JPH06242804A - ファジィ制御装置 - Google Patents
ファジィ制御装置Info
- Publication number
- JPH06242804A JPH06242804A JP5028742A JP2874293A JPH06242804A JP H06242804 A JPH06242804 A JP H06242804A JP 5028742 A JP5028742 A JP 5028742A JP 2874293 A JP2874293 A JP 2874293A JP H06242804 A JPH06242804 A JP H06242804A
- Authority
- JP
- Japan
- Prior art keywords
- fuzzy inference
- input
- output
- data storage
- output data
- 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】 ファジィ推論モデルのチューニングに関し、
ファジィ推論モデルの入出力関係の単調性、変曲点の数
を設定、保証することを目的とする。 【構成】 １はセンサ等から得られる制御対象の状態情
報を蓄えておく入力データ記憶部、２は制御対象の指令
値を蓄えておく出力データ記憶部、３は入出力データ間
の関係を同定するために構成されたファジィ推論演算
部、４はファジィ推論演算部３の出力と出力データの指
令値との差分（誤差）を基にファジィ推論演算部内のパ
ラメータの修正情報を出力する誤差修正部、５はファジ
ィ推論内の入出力関係を抽出、判定し、その結果から前
記修正情報の内容をさらに変更した後、最終的にファジ
ィ推論部内のパラメータを変更する拘束条件部である。
ファジィ推論モデルの入出力関係の単調性、変曲点の数
を設定、保証することを目的とする。 【構成】 １はセンサ等から得られる制御対象の状態情
報を蓄えておく入力データ記憶部、２は制御対象の指令
値を蓄えておく出力データ記憶部、３は入出力データ間
の関係を同定するために構成されたファジィ推論演算
部、４はファジィ推論演算部３の出力と出力データの指
令値との差分（誤差）を基にファジィ推論演算部内のパ
ラメータの修正情報を出力する誤差修正部、５はファジ
ィ推論内の入出力関係を抽出、判定し、その結果から前
記修正情報の内容をさらに変更した後、最終的にファジ
ィ推論部内のパラメータを変更する拘束条件部である。
Description
【０００１】
【産業上の利用分野】本発明は、制御系の同定モデルあ
るいは、非線形写像モデルに関するものである。
るいは、非線形写像モデルに関するものである。
【０００２】
【従来の技術】一般に制御システムや認識システムにお
いて、入力データ（たろえばセンサから得られる信号）
と、出力データ（たとえば指令値）の間には、非線形な
写像関係が存在しているものがあり、その関係をモデル
化することが試みられている。たとえば制御対象自身を
構造同定する場合などもこれにあたる。この写像関係を
設計するためにいろいろなモデルが考えられてきた。
いて、入力データ（たろえばセンサから得られる信号）
と、出力データ（たとえば指令値）の間には、非線形な
写像関係が存在しているものがあり、その関係をモデル
化することが試みられている。たとえば制御対象自身を
構造同定する場合などもこれにあたる。この写像関係を
設計するためにいろいろなモデルが考えられてきた。
【０００３】そのひとつにファジィ推論がある。図１０
において、１０１はセンサ等から得られる制御対象の状
態情報としての入力データ記憶部、１０２は制御対象の
指令値としての出力データ記憶部、１０３は入出力デー
タ間の関係を同定するために構成されたファジィ推論演
算部、１０４はファジィ推論演算部１０３の出力と出力
データの指令値との差分（誤差）を基にファジィ推論演
算部内のパラメータの修正情報を出力する誤差修正部で
ある。
において、１０１はセンサ等から得られる制御対象の状
態情報としての入力データ記憶部、１０２は制御対象の
指令値としての出力データ記憶部、１０３は入出力デー
タ間の関係を同定するために構成されたファジィ推論演
算部、１０４はファジィ推論演算部１０３の出力と出力
データの指令値との差分（誤差）を基にファジィ推論演
算部内のパラメータの修正情報を出力する誤差修正部で
ある。
【０００４】ファジィ推論は、数学モデルが記述できな
いような複雑な制御対象において、制御対象からの観測
データや、人間が従来の経験から得ている知識を用いて
設計し、計算機で実行しようとするものである。
いような複雑な制御対象において、制御対象からの観測
データや、人間が従来の経験から得ている知識を用いて
設計し、計算機で実行しようとするものである。
【０００５】今、ファジィ推論演算部１０３として、後
件部を実数値とする簡略ファジィ推論を例にあげる。入
力変数をｅ1，ｅ2 … ej(j = 1,2,…M)，出力変数をvと
すると，簡略ファジィ推論の推論ルールは（数１）のよ
うに表現できる。
