JP2004530980A - 多変数ファジー・システムのためのフーリエ級数ベースの自動生成システムおよび方法 - Google Patents
多変数ファジー・システムのためのフーリエ級数ベースの自動生成システムおよび方法 Download PDFInfo
- Publication number
- JP2004530980A JP2004530980A JP2002588473A JP2002588473A JP2004530980A JP 2004530980 A JP2004530980 A JP 2004530980A JP 2002588473 A JP2002588473 A JP 2002588473A JP 2002588473 A JP2002588473 A JP 2002588473A JP 2004530980 A JP2004530980 A JP 2004530980A
- Authority
- JP
- Japan
- Prior art keywords
- fuzzy
- sample set
- equation
- error
- fuzzy system
- 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
Images
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
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
Abstract
フーリエ級数展開を使用した多変数ファジー推論システムを自動的に生成する方法。サンプル集合は、与えられた入力変数に関連するサンプル集合のクラスタに分解される。ファジー規則とメンバーシップ関数は、集合クラスタから抽出された単一入力多数出力ファジー・システムを解くことによって各変数について独立して計算される。得られたファジー規則とメンバーシップ関数は、合成され、最小限の計算コストで元のサンプル集合に適したファジー・システムに統合される。さらに、システム・エラー全体は分解および合成の各段階での誤差に関係付けることができ、このため各段階の誤差限界または確度しきい値を指定することができ、元のサンプル集合に対する得られたファジー・システムの最終精度を保証することができる。
Description
【技術分野】
【0001】
本発明は、ファジー論理の分野に関し、より詳細には、与えられたサンプル集合から多変数ファジー推論システムを自動的に生成するシステムおよび方法に関する。
【背景技術】
【0002】
ファジー・システムはコンパクト集合に対する任意の連続関数を近似するのに極めて有効であることがよく知られている。ファジー・システムは、特に従来のコントローラではシステムを容易に制御することができない複雑または不明確なシステムのための、従来の制御システムの強力な代替案となる場合が最も多い。これは、ファジー・システムが、制御システムにおいて必要とされる人間の知識と推理の近似的な質的態様を捕捉することができるためである。したがってファジー・システムは、最近では工業用途、家庭用具ならびに財務解析においてますます広範囲に応用されている。応用例をいくつか挙げると、様々な製造プロセス、ロボティックス、熱交換器などの消費者製品、温水圧力制御、航空機フライト制御、ロボット制御および操作、車速制御、パワー・システムおよび原子炉制御、セメント・キルンの制御、カムコーダの焦点合わせ、建築物の空調、列車スケジューリング、パターン認識およびシステム・モデリング、証券取引所の株取引および情報検索などがある。
【0003】
ファジー・システムは通常、当該分野の熟練工が手作業で符号化し改良する。ファジー・システムの性能は当該分野の熟練工の専門知識の理解の深さに決定的に左右される。したがってファジー・システムの開発コストが暴騰し、そのため今や多数の複雑なファジー・システムを新しい応用分野に応用する際のネックとなっている。これが動機となってファジー・システムの自動生成に関する徹底的な研究がなされるようになり、その課題はデータ駆動型自己適応問題として研究されることが多くなっている。
【0004】
ファジー・システムによって自己適応問題を実施する際、遭遇する最大の問題の1つは、変数の個数の増加に伴う所要計算時間の指数的激増に関連する次元による爆発問題と呼ばれるものである。これは、ファジー規則とメンバーシップ関数の多変数間の関係がしばしば非常に複雑になり、たいていの場合非線形になることによって生じる。このため入手できるほとんどすべての既存の商品は比較的少数の入力変数、通常は最大5つしか扱うことができない。
【0005】
Chen他による「A New Approach for the Automatic Generation of Membership Functions and Rules of Multi−Variable Fuzzy System」(Proceedings of IEEE 1995 International Conference On Neural Networks、Perth、Australia、pp.1342−1346)は多項式近似に基づく新しいアルゴリズムPolyNeuFuzを提示している。「Fuzzy Sets and Systems、120(2001)no.2、pp.143−149」で発表される予定の、Chen他による「A New Scheme for an Automatic Generation for Multi−Variable Fuzzy Systems」で論じられているようにPolyNeuFuzは後にParNeuFuzに改良される。ParNeuFuzは原理的には入力変数の独立性を利用すれば並列処理で実行できる。
【0006】
PolyNeuFuzとParNeuFuzはどちらも、多変数ファジー・システムを生成する問題を単一入力多数出力ファジー・システムの解に分解することによって、その問題を解く。ParNeuFuzアルゴリズムは、与えられたサンプル集合を近似する際に多項式展開を利用する。このアルゴリズムの時間的複雑さは使用する変数の個数にあまり左右されない。原理的には、これらのアルゴリズムの両方を適用すれば多数の変数をもつファジー・システムを生成することができる。PolyNeuFuzとParNeuFuzは、多変数システムの自己適応問題をいくつかのステップに(特にParNeuFuzの場合には並列ステップに)うまく分解し、それにより計算的複雑さをかなり低減する。しかし、分解ならびに合成における上記ステップの各々において正確な誤差推定が行える本フーリエ級数ベースの手法とは異なり、PolyNeuFuzとParNeuFuz方法を使用しては誤差推定または誤差予測は容易に行えない。
