JP3343626B2 - ファジィ推論のためのニューラルネットワーク - Google Patents
ファジィ推論のためのニューラルネットワークInfo
- Publication number
- JP3343626B2 JP3343626B2 JP35685992A JP35685992A JP3343626B2 JP 3343626 B2 JP3343626 B2 JP 3343626B2 JP 35685992 A JP35685992 A JP 35685992A JP 35685992 A JP35685992 A JP 35685992A JP 3343626 B2 JP3343626 B2 JP 3343626B2
- Authority
- JP
- Japan
- Prior art keywords
- cell
- layer
- cells
- input
- output
- 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
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、所定演算結果を出力す
るセルを有するファジィ推論のためのニューラルネット
ワーク（以下ＮＮと称す）に関する。
るセルを有するファジィ推論のためのニューラルネット
ワーク（以下ＮＮと称す）に関する。
【０００２】
【従来の技術】ニューロコンピュータは、脳の基本素子
であるニューロン（神経細胞）に着目したものであり、
これらが結合した結果できるＮＮをヒントとして、脳と
同じような機能を達成しようとするものである。これら
ＮＮの特徴は各ニューロン間の並列情報処理にあり、か
つ学習能力のある点である。そしてＮＮ中はいくつかの
層からなる階層構成を有し、各層は適当な数のセルから
なり、同一層内の結合はなく、各層間の結合は入力層
（第１層）から出力層（最終層）へ向けて一方向の結合
としている。入力層を除く各層のセルは、前の層のセル
からの重み付き入力を受けて、その総和を計算し、それ
に適当な関数ｆをかけたものを出力としている。ＮＮで
用いるセルの入出力関数としては、しきい関数，区分線
形関数，ロジスティック関数及び恒等関数等がある（参
考文献，産業図書発行，麻生英樹著「ニューラルネット
ワーク情報処理」Ｐ．13）。
であるニューロン（神経細胞）に着目したものであり、
これらが結合した結果できるＮＮをヒントとして、脳と
同じような機能を達成しようとするものである。これら
ＮＮの特徴は各ニューロン間の並列情報処理にあり、か
つ学習能力のある点である。そしてＮＮ中はいくつかの
層からなる階層構成を有し、各層は適当な数のセルから
なり、同一層内の結合はなく、各層間の結合は入力層
（第１層）から出力層（最終層）へ向けて一方向の結合
としている。入力層を除く各層のセルは、前の層のセル
からの重み付き入力を受けて、その総和を計算し、それ
に適当な関数ｆをかけたものを出力としている。ＮＮで
用いるセルの入出力関数としては、しきい関数，区分線
形関数，ロジスティック関数及び恒等関数等がある（参
考文献，産業図書発行，麻生英樹著「ニューラルネット
ワーク情報処理」Ｐ．13）。
【０００３】
【発明が解決しようとする課題】ファジィ推論で多入力
の場合、これらをＮＮで実現しようとすると各入力に対
する適合度の積をそのルールの適合度とする方法にあっ
ては積を出力するセルが必要であり、又、非ファジィ化
処理に重心計算を用いる場合、割算を出力するセルが必
要となる。しかし、上記した入出力関数を用いて、これ
を従来のＮＮで実現することはできない。この理由は掛
算及び割算を出力するセルがないためである。本発明は
上記事情に鑑みてなされたものであり、乗除算結果を出
力するセルを有するファジィ推論のためのＮＮを提供す
ることを目的としている。
の場合、これらをＮＮで実現しようとすると各入力に対
する適合度の積をそのルールの適合度とする方法にあっ
ては積を出力するセルが必要であり、又、非ファジィ化
処理に重心計算を用いる場合、割算を出力するセルが必
要となる。しかし、上記した入出力関数を用いて、これ
を従来のＮＮで実現することはできない。この理由は掛
算及び割算を出力するセルがないためである。本発明は
上記事情に鑑みてなされたものであり、乗除算結果を出
力するセルを有するファジィ推論のためのＮＮを提供す
ることを目的としている。
【０００４】
【課題を解決するための手段】上記目的を達成するた
め、本発明は入力信号を出力する複数のセルと、前記入
力信号を出力する複数のセルの信号を所定の結合係数を
介して接続された複数の中間セルと、これら中間セルが
階層構成を有して複数の最終出力セルに接続されたニュ
ーラルネットワークにおいて、前記中間セルは入力端に
結合される複数の入力信号をもとにした乗除算結果を出
力する手段を具備するようにした。
め、本発明は入力信号を出力する複数のセルと、前記入
力信号を出力する複数のセルの信号を所定の結合係数を
介して接続された複数の中間セルと、これら中間セルが
階層構成を有して複数の最終出力セルに接続されたニュ
ーラルネットワークにおいて、前記中間セルは入力端に
結合される複数の入力信号をもとにした乗除算結果を出
力する手段を具備するようにした。
【０００５】
【実施例】以下図面を参照して実施例を説明する。図１
は本発明によるＮＮの一実施例の構成図である。図１に
おいて、ａは乗除算結果を出力するセル、Ｏ1 〜Ｏjmx
はセルａの入力端に結合するセルｂj （j=1 〜jmx ）の
出力、Ｗ1 〜Ｗjmx は結合係数である。以下、Ｗj とＯ
j の積、Ｗj ・Ｏj をｊ番目の結合からセルａへの入力
