JPH01288926A - Knowldge learning mechanism for expert system - Google Patents

Abstract

PURPOSE:To enhance the accuracy of the confirmability of a rule with learning by means of an upward correction and a downword correction by providing an inference table to store the inference goal, etc., of the rule selected with an inference mechanism, and a fact, and a confirmability operation updating means. CONSTITUTION:Measured data from measuring equipment 5 are inputted to an inference mechanism 2 of a system main part 1, and the data of a result inferred by the mechanism 2 are stored into an inference condition table 6. Further, the fact conforming to an object (m) measured by the equipment 5 is inputted to a table 6 from a fact input means 7 by the operation of a specialist, etc. A confirmability operation updating means 8 calculates the confirmability again for the respective rules based on the data read from the table 6, inputs the result into a knowledge base 3 and the confirmability and a weight obtained by calculating the original rule again are updated. In the process of the upward and downword corrections of the confirmability, an operator displays the data of the base 3 and the respective types of the messages on a terminal device 9.

Description

【発明の詳細な説明】 Ａ、産業上の利用分野 この発明は、人工知能に係るエキスパートシステム（プ
ロダクションシステム）において記憶すべき知ｍについ
てのルールの確信度を学習によって順次的に高めていく
知識の学習機構に関する。[Detailed Description of the Invention] A. Industrial Field of Application This invention provides knowledge that sequentially increases the certainty of rules regarding knowledge m to be memorized in an expert system (production system) related to artificial intelligence through learning. Concerning the learning mechanism of

Ｂ、従来技術 プロダクションシステムは、専門家が長年の経験から培
ってきた知識をコンピュータに移し替えて記憶させてお
くものであり、コンピュータにおいて、ｒｉｆ−ｔｈｅ
ｎ」形式でプログラミングされる。つまり、「もし、曲
間が日計であるならば、結論はＯＯであるだろう」とい
う専門家から得た知識を基にして、 げ　ロロ　ｔｈｅｎ　　００ をプログラムする。B. Conventional technology Production systems transfer the knowledge that experts have cultivated through years of experience to a computer and store it in the computer.
n” format. In other words, based on the knowledge obtained from an expert that ``If the interval between songs is a daily schedule, the conclusion would be OO,'' programs ``GERORO THEN 00''.

この場合に、結論が１００％正しいということはあり得
ず、結論には、ある曖昧さが含まれている。In this case, the conclusion cannot be 100% correct and contains some ambiguity.

そこで、知識の曖昧さの度合いを表す確信度（Ｃｅｒｔ
ａｉｎｔｙ　Ｆａｃｔｏｒ　：　ＣＦ値）をプログラム
に導大している。すなわち、前提（Ｐγｅｍｉｓｅ　）
をＰで表し、結論（Ｃｏｎｃｌｕｓｉｏｎ）をＣで表し
、確信度をＣＦで表し、確信度ＣＦのパラメータをｃｆ
で表すことにすると、プログラムは、 ｉｆ　　Ｐ　　ｔｈｅル　Ｃｃｆ＝ｃＦ　　・・・・・
・・・・・・・・・・・・・■という形式で表される。Therefore, the confidence level (Cert), which represents the degree of ambiguity of knowledge, is
ainty factor (CF value) is introduced into the program. That is, the premise (Pγemise)
is expressed as P, conclusion is expressed as C, confidence is expressed as CF, and the parameter of confidence CF is expressed as cf.
If we express it as
It is expressed in the format ・・・・・・・・・・・・■.

これが、知識についてのルールである。This is the rule about knowledge.

例えば、確信度ＣＦの区間を［−１，０，＋１．Ｏ］の
範囲に定めであるシステムにおいては、ｃｆ＝＋１．０
は「絶対肯定Ｊ　　（１００％正しい）を意味し、ｃｆ
−−１，０は「絶対否定」　（そのようなことは１００
％あり得ない）を意味する。For example, set the interval of confidence CF to [-1, 0, +1. In a system defined in the range of cf=+1.0
means “absolutely affirmative J (100% correct), cf
--1,0 is "absolute denial" (such a thing is 100%
% impossible).

Ｃ１発明が解決しようとする課題 しかし、現実問題として、いかに専門家であっても、ｃ
ｆ＝＋１．０．　ｃｆ＝−１，０と断定できるようなケ
ースはほとんどない。そして、その専門家自身が確信度
について絶対的な自信をもっていることもほとんどなく
、多分これくらいであろうといった具合に、その場限り
の雰囲気で表明しているのである。Problems to be solved by the C1 invention However, as a practical matter, no matter how expert one is, C
f=+1.0. There are almost no cases in which it can be determined that cf=-1, 0. Moreover, the experts themselves rarely have absolute confidence in their degree of certainty, and they express it on an ad hoc basis, saying that it is probably this much.