【0007】
したがって、誤差推定および誤差予測を可能としながら、従来技術で知られている次元による爆発問題に遭遇しない多変数ファジー推論システムを生成することのできる手法が求められている。
【発明の開示】
【発明が解決しようとする課題】
【0008】
上記事項を考慮すると、本発明の1つの目的は、次元による爆発問題を回避する多変数ファジー推論システムの新しいフーリエ級数ベースの自動生成方式を開発することである。
【課題を解決するための手段】
【0009】
本発明の別の目的は、ファジー規則とメンバーシップ関数を、他の変数と独立して変数ごとに生成し、計算することができる方法を提供することである。
【0010】
本発明のさらに別の目的は、元のサンプル集合に対する得られたファジー・システムの最終精度を保証する分解および合成の各段階の誤差限界または精度しきい値を指定することができる誤差分析をサポートするフーリエ級数ベースの分解を提供することである。
【0011】
この目的または他の目的により、本発明は、実用的な応用例のいくつに対しても多変数ファジー推論システムを自動的に生成する新規の方法を提供する。この方法は、他の変数から独立した単一の入力変数をもつファジー・システムを生成する簡略化されたタスクにサンプル集合を分解する際にフーリエ級数展開を利用する。この方法は、まずサンプル集合、例えばΛを、与えられた入力変数に関連するいくつかの集合クラスタの蓄積に分解し、集合クラスタから抽出される単一入力多数出力ファジー・システムを解くことによって、各変数のファジー規則とメンバーシップ関数を他の変数と独立して計算する。得られた分解済みファジー規則とメンバーシップ関数は、わずかの計算コストしか必要としない元のサンプル集合Λに適したファジー・システムに統合される。
【0012】
本発明で記述された方法は、元のサンプル集合に対する得られた多変数関数の指定された精度を保持することによって安定したファジー・システムを得るために使用することができる。換言すれば、分解がフーリエ級数に基づいていることを利用すると、慎重な誤差解析はシステム・エラー全体と分解および合成の各段階における誤差の間の関係を示しており、したがって元のサンプル集合に対する得られたファジー・システムの最終精度を保証する上記ステップの各々の誤差限界または精度しきい値を指定することができる。
【0013】
本発明のこれらおよび他の特徴並びに本発明が意図する利点の多くは、添付の図面に関してなされる以下の説明を参照することによってさらに容易に明らかになろう。
【発明を実施するための最良の形態】
【0014】
図示する本発明の好ましい実施形態を説明する際、明瞭化のために特定の用語法を採用する。しかし本発明は、このようにして選択された特定の用語に限定することは意図しておらず、各特定の用語は、類似の目的を達成するために類似の方法で動作するすべての技術的等価物を含むことが理解されよう。
【0015】
まず本発明の主要な理論的サポートを要約し、次に2つの補助定理について議論する。本明細書を通して、サンプルの個数をN、入力変数の個数をm、Nとmはどちらも有限であるとする。
【0016】
本発明に対する主要な理論的サポートには以下の2つの定理が含まれる。
【0017】
定理1
任意のサンプル集合について、
【0018】
【数1】
、ただし
【0019】
【数2】
、すべてのiに対してLi≦Xi≦Hiが成り立ち、集合
【0020】
【数3】
s1,s3,...,s2m−1は負でない整数}、および
【0021】
【数4】
ただし
【0022】
【数5】
が成り立つようなサンプル集合クラスタ
【0023】
【数6】
が存在する。
【0024】
定理2
単一入力多数出力サンプル集合
【0025】
【数7】
が、以下のファジー・システムMFSiによって記述できると仮定する。ただし、各出力の最大誤差および各出力の誤差の和は
【0026】
【数8】
によって与えられる。
【0027】
ファジー・システムMFSiは、メンバーシップ関数、ファジー規則および非ファジー化方法によって定義される。各ti,ti=1,2,...,τiに対するメンバーシップ関数によれば、ファジー間隔
【0028】
【数9】
の変数xiに対するメンバーシップ関数は
【0029】
【数10】
である。ファジー規則は各ti,ti=1,2,...τiに対してこれを提供し、Xiが
【0030】
【数11】
であるならば、
【数12】
である。非ファジー化方法によれば、
【0031】
【数13】
である。この場合、ファジー・サンプル集合
【0032】
【数14】
は以下のファジー・システムMFSによって記述することができ、その最大誤差および合計誤差は、それぞれ、
【0033】
【数15】
および
【0034】
【数16】
によって与えられる。
【0035】
ファジー・システムMFSは、メンバーシップ関数、ファジー規則および非ファジー化方法によっても定義される。メンバーシップ関数によれば、各対(i,ti),ii=1,2,...,m;ti=1,2,...,τiについて、ファジー間隔
【0036】
【数17】
の変数xiに対するメンバーシップ関数は
【0037】
【数18】
である。ファジー規則は各m個の要素からなる集合、(t1,t2,...,tm),t1=1,2,...,τi;t2=1,2,...,τ2;...;τm=1,2,...,τmについて、X1が
【0038】
【数19】
、X2が
【0039】
【数20】
、...、Xmが
【0040】
【数21】
であるならば、
【0041】
【数22】
となる。
【0042】
非ファジー化方法によれば、
【0043】
【数23】
である。定理1は、本発明の方法の分解プロセスの基礎をなすいくつかのサンプル集合クラスタへのサンプル集合の分解を保証する。すなわち定理1は、
【0044】
【数24】
が成り立つような集合クラスタ
【0045】
【数25】
の存在を保証する。
【0046】
定理2は、元のサンプル集合Λに対するファジー・システムを回復するための分解された単一入力ファジー・システムの構成および合成を保証する。すなわち定理2は、ひとたび各変数Xiのメンバーシップ関数とファジー規則を、サンプル集合
【0047】
【数26】
に対して計算すれば、定理2のステップに従うことによってΛに適したファジー・システムを構成することができることを示す。
【0048】
本発明は、分解方法ならびにサンプル集合
【0049】
【数27】
に対するファジー・システムを得る方法の2つの補助定理も利用する。それらについて以下で説明する。
【0050】
分解方法
サンプル集合ならびにオブジェクト表面の平滑度に関する知識は、本発明が使用する解析において重要な役割を果たす。オブジェクト・システムは、各変数Xiについて2πτi/(Ui−Li)より高い成分を含まないと仮定する。その場合S={(s1,s2,...,s2m)}、ただしs1≦τ1,s3≦τ2,...,s2m−1≦τmを選択することができる。サンプル集合への最適な近似は、以下の関数
【0051】
【数28】
を最小化することによって得られる。これは、等式
【0052】
【数29】
の根を見つけることと等価である。プロセス中、波数が等しいすべての項を1つの項に集め、係数のみが異なる2つの等しい項を保持しないよう、幾分注意する必要がある。例えば、2つの項
【0053】
【数30】
と
【0054】
【数31】
を結合して
【0055】
【数32】
とし、その後フーリエ級数の項の係数を決定すべきである。等しい項を結合した後、この時に
【0056】
【数33】
ここで
【0057】
【数34】
が成り立つと仮定すると、
標準のガウス消去法または以下の計算
【0058】
【数35】
ただし、
【0059】
【数36】
および
【0060】
【数37】
によって
【0061】
【数38】
を得ることができる。
【0062】
サンプル・データが多次元グリッド上に正確に一致する場合、標準の高速フーリエ変換方法を使用して、このプロセスを高速化することができる。
【0063】
単一入力多数出力ファジー・システムの生成
図1のニューラル・ネットワークを参照すると、第2レイヤ・ニューロンと第3レイヤ・ニューロンの間のリンク重みbit,kの各々が、規則:「XiがSi,tであるならば、fkの出力はbit,kとなる」と解釈できる場合、ニューラル・ネットワークの入力と出力の間の関係
【0064】
【数39】
はファジー・システムSによって記述することができる。このファジー・システムSで、メンバーシップ関数は、各t、ただしt=1,2,...,τiについてファジー間隔Si,jのメンバーシップ関数はμi,tであり、ファジー規則は、各対(t,k)、ただしt=1,2,...,τi;k=1,2,...,τについてXiがSi,tであるならば、fkの出力はbit,kとなる。非ファジー化方法によれば、
【0065】
【数40】
となる。
【0066】
したがって、各変数Xiのメンバーシップ関数とファジー規則を得るタスクは、サンプル集合として集合
【0067】
【数41】
を使用して図1のニューラル・ネットワークを訓練することになる。各変数のメンバーシップ関数は「ストレート」タイプまたは連続タイプとすることができる。Cauchyによる「Methode Generale pour la Resolution des Systems d’Equations Simultaneos」Comp.Rend.Acad.Sci.Paris、pp.536〜538、1847で教示されているような、とうげ点(SD)法(the Steepest Descent(SD)method)を使用して、上記個々のネットワークを訓練することができる。
【0068】
図2に、サンプル集合から多変数ファジー・システムを自動的に生成する本発明の方法を要約する。本明細書ではアルゴリズムFouNeuFuzと称する本発明のアルゴリズムを実証するために、本発明者らは、まず
【0069】
【数42】
および
【0070】
【数43】
が成り立つような、最大誤差および合計誤差がそれぞれε1およびε2であるサンプル集合Λに対するファジー・システムを開発する必要があると仮定する。
【0071】
図2に示すように、本方法は、まずステップ100で、ガウス消去法を使用して、あるいは等式(2)によって、等式(1)を最小化することによってサンプル集合Λをサンプル集合クラスタ
【0072】
【数44】
に分解する。ステップ110で、最大誤差および合計誤差は以下のように計算される。
【0073】
【数45】
【0074】
次いでステップ120で、εf1≦ε1およびεf2≦ε2が成り立つことを確認することによって誤差要件が検証される。そうでない場合、より高い頻度をもつ項を追加し、ステップ100および110の計算を満足されるまで繰り返す。
【0075】
ステップ130で、各変数Xiについて、とうげ点(SD)法によって図1に示されるニューラル・ネットワークを訓練することによって、サンプル集合
【0076】
【数46】
に対するファジー規則とメンバーシップ関数を得る。ただし、
【0077】
【数47】
が成り立つとし、各ネットワークの訓練終結条件を次のように設定する:
【0078】
【数48】
【数48】
、および
ネットワークの各出力について
【0079】
【数49】
、ただし
【0080】
【数50】
。
【0081】
次いでステップ140で、ファジー規則とメンバーシップ関数を、定理2に従ってサンプル集合Λに対する統合されたファジー・システムに蓄積する。
【0082】
上記の本発明は、従来技術で実際に頻繁に行われているように手作業でファジー・システムを設計するのではなく、与えられたサンプル・データを使用して自動的にファジー・システムを得るために使用することができる。このようなファジー・システムには多くの実用的な応用例がある。例えば、工業モータ制御分野では磁化電流と滑り周波数との関係をモデリングする必要があるが、磁化電流は滑り周波数、ロータ時定数、ロータ漏れファクタ、および一定でないオフセット電流の非線形関数である。利用できるのはサンプル・データの集合だけであり、各サンプル・データは滑り周波数、ロータ時定数、ロータ漏れファクタ、およびオフセット電流が既知である特殊な状況における実際の磁化電流を示すにすぎない。従来技術ではその関係を手作業で記述するファジー・システムを得ようと試みることはできるが、極めて時間がかかり、非専門家には難しい。本発明において説明する新規の方法を使用すれば、サンプル集合からファジー・システムを自動的かつ直接的に得ることができるであろう。
【0083】
別の例は洗濯機のファジー・コントローラである。ここでは洗濯量、水吸収速度、水吸収体積、および水温のデータに基づいて後続の洗濯ステップにおける水要件を制御する必要がある。利用できるのは洗濯量、水吸収速度、水吸収体積、および水温が既知であるいくつかの特殊な(個々の)状況に対する下位連続洗濯ステップにおける当該分野の熟練工の示唆した水要件を示すデータから構成されるサンプル集合だけである。本発明によれば、洗濯量、水吸収速度、水吸収体積、および水温(入力)に基づいて、下位連続洗濯ステップにおける水の要件(出力)を示唆することができるファジー・システムを得ることができる。上記の適用例において、本発明の方法を使用すれば、サンプル・データ集合から4入力−1出力のファジー・システムを得ることができる。
【0084】
上記説明および図面は、本発明の原理のみの説明とみなされるべきである。本発明は、何通りにも構成することができ、好ましい実施形態の特定の構成に限定されるものではない。当業者には本発明の多数の応用例が容易に想起されよう。それら応用例をいくつか挙げると、様々な製造プロセス、ロボティックス、熱交換器などの消費者製品、温水圧力制御、航空機フライト制御、ロボット制御および操作、車速制御、パワー・システムおよび原子炉制御、セメント・キルンの制御、カムコーダの焦点合わせ、建築物の空調、列車スケジューリング、パターン認識およびシステム・モデリング、証券取引所の株取引、および情報検索などがある。したがって、開示した特定の実施例、または図示し記述した通りの動作に本発明を限定することを意図するものではない。むしろ、本発明の範囲に含まれるすべての適切な修正形態および等価形態を実施することができる。
【図面の簡単な説明】
【0085】
【図1】本発明による単一入力多数出力のファジー・システムを生成するために使用されるニューラル・ネットワーク構成を示す図である。
【図2】本発明によるサンプル集合から多変数ファジー・システムを自動的に生成する方法を示す流れ図である。
【0001】
本発明は、ファジー論理の分野に関し、より詳細には、与えられたサンプル集合から多変数ファジー推論システムを自動的に生成するシステムおよび方法に関する。
【背景技術】
【0002】
ファジー・システムはコンパクト集合に対する任意の連続関数を近似するのに極めて有効であることがよく知られている。ファジー・システムは、特に従来のコントローラではシステムを容易に制御することができない複雑または不明確なシステムのための、従来の制御システムの強力な代替案となる場合が最も多い。これは、ファジー・システムが、制御システムにおいて必要とされる人間の知識と推理の近似的な質的態様を捕捉することができるためである。したがってファジー・システムは、最近では工業用途、家庭用具ならびに財務解析においてますます広範囲に応用されている。応用例をいくつか挙げると、様々な製造プロセス、ロボティックス、熱交換器などの消費者製品、温水圧力制御、航空機フライト制御、ロボット制御および操作、車速制御、パワー・システムおよび原子炉制御、セメント・キルンの制御、カムコーダの焦点合わせ、建築物の空調、列車スケジューリング、パターン認識およびシステム・モデリング、証券取引所の株取引および情報検索などがある。
【0003】
ファジー・システムは通常、当該分野の熟練工が手作業で符号化し改良する。ファジー・システムの性能は当該分野の熟練工の専門知識の理解の深さに決定的に左右される。したがってファジー・システムの開発コストが暴騰し、そのため今や多数の複雑なファジー・システムを新しい応用分野に応用する際のネックとなっている。これが動機となってファジー・システムの自動生成に関する徹底的な研究がなされるようになり、その課題はデータ駆動型自己適応問題として研究されることが多くなっている。
【0004】
ファジー・システムによって自己適応問題を実施する際、遭遇する最大の問題の1つは、変数の個数の増加に伴う所要計算時間の指数的激増に関連する次元による爆発問題と呼ばれるものである。これは、ファジー規則とメンバーシップ関数の多変数間の関係がしばしば非常に複雑になり、たいていの場合非線形になることによって生じる。このため入手できるほとんどすべての既存の商品は比較的少数の入力変数、通常は最大5つしか扱うことができない。
【0005】
Chen他による「A New Approach for the Automatic Generation of Membership Functions and Rules of Multi−Variable Fuzzy System」(Proceedings of IEEE 1995 International Conference On Neural Networks、Perth、Australia、pp.1342−1346)は多項式近似に基づく新しいアルゴリズムPolyNeuFuzを提示している。「Fuzzy Sets and Systems、120(2001)no.2、pp.143−149」で発表される予定の、Chen他による「A New Scheme for an Automatic Generation for Multi−Variable Fuzzy Systems」で論じられているようにPolyNeuFuzは後にParNeuFuzに改良される。ParNeuFuzは原理的には入力変数の独立性を利用すれば並列処理で実行できる。
【0006】
PolyNeuFuzとParNeuFuzはどちらも、多変数ファジー・システムを生成する問題を単一入力多数出力ファジー・システムの解に分解することによって、その問題を解く。ParNeuFuzアルゴリズムは、与えられたサンプル集合を近似する際に多項式展開を利用する。このアルゴリズムの時間的複雑さは使用する変数の個数にあまり左右されない。原理的には、これらのアルゴリズムの両方を適用すれば多数の変数をもつファジー・システムを生成することができる。PolyNeuFuzとParNeuFuzは、多変数システムの自己適応問題をいくつかのステップに(特にParNeuFuzの場合には並列ステップに)うまく分解し、それにより計算的複雑さをかなり低減する。しかし、分解ならびに合成における上記ステップの各々において正確な誤差推定が行える本フーリエ級数ベースの手法とは異なり、PolyNeuFuzとParNeuFuz方法を使用しては誤差推定または誤差予測は容易に行えない。
【0007】
したがって、誤差推定および誤差予測を可能としながら、従来技術で知られている次元による爆発問題に遭遇しない多変数ファジー推論システムを生成することのできる手法が求められている。
【発明の開示】
【発明が解決しようとする課題】
【0008】
上記事項を考慮すると、本発明の1つの目的は、次元による爆発問題を回避する多変数ファジー推論システムの新しいフーリエ級数ベースの自動生成方式を開発することである。
