JPH0424737A - 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】 ［概要コ 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の
導入又は乱数の利用またはその併用で重み初期値を設定
した後、予め準備されたシステム学習データを使用して
ネットワーク全体を学習させるように構成する。

［産業上の利用分野コ 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０４７）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ニュ
ー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２ａｄｅｈ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Ｍａｑ＋ｎＬ
ａｎ１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ｒｌＦ−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
、 「目Ｉ、　ｉｓ　ｂｉｇ　ａｎｄ　！２ｉｓ　ｓｍａｌ
ｌ　ｔｈｅｎｈ　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、「ｘ、　ｉｓ　ｂｉ
ｇＪ　　の真理値＝０．８「ｘ２ｉｔ　ｓｍａｌｌＪ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　ｙ＋　
ｉｓ　ｂｌｇＪ、の適用値＝０．５ｒ　Ｔ＋　ｉｓ　ｂ
ｉｇＪ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部の図
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用型のフ
ァジィ制御システムを提案している（特願平２−６０２
５６号「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」）。

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でなる階層ネットワーク構造を有し、
ルール部１２の前段の前件部メンバシップ関数実現部１
０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
、、Ｘ２．　　・・・Ｘ７）に対応するｌ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
を対象とする。

このようなルール部プリワイヤニューロの学習方法とし
て本発明にあっては、 ［第１過程］ 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の各々に重み初期値
を設定する； ［第２過程］ 予め準備された学習データを使用して前件部メンバシッ
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の全てを学習させる； とする処理過程を備えた学習方法を構成する。

ここで第１過程の重み初期値の設定方法としては、予め
持っている知識（図中は「先験的知識」として示す）に
基づいて作成された重み初期値を設定する。

また第１過程の重み初期値の他の設定方法としては、乱
数を用いて作成された重み初期値を設定する 更に第１過程の重み設定は、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
て重み初期値を設定する。

更にまた、第２過程の学習開始時には、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でなる階層ネットワーク構造の結線
毎に学習の有無を決める学習フラグを設定し、結線に設
定された学習フラグに基づいて重み値を学習処理により
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、対象システムのファジィ制御ルールを実現する前
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成のルー
ル部プリワイヤニューロに対し、予め持っている知識に
基づいた重み初期値の設定又は乱数に基づいた重み初期
値の設定あるいは両者の併用を行なう。

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
し望ましい出カバターンとなる学習量カバターン（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学習をネット
ワーク全体について行う。

このようにルール部プリワイヤニューロ全体を同時に学
習させることにより、ネットワークの性能を最大限に引
き出した学習ができる。

また予め持っている知識を導入した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
部の重みの初期設定により、学習効率を高めることがで
きる。

更に、乱数を利用した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重みの初
期設定により、ネットワークの性能を最大限引き出すこ
とができる。

［実施例コ 第２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実施例としての処理手順を示した学習動作
フロー図であ。この第２図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
、及び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
部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
トワーク構造に特徴があり、内部結合を全て結線してい
るルール部全結合ニューロに対比されるものである。

第２図の学習処理にあっては、次のステップＳ１〜Ｓ６
から成る処理を行なう。

［ステップＳ１１ 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
予め持っている知識を導入して初期設定する。

［ステップＳ２コ 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予め持っている知識を導
入して初期設定する。

［ステップＳ３コ 後件部メンバシップ関数実現部１４の重みＣｅｌを与え
られたメンバシップ関数を実現するように予め持ってい
る知識を導入して初期設定する。

［ステップＳ４］ 重心計算実現部１８の重みＣｊｇを、重心計算を実現す
るように初期設定する。尚、第３図では後件メンバシッ
プ関数実現部１４に含まれている。

［ステップＳ５］ 学習処理を行なうフェーズ毎のグループ対応表（学習対
象となるニューロンのグループ、即ち階層を指定するテ
ーブル）及び各グループの結線対応表（ユニットのグル
ープに入力する結線のグループを示すテーブル）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。

