JP3211241B2 - 近似推論装置 - Google Patents

近似推論装置

Info

Publication number
JP3211241B2
JP3211241B2 JP19776390A JP19776390A JP3211241B2 JP 3211241 B2 JP3211241 B2 JP 3211241B2 JP 19776390 A JP19776390 A JP 19776390A JP 19776390 A JP19776390 A JP 19776390A JP 3211241 B2 JP3211241 B2 JP 3211241B2
Authority
JP
Japan
Prior art keywords
event
knowledge
data
conclusion
clarity
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
Application number
JP19776390A
Other languages
English (en)
Other versions
JPH0484332A (ja
Inventor
浩 熊本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Omron Corp filed Critical Omron Corp
Priority to JP19776390A priority Critical patent/JP3211241B2/ja
Priority to US07/719,995 priority patent/US5253332A/en
Priority to EP19910111569 priority patent/EP0477490A3/en
Publication of JPH0484332A publication Critical patent/JPH0484332A/ja
Application granted granted Critical
Publication of JP3211241B2 publication Critical patent/JP3211241B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/90—Fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Devices For Executing Special Programs (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (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装置に関する。
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）。
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。
しかしながらこのような従来の近似推論方式では，知
識ベースの構築または修正の際に専門家が必要となり非
常にめんどうである。また知識ベースの保守を行なうこ
とが困難であるという問題があった。
発明の概要 発明の目的 この発明は，過去の履歴データを用いて自動的に知識
ベースを改良または新たに構築することができるように
することを目的とする。
発明の構成，作用および効果 この発明による近似推論装置は，既に設定されている
事象と結論との関係を表わす知識を記憶する知識記憶手
段，同一の事象と結論について合成された知識を記憶す
る合成後知識記憶手段，生起した事象と結論との関係を
表わす履歴データを記憶する履歴データ記憶手段，およ
び上記知識記憶手段に記憶されている同一の事象と結論
についての知識を合成するとともに，上記履歴データ記
憶手段に記憶されている履歴データを用いてその履歴デ
ータと同一の事象と結論についての合成後知識を再合成
する知識合成／修正手段を備え，上記知識合成／修正手
段により再合成された知識によってそれと同一の事象と
結論についての上記合成後知識記憶手段における合成後
知識を更新することを特徴とする。
この発明によると，生起した事象と結論との関係を表
わす履歴データを蓄積しておくことにより，この蓄積し
た履歴データを用いて，先に（たとえば設計段階で）設
定された知識ベースを修正することができる。実際に生
起した事象と結論との関係を表わす履歴データを用いて
知識ベースを修正しているから，より正確な近似推論が
可能となる。また，知識ベースの修正は自動的に行われ
ているから専門家がいなくても知識ベースの保守が可能
である。
この発明の近似推論装置を故障診断に用いた場合に
は，生起した事象と結論との関係を表わすデータは，故
障の種類とそのときの機械等の症状（五感で知覚できる
