JPH05204405A - 入出力関係推定装置 - Google Patents
入出力関係推定装置Info
- Publication number
- JPH05204405A JPH05204405A JP4010354A JP1035492A JPH05204405A JP H05204405 A JPH05204405 A JP H05204405A JP 4010354 A JP4010354 A JP 4010354A JP 1035492 A JP1035492 A JP 1035492A JP H05204405 A JPH05204405 A JP H05204405A
- Authority
- JP
- Japan
- Prior art keywords
- input
- model learning
- output
- division
- evaluation
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】小脳モデルを用いて入力データと出力データと
の関係を同定する際に、等分割自動決定法、二分割自動
決定法、遺伝アルゴリズム自動決定法、設定分割箇所を
考慮した遺伝アルゴリズム自動決定法を用いて顆粒細胞
の分割数を決定し、異なる入出力データが入力されて自
動的に推定精度が良くなるように顆粒細胞の分割数を決
定する入出力関係推定装置を提供することを目的とす
る。 【構成】センサーからの情報やユーザの情報を入力し
て、これらの関係を構成する小脳モデルにおいて、小脳
モデル学習部の構成要素である顆粒細胞値をユーザによ
る顆粒細胞の分割指定箇所を考慮しながら、遺伝アルゴ
リズムを用いることにより、顆粒細胞の分割の位置を自
動的に決定することが可能となる。このような顆粒細胞
の分割の位置を自動的に決定できることにより、入出力
データが入力された場合に、それらの入出力関係を精度
よく同定する関係表を取り出すことが可能となる。
の関係を同定する際に、等分割自動決定法、二分割自動
決定法、遺伝アルゴリズム自動決定法、設定分割箇所を
考慮した遺伝アルゴリズム自動決定法を用いて顆粒細胞
の分割数を決定し、異なる入出力データが入力されて自
動的に推定精度が良くなるように顆粒細胞の分割数を決
定する入出力関係推定装置を提供することを目的とす
る。 【構成】センサーからの情報やユーザの情報を入力し
て、これらの関係を構成する小脳モデルにおいて、小脳
モデル学習部の構成要素である顆粒細胞値をユーザによ
る顆粒細胞の分割指定箇所を考慮しながら、遺伝アルゴ
リズムを用いることにより、顆粒細胞の分割の位置を自
動的に決定することが可能となる。このような顆粒細胞
の分割の位置を自動的に決定できることにより、入出力
データが入力された場合に、それらの入出力関係を精度
よく同定する関係表を取り出すことが可能となる。
Description
【０００１】
【産業上の利用分野】本発明は入力データから制御量等
の推定量を決定する入出力関係推定装置に関するもので
ある。
の推定量を決定する入出力関係推定装置に関するもので
ある。
【０００２】
【従来の技術】まず、基本的概念である小脳モデルアル
ゴリズム(Cerebellar Model Arithmetic Computer : CM
AC)の内容について説明する。ＣＭＡＣは、アルバス
（J.S.Albus(Brains, Behavior and Robotics, McGraw
Hills (1981), (訳)小杉他：ロボティクス，啓学出版(1
984))）によって提案され、生体の情報処理機能を模倣
するモデルとして構築された。複数個の顆粒細胞モデル
を構成し、これらのモデルが並列的に値を出力し、出力
値の和を求めることにより推論値を計算する。
ゴリズム(Cerebellar Model Arithmetic Computer : CM
AC)の内容について説明する。ＣＭＡＣは、アルバス
（J.S.Albus(Brains, Behavior and Robotics, McGraw
Hills (1981), (訳)小杉他：ロボティクス，啓学出版(1
984))）によって提案され、生体の情報処理機能を模倣
するモデルとして構築された。複数個の顆粒細胞モデル
を構成し、これらのモデルが並列的に値を出力し、出力
値の和を求めることにより推論値を計算する。
【０００３】ＣＭＡＣの基本構成について述べる。い
ま、n入力１出力の入出力データ(Ｘ,y)=(x1,x2,・・・,xn,
y)が与えられたとする。ただし、xj, j=1,2,・・・,n はj
番目の入力データ、y は出力データを示す。ＣＭＡＣは
m 層の階層構造からなり、各層では、1 個のモデル Fk,
k=1,2,・・・,m が対応している。各モデル Fk では、xj,j
=1,2,・・・n 軸での複数の区間を用いて、n 次元空間を複
数の部分空間に分割している。これらの部分空間を顆粒
細胞とよぶ。また、各顆粒細胞に値を割り付け、この値
を顆粒細胞値とよぶ。図５に n=2, m=4 からなるＣＭＡ
Ｃを示す。ＣＭＡＣは４層のモデルから構成され、モデ
ル Fk は5×5の顆粒細胞により入力空間を分割してい
る。４層のモデルを重ね合わせることにより、よりきめ
細かな領域に分割された入力空間を表現することができ
る。
ま、n入力１出力の入出力データ(Ｘ,y)=(x1,x2,・・・,xn,
y)が与えられたとする。ただし、xj, j=1,2,・・・,n はj
番目の入力データ、y は出力データを示す。ＣＭＡＣは
m 層の階層構造からなり、各層では、1 個のモデル Fk,
k=1,2,・・・,m が対応している。各モデル Fk では、xj,j
=1,2,・・・n 軸での複数の区間を用いて、n 次元空間を複
数の部分空間に分割している。これらの部分空間を顆粒
細胞とよぶ。また、各顆粒細胞に値を割り付け、この値
を顆粒細胞値とよぶ。図５に n=2, m=4 からなるＣＭＡ
Ｃを示す。ＣＭＡＣは４層のモデルから構成され、モデ
ル Fk は5×5の顆粒細胞により入力空間を分割してい
る。４層のモデルを重ね合わせることにより、よりきめ
細かな領域に分割された入力空間を表現することができ
る。
【０００４】次に、ＣＭＡＣの逐次学習方法について述
べる。
べる。
【０００５】いま、モデル Fk において、入力データＸ
を含む顆粒細胞での顆粒細胞値 Wkは、次のように表さ
れる。
を含む顆粒細胞での顆粒細胞値 Wkは、次のように表さ
れる。
【０００６】
【数１】
【０００７】ただし、Ｆk(Ｘ)はモデル Fk の入出力関
係を表す。
係を表す。
【０００８】ＣＭＡＣの逐次学習では、t 回目の学習に
より得られた顆粒細胞値を Wt kとして、この Wt k によ
り推論値 yt c を推論し、推論誤差を用いて (t+1) 回目
のWt+1 k を求める。ここで、推論値 yt c は次のように
得られる。
より得られた顆粒細胞値を Wt kとして、この Wt k によ
り推論値 yt c を推論し、推論誤差を用いて (t+1) 回目
のWt+1 k を求める。ここで、推論値 yt c は次のように
得られる。
【０００９】
【数２】
【００１０】また、Wt+1 k は次のように計算される。
【００１１】
【数３】
【００１２】ただし、ｇは学習係数である。
【００１３】ＣＭＡＣの逐次学習は、推論誤差と許容誤
差εの関係が次式を満足するとき終了する。
差εの関係が次式を満足するとき終了する。
【００１４】
【数４】
【００１５】一方、複数個の入出力データが存在する場
合には、各入力データに対して１回の逐次学習を行い、
複数個の入出力データを繰り返し用いて、逐次学習の操
作を繰り返す。学習が終了した場合の顆粒細胞値を特
に、Wlast k と記す。
合には、各入力データに対して１回の逐次学習を行い、
複数個の入出力データを繰り返し用いて、逐次学習の操
作を繰り返す。学習が終了した場合の顆粒細胞値を特
に、Wlast k と記す。
【００１６】このようなＣＭＡＣの学習機能を用いて入
出力関係を同定する装置の従来例の構成図の一例を図１
１に示す。
出力関係を同定する装置の従来例の構成図の一例を図１
１に示す。
【００１７】図１１において、入力部１１０１はセンサ
ーからの情報やユーザの情報を入力するための手段、小
脳モデル学習部１１０２は前記入力部から得られる入力
データと出力データとの関係を構成する手段、記憶部１
１０３は前記小脳モデル学習部１１０２の構成要素であ
る顆粒細胞値を格納する手段、評価部１１０４は出力デ
