JPH064503A - ファジィ推論ルールの抽出装置 - Google Patents
ファジィ推論ルールの抽出装置Info
- Publication number
- JPH064503A JPH064503A JP4159218A JP15921892A JPH064503A JP H064503 A JPH064503 A JP H064503A JP 4159218 A JP4159218 A JP 4159218A JP 15921892 A JP15921892 A JP 15921892A JP H064503 A JPH064503 A JP H064503A
- Authority
- JP
- Japan
- Prior art keywords
- fuzzy inference
- unit
- input
- model storage
- fuzzy
- 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】 （修正有）
【目的】 ＣＭＡＣの学習機能を用いて、入出力関係を
その本質的な関係を表現するファジィ推論ルールと微調
整のファジィ推論ルールとに分離して、同定できるファ
ジィ推論の抽出装置を提供する。 【構成】 センサーからの情報やユーザの情報の入力部
２１と、メンバシップ関数記憶部２２と、複数の小脳モ
デル記憶部２３と、前記複数の小脳モデル記憶部に重み
を考慮するための重み計算部２４と、ファジィ推論ルー
ルの後件部を降下法により学習する降下法学習部２５
と、重み計算部の重みを用いて決定したファジィ推論ル
ールの前件部及び前記降下法学習部で得られた後件部と
を用いて行うファジィ推論部２６と、ファジィ推論の結
果と前記入力部からの出力値との誤差を判断する判断部
２７と、前記判断部の判断に基づいて最も推論誤差が小
さくなる一つの小脳モデル記憶部を選択し残りの小脳モ
デル記憶部を用いた結果も表示する出力部２８とを具備
する。
その本質的な関係を表現するファジィ推論ルールと微調
整のファジィ推論ルールとに分離して、同定できるファ
ジィ推論の抽出装置を提供する。 【構成】 センサーからの情報やユーザの情報の入力部
２１と、メンバシップ関数記憶部２２と、複数の小脳モ
デル記憶部２３と、前記複数の小脳モデル記憶部に重み
を考慮するための重み計算部２４と、ファジィ推論ルー
ルの後件部を降下法により学習する降下法学習部２５
と、重み計算部の重みを用いて決定したファジィ推論ル
ールの前件部及び前記降下法学習部で得られた後件部と
を用いて行うファジィ推論部２６と、ファジィ推論の結
果と前記入力部からの出力値との誤差を判断する判断部
２７と、前記判断部の判断に基づいて最も推論誤差が小
さくなる一つの小脳モデル記憶部を選択し残りの小脳モ
デル記憶部を用いた結果も表示する出力部２８とを具備
する。
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制御装置に関するものである。
の推定量を決定する制御装置に関するものである。
【０００２】
【従来の技術】まず、ファジィ推論の基本的概略につい
て説明する。ファジィ推論では、if…then … 形式の推
論規則にあいまいな変量（例えば、「大きい」、「中
位」等）を用いて推論を実行する。ファジィ推論では、
前件部(IF部)には必ずファジィ変数を記述するが、後件
部(THEN部)ではファジィ変数、方程式、あるいは実数値
を記述する。推論の実行は次のように行う。
て説明する。ファジィ推論では、if…then … 形式の推
論規則にあいまいな変量（例えば、「大きい」、「中
位」等）を用いて推論を実行する。ファジィ推論では、
前件部(IF部)には必ずファジィ変数を記述するが、後件
部(THEN部)ではファジィ変数、方程式、あるいは実数値
を記述する。推論の実行は次のように行う。
【０００３】１）入力値に対して、前件部の各入力変数
のファジィ変数のメンバシップ値を計算する。
のファジィ変数のメンバシップ値を計算する。
【０００４】２）各入力変数に対するメンバシップ値を
統合する計算(min演算、乗算等)を施して、各ルールの
前件部の適合度合を計算する。
統合する計算(min演算、乗算等)を施して、各ルールの
前件部の適合度合を計算する。
【０００５】３）後件部のファジィ変数、あるいは実数
値(方程式を含む)のメンバシップ値と前件部の適合度合
との演算(min演算、乗算等)から、各ルールの結果を算
出する。
値(方程式を含む)のメンバシップ値と前件部の適合度合
との演算(min演算、乗算等)から、各ルールの結果を算
出する。
【０００６】４）複数個のルールに対して、最終的な結
果を求める計算(max演算、和算等)を施し、最終結果を
得る。ただし、特に制御分野では、最終結果(ファジィ
数)の重心をとり、実数値として最終結果を算出してい
る。
果を求める計算(max演算、和算等)を施し、最終結果を
得る。ただし、特に制御分野では、最終結果(ファジィ
数)の重心をとり、実数値として最終結果を算出してい
る。
【０００７】より詳細な資料として、ファジィ制御（菅
野道夫著、日刊工業新聞社）がある。また、特願平２ー
２３３５４６号に示されているファジィ推論装置があ
る。
野道夫著、日刊工業新聞社）がある。また、特願平２ー
２３３５４６号に示されているファジィ推論装置があ
る。
【０００８】一方、ある入力データをファジィ推論装置
に入力した場合に、正しい出力値が推論されるように、
前件部のメンバシップ関数と後件部の実数値を調整する
種々の技術が提案されている。ファジィ推論ルールの調
整技術の構成図の一例を図５に示す。図５において、５
１はファジィ推論値を演算するファジィ推論演算部、５
２はファジィ推論に用いる推論規則を記憶している推論
規則記憶部、５３は前件部のメンバーシップ関数の形状
を表わすパラメータを記憶している前件部メンバーシッ
プ関数記憶部、５４は後件部の実数値を記憶している後
件部実数値記憶部、５５はあらかじめ与えられた入出力
データとファジィ推論演算部から得られる推論結果から
推論誤差を検出するファジィ推論誤差演算部、５６は推
論誤差演算部から得られた推論誤差を用いて、降下法に
より前件部のメンバシップ関数と後件部の実数値を調整
する降下法演算部である。
に入力した場合に、正しい出力値が推論されるように、
前件部のメンバシップ関数と後件部の実数値を調整する
種々の技術が提案されている。ファジィ推論ルールの調
整技術の構成図の一例を図５に示す。図５において、５
１はファジィ推論値を演算するファジィ推論演算部、５
２はファジィ推論に用いる推論規則を記憶している推論
規則記憶部、５３は前件部のメンバーシップ関数の形状
を表わすパラメータを記憶している前件部メンバーシッ
プ関数記憶部、５４は後件部の実数値を記憶している後
件部実数値記憶部、５５はあらかじめ与えられた入出力
データとファジィ推論演算部から得られる推論結果から
推論誤差を検出するファジィ推論誤差演算部、５６は推
論誤差演算部から得られた推論誤差を用いて、降下法に
より前件部のメンバシップ関数と後件部の実数値を調整
する降下法演算部である。
【０００９】この方法では、非線形計画法の一手法であ
る降下法を用いることにより、ファジィ推論ルールの前
件部のメンバシップ関数と後件部の実数値を調整する。
しかしながら、メンバシップ関数や実数値は推論誤差が
小さくなる方向だけに調整されるので、入出力関係の微
妙な変動を表すメンバシップ関数を多く作成し、微妙な
変動を表すファジィ推論ルールを多く作成してしまう。
その結果、入出力関係の本質的な関係を表現する場合に
は、十分なファジィ推論ルールを得ることができないと
いった欠点があった。
る降下法を用いることにより、ファジィ推論ルールの前
件部のメンバシップ関数と後件部の実数値を調整する。
しかしながら、メンバシップ関数や実数値は推論誤差が
小さくなる方向だけに調整されるので、入出力関係の微
妙な変動を表すメンバシップ関数を多く作成し、微妙な
変動を表すファジィ推論ルールを多く作成してしまう。
その結果、入出力関係の本質的な関係を表現する場合に
は、十分なファジィ推論ルールを得ることができないと
いった欠点があった。
【００１０】
【発明が解決しようとする課題】本発明はかかる点に鑑
み、ファジィ推論ルールを調整するのではなく、ＣＭＡ
Ｃの学習機能を用いて入出力データの挙動を大まかに表
現する推論ルールと微調整の推論ルールとの２種類のフ
ァジィ推論ルールを抽出して、ファジィ推論ルールを構
築する装置を提供することを目的とする。
み、ファジィ推論ルールを調整するのではなく、ＣＭＡ
Ｃの学習機能を用いて入出力データの挙動を大まかに表
現する推論ルールと微調整の推論ルールとの２種類のフ
ァジィ推論ルールを抽出して、ファジィ推論ルールを構
築する装置を提供することを目的とする。
【００１１】
【課題を解決するための手段】第１の発明では、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部
と、ファジィ推論のためのメンバシップ関数を記憶する
メンバシップ関数記憶部と、小脳モデルの構成要素であ
る顆粒細胞を記憶する複数の小脳モデル記憶部と、ファ
ジィ推論ルールの後件部を降下法により学習する降下法
学習部と、複数個の前記小脳モデル記憶部に配分して決
定したファジィ推論ルールの前件部及び前記降下法学習
部で得られた後件部とを用いてファジィ推論を行うファ
ジィ推論部と、ファジィ推論の結果と前記入力部からの
出力値との誤差を判断する判断部と、前記判断部の判断
に基づいて最も推論誤差が小さくなる一つの小脳モデル
記憶部を選択し残りの小脳モデル記憶部を用いた結果も
表示する出力部とを具備することを特徴とするファジィ
推論ルールの抽出装置である。
ーからの情報やユーザの情報を入力するための入力部
と、ファジィ推論のためのメンバシップ関数を記憶する
メンバシップ関数記憶部と、小脳モデルの構成要素であ
る顆粒細胞を記憶する複数の小脳モデル記憶部と、ファ
ジィ推論ルールの後件部を降下法により学習する降下法
学習部と、複数個の前記小脳モデル記憶部に配分して決
定したファジィ推論ルールの前件部及び前記降下法学習
部で得られた後件部とを用いてファジィ推論を行うファ
ジィ推論部と、ファジィ推論の結果と前記入力部からの
出力値との誤差を判断する判断部と、前記判断部の判断
に基づいて最も推論誤差が小さくなる一つの小脳モデル
記憶部を選択し残りの小脳モデル記憶部を用いた結果も
表示する出力部とを具備することを特徴とするファジィ
推論ルールの抽出装置である。
【００１２】第２の発明では、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部と、ファジィ推論の
ためのメンバシップ関数を記憶するメンバシップ関数記
憶部と、小脳モデルの構成要素である顆粒細胞を記憶す
る複数の小脳モデル記憶部と、前記複数の小脳モデル記
憶部に重みを考慮するための重み計算部と、ファジィ推
論ルールの後件部を降下法により学習する降下法学習部
と、複数個の前記小脳モデル記憶部に配分し前記重み計
算部の重みを用いて決定したファジィ推論ルールの前件
部及び前記降下法学習部で得られた後件部とを用いてフ
ァジィ推論を行うファジィ推論部と、ファジィ推論の結
果と前記入力部からの出力値との誤差を判断する判断部
と、前記判断部の判断に基づいて最も推論誤差が小さく
なる一つの小脳モデル記憶部を選択し残りの小脳モデル
記憶部を用いた結果も表示する出力部とを具備すること
を特徴とするファジィ推論ルールの抽出装置である。
ーザの情報を入力するための入力部と、ファジィ推論の
ためのメンバシップ関数を記憶するメンバシップ関数記
憶部と、小脳モデルの構成要素である顆粒細胞を記憶す
る複数の小脳モデル記憶部と、前記複数の小脳モデル記
憶部に重みを考慮するための重み計算部と、ファジィ推
論ルールの後件部を降下法により学習する降下法学習部
と、複数個の前記小脳モデル記憶部に配分し前記重み計
算部の重みを用いて決定したファジィ推論ルールの前件
部及び前記降下法学習部で得られた後件部とを用いてフ
ァジィ推論を行うファジィ推論部と、ファジィ推論の結
果と前記入力部からの出力値との誤差を判断する判断部
と、前記判断部の判断に基づいて最も推論誤差が小さく
なる一つの小脳モデル記憶部を選択し残りの小脳モデル
記憶部を用いた結果も表示する出力部とを具備すること
を特徴とするファジィ推論ルールの抽出装置である。
【００１３】第３の発明では、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部と、ファジィ推論の
ためのメンバシップ関数を記憶するメンバシップ関数記
憶部と、小脳モデルの構成要素である顆粒細胞を記憶す
る複数の小脳モデル記憶部と、ファジィ推論ルールの後
件部を遺伝アルゴリズムにより学習する遺伝アルゴリズ
ム実行部と、前記遺伝アルゴリズム実行部のパラメータ
を記憶するパラメータ記憶部と、複数個の前記小脳モデ
ル記憶部に配分して決定したファジィ推論ルールの前件
部及び前記遺伝アルゴリズム実行部で得られた後件部と
を用いてファジィ推論を行うファジィ推論部と、ファジ
ィ推論の結果と前記入力部からの出力値との誤差を判断
する判断部と、前記判断部の判断に基づいて最も推論誤
差が小さくなる一つの小脳モデル記憶部を選択し残りの
小脳モデル記憶部を用いた結果も表示する出力部とを具
備することを特徴とするファジィ推論ルールの抽出装置
である。
ーザの情報を入力するための入力部と、ファジィ推論の
ためのメンバシップ関数を記憶するメンバシップ関数記
憶部と、小脳モデルの構成要素である顆粒細胞を記憶す
る複数の小脳モデル記憶部と、ファジィ推論ルールの後
件部を遺伝アルゴリズムにより学習する遺伝アルゴリズ
ム実行部と、前記遺伝アルゴリズム実行部のパラメータ
を記憶するパラメータ記憶部と、複数個の前記小脳モデ
ル記憶部に配分して決定したファジィ推論ルールの前件
部及び前記遺伝アルゴリズム実行部で得られた後件部と
を用いてファジィ推論を行うファジィ推論部と、ファジ
ィ推論の結果と前記入力部からの出力値との誤差を判断
する判断部と、前記判断部の判断に基づいて最も推論誤
差が小さくなる一つの小脳モデル記憶部を選択し残りの
小脳モデル記憶部を用いた結果も表示する出力部とを具
備することを特徴とするファジィ推論ルールの抽出装置
である。
【００１４】第４の発明では、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部と、ファジィ推論の
ためのメンバシップ関数を記憶するメンバシップ関数記
憶部と、小脳モデルの構成要素である顆粒細胞を記憶す
る複数の小脳モデル記憶部と、前記複数の小脳モデル記
憶部に重みを考慮するための重み計算部と、ファジィ推
論ルールの後件部を遺伝アルゴリズムにより学習する遺
伝アルゴリズム実行部と、前記遺伝アルゴリズム実行部
のパラメータを記憶するパラメータ記憶部と、複数個の
前記小脳モデル記憶部に配分し前記重み計算部の重みを
用いて決定したファジィ推論ルールの前件部及び前記遺
伝アルゴリズム実行部で得られた後件部とを用いてファ
ジィ推論を行うファジィ推論部と、ファジィ推論の結果
と前記入力部からの出力値との誤差を判断する判断部
と、前記判断部の判断に基づいて最も推論誤差が小さく
なる一つの小脳モデル記憶部を選択し残りの小脳モデル
記憶部を用いた結果も表示する出力部とを具備すること
を特徴とするファジィ推論ルールの抽出装置である。
ーザの情報を入力するための入力部と、ファジィ推論の
ためのメンバシップ関数を記憶するメンバシップ関数記
憶部と、小脳モデルの構成要素である顆粒細胞を記憶す
る複数の小脳モデル記憶部と、前記複数の小脳モデル記
憶部に重みを考慮するための重み計算部と、ファジィ推
論ルールの後件部を遺伝アルゴリズムにより学習する遺
伝アルゴリズム実行部と、前記遺伝アルゴリズム実行部
のパラメータを記憶するパラメータ記憶部と、複数個の
前記小脳モデル記憶部に配分し前記重み計算部の重みを
用いて決定したファジィ推論ルールの前件部及び前記遺
伝アルゴリズム実行部で得られた後件部とを用いてファ
ジィ推論を行うファジィ推論部と、ファジィ推論の結果
と前記入力部からの出力値との誤差を判断する判断部
と、前記判断部の判断に基づいて最も推論誤差が小さく
なる一つの小脳モデル記憶部を選択し残りの小脳モデル
記憶部を用いた結果も表示する出力部とを具備すること
を特徴とするファジィ推論ルールの抽出装置である。
【００１５】
【作用】本発明は前記した構成により、ＣＭＡＣの学習
機能を用いて、入出力関係を同定し、ファジィ推論ルー
ルを抽出し、高速に、低記憶容量で出力量を提供でき
る。
機能を用いて、入出力関係を同定し、ファジィ推論ルー
ルを抽出し、高速に、低記憶容量で出力量を提供でき
る。
【００１６】
【実施例】まず、本特許で重要な概念である小脳モデル
アルゴリズム（Ｃｅｒｅｂｅｌｌａｒ Ｍｏｄｅｌ Ａ
ｒｉｔｈｍｅｔｉｃ Ｃｏｍｐｕｔｅｒ ： ＣＭＡ
Ｃ）の基本概略について説明する。ＣＭＡＣは、Ｊ．
Ｓ．Ａｌｂｕｓ （Ｂｒａｉｎｓ， Ｂｅｈａｖｉｏｒ
ａｎｄ Ｒｏｂｏｔｉｃｓ， ＭｃＧｒａｗ Ｈｉｌ
ｌｓ （１９８１）, (訳)小杉他：ロボティクス，啓学
出版（１９８４））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。
アルゴリズム（Ｃｅｒｅｂｅｌｌａｒ Ｍｏｄｅｌ Ａ
ｒｉｔｈｍｅｔｉｃ Ｃｏｍｐｕｔｅｒ ： ＣＭＡ
Ｃ）の基本概略について説明する。ＣＭＡＣは、Ｊ．
Ｓ．Ａｌｂｕｓ （Ｂｒａｉｎｓ， Ｂｅｈａｖｉｏｒ
ａｎｄ Ｒｏｂｏｔｉｃｓ， ＭｃＧｒａｗ Ｈｉｌ
ｌｓ （１９８１）, (訳)小杉他：ロボティクス，啓学
出版（１９８４））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。
【００１７】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。ＣＭ
ＡＣ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。各層モデル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６に n=2, m=4 から
なるＣＭＡＣを示す。ＣＭＡＣは４層の層モデルから構
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。ＣＭ
ＡＣ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。各層モデル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６に n=2, m=4 から
なるＣＭＡＣを示す。ＣＭＡＣは４層の層モデルから構
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。
【００１８】次に、ＣＭＡＣの逐次学習方法について述
べる。いま、層モデル 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 W k は、次のように表され
る。
べる。いま、層モデル 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 W k は、次のように表され
る。
【００１９】
【数１】
【００２０】ただし、Ｆk(Ｘ)は層モデル Fk の入出力
関係を表す。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 を計算する。
関係を表す。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 を計算する。
【００２１】
【数２】
【００２２】(t+1) 回目の Wt+1 k は、推論値 yt c を用
いて次のように計算される。
いて次のように計算される。
【００２３】
【数３】
【００２４】ただし、ｇは学習係数である。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。
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。
【００２５】
【数４】
【００２６】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全体の入出力デ
ータの学習を行う。この全体の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全体の入出力デ
ータの学習を行う。この全体の学習が終了した場合の顆
粒細胞値を特に、Wlast kと記す。
【００２７】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
【００２８】
【数５】
【００２９】とする。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。
(数３) から次のように求められる。
【００３０】
【数６】
【００３１】
【数７】
【００３２】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、
【００３３】
【数８】
【００３４】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。
【００３５】次に、ＣＭＡＣの有用性を示す。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(1
988)）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。
形方程式（菅野道夫：ファジィ制御，日刊工業新聞社(1
988)）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。
【００３６】
【数９】
【００３７】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７に
示す。
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７に
示す。
【００３８】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。
度 C は次式により求める。
【００３９】
【数１０】
【００４０】ここで、eyi はＣＭＡＣの推定値である。
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高精度で同定することができる。
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高精度で同定することができる。
【００４１】本特許では、このＣＭＡＣをファジィ推論
ルールの調整のために用いる。そのため、ファジィ推論
ルールのメンバシップ関数を顆粒細胞に導入する新たな
ＣＭＡＣを提案する。具体的には、各顆粒細胞がファジ
ィ推論のルールテーブルとなるように三角型のメンバシ
ップ関数を配置する。図８に、第ｋ層目での顆粒細胞と
メンバシップ関数との関係を示す。ただし、メンバシッ
プ関数は隣のメンバシップ関数とはメンバシップ値が
0.5で交わるように構成する。また、斜線の顆粒細胞が
示すファジィ推論ルールも同時に表現する。ファジィ推
論ルールの前件部は、入力変数 x1 の２番目のメンバシ
ップ関数と入力変数 x2 の４番目のメンバシップ関数か
ら構成され、後件部ではＣＭＡＣの顆粒細胞値が実数値
を表している。
ルールの調整のために用いる。そのため、ファジィ推論
ルールのメンバシップ関数を顆粒細胞に導入する新たな
ＣＭＡＣを提案する。具体的には、各顆粒細胞がファジ
ィ推論のルールテーブルとなるように三角型のメンバシ
ップ関数を配置する。図８に、第ｋ層目での顆粒細胞と
メンバシップ関数との関係を示す。ただし、メンバシッ
プ関数は隣のメンバシップ関数とはメンバシップ値が
0.5で交わるように構成する。また、斜線の顆粒細胞が
示すファジィ推論ルールも同時に表現する。ファジィ推
論ルールの前件部は、入力変数 x1 の２番目のメンバシ
ップ関数と入力変数 x2 の４番目のメンバシップ関数か
ら構成され、後件部ではＣＭＡＣの顆粒細胞値が実数値
を表している。
【００４２】いま、入出力データ(Ｘ,y)=(x1,x2,・・・,
xn,y) が与えられたとすると、推論値yt c はメンバシッ
プ関数を考慮することにより、（数２）を変形して次の
ように得られる。
xn,y) が与えられたとすると、推論値yt c はメンバシッ
プ関数を考慮することにより、（数２）を変形して次の
ように得られる。
【００４３】
【数１１】
【００４４】ただし、μkj,q(xj)は、第 j 番目の入力
変数の第 q 番目のファジィ数のメンバシップ値を表
し、Q(J) は第 j 番目の入力変数に設定されたメンバシ
ップ関数の個数を表す。また、添字 p は第 k 層目にお
いて、入力Ｘを含む顆粒細胞の番号を示し、NK はその
対応する顆粒細胞の個数である。したがって、ｗt、p k
は第k 層目の第 p 番目の顆粒細胞の t 回目の値を示
す。
変数の第 q 番目のファジィ数のメンバシップ値を表
し、Q(J) は第 j 番目の入力変数に設定されたメンバシ
ップ関数の個数を表す。また、添字 p は第 k 層目にお
いて、入力Ｘを含む顆粒細胞の番号を示し、NK はその
対応する顆粒細胞の個数である。したがって、ｗt、p k
は第k 層目の第 p 番目の顆粒細胞の t 回目の値を示
す。
【００４５】推論値 yt c を用いて (t+1) 回目の W
t+1、p k を次のように計算する。
t+1、p k を次のように計算する。
【００４６】
【数１２】
【００４７】ただし、ｇは学習係数である。(数１２)の
学習式は、ファジィ推論ルールの調整法として有用な降
下法と同じであるが、前件部のメンバシップ関数を調整
するのではなく、後件部の実数値だけを調整している。
学習式は、ファジィ推論ルールの調整法として有用な降
下法と同じであるが、前件部のメンバシップ関数を調整
するのではなく、後件部の実数値だけを調整している。
【００４８】本特許の手法では、ファジィ推論ルールの
前件部のメンバシップ関数を固定として、各層の顆粒細
胞に割り付け、ＣＭＡＣの顆粒細胞値の学習則によりフ
ァジィ推論ルールの後件部の実数値を決定している。Ｃ
ＭＡＣの構造を用いることで多層的なファジィ推論ルー
ルを設定することになり、メンバシップ関数を調整する
ことなく推論誤差を小さくできる。
前件部のメンバシップ関数を固定として、各層の顆粒細
胞に割り付け、ＣＭＡＣの顆粒細胞値の学習則によりフ
ァジィ推論ルールの後件部の実数値を決定している。Ｃ
ＭＡＣの構造を用いることで多層的なファジィ推論ルー
ルを設定することになり、メンバシップ関数を調整する
ことなく推論誤差を小さくできる。
【００４９】次に、本発明の実施例を図面を用いて説明
する。図１は本発明の請求項１に記載のファジィ推論ル
ールの抽出装置の一実施例の構成図である。図１におい
て、１１はセンサーからの情報やユーザの情報を入力す
るための入力部。１２はファジィ推論のためのメンバシ
ップ関数を記憶するメンバシップ関数記憶部。１３は小
脳モデルの構成要素である顆粒細胞を記憶する複数の小
脳モデル記憶部。１４はファジィ推論ルールの後件部を
降下法により学習する降下法学習部。１５は複数個の前
記小脳モデル記憶部に配分して決定したファジィ推論ル
ールの前件部及び前記降下法学習部で得られた後件部と
を用いてファジィ推論を行うファジィ推論部。１６はフ
ァジィ推論の結果と前記入力部からの出力値との誤差を
判断する判断部。１７は前記判断部の判断に基づいて最
も推論誤差が小さくなる一つの小脳モデル記憶部を選択
し残りの小脳モデル記憶部を用いた結果も表示する出力
部である。
する。図１は本発明の請求項１に記載のファジィ推論ル
ールの抽出装置の一実施例の構成図である。図１におい
て、１１はセンサーからの情報やユーザの情報を入力す
るための入力部。１２はファジィ推論のためのメンバシ
ップ関数を記憶するメンバシップ関数記憶部。１３は小
脳モデルの構成要素である顆粒細胞を記憶する複数の小
脳モデル記憶部。１４はファジィ推論ルールの後件部を
降下法により学習する降下法学習部。１５は複数個の前
記小脳モデル記憶部に配分して決定したファジィ推論ル
ールの前件部及び前記降下法学習部で得られた後件部と
を用いてファジィ推論を行うファジィ推論部。１６はフ
ァジィ推論の結果と前記入力部からの出力値との誤差を
判断する判断部。１７は前記判断部の判断に基づいて最
も推論誤差が小さくなる一つの小脳モデル記憶部を選択
し残りの小脳モデル記憶部を用いた結果も表示する出力
部である。
【００５０】次に、第１の発明のファジィ推論ルールの
抽出装置について、その動作過程を説明する。
抽出装置について、その動作過程を説明する。
【００５１】［ステップ １］観測値 yと入力変数 xj,
j=1,2, … ,n を定める。１１の入力部からセンサー入
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 (xi1,xi2,…,xin,yi), i=1,2,… ,N と
表す。
j=1,2, … ,n を定める。１１の入力部からセンサー入
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 (xi1,xi2,…,xin,yi), i=1,2,… ,N と
表す。
【００５２】［ステップ ２］メンバシップ関数記憶部
１２からメンバシップ関数を小脳モデル記憶部１３に出
力し、ファジィ推論部１５においてファジィ推論を実行
する。ただし、後件部の実数値を後件部学習部１４にお
いて(数１２)を用いて学習する。このために、小脳モデ
ル記憶部１３とメンバシップ関数記憶部１２とを接合さ
せるｍ個のスイッチ s1,…,sm を ON 状態にする。これ
により、ファジィ推論部１５と降下法学習部１４とを用
いて、入出力データ(xi1,xi2,…,xin,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と各
層での顆粒細胞の分割数は、ユーザにより入力部１１か
ら入力される。ここで、各層の顆粒細胞は、データの入
出力関係を大まかに捕らえるファジィ推論ルールを決定
するための要因となるので、詳細に分割するよりも多
少、大きめに設定する。
１２からメンバシップ関数を小脳モデル記憶部１３に出
力し、ファジィ推論部１５においてファジィ推論を実行
する。ただし、後件部の実数値を後件部学習部１４にお
いて(数１２)を用いて学習する。このために、小脳モデ
ル記憶部１３とメンバシップ関数記憶部１２とを接合さ
せるｍ個のスイッチ s1,…,sm を ON 状態にする。これ
により、ファジィ推論部１５と降下法学習部１４とを用
いて、入出力データ(xi1,xi2,…,xin,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と各
層での顆粒細胞の分割数は、ユーザにより入力部１１か
ら入力される。ここで、各層の顆粒細胞は、データの入
出力関係を大まかに捕らえるファジィ推論ルールを決定
するための要因となるので、詳細に分割するよりも多
少、大きめに設定する。
【００５３】［ステップ ３］m 層の各層における推定
の出力値を計算し、判断部１６において、最も推論誤差
の小さい層を選択する。選択された層を第 k 層とす
る。この第 k 層は、最も推論誤差が小さいので、ｍ層
の中で最もデータの入出力関係を大まかに表現したルー
ルであるといえる。入出力データ(xi1,xi2,…,xin,yi)
を次のように変更する。
の出力値を計算し、判断部１６において、最も推論誤差
の小さい層を選択する。選択された層を第 k 層とす
る。この第 k 層は、最も推論誤差が小さいので、ｍ層
の中で最もデータの入出力関係を大まかに表現したルー
ルであるといえる。入出力データ(xi1,xi2,…,xin,yi)
を次のように変更する。
【００５４】
【数１３】
【００５５】［ステップ ４］新たに設定した入出力デ
ータ (xi1,xi2,…,xin,yi) に対して、第 k 層目を取り
除いた小脳モデル記憶部を用いて、(数１２)の学習を行
う。このために、小脳モデル記憶部１３とメンバシップ
関数記憶部１２とを接合させるｍ個のスイッチs1,…,sm
の中で、スイッチ sk を OFF 状態にして、残りのスイ
ッチを ON 状態にする。これにより、ファジィ推論部１
５と降下法学習部１６とを用いて、入出力データ (xi1,
xi2,…,xin,yi) の入出力関係を推定する。この残りの
m-1 層から構成されるファジィ推論ルールは、第ｋ層目
で入出力データの大まかな関係を表現した補正分を表現
していると考えられる。したがって、ここでは、この残
りのファジィ推論ルールを微調整の推論ルールと考え
る。
ータ (xi1,xi2,…,xin,yi) に対して、第 k 層目を取り
除いた小脳モデル記憶部を用いて、(数１２)の学習を行
う。このために、小脳モデル記憶部１３とメンバシップ
関数記憶部１２とを接合させるｍ個のスイッチs1,…,sm
の中で、スイッチ sk を OFF 状態にして、残りのスイ
ッチを ON 状態にする。これにより、ファジィ推論部１
５と降下法学習部１６とを用いて、入出力データ (xi1,
xi2,…,xin,yi) の入出力関係を推定する。この残りの
m-1 層から構成されるファジィ推論ルールは、第ｋ層目
で入出力データの大まかな関係を表現した補正分を表現
していると考えられる。したがって、ここでは、この残
りのファジィ推論ルールを微調整の推論ルールと考え
る。
【００５６】上記の装置により、大まかなファジィ推論
ルールを抽出する過程を図９に示し、微調整のファジィ
推論ルールを構成する過程を図10に示す。図９では、小
脳モデルは４層に分割されており、第１層目の層モデル
による推論値が最も出力データを表現している。したが
って、図10では、第１層目の層モデルでの学習を固定し
て、残りの３層の層モデルを用いて推論誤差を同定して
いる。また、１入力１出力のデータが与えられた場合の
ファジィ推論ルールの抽出装置による数値例を図11に示
す。それぞれ、(a)は与えられた１入力１出力データ、
(b)は大まかなファジィ推論ルールにより得られた入出
力関係、(c) は微調整のファジィ推論ルールにより得ら
れた入出力関係、(d) は大まかなファジィ推論ルールと
微調整のファジィ推論ルールを用いて得られた入出力関
係を表す。ただし、ここでは７層の層モデルと各層で３
種類のメンバシップ関数を設定している。
ルールを抽出する過程を図９に示し、微調整のファジィ
推論ルールを構成する過程を図10に示す。図９では、小
脳モデルは４層に分割されており、第１層目の層モデル
による推論値が最も出力データを表現している。したが
って、図10では、第１層目の層モデルでの学習を固定し
て、残りの３層の層モデルを用いて推論誤差を同定して
いる。また、１入力１出力のデータが与えられた場合の
ファジィ推論ルールの抽出装置による数値例を図11に示
す。それぞれ、(a)は与えられた１入力１出力データ、
(b)は大まかなファジィ推論ルールにより得られた入出
力関係、(c) は微調整のファジィ推論ルールにより得ら
れた入出力関係、(d) は大まかなファジィ推論ルールと
微調整のファジィ推論ルールを用いて得られた入出力関
係を表す。ただし、ここでは７層の層モデルと各層で３
