JPH02260039A - 多段ファジィ推論装置 - Google Patents
多段ファジィ推論装置Info
- Publication number
- JPH02260039A JPH02260039A JP1083405A JP8340589A JPH02260039A JP H02260039 A JPH02260039 A JP H02260039A JP 1083405 A JP1083405 A JP 1083405A JP 8340589 A JP8340589 A JP 8340589A JP H02260039 A JPH02260039 A JP H02260039A
- Authority
- JP
- Japan
- Prior art keywords
- inference
- rule
- fuzzy
- evaluation
- knowledge
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 116
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 abstract 6
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 25
- 230000014509 gene expression Effects 0.000 description 12
- 101100404841 Leptosphaeria maculans NIIA gene Proteins 0.000 description 10
- 238000013523 data management Methods 0.000 description 10
- 238000011017 operating method Methods 0.000 description 3
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 229940001610 axiron Drugs 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000473 propyl gallate Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N titanium dioxide Inorganic materials O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Devices For Executing Special Programs (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
産業上の利用分野
本発明は、専門家の知識を計算機によって利用するファ
ジィ推論が可能なエキスパートシステムに関するもので
ある。
ジィ推論が可能なエキスパートシステムに関するもので
ある。
従来の技術
近年、人工知能や知識工学分野の発展にともなって、専
門家の知識を計算機に記憶させ、各種故障診断、意思決
定支援、設計支援などを行うエキスパートシステムがさ
かんに開発されている。専門家が知識を用いて、推論を
行うと同様に、エキスパートシステムは各種のシステム
のプロセスを推論で実行し、利用者の必要とする情報を
得ることができる。エキスパートシステムでよく用いら
れる前向き多段推論ではrlF−THEN・・・」形式
のプロダクションルールを用いるが、その多段推論の推
論過程は探索木を形成して、その探索木の探索を行うこ
とを意味している。
門家の知識を計算機に記憶させ、各種故障診断、意思決
定支援、設計支援などを行うエキスパートシステムがさ
かんに開発されている。専門家が知識を用いて、推論を
行うと同様に、エキスパートシステムは各種のシステム
のプロセスを推論で実行し、利用者の必要とする情報を
得ることができる。エキスパートシステムでよく用いら
れる前向き多段推論ではrlF−THEN・・・」形式
のプロダクションルールを用いるが、その多段推論の推
論過程は探索木を形成して、その探索木の探索を行うこ
とを意味している。
しかし、通常では、上位の探索点から下方に探索する一
方通行の探索は最終結果が利用者の満足する解答が得ら
れる保証がないため、横型探索、縦型探索、知的探索な
どの探索手法(バックトラック手法)が用いられて最良
解が得られている。
方通行の探索は最終結果が利用者の満足する解答が得ら
れる保証がないため、横型探索、縦型探索、知的探索な
どの探索手法(バックトラック手法)が用いられて最良
解が得られている。
しかし、上記の推論法は二値論理の推論法であり、その
ルールの中にあいまいな表現を許さず、人間にとって使
いかっての悪いものであった。一方、あいまいな推論を
行う手法として、ファジィ推論(システムと制御、Vo
l 、28.No、7 、pp442−44G(198
4)に掲載の「ファジィ制御」で説明されているMax
−Mln演算等)があるが、ファジィ推論による最良探
索手法は確立していない。
ルールの中にあいまいな表現を許さず、人間にとって使
いかっての悪いものであった。一方、あいまいな推論を
行う手法として、ファジィ推論(システムと制御、Vo
l 、28.No、7 、pp442−44G(198
4)に掲載の「ファジィ制御」で説明されているMax
−Mln演算等)があるが、ファジィ推論による最良探
索手法は確立していない。
以下、従来のエキスパートシステムの構成を示す第10
図、ルール知識ベースの説明図である第11図、及びシ
ステムの動作方法のフローチャートである第12図を参
考にして従来の二値論理による前向き推論型のエキスパ
ートシステムについて説明する。
図、ルール知識ベースの説明図である第11図、及びシ
ステムの動作方法のフローチャートである第12図を参
考にして従来の二値論理による前向き推論型のエキスパ
ートシステムについて説明する。
第10図において、101は知識ベースのプロダクショ
ンルールに専門知識を、または推論の過程でシステム側
からの質問に対して回答を入力するための入力装置、1
02は知識ベースのデータを編集するためのエディタ部
、103は専門家による知識を計算機の内部に蓄えるた
めのルール知識ベース、104はルール知識ベース10
3からプロダクションルールを取り出すためのデータ管
理部、105は利用者の入力に応じた事実を解釈し、デ
ータ管理部104からのプロダクションルールとの適合
から推論結論を導き、この結果が利用者の必要とする最
終的な結果ではなく中間的結果である場合はさらに利用
者の要求に応じて結論を導き出すための専門知識やその
知識に付随する各種のデータの提示を行う推論機構部、
106はデータ管理部104によって得られたプロダク
ションルールを取り込み、利用者からの入力値データが
適合するプロダクションルールを検知し、推論を行うな
どの推論機能を実行する作業領域部である。
ンルールに専門知識を、または推論の過程でシステム側
からの質問に対して回答を入力するための入力装置、1
02は知識ベースのデータを編集するためのエディタ部
、103は専門家による知識を計算機の内部に蓄えるた
めのルール知識ベース、104はルール知識ベース10
3からプロダクションルールを取り出すためのデータ管
理部、105は利用者の入力に応じた事実を解釈し、デ
ータ管理部104からのプロダクションルールとの適合
から推論結論を導き、この結果が利用者の必要とする最
終的な結果ではなく中間的結果である場合はさらに利用
者の要求に応じて結論を導き出すための専門知識やその
知識に付随する各種のデータの提示を行う推論機構部、
106はデータ管理部104によって得られたプロダク
ションルールを取り込み、利用者からの入力値データが
適合するプロダクションルールを検知し、推論を行うな
