JPH0424736A - ルール部プリワイヤニューロの学習方法 - 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】 ［概要］ 前件部メンバシップ関数実現部、ルール部及び後件部メ
ンバシップ関数実現部で成るファジィ制御ルールを実現
する階層ネットワーク構造に従って入力に対応する制御
出力を生ずるルール部プリワイヤニューロの学習方法に
関し、 対象システムに適合した制御を行うための学習を効率良
く行なうことを目的とし、 前件部メンバシップ関数実現部、ルール部及び後件部メ
ンバシップ関数実現部の各々に、予め持っている知識を
導入した重み初期値を設定した後、まず前件部メンバシ
ップ関数実現部とルール部のいずれか一方又は両方の重
みを学習し、最終的に後件部メンバシップ関数実現部の
重みを学習するように構成する。尚、前件部メンバシッ
プ関数実現部及びルール部の重み値の初期設定は、乱数
を利用して行っても良し、予め持っている知識と乱数の
併用でも良い。

［産業上の利用分野］ 本発明は、ファジィ制御とニューラルネットワークを融
合させたルール部プリワイヤニューロの学習方法に関す
る。

ニューロを用いた情報処理にあっては、対象とするシス
テムの入カバターンと、その入カバターンに対する望ま
しい出カバターンとの組でなる学習データを階層型二−
ラルネットワークに提示して学習させ適応的な処理を行
わせる。この学習処理には特にパックプロパゲーション
法と呼ばれる処理方式が、その実用性の高さから注目さ
れている。

一方、ファジィ理論は、１９６０年にＺａｄｅｈにより
提案され、温度が「低い」とか「高い」といった人間が
行っている曖昧さに基づく思考や判断の過程をモデル化
する理論である。このファジィ理論では曖昧さを現わす
ためにメンバシップ関数を導入したファジィ集合論を数
学的基礎としている。

ファジィ理論の応用としては１９７４年にＭａｑｍｄ＋
＋ｎｉがスチームエンジンの制御に用いたのを最初に、
各種のファジィ制御が行われている。

このファジィ制御を実行するシステムは不確定なものを
扱うものであることから、制御アルゴリズムの調整や変
更等に対して適応的に対応できるような構成にしていく
必要がある。

［従来の技術］ 一般に、ファジィ制御システムを構築するには、以下の
ような手続きを取る。

■熟練操作員の持つ［もし温度が高ければ、火を小さく
する」等の曖昧な制御規則を得る。

■制御規則の中の言葉（命題）の意味をメンバシップ関
数という形で定量化し、制御規則をｒＩＦ−ＴＨＥＮ部
」 型のルール表現で記述する。

■シミュレーションや現地テストによる検査を行う。

■検査結果を評価し、メンバシップ関数や規則の改良を
行う。

更に詳細に説明すると、ファジィ制御ルールは、例えば
、 ｒｉｆ　Ｉ、　ｉｓ　ｂｉｇ　ａｎｄ　ｘ２ｉｓ　ｓｍ
ａｌｌ　ｔｈｅｎｙ、　　ｉｓ　　ｂｉｇＪ と記述される。ここでＩＦ部は前件部と呼ばれ、温度等
の制御状態量（制御入力）についての条件を記述する部
分である。またＴＨＥＮ部は後件部と呼ばれ、操作端等
の制御操作量（制御出力）についての条件を記述する部
分である。

ファジィ制御では、対象システムの制御論理として用意
される複数のファジィ制御ルールを管理すると共に、各
ファジィ制御ルール中に記述される「大きい」とか「小
さい」とかいうような曖昧な言語表現の意味をメンバシ
ップ関数として定量化して管理する。

完成したファジィ制御システムの制御手順は次のように
なる。

■制御対象から温度等の制御状態量が入力されると、設
定している前件部のメンバシップ関数に従って真理値を
算出する。

■次に、最小値を選択する等の前件部演算に従って、各
ファジィ制御ルールにおける後件部に対しての適用値を
決定する処理を実行する。例えば、ｒ　ｘ、　ｉｓ　ｂ
ｉｇＪ　　の真理値＝０．８ｒ　ｘ２　ｉａ　５ｍ１ｌ
ｌＪの真理値＝０．５である場合には、最小値を選択す
る前件部演算に従って、真理値＝０．５をそのファジィ
制御ルールの後件部に対しての適用値として出力するよ
うに処理する。

■続いて、同一の制御操作量となる後件部のメンバーシ
ップ関数に対する前件部からの入力値（適用値）から出
力適用値を決定する処理を実行する。

例えば、２つのファジィ制御ルールにより、ｒ　７．　
ｉｓ　ｂｉｇＪの適用値＝０．５「７．　ｉｓ　ｂｉｇ
Ｊの適用値＝０．６が得られた場合、最大値を選択する
後件部演算に従って、適用値＝０．６を選択決定する。

■続いて、決定された適用値に従って制御操作量のメン
バーシップ関数を縮小（又は拡大）すると共に、同一の
制御操作量についてのメンバーシップ関数の関数和の図
形の重心を求める等の処理を行ってファジィ推論値であ
る制御操作量を算出して出力する。

ところで、ファジィ制御ルールは、熟練操作員の持つ知
識に従って生成されることを予定しており、最初から最
適制御を実現できるファジィ制御ルールを確立すること
は困難である。従って、生成したファジィ制御ルールを
シミュレーションや現地テストにより評価しながら試行
錯誤的に改良していくという手順をとらざるを得ない。

そこで本願発明者等にあっては、ニューロの適用により
ファジィ制御ルールを実現する階層ネットワーク構造、
即ちルール部プリワイヤニューロを使用した適応型のフ
ァジィ制御システムを提案している（特願平２−６０２
５６号の「階層ネットワーク構成データ処理装置及びデ
ータ処理システム」参照）。即ち、ルール部プリワイヤ
ニューロは、前件部メンバシップ関数実現部、ルール部
及び後件部メンバシップ関数で成るファジィ制御ルール
を実現する階層ネットワーク構成をもつ。

このルール部プリワイヤニューロによるファジィ制御ル
ールの自動抽出を考えると、以下のような手続きを取れ
ばよい。

■ルール部プリワイヤニューロのメンバシップ関数を設
定する。

■ルール部プリワイヤニューロに、対象システムの入カ
バターンとその入カバターンに対する望ましい出カバタ
ーンの組とを提示して学習させる。

■ルール部の結線の重みを解析することにより対象シス
テムについての最適ファジィ制御ルールを抽出する。

［発明が解決しようとする課題］ しかしながら、ルール部プリワイヤニューロについてフ
ァジィ制御ルールを抽出させるために行われる学習は、
前件部メンバシップ関数部、ルール部及び後件部メンバ
シップ関数実現部の重みを含め、どのようにして学習を
行わせるかの学習方法が決っておらず、ロール部プリワ
イヤニューロの性能を最大限に引き出すことのできる効
率の良い学習法の構築が必要となっている。

本発明は、このような状況に鑑みてなされたもので、対
象システムに適合した制御を行うための学習を効率良く
行なうことのできるルール部プリワイヤニューロの学習
方法を提供することを目的とする。

［課題を解決するための手段］ 第１図は本発明の原理説明図である。

まず本発明は、前件部メンバシップ関数実現部１０．１
又は複数階層でなるルール部１２及び後件部メンバシッ
プ関数実現部１４でなるファジィ制御ルールを実現する
階層ネットワーク構造を有し、ルール部１２は前段の前
件メンバシップ関数実現部１０及び又は後段の後件部メ
ンバシ・ツブ関数実現部１４との間で全ユニット間を内
部結合せずに制御ルールに従って一部を内部結合して成
り、入力される制御状態量（Ｘｌ、Ｘ２．・・・Ｘゎ）
に対応する１又は複数の制御操作量（Ｙ）を出力するル
ール部プリワイヤニューロ１００を対象とする。

このようなルール部プリワイヤニューロ１００の学習方
法として本発明にあっては、次の５つの学習方法を行な
う。

■請求項１； ［第１過程コ 前件部メンバシップ関数実現部１０に予め持っている知
識（図中は「先験的知識」として示す）に基づき又は乱
数を用いて重み値を初期設定すると共に、ルール部１２
及び後件部メンバシップ関数実現部１４に予め持ってい
る知識に基づいて重み値を初期設定する； ［第２過程コ 学習データを使用して前件部メンバシップ関数実現部１
０の重みを学習させる； ［第３過程］ 学習データを使用して後件部メンバシップ関数実現部１
４の重みを学習させる第３過程と：ように構成する。

■請求項２ ［第１過程コ ルール部１２に予め持っている知識に基づき又は乱数を
用いて重み値を初期設定すると共に、前件部メンバシッ
プ関数実現部１０及び後件部メンバシップ関数実現部１
４に予め持っている知識に基づいて重み値を初期設定す
る； ［第２過程］ 学習データを使用してルール部１２の重みを学習させる
； ［第３過程コ 学習データを使用して後件部メンバシップ関数実現部１
４の重みを学習させる： ように構成する。

■請求項３ ［第１過程コ ルール部１２に予め持っている知識に基づき又は乱数を
用いて重み値を初期設定すると共に、前件部メンバシッ
プ関数実現部１０及び後件部メンバシップ関数実現部１
４に予め持っている知識に基づいて重み値を初期設定す
る； ［第２過程コ 学習データを使用してルール部１２の重みを学習させる
； ［第３過程］ 学習データを使用して前件部メンバシップ関数実現部１
０の重みを学習させると； ［第４過程コ 学習データを使用して後件部メンバシップ関数実現部１
４の重みを学習させる第４過程と；ように構成する。

■請求項４ ［第１過程］ 前件部メンバシップ関数実現部１０に予め持っている知
識に基づき又は乱数を用いて重み値を初期設定すると共
に、ルール部１２及び後件部メンバシップ関数実現部１
４に予め持っている知識に基づいて重み値を初期設定す
る； ［第２過程コ 学習データを使用して前件部メンバシップ関数実現部１
０の重みを学習させる； ［第３過程］ 学習データを使用してルール部１２の重みを学習させる
； ［第４過程コ 学習データを使用して後件部メンバシップ関数実現部１
４の重みを学習させる； ように構成する。

■請求項５ ［第１過程コ 前件部メンバシップ関数実現部１０及びルール部１２に
予め持っている知識に基づき又は乱数を用いて重み値を
初期設定すると共に、後件部メンバシップ関数実現部１
４に予め持っている知識に基づいて重み値を初期設定す
る； ［第２過程］ 学習データを使用して前記前件部メンバシップ関数実現
部１０及びルール部１２のの重みを同時に学習させる； ［第３過程］ 学習データを使用して後件部メンバシップ関数実現部１
４の重みを学習させる； ように構成する。

■請求項６ 最初に重みを学習する部分の第１過程における重み初期
値の設定は、予め持っている知識で設定可能な重みは該
知識で初期設定し、その他は乱数を用いて初期設定する
。

■請求項７ 第１過程の重み値の初期設定後に行う各過程の学習開始
時に、前件部メンバシップ関数実現部１０、ルール部１
２及び後件部メンバシップ関数実現部１４の内、学習対
象となっている部分の結線毎に設けられた学習フラグを
オンすると共に、学習対象となっていない部分の結線毎
に設けられた学習フラグをオフし、オン状態にある学習
フラグを有する結線の重み値のみを学習処理により最適
化する。

［作用］ このような構成を備えた本発明のルール部プリワイヤニ
ューロの学習方法によれば次の作用が得られる。

まず、ルール部プリワイヤニューロの前件部メンバシッ
プ関数実現部及び又はルール部に対し予め持っている知
識に基づいた重み値の初期設定又は乱数を用いた重み値
の初期設定あるいは両者を併用した設定を行ない、後件
部メンバシップ関数実現部に対しては予め持っている知
識に基づいた重み値の初期設定を行なう。

続いて、学習処理を起動し、学習用の入カバターンをル
ール部プリワイヤニューロに提示し、ルール部プリワイ
ヤニューロからの出カバターンがが、入カバターンに対
し望ましい出力バター゛となる学習比カバターン（教師
信号）に略一致するように初期設定した重み値を修正す
る例えばパックプロパゲーション法による重みの学習を
■前件部メンバシップ関数実現部及び又はルール部 ■後件部メンバシップ関数実現部 の順に行う。

このようにルール部プリワイヤニューロの内の前件部メ
ンバシップ関数実現部とルール部のいずれか一方又は両
方の重み学習後に、後件部メンバシップ関数実現部の重
みを学習させることにより、前件部メンバシップ関数実
現部とルール部のいずれか一方又は両方の重みの学習結
果に合わせた後件部メンバシップ関数実現部の重み調整
が可能となる。

また予め持っている知識を導入した重みの初期設定によ
り、学習が容易にでき学習効率を高めることができる。

更に、乱数を利用した重みの初期設定により、ニューロ
による学習機能を最大限に引き出すことができる。

［実施例］ 第２Ａ〜第２Ｅ図は本発明によるルール部プリワイヤニ
ューロの学習方法の第１実施例から第５実施例の処理手
順を示した学習動作フロー図である。この第１〜第５実
施例の手順による学習方法の対象となるルール部プリワ
イヤニューロは、例えば第３図に示す前件部メンバシッ
プ関数実現部１０、ルール部１２、後件部メンバシップ
関数実現部１４（重心計算実現部１８を含む）で成るフ
ァジィ制御ルールを実現するための階層ネットワーク構
造を有する。

ここでルール部プリワイヤニューロとは、ルール部１２
が前段の前件メンバシップ関数実現部１０及び又は後段
の後件部メンバシップ関数実現部１４との間で全ユニッ
ト間を内部結合せずに制御ルールに従って一部を内部結
合したネットワーク構造をもち、階層ユニット間の全て
を内部結合したルール部全結合ニューロに対比される。

第２Ａ〜第２Ｅ図に示した第１〜第５実施例の各学習処
理にあっては、次のステップ８１〜Ｓ６から成る処理を
行なう。

［ステップＳＬ］ 前件部メンバシップ関数実現部１０の重みＣａｂ。

Ｃｂｃを、与えられたメンバシップ関数を実現するよう
に初期設定する。尚、Ｃａｂ、　　Ｃｂｃは後述するよ
うに、重みを設定する結線の結線グループ番号を示して
いる。

［ステップＳ２］ ルール部１２の重みＣｃｄ、　　Ｃｄｅを、与えられた
ファジィルールを実現するように初期設定する。

［ステップＳ３コ 後件部メンバシップ関数実現部１４の重みＣｅｆを、与
えられたメンバシップ関数を実現するように初期設定す
る。

［ステップＳ４コ 重心計算実現部１８の重みＣ１ｇを、重心計算を実現す
るように初期設定する。

［ステップＳ５］ 学習処理を行なうフェーズ毎のニューロングループを示
すフェーズ・グループ対応表及び各二ニーロングループ
に属する結線グループを示すグループ・結線対応表の設
定を行なう。

［ステップＳ６］ 学習スケジューラを起動してパックプロパゲーション法
により学習処理を行なう。

このようなステップＳ１〜Ｓ６から成る学習処理におい
て、ステップ８１〜Ｓ３の前件部メンバシップ関数実現
部１０、ルール部１２及び後件部メンバシップ関数実現
部１４に対する重み値の初期設定は各実施例毎に異なる
が、いずれの実施例にあってもステップＳ６で最初に、
即ちフェーズ１で重み学習を行なう部分については予め
持っている知識の導入に基づく重み値の初期設定、また
は乱数を用いたランダムな重み値の初期設定を行ない、
２回目以降に重み値を学習する部分、即ちフェーズ２以
降に重み値を学習する部分については予め持っている知
識の導入に基づいた重み値の初期設定のみを行なってい
る。

ステップＳ４の重心計算実現部１８に対する重み値の初
期設定は全ての実施例について同じである。また、ステ
ップＳ５のフェーズ・グループ対応表の設定は、各実施
例毎に固有のニューロングループを設定するが、グルー
プ・結線対応表については共通に設定される。更に、ス
テップＳ６の学習スケジューラの起動による重み学習に
あっては、全ての実施例において最終段階の重み学習を
後件部メンバシップ関数実現部１４に対し行なう点は共
通しているが、後件部メンバシップ関数実現部１４の重
み学習に先立って行なう前段階の重み学習の対象が各実
施例毎に異なっている。

以下、第２Ａ図の第１実施例を例にとって本発明のルー
ル部プリワイヤニューロの学習方法の具体例を詳細に説
明する。

［第１実施例］ 第２Ａ図の第１実施例にあっては、ステップ８１〜Ｓ３
で前件部メンバシップ関数実現部１０、ルール部１２及
び後件部メンバシップ関数実現所・１４の重み値を、与
えられたメンバシップ関数を実現するように初期設定し
、ステップＳ４で重心計算実現部１８の重み値を初期設
定した後、ステップＳ５のフェーズ・グループ対応表及
びグループ・結線対応表の設定を経てステップＳ６でま
ずフェーズ１で前件部メンバシップ関数実現部１０の重
み学習を行ない、その後にフェーズ２で後件部メンバシ
ップ関数実現部１４の重み学習を行なうようにしたこと
を特徴とする。

ステップＳ６のフェーズ１で最初に重み学習を行なうの
は、前件部メンバシップ関数実現部１０であることから
、ステップＳ１の前件部メンバシップ関数実現部の重み
値の初期設定にあっては、重み値を予め持っている知識
の導入に基づいて初期設定するか、あるいは乱数を用い
てランダムに重み値を初期設定する。これに対し学習を
行なわないルール部１２については、ステップＳ２に示
すように予め持っている知識の導入に基づいて重み値の
初期設定を行なっており、またフェーズ２となる最終段
階で学習を行なう後件部メンバシップ関数実現部１４に
ついては、ステップＳ３に示すようにルール部１２と同
様、予め持っている知識の導入に基づいて重み値を初期
設定している。

このような第１実施例の学習動作フローに示したステッ
プＳ１〜Ｓ６のそれぞれの処理を詳細に説明すると次の
ようになる。

［ルール部プリワイヤニューロの構成］本発明の対象と
なるルール部プリワイヤニューロは、例えば第３図に示
すファジィ制御ルールを実現可能な階層ネットワーク構
造を有する。

第３図において、各部に示したノードは１つの基本ユニ
ットを示しており、基本ユニットは黒丸で示すシグモイ
ド関数ユニットと、白丸で示す線形関数ユニットの２種
が使用されている。

第４図は第３図の基本ユニットの構成を取り出して示す
。

第４図において、基本ユニット２０１；Ｌ多入力１出力
系を構成しており、複数の入力に対し各々の内部結合の
重み値を乗算する乗算部２２と、乗算部２２の全乗算結
果を加算する加算部２４と、加算部２４の出力に閾値処
理を施す閾値処理部２６とで構成される。

ここで前段層をｈ層、後段層をｉ層とすると乗算部２２
と加算部２４は下記の（１）式の演算を実行し、また閾
値処理部２６では下記の（２）式の演算を実行する。

ｘ、、＝Σ’Ｊ　ｊｈｗ　ｌ　ｈ　　　　　　　　　　
　　（１）れ ｙｐ＋＝１／　（１＋ｅ−′ｘ”−”’　　）　　　　
　　（２）但し、 ｈ　：ｈ層のユニット番号 ｉ　：ｉ層のユニット番号 ｐ　：入力信号のパターン番号 θ１　：ｉ層の１番ユニットの閾値 Ｗｌｈ：ｈ−ｉ層間の内部結合の重み値ｘ、Ｉ：ｈ層の
各ユニットからｉ層の１番ユニットへの入力の積和 Ｔａｂ：ｐ番目パターンの入力信号に対するｈ層の６番
ユニットからの出力 ｙ２□：ｐ番目パターンの入力信号に対するｉ層の１番
ユニットからの出力 ここで前記（２）式はシグモイド関数として知られてお
り、第３図に示した黒丸の基本ユニットの閾値処理とな
る。

これに対し閾値処理部２６に ｙ　ｐｌ＝　ｘ　。

となる線形関数を設定したものが第３図における白丸の
線形関数ユニットとなる。但し、前件部メンバシップ関
数実現部１０の最初のユニットである入力部は必ずしも
線形関数ユニットでなくて良い。この第４図の基本ユニ
ットのハードウェアは特願昭６３−２１６８６５号の［
ネットワーク構成データ処理装置」に示される。

再び第３図を参照してルール部プリワイヤニューロの各
部の構成を説明する。

まず前件部メンバシップ関数実現部１０は、各入力変数
Ｘｎ、Ｘ２．　　・・・Ｘｎを入力とし、入力変数Ｘｎ
〜Ｘｎのメンバシップ関数のグレード値を出力する。図
では簡単のため各メンバシップ関数は１変数関数として
いるが、多変数関数であってもよい。つまり変数Ｘ１と
Ｘ２を入力としてＸＩ　＆Ｘ２　　（ＳＡ） というメンバシップ関数であっても良い。

ルール部１２は前件部ルール部１２−１と後件部ルール
部１２−２で構成される。前件部ルール部１２−１は、
入力変数Ｘ１〜Ｘｎのメンバシップ関数Ｘ　１（Ｓ　Ａ
　）　〜Ｘ　ｎ　（Ｌ　Ａ　）のグレード値を入力とし
て、各ルールのグレード値を出力する。

また後件部ルール部１２−２は、ルールのグレード値Ｌ
Ｈ８−１〜ＬＨ３−ｎを入力として出力変数のメンバシ
ップ関数ｙ　（ＳＡ）〜ｙ　（ＬＡ）のグレード値を出
力する。

更に後件部メンバシップ関数実現部１４（重心計算実現
部１６を含む）は、出力変数のメンバシップ関数ｙ　（
ＳＡ）〜ｙ　（ＬＡ）のグレード値を入力して、出力変
数Ｙの値を出力する。

ここで、前件部ルール部１２−１と後件部ルール部１２
−２を合わせたルール部１２は、入力も出力もメンバシ
ップ関数のグレード値であるので、これをカスケード結
合することができ、多段推論が可能である。

また、各モジュール１０．１２−１．１２−２゜１４間
を結ぶニューロンは共用できる。例えば前件部メンバシ
ップ関数実現部１０の出力ニューロンと前件部ルール部
１２−１の入力ニューロンは実際には同じものでよい。

更に第３図では各ユニットを１つのニューロとして説明
しているが、ユニットの機能が特定できているものにつ
いてはニューロとせずにユニット機能を実現するゲート
回路、演算器等としても良い。

第５Ａ図は本発明のルール部プリワイヤニューロの具体
的実施例を示したもので、入力Ｘｎ、Ｘ２の２つを与え
て制御出力Ｙを得る場合を例にとっており、この第５Ａ
図を参照して各部の構成を詳細に説明すると次のように
なる。

入力部１６は分離ユニット２８−１．２８−２で構成さ
れ、入力Ｘｎ、Ｘ２を２つに分けて前件部メンバシップ
関数実現部１０に与える。前件部メンバシップ関数実現
部１０は４つのシグモイド関数ユニット３０−１〜３０
−４及び同じく４つの線形関数ユニット３２−１〜３２
−３で構成される。

ルール部１２は例えば８つのファジィルールを実現する
シグモイド関数ユニット３４−１〜３４−８を備え、前
件部メンバシップ関数実現部１０からは各ファジィルー
ルＬ１〜Ｌ８の記述に従った結線が行なわれている。シ
グモイド関数ユニット３４−１〜３４−８の出力はファ
ジィルールに従って後件部演算を行なう２つの線形関数
ユニット３６−１．３６−２にファジィルールに従って
結線されている。

後件部メンバシップ関数実現部１４は例えば９つの線形
関数ユニット３８−１〜３８−９で構成されており、ル
ール部１２から出力される２つのユニット出力値（グレ
ード値）に基づいてメンバシップ関数を縮小（または拡
大）すると共に縮小（または拡大）した２つのメンバシ
ップ関数の関数和を算出する。

更に重心計算実現部１８は重心決定要素出力装置４０と
重心算出装置４２で構成される。重心決定要素出力装置
４０の線形関数ユニツ）　４０−１．　。

４０−２は、後件部メンバシップ関数実現部］４からの
ユニット出力の重付は総和を演算して２つの重心算出要
素Ｙ、、Ｙ２を求め、最終的に重心算出装置４２で２つ
の重心算出要素Ｙ、、Ｙ２から重心を算出してファジィ
推論値としての制御出力Ｙを生ずる。

第５Ｂ図は第５Ａ図のルール部プリワイヤニューロにつ
いて本発明による学習方法を実現するためのニューロン
グループと結線グループを示す。

第５Ｂ図において、ニューロングループはＧａ−Ｇｇの
７つであるが、この内、入力部のニューロングループＧ
ａと重心計算実現部１８のニューロングループＧｇの２
つについては単なる分離及び加算合成を行なうにすぎな
いことから、バックプロパゲーション法による重みの学
習対象からは除いている。従ってパックプロパゲーショ
ン法による重みの学習対象に入るニューロングループは
Ｇｂ、Ｇｃ、Ｇｄ、Ｇｅ及びＧｆの５つとなる。

一方、各二ニーロングループの入力結線を示す結線グル
ープはＣａｂ〜Ｃｊｇの６っであり、学習対象となるニ
ューロングループの前段に位置する入力結線の重み値を
パックプロパゲーション法により学習する。

このｊＩ５Ａ、５Ｂ図に示した構造のルール部プリワイ
ヤニューロを対象とした第２図の学習動作フローにつき
、まず各部に対する重み値の初期設定を説明すると次の
ようになる。

［前件部メンバシップ関数実現部の初期設定］この前件
部メンバシップ関数実現部１０に対する重み値の初期設
定は結線グループＣａｂ及びＣｂｃに含まれる各結線の
重みを、与えられたメンバシップ関数を実現するように
初期設定する。

第６図は第５Ａ図の前件部メンバシップ関数実現部１０
における制御人力ｘ１側を取り出して示す。　第６図に
おいて、シグモイド関数ユニット３０−１．３０−２よ
り出力される出力値ｙはｙ＝１／　（１＋ｅ−””“−
′）　）　　　　　　　（３）で表わされる。

本発明の前件部メンバシップ関数実現部１０に対する重
み値の初期設定にあっては、予め持っている知識に基づ
き、例えばシグモイド関数ユニッ）３０−１の入力結線
の重み値Ｗとして、Ｗ＝−２０ を設定し、且つシグモイド関数ユニット３ｏ−１に閾値
θとして、 θ＝−１０ を設定する。

またもう１つのシグモイド関数ユニット３０−２の入力
結線の重み値Ｗとして、 Ｗ＝２０ を設定し、同時にシグモイド関数ユニット３゜２に閾値
θとして、 θ＝１０ を設定する。尚、線形関数ユニット３２−１．　３２−
２の入力結線の重み値は重み初期値＝１を設定している
。

このようにシグモイド関数ユニット３０−１に、Ｗ＜Ｑ
　　　　θ〈０ となる重み値及び閾値を初期設定した場合には、第７図
の特性曲線４４に示す制御出力Ｘｎに対するユニット出
力値Ｘｎ（ＳＳ）、即ち制御人力Ｘが大きくなるとユニ
ット出力値Ｘｎ（ＳＳ）が小さくなるという関数形状の
メンバシップ関数の真理値算出機能を設定することがで
きる。

またシグモイド関数ユニット３０−２に、Ｗ＞Ｑ　　　
　θ〉０ となる重み値及び閾値を初期設定することで第７図の特
性曲線４６に示す制御人力Ｘｎに対するユニット出力値
Ｘ＋（ＬＡ）、即ち制御人力Ｘが大きい程ユニット出力
値Ｘｎ（ＬＡ）が大きくなるという関数形状のメンバシ
ップ関数の真理値を算出する機能が実現できる。

この第６図に示すシグモイド関数ユニット３０１．３０
−２に対する重み値及び閾値の初期設定は、前件部メン
バシップ関数実現部１０における残りのシグモイド関数
ユニット３０−３．３０４側についても所望の前件部メ
ンバシップ関数を実現するように予め持っている知識に
基づいて初期設定する。

［ルール部の初期設定］ 第５Ａ図のルール部１２に対する重み値の初期設定は、
第５Ｂ図に示す結線グループＣｃ＋Ｉ及びＣｄｅに属す
る各結線の重み値を、与えられたファジィルールを実現
するように予め持っている知識を導入して初期設定する
。

第８図はルール部１２に対する重み値の初期膜・定の具
体例をファジィルールと共に示した説明図である。

第８図において、８つのシグモイド関数ユニット３４−
１〜３４−８は、右側に取り出して示すファジィルール
Ｌ１〜Ｌ８のそれぞれに対応している。シグモイド関数
ユニット３４−１〜３４−８のそれぞれに対しては前段
に位置する前件部メンバシップ関数実現部１０の線形関
数ユニット３２−１〜３２−４からファジィルールし１
〜Ｌ８に従った入力結線が行なわれている。また８つの
シグモイド関数ユニット３４−１〜３４−８に続いて設
けられた２つの線形関数ユニット３６−１゜３６−２に
対してもファジィルールし１〜Ｌ８の後件部（Ｔ　ＨＥ
　Ｎ）に従った結線が行なわれている。

ここで第８図のルール部１２におけるシグモイド関数ユ
ニット３４−１〜３４−８の入力結線に初期設定する重
み値とユニット自体に設定する閾値に基づくファジィ論
理演算の関数形状を説明すると次のようになる。

第９図はルール部１２０１つのシグモイド関数ユニット
３４を示したもので、前段に位置する前件部メンバシッ
プ関数実現部１０より真理値Ｘ１゜Ｘ２が入力し、積和
演算及び閾値処理により出力値ｙを生ずる。

第９図のシグモイド関数ユニット３４より出力される出
力値ｙは、 ５＝Ｗｘ１・Ｘｎ＋Ｗｘ１・Ｘ２−θ　　　（４）ｙ＝
１／　（１＋ｅ−ｓ）　　　　　　　　　　（５）とし
て算出される。この前記（５）式で与えられるユニット
出力値ｙは、入力結線の重み値Ｗｘ１゜Ｗｘ７及び閾値
θを任意に設定することで適宜の関数形状を実現するこ
とができる。

具体的には第８図のシグモイド関数ユニット３４−１〜
３４−８の入力結線に示す数値か重み初期値として設定
され、またシグモイド関数ユニット３４−１〜３４−８
の下側に示す数値が閾値θを示す。

例えばファジィルールＬ１を実現するシグモイド関数ユ
ニット３４−１にあっては、 が設定されており、これら初期値の設定によりファジィ
ルールＬ１を実現するシグモイド関数ユニット３４−１
は第１０図の三次元座標で示される関数形状の閾値処理
を行なうことになる。

以下、同様にシグモイド関数ユニット３４−２〜３４−
８の各ファジィルールし２〜Ｌ８に対する重み値及び閾
値の初期設定により第１１〜１７図に示す関数形状を得
ることができる。

尚、第８図の出力段に設けられた線形関数ユニット３６
−１．３６−２に対する結線の重み値は１に初期設定さ
れており、また閾値処理については線形関数であり、θ
＝０が設定される。

［後件部メンバシップ関数実現部の初期設定］第５Ａ図
の後件部メンバシップ関数実現部１４に対する重み値の
初期設定は、第５Ｂ図の結線グループＣｅｌに属する結
線の重み値を予め持っている知識に基づき、与えられた
メンバシップ関数を実現するように初期設定する。

第１８図は後件部メンバシップ関数実現部１４に対する
重み値の初期設定を具体的に示した説明図である。

第１８図において、後件部メンバシップ関数実現部１４
に設けられた９つの線形関数ユニット３８−１〜３８−
９に対しては、前段のルール部１２の線形関数ユニッ）
３６−１．３６−２より図示のように結線入力が行なわ
れている。この９つのユニットは、３８−１〜３８−９
の順番に制御出力ｙの練直線上のＯ〜１の範囲の点に等
間隔に対応している。

この線形関数ユニット３８−１〜３８−９に対する入力
結線の重み値の初期設定は、ルール部１２のユニット３
６−１からの出力ｙ（ＳＳ）の結線の重み値については
、右側に示す横軸を制御出力Ｙ１縦軸をユニット出力値
としたグラフの特性曲線４６に従ってユニツ）３８−１
側からユニット３８−９側に重み値、 １、　１．　１．　　Ｇ、７５．　　Ｑ、５．　０．２
５．　０．　　ＣＩ、　　０を初期設定する。

またルール部１２のユニット出力ｙ　（ＬＡ）からの入
力結線の重み値については、特性曲線４８に従ってユニ
ット３８−１側からユニット３８−９側に向けて重み値
、 ０、　０．　０．　Ｇ、２５．　Ｑ、５．　Ｇ、’７５
．　１．　　］、、　　■を初期設定する。

更に線形関数ユニット３８−１〜３８−９の閾値θはθ
＝０に設定する。

このような後件部メンバシップ関数実現部１４における
重み値の初期設定により、ルール部１２の線形関数ユニ
ッ）３６−１．３６−２から出力されたユニット出力値
ｙ（ＳＳ）及びｙ　（ＬＡ）は、重み初期値の乗算によ
り縮小された後に加算され、次の重心計算実現部１８に
出力される。

尚、第１８図にあっては、ユニット出力を縮小するよう
に１以下の重み値を初期設定しているが、１以上の重み
値を設定して拡大することも有り得る。

［重心計算実現部の初期設定］ 第５Ａ図の重心計算実現部１８に対する重み値の初期設
定は、第５Ｂ図の結線グループＣｆｇに対し重心計算を
実現するように初期設定する。

第１９図は重心計算実現部１８の重心決定要素出力装置
４０に対して行なわれる重心計算を実現するための重み
値の初期設定の具体例を示す。

重心決定要素出力装置４０に設けられた２つの線形関数
ユニット４０−１．４０−２に対しては、前段の後件部
メンバシップ関数実現部１４に設けられた９つの線形関
数ユニット３８−１〜３８−９のそれぞれが結線される
。そして、この入力結線に対し図示のように重心計算に
使用する２つの重心導出値ｙ、、Ｙ２を算出するための
重み値が設定される。

ファジィ制御にあっては一般的に次式に従って同一制御
出力位置についての縮小されたメンバシップ関数の関数
和で成る図形の重心を求めることでファジィ推論値であ
る制御出力Ｙを算出する方法を採用する。

Ｙ＝　ｆ　ｇｒａｄｅ（ｙ）ｙｄｙ　／　ｆ　ｇｒ３ｄ
ｅ（ｙ）ｄｙ　　　　（６）この（６）式を実現するた
め、後件部メンバシップ関数実現部１４の線形関数ユニ
ット３８〜１〜３８−９から線形関数ユニッ）４０−１
に対する結線の重み値として、制御出力Ｙの最小値Ｙ＝
０を起点に最大値Ｙ＝１まで等間隔をもって０から増加
する重み値を割り付ける。一方、線形関数ユニット４０
−２の入力結線に対しては、制御出力Ｙの最大値Ｙ＝１
を起点に最小値Ｙ＝０までの間に０から上記と同じ等間
隔をもって、例えば０から−１に減少する重み値を割り
付ける。

このような線形関数ユニット４０−１．４０−２に対す
る入力結線の重み付けにより、前段の線形関数ユニット
３８−１〜３８−９のユニット出力値を０１〜Ｃ９とす
ると、線形関数ユニット４０−１は、 Ｙｌ＝ＩＣ＋　＋〇、８７５　Ｃ２＋０．７５Ｃ３十〇
、６２５　Ｃ４＋０．５　Ｃ５＋［１，３７５Ｃ６十０
．２５Ｃ，＋０．１２５　Ｃ８＋ＯＣ９（７）を出力し
、また線形関数ユニット４０−２は、Ｙｌ”ＯＣ＋　　
０．１２５　Ｃ２０，２５Ｃ３−０，３７５Ｃ４−０，
５Ｃ５−０，６２５Ｃ６−０，７５Ｃ７−０，８７５Ｃ
８＋ＩＣ３（８）を出力する。

線形関数ユニッ）４０−１．４０−２から出力される重
心導出値Ｙ、、Ｙ２は重心算出装置４２に与えられ、 Ｙ＝Ｙ２　／　（Ｙ２−Ｙ、）　　　　　　　（９）を
使用して重心、即ちファジィ推論値である制御出力Ｙが
算出される。

前記（９）式に前記（７）式及び（８）式を代入すると
、前記（９）式のＹは、前記（６）式のＹと一致するこ
とがわかる。

以上の処理で第２図のステップ８１〜Ｓ４に示したルー
ル部プリワイヤニューロに対する重み値の初期設定が終
了し、ステップＳ５に進む。

［学習スケジュールの設定コ 第２Ａ図のステップＳ５にあっては、初期設定の終了に
続いてルール部プリワイヤニューロに学習処理を行なわ
せるための学習計画、即ち学習スケジュールの設定を行
なう。この学習スケジュールの設定は、第２０図（ａ）
に示すフェーズ・グループ対応表の設定と、同図（ｆ）
に示すグループ・結線対応表の２つを行なう。尚、第２
０図（ｂ）〜（ｅ）のフェーズ・グループ対応表は第２
Ｂ〜２Ｅ図の第２〜第５実施例について示している。

まずフェーズ・グループ対応表は学習フェー；の進行に
対し各フェーズで学習対象となるニューロングループを
指定する。本発明の第１実施例（：あっては、重み値の
初期設定後に前件部メンバ已ツブ関数実現部１０の重み
を学習し、その後に彷件部メンバシップ関数実現部１４
の重みを学習することがら、第２０図（ａ）に示すよう
にフェーズ１に学習対象グループとして前件部メンバシ
・）プ関数実現部１０に属する第５図の二ニーロン多ル
ープＧｂ、Ｇｃの２つを設定し、またフエ−２２には学
習対象グループとして後件部メンバ已ツブ関数実現部１
４に属する第５Ｂ図のニューロジグループＧｆを設定す
る。

一方、グループ結線対応表はルール部プリワイヤニュー
ロにおける各二ニーロングループＧａ〜Ｇｇと入力結線
グループＣａｂ−ＣｌＨの対応関係苓第２０図（ｆ）に
示すように設定しており、グ）Ｌ−プ・結線対応表は全
ての実施例において共通に設定される。

このようなフェーズ・グループ対応表及びグループ・結
線対応表の設定が終了すると、第２Ａ図のステップＳ６
に進んで学習スケジューラを起動し、実際にルール部プ
リワイヤニューロに対し学習データを与えて、パックプ
ロパゲーション法により重みの学習を実行する。

［学習スケジューラの処理と構成コ 第２１図は本発明のルール部プリワイヤニューロの学習
処理フロー図を示す。この処理フロー図は例えば第２２
図に示す装置構成により実現することができる まず、学習処理のための装置構成を説明すると、第２２
図において、ルール部プリワイヤニューロ１００に対し
ては学習指示ユニット５０と学習ユニット７０が設けら
れる。

学習指示ユニット５０は学習スケジューラ５２を有し、
学習スケジューラ５２に対しては制御入力とその制御入
力に対する望ましい制御出力との対でなる学習信号を格
納した学習信号格納部５４、第２０図に示したフェーズ
・グループ対応表を格納したフェーズ・グループ対応テ
ープ５６、及びグループ・結線対応表を格納したグルー
プ・結線対応テーブル５８、更に学習収束判定部６０が
設けられる。

一方、学習ユニット７０には学習指示読取部７２、学習
フラグ設定部７４及びパックプロパゲーション法により
重み値を変更する重み変更部７６が設けられる。

更に、第２２図における装置構成の特徴は、ルール部プ
リワイヤニューロ１００における各ユニットを結ぶ結線
に学習調整器８０が設けられている点である。

学習調整器８０は第２３図に示す構成を有する。

尚、学習調整器８０と共に重み変更部７６を示している
。

学習調整器８０にはフラグ保存部８２、重み変更情報読
取部８４及び重み変更量調整部８６が設けられる。

一方、重み変更部７６にはパックプロパゲーション法に
よる重み演算を実行する重み演算部８８、重み保存部９
０及び重み変更量保存部９２が設けられる。

このように、ルール部プリワイヤニューロ１００の結線
毎に学習調整器８０を設けることで、学習指示ユニット
５０の学習スケジューラ５２によりルール部プリワイヤ
ニューロ１００に対し結線の重み値を変更するか否かを
決定する学習フラグを設定することができ、学習フラグ
か有効、即ちフラグオンとなっている結線に対してのみ
重みの学習を行なうことが可能となる。

また、学習調整器８０に対するフラグセットは、第２図
に示したようなファジィルールを実現可能なネットワー
ク構造をもたない一般的な階層ネットワークに対し、フ
ァジィルールを実行可能な前件部メンバシップ関数実現
部、ルール部及び後件部メンバシップ関数実現部で成る
階層ネットワーク構造を特定する際にも使用される。

ファジィルールに適合した階層ネットワークを構成した
状態でパックプロパゲーション方により実際に学習させ
る際の重み値の調整は次のように行なわれる。

第２３図において、学習調整器８０の重み変更情報読取
部８４が重み変更部７６の重み変更量保存部９２に対し
重み演算部８８より重みの変更量が書き込まれているか
否かを監視している。重み変更情報読取部８４で重みの
変更があったことを検知すると、その旨を重み変更量調
整部８６に伝える。重み変更量調整部８６はフラグ保存
部８２の学習フラグを調べ、学習フラグがオンであれば
何もしない。即ち、重み変更量保存部９２への書込みを
有効とする。一方、学習フラグがオフであれば、重み変
更量調整部８６は重み変更部７６の重み変更量保存部９
２にゼロを設定し、重み変更を無効とする。この学習ス
ケジューラのハードウェアは特願昭６３−２２７８２５
号の「ネットワーク構成データ処理装置の学習方式」に
示される。

［学習スケジューラの処理内容］ 次に第２１図の処理フロー図を参照して第２２゜２３図
の装置構成に従った本発明の第１実施例におけるルール
部プリワイヤニューロの学習処理を説明する。

まず学習指示ユニット５０の学習スケジューラ５２が起
動されると、ステップＳＬ（以下「ステップ」は省略）
で学習フェーズの進行を示すフェーズカウンタｉをｉ＝
１にセットしてＳ２に進み、フェーズ・グループ対応テ
ーブル５６を参照して学習フェーズｉ＝１に対応するニ
ューロングループ番号Ｇｂ、Ｇｃを読み出す。即ち、最
初に重み学習を行なう前件部メンバシップ関数実現部１
０に属するニューロングループ番号Ｇｂ、Ｇｃを読み出
す。

続いてＳ３に進み、ニューロングループ番号Ｇｂ、Ｇｃ
に対応した結線グループ番号Ｃａｂ、　　Ｃｂｃをグル
ープ・結線対応テーブル５８を参照して読み出す。次に
８４に進み、結線グループ番号Ｃａｂ。

Ｃｂｃを出力して結線グループ番号Ｃａｈ、　　Ｃｂｅ
に属する結線に設けられた学習調整器８０の学習フラグ
をオンする。具体的には、学習指示ユニット５０の学習
スケジューラ５２から学習ユニット７０の学習指示読取
部７２に対し結線グループ番号Ｃａｂ、　　Ｃｂｃを出
力して読み取らせる。学習指示読取部７２の読取結果を
受けた学習フラグ設定部７４は、結線グループ番号Ｃａ
ｂ、　　Ｃｂｃに属する結線に設けられている学習調整
器８０のフラグ保存部８２に対しフラグオンを指令して
学習フラグをセットする。これにより前件部メンバシッ
プ関数実現部１０の重み学習の指定が行なわれる。

次に８５に進んで、学習スケジューラ５２は学習実行指
令を出して学習処理を開始させる。この学習処理は学習
信号格納部５４に準備されている制御人力Ｘと、制御人
力Ｘに対する望ましい制御出力となる教師信号ｄを読み
出し、制御入力をルール部プリワイヤニューロ１００に
与え、教師信号ｄは重み変更部７６及び学習収束判定部
６０に与える。そして、学習入力を受けたルール部プリ
ワイヤニューロ１００から出力される制御出力Ｙを重み
変更部７６及び学習収束判定部６０に取り込み、重み変
更部７６にあってはパックプロパゲーション法に従って
重み値の変更を行ない、学習収束判定部６０で教師信号
ｄに対する制御出力Ｙとの誤差が規定値以下となったと
き学習終了を判定して第１フエーズの学習処理を終了す
る。

ステップＳ５の学習実行指令に基づいてフェーズ１の学
習処理が終了すると８６でフェーズカウンタｉを１つイ
ンクリメントし、Ｓ７で学習フェーズの終わりをチエツ
クした後に再びＳ２に戻り、学習フェーズ２に対応した
後件部メンバシップ関数実現部１４のニューロングルー
プ番号Ｇｆをフェーズ・グループ対応テーブル５６から
読み出す。

続いてＳ３でグループ・結線対応テーブル５８からニュ
ーロングループＧｆに対応する結線グループ番号Ｃｅｌ
を読み出し、Ｓ４で結線グループ番号Ｃｅｆを出力して
後件部メンバシップ関数実現部１４の結線に設けた学習
調整器８０に学習フラグをセットする。続いてＳ５で学
習実行指令を出すことにより学習信号を用いてパックプ
ロパゲーション法により後件部メンバシップ関数実現部
１４の重み学習を実行する。

フェーズ２による後件部メンバシップ関数実現部１４の
重み学習か終了すると、Ｓ６でフェーズカウンタｉを１
つインクリメントし、Ｓ７で学習フェーズの終わりを判
定し一連の処理を終了する。

［パックプロパゲーション法による学習原理１次に本発
明のパックプロパゲーション法による重み学習原理を階
層型ネットワークと共に説明する。

第２４図は一般的な階層型ニューラルネットワークを示
したもので、ユニットと呼ばれる一種のノードと重みを
もつ内部結合とから構成される。

第２４図では入力装置としてのｈ層、中間層としてのｉ
層、出力層としてのｊ層を示している。勿論、中間層と
してのｉ層は１層であるが、複数の中間層があっても同
じである。各ユニットは第４図に示した構成をもち、ユ
ニットで行なわれる演算は基本ユニット２０について示
した前記（１）（２）式となる。パックプロパゲーショ
ン法では階層ネットワークの重み値Ｗｉｈと閾値θｉと
を誤差のフィードバックにより適応的に自動調整して学
習する。前記（１，）　　（２）式から明らかなように
、重み値Ｗ篩と閾値θｉとの調節は同時に実行される必
要があるが、この作業は相互に干渉する難しい作業とな
る。そこで、本願出願人にあっては通常のユニット以外
に、入力側のｈ層に常に出力値が１であるユニットを設
け、この出力値１のユニットからの入力結線に対し閾値
θｉを重み値として割り付けることで、閾値θｉを重み
値Ｗｉｈの中に組み込んで閾値θｉを重み値として扱う
ことができるパックプロパゲーション法を提案している
（特願昭６２−３３３４８４号）。

このようにすることで、前記（１）（２）式はｙ、＋＝
１／　（１＋ｅｘｐ（−Ｘｐ＋）　）　　　　　（１２
）で表わされることとなり、閾値θｉは表われてこない
。

前記（１１）（１２）式からの展開によって次の（１３
）（１４）式が得られる。

）（、、＝写ＶＤＩＷ＋１　　　　　　　　　　　　（
Ｉ３）ｙｐ＋＝１／　（１＋ｅｘｐ（ｘｐ＋）　）　　
　　　（１４）但し、 ｊ　２１層のユニット番号 Ｗ、、：ｉ−ｊ層間の内部結合の重み値ｘ、、：ｉ層の
各ユニットからｊ層の３番ユニットへの入力の積和 ３’ｐ＋’ｐ番目パターンの入力信号に対するｊ層の３
番ユニットからの出力 第２２図の重み変更部７６では学習用の入カバターンＸ
が提示されたときに出力層ｊから出力される出カバター
ンｙ、、と出カバターン’ｊｐ＋のとるべき信号である
教師パターンａｐｌを受けると、両者の差分値 （ａｐｒ−ｙｐ＋） を算出し、次に δｐ＋＝］／ｐ＋　（１ｙｐ＋）　　（ａｐｒ　　ｙｐ
＋）　　　　（１５）を算出する。続いて、 但し、ε：学習定数 ζ：モーメンタム ｔ・学習回数 に従ってｉ層とｊ層間の重み値の更新量ΔＷ。

（１）を算出する。ここで、前記（１６）式右辺第２項
で前回の更新サイクル時に決定された重み値の更新量に
かかるものを加算するのは、学習の高速化を図るためで
ある。

続いて、重み値変更部７６は前記（１５）式で算出した
Δδ□を用いて δ、、＝ｙ、、　（１−ｙｐ＋）Σδ、、ｗ　Ｉ　ｌ　
（＋−１）　　　（１７）を算出し、次に に従ってｈ層とｉ層の重み値の更新量Δｗｔｈ（＋）を
算出する。

続いて重み変更部７６は前記（１６）式及び（１８）式
で算出した更新量に従って次の更新サイクルのための重
み値を として決定する。以上の重み値の更新を学習用の入カバ
ターンに対する出カバターンｙ＋＋＋か教師パターンｄ
ｐｉに一致する重み値が得られるように学習処理を繰り
返す。

一方、第２４図の階層ネットワークを構成するユニット
が線形関数ユニットであった場合には、前記（１４）式
は ｙ口＋＝Ｘｐ＋　　　　　　　　　　　　　（２０）と
表わされる。この線形関数ユニットにおける前記（１５
）式及び（１７）式は δｐ＋＝　ｄ　ｐｌ　　ｙ　ｐｌ　　　　　　　　　　
　（２１）δ０．＝写δ、、ｗ、、　（ｔ　　１　）　
　　　　　　（２２）と現わされる。

［第１実施例の重み学習処理コ 第２５図は第５Ａ図に示した本発明のプリワイヤニュー
ロに対し、パックプロパゲーション法による重み学習の
処理フロー図である。

この学習処理フローにおける各部のパラメータは第２６
図に示すように定めている。

第２６図は第５Ａ図のルール部プリワイヤニューロの階
層構造を概略的に示したもので、図示のように第１層か
ら第６層までの６層構造をもっており、第１層及び第３
層がシグモイド関数ユニットで構成され、残りは線形関
数ユニットで構成されている。本発明の第１実施例にあ
っては、）ニーズ１で前件部メンバシップ関数実現部１
０が重みの学習対象層となり、また次のフェーズ２で後
件部メンバシップ関数実現部１４が重みの学習対象とな
り、それ以外のルール部１２及び重心計算実現部１８の
重みは学習対象から除外されている。

ここで、ルール部プリワイヤニューロによるファジィル
ールの実現で出力されるファジィ推論値、即ち制御出力
値をｙ６としており、１つのフェーズにおける学習処理
は第６層から第５層、第４層、第３層、第２層、第１層
というように順次行なう。

勿論、フェーズ２のように後件部メンバシップ関数実現
部１４に属する第５層が学習対象層であった場合には第
５層の処理で終了する。

１つのフェーズにおける階層毎の学習の進行はｉカウン
タで示される。即ち、初期状態でｉカウンタは１＝６に
セットされている。

更に説明を簡単にするため、Ｗｌ、ｌ−１とΔＷ、はマ
トリックスを示し、その大きさ（１層目のニューロン数
）Ｘ　（ｉ−１層目のニューロン数）となる。更にまた
、δ１とｙｉはベクトルを示し、大きさはｉ番目の層の
ニューロン数と同じになる。

この第２６図に示す各部のパラメータを前提に第２５図
の重み学習フローを本発明の第１実施例について説明す
ると、次のようになる。

まずＳｌで学習対象層を設定するカウンタを１をイニシ
ャライズする。具体的には第２６図に示したように６層
構造であることがらカウンタｉをｉ＝６に初期設定する
。この初期設定により第６層目のユニットが学習対象と
して指定される。

次に３２に進み、シグモイド関数ユニットか否か判定す
る。この場合、線形関数ユニットであることから８１４
に進み、最終段の階層か否か判定し、第６層目は最終段
であることから３１５に進み、そのとき得られている教
師信号ｄと制御出力ｙ６を使用して前記（２１）式と同
様な式に従つて差分値δ６を求める。

次に８６に進み、重みを学習するユニットか否か判定す
る。第６層は学習対象から除外されているため、具体的
には結線に設けられた学習調整器８０の学習フラグがオ
フとなっているため、Ｓ８に進んで重み値更新量ΔＷ６
５−０としてＳ９に進み、重み値Ｗ６５の更新を無効と
する。続いてＳ１２に進んで、カウンタｊがフェーズ１
の学習終了層Ｅ＝１か否か判定し、このときｉ＝６であ
ることから３１３に進んでカウンタｉを１つデクリメン
トしてｉ＝５としてＳ２に戻って次の第５層の学習に入
る。

第５層についても線形関数ユニットであることから８２
から８１４に進むが、最終段の階層でないことから３１
６に進み、前記（２２）式と同様な式に従って差分値δ
、を算出する。次に８６に進んで学習対象となっている
か否か判定し、フェーズ１で第５層は学習対象となって
いないことからＳ８に進んで、重み値更新量ΔＷ　５４
　＝　ＯとしてＳ９の重み更新を無効とする。以下同様
に、第５層の最終ユニットまで同じ処理を繰り返し、第
５層の処理が終わると第４層に進む。第４層も線形関数
ユニットであり、且つフェーズ１の学習対象から除外さ
れているため、第５層と同じ処理を繰り返す。

更に第３層の処理に進むと第３層はシグモイド関数ユニ
ットを使用していることから８２からＳ３に進み、最終
段の階層ユニットでないことから８５でシグモイド関数
ユニット固有の差分値δ３を前記（１７）式と同様の演
算式により求める。

この第３層もフェーズ１では学習対象となっていないた
め、Ｓ６から８８で重み値更新量ΔＷ３２０とした後、
Ｓ９の重み更新を無効とする。以下、第３層の最終ユニ
ットまで同様な処理を繰り返して第２層の処理に進む。

第２層はシグモイド関数ユニットであり、且つフェーズ
１で学習対象となっていることから８２゜Ｓ４を介して
Ｓ１６で前記（２２）式と同様な式に従って差分値δ２
を算出した後、Ｓ６から８７に進み、重み値更新量ΔＷ
２１を前記（１６）（１８）式と同様な式に従って算出
し、Ｓ９て重み値ΔＷ２１を前記（１９）式と同様な式
に従って更新する。以下同様に、第２層の最終ユニット
まで同じ処理を繰り返し、第２層の処理が終了すると第
１層の処理に進む。

第１層はシグモイド関数ユニットであり、フェーズ１の
学習対象となっていることから８２から８３を経てＳ５
に進み、シグモイド関数ユニット固有の差分値δ１を算
出し、Ｓ６から８７に進んで重み値更新量ΔＷ１０を求
め、Ｓ９で重み値更新量ΔＷ、。を加算して重み値Ｗ１
０を更新する。以下、第１層の最終ユニットまで同じ処
理を繰り返し、第１層の最終ユニットの処理が終了して
ＳＩＯから８１２に進むと、このときカウンタｉはｉ＝
１と終了層Ｅ＝１に一致していることから、全ての学習
が終了したことを判定してフェーズ１の処理を終了する
。

次にフェーズ２の重み学習処理を説明する。第１実施例
のフェーズ２にあっては、後件部メンバシップ関数実現
部１４に属する第５層を学習対象としている。このため
第２５図の３１２における学習終了層ＥはＥ＝５にセッ
トされる。

フェーズ２の重み学習が起動されるとフェーズ１の場合
と同様、第６層からの学習処理が開始され、第６層を終
了して第５層に進むと、第５層は学習対象となっており
、且つ線形関数ユニットであることから８１６で求めた
差分値δ、に基づきＳ７で重み値更新量ΔＷ、４を算出
し、Ｓ９で重み値Ｗ、４の更新を行なう。以下同様に、
第５層の最終ユニットまで処理を行なうとＳＩＯから８
１２に進み、このときＥ＝５にセットされていることか
ら、カウンタｉ＝５と一致することでフェーズ２におけ
る全ての階層の学習が終了したことを判定して一連の処
理を終了する。

次に本発明の第２〜第５実施例を説明する。

［第２実施例の学習処理］ 第２実施例は第２Ｂ図のステップＳ６に示すように、 ■ルール部１２ ■後件部メンバシップ関数実現部１４ の順番に重みを学習する。この重み学習に対応して、最
初に重みを学習するルール部１２については、ステップ
Ｓ２に示すように、予め持っている知識の導入に基づい
た重み値の初期設定、または乱数を用いてランダムに重
み値を初期設定、或いは両者を併用して重み値を初期設
定する。これに対し重みを学習しない前件部メンバシッ
プ関数実現部１０及び２回目に重みを学習する後件部メ
ンバシップ関数１４については、ステップＳＬ、Ｓ３に
示すように予め持っている知識の導入に基づいて重み値
を初期設定している。

ステップＳ５のフェーズ・グループ対応表の設定は第２
０図（ｂ）に示すようにフェーズ１でルール部１２に属
するニューロングループ番号Ｇｄ。

Ｇｅを設定し、フェーズ２で後件部メンバシップ関数実
現部１４に属するニューロングループ番号Ｇｆを設定し
ている。尚、グループ・結線対応表は第１実施例と同様
、第２０図（ｆ）に示すようになる。

以上の第２実施例の学習処理の詳細は前述した第１実施
例の説明から直ちに類推することができる。

この第２実施例によれば、ルール部１２の重みの学習後
に後件部メンバシップ関数実現部１４の重みを学習させ
ることにより、ルール部１２の重み学習の結果に合わせ
た後件部メンバシップ関数実現部１４の重み調整が可能
となる。

［第３実施例の学習処理］ 本発明の第３実施例にあっては、第２Ｃ図のステップＳ
６に示すように、 ■ルール部１２ ■前件部メンバシップ関数実現部１０ ■後件部メンバシップ関数実現部１４ の順番に重み学習を行なう。この重み学習の順番に対応
して、最初に重みを学習するルール部１２についてはス
テップＳ２に示すように、予め持っている知識の導入に
基づいて初期値を重み設定するか、または乱数を用いて
ランダムに重み値を初期設定するか、或いは両者を併用
して重み値を初期設定する。一方、２回目以降に重みを
学習する前件部メンバシップ関数実現部１０及び後件部
メンバシップ関数実現部１４についてはステップＳ１、
Ｓ３に示すように、予め持っている知識の導入に基づい
て重み値を初期設定する。

ステップＳ５で設定するフェーズ・グループ対応表は第
２０図（Ｃ）に示すように、フェーズ１でルール部１２
に属するニューロングループ番号Ｇｄ、Ｇｅが設定され
、フェーズ２で前件部メンバシップ関数実現部１０に属
するニューロングループ番号Ｇｂ、Ｇｃが設定され、更
にフェーズ３で後件部メンバシップ関数実現部１４に属
するニューロングループ番号Ｇｆが設定される。

この第３実施例によれば、ルール部１２及び前件部メン
バシップ関数実現部１０の重みの学習後、後件部メンバ
シップ関数実現部１４の重みを学習させることにより、
前件部メンバシップ関数実現部１０とルール部１２の重
み学習の結果に合わせた後件部メンバシップ関数実現部
１４の重み調整がてきる。

［第４実施例の学習処理］ 本発明の第４実施例にあっては、第２Ｄ図のステップＳ
６に示すように、 ■前件部メンバシップ関数実現部１０ ■ルール部１２ ■後件部メンバシップ関数実現部１４ の順番に重みを学習する。この重み学習の順番に対応し
て最初に重みを学習する前件部メンバシップ関数実現部
１０につき、ステップＳ１に示すように予め持っている
知識の導入に基づいて重み値を初期設定するか、または
乱数を用いてランダムに重み値を初期設定するか、或い
は両者を併用して重み値を初期設定する。また２回目以
降に重みを学習するルール部１２及び後件部メンバシッ
プ関数実現部１４については、ステップＳ２．Ｓ３に示
すように予め持っている知識の導入に基づいて重み値を
初期設定する。更にステップＳ５のフェーズ・グループ
対応表の設定は第２０図（ｄ）に示すようにフェーズ１
で前件部メンバシップ関数実現部１０に属するニューロ
ングループＧｂ。

Ｇｃを設定し、フェーズ２でルール部１２に属するニュ
ーロングループＣｙｄ、Ｇｅを設定し、更にフェーズ３
で後件部メンバシップ関数実現部１４に属するニューロ
ングループＧｆを設定する。

このような第４実施例の学習処理によれば、前件部メン
バシップ関数実現部１０とルール部１２の重みの学習後
に後件部メンバシップ関数実現部１４の重みを学習させ
ることにより、前件部メンバシップ関数実現部１０とル
ール部１２の両方の重み学習の結果を合せた後件部メン
バシップ関数実現部１４の重み調整ができる。

［第５実施例の学習処理］ 本発明の第５実施例は第２Ｅ図のステップＳ６に示すよ
うに、 ■前件部メンバシップ関数実現部１０とルール部■後件
部メンバシップ関数実現部１４ の順番に重みを学習する。この重み学習の順番に対応し
て最初に重みを学習する前件部メンバシップ関数実現部
１０及びルール部１２についてステップ３１．８２に示
すように予め持っている知識の導入に基づいた重み値の
初期設定するか、乱数を用いてランダムに重み値を初期
設定するか、さらには両者を併用して重み値を初期設定
する。−方、２回目の重み学習となる後件部メンバシッ
プ関数実現部１４についてはステップＳ３に示すように
予め持っている知識の導入に基づいて重み値を設定する
。更に、ステップＳ５のフェーズ・グループ対応表の設
定は第２０図（ｅ）に示すように、フェーズ１で前件部
メンバシップ関数実現部１０に属するニューロングルー
プＧｂ、Ｇｃとルール部１２に属するニューロングルー
プＧｄ、Ｇｅを設定し、フェーズ２で後件部メンバシッ
プ関数実現部１４に属するニューロングループＧｆを設
定する。

［その他コ 尚、上記の具体的な実施例は第５Ａ図に示したように２
つの制御入力Ｘｎ、Ｘ２を対象としたファジィルールを
実現するルール部プリワイヤニューロを例にとるもので
あったが、制御入力は１または３以上の適宜の入力数と
しても良いことは勿論である。また上記の実施例にあっ
ては、第６゜７図に示した ｙ＝１／　（１＋ｅ−””　）　　　　　　　（２３）
となるメンバシップ関数を例にとるものであったが、第
２７図に示すように２つのシグモイド関数ユニット９４
−１．９４−２のユニット出力を減算ユニット９６に与
えて同図（ｂ）の関数形状を実現するようにしても良い
。この場合のユニット出力ｙは ｙ＝１／（１−ｅ−”””　）　−１／（１−ｅ−ｗ２
”＃２）と表現することができる。

［発明の効果］ 以上説明してきたように本発明によれば、前件部メンバ
シップ関数実現部とルール部のいずれか一方または両方
の重みを学習した後に後件部メンバシップ関数実現部の
重みを学習させることにより、前件部メンバシップ関数
実現部とルール部のいずれか一方または両方の重み学習
の結果に合せた後件部メンバシップ関数実現部の最適な
重み調整が達成できる。

また予め持っている知識の導入に基づいた重み値の初期
設定により重み学習を容易に行なうことができる。

更に乱数を用いた重み値の初期設定又は予め持っている
知識と併用した重み値の初期設定によりニューロンネッ
トワークの機能を最大限に引き出した学習を行なうこと
ができる。

４、　ＩＩ！Ｊ面の簡単な説明 第１Ａ、ＩＢ、ＩＣ，ＩＤ、ＩＥ図は本発明の原理説明
図； 第２Ａ、２Ｂ、２Ｃ，２Ｄ、２Ｅ図は本発明の学習動作
フロー図； 第３図は本発明のルール部プリワイヤニューロの実施例
構成図； 第４図は基本ユニット説明図： 第５Ａ図は本発明のルール部プリワイヤニューロの具体
的な実施例構成図； 第５Ｂ図は第５Ａ図のニューロングループ及び結線グル
ープの説明図； 第６図は本発明の前件部メンバシップ関数実現部の初期
設定説明図； 第７図は前件部のメンバシップ関数説明図；第８図は本
発明のルール部初期設定説明図；第９図は本発明のルー
ル部ユニット説明図；第１０図は第９図のファジィルー
ル上１説明図；第１１図は第９図のファジィルール上２
説明図第１２図は第９図のファジィルール上３説明図；
第１３図は第９図のファジィルール上４説明図；第１４
図は第９図のファジィルール上５説明図；第１５図は第
９図のファジィルール上６説明図；第１６図は第９図の
ファジィルールヒフ説明図；第１７図は第９図のファジ
ィルールＬ８説明図；第１８図は本発明の後件部メンバ
シップ関数実現部の初期設定説明図； 第１９図は本発明の重心計算実現部の初期設定説明図： 第２０図は本発明のフェーズ・グループ対応表及びグル
ープ・結線対応表の設定説明図；第２１図は本発明の学
習処理フロー図；第２２図は本発明による学習処理の装
置構成図２第２３図は第２２図の結線毎に設けた学習調
整器構成図； 第２４図は一般的な階層ニューラル・ネットワーク説明
図； 第２５図は本発明の重み学習処理フロー図；第２６図は
第２５図の各部のパラメータ説明図；第２７図本発明に
用いる他のメンバシップ関数の説明図である。

