JP3211242B2 - 近似推論装置 - Google Patents
近似推論装置Info
- Publication number
- JP3211242B2 JP3211242B2 JP19864890A JP19864890A JP3211242B2 JP 3211242 B2 JP3211242 B2 JP 3211242B2 JP 19864890 A JP19864890 A JP 19864890A JP 19864890 A JP19864890 A JP 19864890A JP 3211242 B2 JP3211242 B2 JP 3211242B2
- Authority
- JP
- Japan
- Prior art keywords
- event
- inference
- conclusion
- input
- approximate
- 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】 《産業上の利用分野》 本発明は、近似推論装置に関し、特に事象に対して各
結論毎に与えられた特性関数を用いて近似推論を行う近
似推論装置に関するものである。
結論毎に与えられた特性関数を用いて近似推論を行う近
似推論装置に関するものである。
《従来の技術》 専門家の知識等に基き、事象に対して各結論毎に与え
られたメンバーシップ関数の如き特性関数を用いて結論
が成立する可能性を見い出して近似推論を行う近似推論
装置は、ファジィ推論装置等にて既によく知られてい
る。
られたメンバーシップ関数の如き特性関数を用いて結論
が成立する可能性を見い出して近似推論を行う近似推論
装置は、ファジィ推論装置等にて既によく知られてい
る。
上述の如き近似推論装置に於て、事象に対して各結論
毎に与えられたメンバーシップ関数を用いて各事象毎の
情報量、即ち事象の情報識別能力を演算し、また推論結
果、即ち結論が成立する可能性を、推論結果を導くため
に使用した事象の情報量に基いて修正、変更することに
より推論結果の識別能力を高めることが考えられてい
る。
毎に与えられたメンバーシップ関数を用いて各事象毎の
情報量、即ち事象の情報識別能力を演算し、また推論結
果、即ち結論が成立する可能性を、推論結果を導くため
に使用した事象の情報量に基いて修正、変更することに
より推論結果の識別能力を高めることが考えられてい
る。
《発明が解決しようとする課題》 従来の近似推論装置に於ては、事象値入力が一点入力
であれば、結論の可能性の評価が行われ得るが、しか
し、事象値入力が区間入力でしか得られない場合、区間
入力に対する結論の可能性を評価することができない。
であれば、結論の可能性の評価が行われ得るが、しか
し、事象値入力が区間入力でしか得られない場合、区間
入力に対する結論の可能性を評価することができない。
このため、従来の近似推論装置に於ては、事象値入力
データが予め誤差を含んでいる場合や、或るサンプリン
グ時間幅の入力データを近似推論のための事象値入力デ
ータとして用いる場合等に於ては、近似推論の結論の可
能性を評価することができないと云う問題点がある。
データが予め誤差を含んでいる場合や、或るサンプリン
グ時間幅の入力データを近似推論のための事象値入力デ
ータとして用いる場合等に於ては、近似推論の結論の可
能性を評価することができないと云う問題点がある。
本発明は、従来の近似推論装置に於ける上述の如き問
題点に着目してなされたものであり、事象値入力が区間
入力でしか得られない場合に於ても区間入力に対する結
論の可能性を評価することができる近似推論装置を提供
することを目的としている。
題点に着目してなされたものであり、事象値入力が区間
入力でしか得られない場合に於ても区間入力に対する結
論の可能性を評価することができる近似推論装置を提供
することを目的としている。
《課題を解決するための手段》 上記目的を達成するために、請求項１の発明は、 事象に対して各結論毎に与えられた特性関数を用いて
近似推論を行う近似推論装置に於て、 事象入力をある範囲をもった区間として取り込む区間
入力手段と、 前記区間入力手段で入力された区間の事象入力をサン
プリングし、複数個の事象入力として順次出力するサン
プリング手段と、 前記サンプリング手段が出力する複数個の事象値入力
の各々に応じて近似推論を行い、各近似推論毎に可能性
についての推論結果を生じる推論手段と、 前記推論手段より前記サンプリング手段に応じた複数
個の推論結果を与えられ、該複数個の推論結果から結論
の可能性の範囲を検出し、これを出力する区間出力手段
と、 を有していることを特徴とする。
近似推論を行う近似推論装置に於て、 事象入力をある範囲をもった区間として取り込む区間
入力手段と、 前記区間入力手段で入力された区間の事象入力をサン
プリングし、複数個の事象入力として順次出力するサン
プリング手段と、 前記サンプリング手段が出力する複数個の事象値入力
の各々に応じて近似推論を行い、各近似推論毎に可能性
についての推論結果を生じる推論手段と、 前記推論手段より前記サンプリング手段に応じた複数
個の推論結果を与えられ、該複数個の推論結果から結論
の可能性の範囲を検出し、これを出力する区間出力手段
と、 を有していることを特徴とする。