件部を実数値とする簡略ファジィ推論を例にあげる。入
力変数をｅ1，ｅ2 … ej(j = 1,2,…M)，出力変数をvと
すると，簡略ファジィ推論の推論ルールは（数１）のよ
うに表現できる。
【０００６】
【数１】
【０００７】ただしAj iは前件部のファジィ集合，fiは
後件部の実数値である。図１１のように前件部のファジ
ィ集合Aj iのメンバシップ関数は，適合度が0.5で交わっ
ている。
後件部の実数値である。図１１のように前件部のファジ
ィ集合Aj iのメンバシップ関数は，適合度が0.5で交わっ
ている。
【０００８】誤差修正部１０４では，ファジィ推論の後
件部の実数値fiのチューニングを行う。
件部の実数値fiのチューニングを行う。
【０００９】最初に設計者がモデル化したい入出力デー
タをシステムから観測して用意する。システムよっては
設計者自身が主観的に入出力データを決定してもよい。
次にこれらの入出力データをチューニングデータとして
ファジィ推論の出力との誤差関数Eを最小にするよう
に、後件部の実数値fiの更新を行う。(数２)に誤差関数
を示す。
タをシステムから観測して用意する。システムよっては
設計者自身が主観的に入出力データを決定してもよい。
次にこれらの入出力データをチューニングデータとして
ファジィ推論の出力との誤差関数Eを最小にするよう
に、後件部の実数値fiの更新を行う。(数２)に誤差関数
を示す。
【００１０】
【数２】
【００１１】(数３)に示すように誤差関数Eの微分からf
iの修正する方向を決定する。
iの修正する方向を決定する。
【００１２】
【数３】
【００１３】fiを順次更新することにより、誤差関数E
を減少させる．誤差関数Eはチューニングデータ数だけ
存在するので、各誤差関数Eの和が所定の値以下になっ
た時にチューニングを終了し、ファジィ推論モデルが同
定されたことになる。
を減少させる．誤差関数Eはチューニングデータ数だけ
存在するので、各誤差関数Eの和が所定の値以下になっ
た時にチューニングを終了し、ファジィ推論モデルが同
定されたことになる。
【００１４】次に、他のモデルとして神経回路モデルが
あげられる。一般に、生物の神経細胞は他の複数の神経
細胞からシナプスを介して信号を受け取る。これらの入
力信号が閾値以上であれば神経パルスを発火し、以下で
あれば発火しない。これを工学的に表したのが図１２に
示す神経回路モデルであり、入力ｘと出力ｙの関係は
（数４）のようである。
あげられる。一般に、生物の神経細胞は他の複数の神経
細胞からシナプスを介して信号を受け取る。これらの入
力信号が閾値以上であれば神経パルスを発火し、以下で
あれば発火しない。これを工学的に表したのが図１２に
示す神経回路モデルであり、入力ｘと出力ｙの関係は
（数４）のようである。
【００１５】
【数４】
【００１６】ここでαはシナプスをモデルに反映させる
結合強度である。この神経回路モデルをネットワーク結
合したものが神経回路網モデル（ニューラルネットワー
ク）である。図１３に３層の神経回路網モデルの１例を
示す。神経回路網モデルの各神経回路モデルは多入力多
出力構造であり、非線形関係を表現できる。ここで神経
回路網の入出力関係を次式で表現する。
結合強度である。この神経回路モデルをネットワーク結
合したものが神経回路網モデル（ニューラルネットワー
ク）である。図１３に３層の神経回路網モデルの１例を
示す。神経回路網モデルの各神経回路モデルは多入力多
出力構造であり、非線形関係を表現できる。ここで神経
回路網の入出力関係を次式で表現する。
【００１７】
【数５】
【００１８】次に神経回路網モデルは、学習機能によっ
て設計されていく。学習データとして入出力データを組
にして多数用意しておき、backpropagation アルゴリズ
ムで繰り返し学習し、結合強度αを更新していくのであ
る。この学習アルゴリズムを実行すれば、神経回路網モ
デルは学習した入力変数に近い値を入力されたとき、出
力も同様に学習に用いた出力変数に近い値を出してくれ
る。これが学習機能の実現である。backpropagation ア
ルゴリズムは（D. E. Rumelhart, G. E.Hintonand R.
J. Williams "Learning Representations by Back-Prop
agating Errors," Nature, vol.323, pp.533-536, Oct.
9, 1986) のような参考文献がある。数学的な証明は以
上の参考文献に譲る。
て設計されていく。学習データとして入出力データを組
にして多数用意しておき、backpropagation アルゴリズ
ムで繰り返し学習し、結合強度αを更新していくのであ
る。この学習アルゴリズムを実行すれば、神経回路網モ
デルは学習した入力変数に近い値を入力されたとき、出
力も同様に学習に用いた出力変数に近い値を出してくれ
る。これが学習機能の実現である。backpropagation ア
ルゴリズムは（D. E. Rumelhart, G. E.Hintonand R.
J. Williams "Learning Representations by Back-Prop
agating Errors," Nature, vol.323, pp.533-536, Oct.
9, 1986) のような参考文献がある。数学的な証明は以
上の参考文献に譲る。
【００１９】
【発明が解決しようとする課題】このような神経回路モ
デルあるいはファジィ推論モデルの学習において、入出
力データとモデルとの誤差を最小化するようにモデルを
学習していく。したがって入手力データ間に単調増加性
等の拘束条件が存在することがあらかじめわかっている
場合において、その拘束条件を満足するようには学習で
きない。もし単調性が保証されないと、制御系全体を発
振させる原因となる。また速やかな指令値の変化が行わ
れなくなる。このようなモデルで実際に事業化される制
御系に応用していくのは困難な場合が存在する。
デルあるいはファジィ推論モデルの学習において、入出
力データとモデルとの誤差を最小化するようにモデルを
学習していく。したがって入手力データ間に単調増加性
等の拘束条件が存在することがあらかじめわかっている
場合において、その拘束条件を満足するようには学習で
きない。もし単調性が保証されないと、制御系全体を発
振させる原因となる。また速やかな指令値の変化が行わ
れなくなる。このようなモデルで実際に事業化される制
御系に応用していくのは困難な場合が存在する。
【００２０】また、観測された複数の入出力データのす
べてが適当な値を示しているとはいえず、ノイズなどを
含んでいる場合が多い。そのような入出力データをもと
にモデルを設計しても信頼性はなく、実際の使用にはた
えられない。
べてが適当な値を示しているとはいえず、ノイズなどを
含んでいる場合が多い。そのような入出力データをもと
にモデルを設計しても信頼性はなく、実際の使用にはた
えられない。
【００２１】本発明はかかる点に鑑み、信頼性の高いモ
デルを学習するファジィ制御装置を実現することを目的
とする。
デルを学習するファジィ制御装置を実現することを目的
とする。
【００２２】
【課題を解決するための手段】制御対象からの状態情報
と制御対象への指令値を観測あるいは設定できる場合に
おいて、前記状態情報を記憶する入力データ記憶部と、
前記指令値を記憶する出力データ記憶部と、入力データ
記憶部の状態情報を入力とするファジィ推論演算部と、
前記ファジィ推論演算部の出力と出力データ記憶部の指
令値との差分を基にファジィ推論演算部内のパラメータ
の修正情報を出力する誤差修正部と、ファジィ推論演算
部内の入出力関係の単調性を判定し、前記誤差修正部の
出力する修正情報の内容をさらに変更して、最終的にフ
ァジィ推論演算部内のパラメータを変更する拘束条件部
とを備えたファジィ制御装置である。
と制御対象への指令値を観測あるいは設定できる場合に
おいて、前記状態情報を記憶する入力データ記憶部と、
前記指令値を記憶する出力データ記憶部と、入力データ
記憶部の状態情報を入力とするファジィ推論演算部と、
前記ファジィ推論演算部の出力と出力データ記憶部の指
令値との差分を基にファジィ推論演算部内のパラメータ
の修正情報を出力する誤差修正部と、ファジィ推論演算
部内の入出力関係の単調性を判定し、前記誤差修正部の
出力する修正情報の内容をさらに変更して、最終的にフ
ァジィ推論演算部内のパラメータを変更する拘束条件部
とを備えたファジィ制御装置である。
【００２３】あるいは制御対象からの状態情報と制御対
象への指令値を観測あるいは設定できる場合において、
前記状態情報を記憶する入力データ記憶部と、前記指令
値を記憶する出力データ記憶部と、入力データ記憶部の
状態情報を入力とするファジィ推論演算部と、前記ファ
ジィ推論演算部の出力と出力データ記憶部の指令値との
差分を基にファジィ推論演算部内のパラメータの修正情
報を出力する誤差修正部と、ファジィ推論演算部内の入
出力関係の最大値、最小値、変曲点を判定し、前記誤差
修正部の出力する修正情報の内容をさらに変更して、最
終的にファジィ推論演算部内のパラメータを変更する拘
束条件部とを備えたファジィ制御装置である。
象への指令値を観測あるいは設定できる場合において、
前記状態情報を記憶する入力データ記憶部と、前記指令
値を記憶する出力データ記憶部と、入力データ記憶部の
状態情報を入力とするファジィ推論演算部と、前記ファ
ジィ推論演算部の出力と出力データ記憶部の指令値との
差分を基にファジィ推論演算部内のパラメータの修正情
報を出力する誤差修正部と、ファジィ推論演算部内の入
出力関係の最大値、最小値、変曲点を判定し、前記誤差
修正部の出力する修正情報の内容をさらに変更して、最
終的にファジィ推論演算部内のパラメータを変更する拘
束条件部とを備えたファジィ制御装置である。
【００２４】あるいは制御対象からの状態情報と制御対
象への指令値を観測あるいは設定できる場合において、
前記状態情報を記憶する入力データ記憶部と、前記指令
値を記憶する出力データ記憶部と、入力データ記憶部の
状態情報を入力とするファジィ推論演算部と、前記ファ
ジィ推論演算部の出力と出力データ記憶部の指令値との
差分を基にファジィ推論演算部内のパラメータの修正情
報を出力する誤差修正部と、入出力データのばらつきを