図中、 １０：前件部メンバシップ関数実現部 １２、ルール部 １４：後件部メンバシラ １６：入力部 １８：重心計算実現部 ２０：基本ユニット ２２：乗算部 ２４：加算部 ２６：閾値処理部 プ関数実現部 ２８−Ｌ　２ｇ−２，３２−１〜３２−４．３８−１　
〜３ｇ−９４０−１４０−２＋線形関数ユニット ３０−１〜３Ｑ−２，３４−１〜３４−１１９４−１９
４−２　：シグモイド関数ユニット ４０：重心決定要素出力装置 ４２：重心算出装置 ５０：学習指示ユニット ５２：学習スケジューラ ５４：学習信号格納部 ５６：フェーズ・グループ対応テーブル５８ニゲループ
・フェーズ対応テーブル６０：学習収束判定部 ７０：学習ユニット ７２・学習指示読取部 ７４：学習フラグ設定部 ７６二重み変更部 ８０：学習調整器 ８２：フラグ保存部 ８４：重み変更情報読取部 ８６二重み変更量調整部 ８８二重み演算部 ９０：重み保存部 ９２：重み変更量保存部 ９６二減算ユニツト １００：ルール部プリワイヤニューロ

Claims (7)

【特許請求の範囲】
1. （１）前件部メンバシップ関数実現部（１０）、１又は
   複数階層でなるルール部（１２）、及び後件部メンバシ
   ップ関数実現部（１４）でなる階層ネットワークを有し
   、前記ルール部（１２）は前段の前件メンバシップ関数
   実現部（１０）及び又は後段の後件部メンバシップ関数
   実現部（１４）との間で全ユニット間を内部結合せずに
   制御ルールに従って一部を内部結合して成り、入力され
   る制御状態量（Ｘ＿１，Ｘ＿２，・・・Ｘ＿ｎ）に対応
   する１又は複数の制御操作量（Ｙ）を出力するルール部
   プリワイヤニューロの学習方法に於いて、 前記前件部メンバシップ関数実現部（１０）に予め持っ
   ている知識に基づき又は乱数を用いて重み値を初期設定
   すると共に、前記ルール部（１２）及び後件部メンバシ
   ップ関数実現部（１４）に予め持っている知識に基づい
   て重み値を初期設定する第１過程と； 学習データを使用して前記前件部メンバシップ関数実現
   部（１０）の重みを学習させる第２過程と；学習データ
   を使用して前記後件部メンバシップ関数実現部（１４）
   の重みを学習させる第３過程と；を備えたことを特徴と
   するルール部プリワイヤニューロの学習方法。
2. （２）前件部メンバシップ関数実現部（１０）、１又は
   複数階層でなるルール部（１２）、及び後件部メンバシ
   ップ関数実現部（１４）でなる階層ネットワークを有し
   、前記ルール部（１２）は前段の前件メンバシップ関数
   実現部（１０）及び又は後段の後件部メンバシップ関数
   実現部（１４）との間で全ユニット間を内部結合せずに
   制御ルールに従って一部を内部結合して成り、入力され
   る制御状態量（Ｘ＿１，Ｘ＿２，・・・Ｘ＿ｎ）に対応
   する１又は複数の制御操作量（Ｙ）を出力するルール部
   プリワイヤニューロの学習方法に於いて、 前記ルール部（１２）に予め持っている知識に基づき又
   は乱数を用いて重み値を初期設定すると共に、前記前件
   部メンバシップ関数実現部（１０）及び後件部メンバシ
   ップ関数実現部（１４）に予め持っている知識に基づい
   て重み値を初期設定する第１過程と；学習データを使用
   して前記ルール部（１２）の重みを学習させる第２過程
   と； 学習データを使用して前記後件部メンバシップ関数実現
   部（１４）の重みを学習させる第３過程と；を備えたこ
   とを特徴とするルール部プリワイヤニューロの学習方法
   。
3. （３）前件部メンバシップ関数実現部（１０）、１又は
   複数階層でなるルール部（１２）、及び後件部メンバシ
   ップ関数実現部（１４）でなる階層ネットワークを有し
   、前記ルール部（１２）は前段の前件メンバシップ関数
   実現部（１０）及び又は後段の後件部メンバシップ関数
   実現部（１４）との間で全ユニット間を内部結合せずに
   制御ルールに従って一部を内部結合して成り、入力され
   る制御状態量（Ｘ＿１，Ｘ＿２，・・・Ｘ＿ｎ）に対応
   する１又は複数の制御操作量（Ｙ）を出力するルール部
   プリワイヤニューロの学習方法に於いて、 前記ルール部（１２）に予め持っている知識に基づき又
   は乱数を用いて重み値を初期設定すると共に、前記前件
   部メンバシップ関数実現部（１０）及び後件部メンバシ
   ップ関数実現部（１４）に予め持っている知識に基づい
   て重み値を初期設定する第１過程と；学習データを使用
   して前記ルール部（１２）の重みを学習させる第２過程
   と； 学習データを使用して前記前件部メンバシップ関数実現
   部（１０）の重みを学習させる第３過程と；学習データ
   を使用して前記後件部メンバシップ関数実現部（１４）
   の重みを学習させる第４過程と；を備えたことを特徴と
   するルール部プリワイヤニューロの学習方法。
4. （４）前件部メンバシップ関数実現部（１０）、１又は
   複数階層でなるルール部（１２）、及び後件部メンバシ
   ップ関数実現部（１４）でなる階層ネットワークを有し
   、前記ルール部（１２）は前段の前件メンバシップ関数
   実現部（１０）及び又は後段の後件部メンバシップ関数
   実現部（１４）との間で全ユニット間を内部結合せずに
   制御ルールに従って一部を内部結合して成り、入力され
   る制御状態量（Ｘ＿１，ｘ＿２，・・・Ｘ＿ｎ）に対応
   する１又は複数の制御操作量（Ｙ）を出力するルール部
   プリワイヤニューロの学習方法に於いて、 前記前件部メンバシップ関数実現部（１０）に予め持っ
   ている知識に基づき又は乱数を用いて重み値を初期設定
   すると共に、前記ルール部（１２）及び後件部メンバシ
   ップ関数実現部（１４）に予め持っている知識に基づい
   て重み値を初期設定する第１過程と； 学習データを使用して前記前件部メンバシップ関数実現
   部（１０）の重みを学習させる第２過程と；学習データ
   を使用して前記ルール部（１２）の重みを学習させる第
   ３過程と； 学習データを使用して前記後件部メンバシップ関数実現
   部（１４）の重みを学習させる第４過程と；を備えたこ
   とを特徴とするルール部プリワイヤニューロの学習方法
   。
5. （５）前件部メンバシップ関数実現部（１０）、１又は
   複数階層でなるルール部（１２）、及び後件部メンバシ
   ップ関数実現部（１４）でなる階層ネットワークを有し
   、前記ルール部（１２）は前段の前件メンバシップ関数
   実現部（１０）及び又は後段の後件部メンバシップ関数
   実現部（１４）との間で全ユニット間を内部結合せずに
   制御ルールに従って一部を内部結合して成り、入力され
   る制御状態量（Ｘ＿１，Ｘ＿２，・・・Ｘ＿ｎ）に対応
   する１又は複数の制御操作量（Ｙ）を出力するルール部
   プリワイヤニューロの学習方法に於いて、 前記前件部メンバシップ関数実現部（１０）及びルール
   部（１２）に予め持っている知識に基づき又は乱数を用
   いて重み値を初期設定すると共に、前記後件部メンバシ
   ップ関数実現部（１４）に予め持っている知識に基づい
   て重み値を初期設定する第１過程と； 学習データを使用して前記前件部メンバシップ関数実現
   部（１０）及びルール部（１２）の重みを同時に学習さ
   せる第２過程と； 学習データを使用して前記後件部メンバシップ関数実現
   部（１４）の重みを学習させる第３過程と；を備えたこ
   とを特徴とするルール部プリワイヤニューロの学習方法
   。
6. （６）最初に重みを学習する部分の前記第１過程におけ
   る重み初期値の設定は、予め持っている知識で設定可能
   な重みは該知識で初期設定し、その他は乱数を用いて初
   期設定することを特徴とする請求項１乃至５記載のルー
   ル部プリワイヤニューロの学習方法。
7. （７）前記第１過程の重み値の初期設定後に行う各過程
   の学習開始時に、前記前件部メンバシップ関数実現部（
   １０）、ルール部（１２）及び後件部メンバシップ関数
   実現部（１４）の内、学習対象となっている部分の結線
   毎に設けられた学習フラグをオンすると共に、学習対象
   となっていない部分の結線毎に設けられた学習フラグを
   オフし、オン状態にある学習フラグを有する結線の重み
   値のみを学習処理により最適化することを特徴とする請
   求項１乃至５記載のルール部プリワイヤニューロの学習
   方法。