JPH0410130A - ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置 - Google Patents
ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置Info
- Publication number
- JPH0410130A JPH0410130A JP2113462A JP11346290A JPH0410130A JP H0410130 A JPH0410130 A JP H0410130A JP 2113462 A JP2113462 A JP 2113462A JP 11346290 A JP11346290 A JP 11346290A JP H0410130 A JPH0410130 A JP H0410130A
- Authority
- JP
- Japan
- Prior art keywords
- proposition
- rule
- neural network
- priority
- production
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 30
- 210000002569 neuron Anatomy 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 7
- 101000620967 Diplobatis ommata Ras-related protein Rab-11B Proteins 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 101100028131 Danio rerio ora4 gene Proteins 0.000 description 1
- 101001132551 Diplobatis ommata Ras-related protein Rab-8 Proteins 0.000 description 1
- 101100406515 Drosophila melanogaster orb2 gene Proteins 0.000 description 1
- 101100258025 Schizosaccharomyces pombe (strain 972 / ATCC 24843) shk1 gene Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- 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〕
この発明はニューラルネットワークを用いたエキスパー
トシステムのルールベースの自動調整方法及び装置に関
する。
トシステムのルールベースの自動調整方法及び装置に関
する。
〔従来の技術及び発明が解決しようとする課題〕エキス
パートシステムは各分野の専門家から得た知識をルール
表現したものの集合からなるルルベースと、このルール
ベースに蓄えられた知識を使って推論を行う推論エンジ
ンからなる。このエキスパートシステムを作成するに際
してルールベースの改訂は避けられず、テストを繰り返
しながら期待した結果が得られるまでルールベースを調
整しなくてはいけない。
パートシステムは各分野の専門家から得た知識をルール
表現したものの集合からなるルルベースと、このルール
ベースに蓄えられた知識を使って推論を行う推論エンジ
ンからなる。このエキスパートシステムを作成するに際
してルールベースの改訂は避けられず、テストを繰り返
しながら期待した結果が得られるまでルールベースを調
整しなくてはいけない。
このルールベースの調整作業に当たって従来は、エキス
パートシステムへの問題人力から解答出力までの推論の
道筋を説明する説明機能を用い、この説明機能により間
違った回答につながる推論のステップや間違ったステッ
プにつながるルールベース中の事実を明らかにした後、
専門家がルールの追加、修正、確信度の調整等の改訂作
業を行うようにしている。
パートシステムへの問題人力から解答出力までの推論の
道筋を説明する説明機能を用い、この説明機能により間
違った回答につながる推論のステップや間違ったステッ
プにつながるルールベース中の事実を明らかにした後、
専門家がルールの追加、修正、確信度の調整等の改訂作
業を行うようにしている。
しかしながら、従来使われている上記説明機能は推論の
道筋を明らかにするのみの機能しかないため、実際に上
記改訂作業をなし得るのは当該エキスパートシステムを
十分に理解した専門家のみであり、またその作業は専門
家にとっても非常に困難を極めるものである。特に、確
信度の微調整にいたってはその変更が及はす影響か不明
であることが多く、専門家にとってもその調整は不可能
に近い。さらに、上記説明機能を利用する場合には、初
期状態を与える度に推論及び確信度の計算を再実行しな
くてはいけないので、改定作業に長時間を要するという
問題かある。
道筋を明らかにするのみの機能しかないため、実際に上
記改訂作業をなし得るのは当該エキスパートシステムを
十分に理解した専門家のみであり、またその作業は専門
家にとっても非常に困難を極めるものである。特に、確
信度の微調整にいたってはその変更が及はす影響か不明
であることが多く、専門家にとってもその調整は不可能
に近い。さらに、上記説明機能を利用する場合には、初
期状態を与える度に推論及び確信度の計算を再実行しな
くてはいけないので、改定作業に長時間を要するという
問題かある。
この発明はこのような事情に鑑みて成されたもので、エ
キスパートシステムのルールベースの改定作業を専門家
以外でも容易にかつ効率よく成し得るニューラルネット
ワークを用いたエキスパートシステムのルールベースの
自動調整方法および装置を提供することを目的とする。
キスパートシステムのルールベースの改定作業を専門家
以外でも容易にかつ効率よく成し得るニューラルネット
ワークを用いたエキスパートシステムのルールベースの
自動調整方法および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及び作用〕この発明では、
ニューラルネットワークの学習処理を用いてエキスパー
トシステムのルールベースの改訂を行う。ニューラルネ
ットワークは、ニューロンをリンク状に階層構成したも
のであり、接続部にはそれぞれ重み値か設定される。各
ニューロンでは、上位からの入力信号のそれぞれに重み
値を掛け、それらの総和を入力値とし、所定の入出力関
数に応じて自らの出力値を決定し、この出力値を下位の
ニューロンに出力する。そして、このニューラルネット
ワークでは、ネットワークの人力層に信号を与え、入力
に対して希望するような出力が得られるようなネットワ
ークを構成することが目的になる。また、希望する入力
と出力との関係が得られるように重み値を変えていくこ
とを学習という。
ニューラルネットワークの学習処理を用いてエキスパー
トシステムのルールベースの改訂を行う。ニューラルネ
ットワークは、ニューロンをリンク状に階層構成したも
のであり、接続部にはそれぞれ重み値か設定される。各
ニューロンでは、上位からの入力信号のそれぞれに重み
値を掛け、それらの総和を入力値とし、所定の入出力関
数に応じて自らの出力値を決定し、この出力値を下位の
ニューロンに出力する。そして、このニューラルネット
ワークでは、ネットワークの人力層に信号を与え、入力
に対して希望するような出力が得られるようなネットワ
ークを構成することが目的になる。また、希望する入力
と出力との関係が得られるように重み値を変えていくこ
とを学習という。
