JPH03225427A - あいまい推論システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明はあいまい推論システムに関し、特にあいまい・
不確実な情報や知識から結論を導き出すあいまい推論シ
ステムに関する。

〔従来の技術〕

あいまい・不確実な情報や知識から結論を導き出す従来
のあいまい推論システムとして、ファジィ集合論を用い
たファジィ推論システムが存在する。その推論には、Ｍ
Ｆ（前件部）　　ＴＨＥＮ（後件部）」というプロダク
ションルールと称する推論ルールにおいて、「大きい」
、「小さい」等の明確に定義できないあいまいな値の記
述をファジィ集合を用いて可能にする手法が用いられて
いる。

第４図はメンバーシップ関数に対する特徴量のグレード
を表す図である。

「大きい」という記述は、ファジィ集合論のメンバーシ
ップ関数を用いて、例えば、第４図のように記述できる
。ただし、横軸は扱う物理量を最大値で正規化した値で
、縦軸は「大きい」度合を表す量であるグレードである
。従来のあいまい推論システムは、このメンバーシップ
の形状やルールの変数空間の分割等を熟練者の経験に基
づく発見的手法より決定していた。

この問題を解決する手法として、非線形計画法を応用し
たファジィモデリング手法（昭和６２年６月に計測自動
制御学会より発行された計測自動制御学会論文集、Ｖｏ
ｌ、２３．Ｎｏ、６゜ｐｐ、１０６〜１０８．菅野記載
・・・・以下に手法１と称する）やニューラルネットワ
ークを用いて非線形問題を説くことによりファジィモデ
ルの定式化を行う手法（昭和６３年５月に国際ファジィ
システム学会９日本皮部事務局より発行された第４回フ
ァジィシステムシンポジウム講演論文集、ｐｐ、５５〜
６０．林・高木記載・以下に手法２と称する）等が発表
されている。

〔発明が解決しようとする課題〕

しかしながら、かかる手法を導入した従来のあいまい推
論システムは、以下に述べるような問題点を有する。

すなわち、手法１は、非線形計画法等を用いるために処
理量か多く、そのモデルに適した評価規範を経験的に選
択しなくてはいけないし、アルゴリズムが複雑である等
の問題点を有する。

また、手法２は、ファジィルールの数だけニューラルネ
ットワークを必要とするために、ルール数を多く必要と
する場合には、システムの規模が大きくなってしまうと
いう問題点を有する。

〔課題を解決するための手段〕

第１の発明のあいまい推論システムは、一つ以上の入力
データからニューラルネットワークを用いて一つ以上の
推論結果を得るあいまい推論システムにおいて、前記入
力データとしての入力ベクトルを入力する入力ベクトル
入力部と、入力した前記入力ベクトルが各ルールにどの
程度適合するかを示すルール適合度ベクトルを出力する
ルール適合度ニューラルネットワークと、前記入力ベク
トルおよび前記ルール適合度ベクトルを受けて一つ以上
の組の推論結果を出力する推論出力ニューラルネットワ
ークとを有して構成されている。

また、第２の発明のあいまい推論システムは、第１の発
明のあいまい推論システムにおいて、入力ベクトルに対
してファジィクラスタリング手法を適用することにより
ルール適合度ニューラルネットワークに適切なルール適
合度ベクトルを求めさせるファジィクラスタリング部を
有して構成されている。

一方、第３の発明あいまい推論システムは、第１のあい
まい推論システムにおいて、ルール適合度ニューラルネ
ットワークのルール適合度に対するルール数を、前もっ
て設定した評価規範を用いて決定することにより構成さ
れている。

他方、第４の発明のあいまい推論システムは、第１の発
明のあいまい推論システムにおいて、入力ベクトルと前
記入力ベクトルにより得られるべき推論結果とを入力し
て、適した評価規範のラベル名を出力する評価規範設定
ニューラルネットワークを有して構成されている。

さらに、第５の発明のあいまい推論システムは、第１の
発明のあいまい推論システムにおいて、ルール適合度ニ
ューラルネットワークで出力するルール適合度ベクトル
の次数をルール数に、値を入力ベクトルが各ルールに属
する度合にすることにより構成されている。

なお、第６の発明のあいまい推論システムは、第１の発
明のあいまい推論システムにおいて、ルール適合度ニュ
ーラルネットワークおよび推論出力ニューラルネットワ
ークは、各１つで実現されることにより構成されている
。

