JPH0424740A - 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、学習データを使用し
てまずルール部の重みを学習させ、ルール部の重み学習
が済んだ後に前件部メンバシップ関数実現部の重みを学
習させるように構成する。尚、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いし、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　ｘ、　ｉｓ　ｂｉｇ　ａｎｄ　ｌ２ｉｓ　ｓｍ
ａｌｌ　ｔｈｅｎｌｌｉｓ　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　Ｉ、　ｉｓ　ｂ
ｉｇＪ　　の真理値＝０．８「ｘ２ｉｓ　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　ｂｉｇＪの適用値＝０．５ｒ　ｙ、　ｉｓ　ｂｉ
ｇＪ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１４］ 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が効率良く
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．・・・Ｘｎ）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、 ［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］ 予め準備された学習データを使用してルール部１２の重
みのみを学習させる； ［第３過程コ 予め準備された学習データを使用して先験部メンバシッ
プ関数実現部１０の重みのみを学習させる； 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してもよい。

一方、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。

また第３過程による学習開始時には、前件部メンバシッ
プ関数実現部１０の結線毎に設けられた学習フラグをオ
ンすると共に、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、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
ルール部に対してのみ行う。

ルール部の重み学習が済んだならば、前件部メンバシッ
プ関数実現部に対し同じくパックプロパゲーション法に
よる重み学習を行なう。

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
を学習させた後で前件部メンバシップ関数実現を学習さ
せることで、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部部及び後件部メン
バシップ関数実現部の重みを有効に活かしながら、ルー
ル部の重み調整を行い、且つ前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ルール部の重みの初
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］ 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
習方法の一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。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
、後件部メンバシップ関数実現部１４及び重心計算実現
部１８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２図の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の
導入に基づいて初期設定する。

［ステップＳ３］ 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
いる知識の導入に基づいて初期設定する。

［ステップＳ４コ 重心計算実現部１８の重みＣｆｇ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各ニューロングループ
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。本発明では）ニーズ１でルール部１２の重
みを学習し、フェーズ２で前件部メンバシップ関数゛実
現部１０の重みを学習するようにフェーズ・グループ対
応表が設定される。

［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コ本発明の対象と
なるルール部プリヮイヤニュー口は、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　ｐ　Ｉ＝Σｙ、ｈＷ＋ｈ　　　　　　　　　　　　
（１）に ｙ　、、＝　１　／　（１＋　ｅ−”ｐ′−”　）　　
　　　（２）但し、 ｈ　７６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 θｌ　：ｉ層の１番ユニットの閾値 Ｗ＋ｈ：１１　　ｉ層間の内部結合の重み値ｘｐ、：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 ｙｐｈ：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−１：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Ｘ、
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
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）〜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１８を含む）は、出力変数のメンバシップ関数ｙ（Ｓ
Ａ）〜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、入力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１０は４つのシグモイド関数ユ
ニッｈ３０−１〜３０−４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
ルし１〜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）に基づいて同一操作量位置のメンバシップ関数
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の線形関数ユニッ）４０−１゜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ユニ一口につ
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、パ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−ＣｌＨ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
パックプロパゲーション法により学習する。

この第５Ａ、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Ｖ＝１／（１＋ｅ−１”−”）
　　　　　　（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ト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３
０−２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３０−２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〈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に示す制御出力Ｘ１に対するユニット出
力値ｘ１　（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　１（Ｌ　Ａ）　、即ち制御人力Ｘか大きい程ユニッ
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ット３０−１．３
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における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ト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。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１２の１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＝Ｗｘ、・Ｘ１＋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Ｗｘ、。

Ｗｘ□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）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Ｌｌ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）
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コ第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つのユニット３８−１〜３８−９は、
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。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３６−２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
ッ）３８−１側からユニット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。

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３８９側に向けて重み値、 ０、　０．　０．０．２５．　Ｑ、５　、０．７５．　
１．　１．　１を初期設定する。

更に線形関数ユニッ）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図の結線グループ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３８−１〜３８９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　ｇｔａｄｅ（ｙ）ｙｄｙ　／　ｆ　ｇｒａｄｅ
（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ト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〜Ｃ，とす
ると、線形関数ユニット４０−１は、 Ｙ　１　＝　Ｉ　Ｃ、＋０．８７５　Ｃ２＋０．７５Ｃ
３十〇、６２５　Ｃ４＋０．５　Ｃ５＋０．３７５　Ｃ
６＋０．２５Ｃ７＋　０．１２５　ＣＢ　＋　ＯＣ９（
７）を出力し、また線形関数ユニット４０−２は、Ｙｌ
”ＯＣＩ　　Ｏ，１２５Ｃ２０，２５Ｃ３−ＱＪ７５　
Ｃ４−θ、５　ｃ、　−０，６２５Ｃ６−０，７５Ｃ，
−０，８７５Ｃ８＋ＩＣ１（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−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Ｓ１〜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］ 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
を設定する。本発明にあっては、重み初期値の設定後に
ルール部１２、前件部メンバシップ関数実現部１０の順
番に重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にルール部１２に属するニューロ
ングループＧｄ、Ｇｅを学習対象グループとして設定し
、またフェーズ２に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を学習対象グル
ープとして設定する。