と呼ぶ。この時、本発明によるセルａは１番目からjmx
番目までの結合からの入力の積を出力する。
は本発明によるＮＮの一実施例の構成図である。図１に
おいて、ａは乗除算結果を出力するセル、Ｏ1 〜Ｏjmx
はセルａの入力端に結合するセルｂj （j=1 〜jmx ）の
出力、Ｗ1 〜Ｗjmx は結合係数である。以下、Ｗj とＯ
j の積、Ｗj ・Ｏj をｊ番目の結合からセルａへの入力
と呼ぶ。この時、本発明によるセルａは１番目からjmx
番目までの結合からの入力の積を出力する。
【数１】 次に、図２を用いてこのセルを用いた場合の学習方法を
説明する。ここで、Ｗi(k-1),j(k) はｋ−１層ｉ番目の
セルとｋ層ｊ番目のセルとの結合係数を示し、Ｉj(k)は
ｋ層ｊ番目のセルへの入力の総和を示し、Ｏj(k)はｋ層
ｊ番目のセルの出力を示す。結合係数Ｗijの更新には次
式を用いる。
説明する。ここで、Ｗi(k-1),j(k) はｋ−１層ｉ番目の
セルとｋ層ｊ番目のセルとの結合係数を示し、Ｉj(k)は
ｋ層ｊ番目のセルへの入力の総和を示し、Ｏj(k)はｋ層
ｊ番目のセルの出力を示す。結合係数Ｗijの更新には次
式を用いる。
【数２】
【０００６】（１）通常のセル（セルへの入力の総和ｘ
とセルの出力ｙが、微分可能な入出力関数ｙ＝ｆ(x) の
関係にあるセルを通常のセルと呼ぶことにする。具体的
には参考文献(1) のロジスティック関数や恒等関数があ
る）の誤差逆伝播では上式を以下のように展開する。
とセルの出力ｙが、微分可能な入出力関数ｙ＝ｆ(x) の
関係にあるセルを通常のセルと呼ぶことにする。具体的
には参考文献(1) のロジスティック関数や恒等関数があ
る）の誤差逆伝播では上式を以下のように展開する。
【数３】 ｄj(k)は以下の場合で分かれる。 (i) ｋ層が出力層の場合
【数４】 (ii) ｋ層が中間層の場合
【数５】 なお、上式のｄm(k+1)は、出力側から順にｄj(k)と同様
にして求められる。
にして求められる。
【０００７】（２）本発明のセルを用いた場合の学習則
を次に示す。 (i) ｋ層が出力層の場合
を次に示す。 (i) ｋ層が出力層の場合
【数６】 (ii) ｋ層が中間層の場合
【数７】 図３でｋ＋１層のｍ番目のセルが本発明のセルの場
合。
合。
【数８】 図３でｋ＋１層のｍ番目のセルが本発明のセルでな
い場合。
い場合。
【数９】 よって、本発明のセルを含むＮＮにおいても学習が可能
である。
である。
【０００８】図４に他の実施例を示す。セルａが本発明
による除算結果を出力するセルである。Ｏ1 〜Ｏjmx は
セルａの入力端に結合するセルｂj （j=1 〜jmx ）の出
力である。Ｗ1 〜Ｗjmx はその結合係数である。以下、
Ｗj とＯj の積、Ｗj ・Ｏjをｊ番目の結合からセルａ
への入力と呼ぶ。この時、本発明によるセルａはｐ番目
とｑ番目の結合からの入力の除算結果を出力する。な
お、ｐ，ｑは任意に定めた１〜jmx の間の数値である。
による除算結果を出力するセルである。Ｏ1 〜Ｏjmx は
セルａの入力端に結合するセルｂj （j=1 〜jmx ）の出
力である。Ｗ1 〜Ｗjmx はその結合係数である。以下、
Ｗj とＯj の積、Ｗj ・Ｏjをｊ番目の結合からセルａ
への入力と呼ぶ。この時、本発明によるセルａはｐ番目
とｑ番目の結合からの入力の除算結果を出力する。な
お、ｐ，ｑは任意に定めた１〜jmx の間の数値である。
【数10】 次に、図２を用いてこのセルを用いた場合の学習方法を
説明する。ここで、Ｗi(k-1),j(k) はｋ−１層ｉ番目の
セルとｊ番目のセルとの結合係数を示し、Ｉj(k)はｋ層
ｊ番目のセルへの入力の総和を示し、Ｏj(k)はｋ層ｊ番
目のセルの出力を示す。結合係数Ｗijの更新は既に説明
した式を用いるため、詳細説明は省略する。
説明する。ここで、Ｗi(k-1),j(k) はｋ−１層ｉ番目の
セルとｊ番目のセルとの結合係数を示し、Ｉj(k)はｋ層
ｊ番目のセルへの入力の総和を示し、Ｏj(k)はｋ層ｊ番
目のセルの出力を示す。結合係数Ｗijの更新は既に説明
した式を用いるため、詳細説明は省略する。
【０００９】
【発明の効果】以上説明したように、本発明によればＮ
Ｎを構成するセルに対して入力端に結合される複数個の
入力信号から乗算除算を出力する機能を付加したので、
ＮＮによりファジィ演算することが容易となった。
Ｎを構成するセルに対して入力端に結合される複数個の
入力信号から乗算除算を出力する機能を付加したので、
ＮＮによりファジィ演算することが容易となった。
【図１】本発明によるＮＮの一実施例の構成図。
【図２】ｋ層が出力の層の場合の学習方法を説明する
図。
図。
【図３】ｋ層が中間層の場合の学習方法を説明する図。
【図４】ＮＮの他の実施例の構成図。
ａ，ｂ1 〜ｂjmx セル Ｏ1 〜Ｏjmx セルｂj の出力 Ｗ1 〜Ｗjmx 結合係数
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G06G 7/12 G06F 9/44 554 G06N 1/00
Claims (1)
- 【請求項１】 入力信号を出力する複数のセルと、前記
入力信号を出力する複数のセルの信号を所定の結合係数
を介して接続された複数の中間セルと、これら中間セル
が階層構成を有して複数の最終出力セルに接続されたニ
ューラルネットワークにおいて、前記中間セルは入力端
に結合される複数の入力信号をもとにした乗除算結果を
出力する手段を具備することを特徴とするファジィ推論