また、請求項２の発明は、 事象に対して各結論毎に与えられた特性関数を用いて
近似推論を行う近似推論装置に於て、 事象入力をある範囲をもって区間として取り込む区間
入力手段と、 前記区間入力手段で入力された区間の事象入力をサン
プリングし、複数個の事象入力として順次出力するサン
プリング手段と、 前記サンプリング手段が出力する複数個の事象値入力
の各々に応じて近似推論を行い、各近似推論毎に可能性
についての推論結果を生じる推論手段と、 前記推論手段より前記サンプリング手段に応じた複数
個の推論結果を与えられ、該複数個の推論結果から結論
の可能性の範囲を検出し、これを出力する区間出力手段
と、 前記サンプリング手段が出力する結論の可能性の範囲
を基にして結論の評価を行う結論評価手段と、 を有していることを特徴とする。
近似推論を行う近似推論装置に於て、 事象入力をある範囲をもって区間として取り込む区間
入力手段と、 前記区間入力手段で入力された区間の事象入力をサン
プリングし、複数個の事象入力として順次出力するサン
プリング手段と、 前記サンプリング手段が出力する複数個の事象値入力
の各々に応じて近似推論を行い、各近似推論毎に可能性
についての推論結果を生じる推論手段と、 前記推論手段より前記サンプリング手段に応じた複数
個の推論結果を与えられ、該複数個の推論結果から結論
の可能性の範囲を検出し、これを出力する区間出力手段
と、 前記サンプリング手段が出力する結論の可能性の範囲
を基にして結論の評価を行う結論評価手段と、 を有していることを特徴とする。
《作用》 この発明では、区間入力手段により事象入力をある範
囲をもった区間として取り込み、サンプリング手段は前
記区間入力手段で入力された区間の事象入力をサンプリ
ングして複数個の事象入力として順次出力する。そし
て、推論手段は前記サンプリング手段が出力する複数個
の事象値入力の各々に応じて近似推論を行って各近似推
論毎に可能性についての推論結果を生じ、区間出力手段
は前記推論手段より前記サンプリング手段に応じた複数
個の推論結果を与えられ、該複数個の推論結果から結論
の可能性の範囲を検出し、これを出力する。
囲をもった区間として取り込み、サンプリング手段は前
記区間入力手段で入力された区間の事象入力をサンプリ
ングして複数個の事象入力として順次出力する。そし
て、推論手段は前記サンプリング手段が出力する複数個
の事象値入力の各々に応じて近似推論を行って各近似推
論毎に可能性についての推論結果を生じ、区間出力手段
は前記推論手段より前記サンプリング手段に応じた複数
個の推論結果を与えられ、該複数個の推論結果から結論
の可能性の範囲を検出し、これを出力する。
また、結論評価手段は、前記サンプリング手段が出力
する結論の可能性の範囲を基にして結論の評価を行う。
する結論の可能性の範囲を基にして結論の評価を行う。
《実施例》 以下に添付の図を参照して本発明を実施例について詳
細に説明する。
細に説明する。
第１図は本発明による近似推論装置の一実施例を示し
ている。本発明による近似推論装置は、知識記憶装置10
と、知識合成装置12と、合成後知識記憶装置14と、事象
値区間入力装置16と、適合度演算装置18と、動的情報量
演算装置20と、可能性演算装置22と、区間出力装置24
と、結論評価装置26と、可能性表示装置28と、静的情報
量演算装置30と、明瞭性演算装置32と、明瞭性記憶装置
34と、明瞭性加算装置36と、明瞭性表示装置38とを有し
ている。
ている。本発明による近似推論装置は、知識記憶装置10
と、知識合成装置12と、合成後知識記憶装置14と、事象
値区間入力装置16と、適合度演算装置18と、動的情報量
演算装置20と、可能性演算装置22と、区間出力装置24
と、結論評価装置26と、可能性表示装置28と、静的情報
量演算装置30と、明瞭性演算装置32と、明瞭性記憶装置
34と、明瞭性加算装置36と、明瞭性表示装置38とを有し
ている。
知識記憶装置10は、複数の専門家の知識を、規則、事
象と結論との関係を示す表の形式にて記憶している。知
識記憶装置10は、複数の専門家の知識を上述の如き表の
形式にて個別に記憶しており、例えば二人の専門家の知
識を用いる場合は、専門家EX1と専門家EX2の知識の規則
を以下に示す如き形態にて記憶している。
象と結論との関係を示す表の形式にて記憶している。知
識記憶装置10は、複数の専門家の知識を上述の如き表の
形式にて個別に記憶しており、例えば二人の専門家の知
識を用いる場合は、専門家EX1と専門家EX2の知識の規則
を以下に示す如き形態にて記憶している。
専門家EX1: If 20≦F1≦60, 0≦F2≦ 40 then C1 If 40≦F1≦80,60≦F2≦100 then C2 専門家EX2: If 30≦F1≦50,10≦F2≦30 then C1 If 50≦F1≦70,70≦F2≦90 then C2 尚、これ以降に於ては、F1を事象１、F2を事象２、C1
を結論１、C2を結論２と呼ぶことがある。
を結論１、C2を結論２と呼ぶことがある。
上述の如き規則の場合、知識記憶装置10に記憶される
事象と結論の関係は、各専門家毎に設けられ、これは第
１表、第２表に示されている如きものになる。尚、第１
表は専門家EX1のものであり、第２表は専門家EX2のもの
である。
事象と結論の関係は、各専門家毎に設けられ、これは第
