JPH09223018A - Extraction method for fuzzy rule out of neural network - Google Patents
Extraction method for fuzzy rule out of neural networkInfo
- Publication number
- JPH09223018A JPH09223018A JP8031041A JP3104196A JPH09223018A JP H09223018 A JPH09223018 A JP H09223018A JP 8031041 A JP8031041 A JP 8031041A JP 3104196 A JP3104196 A JP 3104196A JP H09223018 A JPH09223018 A JP H09223018A
- Authority
- JP
- Japan
- Prior art keywords
- fuzzy
- value
- rule
- input
- neural network
- 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.)
- Withdrawn
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、例えばトンネル内
の換気制御のような制御の分野に係り、更に詳しくはフ
ァジィ制御の分野において、ニューラルネットワークに
よってファジィモデルを構築し、構築されたニューラル
ネットワークからファジィ規則を抽出する、ニューラル
ネットワークからのファジィ規則の抽出方式に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a field of control such as ventilation control in a tunnel. More specifically, in the field of fuzzy control, a fuzzy model is constructed by a neural network. A method of extracting fuzzy rules from a neural network that extracts fuzzy rules.
【０００２】[0002]
【従来の技術】最近各種の制御にニューラルネットワー
クが応用されるようになっている。図１３はその１つの
例である。同図では、トンネル内の換気制御において、
現在の大気の汚染状況と換気機の運転台数などに基づい
て、例えば数十分後のトンネル内の見通しの良さをニュ
ーラルネットワークを用いて予測することによって、見
通しの良さを一定レベル以上に保つための換気機の最適
な運転パターンを決定する制御が行われる。すなわちこ
のような場合には、一般的にある制御を行った場合のプ
ラントの将来値をニューラルネットワークを用いて予測
し、そのような予測値に基づいて最も高い評価が得られ
る制御を採用することになる。2. Description of the Related Art Recently, neural networks have been applied to various controls. FIG. 13 is one example thereof. In the figure, in the ventilation control in the tunnel,
To maintain good visibility above a certain level, for example, by predicting the visibility in the tunnel several tens of minutes later using a neural network based on the current air pollution status and the number of ventilators operating. The control is performed to determine the optimum operation pattern of the ventilator. That is, in such a case, generally, the future value of the plant when a certain control is performed is predicted using a neural network, and the control that gives the highest evaluation based on such a predicted value is adopted. become.
【０００３】また最近では、このようなニューラルネッ
トワークをファジィモデルを表現するために用いたファ
ジィ制御も広く行われている。ファジィ制御では、入力
から出力の値を求めるにあたって、人間が行う推論の手
順がファジィ推論知識として表現され、このファジィ推
論知識を用いて制御が行われる。In recent years, fuzzy control using such a neural network to express a fuzzy model has been widely performed. In fuzzy control, humans' inference procedures are expressed as fuzzy inference knowledge when obtaining output value from input, and control is performed using this fuzzy inference knowledge.
【０００４】ファジィ推論知識は一般にファジィ規則か
ら構成される。ファジィ規則は「ＩＦｘ＝Ａ ＴＨＥＮ
ｙ＝Ｂ」の形式を持ち、ｘ＝Ａは前件部、ｙ＝Ｂは後
件部といわれる。前件部の条件は、プロセスの状況に応
じてその適合度（グレード）が０から１の範囲の値とな
る。適合度が０であればその規則は全く成立せず、１で
あればその規則は完全に成立する。前件部の適合度に応
じて後件部の成立の度合いが決定され、それに応じて出
力値が決定される。前件部のＡは一般にファジィ変数に
よって定義され、後件部のＢはファジィ変数や、入力の
線形結合などの関数や、固定値となる場合などがある。
そのようなファジィ規則の例を次に示す。Fuzzy reasoning knowledge generally consists of fuzzy rules. The fuzzy rule is “IFx = A THEN
y = B ”, where x = A is said to be the antecedent part and y = B is said to be the consequent part. The condition of the antecedent part has a value of the conformity (grade) in the range of 0 to 1 depending on the process situation. If the goodness of fit is 0, the rule is not established at all, and if it is 1, the rule is completely established. The degree of establishment of the consequent part is determined according to the suitability of the antecedent part, and the output value is determined accordingly. A in the antecedent part is generally defined by a fuzzy variable, and B in the antecedent part may be a fuzzy variable, a function such as a linear combination of inputs, or a fixed value.
An example of such a fuzzy rule is shown below.
【０００５】 ＩＦ ｘ＝Ａ ＴＨＥＮ ｙ＝Ｂ（Ｂはファジィ変数） ＩＦ ｘ＝Ａ ＴＨＥＮ ｙ＝ｆ（ｘ）（ｆは関数） ＩＦ ｘ＝Ａ ＴＨＥＮ ｙ＝ｂ（ｂは固定値） このようなファジィ制御を行う場合には、ファジィ規則
やメンバシップ関数などの推論知識の設計のために、プ
ラント自体を熟知する必要がある。例えば、プラントの
運用に関するノウハウのような知識を長期に渡って蓄積
し、その蓄積結果に基づいてファジィ規則を成立する必
要があるが、長期間に渡って収集された知識の中には、
かなり重複や矛盾が含まれることがある。そのため収集
された知識を使用するにあたって、その知識の正当性の
評価を行う、すなわち推論知識の構成要素としての前件
部、後件部、および規則の妥当性などを、正しい事例の
データ（入力値と出力値の組）に基づいて検査すること
が必要となる。IF x = A THEN y = B (B is a fuzzy variable) IF x = A THEN y = f (x) (f is a function) IF x = A THEN y = b (b is a fixed value) When performing fuzzy control, it is necessary to familiarize yourself with the plant itself in order to design inference knowledge such as fuzzy rules and membership functions. For example, it is necessary to accumulate knowledge such as know-how related to plant operation over a long period of time and establish a fuzzy rule based on the accumulated result, but among the knowledge collected over a long period of time,
It can contain considerable duplication and inconsistency. Therefore, when the collected knowledge is used, the validity of the knowledge is evaluated, that is, the antecedent part, the consequent part, and the validity of the rule as the components of the inference knowledge are input from the correct case data (input It is necessary to inspect based on the combination of value and output value.
【０００６】本出願人は、平成６年８月３１日出願の
「ファジィ推論知識の検査方法」において、このような
ファジィ推論知識の検査法について提案した。この提案
ではファジィ推論知識が次の５つの項目別にチェックさ
れる。The applicant of the present invention has proposed such a fuzzy inference knowledge inspection method in "Fuzzy Inference Knowledge Inspection Method" filed on August 31, 1994. In this proposal, fuzzy inference knowledge is checked by the following 5 items.
【０００７】(1) 参照度：ファジィ推論規則の中でのフ
ァジィ変数が使用されている度合い。 (2) 網羅度：事例が変数や規則によってカバーされてい
る度合い。(1) Reference degree: The degree to which fuzzy variables are used in fuzzy inference rules. (2) Coverage: The degree to which cases are covered by variables and rules.
【０００８】(3) 有効度：変数や規則が事例の中で用い
られている度合い。 (4) 矛盾度：規則が事例と矛盾している度合い。 (5) 重複度：変数や規則が他の変数や規則と重複してい
る度合い。(3) Effectiveness: The degree to which variables and rules are used in cases. (4) Contradiction: The degree to which the rule conflicts with the case. (5) Redundancy: The degree to which a variable or rule overlaps another variable or rule.
【０００９】このような５つの評価項目のうちで、本発
明に関連するものとして網羅度、有効度、および重複度
について簡単に説明する。図１４は網羅度の説明図であ
る。同図において、３個の入力ファジィ変数に対してそ
のグレードの最大値（論理和に相当）を網羅度とし、各
事例に対して網羅度が求められている。事例データの中
には閾値ＣＶ1 に満たないものも存在しており、その事
例がファジィ推論知識によって網羅されていないことが
分かる。Of these five evaluation items, the degree of coverage, effectiveness, and degree of overlap will be briefly described as those relevant to the present invention. FIG. 14 is an explanatory diagram of coverage. In the figure, the maximum value (corresponding to the logical sum) of the grades of the three input fuzzy variables is taken as the coverage, and the coverage is obtained for each case. Some case data does not meet the threshold value CV 1 , and it can be seen that the case is not covered by the fuzzy inference knowledge.
【００１０】図１５は有効度の説明図である。同図で
は、あるファジィ変数の各事例に対するグレードの平均
値ＥＦａｖｇが閾値ＥＦ１を越えているために、有効性
があると判定されている。FIG. 15 is an explanatory diagram of effectiveness. In the figure, since the average value EFavg of grades for each case of a certain fuzzy variable exceeds the threshold value EF1, it is determined to be effective.
【００１１】図１６は重複度の説明図である。ここでは
２つのファジィ変数ｒ1 とｒ2 とに対して、各事例のグ
レードから２つのファジィ変数が同時に使用される程度
が重複度とされ、その値としてｕ3 が求められ、この値
が閾値ＯＶより小さいために、重複がないものと判定さ
れている。FIG. 16 is an explanatory diagram of the degree of overlap. Here, for two fuzzy variables r 1 and r 2 , the degree to which two fuzzy variables are used at the same time from the grade of each case is taken as the degree of overlap, and u 3 is obtained as the value, and this value is the threshold value. Since it is smaller than OV, it is determined that there is no overlap.
【００１２】このような検査方法をとるとしても、ファ
ジィ推論知識の設計にはプラントの運用などに関するノ
ウハウのような知識が必要であり、そのような知識を得
られない場合には、ファジィモデルを表現するニューラ
ルネットワークを構築してそれを利用するという手法が
とられている。この手法では、多数の事例のデータ（入
力値と出力値との組）をニューラルネットワークに学習
させ、学習の結果構築されたニューラルネットワークを
ファジィモデルを表現するものとして用いて、制御を行
うことになる。Even if such an inspection method is adopted, knowledge such as know-how regarding plant operation is necessary for designing fuzzy inference knowledge. If such knowledge cannot be obtained, fuzzy model is used. The method of constructing a neural network to express and using it is taken. In this method, a neural network is made to learn data (a set of input values and output values) of many cases, and the neural network constructed as a result of learning is used as a fuzzy model to perform control. Become.
【００１３】[0013]
【発明が解決しようとする課題】しかしながら、ニュー
ラルネットワークの学習の結果はニューロンの間の結合
の重みの値として反映されるために、学習によって構築
されたニューラルネットワークがどのようなファジィ規
則に相当する演算を行っているかという、演算の意味の
解析は困難であるという問題点があった。However, since the result of learning of the neural network is reflected as the value of the connection weight between the neurons, what fuzzy rule the neural network constructed by learning corresponds to is. There is a problem that it is difficult to analyze the meaning of the operation, which is whether the operation is performed.
【００１４】このような問題点を解決するための従来技
術として、例えば特開平３−１１８６５８号「学習装置
の機能解析装置」に開示されている方法がある。これは
学習によって定められた結合の重みに対応したニューラ
ルネットワークの入出力関係の推定法であり、例えば３
層の階層型ニューラルネットワークの場合には、各ニュ
ーロンの重みの行列をＷｎ、シグモイド関数の代表値を
微分した値の行列をＳｎとして、影響度Ｏが Ｏ＝Ｗ0 Ｓ0 Ｗ1 Ｓ1 によって与えられ、この影響度の大きさによって入出力
関係が推定される。As a conventional technique for solving such a problem, there is a method disclosed in, for example, Japanese Patent Laid-Open No. 3-118658, "Functional analysis device for learning device". This is an estimation method of the input / output relation of the neural network corresponding to the weight of the connection determined by learning, for example, 3
In the case of a hierarchical neural network of layers, the weight matrix of each neuron is Wn, the matrix of the value obtained by differentiating the representative value of the sigmoid function is Sn, and the influence degree O is O = W 0 S 0 W 1 S 1 The input / output relationship is estimated by the magnitude of this influence.
【００１５】しかしながらこの方法を用いても、求めら
れる影響度行列が全体として線形化されているために、
入力値の範囲によって特性が異なるという非線形性が無
視されてしまう。例えば入力値が気温である場合に、気
温が低い部分についてのみ、入出力関係を表す影響度を
求めることができないという問題点があった。またファ
ジィ規則に相当する演算理由を説明することもできない
という問題点があった。However, even if this method is used, the required influence matrix is linearized as a whole,
The non-linearity that the characteristics differ depending on the range of input values is ignored. For example, when the input value is the temperature, there is a problem that it is not possible to obtain the degree of influence indicating the input / output relationship only for the low temperature portion. In addition, there is a problem that the reason for the calculation corresponding to the fuzzy rule cannot be explained.
【００１６】本発明は、ニューラルネットワーク全体の
動作の意味を解析するのではなく、入力と出力のそれぞ
れ特定の範囲の間について入出力の対応関係を求め、そ
の対応関係をファジィ規則として抽出することにより、
ニューラルネットワークによって行われる演算の理由を
ファジィ規則に対応して説明可能とすることを目的とす
る。The present invention does not analyze the meaning of the operation of the entire neural network, but obtains the correspondence between input and output between specific ranges of input and output, and extracts the correspondence as a fuzzy rule. Due to
The purpose is to be able to explain the reason for the operation performed by the neural network according to the fuzzy rules.
【００１７】[0017]
【課題を解決するための手段】図１は本発明の原理構成
ブロック図である。同図は、入力と出力との関係を示す
多数の事例データに基づいて、ファジィモデルに対応す
るニューラルネットワークを構築し、そのニューラルネ
ットワークからファジィ規則を抽出するファジィ規則抽
出方式の原理構成ブロック図である。FIG. 1 is a block diagram showing the principle configuration of the present invention. This figure is a block diagram of the principle configuration of a fuzzy rule extraction method that constructs a neural network corresponding to a fuzzy model based on a large number of case data showing the relationship between input and output, and extracts fuzzy rules from the neural network. is there.
【００１８】図１において、学習手段１は前述の多数の
事例データとしての入力値と出力値との関係をニューラ
ルネットワークに学習させるものであり、例えば学習デ
ータ記憶部５に記憶されている学習データを用いて、ニ
ューラルネットワーク記憶部６に記憶されているニュー
ラルネットワークに学習を行わせるものである。In FIG. 1, a learning means 1 is a means for making a neural network learn the relationship between the input value and the output value as a large number of the above-mentioned case data, and for example, the learning data stored in the learning data storage unit 5. Is used to cause the neural network stored in the neural network storage unit 6 to perform learning.
【００１９】ネットワーク解析・規則抽出手段２は、学
習に使用されたデータ、例えば学習データ記憶部５に記
憶されているデータを用いて、学習が終了したニューラ
ルネットワークからファジィ規則を抽出するものであ
る。この抽出にあたっては、入力に対するファジィ変数
と出力に対するファジィ変数（ともにその定義があらか
じめ与えられているものとする）との関係を記述するフ
ァジィ規則のそれぞれに対して成立度が求められ、成立
度が高い順にファジィ規則が抽出され、抽出されたファ
ジィ規則は、例えばファジィ規則記憶部７に格納され
る。The network analysis / rule extraction means 2 extracts fuzzy rules from the neural network after learning using the data used for learning, for example, the data stored in the learning data storage unit 5. . In this extraction, the degree of success is calculated for each of the fuzzy rules that describe the relationship between the fuzzy variables for input and the fuzzy variables for output (assuming that their definitions are given in advance). The fuzzy rules are extracted in descending order, and the extracted fuzzy rules are stored in the fuzzy rule storage unit 7, for example.
【００２０】各ファジィ規則の成立度は、例えば各事例
データに対する規則の効果の値を平均することによって
求められる。すなわち学習に使用された多数の事例デー
タ（入力値と出力値とを１組とするデータ）のそれぞれ
に対して、ファジィ規則前件部の入力ファジィ変数と後
件部の出力ファジィ変数との間の規則の効果の値が各事
例データに対して求められ、それらの値を平均すること
により、そのファジィ規則の成立度が求められる。The degree of success of each fuzzy rule is obtained by averaging the effect values of the rule on each case data. That is, for each of a large number of case data used for learning (data having a set of input value and output value), between the fuzzy variable of the antecedent part of the fuzzy rule and the output fuzzy variable of the consequent part of the fuzzy rule. The value of the effect of the rule is obtained for each case data, and the degree of establishment of the fuzzy rule is obtained by averaging those values.
【００２１】このため本発明においては入力値と出力値
とを１組とする事例データが多数存在することが必要で
あり、また入力ファジィ変数と出力ファジィ変数とのメ
ンバシップ関数の具体的形状が与えられていることが必
要である。更に各ファジィ変数について、前述のファジ
ィ知識検査手法によってファジィ変数の重複度、有効
度、網羅度のチェックが済んでいることが望ましい。但
しこのようなファジィ知識検査手法によるチェックは本
発明の絶対的な前提条件ではない。Therefore, in the present invention, it is necessary that a large number of case data sets each having an input value and an output value as a set be present, and the concrete shape of the membership function of the input fuzzy variable and the output fuzzy variable is Must be given. Furthermore, it is desirable that the fuzzy variables have been checked for duplication degree, validity degree, and coverage degree for each fuzzy variable by the fuzzy knowledge checking method described above. However, such a check by the fuzzy knowledge inspection method is not an absolute prerequisite of the present invention.
【００２２】次に本発明においては、例えばファジィ規
則記憶部７に格納されているファジィ規則、すなわちニ
ューラルネットワークから抽出されたファジィ規則の成
立度を用いて、各事例データにおける出力値の演算理由
の説明のために、抽出されたファジィ規則の事例データ
に対する影響度を求める関係計算手段３が更に備えられ
る。Next, in the present invention, for example, the degree of success of the fuzzy rule stored in the fuzzy rule storage unit 7, that is, the degree of success of the fuzzy rule extracted from the neural network is used to determine the reason for calculating the output value in each case data. For the sake of explanation, the relation calculation means 3 for obtaining the degree of influence of the extracted fuzzy rule on the case data is further provided.
【００２３】この影響度はファジィモデルに対応するニ
ューラルネットワークの入力値と出力値との間の関係と
しての事例データのそれぞれに対して求められるもので
あり、例えば事例データの入力値に対応するファジィ規
則前件部の入力ファジィ変数のグレードと、出力値に対
応するファジィ規則後件部の出力ファジィ変数のグレー
ドとのうちのいずれか小さい値と、ファジィ規則の成立
度を用いて求められる。This degree of influence is obtained for each of the case data as a relation between the input value and the output value of the neural network corresponding to the fuzzy model, and for example, the fuzzy corresponding to the input value of the case data. It is calculated by using the smaller value of the grade of the input fuzzy variable of the rule antecedent part and the grade of the output fuzzy variable of the fuzzy rule consequent part corresponding to the output value, and the degree of success of the fuzzy rule.
【００２４】以上のように、本発明によればニューラル
ネットワークから各ファジィ規則の成立度が求められ、
成立度の高い順にファジィ規則を抽出することにより、
ニューラルネットワークによって行われている演算の意
味の解釈が容易となる。As described above, according to the present invention, the degree of establishment of each fuzzy rule is obtained from the neural network,
By extracting the fuzzy rules in descending order of satisfaction,
This makes it easy to interpret the meaning of the operation performed by the neural network.
【００２５】[0025]
【発明の実施の形態】図２は本発明におけるファジィ規
則抽出と、抽出されたファジィ規則を用いた演算理由説
明表示の全体的な概念を示す図である。同図において、
学習エンジン１０（図１の学習手段１に相当）による学
習が終了した学習後のネットワーク１１に対してファジ
ィ規則の抽出指示１２が与えられると、ネットワーク解
析・規則抽出プログラム１３によって、後述する成立度
が高い順にファジィ規則が抽出され、抽出されたファジ
ィ規則１４はプロセスデータの演算理由の説明表示１５
にあたって、関係計算プログラム１６によって使用さ
れ、演算理由の説明表示結果に対してユーザの評価１７
が与えられる。DESCRIPTION OF THE PREFERRED EMBODIMENTS FIG. 2 is a diagram showing the general concept of the fuzzy rule extraction and the calculation reason explanation display using the extracted fuzzy rules in the present invention. In the figure,
When the fuzzy rule extraction instruction 12 is given to the post-learning network 11 that has been learned by the learning engine 10 (corresponding to the learning unit 1 in FIG. 1), the network analysis / rule extraction program 13 causes the success degree described later. The fuzzy rules are extracted in descending order, and the extracted fuzzy rules 14 are the explanation display 15 of the reason for calculating the process data.
At this time, it is used by the relational calculation program 16 and the user's evaluation 17
Is given.
【００２６】図２において、ファジィ規則の抽出指示１
２に対応して、ネットワーク解析・規則抽出プログラム
１３によって行われるニューラルネットワークからのフ
ァジィ規則の抽出方法について、まず一般的に説明す
る。本実施例では、ニューラルネットワークに対する入
力値と出力値を１組とする事例データを用いて、個々の
ファジィ規則の成立度が求められる。本実施例では、フ
ァジィ規則の成立度を効率的に求めることを可能とする
ために、以下の３つの条件が成立しているものと仮定す
る。In FIG. 2, a fuzzy rule extraction instruction 1
Corresponding to No. 2, a method for extracting fuzzy rules from a neural network, which is performed by the network analysis / rule extraction program 13, will first be described generally. In the present embodiment, the degree of establishment of each fuzzy rule is obtained using case data in which the input value and the output value for the neural network are one set. In the present embodiment, it is assumed that the following three conditions are satisfied in order to efficiently obtain the degree of establishment of the fuzzy rule.
【００２７】第１の条件は、入力値と出力値とを１組と
する事例データが十分多数存在することである。第２の
条件は、入力値と出力値にはそれぞれ一定の範囲（全体
集合）があり、その範囲内での部分集合（ファジィ集
合）によって、言語表現としてのファジィ変数を具体的
に記述するファジィ分割がすでに行われていること、す
なわちそれぞれのファジィ変数に対応するメンバシップ
関数の形状が、その具体的数値を含めてすでに定義され
ていることである。第３の条件は、それぞれのファジィ
変数に対してファジィ知識検査手法を適用することによ
って、前述のようなファジィ変数の重複度、有効度、お
よび網羅度のチェックが済んでいることである。The first condition is that there are a sufficient number of case data sets each including an input value and an output value. The second condition is that the input value and the output value each have a certain range (whole set), and a fuzzy variable as a language expression is specifically described by a subset (fuzzy set) within the range. The division has already been done, that is, the shape of the membership function corresponding to each fuzzy variable has already been defined, including its specific numerical values. The third condition is that by applying the fuzzy knowledge check method to each fuzzy variable, the degree of duplication, validity, and coverage of the fuzzy variables as described above have been checked.
【００２８】本実施例では、このような条件が成立して
いるものとして、多数の事例データに基づく学習によっ
て構築されたニューラルネットワークからファジィ規則
の成立度が求められる。簡単のため、本実施例では入出
力値はあらかじめ０〜１の範囲に正規化されているもの
とする。In the present embodiment, the degree of establishment of the fuzzy rule is obtained from a neural network constructed by learning based on a large number of case data, assuming that such a condition is established. For the sake of simplicity, it is assumed in the present embodiment that the input / output values are normalized in the range of 0 to 1 in advance.
【００２９】本実施例におけるファジィ規則の成立度の
求め方は次の手順１〜手順５からなる。 手順１：まずニューラルネットワークへの入力のうちで
１つの任意の入力に着目し、その中の任意のファジィ変
数に着目する。そしてその入力ファジィ変数について、
代表入力値をいくつか選ぶ。この場合代表入力値とし
て、本実施例ではファジィ変数のグレードが１、または
０となる入力変数の値を選ぶものとする。この代表入力
値の選び方について、図３を用いて説明する。The method of obtaining the degree of establishment of the fuzzy rule in this embodiment includes the following steps 1 to 5. Step 1: First, pay attention to one arbitrary input among the inputs to the neural network, and pay attention to an arbitrary fuzzy variable among them. And for that input fuzzy variable,
Select some representative input values. In this case, as the representative input value, the value of the input variable in which the fuzzy variable grade is 1 or 0 is selected in this embodiment. How to select the representative input value will be described with reference to FIG.
【００３０】図３(a) は、その形状として三角形を持つ
メンバシップ関数に対する代表入力値の選び方の例であ
る。前述のようにファジィ変数のグレードが０となる代
表入力値を０代表入力値、グレード１となる入力値を１
代表入力値と呼ぶことにすれば、ｘ1 とｘ3 が０代表入
力値、ｘ2 が１代表入力値となる。FIG. 3A shows an example of how to select a representative input value for a membership function having a triangle as its shape. As described above, the representative input value for which the fuzzy variable grade is 0 is 0, and the representative input value for which the grade 1 is 1 is 1.
If it is called a representative input value, x 1 and x 3 are 0 representative input values, and x 2 is 1 representative input value.
【００３１】図３(b) のように、形状として台形のメン
バシップ関数を持つファジィ変数の場合には、１代表入
力値がｘ1 、０代表入力値がｘ2 として定義される。な
おこのような０代表入力値と１代表入力値として、入力
値ｘの最小値０と最大値１を追加することもできる。図
３(a) ではｘ＝０とｘ＝１は０代表入力値、(b) ではｘ
＝０は１代表入力値、ｘ＝１は０代表入力値として追加
することができる。ここではファジィ変数のグレードが
０、または１となるｘの値を代表入力値としているが、
グレードの値が0.5 となるｘの値などを用いることも可
能である。As shown in FIG. 3B, in the case of a fuzzy variable having a trapezoidal membership function as a shape, one representative input value is defined as x 1 and 0 representative input value is defined as x 2 . The minimum value 0 and the maximum value 1 of the input value x can be added as such 0 representative input value and 1 representative input value. In Fig. 3 (a), x = 0 and x = 1 are 0 representative input values, and in (b) x
= 0 can be added as 1 representative input value, and x = 1 can be added as 0 representative input value. Here, the value of x at which the fuzzy variable grade is 0 or 1 is used as the representative input value.
It is also possible to use the value of x such that the grade value becomes 0.5.
【００３２】手順２：このようにして決定された代表入
力値を用いて、それぞれの事例データに対応するニュー
ラルネットワークの出力を求める。すなわち手順１で着
目した入力のファジィ変数が前件部で用いられているフ
ァジィ規則を暗黙の対象として、ファジィ変数に対する
入力の値を０代表入力値、または１代表入力値に置き換
え、前件部に表れない入力変数の値はそのままとして、
それぞれの事例データの入力値に対応するニューラルネ
ットワークの出力を求める。ここで一般的にＩ個の入力
ｘ1 ，ｘ2 ，・・・ｘI に対応するニューラルネットワ
ークの出力（１個）をｚ＝ｆ（ｘ1 ，ｘ2 ，・・・
ｘI ）とすると、事例ｊに対する出力は次式で与えられ
る。Procedure 2: Using the representative input values thus determined, the output of the neural network corresponding to each case data is obtained. That is, the fuzzy variable of the input focused on in step 1 implicitly targets the fuzzy rule used in the antecedent part, and the value of the input to the fuzzy variable is replaced with 0 representative input value or 1 representative input value, and the antecedent part Input variable values that do not appear in
The output of the neural network corresponding to the input value of each case data is calculated. Generally, the output (one) of the neural network corresponding to the I inputs x 1 , x 2 , ..., X I is z = f (x 1 , x 2 ,.
x I ), the output for case j is given by
【００３３】[0033]
【数１】 [Equation 1]
【００３４】ここで入力ｐのファジィ変数αの０代表入
力値 外１ に対する出力を、次式のHere, the output for the 0 representative input value outside 1 of the fuzzy variable α of the input p is given by
【００３５】[0035]
【外１】 [Outside 1]
【００３６】ように書くものとする。It should be written as follows.
【００３７】[0037]
【数２】 [Equation 2]
【００３８】また入力ｐのファジィ変数αの１代表入力
値 外２ に対する出力を、次式のよThe output for one representative input value 2 of the fuzzy variable α of the input p is given by
【００３９】[0039]
【外２】 [Outside 2]
【００４０】うに書くものとする。It shall be written as sea urchin.
【００４１】[0041]
【数３】 (Equation 3)
【００４２】手順３：手順２で求められたニューラルネ
ットワークの出力を用いて、暗黙のファジィ規則の後件
部におけるファジィ変数βのグレードをそれぞれ求め、
入力ファジィ変数の１代表入力値に対する出力ファジィ
変数のグレードから、０代表入力値に対する出力ファジ
ィ変数のグレードを差し引いた値を、その事例に対する
入力ファジィ変数と出力ファジィ変数の間のファジィ規
則の効果として求める。０代表入力値、１代表入力値に
対する出力ファジィ変数のグレードをそれぞれ、Step 3: Using the output of the neural network obtained in Step 2, find the grade of the fuzzy variable β in the consequent part of the implicit fuzzy rule,
The value obtained by subtracting the grade of the output fuzzy variable for the 0 representative input value from the grade of the output fuzzy variable for the 1 representative input value of the input fuzzy variable is the effect of the fuzzy rule between the input fuzzy variable and the output fuzzy variable for the case. Ask. 0 representative input value, output fuzzy variable grade for 1 representative input value,
【００４３】[0043]
【数４】 (Equation 4)
【００４４】とすると、この事例に対するファジィ規則
の効果は次式によって与えられる。The effect of the fuzzy rules on this case is then given by
【００４５】[0045]
【数５】 (Equation 5)
【００４６】図３で説明したように０代表入力値、およ
び１代表入力値がそれぞれ複数選ばれた場合には、０代
表入力値に対応する出力ファジィ変数のグレードのうち
で最大値をとり、１代表入力値に対応する出力ファジィ
変数のグレードのうちで最小値をとることにする。すな
わち、When a plurality of 0 representative input values and a plurality of 1 representative input values are selected as described with reference to FIG. 3, the maximum value of the output fuzzy variable grades corresponding to the 0 representative input value is taken, 1 The minimum value is selected from the output fuzzy variable grades corresponding to the representative input values. That is,
【００４７】[0047]
【数６】 (Equation 6)
【００４８】を用いて、この事例に対するファジィ規則
の効果は次式のように与えられる。Using, the effect of the fuzzy rule for this case is given by:
【００４９】[0049]
【数７】 (Equation 7)
【００５０】このように１代表入力値が複数の場合にグ
レードの最小値、０代表入力値が複数の場合にグレード
の最大値をとる理由は、効果の値が過大になることを防
止するためである。この理由にいて、図４を用いて説明
する。図４(a) は入力ファジィ変数のうちの１つに対す
るメンバシップ関数の形状を表し、同図(b) は入力変数
ｘの値を横軸にとった場合の出力ファジィ変数のグレー
ドをプロットした結果を示す。As described above, the reason why the minimum grade value is used when there are a plurality of 1 representative input values and the maximum grade value is used when there are a plurality of 0 representative input values is to prevent the effect value from becoming excessive. Is. The reason for this will be described with reference to FIG. Fig. 4 (a) shows the shape of the membership function for one of the input fuzzy variables, and Fig. 4 (b) plots the grade of the output fuzzy variable when the value of the input variable x is plotted on the horizontal axis. The results are shown.
【００５１】すなわち、図４(a) において、例えば入力
値ｘ＝0.3 が与えられた時ニューラルネットワークの入
出力関係に応じて出力値が求められ、ファジィ規則の後
件部におけるあるファジィ変数βに対するグレード値が
その出力値を用いて求められ、その結果が(b) に示され
ている。That is, in FIG. 4 (a), for example, when an input value x = 0.3 is given, an output value is obtained according to the input / output relationship of the neural network, and for a certain fuzzy variable β in the consequent part of the fuzzy rule. The grade value was calculated using the output value, and the result is shown in (b).
【００５２】図４(a) において、入力値ｘが0.3 と0.5
の場合だけを考えると、１代表入力値に対応するグレー
ドから０代表入力値に対応するグレードを減算すると効
果の値は正となり、規則の効果があるものと判定され
る。これに対してｘ＝１も０代表入力値として追加する
と、この値に対応するグレードがグレードの最大値とし
てとられ、１代表入力値に対応するグレードからその値
が減算されることによって規則の効果はほとんど０とな
り、効果の値が過大となることが防止される。In FIG. 4 (a), the input value x is 0.3 and 0.5.
Considering only the case, when the grade corresponding to the 0 representative input value is subtracted from the grade corresponding to the 1 representative input value, the effect value becomes positive, and it is determined that the rule has the effect. On the other hand, if x = 1 is also added as a 0 representative input value, the grade corresponding to this value is taken as the maximum value of the grade, and that value is subtracted from the grade corresponding to the 1 representative input value. The effect is almost 0, and the effect value is prevented from becoming excessive.
【００５３】手順４：手順３で求められた各事例に対す
る効果の値を、全ての事例を対象として平均した値を、
事例データの集合に基づく入力ファジィ変数と出力ファ
ジィ変数の間の規則の成立度として求める。入出力の値
が０〜１の範囲に正規化されている場合には、成立度の
値は−１から＋１までの値をとり、その値が正であれば
全体としてその規則が成立していることが推定される。
すなわち成立度は次のファジィ規則Step 4: The value of the effect for each case obtained in the procedure 3 is averaged over all cases,
It is obtained as the degree of establishment of a rule between an input fuzzy variable and an output fuzzy variable based on a set of case data. When the input and output values are normalized to the range of 0 to 1, the satisfaction value takes a value from -1 to +1. If the value is positive, the rule is satisfied as a whole. It is estimated that
That is, the degree of success is the fuzzy rule
【００５４】[0054]
【数８】 (Equation 8)
【００５５】に対して次式によって与えられる。Is given by
【００５６】[0056]
【数９】 [Equation 9]
【００５７】手順５：成立度の値が大きいファジィ規則
を上から順に選ぶことによって、ニューラルネットワー
クからファジィ規則を抽出する。このように本実施例に
おいては手順１〜手順５を用いてファジィ規則の成立度
が判定され、その値が大きい順にファジィ規則がニュー
ラルネットワークから抽出されるが、このような手順を
用いる理由について説明する。Step 5: A fuzzy rule is extracted from the neural network by selecting a fuzzy rule having a high degree of succession in order from the top. As described above, in this embodiment, the degree of establishment of the fuzzy rule is determined by using the procedure 1 to procedure 5, and the fuzzy rule is extracted from the neural network in descending order of the value. The reason for using such procedure will be described. To do.
【００５８】一般にあるファジィ規則の前件部の成立度
合いが大きければ、ニューラルネットワークの出力値に
対してその規則の後件部は大きな影響を与えるものと考
えられる。Generally, if the degree of establishment of the antecedent part of a fuzzy rule is large, it is considered that the consequent part of the rule has a great influence on the output value of the neural network.
【００５９】従って前件部のグレードを１とした時ある
出力ファジィ変数のグレードが高く、前件部のグレード
を０にするとある出力ファジィ変数のグレードが低くな
ることによって、そのファジィ規則に対する効果の値は
大きくなり、そのことはそのファジィ規則がニューラル
ネットワーク全体の入出力関係に影響する度合いが大き
くなることを示すものと推測される。本実施例では、こ
の理由によって、手順１〜手順５によってファジィ規則
の成立度を判定している。Therefore, when the grade of the antecedent part is set to 1, the grade of an output fuzzy variable is high, and when the grade of the antecedent part is set to 0, the grade of an output fuzzy variable is lowered, so that the effect on the fuzzy rule is reduced. It is speculated that the value becomes large, and that the degree that the fuzzy rule influences the input-output relation of the whole neural network becomes large. In this embodiment, for this reason, the degree of establishment of the fuzzy rule is determined by the procedure 1 to procedure 5.
【００６０】本実施例におけるファジィ規則の抽出処
理、およびシステム構成などについて一般的に説明する
前に、理解を容易にするために、具体例を用いてファジ
ィ規則の抽出などについて説明する。Before generally describing the fuzzy rule extraction processing, system configuration, and the like in the present embodiment, fuzzy rule extraction and the like will be described using a specific example in order to facilitate understanding.
【００６１】図５は階層型ニューラルネットワークに与
えられる学習データ、すなわち事例データの例である。
対応するニューラルネットワークの入力層ユニットは２
個であり、それぞれｘ1 およびｘ2 の値が入力値として
与えられる。出力層ユニットは１個のみであり、その出
力値はｙである。ここでは事例としてNo.1〜10の10個の
事例データが示されている。なお入力のうちｘ1 は気候
（気温）、ｘ2 は天気を表し、出力ｙは快適度を表すも
のとする。FIG. 5 shows an example of learning data given to the hierarchical neural network, that is, case data.
The input layer unit of the corresponding neural network is 2
And the values of x 1 and x 2 , respectively, are given as input values. There is only one output layer unit and its output value is y. Here, ten example data Nos. 1 to 10 are shown as examples. Of the inputs, x 1 represents the climate (temperature), x 2 represents the weather, and the output y represents the comfort level.
【００６２】図６は図５の事例データに対応する入力、
および出力ファジィ変数を示す。例えば入力ｘ1 に対す
るファジィ変数は“気候＝寒い”、“気候＝暖かい”、
および“気候＝暑い”の３つである。FIG. 6 shows the input corresponding to the case data of FIG.
And output fuzzy variables are shown. For example, the fuzzy variables for input x 1 are “Climate = Cold”, “Climate = Warm”,
And "climate = hot".
【００６３】図７は、図６の入力ｘ2 に対する入力ファ
ジィ変数のメンバシップ関数の具体的形状と関連する天
気の状態を示す。この定義に従って入力ファジィ変数の
グレードが定められている。FIG. 7 shows the weather conditions associated with the concrete shape of the membership function of the input fuzzy variable for the input x 2 of FIG. According to this definition, the grade of the input fuzzy variable is defined.
【００６４】図８はファジィ規則設定画面の例であり、
ファジィ変数の言語表現指定を示す。ここでは入力１、
すなわち気候（気温）に対する言語表現指定が行われて
おり、暑い、暖かい、涼しい、および寒いの４つの入力
ファジィ変数について、その温度範囲が指定されてい
る。このように画面を用いてファジィ規則を設定する方
法はメンバシップ関数の具体的な形状を指定する場合に
も使用できるが、例えば数値入力によってそれを行うこ
ともできる。FIG. 8 shows an example of a fuzzy rule setting screen.
Indicates the language expression specification of fuzzy variables. Here input 1,
That is, linguistic expressions are designated for climate (temperature), and temperature ranges are designated for four input fuzzy variables of hot, warm, cool, and cold. The method of setting the fuzzy rule using the screen as described above can be used to specify a specific shape of the membership function, but it can also be performed by inputting a numerical value, for example.
【００６５】図５の事例データがニューラルネットワー
クに与えられ、この学習終了後に構築されたニューラル
ネットワークから、成立度の高いファジィ規則が抽出さ
れる。The case data of FIG. 5 is given to the neural network, and a fuzzy rule having a high degree of success is extracted from the neural network constructed after the learning.
【００６６】図９はそのようにして抽出された規則の例
である。ここでは成立度の高い順に５つのファジィ規則
が抽出されている。ここで第１のファジィ規則、 ＩＦ 天気＝雨 ＴＨＥＮ 快適度＝悪い の成立度の求め方について、具体的に説明する。FIG. 9 shows an example of the rule thus extracted. Here, five fuzzy rules are extracted in descending order of success. Here, a method of obtaining the degree of establishment of the first fuzzy rule, IF weather = rain THEN comfort level = bad will be specifically described.
【００６７】ファジィ規則の抽出においても、学習に用
いられたものと同じ事例データが使用される。まず図５
の事例No.1について、２つの入力ｘ1 ，ｘ2 のうちｘ1
＝０一定として ｘ2 ＝０として、１代表入力値に対する出力ユニッ
トの出力値として 外３ 雨を求め、この出力値に対し
て快適度＝悪いのグレードを求める。In the extraction of fuzzy rules, the same case data as that used for learning is used. First, FIG.
For case No. 1 of x, of the two inputs x 1 and x 2 , x 1
= 0 constant x 2 = 0, the outside 3 rain is obtained as the output value of the output unit for one representative input value, and the grade of comfort level = bad is obtained for this output value.
【００６８】[0068]
【外３】 [Outside 3]
【００６９】 ｘ2 ＝0.4 、およびｘ2 ＝１として、
２つの０代表入力値に対する出力外４ 雨のそれぞれに
対する快適度＝悪いのグレードを求め、２つのグレード
のWith x 2 = 0.4 and x 2 = 1
Out of output for two 0 representative input values 4 Find the grade of comfort = bad for each of the rain
【００７０】[0070]
【外４】 [Outside 4]
【００７１】うち大きな値を求める。 で求められたグレードからで求められたグレー
ドを減算して、この事例データに対する効果の値を求め
る。Of these, the larger value is determined. The effect value for this case data is obtained by subtracting the grade obtained in from the grade obtained in.
【００７２】次に事例No.2について、ｘ1 ＝0.4 ＝一定
として、〜の処理を実行する。同様の処理を事例デ
ータNo.10 まで繰り返し、グレードの差の総和をとり、
10で割ることによって効果の平均値、すなわち規則の成
立度を求めると0.594 となる。Next, with respect to case No. 2, the processing of is executed with x 1 = 0.4 = constant. Repeat the same process up to case data No.10, take the sum of grade differences,
Dividing by 10 gives the average effect, that is, the degree of success of the rule, which is 0.594.
【００７３】本実施例によれば、図９のように入力ファ
ジィ変数と出力ファジィ変数との間、すなわち入力、出
力のそれぞれ特定の範囲の間の関係としてのファジィ規
則の成立度を求めることができる。これに対して前述の
「学習装置の機能解析装置」に開示された方法では、入
出力関係として 気候 → 快適度 −0.739 天気 → 快適度 32.424 が求められるのみであり、快適度に対して天気が与える
影響が大きいことはわかるが、それ以上のことは不明で
ある。According to the present embodiment, as shown in FIG. 9, it is possible to obtain the degree of establishment of the fuzzy rule as the relationship between the input fuzzy variable and the output fuzzy variable, that is, the specific range of the input and the output. it can. On the other hand, with the method disclosed in the above-mentioned “Functional analysis device for learning device”, only climate → comfort level −0.739 weather → comfort level 32.424 is required as the input / output relationship, and the weather level is compared with the comfort level. I know that it will have a great impact, but more is unknown.
【００７４】このようにして、学習が終了したニューラ
ルネットワークからファジィ規則を抽出し、抽出された
ファジィ規則を保存しておくと、例えば実際にニューラ
ルネットワークを制御に用いた場合のニューラルネット
ワークによる演算理由、すなわち入力と出力の間の関係
に対するファジィ規則の影響度を求めることができる。
このファジィ規則の影響度は、本実施例では次式によっ
て定義される。In this way, if the fuzzy rules are extracted from the learned neural network and the extracted fuzzy rules are stored, for example, the reason for the calculation by the neural network when the neural network is actually used for control. , That is, the degree of influence of the fuzzy rule on the relationship between the input and the output can be obtained.
The degree of influence of this fuzzy rule is defined by the following equation in this embodiment.
【００７５】影響度＝成立度×ｍｉｎ（入力のグレー
ド、出力のグレード） この式を用いて、例えば実際の制御に用いられる時点
で、ニューラルネットワークの演算理由として各ファジ
ィ規則の影響度が求められるが、ここでは簡単のため図
５の事例データのうちNo.6のデータを例として、すでに
抽出されたファジィ規則の影響度がどの程度となるか、
すなわち図９で示されたファジィ規則のうち影響度の比
較的大きいものを求めた結果を図１０に示す。図１０に
おいて、最初のファジィ規則の影響度の求め方について
説明する。Influence degree = establishment degree × min (input grade, output grade) Using this equation, the influence degree of each fuzzy rule is obtained as a reason for the operation of the neural network at the time of use in actual control, for example. However, for simplification, here, using the No. 6 data of the example data of FIG. 5 as an example, the degree of influence of the already extracted fuzzy rules is
That is, FIG. 10 shows a result of obtaining the fuzzy rule having a relatively large influence degree among the fuzzy rules shown in FIG. In FIG. 10, how to obtain the influence degree of the first fuzzy rule will be described.
【００７６】事例データNo.6においてｘ1 ＝0.9 ，ｘ2
＝0.9 ，ｙ＝0.52である。この値に対して前件部の“気
候＝暖かい”のグレードは0.333 、後件部の“快適度＝
やや良い”のグレードは0.9 となり、このファジィ規則
に対する成立度＝0.242 と、入力のグレードと出力のグ
レードのうちで小さい値、すなわち0.333 との積をとる
と、影響度が0.081 として求められる。In case data No. 6, x 1 = 0.9, x 2
= 0.9 and y = 0.52. Compared to this value, the grade of "climate = warm" in the antecedent is 0.333, and "comfort of the consequent =
The grade of “good” is 0.9, and if the product of the degree of success for this fuzzy rule = 0.242 and the smaller of the input grade and the output grade, that is, 0.333, the influence degree is 0.081.
【００７７】影響度の式において、右辺の左側、すなわ
ち成立度はニューラルネットワークの動作においてその
規則がどの程度成立しているかを示す度合いであり、右
辺の右側はその事例に対してその規則が成立する度合い
を示している。これらの積を求めることによって、ニュ
ーラルネットワークの演算理由において、その規則がど
の程度関与しているかを表す値を推定することができ
る。従って本実施例では、この値に対して影響度と言う
用語を用いている。In the expression of the degree of influence, the left side of the right side, that is, the degree of establishment is the degree to which the rule is established in the operation of the neural network, and the right side of the right side is that the rule is established for the case. It shows the degree to do. By obtaining these products, it is possible to estimate a value indicating how much the rule is involved in the calculation reason of the neural network. Therefore, in this embodiment, the term “influence degree” is used for this value.
【００７８】ニューラルネットワークから抽出されたあ
る規則の成立度の値が１であり、かつある事例に対して
その規則が完全に成立している、すなわち入力および出
力のグレードが共に１であれば、影響度の値は１とな
る。この場合には、この事例に対してニューラルネット
ワークの動作はその規則と等価であることになる。If the value of the satisfaction degree of a certain rule extracted from the neural network is 1, and the rule is completely satisfied for a certain case, that is, if the input and output grades are both 1, The value of the degree of influence is 1. In this case, the behavior of the neural network for this case would be equivalent to that rule.
【００７９】成立度の値が１より小さい場合には、ニュ
ーラルネットワークにおいてその規則は完全に成立して
おらず、その分影響度の値は小さくなり、またその事例
に対してその規則が成立する度合いが１より小さい場合
には、その事例と規則の間の関係は薄く、影響度の値も
小さくなる。従って成立度と、入力または出力のグレー
ドの最小値との積をとるのは妥当であり、積でなくとも
これらの値のうちの最小の値をとって影響度を定義する
ことも可能である。When the value of the degree of satisfaction is smaller than 1, the rule is not completely satisfied in the neural network, the value of the degree of influence is reduced accordingly, and the rule is satisfied for the case. When the degree is less than 1, the relationship between the case and the rule is weak, and the influence value is small. Therefore, it is reasonable to take the product of the success rate and the minimum value of the input or output grade, and it is also possible to define the influence degree by taking the minimum value of these values even if it is not the product. .
【００８０】図１１は本実施例におけるファジィ規則の
成立度計算処理のフローチャートである。同図において
上の部分、すなわちステップＳ１〜Ｓ５はニューラルネ
ットワークの学習処理を示し、下の部分、すなわちステ
ップＳ１０〜Ｓ１８がファジィ規則の抽出処理を示す。FIG. 11 is a flow chart of the fuzzy rule satisfaction degree calculation processing in this embodiment. In the figure, the upper part, that is, steps S1 to S5, shows the learning process of the neural network, and the lower part, that is, steps S10 to S18, shows the fuzzy rule extraction process.
【００８１】処理が開始されると、まずステップＳ１で
事例データ、例えば図５のデータの読み込みが行われ、
ステップＳ２で何回の処理で学習を終了させるかについ
て、例えばユーザから指定された学習回数分のループ処
理が、ステップＳ３〜Ｓ５に対して繰り返される。When the processing is started, first, in step S1, case data, for example, the data shown in FIG. 5 is read,
As for how many times the learning is ended in step S2, for example, the loop processing for the number of times of learning designated by the user is repeated for steps S3 to S5.
【００８２】ステップＳ３では全ての学習用事例データ
について、ステップＳ４およびＳ５の処理が繰り返され
る。ステップＳ４ではニューラルネットワークの出力値
と正解との誤差が計算され、ステップＳ５でバックプロ
パゲーション法によって、ニューラルネットワークの内
部のニューロン間の結合の重み変更量が計算され、重み
の変更が行われる。In step S3, the processes of steps S4 and S5 are repeated for all the learning case data. In step S4, the error between the output value of the neural network and the correct answer is calculated, and in step S5, the weight change amount of the connection between the neurons inside the neural network is calculated by the back propagation method, and the weight is changed.
【００８３】ステップＳ２で学習回数分のループが終了
し、学習が終了したと判定されると、ステップＳ１０以
降のファジィ規則抽出処理に移行する。まずステップＳ
１０で全ての入力変数についてＳ１１〜Ｓ１５の処理が
繰り返される。ステップＳ１１では全ての出力変数につ
いてステップＳ１２〜Ｓ１５の、またステップＳ１２で
は全ての事例データについてＳ１３〜Ｓ１５の処理が繰
り返される。When it is determined in step S2 that the loop for the number of times of learning is completed and the learning is completed, the process proceeds to the fuzzy rule extraction process of step S10 and thereafter. First, step S
At 10, the processing of S11 to S15 is repeated for all input variables. In step S11, steps S12 to S15 are repeated for all output variables, and in step S12, steps S13 to S15 are repeated for all case data.
【００８４】ステップＳ１３ではニューラルネットワー
クの入力値を代表入力値に入れ替えた後にニューラルネ
ットワークの出力値が計算され、ステップＳ１４でそれ
ぞれの出力ファジィ変数に対するグレードが求められ、
ステップＳ１５でその事例データに対する効果の値が計
算れ、その値が累積値に加算される。In step S13, the input value of the neural network is replaced with the representative input value, and then the output value of the neural network is calculated. In step S14, the grade for each output fuzzy variable is obtained.
In step S15, the value of the effect on the case data is calculated, and the value is added to the cumulative value.
【００８５】ステップＳ１５において、ステップＳ１２
で選ばれた全ての事例について累積値への加算処理が終
了すると、累積値の値は例えば図示しないメモリなどに
格納され、ステップＳ１１の処理に戻る。例えばステッ
プＳ１０で、図９の最初のファジィ規則に対応する入力
変数、すなわち“天気＝雨”の入力ファジィ変数が選ば
れ、ステップＳ１２で出力ファジィ変数として“快適度
＝悪い”が選ばれた後、ステップＳ１２〜Ｓ１５で全て
の事例データに対して効果の値が計算され、累積値が求
められる。その累積値がメモリ等に格納された後に、ス
テップＳ１１で次の出力変数として例えば出力ファジィ
変数“快適度＝やや良い”が選ばれ、“ＩＦ天気＝雨、
ＴＨＥＮ快適度＝やや良い”のファジィ規則に対応する
効果の累積値の計算処理がステップＳ１２〜Ｓ１５で行
われることになる。In step S15, step S12
When the process of adding to the cumulative value is completed for all the cases selected in step 1, the value of the cumulative value is stored in, for example, a memory (not shown), and the process returns to step S11. For example, after the input variable corresponding to the first fuzzy rule in FIG. 9, that is, the input fuzzy variable “weather = rain” is selected in step S10, and “comfort degree = bad” is selected as the output fuzzy variable in step S12. In steps S12 to S15, the effect value is calculated for all the case data, and the cumulative value is obtained. After the accumulated value is stored in the memory or the like, for example, the output fuzzy variable “comfort degree = good” is selected as the next output variable in step S11, and “IF weather = rain,
The calculation process of the cumulative value of the effect corresponding to the fuzzy rule of "THEN comfort = slightly good" is performed in steps S12 to S15.
【００８６】ステップＳ１０で全ての入力ファジィ変数
についての処理が終了したと判定されると、ステップＳ
１６で効果の累積値の高い順に入力ファジィ変数と出力
ファジィ変数との関係が取り出され、それぞれの関係に
ついてその累積値を事例の数で割った結果として各ファ
ジィ規則に対する成立度が求められ、その値が大きい順
にファジィ規則が抽出される。その後、ステップＳ１７
で抽出されたファジィ規則が妥当であるか否か、すなわ
ち抽出結果の妥当性についての判定が行われる。この判
定は、入力と出力の間に存在すると考えられる比較的常
識的な関係と比較することによって行われる。例えば ＩＦ 天気＝雨 ＴＨＥＮ 快適度＝悪い ＩＦ 天気＝快晴 ＴＨＥＮ 快適度＝良い などのファジィ規則は常識的に正しいと考えられるの
で、結果は妥当であると判定される。これに対してもし
“ＩＦ天気＝雨 ＴＨＥＮ快適度＝良い”というファジ
ィ規則が抽出された場合には、ユーザはこの規則は妥当
でないと判定することになり、この場合にはステップＳ
１８で学習事例の見直しが行われた後に、ステップＳ１
以降の処理が繰り返される。この見直し処理において
は、妥当でないと判定された規則に対するグレードの高
い事例データが選び出され、そのデータが学習対象から
除外される。When it is determined in step S10 that the processing has been completed for all input fuzzy variables, step S
In step 16, the relationship between the input fuzzy variable and the output fuzzy variable is extracted in descending order of the cumulative value of the effect, and the cumulative value for each relationship is divided by the number of cases to obtain the degree of success for each fuzzy rule. Fuzzy rules are extracted in descending order of value. Then, step S17
Whether or not the fuzzy rule extracted in step 1 is valid, that is, the validity of the extraction result is determined. This determination is made by comparison with a relatively common sense relationship that is believed to exist between the input and the output. For example, the fuzzy rules such as IF weather = rain THEN comfort level = bad IF weather = clear weather THEN comfort level = good are considered to be common sense, and the result is judged to be valid. On the other hand, if the fuzzy rule “IF weather = rain THEN comfort = good” is extracted, the user determines that this rule is invalid. In this case, step S
After the learning case is reviewed in step 18, step S1
Subsequent processing is repeated. In this review process, case data with a high grade for a rule determined to be invalid is selected and that data is excluded from the learning target.
【００８７】図１２は本発明のファジィ規則抽出方式の
システム構成ブロック図である。同図においてシステム
は、データの編集などを行う編集部２０、学習用のデー
タを記憶する学習させるデータ記憶部２１（図１の５に
相当）、ニューラルネットワークの学習を実行する学習
部２２、ニューラルネットワークの構造や結合の重みな
どを記憶するニューラルネットワーク記憶部２３（図１
の６に相当）、ファジィ規則における前件部のファジィ
変数の定義を記憶する前件部ファジィ変数定義記憶部２
４、同様の後件部ファジィ変数定義記憶部２５、ニュー
ラルネットワークから抽出されたファジィ規則を記憶す
る導出されたファジィ規則記憶部２６（図１の７に相
当）、ニューラルネットワークからファジィ規則を抽出
するネットワーク解析・規則抽出部２７、例えば実際の
制御にあたってニューラルネットワークに入力される入
力値を記憶する入力値記憶部２８、同様の出力値記憶部
２９、影響度の計算結果を記憶する影響度記憶部３０、
演算理由の説明のために影響度を求める演算理由説明部
３１、演算理由の説明をユーザに対して表示する説明表
示部３２から構成されている。FIG. 12 is a system configuration block diagram of the fuzzy rule extraction method of the present invention. In the figure, the system includes an editing unit 20 for editing data, a data storage unit 21 for storing learning data (corresponding to 5 in FIG. 1), a learning unit 22 for performing learning of a neural network, and a neural network. The neural network storage unit 23 (see FIG. 1) that stores the network structure, connection weight, and the like.
6)), the antecedent part fuzzy variable definition storage unit 2 for storing the definition of the antecedent fuzzy variable in the fuzzy rule
4. Similar consequent part fuzzy variable definition storage unit 25, derived fuzzy rule storage unit 26 (corresponding to 7 in FIG. 1) for storing fuzzy rules extracted from the neural network, and extracting fuzzy rules from the neural network. A network analysis / rule extraction unit 27, for example, an input value storage unit 28 that stores an input value input to the neural network in actual control, a similar output value storage unit 29, and an impact degree storage unit that stores an impact degree calculation result. 30,
It is composed of a calculation reason explanation section 31 for obtaining the degree of influence for explaining the calculation reason, and an explanation display section 32 for displaying an explanation of the calculation reason to the user.
【００８８】図２で説明したように、本実施例における
特徴的処理はネットワーク解析・規則抽出プログラム１
３、および関係計算プログラム１６によって実行され
る。ネットワーク解析・規則抽出プログラム１３は、図
１２のネットワーク解析・規則抽出部２７に相当し、関
係計算プログラム１６は演算理由説明部３１に相当す
る。As described with reference to FIG. 2, the characteristic processing in this embodiment is the network analysis / rule extraction program 1
3 and the relational calculation program 16. The network analysis / rule extraction program 13 corresponds to the network analysis / rule extraction unit 27 of FIG. 12, and the relation calculation program 16 corresponds to the operation reason explanation unit 31.
【００８９】ネットワーク解析・規則抽出部２７の内部
の認識部２７ａは図１１におけるステップＳ１３、グレ
ード計算部２７ｃはステップＳ１４、累積値記憶部２７
ｄはステップＳ１５、平均値算出部２７ｅはステップＳ
１６の処理を実行する部分に相当する。そして平均値算
出部２７ｅによって算出された平均値、すなわちファジ
ィ規則に対する成立度の高い順に抽出されたファジィ規
則が導出されたファジィ規則記憶部２６に記憶される。The recognition unit 27a inside the network analysis / rule extraction unit 27 is step S13 in FIG. 11, the grade calculation unit 27c is step S14, and the cumulative value storage unit 27.
d is step S15, and the average value calculation unit 27e is step S15.
This corresponds to the part that executes 16 processes. Then, the average value calculated by the average value calculation unit 27e, that is, the fuzzy rules extracted in descending order of the degree of establishment of the fuzzy rules, is stored in the derived fuzzy rule storage unit 26.
【００９０】演算理由説明部３１の内部の前件部グレー
ド計算部３１ａは影響度の式における入力ファジィ変数
のグレード、後件部グレード計算部３１ｂは出力ファジ
ィ変数のグレードを求めるものであり、これらのグレー
ドの計算結果と、導出されたファジィ規則記憶部２６に
記憶されているファジィ規則の成立度とを用いて、影響
度計算部３１ｃによって影響度の値が求められ、その結
果は影響度記憶部３０に記憶され、説明表示部３２によ
るユーザへの説明表示のために用いられる。The antecedent part grade calculation part 31a inside the operation reason explanation part 31 obtains the grade of the input fuzzy variable in the influence formula, and the consequent part grade calculation part 31b obtains the output fuzzy variable grade. The calculation result of the grade and the degree of success of the fuzzy rule stored in the derived fuzzy rule storage unit 26 are used to obtain the value of the influence degree by the influence degree calculation unit 31c. It is stored in the unit 30 and is used by the explanation display unit 32 for displaying an explanation to the user.
【００９１】[0091]
【発明の効果】以上詳細に説明したように、本発明によ
れば、多数の事例データに基づいて構築されたニューラ
ルネットワークから容易にファジィ規則を抽出すること
ができる。すなわち入力の特定範囲と出力の特定範囲と
の間の関係をつけることが容易となり、制御現場での調
整を簡単にすることができる。またニューラルネットワ
ークによって実際の制御の局面において行われている演
算の理由を、ユーザの理解しやすい形式で説明すること
が可能となり、制御結果に対する評価が容易となり、制
御分野におけるニューラルネットワークの応用に寄与す
るところが大きい。As described in detail above, according to the present invention, fuzzy rules can be easily extracted from a neural network constructed based on a large number of case data. That is, it becomes easy to establish a relationship between the specific range of the input and the specific range of the output, and the adjustment at the control site can be simplified. In addition, the neural network makes it possible to explain the reason for the operation performed in the actual control phase in a format that is easy for the user to understand, which makes it easy to evaluate the control results and contributes to the application of neural networks in the control field. There is a lot to do.
【図１】本発明の原理構成ブロック図である。FIG. 1 is a block diagram showing a principle configuration of the present invention.
【図２】本発明におけるファジィ規則抽出と演算理由説
明表示の全体的な概念を示す図である。FIG. 2 is a diagram showing an overall concept of fuzzy rule extraction and calculation reason explanation display according to the present invention.
【図３】入力ファジィ変数に対する代表入力値の選び方
の説明図である。FIG. 3 is an explanatory diagram of how to select a representative input value for an input fuzzy variable.
【図４】過大な効果の値の防止の説明図である。FIG. 4 is an explanatory diagram of prevention of an excessive effect value.
【図５】ニューラルネットワークに与えられる学習デー
タの例を示す図である。FIG. 5 is a diagram showing an example of learning data given to a neural network.
【図６】入力ファジィ変数と出力ファジィ変数の例を示
す図である。FIG. 6 is a diagram showing an example of an input fuzzy variable and an output fuzzy variable.
【図７】図６における入力ｘ2 の値と天気の状態の関連
を示す図である。FIG. 7 is a diagram showing the relationship between the value of input x 2 and the state of weather in FIG.
【図８】ファジィ規則設定画面の例を示す図である。FIG. 8 is a diagram showing an example of a fuzzy rule setting screen.
【図９】ニューラルネットワークから抽出された規則の
例を示す図である。FIG. 9 is a diagram showing an example of rules extracted from a neural network.
【図１０】No.6の事例データに対するファジィ規則の影
響度を示す図である。FIG. 10 is a diagram showing the degree of influence of fuzzy rules on No. 6 case data.
【図１１】ファジィ規則の成立度の計算処理のフローチ
ャートである。FIG. 11 is a flowchart of a calculation process of a degree of establishment of a fuzzy rule.
【図１２】ファジィ規則抽出システムの構成例を示す図
である。FIG. 12 is a diagram showing a configuration example of a fuzzy rule extraction system.
【図１３】ニューラルネットワークを用いた制御システ
ムの例としてのトンネル内の換気制御システムを示す図
である。FIG. 13 is a diagram showing a ventilation control system in a tunnel as an example of a control system using a neural network.
【図１４】網羅度の求め方を説明する図である。[Fig. 14] Fig. 14 is a diagram for explaining how to determine the degree of coverage.
【図１５】有効度の求め方を説明する図である。FIG. 15 is a diagram illustrating how to determine the effectiveness.
【図１６】重複度の求め方を説明する図である。FIG. 16 is a diagram illustrating a method of obtaining a degree of overlap.
１ 学習手段 ２ ネットワーク解析・規則抽出手段 ３ 関係計算手段 ５ 学習データ記憶部 ６ ニューラルネットワーク記憶部 ７ ファジィ規則記憶部 １０ 学習エンジン １３ ネットワーク解析・規則抽出プログラム １６ 関係計算プログラム ２７ａ 認識部 ２７ｂ 出力値記憶部 ２７ｃ グレード計算部 ２７ｄ 累積値記憶部 ２７ｅ 平均値算出部 ３１ 演算理由説明部 ３１ａ 前件部グレード計算部 ３１ｂ 後件部グレード計算部 ３１ｃ 影響度計算部 1 learning means 2 network analysis / rule extraction means 3 relation calculation means 5 learning data storage unit 6 neural network storage unit 7 fuzzy rule storage unit 10 learning engine 13 network analysis / rule extraction program 16 relation calculation program 27a recognition unit 27b output value storage Part 27c Grade calculation part 27d Cumulative value storage part 27e Average value calculation part 31 Calculation reason explanation part 31a Antecedent part grade calculation part 31b Consequent part grade calculation part 31c Impact degree calculation part
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 15/18 ５４０ Ｇ０６Ｆ 15/18 ５４０Ａ Ｇ０６Ｇ 7/60 Ｇ０６Ｇ 7/60 ─────────────────────────────────────────────────── ─── Continuation of front page (51) Int.Cl. 6 Identification code Internal reference number FI Technical display location G06F 15/18 540 G06F 15/18 540A G06G 7/60 G06G 7/60
Claims (7)
ータに基づいて、ファジィモデルに対応するニューラル
ネットワークを構築し、該ニューラルネットワークから
ファジィ規則を抽出するファジィ規則抽出方式におい
て、 前記多数の事例データとしての入力値と出力値との関係
をニューラルネットワークに学習させる学習手段と、 該学習に使用されたデータに基づいて、該学習の終了し
たニューラルネットワークから、入力に対するファジィ
変数と出力に対するファジィ変数との定義を用いて、そ
れらの間の関係を記述するファジィ規則に対する成立度
を求め、該成立度の高い順にファジィ規則を抽出するネ
ットワーク解析・規則抽出手段とを備えることを特徴と
するニューラルネットワークからのファジィ規則の抽出
方式。1. A fuzzy rule extraction method for constructing a neural network corresponding to a fuzzy model on the basis of a large number of case data showing a relationship between an input and an output, and extracting a fuzzy rule from the neural network. Learning means for allowing a neural network to learn the relationship between input values and output values as case data, and a fuzzy variable for input and a fuzzy variable for output from the neural network that has finished learning based on the data used for the learning. A neural network characterized by comprising a network analysis / rule extraction means for obtaining the degree of success for fuzzy rules describing the relationship between variables using the definition of variables and extracting the fuzzy rules in descending order of the degree of success. A method of extracting fuzzy rules from a network.