のためのニューラルネットワーク。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP35685992A JP3343626B2 (ja) | 1992-12-22 | 1992-12-22 | ファジィ推論のためのニューラルネットワーク |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP35685992A JP3343626B2 (ja) | 1992-12-22 | 1992-12-22 | ファジィ推論のためのニューラルネットワーク |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06195487A JPH06195487A (ja) | 1994-07-15 |
| JP3343626B2 true JP3343626B2 (ja) | 2002-11-11 |
Family
ID=18451124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP35685992A Expired - Fee Related JP3343626B2 (ja) | 1992-12-22 | 1992-12-22 | ファジィ推論のためのニューラルネットワーク |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3343626B2 (ja) |
-
1992
- 1992-12-22 JP JP35685992A patent/JP3343626B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06195487A (ja) | 1994-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sakar et al. | Growing and pruning neural tree networks | |
| US6009418A (en) | Method and apparatus for neural networking using semantic attractor architecture | |
| US4979126A (en) | Neural network with non-linear transformations | |
| JP2747104B2 (ja) | ニューラルネットワーク | |
| US5274744A (en) | Neural network for performing a relaxation process | |
| JPH07282168A (ja) | カオスリカレント神経回路網とその学習方法 | |
| JP3343626B2 (ja) | ファジィ推論のためのニューラルネットワーク | |
| Pados et al. | New nonleast-squares neural network learning algorithms for hypothesis testing | |
| JP2907486B2 (ja) | ニューラルネットワーク装置 | |
| JP3343625B2 (ja) | ファジィ推論のためのニューラルネットワーク | |
| JP3359074B2 (ja) | ニューラルネットワークの学習方法 | |
| US6490571B1 (en) | Method and apparatus for neural networking using semantic attractor architecture | |
| Sun et al. | Application of neural network model combining information entropy and ant colony clustering theory for short-term load forecasting | |
| Atanassov et al. | Generalized nets as tools for modelling of the neural networks | |
| Schaefer et al. | The Recurrent Control Neural Network. | |
| JPH09138786A (ja) | ニューラルネットワークの学習装置 | |
| Maren | Hybrid and complex networks | |
| Dagli et al. | Basic artificial neural network architectures | |
| Tang et al. | A model of neurons with unidirectional linear response | |
| McGregor | Neural network processing for multiset data | |
| Touzet et al. | Application of connectionist models to fuzzy inference systems | |
| Galushkin et al. | Neural network expert system | |
| Teodorescu et al. | Neuro-fuzzy systems: hybrid configurations | |
| JPH0744195A (ja) | 音声認識用リカレントニューラルネットワーク | |
| JP3296609B2 (ja) | メンバーシップ関数を出力するニューラルネットワーク |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |