JP3211236B2 - Automatic knowledge corrector for approximate inference - Google Patents
Automatic knowledge corrector for approximate inferenceInfo
- Publication number
- JP3211236B2 JP3211236B2 JP17029390A JP17029390A JP3211236B2 JP 3211236 B2 JP3211236 B2 JP 3211236B2 JP 17029390 A JP17029390 A JP 17029390A JP 17029390 A JP17029390 A JP 17029390A JP 3211236 B2 JP3211236 B2 JP 3211236B2
- Authority
- JP
- Japan
- Prior art keywords
- knowledge
- event
- conclusion
- input
- value
- 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
Landscapes
- Devices For Executing Special Programs (AREA)
Description
【発明の詳細な説明】 発明の背景 技術分野 この発明は,近似推論において,推論結果の正しさの
情報をフィードバックし,その情報に基づいて知識ベー
ス内の専門家の知識を自動的に修正する知識自動修正装
置に関する。Description: BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention, in approximate inference, feeds back information on the correctness of an inference result, and automatically corrects expert knowledge in a knowledge base based on the information. The present invention relates to an automatic knowledge correction device.
従来技術 推論結果を,その推論結果を導くために使用した事象
の情報量によって修正または変更する方式の近似推論が
知られている(たとえば,Zhang Hongmin“AN EXPERT SY
STEM WITH THINKING IN IMAGES",Preprints of Second
IFSA Congress,Tokyo,July 20−25,1987,P.765)。2. Description of the Related Art Approximate inference is known in which an inference result is modified or changed according to the information amount of an event used to derive the inference result (for example, Zhang Hongmin “AN EXPERT SY”).
STEM WITH THINKING IN IMAGES ", Preprints of Second
IFSA Congress, Tokyo, July 20-25, 1987, p. 765).
この近似推論方式は,事象に対して結論ごとに与えら
れたメンバーシップ関数を用いて,事象ごとの情報量
(すなわち事象の情報識別能力)を算出し,推論結果
(すなわち結論が成り立つ可能性)を,その結論を導く
ために使用した事象の情報量によって修正または変更す
る(可能性と情報量の積をとる)ことによって,推論結
果の識別能力を高めようとするものである。This approximate inference method calculates the amount of information for each event (that is, the information discrimination ability of an event) using a membership function given to each event for each event, and calculates the inference result (that is, the possibility that the conclusion holds). Is modified or changed (the product of the probability and the amount of information) by the amount of information of the event used to draw the conclusion, thereby improving the discrimination ability of the inference result.
しかしながら,このような従来の近似推論装置におい
ては,推論結果に対する正しさの情報がフィードバック
されていないために,推論結果が本当に正しいかどうか
がわからない,専門家が入力した知識に誤りがあるかが
わからない,知識に誤りがある場合,その知識をどう修
正してよいかがわからない,人間の手によって知識ベー
スの修正を行なわなければならないという問題がある。However, in such a conventional approximation inference apparatus, since the information on the correctness of the inference result is not fed back, it is difficult to know whether the inference result is really correct or not. There is a problem that if the user does not know, there is an error in the knowledge, it is not clear how to correct the knowledge, and the knowledge base must be corrected manually.
発明の概要 発明の目的 この発明は,近似推論に用いる専門家の知識を自動的
に修正できる装置を提供するものである。SUMMARY OF THE INVENTION Object of the Invention The present invention provides an apparatus capable of automatically correcting expert knowledge used for approximate inference.
発明の構成,作用および効果 この発明による近似推論のための知識自動修正装置
は,入力データを専門家の知識にあてはめることにより
知識の可能性を演算する近似推論装置において,最大値
と最小値によって示される事象値の範囲と結論との関係
を表わす専門家の知識を記憶する知識記憶手段,結論の
正しさの情報を入力する正当性情報入力手段,正しさの
情報が入力された結論に関して,入力された事象値デー
タを蓄積的に記憶する履歴記憶手段,所定の結論につい
て上記履歴記憶手段に記憶されている事象値データと,
上記所定の結論と同じ結論について上記知識記憶手段に
記憶されている専門家の知識の中の事象値の範囲との不
一致度を算出する不一致度算出手段,および,上記不一
致度算出手段によって算出された不一致度が所定値以上
である場合に,上記知識記憶手段に記憶されている専門
家の知識の中の事象値の範囲を,上記履歴記憶手段に蓄
積的に記憶されている事象値データの最大値と最小値か
らなる範囲によって修正する知識修正手段を備えている
ことを特徴とする。An automatic knowledge correcting device for approximate inference according to the present invention is an approximate inference device that calculates the possibility of knowledge by applying input data to the knowledge of a specialist. Knowledge storage means for storing expert knowledge indicating the relationship between the range of indicated event values and the conclusion, validity information input means for inputting information on the correctness of the conclusion, and conclusions for which the information on the correctness has been input are as follows: History storage means for accumulatively storing input event value data; event value data stored in the history storage means for a predetermined conclusion;
The inconsistency calculation means for calculating the degree of inconsistency with the range of event values in the expert knowledge stored in the knowledge storage means for the same conclusion as the predetermined conclusion is calculated by the inconsistency calculation means. If the degree of inconsistency is equal to or greater than a predetermined value, the range of event values in the expert's knowledge stored in the knowledge storage means is compared with the event value data stored in the history storage means. It is characterized in that it comprises a knowledge correcting means for correcting by a range consisting of a maximum value and a minimum value.
この発明によると,推論結果に対する結論の正しさの
情報を人間が(または自動的に)入力し,正しさの情報
が入力された結論に関して,入力された事象値データを
履歴にとっておく。同一の結論についての履歴事象値デ
ータと専門家の知識の中の事象値の範囲の不一致度を算
出し,不一致度が所定値以上である場合に,その結論に
ついての専門家の知識の中の事象値の範囲を,履歴事象
値データの最大値と最小値を用いて修正している。According to the present invention, information on the correctness of the conclusion with respect to the inference result is input by a human (or automatically), and the input event value data is stored as a history of the conclusion on which the correctness information is input. The degree of discrepancy between the historical event value data for the same conclusion and the range of event values in the expert's knowledge is calculated. If the degree of discrepancy is equal to or greater than a predetermined value, the degree of discrepancy in the expert's knowledge about that conclusion is calculated. The range of event values is corrected using the maximum and minimum values of the historical event value data.
このようにして,この発明によると,最大値と最小値
によって示される事象値の範囲と結論との関係を表わす
専門家の知識を,結論の正しさの情報に基づいて修正し
ているので,より精度の高い推論結果が得られる。Thus, according to the present invention, the expert's knowledge representing the relationship between the range of event values indicated by the maximum value and the minimum value and the conclusion is corrected based on the information on the correctness of the conclusion. A more accurate inference result can be obtained.
実施例の説明 (1)近似推論装置および知識自動修正装置の全体構成 第1図に近似推論装置および知識自動修正装置の全体
構成の一例が示されている。近似推論装置は,知識記憶
装置11,知識合成装置12,合成後知識記憶装置13,事象値
入力装置14,適合度演算装置15,動的情報量演算装置16,
可能性演算装置17,可能性表示装置18,静的情報量演算装
置19,明瞭性演算装置20,明瞭性記憶装置21,明瞭性加算
装置22および明瞭性表示装置23から構成されている。1. Description of Embodiment (1) Overall Configuration of Approximate Inference Apparatus and Automatic Knowledge Correction Apparatus FIG. 1 shows an example of the overall configuration of an approximate inference apparatus and automatic knowledge correction apparatus. The approximate inference device includes a knowledge storage device 11, a knowledge synthesis device 12, a synthesized knowledge storage device 13, an event value input device 14, a fitness calculation device 15, a dynamic information amount calculation device 16,
It comprises a possibility calculation device 17, possibility display device 18, static information amount calculation device 19, clarity calculation device 20, clarity storage device 21, clarity addition device 22, and clarity display device 23.
