JPH0464137A - ルール部全結合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、ルール部および後件部
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全結合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な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、ルール部および後件部
メンバシップ関数実現部の各々に、予め持っている知識
の導入または乱数の利用またはその併用で重みおよび閾
値の初期値を設定した後、予め準備されたシステム学習
データを使用してネットワーク全体を学習させるように
構成する。

〔産業上の利用分野］ 本発明は、ファジィ制御とニューラルネットワークを融
合させたルール部全結合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ニュ
ーラルネットワークに提示して学習させ適応的な処理を
行なわせる。この学習処理には特にバックプロパゲーシ
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
行な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表わ
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なわれている。

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なう。

■検査結果を評価し、メンバシップ関数や規則の改良を
行なう。

さらに詳細に説明すると、ファジィ制御ルールは、例え
ば、 ｒｉｆ　ＸＩ　ｉｓ　ｂｔｇ　ａｎｄ　Ｘ２　ｉｓ　ｓ
＋ｗａｌｌ　ｔｈｅｎＶ＋　ｉｓ　ｂｉｇ　Ｊ 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理論として用意
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、 ｒＸ、　ｊｓ　ｂｉｇ　Ｊ　　の真理値＝０．８ｒＸ２
ｉｓ　ｓｏ＋ａｌｌ　」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通用
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、［ｙ＋　ｉ
ｓ　ｂｉｇ　Ｊの通用値＝０．５［ＶＩｉｓ　ｂｊｇ　
Ｊ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
バシップ関数を縮小（または拡大）するト共に、同一の
制御操作量についてのメンバ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なって、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
、すなわちルール部プリワイヤニューロを使用した適用
型のファジィ制御システムを提案している（特願平２−
６０２５６号「階層ネットワーク構成データ処理装置お
よびデータ処理システムＪ）。すなわち、ルール部ブリ
ワイヤニューロは、前件部メンバシップ関数実現部、ル
ール部およ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、ルール部全結合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なわれる学習は、前
件部メンバシップ関数部、ルール部および後件部メンバ
シップ関数実現部の重みを含め、どのようにして学習を
行なわせるかの学習方法が決まっておらず、ルール部全
結合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全結合ニューロの学習方
法を提供することを目的としている。

［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。

本発明は、前件部メンバシップ関数実現部１０．１また
は複数階層でなるルール部１２および後件部メンバシッ
プ関数実現部１４でなる階層ネットワーク構造を有し、
ルール部１２の内部の層同士の間および、前段の前件部
メンバシ・ノブ関数実現部１０および後段の後件部メン
バシンプ関数実境部１４との間で全ユニット間を内部結
合して成り、入力される制御状態量（Ｘ、、Ｘ、、・・
・Ｘｏ）に対応する１または複数の制御操作量（Ｙ）を
出力するルール部全結合ニューロを対象とする。

このようなルール部全結合ニューロの学習方法として本
発明にあっては、 〈第１過程〉 前件部メンバシップ関数実現部１０、ルール部１２およ
び後件部メンバシップ関数実現部１４の各々に重みおよ
び閾値の初期値を設定する。

く第２過程〉 予め準備された学習データを使用して前件部メンバシッ
プ関数実現部１０、ルール部１２および後件部メンバシ
ップ関数実現部１４の全てを学習させる。

とする処理過程を備えた学習方法を構成する。

ここで第１過程の重みおよび閾値の初期値の設定方法と
しては、予め持っている知識（図中は「先験的知識」と
して示す）に基づいて作成された初期値を設定する。

また第１過程の重みおよび閾値の初期値の他の設定方法
としては、乱数を用いて作成された初期値を設定する。

さらに第１過程の重みおよび閾値の初期値の設定は、予
め持っている知識で設定可能なものは該知識で初期設定
し、その他は乱数を用いて初期値を設定する場合もある
。

さらにまた、第２過程の学習開始時には、前件部メンバ
シンブ関数実境部１０、ルール部１２および後件部メン
バシップ関数実現数１４でなる階層ネットワーク構造の
結線毎に学習の有無を決める学習フラグを設定し、結線
に設定された学習フラグに基づいて重み値を学習処理に
より最適化する。

［作　用］ このような構成を備え第３図によって定義されるような
ルール部全結合ニューロについての本発明による学習方
法によれば、次の作用が得られる。

まず、対象システムのファジィ制御ルールを実現する前
件部メンバシップ関数実現部、ルール部および後件部メ
ンバシップ関数実現部で成る階層ネットワーク構成のル
ール部全結合ニューロに対し、予め持っている知識に基
づいた重みおよび閾値の初期値の設定または乱数に基づ
いた重みおよび閾値の初期値の設定あるいは両者の併用
を行なつ。