１表、第２表に示されている如きものになる。尚、第１
表は専門家EX1のものであり、第２表は専門家EX2のもの
である。
知識合成装置12は、知識記憶装置10より上述の如き複
数の専門家の知識を与えられてこれを合成し、近似推論
のために合成された一つの知識を作成するようになって
いる。知識合成装置12に於ける複数の専門家の知識の合
成方法は、例えば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、複数の専門家の相互の平均値と標準
偏差を算出し、この最大値の平均値と最小値の平均値及
び最大値の標準偏差と最小値の標準偏差とを用いてガウ
ス分布（正規化分布）により各結論毎のメンバーシップ
関数を作成するようになっている。
数の専門家の知識を与えられてこれを合成し、近似推論
のために合成された一つの知識を作成するようになって
いる。知識合成装置12に於ける複数の専門家の知識の合
成方法は、例えば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、複数の専門家の相互の平均値と標準
偏差を算出し、この最大値の平均値と最小値の平均値及
び最大値の標準偏差と最小値の標準偏差とを用いてガウ
ス分布（正規化分布）により各結論毎のメンバーシップ
関数を作成するようになっている。
次にこの知識の合成の具体例を事象１（F1）より結論
１（C1）を求める規則の例を取上げて説明する。
１（C1）を求める規則の例を取上げて説明する。
合成前の各専門家の知識は以下に示す如き関係式にて
示される。
示される。
専門家EX1:If 20≦F1≦60 then C1 専門家EX2:If 30≦F1≦50 then C1 上述の如き二人の専門家の知識に於ける各事象の最大
値の平均値Amaxと最小値の平均値Aminは下式に従って算
出される。
値の平均値Amaxと最小値の平均値Aminは下式に従って算
出される。
Amax＝（60＋50）/2＝55 Amin＝（20＋30）/2＝25 また各事象の最大値の標準偏差Ｓ（χ）maxと最小値
の標準偏差Ｓ（χ）minとは各々下式に従って算出され
る。
の標準偏差Ｓ（χ）minとは各々下式に従って算出され
る。
上述の如き専門家の知識の合成の演算を、各結論に関
与している各事象の最大値と最小値の全てについて行う
と第３表に示されている如き表が得られる。
与している各事象の最大値と最小値の全てについて行う
と第３表に示されている如き表が得られる。
一般に、近似推論に於ては、対象に対してメンバーシ
ップ関数が与えられ、ここでは、一例としてガウス分布
によりメンバーシップ関数を作成する方法を示す。ガウ
ス分布によりメンバーシップ関数を作成する場合は、先
ず第３表に示されている如き知識の合成結果を使用して
下式に従い入力データχが事象に適合する程度、即ち適
合度を算出することが行われる。
ップ関数が与えられ、ここでは、一例としてガウス分布
によりメンバーシップ関数を作成する方法を示す。ガウ
ス分布によりメンバーシップ関数を作成する場合は、先
ず第３表に示されている如き知識の合成結果を使用して
下式に従い入力データχが事象に適合する程度、即ち適
合度を算出することが行われる。
ただし、 χ：事象１（F1）への入力データの値 Φ（χ）：入力データχが事象に適合する程度（適合
度） Gauss（ｙ）：入力ｙに於けるガウス分布の値 これにより第２図に示されている如きガウス分布が得
られる。
度） Gauss（ｙ）：入力ｙに於けるガウス分布の値 これにより第２図に示されている如きガウス分布が得
られる。
メンバーシップ関数の作成に際しては、第２図に示さ
れている如きガウス分布のうち符号Ｇで示されている如
く、ガウス分布の右半分の部分のみが使用される。
れている如きガウス分布のうち符号Ｇで示されている如
く、ガウス分布の右半分の部分のみが使用される。
即ち、Gauss｛χ−Amin/S（χ）min｝は第３図に示さ
れている如き分布になり、Gauss｛χ−Amax/S（χ）ma
x｝は第４図に示されている如き分布になり、第３図に
示された分布と第４図に示された分布との合成により第
５図に示されている如きメンバーシップ関数が作成され
る。この場合の分布の傾きは標準偏差Ｓ（χ）min、Ｓ
（χ）maxにより決まり、適合度が0.5となる入力データ
値は平均値Amin、Amaxにより決定される。
れている如き分布になり、Gauss｛χ−Amax/S（χ）ma
x｝は第４図に示されている如き分布になり、第３図に
示された分布と第４図に示された分布との合成により第
５図に示されている如きメンバーシップ関数が作成され
る。この場合の分布の傾きは標準偏差Ｓ（χ）min、Ｓ
（χ）maxにより決まり、適合度が0.5となる入力データ
値は平均値Amin、Amaxにより決定される。
上述の如き要領にて合成された知識よりメンバーシッ
プ関数を数式により導出することが可能であり、これら
の例として、第６図は事象１（F1）の各結論に関するメ
ンバーシップ関数を、第７図は事象２（F2）に於ける各
結論のメンバーシップ関数を示している。
プ関数を数式により導出することが可能であり、これら
の例として、第６図は事象１（F1）の各結論に関するメ
ンバーシップ関数を、第７図は事象２（F2）に於ける各