また、同じ事象について？Ｍ数の専門家から知識を得る
のが普通であり、すべての専門家が同一の確信度を表明
することもほとんどなく、ある専門家がｃｆ＝＋１．ｏ
である表明しても、ほかの専門家は同一の事象について
ｃｆ＝＋０．８（多分、８０％くらい正しい）とか＋０
．７とかといった具合に異なる確信度を表明する場合が
ほとんどであり、各専門家から得られた複数の確信度を
基にして大体圧しいであろうと思われる１つの確信度を
設定している。このようにルールにインプントする確信
度自体がかなり曖昧な数値である。Also, about the same event? It is common to obtain knowledge from M number of experts, and it is rare for all experts to express the same degree of confidence, such that one expert has cf=+1. o
Even if you state that, other experts will say cf = +0.8 (probably about 80% correct) or +0 for the same event.
．． In most cases, different degrees of confidence are expressed, such as 7, and one confidence level that is considered to be the most overwhelming is set based on multiple confidence levels obtained from each expert. In this way, the confidence level itself that influences the rules is a fairly ambiguous value.

さらに、同一の前提Ｐに対して結論Ｃが異なるケースも
多い。このようなルールの組をルールセットというが、
下記のように、それぞれのルールにおいて確信度ＣＦが
異なるのが普通である。Furthermore, there are many cases where the conclusion C is different for the same premise P. A set of rules like this is called a ruleset.
As shown below, each rule usually has a different confidence level CF.

（Ｃ，≠Ｃ，ＣＦ、≠ＣＦ、） このようなルールセットがある場合には、結論Ｃ５と結
論Ｃ２とを区別することができる条件ＣＤ１ｖｊｄｅ）
Ｄ＋　、　Ｄｚを用意して、ＰおよびＤを前提として、
下記のようにルールを作成するのが望ましい。(C, ≠C, CF, ≠CF,) If there is such a rule set, the condition CD1vjde that can distinguish between conclusion C5 and conclusion C2)
Prepare D+ and Dz, and assuming P and D,
It is preferable to create rules as shown below.

・・・・・・・・・・・・・・・■ （＆は、アンド条件を表す） こうすることによって、一方のルールの確信度が高まり
、他方のルールの確信度が低くなり、信頼性の向上を期
待てきる。・・・・・・・・・・・・・・・■ (& represents an AND condition) By doing this, the confidence level of one rule increases, the confidence level of the other rule decreases, and the confidence level increases. I'm looking forward to improving my sexuality.

しかしながら、区別のための条件り、、Ｄ２の存在を常
に期待することはできない。特に、計測機器と結合した
システムの場合にはむずかしい。However, the existence of the condition for differentiation, D2, cannot always be expected. This is particularly difficult in the case of systems that are coupled with measuring instruments.

そのため、従来では、やむをえず、■の形式でルールを
作成し、それを最終的結論としてのルールとして確定し
てしまい（従来では確信度の精度アップの学習機能を有
していなかった）、ユーザーに提供している。Therefore, in the past, it was unavoidable to create a rule in the form of is provided to.

しかし、前述のとおり、知識源である専門家に確信度Ｃ
Ｆの高い精度を要求することは事実上無理であるし、ル
ールの数が多いシステムにあっては、確信度ＣＦの決定
のための基準をシステム全体にわたって維持することが
きわめて困難である。However, as mentioned above, the certainty level C
It is practically impossible to require high accuracy of F, and in a system with a large number of rules, it is extremely difficult to maintain a standard for determining confidence factor CF throughout the system.

つまり、プロダクションシステムにおける推論のための
基礎となるプログラム（ルールの群）の確信度ＣＦの数
値が非常に曖昧で信頼性が低いものとならざるを得す、
確信度ＣＦの数値の微妙な大小関係が、ユーザーの利用
時に推論の流れを全く変えてしまい、誤った結論を導き
出してしまう事態が発生することが頻繁に生じていた。In other words, the confidence level CF of the program (group of rules) that is the basis for inference in the production system must be extremely ambiguous and unreliable.
The subtle relationship between the values of the confidence factor CF completely changes the flow of inference when the user uses the system, often leading to incorrect conclusions being drawn.

この発明は、このような事情に鑑みてなされたものであ
って、ルールにおける確信度の精度を高めることにより
、推論の信頼性の向上を図ることを目的とする。The present invention has been made in view of the above circumstances, and an object of the present invention is to improve the reliability of inference by increasing the precision of certainty in rules.

００課題を解決するための手段 この発明は、このような目的を達成するために、次のよ
うな構成をとる。Means for Solving the Problems In order to achieve the above object, the present invention has the following configuration.

