JPH0484332A

JPH0484332A - 近似推論装置

Info

Publication number: JPH0484332A
Application number: JP2197763A
Authority: JP
Inventors: Hiroshi Kumamoto; 浩熊本
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 1990-07-27
Filing date: 1990-07-27
Publication date: 1992-03-17
Anticipated expiration: 2016-09-25
Also published as: US5253332A; EP0477490A3; JP3211241B2; EP0477490A2

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】発明の要約事象と結論との関係が生起したときにそのデータを履歴
ファイルに記憶しておく。たとえば近似推論を故障診断
に用いた装置においては、故障が生じたときにその故障
の種類と症状とを記録しておく　（修理レポート、保守
レポート等）。このような履歴ファイル・データにより
知識ベースを修正する。または履歴ファイル・データに
より知識ベースを作成する。このような知識ベースに基
づいて結論の可能性、静的情報量、明瞭性等の演算を行
なう。

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、　Ｚｈａｎｇ）１ｏｎｇｗｊｎ
　　　ＡＮ　　ＥＸＰＥＲＴ　　ＳＹＳＴＥＭ　　ＷＩ
Ｔ）ｌ　　ＴＨＩＮＫＩＮＧ　　ＩＮＩＭＡＧＥＳ’、
　Ｐｒｅｐｒｉｎｔｓ　ｏｆ　５ｅｃｏｎｄ　ＩＦＳＡ
　Ｃｏｎｇｒｅｓｓ。

Ｔｏｋｙｏ、　Ｊｕｌｙ　２０−２５．１９８７．　Ｐ
、７ｆ３５　）。

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
なわち事象の情報忠別能力）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。

しかしながらこのような従来の近似推論方式では、知識
ベースの構築または修正の際に専門家が必要となり非常
にめんどうである。また知識ベースの保守を行なうこと
が困難であるという問題があった。

発明の概要発明の目的この発明は、過去の履歴データを用いて自動的に知識ベ
ースを改良または新たに構築することができるようにす
ることを目的とする。

発明の構成１作用および効果この発明による近似推論装置は、既に設定されている事
象と結論との関係を表わす知識を記憶する知識記憶手段
、同一の事象と結論について合成された知識を記憶する
合成後知識記憶手段、生起した事象と結論との関係を表
わすデータを記憶する履歴データ記憶手段、および上記
知識記憶手段に記憶されている同一の事象と結論につい
ての知識を合成するとともに、上記履歴データ記憶手段
に記憶されているデータを用いてそのデータと同一の事
象と結論についての合成後知識を再合成する知識合成／
修正手段を備え、上記知識合成／修正手段により再合成
された知識によってそれと同一の事象と結論についての
上記合成後知識記憶手段における合成後知識を更新する
ことを再演算する。

この発明によると、生起した事象と結論との関係を表わ
すデータを蓄積しておくことにより、この蓄積したデー
タを用いて、先に（たとえば設計段階で）設定された知
識ベースを修正することができる。実際に生起した事象
と結論との関係を表わすデータを用いて知識ベースを修
正しているから、より正確な近似推論が可能となる。ま
た、知識ベースの修正は自動的に行なわれるから専門家
がいなくても知識ベースの保守が可能である。

この発明の近似推論装置を故障診断に用いた場合には、
生起した事象と結論との関係を表わすデータは、故障の
種類とそのときの機械等の症状（五感で知覚できる症状
、センサで検出した測定値等）との関係を表わすデータ
であり、これは故障レポート１保守レポート等に記録さ
れている。

または、このようなデータを自動的に採取しメモリに記
憶するようにしてもよい。

上記近似推論装置は、事象入力データを上記合成後知識
記憶手段に記憶されている知識にあてはめることにより
結論の可能性を演算する近似推論手段を備えている。

上記近似推論手段は、入力されたデータを上記知識によ
って表わされるメンバーシップ関数を用いて適合度に変
換する適合度演算手段１　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、および上記
適合度と動的情報量とを用いて結論の可能性を求める可
能性演算手段。

から構成される。

上記合成後知識記憶手段に記憶されている知識が更新さ
れたときに上記近似推論手段は更新後の知識に基づいて
再演算を行なう。これにより、より正しい推論か可能と
なる。

上記近似推論装置は、上記合成後知識に基づいて各事象
の静的情報量を演算する静的情報量演算手段をさらに備
えている。事象の静的情報量は事象のメンバーシップ関
数が結論を識別する能力を示している。

上記静的情報量演算手段は１合成後知識の再合成があっ
たときに、再合成された知識に関して各事象の静的情報
量を再演算する。

上記近似推論装置は、上記静的情報量演算手段により算
出された静的情報量を用いて結論ごとに各事象の明瞭性
を演算する明瞭性演算手段を備えている。

上記明瞭性演算手段は１合成検知まの再合成があったと
きに、再演算により得られた静的情報量を用いて明瞭性
を再演算する。

上記近似推論装置はさらに、上記明瞭性演算手段から得
られる明瞭性を用いて、実際にデータが入力された事象
の明瞭性を加算して結論ごとの明瞭性を演算する加算手
段を備えている。

加算された明瞭性から結論の信頼性が分る。

この発明による近似推論装置は、生起した事象と結論と
の関係を表わすデータを記憶する履歴データ記憶手段、
上記履歴データ記憶手段に記憶されている同一事象と結
論についての複数のデータを１つのデータに合成するデ
ータ合成手段、上記データ合成手段によって合成された
データを記憶する合成後データ記憶手段、および事象入
力データを上記合成後データ記憶手段に記憶されている
合成後データにあてはめることにより結論の可能性を演
算する近似推論手段を備えていることを再演算する。

この発明によると、過去に生起した事象と結論との関係
を表わすデータを蓄積しておき、この蓄積したデータに
基づいて知識ベースを作成しているので、専門家の助け
を借りることなく自動的に知識ベースの構築が可能とな
る。

上記近似推論手段は、入力されたデータを上記合成後デ
ータによって表わされるメンバーシップ関数を用いて適
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、および上記適合度と動的情報量とを用
いて結論の可能性を求める可能性演算手段から構成され
る。

上記近似推論装置は、上記合成後データに基づいて各事
象の静的情報量を演算する静的情報量演算手段、上記静
的情報量演算手段により算出された静的情報量を用いて
結論ごとに各事象の明瞭性を演算する明瞭性演算手段、
および上記明瞭性演算手段から得られる明瞭性を用いて
、実際にデータが入力された事象の明瞭性を加算して結
論ごとの明瞭性を演算する加算手段を備えている。

実施例の説明（１）近似推論装置の全体構成第１図および第７図に近似推論装置の全体構成の一例が
示されている。第１図は第１の実施例にしたがう近似推
論装置を示し、第７図は第２の実施例にしたがう近似推
論装置を示している。

第１図において、第１実施例の近似推論装置は、知識記
憶装置１１．知識合成／修正装置１２１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１Ｂ、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および履歴データ記憶装置３１から構
成されている。

第７図において、第２実施例の近似推論装置には、第１
図に示す知識記憶装置ｌｌは設けられていない。また、
第１図の知識合成／修正装置１２および合成後知識記憶
装置１Ｂがそれぞれデータ合成袋ａｔ　１２Ａおよび合
成後データ記憶装置１３Ａに代わっている。第７図に示
す他の構成は第１図に示すものと同じである。

このように第１および第２実施例の近似推論装置は多く
の共通部分をもっており、かつこれらの共通部分が近似
推論装置の主要部分となっているので、まず第１図を参
照して共通部分について説明する。そして、その後に第
１実施例および第２実施例に特有の構成と動作をそれぞ
れ別個に説明する。

（２）知識記憶装置知識記憶装置１１は、専門家等が前もって（たとえば設
計段階で）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ｅｘＪ　　：１ｒ２０≦ｆ１≦６０．０≦ｆ２≦４０．　ｔｈｅｎ　
　ｃｌ−（１）ｊｆ４０≦ｆｌ≦Ｈ，６０≦ｆ２≦１０
０．ｔｈｅｎ　　ｃ２＝１２）専門家ｅｘ２　：１ｆ３０≦ｆ１≦５０．１０≦ｆ２≦３０．　ｔｈｅｎ
　　ｃｌ−（３）１ｆ５０≦ｆｌ≦７０．７０≦ｆ２≦
９０．　ｔｈｅｎ　　ｃ２−１４）ｆｌ、　ｆ２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９　これらをそれぞれ
結論１．２と呼ぶことがある。

また、ａ≦ｆ１≦ｂのように表わされたａｂをそれぞれ
最小値、最大値と呼ぶ。

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。

第１表第２表（３）知識合成／修正装置知識合成／修正装置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。

知識合成／修正装置１２はまた履歴データ記憶装置３１
に記憶された履歴データを用いて１合成した知識を修正
する機能をもつが、これについては第１の実施例の説明
の箇所で詳しく説明する。

知識の合成方法は種々あるか、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いて、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ｅｘｌ　　：Ｈ２０≦ｆ１≦６０　　ｔｈｅｎ　
　ｃｌ−１５）専門家ｅｘ２　　：ｉｆ　　３０≦ｆ１
≦５０　　ｔｈｅｎ　　ｃｌ＝１６）最小値の平均値ｍ
、および最大値の平均値＋ｌｌｎｍ　　が算出される。

ａＸ２０＋３０−２５　　　　　　　・・・（７）１１１ｎ
　　　　　　　２６０＋５０ ”１１ａＸ　　　　２　　−”５　　　　　　　　・・
・（８）最小値の標準偏差σ　　および、最大値の標準
層１ｎ偏差σ　　が算出される。

ａｘ第３表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。　　　　　　
　　　　　（以下、余白）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ｍｌ１ａＸ’■
】ｎ最小値の標準偏差σ、、最大値の標準偏差顧１ｎ 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）ただし。

Ｘ　　：事象への入力データの値 Φ（Ｘ）：入力データ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。二〇ガウス分布にお
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１１１１１　　　　　
　　　　　　　ｍａＸれ　傾きはσ　、　またはσ　　
によって決定されｆｌｌ］ｎｌｌ１ａｘる。

一例として、事象ｆｌから結論ｃｌ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
。

第３ａ図は第（１１）式または第（１２〉式の右辺第１
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ｆ’ｌ、　ｆ２について、結論ｃｌ、　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４
ｂ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／修正装置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性なう必
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。そして推論の都度この記憶装置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
のデータが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。

事象データは確定値のみならず言語値やメンバーシップ
関数で与えてもよい。

（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
、入力データが確定値の場合には第（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。入力データか言語値やメンバーシ
ップ関数の場合には、たとえば旧Ｎ−ＭＡＸ演算を用い
て適合度が算出されよう。

（７）動的情報量演算装置と静的情報量演算装置事象ｒ
１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”１１’
　ｍ１２’　　２１’　ｍ２２を次のように定める。

”　１１　’入力データｘ１の結論ｃ１に対する適合度
ｍ１２：入力データｘ１の結論ｃ２に対する適合度ｍ２
１：入力データｘ２の結論ｃｌ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
演算袋ｆｉｆ１５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・エントロピＥｆ
ｌを次のように定義する。

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ｘ
ｉの結論Ｃ１に対する適合度ｍ１１と入力データｘ１の
結論Ｃ２に対する適合度ｍ１２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が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１人力データｘ１の結論ｃｌに対する適合度ｍ１□
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、差が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Ｉｒ１ｐ（ＸＩ
）を、最大ファジィ・エントロピから、入力データ×１
が与えられたときのファジィ・エントロピＥｆｌ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、このファジィ拳エントロピ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Ｉｆｌｐ（
ｘｌ、）を求める。ここで、動的情報量１ｆＩＤ（ｘｉ
）同じように、事象ｆ２について入力データｘ２か与え
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）式にしたがって事
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
１に対する適合度ｍ１２（ｘ）　　：事象ｆｌについての入力データＸの
結論ｃ２に対する適合度ｍ２１（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ｒ２についての入力データＸの
結論Ｃ２に対する適合度・・・　（１７ンにおいて、Ｘをδ間隔て変化させ、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が大きいほど。

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が結
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）可能性演算装置各結論ごとに、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：　　Ｗｆｌｌ−Ｉｆｆ　
（ＸＩ）／　［Ｉｆｌ　（ｘｉ）　＋　Ｉｆ’２Ｄ（ｘ
２）］　　−（１９）Ｄ　　　　　　　　　　Ｄ結論１に対する事象２の重み：Ｗｆ１□Ｉｆ２　　（Ｘ
２）／　　［Ｉｆｆ　　（Ｘｉ）＋　　］ｆ２Ｄ（ｘ２
）コ　　　−（２０）Ｄ　　　　　　　　　　Ｄ結論２に対する事象１の重み＋　　ｗｆ、、、ｍＪｆｌ
　（ｘｌ）／　［Ｉｆｌ　（ｘｉ）＋ｌｆ２．（ｘ２）
］　　−（２１）Ｄ　　　　　　　　　　　Ｄ結論２に対する事象２の重み：　　ｗｆ２２ｍ−Ｉｆ’
２　　（ｘ２）／　　［Ｉｒｌ　　（ｘｉ）＋　　ＩＦ
５．（ｘ２）コ　　　　＝１２２）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−ｗｆ　１１Ｘｍ、十ｗｆ　１２Ｘｍ２
１　　−（２３）結論２の可能性−ｖｉ　ｆ　　Ｘｍ十
Ｗｆ　２２×ｍ２２　　　＋’　（２４）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。

（９）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で算出
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。

（ｌＯ）明瞭性演算装置明瞭性演算装置ｆ２０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偏するときの各事
象の相対的な識別能力を示すものである。したがって、
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。

各結論を確定するた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ｃｎとする。

第５表ただし。

Ｃ１ｌ　　−Ｃ９−１ｆ’ｌ　／　（Ｉｒｌｓ＋Ｉｆ２
ｓ）ＣＬ）　　−Ｃ１）　　−１Ｈ／（Ｉｆｌ＋ｌｆ’
２ｓ）２１　　　２２　　　　Ｓ　　　　Ｓ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。

（１１）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。

（１２）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、推論結果を導くだめの
情報量が多いといえる。したが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　（ｒｌ）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Ｃρ１−
”１１・結論２　（ｃ２）の推論結果に対する明瞭性ｃ、ｐ２
−”１２ｂ）事象２（ｒ２）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、ｐ１
−Ｃρ２１・推論２　（ｃ２）の推論結果に対する明瞭性Ｃ，Ｃ２
−”２２Ｃ）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Ｃ１１−
Ｃｐ　十ＣＮ、　−１，０・結論２　（ｃ２）の推論結果に対する明瞭性ｃｎ２−
Ｃ１＋　　Ｃｊｌ１２２−１．０推論結果の明瞭性Ｃｐのとり得る範囲は。

０．０　≦　Ｃｐ　≦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１．０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か得られると言える
。

り１３）明瞭性表示装置明瞭性表示装置２３は、明瞭性加算装置２２て算出した
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てきるようになる。

（１４）第１実施例第１図に示す第１実施例の近似推論装置は履歴データ記
憶装置３１を備えている。履歴データ記憶装置３１は、
生起した事象と結論との関係を記憶しておくものである
。この事象と結論の関係はそれが生起するごとに記憶す
るようにしてもよいし。

いくつか生起したのちにまとめて記憶するようにしても
よい。

履歴データの例が第６図に示されている。この図におい
て、第１回目の生起においては結論ｃｌが生起し、その
ときの事象ｆｌとｒ２の値がそれぞれ３０、８０である
。第２回目の生起においては結論Ｃ２が生じ、そのとき
の事象ｆ２の値が１０．事象ｆ３の値が３０であったこ
とが示されている。

この近似推論装置が故障診断装置に適用された場合には
、故障が生じたときに事象と結論の関係が生起したこと
になる。結論は故障の種類に対応し、事象はそのときの
症状（五感で知覚した状態、各種センサの出力信号等）
に対応する。このような故障とその症状の関係を表わす
記録（故障データ）は、修理レポート、保守レポート、
故障レポート等から得ることができる。履歴データ記憶
装置３１は故障データ記憶装置と呼ばれることになろう
。

このような故障データの記憶装置３１への記憶は、入力
装置を使用して人間が入力するようにしてもよいし、対
象機器からデータをオンライン等で入力するようにして
もよい。

知識合成／修正装置１２は１合成後知識記憶装置１３に
記憶されている合成後知識を履歴データ記憶装置３１に
記憶されている履歴データによって修正する。履歴デー
タに関連する合成後知識のみを修正すればよい。

修正のやり方は上述した合成のやり方と同じであり履歴
データを１人または複数人の専門家の知識と考えればよ
い。

たとえば第１回目の生起における履歴データのみが存在
する場合には、この履歴データは結論ｃ１と事象ｆｌ、
　ｆ２とに関係するので、これらの結論と事象について
の合成後知識が修正される。第１回目の履歴データのみ
ではそれが最小値か最大値か分らないので、この履歴デ
ータを両方の値として採用する。

結論ｃｌと事象ｆ１についてのみ着目すると、最小値の
平均値ｍ　、および最大値の平均値ｍ　　を１１１１ｎ
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　ｆｆ１ａＸそれぞれ表わす第（７）式および第
（８）式は次のように修正される。

最小値の標準偏差σ　、および最大値の標準偏■Ｉｎ差σ　　を表わす第（９）式および第（１ｏ）式はそれ
１ａｘぞれ次のように修正される。

しては第１回目の事象値３０と第２回目の事象値６０と
があるので、これらのうちの小さい方３０を第３の専門
家の最小値、大きい方６０を最大値と考える。

最小値の平均値ｍ　、および最大値の平均値ｌｌｎｍ　　をそれぞれ表わす第（７）式および第（８）式ａ
＋ａＸは次のように修正される。

結論ｃｌとｆ２に関する合成後データも同じように修正
される。

第２回目の生起における履歴データは結論ｃ１に関する
ものではないので、この履歴データによって結論ｃ１に
関する合成後知識は修正されることはない。第２回目の
生起データによっては結論ｃ２に関する合成後データが
修正される。

第１回目から第３回目までの履歴データが存在するとき
には、結論ｃ１と事象ｆ１との関係を表わす合成後知識
は次のように修正される。事象ｆｌに関最小値の標準偏
差σ　、および最大値の標準偏１１１ｎ差σ　　を表わす第（９）式および第（ｌＯ）式は次の
ｌａｘように修正される。

このように、ある結論に関係する特定の事象の履歴デー
タが複数個存在する場合には１それらを小さい順に並べ
、小さい方の半数のデータを最小値、大きい方の半数の
データを最大値としてそれぞれ取扱う。また、履歴デー
タ数が奇数個の場合には丁度中央の大きさのデータを最
小値兼最大値として採用する。この真中の大きさのデー
タは最小値または最大値のいずれか一方のグループに取
込んでもよい。

このようにして、履歴データによって対応する合成後知
識が修正されると、修正後の知識が先の合成後知識に代
わって合成後知識記憶装置１３に記憶されるとともに静
的情報量演算装置１９に与えられる。したかって、これ
以降は修正後の知識を用いて近似推論か行なわれる。す
なわち、修正後の知識を用いて結論の可能性が演算され
る。また修正後の知識を用いて、修正された知識に関係
する部分においてのみ静的情報量、明瞭性等の再演算が
行なわれる。

このように履歴データによって知識か自動的に修正され
るので、より正確な推論が可能となり。

また自動学習機能をもつことになる。

（１５）第２実施例第７図に示す第２実施例において、第１図に示す知識記
憶装置１１は設けられていない。履歴データ記憶装置３
１は第１図に示すものと同じである。

データ合成装置１２Ａ　、合成後データ記憶装置１３Ａ
も基本的には上述した知識合成／修正装置１２７合成後
知識記憶装置１３と同じであるが、専門家の知識を取扱
うのではなく、履歴データを取扱う点て異なるのみであ
る。

第２実施例の近似推論装置は、専門家の知識を不要とし
、近似推論のためのルールおよびメンバーシップ関数を
すべて履歴データから作成する。

履歴データ記憶装置３１には第６図に示すような履歴デ
ータが記憶されているものとする。第２回目を除く第１
〜５回目の履歴データは結論ｃ１と事象ｒ１．．　ｆ２
に関係するものであるから、これらの履歴データにより
結論ｃ１と事象ｆｌ、　ｆ２に関係するルールを作成す
ることができる。

第８図は結論Ｃ１と事象ｆ１に関する履歴データの分布
を示すものであり、第８図（Ａ）は第１回目のデータの
みを表わし、（Ｂ）は第１回目と第３回目のデータを表
わし、（Ｃ）は第１回目、第３回目および第４回目のデ
ータを表わす。第８図（Ｄ）は第２回目を除くすべての
データを表わす。このように履歴データの数が増加すれ
ばそれだけその分布が明確になっていくので、これによ
り結論Ｃ１を導くための事象ｆｌのメンバーシップ関数
が作成される。

履歴データの合成方法は上述したものと同じであり、デ
ータを大きさの順に一列に並べ１小さい値のグループと
大きい値のグループとに半分に分け、小さい値のデータ
・グループから最小値に関するデータ（平均値、標準偏
差）を作成し、大きい値のデータ・グループから最大値
に関するデータを作成する。このデータ合成は履歴デー
タの数が３個以上あることが必要である。２個の場合に
は小さい方を最小値、大きい方を最大値とする。

第６図に示す結論Ｃ１と事象ｆ１に関係する履歴データ
は３０．　Ｅｉｏ、　２０．５０であり、これを大きさ
の順に並べると２０．３０．５０．　ＥｉＯとなる。小
さい方の２０と３０を最小値（専門家の知識における最
小値に対応）、大きい方の５０と６０を最大値（専門家
の知識における最大値に対応）とする。

これらの履歴データを用いて最小値の平均値ｍ１ｎおよ
び最大値の平均値ｍ　　が次のようにＯ＋ａＸ算出される。

最小値の標準偏差σ　、および最大値の標準偏Ｕｌｎ差σ　　は次のように算出される。

ａｘ結論ｃ１と事象ｆ２．その他の結論と事象との関係を表
わすデータも同じように合成される。

第６図の履歴データを合成して得られるデータは次の第
６表のようになる。ここで、結論Ｃ１に関する事象ｒ２
のデータは３個しかないので、そのうちの小さい２個を
最小値、大きい１個を最大値として取扱っている。また
、結論ｃ２に関しては事象ｒ２．　ｆ３について履歴デ
ータが１個しかないので。

これらが最小値、最大値として用いられている。

第６表上述したデータ合成方法を一般的に表現すると次のよう
になる。ある結論と事象との関係に関する履歴データの
数をｎとする。

これらのデータを小さい順に並べる。ソーティングされ
たデータをｄＩ、ｄ、ｄ３．−・・ｄｒｌとする。ｄ、が最も小さい値をもつデータ、ｄｎが最も
大きい値をもつデータである。

最小値の平均値ｍ　。

１ｎで与えられる。

ｍ、−（Σｄ、）／ｎ１１１ｎ　　　　　＋−＋　　　　１と標準偏差σ　９１ｎは次式％式％（３７）ここでｎｌはｎ／２の小数点以下を四捨五入した値とす
る。

最大値の平均値ｍ　　と標準偏差σ　　は次式１式％このようにして作成された合成後データは合成後データ
記憶装置１３Ａに記憶される。そして、この合成後デー
タに基づいて上述した近似推論が行なわれる。すなわち
、結論の可能性、静的情報量、明瞭性等が演算される。

上述した各装置１１〜２３．１２Ａ、　１３Ａ、　３１
はメモリおよび表示装置を含むコンピュータによって実
現できるのはいうまでもない。たとえば知識合成装置１
２．データ合成装置１２Ａ　、各種演算装置１５゜１Ｂ
、　１．７．１９．２０．２２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図は第１の実施例による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６図は履歴データ記憶装置の内容を示す図である。第７図は第２の実施例による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８図（Ａ）〜（Ｄ）は履歴データの分布を示すグラフ
である。１１・・・知識記憶装置。１２・・・知識合成／修正装置。１２Ａ・・・データ合成装置。１３・・・合成後知識記憶装置。１３Ａ・・・合成後データ記憶装置。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。１Ｂ・・・可能性表示装置。１９・・・静的情報量演算装置２２０・・・明瞭性演算装置。２１・・・明瞭性記憶装置。２２・・・明瞭性加算装置。２３・・・明瞭性表示装置。３１・・・履歴データ記憶装置。以

Claims

【特許請求の範囲】

（１）既に設定されている事象と結論との関係を表わす
知識を記憶する知識記憶手段，同一の事象と結論について合成された知識を記憶する合
成後知識記憶手段，生起した事象と結論との関係を表わすデータを記憶する
履歴データ記憶手段，および上記知識記憶手段に記憶されている同一の事象と結論に
ついての知識を合成するとともに，上記履歴データ記憶
手段に記憶されているデータを用いてそのデータと同一
の事象と結論についての合成後知識を再合成する知識合
成／修正手段を備え，上記知識合成／修正手段により再合成された知識によっ
てそれと同一の事象と結論についての上記合成後知識記
憶手段における合成後知識を更新する，近似推論装置。
（２）事象入力データを上記合成後知識記憶手段に記憶
されている知識にあてはめることにより結論の可能性を
演算する近似推論手段を備えている請求項（１）に記載
の近似推論装置。
（３）上記近似推論手段が，入力されたデータを上記知識によって表わされるメンバ
ーシップ関数を用いて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，および上記適合度と動的情報量とを用いて結論の可能性を求め
る可能性演算手段，から構成される請求項（２）に記載の近似推論装置。
（４）上記合成後知識記憶手段に記憶されている知識が
更新されたときに上記近似推論手段は更新後の知識に基
づいて再演算を行なう，請求項（２）に記載の近似推論
装置。
（５）上記合成後知識に基づいて各事象の静的情報量を
演算する静的情報量演算手段をさらに備えた請求項（１
）から（４）のいずれか１項に記載の近似推論装置。
（６）上記静的情報量演算手段は，合成後知識の再合成
があったときに，再合成された知識に関して各事象の静
的情報量を再演算する請求項（５）に記載の近似推論装
置。
（７）上記静的情報量演算手段により算出された静的情
報量を用いて結論ごとに各事象の明瞭性を演算する明瞭
性演算手段を備えている請求項（５）または（６）に記
載の近似推論装置。
（８）上記明瞭性演算手段は，合成後知識の再合成があ
ったときに，再演算により得られた静的情報量を用いて
明瞭性を再演算する請求項（７）に記載の近似推論装置
。
（９）上記明瞭性演算手段から得られる明瞭性を用いて
，実際にデータが入力された事象の明瞭性を加算して結
論ごとの明瞭性を演算する加算手段，を備えた請求項（
７）または（８）に記載の近似推論装置。
（１０）生起した事象と結論との関係を表わすデータを
記憶する履歴データ記憶手段，上記履歴データ記憶手段に記憶されている同一事象と結
論についての複数のデータを１つのデータに合成するデ
ータ合成手段，上記データ合成手段によって合成されたデータを記憶す
る合成後データ記憶手段，および事象入力データを上記
合成後データ記憶手段に記憶されている合成後データに
あてはめることにより結論の可能性を演算する近似推論
手段，を備えている近似推論装置。
（１１）上記近似推論手段が，入力されたデータを上記合成後データによって表わされ
るメンバーシップ関数を用いて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，および上記適合度と動的情報量とを用いて結論の可能性を求め
る可能性演算手段，から構成される請求項（１０）に記載の近似推論装置。
（１２）上記合成後データに基づいて各事象の静的情報
量を演算する静的情報量演算手段，上記静的情報量演算
手段により算出された静的情報量を用いて結論ごとに各
事象の明瞭性を演算する明瞭性演算手段，および上記明瞭性演算手段から得られる明瞭性を用いて，実際
にデータが入力された事象の明瞭性を加算して結論ごと
の明瞭性を演算する加算手段，を備えた請求項（１０）
または（１１）に記載の近似推論装置。