結論のメンバーシップ関数を示している。
合成後知識記憶装置14は、知識合成装置12より情報を
与えられ、第３表に示されている如く、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の平均値と標準
偏差とを表形式にて記憶するようになっている。
与えられ、第３表に示されている如く、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の平均値と標準
偏差とを表形式にて記憶するようになっている。
知識の合成は、知識が変更されない限り、近似推論の
実行の毎に行う必要はないから、これは予め計算した結
果として記憶されていればよく、近似推論の実行の毎
に、この記憶装置14より必要なデータが読出されること
により、近似推論処理の高速化が図られるようになる。
実行の毎に行う必要はないから、これは予め計算した結
果として記憶されていればよく、近似推論の実行の毎
に、この記憶装置14より必要なデータが読出されること
により、近似推論処理の高速化が図られるようになる。
事象値区間入力装置16は、通信インターフェース装置
等より事象の入力データを区間入力として読取り、区間
入力の範囲内の入力をサンプリングしてこれらを入力デ
ータχ１〜χｎとして適合度演算装置18へ出力するよう
になっている。
等より事象の入力データを区間入力として読取り、区間
入力の範囲内の入力をサンプリングしてこれらを入力デ
ータχ１〜χｎとして適合度演算装置18へ出力するよう
になっている。
事象の入力データ（事象値）が区間入力である例とし
ては、第６図に示されている如く、所定のサンプリング
時間幅の計測値等による入力データがあり、この場合に
はサンプリング時間幅に応じた幅ｄの区間入力が得られ
る。幅ｄの区間入力は、第７図に示されている如く、所
定のサンプリング幅Δｄをもってｎ個に分割され、ｎ個
に分割された入力データχ１〜χｎが各々適合度演算装
置18へ出力される。
ては、第６図に示されている如く、所定のサンプリング
時間幅の計測値等による入力データがあり、この場合に
はサンプリング時間幅に応じた幅ｄの区間入力が得られ
る。幅ｄの区間入力は、第７図に示されている如く、所
定のサンプリング幅Δｄをもってｎ個に分割され、ｎ個
に分割された入力データχ１〜χｎが各々適合度演算装
置18へ出力される。
この場合、ｎ＝（d/Δｄ）＋１であり、この演算に於
ては、小数点以下は切捨てられる。尚、区間入力の最小
値は必ず入力データとして出力されるようになってい
る。
ては、小数点以下は切捨てられる。尚、区間入力の最小
値は必ず入力データとして出力されるようになってい
る。
適合度演算装置18は、事象値入力装置16よりの入力デ
ータχ１〜χｎの各々に応じて上述の如きメンバーシッ
プ関数に基づき適合度Ｍ（χ）を求めるようになってい
る。適合度演算装置18にて求められた入力データχ１〜
χｎの各々に関する適合度Ｍ（χ）は動的情報量演算装
置20と可能性演算装置22へ出力される。
ータχ１〜χｎの各々に応じて上述の如きメンバーシッ
プ関数に基づき適合度Ｍ（χ）を求めるようになってい
る。適合度演算装置18にて求められた入力データχ１〜
χｎの各々に関する適合度Ｍ（χ）は動的情報量演算装
置20と可能性演算装置22へ出力される。
動的情報量演算装置20は、入力データχ１〜χｎの各
々の各々に於けるファジィエントロピを最大ファジィエ
ントロピから差引くことによって各入力データについて
動的情報量を算出するようになっている。
々の各々に於けるファジィエントロピを最大ファジィエ
ントロピから差引くことによって各入力データについて
動的情報量を算出するようになっている。
ここで、動的情報量の算出例として、第８図及び第９
図に示されている如く、事象１に入力された事象値をχ
１、事象２に入力された事象値をχ２として説明する。
また事象値χ１での結論１の適合度をM11、結論２の適
合度をM12とする。同様に事象値χ２での結論１の適合
度をM21、結論２の適合度をM22とする。このときの事象
値χ１、χ２の各々に於ける動的情報量If1（χ１）とI
f2（χ２）は下式により示される。
図に示されている如く、事象１に入力された事象値をχ
１、事象２に入力された事象値をχ２として説明する。
また事象値χ１での結論１の適合度をM11、結論２の適
合度をM12とする。同様に事象値χ２での結論１の適合
度をM21、結論２の適合度をM22とする。このときの事象
値χ１、χ２の各々に於ける動的情報量If1（χ１）とI
f2（χ２）は下式により示される。
If1（χ１） ＝log（ｎ）−Ef（χ１） ＝log（２）＋［M11/（M11＋M12）log｛M11/（M11＋M12）｝ ＋M12/（M11＋M12）log｛M12/（M11＋M12｝］ If2（χ２） ＝log（ｎ）−Ef（χ２） ＝log（２）＋［M21/（M21＋M22）log｛M21/（M21＋M22）｝ ＋M22/（M21＋M22）log｛M12/（M21＋M22｝］ ここで、最大ファジィエントロピlog（ｎ）のｎは事
象上の結論数である。
象上の結論数である。
ファジィエントロピEf（χ）は情報識別能力の指標の
一種であり、事象値の入力データχを与えられた時に、
結論が明確に識別できるほど小さい値になり、結論が曖
