JPH02260002A - ファジィ制御装置 - Google Patents
ファジィ制御装置Info
- Publication number
- JPH02260002A JPH02260002A JP1083409A JP8340989A JPH02260002A JP H02260002 A JPH02260002 A JP H02260002A JP 1083409 A JP1083409 A JP 1083409A JP 8340989 A JP8340989 A JP 8340989A JP H02260002 A JPH02260002 A JP H02260002A
- Authority
- JP
- Japan
- Prior art keywords
- input
- time
- observed values
- series
- output data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 47
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 3
- 230000001537 neural effect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 7
- 230000001364 causal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Devices For Executing Special Programs (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
産業上の利用分野
本発明は、制御対象が非線形な場合において、その入出
力データから近未来の状況を予測する、たとえば河川や
ダムの環境変化による状況予測や人間社会の経済活動を
予測推定あるいは制御するファジィ装置に関する。
力データから近未来の状況を予測する、たとえば河川や
ダムの環境変化による状況予測や人間社会の経済活動を
予測推定あるいは制御するファジィ装置に関する。
従来の技術
一般に、生物の神経細胞は他の複数の神経細胞からシナ
プスを介して信号を受は取る。これらの入力信号が閾値
以上であれば神経パルスを発火し、以下であれば発火し
ない。これを工学的に表したのが第７図に示す神経回路
モデルであり、入力Ｘと出力ｙの関係は次のようである
。
プスを介して信号を受は取る。これらの入力信号が閾値
以上であれば神経パルスを発火し、以下であれば発火し
ない。これを工学的に表したのが第７図に示す神経回路
モデルであり、入力Ｘと出力ｙの関係は次のようである
。
ｙＩ：ｆ（ＪＴ１αＩＪＸＩＪ＋α。）ｆ（ｚ）＝１／
（１＋ｅｘｐ（−ｚ））ここでαはシナプスをモデルに
反映させる結合強度である。この神経回路モデルをネッ
トワーク結合したものが神経回路網モデルにエーラルネ
ットワーク）である。第８図に３層の神経回路網モデル
の１例を示す。神経回路網モデルの各神経回路モデルは
多入力多出力構造であり、非線形関係を表現できる。こ
こで神経回路網の入出力関係を次式で表現する。
（１＋ｅｘｐ（−ｚ））ここでαはシナプスをモデルに
反映させる結合強度である。この神経回路モデルをネッ
トワーク結合したものが神経回路網モデルにエーラルネ
ットワーク）である。第８図に３層の神経回路網モデル
の１例を示す。神経回路網モデルの各神経回路モデルは
多入力多出力構造であり、非線形関係を表現できる。こ
こで神経回路網の入出力関係を次式で表現する。
２：ＮＮ（Ｘ）
次に神経回路網モデルの学習機能について説明する。学
習データとして入出力変数を組にして多数用意しておき
、ｂａｃｋｐｒｏｐａｇａｔｌｏｎアルゴリズムで繰り
返し学習し、結合強度αを更新していくのである。この
学習アルゴリズムを実行すれば、神経回路網モデルは学
習した入力変数に近い値を入力されたとき、出力も同様
に学習に用いた出力変数に近い値を出してくれる。これ
が学習機能の実現である。ｂａｃｋｐｒｏｐａｇａｔｉ
ｏｎアルゴリズムはＣＤ。
習データとして入出力変数を組にして多数用意しておき
、ｂａｃｋｐｒｏｐａｇａｔｌｏｎアルゴリズムで繰り
返し学習し、結合強度αを更新していくのである。この
学習アルゴリズムを実行すれば、神経回路網モデルは学
習した入力変数に近い値を入力されたとき、出力も同様
に学習に用いた出力変数に近い値を出してくれる。これ
が学習機能の実現である。ｂａｃｋｐｒｏｐａｇａｔｉ
ｏｎアルゴリズムはＣＤ。
Ｅ、 Ｒｕ＋ｇｅｌｈａｒｔ、 Ｇ、 Ｅ、ＨＩｎｔｏ
ｎ ａｎｄ Ｒ，Ｊ、 ＷｌｌｌｌａｍＳ”Ｌｅａｒｎ
ｌｎｇ Ｒｅｐｒｅｓｅｎｔａｔｌｏｎｓ ｂｙ Ｂａ
ｃｋ−ＰｒｏｐａｇａｔＩｎｇ Ｅｒｒｏｒｓ、” Ｎ
ａｔｕｒｅ、 ｖｏｌ、３２３． ｐｐ、５３３−５３
８． Ｏｃｔ、 ｓ、 １９８Ｂ）のような参考文献が
ある。数学的な証明は以上の参考文献に譲る。
ｎ ａｎｄ Ｒ，Ｊ、 ＷｌｌｌｌａｍＳ”Ｌｅａｒｎ
ｌｎｇ Ｒｅｐｒｅｓｅｎｔａｔｌｏｎｓ ｂｙ Ｂａ
ｃｋ−ＰｒｏｐａｇａｔＩｎｇ Ｅｒｒｏｒｓ、” Ｎ
ａｔｕｒｅ、 ｖｏｌ、３２３． ｐｐ、５３３−５３
８． Ｏｃｔ、 ｓ、 １９８Ｂ）のような参考文献が
ある。数学的な証明は以上の参考文献に譲る。
次に神経回路網モデルを用いたファジィ推論について述
べる。ファジィ推論は、数学モデルが記述できないよう
な複雑な制御対象において、人間が従来の経験から得て
いる知識を用いて計算機で実行しようとするものである
。いまある入出力関係を次のような推論ルールで表すと
する。
べる。ファジィ推論は、数学モデルが記述できないよう
な複雑な制御対象において、人間が従来の経験から得て
いる知識を用いて計算機で実行しようとするものである
。いまある入出力関係を次のような推論ルールで表すと
する。
Ｒ１；ＩＦｘｌｌｇ”小さい”ａｎｄ ｘ２１ｓ”小さ
い”ＴＨＥ）ｆ ｙ＝ｘ＋２ Ｒ２； ＩＦ ｘｌ ｉｓ ”大きい”ａｎｄ ｘ２
ｉｓ”小さい”ＴＨＥＮ ｙ＝−１／２ｘ＋４ Ｒ３； ＩＦ ｘ２ Ｉｓ”大きい” ＴＨＥＭ ｙ＝
２ｘ＋５ここで、ＩＦ部を前件部、ＴＨＥＮ部を後件部
と呼ぶ。
い”ＴＨＥ）ｆ ｙ＝ｘ＋２ Ｒ２； ＩＦ ｘｌ ｉｓ ”大きい”ａｎｄ ｘ２
ｉｓ”小さい”ＴＨＥＮ ｙ＝−１／２ｘ＋４ Ｒ３； ＩＦ ｘ２ Ｉｓ”大きい” ＴＨＥＭ ｙ＝
２ｘ＋５ここで、ＩＦ部を前件部、ＴＨＥＮ部を後件部
と呼ぶ。
まず、前件部の構造を神経回路網モデルを用いて同定す
る。推論ルールの前件部は第９図（ａ）のような空間分
割を表わす。各分割は各推論ルールの前件部のファジイ
数によって構成されているので、各分割の境界はあいま
いに分割されている。
る。推論ルールの前件部は第９図（ａ）のような空間分
割を表わす。各分割は各推論ルールの前件部のファジイ
