Gebiet der ErfindungField of the invention
Die
vorliegende Erfindung betrifft eine Fahrzeug-Klimaanlage und ein
Verfahren und eine Vorrichtung zum Steuern einer Fahrzeug-Klimaanlage und
insbesondere eine Fahrzeug-Klimaanlage, welche die Klimatisierung
optimiert, so dass so sie der Temperaturempfindlichkeit eines Fahrzeuginsassen entspricht
oder zu spezifischen Situationen passt, und ein Verfahren zum Steuern
einer derartigen Fahrzeug-Klimaanlage.The
The present invention relates to a vehicle air conditioner and a
Method and apparatus for controlling a vehicle air conditioning and
in particular, a vehicle air conditioner, which the air conditioning
optimized so that it corresponds to the temperature sensitivity of a vehicle occupant
or fits specific situations, and a method of controlling
such a vehicle air conditioning.
Hintergrund der ErfindungBackground of the invention
Im
Allgemeinen bestimmt eine Fahrzeug-Klimaanlage automatisch die Temperatur,
den Luftdurchsatzpegel, etc. von klimatisierter Luft, die aus ausgewählten
Luftauslässen ausgelassen wird, unter Bezug auf verschiedene
Parameter, wie etwa die Temperatureinstellung, die Außentemperatur,
die Innentemperatur und die Sonnenstrahlung. Die menschliche Temperaturempfindlichkeit
unterscheidet sich jedoch von einer Person zur anderen (manche sind
empfindlich gegen Wärme, während andere gegen
Kälte empfindlich sind). Als ein Ergebnis können
die automatisch bestimmte Temperatur, der Luftdurchsatzpegel, etc.
der klimatisierten Luft nicht für jeden Insassen optimal
sein. In diesem Fall kann ein Insasse die Klimaanlage einstellen,
um durch Betätigen des Bedienfelds die Temperatureinstellung
zu erhöhen oder zu erniedrigen oder den Luftdurchsatzpegel
zu erhöhen oder zu erniedrigen. Angesichts dessen wurde
eine Klimaanlage entwickelt, die eine lernende Steuerung eingebaut
hat, die eine Beziehungsgleichung zur Bestimmung der Temperatur, des
Luftdurchsatzpegels, etc. klimatisierter Luft unter Verwendung relevanter
Parameter korrigiert, wenn der Insasse die Einstellung, wie etwa
die Temperatureinstellung oder den Luftdurchsatzpegel durch Betätigen
des Bedienfelds geändert hat (siehe die japanische ungeprüfte Patentveröffentlichung
Nr. 2000-293204 ).In general, a vehicle air conditioner automatically determines the temperature, the air flow rate, etc. of conditioned air discharged from selected air outlets with reference to various parameters such as the temperature setting, the outside temperature, the inside temperature, and the solar radiation. However, human temperature sensitivity differs from one person to another (some are sensitive to heat while others are sensitive to cold). As a result, the automatically determined temperature, the air flow rate, etc. of the conditioned air may not be optimal for each occupant. In this case, an occupant may set the air conditioner to increase or decrease the temperature setting by operating the control panel, or to increase or decrease the air flow rate. In view of this, an air conditioner has been developed which incorporates a learning control that corrects a relationship equation for determining the temperature, the air flow rate, etc. of conditioned air using relevant parameters when the occupant manipulates the setting such as the temperature setting or the air flow rate of the control panel has changed (see the Japanese Unexamined Patent Publication No. 2000-293204 ).
Es
sollte jedoch bemerkt werden, dass ein Fahrzeuginsasse die Einstellung
der Klimaanlage nicht immer ändert, weil seine Temperaturempfindlichkeit
sich von der anderer unterscheidet. Der Insasse kann die Einstellung
aufgrund äußerer Umweltfaktoren ändern.
Wenn zum Beispiel ein Insasse direkt vor dem Fahren des Fahrzeugs
trainiert hat, kann es sein, dass der Insasse die Temperatur niedriger
festlegen möchte als üblich. Wenn das Fahrzeug
sich ferner einem Ort nähert, wo immer eine Verkehrsstockung
auftritt, kann der Insasse die Klimaanlage auf eine Innenluftumwälzbetriebsart
einstellen, um zu verhindern, dass Abgas in das Innere des Fahrzeugs
strömt. Die in der japanischen
ungeprüften Patentveröffentlichung Nr. 2000-293204 offenbarte
Klimaanlage kann jedoch nicht zwischen dem Fall, in dem ein Insasse
die Einstellung der Klimaanlage aufgrund von äußeren
Umweltfaktoren geändert hat, und dem Fall, in dem ein Insasse
die Einstellung geändert hat, weil der von der Klimaanlage automatisch
eingestellte Sollwert nicht der Temperaturempfindlichkeit des Insassen
entsprach, unterscheiden.However, it should be noted that a vehicle occupant does not always change the setting of the air conditioner because its temperature sensitivity is different from others. The occupant may change the attitude due to external environmental factors. For example, if an occupant has been exercising just prior to driving the vehicle, the occupant may want to set the temperature lower than usual. Further, when the vehicle approaches a location where traffic congestion always occurs, the occupant may set the air conditioner to an inside air circulation mode to prevent exhaust gas from flowing into the interior of the vehicle. The in the Japanese Unexamined Patent Publication No. 2000-293204 However, the disclosed air conditioner can not distinguish between the case where an occupant has changed the setting of the air conditioner due to external environmental factors and the case where an occupant has changed the setting because the set value automatically set by the air conditioner does not affect the temperature sensitivity of the occupant corresponded, differ.
Andererseits
wurde ein Fahrzeug-Klimasteuerungssystem entwickelt, bei dem Vorkehrungen
getroffen wurden, um durch Hinzufügen von Daten, die den
aktuellen Standort eines Fahrzeugs anzeigen, zu den gelernten Daten
zwischen Temperatursteuerungslernen und anderem Lernen zu unterscheiden (siehe japanische ungeprüfte
Patentveröffentlichung Nr. 2000-62431 ).On the other hand, a vehicle climate control system has been developed in which provisions have been made to distinguish between the learned data between temperature control learning and other learning by adding data indicating the current location of a vehicle (see Japanese Unexamined Patent Publication No. 2000-62431 ).
Im
Allgemeinen ist die vorstehend beschriebene spezifische Situation
nicht auf eine Situation, sondern viele spezifische Situationen
beschränkt, und es ist hochwahrscheinlich, dass die optimale
Klimaanlageneinstellung sich von einer spezifischen Situation zur
anderen unterscheidet. Um daher die Klimaanlage derart festzulegen,
dass sie zu jeder spezifischen Situation passt, müssen
für jede spezifische Situation gelernte Daten, die für
die Lernsteuerung verwendet werden sollen, gesammelt werden. Außerdem
fährt der Insasse das Fahrzeug nicht immer unter Verwendung
der gleichen Strecke zu dem gleichen Ziel. Während einer
gegebenen Zeitspanne, zum Beispiel während einer Woche
oder einem Monat, fährt der Insasse das Fahrzeug häufig
unter Verwendung verschiedener Strecken zu verschiedenen Zielen.
Es gibt daher Fälle, in denen die gelernten Daten, die
verschiedenen spezifischen Situationen entsprechen, gleichzeitig
gesammelt werden. Um folglich zu ermöglichen, dass die
Klimaanlageneinstellung, die für jede spezifische Situation
zweckmäßig ist, schnell bestimmt wird, ist es
wünschenswert, dass die gleichzeitig gesammelten Daten
für die Verwendung entsprechend den verschiedenen Situationen
klassifiziert werden.in the
Generally, the specific situation described above is
not on a situation, but many specific situations
limited, and it is highly likely that the optimal
Air conditioning setup varies from a specific situation to
different from others. Therefore, to set the air conditioner so
that it fits every specific situation
data learned for each specific situation that is relevant to
The learning control should be used to be collected. Furthermore
the occupant does not always drive the vehicle
the same route to the same destination. During one
given time span, for example during one week
or a month, the inmate drives the vehicle frequently
using different routes to different destinations.
There are therefore cases where the learned data, the
correspond to different specific situations, simultaneously
to be collected. Thus, to enable the
Air conditioning setting, for each specific situation
is appropriate, it is determined quickly, it is
desirable that the data collected at the same time
for use according to the different situations
be classified.
Zusammenfassung der ErfindungSummary of the invention
Es
ist eine Aufgabe der vorliegenden Erfindung, eine Fahrzeug-Klimaanlage,
die automatisch die Klimaanlageneinstellung für jede spezifische
Situation optimieren kann, und ein Verfahren zur Steuerung einer
derartigen Klimaanlage bereitzustellen.It
It is an object of the present invention to provide a vehicle air conditioner,
which automatically sets the air conditioning setting for each specific
Situation can optimize, and a method of controlling a
to provide such air conditioning.
Es
ist eine Aufgabe der vorliegenden Erfindung, bereitzustellen: eine
Fahrzeug-Klimaanlage, die gelernte Daten wirksam nutzen kann, indem
sie Vorkehrungen trifft, so dass von der Vielzahl gelernter Daten,
die verwendet wird, um ein Wahrscheinlichkeitsmodell für
eine spezifische Situation aufzubauen, nur gelernte Daten, die sich
auf diese spezifische Situation beziehen, gelöscht werden,
was ermöglicht, dass die restlichen gelernten Daten für
den Aufbau eines Wahrscheinlichkeitsmodells für eine andere
spezifische Situation verwendet werden, und ein Verfahren zum Steuern
einer derartigen Klimaanlage.It is an object of the present invention to provide: a vehicle air conditioner that can efficiently use learned data by making arrangements such that only a learned one of the plurality of learned data used to construct a probabilistic model for a specific situation Data related to this specific situation will be deleted, which he allows the remaining learned data to be used to construct a probabilistic model for another specific situation, and a method of controlling such an air conditioner.
Gemäß einem
Aspekt der vorliegenden Erfindung wird eine Fahrzeug-Klimaanlage
bereitgestellt. Die Fahrzeug-Klimaanlage umfasst eine Informationserfassungseinheit,
die Zustandsinformationen erfasst; eine Speichereinheit, die eine
Vielzahl von Zustandsinformationen als jeweilige gelernte Daten
speichert; eine lernende Einheit, die unter Verwendung der gelernten
Daten ein Wahrscheinlichkeitsmodell aufbaut, in das die Zustandsinformationen
eingegeben werden, um die Wahrscheinlichkeit zu berechnen, dass
ein Fahrzeuginsasse eine spezifische Einstellbedienung durchführt;
eine Steuerinformations-Korrektureinheit, welche durch Eingeben der
Zustandsinformation in das Wahrscheinlichkeitsmodell, das von der
lernenden Einheit aufgebaut wird, die Wahrscheinlichkeit berechnet,
dass der Insasse die spezifische Einstellbetätigung durchführt, und
die Einstellinformationen oder Steuerinformationen, die sich auf
die Einstellbetätigung des Insassen beziehen, entsprechend
der berechneten Wahrscheinlichkeit korrigiert, um die spezifische
Einstellbetätigung zu erzielen; und eine Klimatisierungssteuereinheit,
die eine Klimatisierungseinheit gemäß den korrigierten
Einstellinformationen oder Steuerinformationen steuert. In der Fahrzeug-Klimaanlage
umfasst die lernende Einheit eine Wahrscheinlichkeitsmodell-Aufbauuntereinheit,
die durch Bestimmen einer bedingten Wahrscheinlichkeit für
jeden in der Graphenstruktur des Wahrscheinlichkeitsmodells enthaltenen
Knoten unter Verwendung der Vielzahl der in der Speichereinheit
gespeicherten gelernten Daten das Wahrscheinlichkeitsmodell aufbaut,
das zu der spezifischen Einstellbetätigung gehört;
und eine Lerninformationen-Organisationsuntereinheit, welche die
Wahrscheinlichkeit durch Eingeben jeder der Vielzahl von gelernten
Daten in das aufgebaute Wahrscheinlichkeitsmodell erhält
und aus der Vielzahl gelernter Daten alle gelernten Daten löscht,
für welche die erhaltene Wahrscheinlichkeit nicht kleiner als
ein erster Schwellwert ist.According to one
Aspect of the present invention is a vehicle air conditioner
provided. The vehicle air conditioner comprises an information acquisition unit,
the state information detected; a storage unit containing a
Variety of state information as respective learned data
stores; a learning unit using the learned
Data builds a probability model into which the state information
be entered to calculate the probability that
a vehicle occupant performs a specific setting operation;
a control information correcting unit which is inputted by inputting the
State information into the probabilistic model, which is derived from the
learning unit that calculates probability,
that the occupant performs the specific adjustment operation, and
the setting information or control information pertaining to
refer to the adjustment operation of the occupant, accordingly
the calculated probability corrected to the specific
To achieve setting operation; and an air conditioning control unit,
the one air conditioning unit according to the corrected
Setting information or control information controls. In the vehicle air conditioning
the learning unit comprises a probabilistic model building subunit,
by determining a conditional probability for
each contained in the graph structure of the probabilistic model
Node using the plurality of in the storage unit
stored learned data builds the probabilistic model,
that belongs to the specific setting operation;
and a learning information organization subunit containing the
Probability by inputting each of the plurality of learned
Data in the built probability model receives
and deletes all learned data from the multitude of learned data,
for which the obtained probability is not less than
is a first threshold.
Vorzugsweise
werden in der lernenden Einheit die gelernten Daten, die von der
Lerninformationen-Organisationsuntereinheit nicht gelöscht
werden, für den Aufbau eines anderen Wahrscheinlichkeitsmodells
verwendet.Preferably
In the learning unit, the learned data are collected by the
Learning information organization subunit not deleted
be, for building another probabilistic model
used.
Mit
dem vorstehenden Aufbau identifiziert die Fahrzeug-Klimaanlage aus
den zum Aufbau des Wahrscheinlichkeitsmodells verwendeten gelernten Daten,
die gelernten Daten, die sich auf die spezifische Situation beziehen,
für die das Wahrscheinlichkeitsmodell aufgebaut wurde,
und löscht die auf diese Weise identifizierten gelernten
Daten, was ermöglicht, dass die restlichen gelernten Daten
für den Aufbau eines Wahrscheinlichkeitsmodells für
eine andere spezifische Situation verwendet werden. Als ein Ergebnis
können die gelernten Daten effizient genutzt werden, und
ein Wahrscheinlichkeitsmodell für eine andere spezifische
Situation kann schnell aufgebaut werden. Hier stellen die Zustandsinformationen den
Zustand des Fahrzeugs dar und umfassen zumindest eine der Klimatisierungsinformationen
des Fahrzeugs (insbesondere die Innentemperatur, die Außentemperatur
und eine Menge der Sonneneinstrahlung), die Standortinformationen
des Fahrzeugs, die Verhaltensinformationen des Fahrzeugs, die Zeitinformationen
und die physiologische Informationen des Fahrzeuginsassen. Andererseits
bezieht sich die spezifische Einstellbetätigung auf die Bedienung
zum Ändern des Bedienungszustands der Klimaanlage, wie
etwa das Ändern der Temperatureinstellung oder des Luftdurchsatzpegels,
die Einstellung der Klimaanlage auf die Innenluft-Umwälzbetriebsart
oder das Aktivieren oder Deaktivieren des Entfrosters. Die Einstellinformationen
beziehen sich auf die Informationen zum Regulieren des Betriebs der
Fahrzeug-Klimaanlage, wie etwa die Temperatureinstellung, den Luftdurchsatzpegel,
das Innen-/Außenluft-Ansaugverhältnis, das Luftdurchsatzverhältnis
klimatisierter Luft zwischen verschiedenen Luftauslässen,
etc. Ferner beziehen sich die Steuerinformationen auf die Informationen,
die basierend auf den Einstellinformationen bestimmt werden und
verwendet werden, um den Betrieb der verschiedenen Teile der Klimatisierungseinheit,
wie etwa die Temperatur der klimatisierten Luft, die Anzahl der
Umdrehungen eines Lüftungsventilators und die Öffnung der
Luftmischklappe, zu steuern.With
The above construction identifies the vehicle air conditioner
the learned data used to construct the probabilistic model,
the learned data related to the specific situation
for which the probabilistic model was built,
and deletes the learned ones identified in this way
Data, which allows the remaining learned data
for the construction of a probabilistic model for
another specific situation can be used. As a result
the learned data can be used efficiently, and
a probabilistic model for another specific one
Situation can be set up quickly. Here are the state information the
Condition of the vehicle and include at least one of the air conditioning information
of the vehicle (in particular the internal temperature, the outside temperature
and a lot of sunlight), the location information
of the vehicle, the behavioral information of the vehicle, the time information
and the physiological information of the vehicle occupant. on the other hand
the specific setting operation refers to the operation
for changing the operating condition of the air conditioner, such as
about changing the temperature setting or the airflow level,
the setting of the air conditioner to the indoor air circulating mode
or enabling or disabling the defroster. The setting information
refer to the information for regulating the operation of the
Vehicle air conditioning, such as the temperature setting, the air flow rate,
the indoor / outdoor air intake ratio, the air flow ratio
conditioned air between different air outlets,
etc. Furthermore, the control information relates to the information
which are determined based on the setting information and
used to control the operation of the various parts of the air-conditioning unit,
such as the temperature of the conditioned air, the number of
Revolutions of a ventilation fan and the opening of the
Air mixing damper, to control.
Vorzugsweise
umfasst die Fahrzeug-Klimaanlage gemäß der vorliegenden
Erfindung ferner eine Abfragebedieneinheit, die dem Insassen die
Art der spezifischen Einstellbetätigung anzeigt, und den Insassen
fragt, ob die spezifische Einstellbetätigung ausgeführt
werden soll oder nicht ausgeführt werden soll, wenn die
durch das Eingeben der Zustandsinformationen in das Wahrscheinlichkeitsmodell
erhaltene Wahrscheinlichkeit nicht kleiner als ein zweiter Schwellwert
ist, wobei der erste Schwellwert größer als der
zweite Schwellwert ist.Preferably
includes the vehicle air conditioner according to the present
The invention further provides an interrogation unit that the occupants
Indicates the type of specific setting operation, and the occupants
asks if the specific adjustment operation is performed
should or should not be executed if the
by entering the state information into the probabilistic model
obtained probability not less than a second threshold
is, where the first threshold is greater than the
second threshold is.
Durch
Festlegen des ersten Schwellwerts in dieser Weise können
die gelernten Daten, die sich auf die spezifische Situation beziehen,
von welcher angenommen wird, dass ihr das aufgebaute Wahrscheinlichkeitsmodell
entspricht, ordnungsgemäß gelöscht werden.By
Set the first threshold in this way
the learned data related to the specific situation
which is assumed to be the built-up probability model
corresponds to be deleted properly.
Gemäß einem
anderen Aspekt der vorliegenden Erfindung wird ein Verfahren zum
Steuern einer Fahrzeug-Klimaanlage bereitgestellt, wobei die Klimaanlage
umfasst: eine Klimatisierungseinheit, die klimatisierte Luft in
ein Fahrzeug zuführt, eine Informationserfassungseinheit,
die Zustandsinformationen erfasst, eine Speichereinheit, eine Steuerinformations-Korrektureinheit,
die zumindest ein zu einer spezifischen Einstellbetätigung
gehöriges Wahrscheinlichkeitsmodell hat, durch Eingeben
der Zustandsinformationen in das Wahrscheinlichkeitsmodell die Wahrscheinlichkeit
dafür berechnet, dass ein Fahrzeuginsasse die spezifische
Bedienung durchführt, und die Einstellinformationen oder
Steuerinformationen, die sich auf die Einstellbetätigung
des Insassen beziehen, entsprechend der berechneten Wahrscheinlichkeit
korrigiert, um die spezifische Einstellbetätigung zu erzielen,
und eine Klimatisierungssteuereinheit, welche die Klimatisierungseinheit
entsprechend der korrigierten Einstellinformationen oder Steuerinformationen
steuert. Das Steuerverfahren umfasst: einen Ansammlungsschritt für
gelernte Informationen zum Speichern der Zustandsinformationen,
wie gelernt, in die Speichereinheit; einen Wahrscheinlichkeitsmodell-Aufbauschritt
zum Auswählen einer Vielzahl gelernter Daten aus den in
der Speichereinheit gespeicherten gelernten Daten und zum Aufbauen
des Wahrscheinlichmodells, das zu der spezifischen Einstellbetätigung
gehört, durch Bestimmen einer bedingten Wahrscheinlichkeit
für jeden in der Graphenstruktur des Wahrscheinlichkeitsmodells enthaltenen
Knoten unter Verwendung der Vielzahl der gelernten Daten; und einen
Löschschritt zum Erzielen der Wahrscheinlichkeit, dass
der Insasse die spezifische Einstellbetätigung durchführt,
durch Eingeben jeder der Vielzahl gelernter Daten in das aufgebaute
Wahrscheinlichkeitsmodell und zum Löschen aller gelernten
Daten, für welche die erhaltene Wahrscheinlichkeit nicht
kleiner als ein erster Schwellwert ist, aus der Vielzahl der gelernten
Daten.According to another aspect of the present invention, there is provided a method of controlling a vehicle air conditioner, the air conditioner comprising: an air conditioning unit that supplies conditioned air to a vehicle, an In a formation unit that acquires state information, a storage unit, a control information correcting unit that has at least one probabilistic model associated with a specific setting operation, calculates the probability that a vehicle occupant performs the specific operation by inputting the state information into the probabilistic model, and the setting information or control information that are related to the setting operation of the occupant, corrected according to the calculated probability to achieve the specific setting operation, and an air conditioning control unit that controls the air conditioning unit according to the corrected setting information or control information. The control method comprises: a learned information accumulating step of storing the state information as learned into the memory unit; a probabilistic model building step for selecting a plurality of learned data from the learned data stored in the storage unit and constructing the probabilistic model associated with the specific setting operation by determining a conditional probability for each node included in the graph structure of the probabilistic model using the plurality of learned data; and an erasing step of obtaining the likelihood that the occupant is performing the specific setting operation by inputting each of the plurality of learned data into the constructed probabilistic model and erasing all learned data for which the obtained probability is not smaller than a first threshold value from the plurality the learned data.
Bevorzugt
speichert der Ansammlungsschritt für gelernte Informationen
in dem Steuerverfahren gemäß der vorliegenden
Erfindung jedes Mal, wenn die spezifische Einstellbetätigung
durchgeführt wird, die Zustandsinformationen als auf die
spezifische Einstellbetätigung bezogene gelernte Daten
in die Speichereinheit. Mit dieser Anordnung können die Zustandsinformationen
zuverlässig gespeichert werden, während der Bediener
die spezifische Betätigung ausführt.Prefers
stores the accumulated step for learned information
in the control method according to the present invention
Invention every time the specific setting operation
is performed, the state information as on the
specific setting operation related learned data
in the storage unit. With this arrangement, the state information
be stored reliably while the operator
performs the specific operation.
Wenn
die Anzahl der Male, welche die spezifische Einstellbetätigung
durchgeführt wurde, in dem Steuerverfahren gemäß der
vorliegenden Erfindung eine vorbestimmte Anzahl von Malen erreicht,
wählt der Wahrscheinlichkeitsmodell-Aufbauschritt bevorzugt
die Vielzahl gelernter Daten in Bezug auf die spezifische Einstellbetätigung
aus. Alternativ wählt der Wahrscheinlichkeitsmodell-Aufbauschritt,
wenn eine vorgegebene Zeitspanne nach dem Aufbau des zu der spezifischen
Einstellbetätigung gehörigen Wahrscheinlichkeitsmodells
vergangen ist, die Vielzahl gelernter Daten in Bezug auf die spezifische
Einstellbetätigung aus, um ein anderes zu der spezifischen
Einstellbetätigung gehöriges Wahrscheinlichkeitsmodell
aufzubauen. Mit dieser Anordnung kann das Wahrscheinlichkeitsmodell
unter Verwendung einer ausreichenden Anzahl gelernter Daten aufgebaut werden.If
the number of times the specific setting operation
was carried out in the control method according to
present invention reaches a predetermined number of times
the probabilistic model building step chooses the preferred one
the multitude of learned data related to the specific setting operation
out. Alternatively, the probabilistic model building step,
if a given period of time after the construction of the specific
Setting operation associated probability model
has passed, the multitude of learned data in relation to the specific
Setting operation off to another to the specific
Setting operation associated probabilistic model
build. With this arrangement, the probabilistic model
be built using a sufficient number of learned data.
Bevorzugt
werden in dem Wahrscheinlichkeitsmodell-Aufbauschritt die gelernten
Daten, die in dem Löschschritt nicht gelöscht
werden, für den Aufbau eines anderen Wahrscheinlichkeitsmodells
verwendet.Prefers
become learned in the probabilistic model building step
Data not deleted in the deletion step
be, for building another probabilistic model
used.
Gemäß noch
einem anderen Aspekt der vorliegenden Erfindung wird eine Steuerung
bereitgestellt. Die Steuerung umfasst eine Informationserfassungseinheit,
die Zustandsinformationen einer Vorrichtung, die gesteuert werden
soll, erfasst; eine Speichereinheit, die eine Vielzahl gelernter
Zustandsinformationen als jeweilige gelernte Daten speichert; eine
lernende Einheit, die unter Verwendung der gelernten Daten ein Wahrscheinlichkeitsmodell aufbaut,
in das die Zustandsinformationen eingegeben werden, um die Wahrscheinlichkeit
für das Ausführen einer spezifischen Einstellbetätigung
zu berechnen; eine Steuerinformations-Korrektureinheit, welche die
Wahrscheinlichkeit für die spezifische Einstellbetätigung
berechnet, indem sie die Zustandsinformationen in das von der lernenden
Einheit aufgebaute Wahrscheinlichkeitsmodell eingibt, und die Einstellinformationen
oder Steuerinformationen in Bezug auf die spezifische Einstellbetätigung
gemäß der berechneten Wahrscheinlichkeit korrigiert,
um die spezifische Einstellbetätigung zu erzielen; und
eine Steuereinheit, die die Vorrichtung entsprechend den korrigierten
Einstellinformationen oder Steuerinformationen steuert. In der Steuerung
umfasst die lernende Einheit eine Wahrscheinlichkeitsmodell-Aufbauuntereinheit,
die das zu der spezifischen Einstellbetätigung gehörige
Wahrscheinlichkeitsmodell durch Bestimmen einer bedingten Wahrscheinlichkeit für
jeden in der Graphenstruktur des Wahrscheinlichkeitsmodells enthaltenen
Knoten unter Verwendung der Vielzahl in der Speichereinheit gespeicherten
gelernten Daten aufbaut; und eine Lerninformationen-Organisationsuntereinheit,
welche die Wahrscheinlichkeit für die spezifische Einstellbetätigung durch
Eingeben jeder der Vielzahl von gelernten Daten in das aufgebaute
Wahrscheinlichkeitsmodell erhält und aus der Vielzahl gelernter
Daten alle gelernten Daten löscht, für welche
die erhaltene Wahrscheinlichkeit nicht kleiner als ein erster Schwellwert ist.According to
Another aspect of the present invention is a controller
provided. The controller comprises an information acquisition unit,
the state information of a device being controlled
should, recorded; a storage unit that has a variety of learned
Store state information as respective learned data; a
learning unit building a probabilistic model using the learned data,
into which the state information is input to the probability
for performing a specific setting operation
to calculate; a control information correcting unit incorporating the
Probability for the specific setting operation
calculated by putting the state information into that of the learner
Unit built probabilistic model, and the setting information
or control information related to the specific setting operation
corrected according to the calculated probability,
to achieve the specific setting operation; and
a control unit that the device according to the corrected
Setting information or control information controls. In the control
the learning unit comprises a probabilistic model building subunit,
that belonging to the specific setting operation
Probabilistic model by determining a conditional probability for
each contained in the graph structure of the probabilistic model
Node stored using the plurality in the storage unit
builds learned data; and a learning information organization subunit,
which determines the probability of the specific adjustment operation
Enter each of the multitude of learned data into the built-up
Probability model receives and learned from the multitude
Data deletes all learned data for which
the obtained probability is not less than a first threshold.
Vorzugsweise
werden in der lernenden Einheit die gelernten Daten, die von der
Informationen-Organisationsuntereinheit nicht gelöscht
werden, für den Aufbau eines anderen Wahrscheinlichkeitsmodells
verwendet.Preferably
In the learning unit, the learned data are collected by the
Information organization subunit not deleted
be, for building another probabilistic model
used.
Beschreibung der ZeichnungenDescription of the drawings
Diese
und andere Merkmale und Vorteile der vorliegenden Erfindung werden
durch die folgende detaillierte Beschreibung zusammen mit den Zeichnungen
genommen besser verständlich, wobei:These
and other features and advantages of the present invention
by the following detailed description together with the drawings
better understood, where:
1 ein
Diagramm ist, das den allgemeinen Aufbau einer Fahrzeug-Klimaanlage
gemäß einer Ausführungsform der vorliegenden
Erfindung zeigt; 1 Fig. 12 is a diagram showing the general structure of a vehicle air conditioner according to an embodiment of the present invention;
2 ein
Funktionsblockdiagramm einer Steuerung in der Fahrzeug-Klimaanlage
ist; 2 Fig. 10 is a functional block diagram of a controller in the vehicle air conditioner;
3 ein
Diagramm ist, das ein Beispiel für eine spezifische Situation
zeigt; 3 is a diagram showing an example of a specific situation;
4 ein
Diagramm ist, das eine Graphenstruktur für ein Beispiel
eines Wahrscheinlichkeitsmodells zeigt, das zum automatischen Einstellen
eines Sollwerts in der Fahrzeug-Klimaanlage verwendet wird; 4 FIG. 15 is a graph showing a graph structure for an example of a probabilistic model used for automatically setting a target value in the vehicle air conditioner; FIG.
5A bis 5D Diagramme
sind, die bedingte Wahrscheinlichkeitstabellen für die
Knoten des in 4 gezeigten Wahrscheinlichkeitsmodells zeigen; 5A to 5D Charts are the conditional probability tables for the nodes of the in 4 show the probability model shown;
6 ein
Flussdiagramm ist, das ein Lerninformations-Clustering-Verfahren
der Fahrzeug-Klimaanlage gemäß der Ausführungsform
der vorliegenden Erfindung zeigt; 6 FIG. 10 is a flowchart showing a learning information clustering method of the vehicle air conditioner according to the embodiment of the present invention; FIG.
7A bis 7D Diagramme
sind, die Standardmodelle jeweils mit einer Graphenstruktur zeigen,
welche die Basis eines Wahrscheinlichkeitsmodells bildet; 7A to 7D Are diagrams that show standard models each with a graph structure that forms the basis of a probabilistic model;
8 ein
Flussdiagramm ist, das ein Verfahren zum Löschen von Zustandsinformationen
zeigt, die in den gelernten Informationen in der Fahrzeug-Klimaanlage
gemäß der Ausführungsform der vorliegenden
Erfindung enthalten sind; 8th FIG. 10 is a flowchart showing a procedure for clearing status information included in the learned information in the vehicle air conditioner according to the embodiment of the present invention; FIG.
9A und 9B Flussdiagramme
sind, welche den Steuerbetrieb der Fahrzeug-Klimaanlage gemäß der
Ausführungsform der vorliegenden Erfindung zeigen; und 9A and 9B Are flowcharts showing the control operation of the vehicle air conditioner according to the embodiment of the present invention; and
10 ein
Flussdiagramm ist, das den Steuerbetrieb der Fahrzeug-Klimaanlage
gemäß der Ausführungsform der vorliegenden
Erfindung zeigt. 10 FIG. 12 is a flowchart showing the control operation of the vehicle air conditioner according to the embodiment of the present invention.
Detaillierte Beschreibung der bevorzugten
AusführungsformDetailed description of the preferred
embodiment
Eine
Fahrzeug-Klimaanlage gemäß der vorliegenden Erfindung
wird nachstehend unter Bezug auf die Zeichnungen beschrieben. Es
sollte jedoch bemerkt werden, dass die vorliegende Erfindung nicht
auf die hier gegebene Beschreibung beschränkt ist, sondern
die in den beigefügten Patentansprüchen beschriebenen
Erfindungen und ihre Äquivalente umfasst.A
Vehicle air conditioning according to the present invention
will be described below with reference to the drawings. It
However, it should be noted that the present invention is not
is limited to the description given here, but
those described in the appended claims
Inventions and their equivalents.
Eine
Fahrzeug-Klimaanlage gemäß einer Ausführungsform
der vorliegenden Erfindung wird nachstehend beschrieben.A
Vehicle air conditioning according to one embodiment
The present invention will be described below.
Die
Fahrzeug-Klimaanlage gemäß der Ausführungsform
der vorliegenden Erfindung schätzt die Klimaanlagen-Einstellbetätigung,
die von einem Fahrzeuginsassen durchgeführt werden soll,
basierend auf zumindest einem Wahrscheinlichkeitsmodell, das entsprechend
der Temperaturempfindlichkeit des Insassen oder einer spezifischen
Situation gelernt wurde, und führt die Klimaanlageneinstellung automatisch
aus. Insbesondere wenn ein neues Wahrscheinlichkeitsmodell aufgebaut
wird, identifiziert die Fahrzeug-Klimaanlage aus der Vielzahl gelernter
Daten, die zum Aufbauen des Wahrscheinlichkeitsmodells verwendet
wurden, die gelernten Daten, die sich auf die spezifische Situation
beziehen, für welche das Wahrscheinlichkeitsmodell aufgebaut wurde,
und löscht die auf diese Weise identifizierten gelernten
Daten.The
A vehicle air conditioner according to the embodiment
of the present invention estimates the air conditioning setting operation,
which is to be performed by a vehicle occupant,
based on at least one probabilistic model corresponding to
the temperature sensitivity of the occupant or a specific
Situation has been learned, and will carry out the air conditioning setting automatically
out. Especially when a new probabilistic model is built
is identified, the vehicle air conditioner from the multitude of trained
Data used to construct the probabilistic model
were the learned data, focusing on the specific situation
for which the probabilistic model was built,
and deletes the learned ones identified in this way
Dates.
Dann
ermöglicht die Fahrzeug-Klimaanlage, dass die restlichen
gelernten Daten für den Aufbau eines anderen Wahrscheinlichkeitsmodells
verwendet werden.Then
allows the vehicle air conditioner that the rest
learned data for building another probabilistic model
be used.
1 ist
ein Diagramm, das den allgemeinen Aufbau der Fahrzeug-Klimaanlage 1 gemäß der Ausführungsform
der vorliegenden Erfindung zeigt. Wie in 1 gezeigt,
umfasst die Fahrzeug-Klimaanlage 1 eine Klimatisierungseinheit 10,
die hauptsächlich mechanische Bestandteile beinhaltet,
und eine Steuerung 60 zum Steuern der Klimatisierungseinheit 10. 1 is a diagram showing the general structure of the vehicle air conditioning 1 according to the embodiment of the present invention. As in 1 shown includes the vehicle air conditioning 1 an air conditioning unit 10 , which mainly contains mechanical components, and a controller 60 for controlling the air conditioning unit 10 ,
Zuerst
wird die Struktur des Kältekreislaufs R der Klimatisierungseinheit 10 beschrieben.
Der Kältekreislauf R der Fahrzeug-Klimaanlage 1 ist
aus einem geschlossenen Kreislauf aufgebaut, der einen Kompressor 11,
einen Kondensator 15, einen Sammler 16, ein Expansionsventil 17 und
einen Verdampfer 18 umfasst, die in dieser Reihenfolge
in einer Uhrzeigerrichtung angeordnet sind. Der Kompressor 11 komprimiert
Kältemittel und verwandelt es in ein Hochdruckgas. Der
Kompressor 11 ist mit einer elektromagnetischen Kupplung 14 ausgestattet,
um die von einem Fahrzeugmotor 13 über einen Riemen 12 übertragene
Leistung zuzuschalten oder zu trennen. Der Kondensator 15 kühlt
das von dem Kompressor 11 ausgestoßene Hochtemperatur-Hochdruckgas und
wandelt es in eine Flüssigkeit um. Der Sammler 16 lagert
das flüssige Kältemittel. Um zu verhindern, dass
die Kühlleistung abfällt, entfernt der Sammler 16 in
dem flüssigen Kältemittel enthaltene Gasblasen und
führt nur das vollständig verflüssigte
Kältemittel an das Expansionsventil 17 zu. Das
Expansionsventil 17 bewirkt, dass das flüssige
Kältemittel eine adiabatische Expansion durchmacht und
wandelt es dabei in ein Niedertemperatur-Niederdruckkältemittel
um, das in den Verdampfer 18 strömt. Der Verdampfer 18 führt
einen Wärmeaustausch zwischen dem Niederdruck-Niedertemperaturkältemittel
und der Luft aus, die gezwungen wird, über den Verdampfer 18 zu
strömen, welcher auf diese Weise die Luft kühlt.First, the structure of the refrigeration cycle R of the air conditioning unit 10 described. The refrigeration circuit R of the vehicle air conditioner 1 is built from a closed circuit, which is a compressor 11 , a capacitor 15 , a collector 16 , an expansion valve 17 and an evaporator 18 which are arranged in this order in a clockwise direction. The compressor 11 compresses refrigerant and turns it into a high-pressure gas. The compressor 11 is with an electromagnetic clutch 14 equipped to that of a vehicle engine 13 over a belt 12 switch on or disconnect transmitted power. The capacitor 15 That cools the compressor 11 ejected high temperature high pressure gas and converts it into a liquid. The collector 16 stores the liquid refrigerant. To prevent the cooling capacity from dropping, the collector is removed 16 contained in the liquid refrigerant gas bubbles and leads only the fully liquefied refrigerant to the expansion valve 17 to. The expansion valve 17 causes the liquid refrigerant to undergo adiabatic expansion, converting it to a low-temperature, low-pressure refrigerant that enters the evaporator 18 flows. The evaporator 18 performs a heat exchange between the low-pressure, low-temperature refrigerant and the air forced through the evaporator 18 to flow, which cools the air in this way.
Als
nächstes wird die Struktur im Inneren eines Klimaanlagengehäuses 20 in
der Klimatisierungseinheit 10 beschrieben. Ein Lüftungsventilator 21 befindet
sich auf der stromaufwärtigen Seite des Verdampfers 18.
Der Lüftungsventilator ist ein Zentrifugallüftungsventilator,
der von einem Antriebsmotor 22 angetrieben wird. Ein Innen-/Außenluft-Umschaltkasten 23 befindet
sich auf der Ansaugseite des Lüftungsventilators 21.
Eine Innen-/Außenluft-Umschaltklappe 25, die von
einem Innen-/Außenluft-Servomotor 24 angetrieben
wird, ist im Inneren des Innen-/Außenluft-Umschaltkastens 23 montiert.
Die Innen-/Außenluft-Umschaltklappe 25 wird zwischen
einem Innenlufteinlass 26 und einem Außenlufteinlass 27 betätigt.
Die durch den Innenlufteinlass 26 oder den Außenlufteinlass 27 gesaugte
Luft durchläuft den Innen-/Außenluft-Umschaltkasten 23 und
wird von dem Lüftungsventilator 21 an den Verdampfer 18 geliefert. Die
Menge an Luft, die von der Fahrzeug-Klimaanlage 1 geliefert
werden soll, kann durch Regulieren der Drehzahl des Lüftungsventilators 21 eingestellt
werden.Next, the structure is inside an air conditioning enclosure 20 in the air conditioning unit 10 described. A ventilation fan 21 is located on the upstream side of the evaporator 18 , The ventilation fan is a centrifugal fan that is powered by a drive motor 22 is driven. An indoor / outdoor air switching box 23 is located on the intake side of the ventilation fan 21 , An inside / outside air switching door 25 that of an inside / outside air servomotor 24 is driven inside the inside / outside air switching box 23 assembled. The inside / outside air switching door 25 is between an interior air intake 26 and an outside air inlet 27 actuated. The through the inside air intake 26 or the outside air intake 27 sucked air passes through the inside / outside air changeover box 23 and gets from the ventilation fan 21 to the evaporator 18 delivered. The amount of air coming from the vehicle air conditioning 1 can be delivered by regulating the speed of the ventilation fan 21 be set.
Eine
Luftmischklappe 28 und ein Heizungskern 29 sind
in dieser Reihenfolge auf der stromabwärtigen Seite des
Verdampfers 18 angeordnet. Kühlmittel, das zum
Kühlen des Fahrzeugmotors 13 verwendet wird, wird
ungewälzt, wobei es den Heizungskern 29 durchläuft,
um die über dem Heizungskern 29 vorbeilaufende
Luft zu heizen. Ein Umleitungsdurchgang 30, der den Heizungskern 29 umgeht,
ist im Inneren des Klimaanlagengehäuses ausgebildet. Die
Luftmischklappe 28 wird von einem Temperatursteuerungs-Servomotor 31 gedreht
und stellt das Luftdurchsatzverhältnis zwischen der heißen
Luft, die einen Durchgang 32 über dem Heizungskern 29 durchläuft,
und der kalten Luft, die den Umleitungsdurchgang 30 durchläuft,
ein, so dass die auf die gewünschte Temperatur gesteuerte
Luft aus den Luftauslässen ausgelassen wird.An air mix door 28 and a heater core 29 are in this order on the downstream side of the evaporator 18 arranged. Coolant, used to cool the vehicle engine 13 used is rolled, being the heater core 29 goes through to the over the heater core 29 to heat passing air. A detour passage 30 , the heater core 29 is trained inside the air conditioning housing. The air mix door 28 is from a temperature control servomotor 31 Turned and sets the air flow ratio between the hot air, the one passage 32 above the heater core 29 passes through, and the cold air, the bypass passage 30 goes through, so that the controlled to the desired temperature air is discharged from the air outlets.
Ein
Fußebenenauslass 34, ein Gesichtsebenenauslass 35 und
ein Entfrosterauslass 36, durch welche die klimatisierte
Luft in den Fahrgastraum geblasen wird, sind auf der stromabwärtigen
Seite eines Luftmischabschnitts 33 bereitgestellt, wo die
kalte Luft, die den Umleitungsdurchgang 30 durchlaufen hat,
und die heiße Luft, die den Durchgang 32 über dem
Heizungskern 29 durchlaufen hat, miteinander vermischt
werden. Eine Fußebenenklappe 37, eine Gesichtsebenenklappe 38 und
eine Entfrosterklappe 39 zum Öffnen und Schließen
der jeweiligen Auslässe sind auf den jeweiligen Auslässen
bereitgestellt. Der Fußebenenauslass 34 dient
zum Blasen der klimatisierten Luft zu der Fußebene des
Fahrersitzes oder des Beifahrersitzes. Der Gesichtsebenenauslass 35 dient
zum Blasen der klimatisierten Luft in Richtung des Fahrersitzes
oder des Beifahrersitzes von der Frontplatte. Andererseits dient
der Entfrosterauslass 36 zum Blasen der klimatisierten
Luft in Richtung der Windschutzscheibe. Die Klappen 37, 38 und 39 werden
von einem Betriebsart-Servomotor 40 angetrieben.A foot level outlet 34 , a face level outlet 35 and a defroster outlet 36 , through which the conditioned air is blown into the passenger compartment, are on the downstream side of an air mixing section 33 provided where the cold air, the bypass passage 30 has gone through, and the hot air, the passage 32 above the heater core 29 has passed through, be mixed together. A foot level flap 37 , a face-level flap 38 and a defroster flap 39 for opening and closing the respective outlets are provided on the respective outlets. The foot level outlet 34 serves to blow the conditioned air to the foot level of the driver's seat or the passenger's seat. The face level outlet 35 Used to blow the conditioned air in the direction of the driver's seat or the passenger seat of the front panel. On the other hand, the defroster outlet serves 36 for blowing the conditioned air towards the windshield. The flaps 37 . 38 and 39 are from a mode servomotor 40 driven.
Als
nächstes wird eine Beschreibung verschiedener Sensoren
gegeben, die zusammen als eine Informationserfassungseinheit in
der Fahrzeug-Klimaanlage 1 wirken. Ein Innentemperatursensor 51 ist
zusammen mit einem Entlüfter in dem Armaturenbrett oder ähnlichem
an einer Position nahe dem Lenkrad montiert, um die Temperatur Tr im Inneren des Fahrgastraums zu messen.
Ein Außentemperatursensor 52 ist auf dem Kühlergrill
auf der Vorderseite des Kondensators 15 an dem Vorderende
des Fahrzeugs montiert, um die Temperatur Tam außerhalb
des Fahrgastraums zu messen. Ferner ist ein Sonnensensor 53 im
Inneren des Fahrgastraums an einer Position nahe der Windschutzscheibe
montiert, um die Intensität der Sonnenstrahlung S, die
in den Fahrgastraum eintritt, zu messen. Der Sonnensensor 53 umfasst
eine Fotodiode oder ähnliches. Die Innentemperatur Tr, die Außentemperatur Tam und die Menge der Sonnenstrahlung S, die
von diesen Sensoren gemessen werden, werden als Klimatisierungsinformationen
in der Steuerung 60 verwendet, um die Temperatursteuerung
und die Luftdurchsatzpegelsteuerung durchzuführen. Die
Details der Temperatursteuerung und der Luftdurchsatzpegelsteuerung
werden später beschrieben.Next, a description will be given of various sensors combined as an information detecting unit in the vehicle air conditioner 1 Act. An internal temperature sensor 51 is mounted together with a breather in the dashboard or the like at a position near the steering wheel to measure the temperature T r inside the passenger compartment. An outside temperature sensor 52 is on the grille on the front of the condenser 15 mounted at the front end of the vehicle to measure the temperature T on the outside of the passenger compartment. There is also a sun sensor 53 mounted inside the passenger compartment at a position near the windshield to measure the intensity of solar radiation S entering the passenger compartment. The sun sensor 53 includes a photodiode or the like. The indoor temperature T r , the outdoor temperature T am, and the amount of solar radiation S measured by these sensors are used as air conditioning information in the controller 60 used to perform the temperature control and the air flow level control. The details of the temperature control and the air flow level control will be described later.
Ebenfalls
bereitgestellt sind derartige Sensoren, wie ein Verdampferauslass-Temperatursensor zum
Messen der Temperatur der Luft (Verdampferauslasstemperatur), die
den Verdampfer 18 verlässt, ein Heizungseinlass-Kühlmitteltemperatursensor zum
Messen der Temperatur des Motorkühlmittels, das in den
Heizungskern 29 strömt, und ein Drucksensor zum
Messen des Kältemittels, das durch den Kältekreislauf
R zirkuliert. Außerdem sind im Auto eine oder mehrere Kameras 54 zum
Aufnehmen von Fotos der Gesichter der Insassen, die auf dem Fahrersitz
und den anderen Sitzen sitzen, im Inneren des Fahrgastraums montiert.
Ferner ist eine Außenkamera 55 für die
Aufnahme außerhalb des Fahrzeugs montiert.Also provided are such sensors as an evaporator outlet temperature sensor for measuring the temperature of the air (evaporator outlet temperature) which is the evaporator 18 leaves, a heater inlet coolant temperature sensor for measuring the temperature of the engine coolant, in the heater core 29 flows, and a pressure sensor for measuring the refrigerant that circulates through the refrigeration cycle R. There are also one or more cameras in the car 54 for taking photos of the faces of the occupants sitting in the driver's seat and the other seats, mounted inside the passenger compartment. There is also an outdoor camera 55 mounted for reception outside the vehicle.
Die
Fahrzeug-Klimaanlage 1 erfasst Abtastinformationen von
jedem der vorstehend beschriebenen Sensoren. Ferner erfasst die
Fahrzeug-Klimaanlage 1 Standortinformationen, wie etwa
den aktuellen Standort des Fahrzeugs, die Fahrtrichtung des Fahrzeugs,
Nachbarschaftsbereichsinformationen und G-Book-Informationen von
einem Navigationssystem 56. Außerdem erfasst die
Fahrzeug-Klimaanlage 1 verschiedene Arten von Betriebsinformationen,
wie etwa die Drosselöffnung, den Lenkradwinkel, die Bremspedalposition,
die elektrische Fensteröffnung und den Scheibenwischer-,
Blinker- oder Autoaudioanlagen-Ein/Aus-Zustand ebenso wie die Fahrzeuggeschwindigkeit
und Informationen über das Fahrzeugverhalten von der Fahrzeugbedienvorrichtung 57.
Die Fahrzeug-Klimaanlage 1 erfasst ferner Zeitinformationen,
wie etwa das aktuelle Datum und die Zeit von einer im Fahrzeug montierten
Uhr 58. Ferner können ein elektrokardiographischer
Erfassungssensor, ein Herzschlag-/Atmungssensor, ein Körpertemperatursensor
ein Hauttemperatursensor und ähnliche in dem Fahrersitz,
etc. montiert sein, so dass die Fahrzeug-Klimaanlage 1 physiologische
Informationen in Bezug auf den Insassen erfassen kann.The vehicle air conditioning 1 detects scan information from each of the above described sensors. Further, the vehicle air conditioner detects 1 Location information such as the current location of the vehicle, the direction of travel of the vehicle, neighborhood information, and g-book information from a navigation system 56 , In addition, the vehicle air conditioning system detects 1 various types of operating information such as the throttle opening, the steering wheel angle, the brake pedal position, the electric window opening and the wiper, turn signal or car audio on / off state as well as the vehicle speed and information about the vehicle behavior of the vehicle operating device 57 , The vehicle air conditioning 1 Also, collects time information such as the current date and time from a vehicle-mounted clock 58 , Further, an electrocardiographic detection sensor, a heartbeat / respiration sensor, a body temperature sensor, a skin temperature sensor and the like may be mounted in the driver's seat, etc., so that the vehicle air conditioner 1 can capture physiological information related to the occupant.
Auf
diese Weise wirken das Navigationssystem 56, die Fahrzeugbedienvorrichtung 57 und
die im Fahrzeug montierte Uhr 58 ebenfalls als eine Informationserfassungseinheit.This is how the navigation system works 56 , the vehicle operating device 57 and the vehicle-mounted clock 58 also as an information gathering unit.
2 ist
ein Funktionsblockdiagramm der Steuerung 60 in der Fahrzeug-Klimaanlage 1. 2 is a functional block diagram of the controller 60 in the vehicle air conditioning 1 ,
Die
Steuerung 60 umfasst: einen oder mehrere nicht gezeigte
Mikrocomputer, die jeweils eine CPU, einen ROM, RAM, etc. und ihre
peripheren Schaltungen umfassen; eine Speichereinheit 61,
die aus einem elektrisch veränderbaren nicht-flüchtigen Speicher
oder ähnlichem aufgebaut ist; und eine Kommunikationseinheit 62 zum
Durchführen von Kommunikationen mit den verschiedenen Sensoren, dem
Navigationssystem 56, der Fahrzeugbedienvorrichtung 57 etc.
gemäß einem Fahrzeugkommunikationsstandard, wie
etwa Control Area Network (CAN).The control 60 comprising: one or more microcomputers, not shown, each comprising a CPU, a ROM, RAM, etc. and their peripheral circuits; a storage unit 61 which is composed of an electrically variable non-volatile memory or the like; and a communication unit 62 to carry out communications with the various sensors, the navigation system 56 , the vehicle operating device 57 etc. according to a vehicle communication standard such as Control Area Network (CAN).
Die
Steuerung 60 umfasst ferner eine Abgleicheinheit 63,
eine Steuerinformations-Korrektureinheit, eine Klimatisierungssteuereinheit 65 und eine
lernende Einheit 66, die jeweils als ein Funktionsmodul
durch den Mikrocomputer oder durch ein auf dem Mikrocomputer ausgeführtes
Computerprogramm implementiert sind.The control 60 further comprises an adjustment unit 63 , a control information correcting unit, an air conditioning control unit 65 and a learning unit 66 each implemented as a functional module by the microcomputer or by a computer program executed on the microcomputer.
Die
Steuerung 60 speichert Zustandsinformationen, wie etwa
die Abtastinformationen, die Standortinformationen und die Fahrzeugverhaltensinformationen,
die von den verschiedenen Sensoren, dem Navigationssystem, der Fahrzeugbedienvorrichtung,
etc., erfasst werden, vorübergehend in den RAM. Die Steuerung 60 speichert
auch Bediensignale, die von dem Klimaanlagenbedienfeld 59 erfasst werden,
vorübergehend in den RAM. Dann steuert die Steuerung 60 die
Klimatisierungseinheit 10 basierend auf den Zustandsinformationen
und den Bediensignalen. Zum Beispiel steuert die Steuerung 60 die
elektromagnetische Kupplung 14, um den Kompressor 11 ein-
und auszuschalten, oder steuert den Antriebsmotor 22, um
die Drehzahl des Lüftungsventilators 21 zu regulieren.
Ferner stellt die Steuerung 60 die Öffnungen der
verschiedenen Klappen durch Steuern des Innen-/Außenluft-Servomotors 24,
des Temperatursteuerungs-Servomotors 31 und des Betriebsart-Servomotors 40 ein.
Durch Durchführen dieser Steuerbetriebe stellt die Steuerung 60 das
Verhältnis der klimatisierten Luft zwischen den verschiedenen
Luftauslässen, der Gesamtmenge an Luft und der Temperatur
der klimatisierten Luft ein, so dass die Temperatur im Inneren des
Fahrgastraums so nahe wie möglich an die von dem Insassen
festgelegte Temperatur gebracht wird. Um die Temperatur, den Luftdurchsatzpegel,
etc. der klimatisierten Luft zu bestimmen, gibt die Steuerung 60 vorgeschriebene
Zustandsinformationen in ein passendes Wahrscheinlichkeitsmodell
ein und schätzt die Wahrscheinlichkeit, dass der Insasse
eine spezifische Betätigung durchführt (um zum
Beispiel die Temperatureinstellung zu senken, den Luftdurchsatzpegel
auf das Maximum festzulegen, die Klimaanlage auf die Innenluftumwälzbetriebsart
einzustellen, etc.). Wenn die Wahrscheinlichkeit größer
als ein vorbestimmter Schwellwert ist, führt die Steuerung 60 automatisch diese
spezifische Betätigung aus.The control 60 temporarily stores state information such as the scan information, the location information, and the vehicle behavior information detected by the various sensors, the navigation system, the vehicle operating device, etc., into the RAM. The control 60 Also stores operating signals from the A / C control panel 59 be temporarily captured in the RAM. Then the controller controls 60 the air conditioning unit 10 based on the state information and the operating signals. For example, the controller controls 60 the electromagnetic clutch 14 to the compressor 11 on and off, or controls the drive motor 22 to the speed of the ventilation fan 21 to regulate. Furthermore, the controller provides 60 the openings of the various flaps by controlling the inside / outside air servomotor 24 , the temperature control servo motor 31 and the mode servomotor 40 one. By performing these control operations, the controller provides 60 the ratio of the conditioned air between the various air outlets, the total amount of air and the temperature of the conditioned air, so that the temperature inside the passenger compartment is brought as close as possible to the temperature set by the occupant. To determine the temperature, the air flow rate, etc. of the conditioned air, gives the controller 60 prescribes prescribed state information into an appropriate probabilistic model and estimates the likelihood that the occupant will perform a specific actuation (for example, to decrease the temperature setting, set the air flow rate to the maximum, set the air conditioner to the indoor air circulation mode, etc.). If the probability is greater than a predetermined threshold, the controller performs 60 automatically this specific operation.
Die
Steuerung 60 speichert die Zustandsinformationen etc. in
regelmäßigen Zeitintervallen. Alternativ speichert
die Steuerung 60 die Art der durchgeführten Betätigung
und die verschiedenen Arten von zur Zeit der Betätigung
erhaltenen Informationen jedes Mal, wenn der Insasse die Fahrzeug-Klimaanlage 1 betätigt.
Wenn derartige Informationen eine vorgegebene Anzahl von Malen gespeichert
wurden, erzeugt die Steuerung 60 durch statistisches Lernen ein
Wahrscheinlichkeitsmodell. Alternativ korrigiert die Steuerung 60 die
für den Temperatursteuerungsbetrieb verwendete Steuergleichung.
Die Funktionsmodule zum Durchführen der vorstehenden Betätigungen
werden nachstehend beschrieben.The control 60 stores the status information, etc. at regular time intervals. Alternatively, the controller saves 60 the type of operation performed and the various types of information received at the time of actuation each time the occupant uses the vehicle air conditioning system 1 actuated. If such information has been stored a predetermined number of times, the controller generates 60 through statistical learning a probability model. Alternatively, the controller corrects 60 the control equation used for the temperature control operation. The functional modules for performing the above operations will be described below.
Wenn
der Motorschalter eingeschaltet wird, führt die Abgleicheinheit 63 den
Abgleich und die Authentifizierung des Insassen basierend auf dem
von der Kamera 54 im Auto erfassten Bild und den Abgleichinformationen
bezüglich der registrierten Benutzer, die in der Fahrzeug-Klimaanlage
vorregistriert sind, durch und bestimmt, ob der Insasse einem der registrierten
Benutzer entspricht. Wenn ein registrierter Benutzer gefunden wird,
der dem Insassen entspricht, ruft die Abgleicheinheit 63 die
Identifizierungsinformation (ID) des entsprechenden registrierten
Benutzers und die zu diesem registrierten Benutzer gehörigen
persönlichen Informationen aus der Speichereinheit 61 ab.When the motor switch is turned on, the balancing unit performs 63 the reconciliation and authentication of the occupant based on that of the camera 54 in the car detected image and the adjustment information regarding the registered users who are pre-registered in the vehicle air conditioner, and determines whether the occupant corresponds to one of the registered users. When a registered user matching the occupant is found, the matching unit calls 63 the identification information (ID) of the corresponding registered user and the personal information associated with the registered user from the storage unit 61 from.
Die
Abgleicheinheit 63 führt den Abgleich und die
Authentifizierung des Insassen zum Beispiel gemäß dem
folgenden Verfahren durch. Die Abgleicheinheit 63 digitalisiert
das von der Kamera 54 im Auto erfasste Bild und erfasst
Kanten in dem Bild um eine Region zu unterscheiden, die dem Gesicht des
Insassen entspricht. Dann erfasst die Abgleicheinheit 63 Merkmale,
wie etwa Augen, Nase, Lippen, etc. in der Gesichtsregion durch derartige
Mittel, wie Kantendetektion, und extrahiert einen Satz von Merkmalbeträgen,
welcher die Größen der Merkmale, ihre Positionsbeziehungen
relativ zueinander, etc. darstellt. Als nächstes vergleicht
die Abgleicheinheit 63 den Satz extrahierter Merkmalbeträge
mit den Sätzen von Merkmalbeträgen, die von den
registrierten Benutzern erhalten werden, die im Voraus in die Speichereinheit 61 gespeichert
wurden, und berechnet das Übereinstimmungsmaß zum
Beispiel unter Verwendung eines Korrelationsberechnungsverfahrens.
Wenn das auf diese Weise erhaltene höchste Übereinstimmungsmaß größer
als ein vorbestimmter Schwellwert ist, authentifiziert die Abgleicheinheit 63 den
Insassen als dem registrierten Benutzer entsprechend, welcher das
höchste Übereinstimmungsmaß ergab. Das
vorstehende Abgleichverfahren ist nur ein Beispiel, und es wird
zu schätzen gewusst, dass die Abgleicheinheit 63 den
Abgleich und die Authentifizierung des Insassen unter Verwendung
anderer bekannter Abgleichverfahren durchführen kann. Zum Beispiel
kann die Abgleicheinheit 63 ein in der japanischen ungeprüften Patentveröffentlichung
Nr. 2005-202786 für Fahrzeuganwendungen vorgeschlagenes
Gesichtsauthentifizierungssystem verwenden. Die Abgleicheinheit 63 kann
auch andere Verfahren als die Bildauthentifizierung verwenden. Zum
Beispiel kann die Abgleicheinheit 63 derart konfiguriert
werden, dass das Abgleichen und Authentifizieren des Insassen unter
Verwendung eines Smart-Key-Systems (elektronisches Schlüsselsystem)
durchgeführt wird. Außerdem kann das Abgleichen
und Authentifizieren des Insassen wie in der in der japanischen ungeprüften Patentveröffentlichung Nr.
2005-67353 offenbarten Fahrzeugdiebstahlschutzvorrichtung
durch Kombinieren eines Smart-Key-Systems mit Bildauthentifizierung
durchgeführt werden. Ferner kann die Abgleicheinheit 63 einen
Sensor zum Lesen eines Handflächen- oder Fingeradermusters
oder eines Fingerabdrucks zur Authentifizierung des Insassen verwenden.The matching unit 63 performs the matching and authentication of the occupant, for example, according to the following procedure. The matching unit 63 digitized that from the camera 54 image captured in the car and detects edges in the image to distinguish a region corresponding to the occupant's face. Then the matching unit detects 63 Features such as eyes, nose, lips, etc. in the face region by such means as edge detection, and extracts a set of feature amounts representing the sizes of the features, their positional relationships relative to each other, etc. Next, compare the matching unit 63 the set of extracted feature amounts with the sets of feature amounts obtained from the registered users preceding in the memory unit 61 have been stored, and calculate the match score using, for example, a correlation calculation method. If the highest match score thus obtained is greater than a predetermined threshold, the matching unit authenticates 63 corresponding to the occupant as the registered user who gave the highest match size. The above matching method is just one example, and it is appreciated that the matching unit 63 perform reconciliation and authentication of the occupant using other known matching techniques. For example, the matching unit 63 an Indian Japanese Unexamined Patent Publication No. 2005-202786 use facial authentication system proposed for vehicle applications. The matching unit 63 can also use methods other than image authentication. For example, the matching unit 63 be configured such that the matching and authentication of the occupant using a smart-key system (electronic key system) is performed. In addition, the matching and authentication of the occupant as in the Japanese Unexamined Patent Publication No. 2005-67353 disclosed vehicle theft protection device by combining a smart key system with image authentication. Furthermore, the adjustment unit 63 use a sensor to read a palm or fingerprint pattern or a fingerprint to authenticate the occupant.
Die
Steuerinformations-Korrektureinheit 64 bestimmt, ob der
Einstellparameter der Klimaanlage 1, d. h. die vom Insassen
festlegbaren Einstellinformationen, wie etwa die Solltemperatur
Tsoll, der Luftdurchsatzpegel W oder die
Innenluftumwälzbetriebsart-/Außenlufteinlassbetriebsarteinstellung
basierend auf dem Wahrscheinlichkeitsmodell automatisch eingestellt
werden sollten. Insbesondere hat die Steuerinformations-Korrektureinheit 64 mindestens ein
Wahrscheinlichkeitsmodell, das zu einer spezifischen Einstellbetätigung
gehört, berechnet die Wahrscheinlichkeit der spezifischen
Einstellbetätigung durch Eingeben der Zustandsinformationen
in das Wahrscheinlichkeitsmodell und korrigiert die Einstellinformationen
oder Steuerinformationen, welche die spezifische Einstellbetätigung
betreffen, basierend auf der berechneten Wahrscheinlichkeit und
den zu dem Wahrscheinlichkeitsmodell gehörenden Korrekturinformationen.
Hier beziehen sich die zu dem Wahrscheinlichkeitsmodell gehörenden
Korrekturinformationen auf den Wert der Einstellinformationen oder
Steuerinformationen nach der Korrektur in der von dem Wahrscheinlichkeitsmodell
definierten Korrektur oder auf den Korrekturbetrag, der zu den Einstellinformationen
oder Steuerinformationen hinzugefügt oder mit dem diese
multipliziert werden sollen, um die Einstellinformationen oder Steuerinformationen
auf den gewünschten Wert zu korrigieren.The control information correcting unit 64 determines if the setting parameter of the air conditioner 1 That is, the occupant setting information such as the target temperature T soll , the air flow level W, or the inside air circulation mode / outside air inlet mode setting should be automatically set based on the probabilistic model. In particular, the control information correcting unit has 64 at least one probabilistic model associated with a specific setting operation calculates the likelihood of the specific setting operation by inputting the state information into the probabilistic model and corrects the setting information or control information pertaining to the specific setting operation based on the calculated probability and the correction information associated with the probabilistic model. Here, the correction information associated with the probabilistic model refers to the value of the setting information or control information after the correction in the correction defined by the probabilistic model or the correction amount to be added to or multiplied by the setting information or control information, the setting information, or To correct control information to the desired value.
In
der vorliegenden Ausführungsform wird ein Bayessches Netz
als das Wahrscheinlichkeitsmodell verwendet. Ein Bayessches Netz
modelliert Wahrscheinlichkeitskausalitätsbeziehungen zwischen
einer Vielzahl von Ereignissen. Ferner wird ein Bayessches Netz
durch einen gerichteten azyklischen Graphen dargestellt, in dem
die Ausbreitung zwischen jedem Knoten durch eine bedingte Wahrscheinlichkeit
erhalten wird. Für Details Bayesscher Netze siehe „Bayesian
Network Technology" von Yoichi Kimura und Hirotoshi Iwasaki, 1.
Auflage, Tokyo Denki University Press, Juli 2006, „Introduction
to Baesian Networks" von Kazuo Shigemasu et al., 1. Auflage, Baifukan,
Juli 2006, oder „Pattern Recognition", übersetzt
von Mono Onoe, 1. Auflage, Shin Gijutsu Communications, Juli 2001 .In the present embodiment, a Bayesian network is used as the probabilistic model. A Bayesian network models probability-causality relationships between a variety of events. Furthermore, a Bayesian network is represented by a directed acyclic graph in which the propagation between each node is obtained by a conditional probability. For details see Bayesian nets "Bayesian Network Technology" by Yoichi Kimura and Hirotoshi Iwasaki, 1st Edition, Tokyo Denki University Press, July 2006, "Introduction to Baesian Networks" by Kazuo Shigemasu et al., 1st Edition, Baifukan, July 2006, or "Pattern Recognition ", translated by Mono Onoe, 1st Edition, Shin Gijutsu Communications, July 2001 ,
In
der vorliegenden Ausführungsform wird das Wahrscheinlichkeitsmodell
für jeden in der Fahrzeug-Klimaanlage 1 registrierten
Benutzer erzeugt. Ferner wird das Wahrscheinlichkeitsmodell für
jede Art von Einstellbetätigung (zum Beispiel Senken oder Erhöhen
der Solltemperatur Tsoll, Einstellen des
Luftdurchsatzpegels W, Einstellen der Klimaanlage auf die Innenluftumwälzbetriebsart,
etc.) erzeugt. Die strukturellen Informationen jedes Wahrscheinlichkeitsmodells
werden in die Speichereinheit 61 gespeichert, indem sie
den Benutzerinformationen und der Einstellbetätigung zugeordnet
werden. Insbesondere werden die Graphenstruktur, die die Verbindungen
zwischen den das Wahrscheinlichkeitsmodell bildenden Knoten bildet,
die Art der in den Eingangsknoten gegebenen Eingangsinformationen
und die bedingte Wahrscheinlichkeitstabelle (CPT) jedes Knotens
für jedes Wahrscheinlichkeitsmodell definiert und in die
Speichereinheit 61 gespeichert. Ferner werden die Benutzeridentifizierungsnummer
(ID), die Einstellbetätigungsnummer k, die der Art der
Einstellbetätigung eindeutig entspricht, und der Einstellparameter,
der von der Einstellbetätigung korrigiert werden soll,
und sein Korrekturwert (zum Beispiel Tsoll, – 3),
wenn die Solltemperatur Tsoll um 3°C
gesenkt wird, (W, Wmax), wenn der Luftdurchsatzpegel W
aus das Maximum Wmax festgelegt wird etc.)
ebenfalls für jedes Wahrscheinlichkeitsmodell definiert und
in die Speichereinheit 61 gespeichert, indem sie dem Wahrscheinlichkeitsmodell
zugeordnet werden.In the present embodiment, the probabilistic model for each in the vehicle air conditioner 1 registered user generated. Further, the probabilistic model is generated for each type of setting operation (for example, lowering or increasing the target temperature T soll , setting the air flow level W, setting the air conditioner to the inside air circulation mode, etc.). The structural information of each probabilistic model is stored in the storage unit 61 stored by being assigned to the user information and the setting operation. In particular, the graph structure forming the connections between the probabilistic node, the type of input information given in the input node, and the conditional probability table (CPT) of each node are defined for each probabilistic model and stored in the memory unit 61 saved. Further, the user identification number (ID), the setting operation number k uniquely corresponding to the kind of the setting operation, and the setting parameter to be corrected by the setting operation and its correction value (for example T soll , - 3) when the target temperature T soll is lowered by 3 ° C, (W, W max ) when the air flow level W is set from the maximum W max , etc.) is also defined for each probabilistic model and into the memory unit 61 stored by being assigned to the probabilistic model.
Die
Steuerinformations-Korrektureinheit 64 ruft ein oder mehrere
Wahrscheinlichkeitsmodelle, die zu dem registrierten Benutzer gehören,
der von der Abgleicheinheit 63 als dem Insassen entsprechend
identifiziert wurde, aus der Speichereinheit 61 ab. Die
Steuerinformations-Korrektureinheit 64 gibt vorgeschriebene
Zustandsinformationen in jedes der abgerufenen Wahrscheinlichkeitsmodelle
ein und erhält die Wahrscheinlichkeit, dass der Insasse
die zu dem Wahrscheinlichkeitsmodell gehörende Einstellbetätigung
durchführt. Insbesondere erhält die Steuerinformations-Korrektureinheit 64 die
Wahrscheinlichkeit, dass die Einstellbetätigung durchgeführt wird,
die in Bezug auf das Wahrscheinlichkeitsmodell eindeutig identifiziert
wird und durch die Einstellbetätigungsnummer k bezeichnet
ist, die in der Speichereinheit 61 zusammen mit diesem
Wahrscheinlichkeitsmodell gespeichert ist. Die Wahrscheinlichkeit kann
zum Beispiel unter Verwendung eines Belief-Propagation-Verfahrens
erhalten werden. Wenn die auf diese Weise erhaltene Wahrscheinlichkeit größer
als oder gleich einem ersten Schwellwert Th1 ist (zum Beispiel Th1
= 0,9) (dies bedeutet, dass es fast sicher ist, dass der Insasse
diese Einstellbetätigung durchführen wird), führt
die Steuerinformations-Korrektureinheit 64 automatisch
diese Einstellbetätigung durch. Insbesondere korrigiert
die Steuerinformations-Korrektureinheit 64 den Wert des
Einstellparameters dieser Einstellbetätigung unter Verwendung
des Korrekturwerts des zu dem Wahrscheinlichkeitsmodell gehörenden
Einstellparameters, das heißt, den Korrekturwert des Einstellparameters,
der in Bezug auf das Wahrscheinlichkeitsmodell eindeutig definiert
und in der Speichereinheit 61 zusammen mit diesem Wahrscheinlichkeitsmodell gespeichert
ist.The control information correcting unit 64 calls one or more probabilistic models belonging to the registered user, that of the matching unit 63 as identified to the occupant from the storage unit 61 from. The control information correcting unit 64 inputs prescribed state information into each of the retrieved probabilistic models and obtains the probability that the occupant will perform the setting operation associated with the probabilistic model. In particular, the control information correcting unit obtains 64 the probability that the setting operation will be performed, which is uniquely identified with respect to the probabilistic model and designated by the setting operation number k stored in the memory unit 61 stored together with this probabilistic model. The probability can be obtained, for example, using a belief propagation method. If the probability thus obtained is greater than or equal to a first threshold Th1 (for example, Th1 = 0.9) (that is, it is almost certain that the occupant will perform this setting operation), the control information correcting unit will execute 64 automatically this adjustment operation through. In particular, the control information correcting unit corrects 64 the value of the setting parameter of this setting operation using the correction value of the setting parameter corresponding to the probabilistic model, that is, the correction value of the setting parameter uniquely defined with respect to the probabilistic model and in the storage unit 61 stored together with this probabilistic model.
Wenn
die erhaltene Wahrscheinlichkeit andererseits kleiner als der erste
Schwellwert Th1, aber nicht kleiner als ein zweiter Schwellwert
Th2 ist (zum Beispiel Th2 = 0,6) (dies bedeutet, dass es höchstwahrscheinlich
ist, dass der Insasse diese Einstellbetätigung durchführen
wird), zeigt die Steuerinformations- Korrektureinheit 64 die
Art der Einstellbetätigung auf dem Klimaanlagen-Bedienfeld 59 oder
auf der Anzeigeeinheit des Navigationssystems 56 oder ähnlichem
an, um den Insassen zu benachrichtigen. Die Steuerinformations-Korrektureinheit 64 fragt
somit den Insassen ab, ob die Einstellbetätigung ausgeführt
werden sollte oder nicht. Wenn der Insasse durch Durchführen
einer Bedienung zum Bestätigen der Ausführung
der Einstellbetätigung (zum Beispiel durch Drücken
eines bezeichneten Bedienknopfs) über das Klimaanlagen-Bedienfeld 59 oder ähnliches antwortet,
führt die Steuerinformations-Korrektureinheit 64 die
Einstellbetätigung aus. Die Steuerinformations-Korrektureinheit 64 kann
derart konfiguriert werden, dass sie den Insassen über
die Art der Einstellbetätigung mittels Sprache über
das Klimaanlagen-Bedienfeld 59 oder das Navigationssystem 56 benachrichtigt.
Ferner kann ein Mikrophon mit der Fahrzeug-Klimaanlage 1 verbunden
sein, und ein Spracherkennungsprogramm kann in die Steuerung 60 eingebaut
sein, so dass die Steuerinformations-Korrektureinheit 64 bestimmen
kann, ob sie die Einstellbetätigung ausführen
soll oder nicht, indem sie auf die Stimme des Insassen reagiert.On the other hand, if the obtained probability is smaller than the first threshold Th1 but not smaller than a second threshold Th2 (for example, Th2 = 0.6) (that is, it is most likely that the occupant will perform this setting operation), FIG Tax Information Correction Unit 64 the type of setting operation on the air conditioner control panel 59 or on the display unit of the navigation system 56 or the like to notify the occupant. The control information correcting unit 64 thus asks the occupant if the setting operation should be executed or not. When the occupant passes through the air conditioning control panel by performing an operation for confirming the execution of the setting operation (for example, by pressing a designated operation button) 59 or the like, leads the control information correcting unit 64 the setting operation off. The control information correcting unit 64 can be configured to inform the occupants of the type of setting operation by voice over the air conditioning control panel 59 or the navigation system 56 notified. Furthermore, a microphone with the vehicle air conditioning 1 be connected, and a voice recognition program can be in the controller 60 be built in, so that the control information correcting unit 64 determine whether or not to perform the setting operation by responding to the voice of the occupant.
Nachstehend
wird eine Beschreibung gegeben, indem ein Beispiel behandelt wird,
in dem die Solltemperatur Tsoll um 3°C
gesenkt wird. Hier ist der erste Schwellwert Th1 auf 0,9 und der
zweite Schwellwert Th2 auf 0,6 festgelegt.A description will be given below by treating an example in which the target temperature T soll is lowered by 3 ° C. Here, the first threshold value Th1 is set to 0.9 and the second threshold value Th2 is set to 0.6.
3 zeigt
ein Beispiel für eine derartige spezifische Situation.
In der hier gezeigten Situation wird angenommen, dass der Insasse
(Hr. A) immer am Samstagnachmittag in einem Sportpark Tennis spielt
und sein Auto danach gegen 16 Uhr nach Hause fährt. Es
wird angenommen, dass es Hr. A in dieser Situation vorzieht, die
Fahrzeug-Klimaanlage auf eine niedrigere Temperatur als üblich
festzulegen. In anderen Situationen, zum Beispiel, wenn er nach
der Arbeit nach Hause fährt, führt er keine derartige
Einstellbetätigung durch. 3 shows an example of such a specific situation. In the situation shown here, it is assumed that the inmate (Mr A) always plays tennis on a Saturday in a sports park on Saturday afternoon and then drives his car home around 4 pm. It is believed that Hr. A in this situation prefers to set the vehicle air conditioner to a lower temperature than usual. In other situations, for example, when driving home after work, he does not make such a setting operation.
4 zeigt
eine Graphenstruktur für ein Beispiel des Wahrscheinlichkeitsmodells,
das zum automatischen Einstellen des Einstellparameters der Fahrzeug-Klimaanlage 1 verwendet
wird. In dem in 4 gezeigten Wahrscheinlichkeitsmodell 101 sind drei
Eingangsknoten 102, 103 und 104 mit einem Ausgangsknoten 105 verbunden.
Der Wochentag (X1), der Zeitabschnitt (X2) und der aktuelle Standort (X3)
werden als Zustandsinformationen in die jeweiligen Eingangsknoten 102, 103 und 104 gegeben.
Der Ausgangsknoten 105 gibt die Wahrscheinlichkeit dafür
an, dass die Solltemperatur Tsoll um 3°C
gesenkt wird. 4 FIG. 12 shows a graph structure for an example of the probabilistic model for automatically adjusting the setting parameter of the vehicle air conditioner 1 is used. In the in 4 shown probability model 101 are three entrance nodes 102 . 103 and 104 with an output node 105 connected. The day of the week (X 1 ), the time period (X 2 ) and the current location (X 3 ) are used as status information in the respective input nodes 102 . 103 and 104 given. The starting node 105 indicates the probability that the target temperature T soll will be lowered by 3 ° C.
5A bis 5D zeigen
bedingte Wahrscheinlichkeitstabellen (CPTs) 106 bis 109 für
die jeweiligen Knoten in dem in 4 gezeigten
Wahrscheinlichkeitsmodell. Die CPTs 106 bis 108 entsprechen
jeweils den Eingangsknoten 102 bis 104. Die CPTs 106 bis 108 stellen
jeweils die vorherige Wahrscheinlichkeit der Eingangszustandsinformationen bereit.
Die CPT 109 entspricht dem Ausgangsknoten 105 und
stellt die Verteilung der bedingten Wahrscheinlichkeiten bereit,
die den verschiedenen Werten der Informationen zugewiesen werden,
die den jeweiligen Eingangsknoten gegeben werden. 5A to 5D show conditional probability tables (CPTs) 106 to 109 for the respective nodes in the in 4 shown probability model. The CPTs 106 to 108 correspond respectively to the input node 102 to 104 , The CPTs 106 to 108 each provide the previous probability of the input state information. The CPT 109 corresponds to the starting node 105 and provides the distribution of the conditional probabilities assigned to the various values of the information given to the respective input node.
Wenn
alle an die jeweiligen Eingangsknoten gegebenen Informationen bekannt
sind, das heißt, wenn zum Beispiel der Wochentag Samstag
ist (X1 = 1), der Zeitabschnitt Tageszeit
(X2 = 1) ist und der aktuelle Standort der
Park ist (X3 = 1), ist aus 5D zu sehen,
dass die Wahrscheinlichkeit P(X4 = 1|X1 = 1, X2 = 1, X3 = 1) dafür, dass die Solltemperatur
Tsoll um 3°C gesenkt wird, 0,95
ist.If all the information given to the respective input nodes is known, that is, if, for example, the day of the week is Saturday (X 1 = 1), the time segment is time of day (X 2 = 1) and the current location is the park (X 3 = 1 ) is out 5D to see that the probability P (X 4 = 1 | X 1 = 1, X 2 = 1, X 3 = 1) that the target temperature T soll is lowered by 3 ° C is 0.95.
Da
die erhaltene Wahrscheinlichkeit größer als der
erste Schwellwert Th1 ist, korrigiert die Steuerinformations-Korrektureinheit 64 den
Einstellparameter, um die Solltemperatur Tsoll um
3°C zu senken.Since the obtained probability is larger than the first threshold Th1, the control information correcting unit corrects 64 the setting parameter to lower the setpoint temperature T soll by 3 ° C.
Wenn
der Wochentag andererseits zum Beispiel Samstag ist (X1 =
0) und der Zeitabschnitt Tageszeit (X2 =
0) ist, aber es nicht möglich ist, den aktuellen Standort
zu bestimmen, weil der Strom zum Navigationssystem 56 nicht
eingeschaltet ist, dann wird P(X4 = 1|X1 = 1, X2 = 1, X3) unter Verwendung der vorherigen Wahrscheinlichkeit
P(X3) berechnet, die in 5C für
den Fall gezeigt ist, in dem der aktuelle Standort der Park ist.
Das heißt: P(X4 =
1|X1 = 1, X2 = 1,
X3)
= P(X4 =
1|X1 = 1, X2 = 1,
X3 = 1)·P(X3 =
1)
+ P(X4 = 1|X1 =
1, X2 = 1, X3 =
0)·P(X3 = 0)
= 0,95·0,15
+ 0,55·0,85 = 0,61 On the other hand, for example, if the day of the week is Saturday (X 1 = 0) and the time period is daytime (X 2 = 0), but it is not possible to determine the current location because of power to the navigation system 56 is not turned on, then P (X 4 = 1 | X 1 = 1, X 2 = 1, X 3) is calculated using the prior probability P (X 3), which in 5C is shown in the case where the current location is the park. This means: P (X 4 = 1 | X 1 = 1, X 2 = 1, X 3 ) = P (X 4 = 1 | X 1 = 1, X 2 = 1, X 3 = 1) · P (X 3 = 1) + P (X 4 = 1 | X 1 = 1, X 2 = 1, X 3 = 0) · P (X 3 = 0) = 0.95 x 0.15 + 0.55 x 0.85 = 0.61
Da
die erhaltene Wahrscheinlichkeit hier kleiner als der erste Schwellwert
Th1, aber größer als der zweite Schwellwert Th2
ist, fragt die Steuerinformations-Korrektureinheit 64 den
Insassen über das Klimaanlagen-Bedienfeld 59 oder ähnliches
ab, ob die Solltemperatur Tsoll um 3°C
gesenkt werden sollte oder nicht.Since the obtained probability here is smaller than the first threshold Th1 but larger than the second threshold Th2, the control information correcting unit asks 64 the occupants via the air conditioning control panel 59 or the like, whether the target temperature T soll should be lowered by 3 ° C or not.
Wenn
der Wochentag ferner Montag ist (X1 = 1),
der Zeitabschnitt nachts ist (X2 = 1) und
der aktuelle Standort das Büro ist (X3 =
0), kann man ausIf the day of the week is also Monday (X 1 = 1), the time period is at night (X 2 = 1) and the current location is the office (X 3 = 0), you can turn off
5D erkennen,
dass die Wahrscheinlichkeit P(X4 = 1|X1 = 0, X2 = 0, X3 = 0) dafür, dass die Solltemperatur
Tsoll um 3°C gesenkt wird, 0,1
ist. Da die erhaltene Wahrscheinlichkeit kleiner als der erste Schwellwert
Th1 ist und der zweite Schwellwert Th2 ist, ändert die
Steuerinformations-Korrektureinheit 64 weder die Solltemperatur
Tsoll noch fragt sie den Insassen ab, ob
die Solltemperatur Tsoll geändert
werden soll. 5D recognize that the probability P (X 4 = 1 | X 1 = 0, X 2 = 0, X 3 = 0) for the target temperature T soll to decrease by 3 ° C is 0.1. Since the obtained probability is smaller than the first threshold Th1 and the second threshold is Th2, the control information correcting unit changes 64 neither the target temperature T should nor ask the occupant from whether the target temperature T should be changed.
In
dem obigen Beispiel wurde das Wahrscheinlichkeitsmodell der Einfachheit
halber als eine Zweischicht-Netzwerkstruktur aufweisend beschrieben,
es kann aber aus einer Netzwerkstruktur mit drei oder mehr Schichten,
einschließlich einer Zwischenschicht aufgebaut werden.
Ferner ist die Klassifizierung der Zustandsinformationen, die den
jeweiligen Eingangsknoten gegeben werden, nicht auf das obige Beispiel
beschränkt. Die Klassifizierung der Zustandsinformationen
wird später in Verbindung mit der lernenden Einheit 66 beschrieben.In the above example, the probabilistic model has been described as having a two-layer network structure for the sake of simplicity, but may be constructed of a network structure having three or more layers including an intermediate layer. Further, the classification of the state information given to the respective input node is not limited to the above example. The classification of the state information later becomes in connection with the learning unit 66 described.
Wenn
es mehr als ein Wahrscheinlichkeitsmodell gibt, das zu der gleichen
Betätigungsgruppe gehört (die Gruppen sind entsprechend
der Art der Betätigung, zum Beispiel Temperatureinstellungskorrektur,
Luftdurchsatzpegeländerung, Innen-/Außenluftauswahl,
Luftdurchsatzverhältniseinstellung, etc. klassifiziert),
das heißt, wenn es mehr als ein Wahrscheinlichkeitsmodell
gibt, das die Wahrscheinlichkeit für das Korrigieren eines
spezifischen Einstellparameters ausgibt, berechnet die Steuerinformations-Korrektureinheit 64 die
Wahrscheinlichkeit basierend auf jedem der derartigen Wahrscheinlichkeitsmodelle.
Die spezifischen Einstellparameter umfassen hier die Luftdurchsatzpegeleinstellung,
die Innen-/Außenluftauswahl und die Luftdurchsatzverhältniseinstellung.
Die Steuerinformations-Korrektureinheit 64 führt
die vorstehende Betätigung durch Auswählen der
größten Wahrscheinlichkeit aus den erhaltenen
Wahrscheinlichkeiten aus. Betrachten wir zum Beispiel den Fall,
in dem es Wahrscheinlichkeitsmodelle M1 (zum Festlegen des Luftdurchsatzpegels
W auf das Maximum) und M2 (zum Festlegen des Luftdurchsatzpegels
auf einen mittleren Pegel) gibt, die zu der Luftdurchsatzpegeleinstellung
gehören. In diesem Fall erhält die Steuerinformations-Korrektureinheit 64 basierend
auf dem Wahrscheinlichkeitsmodell M1 die Wahrscheinlichkeit PM1 dafür, dass der Luftdurchsatzpegel
W auf das Maximum festgelegt wird, und berechnet basierend auf dem Wahrscheinlichkeitsmodell
M2 die Wahrscheinlichkeit PM2 dafür,
dass der Luftdurchsatzpegel W auf einen mittleren Pegel festgelegt
wird. Wenn PM1 > PM2, vergleicht
die Steuerinformations-Korrektureinheit 64 PM1 mit
den Schwellwerten Th1 und Th2, um zu bestimmen, ob der Luftdurchsatzpegel
W auf das Maximum festgelegt werden soll. Wenn umgekehrt PM2 > PM1, vergleicht die Steuerinformations-Korrektureinheit 64 PM2 mit den Schwellwerten Th1 und Th2, um zu
bestimmen, ob der Luftdurchsatzpegel auf einen mittleren Pegel festgelegt
werden sollte.If there is more than one probabilistic model belonging to the same actuation group (the groups are classified according to the type of operation, for example, temperature adjustment correction, air flow level change, indoor / outdoor air selection, air flow ratio adjustment, etc.), that is, if there is more than one Probability model, which outputs the probability of correcting a specific adjustment parameter, calculates the control information correcting unit 64 the probability based on each of such probabilistic models. The specific setting parameters here include the air flow rate setting, the inside / outside air selection, and the air flow ratio setting. The control information correcting unit 64 performs the above operation by selecting the largest probability from the obtained probabilities. For example, consider the case where there are probabilistic models M1 (for setting the air flow level W to the maximum) and M2 (for setting the air flow level to a middle level) that belong to the air flow level adjustment. In this case, receives the control information correcting unit 64 based on the probability model M1, the probability PM 1 that the air flow rate W is set to the maximum, and based on the probability model M2 calculates the probability PM 2 that the air flow rate W is set to a middle level. If PM 1 > PM 2 , compare the control information correcting unit 64 PM 1 with the thresholds Th1 and Th2 to determine whether the air flow rate W should be set to the maximum. Conversely, if PM 2 > PM 1 , the control information correcting unit compares 64 PM 2 with thresholds Th1 and Th2 to determine if the air flow rate should be set to a medium level.
In
dem vorstehenden Beispiel wurden die Wahrscheinlichkeitsmodelle
M1 und M2 für das leichtere Verständnis als mit
verschiedenen Einstellungsbetätigungen verknüpft
beschrieben. Die Wahrscheinlichkeitsmodelle M1 und M2 können
jedoch mit der gleichen Einstellbetätigung (zum Beispiel
beide zum Festlegen des Luftdurchsatzpegels W auf das Maximum) verknüpft
sein. Dies entspricht zum Beispiel dem Fall, in dem der Insasse
die gleiche Betätigung in zwei oder mehr verschiedenen
Situationen (zum Beispiel eine, in welcher der Zeitabschnitt Tag und
das Wetter schön ist, und eine, in welcher der Insasse
auf seinem Weg von einem Fitnesscenter nach Hause ist) durchführen
kann. Wenn den jeweiligen Situationen entsprechende Wahrscheinlichkeitsmodelle
erzeugt werden, werden die Wahrscheinlichkeitsmodelle mit der Einstellbetätigung
verknüpft, die zu der gleichen Betätigungsgruppe
gehört.In the example above, the probability models M1 and M2 have been described as being associated with various adjustment operations for ease of understanding. However, the probability models M1 and M2 may be associated with the same setting operation (for example, both for setting the air flow level W to the maximum). This corresponds, for example, to the case where the occupant performs the same operation in two or more different situations (for example, one in which the day and weather are beautiful and one in which the occupant is on his way from a fitness center) Home is) can perform. If probability models are generated for the respective situations, the probabilities associated with the setting operation belonging to the same actuation group.
Wenn
die Einstellparameter, wie etwa die Solltemperatur Tsoll und
der Luftdurchsatzpegel W korrigiert werden, so dass sie, wie vorstehend
beschrieben, zu spezifischen Situationen passen, speichert die Steuerinformations-Korrektureinheit 64 die korrigierten
Einstellparameter in den RAM der Steuerung 60, so dass
die Parameter von den verschiedenen Einheiten in der Steuerung 60 verwendet
werden können.When the setting parameters such as the target temperature T soll and the air flow level W are corrected so as to suit specific situations as described above, the control information correcting unit stores 64 the corrected setting parameters in the RAM of the controller 60 so that the parameters of the different units in the controller 60 can be used.
Die
Klimaanlagen-Steuereinheit 65 liest den Wert jedes Einstellparameters
und die von jedem Sensor erfassten Abtastinformationen aus dem RAM und
steuert die Klimatisierungseinheit 10 basierend auf den
Auslesewerten. Zu diesem Zweck umfasst die Klimatisierungssteuereinheit 65 eine
Temperatureinstellungsuntereinheit 651, eine Kompressorsteuerungsuntereinheit 652,
eine Luftauslasssteuerungsuntereinheit 653, eine Lufteinlasssteuerungsuntereinheit 654 und
eine Luftdurchsatzpegeleinstellungsuntereinheit 655. Wenn
der von der Steuerinformations-Korrektureinheit 64 korrigierte
Einstellparameter in den RAM gespeichert wird, verwendet die Klimatisierungssteuereinheit 65 den
korrigierten Parameter, indem er ihn aus dem RAM abruft.The air conditioning control unit 65 reads the value of each setting parameter and the sampling information acquired from each sensor from the RAM and controls the air conditioning unit 10 based on the readings. For this purpose, the air conditioning control unit comprises 65 a temperature setting subunit 651 , a compressor control subunit 652 , an air outlet control subunit 653 , an air intake control subunit 654 and an air flow level adjustment subunit 655 , If the from the control information correction unit 64 corrected setting parameter is stored in the RAM uses the air conditioning control unit 65 the corrected parameter by retrieving it from RAM.
Die
Temperatureinstellungsuntereinheit 651 bestimmt basierend
auf der Solltemperatur Tsoll und den Messsignalen
von den Temperatursensoren und dem Sonnensensor 53 die
Auslasstemperatur der klimatisierten Luft (Klimatisierungstemperatur
Tao), die aus den Luftauslässen
ausgelassen werden soll. Die Temperatureinstellungsuntereinheit 651 bestimmt
die Öffnung der Luftmischklappe 28, so dass die
Temperatur der klimatisierten Luft im Wesentlichen identisch mit
der Klimatisierungstemperatur Tao wird.
Dann sendet die Temperatureinstellungsuntereinheit 651 ein
Steuersignal an den Temperatursteuerungs-Servomotor 31,
der dann die Luftmischklappe 28 in die auf diese Weise
bestimmte Position bewegt. Die Öffnung der Luftmischklappe 28 wird
zum Beispiel basierend auf einer mathematischen Beziehung bestimmt,
welche einen Wert als Eingabe nimmt, der durch Korrigieren der Differenz
zwischen der Innentemperatur Tr und der
Solltemperatur Tsoll durch die Außentemperatur
Tam, die Menge der Sonnenstrahlung S, etc.
erhalten wird und welche die Öffnung der Luftmischklappe 28 als
eine Ausgabe ergibt. Hier bestimmt die Temperatureinstellungsuntereinheit 651 die Öffnung
der Luftmischklappe 28 in vorbestimmten Zeitintervallen
(zum Beispiel alle fünf Sekunden). Die mathematische Beziehung
zwischen den Messwerten und der Öffnung der Luftmischklappe
28 zum Steuern der Luftmischklappe 28 in der vorstehenden Weise
ist nachstehend gezeigt. Tao =
ksollTsoll – krTr – kamTam – ksS + C Do = aTao + b The temperature setting subunit 651 determined based on the target temperature T soll and the measurement signals from the temperature sensors and the sun sensor 53 the outlet temperature of the conditioned air (air conditioning temperature T ao ) to be discharged from the air outlets. The temperature setting subunit 651 determines the opening of the air mix door 28 such that the temperature of the conditioned air becomes substantially identical to the air conditioning temperature T ao . Then the temperature setting subunit sends 651 a control signal to the temperature control servomotor 31 , then the air mix door 28 moved to the position determined in this way. The opening of the air mix door 28 is determined, for example, based on a mathematical relationship taking as a value an input obtained by correcting the difference between the inside temperature T r and the target temperature T soll by the outside temperature T am , the amount of solar radiation S, etc., and which the opening of the air mix door 28 as an output. Here, the temperature setting subunit determines 651 the opening of the air mix door 28 at predetermined time intervals (for example, every five seconds). The mathematical relationship between the measurements and the opening of the air mix door 28 for controlling the air mix door 28 in the above manner is shown below. T ao = k should T should - k r T r - k at the T at the - k s S + C Do = aT ao + b
Hier
zeigt Do die Öffnung der Luftmischklappe 28 an.
Ferner sind die Koeffizienten ksoll, kr, kam, ks, C, a und b Konstanten und Tsoll,
Tr, Tam und S bezeichnen
jeweils die Solltemperatur, die Innentemperatur, die Außentemperatur
und die Menge der Sonnenstrahlung. Wenn die Solltemperatur Tsoll von der Steuerinformations-Korrektureinheit 64 korrigiert
wird, verwendet die Temperatureinstellungsuntereinheit die korrigierte
Solltemperatur Tsoll. Die Öffnung
Do der Luftmischklappe 28 ist 0%, wenn der durch den Heizungskern 29 gehende
Durchgang 32 geschlossen ist (das heißt, wenn
nur gekühlte Luft bereitgestellt wird), und 100%, wenn
der Umleitungsdurchgang 30 geschlossen ist (das heißt,
wenn nur geheizte Luft bereitgestellt wird). Die Koeffizienten ksoll, kr, kam, ks und C in der
Temperatursteuergleichung und die Koeffizienten a und b in der mathematischen
Beziehung zum Ermitteln der Öffnung der Luftmischklappe
werden als Temperatursteuerungsparameter für jeden registrierten
Benutzer festgelegt. Diese Parameter sind in den persönlichen
Einstellinformationen des registrierten Benutzers enthalten.Here Do shows the opening of the air mix door 28 at. Further, the coefficients k soll , k r , k am , k s , C, a and b are constants and T soll , T r , T am and S respectively denote the target temperature, the inside temperature, the outside temperature and the amount of solar radiation. When the target temperature T soll from the control information correcting unit 64 is corrected, the temperature setting subunit uses the corrected target temperature T soll . The opening Do of the air mix door 28 is 0% if passing through the heater core 29 walking passage 32 is closed (that is, when only cooled air is provided), and 100% when the bypass passage 30 is closed (that is, if only heated air is provided). The coefficients k soll , k r , k am , k s and C in the temperature control equation and the coefficients a and b in the mathematical relationship for determining the opening of the air mix door are set as temperature control parameters for each registered user. These parameters are included in the personal setting information of the registered user.
Die
Temperatureinstellungsuntereinheit 651 kann derart aufgebaut
sein, dass sie die Klimatisierungstemperatur Tao und
die Öffnung der Luftmischklappe 28 unter Verwendung
anderer bekannter Steuerungsverfahren, wie etwa eines Fuzzy-Steuerungsverfahrens
oder eines Steuerungsverfahrens, das ein neuronales Netz verwendet,
bestimmt. Die berechnete Klimatisierungstemperatur Tao wird
in die Speichereinheit 60 gespeichert, so dass von anderen Bestandteilelementen
der Steuerung 60 darauf Bezug genommen werden kann.The temperature setting subunit 651 may be configured such that it the air conditioning temperature T ao and the opening of the air mix door 28 determined using other known control methods, such as a fuzzy control method or a control method using a neural network. The calculated air conditioning temperature T ao is stored in the storage unit 60 stored so that from other constituent elements of the controller 60 can be referred to.
Die
Kompressorsteuerungsuntereinheit 652 steuert die Ein-/Aus-Betätigung
des Kompressors 11 basierend auf der Klimatisierungstemperatur
(Auslasslufttemperatur) Tao, die von der
Temperatureinstellungsuntereinheit 651 erhalten wird, ebenso
wie auf der Solltemperatur Tsoll, der Verdampferauslasstemperatur,
etc. Wenn der Entfroster betrieben wird, während der Fahrgastraum
gekühlt wird, setzt die Kompressorsteuerungsuntereinheit 652 normalerweise
durch Betreiben des Kompressors 11 den Kältekreislauf
R in Betrieb. Wenn die Verdampferauslasstemperatur jedoch auf einen
Pegel nahe der Temperatur fällt, bei der der Verdampfer 18 mit
einer Eisschicht überzogen wird, schaltet die Kompressorsteuerungsuntereinheit 652 den
Kompressor 11 aus, um zu verhindern, dass der Verdampfer 18 mit
einer Eisschicht überzogen wird. Wenn dann die Verdampferauslasstemperatur
auf einen gewissen Pegel steigt, schaltet die Kompressorsteuerungsuntereinheit 652 den
Kompressor 11 wieder ein. Die Steuerung des Kompressors 11 kann
unter Verwendung eines bekannten Verfahrens, wie etwa eines Steuerungsverfahrens
mit variabler Kapazität durchgeführt werden, und
daher werden die Einzelheiten der Steuerung hier nicht beschrieben.The compressor control subunit 652 controls the on / off operation of the compressor 11 based on the air conditioning temperature (outlet air temperature) T ao received from the temperature setting subunit 651 is obtained, as well as at the target temperature T soll , the evaporator outlet temperature, etc. When the defroster is operated while the passenger compartment is being cooled, the compressor control sub unit continues 652 usually by operating the compressor 11 the refrigeration cycle R in operation. However, when the evaporator outlet temperature falls to a level near the temperature at which the evaporator 18 is covered with a layer of ice, the compressor control sub-unit switches 652 the compressor 11 out, to prevent the evaporator 18 covered with a layer of ice. Then, when the evaporator outlet temperature rises to a certain level, the compressor control subunit shifts 652 the compressor 11 again. The control of the compressor 11 can be performed using a known method such as a variable capacity control method and therefore the details of the control will not be described here.
Die
Luftauslasssteuerungsuntereinheit 653 bestimmt das Luftdurchsatzverhältnis
der klimatisierten Luft zwischen den verschiedenen Luftauslässen basierend
auf dem Luftdurchsatzverhältniswert, der von dem Insassen
von dem Klimaanlagen-Bedienfeld 59 festgelegt wird, der
Klimatisierungstemperatur Tao, die von der
Temperatureinstellungsuntereinheit 651 bestimmt wird, der
Solltemperatur Tsoll, etc. Dann bestimmt
die Luftauslasssteuerungsuntereinheit 653 die Öffnungen
der Fußebenenklappe 37, der Gesichtsebenenklappe 38 und
der Entfrosterklappe 39, um dem auf diese Weise bestimmten
Luftdurchsatzverhältnis zu entsprechen. Die Luftauslasssteuerungsuntereinheit 653 bestimmt
die Öffnungen der jeweiligen Klappen 37 bis 39 gemäß mathematischen Relationen,
welche die Beziehungen zwischen dem Luftdurchsatzverhältnis-Sollwert,
der Klimatisierungstemperatur Tao, der Solltemperatur
Tsoll, etc. und den Öffnungen der
jeweiligen Klappen 37 bis 39 definieren. Derartige
mathematische Relationen werden vordefiniert und in ein Computerprogramm
eingearbeitet, das in der Steuerung 60 ausgeführt
werden soll. Hier kann die Luftauslasssteuerungsuntereinheit 653 die Öffnungen
der jeweiligen Klappen 37 bis 39 unter Verwendung
anderer bekannter Verfahren bestimmen. Die Luftauslasssteuerungsuntereinheit 653 steuert
den Betriebsart-Servomotor 40 derart, dass die Klappen 37 bis 39 sich
in die jeweils bestimmten Positionen bewegen. Wenn der Luftdurchsatzverhältnis-Sollwert
oder die Solltemperatur Tsoll von der Steuerinformations-Korrektureinheit 64 korrigiert wird,
bestimmt die Luftauslasssteuerungsuntereinheit 653 die Öffnungen
der jeweiligen Klappen 37 bis 39 unter Verwendung
des korrigierten Sollwerts oder der Solltemperatur Tsoll.The air outlet control subunit 653 determines the air flow ratio of the conditioned air between the various air outlets based on the air flow ratio value received from the occupant of the air conditioner control panel 59 is set, the air conditioning temperature T ao that of the temperature setting subunit 651 is determined, the setpoint temperature T set, etc. Then, the Luftauslasssteuerungsuntereinheit 653 the openings of the Fußebenenklappe 37 , the face plane flap 38 and the defroster flap 39 to correspond to the thus determined air flow rate ratio. The air outlet control subunit 653 determines the openings of the respective flaps 37 to 39 according to mathematical relations, which show the relationships between the air flow ratio set value, the air conditioning temperature T ao , the target temperature T soll , etc., and the openings of the respective flaps 37 to 39 define. Such mathematical relations are predefined and incorporated into a computer program that is in control 60 to be executed. Here, the air outlet control subunit 653 the openings of the respective flaps 37 to 39 using other known methods. The air outlet control subunit 653 controls the mode servomotor 40 such that the flaps 37 to 39 to move into the particular positions. When the air flow ratio target value or the target temperature T soll from the control information correcting unit 64 is corrected determines the air outlet control subunit 653 the openings of the respective flaps 37 to 39 using the corrected setpoint or the setpoint temperature T soll .
Die
Lufteinlasssteuerungsuntereinheit 654 bestimmt das Verhältnis
zwischen der Luft, welche die Fahrzeug-Klimaanlage 1 durch
den Innenlufteinlass 26 einsaugt, und der Luft, die sie
durch den Außenlufteinlass 27 einsaugt, basierend
auf der Lufteinlasseinstellung, die von dem Klimaanlagen-Bedienfeld 59 erfasst
wird, und auf der Solltemperatur Tsoll, der
Klimatisierungstemperatur Tao, der Innentemperatur
Tr, etc. Die Lufteinlasssteuerungsuntereinheit 654 bestimmt
die Öffnung der Innen-/Außenluft-Umschaltklappe 25 gemäß einer
mathematischen Relation, welche die Beziehung des Einlassluftverhältnisses
relativ zu der Außentemperatur Tam,
der Differenz zwischen der Innentemperatur Tr und
der Solltemperatur Tsoll, etc. definiert.
Eine derartige mathematische Relation wird vordefiniert und in ein
Computerprogramm eingearbeitet, das in der Steuerung 60 ausgeführt
werden soll. Hier kann die Lufteinslasssteuerungsuntereinheit 654 die Öffnungen
der Innen-/Außenluft-Umschaltkappe 25 unter Verwendung
anderer bekannter Verfahren bestimmen. Die Lufteinlasssteuerungsuntereinheit 654 steuert
den Innen-/Außenluft-Servomotor 24 und dreht die
Innen-/Außenluft-Umschaltklappe 25, um das erhaltene
Einlassluftverhältnis zu erzielen. Wenn der Einlasssollwert
oder die Solltemperatur Tsoll von der Steuerinformations-Korrektureinheit 64 korrigiert wird,
bestimmt die Lufteinslasssteuerungsuntereinheit 654 die Öffnung
der Innen-/Außenluft-Umschaltklappe 25 unter Verwendung
des korrigierten Einlasssollwerts oder der Solltemperatur Tsoll.The air intake control subunit 654 determines the relationship between the air, which the vehicle air conditioning 1 through the inside air inlet 26 absorbs, and the air that they through the outside air intake 27 Inlet, based on the air intake setting, from the air conditioning control panel 59 is detected, and at the target temperature T soll , the air conditioning temperature T ao , the internal temperature T r , etc. The air intake control subunit 654 determines the opening of the inside / outside air switching door 25 according to a mathematical relation defining the relationship of the intake air ratio relative to the outside temperature T am , the difference between the inside temperature T r and the target temperature T soll , etc. Such a mathematical relation is predefined and incorporated into a computer program that is in control 60 to be executed. Here, the air intake control subunit 654 the openings of the inside / outside air changeover cap 25 using other known methods. The air intake control subunit 654 controls the inside / outside air servomotor 24 and turns the inside / outside air switching door 25 to achieve the obtained intake air ratio. When the intake target value or the target temperature T soll from the control information correcting unit 64 is corrected, the air intake control subunit determines 654 the opening of the inside / outside air switching door 25 using the corrected inlet setpoint or the setpoint temperature T soll .
Die
Luftdurchsatzpegeleinstellungsuntereinheit 655 bestimmt
die Drehzahl des Lüftungsventilators 21 basierend
auf dem Luftdurchsatzpegel W, der von dem Klimaanlagen-Bedienfeld 59 erfasst
wird, und der Solltemperatur Tsoll, der
Klimatisierungstemperatur Tao, der Innentemperatur
Tr, der Außentemperatur Tam, und der Menge der Sonnenstrahlung S. Dann
sendet die Luftdurchsatzpegeleinstellungsuntereinheit 655 ein
Steuersignal an den Antriebsmotor 22, der dann den Lüftungsventilator 21 mit
der auf diese Weise bestimmten Drehzahl antreibt. Wenn zum Beispiel
die Luftdurchsatzpegeleinstellung in der manuellen Einstellbetriebsart
ist, bestimmt die Luftdurchsatzpegeleinstellungsuntereinheit 655 die Drehzahl
des Lüftungsventilators 21 derart, dass sie dem
Luftdurchsatzpegel W entspricht, der von dem Klimaanlagen-Bedienfeld 59 erfasst
wird. Wenn andererseits die Luftdurchsatzpegeleinstellung in der automatischen
Einstellbetriebsart ist, bestimmt die Luftdurchsatzpegel einstellungsuntereinheit 655 die Drehzahl
des Lüftungsventilators 21 gemäß einer Luftdurchsatzpegel-Steuergleichung,
welche die Beziehung des Luftdurchsatzpegels W relativ zu der Innentemperatur
Tr, der Klimatisierungstemperatur Tao, etc. definiert. Alternativ kann die Luftdurchsatzpegeleinstellungsuntereinheit 655 eine
Luftdurchsatzpegel-Steuergleichung verwenden, welche die Beziehung
des Luftdurchsatzpegels W relativ zu der Solltemperatur Tsoll und den Klimatisierungsinformationen
(Innentemperatur Tr, Außentemperatur
Tam, und Menge der Sonnenstrahlung S) definiert.
Auf diese Weise kann die Luftdurchsatzpegeleinstellungsuntereinheit 655 verschiedene
bekannte Luftdurchsatzpegel-Steuergleichungen verwenden. Eine derartige Luftdurchsatzpegel-Steuergleichung
wird vordefiniert und in ein Computerprogramm eingearbeitet, das
in der Steuerung 60 ausgeführt werden soll. Alternativ kann
eine Abbildung, welche die Beziehung zwischen den Klimatisierungsinformationen
und dem Luftdurchsatzpegel W definiert, im Voraus konstruiert werden,
und die Luftdurchsatzpegeleinstellungsuntereinheit 655 kann
die Drehzahl des Lüftungsventilators 21 basierend
auf einer Abbildungssteuerung bestimmen, die den Luftdurchsatzpegel
W entsprechend den gemessenen Klimatisierungsinformationen unter
Bezugnahme auf die Abbildung bestimmt. Die Luftdurchsatzpegeleinstellungsuntereinheit 655 kann
die Drehzahl des Lüftungsventilators 21 auch unter
Verwendung anderer bekannter Verfahren bestimmen. Wenn der Luftdurchsatzpegel
W oder die Solltemperatur Tsoll von der
Steuerungsinformations-Korrektureinheit 64 korrigiert werden,
bestimmt die Luftdurchsatzpegeleinstellungsuntereinheit 655 die
Drehzahl des Lüftungsventilators 21 unter Verwendung
des korrigierten Luftdurchsatzpegels W oder der Solltemperatur Tsoll.The airflow level adjustment subunit 655 determines the speed of the ventilation fan 21 based on the air flow level W generated by the air conditioning control panel 59 is detected, and the target temperature T soll , the air conditioning temperature T ao , the indoor temperature T r , the outdoor temperature T am , and the amount of solar radiation S. Then sends the air flow level adjustment subunit 655 a control signal to the drive motor 22 , then the ventilation fan 21 with the speed determined in this way. For example, when the air flow level setting is in the manual setting mode, the air flow level setting sub unit determines 655 the speed of the ventilation fan 21 such that it corresponds to the air flow level W generated by the air conditioning control panel 59 is detected. On the other hand, if the air flow level setting is in the automatic setting mode, the air flow level setting sub-unit determines 655 the speed of the ventilation fan 21 according to an air flow rate control equation which defines the relationship of the air flow rate W relative to the inside temperature T r , the air conditioning temperature T ao , etc. Alternatively, the air flow level adjustment subunit 655 use an air flow rate control equation defining the relationship of the air flow rate W relative to the target temperature T soll and the air conditioning information (inside temperature T r , outside temperature T am , and amount of solar radiation S). In this way, the air flow level adjustment subunit 655 use various known air flow level control equations. Such an air flow rate control equation is predefined and incorporated into a computer program stored in the controller 60 to be executed. Alternatively, an image defining the relationship between the air conditioning information and the air flow rate W may be constructed in advance, and the air flow level adjusting subunit 655 can the speed of the ventilation fan 21 determine based on a map control that determines the air flow rate W according to the measured air conditioning information with reference to the map. The airflow level adjustment subunit 655 can the speed of the ventilation fan 21 also using other known methods be vote. When the air flow rate W or the target temperature T soll from the control information correcting unit 64 to be corrected determines the air flow rate adjustment subunit 655 the speed of the ventilation fan 21 using the corrected air flow level W or the target temperature T soll .
Wenn
der Insasse die Fahrzeug-Klimaanlage 1 bedient, bestimmt
die lernende Einheit 66, ob ein neues Wahrscheinlichkeitsmodell
erzeugt werden muss oder ein vorhandenes Wahrscheinlichkeitsmodell
aktualisiert werden muss. Wenn bestimmt wird, dass ein Wahrscheinlichkeitsmodell
erzeugt oder aktualisiert werden muss, erzeugt oder aktualisiert
die lernende Einheit 66 das Wahrscheinlichkeitsmodell. Ferner
korrigiert die lernende Einheit 66 die Steuergleichung,
wie etwa die Temperatursteuergleichung oder die Luftdurchsatzpegel-Steuergleichung
nach Bedarf. Zu diesem Zweck umfasst die lernende Einheit 66 eine
Lerninformationen-Ansammlungsuntereinheit 661, eine Clustering-Untereinheit 662,
eine Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663, eine
Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664,
eine Steuergleichungs-Korrekturuntereinheit 665 und eine
Lerninformationen-Organisationsuntereinheit 666. Die verschiedenen
in der lernenden Einheit 66 enthaltenen Untereinheiten
werden nachstehend im Detail beschrieben.If the passenger is the vehicle air conditioning 1 operated, determines the learning unit 66 whether a new probability model needs to be generated or an existing probability model needs to be updated. When it is determined that a probabilistic model needs to be created or updated, the learning unit creates or updates 66 the probability model. Furthermore, the learning unit corrects 66 the control equation such as the temperature control equation or the air flow rate control equation as needed. For this purpose, the learning unit includes 66 a learning information accumulation subunit 661 , a clustering subunit 662 , a probabilistic model building subunit 663 , a probabilistic model evaluation subunit 664 , a control equation correction subunit 665 and a learning information organization subunit 666 , The different ones in the learning unit 66 contained subunits are described in detail below.
Die
Lerninformationen-Ansammlungsuntereinheit 661 verknüpft
die erfassten Zustandsinformationen mit der von dem Insassen durchgeführten
Einstellbetätigung und speichert sie als die gelernten
Informationen, die notwendig sind, um ein Wahrscheinlichkeitsmodell
zum Schätzen der Einstellbetätigung, die von dem
Insassen durchgeführt werden soll, aufzubauen, in die Speichereinheit 61.The learning information collection subunit 661 links the acquired state information with the setting operation performed by the occupant, and stores them as the learned information necessary to construct a probabilistic model for estimating the setting operation to be performed by the occupant in the storage unit 61 ,
Wenn
der Klimatisierungszustand in dem Fahrgastrum nicht angenehm für
den Insassen ist, ändert der Insasse im Allgemeinen die
Einstellung der Fahrzeug-Klimaanlage 1. Wenn der Insasse
folglich die Einstellung der Fahrzeug-Klimaanlage 1 häufig ändert,
kann es notwendig sein, ein Wahrscheinlichkeitsmodell zum Schätzen
der Einstellbetätigung, die von dem Insassen durchgeführt
werden soll, aufzubauen. Für den Aufbau eines passenden
Wahrscheinlichkeitsmodells wird es jedoch notwendig, eine ausreichende
Menge an Daten zu sammeln, um eine statistisch korrekte Schätzung
zu machen. Angesichts dessen speichert die Lerninformationen-Ansammlungsuntereinheit 661 jedes
Mal, wenn die Einstellung der Fahrzeug-Klimaanlage 1 geändert
wird, die erfassten Zustandsinformationen (Klimatisierungsinformationen,
wie etwa Außentemperatur Tam, Standortinformationen,
wie etwa den aktuellen Standort des Fahrzeugs, Fahrzeugverhaltensinformationen,
wie etwa die Fahrzeuggeschwindigkeit, physiologische Informationen,
wie etwa die Herzfrequenz) als gelernte Informationen DAK in
die Speichereinheit 61. Die gelernten Informationen DAK werden gespeichert, indem sie mit der
Einstellbetätigungsnummer k und der Kennung bzw. ID des
Insassen verknüpft werden. Alternativ können aus
den Zustandsinformationen, die in regelmäßigen
Zeitintervallen gesammelt werden, ungeachtet der Betätigung
zum Ändern der Einstellung der Fahrzeug-Klimaanlage 1,
die Zustandsinformationen, die zu einem Zeitmoment abgetastet werden,
der am nächsten an der Zeit der Einstellungsänderungsbetätigung oder
unmittelbar vor oder nach der Zeit der Einstellungsänderungsbetätigung
liegt, als die gelernten Informationen in die Speichereinheit 61 gespeichert werden,
indem sie mit der Einstellbetätigungsnummer k und der ID
des Insassen verknüpft werden. Ferner kann die Lerninformationen-Ansammlungsuntereinheit 661 die
Zustandsinformation, ungeachtet der Betätigung zum Ändern
der Einstellung der Fahrzeug-Klimaanlage 1, in regelmäßigen
Zeitintervallen (zum Beispiel alle fünf Sekunden) abtasten
und kann die bei jedem Abtastmoment abgetasteten Zustandsinformationen
in die Speichereinheit 61 speichern, indem sie diese entsprechend
dem Einstellzustand zu diesem Zeitpunkt mit der Einstellbetätigungsnummer k
und der ID des Insassen verknüpft. Alternativ kann die
Lerninformationen-Ansammlungsuntereinheit 661 aus den in
regelmäßigen Zeitintervallen gesammelten Zustandsinformationen
die Zustandsinformationen in regelmäßigen Zeitintervallen
abtasten (zum Beispiel jede Minute oder alle fünf Minuten)
und kann die zu jedem Abtastzeitpunkt abgetasteten Zustandsinformationen
in die Speichereinheit 61 speichern, indem sie diese entsprechend
dem Einstellungszustand zu diesem Zeitpunkt mit der Einstellbetätigungsnummer
k und der ID des Insassen verknüpft. Die auf diese Weise
in regelmäßigen Zeitintervallen gesammelten Zustandsinformationen
können auch für den Aufbau des Wahrscheinlichkeitsmodells
verwendet werden.When the air conditioning state in the passenger compartment is not comfortable for the occupant, the occupant generally changes the setting of the vehicle air conditioner 1 , If the occupant consequently the setting of the vehicle air conditioning 1 frequently changes, it may be necessary to construct a probabilistic model for estimating the setting operation to be performed by the occupant. However, to build a suitable probabilistic model, it becomes necessary to collect a sufficient amount of data to make a statistically correct estimate. In view of this, the learning information accumulation subunit stores 661 every time the adjustment of the vehicle air conditioner 1 is changed, the detected state information (air conditioning information, such as outside temperature T am , location information, such as the current location of the vehicle, vehicle behavior information, such as vehicle speed, physiological information, such as the heart rate) as learned information D AK in the storage unit 61 , The learned information D AK is stored by being linked with the setting operation number k and the occupant's ID. Alternatively, regardless of the operation for changing the setting of the vehicle air conditioner, out of the state information collected at regular time intervals 1 the status information sampled at a time instant closest to the time of the setting change operation or immediately before or after the time of the setting change operation, as the learned information in the storage unit 61 are stored by being linked to the setting operation number k and the ID of the occupant. Further, the learning information accumulation subunit 661 the status information irrespective of the operation for changing the setting of the vehicle air conditioner 1 , sample at regular time intervals (for example, every five seconds) and can read the state information sampled at each sampling instant into the memory unit 61 store them by associating them with the setting operation number k and the ID of the occupant according to the setting state at this time. Alternatively, the learning information accumulation subunit 661 from the state information collected at regular time intervals, sample the state information at regular time intervals (for example, every minute or every five minutes) and can input the state information sampled at each sampling timing into the memory unit 61 store them by associating them with the setting operation number k and the ID of the occupant according to the setting state at this time. The state information collected in this way at regular time intervals can also be used for the construction of the probabilistic model.
Ferner
wird auch die Anzahl iAK von Malen, die
ein bestimmter Insasse (zum Beispiel der Insasse A) die Einstellbetätigung
a durchgeführt hat, welche der Einstellbetätigungsnummer
k entspricht (zum Beispiel die Betätigung zum Senken der
Solltemperatur um 3°C oder Festlegen des Luftdurchsatzpegels
W auf das Maximum), in die Speichereinheit 61 gespeichert.
Die vorstehend gelernten Informationen DAK werden
zum Beispiel durch die folgende Gleichung ausgedrückt. wobei djk den
Wert jeder Zustandsinformation darstellt. Hier zeigt i die Anzahl
iAk von Malen an, für welche die
Betätigung durchgeführt wurde. Andererseits ist
j die Zustandsobjektnummer, die jedem Wert der Zustandsinformationen
der Einfachheit halber zugeordnet ist. In der vorliegenden Ausführungsform
wird die Innentemperatur Tr für
j = 1 zugeordnet. Ähnlich werden die Außentemperatur
Tam für j = 2 und die Menge der
Sonnenstrahlung S für j = 3 zugeordnet. Dann werden die
Standortinformationen, die Fahrzeugverhaltensinformationen, die
physiologischen Informationen, etc. für j = 4 und nachfolgende
Werte von j zugeordnet. Ferner stellt k die Einstellbetätigungsnummer
dar.Further, the number i AK of times that a certain occupant (for example, the occupant A) has performed the setting operation a corresponding to the setting operation number k (for example, the operation for lowering the target temperature by 3 ° C or setting the air flow level W to the maximum), into the storage unit 61 saved. The above-learned information D AK is expressed by, for example, the following equation. where d jk represents the value of each state information. Here, i indicates the number i Ak of times for which the operation was performed. On the other hand, j is the state object number assigned to each value of the state information for the sake of simplicity. In the present embodiment, the internal temperature T r is assigned to j = 1. Similarly, the outside temperature T am for j = 2 and the amount of solar radiation S for j = 3 are assigned. Then, the location information, the vehicle behavior information, the physiological information, etc. for j = 4 and subsequent values of j are assigned. Further, k represents the setting operation number.
Die
gelernten Informationen DAK und die Anzahl
iAK von Malen, welche die Betätigung
durchgeführt wurde, werden für jeden registrierten
Benutzer und für jede Einstellbetätigung in die
Speichereinheit 61 gespeichert.The learned information D AK and the number i AK of times that the operation was performed become the storage unit for each registered user and for each setting operation 61 saved.
Für
die verschiedenen Zustandsinformationen, die in den gelernten Informationen
DAK enthalten sind, führt die Clustering-Untereinheit 662 das
Clustering die diejenigen durch, die nicht im Voraus in eine Vielzahl
von Klassen klassifiziert werden können, und bestimmt die
Klasse für den Wert derartiger Zustandsinformationen, um
eine CPT für jeden Knoten des Wahrscheinlichkeitsmodells
aufzubauen.For the various state information contained in the learned information D AK , the clustering subunit performs 662 clustering passes those that can not be classified into a plurality of classes in advance, and determines the class for the value of such state information to construct a CPT for each node of the probabilistic model.
Es
gibt Fälle, in denen Informationen, deren mögliche
Werte nicht auf ein gegebenes Muster begrenzt sind oder deren Werte
kontinuierlich variieren, zum Beispiel die aktuellen Standortinformationen
der Fahrzeugs, die Temperaturinformationen, wie etwa die Außentemperatur
und die Innentemperatur, die Zeitinformationen, etc., als die Zustandsinformationen
verwendet werden, die einem Eingangsknoten des Wahrscheinlichkeitsmodells
gegeben werden sollen. Um eine CPT aufzubauen, die derartige Informationen
als Eingangsparameter nimmt, wird es ein wichtiges Thema, wie der
Eingangszustandsinformationswert klassifiziert werden soll. Betrachten
wir zum Beispiel den Fall, dass ein Wahrscheinlichkeitsmodell aufgebaut
wird, das der Einstellbetätigung zum Senken der Solltemperatur
um 3°C in einer spezifischen Situation entspricht, in der
der Insasse nach dem Praktizieren sportlicher Übungen,
wie in dem Beispiel von 3 gezeigt, in das Fahrzeug steigt, das
auf dem Parkplatz des Parks geparkt ist. Um die Standortinformationen
des Fahrzeugs als eine der verschiedenen Informationen, die den
Eingangsknoten des Wahrscheinlichkeitsmodells gegeben werden sollen,
zu verwenden, ist es in diesem Fall wichtig, die Standortinformationen
des Fahrzeugs zu klassifizieren, indem zumindest der Fall, in dem
das Fahrzug sich auf dem Parkplatz des Parks befindet, von dem Fall
unterschieden wird, in dem das Fahrzeug sich an einem anderen Ort
befindet. Ebenso betrachten wird den Fall, dass ein Wahrscheinlichkeitsmodell aufgebaut
wird, das der Einstellbetätigung zum Einstellen der Klimaanlage
auf die Innenluftumwälzbetriebsart in einer spezifischen
Situation entspricht, in der das Fahrzeug auf einer gewissen Bundesstraße fährt.
Um in diesem Fall die Standortinformationen des Fahrzeugs als eine
der verschiedenen Informationen zu verwenden, die dem Eingangsknoten
des Wahrscheinlichkeitsmodells gegeben werden sollen, ist es wichtig,
den Fall, in dem das Fahrzeug auf dieser Bundesstrasse fährt,
von dem Fall, in dem das Fahrzeug sich an einem anderen Ort als
dieser Bundesstraße befindet, zu unterscheiden. Wie in
diesen zwei Beispielen gezeigt, unterscheiden sich die Standortinformationen
des Fahrzeugs nicht nur im Hinblick auf den Standort, sondern auch
im Hinblick auf den Bereich, den sie abdecken, zwischen dem Fall,
in dem sich das Fahrzeug auf dem Parkplatz des Parks befindet, und
dem Fall, in dem das Fahrzeug auf der Bundesstraße fährt.
Es ist daher klar, dass die Standortinformationen des Fahrzeugs
nicht im Voraus entsprechend derartigen spezifischen Situationen
klassifiziert werden können.There are cases where information whose possible values are not limited to a given pattern or whose values continuously vary, for example, the current location information of the vehicle, the temperature information such as the outside temperature and the inside temperature, the time information, etc., as the state information to be given to an input node of the probabilistic model is used. In order to construct a CPT that takes such information as input parameter, it becomes an important topic how to classify the input state information value. For example, consider the case where a probabilistic model corresponding to the setting operation for lowering the target temperature by 3 ° C. in a specific situation in which the occupant exercises after practicing sports exercises, as in the example of FIG 3 shown in the vehicle parked in the parking lot of the park. In this case, in order to use the location information of the vehicle as one of the various information to be given to the input node of the probabilistic model, it is important to classify the location information of the vehicle by at least the case where the vehicle is in the parking lot of the park is distinguished from the case in which the vehicle is in a different location. Also, consider the case where a probabilistic model corresponding to the setting operation for setting the air conditioner to the inside air circulation mode in a specific situation where the vehicle is traveling on a certain main road is constructed. In this case, in order to use the location information of the vehicle as one of the various information to be given to the input node of the probabilistic model, it is important to consider the case where the vehicle is traveling on that highway from the case where the vehicle is traveling in a place other than this highway is to be distinguished. As shown in these two examples, the location information of the vehicle differs not only in the location but also in the area they cover, between the case where the vehicle is in the parking lot of the park, and the case in which the vehicle drives on the main road. It is therefore clear that the location information of the vehicle can not be classified in advance according to such specific situations.
Angesichts
des Vorstehenden führt die Clustering-Untereinheit 662 das
Clustering für die Zustandsinformationen durch, deren Wert
nicht im Voraus klassifiziert werden kann, wie etwa die aktuellen Standortinformationen
des Fahrzeugs, die Temperaturinformationen, wie etwa die Außentemperatur
und die Innentemperatur, die Zeitinformationen etc. Die Clustering-Untereinheit 662 führt
das Clustering für derartige Zustandsinformationen in zwei
Stufen durch, zuerst, indem sie die Informationen in Cluster mit
einem schmalen Bereich klassifiziert und dann, indem sie sie in
Cluster mit einem breiten Bereich klassifiziert. Durch dieses Clustering
bestimmt die Clustering-Untereinheit 662 die Klasse jedes
Werts der Zustandsinformationen, um in der Lage zu sein, nicht nur
den Fall zu behandeln, in dem die Werte der Zustandsinformationen,
die einer spezifischen Situation entsprechen, über einen
schmalen Bereich verteilt sind, sondern auch den Fall, in dem die
Werte über einen breiten Bereich verteilt sind. Die Clustering-Untereinheit 662 führt
kein Clustering für die Zustandsinformationen der Art durch,
die nur diskrete Werte mit einer begrenzten Anzahl von Klassen annehmen,
wie etwa die Scheibenwischer-, Blinker- oder Autoaudioanlagen-Ein/Aus-Zustandsinformationen.In light of the above, the clustering subunit performs 662 clustering the state information whose value can not be classified in advance, such as the current location information of the vehicle, the temperature information such as the outside temperature and the inside temperature, the time information, etc. The clustering subunit 662 Clustering performs such state information in two stages, first by classifying the information into clusters with a narrow range and then classifying them into clusters with a wide range. This clustering determines the clustering subunit 662 the class of each value of the state information so as to be able to handle not only the case where the values of the state information corresponding to a specific situation are spread over a narrow range but also the case where the values are distributed over a wide range. The clustering subunit 662 does not cluster the state information of the type that only accept discrete values with a limited number of classes, such as the wiper, turn signal, or car audio on / off state information.
6 ist
ein Betriebsflussdiagramm, das ein Clustering-Verfahren zeigt. 6 is an operational flowchart showing a clustering method.
Zuerst
extrahiert die Clustering-Untereinheit 662 aus den gelernten
Informationen DAK die Werte (d1jk,
d2jk, ..., dijk),
die für die vorgesehenen Zustandsinformationen gespeichert
sind, als die Daten, für die das Clustering durchgeführt
werden soll. Dann berechnet die Clustering-Untereinheit 662 den
euklidischen Abstand UDij zwischen jedem
Datenpaar (Schritt S201). Wenn die Zustandsinformationen zum Beispiel
Standortinformationen sind, stellt der euklidische Abstand UDij den physikalischen Abstand zwischen dem
Datenpaar dar. Wenn die Zustandsinformationen andererseits Zeitinformationen
sind, entspricht der euklidische Abstand UDij der
Zeitdifferenz zwischen dem Datenpaar. Wenn die Zustandsinformationen
Temperaturinformationen sind, entspricht der euklidische Abstand
UDij ebenso der Temperaturdifferenz zwischen
jedem Datenpaar. Als nächstes prüft die Clustering-Untereinheit 662,
ob der Minimalwert UDijmin des euklidischen
Abstands kleiner oder gleich einem ersten Abstand Td1 ist
oder nicht (Schritt S202). Wenn der Minimalwert UDijmin des
euklidischen Abstands in dem Schritt S202 kleiner oder gleich dem
ersten Abstand Td1 ist, ordnet die Clustering-Untereinheit 662 das
Datenpaar, das den Minimalwert ergab, in den gleichen Cluster (Schritt
S203). Wenn hier die Zustandsinformationen die Standortinformationen
sind, kann der erste Abstand Td1 zum Beispiel
auf 300 m festgelegt werden. Wenn die Zustandsinformationen Zeitinformationen
sind, kann der erste Abstand Td1 zum Beispiel
auf fünf Minuten festgelegt werden. Danach kehrt die Steuerung
zu dem Schritt S201 zurück. Die Clustering-Untereinheit 662 führt
den Schritt S201 noch einmal aus. In diesem Fall berechnet die Clustering-Untereinheit
den euklidischen Abstand zwischen einem Cluster und einem anderen
Cluster basierend auf einem Verfahren des nächsten Nachbarn.
Das heißt, der euklidische Abstand D(C1, C2) zwischen den
zwei Clustern C1 und C2 wird durch die folgende Gleichung ausgedrückt. wobei x und y in den jeweiligen
Clustern C1 und C2 enthaltene
Daten sind und UDxy den euklidischen Abstand
zwischen x und y darstellt. Hier kann jedes Datum selbst als ein
Cluster betrachtet werden, dessen Anzahl enthaltender Daten 1 ist.First, extract the clustering subunit 662 from the learned information D AK, the values (d 1jk , d 2jk , ..., d ijk ) stored for the provided state information as the data for which the clustering is to be performed. Then calculate the clustering subunit 662 the Euclidean distance UD ij between each data pair (Step S201). For example, if the state information is location information, the Euclidean distance UD ij represents the physical distance between the data pair. On the other hand, if the state information is time information, the Euclidean distance UD ij corresponds to the time difference between the data pair. If the state information is temperature information, the Euclidean distance UD ij also corresponds to the temperature difference between each data pair. Next, the clustering subunit checks 662 Whether or not the minimum value UD ijmin of the Euclidean distance is less than or equal to a first distance Td 1 (step S202). When the minimum value UD ijmin of the Euclidean distance is less than or equal to the first distance Td 1 in the step S202, the clustering subunit orders 662 the data pair which gave the minimum value into the same cluster (step S203). Here, if the state information is the location information, the first distance Td 1 may be set to 300 m, for example. For example, when the state information is time information, the first distance Td 1 may be set to five minutes. Thereafter, the control returns to the step S201. The clustering subunit 662 Performs step S201 again. In this case, the clustering subunit calculates the Euclidean distance between one cluster and another cluster based on a nearest neighbor's method. That is, the Euclidean distance D (C1, C2) between the two clusters C1 and C2 is expressed by the following equation. where x and y are data contained in the respective clusters C 1 and C 2 and UD xy represents the Euclidean distance between x and y. Here, each data itself may be regarded as a cluster whose number of containing data is 1.
Wenn
andererseits der Minimalwert UDijmin des
euklidischen Abstands in dem Schritt S202 größer
als der erste Abstand Td1 ist, wählt
die Clustering-Untereinheit 662 die zwei größten
Cluster im Hinblick auf die Anzahl der in dem Cluster enthaltenen
Daten aus und bezeichnet die ausgewählten Cluster jeweils
C1 und C2 (Schritt
S204).On the other hand, when the minimum value UD ijmin of the Euclidean distance is larger than the first distance Td 1 in the step S202, the clustering subunit selects 662 the two largest clusters in terms of the number of data contained in the cluster, and designates the selected clusters respectively C 1 and C 2 (step S204).
Als
nächstes berechnet die Clustering-Untereinheit 662 für
die Daten, die nicht in den Clustern C1 und
C2 enthalten sind, den euklidischen Abstand
UDij zwischen jedem Datenpaar (Schritt S205).
Dann prüft die Clustering-Untereinheit 662, ob
der Minimalwert UDijmin des euklidischen
Abstands kleiner oder gleich einem zweiten Abstand Td2 ist
oder nicht (Schritt S206). Hier ist der zweite Abstand Td2 größer als der erste
Abstand Td1; wenn die Zustandsinformationen
zum Beispiel Standortinformationen sind, kann der zweite Abstand
Td2 auf 3 km festgelegt werden. Wenn die
Zustandsinformationen Zeitinformationen sind, kann der zweite Abstand
Td2 zum Beispiel auf 60 Minuten festgelegt
werden. Wenn der Minimalwert UDijmin des
euklidischen Abstands in dem Schritt S206 kleiner oder gleich einem
zweiten Abstand Td2 ist, ordnet die Clustering-Untereinheit 662 das
Datenpaar, das den Minimalwert ergab, in den gleichen Cluster (Schritt
S207). Danach kehrt die Steuerung zu Schritt S205 zurück.
Die Clustering-Untereinheit 662 führt den Schritt
S205 noch einmal aus. In diesem Fall berechnet die Clustering-Untereinheit 662 ebenfalls
den euklidischen Abstand zwischen einem Cluster und einem anderen
Cluster basierend auf einem Verfahren des nächsten Nachbarn.Next, calculate the clustering subunit 662 for the data not included in the clusters C 1 and C 2 , the Euclidean distance UD ij between each data pair (step S205). Then the clustering subunit checks 662 Whether or not the minimum value UD ijmin of the Euclidean distance is equal to or smaller than a second distance Td 2 (step S206). Here, the second distance Td 2 is greater than the first distance Td 1 ; For example, if the state information is location information, the second distance Td 2 may be set to 3 km. For example, if the state information is time information, the second distance Td 2 may be set to 60 minutes. When the minimum value UD ijmin of the Euclidean distance is less than or equal to a second distance Td 2 in the step S206, the clustering subunit orders 662 the data pair which gave the minimum value into the same cluster (step S207). Thereafter, the control returns to step S205. The clustering subunit 662 Performs step S205 again. In this case, the clustering subunit calculates 662 also the Euclidean distance between one cluster and another cluster based on a nearest neighbor's method.
Wenn
der Minimalwert UDijmin des euklidischen
Abstands andererseits in dem Schritt S206 größer
als der zweite Abstand Td2 ist, wählt
die Clustering-Untereinheit 662 die zwei größten
Cluster im Hinblick auf die Anzahl von in dem Cluster enthaltenen
Daten und bezeichnet die ausgewählten Cluster jeweils mit
C3 und C4 (Schritt
S208).On the other hand, when the minimum value UD ijmin of the Euclidean distance is larger than the second distance Td 2 in the step S206, the clustering subunit selects 662 the two largest clusters in terms of the number of data contained in the cluster, and designates the selected clusters with C 3 and C 4, respectively (step S208).
Die
Clustering-Untereinheit 662 berechnet die Schwerpunkte
G1 bis G4 der jeweiligen
Cluster C1 bis C4.
Ferner erhält die Clustering-Untereinheit 662 die
Abstände r1 bis r4 zu
den Daten, die am weitesten von den jeweiligen Schwerpunkten G1 bis G4 in den jeweiligen
Clustern entfernt sind. Dann bestimmt die Clustering-Untereinheit 662 die
Bereiche der Zustandsinformationswerte, die den jeweiligen Clustern C1 bis C4 entsprechen,
als Bereiche der Radien r1 bis r4, die auf die jeweiligen Schwerpunkte G1 bis G4 zentriert
sind (Schritt S209). Die Clustering-Untereinheit 662 speichert
die auf diese Weise erhaltenen Schwerpunkte G1 bis
G4 und Abstände r1 bis
r4 ebenso wie die Anzahl von in den jeweiligen
Clustern enthaltenen Daten in die Speichereinheit 61, indem
sie diese mit den jeweiligen Clustern C1 bis
C4 verknüpft.The clustering subunit 662 calculates the centroids G 1 to G 4 of the respective clusters C 1 to C 4 . Further, the clustering subunit receives 662 the distances r 1 to r 4 to the data farthest away from the respective centroids G 1 to G 4 in the respective clusters. Then the clustering subunit determines 662 the portions of the state information values that correspond to the respective clusters C 1 to C 4, as ranges of the radii r 1 to r 4, which are centered on the respective centers of gravity G 1 to G 4 (step S209). The clustering subunit 662 stores the thus obtained centroids G 1 to G 4 and distances r 1 to r 4 as well as the number of data contained in the respective clusters into the storage unit 61 by linking them with the respective clusters C 1 to C 4 .
Schließlich
gruppiert die Clustering-Untereinheit 662 die Daten, die
in keinem der Cluster C1 bis C4 enthalten
sind, in ein Cluster C5 (Schritt S210).Finally, the clustering subunit groups 662 the data not included in any of the clusters C 1 to C 4 into a cluster C 5 (step S210).
Dann
wird der Bereich des Clusters C5 als ein
Bereich festgelegt, der in keinem der Cluster C1 bis
C4 enthalten ist.Then, the area of the cluster C 5 is set as a range not included in any of the clusters C 1 to C 4 .
Wie
vorstehend beschrieben, führt die Clustering-Untereinheit 662 ein
hierarchisches Clustering durch Klassifizieren der Daten in Cluster
mit schmalem Bereich, in denen der Abstand zwischen Daten relativ
klein ist, und Cluster mit breitem Bereich, in denen der Abstand
zwischen Daten relativ groß ist, durch. Als ein Ergebnis
kann die Clustering-Untereinheit 662 die Bereiche der Werte
der Zustandsinformationen, die dem Eingangsknoten des Wahrscheinlichkeitsmodells
gegeben werden sollen, geeignet klassifizieren.As described above, the clustering subunit performs 662 hierarchical clustering by classifying the data into narrow-range clusters where the distance between data is relatively small and wide-range clusters in which the distance between data is relatively large. As a result, the clustering subunit 662 classify the ranges of values of the state information to be given to the input node of the probabilistic model appropriately.
In
Bezug auf mehrere Standardmodelle mit vorbestimmten Graphenstrukturen
baut die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 provisorische
Wahrscheinlichkeitsmodelle auf, indem sie CPTs für die
in den jeweiligen Standardmodellen enthaltenen Knoten basierend
auf den gelernten Informationen und den von der Clustering-Untereinheit 662 bestimmten
Klassen der Zustandsinformationen aufbaut.With respect to several standard models with predetermined graph structures, the probabilistic model building subunit builds 663 provisional probabilistic models by providing CPTs for the nodes included in the respective standard models based on the learned information and the clustering subunit 662 builds certain classes of state information.
Um
ein vielseitiges Wahrscheinlichkeitsmodell aufzubauen, das verschiedene
Situationen behandeln kann, müsste ein sehr großes
Wahrscheinlichkeitsmodell, das eine große Anzahl von Knoten enthält,
aufgebaut werden. Das Lernen eines derartig großen Wahrscheinlichkeitsmodells
würde jedoch eine sehr lange Rechenzeit erfordern. Es würde
auch gewaltige Hardwareressourcen erfordern. Angesichts dessen baut
die vorliegende Ausführungsform Wahrscheinlichkeitsmodelle
zum Berechnen der empfohlenen Wahrscheinlichkeit für eine
Einstellbetätigung für eine spezifische Situation
auf, und 15 Arten von Standardmodellen werden im Voraus erzeugt,
um die Basis für derartige Wahrscheinlichkeitsmodelle zu
bilden. Jedes Standardmodell hat eine Zweischicht-Graphenstruktur,
in der Daten, für die es wahrscheinlich ist, dass sie eine
besonders enge Beziehung zu der Einstellbetätigung haben, aus
den Zustandsinformationen als Eingangsparameter ausgewählt
werden, und die Wahrscheinlichkeit dafür, dass die Einstellbetätigung
durchgeführt wird, wird basierend auf den bedingten Wahrscheinlichkeiten
für die Kombination dieser Eingangsparameter erhalten.
Die Anzahl von Standardmodellen ist nicht auf 15 beschränkt.
Die Anzahl von Standardmodellen kann entsprechend der Anzahl von
erhaltenen Zustandsinformationen oder der Art der Einstellbetätigung,
die gelernt werden soll, geeignet optimiert werden. Jedes Standardmodell
kann derart aufgebaut werden, dass es nur einen Eingangsparameter nimmt
oder alle erhältlichen Zustandsinformationen als Eingangsparameter
nimmt. Ferner ist das Standardmodell nicht auf die Zweischicht-Graphenstruktur
beschränkt, sondern kann derart aufgebaut werden, dass
es abhängig von der Fähigkeit der CPU, welche
die Steuerung 60 bildet, eine Graphenstruktur aus drei
oder mehr Schichten hat.In order to build a versatile probabilistic model that can handle different situations, a very large probabilistic model containing a large number of nodes would need to be built. However, learning such a large probability model would require a very long computation time. It would also require massive hardware resources. In view of this, the present embodiment constructs probabilistic models for calculating the recommended probability for a setting operation for a specific situation, and 15 kinds of standard models are generated in advance to form the basis for such probabilistic models. Each standard model has a two-layer graph structure in which data that is likely to have a particularly close relationship with the setting operation is selected from the state information as input parameters, and the probability that the setting operation is performed is based obtained on the conditional probabilities for the combination of these input parameters. The number of standard models is not limited to 15. The number of standard models may be appropriately optimized according to the number of obtained state information or the type of setting operation to be learned. Each standard model can be constructed to take only one input parameter or to take all available state information as input parameters. Further, the standard model is not limited to the two-layer graph structure, but may be constructed to be dependent on the capability of the CPU that controls 60 has a graphene structure of three or more layers.
Die
auf diese Weise erzeugten Standardmodelle werden in die Speichereinheit 61 gespeichert. Dann
baut die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 für
jedes Standardmodell ein provisorisches Wahrscheinlichkeitsmodell,
indem sie die bedingte Wahrscheinlichkeitstabelle (CPT) für
jeden in dem Standardmodell enthaltenen Knoten bestimmt. Mit anderen
Worten wird bei dem provisorischen Wahrscheinlichkeitsmodell die
Wahrscheinlichkeit, dass die zu dem provisorischen Wahrscheinlichkeitsmodell
gehörende Einstellbetätigung durchgeführt wird,
basierend auf der Klasse des Werts der Zustandsinformationen bestimmt,
die als Eingangsparameter verwendet werden.The standard models generated in this way are stored in the storage unit 61 saved. Then build the probabilistic modeling subunit 663 for each standard model, a provisional probabilistic model by determining the conditional probability table (CPT) for each node contained in the standard model. In other words, in the provisional probabilistic model, the probability that the adjustment operation associated with the provisional probabilistic model is performed is determined based on the class of the value of the state information used as the input parameter.
Eine
detaillierte Beschreibung wird nachstehend unter Bezug auf die Zeichnungen
gegeben.A
Detailed description will be made below with reference to the drawings
given.
7A bis 7D zeigen
beispielhaft vier der 15 Standardmodelle. Die in 7A bis 7D gezeigten
Standardmodelle 501 bis 504 sind jeweils ein Bayessches
Netz mit Zweischichtstruktur, das Eingangsknoten und einen Ausgangsknoten
umfasst. Die in die Eingangsknoten gegebenen Parameter sind zwischen
den jeweiligen Standardmodellen 501 bis 504 verschieden. 7A to 7D show exemplarily four of the 15 standard models. In the 7A to 7D shown standard models 501 to 504 are each a Bayesian network with two-layer structure comprising input node and an output node. The parameters given in the input nodes are between the respective standard models 501 to 504 different.
Aus
den aus der Speichereinheit 61 abgerufenen gelernten Informationen
DAK zählt die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 eine Anzahl
n für jede Klasse des Werts der Zustandsinformationen für
jeden Knoten. Dann dividiert die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 diese
Anzahl n durch die Gesamtanzahl von Ereignissen N, um den Wert der
vorhergehenden Wahrscheinlichkeit ebenso wie der bedingten Wahrscheinlichkeit
zu bestimmen. Wenn die Klasse des Werts der Zustandsinformation,
die als der Eingangsparameter verwendet wird, bereits von der Clustering-Untereinheit 662 erhalten
wird, ruft die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 diese
Klasse, d. h. den Schwerpunkt und den Radius jedes Clusters, aus
der Speichereinheit 61 ab und klassifiziert die Zustandsinformationen
entsprechend dieser Klasse. In dem Fall, dass die Zustandsinformationen
andererseits noch nicht geclustert sind, klassifiziert die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 die
Zustandsinformation entsprechend einer vorbestimmten Klasse. Eine
Beschreibung wird gegeben, indem das Standardmodell 502 von 7B als
ein Beispiel genommen wird. Es wird hier angenommen, dass die gelernten
Informationen DAK 30 Datensätze
enthalten. Aus den aktuellen Standortinformationen des Fahrzeugs,
die in den gelernten Informationen DAK enthalten
und einem der Eingangsknoten zugeordnet sind, wird die CPT für
die aktuellen Standortinformationen erzeugt. Es wird angenommen,
dass die aktuellen Standortinformationen von der Clustering-Untereinheit 662 in
fünf Klassen klassifiziert wurden, d. h. die Bundesstraße
(nahe der Firma), die Bundesstraße (nahe Zuhause), den
Parkplatz der Firma, den Parkplatz des Fitnessclubs und andere.
Wenn die Anzahl der Male, die der aktuelle Standort die Bundesstraße
(nahe der Firma) (y11 = 0) ist, 8 ist, die
Anzahl der Male, die der aktuelle Standort die Bundesstraße
(nahe Zuhause) (y11 = 1) ist, 6 ist, die
Anzahl der Male, die der aktuelle Standort der Firmenparkplatz (y11 = 2) ist, 6 ist, die Anzahl der Male,
die der aktuelle Standort die der Parkplatz des Fitnessclubs (y11 = 3) ist, 5 ist und die Anzahl der Male,
die der aktuelle Standort ein anderer Ort (y11 =
4) ist, 5 ist, dann ist die vorhergehende Wahrscheinlichkeit P(y11) für die aktuelle Standortinformation jeweils
gegeben als P(y11 = 0) = 0,27, P(y11 = 1) = 0,2, P(y11 =
2) = 0,2, P(y11 = 3) = 0,17 und P(y11 = 4) = 0,17. Ebenso wird für
den Ausgangsknoten die Anzahl der Ereignisse in den gelernten Informationen
DAK für jede Kombination der Werte,
die die an die jeweiligen Eingangsknoten oder Elternknoten gegebenen
Zustandsinformationen annehmen können, d. h. die aktuelle
Position (y11), der Wochentag (y12) und der Zeitabschnitt (y13) gezählt,
und die bedingte Wahrscheinlichkeit wird durch Dividieren dieser
Anzahl durch die Gesamtanzahl der Daten, d. h. durch 30, erhalten.
Auf diese Weise bestimmt die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 durch
Erhalten der vorhergehenden Wahrscheinlichkeit und der bedingten
Wahrscheinlichkeit die CPT für jeden Knoten.Out of the storage unit 61 retrieved learned information D AK counts the probabilistic model building subunit 663 a number n for each class of the value of the state information for each node. Then divide the probabilistic model building subunit 663 this number n by the total number of events N to determine the value of the previous probability as well as the conditional probability. If the class of state information value used as the input parameter is already from the clustering subunit 662 is obtained, calls the probabilistic model building subunit 663 this class, that is, the centroid and radius of each cluster, from the storage unit 61 and classifies the state information according to this class. On the other hand, in the case that the state information is not yet clustered, the probabilistic model building subunit classifies 663 the state information corresponding to a predetermined class. A description is given by the standard model 502 from 7B as an example. It is assumed here that the learned information D AK 30 Contain records. From the current location information of the vehicle contained in the learned information D AK and associated with one of the input nodes, the CPT is generated for the current location information. It is assumed that the current location information from the clustering subunit 662 classified into five classes, ie the main road (near the company), the main road (near home), the company car park, the fitness club parking lot and others. If the number of times the current location is the federal highway (near the company) (y 11 = 0) is 8, the number of times the current location is the federal highway (near home) (y 11 = 1) 6, the number of times the current location is the company parking lot (y 11 = 2) is 6, the number of times the current location is the fitness club's parking lot (y 11 = 3) is 5 and the number of times the current location is a different location (y 11 = 4) is 5, then the previous probability is P (y 11 ) for the current location information is given as P (y 11 = 0) = 0.27, P (y 11 = 1) = 0.2, P (y 11 = 2) = 0.2, P (y 11 = 3) = 0.17 and P (y 11 = 4) = 0.17. Similarly, for the output node, the number of events in the learned information D AK for each combination of the values that the state information given to the respective input nodes or parent nodes may assume, ie the current position (y 11 ), the day of the week (y 12 ), and the time period (y 13 ) is counted, and the conditional probability is obtained by dividing this number by the total number of data, ie, 30. In this way, the probabilistic model building subunit determines 663 by obtaining the previous probability and conditional probability, the CPT for each node.
Wenn überlegt
wird, dass die Anzahl der zum Lernen verwendeten Daten nicht ausreichend
ist, kann die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 die
Wahrscheinlichkeitsverteilung unter Verwendung einer Betaverteilung
schätzen und sie verwenden, um die CPT aufzubauen. Wenn
einige der Eingangsinformationswerte in den gelernten Informationen
DAK nicht vorhanden sind, d. h. wenn es
keine nicht beobachteten Daten gibt, schätzt die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 die Wahrscheinlichkeitsverteilung
der nicht beobachteten Daten. Dann berechnet die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 die
entsprechende bedingte Wahrscheinlichkeit durch Berechnen des Erwartungswerts
basierend auf der geschätzten Verteilung. Für
das Lernen derartiger bedingter Wahrscheinlichkeiten kann zum Beispiel
das Verfahren genutzt werden, das in „Introduction
to Bayesian Networks" von Kazuo Shigemasu et al., 1. Auflage, Baifukan,
Juli 2006, S. 35-38, 85-87 beschrieben ist.When considering that the number of data used for learning is insufficient, the probabilistic model building subunit may 663 estimate the probability distribution using a beta distribution and use it to build the CPT. If some of the input information values are not present in the learned information D AK , that is, if there is no unobserved data, the probabilistic model building subunit estimates 663 the probability distribution of the unobserved data. Then calculates the probabilistic model building subunit 663 the corresponding conditional probability by calculating the expected value based on the estimated distribution. For the learning of such conditional probabilities, for example, the method used in "Introduction to Bayesian Networks" by Kazuo Shigemasu et al., 1st Edition, Baifukan, July 2006, pp. 35-38, 85-87 is described.
In
einer ähnlichen Weise erzeugt die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 für
den Ausgangsknoten eine CPT, die die Verteilung der bedingten Wahrscheinlichkeiten
basierend auf den Informationen zeigt, die den jeweiligen Eingangsknoten
gegeben werden. Im Anfangszustand wird die CPT derart festgelegt,
dass die Werte für alle Zustände gleich sind.In a similar manner, the probabilistic model building subunit generates 663 for the parent node, a CPT showing the distribution of the conditional probabilities based on the information given to the respective input node. In the initial state, the CPT is set such that the values are the same for all states.
Die
Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 wählt
das provisorische Wahrscheinlichkeitsmodell mit der am besten passenden Graphenstruktur
aus, indem sie ein Informationskriterium auf alle provisorischen
Wahrscheinlichkeitsmodelle anwendet, die von der Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 aufgebaut
wurden.The probabilistic model evaluation subunit 664 selects the provisional probabilistic model with the best fitting graph structure by applying an information criterion to all provisional probabilistic models computed by the probabilistic model building subunit 663 were built.
In
der vorliegenden Ausführungsform wird das AIC (Informationskriterium
von Akaike) als das Informationskriterium verwendet. Das AIC kann
unter Verwendung der folgenden Gleichung erhalten werden, die als
Eingänge die maximale logarithmische Wahrscheinlichkeit
des Wahrscheinlichkeitsmodells und die Anzahl von Parametern nimmt. AICm = –2lm (θm|X)
+ 2km In the present embodiment, the AIC (Akaike information criterion) is used as the information criterion. The AIC can be obtained using the following equation taking as inputs the maximum logarithmic probability of the probabilistic model and the number of parameters. AIC m = -2l m (θ m | X) + 2k m
AICm ist das AIC für das Wahrscheinlichkeitsmodell
M. Ferner stellt θm einen Parametersatz
des Wahrscheinlichkeitsmodells M dar, lm(θm|X) den Wert der maximalen logarithmischen
Wahrscheinlichkeit für gegebene Daten X in dem Wahrscheinlichkeitsmodell
M und km die Anzahl von Parametern des Wahrscheinlichkeitsmodells
M. Hier kann lm(θm|X) durch
das folgende Verfahren berechnet werden. Zuerst erhält
die lernende Einheit 66 für jede Kombination von
Elternknotenvariablen an jedem Knoten die Häufigkeit des
Auftretens aus den gelernten Informationen DAK.
Dann multipliziert die lernende Einheit 66 die Auftrittshäufigkeit
mit dem logarithmischen Wert der bedingten Wahrscheinlichkeit. Schließlich
summiert die lernende Einheit 66 die Ergebniswerte, um lm(θm|X)
zu berechnen. Andererseits wird km erhalten, indem die Anzahl von
Kombinationen der Elternknotenvariablen an jedem Knoten zusammenaddiert wird.AIC m is the AIC for the probability model M. Further, θ m represents a parameter set of the probability model M, l m (θ m | X) the value of the maximum logarithmic probability for given data X in the probability model M and km the number of parameters of the Probability model M. Here, l m (θ m | X) can be calculated by the following method. First, the learning unit receives 66 for each combination of parent node variables at each node, the frequency of occurrence from the learned information D AK . Then the learning unit multiplies 66 the frequency of occurrence with the logarithmic value of the conditional probability. Finally, the learning unit sums up 66 the result values to calculate l m (θ m | X). On the other hand, km is obtained by adding together the number of combinations of parent node variables at each node.
Wenn
das AIC für alle Wahrscheinlichkeitsmodelle erhalten wird,
wählt die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 das
provisorische Wahrscheinlichkeitsmodell aus, das den kleinsten AIC-Wert
ergab.When the AIC is obtained for all probabilistic models, the probabilistic model evaluation subunit selects 664 the provisional probabilistic model that gave the lowest AIC value.
Für
die Auswahl des Wahrscheinlichkeitsmodells (mit anderen Worten das
Lernen der Graphenstruktur), können andere Informationskriterien,
wie etwa das Bayessche Informationskriterium (BIC), das Informationskriterium
von Takeuchi (TIC) oder die minimale Beschreibungslänge
(MDL) verwendet werden.For
the selection of the probabilistic model (in other words the
Learning the graph structure), other information criteria,
such as the Bayesian Information Criterion (BIC), the information criterion
from Takeuchi (TIC) or the minimum description length
(MDL) can be used.
Ferner
kann jedes dieser Informationskriterien verwendet werden, wobei
das Vorzeichen der Informationskriterium-Berechnungsgleichung invertiert
wird. In diesem Fall wählt die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 das
provisorische Wahrscheinlichkeitsmodell aus, das den größten
AIC-Wert ergab.Further, each of these information criteria may be used, with the sign of the information criterion computing equation being inverted. In this case, the probabilistic model evaluation sub-unit selects 664 the provisional probabilistic model that gave the largest AIC value.
Die
Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 bestimmt,
ob die an die Eingangsknoten des ausgewählten provisorischen Wahrscheinlichkeitsmodells
gegebenen Zustandsinformationen nur die Eingangsparameter in die
Steuergleichung, wie etwa die Temperatursteuergleichung, d. h. die
Klimatisierungsinformationen (Innentemperatur Tr,
Außentemperatur Tam und Menge der Sonnenstrahlung
S) enthalten. Wenn die an die Eingangsknoten gegebenen Zustandsinformationen
nur die Klimatisierungsinformationen enthalten, fügt die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 das
Wahrscheinlichkeitsmodell nicht hinzu, da vermutet wird, dass die
Temperatursteuerung nicht für die Temperaturempfindlichkeit
des Insassen optimiert ist. Die Steuergleichungs-Korrekturuntereinheit 665 korrigiert
dann, wie später beschrieben, die Temperatursteuergleichung
oder die Klimatisierungssteuergleichung.The probabilistic model evaluation subunit 664 determines whether the state information given to the input nodes of the selected provisional probabilistic model includes only the input parameters to the control equation, such as the temperature control equation, ie, the air conditioning information (inside temperature T r , outside temperature T am and amount of solar radiation S). If the state information given to the input nodes includes only the air conditioning information, the probabilistic model evaluating subunit adds 664 not add the probabilistic model, because it is suspected that the temperature control is not optimized for the temperature sensitivity of the occupant. The control equation correction subunit 665 then corrects, as described later, the temperature control equation or the air conditioning control equation.
Wenn
andererseits die Zustandsinformationen, die an die Eingangsknoten
des ausgewählten provisorischen Wahrscheinlichkeitsmodells
gegeben werden, andere Informationen als die Klimatisierungsinformationen
enthalten, kann überlegt werden, dass das Wahrscheinlichkeitsmodell
zum Vornehmen der Klimatisierungseinstellung, das zu der spezifischen
Situation passt, aufgebaut wurde. Daher speichert die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 das
ausgewählte provisorische Wahrscheinlichkeitsmodell in
die Speichereinheit 61 und fügt das Modell als
das Wahrscheinlichkeitsmodell hinzu, das von der Steuerinformations-Korrektureinheit 64 verwendet
werden soll. In diesem Fall wird weder die Temperatursteuergleichung
noch die Klimatisierungssteuergleichung korrigiert. Dann erfasst
die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 die
ID des Insassen und die Einstellbetätigungsnummer k, die
zu den gelernten Informationen DAK gehört,
und speichert sie in die Speichereinheit 61, indem sie
diese mit dem hinzugefügten Wahrscheinlichkeitsmodell verknüpft. Ferner
identifiziert die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 basierend
auf der Einstellbetätigungsnummer k den Steuerparameter, der
korrigiert werden soll, basierend auf dem Wahrscheinlichkeitsmodell
und dem Korrekturwert, der verwendet werden soll, und speichert
sie in die Speichereinheit 61, indem sie diese mit dem
Wahrscheinlichkeitsmodell verknüpft. Hier wird die Entsprechung zwischen
der Einstellbetätigungsnummer k, dem Steuerparameter, der
korrigiert werden soll, und dem Korrekturwert, der verwendet werden
soll, in der Form einer Nachschlagtabelle vordefiniert und in der Speichereinheit 61 gehalten.On the other hand, if the state information given to the input nodes of the selected provisional probabilistic model contains information other than the air-conditioning information, it can be considered that the probabilistic model for making the air-conditioning adjustment that suits the specific situation has been constructed. Therefore, the probabilistic model evaluation subunit stores 664 the selected provisional probabilistic model into the storage unit 61 and adds the model as the probabilistic model provided by the control information correction unit 64 should be used. In this case, neither the temperature control equation nor the air conditioning control equation is corrected. Then the probabilistic model evaluation subunit detects 664 the ID of the occupant and the setting operation number k associated with the learned information D AK , and stores them in the storage unit 61 by linking them to the added probability model. Further, the probabilistic model evaluation subunit identifies 664 based on the setting operation number k, the control parameter to be corrected based on the probabilistic model and the correction value to be used, and stores them in the storage unit 61 by linking them to the probabilistic model. Here, the correspondence between the setting operation number k, the control parameter to be corrected, and the correction value to be used is predefined in the form of a lookup table and stored in the storage unit 61 held.
Die
Steuergleichungs-Korrekturuntereinheit 665 korrigiert die
Temperatursteuergleichung oder die Luftdurchsatzpegel-Steuergleichung.The control equation correction subunit 665 corrects the temperature control equation or the air flow level control equation.
Wenn
als ein Beispiel die Temperatursteuergleichung korrigiert wird,
baut die Steuergleichungs-Korrekturuntereinheit 665 basierend
auf den in den gelernten Informationen DAK enthaltenen
Klimatisierungsinformationen und auf der Solltemperatur Tsoll und der Klimatisierungstemperatur Tao, die nach der Einstellbetätigung
erhalten wird, gleichzeitig Gleichungen mit Temperatursteuerparametern
ksoll, kr, kam, ks und C als
Variablen auf. Dann bestimmt die Steuergleichungs-Korrekturuntereinheit 665 die
korrigierten Temperatursteuerparameter durch Lösen der
gleichzeitigen Gleichungen. Alternativ kann die Steuergleichungs-Korrekturuntereinheit 665,
wie in der japanischen ungeprüften
Patentveröffentlichung Nr. H05-147421 beschrieben,
basierend auf dem Betrag ΔTsoll,
um den die Solltemperatur Tsoll von dem
Insassen geändert wurde, und der Verteilung der Sonnenstrahlung
S zum Zeitpunkt der Einstellbetätigung den Änderungsbetrag
der Solltemperatur ΔTsoll durch eine
lineare Gleichung der Sonnenstrahlung S nähern. Dann kann
die Steuergleichungs-Korrekturuntereinheit 665 die Temperatursteuerparameter
Ks basierend auf dem Ergebnis der Näherung
korrigieren. Ferner kann die Steuergleichungs-Korrekturuntereinheit 665 die
Temperatursteuergleichung oder die Luftdurchsatzpegel-Steuergleichung
unter Verwendung verschiedener anderer bekannter Verfahren steuern,
wie etwa in den japanischen
ungeprüften Patentveröffentlichungen Nr. 2000-293204 , 2000-071060 , H05-208610 und H05-169963 beschrieben.
Wenn eine Abbildungssteuerung verwendet wird, um den Luftdurchsatzpegel
etc. zu steuern, kann die Steuergleichungs-Korrekturuntereinheit 665 die
Abbildung unter Verwendung der gelernten Informationen DAK basierend auf einem bekannten Verfahren
korrigieren.As an example, when the temperature control equation is corrected, the control equation correcting subunit builds 665 based on the air conditioning information contained in the learned information D AK and on the target temperature T soll and the air conditioning temperature T ao , which is obtained after the setting operation, at the same time equations with temperature control parameters k soll , k r , k am , k s and C as variables , Then, the control equation correcting subunit determines 665 the corrected temperature control parameters by solving the simultaneous equations. Alternatively, the control equation correction subunit 665 , like in the Japanese Unexamined Patent Publication No. H05-147421 described, based on the amount .DELTA.T soll , by which the target temperature T soll was changed by the occupant, and the distribution of the solar radiation S at the time of setting operation, the change amount of the target temperature .DELTA.T soll by a linear equation of the solar radiation S approach. Then, the control equation correction sub-unit 665 correct the temperature control parameters K s based on the result of the approximation. Furthermore, the control equation correction subunit 665 controlling the temperature control equation or the air flow level control equation using various other known methods, such as those in U.S. Pat Japanese Unexamined Patent Publication No. 2000-293204 . 2000-071060 . H05-208610 and H05-169963 described. When an imaging control is used to control the air flow rate, etc., the control equation correction sub-unit may 665 correct the map using the learned information D AK based on a known method.
Welche
Steuergleichung korrigiert werden soll, wird in Bezug auf die Einstellbetätigung α bestimmt.
Wenn die Einstellbetätigung α eine ist, welche
die Klimatisierungstemperatureinstellung betrifft, korrigiert die
Steuergleichungs-Korrekturuntereinheit 665 die Temperatursteuergleichung,
und wenn die Einstellbetätigung α eine ist, welche
die Luftdurchsatzpegeleinstellung betrifft, korrigiert die Steuergleichungs-Korrekturuntereinheit 665 die
Luftdurchsatzpegel-Steuergleichung.Which control equation is to be corrected is determined with respect to the setting operation α. If the setting operation α is one relating to the air-conditioning temperature setting, the control-equation correcting sub-unit corrects 665 the temperature control equation, and when the setting operation α is one concerning the air flow rate adjustment, the control equation correcting subunit corrects 665 the air flow level control equation.
Wenn
in der lernenden Einheit 66 ein neues Wahrscheinlichkeitsmodell
erzeugt wird, löscht die Lerninformationen-Organisationsuntereinheit 666 die Zustandsinformationen,
welche die spezifische Situation betreffen, für welche
das Wahrscheinlichkeitsmodell aufgebaut wurde, aus den gelernten
Informationen DAK. Um derartige Zustandsinformationen
hier zu identifizieren, gibt die Lerninformationen-Organisationsuntereinheit 666 jeden
in den gelernten Informationen DAK enthaltenen
Satz von Zustandsinformationen in das neu aufgebaute Wahrscheinlichkeitsmodell
ein. Wenn die Wahrscheinlichkeit, die das Wahrscheinlichkeitsmodell
ausgibt, hoch ist, werden die entsprechenden Zustandsinformationen gelöscht.
Um zu bestimmen, ob die Wahrscheinlichkeit hoch ist oder nicht,
vergleicht die Lerninformationen-Organisationsuntereinheit 666 die
Wahrscheinlichkeit P, die erhalten wird, indem jeder Satz von Zustandsinformationen
in das Wahrscheinlichkeitsmodell eingegeben wird, mit einem Schwellwert
Tp. Es wird bevorzugt, den Schwellwert Tp nicht kleiner als einen Schwellwert festzulegen,
der derart ausgewählt wird, dass, wenn die erhaltene Wahrscheinlichkeit
höher als oder gleich diesem Schwellwert ist, eine hohe
Wahrscheinlichkeit besteht, dass der Insasse die zu dem Wahrscheinlichkeitsmodell
gehörige Einstellbetätigung durchführt.
Wenn die von dem Wahrscheinlichkeitsmodell erhaltene Wahrscheinlichkeit
P höher als oder gleich dem zweiten Schwellwert Th2 ist,
der in der Steuerinformations-Korrektureinheit 64 verwendet
wird, wird in der vorliegenden Ausführungsform angenommen,
dass eine hohe Wahrscheinlichkeit besteht, dass der Insasse die
zu diesem Wahrscheinlichkeitsmodell gehörige Einstellbetätigung
durchführt, das heißt, es besteht eine hohe Wahrscheinlichkeit,
dass die Situation der spezifischen Situation entspricht, zu der
das Wahrscheinlichkeitsmodell gehört. Es wird daher bevorzugt,
den Schwellwert Tp nicht kleiner als den
zweiten Schwellwert Th2 festzulegen.If in the learning unit 66 a new probabilistic model is generated deletes the learning information organization subunit 666 the state information concerning the specific situation for which the probabilistic model was constructed from the learned information D AK . To identify such state information here, the learning information organization subunit 666 each set of state information contained in the learned information D AK into the newly constructed probabilistic model. If the probability that the probabilistic model outputs is high, the corresponding state information is cleared. To determine whether the probability is high or not, the learning information organization subunit compares 666 the probability P obtained by inputting each set of state information into the probabilistic model with a threshold T p . It is preferable to set the threshold value T p not smaller than a threshold value selected such that, if the obtained probability is higher than or equal to this threshold value, there is a high possibility that the In specifically, performs the adjustment operation associated with the probabilistic model. When the probability P obtained from the probabilistic model is higher than or equal to the second threshold Th2 included in the control information correcting unit 64 is used, it is assumed in the present embodiment that there is a high possibility that the occupant is performing the adjustment operation associated with this probabilistic model, that is, there is a high possibility that the situation corresponds to the specific situation to which the probabilistic model belongs. It is therefore preferred to set the threshold value T p not smaller than the second threshold value Th2.
Bezug
nehmend auf den in 8 gezeigten Betriebsfluss wird
eine Erklärung gegeben, wie die Lerninformationen-Organisationsuntereinheit 666 die in
den gelernten Informationen enthaltenen Zustandsinformationen löscht.Referring to the in 8th An explanation will be made as to how the learning information organization subunit is shown 666 deletes the state information contained in the learned information.
Zuerst
berechnet die Lerninformationen-Organisationsuntereinheit 666 die
Wahrscheinlichkeit P durch Eingeben des m-ten Satzes an Zustandsinformationen
(M = 1, 2, ..., n2), die in den gelernten Informationen DAK enthalten sind, in das neu aufgebaute Wahrscheinlichkeitsmodell
MAqk (Schritt S301). Es wird hier angenommen,
dass das Verfahren mit m = 1 beginnt. Als nächstes untersucht
die Lerninformationen-Organisationsuntereinheit 666, ob
die berechnete Wahrscheinlichkeit P höher oder gleich dem
vorbestimmten Schwellwert Tp ist oder nicht
(Schritt S302). In der vorliegenden Ausführungsform ist
der Schwellwert Tp auf 80% festgelegt. Wenn
die Wahrscheinlichkeit P höher oder gleich dem vorbestimmten
Schwellwert Tp ist, besteht eine hohe Wahrscheinlichkeit,
dass der Satz von Zustandsinformationen die Zustandsinformationen
sind, die sich auf die spezifische Situation beziehen, zu der das
Wahrscheinlichkeitsmodell MAqk gehört.
Folglich löscht die Lerninformationen-Organisationsuntereinheit 666 den
Satz von Zustandsinformationen aus den gelernten Informationen DAK (Schritt S303).First, the learning information organization sub-unit calculates 666 the probability P by inputting the mth set of state information (M = 1, 2, ..., n2) included in the learned information D AK into the newly constructed probabilistic model M Aqk (step S301). It is assumed here that the method starts with m = 1. Next, the learning information organization sub-unit examines 666 Whether or not the calculated probability P is higher than or equal to the predetermined threshold value T p (step S302). In the present embodiment, the threshold value T p is set to 80%. If the probability P is higher than or equal to the predetermined threshold T p , there is a high possibility that the set of state information is the state information related to the specific situation to which the probabilistic model M Aqk belongs. Consequently, the learning information organization sub-unit clears 666 the set of state information from the learned information D AK (step S303).
Dann
verlegt die Lerninformationen-Organisationsuntereinheit 666 die
Steuerung auf den Schritt S304. Wenn die Wahrscheinlichkeit P in
Schritt 302 andererseits kleiner als der vorbestimmte Schwellwert
Tp ist, besteht eine hohe Wahrscheinlichkeit, dass
der Satz von Zustandsinformationen Zustandsinformation sind, die
eine andere spezifische Situation als die spezifische Situation
betreffen, zu der das Wahrscheinlichkeitsmodell MAqk gehört.
Folglich löscht die Lerninformationen-Organisationsuntereinheit 666 den
Satz von Zustandsinformationen nicht aus den gelernten Informationen
DAK und verlagert die Steuerung zu Schritt
S304.Then relocate the learning information organization subunit 666 Control to step S304. If the probability P in step 302 On the other hand, if it is smaller than the predetermined threshold T p , there is a high probability that the set of state information is state information concerning a specific situation other than the specific situation to which the probabilistic model M Aqk belongs. Consequently, the learning information organization sub-unit clears 666 does not extract the set of state information from the learned information D AK and moves control to step S304.
Dann
bestimmt die Lerninformationen-Organisationsuntereinheit 666,
ob m gleich der Gesamtanzahl n2 der Sätze von Zustandsinformationen ist,
die in den gelernten Informationen DAK enthalten sind
(Schritt S304). Wenn m kleiner als n2 ist, wird m um 1 inkrementiert
(Schritt S305). Dann kehrt die Steuerung zu Schritt S301 zurück.Then, the learning information organization sub-unit determines 666 whether m equals the total number n2 of the sets of state information included in the learned information D AK (step S304). If m is smaller than n2, m is incremented by 1 (step S305). Then, the control returns to step S301.
Wenn
in Schritt S304 m andererseits gleich n2 ist, wurde eine Entscheidung,
ob die Zustandsinformationen gelöscht werden sollen, für
alle Sätze von Zustandsinformationen getroffen, die in
den gelernten Informationen DAK enthalten
sind. Folglich organisiert die Lerninformationen-Organisationsuntereinheit 666 die
Zustandsinformationen, indem sie die restlichen Sätze von
Zustandsinformationen in abfallender Nummernreihenfolge sortiert
(Schritt S306). Dann legt die Lerninformationen-Organisationsuntereinheit 666 die
Anzahl der Male der Betätigung iAK gleich
der Anzahl restlicher Sätze von Zustandsinformationen fest.On the other hand, when m is n2 in step S304, a decision as to whether to clear the state information has been made for all the sets of state information included in the learned information D AK . Consequently, the learning information organizing subunit organizes 666 the state information by sorting the remaining sets of state information in decreasing number order (step S306). Then place the learning information organization subunit 666 the number of times of operation i AK equal to the number of remaining sets of state information.
Auf
diese Weise werden nur die Zustandsinformationen gelöscht,
welche die spezifische Situation betreffen, zu der das aufgebaute
Wahrscheinlichkeitsmodell gehört, und die Zustandsinformationen, die
andere spezifische Situationen betreffen, zu denen dieses Wahrscheinlichkeitsmodell
nicht gehört, werden ungelöscht gelassen, so dass
die gelernten Daten, die notwendig sind, um ein Wahrscheinlichkeitsmodell
für jede andere spezifische Situation aufzubauen, schnell
gesammelt werden können.On
this way, only the state information is deleted,
which concern the specific situation to which the constructed
Probability model belongs, and the state information, the
to address other specific situations, including this probabilistic model
not heard, are left undeleted, so that
the learned data necessary to build a probabilistic model
to build for any other specific situation, fast
can be collected.
Der
Klimatisierungsbetrieb der Fahrzeugklimaanlage 1 gemäß der
Ausführungsform der vorliegenden Erfindung wird nachstehend
unter Bezug auf die in 9A, 9B und 10 beschriebenen Flussdiagramme
beschrieben. Der Klimatisierungsbetrieb wird von der Steuerung 60 gemäß einem
in die Steuerung 60 eingebauten Computerprogramm durchgeführt.The air conditioning operation of the vehicle air conditioner 1 according to the embodiment of the present invention will be described below with reference to the in 9A . 9B and 10 described flowcharts described. The air conditioning operation is controlled by the controller 60 according to one in the control 60 built-in computer program performed.
Wenn,
wie in 9A gezeigt, zuerst der Motorschalter
eingeschaltet wird, startet die Steuerung 60 die Fahrzeug-Klimaanlage 1.
Dann erfasst die Steuerung 60 die Zustandsinformationen
von den verschiedenen Sensoren, dem Navigationssystem 56,
der Fahrzeugbedienvorrichtung 57 etc. über die Kommunikationseinheit 62 (Schritt
S101). In der gleichen Weise erfasst die Steuerung 60 die
Einstellinformationen aus der Speichereinheit 61. Als nächstes
führt die Abgleicheinheit 63 in der Steuerung 60 den
Abgleich und die Authentifizierung des Insassen durch (Schritt S102).
Dann ruft die Steuerung 60 die persönlichen Einstellinformationen
des registrierten Benutzers, der als dem Insassen entsprechend identifiziert
wurde, aus der Speichereinheit 61 ab (Schritt S103).If, as in 9A shown, first the motor switch is turned on, the controller starts 60 the vehicle air conditioning 1 , Then the controller detects 60 the status information from the various sensors, the navigation system 56 , the vehicle operating device 57 etc. via the communication unit 62 (Step S101). In the same way, the controller detects 60 the setting information from the storage unit 61 , Next comes the matching unit 63 in the controller 60 the collation and the authentication of the occupant (step S102). Then the controller calls 60 the personal setting information of the registered user identified as the occupant from the storage unit 61 from (step S103).
Als
nächstes bestimmt die Steuerung 60, ob der Insasse
eine Einstellbetätigung an der Fahrzeug-Klimaanlage 1 durchgeführt
hat oder nicht, das heißt, ob eine Einstellung geändert
wurde oder nicht (Schritt S104). Wenn ein Bediensignal von dem Klimaanlagen-Bedienfeld 59 empfangen
wird, bestimmt die Klimaanlage 60, dass die Einstellbetätigung durchgeführt
wurde.Next, the controller determines 60 whether the occupant has a setting operation on the drive convincing air conditioning 1 or not, that is, whether or not a setting has been changed (step S104). When an operating signal from the air conditioner control panel 59 is received, the air conditioning determines 60 in that the setting operation has been performed.
Wenn
der Insasse, wie in 9B gezeigt, keine Einstellbetätigung
durchgeführt hat, wählt die Steuerinformations-Korrektureinheit 64 in
der Steuerung 60 ein Wahrscheinlichkeitsmodell, dessen
aktuelle Einstellung geändert werden soll, aus den Wahrscheinlichkeitsmodellen
MAqk aus, die zu diesem Insassen gehören,
wobei die Korrektur des Steuerparameters (zum Beispiel der Solltemperatur
Tsoll) sich auf eine beliebige der Betätigungsgruppen
bezieht (Schritt S105). Das Wahrscheinlichkeitsmodell MAqk stellt
das q-te Wahrscheinlichkeitsmodell dar, das für die Einstellbetätigung
aufgebaut wurde, welche durch die Einstellbetätigungsnummer
k identifiziert wird und von dem Insassen A durchgeführt
wird. Als nächstes gibt die Steuerinformations-Korrektureinheit 64 die
beobachteten Zustandsinformationen in das ausgewählte Wahrscheinlichkeitsmodell
ein. Die Steuerinformations-Korrektureinheit 64 berechnet dann
die Wahrscheinlichkeit, dass die zu dem Wahrscheinlichkeitsmodell
gehörige Einstellbetätigung durchgeführt
wird (Schritt S106). Dann wird aus den Wahrscheinlichkeiten, die
für die Einstellbetätigung in der gleichen zu
dem Steuerparameter gehörenden Betätigungsgruppe
berechnet wurden, die höchste Wahrscheinlichkeit als die
empfohlene Wahrscheinlichkeit P erhalten.If the inmate, as in 9B has not performed a setting operation, selects the control information correcting unit 64 in the controller 60 a probabilistic model whose current setting is to be changed out of the probabilistic models M Aqk belonging to that occupant, wherein the correction of the control parameter (for example, the target temperature T soll ) relates to any one of the actuation groups (step S105). The probabilistic model M Aqk represents the qth probabilistic model established for the setting operation identified by the setting operation number k and performed by the occupant A. Next is the control information correcting unit 64 enter the observed state information into the selected probabilistic model. The control information correcting unit 64 then calculates the probability that the adjustment operation associated with the probabilistic model is performed (step S106). Then, from the probabilities calculated for the setting operation in the same operation group associated with the control parameter, the highest probability is obtained as the recommended probability P.
Dann
vergleicht die Steuerinformations-Korrektureinheit 64 die
empfohlene Wahrscheinlichkeit P mit einem ersten vorbestimmten Wert
Th1 (Schritt S107). Wenn die empfohlene Wahrscheinlichkeit P größer
oder gleich dem ersten vorbestimmten Wert Th1 (zum Beispiel 0,9)
ist, korrigiert die Steuerinformations-Korrektureinheit 64 den
entsprechenden Einstellparameter der Fahrzeug-Klimaanlage 1 basierend
auf den Korrekturinformationen, die zu dem Wahrscheinlichkeitsmodell
gehören, das die empfohlene Wahrscheinlichkeit P ergab
(hier nachstehend als ausgewähltes Wahrscheinlichkeitsmodell
bezeichnet) (Schritt S108). Wenn die empfohlene Wahrscheinlichkeit
P andererseits kleiner als der erste vorbestimmte Wert Th1 ist,
vergleicht die Steuerinformations-Korrektureinheit 64 die
empfohlene Wahrscheinlichkeit P mit einem zweiten vorbestimmten Schwellwert
Th2 (zum Beispiel 0,6) (Schritt S109). Wenn die empfohlene Wahrscheinlichkeit
P größer als oder gleich dem zweiten vorbestimmten
Wert Th2 ist, zeigt die Steuerinformations-Korrektureinheit 64 auf
dem Anzeigeabschnitt des Klimaanlagen-Bedienfelds 59 oder ähnlichem
die Einstellbetätigung an, die der zu dem ausgewählten
Wahrscheinlichkeitsmodell gehörenden Einstellbetätigungsnummer
k entspricht, und fragt folglich den Insassen, ob die Einstellbetätigung
durchgeführt werden sollte oder nicht (Schritt S110). Wenn
der Insasse die Ausführung der Einstellbetätigung
akzeptiert, korrigiert die Steuerinformations-Korrektureinheit 64 den
Einstellparameter basierend auf den Korrekturinformationen, die
zu dem ausgewählten Wahrscheinlichkeitsmodell gehören
(Schritt S108). Wenn der Insasse andererseits nicht akzeptiert,
korrigiert die Steuerinformations-Korrektureinheit 64 den
Einstellparameter nicht. Das heißt, die Steuerinformations-Korrektureinheit 64 führt
die Einstellbetätigung, die sich auf den zu dem ausgewählten
Wahrscheinlichkeitsmodell gehörenden Einstellparameter
bezieht, nicht durch. Wenn die empfohlene Wahrscheinlichkeit P in
Schritt S109 andererseits kleiner als der zweite vorbestimmte Wert
Th2 ist, korrigiert die Steuerinformations-Korrektureinheit 64 den
Einstellparameter ebenfalls nicht.Then, the control information correcting unit compares 64 the recommended probability P having a first predetermined value Th1 (step S107). When the recommended probability P is greater than or equal to the first predetermined value Th1 (for example, 0.9), the control information correcting unit corrects 64 the corresponding adjustment parameter of the vehicle air conditioner 1 based on the correction information associated with the probabilistic model that yielded the recommended probability P (hereinafter referred to as the selected probabilistic model) (step S108). On the other hand, when the recommended probability P is smaller than the first predetermined value Th1, the control information correcting unit compares 64 the recommended probability P having a second predetermined threshold Th2 (for example, 0.6) (step S109). If the recommended probability P is greater than or equal to the second predetermined value Th2, the control information correcting unit shows 64 on the display section of the air conditioner control panel 59 or the like, the setting operation corresponding to the setting operation number k belonging to the selected probabilistic model, and thus asks the occupant whether the setting operation should be performed or not (step S110). When the occupant accepts the execution of the setting operation, the control information correcting unit corrects 64 the adjustment parameter based on the correction information associated with the selected probabilistic model (step S108). On the other hand, if the occupant does not accept, the control information correcting unit corrects 64 the setting parameter is not. That is, the control information correcting unit 64 does not perform the setting operation relating to the setting parameter associated with the selected probabilistic model. On the other hand, if the recommended probability P is smaller than the second predetermined value Th2 in step S109, the control information correcting unit corrects 64 the setting parameter also not.
Danach
bestimmt die Steuerinformations-Korrektureinheit 64, ob
alle Einstellungsparameter eingestellt wurden oder nicht, indem
sie prüft, ob die Wahrscheinlichkeit für alle
Wahrscheinlichkeitsmodelle berechnet wurde (Schritt S111). Wenn
es ein Wahrscheinlichkeitsmodell gibt, für das die Wahrscheinlichkeit
noch nicht berechnet ist, d. h. wenn es irgendeine Betätigungsgruppe
gibt, die noch nicht in der Hinsicht geprüft ist, ob die
Einstellungsinformationen korrigiert werden sollen oder nicht, kehrt
die Steuerung 60 zu dem Schritt S105 zurück. Wenn
die Wahrscheinlichkeit andererseits für alle Wahrscheinlichkeitsmodelle
berechnet wurde, dann stellt die Klimatisierungssteuereinheit 65 basierend
auf den nach Bedarf korrigierten Einstellparametern die Öffnung der
Luftmischklappe, die Anzahl der Umdrehungen des Lüftungsventilators
und die Öffnung jeder Auslassklappe ein, um die gewünschte
Klimatisierungstemperatur, den Luftdurchsatzpegel, etc. zu erreichen
(Schritt S112).Thereafter, the control information correcting unit determines 64 whether or not all setting parameters have been set by checking whether the probability has been calculated for all probabilistic models (step S111). If there is a probabilistic model for which the probability has not yet been calculated, that is, if there is any actuation group that has not yet been tested in terms of whether the setting information should be corrected or not, control returns 60 back to step S105. On the other hand, if the probability has been calculated for all probabilistic models, then the air conditioning control unit will turn off 65 based on the adjustment parameters adjusted as necessary, the opening of the air mix door, the number of revolutions of the ventilation fan, and the opening of each exhaust door to reach the desired air conditioning temperature, air flow level, etc. (step S112).
Wenn
in Schritt S104 in 9A bestimmt wird, dass der Insasse
eine Einstellbetätigung an der Fahrzeug-Klimaanlage 1 vorgenommen
hat, identifiziert die Steuerung 60, wie in 10 gezeigt,
welche Einstellbetätigung durchgeführt wurde,
unter Bezugnahme auf das Einstellsignal (Schritt S113). Dann speichert
die Steuerung 60 die Zustandsinformationen, die während
einer vorbestimmten Zeitspanne vor und nach der Einstellbetätigung
(zum Beispiel 10 Sekunden lang vor und nach der Einstellbetätigung) erfasst
werden, in die Speichereinheit 61 als ein Element der gelernten
Informationen DAK, indem diese mit der dieser
Einstellbetätigung entsprechenden Einstellbetätigungsnummer
k und der Anzahl von Malen iAK, für
welche die Einstellbetätigung durchgeführt wurde,
verknüpft werden (Schritt S114).If in step S104 in FIG 9A it is determined that the occupant has a setting operation on the vehicle air conditioner 1 has identified, identifies the controller 60 , as in 10 which adjustment operation has been performed with reference to the adjustment signal (step S113). Then the controller saves 60 the state information acquired during a predetermined period of time before and after the setting operation (for example, for 10 seconds before and after the setting operation) is stored in the storage unit 61 as an element of the learned information D AK by associating it with the setting operation number k corresponding to this setting operation and the number of times i AK for which the setting operation has been performed (step S114).
Anschließend
bestimmt die lernende Einheit 66 in der Steuerung 60,
ob die Anzahl der Male iAK der Betätigung
gleich einer vorbestimmten Anzahl von Malen nl*j (j = 1, 2, 3) ist
(Schritt S115). Die vorbestimmte Anzahl von Malen ist zum Beispiel
10. Wenn bestimmt wird, dass iAK = nl*j,
führt die Clustering-Untereinheit 662 in der lernenden
Einheit 66 das Clustering für die Zustandsinformationen,
etc. durch, welche aufeinanderfolgende Werte in den gelernten Informationen
DAK annehmen, die unter Verknüpfung mit
dem Insassen und der Einstellbetätigung k in der Speichereinheit 61 gespeichert
sind (Schritt S116). Das Clustering der gelernten Informationen
wird gemäß dem in dem Flussdiagramm von 6 gezeigten
Verfahren durchgeführt.Subsequently, the learning unit determines 66 in the controller 60 whether the number of times i AK the actuation equal to a predetermined number of Painting nl * j (j = 1, 2, 3) is (step S115). The predetermined number of times is, for example, 10. When it is determined that i AK = nl * j, the clustering subunit performs 662 in the learning unit 66 the clustering for the state information, etc., which assume successive values in the learned information D AK , the linkage with the occupant and the setting operation k in the memory unit 61 are stored (step S116). The clustering of the learned information is performed according to the flowchart of FIG 6 shown method performed.
Danach
baut die lernende Einheit 66 unter Verwendung der gelernten
Informationen DAK, die unter Verknüpfung
mit dem Insassen und der Einstellbetätigungsnummer k in
der Speichereinheit 61 gespeichert sind, und auch unter
Verwendung der von der Clustering-Untereinheit 662 bestimmten
Klasse des Zustandsinformationswertebereichs das Wahrscheinlichkeitsmodell
MAqk auf (Schritt S117). Insbesondere baut
die Wahrscheinlichkeitsmodell-Aufbauuntereinheit 663 in
der lernenden Einheit 66, wie früher beschrieben,
durch Erzeugen von CPTs für jedes Standardmodell ein provisorisches
Wahrscheinlichkeitsmodell auf. Dann berechnet die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 in
der lernenden Einheit 66 das Informationskriterium für
jedes provisorische Wahrscheinlichkeitsmodell, und das provisorische
Wahrscheinlichkeitsmodell, das den kleinsten Informationskriteriumswert
ergab, wird als das Wahrscheinlichkeitsmodell MAqk ausgewählt, das
verwendet werden soll. Die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 speichert
dann das Wahrscheinlichkeitsmodell MAqk in
die Speichereinheit 61, indem sie diese mit der ID des
Insassen, etc. verknüpft. Wenn iAK andererseits
in Schritt S115 nicht gleich nl*j ist, übergibt die Steuerung 60 die Steuerung
ans den Schritt S120.After that, the learning unit builds 66 using the learned information D AK associated with the occupant and the setting operation number k in the storage unit 61 and also using the clustering subunit 662 certain class of the state information value range, the probabilistic model M Aqk (step S117). In particular, the probabilistic model building subunit builds 663 in the learning unit 66 as described earlier, by generating CPTs for each standard model, a provisional probabilistic model. Then calculates the probabilistic model evaluation subunit 664 in the learning unit 66 the information criterion for each provisional probabilistic model, and the provisional probabilistic model yielding the smallest information criterion value is selected as the probabilistic model M Aqk to be used. The probabilistic model evaluation subunit 664 then stores the probabilistic model M Aqk into the storage unit 61 by linking them with the ID of the occupant, etc. On the other hand, if i AK is not equal to n * j in step S115, the control transfers 60 control to step S120.
Als
nächstes bestimmt die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664,
ob die Eingangsparameter in das Wahrscheinlichkeitsmodell MAqk nur aus den Klimatisierungsinformationen (Innentemperatur
Tr, Außentemperatur Tam und
Menge der Sonnenstrahlung S) bestehen (Schritt S118). Wenn die Eingangsparameter
nur aus den Klimatisierungsinformationen bestehen, bestimmt die
Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664, dass
die Temperatursteuerung nicht für die Temperaturempfindlichkeit
des Insassen optimiert ist. Dann korrigiert die Steuergleichungs-Korrekturuntereinheit 665 in
der lernenden Einheit 66 die Steuergleichung, welche die
Einstellbetätigung α betrifft (zum Beispiel werden
die Konstanten ksoll, kr,
kam, ks und C in
der Temperatursteuergleichung eingestellt, wenn die Einstellbetätigung α zum Ändern
der Temperatureinstellung ist) (Schritt S119). Die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 verwirft
dann das Wahrscheinlichkeitsmodell MAqk.
Wenn die Eingangsparameter in das Wahrscheinlichkeitsmodell MAqk andererseits andere Informationen als
die Klimatisierungsinformationen enthalten, bestimmt die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664, dass
das Wahrscheinlichkeitsmodell, das der spezifischen Situation entspricht,
aufgebaut wurde. In diesem Fall korrigiert die Wahrscheinlichkeitsmodell-Auswertungsuntereinheit 664 die
Steuergleichung, welche sich auf die Einstellbetätigung α bezieht,
nicht und übergibt die Steuerung an den Schritt S120.Next, the probabilistic model evaluation subunit determines 664 whether the input parameters to the probabilistic model M Aqk consist of only the air conditioning information (inside temperature T r , outside temperature T am and amount of solar radiation S) (step S118). If the input parameters consist only of the air conditioning information, the probabilistic model evaluation subunit determines 664 in that the temperature control is not optimized for the temperature sensitivity of the occupant. Then, the control equation correction sub-unit corrects 665 in the learning unit 66 the control equation concerning the setting operation α (for example, the constants k soll , k r , k am , k s and C are set in the temperature control equation when the setting operation is α for changing the temperature setting) (step S119). The probabilistic model evaluation subunit 664 then rejects the probability model M Aqk . On the other hand, if the input parameters to the probabilistic model M Aqk contain information other than the air conditioning information, the probabilistic model evaluating subunit determines 664 in that the probabilistic model corresponding to the specific situation has been constructed. In this case, the probabilistic model evaluation subunit corrects 664 the control equation relating to the setting operation α does not and transfers the control to step S120.
Als
nächstes bestimmt die lernende Einheit 66, ob
die Anzahl der Male der Betätigung iAK gleich einer
vorbestimmten Anzahl von Malen n2 ist (zum Beispiel n2 = 30) (Schritt
S120). Wenn iAK nicht gleich n2 ist, inkrementiert
die lernende Einheit 66 iAK um
1 (Schritt S121) und übergibt die Steuerung an den inNext, the learning unit determines 66 whether the number of times of the operation i AK is equal to a predetermined number of times n2 (for example, n2 = 30) (step S120). If i AK is not equal to n2, the learning unit increments 66 i AK by 1 (step S121) and passes the control to the in
9B gezeigten
Schritt S120. Wenn andererseits in Schritt S120 iAK =
n2, löscht die Lerninformationen-Organisationsuntereinheit 666 in
der lernenden Einheit 66 die Zustandsinformationen, die sich
auf die spezifischen Informationen beziehen, die zu dem aufgebauten
Wahrscheinlichkeitsmodell gehören, aus den Zustandsinformationen,
die in den gelernten Informationen DAK enthalten
sind, die in der Speichereinheit 61 unter Verknüpfung
mit dem Insassen und der Einstellbetätigungsnummer k gespeichert
sind (Schritt S122). Das Löschen der Zustandsinformationen
wird gemäß dem in 8 gezeigten Betriebsfluss
durchgeführt. 9B shown step S120. On the other hand, if i AK = n2 in step S120, the learning information organizing sub-unit clears 666 in the learning unit 66 the state information related to the specific information associated with the established probabilistic model from the state information included in the learned information D AK contained in the storage unit 61 stored in association with the occupant and the setting operation number k (step S122). The deletion of the status information is performed according to the in 8th shown operating flow performed.
Ferner
wird bestimmt, dass das gegenwärtig in der Speichereinheit 61 gespeicherte
Wahrscheinlichkeitsmodell MAqk ein feststehendes
ist, und danach wird keine Aktualisierung für das Wahrscheinlichkeitsmodell
MAqk durchgeführt.Further, it is determined that currently in the storage unit 61 stored probability model M Aqk is a fixed, and then no update for the probability model M Aqk is performed.
Die
lernende Einheit 66 hängt Markierungsinformationen
an das feststehende Wahrscheinlichkeitsmodell MAqk an,
um anzuzeigen, dass das Wahrscheinlichkeitsmodell nicht aktualisiert
werden muss. Zum Beispiel speichert die lernende Einheit 66 eine Aktualisierungsmarkierung
f in die Speichereinheit 61, indem sie diese mit dem Wahrscheinlichkeitsmodell
verknüpft. Die lernende Einheit 66 kann bestimmen,
ob Aktualisieren zulässig ist oder nicht, indem sie den
Zustand der Markierung prüft; d. h. wenn sie auf 1 gesetzt
ist, ist Aktualisieren (Überschreiben) verboten, und wenn
sie auf 0 gesetzt ist, ist Aktualisieren erlaubt. Die lernende Einheit 66 setzt
iAK gleich der Anzahl von Sätzen
der Zustandsinformationen, die in den gelernten Informationen DAK bleiben.The learning unit 66 appends marker information to the fixed probability model M Aqk to indicate that the probabilistic model does not need to be updated. For example, the learning unit stores 66 an update flag f in the storage unit 61 by linking them to the probabilistic model. The learning unit 66 can determine whether updating is allowed or not by checking the condition of the tag; that is, if set to 1, updating is prohibited, and if set to 0, updating is allowed. The learning unit 66 i AK equals the number of sets of state information remaining in the learned information D AK .
Die
vorbestimmte Anzahl von Malen n2 ist größer als
n1 und entspricht der Anzahl von Daten, die für ausreichend
gehalten werden, um ein statistisch korrektes Wahrscheinlichkeitsmodell
aufzubauen. Die vorbestimmten Anzahlen n1 und n2 können experimentell
und empirisch optimiert werden.The predetermined number of times n2 is greater than n1 and corresponds to the number of data deemed sufficient to build a statistically correct probability model. The predetermined numbers n1 and n2 can be optimized experimentally and empirically.
In
Schritt S115 in dem vorstehenden Flussdiagramm kann die lernende
Einheit 66 bestimmen, ob das Wahrscheinlichkeitsmodell
aufgebaut oder nicht aufgebaut werden soll, indem sie anstatt durch
Vergleichen der Anzahl von Malen der Betätigung iAK mit der vorgeschriebenen Anzahl von Malen
nl*j (j = 1, 2, 3) prüft, ob eine erste vorbestimmte Zeit
(zum Beispiel eine Woche oder ein Monat) vergangen ist, seitdem
das zu der gleichen Einstellbetätigung gehörende
Wahrscheinlichkeitsmodell das letzte Mal aufgebaut wurde. In diesem
Fall baut die lernende Einheit 66 das Wahrscheinlichkeitsmodell
nur auf, wenn die vorbestimmte Zeit vergangen ist. Das heißt,
die lernende Einheit 66 fährt fort, das Verfahren
von Schritt S116 bis S122 auszuführen. Um hier basierend
auf der vergangenen Zeit zu bestimmen, ob das Wahrscheinlichkeitsmodell
aufgebaut oder nicht aufgebaut werden soll, speichert die Steuerung 60 die
Zeit und das Datum des Aufbaus des Wahrscheinlichkeitsmodells in
die Speichereinheit 61, indem sie diese mit dem Wahrscheinlichkeitsmodell
verknüpft. Wenn die vergangene Zeit berechnet wird, erfasst
die lernende Einheit 66 aus der Speichereinheit 61 die
Zeit und das Datum des Aufbaus, die zu dem jüngsten Wahrscheinlichkeitsmodell
gehören, aus den Wahrscheinlichkeitsmodellen, die sich
auf die Einstellbetätigung α beziehen, und berechnet
die vergangene Zeit, indem sie die Differenz zwischen der erfassten
Zeit und der aktuellen Zeit erhält.In step S115 in the above flowchart, the learning unit may 66 determine whether to build or not to build the probabilistic model by checking whether a first predetermined time, rather than by comparing the number of times of actuation i AK with the prescribed number of times nl * j (j = 1, 2, 3) (for example, a week or a month) has passed since the probability model belonging to the same setting operation was last built up. In this case, the learning unit builds 66 the probabilistic model only when the predetermined time has passed. That is, the learning unit 66 Continues to execute the process from step S116 to S122. In order to determine whether the probabilistic model should be set up or not based on the past time, the controller saves 60 the time and date of building the probabilistic model into the storage unit 61 by linking them to the probabilistic model. When the elapsed time is calculated, the learning unit detects 66 from the storage unit 61 the time and date of construction belonging to the most recent probabilistic model from the probabilistic models relating to the setting operation α, and calculates the elapsed time by taking the difference between the detected time and the current time.
Wenn
die lernende Einheit 66 ferner basierend auf der vergangenen
Zeit bestimmt, ob das Wahrscheinlichkeitsmodell aufgebaut oder nicht
aufgebaut werden soll, kann die lernende Einheit 66 in Schritt
S120 die vergangene Zeit mit einer zweiten vorbestimmten Zeit (zum
Beispiel vier Wochen oder sechs Monate), die länger als
die erste vorbestimmte Zeit ist, vergleichen. Dann, wenn die vergangene
Zeit länger als die zweite vorbestimmte Zeit ist, löscht
die lernende Einheit 66 die gelernten Informationen DAK und aktualisiert den Wert der Aktualisierungsmarkierung
f.When the learning unit 66 Further, based on the elapsed time, it is determined whether the probabilistic model should be constructed or not built up 66 in step S120, comparing the elapsed time with a second predetermined time (for example, four weeks or six months) longer than the first predetermined time. Then, when the elapsed time is longer than the second predetermined time, the learning unit clears 66 the learned information D AK and updates the value of the update mark f.
Als
nächstes bestimmt die lernende Einheit 66, ob
die Anzahl der Wahrscheinlichkeitsmodelle, die für die
Einstellbetätigung, die der Einstellbetätigungsnummer
k entspricht, aufgebaut wurden, eine vorbestimmte Anzahl Tn erreicht
hat (Schritt S123). In der vorliegenden Ausführungsform
ist die vorbestimmte Anzahl Tn auf 5 festgelegt. Wenn in Schritt S123
die Anzahl der für diese Einstellbetätigung aufgebauten
Wahrscheinlichkeitsmodelle kleiner als die vorbestimmte Anzahl Tn
ist, gibt die lernende Einheit 66 die Steuerung an den
Schritt S112 weiter. Wenn andererseits ja in Schritt S123, löscht
die lernende Einheit 66 das erste aufgebaute Wahrscheinlichkeitsmodell
aus den für diese Einstellbetätigung aufgebauten
Wahrscheinlichkeitsmodellen (Schritt S124). Dann gibt die lernende
Einheit 66 die Steuerung an den Schritt S112 weiter.Next, the learning unit determines 66 whether the number of the probabilistic models constructed for the setting operation corresponding to the setting operation number k has reached a predetermined number Tn (step S123). In the present embodiment, the predetermined number Tn is set to 5. In step S123, when the number of probabilistic models constructed for this setting operation is smaller than the predetermined number Tn, the learning unit gives 66 control continues to step S112. On the other hand, if yes in step S123, the learning unit clears 66 the first constructed probabilistic model from the probabilistic models built for this setting operation (step S124). Then there is the learning unit 66 control continues to step S112.
Anstatt
das erste aufgebaute Wahrscheinlichkeitsmodell zu löschen,
kann die lernende Einheit 66 das am wenigsten häufig
verwendete, d. h. das Wahrscheinlichkeitsmodell, bei dem die Anzahl
der Male, bei welcher die unter Verwendung dieses Wahrscheinlichkeitsmodells
erhaltene Wahrscheinlichkeit am höchsten wird, am kleinsten
ist, löschen. Alternativ kann die lernende Einheit 66 das
Wahrscheinlichkeitsmodell löschen, bei dem der Mittelwert der
Wahrscheinlichkeiten, die unter Verwendung dieses Wahrscheinlichkeitsmodells
erhalten werden, am kleinsten ist. Durch Begrenzen der Anzahl von
Wahrscheinlichkeitsmodellen in dieser Weise, kann verhindert werden,
dass die erforderliche Zeit zur Berechnung der Wahrscheinlichkeitsmodelle über
ein gewisses Limit steigt. Um das Wahrscheinlichkeitsmodell basierend
auf den Berechnungsergebnissen derartiger Wahrscheinlichkeiten zu
löschen, wird die für jedes Wahrscheinlichkeitsmodell
erhaltene Wahrscheinlichkeit jedes Mal, wenn der Steuerparameter in
Schritt S108 korrigiert wird, als Protokollinformation in der Speichereinheit 61 gespeichert.Instead of erasing the first established probabilistic model, the learning unit may 66 the least frequently used one, ie the probability model in which the number of times at which the probability obtained using this probability model becomes the highest is lowest. Alternatively, the learning unit 66 delete the probabilistic model where the mean of the probabilities obtained using this probabilistic model is the smallest. By limiting the number of probabilistic models in this way, it is possible to prevent the time required for calculating the probabilistic models from exceeding a certain limit. In order to erase the probabilistic model based on the computation results of such probabilities, the probability obtained for each probabilistic model every time the control parameter is corrected in step S108 is stored as log information in the storage unit 61 saved.
Danach
wiederholt die Fahrzeug-Klimaanlage 1 das Steuerverfahren
von den Schritten S101 bis S124, bis ihr Betrieb gestoppt wird.Thereafter, the vehicle air conditioner repeats 1 the control process from steps S101 to S124 until its operation is stopped.
Wenn,
wie vorstehend beschrieben, ein neues Wahrscheinlichkeitsmodell
aufgebaut wird, identifiziert die Fahrzeug-Klimaanlage gemäß der
Ausführungsform der vorliegenden Erfindung aus der Vielzahl
der Sätze gelernter Daten, die zum Aufbau des Wahrscheinlichkeitsmodells
verwendet werden, die gelernten Informationen, die sich auf die
spezifische Situation beziehen, für die das Wahrscheinlichkeitsmodell
aufgebaut wurde, und löscht die auf diese Weise identifizierten
gelernten Informationen. Dann verwendet die Fahrzeug-Klimaanlage
die restlichen gelernten Daten für den Aufbau eines anderen
Wahrscheinlichkeitsmodells. Folglich kann die Fahrzeug-Klimaanlage
die angesammelten gelernten Daten effizient nutzen.If,
as described above, a new probabilistic model
is constructed identifies the vehicle air conditioning according to the
Embodiment of the present invention of the plurality
the sets of learned data that build the probability model
used, the learned information that focuses on the
specific situation for which the probabilistic model
has been constructed and deletes the identifiers identified in this way
learned information. Then used the vehicle air conditioning
the remaining learned data for building another
Probability model. Consequently, the vehicle air conditioning
Use the accumulated learned data efficiently.
Die
vorliegende Erfindung ist nicht auf die vorstehende spezifische
Ausführungsform beschränkt. Zum Beispiel ist der
Fahrzeuginsasse nicht auf den Fahrer des Fahrzeugs beschränkt.
Wenn Vorkehrungen getroffen sind, um zu identifizieren, wer die
Einstellbetätigung an der Fahrzeug-Klimaanlage durchgeführt
hat, kann die vorliegende Erfindung vorteilhaft auf den Fall angewendet
werden, in dem ein beliebiger anderer Insasse als der Fahrer die Klimaanlage
bedient. Wenn die Fahrzeug-Klimaanlage zum Beispiel zwei Klimaanlagen-Bedienfelder 59, eines
für den Fahrer und das andere für den Fahrgast hat,
kann die Steuerung 60 bestimmen, welcher Insasse, der Fahrer
oder der Fahrgast, die Klimaanlage betätigt hat, indem
sie prüft, welches Klimaanlagen-Bedienfeld 59 betätigt
wurde. Alternativ kann, wie in der japanischen
ungeprüften Patentveröffentlichung Nr. 2002-29239 beschrieben,
ein Erfassungssensor für den bedienenden Insassen, wie
etwa ein Infrarot-Temperatursensor auf dem Klimaanlagen-Bedienfeld 59 bereitgestellt
werden, so dass die Steuerung 60 bestimmen kann, welcher
Insasse, der Fahrer oder der Fahrgast, die Klimaanlage bedient hat.The present invention is not limited to the above specific embodiment. For example, the vehicle occupant is not limited to the driver of the vehicle. When provisions are made to identify who performed the setting operation on the vehicle air conditioner, the present invention can be advantageously applied to the case where any other occupant than the driver operates the air conditioner. For example, if the vehicle air conditioning two air conditioning control panels 59 , one for the driver and the other for the passenger, can control 60 determine which occupant, the driver or the passenger, the air conditioning by checking which air conditioner control panel 59 was pressed. Alternatively, as in the Japanese Unexamined Patent Publication No. 2002-29239 described, a detection sensor for the serving occupant, such as an infrared temperature sensor on the air conditioning control panel 59 be provided so that the controller 60 can determine which inmate, the driver or the passenger operated the air conditioner.
Wenn
der Fahrgast die Klimaanlage bedient hat, führt die Steuerung 60 den
Abgleich und die Authentifizierung des Fahrgasts basierend auf den
von der Kamera 54 im Auto erfassten Bilddaten in der gleichen
Weise durch wie wenn der Abgleich und die Authentifizierung des
Fahrers durchgeführt werden. Dann speichert die Steuerung 60 die
Zustandinformationen, wie etwa verschiedene Sensorwerte, zur Zeit
der Betätigung als die gelernten Informationen, indem sie
diese mit dem Fahrgast, nicht mit dem Fahrer, verknüpft.When the passenger has operated the air conditioner, the controller performs 60 the adjustment and authentication of the passenger based on that of the camera 54 in the car captured image data in the same way as when the adjustment and the authentication of the driver are performed. Then the controller saves 60 the state information, such as various sensor values, at the time of actuation, as the learned information by associating it with the passenger, not with the driver.
Wenn
der Insasse ferner auf eine bestimmte Person beschränkt
ist, oder wenn ein Wahrscheinlichkeitsmodell nur für die
Art der Einstellbetätigung aufgebaut wird, von der erwartet
wird, dass sie von irgend jemandem durchgeführt wird, der
das Fahrzeug steuert, kann die Abgleicheinheit 63 weggelassen werden.
In diesem Fall werden ungeachtet dessen, wer der bedienende Insasse
ist, das gleiche Wahrscheinlichkeitsmodell und die gleichen gelernten
Informationen zum Lernen des Wahrscheinlichkeitsmodells verwendet.Further, if the occupant is limited to a particular person, or if a probabilistic model is set up only for the type of setting operation expected to be performed by anyone who controls the vehicle, the matching unit may 63 be omitted. In this case, regardless of who the serving occupant is, the same probabilistic model and the same learned information are used to learn the probabilistic model.
Ferner
können die Zustandsinformationen, die zum Aufbau des Wahrscheinlichkeitsmodells
und für die Einstellbetätigung unter Verwendung
des Wahrscheinlichkeitsmodells verwendet werden sollen, Informationen
umfassen, welche die Einstellung der Fahrzeug-Klimaanlage (wie etwa
die Solltemperatur, der Luftdurchsatzpegel, etc.) betreffen, als
die Zustandsinformationen erfasst wurden.Further
can the state information used to build the probabilistic model
and for the setting operation using
of the probabilistic model should be used for information
include the adjustment of the vehicle air conditioning (such as
the target temperature, the air flow rate, etc.), as
the status information has been captured.
In
der vorstehenden Ausführungsform wurden die Parameter,
die von der Steuerinformations-Korrektureinheit 64 korrigiert
werden sollen, als Parameter beschrieben, die sich auf die Einstellinformationen,
wie etwa die Temperatureinstellung, die Luftdurchsatzpegeleinstellung,
etc. beziehen, welche der Insasse direkt von dem Klimaanlagen-Bedienfeld 59 festlegen
kann. Die Steuerinformations-Korrektureinheit 64 kann jedoch
derart konfiguriert sein, dass sie unter Verwendung des Wahrscheinlichkeitsmodells
die Parameter korrigiert, die sich auf die Steuerinformationen beziehen,
die verwendet werden, um die verschiedenen Teile der Klimatisierungseinheit 10 zu
steuern, wie etwa die Klimatisierungstemperatur Tao,
die unter Verwendung der Temperatursteuergleichung berechnet wird,
die Anzahl von Umdrehungen des Lüftungsventilators 21,
die unter Verwendung der Luftdurchsatzpegel-Steuergleichung berechnet wird,
die Öffnung der Luftmischkappe 28, etc.In the above embodiment, the parameters set by the control information correcting unit 64 to be corrected are described as parameters relating to the setting information such as the temperature setting, the air flow level adjustment, etc., which the occupant directly from the air conditioner control panel 59 can set. The control information correcting unit 64 however, it may be configured to correct, using the probabilistic model, the parameters relating to the control information used to control the various parts of the air conditioning unit 10 such as the air conditioning temperature T ao calculated using the temperature control equation, the number of revolutions of the ventilation fan 21 calculated using the air flow rate control equation, the opening of the air mix cap 28 , Etc.
Die
vorliegende Erfindung kann auch weitgehend auf Anwendungen angewendet
werden, in denen die Klimaanlage basierend auf Zustandsinformationen,
die nicht direkt auf den Klimatisierungsbetrieb bezogen sind, automatisch
gesteuert wird. Zum Beispiel kann die Steuerung automatisch durchgeführt werden,
um den Entfroster einzuschalten, wenn die Steuerung 60 ein
Signal empfängt, dass die Scheibenwischer betrieben werden
sollen, um die Klimaanlage auf die Außenlufteinlassbetriebsart
einzustellen, wenn der Zigarettenanzünder verwendet wird, oder
den Luftdurchsatzpegel zu senken, wenn der Autoaudioanlagenschalter
eingeschaltet wird. Ferner brauchen die Parameter, die automatische
korrigiert werden sollen, sich nicht direkt auf die Steuerung der Fahrzeug-Klimaanlage
beziehen. Zum Beispiel kann die Steuerung durchgeführt
werden, um die elektrischen Fenster automatisch zu öffnen,
wenn der Luftdurchsatzpegel auf 0 festegelegt ist. In derartigen Fällen
sendet die Steuerung ein entsprechendes Steuersignal an die Fahrzeugbedienvorrichtung.The present invention can also be widely applied to applications in which the air conditioner is automatically controlled based on state information that is not directly related to the air conditioning operation. For example, the controller can be automatically performed to turn on the defroster when the controller 60 a signal receives that the wipers are to be operated to set the air conditioner to the outside air intake mode when the cigarette lighter is used, or to lower the air flow rate when the car audio system switch is turned on. Further, the parameters that are to be corrected automatically need not relate directly to the control of the vehicle air conditioner. For example, the control may be performed to automatically open the electric windows when the air flow rate is set to zero. In such cases, the controller sends a corresponding control signal to the vehicle operating device.
In
der vorstehenden Ausführungsform wurden im Voraus Standardmodelle
mit vorbestimmten Graphenstrukturen für den Aufbau von
Wahrscheinlichkeitsmodellen erzeugt. Anstatt derartige Standardmodelle
zu erzeugen, kann die lernende Einheit 66 jedoch unter
Verwendung eines K2-Algorithmus oder eines genetischen Algorithmus
eine Graphenstruktur erzeugen. Wenn zum Beispiel ein genetischer
Algorithmus verwendet wird, wird eine Vielzahl von „Genen"
erzeugt, von denen jedes als ein Element dient, welches das Vorhandensein
oder Nichtvorhandensein einer Verbindung zwischen Knoten anzeigt.
Dann berechnet die lernende Einheit 66 die Tauglichkeit
jedes Gens unter Verwendung des vorher beschriebenen Informationskriteriums.
Danach wählt die lernende Einheit 66 Gene aus,
die Tauglichkeitswerte haben, die größer als ein
vorbestimmter Wert sind, und führt derartige Kunstgriffe,
wie Kreuzung und Mutation durch, um die nächste Generation von
Genen herzustellen. Die lernende Einheit 66 wiederholt
derartige Kunstgriffe mehrere Male und wählt Gene mit der
besten Tauglichkeit aus. Die lernende Einheit 66 verwendet
die durch die ausgewählten Gene beschriebene Graphenstruktur,
um das Wahrscheinlichkeitsmodell aufzubauen. Die lernende Einheit 66 kann
jeden dieser Algorithmen mit dem Verfahren zum Aufbauen des Wahrscheinlichkeitsmodells
aus einem Standardmodell kombinieren.In the above embodiment, standard models having predetermined graph structures were constructed in advance for the construction of probabilistic models. Instead of creating such standard models, the learning unit may 66 however, generate a graph structure using a K2 algorithm or a genetic algorithm. For example, when a genetic algorithm is used, a plurality of "genes" are generated, each of which serves as an element indicating the presence or absence of a connection between nodes, then the learning unit calculates 66 the suitability of each gene using the information criterion previously described. After that, the learning unit chooses 66 Genes that have fitness levels greater than a predetermined value, and performs such artfulness as crossing and mutating to produce the next generation of genes. The learning unit 66 Repeats such tricks several times and selects genes with the best suitability. The learning unit 66 uses the graph structure described by the selected genes to construct the probabilistic model. The learning unit 66 can combine any of these algorithms with the method of building the probabilistic model from a standard model.
In
der vorstehenden Ausführungsform wurde ein Bayessches Netz
als das Wahrscheinlichkeitsmodell verwendet, aber stattdessen können
andere Wahrscheinlichkeitsmodelle, wie etwa ein verstecktes Markov-Modell,
verwendet werden.In
The above embodiment has been a Bayesian network
can be used as the probabilistic model, but instead
other probabilistic models, such as a hidden Markov model,
be used.
Die
vorliegende Erfindung kann auf eine Klimaanlage jeder Art, sei sie
nur vom Fronttyp, vom unabhängigen linken und rechten Typ,
einem hinteren unabhängigen Typ, einem unabhängigen
Viersitztyp oder einem unabhängigen oberen/unteren Typ,
angewendet werden. Wenn die vorliegende Erfindung auf eine Klimaanlage
vom unabhängigen Typ angewendet wird, kann eine Vielzahl
von Innentemperatursensoren und Sonnensensoren montiert werden.The
The present invention can be applied to an air conditioner of any kind, be it
only of the front type, of the independent left and right type,
a rear independent type, an independent one
Four-seat type or independent upper / lower type,
be applied. If the present invention to an air conditioner
of the independent type can be applied a variety
be mounted by indoor temperature sensors and sun sensors.
Außerdem
kann die vorliegende Erfindung auf andere Vorrichtungen als die
Klimatisierungsvorrichtung angewendet werden. Zum Beispiel kann
die vorliegende Erfindung auf eine Steuervorrichtung angewendet
werden, die eine Vielzahl von Arten von Zustandsinformationen erfasst,
die Zustandsinformationen in ein Wahrscheinlichkeitsmodell eingibt,
das zu einer vorgeschriebenen Steuerbetätigung gehört, die
Wahrscheinlichkeit dafür erhält, dass die vorgeschriebene
Steuerbetätigung durchgeführt wird, und die vorgeschriebene
Steuerbetätigung durchführt, wenn die Wahrscheinlichkeit
größer als ein vorbestimmter Wert ist.Furthermore
For example, the present invention can be applied to devices other than the
Air conditioning device can be applied. For example, can
the present invention applied to a control device
that captures a variety of types of state information,
enter the state information into a probabilistic model,
which belongs to a prescribed tax return, the
Likelihood of getting that prescribed
Tax return is performed, and the prescribed
Tax return performs when the probability
greater than a predetermined value.
Wie
vorstehend beschrieben, können innerhalb des Bereichs der
vorliegenden Erfindung vielfältige Modifikationen vorgenommen
werden.As
can be described within the scope of
various modifications made in the present invention
become.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDE IN THE DESCRIPTION
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.This list
The documents listed by the applicant have been automated
generated and is solely for better information
recorded by the reader. The list is not part of the German
Patent or utility model application. The DPMA takes over
no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
-
- JP 2000-293204 [0002, 0003, 0111] - JP 2000-293204 [0002, 0003, 0111]
-
- JP 2000-62431 [0004] - JP 2000-62431 [0004]
-
- JP 2005-202786 [0049] - JP 2005-202786 [0049]
-
- JP 2005-67353 [0049] - JP 2005-67353 [0049]
-
- JP 05-147421 [0111] - JP 05-147421 [0111]
-
- JP 2000-071060 [0111] - JP 2000-071060 [0111]
-
- JP 05-208610 [0111] - JP 05-208610 [0111]
-
- JP 05-169963 [0111] JP 05-169963 [0111]
-
- JP 2002-29239 [0141] - JP 2002-29239 [0141]
Zitierte Nicht-PatentliteraturCited non-patent literature
-
- „Bayesian
Network Technology" von Yoichi Kimura und Hirotoshi Iwasaki, 1.
Auflage, Tokyo Denki University Press, Juli 2006, „Introduction
to Baesian Networks" von Kazuo Shigemasu et al., 1. Auflage, Baifukan,
Juli 2006, oder „Pattern Recognition", übersetzt
von Mono Onoe, 1. Auflage, Shin Gijutsu Communications, Juli 2001 [0051] "Bayesian Network Technology" by Yoichi Kimura and Hirotoshi Iwasaki, 1st Edition, Tokyo Denki University Press, July 2006, "Introduction to Baesian Networks" by Kazuo Shigemasu et al., 1st Edition, Baifukan, July 2006, or "Pattern Recognition ", translated by Mono Onoe, 1st Edition, Shin Gijutsu Communications, July 2001 [0051]
-
- „Introduction to Bayesian Networks" von Kazuo Shigemasu
et al., 1. Auflage, Baifukan, Juli 2006, S. 35-38, 85-87 [0100] - "Introduction to Bayesian Networks" by Kazuo Shigemasu et al., 1st Edition, Baifukan, July 2006, pp. 35-38, 85-87 [0100]