昧にしか判別できないほど大きい値になる。つまり、フ
ァジィエントロピEf（χ）は、例えば、入力データχ１
での結論C1の適合度M11と同じ入力データχ１での結論C
2の適合度M12との差が大きいほど小さい値になり、この
差が小さいほど大きい値となる。ここでファジィエント
ロピEf（χ）の取り得る値の範囲は、下式に示すような
ものになる。
一種であり、事象値の入力データχを与えられた時に、
結論が明確に識別できるほど小さい値になり、結論が曖
昧にしか判別できないほど大きい値になる。つまり、フ
ァジィエントロピEf（χ）は、例えば、入力データχ１
での結論C1の適合度M11と同じ入力データχ１での結論C
2の適合度M12との差が大きいほど小さい値になり、この
差が小さいほど大きい値となる。ここでファジィエント
ロピEf（χ）の取り得る値の範囲は、下式に示すような
ものになる。
０≦Ef（χ）≦log（ｎ） 可能性演算装置22は、各結論毎に、各結論に関与する
事象の情報量の総和で１になり、且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、即ち
動的情報量の重みを算出し、この重みと適合度演算装置
18にて算出された適合度との積を計算し、これを各結論
毎に合成したものを、結論の可能性として算出するよう
になっている。
事象の情報量の総和で１になり、且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、即ち
動的情報量の重みを算出し、この重みと適合度演算装置
18にて算出された適合度との積を計算し、これを各結論
毎に合成したものを、結論の可能性として算出するよう
になっている。
動的情報量の重みの算出は、例えば下式に従って行わ
れる。
れる。
Wf11＝If1（χ１）／（If1（χ１）＋If2（χ２）） Wf12＝If2（χ２）／（If1（χ１）＋If2（χ２）） Wf21＝If1（χ１）／（If1（χ１）＋If2（χ２）） Wf22＝If2（χ２）／（If1（χ１）＋If2（χ２）） ただし、 Wf11:結論１（C1）の事象１（F1）の重み Wf12:結論１（C1）の事象２（F2）の重み Wf21:結論２（C2）の事象１（F1）の重み Wf22:結論２（C2）の事象２（F2）の重み 各結論の可能性の算出は下式に従って行われる。
結論１の可能性＝Wf11・M11＋Wf12・M21 結論２の可能性＝Wf21・M12＋Wf22・M22 この各結論の可能性、即ち近似推論結果は、各入力デ
ータχ１〜χｎ毎に得られて可能性表示装置28へ出力さ
れ、可能性表示装置28はこれを表示するようになってい
る。
ータχ１〜χｎ毎に得られて可能性表示装置28へ出力さ
れ、可能性表示装置28はこれを表示するようになってい
る。
可能性演算装置22にて得られる上述の如き近似推論結
果は区間出力装置24へも出力される。
果は区間出力装置24へも出力される。
区間出力装置24は可能性演算装置22より受け取った各
入力データχ１〜χｎについての各結論毎の複数個の推
論結果から、結論の可能性の範囲を求め、これを可能性
表示装置28と結論評価装置26へ出力するようになってい
る。
入力データχ１〜χｎについての各結論毎の複数個の推
論結果から、結論の可能性の範囲を求め、これを可能性
表示装置28と結論評価装置26へ出力するようになってい
る。
区間出力装置24に於ては、例えば、ｎ個に分割された
ｎ個の入力データχ１〜χｎの各々の各結論毎の推論結
果、即ち各結論毎のｎ個の推論結果の可能性O1〜Onより
最大値Omaxと最小値Ominとを検索し、これを近似的に結
論の区間［Omin,Omax］とすることが行われる。
ｎ個の入力データχ１〜χｎの各々の各結論毎の推論結
果、即ち各結論毎のｎ個の推論結果の可能性O1〜Onより
最大値Omaxと最小値Ominとを検索し、これを近似的に結
論の区間［Omin,Omax］とすることが行われる。
上述の如き結論の区間は、各結論毎に得られ、これは
可能性表示装置28へ出力されて可能性表示装置28にて表
示される。これにより各結論の可能性がどの範囲を取っ
ているかが理解され得るようになり、各結論の可能性の
幅（区間）は区間入力に起因している曖昧性、感度の指
標としてとらえられ、これより区間入力に対する結論の
評価が行われ得るようになる。
可能性表示装置28へ出力されて可能性表示装置28にて表
示される。これにより各結論の可能性がどの範囲を取っ
ているかが理解され得るようになり、各結論の可能性の
幅（区間）は区間入力に起因している曖昧性、感度の指
標としてとらえられ、これより区間入力に対する結論の
評価が行われ得るようになる。
結論評価装置26は、区間出力装置24より与えられる各
結論毎の可能性の区間より各結論の可能性に対する評
価、即ち信頼性を見い出し、これを可能性表示装置28へ
出力するようになっている。
結論毎の可能性の区間より各結論の可能性に対する評
価、即ち信頼性を見い出し、これを可能性表示装置28へ
出力するようになっている。
結論評価装置26に於ては、例えば下式に従って結論の
可能性の不信頼性Ｒが算出される。
可能性の不信頼性Ｒが算出される。
Ｒ＝（Omax−Omin）/100 この場合、例えば不信頼性Ｒが所定値以下、例えば0.
