JPH05225166A - ニューラルネットワークの知識学習方法 - Google Patents
ニューラルネットワークの知識学習方法Info
- Publication number
- JPH05225166A JPH05225166A JP4061413A JP6141392A JPH05225166A JP H05225166 A JPH05225166 A JP H05225166A JP 4061413 A JP4061413 A JP 4061413A JP 6141392 A JP6141392 A JP 6141392A JP H05225166 A JPH05225166 A JP H05225166A
- Authority
- JP
- Japan
- Prior art keywords
- knowledge
- input
- neural network
- network
- fuzzy inference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
(57)【要約】
【目的】 ニューラルネットワークの新規な知識学習方
法を提供する。 【構成】 ニューラルネットワーク１にエキスパートの
知識２を学習して取込んだ後、ファジィ推論３の入出力
関係がネットワーク１の入出力関係に一致するようにフ
ァジィ推論３のルール構造及びパラメータを決定し、フ
ァジィ推論３の決定されたルール構造及びパラメータに
基づきネットワーク１の入出力関係の目標５からのずれ
を判別し、このずれに応じてネットワーク１の知識をチ
ューニングする。そして、ファジィ推論３のルール構造
及びパラメータの決定にはＰｏｗｅｌｌ法を用いること
が望ましく、ファジィ推論３の決定されたルール構造及
びパラメータを表示してもよい。また、ネットワーク１
の入出力関係の目標５を感性に基づいて設定し、ネット
ワーク１の知識を感性を加味してチューニングしてもよ
い。
法を提供する。 【構成】 ニューラルネットワーク１にエキスパートの
知識２を学習して取込んだ後、ファジィ推論３の入出力
関係がネットワーク１の入出力関係に一致するようにフ
ァジィ推論３のルール構造及びパラメータを決定し、フ
ァジィ推論３の決定されたルール構造及びパラメータに
基づきネットワーク１の入出力関係の目標５からのずれ
を判別し、このずれに応じてネットワーク１の知識をチ
ューニングする。そして、ファジィ推論３のルール構造
及びパラメータの決定にはＰｏｗｅｌｌ法を用いること
が望ましく、ファジィ推論３の決定されたルール構造及
びパラメータを表示してもよい。また、ネットワーク１
の入出力関係の目標５を感性に基づいて設定し、ネット
ワーク１の知識を感性を加味してチューニングしてもよ
い。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットワー
クの知識学習方法に関する。
クの知識学習方法に関する。
【０００２】
【従来の技術】従来、自動制御等の分野においては、ニ
ューラルネットワークを用いてエキスパートの知識（ノ
ウハウ等）を獲得することが試みられている。そして、
ニューラルネットワークはバックプロパゲーション（以
下ＢＰという）等によりエキスパートの知識を学習して
入出力関係が決まり、エキスパートの知識に対する言語
的アプローチ（論理的理解）が困難であっても知識を獲
得できる利点がある。なお、ニューラルネットワークの
入出力関係はいわゆるブラックボックスであり、その入
出力関係は論理的に把握することができない。
ューラルネットワークを用いてエキスパートの知識（ノ
ウハウ等）を獲得することが試みられている。そして、
ニューラルネットワークはバックプロパゲーション（以
下ＢＰという）等によりエキスパートの知識を学習して
入出力関係が決まり、エキスパートの知識に対する言語
的アプローチ（論理的理解）が困難であっても知識を獲
得できる利点がある。なお、ニューラルネットワークの
入出力関係はいわゆるブラックボックスであり、その入
出力関係は論理的に把握することができない。
【０００３】
【発明が解決しようとする課題】従来のニューラルネッ
トワークの知識学習は、エキスパートの知識を学習して
終了（完結）するため、エキスパートの知識以上の知識
は獲得することができず、知識の飛躍的な向上が図れな
い問題点がある。そのため、エキスパートの知識が完全
でなく、獲得した知識に基づく制御等が理想的なものか
らずれる事態が生じても、従来はそれに対処することが
できない。
トワークの知識学習は、エキスパートの知識を学習して
終了（完結）するため、エキスパートの知識以上の知識
は獲得することができず、知識の飛躍的な向上が図れな
い問題点がある。そのため、エキスパートの知識が完全
でなく、獲得した知識に基づく制御等が理想的なものか
らずれる事態が生じても、従来はそれに対処することが
できない。
【０００４】また、例えば自動車の運転の場合、目的を
達成するための加速，減速の量等が運転者の趣味等の感
性によっても異なり、エキスパートの知識が必ずしも最
適でない事態も生じるが、ニューラルネットワークの知
識を獲得したエキスパートの知識から修正することはで
きず、要求に応じられない問題点もある。本発明は、エ
キスパートの知識獲得後のニューラルネットワークの知
識の向上，修正等を可能にする知識学習方法を提供する
ことを目的とする。
達成するための加速，減速の量等が運転者の趣味等の感
性によっても異なり、エキスパートの知識が必ずしも最
適でない事態も生じるが、ニューラルネットワークの知
識を獲得したエキスパートの知識から修正することはで
きず、要求に応じられない問題点もある。本発明は、エ
キスパートの知識獲得後のニューラルネットワークの知
識の向上，修正等を可能にする知識学習方法を提供する
ことを目的とする。
【０００５】
【課題を解決するための手段】前記の目的を達成するた
めに、本発明のニューラルネットワークの知識学習方法
においては、ニューラルネットワークにエキスパートの
知識を学習して取込んだ後、ファジィ推論の入出力関係
がニューラルネットワークの入出力関係に一致するよう
にファジィ推論のルール構造及びパラメータを決定し、
ファジィ推論の決定されたルール構造及びパラメータに
基づきニューラルネットワークの入出力関係の目標から
のずれを判別し、このずれに応じてニューラルネットワ
ークの知識をチューニングする。
めに、本発明のニューラルネットワークの知識学習方法
においては、ニューラルネットワークにエキスパートの
知識を学習して取込んだ後、ファジィ推論の入出力関係
がニューラルネットワークの入出力関係に一致するよう
にファジィ推論のルール構造及びパラメータを決定し、
ファジィ推論の決定されたルール構造及びパラメータに
基づきニューラルネットワークの入出力関係の目標から
のずれを判別し、このずれに応じてニューラルネットワ
ークの知識をチューニングする。
【０００６】そして、ファジィ推論のルール構造及びパ
ラメータの決定には、処理の迅速，容易な点から、非線
形計画法の１つであるＰｏｗｅｌｌ法を用いることが望
ましい。また、ニューラルネットワークの知識の構築状
況を運転者等が納得できるようにするため、ファジィ推
論の決定されたルール構造及びパラメータを表示しても
よい。さらに、運転者等の感性によりニューラルネット
ワークの知識に修正等を加えるときは、ニューラルネッ
トワークの入出力関係の目標を感性に基づいて設定し、
ニューラルネットワークの知識を感性を加味してチュー
ニングすればよい。
ラメータの決定には、処理の迅速，容易な点から、非線
形計画法の１つであるＰｏｗｅｌｌ法を用いることが望
ましい。また、ニューラルネットワークの知識の構築状
況を運転者等が納得できるようにするため、ファジィ推
論の決定されたルール構造及びパラメータを表示しても
よい。さらに、運転者等の感性によりニューラルネット
ワークの知識に修正等を加えるときは、ニューラルネッ
トワークの入出力関係の目標を感性に基づいて設定し、
ニューラルネットワークの知識を感性を加味してチュー
ニングすればよい。
【０００７】
【作用】前記のように構成された本発明のニューラルネ
ットワークの知識学習方法の場合、入出力関係が言語に
より論理的に記述されるファジィ推論を使用し、この推
論の入出力関係がニューラルネットワークの入出力関係
になるようにファジィ推論のルール構造及びパラメータ
を決定するため、ファジィ推論のルール抽出によりニュ
ーラルネットワークの入出力関係が論理的に把握され
る。そして、この論理的な把握に基づきニューラルネッ
トワークの入出力関係の目標（理想）からのずれが判別
され、このずれに応じたチューニングによりニューラル
ネットワークの知識がエキスパートの知識を超えて向上
する。
ットワークの知識学習方法の場合、入出力関係が言語に
より論理的に記述されるファジィ推論を使用し、この推
論の入出力関係がニューラルネットワークの入出力関係
になるようにファジィ推論のルール構造及びパラメータ
を決定するため、ファジィ推論のルール抽出によりニュ
ーラルネットワークの入出力関係が論理的に把握され
る。そして、この論理的な把握に基づきニューラルネッ
トワークの入出力関係の目標（理想）からのずれが判別
され、このずれに応じたチューニングによりニューラル
ネットワークの知識がエキスパートの知識を超えて向上
する。
【０００８】そして、ファジィ推論のルール構造及びパ
ラメータの決定にＰｏｗｅｌｌ法を用いると、パターン
検索法，最急降下法等のように導関数を必要とせず、ル
ール抽出が迅速に行える。また、ファジィ推論の決定さ
れたルール構造及びパラメータを表示すると、ニューラ
ルネットワークの入出力関係を論理的に納得してその知
識の構築状況等を容易に把握できる。
ラメータの決定にＰｏｗｅｌｌ法を用いると、パターン
検索法，最急降下法等のように導関数を必要とせず、ル
ール抽出が迅速に行える。また、ファジィ推論の決定さ
れたルール構造及びパラメータを表示すると、ニューラ
ルネットワークの入出力関係を論理的に納得してその知
識の構築状況等を容易に把握できる。
【０００９】さらに、ニューラルネットワークの入出力
関係の目標を感性に基づいて設定し、ニューラルネット
ワークの知識を感性を加味してチューニングすれば、ニ
ューラルネットワークの知識をエキスパートの知識から
その運転者等の感性を加味した知識に修正できる。
関係の目標を感性に基づいて設定し、ニューラルネット
ワークの知識を感性を加味してチューニングすれば、ニ
ューラルネットワークの知識をエキスパートの知識から
その運転者等の感性を加味した知識に修正できる。
【００１０】
【実施例】１実施例について、図１ないし図５を参照し
て説明する。図１に示すようにニューラルネットワーク
１は、ＢＰ法等により最初にエキスパートの知識２を学
習して取込む。そして、この学習を完了してニューラル
ネットワーク１が知識２を獲得すると、以降は、ネット
ワーク１，ファジィ推論３のルールにより、（ａ）Ｐｏ
ｗｅｌｌ法のルール抽出４を用いてファジィ推論３のル
ールを抽出し、この推論３の入出力関係をネットワーク
１の入出力関係と同じにし、（ｂ）ファジィ推論３の決
定されたルール構造及びパラメータからネットワーク１
の知識を論理的に把握し、（ｃ）ネットワーク１の入出
力関係の目標５（理想特性）からのずれを判別してネッ
トワーク１の知識をチューニングし、ネットワーク１の
知識を向上する。また、ファジィ推論３のルール構造及
びパラメータを表示部６に表示し、ネットワーク１の入
出力関係を運転者等が分かるように論理的に示す。
て説明する。図１に示すようにニューラルネットワーク
１は、ＢＰ法等により最初にエキスパートの知識２を学
習して取込む。そして、この学習を完了してニューラル
ネットワーク１が知識２を獲得すると、以降は、ネット
ワーク１，ファジィ推論３のルールにより、（ａ）Ｐｏ
ｗｅｌｌ法のルール抽出４を用いてファジィ推論３のル
ールを抽出し、この推論３の入出力関係をネットワーク
１の入出力関係と同じにし、（ｂ）ファジィ推論３の決
定されたルール構造及びパラメータからネットワーク１
の知識を論理的に把握し、（ｃ）ネットワーク１の入出
力関係の目標５（理想特性）からのずれを判別してネッ
トワーク１の知識をチューニングし、ネットワーク１の
知識を向上する。また、ファジィ推論３のルール構造及
びパラメータを表示部６に表示し、ネットワーク１の入
出力関係を運転者等が分かるように論理的に示す。
【００１１】つぎに、具体例として、運転者が車間距離
を詰めて一定に保つ操作法の知識をネットワーク１が獲
得する場合について説明する。
を詰めて一定に保つ操作法の知識をネットワーク１が獲
得する場合について説明する。
【００１２】（エキスパートの知識）走行条件をつぎの
（ア），（イ）とする。 （ア）運転者は前方を走る車（前方車）と自分が運転し
ている車（自車）との車間距離を適度に保ちつつ走行し
ている。（イ）走行環境は理想的な状態，すなわち、カ
ーブや信号待ちなどの外乱がない直線道路上を前方車と
自車の２台だけで走行する。
（ア），（イ）とする。 （ア）運転者は前方を走る車（前方車）と自分が運転し
ている車（自車）との車間距離を適度に保ちつつ走行し
ている。（イ）走行環境は理想的な状態，すなわち、カ
ーブや信号待ちなどの外乱がない直線道路上を前方車と
自車の２台だけで走行する。
【００１３】そして、例えば前方車は５０Ｋｍ／ｈの一
定速度で走行し、自車は２０Ｋｍ／ｈで走行し、両車の
初期車間距離が３５ｍあるときに、車間距離を２０ｍま
で詰めて一定に保つ操作を考える。この場合、アクセ
ル，ブレーキ等の操作はつぎの（ウ），（エ）を満足す
るようにしなければならない。 （ウ）衝突しない。（エ）加速（減速は負の加速とす
る）量を大きくして乗員に不快感を与えない。
定速度で走行し、自車は２０Ｋｍ／ｈで走行し、両車の
初期車間距離が３５ｍあるときに、車間距離を２０ｍま
で詰めて一定に保つ操作を考える。この場合、アクセ
ル，ブレーキ等の操作はつぎの（ウ），（エ）を満足す
るようにしなければならない。 （ウ）衝突しない。（エ）加速（減速は負の加速とす
る）量を大きくして乗員に不快感を与えない。
【００１４】また、運転者の操作はつぎの（Ｉ）〜（Ｉ
ＩＩ）になる。 （Ｉ）アクセルを踏み、前方車の走行速度より自車の速
度を上げて車間距離を縮め、（ＩＩ）アクセルを踏み続
けると車間距離が縮まり続けて衝突してしまうので、つ
ぎにブレーキを踏んで速度を落とし、（ＩＩＩ）車間距
離と自車の速度とから判断して加速（減速）量を決定す
る操作を繰返し、車間距離を一定に保つ。そして、この
場合のエキスパートの知識２とは、ある運転者が種々の
速度，車間距離の条件下で前記（ウ），（エ）を満足さ
せながら前記（Ｉ）〜（ＩＩＩ）の操作を行う際の操作
情報である。
ＩＩ）になる。 （Ｉ）アクセルを踏み、前方車の走行速度より自車の速
度を上げて車間距離を縮め、（ＩＩ）アクセルを踏み続
けると車間距離が縮まり続けて衝突してしまうので、つ
ぎにブレーキを踏んで速度を落とし、（ＩＩＩ）車間距
離と自車の速度とから判断して加速（減速）量を決定す
る操作を繰返し、車間距離を一定に保つ。そして、この
場合のエキスパートの知識２とは、ある運転者が種々の
速度，車間距離の条件下で前記（ウ），（エ）を満足さ
せながら前記（Ｉ）〜（ＩＩＩ）の操作を行う際の操作
情報である。
【００１５】（エキスパートの知識の学習）エキスパー
トの知識２（操作情報）は例えば図２の自動的なバック
グランド学習により、ネットワーク１の入力データを入
出力関係の一覧表形式で作成してネットワーク１に取込
まれる。なお、図２において、７はアクセル，ブレーキ
等の制御対象を示す。
トの知識２（操作情報）は例えば図２の自動的なバック
グランド学習により、ネットワーク１の入力データを入
出力関係の一覧表形式で作成してネットワーク１に取込
まれる。なお、図２において、７はアクセル，ブレーキ
等の制御対象を示す。
【００１６】つぎに、知識２の学習結果等を説明するた
め、知識２の運転情報が後件部を定数とする簡略化法に
より、例えばつぎの（１）〜（４）の４個のＩｆ〜ｔｈ
ｅｎ〜形式のファジィルールで表現されるとする。
め、知識２の運転情報が後件部を定数とする簡略化法に
より、例えばつぎの（１）〜（４）の４個のＩｆ〜ｔｈ
ｅｎ〜形式のファジィルールで表現されるとする。
【００１７】なお、以下の説明においては、ファジィ変
数，ファジィ集合又はラベルは大文字で表わし、ファジ
ィ変数の具体的な値は小文字で表わす。 （１）Ｉf Ｘ is Ｂx and Ｙ is Ｂy then Ｚ is Ａ1 （２）Ｉf Ｘ is Ｂx and Ｙ is Ｓy then Ｚ is Ａ2 （３）Ｉf Ｘ is Ｓx and Ｙ is Ｂy then Ｚ is Ａ3 （４）Ｉf Ｘ is Ｓx and Ｙ is Ｓy then Ｚ is Ａ4 Ｘは車間距離（ｍ），Ｙは自動車の速度（Ｋｍ／ｈ）で
あり、図１の入力ｘ，ｙに対応する。Ｚは加速（減速）
量を表示する加速度（％）であり、図１の出力ｚに対応
する。Ｂｘ，Ｓｘは車間距離の大（ＢＩＧ），小（ＳＭ
ＡＬＬ）のメンバーシップ関数のラベル、Ｂｙ，Ｓｙは
速度の大（ＢＩＧ），小（ＳＭＡＬＬ）のメンバーシッ
プ関数のラベル、Ａ1 〜Ａ4 は加速度のメンバーシップ
関数のラベルであり、具体的にはＡ1 ＝ａ1 ＝０．０
（％），Ａ2 ＝ａ2 ＝１１０／９（％），Ａ3 ＝ａ3 ＝
−１１０／９（％），Ａ4 ＝ａ4 ＝０．０（％）であ
る。
数，ファジィ集合又はラベルは大文字で表わし、ファジ
ィ変数の具体的な値は小文字で表わす。 （１）Ｉf Ｘ is Ｂx and Ｙ is Ｂy then Ｚ is Ａ1 （２）Ｉf Ｘ is Ｂx and Ｙ is Ｓy then Ｚ is Ａ2 （３）Ｉf Ｘ is Ｓx and Ｙ is Ｂy then Ｚ is Ａ3 （４）Ｉf Ｘ is Ｓx and Ｙ is Ｓy then Ｚ is Ａ4 Ｘは車間距離（ｍ），Ｙは自動車の速度（Ｋｍ／ｈ）で
あり、図１の入力ｘ，ｙに対応する。Ｚは加速（減速）
量を表示する加速度（％）であり、図１の出力ｚに対応
する。Ｂｘ，Ｓｘは車間距離の大（ＢＩＧ），小（ＳＭ
ＡＬＬ）のメンバーシップ関数のラベル、Ｂｙ，Ｓｙは
速度の大（ＢＩＧ），小（ＳＭＡＬＬ）のメンバーシッ
プ関数のラベル、Ａ1 〜Ａ4 は加速度のメンバーシップ
関数のラベルであり、具体的にはＡ1 ＝ａ1 ＝０．０
（％），Ａ2 ＝ａ2 ＝１１０／９（％），Ａ3 ＝ａ3 ＝
−１１０／９（％），Ａ4 ＝ａ4 ＝０．０（％）であ
る。
【００１８】そして、前記（１）〜（４）のルールを図
式化すると、図３に示すようになる。なお、図３におい
て、横軸の上段の数値は実際の車間距離ｘ（ｍ），速度
ｙ（ｋｍ／ｈ），加速度ｚ（％）を示し、下段の（ ）
内の数値は［０，１］に正規化された車間距離ｘ* ，速
度ｙ* ，加速度ｚ* を示す。そして、（１）〜（４）の
ルールにより、例えばｘ＝１５（ｍ），ｙ＝４５（ｋｍ
／ｈ）の場合のアクセルの操作量（＝加速度）はつぎの
数１の式からｚ＝−１．５２７８（％）と求まる。
式化すると、図３に示すようになる。なお、図３におい
て、横軸の上段の数値は実際の車間距離ｘ（ｍ），速度
ｙ（ｋｍ／ｈ），加速度ｚ（％）を示し、下段の（ ）
内の数値は［０，１］に正規化された車間距離ｘ* ，速
度ｙ* ，加速度ｚ* を示す。そして、（１）〜（４）の
ルールにより、例えばｘ＝１５（ｍ），ｙ＝４５（ｋｍ
／ｈ）の場合のアクセルの操作量（＝加速度）はつぎの
数１の式からｚ＝−１．５２７８（％）と求まる。
【００１９】
【数１】
【００２０】ｚ＝（ｚ1 ×ｈ1 ＋ｚ2 ×ｈ2 ＋ｚ3 ×ｈ
3 ＋ｚ4 ×ｈ4 ）／（ｈ1 ＋ｈ2 ＋ｈ3 ＋ｈ4 ） ｈ1 ＝ｂx ×ｂy ，ｚ1 ＝ａ1 ＝０．０（％）（ルール
（１） より） ｈ2 ＝ｂx ×ｓy ，ｚ2 ＝ａ2 ＝１１０／９（％）（ル
ール（２）より） ｈ3 ＝ｓx ×ｂy ，ｚ3 ＝ａ3 ＝−１１０／９（％）
（ルール（３）より） ｈ4 ＝ｓx ×ｓy ，ｚ4 ＝ａ4 ＝０．０（％）（ルール
（４）より） ｂx は入力ｘとメンバーシップ関数Ｂx との交点（＝
０．２５）（図４参照） ｓx は入力ｘとメンバーシップ関数Ｓx との交点（＝
０．７５）（図４参照） ｂy は入力ｙとメンバーシップ関数Ｂy との交点（＝
０．３７５）（図４参照） ｓy は入力ｙとメンバーシップ関数Ｓy との交点（＝
０．６２５）（図４参照）
3 ＋ｚ4 ×ｈ4 ）／（ｈ1 ＋ｈ2 ＋ｈ3 ＋ｈ4 ） ｈ1 ＝ｂx ×ｂy ，ｚ1 ＝ａ1 ＝０．０（％）（ルール
（１） より） ｈ2 ＝ｂx ×ｓy ，ｚ2 ＝ａ2 ＝１１０／９（％）（ル
ール（２）より） ｈ3 ＝ｓx ×ｂy ，ｚ3 ＝ａ3 ＝−１１０／９（％）
（ルール（３）より） ｈ4 ＝ｓx ×ｓy ，ｚ4 ＝ａ4 ＝０．０（％）（ルール
（４）より） ｂx は入力ｘとメンバーシップ関数Ｂx との交点（＝
０．２５）（図４参照） ｓx は入力ｘとメンバーシップ関数Ｓx との交点（＝
０．７５）（図４参照） ｂy は入力ｙとメンバーシップ関数Ｂy との交点（＝
０．３７５）（図４参照） ｓy は入力ｙとメンバーシップ関数Ｓy との交点（＝
０．６２５）（図４参照）
【００２１】さらに、（１）〜（４）のルールに基づく
入力ｘ，ｙ又はｘ* ，ｙ* と出力ｚ又はｚ* との関係，
すなわち知識２の入出力関係の一覧表（操作表）は、つ
ぎの表１又は表２に示すようになる。
入力ｘ，ｙ又はｘ* ，ｙ* と出力ｚ又はｚ* との関係，
すなわち知識２の入出力関係の一覧表（操作表）は、つ
ぎの表１又は表２に示すようになる。
【００２２】
【表１】
【００２３】
【表２】
【００２４】なお、表２はｘ，ｙ，ｚをｘ* ，ｙ* ，ｚ
* として表１を［０，１］に正規化したものである。そ
して、知識２の学習は具体的には、表１又は表２の車間
距離と速度をネットワーク１の入力データとし、表１又
は表２の加速度を教師データとするＢＰ法によりネット
ワーク１をチューニングして行われる。なお、ネットワ
ーク１が中間層を１層とする３層構成の場合、ＢＰ法と
して例えば公知の最急降下法の学習則を用いればよい。
* として表１を［０，１］に正規化したものである。そ
して、知識２の学習は具体的には、表１又は表２の車間
距離と速度をネットワーク１の入力データとし、表１又
は表２の加速度を教師データとするＢＰ法によりネット
ワーク１をチューニングして行われる。なお、ネットワ
ーク１が中間層を１層とする３層構成の場合、ＢＰ法と
して例えば公知の最急降下法の学習則を用いればよい。
【００２５】（ネットワークの知識の論理表現）つぎ
に、知識２を獲得したネットワーク１の入出力関係，す
なわち表１又は表２の関係は、ファジィ推論３のルール
を抽出してその入力ｘ，ｙと出力ｚとの関係をネットワ
ーク１の入力ｘ，ｙと出力ｚとの関係に等しくすること
により、ファジィルールを用いて論理的に把握される。
に、知識２を獲得したネットワーク１の入出力関係，す
なわち表１又は表２の関係は、ファジィ推論３のルール