症状，センサで検出した測定値等）との関係を表わすデ
ータであり，これは故障レポート，保守レポート等に記
憶されている。または，このようなデータを自動的に採
取しメモリに記憶するようにしてもよい。
上記近似推論装置は，事象入力データを上記合成後知
識記憶手段に記憶されている知識にあてはめることによ
り結論の可能性を演算する近似推論手段を備えている。
上記近似推論手段は，入力されたデータを上記知識に
よって表わされるメンバーシップ関数を用いて適合度に
変換する適合度演算手段，この適合度を用いて事象ごと
の動的情報量を求める動的情報量演算手段，および上記
適合度と動的情報量とを用いて結論の可能性を求める可
能性演算手段，から構成される。
上記合成後知識記憶手段に記憶されている知識が更新
されたときに上記近似推論手段は更新後の知識に基づい
て再演算を行なう。これにより，より正しい推論が可能
となる。
上記近似推論装置は，上記合成後知識に基づいて各事
象の静的情報量を演算する静的情報量演算手段をさらに
備えている。事象の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。
上記静的情報演算手段は，合成後知識の再合成があっ
たときに，再合成された知識に関して各事象の静的情報
量を再演算する。
上記近似推論装置は，上記静的情報量演算手段により
算出された静的情報量を用いて結論ごとに各事象の明瞭
性を演算する明瞭性演算手段を備えている。
上記明瞭性演算手段は，合成後知識の再合成があった
ときに，再演算により得られた静的情報量を用いて明瞭
性を再演算する。
上記近似推論装置はさらに，上記量性演算手段から得
られる明瞭性を用いて，実際にデータが入力された事象
の明瞭性を加算して結論ごとの明瞭性を演算する加算手
段を備えている。
加算された明瞭性から結論の信頼性が分る。
この発明による近似推論装置は，生起した事象と結論
との関係を表わす履歴データを記憶する履歴データ記憶
手段，上記履歴データ記憶手段に記憶されている同一の
事象と結論についての複数の履歴データを，事象と結論
との関係を表わす１つのデータに合成するデータ合成手
段，上記データ合成手段によって合成されたデータを記
憶する合成後データ記憶手段，および事象入力データを
上記合成後データ記憶手段に記憶されている合成後デー
タにあてはめることにより結論の可能性を演算する近似
推論手段を備えていることを特徴とする。
この発明によると，過去に生起した事象と結論との関
係を表わす履歴データを蓄積しておき，この蓄積した履
歴データに基づいて知識ベースを作成しているので，専
門家の助けを借りることなく自動的に知識ベースの構築
が可能となる。
上記近似推論手段は，入力されたデータを上記合成後
データによって表わされるメンバーシップ関数を用いて
適合度に変換する適合度演算手段，この適合度を用いて
事象ごとの動的情報量を求める動的情報量演算手段，お
よび上記適合度と動的情報量とを用いて結論の可能性を
求める可能性演算手段から構成される。
上記近似推論装置は，上記合成後データに基づいて各
事象の静的情報量を演算する静的情報量演算手段，上記
静的情報量演算手段により算出された静的情報量を用い
て結論ごとに各事象の明瞭性を演算する明瞭性演算手
段，および上記明瞭性演算手段から得られる明瞭性を用
いて，実際にデータが入力された事象の明瞭性を加算し
て結論ごとの明瞭性を演算する加算手段を備えている。
実施例の説明 （１）近似推論装置の全体構成 第１図および第７図に近似推論装置の全体構成の一例
が示されている。第１図は第１の実施例にしたがう近似
推論装置を示し，第７図は第２の実施例にしたがう近似
推論装置を示している。
第１図において，第１実施例の近似推論装置は，知識
記憶装置11,知識合成／修正装置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,明瞭性表示装置23および履歴データ
記憶装置31から構成されている。
第７図において，第２実施例の近似推論装置には，第
１図に示す知識記憶装置11は設けられていない。また，
第１図の知識合成／修正装置12および合成後知識記憶装
置13がそれぞれデータ合成装置12Aおよび合成後データ
記憶装置13Aに代わっている。第７図に示す他の構成は
第１図に示すものと同じである。
このように第１および第２実施例の近似推論装置は多
くの共通部分をもっており，かつこれらの共通部分が近
似推論装置の主要部分となっているので，まず第１図を
参照して共通部分について説明する。そして，その後に
第１実施例および第２実施例に特有の構成と動作をそれ
ぞれ別個に説明する。
（２）知識記憶装置 知識記憶装置11,専門家等が前もって（たとえば設計
段階で）入力した知識を，事象と結論との関係を示す形
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。