数によって構成されているので、各分割の境界はあいま
いに分割されている。
このあいまい分割を第９図（ｂ）に示す神経回路網モデ
ルを用いて行い、前件部のファジイ数のメンバシップ値
を決定する。そしてあいまい分割を第９図（Ｃ）の斜線
のように分割する。第９図（ａ）を数値として表した第
９図（ｄ）、第９図（ｂ）の神経回路網モデルを表した
第９図（ｅ）、各ルールに属する度合を表した第９図（
ｆ）を用いてより詳細に説明する。
ルを用いて行い、前件部のファジイ数のメンバシップ値
を決定する。そしてあいまい分割を第９図（Ｃ）の斜線
のように分割する。第９図（ａ）を数値として表した第
９図（ｄ）、第９図（ｂ）の神経回路網モデルを表した
第９図（ｅ）、各ルールに属する度合を表した第９図（
ｆ）を用いてより詳細に説明する。
いま、各ルールＲ１、Ｒ２，Ｒ３に分割される各入出力
データ（ｘｉ、ｘ２．ｙ）を考える。たとえば、第９図
（ｄ）で１番目の入力値は（ｘｉ 、Ｘ２）＝（０，１
，０，２）であり、Ｒ１に属している。いま、Ｒ１に属
する度合いを（０，１）で表わすと、第９図（ｆ）のよ
うに（Ｒ１、Ｒ２、Ｒ３）＝（１，０，０）となる。そ
れらの関係を第１０図にまとめる。第９図（ｅ）に示す
神経回路網モデルの入力層に（ｘｉ ＋ｘ２）を、また
出力層に（Ｒ１、Ｒ２、Ｒ３）を割り付けた後学習し、
その結果適当に入力値を入力すると、各ルールに属する
度合いとして、出力の推定の実数値μ（Ｏ≦μ≦１）が
得られる。たとえば％ （ｘ１＋ｘ２）”（０，４＋
０．４）のとき（μｌ、μ２．μ３）＝（Ｒ１、Ｒ２，
Ｒ３）＝（０，５，０，２，０，３）となる。ここで、
この度合いを各ルールの前件部のファジイ数のメンバシ
ップ値とする。また最終的に推論ルールを表わす空間分
割は、第９図（Ｃ）のような柔軟な空間分割となる。
データ（ｘｉ、ｘ２．ｙ）を考える。たとえば、第９図
（ｄ）で１番目の入力値は（ｘｉ 、Ｘ２）＝（０，１
，０，２）であり、Ｒ１に属している。いま、Ｒ１に属
する度合いを（０，１）で表わすと、第９図（ｆ）のよ
うに（Ｒ１、Ｒ２、Ｒ３）＝（１，０，０）となる。そ
れらの関係を第１０図にまとめる。第９図（ｅ）に示す
神経回路網モデルの入力層に（ｘｉ ＋ｘ２）を、また
出力層に（Ｒ１、Ｒ２、Ｒ３）を割り付けた後学習し、
その結果適当に入力値を入力すると、各ルールに属する
度合いとして、出力の推定の実数値μ（Ｏ≦μ≦１）が
得られる。たとえば％ （ｘ１＋ｘ２）”（０，４＋
０．４）のとき（μｌ、μ２．μ３）＝（Ｒ１、Ｒ２，
Ｒ３）＝（０，５，０，２，０，３）となる。ここで、
この度合いを各ルールの前件部のファジイ数のメンバシ
ップ値とする。また最終的に推論ルールを表わす空間分
割は、第９図（Ｃ）のような柔軟な空間分割となる。
次に後件部の構造の同定を行う。これは各ルールに一つ
づつ神経回路網モデルを割り当て、各々の入出力関係（
入カニ ｘｉ、ｘ２出カニｙ）を基に学習を行えばよい
。
づつ神経回路網モデルを割り当て、各々の入出力関係（
入カニ ｘｉ、ｘ２出カニｙ）を基に学習を行えばよい
。
上記の方法に従って、前件部、および後件部の構造が決
定された場合の推論ルールは次のように表現できる。
定された場合の推論ルールは次のように表現できる。
Ｒｓｉ ＩＦ ｘ＝（ｘｌ、ｘ２） ｉｓ ＡｓＴＨ
ＥＮ ｙｓ ：ＮＮ（ｘｌ、ｘ２） ｓ＝１．２．３こ
こで、Ａｓ（ｓ：１．２．３）は前件部のファジィ集合
を表わす。
ＥＮ ｙｓ ：ＮＮ（ｘｌ、ｘ２） ｓ＝１．２．３こ
こで、Ａｓ（ｓ：１．２．３）は前件部のファジィ集合
を表わす。
次に、ニューラルネット駆動型ファジィ推論の構成図を
第１１図に示す。１９は前件部の神経回路網モデル、２
０．２１．２２は後件部の神経回路網モデルである。第
１１図では各制御ルールの前件部のメンバシップ値μ１
（Ｘ）（１＝１．２．３）と後件部の推定値ｙｌ（１＝
１．２．３）とを積演算×し、各ルール間での和演算十
の結果から、推定値ｙ′が得られることを示している。
第１１図に示す。１９は前件部の神経回路網モデル、２
０．２１．２２は後件部の神経回路網モデルである。第
１１図では各制御ルールの前件部のメンバシップ値μ１
（Ｘ）（１＝１．２．３）と後件部の推定値ｙｌ（１＝
１．２．３）とを積演算×し、各ルール間での和演算十
の結果から、推定値ｙ′が得られることを示している。
以上神経回路網モデルを用いたファジィ推論の１例につ
いて述べたが、詳しくは参考文献（林勲、高木美行 神
経回路網モデルによるファジィ推論の定式化 第４回フ
ァジィシステムシンポジウム講演論文集１９８８年５月
３０．３１日）等がある。
いて述べたが、詳しくは参考文献（林勲、高木美行 神
経回路網モデルによるファジィ推論の定式化 第４回フ
ァジィシステムシンポジウム講演論文集１９８８年５月
３０．３１日）等がある。
発明が解決しようとする課題
このような従来例によるファジィ制御装置においては、
時間に依存しない入出力データを用いて神経回路網モデ
ルを決定し、出力を推定していた。
時間に依存しない入出力データを用いて神経回路網モデ
ルを決定し、出力を推定していた。
しかし時間的に因果関係のある時系列データ等を単にば
らばらな入出力データとして取扱い神経回路網モデルを
学習しても良好な結果は得られない。
らばらな入出力データとして取扱い神経回路網モデルを
学習しても良好な結果は得られない。
また、時間的因果関係が少しずつ変動していくような制
御対象に対して具体的に適応する手段がなかった。
御対象に対して具体的に適応する手段がなかった。
本発明は、かかる点に鑑みてなされたもので、観測値が
時系列データで時間的に因果関係があっても、正確に近
未来を予測するファジィ制御装置を提供することを目的
とする。
時系列データで時間的に因果関係があっても、正確に近
未来を予測するファジィ制御装置を提供することを目的
とする。
課題を解決するための手段
本発明は、制御対象の時系列の観測値から近未来の観測
値を予測する場合において、１入力変数から検出される
時系列の観測値をファジィ推論演算手段で並列演算する
に際し、現在から時系列順に観測値を取り込み、時系列
の観測値を入力データと出力データに分け、入力データ
には少なくとも１つの入力変数から検出される複数個の
時系列観測値を用い、その対の出力データには入力デー
タよりも時間的遅れのある観測値を用い、ファジィ推論
演算手段内の神経回路網モデルを決定する構造同定手段
とを備えたファジィ制御装置である。
値を予測する場合において、１入力変数から検出される
時系列の観測値をファジィ推論演算手段で並列演算する
に際し、現在から時系列順に観測値を取り込み、時系列
の観測値を入力データと出力データに分け、入力データ
には少なくとも１つの入力変数から検出される複数個の
時系列観測値を用い、その対の出力データには入力デー
タよりも時間的遅れのある観測値を用い、ファジィ推論
演算手段内の神経回路網モデルを決定する構造同定手段
とを備えたファジィ制御装置である。
また、本発明は、予測した近未来の観測値と予測された
真値の観測値の偏差が、所定の値以上になったときファ
ジィ推論演算手段内の神経回路網モデルの構造同定を行
うことを特徴とするファジィ制御装置である。
真値の観測値の偏差が、所定の値以上になったときファ
ジィ推論演算手段内の神経回路網モデルの構造同定を行
うことを特徴とするファジィ制御装置である。
さらに本発明は、観測値が記憶容量を越える場合は時系
列で記憶されている入出力データの組から、各々の入出
力データの組の中で変動傾向が類似しているものを探索
し、少なくとも１つを残して消去していくことを特徴と
するファジィ制御装置である。
列で記憶されている入出力データの組から、各々の入出
力データの組の中で変動傾向が類似しているものを探索
し、少なくとも１つを残して消去していくことを特徴と
するファジィ制御装置である。
作用
本発明は前記した構成より、神経回路網モデルを内蔵し
たファジィ推論を用い、時系列の観測値を入力データと
出力データに分け、入力データとして複数個の時系列観
測値を用い、その対の出力データとしては入力値よりも
時間的遅れのある観測値と対応させて神経回路網モデル
の学習を行うことによって、未来予測型のファジィ推論
を構成する。
たファジィ推論を用い、時系列の観測値を入力データと
出力データに分け、入力データとして複数個の時系列観
測値を用い、その対の出力データとしては入力値よりも
時間的遅れのある観測値と対応させて神経回路網モデル
の学習を行うことによって、未来予測型のファジィ推論
を構成する。
また、学習に用いる入出力データを、時系列順に古いデ
ータから新しいデータへ更新記憶し、予測した近未来の
観測値と予測された真値の観測値の偏差が、所定の値以
上になったとき神経回路網モデルの学習を行うことによ
り、神経回路網モデルの学習効果を高める。
ータから新しいデータへ更新記憶し、予測した近未来の
観測値と予測された真値の観測値の偏差が、所定の値以
上になったとき神経回路網モデルの学習を行うことによ
り、神経回路網モデルの学習効果を高める。
また、時系列で並んでいる入出力データの組を記憶更新
する際、各々の入出力データの組の中で変動傾向が数値
的に類似しているものを探索し、少なくとも１つを残し
て消去していくことによって、有効な入出力データを残
し、神経回路網モデルの学習効果を高める。
する際、各々の入出力データの組の中で変動傾向が数値
的に類似しているものを探索し、少なくとも１つを残し
て消去していくことによって、有効な入出力データを残
し、神経回路網モデルの学習効果を高める。
実施例
第１図は、本発明の第１の実施例を示すファジィ制御装
置の構成図である。第１図において１は順次観測される
時系列の観測値を新しい観測値から時系列順に記憶し、
ニューラルネット駆動型ファジィ推論演算部４に複数個
並列に出力する時系列データ変換部、２は観測値を神経
回路網モデルの決定のために入力データと出力データに
分けて記憶する観測値記憶部、３は観測値記憶部の入出
力データからニューラルネット駆動型ファジィ推論演算
に必要なメンバシップ関数や推論規則を導出し、ニュー
ラルネット駆動型ファジィ推論演算部４に与える構造同
定演算部、４は複数の時系列の観測値を入力とし、その
時系列観測値よりも未来の推定値を出力するニューラル
ネット駆動型ファジィ推論演算部である。
置の構成図である。第１図において１は順次観測される
時系列の観測値を新しい観測値から時系列順に記憶し、
ニューラルネット駆動型ファジィ推論演算部４に複数個
並列に出力する時系列データ変換部、２は観測値を神経
回路網モデルの決定のために入力データと出力データに
分けて記憶する観測値記憶部、３は観測値記憶部の入出
力データからニューラルネット駆動型ファジィ推論演算
に必要なメンバシップ関数や推論規則を導出し、ニュー
ラルネット駆動型ファジィ推論演算部４に与える構造同
定演算部、４は複数の時系列の観測値を入力とし、その
時系列観測値よりも未来の推定値を出力するニューラル
ネット駆動型ファジィ推論演算部である。
以上のように構成された本実施例の制御装置の構成図を
用いて、近未来の観測値を導出する手順を述べる。
用いて、近未来の観測値を導出する手順を述べる。
まず、時系列データ変換部１を説明する。制御対象から
順次観測される時系列の観測値を新しい観測値から時系
列順に記憶しニューラルネット駆動型ファジィ推論演算
部４に複数個並列に出力する。たとえば３出力のときは
、 入力ｘ（ｔ） 出力ｘ（ｔ）、ｘ（ｔ−１）、ｘ（
ｔ−２）入力ｘ（ｔ＋１） 出力ｘ（ｔ＋１）、ｘ（
ｔ）、ｘ（ｔ−１）入力ｘ（ｔ＋２） 出力ｘ（ｔ＋
２）、ｘ（ｔ＋１）、ｘ（ｔ）ｘ（ｔ）：観測値 ｔ：
時間 のように出力していけば良い。またこの時系列データ変
換部１は観測値の種類によって複数存在してもよい。
順次観測される時系列の観測値を新しい観測値から時系
列順に記憶しニューラルネット駆動型ファジィ推論演算
部４に複数個並列に出力する。たとえば３出力のときは
、 入力ｘ（ｔ） 出力ｘ（ｔ）、ｘ（ｔ−１）、ｘ（
ｔ−２）入力ｘ（ｔ＋１） 出力ｘ（ｔ＋１）、ｘ（
ｔ）、ｘ（ｔ−１）入力ｘ（ｔ＋２） 出力ｘ（ｔ＋
２）、ｘ（ｔ＋１）、ｘ（ｔ）ｘ（ｔ）：観測値 ｔ：
時間 のように出力していけば良い。またこの時系列データ変
換部１は観測値の種類によって複数存在してもよい。
つぎに観測値記憶部２は観測値を神経回路網モデルの決
定のために入力データと出力データに分けて記憶する。
定のために入力データと出力データに分けて記憶する。
いま、観測値の種類が複数ある時、推定したい近未来の
観測値を７ （ｔ）とすると、入力ｘ（ｔ） 、ｘ（ｔ
−１）、ｘ（ｔ−２） 出力ｙ（ｔ＋ｎ）入力ｘ（ｔ
＋１） 、ｘ（ｔ） 、ｘ（ｔ−１） 出力ｙ（ｔ＋
１＋ｎ）入力ｘ（ｔ＋２） 、ｘ（ｔ＋１）、ｘ（ｔ）
出力ｙ（ｔ＋２＋ｎ）ｘ（ｔ）、ｙ（ｔ）：観測値
ｔ：時間ｎ：自然数のような順序で記憶管理する。た
とえば入力データｘ（ｔ）、ｘ（ｔ−１）、ｘ（ｔ−２
）に対してｔ秒後の観測値として出力データｙ（ｔ＋ｎ
）が対応づけられ記憶される。
観測値を７ （ｔ）とすると、入力ｘ（ｔ） 、ｘ（ｔ
−１）、ｘ（ｔ−２） 出力ｙ（ｔ＋ｎ）入力ｘ（ｔ
＋１） 、ｘ（ｔ） 、ｘ（ｔ−１） 出力ｙ（ｔ＋
１＋ｎ）入力ｘ（ｔ＋２） 、ｘ（ｔ＋１）、ｘ（ｔ）
出力ｙ（ｔ＋２＋ｎ）ｘ（ｔ）、ｙ（ｔ）：観測値
ｔ：時間ｎ：自然数のような順序で記憶管理する。た
とえば入力データｘ（ｔ）、ｘ（ｔ−１）、ｘ（ｔ−２
）に対してｔ秒後の観測値として出力データｙ（ｔ＋ｎ
）が対応づけられ記憶される。
次に構造同定演算部３は上述の観測値記憶部の入出力デ
ータから神経回路網モデルの学習を行うとともに、二エ
ーラルネット駆動型ファジィ推論演算に必要なメンバシ
ップ関数や推論規則を導出し、ニューラルネット駆動型
ファジィ推論演算部４に与える。
ータから神経回路網モデルの学習を行うとともに、二エ
ーラルネット駆動型ファジィ推論演算に必要なメンバシ
ップ関数や推論規則を導出し、ニューラルネット駆動型
ファジィ推論演算部４に与える。
ニューラルネット駆動型ファジィ推論演算部４では時系
列データ変換部１から時系列観測値が与えられ近未来の
観測値の推定値が求められる。
列データ変換部１から時系列観測値が与えられ近未来の
観測値の推定値が求められる。
すなわち、
入力ｘ（ｔ）、ｘ（ｔ−１）、ｘ（ｔ−２） 出力ｙ
’（ｔ＋ｎ）入力ｘ（ｔ＋１）、ｘ（ｔ）、ｘ（ｔ−１
） 出力ｙ’（ｔ＋Ｉ＋ｎ）入力ｘ（ｔ÷２） 、ｘ
（ｔ＋１）、ｘ（ｔ） 出力ｙ’（ｔ＋２＋ｎ）Ｘ（
ｔ）：［測値 ｙ’（ｔ）：推定値ｔ：時間ｎ：自然数 つぎに第２図に本発明を河川の流出量予測に用いる例を
示す。観測値としては、降水量、水位、流出量の３つが
あり、これらの情報を基にｎ時間後の流出量を予測する
。入出力の関係はたとえば、入力ｘｌ（ｔ）、ｘｌ（ｔ
−１）、ｘｌ（ｔ−２） 出力ｙ’（ｔ＋ｎ）ｘ２（
ｔ）、ｘ２（ｔ−１）、ｘ２（ｔ−２）ｙ（ｔ） 、ｙ
（ｔ−１） 、ｙ（ｔ−２）ｘｉ（を戸降水量ｘ２（ｔ
）：水位ｙ（ｔ）：流出量ｙ’（を十ｎ）：流出量の推
定値 であり、３種類の観測値の各々３個の時系列の入力デー
タから１個の出力データを予測する。第２図をみるとｘ
ｉ（降水量）が少し下がり、ｘ２（水位）が上がり、ｙ
（ｔ）（流出量）が少し上がるときは、ｎ時間後の流出
量の推定値はＶ’ （ｔ＋ｎ）となることを示してい
る。
’（ｔ＋ｎ）入力ｘ（ｔ＋１）、ｘ（ｔ）、ｘ（ｔ−１
） 出力ｙ’（ｔ＋Ｉ＋ｎ）入力ｘ（ｔ÷２） 、ｘ
（ｔ＋１）、ｘ（ｔ） 出力ｙ’（ｔ＋２＋ｎ）Ｘ（
ｔ）：［測値 ｙ’（ｔ）：推定値ｔ：時間ｎ：自然数 つぎに第２図に本発明を河川の流出量予測に用いる例を
示す。観測値としては、降水量、水位、流出量の３つが
あり、これらの情報を基にｎ時間後の流出量を予測する
。入出力の関係はたとえば、入力ｘｌ（ｔ）、ｘｌ（ｔ
−１）、ｘｌ（ｔ−２） 出力ｙ’（ｔ＋ｎ）ｘ２（
ｔ）、ｘ２（ｔ−１）、ｘ２（ｔ−２）ｙ（ｔ） 、ｙ
（ｔ−１） 、ｙ（ｔ−２）ｘｉ（を戸降水量ｘ２（ｔ
）：水位ｙ（ｔ）：流出量ｙ’（を十ｎ）：流出量の推
定値 であり、３種類の観測値の各々３個の時系列の入力デー
タから１個の出力データを予測する。第２図をみるとｘ
ｉ（降水量）が少し下がり、ｘ２（水位）が上がり、ｙ
（ｔ）（流出量）が少し上がるときは、ｎ時間後の流出
量の推定値はＶ’ （ｔ＋ｎ）となることを示してい
る。
以上のように第１の実施例によれば、このようにして得
られた未来推定値は、過去の時間的因果関係に基づいた
値であり、真値にかなり近い値をもとめることができる
。
られた未来推定値は、過去の時間的因果関係に基づいた
値であり、真値にかなり近い値をもとめることができる
。
第３図は、本発明の第２の実施例を示すファジィ制ａＩ
装置の構成図である。第３図において、５は順次観測さ
れる時系列の観測値を新しい観測値から時系列順に記憶
し、ニューラルネット駆動型ファジィ推論演算部８に複
数個出力する時系列データ変換部、６は観測値を神経回
路網モデルの決定のために入力データと出力データに分
けて記憶する観測値記憶管理部、７は観測値記憶管理部
の入出力データからニューラルネット駆動型ファジィ推
論演算に必要なメンバシップ関数や推論規則を導出し、
二二−ラルネット駆動型ファジィ推論演算部８に与える
構造同定演算部、８は複数の時系列の観測値を入力とし
、その時系列観測値よりも未来の推定値を出力するニュ
ーラルネット駆動型ファジィ推論演算部、９は構造同定
演算時期を決定する同定時期決定部である。
装置の構成図である。第３図において、５は順次観測さ
れる時系列の観測値を新しい観測値から時系列順に記憶
し、ニューラルネット駆動型ファジィ推論演算部８に複
数個出力する時系列データ変換部、６は観測値を神経回
路網モデルの決定のために入力データと出力データに分
けて記憶する観測値記憶管理部、７は観測値記憶管理部
の入出力データからニューラルネット駆動型ファジィ推
論演算に必要なメンバシップ関数や推論規則を導出し、
二二−ラルネット駆動型ファジィ推論演算部８に与える
構造同定演算部、８は複数の時系列の観測値を入力とし
、その時系列観測値よりも未来の推定値を出力するニュ
ーラルネット駆動型ファジィ推論演算部、９は構造同定
演算時期を決定する同定時期決定部である。
以上のように構成された本実施例の制御装置の構成図を
用いて、構造同定演算時期を決定する手順を述べる。
用いて、構造同定演算時期を決定する手順を述べる。
時系列データ変換部５は第１の実施例の時系列データ変
換部１と同様である。制御対象から順次観測される時系
列の観測値を新しい観測値から時系列順に記憶しニュー
ラルネット駆動型ファジィ推論演算部８に複数個並列に
出力する。たとえば３出力のときは、 入力ｘ（ｔ） 出力ｘ（ｔ）、ｘ（ｔ−１）、ｘ（
ｔ−２）入力ｘ（ｔ＋１） 出力ｘ（ｔ＋１）、ｘ（
ｔ）、ｘ（ｔ−ｔ）入力ｘ（ｔ＋２） 出力ｘ（ｔ＋
２）、ｘ（ｔ＋１）、ｘ（ｔ）ｘ（ｔ）：観測値 ｔ：
時間 のように出力していけば良い。またこの時系列データ変
換部５は観測値の種類によって複数存在してもよい。
換部１と同様である。制御対象から順次観測される時系
列の観測値を新しい観測値から時系列順に記憶しニュー
ラルネット駆動型ファジィ推論演算部８に複数個並列に
出力する。たとえば３出力のときは、 入力ｘ（ｔ） 出力ｘ（ｔ）、ｘ（ｔ−１）、ｘ（
ｔ−２）入力ｘ（ｔ＋１） 出力ｘ（ｔ＋１）、ｘ（
ｔ）、ｘ（ｔ−ｔ）入力ｘ（ｔ＋２） 出力ｘ（ｔ＋
２）、ｘ（ｔ＋１）、ｘ（ｔ）ｘ（ｔ）：観測値 ｔ：
時間 のように出力していけば良い。またこの時系列データ変
換部５は観測値の種類によって複数存在してもよい。
つぎに観測値記憶管理部８は観測値を神経回路網モデル
の決定のために入力データと出力データに分けて記憶す
る。いま、観測値の種類が複数ある時、推定値したい近
未来の観測値をｙ （ｔ）とすると、 入力ｘ（ｔ）、ｘ（ｔ−１） 、ｘ（ｔ−２） 出力
ｙ（ｔ＋ｎ）入力ｘ（ｔ＋１） 、ｘ（ｔ）、ｘ（ｔ−
１） 出力ｙ（ｔ＋ｌ＋ｎ）入力ｘ（ｔ＋２） ＋ｘ
（ｔ”ｌ）、Ｘ（ｔ） 出力ｙ（ｔ＋２＋ｎ）ｘ（ｔ
）、ｙ（ｔ）：観測値 ｔ：時間ｎ：自然数のような順
序で記憶管理する。たとえば入力データｘ（ｔ）、ｘ（
ｔ−１）、ｘ（ｔ−２）に対してｔ秒後の対象観測値が
出力データｙ（ｔ＋ｎ）として対応づけられ記憶される
。また記憶容量には限界があるので、古いデ−タから消
去し新しいデータに順次更新していく。
の決定のために入力データと出力データに分けて記憶す
る。いま、観測値の種類が複数ある時、推定値したい近
未来の観測値をｙ （ｔ）とすると、 入力ｘ（ｔ）、ｘ（ｔ−１） 、ｘ（ｔ−２） 出力
ｙ（ｔ＋ｎ）入力ｘ（ｔ＋１） 、ｘ（ｔ）、ｘ（ｔ−
１） 出力ｙ（ｔ＋ｌ＋ｎ）入力ｘ（ｔ＋２） ＋ｘ
（ｔ”ｌ）、Ｘ（ｔ） 出力ｙ（ｔ＋２＋ｎ）ｘ（ｔ
）、ｙ（ｔ）：観測値 ｔ：時間ｎ：自然数のような順
序で記憶管理する。たとえば入力データｘ（ｔ）、ｘ（
ｔ−１）、ｘ（ｔ−２）に対してｔ秒後の対象観測値が
出力データｙ（ｔ＋ｎ）として対応づけられ記憶される
。また記憶容量には限界があるので、古いデ−タから消
去し新しいデータに順次更新していく。
次に構造同定演算部７は上述の観測値記憶管理部の入出
力データから神経回路網モデルの学習を行い、ニューラ
ルネット駆動型ファジィ推論演算に必要なメンバシップ
関数や推論規則を導出し、ニューラルネット駆動型ファ
ジィ推論演算部８に与える。同定時期は同定時期決定部
９から与えられる。
力データから神経回路網モデルの学習を行い、ニューラ
ルネット駆動型ファジィ推論演算に必要なメンバシップ
関数や推論規則を導出し、ニューラルネット駆動型ファ
ジィ推論演算部８に与える。同定時期は同定時期決定部
９から与えられる。
ニューラルネット駆動型ファジィ推論演算部８は第１の
実施例のニューラルネット駆動型ファジィ推論演算部４
と同様、時系列観測値を入力とし近未来の観測値の推定
値が求められる。すなわち、入力Ｘ（ｔ）、Ｘ（ｔ−１
）、ｘ（ｔ−２） 出力ｙ’（ｔ＋ｎ）入力ｘ（ｔ＋
１）、ｘ（ｔ） 、ｘ（ｔ−１） 出力ｙ’（ｔ＋１
＋ｎ）入力ｘ（ｔ＋２）、ｘ（ｔ＋１）、ｘ（ｔ）
出力ｙ’（ｔ＋２＋ｎ）ｘ（ｔ）：観測値 ｙ’（ｔ）
：推定値 ｔ；時間ｎ：自然数同定時期決定部９は構造
同定演算時期を決定する。近未来の観測値の推定値ｙ’
（ｔ＋ｎ）とｎ秒後に観測される真値の観測値ｙ（ｔ＋
ｎ）の偏差が、ある値以上になったとき構造同定演算部
７により所定の演算を行う。
実施例のニューラルネット駆動型ファジィ推論演算部４
と同様、時系列観測値を入力とし近未来の観測値の推定
値が求められる。すなわち、入力Ｘ（ｔ）、Ｘ（ｔ−１
）、ｘ（ｔ−２） 出力ｙ’（ｔ＋ｎ）入力ｘ（ｔ＋
１）、ｘ（ｔ） 、ｘ（ｔ−１） 出力ｙ’（ｔ＋１
＋ｎ）入力ｘ（ｔ＋２）、ｘ（ｔ＋１）、ｘ（ｔ）
出力ｙ’（ｔ＋２＋ｎ）ｘ（ｔ）：観測値 ｙ’（ｔ）
：推定値 ｔ；時間ｎ：自然数同定時期決定部９は構造
同定演算時期を決定する。近未来の観測値の推定値ｙ’
（ｔ＋ｎ）とｎ秒後に観測される真値の観測値ｙ（ｔ＋
ｎ）の偏差が、ある値以上になったとき構造同定演算部
７により所定の演算を行う。
Ｉ ｙ’（ｔ＋ｎ）−ｙ（ｔ＋ｎ） Ｉ ＞ｃ ｃ：
定数以上のように第２の実施例によれば、このようにし
て得られた未来推定値は、過去の時間的因果関係に基づ
いた値であり・、また観測値の予測結果が真値と合わな
くなったとき、新しい入出力データを基に再び神経回路
網モデルを学習させることで、一定期間ごとに同定を行
う方法よりも真値に近い予測値を安定に出力することが
できる。
定数以上のように第２の実施例によれば、このようにし
て得られた未来推定値は、過去の時間的因果関係に基づ
いた値であり・、また観測値の予測結果が真値と合わな
くなったとき、新しい入出力データを基に再び神経回路
網モデルを学習させることで、一定期間ごとに同定を行
う方法よりも真値に近い予測値を安定に出力することが
できる。
同様に第４図は、本発明の第３の実施例を示すファジィ
制御装置の構、成図である。第４図において、１０は順
次観測される時系列の観測値を新しい観測値から時系列
順に記憶し、ニューラルネット駆動型ファジィ推論演算
部１３に複数個出力する時系列データ変換部、１１は観
測値を神経回路網モデルの決定のために入力データと出
力データに分けて記憶する観測値記憶最適管理部、１２
は観測値記憶最適管理部の入出力データからニューラル
ネット駆動型ファジィ推論演算に必要なメンバシップ関
数や推論規則を導出し、ニューラルネット駆動型ファジ
ィ推論演算部１３に与える構造同定演算部、１３は複数
の時系列の観測値を入力とし、その時系列観測値よりも
未来の推定値を出力するニューラルネット駆動型ファジ
ィ推論演算部、１４は構造同定演算時期を決定する同定
時期決定部である。観測値記憶管理部１１以外は第２の
実施例と同様の機能を有している。
制御装置の構、成図である。第４図において、１０は順
次観測される時系列の観測値を新しい観測値から時系列
順に記憶し、ニューラルネット駆動型ファジィ推論演算
部１３に複数個出力する時系列データ変換部、１１は観
測値を神経回路網モデルの決定のために入力データと出
力データに分けて記憶する観測値記憶最適管理部、１２
は観測値記憶最適管理部の入出力データからニューラル
ネット駆動型ファジィ推論演算に必要なメンバシップ関
数や推論規則を導出し、ニューラルネット駆動型ファジ
ィ推論演算部１３に与える構造同定演算部、１３は複数
の時系列の観測値を入力とし、その時系列観測値よりも
未来の推定値を出力するニューラルネット駆動型ファジ
ィ推論演算部、１４は構造同定演算時期を決定する同定
時期決定部である。観測値記憶管理部１１以外は第２の
実施例と同様の機能を有している。
以上のように構成された本実施例の制御装置の構成図を
もとに、観測値記憶管理部１１の機能を述べる。
もとに、観測値記憶管理部１１の機能を述べる。
まず第５図で入出力データの記憶吠況について説明する
。第５図（ａ）は観測値の時刻歴応答の１例で初期振動
がなくなり、定常状態になろうとしているところを示し
ている。一方、第５図（ｂ）はその時の観測値を時系列
順に２つずつ入力データにしたものである。第５図（ｂ
）をみると定常状態のときに取り込まれた観測値により
つくられた入力データが数値的にかたまっていることが
わかる。これは第２の実施例による古い入出力データか
ら消去していく方法だと、このまま定常状態が続けば観
測値記憶最適管理部１１の入出力データはすべて数値的
に近い値となり、神経回路網モデルを非常にせまい範囲
の入出力関係で学習させることを示している。すなわち
再び観測値が振動してきた場合に適応できな（なる。そ
こで観測値記憶最適管理部１１の手順を第６図のように
する。
。第５図（ａ）は観測値の時刻歴応答の１例で初期振動
がなくなり、定常状態になろうとしているところを示し
ている。一方、第５図（ｂ）はその時の観測値を時系列
順に２つずつ入力データにしたものである。第５図（ｂ
）をみると定常状態のときに取り込まれた観測値により
つくられた入力データが数値的にかたまっていることが
わかる。これは第２の実施例による古い入出力データか
ら消去していく方法だと、このまま定常状態が続けば観
測値記憶最適管理部１１の入出力データはすべて数値的
に近い値となり、神経回路網モデルを非常にせまい範囲
の入出力関係で学習させることを示している。すなわち
再び観測値が振動してきた場合に適応できな（なる。そ
こで観測値記憶最適管理部１１の手順を第６図のように
する。
ステップ１５で観測値を順次入力し入出力データに分類
する。
する。
入力ｘ（ｔ） 、ｘ（ｔ−１）、ｘ（ｔ−２） 出力
ｙ（ｔ＋ｎ）入力ｘ（ｔ＋１）、ｘ（ｔ）、ｘ（ｔ−１
） 出力ｙ（ｔ＋１＋ｎ）入力ｘ（ｔ＋２） 、ｘ（
ｔ＋１）、ｘ（ｔ） 出力ｙ（ｔ＋２＋ｎ）ｘ（ｔ）
、ｙ（ｔ）：ｆｉ！測値 ｔ：時間ｎ：自然数つぎにス
テップ１ｅで入出力データ間の変動傾向を距離を計算す
ることによって調べる。たとえば上のステップ１５の入
出力データの１行目と２行目の距離は、 ＋ ｘ（ｔ）−ｘ（ｔ＋ｔ） ＋ ＋ ＋ ｘ（ｔ）−
ｘ（ｔ−ｔ） ＋＋ ｌ ｘ（ｔ−１）−ｘ（ｔ−２
）ｌ ＋ Ｉ ｙ（ｔ＋１＋ｎ）−ｙ（ｔ＋ｎ）Ｉ
：ＡＡ：距離 で等測的に表すことができる。ステップ１７で最短距離
を出した２つの入出力データの組を抽出し、ステップ１
８でその一方を消去する。以上のステップを繰り返すこ
とにより定常状態等による入出力データの集中を防止す
ることができる。
ｙ（ｔ＋ｎ）入力ｘ（ｔ＋１）、ｘ（ｔ）、ｘ（ｔ−１
） 出力ｙ（ｔ＋１＋ｎ）入力ｘ（ｔ＋２） 、ｘ（
ｔ＋１）、ｘ（ｔ） 出力ｙ（ｔ＋２＋ｎ）ｘ（ｔ）
、ｙ（ｔ）：ｆｉ！測値 ｔ：時間ｎ：自然数つぎにス
テップ１ｅで入出力データ間の変動傾向を距離を計算す
ることによって調べる。たとえば上のステップ１５の入
出力データの１行目と２行目の距離は、 ＋ ｘ（ｔ）−ｘ（ｔ＋ｔ） ＋ ＋ ＋ ｘ（ｔ）−
ｘ（ｔ−ｔ） ＋＋ ｌ ｘ（ｔ−１）−ｘ（ｔ−２
）ｌ ＋ Ｉ ｙ（ｔ＋１＋ｎ）−ｙ（ｔ＋ｎ）Ｉ
：ＡＡ：距離 で等測的に表すことができる。ステップ１７で最短距離
を出した２つの入出力データの組を抽出し、ステップ１
８でその一方を消去する。以上のステップを繰り返すこ
とにより定常状態等による入出力データの集中を防止す
ることができる。
以上のように第３の実施例によれば、このようにして得
られた入出力データは、過去の諸現象を偏りなく表して
おり、神経回路網モデルを学習するときの効果的な入出
力関係になっている。
られた入出力データは、過去の諸現象を偏りなく表して
おり、神経回路網モデルを学習するときの効果的な入出
力関係になっている。
発明の詳細
な説明したように、本発明は前記した構成より、神経回
路網モデルを内蔵したファジィ推論を用い、時系列の観
測値を入力データと出力データに分け、入力データとし
て複数個の時系列観測値を用い、その対の出力データと
しては入力値よりも時間的遅れのある観測値と対応させ
て神経回路網モデルの学習を行うことによって、未来予
測型のファジィ推論を実現している。
路網モデルを内蔵したファジィ推論を用い、時系列の観
測値を入力データと出力データに分け、入力データとし
て複数個の時系列観測値を用い、その対の出力データと
しては入力値よりも時間的遅れのある観測値と対応させ
て神経回路網モデルの学習を行うことによって、未来予
測型のファジィ推論を実現している。
また、学習に用いる入出力データを、時系列順に古いデ
ータから新しいデータへ更新記憶し、予測した近未来の
観測値とｎ秒後に観測される真値の観測値の偏差が所定
の値以上になったとき神経回路網モデルの学習を行うこ
とにより、神経回路網モデルの学習効果を高めている。
ータから新しいデータへ更新記憶し、予測した近未来の
観測値とｎ秒後に観測される真値の観測値の偏差が所定
の値以上になったとき神経回路網モデルの学習を行うこ
とにより、神経回路網モデルの学習効果を高めている。
また、時系列で並んでいる入出力データの組を記憶更新
する際、各々の入出力データの組の中で変動傾向が数値
的に類似しているものを探索し、少なくとも１つを残し
て消去していくことによって、有効な入出力データを残
し、神経回路網モデルの学習効果を高めている。
する際、各々の入出力データの組の中で変動傾向が数値
的に類似しているものを探索し、少なくとも１つを残し
て消去していくことによって、有効な入出力データを残
し、神経回路網モデルの学習効果を高めている。
第１図は第１の発明における一実施例のファジィ制御装
置の構成図、第２図は第１の発明をもとに河川の流出量
予測を示した説明図、第３図は第２の発明における一実
施例のファジィ制御装置の構成図、第４図は第３の発明
における一実施例のファジィ制御装置の構成図、第５図
は第３の発明の詳細な説明するための図、第６図は第３
の発明におけるフローチャート、第７図は神経回路モデ
ル、第８図は神経回路網モデル、第９図は神経回路網モ
デルの学習を説明するための図、第１０図は入出力関係
表、第１１図は従来例におけるニューラルネット駆動型
ファジィ推論の構成図。 １．５．１０・・・時系列データ変換部、２・・・観測
値記憶部、６．１１・・・観測値記憶管理部、１１・・
・観測値記憶最適管理部、３．７．１２・・・構造同定
演算部、４．８．１３・・・ニューラルネット駆動型フ
ァジィ推論演算部、９．１４・・・同定時期決定部。 代理人の氏名 弁理士 粟野重孝 ばか１８窮２図 特開 奪 図 落 図 （Ｌン 埼間 冨 図 （トフ ［渕１１【χ（ｔ〕 第 図 第 図 第 図 （幻 第１０図 （シ２ ｔＣ） 第 ｙ′ ｌ ＾２
置の構成図、第２図は第１の発明をもとに河川の流出量
予測を示した説明図、第３図は第２の発明における一実
施例のファジィ制御装置の構成図、第４図は第３の発明
における一実施例のファジィ制御装置の構成図、第５図
は第３の発明の詳細な説明するための図、第６図は第３
の発明におけるフローチャート、第７図は神経回路モデ
ル、第８図は神経回路網モデル、第９図は神経回路網モ
デルの学習を説明するための図、第１０図は入出力関係
表、第１１図は従来例におけるニューラルネット駆動型
ファジィ推論の構成図。 １．５．１０・・・時系列データ変換部、２・・・観測
値記憶部、６．１１・・・観測値記憶管理部、１１・・
・観測値記憶最適管理部、３．７．１２・・・構造同定
演算部、４．８．１３・・・ニューラルネット駆動型フ
ァジィ推論演算部、９．１４・・・同定時期決定部。 代理人の氏名 弁理士 粟野重孝 ばか１８窮２図 特開 奪 図 落 図 （Ｌン 埼間 冨 図 （トフ ［渕１１【χ（ｔ〕 第 図 第 図 第 図 （幻 第１０図 （シ２ ｔＣ） 第 ｙ′ ｌ ＾２
Claims (3)
- （１） 制御対象の時系列の観測値から近未来の観測値
を予測する場合において、ファジィ推論のメンバシップ
関数及び推論ルールの決定に神経回路網モデルを適用し
たファジィ推論演算手段と、１入力変数から検出される
時系列の観測値を記憶し、記憶された観測値を前記ファ
ジィ推論演算手段に並列に複数個出力する少なくとも１
つの時系列データ変換手段と、現在から時系列順に観測
値を取り込み、時系列の観測値を入力データと出力デー
タに分け、入力データには少なくとも１つの入力変数か
ら検出される複数個の時系列観測値を用い、その対の出
力データには入力データよりも時間的遅れのある観測値
を用い、対応させて記憶する観測値記憶部と、前記観測
値記憶部に記憶された入出力データを用いて前記ファジ
ィ推論演算手段内の神経回路網モデルを決定する構造同
定手段とを備えたことを特徴とするファジィ制御装置。 - （２） 制御対象の時系列の観測値から近未来の観測値
を予測する場合において、ファジィ推論のメンバシップ
関数及び推論ルールの決定に神経回路網モデルを適用し
たファジィ推論演算手段と、１入力変数から検出される
時系列の観測値を記憶し、記憶された観測値を前記ファ
ジィ推論演算手段に並列に複数個出力する少なくとも１
つの時系列データ変換手段と、現在から時系列順に観測
値を取り込み、時系列の観測値を入力データと出力デー
タに分け、入力データには少なくとも１つの入力変数か
ら検出される複数個の時系列観測値を用い、その対の出
力データには入力データよりも時間的遅れのある観測値
を用い、対応させて記憶し、さらに記憶容量を越える場
合は古いデータから消去していく観測値記憶管理部と、
前記観測値記憶管理部に記憶された入出力データを用い
て前記ファジィ推論演算手段内の神経回路網モデルを決
定する構造同定手段と、予測した近未来の観測値と予測
された真値の観測値の偏差が、所定の値以上になったと
き前記構造同定を行う同定時期決定手段とを備えたこと
を特徴とするファジィ制御装置。 - （３） 制御対象の時系列の観測値から近未来の観測値
を予測する場合において、ファジィ推論のメンバシップ
関数及び推論ルールの決定に神経回路網モデルを適用し
たファジィ推論演算手段と、１入力変数から検出される
時系列の観測値を記憶し、記憶された観測値を前記ファ
ジィ推論演算手段に並列に複数個出力する少なくとも１
つの時系列データ変換手段と、現在から時系列順に観測
値を取り込み、時系列の観測値を入力データと出力デー
タに分け、入力データには少なくとも１つの入力変数か
ら検出される複数個の時系列観測値を用い、その対の出
力データには入力データよりも時間的遅れのある観測値
を用い、対応させて記憶し、さらに記憶容量を越える場
合は時系列で記憶されている入出力データの組から、各
々の入出力データの組の中で変動傾向が類似しているも
のを探索し、少なくとも１つを残して消去していく観測
値記憶最適管理部と、前記観測値記憶最適管理部に記憶
された入出力データを用いて前記ファジィ推論演算手段
内の神経回路網モデルを決定する構造同定手段と、前記
構造同定を行う時期を決定する同定時期決定手段とを備
えたことを特徴とするファジィ制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1083409A JPH02260002A (ja) | 1989-03-31 | 1989-03-31 | ファジィ制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1083409A JPH02260002A (ja) | 1989-03-31 | 1989-03-31 | ファジィ制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH02260002A true JPH02260002A (ja) | 1990-10-22 |
Family
ID=13801632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1083409A Pending JPH02260002A (ja) | 1989-03-31 | 1989-03-31 | ファジィ制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH02260002A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0527567A2 (en) * | 1991-08-01 | 1993-02-17 | Hitachi, Ltd. | A method of controlling a controlled object, and a control system for such a method |
| US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
| US5625561A (en) * | 1994-01-31 | 1997-04-29 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback adjusting machine working condition for improving dimensional accuracy of processed workpieces |
| US5677609A (en) * | 1994-07-28 | 1997-10-14 | National Semiconductor Corporation | Intelligent servomechanism controller |
| US5828812A (en) * | 1993-03-24 | 1998-10-27 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system and method |
| US6999846B2 (en) | 1992-02-14 | 2006-02-14 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback-adjusting working condition for improving dimensional accuracy of processed workpieces |
-
1989
- 1989-03-31 JP JP1083409A patent/JPH02260002A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0527567A2 (en) * | 1991-08-01 | 1993-02-17 | Hitachi, Ltd. | A method of controlling a controlled object, and a control system for such a method |
| US6999846B2 (en) | 1992-02-14 | 2006-02-14 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback-adjusting working condition for improving dimensional accuracy of processed workpieces |
| US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
| US5594835A (en) * | 1993-03-24 | 1997-01-14 | National Semiconductor Corporation | Neural-fuzzy logic control system with adjustable fuzzy logic membership functions |
| US5606646A (en) * | 1993-03-24 | 1997-02-25 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system |
| US5828812A (en) * | 1993-03-24 | 1998-10-27 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system and method |
| US5625561A (en) * | 1994-01-31 | 1997-04-29 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback adjusting machine working condition for improving dimensional accuracy of processed workpieces |
| US5677609A (en) * | 1994-07-28 | 1997-10-14 | National Semiconductor Corporation | Intelligent servomechanism controller |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jang et al. | Neuro-fuzzy modeling and control | |
| Mendel et al. | Designing fuzzy logic systems | |
| Juang et al. | A recurrent self-organizing neural fuzzy inference network | |
| Singh et al. | High-order fuzzy-neuro expert system for time series forecasting | |
| Lin et al. | A neural fuzzy system with linguistic teaching signals | |
| Funabashi et al. | Fuzzy and neural hybrid expert systems: synergetic AI | |
| US20090271344A1 (en) | Method for computer-aided control or regualtion of a technical system | |
| Mosleh et al. | Simulation and evaluation of fuzzy differential equations by fuzzy neural network | |
| Figueiredo et al. | Learning algorithms for a class of neurofuzzy network and application | |
| Heydari et al. | Chaotic time series prediction via artificial neural square fuzzy inference system | |
| Nie et al. | Rule-based modeling: Fast construction and optimal manipulation | |
| Lin et al. | Temperature control with a neural fuzzy inference network | |
| Di Wang et al. | A survey of hierarchical fuzzy systems | |
| JPH02260002A (ja) | ファジィ制御装置 | |
| Singh | Big data time series forecasting model: a fuzzy-neuro hybridize approach | |
| Cagcag Yolcu | A hybrid fuzzy time series approach based on fuzzy clustering and artificial neural network with single multiplicative neuron model | |
| JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
| Aliev et al. | Fuzzy time series prediction method based on fuzzy recurrent neural network | |
| Xinqing et al. | A neurofuzzy approach for the anticipatory control of complex systems | |
| Kasabov | Evolving fuzzy neural networks: theory and applications for on-line adaptive prediction, decision making and control | |
| Tamura et al. | Recurrent type ANFIS using local search technique for time series prediction | |
| Slim | Neuro-fuzzy network based on extended Kalman filtering for financial time series | |
| Su | Identification of singleton fuzzy models via fuzzy hyperrectangular composite NN | |
| Mosleh | Numerical solution of fuzzy differential equations under generalized differentiability by fuzzy neural network | |
| Yang et al. | Intelligent forecasting system using Grey model combined with neural network |