JPH03291729A - ファジィ推論装置 - Google Patents
ファジィ推論装置Info
- Publication number
- JPH03291729A JPH03291729A JP2093632A JP9363290A JPH03291729A JP H03291729 A JPH03291729 A JP H03291729A JP 2093632 A JP2093632 A JP 2093632A JP 9363290 A JP9363290 A JP 9363290A JP H03291729 A JPH03291729 A JP H03291729A
- Authority
- JP
- Japan
- Prior art keywords
- inference
- output
- unit
- amount
- consequent
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 abstract description 53
- 238000013528 artificial neural network Methods 0.000 abstract description 36
- 230000006870 function Effects 0.000 abstract description 23
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002945 steepest descent method Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/04—Physical realisation
- G06N7/046—Implementation by means of a neural network
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
本発明は入力データから制御量等の推定量を決定したり
、パターン認識における帰属度を推定する推論装置に関
するものである。
、パターン認識における帰属度を推定する推論装置に関
するものである。
従来の技術
まずミ ファジィ推論の基本概略について説明する。
人間の評価が関与するシステム系において、操作者が感
覚的に判定したあいまいな変量（例えば「大きい」、
「中位」等）を用いて最終の推論操作量を決定する場合
がある。ファジィ推論を用いた推論装置ではＩＦ・・・
ＴＨＥＮ・・・形式の推論規則にあいまいな変量として
ファジィ変数を用いて記述する。
覚的に判定したあいまいな変量（例えば「大きい」、
「中位」等）を用いて最終の推論操作量を決定する場合
がある。ファジィ推論を用いた推論装置ではＩＦ・・・
ＴＨＥＮ・・・形式の推論規則にあいまいな変量として
ファジィ変数を用いて記述する。
第５図にファジィ変数の一例を示す。ファジィ推論で（
よ 前件部（ＩＦ部）には必ずファジィ変数を記述する
力交 後件部（ＴＨＥＮ部）ではファジィ変数、もしく
は方程式を記述する。推論過程は後件部がファジィ変数
の場合は 実数俵 あるいはファジイ数を入力すると前
件部のファジィ変数を表すメンバシップ関数との適合度
合を計算して、複数の適合度合の処理を経て後件部での
出力のファジイ数を決定している。実際の操作量は複数
の規則による出力のファジイ数の重心値等を取ることに
より得ることができる。また 後件部が方程式の場合に
（よ 重心を求める等の処理を経ることなく実際の操作
量を求めることができる。このファジィ推論を用いた従
来の推論方法としてはファジィモデリング等がある。例
えハ善根沢、菅野道夫、″ファジィモデリング′″、計
測自動制御学会論文集ｖｏｗ、、 ２３． ｎｏ、 ６
． ｐｐ、 ６５０−６５２．１９８７）ｉｆ−、に示
されている。
よ 前件部（ＩＦ部）には必ずファジィ変数を記述する
力交 後件部（ＴＨＥＮ部）ではファジィ変数、もしく
は方程式を記述する。推論過程は後件部がファジィ変数
の場合は 実数俵 あるいはファジイ数を入力すると前
件部のファジィ変数を表すメンバシップ関数との適合度
合を計算して、複数の適合度合の処理を経て後件部での
出力のファジイ数を決定している。実際の操作量は複数
の規則による出力のファジイ数の重心値等を取ることに
より得ることができる。また 後件部が方程式の場合に
（よ 重心を求める等の処理を経ることなく実際の操作
量を求めることができる。このファジィ推論を用いた従
来の推論方法としてはファジィモデリング等がある。例
えハ善根沢、菅野道夫、″ファジィモデリング′″、計
測自動制御学会論文集ｖｏｗ、、 ２３． ｎｏ、 ６
． ｐｐ、 ６５０−６５２．１９８７）ｉｆ−、に示
されている。
一方、ファジィモデリングにニューラルネットワークの
学習性を導入して、ファジイ数を表現するメンバシップ
関数と、推論ルールの形状を自動決定する手法、及び装
置がある（特願平１−８３４０９号、特願昭６３−１２
４３５４号）。
学習性を導入して、ファジイ数を表現するメンバシップ
関数と、推論ルールの形状を自動決定する手法、及び装
置がある（特願平１−８３４０９号、特願昭６３−１２
４３５４号）。
この手法（瓜 ファジィモデリングの一種類ではある列
上 ニューラルネットワークの学習性を導入している点
が異なる。ニューラルネットワークとは脳神経細胞の結
合にヒントを得た数理ネットワークである。ネットワー
クを構成するユニット間の接続強度を逐次学習で決定す
ることにより、ニューラルネットワーク全体としては非
線形問題を解くことができる。
上 ニューラルネットワークの学習性を導入している点
が異なる。ニューラルネットワークとは脳神経細胞の結
合にヒントを得た数理ネットワークである。ネットワー
クを構成するユニット間の接続強度を逐次学習で決定す
ることにより、ニューラルネットワーク全体としては非
線形問題を解くことができる。
従来例の構成図の一例を第１２図に示す。
第１２図において、 １２０１〜１２０ｒは推論規則毎
の推論規則実行部分、 １２０３は推論規則毎に得られ
た推定値から最終的な推論操作量を決定する推論操作量
決定部である。各推論規則実行部は２つの部分から構成
さｈ １２１１〜１２１ｒが推論規則の前件部を同定
するメンバシップ値推定訊 １２２１〜１２２ｒが推論
規則の後件部を同定する推論規則推定部である。
の推論規則実行部分、 １２０３は推論規則毎に得られ
た推定値から最終的な推論操作量を決定する推論操作量
決定部である。各推論規則実行部は２つの部分から構成
さｈ １２１１〜１２１ｒが推論規則の前件部を同定
するメンバシップ値推定訊 １２２１〜１２２ｒが推論
規則の後件部を同定する推論規則推定部である。
ここで、メンバシップ値推定８１．２１１〜１２１ｒ、
および、推論操作量推定部１２２１〜Ｉ２２ｒは第９図
に示すような多段の回路網的構成をしている。第９図に
おいて、 ９１は多大カー多出力信号処理部を示し ９
２はニューラルネットワークモデル入力部を表している
。第１２図のメンバシップ値推定部１２１１〜１２１
ｒ、 および、推論操作量推定部１２２１〜１２２ｒ
は推論規則毎に前件部と後件部を構造同定し 与えられ
た入力値から前件部のメンバシップ値の推定値と後件部
の推論操作量を表わす関数式の変数を求める。
および、推論操作量推定部１２２１〜Ｉ２２ｒは第９図
に示すような多段の回路網的構成をしている。第９図に
おいて、 ９１は多大カー多出力信号処理部を示し ９
２はニューラルネットワークモデル入力部を表している
。第１２図のメンバシップ値推定部１２１１〜１２１
ｒ、 および、推論操作量推定部１２２１〜１２２ｒ
は推論規則毎に前件部と後件部を構造同定し 与えられ
た入力値から前件部のメンバシップ値の推定値と後件部
の推論操作量を表わす関数式の変数を求める。
こうして得られた各推論規則に従って、最終的な推論操
作量を決定するのが推論操作量決定部１２０３である。
作量を決定するのが推論操作量決定部１２０３である。
次に その操作例を示す。ここでは近藤瓜モデルの次数
を推定する改良形Ｇ Ｍ Ｄ Ｈ” 計測自動制御学
会論文集、 ｖｏｌ、 ２２． ｎｏ、 ９． ｐｐ、
９２８−９３４．１９８６年に示されている数値例を
用いた場合について説明する。
を推定する改良形Ｇ Ｍ Ｄ Ｈ” 計測自動制御学
会論文集、 ｖｏｌ、 ２２． ｎｏ、 ９． ｐｐ、
９２８−９３４．１９８６年に示されている数値例を
用いた場合について説明する。
計算処理アルゴリズムは次の通りである。
［ステップ １］
観測値ｙ＋ 、 ｉ＝１．２．・・・、ｎに関連する入
力変数ｘ＋ ｊ、 ｊ＝１．２．・・・１ｍを定める。
力変数ｘ＋ ｊ、 ｊ＝１．２．・・・１ｍを定める。
必要があれば人出力データ （ｘｌｌ、ｙ＋）の正規化
を行う。第６図に入出力データを示す。
を行う。第６図に入出力データを示す。
［ステップ ２］
人出力データ （Ｘｌ、ｙｌ）をモデル推定の構造同定
用データ（以下、ＴＲＤと記す。ｌｔ個）と推定モデル
の評価用データ（以下、ＣＨＤと記す。ｎｏ個）とに分
割する。ここで、ｎ＝Ｔｌｔ＋ｎｏである。第６図で（
よデータ番号１−２０は構造同定用（ＴＲＤ）であり、
データ番号２１−４０は評価用（ＣＨＤ）である。した
がって、ｎｔ＝２０． ｎｏ＝２０となっている。また
ｍ＝４である。
用データ（以下、ＴＲＤと記す。ｌｔ個）と推定モデル
の評価用データ（以下、ＣＨＤと記す。ｎｏ個）とに分
割する。ここで、ｎ＝Ｔｌｔ＋ｎｏである。第６図で（
よデータ番号１−２０は構造同定用（ＴＲＤ）であり、
データ番号２１−４０は評価用（ＣＨＤ）である。した
がって、ｎｔ＝２０． ｎｏ＝２０となっている。また
ｍ＝４である。
［ステップ ３］
ＴＲＤをクラスタリング手法を用いて最適なｒ分割を行
う。ｒ分割された学習データの各組をＲ”、 ｓ＝１．
２．−−− 、ｒ、 Ｒ”の学習データを（ＸＩ”、
７１″′）。
う。ｒ分割された学習データの各組をＲ”、 ｓ＝１．
２．−−− 、ｒ、 Ｒ”の学習データを（ＸＩ”、
７１″′）。
ｉ＝１＋２． ’−＋（ｎｔ）″とする。ただＬ （
ｎｔ）”は各ＲＩ＋でのＴＲＤのデータ数を示す。ここ
では入力変数の空間である４次元空間は２個にｒ分割さ
れることになる。
ｎｔ）”は各ＲＩ＋でのＴＲＤのデータ数を示す。ここ
では入力変数の空間である４次元空間は２個にｒ分割さ
れることになる。
［ステップ ４］
前件部の構造の同定を行う。Ｘｌ を入力層の入力値に
割り付（す、出力層の出力値として、１ ：ＸＩがＲ”
に属する − ０：ＸＩがＲ”に属さない ｆｏｒ ｉ＝Ｌ ・−、ｎ 、 ｓ＝１．− 、ｒを割
り付ける。学習によってＷ１″を推定するニューラルネ
ットワークを同定する。この時、各学習データ（ｘｌ、
ｙ＋’）の各Ｒ”に属する度合いＷ＋’の推定値を前件
部のメンバシップ値と定義する。ニューラルネットワー
クは３層構造を用も＼ ５０００回学習して前件部のフ
ァジイ数を得る。この時のＲＩ′に対する前件部のファ
ジイ数をＡで表記する。
割り付（す、出力層の出力値として、１ ：ＸＩがＲ”
に属する − ０：ＸＩがＲ”に属さない ｆｏｒ ｉ＝Ｌ ・−、ｎ 、 ｓ＝１．− 、ｒを割
り付ける。学習によってＷ１″を推定するニューラルネ
ットワークを同定する。この時、各学習データ（ｘｌ、
ｙ＋’）の各Ｒ”に属する度合いＷ＋’の推定値を前件
部のメンバシップ値と定義する。ニューラルネットワー
クは３層構造を用も＼ ５０００回学習して前件部のフ
ァジイ数を得る。この時のＲＩ′に対する前件部のファ
ジイ数をＡで表記する。
第７図にファジイ数Ａのメンバシップ値を示ｉ−。
［ステップ ５］
ステップ４で得られたニューラルネットワー９−
０−
りにＣＨＤの各評価データ （ｘ＋、ｙｌ） 、ｉ＝１
．２．−＋ｎ。
．２．−＋ｎ。
を代入して、ＣＨＤのメンバシップ値を求める。
Ｗ１″’ ＝μ０ａ（ｘ１＋ｙ＋）＋ ｉ＝１．２
． ・、ｎ。
． ・、ｎ。
［ステップ ６］
後件部の構造の同定を行う。各規則毎の後件部構造モデ
ルをニューラルネットワークの人出力関係で表わす。Ｔ
ＲＤの入力値ｘｌ＋ 、 −、ｘｌｎ、 ｉ＝１．２゜
・・・、（ｎｔ）″と出力値ｙ１を、そのニューラルネ
ットワークに割り付（す、出力値を推定する。学習され
たニューラルネットワークにＣＨＤの入力値Ｘ１１．・
・・、Ｘｌｎ、 ｉ−１＋２＋・・’Ｉ”を代入し 誤
差二乗和ｅ、を求める。
ルをニューラルネットワークの人出力関係で表わす。Ｔ
ＲＤの入力値ｘｌ＋ 、 −、ｘｌｎ、 ｉ＝１．２゜
・・・、（ｎｔ）″と出力値ｙ１を、そのニューラルネ
ットワークに割り付（す、出力値を推定する。学習され
たニューラルネットワークにＣＨＤの入力値Ｘ１１．・
・・、Ｘｌｎ、 ｉ−１＋２＋・・’Ｉ”を代入し 誤
差二乗和ｅ、を求める。
Ｏ３＝Σ（ｙｌ −ｅｙｌ ）”
ただり、 ｅｙ＋ は推定値である。この○ｐを入力
変数、及びアルゴリズム停止側に用いる。
変数、及びアルゴリズム停止側に用いる。
［ステップ ７］
変数減少法を用いて、入力変数を削減する。
各推論規則において、任意の１個の入力変数を取り除き
ステップ６と同様にＴＲＤを用いてニューラルネットワ
ークを同定する。次ｒ、’＝ ＣＨＤを用いた場合１ の推論操作量の推定誤差二乗和ｅｌｐ・１を計算する。
ステップ６と同様にＴＲＤを用いてニューラルネットワ
ークを同定する。次ｒ、’＝ ＣＨＤを用いた場合１ の推論操作量の推定誤差二乗和ｅｌｐ・１を計算する。
この時、
ｅｐ＞ ○Ｄ＋＋ （１）とな
る場合には取り除いた入力変数Ｘの重要度は低いと考え
られるので、 Ｘを捨てる。
る場合には取り除いた入力変数Ｘの重要度は低いと考え
られるので、 Ｘを捨てる。
［ステップ ８］
以下、ステップ６〜ステツプ７を繰り返しく１）式が全
ての入力変数に対して成立しなくなった場合に計算を停
止する。ｅが最小となるモデルが最適なニューラルネッ
トワークである。得られたファジィ推論規則は Ｒ’ ： ＩＦ Ｘ＝（ＸＩ、Ｘ２．Ｘ３） ｉｓ
Ａ’ＴＨＥＮ ｙ’ ＝ ＮＮＩ（ＸＩ、Ｘ２．Ｘｌ）
Ｒ２： ＩＦ ｘ＝（ｘ＋、ｘ２．ｘｓ） ｉｓ Ａ
”ＴＨＥＮ ｙ２＝ ＮＮ２（Ｘ２．Ｘｌ）となる。た
だＬ ｙ＝ＮＮ（ｘ）は後件部の構造を同定する最に
用いた各規則毎のニューラルネットワークの入出力関係
である。
ての入力変数に対して成立しなくなった場合に計算を停
止する。ｅが最小となるモデルが最適なニューラルネッ
トワークである。得られたファジィ推論規則は Ｒ’ ： ＩＦ Ｘ＝（ＸＩ、Ｘ２．Ｘ３） ｉｓ
Ａ’ＴＨＥＮ ｙ’ ＝ ＮＮＩ（ＸＩ、Ｘ２．Ｘｌ）
Ｒ２： ＩＦ ｘ＝（ｘ＋、ｘ２．ｘｓ） ｉｓ Ａ
”ＴＨＥＮ ｙ２＝ ＮＮ２（Ｘ２．Ｘｌ）となる。た
だＬ ｙ＝ＮＮ（ｘ）は後件部の構造を同定する最に
用いた各規則毎のニューラルネットワークの入出力関係
である。
ステップ１〜ステツプ８により、各推論規則毎の前件部
と後件部が決定され ファジィモデル２− の構造同定が終了する。推論操作量３１１”は以下の式
により得られる。
と後件部が決定され ファジィモデル２− の構造同定が終了する。推論操作量３１１”は以下の式
により得られる。
ｉ＝１．２． ・・・ 、ｎ
ただＬｍｙ＋”はステップ７で得られた最適なニューラ
ルネットワークから得られる推定値である。
ルネットワークから得られる推定値である。
（２）式のｙｌｏを第８図に示す。
このように 従来のニューラルネットワークを用いたフ
ァジィ推論はニューラルネットワークの学習性を用いて
発見的方法を取ることもなく、容易に推論規則を得るこ
とができる。
ァジィ推論はニューラルネットワークの学習性を用いて
発見的方法を取ることもなく、容易に推論規則を得るこ
とができる。
しかしなが転 従来のニューラルネットを用いた推論装
置はファジィ推論規則の後件部が推論操作量推定部１２
２１〜１２２ｒで一定に固定されており、推論環境が変
化した場合にも状況に応じて推論操作量を変更させる機
能は持たな賎 また前件部 及び後件部の構造をニュー
ラルネットワークで同定するたム 全でのニューラルネ
ットワークの決定すべきパラメータの値を所有しなげれ
ばなら’？ｌ″′、記憶容量が膨大に必要であっ？−０
発明が解決しようとする課題 上記のニューラルネットワークを用いたファジィ推論装
置では一度、前件部と後件部の構造がニューラルネット
ワークを用いて決定されると、推論環境の変化に対して
構造を再決定するアルゴリズムにはなっていない。その
た吹 構造を再決定するためにはもう一度アルゴリズム
を開始しなければならず、状況の変化に応じた推論操作
量を高速に決定することはできないでい九 更に 前件
部 及び後件部の構造をニューラルネットワークで同定
する装置であるたム 全てのニューラルネットワークの
決定すべきパラメータの値を所有しなければならず、記
憶容量が膨大に必要であった本発明はかかる点に鑑次
後件部の構造を非線形探索アルゴリズムを用いて決定し
推論環境が変化しても推論ルールが自動的にその環境
に追従し かつ、追従速度が高速 記憶容量の低減化を
可能にしたファジィ推論装置を提供することを目的とす
る。
置はファジィ推論規則の後件部が推論操作量推定部１２
２１〜１２２ｒで一定に固定されており、推論環境が変
化した場合にも状況に応じて推論操作量を変更させる機
能は持たな賎 また前件部 及び後件部の構造をニュー
ラルネットワークで同定するたム 全でのニューラルネ
ットワークの決定すべきパラメータの値を所有しなげれ
ばなら’？ｌ″′、記憶容量が膨大に必要であっ？−０
発明が解決しようとする課題 上記のニューラルネットワークを用いたファジィ推論装
置では一度、前件部と後件部の構造がニューラルネット
ワークを用いて決定されると、推論環境の変化に対して
構造を再決定するアルゴリズムにはなっていない。その
た吹 構造を再決定するためにはもう一度アルゴリズム
を開始しなければならず、状況の変化に応じた推論操作
量を高速に決定することはできないでい九 更に 前件
部 及び後件部の構造をニューラルネットワークで同定
する装置であるたム 全てのニューラルネットワークの
決定すべきパラメータの値を所有しなければならず、記
憶容量が膨大に必要であった本発明はかかる点に鑑次
後件部の構造を非線形探索アルゴリズムを用いて決定し
推論環境が変化しても推論ルールが自動的にその環境
に追従し かつ、追従速度が高速 記憶容量の低減化を
可能にしたファジィ推論装置を提供することを目的とす
る。
３−
４−
特に 第１の発明は評価関数を頼りにして、推論ルール
を推論環境の変化に応じて学習するものである。
を推論環境の変化に応じて学習するものである。
第２の発明は第１の発明と同様な方法で学習する力丈
前件部の構成方法が異なっている。
前件部の構成方法が異なっている。
第３の発明は正しい入出力データ（教師データ）を頼り
にして、推論ルールを推論環境の変化に応じて学習する
ものである。
にして、推論ルールを推論環境の変化に応じて学習する
ものである。
第４の発明は第３の発明と同様な方法で学習する列上
前件部の構成方法が異なっている。
前件部の構成方法が異なっている。
課題を解決するための手段
第１の発明であるファジィ推論装置（よ 入力変数と出
力変数のデータから推論規則の個数を決定する推論規則
分割決定部と、前件部のメンバシップ値をニューラルネ
ットワークを用いて求める前件部ニューロ構底部と、初
期状態或は推論環境が変化した場合に後件部の推論量を
適応的に決定する状況変化処理部と、推論規則に従って
ファジィ推論を行ない推論操作量を決定する推論操作量
決定部と、評価基準にしたがって推論操作量の評価を行
う評価部と、状況変化処理部には初期値設定を行う初期
設定決定部と、後件部のパラメータを変化させ探索する
パラメータ探索部とを具備する。
力変数のデータから推論規則の個数を決定する推論規則
分割決定部と、前件部のメンバシップ値をニューラルネ
ットワークを用いて求める前件部ニューロ構底部と、初
期状態或は推論環境が変化した場合に後件部の推論量を
適応的に決定する状況変化処理部と、推論規則に従って
ファジィ推論を行ない推論操作量を決定する推論操作量
決定部と、評価基準にしたがって推論操作量の評価を行
う評価部と、状況変化処理部には初期値設定を行う初期
設定決定部と、後件部のパラメータを変化させ探索する
パラメータ探索部とを具備する。
第２の発明であるファジィ推論装置（よ 入力変数と出
力変数のデータから推論規則の個数を決定する推論規則
分割決定部と、前件部のメンバシップ値を空間距離を計
算して求める前件部数値処理決定部と、初期状態或は推
論環境が変化した場合に後件部の推論量を適応的に決定
する状況変化処理部と、推論規則に従ってファジィ推論
を行ない推論操作量を決定する推論操作量決定部と、評
価基準にしたがって推論操作量の評価を行う評価部と、
状況変化処理部には初期値設定を行う初期設定決定部と
、後件部のパラメータを変化させ探索するパラメータ探
索部とを具儀 また 第３の発明であるファジィ推論装置（よ入力変数
のデータから推論規則の個数を決定する推論規則分割決
定部と、前件部のメンバシップ値をニューラルネットワ
ークを用いて求める前件部ニューロ構成部と、出力デー
タを推論規則の個数５− ６− に分割する出力データ分割部と、初期状態或は推論環境
が変化した場合に後件部の推論量を適応的に決定する状
況変化処理部と、推論規則に従ってファジィ推論を行な
い推論操作量を決定する推論操作量決定部と、推論操作
量決定部の出力である推論操作量と出力データを比較し
て評価を行う評価部と、状況変化処理部には初期値設定
を行う初期設定決定部と、後件部のパラメータを変化さ
せ探索するパラメータ探索部とを具備する。
力変数のデータから推論規則の個数を決定する推論規則
分割決定部と、前件部のメンバシップ値を空間距離を計
算して求める前件部数値処理決定部と、初期状態或は推
論環境が変化した場合に後件部の推論量を適応的に決定
する状況変化処理部と、推論規則に従ってファジィ推論
を行ない推論操作量を決定する推論操作量決定部と、評
価基準にしたがって推論操作量の評価を行う評価部と、
状況変化処理部には初期値設定を行う初期設定決定部と
、後件部のパラメータを変化させ探索するパラメータ探
索部とを具儀 また 第３の発明であるファジィ推論装置（よ入力変数
のデータから推論規則の個数を決定する推論規則分割決
定部と、前件部のメンバシップ値をニューラルネットワ
ークを用いて求める前件部ニューロ構成部と、出力デー
タを推論規則の個数５− ６− に分割する出力データ分割部と、初期状態或は推論環境
が変化した場合に後件部の推論量を適応的に決定する状
況変化処理部と、推論規則に従ってファジィ推論を行な
い推論操作量を決定する推論操作量決定部と、推論操作
量決定部の出力である推論操作量と出力データを比較し
て評価を行う評価部と、状況変化処理部には初期値設定
を行う初期設定決定部と、後件部のパラメータを変化さ
せ探索するパラメータ探索部とを具備する。
また 第４の発明であるファジィ推論装置（戴入力変数
のデータから推論規則の個数を決定する推論規則分割決
定部と、前件部のメンバシップ値を空間距離を計算して
求める前件部数値処理決定部と、出力データを推論規則
の個数に分割する出力データ分割部と、初期状態或は推
論環境が変化した場合に後件部の推論量を適応的に決定
する状況変化処理部と、推論規則に従ってファジィ推論
を行ない推論操作量を決定する推論操作量決定部と、推
論操作量決定部の出力である推論操作量と出力データを
比較して評価を行う評価部と、状況変化処理部には初期
値設定を行う初期設定決定部と、後件部のパラメータを
変化させ探索するパラメータ探索部とを具備する。
のデータから推論規則の個数を決定する推論規則分割決
定部と、前件部のメンバシップ値を空間距離を計算して
求める前件部数値処理決定部と、出力データを推論規則
の個数に分割する出力データ分割部と、初期状態或は推
論環境が変化した場合に後件部の推論量を適応的に決定
する状況変化処理部と、推論規則に従ってファジィ推論
を行ない推論操作量を決定する推論操作量決定部と、推
論操作量決定部の出力である推論操作量と出力データを
比較して評価を行う評価部と、状況変化処理部には初期
値設定を行う初期設定決定部と、後件部のパラメータを
変化させ探索するパラメータ探索部とを具備する。
作用
本発明は前記した構成により、ニューラルネットワーク
の非線形特性を用いて、 ｒＩＦ・・・ＴＨＥＮ・・・
」形式で書かれたファジィ推論規則の前件部の構造を同
定し 後件部のパラメータを非線形探索法で決定し 推
論環境が変化しても高速に 低記憶容量で柔軟に適応で
きる推論操作量を提供できる。
の非線形特性を用いて、 ｒＩＦ・・・ＴＨＥＮ・・・
」形式で書かれたファジィ推論規則の前件部の構造を同
定し 後件部のパラメータを非線形探索法で決定し 推
論環境が変化しても高速に 低記憶容量で柔軟に適応で
きる推論操作量を提供できる。
実施例
以下に 本発明の実施例を図面を用いて説明する。
第１図は第１の発明のファジィ推論装置の一実施例の構
成国である。第１図において、 １１は入力変数と出力
変数のデータを取り込み推論規則の個数を決定する推論
規則分割決定部 １２は分割された入力変数と出力変数
のデータから特定の推論規則の前件部に相当するメンバ
シップ値をニューラルネットワークを用いて求める前件
部ニュー７− 口構成龜 １３は初期状態或は推論環境が変化した場合
に後件部の推論量を適応的に決定する状況変化処理部
１４は前件部ニューロ構成部の出力と前記状況変化処理
部の出力とを入力し推論規則に従ってファジィ推論を行
ない推論操作量を決定する推論操作量決定部 １５は推
論操作量決定部の出力である推論操作量を評価基準にし
たかって評価を行う評価ａ １３ａは状況変化処理部に
あって、推論規則分割部の出力値を用いて後件部の推論
量の初期値設定を行う初期設定決定部１３ｂは初期設定
決定部の出力から探索を開始して評価部の出力に従い後
件部のパラメータを変化させ探索するパラメータ探索部
である。
成国である。第１図において、 １１は入力変数と出力
変数のデータを取り込み推論規則の個数を決定する推論
規則分割決定部 １２は分割された入力変数と出力変数
のデータから特定の推論規則の前件部に相当するメンバ
シップ値をニューラルネットワークを用いて求める前件
部ニュー７− 口構成龜 １３は初期状態或は推論環境が変化した場合
に後件部の推論量を適応的に決定する状況変化処理部
１４は前件部ニューロ構成部の出力と前記状況変化処理
部の出力とを入力し推論規則に従ってファジィ推論を行
ない推論操作量を決定する推論操作量決定部 １５は推
論操作量決定部の出力である推論操作量を評価基準にし
たかって評価を行う評価ａ １３ａは状況変化処理部に
あって、推論規則分割部の出力値を用いて後件部の推論
量の初期値設定を行う初期設定決定部１３ｂは初期設定
決定部の出力から探索を開始して評価部の出力に従い後
件部のパラメータを変化させ探索するパラメータ探索部
である。
次に 第１の発明のファジィ推論装置について、その動
作過程を説明する。
作過程を説明する。
［ステップ ｌ］
観測値ｙ＋、 ｉ＝１．２．・・・、ｎに関連する入力
変数ｘ］ｊ、 ｊ＝１．２．・・・、ｋを定める。 １
１の推論規則分割決定部で次の処理をする。まずミ 変
数減少法を用いて必要な入力変数のみを決定し 入力変
数１９＝ の個数をｍ個とする。また 全データをクラスタリング
手法を用いて最適なｒ分割にする。ｒ分割された学習デ
ータの各組をＲ”、 ｓ＝１．２．−＝ 、ｒＳＲ”の
データを（Ｘ１″’、３’ｌ”）ｌ ｉ＝１．２． ・
、ｎＢ とする。
変数ｘ］ｊ、 ｊ＝１．２．・・・、ｋを定める。 １
１の推論規則分割決定部で次の処理をする。まずミ 変
数減少法を用いて必要な入力変数のみを決定し 入力変
数１９＝ の個数をｍ個とする。また 全データをクラスタリング
手法を用いて最適なｒ分割にする。ｒ分割された学習デ
ータの各組をＲ”、 ｓ＝１．２．−＝ 、ｒＳＲ”の
データを（Ｘ１″’、３’ｌ”）ｌ ｉ＝１．２． ・
、ｎＢ とする。
ただｌ、、 ｎ＋１は各Ｒ”でのデータ数を示も［ス
テップ ２コ １２の前件部ニューロ構成部で、前件部のメンバシップ
値を同定する。 （ｘ＋ ” ＋ ｙｌ” ）を入力層
の入力値に割り付け、出力層の出力値として、１ ：
（ｘ＋、ｙ＋）がＲ” ニ属するＷ＋” ０ ・（Ｘｌ、ｙｌ）がＲ１＋に属さないｆｏｒ ｉ＝
１．−、ｎ 、 ｓ＝１． ・、ｒを割り付ける。学習
によってＷｌ″を推定するニューラルネットワークを同
定する。このｌＩ東 度合いＷ１″の推定値を前件部
のメンバシップ値として定義する。
テップ ２コ １２の前件部ニューロ構成部で、前件部のメンバシップ
値を同定する。 （ｘ＋ ” ＋ ｙｌ” ）を入力層
の入力値に割り付け、出力層の出力値として、１ ：
（ｘ＋、ｙ＋）がＲ” ニ属するＷ＋” ０ ・（Ｘｌ、ｙｌ）がＲ１＋に属さないｆｏｒ ｉ＝
１．−、ｎ 、 ｓ＝１． ・、ｒを割り付ける。学習
によってＷｌ″を推定するニューラルネットワークを同
定する。このｌＩ東 度合いＷ１″の推定値を前件部
のメンバシップ値として定義する。
［ステップ ３］
１３の状況変化処理部の初期設定決定部１３ａを用いて
、後件部の実数値探索の初期値を与え一加一 る。例えば 推論規則分割決定部１１で得られた各規則
毎の出力データの平均値を初期値とする。
、後件部の実数値探索の初期値を与え一加一 る。例えば 推論規則分割決定部１１で得られた各規則
毎の出力データの平均値を初期値とする。
ずなわ板 各規則Ｓの後件部の実数値の初期値をｓｚ
とすると、 ｓｚ”＝（Σｙ−） ／ｎａ 、 ｉ＝１．２．−、
ｎａとなる。
とすると、 ｓｚ”＝（Σｙ−） ／ｎａ 、 ｉ＝１．２．−、
ｎａとなる。
［ステップ ４］
１３ｂのパラメータ探索部で後件部実数値をある探索規
則に従い変化させ探索する。探索法は例えば パターン
探索法や回転方向法を用いる。
則に従い変化させ探索する。探索法は例えば パターン
探索法や回転方向法を用いる。
ここではパターン探索法について簡単に述べる。
パターン探索法は探索移動で現在の探索点の近（の目的
関数の様子を探って「谷」の方向の見当をつ（す、パタ
ーン移動でその方向に移動するという手続きを反復する
。
関数の様子を探って「谷」の方向の見当をつ（す、パタ
ーン移動でその方向に移動するという手続きを反復する
。
（１）探索移動
ｆ（ｘ＋に＋ａ１ｋｄ＋） ＜ ｆ（ｘｌｋ）、 ｉ
＝１．２．−、ｎならば 探索移動は成功でｘ＋＋＋に
’＝ｘ１に＋ａ＋ｋｄ＋ とする。さもなくＩｆ、
ａ＋に一−ａｌｋ とおいて同じ手続きを行う。両方と
も失敗なら４１ ｘ＋・Ｉｋ”Ｘｌｋ とする。
＝１．２．−、ｎならば 探索移動は成功でｘ＋＋＋に
’＝ｘ１に＋ａ＋ｋｄ＋ とする。さもなくＩｆ、
ａ＋に一−ａｌｋ とおいて同じ手続きを行う。両方と
も失敗なら４１ ｘ＋・Ｉｋ”Ｘｌｋ とする。
ただり、ｆは評価関数であり、ここでは最小化問題を考
えている。ま？Ｑ ｘ＋ｂはに番目の探索であり、現
在、ｉ番目のパラメータに注目している場合の探索点を
表す。さらに％ ａｌｋ、 ｄ＋ はそれぞれ重み（
ａｌｋ＞０）、ｉ番目が■である単位ベクトルを表して
いる。
えている。ま？Ｑ ｘ＋ｂはに番目の探索であり、現
在、ｉ番目のパラメータに注目している場合の探索点を
表す。さらに％ ａｌｋ、 ｄ＋ はそれぞれ重み（
ａｌｋ＞０）、ｉ番目が■である単位ベクトルを表して
いる。
（２）パターン探索
基点ＸＢ’からＸ−とＸ８に−１を結ぶ方向に同じ距離
だけ移動する。ずなわ板 戸 二 ｘａｋ十（ｘａｋ−ｘｓ” ）とする。ここで
、基点Ｘ［Ｉｋはに番目の探索が終了した時の探索点を
表１．． Ｘｋは新たな探索点を示す。第１０図にパ
ターン探索の概念図を示−！ｌ−。
だけ移動する。ずなわ板 戸 二 ｘａｋ十（ｘａｋ−ｘｓ” ）とする。ここで
、基点Ｘ［Ｉｋはに番目の探索が終了した時の探索点を
表１．． Ｘｋは新たな探索点を示す。第１０図にパ
ターン探索の概念図を示−！ｌ−。
ここでのアルゴリズムでは評価関数ｆは第１図の１５の
評価部に代入されている。また その評価関数ｆには１
４の推論量操作部で得られた推論操作量が代入され評価
値が得られる。その推論操作量はファジィ推論の結果の
推定値であり、 １３ｂで探索されるパラメータ戸は後
件部の実数値となっている。
評価部に代入されている。また その評価関数ｆには１
４の推論量操作部で得られた推論操作量が代入され評価
値が得られる。その推論操作量はファジィ推論の結果の
推定値であり、 １３ｂで探索されるパラメータ戸は後
件部の実数値となっている。
２１−
−館一
以上のような構成を用いて、まずミ 後件部の実数値が
設定され その実数値を用いてファジィ推論の推定値が
得られ その推定値を評価関数に代入して総合評価が得
られる。パラメータである後件部の実数値は評価値が良
くなるように学習されていく。結凰 推論ルールが適応
的に変更されファジィ推論が学習機能を持つことになる
。また後件部が非線形探索法を用いて学習されているの
で、ニューラルネット等を用いる学習法よりも速度が高
速であり、記憶容量の低減化も可能となる。
設定され その実数値を用いてファジィ推論の推定値が
得られ その推定値を評価関数に代入して総合評価が得
られる。パラメータである後件部の実数値は評価値が良
くなるように学習されていく。結凰 推論ルールが適応
的に変更されファジィ推論が学習機能を持つことになる
。また後件部が非線形探索法を用いて学習されているの
で、ニューラルネット等を用いる学習法よりも速度が高
速であり、記憶容量の低減化も可能となる。
次に 第２の発明の実施例について説明する。
第２図は第２の発明のファジィ推論装置の一実施例の構
成図である。第１図において、 ２１は入力変数と出力
変数のデータを取り込み推論規則の個数を決定する推論
規則分割決定ａ ２２は分割された入力変数と出力変
数のデータから特定の推論規則の前件部に相当するメン
バシップ値を空間距離を計算して求める前件部数値処理
決定！ ２３は初期状態或は推論環境が変化した場合
に後件部の推論量を適応的に決定する状況変化処理部
２−開− ４は前件部ニューロ構成部の出力と前記状況変化処理部
の出力とを入力し推論規則に従ってファジィ推論を行な
い推論操作量を決定する推論操作量決定ａ ２５は推
論操作量決定部の出力である推論操作量を評価基準にし
たがって評価を行う評価ａ ２３ａは状況変化処理部に
あって、推論規則分割部の出力値を用いて後件部の推論
量の初期値設定を行う初期設定決定％２３ｂは初期設定
決定部の出力から探索を開始して評価部の出力に従い後
件部のパラメータを変化させ探索するパラメータ探索部
である。
成図である。第１図において、 ２１は入力変数と出力
変数のデータを取り込み推論規則の個数を決定する推論
規則分割決定ａ ２２は分割された入力変数と出力変
数のデータから特定の推論規則の前件部に相当するメン
バシップ値を空間距離を計算して求める前件部数値処理
決定！ ２３は初期状態或は推論環境が変化した場合
に後件部の推論量を適応的に決定する状況変化処理部
２−開− ４は前件部ニューロ構成部の出力と前記状況変化処理部
の出力とを入力し推論規則に従ってファジィ推論を行な
い推論操作量を決定する推論操作量決定ａ ２５は推
論操作量決定部の出力である推論操作量を評価基準にし
たがって評価を行う評価ａ ２３ａは状況変化処理部に
あって、推論規則分割部の出力値を用いて後件部の推論
量の初期値設定を行う初期設定決定％２３ｂは初期設定
決定部の出力から探索を開始して評価部の出力に従い後
件部のパラメータを変化させ探索するパラメータ探索部
である。
次に 第２の発明のファジィ推論装置について、その動
作過程を説明する。
作過程を説明する。
ステップ１、３及び４は第１の発明と動作過程が同じな
ので、ここでの説明は省略する。ステップ２のみを説明
する。
ので、ここでの説明は省略する。ステップ２のみを説明
する。
［ステップ ２］
２２の前件部数値処理決定部で、前件部のメンバシップ
値を決定する。各推論規則の入出力データ （Ｘ−＋
ｙ＋ ” ）か転 クラスタリング手法で得ら一別一 れた各推論規則毎のコア（核）までの距離を求ムその値
を正規化する。正規化された度合をＷＩ′とする。この
時、度合いＷ１″′を前件部のメンバシップ値として定
義する。
値を決定する。各推論規則の入出力データ （Ｘ−＋
ｙ＋ ” ）か転 クラスタリング手法で得ら一別一 れた各推論規則毎のコア（核）までの距離を求ムその値
を正規化する。正規化された度合をＷＩ′とする。この
時、度合いＷ１″′を前件部のメンバシップ値として定
義する。
以上のような構成を用いて、推論ルールが適応的に変更
され ファジィ推論が学習機能を持つことになる。また
前件部が統計処理を用いて決定され 後件部が非線形
探索法を用い探索法を用いて学習されているの玄 ニュ
ーラルネット等を用いる学習法よりも速度が高速であり
、記憶容量の低減化も可能となる。
され ファジィ推論が学習機能を持つことになる。また
前件部が統計処理を用いて決定され 後件部が非線形
探索法を用い探索法を用いて学習されているの玄 ニュ
ーラルネット等を用いる学習法よりも速度が高速であり
、記憶容量の低減化も可能となる。
吹成 第３の発明の実施例を図面を用いて説明する。
第３図は第３の発明のファジィ推論装置の一実施例の構
成図である。第３図において、 ３１は入力変数データ
を取り込み推論規則の個数を決定する推論規則分割決定
部 ３２は分割された入力変数のデータから特定の推論
規則の前件部に相当するメンバシップ値をニューラルネ
ットワークを用いて求める前件部ニューロ構成ａ３６は
出力変数データを取り込み推論規則分割決定部の出力に
従って出力データを推論規則の個数に分割する出力デー
タ分割ａ ３３は初期状態或は推論環境が変化した場
合に後件部の推論量を適応的に決定する状況変化処理ａ
３４は前件部ニューロ構成部の出力と状況変化処理
部の出力とを入力し推論規則に従ってファジィ推論を行
ない推論操作量を決定する推論操作量決定ａ ３５は
推論操作量決定部の出力である推論操作量を出力データ
と比較して評価を行う評価ａ３３ａは状況変化処理部に
あって、出力データ分割部の出力値を用いて後件部の推
論量の初期値設定を行う初期設定決定部３３ｂは初期設
定決定部の出力から探索を開始して評価部の出力に従い
後件部のパラメータを変化させ探索するパラメータ探索
部である。
成図である。第３図において、 ３１は入力変数データ
を取り込み推論規則の個数を決定する推論規則分割決定
部 ３２は分割された入力変数のデータから特定の推論
規則の前件部に相当するメンバシップ値をニューラルネ
ットワークを用いて求める前件部ニューロ構成ａ３６は
出力変数データを取り込み推論規則分割決定部の出力に
従って出力データを推論規則の個数に分割する出力デー
タ分割ａ ３３は初期状態或は推論環境が変化した場
合に後件部の推論量を適応的に決定する状況変化処理ａ
３４は前件部ニューロ構成部の出力と状況変化処理
部の出力とを入力し推論規則に従ってファジィ推論を行
ない推論操作量を決定する推論操作量決定ａ ３５は
推論操作量決定部の出力である推論操作量を出力データ
と比較して評価を行う評価ａ３３ａは状況変化処理部に
あって、出力データ分割部の出力値を用いて後件部の推
論量の初期値設定を行う初期設定決定部３３ｂは初期設
定決定部の出力から探索を開始して評価部の出力に従い
後件部のパラメータを変化させ探索するパラメータ探索
部である。
次に 第３の発明のファジィ推論装置について、その動
作過程を説明する。
作過程を説明する。
［ステップ １］
観測値ｙ１． ｉ＝１．２．・・・、ｎに関連する入力
変数ｘｚ、 ｊ＝１．２．・・・、ｋを定める。３１の
推論規則−る− 肪− 分割決定部で次の処理をする。まず、変数減少法を用い
て必要な入力変数のみを決定し 入力変数の個数をｍ個
とする。ま？＝ 入力データのみをクラスタリング手
法を用いて最適なｒ分割にする。
変数ｘｚ、 ｊ＝１．２．・・・、ｋを定める。３１の
推論規則−る− 肪− 分割決定部で次の処理をする。まず、変数減少法を用い
て必要な入力変数のみを決定し 入力変数の個数をｍ個
とする。ま？＝ 入力データのみをクラスタリング手
法を用いて最適なｒ分割にする。
ｒ分割されたデータの各組をＲ”、 ｓ＝１．２．−、
ｒ。
ｒ。
Ｒ１′のデータをｘＩ ” ｇ １＝１１２１ ・・・
＋ ｎ”とする。ただｊ、、 ｎｓは各Ｒ″′でのデ
ータ数を示す。分割した各規則の入力データを規則の組
ごとにして、 ３６の出力データ分割部に送る。
＋ ｎ”とする。ただｊ、、 ｎｓは各Ｒ″′でのデ
ータ数を示す。分割した各規則の入力データを規則の組
ごとにして、 ３６の出力データ分割部に送る。
［ステップ ２コ
出力データ分割部３６では各規則毎の入力データ番号か
ら出力データをｒ分割する。その各組の出力データをｙ
＋・、 ｉ＝１．２．・・・、ｎ″′とする。
ら出力データをｒ分割する。その各組の出力データをｙ
＋・、 ｉ＝１．２．・・・、ｎ″′とする。
［ステップ ３］
３２の前件部ニューロ構成部で、前件部のメンバシップ
値を同定する。ｘｌを入力層の入力値に割り付（す、出
力層の出力値として、 １ ・ｘｌがＲ″′に属する Ｗ、８ ＝ ０：ｘＩがＲ１′に属さない ｆｏｒ ｉ＝１． −・−、ｎ 、 ｓ＝１．−
、ｒを割り付ける。学習によってＷＩ”を推定するニュ
ーラルネットワークを同定する。この時、度合いＷ−の
推定値を前件部のメンバシップ値として定義する。
値を同定する。ｘｌを入力層の入力値に割り付（す、出
力層の出力値として、 １ ・ｘｌがＲ″′に属する Ｗ、８ ＝ ０：ｘＩがＲ１′に属さない ｆｏｒ ｉ＝１． −・−、ｎ 、 ｓ＝１．−
、ｒを割り付ける。学習によってＷＩ”を推定するニュ
ーラルネットワークを同定する。この時、度合いＷ−の
推定値を前件部のメンバシップ値として定義する。
［ステップ ４］
３３の状況変化処理部の初期設定決定部３３ａを用いて
、後件部の実数値探索の初期値を与える。例えば 推論
規則分割決定部３１で得られた各規則毎の出力データの
平均値を初期値とする。
、後件部の実数値探索の初期値を与える。例えば 推論
規則分割決定部３１で得られた各規則毎の出力データの
平均値を初期値とする。
すなわち、各規則Ｓの後件部の実数値の初期値をｓｚと
すると、 ｓｚ’ ＝ （Σｙ１″’） ／ｎＩＩ、 ｉ＝１．
２．−、ｎｓとなる。
すると、 ｓｚ’ ＝ （Σｙ１″’） ／ｎＩＩ、 ｉ＝１．
２．−、ｎｓとなる。
［ステップ ５］
３３ｂのパラメータ探索部で後件部実数値２をある探索
規則に従い変化させ、探索する。探索法は例えば 最急
降下法を用いる。最急降下法について簡単に述べる。こ
の方法は点ｘｋにおける方向ベクトルｄｋ として、 一胃一 一沼− ｄｋ ＝ −ｔｆ（ｘｋ） をとる。ここで、ｔ ｆ（Ｘｋ ）はＸにおけるｆの勾
配ベクトルを意味する。上記の方程式を用いるのはｄｋ
の方向がｆの減少率が最も大きくなるためである。ここ
でのアルゴリズムでは評価関数ｆとして次式を用いる。
規則に従い変化させ、探索する。探索法は例えば 最急
降下法を用いる。最急降下法について簡単に述べる。こ
の方法は点ｘｋにおける方向ベクトルｄｋ として、 一胃一 一沼− ｄｋ ＝ −ｔｆ（ｘｋ） をとる。ここで、ｔ ｆ（Ｘｋ ）はＸにおけるｆの勾
配ベクトルを意味する。上記の方程式を用いるのはｄｋ
の方向がｆの減少率が最も大きくなるためである。ここ
でのアルゴリズムでは評価関数ｆとして次式を用いる。
Ｅ−Σ（ｙｌ−ｅｙｌ）２／ま
ただｌ、、 ｅｙ＋ はファジィ推論の推定値である
。
。
後件部の実数値２を最適値に学習する方向を定める変化
量△がを求める。まず、Ｅを２で偏微分する。
量△がを求める。まず、Ｅを２で偏微分する。
ｄＥ／ｄｚ”−（ｄＥ／ｄｅｙ＋）ｘ （ｄｅｙ＋／ｄ
ｚ”）ここで、 ｄ Ｅ／ ｄ ｅｙ＋ ＝−（ｙｌ−ｅｙ＋ ）ｄ ｅ
ｙ１／ ｄ ｚ６＝Ｗ’／ΣＷ”から、 ｄ Ｆ、／ ｄ ｚｌ′＝ −（ｙ＋ −ｅｙ＋ ）Ｗ
’ ７２ｗ”となる。最急降下法から、 △ｚ ”＝−α（ｄ Ｅ／ ｄ ｚ’）α（ｙｌ−ｅｙ
ｌ）Ｗ’／Σｗ” となる方向に２を変化させれＩ′Ｌ ｚは適応的に学習
されて最適値に収束する。第１１図に最急降下法の概念
図を示す。
ｚ”）ここで、 ｄ Ｅ／ ｄ ｅｙ＋ ＝−（ｙｌ−ｅｙ＋ ）ｄ ｅ
ｙ１／ ｄ ｚ６＝Ｗ’／ΣＷ”から、 ｄ Ｆ、／ ｄ ｚｌ′＝ −（ｙ＋ −ｅｙ＋ ）Ｗ
’ ７２ｗ”となる。最急降下法から、 △ｚ ”＝−α（ｄ Ｅ／ ｄ ｚ’）α（ｙｌ−ｅｙ
ｌ）Ｗ’／Σｗ” となる方向に２を変化させれＩ′Ｌ ｚは適応的に学習
されて最適値に収束する。第１１図に最急降下法の概念
図を示す。
ここでのアルゴリズムでは評価関数ｆは第３図の３５の
評価部に代入されている。また その評価関数ｆには３
４の推論量操作部で得られた推論操作量と正確な出力値
が代入され評価値が得られる。推論操作量はファジィ推
論の結果の推定値であり、 ３３ｂで探索されるパラメ
ータｘｋは後件部の実数値となっている。
評価部に代入されている。また その評価関数ｆには３
４の推論量操作部で得られた推論操作量と正確な出力値
が代入され評価値が得られる。推論操作量はファジィ推
論の結果の推定値であり、 ３３ｂで探索されるパラメ
ータｘｋは後件部の実数値となっている。
以上のような構成を用いて、まず、後件部の実数値が設
定され その実数値を用いてファジィ推論の推定値が得
られ その推定値を評価関数に代入して総合評価が得ら
れる。パラメータである後件部の実数値は評価値が良く
なるように学習されていく。結凰 推論ルールが適応的
に変更されファジィ推論が学習機能を持つことになる。
定され その実数値を用いてファジィ推論の推定値が得
られ その推定値を評価関数に代入して総合評価が得ら
れる。パラメータである後件部の実数値は評価値が良く
なるように学習されていく。結凰 推論ルールが適応的
に変更されファジィ推論が学習機能を持つことになる。
また後件部が非線形探索法を用いて学習されているので
、ニューラルネット等を用いる学習法よりも速度が高速
であり、記憶容量の低減化も可能となる。
、ニューラルネット等を用いる学習法よりも速度が高速
であり、記憶容量の低減化も可能となる。
２９−
−加一
次に 第４の発明の詳細な説明する。
第４図は第４の発明のファジィ推論装置の一実施例の構
成図である。第４図において、 ４１は入力変数データ
を取り込み推論規則の個数を決定する推論規則分割決定
ａ ４２は分割された入力変数のデータから特定の推
論規則の前件部に相当するメンバシップ値を空間距離を
計算して求める前件部数値処理決定ａ ４６は出力変
数データを取り込み推論規則分割決定部の出力に従って
出力データを推論規則の個数に分割する出力データ分割
訛 ４３は初期状態或は推論環境が変化した場合に後件
部の推論量を適応的に決定する状況変化処理部 ４４は
前件部ニューロ構成部の出力と状況変化処理部の出力と
を入力し推論規則に従ってファジィ推論を行ない推論操
作量を決定する推論操作量決定部 ４５は推論操作量決
定部の出力である推論操作量を出力データと比較して評
価を行う評価ａ４３ａは状況変化処理部にあって、出力
データ分割部の出力値を用いて後件部の推論量の初期値
設定を行う初期設定決定％４３ｂは初期設定決定部の出
力から探索を開始して評価部の出力に従い後件部のパラ
メータを変化させ探索するパラメータ探索部である。
成図である。第４図において、 ４１は入力変数データ
を取り込み推論規則の個数を決定する推論規則分割決定
ａ ４２は分割された入力変数のデータから特定の推
論規則の前件部に相当するメンバシップ値を空間距離を
計算して求める前件部数値処理決定ａ ４６は出力変
数データを取り込み推論規則分割決定部の出力に従って
出力データを推論規則の個数に分割する出力データ分割
訛 ４３は初期状態或は推論環境が変化した場合に後件
部の推論量を適応的に決定する状況変化処理部 ４４は
前件部ニューロ構成部の出力と状況変化処理部の出力と
を入力し推論規則に従ってファジィ推論を行ない推論操
作量を決定する推論操作量決定部 ４５は推論操作量決
定部の出力である推論操作量を出力データと比較して評
価を行う評価ａ４３ａは状況変化処理部にあって、出力
データ分割部の出力値を用いて後件部の推論量の初期値
設定を行う初期設定決定％４３ｂは初期設定決定部の出
力から探索を開始して評価部の出力に従い後件部のパラ
メータを変化させ探索するパラメータ探索部である。
次に 第４の発明のファジィ推論装置について、その動
作過程を説明する。
作過程を説明する。
ステップ１、２、４及び５は第３の発明と動作過程が同
じなので、ここでの説明は省略する。ステップ３のみを
説明する。
じなので、ここでの説明は省略する。ステップ３のみを
説明する。
［ステップ ３］
４２の前件部数値処理決定部で、前件部のメンバシップ
値を決定する。各推論規則の入出力データ （ｘ＋”、
ｙ＋’）から、クラスタリング手法で得られた各推論規
則毎のコア（核）までの距離を束数その値を正規化する
。正規化された度合をＬ”とする。この時、度合いＷＩ
″を前件部のメンバシップ値として定義する。
値を決定する。各推論規則の入出力データ （ｘ＋”、
ｙ＋’）から、クラスタリング手法で得られた各推論規
則毎のコア（核）までの距離を束数その値を正規化する
。正規化された度合をＬ”とする。この時、度合いＷＩ
″を前件部のメンバシップ値として定義する。
以上のような構成を用いて、推論ルールが適応的に変更
され ファジィ推論が学習機能を持つことになる。また
前件部が統計処理を用いて決定され 後件部が非線形
探索法を用い探索法を用い３１ −舘− て学習されているので、ニューラルネット等を用いる学
習法よりも速度が高速であり、記憶容量の低減化も可能
となる。
され ファジィ推論が学習機能を持つことになる。また
前件部が統計処理を用いて決定され 後件部が非線形
探索法を用い探索法を用い３１ −舘− て学習されているので、ニューラルネット等を用いる学
習法よりも速度が高速であり、記憶容量の低減化も可能
となる。
前記のように 本実施例においてはニューラルネットワ
ークの非線形特性を用いて、ファジィ推論規則の前件部
の構造を同定し 後件部のパラメータは非線形探索法で
決定し 推論環境が変化しても高速に 低記憶容量で柔
軟に適応できる推論操作量を提供することにより、推論
機器の操作者が常に満足できる推論を可能にするファジ
ィ推論装置を構築できる。
ークの非線形特性を用いて、ファジィ推論規則の前件部
の構造を同定し 後件部のパラメータは非線形探索法で
決定し 推論環境が変化しても高速に 低記憶容量で柔
軟に適応できる推論操作量を提供することにより、推論
機器の操作者が常に満足できる推論を可能にするファジ
ィ推論装置を構築できる。
な叙 第１、２の発明では後件部のパラメータ探索法は
真値の出力値が必要でなくても探索が可能なパターン探
索法 回転方向法を用いた力文 ランダム探索法 直行
方向探索法 切断平面法等を用いてもよ（１ ま瓢 第３、４の発明では後件部のパラメータ探索法は
誤差を用いて評価関数を作成することにより探索を可能
とする最急降下法を用いた列上 ニュートン法等を用い
てもよい。
真値の出力値が必要でなくても探索が可能なパターン探
索法 回転方向法を用いた力文 ランダム探索法 直行
方向探索法 切断平面法等を用いてもよ（１ ま瓢 第３、４の発明では後件部のパラメータ探索法は
誤差を用いて評価関数を作成することにより探索を可能
とする最急降下法を用いた列上 ニュートン法等を用い
てもよい。
発明の効果
本発明によれば 推論環境が変化しても自己学習機能に
より、ファジィ推論ルールを自動変更でき、更に後件部
のパラメータを非線形探索法で探索するので、推論環境
が変化しても高速に 低記憶容量で柔軟に適応できる推
論操作量を提供できる。
より、ファジィ推論ルールを自動変更でき、更に後件部
のパラメータを非線形探索法で探索するので、推論環境
が変化しても高速に 低記憶容量で柔軟に適応できる推
論操作量を提供できる。
第１図は第１の発明の一実施例におけるファジィ推論装
置の構成を示すブロックは 第２図は第２の発明の一実
施例におけるファジィ推論装置の構成を示すブロックは
第３図は第３の発明の一実施例におけるファジィ推論
装置の構成を示すブロック＠ 第４図は第４の発明の一
実施例におけるファジィ推論装置の構成を示すブロック
阻 第５図はファジィ変数の説明は 第６図は従来例の
入出力データ構成阻 第７図は従来例の前件部の各学習
データのメンバシップ値説明阻 第８図は従来例の推論
操作量の推定結果は 第９図はニューラルネットワーク
の一実施構成阻 第１０図は３３− −異一 パターン探索法の概念阻 第１１図は最急降下法の概念
阻 第１２図は従来のファジィ推論装置の一実施例の構
成を示すブロック図である。
置の構成を示すブロックは 第２図は第２の発明の一実
施例におけるファジィ推論装置の構成を示すブロックは
第３図は第３の発明の一実施例におけるファジィ推論
装置の構成を示すブロック＠ 第４図は第４の発明の一
実施例におけるファジィ推論装置の構成を示すブロック
阻 第５図はファジィ変数の説明は 第６図は従来例の
入出力データ構成阻 第７図は従来例の前件部の各学習
データのメンバシップ値説明阻 第８図は従来例の推論
操作量の推定結果は 第９図はニューラルネットワーク
の一実施構成阻 第１０図は３３− −異一 パターン探索法の概念阻 第１１図は最急降下法の概念
阻 第１２図は従来のファジィ推論装置の一実施例の構
成を示すブロック図である。
Claims (4)
- （１）前件部と後件部からなる推論規則に従って推論操
作量を決定する推論装置において、入力変数と出力変数
のデータを取り込み推論規則の個数を決定する推論規則
分割決定部と、分割された入力変数と出力変数のデータ
から特定の推論規則の前件部に相当するメンバシップ値
を求める前件部ニューロ構成部と、初期状態或は推論環
境が変化した場合に後件部の推論量を適応的に決定する
状況変化処理部と、前記前件部ニューロ構成部の出力と
前記状況変化処理部の出力とを入力し推論規則に従って
ファジィ推論を行ない推論操作量を決定する推論操作量
決定部と、前記推論操作量決定部の出力である推論操作
量を評価基準にしたがって評価を行う評価部と、前記状
況変化処理部には前記推論規則分割部の出力値を用いて
後件部の推論量の初期値設定を行う初期設定決定部と、
前記初期設定決定部の出力から探索を開始して前記評価
部の出力に従い後件部のパラメータを探索するパラメー
タ探索部とを具備することを特徴とするファジィ推論装
置。 - （２）前件部と後件部からなる推論規則に従って推論操
作量を決定する推論装置において、入力変数と出力変数
のデータを取り込み推論規則の個数を決定する推論規則
分割決定部と、分割された入力変数と出力変数のデータ
から特定の推論規則の前件部に相当するメンバシップ値
を求める前件部数値処理決定部と、初期状態或は推論環
境が変化した場合に後件部の推論量を適応的に決定する
状況変化処理部と、前記前件部数値処理決定部の出力と
前記状況変化処理部の出力とを入力し推論規則に従って
ファジィ推論を行ない推論操作量を決定する推論操作量
決定部と、前記推論操作量決定部の出力である推論操作
量を評価基準にしたがって評価を行う評価部と、前記状
況変化処理部には前記推論規則分割部の出力値を用いて
後件部の推論量の初期値設定を行う初期設定決定部と、
前記初期設定決定部の出力から探索を開始して前記評価
部の出力に従い後件部のパラメータを探索するパラメー
タ探索部とを具備することを特徴とするファジィ推論装
置。 - （３）前件部と後件部からなる推論規則に従って推論操
作量を決定する推論装置において、入力変数データを取
り込み推論規則の個数を決定する推論規則分割決定部と
、分割された入力変数のデータから特定の推論規則の前
件部に相当するメンバシップ値を求める前件部ニューロ
構成部と、出力変数データを取り込み前記推論規則分割
決定部の出力に従って出力データを推論規則の個数に分
割する出力データ分割部と、初期状態或は推論環境が変
化した場合に後件部の推論量を適応的に決定する状況変
化処理部と、前記前件部ニューロ構成部の出力と前記状
況変化処理部の出力とを入力し推論規則に従ってファジ
ィ推論を行ない推論操作量を決定する推論操作量決定部
と、前記推論操作量決定部の出力である推論操作量を出
力データと比較して評価を行う評価部と、前記状況変化
処理部には前記出力データ分割部の出力値を用いて後件
部の推論量の初期値設定を行う初期設定決定部と、前記
初期設定決定部の出力から探索を開始して前記評価部の
出力に従い後件部のパラメータを探索するパラメータ探
索部とを具備することを特徴とするファジィ推論装置。 - （４）前件部と後件部からなる推論規則に従って推論操
作量を決定する推論装置において、入力変数データを取
り込み推論規則の個数を決定する推論規則分割決定部と
、分割された入力変数のデータから特定の推論規則の前
件部に相当するメンバシップ値を求める前件部数値処理
決定部と、出力変数データを取り込み前記推論規則分割
決定部の出力に従って出力データを推論規則の個数に分
割する出力データ分割部と、初期状態或は推論環境が変
化した場合に後件部の推論量を適応的に決定する状況変
化処理部と、前記前件部数値処理決定部の出力と前記状
況変化処理部の出力とを入力し推論規則に従ってファジ
ィ推論を行ない推論操作量を決定する推論操作量決定部
と、前記推論操作量決定部の出力である推論操作量を出
力データと比較して評価を行う評価部と、前記状況変化
処理部には前記出力データ分割部の出力値を用いて後件
部の推論量の初期値設定を行う初期設定決定部と、前記
初期設定決定部の出力から探索を開始して前記評価部の
出力に従い後件部のパラメータを探索するパラメータ探
索部とを具備することを特徴とするファジィ推論装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2093632A JPH03291729A (ja) | 1990-04-09 | 1990-04-09 | ファジィ推論装置 |
| EP91105484A EP0451742B1 (en) | 1990-04-09 | 1991-04-06 | Fuzzy inference device |
| DE69123623T DE69123623T2 (de) | 1990-04-09 | 1991-04-06 | Unscharfe Folgerungsanlage |
| US08/265,617 US5630018A (en) | 1990-04-09 | 1994-06-24 | Fuzzy inference device using neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2093632A JPH03291729A (ja) | 1990-04-09 | 1990-04-09 | ファジィ推論装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH03291729A true JPH03291729A (ja) | 1991-12-20 |
Family
ID=14087714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2093632A Pending JPH03291729A (ja) | 1990-04-09 | 1990-04-09 | ファジィ推論装置 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP0451742B1 (ja) |
| JP (1) | JPH03291729A (ja) |
| DE (1) | DE69123623T2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US5677609A (en) * | 1994-07-28 | 1997-10-14 | National Semiconductor Corporation | Intelligent servomechanism controller |
| US5809487A (en) * | 1993-07-13 | 1998-09-15 | Siemens Aktiengesellschaft | Arrangement for modeling a non-linear process |
| US5828812A (en) * | 1993-03-24 | 1998-10-27 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system and method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4239270A1 (de) * | 1992-11-23 | 1994-05-26 | Siemens Ag | Verfahren zur Stellgliedidentifizierung bei der Querprofil-Regelung einer kontinuierlich erzeugten Materialbahn |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0813127A3 (en) * | 1988-05-20 | 1998-05-06 | Matsushita Electric Industrial Co., Ltd. | Inference rule determining method and inference device |
-
1990
- 1990-04-09 JP JP2093632A patent/JPH03291729A/ja active Pending
-
1991
- 1991-04-06 DE DE69123623T patent/DE69123623T2/de not_active Expired - Fee Related
- 1991-04-06 EP EP91105484A patent/EP0451742B1/en not_active Expired - Lifetime
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US5809487A (en) * | 1993-07-13 | 1998-09-15 | Siemens Aktiengesellschaft | Arrangement for modeling a non-linear process |
| US5677609A (en) * | 1994-07-28 | 1997-10-14 | National Semiconductor Corporation | Intelligent servomechanism controller |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0451742B1 (en) | 1996-12-18 |
| DE69123623D1 (de) | 1997-01-30 |
| DE69123623T2 (de) | 1997-04-17 |
| EP0451742A3 (en) | 1993-06-09 |
| EP0451742A2 (en) | 1991-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Angelov et al. | Simpl_eTS: A simplified method for learning evolving Takagi-Sugeno fuzzy models | |
| KR100243353B1 (ko) | 뉴럴 네트워크 시스템 | |
| Kasabov | ECOS: Evolving Connectionist Systems and the ECO Learning Paradigm. | |
| CN109511277B (zh) | 多状态连续动作空间的合作式方法及系统 | |
| CN109159785B (zh) | 一种基于马尔可夫链与神经网络的汽车行驶工况预测方法 | |
| Werbos et al. | Generalized maze navigation: SRN critics solve what feedforward or Hebbian nets cannot | |
| JPH03291729A (ja) | ファジィ推論装置 | |
| Senouci et al. | Call admission control in cellular networks: a reinforcement learning solution | |
| Dubrawski et al. | Self-supervised neural system for reactive navigation | |
| Kim | A design of CMAC-based fuzzy logic controller with fast learning and accurate approximation | |
| Shi et al. | Efficient hierarchical policy network with fuzzy rules | |
| US5630018A (en) | Fuzzy inference device using neural network | |
| CN114529010A (zh) | 一种机器人自主学习方法、装置、设备及存储介质 | |
| Abtahi | Intelligent identification of vehicle’s dynamics based on local model network | |
| JP4267726B2 (ja) | 制御装置における動作信号と操作量との関係を決定する装置、制御装置、データ生成装置、入出力特性決定装置及び相関関係評価装置 | |
| Schaefer et al. | The Recurrent Control Neural Network. | |
| Stonier et al. | Intelligent hierarchical control for obstacle-avoidance | |
| Chakraborty et al. | Designing rule-based classifiers with on-line feature selection: a neuro-fuzzy approach | |
| Otadi | Simulation and evaluation of second-order fuzzy boundary value problems | |
| Chang | Designing and tuning of a fuzzy logic controller via genetic input/output mapping factors | |
| Hu et al. | Interpretable Goal Recognition for Path Planning with ART Networks | |
| Mascioli et al. | A constructive algorithm for fuzzy neural networks | |
| Okuhara et al. | Reproductive and competitive radial basis function networks adaptable to dynamical environments | |
| Dominguez et al. | Mutual Information and Topology 1: Asymmetric Neural Network | |
| Lin et al. | Fuzzy modeling and control based on maximum entropy self-organizing nets and cell state mapping |