JPH09244898A - ルール抽出方法及びその装置 - Google Patents
ルール抽出方法及びその装置Info
- Publication number
- JPH09244898A JPH09244898A JP8048664A JP4866496A JPH09244898A JP H09244898 A JPH09244898 A JP H09244898A JP 8048664 A JP8048664 A JP 8048664A JP 4866496 A JP4866496 A JP 4866496A JP H09244898 A JPH09244898 A JP H09244898A
- Authority
- JP
- Japan
- Prior art keywords
- rule
- case
- extracting
- data
- application limit
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 抽出された各ルールに対して，過剰一般化を
避けることができるルール抽出方法及びその装置。 【解決手段】 本装置Ａは，被製造物の製造条件と特性
とを有する事例を予め記憶しておくデータベース１と，
計算機２等を具備し，この内計算機２は外部入力された
ある製造条件に類似する製造条件を有する類似事例を，
データベース１に記憶された事例の中から抽出する類似
事例検索機能処理部２ａと，類似事例中のソースデータ
とターゲットデータとを比較することにより，ある製造
条件を改善するためのルールを抽出するルール抽出機能
処理部２ｃと，事例中の，ルール抽出に用いられたソー
スデータと所定のターゲットとの類似度と，両データに
対するルールの適合度とに基づいてルールの適用限界を
求めるルール検証機能処理部２ｄ及びルール適用限界評
価機能処理部２ｅと，ルールとその適用限界とを用い
て，ルールの適用可否を判断するルール適用可否判断機
能処理部２ｆ等からなる。上記構成により，抽出された
各ルールに対して過剰一般化を避けることができる。
避けることができるルール抽出方法及びその装置。 【解決手段】 本装置Ａは，被製造物の製造条件と特性
とを有する事例を予め記憶しておくデータベース１と，
計算機２等を具備し，この内計算機２は外部入力された
ある製造条件に類似する製造条件を有する類似事例を，
データベース１に記憶された事例の中から抽出する類似
事例検索機能処理部２ａと，類似事例中のソースデータ
とターゲットデータとを比較することにより，ある製造
条件を改善するためのルールを抽出するルール抽出機能
処理部２ｃと，事例中の，ルール抽出に用いられたソー
スデータと所定のターゲットとの類似度と，両データに
対するルールの適合度とに基づいてルールの適用限界を
求めるルール検証機能処理部２ｄ及びルール適用限界評
価機能処理部２ｅと，ルールとその適用限界とを用い
て，ルールの適用可否を判断するルール適用可否判断機
能処理部２ｆ等からなる。上記構成により，抽出された
各ルールに対して過剰一般化を避けることができる。
Description
【０００１】
【発明の属する技術分野】本発明は，ルール抽出方法及
びその装置に係り，例えば超電導線の製造条件の改善等
に用いられるルールの抽出方法及びその装置に関するも
のである。
びその装置に係り，例えば超電導線の製造条件の改善等
に用いられるルールの抽出方法及びその装置に関するも
のである。
【０００２】
【従来の技術】従来より，抽出されたルールをコンピュ
ータ内に知識ベース化し，利用するエキスパートシステ
ムは広く活用されている。そのルール抽出にあたって
は，以下の方法が採られている。 （１）人間が経験に基づいて製造条件の改善を行う。 （２）帰納推論を用いて，データからコンピュータによ
りルールを抽出させる。
ータ内に知識ベース化し，利用するエキスパートシステ
ムは広く活用されている。そのルール抽出にあたって
は，以下の方法が採られている。 （１）人間が経験に基づいて製造条件の改善を行う。 （２）帰納推論を用いて，データからコンピュータによ
りルールを抽出させる。
【０００３】
【発明が解決しようとする課題】上記したような従来の
ルール抽出方法では，次のような問題点があった。 （１）人間がルール抽出を行う方法においては，ルール
の整理，検証に多大な時間とコストがかかる。さらに，
得られたルールの精度を維持するためのメンテナンスに
もコストがかかる。 （２）帰納推論による方法では，得られたルールを実際
に適用し，その結果により，適用すべきルールの取捨選
択といった制御を行わないため，精度の向上や維持が困
難である。 （３）上記いずれの方法においても，ルール抽出時にお
ける状況から掛け離れた状況に対してルールを適用する
という，過剰一般化（ある特定の状況に対してしか成り
立たないのに，いつも成り立つとしてしまう誤りのこ
と）が避けられない。 本発明は，このような従来の技術における課題を解決す
るためになされたものであって，その主たる目的とする
ところは，抽出された各ルールに対して，適用限界を計
算することにより，過剰一般化をさけることのできるル
ール抽出方法及びその装置を提供することである。
ルール抽出方法では，次のような問題点があった。 （１）人間がルール抽出を行う方法においては，ルール
の整理，検証に多大な時間とコストがかかる。さらに，
得られたルールの精度を維持するためのメンテナンスに
もコストがかかる。 （２）帰納推論による方法では，得られたルールを実際
に適用し，その結果により，適用すべきルールの取捨選
択といった制御を行わないため，精度の向上や維持が困
難である。 （３）上記いずれの方法においても，ルール抽出時にお
ける状況から掛け離れた状況に対してルールを適用する
という，過剰一般化（ある特定の状況に対してしか成り
立たないのに，いつも成り立つとしてしまう誤りのこ
と）が避けられない。 本発明は，このような従来の技術における課題を解決す
るためになされたものであって，その主たる目的とする
ところは，抽出された各ルールに対して，適用限界を計
算することにより，過剰一般化をさけることのできるル
ール抽出方法及びその装置を提供することである。
【０００４】
【課題を解決するための手段】上記目的を達成するため
に第１の発明は，データベースに蓄積された事例に基づ
いて，該事例を改善するためのルールを抽出する方法に
おいて，上記事例中の，上記ルール抽出に用いられたソ
ースデータと，所定のターゲットデータとの類似度と，
両データに対する上記ルールの適合度とに基づいて，上
記ルールの適用限界を求めてなることを特徴とするルー
ル抽出方法として構成されている。さらには，上記ルー
ルと，その適用限界とを用いて上記ルールの適用可否の
判断をも行うことを特徴とするルール抽出方法である。
第２の発明は，データベースに蓄積された事例に基づい
て，該事例を改善するためのルールを抽出する装置にお
いて，上記事例中の，上記ルール抽出に用いられたソー
スデータと所定のターゲットデータとの類似度と，両デ
ータに対する上記ルールの適合度とに基づいて，上記ル
ールの適用限界を求めるルール適用限界演算手段を具備
してなることを特徴とするルール抽出装置である。さら
には，上記ルールと，その適用限界とを用いて上記ルー
ルの適用可否を判断するルール適用可否判断手段をさら
に具備してなることを特徴とするルール抽出装置であ
る。
に第１の発明は，データベースに蓄積された事例に基づ
いて，該事例を改善するためのルールを抽出する方法に
おいて，上記事例中の，上記ルール抽出に用いられたソ
ースデータと，所定のターゲットデータとの類似度と，
