JPH0458332A - 近似推論装置 - 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】 発明の要約 入力データをメンバーシップ関数により適合度に変換し
、その適合度を用いて事象ごとの情報量を求める。一方
、複数の事象間の関連性（たとえばａｎｄ結合）を示す
関係係数を求める。これらの適合度と情報量と関係係数
を用いて結論の可能性を求める。という構成の近似推論
装置。これにより、データが入力された時点での正確な
情報量を加味し、かつ−の結論に対する複数の事象間の
関係性を考慮した識別能力が高い推論結果が得られる。

発明の背景 技術分野 この発明は近似推論装置に関する。

従来技術 推論結果を、その推論結果を導くために使用した事象の
情報量によって修正または変更する方式の近似推論が知
られている（たとえば、　ＺｈａｎｇＨｏｎｇｍｉｎ　
　ＡＮ　ＥＸＰＥＲＴ　ＳＹＳＴＥＭ　ＷＩＴ）Ｉ　Ｔ
ＨＩＮＫＩＮＧ　ＩＮＩＭＡＧＥＳ”、　Ｐｒｅｐｒｉ
ｎｔｓ　ｏｆ　５ｅｃｏｎｄ　ＩＦｓＡ　Ｃｏｎｇｒｅ
ｓｓ。

Ｔｏｋｙｏ、　Ｊｕｌｙ　２０−２５．１９８７．　Ｐ
、７６５　）。

この近似推論方式は、事象に対して結論ごとに与えられ
たメンバーシップ関数を用いて、事象ごとの情報量（す
なわち事象の情報識別能力）を算出し、推論結果（すな
わち結論が成り立つ可能性）を、その結論を導くために
使用した事象の情報量によって修正または変更する（可
能性と情報量の積をとる）ことによって、推論結果の識
別能力を高めようとするものである。

しかしながらこの方式では、−の結論に対して複数の事
象が関係している場合、その関係を推論結果に反映でき
ない。たとえば２つの事象の両方か起きた場合（２つの
事象かａｎｄ結合されている場合）に得られる結論に対
して正しい推論が実行できない。

発明の概要 発明の目的 この発明は、−の結論を生じさせる複数の事象の関係を
考慮した近似推論が可能な装置を提供することを目的と
する。

発明の構成および効果 この発明による近似推論装置は、事象と結論との関係を
示す知識におけるデータをメンバーシップ関数を用いて
入力データを適合度に変換する適合度演算手段、この適
合度を用いて事象ごとの動的情報量を求める動的情報量
演算手段、複数の事象と結論との関係を示す知識におけ
る複数の事象間の関係性を表わす関係係数を求める関係
係数演算手段、および上記適合度と動的情報量と関係係
数とを用いて結論の可能性を求める可能性演算手段を備
えていることを特徴とする。

この発明によると、推論に使用した事象に関Ｉ２て、デ
ータが入力された時点でのより正確な動的情報量を加味
して結論の可能性を求めているので、知識能力の高い推
論結果を得ることができる。またこの発明によると、複
数の事象間の関連性（たとえばａｎｄ結合）を上記関係
係数を用いて推論結果に反映させることができるので、
より正確な推論結果が得られる。

実施例の説明 （１）近似推論装置の全体構成 第１図に近似推論装置の全体構成の一例が示されている
。近似推論装置は、知識記憶装置１１．知識合成装置１
２１合成後知識記憶装置１３．事象値入力装置１４．適
合度演算装置１５．動的情報量演算装置１６．可能性演
算装置１７．可能性表示装置１８．静的情報量演算装置
１９．明瞭性演算装置２０．明瞭性記憶装置２１．明瞭
性加算装置２２．明瞭性表示装置２３および関係係数演
算装置２４から構成されている。

以下に、これらの装置について詳述する。

（２）知識記憶装置 知識記憶装置１１は、専門家等が入力した知識を、事象
と結論との関係を示す形式で記憶する装置である。この
装置は複数の専門家の知識を記憶することができる。

