JP2821189B2 - 学習型意思決定支援システム - Google Patents

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は計算機システムによる意思決定支援にかかわ
る技術分野を対象とする。

ここでいう意思決定支援システムの基本機能とは、以
下の事項を指す。

（１）監視・制御：時間の経過とともに入手されるデー
タを、あらかじめ定められたモデルに基づいて分析し、
必要に応じてその分析結果、モデルの適合状況などを監
視者に報知し、監視対象に対する行動が的確、かつ、タ
イミングよくなされるようにする。監視者の判断を仰ぐ
必要のないルーチン的行動（制御）が計算機システムの
一機能として組み込まれることもある。

（２）モデリング支援：時間の経過とともに入手される
データを基礎として、データ解析者、あるいは、意思決
定者が持つている仮説（モデル）を確認、リフアインす
ることを支援する。これらの機能の実行環境は、監視・
制御の時間スケールと同等のリアルタイム環境下もあれ
ば、より緩やかな時間スケールの環境下の場合もある。
場合によつては、長時間の解析によつて形成されたモデ
ルが、リアルタイム環境下での監視機能の要素として利
用されることもある。

（３）データ提供：時間の経過とともに入手されるデー
タを蓄積して、データ解析者、意思決定者の要求に応じ
てデータを提供する。要求の仕方としては、種々なイン
デツクスに基づいて検索したいデータを特定する方法が
一般的であるが、サンプルデータを提示し、これに近い
データを求めるという、事例提示型の方法も考えられ
る。

本発明は、これらの機能を実現するアルゴリズム・ア
ーキテクチヤに関する。

〔従来の技術〕

制御、ビジネスそれぞれの分野における代表的な意思
決定支援システムおよびその実現上の問題をまとめると
次のようになる。

（１）プラント制御システム 計算機制御技術の進展は、プラント運転の自動化を著
しく推し進めてきた。定常状態を保つという、定値制御
（レギユレーシヨン）は計算機制御が実用化の域に完全
に達している。しかし、異常事態に対する処置、プラン
ト運転の立ちあげ、停止といつた非定常時の運転は、多
くの場合、依然としてオペレータの判断に委ねられてい
る。

プラント運転のための計算機システム導入の経験を積
むに従つて、計算機システムがカバーするプラント規模
は増大してきている。計算機システムへの入出力点数で
その規模を概略推し量ることができるが、最近では、数
万点のものも珍しくはない。このため、オペレータに判
断を委譲する自動化の困難な部分も拡大の一途をたどつ
てきており、非定常時においてオペレータを如何に支援
するか、さらには、非定常時にも的確な判断の下せる優
秀なオペレータを如何に育成するかが課題となつてきて
いる。

このような状況に対して、システム制御技術、あるい
は、計算機システムを提供する側からなすべきことは、 「プラント動作のモデルを準備し、状況に応じてこのモ
デルを操作して、症状の原因分析、運転方法の判断に有
効に利用すること、もしくはこれらのことが実行できる
計算機環境を提供することである。ここに、モデルとは
従来的な数式的なものだけではなく、より一般的な表現
形式（たとえば、ルール，フレームなど）でかかれた知
識を指す」 といえる。プラントの運転管理にかかわるモデルを、数
式だけではなく、より一般的な表現形式、たとえば、知
識光学的モデル、のもとで表わそうということは、化学
プラント、発電プラントなどですでに試みられている
が、 「具体的にモデルと実現象とをどのように対応づける
か」 ということに関しては、試行錯誤的な段階に止まつてお
り、方法論、アルゴリズム化が望まれている。

（２）デイーリング・システム 証券に代表されるデイーリング・システムを考えてみ
る。ここでは、先に述べたプラントの非定常時のオペレ
ーシヨンと同じく、時々刻々変化する株価の動きを捉
え、適切な株式の売買を行つてゆく必要がある。取引項
目の多様化、グローバル化に伴つて、この業務をこなし
える人材は非常に貴重な存在になつており、このような
人材を如何に育成、確保するかが、この分野の重要な関
心事となつている。

株式取引を例にとつてみれば、株価の変動に対応して
どのような措置をとればよいかという判断を即時に下し
得る人材を見出すことが重要となつている。このため
に、株価の動きを読み取るPoint ＆ Figureと呼ばれる
手法がマニユアル化されているが、リアルタイム環境下
でこれを利用する段階には至つていない。

長年の株式取引の経験を、知識ベースとして計算機化
することが望まれているが、 「実際の株価変動と、知識とをどのように関連づける
か、断片的な知識を、如何に有用な形で統合してゆく
か」 については未解決な状況に止まつている。

制御、ビジネスにおける意思決定の問題を見てみる
と、リアルタイム環境下での的確な判断が必要とされる
にもかかわらず、計算機の支援を十分になしえていると
は言い難い。ここにおいては、 「意思決定のための大量のデータが収集される状況にな
りつつあり、これらのデータを適切に統合することによ
つて、意思決定の高位水準化がはかりうる可能性がある
にもかかわらず、データ統合の手段である、実現象のモ
デル化の技術が追従していつていないために、具体化さ
れていない。とくに、知識工学的なアプローチは、伝統
的なモデル化手段のもつ狭さを打ち破る考えを提示して
いるにもかかわらず、実現象との対応付けに関して、未
だ、未発達な段階に止まつており、一層の検討が強く望
まれる状況にある」 と、推察することができる。