すなわち、この発明のエキスパートシステムにおける知
識の学習機構は、確信度と重みとを付加したｉｆ−ｔｈ
ｅｎ形式のルールを格納する知識ベースと、初期入力デ
ータに基づいて前記知識ベースから対応するルールを選
択する推論機構と、事実を入力する手段と、前記推論機
構によって選択されたルールの推論ゴール、確信度１重
みおよび辿ったルールのリストならびに前記事実入力手
段からの事実を格納する推論状況テーブルと、推論状況
テーブルに格納されたルールのうち事実と一致するルー
ルの確信度に上方修正を施しかつそれ以外のルールの確
信度に下方修正を施して前記知識ベースにおける元のル
ールの確信度および重みを更新する確信度演算更新手段
とを備えたことを特徴とするものである。That is, the knowledge learning mechanism in the expert system of this invention is based on if-th
a knowledge base that stores en-format rules; an inference mechanism that selects corresponding rules from the knowledge base based on initial input data; means for inputting facts; and an inference goal of the rule selected by the inference mechanism; an inference status table that stores the certainty level 1 weight, a list of followed rules, and facts from the fact input means; and an upward adjustment to the confidence level of the rule that matches the fact among the rules stored in the inference status table; The present invention is characterized by comprising a certainty calculation updating means for updating the certainty and weight of the original rule in the knowledge base by downwardly modifying the certainty of other rules.

８１作用 この発明の構成による作用は、次のとおりである。81 action The effects of the configuration of this invention are as follows.

推論状況テーブルに格納されたルールのうち事実と一致
するルールについてその確信度に上方修正を施し、それ
以外のルールについては確信度に下方修正を施すから、
最初に知識ベースに格納された専門家によるルールの確
信度が曖昧なものであっても、前記の上方修正および下
方修正による学習によってルールの確信度の精度が次第
に向上していくことになる。Among the rules stored in the inference status table, the confidence level of the rules that match the facts is revised upward, and the confidence level of other rules is revised downward.
Even if the confidence level of the rule by the expert initially stored in the knowledge base is ambiguous, the accuracy of the confidence level of the rule will gradually improve through learning through the above-mentioned upward and downward corrections.

Ｆ、実施例 以下、この発明の実施例を図面に基づいて詳細に説明す
る。F. Embodiments Hereinafter, embodiments of the present invention will be described in detail based on the drawings.

第１図はエキスパートシステムにおける知ｇ＆の学習機
構およびその周辺機器のブロック構成図である。FIG. 1 is a block diagram of the knowledge learning mechanism and its peripheral equipment in the expert system.

第１図において、■はプロダクションシステム、の主部
であり、これは、推論機構２と、知識へ一ス３と、ワー
キングメモリ４とから構成されている。知識ベース３に
は、予め、専門家から得た知識に基づいて作成されたｒ
ｉｆ−ｔｈｅｎ４形弐のプログラム（ルール群）が次の
ように格納されている。In FIG. 1, ``■'' is the main part of the production system, which is composed of an inference mechanism 2, a knowledge source 3, and a working memory 4. Knowledge base 3 includes r created in advance based on knowledge obtained from experts.
The program (rule group) for if-then4 type 2 is stored as follows.

ｉｆ　　ＰＨｔｈｅｎ　　Ｃ（ｃｆ＝ｃＦＨｗ＝Ｗ；・
・・・・・・・・・・・・・・■ ここで、サフィクション”ｉ”は状態の番号を表しくｉ
＝１．２・・・・ｎ）、Ｐ、はルール前提部、Ｃ８はル
ール結論部、ＣＦ、はそのルールに与えられた確信度、
Ｗ、は重みを表し、卯は重みＷ。if PHthen C(cf=cFHw=W;・
・・・・・・・・・・・・・・・■ Here, suffix “i” represents the state number.
=1.2...n), P is the rule premise, C8 is the rule conclusion, CF is the confidence given to the rule,
W represents the weight, and the rabbit is the weight W.

のパラメータを表す。represents the parameter of

重みＷ、は、専門家が経験してきた例数に相当するもの
であり、重みＷ、の値が大きいほど、その専門家の知識
の信頼性が高いといえる。The weight W corresponds to the number of cases that the expert has experienced, and it can be said that the larger the value of the weight W, the higher the reliability of the expert's knowledge.

■のルールの具体例を第２図に示したツリー構造につい
て示す。A specific example of the rule (2) will be shown for the tree structure shown in FIG.

・・・・・・・・・・・・・・・・・・■ルールＲ１，
Ｒ２，Ｒ３のルール前提部は共通のＰ、であるが、ルー
ル結論部はそれぞれＣ１゜Ｃｔ、Ｃｚと異なっている。・・・・・・・・・・・・・・・・・・■Rule R1,
The rule premise parts of R2 and R3 are the same P, but the rule conclusion parts are different, C1°Ct and Cz, respectively.

ルールＲ４，Ｉ’？５゜Ｒ６（７）／Ｌ、−ル前提部ハ
トモにルールＲ１のルール結論部ＣＩで共通となってい
るが、ルール結論部はそれぞれＣ，、Ｃ，、Ｃ，である
。ルールＲ７゜Ｒ８のルール前提部はともにルールＲ２
のルール結論部Ｃ２で共通となっているが、ルール結論
部はそれぞれＣｔ、ＣＩである。ルールＲ９，Ｆ？１０
のルール結論部はともにルールＲ３のルール結論部Ｃ１
で共通となっているが、ルール結論部はそれぞれＣＩｌ
、Ｃ１゜である、ルールＲ８，Ｒ９のルール結論部は共
通のＣ６となっている。Rule R4, I'? 5°R6(7)/L, - The antecedent part is common to the rule conclusion part CI of rule R1, but the rule conclusion part is C, , C, , C, respectively. The rule antecedents of rules R7 and R8 are both rule R2.
The rule conclusion part C2 is common, but the rule conclusion parts are Ct and CI, respectively. Rule R9, F? 10
The rule conclusion part of both is the rule conclusion part C1 of rule R3.
are common, but the rule conclusion part is CIl
, C1°, the rule conclusion portions of rules R8 and R9 have a common C6.

