JP3045516B2 - 動的推論パターン生成システム - Google Patents
動的推論パターン生成システムInfo
- Publication number
- JP3045516B2 JP3045516B2 JP2103754A JP10375490A JP3045516B2 JP 3045516 B2 JP3045516 B2 JP 3045516B2 JP 2103754 A JP2103754 A JP 2103754A JP 10375490 A JP10375490 A JP 10375490A JP 3045516 B2 JP3045516 B2 JP 3045516B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- input
- multidimensional
- weight matrix
- matrix
- 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 - Lifetime
Links
Landscapes
- Devices For Executing Special Programs (AREA)
Description
論システムに用いる知識獲得のための動的な推論パター
ン生成システムに関する。
り十数年の間に家庭電気品や金融などにも応用されるよ
うになった。'89年通産省主導で設立された国際ファジ
ィ工学研究所の研究などから各種システムとの融合がさ
らに広がるものと期待される。制御理論では記号と数式
は別々に記述されるがファジィでは双方を少数のルール
で記述できる。また物理則以外に「心地よく」など人間
の感性を数量化できることからさらにファジィ応用が増
加している。
のレベルが進み多入力/多出力系に移行する際は状態空
間記述を必要とする。
型推論システムを先に提案した(特開平2−98738号公
報「知識コンパイル・パターン型推論システム」。これ
は状態空間モデル構築用ツールで多入力/多出力系の状
況変動の観測・予測を可能とし単体でも数千ルール以上
のリアルタイム診断系が構築できるものである。実用的
な問題解決システムには緻密な知識とモデルと現実世界
をシミュレートできる高速処理が必要となる。ファジィ
コントローラや動的状況観測系に使用できるよう上記パ
ターン型推論システムのパターンテーブル(高次ファジ
ィ関数行列)の処理は並列化して高速処理を可能とし
た。また関連の無い組合せがあれば部分行列化してさら
に空間の圧縮と処理高速化を可能とした。
易でなく知識獲得システムを必要とする。人間は高次の
ダイナミクスに追従できず、多くの情報組合せを判断す
ることも不得手であるので社会や制御のシステムあるい
は自然システムにおいて宣言的知識は問題の全貌を記述
できない。
て間違いのない判断を行う実用システム構築には必要で
ある。
述しこれを用いて推論する枠組と、そこに記述する知識
自体とが必要である。知識処理を実現するシステムがあ
っても、そこに有効な知識の記述がなされなければ、シ
ステムは有効に動作しない。
とは別に、有効な知識を得るための知識獲得システムを
考える必要がある。
論システム」においては、実行処理システムとそれに適
合する知識獲得システムである知識コンパイルシステム
からなっている。以下に、その概要を説明する。
ついて説明する。
ィ関数を要素とする高次の関係行列を知識記述枠組とし
て持ち、推論形態としてはこの関係行列を用いて入力デ
ータの評価を行い出力を得るという形態を取るシステム
である。記述可能な知識としては、ファジィ関数行列の
他、入力データの特性を記述する正規化データ,入力デ
ータ間の重みを記述する入力フィルタ,推論実行を制御
する検索テーブルなどがある。また、推論形態として
は、単純な照合演算の他、積分モデルである状況モデル
なども利用可能である。
を定性的に記述し診断や結論付けが柔軟にできる。この
関係行列の要素は数値かメンバーシップ関数のラベルで
あるが、さらに時系列的なラベル配列を許すと高次推移
関数を軌跡とする分布が記述できる。時間推移から判断
ルールをダイナミックに変化させると多入力/多出力系
の状況変動を観測し予測することが可能となる。高次の
ファジイ関数を要素とするパターンテーブル方式は状態
空間モデルの記述を完全なものとする。同時にプロダク
ションシステムに比べてきわめて高速の処理をもたら
す。有用な問題解決システムには、緻密な知識、いくつ
もある問題の側面を捉えたモデルが必要であるが、現実
世界をシミュレートできる高速処理の機構も必要であ
る。
て、パターン型推論システムの知識記述であるパターン
テーブルを生成/変更することを目的とした知識獲得シ
ステムが本発明のシステムである。
環境で記述された知識から、実行処理システムがその目
的のために必要とするデータを抽出し、実行処理システ
ムが扱え、かつ効率良く実行可能なデータに変換する様
なシステムを意味する。丁度、高級言語で記述されたプ
ログラムをマシンコードに変換するいわゆるコンパイラ
と同様の位置付けとなる。
較的静的なシステムであり、変化する入力に応じてパタ
ーンデータを変えて行くというような動的なシステムで
はない。また、宣言された言語的な知識のみしか獲得で
きず、明示的に宣言されない非言語的な知識の獲得はで
きない。
ータを基に、実行処理システムがその目的のために必要
とするデータを抽出し、実行処理システムが扱え、かつ
効率良く実行可能なデータに変換するような推論パター
ン生成システムを提供することを目的とするものであ
る。
上有効なデータの組み合せや判定条件を抽出することの
できる推論パターン生成システムを提供することを目的
とするものである。
の獲得をすることのできる推論パターン生成システムを
提供することを目的とするものである。
的には、入力された定量的な多次元データから多次元特
徴空間内の確率分布によって表現したデータヘ変換処理
する第1の処理手段(11)と、この第1の処理手段によ
って得られたデータからパターン型推論の実行に用いる
推論パターンデータを生成する第2の処理手段(12)と
を備えたものである。
特徴空間内の確率分布を、その多次元特徴空間を一定区
間ごとに分割した領域の各領域ごとに重み与えて成る多
次元重み行列として表現する処理を行うものである。な
お、一定区間ごとに分割した領域というのは第4図に示
すように連続的な多次元空間を量子化した際の各量子化
の単位の領域を意味するものである。
された定量的な多次元データの値に対応した多次元特徴
空間上の座標において、入力による効果を記述する多次
元の効果行列を多次元重み行列に加算する演算処理手段
(1102)を有する。(この加算処理による多次元重み行
列の変更方式を重み加算方式と呼ぶ) さらに、本発明の他の態様によれば、第1の処理手段
は、入力された多次元データの値に対応した多次元特徴
空間上の座標に向かって、多次元重み行列に記述された
確率分布を移動させる処理を行う演算処理手段(1102)
を有する。(この移動処理による多次元重み行列の変更
方式を重み移動方式と呼ぶ) さらに、本発明の他の態様によれば、第1の処理手段
は、多次元重み行列の表現において特定軸方向の重み合
計値を算出する手段(B,C)を有する。
は、入力された多次元データの履歴を記憶する入力履歴
記憶手段(13)と、前記演算処理手段(1102)へ入力す
る多次元データの値を入力履歴記憶手段に記憶された入
力データの履歴に基づき決定する前処理手段(1101)と
を有する。
処理手段からなる構成に加えて、さらに、第1の処理手
段により生成された多次元重み行列に対して、データ解
析による評価を行い、第2の処理手段に評価結果を出力
する第3の処理手段 (17)を設けた構成とすることができる。
のデータ群で、基本的な出力は、パターン型推論システ
ムのパターンテーブル(高次ファジィ関数行列)であ
る。また、入力されたデータは基本的には、第1の処理
手段により確率分布と言う形に変換され、適宜の格納手
段で保有される。本発明は、確率分布を求めるようにし
たことにより、どのような計測入力があったたときどの
ような現象があるかというような、多次元の計測入力と
知識との対応を、確率として見ることにより、容易に把
握することができる。すなわち、知識獲得を効率化する
ことができる。
の重み行列が用いられる。
する多次元空間で、入力されたデータなどを基に空間内
のデータの存在確率(例えば、入力された頻度)を重み
で表現したものである。多次元空間は一定の幅で量子化
されるため、この空間は多次元行列で表現でき、行列の
各要素は量子化された空間の重みとなる。このように量
子化したことにより、演算処理が容易となり処理の高速
化が実現できる。
より多次元の重み行列が変更される。行列の変更方式に
は重み加算方式と重み移動方式の2種類がある。この入
力データによる重み行列変更は、言い替えれば、入力デ
ータによる知識改変と言うことができる。
知識(=重み行列データ)から、実際に推論処理を行な
うために必要となるルールが抽出される。ルール抽出の
ための条件が入力されると重み行列のデータを参照し、
ルールをパターンテーブルの形で抽出し出力する。
たルールが抽出されることとなる。言い替えれば、動的
な知識獲得が実現することとなる。
み合計値などを求めることにより、パターン生成機能の
処理を高速化することができる。
加えて、第3の処理手段(17)設けた本発明の態様にお
いては、入出力の処理とは別に知的なデータ解析の機能
を付加することができる。
重み行列データを解析し、データ間の相関や主要因の分
析や、指定されたデータ群間の分離特性の評価などを行
ない、ヴィジュアル化する。これらの処理の結果に基づ
いて、対象とする処理が必要とするデータを絞り込んだ
り、ルールとして抽出すべき状況などを得るための指針
を得たりすることができる。言い替えれば、制御は勿
論、戦略情報システムなどのための動的データの解析が
実現可能となる。
ン生成システムの基本的構成を示す図である。
と出力処理部12からなり、そのほか必要なデータを記憶
するために、入力履歴記憶部13、時間特性関数格納部1
4、多次元重み行列格納部15、および分布データ格納部1
6を備えている。
要なものは、入力データバッファ13に格納される履歴デ
ータ,時間特性関数格納部14の時間特性関数、多次元重
み行列格納部15に格納される多次元重み行列、分布デー
タ格納部16に格納される分布データなどがある。
などの入力データの他、どのように分析して欲しいかを
示す分析条件,どのようなパターンを欲しいかを示す出
力条件などの指定がある。また、外部に出力されるデー
タは、パターンテーブル,入力データ項目の重要度を記
述するフィルタデータの他、マンマシンインタフェース
(MMI)出力としての特徴空間表示などがある。
ついて説明する。
生成・更新部1102を有している。前処理部1101は入力さ
れるデータを入力履歴記憶部13に格納したり、入力履歴
データによる入力データの持つ特性や時間特性関数等を
考慮した入力処理を施して、入力データを多次元重み行
列生成・更新部1102に与えるものである。多次元重み行
列生成・更新部1102は、入力データによる重み行列の操
作の処理を行なう。
を入力履歴記憶部13に転送し、入力履歴の保存をする。
入力履歴記憶部13は連続した一定回数の入力データを保
持するリングバッファとして構成することができる。異
常な入力データの影響を緩和するために、リングバッフ
ァに格納された一定数のデータの平均値をとって多次元
重み行列生成・更新部1102へ入力する。なお、より新し
いデータの影響を強くし古いデータの影響を弱くすると
いったある種の忘却の特性を持たせるように処理するこ
ともできる。この場合には、時間特性関数格納部14に予
め格納してある第7図に示すような時間特性関数を利用
して履歴データの古いものほど重みを小さくし、新しい
データになるに連れて重みを大きくした加重平均データ
生成し、これを多次元重み行列生成・更新部1102への入
力データとする。なお、第7図に示す時間特性関数は、
継続的な知識改変に加えて、新しいデータ(時刻t1以
降)の影響を強く反映させる形の入力合成を行うという
時間に対する特性を記述するものである。
態すなわちそれぞれ本発明に特有な重み加算方式および
重み移動方式のいずれかを用いる。
り重みを加算することにより、重み行列を操作する方式
である。操作する範囲や加算する重み量は、特徴空間の
空間の特性などによって与えられる効果行列や、指定さ
れる効果量Eなどによって制御される。その処理概要
は、まず多次元の入力データD1、効果量Eを入力する。
次に、重み行列上の入力データD1に対応する座標を中心
に、効果行列(重み)を効果量Eで定まる強さで加算す
る。出力処理部12の正規化処理用に、加算時に重み総量
We、各軸の各軸座標に対応する重み総量にも加算する。
第3図(a)〜(C)は、重み加算方式の処理の過程を
説明するための図で、上部の曲線は、データ入力(+印
は入力を表す)による重み行列の変化を示している。ま
た、同図の下部の曲線は、この重み行列から指定の条件
(P1軸に平行で、P2=三角印)で抽出される分布関数を
示す。同一条件の分布関数(ルール)も、データ入力に
よって動的に変化することが示されている。
この処理フロー図により処理手順を詳細に説明する。
の入力データDiとしては、例えば火災報知システムにお
いて、ビル内外の各部に配置されたセンサによって刻々
と検出される室内温度、外気温度、塵埃量、ガス洩れ量
等の対象の状況を表すデータや、火災報知器のスイッチ
のオン、オフ等の前記状況の種類を表すデータなどがあ
る。効果量Eは入力により多次元重み行列にどの程度の
影響を及ぼさせるかを決定する値であり、入力の特性を
考慮して予め決定されているものである。効果行列に効
果量Eを乗じたものが重み加算値となる。効果行列は、
多次元重み行列に対応させて多次元重み行列格納部15に
記憶されている。対象空間の特性(パラメータ間の線形
相関など)が予測される場合には、知識獲得の収束性を
向上させるために効果行列に対象空間の特性を反映させ
ることも可能である。
を求める。量子化入力座標とは多次元特徴空間の各軸の
入力値を量子化し、座標値を順に割り当てたものであ
る。例えば、ある軸P1が制御入力値(電圧V)であると
し、0.2Vステップで量子化したとすれば、制御入力値と
量子化入力座標値(P1軸)とは、一例として次のように
なる。
ンタPeにセットする。なお、効果行列は第5図(a)あ
いは(b)に示すように入力座標点に対応する点Hを中
心として一定の範囲(この例では3×3の範囲)に分散
した重みの行列からなっている。この行列内の重みは、
この効果行列を適用する多次元重み行列の特性を考慮し
て決定される。すなわち、対象空間の特性(パラメータ
間の線形相関など)が予測される場合には、知識獲得の
収束性を向上させるために効果行列に対象空間の特性を
反映させる。第5図(a)の効果行列Dは第4図の多次
元重み行列AのPl,P2間の相関が右上がりの方向に延び
る形の特性であるため、左下から右上への対角線の重み
を大きくしている。第5図(b)の効果行列Fは中心か
ら周辺に向って重みの値が小さくなるようにした一様な
分散を持ったものである。
ンタPeの指す要素が、効果行列の最後の要素になるまで
繰り返す。ステップ204では最後の要素になったか否か
を判定する。
果量Eを乗じ、加算重みWaを求める。
列Aの量子化入力座標Ziに重ねた際に、効果行列要素ポ
インタPeの指す要素に対応する重み行列要素のアドレス
を重み行列要素ポインタPwにセットする。すなわち、こ
のステップでは、効果行列の要素のアドレスとこれに対
応する加算すべき多次元効果行列Aの要素のアドレスと
を求めることになる。
加算する。
第5図(a)の加算重み行列の中心Hが第4図の入力量
子化座標Zhに重なるようにした場合の重み加算後の重み
示したものである。加算後の全体の多次元重み行列は第
6図のようになる。
行列要素ポインタPWの指す要素の座標を、重み行列座標
ZWにセットする。重み行列要素ポインタPWにはアドレス
がセットされているので、このアドレスを座標値に換算
する。
重み行列座標Zwのi軸の座標に対応する要素に加算す
る。この処理を、i=0から重み行列の次元数−1ま
で、iを1ずつ増加しながら繰り返す。すなわち、第6
図の例で説明すると、P1軸方向の軸合計用配列CにP1軸
方向の軸合計値を格納し、P2軸方向の軸合計用配列Bに
P2軸方向の軸合計値を格納する。その合計値を多次元重
み行列が更新される度に行う。例えば、入カデータのあ
った重み行列要素の更新を行ったときは、重み行列要素
のアドレスからP1軸座標およびP2軸座標を求め(ステッ
プ208で前述のように求める)、P1軸座標で軸合計用配
列Bの要素の指定を行うと共にP2軸座標で軸合計用配列
Cの要素の指定を行い、各配列要素に対応する軸合計値
を格納する。このような合計値をここで計算しておくの
は、後で出力処理部で正規化を行うときに必要となり、
正規化の都度多次元重み行列から軸合計を計算すると、
多次元重み行列が更新されたときに更新された部分もそ
うでない部分もすべて計算しなければならないからであ
る。
である。この重み行列の総量Wtも出力処理部12で必要と
なるデータである。
たステップ204へ移る。
きは、更新されたた多次元重み行列、軸合計値、重み総
量は多次元重み行列格納部15に格納されている。
向かって、現在空間上に存在する重みを移動させる方式
である。操作する範囲や移動量は、指定される効果量な
どによって制御される。重み加算方式が初期データを必
要としない(全く重みが無い状態からでも処理が開始で
きる)のに対して、重み移動方式では初期データを必要
とする。利点としては、重み加算方式と比較して第10図
に示すような多峰性の分布関数を発生させることを抑制
し易いことが挙げられる。
ータDi、移動の強さを表す効果量Eを入力する。次に、
入カデータDiに最も近い重みの山脈の尾根の座標(ピー
ク座標)Ppおよびその座標での標準偏差(ピーク座標標
準偏差)Spを求める。そして、重み行列の各要素の重み
を、入力データDiに対応する座標に向け、効果量E、入
カデータDiから各要素の距離Dix、ピーク座標Ppから各
要素までの距離Dpx、ピーク座標標準偏差Spで定まる強
さで移動する。第9図にデータ入力(+印)があったと
きの重み移動方式による重み行列の変化を示す。図中の
矢印は移動ベクトルを示している。
この処理フロー図により処理手順を詳細に説明する。
を求める。
標Ziに最も近い尾根の座標(ピーク座標Zp)を求める。
ク座標標準偏差Spを求める。
おける軸j方向の重みの標準偏差をSpj、重み空間の軸
(次元)数をNaとすると、 で表され、さらにSpjは、軸j以外の軸の座標値を固定
し、軸jの座標を0〜級数まで変化させ、 軸jの座標をk、 座標値kの要素の重みをWpjk、 軸jの級数をNrjとすると、 で表される。
標間距離Dipを求める。
元)数まで変化させ、 Ziにおける軸jの座標値Zij, Zpにおける軸jの座標値Zpj, 重み空間の軸(次元)数をNaとすると、 により算出することができる。
インタPwにセットする。
ンタPwの指す要素が、重み行列の最後の要素になるまで
縁り返す。ステップ207では最後の要素になったか否か
を判定する。
座標Zxにセットする。
標とピーク座標間の距離距離Dip、ピーク座標標準偏差S
p、効果量Eから、移動先座標Zmを求める。
たステップ807へ移る。
きは、得られた多次元重み行列は多次元重み行列格納部
15に格納されている。
ータが与えられたとき、重み加算方式あるいは重み移動
方式等の重みの変更処理により、本発明の知識表現形態
である重み行列の生成・変更がなされる。
定軸に対する分布データの取得を行なう。
には解析部から得られた分布データや分離特性評価デー
タも)を基に、パターン型推論システムが処理可能な高
次ファジィ関数行列の要素となる関数のパラメータ,入
カフィルタデータなどの比較パターンを生成する。
な出力条件指定が可能である。例えば、第10図に示すよ
うに分布関数にピークが2つある場合には、ファジィ関
数を2つ生成する、指定された条件に応じて片方のピー
クに注目して1つのファジィ関数を生成するなどの処理
を選択することが可能である。
関数データを求める分布データ取得処理部1201と、分布
関数からメンバーシップ関数のパラメータを抽出しパタ
ーンデータを生成するパターンデータ生成部1202を備え
ている。
ローを示す図である。また、第12図はその処理を説明す
るための重み行列と分布データの一例を示す図である。
値diを出力データ条件指定として外部からパターンデー
タ生成部1202に与える。第12図の例ではAXがP1軸であ
り、その他の軸がP2軸である。そして、他の軸P2軸上で
の座標値座標値diとしては、例えばDi=(2.1,5.5)を
含む行を指定したいときは、di=5.5を指定する。
る。第12図の例において、例えば座標値di=5,5のとき
量子化座標値Zi=5に変換される。
座標値Ziによって重み行列要素ポインタPwをセットす
る。第12図の場合、ポインタPwには座標(1,5)に対応
する多次元重み行列格納部15のアドレスをセットする。
布データ出力先ポインタPvをそれぞれシフトしながら、
重み行列要素ポインタPwに格納されているデータを分布
データ出力先ポインタPvにセットする。第12図の例で
は、多次元重み行列の座標(1,5),(2,5),(3,5)
・・・の重み行列要素の値を非正規化分布データ用配列
Fの1番左の要素、左から2番目の要素、左から3番目
の要素・・・というように順次にセットする。
み合計用配列BのポインタZwをセットする。重み行列は
前述のように入力処理部11で予め求められ、重み行列格
納部15に既に格納されているものである。
ータ出力先ポインタPv,重み合計用配列のポインタZwを
それぞれシフトしながら、重み行列要素ポインタPwに格
納されているデータをZwで割った値を分布データ出力先
ポインタPvにセットする。
のステップ117〜118の処理を、軸AXの量子化数分繰り返
す。第12図の例において非正規化分布データ用配列F、
正規化分布用配列Gにはそれぞれ得られた分布データの
例が示されている。
ータを抽出する処理すなわち比較パターンデータの生成
処理のフローを示す図である。また、第14図〜第17図は
その処理の過程を説明するための図である。
力することができる。このカットオフレベルGcが指定さ
れた場合には、量子化座標値Ziをシフトしながら、次式
で分布データGiを操作する。
カットオフレベルとしてGC=2を設定したことを示して
いる。第15図は、Gi=Gi−Gcの操作を施した後の分布デ
ータを示すものである。このようなカットオフレベルを
設定するのはカットオフレベル以下で生ずる微小なノイ
ズ成分を除去するためである。
たかを判定し、終っていなければステップ132の処理に
移り、終っていればステップ133に進む。
る。
の重心のZ軸座標を計算するものである。
れぞれ独立に標準偏差値Si,Srを求める。
して外部から与える。第16図にこれらの正規化座標値が
示されている。
る。
is、正規化右分散値Vrをそれぞれ逆正規化して、中心値
Cs、曖昧度Va、左分散値Vi、右分散値Vrを求める。
ある。この第2の実施例は、第1の実施例の構成に解析
部17を付加した構成とした点に特徴がある。同図におい
て第1の実施例と対応する要素には、同一の符号を付け
ている。
実施例を説明する。
成するための解析データテーブル作成部1103を設ける。
されている解析データテーブルのデータに対するデータ
解析を行なう。
などの入カデータの他、どのように分析して欲しいかを
示す分析条件,どのようなパターンを欲しいかを示す出
力条件などの指定がある。また、外部に出力されるデー
タは、パターンテーブル,入力データ項目の重要度を記
述するフィルタデータの他、マンマシンインタフェース
出力としての特徴空間表示などがある。
ータテーブルに変換する処理を行う行列・テーブル変換
部1701と、解析データテーブル作成部1103で作成され、
あるいは行列テーブル変換部1701で作成された解析デー
タを格納する1702と、解析データテーブルのデータを指
定された分析条件に従って分析する分析部1703と、分析
部1703の処理で得られた主成分や直接の入カデータを軸
とする解析のための特徴空間(分析空間)を生成する分
析空間生成部1704と、この生成された空間内で指定グル
ープ間の分離特性の評価や、分離のための分布関数を取
得する分離特性評価部1705を備えている。
テーブル格納部1702中にあり、入力された実データや実
データを正規化したデータの他、データのグループ化を
行なうためのグループIDなどを保有する。
ーマットのファイルとして解析データテーブル作成部11
03で作成される。ファイル内で入力データはグループ毎
に分類されており、グループ内のそれぞれのデータには
パラメータ数分のデータが保存されている。
パラメータ1,2,3に関する主成分分析が可能である。
のものが用意されており、それぞれのファイル形式に対
し読み込み、書き込みが可能である。
いて、多次元重み行列を変換して作成することもでき
る。
しての主成分分析法によりデータの分析を行う。分析部
1703は、主成分分析法の場合、主成分分析テーブル、主
成分分析実行部、分析結果テーブルを備えている。
意で独立な変量(要因)が潜んでいるかを明らかにし、
多くの観測量を小数の有意で独立な変量(主成分)で記
述することに有る。この解析結果によって、対象を記述
する状態空間モデルの変量を絞り込むことができ、知識
改変/推論実行などの処理効率を向上させることが可能
となる。
析,多次元尺度法(MDS)などがあるが、最も処理負荷
が小さいことなどを考慮した場合、本実施例のように主
成分分析を用いるのが望ましい。
る。
理されている。
の主成分分析テーブルを予め作成する必要がある。その
主成分分折テーブルは解析データテーブル作成部1103ま
たは行列・テーブル変換部1701により作成する。作成さ
れる主成分分析テーブルには、システム側で(すなわ
ち、解析データテーブル作成部1103または行列・テーブ
ル変換部1701において)、テーブルidを付ける。ユーザ
はこのid番号によりデータ分析処理を行なう。
る。
する入力データのデータグループとパラメータを選択す
る。
により、作成した主成分分析テーブル毎に実行され、分
析結果がテーブルに保存される。
標準化する。これにより各パラメータは、平均0.0、分
散1.0になる。
関行列とは、観測量同士の相関係数書き並べたもので、
「観測量の数」×「観測量の数」の対象行列である。観
測量が標準化されていると相関係数は、2種類の観測量
の積を足し合わせ、データ数で割ることにより算出でき
る。
により求める。固有値の大きいものから、第1主成分、
第2主成分、・・・と呼び、固有値が基準値(例えば1.
0)以上のものを意味があると見なし、それ以下のもの
はノイズ成分と見なす。
て以下のデータを解析データテーブルにある前記ポイン
タ等により指示される分析結果テーブルに保存する。
うことが可能である。
の抽出が可能である。
ることができる。
の分離特性評価を行うために、次の処理を行う。
る。すなわち、主成分分析結果が保存されたテーブルか
ら主成分を複数個指定すること(ユーザが指定)によ
り、それらを軸とした主成分空間が作成される。更に、
形成された主成分空間ヘプロットするデータグループを
指定し(ユーザが指定)、主成分空間上ヘデータを配置
する処理を行う。処理の結果は多次元重み行列格納部15
に格納する。
タを主成分軸P1,P2からなる空間にプロットした図を示
すものである。
して以下の3つの機能を用意している。
間の分離率を算出する。
間上における分散情報を抽出する。
ットし、調査座標として与えた座標が何れのデータグル
ープに近似しているかを調査する。
を、分離性の高い軸を探索することにより、分離する。
分離されたデータグループはそれぞれパターンデータ化
される。
ら分離性を評価し、各データグループの中心を通る軸に
より分離する。
つの変量(特徴軸)からなるデータを分離するための分
布データ取得の手順を説明する。
間に配置する。これに対してA,Bの2つのグループに分
離するために最も適した境界線P2'を線形判別関数によ
り求める。
でのデータの存在確率を示す分布関数を得る。第20図は
この分布関数を基に、分離特性を評価したり、A,Bに分
離するためのルールを取得する処理が可能となる。
の実施例の推論パターン生成システム2101は、パターン
型推論システム2102結合され複合システムを構成する。
すなわち、推論パターン生成システム2101より生成され
た推論パターン(高次ファジイ関数、フイルタデータ)
はパターン型推論システム2102へ出力され、推論の実行
がなされる。パターン型推論実行システム2102は、本発
明者等の発明になる特願昭63−25143号「知識コンパイ
ル・パターン型推論システム」の出願明細書中に開示さ
れたものを用いることができる。
具体的な実施例について第22図により説明する。このシ
ステムは、従来の(既存の)制御システム本体に本発明
のパターン生成システムを有する推論システムを付加し
た構成を持っている。
ァジィ適応学習制御機能の有効性が顕著となる。
非線形的離散的な要因が多く制御指令と制御結果との相
関が取れないという問題があるものとする。基本特性は
設計条件として織り込み済みでありファジィ適応化以前
に既にコンピュータ線形制御系が実施されている。プラ
ントの動作特性の一部が不明であること、途中バッチ作
業が割込みその度にプラントがニュートラル(停止)状
態に戻り、制御傾向に連続性が無い(離散性)こと、か
つ加工対象が不均一に変化する(非線形性)ことなど、
多くの問題点があるものとする。このような制御対象は
実験データもなければ経験的知識も人毎にばらばらであ
ることが多く参考程度にしかならない。制御系に加えら
れる影響を外乱といい、この外乱をどの程度までキャン
セルできるかが制御系の能力評価となる。制御系の外乱
は未知と既知の部分に分かれ、既知の外乱情報を判断の
指標に取り込むことにより未知の外乱の状況をある程度
推定できる。
作業バッチである。また未知の外乱はプラント自身の特
性の一部、加工対象の変化、バッチ作業の影響などであ
る。
知の外乱を含む離散制御系では、動作指数の確定的な平
均化処理を行うと真の動作特性を見失うことが多く、確
率的に処理する必要がある。
理される。
得処理部1201に対応) 特徴軸は意味の異なる指標の集まりであるが、動作指
標の表す状況はすべて誤差距離に還元できる。このよう
に一意的に評価できる場合には忘却関数による減算が意
味を持つ。忘却関数処理では観測できた部分の近辺にも
影響を与える分布イフェクト機能を持ち、さらに新規の
観測部分だけにパターンが引きずられないような時系列
上と空間上の母集団管理機能を持つ。
データ生成部1202に対応) 適応機構部224は多次元重み行列から有意な定量則を
得るための正規化機能を有している。学習の途中で重み
行列が多峰性関数となる場合がある。適応機構部224で
は多峰性取扱いルールによりいずれが有意であるかを判
断する。適応化は普通パラメータ変更を行うが、本シス
テムでは分布図からメンバーシップ関数の集合全体を変
更し、ルールレベルの更新を行う。
御サイクルに合わせてリアルタイム処理の内容が変更さ
れる。
そのような場合の知識獲得には、特徴空間の非線形分
布から意味を持つパターンを自動的にマッチングし切り
出すか、ビジュアル化して人間の視認による判断を行
う。本実施例のシステムはその双方の方式をとることが
できる。ビジュアル化のために表示部226を有する。
め、パーソナルコンピュータ(PC)でもエンジニアリン
グワークステーション(EWS)でもその能力なりの処理
が可能である。例えば最初に過去の蓄積データから特徴
の相関を「知的データ解析機能」で解析して特徴軸を絞
り込み、その後PCによるリアルタイム適応学習を行うな
ども十分可能である。運転中の大型の機器やプラントに
適応システムを付加する場合、試験的に制御指令を振ら
すことは困難でかつ危険である。このため安全への配慮
から制御則のチューニング順序は 初期値(仮想分布)入力 測定データバッチチューニング リアルタイム計測チューニング(オープンループ) 適応学習・制御(完全クローズドループ) と段階を経ながら知識獲得が検証が可能となるように
計画できる。ファジィ適応制御システムではルール仮説
性の許容幅が大きい。このため適応学習制御システムの
構築が短期間にかつ安全に実施できる。
より計測入力データが確率分布と言う形に変換されよう
にしたことにより、どのような計測入力があったたとき
どのような現象があるかというような、多次元の計測入
力と知識との対応を、容易に把握することができ、知識
獲得を効率化することができる。
列を用いた態様においては、多次元空間は一定の幅で量
子化されるので、演算処理が容易となり処理の高速化が
実現できる。
るいは重み行列データを解析し、データ間の相関や主要
因の分析や、指定されたデータ群間の分離特性の評価な
どを行ない、ヴィジュアル化することができる。これら
の処理の結果に基づいて、対象とする処理が必要とする
データを絞り込んだり、ルールとして抽出すべき状況な
どを得るための指針を得たりすることができる。従っ
て、制御は勿論、戦略情報システムなどのための動的デ
ータの解析が実現可能となる。
述する場合が多かった知識データを、システムが能動的
に取得することが可能となる。
て、適応学習可能なシステムが構築可能となり、より自
律的な知識処理が可能となる。
ステムの基本的構成を示す図である。 第2図は重み加重方式の処理を示すフロー図である。 第3図(a)〜(C)は、重み加算方式の処理の過程を
説明するための図である。 第4図は多次元重み行列の例を示す図である。 第5図(a)および(b)は効果行列の例を示す図であ
る。 第6図は多次元重み行列に効果行列を加算する動作を説
明するための図である。 第7図は時間関数の一例を示す図である。 第8図は重み移動方式の処理を示すフロー図である。 第9図(a)〜(C)は、重み移動方式の処理の過程を
説明するための図である。 第10図は多峰性の分布関数の例を示す図である。 第11図は重み行列から分布データを取得する処理のフロ
ーを示す図である。 第12図は第11図の処理を説明するための重み行列と分布
データの一例を示す図である。 第13図は分布データからメンバーシップ関数のパラメー
タを抽出する処理すなわち比較パターンデータの生成処
理のフローを示す図である。 第14図〜第17図はメンバーシップ関数のパラメータを抽
出する処理の過程を説明するための図である。 第18図は、本発明の第2の実施例の構成を示す図であ
る。 第19図はデータグループAとデータグループBのデータ
を主成分軸P1,P2からなる空間にプロットした図であ
る。 第20図はグループA,Bごとの、P1軸上に写像されるデー
タ数を表現した分布関数を示す図である。 第21図は本発明の動的パターン生成システムとパターン
型推論システムを用いた複合システムの構成例を示す図
である。 第22図は本発明の第3の実施例の構成を示す図である。 11…入力処理部、1101…前処理部、1102…多次元重み行
列生成・更新部、1103…解析データテーブル作成部、12
…出力処理部、1201…分布データ取得部、1202…パター
ンデータ生成部、13…入力履歴記憶部、14…時間特性関
数格納部、15…多次元重み行列格納部、16…分布データ
格納部。
Claims (7)
- 【請求項1】入力された多次元データから定量的な多次
元特徴空間内の確率分布によって表現したデータへ変換
処理する第1の処理手段と、 第1の処理手段によって得られたデータからパターン型
推論の実行に用いる推論パターンデータを生成する第2
の処理手段と を備えたことを特徴とする動的推論パターン生成システ
ム。 - 【請求項2】第1の処理手段は、多次元特徴空間内の確
率分布を、その多次元特徴空間を一定区間ごとに分割し
た領域の各領域ごとに重み与えて成る多次元重み行列と
して表現する処理を行うものであることを特徴とする請
求項(1)記載の動的推論パターン生成システム。 - 【請求項3】第1の処理手段は、入力された多次元デー
タの値に対応した多次元特徴空間上の座標において、入
力による効果を記述する多次元の効果行列を多次元重み
行列に加算する演算処理手段を有することを特徴とする
請求項(2)記載の動的推論パターン生成システム。 - 【請求項4】第1の処理手段は、入力された多次元デー
タの値に対応した多次元特徴空間上の座標に向かって、
多次元重み行列に記述された確率分布を移動させる処理
を行う演算処理手段を有することを特徴とする請求項
(2)記載の動的推論パターン生成システム。 - 【請求項5】第1の処理手段は、多次元重み行列の表現
において特定軸方向の重み合計値を算出する手段を有す
ることを特徴とする請求項(2)記載の動的推論パター
ン生成システム。 - 【請求項6】第1の処理手段は、 入力された多次元データの履歴を記憶する入力履歴記憶
手段と、 前記演算処理手段へ入力する多次元データの値を入力履
歴記憶手段に記憶された入力データの履歴に基づき決定
する前処理手段と を具備することを特徴とする請求項(3)または(4)
記載の動的推論パターン生成システム。 - 【請求項7】入力された定量的な多次元データから、多
次元特徴空間内の一定区間ごとに分割した領域の各領域
ごとに重み与えて成る多次元重み行列として表現したデ
ータに変換処理する第1の処理手段と、 第1の処理手段によって得られた多次元重み行列および
第3の処理手段からの評価結果を基にパターン型推論の
実行に用いる推論パターンデータを生成する第2の処理
手段と、 第1の処理手段により生成された多次元重み行列に対し
て、データ解析による評価を行い、第2の処理手段に評
価結果を出力する第3の処理手段と を備えたことを特徴とする動的推論パターン生成システ
ム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2103754A JP3045516B2 (ja) | 1990-04-19 | 1990-04-19 | 動的推論パターン生成システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2103754A JP3045516B2 (ja) | 1990-04-19 | 1990-04-19 | 動的推論パターン生成システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH041824A JPH041824A (ja) | 1992-01-07 |
JP3045516B2 true JP3045516B2 (ja) | 2000-05-29 |
Family
ID=14362343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2103754A Expired - Lifetime JP3045516B2 (ja) | 1990-04-19 | 1990-04-19 | 動的推論パターン生成システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3045516B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1085625C (zh) * | 2000-04-25 | 2002-05-29 | 山东大学 | 高纯度超细电子级三氧化二铁粉体及其制备方法 |
KR102526516B1 (ko) * | 2016-12-14 | 2023-04-26 | 스카이서퍼 인터내셔널 리미티드 | 놀이 기구 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3476211B2 (ja) * | 1992-12-03 | 2003-12-10 | 日本政策投資銀行 | ネットワーク型情報処理システムとその学習方法 |
JP4759688B2 (ja) * | 2006-02-23 | 2011-08-31 | 吉田 ハルヱ | 被試験体の検査装置 |
CN115658926B (zh) * | 2022-11-21 | 2023-05-05 | 中国科学院自动化研究所 | 知识图谱的要素推测方法、装置、电子设备和存储介质 |
-
1990
- 1990-04-19 JP JP2103754A patent/JP3045516B2/ja not_active Expired - Lifetime
Non-Patent Citations (2)
Title |
---|
「1989年度人工知能全国大会(第3回)論文集」(1989−7) |
「第5回ファジィシステムシンポジウム論文集」(1989−6)P.449−454 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1085625C (zh) * | 2000-04-25 | 2002-05-29 | 山东大学 | 高纯度超细电子级三氧化二铁粉体及其制备方法 |
KR102526516B1 (ko) * | 2016-12-14 | 2023-04-26 | 스카이서퍼 인터내셔널 리미티드 | 놀이 기구 |
Also Published As
Publication number | Publication date |
---|---|
JPH041824A (ja) | 1992-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hirota | Industrial applications of fuzzy technology | |
Chugh et al. | A survey on handling computationally expensive multiobjective optimization problems with evolutionary algorithms | |
Abraham | Rule‐Based expert systems | |
Meza et al. | Controller tuning with evolutionary multiobjective optimization | |
Reynoso-Meza et al. | Controller tuning using evolutionary multi-objective optimisation: current trends and applications | |
US7188091B2 (en) | Rule processing system | |
Joos | A multiobjective optimisation-based software environment for control systems design | |
US20040260667A1 (en) | Method of providing decision automation | |
Sanders et al. | AI tools for use in assembly automation and some examples of recent applications | |
Ab Rashid | A hybrid Ant-Wolf Algorithm to optimize assembly sequence planning problem | |
Sauer et al. | Deep learning in sheet-bulk metal forming part design | |
JP3045516B2 (ja) | 動的推論パターン生成システム | |
Jones et al. | Practical inference with systems of gradual implicative rules | |
Wang et al. | Linguistic dynamic systems and computing with words for complex systems | |
Kaimal et al. | Self learning real time expert system | |
Tan | Fuzzy metagraph and its combination with the indexing approach in rule-based systems | |
Reynoso Meza et al. | Background on multiobjective optimization for controller tuning | |
Karpenko et al. | Intellectualization methods of population algorithms of global optimization | |
Ghorbani et al. | Optimization framework for assembly line design problem with ergonomics consideration in fuzzy environment | |
Khayut et al. | Intelligent user interface in fuzzy environment | |
Wang et al. | An intelligent design environment for conceptual process design | |
Sakhrawi et al. | An improved prediction of software enhancement effort using correlation-based feature selection and M5P ML algorithm | |
Williams et al. | Activity analysis: Simplifying optimal design problems through qualitative partitioning | |
Waris et al. | Application of fuzzy logic in academic setup | |
AU2003220382A1 (en) | Rule processing system and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080317 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090317 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090317 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100317 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110317 Year of fee payment: 11 |
|
EXPY | Cancellation because of completion of term | ||
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110317 Year of fee payment: 11 |