JPH05265512A

JPH05265512A - 学習型制御装置およびファジィ推論装置

Info

Publication number: JPH05265512A
Application number: JP4060047A
Authority: JP
Inventors: Akira Maeda; 章前田; Seiju Funabashi; 誠壽船橋; Toshihiko Nakano; 利彦中野
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1992-03-17
Filing date: 1992-03-17
Publication date: 1993-10-15

Abstract

(57)【要約】【目的】学習により制御性能を向上する学習型制御装
置を提供する。【構成】ファジィ制御モデル８０３におけるファジィ
推論の手順を計算ネットワークにより表現し、その計算
ネットワークの出力側から入力側にノードをたどりなが
らパラメータを微小変化させたときの「対象モデル８０
２の出力値ｖ’と望ましい出力値Ｙt の誤差」の変化量
を求め、この変化量に基づいて、前記誤差を小さくする
ようにファジィ制御モデル８０３のパラメータを変化さ
せる。【効果】オンライン的・リアルタイム的な学習が可能
となる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、学習型制御装置および
ファジィ推論装置に関する。さらに詳しくは、学習によ
り精度のよい制御性能を得ることのできる学習型制御装
置および学習によって刻々変化するファジィ知識の状態
を視覚的に理解するのに好適なファジィ推論装置に関す
る。

【０００２】

【従来の技術】ファジィ推論を用いて制御を行うファジ
ィ制御装置において学習によりパラメータの調節を行う
従来技術が、例えば計測自動制御学会論文集第２４巻第
２号（１９８４年）第１９１頁から第１９７頁における
「自己調整ファジィコントローラ」と題する文献（文献
１）に記載されている。また、第６回ファジィシステム
シンポジウム講演論文集（１９９０年）第４２３頁から
第４２６頁における「最急降下法によるファジィ推論の
自動チューニングと障害物回避への応用」と題する文献
（文献２）に記載されている。

【０００３】また、ニューラルネットを用いて制御を行
うニューロ制御装置において学習によりパラメータの調
節を行う従来技術が、例えば計測自動制御学会「計測と
制御」第３０巻第４号（１９９１年）第３０２頁から第
３０８頁における「ニューラルネットワークにおける学
習・適応制御」と題する文献（文献３）に記載されてい
る。また、コントロールシステムズマガジン第１０巻第
３号（１９９０年）の第１８頁から第２３頁（IEEE Con
trol Systems Magazine，Vol.10，No.3，pp.18-23，Ap
r.1990 ）における「自己学習型制御システムのための
ニューラルネット（Neural Networks for Self-Learnin
g Control Systems）」と題する文献（文献４）に記載
されている。

【０００４】一方、ファジィルールやメンバシップ関数
定義などの情報からなるファジィ知識を表示する従来技
術が、例えば日本ファジィ学会誌第２巻第２号（１９９
０年）第１３頁から第２０頁における「エキスパートシ
ステム構築ツールＥＳ／ＫＥＲＮＥＬ／Ｗのファジィ推
論」と題する文献（文献５）に記載されている。

【０００５】

【発明が解決しようとする課題】上記文献１に記載の従
来技術（従来技術１）では、パラメータ調節の対象とな
るのは入力および出力変数のスケーリングファクタと出
力変数に対応した出力メンバシップ関数の形状だけであ
り、入力変数に対応した入力メンバシップ関数の形状は
パラメータ調節の対象となっていない。このため、学習
の効果に限界がある問題点があった。また、パラメータ
をどう調節するかを決定するルールを作成する必要があ
るが、このルールの作成が困難である問題点があった。
上記文献２の従来技術（従来技術２）では、最急降下法
によるパラメータ調節を行うために特殊な形のファジィ
推論法に制限しており、Ｍａｍｄａｎｉの推論法など他
のファジィ推論法には適用できない問題点があった。ま
た、人間による操作を制御の正解値（教師データ）とし
ており、このような教師データが利用できない場合には
適用することができない問題点があった。

【０００６】上記文献３に記載の従来技術（従来技術
３）および文献４に記載の従来技術（従来技術４）で
は、ニューラルネットワークの学習アルゴリズムを用い
てパラメータを調節する。しかし、一般に、ニューラル
ネットワークでは、学習後のニューラルネットワークの
動作について、なぜそのような動作をしたのか理解でき
ず、ブラックボックスとして扱わざるを得ない問題点が
あった。また、予め先験的に分っている知識をニューラ
ルネットワークに反映させるのが難しく、ゼロから学習
するため、学習に要する時間が長くなる問題点があっ
た。

【０００７】上記文献５に記載の従来技術（従来技術
５）では、オフライン的な処理によりファジィ知識の表
示を行うが、オンライン的・リアルタイム的にファジィ
知識の表示を行うことは出来ない。このため、オンライ
ン的・リアルタイム的に学習を行うファジィ制御におい
てファジィ知識を表示するのには適用できない問題点が
あった。

【０００８】そこで、本発明の第１の目的は、入力メン
バシップ関数もパラメータ調節の対象とし、ニューラル
ネットの場合と同様に学習でき、なぜそのような動作を
したのかを解明でき、さらに、学習に要する時間が短い
学習型制御装置を提供することにある。

【０００９】また、本発明の第２の目的は、ファジィ知
識の状態をオンライン的・リアルタイム的に表示するこ
とが出来るファジィ推論装置を提供することにある。

【００１０】

【課題を解決するための手段】第１の観点では、本発明
は、ファジィ推論を用いて制御対象の制御を行うファジ
ィ制御装置において、一つまたは複数個のパラメータを
含むファジィ推論の手順を、一つまたは複数の入力値か
ら所定の手順により出力値を計算する複数個のノード
と，該ノード間の結合関係を表す一つまたは複数個のリ
ンクとからなる計算ネットワークにより表現し、その計
算ネットワークの出力側から入力側にノードをたどりな
がらパラメータを微小変化させたときの「制御対象の出
力値と望ましい出力値の誤差」の変化量を求め、この変
化量に基づいて、前記誤差を小さくするようにファジィ
推論のパラメータを変化させるパラメータ調節手段を具
備したことを特徴とする学習型制御装置を提供する。

【００１１】第２の観点では、本発明は、ファジィ推論
を用いて制御対象の制御を行うファジィ制御装置におい
て、一つまたは複数個のパラメータを含むファジィ推論
の手順を、一つまたは複数の入力値から所定の手順によ
り出力値を計算する複数個のノードと，該ノード間の結
合関係を表す一つまたは複数個のリンクとからなる計算
ネットワークにより表現し、その計算ネットワークの出
力側から入力側にノードをたどりながらパラメータを微
小変化させたときの「外部入力操作量に対する制御対象
の出力を入力されたときのファジィ制御装置の出力と前
記外部入力操作量の誤差」の変化量を求め、この変化量
に基づいて、前記誤差を小さくするようにファジィ推論
のパラメータを変化させるパラメータ調節手段を具備し
たことを特徴とする学習型制御装置を提供する。