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−Ｃ１ｇとの対応関係を第２０図（ｂ
）に示すように設定する。

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重みの学習を実行する。

［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８
０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によリ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構成は特願昭６３−２２７８
２５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、まずステップ（以下「ステップ」は省略）
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を参照して学習フェーズｉ＝ｌに対応す
るニューロングループ番号を読み出す。

続いてＳ３に進み、ニューロングループ番号に対応した
結線グループ番号をグループ・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て読取らせる。学習支持読取
部７２からの読取結果を受けた学習フラグ設定部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、制御人カＸをルール部プリワイヤニューロ１０
０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、Ｓ
７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・ソ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
じであ名。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Ｗ
　ｉ　ｈ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ｘ　ｐｌ
＝Σ’Ｊ　ｐｈＷ　＋　ｈ　　　　　　　　　　　（Ｉ
ｆ）ｙ、、＝：　１／　（１＋ｅＸｐ（Ｘｐｌ）　）　
　　　（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。

Ｘｐｌ”ΣｙｐＩＷ目　　　　　　　　　　（１３）ｙ
、、＝　１／　（１＋ｅｘｐ（ｘｐ＋）　）　　　　（
１４）但し、 ｊ　：ｊ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１番ユニットへの入力の積和 Ｖｐ＋’ｌ）番目パターンの入力信号に対するｊ層の１
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”ｌ＋＋＋のとるべき信号で
ある教師パターンｄｐｉを受けると、両者の差分値 （ａｐｔ−ｙｐ＋） を算出し、次に δｐ＋＝Ｙｐ＋　（１３’ｐ＋）　　（ａｐｔ　　！−
＋）　　　　（１５）を算出する。続いて、 ΔＷ＋Ｉ（ｔｌ　　＝εΣδ、、ｙ、ｌ十ζΔＷ、（＋
−＋）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ΔＷＩ（１）を
算出する。ここで、前記（Ｉ６）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、１を用いて δ−＋＝　Ｖ　ｐｌ（１”ｊ　ｐｉ）Σδｏ＋ＷＩ＋（
ｔ−１）　　　（１７）を算出し、次に Δｗ＋ｈ（＋）　　＝εΣδｐ＋Ｖｐｈ＋ζΔｗｌｈ（
＋−ｔ）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（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−が教師パターンａｐｌ
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 Ｖ　ｐｉ　＝　Ｘ　ｐ　ノ　　　　　　　　　　　　　
　　　　　　　　　　　　　（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　ｐｉ　　Ｖ　ｐｌ　　　　　　　　　　
　（２１）δ、１＝写δ−＋Ｗｘ　（ｔ　　１）　　　
　　　　（２２）と現わされる。

［本発明の重み学習処理コ 第２５図は第５Ａ図に示した本発明のルール部プリワイ
ヤニューロに対しバ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、ルール部プリワイヤニューロから出力されるファ
ジィ推論値、即ち制御出力値をｙ６としており、１つの
フェーズでの学習処理は第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層６にセットされている。更に、
ルール部１２の重み学習を行なうフェーズ１にあっては
、ルール部１２の前段に位置する第３層の学習終了でフ
ェーズ１を終了する。また、前件部メンバシップ関数実
現部１０の重みを学習するフェーズ２にあっては、第１
層の学習終了で処理を終了する。

更にまた説明を簡単にするため、ｗｌ、ｌ−１とΔＷ、
、、−１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フェーズ１とフェーズ２に分
けて説明すると次のようになる。

■フェーズ１ フェーズ１はルール部１２に属する第３層と第４層のニ
ューロングループＧｄ、Ｇｅの入力結線の重みを学習す
る。

まずＳｌ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。第６層にあっては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する。第６層目
は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を使用して前記（２１
）式と同様の式に従って差分値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に進んで重み更新量Δ
Ｗ６．をΔＷｂ、”＝ＯとしてＳ９に進み、重み値の更
新は行なわない。続いてＳ１２に進んでカウンタｉが最
終学習層Ｅか否か判定する。フェーズ１にあっては最終
学習層は第３層目となり、第６層目の終了ではｉ＝６で
あることから、Ｓ１３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らＳ２
から８１４に進むが、最終段階層でないことから８１６
に進んで、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、
後件部メンバシップ関数実現部１４に属する第５層は学
習対象となっていないことから８８、Ｓ９を通ることで
重み値Ｗ５４の更新は行なわない。以下、第５層の最終
ユニットに達するまで同様の処理を繰り返す。

第５層の処理が終了すると第４層の処理に進む。

第４層はシグモイド関数ユニットを使用しており、且つ
ルール部１２にあることから学習対象とじて指定されて
いる。従って、Ｓ２からＳ１４を経てＳ１６で差分値δ
４を算出すると３６から８７に進み、Ｓ５で算出した差
分値δ３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を算出し、Ｓ９で前記（
１９）式と同様の式に従って重み値Ｗ４３を更新する。

以下、第４層の最終ユニットに進むまで同様な処理を繰
り返し、第４層の処理を終了すると第３層に進む。第３
層はシグモイド関数ユニットであり、且つルール部１２
に属していることから学習対象となっている。従って３
２．Ｓ３を介してＳ５に進み、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、Ｓ６から８７に進んでＳ５で算出した差分値δ
３を使用して重み更新量ΔＷ３□を算出し、Ｓ９で重み
値Ｗ、２を更新する。以下、第３層についてもＳ１０で
ユニット最終値が得られるまで同様な処理を繰り返す。

８１０で第３層の最終ユニットが判別されると、Ｓ１２
でｉカウンタの値がフェーズ終了を示す最終階層Ｅ＝３
であることから、フェーズ１の一連の学習処理を終了す
る。

■フェーズ２ フェーズ２にあっては、前件部メンバシップ関数実現部
１０に含まれる第１層及び第２層のニューロングループ
Ｇｂ、Ｇｃの結線グループ番号Ｃａｂ、　　Ｃｂｃの重
み値を学習する。この学習処理はフェーズ１の場合と同
様、第２６図の最終階層の第６層から前段の層に向けて
順次行なっていく。

そして、第６層から第３層までは学習対象から除かれて
いるため、８４，３５，８１５，８１６における差分値
δｉは計算するが、Ｓ７における重み更新量ΔＷは計算
されず、Ｓ８でΔＷ＝０として処理を続ける。

そして、第２層の処理に進んだときに、第２層は線形関
数ユニットであることから８１６で求められた差分値δ
２を使用してＳ７で重み更新量が求められて、Ｓ９で重
み値の更新が行なわれる。

第２層の重み学習が終了して第１層の処理に進むと、第
１層はシグモイド関数ユニットであることからＳ５で差
分値δ、を求め、Ｓ７で重み更新量を算出してＳ９で重
み値の更新を行なう。

第１層の最終ユニットの処理が終了すると８１０から８
１２に進み、Ｓ１２における終了階層Ｅはフェーズ２に
あってはＥ＝１にセットされているため、ｉ＝Ｅとなっ
てフェーズ２の処理を終了する。

［乱数を用いた重みの初期設定］ 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に対する重み値の初期設定として乱数
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。

この場合、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に対する重み値の初期設
定は、第２図の第１実施例と同様、予め持っている知識
の導入に基づいて行なっている。それ以外のステップＳ
４．Ｓ５．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
入力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＝１／　（１＋ｅ−ｗｘ”　）　　　　　　　（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９
４−１．９４−２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　−”ｘ−”　）　　−１／（］　
−ｅ　−ｗ２ｘ′”　）と表現することができる。

更に、第５Ａ図の後件部メンバシップ関数実現部１４は
初期値を固定的に設定して重みの学習は行なわないこと
から、プリワイヤニューロによらず通常のハードウェア
で構成してもよい。

［発明の効果］ 以上説明してきたように本発明によれば、ルール部の重
み値の初期設定は予め持っている知識の導入または乱数
を用いて行ない、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の重み値の初期設定は予め
持っている知識の導入に基づいて行ない、重み値の初期
設定後にまずルール部の重み学習を行ない、その後に前
件部メンバシップ関数実現部の重み学習を行なうことで
、予め持っている知識を導入して初期設定を行なった前
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
数実現部の重みを生かしながら、ルール部及び前件部メ
ンバシップ関数実現部の各重みをシステムに適合した最
適値に調整する学習を効率良く行なうことができ、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に、
より効率的な結線の重み解析を達成することができる。

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、乱数を利用したルール部の重みの初期設定または
予め持っている知識と乱数の併用による重みの初期設定
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。

【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Ｌ４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Ｌ７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；第２３図は第２２図の結線毎に設けた学習調
整署構成図； 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【−図； 第２８図は本発明に用いる他のメンバシップ関刻の説明
図である。 図中、 １０： １２＝ １４： １６： １８： 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 入力部 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 ２８−１．２８−２．３２−１〜３２−４．３８−］　
　〜３８−’１．４Ｌ１．４０−２線形関数ユニツ ３０−１〜３０−２．３４−１〜３４−８．９４−１９
４−２　：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 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：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 (6)

【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）、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；学習データ
   を使用して前記ルール部（１２）の重みのみを学習させ
   る第２過程と； 該第２過程終了後に学習データを使用して学習データを
   使用して前記前件部メンバシップ関数部（１０）の重み
   のみを学習させる第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
   定した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、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たこと
   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. （５）前記第２過程の学習開始時に、前記ルール部（１
   ２）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。
6. （６）前記第３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）の結線毎に設けられた学習フ
   ラグをオンすると共に、前記ルール部（１２）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。