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。
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。
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。
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。
（３）知識合成／修正装置 知識合成／修正装置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。
知識合成／修正装置12はまた履歴データ記憶装置31に
記憶された履歴データを用いて，合成した知識を修正す
る機能をもつが，これについては第１の実施例の説明の
箇所で詳しく説明する。
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少値について，複数の専
門家の平均値と標準偏差を計算する。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
（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／修正装置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。
（５）事象値入力装置 事象値入力装置14はキーボード，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。事象データは確定値のみならず言語値や
メンバーシップ関数で与えてもよい。
（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，
入力データが確定値の場合には第（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。入力データが言語値やメンバーシップ
関数の場合には，たとえばMIN−MAX演算を用いて適合度
が算出されよう。
（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。
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。
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。
ここでファジィ・エントロピという概念を考える。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
（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。
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。
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。
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。
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。
（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。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。
（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，ある結論の可能性を評価する時の各事象の
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。
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。
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。
ただし， Cl11＝Cl12＝If1S/（If1S＋If2S） Cl21＝Cl22＝If2S/（If1S＋If2S） である。
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。
（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。
（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。
推論結果に対する明瞭性は次のようにして算出され
る。
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
現象の中で，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。
（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。
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。
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。
（14）第１実施例 第１図に示す第１実施例の近似推論装置は履歴データ
記憶装置31を備えている。履歴データ記憶装置31は，生
起した事象と結論との関係を記憶しておくものである。
この事象と結論の関係はそれが生起するごとに記憶する
ようにしてもよいし，いくつか生起したのちにまとめて
記憶するようにしてもよい。
履歴データの例が第６図に示されている。この図にお
いて，第１回目の生起においては結論c1が生起し，その
ときの事象f1とf2の値がそれぞれ30,60である。第２回
目の生起においては結論c2が生じ，そのときの事象f2の
値が10,事象f3の値が30であったことが示されている。
この近似推論装置が故障診断装置に適用された場合に
は，故障が生じたときに事象と結論の関係が生起したこ
とになる。結論は故障の種類に対応し，事象はそのとき
の症状（五感で知覚した状態，各種センサの出力信号
等）に対応する。このような故障とその症状の関係を表
わす記憶（故障データ）は，修理レポート，保守レポー
ト，故障レポート等から得ることができる。履歴データ
記憶装置31は故障データ記憶装置と呼ばれることになろ
う。
このような故障データの記憶装置31への記憶は，入力
装置を使用して人間が入力するようにしてもよいし，対
象機器からデータをオンライン等で入力するようにして
もよい。
知識合成／修正装置12は，合成後知識記憶装置13に記
憶されている合成後知識を履歴データ記憶装置31に記憶
されている履歴データによって修正する。履歴データに
関連する合成後知識のみを修正すればよい。
修正のやり方は上述した合成のやり方と同じであり履
歴データを１人または複数人の専門家の知識と考えれば
よい。
たとえば第１回目の生起における履歴データのみが存
在する場合には，この履歴データは結論c1と事象f1,f2
とに関係するので，これらの結論と事象についての合成
後知識が修正される。第１回目の履歴データのみではそ
れが最小値か最大値か分らないので，この履歴データを
両方の値として採用する。
結論c1と事象f1についてのみ着目すると.,最小値の平
均値mminおよび最大値の平均値mmaxをそれぞれ表わす第
（７）式および第（８）式は次のように修正される。
最小値の標準偏差σminおよび最大値の標準偏差σmax
を表わす第（９）式および第（10）式はそれぞれ次のよ
うに修正される。
結論c1とf2に関する合成後データも同じように修正さ
れる。
第２回目の生起における履歴データは結論c1に関する
ものではないので，この履歴データによって結論c1に関
する合成後知識は修正されることはない。第２回目の生
起データによっては結論c2に関する合成後データが修正
される。
第１回目から第３回目までの履歴データが存在すると
きには，結論c1と事象f1との関係を表わす合成後知識は
次のように修正される。事象f1に関しては第１回目の事
象値30と第２回目の事象値60とがあるので，これらのう
ちの小さい方30を第３の専門家の最小値，大きい方60を
最大値と考える。
最小値の平均値mminおよび最大値の平均値mmaxをそれ
ぞれ表わす第（７）式および第（８）式は次のように修
正される。
最小値の標準偏差σminおよび最大値の標準偏差σmax
を表わす第（９）式および第（10）式は次のように修正
される。
このように，ある結論に関係する特定の事象の履歴デ
ータが複数個存在する場合には，それらを小さい順に並
べ，小さい方の半数のデータを最小値，大きい方の半数
のデータを最大値としてそれぞれ取扱う。また，履歴デ
ータ数が奇数個の場合には丁度中央の大きさのデータを
最小値兼最大値として採用する。この真中の大きさのデ
ータは最小値または最大値のいずれか一方のグループに
取込んでもよい。
このようにして，履歴データによって対応する合成後
知識が修正されると，修正後の知識が先の合成後知識に
代わって合成後知識記憶装置13に記憶されるとともに静
的情報量演算装置19に与えられる。したがって，これ以
降は修正後の知識を用いて近似推論が行なわれる。すな
わち，修正後の知識を用いて結論の可能性が演算され
る。また，修正後の知識を用いて，修正された知識に関
係する部分においてのみ静的情報量，明瞭性等の再演算
が行なわれる。
このように履歴データによって知識が自動的に修正さ
れるので，より正確な推論が可能となり，また自動学習
機能をもつことになる。