この発明では、エキスパートシステムのルールベース中
の各命題をニューラルネットワークを構成する各ニュー
ロンに対応付け、各ニューロンの入力端の重みにはルー
ルベースのおけるプロダクションルール中の確信度を用
いるようにする。
の各命題をニューラルネットワークを構成する各ニュー
ロンに対応付け、各ニューロンの入力端の重みにはルー
ルベースのおけるプロダクションルール中の確信度を用
いるようにする。
すなわちこの発明では、前提部、結論部および確信度を
含むプロダクションルールの集合から成るエキスパート
システムのルールベースを０または１つの論理演算子を
含む命題単位に階層分解し、該分解した命題ごとに上層
の命題との関係および確信度を含む特性リストを自動生
成する第１工程と前記生成された特性リストに基ずき各
命題間の結合関係を各ニューロン間の結合関係に対応さ
せたニューラルネットワークの初期パターンを自動作成
する第２工程と、前記作成したニューラルネットワーク
の学習を行う第３工程とを具えるようにする。
含むプロダクションルールの集合から成るエキスパート
システムのルールベースを０または１つの論理演算子を
含む命題単位に階層分解し、該分解した命題ごとに上層
の命題との関係および確信度を含む特性リストを自動生
成する第１工程と前記生成された特性リストに基ずき各
命題間の結合関係を各ニューロン間の結合関係に対応さ
せたニューラルネットワークの初期パターンを自動作成
する第２工程と、前記作成したニューラルネットワーク
の学習を行う第３工程とを具えるようにする。
以下、この発明の実施例を添付図面を参照して詳細に説
明する。
明する。
第１図はこの発明の実施例を概念的に示すものであり、
ルールベース１．推論エンジン２などを具えるエキスパ
ートシステム３と、このエキスパートシステム３のルー
ルベース１をニューラルネットワークシステム５で処理
するデータ構造に自動変換する変換部４、変換部４を介
して入力されたデータ（後述の特性リスト）に基ずきニ
ューロンのネットワーク結合から成るニューラルネット
ワークを自動形成し学習を実行することでルールベース
１の改訂を行うニューラルネットワークシステム５、お
よびニューラルネットワークシステム５て学習を終了し
たニューラルネットワークをエキスパートシステム３の
ルールベース１に対応するフォーマットに自動逆変換す
る逆変換部６を有して構成される。
ルールベース１．推論エンジン２などを具えるエキスパ
ートシステム３と、このエキスパートシステム３のルー
ルベース１をニューラルネットワークシステム５で処理
するデータ構造に自動変換する変換部４、変換部４を介
して入力されたデータ（後述の特性リスト）に基ずきニ
ューロンのネットワーク結合から成るニューラルネット
ワークを自動形成し学習を実行することでルールベース
１の改訂を行うニューラルネットワークシステム５、お
よびニューラルネットワークシステム５て学習を終了し
たニューラルネットワークをエキスパートシステム３の
ルールベース１に対応するフォーマットに自動逆変換す
る逆変換部６を有して構成される。
ルールベース１は複数のプロダクションルール（以下単
にルールという）の集合であり、これらルールは周知の
ように下記のように表される。
にルールという）の集合であり、これらルールは周知の
ように下記のように表される。
ＩＦ（Ａｎ：前提部）
ＴＨＥＮ（Ｂｎ：結論部）
ＣＦ（Ｃｎ：ルールの確信度）
（ｎ−１，２，３・・・・・・）
これら［前提部ＡｎＪおよび「結論部ＢｎＪをそれぞれ
１つの要素として扱いその真偽のみに着目するときこれ
らの文を「命題」と呼び、この「命題」はＡＮＤ、ＯＲ
，ＮＯＴなどの「論理演算子（演算子）」で構成される
場合もある。
１つの要素として扱いその真偽のみに着目するときこれ
らの文を「命題」と呼び、この「命題」はＡＮＤ、ＯＲ
，ＮＯＴなどの「論理演算子（演算子）」で構成される
場合もある。
下記にルールベースの一例を示す。
「ルールベースＡ」
・ルールドＩＦ ＡＩ ＴＨＥＮ ＢＩ ＣＦ ＣＩ
・ルール２ ： ＩＦ （ＡＮＤ Ａ２＾３） ＴＨＥ
Ｎ Ｂ２ ＣＰ Ｃ２ニューラルネットワークシステム
５はニューロンをネットワーク結合した第５世代のコン
ピュータであり、現状ではソフトウェアによるシュミレ
ータを用いている。この場合にはニューラルネットワー
クとして、人力層、中間層、および出力層の多階層構造
からなるネットワークを用いるようにしている。
・ルール２ ： ＩＦ （ＡＮＤ Ａ２＾３） ＴＨＥ
Ｎ Ｂ２ ＣＰ Ｃ２ニューラルネットワークシステム
５はニューロンをネットワーク結合した第５世代のコン
ピュータであり、現状ではソフトウェアによるシュミレ
ータを用いている。この場合にはニューラルネットワー
クとして、人力層、中間層、および出力層の多階層構造
からなるネットワークを用いるようにしている。
まず、変換部４ての処理について詳述する。その手順は
下記のように大別される。
下記のように大別される。
■ルールの変換工程
■ルールの優先度決定工程
■各命題の優先度決定工程
■ダミー命題展開工程
■各命題の特性リスト決定工程
以下その詳細を第２図のフローチャートにしたかって順
に説明する。
に説明する。
■ルールの変換工程
この工程は、以下の５つの手順に細分される。
「手順１」
ルールベース中の複数のルールから複数の演算子を含む
ルールを抽出し、抽出したルールの前提部へ〇および結
論部Ｂｎを最大でも１つの演算子を含む命題に分解する
（第２図ステップ１００〜１１０）。
ルールを抽出し、抽出したルールの前提部へ〇および結
論部Ｂｎを最大でも１つの演算子を含む命題に分解する
（第２図ステップ１００〜１１０）。
「手順２」
分解後の命題のうち演算子を含む命題を新たな変数Ｒｎ
に置き換える（ステップ１２０）。
に置き換える（ステップ１２０）。
「手順３」
［もし その命題ならば その新たな変数確信度−１」
というルールを新たに追加する。上記のその命題とは、
分解後の命題のうちの演算子を含む命題である（ステッ
プ１４０）。
というルールを新たに追加する。上記のその命題とは、
分解後の命題のうちの演算子を含む命題である（ステッ
プ１４０）。
「手順４Ｊ
命題に演算子ＮＯＴを含むルールを抽出し、抽出したル
ールの命題を新たな変数Ｒｎに置き換え、さらに下記の
ルールを新たに追加する（ステップ１３０〜１４０）。
ールの命題を新たな変数Ｒｎに置き換え、さらに下記の
ルールを新たに追加する（ステップ１３０〜１４０）。
［もし ＮＯＴを抜いたその命題ならば その新たな変
数 確信度−一１］ 「手順５」 同一の結論部Ｂｎを有する複数のルールを抽出し、それ
らのルールの結論部をそれぞれ新たな変数Ｒｎに置き換
え、さらに下記のルールを新たに追加する（ステップ１
６０〜１８０）。
数 確信度−一１］ 「手順５」 同一の結論部Ｂｎを有する複数のルールを抽出し、それ
らのルールの結論部をそれぞれ新たな変数Ｒｎに置き換
え、さらに下記のルールを新たに追加する（ステップ１
６０〜１８０）。
［もし ＯＲ（新たな変数群）ならば その同一の結論
部 確信度−１］ 以上の処理を全ルールを分解するまで繰り返し実行する
（ステップ１９０）。
部 確信度−１］ 以上の処理を全ルールを分解するまで繰り返し実行する
（ステップ１９０）。
このルール変換処理を下記「ルールベースＢ」について
行った具体例を以下に示し、その変換結果が下記「ルー
ルベースＢ−ＮＥＷＪである。
行った具体例を以下に示し、その変換結果が下記「ルー
ルベースＢ−ＮＥＷＪである。
「ルールベースＢ」
・ルール１ ： ＩＦ ＡＩ ＴＨＥＮ ＢＩ ＣＦ
Ｃ１・ルール２ ： ＩＰ （ＡＮＤ Ａ２ Ａ３）
ＴＨＥＮ Ｂ２ ＣＦ Ｃ２・ルール３ ： ＩＦ （
ＯＲＡ４（ＡＮＤ Ａ５ ＡＳ））ＴＨＥＮ Ｂ３ Ｃ
Ｆ Ｃ３ ・ルール４ ： ＩＦ （ＮＯＴ＾７） ＴＨＥＮ Ｂ
４ ＣＦ ｃ４・ルール５ ： ＩＦ Ａ８ ＴＨＥＮ
Ｂ５ ＣＦ Ｃ５・ルール６ ： ＩＦ Ａ９ ＴＨ
ＥＮ Ｂ５ ＣＦ Ｃ６「手順１」 上記「ルールベースＢ」では、ルール３がＯＲとＡＮＤ
の２つの演算子で構成されているので、（Ａ４）と（Ａ
ＮＤＡ５＾６）の２つの命題に分割する。
Ｃ１・ルール２ ： ＩＰ （ＡＮＤ Ａ２ Ａ３）
ＴＨＥＮ Ｂ２ ＣＦ Ｃ２・ルール３ ： ＩＦ （
ＯＲＡ４（ＡＮＤ Ａ５ ＡＳ））ＴＨＥＮ Ｂ３ Ｃ
Ｆ Ｃ３ ・ルール４ ： ＩＦ （ＮＯＴ＾７） ＴＨＥＮ Ｂ
４ ＣＦ ｃ４・ルール５ ： ＩＦ Ａ８ ＴＨＥＮ
Ｂ５ ＣＦ Ｃ５・ルール６ ： ＩＦ Ａ９ ＴＨ
ＥＮ Ｂ５ ＣＦ Ｃ６「手順１」 上記「ルールベースＢ」では、ルール３がＯＲとＡＮＤ
の２つの演算子で構成されているので、（Ａ４）と（Ａ
ＮＤＡ５＾６）の２つの命題に分割する。
「手順２」
Ｒ１−（＾ＮＤ＾５＾６）とする。ＲＬは新たな変数「
手順３」 下記「ルールベースＢ−ＮＥＷＪのルール４を追加する
。
手順３」 下記「ルールベースＢ−ＮＥＷＪのルール４を追加する
。
「手順４」
上記「ルールベースＢ」のルール４において、Ｒ２＝
（ＮＯＴ Ａ７）とする。Ｒ２は新たな変数。下記「
ルールベースＢ−ＮＥＷＪのルール６を追加する。
（ＮＯＴ Ａ７）とする。Ｒ２は新たな変数。下記「
ルールベースＢ−ＮＥＷＪのルール６を追加する。
「手順５」
上Ｓ己「ルールベースＢ」のルール
とは同一の結論部を有するので、Ｒ３−Ｂ５、Ｒ４−Ｂ
５とする。Ｒ３、Ｒ４は新たな変数。下記「ルールベー
スＢ−ＮＥＷ」のルール７〜９を追加する。
５とする。Ｒ３、Ｒ４は新たな変数。下記「ルールベー
スＢ−ＮＥＷ」のルール７〜９を追加する。
「ルールベースＢ−ＮＥＷＪ
・ル〜ルトＩＦ ＡＩ ＴＨＥＮ ＢＩ ＣＦ ＣＩ
・ルール２ ： ＩＦ （ＡＮＤ＾２＾３） Ｔ）ＩＥ
Ｎ Ｂ２ ＣＦ Ｃ２・ルール３ ： ＩＰ （ＯＲ
Ａ４ Ｒ１） Ｔｌ（ＥＮ Ｂ３ ＣＦ Ｃ３− ／
ｌｚ−ル４ ： ＩＦ （ＡＮＤ Ａ５ Ａ６） ＴＨ
ＥＮ ＲＩ ＣＦ ｌ・ルール５ ： ＩＦ Ｒ２ Ｔ
ＨＥＮ Ｂ４ ＣＦ’Ｃ４・ルール６ ： ＩＦ Ａ７
ＴＨＥＮ Ｒ２ ＣＦ −トルールア ： ＩＦ Ａ
８ ＴＨＥＮ Ｒ３ ＣＦ Ｃ５・ルール８ ： ＩＦ
Ａ９ ＴＨＥＮ Ｒ４ ＣＦ ＣＢ・ルール９ ：
ＩＦ （ＯＲ Ｒ３ Ｒ４） ＴＨＥＮ ８５ ＣＦ
１次に、１つのルール１て構成されている「ル−ルベー
スＣ」、前記同様のルール変換の具体例、及びルール変
換結果（「ルールベースＣ−ＮＥＷＪ）を下記にしめす
。
・ルール２ ： ＩＦ （ＡＮＤ＾２＾３） Ｔ）ＩＥ
Ｎ Ｂ２ ＣＦ Ｃ２・ルール３ ： ＩＰ （ＯＲ
Ａ４ Ｒ１） Ｔｌ（ＥＮ Ｂ３ ＣＦ Ｃ３− ／
ｌｚ−ル４ ： ＩＦ （ＡＮＤ Ａ５ Ａ６） ＴＨ
ＥＮ ＲＩ ＣＦ ｌ・ルール５ ： ＩＦ Ｒ２ Ｔ
ＨＥＮ Ｂ４ ＣＦ’Ｃ４・ルール６ ： ＩＦ Ａ７
ＴＨＥＮ Ｒ２ ＣＦ −トルールア ： ＩＦ Ａ
８ ＴＨＥＮ Ｒ３ ＣＦ Ｃ５・ルール８ ： ＩＦ
Ａ９ ＴＨＥＮ Ｒ４ ＣＦ ＣＢ・ルール９ ：
ＩＦ （ＯＲ Ｒ３ Ｒ４） ＴＨＥＮ ８５ ＣＦ
１次に、１つのルール１て構成されている「ル−ルベー
スＣ」、前記同様のルール変換の具体例、及びルール変
換結果（「ルールベースＣ−ＮＥＷＪ）を下記にしめす
。
「ルールベースＣ」
・ルール１ ： ＩＦ （ＯＲ（ＮＯＴ（ＡＮＤ ＡＩ
Ａ２）（ＯＲＡ３（ＡＮＤ＾４ Ａ５（ＯＲＡｌ３Ａ
７ Ａ８）））） ＴＨＥＮ ＢＩ ＣＦ Ｃ１ 「手順１」 分解して（ＮＯＴ（八ＮＤ Ａｔ＾２））及び（（ＯＲ
Ａ３（ＡＮＤＡ４ Ａ５（ＯＲＡＳ＾７ Ａ８）））と
する。さらに分解して、（ＡＮＤ Ａｔ Ａ２）及び（
ＡＮＤ Ａ４ Ａ５（ＯＲＡ６＾７ Ａ８））とし、さ
らに分解して （ＯＲ八へ＾７＾８）とする。
Ａ２）（ＯＲＡ３（ＡＮＤ＾４ Ａ５（ＯＲＡｌ３Ａ
７ Ａ８）））） ＴＨＥＮ ＢＩ ＣＦ Ｃ１ 「手順１」 分解して（ＮＯＴ（八ＮＤ Ａｔ＾２））及び（（ＯＲ
Ａ３（ＡＮＤＡ４ Ａ５（ＯＲＡＳ＾７ Ａ８）））と
する。さらに分解して、（ＡＮＤ Ａｔ Ａ２）及び（
ＡＮＤ Ａ４ Ａ５（ＯＲＡ６＾７ Ａ８））とし、さ
らに分解して （ＯＲ八へ＾７＾８）とする。
「手順２」
Ｒ２−（（ＯＲＡ３（ＡＮＤ ＡＡ Ａ５（ＯＲＡＢ
Ａ７ Ａ８）））Ｒ２１−（ＡＮＤ Ａ４ Ａ５（
ＯＲＡ６ Ａ７ Ａ８））Ｒ２１１−（ＯＲ八へ＾
７Ａ８） 「手順４」 Ｒ１−（ＮＯＴ（ＡＮＤ Ａｔ Ａ２））Ｒ１１−（Ａ
ＮＤ Ａｔ Ａ２） 「ルールベースＣ−ＮＥＷＪ ・ルール１ ： ＩＦ （ＯＲＲＩ Ｒ２） Ｔ）ＩＥ
Ｎ ＢＩ ＣＦ Ｃ１・ルール２ ： ＩＦ Ｒ１１Ｔ
ＨＥＮ ＲＩ ＣＦ −トルール３ ： ＩＦ （ＡＮ
Ｄ ＡＩ Ａ２） ＴＨＥＮ ＲＬＩ ＣＦ トルール
４ ： （ＯＲＡ３ Ｒ２１） ＴＩＩＥＮ Ｒ２ＣＦ
ｌ・ルール５ ： （ＡＮＤ＾４ Ａ５ Ｒ２１１）
ＴＨＥＮ Ｒ２１ＣＦ トルール６ ： （ＯＲＡ６
Ａ７＾８） ＴＩＩＥＮ Ｒ２１１ＣＦ ｌ■ルール
の優先度決定工程 この工程は各ルール間の優先度を決定する工程であり、
この工程は次に行う命題間優先度決定工程の前処理であ
る。第２図（ｂ）ステップ２００〜２２０）。
Ａ７ Ａ８）））Ｒ２１−（ＡＮＤ Ａ４ Ａ５（
ＯＲＡ６ Ａ７ Ａ８））Ｒ２１１−（ＯＲ八へ＾
７Ａ８） 「手順４」 Ｒ１−（ＮＯＴ（ＡＮＤ Ａｔ Ａ２））Ｒ１１−（Ａ
ＮＤ Ａｔ Ａ２） 「ルールベースＣ−ＮＥＷＪ ・ルール１ ： ＩＦ （ＯＲＲＩ Ｒ２） Ｔ）ＩＥ
Ｎ ＢＩ ＣＦ Ｃ１・ルール２ ： ＩＦ Ｒ１１Ｔ
ＨＥＮ ＲＩ ＣＦ −トルール３ ： ＩＦ （ＡＮ
Ｄ ＡＩ Ａ２） ＴＨＥＮ ＲＬＩ ＣＦ トルール
４ ： （ＯＲＡ３ Ｒ２１） ＴＩＩＥＮ Ｒ２ＣＦ
ｌ・ルール５ ： （ＡＮＤ＾４ Ａ５ Ｒ２１１）
ＴＨＥＮ Ｒ２１ＣＦ トルール６ ： （ＯＲＡ６
Ａ７＾８） ＴＩＩＥＮ Ｒ２１１ＣＦ ｌ■ルール
の優先度決定工程 この工程は各ルール間の優先度を決定する工程であり、
この工程は次に行う命題間優先度決定工程の前処理であ
る。第２図（ｂ）ステップ２００〜２２０）。
優先度決定のための基準規則は以下のとおりである。
■、同一命題か前提部と結論部に存在するルール間の優
先度は、結論部に同一命題を有するルールの優先順位を
前提部に同一命題を有するルールの優先順位より上にす
る。
先度は、結論部に同一命題を有するルールの優先順位を
前提部に同一命題を有するルールの優先順位より上にす
る。
■、共通命題を有さないルール間の優先順位は同じにす
る。
る。
例えば、先の■の工程によりルール変換された下記「ル
ールベースＤ−ＮＥＷＪの場合は、ルル間の優先度は下
記第１表のようになる。
ールベースＤ−ＮＥＷＪの場合は、ルル間の優先度は下
記第１表のようになる。
「ルールベースＤ−ＮＥＷＪ
・ルールドＩＦ Ａｔ ＴＨＥＮ ＢＩ ＣＦ Ｃ１・
ルール２ ： ＩＦ （ＡＮＤ＾２ Ｂｌ） ＴＨＥＮ
Ｂ２ ＣＦ Ｃ２・ルール３ ： ＩＦ Ｂ２ ＴＨ
ＥＮ Ｂ３ ＣＦ Ｃ３・ルール４ ： ＩＦ＾３ Ｔ
ＨＥＮ Ｂ４ ＣＰ Ｃ４第１表 すなわち、上記「ルールベースＤ−ＮＥＷＪては、ルー
ル１とルール２とは同一命題Ｂ１を前提部と結論部に有
しているが、結論部に同一命題Ｂ１を有するルール１の
優先順位を前提部に同一命題Ｂ１を有するルール２の優
先順位より上にする。また、同一命題Ｂ２を有するルー
ル２−ルール３間では、結論部に同一命題Ｂ２を有する
ルール２の優先順位を前提部に同一命題Ｂ２を有するル
ール３の優先順位より上にする。また、ルール３−ルー
ル４間では、同一命題が存在しないので、これらルール
の優先度は同しにする。この結果、ルール間の優先度は
上記の通りとなる。
ルール２ ： ＩＦ （ＡＮＤ＾２ Ｂｌ） ＴＨＥＮ
Ｂ２ ＣＦ Ｃ２・ルール３ ： ＩＦ Ｂ２ ＴＨ
ＥＮ Ｂ３ ＣＦ Ｃ３・ルール４ ： ＩＦ＾３ Ｔ
ＨＥＮ Ｂ４ ＣＰ Ｃ４第１表 すなわち、上記「ルールベースＤ−ＮＥＷＪては、ルー
ル１とルール２とは同一命題Ｂ１を前提部と結論部に有
しているが、結論部に同一命題Ｂ１を有するルール１の
優先順位を前提部に同一命題Ｂ１を有するルール２の優
先順位より上にする。また、同一命題Ｂ２を有するルー
ル２−ルール３間では、結論部に同一命題Ｂ２を有する
ルール２の優先順位を前提部に同一命題Ｂ２を有するル
ール３の優先順位より上にする。また、ルール３−ルー
ル４間では、同一命題が存在しないので、これらルール
の優先度は同しにする。この結果、ルール間の優先度は
上記の通りとなる。
■各命題の優先度決定工程
この工程では、上記決定したルール間の優先度に基ずき
各命題間の優先度を決定する。ただし、この決定に際し
ては各ルールの前提部に存在する命題Ａｎの優先順位を
結論部に存在する命題Ｂｎの優先順位より上にする（第
２図（ｂ）ステップ２３０）。
各命題間の優先度を決定する。ただし、この決定に際し
ては各ルールの前提部に存在する命題Ａｎの優先順位を
結論部に存在する命題Ｂｎの優先順位より上にする（第
２図（ｂ）ステップ２３０）。
上記「ルールベースＤ−ＮＥＷＪでは、命題間の優先度
は下記第２表のようになり、４階層に分割される。
は下記第２表のようになり、４階層に分割される。
第２表
優先度 命題
Ｉ ＡＩ
２ Ｂ１． Ａ２
３ 、 Ｂ２． Ａ３
４ Ｂ３． Ｂ４
■ダミー命題展開工程
この工程では、先の■の工程によりルール変換されたデ
ータヘースの各ルールを順次調べ、これら各ルールの前
提部に存在する命題が上位のルールから導出されていな
いときは、すなわち当該ルールの前提部に存在する命題
と同し命題が上位のルールの結論部に存在しないときは
、その命題のダミーをその命題より上位の全ての層に展
開する（ステップ２４０〜２５０）。
ータヘースの各ルールを順次調べ、これら各ルールの前
提部に存在する命題が上位のルールから導出されていな
いときは、すなわち当該ルールの前提部に存在する命題
と同し命題が上位のルールの結論部に存在しないときは
、その命題のダミーをその命題より上位の全ての層に展
開する（ステップ２４０〜２５０）。
上記「ルールベースＤ−ＮＥＷＪては、前提部に存在す
る命題Ａ１、Ａ２、旧、Ｂ２、Ａ３のうちＡ２、Ａ３が
上位の層から導出されていないので、これらのダミー
すなわちＡ２ダミー、Ａ３ダミー１、Ａ３ダミー２か上
位の各層に展開され、この結果命題の優先度リストは下
記第３表のようになる。
る命題Ａ１、Ａ２、旧、Ｂ２、Ａ３のうちＡ２、Ａ３が
上位の層から導出されていないので、これらのダミー
すなわちＡ２ダミー、Ａ３ダミー１、Ａ３ダミー２か上
位の各層に展開され、この結果命題の優先度リストは下
記第３表のようになる。
第３表
優先度 命題 命題数Ｉ
Ａｔ、Ａ２ ダ ミ − 、 Ａ３ 夕゛
ミ − ２ ３２ 旧、＾２．Ａ３ダミー
１３ ３Ｂ２．Ａ３２ ４ Ｂ３．Ｂ４ ２このダミ
ー追加工程はその後の記載で明らかになるか、ニューラ
ルネットワークの中間層（上記優先度２．３の階層に対
応）にしか存在しないニューロンをニューラルネットワ
ークの入力層（上記優先度１の階層に対応）まで展開す
るためのものである。
Ａｔ、Ａ２ ダ ミ − 、 Ａ３ 夕゛
ミ − ２ ３２ 旧、＾２．Ａ３ダミー
１３ ３Ｂ２．Ａ３２ ４ Ｂ３．Ｂ４ ２このダミ
ー追加工程はその後の記載で明らかになるか、ニューラ
ルネットワークの中間層（上記優先度２．３の階層に対
応）にしか存在しないニューロンをニューラルネットワ
ークの入力層（上記優先度１の階層に対応）まで展開す
るためのものである。
■各命題の特性リスト決定工程
この工程では、ニューラルネットワークシステム５にお
いて上記作成した命題の優先度リスト（第３表）に対応
するニューラルネットワークを自動作成できるように、
上記命題の優先度リスト中の各命題ことに上層の命題と
の結合関係を現わす特性データ（上層の命題との関係、
確信度）を付加することで、下記第４表に示すような特
性リストを作成する（ステップ２６０．２７０）。
いて上記作成した命題の優先度リスト（第３表）に対応
するニューラルネットワークを自動作成できるように、
上記命題の優先度リスト中の各命題ことに上層の命題と
の結合関係を現わす特性データ（上層の命題との関係、
確信度）を付加することで、下記第４表に示すような特
性リストを作成する（ステップ２６０．２７０）。
ここで、命題ｉについての特性リストのフォーマットは
（命題ｉ 上層の命題との関係ｌ 確信度ｌ）と定義す
る この特性リストを作成するための基準規則は以下の通り
である。
る この特性リストを作成するための基準規則は以下の通り
である。
１、命題ｉがルール群中のルールｊの結論部にあれば、
上層の命題との関係ｉはルールｊの前提部とし、その確
信度ｉはルールｊの確信度とする。
上層の命題との関係ｉはルールｊの前提部とし、その確
信度ｉはルールｊの確信度とする。
■、もし、上記の前提部に演算子がない場合、すなわち
前提部の命題が１つのときは、ＯＲとともにその命題を
かっこ（）でくくるようにする。
前提部の命題が１つのときは、ＯＲとともにその命題を
かっこ（）でくくるようにする。
■、命題ｉの上位にダミー命題が存在する場合もＯＲと
ともにそのダミー命題をかっこ（）てくくるようにする
。
ともにそのダミー命題をかっこ（）てくくるようにする
。
■、命題１が上層にダミー命題を有するときの確信度ｉ
はｌとする。
はｌとする。
■、最上層にある命題の、上層の命題との関係ｉおよび
確信度ｉはいずれもＮＩＬ（無しという意味）と表す。
確信度ｉはいずれもＮＩＬ（無しという意味）と表す。
これにより上記「ルールベースＤ−ＮＥＷＪについての
命題の特性リストは下記第４表のようになる。
命題の特性リストは下記第４表のようになる。
第４表
第１層（最上層）
（（（ＡＩ ＮＩＬ ＮＩＬ）（Ａ２ ダ ミ
− ＮＩＬ ＮＩＬ）（Ａ３ダ ミ −２ ＮＩＬ
ＮＩＬ））第２層 （（Ｂｌ（ＯＲＡｔ）ＣＩ）（Ａ２（ＯＲＡ２ ダ
ミ −）１） （Ａ３ダ ミ − １ （ＯＲＡ３ ダ
ミ −２）ｌ））第３層 （（Ｂ２（ＡＮＤ ＢＩ Ａ２）Ｃ２）（Ａ３（Ｏ
ＲＡ３ ダ ミ −１）Ｌ））第４層（最下層） （（Ｂ３（ＯＲＢ２）Ｃ３）（Ｂ４（ＯＲＡ３）Ｃ４）
）第１図の変換部４ては、かかる■〜■の工程を実行す
ることで、第４表に示したような特性リストを作成し、
この特性リストをニューラルネットワークシステム５に
出力する（ステップ２８０）。
− ＮＩＬ ＮＩＬ）（Ａ３ダ ミ −２ ＮＩＬ
ＮＩＬ））第２層 （（Ｂｌ（ＯＲＡｔ）ＣＩ）（Ａ２（ＯＲＡ２ ダ
ミ −）１） （Ａ３ダ ミ − １ （ＯＲＡ３ ダ
ミ −２）ｌ））第３層 （（Ｂ２（ＡＮＤ ＢＩ Ａ２）Ｃ２）（Ａ３（Ｏ
ＲＡ３ ダ ミ −１）Ｌ））第４層（最下層） （（Ｂ３（ＯＲＢ２）Ｃ３）（Ｂ４（ＯＲＡ３）Ｃ４）
）第１図の変換部４ては、かかる■〜■の工程を実行す
ることで、第４表に示したような特性リストを作成し、
この特性リストをニューラルネットワークシステム５に
出力する（ステップ２８０）。
次に、ニューラルネットワークシステム５での処理を説
明する。
明する。
ニューラルネットワークシステム５ての処理手順は以下
の２工程に大別される。
の２工程に大別される。
■ニューラルネットワークへの展開
■ニューラルネットワークの学習
以下、第３図のフローチャートなどを参照してその詳細
を説明する。
を説明する。
■ニューラルネットワークへの展開
ニューラルネットワークシステム５ては、変換部４から
入力された上記特性リストに基ずき該特性リストに対応
するニューラルネットワークの初期パターンを自動作成
する。第４図は上記第４表に示した特性リストをニュー
ラルネットワークへ展開した例を示すものである。
入力された上記特性リストに基ずき該特性リストに対応
するニューラルネットワークの初期パターンを自動作成
する。第４図は上記第４表に示した特性リストをニュー
ラルネットワークへ展開した例を示すものである。
すなわち、入力された上記特性リスト中の各命題をニュ
ーラルネットワークを構成する各ニュロンに対応付け、
各二ニーロン間の入力側の重みには上記特性リスト中の
確信度ｌを用いるようにする。
ーラルネットワークを構成する各ニュロンに対応付け、
各二ニーロン間の入力側の重みには上記特性リスト中の
確信度ｌを用いるようにする。
具体的には、各命題の特性リスト（（命題１ 上層の命
題との関係１ 確信度ｌ））に着目し、当該命題ｌかダ
ミー命題以外の他の命題とＯＲもしくはＡＮＤで結合さ
れているときはその重みを当該命題の特性リスト中の確
信度ｌとし、当該命題１がダミー命題とＯＲもしくはＡ
ＮＤで結合されているときはその重みを当該命題の特性
リスト中の確信度１（−１）とし、当該命題ｌか他の命
題と結合されていないときは（Ｎ Ｉ Ｌ Ｎ Ｉ
Ｌ）その重みを０とする。かかる処理を全ての命題につ
いて繰り返すことてニューラルネットワークパタンを形
成する（第３図ステップ３００〜３４０）。
題との関係１ 確信度ｌ））に着目し、当該命題ｌかダ
ミー命題以外の他の命題とＯＲもしくはＡＮＤで結合さ
れているときはその重みを当該命題の特性リスト中の確
信度ｌとし、当該命題１がダミー命題とＯＲもしくはＡ
ＮＤで結合されているときはその重みを当該命題の特性
リスト中の確信度１（−１）とし、当該命題ｌか他の命
題と結合されていないときは（Ｎ Ｉ Ｌ Ｎ Ｉ
Ｌ）その重みを０とする。かかる処理を全ての命題につ
いて繰り返すことてニューラルネットワークパタンを形
成する（第３図ステップ３００〜３４０）。
なお、上記特性リスト中で第１優先度の最上層（第４表
の場合、第１層）に存在する命題はニュラルネットワー
クの入力層に対応させ、優先度の最も低い最下層（第４
表の場合、第４層）に存在する命題はニューラルネット
ワークの出力層に対応させ、これらの間の層（第４表の
場合、第２．３層）に存在する命題はニューラルネット
ワークの中間層に対応させる（ステップ３５０）。
の場合、第１層）に存在する命題はニュラルネットワー
クの入力層に対応させ、優先度の最も低い最下層（第４
表の場合、第４層）に存在する命題はニューラルネット
ワークの出力層に対応させ、これらの間の層（第４表の
場合、第２．３層）に存在する命題はニューラルネット
ワークの中間層に対応させる（ステップ３５０）。
この場合、ニューラルネットワークシステムにおける各
ニューロンては下記の閾値関数（１）により人力信号に
対応する出力信号を発生する。すなわち、プロダクショ
ンルールの中であいまいさを扱う手段としては、ｍｉｎ
−ｍａｘ法や確信度の計算法や閾値関数法があるか、こ
の実施例では学習を容易にするために閾値関数法を用い
るようにしている。この閾値関数（１）によれば、ルー
ルベースの命題内に存在する論理演算子（ＡＮＤ、ＯＲ
，Ｎ０Ｔ）に対応して信号を伝播することかできる。
ニューロンては下記の閾値関数（１）により人力信号に
対応する出力信号を発生する。すなわち、プロダクショ
ンルールの中であいまいさを扱う手段としては、ｍｉｎ
−ｍａｘ法や確信度の計算法や閾値関数法があるか、こ
の実施例では学習を容易にするために閾値関数法を用い
るようにしている。この閾値関数（１）によれば、ルー
ルベースの命題内に存在する論理演算子（ＡＮＤ、ＯＲ
，Ｎ０Ｔ）に対応して信号を伝播することかできる。
０ＵＴｊ＝ＣＦＮＥＴ（ＮＥＴｊ、ＴＨＯ）＝２ｘ（Ｌ
／ （１＋ｅｘｐ（ＮＥＴｊ／ＴＨＯ））−０，５
）・・・ （１） ただし、 ０１ＪＴｊ ・命題ｊの出力値 ＮＥＴｊ ・重み付けされた入力値の総和ＴＨＯ：重
み補正係数 上層の命題との関係かＡＮＤの場合 Ｔ１（０−ξ×ｎ 上層の命題との関係かＯＲの場合 ＴＨＯ＝ξ （ξは所定の補正係数 ｎはＡＮＤに係る命題数） 重み補正係数ＴＨＯは、 ＣＦＮＥＴ（１，ＴＨＯ） −ｒ となる値にする ｒはＯ＜ｒ＜１ 、望ましくは１に近い値にする 例えば、ｒ＝０．９の場合、 重み補正係数ＴＨＯ−０，３８である ＣＦＮＥＴ ・閾値関数名 である。
／ （１＋ｅｘｐ（ＮＥＴｊ／ＴＨＯ））−０，５
）・・・ （１） ただし、 ０１ＪＴｊ ・命題ｊの出力値 ＮＥＴｊ ・重み付けされた入力値の総和ＴＨＯ：重
み補正係数 上層の命題との関係かＡＮＤの場合 Ｔ１（０−ξ×ｎ 上層の命題との関係かＯＲの場合 ＴＨＯ＝ξ （ξは所定の補正係数 ｎはＡＮＤに係る命題数） 重み補正係数ＴＨＯは、 ＣＦＮＥＴ（１，ＴＨＯ） −ｒ となる値にする ｒはＯ＜ｒ＜１ 、望ましくは１に近い値にする 例えば、ｒ＝０．９の場合、 重み補正係数ＴＨＯ−０，３８である ＣＦＮＥＴ ・閾値関数名 である。
なお、第４図に示したニューラルネットワークては、ニ
ューロンＢ２のみかＡＮＤ結合であり、これ以外は全て
ＯＲ結合である。
ューロンＢ２のみかＡＮＤ結合であり、これ以外は全て
ＯＲ結合である。
■ニューラルネットワークの学習
上記のようにして構成したニューラルネットワークを用
いて学習を行うときは、複数の入カバターン及びそれぞ
れの状態に対する希望する出力値（教示データ）をニュ
ーラルネットワークに与え、実際の出力と前記教示デー
タとの誤差を最小にするようにニューラルネットワーク
中の各ニューロンの重みを修正する謂ゆるバックプロパ
ゲーションによる学習を行う（ステップ３６０）。
いて学習を行うときは、複数の入カバターン及びそれぞ
れの状態に対する希望する出力値（教示データ）をニュ
ーラルネットワークに与え、実際の出力と前記教示デー
タとの誤差を最小にするようにニューラルネットワーク
中の各ニューロンの重みを修正する謂ゆるバックプロパ
ゲーションによる学習を行う（ステップ３６０）。
ただし、このパックプロパゲーションによる学習におい
ては、以下の２つの学習方法のうちいずれかを選択する
ようにする。
ては、以下の２つの学習方法のうちいずれかを選択する
ようにする。
（ｉ）リンクの重みの０．１以外のところを学習させる
。すなわち、リンクの重みのＯと１、および上記（１）
式のＴ ＨＯは学習させない。
。すなわち、リンクの重みのＯと１、および上記（１）
式のＴ ＨＯは学習させない。
（ｉｔ）全てのリンクの重みおよびＴＨＯを学習させる
。
。
なお、上記の（ｉＤの方法では学習によってニューロン
へ入力するリンク数及びその重みが変化することがある
。
へ入力するリンク数及びその重みが変化することがある
。
ニューラルネットワークシステム５では以上のような処
理を行い、上記いずれかの方法での学習か終了すると、
この学習が終了した状態におけるニューロンの結合関係
を第１図の逆変換部６に入力する。
理を行い、上記いずれかの方法での学習か終了すると、
この学習が終了した状態におけるニューロンの結合関係
を第１図の逆変換部６に入力する。
逆変換部６では、前記変換部４で行った■ルールの変換
工程、■ルールの優先度決定工程、■各命題の優先度決
定工程、■ダミー命題展開工程、■各命題の特性リスト
決定工程から成る処理の逆変換を行うことて、各命題を
ニューロンに対応付けたニューラルネットワークをエキ
スパートシステム３て用いることができるルールの集合
、すなわちルールベースのフォーマットに変換する（第
３図ステップ３７０）。
工程、■ルールの優先度決定工程、■各命題の優先度決
定工程、■ダミー命題展開工程、■各命題の特性リスト
決定工程から成る処理の逆変換を行うことて、各命題を
ニューロンに対応付けたニューラルネットワークをエキ
スパートシステム３て用いることができるルールの集合
、すなわちルールベースのフォーマットに変換する（第
３図ステップ３７０）。
ただし、上記ニューラルネットワークシステム５での学
習で（ｉ）のリンクの重みの０．１以外のところを学習
させる処理を行った場合は、ニューロンのリンク構造自
体に変化はないので、上記逆変換部６ての逆変換処理は
主に対応するルールの確信度を変更する処理を行うたけ
である（第５図ステップ４００．４１０）。
習で（ｉ）のリンクの重みの０．１以外のところを学習
させる処理を行った場合は、ニューロンのリンク構造自
体に変化はないので、上記逆変換部６ての逆変換処理は
主に対応するルールの確信度を変更する処理を行うたけ
である（第５図ステップ４００．４１０）。
しかし、上記ニューラルネットワークシステム５での学
習で（ｉｉ）の全てのリンクの重みおよびＴｌｌ０を学
習させる処理を行った場合は、学習によってニューロン
へ入力するリンク数及びその重みが変化することかあり
、ニューラルネットワークから特性リストを作成する際
、各命題間の結合関係は前記重み補正係数ＴＨＯを用い
、以下のようにして決定する（第５図ステップ４２０）
。
習で（ｉｉ）の全てのリンクの重みおよびＴｌｌ０を学
習させる処理を行った場合は、学習によってニューロン
へ入力するリンク数及びその重みが変化することかあり
、ニューラルネットワークから特性リストを作成する際
、各命題間の結合関係は前記重み補正係数ＴＨＯを用い
、以下のようにして決定する（第５図ステップ４２０）
。
すなわち、
ＴＨＯ−ξ×リンク数の場合
ＡＮＤ結合
Ｔ ＨＯ−ξの場合
ＯＲ結合
と決定する。
第６図（ａ）は下記ルールをネットワーク展開したもの
であるか、 ＩＰ’ （ＡＮＤ＾Ｉ Ａ２） ＴＨＥＮ ＢＩ ＣＦ
Ｃ１この第６図のネットワークを学習後、同図（ｂ）
に示すように命題Ａ３とのリンクか発生し、リンクの重
みかＣ１’に変化したとする。
であるか、 ＩＰ’ （ＡＮＤ＾Ｉ Ａ２） ＴＨＥＮ ＢＩ ＣＦ
Ｃ１この第６図のネットワークを学習後、同図（ｂ）
に示すように命題Ａ３とのリンクか発生し、リンクの重
みかＣ１’に変化したとする。
この場合、ＴＨＯ−ξ×リンク数か成立すると、逆変換
した後のルールは ＩＰ （ＡＮＤ＾ｌ Ａ２＾３） ＴＨＥＮ ＢＩ Ｃ
Ｆ ＣＩとなり、 Ｔｌｌ０−ξか成立すると、逆変換した後のルールはＩ
Ｐ （ＯＲＡｔ Ａ２ Ａ３） ＴＨＥＮ ＢＩ ＣＦ
Ｃ１となる。
した後のルールは ＩＰ （ＡＮＤ＾ｌ Ａ２＾３） ＴＨＥＮ ＢＩ Ｃ
Ｆ ＣＩとなり、 Ｔｌｌ０−ξか成立すると、逆変換した後のルールはＩ
Ｐ （ＯＲＡｔ Ａ２ Ａ３） ＴＨＥＮ ＢＩ ＣＦ
Ｃ１となる。
逆変換部６は以上のような逆変換処理によってニューロ
ンネットワークシステム５て学習したニューロンネット
ワークをルールベースのフォーマットに変換する。
ンネットワークシステム５て学習したニューロンネット
ワークをルールベースのフォーマットに変換する。
このようにして、調整が終了したルールベースはオペレ
ータによって適宜エキスパートシステム３のルールベー
ス１に入力され、ルールベース１が更新される。
ータによって適宜エキスパートシステム３のルールベー
ス１に入力され、ルールベース１が更新される。
以上説明したようにこの発明によれば、（１）ニューラ
ルネットワークによる学習を用いているため、専門知識
を持たない人にてもエキスパートシステムのルールベー
スのメインテナンス（ルールの追加、修正、確信度の調
整）を行うことができるようになる （２）ニューラルネットワークによる学習を用いている
ため、従来の説明機能による場合と比較してメインテナ
ンスに要する時間が大幅に短縮される （３）エキスパートシステムのルールベースによってニ
ューラルネットワークでの学習の初期パターンが決まっ
ているので、通常のニューラルネットワークのように任
意状態から学習を開始する必要かなくなり学習時間が短
縮されるため、ニューラルネットワークでのメインテナ
ンスに要する時間が短縮されるなどの効果を奏する。
ルネットワークによる学習を用いているため、専門知識
を持たない人にてもエキスパートシステムのルールベー
スのメインテナンス（ルールの追加、修正、確信度の調
整）を行うことができるようになる （２）ニューラルネットワークによる学習を用いている
ため、従来の説明機能による場合と比較してメインテナ
ンスに要する時間が大幅に短縮される （３）エキスパートシステムのルールベースによってニ
ューラルネットワークでの学習の初期パターンが決まっ
ているので、通常のニューラルネットワークのように任
意状態から学習を開始する必要かなくなり学習時間が短
縮されるため、ニューラルネットワークでのメインテナ
ンスに要する時間が短縮されるなどの効果を奏する。
第１図はこの発明の実施例を示すブロック図、第２図及
び第３図はこの発明の実施例の作用を示すフローチャー
ト、第４図はニューラルネットワーりに展開されたニュ
ー０ンリンク構成を示す図、第５図はこの発明の実施例
の作用を示すフローチャート、第６図は逆変換処理の一
例の説明図である。 １・・・ルールベース ２・・推論エンジン３・・エ
キスパートシステム ４・・変換部 ５・・・ニューラルネットワークシステム６・・・逆変
換部 第１図 第２ 図（ｂ） 第４ 図 （ｂ） 第６ 図 第３ 図 第５ 図
び第３図はこの発明の実施例の作用を示すフローチャー
ト、第４図はニューラルネットワーりに展開されたニュ
ー０ンリンク構成を示す図、第５図はこの発明の実施例
の作用を示すフローチャート、第６図は逆変換処理の一
例の説明図である。 １・・・ルールベース ２・・推論エンジン３・・エ
キスパートシステム ４・・変換部 ５・・・ニューラルネットワークシステム６・・・逆変
換部 第１図 第２ 図（ｂ） 第４ 図 （ｂ） 第６ 図 第３ 図 第５ 図
Claims (12)
- （１）前提部、結論部および確信度を含むプロダクショ
ンルールの集合から成るエキスパートシステムのルール
ベースを０または１つの論理演算子を含む命題単位に階
層分解し、該分解した命題ごとに上層の命題との関係お
よび確信度を含む特性リストを自動生成する第１工程と 前記生成された特性リストに基ずき各命題間の結合関係
を各ニューロン間の結合関係に対応させたニューラルネ
ットワークの初期パターンを自動作成する第２工程と、 前記作成したニューラルネットワークの学習を行う第３
工程と、 を具えるニューラルネットワークを用いたエキスパート
システムのルールベースの自動調整方法。 - （２）前記第１工程は、 前提部、結論部および確信度を含むプロダクションルー
ルの集合から成るエキスパートシステムのルールベース
を０または１つの論理演算子を含むプロダクションルー
ルの集合から成る新ルールベースに変換する第１のステ
ップと、 上記変換した新ルールベース中の各プロダクションルー
ル間の優先度を決定する第２のステップと、 上記作成した各プロダクションルール間の優先度に基ず
き新ルールベース中に存在する各命題間の優先度を決定
する第３のステップと、 上記命題のうち上位のプロダクションルールから導出さ
れていない命題のダミー命題を該命題より上位の優先度
の各階層に展開する第４のステップと、 上記ダミー命題を含む階層展開した各命題ごとに上層の
命題との関係および確信度を付加した特性リストを生成
する第５のステップと、 を含む請求項（１）記載のニューラルネットワークを用
いたエキスパートシステムのルールベースの自動調整方
法。 - （３）前記第１のステップは、 ルールベース中の複数のプロダクションルールから複数
の演算子を含むプロダクションルールを抽出し、抽出し
たプロダクションルールの前提部および結論部を最大で
も１つの演算子を含む命題に分解する第１の手順と、 分解後の命題のうち演算子を含む命題を新たな変数に置
き換え、当該演算子を含む命題と対応する新たな変数と
の結合関係を示す所定の新プロダクションルールを新た
に追加する第２の手順と、命題に否定演算子を含むプロ
ダクションルールを抽出し、抽出したプロダクションル
ールの命題を新たな変数に置き換え、当該否定演算子を
含む命題と対応する新たな変数との結合関係を示す所定
の新プロダクションルールを新たに追加する第３の手順
と、 同一の結論部を有する複数のプロダクションルールを抽
出し、抽出したプロダクションルールの結論部をそれぞ
れ新たな変数に置き換え、当該同一の結論部と対応する
新たな変数との結合関係を示す所定の新プロダクション
ルールを新たに追加する第４の手順と、 を繰り返し実行する請求項（２）記載のニューラルネッ
トワークを用いたエキスパートシステムのルールベース
の自動調整方法。 - （４）前記第２のステップでは、同一命題が前提部と結
論部に存在するプロダクションルール間の優先度は、結
論部に同一命題を有するプロダクションルールの優先順
位を前提部に同一命題を有するプロダクションルールの
優先順位より上にする請求項（２）記載のニューラルネ
ットワークを用いたエキスパートシステムのルールベー
スの自動調整方法。 - （５）前記第３のステップでは、各プロダクションルー
ルの前提部に存在する命題の優先順位を結論部に存在す
る命題の優先順位より上にする請求項（２）記載のニュ
ーラルネットワークを用いたエキスパートシステムのル
ールベースの自動調整方法。 - （６）前記第５のステップでは、各命題についての特性
リストのフオーマツトを （命題 上層の命題との関係 確信度） と定義する請求項（２）記載のニューラルネットワーク
を用いたエキスパートシステムのルールベースの自動調
整方法。 - （７）前記第２工程では、前記第５のステップで作成し
た特性リスト中で第１優先度を持つ命題はニューラルネ
ットワークの入力層に対応させ、優先度の最も低い命題
はニューラルネットワークの出力層に対応させ、これら
の間の優先度を持つ命題はニューラルネットワークの中
間層に対応させるとともに、前記特性リスト中の確信度
をニューラルネットワークの各ニューロンの重みとする
請求項（２）記載のニューラルネットワークを用いたエ
キスパートシステムのルールベースの自動調整方法。 - （８）前記第２工程では、下記閾値関数に基ずき入力信
号に対応する出力信号を発生する請求項（２）記載のニ
ューラルネットワークを用いたエキスパートシステムの
ルールベースの自動調整方法。 ＯＵＴｊ＝ＣＦＮＥＴ（ＮＥＴｊ、ＴＨＯ）＝２×（１
／（１＋ｅｘｐ（ＮＥＴｊ／ＴＨＯ））−０．５）ただ
し、 ＯＵＴｊ：命題ｊの出力値 ＮＥＴｊ：重み付けされた入力値の総和 ＴＨＯ：重み補正係数 上層の命題との関係がＡＮＤの場合 ＴＨＯ＝ξ×ｎ 上層の命題との関係がＯＲの場合 ＴＨＯ＝ξ （ξは所定の補正係数 ｎはＡＮＤに係る命題数） ＣＦＮＥＴ：閾値関数名 である。 - （９）前記第３工程では、複数の入カパターン及びそれ
ぞれの入カパターンに対応する教示データをニューラル
ネットワークに与え、実際の出力と前記教示データとの
誤差を最小にするようにニューラルネットワーク中の各
重みを修正する請求項（１）記載のニューラルネットワ
ークを用いたエキスパートシステムのルールベースの自
動調整方法。 - （１０）前記学習を終了したニューラルネットワークを
前記ルールベースのフオーマットに逆変換する第４工程
を更に具える請求項（１）記載のニューラルネットワー
クを用いたエキスパートシステムのルールベースの自動
調整方法。 - （１１）前提部、結論部および確信度を含むプロダクシ
ョンルールの集合から成るエキスパートシステムのルー
ルベースを０または１つの論理演算子を含むプロダクシ
ョンルールの集合から成る新ルールベースに変換する第
１の手段と、 上記変換した新ルールベース中の各プロダクションルー
ル間の優先度を決定する第２の手段と、上記作成した各
プロダクションルール間の優先度に基ずき新ルールベー
ス中に存在する各命題間の優先度を決定する第３の手段
と、 上記命題のうち上位のプロダクションルールから導出さ
れていない命題のダミー命題を該命題より上位の優先度
の各階層に展開する第４の手段と、上記ダミー命題を含
む階層展開した各命題ごとに上層の命題との関係および
確信度を付加した特性リストを生成する第５の手段と、
前記生成された特性リストに基ずき各命題間の結合関係
を各ニューロン間の結合関係に対応させたニューラルネ
ットワークの初期パターンを作成する第６の手段と、 前記作成したニューラルネットワークの学習を行う第７
の手段と、 を具えるニューラルネットワークを用いたエキスパート
システムのルールベースの自動調整装置。 - （１２）前記学習を終了したニューラルネットワークを
前記ルールベースのフォーマットに逆変換する第８の手
段を更に具える請求項（１）記載のニューラルネットワ
ークを用いたエキスパートシステムのルールベースの自
動調整装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2113462A JPH0410130A (ja) | 1990-04-27 | 1990-04-27 | ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置 |
| PCT/JP1991/000576 WO1991017501A1 (en) | 1990-04-27 | 1991-04-26 | Method of adjusting automatically rule base of expert system using neural network and device thereof |
| EP19910908185 EP0536396A4 (en) | 1990-04-27 | 1991-04-26 | Method of adjusting automatically rule base of expert system using neural network and device thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2113462A JPH0410130A (ja) | 1990-04-27 | 1990-04-27 | ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0410130A true JPH0410130A (ja) | 1992-01-14 |
Family
ID=14612854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2113462A Pending JPH0410130A (ja) | 1990-04-27 | 1990-04-27 | ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP0536396A4 (ja) |
| JP (1) | JPH0410130A (ja) |
| WO (1) | WO1991017501A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020135153A (ja) * | 2019-02-14 | 2020-08-31 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5450527A (en) * | 1993-09-30 | 1995-09-12 | Motorola, Inc. | Method for converting an existing expert system into one utilizing one or more neural networks |
| US5455890A (en) * | 1993-09-30 | 1995-10-03 | Motorola, Inc. | Method for structuring an expert system utilizing one or more neural networks |
| CN111783931B (zh) * | 2020-06-04 | 2023-08-04 | 深圳市酷开网络科技股份有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01288926A (ja) * | 1988-05-16 | 1989-11-21 | Shimadzu Corp | エキスパートシステムにおける知識の学習機構 |
-
1990
- 1990-04-27 JP JP2113462A patent/JPH0410130A/ja active Pending
-
1991
- 1991-04-26 EP EP19910908185 patent/EP0536396A4/en not_active Withdrawn
- 1991-04-26 WO PCT/JP1991/000576 patent/WO1991017501A1/ja not_active Application Discontinuation
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020135153A (ja) * | 2019-02-14 | 2020-08-31 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0536396A4 (en) | 1993-08-18 |
| WO1991017501A1 (en) | 1991-11-14 |
| EP0536396A1 (en) | 1993-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Braha et al. | The design process: properties, paradigms, and structure | |
| Klabbers | Learning as acquisition and learning as interaction | |
| EP0784267B1 (en) | An efficient data-driven theory revision system | |
| JPH01274244A (ja) | 事実依存型エキスパート・システムの推論方法 | |
| US5455890A (en) | Method for structuring an expert system utilizing one or more neural networks | |
| Castillo et al. | A general framework for functional networks | |
| JPH07114524A (ja) | 信号処理装置 | |
| Raikov | Convergent ontologization of collective scientific discoveries | |
| JPH0410130A (ja) | ニューラルネットワークを用いたエキスパートシステムのルールベースの自動調整方法及び装置 | |
| Benferhat et al. | Possibilistic causal networks for handling interventions: A new propagation algorithm | |
| JPH07129534A (ja) | 現存するエキスパートシステムを１つ以上のニューラルネットワークを使用するものに変換する方法 | |
| Dikopoulou et al. | Open source tool in R language to estimate the inference of the Fuzzy Cognitive Map in environmental decision making | |
| JP3354593B2 (ja) | ネットワーク型情報処理装置の学習システム | |
| CN113159330A (zh) | 基于层次任务网规划模型学习的专业学习路径系统及方法 | |
| Liu et al. | A new uncertainty measure for belief networks with applications to optimal evidential inferencing | |
| Mishra et al. | Analyzability of SOA using Soft Computing Technique | |
| James | Considerations concerning the construction of an expert system for control system design | |
| Canales et al. | Fuzzy knowledge learning via adaptive fuzzy petri net with triangular function model | |
| Sakama et al. | Learning inference rules from data | |
| Sakai et al. | Rule Generation from Several Types of Table Data Sets and Its Application: Decision-Making with Transparency and an Improved Execution Environment | |
| Friesen | Optimizing target response and process variation using response surfaces derived from artificial neural networks | |
| Wu | Neural networks and fuzzy control with applications to textile manufacturing and management | |
| Brozenec | Controller validation, identification and learning | |
| Lassaad et al. | “Onto-Computer-Project”, a Computer Project Domain Ontology: Construction and Validation | |
| JP3608237B2 (ja) | ニューラルネットワークの学習装置 |