DE4121453C2 - Näherungsschlußfolgerungsvorrichtung - Google Patents
NäherungsschlußfolgerungsvorrichtungInfo
- Publication number
- DE4121453C2 DE4121453C2 DE4121453A DE4121453A DE4121453C2 DE 4121453 C2 DE4121453 C2 DE 4121453C2 DE 4121453 A DE4121453 A DE 4121453A DE 4121453 A DE4121453 A DE 4121453A DE 4121453 C2 DE4121453 C2 DE 4121453C2
- Authority
- DE
- Germany
- Prior art keywords
- knowledge
- expert
- weight
- conclusion
- experts
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/04—Physical realisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Devices For Executing Special Programs (AREA)
Description
Die Erfindung bezieht sich auf eine Näherungsschlußfol
gerungsvorrichtung gemäß dem Oberbegriff des Patentanspruchs
1 bzw. 2.
Eine Näherungsschlußfolgerungsvorrichtung dieser Art
ist aus US 4 860 213 bekannt.
Bei dieser bekannten Näherungsschlußfolgerungsvorrich
tung ist das Wissen mehrerer Experten nur gleichgewichtig
eingebbar und verwendbar.
Aus EP 0 318 985 A2 ist es bekannt, eine Prioritäts
reihenfolge für Näherungsschlußfolgerungsregeln vorzusehen.
Aufgabe der Erfindung ist es, eine Näherungsschlußfol
gerungsvorrichtung der eingangs genannten Art so zu gestal
ten, daß die Korrektheit der Schlußfolgerungsergebnisse
verbessert ist.
Diese Aufgabe wird durch Näherungsschlußfolgerungsvor
richtungen mit den Merkmalen des Patentanspruchs 1 und des
Patentanspruchs 2 gelöst.
Ausführungsformen der Erfindung werden im folgenden in
Verbindung mit den beigefügten Zeichnungen beschrieben.
In den Zeichnungen ist bzw. sind
Fig. 1 ein Blockschaltbild, welches ein Beispiel des
Gesamtaufbaus einer Näherungsschlußfolgerungsvorrichtung
gemäß einer Ausführungsform der Erfindung zeigt,
Fig. 2 eine Kurve, welche eine Gauß-Verteilung dar
stellt,
Fig. 3a-3c Kurven, welche zeigen, wie eine Zugehö
rigkeitsfunktion ausgebildet wird,
Fig. 4a und 4b Kurven, welche für die Faktoren er
haltene Zugehörigkeitsfunktionen veranschaulichen,
Fig. 5, 6, 7 und 8 Veranschaulichungen von Methoden
der Wissensgewichtung,
Fig. 9 ein Blockschaltbild, welches eine Näherungs
schlußfolgerungsvorrichtung gemäß einer weiteren Ausfüh
rungsform der Erfindung zeigt, und
Fig. 10 eine Veranschaulichung von Beziehungen zwi
schen dem Wissen von Experten und Faktorwerten.
In vorbekannten Wissenzusammenfas
sungs- bzw. -synthetisierverfahren wird das Wissen aller
Experten, die ihr Wissen zur Wissensbasis beigetragen haben,
als äquivalent behandelt. Tatsächlich jedoch unterscheiden
sich die Fähigkeiten der Experten voneinander. Wenn daher
das Wissen aller Experten als gleich behandelt wird, wird
die Korrektheit Wissensbasis durch das Wissen eines Experten
beeinträchtigt, der vergleichsweise geringe Fähigkeiten hat,
und dies reduziert die Genauigkeit der Schlußfolgerungser
gebnisse.
Die Näherungsschlußfolgerungsvorrichtung gemäß der vor
liegenden Ausführungsform ist so eingerichtet, daß genaue
Schlußfolgerungsergebnisse durch Gewichtung des Wissens der
einzelnen Experten erzielt werden.
Fig. 1 veranschaulicht den Aufbau der Näherungsschluß
folgerungsvorrichtung gemäß dieser Ausführungsform. Die
Näherungsschlußfolgerungsvorrichtung umfaßt eine Wissens
speichereinheit 11A, eine Wissenssynthetisiereinheit 12A,
eine Synthesewissensspeichereinheit 13A, eine Faktorwert-
Eingabeeinheit 14, eine Zugehörigkeitsgrad-Berechnungsein
heit 15, eine Berechnungseinheit 16 für eine dynamische
Informationsgröße, eine Möglichkeitsberechnungseinheit 17,
eine Möglichkeitsanzeigeeinheit 18A, eine Berechnungseinheit
19 für eine statische Informationsgröße, eine Klarheitsbe
rechnungseinheit 20, eine Klarheitsspeichereinheit 21, eine
Klarheitsaddiereinheit 22 und eine Klarheitsanzeigeeinheit
23.
Diese Einheiten werden nun auszugsweise anhand einer
Fehlerdiagnose beschrieben.
Wissenspeichereinheit
Die Wissensspeichereinheit IIA speichert Wissen, wel
ches durch einen Experten oder dgl. eingegeben worden ist,
in einer Form, welche die Beziehung zwischen Faktoren (feh
lerbedingte
Symptome, Meßergebnisse etc.) und einem Schluß (Art des Fehlers
etc.) angibt. Diese Einheit ist in der Lage, das Wissen einer
Anzahl von Experten zu speichern.
Beispiele für das Wissen zweier Experten ex₁, ex₂₁ welches
in der Wissensspeichereinheit 11A gespeichert ist, sind im fol
genden in Form von Regeln veranschaulicht.
Wenn 20 f₁ 60, 0 f₂ 40, dann c₁ (1)
Wenn 40 f₁ 80, 60 f₂ 100, dann c₂ (2)
Wenn 30 f₁ 50, 10 f₂ 30, dann c₁ (3)
Wenn 50 f₁ 70, 70 f₂ 90, dann c₂ (4)
Hier sind f₁ und f₂ Faktoren, auf die im folgenden als
Faktor 1 bzw. Faktor 2 Bezug genommen werden wird.
Ferner wird auf a, b, ausgedrückt so, daß a f₁ b gilt,
als Minimalwert bzw. Maximalwert Bezug genommen.
Die vorstehenden Regeln werden für jeden Experten zu fol-
gendem, wenn sie in Form einer Tabelle ausgedrückt werden:
gendem, wenn sie in Form einer Tabelle ausgedrückt werden:
Zusätzlich zu den weiter oben angegebenen Expertenwis
sen [Gleichungen (1) bis (4)] speichert die Wissensspeicher
einheit 11A eine Anzahl von Gewichtungs
koeffizienten für die entsprechenden Experten. Jeder Gewich
tungskoeffizient wird durch eine ganze Zahl von 1 bis 5 aus
gedrückt, wobei das Wissen eines jeden Experten damit gewichtet
wird, wenn die Wissensbasis aufgebaut wird.
Es sei beispielsweise das Wissen zur Gewinnung eines
Schlusses 1 (c₁) aus einem Faktor 1 (f₁) betrachtet. Die Gewich
tungskoeffizienten der Experten ex₁, ex₂ sind die folgenden:
Experte ex₁: 5
Experte ex₂: 3
Experte ex₂: 3
Das gewichtete Mittel mwmin von Minimalwerten und das ge
wichtete Mittel mwmax von Maximalwerten werden in der folgenden
Weise berechnet:
Die gewichtete Standardabweichung σwmin der Minimalwerte
und die gewichtete Standardabweichung σwmax der Maximalwerte
werden in der folgenden Weise berechnet:
Zunächst wird die ungewichtete Kombination des Exper
tenwissens dargelegt.
Es gibt verschiedene Methoden der Wissenssynthese, hier
werden aber der Mittelwert und die Standardabweichung einer
Anzahl von Experten in Bezug auf Maximal- und Minimalwert eines
jeden Faktors, der an einem Schluß teilnimmt, berechnet.
Die Wissenssynthetisierverarbeitung wird nun anhand des
Beispiels von Wissen beschrieben, welches den Schluß c₁ aus dem
Faktor f₁ der beiden oben erwähnten Experten herleitet.
Zieht man die Regeln zur Gewinnung des Schlusses 1 (c₁) aus
dem Faktor 1 (c₁) aus den oben erwähnten Regeln ((Gleichung (1)
und Gleichung (3)), dann drücken sich diese folgendermaßen aus:
Experte ex₁: wenn 20 f₁ 60, dann c₁ (9)
Experte ex₂: wenn 30 f₁ 50, dann c₁ (10)
Der Mittelwert mmin der Minimalwerte und der Mittelwert
mmax der Maximalwerte werden berechnet.
Die Standardabweichung σmin der Minimalwerte und die
Standardabweichung σmax der Maximalwerte werden berechnet.
Wenn eine solche Verarbeitung zur Kombination des Wissens
der Experten für alle Minimal- und Maximalwerte eines jeden
Faktors, der an einem Schluß in bezug auf die obigen Regeln
(Gleichungen (1) bis (4)) teilnimmt, durchgeführt wird, ergibt sich die
folgende Tabelle:
Allgemein ist beim Näherungsschlußfolgern eine Zugehörig
keitsfunktion für jeden Faktor gegeben. Als ein Beispiel wird
nun ein Verfahren beschrieben, bei welchem eine
Zugehörigkeitsfunktion durch eine Gauß-Verteilung unter Verwen
dung des Wissens von Experten, das wie oben ausgeführt, kombi
niert ist, gewonnen wird.
Eine Zugehörigkeitsfunktion wird durch die folgende Glei
chung unter Verwendung des Mittelwertes mmin der Minimalwerte,
des Mittelwertes mmax der Maximalwerte, der Standardabweichung
σmin der Minimalwerte, und der Standardabweichung der Maximal
werte σmax ausgedrückt:
wobei x: zum Faktor eingegebener Datenwert
Φ(x): Grad, in welchem Eingangsdaten zum Faktor gehören (Zugehörigkeitsgrad)
Gauß (x): Wert der Gauß-Verteilung in Eingabe x.
Φ(x): Grad, in welchem Eingangsdaten zum Faktor gehören (Zugehörigkeitsgrad)
Gauß (x): Wert der Gauß-Verteilung in Eingabe x.
Fig. 2 veranschaulicht ein Beispiel einer Gauß-Verteilung.
Bei dieser Gauß-Verteilung wird nur die linke Hälfte zur Bildung
der Zugehörigkeitsfunktion verwendet. Die Lage von x für Φ(x) =
0,5 wird durch mmin oder mmax und die Steigung durch σmin oder
σmax entschieden.
Als ein Beispiel wird eine Zugehörigkeitsfunktion zur Ge
winnung des Schlusses c₁ aus dem Faktor f₁ in der Weise der
Fig. 3c aus Fig. 3a unter Verwendung eines aus den Gleichun
gen (11) bis (14) berechneten Wertes gebildet. In diesem Fall
wird Gleichung (15) zu:
Fig. 3a stellt den ersten Term auf der rechten Seite von
Gleichung (15) bzw. (16) dar, Fig. 3b den zweiten Term auf der
rechten Seite der Gleichung (15) bzw. (16) und Fig. 3c das
Ergebnis der Subtraktion des zweiten Terms vom ersten Term,
nämlich eine durch Gleichung (15) bzw. (16) ausgedrückte Zugehö
rigkeitsfunktion dar.
Fig. 4a und 4b veranschaulichen Beispiele von Zugehörig
keitsfunktionen zur Gewinnung der Schlüsse c₁, c₂ im Hinblick
auf die Faktoren f₁, f₂, die basierend auf dem in Tabelle 3
gezeigten kombinierten Wissen gebildet sind.
Die Wissenssynthetisiereinheit 12A kombiniert das Wissen
der Experten in der oben beschriebenen Weise unter Verwendung
von deren Gewichtungskoeffizienten und speichert das kombinier
te Wissen in einer Speichereinheit 13A.
Wenn eine solche Verarbeitung zur Gewichtung und Kombi
nierung des Wissens der Experten für alle Minimal- und Maximal
werte aller Faktoren, die an den einzelnen Schlüssen teilnehmen,
in Bezug auf die oben erwähnten Regeln (Gleichungen (1) bis (4))
durchgeführt wird, ergibt sich die folgende Tabelle (vgl. diese
mit Tabelle 3):
Schreibt man die Gleichungen (5) bis (8) als allgemeinen
Ausdruck, ergibt sich folgendes, wobei Vi den Wissenswert des
Experten exi und Wi den Gewichtungskoeffizienten dieses Experten
darstellt.
Gewichteter Mittelwert S:
In Gleichung (17) stellt N die Anzahl der Experten dar.
Wenn der Wissenswert Vi nicht gegeben worden ist, wird der Ge
wichtskoeffizient Wi zu Null gemacht.
Gewichtete Varianz σ² oder gewichtete Standardabweichung σ:
Die folgenden Modifikationen sind möglich:
Bei dieser Ausführungsform werden Gewichtungskoeffizienten
durch ganze Zahlen von 1 bis 5 ausgedrückt. Andere Ausdrucks
verfahren sind jedoch auch möglich, wenn die Werte nichtnegative
reelle Zahlen sind und das Gewicht umso größer ist, je größer
der Wert ist.
Bei dieser Ausführungsform wird eine Gewichtung auf Exper
ten auf einer individuellen Basis angewandt. Das Anwenden einer
Gewichtung auf Regeln auf einer individuellen Basis ermöglicht
es, eine Wissensgewichtung in Übereinstimmung mit den Intentio
nen der Experten durchzuführen, indem Regeln ein größeres Ge
wicht verliehen wird, welche in die Spezialität eines Experten
fallen und auf welche der Experte vertraut, und ein geringes
Gewicht Regeln, die nicht in die Spezialität des Experten fallen
und welchen der Experte vergleichsweise wenig vertraut.
Bei dieser Ausführungsform wird die Wissenssynthese unter
Verwendung eines gewichteten Mittels und einer gewichteten Stan
dardabweichung durchgeführt. Bei dem unten beschriebenen Ver
fahren der Wissenssynthese wird jedoch ein Verfahren des Aus
drückens der Gewichtung von Experten betrachtet.
In bezug auf das Wissen und die Gewichte von Experten im
Falle des oben beschriebenen Beispiels kann ein Verfahren in
Betracht gezogen werden, bei welchem Wissen in Form von Stufen
ausgedrückt und kombiniert wird, eine Zugehörigkeitsfunktion
gebildet wird und die Gewichte der Experten als Höhe, wie in
Fig. 5 gezeigt, wiedergegeben werden. In einem Fall wie diesem
ist eine Interpolation beruhend auf einem Verbinden der Ecken
der Stufen durch gerade Linien, wie in Fig. 6 gezeigt, ebenfalls
denkbar.
Andere Interpolationsverfahren sind ebenfalls möglich.
Durch Vorsehen eines Ausdrucks dieser Art läßt sich Gewicht
ausdrücken, ohne daß eine mittlere und Standardabweichung zum
Zwecke der Anwendung einer Gauß-Verteilung aufgefunden wird.
In Bezug auf das Wissen von Experten im Falle des oben
beschriebenen Beispiels werden die Intervallpunkte von f₁, die
durch das Wissen der einzelnen Experten gegeben sind, wie in
Fig. 7 veranschaulicht aufgetragen.
Es sind Verfahren denkbar, bei welchen MF durch Approxi
mierung dieser Punkte beruhend auf Regression oder durch In
terpolation dieser Punkte unter Verwendung einer Keilfunktion
synthetisiert wird.
- (a) Im Falle linearer Regression wird die Näherung durch eine Regressionslinie, die sich auf eine Gruppe von Minimalwerte angebenden Punkte bezieht, und eine Regressionslinie, die sich auf eine Gruppe von Maximalwerte angebenden Punkten bezieht, durchgeführt. Es ist möglich, diese Koeffizienten amin, bmin, amax, bmax nach der Methode der kleinsten Quadrate zu gewinnen. Ein anderes mögliches Verfahren besteht darin, eine Näherung durch eine Regressionskurve in der gleichen Weise durchzuführen.
- (b) Ein Verfahren ist möglich, bei welchem von einer Inter polation mittels einer Keilfunktion Gebrauch gemacht wird.
Bei der oben beschriebenen Anordnung enthält die Näherungs
schlußfolgerungsvorrichtung gemäß der Erfindung die Wissensspei
chereinheit 11A zur Eingabe der Gewichte von Experten, die Wis
senssynthetisiereinheit 12A zur Synthetisierung von Wissen beru
hend auf den auf die einzelnen Experten angewandten eingegebenen
Gewichten und die Speichereinheit 13 für synthetisiertes Wissen
zur Speicherung des synthetisierten Wissens. Die Vorrichtung ist
so eingerichtet, daß Wissensmängel eliminiert werden, die von
Unterschieden in den Fähigkeiten der verschiedenen Experten
herrühren. Dies ermöglicht die Gewinnung von zuverlässigeren
Schlußfolgerungsergebnissen.
Fig. 9 veranschaulicht eine Näherungsschlußfolgerungs
vorrichtung des Lerntyps gemäß einer weiteren Ausführungs
form der Erfindung. Abschnitte, die mit den in Fig. 1 ge
zeigten übereinstimmen, sind mit gleichen Bezugszeichen wie
dort bezeichnet und werden hier nicht erneut beschrieben.
Die Lern-Wissenssynthetisiervorrichtung enthält eine Kor
rektheit-Eingabeeinheit 90, die als Eingabemittel zum Eingeben
einer Entscheidung betreffend die Korrektheit eines Ergebnisses
einer beruhend auf Wissen einer Anzahl von Experten durchgeführ
ten Schlußfolgerung verwendet wird, eine Expertenauswahleinheit
91, die als Auswahlmittel zum Auswählen, beruhend auf der Ent
scheidung betreffend mit der Korrektheit-Eingabeeinheit 90 ein
gegebene Korrektheit, welches Wissen eines Experten aus der
Anzahl derselben hinsichtlich seines Gewichts geändert werden
muß, verwendet wird, eine Gewichtsänderungseinheit 92 zur Be
rechnung und Änderung des Gewichts des Wissens, welches mit der
Expertenauswahleinheit 91 ausgewählt worden ist, eine Wissens
speichereinheit 11B, die als Speichermittel zur Speicherung des
mit der Gewichtsänderungseinheit 92 berechneten Gewichts ver
wendet wird, und eine Wissenssynthetisiereinheit 12B, die als
Wissensresynthetisiermittel zum automatischen Resynthetisieren
von Wissen, beruhend auf dem mit der Gewichtsänderungseinheit 92
berechneten Gewicht, verwendet wird.
Die Verarbeitung wird durchgeführt in der Reihenfolge
Korrektureingabeeinheit 90, Expertenauswahleinheit 91 und Ge
wichtsänderungseinheit 92, wonach Wissenssynthese durch die Wis
sensynthetisiereinheit 12B unter Verwendung der geänderten Ex
pertengewichtung durchgeführt wird.
Jede dieser Einheiten wird nun im einzelnen beschrieben.
Zunächst dient die Korrektheit-Eingabeeinheit 90 dazu, es
dem Benutzer zu ermöglichen, eine Eingabe hinsichtlich der Kor
rektheit eines Schlußfolgerungsergebnisses zu machen. In gewis
sen Fällen wird eine Anzahl von Schlüssen auf die Eingabeeinheit
90 gegeben. Wenn ein solcher Fall vorliegt, nimmt der Benutzer
eine Eingabe hinsichtlich der Korrektheit aller angewandten
Schlüsse vor.
Bei dieser Ausführungsform wird ein Beispiel veranschau
licht, bei welchem, wenn ein aus der Schlußfolgerung sich erge
bender Schluß fehlerhaft ist, die Tatsache, daß dieser Schluß
fehlerhaft ist, eingegeben wird.
Im einzelnen wird nun die Verarbeitung beschrieben, die von
dieser Vorrichtung durchgeführt wird, wenn c₁ als Schlußfolge
rungsergebnis erhalten wird und dieser Schluß inkorrekt ist.
Mit der Entscheidung, daß der Schluß c₁ inkorrekt ist, gibt
der Benutzer diese Tatsache unter Verwendung der Korrektheit-
Eingabeeinheit 90 ein. Die Eingabeeinheit 90 kann eine Tastatur
sein oder eine Maus, ein Touch-Panel oder dgl. benutzen.
Wenn der als inkorrekt erachtete Schluß an der Korrekt
heit-Eingabeeinheit 90 eingegeben worden ist, bestimmt die Ex
pertenauswahleinheit 91 auf der Grundlage einer Regel, welche
die Beziehung zwischen den Faktoren und dem Schluß, die bei
dieser Schlußfolgerung verwendet werden, angibt, welcher Experte
das inkorrekte Wissen geliefert hat und wählt sie den Experten
aus, dessen Gewicht zu ändern ist.
Das Wissen eines jeden Experten ist wie in der vierten
Ausführungsform veranschaulicht. Ferner sind die Eingabewerte
der Faktoren folgendermaßen:
Faktor f₁: 25
Faktor f₂: 35
Faktor f₂: 35
Das Wissen eines jeden Experten mit c₁ als Schluß ist, wie
weiter oben beschrieben, folgendermaßen:
Experte ex₁:
wenn 20 f₁ 60, 0 f₂ 40, dann c₁ (1)
wenn 20 f₁ 60, 0 f₂ 40, dann c₁ (1)
Experte ex₂:
wenn 30 f₁ 50, 10 f₂ 30, dann c₁ (2)
wenn 30 f₁ 50, 10 f₂ 30, dann c₁ (2)
Das Wissen eines Experten, bei welchem ein gegebene Faktor
werte enthaltender Bereich als Regel gegeben ist, kann als feh
lerhaft gesetzt werden.
Dementsprechend ist anhand von Fig. 10 ohne weiteres er
kennbar, daß der Experte, der Regeln gegeben hat, die den Schluß
c₁ aus den gegebenen Faktorwerten f₁: 25 und f₂: 35 ableiten,
der Experte ex₁ ist.
Wenn der Benutzer den fehlerhaften Schluß eingegeben hat,
liest die Expertenauswahleinheit 91 die bei der Herleitung die
ses Schlusses verwendeten Faktorwerte und die in der Wissens
speichereinheit 11B gespeicherten Regeln des Experten aus, wo
nach sie bestimmt, ob ein Faktorwert vorliegt, der in dem durch
diese Regeln gegebenen Faktorbereich enthalten ist, wodurch der
Experte ausgewählt wird, der die fehlerhaften Regeln gegeben
hat, die den Faktorbereich besitzen, der diesen Faktorwert ent
hält.
In einem Fall, wo das Wissen aller Experten sich bei dieser
Verarbeitung als fehlerhaft herausstellt, ist eine Gewichtung
sinnlos, und es wird erforderlich sein, die Regeln zu ändern.
In dieser Ausführungsform ist ein Verfahren veranschau
licht worden, bei welchem die Auswahl eines Experten auf der
Grundlage eines fehlerhaften Schlusses durchgeführt wird. Die
Auswahl eines Experten, wenn das Schlußfolgerungsergebnis kor
rekt ist, kann jedoch ebenfalls in einer ähnlichen Weise durch
geführt werden.
Wenn ein Experte, dessen Gewicht geändert werden muß, ent
schieden worden ist, ändert die Gewichtsänderungseinheit 92 das
Gewicht dieses Experten.
In dieser Ausführungsform wird ein Fall veranschaulicht, in
welchem das Schlußfolgerungsergebnis fehlerhaft ist. Mit anderen
Worten, es wird das Gewicht eines Experten, der Regeln gegeben
hat, die zu einem inkorrekten Schluß führen, vermindert.
Eine Gleichung zur Gewichtsänderung lautet folgendermaßen:
Wn: Gewicht nach Änderung
Wn-1: Gewicht vor Änderung
Anzahl, wie oft die Gewichtung geändert wird
C₀: Gewichtsänderungskoeffizient
Pc1: Möglichkeit betreffend fehlerhaften Schluß (c₁)
Clc1: Klarheit betreffend fehlerhaften Schluß (c₁).
Wn-1: Gewicht vor Änderung
Anzahl, wie oft die Gewichtung geändert wird
C₀: Gewichtsänderungskoeffizient
Pc1: Möglichkeit betreffend fehlerhaften Schluß (c₁)
Clc1: Klarheit betreffend fehlerhaften Schluß (c₁).
Der Gewichtsänderungskoeffizient entscheidet die Größe
eines Gewichtsänderungswertes. Durch Angeben der Möglichkeit und
Klarheit eines Schlusses kann eine Gewichtsänderung, die diese
Werte widerspiegelt, durchgeführt werden. Mit anderen Worten
wird, wenn ein Schluß, für welchen die Möglichkeit hoch ist,
fehlerhaft ist, das Gewicht des betreffenden Experten einer
großen Änderung unterworfen. Ferner wird das Gewicht eines Ex
perten einer großen Änderung unterworfen, wenn ein Schluß, für
welchen die Klarheit hoch ist, fehlerhaft ist.
Die Gewichtungsänderungseinheit 92 liest das Gewicht eines
Experten, dessen Gewichtung geändert werden soll, aus der Wis
sensspeichereinheit 11B ein, ändert die Gewichtung auf der
Grundlage der oben erwähnten Gleichung unter Verwendung des
gelesenen Wertes sowie der Möglichkeit und Klarheit des Schlus
ses und schreibt das Ergebnis in die Wissensspeicher 11B. Danach
wird Wissen durch die Wissenssynthetisiereinheit 12B, in der
gleichen Weise wie oben in der vierten Ausführungsform darge
legt, synthetisiert und das Ergebnis in der Speichereinheit 13A
für synthetisiertes Wissen gespeichert. In Bezug auf die stati
sche Informationsgröße und die Klarheit wird eine Neuberechnung
in der früher beschriebenen Weise durchgeführt und das Ergebnis
in der Klarheitsspeichereinheit 21 gespeichert.
In dieser Ausführungsform wird, wie oben beschrieben, die
Gewichtungsänderung gemäß der vorgenannten Gleichung berechnet.
Es ist jedoch auch möglich, eine Gewichtungsänderung unter Ver
wendung einer Gleichung durchzuführen, in welcher das Gewicht
reduziert wird, wenn ein Schluß fehlerhaft ist, und erhöht, wenn
ein Schluß korrekt ist.
Ferner führt in dieser Ausführungsform die Wissenssynthe
tisiereinheit 12B eine Wissenssynthese in der gleichen Weise wie
die in der ersten Ausführungsform veranschaulichte Wissenssyn
thetisiereinheit 12A durch. Wenn das Ergebnis wie in dem oben
veranschaulichten Beispiel dargelegt ist, wird das Gewicht des
Experten ex₁ reduziert. Als Folge davon ändert sich die Form der
Zugehörigkeitsfunktion.
Als nächstes wird die Arbeitsweise der Lern-Wissenssynthe
tisiervorrichtung dieser Ausführungsform, die wie oben dargelegt
aufgebaut ist, beschrieben.
Beruhend auf dem Ergebnis der Auswertung, die mit der in
der fünften Ausführungsform beschriebenen Wissensauswert-Be
rechnungseinheit 81 durchgeführt wird, ändert die Lern-Wissens
synthetisiervorrichtung dieser Ausführungsform die Gewichtung
eines Experten und verwendet das Ergebnis der Änderung zur
Durchführung der Wissenssynthese, wodurch ein Lernen durchgeführt
wird. Es gibt zwei Methoden der Gewichtungsänderung.
In einem Fall, wo Information, die anzeigt, daß Wissen
fehlerhaft ist, als Binärwert (richtig oder nicht richtig) durch
die Wissensauswert-Berechnungseinheit 81 gegeben wird, wenn eine
Lernzeit in Bezug auf einen eingegebenen Faktor ein einziges Mal
vorgesehen ist, wird die Gewichtung gemäß Gleichung (43), die in
der Beschreibung der Gewichtungsänderungseinheit 92 angegeben
ist, geändert.
In einem Fall, wo ein Verhältnis fehlerhaften Wissens
durch die Wissensauswert-Berechnungseinheit 81 angegeben wird,
wenn Lernzeit mehrere Male vorgesehen ist, wird die Gewichtung
unter Verwendung dieses Verhältnisses folgendermaßen geändert:
wobei Fr das Verhältnis fehlerhaften Wissens [siehe Gleichung
(42)] darstellt.
Gemäß der Vorrichtung der vorliegenden Ausführungsform wird das
Gewicht eines Experten gemäß der Korrektheit eines aus der
Schlußfolgerung erhaltenen Ergebnisses geändert. Dies bringt
folgende Vorteile:
- (1) Es ist möglich, Wissen genauer zu machen.
- (2) Wissen wird automatisch geändert, einfach dadurch, daß man den Benutzer eingeben läßt, ob ein aus dem Schlußfolgern erhaltenes Ergebnis korrekt ist. Dies ermöglicht die Durchfüh rung von Lernen.
- (3) Es ist nicht länger notwendig, die Gewichtung eines Experten vorab zu berücksichtigen und einzugeben.
Die vorliegende Ausführungsform der Erfindung kann auf folgende
Weisen modifiziert werden:
- (1) Wenn auch diese Ausführungsform ein Beispiel veran schaulicht, in welchem Gewichtung auf Experten angewandt wird, so ist eine Anordnung möglich, bei welcher Gewichtung auf indi viduelle Regeleinheiten angewandt wird. Dadurch wird es möglich, daß Lernen individueller Regeleinheiten durchzuführen, so daß Wissen, in welchem die Stärken und Schwächen von Experten ab sorbiert worden sind, gelernt werden kann.
- (2) Wenn auch ein Gewichtungsänderungskoeffizient bei der Wissenseingabe gemäß der vorstehenden Ausführungsform angewandt wird, so ist ein Verfahren denkbar, bei welchem Gewichtungsände rungskoeffizienten gleichzeitig in die Korrektheitseingabeeinheit eingegeben werden. Dies ermöglicht es dem Benutzer, Lernen zu steuern.
- (3) In vorstehender Ausführungsform wird Gewichtung auf einen Anfangswert angewandt. Es kann jedoch eine Anordnung vor gesehen werden, in welcher das System den Gewichtungswert eines Standardwertes liefert. Dies beseitigt für den Benutzer die Notwendigkeit, das Gewicht eines Experten vorab anzugeben.
- (4) In vorstehender Ausführungsform wird ein Gewicht nach Änderung in der Wissensspeichereinheit 11B gespeichert, dann eine Kombination des Wissens aller Experten erneut durch die Wissenssynthetisiereinheit durchgeführt. Es kann jedoch die Ver arbeitungsgeschwindigkeit bei der Kombination von Wissen angeho ben werden, indem nur das Wissen rekombiniert wird, welches von Experten beigetragen wird, dessen Gewichte geändert worden sind.
Claims (2)
1. Näherungsschlußfolgerungsvorrichtung mit
einer Eingabeeinrichtung zum Eingeben von Wissen mehrerer Experten, wobei das Wissen eines jeden Experten die Beziehung zwischen Faktoren und einer Schlußfolgerung angibt,
einer Wissenszusammenfassungseinrichtung zur Zusammenfassung des Wissens der einzelnen Experten,
einem Speicher zur Speicherung des zusammengefaßten Wissens, und
einer Einrichtung zur Erzeugung eines Schlußfolgerungsergebnisses auf der Grundlage des im Speicher gespeicherten zusammengefaßten Wissens und gegebener Faktorwerte,
dadurch gekennzeichnet, daß
mit der Eingabeeinrichtung ein Gewicht für jeden Experten eingebbar ist, und
in der Wissenszusammenfassungseinrichtung das Wissen der einzelnen Experten unter Gewichtung mit dem Gewicht des jeweiligen Experten zusammengefaßt wird.
einer Eingabeeinrichtung zum Eingeben von Wissen mehrerer Experten, wobei das Wissen eines jeden Experten die Beziehung zwischen Faktoren und einer Schlußfolgerung angibt,
einer Wissenszusammenfassungseinrichtung zur Zusammenfassung des Wissens der einzelnen Experten,
einem Speicher zur Speicherung des zusammengefaßten Wissens, und
einer Einrichtung zur Erzeugung eines Schlußfolgerungsergebnisses auf der Grundlage des im Speicher gespeicherten zusammengefaßten Wissens und gegebener Faktorwerte,
dadurch gekennzeichnet, daß
mit der Eingabeeinrichtung ein Gewicht für jeden Experten eingebbar ist, und
in der Wissenszusammenfassungseinrichtung das Wissen der einzelnen Experten unter Gewichtung mit dem Gewicht des jeweiligen Experten zusammengefaßt wird.
2. Näherungsschlußfolgerungsvorrichtung mit
einer Eingabeeinrichtung zum Eingeben von Wissen mehrerer Experten, wobei das Wissen eines jeden Experten die Beziehung zwischen Faktoren und einer Schlußfolgerung angibt,
einer Wissenszusammenfassungseinrichtung zur Zusammenfassung des Wissens der einzelnen Experten,
einem Speicher zur Speicherung des zusammengefaßten Wissens, und
einer Einrichtung zur Erzeugung eines Schlußfolgerungsergebnisses auf der Grundlage des im Speicher gespeicherten zusammengefaßten Wissens und gegebener Faktorwerte,
dadurch gekennzeichnet, daß
jedem einzelnen Wissen ein Gewicht zugeordnet ist, und daß vorgesehen sind:
eine Eingabeeinrichtung, mit der Information betreffend die Richtigkeit des Schlußfolgerungsergebnisses eingebbar ist,
eine Auswahleinrichtung, die basierend auf dieser Information dasjenige Wissen auswählt, dessen Gewicht zu ändern ist,
eine Recheneinrichtung zum Berechnen eines geänderten Gewichts für das ausgewählte Wissen,
eine Speichereinrichtung zum Speichern des mit der Recheneinrichtung berechneten geänderten Gewichts,
eine Einrichtung zur Neuzusammenfassung des Wissens auf Grundlage des mit der Recheneinrichtung berechneten geänderten Gewichts.
einer Eingabeeinrichtung zum Eingeben von Wissen mehrerer Experten, wobei das Wissen eines jeden Experten die Beziehung zwischen Faktoren und einer Schlußfolgerung angibt,
einer Wissenszusammenfassungseinrichtung zur Zusammenfassung des Wissens der einzelnen Experten,
einem Speicher zur Speicherung des zusammengefaßten Wissens, und
einer Einrichtung zur Erzeugung eines Schlußfolgerungsergebnisses auf der Grundlage des im Speicher gespeicherten zusammengefaßten Wissens und gegebener Faktorwerte,
dadurch gekennzeichnet, daß
jedem einzelnen Wissen ein Gewicht zugeordnet ist, und daß vorgesehen sind:
eine Eingabeeinrichtung, mit der Information betreffend die Richtigkeit des Schlußfolgerungsergebnisses eingebbar ist,
eine Auswahleinrichtung, die basierend auf dieser Information dasjenige Wissen auswählt, dessen Gewicht zu ändern ist,
eine Recheneinrichtung zum Berechnen eines geänderten Gewichts für das ausgewählte Wissen,
eine Speichereinrichtung zum Speichern des mit der Recheneinrichtung berechneten geänderten Gewichts,
eine Einrichtung zur Neuzusammenfassung des Wissens auf Grundlage des mit der Recheneinrichtung berechneten geänderten Gewichts.
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2168492A JP3049738B2 (ja) | 1990-06-28 | 1990-06-28 | 近似推論装置と人間とのインターフェイス装置 |
JP16849190A JP3211235B2 (ja) | 1990-06-28 | 1990-06-28 | 近似推論装置と人間とのインターフェイス装置 |
JP17029390A JP3211236B2 (ja) | 1990-06-29 | 1990-06-29 | 近似推論のための知識自動修正装置 |
JP19745490A JP3256967B2 (ja) | 1990-07-25 | 1990-07-25 | 近似推論装置 |
JP2222136A JPH04104302A (ja) | 1990-08-23 | 1990-08-23 | 近似推論装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4121453A1 DE4121453A1 (de) | 1992-01-09 |
DE4121453C2 true DE4121453C2 (de) | 1996-08-29 |
Family
ID=27528456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4121453A Expired - Fee Related DE4121453C2 (de) | 1990-06-28 | 1991-06-28 | Näherungsschlußfolgerungsvorrichtung |
Country Status (3)
Country | Link |
---|---|
US (1) | US5651100A (de) |
KR (1) | KR950010415B1 (de) |
DE (1) | DE4121453C2 (de) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0452824A3 (en) * | 1990-04-17 | 1992-12-02 | Apt Instruments Corp. | Approximate reasoning apparatus |
US6546378B1 (en) | 1997-04-24 | 2003-04-08 | Bright Ideas, L.L.C. | Signal interpretation engine |
US6804661B2 (en) | 1997-04-24 | 2004-10-12 | Bright Ideas, L.L.C. | Drug profiling apparatus and method |
KR100481293B1 (ko) * | 1998-03-18 | 2005-06-08 | 주식회사 현대오토넷 | 에어백 점화 제어 및 자기진단 장치 |
US20050124863A1 (en) * | 2001-06-28 | 2005-06-09 | Cook Daniel R. | Drug profiling apparatus and method |
US7072871B1 (en) * | 2001-08-22 | 2006-07-04 | Cadex Electronics Inc. | Fuzzy logic method and apparatus for battery state of health determination |
US6904367B2 (en) * | 2002-10-04 | 2005-06-07 | Daniel R. Cook | Petroleum exploration and prediction apparatus and method |
US6952649B2 (en) * | 2002-10-04 | 2005-10-04 | Cook Daniel R | Petroleum exploration and prediction apparatus and method |
JP2004303190A (ja) * | 2003-03-20 | 2004-10-28 | Hitachi Ltd | プログラム、情報処理装置、情報処理装置の制御方法、及び記録媒体 |
US8660854B1 (en) * | 2005-03-24 | 2014-02-25 | Becton, Dickinson And Company | Rapid syndrome analysis apparatus and method |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0650442B2 (ja) * | 1983-03-09 | 1994-06-29 | 株式会社日立製作所 | 設備群制御方法およびシステム |
US4649515A (en) * | 1984-04-30 | 1987-03-10 | Westinghouse Electric Corp. | Methods and apparatus for system fault diagnosis and control |
JPH0734162B2 (ja) * | 1985-02-06 | 1995-04-12 | 株式会社日立製作所 | 類推制御方法 |
JPS61218323A (ja) * | 1985-03-20 | 1986-09-27 | 株式会社東芝 | 事故判定方法 |
US4754410A (en) * | 1986-02-06 | 1988-06-28 | Westinghouse Electric Corp. | Automated rule based process control method with feedback and apparatus therefor |
US4860214A (en) * | 1987-01-22 | 1989-08-22 | Ricoh Company, Ltd. | Inference system |
US4907167A (en) * | 1987-09-30 | 1990-03-06 | E. I. Du Pont De Nemours And Company | Process control system with action logging |
US4860213A (en) * | 1987-10-01 | 1989-08-22 | General Electric Company | Reasoning system for reasoning with uncertainty |
JPH0619715B2 (ja) * | 1987-12-03 | 1994-03-16 | シャープ株式会社 | 質問応答装置 |
US5159667A (en) * | 1989-05-31 | 1992-10-27 | Borrey Roland G | Document identification by characteristics matching |
US5103498A (en) * | 1990-08-02 | 1992-04-07 | Tandy Corporation | Intelligent help system |
-
1991
- 1991-06-12 US US07/714,020 patent/US5651100A/en not_active Expired - Fee Related
- 1991-06-25 KR KR1019910010534A patent/KR950010415B1/ko not_active IP Right Cessation
- 1991-06-28 DE DE4121453A patent/DE4121453C2/de not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
KR950010415B1 (ko) | 1995-09-16 |
US5651100A (en) | 1997-07-22 |
DE4121453A1 (de) | 1992-01-09 |
KR920001363A (ko) | 1992-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69332980T2 (de) | Betreiben eines neuronalen netzwerks mit fehlenden und/oder inkompletten daten | |
DE102016209032B3 (de) | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt | |
DE112022000106T5 (de) | Verfahren zur Getriebefehlerdiagnose und Signalerfassung, eine Vorrichtung und ein elektronisches Gerät | |
DE10296704T5 (de) | Fuzzy-Inferenznetzwerk zur Klassifizierung von hochdimensionalen Daten | |
DE3938645C1 (de) | ||
DE4121453C2 (de) | Näherungsschlußfolgerungsvorrichtung | |
DE102019209644A1 (de) | Verfahren zum Trainieren eines neuronalen Netzes | |
DE102018220941A1 (de) | Auswertung von Messgrößen mit KI-Modulen unter Berücksichtigung von Messunsicherheiten | |
EP0875808A2 (de) | Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses | |
EP0901658B1 (de) | Verfahren zur optimierung eines fuzzy-regelsatzes durch einen rechner | |
DE19504664C2 (de) | Chaotisches rekurrentes neuronales Netz und Lernverfahren dafür | |
EP0750764B1 (de) | Verfahren und anordnung zur fuzzy-regelung | |
DE19611732C1 (de) | Verfahren zur Ermittlung von zur Entfernung geeigneten Gewichten eines neuronalen Netzes mit Hilfe eines Rechners | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
EP0978052B1 (de) | Rechnergestütztes verfahren zur auswahl von trainingsdaten für ein neuronales netz | |
EP0600569B1 (de) | Verfahren zur Auswertung einer Menge linguistischer Regeln | |
WO2005036424A9 (de) | Werkzeug für die unternehmensführung | |
DE10116773A1 (de) | Verfahren zur Ermittlung von Spannungs-Dehnungskurven mittels Splineinterpolation auf Basis charakteristischer Punkte und unter dem Einsatz neuronaler Netze | |
DE102019114049A1 (de) | Verfahren zur Validierung eines Fahrerassistenzsystems mithilfe von weiteren generierten Testeingangsdatensätzen | |
WO2020108748A1 (de) | System und verfahren zum auffinden von optimierten kombinationen von berechnungsfunktionen | |
EP0591259B1 (de) | Verfahren zur verarbeitung von unsicherheiten von eingangsdaten in neuronalen netzwerken | |
EP0814402A2 (de) | Verfahren zum Entwurf oder zur Adaption eines Fuzzy-Reglers oder eines Systems von verknüpften Fuzzy-Reglern | |
DE102022207482B4 (de) | Computerimplementiertes Verfahren zum Bestimmen eines Datenqualitätsindex, Computerprogramm und Steuereinheit | |
DE102019214308B4 (de) | Schnelles quantisiertes Training trainierbarer Module | |
DE19527521C1 (de) | Lernverfahren für ein neuronales Netz |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |