JPH04199302A - ファジィ制御における神経回路網の学習方式 - Google Patents
ファジィ制御における神経回路網の学習方式Info
- Publication number
- JPH04199302A JPH04199302A JP2331273A JP33127390A JPH04199302A JP H04199302 A JPH04199302 A JP H04199302A JP 2331273 A JP2331273 A JP 2331273A JP 33127390 A JP33127390 A JP 33127390A JP H04199302 A JPH04199302 A JP H04199302A
- Authority
- JP
- Japan
- Prior art keywords
- deviation
- neural network
- fuzzy
- value
- membership function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】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。
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、プラントの制御や大型装置又は設備の制御に
関し、尚詳しくは神経回路網を構成するニューラルネッ
トワークを用いた情報処理に関するものである。
関し、尚詳しくは神経回路網を構成するニューラルネッ
トワークを用いた情報処理に関するものである。
［従来の技術］
今日、エキスパートシステムと称するファジィ推論に基
く種々の情報処理か行なわれる様になって来た。
く種々の情報処理か行なわれる様になって来た。
このファジィ推論により、例えばプロセス制御を行なう
には、制御の対称となる装置の状態、即ち現在の制御量
の目標値に対する偏差と、その偏差の変化量や適合度を
ファジィ集合として前件部メンバーシップ関数を定め、
且つ、操作量を後件部メンバーシップ関数として定めて
おき、観測値（ａ足値）を前件部メンバーシップ関数に
対応させることによりグレートを求め、ファジィ推論を
行なって後件部重心を算出し、制御対象となる装との運
転状態を理想状態に近づける様に制御な行なう様にして
いる。
には、制御の対称となる装置の状態、即ち現在の制御量
の目標値に対する偏差と、その偏差の変化量や適合度を
ファジィ集合として前件部メンバーシップ関数を定め、
且つ、操作量を後件部メンバーシップ関数として定めて
おき、観測値（ａ足値）を前件部メンバーシップ関数に
対応させることによりグレートを求め、ファジィ推論を
行なって後件部重心を算出し、制御対象となる装との運
転状態を理想状態に近づける様に制御な行なう様にして
いる。
このファジィ推論による制御や判断をより一層確実に行
なう為、推論装置による制御の即応性を改良すること（
例えば特開昭６３−１１３．７３３号）や。
なう為、推論装置による制御の即応性を改良すること（
例えば特開昭６３−１１３．７３３号）や。
測定値に含まれるノイズの除去（例えば特開平１−１１
．９．８０３号）か試みられている。
．９．８０３号）か試みられている。
他方、従来からのノイマン型コンピュータに代り、人間
の頭脳をモデルとして神経回路網を形成するニューラル
コンピュータが開発及び使用される様になって来た。
の頭脳をモデルとして神経回路網を形成するニューラル
コンピュータが開発及び使用される様になって来た。
このニューラルコンピュータは、第１４図に示す様なプ
ロセッシングエレメントと称する素子（以下中にＰＥ素
子という）の多数個をもって層を形成することとし、入
力層及び出力層を形成すると共に、該入力層と出力層と
の間に隠れ層を形成したニューラルネットワークを用い
るものてあり、第１５図に示す様に、入力層と出力層と
の間に一層の隠れ層を形成する場合、更には隠れ層を多
層とする場合が有り、各ＰＥ素子には他のＰＥ素子から
の各入力に重み係数を乗して入力し、各ＰＥ素子は入力
の総和か所定の閾値ｋを越えると興奮状態となって信号
ｒｌＪを出力する様に構成されている。
ロセッシングエレメントと称する素子（以下中にＰＥ素
子という）の多数個をもって層を形成することとし、入
力層及び出力層を形成すると共に、該入力層と出力層と
の間に隠れ層を形成したニューラルネットワークを用い
るものてあり、第１５図に示す様に、入力層と出力層と
の間に一層の隠れ層を形成する場合、更には隠れ層を多
層とする場合が有り、各ＰＥ素子には他のＰＥ素子から
の各入力に重み係数を乗して入力し、各ＰＥ素子は入力
の総和か所定の閾値ｋを越えると興奮状態となって信号
