JP3727680B2 - Fuzzy reasoning apparatus and fuzzy reasoning method - Google Patents

Description

（θ：普遍集合、
Ａi （i ＝1,2,…）：θの部分集合）
２）焦点要素は、以下の条件を満たすＡi である。
【０００７】
ｍ（Ａi ）＞ 0 （３）
３）下界確率
【数２】

４）上界確率
【数３】

Ａの確信度は最小でもＢel（Ａ）、最大でも 1−Ｂel（Ａc ）であることを示す。
【０００８】
以下に、これらの基本概念を図２２に示す例を用いて説明する。
【０００９】
以下の例では、起こりうる可能性のある要素をａ1 〜ａ6 とし、その全集合をθ、その部分集合Ａ1 〜Ａ6 とする。
【００１０】
θ＝｛ａ1 ，ａ2 ，ａ3 ，ａ4 ，ａ5 ，ａ6 ｝
Ａ1 ＝｛ａ2 ｝
Ａ2 ＝｛ａ4 ｝
Ａ3 ＝｛ａ1 ，ａ2 ，ａ3 ｝
Ａ4 ＝｛ａ4 ，ａ5 ｝
Ａ5 ＝｛ａ2 ，ａ3 ，ａ4 ，ａ5 ｝
Ａ6 ＝｛ａ1 ，ａ2 ，ａ3 ，ａ4 ，ａ5 ，ａ6 ｝
これらの部分集合に対して、以下の図２２に示すように基本確率ｍ（Ａi ）が割り当てられたとする。
【００１１】
以下では、この基本確率が割り当てられた部分集合（焦点要素）と基本確率の組を以下のようなリストで表現することにする。
【００１２】
（（（ａ2 ）0.1 ）
（（ａ4 ）0.2 ）
（（ａ1 ，ａ2 ，ａ3 ）0.1 ） （７）
（（ａ4 ，ａ5 ）0.3 ）
（（ａ2 ，ａ3 ，ａ4 ，ａ5 ）0.1 ）
（（ａ1 ，ａ2 ，ａ3 ，ａ4 ，ａ5 ，ａ6 ）0.2 ））
この時、例えば、図２２の部分集合Ａ4 ＝｛ａ4 ，ａ5 ｝の下界、上界確率とbelief interval は次のようになる。
【００１３】
・下界確率
【数４】

・上界確率
【数５】

・belief interval
【数６】

Ａ4 、すなわち｛ａ4 ，ａ5 ｝である確率は最小でも0.5 、場合によって最大0.8 までは上昇する可能性があることを示す。
【００１４】
（Dempsterの結合規則）
この規則は、独立な証拠から推論された基本確率を統合する方法である。
【００１５】
【数７】

ｍ1 ，ｍ2 ：互いに独立な証拠に基づいて得られた基本確率
Ｅ1 i ，Ｅ2 j (i,j＝0,1,2,…):ｍ1 ，ｍ2 の焦点要素
式（８）のDempsterの結合規則により各々の基本確率が統合され、新たな基本確率が求まる。
【００１６】
また、結合規則を適用したときに、空集合に対して基本確率が割り当てられる場合がある。しかし、基本確率の前提条件として、空集合の基本確率は0 であるため、その量だけ矛盾していることになる。そのために全体から矛盾した量を引いた量で他の基本確率を割り、正規化する必要がある。その操作を上式の分母で行っている。
【００１７】
以下の図２２に、このDempsterの結合規則を用いて、二つの独立な証拠

を結合する様子を示す。ここで、前述のように、リスト（９）は、証拠Ｅ1 の焦点要素Ｅ1 1 には基本確率0.9 が、焦点要素Ｅ1 2 には基本確率0.1 が割り当てられていることを示している。
【００１８】
図２３によると、二つの独立な証拠Ｅ1 とＥ2 の結合結果は、
（（（ａ2 ）0.72）
（（ａ1 ，ａ2 ，ａ3 ）0.08）
（（ａ2 ）0.18） （１１）
（（ａ2 ，ａ3 ，ａ4 ，ａ5 ）0.02））
となる。ここで、このリスト（１１）の第一リスト
（（ａ2 ）0.72）
と、第三リスト
（（ａ2 ）0.18）
は、焦点要素が（ａ2 ）で等しいので、両者をまとめる。よって、最終的な統合結果は、
（（（ａ2 ）0.90）
（（ａ1 ，ａ2 ，ａ3 ）0.08） （１２）
（（ａ2 ，ａ3 ，ａ4 ，ａ5 ）0.02））
となる。
【００１９】
さらに、近年、多くの知識処理システムにおいて、言葉の意味や定義に存在するあいまいさを表現するためにファジィ論理が盛んに用いられている。以下に、ファジィ論理を簡単に説明する。
【００２０】
［ファジィ論理］
ファジィ論理では、真か偽かの二値では表現が難しい概念をメンバーシップ関数を用いて表現している。
【００２１】
例えば、「普通の成績の子」という表現はあいまいなものであり、厳密にこれを規定しようとすれば、「平均評点が 2.5以上 3.5未満の子」などという表現をしなければならない。しかし、日常ではあいまいさを持った表現が大多数であり、受けとる方も暗黙の了解としてそのあいまいさを許容している。今、「普通の成績の子」という概念をメンバーシップ関数を用いて表現すると図２４の（ａ）のようになる。この（ａ）で表現された集合をファジィ集合と呼ぶ。このグラフからみると、評点が 2.5の子の帰属度は 0.5であり、これが 3.0に進むにつれてだんだん 1.0に近づき、再び 1.0から遠ざかり、 3.5の子の帰属度は 0.5である。すなわち、厳密な表現での値はその表現に属しているか否かで、 0か 1かのいずれかであったが、ファジィ集合ではその値を 0から 1までの任意の帰属度で定めている。すなわち、図２４の（ａ）のグラフでは、完全に「普通の成績の子」の表現をみたすものは、評点が 3の子であり、その幅は広い範囲に渡っている。前記の「平均評点が 2.5以上 3.5未満の子」のような厳密な表現をした場合は、図２４の（ｂ）のように表現することができる。すなわち、ファジィ集合の枠組で従来の厳密な表現をすることも可能である。図２４の（ｂ）のような厳密な表現をする集合を通常のファジィ集合と区別する場合は、この集合を「クリスプ集合」と呼ぶ。このようなファジィ論理は、より人間的なあいまいな判断と意思決定が要求される分野で盛んに用いられている。
【００２２】
ところで、Ｄ−Ｓ推論を用いたシステムに与えられる観測データは、「降雨量10ｍｍ」のような数値形式のものが多い。これに対し、Ｄ−Ｓ推論においては、「小雨である可能性は90％で、小雨か中位の雨である可能性は10％である。」といった不確実性を伴う観測データが入力値として要求される。このように、与えられる観測データとＤ−Ｓ推論の入力値との間には大きな差が存在しており、何らかの「あいまいな判断知識」を用いて観測データからＤ−Ｓ推論の入力値へ形式変換をする前処理が必要である。Ｄ−Ｓ推論の前処理であるこのデータ変換を「焦点要素への基本確率の割り当て」という。
【００２３】
しかし、従来の「焦点要素への基本確率の割り当て」は、人間が観測データを主観的に判断して基本確率値を創造するか、もしくは、「総雨量が10ｍｍであるならば、小雨である可能性は90％である。」というようなクリスプ的な知識を計算機に記憶させることによって割り当てられていた。このため、計算機は、「総雨量が10ｍｍであるならば、小雨である可能性は90％で、小雨か中位の雨である可能性は10％である。」というような人間の「あいまいな判断知識」を有効に利用して基本確率を割り当てられなかった。
【００２４】
そこで、例えば特開平２ー２７８４３１号公報では、推論に要するプロダクションルールの前件部のみをファジ集合を用いてあいまいさを含んだ記述とし、推論結果はDempsterの結合規則を用いて導き出す手法が提唱されている。
【００２５】
しかしながら、かかる手法では、例えば取り扱う問題や観測データの種類に変更がある場合等に、その都度装置を構成し直す必要がある。また、推論に必要な各種の手続きの追加等の知識の修正が必ずしも容易ではない。
【００２６】
【発明が解決しようとする課題】
本発明は、上記課題を解決するためになされたもので、取り扱う問題や観測データの種類の変更に応じて簡単に装置を構成することができ、しかも推論に必要な各種の手続きの追加等の知識の修正が容易なあいまい推論装置及びあいまい推論方法を提供することを目的とする。
【００２７】
また、本発明の別の目的は、より迅速にあいまい推論を処理することができるあいまい推論装置及びあいまい推論方法の提供にある。
【００２８】
【課題を解決するための手段】
上記の目的を達成するため、本発明のあいまい推論装置は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のデータ変換手段と、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のデータ変換手段と、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合するデータ統合手段と、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第３のデータ変換手段と、Dempster-Shaferの確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出するデータ算出手段と、推論全体処理における、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段の処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクが与えられて推論手順を決定する推論手順生成手段と、
前記決定された推論手順と前記処理手続き情報とに従って、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段を選択して起動する実行管理手段とを具備する。
【００２９】
また、本発明のあいまい推論装置は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のデータ変換手段と、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のデータ変換手段と、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合するデータ統合手段と、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第３のデータ変換手段と、Dempster-Shaferの確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出するデータ算出手段と、推論全体処理における、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段の処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクが与えられて推論手順を決定する推論手順生成手段と、前記ファジィ推論に必要なメンバーシップ関数および前記各変換規則リストを入力する入力手段と、確信度付きの前記第１のデータリストのひな形を生成する手段と、前記決定された推論手順と前記処理手続き情報とに従って、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段を選択して起動する実行管理手段とを具備し、前記起動された前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、および前記データ算出手段が、前記入力されたメンバーシップ関数、各変換規則リスト、または前記生成された第１のデータリストのひな型を必要に応じて利用する。
【００３０】
本発明のあいまい推論装置は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のデータ変換手段と、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のデータ変換手段と、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合するデータ統合手段と、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第３のデータ変換手段と、Dempster-Shaferの確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出するデータ算出手段と、推論全体処理における、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段の処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクが与えられて推論手順を逐次的に決定する推論手順生成手段と、前記逐次的に決定された推論手順と前記処理手続き情報とに従って、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、および前記データ算出手段のうち選択して起動すべき手段を逐次的に決定する決定手段と、前記決定された手段を起動する実行管理手段とを具備する。
【００３１】
本発明のあいまい推論装置は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のデータ変換手段と、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のデータ変換手段と、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合するデータ統合手段と、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第３のデータ変換手段と、Dempster-Shaferの確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出するデータ算出手段と、前記ファジィ推論に必要なメンバーシップ関数および前記各変換規則リストを入力する入力手段と、確信度付きの前記第１のデータリストのひな形を生成する手段と、推論全体処理における、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段の処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクが与えられて推論手順を逐次的に決定する推論手順生成手段と、前記逐次的に決定された推論手順と前記処理手続き情報とに従って、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、および前記データ算出手段のうち選択して起動すべき手段を逐次的に決定する決定手段と、前記決定された手段を起動する実行管理手段とを具備し、前記起動された前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、および前記データ算出手段が、前記入力されたメンバーシップ関数、各変換規則リスト、または前記生成された第１のデータリストのひな型を必要に応じて利用する。
【００３２】
本発明のあいまい推論装置は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のデータ変換手段と、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のデータ変換手段と、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合するデータ統合手段と、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第３のデータ変換手段と、Dempster-Shaferの確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出するデータ算出手段と、推論全体処理における、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段の処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクに応じて、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段を適宜選択して起動する手段とを具備する。
【００３３】
本発明のあいまい推論装置は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のデータ変換手段と、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のデータ変換手段と、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合するデータ統合手段と、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第３のデータ変換手段と、Dempster-Shaferの確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出するデータ算出手段と、推論全体処理における、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段の処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクを入力する手段と、前記入力された推論全体処理の部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクに応じて、前記第１のデータ変換手段、前記第２のデータ変換手段、前記データ統合手段、前記第３のデータ変換手段、または前記データ算出手段を適宜選択して起動する手段とを具備する。
【００３４】
また、上記のあいまい推論装置において、推論のもとデータたる前記観測データが、少なくとも所定の地域の気象データを含む、としてもよい。
【００３５】
本発明のあいまい推論方法は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のステップと、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のステップと、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合する第３のステップと、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第４のステップと、Dempster-Shafer の確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出する第５のステップとを具備し、推論全体処理における、前記第１、第２、第３、第４、または第５ステップの処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクに応じて、前記第１、第２、第３、第４、または第５のステップを適宜選択して実行する。
【００３６】
また、本発明のあいまい推論方法は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のステップと、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のステップと、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合する第３のステップと、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第４のステップと、Dempster-Shafer の確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出する第５のステップとを具備し、推論全体処理における、前記第１、第２、第３、第４、または第５ステップの処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクに応じて推論手順を決定し、前記決定された推論手順と前記処理手続き情報とに従って、前記第１、第２、第３、第４、または第５のステップを選択して実行する。
【００３８】
本発明のあいまい推論方法は、ファジィ推論に基づき、推論のもとデータたる観測データから確信度付きで、Dempster-Shaferの確率理論における焦点要素リストを第１のデータリストとして求める第１のステップと、前記観測データで用いられる事象を機動性の事象に変換するための変換規則リストに基づき、確信度付きの前記焦点要素リストを確信度付きの第２のデータリストに変換する第２のステップと、Dempsterの結合規則に基づき、確信度付きの複数の前記第１または第２のデータリストを確信度付きの第３のデータリストに統合する第３のステップと、統合結果を翻訳する変換規則リストに基づき、確信度付きの前記第３のデータリストを確信度付きの第４のデータリストに変換する第４のステップと、Dempster-Shafer の確率理論に基づき、確信度付きの前記第４のデータリストから上界確率及び下界確率付きの第５のデータリストを算出する第５のステップとを具備し、推論全体処理における、前記第１、第２、第３、第４、または第５ステップの処理手続き情報を伴った部分化モジュールそれぞれおよび該部分化モジュール間の関係リンクに応じて推論手順を逐次的に決定し、前記逐次的に決定された推論手順と前記処理手続き情報とに従って、前記第１ないし第５のステップのうち選択して実行すべきステップを逐次的に決定し、前記決定されたステップを実行する。
【００３９】
【作用】
本発明では、あいまい推論の処理を上記５つの手続き（これに対応する手段も含む）に分け、推論の内容に応じてこれらの手続きを組み合わせてあいまい推論を実行するように構成しているので、取り扱う問題や観測データの種類の変更に応じて簡単に装置を構成することができ、しかも推論に必要な各種の手続きの追加等の知識の修正が容易である。
【００４０】
また、推論すべき内容に応じてこれらの手続きの起動順序を決定し、決定した起動順序に従って、これらの手続き順次起動して推論を実行するように構成しているので、推論実行中の処理をその確信度の計算と更新処理のみに軽減でき、推論の高速化をはかることができる。
【００４１】
さらに、あいまい推論の実行中に、これらの手続きのうち起動して実行すべき手続きを逐次的に決定し、決定した手続きを起動して実行するよう構成しているので、先に入力された観測データの処理を次の観測データが入力されるのに先立ち進めておくことができ、例えば観測データが連続的にではなく間欠的に入力されるような場合に推論処理をより迅速に行うことができる。
【００４２】
【実施例】
以下、本発明の実施例を図面に基づいて説明する。
【００４３】
図１は本発明の一実施例に係るあいまい推論装置の構成を示す図である。なお、この実施例では、「降雨量」と「道路の混雑状況」という二つの観測データから機動性コストを計算する例について説明する。ここで、機動性コストとは、ある地点における自動車での移動のしやすさを示す指標である。
【００４４】
図１に示すあいまい推論装置は、データフローダイヤグラム１１をもとに各メソッドの起動順番を決定する推論手順生成部１と、推論の初期設定を行なう推論前処理実行部２と、該当するメソッドに起動命令を発行する推論実行管理部３と、あいまい推論を行なうための演算式が手続き的知識として記述するメソッド４〜７と、入力された環境値をＤ−Ｓ理論の入力値に変換するファジィ推論実行部８と、Ｄ−Ｓ理論を用いて、不確実性を含む情報を統合し、あいまい推論を実行するＤ−Ｓ推論実行部９とを有している。
【００４５】
メソッド４〜７は、入力型４、翻訳型５、統合型６、解釈型７の四種類で構成され、推論実行管理部３によって選択される。入力型のメソッド４にはファジィ推論を利用することによりＤ−Ｓ理論の焦点要素に基本確率を割り当てる手続きが記述され、翻訳型５、統合型６、解釈型７のメソッドにはＤ−Ｓ理論に基づいた推論手続きが記述されている。すなわち、翻訳型５のメソッドは、変換規則リストに基づき、確信度付きのデータリストの変換を行う。統合型６のメソッドは、Dempsterの結合規則に基づき、複数の種類の観測データに対応する複数の種類の確信度付きのデータリストを統合する。解釈型７のメソッドは、Ｄ−Ｓの確率理論に基づき、統合されたデータリストから上界確率及び下界確率付きのデータリストを算出する。
【００４６】
このあいまい推論装置の記憶領域であるオブジェクト情報１０は、各オブジェクトの属性値と推論手順生成部１で作成された推論手順と、オブジェクト間の関係を表現したデータフローダイヤグラム１１と、入力オブジェクトの処理で用いられる普遍集合１２と、翻訳オブジェクトの処理で必要とされる変換規則１３と、ファジィ推論に用いられるメンバーシップ関数１４と、推論のもとデータとなる観測データを格納する環境値１５と、推論実行管理部３で算出された推論中間結果のデータを保存する。そして、推論実行管理部３で算出された推論最終結果は推論結果１６に格納する。
【００４７】
データフローダイヤグラム１１は、例えば図２に示すように２つの観測データを統合する推論全体処理をモジュールに部分化し、各モジュールを関係リンクでつないだものである。ちなみに、図２に示すデータフローダイヤグラム１１は、「降雨量」と「道路の混雑状況」という二つの観測データから起動性コストを算出する推論過程を示している。この推論過程は、入力、翻訳、統合、解釈という四つの処理に分解される。オブジェクト情報１０の内部では、分解された処理の各々が一つのオブジェクトとして表現される。これらの各オブジェクトの内容を図示したものが図３である。同図に示す各オブジェクトは、そのオブジェクトにおける処理結果リストやその処理過程で利用される情報を格納する属性Ｏ11、Ｏ12、Ｏ21、Ｏ22、Ｏ31、Ｏ32、Ｏ41、Ｏ42、Ｏ51、Ｏ61、Ｏ62、Ｏ71とその処理手続きが記述されているメソッドＯ13、Ｏ23、Ｏ33、Ｏ43、Ｏ52、Ｏ63、Ｏ72を格納している。
【００４８】
本実施例のあいまい推論装置では、この データフローダイヤグラム１１と、観測データとＤ−Ｓ理論の焦点要素との対応についての人間のあいまいな判断を表現した例えば図４に示すようなメンバーシップ関数が、ユーザによってあらかじめ作成されている。
【００４９】
次に、このように構成されたあいまい推論装置の動作を説明する。
【００５０】
図５はこのあいまい推論装置における全体処理の手順を示している。すなわち、本実施例における処理は、初期設定（ステップＳ１）とメソッド動作（ステップＳ２〜Ｓ７）と後処理（ステップＳ８）の三つに大別することができる。ここで、図６〜図９に初期設定の詳細手順を、図１０〜図１３に各メソッドの詳細手順を、図１４にメソッド１におけるファジィ推論実行部分の詳細手順を示す。
【００５１】
まずはじめに、初期設定を行なう（図５ステップＳ１）。
【００５２】
初期設定は、推論手順の決定（図６ステップＴ１）、データの読み込み（図６ステップＴ２）、リストの初期化（図６ステップＴ３）の三つの処理に分けられる。
【００５３】
第一に、推論手順生成部１において、データフローダイヤグラム１１に基づいて推論手順を決定する（図６ステップＴ１）。本実施例におけるデータフローダイヤグラムでは、図３に示したように
１．入力（降雨量）
２．翻訳（降雨量）
３．入力（道路の混雑状況）
４．翻訳（道路の混雑状況） （１３）
５．統合
６．翻訳（統合結果）
７．解釈
のように推論手順を決定する。そして、その決定結果はリスト形式でオブジェクト情報１０に蓄える（図７ステップＵ１〜Ｕ３）。すなわち、図２に示すようなオブジェクトのデータフローダイヤグラムの関係リンク情報を取得し（図７ステップＵ１）、この取得した関係リンク情報に基づき処理順番リストを作成し（図７ステップＵ２）、この作成した処理順番リストをオブジェクト情報１０に蓄える（図７ステップＵ３）。
【００５４】
第二に、推論前処理実行部２において、推論過程で必要とされるデータ（普遍集合データ１２、変換規則データ１３、メンバーシップ関数データ１４）を各々読み込み、オブジェクト情報１０に蓄える（図８ステップＶ１〜Ｖ３）。
【００５５】
普遍集合データ１２とは、各観察データで用いられる事象を要素とする全体集合に関するデータを意味する。本実施例において、「降雨量」の普遍集合データとは、

という三つの事象を要素とする集合であり、「道路の混雑状況」では、

である。
【００５６】
また、変換規則データ１３とは、
（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ ＨＥＡＶＹ−ＲＡＩＮ）などの事象を機動性の事象
（ＦＡＳＴ ＮＯＲＭＡＬ ＳＬＯＷ）
に変換する規則であり、翻訳オブジェクトで用いられる。例えば、翻訳（降雨量）オブジェクト（図３のＯ2 ）の変換規則データは、
（（ＬＩＧＨＴ−ＲＡＩＮ ＦＡＳＴ）
（ＭＯＤＥＲＡＴＥ−ＲＡＩＮ ＮＯＲＭＡＬ） （１６）
（ＨＥＡＶＹ−ＲＡＩＮ ＳＬＯＷ））
であり、翻訳（道路の混雑状況）オブジェクト（図３のＯ4 ）の変換規則データは、
（（ＬＩＧＨＴ−ＣＲＯＷＤＥＤ ＦＡＳＴ）
（ＭＯＤＥＲＡＴＥ−ＣＲＯＷＤＥＤ ＮＯＲＭＡＬ） （１７）
（ＨＥＡＶＹ−ＣＲＯＷＤＥＤ ＳＬＯＷ））
である。例えば、リスト（１６）の
（ＬＩＧＨＴ−ＲＡＩＮ ＦＡＳＴ）
は、「ＬＩＧＨＴ−ＲＡＩＮをＦＡＳＴに変換する。」という変換規則を表している。同様に、翻訳（統合結果）オブジェクト（図３のＯ6 ）の変換規則データも、
（（ＦＡＳＴ＆ＦＡＳＴ ＦＡＳＴ）
（ＦＡＳＴ＆ＮＯＲＭＡＬ ＮＯＲＭＡＬ）
（ＮＯＲＭＡＬ＆ＮＯＲＭＡＬ ＮＯＲＭＡＬ）
（ＮＯＲＭＡＬ＆ＦＡＳＴ ＮＯＲＭＡＬ）
（ＦＡＳＴ＆ＳＬＯＷ ＳＬＯＷ） （１８）
（ＳＬＯＷ＆ＦＡＳＴ ＳＬＯＷ）
（ＮＯＲＭＡＬ＆ＳＬＯＷ ＳＬＯＷ）
（ＳＬＯＷ＆ＮＯＲＭＡＬ ＳＬＯＷ）
（ＳＬＯＷ＆ＳＬＯＷ ＳＬＯＷ））
のように示される。これらの変換規則リストは対応するオブジェクトの属性（変換規則）（図３のＯ22, Ｏ42, Ｏ62) に格納する。
【００５７】
メンバーシップ関数データ１４とは、各環境要因に関するメンバーシップ関数を定義するデータである。例えば、「降雨量」に関するメンバーシップ関数データは、以下のようなリスト形式で表現される。
【００５８】

このリスト（１９）中の各リストは、
((焦点要素)(帰属度の最大値 第一定義点 第二定義点 第三定義点、第四定義点)))
の形式になっており、図４のようなメンバーシップ関数を表している。また、第一〜四定義点は、「12時間以内に降った雨の総雨量」を示しており、その単位はｍｍである。同様に「道路の混雑状況」に関しても、

のように定義される。上記リスト（２０）の第一〜四定義点は、「 5ｋｍ先に進むのに必要な時間」を示しており、その単位は分である。これらのメンバーシップ関数リスト（１９）（または、２０）は対応する入力オブジェクトの属性（メンバーシップ関数）（図３のＯ12，Ｏ32）に格納する。
【００５９】
第三に、推論前処理実行部２において、入力、翻訳、統合、解釈の各オブジェクトごとにリストの初期化を行なう。（図６ステップＴ３）。
【００６０】
まず、入力オブジェクト（図３のＯ1，Ｏ3）のリストの初期化を行なう。すなわち、先に読み込まれた普遍集合データ（１４）（または、（１５））に基づき、Ｄ−Ｓ理論における焦点要素リストを生成する（図９ステップＷ１）。ここで、生成する焦点要素リストは、普遍集合リスト（１４）の事象の全ての部分集合（空集合は除く）を含むリストである。以下に、「降雨量」に関する焦点要素リスト（２１）と「道路の混雑状況」に関する焦点要素リスト（２２）を示す。
（（（ＬＩＧＨＴ−ＲＡＩＮ）0）
（（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）0）
（（ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）0）
（（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ ＨＥＡＶＹ−ＲＡＩＮ）0）
（（ＭＯＤＥＲＡＴＥ−ＲＡＩＮ ＨＥＡＶＹ−ＲＡＩＮ）0）
（（ＨＥＡＶＹ−ＲＡＩＮ）0）
（（ＬＩＧＨＴ−ＲＡＩＮ ＨＥＡＶＹ−ＲＡＩＮ）0）） （２１）
（（（ＬＩＧＨＴ−ＣＲＯＷＤＥＤ）0）
（（ＬＩＧＨＴ−ＣＲＯＷＤＥＤ ＭＯＤＥＲＡＴＥ−ＣＲＯＷＤＥＤ）0）
（（ＭＯＤＥＲＡＴＥ−ＣＲＯＷＤＥＤ）0）
（（ＬＩＧＨＴ−ＣＲＯＷＤＥＤ ＭＯＤＥＲＡＴＥ−ＣＲＯＷＤＥＤ ＨＥＡＶＹ−ＣＲＯＷＤＥＤ）0）
（（ＭＯＤＥＲＡＴＥ−ＣＲＯＷＤＥＤ ＨＥＡＶＹ−ＣＲＯＷＤＥＤ）0）
（（ＨＥＡＶＹ−ＣＲＯＷＤＥＤ）0）
（（ＬＩＧＨＴ−ＣＲＯＷＤＥＤ ＨＥＡＶＹ−ＣＲＯＷＤＥＤ）0））
（２２）
なお、各リストの最後に付置されている数値0は、各事象が生じる可能性（確信度）を意味している。例えば、リスト（２２）の（（ＬＩＧＨＴ−ＣＲＯＷＤＥＤ）0）は、「そのメッシュ地点の道路が軽い渋滞をしている可能性は 0％である。」と解釈される。
【００６１】
翻訳オブジェクト（図３のＯ2 ，Ｏ4 ，Ｏ6 ）のリストの初期化も入力オブジェクトと同様に行なう。すなわち、先に読み込まれた変換規則データ（１６）
（または、（１７））に基づき、リストを生成する（図９ステップＷ２）。
【００６２】
この翻訳オブジェクトで生成されるリストは、そのアトムが機動性を意味するものに変換されたもので、「降雨量」の場合も「道路の混雑状況」の場合も同様に
（（（ＦＡＳＴ）0 ）
（（ＦＡＳＴ ＮＯＲＭＡＬ）0 ）
（（ＮＯＲＭＡＬ）0 ）
（（ＦＡＳＴ ＮＯＲＭＡＬ ＳＬＯＷ）0 ） （２３）
（（ＮＯＲＭＡＬ ＳＬＯＷ）0 ）
（（ＳＬＯＷ）0 ）
（（ＦＡＳＴ ＳＬＯＷ）0 ））
である。
【００６３】
統合オブジェクト（図３のＯ5 ）の初期化は、「降雨量」と「道路の混雑状況」の二つの上位オブジェクトで初期化されたリスト（２３）を用いて行なう。すなわち、統合オブジェクトで生成されるリスト（２４）は、以下に示すように、二つの上位オブジェクトのリスト（２３）のアトムを＆でつないだアトムを含んだ49個のリストから構成される（図９ステップＷ３）。（（（ＦＡＳＴ＆ＦＡＳＴ）0 ）

解釈オブジェクト（図３のＯ7 ）におけるリストの初期化では、以下のリスト（２５）を生成する（図９ステップＷ４）。
【００６４】
（（（ＦＡＳＴ）0 0 ）
（（ＮＯＲＭＡＬ）0 0 ） （２５）
（（ＳＬＯＷ）0 0 ）
解釈オブジェクトでは、Ｄ−Ｓ理論の上界、下界確率が求められるため、上記リスト（２５）のように、各リストの最後に上界、下界確率を格納できるように0 を二箇所に設定する。次に、推論実行管理部３において、起動されるべきメソッドを選択する。オブジェクト情報１０に格納された推論手順（１３）に従い、推論手順の先頭にある入力（降雨量）オブジェクトのメソッド（図３のＯ13）に従い、推論手順の先頭にある入力（降雨量）オブジェクトのメソッド（図３のＯ13）を選択する（図５ステップＳ２）。
【００６５】
入力（降雨量）オブジェクトのメソッドの型を調べ、それが入力型のメソッド１であることを確認する（図５ステップＳ３）。
【００６６】
そこで、メソッド１を実行する（図５ステップＳ４）。
【００６７】
メソッド１は、最初に焦点要素リスト（２１）の基本確率が0 になるように初期化する。今回は焦点要素リスト（２１）の基本確率が生成時に0 に設定されているので、何も処理を行なわない（図１０ステップＡ１）。
【００６８】
次に、環境値１５を読み込む。「降雨量」の環境値は、「そのメッシュ地点において12時間以内に降った雨の総雨量（単位：ｍｍ）」であるとし、 0〜 100ｍｍで与えられる。この実施例では、「降雨量」が「17ｍｍ」と与えられたとする（図１０ステップＡ２）。
【００６９】
ここで、先ほど読み込まれたメンバーシップ関数リスト（１９）を取得する
（図１０ステップＡ３）。
【００７０】
以上で一通りの準備が整い、ファジィ推論を実行する（図１０ステップＡ４）。
【００７１】
ファジィ推論の実行では、まず、メンバーシップ関数に環境値を読み込む。この様子を図１５に示す（図１４ステップＢ１）。
【００７２】
図１５において、入力された環境値は太線で示されている。この太線は、
（ＬＩＧＨＴ−ＲＡＩＮ）と（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ− ＲＡＩＮ）
の二つのメンバーシップ関数と交わっており、その交点の対応する帰属度は、
（ＬＩＧＨＴ−ＲＡＩＮ）が1.0 、
（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）が0.11
であることがわかる。そこで、
（（ＬＩＧＨＴ−ＲＡＩＮ）1.0 ）
（（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）0.11）
のように各焦点要素に一時的に帰属度が割り当てられる（図１４ステップＢ２）。
【００７３】
次に、各焦点要素の帰属度を全て焦点要素の帰属度の和で割り、この各焦点要素に一時的に割り当てられた帰属度を正規化し、基本確率を割り当てる。すなわち、（ＬＩＧＨＴ−ＲＡＩＮ）に関しては、
【数８】

となり、（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）に関しては、
【数９】

のようになる（図１４ステップＢ３）。
【００７４】
以上のように、（ＬＩＧＨＴ−ＲＡＩＮ）に0.9 、（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）に0.1 の基本確率が割り当てられ、前記焦点要素リスト（２１）の基本確率を

のように更新する（図１０ステップＡ５）。
【００７５】
次に、ファジィ推論を用いた入力オブジェクトの処理で生成されたリスト（２８）を、処理結果リストとして自オブジェクトの属性（処理結果）に格納する
（図１０ステップＡ６）。
【００７６】
ここで、処理はメソッドの選択に戻り、推論手順（１３）に従い、次の翻訳
（降雨量）オブジェクトのメソッド（図３のＯ23）を選択する（図５ステップＳ２）。
【００７７】
翻訳（降雨量）オブジェクトのメソッドそれは翻訳型のメソッド２である（図５ステップＳ３）。
【００７８】
そして、メソッド２を実行する（図５ステップＳ４）。
【００７９】
メソッド２は、最初に初期設定時（図５ステップＳ１）に生成したリスト（２３）の確信度が 0になるように初期化する。メソッド１と同様に、今回は、このリスト（２３）の確信度が生成時に 0に設定されているので、何も処理を行なわない（図１１ステップＸ１）。
【００８０】
次に、先ほど読み込まれ自オブジェクトの属性（変換規則）に格納されていた変換規則リスト（１６）を取得する（図１１ステップＸ２）。
【００８１】
さらに、上位オブジェクトの属性（処理結果）のリストから各焦点要素の基本確率を取得する。翻訳（降雨量）オブジェクトの上位オブジェクトとは、図３のデータフローダイヤグラムに示されているように入力（降雨量）オブジェクト（図３のＯ1 ）である。すなわち、ここで取得される基本確率は、入力（降雨量）オブジェクトの焦点要素リスト（２８）の
（（ＬＩＧＨＴ−ＲＡＩＮ）0.9 ）
（（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）0.1 ）
である（図１１ステップＸ３）。
【００８２】
そして、変換規則リストを参照しながら、自オブジェクトの属性（処理結果）リストの確信度を更新する。取得した変換規則リスト（１６）では、
「ＬＩＧＨＴ−ＲＡＩＮはＦＡＳＴに、ＭＯＤＥＲＡＴＥ−ＲＡＩＮは
ＮＯＲＭＡＬに、ＨＥＡＶＹ−ＲＡＩＮはＳＬＯＷに変換する」
という規則が記述されている。従って、自オブジェクトの属性（処理結果）に格納されたリスト（２３）の中で
（（ＬＩＧＨＴ−ＲＡＩＮ）0.9 ）
に対応する
（（ＦＡＳＴ）0 ）
の確信度 0を、先に取得された基本確率 0.9に更新し、また、
（（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）0.1 ）
に対応する
（（ＦＡＳＴ ＮＯＲＭＡＬ）0 ）
の確信度 0を、先に取得された基本確率 0.1に更新する。以上の操作により、以下のようなリストを得る（図１１ステップＸ４）。
【００８３】
（（（ＦＡＳＴ）0.9 ）
（（ＦＡＳＴ ＮＯＲＭＡＬ）0.1 ）
（（ＮＯＲＭＡＬ）0 ）
（（ＦＡＳＴ ＮＯＲＭＡＬ ＳＬＯＷ）0 ） （２９）
（（ＮＯＲＭＡＬ ＳＬＯＷ）0 ）
（（ＳＬＯＷ）0 ）
（（ＦＡＳＴ ＳＬＯＷ）0 ））
この処理結果リスト（２９）を自オブジェクトの属性（処理結果）に格納する（図１１ステップＸ５）。
【００８４】
再び、処理はメソッドの選択に戻り、推論手順（１３）に従い、次の入力（道路の混雑状況）オブジェクトのメソッド（図３のＯ33）を選択する（図５ステップＳ２）。
【００８５】
そして、そのメソッド１（図５ステップＳ３）の処理が終了する（図５ステップＳ４）と、次の（道路の混雑状況）オブジェクトのメソッド（図３のＯ43）を選択する（図５ステップＳ２）。
【００８６】
同様に、メソッド２（図５ステップＳ３）の処理が実行され（図５ステップＳ５）、メソッドの選択に戻ってくる（図５ステップＳ２）。
【００８７】
この「道路の混雑状況」に関する入力・翻訳処理は、「降雨量」と同様の処理なので詳細は省略する。ただし、「道路の混雑状況」の環境値は、「そのメッシュ地点から 5ｋｍ先に進むのに必要な時間（単位：分）」であるとし、本実施例では、「 7分」と入力されたとする。図１６は、「道路の混雑状況」のメンバーシップ関数に環境値が入力された状況を示している。先の「降雨量」の基本確率の割り当てと全く同様な処理をし、入力（道路の混雑状況）オブジェクトの属性（処理結果）に、以下のような焦点要素リスト（３０）

を格納する。また、翻訳（道路の混雑状況）オブジェクト（図３のＯ4 ）においても、翻訳（降雨量）オブジェクト（図３のＯ2 ）における処理と全く同様の処理がなされ、その属性（処理結果）には、処理結果リスト（２９）を格納する。
ここまでで、推論手順（１３）の
「４．翻訳（道路の混雑状況）」
までの処理が終了し、次の統合オブジェクトのメソッド（図３のＯ52）を選択する（図５ステップＳ２）。
【００８８】
統合オブジェクトのメソッドの型は、統合型であるので（図５ステップＳ３）、メソッド３を実行する（図５ステップＳ６）。
【００８９】
メソッド３においても、まず、自オブジェクトの属性（処理結果）に格納されているリスト（２４）の確信度の初期化を、メソッド１、２の場合と同様にする（図１２ステップＹ１）。
【００９０】
次に、二つの上位オブジェクトの属性（処理結果）のリストから確信度を取得する。ここで、図３を参照するとわかるように、統合オブジェクトだけが直接リンクで結ばれた上位オブジェクトを二つ持っていることが重要である。すなわち、翻訳（降雨量）オブジェクト（図３のＯ2 ）と翻訳（道路の混雑状況）オブジェクト（図３のＯ4 ）の属性（処理結果）に各々格納されているリスト（２９）の確信度
（（ＦＡＳＴ）0.9 ）
（（ＦＡＳＴ ＮＯＲＭＡＬ）0.1 ）
を取得する（図１２ステップＹ２）。
【００９１】
本実施例では、翻訳（降雨量）オブジェクトから取得された確信度と翻訳（道路の混雑状況）オブジェクトからの確信度は偶然一致している。
【００９２】
次に、取得した二つの確信度を統合する。この統合の様子を図１７に示す。図１７は、翻訳（降雨量）オブジェクトの処理結果リストと翻訳（道路の混雑状況）オブジェクトの処理結果リスト（２９）の中で焦点要素の確信度が 0でないものどうしの積を取ったような形になっている。そして、次のように自オブジェクトの属性（処理結果）のリスト（２４）を更新し、処理結果リストを生成する（図１２ステップＹ３）。
【００９３】

ここで、実際はこのリストは内部に49個のリストを含んでいるが、確信度が 0の事象に関するリストは省略する。
【００９４】
次に、翻訳（統合結果）オブジェクトのメソッド（図３のＯ63）を選択する
（図５ステップＳ２）。
【００９５】
このメソッドは、翻訳型であるので（図５ステップＳ３）、先の翻訳（降雨量）オブジェクトや翻訳（道路の混雑状況）オブジェクトと同様にメソッド２を実行する（図５ステップＳ５）。翻訳（降雨量）・翻訳（道路の混雑状況）オブジェクトと異なる点は、変換規則としてリスト（１８）を用いている点である。この変換規則リスト（１８）によると、

であるから、（＊）の後件は同じ（ＦＡＳＴ ＮＯＲＭＡＬ）を意味しており、結局、

のように対応することになる。従って、上位オブジェクトの属性（処理結果）のリスト（３１）の確信度を用いて、この翻訳（統合結果）オブジェクトの属性
（処理結果）のリスト（２３）の確信度を
（（（ＦＡＳＴ）0.81）
（（ＦＡＳＴ ＮＯＲＭＡＬ）0.19（＝0.09＋0.09＋0.01））
（（ＮＯＲＭＡＬ）0 ）
（（ＦＡＳＴ ＮＯＲＭＡＬ ＳＬＯＷ）0 ） （３２）
（（ＮＯＲＭＡＬ ＳＬＯＷ）0 ）
（（ＳＬＯＷ）0 ）
（（ＦＡＳＴ ＳＬＯＷ）0 ）
のように更新する。
【００９６】
次に、推論手順（１３）の最後に位置する解釈オブジェクトのメソッドを選択する（図５ステップＳ２）。解釈オブジェクトのメソッドの型は解釈型であるので（図５ステップＳ３）、メソッド４を実行する（図５ステップＳ７）。 メソッド４においても、まず、自オブジェクトの属性（処理結果）に格納されているリスト（２５）の上界・下界確率（確信度）の初期化を、メソッド１、２、３の場合と同様に行なう（図１３ステップＺ１）。
【００９７】
次に、上位オブジェクトの属性（処理結果）のリストから確信度を取得する。すなわち、翻訳（統合結果）オブジェクトの属性（処理結果）のリスト（３２）から
（（ＦＡＳＴ）0.81）
（（ＦＡＳＴ ＮＯＲＭＡＬ）0.19） （３３）
を取得する（図１３ステップＺ２）。
【００９８】
次に、普遍集合の各要素の上界・下界確率を算出する。ここで、普遍集合の各要素とは、（ＦＡＳＴ，ＮＯＲＭＡＬ，ＳＬＯＷ）のことである。まず、各要素の上界確率を求める。ＦＡＳＴは上記リスト（３３）の両方に含まれているので、ＦＡＳＴの上界確率は、
0.81＋0.19＝1.0 （３４）
となる。ＮＯＲＭＡＬは上記リスト（３３）の下の方のリストにしか含まれていないので、ＮＯＲＭＡＬの上界確率は、0.19である。ＳＬＯＷは上記リスト（３３）のどこにも現れないので、ＳＬＯＷの上界確率は、 0である。次に、下界確率を求める。ＦＡＳＴは上記リスト（３３）の上の方のリストで単独に現れているので、ＦＡＳＴの下界確率は、0.81である。ＮＯＲＭＡＬとＳＬＯＷは上記リスト（３３）のどちらにも単独で現れないので、ＮＯＲＭＡＬとＳＬＯＷの下界確率は、 0である。以上より、解釈オブジェクトの属性（処理結果）のリスト
（２５）は、以下のリスト（３５）を更新する（図１３ステップＺ３）。
【００９９】
（（（ＦＡＳＴ）0.81 1.0 ）
（（ＮＯＲＭＡＬ）0 0.19） （３５）
（（ＳＬＯＷ）0 0 ）
この一連の推論処理の結果、各オブジェクトで生成されたリストを格納している属性（処理結果）の内容を図１８に示す。図１８では、確信度が 0である事象は省略する。
【０１００】
ここまでは、数値形式で入力値が与えられた場合を述べた。しかし、本発明は、数値形式だけでなく、図１９に示すようなファジィ値の入力も可能である。今、図１９の網掛けで示されている部分のようなファジィ値が入力されたとする
（図１４ステップＢ１）。
【０１０１】
この入力値は、「降雨量が15〜20ｍｍである」ということを意味している。このようなファジィ入力値が与えられた場合は、以下のように処理する。
【０１０２】
この場合は、入力値の網掛け部分と交わるメンバーシップ関数の最大値にもとづいて基本確率を計算する。図１９の網掛け部分と交わっているメンバーシップ関数は、（ＬＩＧＨＴ−ＲＡＩＮ）と（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）の二つである。各々が交わっている点の最大値は
（ＬＩＧＨＴ−ＲＡＩＮ）が1.0 、
（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）が0.29
である。そこで、一時的にこれらの値を（ＬＩＧＨＴ−ＲＡＩＮ）と（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）に各々割り当てる（図１４ステップＢ２）。
【０１０３】
次に、図１５の場合と同様に正規化を行なう。すなわち、（ＬＩＧＨＴ−ＲＡＩＮ）に関しては、
【数１０】

となり、（ＬＩＧＨＴ−ＲＡＩＮ ＭＯＤＥＲＡＴＥ−ＲＡＩＮ）に関しては、
【数１１】

のようになる。したがって、前記焦点要素リスト（２１）の基本確率を

のように割り当てる（図１４ステップＢ３）。
【０１０４】
さて、以上の例では、図２の入力オブジェクトＯ1 、Ｏ3 の後方に翻訳オブジェクトＯ2 、Ｏ4 を設置し入力・翻訳・統合の順に処理を行なったが、本実施例のあいまい推論装置では、図２０に示すように翻訳オブジェクトＯ2 、Ｏ4 を削除し、翻訳オブジェクトＯ6 の属性（変換規則）（図３のＯ62) に格納されている変換規則データを前記リスト（１８）から以下のリスト（３９）に書き換えることにより、前記の処理と同様の処理が行なえる。
【０１０５】

このように本実施例のあいまい推論装置では、データフローダイヤグラムにおける各オブジェクトは、取り扱う問題や使用者の嗜好に応じて、自由に組み換えが可能である。
【０１０６】
次に、本発明の他の実施例を説明する。
【０１０７】
図２１は他の実施例に係るあいまい推論装置の構成を示す図である。
【０１０８】
同図に示すあいまい推論装置は、以下の点が上述した実施例のあいまい推論装置と異なる。すなわち、上述した実施例のあいまい推論装置では、あいまい推論の実行に入る前にその前処理として推論手順生成部１において予め推論手順を決めていたが、図２１に示すあいまい推論装置では、あいまい推論の実行中に推論手順を逐次的に決めていくものである。そのため、図２１に示すこの実施例のあいまい推論装置では、図１に示したあいまい推論装置から推論手順生成部１を削除する一方、起動メソッド探索部１７を新たに追加した。そして、あいまい推論の実行中に起動メソッド探索部１７が推論実行管理部３から命令を受け、オブジェクト情報１０を探索し、起動すべきメソッドを見つけ出し、そのメソッド名を推論実行管理部３に教えると、推論実行管理部３がそのメソッドを起動させる。本実施例のあいまい推論装置では、以上の動作を繰り返すことによってあいまい推論処理を進める。これにより、例えば観測データが連続的にではなく間欠的に入力されるような場合に推論処理をより迅速に行うことができる。先に入力された観測データの処理を次の観測データが入力されるのに先立ち進めておくことができるからである。
【０１０９】
なお、本発明は、上記実施例には限定されず、その要旨を逸脱しない範囲で種々変形して実施することができる。
【０１１０】
例えば、「降雨量」と「道路の混雑状況」という二つの要因に基づいて機動性コストを算出する例を示したが、さらに要因に「地形の傾斜状況」などを加え、三つ以上の観測データを統合し、機動性コストを算出することも可能である。
【０１１１】
さらに、「店舗の売上高予測問題」のように、「地域の人口」と「店舗の立地位置（大通りからの距離や最寄駅から距離）など」を統合し、予測売上高を算出するなど、Ｄ−Ｓ理論を用いることにより複数の観測事象を統合し結論を導く問題に対して、本発明は幅広く適用可能である。
【０１１２】
【発明の効果】
以上のように、本発明によれば、取り扱う問題や観測データの種類の変更に応じて簡単に装置を構成することができ、しかも推論に必要な各種の手続きの追加等の知識の修正が容易である。また、推論実行中の処理をその確信度の計算と更新処理のみに軽減できるので、推論の高速化をはかることができる。さらに、先に入力された観測データの処理を次の観測データが入力されるのに先立ち進めておくことができるので、例えば観測データが連続的にではなく間欠的に入力されるような場合に推論処理をより迅速に行うことができる。
【図面の簡単な説明】
【図１】本発明の実施例のあいまい推論装置の構成を示すブロック図。
【図２】同実施例におけるデータフローダイヤグラムを示す図。
【図３】同実施例におけるデータフローダイヤグラムの詳細を示す図。
【図４】同実施例におけるメンバーシップ関数を示す図。
【図５】同実施例における推論処理の動作手順を示すフローチャート。
【図６】同実施例における推論処理の初期設定動作手順を示すフローチャート。
【図７】同実施例における推論処理の初期設定動作手順を示すフローチャート。
【図８】同実施例における推論処理の初期設定動作手順を示すフローチャート。
【図９】同実施例における推論処理の初期設定動作手順を示すフローチャート。
【図１０】同実施例における推論処理のメソッド動作手順を示すフローチャート。
【図１１】同実施例における推論処理のメソッド動作手順を示すフローチャート。
【図１２】同実施例における推論処理のメソッド動作手順を示すフローチャート。
【図１３】同実施例における推論処理のメソッド動作手順を示すフローチャート。
【図１４】同実施例におけるメソッド１のファジィ推論動作手順を示すフローチャート。
【図１５】同実施例における各焦点要素への帰属度の一時的な割り当てを示す図。
【図１６】同実施例における各焦点要素への帰属度の一時的な割り当てを示す図。
【図１７】同実施例における二つの確率値の統合を示す図。
【図１８】同実施例における各オブジェクトの属性（処理結果）の属性値を示す図。
【図１９】同実施例におけるファジィ入力値の取り扱いを示す図。
【図２０】同実施例におけるオブジェクトを変更したデータフローダイヤグラムを示す図。
【図２１】本発明の他の実施例のあいまい推論装置の構成を示すブロック図。
【図２２】Ｄ−Ｓ理論の基本概念を説明するための図。
【図２３】 Dempsterの結合規則を説明するための図。
【図２４】ファジィ論理におけるメンバーシップ関数の例。
【符号の説明】
１………推論手順生成部
２………推論前処理実行部
３………推論実行管理部
４………入力型メソッド
５………翻訳型メソッド
６………統合型メソッド
７………解釈型メソッド
８………ファジィ推論実行部
９………Ｄ−Ｓ推論実行部
１０………オブジェクト情報
１１………データフローダイヤグラム
１２………普遍集合
１３………変換規則
１４………メンバーシップ関数
１５………環境値
１６………推論結果[0001]
[Industrial application fields]
The present invention uses fuzzy logic in inference to integrate input data with uncertainties using DS (Dempster-Shafer) theory, and based on the given input data based on DS theory. The present invention relates to a fuzzy inference apparatus and a fuzzy inference method for converting to an inference input value.
[0002]
[Prior art]
The input information and diagnosis / control knowledge for the diagnosis / control system are not always reliable knowledge. Therefore, it is often necessary to express uncertain information and knowledge. In diagnosis / control systems, it is frequently necessary to make inferences based on observation data with uncertainty and to integrate a plurality of data to draw conclusions. Among systems that integrate these multiple observation data and perform diagnosis and control, there are systems that use DS theory. Below, the basic concept of DS theory is demonstrated.
[0003]
[DS theory]
(Basic concept of DS theory)
In the 1960s, Dempster proposed the concepts of lower probability and upper probability to deal with subjective probabilities that are difficult to handle with Bayes probabilities. Furthermore, Shafer developed Dempster's theory, and defined the lower bound probability and the upper bound probability as belief function and plausibility, respectively, and defined them based on the basic probability.
[0004]
In the DS theory, an entire set including possible events as elements is defined as a universal set (frame of discernment). A major feature of the DS theory is that an amount of basic probability is assigned to a subset of the universal set θ. The basic concept, focus element, upper bound, lower bound probability, and belief interval, which are basic concepts in the DS theory, will be described below.
[0005]
1) The basic probability m (Ai) (i = 1, 2,...) Takes a value of [0, 1] and satisfies the following condition.
[0006]
m (φ) = 0 (1)
(Φ: empty set)
[Expression 1]

(Θ: universal set,
Ai (i = 1,2, ...): subset of θ)
2) The focus element is Ai that satisfies the following conditions.
[0007]
m (Ai)> 0 (3)
3) Lower bound probability
[Expression 2]

4) Upper bound probability
[Equation 3]

The reliability of A indicates that Bel (A) is the minimum or 1-Bel (Ac) at the maximum.
[0008]
Below, these basic concepts are demonstrated using the example shown in FIG.
[0009]
In the following example, the possible elements are a1 to a6, the total set is θ, and the subsets A1 to A6.
[0010]
θ = {a1, a2, a3, a4, a5, a6}
A1 = {a2}
A2 = {a4}
A3 = {a1, a2, a3}
A4 = {a4, a5}
A5 = {a2, a3, a4, a5}
A6 = {a1, a2, a3, a4, a5, a6}
Assume that a basic probability m (Ai) is assigned to these subsets as shown in FIG.
[0011]
Hereinafter, a set of the basic probability is assigned to the subset (focus element) to which the basic probability is assigned.
[0012]
(((A2) 0.1)
((A4) 0.2)
((A1, a2, a3) 0.1) (7)
((A4, a5) 0.3)
((A2, a3, a4, a5) 0.1)
((A1, a2, a3, a4, a5, a6) 0.2))
At this time, for example, the lower bound, upper bound probability and believe interval of the subset A4 = {a4, a5} in FIG. 22 are as follows.
[0013]
・ Lower bound probability
[Expression 4]

・ Upper bound probability
[Equation 5]

・ Belief interval
[Formula 6]

It shows that the probability of A4, that is, {a4, a5}, may increase to 0.5 at the minimum and possibly to 0.8 at the maximum.
[0014]
(Dempster combining rules)
This rule is a way to integrate basic probabilities inferred from independent evidence.
[0015]
[Expression 7]

m1, m2: Basic probabilities obtained based on evidence independent of each other
E1 i, E2 j (i, j = 0,1,2, ...): focus elements of m1 and m2
The basic probabilities are integrated according to the Dempster combining rule of Equation (8), and a new basic probability is obtained.
[0016]
In addition, when applying a combination rule, a basic probability may be assigned to an empty set. However, as a precondition for the basic probability, the basic probability of the empty set is 0, so it is inconsistent by that amount. Therefore, it is necessary to normalize by dividing another basic probability by the amount obtained by subtracting the contradictory amount from the whole. The operation is performed with the above denominator.
[0017]
Figure 22 below shows two independent pieces of evidence using this Dempster combination rule.

This shows how to combine. Here, as described above, the list (9) shows that the basic probability 0.9 is assigned to the focus element E1 1 of the evidence E1, and the basic probability 0.1 is assigned to the focus element E1 2.
[0018]
According to FIG. 23, the result of combining two independent evidences E1 and E2 is
(((A2) 0.72)
((A1, a2, a3) 0.08)
((A2) 0.18) (11)
((A2, a3, a4, a5) 0.02))
It becomes. Here, the first list of this list (11)
((A2) 0.72)
And the third list
((A2) 0.18)
Since the focus elements are equal in (a2), both are put together. So the final integration result is
(((A2) 0.90)
((A1, a2, a3) 0.08) (12)
((A2, a3, a4, a5) 0.02))
It becomes.
[0019]
Furthermore, in recent years, fuzzy logic has been actively used in many knowledge processing systems to express the ambiguity that exists in the meaning and definition of words. The fuzzy logic is briefly described below.
[0020]
[Fuzzy logic]
In fuzzy logic, membership functions are used to express concepts that are difficult to express with binary values, either true or false.
[0021]
For example, the expression “children with normal grades” is ambiguous, and if you want to specify it strictly, you have to say “children whose average score is 2.5 or more and less than 3.5”. However, there are a large number of expressions with ambiguity on a daily basis, and those who receive them accept that ambiguity as an implicit understanding. Now, when the concept of “ordinary grade child” is expressed using a membership function, it becomes as shown in FIG. The set expressed in (a) is called a fuzzy set. From this graph, the child with a score of 2.5 has a degree of membership of 0.5, and as it progresses to 3.0, it gradually approaches 1.0, moves away from 1.0 again, and the child with a rating of 3.5 has a degree of membership of 0.5. In other words, the value in the strict expression is either 0 or 1 depending on whether or not it belongs to the expression, but in the fuzzy set, the value is determined by an arbitrary degree of membership from 0 to 1 . That is, in the graph of FIG. 24A, the one that completely represents the expression of “ordinary grade child” is a child with a score of 3, and its width is wide. When the strict expression such as “child with average score of 2.5 or more and less than 3.5” is used, it can be expressed as shown in FIG. In other words, the conventional strict expression can be expressed by the framework of the fuzzy set. When a set that expresses exactly as shown in FIG. 24B is distinguished from a normal fuzzy set, this set is called a “crisp set”. Such fuzzy logic is actively used in fields where more ambiguous human judgment and decision making are required.
[0022]
By the way, the observation data given to the system using DS inference is often in a numerical format such as “rainfall 10 mm”. On the other hand, in the DS inference, observation data with uncertainty such as “the possibility of light rain is 90% and the possibility of light rain or medium rain is 10%” is an input value. As required. In this way, there is a large difference between the given observation data and the input value of the DS inference, and the observation data is changed to the input value of the DS inference using some kind of “ambiguous judgment knowledge”. Pre-processing for format conversion is required. This data conversion, which is a preprocessing of DS inference, is referred to as “assignment of basic probabilities to focus elements”.
[0023]
However, the conventional "assignment of basic probabilities to focus elements" means that humans subjectively judge observation data to create basic probability values, or "if the total rainfall is 10 mm, it is light rain The possibility is 90%. "The crisp knowledge such as" is assigned to the computer by memorizing it. " For this reason, if the total rainfall is 10 mm, the calculator will indicate that there is a 90% chance of light rain and a 10% chance of light or moderate rain. The basic probabilities could not be assigned by making effective use of “knowledge of judgment”.
[0024]
Therefore, for example, Japanese Patent Application Laid-Open No. 2-278431 proposes a method in which only the antecedent part of the production rule required for inference is described using fuzzy sets and includes ambiguity, and the inference result is derived using Dempster's combination rule. Has been.
[0025]
However, in this method, for example, when there is a change in the problem to be handled or the type of observation data, it is necessary to reconfigure the apparatus each time. In addition, it is not always easy to modify knowledge such as adding various procedures necessary for inference.
[0026]
[Problems to be solved by the invention]
The present invention has been made to solve the above-mentioned problems, and can easily configure a device according to a problem to be handled or a change in the type of observation data, and various procedures necessary for inference can be added. An object of the present invention is to provide a fuzzy reasoning apparatus and a fuzzy reasoning method that allow easy correction of knowledge.
[0027]
Another object of the present invention is to provide a fuzzy reasoning apparatus and a fuzzy reasoning method that can process fuzzy reasoning more quickly.
[0028]
[Means for Solving the Problems]
  In order to achieve the above object, the fuzzy reasoning apparatus of the present invention is based on fuzzy reasoning and has a certainty factor from observation data that is data based on inference, and the focus element list in the Dempster-Shafer probability theory is the first data. Based on a first data conversion means obtained as a list, and a conversion rule list for converting an event used in the observation data into a maneuverable event, the focus element list with confidence is converted into a second with confidence. A second data conversion means for converting to a data list, and data integration for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combination rule And a third data for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list for translating the integrated result. Conversion means, based on the probability theory of Dempster-Shafer, a data calculation means for calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with confidence, inference entire processWith the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation meansPartialized moduleRespectivelyAnd the partial modulewhileAn inference procedure generating means for determining an inference procedure given a relation link of
  The determined inference procedureAnd the processing procedure informationAnd an execution management unit that selects and activates the first data conversion unit, the second data conversion unit, the data integration unit, the third data conversion unit, or the data calculation unit.
[0029]
  The fuzzy inference apparatus according to the present invention is a first in which a focus element list in the Dempster-Shafer probability theory is obtained as a first data list with certainty from observation data as inference based on fuzzy inference. Based on a data conversion means and a conversion rule list for converting an event used in the observation data into a mobile event, a first element for converting the focus element list with certainty into a second data list with certainty 2 data conversion means, data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rule, A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on the conversion rule list to be translated; and Dempster-Sh Based on afer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor, and an entire inference processWith the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation meansPartialized moduleRespectivelyAnd the partial modulewhileAn inference procedure generating means for determining an inference procedure given with a relational link, an input means for inputting a membership function necessary for the fuzzy inference and each conversion rule list, and the first data list with certainty Means for generating a template and the determined inference procedureAnd the processing procedure informationAccording to the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or an execution management means for selecting and starting the data calculation means, The activated first data conversion means, second data conversion means, data integration means, third data conversion means, and data calculation means are the input membership function, each conversion A rule list or a template of the generated first data list is used as necessary.
[0030]
  The fuzzy inference apparatus of the present invention is based on fuzzy inference, and is a first data conversion for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data. Means for converting the focus element list with confidence into a second data list with confidence based on a conversion rule list for converting an event used in the observation data into a mobile event. A data conversion unit, a data integration unit that integrates the plurality of first or second data lists with certainty factor into a third data list with certainty factor based on Dempster's combination rule, and a translation result A third data converting means for converting the third data list with certainty into a fourth data list with certainty based on the conversion rule list; and Dempster-Shafer's Based on the rate theory, the data calculation means for calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with confidence, inference entire processWith the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation meansPartialized moduleRespectivelyAnd the partial modulewhileInference procedure generating means for sequentially determining an inference procedure given a relational link, and the sequentially determined inference procedureAnd the processing procedure informationIn accordance with the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, and the data calculation means, the means to be selected and activated is sequentially determined. Determining means for executing, and execution management means for activating the determined means.
[0031]
  The fuzzy inference apparatus of the present invention is based on fuzzy inference, and is a first data conversion for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data. Means for converting the focus element list with confidence into a second data list with confidence based on a conversion rule list for converting an event used in the observation data into a mobile event. A data conversion unit, a data integration unit that integrates the plurality of first or second data lists with certainty factor into a third data list with certainty factor based on Dempster's combination rule, and a translation result A third data converting means for converting the third data list with certainty into a fourth data list with certainty based on the conversion rule list; and Dempster-Shafer's Data calculation means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor based on rate theory, a membership function necessary for the fuzzy inference, and the respective transformations Input means for inputting a rule list, means for generating a template of the first data list with certainty, and overall inference processingWith the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation meansPartialized moduleRespectivelyAnd the partial modulewhileInference procedure generating means for sequentially determining an inference procedure given a relational link, and the sequentially determined inference procedureAnd the processing procedure informationIn accordance with the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, and the data calculation means, the means to be selected and activated is sequentially determined. Determining means for executing, and execution management means for activating the determined means, wherein the activated first data converting means, second data converting means, data integrating means, third data The data conversion means and the data calculation means use the input membership function, each conversion rule list, or the template of the generated first data list as necessary.
[0032]
  The fuzzy inference apparatus of the present invention is based on fuzzy inference, and is a first data conversion for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data. Means for converting the focus element list with confidence into a second data list with confidence based on a conversion rule list for converting an event used in the observation data into a mobile event. A data conversion unit, a data integration unit that integrates the plurality of first or second data lists with certainty factor into a third data list with certainty factor based on Dempster's combination rule, and a translation result A third data converting means for converting the third data list with certainty into a fourth data list with certainty based on the conversion rule list; and Dempster-Shafer's Based on the rate theory, the data calculation means for calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with confidence, inference entire processWith the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation meansPartialized moduleRespectivelyAnd the partial modulewhileMeans for appropriately selecting and starting the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means according to the relational link It comprises.
[0033]
  The fuzzy inference apparatus of the present invention is based on fuzzy inference, and is a first data conversion for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data. Means for converting the focus element list with confidence into a second data list with confidence based on a conversion rule list for converting an event used in the observation data into a mobile event. A data conversion unit, a data integration unit that integrates the plurality of first or second data lists with certainty factor into a third data list with certainty factor based on Dempster's combination rule, and a translation result A third data converting means for converting the third data list with certainty into a fourth data list with certainty based on the conversion rule list; and Dempster-Shafer's Based on the rate theory, the data calculation means for calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with confidence, inference entire processWith the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation meansPartialized moduleRespectivelyAnd the partial modulewhileAnd a partial module of the input whole process of inferenceRespectivelyAnd the partial modulewhileMeans for appropriately selecting and starting the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means according to the relational link It comprises.
[0034]
  In the above fuzzy reasoning device,The observation data as inference data is at leastMeteorological data for a given areaIncluding, andMay be.
[0035]
  The fuzzy inference method of the present invention includes a first step of obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference and with certainty from observation data as inference data. A second step of converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events; , A third step of integrating the plurality of first or second data lists with certainty factor into a third data list with certainty factor based on Dempster's combination rule, and a conversion rule list for translating the unification result Based on the fourth step of converting the third data list with confidence into a fourth data list with confidence, and based on Dempster-Shafer probability theory, ; And a fifth step of calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with signal level, the inference entire processWith processing procedure information of the first, second, third, fourth or fifth stepPartialized moduleRespectivelyAnd the partial modulewhileDepending on the relationship link, the first, second, third, fourth, or fifth step is appropriately selected and executed.The
[0036]
  Further, the fuzzy inference method of the present invention is a first in which a focus element list in the Dempster-Shafer probability theory is obtained as a first data list with certainty from observation data as inference based on fuzzy inference. And a step of converting the focus element list with confidence into a second data list with confidence based on a conversion rule list for converting an event used in the observation data into a mobile event. And a third step of integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rule, and a conversion for translating the result of the integration Based on the rule list, the fourth step of converting the third data list with certainty into the fourth data list with certainty, and the Dempster-Shafer probability theory Can, comprising a fifth step of calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with confidence, inference entire processWith processing procedure information of the first, second, third, fourth or fifth stepPartialized moduleRespectivelyAnd the partial modulewhileThe inference procedure is determined according to the relation link of the determined inference procedure.And the processing procedure informationTo select and execute the first, second, third, fourth, or fifth step according toThe
[0038]
  The fuzzy inference method of the present invention includes a first step of obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference and with certainty from observation data as inference data. A second step of converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events; , A third step of integrating the plurality of first or second data lists with certainty factor into a third data list with certainty factor based on Dempster's combination rule, and a conversion rule list for translating the unification result Based on the fourth step of converting the third data list with confidence into a fourth data list with confidence, and based on Dempster-Shafer probability theory, ; And a fifth step of calculating a fifth data list with upper bound probability and lower bound probabilities from said fourth data list with signal level, the inference entire processWith processing procedure information of the first, second, third, fourth or fifth stepPartialized moduleRespectivelyAnd the partial modulewhileThe inference procedure is sequentially determined in accordance with the relational link, and the sequentially determined inference procedureAnd the processing procedure informationThe steps to be selected and executed among the first to fifth steps are sequentially determined, and the determined steps are executed.The
[0039]
[Action]
  In the present invention, the fuzzy inference process is performed as described above.5The procedure is divided into two procedures (including the corresponding means), and these procedures are combined to execute fuzzy inference according to the contents of inference, so according to the problem handled and changes in the type of observation data Thus, it is possible to easily configure the apparatus, and it is easy to correct knowledge such as addition of various procedures necessary for inference.
[0040]
In addition, the startup order of these procedures is determined according to the content to be inferred, and in accordance with the determined startup order, these procedures are sequentially started and inference is executed. The calculation can be reduced only to the calculation and update process of the certainty level, and the inference can be speeded up.
[0041]
Furthermore, during the execution of fuzzy inference, the procedure to be activated and executed among these procedures is sequentially determined, and the determined procedure is activated and executed. Data processing can proceed before the next observation data is input. For example, when the observation data is input intermittently instead of continuously, inference processing can be performed more quickly. it can.
[0042]
【Example】
Embodiments of the present invention will be described below with reference to the drawings.
[0043]
FIG. 1 is a diagram showing a configuration of an ambiguous reasoning apparatus according to an embodiment of the present invention. In this embodiment, an example in which the mobility cost is calculated from two observation data of “rainfall” and “road congestion” will be described. Here, the mobility cost is an index indicating the ease of movement in a car at a certain point.
[0044]
The fuzzy inference apparatus shown in FIG. 1 includes an inference procedure generation unit 1 that determines the activation order of each method based on the data flow diagram 11, an inference preprocessing execution unit 2 that performs initial setting of inference, and a corresponding method. An inference execution management unit 3 that issues a start instruction, methods 4 to 7 in which an arithmetic expression for performing fuzzy inference is described as procedural knowledge, and a fuzzy that converts an input environment value into an input value of DS theory It has an inference execution unit 8 and a DS inference execution unit 9 that integrates information including uncertainty and executes fuzzy inference using the DS theory.
[0045]
The methods 4 to 7 are composed of four types of an input type 4, a translation type 5, an integration type 6, and an interpretation type 7, and are selected by the inference execution management unit 3. The input type method 4 describes a procedure for assigning basic probabilities to the focus elements of the DS theory by using fuzzy reasoning, and the translation type 5, integrated type 6 and interpretation type 7 methods have the DS theory. An inference procedure based on is described. That is, the translation type 5 method converts the data list with confidence based on the conversion rule list. The integrated type 6 method integrates a plurality of types of data lists with certainty levels corresponding to a plurality of types of observation data based on Dempster's combining rules. The interpretation type 7 method calculates a data list with an upper bound probability and a lower bound probability from an integrated data list based on the probability theory of DS.
[0046]
The object information 10 which is a storage area of the fuzzy inference device includes an attribute value of each object, an inference procedure created by the inference procedure generation unit 1, a data flow diagram 11 expressing a relationship between objects, and processing of an input object A universal set 12 used in, a conversion rule 13 required for the processing of the translation object, a membership function 14 used for fuzzy inference, an environment value 15 for storing observation data as data under the inference, The inference intermediate result data calculated by the inference execution management unit 3 is stored. Then, the inference final result calculated by the inference execution management unit 3 is stored in the inference result 16.
[0047]
In the data flow diagram 11, for example, as shown in FIG. 2, the entire inference process for integrating two observation data is divided into modules, and the modules are connected by a relational link. Incidentally, the data flow diagram 11 shown in FIG. 2 shows an inference process for calculating the activation cost from two observation data of “rainfall” and “road congestion”. This inference process is broken down into four processes: input, translation, integration, and interpretation. Within the object information 10, each of the decomposed processes is expressed as one object. FIG. 3 shows the contents of these objects. Each object shown in the drawing has attributes O11, O12, O21, O22, O31, O32, O41, O42, O51, O61, O62, and O71 for storing information used in the processing result list. And methods O13, O23, O33, O43, O52, O63, and O72 in which the processing procedures are described are stored.
[0048]
In the ambiguous reasoning apparatus of the present embodiment, a membership function as shown in FIG. 4, for example, representing the data flow diagram 11 and the human ambiguous judgment about the correspondence between the observation data and the focus element of the DS theory is shown. , Created in advance by the user.
[0049]
Next, the operation of the fuzzy reasoning apparatus configured as described above will be described.
[0050]
FIG. 5 shows the procedure of the entire process in this fuzzy reasoning apparatus. That is, the processing in the present embodiment can be roughly divided into three types: initial setting (step S1), method operation (steps S2 to S7), and post-processing (step S8). Here, detailed procedures for initial setting are shown in FIGS. 6 to 9, detailed procedures for each method are shown in FIGS. 10 to 13, and detailed procedures for a fuzzy inference execution portion in method 1 are shown.
[0051]
First, initial setting is performed (step S1 in FIG. 5).
[0052]
The initial setting is divided into three processes: determination of an inference procedure (step T1 in FIG. 6), data reading (step T2 in FIG. 6), and list initialization (step T3 in FIG. 6).
[0053]
First, the inference procedure generator 1 determines an inference procedure based on the data flow diagram 11 (step T1 in FIG. 6). In the data flow diagram in this embodiment, as shown in FIG.
1. Input (rainfall)
2. Translation (rainfall)
3. Input (road congestion)
4). Translation (road congestion) (13)
5. Integration
6). Translation (integration result)
7). Interpretation
Determine the inference procedure as follows. The determination results are stored in the object information 10 in a list format (steps U1 to U3 in FIG. 7). That is, the related link information of the data flow diagram of the object as shown in FIG. 2 is acquired (step U1 in FIG. 7), and the processing order list is generated based on the acquired related link information (step U2 in FIG. 7). The processed processing list is stored in the object information 10 (step U3 in FIG. 7).
[0054]
Second, the inference preprocessing execution unit 2 reads data (universal set data 12, transformation rule data 13, membership function data 14) required in the inference process and stores them in the object information 10 (step in FIG. 8). V1-V3).
[0055]
The universal set data 12 means data related to the entire set having events used in each observation data as elements. In this example, the universal set data of “rainfall” is

In the “road congestion”,

It is.
[0056]
The conversion rule data 13 is
Events such as (LIGHT-RAIN MODERATE-RAIN HEAVY-RAIN)
(FAST NORMAL SLOW)
This is a rule for converting to, and is used in translation objects. For example, the conversion rule data of the translation (rainfall) object (O2 in FIG. 3) is
((LIGHT-RAIN FAST)
(MODERATE-RAIN NORMAL) (16)
(HEAVY-RAIN SLOW)
The conversion rule data of the translation (road congestion situation) object (O4 in FIG. 3) is
((LIGHT-CROWDED FAST)
(MODERATE-CROWDED NORMAL) (17)
(HEAVY-CROWDED SLOW))
It is. For example, in list (16)
(LIGHT-RAIN FAST)
Represents a conversion rule “convert LIGHT-RAIN to FAST”. Similarly, the conversion rule data of the translation (integration result) object (O6 in FIG. 3)
((FAST & FAST FAST)
(FAST & NORMAL NORMAL)
(NORMAL & NORMAL NORMAL)
(NORMAL & FAST NORMAL)
(FAST & SLOW SLOW) (18)
(SLOW & FAST SLOW)
(NORMAL & SLOW SLOW)
(SLOW & NORMAL SLOW)
(SLOW & SLOW SLOW)
As shown. These conversion rule lists are stored in the attributes (conversion rules) (O22, O42, O62 in FIG. 3) of the corresponding object.
[0057]
The membership function data 14 is data that defines a membership function relating to each environmental factor. For example, membership function data regarding “rainfall” is expressed in the following list format.
[0058]

Each list in this list (19) is
((Focus factor) (maximum value of attribution degree 1st definition point 2nd definition point 3rd definition point 4th definition point)))
And represents the membership function as shown in FIG. Moreover, the first to fourth definition points indicate “total rainfall of rain that has fallen within 12 hours”, and the unit thereof is mm. Similarly, regarding “road congestion”

Is defined as follows. The first to fourth definition points in the list (20) indicate “time required to proceed 5 km”, and the unit is minutes. These membership function lists (19) (or 20) are stored in the attributes (membership functions) (O12, O32 in FIG. 3) of the corresponding input object.
[0059]
Third, the inference preprocessing execution unit 2 initializes the list for each object of input, translation, integration, and interpretation. (FIG. 6, step T3).
[0060]
  First, a list of input objects (O1, O3 in FIG. 3) is initialized. That is, a focus element list in the DS theory is generated based on the universal set data (14) (or (15)) read in advance (step W1 in FIG. 9). Here, the generated focus element list is a list including all subsets (except for the empty set) of events in the universal set list (14). In the following, a focus element list (21) relating to “rainfall” and a focus element list (22) relating to “road congestion” are shown.
(((LIGHT-RAIN) 0)
((LIGHT-RAIN MODERATE-RAIN) 0)
((MODERATE-RAIN) 0)
((LIGHT-RAIN MODERATE-RAIN HEAVY-RAIN) 0)
((MODERATE-RAIN HEAVY-RAIN) 0)
((HEAVY-RAIN) 0)
((LIGHT-RAIN HEAVY-RAIN) 0)) (21)
(((LIGHT-CROWDED) 0)
((LIGHT-CROWDED MODERATE-CROWDED) 0)
((MODERATE-CROWDED) 0)
((LIGHT-CROWDED MODERATE-CROWDED HEAVY-CROWDED) 0)
((MODERATE-CROWDED HEAVY-CROWDED) 0)
((HEAVY-CROWDED) 0)
((LIGHT-CROWDED HEAVY-CROWDED) 0))
(22)
The numerical value 0 attached to the end of each list indicates the possibility of each event (Confidence). For example, ((LIGHT-CROWDED) 0) in the list (22) is interpreted as “the possibility that the road at the mesh point is lightly congested is 0%”.
[0061]
The list of translation objects (O2, O4, O6 in FIG. 3) is initialized in the same manner as the input object. That is, the conversion rule data (16) previously read
A list is generated based on (or (17)) (step W2 in FIG. 9).
[0062]
The list generated by this translation object is the one in which the atom is converted to one that means mobility, and the same applies to both "rainfall" and "road congestion"
(((FAST) 0)
((FAST NORMAL) 0)
((NORMAL) 0)
((FAST NORMAL SLOW) 0) (23)
((NORMAL SLOW) 0)
((SLOW) 0)
((FAST SLOW) 0))
It is.
[0063]
The integrated object (O5 in FIG. 3) is initialized by using the list (23) initialized by the two higher-level objects “rainfall” and “road congestion”. That is, the list (24) generated by the integrated object is composed of 49 lists including the atoms obtained by connecting the atoms of the two higher-level object lists (23) with & as shown below (see FIG. 9 step W3). (((FAST & FAST) 0)

In the initialization of the list in the interpretation object (O7 in FIG. 3), the following list (25) is generated (step W4 in FIG. 9).
[0064]
(((FAST) 0 0)
((NORMAL) 0 0) (25)
((SLOW) 0 0)
In the interpretation object, since the upper and lower bound probabilities of the DS theory are obtained, 0 is set in two places so that the upper bound and lower bound probabilities can be stored at the end of each list as in the above list (25). . Next, the inference execution management unit 3 selects a method to be activated. According to the inference procedure (13) stored in the object information 10, the method of the input (rainfall) object at the head of the inference procedure (O13 in FIG. 3) and the method of the input (rainfall) object at the head of the inference procedure (O13 in FIG. 3) is selected (step S2 in FIG. 5).
[0065]
The method type of the input (rainfall) object is checked, and it is confirmed that it is the input type method 1 (step S3 in FIG. 5).
[0066]
Therefore, method 1 is executed (step S4 in FIG. 5).
[0067]
Method 1 is initialized so that the basic probability of the focus element list (21) is zero. Since the basic probability of the focus element list (21) is set to 0 at the time of generation this time, no processing is performed (step A1 in FIG. 10).
[0068]
Next, the environmental value 15 is read. The environmental value of “rainfall” is given as 0 to 100 mm, assuming that it is “total rainfall (unit: mm) of rain within 12 hours at the mesh point”. In this embodiment, it is assumed that “rainfall” is given as “17 mm” (step A2 in FIG. 10).
[0069]
Here, the membership function list (19) read earlier is acquired.
(FIG. 10, step A3).
[0070]
Thus, one set of preparations is completed and fuzzy inference is executed (step A4 in FIG. 10).
[0071]
In the execution of fuzzy inference, first, an environment value is read into the membership function. This is shown in FIG. 15 (step B1 in FIG. 14).
[0072]
In FIG. 15, the input environmental value is indicated by a bold line. This bold line
(LIGHT-RAIN) and (LIGHT-RAIN MODERATE- RAIN)
And the corresponding membership at the intersection is
(LIGHT-RAIN) is 1.0,
(LIGHT-RAIN MODERATE-RAIN) is 0.11
It can be seen that it is. there,
((LIGHT-RAIN) 1.0)
((LIGHT-RAIN MODERATE-RAIN) 0.11)
As shown in FIG. 14, the degree of attribution is temporarily assigned to each focus element (step B2 in FIG. 14).
[0073]
Next, the degree of membership of each focus element is divided by the sum of the degrees of membership of the focus elements, the degree of belonging temporarily assigned to each focus element is normalized, and a basic probability is assigned. That is, for (LIGHT-RAIN)
[Equation 8]

And (LIGHT-RAIN MODERATE-RAIN)
[Equation 9]

(Step B3 in FIG. 14).
[0074]
As described above, a basic probability of 0.9 is assigned to (LIGHT-RAIN), and a basic probability of 0.1 is assigned to (LIGHT-RAIN MODERATE-RAIN).

(Step A5 in FIG. 10).
[0075]
Next, the list (28) generated by the processing of the input object using fuzzy inference is stored in the attribute (processing result) of the own object as the processing result list.
(FIG. 10, step A6).
[0076]
Here, the process returns to the selection of the method, and in accordance with the inference procedure (13), the next translation
A method (O23 in FIG. 3) of the (rainfall) object is selected (step S2 in FIG. 5).
[0077]
Method of translation (rainfall) object It is translation type method 2 (step S3 in FIG. 5).
[0078]
Then, method 2 is executed (step S4 in FIG. 5).
[0079]
Method 2 is initialized so that the certainty factor of the list (23) generated at the initial setting (step S1 in FIG. 5) is zero. Similar to method 1, since the certainty in this list (23) is set to 0 at the time of generation, no processing is performed (step X1 in FIG. 11).
[0080]
Next, the conversion rule list (16) read earlier and stored in the attribute (conversion rule) of the own object is acquired (step X2 in FIG. 11).
[0081]
Further, the basic probability of each focus element is acquired from the list of attributes (processing results) of the upper object. The upper object of the translation (rainfall) object is an input (rainfall) object (O1 in FIG. 3) as shown in the data flow diagram of FIG. That is, the basic probability acquired here is the focus element list (28) of the input (rainfall) object.
((LIGHT-RAIN) 0.9)
((LIGHT-RAIN MODERATE-RAIN) 0.1)
(Step X3 in FIG. 11).
[0082]
Then, the reliability of the attribute (processing result) list of the own object is updated while referring to the conversion rule list. In the obtained conversion rule list (16),
“LIGHT-RAIN is FAST, MODERATE-RAIN is
NORMAL, HEAVY-RAIN is converted to SLOW "
The rules are described. Therefore, in the list (23) stored in the attribute (processing result) of the own object
((LIGHT-RAIN) 0.9)
Corresponding to
((FAST) 0)
Update the certainty of 0 to 0.9, the basic probability obtained earlier,
((LIGHT-RAIN MODERATE-RAIN) 0.1)
Corresponding to
((FAST NORMAL) 0)
Update the certainty of 0 to the basic probability of 0.1 obtained earlier. The following list is obtained by the above operation (step X4 in FIG. 11).
[0083]
(((FAST) 0.9)
((FAST NORMAL) 0.1)
((NORMAL) 0)
((FAST NORMAL SLOW) 0) (29)
((NORMAL SLOW) 0)
((SLOW) 0)
((FAST SLOW) 0))
This processing result list (29) is stored in the attribute (processing result) of the own object (step X5 in FIG. 11).
[0084]
Again, the process returns to method selection, and the method (O33 in FIG. 3) of the next input (road congestion situation) object is selected according to the inference procedure (13) (step S2 in FIG. 5).
[0085]
When the process of method 1 (step S3 in FIG. 5) ends (step S4 in FIG. 5), the method (O43 in FIG. 3) of the next (road congestion situation) object is selected (step S2 in FIG. 5). .
[0086]
Similarly, the method 2 (step S3 in FIG. 5) is executed (step S5 in FIG. 5), and the process returns to the method selection (step S2 in FIG. 5).
[0087]
The input / translation processing related to the “road congestion” is the same processing as “rainfall”, and therefore the details are omitted. However, the environmental value of “road congestion” is assumed to be “time required to proceed 5 km from the mesh point (unit: minute)”. In this example, “7 minutes” is input. To do. FIG. 16 shows a situation in which an environmental value is input to the membership function of “road congestion”. The same processing as the allocation of the basic probability of the “rainfall” is performed, and the following focus element list (30) is set in the attribute (processing result) of the input (road congestion state) object.

Is stored. The translation (road congestion situation) object (O4 in FIG. 3) is also processed in exactly the same way as the translation (rainfall) object (O2 in FIG. 3). The processing result list (29) is stored.
So far, the inference procedure (13)
"4. Translation (road congestion)"
The process up to is completed, and the method (O52 in FIG. 3) of the next integrated object is selected (step S2 in FIG. 5).
[0088]
Since the method type of the integrated object is an integrated type (step S3 in FIG. 5), method 3 is executed (step S6 in FIG. 5).
[0089]
Also in the method 3, first, the reliability of the list (24) stored in the attribute (processing result) of the own object is initialized in the same manner as in the methods 1 and 2 (step Y1 in FIG. 12).
[0090]
Next, the certainty factor is acquired from the list of attributes (processing results) of the two higher-level objects. Here, as can be seen from FIG. 3, it is important that only the integrated object has two higher-order objects that are directly linked. That is, the certainty of the list (29) stored in the attributes (processing results) of the translation (rainfall) object (O2 in FIG. 3) and the translation (road congestion situation) object (O4 in FIG. 3), respectively.
((FAST) 0.9)
((FAST NORMAL) 0.1)
Is acquired (step Y2 in FIG. 12).
[0091]
In this embodiment, the certainty factor obtained from the translation (rainfall) object coincides with the certainty factor from the translation (road congestion state) object by chance.
[0092]
Next, the acquired two certainty factors are integrated. The state of this integration is shown in FIG. FIG. 17 shows a product of the processing result list of the translation (rainfall) object and the processing result list (29) of the translation (road congestion) object, where the certainty factor of the focus element is not 0. It is in shape. Then, the list (24) of the attribute (processing result) of the own object is updated as follows to generate a processing result list (step Y3 in FIG. 12).
[0093]

Actually, this list contains 49 lists inside, but the list for events with a confidence level of 0 is omitted.
[0094]
Next, the method (O63 in FIG. 3) of the translation (integration result) object is selected.
(FIG. 5, step S2).
[0095]
Since this method is a translation type (step S3 in FIG. 5), method 2 is executed in the same manner as the previous translation (rainfall amount) object and translation (road congestion situation) object (step S5 in FIG. 5). The difference from the translation (rainfall) / translation (road congestion situation) object is that the list (18) is used as a conversion rule. According to this conversion rule list (18),

Therefore, the consequent of (*) means the same (FAST NORMAL).

It will correspond as follows. Therefore, the attribute of the translation (integration result) object is used by using the certainty factor of the list (31) of the attribute (processing result) of the upper object.
The certainty of the list (23) of (processing result)
(((FAST) 0.81)
((FAST NORMAL) 0.19 (= 0.09 + 0.09 + 0.01))
((NORMAL) 0)
((FAST NORMAL SLOW) 0) (32)
((NORMAL SLOW) 0)
((SLOW) 0)
((FAST SLOW) 0)
Update like this.
[0096]
Next, the method of the interpretation object located at the end of the inference procedure (13) is selected (step S2 in FIG. 5). Since the method type of the interpretation object is the interpretation type (step S3 in FIG. 5), the method 4 is executed (step S7 in FIG. 5). Also in Method 4, first, the upper bound / lower bound probability (confidence) of the list (25) stored in the attribute (processing result) of the own object is initialized in the same manner as in the methods 1, 2, and 3. Performed (step Z1 in FIG. 13).
[0097]
Next, the certainty factor is acquired from the list of attributes (processing results) of the upper object. That is, from the list (32) of the attribute (processing result) of the translation (integration result) object
((FAST) 0.81)
((FAST NORMAL) 0.19) (33)
Is acquired (step Z2 in FIG. 13).
[0098]
Next, the upper and lower bound probabilities of each element of the universal set are calculated. Here, each element of the universal set is (FAST, NORMAL, SLOW). First, the upper bound probability of each element is obtained. Since FAST is included in both of the above lists (33), the upper bound probability of FAST is
0.81 + 0.19 = 1.0 (34)
It becomes. Since NORMAL is only included in the lower list of the list (33), the upper limit probability of NORMAL is 0.19. Since SLOW does not appear anywhere in the list (33), the upper bound probability of SLOW is zero. Next, the lower bound probability is obtained. Since FAST appears independently in the upper list of the list (33), the lower bound probability of FAST is 0.81. Since NORMAL and SLOW do not appear alone in either of the above lists (33), the lower bound probability of NORMAL and SLOW is zero. From the above, the list of interpretation object attributes (processing results)
(25) updates the following list (35) (step Z3 in FIG. 13).
[0099]
(((FAST) 0.81 1.0)
((NORMAL) 0 0.19) (35)
((SLOW) 0 0)
FIG. 18 shows the contents of the attribute (processing result) storing the list generated by each object as a result of this series of inference processing. In FIG. 18, an event with a certainty factor of 0 is omitted.
[0100]
Up to this point, the case where input values are given in numerical form has been described. However, in the present invention, not only a numerical format but also a fuzzy value as shown in FIG. 19 can be input. Now, it is assumed that a fuzzy value such as the part shown by shading in FIG. 19 is input.
(FIG. 14, step B1).
[0101]
This input value means that “rainfall is 15 to 20 mm”. When such a fuzzy input value is given, processing is performed as follows.
[0102]
In this case, the basic probability is calculated based on the maximum value of the membership function that intersects the shaded portion of the input value. There are two membership functions intersecting with the shaded portion of FIG. 19, (LIGHT-RAIN) and (LIGHT-RAIN MODERATE-RAIN). The maximum value of the points where each intersects is
(LIGHT-RAIN) is 1.0,
(LIGHT-RAIN MODERATE-RAIN) is 0.29
It is. Therefore, these values are temporarily assigned to (LIGHT-RAIN) and (LIGHT-RAIN MODERATE-RAIN), respectively (step B2 in FIG. 14).
[0103]
Next, normalization is performed as in the case of FIG. That is, for (LIGHT-RAIN)
[Expression 10]

And (LIGHT-RAIN MODERATE-RAIN)
## EQU11 ##

become that way. Therefore, the basic probability of the focus element list (21) is

(Step B3 in FIG. 14).
[0104]
In the above example, the translation objects O2 and O4 are placed behind the input objects O1 and O3 in FIG. 2 and the processing is performed in the order of input / translation / integration. In the fuzzy inference apparatus of this embodiment, FIG. As shown in FIG. 4, the translation objects O2 and O4 are deleted, and the conversion rule data stored in the attribute (conversion rule) of the translation object O6 (O62 in FIG. 3) is changed from the list (18) to the following list (39). By rewriting, the same processing as the above processing can be performed.
[0105]

As described above, in the ambiguous reasoning apparatus according to the present embodiment, each object in the data flow diagram can be freely recombined according to the problem to be handled and the preference of the user.
[0106]
Next, another embodiment of the present invention will be described.
[0107]
FIG. 21 is a diagram showing a configuration of an ambiguous reasoning apparatus according to another embodiment.
[0108]
The fuzzy reasoning apparatus shown in the figure is different from the fuzzy reasoning apparatus of the embodiment described above in the following points. That is, in the fuzzy inference apparatus of the above-described embodiment, the inference procedure generating unit 1 predetermines the inference procedure as the pre-processing before the execution of fuzzy inference. In the fuzzy inference apparatus shown in FIG. The inference procedure is determined sequentially during the execution of. For this reason, in the fuzzy reasoning apparatus of this embodiment shown in FIG. 21, while the inference procedure generating unit 1 is deleted from the fuzzy reasoning apparatus shown in FIG. 1, a startup method searching part 17 is newly added. Then, during execution of ambiguous inference, the activation method search unit 17 receives an instruction from the inference execution management unit 3, searches the object information 10, finds a method to be activated, and teaches the inference execution management unit 3 the method name. The inference execution management unit 3 activates the method. In the fuzzy reasoning apparatus of the present embodiment, the fuzzy reasoning process is advanced by repeating the above operation. Thereby, inference processing can be performed more quickly, for example, when observation data is input intermittently rather than continuously. This is because the processing of the observation data input first can be advanced before the next observation data is input.
[0109]
In addition, this invention is not limited to the said Example, A various deformation | transformation can be implemented in the range which does not deviate from the summary.
[0110]
For example, the example of calculating the mobility cost based on the two factors of “rainfall” and “road congestion” has been shown. It is also possible to integrate the data and calculate the mobility cost.
[0111]
In addition, as in “Store sales forecast problem”, “Regional population” and “Store location (distance from main street or distance from nearest station), etc.” are integrated to calculate forecast sales, etc. The present invention is widely applicable to the problem of integrating a plurality of observation events and drawing a conclusion by using the DS theory.
[0112]
【The invention's effect】
As described above, according to the present invention, it is possible to easily configure the apparatus according to the problem to be handled and the change in the type of observation data, and it is easy to correct knowledge such as addition of various procedures necessary for inference. It is. In addition, since the processing during inference execution can be reduced only to the calculation and update processing of the certainty factor, the speed of inference can be increased. Furthermore, since the processing of the observation data input first can be advanced before the next observation data is input, for example, when the observation data is input intermittently instead of continuously Inference processing can be performed more quickly.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of an ambiguous reasoning apparatus according to an embodiment of the present invention.
FIG. 2 is a diagram showing a data flow diagram in the embodiment.
FIG. 3 is a diagram showing details of a data flow diagram in the embodiment.
FIG. 4 is a diagram showing a membership function in the same embodiment.
FIG. 5 is a flowchart showing an operation procedure of inference processing in the embodiment;
FIG. 6 is a flowchart showing an initial setting operation procedure of inference processing in the same embodiment;
FIG. 7 is a flowchart showing an initial setting operation procedure for inference processing in the embodiment;
FIG. 8 is a flowchart showing an initial setting operation procedure of inference processing in the same embodiment;
FIG. 9 is a flowchart showing an initial setting operation procedure of inference processing in the same embodiment;
FIG. 10 is a flowchart showing a method operation procedure of inference processing in the same embodiment;
FIG. 11 is a flowchart showing a method operation procedure of inference processing in the same embodiment;
FIG. 12 is a flowchart showing a method operation procedure of inference processing in the same embodiment;
FIG. 13 is a flowchart showing a method operation procedure of inference processing in the same embodiment;
FIG. 14 is a flowchart showing a fuzzy inference operation procedure of method 1 in the embodiment.
FIG. 15 is a diagram showing temporary assignment of the degree of belonging to each focus element in the embodiment.
FIG. 16 is a diagram showing temporary assignment of the degree of belonging to each focus element in the embodiment.
FIG. 17 is a diagram showing integration of two probability values in the same embodiment.
FIG. 18 is a diagram showing attribute values of attributes (processing results) of objects in the embodiment.
FIG. 19 is a diagram showing handling of fuzzy input values in the same embodiment.
FIG. 20 is a diagram showing a data flow diagram in which an object is changed in the embodiment.
FIG. 21 is a block diagram showing a configuration of an ambiguous reasoning apparatus according to another embodiment of the present invention.
FIG. 22 is a diagram for explaining a basic concept of DS theory.
FIG. 23 is a diagram for explaining Dempster combining rules;
FIG. 24 shows an example of a membership function in fuzzy logic.
[Explanation of symbols]
1 ... Inference procedure generator
2 ... Inference preprocessing execution part
3 ... Inference Execution Management Department
4 ... Input method
5 ... Translation method
6 ……… Integrated method
7: Interpretation method
8 ……… Fuzzy reasoning execution part
9 ... DS inference execution unit
10 ... Object information
11 ... Data flow diagram
12 ......... Universal set
13 ... Conversion rules
14 ... Membership function
15: Environmental value
16 ……… Inference results

Claims (10)

A first data conversion means for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference, with certainty from observation data as inference data;
Second data conversion means for converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events When,
A data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
Based on Dempster-Shafer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor,
In the entire inference process , each of the partial modules accompanied by the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means And an inference procedure generating means for determining an inference procedure given a relational link between the partial modules;
According to the determined inference procedure and the processing procedure information , the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means are selected. And an execution management means that is activated to start the fuzzy reasoning apparatus. A first data conversion means for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference, with certainty from observation data as inference data;
Second data conversion means for converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events When,
A data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
Based on Dempster-Shafer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor,
In the entire inference process , each of the partial modules accompanied by the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means And an inference procedure generating means for determining an inference procedure given a relational link between the partial modules;
An input means for inputting a membership function necessary for the fuzzy inference and each of the conversion rule lists;
Means for generating a template of the first data list with confidence;
According to the determined inference procedure and the processing procedure information , the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means are selected. Execution management means to be started
The activated first data conversion means, second data conversion means, data integration means, third data conversion means, and data calculation means are the input membership function, each conversion A fuzzy inference apparatus, wherein a rule list or a template of the generated first data list is used as necessary. A first data conversion means for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference, with certainty from observation data as inference data;
Second data conversion means for converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events When,
A data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
Based on Dempster-Shafer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor,
In the entire inference process , each of the partial modules accompanied by the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means And an inference procedure generating means for sequentially determining an inference procedure given a relational link between the partial modules;
According to the sequentially determined inference procedure and the processing procedure information , the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, and the data calculation A determination means for sequentially determining means to be selected and activated from the means;
An ambiguous reasoning apparatus comprising: an execution management unit that activates the determined unit. A first data conversion means for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference, with certainty from observation data as inference data;
Second data conversion means for converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events When,
A data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
Based on Dempster-Shafer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor,
An input means for inputting a membership function necessary for the fuzzy inference and each of the conversion rule lists;
Means for generating a template of the first data list with confidence;
In the entire inference process , each of the partial modules accompanied by the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means And an inference procedure generating means for sequentially determining an inference procedure given a relational link between the partial modules;
According to the sequentially determined inference procedure and the processing procedure information , the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, and the data calculation A determination means for sequentially determining means to be selected and activated from the means;
Execution management means for activating the determined means,
The activated first data conversion means, second data conversion means, data integration means, third data conversion means, and data calculation means are the input membership function, each conversion A fuzzy inference apparatus, wherein a rule list or a template of the generated first data list is used as necessary. A first data conversion means for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference, with certainty from observation data as inference data;
Second data conversion means for converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events When,
A data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
Based on Dempster-Shafer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor,
In the entire inference process , each of the partial modules accompanied by the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means And the first data conversion unit, the second data conversion unit, the data integration unit, the third data conversion unit, or the data calculation unit as appropriate according to the relational link between the partial modules. And a means for activating the fuzzy reasoning device. A first data conversion means for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list based on fuzzy inference, with certainty from observation data as inference data;
Second data conversion means for converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events When,
A data integration means for integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A third data conversion means for converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
Based on Dempster-Shafer's probability theory, data calculating means for calculating a fifth data list with an upper bound probability and a lower bound probability from the fourth data list with a certainty factor,
In the entire inference process , each of the partial modules accompanied by the processing procedure information of the first data conversion means, the second data conversion means, the data integration means, the third data conversion means, or the data calculation means And means for inputting relationship links between the partial modules;
The first data conversion unit, the second data conversion unit, the data integration unit, and the third data conversion unit according to each of the input inference whole process partial modules and the relational link between the partial modules. A fuzzy reasoning apparatus comprising: a data conversion unit or a unit that appropriately selects and activates the data calculation unit.   7. The fuzzy reasoning apparatus according to claim 1, wherein the observation data as inference data includes at least weather data of a predetermined area. Based on fuzzy inference, a first step for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data;
A second step of converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events;
A third step of integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A fourth step of converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
A fifth step of calculating a fifth data list with upper and lower bound probabilities from the fourth data list with certainty based on Dempster-Shafer probability theory,
According to each of the partial modules with the processing procedure information of the first, second, third, fourth, or fifth step in the entire inference process and the relational link between the partial modules, the first, A fuzzy inference method, wherein the second, third, fourth, or fifth step is appropriately selected and executed. Based on fuzzy inference, a first step for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data;
A second step of converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events;
A third step of integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A fourth step of converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
A fifth step of calculating a fifth data list with upper and lower bound probabilities from the fourth data list with certainty based on Dempster-Shafer probability theory,
The inference procedure is determined according to each of the partial modules accompanied by the processing procedure information of the first, second, third, fourth, or fifth step and the relational link between the partial modules in the entire inference processing . ,
The fuzzy inference method, wherein the first, second, third, fourth, or fifth step is selected and executed according to the determined inference procedure and the processing procedure information . Based on fuzzy inference, a first step for obtaining a focus element list in the Dempster-Shafer probability theory as a first data list with certainty from observation data as inference data;
A second step of converting the focus element list with certainty into a second data list with certainty based on a conversion rule list for converting events used in the observation data into maneuverable events;
A third step of integrating the plurality of first or second data lists with certainty into a third data list with certainty based on Dempster's combining rules;
A fourth step of converting the third data list with certainty into a fourth data list with certainty based on a conversion rule list that translates the integration results;
A fifth step of calculating a fifth data list with upper and lower bound probabilities from the fourth data list with certainty based on Dempster-Shafer probability theory,
In the entire inference process , the inference procedure is sequentially performed according to each of the partial modules accompanied by the processing procedure information of the first, second, third, fourth, or fifth step and the relational link between the partial modules. Decided on
In accordance with the sequentially determined inference procedure and the processing procedure information, the steps to be selected and executed among the first to fifth steps are sequentially determined,
A fuzzy inference method characterized by executing the determined step.

Images