JPH0424739A - 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
導入した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ルール部のみを学習させるよ
うに構成する。またルール部の重み初期値の設定は、乱
数を利用して行っても良いし、予め持っている知識と乱
数の併用でもよい。

［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Ｍａｑｍｄａ
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ｒｌＦ−ＴＨＥＮ〜
」 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　！、　ｉｓ　ｂｉｇ　ａｎｄ　ｌ２ｉｓ　ｓ＋
ｎａｌｌ　ｔｈｅｎ７、　　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　Ｉｔ　ｉｓ　ｂ
ｉｇＪ　　の真理値＝０．８「１２　ｉｓ　ｓｍａｌｌ
Ｊ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　７ｔ　
ｉｓ　ｂｉｇＪの適用値＝０．５ｒ　７＋目ｂｉｇＪ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」）。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、ルール部プリヮ、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．　　・・・Ｘｏ
）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の学習方法とし
て本発明にあっては、 ［第１過程コ 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過程コ 予め準備された学習データを使用してルール部１２のみ
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、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、ル
ール部１２に乱数を用いて作成された重み初期値を設定
し、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。更に第１過程に
おけるルール部１２の重み初期値の設定は、場合に応じ
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複合設定とし
でもよい。

更にまた、第２過程による学習開始時に、ルール部１２
の結線毎に設けられた学習フラグをオンすると共に、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１４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ルール部に対し予
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
を用いた重み初期値の設定、更には両者を併用した設定
を行ない、前件部メンバシップ関数実現部及び後件部メ
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
基づいた重み初期値の設定を行なう。

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、ルール部ブリワイ
ヤニューロからの出カバターンがか、入カバターンに対
し望ましい出カバターン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学習をルール
部に対してのみ行う。

このようにルール部プリワイヤニューロの内のルール部
のみを学習させることにより、予め持っている知識を導
入して初期設定を行った前件部メンバシップ関数実現郡
部及び後件部メンバシップ関数実現部の重みを有効に活
かしながら、ルール部の重み調整ができる。

また先見的知識を導入したルール部の重みの初期設定に
より、学習を容易にして効率を高めることができる。

更に、乱数を利用したルール部の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
フロー図である。２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成を有する。

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有し、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、予め持っている知識の導入に基づいて初期設定する
。

［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、予め持っている知識
の導入に基づいて初期設定する。

［ステップＳ３コ 後件部メンバシップ関数実現部１４の重みＣｅｆ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
ている知識の導入に基づいて初期設定する。

［ステップＳ４］ 重心計算部１８の重みＣｃｌを、重心計算を実現するよ
うに初期設定する。

［ステップＳ５コ 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二ニーロングループの
入力結線を示すグループ・結線対応表の設定を行なう。

本発明にあっては、ルール部１２のみの学習を行なうこ
とから、グループ対応表としてはルール部１２に属する
ニューロングループＧｄ、Ｇｅのみを設定する。

［ステップＳ６コ 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図の学習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図は基本ユニットの構成を示す。

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の各乗算結果を
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は次の（１）式の演算を実行し、また
閾値処理部２６は次の（２）式の演算を実行する。

Ｘ　ｐ　Ｉ＝　Ｉ’ｌ　、ｈｗ　ｌ　ｈ　　　　　　　
　　　　　　（１）ｙｐ＋＝１／　（１＋　ｅ−”’　
”’　）　　　　　　　（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間の内部結合の重み値ｘ、ｌ：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 Ｔｐｈ：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 ｙ□：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 ｙ、、＝ｘｐ。

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なる入力部のユニット
は単に入力を２つに分離することから、必ずしも線形関
数ユニットを使用する必要はない。

この第４図の基本ユニットのハードウェア構成は特願昭
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
Ｘ、、Ｘ２．　　・・・Ｘｎを入力とし、入力変数ＸＩ
〜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　１＆　Ｘ　２　　（Ｓ　Ａ　） 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　、（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
Ｈ３−１〜ＬＨ８−ｎを入力として出力変数のメンバシ
ップ関数ｙ　（ＳＡ）〜Ｖ　（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、制御人力Ｘ、、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４つの線形関数ユニッ）３２−１〜３
２−４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し１〜Ｌ
８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に対し前件部メンバシップ関数実現部１０からは各フ
ァジィルールし１〜Ｌ８の記述に従った入力結線が行な
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
ァジィルールし１〜Ｌ８に従った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（または拡大）した２つのメンバシップ
関数の関数和を同−操作量位置毎に算出する。