ｒｌＪを出力する様に構成されている。
尚、興奮状態となって「１」を出力するＰＥ素子は、発
火素子と呼ばれ、信号「１」を出力している状態は発火
状態とも呼ばれる。又、各ＰＥ素子への入力は、当該Ｐ
Ｅ素子を興奮状態にさせる興奮性信号の場合と、静止状
態（出力「０」）とさせる抑制性信号の場合とか有る。
火素子と呼ばれ、信号「１」を出力している状態は発火
状態とも呼ばれる。又、各ＰＥ素子への入力は、当該Ｐ
Ｅ素子を興奮状態にさせる興奮性信号の場合と、静止状
態（出力「０」）とさせる抑制性信号の場合とか有る。
この神経回路網ては、各ＰＥ素子に入力される信号に重
み係数を与えることにより、所望の固有出力を発生させ
る様にしており、この各結合の重み係数を求めることを
学習と称し、比較的少ないデータ量て学習を行なう為に
、ハックプロパゲーション法や最急降下法の種々の方法
か採用されている（例えば特開平１−２８２．６７８号
）。
み係数を与えることにより、所望の固有出力を発生させ
る様にしており、この各結合の重み係数を求めることを
学習と称し、比較的少ないデータ量て学習を行なう為に
、ハックプロパゲーション法や最急降下法の種々の方法
か採用されている（例えば特開平１−２８２．６７８号
）。
［発明か解決しようとする課題］
ファジィ推論を採用したエキスパートシステムを利用す
る制御は、プラント等の大型設備における制御プログラ
ムの作成を容易とし、検出要素の数が極めて多い場合等
の制御や判断を可使とすることかてきるも、制御対称と
なる設備固有の特性又は検出装置等の特性による軽微な
制御誤差や判断誤差か生しる場合か有り、この様な制御
誤差等の修正をも行なうことは未だ困難であった。
る制御は、プラント等の大型設備における制御プログラ
ムの作成を容易とし、検出要素の数が極めて多い場合等
の制御や判断を可使とすることかてきるも、制御対称と
なる設備固有の特性又は検出装置等の特性による軽微な
制御誤差や判断誤差か生しる場合か有り、この様な制御
誤差等の修正をも行なうことは未だ困難であった。
［課題を解決するための手段］
本発明はニューラルコンピュータを用いてファジィ推論
の演算を行なわせることにより、各種装置の制御や情報
判断を行ない、制御や判断を繰り返す毎にファジィ推論
の判断基準となるファジィ集合を変化させる様にＰＥ素
子の結合係数を変更する様にしてニューラルネットワー
クの学習を行なわせることとする。
の演算を行なわせることにより、各種装置の制御や情報
判断を行ない、制御や判断を繰り返す毎にファジィ推論
の判断基準となるファジィ集合を変化させる様にＰＥ素
子の結合係数を変更する様にしてニューラルネットワー
クの学習を行なわせることとする。
［作用］
本発明はファジィ推論による制御や判断を行なう故、高
度な制御や判断か可使にして、ニューラルネットワーク
の学習機部を利用して推論の基礎となるファジィ集合を
変化させる故、制御や判断を繰り返すことにより、当該
装置に適した一層正確な制御や判断を容易に実現するこ
とかてきる。
度な制御や判断か可使にして、ニューラルネットワーク
の学習機部を利用して推論の基礎となるファジィ集合を
変化させる故、制御や判断を繰り返すことにより、当該
装置に適した一層正確な制御や判断を容易に実現するこ
とかてきる。
［実施例］
本発明の実施例は、出力層と入力層との間に複ａ層の隠
れ層を有し、各層を構成するＰＥ素子間に結合の無いニ
ューラルネットワークを用いてフ）・シイ推論を行なわ
せるものであり、該ニューラルネットワークにおいて、
隠れ層を形成する特定層のＰＥ素子を、第２図に示す様
に横軸を目標値との誤差である偏差に、又、縦軸を偏差
の微分値に割当てた位相平面を形成させる様に振り分け
る。
れ層を有し、各層を構成するＰＥ素子間に結合の無いニ
ューラルネットワークを用いてフ）・シイ推論を行なわ
せるものであり、該ニューラルネットワークにおいて、
隠れ層を形成する特定層のＰＥ素子を、第２図に示す様
に横軸を目標値との誤差である偏差に、又、縦軸を偏差
の微分値に割当てた位相平面を形成させる様に振り分け
る。
即ちこの位相平面は１例えばセメント工場におけるキル
ンの温度制御を行なう場合、位相平面の中心を原点とし
、横軸に測定値と目標値との偏差を対応させ、縦軸に変
化量として前記偏差の微分値を対応させ、更にこの位相
平面において、複数のＰＥ素子毎にブロックを形成させ
ることにより該ブロックを判別領域として後述するメン
バーシップ関数の修正単位とするものである。
ンの温度制御を行なう場合、位相平面の中心を原点とし
、横軸に測定値と目標値との偏差を対応させ、縦軸に変
化量として前記偏差の微分値を対応させ、更にこの位相
平面において、複数のＰＥ素子毎にブロックを形成させ
ることにより該ブロックを判別領域として後述するメン
バーシップ関数の修正単位とするものである。
そしてこのニューラルネットワークにおいては、入力と
出力との関係を、例え、ばミニマックス合成法等による
ファジィ演算に基くものとし、第３図に示す様に、測定
値Ｙか目標値よりも大変大きいとするメンバーシップ関
数（偏差か正て極大： ＬＢ）、 目標値よりも大き
いとするメンバーシップ関数（偏差か正て大： ＬＭ）
、 目標値よりも少し大きいとするメンバーシップ関数
（偏差か正て小： ＬＳ）、適正であるとするメンバー
シップ関数（偏差はＯ：ＭＭ）、 目標値よりも少し小
さいとするメンバーシップ関数（偏差か負て小。
出力との関係を、例え、ばミニマックス合成法等による
ファジィ演算に基くものとし、第３図に示す様に、測定
値Ｙか目標値よりも大変大きいとするメンバーシップ関
数（偏差か正て極大： ＬＢ）、 目標値よりも大き
いとするメンバーシップ関数（偏差か正て大： ＬＭ）
、 目標値よりも少し大きいとするメンバーシップ関数
（偏差か正て小： ＬＳ）、適正であるとするメンバー
シップ関数（偏差はＯ：ＭＭ）、 目標値よりも少し小
さいとするメンバーシップ関数（偏差か負て小。
ＳＳ）、 目標値よりも小さいとするメンバーシップ
関数（偏差が負で大： ＳＭ）、及び目標値よりも大変
小さいとするメンバーシップ関数（偏差か負で極大：
ＳＢ）を設定しておき、且つ、偏差の微分値ΔＹに関し
ても、同様に正て極大（ＬＢ）、正て大（ＬＭ）、正で
小（ＬＳ）、０（ＭＭ）、負て小（ＳＳ） 、負て大（
ＳＭ）、負で極大（ＳＢ）の各メンバーシップ関数を設
定し、又、第４図に示す様に燃料の操作量を定めるファ
ジィ集合のメンバーシップ関数を定め、このメンバーシ
ップ関数は、燃料の供給量を現状維持とするＺＥ、僅か
に増加させるＰＳ、増加量を極大とするＰＰや僅かに減
少させるＮＳ、大きく減少させるＮＢ等の変化量をメン
バーシップ関数として定めるものである。
関数（偏差が負で大： ＳＭ）、及び目標値よりも大変
小さいとするメンバーシップ関数（偏差か負で極大：
ＳＢ）を設定しておき、且つ、偏差の微分値ΔＹに関し
ても、同様に正て極大（ＬＢ）、正て大（ＬＭ）、正で
小（ＬＳ）、０（ＭＭ）、負て小（ＳＳ） 、負て大（
ＳＭ）、負で極大（ＳＢ）の各メンバーシップ関数を設
定し、又、第４図に示す様に燃料の操作量を定めるファ
ジィ集合のメンバーシップ関数を定め、このメンバーシ
ップ関数は、燃料の供給量を現状維持とするＺＥ、僅か
に増加させるＰＳ、増加量を極大とするＰＰや僅かに減
少させるＮＳ、大きく減少させるＮＢ等の変化量をメン
バーシップ関数として定めるものである。
更に、前述の測定値における偏差や微分値を前件部とし
、燃料操作量を後件部とし、以て前件部となる測定温度
か目標温度よりも高い場合には供給する燃料を減少させ
、測定温度が高いほど減少量即ち操作量を大きくする後
件部ファジィ集合を割り当ることとし、測定温度か目標
温度よりも低い場合には供給する燃料を増加させ、測定
温度か低い程増加量を大きくするファジィ集合を割り当
て、又、測定温度が目標温度よりも小さくても測定温度
か上昇中の場合には操作量を０、測定温度が目標温度よ
りも少し大きくても測定温度が降下中の場合も操作量を
０とし、測定温度か目標温度と等しくても温度が上昇し
て来たときは供給量を減少させ、温度が降下して来たと
きは供給量を増加させるものとし、測定温度が高く、且
つ上昇中の場合は供給量を減少させる操作量を極大に、
測定温度が低く且つ降下中の場合は供給量を増加させる
操作量を極大とする様に定め、例えば第５図に示す様に
前件部メンバーシップ関数と後件部メンバーシップ関数
とを関係付けるチーフルを設定する。
、燃料操作量を後件部とし、以て前件部となる測定温度
か目標温度よりも高い場合には供給する燃料を減少させ
、測定温度が高いほど減少量即ち操作量を大きくする後
件部ファジィ集合を割り当ることとし、測定温度か目標
温度よりも低い場合には供給する燃料を増加させ、測定
温度か低い程増加量を大きくするファジィ集合を割り当
て、又、測定温度が目標温度よりも小さくても測定温度
か上昇中の場合には操作量を０、測定温度が目標温度よ
りも少し大きくても測定温度が降下中の場合も操作量を
０とし、測定温度か目標温度と等しくても温度が上昇し
て来たときは供給量を減少させ、温度が降下して来たと
きは供給量を増加させるものとし、測定温度が高く、且
つ上昇中の場合は供給量を減少させる操作量を極大に、
測定温度が低く且つ降下中の場合は供給量を増加させる
操作量を極大とする様に定め、例えば第５図に示す様に
前件部メンバーシップ関数と後件部メンバーシップ関数
とを関係付けるチーフルを設定する。
そして前記テーブルにより、例えば条件文をＩＦ Ｙ
＝ＳＳ、ΔＹ＝ＬＭ ＴＨＥＮ Ｄ＝ＮＳ等とするファジィ演算の結論を出
力させる様に各ＰＥ素子の結合係数を定めるものである
。
＝ＳＳ、ΔＹ＝ＬＭ ＴＨＥＮ Ｄ＝ＮＳ等とするファジィ演算の結論を出
力させる様に各ＰＥ素子の結合係数を定めるものである
。
尚、このファジィ演算の内容は、第６図に示す様に、測
定値ｙの値によってメンバーシップ関数の適合度を求め
、メンバーシップ関数ＳＭに対する適合度α１１が０．
７てメンバーシップ関数ＳＳに対する適合度α１２が０
．３てあり、微分値Δｙの値によってもメンバーシップ
関数の適合度を同様に求め、ＬＳに対する適合度α２１
が０．９にしてＬＭに対する適合度α２２か０．１の場
合（第７図参照）、前記テーブルに基〈 ＩＦ Ｙ二ＳＭ、ΔＹ＝ＬＭ ＴＨＥＮ Ｄ＝ＺＥ ＩＦ Ｙ二ＳＳ、ΔＹ＝ＬＭ ＴＨＥＮ Ｄ＝’Ｎ５ ＩＦ Ｙ＝ＳＭ、 ΔＹ＝ＬＳ ＴＨＥＮ Ｄ＝ＰＳ ＩＦ Ｙ＝ ＳＳ、 ΔＹ＝ＬＳＴＨＥＮ
Ｄ＝ＺＥ の各条件文に基き、先ずＹ＝ＳＭの適合度α１１−０．
７とΔＹ＝ＬＭの適合度α２２＝ ０．１とをミニ合成
し、適合度α２２の値をもってメンバーシップ関数ＺＥ
をマスターテーブルからコピーし、このコピーしたメン
バーシップ関数ＺＥを第８ＵＡＡに示す様にα−カット
し、同様にＹ＝ＳＳの適合度α１２＝ Ｏ，：ｌとΔＹ
＝ＬＭの適合度α２２＝０．１とをミニ合成した適合度
の値をもって第８図Ｂに示す様にマスターテーブルから
コピーしたメンバーシップ関数ＮＳをα−カットし、同
様にＹ＝ＳＭの適合度α１１＝０．７とΔＹ＝ＬＳの適
合度α２１＝ ０．９とをミニ合成した適合度の値をも
ってマスターテーブルからコピーしたメンバーシップ関
数ＰＳをα−カット（第８図Ｃ参照）、ｙ＝ｓｓの適合
度α】２とΔＹ＝ＬＳの適合度α２１とのミニ合成によ
る適合度の値をもってマスターテーブルからコピーした
メンバーシップ関数ＺＥをα−カット（第８図り参照）
する。然る後、α−カットされた各後件部を第９図に示
す様にマックス合成し、この合成集合の重心ωを算出し
て操作量を求め、この操作量を出力とするものである。
定値ｙの値によってメンバーシップ関数の適合度を求め
、メンバーシップ関数ＳＭに対する適合度α１１が０．
７てメンバーシップ関数ＳＳに対する適合度α１２が０
．３てあり、微分値Δｙの値によってもメンバーシップ
関数の適合度を同様に求め、ＬＳに対する適合度α２１
が０．９にしてＬＭに対する適合度α２２か０．１の場
合（第７図参照）、前記テーブルに基〈 ＩＦ Ｙ二ＳＭ、ΔＹ＝ＬＭ ＴＨＥＮ Ｄ＝ＺＥ ＩＦ Ｙ二ＳＳ、ΔＹ＝ＬＭ ＴＨＥＮ Ｄ＝’Ｎ５ ＩＦ Ｙ＝ＳＭ、 ΔＹ＝ＬＳ ＴＨＥＮ Ｄ＝ＰＳ ＩＦ Ｙ＝ ＳＳ、 ΔＹ＝ＬＳＴＨＥＮ
Ｄ＝ＺＥ の各条件文に基き、先ずＹ＝ＳＭの適合度α１１−０．
７とΔＹ＝ＬＭの適合度α２２＝ ０．１とをミニ合成
し、適合度α２２の値をもってメンバーシップ関数ＺＥ
をマスターテーブルからコピーし、このコピーしたメン
バーシップ関数ＺＥを第８ＵＡＡに示す様にα−カット
し、同様にＹ＝ＳＳの適合度α１２＝ Ｏ，：ｌとΔＹ
＝ＬＭの適合度α２２＝０．１とをミニ合成した適合度
の値をもって第８図Ｂに示す様にマスターテーブルから
コピーしたメンバーシップ関数ＮＳをα−カットし、同
様にＹ＝ＳＭの適合度α１１＝０．７とΔＹ＝ＬＳの適
合度α２１＝ ０．９とをミニ合成した適合度の値をも
ってマスターテーブルからコピーしたメンバーシップ関
数ＰＳをα−カット（第８図Ｃ参照）、ｙ＝ｓｓの適合
度α】２とΔＹ＝ＬＳの適合度α２１とのミニ合成によ
る適合度の値をもってマスターテーブルからコピーした
メンバーシップ関数ＺＥをα−カット（第８図り参照）
する。然る後、α−カットされた各後件部を第９図に示
す様にマックス合成し、この合成集合の重心ωを算出し
て操作量を求め、この操作量を出力とするものである。
本実施例ては、上述の様にニューラルネットワークを用
いてファジィ推論に基く操作量を出力させると共に、前
述の位相平面におけるＰＥ素子の発火状態によりキルン
の温度変化における経歴を知り、後件部メンバーシップ
関数の修正を行なうものであり、この修正は、第２図に
示した位相平面において測定値か目標値よりも大きく且
つ上昇する為に偏差が正であり且つ偏差の微分値も正の
領域では各判別領域に従ってマスターテーブルからコピ
ーした後件部メンバーシップ関数の集中化を、偏差か負
てあり偏差の微分値も負の領域てはコピーした後件部メ
ンバーシップ関数の拡大化を、偏差か負て微分値か正の
領域及び偏差か正て微分値が負の領域てはコピーした後
件部メンバーシップ関数の明暗強化を行なうものとする
。
いてファジィ推論に基く操作量を出力させると共に、前
述の位相平面におけるＰＥ素子の発火状態によりキルン
の温度変化における経歴を知り、後件部メンバーシップ
関数の修正を行なうものであり、この修正は、第２図に
示した位相平面において測定値か目標値よりも大きく且
つ上昇する為に偏差が正であり且つ偏差の微分値も正の
領域では各判別領域に従ってマスターテーブルからコピ
ーした後件部メンバーシップ関数の集中化を、偏差か負
てあり偏差の微分値も負の領域てはコピーした後件部メ
ンバーシップ関数の拡大化を、偏差か負て微分値か正の
領域及び偏差か正て微分値が負の領域てはコピーした後
件部メンバーシップ関数の明暗強化を行なうものとする
。
この集中化等は、測定温度の偏差及び偏差の微分値によ
る位相平面を形成させた各ＰＥ素子の発火回数を記録す
るテーブルを設け、前記位相平面を分割した判別領域内
でｎ周期の期間内における特定ＰＥ素子の発火回数かａ
にして、当該判別領域て他のＰＥ素子が最大発火回数す
を有するとき、係数α＝ ｂ ／ ａとして係数αを定
め、ＣＯＮ演算により出力ファジィ集合のカーブを急勾
配とするものであり、他方、拡大化は係数β−ａ ／
ｂとし、係数βをもってＤＩＬ演算を行なって勾配を緩
くし、又、明暗強化は前記係数αもってＩＮＴ演算を行
なって高グレードの幅を広く、低グレートの幅を狭く変
化させるものである。
る位相平面を形成させた各ＰＥ素子の発火回数を記録す
るテーブルを設け、前記位相平面を分割した判別領域内
でｎ周期の期間内における特定ＰＥ素子の発火回数かａ
にして、当該判別領域て他のＰＥ素子が最大発火回数す
を有するとき、係数α＝ ｂ ／ ａとして係数αを定
め、ＣＯＮ演算により出力ファジィ集合のカーブを急勾
配とするものであり、他方、拡大化は係数β−ａ ／
ｂとし、係数βをもってＤＩＬ演算を行なって勾配を緩
くし、又、明暗強化は前記係数αもってＩＮＴ演算を行
なって高グレードの幅を広く、低グレートの幅を狭く変
化させるものである。
尚、特定ＰＥ素子か当該判別領域で最大発火回数を有す
る場合はα−β−１てあり、出力ファジィ集合を変化さ
せることはない。
る場合はα−β−１てあり、出力ファジィ集合を変化さ
せることはない。
又、上記ＣＯＮ演算は第１０図に示す様にファジィ集合
Ａのグレートを下げ、カーブを急勾配とする演算てあり
、ＣＯＮ （Ａ） −Ａ２．で表され、ＤＩＬ演算は第
１１図に示す様にファジィ集合Ａのグレートを上げ、カ
ーブを緩やかにする演算であり、Ｄ Ｉ Ｌ （Ａ）
＝Ａ０５．て表され、ＩＮＴ＠算は第１２図に示す様に
ファジィ集合Ａの高いグレートを更に上げ低いグレート
を更に下げるものであり、０≦１ＬＡ（ｙ）≦０．５の
場合Ｉ ＮＴ （Ａ） −２Ａ２，０．５≦川Ａ （ｙ
）≦１の場合ＩＮＴ（Ａ）＝１２ （ｍＡ） ２の演算
を行なうものである。
Ａのグレートを下げ、カーブを急勾配とする演算てあり
、ＣＯＮ （Ａ） −Ａ２．で表され、ＤＩＬ演算は第
１１図に示す様にファジィ集合Ａのグレートを上げ、カ
ーブを緩やかにする演算であり、Ｄ Ｉ Ｌ （Ａ）
＝Ａ０５．て表され、ＩＮＴ＠算は第１２図に示す様に
ファジィ集合Ａの高いグレートを更に上げ低いグレート
を更に下げるものであり、０≦１ＬＡ（ｙ）≦０．５の
場合Ｉ ＮＴ （Ａ） −２Ａ２，０．５≦川Ａ （ｙ
）≦１の場合ＩＮＴ（Ａ）＝１２ （ｍＡ） ２の演算
を行なうものである。
この様に、偏差及び偏差の微分値か正の領域は集中化で
あるＣＯＮ演算により抑制化を行なうものであり、偏差
及び偏差の微分値か正、即ち測定温度か目標温度よりも
高く且つ温度上昇の場合は抑制を行なう様に修正を、又
、偏差及び偏差の微分値か負の領域は拡大化であるＤＩ
Ｌ演算により興奮化を行なうものであり、偏差及び偏差
の微分値か負、即ち測定温度が目標温度よりも低く且つ
温度降下の場合は増大を行なう様に修正することがてき
るものである。
あるＣＯＮ演算により抑制化を行なうものであり、偏差
及び偏差の微分値か正、即ち測定温度か目標温度よりも
高く且つ温度上昇の場合は抑制を行なう様に修正を、又
、偏差及び偏差の微分値か負の領域は拡大化であるＤＩ
Ｌ演算により興奮化を行なうものであり、偏差及び偏差
の微分値か負、即ち測定温度が目標温度よりも低く且つ
温度降下の場合は増大を行なう様に修正することがてき
るものである。
尚、判別領域は、第２図に示す様に位相平面の全面を分
割する様に多数の判別領域を設ける場合に限るものでな
く、第１３図に示す様に、位相平面の特定範囲のみを判
別領域として係数αや係数βを算出する場合も有る。
割する様に多数の判別領域を設ける場合に限るものでな
く、第１３図に示す様に、位相平面の特定範囲のみを判
別領域として係数αや係数βを算出する場合も有る。
更に、ファジィ推論による演算は、α−カットに限るこ
となく、グレードα（適合度）の値を乗算する場合も有
り、又、合成集合から数値を算出する場合も、重心法に
限ることなく、面積法やエントロピー法等によることも
てきる。
となく、グレードα（適合度）の値を乗算する場合も有
り、又、合成集合から数値を算出する場合も、重心法に
限ることなく、面積法やエントロピー法等によることも
てきる。
この様に１本実施例は所定の周期内て特定ＰＥ素子の発
火回数と、該特定ＰＥ素子を含み判別領域で他のＰＥ素
子か最大発火回数を有している場合は当該判別領域の最
大発火回数との比に基いてマスターテーブルから各判別
領域毎にコピーした各出力ファジィ集合に修正を加え、
該修正したファジィ集合に基く演算を行って出力信号を
出力する様に興奮性素子群や抑制性素子群との結合係数
を変更する学習を行なわせる故、制御を繰り返すことに
より制御対象となる装置の特性に応した制御を行ない、
且つ、制御装置や検出装置の特性をも加味した制御に制
御量を修正することかできる。
火回数と、該特定ＰＥ素子を含み判別領域で他のＰＥ素
子か最大発火回数を有している場合は当該判別領域の最
大発火回数との比に基いてマスターテーブルから各判別
領域毎にコピーした各出力ファジィ集合に修正を加え、
該修正したファジィ集合に基く演算を行って出力信号を
出力する様に興奮性素子群や抑制性素子群との結合係数
を変更する学習を行なわせる故、制御を繰り返すことに
より制御対象となる装置の特性に応した制御を行ない、
且つ、制御装置や検出装置の特性をも加味した制御に制
御量を修正することかできる。
［発明の効果］
本発明は、神経回路網によりファジィ演算に基く制御を
行なわせると共に、制御を繰り返した経歴に基いてファ
ジィ集合を修正して制御を行なう様に神経回路網の学習
を行なわせる故、被制御装置の特性のみてなく、検出装
置の特性も加味し、制御誤差や判断誤差を除く様に学習
して適正な制御やｆ４ｒ！Ｉ＋に導くことかてきる。
行なわせると共に、制御を繰り返した経歴に基いてファ
ジィ集合を修正して制御を行なう様に神経回路網の学習
を行なわせる故、被制御装置の特性のみてなく、検出装
置の特性も加味し、制御誤差や判断誤差を除く様に学習
して適正な制御やｆ４ｒ！Ｉ＋に導くことかてきる。
第１図は本発明の実施例を示すフローチャート図てあり
、第２図は位相平面を示す図、第３図は前件部メンバー
シップ関数の一例を示す図にして、第４図は後件部メン
バーシップ関数の一例を示す図であり、第５図は前件部
メンバーシップ関数と後件部メンバーシップ関数との条
件式における関係を示す一例にして、第６図乃至第９図
はファジィ推論の一例を示す図、第１０図乃至第１２図
は修正演算の例を示す図であり、第１３図は他の実施例
を示す図、第１４ＶＡはＰＥ素子の模式図であって、ｆ
５１５図は神経回路網の簡略図である。 特許出願人 宇部興産株式会社 １ ： 代理人弁理士 北 村 仁 、・！ 才゛２図 ７１Ｙ −ΔＹ 第５図 測定値（Ｙ） ＳＢ ＳＭ ＳＳ ＭＭ ＬＳ ＬＭ Ｌ
Ｂｐｐ 正て極大 ＰＢ、正て大 ＰＭ、正て中 ｐｓ 正て小 ＺＥ・ゼロ ＮＳ：負て小 ＮＭ：負て中 ＮＢ：負て大 ＮＮ：負て極大 牙８■ Ａ 図面の浄書（内容に変更なし） ？↑２図 ？ １３ ｍ ΔＹ −八Ｙ オＴ４■ 才１５１ｍ 手続補正書（方式） ％式％ 工 事件の表示 特願平２−３３１２７３号 ２、発明の名称 ファジィ制御における神経回路網の学習方式３ 補正を
する者 事件との関係 出願人 山口県宇部市西木町ｌ−１２−３２ （０２０） 宇部興産株式会社 ４、代理人 東京都中央区日本橋久松町１３番３号 木下ビル平成
３年２月２５日 （平成３年３月１２日発送） ６、補正の対象 （１）明細書に添付した図面 ７、補正の内容 （１）願書に添付した図面の第１図及び第１２図を別紙
のとおり訂正する（内容に変更無し）。
、第２図は位相平面を示す図、第３図は前件部メンバー
シップ関数の一例を示す図にして、第４図は後件部メン
バーシップ関数の一例を示す図であり、第５図は前件部
メンバーシップ関数と後件部メンバーシップ関数との条
件式における関係を示す一例にして、第６図乃至第９図
はファジィ推論の一例を示す図、第１０図乃至第１２図
は修正演算の例を示す図であり、第１３図は他の実施例
を示す図、第１４ＶＡはＰＥ素子の模式図であって、ｆ
５１５図は神経回路網の簡略図である。 特許出願人 宇部興産株式会社 １ ： 代理人弁理士 北 村 仁 、・！ 才゛２図 ７１Ｙ −ΔＹ 第５図 測定値（Ｙ） ＳＢ ＳＭ ＳＳ ＭＭ ＬＳ ＬＭ Ｌ
Ｂｐｐ 正て極大 ＰＢ、正て大 ＰＭ、正て中 ｐｓ 正て小 ＺＥ・ゼロ ＮＳ：負て小 ＮＭ：負て中 ＮＢ：負て大 ＮＮ：負て極大 牙８■ Ａ 図面の浄書（内容に変更なし） ？↑２図 ？ １３ ｍ ΔＹ −八Ｙ オＴ４■ 才１５１ｍ 手続補正書（方式） ％式％ 工 事件の表示 特願平２−３３１２７３号 ２、発明の名称 ファジィ制御における神経回路網の学習方式３ 補正を
する者 事件との関係 出願人 山口県宇部市西木町ｌ−１２−３２ （０２０） 宇部興産株式会社 ４、代理人 東京都中央区日本橋久松町１３番３号 木下ビル平成
３年２月２５日 （平成３年３月１２日発送） ６、補正の対象 （１）明細書に添付した図面 ７、補正の内容 （１）願書に添付した図面の第１図及び第１２図を別紙
のとおり訂正する（内容に変更無し）。
Claims (1)
- 各層が複数のＰＥ素子（プロセッシングエレメント）か
ら成り、入力層と出力層との間に複数層に形成された隠
れ層を備え、隣接する層のＰＥ素子間で相互に結合を有
し、且つ、各層内には結合を有しない神経回路網を用い
て制御を行なうに際し、中央に原点を有し、且つ、計測
値の目標値に対する偏差と該偏差の微分値とを軸とする
位相平面を前記隠れ層に想定し、各結合の重み係数に初
期値を与えることにより、前記偏差と偏差の微分値に基
くメンバーシップ関数に従ったファジィ推論による結果
を前記出力層から出力させるものとし、更に計測値の前
記位相平面における軌跡に基いて前記重み係数を変更す
ることによりファジィ集合の集中化、拡大化、及び明暗
強化を行なうことを特徴とするファジィ制御における神
経回路網の学習方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2331273A JPH04199302A (ja) | 1990-11-29 | 1990-11-29 | ファジィ制御における神経回路網の学習方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2331273A JPH04199302A (ja) | 1990-11-29 | 1990-11-29 | ファジィ制御における神経回路網の学習方式 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04199302A true JPH04199302A (ja) | 1992-07-20 |
Family
ID=18241850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2331273A Pending JPH04199302A (ja) | 1990-11-29 | 1990-11-29 | ファジィ制御における神経回路網の学習方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04199302A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4433593A1 (de) * | 1993-11-30 | 1995-06-01 | Buehler Ag | Verfahren zur Regelung einer Arbeitsmaschine und danach arbeitende Regelung sowie ein Sensor hierzu |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02140802A (ja) * | 1988-11-22 | 1990-05-30 | Yaskawa Electric Mfg Co Ltd | 自己修正型ファジィ制御方法 |
| JPH02189635A (ja) * | 1989-01-18 | 1990-07-25 | Yamaha Corp | ファジィ推論装置 |
| JPH02275501A (ja) * | 1989-04-17 | 1990-11-09 | Toshiba Corp | プロセス制御装置 |
-
1990
- 1990-11-29 JP JP2331273A patent/JPH04199302A/ja active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02140802A (ja) * | 1988-11-22 | 1990-05-30 | Yaskawa Electric Mfg Co Ltd | 自己修正型ファジィ制御方法 |
| JPH02189635A (ja) * | 1989-01-18 | 1990-07-25 | Yamaha Corp | ファジィ推論装置 |
| JPH02275501A (ja) * | 1989-04-17 | 1990-11-09 | Toshiba Corp | プロセス制御装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4433593A1 (de) * | 1993-11-30 | 1995-06-01 | Buehler Ag | Verfahren zur Regelung einer Arbeitsmaschine und danach arbeitende Regelung sowie ein Sensor hierzu |