第１図に戻って、システム主部１の推論機構２には、計
測機器５からの測定データが入力されるように構成され
、推論機構２で推論された結果のデータは、推論状況テ
ーブル６に格納されるように構成されている。また、計
測機器５で計測している対象物ｍと一致する事実が、モ
ニタデイスプレィ、キーボード等で構成された事実入力
手段７から専門家等の操作によって推輪状況テーブル６
に入力されるように構成されている。Returning to FIG. 1, the inference mechanism 2 of the system main unit 1 is configured to receive measurement data from the measuring device 5, and the data resulting from inference by the inference mechanism 2 is stored in the inference status table 6. is configured to be stored in In addition, the facts that match the object m being measured by the measuring device 5 are entered into the wheel situation table 6 through the fact input means 7 composed of a monitor display, a keyboard, etc. through the operation of an expert or the like.
is configured to be input.

そして、確信度演算更新手段８は、推論状況テーブル６
から読み出したデータに基づいて各ルールについて確信
度を計算しなおし、その結果を知識ベース３に入力して
、元のルールについて、計算しなおされた確信度および
重みを更新するように構成されている。Then, the certainty calculation updating means 8 updates the inference status table 6.
The controller is configured to recalculate the confidence for each rule based on the data read from the controller, input the result into the knowledge base 3, and update the recalculated confidence and weight for the original rule. There is.

９は、後述する確信度の上方修正、下方修正の過程でオ
ペレータが知識ベース３のデータや各種のメンセージを
表示したり、ユーザーがプロダクションシステムを利用
するときにシステム主部１とのデータのやりとりを行う
端末器である。9 is the exchange of data with the system main unit 1 when the operator displays the data of the knowledge base 3 and various messages during the upward and downward revision of the confidence level, which will be described later, and when the user uses the production system. It is a terminal device that performs

次に、この実施例の動作を説明する。Next, the operation of this embodiment will be explained.

第３図は動作説明のために第２図のツリー構造を書き替
えたものである。第２図の最初のルール前提部Ｐ、を初
期入力データＩとし、最終のルール結論部ｃ、、ｃ５．
ｃ、、ｃ、、ｃ、、ｃ、。を推論ゴールＧｌ、Ｃ；ｚ　
、Ｇｚ　、Ｇ４．Ｇｓ　、Ｇｈとし、中間のルール結論
部ないしルール前提部Ｃ，，Ｃ，，Ｃ：ｌをノードＮ、
、Ｎ、、Ｎ、としである。FIG. 3 is a rewritten version of the tree structure in FIG. 2 to explain the operation. The first rule premise part P in FIG. 2 is the initial input data I, and the final rule conclusion part c, , c5 .
c,,c,,c,,c,. The inference goal Gl,C;z
, Gz, G4. Let Gs, Gh be the intermediate rule conclusion part or rule premise part C,,C,,C:l as node N,
,N, ,N, is Toshi.

推論機構２は、計測機器５から対象物ｍについての測定
データを初期入力データＩとして読み込み、この初期入
力データ＋　（＝Ｐｌ　）をルール前提部としてもつル
ールＲ１，Ｒ２，Ｒ３ｔ−知識ベース３から検索し、そ
れぞれを読み出してワーキングメモリ４に格納する。The inference mechanism 2 reads the measurement data about the object m from the measuring device 5 as the initial input data I, and infers the rules R1, R2, R3t− from the knowledge base 3 having this initial input data + (=Pl) as the rule prerequisite. Search, read each one, and store it in the working memory 4.

次いで、推論機構２は、ワーキングメモリ４に格納され
ているルールＲ１，Ｒ２，Ｒ３のうちからまず１つのル
ール例えばルールＲ１を読み込み、このルールＲ１のル
ール結論部であるノードＮ。Next, the inference mechanism 2 first reads one rule, for example, the rule R1, from among the rules R1, R2, and R3 stored in the working memory 4, and selects a node N, which is the rule conclusion part of this rule R1.

をルール前提部としてもつルールＲ４，Ｒ５，Ｒ６を知
識ベース３から検索し、それぞれを読み出してワーキン
グメモリ４に格納する。このルールＲ４，Ｒ５，Ｒ６の
ルール結論部は推論ゴールＧ、、Ｇ２．Ｇ、であって、
それの下位のルールは存在しないから、この技ではそれ
以上のルールの読み出しは行わない。Rules R4, R5, and R6 having the rule antecedents are searched from the knowledge base 3, and each is read and stored in the working memory 4. The rule conclusions of the rules R4, R5, and R6 are the inference goals G, , G2 . G, and
Since there are no rules lower than that, this technique does not read any further rules.