ータに対する小脳モデル学習部１１０２で決定した推定
値の類似度を評価する手段である。出力部１１０５は前
記評価部１１０４での評価値と小脳モデル学習部１１０
２での結果、および出力データを表示する手段である。
ーからの情報やユーザの情報を入力するための手段、小
脳モデル学習部１１０２は前記入力部から得られる入力
データと出力データとの関係を構成する手段、記憶部１
１０３は前記小脳モデル学習部１１０２の構成要素であ
る顆粒細胞値を格納する手段、評価部１１０４は出力デ
ータに対する小脳モデル学習部１１０２で決定した推定
値の類似度を評価する手段である。出力部１１０５は前
記評価部１１０４での評価値と小脳モデル学習部１１０
２での結果、および出力データを表示する手段である。
【００１８】図１１の小脳モデル学習部１１０２は入力
部１１０１から得られた入出力データが表す入出力関係
を同定するするため、ユーザが入力部１１０１から入力
したＣＭＡＣの顆粒細胞の分割数を用いてＣＭＡＣアル
ゴリズムにより出力推定値を推定する。推定した結果は
出力部１１０５によりユーザに表示される。
部１１０１から得られた入出力データが表す入出力関係
を同定するするため、ユーザが入力部１１０１から入力
したＣＭＡＣの顆粒細胞の分割数を用いてＣＭＡＣアル
ゴリズムにより出力推定値を推定する。推定した結果は
出力部１１０５によりユーザに表示される。
【００１９】ＣＭＡＣの学習則を数値例を用いて説明す
る。２入力１出力のデータ(x1,x2,y)=(6,4,10)に対し
て、t 回目の Wt k, k=1,2,・・・,4 を
る。２入力１出力のデータ(x1,x2,y)=(6,4,10)に対し
て、t 回目の Wt k, k=1,2,・・・,4 を
【００２０】
【数５】
【００２１】とする。
【００２２】モデル F1 の Wt+1 1 は、(数２),(数３)
から次のように求められる。
から次のように求められる。
【００２３】
【数６】
【００２４】
【数７】
【００２５】ただし、ｇ=1.0としている。同様にして W
t+1 2=3.5、Wt+1 3=3.5、Wt+1 4=1.5 と計算できる。した
がって、(数２) により、
t+1 2=3.5、Wt+1 3=3.5、Wt+1 4=1.5 と計算できる。した
がって、(数２) により、
【００２６】
【数８】
【００２７】となる。この結果から、(t+1) 回目の推論
誤差は t 回目よりも小さくなることがわかる。
誤差は t 回目よりも小さくなることがわかる。
【００２８】次に、ＣＭＡＣの有用性を示すために、数
値例を用いて説明する。次の非線形方程式(菅野道夫：
ファジィ制御，日刊工業新聞社(1988))を考える。この
方程式を用いて、x1,x2,x3を乱数で与え、100個の入出
力データ(xi,yi), i=1,2,・・・,100 を作成する。
値例を用いて説明する。次の非線形方程式(菅野道夫：
ファジィ制御，日刊工業新聞社(1988))を考える。この
方程式を用いて、x1,x2,x3を乱数で与え、100個の入出
力データ(xi,yi), i=1,2,・・・,100 を作成する。
【００２９】
【数９】
【００３０】作成したデータに対して、ＣＭＡＣの顆粒
細胞の層数を３層として、各層での顆粒細胞の分割数を
３個とした場合のＣＭＡＣにより得られた結果を図６に
示す。ただし、学習係数を0.1と設定し、推論精度 C は
次式により求める。
細胞の層数を３層として、各層での顆粒細胞の分割数を
３個とした場合のＣＭＡＣにより得られた結果を図６に
示す。ただし、学習係数を0.1と設定し、推論精度 C は
次式により求める。
【００３１】
【数１０】
【００３２】ここで、eyi はＣＭＡＣの推定値である。
【００３３】このように、ＣＭＡＣアルゴリズムを用い
ると入出力データの入出力関係を短時間で、低メモリ
で、高精度で同定することができる。
ると入出力データの入出力関係を短時間で、低メモリ
で、高精度で同定することができる。
【００３４】
【発明が解決しようとする課題】しかしながら、従来の
ＣＭＡＣを用いた入出力関係推定装置は顆粒細胞の分割
数はユーザによって設定されるか、あるいは一定に固定
されており、異なった入出力データが入力された場合に
は、精度が良い推定値を出力するＣＭＡＣの構造が保証
されないでいた。そのため、ユーザは推定精度が悪い出
力推定値を用いなければならなかった。
ＣＭＡＣを用いた入出力関係推定装置は顆粒細胞の分割
数はユーザによって設定されるか、あるいは一定に固定
されており、異なった入出力データが入力された場合に
は、精度が良い推定値を出力するＣＭＡＣの構造が保証
されないでいた。そのため、ユーザは推定精度が悪い出
力推定値を用いなければならなかった。
【００３５】本発明は、従来のこのような課題に鑑み、
異なる入出力データが入力されても自動的に推定精度が
良くなるように顆粒細胞の分割数を決定する入出力関係
推定装置を提供することを目的とする。
異なる入出力データが入力されても自動的に推定精度が
良くなるように顆粒細胞の分割数を決定する入出力関係
推定装置を提供することを目的とする。
【００３６】
【課題を解決するための手段】請求項１の本発明では、
センサーからの情報やユーザの情報を入力するための入
力手段と、入力手段から得られる入力データと出力デー
タとの関係を構成する小脳モデル学習手段と、小脳モデ
ル学習手段の構成要素である顆粒細胞値を格納する記憶
手段と、小脳モデル学習手段のパラメータである顆粒細
胞の分割数を等分割により決定する分割数決定手段と、
出力データに対する小脳モデル学習手段で決定した推定
値の類似度を評価する評価手段と、評価手段での評価値
と小脳モデル学習手段での結果、および出力データを表
示する出力手段とを具備することを特徴とする入出力関
係推定装置である。
センサーからの情報やユーザの情報を入力するための入
力手段と、入力手段から得られる入力データと出力デー
タとの関係を構成する小脳モデル学習手段と、小脳モデ
ル学習手段の構成要素である顆粒細胞値を格納する記憶
手段と、小脳モデル学習手段のパラメータである顆粒細
胞の分割数を等分割により決定する分割数決定手段と、
出力データに対する小脳モデル学習手段で決定した推定
値の類似度を評価する評価手段と、評価手段での評価値
と小脳モデル学習手段での結果、および出力データを表
示する出力手段とを具備することを特徴とする入出力関
係推定装置である。
【００３７】請求項２の本発明では、センサーからの情
報やユーザの情報を入力するための入力手段と、入力手
段から得られる入力データと出力データとの関係を構成
する小脳モデル学習手段と、小脳モデル学習手段の構成
要素である顆粒細胞値を格納する記憶手段と、小脳モデ
ル学習手段のパラメータである顆粒細胞の分割数を格納
する分割数格納手段と、分割数格納手段での分割数を二
分割法により決定する二分割決定手段と、出力データに
対する小脳モデル学習手段で決定した推定値の類似度を
評価する評価手段と、評価手段での評価値と小脳モデル
学習手段での結果、および出力データを表示する出力手
段とを具備することを特徴とする入出力関係推定装置で
ある。
報やユーザの情報を入力するための入力手段と、入力手
段から得られる入力データと出力データとの関係を構成
する小脳モデル学習手段と、小脳モデル学習手段の構成
要素である顆粒細胞値を格納する記憶手段と、小脳モデ
ル学習手段のパラメータである顆粒細胞の分割数を格納
する分割数格納手段と、分割数格納手段での分割数を二
分割法により決定する二分割決定手段と、出力データに
対する小脳モデル学習手段で決定した推定値の類似度を
評価する評価手段と、評価手段での評価値と小脳モデル
学習手段での結果、および出力データを表示する出力手
段とを具備することを特徴とする入出力関係推定装置で
ある。
【００３８】請求項３の本発明では、センサーからの情
報やユーザの情報を入力するための入力手段と、入力手
段から得られる入力データと出力データとの関係を構成
する小脳モデル学習手段と、小脳モデル学習手段の構成
要素である顆粒細胞値を格納する記憶手段と、小脳モデ
ル学習手段のパラメータである顆粒細胞の分割数を格納
する分割数格納手段と、遺伝アルゴリズムにより分割数
格納手段での分割数を決定する遺伝アルゴリズム実行手
段と、遺伝アルゴリズム実行手段でのパラメータを記憶
するパラメータ記憶手段と、出力データに対する小脳モ
デル学習手段で決定した推定値の類似度を評価する評価
手段と、評価手段での評価値と小脳モデル学習手段での
結果、および出力データを表示する出力手段とを具備す