どの推論機能を実行する作業領域部である。
第11図はルール知識ベースの一例を示す図である。ル
ール知識ベースの内容を以下に説明する。
ール知識ベースの内容を以下に説明する。
ルール知識ベース103は専門家の知識を蓄積するが、
通常は知識を各知識源に分割して入力する。
通常は知識を各知識源に分割して入力する。
例えば、1101は株の売買に関する知識源を示し、1
102は、ある会社(8社)への資金投資に関する知識
源である。ルール知識ベースにはこの様な知識源が複数
個存在している。各々の知識源では複数のプロダクショ
ンルールが蓄積されている。例えば、1101では「も
し、手持ちの資金が1子方円を下回り、A社の株価が8
00円以上に上昇したならば、A社の株を1万株売りな
さいコや、 「もし、手持ちの資金がまだ1子方円以上
あるならば1株を売らない」等のルールが蓄積されてい
る。これらのルールは推論実行中に、最新の入力データ
として「手持ちの資金が800万円、A社の株価が10
00円に上昇した」等の情報が利用者によって入力され
た場合には知識源1101の初めのプロダクションルー
ルが適合し、縦型探索、横型探索等のバックトラック手
法により、次の知識源である知識源Bが導かれる。知識
源Bにおいて、もし、株の売買による利益が150万円
であった場合には、知識源1102の初めのプロダクシ
ョンルールが適合し、中間結果として「8社への資金投
資を50万円行う」という決定がなされる。
102は、ある会社(8社)への資金投資に関する知識
源である。ルール知識ベースにはこの様な知識源が複数
個存在している。各々の知識源では複数のプロダクショ
ンルールが蓄積されている。例えば、1101では「も
し、手持ちの資金が1子方円を下回り、A社の株価が8
00円以上に上昇したならば、A社の株を1万株売りな
さいコや、 「もし、手持ちの資金がまだ1子方円以上
あるならば1株を売らない」等のルールが蓄積されてい
る。これらのルールは推論実行中に、最新の入力データ
として「手持ちの資金が800万円、A社の株価が10
00円に上昇した」等の情報が利用者によって入力され
た場合には知識源1101の初めのプロダクションルー
ルが適合し、縦型探索、横型探索等のバックトラック手
法により、次の知識源である知識源Bが導かれる。知識
源Bにおいて、もし、株の売買による利益が150万円
であった場合には、知識源1102の初めのプロダクシ
ョンルールが適合し、中間結果として「8社への資金投
資を50万円行う」という決定がなされる。
以上の構成を用いて、以下に第12図のフローチャート
を用いて、その動作手順を説明する。
を用いて、その動作手順を説明する。
まず、処理1201において、専門家は知識として蓄え
るべきプロダクションルールを入力装置101から入力
する。この入力の際にはエディタ部102のエデイティ
ング機能を用いて入力し、入力された知識データはルチ
ル知識ベース103にその計算機の設定されたデータ書
式に従って蓄積される。処理1202では専門家による
知識の蓄積が終了した後、システムの利用者はシステム
側の質問事項に、入力装置101を用いて「はい」「い
いえ」、または質問事項の回答を入力する。
るべきプロダクションルールを入力装置101から入力
する。この入力の際にはエディタ部102のエデイティ
ング機能を用いて入力し、入力された知識データはルチ
ル知識ベース103にその計算機の設定されたデータ書
式に従って蓄積される。処理1202では専門家による
知識の蓄積が終了した後、システムの利用者はシステム
側の質問事項に、入力装置101を用いて「はい」「い
いえ」、または質問事項の回答を入力する。
処理1203では入力された利用者のデータは作業領域
部108に一次的に記憶され、推論機構部105はルー
ル知識ベース103に蓄えられている複数個のプロダク
ションルールをデータ管理部104を介して作業領域部
10Bに取り込む。処理1204では推論機構部105
が作業領域部106の利用者の入力データに適合するプ
ロダクションルールを検知して、推論を行い、適合する
プロダクションルールから推論結果を導き出す。処理1
205では結果が得られた後、得られた推論結果が利用
者の必要とする問題の最終結果である場合には推論機構
部105はその推論結果を最終結果とするが、推論結果
が中間結果である場合には通常の推論やバックトラック
手法による推論を継続する。この一連の操作としての多
段推論を繰り返すことにより、利用者の求める最終的な
結果を導出し、結果を利用者に表示できる。
部108に一次的に記憶され、推論機構部105はルー
ル知識ベース103に蓄えられている複数個のプロダク
ションルールをデータ管理部104を介して作業領域部
10Bに取り込む。処理1204では推論機構部105
が作業領域部106の利用者の入力データに適合するプ
ロダクションルールを検知して、推論を行い、適合する
プロダクションルールから推論結果を導き出す。処理1
205では結果が得られた後、得られた推論結果が利用
者の必要とする問題の最終結果である場合には推論機構
部105はその推論結果を最終結果とするが、推論結果
が中間結果である場合には通常の推論やバックトラック
手法による推論を継続する。この一連の操作としての多
段推論を繰り返すことにより、利用者の求める最終的な
結果を導出し、結果を利用者に表示できる。
発明が解決しようとする課題
しかしながら、このような従来の方法ではバックトラッ
ク手法等による多段推論により、利用者の要求する最良
の解を得ることができるが、利用者のあいまいな表現を
取り扱うことができず、利用者はルール知識ベースの表
現形式に合致するように知識を作成して、多段推論を実
行しなければならなかった。
ク手法等による多段推論により、利用者の要求する最良
の解を得ることができるが、利用者のあいまいな表現を
取り扱うことができず、利用者はルール知識ベースの表
現形式に合致するように知識を作成して、多段推論を実
行しなければならなかった。
本発明は、上記従来技術の課題に鑑み、あいまいさを取
り扱えるファジイ数を用いて、そのファジイ数を組み込
み可能なエキスパートシステムに、新たに最良探索機能
を考案し、利用者のあいまいさが取り扱えて、満足する
最良解を容易に探索できる多段ファジィ推論装置を構築
することを目的とする。
り扱えるファジイ数を用いて、そのファジイ数を組み込
み可能なエキスパートシステムに、新たに最良探索機能
を考案し、利用者のあいまいさが取り扱えて、満足する
最良解を容易に探索できる多段ファジィ推論装置を構築
することを目的とする。
課題を解決するための手段
本発明は、特定個数のルールの前件部の適合度合を前記
前件部適合度合記憶部から取り出し、適合度合の高い順
に推論ルールを探索する横型探索計算部を有することを
特徴とする多段ファジィ推論装置である。
前件部適合度合記憶部から取り出し、適合度合の高い順
に推論ルールを探索する横型探索計算部を有することを
特徴とする多段ファジィ推論装置である。
また、本発明は特定のルールに注目し、そのルールに関
し多段推論を可能な限り行い、多段推論が不可能になっ
た場合にはそのルールが属する知識源の中の他のルール
、またはその知識源が導かれた親知識源で、そのルール
の次に前件部の適合度が高いルールを探索する縦型探索
計算部を存することを特徴とする多段ファジィ推論装置
である。
し多段推論を可能な限り行い、多段推論が不可能になっ
た場合にはそのルールが属する知識源の中の他のルール
、またはその知識源が導かれた親知識源で、そのルール
の次に前件部の適合度が高いルールを探索する縦型探索
計算部を存することを特徴とする多段ファジィ推論装置
である。
さらに、本発明は、バックトラック開始後に順次発生す
る探索先として、現在、推論を実行しているルールが導
かれた親ルールを前記推論過程記憶部から取り出し、そ
のルールの後件部の中で、前記評価値記憶部の評価値が