続いて、学習処理を起動し、学習用の入カバターンをル
ール部全結合ニューロに提示し、ルール部全結合ニュー
ロからの出カバターンが、入カバターンに対し望ましい
出カバターンとなる学習用カバターン（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
バックプロパゲーション法による学習を行なう。

また、予め持っている知識を導入した前件部メンバシッ
プ関数実現部、および後件部メンバシップ関数実現部の
重みおよび閾値の初期設定により、学習効率を高めるこ
とができる。

さらに、乱数を利用した前件部メンバシップ関数実現部
、ルール部および後件部メンバシップ関数実現部の重み
および閾値の初期設定により、ネットワークの性能を最
大限引き出すことができる。

［実施例］ 第２図は本発明によるルール部全結合ニューロの学習方
法の第１の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
となるルール部全結合ニューロは、例えば第５図に示す
ような前件部メンバシップ関数実現部１０、ルール部１
２、およ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。

第２図の学習処理にあっては、次のステップ３１〜Ｓ６
から成る処理を行なう。

〈ステ・ンブＳｌ＞ 前件部メンバシップ関数実現部１０の重みＣａ　ｂ　＋
Ｃｂｃを与えられたメンバシップ関数を実現するように
予め持っている知識を導入して初期設定する。

〈ステップＳ２＞ ルール部１２の重みＣｃｄ、　Ｃｄｅを乱数を用いて初
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Ｃｅｆを与え
られたメンバシップ関数を実現するように予め持ってい
る知識を導入して初期設定する。

〈ステップＳ４＞ 重心計算実現部１８の重みＣｆｇを、重心計算を実現す
るように初期設定する。尚、第５図では後件部メンバシ
ップ関数実現部１４に含まれている。

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

〈ステップＳ６） 学習スケジューラを起動してバックプロパゲーション法
により学習処理を行なう。

以下、第２図の動作フローに示したステップ３１〜Ｓ６
をそれぞれに分けて詳細に説明する。

（ルール部全結合ニューロの構成） 本発明の対象となるルール部全結合ニューロは、例えば
、第５図に示すファジィ制御ルールの実現可能な階層ネ
ットワーク構成を有する。

第５図において、各部に示したノードは１つの基本ユニ
ットを構成しており、基本ユニットは黒丸で示すシグモ
イド関数ユニットと、白丸で示す線形関数ユニットの２
種が使用されている。

第４図は第５図のルール部全結合ニューロにおける基本
ユニットの構成を取り出して示したものである。

第４図において、基本ユニット２０は多大力１出力系を
構成しており、複数の入力に対し各々の内部結合の重み
値を乗算する乗算部２２と、乗算部２２の乗算結果を加
算する加算部２４と、加算部２４の出力に閾値処理を施
す閾値処理部２６とで構成される。

ここで前段層をｈ層、後段層をｉ層とすると、乗算部２
２と加算部２４は下記の（１）式の演算を実行し、また
閾値処理部２６では下記の（２）式の演算を実行する。

Ｘｐｉ−Σ　Ｆ＋＞ｈＷｔｈ Ｖｐｉ＝　１　／　（（１＋　ｅ−′Ｘｐｉ−”’　　
）　　　　　（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 θ、＝ｉ層の１番ユニットの閾値 Ｗ、ｈ：ｈ−ｉ層間の内部結合の重み値Ｘい、：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：２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 ｙｐｉ：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５図のルール部全結合ニューロに示した黒丸の基
本ユニットの閾値処理部２６が前記（２）式のシグモイ
ド関数に従った閾値処理を行なう。

これに対し閾値処理部２６に ）’　ｐｉ　＝　Ｘ　ｐｉ となる線形関数を設定したものが第５図における白丸の
線形関数ユニットとなる。但し、前件部メンバシップ関
数実現部１０の最初のユニットとなる入力部は除く。こ
の第４図の基本ユニットを構成するハードウェアとして
は特願昭６３−２１６８６５号の「ネットワーク構成デ
ータ処理装置」が使用できる。

再び第５図を参照してルール部全結合ニューロの各部の
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＋　＆Ｘｚ　　（ＳＡ） トイウメンバシップ関数であっても良い。

ルール部は階層型ニューラルネットワークである。入力
変数Ｘ、、Ｘ、のメンバシップ関数のグレード値を入力
として、出力変数Ｙのメンバシップ関数のグレード値を
出力とする。

後件部メンバシップ関数実現部１４（重心決定部を含む
）は、出力変数のメンバシップ関数ｙ（ＳＡ）〜ｙ　（
ＬＡ）のグレード値を入力して、出力変数Ｙの値を出力
する。

また、第５図では各ユニットを１つのニューロンとして
説明しているが、ルール部以外の部分についてユニット
の機能が特定できているものはニューロンとせずにユニ
ット機能を実現するゲート回路、演算器等としてもよい
。

第５図においては、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、同図を参照して各
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２Ｂ−１，２８−２で構成さ
れ、入力χ１．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ｆｉユニッｌ−３０−１〜
３０−４と各シグモイド関数ユニット３０−１〜３０−
４の出力を入力した同じく４つの線形関数ユニット３２
−１〜３２３で構成される。

ルール部１２はシグモイド関数ユニット３４１〜３４−
５を備え、各シグモイド関数ユニット３４−１〜３４−
５に対する前件部メンバシップ関数実現部１０からは総
てのユニットに対して結線が行なわれている。シグモイ
ド関数ユニット３４−１〜３４−５の出力は後件部演算
を行なう線形関数ユニット３６−１〜３６−２との間で
各ユニット間が総て結線されている。

後件部メンバシップ関数実現部１４は９つの線形関数ユ
ニット３８−１〜３８−９で構成されており、ルール部
１２から出力される２種の出力値（グレード値）に基づ
いてメンバシップ関数を縮小（または拡大）すると共に
縮小した２種のメンバシップ関数の関数和を算出する。

さらに重心計算実現部１日は重心決定要素出力装置４０
と重心算出装置４２で構成され、後件部メンバシップ関
数実現部１４からの出力の重付は総和を重心決定要素出
力装置４０に設けられた２つの線形関数ユニット４０−
１．４０−２のそれぞれで演算して２つの重心算出要素
Ｙ＋　、Ｙｚ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、、Ｙ、から重心を算出して制御出力
Ｙを生ずる。

第６図は、第５図のルール部全結合ニューロについて、
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６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Ｇａ
と重心計算実現部１８のニューロングループｃｇの２つ
については単なる分離および加算合成を行なうにすぎな
いことから、本発明による学習対象からは除いており、
従って本発明の学習対象に入るニューロングループはＧ
ｂ。

Ｇｃ、Ｇｄ、ＧｅおよびＧｆの５つとなる。

一方、各ニューロングループを結ぶ結線グループはＣａ
ｂ＝Ｃｆｇ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バックプロ
パゲーション法により修正する学習を行なうことから、
結線グループＣａｂ−Ｃｅｆが本発明による学習処理の
対象となる。

この第５．第６図に示した構成のルール部全結合ニュー
ロを対象とした第２図の動作フローによる学習処理につ
き、まず各部に対する重み値の初期設定を説明すると次
のようになる。

（前件部メンバシップ関数実現部の初期設定）この前件
部メンバシップ関数実現部１０に対する重み値の初期設
定は第６図に示す前件部メンバシップ関数実現部の結線
グループＣａｂおよびＣｂｃにおける各結線の重みを、
与えられたメンバシップ関数を実現するように初期設定
する。

第７図は第５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、側を取り出して示したものである。

第７図において、シグモイド関数ユニット３０−１．３
０−２より出力される出力値ｙは）’＝１／　（１＋ｅ
−””−”　）　　　　（３）で表わされる。

本発明の前件部メンパシ・ツブ関数実現部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
線に重み値Ｗとして、Ｗ＝−２０ を設定し、且つシグモイド関数ユニット３０−１に閾値
θとして、θ＝−１０を設定する。

またもう１つのシグモイド関数ユニット３〇−２の入力
結線には重み値Ｗとして、 Ｗ＝２０ を設定し、同時にシグモイド関数ユニット３０２に閾値
θとして、 θ＝１０ を設定する。尚、線形関数ユニッ）３２−１．３２−７
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く０ となる重み値および閾値を初期設定した場合には、第８
図の特性曲線４４に示す制御人力Ｘ、に対するユニット
出力値ＸＩ　　（ＳＳ）、すなわち制御人力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 となる重み値および閾値を初期設定することで第８図の
特性曲線４６に示す制御入力ＸＩに対するユニット出力
ｍｘ、（ＬＡ）　、すなわち制御人力χが大きい程ユニ
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する。

この第７図に示すシグモイド関数ユニット３０１．３０
−２に対する重み値およ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３０−２．３０＝４側についても所望の前件
部メンバシップ関数を実現するように予め持っている知
識に基づいて初期設定する。

（ルール部の初期設定） 第３図のルール部１２に対する重み値の初期設定は、第
６図に示すルール部に含まれる結線グループＣｃｄおよ
びＣｄｅに属する各結線の重み値を、一定の条件の基で
発生した乱数（例えば、＋１〜−１の範囲）を用いて初
期設定する。ルール部１２におけるシグモイド関数ユニ
ット３４−１〜３４５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
算の関数を説明すると次のようになる。

第９図はルール部１２に設けられる１つのシグモイド関
数ユニット３４を取り出して示したもので、前段に位置
する前件部メンバシップ関数実現部１０よりグレート値
ｘ、（３３）　〜Ｘｚ　　（ＬＡ）が入力し、積和演算
および閾値処理により出力値ｙのグレード値Ｙ　（ＳＳ
）〜Ｙ　（ＬＡ）を生ずる。

上記　ＸＩ（ＳＳ）＝ＸＩ　、ＸＩ　　（ＬＡ）＝Ｘ２
Ｘ２　　（３３）＝Ｘ：ｌ　、ｘｚ　　（ＬＡ）＝Ｘ４
　としたとき 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、 Ｓ　””ＷＸＩ−Ｘ　１　＋　Ｗｘｚ　・Ｘ２　＋ｗＸ
、　’　Ｘ：ｌ　＋ＷＸ４’Ｘ３−θ　　　　　　　　
　　（４）ｙ＝１／　（１＋ｅ−ｓ）　　　　　　　　
　　（５）として算出される。この（５）式で与えられ
るユニット出力値ｙは、入力結線の重み値Ｗ□〜ＷＸ４
および閾値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。

尚、ルール部の最終段に設けられた線形関数ユニッ＋−
３６−１，３６−２に対する結線の重み値は１に初期設
定されており、また閾値処理については線形関数であり
、閾値θ＝０が設定される。

（後件部メンバシップ関数実現部の初期設定）第５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６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、与えられたノン
ハシツブ関数を実現するように初期設定する。

第１０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１０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３８１〜３８−９
に対しては、前段のルール部１２の線形関数ユニット３
６−１〜３６−２より図に示す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の線面線上のＯ〜１の範囲の点に等間隔に対
応している。

この線形関数ユニッ）３８−１〜３８−９に対する入力
結線に対する重み値の初期設定は、ルール部１２のユニ
ッｌ−３６−１からの出力ｙ　（ＳＳ）の結線重み値に
ついては右側に示す横軸を制御出力Ｙ、Ｍ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３
８−１側からユニット３８−９側に重み値、 １、　１．　１．　０．７５．　０．５．　０．２５．
　　Ｏ，ＯＯを初期設定する。

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

さらに、線形関数ユニット３８−１〜３８−９は非線形
閾値処理を行なわず、閾値θはθ＝０に設定する。

このような後件部メンバシップ関数実現部１４における
重み値の初期設定により、ルール部の線形関数ユニット
３６−１．３６−２から出力されたユニット出力値ｙ　
（ＳＳ）および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１０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５図の重心計算実現部１８に対する重み値の初期設定
は、第６図に示す結線グループＣｆｇに対し重心計算を
実現するように初期設定する。

第１１図は重心計算実現部１８の重心決定要素出力装置
４０に対して行なわれる重心計算を実現するための重み
値の初期設定の具体例を示す。

重心決定要素出力装置４０に設けられた２つの線形関数
ユニット４０−１．４０−２に対しては、前段の後件部
メンバシップ関数実現部１４に設けられた９つの線形関
数ユニット３８−１〜３８−９のそれぞれが結線される
。そして、この入力結線に対し図に示すように重心計算
に使用する２つの重心導出値Ｙ、、Ｙ、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、次式に従って同一制御出力に
ついての縮小されたメンバシップ関数の関数和の図形の
重心を求めることでファジィ推論値である制御出力Ｙを
算出する方法を採用することが多い。

Ｙ　＝　Ｓ　ｇｒａｄｅ（ｙ）ｙｄｙ／　Ｘｇｒａｄｅ
（ｙ）ｄｙ　　　　　（６）この（６）式を実現するた
め、線形関数ユニット４０−１に対する後件部メンバシ
ップ関数実現部１４に設けた線形関数ユニッ）３８−１
〜３８９からの結線に対する重み値として、制御出力Ｙ
の最小値Ｙ＝０を起点に最大値Ｙ＝１まで等間隔をもっ
て０から増加する重み値を割り付ける。

一方、線形関数ユニット４０−２に対しては、制御出力
Ｙの最大値Ｙ＝１を起点に最小値Ｙ＝０までの間にＯか
ら上記と同じ等間隔をもって、例えば−１に減少する重
み値を割り付ける。

このような線形関数ユニット４０−１．４０−２に対す
る入力結線の重み付けにより、前段の線形関数ユニット
３８−１〜３８−９のユニット出力値をＣ１〜Ｃ１とす
ると、線形関数ユニット４０−１は、 Ｙ＋　＝　Ｉ　Ｃ＋　＋０．８７５　Ｃｚ　＋〇、７５
Ｃｉ＋　０．６２５Ｃ４＋　０．５　Ｃ５±０．３７５
Ｃ６＋０．２５Ｃｔ　　＋０．１２５Ｃ，＋ＯＣ，（７
）を出力し、また線形関数ユニット４０−２は、Ｙｚ　
＝ＯＣ，−０，１２５Ｃ，−０，２５Ｃ３０，３７５Ｃ
，−０，５Ｃ６−０，６２５Ｃ６０、７５Ｃ？　−０，
８７５Ｃｅ＋　Ｉ　Ｃ９（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＋、Ｙｚは重心算出装置４２に与えられ、 Ｙ＝Ｙｚ　／　（Ｙｚ　　Ｙ＋　）　　　　　　　　（
９）を使用して重心、すなわ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）式および（８）式を代入する
と、（９）式のＹは、（６）式のＹと一致することがわ
かる。

