JPH0293940A - メンバーシップ値生成装置 - Google Patents

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。

Description

【発明の詳細な説明】 （発明の分野） この発明は、ニューラルネットワークを備えたファジィ
コンピュータに関する。

（発明の概要） この発明は、ファジィコンピュータにメンバシップ関数
の処理機能を有するニューラル不−／　トワーク部を備
えて、メンバシップ関数の表現および所属値決定を自動
学習しながら実行することにより、メンバシップ関数設
定の融通性を増して制御対象への対応性を向上したもの
である。

（従来技術とその問題点） 曖昧な言語値で表現された入力情報を処理することがで
きる処理装置として、ファジィコンピュータが知られて
いる。

このファジィコンピュータでは、曖昧な言語値を、それ
らの言語値に対応して設定されるメンバシップ関数、お
よびこのメンバシップ関数に対する入力値の所属値を用
いることにより出力演算がおこなわれる。この入力値に
より、所属値が決定されるのを概念的に示したのが第１
１図である。

従来、これらのメンバシップ関数を表現する場合、あら
かじめメンバシップ関数の原形を用意しておき、その原
形を合成、あるいは変形することにより、必要なメンバ
シップ関数を定義している。

第１２図は、その具体例を示すもので、メンバシップ関
数を表すテーブルをデジタルメモリに記憶させておき、
入力値、たとえば１．２が所属値決定回路に入力される
と、デジタルメモリから対応する０、３を読出し、所属
値を０．３として出力する。

第１３図は、他の例としてアナログ回路により所属値の
決定をする場合を示し、フィルタ回路が入力値のレヘル
に応じ、対応するメンバシップ関数の値を所属値として
アナログ量で出力する。

しかしながら、このような従来の方法では、次のような
問題がある。

（１）デジタルメモリの場合は、−旦、メンバシップ関
数が定義され°ζしまうと、通常は、その後の変更が不
可能であり、出力結果等に基づいて、より最適なメンバ
シップ関数を再定義することができない。

（２１同じくデジタルメモリの場合は、メンバシップ関
数の記憶しているメモリと、所属値を決定する所属値決
定回路とが別に構成されているため、入力値に基づくメ
モリ内のテーブルの読出しに時間がかかり、その分処理
速度が遅くなる。

（３）アナログ回路の場合、表現が制限がされているた
め、表現されているメンパンツブ関数が画一的となり、
異なる他のメンバシップ関数を任意に定義することがで
きない。

（発明の目的） この発明は上記の問題を解消するためになされたもので
、その目的とするところは、メンバシップ関数の表現に
自在性を持たせて、出力結果等に基づいてより最適なメ
ンバシップ関数を再定義するとともに、これらの処理を
高速に実行できるファジィコンピュータを提供すること
にある。

（発明の構成と効果） この発明は上記目的を達成するために、（１）ニューラ
ルネットワークを存するファジィコンピュータを特徴と
する。

（２）メンバシップ関数の表現および所属値決定の機能
を備えたニューラルネットワークを有することを特徴と
する。

（３）メンバシップ関数の表現および所属値決定の機能
を備えたニューラルネットワークを仔するファジィコン
ピュータにおいて、ニューラルネットワークから出力さ
れた入力値に対応するメンバシップ関数の所属値と、前
記入力値から得られるべき所属値とを比較し、その差を
算出する手段と、この手段から出力された差信号を減少
させるように、ニューラルネットワーク内の重み設定値
を変更させる教師信号を発生する手段を備えたことを特
徴とする。

この発明によればそれぞれ以下の効果が得られる。

＋１１ニユーラルネツトワークが存する学習機能をファ
ジィコンピュータに利用することにより、ファジィコン
ピュータの各種機能に多様性と柔軟性を持たせることが
できる。

（２）メンバシップ関数に関する処理部にニューラルネ
ットワークを備えたことにより、メンバシップ関数の表
現が豊富になり、任意のメンバシップ関数を表現できる
とともに、メンハシ７プ関数の記憶、および所属値決定
の演算が同時になされてこれらの処理速度が向上した分
、マシン全体の処理能力を高めることができる。

（３）入力値とそれを変換して得られる所属値とを比較
し、ニヱーラルネ−／　トワーク内の重みの内容が自動
的に学習されることにより、煩わしいメンバシップ関数
の入力操作が不要になるとともに、制ｉｎ対象に対する
最適なメンバシップ関数が形成され、制？ＩＩ演算の精
度が向上し、さらに、制御月象に対する対応性を多様化
することができる。

−（実施例の説明） 第１図は、この発明にかかるファジィコンピュータの要
部の構成を概念的に示した図である。この図は、周知の
ファジィコンピュータにおいて、曖昧な言語値として入
ツノされた入力値からメンハシ７プ関数の所属値を決定
する部分についてを示すもので、ファジィコンピュータ
の全体構成についての図示を省略している。

図において、入力処理部ｌは、制御対象から得られた入
力値を次段のニューラルネットワーク部２で処理可能な
データに変換し、ニューラルネットワーク部２へ送出す
る。

ニューラルネットワーク部２では、得られた入力値を、
差検出部４からの教師信号に基づいて、メンバシフブ関
数の学習および表現をすると同時に所属値を決定して、
その値を出力処理部３へ送出する。

出力処理部３では、ニューラルネットワーク部２から出
力された所属値を後段で処理できる形態に変換して、差
検出部４へ送出する。

差検出部４では、実際に得られた所属値と、入力値から
予測できる所属値とを比較して、その差を滅失させる教
師信号を作成しニューラルネ−／　トワーク部２へ送出
する。

これらの処理が繰り返し実行されることにより、ニュー
ラルネットワーク部２では最適な所属値を出力するよう
になる。

また、出力処理部３から出力された所属値は、差検出部
４へ送出されると同時に、ファジィコンピュータ内の所
属値を用いた演算部（図示せず）へも送出されて、各種
演算が実行される。

次に、この発明の要旨であるニューラルネットワーク部
２についての説明に先立ち、ニューラルネットワークに
ついて説明する。

ニューラルネットワークは、周知のように、生物の神経
回路をモデルにした情報処理装置である。

このニューラルネットワークを構成する基本の演算素子
として、第２図に示すニューロンがある。

このニューロンＡは、ｘ　、　”−ｘ、、の入力が接続
され、それぞれの入力線には重みω、〜ω７が付加され
ている。その結果、ニューロンＡでは、人力としてΣω
、・Ｘ、が得られる。

さらにニューロンＡは、第３図に示すように、得られた
入力値を一定の関数により変換して出力する。

第４図は、このようにして構成されたニューロンＡ、Ｂ
、Ｃ，Ｄを組み合わせたニューラルネットワークの一例
を示すものである。

ここで例えば、ネットワーク上の重み付けを、ω直＝ω
！＝ωｓ８ω？　＝　　１　、　　ωｓ　＝　ω−＝Ｑ
、　５、ω、−−２としておき、ニューロンＡ〜Ｄは、
いずれも入力が１よりも小ならば出力を０に、入力１以
上ならば出力を１とする。すなわちこの場合の入力ｘｌ
、ｘｚと出力ｙとの関係は排他的論理和となる。

また、他の重み付けとして、ω１−ω、＝１、ω、＝ω
４−ω６＝０、ω、＝ω、＝０．５とすると、ニューロ
ンＡ−Ｄは、いずれも入力が１よりも小ならば出力を０
に、入力１以上ならば出力を１とする。すなわちこの場
合の入力Ｘ、、Ｘ、と出力ｙとの関係は論理積となる。

このように、ニューラルネットワークは、入力値の組み
合わせからなる人カバターンを出カバターンに変換する
パターン変換装置としての動作をする。

第５図は、さらに多数のニューロンを組み合わせて構築
した一般的なニューラルネットワークを示すものである
。

図示したネットワークでは、人カバターンＸ〜×７が変
換されて出カバターンｙ１〜ｙ、、が得られる。なお図
に示すネットワークでは重み付けの表示を省略している
。

これらのニューラルネットワークにおける人カバターン
と、それを変換して得られた出カバターンとの関係は、
ニューロン間の結合の重みωによって決定される。つま
り重みωを変化させることにより、入カバターンから出
カバターンへの変換を任意に設定することができる。

また言い換えれば、パターン変換の規則は、ネットワー
ク中の重みとして、ネットワーク中にうめ込まれている
から１．パターン変換装置とパターン変換の規則が一体
化しているものとみなすこともできる。

このように、ニューラルネットワークの動作は、ニュー
ロン間の結合の重みによって決定される。

−Ｃに、この重みは人手によって逐−設定されるもので
なく、ニューラルネットワークの自己学習により決定さ
れる。この学習手順について、自己学習のアルゴリズム
として知られているバンクプロパゲーション（Ｂａｃｋ
ｐｒｏｐａｇａｔｉｏｎ　）により説明する。

先ず、入カバターンと、その入カバターンから得られる
べき出カバターンを、ニューラルネットワークに提示す
る。ニューラルネットワークは、得られた入カバターン
を現在のニューロン間の結合の重みのままで処理し出カ
バターンに変換する。

次に、この出カバターンと、得られるべき出カバターン
とを比較し、両者の差を求めて、この差が小さくなるよ
うにニューロンの結合重みを変更する。

重みの変更は、一般に次のルールによりおこなわれる。

（１１１を出力すべきニューロンが０を出力した場合は
、このニューロンへの入力の重みを増す。

（２）０を出力すべきニューロンが１を出力した場合は
、このニューロンへの入力の重みを減らす。

次にこの学習機構の一例を第６図により説明す図では、
ニューロンＡ、ＢＳＣによりＡＮＤ回路を構成するもの
であり、ニューロンＡ、Ｂ＋；を入力が【以上であれば
１を出力し、１未満であればＯを出力する。

ニューロンＣは、入力がともに１以上であれば１を出力
し、そうでない場合は０を出力する。

このニューロンＡ、Ｂに入力Ｘ＋＋Ｘｚが入力すると、
ニューロンＡ、Ｂからは入力値ｘｌ＋Ｘ２にそれぞれ重
みω４．ω、が付加されて、ニューロンＣへ送出される
。ニューロンＣからは得られた入力値から出力ｙが出力
され、重み変更量演算３Ｄ１゜Ｄ！へ送出される。

重み変更量演算器Ｄ１には、出力ｙの他に期待出力であ
る教師信号ｙ°と、ニューロンＡがらの入力ｘ１に相当
する出力信号α１が入力され、これらの値から修正量β
、を算出し、ニューロンＡ、０間の結合重みω１に修正
量β、を加算し、あらたな結合重みω１にする。ここで
算出される修正量β１は次式により算出される。

β＋＝ｎＸ　　（ｙ’　　　ｙ）Ｘα１なお、式中のｎ
は学習率パラメータである。

重み変更量演算器Ｄ！も、同様にして修正量β２を算出
し、ニューロンＢ、Ｃ間の結合重みω２を変更する。

これらの処理が繰り返されることにより、出力ｙは期待
すべき値に修正されてくる。

第７図はこれらの学習により、上記機構の出力が期待す
べき値に修正されていく過程の一例を示すものである。

実施例は、重みω１．ω２の初期値をそれぞれ０とし、
学習率バラメークｎを０．３としている。

１回目では、期待出力ｙ゛と異なる出力値ｙが出力され
るが、学習を重ねるうちに重みω、ω２が次第に補正さ
れ、３回目に期待する出力が得られたことを示している
。

４回目以後は、入力ＸＩ＋Ｘ！の他の組み合わせについ
てもそれぞれ出力値をチエツクして正しく出力されるこ
とを確認して学習を終了する。

この発明におけるニューラルネットワーク部２は、上述
した学習機構を多数組み合わせて構成したものであり、
ファジィ推論に必要なメンバシップ関数がこれらネット
ワーク内に、第８図のように表現される。

すなわち、第９図に示すように、ネットワークの入力と
してｎ個の入力値ｘ　、　”−＋　ｘ　、をネットワー
クに加えると、出力側からはメンバシップ関数をあられ
すｍ個の出力値が得られる。なお、この人・出力数ｎ、
ｍはファジィ推論するうえで実用上必要な値が用いられ
る。

このネットワークから実際に得られるメンバシップ関数
は、第１０図のように、入・出力数ｎ、ｍを組み合わせ
た階段状の表現になる。

このネットワークはニューラルネットワークの特徴であ
る自己学習機能を備えており、ネットワーク内の個々の
ニューロンに対する重み付けの設定入力は不要である。

その代わりに入力値情報とそれに対する期待すべき出力
情報を対で提示することにより、ネットワーク自体が学
習して適切な重み付けがなされる。学習により重み付け
が完了すると、ネットワーク内に第８図に示すようなメ
ンバシップ関数が形成される。以後、このメンバシップ
関数に基づいて入力値に対応する所属値が出力され、フ
ァジィコンピュータの演算処理に用いられる。

なお、ファジィコンピュータの動作中においても、メン
バシップ関数を変更する必要が生じた場合は、学習機能
により自動的に補正される。

このように、ファジィコンピュータのメンバシップ関数
の処理部にニューラルネットワークを用いたことにより
、メンバシップ関数の表現が自在になるとともに、学習
により自動的に設定されて、制御対象への対応に多様性
および柔軟性を備えることができる。

また、従来のストアードプロダラム方式を用いたノイマ
ン型コンピュータと異なり、ニューラルネットワークは
演算処理部と記憶部が一体となり、しかも並立処理が可
能であるため、短時間で所属値が求められ、その結果マ
シン全体の処理速度を大幅に向上することができる。

【図面の簡単な説明】

第１図はこの発明に係るファジィコンピュータの要部の
構成図、第２図はニューラルネットワークを構成する基
本演算素子であるニューロンを示す図、第３図はニュー
ロンに備えられた出力関数を示す図、第４図および第５
図はニューラルネットワークの一例を示す図、第６図は
ニューラルネットワークの学習機構の一例を示す図、第
７図は同じくその学習機構の学習過程を示す図、第８図
はニューラルネットワーク内のメンバシップ関数を示す
図、第９図はニューラルネットワークを示す図、第１０
図はニューラルネットワーク内のメンバシップ関数を示
す図、第１１図は入力値と所属値との関係を表すメンバ
シップ関数を示す図、第１２図は従来例のデジタル処理
を示す図、第１３図は従来例のアナログ処理を示す図で
ある。 ｌ・・・・・・入力処理部 ２・・・・・・ニューラルネットワーク部３・・・・・
・出力処理部 ４・・・・・−差検出部 第５ 図 第８ 図 ｊｌ λカイＪ［ 第９ 図 第１０図 入力ｆ直

Claims (3)

【特許請求の範囲】
1. １．ニューラルネットワークを有することを特徴とする
   ファジィコンピュータ。
2. ２．メンバシップ関数の表現および所属値決定の機能を
   備えたニューラルネットワークを有することを特徴とす
   るファジィコンピュータ。
3. ３．請求項２記載のファジィコンピュータにおいて、ニ
   ューラルネットワークから出力された入力値に対応する
   メンバシップ関数の所属値と、前記入力値から得られる
   べき所属値とを比較し、その差を算出する手段と、 この手段から出力された差信号を減少させるように、ニ
   ューラルネットワーク内の重み設定値を変更させる教師
   信号を発生する手段と、 を備えたことを特徴とするファジィコンピュータ。