種類のメンバシップ関数を設定している。
【００５７】以上のような構成を用いて、まず、ＣＭＡ
Ｃによる学習手法(降下法)を用いて、ＣＭＡＣの一つの
層を抽出することにより大まかなファジィ推論ルールを
抽出し、次に、残りの層を用いることにより推論誤差を
調整するための微調整のファジィ推論ルールを構成す
る。ファジィ推論ルールが調整されるのではなく、入出
力データの入出力関係を大まかに表すファジィ推論ルー
ルと微調整のファジィ推論ルールとを抽出により構成す
ることができるので、入出力関係の本質的な関係を容易
に表現することができる。
Ｃによる学習手法(降下法)を用いて、ＣＭＡＣの一つの
層を抽出することにより大まかなファジィ推論ルールを
抽出し、次に、残りの層を用いることにより推論誤差を
調整するための微調整のファジィ推論ルールを構成す
る。ファジィ推論ルールが調整されるのではなく、入出
力データの入出力関係を大まかに表すファジィ推論ルー
ルと微調整のファジィ推論ルールとを抽出により構成す
ることができるので、入出力関係の本質的な関係を容易
に表現することができる。
【００５８】次に、第２の発明の実施例について説明す
る。図２は本発明の請求項２に記載のファジィ推論ルー
ルの抽出装置の一実施例の構成図である。図２におい
て、２１はセンサーからの情報やユーザの情報を入力す
るための入力部。２２はファジィ推論のためのメンバシ
ップ関数を記憶するメンバシップ関数記憶部。２３は小
脳モデルの構成要素である顆粒細胞を記憶する複数の小
脳モデル記憶部。２４は前記複数の小脳モデル記憶部に
重みを考慮するための重み計算部。２５はファジィ推論
ルールの後件部を降下法により学習する降下法学習部。
２６は複数個の前記小脳モデル記憶部に配分し前記重み
計算部の重みを用いて決定したファジィ推論ルールの前
件部及び前記降下法学習部で得られた後件部とを用いて
ファジィ推論を行うファジィ推論部。２７はファジィ推
論の結果と前記入力部からの出力値との誤差を判断する
判断部。２８は前記判断部の判断に基づいて最も推論誤
差が小さくなる一つの小脳モデル記憶部を選択し残りの
小脳モデル記憶部を用いた結果も表示する出力部であ
る。
る。図２は本発明の請求項２に記載のファジィ推論ルー
ルの抽出装置の一実施例の構成図である。図２におい
て、２１はセンサーからの情報やユーザの情報を入力す
るための入力部。２２はファジィ推論のためのメンバシ
ップ関数を記憶するメンバシップ関数記憶部。２３は小
脳モデルの構成要素である顆粒細胞を記憶する複数の小
脳モデル記憶部。２４は前記複数の小脳モデル記憶部に
重みを考慮するための重み計算部。２５はファジィ推論
ルールの後件部を降下法により学習する降下法学習部。
２６は複数個の前記小脳モデル記憶部に配分し前記重み
計算部の重みを用いて決定したファジィ推論ルールの前
件部及び前記降下法学習部で得られた後件部とを用いて
ファジィ推論を行うファジィ推論部。２７はファジィ推
論の結果と前記入力部からの出力値との誤差を判断する
判断部。２８は前記判断部の判断に基づいて最も推論誤
差が小さくなる一つの小脳モデル記憶部を選択し残りの
小脳モデル記憶部を用いた結果も表示する出力部であ
る。
【００５９】次に、第２の発明のファジィ推論ルールの
抽出装置について、その動作過程を説明する。
抽出装置について、その動作過程を説明する。
【００６０】ステップ１、３、４は第１の発明と動作過
程が同じなので、ここでの説明は省略する。ステップ２
のみを説明する。
程が同じなので、ここでの説明は省略する。ステップ２
のみを説明する。
【００６１】［ステップ ２］メンバシップ関数記憶部
２２からメンバシップ関数を小脳モデル記憶部２３に出
力し、ファジィ推論部２６においてファジィ推論を行
う。ただし、後件部の実数値を降下法学習部２５におい
て学習する。ここで、入力部２１から与えられたファジ
ィ推論ルールに対する重み(重視度合)から、各小脳モデ
ルに対する重み z 1,z2,…,zk,…,zm を、重み計算部２
４で次のように計算する。
２２からメンバシップ関数を小脳モデル記憶部２３に出
力し、ファジィ推論部２６においてファジィ推論を行
う。ただし、後件部の実数値を降下法学習部２５におい
て学習する。ここで、入力部２１から与えられたファジ
ィ推論ルールに対する重み(重視度合)から、各小脳モデ
ルに対する重み z 1,z2,…,zk,…,zm を、重み計算部２
４で次のように計算する。
【００６２】
【数１４】
【００６３】ただし、Rs は第 s 番目のファジィ推論ル
ールを示し、NS はファジィ推論ルールの個数を表す。
また、Ｇ(Rs) はファジィ推論ルール Rs に与えられた
重みを示す。
ールを示し、NS はファジィ推論ルールの個数を表す。
また、Ｇ(Rs) はファジィ推論ルール Rs に与えられた
重みを示す。
【００６４】この重み z1,z2,…,zm を用いて、小脳モ
デル記憶部２３の学習を行う。
デル記憶部２３の学習を行う。
【００６５】
【数１５】
【００６６】このために、小脳モデル記憶部２３とメン
バシップ関数記憶部２２とを接合させる m 個のスイッ
チ s1,…,sm を ON状態にする。これにより、ファジィ
推論部２６と降下法学習部２５とを用いて、入出力デー
タ(xi1,xi2,…,xin,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と各層での顆粒細胞の
分割数は、ユーザにより入力部２１から入力される。こ
こで、各層の顆粒細胞は、データの入出力関係を大まか
に捕らえるファジィ推論ルールを決定するための要因と
なるので、詳細に分割するよりも多少、大きめに設定す
る。
バシップ関数記憶部２２とを接合させる m 個のスイッ
チ s1,…,sm を ON状態にする。これにより、ファジィ
推論部２６と降下法学習部２５とを用いて、入出力デー
タ(xi1,xi2,…,xin,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と各層での顆粒細胞の
分割数は、ユーザにより入力部２１から入力される。こ
こで、各層の顆粒細胞は、データの入出力関係を大まか
に捕らえるファジィ推論ルールを決定するための要因と
なるので、詳細に分割するよりも多少、大きめに設定す
る。
【００６７】以上のような構成を用いて、まず、各ファ
ジィ推論ルールに対する重みを推論誤差に乗算した上
で、ＣＭＡＣによる学習手法(降下法)を用いてＣＭＡＣ
の一つの層を抽出することにより大まかなファジィ推論
ルールを抽出し、次に、残りの層を用いることにより推
論誤差を調整するための微調整のファジィ推論ルールを
構成する。入出力データの入出力関係を大まかに表すフ
ァジィ推論ルールと微調整のファジィ推論ルールとを抽
出できるので、入出力関係の本質的な関係を容易に表現
することができる。
ジィ推論ルールに対する重みを推論誤差に乗算した上
で、ＣＭＡＣによる学習手法(降下法)を用いてＣＭＡＣ
の一つの層を抽出することにより大まかなファジィ推論
ルールを抽出し、次に、残りの層を用いることにより推
論誤差を調整するための微調整のファジィ推論ルールを
構成する。入出力データの入出力関係を大まかに表すフ
ァジィ推論ルールと微調整のファジィ推論ルールとを抽
出できるので、入出力関係の本質的な関係を容易に表現
することができる。
【００６８】次に、第３の発明の実施例を図面を用いて
説明する。図３は本発明の請求項３に記載のファジィ推
論ルールの抽出装置の一実施例の構成図である。図３に
おいて、３１はセンサーからの情報やユーザの情報を入
力するための入力部。３２はファジィ推論のためのメン
バシップ関数を記憶するメンバシップ関数記憶部。３３
は小脳モデルの構成要素である顆粒細胞を記憶する複数
の小脳モデル記憶部。３４はファジィ推論ルールの後件
部を遺伝アルゴリズムにより学習する遺伝アルゴリズム
実行部。３５は前記遺伝アルゴリズム実行部のパラメー
タを記憶するパラメータ記憶部。３６は複数個の前記小
脳モデル記憶部に配分して決定したファジィ推論ルール
の前件部及び前記遺伝アルゴリズム実行部で得られた後
件部とを用いてファジィ推論を行うファジィ推論部。３
７はファジィ推論の結果と前記入力部からの出力値との
誤差を判断する判断部。３８は前記判断部の判断に基づ
いて最も推論誤差が小さくなる一つの小脳モデル記憶部
を選択し残りの小脳モデル記憶部を用いた結果も表示す
る出力部である。次に、第３の発明の入出力関係推定装
置について、その動作過程を説明する。
説明する。図３は本発明の請求項３に記載のファジィ推
論ルールの抽出装置の一実施例の構成図である。図３に
おいて、３１はセンサーからの情報やユーザの情報を入
力するための入力部。３２はファジィ推論のためのメン
バシップ関数を記憶するメンバシップ関数記憶部。３３
は小脳モデルの構成要素である顆粒細胞を記憶する複数
の小脳モデル記憶部。３４はファジィ推論ルールの後件
部を遺伝アルゴリズムにより学習する遺伝アルゴリズム
実行部。３５は前記遺伝アルゴリズム実行部のパラメー
タを記憶するパラメータ記憶部。３６は複数個の前記小
脳モデル記憶部に配分して決定したファジィ推論ルール
の前件部及び前記遺伝アルゴリズム実行部で得られた後
件部とを用いてファジィ推論を行うファジィ推論部。３
７はファジィ推論の結果と前記入力部からの出力値との
誤差を判断する判断部。３８は前記判断部の判断に基づ
いて最も推論誤差が小さくなる一つの小脳モデル記憶部
を選択し残りの小脳モデル記憶部を用いた結果も表示す
る出力部である。次に、第３の発明の入出力関係推定装
置について、その動作過程を説明する。
【００６９】第３の発明では遺伝アルゴリズムを用いて
ＣＭＡＣの顆粒細胞の値を決定している。遺伝アルゴリ
ズム(Genetic Algorithm)とは1975年にJ.H.Holland(Ada
ptation in Natural and Artificial Systems, Ann Arb
on, The Univ. of MichiganPress)が提案した。以下
に、遺伝アルゴリズムの概略について説明する。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)）を参考にして述べる。
ＣＭＡＣの顆粒細胞の値を決定している。遺伝アルゴリ
ズム(Genetic Algorithm)とは1975年にJ.H.Holland(Ada
ptation in Natural and Artificial Systems, Ann Arb
on, The Univ. of MichiganPress)が提案した。以下
に、遺伝アルゴリズムの概略について説明する。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)）を参考にして述べる。
【００７０】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。
【００７１】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。 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(x
i(0)) (適応度) を計算する。 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。
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。 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(x
i(0)) (適応度) を計算する。 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。
【００７２】
【数１６】
【００７３】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。
【００７４】(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。
【００７５】(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。
【００７６】(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。
【００７７】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。
【００７８】５）v(xk(t)) を計算する。 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。
て、２）から５）までを繰り返す。
【００７９】次に、第３の発明のファジィ推論ルールの
抽出装置について、その動作過程を説明する。
抽出装置について、その動作過程を説明する。
【００８０】ステップ１、３、４は第１の発明と動作過
程が同じなので、ここでの説明は省略する。ステップ２
のみを説明する。
程が同じなので、ここでの説明は省略する。ステップ２
のみを説明する。
【００８１】［ステップ ２］メンバシップ関数記憶部
３２からメンバシップ関数を小脳モデル記憶部３３に出
力し、ファジィ推論部３６においてファジィ推論を実行
する。ただし、後件部の実数値を遺伝アルゴリズム実行
部３４において学習する。学習のため、パラメータ記憶
部３５では顆粒細胞値（後件部の実数値）wt,p k を、次
のように染色体と遺伝子に変換する。
３２からメンバシップ関数を小脳モデル記憶部３３に出
力し、ファジィ推論部３６においてファジィ推論を実行
する。ただし、後件部の実数値を遺伝アルゴリズム実行
部３４において学習する。学習のため、パラメータ記憶
部３５では顆粒細胞値（後件部の実数値）wt,p k を、次
のように染色体と遺伝子に変換する。
【００８２】
【数１７】
【００８３】遺伝アルゴリズム実行部３４において、遺
伝アルゴリズムを用いて各層モデルの顆粒細胞値(ファ
ジィ推論ルールの後件部の実数値)を求める。ただし、
適応度を次のように定義する。
伝アルゴリズムを用いて各層モデルの顆粒細胞値(ファ
ジィ推論ルールの後件部の実数値)を求める。ただし、
適応度を次のように定義する。
【００８４】
【数１８】
【００８５】顆粒細胞値を求めるために、小脳モデル記
憶部３３とメンバシップ関数記憶部３２とを接合させる
m 個のスイッチ s1,…,sm を ON状態にする。これによ
り、ファジィ推論部３６と遺伝アルゴリズム実行部３
４、パラメータ記憶部３５を用いて、入出力データ
(xi1,xi2,…,xin,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と各層での顆粒細胞の
分割数は、ユーザにより入力部３１から入力される。こ
こで、各層の顆粒細胞は、データの入出力関係を大まか
に捕らえるファジィ推論ルールを決定するための要因と
なるので、詳細に分割するよりも多少、大きめに設定す
る。
憶部３３とメンバシップ関数記憶部３２とを接合させる
m 個のスイッチ s1,…,sm を ON状態にする。これによ
り、ファジィ推論部３６と遺伝アルゴリズム実行部３
４、パラメータ記憶部３５を用いて、入出力データ
(xi1,xi2,…,xin,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と各層での顆粒細胞の
分割数は、ユーザにより入力部３１から入力される。こ
こで、各層の顆粒細胞は、データの入出力関係を大まか
に捕らえるファジィ推論ルールを決定するための要因と
なるので、詳細に分割するよりも多少、大きめに設定す
る。
【００８６】以上のような構成を用いて、遺伝アルゴリ
ズムを用いて後件部の実数値を求め、ＣＭＡＣの一つの
層を抽出することにより大まかなファジィ推論ルールを
抽出し、残りの層を用いることにより推論誤差を調整す
るための微調整のファジィ推論ルールを構成する。入出
力データの入出力関係を大まかに表すファジィ推論ルー
ルと微調整のファジィ推論ルールとを抽出できるので、
入出力関係の本質的な関係を容易に表現することができ
る。
ズムを用いて後件部の実数値を求め、ＣＭＡＣの一つの
層を抽出することにより大まかなファジィ推論ルールを
抽出し、残りの層を用いることにより推論誤差を調整す
るための微調整のファジィ推論ルールを構成する。入出
力データの入出力関係を大まかに表すファジィ推論ルー
ルと微調整のファジィ推論ルールとを抽出できるので、
入出力関係の本質的な関係を容易に表現することができ
る。
【００８７】次に、第４の発明の実施例を図面を用いて
説明する。図４は本発明の請求項４に記載のファジィ推
論ルールの抽出装置の一実施例の構成図である。図４に
おいて、４１はセンサーからの情報やユーザの情報を入
力するための入力部。４２はファジィ推論のためのメン
バシップ関数を記憶するメンバシップ関数記憶部。４３
は小脳モデルの構成要素である顆粒細胞を記憶する複数
の小脳モデル記憶部。４４は前記複数の小脳モデル記憶
部に重みを考慮するための重み計算部。４５はファジィ
推論ルールの後件部を遺伝アルゴリズムにより学習する
遺伝アルゴリズム実行部。４６は前記遺伝アルゴリズム
実行部のパラメータを記憶するパラメータ記憶部。４７
は複数個の前記小脳モデル記憶部に配分し前記重み計算
部の重みを用いて決定したファジィ推論ルールの前件部
及び前記遺伝アルゴリズム実行部で得られた後件部とを
用いてファジィ推論を行うファジィ推論部。４８はファ
ジィ推論の結果と前記入力部からの出力値との誤差を判
断する判断部。４９は前記判断部の判断に基づいて最も
推論誤差が小さくなる一つの小脳モデル記憶部を選択し
残りの小脳モデル記憶部を用いた結果も表示する出力部
である。
説明する。図４は本発明の請求項４に記載のファジィ推
論ルールの抽出装置の一実施例の構成図である。図４に
おいて、４１はセンサーからの情報やユーザの情報を入
力するための入力部。４２はファジィ推論のためのメン
バシップ関数を記憶するメンバシップ関数記憶部。４３
は小脳モデルの構成要素である顆粒細胞を記憶する複数
の小脳モデル記憶部。４４は前記複数の小脳モデル記憶
部に重みを考慮するための重み計算部。４５はファジィ
推論ルールの後件部を遺伝アルゴリズムにより学習する
遺伝アルゴリズム実行部。４６は前記遺伝アルゴリズム
実行部のパラメータを記憶するパラメータ記憶部。４７
は複数個の前記小脳モデル記憶部に配分し前記重み計算
部の重みを用いて決定したファジィ推論ルールの前件部
及び前記遺伝アルゴリズム実行部で得られた後件部とを
用いてファジィ推論を行うファジィ推論部。４８はファ
ジィ推論の結果と前記入力部からの出力値との誤差を判
断する判断部。４９は前記判断部の判断に基づいて最も
推論誤差が小さくなる一つの小脳モデル記憶部を選択し
残りの小脳モデル記憶部を用いた結果も表示する出力部
である。
【００８８】次に、第４の発明のファジィ推論ルールの
抽出装置について、その動作過程を説明する。
抽出装置について、その動作過程を説明する。
【００８９】ステップ１、３、４は第１の発明と動作過
程が同じなので、ここでの説明は省略する。ステップ２
のみを説明する。
程が同じなので、ここでの説明は省略する。ステップ２
のみを説明する。
【００９０】［ステップ ２］メンバシップ関数記憶部
４２からメンバシップ関数を小脳モデル記憶部４３に出
力し、ファジィ推論部４７においてファジィ推論を実行
する。ただし、後件部の実数値を遺伝アルゴリズム実行
部４５において学習する。ここで、入力部４１から与え
られたファジィ推論ルールに対する重み(重視度合)か
ら、各小脳モデルに対する重みz1,z2,…,zk,…,zm を、
重み計算部４４で(数１４)を用いて計算する。また、学
習のため、パラメータ記憶部４６では顆粒細胞値（後件
部の実数値）wt,p k を、(数１７)を用いて染色体と遺伝
子に変換する。
４２からメンバシップ関数を小脳モデル記憶部４３に出
力し、ファジィ推論部４７においてファジィ推論を実行
する。ただし、後件部の実数値を遺伝アルゴリズム実行
部４５において学習する。ここで、入力部４１から与え
られたファジィ推論ルールに対する重み(重視度合)か
ら、各小脳モデルに対する重みz1,z2,…,zk,…,zm を、
重み計算部４４で(数１４)を用いて計算する。また、学
習のため、パラメータ記憶部４６では顆粒細胞値（後件
部の実数値）wt,p k を、(数１７)を用いて染色体と遺伝
子に変換する。
【００９１】遺伝アルゴリズム実行部４５において、遺
伝アルゴリズムを用いて各層モデルの顆粒細胞値(ファ
ジィ推論ルールの後件部の実数値)を求める。ただし、
適応度は重み zk を用いて次のように定義する。
伝アルゴリズムを用いて各層モデルの顆粒細胞値(ファ
ジィ推論ルールの後件部の実数値)を求める。ただし、
適応度は重み zk を用いて次のように定義する。
【００９２】
【数１９】
【００９３】顆粒細胞値を求めるために、小脳モデル記
憶部３３とメンバシップ関数記憶部４２とを接合させる
m 個のスイッチ s1,…,sm を ON 状態にする。これに
より、ファジィ推論部４７と遺伝アルゴリズム実行部４
５、パラメータ記憶部４６を用いて、入出力データ
(xi1,xi2,…,xin,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と各層での顆粒細胞の
分割数は、ユーザにより入力部４１から入力される。こ
こで、各層の顆粒細胞は、データの入出力関係を大まか
に捕らえるファジィ推論ルールを決定するための要因と
なるので、詳細に分割するよりも多少、大きめに設定す
る。
憶部３３とメンバシップ関数記憶部４２とを接合させる
m 個のスイッチ s1,…,sm を ON 状態にする。これに
より、ファジィ推論部４７と遺伝アルゴリズム実行部４
５、パラメータ記憶部４６を用いて、入出力データ
(xi1,xi2,…,xin,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と各層での顆粒細胞の
分割数は、ユーザにより入力部４１から入力される。こ
こで、各層の顆粒細胞は、データの入出力関係を大まか
に捕らえるファジィ推論ルールを決定するための要因と
なるので、詳細に分割するよりも多少、大きめに設定す
る。
【００９４】以上のような構成を用いて、遺伝アルゴリ
ズムを用いて後件部の実数値を求め、ＣＭＡＣの一つの
層を抽出することにより大まかなファジィ推論ルールを
抽出し、残りの層を用いることにより推論誤差を調整す
るための微調整のファジィ推論ルールを構成する。入出
力データの入出力関係を大まかに表すファジィ推論ルー
ルと微調整のファジィ推論ルールとを抽出できるので、
入出力関係の本質的な関係を容易に表現することができ
る。
ズムを用いて後件部の実数値を求め、ＣＭＡＣの一つの
層を抽出することにより大まかなファジィ推論ルールを
抽出し、残りの層を用いることにより推論誤差を調整す
るための微調整のファジィ推論ルールを構成する。入出
力データの入出力関係を大まかに表すファジィ推論ルー
ルと微調整のファジィ推論ルールとを抽出できるので、
入出力関係の本質的な関係を容易に表現することができ
る。
【００９５】なお、第１から第４の発明ではファジィ推
論ルールの後件部の実数値を決定するために、降下法や
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。
論ルールの後件部の実数値を決定するために、降下法や
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。
【００９６】
【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、入出力関係をその本質的な
関係を表現するファジィ推論ルールと微調整のファジィ
推論ルールとに分離して、同定できるので、その実用的
価値には大なるものがある。
ＭＡＣの学習機能を用いて、入出力関係をその本質的な
関係を表現するファジィ推論ルールと微調整のファジィ
推論ルールとに分離して、同定できるので、その実用的
価値には大なるものがある。
【図１】本発明の第１の実施例の入出力関係推定装置を
示す図
示す図
【図２】本発明の第２の実施例の入出力関係推定装置を
示す図
示す図
【図３】本発明の第３の実施例の入出力関係推定装置を
示す図
示す図
【図４】本発明の第４の実施例の入出力関係推定装置を
示す図
示す図
【図５】従来例のファジィ推論ルールの構築装置を示す
図
図
【図６】本発明の第１から第４までのＣＭＡＣの構成図
を示す図
を示す図
【図７】本発明のＣＭＡＣの数値例の結果を示す図
【図８】本発明の改良型ＣＭＡＣの顆粒細胞とメンバシ
ップ関数との関係を示す図
ップ関数との関係を示す図
【図９】大まかなファジィ推論ルールを抽出する過程を
示す図
示す図
【図１０】微調整のファジィ推論ルールを構成する過程
を示す図
を示す図
【図１１】本発明の第１の実施例の数値例を示す図
１１ 入力部 １２ メンバシップ関数記憶部 １３ 小脳モデル記憶部 １４ 降下法学習部 １５ ファジィ推論部 １６ 判断部 １７ 出力部 ２１ 入力部 ２２ メンバシップ関数記憶部 ２３ 小脳モデル記憶部 ２４ 重み計算部 ２５ 降下法学習部 ２６ ファジィ推論部 ２７ 判断部 ２８ 出力部 ３１ 入力部 ３２ メンバシップ関数記憶部 ３３ 小脳モデル記憶部 ３４ 遺伝アルゴリズム実行部 ３５ パラメータ記憶部 ３６ ファジィ推論部 ３７ 判断部 ３８ 出力部 ４１ 入力部 ４２ メンバシップ関数記憶部 ４３ 小脳モデル記憶部 ４４ 重み計算部 ４５ 遺伝アルゴリズム実行部 ４６ パラメータ記憶部 ４７ ファジィ推論部 ４８ 判断部 ４９ 出力部
Claims (4)
- 【請求項１】センサーからの情報やユーザの情報を入力
するための入力部と、ファジィ推論のためのメンバシッ
プ関数を記憶するメンバシップ関数記憶部と、小脳モデ
ルの構成要素である顆粒細胞を記憶する複数の小脳モデ
ル記憶部と、ファジィ推論ルールの後件部を降下法によ
り学習する降下法学習部と、複数個の前記小脳モデル記
憶部に配分して決定したファジィ推論ルールの前件部及
び前記降下法学習部で得られた後件部とを用いてファジ
ィ推論を行うファジィ推論部と、ファジィ推論の結果と
前記入力部からの出力値との誤差を判断する判断部と、
前記判断部の判断に基づいて最も推論誤差が小さくなる
一つの小脳モデル記憶部を選択し残りの小脳モデル記憶
部を用いた結果も表示する出力部とを具備することを特
徴とするファジィ推論ルールの抽出装置。 - 【請求項２】センサーからの情報やユーザの情報を入力
するための入力部と、ファジィ推論のためのメンバシッ
プ関数を記憶するメンバシップ関数記憶部と、小脳モデ
ルの構成要素である顆粒細胞を記憶する複数の小脳モデ
ル記憶部と、前記複数の小脳モデル記憶部に重みを考慮
するための重み計算部と、ファジィ推論ルールの後件部
を降下法により学習する降下法学習部と、複数個の前記
小脳モデル記憶部に配分し前記重み計算部の重みを用い
て決定したファジィ推論ルールの前件部及び前記降下法
学習部で得られた後件部とを用いてファジィ推論を行う
ファジィ推論部と、ファジィ推論の結果と前記入力部か
らの出力値との誤差を判断する判断部と、前記判断部の
判断に基づいて最も推論誤差が小さくなる一つの小脳モ
デル記憶部を選択し残りの小脳モデル記憶部を用いた結
果も表示する出力部とを具備することを特徴とするファ
ジィ推論ルールの抽出装置。 - 【請求項３】センサーからの情報やユーザの情報を入力
するための入力部と、ファジィ推論のためのメンバシッ
プ関数を記憶するメンバシップ関数記憶部と、小脳モデ
ルの構成要素である顆粒細胞を記憶する複数の小脳モデ
ル記憶部と、ファジィ推論ルールの後件部を遺伝アルゴ
リズムにより学習する遺伝アルゴリズム実行部と、前記
遺伝アルゴリズム実行部のパラメータを記憶するパラメ
ータ記憶部と、複数個の前記小脳モデル記憶部に配分し
て決定したファジィ推論ルールの前件部及び前記遺伝ア
ルゴリズム実行部で得られた後件部とを用いてファジィ
推論を行うファジィ推論部と、ファジィ推論の結果と前
記入力部からの出力値との誤差を判断する判断部と、前
記判断部の判断に基づいて最も推論誤差が小さくなる一
つの小脳モデル記憶部を選択し残りの小脳モデル記憶部
を用いた結果も表示する出力部とを具備することを特徴
とするファジィ推論ルールの抽出装置。 - 【請求項４】センサーからの情報やユーザの情報を入力
するための入力部と、ファジィ推論のためのメンバシッ
プ関数を記憶するメンバシップ関数記憶部と、小脳モデ
ルの構成要素である顆粒細胞を記憶する複数の小脳モデ
ル記憶部と、前記複数の小脳モデル記憶部に重みを考慮
するための重み計算部と、ファジィ推論ルールの後件部
を遺伝アルゴリズムにより学習する遺伝アルゴリズム実
行部と、前記遺伝アルゴリズム実行部のパラメータを記
憶するパラメータ記憶部と、複数個の前記小脳モデル記
憶部に配分し前記重み計算部の重みを用いて決定したフ
ァジィ推論ルールの前件部及び前記遺伝アルゴリズム実
行部で得られた後件部とを用いてファジィ推論を行うフ
ァジィ推論部と、ファジィ推論の結果と前記入力部から
の出力値との誤差を判断する判断部と、前記判断部の判
断に基づいて最も推論誤差が小さくなる一つの小脳モデ
ル記憶部を選択し残りの小脳モデル記憶部を用いた結果
も表示する出力部とを具備することを特徴とするファジ
ィ推論ルールの抽出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4159218A JPH064503A (ja) | 1992-06-18 | 1992-06-18 | ファジィ推論ルールの抽出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4159218A JPH064503A (ja) | 1992-06-18 | 1992-06-18 | ファジィ推論ルールの抽出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH064503A true JPH064503A (ja) | 1994-01-14 |
Family
ID=15688916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4159218A Pending JPH064503A (ja) | 1992-06-18 | 1992-06-18 | ファジィ推論ルールの抽出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH064503A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104698851A (zh) * | 2015-03-01 | 2015-06-10 | 深圳市波奇智能系统有限公司 | 基于cmac与pid的参量声源并行控制方法 |
-
1992
- 1992-06-18 JP JP4159218A patent/JPH064503A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104698851A (zh) * | 2015-03-01 | 2015-06-10 | 深圳市波奇智能系统有限公司 | 基于cmac与pid的参量声源并行控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Casillas et al. | Genetic feature selection in a fuzzy rule-based classification system learning process for high-dimensional problems | |
| Matsubara et al. | Deep energy-based modeling of discrete-time physics | |
| EP2287785A1 (en) | Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus | |
| EP0813127A2 (en) | Inference rule determining method and inference device | |
| CN107689224A (zh) | 合理使用掩码的深度神经网络压缩方法 | |
| JP5353443B2 (ja) | データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム | |
| Liu et al. | Efficient learning algorithms for three-layer regular feedforward fuzzy neural networks | |
| CN111723914A (zh) | 一种基于卷积核预测的神经网络架构搜索方法 | |
| Ivakhnenko et al. | Inductive sorting-out GMDH algorithms with polynomial complexity for active neurons of neural network | |
| Cardinaux et al. | Iteratively training look-up tables for network quantization | |
| JPH11510936A (ja) | コンピュータによるファジィルールの最適化方法 | |
| Fukuda et al. | Structure organization of hierarchical fuzzy model using by genetic algorithm | |
| JPH064503A (ja) | ファジィ推論ルールの抽出装置 | |
| JP2907486B2 (ja) | ニューラルネットワーク装置 | |
| Du et al. | Evolutionary NAS in light of model stability for accurate continual learning | |
| de Lacerda et al. | A study of cross-validation and bootstrap as objective functions for genetic algorithms | |
| JP3733711B2 (ja) | 簡略化準ニュートン射影法演算システム、神経回路網学習システム、記録媒体および信号処理装置 | |
| JPH08320792A (ja) | 推論規則決定装置及び推論規則決定方法 | |
| EP0635152B1 (en) | Neural network/fuzzy conversion device | |
| Li | Probabilistic interpretations of fuzzy sets and systems | |
| CN114503122A (zh) | 深度神经网络的结构学习和简化方法 | |
| JPH06175999A (ja) | ニューロコンピュータ | |
| JP2553725B2 (ja) | 推論装置 | |
| JP2021168042A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN111340176A (zh) | 神经网络的训练方法、装置及计算机存储介质 |