抽出、判定し、ばらつきの大きい入出力データを削除す
る誤差判定部とを備えたファジィ制御装置である。
象への指令値を観測あるいは設定できる場合において、
前記状態情報を記憶する入力データ記憶部と、前記指令
値を記憶する出力データ記憶部と、入力データ記憶部の
状態情報を入力とするファジィ推論演算部と、前記ファ
ジィ推論演算部の出力と出力データ記憶部の指令値との
差分を基にファジィ推論演算部内のパラメータの修正情
報を出力する誤差修正部と、入出力データのばらつきを
抽出、判定し、ばらつきの大きい入出力データを削除す
る誤差判定部とを備えたファジィ制御装置である。
【００２５】
【作用】本発明は上記手段を設けることにより、ファジ
ィ推論演算部の出力と出力データの指令値との差分（誤
差）を基にファジィ推論演算部内のパラメータの修正情
報を出力する誤差修正部と、ファジィ推論内の入出力関
係から、そのすべての写像関係に対して単調性、変曲点
を抽出、判定し、その結果から前記修正情報の内容をさ
らに変更する。
ィ推論演算部の出力と出力データの指令値との差分（誤
差）を基にファジィ推論演算部内のパラメータの修正情
報を出力する誤差修正部と、ファジィ推論内の入出力関
係から、そのすべての写像関係に対して単調性、変曲点
を抽出、判定し、その結果から前記修正情報の内容をさ
らに変更する。
【００２６】また、入出力データのばらつきをファジィ
推論ルールで構成される範囲内で抽出、判定し、ばらつ
きの大きい入出力データを削除することで、データのば
らつきを修正していく。
推論ルールで構成される範囲内で抽出、判定し、ばらつ
きの大きい入出力データを削除することで、データのば
らつきを修正していく。
【００２７】
（実施例１）図１は、本発明におけるファジィ制御装置
の第１の実施例である。１はセンサ等から得られる制御
対象の状態情報を蓄えておく入力データ記憶部、２は制
御対象の指令値を蓄えておく出力データ記憶部、３は入
出力データ間の関係を同定するために構成されたファジ
ィ推論演算部、４はファジィ推論演算部３の出力と出力
データの指令値との差分（誤差）を基にファジィ推論演
算部内のパラメータの修正情報を出力する誤差修正部、
５はファジィ推論内の入出力関係を抽出、判定し、その
結果から前記修正情報の内容をさらに変更した後、最終
的にファジィ推論部内のパラメータを変更する拘束条件
部である。
の第１の実施例である。１はセンサ等から得られる制御
対象の状態情報を蓄えておく入力データ記憶部、２は制
御対象の指令値を蓄えておく出力データ記憶部、３は入
出力データ間の関係を同定するために構成されたファジ
ィ推論演算部、４はファジィ推論演算部３の出力と出力
データの指令値との差分（誤差）を基にファジィ推論演
算部内のパラメータの修正情報を出力する誤差修正部、
５はファジィ推論内の入出力関係を抽出、判定し、その
結果から前記修正情報の内容をさらに変更した後、最終
的にファジィ推論部内のパラメータを変更する拘束条件
部である。
【００２８】入力データ記憶部１と出力データ記憶部２
には、あらかじめモデル化したい入出力データの組が記
憶されており、１組づつ取り出すことが可能である。こ
の入出力データの組のような写像関係が実現できるよう
なファジィ推論モデルを設計する。
には、あらかじめモデル化したい入出力データの組が記
憶されており、１組づつ取り出すことが可能である。こ
の入出力データの組のような写像関係が実現できるよう
なファジィ推論モデルを設計する。
【００２９】ファジィ推論演算部３では、（数６）のよ
うな後件部の出力変数を実数値とするファジィ推論が構
成されている。以下、ファジィ推論の入力変数の数を２
つにして説明していく。
うな後件部の出力変数を実数値とするファジィ推論が構
成されている。以下、ファジィ推論の入力変数の数を２
つにして説明していく。
【００３０】
【数６】
【００３１】ただしA1 i，A2 iは前件部のファジィ集合、
fiは後件部の実数値である。入力データej'(j = 1,2)が
与えられたとき、推論結果vは，(数６)の推論ルールを
用いて（数７）のように計算できる。
fiは後件部の実数値である。入力データej'(j = 1,2)が
与えられたとき、推論結果vは，(数６)の推論ルールを
用いて（数７）のように計算できる。
【００３２】
【数７】
【００３３】誤差修正部４では、ファジィ推論の後件部
の実数値fiのチューニングを行う。最初に設計者がモデ
ル化したい入出力データを用意する。システムよっては
設計者自身が主観的に入出力データを決定してもよい。
次にこれらの入出力データをチューニングデータとして
ファジィ推論の出力との誤差関数Eを最小にするよう
に、後件部の実数値fiの更新を行う。(数８)に誤差関数
を示す。
の実数値fiのチューニングを行う。最初に設計者がモデ
ル化したい入出力データを用意する。システムよっては
設計者自身が主観的に入出力データを決定してもよい。
次にこれらの入出力データをチューニングデータとして
ファジィ推論の出力との誤差関数Eを最小にするよう
に、後件部の実数値fiの更新を行う。(数８)に誤差関数
を示す。
【００３４】
【数８】
【００３５】(数９)に示すように誤差関数Eの微分からf
iの修正する方向を決定する。