25以下であれば、結論の可能性の区間の平均値を算出し
て、これを可能性表示装置28へ出力し、これに対し不信
頼性Ｒが所定値以上であれば、この結論の可能性は信頼
できないものとして棄却し、可能性表示装置28には、例
えば「結論の可能性は不明です」と云う如き表示指令が
出力されればよい。
25以下であれば、結論の可能性の区間の平均値を算出し
て、これを可能性表示装置28へ出力し、これに対し不信
頼性Ｒが所定値以上であれば、この結論の可能性は信頼
できないものとして棄却し、可能性表示装置28には、例
えば「結論の可能性は不明です」と云う如き表示指令が
出力されればよい。
静的情報量演算装置30は、各事象毎に事象全体の情報
量、即ち静的情報量を算出するようになっている。ここ
では、静的情報量は、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差引いた
ものである。
量、即ち静的情報量を算出するようになっている。ここ
では、静的情報量は、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差引いた
ものである。
例えば、上述の如く合成された知識のメンバーシップ
関数について、事象１（F1）の静的情報量If1を求める
と、以下に示す如きものになる。
関数について、事象１（F1）の静的情報量If1を求める
と、以下に示す如きものになる。
上式は、先ず、事象のレンズ幅を０〜100まで、χを
等間隔δにて変化させ、それぞれのχについてファジィ
エントロピを計算してその平均を求め、次に最大ファジ
ィエントロピlog（２）から前記平均を差引いて事象１
（F1）の静的情報量If1を求めている。ただし、δは、
０＜δ≦100である。
等間隔δにて変化させ、それぞれのχについてファジィ
エントロピを計算してその平均を求め、次に最大ファジ
ィエントロピlog（２）から前記平均を差引いて事象１
（F1）の静的情報量If1を求めている。ただし、δは、
０＜δ≦100である。
この静的情報量は、一つの事象に於けるメンバーシッ
プ関数の重なりが大きい程小さく、前記メンバーシップ
関数の重なりが小さい程大きくなり、これは各事象のメ
ンバーシップ関数が結論を識別する能力を示している。
プ関数の重なりが大きい程小さく、前記メンバーシップ
関数の重なりが小さい程大きくなり、これは各事象のメ
ンバーシップ関数が結論を識別する能力を示している。
明瞭性演算装置32は、知識合成装置12より合成後の知
識に関するデータを、静的情報量演算装置30より各事象
の静的情報量を与えられ、各結論毎に各事象の明瞭性を
演算するようになっている。
識に関するデータを、静的情報量演算装置30より各事象
の静的情報量を与えられ、各結論毎に各事象の明瞭性を
演算するようになっている。
ここで、各結論毎の各事象の明瞭性とは、或る結論が
成立する可能性を推定するために使用される各事象の同
一結論内での相対的な識別能力を示すものである。従っ
て、この明瞭性により、或る結論を確定するための複数
の事象の識別能力を相対的に比較することができ、どの
事象が高い識別能力を備えているか、換言すれば、どの
事象が多くの情報量を有しているかが評価されるように
なる。
成立する可能性を推定するために使用される各事象の同
一結論内での相対的な識別能力を示すものである。従っ
て、この明瞭性により、或る結論を確定するための複数
の事象の識別能力を相対的に比較することができ、どの
事象が高い識別能力を備えているか、換言すれば、どの
事象が多くの情報量を有しているかが評価されるように
なる。
この明瞭性の算出は次の如く行われる。先ず、結論、
事象と静的情報量Ifとの関係は、上述の合成された知識
のメンバーシップ関数の例をとれば、第４表に示され
る。
事象と静的情報量Ifとの関係は、上述の合成された知識
のメンバーシップ関数の例をとれば、第４表に示され
る。
各事象の明瞭性は、各結論毎に静的情報量を正規化す
ることにより得られる値であり、結論、事象と明瞭性CL
との関係は第５表に示されている。
ることにより得られる値であり、結論、事象と明瞭性CL
との関係は第５表に示されている。
ただし、 CL11＝If1/（If1＋If2） CL12＝If1/（If1＋If2） CL21＝If2/（If1＋If2） CL22＝If2/（If1＋If2） 尚、結論C2を導くために、事象C1を使用しない場合、
例えば、前述の規則例では、EX1;If 60≦F2≦100 then
C2且つEX2;If 70≦F2≦90 then C2の場合は、C2とF1のI
f1は０となり、CL12＝０、CL22＝１となる。
例えば、前述の規則例では、EX1;If 60≦F2≦100 then
C2且つEX2;If 70≦F2≦90 then C2の場合は、C2とF1のI
f1は０となり、CL12＝０、CL22＝１となる。
明瞭性記憶装置34は、明瞭性演算装置32より上述の如
き明瞭性に関する情報を与えられてこれを記憶するよう
になっている。
き明瞭性に関する情報を与えられてこれを記憶するよう
になっている。
明瞭性の演算は、知識が変更されない限り、近似推論
を行う毎に行う必要はないから、近似推論の実行の毎
に、この記憶装置34より必要なデータが読出されること
により、近似推論処理の高速化が図られるようになる。
を行う毎に行う必要はないから、近似推論の実行の毎
に、この記憶装置34より必要なデータが読出されること
により、近似推論処理の高速化が図られるようになる。
明瞭性加算装置36は、事象値区間入力装置16よりどの
事象のデータが入力されたか否かに関する情報を与えら
れ、各結論毎に、データが入力された事象の明瞭性を明
瞭性記憶装置34により読出し、これの総和を計算するよ
うになっている。
事象のデータが入力されたか否かに関する情報を与えら
れ、各結論毎に、データが入力された事象の明瞭性を明
瞭性記憶装置34により読出し、これの総和を計算するよ
うになっている。
この明瞭性の総和は、推論結果の明瞭性を示し、これ