両データに対する上記ルールの適合度とに基づいて，上
記ルールの適用限界を求めてなることを特徴とするルー
ル抽出方法として構成されている。さらには，上記ルー
ルと，その適用限界とを用いて上記ルールの適用可否の
判断をも行うことを特徴とするルール抽出方法である。
第２の発明は，データベースに蓄積された事例に基づい
て，該事例を改善するためのルールを抽出する装置にお
いて，上記事例中の，上記ルール抽出に用いられたソー
スデータと所定のターゲットデータとの類似度と，両デ
ータに対する上記ルールの適合度とに基づいて，上記ル
ールの適用限界を求めるルール適用限界演算手段を具備
してなることを特徴とするルール抽出装置である。さら
には，上記ルールと，その適用限界とを用いて上記ルー
ルの適用可否を判断するルール適用可否判断手段をさら
に具備してなることを特徴とするルール抽出装置であ
る。
【０００５】第３の発明は，被製造物の製造条件と特性
とを有する事例を予め記憶しておくデータベースと，外
部入力されたある製造条件に類似する製造条件を有する
類似事例を，上記データベースに記憶された事例の中か
ら抽出する類似事例抽出手段と，上記類似事例中の，ソ
ースデータとターゲットデータとを比較することによ
り，上記ある製造条件を改善するためのルールを抽出す
るルール抽出手段と，上記類似事例中の，上記ルール抽
出に用いられたソースデータと所定のターゲットデータ
との類似度と，両データに対する上記ルールの適合度と
に基づいて，上記ルールの適用限界を求めるルール評価
手段と，上記ルールと，その適用限界とを用いて上記ル
ールの適用可否を判断するルール適用可否判断手段とを
具備してなるルール抽出装置である。さらには，上記類
似事例抽出手段により抽出された類似事例に含まれる特
性が複数存在する場合は，該特性から，上記ある製造条
件における被製造物の特性分布を演算し，上記類似事例
の特性を上記特性分布を考慮した１つの特性に置きかえ
る特性分布演算手段をさらに具備してなるルール抽出装
置である。尚，事例又は類似事例の中から抽出された２
つの任意の要素の一方をソースデータ，他方をターゲッ
トデータという。
とを有する事例を予め記憶しておくデータベースと，外
部入力されたある製造条件に類似する製造条件を有する
類似事例を，上記データベースに記憶された事例の中か
ら抽出する類似事例抽出手段と，上記類似事例中の，ソ
ースデータとターゲットデータとを比較することによ
り，上記ある製造条件を改善するためのルールを抽出す
るルール抽出手段と，上記類似事例中の，上記ルール抽
出に用いられたソースデータと所定のターゲットデータ
との類似度と，両データに対する上記ルールの適合度と
に基づいて，上記ルールの適用限界を求めるルール評価
手段と，上記ルールと，その適用限界とを用いて上記ル
ールの適用可否を判断するルール適用可否判断手段とを
具備してなるルール抽出装置である。さらには，上記類
似事例抽出手段により抽出された類似事例に含まれる特
性が複数存在する場合は，該特性から，上記ある製造条
件における被製造物の特性分布を演算し，上記類似事例
の特性を上記特性分布を考慮した１つの特性に置きかえ
る特性分布演算手段をさらに具備してなるルール抽出装
置である。尚，事例又は類似事例の中から抽出された２
つの任意の要素の一方をソースデータ，他方をターゲッ
トデータという。
【０００６】
【発明の実施の形態】及び
【実施例】以下添付図面を参照して，本発明の実施の形
態及び実施例につき説明し，本発明の理解に供する。
尚，以下の実施の形態及び実施例は，本発明を具体化し
た一例であって，本発明の技術的範囲を限定する性格の
ものではない。ここに，図１は本発明の実施の形態及び
実施例に係るルール抽出装置Ａの概略構成を示すブロッ
ク図，図２は類似事例検索部での処理手順を示すフロー
図，図３は特性分布計算部での処理手順を示すフロー
図，図４はルール抽出部での処理手順を示すフロー図，
図５はルール検証部での処理手順を示すフロー図，図６
はルール適用限界評価部での処理手順を示すフロー図，
図７はデータ例を示す図，図８はルール例を示す図であ
る。第１の発明に係るルール抽出方法は，データベース
に蓄積された事例に基づいて，該事例を改善するための
ルールを抽出する方法である点で従来例と同様である。
しかし，本方法では，上記事例中の，上記ルール抽出に
用いられたソースデータと所定のターゲットデータとの
類似度と，両データに対する上記ルールの適合度とに基
づいて，上記ルールの適用限界を求めてなる点で従来例
と異なる。さらに，上記ルールとその適用限界とを用い
て上記ルールの適用可否の判断をも行ってよく，この点
でも従来例と異なる。
態及び実施例につき説明し，本発明の理解に供する。
尚，以下の実施の形態及び実施例は，本発明を具体化し
た一例であって，本発明の技術的範囲を限定する性格の
ものではない。ここに，図１は本発明の実施の形態及び
実施例に係るルール抽出装置Ａの概略構成を示すブロッ
ク図，図２は類似事例検索部での処理手順を示すフロー
図，図３は特性分布計算部での処理手順を示すフロー
図，図４はルール抽出部での処理手順を示すフロー図，
図５はルール検証部での処理手順を示すフロー図，図６
はルール適用限界評価部での処理手順を示すフロー図，
図７はデータ例を示す図，図８はルール例を示す図であ
る。第１の発明に係るルール抽出方法は，データベース
に蓄積された事例に基づいて，該事例を改善するための
ルールを抽出する方法である点で従来例と同様である。
しかし，本方法では，上記事例中の，上記ルール抽出に
用いられたソースデータと所定のターゲットデータとの
類似度と，両データに対する上記ルールの適合度とに基
づいて，上記ルールの適用限界を求めてなる点で従来例
と異なる。さらに，上記ルールとその適用限界とを用い
て上記ルールの適用可否の判断をも行ってよく，この点
でも従来例と異なる。
【０００７】第２の発明は，上記方法を適用可能な装置
であって，上記事例中の，ルール抽出に用いられたソー
スデータと所定のターゲットデータとの類似度と，両デ
ータに対する上記ルールの適合度とに基づいて，上記ル
ールの適用限界を求めるルール適用限界演算手段を具備
してなる。さらに，上記ルールとその適用限界とを用い
て上記ルールの適用可否を判断するルール適用可否判断
手段を具備してもよい。第３の発明は，上記装置をさら
に具体化したものであって，被製造物の製造条件と特性
とを有する事例を予め記憶しておくデータベースと，外
部入力されたある製造条件に類似する製造条件を有する
類似事例を，上記データベースに記憶された事例の中か
ら抽出する類似事例抽出手段と，上記類似事例中の，ソ
ースデータとターゲットデータとを比較することによ
り，上記ある製造条件を改善するためのルールを抽出す
るルール抽出手段と，上記類似事例中の，上記ルール抽
出に用いられたソースデータと所定のターゲットデータ
との類似度と，両データに対する上記ルールの適合度と
に基づいて，上記ルールの適用限界を求めるルール評価
手段と，上記ルールと，その適用限界とを用いて上記ル
ールの適用可否を判断するルール適用可否判断手段とを
具備してなる。さらに，上記類似事例抽出手段により抽
出された類似事例に含まれる特性が複数存在する場合
は，該特性から，上記ある製造条件における被製造物の
特性分布を演算し，上記類似事例の特性を上記特性分布
を考慮した１つの特性に置きかえる特性分布演算手段を
具備してもよい。
であって，上記事例中の，ルール抽出に用いられたソー
スデータと所定のターゲットデータとの類似度と，両デ
ータに対する上記ルールの適合度とに基づいて，上記ル
ールの適用限界を求めるルール適用限界演算手段を具備
してなる。さらに，上記ルールとその適用限界とを用い
て上記ルールの適用可否を判断するルール適用可否判断
手段を具備してもよい。第３の発明は，上記装置をさら
に具体化したものであって，被製造物の製造条件と特性
とを有する事例を予め記憶しておくデータベースと，外
部入力されたある製造条件に類似する製造条件を有する
類似事例を，上記データベースに記憶された事例の中か
ら抽出する類似事例抽出手段と，上記類似事例中の，ソ
ースデータとターゲットデータとを比較することによ
り，上記ある製造条件を改善するためのルールを抽出す
るルール抽出手段と，上記類似事例中の，上記ルール抽
出に用いられたソースデータと所定のターゲットデータ
との類似度と，両データに対する上記ルールの適合度と
に基づいて，上記ルールの適用限界を求めるルール評価
手段と，上記ルールと，その適用限界とを用いて上記ル
ールの適用可否を判断するルール適用可否判断手段とを
具備してなる。さらに，上記類似事例抽出手段により抽
出された類似事例に含まれる特性が複数存在する場合
は，該特性から，上記ある製造条件における被製造物の
特性分布を演算し，上記類似事例の特性を上記特性分布
を考慮した１つの特性に置きかえる特性分布演算手段を
具備してもよい。
【０００８】製造分野での製造条件の決定において，現
場のノウハウが重要な役割を果たす。本第３の発明は，
製造実績データより製造条件の改善方法（ルール）を抽
出するものである。尚，上記第１，第２の発明は製造分
野に限らず，ルール抽出を行うあらゆる分野に適用可能
であるが，その基本原理は，第３の発明と同様である。
従って，ここでは説明の便宜上，主として第３の発明に
ついて詳述することとした。図１に示す如く，第３の発
明に係る装置Ａは，データベース１と，計算機２と，入
力装置３と，出力装置４と，記憶装置５とよりなる。こ
のうち，計算機２は，上記類似事例抽出手段に相当する
類似事例検索機能処理部２ａと，上記特性分布演算手段
に相当する特性分布計算機能処理部２ｂと，上記ルール
抽出手段に相当するルール抽出機能処理部２ｃと，上記
ルール評価手段に相当するルール検証機能処理部２ｄ及
びルール適用限界評価機能処理部２ｅと，上記ルール適
用可否判断手段に相当するルール適用可否判断機能処理
部２ｆとよりなり，記憶装置５は，上記各機能処理部２
ａ〜２ｆで取り扱われる類似事例，ルール，検証用ルー
ル，類似度，適合度等の各種データ集合を記憶する。
場のノウハウが重要な役割を果たす。本第３の発明は，
製造実績データより製造条件の改善方法（ルール）を抽
出するものである。尚，上記第１，第２の発明は製造分
野に限らず，ルール抽出を行うあらゆる分野に適用可能
であるが，その基本原理は，第３の発明と同様である。
従って，ここでは説明の便宜上，主として第３の発明に
ついて詳述することとした。図１に示す如く，第３の発
明に係る装置Ａは，データベース１と，計算機２と，入
力装置３と，出力装置４と，記憶装置５とよりなる。こ
のうち，計算機２は，上記類似事例抽出手段に相当する
類似事例検索機能処理部２ａと，上記特性分布演算手段
に相当する特性分布計算機能処理部２ｂと，上記ルール
抽出手段に相当するルール抽出機能処理部２ｃと，上記
ルール評価手段に相当するルール検証機能処理部２ｄ及
びルール適用限界評価機能処理部２ｅと，上記ルール適
用可否判断手段に相当するルール適用可否判断機能処理
部２ｆとよりなり，記憶装置５は，上記各機能処理部２
ａ〜２ｆで取り扱われる類似事例，ルール，検証用ルー
ル，類似度，適合度等の各種データ集合を記憶する。
【０００９】尚，ルール検証機能処理部２ｄ及びルール
適用限界評価機能処理部２ｅと，ルール適用可否判断機
能処理部２ｆとは，それぞれ第２の発明におけるルール
適用限界演算手段と，ルール適用可否判断手段とに相当
し，それぞれ第１の発明において対応する工程を実行す
るものである。以下，本装置Ａの動作について，Ｎｂ−
Ｔｉ超電導線の製造条件の決定問題を例にとって説明す
る。Ｎｂ−Ｔｉ超電導線は，加熱処理と伸線加工とから
なる工程を数回繰り返して製造されるので，その製造条
件を次のように表す。 Ｐ＝｛（Ｔi,Ｈi,φi ）, ｉ＝１，２，…，ｎ｝ ここに，（Ｔi,Ｈi,φi ）は，温度Ｔi,でＨi 時間加熱
した後に，直径φi まで引き伸ばすという工程を表す。
このような工程をｎ回繰り返して超電導線は製造され
る。また，超電導線の特性は，外部磁場のもとでの臨界
電流値により評価されるので，外部磁場ｍにおける臨界
電流値をＪc （ｍ）で表す。
適用限界評価機能処理部２ｅと，ルール適用可否判断機
能処理部２ｆとは，それぞれ第２の発明におけるルール
適用限界演算手段と，ルール適用可否判断手段とに相当
し，それぞれ第１の発明において対応する工程を実行す
るものである。以下，本装置Ａの動作について，Ｎｂ−
Ｔｉ超電導線の製造条件の決定問題を例にとって説明す
る。Ｎｂ−Ｔｉ超電導線は，加熱処理と伸線加工とから
なる工程を数回繰り返して製造されるので，その製造条
件を次のように表す。 Ｐ＝｛（Ｔi,Ｈi,φi ）, ｉ＝１，２，…，ｎ｝ ここに，（Ｔi,Ｈi,φi ）は，温度Ｔi,でＨi 時間加熱
した後に，直径φi まで引き伸ばすという工程を表す。
このような工程をｎ回繰り返して超電導線は製造され
る。また，超電導線の特性は，外部磁場のもとでの臨界
電流値により評価されるので，外部磁場ｍにおける臨界
電流値をＪc （ｍ）で表す。
【００１０】今，超電導線の製造条件と特性とに関する
データベースＤが与えられていたとする。 Ｄ＝｛ｄi,ｉ＝１，２…，Ｎ｜ｄi ＝（Ｐi,｛Ｊ
c,i （ｍ），ｍ∈Ｍ｝）｝ ここに，Ｍは外部磁場の取り得る値の集合である。デー
タの一例を図７に示す。図中，温度Ｔi は℃，加熱時間
Ｈi はＨｏｕｒ，直径φi は線径の減少率（引き伸ばし
後の線径／引き伸ばし前の線径）で表している。但し，
φi は第２工程における線径を１としている。また，製
造条件と外部磁場７Ｔ（テスラ）における臨界電流値Ｊ
c （７Ｔ）とが併せて示されている。本装置Ａに与えら
れた命題は次の通りである。 「データベースＤから，超電導特性を向上させる（より
大きな臨界電流値Ｊcを得る）ための製造条件の改善方
法を抽出せよ」 このときの，各構成要素の動作は次の通りである。
データベースＤが与えられていたとする。 Ｄ＝｛ｄi,ｉ＝１，２…，Ｎ｜ｄi ＝（Ｐi,｛Ｊ
c,i （ｍ），ｍ∈Ｍ｝）｝ ここに，Ｍは外部磁場の取り得る値の集合である。デー
タの一例を図７に示す。図中，温度Ｔi は℃，加熱時間
Ｈi はＨｏｕｒ，直径φi は線径の減少率（引き伸ばし
後の線径／引き伸ばし前の線径）で表している。但し，
φi は第２工程における線径を１としている。また，製
造条件と外部磁場７Ｔ（テスラ）における臨界電流値Ｊ
c （７Ｔ）とが併せて示されている。本装置Ａに与えら
れた命題は次の通りである。 「データベースＤから，超電導特性を向上させる（より
大きな臨界電流値Ｊcを得る）ための製造条件の改善方
法を抽出せよ」 このときの，各構成要素の動作は次の通りである。
【００１１】（類似事例検索機能処理部２ａ）ここで
は，ある事例ｄ0 が与えられたとき，データベースＤよ
り類似事例を抽出し，次の類似事例集合Ｓｉｍ（ｄ0 ）
を生成する。但し，ある事例ｄ0 は事例集合であるデー
タベースＤの要素であっても，なくてもよい。 Ｓｉｍ（ｄ0 ）⊂Ｄ 具体的には，図２に示す如く以下の処理を行う。先ず，
ある事例ｄ0 ，空集合Ｓ（類似事例集合），事例集合
Ｄ，閾値ε0 （ユーザ指定）を与える（Ｓ１）。事例集
合Ｄが空であるならば（Ｓ２），類似事例集合Ｓを出力
して終了する（Ｓ３）。事例集合Ｄが空でなければ（Ｓ
２），事例集合Ｄの要素ｄを任意に選びだし，事例集合
Ｄから要素ｄを減ずる（Ｓ４）。要素ｄと事例ｄ0 との
類似度Ｓｉｍ（ｄ，ｄ0 ）と，閾値ε0 とを比較し（Ｓ
５），類似度が閾値よりも大きければ類似事例集合Ｓに
事例ｄ0 を加え（Ｓ６），類似度が閾値よりも小さけれ
ばそのまま上記ステップＳ２に戻る。
は，ある事例ｄ0 が与えられたとき，データベースＤよ
り類似事例を抽出し，次の類似事例集合Ｓｉｍ（ｄ0 ）
を生成する。但し，ある事例ｄ0 は事例集合であるデー
タベースＤの要素であっても，なくてもよい。 Ｓｉｍ（ｄ0 ）⊂Ｄ 具体的には，図２に示す如く以下の処理を行う。先ず，
ある事例ｄ0 ，空集合Ｓ（類似事例集合），事例集合
Ｄ，閾値ε0 （ユーザ指定）を与える（Ｓ１）。事例集
合Ｄが空であるならば（Ｓ２），類似事例集合Ｓを出力
して終了する（Ｓ３）。事例集合Ｄが空でなければ（Ｓ
２），事例集合Ｄの要素ｄを任意に選びだし，事例集合
Ｄから要素ｄを減ずる（Ｓ４）。要素ｄと事例ｄ0 との
類似度Ｓｉｍ（ｄ，ｄ0 ）と，閾値ε0 とを比較し（Ｓ
５），類似度が閾値よりも大きければ類似事例集合Ｓに
事例ｄ0 を加え（Ｓ６），類似度が閾値よりも小さけれ
ばそのまま上記ステップＳ２に戻る。
【００１２】尚，類似度Ｓｉｍ（ ，）は次のように定
義する。
義する。
【数１】
【００１３】例えば，上記図７では，スケジュールＮ
ｏ．１の製造条件のみを与えて，その類似事例としてＮ
ｏ．１，Ｎｏ．６が得られたものであるとする。このと
きの製造条件は６個であるが，個々の製造条件に対して
複数のデータがあり，データの総数は１６件である。 （特性分布計算機能処理部２ｂ）同一の製造条件で製造
された超電導線であっても，その特性にはバラツキが出
る。同一の製造条件に対し，各外部磁場ｍ∈Ｍ毎に，臨
界電流値の分布が得られる。ここでは，例えば平均値を
計算する。具体的には，図３に示す如く以下の処理を行
う。上記類似事例検索機能処理部２ａのステップＳ３で
得られた類似事例集合ＳのコピーＤ′，空集合Ｃ（これ
も類似事例集合）を与える（Ｓ１１）。集合Ｄ′が空で
あるならば（Ｓ１２），類似事例集合Ｃを出力して終了
する（Ｓ１３）。集合Ｄ′が空でないならば（Ｓ１
２），集合Ｄ′の要素ｄ′を任意に選びだす（Ｓ１
４）。要素ｄ′の製造条件をＰ′とする。集合Ｄ′より
製造条件がＰ′と同一の要素を抽出する。抽出された要
素をＳｉｍ（ｄ′）⊂Ｄ′とする（Ｓ１５）。要素Ｓｉ
ｍ（ｄ′）に対し，各外部磁場の値ｍ∈Ｍ毎に臨界電流
値Ｊc を抽出し，その平均値を計算する。得られた平均
臨界電流値を｛Ｊc （Ｐ′，ｍ），ｍ∈Ｍ｝で表す。こ
の平均臨界電流値を類似事例集合Ｃに加える（Ｓ１
７）。そして，集合Ｄ′から要素Ｓｉｍ（ｄ′）を減算
し（Ｓ１８），上記ステップＳ１２に戻る。
ｏ．１の製造条件のみを与えて，その類似事例としてＮ
ｏ．１，Ｎｏ．６が得られたものであるとする。このと
きの製造条件は６個であるが，個々の製造条件に対して
複数のデータがあり，データの総数は１６件である。 （特性分布計算機能処理部２ｂ）同一の製造条件で製造
された超電導線であっても，その特性にはバラツキが出
る。同一の製造条件に対し，各外部磁場ｍ∈Ｍ毎に，臨
界電流値の分布が得られる。ここでは，例えば平均値を
計算する。具体的には，図３に示す如く以下の処理を行
う。上記類似事例検索機能処理部２ａのステップＳ３で
得られた類似事例集合ＳのコピーＤ′，空集合Ｃ（これ
も類似事例集合）を与える（Ｓ１１）。集合Ｄ′が空で
あるならば（Ｓ１２），類似事例集合Ｃを出力して終了
する（Ｓ１３）。集合Ｄ′が空でないならば（Ｓ１
２），集合Ｄ′の要素ｄ′を任意に選びだす（Ｓ１
４）。要素ｄ′の製造条件をＰ′とする。集合Ｄ′より
製造条件がＰ′と同一の要素を抽出する。抽出された要
素をＳｉｍ（ｄ′）⊂Ｄ′とする（Ｓ１５）。要素Ｓｉ
ｍ（ｄ′）に対し，各外部磁場の値ｍ∈Ｍ毎に臨界電流
値Ｊc を抽出し，その平均値を計算する。得られた平均
臨界電流値を｛Ｊc （Ｐ′，ｍ），ｍ∈Ｍ｝で表す。こ
の平均臨界電流値を類似事例集合Ｃに加える（Ｓ１
７）。そして，集合Ｄ′から要素Ｓｉｍ（ｄ′）を減算
し（Ｓ１８），上記ステップＳ１２に戻る。
【００１４】例えば，上記図７のデータの各製造条件に
対し，その条件のもとで製造された超電導線の臨界電流
密度（Ｊｃ値）の平均を求めた結果のうち，製造条件Ｎ
ｏ．１のもとでのＪｃ値の分布は同図中の右端に示すよ
うに｛１９９０，２０３４，１７５３，１６５６｝であ
った。但し，臨界電流密度は，簡単のため，外部磁場７
Ｔ（テスラ）のもとでの値のみを示している。 （ルール抽出機能処理部２ｃ）上記特性分布計算機能処
理部２ｂのステップＳ１３で得られた類似事例集合Ｃか
ら，任意の２つの要素ｃ1 ，ｃ2 ∈Ｃを選びだし，それ
らの製造条件，特性を比較して，次のようなルールの集
合を得る。 Ｉｆ∧i=1 n （Ｈi ｉｓ ａａi ，Ｔi ｉｓ ｂｂi ，
ａｎｄ φi ｉｓ ｃｃi ），ｔｈｅｎ Ｊc （Ｐ′，
ｍ）ｉｓ ｄm ，ｍ∈Ｍ ここで，ａａi ，ｂｂi ，ｃｃi ，ｄｄi は，｛＋（増
加），０（不変），−（減少）｝の内のいづれかであ
る。これらａａi,ｂｂi,ｃｃi,ｄｄi については，要素
ｃ1 ，ｃ2 の製造条件，各外部磁場における臨界電流値
を比較して，その大小により決定する。上記ルールは，
外部磁場ｍにおける臨界電流値を増加させるためには，
各工程において加熱温度，加熱時間，引き伸ばし量を増
加させるべきか，あるいは減少させるべきかについて述
べている。今，要素ｃ1 ，ｃ2 から得られた外部磁場ｍ
に対するルールをＲ1,2,m と表すことにする。各ルール
Ｒ1, 2,m において，要素ｃ1 をソースデータ，ｃ2 をタ
ーゲットデータと呼ぶことにする。任意のソースデータ
とターゲットデータとを類似事例集合Ｃの中から選ぶこ
とにより，ルールが生成できる。但し，ここでは，計算
時間を短縮するため，類似度の上限σu を予めユーザが
指定しておき，ソースデータとの類似度がσu以下であ
るもののみを，ターゲットデータとして用いることとす
る。
対し，その条件のもとで製造された超電導線の臨界電流
密度（Ｊｃ値）の平均を求めた結果のうち，製造条件Ｎ
ｏ．１のもとでのＪｃ値の分布は同図中の右端に示すよ
うに｛１９９０，２０３４，１７５３，１６５６｝であ
った。但し，臨界電流密度は，簡単のため，外部磁場７
Ｔ（テスラ）のもとでの値のみを示している。 （ルール抽出機能処理部２ｃ）上記特性分布計算機能処
理部２ｂのステップＳ１３で得られた類似事例集合Ｃか
ら，任意の２つの要素ｃ1 ，ｃ2 ∈Ｃを選びだし，それ
らの製造条件，特性を比較して，次のようなルールの集
合を得る。 Ｉｆ∧i=1 n （Ｈi ｉｓ ａａi ，Ｔi ｉｓ ｂｂi ，
ａｎｄ φi ｉｓ ｃｃi ），ｔｈｅｎ Ｊc （Ｐ′，
ｍ）ｉｓ ｄm ，ｍ∈Ｍ ここで，ａａi ，ｂｂi ，ｃｃi ，ｄｄi は，｛＋（増
加），０（不変），−（減少）｝の内のいづれかであ
る。これらａａi,ｂｂi,ｃｃi,ｄｄi については，要素
ｃ1 ，ｃ2 の製造条件，各外部磁場における臨界電流値
を比較して，その大小により決定する。上記ルールは，
外部磁場ｍにおける臨界電流値を増加させるためには，
各工程において加熱温度，加熱時間，引き伸ばし量を増
加させるべきか，あるいは減少させるべきかについて述
べている。今，要素ｃ1 ，ｃ2 から得られた外部磁場ｍ
に対するルールをＲ1,2,m と表すことにする。各ルール
Ｒ1, 2,m において，要素ｃ1 をソースデータ，ｃ2 をタ
ーゲットデータと呼ぶことにする。任意のソースデータ
とターゲットデータとを類似事例集合Ｃの中から選ぶこ
とにより，ルールが生成できる。但し，ここでは，計算
時間を短縮するため，類似度の上限σu を予めユーザが
指定しておき，ソースデータとの類似度がσu以下であ
るもののみを，ターゲットデータとして用いることとす
る。
【００１５】具体的には，図４に示す如く以下の処理を
行う。先ず，スケジュール集合である類似事例集合Ｃ，
空集合Ｒを与える（Ｓ２１）。任意の２つの要素ｃ1 ，
ｃ2 を集合Ｓ′とする（Ｓ２２）。集合Ｓ′が空である
ならば（Ｓ２３），集合Ｒを出力して終了する（Ｓ２
４）。集合Ｓ′が空でないならば（Ｓ２３），集合Ｓ′
の要素ｓ0 を任意に選びだし，集合Ｓ′からこの要素ｓ
0 を減算する（Ｓ２５）。そして，要素ｓ0 より生成さ
れたルールを集合Ｒに加え（Ｓ２６），上記ステップＳ
２３へ戻る。ここで抽出されたルールは図８に示すよう
な差分表現を生成する。例えば前記図７では製造条件が
６個あるので，差分表現（ルール）は６Ｃ２＝１５個あ
る。上記の通り，ルール抽出に先立って，差分表現の値
の“量子化”を行うが，図８の例では，＋，−，０の３
段階に量子化している。これは最も細かく量子化しても
よい。 （ルール検証機能処理部２ｄ）ここでは，あるデータｃ
test∈Ｃが与えられたとき，任意のルールＲi,j,m を検
証する。
行う。先ず，スケジュール集合である類似事例集合Ｃ，
空集合Ｒを与える（Ｓ２１）。任意の２つの要素ｃ1 ，
ｃ2 を集合Ｓ′とする（Ｓ２２）。集合Ｓ′が空である
ならば（Ｓ２３），集合Ｒを出力して終了する（Ｓ２
４）。集合Ｓ′が空でないならば（Ｓ２３），集合Ｓ′
の要素ｓ0 を任意に選びだし，集合Ｓ′からこの要素ｓ
0 を減算する（Ｓ２５）。そして，要素ｓ0 より生成さ
れたルールを集合Ｒに加え（Ｓ２６），上記ステップＳ
２３へ戻る。ここで抽出されたルールは図８に示すよう
な差分表現を生成する。例えば前記図７では製造条件が
６個あるので，差分表現（ルール）は６Ｃ２＝１５個あ
る。上記の通り，ルール抽出に先立って，差分表現の値
の“量子化”を行うが，図８の例では，＋，−，０の３
段階に量子化している。これは最も細かく量子化しても
よい。 （ルール検証機能処理部２ｄ）ここでは，あるデータｃ
test∈Ｃが与えられたとき，任意のルールＲi,j,m を検
証する。
【００１６】具体的には，図５に示す如く以下の処理を
行う。上記ルール抽出機能処理部２ｃのステップＳ２４
で得られたルール集合Ｒ，類似事例集合Ｃ，テスト履歴
集合Ｔi,j,m を与える（Ｓ３１）。ルール集合Ｒが空で
あれば（Ｓ３２），テスト履歴集合Ｔi,j,m を出力して
終了する（Ｓ３３）。ルール集合Ｒが空でなければ（Ｓ
３２），ルール集合Ｒの要素ｒを任意に選びだし，これ
を元のルール集合Ｒから減ずる（Ｓ３４）。要素ｒのソ
ースデータをｃ i とする（Ｓ３５）。類似事例集合Ｃを
集合Ｃ′にコピーする（Ｓ３６）。集合Ｃ′が空であれ
ば（Ｓ３７），上記ステップＳ３２に戻る。集合Ｃ′が
空でなければ（Ｓ３７），集合Ｃ′の要素ｃtestを選
ぶ，これを元の集合Ｃ′から減ずる（Ｓ３８）。そし
て，要素ｃi をソースデータ，要素ｃtestを所定のター
ゲットデータとして，検査用ルールｒt を生成する（Ｓ
３９）。ルールｒをｒt とを比較し（Ｓ４０），両者が
一致すれば，即ち，特性の値（＋，０，又は−）が同じ
であれば，成功Ｓ（Ｓ４１），一致しなければ失敗Ｆ
（Ｓ４２）とする。両要素に対する類似度Ｓｉｍ（ｃi,
ｃtest）を算出する（Ｓ４３）。要素γに相当するルー
ルＲi,j,mdのテスト履歴集合Ｔi,j,m にテスト結果であ
るＳ又はＦ（適合度に相当），類似度Ｓｉｍ（ｃi,ｃ
test），そしてテストデータである所定のターゲットデ
ータ自身ｃtestを組にしたもの，即ち ｔtest＝（Ｓ ｏｒ Ｆ，Ｓｉｍ（ｃi,ｃtest），ｃ
test） をテスト履歴集合Ｔi,j,m に加える（Ｓ４４）。
行う。上記ルール抽出機能処理部２ｃのステップＳ２４
で得られたルール集合Ｒ，類似事例集合Ｃ，テスト履歴
集合Ｔi,j,m を与える（Ｓ３１）。ルール集合Ｒが空で
あれば（Ｓ３２），テスト履歴集合Ｔi,j,m を出力して
終了する（Ｓ３３）。ルール集合Ｒが空でなければ（Ｓ
３２），ルール集合Ｒの要素ｒを任意に選びだし，これ
を元のルール集合Ｒから減ずる（Ｓ３４）。要素ｒのソ
ースデータをｃ i とする（Ｓ３５）。類似事例集合Ｃを
集合Ｃ′にコピーする（Ｓ３６）。集合Ｃ′が空であれ
ば（Ｓ３７），上記ステップＳ３２に戻る。集合Ｃ′が
空でなければ（Ｓ３７），集合Ｃ′の要素ｃtestを選
ぶ，これを元の集合Ｃ′から減ずる（Ｓ３８）。そし
て，要素ｃi をソースデータ，要素ｃtestを所定のター
ゲットデータとして，検査用ルールｒt を生成する（Ｓ
３９）。ルールｒをｒt とを比較し（Ｓ４０），両者が
一致すれば，即ち，特性の値（＋，０，又は−）が同じ
であれば，成功Ｓ（Ｓ４１），一致しなければ失敗Ｆ
（Ｓ４２）とする。両要素に対する類似度Ｓｉｍ（ｃi,
ｃtest）を算出する（Ｓ４３）。要素γに相当するルー
ルＲi,j,mdのテスト履歴集合Ｔi,j,m にテスト結果であ
るＳ又はＦ（適合度に相当），類似度Ｓｉｍ（ｃi,ｃ
test），そしてテストデータである所定のターゲットデ
ータ自身ｃtestを組にしたもの，即ち ｔtest＝（Ｓ ｏｒ Ｆ，Ｓｉｍ（ｃi,ｃtest），ｃ
test） をテスト履歴集合Ｔi,j,m に加える（Ｓ４４）。
【００１７】例えば，前記図７に示した各データに対し
ては，次のような（類似度，成功／失敗）のデータが得
られる。
ては，次のような（類似度，成功／失敗）のデータが得
られる。
【表１】
【００１８】（ルール適用限界評価機能処理部２ｅ）簡
単化のため，上記ルール検証機能処理部２ｄのステップ
Ｓ３３で得られたテスト履歴集合Ｔi,j,m を Ｔi,j,m ＝｛ｔ1,ｔ2,…ｔL ｝ と表す。ここにＬはＴi,j,m の要素数，ＫはＫ≦Ｌであ
る。また，要素ｔi は，ｔi 中の類似度の大きいものか
ら順に並べられているものとする。精度γγに対するル
ールＲi,j,m の適用限界１≦Ｌｉｍ（Ｒi,j,m ）≦Ｌを
以下のように定義する。｛ｔj,ｊ＝１，２，…，Ｌｉｍ
（Ｒi,j,m ）≦Ｌ｝⊂Ｔi,j,m において，テスト履歴集
合Ｔi,j,m 中において，テスト結果が成功Ｓであるもの
の個数をＫとすると，Ｋ／Ｌｉｍ（Ｒi,j,m ）を成功率
とよぶことにすると，成功率がγγより大きい，つまり
Ｋ／Ｌｉｍ（Ｒi,j,m ）≧γγである。精度γγは予め
ユーザが指定する。ここで，ユーザが指定するパラメー
タは次の２種類である。 （１）ルール生成にあたって，任意に選びだされたソー
スデータｃi に対し，所定のターゲットデータｃtestと
なりうるデータを制限するための，類似度の下限σ
l （即ち，Ｓｉｍ（ｃi ，ｃtest）≧σl でなければな
らない。） （２）ルールＲi,j,m を適用可能な範囲を指定する「適
用限界」を求めるのに用いる，ルール要求精度の下限γ
γmin これらが，ユーザのチューニングパラメータとなる。
単化のため，上記ルール検証機能処理部２ｄのステップ
Ｓ３３で得られたテスト履歴集合Ｔi,j,m を Ｔi,j,m ＝｛ｔ1,ｔ2,…ｔL ｝ と表す。ここにＬはＴi,j,m の要素数，ＫはＫ≦Ｌであ
る。また，要素ｔi は，ｔi 中の類似度の大きいものか
ら順に並べられているものとする。精度γγに対するル
ールＲi,j,m の適用限界１≦Ｌｉｍ（Ｒi,j,m ）≦Ｌを
以下のように定義する。｛ｔj,ｊ＝１，２，…，Ｌｉｍ
（Ｒi,j,m ）≦Ｌ｝⊂Ｔi,j,m において，テスト履歴集
合Ｔi,j,m 中において，テスト結果が成功Ｓであるもの
の個数をＫとすると，Ｋ／Ｌｉｍ（Ｒi,j,m ）を成功率
とよぶことにすると，成功率がγγより大きい，つまり
Ｋ／Ｌｉｍ（Ｒi,j,m ）≧γγである。精度γγは予め
ユーザが指定する。ここで，ユーザが指定するパラメー
タは次の２種類である。 （１）ルール生成にあたって，任意に選びだされたソー
スデータｃi に対し，所定のターゲットデータｃtestと
なりうるデータを制限するための，類似度の下限σ
l （即ち，Ｓｉｍ（ｃi ，ｃtest）≧σl でなければな
らない。） （２）ルールＲi,j,m を適用可能な範囲を指定する「適
用限界」を求めるのに用いる，ルール要求精度の下限γ
γmin これらが，ユーザのチューニングパラメータとなる。
【００１９】なぜ，適用限界なるものが必要かについて
以下に説明する。上記の説明よりわかるように，ルール
は２つのデータの差を計算することにより生成されてい
る。これは，関数の微分係数（傾き）を，２点の関数の
値の差分によって近似計算する処理に類似している。こ
の近似計算は，その２点が十分に近い点でなければなら
ない。最初のユーザパラメータσl は，そのような２点
間の距離の上限を決めるパラメータに相当する。また得
られたルールは，局所的なものである。上記の，関数の
傾きの近似計算の例で言えば，関数の値を，その近似計
算された傾きで予測する場合（即ち線型近似する場
合），予測される点は，近似計算を行った点までの十分
近くでなければならない。適用限界は，ルール生成のベ
ースデータからどれくらい隔たった点までならば，この
ような予測が，指定された精度γγmin 以上でできるか
どうかを示すものとなる。今，ある製造条件Ｐが与えら
れている場合を考える。上記ルールから，製造条件Ｐが
適用限界内にあるルールを選びだす。各ルールのソース
データの製造条件と製造条件Ｐの類似度とを計算し，そ
の類似度に基づいて，各ルールの検証実績データより成
功頻度（成功率）を計算する。次に，成功頻度が最大の
ルールを抽出し適用する。
以下に説明する。上記の説明よりわかるように，ルール
は２つのデータの差を計算することにより生成されてい
る。これは，関数の微分係数（傾き）を，２点の関数の
値の差分によって近似計算する処理に類似している。こ
の近似計算は，その２点が十分に近い点でなければなら
ない。最初のユーザパラメータσl は，そのような２点
間の距離の上限を決めるパラメータに相当する。また得
られたルールは，局所的なものである。上記の，関数の
傾きの近似計算の例で言えば，関数の値を，その近似計
算された傾きで予測する場合（即ち線型近似する場
合），予測される点は，近似計算を行った点までの十分
近くでなければならない。適用限界は，ルール生成のベ
ースデータからどれくらい隔たった点までならば，この
ような予測が，指定された精度γγmin 以上でできるか
どうかを示すものとなる。今，ある製造条件Ｐが与えら
れている場合を考える。上記ルールから，製造条件Ｐが
適用限界内にあるルールを選びだす。各ルールのソース
データの製造条件と製造条件Ｐの類似度とを計算し，そ
の類似度に基づいて，各ルールの検証実績データより成
功頻度（成功率）を計算する。次に，成功頻度が最大の
ルールを抽出し適用する。
【００２０】具体的には，図６に示す如く以下の処理を
行う。先ず，上記ルール抽出機能処理部２ｃのステップ
Ｓ２４で得られたルール集合ＲのコピーＲ′，空集合Ｑ
（適用限界値集合）を与える（Ｓ５１）。集合Ｒ′が空
であるならば（Ｓ５２），集合Ｑを出力して終了する
（Ｓ５３）。集合Ｒ′が空でないならば（Ｓ５２），集
合Ｒ′の任意の要素ｒ′を任意に選びだし，これを元の
集合Ｒ′から減ずる（Ｓ５４）。上記ルール検証機能処
理部２ｄのステップＳ３３で得られたテスト履歴集合Ｔ
i,j,m における要素ｒ′の検証データを集合Ｔ′とする
（Ｓ５５）。集合Ｔ′の類似度を出力装置４により一覧
表示する（Ｓ５６）。類似度の下限値σl が入力装置３
から入力されると（Ｓ５７），類似度が下限値σl 以上
のテストデータ数（成功数＋失敗数）ｔｏｔａｌと，類
似度が下限値σl 以上の成功数ｔｓとを０とする（Ｓ５
８）。そして，集合Ｔ′が空であるならば（Ｓ５９），
成功頻度Ｆ（σl ）＝ｔｓ／ｔｏｔａｌを計算し（Ｓ６
０），出力装置４によりその計算結果を表示する（Ｓ６
１）。他の類似度の下限値σl を入力装置３から入力す
る場合には（Ｓ６２），上記ステップＳ５６に戻る。
行う。先ず，上記ルール抽出機能処理部２ｃのステップ
Ｓ２４で得られたルール集合ＲのコピーＲ′，空集合Ｑ
（適用限界値集合）を与える（Ｓ５１）。集合Ｒ′が空
であるならば（Ｓ５２），集合Ｑを出力して終了する
（Ｓ５３）。集合Ｒ′が空でないならば（Ｓ５２），集
合Ｒ′の任意の要素ｒ′を任意に選びだし，これを元の
集合Ｒ′から減ずる（Ｓ５４）。上記ルール検証機能処
理部２ｄのステップＳ３３で得られたテスト履歴集合Ｔ
i,j,m における要素ｒ′の検証データを集合Ｔ′とする
（Ｓ５５）。集合Ｔ′の類似度を出力装置４により一覧
表示する（Ｓ５６）。類似度の下限値σl が入力装置３
から入力されると（Ｓ５７），類似度が下限値σl 以上
のテストデータ数（成功数＋失敗数）ｔｏｔａｌと，類
似度が下限値σl 以上の成功数ｔｓとを０とする（Ｓ５
８）。そして，集合Ｔ′が空であるならば（Ｓ５９），
成功頻度Ｆ（σl ）＝ｔｓ／ｔｏｔａｌを計算し（Ｓ６
０），出力装置４によりその計算結果を表示する（Ｓ６
１）。他の類似度の下限値σl を入力装置３から入力す
る場合には（Ｓ６２），上記ステップＳ５６に戻る。
【００２１】他の類似度の下限値σl を入力しない場合
には（Ｓ６２），成功頻度Ｆ（σl）の最大値と最小値
とを表示する（Ｓ６３）。これらから適用限界値Ｌｉｍ
（Ｒ i,m,j ）を決定する（Ｓ６４）。例えば上記表１に
示したデータを用いた場合， Ｆ（０．９８）＝０．５ Ｆ（０．９７）＝０．６７ Ｆ（０．９４）＝０．５ Ｆ（０．９３）＝０．６ となる。今， σl が０．９７でＦ（σl ）が最高 σl が０．９４でＦ（σl ）が最小 であるので，σl の下限を，例えば０．９５に選ぶ。σ
l が小さくなるにつれてＦ（σl ）も小さくなるのが理
想であるが，上例のように“でこぼこ”するのが現実で
ある。実際には，人間との対話により下限を決定する。
には（Ｓ６２），成功頻度Ｆ（σl）の最大値と最小値
とを表示する（Ｓ６３）。これらから適用限界値Ｌｉｍ
（Ｒ i,m,j ）を決定する（Ｓ６４）。例えば上記表１に
示したデータを用いた場合， Ｆ（０．９８）＝０．５ Ｆ（０．９７）＝０．６７ Ｆ（０．９４）＝０．５ Ｆ（０．９３）＝０．６ となる。今， σl が０．９７でＦ（σl ）が最高 σl が０．９４でＦ（σl ）が最小 であるので，σl の下限を，例えば０．９５に選ぶ。σ
l が小さくなるにつれてＦ（σl ）も小さくなるのが理
想であるが，上例のように“でこぼこ”するのが現実で
ある。実際には，人間との対話により下限を決定する。
【００２２】ここで，例えばＦ（σl ）の要素精度を決
め（例えば“Ｆ（σl ）の値が０．６５以上でなければ
ならない”という制約を設ける），それを満足するルー
ルのみを残す。という方法も考えられる。要求精度の決
定も人間との対話による。適用限界値Ｌｉｍ
（Ｒi,j,m ）を集合Ｑに加え（Ｓ６５），上記ステップ
Ｓ５２に戻る。上記ステップＳ５９において，集合Ｔ′
が空でなければ，集合Ｔ′から要素ｔ′を選んで，元の
集合Ｔ′から要素ｔ′を減ずる（Ｓ６６）。要素ｔ′の
類似度が下限値σl 以上でなければ（Ｓ６７），上記ス
テップＳ５９に戻るが，要素ｔ′の類似度がの下限値σ
l 以上であれば（Ｓ６７），テスト結果が成功であるか
否かを判断する（Ｓ６８）。ここでテスト結果が成功で
あれば，成功数ｔｓをインクリメントし（Ｓ６９），失
敗であれば，インクリメントしない。そして，いずれの
場合にもテストデータ数をインクリメントした後（Ｓ７
０），上記ステップＳ５９に戻る。 （ルール適用可否判断機能処理部２ｆ）ここでは，上記
ルール適用限界評価機能処理部２ｅのステップＳ５３で
得られた集合Ｑ内の適用限界値Ｌｉｍ（Ｒi,j,m ）を用
いて，ルール適用制御を行う。
め（例えば“Ｆ（σl ）の値が０．６５以上でなければ
ならない”という制約を設ける），それを満足するルー
ルのみを残す。という方法も考えられる。要求精度の決
定も人間との対話による。適用限界値Ｌｉｍ
（Ｒi,j,m ）を集合Ｑに加え（Ｓ６５），上記ステップ
Ｓ５２に戻る。上記ステップＳ５９において，集合Ｔ′
が空でなければ，集合Ｔ′から要素ｔ′を選んで，元の
集合Ｔ′から要素ｔ′を減ずる（Ｓ６６）。要素ｔ′の
類似度が下限値σl 以上でなければ（Ｓ６７），上記ス
テップＳ５９に戻るが，要素ｔ′の類似度がの下限値σ
l 以上であれば（Ｓ６７），テスト結果が成功であるか
否かを判断する（Ｓ６８）。ここでテスト結果が成功で
あれば，成功数ｔｓをインクリメントし（Ｓ６９），失
敗であれば，インクリメントしない。そして，いずれの
場合にもテストデータ数をインクリメントした後（Ｓ７
０），上記ステップＳ５９に戻る。 （ルール適用可否判断機能処理部２ｆ）ここでは，上記
ルール適用限界評価機能処理部２ｅのステップＳ５３で
得られた集合Ｑ内の適用限界値Ｌｉｍ（Ｒi,j,m ）を用
いて，ルール適用制御を行う。
【００２３】即ち，あるスケジュールが与えられた時，
そのスケジュールと各ルールの類似度を計算し，それが
ルールの適用限界内のものであれば，そのルールをその
スケジュールに適用する。例えば，（１）前記図７のよ
うなスケジュールが与えられており，（２）（２Ｔ 減
少）というルールが与えられており，ルールのベース事
例（ソースデータ）との類似度が０．９６，そして適用
限界が０．９５であったとする。この場合，スケジュー
ルに対し，このルールが適用される。即ち，第２工程の
温度（２Ｔ）を下げる。下げ幅は予め決めておく（例え
ば２０度）か，あるいは人間が指定する。このように，
本装置Ａによれば，抽出された各ルールに対し，ベース
事例からの適用限界を計算することにより，ルール抽出
時における状況から掛け離れた状況に対してルールを適
用するという過剰一般化を避けることができる。
そのスケジュールと各ルールの類似度を計算し，それが
ルールの適用限界内のものであれば，そのルールをその
スケジュールに適用する。例えば，（１）前記図７のよ
うなスケジュールが与えられており，（２）（２Ｔ 減
少）というルールが与えられており，ルールのベース事
例（ソースデータ）との類似度が０．９６，そして適用
限界が０．９５であったとする。この場合，スケジュー
ルに対し，このルールが適用される。即ち，第２工程の
温度（２Ｔ）を下げる。下げ幅は予め決めておく（例え
ば２０度）か，あるいは人間が指定する。このように，
本装置Ａによれば，抽出された各ルールに対し，ベース
事例からの適用限界を計算することにより，ルール抽出
時における状況から掛け離れた状況に対してルールを適
用するという過剰一般化を避けることができる。
【００２４】尚，上記実施の形態及び実施例では，同一
製造条件で結果として得られた臨界電流値Ｊc にバラツ
キがあるため特性分布を計算した。しかし，１つの製造
条件に必ず１つの結果が与えられているような事例ベー
スであれば，このような特性分布計算は必要ではなく，
従って特性分布計算機能処理部２ｂは不要である。尚，
前記図７においては，１つの製造条件に対して１つの臨
界電流値Ｊc の代表値を与える必要があるため，その最
も簡単な代表値として，上記実施の形態及び実施例では
平均値を用い，そして，以降のルール抽出，検証におい
ては，１つの製造条件と１つの臨界電流値Ｊc の代表値
との対を持って１つの事例としたが，実使用に際しては
特性分布の代表値として臨界電流値ＪC の平均と分散と
を求め，それらの比を用いても何ら支障はない。
製造条件で結果として得られた臨界電流値Ｊc にバラツ
キがあるため特性分布を計算した。しかし，１つの製造
条件に必ず１つの結果が与えられているような事例ベー
スであれば，このような特性分布計算は必要ではなく，
従って特性分布計算機能処理部２ｂは不要である。尚，
前記図７においては，１つの製造条件に対して１つの臨
界電流値Ｊc の代表値を与える必要があるため，その最
も簡単な代表値として，上記実施の形態及び実施例では
平均値を用い，そして，以降のルール抽出，検証におい
ては，１つの製造条件と１つの臨界電流値Ｊc の代表値
との対を持って１つの事例としたが，実使用に際しては
特性分布の代表値として臨界電流値ＪC の平均と分散と
を求め，それらの比を用いても何ら支障はない。
【００２５】
【発明の効果】本発明に係るルール抽出方法及びその装
置は，上記したように構成されているため，抽出された
各ルールに対し，ベース事例からの適用限界を計算する
ことにより，ルール抽出時における状況から掛け離れた
状況に対してルールを適用するという過剰一般化を避け
ることができる。
置は，上記したように構成されているため，抽出された
各ルールに対し，ベース事例からの適用限界を計算する
ことにより，ルール抽出時における状況から掛け離れた
状況に対してルールを適用するという過剰一般化を避け
ることができる。
【図１】 本発明の実施の形態及び実施例に係るルール
抽出装置Ａの概略構成を示すブロック図。
抽出装置Ａの概略構成を示すブロック図。
【図２】 類似事例検索機能処理部での処理手順を示す
フロー図。
フロー図。
【図３】 特性分布計算機能処理部での処理手順を示す
フロー図。
フロー図。
【図４】 ルール抽出機能処理部での処理手順を示すフ
ロー図。
ロー図。
【図５】 ルール検証機能処理部での処理手順を示すフ
ロー図。
ロー図。
【図６】 ルール適用限界評価機能処理部での処理手順
を示すフロー図。
を示すフロー図。
【図７】 データ例を示す図。
【図８】 ルール例を示す図。
Ａ…ルール抽出装置 １…データベース ２ａ…類似事例検索機能処理部（類似事例抽出手段に相
当） ２ｂ…特性分布計算機能処理部（特性分布演算手段に相
当） ２ｃ…ルール抽出機能処理部（ルール抽出手段に相当） ２ｄ…ルール検証機能処理部（ルール評価手段に相当） ２ｅ…ルール適用限界評価機能処理部（ルール評価手段
に相当） ２ｆ…ルール適用可否判断機能処理部（ルール適用可否
判断手段に相当）
当） ２ｂ…特性分布計算機能処理部（特性分布演算手段に相
当） ２ｃ…ルール抽出機能処理部（ルール抽出手段に相当） ２ｄ…ルール検証機能処理部（ルール評価手段に相当） ２ｅ…ルール適用限界評価機能処理部（ルール評価手段
に相当） ２ｆ…ルール適用可否判断機能処理部（ルール適用可否
判断手段に相当）
Claims (6)
- 【請求項１】 データベースに蓄積された事例に基づい
て，該事例を改善するためのルールを抽出する方法にお
いて，上記事例中の，上記ルール抽出に用いられたソー
スデータと，所定のターゲットデータとの類似度と，両
データに対する上記ルールの適合度とに基づいて，上記
ルールの適用限界を求めてなることを特徴とするルール
抽出方法。 - 【請求項２】 上記ルールと，その適用限界とを用いて
上記ルールの適用可否の判断をも行うことを特徴とする
請求項１記載のルール抽出方法。 - 【請求項３】 データベースに蓄積された事例に基づい
て，該事例を改善するためのルールを抽出する装置にお