を抽出してその入力ｘ，ｙと出力ｚとの関係をネットワ
ーク１の入力ｘ，ｙと出力ｚとの関係に等しくすること
により、ファジィルールを用いて論理的に把握される。
【００２６】ところで、ルール（１）〜（４）等の簡略
化法のファジィ推論のルールは前件部が台形又は三角形
のメンバーシップ関数で表わされ、後件部が定数で表わ
される。そして、ファジィ推論３のルール抽出とは、ル
ール構造をある程度与えた上でその前件部のメンバーシ
ップ関数の形状や後件部の値を定めることであり、この
場合は、例えば前件部が２入力で後件部が定数の１出力
である等のルール構造を与えて行われる。
化法のファジィ推論のルールは前件部が台形又は三角形
のメンバーシップ関数で表わされ、後件部が定数で表わ
される。そして、ファジィ推論３のルール抽出とは、ル
ール構造をある程度与えた上でその前件部のメンバーシ
ップ関数の形状や後件部の値を定めることであり、この
場合は、例えば前件部が２入力で後件部が定数の１出力
である等のルール構造を与えて行われる。
【００２７】また、ファジィルールの抽出方法としては
パターン検索法，最急降下法及び非線形計画法の１つで
あるＰｏｗｅｌｌ法を用いる方法等が知られているが、
ここではつぎの理由に基づきＰｏｗｅｌｌ法を用いる。
すなわち、Ｐｏｗｅｌｌ法は多変数関数の極小値を、導
関数を必要としない共役方向法により求める方法であ
り、パターン検索法，最急降下法のように導関数を要し
ないため、表１，表２の操作表のような入出力関係の表
があれば、それを関数に置換えて迅速かつ容易にルール
を抽出できる利点を有する。
パターン検索法，最急降下法及び非線形計画法の１つで
あるＰｏｗｅｌｌ法を用いる方法等が知られているが、
ここではつぎの理由に基づきＰｏｗｅｌｌ法を用いる。
すなわち、Ｐｏｗｅｌｌ法は多変数関数の極小値を、導
関数を必要としない共役方向法により求める方法であ
り、パターン検索法，最急降下法のように導関数を要し
ないため、表１，表２の操作表のような入出力関係の表
があれば、それを関数に置換えて迅速かつ容易にルール
を抽出できる利点を有する。
【００２８】つぎに、Ｐｏｗｅｌｌ法を用いたルールの
抽出を具体的に説明する。表１又は表２から明らかなよ
うに、２入力ｘ，ｙのラベル両端の点，すなわち図５の
黒丸の４点ＰＢx ，ＰＳx ，ＰＢy ，ＰＳy は１．０の
既知の固定点である。 そして、ファジィルールの前件
部を表わす図５の白丸の８個の不定点ＰＢXL，ＰＢXR，
ＰＳXL，ＰＳXR，ＰＢyL，ＰＢyR，ＰＳyL，ＰＳyR及び
後件部を表わす同図の白丸の４個の不定点ＰＡ1 ，ＰＡ
2 ，ＰＡ3 ，ＰＡ4 につき、Ｐｏｗｅｌｌ法によりファ
ジィ推論３の入出力関係を決定する。
抽出を具体的に説明する。表１又は表２から明らかなよ
うに、２入力ｘ，ｙのラベル両端の点，すなわち図５の
黒丸の４点ＰＢx ，ＰＳx ，ＰＢy ，ＰＳy は１．０の
既知の固定点である。 そして、ファジィルールの前件
部を表わす図５の白丸の８個の不定点ＰＢXL，ＰＢXR，
ＰＳXL，ＰＳXR，ＰＢyL，ＰＢyR，ＰＳyL，ＰＳyR及び
後件部を表わす同図の白丸の４個の不定点ＰＡ1 ，ＰＡ
2 ，ＰＡ3 ，ＰＡ4 につき、Ｐｏｗｅｌｌ法によりファ
ジィ推論３の入出力関係を決定する。
【００２９】このとき、つぎの（５），（６），（７）
が制約条件となる。 （５）０〈ｂXL，ｂXR，ｓXL，ｓXR〈４０，ｂXL〈ｂXR，ｓXL〈ｓXR （６）２０〈ｂyL，ｂyR，ｓyL，ｓyR〈８０，ｂyL〈ｂyR，ｓyL〈ｓyR （７）−２０〈ａ1 ，ａ2 ，ａ3 ，ａ4 〈２０
が制約条件となる。 （５）０〈ｂXL，ｂXR，ｓXL，ｓXR〈４０，ｂXL〈ｂXR，ｓXL〈ｓXR （６）２０〈ｂyL，ｂyR，ｓyL，ｓyR〈８０，ｂyL〈ｂyR，ｓyL〈ｓyR （７）−２０〈ａ1 ，ａ2 ，ａ3 ，ａ4 〈２０
【００３０】そして、各不定点ＰＢXL〜ＰＳXR，ＰＢyL
〜ＰＳyR，ＰＡ1 〜ＰＡ4 の決定値ｂXL〜ｓXR，ｂyL〜
ｓyR，ａ1 〜ａ4 は、加速度をｚ* としてつぎの表３の
又はとなる。
〜ＰＳyR，ＰＡ1 〜ＰＡ4 の決定値ｂXL〜ｓXR，ｂyL〜
ｓyR，ａ1 〜ａ4 は、加速度をｚ* としてつぎの表３の
又はとなる。
【００３１】
【表３】
【００３２】なお、同表中の，は出発点が異なる２
通りの解であり、（）内の値は表１，表２に基づく真の
値である。
通りの解であり、（）内の値は表１，表２に基づく真の
値である。
【００３３】そして、表３からも明らかなように、Ｐｏ
ｗｅｌｌ法を用いたファジィ推論３の入出力関係の決定
により、この入出力関係がほぼ表１，表２と同じ関係に
なり、このとき、ファジィ推論３のルールが図３とほぼ
同一のルール構造及びパラメータになり、ルール（１）
〜（４）が抽出されて知識２に基づくネットワーク１の
入出力関係がファジィルール表現で論理的に把握され
る。
ｗｅｌｌ法を用いたファジィ推論３の入出力関係の決定
により、この入出力関係がほぼ表１，表２と同じ関係に
なり、このとき、ファジィ推論３のルールが図３とほぼ
同一のルール構造及びパラメータになり、ルール（１）
〜（４）が抽出されて知識２に基づくネットワーク１の
入出力関係がファジィルール表現で論理的に把握され
る。
【００３４】（知識の向上）ファジィ推論３により抽出
されたルールが知識２に基づく場合、エキスパートの能
力等に基づき、そのルールで示される操作が乗員に全く
不快感を与えない理想的な操作になるとは限らない。そ
こで、抽出されたルールに基づく操作結果を目標５の理
想の操作結果（特性）により評価し、ネットワーク１の
入出力関係の目標（理想）からのずれを判別する。
されたルールが知識２に基づく場合、エキスパートの能
力等に基づき、そのルールで示される操作が乗員に全く
不快感を与えない理想的な操作になるとは限らない。そ
こで、抽出されたルールに基づく操作結果を目標５の理
想の操作結果（特性）により評価し、ネットワーク１の
入出力関係の目標（理想）からのずれを判別する。
【００３５】さらに、判別したずれに応じてネットワー
ク１の知識をチューニングし、その入出力関係を補正す
る。そして、ネットワーク１の入出力関係をファジィ推
論３により論理化して評価し、その目標からのずれに応
じてネットワーク１のチューニングをくり返すことによ
り、ネットワーク１の知識がエキスパートの知識２を超
えて飛躍的に向上し、理想的な運転操作がネットワーク
１に自動的に獲得される。
ク１の知識をチューニングし、その入出力関係を補正す
る。そして、ネットワーク１の入出力関係をファジィ推
論３により論理化して評価し、その目標からのずれに応
じてネットワーク１のチューニングをくり返すことによ
り、ネットワーク１の知識がエキスパートの知識２を超
えて飛躍的に向上し、理想的な運転操作がネットワーク
１に自動的に獲得される。
【００３６】なお、ファジィ推論３の決定されたルール
構造及びパラメータは、例えば図３のように図式化して
表示部６に表示され、この表示によりネットワーク２の
知識の構築状況等を論理的に把握して納得できる。とこ
ろで、ファジィ推論３のルール抽出にＰｏｗｅｌｌ法以
外の手法を用いてもよい。
構造及びパラメータは、例えば図３のように図式化して
表示部６に表示され、この表示によりネットワーク２の
知識の構築状況等を論理的に把握して納得できる。とこ
ろで、ファジィ推論３のルール抽出にＰｏｗｅｌｌ法以
外の手法を用いてもよい。
【００３７】また、表示部６を省き、ファジィ推論３の
抽出されたルール，すなわち決定されたルール構造及び
パラメータを表示しなくてもよい。さらに、前記実施例
ではネットワーク１の入出力関係が客観的に妥当とされ
る理想的な関係に近づくように、目標５に基づいてネッ
トワーク１の知識をチューニングしたが、例えば運転者
の趣味により加速時には適度な衝撃を体感することが望
まれるようなときは、入出力関係が運転者等の感性に応
じた関係になるように、ネットワーク１の知識をエキス
パートの知識２から好みの方向に修正することも可能で
ある。
抽出されたルール，すなわち決定されたルール構造及び
パラメータを表示しなくてもよい。さらに、前記実施例
ではネットワーク１の入出力関係が客観的に妥当とされ
る理想的な関係に近づくように、目標５に基づいてネッ
トワーク１の知識をチューニングしたが、例えば運転者
の趣味により加速時には適度な衝撃を体感することが望
まれるようなときは、入出力関係が運転者等の感性に応
じた関係になるように、ネットワーク１の知識をエキス
パートの知識２から好みの方向に修正することも可能で
ある。
【００３８】この場合、目標５として例えば理想の操作
結果を感性で補正した操作結果が設定され、この操作結
果に基づくずれの判別結果により、ニューラルネットワ
ーク１の知識が感性を加味してチューニングされる。
結果を感性で補正した操作結果が設定され、この操作結
果に基づくずれの判別結果により、ニューラルネットワ
ーク１の知識が感性を加味してチューニングされる。
【００３９】
【発明の効果】本発明は、以上説明したように構成され
ているため、以下に記載する効果を奏する。ニューラル
ネットワーク１にエキスパートの知識２を学習した後、
ファジィ推論３の入出力関係がネットワーク１の入出力
関係に一致するようにファジィ推論３のルール構造及び
パラメータを決定するため、ファジィ推論３のルールを
抽出してネットワーク１の入出力関係を論理的に把握で
きる。そして、この論理的な把握に基づきネットワーク
１の入出力関係の目標５からのずれが判別され、このず
れに応じてネットワーク１の知識がチューニングされる
ため、ネットワーク１の知識がエキスパートの知識２を
超えて飛躍的に向上する。
ているため、以下に記載する効果を奏する。ニューラル
ネットワーク１にエキスパートの知識２を学習した後、
ファジィ推論３の入出力関係がネットワーク１の入出力
関係に一致するようにファジィ推論３のルール構造及び
パラメータを決定するため、ファジィ推論３のルールを
抽出してネットワーク１の入出力関係を論理的に把握で
きる。そして、この論理的な把握に基づきネットワーク
１の入出力関係の目標５からのずれが判別され、このず
れに応じてネットワーク１の知識がチューニングされる
ため、ネットワーク１の知識がエキスパートの知識２を
超えて飛躍的に向上する。
【００４０】そして、ファジィ推論３のルール構造及び
パラメータの決定にＰｏｗｅｌｌ法を用いることによ
り、パターン検索法，最急降下法等のように導関数を必
要とせず、ルール抽出が迅速に行え、ネットワーク１の
チューニングが迅速かつ容易に行える。また、ファジィ
推論３の決定されたルール構造及びパラメータを表示す
ることにより、ネットワーク１の入出力関係を論理的に
納得してその知識の構築状況等を容易に把握することが
できる。さらに、ネットワーク１の入出力関係の目標５
を感性に基づいて設定し、ネットワーク１の知識を感性
を加味してチューニングすることにより、ネットワーク
１の知識をエキスパートの知識２からその運転者等の感
性を加味した知識に修正することができる。
パラメータの決定にＰｏｗｅｌｌ法を用いることによ
り、パターン検索法，最急降下法等のように導関数を必
要とせず、ルール抽出が迅速に行え、ネットワーク１の
チューニングが迅速かつ容易に行える。また、ファジィ
推論３の決定されたルール構造及びパラメータを表示す
ることにより、ネットワーク１の入出力関係を論理的に
納得してその知識の構築状況等を容易に把握することが
できる。さらに、ネットワーク１の入出力関係の目標５
を感性に基づいて設定し、ネットワーク１の知識を感性
を加味してチューニングすることにより、ネットワーク
１の知識をエキスパートの知識２からその運転者等の感
性を加味した知識に修正することができる。
【図１】本発明のニューラルネットワークの知識学習方
法の１実施例の学習説明図である。
法の１実施例の学習説明図である。
【図２】エキスパートの知識の自動学習の説明図であ
る。
る。
【図３】エキスパートの知識をファジィルール化したメ
ンバーシップ関数の説明図である。
ンバーシップ関数の説明図である。
【図４】図３から入出力関数を取得する計算例の説明図
である。
である。
【図５】ファジィ推論のルール抽出の説明図である。
１ ニューラルネットワーク ２ エキスパートの知識 ３ ファジィ推論 ４ Ｐｏｗｅｌｌ法のルール抽出 ５ 目標 ６ 表示部
【手続補正書】
【提出日】平成４年４月７日
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】０００４
【補正方法】変更
【補正内容】
【０００４】また、例えば自動車の運転の場合、目的を
達成するための加速，減速の量等が運転者の趣味等の感
性によっても異なり、エキスパートの知識が必ずしも最
適でない事態も生じるが、ニューラルネットワークが獲
得した知識をエキスパートの知識から修正することはで
きず、要求に応じられない問題点もある。本発明は、エ
キスパートの知識獲得後のニューラルネットワークの知
識の向上，修正等を可能にする知識学習方法を提供する
ことを目的とする。
達成するための加速，減速の量等が運転者の趣味等の感
性によっても異なり、エキスパートの知識が必ずしも最
適でない事態も生じるが、ニューラルネットワークが獲
得した知識をエキスパートの知識から修正することはで
きず、要求に応じられない問題点もある。本発明は、エ
キスパートの知識獲得後のニューラルネットワークの知
識の向上，修正等を可能にする知識学習方法を提供する
ことを目的とする。
【手続補正２】
【補正対象書類名】明細書
【補正対象項目名】００１５
【補正方法】変更
【補正内容】
【００１５】（エキスパートの知識の学習）エキスパー
トの知識２（操作情報）は例えば図２の自動的なバック
グランド学習により、ネットワーク１における入出力デ
ータとして取り込まれ、その結果、入出力関係の一覧表
が作成される。なお、図２において、７はアクセル，ブ
レーキ等の制御対象を示す。
トの知識２（操作情報）は例えば図２の自動的なバック
グランド学習により、ネットワーク１における入出力デ
ータとして取り込まれ、その結果、入出力関係の一覧表
が作成される。なお、図２において、７はアクセル，ブ
レーキ等の制御対象を示す。
【手続補正３】
【補正対象書類名】明細書
【補正対象項目名】００２１
【補正方法】変更
【補正内容】
【００２１】さらに、（１）〜（４）のルールに基づく
入力ｘ，ｙ又はｘ＊，ｙ＊と出力ｚ又はｚ＊との関係，
すなわち知識２の入出力関係の一覧表（操作表）がネッ
トワークの学習の結果、つぎの表１又は表２に示すよう
になる。
入力ｘ，ｙ又はｘ＊，ｙ＊と出力ｚ又はｚ＊との関係，
すなわち知識２の入出力関係の一覧表（操作表）がネッ
トワークの学習の結果、つぎの表１又は表２に示すよう
になる。
【手続補正４】
【補正対象書類名】明細書
【補正対象項目名】００２４
【補正方法】変更
【補正内容】
【００２４】なお、表２はｘ，ｙ，ｚをｘ＊，ｙ＊，ｚ
＊として表１を［０，１］に正規化したものである。
＊として表１を［０，１］に正規化したものである。
【手続補正５】
【補正対象書類名】明細書
【補正対象項目名】表２
【補正方法】変更
【補正内容】
【表２】
Claims (4)
- 【請求項１】 ニューラルネットワークにエキスパート
の知識を学習して取込んだ後、 ファジィ推論の入出力関係が前記ニューラルネットワー
クの入出力関係に一致するように前記ファジィ推論のル
ール構造及びパラメータを決定し、 前記ファジィ推論の決定されたルール構造及びパラメー
タに基づき前記ニューラルネットワークの入出力関係の
目標からのずれを判別し、 前記ずれに応じて前記ニューラルネットワークの知識を
チューニングすることを特徴とするニューラルネットワ
ークの知識学習方法。 - 【請求項２】 ファジィ推論のルール構造及びパラメー
タの決定にＰｏｗｅｌｌ法を用いることを特徴とする請
求項１記載のニューラルネットワークの知識学習方法。 - 【請求項３】 ファジィ推論の決定されたルール構造及
びパラメータを表示することを特徴とする請求項１又は
請求項２記載のニューラルネットワークの知識学習方
法。 - 【請求項４】 ニューラルネットワークの入出力関係の
目標を感性に基づいて設定し、前記ニューラルネットワ
ークの知識を感性を加味してチューニングすることを特
徴とする請求項１，請求項２又は請求項３記載のニュー
ラルネットワークの知識学習方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4061413A JPH05225166A (ja) | 1992-02-14 | 1992-02-14 | ニューラルネットワークの知識学習方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4061413A JPH05225166A (ja) | 1992-02-14 | 1992-02-14 | ニューラルネットワークの知識学習方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05225166A true JPH05225166A (ja) | 1993-09-03 |
Family
ID=13170409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4061413A Pending JPH05225166A (ja) | 1992-02-14 | 1992-02-14 | ニューラルネットワークの知識学習方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05225166A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019111608A1 (ja) * | 2017-12-08 | 2019-06-13 | 三菱重工業株式会社 | 制御装置、無人システム、制御方法及びプログラム |
| JPWO2022044221A1 (ja) * | 2020-08-27 | 2022-03-03 |
-
1992
- 1992-02-14 JP JP4061413A patent/JPH05225166A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019111608A1 (ja) * | 2017-12-08 | 2019-06-13 | 三菱重工業株式会社 | 制御装置、無人システム、制御方法及びプログラム |
| JP2019105891A (ja) * | 2017-12-08 | 2019-06-27 | 三菱重工業株式会社 | 制御装置、無人システム、制御方法及びプログラム |
| JPWO2022044221A1 (ja) * | 2020-08-27 | 2022-03-03 | ||
| WO2022044221A1 (ja) * | 2020-08-27 | 2022-03-03 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、記録媒体 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aladin et al. | Logic-based artificial intelligence in systems for monitoring the enforcing traffic regulations | |
| CN110626339B (zh) | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 | |
| US6208981B1 (en) | Circuit configuration for controlling a running-gear or drive system in a motor vehicle | |
| CN113291308A (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
| CN115352449B (zh) | 一种融合驾驶风格博弈的智能车交叉口直行速度决策方法 | |
| Nilsson et al. | Safe transitions from automated to manual driving using driver controllability estimation | |
| CN111275249A (zh) | 基于dqn神经网络和高精度定位的驾驶行为优化方法 | |
| JP7841810B2 (ja) | 運転支援システムのための運転エンベロープの定義 | |
| CN110288847B (zh) | 一种自动驾驶决策方法、装置、系统、存储介质及终端 | |
| DE102012209518A1 (de) | Fahrzeugfahrer-beratungssystem | |
| JP2003228800A (ja) | 車両用推奨操作量生成装置 | |
| CN115285121B (zh) | 一种体现驾驶员偏好的换道轨迹规划方法 | |
| CN109436085A (zh) | 一种基于驾驶风格的线控转向系统传动比控制方法 | |
| CN116534055B (zh) | 一种基于驾驶员个性化的拟人变道轨迹优化方法 | |
| DE102017200580A1 (de) | Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge | |
| JP2021081903A (ja) | 運転評価装置、運転評価システム、車載装置、車外評価装置、運転評価プログラム、および評価写像データの生成方法 | |
| CN112365710A (zh) | 一种基于概率输出模型的智能车辆换道决策方法 | |
| CN117077753B (zh) | 类脑智能驾驶控制模型升级方法及类脑智能驾驶方法 | |
| DE102021114077A1 (de) | System zum Erweitern der Funktionalität einer durch Schlussfolgerungssysteme auf Symbolik/Logik-Basis erzeugten Hypothese | |
| JPH05225166A (ja) | ニューラルネットワークの知識学習方法 | |
| CN107512267A (zh) | 一种基于自适应神经模糊模型的车速预测方法 | |
| CN119953360B (zh) | 一种自动驾驶商用车学习型紧急避撞控制方法、系统和存储介质 | |
| JP2722865B2 (ja) | 右左折判断支援装置 | |
| US6765494B1 (en) | Method for spacing control for a vehicle | |
| JP7596334B2 (ja) | 乗り物の運転支援方法および運転支援システム |