以下、第２図の動作フローに示したステップ８１〜Ｓ６
のそれぞれに分けて詳細に説明する。

［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成
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
ットを構成しており、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図のルール部プリワイヤニューロにおける
基準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２０は多大力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２
２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　ｐ、＝Σｙ、ｈｗ、ｈ　　　　　　　　　　　（１
）Ｖｏｌ＝　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 Ｗ＋ｈ　：　ｈ　−ｉ層間の内部結合の重み値Ｘ□：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 Ｖｐｈ：ｐ番目パターンの入力信号に対するｈ層のｈ番
ユニットからの出力 ｙ、、：ｐ番目パターンの入力信号に対する１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図のルール部プリワイヤニューロに示した黒丸
の基本ユニットの閾値処理部２６が前記（２）式のシグ
モイド関数に従った閾値処理を行なう。

これに対し閾値処理部２６に ｙｐ　＋　＝　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の最初のユニットとなる入力部は除く。こ
の第４図の基本ユニットを構成するハードウェアとして
は特願昭６３−２１６８６５号の「ネットワーク構成デ
ータ処理装置」が使用できる。

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
Ｘ、、Ｘ２．　　・・・Ｘｎを入力とし、入力変数Ｘ１
〜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Ｘ、＆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Ｘ、〜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〜ＬＨ８−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（重心決定部を
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
算器等としてもよい。

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Ｘ、、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ＸＩ、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と各シグモイド関数ユニット３０−１〜３０−４の
出力を入力した同じく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、各シグモ
イド関数ユニット３４−１〜３４−８に対する前件部メ
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種の出力値（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
縮小した２種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、後件部メンバシップ関数
実現部１４からの出力の重付は総和を重心決定要素出力
装置４０に設けられた２つの線形関数ユニット４０−１
．４０−２のそれぞれで演算して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っであるが、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、本発明による学習対象からは除いており、
従って本発明の学習対象に入るニューロングループはＧ
ｂ、Ｇｃ、Ｇｄ、Ｇｅ及びＧｆの５つとなる。一方、各
二ニーロングループを結ぶ結線グループはＣａｂ〜Ｃ１
ｇの６つであり、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ツク・ツクプロパゲ
ーション法により修正する学習を行なうことから、結線
グループＣａｂ−Ｃｅｌが本発明による学習処理の対象
となる。

この第５Ａ、５Ｂ図に示した構成のルール部プリワイヤ
ニューロを対象とした第２図の動作フローによる学習処
理につき、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
定は第５Ｂ図に示す前件部メンバシップ関数実現部の結
線グループＣａｂ及びＣｂｃにおける各結線の重みを、
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３０−１．３
０−２より出力される出力値ｙはｙ＝１／　（１＋ｅ−
（Ｗ′ｔ−１１１）　　　　　　（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ｈ３０−１の入力結線
に重み値Ｗとして、Ｗに−２０ を設定し、且つシグモイド関数ユニット３０−１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３０２の入力結
線には重み値Ｗとして、 を設定し、同時にシグモイド関数ユニット３〇−２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Ｘ１に対するユニット出
力値ＸＩ　　（ＳＳ）、即ち制御人力Ｘが大きくなると
ユニット出力値ｘ、（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〉０　、　
　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Ｘ１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Ｘ１　（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・ント３０−１．
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３Ｃ１−２，３０−４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３図のルール部１２に対する重み値の初期設定は、第
５Ｂ図に示すルール部１２に含まれる結線グループＣｃ
ｄ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設定の具体
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　（第３図参照）は、右側に取り出して示
すファジィルールし１〜Ｌ８のそれぞれに対応している
。従って、８つのシグモイド関数ユニット３４−１〜３
４−８のそれぞれに対してはファジィルールし１〜Ｌ８
に従った前段に位置する前件部メンバシップ関数実現部
１０に設けられた線形関数ユニット３２−１〜３２−４
からの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１２に設けられる１つのシグモイド関
数ユニット３４を取り出して示したもので、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Ｘ、
、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−Ｗｘ＋　・Ｘ＋　＋Ｗｘ、・Ｘ２−〇　　　（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Ｗｘ、。