iの修正する方向を決定する。
【００３６】
【数９】
【００３７】（数１０）に示すように、fiをfi'に改め
る。
る。
【００３８】
【数１０】
【００３９】次に拘束条件部５において改められた後件
部の実数値fi'が単調性を保証するかチェックする。説
明を簡単にするために図２のようにfiをf(p,q)の置き換
える。(p,q)は空間(e1,e2)上の後件部の実数値の座標位
置である。f(p,q)は、前件部のメンハ゛シッフ゜関数A1 i,A2 iの
適合度１の位置に対応している。
部の実数値fi'が単調性を保証するかチェックする。説
明を簡単にするために図２のようにfiをf(p,q)の置き換
える。(p,q)は空間(e1,e2)上の後件部の実数値の座標位
置である。f(p,q)は、前件部のメンハ゛シッフ゜関数A1 i,A2 iの
適合度１の位置に対応している。
【００４０】ｐ軸において単調性が保証されている条件
は、（数１１）である。
は、（数１１）である。
【００４１】
【数１１】
【００４２】図３に単調性が保証されない例を示す。図
３（ａ）は、f(p,q)'- f(p-1,q) ＜0 となる場合で
（数１２）のようにf(p,q)'をf(p,q)"に変更し、新たな
f(p,q)を生成する。
３（ａ）は、f(p,q)'- f(p-1,q) ＜0 となる場合で
（数１２）のようにf(p,q)'をf(p,q)"に変更し、新たな
f(p,q)を生成する。
【００４３】
【数１２】
【００４４】図３（ｂ）は、f(p+1,q) - f(p,q)' ＜ 0
となる場合で（数１３）のようにf(p,q)'をf(p,q)"に
変更する。
となる場合で（数１３）のようにf(p,q)'をf(p,q)"に
変更する。
【００４５】
【数１３】
【００４６】さらに同様の処理を図４に示すようにｑ軸
に対しても行う。（数７）から（数１３）までを入出力
データを換えながら繰り返し行うことで、単調性を保証
しながらファジィ推論モデルの同定を行う。図５にチュ
ーニング結果を示す。ただし図５は、単調性を保証する
とともに、最小増加幅に制限を設けている。
に対しても行う。（数７）から（数１３）までを入出力
データを換えながら繰り返し行うことで、単調性を保証
しながらファジィ推論モデルの同定を行う。図５にチュ
ーニング結果を示す。ただし図５は、単調性を保証する
とともに、最小増加幅に制限を設けている。
【００４７】以上のように本発明では、すべての入出力
データ間の単調性を保証したフェジィ推論モデルの同定
が実現できるので、フィードバックループを構成してい
るような制御系の中に、投入することが可能となる。ま
たチューニング手順として、先に拘束条件部をなくして
チューニングのみ行い、後で拘束条件部の処理を行って
もよい。
データ間の単調性を保証したフェジィ推論モデルの同定
が実現できるので、フィードバックループを構成してい
るような制御系の中に、投入することが可能となる。ま
たチューニング手順として、先に拘束条件部をなくして
チューニングのみ行い、後で拘束条件部の処理を行って
もよい。
【００４８】（実施例２）図６は、本発明におけるファ
ジィ制御装置の第２の実施例である。入力データ記憶部
１、出力データ記憶部２、ファジィ推論演算部３、誤差
修正部４は第１の発明と同様なので説明を省略する。フ
ァジィ推論内の入出力関係を抽出、判定し、その結果か
ら前記修正情報の内容をさらに変更した後、最終的にフ
ァジィ推論部内のパラメータを変更する拘束条件部６の
内容が第１の発明と異なる。第１の発明と同様に誤差修
正部４において、（数１４）に示すように、f(p,q)がf
(p,q)'に改められる。
ジィ制御装置の第２の実施例である。入力データ記憶部
１、出力データ記憶部２、ファジィ推論演算部３、誤差
修正部４は第１の発明と同様なので説明を省略する。フ
ァジィ推論内の入出力関係を抽出、判定し、その結果か
ら前記修正情報の内容をさらに変更した後、最終的にフ
ァジィ推論部内のパラメータを変更する拘束条件部６の
内容が第１の発明と異なる。第１の発明と同様に誤差修
正部４において、（数１４）に示すように、f(p,q)がf
(p,q)'に改められる。
【００４９】
【数１４】
【００５０】次に改められた後件部の実数値f(p,q)'を
基に変曲点の個数をチェックする。ｐ軸において変曲点
の存在条件は、（数１５）あるいは（数１６）である。
基に変曲点の個数をチェックする。ｐ軸において変曲点
の存在条件は、（数１５）あるいは（数１６）である。
【００５１】
【数１５】
【００５２】あるいは
【００５３】
【数１６】
【００５４】図７に変曲点の生成される例を示す。f(p,
q)がf(p,q)'へ置換されることによって変曲点が生成さ
れている。変曲点の数が多いと凹凸の激しい写像とな
り、制御系等において不都合な場合が生づる。図７
（ａ）は、（数１５）が成り立つ場合で（数１７）のよ
うにf(p,q)'をf(p,q)"に変更する。
q)がf(p,q)'へ置換されることによって変曲点が生成さ
れている。変曲点の数が多いと凹凸の激しい写像とな
り、制御系等において不都合な場合が生づる。図７
（ａ）は、（数１５）が成り立つ場合で（数１７）のよ
うにf(p,q)'をf(p,q)"に変更する。
【００５５】
【数１７】
【００５６】図７（ｂ）は、（数１６）が成り立つ場合
で（数１８）のようにf(p,q)'をf(p,q)"に変更する。
で（数１８）のようにf(p,q)'をf(p,q)"に変更する。
【００５７】
【数１８】
【００５８】さらに同様の処理をｑ軸に対しても行う。
以上の操作を繰り返し行うことで、単調性を保証してフ
ァジィ推論モデルの同定を行う。
以上の操作を繰り返し行うことで、単調性を保証してフ
ァジィ推論モデルの同定を行う。
【００５９】以上のように本発明では、すべての入出力
データ間の変曲点の数を保証したフェジィ推論モデルの
同定が実現できるので、フィードバックループを構成し
ているような制御系の中に投入しても発振等の異常現象
を抑えることができる。
データ間の変曲点の数を保証したフェジィ推論モデルの
同定が実現できるので、フィードバックループを構成し
ているような制御系の中に投入しても発振等の異常現象
を抑えることができる。
【００６０】図８は、本発明におけるファジィ制御装置
の第３の実施例である。１はセンサ等から得られる制御
対象の状態情報としての入力データ記憶部、２は制御対
象の指令値としての出力データ記憶部、３は入出力デー
タ間の関係を同定するために構成されたファジィ推論演
算部、７はファジィ推論演算部３の出力と出力データの
指令値との差分（誤差）量を基に入出力データとして適
正であるかどうかを判定する誤差判定部、４は誤差判定
部の出力を基にファジィ推論演算部内のパラメータの修
正情報を出力する誤差修正部である。
の第３の実施例である。１はセンサ等から得られる制御
対象の状態情報としての入力データ記憶部、２は制御対
象の指令値としての出力データ記憶部、３は入出力デー
タ間の関係を同定するために構成されたファジィ推論演
算部、７はファジィ推論演算部３の出力と出力データの
指令値との差分（誤差）量を基に入出力データとして適
正であるかどうかを判定する誤差判定部、４は誤差判定
部の出力を基にファジィ推論演算部内のパラメータの修
正情報を出力する誤差修正部である。
【００６１】入力データ記憶部１、出力データ記憶部
２、ファジィ推論演算部３、誤差修正部４は第１の発明
と同様なので説明を省略する。
２、ファジィ推論演算部３、誤差修正部４は第１の発明
と同様なので説明を省略する。
【００６２】以下説明を簡略化するために、ファジィ推
論の入力変数の数を２つにする。ファジィ推論演算部３
では、（数１９）のような後件部の出力変数を実数値と
するファジィ推論が構成されている。
論の入力変数の数を２つにする。ファジィ推論演算部３
では、（数１９）のような後件部の出力変数を実数値と
するファジィ推論が構成されている。
【００６３】
【数１９】
【００６４】ただしA1 i，A2 iは前件部のファジィ集合，
fiは後件部の実数値である。図９を用いて誤差判定部の
説明を行う。説明を簡単にするために図９のようにfiを
f(p,q)の置き換える。(p,q)は空間(e1,e2)上の後件部の
実数値の座標位置である。図９は後件部の実数値f(p,
q), f(p+1,q), f(p,q+1), f(p+1,q+1)を頂点とする４角
形の空間内の出力データvk(k = 1,2,3,…,K, K:空間内
の出力データの個数)を示している。
fiは後件部の実数値である。図９を用いて誤差判定部の
説明を行う。説明を簡単にするために図９のようにfiを
f(p,q)の置き換える。(p,q)は空間(e1,e2)上の後件部の
実数値の座標位置である。図９は後件部の実数値f(p,
q), f(p+1,q), f(p,q+1), f(p+1,q+1)を頂点とする４角
形の空間内の出力データvk(k = 1,2,3,…,K, K:空間内
の出力データの個数)を示している。
【００６５】
【数２０】
【００６６】差分ekの中で、所定の値以上のものを、ノ
イズとみなしてチューニングデータとして用いることを
中止する。たとえば（数２１）のような処理を行う。
イズとみなしてチューニングデータとして用いることを
中止する。たとえば（数２１）のような処理を行う。
【００６７】
【数２１】
【００６８】以上のように本発明では、チューニングに
よって設計されたモデルが小数のノイズによって大幅に
最適解から異なることを防いでいる。
よって設計されたモデルが小数のノイズによって大幅に
最適解から異なることを防いでいる。
【００６９】
【発明の効果】以上説明したように、本発明によれば、
ファジィ推論内の入出力関係から、そのすべての写像関
係に対して単調性、変曲点を抽出、判定し、その結果を
基にファジィ推論内のパラメータ（後件部の実数値）を
修正して行くのでなめらかな写像関係となる。このファ
ジィ推論を制御系に用いれば不規則な指令値を出力する
こともなく、発振の心配もない。
ファジィ推論内の入出力関係から、そのすべての写像関
係に対して単調性、変曲点を抽出、判定し、その結果を
基にファジィ推論内のパラメータ（後件部の実数値）を
修正して行くのでなめらかな写像関係となる。このファ
ジィ推論を制御系に用いれば不規則な指令値を出力する
こともなく、発振の心配もない。
【００７０】また、入出力データのばらつきをファジィ
推論ルールで構成される小範囲内で抽出、判定し、ばら
つきの大きい入出力データを削除することで、モデルを
より最適解へ近づけることができる。
推論ルールで構成される小範囲内で抽出、判定し、ばら
つきの大きい入出力データを削除することで、モデルを
より最適解へ近づけることができる。
【図１】本発明の第１の実施例のファジィ制御装置の構
成ブロック図
成ブロック図
【図２】ファジィ推論を説明するための図
【図３】ファジィ推論の出力結果の単調性の判定を説明
するための図
するための図
【図４】ファジィ推論の出力結果の単調性の判定を説明
するための図
するための図
【図５】チューニング結果を示した図
【図６】本発明の第２の実施例のファジィ制御装置の構
成ブロック図
成ブロック図
【図７】ファジィ推論の出力結果の変曲点の判定を説明
するための図
するための図
【図８】本発明の第３の実施例のファジィ制御装置の構
成ブロック図
成ブロック図
【図９】異常データを説明するための図
【図１０】従来のファジィ推論モデルの説明図
【図１１】従来のファジィ推論モデルの説明図
【図１２】従来の神経回路モデルの説明図
【図１３】従来の神経回路モデルの説明図
１ 入力データ記憶部 ２ 出力データ記憶部 ３ ファジィ推論演算部 ４ 誤差修正部 ５ 拘束条件部 ６ 拘束条件部 ７ 誤差判定部
Claims (3)
- 【請求項１】制御対象からの状態情報と制御対象への指
令値を観測あるいは設定できる場合において、前記状態
情報を記憶する入力データ記憶部と、前記指令値を記憶
する出力データ記憶部と、入力データ記憶部の状態情報
を入力とするファジィ推論演算部と、前記ファジィ推論
演算部の出力と出力データ記憶部の指令値との差分を基
にファジィ推論演算部内のパラメータの修正情報を出力
する誤差修正部と、ファジィ推論演算部内の入出力関係
の単調性を判定し、前記誤差修正部の出力する修正情報
の内容をさらに変更して、最終的にファジィ推論演算部
内のパラメータを変更する拘束条件部とを備えたことを
特徴とするファジィ制御装置。 - 【請求項２】制御対象からの状態情報と制御対象への指
令値を観測あるいは設定できる場合において、前記状態
情報を記憶する入力データ記憶部と、前記指令値を記憶
する出力データ記憶部と、入力データ記憶部の状態情報
を入力とするファジィ推論演算部と、前記ファジィ推論
演算部の出力と出力データ記憶部の指令値との差分を基
にファジィ推論演算部内のパラメータの修正情報を出力
する誤差修正部と、ファジィ推論演算部内の入出力関係
の最大値、最小値、変曲点を判定し、前記誤差修正部の
出力する修正情報の内容をさらに変更して、最終的にフ
ァジィ推論演算部内のパラメータを変更する拘束条件部
とを備えたことを特徴とするファジィ制御装置。 - 【請求項３】制御対象からの状態情報と制御対象への指
令値を観測あるいは設定できる場合において、前記状態
情報を記憶する入力データ記憶部と、前記指令値を記憶
する出力データ記憶部と、入力データ記憶部の状態情報
を入力とするファジィ推論演算部と、前記ファジィ推論
演算部の出力と出力データ記憶部の指令値との差分を基
にファジィ推論演算部内のパラメータの修正情報を出力
する誤差修正部と、入出力データのばらつきを判定し、
ばらつきの大きい入出力データを削除する誤差判定部と
を備えたことを特徴とするファジィ制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5028742A JPH06242804A (ja) | 1993-02-18 | 1993-02-18 | ファジィ制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5028742A JPH06242804A (ja) | 1993-02-18 | 1993-02-18 | ファジィ制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06242804A true JPH06242804A (ja) | 1994-09-02 |
Family
ID=12256880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5028742A Pending JPH06242804A (ja) | 1993-02-18 | 1993-02-18 | ファジィ制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06242804A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100896232B1 (ko) * | 2007-10-24 | 2009-05-08 | 인하대학교 산학협력단 | 퍼지제어를 이용한 데이터 관리장치 및 관리방법 |
| JP2009198136A (ja) * | 2008-02-25 | 2009-09-03 | Hitachi Ltd | 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法 |
| US8554706B2 (en) | 2007-11-20 | 2013-10-08 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
-
1993
- 1993-02-18 JP JP5028742A patent/JPH06242804A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100896232B1 (ko) * | 2007-10-24 | 2009-05-08 | 인하대학교 산학협력단 | 퍼지제어를 이용한 데이터 관리장치 및 관리방법 |
| US8554706B2 (en) | 2007-11-20 | 2013-10-08 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
| JP2009198136A (ja) * | 2008-02-25 | 2009-09-03 | Hitachi Ltd | 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jang et al. | Neuro-fuzzy modeling and control | |
| US4730259A (en) | Matrix controlled expert system producible from examples | |
| US5606646A (en) | Recurrent neural network-based fuzzy logic system | |
| Er et al. | Online tuning of fuzzy inference systems using dynamic fuzzy Q-learning | |
| Linkens et al. | Learning systems in intelligent control: an appraisal of fuzzy, neural and genetic algorithm control applications | |
| Hojati et al. | Hybrid adaptive fuzzy identification and control of nonlinear systems | |
| CN110070188B (zh) | 一种融合交互式强化学习的增量式认知发育系统及方法 | |
| Tan et al. | Gain scheduling: from conventional to neuro-fuzzy | |
| Tompa et al. | Applying expert heuristic as an a priori knowledge for FRIQ-learning | |
| Figueroa-García et al. | Rule generation of fuzzy logic systems using a self-organized fuzzy neural network | |
| KR102655668B1 (ko) | 퍼지 q-러닝 기반 적응형 어드미턴스 제어 방법, 이를 수행하는 장치 및 컴퓨터 프로그램 | |
| Hurst et al. | TCS learning classifier system controller on a real robot | |
| KR102175280B1 (ko) | 제어 파라미터 학습 기반 제어 시스템 및 방법 | |
| JPH06242804A (ja) | ファジィ制御装置 | |
| Ikemoto et al. | Continuous deep Q-learning with a simulator for stabilization of uncertain discrete-time systems | |
| KR20200092457A (ko) | 메타 강화 학습을 이용한 인간 행동패턴 및 행동전략 추정 시스템 및 방법 | |
| Chandana | A survey on soft computing techniques and applications | |
| Suykens et al. | Neural control theory: an overview | |
| Nauck et al. | Neuro-fuzzy methods in fuzzy rule generation | |
| JP2501932B2 (ja) | ニュ―ラルネットワ―クによる重心決定要素出力装置 | |
| Nauck et al. | The evolution of neuro-fuzzy systems | |
| Wang et al. | A Principled Framework for Knowledge-enhanced Large Language Model | |
| JP2763370B2 (ja) | 階層ネットワーク構成ファジィ制御器 | |
| Castro et al. | A new approach for the execution and adjustment of a fuzzy algorithm | |
| Riedmiller et al. | Fynesse: a hybrid architecture for self-learning control |