| DE4433593B4 (de) * | 1993-11-30 | 2007-10-04 | Bühler AG | Verfahren zur Regelung eines Extruders und Vorrichtung dazu |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jain et al. | Modelling of abrasive flow machining process: a neural network approach | |
| Jenkins et al. | A simplified neural network solution through problem decomposition: The case of the truck backer-upper | |
| Zhang et al. | An effective LS-SVM-based approach for surface roughness prediction in machined surfaces | |
| CN108008627B (zh) | 一种并行优化的强化学习自适应pid控制方法 | |
| CN111221311B (zh) | 基于参数变分法的复杂网络分布式脉冲同步方法及系统 | |
| US6768927B2 (en) | Control system | |
| Kabini et al. | Review of ANFIS and its Application in Control of Machining Processes | |
| JPH04199302A (ja) | ファジィ制御における神経回路網の学習方式 | |
| Zweiri | Optimization of a three-term backpropagation algorithm used for neural network learning | |
| Tsai et al. | Approximate modeling for high order non-linear functions using small sample sets | |
| Prabhu et al. | Fuzzy-logic-based reinforcement learning of admittance control for automated robotic manufacturing | |
| Ho et al. | Multivariable internal model adaptive decoupling controller with neural network for nonlinear plants | |
| JP3029451B2 (ja) | ファジィ制御装置 | |
| JPH0635510A (ja) | ニューラルネットワークを用いたモデル規範型適応制御装置 | |
| JPS63279302A (ja) | ファジイ推論方式 | |
| JPH0954764A (ja) | モデルの汎化能力評価方法 | |
| JP3276035B2 (ja) | 神経回路網モデルの逐次型加速化学習方法 | |
| JPH0464138A (ja) | ファジイ制御における神経回路網の学習方式 | |
| CN114609915B (zh) | 一种未知控制方向的时变多智能体协同控制方法 | |
| Shin et al. | Fuzzy partial state feedback control of discrete nonlinear systems with unknown time-delay | |
| JPH01103707A (ja) | フアジイ推論装置 | |
| JP2515396B2 (ja) | ファジイ制御装置における後件部ファジイ変数の調整方法 | |
| Lai et al. | Fuzzy model-based control of a pneumatic chamber | |
| Zhao et al. | Distributed model predictive control of linear systems with unmeasurable states and uncertain parameters | |
| JPH01103705A (ja) | フアジイ推論装置 |