Ｗ！２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に対する入力結線に示す数値が重み初期値とし
て設定され、またシグモイド関数ユニット３４−１〜３
４−８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を設定したシグモイド関数ユ
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に対する重み及び閾値
の初期値設定により第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、閾
値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Ｃｅ４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の線形関数ユニット
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のユニット３８−１〜３８−９は、の
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
結線に対する重み値の初期設定は、ルール部１２のユニ
ット３６−１からの出力ｙ（ＳＳ）の結線重み値につい
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に従ってユニット３８−
１側からユニ・ン）３８−９側に重み値、 １、　１．　１．０．７５．０．５．０．２５．　０．
　０．　０を初期設定する。

逆にユニット出力Ｖ　（ＬＡ）を生ずるルール部１２の
線形関数ユニット３６−２からの結線については、特性
曲線４８に従ってユニット３８−１から３８−９に向け
て重み値、 ０、　０．　０．０．２５．０．５．０．７５．　１．
　１．　１を初期設定する。

更に線形関数ユニット３８−１〜３８−９は非線形閾値
処理を行なわず、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、ルール部の線形関数ユニット
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図に示す結線グループＣ１ｇ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Ｙ１．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
出力についての縮小されたメンノ（シ・ンプ関数の関数
和の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　ｇ「ａｄｅ（ｙ）ｙｄｙ　／　ｆ　ｇ＋ａｄ
ｅ（ｙ）ｄｙ　　　　（６）この（６）式を実現するた
め、線形関数ユニ・ン）４０−１に対する後件部メンバ
シ・ツブ関数実現部１４に設けた線形関数ユニット３８
−１〜３８−９からの結線に対する重み値として、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に対しては、制御出力
Ｙの最大値Ｙ＝１を起点に最小値Ｙ＝Ｏまでの間に０か
ら上記と同じ等間隔をもって、例えば−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・ソト出力値をＣ７〜Ｃ９と
すると、線形関数ユニット４０−１は、 Ｙｌ＝ＩＣ＋　＋０．８７５　Ｃ２＋（］、７５Ｃ３＋
０．６２５　　Ｃ４＋０．５　　Ｃ５＋０Ｊ７５　　Ｃ
６＋０．２５Ｃ，＋Ｏ，Ｉ２５　　Ｃ，＋ＯＣ９（７）
を出力し、また線形関数ユニット４０−２は、Ｙ１＝Ｏ
Ｃ，−０，＋２５　Ｃ２−０，２５Ｃ３０，３７５Ｃ４
０，５Ｃ６０，６２５Ｃ６−０，７５Ｃ，−０，８７５
Ｃ８＋ＩＣ９（８）を出力する。

線形関数ユニット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　　Ｙｌ　）　　　　　　　　（
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
、（９）式のＹは、（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Ｓ１〜Ｓ４に示したルール部ブリ
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］ 第２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（ｂ）に
示すグループ・結線対応表の設定の２つを行なう。

まず、フェーズ・グループ対応表は学習フェーズの進行
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。本発明にあっては、重み初期値の設定後に
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、全体の学習を行なう
ことから、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第５Ｂ図に示すニューロングル
ープＧｂ、Ｇｃ、Ｇｄ、Ｇｅ、’　Ｇｆの５つを設定す
る。

一方、グループ・結線対応表は、ルール部プリワイヤニ
ューロにおけるニューロングループＧａ〜Ｇｇと入力結
線グループの対応関係を設定するもので、第２０図（ｂ
）に示すようにニューロングループＧｂ−Ｇｇに対し入
力結線グループＣａｂ〜Ｃｇｌのそれぞれが対応付けら
れる（第５Ｂ図参照）。

