JPH0424743A - 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、まず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
部の少なくとも１つの重みを学習した後、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、最初に重みを学習する部分に対する重み値の初期設
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
、 ［目１、　ｉｓ　ｂｉｇ　ａｎｄ　！２　ｉｓ　ｓｍａ
ｌｌ　ｔｈｅｎＴ＋　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　Ｉｆ　ｉｓ　ｂ
ｉｇＪ　　の真理値；０．８［１２ｉｓ　ｓｍｘｌｌＪ
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＝０．５「ｙ１＋ｓ　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′貞で
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
５’６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おこな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＋００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１０通りの学習方法で
構成される。

■請求項１； ［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（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］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の重みを学習させる；［第３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
全体の重みを学習させる； 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］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の全体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前件部メンバシップ
関数実現部１０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
の全体の重みを学習させる： 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］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の重みを学習させる；
［第３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４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の全体の重みを学習させる； ように構成する。

■請求項５ ［第１過程］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１４に予め持っている知識に基づいて重の値
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の全体の重みを学習させる； ように構成する。

■請求項６； ［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］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１４の重みを学習させる；［第４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
全体の重みを学習させる； ように構成する。

■請求項７ ［第１過程］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］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１４の重みを学習させる［第４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
体の重みを学習させる： ように構成する。

■請求項８ Ｕ第１過程］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１４に予め持っている知識に基づいて重み値
を実現部１０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］学習データを使用して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５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、ルール部１２及び後件部メンバシップ関数実現
部１４の全体の重みを学習させる■請求項９ ［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］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４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１４の重みを学習させる；［第５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
全体の重みを学習させる； ように構成する。

■請求項１．０ ［第１過程］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］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１４の重みを学習させる；［第４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
全体の重みを学習させる； ように構成する。

以上の■〜０の学習方法に於いて、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してもよい。更に第１過
程の重み値の初期設定を行った後の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。

［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、ルール部及び後件部メンバシップ関数実
現部の内、最初に重みを学習する部分については予め持
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を行ない、２回目以降に重みを学
習する部分に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かが、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
行う。

この重み学習は、最終的にプリワイヤニューロ全体の重
みを学習するものであり、最終段階の重み学習に先立ち
次の■〜０の重み学習が前段階で行われる。

■前件部メンバシップ関数実現部のみ行う；■ルール部
のみ行う； ■ルール部→前件部メンバシップ関数実現部の順番に行
なう； ■前件メンバシップ関数実現部→ルール部の順番に行う
； ■前件部とルール部を同時に行う； ■前件部メンバシップ関数実現部−後件部メンバシップ
関数実現部の順番に行う； ■ルール部→後件部メンバシップ関数実現部の順番に行
う； ■ルール部−前件部メンバシップ関数実現部−後件部メ
ンバシップ関数実現部の順番に行う；■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
現部の順番に行う；［相］前件部メンバシップ関数実現
部及びルール部を同時に行い→次に後件部メンバシップ
関数実現部を行う； このように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少なくとも１つの部
分の重みを学習した後に、最終的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、前段階で学習された
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少なくとも１つの重みの学習結
果に合わせたルール部プリワイヤニューロ全体の重みの
再度調整ができる。

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、学習が容易にて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。

［実施例コ 第２Ａ図〜第２Ｊ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１０実施例の各
処理手順を示した学習動作フロー図である。この第２Ａ
〜２Ｊ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〜２１図に示した第１〜第１ｏ実施例の学習処理
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１ｏの重みＣａｂ。

Ｃｂｔ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
うに重みを初期設定する結線の結線グループ番号である
。

［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］ 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スるように初期設定す
る。

［ステップＳ４］ 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。

以上のステップ８１〜Ｓ６から成る学習処理において、
ステップ８１〜Ｓ３の重み値の初期設定は、各実施例毎
に次のようにしている。まずステップＳ６の学習スケジ
ューラの起動により最初に重み学習を行なう部分、即ち
フェーズ１で重みを学習する部分については予め持）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
数を用いたランダムな重み値の初期設定を行なう。一方
、２回目以降（第２フエーズ以降）で重みを学習する部
分については予め持っている知識の導入に基づく重み値
の初期設定のみを行なう。

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５におけるフェーズ・グループ対応表の設
定は、各実施例におけるステップｓ６の学習フェーズの
変更に従って固有のフェーズ・グループ対応表が設定さ
れる。一方、グループ・結線対応表の設定は全ての実施
例について共通に設定される。

更にステップＳ６の重み学習の実行にあっては、全ての
実施例において重み学習の最終段階、即ち最後のフェー
ズでニューロン全体の重み学習、即ち前件部メンバシッ
プ関数実現部１ｏ１ルール部１２及び後件部メンバシッ
プ関数実現部１４の全体の重みを学習する点で共通して
いる。この最終フェーズで行なうニューロ全体の重み学
習に対し、前段の重み学習については各実施例固有の重
み学習を行なうようにしている。

以下、第２Ａ図の第１実施例の学習動作フローを例にと
ってステップＳ１〜Ｓ６のそれぞれに分けて本発明の学
習方法を詳細に説明する。

［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。

ｘ１、＝ΣＶｐｈＷ＋ｈ　　　　　　　　　　　　（１
）ｙ　１、＝＝　１　／　（１＋　ｅ−ＣｘｐＩ−θ”
　）　　　　　　（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 θｌ　：ｉ層の１番ユニットの閾値 Ｗ１、：ｈ−ｉ層間の内部結合の重み値ｘ１、：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：Ｉ）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□ｚｐ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 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 Ｖ　ｐ　１＝　Ｘ　ｐ 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
Ｘ１、Ｘ２．　　・・・Ｘｎを入力とし、入力変数Ｘ、
〜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ｘ１〜Ｘｎのメンバシップ関数Ｘ、（ＳＡ）
　〜Ｘｎ　（ＬＡ）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Ｘ１、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Ｘ１、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（４つの線形関数ユニット３２−１〜３２
−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）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Ｙ１、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Ｙ１
、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・−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
Ｇａ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ブリワイヤ
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’！　＝　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３〇−２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３０２に閾値
θとして、 θ＝１０ を設定する。尚、線形関数ユニッ）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Ｘ、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
Ｘｌ　　（ＬＡ）　、即ち制御人力Ｘか大きい程ユニッ
ト出力値Ｘ、（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。

ここて第８図のルール部１２におけるシグモイド関数ユ
ニット３１−１〜３４−８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（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＝Ｗｘ１・Ｘ１＋Ｗｘｌ−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Ｗア、。

Ｗｘ７及び閾値θを任意に設定することで適宜の関敵影
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）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に従ってユニット３８−１
側からユニット３８−９側に重み値、 １、　１．　１．　Ｑ、７５．０．５．　Ｑ、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側に向けて重み値
、 ０、　　Ｏ，０，０，２５，０，５、０，７５，１，１
，］。

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　ｇｒａｄ
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〜Ｃ９とす
ると、線形関数ユニット４０−１は、 Ｙ　１　＝　Ｉ　Ｃ１＋０．８７５　Ｃ２＋　０．７５
Ｃ３十〇、６２５　Ｃ４＋０．５　Ｃ，＋０．３７５　
Ｃ６＋０．２５Ｃ７＋０．１２５　Ｃｓ　＋　ＯＣ９（
７）を出力し、また線形関数ユニット４０−２は、Ｙ１
＝ＯＣ＋　　０．１２５　Ｃ２０，２５Ｃ３０、３７５
Ｃａ　　Ｏ，５Ｃ２０，６２５Ｃｂ−０，７５Ｃフ　−
０．８７５Ｃ，＋ＩＣ４（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Ｙ１、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
、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］ 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重み学習を行なわ
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は第２０図（ａ）に示すよ
うにフェーズ・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。本発明の第１実施例にあっては、重み値
の初期設定後に前件部メンバシップ関数実現部１０とニ
ューロ全体の学習を順番に行なうことから、フェーズ１
の学習対象グループとして前件部メンバシップ関数実現
部１゜に属する第５Ａ図のニューロングループＧｂ、Ｇ
Ｃの２つを設定し、フェーズ２ではニューロ全体の重み
を学習することから第５図の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の対応関係を第２０図（ｋ
）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
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、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コ 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フェーズ１とフェ
ーズ・２に分けて説明する。

■フェーズ１ まず学習指示ユニット５０の学習スケジューラが起動さ
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＝ｌ
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−プ番号Ｇｂ、Ｇｃを読出す。

続いてＳ３に進んで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を参照して読出す。続いて
Ｓ４に進み結線グループ番号Ｃ１１ｂ。

Ｃｂｃを出力して結線グループ番号Ｃａｂ、　　Ｃｂｃ
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５
２から学習ユニット７０の学習指示読取部７２に結線グ
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から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Ｃａｂ、　　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。

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、制御入力をルール部プリワイヤニューロ１００に与
え、教師信号は重み変更部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からの制御出力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、フェーズ１の
学習終了を判定する。

Ｓ５の学習実行指令に基づくフェーズ１の学習処理が終
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２で終了すること
から再びＳ２に戻って次のフェーズ２の学習処理に入る
。

■フェーズ２ フェーズ２の学習処理にあっては、まずＳ２でフェーズ
・グループ対応テーブル５６を参照してニューロングル
ープ番号ｃｂ〜Ｃｆの５つを読出す。次に８３でグルー
プ・結線対応テーブル５８を参照してニューロングルー
プＧｂ−Ｇｆに対応する結線グループ番号Ｃａｂ−Ｃｅ
ｆを読出し、ステップＳ４で結線グループ番号Ｃａｂ−
Ｃｅｆを出力して結線に設けられた学習フラグをセット
する。

続いて学習信号を与えることでフェーズ２の重み学習を
パックプロパゲーション法により実行し、これによりニ
ューロ全体の重み学習が終了すると、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
の終りをチエツクして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　ｐ、
＝ΣｙｔｈＷ１ｈ　　　　　　　　　　　（ＩＩ）７１
、＝　１／　（１＋ｃｘｐ（−Ｘ１、）　）　　　　　
（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。

Ｘｐ＋＝写３’ｐ＋Ｗ１＋　　　　　　　　　　　（１
３）７１、＝　１／　（１＋ｅｘｐ（ｘｐ＋）　）　　
　　（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Ｘ１、＋を層の
各ユニットからｊ層の１番ユニットへの入力の積和 ｙ１、＝ｐ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、Ｉと出カバターンＶａｔ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 （ａｐｔ−ｙ、υ を算出し、次に δｐ＋＝Ｖｐ＋　（Ｉ　　Ｖｐ＋） を算出する。続いて、 （ｄ　ｐｉ　　ｙ　ｔ＋）　　　　（１５）（Ｉ６） 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、ｌを用いて δ１、＝　ｙ　ｐｌ　（Ｉ　　Ｖ　ｐｉ）Σδｐ　＋Ｗ
　＋　＋　（＋−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Δｗ１ｈ（＋）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ａｐ
ｌ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 ’Ｊ　ｐｉ　＝　　Ｘ　ｊｌ　　　　　　　　　　　　
　　　　　　　　　　　　　　　　（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−＋＝　ａ　ｐｌ　　”ｊ　ｐｉ　　　　　　　　　
　　（２１）δ、１＝ΣδｐｌＷＩＩ　（ｔ　　　１　
）　　　　　　　　（２２）と現わされる。

［第１実施例の重み学習処理］ 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。またパックプロパゲーシ
ョン法による重みの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の第６層は
重み学習の対象から除外される。

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。

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、Ｗｌ、ｌ−１とΔＷＷｌ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
において本発明の第１実施例による重み学習処理を説明
すると次のようになる。

本発明の第１実施例にあってはフェーズ１で前件部メン
バシップ関数実現部１０に属する第１層及び第２層の重
みを学習し、次の第２７エーズでニューロ全体、即ち第
１層〜第５層の全ての重みを学習する。

まずフェーズ１の学習処理は、Ｓｌで学習対象層を設定
するカウンタ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８２に進みシグモイド関数ユニットか否か判定し第
６層は線形関数ユニットであることから８１４に進む。

Ｓ１４では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、その時得られている教
師信号ｄと制御出力ｙを使用して前記（２１）式と同様
な式に従って差分値δ６を求める。

次に８６に進んで重みを学習するユニットか否か判定す
る。この時、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に進んで重み更新量
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がフェーズ
１の学習処理最終層を示すＥ＝１に達したか否か判定し
、この時、ｉ＝６であることから８１３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３１４に進むが、最終段の階層でないことからＳ１
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において第５層は学習対象か
ら除外されているため、Ｓ８で重み更新量ΔＷ、４＝０
としてＳ９の重み値Ｗ、４の更新を無効とする。以下同
様に第５層の最終ユニットまで処理を繰り返し、第５層
の処理が終了すると第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では
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
関数ユニットであることから８２からＳ３に進み、最終
段ではないことから８５でシグモイド関数ユニット固有
の差分値６つを前記（１７）式と同様の式に従って求め
る。第３層も学習対象となっていないことから８６から
８８に進んで重み値更新量ΔＷ３□＝０としてＳ９の重
み値Ｗ３□の更新を無効化する。

第３層の処理が終了すると第２層の処理に進み、第２層
は線形関数ユニットであることから８２から３１４を経
由してＳ１６で差分値δ２を求め、第２層は前件部メン
バシップ関数実現部１０に属してフェーズ１の学習対象
となっていることからＳ６から８７に進んで前記（１６
）　（１８）式と同様な式に従って重み値更新量ΔＷ２
．を算出し、Ｓ１９で前記（１９）式と同様な式に従っ
て重み値Ｗ２．を更新する。以下同様に第２層の最終ユ
ニットまで処理を繰り返し第１層の処理に移る。

第１層はシグモイド関数ユニットで且つ最終段階層でな
いことから８２より８３を経由してＳ５に進み、差分値
δ１を算出した後、Ｓ６から８７に進んで重み値更新量
ΔＷ１ｏを求め、Ｓ９で重み値Ｗ１ｏを更新する。以下
、第１層目の最終ユニットまで同様の処理を繰り返し、
第１層目の最終ユニットの処理を終了すると８１０から
３１２に進み、この時ｉカウンタはフェーズ１の最終階
層Ｅ；１に一致していることから、フェーズ１の学習処
理の終了を判定して一連の処理を終了する。

次にニューロ全体の重みを学習するフェーズ２にあって
は、第６層の処理は差分値δ６を算出するだけで重み値
Ｗ６．の更新は行なわれないが、第５層の処理に進むと
重み値ΔＷ５４の算出が有効に行なわれて重み値Ｗ、４
の更新が行なわれる。以下同様に残りの第４層、第３層
、第２層、第１層の順番に順次重みの学習処理を実行し
、第１層目の最終ユニットの処理と終了を判別すると一
連の学習処理を終了する。

［第２実施例の学習処理］ 本発明の第２実施例の重み学習は第２Ｂ図のステップＳ
６に示すように、 ■ルール部１２ ■ニューロ全体 として行なう。この重み学習の順番に対応してステップ
Ｓ２に示すように、ルール部１２に対する重み値の初期
設定は、予め持っている知識の導入に基づいた重み値の
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、更には両者を併用した重み値の初期設定を行なう。

これに対し２回目以降のフェーズ２で重み学習を行なう
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ＳＬ、Ｓ３に
示すように予め持っている知識を導入した重み値の初期
設定のみを行なっている。

また、ステップＳ５のフェーズ・グループ対応表の設定
は、第２０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でニューロ全体のグループ番号Ｇｂ−Ｇ
ｆの５つを設定している。

この第２実施例の重み学習にあっては、ルール部１２の
重みを学習した後にルール部プリワイヤニューロ全体を
学習させることにより、ルール部の重み学習の結果に合
わせたルール部プリワイヤニューロ全体の重みの再調節
を行なうことができる。

［第３実施例の学習処理］ 本発明の第３実施例は第２Ｃ図のステップＳ６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 ■ニューロ全体 となる順番で重みを学習する。この重みの学習の順番に
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
に基づいた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更には両者を併用した重み値の初
期設定を行なう。

これに対し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ＳＬ、　　Ｓ３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
のみを行なう。

また、ステップＳ５のフェーズ・グループ対応表の設定
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を設定
し、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を設定し、更
にフェーズ３でニューロ全体としてのグループ番号Ｇｂ
−Ｇｆの５つの設定を行なう。

この本発明の第３実施例によれば、ルール部１２と前件
部メンバシップ関数実現部１０の重みを学習した後にル
ール部プリワイヤニューロ全体を学習させることにより
、ルール部１２及び前件部メンバシップ関数実現部１０
の重みの学習結果に合わせたルール部プリワイヤニュー
ロ全体の重みの再調整を行なうことができる。

［第４実施例の学習処理コ 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 ■ニューロ全体 となる順番で重みを学習する。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については、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た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、更には両
者を併用した重み値の初期設定を行なう。これに対し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
初期設定のみを行なう。

また、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番
号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番号Ｇｄ、Ｇｅを設定し、更に
フェーズ３でニューロ全体としてのニューロングループ
番号Ｇｂ−Ｇｆの５つを設定している。

この本発明の第４実施例によれば、前件部メンバシップ
関数実現部１０とルール部１２の重みを学習した後にル
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
重みの学習結果に合わせたルール部プリワイヤニューロ
全体の重みの再調整を行なうことができる。

［第５実施例の学習処理コ 本発明の第５実施例にあっては、第２Ｅ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１ｏとルール部■ニュ
ーロ全体 となる順番で重みを学習する。この学習の順番に対応し
て最初に前件部メンバシップ関数実現部１０とルール部
１２の重みを同時に調整することがら、ステップＳｌ、
Ｓ２に示すように前件部メシバシップ関数実現部１０と
ルール部１２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または乱数を用いたランダムな
重み値の初期設定、更には両者を併用した重み値の初期
設定を行なう。これに対し２回目の重み学習となる後件
部メシバシップ関数実現部１４については、Ｓ３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
初期設定のみを行なう。

また、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及びルール部１２に属するニ
ューロングループ番号Ｇｂ。

Ｇｃ、Ｇｄ、Ｇｅの４つを設定し、フェーズ２でニュー
ロ全体としてのニューロングループ番号Ｇｂ−Ｇｆの５
つを設定する。

この本発明の第５実施例によれば、前件部メンバシップ
関数実現部１０とルール部１２の重みを同時に学習した
後、ルール部プリワイヤニューロ全体を学習させること
により、前件部メンバシップ関数実現部１０とルール部
１２の重みの同時学習による結果に合わせたルール部プ
リワイヤニューロ全体の重みの再調整を行なうことがで
きる。

［第６実施例の学習処理］ 本発明の第６実施例にあっては、第２Ｆ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１゜ ■後件部メンバシップ関数実現部１４ ■ニューロ全体 となる順番で重みを学習する。この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については、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、更には両者を併用
した重み値の初期設定を行なう。これに対し２回目以降
の重み学習となるルール部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８２．３３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
期設定のみを行なう。

また、ステップＳ５のフェーズ・グループ対応表の設定
は第２０図（ｆ）に示すように、フェ−ズ１で前件部メ
ンバシップ関数実現部１ｏに属するニューロングループ
番号Ｇｂ、Ｇｃ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Ｇ
ｆを設定し、更にフェーズ３でニューロ全体としてのニ
ューロングループ番号Ｇｂ−Ｇｆの５つを設定する。

このような本発明の第６実施例によれば、前件部メンバ
シップ関数実現部１０と後件部メンバシップ関数実現部
１４の重みを順次学習した後、ルール部プリワイヤニュ
ーロ全体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と後件部メンバシップ関数実現部１４の
重みの学習結果に合わせたルール部プリワイヤニューロ
全体の重みの再調整を行なうことができる。

［第７実施例の学習処理コ 本発明の第７実施例にあっては、第２Ｇ図のステップＳ
６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 ■ニューロ全体 となる順番で重みを学習する。この学習の順番に対応し
て重みを最初に学習するルール部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たランダムな重
み値の初期設定、更には両者を併用した重み値の初期設
定を行なう。これに対し２回目以降の重み学習となる前
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ＳＬ、　　Ｓ３
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
値の初期設定のみを行なう。

また、ステップＳ５のフェーズ・グループ対応表の設定
は第２０図（ｇ）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、更にフェ
ーズ３でニューロ全体としてのニューロングループ番号
Ｇｂ〜Ｇｆの５つを設定する。

このような本発明の第７実施例によれば、ルール部１２
と後件部メンバシップ関数実現部１４の重みを順次学習
させた後、ルール部プリワイヤニューロ全体を学習させ
ることにより、ルール部１２と後件部メンバシップ関数
実現部１４の重み学習の結果に合わせたルール部プリワ
イヤニューロ全体の重みの再調整を行なうことができる
。

［第８実施例の学習処理］ 本発明の第８実施例にあっては、第２Ｈ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 ■ニューロ全体 となる順番で重みを学習する。この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
づいた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、更には両者を併用した重み値の初期
設定を行なう。

これに対し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Ｓｌ、　　Ｓ３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
のみを行なう。

また、ステップＳ５のフェーズ・グループ対応表の設定
は第２０図（ｈ）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を設定し、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を設定し、最後のフェーズ
４でニューロ全体としてのニューロングループ番号Ｇｂ
−Ｇｆの５つを設定する。

この本発明の第８実施例によれば、ルール部１２、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の順番に重みの学習を行なった後、ルー
ル部プリワイヤニューロ全体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、ルール部１
２及び後件部メンバシップ関数実現部１４の重みの学習
結果に合わせたルール部プリワイヤニューロ全体の重み
の再調整を行なうことができる。

［第９実施例の学習処理］ 本発明の第９実施例にあっては、第２１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 ■ニューロ全体 となる順番で重みを学習する。この学習順番に対応して
最初に重みを学習する前件部メンバシップ関数実現部１
０については、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た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、更には両者を併
用した重み値の初期設定を行なう。これに対し２回目以
降の重み学習となるルール部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た重み値
の初期設定のみを行なう。

また、ステップＳ４のフェーズ・グループ対応表の設定
は第２０図（ｉ）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
番号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番号Ｇｄ、Ｇｅを設定し、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を設定し、更に最後のフェ
ーズ４でニューロ全体となるニューロングループ番号Ｇ
ｂ−Ｇｆの５つを設定する。

このような第９実施例にあっては、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の重みを順次学習した後、ルール部プリ
ワイヤニューロ全体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、ルール部１２及び後
件部メンバシップ関数実現部１４の重みの学習結果に合
わせたルール部プリワイヤニューロ全体の重みの再調整
を行なうことができる。

［第１０実施例の学習処理］ 本発明の第１０実施例にあっては、第２Ｊ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 ■ニューロ全体 となる順番で重みを学習する。こ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と
ルール部１２については、ステップＳＬ、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たランダムな重み値の初期設定
、更には両者を併用した重み値の初期設定を行なう。こ
れに対し２回目以降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た重み値の初期設
定のみを行なう。

また、ステップＳ５のフェーズ・グループ対応表の設定
は第２０図（ｊ）に示すように、フェーズ１で前件部メ
ンバシ・７プ関数実現部１０及びルール部に属するニュ
ーロングループ番号Ｇｂ、　Ｇｃ、Ｇｄ、Ｇｅの４つを
設定し、フェーズ２で後件部メンバシップ関数実現部１
４に属するニューロングループ番号Ｇｆを設定し、最後
のフェーズ３でニューロ全体に対応したニューロングル
ープ番号Ｇｂ−Ｇｆの５つを設定する。

このような本発明の第１０実施例にあっては、前件部メ
ンバシップ関数実現部１０とルール部１２の重みを同時
に学習し、その後に後件部メンバシップ関数実現部１４
の重みを学習してから最終的にルール部プリワイヤニュ
ーロ全体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、ルール部１２及び後件部メンバ
シップ関数実現部１４の重みの学習結果に合わせたルー
ル部プリワイヤニューロ全体の重みの再調整を行なうこ
とができる。

［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Ｘ１．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。

また、上記の実施例にあっては、第６．７図に示したメ
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９４−１．９
４−２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よい。この
場合のユニット出力ｙは ３’＝１／（１−ｅ−町！＋＃１　）　　ｌ／（１、−
Ｗ２Ｘ−０２）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、ルール部及び後件部メンバシップ関
数実現部の少なくとも１つの部分の重みを学習した後、
ルール部プリワイヤニューロ全体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、ルール部及び後件
部メンバシップ関数実現部の少なくとも１つの部分の重
みの学習結果に合わせたルール部プリワイヤニューロ全
体の重みの再調整を行なうことができる。

また、予め持っている知識の導入に基づいて重み値を初
期設定することで重み学習を容易に行なうことができる
。

更に、乱数を用いてランダムに重み値を初期設定または
予め持っている知識と乱数を併用した重み値の初期設定
とすることでニューロンネットワークの性能を最大限に
引き出すことができる。

【図面の簡単な説明】

第１Ａ、　ＩＢ、　ＩＣ，ＩＤ、　ＩＥ、　ＩＦ、　Ｉ
Ｇ。 ＩＨ，Ｉ１、ＩＪ図は本発明の原理説明図；第２Ａ、　
２Ｂ、　２Ｃ，２Ｄ、　２Ｅ、　２Ｆ、　２Ｇ。 ２Ｈ，２１，２Ｊ図は本発明の第１乃至第１０実施例を
示した学習動作フロー図； 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
機構成因； 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：後件部メンバシップ関数実現部 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 ２Ｂ−１，２８−２，３２−１〜３２−４．３８−１　
〜３８−９．４０−１．４０−２　：線形関数ユニット ３０−１〜３０−２．３４−１〜３４−８．９４−１．
９４−２　：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
φフエーズ対応テーブル６０：学習収束判定部 ７０：学習ユニット ７２：学習時事読取部 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 １００：ルール部プリワイヤニューロ

Claims (12)

【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）の全体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）の全体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）の全体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）の全体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）の全体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）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；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
   全体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。
7. （７）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；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）の全体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。
8. （８）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；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
   全体の重みを学習させる第５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。
9. （９）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；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）の全体の重みを学習させる第５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。
10. （１０）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；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）の全体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。
11. （１１）最初に重みの学習を行う部分の前記第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１０記載
    のルール部プリワイヤニューロの学習方法。
12. （１２）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１０記載のルール部プリワイヤニューロの
    学習方法。