JP2632117B2 - 事例ベース推論装置 - Google Patents
事例ベース推論装置Info
- Publication number
- JP2632117B2 JP2632117B2 JP4269129A JP26912992A JP2632117B2 JP 2632117 B2 JP2632117 B2 JP 2632117B2 JP 4269129 A JP4269129 A JP 4269129A JP 26912992 A JP26912992 A JP 26912992A JP 2632117 B2 JP2632117 B2 JP 2632117B2
- Authority
- JP
- Japan
- Prior art keywords
- case
- inference
- conclusion
- condition
- new
- 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.)
- Expired - Lifetime
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
例データベースに蓄積しておき、新事例の条件に類似し
た既存事例を選択,修正することにより、新事例の結論
を推論する事例ベース推論装置に関する。
過去の経験を中心にして行われる”という仮説に基づく
推論モデルの生成技術であり、基本的には次のような推
論が行われる。即ち、まず過去に経験した事例を蓄積し
て事例ベースを生成し、次いで新事例の条件が入力され
た場合にはこれと最も類似した既存事例を事例ベースか
ら検索すると共に、検索された既存事例を適当に修正し
て新事例の結論を推論する。そしてさらに、新事例を学
習して事例ベースを更新するものとなっている。このよ
うな、推論技術は、事例として例えば文字や単語等の個
別データを取り扱ういわゆる自然言語処理等の分野にそ
の適用がなされており、この分野における推論装置実現
のため、各種の手法が提案されている。
例ベース推論技術を、地域冷暖房システムの負荷予測,
プラントのバルブ操作量の制御及び機器特性の同定とい
ったような技術に適用しようとした場合、上記システム
や機器等では事例が文字や単語等の個別データでは無
く、例えば時系列で観測され連続的に変化する気温等の
連続データとなるため、次のような問題を生じている。
即ち、第1点として連続データの事例をどのような形式
で表現して事例ベースを作成するかという問題点、第2
点として連続データの事例間の類似度をどのように決定
して新事例に対する類似事例を検索するかという問題
点、第3点として連続データの類似事例をどのように修
正して新事例の結論として推論するかという問題点、第
4点として連続データの新事例をどのように学習して事
例ベースを更新するかという問題点がある。また、従来
の事例ベースは、32k個のプロセッサを有するよう
な、膨大な記憶容量と計算量を前提とした技術であるた
め、例えば上記システムや機器等で要求される「小資源
環境におけるリアルタイムな処理の実行」を実現するこ
とが困難であるという問題もあった。したがって本発明
は、気温等の連続データの事例を小規模コントローラ等
で処理可能にすることを目的とする。
るために本発明は、各事例間に連続性が成立するような
事例の推論を行う推論装置であって、既存事例の条件部
の各入力変数の値を離散化しこの離散値により条件部を
象徴化すると共に同一象徴に対する既存事例の結論部を
統合化しこの結論部と条件部との関係と,条件部の変化
に対する結論部の変化情報とを付随して生成する事例ベ
ース生成部と、推論を行うための前処理として既存事例
から推論精度を考慮した条件部の類似度を判定するため
に用いるしきい値を決定する手段と,推論に用いる類似
事例の個数の制約を決定する手段とからなるパラメータ
決定部と、新事例の条件部に対する既存事例の類似度を
条件部の位相の連続性に基づいて決定する手段と,条件
部の類似度に基づき事例ベースから新事例に対する類似
事例を条件部が結論部に与える影響度を考慮して検索す
る手段と,新事例に対する類似事例の重要度を位相によ
る条件部の距離から決定する手段と,重要度に基づき複
数の類似事例を条件部の変化に対する結論部の変化を考
慮して修正を行い統合化し新事例の結論部を推論する手
段と,条件部及び結論部の連続性により類似事例の条件
部の位相が近ければ結論部の位相も近いことを用い推論
結果の信憑性を判定する手段と,推論結果及びその信憑
性の情報を出力する手段とからなる事例ベース推論部
と、新事例をそのままリアルタイムに学習し事例ベース
を更新する事例ベース学習部とを設けたものである。
論に用いる事例を既存事例の中から選択して類似度を演
算し、類似度に基づく類似事例と新事例との距離を演算
すると共に距離による重要度を演算し、この重要度を考
慮しながら新事例の推論を行う一方、推論に用いる類似
事例が検索された場合、類似度によりその信憑性を演算
する。
る。図1は、本発明に係る事例ベース推論装置を適用し
たシステムの一実施例を示すブロック図であり、このシ
ステムは、地域冷暖房の空調負荷予測システムである。
同図において、1は過去に例えば或る時間毎に観測され
た外気温やこのときの不快指数等の事例データを記憶す
る記憶装置、2はこの事例データを各月毎に類別するデ
ータ類別部、10は各月毎の事例データから認識モデル
を作成すると共に,実際に外気温等の新たなデータが入
力されたときにこの認識モデルに基づき各月への帰属性
を認識し負荷予測を行う状態認識自動生成装置、20は
各月毎の事例データから各月の因果関係モデルを作成す
ると共に,新しいデータが入力されたときにこの因果関
係モデルに基づいて推論を行いかつその信憑性を算出す
る推論装置、30は負荷予測値表示部、40は信憑性統
合手段、50は信憑性表示部である。
識モデル生成手段11、認識モデル学習手段12、認識
モデル記憶部13、認識モデル状況入力手段14、帰属
性認識手段15、最終予測値決定手段16から構成され
ている。そして認識モデル生成手段11は、過去の事例
データから認識のための要因抽出を行い各要因による認
識モデルを生成すると共に、認識モデル学習手段12は
外気温等の新事例データを入力した場合にこれを学習し
て上記認識モデルの更新等を行い、これらの認識モデル
は認識モデル記憶部13に記憶される。一方、帰属性認
識手段15は、認識モデル状況入力部14からの新事例
データを入力した場合、記憶部13の認識モデルに基づ
いて各要因への帰属性を認識してこの認識結果を最終予
測値決定手段16へ送出すると共に、最終予測値決定手
段16は、この認識結果と推論装置20の推論結果とを
統合して最終の負荷予測値として出力するものとなって
いる。
成手段21、因果関係モデル学習手段22、因果関係モ
デル記憶部23、因果関係モデル状況入力部24、推論
手段25、信憑性計算手段26から構成されている。そ
して、因果関係モデル生成手段21は、過去の事例デー
タについてその入力要因とその数時間後の結果である例
えば室温との因果関係のモデルを生成すると共に、因果
関係モデル学習手段は、新事例データが入力された場合
にこれを学習して上記因果関係モデルの更新等を行い、
これらの因果関係モデルは因果関係モデル記憶部23に
記憶される。一方、推論手段25は、因果関係モデル状
況入力部24からの新事例データを入力すると、この新
事例データについて記憶部13の因果関係モデルに基づ
き推論を行い、この推論結果を上記最終予測値決定手段
16へ送出して状態認識自動生成装置10による認識結
果と統合させ、負荷予測値表示部30にこの予測値を表
示させる。また推論手段25はその推論結果を信憑性計
算手段26へ送出して信憑性の演算を行わせ、信憑性表
示部50に表示させる。なお、推論手段25は、新事例
データを推論する場合、位相(topology)に基
づいて推論するようにしている。この位相とは、集合に
連続の概念が定義できるように与えられる構造のことを
言い、例えば新事例データと過去の事例データとの距離
や類似性の近さ等を示している。
3に示すように、既存事例データ(過去の事例データ)
を入力するオフライン装置61、新事例データを入力す
るオンライン入力装置62、アルゴリズム記憶部63、
アルゴリズム記憶部63に記憶された所定のアルゴリズ
ムにしたがって推論動作を行うCPU64、各種のデー
タを記憶するデータ記憶部65、及び出力装置66から
構成されており、また機能的には、図2に示す各手段か
ら構成されている。
1としてのメモリベース作成手段21A,パラメータ決
定手段21B、上記した因果関係モデル学習手段22、
推論手段25としての類似度決定手段25A,類似度事
例検索手段25B,重要度決定手段25C,事例統合手
段25D、上記した信憑性計算手段26、及び出力手段
27から構成されている。
事例データについてその入力要因とその数時間後の結果
である例えば室温との因果関係について扱うものであ
り、入力空間としてX=<x1,x2,・・・,xn>
を、また出力空間としてY=<y>を仮定した場合に、
時刻tにおいて生じた事象X1(t),X2(t),・
・・,Xn(t)がα時間後に出力Y(t+α)を生じ
るような、つまり入出力データとして{X1(t),X
2(t),・・・,Xn(t),Y(t+α)}(t=
1,・・・,N)の関係を有し、各入出力変数が連続的
に変化するようなデータを推論する装置である。
う前にまず、因果関係モデル手段21により過去の事例
データについて事例ベースを作成する。即ち、まず入力
空間を離散化して有限個の入力事象に分割し、同一入力
現象に属する入出力データを統合化することで1つの事
例を生成する。このとき事例の条件部、つまり外気温や
不快指数等のデータは、離散化された入力データ{X
1,X2,・・・,Xn}となり、また事例の結論部、
つまりα時間後の室温は、出力データの重心値Y,同一
入力事象が起こった回数n及びその偏微分値の重心値Δ
Y/ΔX1,・・・,ΔY/ΔXn、即ち{Y,n,Δ
Y/ΔX1,・・・,ΔY/ΔXn}となる。
(℃)及び不快指数X2(%)が観測され、これらのデ
ータの或期間内の各時刻t(t=1,・・・,N)を通
しての最大値(max),最小値(min)がそれぞ
れ、 X1(max)=30.0,X1(min)=20.0 X2(max)=80.0,X2(min)=70.0 となり、かつ時刻t=t1 におけるデータ X1(t1 )=25.6,X2(t1 )=78.7 が得られたとき、この入力空間を離散化するための離散
化数を「10」(最大値と最小値間を10分割する)と
すれば、離散化されたデータは例えばX1=6,X2=
9として表され、{6,9}という1つの事象に象徴化
される。ここで、時刻t=t1 +αにおける室温Y(t
1 +α)を25.0とすると、{6,9}→25.0と
いう因果関係が得られたことになる。
室温Y(t1 +α+1)=25.5 であるときは、入力事象は同一の{6,9}に属し、同
一入力事象に対して生じた事象として {6,9}→25.25[={25.0+25.5}/
2、ここでn=2] として平均化され、事例データの圧縮が行われる。この
結果、事例ベースに要するメモリの容量を従来例に比べ
格段に少なくできる。また、上記した各偏微分値とは、
各入力変数の変化量に対する出力の変化量であり、この
場合各入出力変数が連続データであることから、この偏
微分値ΔY/ΔXi(t)は(1)式により計算するこ
とができる。
ついて事例ベースの作成を行った後、次に新事例につい
ての推論を推論手段25により行う。まず、新事例の条
件部を{Xi* }(i=1,2,・・・,n)とし、既
存事例を{Xi,Y,n,ΔY/ΔXi}(i=1,
2,・・・,n)とする。ここで、新事例の条件部は、
入力と同時に上記のように離散化され、かつ象徴化され
ている。
事例に対する既存事例の類似度を類似度決定手段25A
により決定する(この類似度とは、位相における近傍系
という概念に相応する)。新事例に対する既存事例の類
似度は次のような定義により決定する。即ち、 類似度0は、|Xi* −Xi|=0 (i=1,
2,・・・,n) 類似度1は、|Xi* −Xi|≦qXi (i=1,
2,・・・,n) 類似度2は、|Xi* −Xi|≦qXi+1(i=1,
2,・・・,n) 類似度3は、|Xi* −Xi|≦qXi+2(i=1,
2,・・・,n) のように定義する。ここで、qXiはしきい値と呼ばれ、
既存事例データから、Y(既存事例の結論部)の許容精
度に対するXi(既存事例の条件部)の分散により決定
したデジット値である。
数とし,Y=α時間後の室温を考えた場合、室温Yと予
測値との誤差が2度以内の予測をしようとしたとき、入
力空間と同様に1デジットが2度となるように離散化を
行う。そして離散化数が例えば「20」であったとする
と、 デジット1〜20それぞれに対し同一デジットに属す
るY* (新事例の結論部)を既存事例データから収集し
クラスタリングを行い、同一のクラスに属した新事例の
条件部X1,X2の分散を求める。 Y(既存事例の結論部)のデジットiに属する新事例
の条件部X1,X2の各クラスターの分散を離散値とし
て計算し、クラスター数で平均化することでデジット値
qiX1,qiX2を求める。 デジット値qiX1,qiX2を下式にしたがって平均化
する。即ち、 qX1=ΣqiX1/20,qX2=ΣqiX2/20
=2,qX2=3(実際には、qX1=2.123・・・,
qX2=3.456・・・)とする。しかし、Yが1度以
内を必要とすれば、qX1=1,qX2=2となり、要求さ
れる精度によってデジット値qXiは異なる。即ち、各変
数Xiに対し既存事例と新事例との距離がqXiより小さ
ければ条件部の位相が近いとされ、その時には新事例の
結論部は、既存事例の結論部に対して要求される精度内
に入っていると見なされる。
例に対する類似事例を検索する。新事例に対する類似度
が高い順に、最適事例の既存事例を類似事例として抽出
する。この最適事例数は、例えば既存事例によるシミュ
レーションから最も推論が良くなる事例数を選択する。
同一類似度の既存事例が最適事例数より多く存在する場
合は、各変数XiがYに与える影響度、即ち相関係数R
Xiの大小によって各変数に優先度を設定して抽出する。
に対する類似事例の重要度を決定する。入力空間に距離
を定義して事例間の位相を考慮する。ここでは例として
(2)式に示すような距離Lを導入する。
みである。そして抽出されたm個の類似事例の推論時の
重要度Wjを(3)式を用いて定義する。即ち、
度、即ち類似事例の重み付け前後の状況を説明する説明
図である。こうして抽出された最適事例数m個の類似事
例を用いて、新事例Xi* (i=1,2,・・・,n)
に対する推論値Y* を(4)式を用いて計算し統合化す
る(事例統合手段25D)。
軸上での入力データからの距離、yiはi番目の類似既
存事例の結論値、ΔY/ΔXjはi番目の類似既存事例
のj番目の変動が結論値に与える変動の割合をそれぞれ
示している。
段26の計算結果に基づいて行う。即ち、推論に使用さ
れた類似事例の新事例に対する類似度を用い、推論結果
に対する信憑性を判定する。例えば、推論に用いられた
類似事例の新事例に対する類似度の中で、最も高い類似
度がこの推論結果に対する信憑性であると定義すると、
最も高い類似度が「1」である推論結果は、信憑性が
「1」であると判定される。この場合、信憑性「0」が
最も信憑度が高く、数字が大きくなるにつれ信憑度が低
くなる。出力手段27は、こうして得られた推論結果及
びその信憑性を出力すると共に推論に使用した類似事例
を出力することもできる。
関係モデル学習手段22により新事例を学習して事例ベ
ースを更新する。このような事例ベースの更新は次の手
順により行われる。ただし、*が付いているものは新事
例を示している。即ち、前回までの同一条件部の事象回
数をnとすると、この事象回数を1つ増加させてn+1
にすると共に、出力値Yを(Y×n+Y* )/(n+
1)とし、さらに偏微分値ΔY/ΔX1を(ΔY/ΔX
1×n+ΔY/ΔX1* )/(n+1)とする。
手段25の動作を要約して示したフローチャートであ
る。即ち、新事例の条件部としての外気温等の新事例デ
ータXが入力された場合、新事例の結論部である所定時
間後の室温の推論に用いる事例を既存事例の中から選択
し、新事例と既存事例との類似度を計算すると共に、類
似事例を検索する(ステップST1)。そして、推論に
用いる検索された類似事例と新事例との距離を計算する
と共に、距離による重要度を計算し(ステップST
2)、この重要度を考慮しながら新事例の結論部の推論
を行い(ステップST3)、推論結果yを得る(ステッ
プST4)。一方、推論に用いる類似事例が検索された
場合、類似度によりその信憑性を計算し(ステップST
5)、その結果を得る(ステップST6)。そして、こ
の信憑性結果と推論結果yとは出力される(ステップS
T8)。
た場合、この事実Yと推論結果yとを比較する(ステッ
プST9)。そして、事実Yと推論結果yとが異なり、
かつ新事例Xが過去の事例に存在しない場合は、新事例
の条件部であるXとその結論部であるYとを新事例とし
て登録する(ステップST10)。
新事例が入力された場合、新事例の結論部の推論に用い
る事例を既存事例の中から選択して類似度を演算し、類
似度に基づく類似事例と新事例との距離を演算すると共
に距離による重要度を演算し、この重要度を考慮しなが
ら新事例の推論を行う一方、推論に用いる類似事例が検
索された場合、類似度によりその信憑性を演算するよう
にしたので、事例データが連続的に変化する複雑なシス
テムの予測,制御,同定を行う際に不可欠の、高精度の
推論,推論結果の信憑性評価,及びリアルタイムの適応
学習が可能になると共に、事例データが象徴化されるこ
とによってメモリの容量や計算量が削減され、この結果
小規模コントローラによるリアルタイムな処理実行が可
能になる。
ステムの一実施例を示す機能ブロック図である。
る。
による重み付け状況を示す図である。
Claims (1)
- 【請求項1】 各事例間に連続性が成立するような事例
の推論を行う推論装置であって、 既存事例の条件部の各入力変数の値を離散化しこの離散
値により条件部を象徴化すると共に同一象徴に対する既
存事例の結論部を統合化しこの結論部と条件部との関係
と,条件部の変化に対する結論部の変化情報とを付随し
て生成する事例ベース生成部と、推論を行うための前処
理として既存事例から推論精度を考慮した条件部の類似
度を判定するために用いるしきい値を決定する手段と,
推論に用いる類似事例の個数の制約を決定する手段とか
らなるパラメータ決定部と、新事例の条件部に対する既
存事例の類似度を条件部の位相の連続性に基づいて決定
する手段と,条件部の類似度に基づき事例ベースから新
事例に対する類似事例を条件部が結論部に与える影響度
を考慮して検索する手段と,新事例に対する類似事例の
重要度を位相による条件部の距離から決定する手段と,
重要度に基づき複数の類似事例を条件部の変化に対する
結論部の変化を考慮して修正を行い統合化し新事例の結
論部を推論する手段と,条件部及び結論部の連続性によ
り類似事例の条件部の位相が近ければ結論部の位相も近
いことを用い推論結果の信憑性を判定する手段と,推論
結果及びその信憑性の情報を出力する手段とからなる事
例ベース推論部と、新事例をそのままリアルタイムに学
習し事例ベースを更新する事例ベース学習部とを備えた
ことを特徴とする事例ベース推論装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4269129A JP2632117B2 (ja) | 1992-09-14 | 1992-09-14 | 事例ベース推論装置 |
US08/109,179 US5918200A (en) | 1992-08-31 | 1993-08-19 | State estimating apparatus |
DE69328956T DE69328956T2 (de) | 1992-08-31 | 1993-08-25 | Anlage zum Schätzen des Zustands eines Systems auf der Grundlage von aufgezeichneten Eingabe-Ausgabedaten für das System |
EP93113564A EP0590305B1 (en) | 1992-08-31 | 1993-08-25 | State estimating apparatus of a system on the basis of recorded input/output data for the system |
CN93118822A CN1047011C (zh) | 1992-08-31 | 1993-08-31 | 状态测定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4269129A JP2632117B2 (ja) | 1992-09-14 | 1992-09-14 | 事例ベース推論装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0695880A JPH0695880A (ja) | 1994-04-08 |
JP2632117B2 true JP2632117B2 (ja) | 1997-07-23 |
Family
ID=17468098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP4269129A Expired - Lifetime JP2632117B2 (ja) | 1992-08-31 | 1992-09-14 | 事例ベース推論装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2632117B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018322A (ja) * | 2005-07-08 | 2007-01-25 | Yamatake Corp | 省エネルギー量推定装置、方法、およびプログラム |
JP2007033233A (ja) * | 2005-07-27 | 2007-02-08 | Yamatake Corp | 河川汚濁負荷推定システム、方法、およびプログラム |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3762840B2 (ja) * | 1998-11-24 | 2006-04-05 | 富士通株式会社 | 類似事例に基づく予測を行う予測装置および方法 |
JP2000172671A (ja) * | 1998-12-11 | 2000-06-23 | Fujitsu Ltd | K近傍法による類似予測の結果表示装置 |
WO2007080688A1 (ja) | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | 予測式作成装置及び予測式作成方法 |
JP5902055B2 (ja) * | 2012-06-29 | 2016-04-13 | アズビル株式会社 | 負荷量予測装置および負荷量予測方法 |
-
1992
- 1992-09-14 JP JP4269129A patent/JP2632117B2/ja not_active Expired - Lifetime
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018322A (ja) * | 2005-07-08 | 2007-01-25 | Yamatake Corp | 省エネルギー量推定装置、方法、およびプログラム |
JP4634242B2 (ja) * | 2005-07-08 | 2011-02-16 | 株式会社山武 | 省エネルギー量推定装置、方法、およびプログラム |
JP2007033233A (ja) * | 2005-07-27 | 2007-02-08 | Yamatake Corp | 河川汚濁負荷推定システム、方法、およびプログラム |
JP4486004B2 (ja) * | 2005-07-27 | 2010-06-23 | 株式会社山武 | 河川汚濁負荷推定システム、方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JPH0695880A (ja) | 1994-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and particle swarm optimization techniques | |
Filev et al. | An Extended Version of the Gustafson‐Kessel Algorithm for Evolving Data Stream Clustering | |
JP2007500379A (ja) | インテリジェント制御システムのソフト演算最適化装置 | |
Yang et al. | A novel self-constructing radial basis function neural-fuzzy system | |
Lin | H∞ reinforcement learning control of robot manipulators using fuzzy wavelet networks | |
CN110471276B (zh) | 用于为物理***创建模型函数的装置 | |
JP3762840B2 (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
Petelin et al. | Control system with evolving Gaussian process models | |
JP2021103083A (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
JP2632117B2 (ja) | 事例ベース推論装置 | |
WO2020206242A1 (en) | Systems and methods for adaptive training of a machine learning system processing textual data | |
Renukadevi et al. | Covid-19 Forecasting with Deep Learning-based Half-binomial Distribution Cat Swarm Optimization. | |
WO2021059375A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
Kargin et al. | Method of using data from intelligent machine short-term memory in Fuzzy Logic System | |
JP2802469B2 (ja) | 状態予測装置 | |
CN116088307B (zh) | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 | |
JPH06332506A (ja) | 非線形制御装置 | |
JP3284280B2 (ja) | 既存事例有効利用型推論装置 | |
JP2018147103A (ja) | モデル学習装置、制御量算出装置、及びプログラム | |
JP2002157572A (ja) | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
Sahin et al. | Review study on fuzzy time series and their applications in the last fifteen years | |
JPH06187318A (ja) | 適応学習装置 | |
Yan et al. | Matching decision method for knowledgeable manufacturing system and its production environment | |
WO2024128090A1 (ja) | 情報処理装置、制御システム、探索方法、および探索プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080425 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080425 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090425 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090425 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100425 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100425 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110425 Year of fee payment: 14 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120425 Year of fee payment: 15 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130425 Year of fee payment: 16 |
|
EXPY | Cancellation because of completion of term | ||
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130425 Year of fee payment: 16 |