ることを特徴とする入出力関係推定装置である。
報やユーザの情報を入力するための入力手段と、入力手
段から得られる入力データと出力データとの関係を構成
する小脳モデル学習手段と、小脳モデル学習手段の構成
要素である顆粒細胞値を格納する記憶手段と、小脳モデ
ル学習手段のパラメータである顆粒細胞の分割数を格納
する分割数格納手段と、遺伝アルゴリズムにより分割数
格納手段での分割数を決定する遺伝アルゴリズム実行手
段と、遺伝アルゴリズム実行手段でのパラメータを記憶
するパラメータ記憶手段と、出力データに対する小脳モ
デル学習手段で決定した推定値の類似度を評価する評価
手段と、評価手段での評価値と小脳モデル学習手段での
結果、および出力データを表示する出力手段とを具備す
ることを特徴とする入出力関係推定装置である。
【００３９】請求項４の本発明では、センサーからの情
報やユーザの情報を入力するための入力手段と、入力手
段から得られる入力データと出力データとの関係を構成
する小脳モデル学習手段と、小脳モデル学習手段の構成
要素である顆粒細胞値を格納する記憶手段と、小脳モデ
ル学習手段のパラメータである顆粒細胞の分割数を格納
する分割数格納手段と、ユーザにより顆粒細胞の分割箇
所を設定する分割設定入力手段と、分割設定入力手段か
らの分割設定の箇所を考慮しながら遺伝アルゴリズムに
より分割数格納手段での分割数を決定する遺伝アルゴリ
ズム実行手段と、遺伝アルゴリズム実行手段でのパラメ
ータを記憶するパラメータ記憶手段と、出力データに対
する小脳モデル学習手段で決定した推定値の類似度を評
価する評価手段と、評価手段での評価値と小脳モデル学
習手段での結果、および出力データを表示する出力手段
とを具備することを特徴とする入出力関係推定装置であ
る。
報やユーザの情報を入力するための入力手段と、入力手
段から得られる入力データと出力データとの関係を構成
する小脳モデル学習手段と、小脳モデル学習手段の構成
要素である顆粒細胞値を格納する記憶手段と、小脳モデ
ル学習手段のパラメータである顆粒細胞の分割数を格納
する分割数格納手段と、ユーザにより顆粒細胞の分割箇
所を設定する分割設定入力手段と、分割設定入力手段か
らの分割設定の箇所を考慮しながら遺伝アルゴリズムに
より分割数格納手段での分割数を決定する遺伝アルゴリ
ズム実行手段と、遺伝アルゴリズム実行手段でのパラメ
ータを記憶するパラメータ記憶手段と、出力データに対
する小脳モデル学習手段で決定した推定値の類似度を評
価する評価手段と、評価手段での評価値と小脳モデル学
習手段での結果、および出力データを表示する出力手段
とを具備することを特徴とする入出力関係推定装置であ
る。
【００４０】
【作用】本発明では、小脳モデル学習手段のパラメータ
である顆粒細胞の分割数を決定する場合、請求項１の本
発明では、等分割により決定する。請求項２の本発明で
は、二分割法により決定する。請求項３の本発明では、
遺伝アルゴリズムにより分割数を決める。また、請求項
４の本発明では、ユーザにより設定された顆粒細胞の分
割箇所を考慮しながら遺伝アルゴリズムにより分割数を
決定する。これらによって、ＣＭＡＣの学習機能を用い
て、入出力関係を同定し、ＣＭＡＣのパラメータを種々
の探索法で決定し、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出力量を提供できる。
である顆粒細胞の分割数を決定する場合、請求項１の本
発明では、等分割により決定する。請求項２の本発明で
は、二分割法により決定する。請求項３の本発明では、
遺伝アルゴリズムにより分割数を決める。また、請求項
４の本発明では、ユーザにより設定された顆粒細胞の分
割箇所を考慮しながら遺伝アルゴリズムにより分割数を
決定する。これらによって、ＣＭＡＣの学習機能を用い
て、入出力関係を同定し、ＣＭＡＣのパラメータを種々
の探索法で決定し、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出力量を提供できる。
【００４１】
【実施例】以下、本発明の実施例について図面を参照し
て説明する。
て説明する。
【００４２】図１は請求項１記載の本発明（以下第１の
発明という）の入出力関係推定装置の一実施例の構成図
である。図１において、入力部１１はセンサーからの情
報やユーザの情報を入力するための手段、小脳モデル学
習部１２は前記入力部１１から得られる入力データと出
力データとの関係を構成する手段、記憶部１３は前記小
脳モデル学習部１２の構成要素である顆粒細胞値を格納
する手段、分割数決定部１４は前記小脳モデル学習部１
２のパラメータである顆粒細胞の分割数を等分割により
決定する手段、評価部１５は出力データに対する小脳モ
デル学習部１２で決定した推定値の類似度を評価する手
段、出力部１６は前記評価部１５での評価値と小脳モデ
ル学習部１２での結果、および出力データを表示する手
段である。
発明という）の入出力関係推定装置の一実施例の構成図
である。図１において、入力部１１はセンサーからの情
報やユーザの情報を入力するための手段、小脳モデル学
習部１２は前記入力部１１から得られる入力データと出
力データとの関係を構成する手段、記憶部１３は前記小
脳モデル学習部１２の構成要素である顆粒細胞値を格納
する手段、分割数決定部１４は前記小脳モデル学習部１
２のパラメータである顆粒細胞の分割数を等分割により
決定する手段、評価部１５は出力データに対する小脳モ
デル学習部１２で決定した推定値の類似度を評価する手
段、出力部１６は前記評価部１５での評価値と小脳モデ
ル学習部１２での結果、および出力データを表示する手
段である。
【００４３】次に、第１の発明の入出力関係推定装置に
ついて、その動作を説明する。 ［ステップ １］観測値 y と入力変数 xj, j=1,2, …
,n を定め、入力部１１からセンサー入出力データ、あ
るいはユーザによる入出力データを入力する。この時の
全データ数を N 個とする。ここでは、入出力データを
(xi,yi), i=1,2, … ,N と表す。 ［ステップ ２］小脳モデル学習部１２において、入出
力データ (xi,yi) の入出力関係を推定する。ただし、
この場合の顆粒細胞の層数 m は、ユーザにより入力部
１１から記憶部１３に蓄積された層数を用いる。また、
各層での顆粒細胞の分割数は分割数決定部１４で決定さ
れる。最適な分割数を探索するために、分割数の初期値
をとりあえず１個としておく。
ついて、その動作を説明する。 ［ステップ １］観測値 y と入力変数 xj, j=1,2, …
,n を定め、入力部１１からセンサー入出力データ、あ
るいはユーザによる入出力データを入力する。この時の
全データ数を N 個とする。ここでは、入出力データを
(xi,yi), i=1,2, … ,N と表す。 ［ステップ ２］小脳モデル学習部１２において、入出
力データ (xi,yi) の入出力関係を推定する。ただし、
この場合の顆粒細胞の層数 m は、ユーザにより入力部
１１から記憶部１３に蓄積された層数を用いる。また、
各層での顆粒細胞の分割数は分割数決定部１４で決定さ
れる。最適な分割数を探索するために、分割数の初期値
をとりあえず１個としておく。
【００４４】いま、顆粒細胞の分割数を p で表す。し
たがって、初期値では p=1 となる。第 p 個に分割され
た顆粒細胞を持つＣＭＡＣにおいて、上記(数３),(数
４)により N 個のデータを用いて学習する。学習の際に
用いる各顆粒細胞値は記憶部１３に随時、記憶する。学
習が終了した結果のＣＭＡＣの推定値を eyip で表す。
すなわち、
たがって、初期値では p=1 となる。第 p 個に分割され
た顆粒細胞を持つＣＭＡＣにおいて、上記(数３),(数
４)により N 個のデータを用いて学習する。学習の際に
用いる各顆粒細胞値は記憶部１３に随時、記憶する。学
習が終了した結果のＣＭＡＣの推定値を eyip で表す。
すなわち、
【００４５】
【数１１】
【００４６】である。 ［ステップ ３］評価部１５で、推定値 eyip の出力値
y に対する精度Ｅpを次式を用いて計算する。
y に対する精度Ｅpを次式を用いて計算する。
【００４７】
【数１２】
【００４８】［ステップ ４］分割数決定部１４におい
て、ＣＭＡＣの顆粒細胞の分割位置を変更するため、p=
p+1 として、p 分割から、p+1 分割にする。ここでは、
顆粒細胞を等分割に分割することを考える。いま、各層
での顆粒細胞の入力変数の最大値と最小値をそれぞれ、
ximax k, ximin k として、第 k 層目の顆粒細胞の分割位