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２図の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
ョン法により大刀結線の重み値を変更する学習を行なわ
せる。

［学習スケジューラの処理と構成］ 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。この動作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 ます、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、ルーレ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が接続される。また、学習ス
ケジューラ５２に対しては学習収束判定部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か設けられる。

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、重の変更情報読
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、学習フラグが有効
、即ちフラグオンとなっている結線に対してのみ重みの
変更、即ち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１０、ルール部１２及び後件部メンバシップ関数実現
部１４で成る階層ネットワーク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
状態でバックプロパゲーション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こ
とを監視している。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。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９２
にゼロを設定し、重み変更を無効とする。この学習スケ
ジューラを構成するハードウェアは特願昭６３−２２７
８２５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。

次に、第２１図の学習処理フローを参照して、第２２図
の装置構成に従った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、まずＳｌ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に格納されている対応
表を参照して学習フェーズｉ＝１に対応するニューロン
グループ番号を読み出す。本発明にあっては、フェーズ
１にルール部プリワイヤニューロ１００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の全てのニューロングループＧｂ
−Ｇｆが設定されている。

続いてＳ３に進み、ニューロングループ番号に対応した
結線番号をグループ・結線対応テーブル５８を参照して
読み出す。

続いてＳ４に進み、結線グループ番号を出力して結線グ
ループ番号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
結線グループ番号を出力し、学習指示読取部７２で結線
グループ番号を読み取って学習フラグ設定部７４に与え
る。学習フラグ設定部７４は学習指示を受けた結線グル
ープ番号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。

続いてＳ５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
習指示ユニット５０の学習信号格納部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、制御人力Ｘ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
習人力Ｘにより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７Ｃ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の誤
差が規定値以下となったとき学習終了を判定して学習処
理を終了する。

Ｓ５の学習実行指令に基づいて学習処理が終了すると、
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チエツクする。本発明の
学習処理にあっては、フェーズ１で終了することから、
そのまま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コ次に本発
明のパックプロパゲーション法による学習原理を階層型
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ロンネットワークを示
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図に示したように複数の各
々の入力に対し各々の内部結合の重みを乗する乗算部２
２と、乗算部２２の全乗算結果を加算する加算部２４と
、加算結果に閾値処理を施して１つの出力を出す閾値処
理部２６とをもっている。この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Ｗｉｈ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
トの出力に対し閾値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θｊ
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ｘｐ１°
Σｙｐｈｗ＋ｈ　　　　　　　　　　　（ＩＩＪに ｙｐ＋＝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。

Ｘ　ｐ＋＝　’Ｆ；　’ｌ　ＤＩＷＩＩ　　　　　　　
　　　　（１３）Ｖｐ＋＝１／　（１＋ｅｘｐ（ｘＨ）
　）　　　　　（１４）但し、 ｊ　：ｊ層のユニット番号 Ｗｌ、：ｉ−ｊ層間の内部結合の重み値Ｘ２，１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 Ｖ、ｉ：Ｉ）番目のパターンＣ）入力信号に対　る３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Ｖｐ＋と出カバターンＹ＋＋＋のとるべき信号である
教師パターンｄ□を受けると、両者の差分値 （（Ｌ＋−Ｖｐ＋） を算出し、次に δｐ＋−Ｖ＋＋　（１）’ＤＩ）　　（ｄ。＋　　５’
−１）　　　　（１５）を算出する。続いて、 ΔＷ、、（＋）＝εΣδｐｊｙ＋＋＋＋ζΔＷｕ（１−
１）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
δ１．を用いて δ。＋−Ｙｐ＋（Ｉ　　Ｙｐ＋）Σδ。＋Ｗ＋６（１−
１）　　　（１７）を算出し、次に ΔＷ＋ｈ（１）　＝εΣδｐｌｙＤｈ＋ζΔＷｌｈ（ｔ
−１）に従ってｈ層とｉ層の重み値の更新量△ｗ＋ｈ（
＋）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Ｖｐ＋が教師パターンｄ＋
＋Ｉ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
が線形ユニットであった場合には、前記（１４）式は Ｖ　、、＝　Ｘ　＋１　　　　　　　　’　　　　　　
　（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 δ、、＝　ｄ　ｐ＋　　３’　−＋　　　　　　　　　
　　（２１）δ、ｌ＝写む＋Ｗ＋１（ｔ　　１　）　　
　　　　　（２２）と表わされる。

［本発明の重み学習処理］ 第２５図は第３図に示した本発明のルール部プリワイヤ
ニューロに対しパックプロパゲーション法により行なう
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。また、学習対象となるの
は第１層から第５層までであり、最終段の重心計算実現
部１８における第６層は重み学習の対象から外される。

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制御値、即ち制御出力
値をｙ６としており、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
。この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ｉ＝６にセットされている
。更に説明を簡単にするため、Ｗ、、、、とΔＷ１．Ｉ
−１はマトリックスを示し、大きさは（ｉ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δｉ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
の重み学習処理フローを説明すると次のようになる。

まず、ステップ８１（以下「ステップ」は省略）で学習
対象層を設定するカウンタｉ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層構成であることか
ら、カウンタ１をｉ＝６に初期設定する。この初期設定
により第６層目が学習対象として指定される。

次に８２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Ｓ１４
に進み最終段の階層か否か判定し、６層目が最終段であ
ることから８１５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。このとき第６層は学習対象から外されているため、
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．をΔＷ６５＝０としてＳ９に進み、この場合、
６ｗ６．＝０であることから重み値Ｗ６５の更新は行な
わない。続いてＳ１２に進んでカウンタｉ＝１か否か、
即ち全ての階層の学習が終了したか否か判定し、このと
きｉ６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ｊ＝５とし、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Ｓ２
から８１４に進むが、最終段階層でないことから３１６
に進み、１つ前の６層の学習処理で得られた差分値δ６
と重み値Ｗ６．とから前記（２２）式と同様の式に従っ
て差分値δ、を求める。

次に８６に進んで学習対象となっているか否か判定し、
第５層は後件部メンバシップ関数実現部１４であること
から本発明にあっては学習対象となっており、従って８
７に進み、Ｓ７にあっては８１６で求められた差分値δ
６を使用して前記（１６）　、　　（１８）式と同様の
式に従って重み値更新量ΔＷ、４を算出する。続いてＳ
９に進んで算出した重み更新量ΔＷ、４を加算して重み
値Ｗ、４を更新する。

以下同様に、５層の全ユニットについて処理を繰り返し
、５層の処理が終了すると４層に進む。

４層も線形関数ユニットであることから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層にシグモイド関数ユ
ニットを使用していることから８２から８３に進み、最
終段の階層ユニットでないことから、Ｓ５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層も学習対象となって
いることから８６から８７に進んでＳ５で算出した差分
値δ３を使用して重み更新量ΔＷ３２を算出し、Ｓ９で
更新する。

この３層の最終ユニットまで同様な処理を繰り返し、２
層に進んで線形関数ユニットに関する学習処理を行ない
、更に第１層に進んでシグモイド関数ユニットに関する
学習処理を繰り返す。そして、第１層の最終ユニットの
処理が終了してＳ１０から８１２に進むと、このときカ
ウンタｉはｉ＝１となっていることから全ての階層の学
習が終了したことを判定して一連の処理を終了する。

［乱数を用いた重み初期設定コ 次に、第２７図の動作フロー図を参照して本発明の学習
方法の他の実施例を説明する。

第２７図の動作フロー図に示す学習処理にあっては、Ｓ
Ｌ、Ｓ２．Ｓ３で行なう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ＪＯ、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
期設定として、乱数を使用したことを特徴とする。それ
以外の８４゜Ｓ５．Ｓ６の処理は第２図の第１実施例と
同じになる。