知識自動修正装置は,正当性情報入力装置31,履歴記
憶装置32,不一致度算出装置33,知識修正装置34,知識再
合成装置35および明瞭性再演算実行装置36から構成され
ている。The automatic knowledge correction device includes a validity information input device 31, a history storage device 32, an inconsistency calculation device 33, a knowledge correction device 34, a knowledge resynthesis device 35, and a clarity recalculation execution device 36.
以下に,これらの装置について故障診断を例にとって
詳述する。Hereinafter, these devices will be described in detail by taking a failure diagnosis as an example.
(2)知識記憶装置 知識記憶装置11は,専門家等が入力した知識を,事象
(故障が生じたときの状況,測定値等)と結論(故障の
種類等)との関係を示す形式で記憶する装置である。こ
の装置は複数の専門家の知識を記憶することができる。(2) Knowledge storage device The knowledge storage device 11 stores the knowledge input by an expert or the like in a format indicating the relationship between an event (a situation when a failure occurs, a measured value, etc.) and a conclusion (a type of failure, etc.). It is a device for storing. This device can store the knowledge of several experts.
知識記憶装置11に記憶されている2名の専門家ex1,ex
2の知識の例を規則の形式で以下に示す。The two experts ex1 and ex stored in the knowledge storage device 11
An example of knowledge of 2 is shown below in the form of rules.
専門家ex1: if 20≦f1≦60,0≦f2≦40,then c1 …(1) if 40≦f1≦80,60≦f2≦100,then c2 …(2) 専門家ex2: if 30≦f1≦50,10≦f2≦30,then c1 …(3) if 50≦f1≦70,70≦f2≦90,then c2 …(4) f1,f2は事象であり,これらをそれぞれ事象1,事象2
と呼ぶことがある。c1,c2は結論であり,これらをそれ
ぞれ結論1,2と呼ぶことがある。Expert ex1: if 20 ≦ f1 ≦ 60, 0 ≦ f2 ≦ 40, then c1… (1) if 40 ≦ f1 ≦ 80, 60 ≦ f2 ≦ 100, then c2… (2) Expert ex2: if 30 ≦ f1 ≦ 50,10 ≦ f2 ≦ 30, then c1 ... (3) if 50 ≦ f1 ≦ 70,70 ≦ f2 ≦ 90, then c2 ... (4) f1 and f2 are events.
It may be called. c1 and c2 are conclusions, and these may be called conclusions 1 and 2, respectively.
また,a≦f1≦bのように表わされたa,bをそれぞれ最
小値,最大値と呼ぶ。Also, a and b expressed as a ≦ f1 ≦ b are called a minimum value and a maximum value, respectively.
上述の規則を,専門家ごとに表(テーブル)の形式で
表現すると次のようになる。The above rules are expressed in the form of a table for each expert as follows.
(3)知識合成装置 知識合成装置12は,知識記憶装置11に記憶された複数
の専門家の知識を合成して,1つの知識にまとめる装置で
ある。 (3) Knowledge Synthesizing Device The knowledge synthesizing device 12 is a device that synthesizes knowledge of a plurality of specialists stored in the knowledge storage device 11 and combines them into one knowledge.
知識の合成方法は種々あるが,ここでは,各結論に関
与している各事象の最大値と最小値について,複数の専
門家の平均値と標準偏差を計算する。Although there are various methods for synthesizing knowledge, here, the average value and standard deviation of multiple experts are calculated for the maximum value and the minimum value of each event involved in each conclusion.
上述した2名の専門家の事象f1から結論c1を導く知識
を例にとって知識合成処理について以下に説明する。The knowledge synthesizing process will be described below by taking as an example the knowledge that leads to the conclusion c1 from the event f1 of the two experts described above.
上述の規則(第(1)式,第(3)式)から,事象1
(f1)から結論1(c1)を求める規則を抽出すると次の
ように表わされる。From the above rules (Equations (1) and (3)), event 1
Extracting the rule for obtaining the conclusion 1 (c1) from (f1) is expressed as follows.
専門家ex1:if 20≦f1≦60 then c1 …(5) 専門家ex2:if 30≦f1≦50 then c1 …(6) 最小値の平均値mminおよび最大値の平均値mmaxが算出
される。Expert ex1: if 20 ≦ f1 ≦ 60 then c1 (5) Expert ex2: if 30 ≦ f1 ≦ 50 then c1 (6) The average value m min of the minimum value and the average value m max of the maximum value are calculated. You.
最小値の標準偏差σminおよび,最大値の標準偏差σ
maxが算出される。 Standard deviation σ min of minimum value and standard deviation σ of maximum value
max is calculated.
このような専門家の知識の合成演算を,上述した規則
(第(1)式〜第(4)式)について,各結論に関与し
ている各事象の最小値と最大値のすべてについて行なう
と,次のような表(テーブル)が得られる。 When such a synthesis operation of expert knowledge is performed for all of the minimum and maximum values of each event involved in each conclusion with respect to the above-described rules (Equations (1) to (4)) , The following table is obtained.
一般に,近似推論においては,事象に対してメンバー
シップ関数が与えられる。ここでは,一例として,上述
のようにして合成された専門家の知識を用いてガウス分
布によりメンバーシップ関数を求める方法について説明
する。 In general, in approximate inference, a membership function is given to an event. Here, as an example, a method of obtaining a membership function by a Gaussian distribution using the expert's knowledge synthesized as described above will be described.
最小値の平均値mmin,最大値の平均値mmax,最小値の標
準偏差σmin,最大値の標準偏差σmaxを用いて,メンバ
ーシップ関数は次式により表わされる。Using the average value of the minimum value m min , the average value of the maximum value m max , the standard deviation σ min of the minimum value, and the standard deviation σ max of the maximum value, the membership function is expressed by the following equation.
ただし, x :事象への入力データの値 Φ(x) :入力データxが事象に適合する程度(適合
度) Gauss(x):入力xにおけるガウス分布の値 である。 Where x is the value of the input data to the event Φ (x) is the degree to which the input data x matches the event (fitness) Gauss (x) is the value of the Gaussian distribution at the input x.
第2図にガウス分布の一例を示す。このガウス分布に
おいてメンバーシップ関数の作成のために左半分のみが
使用される。Φ(x)=0.5におけるxの位置はmminま
たはmmaxによって決定され,傾きはσminまたはσmaxに
よって決定される。FIG. 2 shows an example of a Gaussian distribution. In this Gaussian distribution, only the left half is used to create the membership function. Position of x in Φ (x) = 0.5 is determined by m min or m max, the slope is determined by the sigma min or sigma max.
一例として,事象f1から結論c1を求めるためのメンバ
ーシップ関数は,第(7)式から第(10)式により算出
した値を用いて第3a図から第3c図のようにして作成され
る。この場合,第(11)式は次のようになる。As an example, a membership function for obtaining the conclusion c1 from the event f1 is created as shown in FIGS. 3a to 3c using the values calculated from the equations (7) to (10). In this case, equation (11) becomes as follows.
第3a図は第(11)式または第(12)式の右辺第1項
を,第3b図は第(11)式または第(12)式の右辺第2項
を,第3c図は上記第1項から第2項を減算した結果,す
なわち第(11)式または第(12)式で表わされるメンバ
ーシップ関数を表わしている。 FIG. 3a shows the first term on the right side of equation (11) or (12), FIG. 3b shows the second term on the right side of equation (11) or (12), and FIG. It represents the result of subtracting the second term from the first term, that is, the membership function represented by equation (11) or (12).