置を xih k, h=1,2,・・・,p とすると、分割位置は次の式
によって計算できる。
て、ＣＭＡＣの顆粒細胞の分割位置を変更するため、p=
p+1 として、p 分割から、p+1 分割にする。ここでは、
顆粒細胞を等分割に分割することを考える。いま、各層
での顆粒細胞の入力変数の最大値と最小値をそれぞれ、
ximax k, ximin k として、第 k 層目の顆粒細胞の分割位
置を xih k, h=1,2,・・・,p とすると、分割位置は次の式
によって計算できる。
【００４９】
【数１３】
【００５０】ただし、xi0 k=ximin k, xip k=ximax k であ
る。 ［ステップ ５］評価部１５において、精度Ｅpがよく
なるまで、分割数決定部１４の分割を繰り返し、次式が
満足された場合に一連の操作を停止する。
る。 ［ステップ ５］評価部１５において、精度Ｅpがよく
なるまで、分割数決定部１４の分割を繰り返し、次式が
満足された場合に一連の操作を停止する。
【００５１】
【数１４】
【００５２】［ステップ ６］一連の操作が停止した場
合に、与えられた入出力データ、ＣＭＡＣの推定出力
値、精度、各層の顆粒細胞値、入出力関係図等の評価結
果を出力部１６により出力する。
合に、与えられた入出力データ、ＣＭＡＣの推定出力
値、精度、各層の顆粒細胞値、入出力関係図等の評価結
果を出力部１６により出力する。
【００５３】上記の装置により得られた２入力の場合の
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図７に示す。
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図７に示す。
【００５４】以上のような構成を用いて、まず、初期値
の分割数で分割された顆粒細胞によるＣＭＡＣを用いて
入出力関係が得られ、同時に、精度を用いてその評価が
なされる。ここでは、精度が改善されるように顆粒細胞
の分割を等分割に分割していく。最終的には最適な分割
数を持つＣＭＡＣが構成され、このＣＭＡＣによる入出
力関係が得られる。ＣＭＡＣの顆粒細胞が自動的に分割
され、その分割数が決定されるので、従来の試行錯誤に
よるＣＭＡＣの構築時間が短縮されるばかりでなく、出
力と推定値との精度も向上される。
の分割数で分割された顆粒細胞によるＣＭＡＣを用いて
入出力関係が得られ、同時に、精度を用いてその評価が
なされる。ここでは、精度が改善されるように顆粒細胞
の分割を等分割に分割していく。最終的には最適な分割
数を持つＣＭＡＣが構成され、このＣＭＡＣによる入出
力関係が得られる。ＣＭＡＣの顆粒細胞が自動的に分割
され、その分割数が決定されるので、従来の試行錯誤に
よるＣＭＡＣの構築時間が短縮されるばかりでなく、出
力と推定値との精度も向上される。
【００５５】次に、請求項２記載の本発明（以後第２の
発明という）の入出力関係推定装置の一実施例を説明す
る。図２は、その構成を示すものであって、入力部２１
はセンサーからの情報やユーザの情報を入力するための
手段、小脳モデル学習部２２は前記入力部２１から得ら
れる入力データと出力データとの関係を構成する手段、
記憶部２３は前記小脳モデル学習部２２の構成要素であ
る顆粒細胞値を格納する手段、分割数格納部２４は前記
小脳モデル学習部２２のパラメータである顆粒細胞の分
割数を格納する手段、二分割決定部２５は前記分割数格
納部２４での分割数を二分割法により決定するための手
段、評価部２６は出力データに対する小脳モデル学習部
２２で決定した推定値の類似度を評価する手段、出力部
２７は前記評価部２６での評価値と小脳モデル学習部２
２での結果、および出力データを表示する手段である。
発明という）の入出力関係推定装置の一実施例を説明す
る。図２は、その構成を示すものであって、入力部２１
はセンサーからの情報やユーザの情報を入力するための
手段、小脳モデル学習部２２は前記入力部２１から得ら
れる入力データと出力データとの関係を構成する手段、
記憶部２３は前記小脳モデル学習部２２の構成要素であ
る顆粒細胞値を格納する手段、分割数格納部２４は前記
小脳モデル学習部２２のパラメータである顆粒細胞の分
割数を格納する手段、二分割決定部２５は前記分割数格
納部２４での分割数を二分割法により決定するための手
段、評価部２６は出力データに対する小脳モデル学習部
２２で決定した推定値の類似度を評価する手段、出力部
２７は前記評価部２６での評価値と小脳モデル学習部２
２での結果、および出力データを表示する手段である。
【００５６】次に、この第２の発明の入出力関係推定装
置について、その動作を説明する。
置について、その動作を説明する。
【００５７】第１の発明におけるステップ１、２、３及
び５、６は、そのまま第２の発明のステップと同じなの
で、ここでの説明は省略する。ステップ４のみ異なるの
でそれを説明する。 ［ステップ ４］分割数格納部２４に蓄積されている顆
粒細胞の分割位置を変更するため、p=p+1 として、p 分
割から、p+1 分割にする。ここでは、二分割決定部２５
により顆粒細胞を二分割法により分割することを考え
る。いま、各層での顆粒細胞の入力変数の第 h 分割目
を区間 [xihS k, xihL k], h=1,2,・・・,p と表す。二分割
法とは、(数１２) の精度Ｅpの値が小さくなるように、
第h 分割目の区間を二分割する方法をいう。第 ho 分割
目が二分割された場合の顆粒細胞の分割位置をxih'k,
h'=1,2,・・・,ho,・・・,p+1 とすると、分割位置は次の式に
よって得られる。
び５、６は、そのまま第２の発明のステップと同じなの
で、ここでの説明は省略する。ステップ４のみ異なるの
でそれを説明する。 ［ステップ ４］分割数格納部２４に蓄積されている顆
粒細胞の分割位置を変更するため、p=p+1 として、p 分
割から、p+1 分割にする。ここでは、二分割決定部２５
により顆粒細胞を二分割法により分割することを考え
る。いま、各層での顆粒細胞の入力変数の第 h 分割目
を区間 [xihS k, xihL k], h=1,2,・・・,p と表す。二分割
法とは、(数１２) の精度Ｅpの値が小さくなるように、
第h 分割目の区間を二分割する方法をいう。第 ho 分割
目が二分割された場合の顆粒細胞の分割位置をxih'k,
h'=1,2,・・・,ho,・・・,p+1 とすると、分割位置は次の式に
よって得られる。
【００５８】
【数１５】
【００５９】上記の装置により得られた２入力の場合の
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図８に示す。
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図８に示す。
【００６０】以上のような構成を用いて、まず、初期値
の分割数で分割された顆粒細胞によるＣＭＡＣを用いて
入出力関係が得られ、同時に、精度を用いてその評価が
なされる。ここでは、精度が改善されるように顆粒細胞
を二分割法により分割している。最終的には最適な分割
数を持つＣＭＡＣが構成され、このＣＭＡＣによる入出
力関係が得られる。ＣＭＡＣの顆粒細胞が自動的に分割
され、その分割数が決定されるので、従来の試行錯誤に
よるＣＭＡＣの構築時間が短縮されるばかりでなく、出
力と推定値との精度も向上される。
の分割数で分割された顆粒細胞によるＣＭＡＣを用いて
入出力関係が得られ、同時に、精度を用いてその評価が
なされる。ここでは、精度が改善されるように顆粒細胞
を二分割法により分割している。最終的には最適な分割
数を持つＣＭＡＣが構成され、このＣＭＡＣによる入出
力関係が得られる。ＣＭＡＣの顆粒細胞が自動的に分割
され、その分割数が決定されるので、従来の試行錯誤に
よるＣＭＡＣの構築時間が短縮されるばかりでなく、出
力と推定値との精度も向上される。
【００６１】次に、請求項３記載の本発明（以後第３の
発明という）の入出力関係推定装置の実施例を図面を用
いて説明する。
発明という）の入出力関係推定装置の実施例を図面を用
いて説明する。
【００６２】図３はその構成を示す図であって、入力部
３１はセンサーからの情報やユーザの情報を入力するた
めの手段、小脳モデル学習部３２は前記入力部３１から
得られる入力データと出力データとの関係を構成する手
段、記憶部３３は前記小脳モデル学習部３２の構成要素
である顆粒細胞値を格納する手段、分割数格納部３４は
前記小脳モデル学習部３２のパラメータである顆粒細胞
の分割数を格納する手段、遺伝アルゴリズム実行部３５
は遺伝アルゴリズムにより前記分割数格納部３４での分
割数を決定する手段、パラメータ記憶部３６は前記遺伝
アルゴリズム実行部３５でのパラメータを記憶する手
段、評価部３７は出力データに対する小脳モデル学習部
３２で決定した推定値の類似度を評価する手段、出力部
３８は前記評価部３７での評価値と小脳モデル学習部３
２での結果、および出力データを表示する手段である。
３１はセンサーからの情報やユーザの情報を入力するた
めの手段、小脳モデル学習部３２は前記入力部３１から
得られる入力データと出力データとの関係を構成する手
段、記憶部３３は前記小脳モデル学習部３２の構成要素
である顆粒細胞値を格納する手段、分割数格納部３４は
前記小脳モデル学習部３２のパラメータである顆粒細胞
の分割数を格納する手段、遺伝アルゴリズム実行部３５
は遺伝アルゴリズムにより前記分割数格納部３４での分
割数を決定する手段、パラメータ記憶部３６は前記遺伝
アルゴリズム実行部３５でのパラメータを記憶する手
段、評価部３７は出力データに対する小脳モデル学習部
３２で決定した推定値の類似度を評価する手段、出力部
３８は前記評価部３７での評価値と小脳モデル学習部３
２での結果、および出力データを表示する手段である。
【００６３】次に、第３の発明の入出力関係推定装置に
ついて、その動作を説明する。
ついて、その動作を説明する。
【００６４】第３の発明では遺伝アルゴリズムを用いて
ＣＭＡＣの顆粒細胞の分割位置を決定している。遺伝ア
ルゴリズム(Genetic Algorithm)とは1975年にホランド
（J.H.Holland(Adaptation in Natural and Artificial
Systems, Ann Arbon, The Univ. of Michigan Pres
s)）が提案したアルゴリズムである。以下に、その遺伝
アルゴリズムの概略について説明する。この概略は須貝
康雄、平田廣則(組合せ最適化アルゴリズムとその応
用、計測と制御、Vol.29, No.12, pp.1084-1091 (199
0))を参考にした。
ＣＭＡＣの顆粒細胞の分割位置を決定している。遺伝ア
ルゴリズム(Genetic Algorithm)とは1975年にホランド
（J.H.Holland(Adaptation in Natural and Artificial
Systems, Ann Arbon, The Univ. of Michigan Pres
s)）が提案したアルゴリズムである。以下に、その遺伝
アルゴリズムの概略について説明する。この概略は須貝
康雄、平田廣則(組合せ最適化アルゴリズムとその応
用、計測と制御、Vol.29, No.12, pp.1084-1091 (199
0))を参考にした。
【００６５】遺伝アルゴリズムとは生体の遺伝子や染色
体の成長過程を数理モデルに置き換えたものである。生
体が成長を遂げる過程をモデルとして構成することによ
り、最適化問題を解くことができる。遺伝アルゴリズム
では、最適化問題における関数Ｅ(x)を最小化する問題
を考える代わりに、適応度v(x)(>0)を最大化する問題を
考える。具体的には、Ｅ(x)に適当な変換を施してv(x)
を定義する。
体の成長過程を数理モデルに置き換えたものである。生
体が成長を遂げる過程をモデルとして構成することによ
り、最適化問題を解くことができる。遺伝アルゴリズム
では、最適化問題における関数Ｅ(x)を最小化する問題
を考える代わりに、適応度v(x)(>0)を最大化する問題を
考える。具体的には、Ｅ(x)に適当な変換を施してv(x)
を定義する。
【００６６】いま、n 個の染色体から構成される遺伝子
を M 個考える。この M 個の遺伝子の個体群を X={x1,x
2,…,xM} と表す。xi, i=1,2,…,M の各遺伝子 xi j, j=
1,2,…,n は基本的には{0,1}の２種とする。アルゴリ
ズムは次のように表される。
を M 個考える。この M 個の遺伝子の個体群を X={x1,x
2,…,xM} と表す。xi, i=1,2,…,M の各遺伝子 xi j, j=
1,2,…,n は基本的には{0,1}の２種とする。アルゴリ
ズムは次のように表される。
【００６７】１）第０世代(t=0)の個体群X(0)={x1(0),
…,xM(0)}をランダムに選択し、X(0)の中の各 xi(0) に
対して、v(xi(0)) (適応度) を計算する。
…,xM(0)}をランダムに選択し、X(0)の中の各 xi(0) に
対して、v(xi(0)) (適応度) を計算する。
【００６８】２）X(t) 中の各 xi(0) に対して、つぎの
選択確率 Pi s(t) を計算する。
選択確率 Pi s(t) を計算する。
【００６９】
【数１６】
【００７０】３）X(t) 中から２個体 xi(t) と xj(t)
をそれぞれ選択確率 Pi s(t), Pj s(t)に従い選択する。
をそれぞれ選択確率 Pi s(t), Pj s(t)に従い選択する。
【００７１】(1) ２個体に対し、ある確率 Pc で cross
over(交配)を適用し、生じる２つの子孫の中から１つを
ランダムに選び、それを xk(t) とする。
over(交配)を適用し、生じる２つの子孫の中から１つを
ランダムに選び、それを xk(t) とする。
【００７２】(2) ある確率 Pi で inversion(逆転) を
xk(t) に適用し、それを新たなxk(t) とする。
xk(t) に適用し、それを新たなxk(t) とする。
【００７３】(3) ある確率 Pm で xk(t) の各要素に mu
tation(突然変異) を適用し、それを再び xk(t) とす
る。
tation(突然変異) を適用し、それを再び xk(t) とす
る。
【００７４】４）X(t) 中からある個体を 1/M の等確率
で選択し、それと xk(t) を入れ換える。
で選択し、それと xk(t) を入れ換える。
【００７５】５）v(xk(t)) を計算する。
【００７６】６）終了条件が満たされるまで世代 t を
t=t+1 として、２）から５）までを繰り返す。
t=t+1 として、２）から５）までを繰り返す。
【００７７】次に、第３の発明の入出力関係推定装置に
ついて、その動作を説明する。 ［ステップ １］観測値 y と入力変数 xj, j=1,2, …
,n を定める。入力部３１からセンサー入出力データ、
あるいはユーザによる入出力データを入力する。このと
きの全データ数を N 個とする。ここでは、入出力デー
タを (xi1,…,xin,yi), i=1,2,… ,N と表す。 ［ステップ ２］分割数格納部３４に蓄積されている顆
粒細胞の分割位置を変更するため、遺伝アルゴリズム実
行部３５の遺伝アルゴリズムにより顆粒細胞を最適に分
割することを考える。いま、第 k 層での顆粒細胞の入
力変数の第 h 分割目の位置をxih k, h=1,2,・・・,q と表
す。ただし、分割数 q はその入力変数の軸が分割でき
る最大の数と仮定している。
ついて、その動作を説明する。 ［ステップ １］観測値 y と入力変数 xj, j=1,2, …
,n を定める。入力部３１からセンサー入出力データ、
あるいはユーザによる入出力データを入力する。このと
きの全データ数を N 個とする。ここでは、入出力デー
タを (xi1,…,xin,yi), i=1,2,… ,N と表す。 ［ステップ ２］分割数格納部３４に蓄積されている顆
粒細胞の分割位置を変更するため、遺伝アルゴリズム実
行部３５の遺伝アルゴリズムにより顆粒細胞を最適に分
割することを考える。いま、第 k 層での顆粒細胞の入
力変数の第 h 分割目の位置をxih k, h=1,2,・・・,q と表
す。ただし、分割数 q はその入力変数の軸が分割でき
る最大の数と仮定している。
【００７８】いま、位置 xih k で顆粒細胞を分割する場
合には値 1 をとり、分割しない場合には値 0 をとる関
数 g を次のように定義する。
合には値 1 をとり、分割しない場合には値 0 をとる関
数 g を次のように定義する。
【００７９】
【数１７】
【００８０】上記の関数 g を用いて各顆粒細胞は、入
力変数 xi k の軸の最大分割数 q のうち、g(xih k)=1 と
なる分割位置で分割されていることがわかる。本発明で
は、この関数 g の値を各染色体とみなし、関数 g の値
からなる個体群 G={g(xi1 k),…,g(xiq k)} を遺伝子とし
て、各入力変数 xi k での分割位置に対応させている。 ［ステップ ３］第０世代(t=0)の個体群 G(0)={g(xi1 k
(0)),…,g(xiq k(0))} をランダムに選択し、G(0)の中の
各 g(xih k(0)) に対して、v(g(xih k(0))) (適応度) を
計算する。
力変数 xi k の軸の最大分割数 q のうち、g(xih k)=1 と
なる分割位置で分割されていることがわかる。本発明で
は、この関数 g の値を各染色体とみなし、関数 g の値
からなる個体群 G={g(xi1 k),…,g(xiq k)} を遺伝子とし
て、各入力変数 xi k での分割位置に対応させている。 ［ステップ ３］第０世代(t=0)の個体群 G(0)={g(xi1 k
(0)),…,g(xiq k(0))} をランダムに選択し、G(0)の中の
各 g(xih k(0)) に対して、v(g(xih k(0))) (適応度) を
計算する。
【００８１】ここでは、適応度 v(g(xih k(t))) を次の
ように定義する。
ように定義する。
【００８２】
【数１８】
【００８３】ただし、eyi(t) は入力データに対するＣ
ＭＡＣの推定値である。この推定値eyi(t) は小脳モデ
ル学習部３２において次式から得られる。
ＭＡＣの推定値である。この推定値eyi(t) は小脳モデ
ル学習部３２において次式から得られる。
【００８４】
【数１９】
【００８５】ただし、この場合の顆粒細胞の層数 m
は、ユーザにより入力部３１から記憶部３３に蓄積され
た層数を用いる。 ［ステップ ４］遺伝アルゴリズムの世代を t+1=t と
して、パラメータ記憶部３６に蓄積されている染色体、
遺伝子、選択確率等の遺伝アルゴリズムのパラメータを
用いて、遺伝アルゴリズム実行部３５により (数１７)
の位置 xih k が (数１８) が最大となるように求める。 ［ステップ ５］遺伝アルゴリズムにより (数１７) の
位置 xih k が確定されると、与えられた入出力データ、
ＣＭＡＣの推定出力値、適応度、各層の顆粒細胞値、入
出力関係図等の評価結果を出力部３６により出力する。
は、ユーザにより入力部３１から記憶部３３に蓄積され
た層数を用いる。 ［ステップ ４］遺伝アルゴリズムの世代を t+1=t と
して、パラメータ記憶部３６に蓄積されている染色体、
遺伝子、選択確率等の遺伝アルゴリズムのパラメータを
用いて、遺伝アルゴリズム実行部３５により (数１７)
の位置 xih k が (数１８) が最大となるように求める。 ［ステップ ５］遺伝アルゴリズムにより (数１７) の
位置 xih k が確定されると、与えられた入出力データ、
ＣＭＡＣの推定出力値、適応度、各層の顆粒細胞値、入
出力関係図等の評価結果を出力部３６により出力する。
【００８６】上記の装置により得られた２入力の場合の
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図９に示す。
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図９に示す。
【００８７】以上のような構成を用いて、遺伝アルゴリ
ズムの適応度が改善されるように顆粒細胞を分割してい
る。最終的には最適な分割数を持つＣＭＡＣが構成さ
れ、このＣＭＡＣによる入出力関係が得られる。ＣＭＡ
Ｃの顆粒細胞が自動的に分割され、その分割数が決定さ
れるので、従来の試行錯誤によるＣＭＡＣの構築時間が
短縮されるばかりでなく、出力と推定値との精度も向上
される。
ズムの適応度が改善されるように顆粒細胞を分割してい
る。最終的には最適な分割数を持つＣＭＡＣが構成さ
れ、このＣＭＡＣによる入出力関係が得られる。ＣＭＡ
Ｃの顆粒細胞が自動的に分割され、その分割数が決定さ
れるので、従来の試行錯誤によるＣＭＡＣの構築時間が
短縮されるばかりでなく、出力と推定値との精度も向上
される。
【００８８】次に、請求項４記載の本発明（以後第４の
発明という）の入出力関係推定装置の実施例を図面を用
いて説明する。図４はその構成図であって、入力部４１
はセンサーからの情報やユーザの情報を入力するための
手段、小脳モデル学習部４２は前記入力部４１から得ら
れる入力データと出力データとの関係を構成する手段、
記憶部４３は前記小脳モデル学習部４２の構成要素であ
る顆粒細胞値を格納する手段、分割数格納部４４は前記
小脳モデル学習部４２のパラメータである顆粒細胞の分
割数を格納する手段、分割設定入力部４５はユーザによ
り顆粒細胞の分割箇所を設定する手段、遺伝アルゴリズ
ム実行部４６は前記分割設定入力部からの分割設定の箇
所を考慮しながら遺伝アルゴリズムにより前記分割数格
納部での分割数を決定する手段、パラメータ記憶部４７
は前記遺伝アルゴリズム実行部４６でのパラメータを記
憶する手段、評価部４８は出力データに対する小脳モデ
ル学習部４６で決定した推定値の類似度を評価する手
段、手段４９は前記評価部４８での評価値と小脳モデル
学習部４６での結果、および出力データを表示する手段
である。
発明という）の入出力関係推定装置の実施例を図面を用
いて説明する。図４はその構成図であって、入力部４１
はセンサーからの情報やユーザの情報を入力するための
手段、小脳モデル学習部４２は前記入力部４１から得ら
れる入力データと出力データとの関係を構成する手段、
記憶部４３は前記小脳モデル学習部４２の構成要素であ
る顆粒細胞値を格納する手段、分割数格納部４４は前記
小脳モデル学習部４２のパラメータである顆粒細胞の分
割数を格納する手段、分割設定入力部４５はユーザによ
り顆粒細胞の分割箇所を設定する手段、遺伝アルゴリズ
ム実行部４６は前記分割設定入力部からの分割設定の箇
所を考慮しながら遺伝アルゴリズムにより前記分割数格
納部での分割数を決定する手段、パラメータ記憶部４７
は前記遺伝アルゴリズム実行部４６でのパラメータを記
憶する手段、評価部４８は出力データに対する小脳モデ
ル学習部４６で決定した推定値の類似度を評価する手
段、手段４９は前記評価部４８での評価値と小脳モデル
学習部４６での結果、および出力データを表示する手段
である。
【００８９】次に、第４の発明の入出力関係推定装置に
ついて、その動作を説明する。
ついて、その動作を説明する。
【００９０】第４の発明のステップ１、及び３、４、５
は第３の発明のそれらと動作が同じなので、ここでの説
明は省略する。ステップ２のみ異なるのでそれを説明す
る。 ［ステップ ２］分割数格納部４４に蓄積されている顆
粒細胞の分割位置を変更するため、遺伝アルゴリズム実
行部４６の遺伝アルゴリズムとユーザからの指定分割位
置により顆粒細胞を最適に分割することを考える。い
ま、第 k 層での顆粒細胞の入力変数の第 h 分割目の位
置を xih k, h=1,2,・・・,q と表す。ただし、分割数 q は
その入力変数の軸が分割できる最大の数と仮定してい
る。
は第３の発明のそれらと動作が同じなので、ここでの説
明は省略する。ステップ２のみ異なるのでそれを説明す
る。 ［ステップ ２］分割数格納部４４に蓄積されている顆
粒細胞の分割位置を変更するため、遺伝アルゴリズム実
行部４６の遺伝アルゴリズムとユーザからの指定分割位
置により顆粒細胞を最適に分割することを考える。い
ま、第 k 層での顆粒細胞の入力変数の第 h 分割目の位
置を xih k, h=1,2,・・・,q と表す。ただし、分割数 q は
その入力変数の軸が分割できる最大の数と仮定してい
る。
【００９１】いま、位置 xih k で顆粒細胞を分割する場
合に、ユーザによる分割指定入力部４５からの分割位置
の指定情報によって、ユーザの指定がある場合には値 1
をとり、指定がない場合には値 0 をとる関数 g を次
のように定義する。
合に、ユーザによる分割指定入力部４５からの分割位置
の指定情報によって、ユーザの指定がある場合には値 1
をとり、指定がない場合には値 0 をとる関数 g を次
のように定義する。
【００９２】
【数２０】
【００９３】ただし、値 u は遺伝アルゴリズムによ
り、位置 xih k で顆粒細胞を分割する場合には値 1 を
とり、分割しない場合には値 0 をとる。この値 u は次
のように定義する。
り、位置 xih k で顆粒細胞を分割する場合には値 1 を
とり、分割しない場合には値 0 をとる。この値 u は次
のように定義する。
【００９４】
【数２１】
【００９５】上記の関数 g を用いて各顆粒細胞は、入
力変数 xi k の軸の最大分割数 q のうち、g(xih k)=1 と
なる分割位置で分割されていることがわかる。
力変数 xi k の軸の最大分割数 q のうち、g(xih k)=1 と
なる分割位置で分割されていることがわかる。
【００９６】上記の装置により得られた２入力の場合の
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図１０に示
す。
ＣＭＡＣの第 k 層目の顆粒細胞の分割位置と全ての顆
粒細胞を重ねた結果の顆粒細胞の分割例を図１０に示
す。
【００９７】以上のような構成を用いて、ユーザからの
分割位置の指定箇所を考慮しながら、遺伝アルゴリズム
の適応度が改善されるように顆粒細胞を分割している。
最終的には最適な分割数を持つＣＭＡＣが構成され、こ
のＣＭＡＣによる入出力関係が得られる。ＣＭＡＣの顆
粒細胞が自動的に分割され、その分割数が決定されるの
で、従来の試行錯誤によるＣＭＡＣの構築時間が短縮さ
れるばかりでなく、出力と推定値との精度も向上され
る。
分割位置の指定箇所を考慮しながら、遺伝アルゴリズム
の適応度が改善されるように顆粒細胞を分割している。
最終的には最適な分割数を持つＣＭＡＣが構成され、こ
のＣＭＡＣによる入出力関係が得られる。ＣＭＡＣの顆
粒細胞が自動的に分割され、その分割数が決定されるの
で、従来の試行錯誤によるＣＭＡＣの構築時間が短縮さ
れるばかりでなく、出力と推定値との精度も向上され
る。
【００９８】なお、第１から第４の発明では顆粒細胞の
分割位置を決定するために、等分割法、二分割法、遺伝
アルゴリズムを用いたが、他の探索手法を用いてもよい
（請求項６の本発明）。
分割位置を決定するために、等分割法、二分割法、遺伝
アルゴリズムを用いたが、他の探索手法を用いてもよい
（請求項６の本発明）。
【００９９】また、第４の発明ではユーザの顆粒細胞の
分割位置に対する設定のみを考慮したが、センサー入力
等の外部からの入力により、分割位置をあらかじめ設定
してもよい。
分割位置に対する設定のみを考慮したが、センサー入力
等の外部からの入力により、分割位置をあらかじめ設定
してもよい。
【０１００】また、本発明の各手段は、コンピュータを
利用してソフトウェア的に実現しても、それら機能を有
するハード回路を利用してハードウェア的に実現しても
かまわない。
利用してソフトウェア的に実現しても、それら機能を有
するハード回路を利用してハードウェア的に実現しても
かまわない。
【０１０１】
【発明の効果】以上説明したように、本発明によればＣ
ＭＡＣの学習機能を用いて、入出力関係を同定し、ＣＭ
ＡＣのパラメータを種々の探索法で決定し、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出力
量を提供できる。
ＭＡＣの学習機能を用いて、入出力関係を同定し、ＣＭ
ＡＣのパラメータを種々の探索法で決定し、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出力
量を提供できる。
【図１】第１の発明の一実施例の入出力関係推定装置を
示す図である。
示す図である。
【図２】第２の発明の一実施例の入出力関係推定装置を
示す図である。
示す図である。
【図３】第３の発明の一実施例の入出力関係推定装置を
示す図である。
示す図である。
【図４】第４の発明の一実施例の入出力関係推定装置を
示す図である。
示す図である。
【図５】第１から第４までの本発明のＣＭＡＣの構成図
を示す図である。
を示す図である。
【図６】本発明の一実施例のＣＭＡＣの数値例の結果を
示す図である。
示す図である。
【図７】第１の発明の一実施例の等分割法を用いた顆粒
細胞の分割例を示す図である。
細胞の分割例を示す図である。
【図８】第２の発明の一実施例の二分割法を用いた顆粒
細胞の分割例を示す図である。
細胞の分割例を示す図である。
【図９】第３の発明の一実施例の遺伝アルゴリズムを用
いた顆粒細胞の分割例を示す図である。
いた顆粒細胞の分割例を示す図である。
【図１０】第４の発明の一実施例のユーザの指定分割位
置を考慮できる遺伝アルゴリズムを用いた顆粒細胞の分
割例を示す図である。
置を考慮できる遺伝アルゴリズムを用いた顆粒細胞の分
割例を示す図である。
【図１１】従来例の入出力関係推定装置を示す図であ
る。
る。
１１、２１、３１、４１ 入力部（手段） １２、２３、３３、４３ 記憶部（手段） １３、２２、３２、４２ 小脳モデル学習部（手段） １４ 分割数決定部（手段） １５、２６、３７、４８ 評価部（手段） １６、２７、３８、４９ 出力部（手段） ２４、３４、４４ 分割数格納部（手段） ２５ 二分割決定部（手段） ３５ 遺伝アルゴリズム実行部（手
段） ３６ パラメータ記憶部（手段） ４５ 分割設定入力部（手段） ４６ 遺伝アルゴリズム実行部（手
段） ４７ パラメータ記憶部（手段）
段） ３６ パラメータ記憶部（手段） ４５ 分割設定入力部（手段） ４６ 遺伝アルゴリズム実行部（手
段） ４７ パラメータ記憶部（手段）
Claims (6)
- 【請求項１】センサーからの情報やユーザの情報を入力
するための入力手段と、前記入力手段から得られる入力
データと出力データとの関係を構成する小脳モデル学習
手段と、前記小脳モデル学習手段の構成要素である顆粒
細胞値を格納する記憶手段と、前記小脳モデル学習手段
のパラメータである顆粒細胞の分割数を等分割により決
定する分割数決定手段と、前記出力データに対する小脳
モデル学習手段で決定した推定値の類似度を評価する評
価手段と、前記評価手段での評価値と小脳モデル学習手
段での結果、および出力データを表示する出力手段とを
具備することを特徴とする入出力関係推定装置。 - 【請求項２】センサーからの情報やユーザの情報を入力
するための入力手段と、前記入力手段から得られる入力
データと出力データとの関係を構成する小脳モデル学習
手段と、前記小脳モデル学習手段の構成要素である顆粒
細胞値を格納する記憶手段と、前記小脳モデル学習手段
のパラメータである顆粒細胞の分割数を格納する分割数
格納手段と、前記分割数格納手段での分割数を二分割法
により決定する二分割決定手段と、前記出力データに対
する小脳モデル学習手段で決定した推定値の類似度を評
価する評価手段と、前記評価手段での評価値と小脳モデ
ル学習手段での結果、および出力データを表示する出力
手段とを具備することを特徴とする入出力関係推定装
置。 - 【請求項３】センサーからの情報やユーザの情報を入力
するための入力手段と、前記入力手段から得られる入力
データと出力データとの関係を構成する小脳モデル学習
手段と、前記小脳モデル学習手段の構成要素である顆粒
細胞値を格納する記憶手段と、前記小脳モデル学習手段
のパラメータである顆粒細胞の分割数を格納する分割数
格納手段と、遺伝アルゴリズムにより前記分割数格納手
段での分割数を決定する遺伝アルゴリズム実行手段と、
前記遺伝アルゴリズム実行手段でのパラメータを記憶す
るパラメータ記憶手段と、前記出力データに対する小脳
モデル学習手段で決定した推定値の類似度を評価する評
価手段と、前記評価手段での評価値と小脳モデル学習手
段での結果、および出力データを表示する出力手段とを
具備することを特徴とする入出力関係推定装置。 - 【請求項４】センサーからの情報やユーザの情報を入力
するための入力手段と、前記入力手段から得られる入力
データと出力データとの関係を構成する小脳モデル学習
手段と、前記小脳モデル学習手段の構成要素である顆粒
細胞値を格納する記憶手段と、前記小脳モデル学習手段
のパラメータである顆粒細胞の分割数を格納する分割数
格納手段と、ユーザにより顆粒細胞の分割箇所を設定す
る分割設定入力手段と、前記分割設定入力手段からの分
割設定の箇所を考慮しながら遺伝アルゴリズムにより前
記分割数格納手段での分割数を決定する遺伝アルゴリズ
ム実行手段と、前記遺伝アルゴリズム実行手段でのパラ
メータを記憶するパラメータ記憶手段と、前記出力デー
タに対する小脳モデル学習手段で決定した推定値の類似
度を評価する評価手段と、前記評価手段での評価値と小
脳モデル学習手段での結果、および出力データを表示す
る出力手段とを具備することを特徴とする入出力関係推
定装置。 - 【請求項５】前記分割数を決定する手段は、前記評価手
段の評価結果を利用して決定するものであることを特徴
とする請求項１〜４のいずれかの入出力関係推定装置。 - 【請求項６】センサーからの情報やユーザの情報を入力
するための入力手段と、前記入力手段から得られる入力
データと出力データとの関係を構成する小脳モデル学習
手段と、前記小脳モデル学習手段の構成要素である顆粒
細胞値を格納する記憶手段と、前記出力データに対する
小脳モデル学習手段で決定した推定値の類似度を評価す
る評価手段と、前記小脳モデル学習手段のパラメータで
ある顆粒細胞の分割数を、前記評価手段の評価結果を利
用して得る分割数指示手段と、前記評価手段での評価値
と前記小脳モデル学習手段での結果、および出力データ
を表示する出力手段とを具備することを特徴とする入出
力関係推定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4010354A JPH05204405A (ja) | 1992-01-23 | 1992-01-23 | 入出力関係推定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4010354A JPH05204405A (ja) | 1992-01-23 | 1992-01-23 | 入出力関係推定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05204405A true JPH05204405A (ja) | 1993-08-13 |
Family
ID=11747846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4010354A Pending JPH05204405A (ja) | 1992-01-23 | 1992-01-23 | 入出力関係推定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05204405A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996020438A1 (fr) * | 1994-12-28 | 1996-07-04 | Omron Corporation | Procede et systeme d'inference mettant en ÷uvre un modele hierarchique et procede et systeme de gestion associes |
| US7133855B2 (en) | 2002-04-08 | 2006-11-07 | Honda Giken Kogyo Kabushiki Kaisha | Behavior control apparatus and method |
-
1992
- 1992-01-23 JP JP4010354A patent/JPH05204405A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996020438A1 (fr) * | 1994-12-28 | 1996-07-04 | Omron Corporation | Procede et systeme d'inference mettant en ÷uvre un modele hierarchique et procede et systeme de gestion associes |
| US7133855B2 (en) | 2002-04-08 | 2006-11-07 | Honda Giken Kogyo Kabushiki Kaisha | Behavior control apparatus and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jurgenson et al. | Harnessing reinforcement learning for neural motion planning | |
| Raudenský et al. | Genetic algorithm in solution of inverse heat conduction problems | |
| US8160981B2 (en) | Event-based anticipation systems, methods and computer program products for associative memories wherein times of future events occurring are predicted | |
| Xu et al. | Kernel-based least squares policy iteration for reinforcement learning | |
| US8326792B2 (en) | Adaptive dynamic personal modeling system and method | |
| Oommen | Stochastic searching on the line and its applications to parameter learning in nonlinear optimization | |
| CN106483931A (zh) | 具备菜单的数值控制装置 | |
| Cervellera et al. | Neural network and regression spline value function approximations for stochastic dynamic programming | |
| US6853991B1 (en) | Fuzzy logic system with evolutionary variables rules | |
| US6317730B1 (en) | Method for optimizing a set of fuzzy rules using a computer | |
| Alibekov et al. | Policy derivation methods for critic-only reinforcement learning in continuous spaces | |
| Holicki et al. | Controller design via experimental exploration with robustness guarantees | |
| Ivakhnenko et al. | Inductive sorting-out GMDH algorithms with polynomial complexity for active neurons of neural network | |
| JPH05204405A (ja) | 入出力関係推定装置 | |
| JPH07271748A (ja) | データを正規化する手段を含むニューラル・プロセッサ | |
| Reiter | Optimal Path and Trajectory Planning for Serial Robots | |
| Narendra et al. | Improving the speed of response of learning algorithms using multiple models | |
| CN115796302A (zh) | 电能功率模型训练方法、传输功率获取方法和相关设备 | |
| Kárný et al. | Mixed‐data multi‐modelling for fault detection and isolation | |
| Sóbester et al. | Genetic programming approaches for solving elliptic partial differential equations | |
| CN110853754A (zh) | 一种在非确定性和非完整性条件下的决策支持系统方法 | |
| EP0601898A2 (en) | Adaptive input/output apparatus using selected sample data according to evaluation quantity | |
| Baranyi et al. | Adaptation of SVD-based fuzzy reduction via minimal expansion | |
| Zhao et al. | Fuzzy rule learning during simulation of manufacturing resources | |
| Dong et al. | Towards Generalized Inverse Reinforcement Learning |