が、 前記学習に使用された多数の事例データのそれぞれに対
して、ファジィ規則前件部の入力ファジィ変数と後件部
の出力ファジィ変数との間の規則の効果の値を求め、該
各事例データに対する規則の効果の値を平均して該ファ
ジィ規則の前記成立度を求めることを特徴とする請求項
１記載のニューラルネットワークからのファジィ規則の
抽出方式。2. The network analysis / rule extraction means, between each of a large number of case data used for the learning, between an input fuzzy variable of a fuzzy rule antecedent part and an output fuzzy variable of a consequent part. 2. The fuzzy rule extraction from the neural network according to claim 1, wherein the effect value of the rule is obtained, and the effect values of the rule for each case data are averaged to obtain the degree of success of the fuzzy rule. method.
が、 前記学習に使用された各事例データの入力値のうちで、
ファジィ規則の前件部に表れる入力変数の値を、該ファ
ジィ規則前件部の入力ファジィ変数に対する代表入力値
に入れ替えて前記ニューラルネットワークの出力値を求
め、該出力値に対応して該ファジィ規則後件部の出力フ
ァジィ変数のグレードを求め、該グレードの値から前記
各事例データに対する規則の効果の値を求めることを特
徴とする請求項２記載のニューラルネットワークからの
ファジィ規則の抽出方式。3. The network analysis / rule extraction means, among the input values of each case data used for the learning,
The value of the input variable appearing in the antecedent part of the fuzzy rule is replaced with the representative input value for the input fuzzy variable of the antecedent part of the fuzzy rule to obtain the output value of the neural network, and the fuzzy rule corresponding to the output value. 3. The fuzzy rule extraction method from a neural network according to claim 2, wherein the output fuzzy variable grade of the consequent part is obtained, and the value of the effect of the rule on each case data is obtained from the value of the grade.
が、 前記前件部の入力ファジィ変数に対する代表入力値とし
て、該入力ファジィ変数のグレードが０と１とに対応す
る、０代表入力値と１代表入力値との２つの代表入力値
をとり、該２つの代表入力値に対応してそれぞれ前記後
件部の出力ファジィ変数のグレードを求め、該１代表入
力値に対応するグレードから０代表入力値に対応するグ
レードを減算した値として、前記各事例データに対する
規則の効果の値を求めることを特徴とする請求項３記載
のニューラルネットワークからのファジィ規則の抽出方
式。4. The network analysis / rule extraction means uses, as representative input values for the input fuzzy variables of the antecedent part, 0 representative input values and 1 representatives corresponding to grades 0 and 1 of the input fuzzy variables. The input representative value and two representative input values are taken, the grades of the output fuzzy variables of the consequent part are respectively obtained corresponding to the two representative input values, and the 0 representative input value is calculated from the grade corresponding to the 1 representative input value. The fuzzy rule extraction method from the neural network according to claim 3, wherein the value of the effect of the rule on each of the case data is obtained as a value obtained by subtracting the grade corresponding to.
用いて、前記ファジィモデルに対応するニューラルネッ
トワークの入力値と出力値との間の関係としての事例デ
ータのそれぞれに対して、該事例データにおける出力値
の演算理由の説明のために、該抽出されたファジィ規則
の該事例データに対する影響度を求める関係計算手段を
更に備えることを特徴とする請求項１記載のニューラル
ネットワークからのファジィ規則の抽出方式。5. The case data for each of the case data as a relationship between an input value and an output value of a neural network corresponding to the fuzzy model using the degree of success of the extracted fuzzy rule. 2. The fuzzy rule from the neural network according to claim 1, further comprising: a relation calculation means for obtaining the degree of influence of the extracted fuzzy rule on the case data in order to explain the reason for calculating the output value in FIG. Extraction method.
の入力ファジィ変数のグレードと、出力値に対応する該
ファジィ規則後件部の出力ファジィ変数のグレードとの
うちのいずれか小さい値と、前記ファジィ規則の成立度
とを用いて、前記事例データに対する影響度を求めるこ
とを特徴とする請求項５記載のニューラルネットワーク
からのファジィ規則の抽出方式。6. The grade of the input fuzzy variable of the fuzzy rule antecedent part corresponding to the input value of the case data, and the output fuzzy variable grade of the fuzzy rule consequent part corresponding to the output value, The fuzzy rule extraction method from the neural network according to claim 5, wherein the degree of influence on the case data is obtained by using a smaller value of the above and the degree of establishment of the fuzzy rule.
積として、前記事例データに対する影響度を求めること
を特徴とする請求項６記載のニューラルネットワークか
らのファジィ規則の抽出方式。7. The neural network according to claim 6, wherein the relation calculation means obtains the degree of influence on the case data as a product of the smaller value and the degree of establishment of the fuzzy rule. Extraction method of fuzzy rules.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8031041A JPH09223018A (en) | 1996-02-19 | 1996-02-19 | Extraction method for fuzzy rule out of neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8031041A JPH09223018A (en) | 1996-02-19 | 1996-02-19 | Extraction method for fuzzy rule out of neural network |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09223018A true JPH09223018A (en) | 1997-08-26 |
Family
ID=12320409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8031041A Withdrawn JPH09223018A (en) | 1996-02-19 | 1996-02-19 | Extraction method for fuzzy rule out of neural network |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09223018A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103493075A (en) * | 2011-05-17 | 2014-01-01 | 株式会社丰田中央研究所 | Outlier detecting apparatus, outlier detecting method, and vehicle trouble diagnosis system |
| CN106321487A (en) * | 2016-11-25 | 2017-01-11 | 中铁隧道集团有限公司 | Three-phase type tunnel construction ventilation control method |
-
1996
- 1996-02-19 JP JP8031041A patent/JPH09223018A/en not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103493075A (en) * | 2011-05-17 | 2014-01-01 | 株式会社丰田中央研究所 | Outlier detecting apparatus, outlier detecting method, and vehicle trouble diagnosis system |
| CN103493075B (en) * | 2011-05-17 | 2016-09-14 | 株式会社丰田中央研究所 | Outlier detection equipment, outlier detection method and vehicle breakdown diagnostic system |
| CN106321487A (en) * | 2016-11-25 | 2017-01-11 | 中铁隧道集团有限公司 | Three-phase type tunnel construction ventilation control method |
| CN106321487B (en) * | 2016-11-25 | 2017-07-28 | 中铁隧道集团有限公司 | Three-stage construction ventilation of tunnel control method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5487130A (en) | Fuzzy rule acquisition method and apparatus for fuzzy inference system and fuzzy inference system using the apparatus | |
| Chen et al. | Case-based reasoning system and artificial neural networks: A review | |
| US5189728A (en) | Rule generating and verifying apparatus for fuzzy control | |
| Karan et al. | Intelligent designer: A computational approach to automating design of windows in buildings | |
| US5222197A (en) | Rule invocation mechanism for inductive learning engine | |
| Gonzalez et al. | Validation techniques for case-based reasoning systems | |
| CN113566831B (en) | Unmanned aerial vehicle cluster navigation method, device and equipment based on human-computer interaction | |
| Al-Tabtabai | A framework for developing an expert analysis and forecasting system for construction projects | |
| JPH09223018A (en) | Extraction method for fuzzy rule out of neural network | |
| JPH11120000A (en) | Design system using case-based reasoning and learning | |
| US5463718A (en) | Learning method and apparatus | |
| JPH09204310A (en) | Judgement rule correction device and judgement rule correction method | |
| Singaravel et al. | Explainable deep convolutional learning for intuitive model development by non–machine learning domain experts | |
| Ting et al. | A fuzzy reasoning design for fault detection and diagnosis of a computer-controlled system | |
| Kilmer | Applications of artificial neural networks to combat simulations | |
| Liao et al. | An integrated database and expert system for failure mechanism identification: Part II—the system and performance testing | |
| Ennaceur et al. | Reasoning under uncertainty in the AHP method using the belief function theory | |
| JP3056324B2 (en) | Learning / recalling method and device | |
| JP2696972B2 (en) | Apparatus and method for generating fuzzy rule, and apparatus and method for checking | |
| Lind et al. | A methodology for forecasting knowledge work projects | |
| Al‐Tabtabai et al. | Expert judgment in forecasting construction project completion | |
| Vujosevic | Visual interactive simulation and artificial intelligence in design of flexible manufacturing systems | |
| Ragade | FUZZY GAMES IIM THE ANALYSIS OF OPTIONS | |
| Seiler | Reasoning about uncertainty in certain expert systems: implications for project management applications | |
| JPH11306216A (en) | Automatic arranging method and automatic arrangement system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20030506 |