いて，上記事例中の，上記ルール抽出に用いられたソー
スデータと所定のターゲットデータとの類似度と，両デ
ータに対する上記ルールの適合度とに基づいて，上記ル
ールの適用限界を求めるルール適用限界演算手段を具備
してなることを特徴とするルール抽出装置。 - 【請求項４】 上記ルールと，その適用限界とを用いて
上記ルールの適用可否を判断するルール適用可否判断手
段をさらに具備してなることを特徴とする請求項３記載
のルール抽出装置。 - 【請求項５】 被製造物の製造条件と特性とを有する事
例を予め記憶しておくデータベースと，外部入力された
ある製造条件に類似する製造条件を有する類似事例を，
上記データベースに記憶された事例の中から抽出する類
似事例抽出手段と，上記類似事例中の，ソースデータと
ターゲットデータとを比較することにより，上記ある製
造条件を改善するためのルールを抽出するルール抽出手
段と，上記類似事例中の，上記ルール抽出に用いられた
ソースデータと所定のターゲットデータとの類似度と，
両データに対する上記ルールの適合度とに基づいて，上
記ルールの適用限界を求めるルール評価手段と，上記ル
ールと，その適用限界とを用いて上記ルールの適用可否
を判断するルール適用可否判断手段とを具備してなるル
ール抽出装置。 - 【請求項６】 上記類似事例抽出手段により抽出された
類似事例に含まれる特性が複数存在する場合は，該特性
から，上記ある製造条件における被製造物の特性分布を
演算し，上記類似事例の特性を上記特性分布を考慮した
１つの特性に置きかえる特性分布演算手段をさらに具備
してなる請求項５記載のルール抽出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8048664A JPH09244898A (ja) | 1996-03-06 | 1996-03-06 | ルール抽出方法及びその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8048664A JPH09244898A (ja) | 1996-03-06 | 1996-03-06 | ルール抽出方法及びその装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09244898A true JPH09244898A (ja) | 1997-09-19 |
Family
ID=12809612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8048664A Pending JPH09244898A (ja) | 1996-03-06 | 1996-03-06 | ルール抽出方法及びその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09244898A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108141472A (zh) * | 2015-08-05 | 2018-06-08 | 脸谱公司 | 连接设备的规则引擎 |
-
1996
- 1996-03-06 JP JP8048664A patent/JPH09244898A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108141472A (zh) * | 2015-08-05 | 2018-06-08 | 脸谱公司 | 连接设备的规则引擎 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Theory of deep learning IIb: Optimization properties of SGD | |
| US11915799B2 (en) | Polymer physical property prediction device, recording medium, and polymer physical property prediction method | |
| US11586652B2 (en) | Variable-length word embedding | |
| CN113377568B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN113411216B (zh) | 基于离散小波变换和fa-elm的网络流量预测方法 | |
| US6973446B2 (en) | Knowledge finding method | |
| JP5391631B2 (ja) | パラメタ制御装置、パラメタ制御プログラム及び多段照合装置 | |
| Kontkanen et al. | On predictive distributions and Bayesian networks | |
| CN111898637B (zh) | 一种基于ReliefF-DDC特征选择算法 | |
| Liu et al. | An improved random forest algorithm based on attribute compatibility | |
| Li et al. | Hydrological time series prediction model based on attention-LSTM neural network | |
| Leung et al. | On the regularization of forgetting recursive least square | |
| US20210397973A1 (en) | Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus | |
| JPH09244898A (ja) | ルール抽出方法及びその装置 | |
| CN116703470B (zh) | 供应信息的预测方法、装置、设备及存储介质 | |
| CN111177403B (zh) | 样本数据的处理方法和装置 | |
| Lee et al. | Fast design of reduced-complexity nearest-neighbor classifiers using triangular inequality | |
| CN112949599B (zh) | 基于大数据的候选内容推送方法 | |
| JPH05225163A (ja) | ニューラルネットシステムおよびニューラルネットの学習方法 | |
| Di Martino et al. | Detection of fuzzy association rules by fuzzy transforms | |
| US7127435B2 (en) | Distribution theory based enrichment of sparse data for machine learning | |
| Abbas et al. | Volterra system identification using adaptive genetic algorithms | |
| CN112699789A (zh) | 一种用户电表的相位信息识别方法、系统及装置 | |
| Müller et al. | An Integrated Graph Neural Network for Supervised Non-obvious Relationship Detection in Knowledge Graphs. | |
| JP2004206167A (ja) | 事例予測装置および事例予測方法 |