現在の評価値に次ぐ知識源の探索命令を発見する最良解
探索計算部を有することを特徴とする多段ファジィ推論
装置である。
る探索先として、現在、推論を実行しているルールが導
かれた親ルールを前記推論過程記憶部から取り出し、そ
のルールの後件部の中で、前記評価値記憶部の評価値が
現在の評価値に次ぐ知識源の探索命令を発見する最良解
探索計算部を有することを特徴とする多段ファジィ推論
装置である。
また、本発明は、バックトラック開始後に順次発生する
探索先として、現在、推論を実行しているルールが導か
れた親知識源の中で現在のルールの次に前記評価値記憶
部の値が高いルールを探索する最大評価値探索計算部を
有することを特徴とする多段ファジィ推論装置である。
探索先として、現在、推論を実行しているルールが導か
れた親知識源の中で現在のルールの次に前記評価値記憶
部の値が高いルールを探索する最大評価値探索計算部を
有することを特徴とする多段ファジィ推論装置である。
さらに、本発明は、バックトラック開始後に順次発生す
る探索先として、現在、推論を実行しているルールが導
かれた親知識源の中で現在のルールの次に前記指標演算
部の演算結果が高いルールを探索する最大演算結果探索
計算部を有することを特徴とする多段ファジィ推論装置
である。
る探索先として、現在、推論を実行しているルールが導
かれた親知識源の中で現在のルールの次に前記指標演算
部の演算結果が高いルールを探索する最大演算結果探索
計算部を有することを特徴とする多段ファジィ推論装置
である。
作用
本発明は前記した構成により、ファジィ推論と二値論理
の推論とを可能とするエキスパートシステムに、新たに
最良探索機能方法を提案することにより、利用者の満足
する知識源を探索して、最適な解を容易に得る多段ファ
ジィ推論装置を提供できる。
の推論とを可能とするエキスパートシステムに、新たに
最良探索機能方法を提案することにより、利用者の満足
する知識源を探索して、最適な解を容易に得る多段ファ
ジィ推論装置を提供できる。
実施例
以下に、本発明の実施例を図面を用いて説明する。
第1図は本発明の特許請求の範囲第1項記載の多段ファ
ジィ推論装置の一実施例の構成図である。
ジィ推論装置の一実施例の構成図である。
第1図において、11は入力装置で、プロダクションル
ールを蓄積するルール知識ベースに知識を入力するため
、または推論の過程でシステム側からの質問に対して回
答するための装置。12はエディタ部で、ルール知識ベ
ースのデータを編集する。13はルール知識ベース部で
、ファジィ推論、および二値論理の推論が可能なプロダ
クションルールを蓄積する。ただし、ファジィ推論を行
うプロダクションルールとはルールの条件部がファジイ
数、もしくは通常の二値論理的な表現で記述されている
が、結論部はファジイ数で表現されているものをいい、
二値論理の推論を行うプロダクションルールとは、ルー
ルの条件部がファジイ数、もしくは通常の二値論理的な
表現であるが、結論部は二値論理的なアクシ1ン表現(
実行文)が記述されているものをいう。14はデータ管
理部で、前記ルール知識ベース13からプロダクション
ルールを取り出す。15は推論機構部で、前記入力装置
11からの利用者の入力に応じた事実を解釈し、前記デ
ータ管理部14からのプロダクションルールとの適合か
らファジィ推論、および二値論理の推論を行うための各
種機能を準備する。16は作業領域部で、前記推論機構
部15から各種機能を取り込み、前記データ管理部14
によって得られたプロダクションルールに利用者からの
入力データを適合し、ファジィ推論、および二値論理の
推論を行う。17はファジィ評価知識ベースで、推論実
行後の結果の評価を行うためのrlF・・・T[IEN
N」形式で表現されているプロダクションルールである
。110は前件部適合度合記憶部で、前記作業領域部1
6においてデータに適合する各ルールの前件部の適合度
合を記憶する。18は横型探索計算部で、特定個数のル
ールの前件部の適合度合を前記前件部適合度合記憶部1
10から取り出し、適合度合の高い順に推論ルールを探
索する。
ールを蓄積するルール知識ベースに知識を入力するため
、または推論の過程でシステム側からの質問に対して回
答するための装置。12はエディタ部で、ルール知識ベ
ースのデータを編集する。13はルール知識ベース部で
、ファジィ推論、および二値論理の推論が可能なプロダ
クションルールを蓄積する。ただし、ファジィ推論を行
うプロダクションルールとはルールの条件部がファジイ
数、もしくは通常の二値論理的な表現で記述されている
が、結論部はファジイ数で表現されているものをいい、
二値論理の推論を行うプロダクションルールとは、ルー
ルの条件部がファジイ数、もしくは通常の二値論理的な
表現であるが、結論部は二値論理的なアクシ1ン表現(
実行文)が記述されているものをいう。14はデータ管
理部で、前記ルール知識ベース13からプロダクション
ルールを取り出す。15は推論機構部で、前記入力装置
11からの利用者の入力に応じた事実を解釈し、前記デ
ータ管理部14からのプロダクションルールとの適合か
らファジィ推論、および二値論理の推論を行うための各
種機能を準備する。16は作業領域部で、前記推論機構
部15から各種機能を取り込み、前記データ管理部14
によって得られたプロダクションルールに利用者からの
入力データを適合し、ファジィ推論、および二値論理の
推論を行う。17はファジィ評価知識ベースで、推論実
行後の結果の評価を行うためのrlF・・・T[IEN
N」形式で表現されているプロダクションルールである
。110は前件部適合度合記憶部で、前記作業領域部1
6においてデータに適合する各ルールの前件部の適合度
合を記憶する。18は横型探索計算部で、特定個数のル
ールの前件部の適合度合を前記前件部適合度合記憶部1
10から取り出し、適合度合の高い順に推論ルールを探
索する。
19は評価管理部で、前記ファジィ評価知識ベース部1
7の評価値が満足できるまで前記横型探索計算部18を
用いてルールを探索し、多段推論を繰り返し実行させる
管理部である。
7の評価値が満足できるまで前記横型探索計算部18を
用いてルールを探索し、多段推論を繰り返し実行させる
管理部である。
次に、第1図〜第4図、および第13図を用いて、第1
の発明に関して、前記のように構成された多段ファジィ
推論装置の横型探索方法の説明を行うが、まず、ファジ
イ数を用いた多段推論方法を説明する。
の発明に関して、前記のように構成された多段ファジィ
推論装置の横型探索方法の説明を行うが、まず、ファジ
イ数を用いた多段推論方法を説明する。
第2図はルール知識ベースで、知識源KSOとしてE株
売買による資金維持」の知識源21、知識源KSIIA
として「投資」の知識源22を持っている。
売買による資金維持」の知識源21、知識源KSIIA
として「投資」の知識源22を持っている。
各ルールは「約1千万円」等のファジイ数を用いて記述
する。以下に、ファジィ推論過程を説明する。
する。以下に、ファジィ推論過程を説明する。
1)利用者による初期入力として、入力装置11、エデ
ィタ部12を用いて、第13図の初期データが入力され
たとする。このデータ表は多段推論の実行中にプロダク
ションルールの後件部のアクション表現により、各アト
リビュートの値が順次変更される。このデータ表はノー
ドと呼ばれ、ノードの集まりを黒板という。
ィタ部12を用いて、第13図の初期データが入力され
たとする。このデータ表は多段推論の実行中にプロダク
ションルールの後件部のアクション表現により、各アト
リビュートの値が順次変更される。このデータ表はノー
ドと呼ばれ、ノードの集まりを黒板という。
2)ルール知識ベース13から知識源KSOがデータ管
理部14を介して作業領域部1eに入力される。
理部14を介して作業領域部1eに入力される。
この知識源に初期ノードを対応させる。
3)前記作業領域部16で、推論機構部15の機能を用
いてファジィ推論と二値論理による推論を行う。この例
題では、入力の「当社の資金二980万円」、「A社の
株価=850円」が知識源KSOのルールの前件部に適
合する。ルール番号1〜3までの二値論理による推論で
は、例えば最大の適合度合を持つルールを選択する等に
より、1つのルールを選ぶ。この例題では仮に、 第1番目のルール: μ=μF目(9800000) μF+2(850)
=0.8 第2番目のルール: μ=μF21 (9800000) μF22(85
0)=0.6 第3番目のルール: μ=μps+ (9800000) μF32(85
0)=0.2 となったとすると、第1のルールが選択される。
いてファジィ推論と二値論理による推論を行う。この例
題では、入力の「当社の資金二980万円」、「A社の
株価=850円」が知識源KSOのルールの前件部に適
合する。ルール番号1〜3までの二値論理による推論で
は、例えば最大の適合度合を持つルールを選択する等に
より、1つのルールを選ぶ。この例題では仮に、 第1番目のルール: μ=μF目(9800000) μF+2(850)
=0.8 第2番目のルール: μ=μF21 (9800000) μF22(85
0)=0.6 第3番目のルール: μ=μps+ (9800000) μF32(85
0)=0.2 となったとすると、第1のルールが選択される。
ただし、Fll等は第1番目のルールの第1フアジイ変
数である「約1千万円」を表すファジイ数である。一方
、第4番目以降のルールはファジィ推論のためのブロダ
クシ習ンルールであり、通常のファジィ推論が行われる
。
数である「約1千万円」を表すファジイ数である。一方
、第4番目以降のルールはファジィ推論のためのブロダ
クシ習ンルールであり、通常のファジィ推論が行われる
。
4)二値論理の推論では1つのルールが選択され、その
後件部のアクション表現を実行する。一方、ファジィ推
論では結果のファジイ数を対応するノードの値に結果を
書き込む。この例題では二値論理の推論はルール番号1
が選択されるので、アクシロン表現addcopy N
llAs goto KSIIAl およびaddc
Opy NIIBlgoto KSIIBを実行する。
後件部のアクション表現を実行する。一方、ファジィ推
論では結果のファジイ数を対応するノードの値に結果を
書き込む。この例題では二値論理の推論はルール番号1
が選択されるので、アクシロン表現addcopy N
llAs goto KSIIAl およびaddc
Opy NIIBlgoto KSIIBを実行する。
addcopy NIIAとは「A社の株の売買数
を1万株減らす」というアクシロン表現を実行して、推
論以前のノードにアクシPン表現の結果を書き加えて、
新たなノード旧IAを発生させることを意味している。
を1万株減らす」というアクシロン表現を実行して、推
論以前のノードにアクシPン表現の結果を書き加えて、
新たなノード旧IAを発生させることを意味している。
また、goto KSIIAとは次の知識源KSIIA
に行き、多段推論を継続することを意味する。addc
opy N11lk 、got。
に行き、多段推論を継続することを意味する。addc
opy N11lk 、got。
KSIIBについても同様である。一方、ファジィ推論
はその結果をノード旧IA、 および旧IBに書き込
む。
はその結果をノード旧IA、 および旧IBに書き込
む。
5)ノードNIIA、 お上びノードNI IBをフ
ァジィ評価知識ベース17に代入する。ファジィ評価知
識ベース17の一例を第4図に示す。いま、ノードNO
からノードNIIAに変化したことによる利益が百万円
、ノードNOからノード旧IBに変化したことによる利
益が80万円とする。それぞれの利益から、第4図の推
論の図を用いて、ファジィ推論を行い、結果の満足度を
得る。例えば、この例題では(NO→NIIAの満足度
)=0.8 (NO→旧IBの満足度)=0.7 となる。
ァジィ評価知識ベース17に代入する。ファジィ評価知
識ベース17の一例を第4図に示す。いま、ノードNO
からノードNIIAに変化したことによる利益が百万円
、ノードNOからノード旧IBに変化したことによる利
益が80万円とする。それぞれの利益から、第4図の推
論の図を用いて、ファジィ推論を行い、結果の満足度を
得る。例えば、この例題では(NO→NIIAの満足度
)=0.8 (NO→旧IBの満足度)=0.7 となる。
6)次に、推論を継続するために次の知識源を選択する
。いま、仮に知識源KSIIAを選択したとする。
。いま、仮に知識源KSIIAを選択したとする。
知識源KSIIAではノードのアトサビエート10社の
経常利益(88年度)」の値が入力されていないため、
利用者に入力装置11、エディタ12を用いて回答を入
力してもらう。もし、 10社の経常利益(88年度)
は4800万円」が入力されたとすると、再び、二値論
理の推論とファジィ推論とを実行し、その結果をファジ
ィ評価知識ベース17に代入して多段推論を継続する。
経常利益(88年度)」の値が入力されていないため、
利用者に入力装置11、エディタ12を用いて回答を入
力してもらう。もし、 10社の経常利益(88年度)
は4800万円」が入力されたとすると、再び、二値論
理の推論とファジィ推論とを実行し、その結果をファジ
ィ評価知識ベース17に代入して多段推論を継続する。
たとえば、推論が行われ、その結果、ルール番号1が選
択され、addcopy N21とgoto KS21
を実行するなどする。
択され、addcopy N21とgoto KS21
を実行するなどする。
この様にして、多段推論が実行され、推論結果が利用者
の満足するものである場合には推論は終了するが、推論
した結果が利用者の必要とする最終的な結果ではなく中
間的結果である場合には、さらに推論を継続して、最終
的に利用者の求める結果を導出し、結果を利用者に表示
する。
の満足するものである場合には推論は終了するが、推論
した結果が利用者の必要とする最終的な結果ではなく中
間的結果である場合には、さらに推論を継続して、最終
的に利用者の求める結果を導出し、結果を利用者に表示
する。
第3図に、多段ファジィ推論装置のノードの探索図を示
す。ただし、図中の点線による円とく〉中の値は各ルー
ル番号と入力データに対するそのルールの前件部の適合
度合を表し、()の値はそのルールのファジィ評価知識
ベース部での評価値をあられす。例題のファジィ推論の
多段推論ではノードNO,NIIA、 N21の経路
をたどって、推論を実行している。
す。ただし、図中の点線による円とく〉中の値は各ルー
ル番号と入力データに対するそのルールの前件部の適合
度合を表し、()の値はそのルールのファジィ評価知識
ベース部での評価値をあられす。例題のファジィ推論の
多段推論ではノードNO,NIIA、 N21の経路
をたどって、推論を実行している。
次に、第1の発明について説明する。第1の発明では、
横型探索計算部18は特定個数のルールの前件部の適合
度合を前記前件部適合度合記憶部110から取り出し、
適合度合の高い順に推論ルールを探索する。すなわち、
第3図において、レベル1では前件部の適合度合が0.
8.0.6.0.2となっており、レベル2では0.2
.0.1となっているので、ノード番号NO1旧lA1
N11B1 旧2、N13、N21゜N22ム、N2
2Bの順に推論が実行される。このようにして、ファジ
ィ評価知識ベース部の評価値が満足できるまで推論が繰
り返し実行される。この探索方法は通常のエキスパート
システムでの横型探索法と類似しているが、ファジイ数
を用いた探索法であるところが異なっている。
横型探索計算部18は特定個数のルールの前件部の適合
度合を前記前件部適合度合記憶部110から取り出し、
適合度合の高い順に推論ルールを探索する。すなわち、
第3図において、レベル1では前件部の適合度合が0.
8.0.6.0.2となっており、レベル2では0.2
.0.1となっているので、ノード番号NO1旧lA1
N11B1 旧2、N13、N21゜N22ム、N2
2Bの順に推論が実行される。このようにして、ファジ
ィ評価知識ベース部の評価値が満足できるまで推論が繰
り返し実行される。この探索方法は通常のエキスパート
システムでの横型探索法と類似しているが、ファジイ数
を用いた探索法であるところが異なっている。
次に、本発明の第2の発明について説明する。
第5図は本発明の特許請求の範囲第2項記載の多段ファ
ジィ推論装置の一実施例の構成図である。
ジィ推論装置の一実施例の構成図である。
第5図において、51から57まではそれぞれ、本発明
の第1の発明の実施例の構成図(第1図)の1から7ま
でと同じであるので、ここでは詳細な説明は省略する。
の第1の発明の実施例の構成図(第1図)の1から7ま
でと同じであるので、ここでは詳細な説明は省略する。
58は縦型探索計算部で、特定のルールに注目し、その
ルールに関し多段推論を可能な限り行い、多段推論が不
可能になった場合にはそのルールが属する知識源の中の
他のルール、またはその知識源が導かれた親知識源で、
そのルールの次に前件部の適合度が高いルールを探索す
る。59は評価管理部で、前記ファジィ評価知識ベース
部57の評価値が満足できるまで前記縦型探索計算部5
8を用いてルールを探索し、多段推論を繰り返し実行さ
せる管理部である。
ルールに関し多段推論を可能な限り行い、多段推論が不
可能になった場合にはそのルールが属する知識源の中の
他のルール、またはその知識源が導かれた親知識源で、
そのルールの次に前件部の適合度が高いルールを探索す
る。59は評価管理部で、前記ファジィ評価知識ベース
部57の評価値が満足できるまで前記縦型探索計算部5
8を用いてルールを探索し、多段推論を繰り返し実行さ
せる管理部である。
前記のように構成された本発明の多段ファジィ推論装置
の縦型探索方法を説明するために、以下に、第5図、お
よび第3図を用いて更に詳しい内容を説明する。
の縦型探索方法を説明するために、以下に、第5図、お
よび第3図を用いて更に詳しい内容を説明する。
第2の発明では、第5図の縦型探索計算部58は特定の
ルールに注目し、そのルールに関し多段推論を可能な限
り行い、多段推論が不可能になった場合にはそのルール
が属する知識源の中の他のルール、またはその知識源が
導かれた親知識源で、そのルールの次に前件部の適合度
が高いルールを探索する。すなわち、第3図において、
レベル1では前件部の適合度合が0.8.0.G、0.
2となっており、レベル2では0.2.0.1となって
いるので、ノード番号N01NIIA、 N211N2
2A1N22B、 NIIB、 ・・・の順に推論
が実行される。このようにして、ファジィ評価知識ベー
ス部の評価値が満足できるまで推論が繰り返し実行され
る。この探索方法は通常のエキスパートシステムでの縦
型探索法と類似しているが、ファジイ数を用いた探索法
であるところが異なっている。
ルールに注目し、そのルールに関し多段推論を可能な限
り行い、多段推論が不可能になった場合にはそのルール
が属する知識源の中の他のルール、またはその知識源が
導かれた親知識源で、そのルールの次に前件部の適合度
が高いルールを探索する。すなわち、第3図において、
レベル1では前件部の適合度合が0.8.0.G、0.
2となっており、レベル2では0.2.0.1となって
いるので、ノード番号N01NIIA、 N211N2
2A1N22B、 NIIB、 ・・・の順に推論
が実行される。このようにして、ファジィ評価知識ベー
ス部の評価値が満足できるまで推論が繰り返し実行され
る。この探索方法は通常のエキスパートシステムでの縦
型探索法と類似しているが、ファジイ数を用いた探索法
であるところが異なっている。
次に、本発明の第3の発明について説明する。
第6図は本発明の特許請求の範囲第3項記載の多段ファ
ジィ推論装置を実現するための一実施例の構成図である
。第6図において、61から67まではそれぞれ、本発
明の第1の発明の実施例の構成図(第1図)の1から7
までと同じであるので、ここでは詳細な説明は省略する
。611は評価値記憶部で、過去に推論を行ったルール
の前記ファジィ評価知識ベース部67の評価値を記憶す
る。
ジィ推論装置を実現するための一実施例の構成図である
。第6図において、61から67まではそれぞれ、本発
明の第1の発明の実施例の構成図(第1図)の1から7
までと同じであるので、ここでは詳細な説明は省略する
。611は評価値記憶部で、過去に推論を行ったルール
の前記ファジィ評価知識ベース部67の評価値を記憶す
る。
810は推論過程記憶部で、推論の過程を記憶する。6
8は最良解探索計算部で、パックトラック開始後に順次
発生する探索先として、現在、推論を実行しているルー
ルが導かれた親ルールを前記推論過程記憶部610から
取り出し、そのルールの後件部の中で、前記評価値記憶
部611の評価値が現在の評価値に次ぐ知識源の探索命
令を発見する。69は評価管理部で、前記ファジィ評価
知識ベース部67の評価値が満足できるまで前記最良解
探索計算部68を用いてルールを探索し、多段推論を繰
り返し実行させる管理部である。
8は最良解探索計算部で、パックトラック開始後に順次
発生する探索先として、現在、推論を実行しているルー
ルが導かれた親ルールを前記推論過程記憶部610から
取り出し、そのルールの後件部の中で、前記評価値記憶
部611の評価値が現在の評価値に次ぐ知識源の探索命
令を発見する。69は評価管理部で、前記ファジィ評価
知識ベース部67の評価値が満足できるまで前記最良解
探索計算部68を用いてルールを探索し、多段推論を繰
り返し実行させる管理部である。
前記のように構成された本発明の多段ファジィ推論装置
の最良解探索方法を説明するために、以下に、第6図、
第2図、および第3図を用いて更に詳しい内容を説明す
る。
の最良解探索方法を説明するために、以下に、第6図、
第2図、および第3図を用いて更に詳しい内容を説明す
る。
第3の発明では、第6図の最良解探索計算部68はバッ
クトラック開始後に順次発生する探索先として、現在、
推論を実行しているルールが導かれた親ルールを前記推
論過程記憶部E310から取り出し、そのルールの後件
部の中で、前記評価値記憶部611の評価値が現在の評
価値に次ぐ知識源の探索命令を発見する。たとえば、現
在、ノードN21を実行しているとすると、現在のルー
ルは第2図の知識源KSIIAの第1ルールである。こ
のルールが導かれた親ルールは知識源KSOの第1ルー
ルである。第3図ではノードNIIAの評価値0.8に
次ぐ評価値を持つノードは評価値0.7のノードNII
Bとなる。
クトラック開始後に順次発生する探索先として、現在、
推論を実行しているルールが導かれた親ルールを前記推
論過程記憶部E310から取り出し、そのルールの後件
部の中で、前記評価値記憶部611の評価値が現在の評
価値に次ぐ知識源の探索命令を発見する。たとえば、現
在、ノードN21を実行しているとすると、現在のルー
ルは第2図の知識源KSIIAの第1ルールである。こ
のルールが導かれた親ルールは知識源KSOの第1ルー
ルである。第3図ではノードNIIAの評価値0.8に
次ぐ評価値を持つノードは評価値0.7のノードNII
Bとなる。
したがって、多段推論はノード番号N01NIIA、
1211NIIB1 ・・・の順に推論が実行され
る。このようにして、ファジィ評価知識ベース部の評価
値が満足できるまで推論が繰り返し実行される。
1211NIIB1 ・・・の順に推論が実行され
る。このようにして、ファジィ評価知識ベース部の評価
値が満足できるまで推論が繰り返し実行される。
次に、本発明の第4の発明について説明する。
第7図は本発明の特許請求の範囲第4項記載の多段ファ
ジィ推論装置を実現するための一実施例の構成図である
。第7図において、71から77まではそれぞれ、本発
明の第1の発明の実施例の構成図(第1図)の1から7
までと同じであるので、ここでは詳細な説明は省略する
。710は評価値記憶部で、過去に推論を行ったルール
の前記ファジィ評価知識ベース部77の評価値を記憶す
る。
ジィ推論装置を実現するための一実施例の構成図である
。第7図において、71から77まではそれぞれ、本発
明の第1の発明の実施例の構成図(第1図)の1から7
までと同じであるので、ここでは詳細な説明は省略する
。710は評価値記憶部で、過去に推論を行ったルール
の前記ファジィ評価知識ベース部77の評価値を記憶す
る。
78は最大評価値探索計算部で、バックトラック開始後
に順次発生する探索先として、現在、推論を実行してい
るルールが導かれた親知識源の中で現在のルールの次に
前記評価値記憶部710の値が高いルールを探索する。
に順次発生する探索先として、現在、推論を実行してい
るルールが導かれた親知識源の中で現在のルールの次に
前記評価値記憶部710の値が高いルールを探索する。
79は評価管理部で、前記ファジィ評価知識ベース部7
7の評価値が満足できるまで前記最大評価値探索計算部
78を用いてルールを探索し、多段推論を繰り返し実行
させる管理部である。
7の評価値が満足できるまで前記最大評価値探索計算部
78を用いてルールを探索し、多段推論を繰り返し実行
させる管理部である。
前記のように構成された本発明の多段ファジィ推論装置
での最大評価値探索方法を説明するために、以下に、第
7図、および第8図を用いて更に詳しい内容を説明する
。第8図は多段推論のノードの探索図であるが、第3図
の場合と比較して、各ルールの前件部の適合度合、およ
びファジィ評価知識ベース部による評価値とが異なって
いる。
での最大評価値探索方法を説明するために、以下に、第
7図、および第8図を用いて更に詳しい内容を説明する
。第8図は多段推論のノードの探索図であるが、第3図
の場合と比較して、各ルールの前件部の適合度合、およ
びファジィ評価知識ベース部による評価値とが異なって
いる。
第4の発明では、第7図の最大評価値探索計算部78は
バックトラック開始後に順次発生する探索先として、現
在、推論を実行しているルールが導かれた親知識源の中
で現在のルールの次に前記評価値記憶部710の値が高
いルールを探索する。
バックトラック開始後に順次発生する探索先として、現
在、推論を実行しているルールが導かれた親知識源の中
で現在のルールの次に前記評価値記憶部710の値が高
いルールを探索する。
たとえば、第8図において、現在の実行ノードがN21
とすると、このルールが導かれた親知識源はレベル1を
示している。レベル1のノードの中でノードNIIAの
0.8以外で、ファジィ評価知識ベース部の値が最も高
いのは0.85のノード旧2である。したがって、最大
評価値探索計算部は知識源KSI IAの第1ルールの
次に、KSOの第2ルールを選択する。ノードは番号N
O,旧IA、 N21、旧2、・・・の順に選択され
る。このようにして、ファジィ評価知識ベース部の評価
値が満足できるまで推論が繰り返し実行される。
とすると、このルールが導かれた親知識源はレベル1を
示している。レベル1のノードの中でノードNIIAの
0.8以外で、ファジィ評価知識ベース部の値が最も高
いのは0.85のノード旧2である。したがって、最大
評価値探索計算部は知識源KSI IAの第1ルールの
次に、KSOの第2ルールを選択する。ノードは番号N
O,旧IA、 N21、旧2、・・・の順に選択され
る。このようにして、ファジィ評価知識ベース部の評価
値が満足できるまで推論が繰り返し実行される。
次に、本発明の第5の発明について説明する。
第9図は本発明の特許請求の範囲第5項記載の多段ファ
ジィ推論装置を実現するための一実施例の構成図である
。第9図において、91から97まではそれぞれ、本発
明の第1の発明の実施例の構成図(第1図)の1から7
までと同じであるので、ここでは詳細な説明は省略する
。911は評価値記憶部で、過去に推論を行ったルール
の前記ファジィ評価知識ベース部97の評価値を記憶す
る。
ジィ推論装置を実現するための一実施例の構成図である
。第9図において、91から97まではそれぞれ、本発
明の第1の発明の実施例の構成図(第1図)の1から7
までと同じであるので、ここでは詳細な説明は省略する
。911は評価値記憶部で、過去に推論を行ったルール
の前記ファジィ評価知識ベース部97の評価値を記憶す
る。
910は指標演算部で、データに適合する各ルールの前
件部の適合度と前記評価記憶部811の評価値との演算
を行う。98は最大演算結果探索計算部で、バックトラ
ック開始後に順次発生する探索先として、現在、推論を
実行しているルールが導かれた親知識源の中で現在のル
ールの次に前記指標演算部910の演算結果が高いルー
ルを探索する。98は評価管理部で、前記ファジィ評価
知識ベース部97の評価値が滴定できるまで前記最大演
算結果探索計算部98を用いてルールを探索し、多段推
論を繰り返し実行させる管理部である。
件部の適合度と前記評価記憶部811の評価値との演算
を行う。98は最大演算結果探索計算部で、バックトラ
ック開始後に順次発生する探索先として、現在、推論を
実行しているルールが導かれた親知識源の中で現在のル
ールの次に前記指標演算部910の演算結果が高いルー
ルを探索する。98は評価管理部で、前記ファジィ評価
知識ベース部97の評価値が滴定できるまで前記最大演
算結果探索計算部98を用いてルールを探索し、多段推
論を繰り返し実行させる管理部である。
前記のように構成された本発明の多段ファジィ推論装置
での最大演算結果探索方法を説明するために、以下に、
第9図、および第8図を用いて更に詳しい内容を説明す
る。
での最大演算結果探索方法を説明するために、以下に、
第9図、および第8図を用いて更に詳しい内容を説明す
る。
第5の発明では、第9図の最大演算結果探索計算部98
はバックトラック開始後に順次発生する探索先として、
現在、推論を実行しているルールが導かれた親知識源の
中で現在のルールの次に前記指標演算部910の演算結
果が高いルールを探索する。たとえば、第8図において
、現在の実行ノードがN21とすると、このルールが導
かれた親知識源はレベル1を示している。上記、前件部
とファジィ評価知識ベース部の評価値との演算として特
許請求の範囲第6項の乗算を用いたとすると、レベル1
の各ノードの乗算値は0.58(NIIA)、0.49
(N11B)、0.51(N12)、0.5844(N
13)となる。したがって、ノードNIIA以外で、乗
算値の値が最も高いのは0.511144のノードN1
3となり、最大演算結果探索計算部は知識源KSIIA
の第1ルールの次に、KSOの第3ルールを選択する。
はバックトラック開始後に順次発生する探索先として、
現在、推論を実行しているルールが導かれた親知識源の
中で現在のルールの次に前記指標演算部910の演算結
果が高いルールを探索する。たとえば、第8図において
、現在の実行ノードがN21とすると、このルールが導
かれた親知識源はレベル1を示している。上記、前件部
とファジィ評価知識ベース部の評価値との演算として特
許請求の範囲第6項の乗算を用いたとすると、レベル1
の各ノードの乗算値は0.58(NIIA)、0.49
(N11B)、0.51(N12)、0.5844(N
13)となる。したがって、ノードNIIA以外で、乗
算値の値が最も高いのは0.511144のノードN1
3となり、最大演算結果探索計算部は知識源KSIIA
の第1ルールの次に、KSOの第3ルールを選択する。
ノードは番号N01NIIA。
N21. N13、・・・の順に選択される。このよ
うにして、ファジィ評価知識ベース部の評価値が満足で
きるまで推論が繰り返し実行される。
うにして、ファジィ評価知識ベース部の評価値が満足で
きるまで推論が繰り返し実行される。
ただし、第1の発明から第5の発明において、知識源の
中で用いられるファジィ推論の結果はそれぞれ、対応す
るノードの値にその結果が書き込まれる。
中で用いられるファジィ推論の結果はそれぞれ、対応す
るノードの値にその結果が書き込まれる。
前記のように、本実施例においてはファジィ推論と従来
の二値論理の推論とのプロダクシ日ソル−ルからなる知
識源を用いて、新たに最良探索機能を考慮する推論方法
を提案することにより、利用者の満足する知識源を探索
して、最適な解を容易に得る多段ファジィ推論装置を提
供できるだけでなく、利用者にとって、より人間の感性
にマツチした多段ファジィ推論装置が構築できる。
の二値論理の推論とのプロダクシ日ソル−ルからなる知
識源を用いて、新たに最良探索機能を考慮する推論方法
を提案することにより、利用者の満足する知識源を探索
して、最適な解を容易に得る多段ファジィ推論装置を提
供できるだけでなく、利用者にとって、より人間の感性
にマツチした多段ファジィ推論装置が構築できる。
なお、本実施例ではファジィ推論の演算をMax−Ml
n演算としたが、Mmin演算の代わりに代数積、限界
積、激烈積などのt−norI11演算を、また、Ma
x演算の代わりに代数和、限界和、激烈和などのt−c
on。
n演算としたが、Mmin演算の代わりに代数積、限界
積、激烈積などのt−norI11演算を、また、Ma
x演算の代わりに代数和、限界和、激烈和などのt−c
on。
rm演算を用いてもよい。
発明の効果
以上のように、利用者のあいまいな言語表現を取り扱え
るファジィ推論が組み込み可能なエキスパートシステム
において、従来の方法ではファジィ推論、および二値論
理の推論が上位の探索点から下位に探索する一方通行の
推論が継続され、利用者が満足できる知識源を発見でき
ないでいたが、本発明では新たに最良探索機能を考慮す
る推論方法を提案することにより、最適な解を容易に探
索し、利用者にとって、より人間の感性にマツチした多
段ファジィ推論装置が構築できるので、その実用的効果
は大きい。
るファジィ推論が組み込み可能なエキスパートシステム
において、従来の方法ではファジィ推論、および二値論
理の推論が上位の探索点から下位に探索する一方通行の
推論が継続され、利用者が満足できる知識源を発見でき
ないでいたが、本発明では新たに最良探索機能を考慮す
る推論方法を提案することにより、最適な解を容易に探
索し、利用者にとって、より人間の感性にマツチした多
段ファジィ推論装置が構築できるので、その実用的効果
は大きい。
第1図は多段ファジィ推論装置の第1の発明における一
実施例のブロック図、第2図は第1〜第5の発明に関す
る知識ベースの一例を示す説明図、第3図は第1〜第3
の発明に関するノードの探索図、第4図は第1〜第5の
発明に関するファジィ評価知識ベースの説明図、第5図
は多段ファジィ推論装置の第2の発明における一実施例
のブロック図、第6図は多段ファジィ推論装置の第3の
発明における一実施例のブロック図、第7図は多段ファ
ジィ推論装置の第4の発明における一実施例のブロック
図、第8図は第4〜第5の発明に関するノードの探索図
、第9図は多段ファジィ推論装置の第5の発明における
一実施例のブロック図、第10図は従来のエキスパート
システムの一実施例のブロック図、第11図は従来のエ
キスパートシステムにおけるルール知識ベースの一実施
例の説明図、第12図は従来のエキスパートシステムの
動作手順を示すフローチャートの説明図、第13図は初
期ノードの一例を示す説明図である。 11・・・入力Hit、 12・・・エディタ部、 1
3・・・ルール知識ベース、14・・・データ管理部、
15・・・推論機構部、16・・・作業領域部、17・
・・ファジィ評価知識ベース、18・・・横型探索計算
部、110・・・前件部適合度合記憶部。 代理人の氏名 弁理士 粟野重孝ほか1名萬 ■ 第 2図 第11図 第 3図
実施例のブロック図、第2図は第1〜第5の発明に関す
る知識ベースの一例を示す説明図、第3図は第1〜第3
の発明に関するノードの探索図、第4図は第1〜第5の
発明に関するファジィ評価知識ベースの説明図、第5図
は多段ファジィ推論装置の第2の発明における一実施例
のブロック図、第6図は多段ファジィ推論装置の第3の
発明における一実施例のブロック図、第7図は多段ファ
ジィ推論装置の第4の発明における一実施例のブロック
図、第8図は第4〜第5の発明に関するノードの探索図
、第9図は多段ファジィ推論装置の第5の発明における
一実施例のブロック図、第10図は従来のエキスパート
システムの一実施例のブロック図、第11図は従来のエ
キスパートシステムにおけるルール知識ベースの一実施
例の説明図、第12図は従来のエキスパートシステムの
動作手順を示すフローチャートの説明図、第13図は初
期ノードの一例を示す説明図である。 11・・・入力Hit、 12・・・エディタ部、 1
3・・・ルール知識ベース、14・・・データ管理部、
15・・・推論機構部、16・・・作業領域部、17・
・・ファジィ評価知識ベース、18・・・横型探索計算
部、110・・・前件部適合度合記憶部。 代理人の氏名 弁理士 粟野重孝ほか1名萬 ■ 第 2図 第11図 第 3図
Claims (7)
- (1) あらかじめ定められたルール群に従ってファジ
ィ推論と二値論理の推論とを実行する推論機構部と、前
記ルール群がファジィ推論、および二値論理の推論が可
能なプロダクションルールからなる知識源を構成し、そ
の知識源を複数個もつルール知識ベース部と、前記ルー
ル知識ベース部の知識を取り出し、前記推論機構部の機
能を用いて多段推論を行う作業領域部と、多段推論の結
果が利用者の満足する結果であるかを評価するファジィ
評価知識ベース部と、前記作業領域部においてデータに
適合する各ルールの前件部の適合度合を記憶するための
前件部適合度合記憶部と、特定個数のルールの前件部の
適合度合を前記前件部適合度合記憶部から取り出し、適
合度合の高い順に推論ルールを探索する横型探索計算部
と、前記ファジィ評価知識ベース部の評価値が満足でき
るまで前記横型探索計算部を用いてルールを探索し、多
段推論を繰り返し実行させる評価管理部とを具備する多
段ファジィ推論装置。 - (2) あらかじめ定められたルール群に従ってファジ
ィ推論と二値論理の推論とを実行する推論機構部と、前
記ルール群がファジィ推論、および二値論理の推論が可
能なプロダクションルールからなる知識源を構成し、そ
の知識源を複数個もつルール知識ベース部と、前記ルー
ル知識ベース部の知識を取り出し、前記推論機構部の機
能を用いて多段推論を行う作業領域部と、多段推論の結
果が利用者の満足する結果であるかを評価するファジィ
評価知識ベース部と、特定のルールに注目し、そのルー
ルに関し多段推論を可能な限り行い、多段推論が不可能
になった場合にはそのルールが属する知識源の中の他の
ルール、またはその知識源が導かれた親知識源で、その
ルールの次に前件部の適合度が高いルールを探索する縦
型探索計算部と、前記ファジィ評価知識ベース部の評価
値が満足できるまで前記縦型探索計算部を用いてルール
を探索し、多段推論を繰り返し実行させる評価管理部と
を具備する多段ファジィ推論装置。 - (3) あらかじめ定められたルール群に従ってファジ
ィ推論と二値論理の推論とを実行する推論機構部と、前
記ルール群がファジィ推論、および二値論理の推論が可
能なプロダクションルールからなる知識源を構成し、そ
の知識源を複数個もつルール知識ベース部と、前記ルー
ル知識ベース部の知識を取り出し、前記推論機構部の機
能を用いて多段推論を行う作業領域部と、多段推論の結
果が利用者の満足する結果であるかを評価するファジィ
評価知識ベース部と、過去に推論を行ったルールの前記
ファジィ評価知識ベース部の評価値を記憶する評価値記
憶部と、推論の過程を記憶する推論過程記憶部と、バッ
クトラック開始後に順次発生する探索先として、現在、
推論を実行しているルールが導かれた親ルールを前記推
論過程記憶部から取り出し、そのルールの後件部の中で
、前記評価値記憶部の評価値が現在の評価値に次ぐ知識
源の探索命令を発見する最良解探索計算部と、前記ファ
ジィ評価知識ベース部の評価値が満足できるまで前記最
良解探索計算部を用いてルールを探索し、多段推論を繰
り返し実行させる評価管理部とを具備する多段ファジィ
推論装置 - (4) あらかじめ定められたルール群に従ってファジ
ィ推論と二値論理の推論とを実行する推論機構部と、前
記ルール群がファジィ推論、および二値論理の推論が可
能なプロダクションルールからなる知識源を構成し、そ
の知識源を複数個もつルール知識ベース部と、前記ルー
ル知識ベース部の知識を取り出し、前記推論機構部の機
能を用いて多段推論を行う作業領域部と、多段推論の結
果が利用者の満足する結果であるかを評価するファジィ
評価知識ベース部と、過去に推論を行ったルールの前記
ファジィ評価知識ベース部の評価値を記憶する評価値記
憶部と、バックトラック開始後に順次発生する探索先と
して、現在、推論を実行しているルールが導かれた親知
識源の中で現在のルールの次に前記評価値記憶部の値が
高いルールを探索する最大評価値探索計算部と、前記フ
ァジィ評価知識ベース部の評価値が満足できるまで前記
最大評価値探索計算部を用いてルールを探索し、多段推
論を繰り返し実行させる評価管理部とを具備する多段フ
ァジィ推論装置 - (5) あらかじめ定められたルール群に従ってファジ
ィ推論と二値論理の推論とを実行する推論機構部と、前
記ルール群がファジィ推論、および二値論理の推論が可
能なプロダクションルールからなる知識源を構成し、そ
の知識源を複数個もつルール知識ベース部と、前記ルー
ル知識ベース部の知識を取り出し、前記推論機構部の機
能を用いて多段推論を行う作業領域部と、多段推論の結
果が利用者の満足する結果であるかを評価するファジィ
評価知識ベース部と、過去に推論を行ったルールの前記
ファジィ評価知識ベース部の評価値を記憶する評価値記
憶部と、データに適合する各ルールの前件部の適合度と
前記評価記憶部の評価値との演算を行う指標演算部と、
バックトラック開始後に順次発生する探索先として、現
在、推論を実行しているルールが導かれた親知識源の中
で現在のルールの次に前記指標演算部の演算結果が高い
ルールを探索する最大演算結果探索計算部と、前記ファ
ジィ評価知識ベース部の評価値が満足できるまで前記最
大演算結果探索計算部を用いてルールを探索し、多段推
論を繰り返し実行させる評価管理部とを具備する多段フ
ァジィ推論装置。 - (6) 請求項5において、指標演算部での演算を乗算
を行うことによって、評価を実行させることを特徴とす
る多段ファジィ推論装置。 - (7) 請求項5において、指標演算部での演算を2数
のうち、小さい方を取るmin演算を行うことによって
、評価を実行させることを特徴とする多段ファジィ推論
装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1083405A JPH02260039A (ja) | 1989-03-31 | 1989-03-31 | 多段ファジィ推論装置 |
EP19900303368 EP0390563A3 (en) | 1989-03-31 | 1990-03-29 | Fuzzy multi-stage inference apparatus |
US07/501,037 US5191638A (en) | 1989-03-31 | 1990-03-29 | Fuzzy-boolean multi-stage inference apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1083405A JPH02260039A (ja) | 1989-03-31 | 1989-03-31 | 多段ファジィ推論装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH02260039A true JPH02260039A (ja) | 1990-10-22 |
Family
ID=13801518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1083405A Pending JPH02260039A (ja) | 1989-03-31 | 1989-03-31 | 多段ファジィ推論装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH02260039A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625561A (en) * | 1994-01-31 | 1997-04-29 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback adjusting machine working condition for improving dimensional accuracy of processed workpieces |
US6999846B2 (en) | 1992-02-14 | 2006-02-14 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback-adjusting working condition for improving dimensional accuracy of processed workpieces |
-
1989
- 1989-03-31 JP JP1083405A patent/JPH02260039A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6999846B2 (en) | 1992-02-14 | 2006-02-14 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback-adjusting working condition for improving dimensional accuracy of processed workpieces |
US5625561A (en) * | 1994-01-31 | 1997-04-29 | Toyota Jidosha Kabushiki Kaisha | Apparatus and method for feedback adjusting machine working condition for improving dimensional accuracy of processed workpieces |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7844562B2 (en) | Method and knowledge structures for reasoning about concepts, relations, and rules | |
Marín-Blázquez et al. | From approximative to descriptive fuzzy classifiers | |
Nica et al. | Chatbot-based Tourist Recommendations Using Model-based Reasoning. | |
Solnon | Ants can solve constraint satisfaction problems | |
Yahia et al. | Rough neural expert systems | |
Elam et al. | Using artificial intelligence techniques to enhance the capabilities of model management systems | |
US5778157A (en) | System and method for expert system analysis using quiescent and parallel reasoning and set structured knowledge representation | |
Gottinger et al. | Intelligent decision support systems | |
EP0205873A2 (en) | Method for processing an expert system rulebase segmented into contextual units | |
Dozier et al. | Solving constraint satisfaction problems using hybrid evolutionary search | |
Shaw et al. | Applying machine learning to model management in decision support systems | |
Quah et al. | Towards integrating rule-based expert systems and neural networks | |
Fazlollahi et al. | Multi‐agent distributed intelligent system based on fuzzy decision making | |
Peng et al. | A multi‐agent affective interactive MAGDM approach and its applications | |
Ktistakis et al. | Methods for optimizing fuzzy inference systems | |
JPH02260039A (ja) | 多段ファジィ推論装置 | |
Liu et al. | An agent for intelligent model management | |
Großmann-Hutter et al. | Learning Bayesian networks with hidden variables for user modeling | |
Freuder et al. | Suggestion strategies for constraint-based matchmaker agents | |
Thieme et al. | Expert system techniques applied to grain marketing analysis | |
JP2701442B2 (ja) | ファジィ表現による知識ベースを持つエキスパートシステム | |
Krasnyuk et al. | Intelligent technologies in hybrid corporate DSS (on the example of Ukraine oil&gas production company) | |
Carberry | Plan recognition: achievements, problems, and prospects | |
Reynolds et al. | An evolution-based approach to program understanding using cultural algorithms | |
Bhattacharya | Artificial Intelligence |