具体的には、前件部メ、ンバシップ関数実現部１０につ
いては第６図に示したように、またルール部１２につい
ては第８図に示したように、更に後件部メンバシップ関
数実現部１４については第１８図に示したように、乱数
を用いてランダムに重みを初期設定する。勿論、シグモ
イド関数ユニットについては入力結線の重み値及び閾値
を乱数に基づいて設定し、線形関数ユニットについては
入力結線の重み値を乱数を用いて設定するようになる。

また部分的に予め持っている知識があるときには、この
知識に基づいた設定を行ってもよい。

［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
つの制御人力Ｘ、、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
してもよ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”ｉ／（１＋ｅ−ｗｘ”　）　　　　　　　　　（２
３）となるメンバシップ関数を例にとるものであったが
、第２８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）のシグモイド関数を実現するように
してもよい。この場合のユニット出力ｙは、 ｙ　＝Ｉ／（１−ｅ　″”ｘ−”　）　　−１／（１−
ｅ−ｗ２”ｅ２）と表現することができる。

［発明の効果コ 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、ルール部、後件部メンバシップ関数
実現部のそれぞれに予め持っている知識に基づく初期設
定または乱数を用いた初期設定またはその複合設定を行
なった後にルール部プリワイヤニューロ全体を学習させ
ることで、ネットワーク性能を最大限に引き出した効率
の良い学習が可能となり、任意のファジィ制御適応シス
テムに使用するファジィルール実現のためのより効率的
な結線の重み解析を実現することができる。

【図面の簡単な説明】

第１図は本発明の原理説明図； 第２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基本構
成を示した実施例構成図； 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
的実施例を示した構成図； 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Ｌ１説明図；第１１図は第９図のファジィルールＬ２
説明図；第１２図は第９図のファジィルールＬ３説明図
；第１３図は第９図のファジィルール上４説明図；第１
４図は第９図のファジィルールＬ５説明図；第１５図は
第９図のファジィルールＬ６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
ジィルール上８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；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図は本発明
の他の実施例を示した動作フロー図； 第２８図は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：後件部メンバシップ関数実現部 １−６二人力部 １８：重心計算実現部 ２０：基本ユニット ２２：乗算部 ２４：加算部 ２６二閾値処理部 ２８−１２８−２．３２−１〜３２−４．３８−１〜３
８−９．４０−１．４０−２　：線形関数ユニット ３０−１〜３０−２３４−１〜３４−８．９４−１．９
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・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　重み演算部 ９０、重み保存部 ９２：重み変更量保存部 ９６：減算ユニット

Claims (5)

【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）の前段の前件部メンバシップ関
   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）、ルール部
   （１２）、及び後件部メンバシップ関数実現部（１４）
   の各々に重み初期値を設定する第１過程と；予め準備さ
   れた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）、ルール部（１２）、及び後件部メンバ
   シップ関数実現部（１４）の全てを学習させる第２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）前記第１過程の重み初期値の設定は、予め持って
   いる知識に基づいて作成された重み初期値を設定するこ
   とを特徴とする請求項１記載のルール部プリワイヤニュ
   ーロの学習方法。
3. （３）前記第１過程の重み初期値の設定は、乱数を用い
   て作成された重み初期値を設定することを特徴とする請
   求項１記載のルール部プリワイヤニューロの学習方法。
4. （４）前記第１過程の重み設定は、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
   を用いて重み初期値を設定することを特徴とする請求項
   １記載のルール部プリワイヤニューロの学習方法。
5. （５）前記第２過程による学習開始時に、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）でなる階層ネ
   ットワークの結線毎に学習の有無を決める学習フラグを
   設定し、該結線に設定された学習フラグに基づいて重み
   値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記載のルール部プリワイヤニューロの学習方法。