JPH04302328A - ファジィ処理装置および方法 - 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】 【０００１】 【産業上の利用分野】この発明はファジィ処理装置およ
び方法に関し，とくに学習によりメンバーシップ関数と
ルールとを作成するファジィ処理装置および方法に関す
る。この発明において，ファジィ処理装置および方法は
，ファジィ推論演算を行なうのみならず，ファジィ推論
のためのメンバーシップ関数およびルールを作成するこ
とにのみ用いられる，いわゆる支援装置および方法も含
むし，その一部を実行する装置および方法も含む。 【０００２】 【従来の技術】ファジィ推論は，人間の定性的な知識を
反映することが容易で，かつ作成した知識（メンバーシ
ップ関数およびルール）が人間にわかりやすいという特
徴をもっている。一般にファジィ推論のための知識は専
門家のノウハウ等に基づいて作成される。 【０００３】しかし一方では，人間の知識がなくても，
入出力関係の非線形性が強いシステムに対するファジィ
推論のための知識を事例学習により作成する方法が知ら
れている。これは，上記システムを作動させたときに得
られる入出力データをサンプル・データとしてこれを直
接に知識に反映させる方法である。 【０００４】しかしながらこの方法では，メンバーシッ
プ関数およびルールは直接にサンプル・データに依存す
るので，サンプル・データが存在する点または領域につ
いてのみメンバーシップ関数およびルールが作成される
にすぎず，必ずしも妥当なメンバーシップ関数が得られ
るとは限らない。また，サンプル・データのばらつきに
よって精度が決ってしまうという問題がある。 【０００５】このような問題点を解決するために，事例
学習の一種であるニューラル・ネットワークとファジィ
推論を融合し，事例学習のサンプル・データの質に左右
されないファジィ推論のための知識の作成方法が提案さ
れている（たとえば，林ら「ニューラルネット駆動型フ
ァジィ推論による倒立振子の学習制御」５ｔｈ　Ｆｕｚ
ｚｙ　Ｓｙｓｔｅｍ　Ｓｙｍｐｏｓｉｕｍ，　Ｋｏｂｅ
，　Ｊｕｎｅ　２−３，　１９８９　）。 【０００６】 【発明が解決しようとする課題】しかしながらこの方法
は，実システムに使用する場合，事例学習装置とファジ
ィ推論装置の両方のソフトウェアまたはハードウェアが
必要であるので処理速度が遅い，ファジィ推論装置のメ
ンバーシップ関数が，多次元の入力空間上でしか表せな
いので，学習後のファジィ推論装置の知識がわかりにく
いという問題点がある。 【０００７】この発明は，処理速度が速い推論処理が可
能でかつ知識が分りやすいファジィ推論のためのルール
およびメンバーシップ関数を作成する装置および方法を
提供するものである。 【０００８】 【課題を解決するための手段】この発明によるルールお
よびメンバーシップ関数を作成するためのファジィ処理
装置は，与えられた複数種類の入力変数についての入力
データとそれに対応する少なくとも一種類の出力変数に
ついての出力データとの組が複数組含まれて構成される
サンプル・データを用いて，学習により，複数種類の入
力変数に関する任意の入力データの組に対応する出力デ
ータが得られる構造を構築する学習手段，複数の入力変
数についての入力データの複数の組を発生し，これらを
上記学習手段に与えることによりそれらに対応する出力
データを得，各入力変数について，入力データの変化に
対する出力データの変化の大きさに応じた広がりをもつ
前件部メンバーシップ関数を作成する前件部作成手段，
ならびに上記前件部作成手段によって作成された前件部
メンバーシップ関数に対する入力代表値の複数の入力変
数についての組合せからなる入力データ組を上記学習手
段に与え，これに対応して上記学習手段から得られる出
力データに基づいて後件部メンバーシップ関数を作成し
，上記の入力データ組に含まれる入力代表値をもつ前件
部メンバーシップ関数とこれに対応して得られる後件部
メンバーシップ関数とからなるルールを作成するルール
作成手段を備えているものである。 【０００９】この発明の一実施態様では，複数の入力変
数についての入力データの複数の組を発生し，これらを
上記学習手段に与えることによりそれらに対応する出力
データを得，これらの入力データと出力データとに基づ
いて，出力データに対する相関が所定値よりも小さい入
力変数があるかどうかを判定する入力決定手段がさらに
設けられる。 【００１０】出力データに対する相関が所定値よりも小
さい入力変数が存在した場合にそれを削除すべき入力変
数と決定し，上記学習手段に与えるべきサンプル・デー
タから削除入力変数に関するデータを削除して上記学習
手段に与え，上記学習手段に再度学習処理を繰返させる
制御手段をさらに備えるとよい。 【００１１】上記制御手段は，削除すべき入力変数が無
くなるまで，サンプル・データからの削除すべき入力変
数に関するデータの削除と学習とを繰返すよう制御する
ものであることが好ましい。 【００１２】上記前件部作成手段およびルール作成手段
が，削除すべき入力変数が無くなった状態の上記学習手
段を用いるようにするとよい。 【００１３】上記前件部作成手段およびルール作成手段
により作成された前件部メンバーシップ関数，後件部メ
ンバーシップ関数およびルールにしたがうファジィ推論
演算を行うファジィ推論手段をさらに設けるとよい。 【００１４】この発明の他の実施態様では，上記前件部
作成手段およびルール作成手段により作成された前件部
メンバーシップ関数，後件部メンバーシップ関数および
ルールにしたがうファジィ推論演算を行うファジィ推論
手段，ならびに複数の入力変数についての入力データの
複数の組を発生し，これらを上記ファジィ推論手段に与
えることによりそれらに対応する出力データを得，これ
らの入力データと出力データとに基づいて，出力データ
に対する相関が所定値よりも小さい入力変数があるかど
うかを判定する入力決定手段がさらに設けられる。 【００１５】出力データに対する相関が所定値よりも小
さい入力変数が存在した場合にそれを削除すべき入力変
数と決定し，上記学習手段に与えるべきサンプル・デー
タから削除入力変数に関するデータを削除して上記学習
手段に与え，上記学習手段に再度学習処理を繰返させる
制御手段をさらに備えるとよい。 【００１６】上記制御手段は，削除すべき入力変数が無
くなるまで，サンプル・データからの削除すべき入力変
数に関するデータの削除と学習と前件部メンバーシップ
関数の作成とルールの作成とを繰返すよう制御するもの
であることが好ましい。 【００１７】上記前件部作成手段およびルール作成手段
が，削除すべき入力変数が無くなった状態の上記学習手
段を用いるようにするとよい。 【００１８】この発明によるルールおよびメンバーシッ
プ関数を作成するためのファジィ処理方法は，与えられ
た複数種類の入力変数についての入力データとそれに対
応する少なくとも一種類の出力変数についての出力デー
タとの組が複数組含まれて構成されるサンプル・データ
を用いて，学習により，複数種類の入力変数に関する任
意の入力データの組に対応する出力データが得られる学
習構造を構築し，複数の入力変数についての入力データ
の複数の組を発生し，これらを上記学習構造に与えるこ
とによりそれらに対応する出力データを得，各入力変数
について，入力データの変化に対する出力データの変化
の大きさに応じた広がりをもつ前件部メンバーシップ関
数を作成し，さらに作成された前件部メンバーシップ関
数に対する入力代表値の複数の入力変数についての組合
せからなる入力データ組を上記学習構造に与え，これに
対応して上記学習構造から得られる出力データに基づい
て後件部メンバーシップ関数を作成し，上記の入力デー
タ組に含まれる入力代表値をもつ前件部メンバーシップ
関数とこれに対応して得られる後件部メンバーシップ関
数とからなるルールを作成するものである。 【００１９】この発明の一実施態様においては，複数の
入力変数についての入力データの複数の組を発生し，こ
れらを上記学習構造に与えることによりそれらに対応す
る出力データを得，これらの入力データと出力データと
に基づいて，出力データに対する相関が所定値よりも小
さい入力変数があるかどうかをさらに判定する。 【００２０】そして，出力データに対する相関が所定値
よりも小さい入力変数が存在した場合にそれを削除すべ
き入力変数と決定し，上記学習構造に与えるべきサンプ
ル・データから削除入力変数に関するデータを削除して
上記学習構造に与え，上記学習構造に再度学習処理を繰
返させる。 【００２１】また，削除すべき入力変数が無くなるまで
，サンプル・データからの削除すべき入力変数に関する
データの削除と学習とを繰返させる。そして，削除すべ
き入力変数が無くなった状態の上記学習構造を用いて前
件部メンバーシップ関数，後件部メンバーシップ関数お
よびルールを作成する。 【００２２】この発明による他の実施態様では，複数の
入力変数についての入力データの複数の組を発生し，こ
れらを用いて，作成された前件部メンバーシップ関数，
後件部メンバーシップ関数およびルールにしたがうファ
ジィ推論演算を行うことにより対応する出力データを得
，これらの入力データと出力データとに基づいて，出力
データに対する相関が所定値よりも小さい入力変数があ
るかどうかを判定する。 【００２３】そして，出力データに対する相関が所定値
よりも小さい入力変数が存在した場合にそれを削除すべ
き入力変数と決定し，上記学習構造に与えるべきサンプ
ル・データから削除入力変数に関するデータを削除して
上記学習構造に与え，上記学習構造に再度学習処理を繰
返させる。 【００２４】また，削除すべき入力変数が無くなるまで
，サンプル・データからの削除すべき入力変数に関する
データの削除と学習と前件部メンバーシップ関数の作成
とルールの作成とを繰返させる。そして，削除すべき入
力変数が無くなった状態の上記学習構造を用いて前件部
メンバーシップ関数，後件部メンバーシップ関数および
ルールを作成する。 【００２５】この発明による前件部メンバーシップ関数
を作成するための装置は，与えられた複数種類の入力変
数についての入力データとそれに対応する少なくとも一
種類の出力変数についての出力データとの組が複数組含
まれて構成されるサンプル・データを用いて，学習によ
り，複数種類の入力変数に関する任意の入力データの組
に対応する出力データが得られる構造を構築する学習手
段，複数の入力変数についての入力データの複数の組を
発生する入力生成手段，上記入力生成手段から与えられ
る入力データの組を上記学習手段に与え，上記学習手段
を動作させてそれに対応する出力データを得るよう制御
する手段，各入力変数について，入力データが一定値変
動したときに生じる出力データの変化量を算出する手段
，ならびに各入力変数について，出力データの変化量が
一定値を保つように入力データの変動幅を定め，この変
動幅ごとに一つの前件部メンバーシップ関数を割当てる
手段を備えている。 【００２６】この発明による前件部メンバーシップ関数
を作成するための他の装置は，複数の入力変数について
の入力データの複数の組とこれらに対応する出力データ
とを記憶する手段，各入力変数について，上記入力デー
タが一定値変動したときに生じる上記出力データの変化
量を算出する手段，ならびに各入力変数について，上記
出力データの変化量が一定値を保つように上記入力デー
タの変動幅を定め，この変動幅ごとに一つの前件部メン
バーシップ関数を割当てる手段を備えている。 【００２７】この発明による不要な入力変数を削除する
ための装置は，複数の入力変数についての入力データの
組を発生する入力生成手段，上記入力生成手段から与え
られる入力データの組に対応する出力データを生成して
出力する出力生成手段，各入力変数について，対象とな
る入力変数を除く他のすべての入力変数の入力データを
固定し，対象となる入力変数の入力データを変化させた
ときの出力データの分散の総和を算出する手段，ならび
に上記分散の総和と所定の基準値とを比較し，上記所定
の基準値よりも上記分散の総和が小さい入力変数を削除
すべきものと決定する手段を備えている。 【００２８】上記出力生成手段は，与えられた複数種類
の入力変数についての入力データとそれに対応する少な
くとも一種類の出力変数についての出力データとの組が
複数組含まれて構成されるサンプル・データを用いて，
学習により，複数種類の入力変数に関する任意の入力デ
ータの組に対応する出力データが得られる構造を構築す
る学習手段であるか，またはあらかじめ設定された前件
部メンバーシップ関数，後件部メンバーシップ関数およ
びルールにしたがってファジィ推論演算を行うファジィ
推論手段である。 【００２９】この発明による不要な入力変数を削除する
ための他の装置は，複数の入力変数についての入力デー
タの複数の組とこれらに対応する出力データとを記憶す
る手段，各入力変数について，対象となる入力変数を除
く他のすべての入力変数の入力データを固定し，対象と
なる入力変数の入力データを変化させたときの出力デー
タの分散の総和を算出する手段，ならびに上記分散の総
和と所定の基準値とを比較し，上記所定の基準値よりも
上記分散の総和が小さい入力変数を削除すべきものと決
定する手段を備えている。 【００３０】この発明による前件部メンバーシップ関数
を作成するための方法は，与えられた複数種類の入力変
数についての入力データとそれに対応する少なくとも一
種類の出力変数についての出力データとの組が複数組含
まれて構成されるサンプル・データを用いて，学習によ
り，複数種類の入力変数に関する任意の入力データの組
に対応する出力データが得られる学習構造を構築し，複
数の入力変数についての入力データの複数の組を発生し
，発生した入力データの組を上記学習構造に与え，上記
学習構造を動作させてそれに対応する出力データを得る
よう制御し，各入力変数について，入力データが一定値
変動したときに生じる出力データの変化量を算出し，各
入力変数について，出力データの変化量が一定値を保つ
ように入力データの変動幅を定め，この変動幅ごとに一
つの前件部メンバーシップ関数を割当てることにより前
件部メンバーシップ関数を作成するものである。 【００３１】この発明による前件部メンバーシップ関数
を作成するための他の方法は，複数の入力変数について
の入力データの複数の組とこれらに対応する出力データ
とをあらかじめ記憶しておき，各入力変数について，上
記入力データが一定値変動したときに生じる上記出力デ
ータの変化量を算出し，各入力変数について，上記出力
データの変化量が一定値を保つように上記入力データの
変動幅を定め，この変動幅ごとに一つの前件部メンバー
シップ関数を割当てることにより前件部メンバーシップ
関数を作成するものである。 【００３２】この発明による不要な入力変数を削除する
ための方法は，複数の入力変数についての入力データの
組を発生し，発生した入力データの組に対応する出力デ
ータを生成し，各入力変数について，対象となる入力変
数を除く他のすべての入力変数の入力データを固定し，
対象となる入力変数の入力データを変化させたときの出
力データの分散の総和を算出し，上記分散の総和と所定
の基準値とを比較し，上記所定の基準値よりも上記分散
の総和が小さい入力変数を削除すべきものと決定するも
のである。 【００３３】与えられた複数種類の入力変数についての
入力データとそれに対応する少なくとも一種類の出力変
数についての出力データとの組が複数組含まれて構成さ
れるサンプル・データを用いて，学習により，複数種類
の入力変数に関する任意の入力データの組に対応する出
力データが得られる学習構造を構築し，この学資融構造
に入力データの組を与えることにより出力データを生成
するか，または，あらかじめ設定された前件部メンバー
シップ関数，後件部メンバーシップ関数およびルールに
したがってファジィ推論演算を行うことにより出力デー
タを生成するとよい。 【００３４】この発明による不要な入力変数を削除する
ための他の方法は，複数の入力変数についての入力デー
タの複数の組とこれらに対応する出力データとをあらか
じめ記憶しておき，各入力変数について，対象となる入
力変数を除く他のすべての入力変数の入力データを固定
し，対象となる入力変数の入力データを変化させたとき
の出力データの分散の総和を算出し，上記分散の総和と
所定の基準値とを比較し，上記所定の基準値よりも上記
分散の総和が小さい入力変数を削除すべきものと決定す
るものである。 【００３５】 【作用】与えられた複数種類の入力変数についての入力
データとそれに対応する少なくとも一種類の出力変数に
ついての出力データとの組が複数組含まれて構成される
サンプル・データを用いて，学習により，複数種類の入
力変数に関する任意の入力データの組に対応する出力デ
ータが得られる学習構造が構築される。 【００３６】複数の入力変数についての入力データの複
数の組を発生し，これらを上記学習手段に与えることに
よりそれらに対応する出力データが得られる。そして，
各入力変数について，入力データの変化に対する出力デ
ータの変化の大きさに応じた広がりをもつ前件部メンバ
ーシップ関数が作成される。 【００３７】また，作成された前件部メンバーシップ関
数に対する入力代表値の複数の入力変数についての組合
せからなる入力データ組を上記学習手段に与え，これに
対応して上記学習手段から得られる出力データに基づい
て後件部メンバーシップ関数が作成されるとともに，上
記の入力データ組に含まれる入力代表値をもつ前件部メ
ンバーシップ関数とこれに対応して得られる後件部メン
バーシップ関数とからなるルールが作成される。 【００３８】 【発明の効果】この発明によるメンバーシップ関数およ
びルールの作成装置および方法によると，与えられたサ
ンプル・データを用いて学習が行なわれているので，任
意の入力データに対する出力データが得られる。したが
って，任意の入，出力変数軸上に妥当な前，後件部のメ
ンバーシップ関数が作成できる。また，サンプル・デー
タにばらつきがあってもそのために精度が大幅に低下す
ることがない。 【００３９】作成されたメンバーシップ関数およびルー
ルは任意のファジィ推論装置に設定できるので，ファジ
ィ推論装置はソフトウェアによってもハードウェアによ
っても実現でき，構成が簡素となるとともに処理速度が
速くなる。 【００４０】さらにメンバーシップ関数は一軸（各入力
変数軸）上で表わされるので作成された知識が分りやす
くなっている。 【００４１】この発明による前件部メンバーシップ関数
作成装置および方法によると，出力データの変動幅がほ
ぼ一定となるように前件部メンバーシップ関数の広がり
幅が定められているので，細かい処理が必要な範囲では
細い解像度で，粗い処理で充分な範囲では粗い解像度で
処理が可能となり，無駄がなく，最適な前件部メンバー
シップ関数が作成される。 【００４２】この発明による不要な入力変数を削除する
装置および方法によると，不要な入力変数が削除され，
最終的なファジィ推論のためのルールに現われることが
ないので，無駄な処理が省かれ，処理速度を向上させる
ことができる。 【００４３】 【実施例】第１実施例 この発明によるファジィ処理装置の第１実施例について
説明する。 【００４４】図１はファジィ処理装置の機能ブロック図
，図２はその動作の概要を示すフロー・チャートである
。 【００４５】ファジィ処理装置は，図１に示すように，
学習フェーズ処理部１，入力決定フェーズ処理部２，変
換フェーズ処理部３，解像度決定フェーズ処理部４およ
び実行フェーズ処理部５から構成されている。ファジィ
処理装置は具体的にはコンピュータ・システムにより構
成され，上述した各処理部１〜５は，このコンピュータ
・システムが後に詳述する動作を実行するようにプログ
ラムされることにより実現される。このプログラムは図
２に示すように，上述した各処理部１〜５の順に実行さ
れることになる。 【００４６】以下に各処理部の構成およびその動作また
は機能についてそれぞれ詳しく説明する。この実施例で
は説明を簡単にするために，基本的に，入力変数を２つ
（入力１と入力２），出力変数を１つ（２入力１出力）
とする。 【００４７】学習フェーズ処理部 学習フェーズ処理部１は，与えられたサンプル・データ
（入力データとそれに対応する期待出力データとからな
る）に基づいて学習を行い，任意の入力に対応する出力
が得られる構造を構築するものである。この実施例では
この構造は多数のニューロンを組合せることにより構築
されるニューラル・ネットワークである。 【００４８】学習フェーズ処理部１の構成を示す機能ブ
ロック図が図３に示されている。学習フェーズ処理部１
は，サンプル・データ記憶部１１，事例学習実行部１２
および学習結果記憶部１３から構成される。 【００４９】サンプル・データ記憶部１１には入力デー
タとそれに対応する期待出力データとからなるサンプル
・データが入力され，かつ記憶される。このサンプル・
データ記憶部１１に記憶されるサンプル・データの一例
が表１に示されている。入力１についての入力データｘ
ｓ１ｊと入力２についての入力データｘｓ２ｊとそれに
対応する期待出力データｄｓｊ　とが１つのサンプル・
データの組を構成する。このようなサンプル・データの
組がｎ組設定されている。 【００５０】 【表１】 【００５１】事例学習実行部１２はニューラル・ネット
ワークにおける学習を実行するものである。サンプル・
データ記憶部１１に記憶されているサンプル・データが
１組ずつ順次読出され，そのうちの入力データが事例学
習実行部１２の入力側に，期待出力データが実行部１２
の出力側にそれぞれ与えられる。 【００５２】ニューラル・ネットワークは，よく知られ
ているように，多数のニューロンを組合せることにより
構成され，学習によってニューロン間の結合の重みが修
正されていく。この学習はたとえばバックプロパゲーシ
ョンの手法により行なわれる。入力データが与えられた
ときにニューラル・ネットワークから得られる出力デー
タと与えられた期待出力データとの差が小さくなるよう
に上記の重みが修正される。上記の差によって表現され
る評価関数（誤差２乗和）の値が所定値以下になるまで
，サンプル・データが一組ずつ順次与えられることによ
り学習が行なわれていく。 【００５３】事例学習実行部１２における学習が終了す
ると，その学習結果，すなわち事例学習実行部１２の内
部状態が学習結果記憶部１３に記憶される。上述のよう
にニューラル・ネットワークについての学習が実行され
た場合には，事例学習実行部１２の内部状態はニューラ
ル・ネットワークの構造とニューロン間の結合の重みと
によって表わされる。このニューラル・ネットワークの
構造とニューロン間の結合の重みを表わすパラメータが
学習結果記憶部１３に記憶されることになる。 【００５４】このような学習の結果構築された構造（た
とえばニューラル・ネットワーク構造）を用いることに
よって，任意の入力に対する出力が得られることになる
。 【００５５】図４は学習により得られた入力と出力との
関係を示している。×印はサンプル・データであり，実
線の曲線が学習結果の入出力関係を表わしている。 【００５６】後述するところから分るように，ファジィ
・ルールを作成するために，入力変数に対する前件部の
メンバーシップ関数を設定する必要がある。メンバーシ
ップ関数を特徴づける１つのパラメータとして，その頂
点の座標（メンバーシップ関数値が最大値となる入力値
）（これを代表値または設定値という）がある。この設
定値がＴ１　，Ｔ２　，Ｔ３　，…，Ｔｊ　として図４
に示されている。 【００５７】サンプル・データを構成する入力データが
常に設定値と一致していれば，その設定値に対応する出
力データはサンプル・データに含まれているからファジ
ィ・ルールは比較的容易に作成可能である。 【００５８】しかしながら，サンプル・データ中の入力
データが常に設定値と一致するとは限らず，むしろ入力
データと最適なファジィ・ルールのための設定値とは異
なっていることが多い。 【００５９】学習フェーズ処理部１における学習結果は
サンプル・データに対する補間機能をもっており，任意
の入力に対する出力が得られるので，任意の設定値に対
する出力データを得ることができる。このようにして，
適切なメンバーシップ関数の作成とそれを用いたルール
の作成が可能となる。 【００６０】また，サンプル・データにばらつきがある
場合でも，上記の学習によって平均的な入出力関係が得
られるので，サンプル・データのばらつきによる出力誤
差が小さくなるという利点もある。 【００６１】入力決定フェーズ処理部 入力決定フェーズ処理部２は，出力に対する相関が無い
入力変数または非常に小さい入力変数があるかどうかを
判断し，もしあればそのような入力変数を削除すること
により，必要な入力変数を最終的に決定するものである
。 【００６２】この入力決定フェーズ処理は，とくに入力
変数の種類数が多い場合に有効である。ファジィ推論の
ためのルールを作成するにあたって，考えられうる入力
変数の種類（入力変数の候補）の数は一般に多い。しか
しながら，これらの入力変数の候補のすべてが所望の推
論結果（出力）を得るために有用なものとは限らない。 作成されたファジィ・ルールに含まれる入力変数の種類
数が多ければ多いほど，そのルールにしたがうファジィ
推論のための演算量が多くなり，演算時間もかかる。入
力決定フェーズ処理は，無用な入力変数を前もって除去
するものである。 【００６３】入力決定フェーズ処理部２の構成が図５に
示されている。入力決定フェーズ処理部２は，入力変動
指示部２１，出力分散監視部２２および削除入力記憶部
２３，ならびに上述した事例学習実行部１２および学習
結果記憶部１３から構成されている。 【００６４】出力分散監視部２２は表２に示すような入
出力マトリクスを作成するものである。 【００６５】 【表２】 【００６６】このような入出力マトリクスを作成するた
めに出力分散監視部２２は，入力変動指示部２１に対し
てすべての入力変数について入力データの生成を指示す
る。 入力変動指示部２１はこの指示にしたがって，すべての
入力変数について入力データを作成し，その入力データ
を事例学習実行部１２および出力分散監視部２２に与え
る。入力データは等差線数を構成するものであることが
好ましい。また入力データはその入力変数のレンジの全
範囲をカバーするように作成される。 【００６７】事例学習実行部１２は入力変動指示部２１
から入力データの組（すべての入力変数についての各１
つずつの入力データの組）が与えられると，学習結果記
憶部１３に記憶されている学習結果を用いて，その入力
データの組に対する出力データを算出して，その出力デ
ータを出力分散監視部２２に与える。出力データは入力
データのすべての組に対して作成される。 【００６８】出力分散監視部２２は，与えられる入力デ
ータの組とこれに対する出力データを用いて表２に示す
入出力マトリクスを作成するとともに，各入力について
の標準偏差（分散でもよい）σｉｊとその合計値Ｓｉ　
とを算出する。 【００６９】ある入力変数についての標準偏差は，その
対象となる入力変数を除く他のすべての入力変数の入力
データを固定しておいて，対象となる入力変数の入力デ
ータを変化させたときに得られる出力データの標準偏差
として求められる。したがって，この標準偏差は固定さ
れた他の入力変数の入力データの組合せの数だけ得られ
る。このようにして求められた対象となる入力変数に関
するすべての標準偏差の総和がその合計値である。すな
わち，標準偏差σｉｊは，２入力の場合，式１および式
２により求められ，その合計値Ｓｉ　は式３により求め
られる。 【００７０】 【数１】 【００７１】出力分散監視部２２において，このように
して得られた各入力変数についての標準偏差の合計値と
，あらかじめ定められた入力削除の基準値ａとが比較さ
れ，合計値が基準値ａよりも小さい入力変数は削除すべ
きものであると決定される。 【００７２】表３は入出力マトリクスの具体例を示して
いる。入力削除の基準値を１０とすると，入力１につい
ての標準偏差の合計値８はこの基準値よりも小さいので
入力２が削除される。 【００７３】ある入力変数についての標準偏差またはそ
の合計値が小さいということは，その入力変数について
の入力データをそのレンジの範囲内で変化させても出力
データが全く変化しないまたは変化が小さいことを意味
し，その入力変数は出力データには全く影響しないまた
は殆んど影響しないことを意味している。したがって，
その入力変数を考慮する必要が無いことになる。 【００７４】このようにしてすべての入力変数について
の評価が行なわれる。もし削除すべき入力変数が発見さ
れたとすると，その入力変数は削除入力として削除入力
記憶部２３に記憶される。 【００７５】削除すべき入力変数があれば（図２ステッ
プ１０３　でＹＥＳ　），この削除すべき入力変数が学
習フェーズ処理部１に通知させる。学習フェーズ処理部
１では，削除すべきと決定された入力変数についてのサ
ンプル・データを除外した上で，再び上述した学習が実
行される。学習が終了したのち，再び入力決定フェーズ
処理部２における処理が繰返えされる。 【００７６】削除すべき入力変数が無ければ，または再
度もしくは３回以上の学習フェーズおよび入力決定フェ
ーズの処理が繰返されたのち削除すべき入力変数が無く
なると，次の解像度決定フェーズ処理に移る。 【００７７】この入力決定フェーズ処理において，出力
と相関の低い入力変数が削除されるので，これ以降の処
理におけるタスク量が減少するとともに，ファジィ推論
ルールが簡潔になり，このルールにしたがう推論処理の
速度が向上する。 【００７８】解像度決定フェーズ処理部解像度決定フェ
ーズ処理部４は，各入力変数について，入力データの変
化に対する出力データの変化の大きさを判定し，この大
きさに応じて上述した設定値を定めることにより，前件
部のメンバーシップ関数を作成するものである。 【００７９】解像度決定フェーズ処理部４の構成が図６
に示されている。この解像度決定フェーズ処理部４は入
力生成部４１，前件部メンバーシップ関数（ＭＦ）決定
部４２，ならびに上述した事例学習実行部１２および学
習結果記憶部１３から構成されている。 【００８０】前件部メンバーシップ関数決定部４２は表
４に示すように入出力マトリクスを作成するものである
。 【００８１】 【表４】 【００８２】このような入出力マトリクスを作成するた
めに前件部メンバーシップ関数決定部４２は，入力生成
部４１に対してすべての入力変数について入力データの
生成を指示する。入力生成部４１は，上述した入力変動
指示部２１と同じように，この指示にしたがって，すべ
ての入力変数について入力データを作成し，その入力デ
ータを事例学習実行部１２および前件部メンバーシップ
関数決定部４２に与える。入力データは等差線数を構成
するものであることが好ましい。また入力データはその
入力変数のレンジの全範囲をカバーするように作成され
る。 【００８３】事例学習実行部１２は入力生成部４１から
入力データの組（すべての入力変数についての各１つず
つの入力データの組）が与えられると，学習結果記憶部
１３に記憶されている学習結果を用いて，その入力デー
タの組に対する出力データを算出して，その出力データ
を前件部メンバーシップ関数決定部４２に与える。出力
データは入力データのすべての組に対して作成される。 【００８４】前件部メンバーシップ関数決定部４２は，
与えられる入力データの組とこれに対する出力データを
用いて表４に示す入出力マトリクスを作成するとともに
，各入力変数について，入力データが一定値変動したと
きに生じる出力データの変化量の最大値（これを階差の
最大値という）Ｋｉｊを求める。 【００８５】たとえば，表４に示すように入出力マトリ
クスがあった場合，入力１，入力２の階差の最大値Ｋ１
ｉおよびＫ２ｊは，式４および式５によりそれぞれ求め
られる。 【００８６】 【数２】 【００８７】前件部メンバーシップ関数決定部４２は，
続いて，上述した各入力変数についての階差の最大値か
ら前件部のメンバーシップ関数の解像度を求め，メンバ
ーシップ関数を決定する。このとき，階差の最大値が大
きいほど（出力データの変化が大きいほど）メンバーシ
ップ関数が細かく（入力の解像度が細かく）設定され，
階差の最大値が小さいほど（出力データの変化が小さい
ほど）メンバーシップ関数が粗く（入力の解像度を粗く
）設定される。 【００８８】図７に，ある入力変数について設定された
メンバーシップ関数の例が示されている。出力値の変化
量が大きい部分ではメンバーシップ関数の広がりが小さ
く，出力値の変化量が小さい部分ではメンバーシップ関
数の広がりが大きく設定されている。 【００８９】作成するメンバーシップ関数が三角形状の
ものである場合に，このメンバーシップ関数決定の手順
を具体例をもって説明する。 【００９０】三角形状メンバーシップ関数はその頂点の
座標（設定値）Ｔ１　，Ｔ２　，Ｔ３　，…，Ｔｊ　が
決定されると一義的に定められる。すなわち，メンバー
シップ関数は，設定値に頂点をもち，かつ隣接する設定
値を底点とする（ただし端に位置するものは除く）よう
に作成される。そして，三角形状メンバーシップ関数の
底辺の長さが，すべてのメンバーシップ関数（ただし端
に位置するものは除く）において等しくなるように，各
設定値が定められる。 【００９１】表５に示すような入出力マトリクスが得ら
れたものとする。 【００９２】 【表５】 【００９３】入力１についてみると，階差の最大値は６
，９，７，…となっている。そこで，各メンバーシップ
関数の区間（底辺の長さ）に階差８に相当する長さを割
当てるものとする。 【００９４】図８を参照して，入力１の値が１．０　〜
２．０　の間における階差の最大値は６，入力１の値が
２．０　〜３．０　の間における階差の最大値は９であ
る。入力１の値が１．０の位置を始点とする最初の区間
Ｍ１　に階差８を割当てるために，入力値１の値が２．
０　〜３．０　の間から階差２に相当する長さを求め，
この階差２を１．０　〜２．０　の間に加える。 【００９５】このために，２．０　〜３．０　の間にお
いて，階差２に相当する長さを比例配分により求める。 ２．０　〜３．０　の間は階差９であるから，この区間
Ｍ１　の終点Ｂは次のようにして求められる。 【００９６】 【数３】 　　　　Ｂ＝２．０　＋（３．０　−２．０　）×（２
／９）　　　　　　　　　　　　　　…式６【００９７
】区間Ｍ１　の幅は次式で与えられる。 【００９８】 【数４】 　　　　Ｍ１　＝（２．０　−１．０　）＋（３．０　
−２．０　）×（２／９）　　…式７【００９９】この
考え方を一般の場合に拡張すると，次のようなアルゴリ
ズムとなる。ここで各記号を次のように定義する。 【０１００】 　　メンバーシップ関数の区間に割当てる階差：Ａ　　
メンバーシップ関数の区間幅　　　　　　：Ｍ１　，Ｍ
２　，…，Ｍｅ　　　階差を求めたときの入力データ　
　　　：ｘ１　，ｘ２　，…，ｘｉ　，…，ｘｍ　　　
入力データ間における階差の最大値：Ｋ１　，Ｋ２　，
…，Ｋｉ　，…，Ｋｍ−１　 【０１０１】また，このアルゴリズムの理解を助けるた
めの説明図が図９（Ａ）　，（Ｂ）　および（Ｃ）　に
示されている。Ｔｊｓは区間の始点，Ｔｊｅは区間の終
点である（ｊ＝１〜ｅ）。 【０１０２】まず，最初のメンバーシップ関数の区間Ｍ
１　を求める。図９（Ａ）　は式８の場合を示している
。 【０１０３】 【数５】 【０１０４】２つ目以降のメンバーシップ関数の区間Ｍ
ｊ　を求める。ただし，前回のメンバーシップ関数の区
間の終点が入力データｘｋ　とｘ（ｋ＋１）　の間にあ
り，そのときの区間の残りの階差をＢとする。図９（Ｂ
）は式１１の場合を示している。 【０１０５】 【数６】 【０１０６】上記の動作を，Ｂ＜Ａになるまで繰返して
行なう。最後の残りの階差Ｂで，最後のメンバーシップ
関数（区間幅：Ｍｅ　）を構成する（図９（Ｃ）　参照
）。 【０１０７】 【数７】 Ｍｅ　＝Ｂ　　　　　　　　　　　　　　　　　　　　
　　　　　　　　…式１４【０１０８】したがって，ｉ
番目のメンバーシップ関数の始点Ｔｊｓと終点Ｔｊｅは
，次式で表わされる。 【０１０９】 【数８】 【０１１０】変換フェーズ処理部 変換フェーズ処理部３は，上述のようにして得られた前
件部のメンバーシップ関数を用いて後件部のメンバーシ
ップ関数を作成するとともに，一組のファジィ推論のた
めのルールを作成するものである。 【０１１１】変換フェーズ処理部３の構成が図１０に示
されている。変換フェーズ処理部３は，前件部メンバー
シップ関数記憶部３１，後件部メンバーシップ関数記憶
部３２およびルール記憶部３３，ならびに上述した前件
部メンバーシップ関数決定部４２，学習結果記憶部１３
および事例学習実行部１２から構成される。 【０１１２】前件部メンバーシップ関数決定部４２は，
上述のようにして得られたすべてのメンバーシップ関数
にラベル（メンバーシップ関数を特定するための一種の
記号で，言語情報で与えることが好ましい）を割当てる
。 ラベルの例としては，ＮＬ（Ｎｅｇａｔｉｖｅ　Ｌａｒ
ｇｅ：負に大きい），ＮＭ（Ｎｅｇａｔｉｖｅ　Ｍｅｄ
ｉｕｍ　：負に中くらい），ＮＳ（Ｎｅｇａｔｉｖｅ　
Ｓｍａｌｌ：負に小さい），ＺＲ（Ｚｅｒｏ：ほぼ零）
，ＰＳ（Ｐｏｓｉｔｉｖｅ　Ｓｍａｌｌ：正に小さい）
，ＰＭ（Ｐｏｓｉｔｉｖｅ　Ｍｅｄｉｕｍ　：正に中く
らい），ＰＬ（Ｐｏｓｉｔｉｖｅ　Ｌａｒｇｅ：正に大
きい）等の言語情報でもよいし，ＭＦ１１，ＭＦ１２，
…，ＭＦｉｊ等の単なる記号でもよい。 【０１１３】前件部メンバーシップ関数決定部４２は，
各前件部メンバーシップ関数を表わすデータ（メンバー
シップ関数の頂点を示す設定値でもよいし，上述の区間
の始点，終点を表わす値でもよい；もっともこれらの設
定値と区間の始点，終点を表わす値とは同じものである
）をそれに割当てられたファジィ・ラベルとともに，前
件部メンバーシップ関数記憶部３１およびルール記憶部
３３に与える。これらの前件部メンバーシップ関数を表
わすデータとファジィ・ラベルはこれらの記憶部３１，
３３に記憶される。 【０１１４】前件部メンバーシップ関数決定部４２はま
た，決定した前件部メンバーシップ関数の頂点に対応す
る設定値（入力データ）のすべての入力変数についての
組合せを作成して，順次，事例学習実行部１２に与える
。 事例学習実行部１２は与えられた入力データの組に対応
する出力データを出力し，後件部メンバーシップ関数記
憶部３２およびルール記憶部３３に与える。 【０１１５】事例学習実行部１２から得られる出力デー
タによって後件部のメンバーシップ関数が表わされる。 後件部メンバーシップ関数は，たええば図１２に示すよ
うにシングルトンで表わされ，出力データの位置に立つ
１本の棒（グレード１）によって表現される。図１２に
は作成された後件部メンバーシップ関数の一部のみが示
されている。 【０１１６】もっとも後件部メンバーシップ関数を三角
形状の関数で実現してもよい。この場合には，三角形状
メンバーシップ関数は出力データの位置でグレード１の
値をとり，かつ適当な長さの底辺をもつように形成され
る。 【０１１７】このようにして作成された後件部メンバー
シップ関数は後件部メンバーシップ関数記憶部３２に記
憶される。 【０１１８】ルール記憶部３３は，与えられる前件部の
ファジィ・ラベルと出力データとにより一組のファジィ
・ルールを作成して記憶する。各ルールは，事例学習実
行部１２に与えられる入力データの組によって表わされ
るメンバーシップ関数のラベルを前件部とし，それに対
応して実行部１２から得られる出力データを後件部とし
て形成される。このようにして作成されたルールの一例
が図１１に示されている。 【０１１９】図１１は次のようなルールを表現している
。 【０１２０】 もし入力１がＰＬで入力２がＮＬならば出力を１．０　
とせよ。 もし入力１がＰＬで入力２がＮＭならば出力を５．０　
とせよ。 もし入力１がＰＬで入力２がＮＳならば出力を４．８　
とせよ。 もし入力１がＰＭで入力２がＮＬならば出力を２．３　
とせよ。 もし入力１がＰＭで入力２がＮＭならば出力を４．５　
とせよ。 もし入力１がＰＭで入力２がＮＳならば出力を５．６　
とせよ。 もし入力１がＰＳで入力２がＮＬならば出力を１．５　
とせよ。 もし入力１がＰＳで入力２がＮＭならば出力を３．２　
とせよ。 もし入力１がＰＳで入力２がＮＳならば出力を６．７　
とせよ。 【０１２１】実行フェーズ処理部 実行フェーズ処理部５は上述のようにして作成されたル
ールに基づいてファジィ推論演算を実行するものであり
，その構成は公知のものを採用しうる。 【０１２２】実行フェーズ処理部５は，図１３に示すよ
うにファジィ演算実行部５１と，上述した前件部メンバ
ーシップ関数記憶部３１，後件部メンバーシップ関数記
憶部３２およびルール記憶部３３とから構成される。 【０１２３】入力データが与えられると，ルール記憶部
３３に記憶されているルールにしたがう前件部メンバー
シップ関数が記憶部３１から読出され，各メンバーシッ
プ関数に対する入力データの適合度が求められる。各ル
ールごとに適合度の最小値が算出される。一方，各ルー
ルの後件部メンバーシップ関数が後件部メンバーシップ
関数記憶部３２から読出され，その高さが対応するルー
ルの適合度の最小値によって裁断される。すべてのルー
ルについて得られた演算結果（裁断された後件部メンバ
ーシップ関数）の重心演算が行なわれ，最終的な出力デ
ータが算出され，かつ出力される。 【０１２４】ファジィ推論演算は上述したＭＩＮ−ＭＡ
Ｘ　，重心演算以外に種々の方法があるのはいうまでも
ない。 【０１２５】このような実行フェーズ処理部５は，それ
自体を独立したファジィ推論装置としてもよいのはいう
までもない。 【０１２６】第２実施例 次に第２実施例について説明する。 【０１２７】図１４は第２実施例のファジィ処理装置の
機能ブロック図，図１５はその動作の概要を示すフロー
・チャートである。 【０１２８】図１および図２と図１４および図１５との
比較から分るように，第２実施例では，ファジィ・ルー
ルを作成したのちに，このファジィ・ルールにしたがう
ファジィ推論を行い，ファジィ推論の結果によって削除
すべき入力を決定している。 【０１２９】図１４および図１５において，図１および
図２に示すものと同一物には同一符号を付し説明を省略
する。 【０１３０】学習フェーズ処理部１，解像度決定フェー
ズ処理部４および変換フェーズ処理部３によって，与え
られたサンプル・データに基づいて，入力変数の削除処
理を行うことなく，前件部メンバーシップ関数，後件部
メンバーシップ関数およびファジィ・ルールが作成され
，これらは各記憶部３１，３２および３３に記憶される
。 【０１３１】次に入力決定フェーズ処理部６における入
力変数の削除処理が行なわれる。入力決定フェーズ処理
部６の構成が図１６に示されている。この図においても
，図５および図１３に示すものと同一物には同一符号が
付されている。 【０１３２】出力分散監視部２２の指示により，入力変
動指示部２１がすべての入力変数の組合せからなる入力
データを順次生成し，実行フェーズ処理部５および出力
分散監視部２２に与える。実行フェーズ処理部５は与え
られた入力データを用いて，各記憶部３１，３２および
３３に記憶されている前件部メンバーシップ関数，後件
部メンバーシップ関数およびファジィ・ルールにしたが
ってファジィ推論を行い，対応する出力データを出力す
る。この出力データは出力分散監視部２２に与える。 【０１３３】出力分散監視部２２は与えられる入力デー
タおよび出力データを用いて表２または表３に示すよう
な入出力マトリクスを作成し，上述した第１実施例にお
けるやり方と同じようにして，出力と相関の小さい入力
変数を削除すべきことを決定する。削除されるべき入力
変数は削除入力記憶部２３に記憶される。 【０１３４】削除すべき入力があると，再び学習フェー
ズ処理部１における処理に戻り（図１５ステップ１０８
　から１０１　に戻る），削除すべき入力変数に関する
サンプル・データを除いたサンプル・データを用いて，
再び学習フェーズ処理部１，変換フェーズ処理部３およ
び解像度決定フェーズ処理部４によって，前件部メンバ
ーシップ関数，後件部メンバーシップ関数およびファジ
ィ・ルールが作成される。 【０１３５】削除すべき入力変数がなければ，実行フェ
ーズ処理部５による処理（この処理は必ずしも必要ない
が）に進む。

【図面の簡単な説明】

【図１】第１の実施例によるファジィ処理装置の構成を
示す機能ブロック図である。

【図２】第１の実施例によるファジィ処理装置の動作を
示すフロー・チャートである。

【図３】学習フェーズ処理等の構成を示す機能ブロック
図である。

【図４】学習により得られる入力と出力との関係を示す
グラフである。

【図５】入力決定フェーズ処理部の構成を示す機能ブロ
ック図である。

【図６】解像度決定フェーズ処理部の構成を示す機能ブ
ロック図である。

【図７】出力の変化量によって作成されるメンバーシッ
プ関数の区間の幅が変化する様子を示すグラフである。

【図８】前件部メンバーシップ関数の区間の幅を決定す
る様子を示すものである。

【図９】（Ａ）　，（Ｂ）　および（Ｃ）　は前件部メ
ンバーシップ関数の区間を決定するアルゴリズムにした
がう処理を説明するものである。

【図１０】変換フェーズ処理部の構成を示す機能ブロッ
ク図である。

【図１１】作成されたファジィ・ルールの例を示すテー
ブルである。

【図１２】シングルトンで表わされる後件部メンバーシ
ップ関数を示すグラフである。

【図１３】実行フェーズ処理部の構成を示す機能ブロッ
ク図である。

【図１４】第２実施例によるファジィ処理装置の構成を
示す機能ブロック図である。

【図１５】第２実施例によるファジィ処理装置の動作を
示すフロー・チャートである。

【図１６】入力決定フェーズ処理部の構成を示す機能ブ
ロック図である。

【符号の説明】

１　　学習フェーズ処理部 ２，６　　入力決定フェーズ処理部 ３　　変換フェーズ処理部 ４　　解像度決定フェーズ処理部 ５　　実行フェーズ処理部

【表３】

Claims (40)

【特許請求の範囲】
1. 【請求項１】　　与えられた複数種類の入力変数につい
   ての入力データとそれに対応する少なくとも一種類の出
   力変数についての出力データとの組が複数組含まれて構
   成されるサンプル・データを用いて，学習により，複数
   種類の入力変数に関する任意の入力データの組に対応す
   る出力データが得られる構造を構築する学習手段，複数
   の入力変数についての入力データの複数の組を発生し，
   これらを上記学習手段に与えることによりそれらに対応
   する出力データを得，各入力変数について，入力データ
   の変化に対する出力データの変化の大きさに応じた広が
   りをもつ前件部メンバーシップ関数を作成する前件部作
   成手段，ならびに上記前件部作成手段によって作成され
   た前件部メンバーシップ関数に対する入力代表値の複数
   の入力変数についての組合せからなる入力データ組を上
   記学習手段に与え，これに対応して上記学習手段から得
   られる出力データに基づいて後件部メンバーシップ関数
   を作成し，上記の入力データ組に含まれる入力代表値を
   もつ前件部メンバーシップ関数とこれに対応して得られ
   る後件部メンバーシップ関数とからなるルールを作成す
   るルール作成手段，を備えたファジィ処理装置。
2. 【請求項２】　　複数の入力変数についての入力データ
   の複数の組を発生し，これらを上記学習手段に与えるこ
   とによりそれらに対応する出力データを得，これらの入
   力データと出力データとに基づいて，出力データに対す
   る相関が所定値よりも小さい入力変数があるかどうかを
   判定する入力決定手段，をさらに備えた請求項１に記載
   のファジィ処理装置。
3. 【請求項３】　　出力データに対する相関が所定値より
   も小さい入力変数が存在した場合にそれを削除すべき入
   力変数と決定し，上記学習手段に与えるべきサンプル・
   データから削除入力変数に関するデータを削除して上記
   学習手段に与え，上記学習手段に再度学習処理を繰返さ
   せる制御手段，をさらに備えた請求項２に記載のファジ
   ィ処理装置。
4. 【請求項４】　　上記制御手段は，削除すべき入力変数
   が無くなるまで，サンプル・データからの削除すべき入
   力変数に関するデータの削除と学習とを繰返すよう制御
   するものである請求項３に記載のファジィ処理装置。
5. 【請求項５】　　上記前件部作成手段およびルール作成
   手段は，削除すべき入力変数が無くなった状態の上記学
   習手段を用いる，請求項４に記載のファジィ処理装置。
6. 【請求項６】　　上記前件部作成手段およびルール作成
   手段により作成された前件部メンバーシップ関数，後件
   部メンバーシップ関数およびルールにしたがうファジィ
   推論演算を行うファジィ推論手段を備えた請求項１に記
   載のファジィ処理装置。
7. 【請求項７】　　上記前件部作成手段およびルール作成
   手段により作成された前件部メンバーシップ関数，後件
   部メンバーシップ関数およびルールにしたがうファジィ
   推論演算を行うファジィ推論手段，ならびに複数の入力
   変数についての入力データの複数の組を発生し，これら
   を上記ファジィ推論手段に与えることによりそれらに対
   応する出力データを得，これらの入力データと出力デー
   タとに基づいて，出力データに対する相関が所定値より
   も小さい入力変数があるかどうかを判定する入力決定手
   段，をさらに備えた請求項１に記載のファジィ処理装置
   。
8. 【請求項８】　　出力データに対する相関が所定値より
   も小さい入力変数が存在した場合にそれを削除すべき入
   力変数と決定し，上記学習手段に与えるべきサンプル・
   データから削除入力変数に関するデータを削除して上記
   学習手段に与え，上記学習手段に再度学習処理を繰返さ
   せる制御手段，をさらに備えた請求項７に記載のファジ
   ィ処理装置。
9. 【請求項９】　　上記制御手段は，削除すべき入力変数
   が無くなるまで，サンプル・データからの削除すべき入
   力変数に関するデータの削除と学習と前件部メンバーシ
   ップ関数の作成とルールの作成とを繰返すよう制御する
   ものである請求項８に記載のファジィ処理装置。
10. 【請求項１０】　　上記前件部作成手段およびルール作
    成手段は，削除すべき入力変数が無くなった状態の上記
    学習手段を用いる，請求項９に記載のファジィ処理装置
    。
11. 【請求項１１】　　上記学習手段が，サンプル・データ
    を記憶する第１の記憶手段と，サンプル・データが与え
    られることにより学習を行うニューラル・ネットワーク
    手段と，ニューラル・ネットワーク手段による学習結果
    を記憶する第２の記憶手段と，からなる，請求項１に記
    載のファジィ処理装置。
12. 【請求項１２】　　上記前件部作成手段が，複数の入力
    変数についての入力データの複数の組を発生する入力生
    成手段と，上記入力生成手段から与えられる入力データ
    の組に対応する出力データを算出して出力する上記学習
    手段と，各入力変数について，入力データが一定値変動
    したときに生じる出力データの変化量を算出する手段と
    ，各入力変数について，出力データの変化量が一定値を
    保つように入力データの変動幅を定め，この変動幅ごと
    に一つの前件部メンバーシップ関数を割当てる手段と，
    から構成される請求項１に記載のファジィ処理装置。
13. 【請求項１３】　　上記入力決定手段が，複数の入力変
    数についての入力データの複数の組を発生する入力生成
    手段と，上記入力生成手段から与えられる入力データの
    組に対応する出力データを算出して出力する上記学習手
    段と，各入力変数について，対象となる入力変数を除く
    他のすべての入力変数の入力データを固定し，対象とな
    る入力変数の入力データを変化させたときの出力データ
    の分散の総和を算出する手段と，上記分散の総和と所定
    の基準値とを比較し，上記所定の基準値よりも上記分散
    の総和が小さい入力変数を削除すべきものと決定する手
    段と，から構成される請求項２に記載のファジィ処理装
    置。
14. 【請求項１４】　　上記入力決定手段が，複数の入力変
    数についての入力データの複数の組を発生する入力生成
    手段と，上記入力生成手段により発生する入力データの
    組を上記ファジィ推論手段に与え，これに対応して上記
    ファジィ推論手段から得られる出力データを取込み，各
    入力変数について，対象となる入力変数を除く他のすべ
    ての入力変数の入力データを固定し，対象となる入力変
    数の入力データを変化させたときの出力データの分散の
    総和を算出する手段と，上記分散の総和と所定の基準値
    とを比較し，上記所定の基準値よりも上記分散の総和が
    小さい入力変数を削除すべきものと決定する手段と，か
    ら構成される請求項７に記載のファジィ処理装置。
15. 【請求項１５】　　与えられた複数種類の入力変数につ
    いての入力データとそれに対応する少なくとも一種類の
    出力変数についての出力データとの組が複数組含まれて
    構成されるサンプル・データを用いて，学習により，複
    数種類の入力変数に関する任意の入力データの組に対応
    する出力データが得られる構造を構築する学習手段，複
    数の入力変数についての入力データの複数の組を発生す
    る入力生成手段，上記入力生成手段から与えられる入力
    データの組を上記学習手段に与え，上記学習手段を動作
    させてそれに対応する出力データを得るよう制御する手
    段，各入力変数について，入力データが一定値変動した
    ときに生じる出力データの変化量を算出する手段，なら
    びに各入力変数について，出力データの変化量が一定値
    を保つように入力データの変動幅を定め，この変動幅ご
    とに一つの前件部メンバーシップ関数を割当てる手段，
    を備えたファジィ処理装置。
16. 【請求項１６】　　複数の入力変数についての入力デー
    タの複数の組とこれらに対応する出力データとを記憶す
    る手段，各入力変数について，上記入力データが一定値
    変動したときに生じる上記出力データの変化量を算出す
    る手段，ならびに各入力変数について，上記出力データ
    の変化量が一定値を保つように上記入力データの変動幅
    を定め，この変動幅ごとに一つの前件部メンバーシップ
    関数を割当てる手段，を備えたファジィ処理装置。
17. 【請求項１７】　　複数の入力変数についての入力デー
    タの組を発生する入力生成手段，上記入力生成手段から
    与えられる入力データの組に対応する出力データを生成
    して出力する出力生成手段，各入力変数について，対象
    となる入力変数を除く他のすべての入力変数の入力デー
    タを固定し，対象となる入力変数の入力データを変化さ
    せたときの出力データの分散の総和を算出する手段，な
    らびに上記分散の総和と所定の基準値とを比較し，上記
    所定の基準値よりも上記分散の総和が小さい入力変数を
    削除すべきものと決定する手段，を備えたファジィ処理
    装置。
18. 【請求項１８】　　上記出力生成手段が，与えられた複
    数種類の入力変数についての入力データとそれに対応す
    る少なくとも一種類の出力変数についての出力データと
    の組が複数組含まれて構成されるサンプル・データを用
    いて，学習により，複数種類の入力変数に関する任意の
    入力データの組に対応する出力データが得られる構造を
    構築する学習手段である請求項１７に記載のファジィ処
    理装置。
19. 【請求項１９】　　上記出力生成手段が，あらかじめ設
    定された前件部メンバーシップ関数，後件部メンバーシ
    ップ関数およびルールにしたがってファジィ推論演算を
    行うファジィ推論手段である請求項１７に記載のファジ
    ィ処理装置。
20. 【請求項２０】　　複数の入力変数についての入力デー
    タの複数の組とこれらに対応する出力データとを記憶す
    る手段，各入力変数について，対象となる入力変数を除
    く他のすべての入力変数の入力データを固定し，対象と
    なる入力変数の入力データを変化させたときの出力デー
    タの分散の総和を算出する手段，ならびに上記分散の総
    和と所定の基準値とを比較し，上記所定の基準値よりも
    上記分散の総和が小さい入力変数を削除すべきものと決
    定する手段，を備えたファジィ処理装置。
21. 【請求項２１】　　与えられた複数種類の入力変数につ
    いての入力データとそれに対応する少なくとも一種類の
    出力変数についての出力データとの組が複数組含まれて
    構成されるサンプル・データを用いて，学習により，複
    数種類の入力変数に関する任意の入力データの組に対応
    する出力データが得られる学習構造を構築し，複数の入
    力変数についての入力データの複数の組を発生し，これ
    らを上記学習構造に与えることによりそれらに対応する
    出力データを得，各入力変数について，入力データの変
    化に対する出力データの変化の大きさに応じた広がりを
    もつ前件部メンバーシップ関数を作成し，さらに作成さ
    れた前件部メンバーシップ関数に対する入力代表値の複
    数の入力変数についての組合せからなる入力データ組を
    上記学習構造に与え，これに対応して上記学習構造から
    得られる出力データに基づいて後件部メンバーシップ関
    数を作成し，上記の入力データ組に含まれる入力代表値
    をもつ前件部メンバーシップ関数とこれに対応して得ら
    れる後件部メンバーシップ関数とからなるルールを作成
    する，ファジィ処理方法。
22. 【請求項２２】　　複数の入力変数についての入力デー
    タの複数の組を発生し，これらを上記学習構造に与える
    ことによりそれらに対応する出力データを得，これらの
    入力データと出力データとに基づいて，出力データに対
    する相関が所定値よりも小さい入力変数があるかどうか
    をさらに判定する請求項２１に記載のファジィ処理方法
    。
23. 【請求項２３】　　出力データに対する相関が所定値よ
    りも小さい入力変数が存在した場合にそれを削除すべき
    入力変数と決定し，上記学習構造に与えるべきサンプル
    ・データから削除入力変数に関するデータを削除して上
    記学習構造に与え，上記学習構造に再度学習処理を繰返
    させる請求項２２に記載のファジィ処理方法。
24. 【請求項２４】　　削除すべき入力変数が無くなるまで
    ，サンプル・データからの削除すべき入力変数に関する
    データの削除と学習とを繰返す請求項２３に記載のファ
    ジィ処理方法。
25. 【請求項２５】　　削除すべき入力変数が無くなった状
    態の上記学習構造を用いて前件部メンバーシップ関数，
    後件部メンバーシップ関数およびルールを作成する，請
    求項２４に記載のファジィ処理方法。
26. 【請求項２６】　　作成された前件部メンバーシップ関
    数，後件部メンバーシップ関数およびルールにしたがう
    ファジィ推論演算を行う請求項２１に記載のファジィ処
    理方法。
27. 【請求項２７】　　複数の入力変数についての入力デー
    タの複数の組を発生し，これらを用いて，作成された前
    件部メンバーシップ関数，後件部メンバーシップ関数お
    よびルールにしたがうファジィ推論演算を行うことによ
    り対応する出力データを得，これらの入力データと出力
    データとに基づいて，出力データに対する相関が所定値
    よりも小さい入力変数があるかどうかを判定する請求項
    ２１に記載のファジィ処理方法。
28. 【請求項２８】　　出力データに対する相関が所定値よ
    りも小さい入力変数が存在した場合にそれを削除すべき
    入力変数と決定し，上記学習構造に与えるべきサンプル
    ・データから削除入力変数に関するデータを削除して上
    記学習構造に与え，上記学習構造に再度学習処理を繰返
    させる請求項２７に記載のファジィ処理方法。
29. 【請求項２９】　　削除すべき入力変数が無くなるまで
    ，サンプル・データからの削除すべき入力変数に関する
    データの削除と学習と前件部メンバーシップ関数の作成
    とルールの作成とを繰返す請求項２８に記載のファジィ
    処理方法。
30. 【請求項３０】　　削除すべき入力変数が無くなった状
    態の上記学習構造を用いて前件部メンバーシップ関数，
    後件部メンバーシップ関数およびルールを作成する，請
    求項２９に記載のファジィ処理方法。
31. 【請求項３１】　　上記学習構造を，サンプル・データ
    が与えられることにより学習を行うニューラル・ネット
    ワークにより構成する請求項２１に記載のファジィ処理
    方法。
32. 【請求項３２】　　複数の入力変数についての入力デー
    タの複数の組を発生し，発生した入力データの組を上記
    学習構造に与えることによりこれらに対応する出力デー
    タを算出させ，各入力変数について，入力データが一定
    値変動したときに生じる出力データの変化量を算出し，
    各入力変数について，出力データの変化量が一定値を保
    つように入力データの変動幅を定め，この変動幅ごとに
    一つの前件部メンバーシップ関数を割当てることにより
    前件部メンバーシップの関数を作成する，請求項２１に
    記載のファジィ処理方法。
33. 【請求項３３】　　複数の入力変数についての入力デー
    タの複数の組を発生し，発生した入力データの組を上記
    学習構造に与えることによりこれに対応する出力データ
    を算出させ，各入力変数について，対象となる入力変数
    を除く他のすべての入力変数の入力データを固定し，対
    象となる入力変数の入力データを変化させたときの出力
    データの分散の総和を算出し，上記分散の総和と所定の
    基準値とを比較し，上記所定の基準値よりも上記分散の
    総和が小さい入力変数を削除すべきものと決定する，請
    求項２２に記載のファジィ処理方法。
34. 【請求項３４】　　複数の入力変数についての入力デー
    タの複数の組を発生し，発生した入力データの組を用い
    ，作成された前件部メンバーシップ関数，後件部メンバ
    ーシップ関数およびルールにしたがうファジィ推論演算
    を行うことにより出力データを得，各入力変数について
    ，対象となる入力変数を除く他のすべての入力変数の入
    力データを固定し，対象となる入力変数の入力データを
    変化させたときの出力データの分散の総和を算出し，上
    記分散の総和と所定の基準値とを比較し，上記所定の基
    準値よりも上記分散の総和が小さい入力変数を削除すべ
    きものと決定する，請求項２７に記載のファジィ処理方
    法。
35. 【請求項３５】　　与えられた複数種類の入力変数につ
    いての入力データとそれに対応する少なくとも一種類の
    出力変数についての出力データとの組が複数組含まれて
    構成されるサンプル・データを用いて，学習により，複
    数種類の入力変数に関する任意の入力データの組に対応
    する出力データが得られる学習構造を構築し，複数の入
    力変数についての入力データの複数の組を発生し，発生
    した入力データの組を上記学習構造に与え，上記学習構
    造を動作させてそれに対応する出力データを得るよう制
    御し，各入力変数について，入力データが一定値変動し
    たときに生じる出力データの変化量を算出し，各入力変
    数について，出力データの変化量が一定値を保つように
    入力データの変動幅を定め，この変動幅ごとに一つの前
    件部メンバーシップ関数を割当てることにより前件部メ
    ンバーシップ関数を作成する，ファジィ処理方法。
36. 【請求項３６】　　複数の入力変数についての入力デー
    タの複数の組とこれらに対応する出力データとをあらか
    じめ記憶しておき，各入力変数について，上記入力デー
    タが一定値変動したときに生じる上記出力データの変化
    量を算出し，各入力変数について，上記出力データの変
    化量が一定値を保つように上記入力データの変動幅を定
    め，この変動幅ごとに一つの前件部メンバーシップ関数
    を割当てることにより前件部メンバーシップ関数を作成
    する，ファジィ処理方法。
37. 【請求項３７】　　複数の入力変数についての入力デー
    タの組を発生し，発生した入力データの組に対応する出
    力データを生成し，各入力変数について，対象となる入
    力変数を除く他のすべての入力変数の入力データを固定
    し，対象となる入力変数の入力データを変化させたとき
    の出力データの分散の総和を算出し，上記分散の総和と
    所定の基準値とを比較し，上記所定の基準値よりも上記
    分散の総和が小さい入力変数を削除すべきものと決定す
    る，ファジィ処理方法。
38. 【請求項３８】　　与えられた複数種類の入力変数につ
    いての入力データとそれに対応する少なくとも一種類の
    出力変数についての出力データとの組が複数組含まれて
    構成されるサンプル・データを用いて，学習により，複
    数種類の入力変数に関する任意の入力データの組に対応
    する出力データが得られる学習構造を構築し，この学習
    構造に入力データの組を与えることにより出力データを
    生成する請求項３７に記載のファジィ処理方法。
39. 【請求項３９】　　あらかじめ設定された前件部メンバ
    ーシップ関数，後件部メンバーシップ関数およびルール
    にしたがってファジィ推論演算を行うことにより出力デ
    ータを生成する請求項３７に記載のファジィ処理方法。
40. 【請求項４０】　　複数の入力変数についての入力デー
    タの複数の組とこれらに対応する出力データとをあらか
    じめ記憶しておき，各入力変数について，対象となる入
    力変数を除く他のすべての入力変数の入力データを固定
    し，対象となる入力変数の入力データを変化させたとき
    の出力データの分散の総和を算出し，上記分散の総和と
    所定の基準値とを比較し，上記所定の基準値よりも上記
    分散の総和が小さい入力変数を削除すべきものと決定す
    る，ファジィ処理方法。