【００１２】第３の観点では、本発明は、ファジィ推論
を用いて制御対象の制御を行うファジィ制御装置におい
て、制御対象と並列に設置され、制御対象の振舞いを近
似する対象モデルと、一つまたは複数個のパラメータを
含むファジィ推論の手順を、一つまたは複数の入力値か
ら所定の手順により出力値を計算する複数個のノード
と，該ノード間の結合関係を表す一つまたは複数個のリ
ンクとからなる計算ネットワークにより表現し、その計
算ネットワークの出力側から入力側にノードをたどりな
がらパラメータを微小変化させたときの「対象モデルの
出力値と望ましい出力値の誤差」の変化量を求め、この
変化量に基づいて、前記誤差を小さくするようにファジ
ィ推論のパラメータを変化させるパラメータ調節手段と
を具備したことを特徴とする学習型制御装置を提供す
る。

【００１３】第４の観点では、本発明は、制御対象と並
列に設置され制御対象の振舞いを近似する対象モデルを
有する制御装置において、対象モデルは、ファジィ推論
を用いて制御対象の振舞いを近似するファジィ対象モデ
ルであり、一つまたは複数個のパラメータを含むファジ
ィ推論の手順を、一つまたは複数の入力値から所定の手
順により出力値を計算する複数個のノードと，該ノード
間の結合関係を表す一つまたは複数個のリンクとからな
る計算ネットワークにより表現し、その計算ネットワー
クの出力側から入力側にノードをたどりながらパラメー
タを微小変化させたときの「同一の入力に対する対象モ
デルの出力値と制御対象の出力値の誤差」の変化量を求
め、この変化量に基づいて、前記誤差を小さくするよう
にファジィ推論のパラメータを変化させるパラメータ調
節手段とを具備したことを特徴とする学習型制御装置を
提供する。

【００１４】第５の観点では、本発明は、外部変数およ
び内部変数に基づいて制御量を生成する制御装置におい
て、ある外部変数と内部変数とを与えたときの制御量と
望ましい制御量の誤差を小さくするように内部変数を変
化させる内部変数調節手段を具備したことを特徴とする
学習型制御装置を提供する。

【００１５】第６の観点では、本発明は、一つまたは複
数個のメンバシップ関数を含むファジィ推論装置におい
て、ファジィ推論の出力値と望ましい出力値の誤差を小
さくするようにメンバシップ関数形状を変更するメンバ
シップ関数形状変更手段と、変更されたメンバシップ関
数の一部または全部の形状を表示するメンバシップ関数
形状表示手段とを設けたことを特徴とするファジィ推論
装置を提供する。

【００１６】

【作用】ファジィ推論過程は計算ネットワークに信号を
前向きに流すことで行なうが、このファジィ推論過程を
通じて、計算ネットワークの各ノードの入力と出力の関
係が定まる。一方、推論結果として実際に出力された値
と望ましい出力値の誤差を、計算ネットワークを逆に伝
播させれば、各ノードの誤差が定まる。各ノードの入力
と出力の関係および誤差が定まれば、パラメータを微小
変化させたときの誤差の変化量が定まる。この変化量か
ら、誤差を小さくするためにパラメータをどのように変
化させればよいかが分る。以上により、上記第１の観点
から第４の観点による学習型制御装置では、パラメータ
を自動的に調節するので、制御性能を向上させることが
出来る。また、計算ネットワークを用いるため、学習に
要する時間が少なくて済む。さらに、制御と並行してリ
アルタイム的に学習できるので、制御対象の特性の時間
変化に適応する制御性能を得ることが出来る。

【００１７】上記第５の観点による学習型制御装置で
は、上記と同様に、適応型制御を行う場合の内部変数の
値を、教師データを用いた学習により、自動的に調節す
る。従って、制御性能を向上させることが出来る。

【００１８】上記第６の観点によるファジィ推論装置で
は、パラメータが変更されたメンバシップ関数の形状を
表示するが、メンバシップ関数は人間の知識に近い表現
であるため、これを見ることにより、オペレータは、制
御モデルの現在の特性を直接的に理解しやすい。そこ
で、オペレータは、推論結果の異常や妥当性をより的確
に判断できるようになる。

【００１９】

【実施例】以下、図に示す実施例により本発明を詳細に
説明する。なお、これにより本発明が限定されるもので
はない。

【００２０】−前提説明− 図１から図５により、本発明の前提となる「計算ネット
ワークを用いたファジィ推論パラメータの調節方法」に
ついて説明する。この「計算ネットワークを用いたファ
ジィ推論パラメータの調節方法」については、情報処理
学会マイクロコンピュータとワークステーション研究会
予稿集（９１−ＭＩＣ−６６−５）における「ファジィ
メンバシップ関数の高速学習方法について」と題する文
献に詳細な説明がある。

【００２１】図１は、ファジィ推論パラメータの調節の
全体構成図である。ファジィ推論機構１０１は、入力ｘ
＝（x₁，x₂，…，x_n）から出力ｙをファジィ推論により
計算する。調節アルゴリズム１０２は、出力ｙと，与え
られた望ましい出力ｙｔの差を最も小さくするようにフ
ァジィ推論機構１０１に含まれるパラメータを調節す
る。調節するパラメータとしては、メンバシップ関数の
形状やルールの重要度を表す重みなどがある。

【００２２】ファジィ推論機構１０１で実行されるファ
ジィ推論方法には、いくつかの異なる定義があるが、こ
こでは、最も一般的なものとして、例えば「情報処理第
３０巻８号第９４２頁から第９４７頁（１９８９年）」
に記載の方法を例にとって説明する。もちろん、これに
より本発明の適用範囲が限定されるものではない。

【００２３】まず、ファジィルールは次式のように表現
できる。すなわち、 if x₁ is A₁₁ and x₂ is A₂₁ and … and x_n is A_n1 then y = B₁ if x₁ is A₁₂ and x₂ is A₂₂ and … and x_n is A_n1 then y = B₂ : : if x₁ is A_1m and x₂ is A_2m and … and x_n is A_nm then y = B_m ここで、ｎは入力変数の数、ｍは出力変数ｙに関するフ
ァジィルールの数である。また、A_ij は第ｊ番目のファ
ジィルールにおける第ｉ番目の入力変数ｘ_i に対するメ
ンバシップ関数、Bjは第ｊ番目のファジィルールにおけ
る出力変数ｙに対するメンバシップ関数である。A_ij，B
_j の定義域はそれぞれの独立変数の変域全体、値域は
［０，１］である。

【００２４】上式で、ある入力変数ｘ_i が無関係な場合
は、その入力変数ｘ_i に対するメンバシップ関数A_ijが
「常に値“１”をとる関数である」と考えればよい。ま
た、異なるファジィルールに現れるメンバシップ関数が
同一のメンバシップ関数であってもよい。

【００２５】さて、ある入力変数ｘ_iの値がＸiの時（x_i
＝Xiの時）のファジィ推論過程は次のようになる。ま
ず、各ファジィルールの適合度Ｗ_j を、 W_j ＝ min（A_1j（X1），A_2j（X2），…，A_nj（Xn））により算出する。次に、出力変数ｙのメンバシップ関数
Ｂ（ｙ）を、 B（y）＝ max（W₁*B₁，W₂＊B₂，，W_m*B_m）により算出する。最後に、出力値（推論結果）Ｙを、 Y ＝ ∫y B（y）dy ／ ∫B（y）dy により算出する。実際には、離散的に、 Y = Σ_k y_k B（y_k）/ Σ_k B（y_k）により算出する。ここで、ｙ_k（k=0，1，…，K）は、出
力変数ｙの定義域を適当に分割した代表値である。図２
は、ファジィ推論過程を図示したものである。なお、各
ファジィルールの適合度Ｗ_j に重みＶjを付けてもよ
い。この場合、 W_j ＝ min（A_1j（X1），A_2j（X2），…，A_nj（Xn））×
V_j となる。

【００２６】図３は、ファジィ推論過程を計算ネットワ
ークで表現したものである。３０１は、入力値に対応す
るノードである。３０３は、入力変数に関するメンバシ
ップ関数に対応するノードである。３０４は、ｍｉｎ演
算（論理積演算）に対応するノードである。３０５は、
出力変数に対応するノードである。３０６は、出力変数
に関するメンバシップ関数に対応するノードである。３
０７は、代数積演算に対応するノードである。３０８
は、ｍａｘ演算（論理和演算）に対応するノードであ
る。３０９は、乗算演算および加算演算に対応するノー
ドである。３１０は、加算演算に対応するノードであ
る。３１１は、除算演算に対応するノードである。Ｙ
は、出力値である。

【００２７】次に、調節アルゴリズム１０２（図１）に
ついて説明する。ここでは、望ましい出力値Ｙt と実際
の出力値Ｙの２乗誤差を最小化するようにパラメータ調
節を行うものとする。すなわち、目的関数をＥ＝(Yt−
Y)²とし、Δα∝−∂Ｅ／∂αとして最急降下法により
パラメータαの調節を行なう。

【００２８】図４は、上記調節アルゴリズムを実現する
処理のフローチャートである。ステップ５０１では、ス
テップ５０２〜５１２を繰り返す。ステップ５０２で
は、学習データすなわち入力変数値とそれに対する望ま
しい出力値Ｙt を読み込む。ステップ５０３では、ステ
ップ５０２で読み込んだ入力変数値に基づいてファジィ
推論を行ない、図３の計算ネットワークの全てのノード
の出力値Ｚi を求める。

【００２９】ステップ５０４では、計算ネットワークの
全てのノードを出力側から入力側へたどる。現在到達し
たノードの番号をｉとする。ステップ５０５では、ノー
ドｉが計算ネットワークの最後尾にあたる出力ノードか
どうかを判定し、出力ノードならばステップ５０６を実
行し、そうでなければステップ５０７を実行する。

【００３０】ステップ５０６では、出力ノードｉの出力
Ｙによる目的関数Ｅの微分係数δiを求める。すなわ
ち、 δi ＝∂Ｅ／∂Ｙ＝−２（ｙt−ｙ）である。

【００３１】ステップ５０７では、出力ノード以外のノ
ードｉの出力Ｚi による目的関数Ｅの微分係数δi を求
める。すなわち、 δi ＝∂Ｅ／∂Ｚi ＝Σj δj （∂Ｚj／∂Ｚi）である。ここで、ｊは、ノードｉの出力Ｚi を入力にも
つノードである。ノードを出力側から入力側へたどって
いるため、δj は計算済である。

【００３２】ステップ５０８では、全てのパラメータα
に対して、ステップ５０９とステップ５１０を実行す
る。ステップ５０９では、パラメータαを含むノードｉ
の出力Ｚi のパラメータαに対する偏微分∂Ｚi／∂α
を算出する。パラメータαは、ノードｉにおける入出力
関係を定めるものであるから、この偏微分は容易に求め
ることが出来る。

【００３３】ステップ５１０では、パラメータαの変更
量Δαを、 Δα＝−η （∂Ｅ／∂α） −η （∂Ｅ／∂Ｚi）（∂Ｚi／∂α） −η δi （∂Ｚi／∂α）により求める。ここで、ηは、適当な比例係数である。
そして、パラメータαの値を、 α＝α＋Δα により変更する。

【００３４】ステップ５１１では、予め定められた終了
条件が成立するか判定する。例えば、予め定められた回
数だけ上記ステップが実行されたかを判定する。また
は、誤差（Ｙ−Ｙt ）が所定値εより小さくなったかを
判定する。終了条件が成立した場合のみ、ステップ５１
２を実行する。ステップ５１２では、ステップ５０１の
無限ループから抜け、処理を終了する。

【００３５】上記学習処理によりパラメータαの変更量
Δαを求めれば、パラメータαを１つづつ微小変化させ
てファジィ推論を行っていく方法に比べて大幅に計算量
を削減できる。また、この学習処理によれば、ファジィ
推論を多段に組み合わせた多段ファジィ推論においても
同様な学習が可能である。

【００３６】図５は、上記学習処理を実行する計算機シ
ステムの構成図である。ＣＰＵ６０１は、プログラムに
より定められた手順にしたがって図４で説明した学習処
理を実行する。メモリ６０２は、プログラムやデータを
記憶する。入力装置６０３は、キーボードやマウスなど
であり、作業者からのコマンドを受け付ける。表示装置
６０４は、図４の学習処理の結果などを表示する。以上
の計算機システムは、具体的には、パーソナルコンピュ
ータ，ワークステーション，制御用ミニコンピュータ，
大型汎用計算機などで実現できる。

【００３７】−第１実施例− 図６は、本発明の第１実施例の制御システム６００の構
成図である。この制御システム６００において、６０１
は、制御対象である。６０２は、ファジィ制御装置であ
る。まず、ファジィルールおよび初期値としてのメンバ
シップ関数のパラメータをファジィ制御装置６０２に設
定する。そして、目標Ｙt を適当な方法により生成し、
ファジィ制御モデル装置６０２に入力する。この状態
で、目標Ｙt と制御対象６０１の出力ｖを一致させるよ
うに図４の学習処理を実行し、ファジィ制御装置６０２
のパラメータを調節する。

【００３８】これにより、ファジィ制御装置６０２は、
制御対象６０１の出力が目標Ｙt に等しくなるような操
作量ｕを制御対象６０１に入力するようになる。従っ
て、目標Ｙt に追随する制御が行われることとなる。

【００３９】制御対象６０１の特性が時間的に変化する
場合、制御を実行しながら特性の変化に追従するように
ファジィ制御装置６０２のパラメータを調節することも
出来る（オンライン的学習）。

【００４０】−第２実施例− 図７は、本発明の第２実施例の制御システム７００の構
成図である。本実施例は、前記従来技術３において「g
eneral learning architecture」と呼ばれるものに対応
している。この制御システム７００において、７０１
は、制御対象である。７０２は、ファジィ制御装置であ
る。７０３は、ファジィ制御装置７０２の入力を切り替
えるセレクタである。

【００４１】まず、ファジィルールおよび初期値として
のメンバシップ関数のパラメータをファジィ制御装置７
０２に設定する。また、制御対象７０１の出力ｖをファ
ジィ制御装置７０２に入力する側にセレクタ７０３をセ
ットしておく。そして、操作量ｕを適当な方法により生
成し、制御対象７０１に入力する。

【００４２】この状態で、ファジィ制御装置７０２の出
力ｙと操作量ｕを一致させるように図４の学習処理を実
行し、パラメータを調節する。以上の学習をいくつかの
適当な操作量ｕに対して繰り返すことにより、ファジィ
制御装置７０２は、制御対象７０１の逆モデルになる。

【００４３】そこで、セレクタ７０３を目標ｖt を入力
する側に切り替え、目標ｖt を入力する。すると、ファ
ジィ制御装置７０２は、制御対象７０１の出力が目標ｖ
t に等しくなるような操作量ｕを制御対象７０１に入力
する。従って、目標ｖt に追随する制御が行われること
となる。

【００４４】なお、制御対象７０１を計算機によるシミ
ュレーションモデルに置き換えてもよい。

【００４５】制御対象７０１の特性が時間的に変化する
場合、制御を実行しながら特性の変化に追従するように
ファジィ制御装置７０２のパラメータを調節することも
出来る。この場合は次のようにする。目標ｖt をファジ
ィ制御装置７０２に入力し、制御対象７０１を制御す
る。この時の制御対象７０１の出力ｖをファジィ制御装
置７０２に入力し、制御対象７０１を制御する。目標ｖ
t をファジィ制御装置７０２に入力した時のファジィ制
御装置７０２の出力ｙと，出力ｖをファジィ制御装置７
０２に入力した時のファジィ制御装置７０２の出力ｙ’
の誤差（ｙ−ｙ’）に基づいて図４の学習処理を行う。
但し、オンライン学習においては、応答時間を確保する
ように、図４のステップ５１１の終了条件を設定しなけ
ればならない。例えば応答時間を最小にするため１回だ
け学習のループを実行することが考えられる。１回だけ
では学習が不十分の可能性があるが、制御対象７０１の
特性の時間変化が緩やかであれば、徐々に特性変化に追
従させることが出来る。以上の第２実施例のファジィ制
御装置７０２によれば、最適のメンバシップ関数の決定
を学習処理により自動的に行うことが出来るので、設計
に要する時間を大幅に短縮できる。また、計算ネットワ
ーク表現を用いることにより高速な学習ができるので、
学習に要する計算時間を短縮できる。さらに、オンライ
ン的学習も可能となるので、制御対象の特性が時間的に
変化する場合にも、その変化に追従する制御装置を構成
することが可能となる。また、計算ネットワーク表現に
よる学習の高速化により、オンライン的学習において
も、特性変化への追従が速やかになる効果もある。

【００４６】−第３実施例− 図８は、本発明の第３実施例の制御システム８００の構
成図である。この制御システム８００において、８０１
は、制御対象である。８０２は、制御対象８０１の特性
を模擬するためのファジィ対象モデルである。８０３
は、制御のためのファジィ制御モデルである。まず、フ
ァジィルールおよび初期値としてのメンバシップ関数の
パラメータをファジィ対象モデル８０２およびファジィ
制御モデル８０３に設定する。そして、操作量ｕを適当
な方法により生成し、制御対象８０１に入力する。

【００４７】この状態で、制御対象８０１の出力ｖとフ
ァジィ対象モデル８０２の出力ｖ’を一致させるように
図４の学習処理を実行し、ファジィ対象モデル８０２の
パラメータを調節する。以上の学習をいくつかの適当な
操作量ｕに対して繰り返すことにより、ファジィ対象モ
デル８０２は、制御対象８０１の振舞を真似たモデルに
なる。

【００４８】次に、ファジィ制御モデル８０３とファジ
ィ対象モデル８０２を直列につないだ多段のファジィ推
論システムとする。そして、目標Ｙt を適当な方法によ
り生成し、ファジィ制御モデル８０３に入力する。この
状態で、目標Ｙt とファジィ制御モデル８０２の出力
ｖ’を一致させるように図４の学習処理を実行し、ファ
ジィ制御モデル８０３のパラメータを調節する。

【００４９】最後に、ファジィ制御モデル８０３と制御
対象８０１を直列に接続し、目標Ｙt を入力する。する
と、ファジィ制御モデル８０３は、制御対象８０１の出
力が目標Ｙt に等しくなるような操作量ｕを制御対象８
０１に入力する。従って、目標Ｙt に追随する制御が行
われることとなる。

【００５０】第３実施例においても、第２実施例で述べ
たオンライン学習が可能である。すなわち、制御対象８
０１を動作させるのと並行してファジィ対象モデル８０
２も動作させ、制御対象８０１の出力ｖとファジィ対象
モデル８０２の出力ｖ’の誤差（ｖ−ｖ’）に基づいて
ファジィ対象モデル８０２に含まれるパラメータの学習
を行う。また、これと同時に、目標Ｙt とファジィ対象
モデル８０２の出力ｖ’の誤差（Ｙt −ｖ’）に基づい
てファジィ制御モデル８０３に含まれるパラメータの学
習を行う。

【００５１】なお、ファジィ対象モデル８０２とファジ
ィ制御モデル８０３のどちらかをニューラルネットワー
クモデルに置換してもよい。但し、両方をニューラルネ
ットワークモデルにしたものは、本発明の適用外であ
り、従来技術４に記載されている。

【００５２】−第４実施例− 図９は、高速道路のトンネル換気制御システムにおい
て、トンネル内の汚染状況を予測するシステムの概念図
である。大型車台数変化，小型車台数変化，車速変化，
車速，自然風変化，自然風，換気操作量変化および現在
汚染量を入力変数とし、ファジィ推論により、汚染量変
化および将来（予測）汚染量を出力変数とする。そし
て、将来（予測）汚染値に基づいてトンネル内のジェッ
トファンや集塵機などの換気装置の制御を行う。

【００５３】このモデルにファジィ推論を用いることの
有用性は、第５回産業システムシンポジウム（１９８８
年）予稿集第２３頁から第２６頁における「定性的推論
を用いた道路トンネルの換気制御」と題する文献にて実
証されている。

【００５４】さて、この例において特徴的なことは、ト
ンネル内の汚染発生機構が記憶効果を持っていることを
考慮し、「汚染貯留量」という内部変数を導入している
ことである。内部変数は、外部からは観測不可能な量で
あり、観測可能な入力変数から求める必要がある。従っ
て、入力変数から内部変数を求め、入力変数と内部変数
から出力変数を求めるということになる。

【００５５】図１０は、入力変数からファジィ推論によ
って内部変数を求め、入力変数と内部変数とからファジ
ィ推論によって出力変数を求める学習型ファジィ制御装
置１０００の構成図である。この学習型ファジィ制御装
置１０００において、入力変数ｕは、大型車台数変化な
どである。内部変数１００２は、汚染貯留量である。出
力変数ｙは、将来（予測）汚染量である。１００４は、
入力変数ｕから内部変数ｘの変化Δｘを求めるファジィ
推論機構である。１００５は、入力変数ｕと内部変数ｘ
とから出力変数ｙを求めるファジィ推論機構である。

【００５６】２つのファジィ推論機構１００４，１００
５に含まれるパラメータを図４の学習処理により調節で
きるが、ここではそれらパラメータは固定とし、内部変
数ｘを変えることにより精度のよい制御を行う場合を説
明する。

【００５７】図１１は、処理のフローチャートである。
ステップ１１０１では、入力変数ｕ（ｔ）の値を計測す
る。ステップ１１０２では、ファジィ推論機構１００４
により、内部変数変化Δｘ（ｔ）を算出する。内部変数
変化Δｘ（ｔ）が得られると、ｘ（ｔ）＝ｘ（ｔ−Δｔ）＋Δｘ（ｔ）により内部変数ｘ（ｔ）が得られる。ステップ１１０３
では、ファジィ推論機構１００５により、入力変数ｕ
（ｔ）および内部変数ｘ（ｔ）から出力変数ｙ（ｔ＋Δ
ｔ）を求める。ステップ１１０４では、出力変数ｙ（ｔ
＋Δｔ）すなわち将来（予測）汚染量に基づいて換気装
置の制御を行う。

【００５８】ステップ１１０５では、時刻（ｔ＋Δｔ）
における実際の汚染量の計測が可能になるまでウェイト
する。ステップ１１０６では、時刻（ｔ＋Δｔ）におけ
る現在汚染量を計測する。これをｙ’（ｔ＋Δｔ）とす
る。ステップ１１０７では、時刻ｔにおけるファジィ推
論機構１００５の出力ｙ（ｔ＋Δｔ）が実際に計測され
た現在汚染量ｙ’（ｔ＋Δｔ）に近づくように内部変数
ｘ（ｔ）を調節する。この処理の詳細は図１１により後
述する。ステップ１１０８では、時刻を単位ステップ進
めるため、ｔ←ｔ＋Δｔｘ（ｔ＋Δｔ）←ｘ（ｔ）とする。

【００５９】図１２は、図１１のステップ１１０７の詳
細フローチャートである。ステップ１２０１では、ダミ
ー内部変数ｘ’の初期値をｘとする。ステップ１２０２
では、ステップ１２０３〜１２０６を繰り返す。ステッ
プ１２０３では、ファジィ推論機構１００５に入力変数
ｕ（ｔ）とダミー内部変数ｘ’を入力してファジィ推論
を行い、出力ｙを求める。ステップ１２０４では、図４
と同様の処理により誤差（ｙ−ｙ’）の逆伝播を行い、
ダミー内部変数ｘ’による出力ｙの偏微分係数∂ｙ／∂
ｘ’を求める。

【００６０】ステップ１２０５では、ｘ’←ｘ’−η（ｙ−ｙ’）（∂ｙ／∂ｘ’）とし、ダミー内部変数ｘ’を更新する。ステップ１２０
６では、終了条件が成立すればステップ１２０２のルー
プを脱出してステップ１２０７を実行する。そうでなけ
ればステップ１２０３に戻って処理を繰り返す。終了条
件としては、例えばη（ｙ−ｙ’）∂ｙ／∂ｘ’が予め
定められた値よりも小さくなったかが考えられる。ステ
ップ１２０７では、内部変数ｘにダミー内部変数ｘ’を
入れて処理を終了する。以上の処理により、出力ｙが計
測値ｙ’に一致するような内部変数ｘが求められること
になり、いわば逆ファジィ推論が実行されることにな
る。

【００６１】図１１および図１２の処理を繰り返しなが
ら制御を行うことにより、内部変数の値ｘが正しい値に
近づいていくことが期待され、その結果精度のよい出力
が得られるようになる。また、制御を行いながら制御対
象の時間変化に適応した制御が可能になる。具体的に
は、「汚染量の予測」−「実際の汚染量の計測」のサイ
クルを繰り返しながら汚染貯留量を適正化し、次第に正
確な予測ができるようになる。

【００６２】なお、ファジィ推論機構１００４，１００
５を学習の対象としてもよい。また、ファジィ推論機構
１００４，１００５のいずれか又は両方をニューラルネ
ットワークで置き換えてもよい。

【００６３】−第５実施例− 図１３は、本発明の第５実施例のプラントなどの監視シ
ステム１３００の構成図である。このプラントなどの監
視システム１３００は、オンライン的に学習するファジ
ィ対象モデル１３０２によってプラントなどの制御対象
１３０１の状態監視を行う。制御装置１３０３は、目標
量と制御対象１３０１の出力ｖとにより操作量ｕを出力
し、制御対象１３０１を制御している。ファジィ対象モ
デル１３０２は、従来公知のファジィシステム構築支援
ツールを利用して構築された後、先述の第２実施例と同
様にオンライン的に学習し、制御対象１３０１を正確に
モデリングする。なお、プラントの定常運転と並行して
学習を行えるなら、数学的最適化手法などの一般的な学
習アルゴリズムを用いて学習を行ってもよい。

【００６４】オペレータコンソール１３０４は、学習に
よって変化したメンバシップ関数形状を表示する。この
表示は、学習における処理サイクルと同期し、プラント
の状態変化に追従して時々刻々と変化する。また、オペ
レータコンソール１３０４は、メンバシップ関数形状を
チェックし、制約条件にひっかかる場合はアラーム情報
を報知し、オペレータの注意を喚起する。

【００６５】図１４は、処理のフローチャートである。
ステップ１４０１では、オペレータコンソール１３０４
におけるメンバシップ関数表示領域の確保，初期値とし
てのメンバシップ関数形状パラメータの読み込み，表示
対象メンバシップ関数の登録，アラーム情報を報知する
制約条件の登録などの初期化処理を行う。ステップ１４
０２では、ステップ１４０３〜ステップ１４０９を繰り
返す。

【００６６】ステップ１４０４では、図４の学習処理に
よりファジィ対象モデル１３０２に含まれるメンバシッ
プ関数の学習を行う。リアルタイムにメンバシップ関数
形状を表示するため、図４のステップ５１１における終
了条件は、「ステップ５０１のループが所定回数実行さ
れたこと」とする。ステップ１４０５では、学習によっ
て変化したメンバシップ関数形状をオペレータコンソー
ル１３０４に表示する。