知識記憶装置１１に記憶されている２名の専門家ｅｘｌ
　、　ｅｘ２の知識の例を規則の形式で以下に示す。

専門家ｅｘｌ　： ｉｆ　　　２０≦ｆ１≦６０．ａｎｄ　　　　　Ｏ≦ｆ
２≦４Ｌ　　ｔｈｅｎ　　　ｃｌ　　　　　　　　−（
１）ｉｆ　４０≦ｆ１≦８０．ａｎｄ　　６０≦ｆ２≦
ｌｏｏ、ｔｈｅｎ　ｃ２　　−　（２）専門家ｅｘ２　
： Ｈ３０≦ｆ１≦５０．ａｎｄ　　１０≦１２≦３０．　
ｔｈｅｎ　ｃｌ　　　−（３）汀　　５０≦ｒ１≦７０
．ａｎｄ　　　７０≦ｆ２≦９Ｌ　　ｔｈｅｎ　　ｃ２
　　　　　　−　　（４）ｆ’ｌ、　　ｆ’２は事象で
あり、これらをそれぞれ事象１、事象２と呼ぶことがあ
る。ｃｌ、　ｃ２は結論であり、これらをそれぞれ結論
１．２と呼ぶことがある。

また、ａ≦１１≦ｂのように表わされたａ、ｂをそれぞ
れ最小値、最大値と呼ぶ。

上式（１）〜（４）では１つの結論に対する複数の事象
がａｎｄの関係で結合されている。このａｎｄの関係は
後述するように関係係数によって表現される。

上述の規則を、専門家ごとに表（テーブル）の形式で表
現すると次のようになる。

（以下、余白） 第１表 第２表 て　複数の専門家の平均値と標準偏差を計算する。

上述した２名の専門家の事象ｆ１から結論Ｃ１を導く知
識を例にとって知識合成処理について以下に説明する。

上述の規則（第（１）式、第（３）式）から、事象１　
（ｆｌ）から結論１　（ｃｌ）を求める規則を抽出する
と次のように表わされる。

専門家ｅｘｔ　：　ｉｆ　　２０≦ｆ１≦６０　　ｔｈ
ｅｎ　　ｃｌ−＜５）専門家ｅｘ２　：　ｉｆ　　３０
≦ｆｌ≦５０　　ｔｈｅｎ　　ｃｌ−＝（８）最小値の
平均値ｍ、および最大値の平均値＋１１ｎ （３）知識合成装置 知識合成装置１２は、知識記憶装置１１に記憶された複
数の専門家の知識を合成して、１つの知識にまとめる装
置である。

知識の合成方法は種々あるが、ここでは、各結論に関与
している各事象の最大値と最小値につ０最小値の標準偏
差σ　、および、最大値の標準ｌｎ このような専門家の知識の合成演算を、上述した規則（
第（１）式〜第（４）式）について、各結論に関与して
いる各事象の最小値と最大値のすべてについて行なうと
１次のような表（テーブル）が得られる。

第３表 一般に、近似推論においては、事象に対してメンバーシ
ップ関数が与えられる。ここでは、−例として、上述の
ようにして合成された専門家の知識を用いてガウス分布
によりメンバーシップ関数を求める方法について説明す
る。

最小値の平均値ｍ　１．最大値の平均値”ＩＩａＸ’１
１１ｎ 最小値の標準偏差σ、、最大値の標準偏差＋１１１ｎ σ　　を用いて、メンバーシップ関数は次式によａｘ り表わされる。

・・・（１１） たたし。

Ｘ　　：事象への入力データの値 Φ（Ｘ）二人力データＸが事象に適合する程度（適合度
） Ｇａｕｓｓ（ｘ）　：入力Ｘにおけるガウス分布の値で
ある。

第２図にガウス分布の一例を示す。このガウス分布にお
いてメンバーシップ関数の作成のために左半分のみが使
用される。Φ（ｘ）　＝０．５におけるＸの位置はｍ　
、　またはｍ　　によって決定さＩｎ１ｎ　　　　　　
　　　　　　　ＩＤａＸれ、傾きはσ　、　またはσ　
　によって決定されＩＩＩ　１　ｎ　　　　　　　　　
　　　　ｌｌ１ａＸる。

一例として、事象ｆ１から結論Ｃ１を求めるためのメン
バーシップ関数は、第（７）式から第（１０）式により
算出した値を用いて第３ａ図から第３Ｃ図のようにして
作成される。この場合、第（１１）式は次のようになる
。

項を、第３ｂ図は第（１１）式または第（１２）式の右
辺第２項を、第３Ｃ図は上記第１項から第２項を減算し
た結果、すなわち第（１１）式または第（１２）式で表
わされるメンバーシップ関数を表わしている。

第３表に示す合成された知識に基づいて作成された各事
象ｆｌ、　ｆ２について、結論員、　ｃ２を求めるため
のメンバーシップ関数の例を、第４ａ図および第４ｂ図
に示す。

（４）合成後知識記憶装置 合成後知識記憶装置１３には、知識合成装置１２によっ
て算出された平均値と標準偏差が、第３表のような形式
で記憶される。知識の合成は推論の都度行なう必要はな
いため、このようにあらかじめ計算した結果を記憶して
おく。そして推論の都度二の記憶装置１３内の値を読み
出して使用することによって推論処理の高速化を図るこ
とができる。

（５）事象値入力装置 事象値入力装置１４はキーボード、通信インターフェイ
ス装置、メモリ　ファイルなどから、事象ごとに入力さ
れる入力データを読み込む装置である。入力されたデー
タは適合度演算装置１５に与えられるとともに、各事象
のデータか入力されたかどうかの情報が明瞭性加算装置
２２に与えられる。

（６）適合度演算装置 適合度演算装置１５は、事象値入力装置１４から入力さ
れたデータの各メンバーシップ関数（または結論）に対
する適合度を算出するものである。具体的には適合度は
、第（１１）式の右辺の変数Ｘとして入力データを代入
することによりΦ（Ｘ）として求められる。もちろんこ
のような演算式を必ずしも用いなくてもよい。

（ア）動的情報量演算装置と静的情報量演算装置事象ｆ
ｌの事象値（入力データ）をｘｌ、事象ｆ２の事象値を
ｘ２とする。これらのデータは事象値入力装置■４から
入力される。

第５ａ図および第５ｂ図に示すように各適合度工１１□
、　　２□１ｍ２２を次のように定める。

ｍｌ、二人カデータｘ１の結論Ｃ１に対する適合度ｍ１
２：人力データＸ１の結論ｃ２に対する適合度ｍ２、：
入力データｘ２の結論員に対する適合度ｍ２２：入力デ
ータｘ２の結論ｃ２に対する適合度これらの適合度は入
力データｘｉ、　ｘ２が与えられたときに適合度演算装
置１５によって算出される。

ここでファジィ・エントロピという概念を考える。

入力ｘ１が与えられたときのファジィ・エントロ二のフ
ァジィ・エントロピは、情報識別能力の指標の一種で、
入力データｘ１を与えたときに、結論が明確に識別でき
るほど小さい値となり、結論があいまいにしか識別でき
ないほど大きい値となる。つまり、入力データｘ１の結
論Ｃ１に対する適合度ｍ１□と人力データｘ１の結論ｃ
２に対する適合度”１２との差が大きいほど小さい値と
なり、差が小さいほど大きい値となる。

同じようにして、入力ｘ２か与えられたときのファジィ
・エントロピＥｆ２は次式によって与えらファジィ・エ
ントロピＥｆ’の取り得る値の範囲は以下に示すものと
なる。

０≦Ｅｆ≦ｌｏｇ（ｎ） ｎ：事象上の結論数 この例では、事象１　（ｆｌ）上の結論数は２　（ｃｌ
。

ｃ２）であるので、ファジィ・エントロピＥｆの最大値
は、　　ｌｏｇ（２）となる。

次に、このファジィ・エントロピＥｆｌを使用して、入
力データｘ１が与えられたときの動的情報量Ｉｒ１ｏ（
ｘｉ）を求める。ここで、動的情報量１ｆ１％ｘｌ）と
は　推論を行なうときにおける結論を確定するための事
象の識別能力で、入力データｘ１の結論ＣＩに対する適
合度ｍ　と入力データｘ１の結論Ｃ２に対する適合度ｍ
　の差が大きいほど大きい値をとす、差か小さいほど小
さい値となるものとする。

そこで、事象ｆ１についての動的情報量１ｆｌＤ（ｘｉ
）を、最大ファジィ・エントロピから、入力データｘ１
が与えられたときのファジィ・エントロピＥｆｌ同じよ
うに、事象ｆ２について入力データｘ２が与えられたと
きの動的情報量を次のように定義する。　　　　　　　
　　　　　　　（以下、余白）動的情報量演算装置１６
は、適合度演算装置１５で得られた適合度を用いて、第
（１５）式および第（１６）式にしたかって事象ごとに
動的情報量を算出する。

動的情報量は上述のように入力データｘｉ、　ｘ２に依
存する。これに対して、静的情報量は入力データに依存
しないものであって、最大ファジィ・エントロピから、
事象のレンジ幅の中のファジィ・エントロピの平均を引
いたものを、事象全体の静的情報量とする。たとえば、
事象１についての静的情報量は次式で与えられる。

同じように事象２についての静的情報量は次式％式％ ｍｕ（ｘ）：事象ｆ１についての入力データＸの結論ｃ
ｌに対する適合度 ｍ１２（ｘ）　　：事象ｆ１についての入力データＸの
結論ｃ２に対する適合度 ｍ２ｔ（ｘ）　　：事象ｒ２についての入力データＸの
結論ｃ１に対する適合度 ｍ２２（ｘ）　　：事象ｆ２についての入力データＸの
結論ｃ２に対する適合度 において、Ｘをδ間隔で変化 させ、それぞれのＸについて のファジィ・エントロピを計 算して、それらの平均を求め る演算（ただし０くδ≦１００） 第（１７）式および第（１８）式から分るように、事象
のメンバーシップ関数間の重なりか大きいほど。

事象の静的情報量は小さく、事象のメンバーシップ関数
間の重なりが小さいほど、事象の静的情報量は大きい。

つまり、静的情報量は、事象のメンバーシップ関数か結
論を識別する能力を示している。

静的情報量演算装置１９は１合成された知識により得ら
れるメンバーシップ関数から、上述した第（１７）式お
よび第（１８）式にしたがって、事象ごとに、静的情報
量を演算して記憶する。静的情報量は入力データには依
存しないので、１回のみ算出されればよい。

（８）関係係数演算装置 関係係数演算装置２４は、適合度演算装置１５によって
算出された適合度を用いて各結論の関係係数を求める。

ある結論の関係係数とは、その結論に関係する事象間の
関連性（上述のａｎｄ結合）を示すもので、たとえば次
のようにして求められる。

結論ｃ１の関係係数に１ 一結論Ｃ１に関係する事象における適合度の最小値−Ｍ
ＩＮ（ｍ１□、　ｍ２□）　　　　　　　　　　・＝　
（１９）結論ｃ２の関係係数に２ 一結論Ｃ２に関係する事象における適合度の最小値−Ｍ
ＩＮ（ｍ　１．、、　　ｍ２２）　　　　　　　　　　
　　　　　　　　　　　　　　　　　−（２０）ここで
ＭＩＮ（）は、与えられた値の中から最も小さいものを
選択する演算を示す。

（９）可能性演算装置 可能性の算出方法にはいくつかあるのでそれらについて
説明する。

（その１） 各結論ごとに、その結論に関与する事象の情報量の総和
が１になり、かつそれらの事象の情報量の相対強度は変
化しないような事象の情報量を算出する。この算出した
情報量を重みという。

たとえば上述した動的情報量を用いると各重みは次のよ
うになる。

結論１に対する事象１の重み：Ｗｆ１１−Ｉｆｌ　　（
ｘｌ）／　　［Ｉｆｌ　　（ｘｉ）　＋　Ｉｆ２ｐ（ｘ
２）コ　　　−（２１）Ｄ　　　　　　　　　　　Ｄ 結論１に対する事象２の重み：Ｗｆ１２Ｉｆ２　（ｘ２
）／　Ｃ１ｆｌ　（Ｘｉ）＋１ｆ２Ｄ（ｘ２）コ　　・
＜２２）Ｄ　　　　　　　　　　Ｄ 結論２に対する事象１の重み：Ｗｆ２、−１ｆｌ　　（
Ｘｉ）／　　［１ｆ１　　（ｘｉ）＋Ｉｆ２Ｄ（ｘ２）
］　　　　　・・　（２３）Ｄ　　　　　　　　　　Ｄ 結論２に対する事象２の重み：Ｗｆ２゜−Ｉｆ２　　（
ｘ２）／　　Ｎｆｌ　　（ｘｉ）＋Ｉｆ２Ｄ（ｘ２）コ
　　　−（２４）Ｄ　　　　　　　　　　Ｄ 次に、これらの重みと適合度との積を計算し。

それを結論ごとに合計したものにその結論に関する関係
係数を乗じたものを、結論の可能性として算出する。

たとえば上記の例では 結論１の可能性＝（Ｗｆ１１×ｍ１１＋Ｗｆ１２×ｍ２
１）×に１・・・（２５） 結論２の可能性−（Ｗｆ２１×ｍ１２＋Ｗｆ２２×ｍ２
２）×に２・・・（２６） となる。

可能性演算装置１７は上述した演算を行ない結論ごとの
可能性を算出する。

（その２） 各事象の動的情報量を表わす値か０〜１の範囲に収まる
ように動的情報量を正規化し、各結論に関与する事象の
正規化された動的情報量の平均値を算出し、この平均値
を重みという。

各事象の動的情報量の正規化は、動的情報量を最大ファ
ジィ・エントロピｌｏｇ（２）で割ることにより得られ
る。すなわち。

事象ｆ１の正規化された動的情報量１ｆｌｐ−ＩｆｌＤ
（ｘｉ）／　ｌｏｇ（２）　　　　　　　　−（２７）
事象ｆ２の正規化された動的情報量１　ｆ２Ｄ−Ｉｆ２
．（ｘ２）／　ｌｏｇ（２）　　　　　　　　−（２８
）上記の正規化された動的情報量を用いると、各結論の
重みは次のように表わされる。

結論１には事象ｆ１とｆ２が関与しているので、これら
の事象の正規化された動的情報量の平均が算出される。

結論１０重み： Ｗ　１　−　　（１ｆｌＤ＋Ｔｆ２Ｄ）／　２　　　　
　　　　・＝　（２９）同じように結論２にも事象ｆ１
とｒ２が関与しているので。

結論２の重み： ｗ２−　（ｌｆｌＤ＋Ｉｆ２Ｄ）／’２　　　　　　・
・・（３０）となる。第（２９）、　（３０）式におい
て分母２は各結論に関与する事象の数を表わしている。

結論の可能性は、各結論に関する上記の重みと関係係数
との積によって表わされる。

結論１の可能性−ｗｌＸｋＬ　　　　　　　・・・（３
１）結論２の可能性−ｗ２Ｘｋ２　　　　　　　・・・
（３２）可能性演算装置１７は上述した演算を行ない結
論ごとの可能性を算出する。

（その３） 上述した結論に対する事象の重み（第（２１）〜（２４
）式）の結論ごとの平均値にその結論に関する関係係数
を乗じたものを結論の可能性とする。

結論１の可能性−［（ｗｆ’１□＋ｗｆ１２）／２］ｘ
ｋｌ　　　−＝（３３）結論２の可能性−［（Ｗｆ２□
＋Ｗｆ２゜）／２］　Ｘｋ２　　−＝　（３４）可能性
演算装置１７は上述した演算を行ない結論ごとの可能性
を算出する。

（１０）可能性表示装置 この可能性表示装置１８は、可能性演算装置１７て算出
された可能性を結論ごとに表示するものである。この可
能性の表示は、すべての結論について表示するようにし
てもよいし、可能性が高い結論を１個または複数個表示
するものでもよい。また１通信によって可能性を他の装
置に伝送したり、可能性をメモリやファイルに記憶して
もよい。

（１１）明瞭性演算装置 明瞭性演算装置２０は、各結論ごとに、各事象の明瞭性
を演算する装置である。ここで、各結論ごとの各事象の
明瞭性とは、ある結論の可能性を評価するときの各事象
の相対的な識別能力を示すものである。したかって、こ
の明瞭性により、ある結論を確定するための１複数の事
象の識別能力を比較することができ、どの事象が高い識
別能力を持っているか（多くの情報量を持っているか）
が分る。明瞭性の算出法について以下に述べる。

まず、結論および事象と静的情報量の関係を第４表に示
す。

第４表 第４表から分るように静的情報量によっても。

各結論を確定するだめの複数の事象の識別能力を比較す
ることはできる。しかし、このままでは相対的な識別能
力が直観的に分りにくいので、下表に示すように各結論
ごとに静的情報量を正規化して、その正規化した値を各
結論ごとの各事象の明瞭性Ｃｇとする。

第５表 たたし Ｃｌ）　　　−（Ｊｌ　　　−１ｆｌｓ／　　（１ｆ１
８＋Ｉｆ’２８）ＣＮ　　−Ｃ４？２２−１ｆ２ｓ／　
（Ｉｆｌｓ＋Ｉｆ２ｓ）である。

このようにして、明瞭性演算装置２０において。

各結論ごとに各事象の明瞭性が算出される。

（１２）明瞭性記憶装置 明瞭性記憶装置２１は、明瞭性演算装置２０で算出され
た各結論ごとの各事象の明瞭性を記憶する装置である。

明瞭性の演算は、推論のたびに行なう必要はない。そこ
で、知識を合成したときに算出した明瞭性を明瞭性記憶
装置２１に記憶しておき。

推論を行なうたびに明瞭性記憶装置２１に記憶している
値を読み出すようにする。これにより、推論処理の高速
化が図れる。

（１３）明瞭性加算装置 明瞭性加算装置２２は、データが実際に入力された事象
の明瞭性を演算する装置である。ここでは、実際に行な
われる推論のために、データが入力された事象の明瞭性
の総和をとる。この明瞭性の総和は、推論結果の明瞭性
を示す。この明瞭性が高いほど、推論結果を導くための
情報量が多いといえる。したかって明瞭性は推論結果自
体の信頼性を判断する指標に使用することができる。

推論結果に対する明瞭性は次のようにして算出される。

ａ）事象１　（ｆＬ）のみについてデータが入力された
場合 ・結論１　（ｃｌ）の推論結果に対する明瞭性Ｃ，Ｃ１
−”１１ ・結論２　（ｃ２）の推論結果に対する明瞭性Ｃｌ１２
−Ｃｆ！１２ ｂ）事象２　（ｆ’２）のみについてデータが入力され
た場合 ・結論１　（ｃｌ）の推論結果に対する明瞭性Ｃｇ１−
”２１ ・推論２　（ｃ２）の推論結果に対する明瞭性Ｃ，Ｑ２
−”２２ Ｃ）事象１　（ｆｌ）および事象２　（ｆ２）の両方に
ついてデータ入力された場合 ・結論１　（ｃｌ）の推論結果に対する明瞭性ＣΩ１−
（Ｊｌ　　＋　Ｃｌ１２１−１．０ ・結論２　（ｃ２）の推論結果に対する明瞭性ＣΩ２−
Ｃｇ　　＋　ＣＤ２２−ｔ、。

推論結果の明瞭性Ｃｇのとり得る範囲は。

０．０　≦　Ｃｇ　≦１．０ である。つまり、推論を行なう前に与えられた知識の中
で、ある結論を導くために使用することができる事象の
すべてについてデータを入力して推論を行なった場合、
その結論の明瞭性は１．０になる。また、ある結論を導
くために使用することができる事象の中で、一部の事象
のみについて。

データを入力した場合、明瞭性は０．０から１６０の間
の値となる。このとき、使用することができる事象の中
で、明瞭性の高い事象を多く使用すれば、結論の明瞭性
も高くなり、信頼性が高い推論結果が得られると言える
。

（１４）明瞭性表示装置 明瞭性表示装置２３は、明瞭性加算装置２２で算出した
推論結果（−例として上述した可能性）に対する明瞭性
を表示する装置である。明瞭性は推論結果と共に表示し
てもよいし、また明瞭性を他の装置に伝送したり、メモ
リやファイルへ記憶するようにしてもよい。

この明瞭性の表示は、推論結果の全ての結論について表
示する。したがって結論が複数存在する場合には、それ
ぞれの結論に対応する明瞭性が表示される。

このようにして、データが入力されるたびに。

入力されたデータが属する事象の情報量を演算し、推論
結果に対する明瞭性を表示することにより、推論結果に
対する信頼性をユーザが判断できるようになる。

上述した各装置１１〜２４はメモリおよび表示装置を含
むコンビ二一夕によって実現できるのはいうまでもない
。たとえば知識合成装置１２．各種演算装置１５．１Ｂ
、　１７．１９．２０．２２．２４はプログラムにした
がって動作するＣＰＵによって好適に実現される。

【図面の簡単な説明】

第１図は近似推論装置の全体構成の一例を示すブロック
図である。 第２図はガウス分布を示すグラフである。 第３ａ図から第３ｃ図はメンバーシップ関数が形成され
る様子を示すグラフである。 第４ａ図および第４ｂ図は、各事象ごとに得られたメン
バーシップ関数を示すグラフである。 第５ａ図および第５ｂ図は適合度を求める様子を示すグ
ラフである。 第２図 １１・・・知識記憶装置。 １２・・・知識合成装置。 １３・・・合成後知識記憶装置。 １４・・・事象値入力装置。 １５・・・適合度演算装置。 １６・・・動的情報量演算装置。 １７・・・可能性演算装置。 １８・・・可能性表示装置。 ２４・・・関係係数演算装置。 ｍｉｎ ｍａｘ 第４ｃ図 事象月 第４ｂ図 事象ｆ２ ２゜ 第５Ｃ図 事象ｆ 第５ｂ図 黍象ｆ２

Claims (1)

1. 【特許請求の範囲】 　事象と結論との関係を示す知識におけるメンバーシツ
   プ関数を用いて入力されたデータを適合度に変換する適
   合度演算手段， この適合度を用いて事象ごとの動的情報量を求める動的
   情報量演算手段， 複数の事象と結論との関係を示す知識における複数の事
   象間の関係性を表わす関係係数を求める関係係数演算手
   段，および 上記適合度と動的情報量と関係係数とを用いて結論の可
   能性を求める可能性演算手段， を備えた近似推論装置。