JP2000322263A - ファジィ推論モデルの構成の適正化方法 - Google Patents
ファジィ推論モデルの構成の適正化方法Info
- Publication number
- JP2000322263A JP2000322263A JP11127048A JP12704899A JP2000322263A JP 2000322263 A JP2000322263 A JP 2000322263A JP 11127048 A JP11127048 A JP 11127048A JP 12704899 A JP12704899 A JP 12704899A JP 2000322263 A JP2000322263 A JP 2000322263A
- Authority
- JP
- Japan
- Prior art keywords
- input
- fuzzy inference
- output
- data
- parameters
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】 ファジィ推論モデルを作成する際、無意味な
入力パラメータ及び出力パラメータを削除し、ファジィ
推論モデルによる演算時間を短縮する。 【解決手段】 ファジィ推論モデルに任意の入力データ
を与え、対応する出力データを算出し、複数組の擬似デ
ータを作成する。このファジィ推論モデルと共通の入出
力パラメータを有するニューラルネットワークモデルを
構成する。前記擬似データを教師データとして与えてニ
ューラルネットワークモデルの特性値を決定する。この
ニューラルネットワークモデルを用いて、各出力パラメ
ータに対する各入力パラメータの影響度を算出し、いず
れの出力パラメータに対しても影響度が小さい入力パラ
メータ、及びいずれの入力パラメータからも影響度が小
さい出力パラメータを摘出する。摘出された入出力パラ
メータを前記ファジィ推論モデルの入出力パラメータの
中から削除してファジィ推論モデルを修正する。
入力パラメータ及び出力パラメータを削除し、ファジィ
推論モデルによる演算時間を短縮する。 【解決手段】 ファジィ推論モデルに任意の入力データ
を与え、対応する出力データを算出し、複数組の擬似デ
ータを作成する。このファジィ推論モデルと共通の入出
力パラメータを有するニューラルネットワークモデルを
構成する。前記擬似データを教師データとして与えてニ
ューラルネットワークモデルの特性値を決定する。この
ニューラルネットワークモデルを用いて、各出力パラメ
ータに対する各入力パラメータの影響度を算出し、いず
れの出力パラメータに対しても影響度が小さい入力パラ
メータ、及びいずれの入力パラメータからも影響度が小
さい出力パラメータを摘出する。摘出された入出力パラ
メータを前記ファジィ推論モデルの入出力パラメータの
中から削除してファジィ推論モデルを修正する。
Description
【０００１】
【発明の属する技術分野】本発明は、対象とするシステ
ムをＩｆ−Ｔｈｅｎ形式で記述された推論ルールに基づ
いてモデル化するファジィ推論モデルに係り、特に、フ
ァジィ推論モデルの構成を適正化して、その演算時間を
短縮するための方法に関する。
ムをＩｆ−Ｔｈｅｎ形式で記述された推論ルールに基づ
いてモデル化するファジィ推論モデルに係り、特に、フ
ァジィ推論モデルの構成を適正化して、その演算時間を
短縮するための方法に関する。
【０００２】
【従来の技術】ファジィ推論モデルは、化学プラントな
どの複雑なシステムの制御において使用されている。フ
ァジィ推論モデルにおいては、複数の入力パラメータに
より構成される入力データから、複数の出力パラメータ
により構成される出力データが、Ｉｆ−Ｔｈｅｎ形式で
記述された推論ルールに基づいて算出される。
どの複雑なシステムの制御において使用されている。フ
ァジィ推論モデルにおいては、複数の入力パラメータに
より構成される入力データから、複数の出力パラメータ
により構成される出力データが、Ｉｆ−Ｔｈｅｎ形式で
記述された推論ルールに基づいて算出される。
【０００３】対象とするシステムについてファジィ推論
モデルを構成する際、先ず、過去の入力データと出力デ
ータとの組み合わせからなる複数組の実績データに基づ
いてメンバシップ関数を設定し、このメンバシップ関数
を用いてＩｆ−Ｔｈｅｎ形式で記述された推論ルールを
作成し、これらの推論ルールに基づいてファジィ推論モ
デルを構成している。
モデルを構成する際、先ず、過去の入力データと出力デ
ータとの組み合わせからなる複数組の実績データに基づ
いてメンバシップ関数を設定し、このメンバシップ関数
を用いてＩｆ−Ｔｈｅｎ形式で記述された推論ルールを
作成し、これらの推論ルールに基づいてファジィ推論モ
デルを構成している。
【０００４】（従来技術の問題点）従来のファジィ推論
モデルでは、入力パラメータや出力パラメータの個数が
多くなると、推論ルールの前件部（「Ｉｆ〜」形式で記
述される部分）や後件部（「Ｔｈｅｎ〜」形式で記述さ
れる部分）の個数が多くなり、演算に長い時間が掛かる
と言う問題があった。
モデルでは、入力パラメータや出力パラメータの個数が
多くなると、推論ルールの前件部（「Ｉｆ〜」形式で記
述される部分）や後件部（「Ｔｈｅｎ〜」形式で記述さ
れる部分）の個数が多くなり、演算に長い時間が掛かる
と言う問題があった。
【０００５】
【発明が解決しようとする課題】本発明は、上記の様な
従来のファジィ推論モデルの構成方法の問題点に鑑み成
されたもので、本発明の目的は、ファジィ推論モデルを
構成する際、適切な入力パラメータ及び出力パラメータ
を選定することによりファジィ推論モデルの構成を適正
化し、これによって、ファジィ推論モデルによる演算時
間を短縮することにある。
従来のファジィ推論モデルの構成方法の問題点に鑑み成
されたもので、本発明の目的は、ファジィ推論モデルを
構成する際、適切な入力パラメータ及び出力パラメータ
を選定することによりファジィ推論モデルの構成を適正
化し、これによって、ファジィ推論モデルによる演算時
間を短縮することにある。
【０００６】
【課題を解決するための手段】本発明は、複数の入力パ
ラメータ及び複数の出力パラメータを有するシステムに
ついて、Ｉｆ−Ｔｈｅｎ形式で記述された推論ルールに
基づいて、前記入力パラメータにより構成される入力デ
ータから、前記出力パラメータにより構成される出力デ
ータを算出するファジィ推論モデルの構成を適正化する
方法であって、対象とするシステムの過去の入力データ
と出力データとの組み合わせからファジィ推論モデルを
作成し、このファジィ推論モデルに複数の任意の入力デ
ータを与え、それぞれに対応する出力データを算出する
ことにより、これらの入力データと出力データとの組み
合わせからなる複数組の擬似データを作成し、これと並
行して、前記ファジィ推論モデルと共通の入力パラメー
タ及び出力パラメータを有するニューラルネットワーク
モデルを構成し、このニューラルネットワークモデルに
前記擬似データを教師データとして与えて、ニューラル
ネットワークモデルの特性値を決定し、この様にして特
性値が決定されたニューラルネットワークモデルを用い
て、各出力パラメータに対する各入力パラメータの影響
度を算出し、各出力パラメータに対する影響度が、いず
れも所定の下限値を下回る入力パラメータを摘出し、こ
の様にして摘出された入力パラメータを前記ファジィ推
論モデルの入力パラメータの中から削除することによっ
て、ファジィ推論モデルの構成を修正することを特徴と
する。
ラメータ及び複数の出力パラメータを有するシステムに
ついて、Ｉｆ−Ｔｈｅｎ形式で記述された推論ルールに
基づいて、前記入力パラメータにより構成される入力デ
ータから、前記出力パラメータにより構成される出力デ
ータを算出するファジィ推論モデルの構成を適正化する
方法であって、対象とするシステムの過去の入力データ
と出力データとの組み合わせからファジィ推論モデルを
作成し、このファジィ推論モデルに複数の任意の入力デ
ータを与え、それぞれに対応する出力データを算出する
ことにより、これらの入力データと出力データとの組み
合わせからなる複数組の擬似データを作成し、これと並
行して、前記ファジィ推論モデルと共通の入力パラメー
タ及び出力パラメータを有するニューラルネットワーク
モデルを構成し、このニューラルネットワークモデルに
前記擬似データを教師データとして与えて、ニューラル
ネットワークモデルの特性値を決定し、この様にして特
性値が決定されたニューラルネットワークモデルを用い
て、各出力パラメータに対する各入力パラメータの影響
度を算出し、各出力パラメータに対する影響度が、いず
れも所定の下限値を下回る入力パラメータを摘出し、こ
の様にして摘出された入力パラメータを前記ファジィ推
論モデルの入力パラメータの中から削除することによっ
て、ファジィ推論モデルの構成を修正することを特徴と
する。
【０００７】好ましくは、各出力パラメータに対する影
響度が、いずれも所定の下限値を下回る入力パラメータ
を摘出する際、同時に、各入力パラメータによる影響度
が、いずれも所定の下限値を下回る出力パラメータを摘
出する。この様にして摘出された入力パラメータを前記
ファジィ推論モデルの入力パラメータの中から削除する
とともに、この様にして摘出された出力パラメータを前
記ファジィ推論モデルの出力パラメータの中から削除す
る。これによって、ファジィ推論モデルの構成を適正化
することがきる。
響度が、いずれも所定の下限値を下回る入力パラメータ
を摘出する際、同時に、各入力パラメータによる影響度
が、いずれも所定の下限値を下回る出力パラメータを摘
出する。この様にして摘出された入力パラメータを前記
ファジィ推論モデルの入力パラメータの中から削除する
とともに、この様にして摘出された出力パラメータを前
記ファジィ推論モデルの出力パラメータの中から削除す
る。これによって、ファジィ推論モデルの構成を適正化
することがきる。
【０００８】
【発明の実施の形態】（例１） 本発明に基づくファジィ推論モデルの構成の適正化方法
の一例について説明する。
の一例について説明する。
【０００９】図１に、ファジィ推論モデルの入出力構成
の一例を示す。この例では、入力パラメータＸｉの数を
ｍ個（ｉ＝１〜ｍ）、出力パラメータＹｊの数をｎ個
（ｊ＝１〜ｎ）としている。
の一例を示す。この例では、入力パラメータＸｉの数を
ｍ個（ｉ＝１〜ｍ）、出力パラメータＹｊの数をｎ個
（ｊ＝１〜ｎ）としている。
【００１０】先ず、各入出力パラメータを、それぞれの
程度を示すラベルで表現し、それらのラベルを用いてメ
ンバシップ関数を設定する。図２に、メンバシップ関数
の形状の例を示す。このメンバシップ関数は、一般的に
採用されている三角形形状のものであり、７つのラベル
に対応して７つのピークを持っている。
程度を示すラベルで表現し、それらのラベルを用いてメ
ンバシップ関数を設定する。図２に、メンバシップ関数
の形状の例を示す。このメンバシップ関数は、一般的に
採用されている三角形形状のものであり、７つのラベル
に対応して７つのピークを持っている。
【００１１】この様に設定されたメンバシップ関数を用
いて、過去の実績データに基づいて、図３に示す様な、
Ｉｆ−Ｔｈｅｎ形式で記述された推論ルールを作成し、
これらの推論ルールに基づいてファジィ推論モデルを構
成する。なお、この例では、共通のメンバシップ関数を
作成し、各入出力パラメータで共用している。
いて、過去の実績データに基づいて、図３に示す様な、
Ｉｆ−Ｔｈｅｎ形式で記述された推論ルールを作成し、
これらの推論ルールに基づいてファジィ推論モデルを構
成する。なお、この例では、共通のメンバシップ関数を
作成し、各入出力パラメータで共用している。
【００１２】作成されたファジィ推論モデルに、複数の
任意の入力データを与えて演算を行い、それぞれの入力
データに対応する出力データを求め、これらの入力デー
タと出力データとの組み合わせ（以下、「擬似データ」
と呼ぶ）を収集する。
任意の入力データを与えて演算を行い、それぞれの入力
データに対応する出力データを求め、これらの入力デー
タと出力データとの組み合わせ（以下、「擬似データ」
と呼ぶ）を収集する。
【００１３】これと並行して、上記のファジィ推論モデ
ルと共通の入力パラメータ及び出力パラメータを有する
ニューラルネットワークモデルを作成する。図４に、ニ
ューラルネットワークモデルの例を示す。
ルと共通の入力パラメータ及び出力パラメータを有する
ニューラルネットワークモデルを作成する。図４に、ニ
ューラルネットワークモデルの例を示す。
【００１４】このニューラルネットワークモデルに、先
に収集された擬似データを教師データとして与えて、ニ
ューラルネットワークモデルの特性値を決定する。この
様にして特性値が決定されたニューラルネットワークモ
デルを用いて、以下に示す感度解析を行う。
に収集された擬似データを教師データとして与えて、ニ
ューラルネットワークモデルの特性値を決定する。この
様にして特性値が決定されたニューラルネットワークモ
デルを用いて、以下に示す感度解析を行う。
【００１５】入出力パラメータの間の関係式Ｆは、下記
の様に表される： Ｙｊ＝Ｆ（Ｘ１，Ｘ２，・・・，Ｘｍ） この式の両辺の微分を取ると、下記の様になる： δＹｊ＝Σａｉｊ・δＸｉ ａｉｊ＝∂Ｙｊ／∂Ｘｉ ここで、ａｉｊは感度係数と呼ばれる。これらの感度係
数ａｉｊは、入力値Ｘｉを微小量δＸｉ変化させたとき
の、各出力パラメータＹｊの変化の割合∂Ｙｊ／∂Ｘｉ
を表している。つまり、感度係数ａｉｊの値が大きい
程、出力Ｙｊに対する入力Ｘｉの影響が大きいことにな
る。
の様に表される： Ｙｊ＝Ｆ（Ｘ１，Ｘ２，・・・，Ｘｍ） この式の両辺の微分を取ると、下記の様になる： δＹｊ＝Σａｉｊ・δＸｉ ａｉｊ＝∂Ｙｊ／∂Ｘｉ ここで、ａｉｊは感度係数と呼ばれる。これらの感度係
数ａｉｊは、入力値Ｘｉを微小量δＸｉ変化させたとき
の、各出力パラメータＹｊの変化の割合∂Ｙｊ／∂Ｘｉ
を表している。つまり、感度係数ａｉｊの値が大きい
程、出力Ｙｊに対する入力Ｘｉの影響が大きいことにな
る。
【００１６】これら感度係数ａｉｊの値を、上記のニュ
ーラルネットワークモデルを用いて各入力パラメータＸ
ｉについて算出する。感度係数ａｉｊ（ｊ＝１〜ｎ）の
絶対値が、いずれも、予め設定された下限値よりも小さ
い場合には、その入力パラメータＸｉをファジィ推論モ
デルの入力パラメータの中から削除しても、ファジィ推
論モデルによる演算結果への影響は少ないと判断され
る。
ーラルネットワークモデルを用いて各入力パラメータＸ
ｉについて算出する。感度係数ａｉｊ（ｊ＝１〜ｎ）の
絶対値が、いずれも、予め設定された下限値よりも小さ
い場合には、その入力パラメータＸｉをファジィ推論モ
デルの入力パラメータの中から削除しても、ファジィ推
論モデルによる演算結果への影響は少ないと判断され
る。
【００１７】この様にして、ファジィ推論モデルの入力
パラメータの中から、出力パラメータに対する影響が小
さい入力パラメータを削除し、ファジィ推論モデルの構
成を簡素化する。図５に、この様して構成が簡素化され
たファジィ推論モデルの例を示す。これにより、推論ル
ールの前件部（「ＩＦ〜」で記述される部分）の数を少
なくし、ファジィ推論モデルによる演算時間を短縮する
ことができる。
パラメータの中から、出力パラメータに対する影響が小
さい入力パラメータを削除し、ファジィ推論モデルの構
成を簡素化する。図５に、この様して構成が簡素化され
たファジィ推論モデルの例を示す。これにより、推論ル
ールの前件部（「ＩＦ〜」で記述される部分）の数を少
なくし、ファジィ推論モデルによる演算時間を短縮する
ことができる。
【００１８】（例２）次に、本発明に基づくファジィ推
論モデルの構成の適正化方法の他の例について説明す
る。
論モデルの構成の適正化方法の他の例について説明す
る。
【００１９】図６に、ファジィ推論モデルの入出力構成
の一例を示す。この例では、入力パラメータＸｉの数を
５個（ｉ＝１〜５）、出力パラメータＹｊの数を３個
（ｊ＝１〜３）としている。
の一例を示す。この例では、入力パラメータＸｉの数を
５個（ｉ＝１〜５）、出力パラメータＹｊの数を３個
（ｊ＝１〜３）としている。
【００２０】先ず、過去の実績データに基づいて、各入
出力パラメータについて、例えば図７に示す様なメンバ
シップ関数を設定する。
出力パラメータについて、例えば図７に示す様なメンバ
シップ関数を設定する。
【００２１】この様に設定されたメンバシップ関数を用
いて、図８に示す様な、Ｉｆ−Ｔｈｅｎ形式で記述され
た推論ルールを作成し、これらの推論ルールに基づいて
ファジィ推論モデルを構成する。なお、この例では、共
通のメンバシップ関数を作成し、各入出力パラメータで
共用している。
いて、図８に示す様な、Ｉｆ−Ｔｈｅｎ形式で記述され
た推論ルールを作成し、これらの推論ルールに基づいて
ファジィ推論モデルを構成する。なお、この例では、共
通のメンバシップ関数を作成し、各入出力パラメータで
共用している。
【００２２】作成されたファジィ推論モデルに、複数の
任意の入力データを与えて演算を行い、それぞれの入力
データに対応する出力データを求め、これらの入力デー
タと出力データとの組み合わせ（以下、「擬似データ」
と呼ぶ）を収集する。
任意の入力データを与えて演算を行い、それぞれの入力
データに対応する出力データを求め、これらの入力デー
タと出力データとの組み合わせ（以下、「擬似データ」
と呼ぶ）を収集する。
【００２３】これと並行して、上記のファジィ推論モデ
ルと共通の入力パラメータ及び出力パラメータを有する
ニューラルネットワークモデルを作成する。図９に、ニ
ューラルネットワークモデルの例を示す。
ルと共通の入力パラメータ及び出力パラメータを有する
ニューラルネットワークモデルを作成する。図９に、ニ
ューラルネットワークモデルの例を示す。
【００２４】このニューラルネットワークモデルに、先
に収集された擬似データを教師データとして与えて、ニ
ューラルネットワークモデルの特性値を決定する。この
様にして特性値が決定されたニューラルネットワークモ
デルを用いて、以下に示す様に感度解析を行う。
に収集された擬似データを教師データとして与えて、ニ
ューラルネットワークモデルの特性値を決定する。この
様にして特性値が決定されたニューラルネットワークモ
デルを用いて、以下に示す様に感度解析を行う。
【００２５】入出力パラメータの間の関係式Ｆ、及び入
出力パラメータ間の感度係数は、前の例と同様に、下記
の様に表される： Ｙｊ＝Ｆ（Ｘ１，Ｘ２，Ｘ３，Ｘ４，Ｘ５） δＹｊ＝Σａｉｊ・δＸｉ ａｉｊ＝∂Ｙｊ／∂Ｘｉ これらの感度係数ａｉｊの値を、上記のニューラルネッ
トワークモデルを用いて各入力パラメータＸｉについて
算出する。なお、この例では、入力パラメータの数ｍが
５、出力パラメータの数ｎが３であるので、感度係数の
数は１５個となる。この様に算出された感度係数ａｉｊ
を用いて、図１０に示す様に、縦軸を入力パラメータ、
横軸を出力パラメータとするマトリクスを作成する。更
に、感度係数ａｉｊを絶対値に変換し、次いで、それら
の内の最大値を１とする正規化処理を行う。図１１に、
正規化後の感度係数ａｉｊのマトリクスを示す。
出力パラメータ間の感度係数は、前の例と同様に、下記
の様に表される： Ｙｊ＝Ｆ（Ｘ１，Ｘ２，Ｘ３，Ｘ４，Ｘ５） δＹｊ＝Σａｉｊ・δＸｉ ａｉｊ＝∂Ｙｊ／∂Ｘｉ これらの感度係数ａｉｊの値を、上記のニューラルネッ
トワークモデルを用いて各入力パラメータＸｉについて
算出する。なお、この例では、入力パラメータの数ｍが
５、出力パラメータの数ｎが３であるので、感度係数の
数は１５個となる。この様に算出された感度係数ａｉｊ
を用いて、図１０に示す様に、縦軸を入力パラメータ、
横軸を出力パラメータとするマトリクスを作成する。更
に、感度係数ａｉｊを絶対値に変換し、次いで、それら
の内の最大値を１とする正規化処理を行う。図１１に、
正規化後の感度係数ａｉｊのマトリクスを示す。
【００２６】正規化処理後の感度係数ａｉｊのマトリク
スの中で、横一行の感度係数ａｉｊ（ｊ＝１〜３）の値
がいずれも小さい場合には、その行に対応する入力パラ
メータＸｉをファジィ推論モデルの入力パラメータから
削除しても、ファジィ推論モデルによる演算結果への影
響は少ないと判断される。同様に、正規化処理後の感度
係数ａｉｊのマトリクスの中で、縦一列の感度係数ａｉ
ｊ（ｉ＝１〜５）の値がいずれも小さい場合には、その
列に対応する出力パラメータＹｊをファジィ推論モデル
の出力パラメータから削除しても、ファジィ推論モデル
による演算結果への影響は少ないと判断される。
スの中で、横一行の感度係数ａｉｊ（ｊ＝１〜３）の値
がいずれも小さい場合には、その行に対応する入力パラ
メータＸｉをファジィ推論モデルの入力パラメータから
削除しても、ファジィ推論モデルによる演算結果への影
響は少ないと判断される。同様に、正規化処理後の感度
係数ａｉｊのマトリクスの中で、縦一列の感度係数ａｉ
ｊ（ｉ＝１〜５）の値がいずれも小さい場合には、その
列に対応する出力パラメータＹｊをファジィ推論モデル
の出力パラメータから削除しても、ファジィ推論モデル
による演算結果への影響は少ないと判断される。
【００２７】従って、正規化処理後の感度係数の下限値
を予め設定しておいて、ファジィ推論モデルの入力パラ
メータ及び出力パラメータの中から、演算結果への影響
が小さい入力パラメータ及び出力パラメータを摘出し、
それらを削除する。
を予め設定しておいて、ファジィ推論モデルの入力パラ
メータ及び出力パラメータの中から、演算結果への影響
が小さい入力パラメータ及び出力パラメータを摘出し、
それらを削除する。
【００２８】図１２に、この様にして演算結果への影響
が小さい入力パラメータ及び出力パラメータが削除さ
れ、簡素化されたファジィ推論モデルの例を示す。な
お、この例では、図１１のマトリクスにおいて、正規化
処理後の感度係数の下限値を０．２として入力パラメー
タ及び出力パラメータの選別を行っており、その結果、
入力パラメータＸ４及び出入力パラメータＹ２が削除さ
れている。
が小さい入力パラメータ及び出力パラメータが削除さ
れ、簡素化されたファジィ推論モデルの例を示す。な
お、この例では、図１１のマトリクスにおいて、正規化
処理後の感度係数の下限値を０．２として入力パラメー
タ及び出力パラメータの選別を行っており、その結果、
入力パラメータＸ４及び出入力パラメータＹ２が削除さ
れている。
【００２９】この様に、ファジィ推論モデルの入力パラ
メータ及び出力パラメータの個数を減らすことにより、
推論ルールを簡素化し、ファジィ推論モデルによる演算
時間を短縮することができる。
メータ及び出力パラメータの個数を減らすことにより、
推論ルールを簡素化し、ファジィ推論モデルによる演算
時間を短縮することができる。
【００３０】
【発明の効果】本発明のファジィ推論モデルの構成の適
正化方法によれば、ファジィ推論モデルの入力パラメー
タ、あるいは、入力パラメータ及び出力パラメータの中
から、無意味なパラメータを削除し、有意義なパラメー
タのみを残すことができる。その結果、推論ルールの構
成が簡素化され、ファジィ推論モデルによる演算時間が
短縮される。
正化方法によれば、ファジィ推論モデルの入力パラメー
タ、あるいは、入力パラメータ及び出力パラメータの中
から、無意味なパラメータを削除し、有意義なパラメー
タのみを残すことができる。その結果、推論ルールの構
成が簡素化され、ファジィ推論モデルによる演算時間が
短縮される。
【図１】ファジィ推論モデルの入出力構成の一例を示す
図。
図。
【図２】ファジィ推論モデルで使用されるメンバシップ
関数の概要を示す図。
関数の概要を示す図。
【図３】Ｉｆ−Ｔｈｅｎ形式で記述された推論ルールの
一例を示す図。
一例を示す図。
【図４】図１に示したファジィ推論モデルと共通の入力
パラメータ及び出力パラメータから構成されるニューラ
ルネットワークモデルの概要を示す図。
パラメータ及び出力パラメータから構成されるニューラ
ルネットワークモデルの概要を示す図。
【図５】本発明の方法に基づいて簡素化された推論ルー
ルの一例を示す図。
ルの一例を示す図。
【図６】ファジィ推論モデルの入出力構成の他の例を示
す図。
す図。
【図７】ファジィ推論モデルで使用されるメンバシップ
関数の概要を示す図。
関数の概要を示す図。
【図８】Ｉｆ−Ｔｈｅｎ形式で記述された推論ルールの
他の例を示す図。
他の例を示す図。
【図９】図６に示したファジィ推論モデルと共通の入力
パラメータ及び出力パラメータから構成されるニューラ
ルネットワークモデルの概要を示す図。
パラメータ及び出力パラメータから構成されるニューラ
ルネットワークモデルの概要を示す図。
【図１０】感度係数で構成されるマトリクスの一例を示
す図。
す図。
【図１１】図１０に示したマトリクスを正規化した後の
結果を示す図。
結果を示す図。
【図１２】本発明の方法に基づいて簡素化された推論ル
ールの他の例を示す図。
ールの他の例を示す図。
Claims (2)
- 【請求項１】 複数の入力パラメータ及び複数の出力パ
ラメータを有するシステムについて、Ｉｆ−Ｔｈｅｎ形
式で記述された推論ルールに基づいて、前記入力パラメ
ータにより構成される入力データから、前記出力パラメ
ータにより構成される出力データを算出するファジィ推
論モデルの構成を適正化する方法であって、 対象とするシステムの過去の入力データと出力データと
の組み合わせからファジィ推論モデルを作成し、 このファジィ推論モデルに複数の任意の入力データを与
え、それぞれに対応する出力データを算出することによ
り、これらの入力データと出力データとの組み合わせか
らなる複数組の擬似データを作成し、 これと並行して、前記ファジィ推論モデルと共通の入力
パラメータ及び出力パラメータを有するニューラルネッ
トワークモデルを構成し、 このニューラルネットワークモデルに前記擬似データを
教師データとして与えて、ニューラルネットワークモデ
ルの特性値を決定し、 この様にして特性値が決定されたニューラルネットワー
クモデルを用いて、各出力パラメータに対する各入力パ
ラメータの影響度を算出し、 各出力パラメータに対する影響度が、いずれも所定の下
限値を下回る入力パラメータを摘出し、 この様にして摘出された入力パラメータを前記ファジィ
推論モデルの入力パラメータの中から削除することによ
って、ファジィ推論モデルの構成を修正することを特徴
とするファジィ推論モデルの構成の適正化方法。 - 【請求項２】 複数の入力パラメータ及び複数の出力パ
ラメータを有するシステムについて、Ｉｆ−Ｔｈｅｎ形
式で記述された推論ルールに基づいて、前記入力パラメ
ータにより構成される入力データから、前記出力パラメ
ータにより構成される出力データを算出するファジィ推
論モデルの構成を適正化する方法であって、 対象とするシステムの過去の入力データと出力データと
の組み合わせからファジィ推論モデルを作成し、 このファジィ推論モデルに複数の任意の入力データを与
え、それぞれに対応する出力データを算出することによ
り、これらの入力データと出力データとの組み合わせか
らなる複数組の擬似データを作成し、 これと並行して、前記ファジィ推論モデルと共通の入力
パラメータ及び出力パラメータを有するニューラルネッ
トワークモデルを構成し、 このニューラルネットワークモデルに前記擬似データを
教師データとして与えて、ニューラルネットワークモデ
ルの特性値を決定し、 この様にして特性値が決定されたニューラルネットワー
クモデルを用いて、各出力パラメータに対する各入力パ
ラメータの影響度を算出し、 各出力パラメータに対する影響度が、いずれも所定の下
限値を下回る入力パラメータを摘出するとともに、各入
力パラメータによる影響度が、いずれも所定の下限値を
下回る出力パラメータを摘出し、 この様にして摘出された入力パラメータを前記ファジィ
推論モデルの入力パラメータの中から削除するととも
に、この様にして摘出された出力パラメータを前記ファ
ジィ推論モデルの出力パラメータの中から削除すること
によって、ファジィ推論モデルの構成を修正することを
特徴とするファジィ推論モデルの構成の適正化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11127048A JP2000322263A (ja) | 1999-05-07 | 1999-05-07 | ファジィ推論モデルの構成の適正化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11127048A JP2000322263A (ja) | 1999-05-07 | 1999-05-07 | ファジィ推論モデルの構成の適正化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000322263A true JP2000322263A (ja) | 2000-11-24 |
Family
ID=14950328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11127048A Pending JP2000322263A (ja) | 1999-05-07 | 1999-05-07 | ファジィ推論モデルの構成の適正化方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2000322263A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004216006A (ja) * | 2003-01-17 | 2004-08-05 | Kinden Corp | 超音波振動感知センサを用いた人の状態判別装置及びこれを利用した人の状態判別方法 |
| JP2010282547A (ja) * | 2009-06-08 | 2010-12-16 | Fuji Electric Systems Co Ltd | 入力変数選択支援装置 |
| CN115282401A (zh) * | 2022-07-22 | 2022-11-04 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
| EP4187443A1 (en) | 2021-11-25 | 2023-05-31 | Fujitsu Limited | Model reduction program, model reduction apparatus, and model reduction method |
-
1999
- 1999-05-07 JP JP11127048A patent/JP2000322263A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004216006A (ja) * | 2003-01-17 | 2004-08-05 | Kinden Corp | 超音波振動感知センサを用いた人の状態判別装置及びこれを利用した人の状態判別方法 |
| JP2010282547A (ja) * | 2009-06-08 | 2010-12-16 | Fuji Electric Systems Co Ltd | 入力変数選択支援装置 |
| EP4187443A1 (en) | 2021-11-25 | 2023-05-31 | Fujitsu Limited | Model reduction program, model reduction apparatus, and model reduction method |
| CN115282401A (zh) * | 2022-07-22 | 2022-11-04 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
| CN115282401B (zh) * | 2022-07-22 | 2023-04-21 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778259A (zh) | 一种基于大数据机器学习的异常行为发现方法及系统 | |
| CN107451230A (zh) | 一种问答方法以及问答系统 | |
| YEH | Generating fuzzy rules from relational database systems for estimating null values | |
| Tang et al. | A columnar competitive model for solving combinatorial optimization problems | |
| EP0538470A1 (en) | Method of rearranging and encoding fuzzy inference rules, and method of processing fuzzy inference conforming to the rules | |
| JPH11510936A (ja) | コンピュータによるファジィルールの最適化方法 | |
| CN112669186B (zh) | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 | |
| CN113298131B (zh) | 一种基于注意力机制的时序数据缺失值插补方法 | |
| CN112818100B (zh) | 一种融合题目难度的知识追踪方法及系统 | |
| JP2000322263A (ja) | ファジィ推論モデルの構成の適正化方法 | |
| CN116384450A (zh) | 面向医疗数据的深度卷积模糊神经网络及其训练方法 | |
| WO2021059527A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
| WO2019131342A1 (ja) | 論理計算装置、論理計算方法、およびプログラム | |
| JPS6219940A (ja) | 高速推論処理方式 | |
| Lv et al. | CEP rule extraction framework based on evolutionary algorithm | |
| JP3485420B2 (ja) | 大規模ニューラルネットワーク構築装置 | |
| CN110084517B (zh) | 一种面向教育数据日志的工作流方法 | |
| Coskun | Automated fuzzy model generation and an analysis of the proposed method | |
| CN117408342B (zh) | 基于神经元尖峰序列数据的神经元网络推断方法及系统 | |
| JP2813567B2 (ja) | 推論規則決定装置及び推論規則決定方法 | |
| JP3186086B2 (ja) | ルールのグループ化方法および装置，ならびにグループ化されたルールにしたがうファジィ推論方法および装置 | |
| JPH0793159A (ja) | ルール生成装置およびそのための方法 | |
| JPH0619876A (ja) | 事例ベース推論を用いた気流シミュレータ | |
| JPH0520080A (ja) | 計算機における拡張オブジエクト指向方式 | |
| JPH06174503A (ja) | プラント異常診断装置 |