以上の過程で、推論機構２は、その推論結果のデータを
推論状況テーブル６に登録する。この場合の推論状況テ
ーブル６の内容は、第４図のテーブル図の第１欄目ない
し第３８目に記載のようになる。すなわち、試行識別子
＃１において、〔推論ゴール、確信度７重み、辿ったル
ールのリスト］ のフォーマントで、 （Ｇ、、ＣＦ、、Ｗ４．Ｒ１→Ｒ４） （Ｇｚ　、　　ＣＦｓ　、　Ｗｓ　、　　Ｒ１→Ｒ５）
ＣＧ３　、ＣＦ６　、Ｗ、、Ｒ１＋Ｒ６）が登録された
ことになる。In the above process, the inference mechanism 2 registers the data of the inference result in the inference status table 6. The contents of the inference status table 6 in this case are as described in columns 1 to 38 of the table diagram in FIG. That is, in trial identifier #1, in the form [inference goal, confidence level 7 weight, list of followed rules], (G,,CF,,W4.R1→R4) (Gz, CFs, Ws, R1→ R5)
CG3, CF6, W, , R1+R6) are now registered.

次いで、推論機構２は、ワーキングメモリ４に格納され
ているルールＲ１，Ｒ２，Ｒ３のうちから次のルールＲ
２を読み込み、このルールＲ２のルール結論部であるノ
ードＮ２をルール前提部としてもつルールＲ７，Ｒ８を
知識ベース３から検索し、それぞれを読み出してワーキ
ングメモリ４に格納する。このルールＲ７，Ｒ８のルー
ル結論部は推論ゴールＧ、、Ｇ、であって、それの下位
のルールは存在しないから、この枝ではそれ以上のルー
ルの読み出しは行わない。Next, the reasoning mechanism 2 selects the next rule R from among the rules R1, R2, and R3 stored in the working memory 4.
2 is read, rules R7 and R8 having node N2, which is the rule conclusion part of this rule R2, as a rule premise part are searched from the knowledge base 3, and each of them is read out and stored in the working memory 4. The rule conclusion part of the rules R7 and R8 is the inference goal G, , G, and since there are no lower rules, no further rules are read out in this branch.

以上の過程で、推論機構２は、その推論結果のデータを
推論状況テーブル６に登録する。この場合の推論状況テ
ーブル６の内容は、第４図のテーブル図の第４１１１１
１目および第５欄目に記載のようになる。すなわち、試
行識別′子＃１において、ＣＧ、、’ＣＦ、、Ｗ、、Ｒ
２→Ｒ７］（Ｇ、、ＣＦ、、Ｗ、、Ｒ２−Ｒ８） が登録されたことになる。In the above process, the inference mechanism 2 registers the data of the inference result in the inference status table 6. The contents of the inference status table 6 in this case are No. 41111 in the table diagram of FIG.
It will be as described in the 1st and 5th columns. That is, in trial identifier #1, CG, , CF, , W, , R
2→R7] (G,, CF,, W,, R2-R8) has been registered.

さらに、推論機構２は、ワーキングメモリ４に格納され
ているルールＲ１，Ｒ２，Ｒ３のウチカラ次のルールＲ
３を読み込み、このルールＲ３のルール結論部であるノ
ードＮ、をルール前提部としてもつルールＲ９，ＲＩＯ
を知識ベース３から検索し、それぞれを読み出してワー
キングメモリ４に格納する。このルールＲ９，ＲＩＯの
ルール結論部は推論ゴールＧ３．Ｇ、であって、それの
下位のルールは存在しないから、この技ではそれ以上の
ルールの読み出しは行わない。Furthermore, the inference mechanism 2 determines the next rule R of the rules R1, R2, and R3 stored in the working memory 4.
3 and has the node N, which is the rule conclusion part of this rule R3, as the rule premise part, R9, RIO.
are searched from the knowledge base 3, each read out and stored in the working memory 4. The rule conclusion part of this rule R9, RIO is the inference goal G3. G, and there are no rules below it, so this technique does not read out any more rules.

以上の過程で、推論機構２は、その推論結果のデータを
推論状況テーブル６に登録する。この場合の推論状況テ
ーブル６の内容は、第４図のテーブル図の第６ａＬｌお
よび第７欄目に記載のようになる。すなわち、試行識別
子＃ｌにおいて、ＣＧ９．ＣＦ、、Ｗ、、Ｒ３→Ｒ９） ＣＧ、、ＣＦ、。、Ｗ、、、Ｒ３→Ｒ１０］が登録され
たことになる。In the above process, the inference mechanism 2 registers the data of the inference result in the inference status table 6. The contents of the inference status table 6 in this case are as described in columns 6aLl and 7 of the table diagram in FIG. That is, in trial identifier #l, CG9. CF,,W,,R3→R9) CG,,CF,. , W, , R3→R10] has been registered.

