたりするものである。
力層11、中間層12、および出力層13、更に必要に
応じて重み固定中間層14から構成されるものである。
学習手段17は、入力層11、中間層12および出力層
13、更に必要に応じて重み固定中間層14からなるニ
ューラルネットワークに教師信号(入力値と正しい出力
値の組)を与えて誤差が所定閾値以下となるように学習
させて重みωおよび閾値θを最適値に決定したり、操作
板1の寸法が拡縮した場合に閾値θのみを再学習させた
り、センサ2の感度が変化した場合に重みωのみを再学
習させたりするものである。
【0017】学習手段19は、ニューラルネットワーク
に標準的な操作板1の教師信号を与えて誤差が目標誤差
の整数倍以下となるように学習させて概略の重みωおよ
び閾値θを予め保存し、操作板1が製造されたときに、
保存しておいた概略の重みωおよび閾値θをニューラル
ネットワークに設定した後、教師信号を与えて学習させ
て誤差が目標誤差以下となったときに固定するものであ
る。
に標準的な操作板1の教師信号を与えて誤差が目標誤差
の整数倍以下となるように学習させて概略の重みωおよ
び閾値θを予め保存し、操作板1が製造されたときに、
保存しておいた概略の重みωおよび閾値θをニューラル
ネットワークに設定した後、教師信号を与えて学習させ
て誤差が目標誤差以下となったときに固定するものであ
る。
【0018】学習手段20は、ニューラルネットワーク
に標準的な操作板1の教師信号を与えて誤差が目標誤差
以下となるように学習させて重みωおよび閾値θを予め
保存し、操作板1が製造されたときに、保存しておいた
重みωおよび閾値θをニューラルネットワークに設定お
よび製造した操作板1を接続した後、教師信号(操作板
1への入力値と出力層13からの正しい出力値の組)を
与えて学習させて誤差が目標誤差以下となったときに固
定するものである。
に標準的な操作板1の教師信号を与えて誤差が目標誤差
以下となるように学習させて重みωおよび閾値θを予め
保存し、操作板1が製造されたときに、保存しておいた
重みωおよび閾値θをニューラルネットワークに設定お
よび製造した操作板1を接続した後、教師信号(操作板
1への入力値と出力層13からの正しい出力値の組)を
与えて学習させて誤差が目標誤差以下となったときに固
定するものである。
【0019】入力層111は、操作板1上の複数のセン
サ2によって検出された信号、時間差ΔTxとΔTyあ
るいは補正前の座標値XsとYsのうちのいずれか、お
よび操作板1の固体偏差データ112を入力する入力層
である。
サ2によって検出された信号、時間差ΔTxとΔTyあ
るいは補正前の座標値XsとYsのうちのいずれか、お
よび操作板1の固体偏差データ112を入力する入力層
である。
【0020】固体偏差データ112は、操作板1のサイ
ズ、寸法誤差、センサ2の配置誤差などのデータであ
る。
ズ、寸法誤差、センサ2の配置誤差などのデータであ
る。
【0021】
【作用】本発明は、図1に示すように、振動板1上で超
音波が印加されたことに対応して、時間差演算回路4が
振動板1上に配置された複数のセンサ2によって検出さ
れた信号間の時間差をそれぞれ求め、座標演算部6がこ
れら求めた時間差から振動印加点の座標値(Xs,Y
s)を演算し、補正値演算回路7がこれら求めた座標値
(Xs,Ys)から反射波などによる誤差を補正した正
しい座標値への補正値(x’,y’)を求め、補正前の
座標値(Xs,Ys)に補正値(x’,y’)によって
補正した正しい座標値を出力するようにしている。
音波が印加されたことに対応して、時間差演算回路4が
振動板1上に配置された複数のセンサ2によって検出さ
れた信号間の時間差をそれぞれ求め、座標演算部6がこ
れら求めた時間差から振動印加点の座標値(Xs,Y
s)を演算し、補正値演算回路7がこれら求めた座標値
(Xs,Ys)から反射波などによる誤差を補正した正
しい座標値への補正値(x’,y’)を求め、補正前の
座標値(Xs,Ys)に補正値(x’,y’)によって
補正した正しい座標値を出力するようにしている。
【0022】この際、図3に示すように、補正値演算回
路7を入力層11、中間層12および出力層13から構
成し、座標演算部6によって求めた座標値(Xs,Y
s)を入力層1に入力し、この入力層11の各ノードの
値に予め学習しておいた重みωをそれぞれ乗算した値の
和と閾値θをもとに算出した値Mを中間層12の各ノー
ドの値とそれぞれし、次にこの中間層12の各ノードの
値Mに予め学習しておいた重みωをそれぞれ乗算した値
の和と閾値θをもとに算出した値を出力層13の各ノー
ドの値とそれぞれし、当該出力層13の各ノードから補
正値(x’,y’)をそれぞれ出力するようにしてい
る。
路7を入力層11、中間層12および出力層13から構
成し、座標演算部6によって求めた座標値(Xs,Y
s)を入力層1に入力し、この入力層11の各ノードの
値に予め学習しておいた重みωをそれぞれ乗算した値の
和と閾値θをもとに算出した値Mを中間層12の各ノー
ドの値とそれぞれし、次にこの中間層12の各ノードの
値Mに予め学習しておいた重みωをそれぞれ乗算した値
の和と閾値θをもとに算出した値を出力層13の各ノー
ドの値とそれぞれし、当該出力層13の各ノードから補
正値(x’,y’)をそれぞれ出力するようにしてい
る。
【0023】また、図5に示すように、補正値演算回路
71がこれら求めた座標値(Xs,Ys)から反射波な
どよる誤差を補正した正しい座標値(X’,Y’)を求
め、出力するようにしている。
71がこれら求めた座標値(Xs,Ys)から反射波な
どよる誤差を補正した正しい座標値(X’,Y’)を求
め、出力するようにしている。
【0024】この際、図6に示すように、補正値演算回
路71を入力層11、中間層12および出力層13から
構成し、座標演算部6によって求めた座標値(Xs,Y
s)を入力層11に入力し、この入力層11の各ノード
の値に予め学習しておいた重みωをそれぞれ乗算した値
の和と閾値θをもとに算出した値Mを中間層12の各ノ
ードの値とそれぞれし、次にこの中間層12の各ノード
の値Mに予め学習しておいた重みωをそれぞれ乗算した
値の和と閾値θをもとに算出した値を出力層13の各ノ
ードの値とそれぞれし、当該出力層13の各ノードから
上記正しい座標値(X’,Y’)をそれぞれ出力するよ
うにしている。
路71を入力層11、中間層12および出力層13から
構成し、座標演算部6によって求めた座標値(Xs,Y
s)を入力層11に入力し、この入力層11の各ノード
の値に予め学習しておいた重みωをそれぞれ乗算した値
の和と閾値θをもとに算出した値Mを中間層12の各ノ
ードの値とそれぞれし、次にこの中間層12の各ノード
の値Mに予め学習しておいた重みωをそれぞれ乗算した
値の和と閾値θをもとに算出した値を出力層13の各ノ
ードの値とそれぞれし、当該出力層13の各ノードから
上記正しい座標値(X’,Y’)をそれぞれ出力するよ
うにしている。
【0025】また、図7に示すように、座標演算回路7
2がこれら求めた時間差ΔTx、ΔTyから反射波など
による誤差を補正した正しい座標値への補正値(x’,
y’)を求め、補正前の座標値(Xs,Ys)に補正値
(x’,y’)によって補正した正しい座標値を出力す
るようにしている。
2がこれら求めた時間差ΔTx、ΔTyから反射波など
による誤差を補正した正しい座標値への補正値(x’,
y’)を求め、補正前の座標値(Xs,Ys)に補正値
(x’,y’)によって補正した正しい座標値を出力す
るようにしている。
【0026】この際、図8に示すように、補正値演算回
路72を入力層11、中間層12および出力層13から
構成し、時間差演算回路4によって求めた時間差ΔT
x、ΔTyを入力層11に入力し、この入力層11の各
ノードの値に予め学習しておいた重みωをそれぞれ乗算
した値の和と閾値θをもとに算出した値Mを中間層12
の各ノードの値とそれぞれし、次にこの中間層12の各
ノードの値Mに予め学習しておいた重みωをそれぞれ乗
算した値の和と閾値θをもとに算出した値を出力層13
の各ノードの値とそれぞれし、当該出力層13の各ノー
ドから補正値(x’,y’)をそれぞれ出力するように
している。
路72を入力層11、中間層12および出力層13から
構成し、時間差演算回路4によって求めた時間差ΔT
x、ΔTyを入力層11に入力し、この入力層11の各
ノードの値に予め学習しておいた重みωをそれぞれ乗算
した値の和と閾値θをもとに算出した値Mを中間層12
の各ノードの値とそれぞれし、次にこの中間層12の各
ノードの値Mに予め学習しておいた重みωをそれぞれ乗
算した値の和と閾値θをもとに算出した値を出力層13
の各ノードの値とそれぞれし、当該出力層13の各ノー
ドから補正値(x’,y’)をそれぞれ出力するように
している。
【0027】また、図9に示すように、座標演算部61
がこれら求めた時間差ΔTx、ΔTyから反射波などに
よる誤差を補正した正しい座標値(X’,Y’)を求
め、出力するようにしている。
がこれら求めた時間差ΔTx、ΔTyから反射波などに
よる誤差を補正した正しい座標値(X’,Y’)を求
め、出力するようにしている。
【0028】この際、図10に示すように、座標演算部
61を入力層11、中間層12および出力層13から構
成し、時間差演算回路4によって求めた時間差ΔTx、
ΔTyを入力層11に入力し、この入力層11の各ノー
ドの値に予め学習しておいた重みωをそれぞれ乗算した
値の和と閾値θをもとに算出した値Mを中間層12の各
ノードの値とそれぞれし、次にこの中間層12の各ノー
ドの値Mに予め学習しておいた重みωをそれぞれ乗算し
た値の和と閾値θをもとに算出した値を出力層13の各
ノードの値とそれぞれし、当該出力層13の各ノードか
ら補正した正しい座標値(X’,Y’)をそれぞれ出力
するようにしている。
61を入力層11、中間層12および出力層13から構
成し、時間差演算回路4によって求めた時間差ΔTx、
ΔTyを入力層11に入力し、この入力層11の各ノー
ドの値に予め学習しておいた重みωをそれぞれ乗算した
値の和と閾値θをもとに算出した値Mを中間層12の各
ノードの値とそれぞれし、次にこの中間層12の各ノー
ドの値Mに予め学習しておいた重みωをそれぞれ乗算し
た値の和と閾値θをもとに算出した値を出力層13の各
ノードの値とそれぞれし、当該出力層13の各ノードか
ら補正した正しい座標値(X’,Y’)をそれぞれ出力
するようにしている。
【0029】また、図11に示すように、補正値演算回
路73が複数のセンサ2によって検出された信号から反
射波などによる誤差を補正した正しい座標値への補正値
(x’,y’)を求め、補正前の座標値(Xs,Ys)
に補正値(x’,y’)によって補正した正しい座標値
を出力するようにしている。
路73が複数のセンサ2によって検出された信号から反
射波などによる誤差を補正した正しい座標値への補正値
(x’,y’)を求め、補正前の座標値(Xs,Ys)
に補正値(x’,y’)によって補正した正しい座標値
を出力するようにしている。
【0030】この際、図12に示すように、補正値演算
回路73を入力層11、中間層12および出力層13か
ら構成し、複数のセンサ2によって検出された信号を入
力層11に入力し、この入力層11の各ノードの値に予
め学習しておいた重みωをそれぞれ乗算した値の和と閾
値θをもとに算出した値Mを中間層12の各ノードの値
とそれぞれし、次にこの中間層12の各ノードの値Mに
予め学習しておいた重みωをそれぞれ乗算した値の和と
閾値θをもとに算出した値を出力層13の各ノードの値
とそれぞれし、当該出力層13の各ノードから補正値
(x’,y’)をそれぞれ出力するようにしている。
回路73を入力層11、中間層12および出力層13か
ら構成し、複数のセンサ2によって検出された信号を入
力層11に入力し、この入力層11の各ノードの値に予
め学習しておいた重みωをそれぞれ乗算した値の和と閾
値θをもとに算出した値Mを中間層12の各ノードの値
とそれぞれし、次にこの中間層12の各ノードの値Mに
予め学習しておいた重みωをそれぞれ乗算した値の和と
閾値θをもとに算出した値を出力層13の各ノードの値
とそれぞれし、当該出力層13の各ノードから補正値
(x’,y’)をそれぞれ出力するようにしている。
【0031】また、図13に示すように、座標演算部6
2が複数のセンサ2によって検出された信号から反射波
などによる誤差を補正した正しい座標値(X’,Y’)
を求めて出力するようにしている。
2が複数のセンサ2によって検出された信号から反射波
などによる誤差を補正した正しい座標値(X’,Y’)
を求めて出力するようにしている。
【0032】この際、図14に示すように、座標演算部
62を入力層11、中間層12および出力層13から構
成し、複数のセンサ2によって検出された信号を入力層
11に入力し、この入力層11の各ノードの値に予め学
習しておいた重みωをそれぞれ乗算した値の和と閾値θ
をもとに算出した値Mを中間層12の各ノードの値とそ
れぞれし、次にこの中間層12の各ノードの値Mに予め
学習しておいた重みωをそれぞれ乗算した値の和と閾値
θをもとに算出した値を出力層13の各ノードの値とそ
れぞれし、当該出力層13の各ノードから補正した正し
い座標値(X’,Y’)をそれぞれ出力するようにして
いる。
62を入力層11、中間層12および出力層13から構
成し、複数のセンサ2によって検出された信号を入力層
11に入力し、この入力層11の各ノードの値に予め学
習しておいた重みωをそれぞれ乗算した値の和と閾値θ
をもとに算出した値Mを中間層12の各ノードの値とそ
れぞれし、次にこの中間層12の各ノードの値Mに予め
学習しておいた重みωをそれぞれ乗算した値の和と閾値
θをもとに算出した値を出力層13の各ノードの値とそ
れぞれし、当該出力層13の各ノードから補正した正し
い座標値(X’,Y’)をそれぞれ出力するようにして
いる。
【0033】また、図15に示すように、座標演算部6
1、62、補正値演算回路7、71、72、73の入力
層11と中間層12との間に重み固定中間層14を設
け、当該重み固定中間層14が入力層11の各ノードか
らの値に所定の重みωおよび閾値θ(ω、θのうちの少
なくとも一方を固定)をもとに疑似的に増やした値を次
の中間層12のノードへ入力するようにしている。
1、62、補正値演算回路7、71、72、73の入力
層11と中間層12との間に重み固定中間層14を設
け、当該重み固定中間層14が入力層11の各ノードか
らの値に所定の重みωおよび閾値θ(ω、θのうちの少
なくとも一方を固定)をもとに疑似的に増やした値を次
の中間層12のノードへ入力するようにしている。
【0034】この際、図17に示すように、入力層11
の入力パラメータの同じノードからの値に所定の重みω
および閾値θ(ω、θのうちの少なくとも一方を固定)
をもとに疑似的に増やした値を次の中間層12の全ての
ノードへ入力する重み固定中間層14を個別に設けるよ
うにしている。
の入力パラメータの同じノードからの値に所定の重みω
および閾値θ(ω、θのうちの少なくとも一方を固定)
をもとに疑似的に増やした値を次の中間層12の全ての
ノードへ入力する重み固定中間層14を個別に設けるよ
うにしている。
【0035】また、図18に示すように、入力層11、
中間層12および出力層13、更に必要に応じて重み固
定中間層14からなるニューラルネットワークを、出力
パラメータ別に設けるようにしている。
中間層12および出力層13、更に必要に応じて重み固
定中間層14からなるニューラルネットワークを、出力
パラメータ別に設けるようにしている。
【0036】また、図19に示すように、学習手段17
が入力層11、中間層12および出力層13からなるニ
ューラルネットワークに教師信号(入力値と正しい出力
値の組)を与えて誤差が目標誤差以下となるように学習
させて重みωおよび閾値θを最適値に決定したり、操作
板1の寸法が拡縮した場合に閾値θのみを再学習させた
り、センサ2の感度が変化した場合に重みωのみを再学
習させたりするようにしている。
が入力層11、中間層12および出力層13からなるニ
ューラルネットワークに教師信号(入力値と正しい出力
値の組)を与えて誤差が目標誤差以下となるように学習
させて重みωおよび閾値θを最適値に決定したり、操作
板1の寸法が拡縮した場合に閾値θのみを再学習させた
り、センサ2の感度が変化した場合に重みωのみを再学
習させたりするようにしている。
【0037】また、図20に示すように、学習手段19
がニューラルネットワークに標準的な操作板1の教師信
号(入力値と正しい出力値の組)を与えて誤差が目標誤
差の整数倍以下になるように学習させて概略の重みωお
よび閾値θを決定して予め保存しておき、操作板1が製
造されたときに保存しておいた概略の重みωおよび閾値
θをそれぞれニューラルネットワークに設定および操作
板を接続した後、教師信号(入力値と正しい出力値の