〔作用〕

本発明のあいまい推論システムの構造は、入力データを
入力してその入力データの各ルールに対する適合度を出
力するニューラルネットワークＡと、入力データおよび
各ルール適合度を入力して推論値を出力するニューラル
ネットワークＢとの２つからなる。また、ニューラルネ
ットワークＡの学習用のデータは、ファジィクラスタリ
ング手法を用いることで、入力データが各ルールにどの
程度適合するかという値を用いるものとする。また、ル
ール数を決定するために用いる評価規範は、入力データ
およびその入力データに対する推論値を入力してその組
合せに適した評価規範のラベル名を出力するニューラル
ネットＣにより、前もって決定されている。

〔実施例〕

次に、本発明の実施例について図面を参照して説明する
。

第１図、第２図、第３図は本発明のあいまい推論システ
ムの一実施例を示すブロック図である。

ただし、第１図は学習モード、第２図は推論モード、第
３図は評価規範設定モードのブロック図である。

まず、学習モードについて、第１図を用いて説明する。

学習用入力ベクトル入力部１より得られる一つ以上の入
力データである入力ベクトルは、ファジィクラスタリン
グ部２においてルール数記憶部３に記憶されているルー
ル数の数でファジィクラスタリングされる。

次に、入力ベクトルとそのベクトルがファジィクラスタ
リングされた結果であるルール適合度ベクトル〔次数は
ルール数〕とは、逐次ルール適合度ニューラルネットワ
ーク４に送られ、各入力ベクトルが入力されると、その
入力ベクトルに対するルール適合度ベクトルが出力され
るように学習される。並行して、入力ベクトルとルール
適合度ベクトルと学習用推論値ベクトル入力部５より得
られる各入力ベクトルに対する推論結果である推論値ベ
クトルとは、逐次推論出力ニューラルネットワーク６に
送られ、各入力ベクトルとルール適合度ベクトルとが入
力されると、推論値ベクトルが出力されるように学習さ
れる。

以上の学習が終了すると、推論出力ニューラルネットワ
ーク６の各出力と学習用推論値ベクトル入力部５より得
られた各推論値ベクトルとは、評価規範値計鼻部７に送
られ、評価規範値が計算される。また、得られた評価規
範値である新規範値は、ルール数更新部９に送られ、評
価規範値記憶部８に記憶されている値である旧規範値と
比較される。

そして、新規範値のほうが小さい場合には、新規範値を
評価規範値記憶部８に記憶し、ルール数記憶部３のルー
ル数を１増やし、以上と同様の学習をルール適合度ニュ
ーラルネットワーク４と推論出力ニューラルネットワー
ク６に対して行う。

一方、新規範値のほうが大きい場合には、前回の学習で
決定されたルール適合度ニューラルネットワーク４と推
論出力ニューラルネットワーク６とを学習結果として、
学習を終了する。ただし、ルール数記憶部３の値と、規
範値記憶部８の値との各初期値は、それぞれ、２と無限
大とする。

次に、推論モードについて、第２図を用いて説明する。

推論用入力ベクトル入力部１０より得られた入力ベクト
ルは、ルール適合度ニューラルネットワーク１１に送ら
れ、その出力として適合度ベクトルが得られる。

さらに、入力ベクトルと適合度ベクトルとは、推論出力
ニューラルネットワーク１２に送られ、その出力として
得られる推論値ベクトルが、推論結果となる。ただし、
ルール適合度ニューラルネットワーク１１と推論出力ニ
ューラルネットワーク１２とは、学習モードで得られた
ルール適合度ニューラルネットワーク４と推論出力ニュ
ーラルネットワーク６と同じものとする。

次に、評価規範設定モードについて、第３図を用いて説
明する。前もって、いくつかの入出力関係のモデルとそ
のモデルに適する評価規範とを決めておき、評価規範設
定ニューラルネットワーク１５は、入力にはモデルの入
力値と出力値とを、出力には評価規範のラベルを対応さ
せておき、あるモデルの入出力値を入力すると、そのモ
デルに適する評価規範を入力すると、そのモデルに適す
る評価規範のラベルに対する確信度が大きくなるように
学習を行っておく。

そして、規範設定用ベクトル入力部１３と推論値ベクト
ル入力部１４とにより、それぞれ得られる入力ベクトル
と、その入力ベクトルに対する好ましい推論値ベクトル
とが、順次、評価規範設定ニューラルネットワーク１５
に送られる。

その結果、得られる各評価規範のラベルの確信度を逐次
求めて、その平均値が最も大きいラベルに対する評価規
範を、学習モードすなわち評価規範値計鼻部８に用いる
評価規範とする。

なお、ファジィクラスタリング部２におけるファジィク
ラスタリング手法やニューラルネットワーク４，６，１
１．１２の構造や評価規範値計鼻部８における評価規範
値には、従来よりいくつかのものが提案されており、本
発明は、これらの規定に限定されるものではない。

例えば、ファジィクラスタリングについては、昭和６３
年■トリケップスより発行された「ファジィシステムの
実用化と応用事例」の１７１頁から１９７頁に記載され
ているＦＣＭ法、ニューラルネットワークについては、
平成元年９月■技術評論社より発行された「入門と実習
ニューロコンピュータ」の２８頁から８４頁に記載され
ている多層（階層）型のネットワークにパックプロパゲ
ーション学習を行う手法、評価規範値については、昭和
５１年３月■サイエンス社より発行された「数理科学Ｎ
ｏ、１５３特集情報量基準」の５頁から１１頁に記載さ
れたＡ■Ｃ等がある。

〔発明の効果〕

以上に述べたとうり、本発明によれば、推論に要するプ
ロダクションルールの数に依存しないニューラルネット
ワークによるあいまい推論システムが実現でき、ルール
数が増えた場合でも小さな規模のネットワークによるあ
いまい推論システムを提供できるという効果がある。

【図面の簡単な説明】

第１図、第２図、第３図は本発明のあいまい推論システ
ムの一実施例を示すブロック図、第４図はメンバーシッ
プ関数に対する特徴量のグレードを表す図である。 １・・・学習用入力ベクトル入力部、２・・・ファジィ
クラスタリング部、３・・・ルール数記憶部、４・・・
ルール適合度ニューラルネットワーク、５・・・学習用
推論値ベクトル入力部、６・・・推論出力ニューラルネ
ットワーク、７・・・評価規範計算部、８・・・評価規
範記憶部、９・・・ルール数更新部、１０・・・推論用
人力ベクトル入力部、１１・・・ルール適合度ニューラ
ルネットワーク、１２・・・推論出力ニューラルネット
ワーク、１３・・・規範設定用ベクトル入力部、１４・
・・推論値ベクトル入力部、１５・・・評価規範設定ニ
ューラルネットワーク。

Claims (1)

1. 【特許請求の範囲】 １、一つ以上の入力データからニューラルネットワーク
   を用いて一つ以上の推論結果を得るあいまい推論システ
   ムにおいて、前記入力データとしての入力ベクトルを入
   力する入力ベクトル入力部と、入力した前記入力ベクト
   ルが各ルールにどの程度適合するかを示す適合度ベクト
   ルを出力するルール適合度ニューラルネットワークと、
   前記入力ベクトルおよび前記ルール適合度ベクトルを受
   けて一つ以上の組の推論結果を出力する推論出力ニュー
   ラルネットワークとを有することを特徴とするあいまい
   推論システム。 ２、入力ベクトルに対してファジィクラスタリング手法
   を適用することにより、ルール適合度ニューラルネット
   ワークに適切なルール適合度ベクトルを求めさせるファ
   ジィクラスタリング部を有することを特徴とする請求項
   １記載のあいまい推論システム。 ３、ルール適合度ニューラルネットワークのルール適合
   度に対するルール数を前もって設定した評価規範を用い
   て決定することを特徴とする請求項１記載のあいまい推
   論システム。 ４、入力ベクトルと前記入力ベクトルにより得られるべ
   き推論結果とを入力して、適した評価規範のラベル名を
   出力する評価規範設定ニューラルネットワークを有する
   ことを特徴とする請求項１記載のあいまい推論システム
   。 ５、ルール適合度ニューラルネットワークで出力するル
   ール適合度ベクトルの次数をルール数に、値を入力ベク
   トルが各ルールに属する度合にすることを特徴とする請
   求項１記載のあいまい推論システム。 ６、ルール適合度ニューラルネットワークおよび推論出
   力ニューラルネットワークは、各１つで実現されること
   を特徴とする請求項１記載のあいまい推論システム。