【００６７】ステップ１４０６では、学習によって変化
したメンバシップ関数形状パラメータが制約条件にひっ
かかるかチェックする。制約条件にひっかかる場合、ス
テップ１４０７を実行する。制約条件にひっかからない
場合、ステップ１４０８を実行する。ステップ１４０７
では、制約条件にひっかかるメンバシップ関数形状，そ
のメンバシップ関数を含むファジィルール，対応する変
数名をオペレータコンソール１３０４に表示する。ま
た、テキストまたはベル音またはコンソール上の点滅図
形などによりアラームメッセージを報知する。ステップ
１４０８では、オペレータの指示がなされたか判定す
る。オペレータの指示がなされた場合、ステップ１４０
９を実行する。オペレータの指示がなされなかった場
合、ステップ１４０４に戻る。ステップ１４０９では、
オペレータの指示に対応した処理を実行する。例えば、
制御を自動からマニュアルに変更したり，プラントの状
態の監視モードに移行したり，プラントを緊急停止した
り，表示するメンバシップ関数またはファジィルールを
変更するなどである。

【００６８】図１５は、指定されたファジィルールに関
係する複数のメンバシップ関数形状を表示する例であ
る。この例では、ルール番号１５の「Ｉｆ小型車台数
が大きいかつ車速変化が小さいならば汚
染量変化はやや大きい」というファジィルールが指
定されている。図１５の上段には、ファジィルールの前
件部に対応するメンバシップ関数形状を表示する。点線
は初期値として設定されたメンバシップ関数形状であ
り、実線は現在のメンバシップ関数形状である。図１４
のステップ１４０２のループが実行されるたびに実線の
メンバシップ関数形状が変化する。点線と実線のメンバ
シップ関数形状を比較することにより、現在のプラント
状態がどうなっているか，どういう方向に変化しつつあ
るかが容易に把握できる。なお、点線のメンバシップ関
数形状として、例えば１時間前のメンバシップ関数形状
を用いたり，毎日のプラント立ち上げ時のメンバシップ
関数形状を用いてもよい。図１５の下段には、ファジィ
ルールの後件部に対応するメンバシップ関数形状を表示
する。点線は基準メンバシップ関数形状であり、実線は
現在のメンバシップ関数形状である。

【００６９】図１６は、指定された変数に対応するメン
バシップ関数形状を表示する例である。この例では、変
数番号３の入力変数「小型車台数」が指定されている。
点線は初期値として設定されたメンバシップ関数形状で
あり、実線は現在のメンバシップ関数形状である。「小
さい」「普通」「大きい」という複数のメンバシップ関
数を同一座標軸上に表示するため、輝度やカラーを変え
て異なるメンバシップ関数を識別しやすくする。なお、
図６のファジィ制御装置６０２や，図７のファジィ制御
装置７０２や，図８のファジィ対象モデル８０２または
ファジィ制御モデル５０８に対しても、同様にして、メ
ンバシップ関数形状の表示やアラーム情報の報知を行う
ことが出来る。

【００７０】−第６実施例− 図１７は、本発明の第６実施例のトレーディングサポー
トシステム１６００の構成図である。但し、図１７は、
システム全体の中で本発明に関わる部分を抜きだした要
部である。トレーディングサポートシステムについて
は、従来技術５に全般的な説明がある。

【００７１】ファジィによる株価予測モデル１７０１
は、現在および過去の株価，株価の移動平均値，取引高
などの観測値Ｉn（観測時刻ｔ_n）を入力とし、将来の株
価の予測値Ｏn+k（将来時刻ｔ_n+k）を出力する。このフ
ァジィによる株価予測モデル１７０１の構築に関して
は、従来技術５に説明されている。バッファ１７０２
は、ｋ個前の予測値Ｏnすなわち現在時刻ｔ_nについての
予測値Ｏnまで蓄えている。ファジィによる株価予測モ
デル１７０１は、現在時刻ｔ_n における実際の株価Ｔn
と，予測値Ｏnとの誤差を用いて学習を行う。これによ
り、経済状況の変化に追随する精度のよいトレーディン
グサポートシステム１６００が得られる。

【００７２】ワークステーション１７０３は、ファジィ
による株価予測モデル１７０１のメンバシップ関数形状
を表示する。これにより、ディーラーは、現在の株価予
測モデルがどのような状態にあるかを直観的に把握する
ことが可能になるため、予測値Ｏ_n+kをどう解釈すべき
かを容易に且つ的確に判断できるようになる。

【００７３】図１８は、ファジィによる株価予測モデル
１７０１の処理のフローチャートである。ステップ１８
０１では、各種の初期設定を行う。また、添字ｎ＝０と
する。

【００７４】ステップ１８０２では、ステップ１８０３
〜１８０９を適当な終了条件が成立するまで繰り返す。

【００７５】ステップ１８０３では、時刻ｔ_nにおける
観測値Ｉnをオンライン的に又は過去の観測値を格納し
たデータベースから入力する。ステップ１８０４では、
ファジィによる株価予測モデル１７０１によって時刻ｔ
_n+kにおける予測値Ｏn+kを出力する。

【００７６】ステップ１８０５では、バッファ１７０２
中に過去の時点において予測された現在時刻ｔ_nにおけ
る予測値Ｏnがあるか調べる。あるならば、ステップ１
８０６〜１８０８を実行する。なければ、ステップ１８
０９を実行する。ステップ１８０６では、実測値Ｔnと
予測値Ｏnの誤差を減少させるようにファジィによる株
価予測モデル１７０１に含まれるメンバシップ関数のパ
ラメータを変更する。この学習処理には、図４の学習処
理を用いればよいが、リアルタイム性を満足する処理速
度が得られるなら、一般的な学習処理を用いてもよい。

【００７７】ステップ１８０７では、「学習により最も
大きく変化したメンバシップ関数」を選択する。ここ
で、「最も大きく変化したメンバシップ関数」の一つの
例は、初期値として設定されたメンバシップ関数形状パ
ラメータをα_0i（i=1，2，…）とし、時刻ｔ_n における
メンバシップ関数形状パラメータをα_niとしたとき、変
化率δi＝（α_ni−α_0i）／α_0i が最大となるパラメー
タα_ni を含むメンバシップ関数である。また、他の例
は、ｍステップ前の時刻ｔ_n-m でのメンバシップ関数形
状パラメータをα_(nーm)iとし、時刻ｔ_n におけるメンバ
シップ関数形状パラメータをα_niとしたとき、変化率δ
i＝（α_ni−α_(nーm)i）／α_(nーm)i が最大となるパラメ
ータα_ni を含むメンバシップ関数である。ステップ１
８０８では、選択されたメンバシップ関数の形状をワー
クステーション１７０３に表示する。ステップ１８０９
では、添字ｎ＝ｎ＋１として時刻を１ステップ進め、次
の予測処理に備える。

【００７８】以上のトレーディングサポートシステム１
６００によれば、予測値の精度が向上すると共に、現在
どのメンバシップ関数またはどのファジィルールがどの
ように変化しているかが一目で理解できるため、ディー
ラーの判断を支援する上で非常に有効となる。なお、予
測モデルをニューラルネットワークで実現した場合、学
習によってニューラルネットワークの状態がどう変化し
たかを理解することは困難である。

【００７９】−第７実施例− 図１９は、表示するメンバシップ関数を選択するための
画面例である。画面の下段の表は、図１７のファジィに
よる株価予測モデル１７０１に含まれるファジィルール
の一覧表である。各行がそれぞれファジィルールに対応
し、各列がそれぞれ変数に対応している。画面の上段の
ルーラーは、コマンドボタンである。

【００８０】下段の表中のルール番号ボックス１８０１
をマウスでクリックすれば、そのファジィルールが指定
されたことになり、そのファジィルールに関連するメン
バシップ関数が選択されて表示される（図１５）。ま
た、下段の表中の変数名ボックス１８０２をマウスでク
リックすれば、その変数名が指定されたことになり、そ
の変数に関連するメンバシップ関数が選択されて表示さ
れる（図１６）。このように表形式の画面を利用すれ
ば、表示するメンバシップ関数の選択が容易になる。

【００８１】−第８実施例− 図２０は、メンバシップ関数を定義するための画面例で
ある。領域２００１には、メンバシップ関数の型を入力
する。ここでは８種類の型が用意されているので、その
中から選ぶ。領域２００２には、メンバシップ関数の定
義域最小値を入力する。領域２００３には、メンバシッ
プ関数の定義域最大値を入力する。領域２００４には、
メンバシップ関数形状を表示したり，デファジィ処理の
際の重心計算を行うのに必要な定義域分割数を入力す
る。

【００８２】領域２００５には、定義中のメンバシップ
関数形状が表示される。この領域２００５中の任意の位
置をマウスでクリックすれば、その位置がパラメータと
して設定される。黒丸は、パラメータが設定されている
位置である。領域２００６には、設定されたパラメータ
の値が表示されている。この領域２００６をマウスでク
リックした後、キーボードを用いて値を変化させれば、
パラメータの値を変更できる。領域２００５と２００６
は連動しており、一方を変更すると他方も変化する。領
域２００７には、パラメータの上限値と下限値を入力す
る。値が未設定の場合は、限界値なしとみなす。なお、
上限値または下限値を設定する代りに、変動許容比率
（％）を設定してもよい。

【００８３】−第９実施例− 図２１，図２２は、メンバシップ関数表示の画面例であ
る。これらが図１５，図１６の例と異なる点は、パラメ
ータが黒丸で明示的に表示されると共に、制約条件がハ
ッチングで表示されている点である。なお、図２１のハ
ッチングはパラメータが存在し得る範囲を示し、図２２
のハッチングはパラメータが存在し得えない範囲を示し
ている。このような表示をすることにより、現在のメン
バシップ関数形状が制約条件とどういう関係にあるかを
容易に理解できるようになる。また、カラー表示すれ
ば、さらに視認性を向上させることが出来る。

【００８４】なお、通常のメンバシップ関数表示は図１
５，図１６の例のように行い、アラームメッセージを報
知する時に当該アラームにかかるメンバシップ関数につ
いて図２１，図２２の例のように表示してもよい。

【００８５】

【発明の効果】本発明の学習型ファジィ制御装置および
ファジィ知識表示方法によれば、ファジィ推論を応用し
た制御装置におけるメンバシップ関数のパラメータを、
教師データを用いた学習により、自動的に調節すること
が出来るので、容易に制御性能を向上させることが出来
る。また、計算ネットワークを用いて高速に学習できる
ため、学習に要する時間が少なくて済む。さらに、制御
と並行してオンライン的・リアルタイム的に学習を行う
ことが出来るので、制御対象の特性の時間変化に適応す
る制御性能を得ることが出来る。

【００８６】また、適応型制御を行う場合の内部変数の
値を、教師データを用いた学習により、自動的に調節す
ることが出来るので、容易に制御性能を向上させること
が出来る。

【００８７】さらに、オンライン的な学習により変化す
るメンバシップ関数を刻々と表示することにより、現在
のファジィ知識の状態およびファジィ知識がどの方向に
変化しつつあるかを知ることが出来るので、システムの
利用者のさまざまな判断を効果的に支援することが可能
になる。

【図面の簡単な説明】

【図１】ファジィ推論パラメータを調節するシステムの
ブロック図。

【図２】ファジィ推論の説明図。

【図３】計算ネットワークによるファジィ推論の表現
図。

【図４】ファジィ推論パラメータの学習処理のフロー
図。

【図５】図４の学習処理を実行する計算機システムの構
成図。

【図６】本発明の第１実施例の構成図。

【図７】本発明の第２実施例の構成図。

【図８】本発明の第３実施例の構成図。

【図９】トンネル換気制御システムの説明図。

【図１０】本発明の第４実施例の構成図。

【図１１】本発明の第４実施例における学習処理のフロ
ー図。

【図１２】図１１におけるステップ１１０７の詳細なフ
ロー図。

【図１３】本発明の第５実施例の構成図。

【図１４】本発明の第５実施例における処理のフロー
図。

【図１５】ルール指定によるメンバシップ関数形状の表
示の例示図。

【図１６】変数指定によるメンバシップ関数形状の表示
の例示図。

【図１７】本発明の第６実施例の構成図。

【図１８】本発明の第６実施例における処理のフロー
図。

【図１９】本発明の第７実施例におけるメンバシップ関
数選択画面の例示図。

【図２０】本発明の第８実施例におけるメンバシップ関
数定義画面の例示図。

【図２１】メンバシップ関数形状と制約条件を同時に表
示した画面の例示図。

【図２２】メンバシップ関数形状と制約条件を同時に表
示した画面の例示図。

【符号の説明】

３０１，３０２…入力変数に対応するノード、３０３…メンバシップ関数に対応するノード、３０４…適合度を求めるノード６０１…制御対象、６０２…ファジィ制御装置７０１…制御対象、７０２…ファジィ制御装置、８０１
…制御対象、８０２…ファジィ対象モデル、８０３…ファジィ制御モ
デル１００４，１００５…ファジィ推論機構、ｘ…内部変数１３０２…ファジィ対象モデル１３０４…オペレータコンソール１７０１…ファジィによる株価予測モデル１７０３…ワークステーショ

Claims

【特許請求の範囲】

【請求項１】ファジィ推論を用いて制御対象の制御を
行うファジィ制御装置において、一つまたは複数個のパラメータを含むファジィ推論の手
順を、一つまたは複数の入力値から所定の手順により出
力値を計算する複数個のノードと，該ノード間の結合関
係を表す一つまたは複数個のリンクとからなる計算ネッ
トワークにより表現し、その計算ネットワークの出力側
から入力側にノードをたどりながらパラメータを微小変
化させたときの「制御対象の出力値と望ましい出力値の
誤差」の変化量を求め、この変化量に基づいて、前記誤
差を小さくするようにファジィ推論のパラメータを変化
させるパラメータ調節手段を具備したことを特徴とする
学習型制御装置。
【請求項２】ファジィ推論を用いて制御対象の制御を
行うファジィ制御装置において、一つまたは複数個のパラメータを含むファジィ推論の手
順を、一つまたは複数の入力値から所定の手順により出
力値を計算する複数個のノードと，該ノード間の結合関
係を表す一つまたは複数個のリンクとからなる計算ネッ
トワークにより表現し、その計算ネットワークの出力側
から入力側にノードをたどりながらパラメータを微小変
化させたときの「外部入力操作量に対する制御対象の出
力を入力された場合のファジィ制御装置の出力と前記外
部入力操作量の誤差」の変化量を求め、この変化量に基
づいて、前記誤差を小さくするようにファジィ推論のパ
ラメータを変化させるパラメータ調節手段を具備したこ
とを特徴とする学習型制御装置。
【請求項３】ファジィ推論を用いて制御対象の制御を
行うファジィ制御装置において、制御対象と並列に設置され、制御対象の振舞いを近似す
る対象モデルと、一つまたは複数個のパラメータを含むファジィ推論の手
順を、一つまたは複数の入力値から所定の手順により出
力値を計算する複数個のノードと，該ノード間の結合関
係を表す一つまたは複数個のリンクとからなる計算ネッ
トワークにより表現し、その計算ネットワークの出力側
から入力側にノードをたどりながらパラメータを微小変
化させたときの「対象モデルの出力値と望ましい出力値
の誤差」の変化量を求め、この変化量に基づいて、前記
誤差を小さくするようにファジィ推論のパラメータを変
化させるパラメータ調節手段とを具備したことを特徴と
する学習型制御装置。
【請求項４】請求項３に記載の学習型制御装置におい
て、対象モデルは、ファジィ推論を用いて制御対象の振舞い
を近似するファジィ対象モデルであり、一つまたは複数
個のパラメータを含むファジィ推論の手順を、一つまた
は複数の入力値から所定の手順により出力値を計算する
複数個のノードと，該ノード間の結合関係を表す一つま
たは複数個のリンクとからなる計算ネットワークにより
表現し、その計算ネットワークの出力側から入力側にノ
ードをたどりながらパラメータを微小変化させたときの
「同一の入力に対する対象モデルの出力値と制御対象の
出力値の誤差」の変化量を求め、この変化量に基づい
て、前記誤差を小さくするようにファジィ推論のパラメ
ータを変化させるパラメータ調節手段とを具備したこと
を特徴とする学習型制御装置。
【請求項５】制御対象と並列に設置され制御対象の振
舞いを近似する対象モデルを有する制御装置において、対象モデルは、ファジィ推論を用いて制御対象の振舞い
を近似するファジィ対象モデルであり、一つまたは複数
個のパラメータを含むファジィ推論の手順を、一つまた
は複数の入力値から所定の手順により出力値を計算する
複数個のノードと，該ノード間の結合関係を表す一つま
たは複数個のリンクとからなる計算ネットワークにより
表現し、その計算ネットワークの出力側から入力側にノ
ードをたどりながらパラメータを微小変化させたときの
「同一の入力に対する対象モデルの出力値と制御対象の
出力値の誤差」の変化量を求め、この変化量に基づい
て、前記誤差を小さくするようにファジィ推論のパラメ
ータを変化させるパラメータ調節手段とを具備したこと
を特徴とする学習型制御装置。
【請求項６】請求項１から請求項５のいずれかに記載
の学習型制御装置において、パラメータ調節手段は、制御対象の制御の実行と並行し
てパラメータ調節を行うことを特徴とする学習型制御装
置。
【請求項７】外部変数および内部変数に基づいて制御
量を生成する制御装置において、ある外部変数と内部変数とを与えたときの制御量と望ま
しい制御量の誤差を小さくするように内部変数を変化さ
せる内部変数調節手段を具備したことを特徴とする学習
型制御装置。
【請求項８】外部変数および内部変数に基づいてファ
ジィ推論により制御量を生成するファジィ制御装置にお
いて、一つまたは複数個のパラメータを含むファジィ推論の手
順を、一つまたは複数の入力値から所定の手順により出
力値を計算する複数個のノードと，該ノード間の結合関
係を表す一つまたは複数個のリンクとからなる計算ネッ
トワークにより表現し、その計算ネットワークの出力側
から入力側にノードをたどりながらパラメータを微小変
化させたときの「制御対象の出力値と望ましい出力値の
誤差」の変化量を求め、この変化量に基づいて、前記誤
差を小さくするように内部変数を変化させる内部変数調
節手段を具備したことを特徴とする学習型制御装置。
【請求項９】請求項８に記載の学習型制御装置におい
て、制御対象の出力値と望ましい出力値の誤差を小さくする
ようにファジィ推論のパラメータを変化させるパラメー
タ調節手段をさらに具備したことを特徴とする学習型制
御装置。
【請求項１０】一つまたは複数個のメンバシップ関数
を含むファジィ推論装置において、ファジィ推論の出力値と望ましい出力値の誤差を小さく
するようにメンバシップ関数形状を変更するメンバシッ
プ関数形状変更手段と、変更されたメンバシップ関数の一部または全部の形状を
表示するメンバシップ関数形状表示手段とを設けたこと
を特徴とするファジィ推論装置。
【請求項１１】請求項１０に記載のファジィ推論装置
において、メンバシップ関数形状表示手段は、変更されたメンバシ
ップ関数形状の中から変更の度合いが大きいものを選択
して表示することを特徴とするファジィ推論装置。
【請求項１２】請求項１０または請求項１１に記載の
ファジィ推論装置において、メンバシップ関数形状表示手段は、メンバシップ関数形
状の表示と同時に、該メンバシップ関数形状の変更範囲
に対する制約条件を表示することを特徴とするファジィ
推論装置。
【請求項１３】請求項１０から請求項１２のいずれか
に記載のファジィ推論装置において、メンバシップ関数形状表示手段は、メンバシップ関数形
状の変更範囲に対する制約条件にひっかかる変更がなさ
れた場合にそのメンバシップ関数形状を表示することを
特徴とするファジィ推論装置。
【請求項１４】請求項１３に記載のファジィ推論装置
において、メンバシップ関数形状表示手段は、メンバシップ関数形
状の変更範囲に対する制約条件にひっかかる変更がなさ
れた場合にアラームメッセージを報知することを特徴と
するファジィ推論装置。
【請求項１５】請求項１０から請求項１４のいずれか
に記載のファジィ推論装置において、メンバシップ関数形状表示手段は、基準となるメンバシ
ップ関数形状に重ねて現在のメンバシップ関数形状を表
示することを特徴とするファジィ推論装置。