一方、専門家は、適当な分析方法によって事実すなわち
測定対象物ｍが何であるかを調べ、得られた事実を事実
入力手段７を介して推論状況テーブル６に登録する。On the other hand, the expert uses an appropriate analysis method to find out the facts, that is, what the measurement object m is, and registers the obtained facts in the inference status table 6 via the fact input means 7.

以上が前処理である。The above is the preprocessing.

次に、確信度演算更新手段８は、推論状況テーブル６お
よび知識ベース３との連係動作により、次のような確信
度の精度アンプのための学習動作を遂行する。Next, the confidence calculation updating means 8 performs the following learning operation for the confidence accuracy amplification by cooperation with the inference status table 6 and the knowledge base 3.

この学習動作を第５図のフローチャートに基づいて説明
する。This learning operation will be explained based on the flowchart of FIG.

ステップＳ１で事実入力手段７からの事実の入力の完了
を待ってステップＳ２に進み、推論状況テーブル６を検
索して推論状況テーブル６内に事実と一致する推論結果
が存在するかどうかを判断する。もし、存在しなければ
、ステップＳ３に進んで端末器９にルールが誤っている
舌あるいは例外事象の発生の旨を表示する。表示に代え
てプリントアウトしてもよい、その後はシーケンス動作
を終了する。オペレータは、ルールの修正等の対策を講
じる。In step S1, the process waits for the input of facts from the fact input means 7 to be completed, and then proceeds to step S2, in which the inference situation table 6 is searched to determine whether or not there is an inference result that matches the fact in the inference situation table 6. . If it does not exist, the process proceeds to step S3 and displays on the terminal device 9 that the rule is incorrect or that an exceptional event has occurred. It may be printed out instead of being displayed, after which the sequence operation ends. The operator takes measures such as modifying the rules.

事実と一致する推論結果が存在する場合には、ステップ
Ｓ４に進み、事実と一致する推論結果を導いたルールを
推論状況テーブル６において検索し、そのルールの確信
度ＣＦと重みＷとを読み出す。If there is an inference result that matches the fact, the process proceeds to step S4, where the rule that led to the inference result that matches the fact is searched for in the inference status table 6, and the certainty factor CF and weight W of that rule are read out.

次いで、ステップＳ５でそのルールの確信度ＣＦについ
て上方修正を行うとともに、重みＷをプラス１し、得ら
れた結果を知識ベース３に送出して、知識ベース３内の
元のルールにおける確信度ＣＦ、重みＷに代えて新たに
計算された確信度Ｃｒ２重みＷを更新する。Next, in step S5, the confidence level CF of the rule is revised upward, the weight W is increased by 1, the obtained result is sent to the knowledge base 3, and the confidence level CF of the original rule in the knowledge base 3 is , the newly calculated reliability Cr2 weight W is updated instead of the weight W.

上方修正の確信度ＣＦおよび重みＷの更新は、次式によ
る。The upward revision confidence factor CF and weight W are updated according to the following equation.

Ｗｅ１ Ｗｅ−Ｗｅ１　　・・・・・・・・・・・・・・・・・
・・・・・・・・・・・・・・・・・・・・・・■ここ
で、右辺のＣＦおよびＷは更新前の値であり、左辺のＣ
ＦおよびＷは更新後の値である。右辺の分子でプラス１
するのは、確信度ＣＦをアップするためであり、分母で
プラス１するのは経験した例数が１つ増えるからである
。We1 We-We1 ・・・・・・・・・・・・・・・・・・
・・・・・・・・・・・・・・・・・・・・・■Here, CF and W on the right side are the values before update, and C on the left side
F and W are updated values. Plus 1 in the numerator on the right side
The reason for this is to increase the confidence level CF, and the reason for adding 1 to the denominator is because the number of experienced cases increases by one.

第４図の例の場合、事実はＧ２であって推論状況テーブ
ル６内に推論ゴールＧ２が存在するから、これに該当す
るルールＲ５の確信度ＣＦ、と重みＷ、とか、 Ｗ、＋１ Ｗ、←Ｗ、＋１ となる。In the case of the example in FIG. 4, the fact is G2 and the inference goal G2 exists in the inference status table 6, so the confidence CF of the rule R5 corresponding to this and the weight W, etc., W, +1 W, ←W, +1.

例えば、更新前のＣＦ　ｓが０．７、更新前のＷ５が１
．０００であったとすると、更新後では、ｉ、ｏｏｏ＋
ｔ ＝０．７００３ となり、確信度ＣＦ　ｓがアップする。For example, CF s before update is 0.7, W5 before update is 1
．． If it is 000, after the update, i, ooo+
t =0.7003, and the confidence level CF s increases.

ステップＳ６では、ルール前提部が同じルールがほかに
存在するかどうかを推論状況テーブル６を検索すること
によって判断し、存在する場合にはステップＳ７に進む
。ステップＳ７では、そのルールの確信度ＣＦと重みＷ
とを読み出す。In step S6, it is determined by searching the inference status table 6 whether another rule with the same rule prerequisite exists, and if so, the process advances to step S7. In step S7, the certainty factor CF and the weight W of the rule are
Read out.