〔発明が解決しようとする課題〕

意思決定支援システムにおける、これまでの問題点
は、モデリング技術の低位性にあるということができる
が、その具体的内容をまとめると次のようになる。

（１）先験的情報の活用 この分野の主導技術であるシステム論的モデリングで
は、対象の構造を規範的に設定して、この構造中のパラ
メータを実データから推定するというブラツクボツクス
・モデリングが主として手法の開発のテーマとされてき
た。しかし、現実の問題では、何らかの形で先験的知識
が存在する。しかも、この先験的知識は、ブラツクボツ
クス・モデリングが前提とする、説明要因としていくつ
かのものが存在するという水準ではなく、不明確ではあ
るが要因間の因果関係に関する知識といつた構造に関す
る情報を含んでいることが多い。このような状況を想定
すると、可及的に先験情報を取り込むことが不可欠とい
える。このことは、知識工学、Fuzzy論理が多くの関心
を浴びている大きな理由でもある。すなわち、モデリン
グに際しては、先験的情報をいかに活用するかが一つの
大きな課題であり、知識工学的アプローチがこの問題の
解決の方向を指し示している。

（２）非線形的構造の表現 線形的な構造を仮定できる対象については、ブラツク
ボツクスという前提があるものの、システム論的モデリ
ングは有力、かつ、豊富な体系を有している。しかし、
一度非線形的な構造まで立ち入らねばならないとなる
と、その解決の見通しはなかなか得られない。多項式的
展開によつて非線形的現象を記述するには限度があり、
さらに、区分線形化による方法も、方法論的に未成熟で
ある。区分線形化による手法を成功させるためには、ど
のような観点から現象をクラスタリングするかという事
が重要である。クラスタリングの手法はこれまで様々な
提案がなされているが、時系列的な現象から得られるデ
ータに対してどのような形でクラスタリングの入力を設
定するかは未解決な状況にある。

非線形的問題を解決する有力な手段は、知識工学的ア
プローチである。量的な関係の世界を、記号的な世界に
移しかえることによつて、非線形的関係の扱いは見かけ
上一挙に解消される。しかし、この記号的な表現を、実
データに合致させるための方法論として、Fuzzy適合
度、確信度などといつた考え方が導入されているもの
の、具体的な手続きにまで高められるには至つていな
い。このような状況の中で、「Connectionist Expert S
ystem」と呼ばれる、貴重な試みが最近なされた［S.I.G
allant:Connectionist Expert System,Com.of ACM,Vol.
31,No.2,152−169（1988）参照］。

この試みは、知識工学的な考え方と、ニユーロコンピ
ユーテイングとを融合しようとするものであるが、ここ
でなされているのは、分類型のエキスパートシステムの
確信度をどのように調節するかというものであり、本発
明でとくに対象とするモデリングの本質的な問題にまで
踏み込んでいないし、システムのアーキテクチヤという
点では未検討な段階にある。

以上述べてきたように、従来のシステム論的モデリン
グ手法は、数式的に表現するには未知識な先験的情報の
活用、非線形的な現象表現といつた課題に対して、不十
分な点が多い。これらを解決する糸口は、知識工学的な
記号的観点に立つたアプローチにあると思われる。しか
し、この知識工学的アプローチも現段階では未発達な状
況にある。本発明ではこのような課題を解決する方策と
して、分散型情報処理、すなわち、ニユーロコンピユー
テイングによる解決方法を提供する。

〔課題を解決するための手段〕

伝統的なモデリング・アプローチの持つ問題点は、
（ａ）先験的知識の活用水準が低いこと、（ｂ）非線形
的は現象表現能力が低いこと、の二つに集約される。こ
れらの問題点を解決するための基本的な考え方を以下に
述べよう。このために、先に述べた問題点を、再度、整
理しておく。

（ａ）先験的知識の活用水準をあげること すでに指摘したように、この問題解決の手段として
は、知識工学的な手法の導入が有力である。しかし、本
手法の導入においては、人間（先験的知識の保有者：エ
キスパート）が概念的にもつている対象状態と実現象と
の対応付け、さらには、概念的に持つている因果性の実
データによる裏付け、調節といつた、いわゆる知識獲得
にかかわる問題を解決する必要がある。

（ｂ）非線形現象の表現能力をあげること 記号的な因果関係の記述は、量的関係の記述において
発生する非線形的問題を解消する。しかし、記号的因果
関係に関する帰納的モデリング技術はいまだ未成熟な段
階にある。数量化理論は、この問題に対する貴重な考え
方を提示しているが、基本的立場は、ブラツクボツクス
・モデリングであり、先験的知識の活用という面からは
問題がある。さらに、数量化理論が想定している基本的
構造は、多重回帰に類似した線形的なものであるので、
その効力も限られたものと思われる。ニユーロコンピユ
ーテイングにおける多層ネツト、いわゆる組合せ回路
は、線形判別の機構を多層化することにより非線形的な
関係抽出に有効とは思われるが、ブラツクボツクス的な
性格を持つているという点では同様な問題をはらんでい
る。

このような問題の解決のために、ここでは意思決定の
場面でとくに重要な時系列現象を主対象として、モデリ
ングに関する次のような特性を利用する。

特性1:プリミテイブの存在 時系列現象という連続的な値域を持つ表象に対して、
これを記述するに十分な記号の集合が存在するという特
性である。ここでは、このような記号をプリミテイブと
呼ぶ。このような記号の存在を仮定できる背景は、力学
系（微分方程式系）の理論である。この理論では、連続
空間での運動はその極限集合によつて理解できるという
ものである。これに基づけは、極限集合が有限個の場合
には、これを記述するに十分な記号集合を選び出すこと
によつて、全体の現象が記述される。

特性2:先験的知識とプリミテイブとの関係 人間（対象に関するエキスパート）の持つ先験的知識
としては、対象に関する概念的状態とこの概念的状態の
間の因果関係とがあり、この概念的な状態もプリミテイ
ブの集合族の部分になつているという特性である。先験
的知識の形が、状態概念とその因果関係であるというこ
とについては、理論的根拠のあるものではない。しか
し、これまでの複雑な現象のモデリングでの経験、たと
えば、ごみ焼却炉、鉄鋼高炉といつた非線形性の強い複
雑な現象に対しては、このような知識の捉え方がモデリ
ングをする上で有用であつた。概念的状態が、プリミテ
イブによつて形成されるであろうということは、プリミ
テイブの定義からいつて明らかである。人間がすべての
事象を知りつくしているわけでもないので、概念的状態
は、プリミテイブの集合族の一部ということができる。

以上の特性に基づけば、非線形的な現象のモデルを構
築するには、プリミテイブの摘出とその関連付けが必要
であり、この過程において先験的知識をどのように折り
込んでゆくかということが課題となる。プリミテイブに
ついては、同一出願人によつて開発されている時系列デ
ータの記号化方法「西谷、ほか：パターン識別方法およ
び装置（特願平01−136019号）を用い、要因間の関連付
けは分散型情報処理、すなわち、ニユーロコンピユーテ
イングの考えを用いるということによつて、この課題を
解決する。以下では、まず、先験的知識の存在を除外し
て、ブラツクボツクス的なモデリングをするという立場
からモデリングのための帰納構成を行い、次に、先験的
知識を活用するグレイボツクス・モデリングの方法、す
なわち、本発明の具体的作用をのべる。

プリミテイブの摘出と、その関連付けは、本来は相補
的である。これは、モデリングの進展度合いが、結果、
すなわち、対象とする現象の出力とモデル計算値との比
較によつてしかできないことによる。しかし、仮りにな
んらかの形で、プリミテイブが抽出できているとしよ
う。この場合には、プリミテイブの間の関連付けをすれ
ばよく、この手段としては、先に述べたように、多層ネ
ツトの考え方が有用である。ただし、多層ネツトにおい
て具体的にどのようにネツトを構成すればよいかという
基本的問題が残されているし、また、ネツトの重みの決
定の規範として単にモデル計算値の誤差の自乗誤差をと
つているという点も問題がある。赤池によるAkaike Inf
ormation Criterion（AIC）的な考え方を導入して、サ
ンプル・データに対して過度に適合しないような機能の
導入が必要である。

まず、ネツトの構造から検討することとする。対象現
象が線形であるとすると、量的世界での基本的構造は内
部表現で表わすと である。この構造からの類推として、記号的世界での入
出力の関係表現は、式（１）を因果グラフ化して第10図
のように示される。同様な試みを、非線形な対象につい
て考えてみる。非線形現象が理論的にはボルテラ汎関数
級数で表わされるとすると、その内部表現は と表わされる。この構造から記号的な因果関係を類推す
ると、第11図のように線形構造仮定の場合と同様な表現
を得る。ここに、線形構造仮定との相違は、内部状態の
関係において半対角構造になつていない点である。

以上のようなネツト構成における、重みの推定方法を
明らかにしておく必要がある。多層ネツトにおける重み
推定は、一つの入出力データ対に対してモデル出力誤差
を最小化するという基準で山登り計算によつて求められ
る。ここでは、第11図に示したように、記憶要素を含ん
だネツト構成、すなわち順序回路構成となつているの
で、一つの入出力のデータ系列対について重みを最適化
する必要がある。また、サンプル・データへの過大なあ
てはめをさけるためには、AICの考えに沿つた最適化の
基準を導入する必要がある。AICでは、推定すべきパラ
メータを、零とするか非零とするかという組合せ論的問
題に帰着される。すなわち、 AIC＝−２（最大尤度）＋２（パラメータ個数） …（３） を最小化するようにパラメータを調節する。最適化の基
準に、パラメータの個数が入つており、どのパラメータ
を非零にするかで基準値が異なつてくるということか
ら、組合せ問題的性格を持つている。

このような数学的最適化問題を解くのは容易ではない
が、零点でのジヤンプ現象を表わす近似的な微分可能関
数 nj＝σ（pj） if pj＝０ thenσ＝０ …（４） if|pj|＞ε thenσ＝１ ここに、pjはパラメータｊ を導入して式（３）の第二項として用いればよい。最適
化の基準が設定できれば、そのパラメータの調節は、通
常の数値計算法によつて求められる。AICはパラメータ
ｐの関数であるので、 AIC＝ｆ（ｐ） …（５） と最適化の基準を表わすことにすると、最適化ｐ^＊は次
式を満たす。

この式を直接解くのは容易ではないが、次（６）は次
の微分方程式 の定常解とみなすことができる。式（７）をｐに関する
方程式に書き直すと、 を得て、これを離散時間で表わすことによつてｐの計算
式が次のように求まる（ここに、 は一般化逆行列）。