【課題を解決するための手段】
【0009】
本発明の別の目的は、ファジー規則とメンバーシップ関数を、他の変数と独立して変数ごとに生成し、計算することができる方法を提供することである。
【0010】
本発明のさらに別の目的は、元のサンプル集合に対する得られたファジー・システムの最終精度を保証する分解および合成の各段階の誤差限界または精度しきい値を指定することができる誤差分析をサポートするフーリエ級数ベースの分解を提供することである。
【0011】
この目的または他の目的により、本発明は、実用的な応用例のいくつに対しても多変数ファジー推論システムを自動的に生成する新規の方法を提供する。この方法は、他の変数から独立した単一の入力変数をもつファジー・システムを生成する簡略化されたタスクにサンプル集合を分解する際にフーリエ級数展開を利用する。この方法は、まずサンプル集合、例えばΛを、与えられた入力変数に関連するいくつかの集合クラスタの蓄積に分解し、集合クラスタから抽出される単一入力多数出力ファジー・システムを解くことによって、各変数のファジー規則とメンバーシップ関数を他の変数と独立して計算する。得られた分解済みファジー規則とメンバーシップ関数は、わずかの計算コストしか必要としない元のサンプル集合Λに適したファジー・システムに統合される。
【0012】
本発明で記述された方法は、元のサンプル集合に対する得られた多変数関数の指定された精度を保持することによって安定したファジー・システムを得るために使用することができる。換言すれば、分解がフーリエ級数に基づいていることを利用すると、慎重な誤差解析はシステム・エラー全体と分解および合成の各段階における誤差の間の関係を示しており、したがって元のサンプル集合に対する得られたファジー・システムの最終精度を保証する上記ステップの各々の誤差限界または精度しきい値を指定することができる。
【0013】
本発明のこれらおよび他の特徴並びに本発明が意図する利点の多くは、添付の図面に関してなされる以下の説明を参照することによってさらに容易に明らかになろう。
【発明を実施するための最良の形態】
【0014】
図示する本発明の好ましい実施形態を説明する際、明瞭化のために特定の用語法を採用する。しかし本発明は、このようにして選択された特定の用語に限定することは意図しておらず、各特定の用語は、類似の目的を達成するために類似の方法で動作するすべての技術的等価物を含むことが理解されよう。
【0015】
まず本発明の主要な理論的サポートを要約し、次に2つの補助定理について議論する。本明細書を通して、サンプルの個数をN、入力変数の個数をm、Nとmはどちらも有限であるとする。
【0016】
本発明に対する主要な理論的サポートには以下の2つの定理が含まれる。
【0017】
定理1
任意のサンプル集合について、
【0018】
【数1】
、ただし
【0019】
【数2】
、すべてのiに対してLi≦Xi≦Hiが成り立ち、集合
【0020】
【数3】
s1,s3,...,s2m−1は負でない整数}、および
【0021】
【数4】
ただし
【0022】
【数5】
が成り立つようなサンプル集合クラスタ
【0023】
【数6】
が存在する。
【0024】
定理2
単一入力多数出力サンプル集合
【0025】
【数7】
が、以下のファジー・システムMFSiによって記述できると仮定する。ただし、各出力の最大誤差および各出力の誤差の和は
【0026】
【数8】
によって与えられる。
【0027】
ファジー・システムMFSiは、メンバーシップ関数、ファジー規則および非ファジー化方法によって定義される。各ti,ti=1,2,...,τiに対するメンバーシップ関数によれば、ファジー間隔
【0028】
【数9】
の変数xiに対するメンバーシップ関数は
【0029】
【数10】
である。ファジー規則は各ti,ti=1,2,...τiに対してこれを提供し、Xiが
【0030】
【数11】
であるならば、
【数12】
である。非ファジー化方法によれば、
【0031】
【数13】
である。この場合、ファジー・サンプル集合
【0032】
【数14】
は以下のファジー・システムMFSによって記述することができ、その最大誤差および合計誤差は、それぞれ、
【0033】
【数15】
および
【0034】
【数16】
によって与えられる。
【0035】
ファジー・システムMFSは、メンバーシップ関数、ファジー規則および非ファジー化方法によっても定義される。メンバーシップ関数によれば、各対(i,ti),ii=1,2,...,m;ti=1,2,...,τiについて、ファジー間隔
【0036】
【数17】
の変数xiに対するメンバーシップ関数は
【0037】
【数18】
である。ファジー規則は各m個の要素からなる集合、(t1,t2,...,tm),t1=1,2,...,τi;t2=1,2,...,τ2;...;τm=1,2,...,τmについて、X1が
【0038】
【数19】
、X2が
【0039】
【数20】
、...、Xmが
【0040】
【数21】
であるならば、
【0041】
【数22】
となる。
【0042】
非ファジー化方法によれば、
【0043】
【数23】
である。定理1は、本発明の方法の分解プロセスの基礎をなすいくつかのサンプル集合クラスタへのサンプル集合の分解を保証する。すなわち定理1は、
【0044】
【数24】
が成り立つような集合クラスタ
【0045】
【数25】
の存在を保証する。
【0046】
定理2は、元のサンプル集合Λに対するファジー・システムを回復するための分解された単一入力ファジー・システムの構成および合成を保証する。すなわち定理2は、ひとたび各変数Xiのメンバーシップ関数とファジー規則を、サンプル集合
【0047】
【数26】
に対して計算すれば、定理2のステップに従うことによってΛに適したファジー・システムを構成することができることを示す。
【0048】
本発明は、分解方法ならびにサンプル集合
【0049】
【数27】
に対するファジー・システムを得る方法の2つの補助定理も利用する。それらについて以下で説明する。
【0050】
分解方法
サンプル集合ならびにオブジェクト表面の平滑度に関する知識は、本発明が使用する解析において重要な役割を果たす。オブジェクト・システムは、各変数Xiについて2πτi/(Ui−Li)より高い成分を含まないと仮定する。その場合S={(s1,s2,...,s2m)}、ただしs1≦τ1,s3≦τ2,...,s2m−1≦τmを選択することができる。サンプル集合への最適な近似は、以下の関数
【0051】
【数28】
を最小化することによって得られる。これは、等式
【0052】
【数29】
の根を見つけることと等価である。プロセス中、波数が等しいすべての項を1つの項に集め、係数のみが異なる2つの等しい項を保持しないよう、幾分注意する必要がある。例えば、2つの項
【0053】
【数30】
と
【0054】
【数31】
を結合して
【0055】
【数32】
とし、その後フーリエ級数の項の係数を決定すべきである。等しい項を結合した後、この時に
【0056】
【数33】
ここで
【0057】
【数34】
が成り立つと仮定すると、
標準のガウス消去法または以下の計算
【0058】
【数35】
ただし、
【0059】
【数36】
および
【0060】
【数37】
によって
【0061】
【数38】
を得ることができる。
【0062】
サンプル・データが多次元グリッド上に正確に一致する場合、標準の高速フーリエ変換方法を使用して、このプロセスを高速化することができる。
【0063】
単一入力多数出力ファジー・システムの生成
図1のニューラル・ネットワークを参照すると、第2レイヤ・ニューロンと第3レイヤ・ニューロンの間のリンク重みbit,kの各々が、規則:「XiがSi,tであるならば、fkの出力はbit,kとなる」と解釈できる場合、ニューラル・ネットワークの入力と出力の間の関係
【0064】
【数39】
はファジー・システムSによって記述することができる。このファジー・システムSで、メンバーシップ関数は、各t、ただしt=1,2,...,τiについてファジー間隔Si,jのメンバーシップ関数はμi,tであり、ファジー規則は、各対(t,k)、ただしt=1,2,...,τi;k=1,2,...,τについてXiがSi,tであるならば、fkの出力はbit,kとなる。非ファジー化方法によれば、
【0065】
【数40】
となる。
【0066】
したがって、各変数Xiのメンバーシップ関数とファジー規則を得るタスクは、サンプル集合として集合
【0067】
【数41】
を使用して図1のニューラル・ネットワークを訓練することになる。各変数のメンバーシップ関数は「ストレート」タイプまたは連続タイプとすることができる。Cauchyによる「Methode Generale pour la Resolution des Systems d’Equations Simultaneos」Comp.Rend.Acad.Sci.Paris、pp.536〜538、1847で教示されているような、とうげ点(SD)法(the Steepest Descent(SD)method)を使用して、上記個々のネットワークを訓練することができる。
【0068】
図2に、サンプル集合から多変数ファジー・システムを自動的に生成する本発明の方法を要約する。本明細書ではアルゴリズムFouNeuFuzと称する本発明のアルゴリズムを実証するために、本発明者らは、まず
【0069】
【数42】
および
【0070】
【数43】
が成り立つような、最大誤差および合計誤差がそれぞれε1およびε2であるサンプル集合Λに対するファジー・システムを開発する必要があると仮定する。
【0071】
図2に示すように、本方法は、まずステップ100で、ガウス消去法を使用して、あるいは等式(2)によって、等式(1)を最小化することによってサンプル集合Λをサンプル集合クラスタ
【0072】
【数44】
に分解する。ステップ110で、最大誤差および合計誤差は以下のように計算される。
【0073】
【数45】
【0074】
次いでステップ120で、εf1≦ε1およびεf2≦ε2が成り立つことを確認することによって誤差要件が検証される。そうでない場合、より高い頻度をもつ項を追加し、ステップ100および110の計算を満足されるまで繰り返す。
【0075】
ステップ130で、各変数Xiについて、とうげ点(SD)法によって図1に示されるニューラル・ネットワークを訓練することによって、サンプル集合
【0076】
【数46】
に対するファジー規則とメンバーシップ関数を得る。ただし、
【0077】
【数47】
が成り立つとし、各ネットワークの訓練終結条件を次のように設定する:
【0078】
【数48】
【数48】
、および
ネットワークの各出力について
【0079】
【数49】
、ただし
【0080】
【数50】
。
【0081】
次いでステップ140で、ファジー規則とメンバーシップ関数を、定理2に従ってサンプル集合Λに対する統合されたファジー・システムに蓄積する。
【0082】
上記の本発明は、従来技術で実際に頻繁に行われているように手作業でファジー・システムを設計するのではなく、与えられたサンプル・データを使用して自動的にファジー・システムを得るために使用することができる。このようなファジー・システムには多くの実用的な応用例がある。例えば、工業モータ制御分野では磁化電流と滑り周波数との関係をモデリングする必要があるが、磁化電流は滑り周波数、ロータ時定数、ロータ漏れファクタ、および一定でないオフセット電流の非線形関数である。利用できるのはサンプル・データの集合だけであり、各サンプル・データは滑り周波数、ロータ時定数、ロータ漏れファクタ、およびオフセット電流が既知である特殊な状況における実際の磁化電流を示すにすぎない。従来技術ではその関係を手作業で記述するファジー・システムを得ようと試みることはできるが、極めて時間がかかり、非専門家には難しい。本発明において説明する新規の方法を使用すれば、サンプル集合からファジー・システムを自動的かつ直接的に得ることができるであろう。
【0083】
別の例は洗濯機のファジー・コントローラである。ここでは洗濯量、水吸収速度、水吸収体積、および水温のデータに基づいて後続の洗濯ステップにおける水要件を制御する必要がある。利用できるのは洗濯量、水吸収速度、水吸収体積、および水温が既知であるいくつかの特殊な(個々の)状況に対する下位連続洗濯ステップにおける当該分野の熟練工の示唆した水要件を示すデータから構成されるサンプル集合だけである。本発明によれば、洗濯量、水吸収速度、水吸収体積、および水温(入力)に基づいて、下位連続洗濯ステップにおける水の要件(出力)を示唆することができるファジー・システムを得ることができる。上記の適用例において、本発明の方法を使用すれば、サンプル・データ集合から4入力−1出力のファジー・システムを得ることができる。
【0084】
上記説明および図面は、本発明の原理のみの説明とみなされるべきである。本発明は、何通りにも構成することができ、好ましい実施形態の特定の構成に限定されるものではない。当業者には本発明の多数の応用例が容易に想起されよう。それら応用例をいくつか挙げると、様々な製造プロセス、ロボティックス、熱交換器などの消費者製品、温水圧力制御、航空機フライト制御、ロボット制御および操作、車速制御、パワー・システムおよび原子炉制御、セメント・キルンの制御、カムコーダの焦点合わせ、建築物の空調、列車スケジューリング、パターン認識およびシステム・モデリング、証券取引所の株取引、および情報検索などがある。したがって、開示した特定の実施例、または図示し記述した通りの動作に本発明を限定することを意図するものではない。むしろ、本発明の範囲に含まれるすべての適切な修正形態および等価形態を実施することができる。
【図面の簡単な説明】
【0085】
【図1】本発明による単一入力多数出力のファジー・システムを生成するために使用されるニューラル・ネットワーク構成を示す図である。
【図2】本発明によるサンプル集合から多変数ファジー・システムを自動的に生成する方法を示す流れ図である。
Claims (5)
- 検証するステップが、εf1≦ε1およびεf2≦ε2が成り立つことを確認するステップを含み、否定的な結果に対して、より高い周波数をもつ項を追加し、εf1≦ε1およびεf2≦ε2が成り立つまで分解するステップと計算するステップとを繰り返す請求項2に記載の方法。
- 制御システムで使用するための、サンプル集合から多変数ファジー・システムを自動的に生成する方法において、
サンプル集合Λをサンプル集合クラスタ
最大誤差および合計誤差を、それぞれ等式
εf1≦ε1およびεf2≦ε2が成り立つことを検証するステップであって、否定的な結果に対して、より高い周波数をもつ項を追加し、εf1≦ε1およびεf2≦ε2が成り立つまで分解するステップと計算するステップとを繰り返すステップと、
各変数Xiによってファジー・システムを得るステップであって、ニューラル・ネットワークを訓練することによってサンプル集合
サンプル集合Λに対する最終ファジー・システムを蓄積するステップと、
最終ファジー・システムを制御システムに適用するステップと
を含む方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/849,985 US6735581B2 (en) | 2001-05-08 | 2001-05-08 | Fourier series-based automatic generation system and method for multi-variable fuzzy systems |
PCT/US2002/013146 WO2002091294A1 (en) | 2001-05-08 | 2002-04-26 | Fourier series-based automatic generation system and method for multi-variable fuzzy systems |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004530980A true JP2004530980A (ja) | 2004-10-07 |
Family
ID=25306983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002588473A Pending JP2004530980A (ja) | 2001-05-08 | 2002-04-26 | 多変数ファジー・システムのためのフーリエ級数ベースの自動生成システムおよび方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US6735581B2 (ja) |
EP (1) | EP1388122A4 (ja) |
JP (1) | JP2004530980A (ja) |
WO (1) | WO2002091294A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7017150B2 (en) * | 2001-08-20 | 2006-03-21 | Sun Microsystems, Inc. | Method and apparatus for automatically isolating minimal distinguishing stimuli in design verification and software development |
DE102004004796B4 (de) * | 2004-01-30 | 2007-11-29 | Infineon Technologies Ag | Vorrichtung zur Datenübertragung zwischen Speichern |
US8000837B2 (en) | 2004-10-05 | 2011-08-16 | J&L Group International, Llc | Programmable load forming system, components thereof, and methods of use |
US20110025519A1 (en) * | 2009-07-30 | 2011-02-03 | Intelligent Sustainable Energy Limited | Non-intrusive utility monitoring |
GB2478166B (en) * | 2010-06-01 | 2013-03-20 | Intelligent Sustainable Energy Ltd | Determining an indication of a background level of utility consumption |
EP2819606B1 (en) | 2012-02-28 | 2016-12-28 | Koninklijke Philips N.V. | Device for light based skin treatment |
CN103366307A (zh) * | 2012-03-26 | 2013-10-23 | 李岩 | 一种用图形设定交易条件的方法 |
CN107092653A (zh) * | 2017-03-15 | 2017-08-25 | 西安工程大学 | 一种基于模糊聚类分析法的滑坡临界雨量阈值确定方法 |
CN110084277B (zh) * | 2019-03-29 | 2021-03-05 | 广州思德医疗科技有限公司 | 一种训练集的拆分方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5749066A (en) * | 1995-04-24 | 1998-05-05 | Ericsson Messaging Systems Inc. | Method and apparatus for developing a neural network for phoneme recognition |
-
2001
- 2001-05-08 US US09/849,985 patent/US6735581B2/en not_active Expired - Lifetime
-
2002
- 2002-04-26 WO PCT/US2002/013146 patent/WO2002091294A1/en active Application Filing
- 2002-04-26 EP EP02739181A patent/EP1388122A4/en not_active Withdrawn
- 2002-04-26 JP JP2002588473A patent/JP2004530980A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP1388122A1 (en) | 2004-02-11 |
US20030217020A1 (en) | 2003-11-20 |
WO2002091294A1 (en) | 2002-11-14 |
US6735581B2 (en) | 2004-05-11 |
EP1388122A4 (en) | 2008-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Castillo | Functional networks | |
Miao et al. | On causal inference in fuzzy cognitive maps | |
Priyono et al. | Generation of fuzzy rules with subtractive clustering | |
US5524176A (en) | Fuzzy expert system learning network | |
Khan et al. | Fuzzy cognitive maps with genetic algorithm for goal-oriented decision support | |
JP2004530980A (ja) | 多変数ファジー・システムのためのフーリエ級数ベースの自動生成システムおよび方法 | |
Ahmed et al. | Handling imprecision and uncertainty in software development effort prediction: A type-2 fuzzy logic based framework | |
CN114744309A (zh) | 基于bms的电池安全管理方法、装置、设备及存储介质 | |
CN114580747A (zh) | 基于数据相关性和模糊系统的异常数据预测方法及系统 | |
Abraham et al. | MARS: Still an alien planet in soft computing? | |
Moraga et al. | Multiple-valued logic and artificial intelligence fundamentals of fuzzy control revisited | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
Lin et al. | Weight-value convergence of the SOM algorithm for discrete input | |
Mandeh et al. | Data fusion in wireless sensor networks using fuzzy systems | |
Su | Identification of singleton fuzzy models via fuzzy hyperrectangular composite NN | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
Balachandran et al. | Use of knowledge in selection and control of optimization algorithms | |
Gorzalczany et al. | Neuro-fuzzy systems for rule-based modelling of dynamic processes | |
CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
Kim et al. | Designing fuzzy net controllers using GA optimization | |
Zia et al. | Neuro-fuzzy control using self-organizing neural nets | |
Chen et al. | A new scheme for an automatic generation of multi-variable fuzzy systems | |
Tian et al. | Optimal control neural networks for data-driven discovery of gradient flows. | |
KANDEL | Compression and expansion of fuzzy rule bases by using crisp-fuzzy neural networks | |
Imai et al. | Modeling and analysis of genetic algorithms using neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050411 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080422 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080819 |