JPH04186402A - フアジイ推論における学習方式 - 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】 ［産業上の利用分野］ 本発明は、プロセス制御、機械制御などの分野における
ファジィ推論機構をもつ制御装置に関する。

［従来の技術］ ファジィ推論機構における知識獲得の１つとして、熟練
オペレータより″あいまい″な情報を含むノウハウを引
く出し、それをもとにファジィ推論規則及び入出力変数
のメンバシップ関数の形状を決定する方法がある。しか
し、熟練者のノウハウをファジィ推論規則中に十分に表
現したとしても、メンバシップ関数の形状を最適な形に
決めるのは一般には困難である。従来の装置は、特開平
２−８９１０３号公報に記載のように、メンバシップ関
数の調整を容易にする配慮はなされているが、いかにメ
ンバシップ関数を作成するかについては述べられていな
かった。

［発明が解決しようとする課題〕 上記従来技術は、メンバシップ関数の形状については配
慮されておらず、作成したファジィ推論規則の正当性を
検証するために、メンバシップ関数の形状を調整しなが
ら十分なオフラインシミュレーションをする必要があっ
た。

本発明は、最適なメンバシップ関数の形状を学習機能に
より自動的に決定させることにある。

［課題を解決するための手段］ 上記目的を達成するために、学習能力を有するニューラ
ルネットワークを学習機構内に設け、熟練オペレータよ
り得られたデータをもとに学習を行なわせ、メンバシッ
プ関数の形状を自動的に決定することを可能にしたもの
である。

ε作用］ 学習能力を有するニューラルネットワークは、入力され
たデータをもとにしてネットワーク中の各ニューロン間
の現在の結合の度合をもとに出力値を決定する。このと
き教師データとして望ましいデータを提示すると、教師
データと出力値の差が少さくなるように各ニューロン間
の結合の度合を変化させる。これにより、くり返し学習
を行なわせると、オペレータのノウハウが各ニューロン
間の結合の度合という形で蓄積される。よって、この結
合の度合をメンバシップ関数の形状に反映させることに
より、熟練オペレータのノウハウを自動的にファジィ推
論機構に反映させることができる。

［実施例］ 以下、本発明の実施例を示す。

第１図において．フアジイ推論機構３は、すでに熟練オ
ペレータの操作により得られた過去の入出力データ１よ
りデータを入力し、ＩＦ−ＴＨＥＮ形式で記述させたフ
ァジィ推論規則よりなる知識ベース２を用いて推論を行
なう。次に、推論により得られた結果と望ましい出力値
との差ｅを、ニューラルネットワークより成る学習機構
の入力として学習を行なわせる。学習結果は、学習機構
内の各ニューロン間の結合の重みの形で蓄積され、この
重みの度合が次の推論サイクルでのファジィ推論を行な
う際のメンバシップ関数の形状に反映される。

第２図は学習機構の内部構成である。ニューラルネット
ワークは、入力層２１、中間層２２及び出力層２３の３
層で構成されている。入力データは前処理部２４により
正規化されて入力層に取り込まれて、中間層、出力層を
経て後処理部２５へ到達する。後処理部においては、望
ましい出力値とファジィ推論により得られた値との差ｅ
を取り込み、重み調節部２６へ送る。重み調節部では、
中間層と出力層間の結合の重み、及び入力層と中間層の
それらを調節する。

さらに具体的かつ簡単な例を用いて学習方式を示す。

第３図（ａ）は、２人力変数Ｉｆ、Ｊ２及び出力変数０
１をもち、３つの言語値（例として、小さい″、パ中位
″、″大きい″）をもつファジィ推論システムの学習機
構内のニューラルネットワークの構成である。１つの言
語値を１つのニューロンに対応させることにより、入力
層は、２変数×３言語値＝６個（３１，３２）、出力層
は、■変数×３言語値＝３個（３３）となるネットワー
クを構成することができる。（中間層はこの例では３個
とした。） 次に第３図（ｂ）に示すように、入力変数Ｉｆに着目す
ると、３つの言語値に対応するニューロンと中間層とを
結ぶネットワークで、Ｉｘ４（ｊ＝１．２．３）と中間
層を結ぶ結合の重さの総和をＷｈａ　（Ｊ　＝　１　、
　２．３）とすれば（第３図（ｂ））、ＷＩＪ　（Ｊ　
＝　１　、　２．　３）の比を用いることにより入力変
数１１に対するメンバシップ関数を図３（ｃ）のように
定めることができる。（以上のことは入力変数■２及び
出力変数０１についても同様）また、ニューラルネット
ワークへのデータの入力は以下のように行なう。すなわ
ち、言語値の数ｎ＝３より、入力データ値を２”＝２３
＝８段階に分けて、これを２進表示したもの（０００〜
１１１）を入力層の各ニューロンへの入力とするもので
ある。（出力データを同様の２進表現をする。）次に、
１回の推論が行なわれて学習機構内でニューラルネット
ワークの結合の重みが変化し、メンバシップ関数の形状
が変化する過程を示す。

（第４図）まず、入出カフアイル４１より入力データ１
１．Ｉ２が取り込まれ、推論機構４２により推論が行な
われ、推論結果４３が出力されたとする。これと、入出
カフアイル中の出力データ０１（＊）が異なるため、こ
の値がＯ→１になるように学習機構内でのニューラルネ
ットワークの結合の重みを変化させる。すなわち、学習
機構４５に各ニューロン間の結合の度合を変化させるも
のである。

４８と４９は、ある変数に対応するニューロンにおける
結合の重みの総和が変化することにより、その変数にお
けるメンバーシップ関数の形状が変化した様子を表わし
ている。

以上の過程をくり返し行なうことにより、ニューラルネ
ットワーク内に最適なネットワークが形成され、これに
より各変数の望ましいメンバシップ関数の形状が得られ
る。

［発明の効果］ 本発明によれば、熟練オペレータのノウハウがメンバシ
ップ関数の形状に反映されているため、メンバシップ関
数の形状を決める必要がなく、オフラインシミュレーシ
ョンによる検証時間を大幅に短縮させることができる。

また、制御対象の変化に対しても学習により対応できる
ので柔軟な制御かできる効果がある。

【図面の簡単な説明】

第１図は本発明の一実施例の全体構成図、第２図は学習
機構の構成図、第３図は学習機構内のニューラルネット
ワークとメンバシップ関数の関連図、第４図は学習過程
の説明図である。 １・・・入出力データ、２・・・知識ベース、３・・推
論機箱１図 第２因 第３図 へｎ層　　　中間層　　出力層 は） ｔｂ）（Ｃ） 第４図 ４＋

Claims (2)

【特許請求の範囲】
1. １．フアジイ推論機構をもつ制御装置において、熟練オ
   ペレータの操作により得られた入出力データの組を用い
   ることにより、熟練オペレータのノウハウをフアジイ推
   論におけるメンバシツプ関数の形状に反映させる学習機
   能を設けたことを特徴とする学習方式。
2. ２．請求項第１項において、学習機能として、学習能力
   を有するニユーラルネットワークを用いたことを特徴と
   する学習方式。