（15）第２実施例 第７図に示す第２実施例において，第１図に示す知識
記憶装置11は設けられていない。履歴データ記憶装置31
は第１図に示すものと同じである。データ合成装置12A,
合成後データ記憶装置13Aも基本的には上述した知識合
成／修正装置12,合成後知識記憶装置13と同じである
が，専門家の知識を取扱うのではなく，履歴データを取
扱う点で異なるのみである。
第２実施例の近似推論装置は，専門家の知識を不要と
し，近似推論のためのルールおよびメンバーシップ関数
をすべて履歴データから作成する。
履歴データ記憶装置31には第６図に示すような履歴デ
ータが記憶されているものとする。第２回目を除く第１
〜５回目の履歴データは結論c1と事象f1,f2に関係する
ものであるから，これらの履歴データにより結論c1と事
象f1,f2に関係するルールを作成することができる。
第８図は結論c1と事象f1に関する履歴データの分布を
示すものであり，第８図（Ａ）は第１回目のデータのみ
を表わし，（Ｂ）は第１回目と第３回目のデータを表わ
し，（Ｃ）は第１回目，第３回目および第４回目のデー
タを表わす。第８図（Ｄ）は第２回目を除くすべてのデ
ータを表わす。このように履歴データの数が増加すれば
それだけその分布が明確になっていくので，これにより
結論c1を導くための事象f1のメンバーシップ関数が作成
される。
履歴データの合成方法は上述したものと同じであり，
データを大きさの順に一列に並べ，小さい値のグループ
と大きい値のグループとに半分に分け，小さい値のデー
タ・グループから最小値に関するデータ（平均値，標準
偏差）を作成し，大きい値のデータ・グループから最大
値に関するデータを作成する。このデータ合成は履歴デ
ータの数が３個以上あることが必要である。２個の場合
には小さい方を最小値，大きい方を最大値とする。
第６図に示す結論c1と事象f1に関係する履歴データは
30,60,20,50であり，これを大きさの順に並べると20,3
0,50,60となる。小さい方の20と30を最小値（専門家の
知識における最小値に対応），大きい方の50と60を最大
値（専門家の知識における最大値に対応）とする。
これらの履歴データを用いて最小値の平均値mminおよ
び最大値の平均値mmaxが次のように算出される。
最小値の標準偏差σminおよび最大値の標準偏差σmax
は次のように算出される。
結論c1と事象f2,その他の結論と事象との関係を表わ
すデータも同じように合成される。
第６図の履歴データを合成して得られるデータは次の
第６表のようになる。ここで，結論c1に関する事象f2の
データは３個しかないので，そのうちの小さい２個を最
小値，大きい１個を最大値として取扱っている。また，
結論c2に関しては事象f2,f3について履歴データが１個
しかないので，これらが最小値，最大値として用いられ
ている。
上述したデータ合成方法を一般的に表現すると次のよ
うになる。ある結論と事象との関係に関する履歴データ
の数をｎとする。
これらのデータを小さい順に並べる。ソーティングさ
れたデータを d1,d2,d3,…dn とする。d1が最も小さい値をもつデータ,dnが最も大き
い値をもつデータである。
最小値の平均値mminと標準偏差σminは次式で与えら
れる。
ここでn1はn/2の小数点以下を四捨五入した値とす
る。
最大値の平均値mmaxと標準偏差σmaxは次式で与えら
れる。
このようにして作成された合成後データは合成後デー
タ記憶装置13Aに記憶される。そして，この合成後デー
タに基づいて上述した近似推論が行なわれる。すなわ
ち，結論の可能性，静的情報量，明瞭性等が演算され
る。
上述した各装置11〜23,12A,13A,31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,データ合成装置1
2A,各種演算装置15,16,17,19,20,22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。
【図面の簡単な説明】
第１図は第１の実施例による近似推論装置の全体構成の
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図は履歴データ記憶装置の内容を示す図である。 第７図は第２の実施例による近似推論装置の全体構成の
一例を示すブロック図である。 第８図（Ａ）〜（Ｄ）は履歴データの分布を示すグラフ
である。 11……知識記憶装置， 12……知識合成／修正装置， 12A……データ合成装置， 13……合成後知識記憶装置， 13A……合成後データ記憶装置， 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……履歴データ記憶装置。
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G06N 7/02,5/00

Claims (12)

    (57)【特許請求の範囲】
  1. 【請求項１】既に設定されている事象と結論との関係を
    表わす知識を記憶する知識記憶手段， 同一の事象と結論について合成された知識を記憶する合
    成後知識記憶手段， 生起した事象と結論との関係を表わす履歴データを記憶
    する履歴データ記憶手段，および 上記知識記憶手段に記憶されている同一の事象と結論に
    ついての知識を合成するとともに，上記履歴データ記憶
    手段に記憶されている履歴データを用いてその履歴デー
    タと同一の事象と結論についての合成後知識を再合成す
    る知識合成／修正手段を備え， 上記知識合成／修正手段により再合成された知識によっ
    てそれと同一の事象と結論についての上記合成後知識記
    憶手段における合成後知識を更新する， 近似推論装置。
  2. 【請求項２】事象入力データを上記合成後知識記憶手段
    に記憶されている知識にあてはめることにより結論の可
    能性を演算する近似推論手段を備えている請求項（１）
    に記載の近似推論装置。
  3. 【請求項３】上記近似推論手段が， 入力されたデータを上記知識によって表わされるメンバ
    ーシップ関数を用いて適合度に変換する適合度演算手
    段， この適合度を用いて事象ごとの動的情報量を求める動的
    情報量演算手段，および 上記適合度と動的情報量とを用いて結論の可能性を求め
    る可能性演算手段， から構成される請求項（２）に記載の近似推論装置。
  4. 【請求項４】上記合成後知識記憶手段に記憶されている
    知識が更新されたときに上記近似推論手段は更新後の知
    識に基づいて再演算を行なう，請求項（２）に記載の近
    似推論装置。
  5. 【請求項５】上記合成後知識に基づいて各事象の静的情
    報量を演算する静的情報量演算手段をさらに備えた請求
    項（１）から（４）のいずれか１項に記載の近似推論装
    置。
  6. 【請求項６】上記静的情報量演算手段は，合成後知識の
    再合成があったときに，再合成された知識に関して各事
    象の静的情報量を再演算する請求項（５）に記載の近似
    推論装置。
  7. 【請求項７】上記静的情報量演算手段により算出された
    静的情報量を用いて結論ごとに各事象の明瞭性を演算す
    る明瞭性演算手段を備えている請求項（５）または
    （６）に記載の近似推論装置。
  8. 【請求項８】上記明瞭性演算手段は，合成後知識の再合
    成があったときに，再演算により得られた静的情報量を
    用いて明瞭性を再演算する請求項（７）に記載の近似推
    論装置。
  9. 【請求項９】上記明瞭性演算手段から得られる明瞭性を
    用いて，実際にデータが入力された事象の明瞭性を加算
    して結論ごとの明瞭性を演算する加算手段， を備えた請求項（７）または（８）に記載の近似推論装
    置。
  10. 【請求項１０】生起した事象と結論との関係を表わす履
    歴データを記憶する履歴データ記憶手段， 上記履歴データ記憶手段に記憶されている同一の事象と
    結論についての複数の履歴データを，事象と結論との関
    係を表わす１つのデータに合成するデータ合成手段， 上記データ合成手段によって合成されたデータを記憶す
    る合成後データ記憶手段，および 事象入力データを上記合成後データ記憶手段に記憶され
    ている合成後データにあてはめることにより結論の可能
    性を演算する近似推論手段， を備えている近似推論装置。
  11. 【請求項１１】上記近似推論手段が、 入力されたデータを上記合成後データによって表わされ
    るメンバーシップ関数を用いて適合度に変換する適合度
    演算手段， この適合度を用いて事象ごとの動的情報量を求める動的
    情報量演算手段，および 上記適合度と動的情報量とを用いて結論の可能性を求め
    る可能性演算手段， から構成される請求項（10）に記載の近似推論装置。
  12. 【請求項１２】上記合成後データに基づいて各事象の静
    的情報量を演算する静的情報量演算手段， 上記静的情報量演算手段により算出された静的情報量を
    用いて結論ごとに各事象の明瞭性を演算する明瞭性演算
    手段，および 上記明瞭性演算手段から得られる明瞭性を用いて，実際
    にデータが入力された事象の明瞭性を加算して結論ごと
    の明瞭性を演算する加算手段， を備えた請求項（10）または（11）に記載の近似推論装
    置。
JP19776390A 1990-07-27 1990-07-27 近似推論装置 Expired - Fee Related JP3211241B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP19776390A JP3211241B2 (ja) 1990-07-27 1990-07-27 近似推論装置
US07/719,995 US5253332A (en) 1990-07-27 1991-06-24 Approximate reasoning apparatus with knowledge synthesizing/revising and clarity computing
EP19910111569 EP0477490A3 (en) 1990-07-27 1991-07-11 Approximate reasoning apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP19776390A JP3211241B2 (ja) 1990-07-27 1990-07-27 近似推論装置