が高い程、推論結果を導くための情報量が多く、推論結
果自体の信頼性が高いことになる。
が高い程、推論結果を導くための情報量が多く、推論結
果自体の信頼性が高いことになる。
次に、第５表に示されている如き、結論、事象と明瞭
性CLの関係を例にして、推論結果に対する明瞭性の算出
方法について説明する。
性CLの関係を例にして、推論結果に対する明瞭性の算出
方法について説明する。
（ａ）事象１（F1）のみが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 ・結論２（C2）の推論結果に対する明瞭性 CL2＝CL12 （ｂ）事象１（F2）のみが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 ・結論２（C2）の推論結果に対する明瞭性 CL2＝CL22 （ｃ）事象１（F1）、事象１（F2）両方がデータ入力さ
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 上式より理解される如く、推論結果の明瞭性の取り得
る値は、0.0≦C1≦1.0である。
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 上式より理解される如く、推論結果の明瞭性の取り得
る値は、0.0≦C1≦1.0である。
つまり、或る結論を導くために使用する全ての事象に
ついてデータ入力が行われて推論が行われた場合には、
その結論の明瞭性は1.0になる。これに対し、或る結論
を導くために使用する事象の中で、一部の事象のみを使
用して、データ入力が行われた場合には、明瞭性は0.0
から1.0の間の値となる。この時、使用することができ
る事象の中で、明瞭性の高い事象が多く使用されれば、
結論の明瞭性が高くなり、信頼性が高い推論結果である
と言える。
ついてデータ入力が行われて推論が行われた場合には、
その結論の明瞭性は1.0になる。これに対し、或る結論
を導くために使用する事象の中で、一部の事象のみを使
用して、データ入力が行われた場合には、明瞭性は0.0
から1.0の間の値となる。この時、使用することができ
る事象の中で、明瞭性の高い事象が多く使用されれば、
結論の明瞭性が高くなり、信頼性が高い推論結果である
と言える。
この明瞭性を示す値は、各結論毎に明瞭性表示装置38
へ出力され、明瞭性表示装置38はこれを各結論毎に表示
するようになっている。
へ出力され、明瞭性表示装置38はこれを各結論毎に表示
するようになっている。
尚、明瞭性表示装置38及び前述の可能性表示装置28に
於ける表示方法は、ディスプレーを用いて、これに推論
結果と共に表示する以外に、通信を使用して明瞭性、可
能性に関するデータを伝送し、メモリやファイルに記憶
するようになっていてもよい。
於ける表示方法は、ディスプレーを用いて、これに推論
結果と共に表示する以外に、通信を使用して明瞭性、可
能性に関するデータを伝送し、メモリやファイルに記憶
するようになっていてもよい。
《発明の効果》 以上の説明から理解される如く、本発明による近似推
論装置によれば、近似推論のために用いられる事象を区
間で入力でき、その推論結果も区間で出力されるので、
事象値入力が区間入力でしか得られない場合においても
近似推論の結論の可能性を評価できる等の効果を奏す
る。
論装置によれば、近似推論のために用いられる事象を区
間で入力でき、その推論結果も区間で出力されるので、
事象値入力が区間入力でしか得られない場合においても
近似推論の結論の可能性を評価できる等の効果を奏す
る。
第１図は本発明による近似推論装置の一実施例を示すブ
ロック線図、第２図はメンバーシップ関数作成のための
ガウス分布を示すグラフ、第３図乃至第５図は知識の合
成結果によってメンバーシップ関数を作成する要領を示
すグラフ、第６図は事象値としての区間入力の獲得例を
示すグラフ、第７図は区間入力の分割例を示すグラフ、
第８図及び第９図は各々合成された知識によるメンバー
シップ関数の具体例を示すグラフである。 10……知識記憶装置 12……知識合成装置 14……合成後知識記憶装置 16……事象値区間入力装置 18……適合度演算装置 20……動的情報量演算装置 22……可能性演算装置 24……区間出力装置 26……結論評価装置 28……可能性表示装置 30……静的情報量演算装置 32……明瞭性演算装置 34……明瞭性記憶装置 36……明瞭性加算装置 38……明瞭性表示装置
ロック線図、第２図はメンバーシップ関数作成のための
ガウス分布を示すグラフ、第３図乃至第５図は知識の合
成結果によってメンバーシップ関数を作成する要領を示
すグラフ、第６図は事象値としての区間入力の獲得例を
示すグラフ、第７図は区間入力の分割例を示すグラフ、
第８図及び第９図は各々合成された知識によるメンバー
シップ関数の具体例を示すグラフである。 10……知識記憶装置 12……知識合成装置 14……合成後知識記憶装置 16……事象値区間入力装置 18……適合度演算装置 20……動的情報量演算装置 22……可能性演算装置 24……区間出力装置 26……結論評価装置 28……可能性表示装置 30……静的情報量演算装置 32……明瞭性演算装置 34……明瞭性記憶装置 36……明瞭性加算装置 38……明瞭性表示装置
Claims (2)
- 【請求項１】事象に対して各結論毎に与えられた特性関
数を用いて近似推論を行う近似推論装置に於て、 事象入力をある範囲をもった区間として取り込む区間入
力手段と、 前記区間入力手段で入力された区間の事象入力をサンプ
リングし、複数個の事象入力として順次出力するサンプ
リング手段と、 前記サンプリング手段が出力する複数個の事象値入力の
各々に応じて近似推論を行い、各近似推論毎に可能性に
ついての推論結果を生じる推論手段と、 前記推論手段より前記サンプリング手段に応じた複数個
の推論結果を与えられ、該複数個の推論結果から結論の
可能性の範囲を検出し、これを出力する区間出力手段
と、 を有していることを特徴とする近似推論装置。 - 【請求項２】事象に対して各結論毎に与えられた特性関
数を用いて近似推論を行う近似推論装置に於て、 事象入力をある範囲をもって区間として取り込む区間入
力手段と、 前記区間入力手段で入力された区間の事象入力をサンプ
リングし、複数個の事象入力として順次出力するサンプ
リング手段と、 前記サンプリング手段が出力する複数個の事象値入力の
各々に応じて近似推論を行い、各近似推論毎に可能性に
ついての推論結果を生じる推論手段と、 前記推論手段より前記サンプリング手段に応じた複数個
の推論結果を与えられ、該複数個の推論結果から結論の
可能性の範囲を検出し、これを出力する区間出力手段
と、 前記サンプリング手段が出力する結論の可能性の範囲を
基にして結論の評価を行う結論評価手段と、 を有していることを特徴とする近似推論装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19864890A JP3211242B2 (ja) | 1990-07-26 | 1990-07-26 | 近似推論装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19864890A JP3211242B2 (ja) | 1990-07-26 | 1990-07-26 | 近似推論装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0484220A JPH0484220A (ja) | 1992-03-17 |
| JP3211242B2 true JP3211242B2 (ja) | 2001-09-25 |
Family
ID=16394711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP19864890A Expired - Fee Related JP3211242B2 (ja) | 1990-07-26 | 1990-07-26 | 近似推論装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3211242B2 (ja) |
-
1990
- 1990-07-26 JP JP19864890A patent/JP3211242B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0484220A (ja) | 1992-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marcus et al. | Counting with the crowd | |
| CN104216349B (zh) | 利用制造设备的传感器数据的成品率分析系统及方法 | |
| JPS6182271A (ja) | データ相関決定装置 | |
| WO1999067602A1 (en) | A computer system and process for explaining behavior of a model that maps input data to output data | |
| JP2019061577A (ja) | 異常判定方法及びプログラム | |
| JPH0644377A (ja) | パターン、特に紙幣あるいは貨幣のパターンを分類する装置 | |
| CN108022146A (zh) | 征信数据的特征项处理方法、装置、计算机设备 | |
| CN111275416B (zh) | 数字货币异常交易检测方法、装置、电子设备及介质 | |
| Murray et al. | Explainable NILM networks | |
| JP3211242B2 (ja) | 近似推論装置 | |
| US11620826B2 (en) | Processing apparatus, processing method, and non-transitory storage medium | |
| JP2756724B2 (ja) | 計算機システムの状態表示方法 | |
| WO2021130978A1 (ja) | 動作分析システムおよび動作分析プログラム | |
| JPH03282683A (ja) | ノイズ量に自動的に適応するパターン検出方法および装置 | |
| CN107016028A (zh) | 数据处理方法及其设备 | |
| CN110008282A (zh) | 交易数据同步对接方法、装置、计算机设备及存储介质 | |
| Schuh et al. | Machine learning and generalized linear model techniques to predict aboveground biomass in Amazon rainforest using LiDAR data | |
| CN109685111A (zh) | 动作识别方法、计算系统、智能设备及存储介质 | |
| JP3211235B2 (ja) | 近似推論装置と人間とのインターフェイス装置 | |
| US20210224674A1 (en) | System and method for processing distorted or inaccurate input data obtained from an environment | |
| CN104796478A (zh) | 一种资源推荐方法及装置 | |
| CN110704609B (zh) | 基于社区隶属度的文本主题可视化方法、装置 | |
| JP3211237B2 (ja) | 近似推論装置 | |
| JPH04268450A (ja) | 診断アルゴリズム構築方法およびその装置 | |
| JPH1185300A (ja) | ベクトル規格化装置 |
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 |