組)を与えて誤差が目標誤差以下となるように学習させ
て固定し、操作板1からの信号を入力層11に入力して
出力層13からの値をもとに操作板1上の座標値を出力
するようにしている。
がニューラルネットワークに標準的な操作板1の教師信
号(入力値と正しい出力値の組)を与えて誤差が目標誤
差の整数倍以下になるように学習させて概略の重みωお
よび閾値θを決定して予め保存しておき、操作板1が製
造されたときに保存しておいた概略の重みωおよび閾値
θをそれぞれニューラルネットワークに設定および操作
板を接続した後、教師信号(入力値と正しい出力値の
組)を与えて誤差が目標誤差以下となるように学習させ
て固定し、操作板1からの信号を入力層11に入力して
出力層13からの値をもとに操作板1上の座標値を出力
するようにしている。
【0038】また、図21に示すように、学習手段20
がニューラルネットワークに標準的な操作板1の教師信
号(入力値と正しい出力値の組)を与えて誤差が目標誤
差以下になるように学習させて重みωおよび閾値θを決
定して予め保存しておき、操作板1が製造されたときに
保存しておいた重みωおよび閾値θをそれぞれニューラ
ルネットワークに設定および操作板1を接続した後、教
師信号(操作板1への入力値と出力層13からの正しい
出力値の組)を与えて偏差が目標偏差以下となるように
学習させて固定し、操作板1からの信号を入力層11に
入力して出力層13からの値をもとに操作板1上の座標
値を出力するようにしている。
がニューラルネットワークに標準的な操作板1の教師信
号(入力値と正しい出力値の組)を与えて誤差が目標誤
差以下になるように学習させて重みωおよび閾値θを決
定して予め保存しておき、操作板1が製造されたときに
保存しておいた重みωおよび閾値θをそれぞれニューラ
ルネットワークに設定および操作板1を接続した後、教
師信号(操作板1への入力値と出力層13からの正しい
出力値の組)を与えて偏差が目標偏差以下となるように
学習させて固定し、操作板1からの信号を入力層11に
入力して出力層13からの値をもとに操作板1上の座標
値を出力するようにしている。
【0039】また、図22に示すように、操作板1上の
複数のセンサ2によって検出された信号、時間差ΔTx
とΔTyあるいは補正前の座標値XsとYsのうちのい
ずれか、および操作板1の固体偏差データ112を入力
層111に入力して学習してそのときの重みωおよび閾
値θを保存しておき、製造した操作板1の測定した固体
偏差データ112を固定値として入力層111に入力
し、操作板1の形状などの誤差を補正するようにしてい
る。
複数のセンサ2によって検出された信号、時間差ΔTx
とΔTyあるいは補正前の座標値XsとYsのうちのい
ずれか、および操作板1の固体偏差データ112を入力
層111に入力して学習してそのときの重みωおよび閾
値θを保存しておき、製造した操作板1の測定した固体
偏差データ112を固定値として入力層111に入力
し、操作板1の形状などの誤差を補正するようにしてい
る。
【0040】従って、(1) 操作板1の形状に起因す
る反射波および波の性質に起因する位相などによる誤差
を補正する補正値(x’,y’)を補正値演算回路7に
よって求め、補正前の座標値(Xs,Ys)をこの補正
値(x’,y’)によって補正した(例えば足し込ん
だ)正しい座標値を出力したり、(2) 補正値演算回
路71によって補正前の座標値(Xs,Ys)から補正
後の正しい座標値(X’,Y’)を求めて出力したり、
(3) 補正値演算回路72によって時間差ΔTx、Δ
Tyから補正値(x’,y’)を求め、補正前の座標値
(Xs,Ys)をこの補正値(x’,y’)によって補
正した(例えば足し込んだ)正しい座標値を出力した
り、(4) 座標演算部61によって時間差ΔTx、Δ
Tyから補正した正しい座標値(X’,Y’)を求めて
出力したり、(5) 補正値演算回路73によって複数
のセンサ2によって検出した信号から正しい座標値への
補正値(x’,y’)を求め、補正前の座標値(Xs,
Ys)をこの補正値(x’,y’)によって補正した
(例えば足し込んだ)正しい座標値を出力したり、
(6) 座標演算部62によって複数のセンサ2によっ
て検出した信号から補正した正しい座標値(X’,
Y’)を求めて出力したり、(7) 重み固定中間層1
4を入力層11と中間層12との間に設け、疑似的に値
を増やして中間層12に入力し、入力値の近傍の値を強
調して全体をカバーして効率的に学習および結果(補正
値、座標値など)を出力したり、(8) (7)で重み
固定中間層14を入力層11のノードに入力するパラメ
ータ毎に個別に設け、パラメータ毎に疑似的に値を増や
して効率的に学習および結果を出力したり、(9) 入
力層11、中間層12、出力層13、更に必要に応じて
重み固定中間層14からなるニューラルネットワークを
出力パラメータ別に設け、出力パラメータ個別に中間層
12、更に重み固定中間層14の重みω、閾値θを学習
してより精度の高い出力値を出力したり、(10) 入
力層11、中間層12および出力層13、更に必要に応
じて重み固定中間層14からなるニューラルネットワー
クに教師信号(入力値と正しい出力値の組)を与えて学
習させて重みωおよび閾値θを決定した状態で、操作板
1の寸法が拡縮した場合に閾値θのみを迅速に再学習さ
せたり、センサ2の感度が変化した場合に重みωのみを
迅速に再学習させたり、(11) ニューラルネットワ
ークに標準的な操作板1の教師信号を与えて学習して誤
差が目標誤差の整数倍以下となったときの概略の重みω
および閾値θを保存し、操作板1の製造ができたときに
保存しておいた概略の重みωおよび閾値θをニューラル
ネットワークに設定した後、教師信号を与えて学習させ
て誤差が目標誤差以下となったときに固定し、測定させ
たり、(12) ニューラルネットワークに標準的な操
作板1の教師信号を与えて学習して誤差が目標誤差以下
となったときの重みωおよび閾値θを保存し、操作板1
の製造ができたときに保存しておいた重みωおよび閾値
θをニューラルネットワークに設定および操作板1を接
続した後、教師信号(操作板1への入力値および出力層
13からの出力値の組)を与えて学習させて誤差が目標
誤差以下となったときに固定し、測定させたり、(1
3) ニューラルネットワークの入力層111に操作板
1上の複数のセンサ2によって検出された信号、時間差
ΔTxとΔTyあるいは補正前の座標値XsとYsのう
ちのいずれか、および操作板1の固体偏差データ112
を入力して学習してそのときの重みωおよび閾値θを保
存しておき、製造した操作板1の測定した固体偏差デー
タ112を固定値として入力層111に入力し、操作板
1の形状などの誤差を補正したり、することにより、正
確な座標値を簡単な構成で測定することが可能となる。
る反射波および波の性質に起因する位相などによる誤差
を補正する補正値(x’,y’)を補正値演算回路7に
よって求め、補正前の座標値(Xs,Ys)をこの補正
値(x’,y’)によって補正した(例えば足し込ん
だ)正しい座標値を出力したり、(2) 補正値演算回
路71によって補正前の座標値(Xs,Ys)から補正
後の正しい座標値(X’,Y’)を求めて出力したり、
(3) 補正値演算回路72によって時間差ΔTx、Δ
Tyから補正値(x’,y’)を求め、補正前の座標値
(Xs,Ys)をこの補正値(x’,y’)によって補
正した(例えば足し込んだ)正しい座標値を出力した
り、(4) 座標演算部61によって時間差ΔTx、Δ
Tyから補正した正しい座標値(X’,Y’)を求めて
出力したり、(5) 補正値演算回路73によって複数
のセンサ2によって検出した信号から正しい座標値への
補正値(x’,y’)を求め、補正前の座標値(Xs,
Ys)をこの補正値(x’,y’)によって補正した
(例えば足し込んだ)正しい座標値を出力したり、
(6) 座標演算部62によって複数のセンサ2によっ
て検出した信号から補正した正しい座標値(X’,
Y’)を求めて出力したり、(7) 重み固定中間層1
4を入力層11と中間層12との間に設け、疑似的に値
を増やして中間層12に入力し、入力値の近傍の値を強
調して全体をカバーして効率的に学習および結果(補正
値、座標値など)を出力したり、(8) (7)で重み
固定中間層14を入力層11のノードに入力するパラメ
ータ毎に個別に設け、パラメータ毎に疑似的に値を増や
して効率的に学習および結果を出力したり、(9) 入
力層11、中間層12、出力層13、更に必要に応じて
重み固定中間層14からなるニューラルネットワークを
出力パラメータ別に設け、出力パラメータ個別に中間層
12、更に重み固定中間層14の重みω、閾値θを学習
してより精度の高い出力値を出力したり、(10) 入
力層11、中間層12および出力層13、更に必要に応
じて重み固定中間層14からなるニューラルネットワー
クに教師信号(入力値と正しい出力値の組)を与えて学
習させて重みωおよび閾値θを決定した状態で、操作板
1の寸法が拡縮した場合に閾値θのみを迅速に再学習さ
せたり、センサ2の感度が変化した場合に重みωのみを
迅速に再学習させたり、(11) ニューラルネットワ
ークに標準的な操作板1の教師信号を与えて学習して誤
差が目標誤差の整数倍以下となったときの概略の重みω
および閾値θを保存し、操作板1の製造ができたときに
保存しておいた概略の重みωおよび閾値θをニューラル
ネットワークに設定した後、教師信号を与えて学習させ
て誤差が目標誤差以下となったときに固定し、測定させ
たり、(12) ニューラルネットワークに標準的な操
作板1の教師信号を与えて学習して誤差が目標誤差以下
となったときの重みωおよび閾値θを保存し、操作板1
の製造ができたときに保存しておいた重みωおよび閾値
θをニューラルネットワークに設定および操作板1を接
続した後、教師信号(操作板1への入力値および出力層
13からの出力値の組)を与えて学習させて誤差が目標
誤差以下となったときに固定し、測定させたり、(1
3) ニューラルネットワークの入力層111に操作板
1上の複数のセンサ2によって検出された信号、時間差
ΔTxとΔTyあるいは補正前の座標値XsとYsのう
ちのいずれか、および操作板1の固体偏差データ112
を入力して学習してそのときの重みωおよび閾値θを保
存しておき、製造した操作板1の測定した固体偏差デー
タ112を固定値として入力層111に入力し、操作板
1の形状などの誤差を補正したり、することにより、正
確な座標値を簡単な構成で測定することが可能となる。
【0041】
(1) 図1から図4を用いて、補正前の座標値(X
s,Ys)の反射波などによる誤差を補正する補正値
(x’,y’)を求め、この補正値(x’,y’)を補
正前の座標値(Xs,Ys)に足し込んで正しい座標値
を算出する場合の構成および動作を詳細に説明する。
s,Ys)の反射波などによる誤差を補正する補正値
(x’,y’)を求め、この補正値(x’,y’)を補
正前の座標値(Xs,Ys)に足し込んで正しい座標値
を算出する場合の構成および動作を詳細に説明する。
【0042】図1は、本発明の1実施例構成図を示す。
図1において、操作板1は、座標指示器によって振動が
印加された振動印加点の座標を算出するためのものであ
って、例えばガラス板から構成され、当該ガラス板の周
囲に振動を検出するセンサ2を3個以上設けたものであ
る。人が手でペン状の座標指示器を用いて操作板1の任
意点に加振すると、当該座標指示器が動作して振動を操
作板1に放射する。この放射された振動は、外周に設け
た、ここでは4個のセンサ2によってそれぞれ検出され
る。
図1において、操作板1は、座標指示器によって振動が
印加された振動印加点の座標を算出するためのものであ
って、例えばガラス板から構成され、当該ガラス板の周
囲に振動を検出するセンサ2を3個以上設けたものであ
る。人が手でペン状の座標指示器を用いて操作板1の任
意点に加振すると、当該座標指示器が動作して振動を操
作板1に放射する。この放射された振動は、外周に設け
た、ここでは4個のセンサ2によってそれぞれ検出され
る。
【0043】センサ2は、操作板1の周囲に設けた振動
を検出する素子であって、例えば圧電素子である。ここ
では、矩形の操作板1の各辺の中央の外周部に合計4個
を図示のように設ける。これらのセンサ2を以下の説明
で、図示のようにLi、Lj、Lk、Llとする。尚、
センサ2は、3個以上であればよいがここでは説明を簡
単にするために4個とした。また、矩形の4隅に設けて
もよい。
を検出する素子であって、例えば圧電素子である。ここ
では、矩形の操作板1の各辺の中央の外周部に合計4個
を図示のように設ける。これらのセンサ2を以下の説明
で、図示のようにLi、Lj、Lk、Llとする。尚、
センサ2は、3個以上であればよいがここでは説明を簡
単にするために4個とした。また、矩形の4隅に設けて
もよい。
【0044】信号処理回路3は、操作板1上に設けた各
センサ2によって検出された信号からノイズをフィルタ
で除去したり、増幅したりなどの信号処理を行うもので
ある。この信号処理後の各センサLi、Lj、Lk、L
lからの信号をei、ej、ek、elとする。
センサ2によって検出された信号からノイズをフィルタ
で除去したり、増幅したりなどの信号処理を行うもので
ある。この信号処理後の各センサLi、Lj、Lk、L
lからの信号をei、ej、ek、elとする。
【0045】時間差演算回路4は、各センサ2からの信
号処理後の信号ei、ej、ek、elをもとに、信号
間の時間差を演算するものである。ここでは、センサ2
を操作板1に示すように、X方向にLiとLk、Y方向
にLl、Ljを配置した場合、X方向の時間差を信号e
iと信号ekの振幅が閾値となる間の時間差ΔTxとし
て算出、およびY方向の時間差を信号elと信号ejの
振幅が閾値となる間の時間差ΔTyとして算出する。
号処理後の信号ei、ej、ek、elをもとに、信号
間の時間差を演算するものである。ここでは、センサ2
を操作板1に示すように、X方向にLiとLk、Y方向
にLl、Ljを配置した場合、X方向の時間差を信号e
iと信号ekの振幅が閾値となる間の時間差ΔTxとし
て算出、およびY方向の時間差を信号elと信号ejの
振幅が閾値となる間の時間差ΔTyとして算出する。
【0046】CPU5は、各種処理を行うものであっ
て、ここでは、座標演算部6などから構成されるもので
ある。座標演算部6は、時間差演算回路4から通知され
た時間差ΔTx、ΔTyをもとに、操作板1上の補正前
の座標値(Xs,Ys)を算出するものである(図2を
用いて後述する)。
て、ここでは、座標演算部6などから構成されるもので
ある。座標演算部6は、時間差演算回路4から通知され
た時間差ΔTx、ΔTyをもとに、操作板1上の補正前
の座標値(Xs,Ys)を算出するものである(図2を
用いて後述する)。
【0047】補正値演算回路7は、座標演算部6によっ
て算出された補正前の座標値(Xs,Ys)を入力と
し、正しい座標値に補正する補正値(x’,y’)を算
出するものである。ここでは、入力層11、中間層12
および出力層13からなるニューラルネットワークを予
め学習させておいた状態で入力し、補正値(x’,
y’)を算出する(図3を用いて後述する)。
て算出された補正前の座標値(Xs,Ys)を入力と
し、正しい座標値に補正する補正値(x’,y’)を算
出するものである。ここでは、入力層11、中間層12
および出力層13からなるニューラルネットワークを予
め学習させておいた状態で入力し、補正値(x’,
y’)を算出する(図3を用いて後述する)。
【0048】教師用回路9は、教師信号(入力信号と正
しい出力信号の組)を与えて誤差が零となるように、ニ
ューラルネットワークを学習(各ノードが持つ重みω、
閾値θをそれぞれ学習)させるものである。尚、本明細
書中で単に重みω、閾値θと記載したときは、記述を簡
単にするために後述する各添字を付加したもののいずれ
か、あるいは代表を表すものとする。
しい出力信号の組)を与えて誤差が零となるように、ニ
ューラルネットワークを学習(各ノードが持つ重みω、
閾値θをそれぞれ学習)させるものである。尚、本明細
書中で単に重みω、閾値θと記載したときは、記述を簡
単にするために後述する各添字を付加したもののいずれ
か、あるいは代表を表すものとする。
【0049】図2は、本発明の座標値(補正前)の計算
説明図を示す。これは、図1の時間差演算回路4によっ
て算出された座標値(補正前)の計算説明図である。図
2の(a)は、操作板1上で座標指示器で振動を与えた
振動印加点の様子を示す。ここで、ガラス板(操作板
1)上の位置、、にそれぞれ振動を与えた場合、
AE波がセンサiおよびセンサkに向かって進む(セン
サj、lも同様である)。
説明図を示す。これは、図1の時間差演算回路4によっ
て算出された座標値(補正前)の計算説明図である。図
2の(a)は、操作板1上で座標指示器で振動を与えた
振動印加点の様子を示す。ここで、ガラス板(操作板
1)上の位置、、にそれぞれ振動を与えた場合、
AE波がセンサiおよびセンサkに向かって進む(セン
サj、lも同様である)。
【0050】図2の(b)は、センサ検出波形(X方向
のみ)を示す。これは、図2の(a)で、、の振
動印加点で振動を与えたときにセンサi、センサkの出
力の信号の波形例を示す。
のみ)を示す。これは、図2の(a)で、、の振
動印加点で振動を与えたときにセンサi、センサkの出
力の信号の波形例を示す。
【0051】図2の(b−1)は、図2の(a)のの
振動印加点に振動を与えた場合を示す。このの場合に
は、センサiの方が近いので速く出力信号が検出され、
遅れてセンサkの出力信号が検出される。そのときの時
間差ΔTxである。
振動印加点に振動を与えた場合を示す。このの場合に
は、センサiの方が近いので速く出力信号が検出され、
遅れてセンサkの出力信号が検出される。そのときの時
間差ΔTxである。
【0052】図2の(b−2)は、図2の(a)のの
振動印加点に振動を与えた場合を示す。このの場合に
は、センサiとセンサkまでの距離が等しいので、両者
の時間差0(零)である。
振動印加点に振動を与えた場合を示す。このの場合に
は、センサiとセンサkまでの距離が等しいので、両者
の時間差0(零)である。
【0053】図2の(b−3)は、図2の(a)のの
振動印加点に振動を与えた場合を示す。このの場合に
は、センサkの方が近いので速く出力信号が検出され、
遅れてセンサiの出力信号が検出される。そのときの時
間差−ΔTxである。
振動印加点に振動を与えた場合を示す。このの場合に
は、センサkの方が近いので速く出力信号が検出され、
遅れてセンサiの出力信号が検出される。そのときの時
間差−ΔTxである。
【0054】以上のように、振動印加点からセンサiお
よびセンサkまでの距離に対応して時間差ΔTxを求め
る。図2の(c)は、計算方法を示す。これは、説明を
簡単にするために、中心から各センサi、j、k、lま
での距離をhと等しくした場合に、時間差ΔTx、ΔT
yを図2の(b)のようにして求め、これらを計算式に
代入して振動印加点の座標値(Xs,Ys)を計算した
ものである。計算式は、図示の下記の式1となる。
よびセンサkまでの距離に対応して時間差ΔTxを求め
る。図2の(c)は、計算方法を示す。これは、説明を
簡単にするために、中心から各センサi、j、k、lま
での距離をhと等しくした場合に、時間差ΔTx、ΔT
yを図2の(b)のようにして求め、これらを計算式に
代入して振動印加点の座標値(Xs,Ys)を計算した
ものである。計算式は、図示の下記の式1となる。
【0055】 Xs=a1{(b12+a22)・b22/d}1/2 Ys=a2{(a12+b22)・b12/d}1/2 (式1) ここで、a1=ΔLx/2、a2=ΔLy/2 b12=h2−a12、b22=h2−a22、 d=|b12・b22−a12・a22| ΔLx=ΔTx・V=(Ti−Tk)・V ΔLy=ΔTy・V=(Tj−Tl)・V V:振動波の伝播速度 ΔTx:センサjとセンサkの出力信号の時間差 ΔTy:センサjとセンサlの出力信号の時間差 h:中心よりセンサi、j、k、lまでの距離 次に、図3および図4を用いて、図2の時間差ΔTx、
ΔTyを用いて算出した座標値(Xs,Ys)につい
て、反射波および位相ずれによる誤差を補正する補正値
(x’,y’)の算出について詳細に説明する。ここで
は、3層(入力層、中間層、出力層)からなるニューラ
ルネットワークを使用し、反射波および位相ずれによる
誤差を補正する補正値(x’,y’)について以下詳細
に説明する。
ΔTyを用いて算出した座標値(Xs,Ys)につい
て、反射波および位相ずれによる誤差を補正する補正値
(x’,y’)の算出について詳細に説明する。ここで
は、3層(入力層、中間層、出力層)からなるニューラ
ルネットワークを使用し、反射波および位相ずれによる
誤差を補正する補正値(x’,y’)について以下詳細
に説明する。
【0056】図3は、本発明の補正値演算回路例を示
す。図3の(a)において、入力層11には、図2で求
めた座標値Xsおよび座標値Ysを図示のように各ノー
ドに入力する。
す。図3の(a)において、入力層11には、図2で求
めた座標値Xsおよび座標値Ysを図示のように各ノー
ドに入力する。
【0057】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式2に示すようにして値Mを算出
し、出力層13に向けて出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式2に示すようにして値Mを算出
し、出力層13に向けて出力するものである。
【0058】 出力層13は、図示のように、中間層12の各ノードか
らの値Mに重みωを乗算し、その和に閾値θを足し込
み、下記の式3に示すようにして値x’、y’を算出
し、補正値x’、y’として出力するものである。
らの値Mに重みωを乗算し、その和に閾値θを足し込
み、下記の式3に示すようにして値x’、y’を算出
し、補正値x’、y’として出力するものである。
【0059】 尚、図3の入力層11、中間層12、および出力層13
からなるニューラルネットワークは、予め教師信号とし
て、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値と補正前の座標値(Xs,Ys)
(測定値)との差(x,y) の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する。この重みω、閾値θの決定
は、操作板1の形状、センサ2の位置などに対応して予
め求めて保存しておき、実際の装置の図3の各重みω、
閾値θに設定してもよい。
からなるニューラルネットワークは、予め教師信号とし
て、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値と補正前の座標値(Xs,Ys)
(測定値)との差(x,y) の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する。この重みω、閾値θの決定
は、操作板1の形状、センサ2の位置などに対応して予
め求めて保存しておき、実際の装置の図3の各重みω、
閾値θに設定してもよい。
【0060】図3の(b)は、図3の(a)で式2、式
3に使用した関数をグラフで示す。この関数、 y=1/{1+exp(−αx+θ)} は、X、Y座標系上に表すと図示のグラフに示すよう
に、xが+∞から−∞に変化したときにyは0〜1の範
囲内の値となる関数である。
3に使用した関数をグラフで示す。この関数、 y=1/{1+exp(−αx+θ)} は、X、Y座標系上に表すと図示のグラフに示すよう
に、xが+∞から−∞に変化したときにyは0〜1の範
囲内の値となる関数である。
【0061】以上説明したように、図3の(a)の入力
層11、中間層12および出力層13からなるニューラ
ルネットワークを学習させ、図2で求めた補正前の座標
値(Xs,Ys)を入力とし、出力から補正値(x’,
y’)を得ることができる。従って、補正前の座標値
(Xs,Ys)にこの補正値(x’,y’)を足し込ん
で、補正後の正しい座標値(Xs+x’,Ys+y’)
を求めることができる。
層11、中間層12および出力層13からなるニューラ
ルネットワークを学習させ、図2で求めた補正前の座標
値(Xs,Ys)を入力とし、出力から補正値(x’,
y’)を得ることができる。従って、補正前の座標値
(Xs,Ys)にこの補正値(x’,y’)を足し込ん
で、補正後の正しい座標値(Xs+x’,Ys+y’)
を求めることができる。
【0062】図4は、本発明の座標値の補正例を示す。
図4の(a)は、補正前の座標値例を示す。この補正前
の座標値(Xs,Ys)は、反射波や位相ずれにより誤
差が発生しているので、図示の太線で描画したように、
正しに細線の矩形のマスの交点からかなりずれて誤差が
発生している様子が判る。
図4の(a)は、補正前の座標値例を示す。この補正前
の座標値(Xs,Ys)は、反射波や位相ずれにより誤
差が発生しているので、図示の太線で描画したように、
正しに細線の矩形のマスの交点からかなりずれて誤差が
発生している様子が判る。
【0063】図4の(b)は、補正後の座標値例を示
す。この補正後の正しい座標値は、図3の(a)のニュ
ーラルネットワークによって求めた補正値(x’,
y’)を図4の(a)の補正前の座標値(Xs,Ys)
に足し込んだ補正後の正しい座標値(Xs+x’,Ys
+y’)の例を示す。この補正後の正しい座標値(Xs
+x’,Ys+y’)から判明するように、図3のニュ
ーラルネットワークを用いて予め学習させておくことに
より、図4の(a)の補正前の座標値(Xs,Ys)と
比較し、正確な座標値を得ることが判明する。
す。この補正後の正しい座標値は、図3の(a)のニュ
ーラルネットワークによって求めた補正値(x’,
y’)を図4の(a)の補正前の座標値(Xs,Ys)
に足し込んだ補正後の正しい座標値(Xs+x’,Ys
+y’)の例を示す。この補正後の正しい座標値(Xs
+x’,Ys+y’)から判明するように、図3のニュ
ーラルネットワークを用いて予め学習させておくことに
より、図4の(a)の補正前の座標値(Xs,Ys)と
比較し、正確な座標値を得ることが判明する。
【0064】(2) 図5および図6を用いて、補正前
の座標値(Xs,Ys)の反射波などによる誤差を補正
した正しい座標値(X’,Y’)を算出する場合の構成
および動作を詳細に説明する。
の座標値(Xs,Ys)の反射波などによる誤差を補正
した正しい座標値(X’,Y’)を算出する場合の構成
および動作を詳細に説明する。
【0065】図5は、本発明の他の実施例構成図を示
す。ここで、1から6は、図1の1から6と同一である
ので、説明を省略する。図5において、補正値演算回路
71は、座標演算部6によって算出された補正前の座標
値(Xs,Ys)を入力とし、補正した正しい座標値
(X’,Y’)を算出するものである。ここでは、入力
層11、中間層12および出力層13からなるニューラ
ルネットワークを予め学習させておいた状態で入力し、
補正した正しい座標値(X’,Y’)を算出する(図6
を用いて後述する)。
す。ここで、1から6は、図1の1から6と同一である
ので、説明を省略する。図5において、補正値演算回路
71は、座標演算部6によって算出された補正前の座標
値(Xs,Ys)を入力とし、補正した正しい座標値
(X’,Y’)を算出するものである。ここでは、入力
層11、中間層12および出力層13からなるニューラ
ルネットワークを予め学習させておいた状態で入力し、
補正した正しい座標値(X’,Y’)を算出する(図6
を用いて後述する)。
【0066】教師用回路9は、教師信号を与えて誤差が
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
【0067】次に、図6を用いて、図5の時間差ΔT
x、ΔTyを用いて算出した座標値(Xs,Ys)につ
いて、反射波および位相ずれによる誤差を補正した正し
い座標値(X’,Y’)の算出について詳細に説明す
る。ここでは、3層(入力層、中間層、出力層)からな
るニューラルネットワークを使用し、反射波および位相
ずれによる誤差を補正した正しい座標値(X’,Y’)
の算出について以下詳細に説明する。
x、ΔTyを用いて算出した座標値(Xs,Ys)につ
いて、反射波および位相ずれによる誤差を補正した正し
い座標値(X’,Y’)の算出について詳細に説明す
る。ここでは、3層(入力層、中間層、出力層)からな
るニューラルネットワークを使用し、反射波および位相
ずれによる誤差を補正した正しい座標値(X’,Y’)
の算出について以下詳細に説明する。
【0068】図6は、本発明の補正値演算回路例を示
す。図6において、入力層11には、図5で求めた座標
値Xsおよび座標値Ysを図示のように各ノードに入力
する。
す。図6において、入力層11には、図5で求めた座標
値Xsおよび座標値Ysを図示のように各ノードに入力
する。
【0069】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式4(式2と同じあるが、ω、θの
値が異なる)に示すようにして値Mを算出し、出力層1
3に向けて出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式4(式2と同じあるが、ω、θの
値が異なる)に示すようにして値Mを算出し、出力層1
3に向けて出力するものである。
【0070】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和にθを足し込み、下記
の式5に示すようにして値X’、Y’を算出し、補正し
た正しい座標値X’、Y’として出力するものである。
らの値に重みωを乗算し、その和にθを足し込み、下記
の式5に示すようにして値X’、Y’を算出し、補正し
た正しい座標値X’、Y’として出力するものである。
【0071】 尚、図6の入力層11、中間層12、および出力層13
からなるニューラルネットワークは、予め教師信号とし
て、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図5の各重みω、閾値θに設定
してもよい。この学習後の図6のニューラルネットワー
クを用いると、既述した図4の(a)の補正前の座標値
(Xs,Ys)を入力とし、図4の(b)の補正後の正
しい座標値(X’,Y’)を直接に得ることができる。
からなるニューラルネットワークは、予め教師信号とし
て、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図5の各重みω、閾値θに設定
してもよい。この学習後の図6のニューラルネットワー
クを用いると、既述した図4の(a)の補正前の座標値
(Xs,Ys)を入力とし、図4の(b)の補正後の正
しい座標値(X’,Y’)を直接に得ることができる。
【0072】(3) 図7および図8を用いて、補正前
の座標値(Xs,Ys)の反射波などによる誤差につい
て、時間差演算回路4によって求めた時間差ΔTx、Δ
Tyをもとに補正値(x’,y’)を求め、足し込んで
補正した正しい座標値(Xs+x’,Yx+y’)を算
出する場合の構成および動作を詳細に説明する。
の座標値(Xs,Ys)の反射波などによる誤差につい
て、時間差演算回路4によって求めた時間差ΔTx、Δ
Tyをもとに補正値(x’,y’)を求め、足し込んで
補正した正しい座標値(Xs+x’,Yx+y’)を算
出する場合の構成および動作を詳細に説明する。
【0073】図7は、本発明の他の実施例構成図を示
す。ここで、1から6は、図1の1から6と同一である
ので、説明を省略する。図7において、補正値演算回路
72は、時間差演算回路4によって算出された補正前の
時間差ΔTx、ΔTyを入力とし、正しい座標値に補正
する補正値(x’,y’)を算出するものである。ここ
では、入力層11、中間層12および出力層13からな
るニューラルネットワークを予め学習させておいた状態
で入力し、正しい座標値に補正する補正値(x’,
y’)を算出する(図8を用いて後述する)。
す。ここで、1から6は、図1の1から6と同一である
ので、説明を省略する。図7において、補正値演算回路
72は、時間差演算回路4によって算出された補正前の
時間差ΔTx、ΔTyを入力とし、正しい座標値に補正
する補正値(x’,y’)を算出するものである。ここ
では、入力層11、中間層12および出力層13からな
るニューラルネットワークを予め学習させておいた状態
で入力し、正しい座標値に補正する補正値(x’,
y’)を算出する(図8を用いて後述する)。
【0074】教師用回路9は、教師信号を与えて誤差が
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
【0075】次に、図8を用いて、図7の時間差ΔT
x、ΔTyをもとに、反射波および位相ずれによる誤差
を補正して正しい座標値にするための補正値(x’,
y’)の算出について詳細に説明する。ここでは、3層
(入力層、中間層、出力層)からなるニューラルネット
ワークを使用し、反射波および位相ずれによる誤差を補
正して正しい座標値にするための補正値(x’,y’)
について以下詳細に説明する。
x、ΔTyをもとに、反射波および位相ずれによる誤差
を補正して正しい座標値にするための補正値(x’,
y’)の算出について詳細に説明する。ここでは、3層
(入力層、中間層、出力層)からなるニューラルネット
ワークを使用し、反射波および位相ずれによる誤差を補
正して正しい座標値にするための補正値(x’,y’)
について以下詳細に説明する。
【0076】図8は、本発明の補正値演算回路例を示
す。図8において、入力層11には、図7で求めた時間
差ΔTx、ΔTyを図示のように各ノードに入力する。
す。図8において、入力層11には、図7で求めた時間
差ΔTx、ΔTyを図示のように各ノードに入力する。
【0077】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式6に示すようにして値Mを算出
し、出力層13に向けて出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式6に示すようにして値Mを算出
し、出力層13に向けて出力するものである。
【0078】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式7(式3と同じであるが、ω、θの値が異な
る)に示すようにして値x’、y’を算出し、正しい座
標値への補正値x’、y’として出力するものである。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式7(式3と同じであるが、ω、θの値が異な
る)に示すようにして値x’、y’を算出し、正しい座
標値への補正値x’、y’として出力するものである。
【0079】 尚、図8の入力層11、中間層12、および出力層13
からなるニューラルネットワークは、予め教師信号とし
て、 入力:時間差ΔTx、ΔTy 出力:正確な座標値と補正前の座標値(Xs,Ys)
(測定値)との差(x,y) の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図7の各重みω、閾値θに設定
してもよい。この学習後の図8のニューラルネットワー
クを用いると、既述した図4の(a)の補正前の座標値
(Xs,Ys)を、図4の(b)の補正後の正しい座標
値(X’,Y’)に補正することができる。
からなるニューラルネットワークは、予め教師信号とし
て、 入力:時間差ΔTx、ΔTy 出力:正確な座標値と補正前の座標値(Xs,Ys)
(測定値)との差(x,y) の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図7の各重みω、閾値θに設定
してもよい。この学習後の図8のニューラルネットワー
クを用いると、既述した図4の(a)の補正前の座標値
(Xs,Ys)を、図4の(b)の補正後の正しい座標
値(X’,Y’)に補正することができる。
【0080】(4) 図9および図10を用いて、時間
差演算回路4によって求めた時間差ΔTx、ΔTyをも
とに、反射波などによる誤差を補正した正しい座標値
(X’、Y’)を算出する場合の構成および動作を詳細
に説明する。
差演算回路4によって求めた時間差ΔTx、ΔTyをも
とに、反射波などによる誤差を補正した正しい座標値
(X’、Y’)を算出する場合の構成および動作を詳細
に説明する。
【0081】図9は、本発明の他の実施例構成図を示
す。ここで、1から4は、図1の1から4と同一である
ので、説明を省略する。図9において、座標演算部61
は、時間差演算回路4によって求めた時間差ΔTx、Δ
Tyをもとに、補正した正しい座標値(X’,Y’)を
算出するものである(図10を用いて後述する)。
す。ここで、1から4は、図1の1から4と同一である
ので、説明を省略する。図9において、座標演算部61
は、時間差演算回路4によって求めた時間差ΔTx、Δ
Tyをもとに、補正した正しい座標値(X’,Y’)を
算出するものである(図10を用いて後述する)。
【0082】CPU51は、各種制御を行うものであっ
て、ここでは、座標演算部61から通知された座標値
(X’,Y’)を出力するものである。教師用回路9
は、教師信号を与えて誤差が零となるように、ニューラ
ルネットワークを学習(各ノードが持つ重みω、閾値θ
をそれぞれ学習)させるものである。
て、ここでは、座標演算部61から通知された座標値
(X’,Y’)を出力するものである。教師用回路9
は、教師信号を与えて誤差が零となるように、ニューラ
ルネットワークを学習(各ノードが持つ重みω、閾値θ
をそれぞれ学習)させるものである。
【0083】次に、図10を用いて、図9の時間差ΔT
x、ΔTyをもとに、反射波および位相ずれによる誤差
を補正した正しい座標値(X’,Y’)の算出について
詳細に説明する。ここでは、3層(入力層、中間層、出
力層)からなるニューラルネットワークを使用し、反射
波および位相ずれによる誤差を補正した正しい座標値
(X’,Y’)を得る場合について以下詳細に説明す
る。
x、ΔTyをもとに、反射波および位相ずれによる誤差
を補正した正しい座標値(X’,Y’)の算出について
詳細に説明する。ここでは、3層(入力層、中間層、出
力層)からなるニューラルネットワークを使用し、反射
波および位相ずれによる誤差を補正した正しい座標値
(X’,Y’)を得る場合について以下詳細に説明す
る。
【0084】図10は、本発明の座標演算部例を示す。
図10において、入力層11には、図9で求めた時間差
ΔTx、ΔTyを図示のように各ノードに入力する。
図10において、入力層11には、図9で求めた時間差
ΔTx、ΔTyを図示のように各ノードに入力する。
【0085】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和にθを足
し込み、下記の式8に示すようにして値Mを算出し、出
力層13に向けて出力するものである。
の各ノードからの値に重みωを乗算し、その和にθを足
し込み、下記の式8に示すようにして値Mを算出し、出
力層13に向けて出力するものである。
【0086】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式9に示すようにして値X’、Y’を算出し、補
正した正しい座標値X’、Y’として出力するものであ
る。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式9に示すようにして値X’、Y’を算出し、補
正した正しい座標値X’、Y’として出力するものであ
る。
【0087】 尚、図10の入力層11、中間層12、および出力層1
3からなるニューラルネットワークは、予め教師信号と
して、 入力:時間差ΔTx、ΔTy 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図9の各重みω、閾値θに設定
してもよい。この学習後の図10のニューラルネットワ
ークを用いると、既述した図4の(a)の補正前の座標
値(Xs,Ys)を、図4の(b)の補正後の正しい座
標値(X’,Y’)に補正することができる。
3からなるニューラルネットワークは、予め教師信号と
して、 入力:時間差ΔTx、ΔTy 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図9の各重みω、閾値θに設定
してもよい。この学習後の図10のニューラルネットワ
ークを用いると、既述した図4の(a)の補正前の座標
値(Xs,Ys)を、図4の(b)の補正後の正しい座
標値(X’,Y’)に補正することができる。
【0088】(5) 図11および図12を用いて、複
数のセンサ2からの信号をもとに正しい座標値への補正
値(x’,y’)を求め、補正前の座標値(Xs,Y
s)に足し込んで補正した正しい座標値(Xs+x’,
Yx+y’)を算出する場合の構成および動作を詳細に
説明する。
数のセンサ2からの信号をもとに正しい座標値への補正
値(x’,y’)を求め、補正前の座標値(Xs,Y
s)に足し込んで補正した正しい座標値(Xs+x’,
Yx+y’)を算出する場合の構成および動作を詳細に
説明する。
【0089】図11は、本発明の他の実施例構成図を示
す。ここで、1から6は、図1の1から6と同一である
ので、説明を省略する。図11において、補正値演算回
路73は、複数のセンサ2によって検出された信号を入
力とし、正しい座標値に補正する補正値(x’,y’)
を算出するものである。ここでは、入力層11、中間層
12および出力層13からなるニューラルネットワーク
を予め学習させておいた状態で入力し、正しい座標値に
補正する補正値(x’,y’)を算出する(図12を用
いて後述する)。
す。ここで、1から6は、図1の1から6と同一である
ので、説明を省略する。図11において、補正値演算回
路73は、複数のセンサ2によって検出された信号を入
力とし、正しい座標値に補正する補正値(x’,y’)
を算出するものである。ここでは、入力層11、中間層
12および出力層13からなるニューラルネットワーク
を予め学習させておいた状態で入力し、正しい座標値に
補正する補正値(x’,y’)を算出する(図12を用
いて後述する)。
【0090】教師用回路9は、教師信号を与えて誤差が
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
【0091】次に、図12を用いて、図11の複数のセ
ンサ2によって検出された信号をもとに、反射波および
位相ずれによる誤差を補正して正しい座標値にするため
の補正値(x’,y’)の算出について詳細に説明す
る。ここでは、3層(入力層、中間層、出力層)からな
るニューラルネットワークを使用し、反射波および位相
ずれによる誤差を補正して正しい座標値にするための補
正値(x’,y’)について以下詳細に説明する。
ンサ2によって検出された信号をもとに、反射波および
位相ずれによる誤差を補正して正しい座標値にするため
の補正値(x’,y’)の算出について詳細に説明す
る。ここでは、3層(入力層、中間層、出力層)からな
るニューラルネットワークを使用し、反射波および位相
ずれによる誤差を補正して正しい座標値にするための補
正値(x’,y’)について以下詳細に説明する。
【0092】図12は、本発明の補正値演算回路例を示
す。図12において、入力層11には、図11で検出し
た複数のセンサ2からの信号を図示のように各ノードに
入力する。
す。図12において、入力層11には、図11で検出し
た複数のセンサ2からの信号を図示のように各ノードに
入力する。
【0093】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式10に示すようにして値Mを算出
し、出力層13に向けて出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式10に示すようにして値Mを算出
し、出力層13に向けて出力するものである。
【0094】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式11に示すようにして値x’、y’を算出し、
正しい座標値への補正値x’、y’として出力するもの
である。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式11に示すようにして値x’、y’を算出し、
正しい座標値への補正値x’、y’として出力するもの
である。
【0095】 尚、図12の入力層11、中間層12、および出力層1
3からなるニューラルネットワークは、予め教師信号と
して、 入力:複数のセンサ2によって検出した信号ei、ej、
ek、el 出力:正確な座標値と補正前の座標値(Xs,Ys)
(測定値)との差(x,y) の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図11の各重みω、閾値θに設
定してもよい。この学習後の図12のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
3からなるニューラルネットワークは、予め教師信号と
して、 入力:複数のセンサ2によって検出した信号ei、ej、
ek、el 出力:正確な座標値と補正前の座標値(Xs,Ys)
(測定値)との差(x,y) の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図11の各重みω、閾値θに設
定してもよい。この学習後の図12のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
【0096】(6) 図13および図14を用いて、複
数のセンサ2からの信号をもとに補正した正しい座標値
(X’,Y’)を算出する場合の構成および動作を詳細
に説明する。
数のセンサ2からの信号をもとに補正した正しい座標値
(X’,Y’)を算出する場合の構成および動作を詳細
に説明する。
【0097】図13は、本発明の他の実施例構成図を示
す。ここで、1から3は、図1の1から3と同一である
ので、説明を省略する。図13において、座標演算部6
2は、複数のセンサ2によって検出された信号を入力と
し、補正した正しい座標値(X’,Y’)を算出するも
のである。ここでは、入力層11、中間層12および出
力層13からなるニューラルネットワークを予め学習さ
せておいた状態で入力し、補正した正しい座標値
(X’,Y’)を算出する(図14を用いて後述す
る)。
す。ここで、1から3は、図1の1から3と同一である
ので、説明を省略する。図13において、座標演算部6
2は、複数のセンサ2によって検出された信号を入力と
し、補正した正しい座標値(X’,Y’)を算出するも
のである。ここでは、入力層11、中間層12および出
力層13からなるニューラルネットワークを予め学習さ
せておいた状態で入力し、補正した正しい座標値
(X’,Y’)を算出する(図14を用いて後述す
る)。
【0098】教師用回路9は、教師信号を与えて誤差が
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
零となるように、ニューラルネットワークを学習(各ノ
ードが持つ重みω、閾値θをそれぞれ学習)させるもの
である。
【0099】次に、図14を用いて、図13の複数のセ
ンサ2によって検出された信号をもとに、反射波および
位相ずれによる誤差を補正した正しい座標値(X’,
Y’)の算出について詳細に説明する。ここでは、3層
(入力層、中間層、出力層)からなるニューラルネット
ワークを使用し、反射波および位相ずれによる誤差を補
正して座標値(X’,Y’)の算出について以下詳細に
説明する。
ンサ2によって検出された信号をもとに、反射波および
位相ずれによる誤差を補正した正しい座標値(X’,
Y’)の算出について詳細に説明する。ここでは、3層
(入力層、中間層、出力層)からなるニューラルネット
ワークを使用し、反射波および位相ずれによる誤差を補
正して座標値(X’,Y’)の算出について以下詳細に
説明する。
【0100】図14は、本発明の座標演算部例を示す。
図14において、入力層11には、図13で検出した複
数のセンサ2からの信号を図示のように各ノードに入力
する。
図14において、入力層11には、図13で検出した複
数のセンサ2からの信号を図示のように各ノードに入力
する。
【0101】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式12(式10と同じあるが、ω、
θの値が異なる)に示すようにして値Mを算出し、出力
層13に向けて出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式12(式10と同じあるが、ω、
θの値が異なる)に示すようにして値Mを算出し、出力
層13に向けて出力するものである。
【0102】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式13(式11と同じあるが、ω、θの値が異な
る)に示すようにして値X’、Y’を算出し、正しい座
標値への補正値X’、Y’として出力するものである。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式13(式11と同じあるが、ω、θの値が異な
る)に示すようにして値X’、Y’を算出し、正しい座
標値への補正値X’、Y’として出力するものである。
【0103】 尚、図13の入力層11、中間層12、および出力層1
3からなるニューラルネットワークは、予め教師信号と
して、 入力:複数のセンサ2によって検出した信号ei、ej、
ek、el 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図13の各重みω、閾値θに設
定してもよい。この学習後の図14のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
3からなるニューラルネットワークは、予め教師信号と
して、 入力:複数のセンサ2によって検出した信号ei、ej、
ek、el 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図13の各重みω、閾値θに設
定してもよい。この学習後の図14のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
【0104】(7) 図15および図16を用いて、入
力層11と中間層12の間に重み固定中間層14を設け
て中間層12への入力を疑似的に増やした場合の構成お
よび動作を詳細に説明する。ここでは、補正前の座標値
(Xs,Ys)を入力層11に入力し、補正した正しい
座標値(X’,Y’)を出力層13から出力する例をも
とに詳細に説明する。
力層11と中間層12の間に重み固定中間層14を設け
て中間層12への入力を疑似的に増やした場合の構成お
よび動作を詳細に説明する。ここでは、補正前の座標値
(Xs,Ys)を入力層11に入力し、補正した正しい
座標値(X’,Y’)を出力層13から出力する例をも
とに詳細に説明する。
【0105】図15は、本発明の他の実施例構成図を示
す。図15において、入力層11は、入力を与える層で
あって、ここでは、補正前の座標値(Xs,Ys)を当
該入力層11の各ノードに与えるものである。
す。図15において、入力層11は、入力を与える層で
あって、ここでは、補正前の座標値(Xs,Ys)を当
該入力層11の各ノードに与えるものである。
【0106】重み固定中間層14は、入力層11の各ノ
ードに与えられた値(ここでは補正前の座標値(Xs,
Ys))に、重みωおよび閾値θをもとに下記式14に
従った値を算出して中間層14の各ノードに疑似的に入
力の値を増やした信号Mi 1を出力するものである(図1
6を用いて後述する)。
ードに与えられた値(ここでは補正前の座標値(Xs,
Ys))に、重みωおよび閾値θをもとに下記式14に
従った値を算出して中間層14の各ノードに疑似的に入
力の値を増やした信号Mi 1を出力するものである(図1
6を用いて後述する)。
【0107】 中間層12は、図示のように、重み固定中間層14の各
ノードからの値に重みωを乗算し、その和に閾値θを足
し込み、下記の式15に示すようにして値Mi 2を算出
し、出力層13に向けて出力するものである。
ノードからの値に重みωを乗算し、その和に閾値θを足
し込み、下記の式15に示すようにして値Mi 2を算出
し、出力層13に向けて出力するものである。
【0108】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式16に示すように、値X’、Y’を算出し、こ
こでは補正後の正しい座標値X’、Y’として出力する
ものである。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式16に示すように、値X’、Y’を算出し、こ
こでは補正後の正しい座標値X’、Y’として出力する
ものである。
【0109】 尚、図15の入力層11、重み固定中間層15のうちの
固定でないとしたω、θ、中間層12、および出力層1
3からなるニューラルネットワークは、予め教師信号と
して、ここでは例えば 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図15の各重みω、閾値θに設
定してもよい。この学習後の図15のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
固定でないとしたω、θ、中間層12、および出力層1
3からなるニューラルネットワークは、予め教師信号と
して、ここでは例えば 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図15の各重みω、閾値θに設
定してもよい。この学習後の図15のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
【0110】図16は、本発明の重み固定中間層からの
出力例を示す。ここで、重みωが各曲線の傾きを表し、
各曲線の位置が閾値θをそれぞれ表す。従って、重みω
を例えば図示のような曲線の傾きに固定し、閾値θとし
て図示の曲線の数であるn個の位置でそれぞれ固定とす
ると、図示のような曲線(シグモイド関数)が決定され
る。ここで、横軸は正規化した入力値であり、縦軸は正
規化した出力値である。ここでは、曲線を均等に配置し
たが、特定の入力値に対応して重点的に(偏って)配置
することもある。
出力例を示す。ここで、重みωが各曲線の傾きを表し、
各曲線の位置が閾値θをそれぞれ表す。従って、重みω
を例えば図示のような曲線の傾きに固定し、閾値θとし
て図示の曲線の数であるn個の位置でそれぞれ固定とす
ると、図示のような曲線(シグモイド関数)が決定され
る。ここで、横軸は正規化した入力値であり、縦軸は正
規化した出力値である。ここでは、曲線を均等に配置し
たが、特定の入力値に対応して重点的に(偏って)配置
することもある。
【0111】このように重みωおよび閾値θを固定する
と、図示のようなシグモイド関数が決定されるので、横
軸の任意の入力値を与えたとき、各シグモイド関数と交
わった点の縦軸の複数の出力値が出力、即ち入力値の近
傍の値が疑似的に強調されて出力され、次の中間層12
の各ノードに入力されることとなる。これにより、少な
い入力から当該入力の近傍の値を疑似的に増やして出力
し、効率的に学習したり、学習後に効率的に中間層12
および出力層13を働かせて正確な値を出力させたりす
ることが可能となる。更に、言えば、入力値の近くの出
力値を強調するために傾きを大きくし(重みωを大きく
し)、全体をカバーするために複数個用意し(閾値θの
値が異なる複数個用意し)、全体での出力位置を加算す
ることにより、効率的な学習および学習後の効率的な出
力を図ったものである。
と、図示のようなシグモイド関数が決定されるので、横
軸の任意の入力値を与えたとき、各シグモイド関数と交
わった点の縦軸の複数の出力値が出力、即ち入力値の近
傍の値が疑似的に強調されて出力され、次の中間層12
の各ノードに入力されることとなる。これにより、少な
い入力から当該入力の近傍の値を疑似的に増やして出力
し、効率的に学習したり、学習後に効率的に中間層12
および出力層13を働かせて正確な値を出力させたりす
ることが可能となる。更に、言えば、入力値の近くの出
力値を強調するために傾きを大きくし(重みωを大きく
し)、全体をカバーするために複数個用意し(閾値θの
値が異なる複数個用意し)、全体での出力位置を加算す
ることにより、効率的な学習および学習後の効率的な出
力を図ったものである。
【0112】(8) 図17を用いて、入力層11と中
間層12の間に、入力パラメータ毎に個別の重み固定中
間層14を設けて中間層12への入力を疑似的に増やし
た場合の構成および動作を詳細に説明する。ここでは、
補正前の座標値(Xs,Ys)を入力層11に入力し、
補正した正しい座標値(X’,Y’)を出力層13から
出力する例をもとに詳細に説明する。
間層12の間に、入力パラメータ毎に個別の重み固定中
間層14を設けて中間層12への入力を疑似的に増やし
た場合の構成および動作を詳細に説明する。ここでは、
補正前の座標値(Xs,Ys)を入力層11に入力し、
補正した正しい座標値(X’,Y’)を出力層13から
出力する例をもとに詳細に説明する。
【0113】図17は、本発明の他の実施例構成図を示
す。図17において、入力層11は、入力を与える層で
あって、ここでは、補正前の座標値(Xs,Ys)を当
該入力層11の各ノードに与えるものである。ここで
は、XsとYsの2つの入力パラメータの値を各ノード
に与える。
す。図17において、入力層11は、入力を与える層で
あって、ここでは、補正前の座標値(Xs,Ys)を当
該入力層11の各ノードに与えるものである。ここで
は、XsとYsの2つの入力パラメータの値を各ノード
に与える。
【0114】重み固定中間層14は、入力層11の各ノ
ードに与えられた値(ここでは補正前の座標値Xs、Y
sに、重みωおよび閾値θをもとに下記式17、式18
に従った入力パラメータXs、Ysの2つについて個別
に値を算出して中間層14の各ノードに疑似的に入力の
値を増やした信号Mi 1をそれぞれ出力するものである。
ここでは、簡便のため、重み固定中間層14の数をn個
づつとしたが、数は変わってもかまわない。
ードに与えられた値(ここでは補正前の座標値Xs、Y
sに、重みωおよび閾値θをもとに下記式17、式18
に従った入力パラメータXs、Ysの2つについて個別
に値を算出して中間層14の各ノードに疑似的に入力の
値を増やした信号Mi 1をそれぞれ出力するものである。
ここでは、簡便のため、重み固定中間層14の数をn個
づつとしたが、数は変わってもかまわない。
【0115】 中間層12は、図示のように、重み固定中間層14の各
ノードからの値に重みωを乗算し、その和に閾値θを足
し込み、上述した式15と同様にして値M2を算出し、
出力層13に向けて出力するものである。
ノードからの値に重みωを乗算し、その和に閾値θを足
し込み、上述した式15と同様にして値M2を算出し、
出力層13に向けて出力するものである。
【0116】出力層13は、図示のように、中間層12
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、上述した式16と同様にして、値X’、
Y’を算出し、ここでは補正後の正しい座標値X’、
Y’として出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、上述した式16と同様にして、値X’、
Y’を算出し、ここでは補正後の正しい座標値X’、
Y’として出力するものである。
【0117】尚、図17の入力層11、重み固定中間層
15のうちの固定でないとしたω、θ、中間層12、お
よび出力層13からなるニューラルネットワークは、予
め教師信号として、ここでは例えば 入力:補正前の座標値Xs、Ys 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図17の各重みω、閾値θに設
定してもよい。この学習後の図17のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
15のうちの固定でないとしたω、θ、中間層12、お
よび出力層13からなるニューラルネットワークは、予
め教師信号として、ここでは例えば 入力:補正前の座標値Xs、Ys 出力:正確な座標値 の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する(例えば誤差逆伝搬学習法によ
って、誤差の2乗の和が最小となるように重みω、閾値
θを決める)。この重みω、閾値θの決定は、操作板1
の形状、センサ2の位置などに対応して予め求めて保存
しておき、実際の装置の図17の各重みω、閾値θに設
定してもよい。この学習後の図17のニューラルネット
ワークを用いると、既述した図4の(a)の補正前の座
標値(Xs,Ys)を、図4の(b)の補正後の正しい
座標値(X’,Y’)に補正することができる。
【0118】(9) 図18を用いて、入力層11、中
間層12、および出力層13からなるニューラルネット
ワークを、出力パラメータ別に設け、当該出力パラメー
タ毎に重みω、閾値θを学習し、学習した値を用いて出
力値を得る構成および動作を詳細に説明する。
間層12、および出力層13からなるニューラルネット
ワークを、出力パラメータ別に設け、当該出力パラメー
タ毎に重みω、閾値θを学習し、学習した値を用いて出
力値を得る構成および動作を詳細に説明する。
【0119】図18は、本発明の他の実施例構成図を示
す。図18において、ニューラルネットワーク15、1
6は、入力層11、中間層12、および出力層13から
なるものであって、出力パラメータ毎に設けたものであ
る。ここでは、出力パラメータとして、補正後の正しい
座標値X’、Y’毎に設けている。
す。図18において、ニューラルネットワーク15、1
6は、入力層11、中間層12、および出力層13から
なるものであって、出力パラメータ毎に設けたものであ
る。ここでは、出力パラメータとして、補正後の正しい
座標値X’、Y’毎に設けている。
【0120】(9−1) ニューラルネットワーク1
5:入力層11は、補正前の座標値Xsおよび座標値Y
sを図示のように各ノードに入力する。
5:入力層11は、補正前の座標値Xsおよび座標値Y
sを図示のように各ノードに入力する。
【0121】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式19に示すようにして値Mを算出
し、出力層13に向けた出力するものである。
の各ノードからの値に重みωを乗算し、その和に閾値θ
を足し込み、下記の式19に示すようにして値Mを算出
し、出力層13に向けた出力するものである。
【0122】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式20に示すようにして値X’を算出し、補正後
の正しい座標値X’として出力するものである。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式20に示すようにして値X’を算出し、補正後
の正しい座標値X’として出力するものである。
【0123】 尚、図18の入力層11、中間層12、および出力層1
3からなるニューラルネットワーク15は、予め教師信
号として、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値X の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する。
3からなるニューラルネットワーク15は、予め教師信
号として、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値X の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し、出力の誤差が目標誤差以下になる
まで学習させて決定する。
【0124】(9−2) ニューラルネットワーク1
6:入力層11は、補正前の座標値Xsおよび座標値Y
sを図示のように各ノードに入力する。
6:入力層11は、補正前の座標値Xsおよび座標値Y
sを図示のように各ノードに入力する。
【0125】中間層12は、図示のように、入力層11
の各ノードからの値に重みωを乗算し、その和にθを足
し込み、下記の式21(式19と式は同じであるがω、
θの値が異なる)に示すようにして値Mを算出し、出力
層13に向けた出力するものである。
の各ノードからの値に重みωを乗算し、その和にθを足
し込み、下記の式21(式19と式は同じであるがω、
θの値が異なる)に示すようにして値Mを算出し、出力
層13に向けた出力するものである。
【0126】 出力層13は、図示のように、中間層12の各ノードか
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式22に示すようにして値Y’を算出し、補正後
の正しい座標値Y’として出力するものである。
らの値に重みωを乗算し、その和に閾値θを足し込み、
下記の式22に示すようにして値Y’を算出し、補正後
の正しい座標値Y’として出力するものである。
【0127】 尚、図17の入力層11、中間層12、および出力層1
3からなるニューラルネットワーク16は、予め教師信
号として、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値Y の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し22力の誤差が目標誤差以下になる
まで学習させて決定する。 (10) 図19を用いて、入力層11、中間層12、
および出力層13、更に必要に応じて重み固定中間層1
4からなるニューラルネットワークに、教師信号(入力
値と正しい出力値の組)を入力して誤差が目標誤差以下
となるように重みωおよび閾値θを決定して学習させた
状態で、操作板1の寸法が拡縮した場合に閾値θのみの
再学習、およびセンサ2の感度が変化した場合に重みω
のみを再学習させるときの構成および動作を詳細に説明
する。
3からなるニューラルネットワーク16は、予め教師信
号として、 入力:補正前の座標値(Xs,Ys) 出力:正確な座標値Y の組を複数準備し、教師信号の入力を入力層11に与
え、出力層13からの出力とこの教師信号の出力との差
が零になるように、図示の重みω、閾値θの値を順次変
えることを繰り返し22力の誤差が目標誤差以下になる
まで学習させて決定する。 (10) 図19を用いて、入力層11、中間層12、
および出力層13、更に必要に応じて重み固定中間層1
4からなるニューラルネットワークに、教師信号(入力
値と正しい出力値の組)を入力して誤差が目標誤差以下
となるように重みωおよび閾値θを決定して学習させた
状態で、操作板1の寸法が拡縮した場合に閾値θのみの
再学習、およびセンサ2の感度が変化した場合に重みω
のみを再学習させるときの構成および動作を詳細に説明
する。
【0128】図19は、本発明の他の実施例構成図を示
す。図19において、学習手段17は、入力層11、中
間層12および出力層13、更に必要に応じて重み固定
中間層14からなるニューラルネットワークに教師信号
(入力値と正しい出力値の組)を複数繰り返し与え、そ
の出力値と教師信号の正しい出力値との誤差が所定閾値
以下となるように重みωおよび閾値θを最適値に決定す
るものである。また、重みωおよび閾値θを最適値に決
定して学習した状態のもとで、操作板1の寸法が拡縮し
た場合に閾値θのみを再学習させたり、センサ2の感度
が変化した場合に重みωのみを再学習させたりする。以
下詳細に説明する。
す。図19において、学習手段17は、入力層11、中
間層12および出力層13、更に必要に応じて重み固定
中間層14からなるニューラルネットワークに教師信号
(入力値と正しい出力値の組)を複数繰り返し与え、そ
の出力値と教師信号の正しい出力値との誤差が所定閾値
以下となるように重みωおよび閾値θを最適値に決定す
るものである。また、重みωおよび閾値θを最適値に決
定して学習した状態のもとで、操作板1の寸法が拡縮し
た場合に閾値θのみを再学習させたり、センサ2の感度
が変化した場合に重みωのみを再学習させたりする。以
下詳細に説明する。
【0129】図19の(a)は、操作板1のガスラ板の
寸法が設計値から拡縮した場合の様子を示す。このガラ
ス板の寸法が設計値から拡縮した場合、設計値の寸法で
学習した状態のニューラルネットワーク18の重みωお
よび閾値θのうち、閾値θのみを再調整すればよいの
で、ニューラルネットワーク18の重みωを学習済の値
に固定した状態で、教師信号(入力値と正しい出力値の
組)をニューラルネットワーク18に与えてその出力値
と正しい出力値の誤差が目標誤差よりも小さくなるよう
に閾値θのみを再学習させる。これにより、重みωおよ
び閾値θの両者を再学習させるよりも、迅速に学習でき
る。
寸法が設計値から拡縮した場合の様子を示す。このガラ
ス板の寸法が設計値から拡縮した場合、設計値の寸法で
学習した状態のニューラルネットワーク18の重みωお
よび閾値θのうち、閾値θのみを再調整すればよいの
で、ニューラルネットワーク18の重みωを学習済の値
に固定した状態で、教師信号(入力値と正しい出力値の
組)をニューラルネットワーク18に与えてその出力値
と正しい出力値の誤差が目標誤差よりも小さくなるよう
に閾値θのみを再学習させる。これにより、重みωおよ
び閾値θの両者を再学習させるよりも、迅速に学習でき
る。
【0130】図19の(b)は、操作板1のガスラ板に
配置したセンサ2の感度が変化した場合の様子を示す。
ガラス板に配置したセンサ2の感度が設計値(あるいは
当初学習したときの値)から変化した場合、学習した状
態のニューラルネットワーク18の重みωおよび閾値θ
のうち、重みωのみを再調整すればよいので、ニューラ
ルネットワーク18の閾値θを学習済の値に固定した状
態で、教師信号(入力値と正しい出力値の組)をニュー
ラルネットワーク18に与えてその出力値と正しい出力
値の誤差が目標誤差よりも小さくなるように重みωのみ
を再学習させる。これにより、重みωおよび閾値θの両
者を再学習させるよりも、迅速に学習できる。
配置したセンサ2の感度が変化した場合の様子を示す。
ガラス板に配置したセンサ2の感度が設計値(あるいは
当初学習したときの値)から変化した場合、学習した状
態のニューラルネットワーク18の重みωおよび閾値θ
のうち、重みωのみを再調整すればよいので、ニューラ
ルネットワーク18の閾値θを学習済の値に固定した状
態で、教師信号(入力値と正しい出力値の組)をニュー
ラルネットワーク18に与えてその出力値と正しい出力
値の誤差が目標誤差よりも小さくなるように重みωのみ
を再学習させる。これにより、重みωおよび閾値θの両
者を再学習させるよりも、迅速に学習できる。
【0131】(11) 図20を用いてニューラルネッ
トワークに標準的な操作板1の教師信号を与えて学習し
て誤差が目標誤差の整数倍以下となったときの概略の重
みωおよび閾値θを保存し、製造された操作板1に接続
したニューラルネットワークに保存しておいた概略の重
みωおよび閾値θを設定した後、教師信号を与えて学習
させて誤差が目標誤差以下となったときに固定し、測定
する場合について詳細に説明する。
トワークに標準的な操作板1の教師信号を与えて学習し
て誤差が目標誤差の整数倍以下となったときの概略の重
みωおよび閾値θを保存し、製造された操作板1に接続
したニューラルネットワークに保存しておいた概略の重
みωおよび閾値θを設定した後、教師信号を与えて学習
させて誤差が目標誤差以下となったときに固定し、測定
する場合について詳細に説明する。
【0132】図20は、本発明の再学習説明図(その
2)を示す。図20において、S1は、ニューラルネッ
トワークに標準的な操作板1で学習する。これは、既述
した入力層11、中間層12、および出力層13、更に
必要に応じて重み固定中間層14からなるニューラルネ
ットワークに、最初は乱数を各重みωおよび閾値θに付
与した後、教師信号(入力値と正しい出力値の組)のう
ちの入力値を当該ニューラルネットワークの入力層11
に与え、出力層13からの出力値と教師信号のうちの出
力値とを比較してその誤差が目標誤差の整数倍以下とな
るように重みωおよび閾値θを学習する。
2)を示す。図20において、S1は、ニューラルネッ
トワークに標準的な操作板1で学習する。これは、既述
した入力層11、中間層12、および出力層13、更に
必要に応じて重み固定中間層14からなるニューラルネ
ットワークに、最初は乱数を各重みωおよび閾値θに付
与した後、教師信号(入力値と正しい出力値の組)のう
ちの入力値を当該ニューラルネットワークの入力層11
に与え、出力層13からの出力値と教師信号のうちの出
力値とを比較してその誤差が目標誤差の整数倍以下とな
るように重みωおよび閾値θを学習する。
【0133】S2は、S1で学習したニューラルネット
ワークの重みωおよび閾値θを保存する。これにより、
標準的な操作板1をニューラルネットワークに接続して
振動印加点の座標を精度高く測定するときに当該ニュー
ラルネットワークに設定する重みωおよび閾値θの値を
学習して保存したこととなる。
ワークの重みωおよび閾値θを保存する。これにより、
標準的な操作板1をニューラルネットワークに接続して
振動印加点の座標を精度高く測定するときに当該ニュー
ラルネットワークに設定する重みωおよび閾値θの値を
学習して保存したこととなる。
【0134】S3は、量産用の操作板1を使って教師信
号のサンプリングを行う。これは、量産用に製造された
操作板1を使って、当該操作板1上の任意の振動印加点
から出力される信号が正しい出力値(既述した例えば座
標値、補正値など)となるように学習するための教師信
号(入力信号と出力信号の組)のサンプリングを行う。
号のサンプリングを行う。これは、量産用に製造された
操作板1を使って、当該操作板1上の任意の振動印加点
から出力される信号が正しい出力値(既述した例えば座
標値、補正値など)となるように学習するための教師信
号(入力信号と出力信号の組)のサンプリングを行う。
【0135】S4は、量産用の操作板1に初期値とし
て、標準的な操作板1の保存した概略値(重みω、閾値
θ)を設定する。S5は、学習する。これは、S4で標
準的な操作板1について学習して予め求めて保存してお
いた概略の重みωおよび閾値θをニューラルネットワー
クに設定した状態で、教師信号のうちの入力値をニュー
ラルネットワークの入力層11に与えてそのときの出力
層13からの出力値を教師信号の出力値と比較し、その
誤差が目標誤差以下となるように重みωおよび閾値θを
再学習する。
て、標準的な操作板1の保存した概略値(重みω、閾値
θ)を設定する。S5は、学習する。これは、S4で標
準的な操作板1について学習して予め求めて保存してお
いた概略の重みωおよび閾値θをニューラルネットワー
クに設定した状態で、教師信号のうちの入力値をニュー
ラルネットワークの入力層11に与えてそのときの出力
層13からの出力値を教師信号の出力値と比較し、その
誤差が目標誤差以下となるように重みωおよび閾値θを
再学習する。
【0136】S6は、S5の再学習が終了した後、実際
の測定を行う。以上のように、標準的な操作板1の教師
信号をニューラルネットワークに与えて学習して誤差が
目標誤差の整数倍以下となったときの概略の重みωおよ
び閾値θを保存しておき、量産用の操作板1が製造でき
たときにこの操作板1の教師信号をサンプリングし、接
続しようとするニューラルネットワークに保存しておい
た概略の重みωおよび閾値θを設定した後、当該教師信
号を与えて誤差が目標誤差以下となるまで再学習するこ
とにより、量産用の操作板1に接続するニューラルネッ
トワークに対して極めて迅速に学習を完了し、測定に移
行できる。
の測定を行う。以上のように、標準的な操作板1の教師
信号をニューラルネットワークに与えて学習して誤差が
目標誤差の整数倍以下となったときの概略の重みωおよ
び閾値θを保存しておき、量産用の操作板1が製造でき
たときにこの操作板1の教師信号をサンプリングし、接
続しようとするニューラルネットワークに保存しておい
た概略の重みωおよび閾値θを設定した後、当該教師信
号を与えて誤差が目標誤差以下となるまで再学習するこ
とにより、量産用の操作板1に接続するニューラルネッ
トワークに対して極めて迅速に学習を完了し、測定に移
行できる。
【0137】(12) 図21を用いて、ニューラルネ
ットワークに標準的な操作板1の教師信号を与えて学習
して誤差が目標誤差以下となったときの重みωおよび閾
値θを保存し、製造された操作板1に接続したニューラ
ルネットワークに保存しておいた重みωおよび閾値θを
設定および製造された操作板1を接続した後、教師信号
(操作板1への入力値および出力層13からの出力値の
組)を与えて学習させて誤差が目標誤差以下となったと
きに固定し、測定する場合について詳細に説明する。
ットワークに標準的な操作板1の教師信号を与えて学習
して誤差が目標誤差以下となったときの重みωおよび閾
値θを保存し、製造された操作板1に接続したニューラ
ルネットワークに保存しておいた重みωおよび閾値θを
設定および製造された操作板1を接続した後、教師信号
(操作板1への入力値および出力層13からの出力値の
組)を与えて学習させて誤差が目標誤差以下となったと
きに固定し、測定する場合について詳細に説明する。
【0138】図21は、本発明の再学習説明図(その
3)を示す。図21において、S11は、ニューラルネ
ットワークに標準的な操作板1で学習する。これは、既
述した入力層11、中間層12、および出力層13、更
に必要に応じて重み固定中間層14からなるニューラル
ネットワークに、最初は乱数を各重みωおよび閾値θに
付与した後、教師信号(入力値と正しい出力値の組)の
うちの入力値を当該ニューラルネットワークの入力層1
1に与え、出力層13からの出力値と教師信号のうちの
出力値とを比較してその誤差が目標誤差以下となるよう
に重みωおよび閾値θを学習する。
3)を示す。図21において、S11は、ニューラルネ
ットワークに標準的な操作板1で学習する。これは、既
述した入力層11、中間層12、および出力層13、更
に必要に応じて重み固定中間層14からなるニューラル
ネットワークに、最初は乱数を各重みωおよび閾値θに
付与した後、教師信号(入力値と正しい出力値の組)の
うちの入力値を当該ニューラルネットワークの入力層1
1に与え、出力層13からの出力値と教師信号のうちの
出力値とを比較してその誤差が目標誤差以下となるよう
に重みωおよび閾値θを学習する。
【0139】S12は、S11で学習したニューラルネ
ットワークの重みωおよび閾値θを保存する。これによ
り、標準的な操作板1をニューラルネットワークに接続
して振動印加点の座標を精度高く測定するときに当該ニ
ューラルネットワークに設定する重みωおよび閾値θの
値を学習して保存したこととなる。
ットワークの重みωおよび閾値θを保存する。これによ
り、標準的な操作板1をニューラルネットワークに接続
して振動印加点の座標を精度高く測定するときに当該ニ
ューラルネットワークに設定する重みωおよび閾値θの
値を学習して保存したこととなる。
【0140】S13は、量産用の操作板1に初期値とし
て標準的な操作板1の保存した値(重みω、閾値θ)を
設定する。これは、S12で保存した重みω、閾値θを
量産用の操作板1を接続したニューラルネットワークに
初期設定する。
て標準的な操作板1の保存した値(重みω、閾値θ)を
設定する。これは、S12で保存した重みω、閾値θを
量産用の操作板1を接続したニューラルネットワークに
初期設定する。
【0141】S14は、量産用の操作板1を使って測定
する。S15は、偏差を求める。S16は、偏差がなく
なるように学習する。これらS14からS16は、S1
3で量産用の操作板1に接続したニューラルネットワー
クにS12で保存した標準的な操作板1の標準パターン
である重みω、閾値θを初期設定した後、操作板1の任
意の点に振動を印加してそのときの出力層13からの出
力値と標準パターンの値との偏差を求め、この偏差が零
となるように重みω、閾値θを学習する。ここで、操作
板1であるガラス板の寸法精度が一定でない場合は、端
面の反射の影響の出現する位置がずれることが判明して
いるので、この影響が強く現れる点に振動を印加し、そ
のときの出力層13からの出力値と標準パターンとの偏
差を求め、この偏差が零となるように重みωおよび閾値
θ(この場合には、閾値θのみ)を学習する。また、操
作板1のガラスの端面の面取りなどの影響により位置は
変わらないが、振幅(ずれ量)が変わるので、この影響
が強く現れる点に振動を印加し、そのときの出力層13
からの出力値と標準パターンとの偏差を求め、この偏差
が零となるように重みωおよび閾値θ(この場合には、
重みωのみ)を学習する。このように影響が個別の出現
する場合には、標準パターンからの偏差が零になるよう
に重みωあるいは閾値θを再学習すれば、計算量を最小
限にし、迅速に学習を行うことが可能となる。
する。S15は、偏差を求める。S16は、偏差がなく
なるように学習する。これらS14からS16は、S1
3で量産用の操作板1に接続したニューラルネットワー
クにS12で保存した標準的な操作板1の標準パターン
である重みω、閾値θを初期設定した後、操作板1の任
意の点に振動を印加してそのときの出力層13からの出
力値と標準パターンの値との偏差を求め、この偏差が零
となるように重みω、閾値θを学習する。ここで、操作
板1であるガラス板の寸法精度が一定でない場合は、端
面の反射の影響の出現する位置がずれることが判明して
いるので、この影響が強く現れる点に振動を印加し、そ
のときの出力層13からの出力値と標準パターンとの偏
差を求め、この偏差が零となるように重みωおよび閾値
θ(この場合には、閾値θのみ)を学習する。また、操
作板1のガラスの端面の面取りなどの影響により位置は
変わらないが、振幅(ずれ量)が変わるので、この影響
が強く現れる点に振動を印加し、そのときの出力層13
からの出力値と標準パターンとの偏差を求め、この偏差
が零となるように重みωおよび閾値θ(この場合には、
重みωのみ)を学習する。このように影響が個別の出現
する場合には、標準パターンからの偏差が零になるよう
に重みωあるいは閾値θを再学習すれば、計算量を最小
限にし、迅速に学習を行うことが可能となる。
【0142】S17は、S16の再学習が終了した後、
実際の測定を行う。以上のように、標準的な操作板1の
教師信号をニューラルネットワークに与えて学習して誤
差が目標誤差以下となったときの重みωおよび閾値θを
保存しておき、量産用の操作板1が製造できたときに保
存しておいた重みωおよび閾値θをニューラルネットワ
ークに設定および操作板1を接続した後、操作板1のパ
ラメータの誤差の影響が現れやすい点に振動を与えて出
力層13からの値と、標準パターンの値との偏差(重み
ω、あるいは閾値θ、あるいは更に両者)を求め、この
偏差が零となるように再学習することにより、量産用の
操作板1に接続するニューラルネットワークに対して極
めて迅速に学習を完了し、測定に移行できる。
実際の測定を行う。以上のように、標準的な操作板1の
教師信号をニューラルネットワークに与えて学習して誤
差が目標誤差以下となったときの重みωおよび閾値θを
保存しておき、量産用の操作板1が製造できたときに保
存しておいた重みωおよび閾値θをニューラルネットワ
ークに設定および操作板1を接続した後、操作板1のパ
ラメータの誤差の影響が現れやすい点に振動を与えて出
力層13からの値と、標準パターンの値との偏差(重み
ω、あるいは閾値θ、あるいは更に両者)を求め、この
偏差が零となるように再学習することにより、量産用の
操作板1に接続するニューラルネットワークに対して極
めて迅速に学習を完了し、測定に移行できる。
【0143】(13) 図22を用いて、ニューラルネ
ットワークに操作板1の固定偏差データ112を入力す
る入力層111を設け、操作板1の形状やセンサ2の配
置位置などの誤差を補正する場合の構成および動作を詳
細に説明する。
ットワークに操作板1の固定偏差データ112を入力す
る入力層111を設け、操作板1の形状やセンサ2の配
置位置などの誤差を補正する場合の構成および動作を詳
細に説明する。
【0144】図22は、本発明の他の実施例構成図を示
す。図22において、入力層111は、既述した入力層
11の入力に更に操作板1の固体偏差データ111を入
力するノードを設けたものである。
す。図22において、入力層111は、既述した入力層
11の入力に更に操作板1の固体偏差データ111を入
力するノードを設けたものである。
【0145】固体偏差データ112は、操作板1である
ガラス板の大きさ、ガラス板の寸法誤差、更にセンサ2
の配置位置の誤差などの座標測定に影響を与える操作板
1の固体偏差のデータである。この固体偏差データ11
2を入力するノードを入力層111に設け、各固体偏差
データ112の最大値、標準値、最小値のときの出力値
を教師信号として学習し、誤差が目標誤差以下となった
ときの重みωおよび閾値θを保存しておき、量産用の操
作板1について測定したこれらの固体偏差データ112
の値を固定値として入力層111に入力することによ
り、自動的に操作板1の固定偏差データの誤差の補正を
行い、精度高い座標値を測定することが可能となる。
ガラス板の大きさ、ガラス板の寸法誤差、更にセンサ2
の配置位置の誤差などの座標測定に影響を与える操作板
1の固体偏差のデータである。この固体偏差データ11
2を入力するノードを入力層111に設け、各固体偏差
データ112の最大値、標準値、最小値のときの出力値
を教師信号として学習し、誤差が目標誤差以下となった
ときの重みωおよび閾値θを保存しておき、量産用の操
作板1について測定したこれらの固体偏差データ112
の値を固定値として入力層111に入力することによ
り、自動的に操作板1の固定偏差データの誤差の補正を
行い、精度高い座標値を測定することが可能となる。
【0146】尚、実施例では、ニューラルネットワーク
を入力層11、中間層12および出力層13から構成し
た例を用いて説明したが、中間層12を複数設けても、
同様に処理できるものである。
を入力層11、中間層12および出力層13から構成し
た例を用いて説明したが、中間層12を複数設けても、
同様に処理できるものである。
【0147】
【発明の効果】以上説明したように、本発明によれば、
操作板1の形状に起因する反射波および波の性質に起因
する位相ずれなどによる誤差を補正値演算回路や、補正
演算部などで補正して正しい座標値を出力する構成を採
用しているため、正確な座標値を簡単な構成で求めるこ
とができると共に、操作板1のより広い範囲を入力面と
して使用できること、精度が向上してより細かい分解能
で入力が行えること、更に色々な操作板1の形状に対応
できることが可能となった。また、これらにより、 (1) 操作板1の形状に起因する反射波および波の性
質に起因する位相などによる誤差を補正値演算回路7に
よって補正値(x’,y’)を求め、この補正値
(x’,y’)を補正前の座標値(Xs,Ys)に補正
して正しい座標値(Xs+x’,Ys+y’)を出力す
ることが可能となる。
操作板1の形状に起因する反射波および波の性質に起因
する位相ずれなどによる誤差を補正値演算回路や、補正
演算部などで補正して正しい座標値を出力する構成を採
用しているため、正確な座標値を簡単な構成で求めるこ
とができると共に、操作板1のより広い範囲を入力面と
して使用できること、精度が向上してより細かい分解能
で入力が行えること、更に色々な操作板1の形状に対応
できることが可能となった。また、これらにより、 (1) 操作板1の形状に起因する反射波および波の性
質に起因する位相などによる誤差を補正値演算回路7に
よって補正値(x’,y’)を求め、この補正値
(x’,y’)を補正前の座標値(Xs,Ys)に補正
して正しい座標値(Xs+x’,Ys+y’)を出力す
ることが可能となる。
【0148】(2) 誤差を補正値演算回路71によっ
て補正した正しい座標値(X’,Y’)を出力すること
が可能となる。 (3) 補正値演算回路72によって時間差ΔTx、Δ
Tyから補正値(x’,y’)を求め、補正前の座標値
(Xs,Ys)に補正して正しい座標値を出力すること
が可能となる。
て補正した正しい座標値(X’,Y’)を出力すること
が可能となる。 (3) 補正値演算回路72によって時間差ΔTx、Δ
Tyから補正値(x’,y’)を求め、補正前の座標値
(Xs,Ys)に補正して正しい座標値を出力すること
が可能となる。
【0149】(4) 座標演算部61によって時間差Δ
Tx、ΔTyから補正した正しい座標値(X’,Y’)
を求め、出力することが可能となる。 (5) 補正値演算回路73によって複数のセンサ2に
よって検出した信号から正しい座標値への補正値
(x’,y’)を求め、これを補正前の座標値(Xs,
Ys)に補正して正しい座標値を出力することが可能と
なる。
Tx、ΔTyから補正した正しい座標値(X’,Y’)
を求め、出力することが可能となる。 (5) 補正値演算回路73によって複数のセンサ2に
よって検出した信号から正しい座標値への補正値
(x’,y’)を求め、これを補正前の座標値(Xs,
Ys)に補正して正しい座標値を出力することが可能と
なる。
【0150】(6) 座標演算部62によって複数のセ
ンサ2によって検出した信号から補正した座標値
(X’,Y’)を求め、出力することが可能となる。 (7) 重み固定中間層14を入力層11と中間層12
との間に設け、疑似的に値を増やして中間層12に入力
し、入力値の近傍の値を強調して全体をカバーして効率
的に学習および結果(補正値、補正後の正しい座標値な
ど)を出力することが可能となる。
ンサ2によって検出した信号から補正した座標値
(X’,Y’)を求め、出力することが可能となる。 (7) 重み固定中間層14を入力層11と中間層12
との間に設け、疑似的に値を増やして中間層12に入力
し、入力値の近傍の値を強調して全体をカバーして効率
的に学習および結果(補正値、補正後の正しい座標値な
ど)を出力することが可能となる。
【0151】(8) (7)で重み固定中間層14を入
力層11のノードに入力するパラメータ毎に個別に設
け、パラメータ毎に疑似的に値を増やして中間層12に
入力し、入力値の近傍の値を入力パラメータ毎に強調し
て全体をカバーして効率的に学習および結果(補正値、
補正後の正しい座標値など)を出力することが可能とな
る。
力層11のノードに入力するパラメータ毎に個別に設
け、パラメータ毎に疑似的に値を増やして中間層12に
入力し、入力値の近傍の値を入力パラメータ毎に強調し
て全体をカバーして効率的に学習および結果(補正値、
補正後の正しい座標値など)を出力することが可能とな
る。
【0152】(9) 入力層11、中間層12、出力層
13、更に必要に応じて重み固定中間層14からなるニ
ューラルネットワークを出力パラメータ別に設け、出力
パラメータ個別に中間層12、更に重み固定中間層14
の重みω、閾値θを学習してより精度の高い出力値を出
力することが可能となる。
13、更に必要に応じて重み固定中間層14からなるニ
ューラルネットワークを出力パラメータ別に設け、出力
パラメータ個別に中間層12、更に重み固定中間層14
の重みω、閾値θを学習してより精度の高い出力値を出
力することが可能となる。
【0153】(10) 入力層11、中間層12および
出力層13、更に必要に応じて重み固定中間層14から
なるニューラルネットワークに教師信号(入力値と正し
い出力値の組)を与えて学習させて重みωおよび閾値θ
を決定した状態で、操作板1の寸法が拡縮した場合に閾
値θのみを再学習させたり、センサ2の感度が変化した
場合に重みωのみを再学習させることにより、再学習を
迅速に行うことが可能となった。
出力層13、更に必要に応じて重み固定中間層14から
なるニューラルネットワークに教師信号(入力値と正し
い出力値の組)を与えて学習させて重みωおよび閾値θ
を決定した状態で、操作板1の寸法が拡縮した場合に閾
値θのみを再学習させたり、センサ2の感度が変化した
場合に重みωのみを再学習させることにより、再学習を
迅速に行うことが可能となった。
【0154】(11) ニューラルネットワークに標準
的な操作板1の教師信号を与えて誤差が目標誤差の整数
倍以下となったときの概略の重みωおよび閾値θを保存
しておき、操作板1が製造できたときに当該操作板1を
接続しようとするニューラルネットワークに保存してお
いた概略の重みωおよび閾値θを設定して当該操作板1
に対する教師信号を与えて誤差が目標誤差以下となるま
で再学習させることにより、学習を極めて迅速に行うこ
とが可能となる。
的な操作板1の教師信号を与えて誤差が目標誤差の整数
倍以下となったときの概略の重みωおよび閾値θを保存
しておき、操作板1が製造できたときに当該操作板1を
接続しようとするニューラルネットワークに保存してお
いた概略の重みωおよび閾値θを設定して当該操作板1
に対する教師信号を与えて誤差が目標誤差以下となるま
で再学習させることにより、学習を極めて迅速に行うこ
とが可能となる。
【0155】(12) ニューラルネットワークに標準
的な操作板1の教師信号を与えて学習して誤差が目標誤
差以下となったときの重みωおよび閾値θを保存し、操
作板1の製造ができたときに保存しておいた重みωおよ
び閾値θをニューラルネットワークに設定および操作板
1を接続した後、教師信号(操作板1への入力値および
出力層13からの出力値の組)を与えて再学習させて偏
差が目標偏差以下となったときに固定することにより、
学習を極めて迅速に行うことが可能となる。
的な操作板1の教師信号を与えて学習して誤差が目標誤
差以下となったときの重みωおよび閾値θを保存し、操
作板1の製造ができたときに保存しておいた重みωおよ
び閾値θをニューラルネットワークに設定および操作板
1を接続した後、教師信号(操作板1への入力値および
出力層13からの出力値の組)を与えて再学習させて偏
差が目標偏差以下となったときに固定することにより、
学習を極めて迅速に行うことが可能となる。
【0156】(13) ニューラルネットワークの入力
層111に操作板1上の複数のセンサ2によって検出さ
れた信号、時間差ΔTxとΔTyあるいは補正前の座標
値XsとYsのうちのいずれか、および操作板1の固体
偏差データ112を入力して学習してそのときの重みω
および閾値θを保存しておき、製造した操作板1の測定
した固体偏差データ112を固定値として入力層111
に入力することにより、操作板1の形状やセンサの配置
位置などの誤差を自動的に補正し、精度の高い座標値を
測定することが可能となる。
層111に操作板1上の複数のセンサ2によって検出さ
れた信号、時間差ΔTxとΔTyあるいは補正前の座標
値XsとYsのうちのいずれか、および操作板1の固体
偏差データ112を入力して学習してそのときの重みω
および閾値θを保存しておき、製造した操作板1の測定
した固体偏差データ112を固定値として入力層111
に入力することにより、操作板1の形状やセンサの配置
位置などの誤差を自動的に補正し、精度の高い座標値を
測定することが可能となる。
【図1】本発明の1実施例構成図である。
【図2】本発明の座標値(補正前)の計算説明図であ
る。
る。
【図3】本発明の補正値演算回路例である。
【図4】本発明の座標値の補正例である。
【図5】本発明の他の実施例構成図である。
【図6】本発明の補正値演算回路例である。
【図7】本発明の他の実施例構成図である。
【図8】本発明の補正値演算回路例である。
【図9】本発明の他の実施例構成図である。
【図10】本発明の座標演算部例である。
【図11】本発明の他の実施例構成図である。
【図12】本発明の補正値演算回路例である。
【図13】本発明の他の実施例構成図である。
【図14】本発明の座標演算部例である。
【図15】本発明の他の実施例構成図である。
【図16】本発明の重み固定中間層からの出力例であ
る。
る。
【図17】本発明の他の実施例構成図である。
【図18】本発明の他の実施例構成図である。
【図19】本発明の再学習説明図(その1)である。
【図20】本発明の再学習説明図(その2)である。
【図21】本発明の再学習説明図(その3)である。
【図22】本発明の他の実施例構成図である。
【図23】従来技術の説明図である。
1:操作板 2:センサ 3:信号処理回路 4:時間差演算回路 5:CPU 6、61、62:座標演算部 7、71、72、73:補正値演算回路 9:教師用回路 11、111:入力層 112:固体偏差データ 12:中間層 13:出力層 14:重み固定中間層 15、16、18:ニューラルネットワーク 17、19、20:学習手段
───────────────────────────────────────────────────── フロントページの続き (72)発明者 浅川 和雄 神奈川県川崎市中原区上小田中1015番地 富士通株式会社内 (72)発明者 長田 茂美 神奈川県川崎市中原区上小田中1015番地 富士通株式会社内 (72)発明者 松下 祐司 東京都港区新橋5丁目36番11号 富士電気 化学株式会社内 (72)発明者 木原 征夫 東京都港区新橋5丁目36番11号 富士電気 化学株式会社内
Claims (19)
- 【請求項1】操作板上の振動印加点の座標を算出する座
標入力装置において、 振動を伝播すると共に伝播した振動を検出する複数のセ
ンサ(2)を配置した操作板(1)と、 これら複数のセンサ(2)によって検出された信号間の
時間差をそれぞれ求める時間差演算回路(4)と、 これら求めた時間差から振動印加点の座標値(Xs,Y
s)を求める座標演算部(6)と、 この求めた座標値(Xs,Ys)から、反射波などによ
る誤差を補正した正しい座標値への補正値(x’,
y’)を求める補正値演算回路(7)とを備え、 上記座標値(Xs,Ys)に補正値(x’,y’)によ
って補正した正しい座標値を出力することを特徴とする
座標入力装置。 - 【請求項2】上記補正値演算回路(7)が、上記座標演
算部(6)によって求めた座標値(Xs,Ys)を入力
層(11)に入力し、この入力層(11)の各ノードの
値に予め学習しておいた重みωをそれぞれ乗算した値の
和と閾値θをもとに算出した値Mを中間層(12)の各
ノードの値とそれぞれし、次にこの中間層(12)の各
ノードの値Mに予め学習しておいた重みωをそれぞれ乗
算した値の和と閾値θをもとに算出した値を出力層(1
3)の各ノードの値とそれぞれし、当該出力層(13)
の各ノードから上記補正値(x’,y’)をそれぞれ出
力することを特徴とする請求項1に記載の座標入力装
置。 - 【請求項3】操作板上の振動印加点の座標を算出する座
標入力装置において、 振動を伝播すると共に伝播した振動を検出する複数のセ
ンサ(2)を配置した操作板(1)と、 これら複数のセンサ(2)によって検出された信号間の
時間差をそれぞれ求める時間差演算回路(4)と、 これら求めた時間差から振動印加点の座標値(Xs,Y
s)を求める座標演算部(6)と、 この求めた座標値(Xs,Ys)から、反射波などよる
誤差を補正した正しい座標値(X’,Y’)を求める補
正値演算回路(71)とを備え、 この正しい座標値(X’,Y’)を出力することを特徴
とする座標入力装置。 - 【請求項4】上記補正値演算回路(71)が、上記座標
演算部(6)によって求めた座標値(Xs,Ys)を入
力層(11)に入力し、この入力層(11)の各ノード
の値に予め学習しておいた重みωをそれぞれ乗算した値
の和と閾値θをもとに算出した値Mを中間層(12)の
各ノードの値とそれぞれし、次にこの中間層(12)の
各ノードの値Mに予め学習しておいた重みωをそれぞれ
乗算した値の和と閾値θをもとに算出した値を出力層
(13)の各ノードの値とそれぞれし、当該出力層(1
3)の各ノードから上記正しい座標値(X’,Y’)を
それぞれ出力することを特徴とする請求項3に記載の座
標入力装置。 - 【請求項5】操作板上の振動印加点の座標を算出する座
標入力装置において、 振動を伝播すると共に伝播した振動を検出する複数のセ
ンサ(2)を配置した操作板(1)と、 これら複数のセンサ(2)によって検出された信号間の
時間差ΔTx、ΔTyをそれぞれ求める時間差演算回路
(4)と、 これら求めた時間差から振動印加点の座標値(Xs,Y
s)を求める座標演算部(6)と、 上記求めた時間差ΔTx、ΔTyから、反射波などによ
る誤差を補正した正しい座標値への補正値(x’,
y’)を求める補正値演算回路(72)とを備え、 上記座標値(Xs,Ys)に補正値(x’,y’)によ
って補正した正しい座標値を出力することを特徴とする
座標入力装置。 - 【請求項6】上記補正値演算回路(72)が、上記時間
差演算回路(4)によって求めた時間差ΔTx、ΔTy
を入力層(11)に入力し、この入力層(11)の各ノ
ードの値に予め学習しておいた重みωをそれぞれ乗算し
た値の和と閾値θをもとに算出した値Mを中間層(1
2)の各ノードの値とそれぞれし、次にこの中間層(1
2)の各ノードの値Mに予め学習しておいた重みωをそ
れぞれ乗算した値の和と閾値θをもとに算出した値を出
力層(13)の各ノードの値とそれぞれし、当該出力層
(13)の各ノードから上記補正値(x’,y’)をそ
れぞれ出力することを特徴とする請求項5に記載の座標
入力装置。 - 【請求項7】操作板上の振動印加点の座標を算出する座
標入力装置において、 振動を伝播すると共に伝播した振動を検出する複数のセ
ンサ(2)を配置した操作板(1)と、 これら複数のセンサ(2)によって検出された信号間の
時間差ΔTx、ΔTyをそれぞれ求める時間差演算回路
(4)と、 これら求めた時間差ΔTx、ΔTyから振動印加点にお
ける、反射波などによる誤差を補正した正しい座標値
(X’,Y’)を求める座標演算部(61)とを備え、 この補正した正しい座標値(X’,Y’)を出力するこ
とを特徴とする座標入力装置。 - 【請求項8】上記座標演算部(61)が、上記時間差演
算回路(4)によって求めた時間差ΔTx、ΔTyを入
力層(11)に入力し、この入力層(11)の各ノード
の値に予め学習しておいた重みωをそれぞれ乗算した値
の和と閾値θをもとに算出した値Mを中間層(12)の
各ノードの値とそれぞれし、次にこの中間層(12)の
各ノードの値Mに予め学習しておいた重みωをそれぞれ
乗算した値の和と閾値θをもとに算出した値を出力層
(13)の各ノードの値とそれぞれし、当該出力層(1
3)の各ノードから上記補正した正しい座標値(X’,
Y’)をそれぞれ出力することを特徴とする請求項7に
記載の座標入力装置。 - 【請求項9】操作板上の振動印加点の座標を算出する座
標入力装置において、 振動を伝播すると共に伝播した振動を検出する複数のセ
ンサ(2)を配置した操作板(1)と、 これら複数のセンサ(2)によって検出された信号間の
時間差ΔTx、ΔTyをそれぞれ求める時間差演算回路
(4)と、 これら求めた時間差ΔTx、ΔTyから振動印加点の座
標値(Xs,Ys)を求める座標演算部(6)と、 上記複数のセンサ(2)によって検出された信号から、
反射波などによる誤差を補正した正しい座標値への補正
値(x’,y’)を求める補正値演算回路(73)とを
備え、 上記座標値(Xs,Ys)に補正値(x’,y’)によ
って補正した正しい座標値を出力することを特徴とする
座標入力装置。 - 【請求項10】上記補正値演算回路(73)が、上記複
数のセンサ(2)によって検出された信号を入力層(1
1)に入力し、この入力層(11)の各ノードの値に予
め学習しておいた重みωをそれぞれ乗算した値の和と閾
値θをもとに算出した値Mを中間層(12)の各ノード
の値とそれぞれし、次にこの中間層(12)の各ノード
の値Mに予め学習しておいた重みωをそれぞれ乗算した
値の和と閾値θをもとに算出した値を出力層(13)の
各ノードの値とそれぞれし、当該出力層(13)の各ノ
ードから上記補正値(x’,y’)をそれぞれ出力する
ことを特徴とする請求項9に記載の座標入力装置。 - 【請求項11】操作板上の振動印加点の座標を算出する
座標入力装置において、 振動を伝播すると共に伝播した振動を検出する複数のセ
ンサ(2)を配置した操作板(1)と、 これら複数のセンサ(2)によって検出された信号か
ら、反射波などによる誤差を補正した正しい座標値
(X’,Y’)を求める座標演算部(62)とを備え、 この正しい座標値(X’,Y’)を出力することを特徴
とする座標入力装置。 - 【請求項12】上記座標演算部(62)が、上記複数の
センサ(2)によって検出された信号を入力層(11)
に入力し、この入力層(11)の各ノードの値に予め学
習しておいた重みωをそれぞれ乗算した値の和と閾値θ
をもとに算出した値Mを中間層(12)の各ノードの値
とそれぞれし、次にこの中間層(12)の各ノードの値
Mに予め学習しておいた重みωをそれぞれ乗算した値の
和と閾値θをもとに算出した値を出力層(13)の各ノ
ードの値とそれぞれし、当該出力層(13)の各ノード
から上記補正した正しい座標値(X’,Y’)をそれぞ
れ出力することを特徴とする請求項11に記載の座標入
力装置。 - 【請求項13】上記入力層(11)と中間層(12)と
の間に、入力層(11)の各ノードからの値に所定の重
みωおよび閾値θ(ω、θのうちの少なくとも一方を固
定)をもとに疑似的に増やした値を次の中間層(12)
のノードへ入力する重み固定中間層(14)を設けたこ
とを特徴とする請求項2、請求項4、請求項6、請求項
8、請求項10、および請求項12に記載の座標入力装
置。 - 【請求項14】上記入力層(11)の入力パラメータの
同じノードからの値に所定の重みωおよび閾値θ(ω、
θのうちの少なくとも一方を固定)をもとに疑似的に増
やした値を次の中間層(12)の全てのノードへ入力す
る重み固定中間層(14)を個別に設けたことを特徴と
する請求項13に記載の座標入力装置。 - 【請求項15】上記入力層(11)、中間層(12)お
よび出力層(13)、更に必要に応じて重み固定中間層
(14)からなるニューラルネットワークを、出力パラ
メータ別に設けたことを特徴とする請求項2、請求項
4、請求項6、請求項8、請求項10、および請求項1
2から請求項14に記載の座標入力装置。 - 【請求項16】上記入力層(11)、中間層(12)お
よび出力層(13)からなるニューラルネットワークに
標準的な操作板(1)に対する教師信号(入力値と正し
い出力値の組)を与えて誤差が目標誤差となるように入
力層(11)と中間層(12)、中間層(12)と出力
層(13)の間の重みω、および中間層(12)、出力
層(13)の閾値θを学習させて決定し、上記操作板
(1)の寸法が拡縮した場合に閾値θのみを再学習し、
一方、センサ(2)の感度が変化した場合に重みωのみ
を再学習する学習手段(17)を備えたことを特徴とす
る請求項2、請求項4、請求項6、請求項8、請求項1
0、および請求項12から請求項15に記載の座標入力
装置。 - 【請求項17】上記入力層(11)、中間層(12)お
よび出力層(13)からなるニューラルネットワークに
標準的な操作板(1)に対する教師信号(入力値と正し
い出力値の組)を与えて誤差が目標誤差の所定倍以下と
なるまで入力層(11)と中間層(12)、中間層(1
2)と出力層(13)の間の概略の重みω、および中間
層(12)、出力層(13)の概略の閾値θを学習させ
決定して予め保存しておき、操作板(1)が製造された
ときに保存しておいた概略の重みωおよび閾値θをそれ
ぞれ上記ニューラルネットワークに設定した後、教師信
号(入力値と正しい出力値の組)を与えて入力層(1
1)と中間層(12)、中間層(12)と出力層(1
3)の間の重みωおよび中間層(12)、出力層(1
3)の閾値θを学習させて誤差が目標誤差以下となった
ときに固定する学習手段(19)を備え、 この固定した重みωおよび閾値θの状態で操作板(1)
からの信号を入力層(11)に入力して出力層(13)
からの値をもとに操作板(1)上の座標値を出力するこ
とを特徴とする請求項2、請求項4、請求項6、請求項
8、請求項10、および請求項12から請求項16に記
載の座標入力装置。 - 【請求項18】上記入力層(11)、中間層(12)お
よび出力層(13)からなるニューラルネットワークに
標準的な操作板(1)に対する教師信号(入力値と正し
い出力値の組)を与えて誤差が目標誤差以下となるまで
入力層(11)と中間層(12)、中間層(12)と出
力層(13)の間の重みω、および中間層(12)、出
力層(13)の閾値θを学習させ決定して予め保存して
おき、操作板(1)が製造されたときに保存しておいた
重みωおよび閾値θをそれぞれ上記ニューラルネットワ
ークに設定および操作板(1)を接続した後、教師信号
(操作板(1)への入力値と出力層(13)からの正し
い出力値の組)を与えて入力層(11)と中間層(1
2)、中間層(12)と出力層(13)の間の重みωお
よび中間層(12)、出力層(13)の閾値θを学習さ
せて誤差が目標誤差以下となったときに固定する学習手
段(20)を備え、 この固定した重みωおよび閾値θの状態で操作板(1)
からの信号を入力層(11)に入力して出力層(13)
からの値をもとに操作板(1)上の座標値を出力するこ
とを特徴とする請求項2、請求項4、請求項6、請求項
8、請求項10、および請求項12から請求項16に記
載の座標入力装置。 - 【請求項19】上記操作板(1)上の複数のセンサ
(2)によって検出された信号、上記時間差ΔTxとΔ
Tyあるいは上記補正前の座標値XsとYsのうちのい
ずれか、および操作板(1)の固体偏差データ(11
2)を上記入力層(111)に入力して学習してそのと
きの重みωおよび閾値θを保存しておき、製造した操作
板(1)の測定した固体偏差データ(112)を固定値
として上記入力層(111)に入力し、操作板(1)の
形状などの誤差を補正するように構成したことを特徴と
する請求項2、請求項4、請求項6、請求項8、請求項
10、および請求項12から請求項18に記載の座標入
力装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3433494A JPH07244554A (ja) | 1994-03-04 | 1994-03-04 | 座標入力装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3433494A JPH07244554A (ja) | 1994-03-04 | 1994-03-04 | 座標入力装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH07244554A true JPH07244554A (ja) | 1995-09-19 |
Family
ID=12411249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3433494A Withdrawn JPH07244554A (ja) | 1994-03-04 | 1994-03-04 | 座標入力装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH07244554A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101284913B1 (ko) * | 2011-10-27 | 2013-07-10 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
KR101284912B1 (ko) * | 2011-10-27 | 2013-07-10 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
KR101284914B1 (ko) * | 2011-10-18 | 2013-07-10 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
KR101325240B1 (ko) * | 2011-10-18 | 2013-11-04 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
CN114554330A (zh) * | 2022-04-20 | 2022-05-27 | 广州市星康科技有限公司 | 一种可拆卸式具有防尘清灰结构的扬声器 |
-
1994
- 1994-03-04 JP JP3433494A patent/JPH07244554A/ja not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101284914B1 (ko) * | 2011-10-18 | 2013-07-10 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
KR101325240B1 (ko) * | 2011-10-18 | 2013-11-04 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
KR101284913B1 (ko) * | 2011-10-27 | 2013-07-10 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
KR101284912B1 (ko) * | 2011-10-27 | 2013-07-10 | 경북대학교 산학협력단 | 타점의 진동을 이용한 터치 센서 시스템 |
CN114554330A (zh) * | 2022-04-20 | 2022-05-27 | 广州市星康科技有限公司 | 一种可拆卸式具有防尘清灰结构的扬声器 |
CN114554330B (zh) * | 2022-04-20 | 2022-07-12 | 广州市星康科技有限公司 | 一种可拆卸式具有防尘清灰结构的扬声器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3005050B1 (en) | Detecting multi-touch inputs | |
KR101918009B1 (ko) | 활성 초음파 터치 디바이스들을 위한 방법 및 장치 | |
US4910363A (en) | Coordinates input apparatus with plural pulse train whose phases differ | |
JP3053262B2 (ja) | 座標入力装置及び方法 | |
JP3320138B2 (ja) | 座標入力装置及び方法 | |
US5097415A (en) | Coordinates input apparatus | |
JPH07244554A (ja) | 座標入力装置 | |
JP3244895B2 (ja) | 距離測定装置及びそれを用いた座標入力装置、及び距離測定方法及びそれを用いた座標入力方法 | |
US5744760A (en) | Coordinates input apparatus | |
JPH0850527A (ja) | 位置検出装置 | |
US6041284A (en) | Apparatus and method for determining coordinates of a designated point | |
US20220099828A1 (en) | System and method for measuring distance using acoustic signal | |
JPH0670928A (ja) | 超音波診断装置の遅延時間補正方法および超音波診断装置 | |
JP2972939B2 (ja) | 超音波式対象物判別装置および超音波式対象物判別方法および超音波式対象物判別装置におけるニユーラルネツトワーク形成方法 | |
Wright et al. | Active control of environmental noise, V: The effect of environmental change on the stability of free field sound cancelling systems | |
JP2002358157A (ja) | 座標入力装置、座標入力装置の制御方法、および座標入力装置の制御プログラム | |
JPH0580920A (ja) | 座標入力装置 | |
JPH06138221A (ja) | 対地速度検出装置 | |
JP3397423B2 (ja) | 座標入力装置及び方法 | |
JPH01126716A (ja) | 座標入力装置 | |
JPH0922326A (ja) | 座標入力装置 | |
JPH0519053A (ja) | 動揺検出装置 | |
JPS6314224A (ja) | 座標入力装置 | |
Honda et al. | Quasi‐real‐time imaging using ultrasonic Fourier transform camera | |
JPH09146685A (ja) | 超音波座標入力装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20010508 |