第3表に示す合成された知識に基づいて作成された各
事象f1,f2について,結論c1,c2を求めるためのメンバー
シップ関数の例を,第4a図および第4b図に示す。4a and 4b show examples of membership functions for obtaining the conclusions c1 and c2 for each of the events f1 and f2 created based on the combined knowledge shown in Table 3.
(4)合成後知識記憶装置 合成後知識記憶装置13には,知識合成装置12によって
算出された平均値と標準偏差が,第3表のような形式で
記憶される。知識の合成は推論の都度行なう必要はない
ため,このようにあらかじめ計算した結果を記憶してお
く。そして推論の都度この記憶装置13内の値を読み出し
て使用することによって推論処理の高速化を図ることが
できる。(4) Post-synthesis knowledge storage device The post-synthesis knowledge storage device 13 stores the average value and the standard deviation calculated by the knowledge synthesis device 12 in a format as shown in Table 3. Since it is not necessary to synthesize knowledge every time inference is performed, the result calculated in advance in this way is stored. Then, by reading and using the value in the storage device 13 each time inference is performed, it is possible to speed up the inference processing.
(5)事象値入力装置 事象値入力装置14は,故障診断対象機器,キーボー
ド,通信インターフェイス装置,メモリ,ファイルなど
から,事象ごとに入力される入力データを読み込む装置
である。入力されたデータは適合度演算装置15に与えら
れるとともに,各事象のデータが入力されたかどうかの
情報が明瞭性加算装置22に与えられる。(5) Event Value Input Device The event value input device 14 is a device that reads input data input for each event from a failure diagnosis target device, a keyboard, a communication interface device, a memory, a file, and the like. The input data is provided to the fitness calculating device 15 and information on whether or not data of each event has been input is provided to the clarity adding device 22.
(6)適合度演算装置 適合度演算装置15は,事象値入力装置14から入力され
たデータの各メンバーシップ関数(または結論)に対す
る適合度を算出するものである。具体的には適合度は,
第(11)式の右辺の変数xとして入力データを代入する
ことによりΦ(x)として求められる。もちろんこのよ
うな演算式を必ずしも用いなくてもよい。(6) Fitness calculating device The fitness calculating device 15 calculates the fitness of the data input from the event value input device 14 with respect to each membership function (or conclusion). Specifically, the fitness is
It is obtained as Φ (x) by substituting the input data as the variable x on the right side of the equation (11). Of course, such an arithmetic expression need not always be used.
(7)動的情報量演算装置と静的情報量演算装置 事象f1の事象値(入力データ)をx1,事象f2の事象値
をx2とする。これらのデータは事象値入力装置14から入
力される。(7) Dynamic information amount operation device and static information amount operation device The event value (input data) of event f1 is x1, and the event value of event f2 is x2. These data are input from the event value input device 14.
第5a図および第5b図に示すように各適合度m11,m12,m
21,m22を次のように定める。Each fit as shown in FIG. 5a and FIG. 5b m 11, m 12, m
21, defines the m 22 as follows.
m11:入力データx1の結論c1に対する適合度 m12:入力データx1の結論c2に対する適合度 m21:入力データx2の結論c1に対する適合度 m22:入力データx2の結論c2に対する適合度 これらの適合度は入力データx1,x2が与えられたとき
に適合度演算装置15によって算出される。m 11 : Fitness of input data x1 for conclusion c1 m 12 : Fitness of input data x1 for conclusion c2 m 21 : Fitness of input data x2 for conclusion c1 m 22 : Fitness of input data x2 for conclusion c2 The fitness is calculated by the fitness calculation device 15 when the input data x1 and x2 are given.
ここでファジィ・エントロピという概念を考える。 Now consider the concept of fuzzy entropy.
入力x1が与えられたときのファジィ・エントロピEf1
を次のように定義する。Fuzzy entropy Ef1 given input x1
Is defined as follows.
このファジィ・エントロピは,情報識別能力の指標の
一種で,入力データx1を与えたときに,結論が明確に識
別できるほど小さい値となり,結論があいまいにしか識
別できないほど大きい値となる。つまり,入力データx1
の結論c1に対する適合度m11と入力データx1の結論c2に
対する適合度m12との差が大きいほど小さい値となり,
差が小さいほど大きい値となる。 This fuzzy entropy is a kind of index of information discriminating ability, and when input data x1 is given, the value is small enough to clearly identify the conclusion, and large so that the conclusion can be identified only ambiguously. In other words, input data x1
Will fit m 11 CONCLUSION c1 between the smaller value is larger the difference between the fit m 12 CONCLUSION c2 of the input data x1,
The smaller the difference, the larger the value.
同じようにして,入力x2が与えられたときのファジィ
・エントロピEf2は次式によって与えられる。Similarly, the fuzzy entropy Ef2 when the input x2 is given is given by the following equation.
ファジィ・エントロピEfの取り得る値の範囲は以下に
示すものとなる。 The possible value range of the fuzzy entropy Ef is as follows.
0≦Ef≦log(n) n:事象上の結論数 この例では,事象1(f1)上の結論数は2(c1,c2)
であるので,ファジィ・エントロピEfの最大値は,log
(2)となる。0 ≦ Ef ≦ log (n) n: Number of conclusions on event In this example, the number of conclusions on event 1 (f1) is 2 (c1, c2)
Therefore, the maximum value of fuzzy entropy Ef is log
(2).
次に,このファジィ・エントロピEf1を使用して,入
力データx1が与えられたときの動的情報量If1D(x1)を
求める。ここで,動的情報量If1D(x1)とは,推論を行
なうときにおける結論を確定するための事象の識別能力
で,入力データx1の結論c1に対する適合度m11と入力デ
ータx1の結論c2に対する適合度m12の差が大きいほど大
きい値をとり,差が小さいほど小さい値となるものとす
る。Next, using this fuzzy entropy Ef1, the dynamic information amount If1 D (x1) when the input data x1 is given is obtained. Here, the dynamic information amount If1 D (x1), in the event of identification ability to determine a conclusion at the time of performing reasoning, the conclusions of adaptability m 11 and the input data x1 CONCLUSION c1 of the input data x1 c2 It takes a larger value difference adaptability m 12 is large with respect to, and made a smaller value as the difference is smaller.
そこで,事象f1についての動的情報量If1D(x1)を,
最大ファジィ・エントロピから,入力データx1が与えら
れたときのファジィ・エントロピEf1を引いたものと定
義する。Therefore, the dynamic information amount If1 D (x1) for event f1 is
It is defined as the value obtained by subtracting the fuzzy entropy Ef1 when the input data x1 is given from the maximum fuzzy entropy.
同じように,事象f2について入力データx2が与えられ
たときの動的情報量を次のように定義する。 Similarly, the dynamic information amount when the input data x2 is given for the event f2 is defined as follows.
動的情報量演算装置16は,適合度演算装置15で得られ
た適合度を用いて,第(15)式および第(16)式にした
がって事象ごとに動的情報量を算出する。 The dynamic information amount calculation device 16 calculates the dynamic information amount for each event according to the expressions (15) and (16) using the fitness obtained by the fitness calculation device 15.
動的情報量は上述のように入力データx1,x2に依存す
る。これに対して,静的情報量は入力データに依存しな
いものであって,最大ファジィ・エントロピから,事象
のレンジ幅の中のファジィ・エントロピの平均を引いた
ものを,事象全体の静的情報量とする。たとえば,事象
1についての静的情報量は次式で与えられる。The dynamic information amount depends on the input data x1, x2 as described above. On the other hand, the amount of static information does not depend on the input data, and the maximum fuzzy entropy minus the average of the fuzzy entropy within the range of the event is calculated as the static information of the entire event. Amount. For example, the static information amount for event 1 is given by the following equation.
同じように事象2についての静的情報量は次式で与え
られる。 Similarly, the static information amount for event 2 is given by the following equation.
ここで, m11(x):事象f1についての入力データxの結論c1
に対する適合度 m12(x):事象f1についての入力データxの結論c2
に対する適合度 m21(x):事象f2についての入力データxの結論c1
に対する適合度 m22(x):事象f2についての入力データxの結論c2
に対する適合度 第(17)式および第(18)式から分るように,事象の
メンバーシップ関数間の重なりが大きいほど,事象の静
的情報量は小さく,事象のメンバーシップ関数間の重な
りが小さいほど,事象の静的情報量は大きい。つまり,
静的情報量は,事象のメンバーシップ関数が結論を識別
する能力を示している。 Here, m 11 (x): conclusion c1 of input data x for event f1
M 12 (x): Conclusion c2 of input data x for event f1
M 21 (x): Conclusion c1 of input data x for event f2
Fit m 22 for (x): Conclusions of the input data x for events f2 c2
Goodness of fit As can be seen from Equations (17) and (18), the larger the overlap between the event membership functions, the smaller the static information amount of the event, and the smaller the overlap between the event membership functions, the smaller the overlap between the event membership functions. The amount of static information of the event is large. That is,
Static information indicates the ability of the event membership function to identify conclusions.
静的情報量演算装置19は,合成された知識により得ら
れるメンバーシップ関数から,上述した第(17)式およ
び第(18)式にしたがって,事象ごとに,静的情報量を
演算して記憶する。静的情報量は入力データには依存し
ないので,1回のみ算出されればよい。The static information amount calculation device 19 calculates and stores the static information amount for each event from the membership function obtained by the synthesized knowledge according to the above-described equations (17) and (18). I do. Since the static information amount does not depend on the input data, it has to be calculated only once.
(8)可能性演算装置 各結論ごとに,その結論に関与する事象の情報量の総
和が1になり,かつそれらの事象の情報量の相対強度は
変化しないような事象の情報量を算出する。この算出し
た情報量を重みという。(8) Possibility calculating device For each conclusion, the sum of the information amounts of the events involved in the conclusion becomes 1, and the information amount of the event such that the relative intensity of the information amounts of those events does not change is calculated. . The calculated information amount is called a weight.
たとえば上述した動的情報量を用いると各重みは次の
ようになる。For example, when the above-mentioned dynamic information amount is used, each weight is as follows.
結論1に対する事象1の重み:wf11= If1D(x1)/[If1D(x1)+If2D(x2)]…(19) 結論1に対する事象2の重み:wf12 If2D(x2)/[If1D(x1)+If2D(x2)]…(20) 結論2に対する事象1の重み:wf21= If1D(x1)/[If1D(x1)+If2D(x2)]…(21) 結論2に対する事象2の重み:wf22= If2D(x2)/[If1D(x1)+If2D(x2)]…(22) 次に,これらの重みと適合度との積を計算し,それを
結論ごとに合計したものを,結論の可能性として算出す
る。Weight of event 1 for conclusion 1: wf 11 = If1 D (x1) / [If1 D (x1) + If2 D (x2)] (19) Weight of event 2 for conclusion 1: wf 12 If2 D (x2) / [ If1 D (x1) + If2 D (x2)] (20) Weight of event 1 with respect to conclusion 2: wf 21 = If1 D (x1) / [If1 D (x1) + If2 D (x2)] (21) Conclusion 2 Weight of event 2 with respect to: wf 22 = If2 D (x2) / [If1 D (x1) + If2 D (x2)] ... (22) Next, the product of these weights and the fitness is calculated, and the result is concluded. The sum of each is calculated as the possibility of conclusion.
たとえば上記の例では 結論1の可能性=wf11×m11+wf12×m21 …(23) 結論2の可能性=wf21×m12+wf22×m22 …(24) となる。For example the conclusions 1 possibility = wf 11 × m 11 + wf 12 × m 21 ... (23) Conclusion 2 possibilities = wf 21 × m 12 + wf 22 × m 22 ... (24) in the above example.
可能性演算装置17は上述した演算を行ない結論ごとの
可能性を算出する。The possibility calculating device 17 calculates the possibility for each conclusion by performing the above-described calculation.
(9)可能性表示装置 この可能性表示装置18は,可能性演算装置17で算出さ
れた可能性を結論ごとに表示するものである。この可能
性の表示は,すべての結論について表示するようにして
もよいし,可能性が高い結論を1個または複数個表示す
るものでもよい。たとえば可能性が所定のしきい値(た
とえば50%)以上の結論を表示するようにする。また,
通信によって可能性を他の装置に伝送したり,可能性を
メモリやファイルに記憶してもよい。(9) Possibility display device The possibility display device 18 displays the possibility calculated by the possibility calculation device 17 for each conclusion. This possibility may be displayed for all conclusions, or one or more conclusions with high possibility may be displayed. For example, a conclusion that the probability is equal to or higher than a predetermined threshold (for example, 50%) is displayed. Also,
The possibility may be transmitted to another device by communication, or the possibility may be stored in a memory or a file.
(10)明瞭性演算装置 明瞭性演算装置20は,各結論ごとに,各事象の明瞭性
を演算する装置である。ここで,各結論ごとの各事象の
明瞭性とは,ある結論を確定する時の各事象の相対的な
識別能力を示すものである。したがって,この明瞭性に
より,ある結論を確定するための,複数の事象の識別能
力を比較することができ,どの事象が高い識別能力を持
っているか(多くの情報量を持っているか)が分る。明
瞭性の算出法について以下に述べる。(10) Clarity calculation device The clarity calculation device 20 is a device that calculates the clarity of each event for each conclusion. Here, the clarity of each event for each conclusion indicates the relative discriminating ability of each event when determining a certain conclusion. Therefore, this clarity allows one to compare the discriminating power of multiple events to determine a certain conclusion, and to determine which events have a high discriminating power (has a lot of information). You. The method of calculating clarity is described below.
まず,結論および事象と静的情報量の関係を第4表に
示す。First, Table 4 shows the conclusions and the relationship between events and the amount of static information.
第4表から分るように静的情報量によっても,各結論
を確定するための複数の事象の識別能力を比較すること
はできる。しかし,このままでは相対的な識別能力が直
観的に分りにくいので,下表に示すように各結論ごとに
静的情報量を正規化して,その正規化した値を各結論ご
との各事象の明瞭性Clとする。 As can be seen from Table 4, it is possible to compare the discrimination ability of a plurality of events for determining each conclusion also by the amount of static information. However, since the relative discrimination ability is difficult to intuitively understand as it is, the static information amount is normalized for each conclusion as shown in the table below, and the normalized value is used to clarify each event for each conclusion. To be Cl.
ただし, Cl11=Cl12=If1S/(If1S+If2S) Cl21=Cl22=If2S/(If1S+If2S) である。 However, Cl 11 = a Cl 12 = If1 S / (If1 S + If2 S) Cl 21 = Cl 22 = If2 S / (If1 S + If2 S).
このようにして,明瞭性演算装置20において,各結論
ごとに各事象の明瞭性が算出される。In this way, the clarity calculation device 20 calculates the clarity of each event for each conclusion.
(11)明瞭性記憶装置 明瞭性記憶装置21は,明瞭性演算装置20で算出された
各結論ごとの各事象の明瞭性を記憶する装置である。明
瞭性の演算は,推論のたびに行なう必要はない。そこ
で,知識を合成したときに算出した明瞭性を明瞭性記憶
装置21に記憶しておき,推論を行なうたびに明瞭性記憶
装置21に記憶している値を読み出すようにする。これに
より,推論処理の高速化が図れる。(11) Clarity storage device The clarity storage device 21 is a device that stores the clarity of each event for each conclusion calculated by the clarity calculation device 20. The operation of clarity need not be performed for each inference. Therefore, the clarity calculated when the knowledge is synthesized is stored in the clarity storage device 21, and the value stored in the clarity storage device 21 is read each time inference is performed. This can speed up the inference processing.
(12)明瞭性加算装置 明瞭性加算装置22は,データが実際に入力された事象
の明瞭性を演算する装置である。ここでは,実際に行な
れる推論のために,データが入力された事象の明瞭性の
総和をとる。この明瞭性の総和は,推論結果の明瞭性を
示す。この明瞭性が高いほど,推論結果を導くための情
報量が多いといえる。したがって明瞭性は推論結果自体
の信頼性を判断する指標に使用することができる。(12) Clarity adding device The clarity adding device 22 is a device that calculates the clarity of an event in which data is actually input. Here, for the reasoning that can be actually performed, the sum of the clarity of the events for which data has been input is calculated. This sum of clarity indicates the clarity of the inference result. It can be said that the higher the clarity, the greater the amount of information for deriving the inference result. Therefore, clarity can be used as an index for judging the reliability of the inference result itself.
推論結果に対する明瞭性は次のようにして算出され
る。Clarity for the inference result is calculated as follows.
a)事象1(f1)のみについてデータが入力された場合 ・結論1(c1)の推論結果に対する明瞭性 Cl1=Cl11 ・結論2(c2)の推論結果に対する明瞭性 Cl2=Cl12 b)事象2(f2)のみについてデータが入力された場合 ・結論1(c1)の推論結果に対する明瞭性 Cl1=Cl21 ・推論2(c2)の推論結果に対する明瞭性 Cl2=Cl22 c)事象1(f1)および事象2(f2)の両方についてデ
ータ入力された場合 ・結論1(c1)の推論結果に対する明瞭性 Cl1=Cl11
+Cl21=1.0 ・結論2(c2)の推論結果に対する明瞭性 Cl2=Cl12
+Cl22=1.0 推論結果の明瞭性Clのとり得る範囲は, 0.0≦Cl≦1.0 である。つまり,推論を行なう前に与えられた知識の中
で,ある結論を導くために使用することができる事象の
すべてについてデータを入力して推論を行なった場合,
その結論の明瞭性は1.0になる。また,ある結論を導く
ために使用することができる事象の中で,一部の事象の
みについて,データを入力した場合,明瞭性は0.0から
1.0の間の値となる。このとき,使用することができる
事象の中で,明瞭性の高い事象を多く使用すれば,結論
の明瞭性も高くなり,信頼性が高い推論結果が得られる
と言える。a) When data is input only for event 1 (f1) ・ Clearness to the inference result of conclusion 1 (c1) Cl 1 = Cl 11・ Clarity to the inference result of conclusion 2 (c2) Cl 2 = Cl 12 b ) When data is input only for event 2 (f2) ・ Clearness to the inference result of conclusion 1 (c1) Cl 1 = Cl 21・ Clarity to the inference result of inference 2 (c2) Cl 2 = Cl 22 c) When data is input for both event 1 (f1) and event 2 (f2) ・ Clearness to the inference result of conclusion 1 (c1) Cl 1 = Cl 11
+ Cl 21 = 1.0 ・ Clarity to the inference result of conclusion 2 (c2) Cl 2 = Cl 12
+ Cl 22 = 1.0 Clarity of the inference result The possible range of Cl is 0.0 ≦ Cl ≦ 1.0. That is, if inferences are made by inputting data on all the events that can be used to draw a conclusion in the knowledge given before inference,
The clarity of the conclusion is 1.0. In addition, when data is entered for only some of the events that can be used to draw a conclusion, the clarity is from 0.0.
It will be a value between 1.0. At this time, if many events with high clarity are used among the events that can be used, it can be said that the clarity of the conclusion increases, and a highly reliable inference result can be obtained.
(13)明瞭性表示装置 明瞭性表示装置23は,明瞭性加算装置22で算出した推
論結果(一例として上述した可能性)に対する明瞭性を
表示する装置である。明瞭性は推論結果と共に表示して
もよいし,また明瞭性を他の装置に伝送したり,メモリ
やファイルへ記憶するようにしてもよい。(13) Clarity display device The clarity display device 23 is a device that displays clarity with respect to the inference result (the possibility described above as an example) calculated by the clarity addition device 22. The clarity may be displayed together with the inference result, or the clarity may be transmitted to another device or stored in a memory or a file.
この明瞭性の表示は,推論結果の全ての結論について
表示する。したがって結論が複数存在する場合には,そ
れぞれの結論に対応する明瞭性が表示される。This statement of clarity indicates all conclusions of the inference result. Therefore, when there are multiple conclusions, the corresponding clarity is displayed for each conclusion.
このようにして,データが入力されるたびに,入力さ
れたデータが属する事象の情報量を演算し,推論結果に
対する明瞭性を表示することにより,推論結果に対する
信頼性をユーザが判断できるようになる。In this way, every time data is input, the amount of information of the event to which the input data belongs is calculated and the clarity of the inference result is displayed, so that the user can judge the reliability of the inference result. Become.
(14)正当性情報入力装置 正当性情報入力装置31は,可能性表示装置18に表示さ
れた結論の可能性について,または表示装置18に表示さ
れていない結論に関して,主に人間が正しい結論を入力
するためのものである。たとえば故障診断の場合に,表
示装置18に故障の可能性が表示されたときに(たとえば
50%以上の可能性をもつものが表示される),その表示
された故障のうちで実際に故障が生じているものを指定
したり,表示装置17に表示されていなくても実際に生じ
ている故障を指定する。また指定した故障についてその
故障(結論)に関連する事象についてのデータを入力す
る。機器に取付けられたセンサ等からの情報によりどの
部分が故障しているかがわかるので,このような故障に
関するおよび事象値データに関する情報の自動入力も可
能である。(14) Legitimacy information input device The legitimacy information input device 31 is mainly used by humans to make a correct conclusion regarding the possibility of a conclusion displayed on the possibility display device 18 or a conclusion not displayed on the display device 18. It is for input. For example, in the case of a failure diagnosis, when the possibility of failure is displayed on the display device 18 (for example,
The one with the possibility of 50% or more is displayed.) Of the displayed failures, the one that has actually occurred is specified, and even if it is not displayed on the display device 17, it actually occurs. Specify the fault that has occurred. In addition, for a specified fault, data on an event related to the fault (conclusion) is input. Since it is possible to know which part has failed based on information from a sensor or the like attached to the device, it is also possible to automatically input information on such a failure and on event value data.
正当性情報入力装置31は,結論およびそれに関連する
事象値データの入力があったときに,第6表のような履
歴記憶データを作成する。The validity information input device 31 creates history storage data as shown in Table 6 when a conclusion and event value data related thereto are input.
ここで ci:指定された正しい結論(故障) fj:ciに関連する事象 xj:事象fjの事象値データ である。 Here, ci: correct correct conclusion (failure) fj: event related to ci xj: event value data of event fj.
正当性情報入力装置31における履歴記憶データ作成処
理手順が第6図に示されている。正しい結論(故障)が
キーボード等から入力されると,その結論に関連するす
べての事象が選択される(ステップ41,42)。結論に関
連する事象は知識記憶装置11,知識合成装置12,合成後知
識記憶装置13または可能性演算装置17に記憶されている
知識または演算結果等より分る。そして,入力された結
論に関連するすべての事象について,その事象値データ
が事象値入力装置14から入力されていると(キーボー
ド,センサ等から入力してもよい),それをその結論に
関連して第6表に示すような履歴記憶データ・ファイル
に格納する(ステップ43,44,45)。FIG. 6 shows a history storage data creation processing procedure in the validity information input device 31. When a correct conclusion (failure) is input from a keyboard or the like, all events related to the conclusion are selected (steps 41 and 42). The event related to the conclusion can be understood from the knowledge or the operation result stored in the knowledge storage device 11, the knowledge synthesis device 12, the synthesized knowledge storage device 13, or the possibility operation device 17. If the event value data of all the events related to the input conclusion is input from the event value input device 14 (may be input from a keyboard, a sensor, or the like), it is associated with the conclusion. And stored in a history storage data file as shown in Table 6 (steps 43, 44, 45).
たとえば,可能性表示装置18が下記のような故障の可
能性を表示したとする。For example, suppose that the possibility display device 18 displays the following failure possibility.
故障c1:可能性0.8 故障c2:可能性0.6 このとき,実際にc1の故障が生じていたとすると,人
間は故障c1を入力する。すると,入力装置31は,結論c1
に関連する事象はf1とf2であると判断する。f1の事象値
として35が,f2の事象値として5がそれぞれ入力されて
いたとすると,第7表に示すような履歴記憶データが作
成される。Failure c1: possibility 0.8 Failure c2: possibility 0.6 At this time, if a failure of c1 has actually occurred, a human inputs failure c1. Then, the input device 31 returns the conclusion c1.
Are determined to be f1 and f2. Assuming that 35 is input as an event value of f1 and 5 is input as an event value of f2, history storage data as shown in Table 7 is created.
故障診断の場合,その故障とその故障が生じたときの
機械の状態(事象値)を報告するような保守レポート等
があれば,その保守レポートをこの入力装置31に直接入
力するとよい。この保守レポートがあれば,故障診断が
実行されるたびにその結論の正当性を入力する必要はな
く,正当性情報入力処理をバッチ的に行なえるようにな
る。 In the case of failure diagnosis, if there is a maintenance report or the like that reports the failure and the state (event value) of the machine when the failure occurred, the maintenance report may be directly input to the input device 31. With this maintenance report, it is not necessary to input the validity of the conclusion each time the failure diagnosis is executed, and the validity information input processing can be performed in a batch manner.
(15)履歴記憶装置 履歴記憶装置32は,正当性情報入力装置31で作成され
た履歴記憶データを,第7図に示すように,結論ごとに
表(ファイル)の形式で,蓄積して記憶するものであ
る。新たに作成された履歴記憶データは,先に記憶され
ている履歴記憶データ・ファイルの最後に付け加える形
で記憶すればよい。第7図において,nは正しい結論とし
てciが指定された回数を表わす。事象値入力装置14で入
力された事象値データは,入力装置31または記憶装置32
のいずれに与えてもよい。後に説明するように,知識修
正装置34によって知識の修正が行なわれると,修正の行
なわれた結論についての履歴記憶データは消去される。(15) History storage device The history storage device 32 accumulates and stores the history storage data created by the validity information input device 31 in the form of a table (file) for each conclusion as shown in FIG. Is what you do. The newly created history storage data may be stored in a form added to the end of the previously stored history storage data file. In FIG. 7, n represents the number of times ci was specified as a correct conclusion. The event value data input by the event value input device 14 is input to the input device 31 or the storage device 32.
May be given to any of them. As will be described later, when the knowledge is corrected by the knowledge correcting device 34, the history storage data relating to the corrected conclusion is deleted.
たとえば,結論c1についての第7表に示す履歴記憶デ
ータが第3回目のc1の指定によって追加されたとする
と,履歴記憶装置32内の結論c1についての履歴データ・
ファイルは第8表に示すようになる。For example, if the history storage data shown in Table 7 for the conclusion c1 is added by the third specification of the c1, the history data for the conclusion c1 in the history storage device 32
The files are as shown in Table 8.
(16)不一致度算出装置 不一致度算出装置33は,履歴記憶装置32に記憶されて
いる各結論について一定量の履歴が蓄積されたり,また
は1日の業務が終了したときなどに起動される。したが
って,バッチ的に処理ができ,CPUの負荷が少ないときに
不一致度算出処理を行なえるので,機器の稼働中におけ
るCPUの負荷量を増やすことはない。 (16) Discrepancy Calculation Device The discrepancy calculation device 33 is activated when a certain amount of history is accumulated for each conclusion stored in the history storage device 32, or when one day's work is completed. Therefore, the processing can be performed in batches, and the degree of mismatch calculation can be performed when the load on the CPU is small, so that the amount of load on the CPU during operation of the device does not increase.
この不一致度算出装置33は,各結論ciに関連する全事
象fjのそれぞれについて,履歴記憶装置32に記憶されて
いる事象値データの範囲と知識記憶装置11に記憶されて
いる各専門家の同結論の同事象についての知識との不一
致度を算出するものである。不一致度算出アルゴリズム
の一例が結論ciの事象fjに関して第8図に示されてい
る。The inconsistency calculating device 33 calculates the range of the event value data stored in the history storage device 32 and the same for each expert stored in the knowledge storage device 11 for each of all events fj associated with each conclusion ci. The purpose is to calculate the degree of disagreement between the conclusion and the knowledge about the same event. An example of the algorithm for calculating the degree of inconsistency is shown in FIG. 8 for the event fj of the conclusion ci.
まず,履歴記憶装置32に記憶されている結論ciについ
ての履歴データ・ファイルから事象fjに関する事象値デ
ータの最小値fjminと最大値fjmaxとを選び出す(ステッ
プ51)。次に知識記憶装置11に記憶されている結論ciの
事象fjに関する専門家exkの知識の最小値akと最大値bk
とを読出す(ステップ52)。続いて,選択したおよび読
出したデータを用いて次式により不一致度を算出する
(ステップ53)。First, the minimum value fj min and the maximum value fj max of the event value data relating to the event fj are selected from the history data file for the conclusion ci stored in the history storage device 32 (step 51). Next, the minimum value a k and the maximum value b k of the knowledge of the expert exk regarding the event fj of the conclusion ci stored in the knowledge storage device 11
Are read (step 52). Subsequently, the degree of mismatch is calculated by the following equation using the selected and read data (step 53).
不一致度= |ak−fjmin|+|bk−fjmax| …(25) この算出した不一致度を第9図に示すような不一致度デ
ータ・ファイルの該当する場所に格納する(ステップ5
4)。この不一致度データ・ファイルは結論ciについ
て,専門家ごとに全事象について不一致度を記憶するエ
リアを有している。Inconsistency = | a k −fj min | + | b k −fj max | (25) The calculated inconsistency is stored in a corresponding location of the inconsistency data file as shown in FIG. 9 (step 5).
Four). This inconsistency data file has an area for storing the inconsistency of all events for each expert for the conclusion ci.
上述の処理をすべての専門家について実行すれば一結
論ciに関連する一事象fjについての不一致度算出処理が
終る(ステップ55)。If the above processing is performed for all experts, the inconsistency degree calculation processing for one event fj related to one conclusion ci ends (step 55).
結論ciに関連する他のすべての事象についても同じよ
うに処理を行なう。また,このような処理をすべての結
論または必要な結論について実行する。The same applies to all other events related to the conclusion ci. In addition, such processing is performed for all conclusions or necessary conclusions.
たとえば,第1表および第2表に示された専門家ex1,
ex2の結論c1に関する事象f1についての第8表に示す履
歴データとの不一致度は,第10図に示すように,それぞ
れ30,10となる。また,専門家ex1,ex2の結論c1に関する
事象f2についての第8表に示す履歴データとの不一致度
は,第11図に示すように,それぞれ10,10となる。For example, the experts ex1, shown in Tables 1 and 2
The degree of inconsistency of the event f1 relating to the conclusion c1 of ex2 with the history data shown in Table 8 is 30, 10 as shown in FIG. Further, the degree of inconsistency of the event f2 relating to the conclusion c1 of the experts ex1 and ex2 with the history data shown in Table 8 is 10, 10 as shown in FIG.
(17)知識修正装置 知識修正装置34は,上記のようにして求めた不一致度
データを用いて,次に示すアルゴリズムにしたがって,
知識記憶装置11に記憶されている該当する専門家の知識
を修正する。(17) Knowledge correction device The knowledge correction device 34 uses the inconsistency degree data obtained as described above in accordance with the following algorithm.
The knowledge of the relevant expert stored in the knowledge storage device 11 is corrected.
1)結論の各事象について,不一致度の最も大きい専門
家の知識における事象値の範囲を,履歴データの最小値
と最大値の範囲に修正する。1) For each event of the conclusion, the range of the event value in the knowledge of the expert with the highest degree of mismatch is corrected to the range of the minimum value and the maximum value of the history data.
2)ただし,不一致度がすべてある閾値以内であれば,
この修正は行なわない。2) However, if all the inconsistencies are within a certain threshold,
Do not make this modification.
この閾値はたとえば次のようにして定められる。 This threshold is determined, for example, as follows.
閾値=(各事象値の取り得る範囲)×0.1 …(26) 事象f1またはf2における事象値のとりうる範囲(定義
域)を100とすれば閾値は10となる。Threshold value = (possible range of each event value) × 0.1 (26) If the range (definition range) of the event value in event f1 or f2 is 100, the threshold value is 10.
3)修正された知識で,知識記憶装置11における該当す
る専門家の知識を更新する。3) Update the knowledge of the relevant expert in the knowledge storage device 11 with the corrected knowledge.
以上によって,あまり正しくないと考えられる専門家
の知識を,人間が判断して修正するのではなく,自動的
に修正することができる。As described above, it is possible to automatically correct the knowledge of an expert who is considered to be not very correct, instead of making a judgment based on human judgment.
たとえば第10図に示す専門家ex1,ex2の不一致度はそ
れぞれ30,10である。専門家ex1の不一致度30が最も大き
く,かつこの不一致度30は上記の閾値10以上であるか
ら,結論c1に関連する事象f1についての専門家ex1の知
識が履歴データを用いて最小値30,最大値45に修正され
る。したがって,第1表は次表のようになる。For example, the degrees of inconsistency of experts ex1 and ex2 shown in FIG. 10 are 30, 10 respectively. Since the degree of inconsistency 30 of the expert ex1 is the largest, and the degree of inconsistency 30 is equal to or greater than the threshold value 10, the knowledge of the expert ex1 regarding the event f1 related to the conclusion c1 is reduced to a minimum value Modified to a maximum value of 45. Therefore, Table 1 is as shown in the following table.
第11図に示す不一致度は専門家ex1,ex2とも10であり
閾値10以下であるから,結論c1の事象f2についての知識
の修正は行なわれない。 Since the degrees of inconsistency shown in FIG. 11 are 10 for both the experts ex1 and ex2 and are equal to or less than the threshold value 10, the knowledge of the event f2 of the conclusion c1 is not corrected.
(18)知識再合成装置 知識再合成装置35は修正された知識に関連する部分に
ついてのみ,知識の再合成を行なう。合成の方法は知識
合成装置12で行なう方法と同じである。再合成結果は合
成後知識記憶装置13に与えられ記憶される。上記の例で
は,修正されたのは結論c1の事象f1についてのみである
ので,その最小値の平均と標準偏差,最大値の平均値と
標準偏差を再計算するだけでよい。(18) Knowledge re-synthesizing unit The knowledge re-synthesizing unit 35 re-synthesizes knowledge only for the part related to the corrected knowledge. The method of synthesis is the same as the method performed by the knowledge synthesis device 12. The re-synthesis result is provided to the post-synthesis knowledge storage device 13 and stored. In the above example, only the event f1 of the conclusion c1 has been corrected, so it is only necessary to recalculate the average and standard deviation of the minimum value and the average value and standard deviation of the maximum value.
知識全体について再合成するのではなく,関連する部
分のみの再合成であるので,処理の高速化が可能とな
る。知識の再合成後は,再合成された新たな知識を用い
て近似推論が行なわれるのはいうまでもない。Since the re-synthesis is not performed for the entire knowledge but only for the related parts, the processing can be speeded up. After the knowledge is re-synthesized, it goes without saying that approximate inference is performed using the re-synthesized new knowledge.
(19)明瞭性再演算実行装置 明瞭性再演算実行装置36は修正された知識に関連する
部分についてのみ明瞭性の再演算を実行する。明瞭性の
演算方法は明瞭性演算装置20における方法と同一であ
る。上記の例では,修正されたのは結論c1の事象f1につ
いてのみであるので,事象f1に関連する結論について静
的情報量が求められ,それより明瞭性が算出される。(19) Clarity recalculation execution device The clarity recalculation execution device 36 performs the clarity recalculation only for a portion related to the modified knowledge. The method of calculating clarity is the same as the method in the clarity calculation device 20. In the above example, the correction is made only for the event f1 of the conclusion c1, so the static information amount is obtained for the conclusion related to the event f1, and the clarity is calculated from the static information amount.
この演算についても,バッチ的に実行する(たとえ
ば,休憩時間や夜間など)ことによって,機器の稼働中
におけるCPUの負荷量を増やすことはない。This calculation is also executed in batches (for example, during a break or at night), so that the load on the CPU during the operation of the device is not increased.
上記実施例では,履歴データの情報に基づいて,知識
記憶装置に記憶されている専門家の知識を修正している
が,合成後知識記憶装置に記憶されている平均値と標準
偏差を直接的に修正するようにしてもよい。In the above embodiment, the expert's knowledge stored in the knowledge storage device is corrected based on the information of the history data, but the average value and the standard deviation stored in the combined knowledge storage device are directly calculated. May be corrected.
同一の近似推論装置が複数台ある場合,最初はすべて
に同じ(標準的な)知識を入れておいても,自動的に知
識を修正していくので,経年変化等による対象各機器の
特性にあった故障診断が可能となる。If there are multiple identical approximation inference devices, the same (standard) knowledge is initially entered in all, but the knowledge is automatically corrected. It is possible to perform a failure diagnosis.
上述した各装置11〜23,31〜36はメモリおよび表示装
置を含むコンピュータによって実現できるのはいうまで
もない。たとえば知識合成装置12,各種演算装置15,16,1
7,19,20,22,33,35,36はプログラムにしたがって動作す
るCPUによって好適に実現される。Needless to say, each of the devices 11 to 23 and 31 to 36 described above can be realized by a computer including a memory and a display device. For example, the knowledge synthesizing unit 12, various arithmetic units 15, 16, 1
7, 19, 20, 22, 33, 35, and 36 are preferably realized by a CPU that operates according to a program.
第1図は近似推論装置および知識自動修正装置の全体構
成の一例を示すブロック図である。 第2図はガウス分布を示すグラフである。 第3a図から第3c図はメンバーシップ関数が形成される様
子を示すグラフである。 第4a図および第4b図は,各事象ごとに得られたメンバー
シップ関数を示すグラフである。 第5a図および第5b図は適合度を求める様子を示すグラフ
である。 第6図は履歴記憶データ作成処理手順を示すフロー・チ
ャートである。 第7図は履歴データ・ファイルの一例を示すものであ
る。 第8図は不一致度算出処理手順を示すフロー・チャート
である。 第9図は不一致度データ・ファイルの一例を示すもので
ある。 第10図および第11図は不一致度の例を示すものである。 11……知識記憶装置, 12……知識合成装置, 13……合成後知識記憶装置, 14……事象値入力装置, 15……適合度演算装置, 16……動的情報量演算装置, 17……可能性演算装置, 18……可能性表示装置, 19……静的情報量演算装置, 20……明瞭性演算装置, 21……明瞭性記憶装置, 22……明瞭性加算装置, 23……明瞭性表示装置, 31……正当性情報入力装置, 32……履歴記憶装置, 33……不一致度算出装置, 34……知識修正装置, 35……知識再合成装置, 36……明瞭性再演算実行装置。FIG. 1 is a block diagram showing an example of the overall configuration of an approximate inference device and an automatic knowledge correction device. FIG. 2 is a graph showing a Gaussian distribution. FIGS. 3a to 3c are graphs showing how a membership function is formed. FIGS. 4a and 4b are graphs showing membership functions obtained for each event. FIGS. 5a and 5b are graphs showing how to determine the degree of conformity. FIG. 6 is a flowchart showing a history storage data creation processing procedure. FIG. 7 shows an example of a history data file. FIG. 8 is a flow chart showing the procedure for calculating the degree of mismatch. FIG. 9 shows an example of the mismatch degree data file. FIG. 10 and FIG. 11 show examples of the degree of mismatch. 11 ... Knowledge storage device, 12 ... Knowledge synthesis device, 13 ... Knowledge storage device after synthesis, 14 ... Event value input device, 15 ... Compatibility calculation device, 16 ... Dynamic information amount calculation device, 17 ...... Possibility calculation device, 18 ... Possibility display device, 19 ... Static information amount calculation device, 20 ... Clarity calculation device, 21 ... Clarity storage device, 22 ... Clarity addition device, 23 …… Clarity display device, 31… Validity information input device, 32 …… History storage device, 33 …… Dissimilarity calculation device, 34 …… Knowledge correction device, 35 …… Knowledge resynthesis device, 36 …… Clarity Sex recalculation execution device.
Claims (1)
とにより知識の可能性を演算する近似推論装置におい
て, 最大値と最小値によって示される事象値の範囲と結論と
の関係を表わす専門家の知識を記憶する知識記憶手段, 結論の正しさの情報を入力する正当性情報入力手段, 正しさの情報が入力された結論に関して,入力された事
象値データを蓄積的に記憶する履歴記憶手段, 所定の結論について上記履歴記憶手段に記憶されている
事象値データと,上記所定の結論と同じ結論について上
記知識記憶手段に記憶されている専門家の知識の中の事
象値の範囲との不一致度を算出する不一致度算出手段,
および, 上記不一致度算出手段によって算出された不一致度が所
定値以上である場合に,上記知識記憶手段に記憶されて
いる専門家の知識の中の事象値の範囲を,上記履歴記憶
手段に蓄積的に記憶されている事象値データの最大値と
最小値からなる範囲によって修正する知識修正手段, を備えた近似推論のための知識自動修正装置。An approximate inference apparatus for calculating the possibility of knowledge by applying input data to the knowledge of an expert, comprising: an expert representing the relationship between a range of event values indicated by a maximum value and a minimum value and a conclusion. Knowledge storage means for storing knowledge, validity information input means for inputting information on the correctness of conclusions, history storage means for cumulatively storing event value data input regarding the conclusions on which correctness information has been input, The degree of inconsistency between the event value data stored in the history storage means for the predetermined conclusion and the range of event values in the expert knowledge stored in the knowledge storage means for the same conclusion as the predetermined conclusion Means for calculating the degree of mismatch,
And when the degree of inconsistency calculated by the degree of inconsistency calculation means is equal to or greater than a predetermined value, a range of event values in the expert's knowledge stored in the knowledge storage means is stored in the history storage means. Automatic knowledge correction means for approximation inference, comprising: knowledge correction means for correcting in accordance with a range consisting of a maximum value and a minimum value of event value data stored in memory.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17029390A JP3211236B2 (en) | 1990-06-29 | 1990-06-29 | Automatic knowledge corrector for approximate inference |
US07/714,020 US5651100A (en) | 1990-06-28 | 1991-06-12 | Approximate reasoning apparatus |
KR1019910010534A KR950010415B1 (en) | 1990-06-28 | 1991-06-25 | Apparatus for approximate inferrence |
DE4121453A DE4121453C2 (en) | 1990-06-28 | 1991-06-28 | Approximation inference device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17029390A JP3211236B2 (en) | 1990-06-29 | 1990-06-29 | Automatic knowledge corrector for approximate inference |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0460837A JPH0460837A (en) | 1992-02-26 |
JP3211236B2 true JP3211236B2 (en) | 2001-09-25 |
Family
ID=15902277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP17029390A Expired - Fee Related JP3211236B2 (en) | 1990-06-28 | 1990-06-29 | Automatic knowledge corrector for approximate inference |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3211236B2 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3396489B2 (en) * | 1991-10-30 | 2003-04-14 | 日本政策投資銀行 | Network type information processing system |
JP3354593B2 (en) * | 1992-06-10 | 2002-12-09 | 日本政策投資銀行 | Learning system for network type information processing equipment |
-
1990
- 1990-06-29 JP JP17029390A patent/JP3211236B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH0460837A (en) | 1992-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3268529B2 (en) | Knowledge database processing system and expert system | |
JP3211241B2 (en) | Approximate inference device | |
US5189728A (en) | Rule generating and verifying apparatus for fuzzy control | |
US20150355904A1 (en) | Program visualization device, program visualization method, and program visualization program | |
JP3211236B2 (en) | Automatic knowledge corrector for approximate inference | |
JPH10240715A (en) | Prediction and estimation device and method therefor | |
CN112633321A (en) | Artificial intelligence recommendation system and method | |
CN112365094A (en) | Method, computer device and storage medium for improving accuracy of prediction system | |
CN111783830A (en) | Retina classification method and device based on OCT, computer equipment and storage medium | |
JP4921917B2 (en) | Software safety diagnostic device and program | |
JP2012181739A (en) | Man-hour estimation device, man-hour estimation method, and man-hour estimation program | |
CN113066531B (en) | Risk prediction method, risk prediction device, computer equipment and storage medium | |
JPH09101947A (en) | Time series forcasting method | |
EP0715256B1 (en) | Rule verifying apparatus and method for fuzzy inference | |
JP3049738B2 (en) | Approximate reasoning device and human interface device | |
JP3211240B2 (en) | Approximate inference device | |
CN112560952A (en) | Supplier assessment method and device, electronic equipment and storage medium | |
JP2853215B2 (en) | Network reliability analysis system | |
JP3211235B2 (en) | Approximate reasoning device and human interface device | |
US20230244563A1 (en) | Method for generating an fta fault tree from an fmea table of a technical system or vice versa | |
JP3243791B2 (en) | Computer program modification management system | |
JP2001265580A (en) | Review supporting system and review supporting method used for it | |
JP7511797B2 (en) | Maintenance support system, maintenance support method, and maintenance support program | |
CN115662593B (en) | Doctor-patient matching method, device, equipment and medium based on symptom knowledge graph | |
US11922189B2 (en) | Database framework model transformation for pathway identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080719 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080719 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090719 Year of fee payment: 8 |
|
LAPS | Cancellation because of no payment of annual fees |