[發(fā)明專利]機械學習模型構筑裝置及方法、數值控制裝置

有效

• 申請?zhí)枺?/td>: 201710595217.5
• 申請日: 2017-07-18
• 公開（公告）號: CN107643728B
• 公開（公告）日: 2020-10-20
• 發(fā)明（設計）人: 松島多佳彥;宮崎義人
• 申請（專利權）人: 發(fā)那科株式會社
• 主分類號: G05B19/408
• 分類號: G05B19/408
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 曾賢偉;范勝杰

1.一種機械學習模型構筑裝置，其特征在于，具有：

學習器電路，其由硬件安裝而成，能夠根據設定值構筑神經網絡模型，該設定值包含如下的第一標記和第二標記：所述第一標記在不使用神經網絡模型的層整體時取“1”的值、在使用層的一部分或整體時取“0”的值，所述第二標記在是不使用的感知器時取“1”的值、在是使用的感知器時取“0”的值，所述學習器電路中包含的各感知器內的乘法器保持有第三標記，所述第三標記在來自前層的輸入中有來自同維的輸入時取“1”的值、在來自前層的輸入中有來自非同維的輸入時取“0”的值；以及

控制單元，其計算出成為用于在所述學習器電路構筑規(guī)定的神經網絡模型的值這樣的所述設定值，

所述控制單元根據所述設定值的第一標記以及第二標記的值，和各感知器的乘法器所保持的第三標記的值，使所述學習器電路中包含的各感知器內的乘法器的輸出為權重值與該乘法器的輸入相乘得到的值、該乘法器的輸入本身的值、以及零值中的某一個值，并將各感知器內的乘法器的輸出總和作為各感知器的輸出，由此在所述學習器電路構筑神經網絡模型。

2.根據權利要求1所述的機械學習模型構筑裝置，其特征在于，

所述控制單元受理參數值的輸入，將與該受理的參數值對應的神經網絡模型作為所述規(guī)定的神經網絡模型，計算出成為用于在所述學習器電路構筑該規(guī)定的神經網絡模型的值這樣的所述設定值。

3.根據權利要求2所述的機械學習模型構筑裝置，其特征在于，

所述受理的參數值是用于指定神經網絡模型的層數和各層中的維數的值。

4.根據權利要求2或3所述的機械學習模型構筑裝置，其特征在于，

所述控制單元從設定文件讀入所述參數值。

5.根據權利要求2或3所述的機械學習模型構筑裝置，其特征在于，

所述控制單元在顯示單元描繪：根據所述參數值的感知器的連接關系、用戶一邊參照所述感知器的連接關系一邊進行所述參數值的調整的圖形用戶界面。

6.根據權利要求1～3中任一項所述的機械學習模型構筑裝置，其特征在于，

所述控制單元使用戶選擇出預先決定的神經網絡模型，將該選擇出的神經網絡模型作為所述規(guī)定的神經網絡模型，計算出成為用于在所述學習器電路構筑該規(guī)定的神經網絡模型的值這樣的所述設定值。

7.一種控制機床的數值控制裝置，其特征在于，

所述數值控制裝置具有權利要求1～6中任一項所述的機械學習模型構筑裝置，

所述控制單元受理用于在所述學習器電路構筑與所述機床的控制相關聯(lián)的神經網絡模型的參數值的輸入，將與該受理的參數值對應的神經網絡模型作為所述規(guī)定的神經網絡模型，計算出成為用于在所述學習器電路構筑該規(guī)定的神經網絡模型的值這樣的所述設定值。

8.一種計算機可讀取的存儲介質，該存儲介質存儲有機械學習模型構筑程序，所述機械學習模型構筑程序用于使計算機作為如下機械學習模型構筑裝置發(fā)揮功能，該機械學習模型構筑裝置具有：

學習器電路，其由硬件安裝而成，能夠根據設定值構筑神經網絡模型，該設定值包含如下第一標記和第二標記：所述第一標記在不使用神經網絡模型的層整體時取“1”的值、在使用層的一部分或整體時取“0”的值，所述第二標記在是不使用的感知器時取“1”的值、在是使用的感知器時取“0”的值，所述學習器電路中包含的各感知器內的乘法器保持有第三標記，所述第三標記在來自前層的輸入中有來自同維的輸入時取“1”的值、在來自前層的輸入中有來自非同維的輸入時取“0”的值；以及

控制單元，其計算出成為用于在所述學習器電路構筑規(guī)定的神經網絡模型的值這樣的所述設定值，

所述控制單元根據所述設定值的第一標記以及第二標記的值，和各感知器的乘法器所保持的第三標記的值，使所述學習器電路中包含的各感知器內的乘法器的輸出為權重值與該乘法器的輸入相乘得到的值、該乘法器的輸入本身的值、以及零值中的某一個值，并將各感知器內的乘法器的輸出總和作為各感知器的輸出，由此在所述學習器電路構筑神經網絡模型。

9.一種由機械學習模型構筑裝置執(zhí)行的機械學習模型構筑方法，其特征在于，

所述機械學習模型構筑裝置具有由硬件安裝而成的學習器電路，該學習器電路能夠根據設定值構筑神經網絡模型，該設定值包含如下第一標記和第二標記：所述第一標記在不使用神經網絡模型的層整體時取“1”的值、在使用層的一部分或整體時取“0”的值，所述第二標記在是不使用的感知器時取“1”的值、在是使用的感知器時取“0”的值，所述學習器電路中包含的各感知器內的乘法器保持有第三標記，所述第三標記在來自前層的輸入中有來自同維的輸入時取“1”的值、在來自前層的輸入中有來自非同維的輸入時取“0”的值，

所述機械學習模型構筑方法具有：控制步驟，計算出成為用于在所述學習器電路構筑規(guī)定的神經網絡模型的值這樣的所述設定值，

在所述控制步驟中，根據所述設定值的第一標記以及第二標記的值，和各感知器的乘法器所保持的第三標記的值，使所述學習器電路中包含的各感知器內的乘法器的輸出為權重值與該乘法器的輸入相乘得到的值、該乘法器的輸入本身的值、以及零值中的某一個值，并將各感知器內的乘法器的輸出總和作為各感知器的輸出，由此在所述學習器電路構筑神經網絡模型。