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。線形関数ユニット４
０−１．４０−２は後件部メンバシップ関数実現部１４
からのユニット出力に対し所定の重み付は総和を演算し
て２つの重心算出要素Ｙ　１．　Ｙ　２を求める。重心
算出装置４２は重心決定要素出力装置４０で求められた
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に使用され
る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過ぎな
いことから、パックプロパゲーション法による学習対象
からは除いている。従ってパックプロパゲーション法に
よる学習対象となるニューロングループはＧｂ−Ｇｆの
５つとなる。このような学習対象となるニューロングル
ープＧｂ−Ｇｆにつき本発明にあってはルール部１２の
みの学習を行なうことから、ルール部１２に属するニュ
ーロングループＧｄ、Ｇｅのみが学習対象となる。一方
、各二ニーロングループＧａ−Ｇｆを結ぶ結線グループ
はＣａｂ−ＣｆＨの６つで、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修正する学習を行なうことから
、本発明の学習処理にあっては、学習対象となるルール
部１２に属する結線グループＣｃｄ、　　Ｃｄｅに属す
る重み値が学習対象となる。

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］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５図に示す結線グループ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
するように予め持っている知識の導入に基づいて初期設
定する。

第６図は第５Ｂ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Ｘ、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
に重み値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
３０−２の入力結線には重み値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〈０　
　　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に示す制御人力Ｘ１に対するユニット出
力値Ｘ、（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を
もつ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Ｘ、（ＬＡ）も大きくなる
という関数形状をもつメンバシップ関数の真理値の算出
機能を設定することができる。

この第６図に示すシグモイド関数ユニット３〇−１〜３
０−２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に設けた残りのシグモイド関
数ユニット３０−３．３０−４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
識に基づいて重み値の初期設定を行なう。尚、上記の説
明がら明らかなように、本発明における重み値の設定と
は入力結線の重み値及びユニットの閾値の両方の設定を
意味する。

［ルール部の初期設定コ 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Ｃｃｄ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）３４−
１〜３４−８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。このため、８つ
の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１ｏ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３４１〜３
４−８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（ＴＨＥＮ）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とに基づくファ
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、
、Ｘ、が入力し、積和演算及び閾値処理により出力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ｙは、 ５＝Ｗｘ１・Ｘ、＋Ｗｘ□・Ｘ２−θ　　　（４）ｙ＝
１／　（１＋ｅ−’）　　　　　　　　　　　　（５）
として算出される。この（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
ｈ３４−１〜３４−８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
３４−１〜３４−８の下側に示す数値が閾値として設定
される。

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３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）３６
−１．３６−２に対する入力結線の重み値は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る
ことから閾値θ＝０が設定されている。

［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Ｃｅｆ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より図示のように入力結線が行なわ
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０〜１の範囲の点に等
間隔に対応している。ット３８−１〜３８−９に対する
入力結線の重み値初期設定は、ルール部１２のユニット
３６−１からの出力ｙ（ＳＳ）の入力結線の重み値につ
いては横軸を制御出力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
ユニット３８−９側に重み値 １、　１．　１．　（１，７５，０，５、０，２５，０
，０，０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側に向けて逆となる重み値０、　　Ｏ，０，
０，２５，［１，５、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は線形閾値
処理であることから、閾値θはθ＝０を設定する。

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
を初期設定することにより拡大することもあり得る。

［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Ｃ１ｇに属する各結線に
対し重心計算を実現するように重み値を初期設定する。

第１９図は重心計算実現部１８の重心決定要素出力装置
４０に対し行なわれる重心計算を実現するための重み値
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）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に設けた９つの線形関数ユ
ニット３８−１〜３８−９のそれぞれが入力結線される
。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の
初期設定が行なわれる。

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
出力について縮小されたメンバシップ関数の関数和の図
形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（ｒ）Ｆｄｙ　／　ｆ　ｇｔａｄ
ｅ（ｙ）ｄｙ　　　　　　（６）この（６）式を実現す
るため、線形関数ユニッ）４０−１に対する後件部メン
バシップ関数実現部１４の線形関数ユニット３８−１〜
３８−９からの入力結線に対する重み値として、制御出
力Ｙの最小値Ｙ＝Ｏを起点に最大値Ｙ＝１まで等間隔を
もってＯから増加する重み値を図示のように割り付ける
。一方、線形関数ユニット４０−２の入力結線に対して
は、制御出力の最大値Ｙ＝１を起点に最小値Ｙ＝０まで
の間に上記と同じ等間隔をもって、例えば０から−１に
減少する重み値を図示のように割り付ける。

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〜Ｃ，とす
ると、線形関数ユニット４０−１は Ｙ１＝ＩＣ１＋０．８７５　Ｃ２＋０．７５Ｃ３＋０．
６２５　Ｃａ　＋０．５　Ｃ５＋０．３７５　Ｃ６＋０
．２５Ｃフ　＋０．１２５　　Ｃｓ　　＋　ＯＣ９（７
）を出力し、また線形関数ユニット４０−２はＹ＋　＝
ＯＣ＋　　０．１２５　Ｃ２０，２５Ｃ３−０，３７５
Ｃ４−０，５Ｃ５−０，５２５Ｃ６０、７５Ｃ７０，８
７５Ｃ８＋Ｉ　Ｃ９を出力する。線形関数ユニット４０
−１，４０２から出力される重心導出値Ｙ　’、　、　
Ｙ　２は重心算出装置Ｙ２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
、（９）式のＹは（６）式のＹと一致することがわかる
。

以上の処理により第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。

［学習スケジューラの設定コ 第２図の８５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。

フェーズ・グループ対応表は学習フェーズの進行に対し
各学習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、初期値の設定後にルール
部１２のみ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ルール
部１２に属する第５ＢのニューロングループＧｄ及びＧ
ｅの２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
ーロにおける各二ニーロングループＧａ〜Ｇｇと入力結
線グループＣａｂ−Ｃｆｇの対応関係を示すもので、第
５Ｂ図に従って第２０図（ａ）に示すように設定される
。

このようなフェーズ會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ルール部１２の重み値（ユニット閾
値を含む）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。この処理フロー図は、例えば第２
２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成る学習信号を
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
テーブル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８
０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９０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
ァジィルールを実現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
階層ネットワークを実現する際にも使用できる。

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法により実際に重みを学
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は重み変更部７６の重み変更量保存部９２に対し
重み演算部８８に対し重みの変更量が書き込まれるか否
か監視している。重み変更情報読取部８４が重み変更量
の書込みを検知すると、検知結果を重み変更量調整部８
６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、
重み演算部８８より有効に重み変更量保存部９２に対し
演算された重み変更量が書き込まれる。

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９２にゼロを設定
し、重み変更を無効とする。

この学習ユニットのハードウェア構成は特願昭６３−２
２７８２５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２２．２３
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、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に格納されている対応表を参照し、学習フ
ェーズｉ＝１のニューロングループ番号Ｇｄ、Ｇｅを読
み出す。

続いてＳ３に進み、ニューロングループ番号Ｇｄ、Ｇｅ
に対応した結線グループ番号Ｃｃｄ、　　Ｃｄｅ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Ｃｃｄ、　　Ｃｄ
ｅを出力して結線グループ番号Ｃｃｄ、　　Ｃｄｅ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５ｏ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Ｃｃｄ、　　Ｃｄｅを出力して読み取
らせる。学習指示読取部７２からの読取情報を受けた学
習フラグ設定部７４は結線グループ番号Ｃ−ｃｄ、　　
Ｃｄｅ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
習信号格納部５４に準備されている制御入力と、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６゜に与える。そして、制御人力Ｘ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６ｏ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では教
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
たときに学習終了を判定して学習処理を終了させる。

Ｓ５の学習実行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、このま
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］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、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図では入力層としての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。尚、中間層として
のｉ層は１層を示しているが、複数の中間層があっても
同じである。各ユニットは第４図の基本ユニットに示し
たように、複数の各入力に対し各々の内部結合の重みを
乗する乗算部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を備える。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Ｗｌｈと閾値θ１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Ｗｌｈと閾値
θ１との調整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θ１を重み値として割
り付けることで、閾値θ１を重み値Ｗｌｈの中に組み込
んで閾値を重み値として取り扱うことのできるパックプ
ロパゲーション法を提案している（特願昭６２−３３３
４８４号）。

このようにすることで、前記（１）（２）式は、ｘｐｌ
＝Σ’ｊ　９層ｗ　ｌ　ｈ　　　　　　　　　　　（Ｉ
　］）ｙｐ＋＝１／（ｉ＋ｅｘｐ（−’Ｌ＋））　　　
’　　（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）式で得られる。

Ｘ、、＝Σ７，１ｗ、Ｉ　　　　　　　　　　　（１３
）ｙｐ＋＝１／　（１＋ｅｘｐ（−Ｘ？Ｉ）　）　　　
　（１４）但し、 Ｊ　Ｓ１層のユニット番号 Ｗ、、：ｉ−ｊ層間の内部結合の重み値Ｘ□コｊ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 ｙ□Ｓｐ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３’ｐ＋と出カバターン’ｌｖ＋のとるべき信号で
ある教師パターンＬ＋を受けると、両者の差分値 （ｄｐｔ　　ｙ□） を算出し、次に δｐ＋＝３’ｐ＋　（１−ｙｐ＋）　　（ｄ。ｒ　　Ｖ
−Ｊ　　　　（１５）を算出する。続いて Δ”＋＋（１）　＝εΣδｐ＋Ｖｐ＋＋ζΔＷ１１（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、（＋）を
算出する。ここで、前記（１６）式の右辺第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関わる
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、重み変更部７６は前記（１５）式で算出したδ
１を用いて δｐ＋＝’５’ｐ＋（１”ｆ。１）Σδ、、ｗ、、　（
＋−１）　　　（１７）を算出し、次に Δｗ＋ｈ（＋）　　＝εΣδｐｌＹｐｈ＋ζΔＷｌｈ（
１−１）に従ってｈ層とｉ層の重み値の更新量Δｗ＋ｈ
（＋）を算出する。

続いて、重み変更部７６は前記（１６）式及び（１７）
式で算出した更新サイクル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Ｙｐ＋が教師パターンｄ＋
＋Ｉに一致する重み値（実際には誤差か規定値以下とな
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 ｙ２．＝工ｐｉ　　　　　　　　　　　　　　（２０）
と表わされる。この線形関数ユニットにおける前記（１
５）式及び（１７）式は δ−＋＝　ｄ　ｐ＋　　Ｖ　＝＋　　　　　　　　　　
　（２１）δ、Ｉ＝苓δＩＷＨ（ｔ　　１　）　　　　
　　（２２）と表わされる。

［本発明の重み学習処理］ 第２５図は第５Ａ図に示した本発明のルール部プリワイ
ヤニューロにおけるルール部に対しバックプロパゲーシ
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。また、学習対象となるの
はルール部１２に属する第３層及び第４層のみとなる。

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が、第１層、２層の学習は不要
であることから第３層で学習を終了する。学習処理層は
ｉカウンタで示され、初期状態でｉカウンタはｉ層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は
マトリックスを示し、その大きさ（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しになる。

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Ｓｌで学習対象層を設定するカウンタ丁をイニシャ
ライズする。具体的には、第２６図に示したように６層
構造であることから、カウンタｉをｉ層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Ｓ２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と制御信号ｙ６とを使用して前記（２１）式と
同様の式により差分値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に進んで重み更新量Δ
Ｗ６．をΔＷ６５＝０としてＳ９に進み、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＝３か否か、即ち学習
対象となったルール部前段に位置する第３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８１
３に進んでカウンタｉを１つデクリメントしてｉ＝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８２
から３１４に進むが、最終段階層でないことから８１６
に進み、１つ前の第６層目の学習処理で得られた差分値
δ６を使用して前記（２２）式と同様の式に従って差分
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、
第５層は学習対象から外されているため、以下第６層と
同様に最終ユニットに達するまで８１６の差分値演算を
繰り返す。

続いて第４層の学習に進むと、線形関数ユニットである
ことから８２から８１４に進み、最終段でないことから
、Ｓ１６で差分値δ４を算出する。

続いてＳ１６に進み、学習対象となっているか否か判定
し、第４層目はルール部１２に属し、学習対象であるこ
とから８７に進む。Ｓ７にあっては、Ｓ１６で求められ
た差分値δ４を使用して前記（１６）、（１８）式と同
様の式に従って重み更新量ΔＷ４３を算出する。続いて
Ｓ９に進んで算出した重み更新量ΔＷ４３を用いて前記
（１９）式と同様の式に従って重み値Ｗ４３を更新する
。以下同様に、第４層の全ユニットについて処理を繰り
返し、第４層の処理が終わると第３層に進む。

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８３に進み、最終段の階層ユニットではない
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層もルール部１２に属し、学習対象となっている
ことがらＳ６からＳ７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。

以下、第３層の最終ユニットまで同様な処理を繰り返し
、第３層の処理を終了すると３１２てｉ３となっている
ことから全ての学習処理が終了したことを判定して一連
の処理を終了する。

［乱数を用いたルール部の重み値初期設定］次に第２７
図の学習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図に示す学習処理にあっては、ステップＳ２で行
なうルール部１２の重みＣｃｄ、　　Ｃｄｅを第２図の
実施例に示したように先験的知識の導入ではなく、乱数
を用いてランダムに重み値を初期設定するようにしたこ
とを特徴とする。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。

このルール部１２の乱数による初期設定に対し、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に対する重み初期設定は第２図の実施例と
同様、予め持っている知識（先験的知識）の導入に基づ
いて設定する。

それ以外のステップＳ４．Ｓ５及びＳ６の処理について
は第２図の第１実施例と同じである。

［その他］ 尚、上記の実施例は第５Ａ図に示したように２つの制御
人力ＸＩ、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＝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
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＝　１／（１−ｅ−ＷＩＸ″Ｉｌｌ　）　　ｌ／（１
，ｅ−Ｗ２Ｘ′、＃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、ルール部に対
しては予め持っている知識または乱数を用いた重み初期
値の設定あるいは両者を併用した設定を行ない、一方、
前件部メンバシップ関数実現部及び後件部メンバシップ
関数実現部には予め持っている知識に基づく重み値の初
期設定を行なった後にルール部のみを学習させることで
、前件部メンバシップ関数実現部及び後件部メンノくシ
・ツブ関数実現部の重みを生かしながらルール部の重み
の調整を効率良く学習でき、任意の制御システムをファ
ジィルールにより実現する際の効率的な結線の重み解析
を実現できる。

また、乱数を利用した重みの初期設定または予め持って
いる知識と乱数との併用による重みの初期設定でネット
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上５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ロン・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 １６二人力部 １８：重心計算実現部 ２０：基本ユニット ２２：乗算部 ２４：加算部 ２６：閾値処理部 ２８−１２８−２．３２−］〜３２−４．３８−１〜３
ｇ−９，４０−１，４０−２線形関数ユニツ ３０−１〜３０−２．３４−１〜３４−８．９４−１．
９４−２　：シグモイド関数ユニッ 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 ト ト 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コ学習ユニツト 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：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 １００：ルール部プリワイヤニューロ

Claims (1)

1. 【特許請求の範囲】 （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）、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；（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）前記第１過程の重み初期値の設定は、前記ルール
   部（１２）に乱数を用いて作成された重み初期値を設定
   し、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しことを
   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）前記第１過程におけるルール部（１２）の重み初
   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記載のルール部プリワイヤ
   ニューロの学習方法。 （５）前記第２過程による学習開始時に、前記ルール部
   （１２）の結線毎に設けられた学習フラグをオンすると
   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）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記載のルール部プリワイヤニ
   ューロの学習方法。