KR0184276B1 - 학습형 의지결정 지원 시스템 - Google Patents

Abstract

내용없음.

Description

학습형 의사결정 지원시스템

제1도는 본 발명의 1실시예의 전체적인 구성을 도시한 도면.

제2도는 최적한 어드바이스와 조작명령값을 구하기 위한 실행모듈의 구성의 1예를 도시한 도면.

제3도는 기호화사전과 그의 생성기능의 구성의 1예를 도시한 도면.

제4도, 제5도 및 제6도는 기호화사전과 그의 생성기능의 구성의 다른 예를 도시한 도면.

제7a도는 모델생성부의 블럭도.

제7b도 및 제7c도는 모델생성 수순의 1예를 설명하는 도면.

제8도는 대상으로 하는 발명을 포함하는 분산형 계산기시스템의 1실시예를 도시한 도면.

제9도는 사례제시형 데이타베이스의 경우에 대한 검색수순의 1예를 도시한 도면.

제10a도 및 제10b도는 일반적인 선형현상의 모델에 있어서의 인과관계 구조를 도시한 도면.

제11a도 및 제11b도는 일반적인 비선형현상의 모델에 있어서의 인과관계 구조를 도시한 도면.

본 발명은 접속엑스퍼트시스템(connectionist expert system)에 관한 것으로서, 특히 인공신경회로망 모델을 갖는 알고리듬구조를 기본으로 하는 데이타처리시스템에서 실행되는 의사결정 지원시스템에 관한 것이다.

의사결정 지원시스템의 기본적인 기능은 [1] 감시 및 제어, [2] 모델링(의사결정) 지원, [3] 데이타제공의 3가지가 있다.

감시 및 제어는 시간의 경과와 함께 시스템에 이용가능한 데이타의 미리 정해진 모델에 따라서 시스템을 분석하는 것이다. 이 모델은 지원시스템의 대상 또는 목표에 대한 행동을 잘 아는 전문가(선험적 지식의 보유자. 엑스퍼트 라고도 한다)실행된다. 필요에 따라서 그 분석결과 및 모델의 적합여부를 감시자에게 보고하여, 감시대상에 대한 임의의 행동이 시간내에 정확하게 실행되도록 한다. 감시자의 의사결정(판단)을 필요로 하지 않는 루틴적 행동(또는 제어)가 계산기시스템의 1기능으로서 조립될 수도 있다.

모델링(의사결정) 지원은 시간의 경과와 함께 입수되는 모델(또는 가설)을 확인하고 리파인(refine)하는 것이다. 이들 기능은 감시 및 제어의 시간스케쥴과 동등한 실시간(리얼타임)환경하에서 실행되거나 또는 비교적 정밀하지 않은 시간스케쥴하에서 실행된다. 장시간에 걸친 해석에 의해 형성된 모델은 실시간환경하에서의 감시기능의 요소로서 사용되는 경우도 있다.

데이타제공은 시간의 경과와 함께 입수되는 데이타를 축적해서 데이타 해석자나 모델을 소유한 의사결정자의 요구에 따라서 데이타를 제공하는 것이다. 요구방법으로서는 각종 인덱스에 따라서 검색하고자 하는 데이타를 특정하는 방법이 일반적이다. 그러나, 샘플데이타를 제시하고 이것에 가까운 데이타를 구한다고 하는 사례제시형의 다른 방법을 사용하는 것도 고려된다.

본 발명은 이들 기능을 실현하기 위한 알고리듬구조를 포함한 데이타처리 시스템에 관한 것이다.

산업상의 프로세스제어 및 사업분석을 위한 주지의 대표적인 의사결정 지원시스템 및 그 실현상의 문제를 대상으로 되는 발명의 적용이 이해되도록 간단히 요약하면 다음과 같다.

[1] 플랜트제어시스템

계산기 제어기술은 플랜트운전의 자동화를 추진시켜 왔다. 정상상태를 유지할 수 있는 것(레귤레이션)은 계산기제어가 실용화단계에 완전히 도달해 있다. 그러나, 이상사태에 대한 처치, 플랜트운전의 기동, 정지 또는 변환 등의 비정상적인 상태를 포함하는 운전은 대부분의 경우 여전히 전문적인 조작자의 판단에 맡겨지고 있다.

플랜드운전을 제어하기 위한 계산기시스템의 경험이 축적되어 감에 따라서, 계산기시스템이 커버할 플랜트규모는 훨씬 증대되고 있다. 계산기시스템으로의 입출력 점수에 의해 그의 규모를 개략적으로 추정할 수 있지만, 이 수는 최근 수천점으로 증가되었다. 이 때문에, 자동화가 곤란하고 조작자에게 판단을 맡기는 불안정한 상태의 플랜트실행 부분의 수도 계속 증가되었다. 비정상적인 상태에 있어서 조작자를 어떻게 지원할 것인지 또는 비정상적인 상태에서도 정확한 판단을 내릴 수 있는 우수한 조작자를 어떻게 육성할 것인가가 산업적 과제로서 중요시되게 되었다.

이러한 상황에 대해서 플랜트동작의 엑스퍼트모델을 준비하고 경험적 상황에 따라 이 모델을 조작해서 시스템증상의 원인을 효과적으로 분석하고 정확한 운전방법을 효과적으로 판단하는 것에 의해서 시스템제어기술을 제공하고, 또는 요구되는 의사결정을 실행할 수 있는 플랜트용 계산기환경을 제공하는 것이다. 여기서, 모델이라는 것은 종래적인 경험으로부터 나온 수식적인 것뿐만 아나라, 좀더 일반적인 표현형식(규칙(rule)이나 골격(frame) 등), 즉 지식공학적 모델이다. 이러한 지식공학적 모델로서 플랜트의 운전에 관한 성공적인 관리모델을 표현하고자 시도한 것으로서는 화학플랜트, 발전플랜트가 있다. 그러나, 이러한 시도는 실제현상과 엑스퍼트모델을 어떻게 대응시킬 것인가에 대해서는 시행착오적인 단계에 머무르고 있으며, 이행하는 방법론과 조작알고리듬화는 계속 요구되고 있다.

[2] 딜링(거래; dealing)시스템

증권으로 대표되는 딜링시스템에서는 시시각각 변화하는 주가의 움직임을 포착하고 또 주식을 적절하게 성공적으로 매매해 가도록 할 필요가 있다. 거래항목의 다양화, 글로벌화에 따라서 이 업무를 수행할 수 있는 인재(전문가)는 매우 귀중한 존재로 되었으며, 이들을 어떻게 육성하고 확보할 것인가가 이 분야에서 중요한 관심사로 되었다.

주식거래를 예로 들어 보면, 주가의 변동에 대응해서 어떠한 조치를 취하면 좋을 것인지와 같은 판단을 즉시 내릴 수 있는 인재를 찾아내는 것이 중요하게 되었다. 주가의 움직임을 해독하는(읽는) 포인트 앤드 피규어(Point Figure)라 불리는 방법이 매뉴얼화되어 있기는 하지만, 실시간환경하에서 이것을 활용할 수 있는 단계에까지는 아직 도달하지 못했다.

주식거래에 있어서 오랜 기간에 걸친 전문가(인재)의 경험을 지식베이스로서 계산기화하는 것이 요구되고 있지만, 실제의 주가변동과 필요로 하는 지식을 어떻게 관련시킬 것인가 또는 단편적인 지식을 어떻게 유용한 형태로 통합해 갈 것인가에 대해서는 미해결 상황에 머무르고 있다.

상기 실시간에 근거한 사업이나 산업적 제어에 있어서의 일종의 의사결정을 할 수 있는 계산기시스템을 구성하는 것이 필요하게 됨에도 불구하고, 이러한 시스템의 지원은 충분히 이루어지고 있다고는 할 수 없다. 그러나, 의사결정을 하기 위해 요구되는 대량의 데이타가 수집되는 상황에 있고, 이들 데이타를 적절하게 통합하는 것에 의해서 시스템결정을 더 높은 수준으로 올릴 수 있다. 그럼에도 불구하고, 이 개념은 데이타통합수단 때문에 아직 구체화되지 못했다. 즉 실제 현상의 모델화 기술이 추종되고 있지 않았기 때문에 구체화되지 못했다. 특히, 지식공학적 접근법(approach)는 전통적인 모델화벙법이 갖는 제한을 타파하는 사고를 제시하고 있음에도 불구하고, 실제현상과의 대응에 대해서는 여전히 미발달상태에 머무르고 있어 가일층의 검토가 요구되는 상황에 있다.

종래의 의사결정 지원시스템 기술에는 2가지 중요한 문제가 있고, 둘다 모델링기술의 저위성(低位性)에 있다고 할 수 있으며, 이하 이에 대해 구체적으로 설명한다.

[1] 선험적 정보의 활용

이 분야의 주도기술인 시스템론적 모델링에서는 대상의 구조를 규범적으로 설정하고, 이 조작구조중의 파라미터(매개변수)를 실제데이타로부터 추정하는 블랙박스 모델링이 주로 방법개발의 테마로 되어 왔다. 그러나, 현실의 문제 및 그 해결을 구하도록(파악하도록) 몇가지 형태로 선험적 지식이 존재한다. 또, 이 선험적 지식은 블랙박스모델링이 설명적인 인과관계로서 몇가지의 것이 존재한다고 가정할만한 수준은 아니며, 불명확하기는 하지만 특정지식규정용 인과관계에 동작구조에 관한 정보에 포함하는 경우가 많다. 따라서, 이와 같은 시스템은 그들이 포함할 수 있는 선험적 정보를 의해 제한된다. 의사결정 지원시스템의 개선을 위해서, 가급적 많은 선험적 정보를 편입시키는 것이 불가결하다고 할 수 있다. 이것은 지식공학 또는 퍼지논리(Fuzzy logic)가 많은 관심을 받고 있는 이유이기도 하며, 가능한 많은 선험적 정보를 시스템에 활용할 수 있다. 특정 모델링시에는 선험적 정보를 어떻게 활용할 것인가가 중요한 과제이며, 지식공학적 접근법이 이 문제를 해결하는 한 방향을 제시하고 있다.

[2] 비선형 구조의 표현

선형적인 구조관계를 가진 것으로 가정할 수 있는 대상에 대해서는 블랙박스라는 전제가 있지만, 시스템론적 모델링은 유력하고 풍부한 체계를 갖고 있다. 그러나, 한번 비선형적인 구조관계까지 들어오지 않으면 안되게 되면, 그 문제해결을 구하는 방법은 쉽게 얻어지지 않을 것이다. 다항식적 전개에 의해서 비선형적 현상을 기술하는데는 한도가 있다. 또, 구분선형화를 이용하는 방법도 방법론적으로 미성숙 단계에 있다. 구분선형화를 이용하는 방법을 성공시키기 위해서는 어떤 관점에서 현상을 클러스터링(cloistering)할 것인가가 중요하다. 이 클러스터링의 방법은 지금까지 각종 제안이 이루어져 왔지만, 시계 열적인 현상에서 얻어지는 데이타에 대해 어떻게 클러스터링의 입력을 설정할 것인가는 미해결상황에 있다.

비선형적 문제를 해결하는 유력한 수단은 지식공학적 접근법이다. 양적인 관계를 기호적인 관계로 전환시키는 것에 의해서, 비선형적 관계의 처리는 한꺼번에 모든 것이 명확히 해소된다. 그러나, 이 기호적인 표현을 실제데이타에 합치시키기 위한 방법론으로서 퍼지적합도 또는 퍼지확신도 등이라는 개념이 도입되고 있지만, 구체적인 절차까지는 아직 개선되지 않았다. 이런 상황속에서 접속엑스퍼트시스템이라 불리는 귀중한 제안(시도)이 최근 이루어졌다[S. I. Gallant : Connectionist Expert System, Com. of ACM, Vol. 31; No. 2, pp. 152-169(1988) 참조].

이 제안은 지식공학적인 개념과 신경계산(neuro-computing)을 융합하고자 하는 것이다. 그러나, 실제적으로 행해지고 있는 것은 분산형 엑스퍼트시스템의 확신도를 어떻게 조절할 것인가라는 것이다. 본 발명에서 특히 대상으로 하는 모델링을 규wjd하거나 설정하는 기본적인 문제를 해결하는데까지 이르지 못했으며, 데이타처리시스템의 구조와 같은 관점에서는 아직 검토되지 않은 단계에 있다.

이상 기술한 바와 같이, 종래기술의 시스템론적 모델링방법은 수식적으로 표현하는데는 미조직적인 선험적 정보의 활용 또는 비선형적인 현상 표현과 같은 2가지 주요과제에 대해서 불충분한 점이 많다. 이들 문제를 해결하는데 가장 유력한 실마리는 기호학적 관점을 이용한 지식공학에 있다고 생각되지만, 이 지식공학적 접근법도 현단계에서는 아직 그rjt을 실행할 수 있을만큼 발달한 상황에는 이르지 못했다.

본 발명의 목적은 이러한 과제를 해결하기 위해서 이루어지는 것으로서, 분산형 정보처리시스템 즉 신경계산에 의해서 문제를 해결하는 시스템 및 방법을 마련한 새롭고 유력한 데이타처리방법 및 시스템을 제공하는 것이다.

본 발명에 따른 학습형 의사결정 지원방법 및 시스템에 있어서는 입력데이타로서 온라인데이타 및 파일데이타를 받고 시스템이용자에게 어드바이스 및 프로세스로의 조작명령값을 출력한다. 이 시스템의 학습부분은 기호화사전, 전처리부 및 모델생성부를 포함한다. 기호화사전은 입력데이타 값의 조합으로 이루어지는 패턴에 따라서 선택된 특정패턴 및 기호명칭을 쌍으로 하는 사례를 특별한 사례로서 설정하는 것에 의해서 기호명칭을 부여한다. 전처리부는 입력테이타의 일부를 기호명칭으로 변환시킨다. 모델생성부는 전형적으로 외부 전문가에 의해 인가된 미리 정해진 골격모델(skeleton mode)중의 미지의 파라미터를 결정하고, 전처리부로부터의 결과를 필요로 하는 어드바이스 또는 명령값으로 변혼하기 위해 사용된다. 상기 결정은 규칙, 수식 또는 계산알고리듬을 이용하는 것에 의해 실행되고, 입력데이타 및 필요로 하는 변환처리결과를 쌍으로 하는 사례를 골격모델에 부여하는 것에 의해 실현된다. 시스템의 실행부분은 학습수단에 의해 생성된 기호화사전 및 생성된 모델을 이용하여 입력데이타에 연산처리를 실시하고 어드바이스 및 명령값을 출력한다.

본 발명의 다른 특징에 의하면, 기호화사전은 퍼지추론함수를 통해 적합도를 갖는 기호변수로 입력데이타를 배열하는 부분 및 이 기호변수를 수시하는(입력으로 하는) 신경모델의 소자를 포함하는 층구성을 이룬 하중(weighting)파라미터를 갖는 조합회로를 포함한다.

본 발명의 목적과 이점은 학습형 의사결정 지원시스템이 특정 목적 또는 목표시스템의 분석 또는 실행가능한 선험적 지식의 활용 수준을 개선하는 것이며, 이것에 의해 비선형적인 현상을 정확하게 식별하여 처리할 수 있게 된다.

도면을 참조하기 전에 일반적인 조작처리를 설명하는 것에 의해서 본 발명을 용이하게 이해할 수 있을 것이다.

상술한 바와 같이, 전통적인 엑스퍼트시스템 모델링 접근법의 문제점은 [a] 선험적지식의 활용수준이 낮은 것과 [b] 비선형적인 현상 표현능력이 낮은 것의 2가지로 집약된다. 이들 문제를 해결하기 위한 본 발명의 기본적인 개념은 다음과 같다.

선험적 지식의 활용수준을 높이기 위해서는 이미 지적한 바와 같이, 지식 공학적인 방법을 사용하는 것이 좋다. 그러나, 이 선험적인 전문지식을 얻기 위해서는 전문가가가 개념적으로 갖고 있는 실제현상과 대상상태의 대응뿐만 아니라, 인과성의 실제데이타에 의한 뒷받침 또는 조절도 필요하다.

비선형적인 현상을 표현하는 능력을 높이기 위해서, 기호적인 인과관계의 기술(記述)은 양적관계의 기술에 있어서 발생하는 비선형적 문제를 해소할 수도 있다. 그러나, 이러한 기호적 인과관계를 이행하기 위한 귀환적 모델링기술은 아직 미성숙적인 단계에 있다. 수량화 이론은 이 문제를 해결하는 유용한 개념을 제시하였지만, 블랙박스모델링의 수준을 나타내므로 선험적 지식을 활용한 비선형적 현상을 어떻게 실제적으로 표현할 것인가라는 문제가 여전히 남게 된다. 또한, 수량화 이론이 상정하고 있는 기본적인 구조는 다중회귀와 유사한 선형적인 현상이기 때문에, 그 효력도 제한된 것이다. 신경계산의 다층네트워크 소위 조합회로는 선형판별의 기구를 다층화하는 것에 의해 비선형적인 관계를 추출해 내는데 효과가 있다. 그러나, 이 회로가 블랙박스적인 성격을 갖고 있는 점에서는 마찬가지 문제를 안고 있다.

이들 문제를 해결하기 위해서, 여기에서는 의사결정의 이유로 특히 중요한 시계열현상을 대상으로 해서 모델링에 관련된 추가적 특성을 이용하는 것이 특징이다.

특성1 : 프리미티브(Primitive)의 존재

시계열현상이라는 연속적인 값의 범위를 갖는 대상에 대해서는 이것을 기술하는데 충분한 기호의 집합이 존재한다고 하는 특성이다. 여기서, 이들 기호를 프리미티브라고 한다. 이러한 기호의 존재를 가정할 수 있는 배경은 역학계(미분방정식계)의 이론이다. 이 이론에서는 연속공간에서의 운동은 그들의 극한집합에 의해서 이해할 수 있는 것이다. 극한집합이 유한개의 수로 구성되는 경우에는 이것을 기술하는데 충분한 기호집합을 선출해 내는 것에 의해서 전체의 현상이 기술된다.

특성2 : 선험적 지식과 프리미티브 사이의 관계

인간(대상(subject)에 관한 전문가)가 갖고 있는 선험적 지식으로서는 대상에 관한 개념적 상태와 이 개념적 상태에 관한 인과관계가 있고, 이 상태도 프리미티브의 집합족 부분으로 되어 있다는 특성이다. 예를 들면, 용광로의 경우에는 용광로가 적절하고 안정상태에 있지 않으면, 전문가는 특정 용광로의 온도에 따라서 알 수 있을 것이다. 이 온도신호는 프리미티브이며, 이것에 의해 전문가가 용광로의 상태에 관한 인과관계를 제시할 수 있다. 선험적 지식의 특정형태가 상태개념과 그의 인과관계를 포함한다는 것에 대해서는 이론적 근거가 있는 것은 아니다. 그러나, 복잡한 현상의 모델링에서의 경험을 예를 들면 철강 용광로 또는 쓰레기소각로와 같은 비선형성이 강한 복잡한 현상에 대해서 이와 같은 지식의 획득방법이 유용하였다. 개념적인 상태가 프리미티브에 의해 형성된다는 것은 프리미티브의 정의로부터 명백하다. 전문가가 모든 사상(事象)을 알 수는 없기 때문에, 개념적 상태는 프리미티브의 집합족의 일부라고 할 수 있다.

이상의 특성에 따르면, 비선형적인 현상의 모델을 구축하기 위해서는 프리미티브의 추출과 그들의 상호연관(대응처리)이 필요하다. 이 추출 및 상호연관 과정에 있어서 선험적 지식을 어떻게 도입해야 할 것인지가 과제로 된다. 프리미티브에 대해서는 니시야 등에 의한 시계열 데이타의 기호화방법(패턴식별방법 및 장치 (미국출원번호 410,053에 따른 부분계속출원 제07/526000))을 사용하고, 요인간의 상호연관을 위한 분산형 정보처리 즉 신경계산의 개념을 사용하는 것에 의해서 이 과제를 해결한다. 따라서, 먼저 선험적 지식의 존재를 제외하고, 블랙박스적인 모델링이라는 입장에서 모델링을 위한 기능구성을 실행하며, 다음에 선험적 기술을 활용하는 그레이박스(gray box) 모델링방법 즉 본 발명의 구체적인 작용에 대해서 설명한다.

프리미티브의 추출과 그의 상호연관은 본래 상보적이다. 이것은 모델링의 진전정도가 대상으로 하는 현상의 출력과 모델계산값 사이의 비교결과에 의해서밖에 획득할 수 없기 때문이다. 그러나, 가령 프리미티브를 추출할 수 있었다고 가정해 보지. 이 경우에는 프리미티브와 상기 다층네트워크의 상호연관(대응처리)을 하면 좋다. 그러나, 다층네트워크에 있어서 구체적으로 어떻게 네트워크를 구성하면 좋은가라는 기본적인 문제가 계속 남게 된다. 또, 네트워크의 하중을 구하는 규범으로서 단순히 모델계산값의 오차의 자승오차를 취하고 있다는 점도 문제가 있다. 아카이케에 의한 AIC적인 개념을 도입해서 샘플데이타에 대해서 과도하게 적합하지 않도록 하기 위한 기능이 소개되었다.

먼저, 네트워크의 구조부터 검토하기로 한다. 만약 대상현상이 선형이라고 하면, 양적세계에서의 기본적 구조는 다음과 같이 내부적으로 표현할 수 있다.

이 구조로부터의 유추로서 기호적 세계에서의 입출력의 관계표현은 상기 식 1을 인과그래프화하여 제10a도와 같이 도시된다. 유사한 제안을 비선형적인 대상에 대해서 고려해 본다. 비선형 현상이 이론적으로는 볼테라함수급수(Volterra functional series )로 표시되는 것으로 하면, 그의 내부표현은 다음 식과 같이 된다.

이 구조에서 기호적인 인과관계를 유추하면, 제11a도에 도시한 바와 같이 선형구조 가정의 경우와 마찬가지인 표현을 얻는다. 여기에서, 선형구조 가정과의 차이는 내부상태의 관계에 있어서 반(半)대각구조가 얻어지지 않는다는 것이다.

상기 네트워크구성에 있어서의 하중의 추정방법을 명확하게 해 두는 것이 필요하다. 다층네트워크에 있어서의 하중추정은 1개의 입출력데이타쌍에 대해서 모델출력오차를 최소화한다는 기준으로 등산계산(hill climbing computation)에 의해 구해진다. 여기서 제11b도에 도시한 바와 같이 기억요소를 포함하는 네트워크구성 즉 순서회로구성으로 되어 있으므로, 1개의 입출력데이타계열쌍에 대해서 하중을 최적화하는 것이 필요하다. 또한, 샘플데이타로의 과대한 적용을 회피하기 위해서는 AIC의 개념에 따른 최적화기준을 도입하는 것이 필요하다. 이 AIC에서는 추정할 파라미터를 0으로 설정할 것인지 0이 아닌 것으로 설정할 것인지와 같은 조합론적 문제로 귀착된다. 즉, AIC를 최소화하도록 파라미터를 다음과 같이 조절한다.

최적화를 위한 기준은 파라미터갯수를 포함하며, 이떤 파라미터를 0이 아닌 것으로 설정하는가에 따라서 기준값이 달라진다. 그러므로, 조합문제적 성격이 증가한다.

이러한 수학적 최적화의 문제를 해결하는 것은 용이하지 않지만, 0점에서의 점프현상을 표현한 근사적인 미분가능함수를 도입해서 상기 식 3의 제2항으로서 사용하면 좋다.

여기서, pj는 파라미터j를 나타낸다. 최적화를 위한 기준을 설정할 수 있으면, 그 파라미터의 조절은 통상의 수치계산법에 의해서 구해진다. AIC는 파라미터p의 함수이므로, 최적화를 위한 기준을 식 5로 표현하면 최적값p*은 식 6을 만족시킨다.

이 식을 직접 푸는 것은 용이하지 않지만, 다음의 미분방정식의 정상적인 해법으로 해결할 수 있다.

이 식 7을 파라미터p에 관한 방정식형태로 다시 쓰면,

로 된다.

이 식 8을 이산시간의 항으로 나타내는 것에 의해서, 파라미터p의 계산식이 다음과 같이 구해진다(여기서,

는 일반화된 역행렬을 나타낸다).

다층네트워크에서 잘 알려진 역전파(backpropagation)는 이 계산식에서 항

를 단위행렬로서 대치한 것으로밖에 되지 않는다. 최적화에 관한 수치계산방법에서는 수속성을 빠르게 하고 또한 역행령

의 악조건을 회피하기 위해서 각종 방법이 고안되고 있다. 그 대표적인 방법이 뉴튼법, 수정뉴튼법, 최급(steepest)하강법 및 공액구배법이다.

이상의 검토는 프리미티브가 확정되어 있다는 상정에 따라 실행되는 것이다. 실제로 상술한 바와 같이 프리미티브의 추출 및 그의 상호연관은 상보적이다. 이 구체적인 방법에 대해서는 이하 설명한다.

시계열 사상(事象)에 있어서는 그의 기호적 특성의 기본은 값이 증가한다, 값이 감소한다, 값은 불변이다의 세가지로 구별된다. 이들 특성은 실제로는 강도를 포함하고 있으므로, 이들 레벨을 분할할 필요가 있다. 각 특성을 동일수(예를 들면 n개)로 레벨분할하면, 3n개의 프리미티브가 1개의 변수마다(변수당) 존재하게 된다(여기서, 증가 또는 감소의 판단은 주목하는 현상의 시간스케일에 따라서 다르게 되지만, 이 문제는 그 시간스케일에 따른 필터를 적용하는 것에 의해서 회피할 수 있는 것이다. 본 출원인에 의해 개발된 필터는 꺾은선 근사필터(filter of approximation by piece-wise stra ight lines)라 하며, 설정한 시간스케일에서의 값의 증가 또는 감소를 판정할 수 있다. 그러므로, 프리미티브에 관한 조절은 세가지 특성을 어떻게 구분할 것인가라는 양자화문제에 귀착된다. 여기서는 퍼지이론에 있어서의 멤버십함수(membership function)를 도입해서 이 양자화를 실행하기로 한다. 또한, 출력변수에 대해서는 양자화문제는 양자화된 데이타를 복원했을 때의 복원정도 및 요구되는 정확도의 관계로 판단해야 하는 문제로 된다.

양자화 방법의 적합성은 네트워크내의 하중결정과 마찬가지로 실제데이타와 모델계산값 사이의 차이가 기준으로 된다. 양자화의 폭을 결정하는 정(正)의 값 파라미터를 도입하면, 이 파라미터는 그의 0점에서의 점프현상을 포함해서 네트워크내의 하중파라미터와 완전히 동일하게 처리할 수 있다.

다음에 작용에 대해서 설명한다.

본 발명의 주안점인 선험적 지식의 존재를 가정한 모델링방법 즉 그레이 박스 모델링을 상술한 블랙박스모델링의 특수발전형으로 고려한다.

이 고려의 전제로서는 선험적 지식의 형태가 어떠한 것인지를 검토할 필요가 있다. 선험적 지식과 프리미티브 사이의 관계에 대해서는 앞에서 그 특성을 기술하였다. 이들 특성은 선험적 지식의 전문가와 같이 대상으로 하는 개념적 상태(또는 상태개념)와 프리미티브의 집합족(또는 이들의 조합)의 일부 사이의 인과관계가 존재하는 것이다.

이들 특성에 따라서 선험적 지식을 활용하는 그레이박스 모델링의 전체수순을 요약하면, 다음과 같이 된다.

스텝1 : 이 스텝1은 선험적 지식의 조사(investigation)이다. 상태개념을 추출하고, 프리미티브와의 인과관계를 구한다. 이를 위해서는 지식정리를 지원하는 도구로서 시스템구조화 기술이 유용하다.

스텝2 : 이 스텝2는 상태개념과 실제현상을 결부(combine)시키는 것이다. 실제현상은 폭넓고 다양하기 때문에 전문가가 이 결부 관계를 언어로 표현하는 것은 곤란하다. 그러나, 이 결부는 실제현상을 입력하고 상태개념을 출력하는 전문가의 판단과정으로서 파악할 수 있다. 이러한 판단과정에 대해서는 선험적 지식을 적절하게 상정하는 것은 어렵기 때문에, 상술한 블랙박스모델링을 적용한다. 즉, 모델링기구에 상태개념을 나타내는 전형적인 사례를 제시해서 모델링을 실행시킨다. 이 스텝은 실제현상에 대한 일종의 규정된 인과관계의 사전작성이라고 간주할 수 있다.

스텝3 : 스텝3에서는 스텝1에서 추출한 인과관계에 신경네트워크에 있어서의 조절인자(또는 파라미터)를 도입하고, 스텝2에서 구한 사전을 실제데이타와의 인터페이스로 사용하여 실제데이타에 적합하도록 파라미터를 조절한다. 이 조절시에는 상술한 바와 같이 데이타에의 과대한 적합(inappropiate limitations)을 방지하는 알고리듬을 도입하는 것이 유용하다.

이상의 스텝2와 스텝3의 구체적인 실행이 본 발명의 주된 작용적 특성이다. 또한, 스텝1은 지식획득 지원시스템의 개발이라는 관점에서 다양한 방법으로 검토되고 있으며, 여기서는 특별히 거론하지 않는다.

이하, 본 발명의 바람직한 실시예를 도면에 따라 설명하며, 본 발명은 이것에 한정되는 것은 아니다. 제1도를 참조해서 본 발명의 실시예를 설명한다. 제1도는 본 발명의 학습형 의사결정 지원시스템의 전체구성을 도시한 것이다. 제1도에 도시한 바와 같이, 본 시스템은 학습모듈(101)과 실행모듈(102)로 구성된다.

실행모듈(102)에서는 온라인데이타 또는 파일(103)(이 파일에는 필요로 하는 의사결정에 관한 온라인데이타(123) 이외의 배치데이타(104)도 저정된다)에서의 축적데이타의 일부(124)에 따라서 의사결정 지원을 위한 정보로서 어드바이스 및 플랜트 조작명령값(125)를 생성한다. 생성부에서는 온라인데이타(123) 또는 파일데이타(124)에 대해 어드바이스 및 플랜트 조작명령값을 구하는 모델에서 사용되는 기호명칭과 입력데이타((123) 및 (124))의 값의 조합(또는 패턴)과의 상호 연관을 실행한다. 이 상호연관은 전처리부(121)에서 실행된다. 필요에 따라서 상호연관결과 및 원데이타(raw data)는 모델의 입력으로서 모델계산부(122)로 보내고, 여기에서 구체적으로 모델계산처리를 실행한다.

기호화사전 생성부(111)에 의해 작성되는 기호화사전(114)는 데이타패턴(123), (124)를 전처리부(121)에 있어서 기호명칭에 대응시키는데 필요하다. 또한, 학습모듈 생성부(113)에 의해 작성되는 모델(118)은 어드바이스 및 명령값이 구해지기 전에 모델계산부(122)에서 필요로 한다.

학습모듈(101)은 기호화사전 생성부(111), 전처리부(112), 모델생성부(113)으로 구성된다. 기호화사전 생성부(111)은 모델에서 사용되는 기호명칭과 데이타값 조합(또는 패턴)을 각각 대응시키기 위한 사전을 작성하는 기능을 갖는다. 이 사전생성은 기호명칭을 나타내는 전형적인 패턴사례(115)를 데이타파일(103)에서 선택하여 부여하는 것에 의해 실행된다.

모델생성부(113)은 실행모듈(102)에서 출력할 사용자로의 어드바이스와 플랜트로의 조작명령값을 구하기 위한 모델을 생성하는 부분이다. 모델생성부(113)에 있어서 주요기능은 문제에 관한 전문가로부터 얻어지는 모델 골격(frame)(117)을 실제현상에 따른 형태로 기능하도록 하기 위해서, 모델내의 파라미터를 실제데이타에서 추정하는 것이다.

이 추정을 위해서는 데이타파일(103)내에 기억되어 있는 데이타중 모델로서 응답을 기대하는 입출력데이타(116)을 리드하고 전처리부(112)(또는 기호화부)로 보내며, 모델의 기술에 사용되고 있는 기호명칭으로 변화시켜 모델생성부(113)으로 보낸다. 이 모델생성부(113)에서는 전처리부(112)에서 보내져 온 모델입력에 따라서 모델연산을 실행한다. 이 연산결과와 입출력데이타(116)중의 출력성분을 비교하고, 차이가 최소로 되도록 파라미터를 조절한다.

의사결정 지원시스템에 있어서의 기본적인 모델은 일반적으로 전문가의 지견(知見)에 의한 것이 가장 적절하다. 그러나, 이 모델은 2가지 형태의 모호성을 갖고 있으며, 시스템으로서 유용성을 보장하기 위해서는 이 모호성을 해결해야 한다.

제1모호성은 지식상호간의 관련강도이며, 제2모호성은 이론적인 지식과 실제데이타 사이의 결부이다. 제1도에 도시된 의사결정 지원시스템의 전체구성은 이들 문제를 해결하고, 모델로서 전문가의 지식을 재분류하는 경우뿐만 아니라 수식이 포함되어 있는 경우에도 효과적으로 작용한다.

제2도는 실행모듈(102')의 부가적인 실시예를 도시한 것이다. 여기서, 제1도의 실행모듈(102)에 입력최적 조절기능(201)을 부가하는 것에 의해서 의사결정 지원의 기능적 수준을 향상시키고 있다. 이 실시예에서는 결정대상으로 하는 현상의 인과관계가 모델로서 주어지면, 이 모델을 이용해서 원인으로 되는 변수 즉 입력데이타중 조작가능한 변수를 외부에서 주어진 조작목표(202)하에서 최량으로 하는 수단을 제공하는 것이다. 이 수단은 입력최적 조절기능(201)을 이하의 방법으로 구성하는 것에 의해서 실현할 수 있다.

모델의 계산결과(203)을 y로 나타내고, 모델의 입력중 조작가능한 것은 u_c로 나타내며, 그밖의 것은 u_u로 나타낸다. 조작목표(202)는 결과y의 함수f(y)를 최대화하는 것으로 가정한다. 모델의 입출력관계를

로 표현하면, 최적한 조작량을 구하는 문제는 다음 식과 같은 수학적 최적화문제로서 정식화(定式化)할 수가 있다.

여기서, g는 u_c의 허용범위를 나타내는 함수이다.

이 수학적 최적화 문제는 상술한 바와 같이 출발값으로서 u_c의 초기설정값을 사용하여 조작목표함수f와 모델h를 반복적으로 계산하는 수속(convergence)계산에 의해서 구할 수 있다.

제2도의 실행모듈(102')는 조작가능한 변수가 입력데이타(204)와 전처리부(또는 기호화부)의 출력(205)의 어느쪽에라도 포함된다고 가정하며, 이 양자를 조절하여 최적한 조작가능변수 값을 구하는 것을 나타낸다. 또한, 수속계산에 의해 구해진 최적한 조작가능변수는 어드바이스로서 시스템 이용자에게 출력되며, 플랜트에 대해서는 조작명령값으로서 출력된다.

그러므로, 시스템이용자는 대상으로 하는 인과관계모델 및 조작목표에 입각한 최량의 조작변수값을 얻을 수 있어 의사결정수준을 항상 높은 적합도로 유지할 수가 있다.

이하에 있어서는 제1도에 도시한 각각의 기능장치의 특정 구성예에 대해서 상세하게 기술한다.

제3도는 기호화사전의 생성방식의 1구성실시예를 도시한 것이다. 제3도에 있어서 기호화사전은 (301)이고, 기호명칭에 대응하는 입력패턴(u₁, u₂, …, u₁', u₂', …)(307) 및 이것에 대응하는 기호명칭(308)의 쌍을 입력하고, 사전중의 파라미터 p, w₁, w₂, …을 조절해서 입력패턴에서 주어진 기호명칭에 대응하는 출력단자가 발화하도록 한다. 입력패턴중에서 패턴u₁, u₂, …은 연속값을 취하고, 패턴u₁', u₂', …은 기호적 또는 이산값을 취한다. 연속값을 취하는 패턴에 대해서는 멤버십함수(306)을 통해서 이산적상태의 적합도를 구한다. 퍼지화기능(305)는 모든 이산적상태를 구하는 것이다. 파라미터p는 멤버십함수의 위치를 규정하는 것이다.

연속값을 취하는 입력패턴은 퍼지화기능을 통해 조합회로(320)에 입력되고, 이산값을 취하는 입력패턴은 조합회로(320)에 직접 입력된다. 조합회로(320)은 입력단자(302)에서 입력된 데이타를 신경소자(330)에서 층을 형성한 중간층(303)을 경유하여 출력단자(304)로 출력한다. 입력단자(302)에서 출력단자(304)까지의 각 층 사이는 하중으로서 파라미터w₁, w₂를 사용하여 결합되어 있다.

기호화사전의 파라미터 p, w₁, w₂, …는 입력패턴에 대응한 기호명칭에 상당하sms 출력단자의 신경소자의 발화하도록 조절한다. 이 조절은 교사단자(310)에 주어진 gmlakd발화상태와 사전출력(304) 사이의 오차(309)를 역전파의 알고 리듬이나 상술한 알고리듬중 어느 1개dp 따라서 피드백하는 동안 실행할 수 있다.

상기 구성에 의해서 입력패턴을 판별해서 적절한 기호명칭으로 변환시킬 수 있다. 신경계산기술로서 잘 알려진 다층네트워크는 단지 제3도의 조합회로(320)의 부분에 마련되는 것에 불과하고, 연속적인 값을 취하는 입력에 대한 방책을 제공gk고 있지는 않다. 본 발명은 조합회로의 전단(前段)에 퍼지화기능(305)를 마련하고, 연속값 입력에 대해서도 강력한 패턴분류기능을 제공하고 있는 점에 특징이 있다.

제4도는 약간의 입력패턴이 시계열적인 현상으로 파악될 때의 기호화사전의 구성과 그 생성방식의 1예를 도시한 것이다. 제3도에 도시한 구성 및 방식과의 차이는 퍼지화기능 전에 꺾은선 근사필터(406)을 배치한 점에 있다. 상기 필터(406)의 기능은 시계열적인 변화를 하는 입력에 대해서 고려의 대상으로 하지 않는 주파수성분을 제거해내는 것이다. 이것에 의해서, 입력이 시간적으로 상승하는 경향에 있는지 또는 평형상태에 있는지 또는 하강하는 경향에 있는지와 같이 그 경향이 어떠한지를 검출할 수가 있다. 니사야 등에 의해 발명된 상기 필터는 적당한 꺾은선 근사가 가능하므로 이하의 처리를 실행하는데 있어서 유리하다.

이상의 구조에 의해서 시계열적인 변동입력을 포함한 패턴에 대한 기호명칭을 판별하는 것이 가능하고, 또 처리구성을 생성하는 것이 가능하다.

제5도는 입력패턴을 형성하는 것에 시계열적인 현상으로서 파악되는 것이 있을 때이고 또한 과거의 입력으로 거슬러올라가 패턴판별을 할 필요가 있을 때의 기호화사전의구성과 그 생성방식의 1예를 도시한 것이다. 제4도에 도시한 구성 및 방식과의 차이는 현재의 입력타뿐만 아니라 과거의 입력을 기억해 두고 이들 입력모두를 조합회로(520)에 입력하는 구성을 취하는 점에 있다. 입력패턴을 기억하기 위해서 지연소자(540)을 마련하고, 입력티이밍과 동기해서 입력데이타를 시프트하는 것에 의해 과거의 입력을 고려한 패턴판별이 가능하게 된다.

제6도는 입력패턴을 형성한 것에 시계열적인 현상으로서 파악되는 것이 있을 때이고 또한 과거의 입력으로 거술러올라가 패턴판별을 할 필요가 있을 때의 기호화사전의 구성과 그 생성방식의 제5도의 다른 예를 도시한 것이다. 이 예는 입력패턴이 긴 과거의 입력까지 거슬러올라가는 것이 필요할 때 시프트레지스터량과 추정할 파라미터갯수를 삭감하는 것을 목적으로 하는 것이다.

이 목표를 위해 조합회로의 구성으로 하지 않고 순서회로(620)으로 기호화 사전을 구성한다. 순서회로의 구성방법으로서는 조단네트워크(Jordan network)라는 명칭으로 알려져 있지만, 여기서는 조단네트워크 이외의 방법을 사용해서 설명한다. 제6도의 회로는 식 2로 나타낸 쌍선형모델 구조에서 구해지는 인과관계를 그래프형태로 기술한 것에 의해서 얻을 수가 있다. 지금까지는 기호화사전의 구성 및 사전의 생성방법에 대해서 설명해 왔다. 다음에는 모델의 생성방법에 대해서 설명한다.

제7도는 모델생성부(113)의 블럭도로서, 시스템이용자에 의해 주어진 골력 모델(117)내의 불확실한 파라미터를 결정하는 것이다. 모델을 생성하는 기본개념은 모델I/O사례(116)의 일부인 이상적인 모델출력과 실제모델 출력 사이의 차를 모델의 파라미터를 조절하는 것에 의해서 최소화하는 것이다. 조절효율을 증진시키기 위해서, 골격모델(117)내의 변수간의 인과관계를 골격모델 해석부(71)에 의해 해석한다. 또한, 골격모델 해석부(71)은 때로 시스템이용자에 의해 주어지는 불확실한 파라미터의 초기추정을 설정한다. 모델계산부(73)은 모델에 따라서 모델입력과 기호명칭의 급수(등급)에 대응하는 모델을 출력한다. 모델 파라미터 조절부(75)는 모델출력오차를 최소화하기 위해서, 조절할 파라미터값을 구한다. 이 동작에 있어서 인과관계는 파라미터가 모델출력오차를 일으키는 것을 명확히 나타내기 때문에, 골격모델 해석부(71)에 의한 인과관계는 파라미터 조절오차를 저감시킨다. 모델계산과 파라미터 조절 동작을 반복하는 것에 의해서, 모델출력오차를 최소화하는 파라미터값이 구해진다.

제7b도 및 제7c도는 모델생성방법을 도시한 도면으로서, 본래의 전문가에 의해 생성된 개념적 모델을 실적데이타로부터 어떻게 조절할 것인가를 도시하고 있다. 이 예는 주식 거래가격의 분석과 고객의 이용가능 구매력을 포함한다. 먼저, 개념적 모델을 본 발명의 지식공학적 방법에 따라 (701)에서 규칙골격으로서 부여한다. 다음에, 규칙골격을 해석하고, 규칙에 사용된 규칙어휘(712)를 추출함과 동시에 규칙을 네트워크(713)으로서 표현한다. 네트워크(713)의 규칙골격단계에서는 규칙의 전체부와 결론부 사이의 결합강도가 미정이므로, 규칙네트워크(713)은 미지의 파라미터w를 포함한 형태로 표현된다. 규칙골격해석 결과로 얻어진 규칙어휘에서 기호화사전(714)가 작성되는 것에 의해서, 입력데이타를 기호명칭으로 변환할 수 있다.

이 기호화사전(714), 실적데이타(715) 및 규칙네트워크(713)을 사용해서 네트워크중의 하중w의 구체적인 값을 네트워크 하중추정(703)의 생성을 위해 결정할 수 있다. 이 하중w의 결정은 상기 수학적 최적화방법에 의해 달성할 수 있다. 이와 같이 해서 구한 하중규칙네트워크(716)에 의해 구체적인 모델계산을 실행할 수 있게 된다.

실적데이타중에는 인과관계면에서 불확정도가 높고 다수의 데이타로부터 가장 적절하다고 생각되는 파라미터를 추정해야 하는 데이타와 인과관계로서 확실성이 높은 데이타가 혼재하고 있다. 이 경우, 모든 데이타에 대해서 모델을 획일적으로 적용하는 것 즉 파라미터를 추정하는 것은 부적당하다. 이 경우에는 수학적 최적화 방법을 적용할 때 그 목적함수(즉, 최적화 기준)의 표현을 임의로 설정하면 좋다. 특히, 식 3과 같은 표현으로서 통상의 경우에는 다음 식과 같이 설정한다.

여거서, p는 추정할 파라미터, σ²는 모델적용 자승오차, yi는 샘플i의 실적 출력, 그리고 h(p, ui)는 샘플i의 실적입력을 모델에 부여했을 때의 모델출력이다. 상술한 데이타의 신뢰도가 명백히 다른 경우에는 이 식에서 오차 σ^2은임의적으로 변경하면 좋다.

상술한 처리에 의해서 또 전문가가 갖고 있던 불확정성을 포함하는 규칙이 실적데이타에 의해 뒷받침된 형태로 이용가능하게 되며, 신뢰도가 높은 어드바이스와 조작명령을 출력할 수 있다.

제8도는 분산형 계산기 시스템에서의 본 발명의 1실현형태를 도시한 것이다. 하드웨어구성으로서는 데이타수집 관리계산기(803)을 중심으로 해서 실시간환경하에서 작동하는 프로세스감시제어 워크스테이션(813), 엔지니어링 오피스 환경하에서 작동하는 프로세스관리 워크스테이션(810), (812) 및 프로세스해석 워크스테이션(811)이 각각 프로세스LAN(816)과 엔지니어링 오피스LAN(815)에 의해 접속되어 있다. 데이타수집관리 계산기(803)은 실시간으로 변동하는 프로세스(플랜트 등의 물리적 현상 또는 주가 등의 경제적 현상)를 감시 및 제어하는 컨트롤러(817)에서 데이타를 수집하고, 프로세스실적 데이타베이스(801)에 이들을 저장한다. 각 워크스테이션은 이 데이타베이스에 저장 및 축적된 데이타에 따라 모델연산처리를 실행하고, 다양한 어드바이스를 실행한다. 여기서, 각 어드바이스의 실행시마다 데이타베이스에서 필요로 하는 데이타를 워크스테이션으로 전송하는 것에서는 통신로가 사용중(혼잡)이므로 실제적으로 기능할 수 없게 된다. 한편, 모든 모델연산처리를 데이타수집관리 계산기(803)에서 실행하면 이 계산기는 과부하로 된다. 이 과부하를 해결하기 위해서는 기호명칭부가 (symboic naming)는 데이타수집관리 계산기(803)에 의해 실적데이타에 대해 실행하고, 그 결과를 각 워크스테이션으로 송신하면 좋다. 이것은 기호화가 일종의 데이타압축을 실행하는 것에 상당한다. 기호화의 부하는 그의 알고리듬에서도 분명한 바와 같이 적고 파이프라인화가 가능하므로, 모든 워크스테이션의 모델연산처리를 위한 기호화를 실행했다고 해도 과부하로 되는 일은 없다.

프로세스테이타를 수집하기 위한 프로세스LAN(816)은 프로세스측에서는 동보통신(simultaneous communications)의 형태를 취하는 경우도 있다. 이 경우에는 프로세스감시제어 워크스테이션(813)측에서 기호화처리를 실행하는 것이 시스템으로서의 자율성을 강화시키고 통신량을 삭감한다는 의미에서 효과적이다.

기호화처리가 일종의 데이타압축을 하고 있는 것에 상당하므로, 데이타의 저장 및 축적시에 모든 데이타에 대해 기호화처리를 실행하는 것에 의해 기억비용을 삭감을할 수 있다. 기호화시에 원(原)데이타의 항목은 손실되지만, 원데이타는 더욱 기억비용이 적은 매체에 축적해 두면 좋은 것이다.

제9도는 본 발명에 의해 제공되는 기호화사전의 생성이용방식의 다른 응용예를 도시한 것이다. 이 응용예는 데이타베이스에 대한 검색요구를 종래기술에서의 항목 또는 데이타범위의 지정에 의해서 실행하는 것이 아니라, 데이타의 조합(또는 패턴)예의 형태로 인가해서 이 패턴예와 유사한 데이타도 검색할 수 있도록 하는 것이다. 제9도에 도시한 바와 같이 이 검색처리는 먼저 검색하고자 하는 데이타를 패턴사례예로서 부여하고(901), 다음에 이 예에서 기호화사전을 생성한다(902). 사전생성에 있어서는 교사신호에 상당하는 기호명칭이 필요하지만, 이것은 패턴예에 해당하는지 해당하지 않는지의 2진정보 또는 적합도 정보중 어느 1개의 형태로 부여하면 좋다. 마지막으로, 생성한 기호화사전에 데이타베이스에서 데이타를 입력하고, 기호화사전의 출력단자중 패턴이 해당하는 것을 나타내는 신경소자가 발화상태에 있는 입력데이타를 검색결과로서 제시한다(903). 이것에 의해, 데이타베이스에 대한 검색요구를 매우 용이하게 할 수 있다.

이상 설명한 바와 같이 본 발명에 의하면, 전문가의 지식에 따라서(또는 선험적 지식을 최대한으로 활용하여) 의사결정 및 판단을 돕는 시스템을 실현하는데 있어서 중요한 2가지 과제, 즉 다수의 데이타조합(패턴)에 대한 식별의 획득(또는 논리적 기술) 곤란성 및 실적데이타에 따른 지식조절 곤란성이 해결된다. 따라서, 의사결정 지원시스템의 구축을 매우 용이하게 함과 동시에, 시스템에서 얻어지는 정보의 적확성(的確性)과 신뢰도를 현저하게 향상시킬 수가 있다.

Claims (13)

1. 온라인데이타 및 파일데이타를 포함한 입력데이타를 수신해서 시스템이용자에게 어드바이스 및 프로세스 조작명령값을 출력하는 학습형 의사결정 지원시스템으로서, 상기 입력데이타의 값의 조합으로 이루어지는 패턴에 따라 기호명칭을 부여하는 기호화사전을 패턴 및 기호명칭을 쌍으로 하는 사례를 부여하는 것에 의해서 생성하는 기호화사전 생성부, 상기 입력데이타의 적어도 일부를 상기 기호화사전을 참조해서 상기 기호명칭으로 변환하는 전처리부 및 규칙, 수식 또는 계산알고리듬을 이용하여 상기 전처리결과를 필요로 하는 어드바이스와 조작명령값으로 변환하기 위해 외부에서 부여된 소정의 골격모델에 포함된 미지의 파라미터를 상기 입력데이타와 필요로 하는 변환결과를 쌍으로 하는 사례를 상기 골격모델에 부여하는 것에 의해서 결정하는 모델생성부를 구비하는 학습수단 및 상기 학습수단에 의해 생성된 기호화사전과 상기 생성된 모델을 이용해서 상기 입력데이타에 연산처리를 실행하고 상기 어드바이스와 상기 조작명령값을 출력하는 실행수단을 포함하며, 상기 학습수단은 상기 입력데이타를 이용해서 의사결정을 위한 모델 자체의 학습도실행하는 학습형 의사결정 지원시스템.
2. 제1항에 있어서, 상기 실행수단은 상기 생성된 모델에 의한 변환처리결과의 값이 외부에서 지정된 요구값에 가장 가깝게 되도록 또는 처리결과의 함수값이 최대 또는 최소로 되도록 상기 입력데이타의 일부의 값을 조절하는 최적조절부 및 상기 최적조절부에 의해 구해진 입력데이타의 최적값을 어드바이스와 조작명령값으로서 출력하는 출력부를 구비하는 학습형 의사결정 지원시스템.
3. 제1항에 있어서, 상기 기호화사전은 기호명칭을 부여할 입력데이타중 연속적인 값의 범위를 취하는 것에 대해서는 퍼지 멤버십함수를 통해 적합도를 갖는 기호로 변환하는 것에 의해서 입력 데이타를 모두 적합도를 갖는 기호변수로 배열하는 부분, 상기 기호변수를 받고 또한 신경모델을 소자로 하는 층구성을 이루는 하중파라미터를 갖는 조합회로 및 상기 입력데이타에 대응하는 기호명칭을 나타내는 상기 조합회로의 출력단 소자만이 여분값을 취하도록 입력데이타와 기호명칭을 쌍으로 하는 사례를 부여해서 하중파라미터와 퍼지멤버십함수의 파라미터를 조절하는 것에 의해서 퍼지 멤버십함수와 조합회로내에 기호화사전을 생성하는 부분을 포함하는 학습형 의사 결정 지원시스템.
4. 제3항에 있어서, 상기 기호화사전 생성부는 상기 연속적인 값의 범위를 취하는 입력데이타중 시간과 함께 변화하는 입력데이타에 대해 시간 및 값을 축으로 하는 2차원 평면상에서 꺾은선 근사를 실행하는 부분 및 상기 근사결과를 상승, 평헝, 하강의 3가지 기호변형에 적합도를 갖고 대응시켜 상기 조합회로에 입력하는 부분을 포함하는 학습형 의사결정 지원시스템.
5. 제4항에 있어서, 상기 기호화사전 생성부는상기 조합회로로의 입력시에 상기 시간과 함께 변화하는 상기 입력데이타의 값 또는 상기 적합도를 갖는 기호변수값을 유지하는 일정길이의 시프트레지스터 및 상기 레지스터가 상기 조합회로의 입력으로 되도록 접속하는 부분을 포함하는 학습형 의사결정 지원시스템.
6. 제4항에 있어서, 상기 기호화사전 생성부는 상기 조합회로 대신에 순서회로를 사용하고, 층구성에 있어서 중간층에 입력데이타 및 상기 중간층의 피드백량이 입력되도록 접속하는 부분을 포함하는 학습형 의사결정 지원시스템.
7. 제1항에 있어서, 상기 모델생성부는 상기 골격모델중의 상기 미지의 파라미터에 대해 가상적인 값을 설정하는 부분 및 상기 모델의 입력으로서 상기 입력데이타 및 대응하는 사전참조결과를 부여해서 상기 파라미터설정값 및 어드바이스하에서 얻어지는 모델계산결과와 상기 입력데이타와 쌍으로 얻어질 변환처리결과에 상당하는 어드바이스 및 조작명령값과의 차를 최소로 하도록 상기 미지의 파라미터를 순차 개선하는 부분을 포함하는 학습형 의사결정 지원시스템.
8. 제3항에 있어서, 상기 기호화사전 생성부는 상기 하중파라미터의 값의 결정기준으로서 AIC를 취하고, 0이 아닌 파라미터의 최적조합을 구하기 위해 0의 최근방에서 0을 취하고 그 이외의 범위에서는 1을 취하는 미분가능한 함수로 AIC를 표현하는 부분 및 상기 표현형식하에서 최량의 파라미터조합을 탐색하고 결정하는 부분을 포함하는 학습형 의사결정 지원시스템.
9. 제7항에 있어서, 상기 모델생성부는 상기 미지의 파라미터의 값의 결정기준으로서 AIC를 취하고, 0이 아닌 파라미터의 최적조합을 구하기 위해 0의 최근방에서 0을 취하고 그 이외의 범위에서는 1을 취하는 미분가능한 함수로 AIC를 표현하는 부분 및 상기표현형식하에서 최량의 파라미터조합을 탐색하고 결정하는 부분을 포함하는 학습형 의사결정 지원시스템.
10. 제8항 또는 제9항에 있어서, 상기 AIC의 설정시에 강도하중을 실행하는 학습형 의사결정 지원시스템.
11. 제1항에 있어서, 상기 학습수단과 상기 실행수단에 있어서의 연산처리는 데이타베이스를 관리하는 데이타베이스 관리계산기와 상기 데이타베이스를 이용하는 데이타이용 측 계산기가 상이한 분산형 계산기 구성에 의해 실행되며, 상기 데이타베이스 관리계산기에 원데이타를 기호명칭으로 변환하는 전처리부를 마련하고, 상기 기호명칭으로의 변환결과만을 상기 데이타이용측 계산기로 송신하는 학습형 의사결정 지원시스템.
12. 제11항에 있어서, 상기 데이타베이스 관리계산기의 관리에 의한 상기 데이타베이스의 데이타검색시에 이 검색요구를 패턴의 사례로서 제시하는 상기 기호화사전 생성부를 즉기 작동시켜 생성된 기호화사전에 따라 상기 검색을 실행하는 학습형 의사결정 지원시스템.
13. 제11항에 있어서, 상기 데이타베이스 관리계산기의 관리에 의한 상기 데이타베이타의 테이타 저장축적시에 상기 기호화사전을 이용해서 상기 기호명칭에 데이타압축을 실행하고 압축된 데이타를 저장축적하는 학습형 의사결정 지원시스템.

Images