以上の処理で第２図の５ｌ−３４に示したルール部全結
合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
いてルール部全結合ニューロに学習処理を行なわせるた
めの学習計画、すなわち、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１２図（ａ）に
示すフェーズ・グループ対応表の設定と、同図（ｂ）に
示すグループ・結線対応表の設定の２つを行なう。

まず、フェーズ・グループ対応表は学習フェーズの進行
に対し各フェーズで学習対象となるニューロングループ
を指定する。本発明にあっては、重み初期値の設定後に
前件部メンバシップ関数実現部１０、ルール部１２、後
件部メンバシップ関数実現部１４、全体の学習を行なう
ことから、第１２図（ａ）に示すように、フェーズ１に
学習対象グループとして第６図に示すニューロングルー
プＧｂ、Ｇｃ、Ｇｄ、Ｇｅ、Ｇｆの５つを設定する。

一方、グループ・結線対応表は、ルール部全結合ニュー
ロにおけるニューロングループＧａ〜Ｇｇと入力結線グ
ループの対応関係を設定するもので、第１２図（ｂ）に
示すようにニューロングループｃｂ−Ｇｇに対し入力結
線グループＣａｂ〜Ｃｇｆのそれぞれが対応付けられる
　（第６図参照）。

このようなフェーズ・グループ対応表およびグループ・
結線対応表の設定が終了すると、第２図の８６に進んで
学習スケジューラを起動し、実際にルール部全結合ニュ
ーロに対し学習データを与えて、ハックプロパゲーショ
ン法により入力結線の重み値を変更する学習を行なわせ
る。

（学習スケジューラの処理と構成） 第１３図は本発明のルール部全結合ニューロの学習処理
フローを示す図である。この動作フロー図は例えば第１
４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１４
図において、ルール部全結合ニューロ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１２図に示したフェーズ
・グループ対応表を格納したフェーズ・グループ対応テ
ーブル５６、およびグループ・結線対応表を格納したグ
ループ・結線対応テーブル５８が接続される。また、学
習スケジューラ５２に対しては学習収束判定部６０が設
けられる。

一方、学習ユニット７０には学習指示読取部７２、学習
フラグ設定部７４およびバ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。

さらに、第１４図における装置構成の特徴は、ルール部
全結合ニューロ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１５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および重み変更量調整部８６が設けられる。

一方、重み変更部７６にはバ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および重み変更量保存部９２が設けられる。

このように、ルール部全結合ニューロの結線毎に学習調
整器８０を設けることで、学習指示ユニット５０の学習
スケジューラ５２によりルール部全結合ニューロ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、すなわ
ちフラグオンとなっている結線に対してのみ重みの変更
、すなわち学習を行なうことが可能となる。

また、学習調整器８０に対するフラグセットは、第２図
に示したようなファジィルールを実現可能なネットワー
ク構造をもたない一般的な階層ネットワークに対し、フ
ァジィルールを実行可能な前件部メンバシップ関数実現
部１０、ルール部１２および後件部メンバシップ関数実
現部１４で成る階層ネットワークを特定する際にも使用
される。

ファジィルールに適合した階層ネットワークを構成した
状態でバックプロパゲーション法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１５図において、学習調整器８０の重み変更情報読取
部８４が重み変更部７６の重み変更量保存部９２に対し
重み演算部８８より重みの変更量が書き込まれているこ
とを監視している。重み変更情報読取部８４で重みの変
更があったことを検知すると、その旨を重み変更量調整
部８６に伝える。重み変更量調整部８６はフラグ保存部
８２の学習フラグを調べ、学習フラグがオンであれば何
もしない。

一方、学習フラグがオフであれば、重み変更量調整部８
６は重み変更部７６の重み変更量保存部９２にゼロを設
定し、重み変更を無効とする。この学習スケジューラを
構成するハードウェアは特願昭６３−２２７８２５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。

次に、第１３図の学習処理フローを参照して、第１４図
の装置構成に従ったルール部全結合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３１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・グループ対応チーフル５６に格納されている対応
表に参照して学習フェーズｉ＝１に対応するニューロン
グループ番号を読み出す。本発明にあっては、フェーズ
１にルール部全結合ニューロ１００の前件部メンバシッ
プ関数実現部１０、ルール部１２および後件部メンバシ
ップ関数実現部１４の全てのニューロングループＧｂ−
１：、ｆが設定されている。

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

続けてＳ４に進み、結線グループ番号を出力して結線グ
ループ番号に属する結線に設けられた学習調整器８０の
学習フラグをオンする。

具体的には、学習指示ユニット５０の学習スケジューラ
５２から学習ユニット７０の学習指示読取部７２に対し
結線グループ番号を出力し、学習指示読取部７２で結線
グループ番号を読み取って学習フラグ設定部７４に与え
る。学習フラグ設定部７４は学習指示を受けた結線グル
ープ番号に属する結線に設けられている学習調整器８０
のフラグ保存部８２に対しフラグオンを指令して学習フ
ラグをセットする。

続いてＳ５に進んで、学習スケジューラ５２は学習実行
指令を出して学習処理を開始させる。この学習処理は学
習指示ユニット５０の学習信号格納部５４に準備されて
いる制御人力Ｘと、制御人力Ｘに対する望ましい制御出
力となる教師信号ｄを読み出し、制御人力Ｘをルール部
全結合ニューロ１００に与え、教師信号ｄは重み変更部
７６および学習収束判定部６０に与える。そして、学習
人力Ｘによりルール部全結合ニューロ１００から出力さ
れる制御出力Ｙを重み変更部７６および学習収束判定部
６０に取り込み、重み変更部７６にあってはバックプロ
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。

（バックプロパゲーション法による学習原理）次に本発
明のバックプロパゲーション法による学習原理を階層型
ネットワークと共に説明する。

第１６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１６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。ここでは、中間
層としてのｉ層は１層であるが、複数の中間層があって
も同じである。各ユニットは第４図に示したように複数
の各々の入力に対し各々の内部結合の重みを乗する乗算
部２２と、乗算部２２の全乗算結果を加算する加算部２
４と、加算結果に閾値処理を施して１つの出力を出す閾
値処理部２６とをもっている。このユニットで行なわれ
る演算は基本ユニット２０について示した前記（１）（
２）式となる。バ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θ
ｉとの調節は同時に実行される必要があるが、この作業
は相互に干渉する難しい作業となる。そこで、本願出願
人にあっては通常のユニット以外に、入力側のｈ層に常
に出力値が１であるユニットを設け、この出力値１のユ
ニットの出力に対し閾値θｉを重み値として割り付ける
ことで、閾値θｉを重み値Ｗｉｈの中に組み込んで閾値
θｉを重み値として扱うことができるバックプロパゲー
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ＸＩ）ｉ
＝Σｙ　、、Ｗ、、　　　　　　　　　　（１１）ｙ□
−１／　（１＋ｅｘｐ（−ｘ　、；））　　　　　　（
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。

ｘｐＪ＝Σ）’ｐｉＷｊ・　　　　　　　　　（１３）
ｙ　９ｊ　＝　１　／　（１＋ｅｘｐ（−ｘ　ｐ＝））
　　　　　（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、７：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 Ｖｐｊ：２番目の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１４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、Ｊと出カバターンｙ、Ｊのとるべき信号である教
師パターンｄ　ｐｊを受けると、両者の差分値 （ｄｐＪ−ｙｐＪ） を算出し、次に δＤｉ””ＩｐＪ（１’Ｊ９ｊ）　　（ｄｐＪｙｐ、）
　　　（１５）を算出する。続いて、 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（ｔ）
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
δｐｊを用いて、 を夏出し、次に、 に従ってｈ層とｉ層の重み値の更新量ΔＷｉｈ（ｔ）を
算出する。

続いて重み変更部７６は前記（１６）式および（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（直を Ｗｉｈ（ｔ）　　−Ｗ、（ｔ−１）　　＋ΔＷｉｈ（ｔ
）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ｙ２．が教師パターンｄ　ｐｊ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１６図の階層ネットワークを構成するユニット
が線形ユニットであった場合には、前記（１４）式は、 ｙ　ｐＪ：　ｘ　ｐ＝　　　　　　　　　　　　　　　
（２０）と表わされる。この線形関数ユニットにおける
前記（１５）式および（１７）式は δｐｊ＝　ｄ　ｐＪ）’　ｐｊ　　　　　　　　　　　
（２１）δｐｉ−Σ　δｐＪＷに（ｔ−１）　　　　　
　　　　（２２）と表わされる。

（本発明の重み学習処理） 第１７図は第５図に示した本発明のルール部全結合ニュ
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１８
図に示すように定めている。

第１８図は第５図のルール部全結合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層および第３層が
シグモイド関数ユニットで構成され、残りは線形関数ユ
ニットで構成されている。また、学習対象となるのは第
１層から第５層までであり、最終段の重心計算実現部１
８における第６層は重み学習の対象から外される。

ここで、ルール部全結合ニューロによるファジィルール
の実現で出力されるファジィ制御値、すなわち制御出力
値をｙ６としており、学習処理は第６層から第５層、第
４層、第３層、第２層、第１層というように順次行なう
。この階層毎の学習の進行はｉカウンタで示される。即
ち、初期状態でｉカウンタはｉ層６にセットされている
。さらに説明を簡単にするため、Ｗｉ＋ｉ−１とΔＷＬ
ｉ−１はマトリンクスを示し、大きさは（ｉ層目のニュ
ーロン数）Ｘ（ｉ−１層目のニューロン数）となる。さ
らにまた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１８図に示す各部のパラメータを前提に第１７図
の重み学習処理フローを説明すると次のようになる。

まず、ステップＳｌ（以下「ステップ」は省略して単に
Ｓｌとして記述する）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１８図に示した
ように６層構成であることから、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Ｓ２に進み、シグモイド関数ユニットか否か判定す
る。この場合、線形関数ユニットであることから３１４
に進み最終段の階層か否か判定し、６層目が最終段であ
ることから３１５に進み、そのとき得られている教師信
号ｄと制御出力ｙ、を使用して差分値δ６を求める。

次にＳ６に進み、重みを学習するユニットか否か判定す
る。このとき第６層は学習対象から外されているため（
具体的には結線に設けられた学習調整器８０の学習フラ
グがオフとなっているため）Ｓ８に進んで重み値更新量
ΔＷ６ＳをΔＷｂｓ＝ＯとしてＳ９に進み、この場合、
ΔＷ６Ｓ＝Ｏであることから重み値Ｗ６．の更新は行な
わない。続いてＳ１２に進んでカウンタｉ＝１か否か、
すなわち全ての階層の学習が終了したか否か判定し、こ
のときｔ＝６であることから３１３に進んでカウンタｉ
を１つデクリメントしてｔ＝５とし、Ｓ２に戻って次の
第５層の学習に入る。

第５層についても線形関数ユニットであることから８２
から３１４に進むが、最終段階層でないことから３１６
に進み、１つ前の６層の学習処理で得られた差分値δ６
と重み４ｆＬＷ　ａ　ｓとから前記（２２）式と同様の
式に従って差分値δ、を求める。

次にＳ６に進んで学習対象となっているか否か判定し、
第５層は後件部メンバシップ関数実現部１４であること
から本発明にあっては学習対象となっており、従ってＳ
７に進み、Ｓ７にあってはＳ１６で求められた差分値δ
６を使用して前記（１６）　。

（１８）式と同様の式に従って重み値更新量ΔＷ５．を
算出する。続いてＳ９に進んで算出した重み更新量ΔＷ
Ｓ４を加算して重み値Ｗ、４を更新する。

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

４層も線形関数ユニットであることから５層と同じ処理
を繰り返す。

さらに第３層の処理に進むと、第３層にシグモイド関数
ユニットを使用していることから８２から３３に進み、
最終段の階層ユニットでないことから、Ｓ５でシグモイ
ド関数ユニット固有の差分値δ３を前記（１７）式と同
様の演算式により求める。この第３層も学習対象となっ
ていることから８６から３７に進んでＳ５で算出した差
分値δ。

を使用して重み更新量ΔＷ３□を算出し、Ｓ９で更新す
る。

この３層の最終ユニットまで同様な処理を繰り返し、２
層に進んで線形関数ユニットに関する学習処理を行ない
、さらに第１層に進んでシグモイド関数ユニットに関す
る学習処理を繰り返す。そして、第１層の最終ユニット
の処理が終了してＳ１０から３１２に進むと、このとき
カウンタｉはｉ＝１となっていることから全ての階層の
学習が終了したことを判定して一連の処理を終了する。

（乱数を用いた重み初期設定） 次に、第１９図の動作フロー図を参照して本発明の学習
方法の他の実施例を説明する。

第１９図の動作フロー図に示す学習処理にあっては、３
１．Ｓ２，３３で行なうルール部全結合ニューロの前件
部メンバシップ関数実現部１０、ルール部１２および後
件部メンバシップ関数実現部１４に対する重み値（閾値
を含む）の初期設定として、乱数を使用したことを特徴
とする。それ以外の３４．Ｓ５．Ｓ６の処理は第２図の
第１の実施例と同じである。

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なってもよい。

（その他） 尚、上記の具体的な実施例は第５図に示したように２つ
の制御入力Ｘ、、Ｘ、を対象としたファジィルールを実
現するルール部全結合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７．８図に示した ｙ　＝　１／　（１＋　ｅ−′Ｘ″’　　）　　　　　
　　　　（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２０図に示すように２つのシグモイド
関数ユニット９４−１．９４−２のユニット出力を滅算
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
、 ）’　＝１／（１−ｅ−””θ’）　　　１／（１−ｅ
　−””＃２）と表現することができる。

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

【図面の簡単な説明】

第１図は本発明原理説明図、 第２図は本発明の学習動作フロー図、 第３図はルール部全結合ニューロの定義の説明図、 第４図は基本ユニット説明図、 第５図は本発明のルール部全結合ニューロの実施例の具
体的構成を示す図、 第６図はニューロングループおよび結線グループの説明
図、 第７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８図は前件部のメンバシップ関数説明図、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１１図は本発明の重心計算実現部の初期設定説明図、 第１２図は本発明のフェーズ・グループ対応表およびグ
ループ・結線対応表の設定説明図、第１３図は本発明の
学習処理フロー図、第１４図は本発明による学習処理の
装置構成図、第１５図は第１４図の結線毎に設けた学習
調整器構成図、 第１６図は一般的な階層ニューラル・ネットワーク説明
図、 第１７図は本発明の重み学習処理フロー図、第１８図は
第１７図の各部のパラメータ説明図、第１９図は本発明
の他の実施例を示した動作フロー図、 第２０図は本発明に用いる他のメンバシップ関数の説明
図である。 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、 ２８−１．２８−２．３２−１〜３２−４゜３８−１〜
３Ｂ−９，４０’−１，４０−２・・・・・・線形関数
ユニット ３０−１〜３０−２．３４−１〜３４−５゜９、Ｉｋｌ
、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、５
８・・・・・・グループ・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、 ｌＯＯ・・・・・・ルール部全結合ニューロ。

Claims (5)

【特許請求の範囲】
1. 　１．入力信号の持つメンバーシップ関数値を算出して
   出力する基本ユニットを複数設けることにより構成され
   る前件部メンバシップ関数実現部（１０）と、 前段の処理層の出力する演算結果値と該演算結果値に対
   応付けられる内部結合の重み値との乗算値を入力として
   、割り付けられる演算に従って演算結果値を算出して出
   力する少なくとも一つの基本ユニットにより構成される
   処理層を１段または複数段備え、かつ、隣接する前後段
   の処理層の基本ユニットの間と、最前段の処理層の基本
   ユニットと上記前件部メンバシップ関数実現部（１０）
   の基本ユニットとの間で相互に内部結合する構成を採る
   ことにより構成されるルール部（１２）と、該ルール部
   （１２）の最後段の処理層の対応する基本ユニットの出
   力する演算結果値を入力として、出力信号のメンバーシ
   ップ関数値に応じて導出される出力信号値を算出して出
   力する少なくとも一つの基本ユニットにより構成される
   後件部メンバシップ関数実現部（１４）とより成る階層
   ネットワークを有し、入力される制御状態量（Ｘ＿１〜
   Ｘ＿ｎ）に対応する制御操作量（Ｙ＿１〜Ｙ＿ｍ）を出
   力するルール部全結合ニューロにおいて、 前記前件部メンバシップ関数実現部（１０）、ルール部
   （１２）、および後件部メンバシップ関数実現部（１４
   ）の各々に重みおよび閾値の初期値を設定する第１過程
   と、 予め準備された学習データを使用して前記前件部メンバ
   シップ関数実現部（１０）、ルール部（１２）、および
   後件部メンバシップ関数実現部（１４）の全てを学習さ
   せる第２過程とを備えたことを特徴とするルール部全結
   合ニューロの学習方法。
2. 　２．前記第１過程の前件部メンバシップ関数実現部お
   よび後件部メンバシップ関数実現部の重みおよび閾値の
   初期値の設定は、予め持っている知識に基づいて作成さ
   れた重みおよび閾値の初期値を設定することにより行な
   い、ルール部の重みおよび閾値は乱数を用いて設定する
   ことを特徴とする請求項１記載のルール部全結合ニュー
   ロの学習方法。
3. 　３．前記第１過程の重みおよび閾値の初期値の設定は
   、乱数を用いて作成された初期値を設定することを特徴
   とする請求項１記載のルール部全結合ニューロの学習方
   法。
4. 　４．前記第１過程の重みおよび閾値の初期値の設定は
   、予め持っている知識で設定可能な重みおよび閾値は該
   知識で初期設定し、その他は乱数を用いて重みおよび閾
   値の初期値を設定することを特徴とする請求項１記載の
   ルール部全結合ニューロの学習方法。
5. 　５．前記第２過程による学習開始時に、前記前件部メ
   ンバシップ関数実現部（１０）、ルール部（１２）、お
   よび後件部メンバシップ関数実現部（１４）でなる階層
   ネットワークの結線毎に学習の有無を決める学習フラグ
   を設定し、該結線に設定された学習フラグに基づいて重
   み値を学習処理により最適化することを特徴とする請求
   項１記載のルール部全結合ニューロの学習方法。