多層ネツトでよく知られているバツクプロパゲーシヨ
ンは、この計算式で を単位行列と置いたものに他ならないが、最適化に関す
る数値計算法では、収束性を早めるためと逆行列 の悪条件を回避するために、様様な方法が考案されてい
る。ニユートン法，修正ニユートン法，最急降下法，共
役勾配法などはその代表的手法である。

以上の検討は、プリミテイブが確定しているとの想定
で行つてきたものである。実際には、すでに述べたよう
に、プリミテイブの摘出とその関連付けは相補的であ
る。この具体的方法を以下に述べる。

時系列事象において、その記号的特性の基本は、「値
が増加する」、「値が減少する」、「値は不変であ
る」、の三つに大別される。それぞれの特性は、実際に
は強度を含んでいるので、そのレベル分けが必要であ
り、各特性を同じ数（たとえばｎ個）だけレベル分けす
ると、3n個のプリミテイブが一つの変換あたり存在する
こととなる（ここにおいて、着目する現象の時間スケー
ルによつて、増加，減少などの判断は異なつてくるが、
この問題はその時間スケールに応じたフイルターを適用
することによつて回避できる。本出願人によつて開発さ
れたフイルター−ここではこれを折線近似フイルターと
よぶ−は、設定した時間スケールでの値の増加減などの
判定を行うことができる）。このように考えてくると、
プリミテイブに関する調節は、三つの特性をどのように
レベル分けするかという、一種の量子化問題に帰着され
る。ここでは、フアジイ理論におけるメンバーシツプ関
数を導入してこの量子化を実行することにする。なお、
出力変数については、量子化問題は量子化したデータを
復元したときの復元度合いと要求精度との関係で判断す
べき問題となる。

量子化方法の適切さは、ネツト内の重み決定と同様、
実データとモデル計算値との差異が基準となる。量子化
の幅を定める正値パラメータを導入すると、このパラメ
ータはその零点でのジヤンプ現象を含めてネツト内の重
みパラメータとまつたく同じように扱うことができる。

〔作用〕

本発明の主眼である、先験的知識の存在を仮定した、
モデリングの方法、すなわち、グレイボツクス・モデリ
ングを、先に述べたブラツクボツクス・モデリングの発
展型として考える。

この前提として、先験的知識の形態がどのようなもの
であるかを詳細に検討する必要がある。前に、先験的知
識とプリミテイブとの関係について特性を立てた。これ
は、「先験的知識としては、対象に関する概念的状態
（状態概念）とこの状態概念の間の因果関係とがあり、
この状態概念もプリミテイブの集合族（組合せ）の一部
分になつている」という特性である。

この特性に基づいて、本発明の主たる目的である、先
験的知識を活用するグレイボツクス・モデリングの全体
手順をまとめると次のようになる。

ステツプ1:モデリングの第１ステツプは、先験的な知識
の洗いだしである。状態概念を摘出し、この間の因果関
係をもとめる。このためには、形態的弛緩法や、知識の
整理支援のツールとしてシステム構造化技法は有用であ
る。

ステツプ2:次に状態概念と実現象との結びつけである。
実現象は多様かつ、パターン的であるために、エキスパ
ートが、この結び付きの関係を言葉で表現するのは難し
い。この結び付きは、実現象を入力として、状態概念を
出力とするエキスパートの判断過程として捉えることが
できる。この判断過程については、先験的知識の存在を
想定することは難しいので、ここでは、先に述べた、ブ
ラツクボツクス・モデリングを導入する。すなわち、モ
デリング機構に、状態概念を表わす典型的事例を提示し
てモデリングを実行させる。このステツプは、実現象に
対する一種の辞書作りとみなすことができる。

ステツプ3:ステツプ１で抽出した因果関係に、ニユーラ
ルネツトにおける調節因子（パラメータ）を取り込み、
ステツプ２で求めた辞書を実データとのインターフエイ
スとして、実データに適合するようパラメータを調節す
る。この調節にあたつては、先に述べたと同じく、デー
タへの過大な適合を防ぐアルゴリズムを導入するのが有
用である。

以上の、ステツプ2,3の具体的実行が本発明の主たる
作用である。なお、ステツプ１は、知識獲得支援システ
ムの開発という観点から、種々検討されており、ここで
は、とくに取り上げない。

〔実施例〕

以下、本発明の実施例を第１図により説明する。第１
図は、本発明の学習型意思決定支援システムの全体の構
成を示す。この図に示すように、本システムは、学習部
101と実行部102から構成されている。

実行部102では、オンラインデータ123および／あるい
はフアイル103（このフアイルには意思決定にかかわる
オンラインデータ以外のバツチデータ104も格納されて
いる）での蓄積データの一部124に基づいて意思決定支
援のための情報としてアドバイス、プラント操作指令値
125などを生成する。この生成は、まず、オンラインデ
ータ123および／あるいはフアイルデータ124に対して、
前処理部121において、アドバイス、プラント操作指令
値を求めるモデルで使用される記号名称と入力データ
（123,124）の値の組合せ（パターン）との対応付けを
行う。この対応付け結果、および、必要であれば生デー
タを含めて、モデルの入力としてモデル計算部122に送
り、ここで具体的にモデル計算処理を実行する。

前処理部121においてパターンを記号名称に対応づけ
るのに必要な記号化辞書114、および、モデル計算部122
で必要なモデル118は学習部101で作成される。

学習部101は、記号化辞書生成部111と、前処理部112
と、モデル生成部113から成つている。記号化辞書生成
部111は、モデルで使われる記号名称とデータの値組合
せ（パターン）とを対応づけるための辞書（記号化辞書
114）を作成する機能をもち、この辞書生成は記号名称
を表す典型的な事例115を、データフアイル103から選び
だし、与えることによつて実行される。

モデル生成部113は、実行部102から出力すべきユーザ
へのアドバイス、プラントへの操作指令値を求めるため
のモデルを作り上げる部分である。ここにおける主要機
能は、問題に関するエキスパートから得られたモデルの
骨格117を、実際の現象に沿つた形で機能するように、
モデルの中のパラメータを実データから推定する点にあ
る。

このために、データフアイル103に蓄えられているデ
ータのうち、モデルとして応答を期待する入出力データ
116を採りだし、このモデル入力分については前処理部
（記号化部）112に通して、モデルの記述に使われてい
る記号名称に変換してモデル生成部113に送る。モデル
生成部113では、前処理部112から送られてきたモデル入
力に基づきモデル演算をし、この演算結果と入出力デー
タ116のうちの出力分と比較して、この差異ができるだ
け少なくなるようにパラメータを調節する。

意思決定支援システムにおける基本的なモデルは、一
般的についてエキスパートの知見によるのがもつとも適
切である。しかし、ここには二つのタイプの曖昧性があ
り、システムとして有用性を得るにはこの問題を解決す
ることが不可欠である。すなわち、曖昧性の第一は知識
相互間の関連の強さであり、第二には論理的な知識と実
際のデータとの結び付けである。第１図に示した意思決
定支援システムの全体構成はこれらの問題を解決し、さ
らに、モデルとして単にエキスパートの知識によるだけ
ではなく、数式などが含まれている場合にも効果的に作
用する。

第２図は、第１図の実行部102に入力最適調節機201を
付加して、意思決定支援の機能的水準を向上した例を示
す。この場合は、モデルとして意思決定の対象とする現
象の因果関係が与えられたとして、このモデルを用いて
原因となる変数、すなわち、入力データのうち操作可能
な変数を外部から与えた操作目標202の下で最良にする
ような手段を提供するものである。このような手段は、
入力最適調節機能201を次のように構成することによつ
て実現できる。

今、モデルの計算結果203をｙとし、モデルの入力の
内、操作可能なものをuc、その他のものをuuと表わすこ
とにする。さらに、操作目標202は、ｙの関数ｆ（ｙ）
を最大化することと表わせるとする。モデルの入出力関
係を ｙ＝ｈ（uc,uu） …（10） と表わすことにすると、 最適な操作量を求める問題は次のような数学的最適化
問題として定式化することができる。

ｆ（ｙ）−−＞max subject to ｙ＝ｈ（uc,uu） …（11） ｇ（uc）≦０ for given uu ここに、ｇはucの許容域を表わす関数である。

このような、数学的最適化問題は、すでに述べたよう
に、ucの初期仮定値を出発値としてモデルｈ、操作目標
関数ｆを反復計算する収束計算によつて求めることがで
きる。

第２図は、操作可能な変数が入力データ204,前処理部
（記号化部）の出力205のどちらにも含まれることを想
定して、この両者を調節して、最適な操作可能変数の値
を求めることを示している。さらに、収束計算によつて
求められた最適な操作可能変数は、システム利用者への
アドバイス、プラントへの操作指令値として出力され
る。

このようにして、システム利用者は、対象に関する因
果関係モデル、操作目標に立脚した最良の操作変数値を
得ることができ、意思決定の水準を常に高く維持するこ
とができる。

以下においては、第１図に示した、それぞれの機能の
構成例について詳述する。

第３図は記号化辞書の生成方式の一構成を表わしたも
のである。この図において、記号化辞書は301であらわ
しており、入力パターン（u₁,u₂,…u₁′,u₂′，…）30
7、および、これに対応した記号名称s308の対を辞書301
に与えて、辞書中のパラメータp,w₁,w₂,…を調節して、
入力パターンに与えた記号名称に対応する出力端子が発
火するようにする。ここに、入力パターンのうち、u₁,u
₂,…は連続値をとるものをあらわしており、u₁′,
u₂′，…は記号的、もしくは、離散値をとるものを表わ
している。連続値をとるものに対しては、メンバシツプ
関数306を通して、離散的状態の適合度を求める。フア
ジイ化機能305は、すべての離散的状態を求めるもので
ある。パラメータｐは、メンバシツプ関数の位置を規定
するものである。

入力パターンは、連続値をとるものはフアジイ化機能
を通して、離散値をとるものは直接、組合せ回路320に
入力される。組合せ回路320は、入力端子302から入力し
たデータを神経素子330で層を形成した中間層303を経由
して出力端子304に出力する。入力端子302から出力端子
304に至る各層間は、パラメータw₁,w₂,…を重みとして
結合されている。

記号化辞書のパラメータp,w₁,w₂,…は、入力パターン
に対応した記号名称に相当する出力端子の神経素子が発
火するように調節する。この調節は、教師端子310に与
えた希望発火状態と、辞書出力との差309を、バツクプ
ロパゲーシヨンのアルゴリズム、あるいは、先に述べた
アルゴリズムに基づいて、フイードバツクすることによ
つて実行することができる。

以上の構成によつて、入力パターンを判別して、適切
な記号名称をに変換することができる。ニユーロコンピ
ユーテイング技術としてよくしられた多層ネツトは、単
に本図における組合せ回路320の部分にすぎず、連続的
な値をとる入力に対する方策を提供していない。本発明
は、組合せ回路の前段にフアジイ化機能305を設け、連
続値入力に対しても強力なパターン分類機能を提供して
いる点に特徴がある。

第４図は、入力パターンを形成するものに、時系列的
な現象とを捉えるべきものがある時の、記号化辞書の構
成、および、その生成方式の一例を示したものである。
第３図に示した構成、方式との相違は、フアジイ化機能
の前に、折線近似フイルター406を置いて前処理を施す
ようにしている点である。本フイルターの機能は、時系
列的な変化をする入力にたいして、考慮の対象としない
周波数成分を除去するもので、これによつて、入力が時
間的に上昇傾向にあるのか、平衡状態にあるのか、下降
傾向にあるのか、その度合いはどれだけであるか、とい
つたことを検出することができる。とくに、前述の、西
谷らによつて発明されているフイルターを用いると、的
確な折線近似ができるため、以下の処理を実行する上で
つごうがよい。

以上の構成によつて、時系列的な変動入力を含むパタ
ーンに対する記号名称の判別処理、さらには、処理構成
の生成を実現することができる。

第５図は、入力パターンを形成するものに、時系列的
な現象と捉えるべきものがある時で、しかも、過去の入
力に遡つてパターン判別をする必要があるときの、記号
化辞書の構成、および、その生成方式の一例を示したも
のである。第４図に示した構成、方式との相違は、最近
時の入力だけではなく、過去の入力を記憶しておき、こ
れらの入力すべてを組合せ回路520に入力する構成をと
つている点である。入力パターンの記憶のために、ここ
では遅れ要素540を導入し、入力が得られるタイミング
に同期して、入力データをシフトすることによつて、過
去の入力を考慮したパターン判別が可能となる。

第６図は、入力パターンを形成するものに、時系列的
な現象と捉えるべきものがある時で、しかも、過去の入
力に遡つてパターン判別をする必要があるときの、記号
化辞書の構成、および、その生成方式の第５図の別例を
示したものである。この狙いは、入力パターンが長い過
去の入力にまで遡ることが必要なとき、シフトレジスタ
の量、さらには、推定すべきパラメータの個数を削減す
る点にあり、このために、組合せ回路ではなく、順序回
路によつて記号化辞書を構成するものである。順序回路
の構成法としては、ジヨルダン・ネツトが著名であり、
これを用いてもよいが、ここでは、別の構成法をしめ
す。この図の回路は、式（２）に示した双線形モデル構
造から求まる因果関係を、グラフとして記述することに
よつて得ることができる。

これまでに、記号化のための辞書の構成、および、辞
書の生成方法について述べてきたが、次に、モデルの生
成方法について述べる。

第７図は、モデルの生成方法を表わしたもので、エキ
スパートによる概念的モデルを、実績データからどのよ
うに調節するかを表わす。まず、エキスパートによる概
念的モデルを、ルール骨格として701により与える。次
に、ルール骨格を解析して、ルールに用いられている語
彙712を取り出すと同時に、ルールをネツトワーク713と
して表現する。ルール骨格の段階では、ルールの前提部
と結論部の間の結合の強さが未定であるので、ルールネ
ツトワーク713は、未知パラメータｗを含んだ形で表現
される。ルール骨格解析の結果得られたルール語彙から
記号化辞書714が作られることにより、入力データを記
号名称に変換処理することが可能となる。この記号化辞
書714と、実績データ715、および、ルールネツトワーク
713を用いて、ネツトワーク重み推定703により、ネツト
ワーク中の重みｗの具体的な値を定めることができる。
この重みｗの決定は、すでに述べた数学的最適化手法に
よつて達成することができる。このようにして求めた重
みつきルールネツトワーク716によつて、具体的なモデ
ル計算処理が可能となる。

実績データの中には、因果関係の面から、不確定度が
高く、多数のデータからもつとも適切と思われるパラメ
ータを推定しなければならないものと、因果関係として
確実性の高いものとが混在している。このような場合
に、すべてのデータに対して一様にモデルのあてはめ、
すなわち、パラメータの推定を行なうのは得策ではな
い。このような場合には、数学的な最適化手法を適用す
る際に、その目的関数（最適化の基準）の表現を、より
恣意的に設定すればよい。具体的には、式（３）の尤度
Ｌの表現形式として、通常の場合には次式のように設定
する。

ここに、p:推定すべきパラメータ、σ²:モデルあては
め自乗誤差、yi:サンプルｉの実績出力、ｈ（p,ui）：
サンプルｉの実績入力をモデルに与えた時のモデル出力
である。上述のデータの信頼度が明確に異なる場合に
は、この式において、σ^２を恣意的に変更すればよい。

以上の手続きによつて、エキスパートの持つていた不
確定性を含むルールが実績データに裏付けられた形で利
用可能となり、信頼度の高いアドバイス、操作指令を出
力することができる。

第８図は、分散型計算機システムでの一実現形態を示
す。ハードウエア構成としては、データ収集管理計算機
803を中心に、リアルタイム環境下で作動するプロセス
監視制御ワークステーシヨン813,エンジニアリング，オ
フイス環境下で作動するプロセス管理ワークステーシヨ
ン810,812,プロセス解析ワークステーシヨン811が、そ
れぞれ、プロセスLAN816,エンジニアリング・オフイスL
AN815などで接続されている。データ収集管理計算機803
は、リアルタイムで変動するプロセス（プラントなどの
物理現象、株値などの経済現象）を監視し、制御するコ
ントローラ817からデータを収集し、プロセス実績デー
タベース801に蓄える。各ワークステーシヨンは、この
データベースに格納蓄積されたデータに基づいてモデル
演算処理を行ない、様々なアドバイスを行なう。

ここにおいて、アドバイスの実行毎にデータベースか
ら必要とするデータをワークステーシヨンに転送するの
では、通信路が混みあい実際的に機能しなくなる。一
方、すべてのモデル演算処理をデータ収集管理計算機80
3で実行するのは、この計算機が過負荷となる。これを
解決するには、データ収集管理計算機803で実績データ
に対して記号名称付けを行ない、この結果を各ワークス
テーシヨンに送信すればよい。これは、記号化処理が一
種のデータ圧縮をしていることに相当する。記号化の演
算処理を負荷は、そのアルゴリズムからも明らかなよう
に少なく、しかも、パイプライン処理化が可能であるの
で、すべてのワークステーシヨンのモデル演算処理のた
めの記号化を行なつたとしても過負荷になることはな
い。

プロセスデータを収集するプロセスLAN816は、プロセ
ス側からは、同報通信の形態をとることもある。この場
合には、プロセス監視制御ワークステーシヨン813側で
記号化処理を行なつた方が、システムとしての自律性を
高める、通信量を削減するという意味で、効果的であ
る。

記号化処理が一種のデータ圧縮をしていることに相当
することから、データの格納・蓄積に際して、すべての
データに対して、記号化処理を行なうことにより、記憶
コストを大幅に削減することができる。記号化に際し
て、原データの詳細は失われるが、この対応としては、
原データはより記憶コストの少ない媒体に蓄積しておけ
ばよい。

第９図は、本発明で提供する記号化辞書の生成利用方
式の、別形態の応用の一例を示す。この応用例は、デー
タベースへの検索要求を、従来的な項目、データ範囲の
指定によつて行なうのではなく、データの組合せ（パタ
ーン）例の形で与えて、このパターン例に類似したデー
タを検索することも可能ならしめるものである。第９図
に示すように、この検索の手続は、まず、検索したいデ
ータをパターン例にして与え（901）、次に、この事例
から、記号化辞書を生成する（902）。辞書生成におい
ては、教師信号に相当する記号名称が必要であるが、こ
れはパターン例に該当するか否かという二値情報、ある
いは、適合度情報といつた形で与えればよい。最後に、
生成した記号化辞書に、データベースからデータを入力
し、記号化辞書の出力端子の内、パターンが該当するこ
とを指し示す神経素子が発火状態にある入力データを検
索結果として提示する（903）。これによつて、データ
ベースへの検索要求の出し方を非常に容易にすることが
できる。

〔発明の効果〕

以上説明したように、本発明は、エキスパートの持つ
ている知識に基づいて（先験的な知識を最大限に活用し
て）、意思決定、判断を助けるシステムを実現する上で
の二つの重要な課題、すなわち、多数のデータ組合せ
（パターン）に対する識別知識の獲得（論理的記述）困
難性、実績データに基づく知識の調節の困難性を、解決
しており、これによつて、意思決定支援システムの構築
を著しく容易にするとともに、システムから得られる情
報の的確性，信頼度を格段に向上させることが可能であ
る。

【図面の簡単な説明】

第１図は本発明の一実施例の全体構成、第２図は最適な
アドバイス、操作指令を求めるための付加的機能の一構
成例、第３図は記号化辞書、および、その生成機能の構
成例、第４図，第５図，第６図は記号化辞書、および、
その生成機能の構成の別例、第７図はモデル生成の手順
例、第８図は分散型計算機システムにおける一実現例、
第９図は、事例提示型データベース検索の一手順例、第
10図は一般的な線形現象のモデルにおける因果関係構
造、第11図は一般的な非線形現象のモデルにおける因果
関係構造、をそれぞれ示す図である。 101は本システムの学習部、102は本システムの実行部で
ある。学習部の主要要素は、111の記号化辞書生成部、1
12の前処理部（記号化部）、113のモデル生成部であ
る。実行部の主要要素は、121は前処理部（記号化
部）、122のモデル計算部である。103は、学習部の主要
入力であるデータフアイル、117はモデル骨格である。1
23は、実行部の主要入力であるオンラインデータ、114
は学習部で生成される記号化辞書、118は同じく生成さ
れるモデルである。125は実行部の出力であるアドバイ
ス、操作指令値である。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 大場 雅博 神奈川県川崎市麻生区王禅寺1099番地 株式会社日立製作所システム開発研究所 内 (72)発明者 依田 幹雄 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 解良 和郎 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 森 清三 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (56)参考文献 情報処理 Ｖｏｌ．29，Ｎｏ．10 （1988−10）ｐｐ．1214−1222 情報処理学会研究報告 ＤＰＳ40−１ （1989．１．19）ｐｐ１−８ 情報処理学会第39回（平成元年後期) 全国大会講演論文集ｐｐ．2043−2044 (58)調査した分野(Int.Cl.⁶，ＤＢ名) G06F 17/60 G06F 19/00 G06F 15/18 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (11)

(57)【特許請求の範囲】
1. 【請求項１】オンラインデータ、フアイルデータ等を入
   力データとして、システム利用者にアドバイスや、プロ
   セスへの操作指令値を出力する意思決定支援システムに
   おいて、入力データの値の組合せからなるパターンに応
   じて記号名称を与える記号化辞書を、パターンおよび記
   号名称を対とする事例を与えることにより生成する記号
   化辞書生成部と、生成された記号化辞書を参照して入力
   データの一部あるいはすべてを記号名称に変換する前処
   理部と、該前処理部結果を必要とするアドバイス、操作
   指令値に変換処理するため外部から与えられた未知パラ
   メータを含むルール、数式、計算アルゴリズムで記述さ
   れた骨格モデルに対し、モデル中の未知パラメータを、
   入力データおよび必要とする変換処理結果を対とする事
   例を与えることにより決定する機能を有するモデル生成
   部とからなる学習手段と、学習手段で生成された記号化
   辞書、モデルを用いて、入力データに演算処理を施し、
   アドバイス、操作指令値を出力する実行手段とからなる
   ことを特徴とする学習型意志決定支援システム。
2. 【請求項２】前記実行手段は、モデルによる変換処理結
   果の値が外部から指定された要求値にもつとも近くなる
   ように、あるいは、処理結果の関数値が最大あるいは最
   小になるように、入力データの最適値をアドバイス、操
   作指令値として出力する出力部からなることを特徴とす
   る請求項１の学習型意志決定支援システム。
3. 【請求項３】前記記号化辞書生成部は、記号名称を与え
   るべき入力データのうち連続的値域をとるものについて
   は、フアジイメンバーシツプ関数を通して適合度付きの
   記号に変換することにより、入力データをすべて適合度
   付きの記号変換に揃え、これらを入力として、神経モデ
   ルを素子とする層構成をなした重みパラメータ付き組合
   せ回路を駆動すると入力データに対応する記号名称を指
   し示す出力端素子のみが興奮値をとるよう、入力データ
   と記号名称とを対とする事例を与えて重みパラメータ、
   フアジイメンバーシツプ関数のパラメータを調節するこ
   とにより、フアジイメンバーシツプ関数、および、組合
   せ回路中の中に記号化辞書を生成する部分からなること
   を特徴とする請求項１の学習型意志決定支援システム。
4. 【請求項４】前記記号化辞書生成部は、前記連続的値域
   をとる入力データのうち時間と共に変化する入力データ
   に対して、時間と値とを軸とする二次元平面上で折線近
   似を行い、近似の結果を、上昇、平衡、下降、三つの記
   号変換に適合度付きで対応させて組合せ回路に入力する
   部分を含むことを特徴とする請求項３の学習型意志決定
   支援システム。
5. 【請求項５】前記記号化辞書生成部は、前記時間ととも
   に変化する入力データについては、前記組合せ回路への
   入力に際し、一定長さのシフトレジスタに該入力データ
   の値あるいは前記適合度付き記号変数値を保持し、該レ
   ジスタすべてが前記組合せ回路の入力となるように接続
   する部分を含むことを特徴とする請求項４の学習型意志
   決定支援システム。
6. 【請求項６】前記記号化辞書生成部は、前記組合せ回路
   のかわりに順序回路を用い、とくに層構成において、中
   間層に入力、および、中間層のフイードバツク量が入る
   ように接続する部分を含むことを特徴とする請求項３ま
   たは４の学習型意志決定支援システム。
7. 【請求項７】前記モデル生成部は、外部から与えられた
   未知パラメータを含むルール，数式，計算アルゴリズム
   で記述された骨格モデル中の未知パラメータを決定する
   に際し、前記入力データおよびこれに対する辞書参照結
   果を該モデルの入力として与えて、仮想的なパラメータ
   設定値のもとで得られるモデル計算結果と、入力データ
   と対として得られるべき変換処理結果であるアドバイス
   や操作指令値などとを比較して、これらのあいだの差を
   最小にするように前記モデル中の未知パラメータを逐次
   改善する部分からなることを特徴とする請求項１の学習
   型意志決定支援システム。
8. 【請求項８】前記記号化辞書生成部、もしくは、モデル
   生成部は、それぞれ前記重みパラメータ、もしくは未知
   パラメータの値の決定基準としてAkaike Information C
   riterion（以下AIC）をとり、非零のパラメータの最適
   組合せを求めるために、零の近傍で０をとり、それ以外
   では１をとる微分可能な関数を導入してAICを表現し、
   この表現形式の下で最良のパラメータ組合せを探索決定
   する部分を含むことを特徴とする請求項３もしくは７の
   学習型意志決定支援システム。
9. 【請求項９】前記学習手段と実行手段における演算処理
   を、データベースを管理するデータベース管理計算機
   と、該データベースを利用するデータ利用側計算機とが
   別々である分散型計算機構成により実行するために、該
   データベース管理計算機に、原データを記号名称に変換
   する前処理部を設け、少なくとも、記号名称への変換結
   果をデータ利用側計算機に送信することを特徴とする請
   求項１の学習型意志決定支援システム。
10. 【請求項１０】前記データベース管理計算機によるデー
    タベースのデータ検索に際し、検索要求をパターンの事
    例として提示し、前記記号化辞書生成部を作動させ、生
    成した記号化辞書に基づいてデータベース検索を行うこ
    とを特徴とする請求項９の学習型意志決定支援システ
    ム。
11. 【請求項１１】前記データベース管理計算機によるデー
    タベースへのデータ格納・蓄積に際し、前記記号化辞書
    を用いて記号名称にデータ圧縮を行い、圧縮されたデー
    タを格納・蓄積することを特徴とする請求項９の学習型
    意志決定支援システム。