DE4240789A1

DE4240789A1 - Einrichtung zum Bewerten von Situationen oder Szenarien, die mit einer Mehrzahl von Sensoren beobachtet werden

Info

Publication number: DE4240789A1
Application number: DE4240789A
Authority: DE
Inventors: Uwe Krogmann
Original assignee: Bodenseewerk Geratetechnik GmbH
Current assignee: Bodenseewerk Geratetechnik GmbH
Priority date: 1992-12-04
Filing date: 1992-12-04
Publication date: 1994-06-09
Anticipated expiration: 2012-12-05
Also published as: DE4240789C2

Description

Die Erfindung betrifft eine Einrichtung zum Bewerten von Situationen oder Szenarien, die mit einer Mehrzahl von Sensoren beobachtet werden, unter Verwendung wissensbasierter Regeln.

Die "Situation" kann beispielsweise ein zu identifizierendes Objekt sein, das mittels einer Mehrzahl von Sensoren beobachtet wird. Die Sensoren können z. B. bildauflösende Sensoren sein, die in verschiedenen Wellenlängen-Bereichen arbeiten, Radar-Sensoren oder entfernungsmessende Sensoren. Es kann sich aber auch um andere Arten von zu beurteilenden Situationen handeln. Beispielsweise kann es darum gehen, die ordnungsgemäße Funktion einer komplexen Anlage mit einer Mehrzahl von Sensoren zu überwachen.

Die Vermehrfachung von Sensoren bedeutet Redundanz. Damit erhöht sich die Genauigkeit und damit die Zuverlässigkeit. Die Verwendung komplementärer Sensoren erhöht die Sicherheit und die Genauigkeit der Bewertung der Situation. Bei der Verwendung eines einzelnen Sensors erfordert die Beobachtung der Situation eine längere Folge von Signalen, bevor der Sensor eine Bewertung der Situation vornehmen kann. Bei gleichzeitiger Verwendung mehrerer Sensoren könnte die Bewertung der Situation schneller erfolgen, weil gleichzeitig die Informationen von verschiedenen Sensoren verarbeitet werden können. Wenn mehrere Sensoren verwendet werden, können u. U. einfachere und damit billigere Sensoren eingesetzt werden, so daß sich insgesamt eine Verringerung der Gesamtkosten ergibt.

Bei bekannten Vorrichtung zum Bewerten von Situationen oder Szenarien, bei denen die Situation oder das Szenarium mit mehreren Sensoren gleichzeitig beobachtet wird, ist für jeden Sensor ein gesonderter Kanal vorgesehen. In jedem Kanal werden aus dem Sensor-Signal Merkmale gewonnen. Anhand dieser Merkmale erfolgt in jedem Kanal einzeln, unabhängig von den anderen Kanälen, eine Klassifikation. Die durch diese Klassifikation gewonnene "symbolische Information" ist auf einen Prozessor (Experten-System) geschaltet, der regelbasierte Schlußfolgerungen zieht und Entscheidungen trifft. Das Expertensystem liefert dann z. B. bei einem bildverarbeitenden Sensor Informationen über die Objektklasse und die Objektdaten.

Bei einer solchen bekannten Vorrichtung erfolgt die Klassifizierung der Situation aus den Sensor-Daten für jeden Sensor getrennt. Insofern liegen die gleichen Verhältnisse vor wie bei einem einzelnen Sensor. Die Klassifikations-Vektoren der einzelnen Sensor-Kanäle werden in Form symbolischer Information dem Experten-System zugeführt. Das Expertensystem zieht dann unter Verwendung regelbasierter Algorithmen sowie einer Daten- und Wissensbasis Schlußfolgerungen zur Bewertung der Situation. Dabei erfolgt die Überlagerung der Information von den verschiedenen Sensoren erst in der Endstufe der Informations-Verarbeitung.

Der Erfindung liegt die Aufgabe zugrunde, eine Vorrichtung der eingangs genannten Art zu vereinfachen.

Der Erfindung liegt speziell die Aufgabe zugrunde bei einer Vorrichtung der eingangs genannten Art die Zahl der zu berücksichtigenden Merkmale und der durch das Expertensystem anzuwendenden Regeln zu vermindern, die Entscheidungszeit zu verkürzen und die Entscheidungs-Sicherheit zu erhöhen . . Der Erfindung liegt weiter die Aufgabe zugrunde, bei einer Vorrichtung der eingangs genannten Art die Detektions- Wahrscheinlichkeit zu erhöhen und die Falschalarm-Rate zu vermindern.

Erfindungsgemäß werden diese Aufgaben dadurch gelöst, daß

(a) aus den Informationen der Sensoren hergeleitete Merkmale auf die Eingänge eines neuronalen Netzes aufgeschaltet sind, das trainiert ist, aus diesen Informationen an Ausgängen einen Klassifikations-Vektor zu erzeugen,
(b) erste Speichermittel vorgesehen sind zur Festlegung von Zugehörigkeits-Funktionen, die jeweils in einzelnen, überlappenden Wertebereichen definiert sind und einen Grad der Zugehörigkeit einer Eingangsgröße zu einem dem betreffenden Wertebereich zugeordneten linguistischen Wert angeben,
(c) der von dem neuronalen Netz erhaltene Klassifikations- Vektor auf eine mit den ersten Speichermitteln verbundene unscharfe Logikschaltung aufgeschaltet ist zum Umsetzen der Komponenten des Klassifikations-Vektors als Eingangsgrößen in linguistische Werte entsprechend den von den Speichermitteln vorgegebenen Wertebereichen dieser Komponenten und zur Festlegung von Zugehörigkeits-Graden nach Maßgabe der gespeicherten Zugehörigkeits-Funktionen, und
(d) zweite Speichermittel zur Festlegung und Speicherung von Regeln zur Verknüpfung von linguistischen Eingangs-Werten zur Bildung jeweils eines linguistischen Ausgangs-Wertes,
(e) Mittel zur Bildung der linguistischen Ausgangs-Werte aus den sich aus den Komponenten des Klassifikations-Vektors ergebenden Eingangs-Werten nach Maßgabe der in den zweiten Speichermitteln gespeicherten Regeln,
(f) eine Korrelations-Logikschaltung zur Korrelation der Zugehörigkeits-Grade nach Maßgabe der Regeln für die Verknüpfung der linguistischen Eingangs-Werte zur Bildung von Zugehörigkeits-Graden für die linguistischen Ausgangs- Werte,
(g) Mittel zur Veränderung von Zugehörigkeits-Funktionen der linguistischen Ausgangs-Werte nach Maßgabe der sich aus den Korrelationen ergebenden Zugehörigkeits-Grade dieser Ausgangs-Werte und
(h) Mittel zur Bildung eines die Situationsbewertung wiedergebenden Vektors aus den so veränderten Zugehörigkeits-Funktionen der für die einzelnen Komponenten angesprochenen linguistischen Ausgangswerte vorgesehen sind.

Nach der Erfindung sind die aus den Signalen oder Daten der Sensoren hergeleiteten Merkmale alle auf Eingänge eines gemeinsamen neuronalen Netzes aufgeschaltet. Die Überlagerung der Sensor-Information erfolgt somit in einem frühen Stadium der Informations-Verarbeitung. Das neuronale Netz kann so trainiert werden, daß es unmittelbar aus allen diesen Merkmals-Informationen einen Klassifikations-Vektor liefert. Ein solches neuronales Netz hat den Vorteil, daß es die Problemlösung "erlernt" wird und nicht komplett mathematisch- symbolisch vorgefertigt zu sein braucht. Neuronale Netze sind geeignet, Information unterschiedlicher Sensoren "automatisch" zu bewerten und auch bei Widersprüchen schnell eine zufriedenstellende Lösung zu erreichen. Durch das neuronale Netz können die Informationen der Sensoren auf einfache Weise im Verhältnis zueinander gewichtet werden. Auch unvollständige Informationen können aufgrund von Vorwissen sinnvoll ergänzt werden. Das Ergebnis wird schnell erhalten. Da das neuronale Netz schon einen Klassifikations-Vektor liefert, der auf den Informationen aller Sensoren beruht, hat das Experten-System weniger Eingangsgrößen. Da das Expertensystem nicht die von den einzelnen Sensor-Kanälen gelieferten u. U. unterschiedlichen Klassifikationen miteinander in Einklang zu bringen braucht, benötigt es weniger Regeln für die Entscheidungsfindung. Die Verarbeitung mit unscharfer Logik berücksichtigt die Tatsache, daß der Klassifikations-Vektor prinzipiell unscharf ist. Die Verarbeitung "linguistischer" Werte wie "positiv groß" oder "negativ klein", die den verschiedenen Wertebereichen zugeordnet sind, kann mit vorhandenen integrierten Bausteinen erfolgen.

Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.

Ein Ausführungsbeispiel der Erfindung ist nachstehend unter Bezugnahme auf die zugehörigen Zeichnungen näher erläutert.

Fig. 1 zeigt in einem Blockdiagramm den Grundaufbau einer Einrichtung zum Klassieren von Situationen, die mit einer Mehrzahl von Sensoren beobachtet werden, unter Verwendung wissensbasierter Regeln.

Fig. 2 zeigt den Grundaufbau eines bei der Einrichtung von Fig. 1 verwendeten neuronalen Netzes.

Fig. 3 zeigt ein Beispiel von Komponenten des Klassifikations- Vektors, wie sie von dem neuronalen Netz geliefert werden.

Fig. 4 zeigt in einem Blockdiagramm die Verarbeitung des von dem neuronalen Netz gelieferten Klassifikations-Vektors mit Hilfe unscharfer Logik und wissensbasierter Regeln.

Fig. 5 zeigt in einem Blockdiagramm die Verarbeitung der Komponenten des Klassifikations-Vektors.

Fig. 6 zeigt für eine solche Komponente die Wertebereiche der linguistischen Werte und den Verlauf der Zugehörigkeits- Funktion.

Fig. 7 ist ein Blockdiagramm und veranschaulicht die Verarbeitung der linguistischen Eingangs-Werte und der Zugehörigkeits-Grade zu einem linguistischen Ausgangs- Wert und einer für diese geltenden Zugehörigkeits- Funktion, wenn durch die anwendbare Regel mehrere Komponenten des Klassifikations-Vektors mit ihren linguistischen Eingangs-Werten angesprochen sind.

Fig. 8 ist ein Blockdiagramm und veranschaulicht die Bildung einer Ausgangs-Variablen, wenn durch die Komponenten des Klassifikations-Vektors mehrere der Regeln angesprochen werden, die jede einen linguistischen Ausgangswert mit einer Zugehörigkeits-Funktion liefern.

In Fig. 1 sind mit 10 ₁, 10 ₂ . . . 10 _n verschiedene Sensoren bezeichnet, welche eine bestimmte Situation beobachten, z. B. ein zu klassierendes Objekt. Ein Sensor kann z. B. ein bildauflösender Infrarot-Sensor sein, ein anderer Sensor kann im Millimeterwellen-Bereich arbeiten usw. Aus jedem der Sensoren werden durch merkmalsgewinnende Signalverarbeitungs- Mittel 12 ₁, 12 ₂ . . . 12 _n bestimmte Merkmale der beobachteten Situation gewonnen. Die so gebildeten Merkmals-Vektoren sind auf ein neuronales Netz 14 aufgeschaltet. Das neuronale Netz 14 liefert an Ausgängen PE₁, PE₂ . . . PE_n einen Klassifikations-Vektor. Dieser Klassifikations-Vektor mit seinen verschiedenen Komponenten ist auf eine Signalverarbeitungs-Anordnung 16 geschaltet. Die Signalverarbeitungs-Anordnung 16 bildet aus den Komponenten des Klassifikations-Vektors anhand von überlappenden Wertebereichen und diesen zugeordneten "Zugehörigkeits- Funktionen" "linguistische" Eingangs-Werte in der Form "groß" "klein" usw. Mit diesen linguistischen Eingangs-Werten werden nach gespeicherten Regeln linguistische Ausgangs-Werte gebildet. Aus diesen linguistischen Ausgangs-Werten liefert die Signalverarbeitungs-Anordnung an einem Ausgang 18 eine Bewertung der beobachteten Situation oder eines beobachteten Szenarios, beispielsweise eine Aussage über eine Objektklasse ("Flugzeug") und Objektdaten (Position, Geschwindigkeit, Abstand).

Die Ausgänge PE₁ . . . sind von Prozessor-Elementen gebildet, welche ausgelegt sind, die Summe der Eingangs-Signale zu bilden. Im vorliegenden Fall liegt jedoch an jedem dieser Prozessor-Elemente nur ein Signal an. Die Prozessor-Elemente bilden hier Speicher zur Zwischenspeicherung der Ausgangs- Information.

Fig. 2 zeigt ein Beispiel für das hier verwendete neuronale Netz 14. Das neuronale Netz ist ein "Backpropagation Netzwerk". An Eingängen 18 des neuronalen Netzes 14, die wieder von Prozessor-Elementen gebildet sind, liegen Merkmals- Vektoren 20 der verschiedenen Sensoren 10₁ usw. Jeder der Merkmals-Vektoren hat eine Mehrzahl von Komponenten. Mit 22 sind Prozessor-Einheiten einer ersten Schicht 24 bezeichnet. Jeder Eingang 18 ist mit jeder der Prozessor-Einheiten 22 der ersten Schicht 24 derart verbunden, daß das Eingangs-Signal am Eingang 18 mit einer veränderbaren Wichtung auf die Prozessor- Einheit 22 aufgeschaltet ist. Die Prozessor-Einheiten 22 summieren die gewichteten Signale der Eingänge 18 und liefern ein Ausgangs-Signal nach Maßgabe einer nichtlinearen Funktion, vorzugsweise einer Gauß-Funktion der summierten Eingangs signale. Die Ausgangs-Signale der Prozessor-Einheiten 22 sind wiederum gewichtet auf Prozessor-Einheiten 26 einer Ausgangs- Schicht 28 aufgeschaltet. Die Prozessor-Einheiten 22 sind wieder mit jeder Prozessor-Einheit 26 verbunden, derart, daß das Ausgangs-Signal jeder Prozessor-Einheit 22 mit veränderbaren Wichtungen auf jeden der Prozessor-Einheiten 26 als Eingangs-Signale aufgeschaltet sind. Die Prozessor- Einheiten 26 liefern die Ausgangs-Signale des neuronalen Netzes wieder als nichtlineare Funktionen, vorzugsweise als Gauß-Funktionen, der gewichteten Eingangs-Signale. Diese Ausgangs-Signale sind auf die Prozessor-Einheiten PE₁, PE₂ usw. aufgeschaltet. In einem Trainings-Prozess werden die Gewichte anhand von Paaren von Eingangs- und Ausgangs-Vektoren nach einem bestimmten Algorithmus verändert, so daß das neuronale Netz für die von den Merkmals-Vektoren gebildeten Eingangs-Vektoren die richtigen Klassifikations-Vektoren als Ausgangs-Vektoren liefern. Das ist bekannte Technik und daher hier nicht im einzelnen beschrieben.

Die nichtlinearen Funktionen in dem neuronalen Backpropagation- Netzwerk sind vorzugsweise Gauß-Funktionen. Es hat sich gezeugt, daß sich damit besonders rauscharme Ausgangs-Informationen erhalten lassen. Statt dessen können aber auch in üblicher Weise Sigmoid-Funktionen vorgesehen werden.

In Fig. 3 sind Beispiele für die am Ausgang des neuronalen Netzes erhaltenen Komponenten des Klassifikations-Vektors dargestellt.

Diese Komponenten des Klassifikations-Vektors werden auf die Signalverarbeitungs-Anordnung 16 aufgeschaltet. Ein Blockdiagramm einer solchen Signalverarbeitungs-Anordnung ist in Fig. 4 dargestellt. Die Signalverarbeitungs-Anordnung 16 enthält eine Einrichtung 30 zur Umsetzung der Eingangs- Variablen, d. h. der Komponenten des Klassifikations-Vektors in linguistische Werte. Weiter enthält die Signalverarbeitungs- Anordnung eine "Regel-Basis", d. h. einen Speicher, in welchem Regeln abgelegt werden, nach denen Verknüpfungen von linguistischen Eingangs-Werten linguistische Ausgangs-Werte zugeordnet werden und Inferenz-Mittel, welche nach diesen gespeicherten Regeln aus den von der Einrichtung 30 gelieferten linguistischen Werten linguistische Ausgangs-Werte gebildet werden. Diese Regel-Basis und Inferenz-Mittel sind in Fig. 4 mit 32 bezeichnet. Aus den linguistischen Ausgangs- Werten, die von der Einrichtung 32 geliefert werden, werden durch eine Einrichtung 34 wieder Daten an einem Ausgang 36 gebildet, welche eine Bewertung der beobachteten Situation liefern.

Zur Umsetzung der Komponenten des Klassifikations-Vektors in linguistische Werte sind für jede der Eingangs-Variablen Wertebereiche definiert. Diese Wertebereiche überlappen sich. In jedem der Wertebereiche ist eine Zugehörigkeits-Funktion definiert. Die Komponenten des Klassifikations-Vektors liegen an Eingängen 38 (Fig. 5) an. In einem Speicher 40 sind für jede Eingangs-Variable für verschiedene, sich überlappende Wertebereiche die Zugehörigkeits-Funktionen gespeichert. Eine Logikschaltung 42 erzeugt aus den anliegenden Eingangs- Variablen unter Berücksichtigung der gespeicherten Wertebereiche und Zugehörigkeits-Funktionen linguistische Ausgangswerte. Das ist nachstehend unter Bezugnahme auf Fig. 6 erläutert.

In dem Speicher 40 sind für jede Eingangs-Variable Wertebereiche definiert, denen linguistische Werte: "negativ groß" (NL), "negativ mittel" (NM), "negativ klein" (NS), "null" (ZE), "positiv klein" (PS), "positiv mittel" (PM) und "positiv groß" (PL) zugeordnet sind. Diese Wertebereiche überlappen sich. Das bringt die Unschärfe zum Ausdruck, die bei einer solchen Bewertung auftritt. Man kann bestimmte Werte als "groß" aber auch als "mittel" bezeichnen. Die Grenzen sind da fließend. Diesen fließenden Grenzen wird durch die "Zugehörigkeits-Funktion" Rechnung getragen. Eine solche Zugehörigkeits-Funktion ist in jedem der Wertebereiche definiert. Bei dem in Fig. 6 dargestellten Beispiel sind die graphischen Darstellungen der Zugehörigkeits-Funktionen trapezförmig. Außerhalb der Überlappungs-Bereiche der verschiedenen Wertebereiche haben die Zugehörigkeits- Funktionen den Wert 1,0. Eine Wert der Eingangs-Variablen, der außerhalb der Überlappungs-Bereiche liegt ist eindeutig einem und nur einem Wertebereich und damit linguistischen Wert zugeordnet. In den Überlappungs-Bereichen steigt die Zugehörigkeits-Funktion von dem Wert 0 am äußeren Rande des Wertebereichs bis zu dem Wert 1,0 am inneren Rand des Überlappungs-Bereichs linear an. In Fig. 6 ist die Zugehörigkeits-Funktion für den linguistischen Wert "negativ groß" mit 44 bezeichnet. Der Wertebereich für diesen linguistischen Wert ist zum Negativen hin unbegrenzt. Die Zugehörigkeits-Funktion zeigt daher einen Anstieg zum Negativen hin und bleibt dann konstant auf dem Wert 1,0. Die Zugehörigkeits-Funktion für den linguistischen Wert " negativ mittel" ist mit 46 bezeichnet. Die Zugehörigkeits-Funktion für den linguistischen Wert " negativ klein" ist mit 48 bezeichnet. Die Zugehörigkeits-Funktion für den linguistischen Wert " null" ist mit 50 bezeichnet. Die Zugehörigkeits- Funktion für den linguistischen Wert "positiv klein" ist mit 52 bezeichnet. Die Zugehörigkeits-Funktion für den linguistischen Wert " positiv mittel" ist mit 54 bezeichnet. Die Zugehörigkeits-Funktion für den linguistischen Wert " positiv groß" ist mit 56 bezeichnet. Diese Funktion ist, ähnlich wie die Funktion 44 einseitig, diesmal zum Positiven hin, unbegrenzt.

Statt der "trapezförmigen" Zugehörigkeits-Funktionen können auch andere Verläufe der Zugehörigkeits-Funktionen benutzt werden, beispielsweise Gauß-Funktionen.

Jedem Wert der Eingangs-Variablen, nämlich der betreffenden Komponente des Klassifikations-Vektors, wird nach diesen Funktionen ein linguistischer Ausgangs-Wert zugeordnet. Liegt der Wert der Eingangs-Variablen in einem Überlappungs-Bereich, dann werden dem Wert der Eingangs-Variablen zwei linguistische Ausgangs-Werte zugeordnet. Weiterhin werden den linguistischen Ausgangs-Werten nach den Zugehörigkeits-Funktionen "Zugehörigkeits-Grade" zugeordnet. Der Wert "+10" in Fig. 6 ist beispielsweise mit einem Zugehörigkeits-Grad von 0,3 "null" und mit einem Zugehörigkeits-Grad von ebenfalls 0,3 "positiv klein".

Die so erhaltenen linguistischen Werte sind über Leitungen 58 auf eine Regel-Basis 60 geschaltet. Die Regel-Basis enthält einen Speicher, in welchem Regeln von der Form "Wenn . . . , dann" gespeichert sind. Der "Wenn"-Teil dieser Regeln enthält eine Verknüpfung von linguistischen Eingangs-Werten. Der "Dann"- Teil enthält eine Schlußfolgerung in Form eines linguistischen Ausgangs-Wertes. Eine solche Regel kann beispielsweise die Form haben: "Wenn a = ZE und b = PS und c = NS, dann d = ZE". Wenn wegen der überlappenden Wertebereiche durch einen Wert einer Eingangs-Variablen (Komponente des Klassifikations- Vektors) mehrere Regeln gleichzeitig angesprochen sind, also etwa eine Regel mit "a = ZE" und eine Regel mit "a = PS", dann ergeben sich mehrere solcher linguistischer Ausgangs-Werte.

Die linguistischen Eingangs-Werte sind jeweils mit Zugehörigkeits-Graden behaftet. Aus den Zugehörigkeits-Grade der sich nach den Regeln ergebenden linguistischen Ausgangs- Werte werden nach geeigneten Regeln aus den Zugehörigkeits- Graden der linguistischen Eingangs-Werte bestimmt. Fig. 7 zeigt ein Beispiel hierfür: Eine Regel, wie oben in Fig. 7 angegeben, verknüpft drei Eingangs-Variablen a, b und c, also Komponenten des Klassifikations-Vektors. Die Regel liefert eine Ausgangs- Variable f. Aus den für die verschiedenen Eingangs-Variablen a, b und c geltenden Wertebereichen und Zugehörigkeits- Funktionen 64, 66 bzw. 68 ergeben sich Zugehörigkeits-Grade von m_ZE(a) = 0,2; m_PS(b) = 0,4 und m_NS(c) = 0,3. Durch eine Korrelations-Logikschaltung 70 wird daraus ein Zugehörigkeits- Grad für den linguistischen Ausgangs-Wert gebildet. Bei einer UND-Verknüpfung der linguistischen Eingangs-Werte im "Wenn"- Teil der Regel wird als Zugehörigkeits-Grad des linguistischen Ausgangs-Wertes im "Dann"-Teil der Regel der kleinste der Zugehörigkeits-Grade der Eingangs-Werte angenommen. Das entspricht etwa einer Schnittmenge. Bei einer ODER-Verknüpfung in der Regel, würde der größte der Zugehörigkeits-Grade der Eingangs-Werte gewählt. Das entspräche einer Vereinigungsmenge. In Fig. 7 sind die Vorgänge der Bestimmung der linguistischen Eingangs-Werte aus den Eingangs-Variablen a, b und c und die Bestimmung der zugeordneten Zugehörigkeits- Grade ist in Fig. 7 durch die Blocks 72, 74 und 76 dargestellt.

Dem linguistischen Ausgangs-Wert f, im vorliegenden Fall "null" (ZE) ist ebenfalls eine Zugehörigkeits-Funktion 78 zugeordnet. Die Zugehörigkeits-Funktion 78 des Ausgangs-Wertes wird mit dem für den Ausgangs-Wert f = ZE bestimmten Zugehörigkeits- Grad multipliziert. Das liefert eine veränderte Zugehörigkeits-Funktion 80 an einem Ausgang B₁. Die Mittel zur Durchführung dieser Operation sind in Fig. 7 durch einen Block 82 dargestellt.

Durch jede der Eingangs-Variablen a, b, c . . . können durch die sich überlappenden Wertebereiche mehrere linguistische Eingangs-Werte erzeugt werden. Dementsprechend können von einem Klassifizierungs-Vektor mehrere Regeln angesprochen und für jede Komponente des Ausgangs-Vektors der Regel-Basis 60 an den Ausgängen 62 mehrere linguistische Ausgangs-Werte erhalten werden.

In diesem Fall wird ein numerischer oder analoger Ausgangs- Wert in der in Fig. 8 dargestellten Weise erhalten. Es sei angenommen, daß als Ergebnis der auf die Eingangs-Variablen und die daraus resultierenden linguistischen Eingangs-Werte angewandten Regeln zwei veränderte Zugehörigkeits-Funktionen 80 und 84 erhalten worden sind. Die veränderte Zugehörigkeits- Funktion 80 ist auf die in Fig. 7 dargestelle Weise durch Multiplikation der Zugehörigkeits-Funktion 78 für f = ZE mit dem Zugehörigkeits-Grad 0,2 entstanden. In entsprechender Weise ist nach einer anderen Regel die veränderte Zugehörigkeits-Funktion 84 an einem Ausgang B₂ eines Blocks 85 durch Multiplikation der Zugehörigkeits-Funktion 86 für f = PM mit einem Zugehörigkeits-Grad 0,15 erhalten worden. Die beiden veränderten Zugehörigkeits-Funktionen werden überlagert. Das ist in Fig. 8 durch einen Summierpunkt 88 dargestellt. Es wird dann ein mit den veränderten Zugehörigkeits-Funktionen gewichtetet Mittelwert f_K der Ausgangs-Variablen f

gebildet. Die Überlagerung der veränderten Zugehörigkeits- Funktionen ist in Fig. 5 durch den Summierpunkt 88 dargestellt. Die Bildung des gewichteten Mittelwertes ist in Fig. 5 und 8 durch einen Block 90 symbolisiert.

Die erhaltenen Ausgangs-Werte an dem Ausgang 36 (Fig. 4 und 8) liefern eine Bewertung der von den mehreren Sensoren 10 ₁ bis 10_n beobachteten Situation.

Claims

1. Einrichtung zum Bewerten von Situationen oder Szenarien, die mit einer Mehrzahl von Sensoren beobachtet werden, unter Verwendung wissensbasierter Regeln dadurch gekennzeichnet, daß

(a) aus den Informationen der Sensoren (10 ₁ . . . 10 _n) hergeleitete Merkmale auf die Eingänge eines neuronalen Netzes (14) aufgeschaltet sind, das trainiert ist, aus diesen Informationen an Ausgängen einen Klassifikations- Vektor zu erzeugen,
(b) erste Speichermittel (40) vorgesehen sind zur Festlegung von Zugehörigkeits-Funktionen (44 bis 56; . . . ), die jeweils in einzelnen, überlappenden Wertebereichen definiert sind und einen Grad der Zugehörigkeit einer Eingangsgröße zu einem dem betreffenden Wertebereich zugeordneten linguistischen Wert angeben,
(c) der von dem neuronalen Netz (14) erhaltene Klassifikations-Vektor auf eine mit den ersten Speichermitteln (40) verbundene unscharfe Logikschaltung (42) aufgeschaltet ist zum Umsetzen der Komponenten des Klassifikations-Vektors als Eingangsgrößen in linguistische Werte entsprechend den von den ersten Speichermitteln (40) vorgegebenen Wertebereichen dieser Komponenten und zur Festlegung von Zugehörigkeits-Graden nach Maßgabe der gespeicherten Zugehörigkeits-Funktionen, und
(d) zweite Speichermittel (60) zur Festlegung und Speicherung von Regeln zur Verknüpfung von linguistischen Eingangs- Werten zur Bildung jeweils eines linguistischen Ausgangs- Wertes,
(e) Mittel zur Bildung der linguistischen Ausgangs-Werte aus den sich aus den Komponenten des Klassifikations-Vektors ergebenden Eingangs-Werten nach Maßgabe der in den zweiten Speichermitteln gespeicherten Regeln,
(f) eine Korrelations-Logikschaltung (70) zur Korrelation der Zugehörigkeits-Grade nach Maßgabe der Regeln für die Verknüpfung der linguistischen Eingangs-Werte zur Bildung von Zugehörigkeits-Graden für die linguistischen Ausgangs- Werte,
(g) Mittel (82) zur Veränderung von Zugehörigkeits-Funktionen der linguistischen Ausgangs-Werte nach Maßgabe der sich aus den Korrelationen ergebenden Zugehörigkeits-Grade dieser Ausgangs-Werte und
(h) Mittel (90) zur Bildung eines die Situationsbewertung wiedergebenden Vektors aus den so veränderten Zugehörigkeits-Funktionen der für die einzelnen Komponenten angesprochenen linguistischen Ausgangswerte vorgesehen sind.

2. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, daß das neuronale Netz (14) ein Backpropagation-Netzwerk ist, bei welchem die nichtlineare Ausgangsfunktion eine Gauß- Funktion ist.

3. Vorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die von den ersten Speichermitteln (40) festgelegten Zugehörigkeits-Funktionen (44 bis 56; . . . ) dargestellt sind durch eine trapezförmige Funktions- Darstellung mit linearem Anstieg bzw. Abfall in den Überlappungsbereichen der benachbarten Wertebereiche.

4. Vorrichtung nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß in den zweiten Speichermitteln (60) Regeln in der Form "Wenn . . . dann . . . " gespeichert sind, wobei der "Wenn"-Teil der Regel eine Verknüpfung von linguistischen Eingangs-Werten und der "Dann"-Teil den linguistischen Ausgangs-Wert enthält.

5. Vorrichtung nach Anspruch 4, dadurch gekennzeichnet, daß die Korrelations-Logikschaltung (70) bei einer UND- Verknüpfung der linguistischen Eingangs-Werte den kleinsten der Zugehörigkeits-Grade der linguistischen Eingangs-Werte berücksichtigt.

6. Vorrichtung nach Anspruch 3 oder 4, dadurch gekennzeichnet, daß die Korrelations-Logikschaltung (70) bei einer ODER-Verknüpfung von linguistischen Eingangs- Werten als Zugehörigkeits-Grad des linguistischen Ausgangs-Wertes den größten der Zugehörigkeits-Grade der linguistischen Eingangs-Werte berücksichtigt.

7. Vorrichtung nach einem der Ansprüche 3 bis 6, dadurch gekennzeichnet, daß die Mittel (82) zur Veränderung der Zugehörigkeits-Funktion (78) eines Ausgangs-Wertes (ZE) Mittel enthalten zur Multiplikation dieser Zugehörigkeits- Funktion mit dem Zugehörigkeits-Grad des Ausgangs-Wertes.

8. Vorrichtung nach einem der Ansprüche 3 bis 7, dadurch gekennzeichnet, daß zur Bildung der Komponenten des die Situationsbewertung wiedergebenden Vektors jeweils ein mit den veränderten Zugehörigkeits-Funktionen gewichteter Mittelwert der den Komponenten zugeordneten Ausgangs- Variablen erzeugt wird.