次いで、ステップＳ８でそのルールの確信度ＣＦについ
て下方修正を行うとともに、重みＷをプラス１し、得ら
れた結果を知識ベース３に送出して、知識ベース３内の
元のルールにおける確信度ＣＦ、重みＷに代えて新たに
計算された確信度Ｃｒ２重みＷを更新する。Next, in step S8, the confidence CF of the rule is revised downward, the weight W is increased by 1, the obtained result is sent to the knowledge base 3, and the confidence CF of the original rule in the knowledge base 3 is , the newly calculated reliability Cr2 weight W is updated instead of the weight W.

下方修正の確信度ＣＦおよび重みＷの更新は、次式によ
る。The downward revision confidence factor CF and weight W are updated according to the following equation.

Ｗｅ１ Ｗ−Ｗｅ１　　・・・・・・・・・・・・・・・・・・
・・・・・・・・・・・・・・・・・・・・・■右辺の
分子でマイナス１するのは、確信度ＣＦをダウンするた
めであり、分母でプラス１するのは経験した例数が１つ
増えるからである。We1 W-We1 ・・・・・・・・・・・・・・・・・・
・・・・・・・・・・・・・・・・・・・・・■ The numerator on the right side is subtracted by 1 to lower the confidence level CF, and the denominator is subtracted by 1 from experience. This is because the number of cases that occurred increases by one.

第４図の例の場合、推論ゴールＧ２のルール前提部はＮ
、であり、これをルール前提部とするルール［≧４が存
在するから、ルールＲ４の確信度ＣＦ４と重みＷ４とが
、 Ｗ４→Ｉ Ｗ４←Ｗ４＋１ となる。In the example shown in Figure 4, the rule antecedent of the inference goal G2 is N
, and since there is a rule [≧4 with this as the rule premise, the certainty factor CF4 and weight W4 of rule R4 are as follows: W4→I W4←W4+1.

例えば、更新前のＣＦ、が０．９、更新前のＷ４が１，
０００であったとすると、更新後では、］、０００（−
１ ＝０．８９８ となり、確信度ＣＦ、がダウンする。For example, CF before update is 0.9, W4 before update is 1,
000, after update, ], 000(-
1 = 0.898, and the confidence level CF decreases.

ステップＳ８からステップＳ６にリターンし、ルール前
提部が同じルールがほかに存在するかどうかを判断し、
存在する場合にはステップＳ７→Ｓ８を繰り返す。Returning from step S8 to step S6, it is determined whether there is another rule with the same rule prerequisite part,
If it exists, steps S7→S8 are repeated.

第４図の例の場合、ルール前提部Ｎ、をルール前提部と
するさらに別のルールＲ６が存在するから、ルールＲ６
の確信度ＣＦ　ｂが下方修正されダウンする。In the example of FIG. 4, there is another rule R6 whose rule premise part is the rule premise part N, so rule R6
The confidence level CF b is revised downward and goes down.

以上のように、共通のルール前提部Ｎ、を有するルール
セント（Ｒ４，Ｒ５，Ｒ６）において、上方修正するの
はただ１つのルールについてのみであり、下方修正する
のは残りのすべてのルールについてである。As described above, in the rule cents (R4, R5, R6) that have a common rule premise N, only one rule is revised upward, and all the remaining rules are revised downward. It is.

ルール前提部が同じルールがほかに存在しなくなったと
きには、ステップＳ９に進み、Ｉｌｌｌｌ−ルに至った
推論過程において初期入力データＩまでのすべての推論
過程について上方修正、下方修正が終了したかどうかを
判断する。終了していない場合には、ステップＳ４にリ
ターンし、以下同様の動作を繰り返す。When there is no other rule with the same rule premise, the process advances to step S9, and it is determined whether upward and downward revisions have been completed for all inference processes up to the initial input data I in the inference process that led to Illll- rule. to judge. If the process has not been completed, the process returns to step S4, and the same operations are repeated.

第４図の例の場合には、ルールＲ１が残っているので、
推論状況テーブル６からルールＲ１の確信度ＣＦ、と重
みＷｌとを読み出し、以下、ステップＳ５で上方修正を
行う。また、ステップＳ６からステップＳ７．Ｓ８によ
って、ルール前提部■を同じくするルールＲ２，Ｒ３に
ついて下方修正を施す。In the case of the example in Figure 4, rule R1 remains, so
The confidence factor CF and the weight Wl of the rule R1 are read from the inference status table 6, and are subsequently revised upward in step S5. Further, from step S6 to step S7. In S8, rules R2 and R3 having the same rule premise part (2) are revised downward.

この共通のルール前提部■を有するルールセント（Ｒ１
，Ｒ２，Ｒ３）においても、上方修正するのはただ１つ
のルールについてのみであり、下方修正するのは残りの
すべてのルールについてである。Rule cent (R1
, R2, R3), only one rule is revised upward, and all the remaining rules are revised downward.