Publications (2)

Publication Number Publication Date
JPH0484332A JPH0484332A (ja) 1992-03-17
JP3211241B2 true JP3211241B2 (ja) 2001-09-25

Family

ID=16379949

Family Applications (1)

Application Number Title Priority Date Filing Date
JP19776390A Expired - Fee Related JP3211241B2 (ja) 1990-07-27 1990-07-27 近似推論装置

Country Status (3)

Country Link
US (1) US5253332A (ja)
EP (1) EP0477490A3 (ja)
JP (1) JP3211241B2 (ja)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR950004250B1 (ko) * 1990-06-28 1995-04-27 오므론 가부시끼가이샤 근사 추론 장치
KR950004454B1 (ko) * 1990-07-26 1995-05-01 오므론 가부시끼 가이샤 근사 추론 장치
JPH04137039A (ja) * 1990-09-28 1992-05-12 Toshiba Corp プログラム自動生成方式
JPH04335432A (ja) * 1991-05-10 1992-11-24 Omron Corp メンバーシップ関数データ作成方法および装置ならびに適合度演算方法および装置
JPH05108704A (ja) * 1991-10-18 1993-04-30 Matsushita Electric Ind Co Ltd 接続マトリクス作成方法およびその装置
JPH0675772A (ja) * 1992-08-26 1994-03-18 Omron Corp メンバーシップ関数自動作成装置および方法
JP2945223B2 (ja) * 1992-12-02 1999-09-06 三菱電機株式会社 知識ベース保存装置と合成装置、およびファジィ制御システム
DE69515753T2 (de) 1994-07-28 2000-11-02 Hitachi Europ Ltd System und Methode für fall-basiertes Schlie en
US6009246A (en) * 1997-01-13 1999-12-28 International Business Machines Corporation Method and system for evaluating intrusive repair for plurality of devices
US6804661B2 (en) 1997-04-24 2004-10-12 Bright Ideas, L.L.C. Drug profiling apparatus and method
US6546378B1 (en) 1997-04-24 2003-04-08 Bright Ideas, L.L.C. Signal interpretation engine
EP1014240A1 (en) * 1998-12-17 2000-06-28 Siemens Aktiengesellschaft A system of case-based reasoning for sensor prediction in a technical process, especially in a cement kiln, method and apparatus therefore
US20050124863A1 (en) * 2001-06-28 2005-06-09 Cook Daniel R. Drug profiling apparatus and method
US6904367B2 (en) * 2002-10-04 2005-06-07 Daniel R. Cook Petroleum exploration and prediction apparatus and method
US6952649B2 (en) * 2002-10-04 2005-10-04 Cook Daniel R Petroleum exploration and prediction apparatus and method
US9626437B2 (en) * 2004-06-10 2017-04-18 International Business Machines Corporation Search scheduling and delivery tool for scheduling a search using a search framework profile
US8667332B2 (en) * 2007-04-24 2014-03-04 Honeywell International Inc. Methods for optimizing diagnostics reasoner models

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4860214A (en) * 1987-01-22 1989-08-22 Ricoh Company, Ltd. Inference system
US4912648A (en) * 1988-03-25 1990-03-27 International Business Machines Corporation Expert system inference engine
JP2696972B2 (ja) * 1988-08-18 1998-01-14 オムロン株式会社 フアジイ・ルール発生装置および方法，ならびに確認装置および方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
「数理科学」Ｎｏ．２９４（１９８７）Ｐ．５４−６１

Also Published As

Publication number Publication date
EP0477490A3 (en) 1993-05-19
JPH0484332A (ja) 1992-03-17
EP0477490A2 (en) 1992-04-01
US5253332A (en) 1993-10-12

Similar Documents

Publication Publication Date Title
JP3211241B2 (ja) 近似推論装置
JP2002092305A (ja) スコア算出方法及びスコア提供方法
JP3275612B2 (ja) ファジィシソーラス生成装置
JP2020173742A (ja) 情報処理装置、情報処理方法及びプログラム
JP3211236B2 (ja) 近似推論のための知識自動修正装置
JPWO2016075805A1 (ja) 最適生産配分決定装置、最適生産配分決定方法及びそのプログラム
JP3049738B2 (ja) 近似推論装置と人間とのインターフェイス装置
JP3211237B2 (ja) 近似推論装置
JP2701442B2 (ja) ファジィ表現による知識ベースを持つエキスパートシステム
JP2000237937A (ja) 生産システムの設計支援方法
JP2913782B2 (ja) 近似推論のための学習装置
JP3211240B2 (ja) 近似推論装置
JP3149555B2 (ja) システム設計用目的変換装置
JPH0458332A (ja) 近似推論装置
JPH04536A (ja) 近似推論装置
CN113902272A (zh) 业务评分方法、装置及存储介质
CN116483967A (zh) 对话响应处理方法、装置、电子设备及存储介质
JPH04537A (ja) 近似推論のための明瞭性出力装置
WO1993015458A1 (en) Information processing apparatus and method therefor
JP2003308377A (ja) 不動産評価システム、不動産評価方法、不動産評価プログラム及び記録媒体
JPH05108667A (ja) 設備計画支援装置
JPH0484220A (ja) 近似推論装置
CN113763134A (zh) 信息推荐方法、系统、设备及存储介质
JPH05346857A (ja) 情報処理装置
JPH09179898A (ja) デザイン装置

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