以上が、１つの測定対象物ｍについての確信度ＣＦの学
習動作であるが、対象物ｍを代えて、同様の動作を何回
も繰り返すと、各ルールにおける確信度ＣＦが次第に適
正な値に収斂していき、知識として信頼性の高いものと
なる。The above is the learning operation for the confidence factor CF for one measurement object m, but if you change the object m and repeat the same operation many times, the confidence factor CF for each rule will gradually reach an appropriate value. As the information converges, it becomes highly reliable as knowledge.

Ｇ１発明の効果 この発明によれば、次の効果が発揮される。Effect of G1 invention According to this invention, the following effects are exhibited.

すなわち、ｔｉｔ論機構によって選択されたルールの推
論ゴール、確信度２重みおよび辿ったルールのリストな
らびに事実入力手段からの事実を格納する推論状況テー
ブルと、推論状況テーブルに格納されたルールのうち事
実と一致するルールの確信度に上方修正を施しかつそれ
以外のルールの確信度に下方修正を施して前記知識ベー
スにおける元のルールの確信度および重みを更新する確
信度演算更新手段とを備えることにより、事実と一致す
るルールについてその確信度に上方修正を施し、それ以
外のルールについては確信度に下方修正を施すから、専
門家から得た知識に基づいて最初に知識ベースに格納さ
れたルールの確信度が曖昧なものであっても、前記の上
方修正および下方修正による学習によってルールの確信
度の精度を次第に向上させていくことができ、ｌｌｉ論
の信頼性を高いものにすることができる。That is, there is an inference status table that stores the inference goal, certainty factor 2 weight, and list of followed rules of the rule selected by the tit theory mechanism, as well as facts from the fact input means, and facts among the rules stored in the inference status table. and a confidence calculation updating means for updating the confidence and weight of the original rule in the knowledge base by upwardly revising the confidence of the rule that matches the rule and downwardly revising the confidence of the other rules. As a result, the confidence level of rules that match the facts is revised upward, and the confidence level of other rules is revised downward, so the rules that were initially stored in the knowledge base based on the knowledge obtained from experts Even if the confidence level of the rule is ambiguous, the accuracy of the confidence level of the rule can be gradually improved through learning through the above-mentioned upward and downward revisions, and the reliability of the LLI theory can be made high. can.

【図面の簡単な説明】[Brief explanation of the drawing]

第１図ないし第５図はこの発明の実施例に係り、第１図
はエキスパートシステムにおける知識の学習機構および
その周辺機器のプロンク構成図、第２図はルール群のツ
リー構造図、第３回は動作説明のために第２図を書き替
えたツリー構造図、第４図は推論状況テーブルにおける
テーブル図、第５図は上方修正、下方修正の動作説明に
供するフローチャートである。 １・・・システム主部 ２・・・推論機構 ３・・・知識ベース ４・・・ワーキングメモリ ５・・・計測機器 ６・・・推論状況テーブル ７・・・事実入力手段 ８・・・確信度演算更新手段 ９・・・端末器 Ｒ・・・ルール ＣＦ・・・確信度 Ｗ・・・重み ■・・・初期入力データ Ｎ・・・ノード Ｇ・・・推論ゴールFigures 1 to 5 relate to embodiments of the present invention; Figure 1 is a block diagram of the knowledge learning mechanism in an expert system and its peripheral equipment; Figure 2 is a tree structure diagram of a group of rules; 2 is a tree structure diagram rewritten from FIG. 2 to explain the operation, FIG. 4 is a table diagram of the inference status table, and FIG. 5 is a flowchart for explaining the operation of upward correction and downward correction. 1...System main part 2...Inference mechanism 3...Knowledge base 4...Working memory 5...Measuring device 6...Inference status table 7...Fact input means 8...Confidence Degree calculation updating means 9...Terminal R...Rule CF...Confidence W...Weight ■...Initial input data N...Node G...Inference goal

Claims (1)

【特許請求の範囲】[Claims] （１）確信度と重みとを付加したｉｆ−ｔｈｅｎ形式の
ルールを格納する知識ベースと、初期入力データに基づ
いて前記知識ベースから対応するルールを選択する推論
機構と、事実を入力する手段と、前記推論機構によって
選択されたルールの推論ゴール、確信度、重みおよび辿
ったルールのリストならびに前記事実入力手段からの事
実を格納する推論状況テーブルと、推論状況テーブルに
格納されたルールのうち事実と一致するルールの確信度
に上方修正を施しかつそれ以外のルールの確信度に下方
修正を施して前記知識ベースにおける元のルールの確信
度および重みを更新する確信度演算更新手段とを備えた
ことを特徴とするエキスパートシステムにおける知識の
学習機構。(1) A knowledge base that stores if-then format rules with added confidence and weights, an inference mechanism that selects a corresponding rule from the knowledge base based on initial input data, and means for inputting facts. , an inference situation table that stores inference goals, confidence levels, weights, and a list of followed rules of the rules selected by the inference mechanism, as well as facts from the fact input means; and facts among the rules stored in the inference situation table. and a confidence calculation updating means for updating the confidence and weight of the original rule in the knowledge base by making an upward adjustment to the certainty of a rule that matches the rule and making a downward correction to the certainty of other rules. A knowledge learning mechanism in an expert system characterized by: