【発明の詳細な説明】〔概要〕ファジィ制御ルールの重み付けをチューニングするため
のチューニング方法に関し、重み付けのチューニングの自動処理を目的とし、３層の
階層ネットワーク部を備えるデータ処理手段を用意して
、前段の処理層にチューニング対象のファジィ制御ルー
ルの前件部メンバーシップ関数の演算機能を割り付け、
中間の処理層に前件部演軍機能を割り付け、後段の処理
層に後件部演算機能を割り付けるとともに、該ファジィ
制御ルールによって関連付けられる処理ユニット間に内
部状態値の設定される内部結合を割り付ける第１の処理
過程と、学習用の制御提示データの提示に従って出力さ
れる後段の処理層からの出力値とチューニング対象のフ
ァジィ制御ルールの後件部メンバーシップ関数とから算
出する制御量データが学習用の制御教師データと一致す
べく内部状態値の学習を実行する第２の処理過程と、学
習された内部状態値の値を特定することでファジィ制御
ルールの重み付けのチューニングを行う第３の処理過程
とを備えるよう構成する。[Detailed Description of the Invention] [Summary] Regarding a tuning method for tuning the weighting of fuzzy control rules, for the purpose of automatically processing the tuning of the weighting, a data processing means equipped with a three-layer hierarchical network section is provided, Assign the calculation function of the antecedent membership function of the fuzzy control rule to be tuned to the previous processing layer,
An antecedent part performance function is assigned to the intermediate processing layer, a consequent part calculation function is assigned to the subsequent processing layer, and an internal connection in which an internal state value is set is assigned between the processing units associated by the fuzzy control rule. The control amount data calculated from the first processing process, the output value from the subsequent processing layer output according to the presentation of control presentation data for learning, and the consequent membership function of the fuzzy control rule to be tuned is learned. a second processing step in which internal state values are learned to match the control teacher data for the fuzzy control rule; and a third processing step in which the weighting of the fuzzy control rule is tuned by specifying the value of the learned internal state value. and a process.
本発明は、ファジィ制御器に備えられるファジィ制御ル
ールの重み付けを制御対象に適合するものにチューニン
グするためのファジィ制御ルールのチューニング方法に
関し、特に、階層ネントヮーク構成データ処理装置を利
用してファジィ制御ルールの重み付けを自動的にチュー
ニングできるようにするファジィ制御ルールのチューニ
ング方法に関するものである。The present invention relates to a fuzzy control rule tuning method for tuning the weighting of fuzzy control rules provided in a fuzzy controller to be suitable for a controlled object, and in particular, the present invention relates to a fuzzy control rule tuning method using a hierarchical network configuration data processing device. This invention relates to a fuzzy control rule tuning method that allows automatic tuning of the weighting of the fuzzy control rules.
新しい制御処理方式として、ファジィ制御が普及しつつ
ある。このファジィ制御は、人間の判断等のあいまいさ
を含む制御アルゴリズムを１ｆ−ｔｈｅｎ形式で表現し
、ファジィ推論に従ってこの制御アルゴリズムを実行し
ていくことで、検出される制御状態量から制御操作量を
算出して制御対象を制御していくものである。このファ
ジィ制御を実現していくためには、ファジィ制御アルゴ
リズムを記述するファジィ制御ルールの重み付けを制御
対象に適合するものにチューニングしていく必要がある
。ファジィ制御器を実用的なものとしていくためには、
このファジィ制御ルールの重み付けのチューニングを自
動的に実現できるようにしていく必要があるのである。Fuzzy control is becoming popular as a new control processing method. This fuzzy control expresses a control algorithm that includes ambiguity such as human judgment in a 1f-then format, and executes this control algorithm according to fuzzy reasoning to calculate the control operation amount from the detected control state amount. It calculates and controls the controlled object. In order to realize this fuzzy control, it is necessary to tune the weighting of the fuzzy control rules that describe the fuzzy control algorithm to suit the control object. In order to make fuzzy controllers practical,
There is a need to be able to automatically tune the weighting of this fuzzy control rule.
〔従来の技術］例えば、ｉｆ ｘ、 ｉｓ ｂｉｇ ａｎｄ ｘｚ ｉｓ ｓｍ
ａｌｌ ｔｈｅｎ ｙ ｉｓ ｂｉｇの形式０１部は前
件部、ｔｈｅｎ部は後件部と称せられている）で記述さ
れるファジィ制御ルールの生成は、従来、制御対象の制
御に熟知しているオペレータの対象プロセスに関する知
識に従って、先ず最初に、制御状態量及び制御操作量の
値に関しての言語的な意味をメンバーシップ関数として
定量化し、次に、これらのメンバーシップ関数の間の関
係付けを記述することでファジィ制御ルールの粗いモデ
ルを生成する。そして、この生成した粗いファジィ制御
ルールのモデルをシミュレーションや現地テストにより
評価しながら重み付けも含めてチューニングしていくこ
とで、制御対象に適合したファジィ制御ルールに完成さ
せていくという方法により実現されていた。[Prior art] For example, if x, is big and xz is sm
The generation of fuzzy control rules written in the format 01 of all then y is big is called the antecedent part and the then part is called the consequent part) has traditionally been performed by an operator who is familiar with controlling the controlled object. According to the knowledge of the target process, first quantify the linguistic meaning of the values of the control state quantities and control operation quantities as membership functions, and then describe the relationships between these membership functions. generate a coarse model of fuzzy control rules. This is achieved by evaluating the generated rough fuzzy control rule model through simulations and field tests, and tuning it, including weighting, to create fuzzy control rules that are suitable for the controlled object. Ta.
このように、従来では、ファジィ制御ルールの生成と、
例えば、ルール１の推論制御量値への影響度合をルール
２よりも２０パーセント大きくする必要があるといった
ようなファジィ制御ルールの重み付けのチューニングは
、ファジィ制御器を構築しようとする設計者と制御対象
の制御に熟知しているオペレータとの共同作業に従い手
作業で行われていた。このファジィ制御ルールの生成と
その重み付けのチューニングのための作業は、ノウハウ
を駆使しながら試行錯誤的に実行していく必要があるた
め、通常短くても数カ月を要することになる。そして、
制御対象に関する制御知識が少ない場合には、この期間
は更に長期間のものとなる。In this way, conventionally, generation of fuzzy control rules and
For example, tuning the weighting of fuzzy control rules, such as the need to make rule 1's influence on the inferred control amount value 20% greater than rule 2, is important for the designer who is building a fuzzy controller and the control target. This was done manually in collaboration with operators who were familiar with the controls. The work for generating fuzzy control rules and tuning their weightings requires trial and error, making full use of know-how, and usually takes several months at the shortest. and,
If there is little control knowledge regarding the controlled object, this period will be even longer.
これから、従来のファジィ制御ルールの重み付けのチュ
ーニング方式では、ファジィ制御器の設計者や制御対象
のオペレータに対して、極めて負荷のかかる作業を強い
ることになるという問題点があった。しかも、このファ
ジィ制御ルールの重み付けのチューニングの精度はファ
ジィ制御器の制御性能に直接影響を及ぼすことから、高
精度なチューニングを実現できるような方法の開発が強
く望まれていたのである。Therefore, the conventional fuzzy control rule weighting tuning method has the problem of forcing the designer of the fuzzy controller and the operator of the controlled object to perform extremely burdensome work. Furthermore, since the accuracy of tuning the weighting of fuzzy control rules directly affects the control performance of the fuzzy controller, there has been a strong desire to develop a method that can achieve highly accurate tuning.
本発明はかかる事情に鑑みてなされたものであって、フ
ァジィ制御ルールの重み付けのチューニングを自動的か
つ機械的に実現できる新たなファジィ制御ルールのチュ
ーニング方法を提供することで、ファジィ制御ルールの
重み付けのチューニングに要する作業量を大幅に低減で
きるようにするとともに、客観的なファジィ制御ルール
の重み付けのチューニングを実行できるようにすること
を目的とするものである。The present invention has been made in view of the above circumstances, and provides a new fuzzy control rule tuning method that can automatically and mechanically realize the tuning of fuzzy control rule weights. The purpose of this invention is to significantly reduce the amount of work required for tuning, and to perform objective tuning of weighting of fuzzy control rules.
第１図は本発明の原理構成図である。FIG. 1 is a diagram showing the principle configuration of the present invention.
図中、Ｐｉは第１の処理過程、Ｐ２は第２の処理過程、
Ｐ３は第３の処理過程である。In the figure, Pi is the first processing process, P2 is the second processing process,
P3 is the third processing step.
１０は階層ネットワーク構成データ処理手段、１１は階
層ネットワーク構成データ処理手段１０の備える階層ネ
ットワーク部、１２は階層ネットワーク部１１の入力層
を構成する入カニニット、１３は階層ネットワーク部１
１の第１の処理層を構成する処理ユニット、１４は階層
ネットワーク部１１の第２の処理層を構成する処理ユニ
・ノド、１５は階層ネットワーク部１１の第３の処理層
を構成する処理ユニット、１６は階層ネットワーク部１
１の第４の処理層を構成する処理ユニット、１７は階層
ネットワーク部１１の出力層を構成する出カニニットで
ある。10 is a hierarchical network configuration data processing means, 11 is a hierarchical network unit included in the hierarchical network configuration data processing unit 10, 12 is an input unit forming the input layer of the hierarchical network unit 11, and 13 is a hierarchical network unit 1
1 a processing unit forming a first processing layer; 14 a processing unit forming a second processing layer of the hierarchical network section 11; 15 a processing unit forming a third processing layer of the hierarchical network section 11. , 16 is the hierarchical network part 1
A processing unit 17 constitutes the fourth processing layer of the hierarchical network section 11, and a processing unit 17 constitutes an output layer of the hierarchical network section 11.
同一の制御状態量（制御操作量）に関しての演算処理を
実行する第１の処理層の処理ユニット１３のグループは
、多くの場合、入力値を分配処理する特定な同一の人カ
ニニット１２とのみ内部結合する構成が採られる。この
内部結合に割り付けられる内部状態値は学習の対象外と
することが可能である。第１の処理層の処理ユニット１
３と第２の処理層の処理ユニット１４との間と、第２の
処理層の処理ユニット１４と第３の処理層の処理ユニッ
ト１５との間は、チューニング対象のファジィ制御ルー
ルの記述に従う形式でもって内部結合する構成が採られ
る。この内部結合に割り付けられる内部状態値は学習の
対象となる。第３の処理層の処理ユニット１５と第４の
処理層の処理ユニット１６とは対応する関係にあるもの
同士でもって内部結合する構成が採られる。この内部結
合に割り付けられる内部状態値は学習の対象外とするこ
とが可能である。同一の制御操作量（制御状態量）に関
しての演算処理を実行する第４の処理層の処理ユニット
１６は、対応する出力ユニット１７と間で内部結合する
構成が採られる。この内部結合に割り付けられる内部状
態値は学習の対象外とすることが可能である。In many cases, a group of processing units 13 in the first processing layer that execute arithmetic processing regarding the same control state quantity (control operation quantity) are internally connected only to the same specific unit 12 that distributes and processes input values. A configuration that combines them is adopted. The internal state value assigned to this internal connection can be excluded from learning. Processing unit 1 of the first processing layer
3 and the processing unit 14 of the second processing layer, and between the processing unit 14 of the second processing layer and the processing unit 15 of the third processing layer, according to the description of the fuzzy control rule to be tuned. Therefore, an internally coupled configuration is adopted. The internal state value assigned to this internal connection becomes the learning target. The processing unit 15 of the third processing layer and the processing unit 16 of the fourth processing layer are configured to be internally coupled with each other in a corresponding relationship. The internal state value assigned to this internal connection can be excluded from learning. The processing units 16 of the fourth processing layer that execute arithmetic processing regarding the same control operation amount (control state amount) are configured to be internally coupled to the corresponding output unit 17. The internal state value assigned to this internal connection can be excluded from learning.
第２の処理層の処理ユニット１４は、更に階層的に多段
に構成されるものであってもよく、また、第３の処理層
の処理ユニット１５もまた、更に階層的に多段に構成さ
れるものであってもよい、第２の処理層の処理ユニット
１４が階層的に多段に構成される場合には、隣接する層
の処理ユニット１４の間はチューニング対象のファジィ
制御ルールの記述に従う形式でもって内部結合する構成
が採られ、また、第３の処理層の処理ユニッ１−１５が
階層的に多段に構成される場合には、隣接する層の処理
ユニット１５の間はチューニング対象のファジィ制御ル
ールの記述に従う形式でもって内部結合する構成が採ら
れる。The processing units 14 of the second processing layer may be further hierarchically configured in multiple stages, and the processing units 15 of the third processing layer may also be further hierarchically configured in multiple stages. When the processing units 14 of the second processing layer are hierarchically configured in multiple stages, the processing units 14 of adjacent layers are arranged in a format according to the description of the fuzzy control rule to be tuned. In addition, when the processing units 1-15 of the third processing layer are configured in multiple stages hierarchically, the fuzzy control to be tuned is applied between the processing units 15 of the adjacent layers. A configuration is adopted in which internal connections are made in a format that follows the description of the rules.
２０は学習信号提示装置であって、学習用の制御データ
群（制御状態量と制御操作量との対を基本単位として、
いずれか一方が制御提示データとなり、残りの他方が教
師信号である制御教師データとなる）の内の制御提示デ
ータを階層ネットワーク部１１の人力層に提示するとと
もに、制御教師データを次に説明する内部状態値学習処
理装置３０に提示するもの、３０は例えばバック・プロ
パゲーシッン法を実装する内部状態値学習処理装置であ
って、学習信号提示装置２０による制御提示データの提
示に従って出力される出カニニット１７からの制御量デ
ータ群と、学習信号提示装置２０から提示される制御教
師データ群との間の誤差値を算出し、該誤差値に基づい
て学習対象とされる内部状態値を順次更新していくこと
で該誤差値が許容範囲となる内部状態値を学習するもの
である。Reference numeral 20 denotes a learning signal presentation device, in which a group of control data for learning (a pair of a control state quantity and a control operation quantity is used as a basic unit,
One of them becomes the control presentation data, and the other one becomes the control teacher data which is a teacher signal.The control presentation data of the two is presented to the human power layer of the hierarchical network unit 11, and the control teacher data will be explained next. What is presented to the internal state value learning processing device 30 is an internal state value learning processing device that implements, for example, a back propagation method, and output signals 17 are output in accordance with the presentation of control presentation data by the learning signal presentation device 20. , and the control teacher data group presented from the learning signal presentation device 20, and sequentially updates the internal state values to be learned based on the error value. By doing so, the internal state value for which the error value falls within the allowable range is learned.
第１の処理過程Ｐ１では、第１の処理層の処理ユニット
１３に対して、チューニング対象のファジィ制御ルール
の前件部メンバーシップ関数の演算機能を割り付け、第
２の処理層の処理ユニット１４に対して、該ファジィ制
御ルールの前件部演算機能を割り付け、第３の処理層の
処理ユニット１５に対して、該ファジィ制御ルールの後
件部演算機能を割り付け、第４の処理層の処理ユニット
１６に対して、該ファジィ制御ルールの後件部メンバー
シップ関数の演算機能を割り付け、出カニニット１７に
対して、同一の属性に係る後件部メンバーシップ関数の
真理値から制御量データを算出する演算機能を割り付け
るとともに、該ファジィ制御ルールによって関連付けら
れる処理ユニット１３と処理ユニット１４との間と、該
ファジィ制御ルールによって関連付けられる処理ユニッ
ト１４と処理ユニット１５との間に内部結合を構成して
、その構成した内部結合に内部状態値の初期値を割り付
ける処理を実行する。In the first processing step P1, the processing function of the antecedent membership function of the fuzzy control rule to be tuned is assigned to the processing unit 13 of the first processing layer, and the processing function of the antecedent membership function of the fuzzy control rule to be tuned is assigned to the processing unit 14 of the second processing layer. The antecedent calculation function of the fuzzy control rule is assigned to the processing unit 15 of the third processing layer, the consequent calculation function of the fuzzy control rule is assigned to the processing unit 15 of the fourth processing layer, and the processing unit 15 of the fourth processing layer The calculation function of the consequent membership function of the fuzzy control rule is assigned to 16, and the control amount data is calculated from the truth value of the consequent membership function regarding the same attribute to output unit 17. Allocating a calculation function and configuring an internal connection between the processing unit 13 and the processing unit 14 associated by the fuzzy control rule and between the processing unit 14 and the processing unit 15 associated by the fuzzy control rule, A process of assigning the initial value of the internal state value to the configured internal link is executed.
この第４の処理層の処理ユニット１６に対しての後件部
メンバーシップ関数の演算機能の割付処理は、同一の属
性に係るすべての後件部メンバーシップ関数を１つの処
理ユニット１６でもって管理する構成を採る場合には、
その１つの処理ユニット１６に対して割り付けることに
なり、一方、同一の属性に係る後件部メンバーシップ関
数を複数の処理ユニット１６でもって分散して管理する
構成を採る場合には、それらの処理ユニット１６に対し
て割り付けることになる。第１図では、複数の処理ユニ
ット１６に後件部メンバーシップ関数の演算機能を割り
付けるものを示しである。The process of assigning the calculation function of the consequent membership function to the processing unit 16 of the fourth processing layer is such that all the consequent membership functions related to the same attribute are managed by one processing unit 16. When adopting a configuration that
On the other hand, when adopting a configuration in which consequent membership functions related to the same attribute are distributed and managed by multiple processing units 16, those processing It will be allocated to unit 16. In FIG. 1, a calculation function of a consequent membership function is assigned to a plurality of processing units 16.
そして、この割付処理にあって、チューニング対象のフ
ァジィ制御ルールの前件部が制御状態量に関しての記述
となるときには、制御状態量に関してのメンバーシップ
関数を前件部メンバーシップ関数として割り付けるとと
もに、制御操作量に関してのメンバーシップ関数を後件
部メンバーシップ関数として割り付け、該ファジィ制御
ルールの前件部が制御操作量に関しての記述となるとき
には、制御操作量に関してのメンバーシップ関数を前件
部メンバーシップ関数として割り付けるとともに、制御
状態量に関してのメンバーシップ関数を後件部メンバー
シップ関数として割り付ける。In this allocation process, when the antecedent part of the fuzzy control rule to be tuned is a description regarding the control state quantity, the membership function regarding the control state quantity is assigned as the antecedent part membership function, and the control The membership function regarding the amount of control operation is assigned as the membership function of the consequent part, and when the antecedent part of the fuzzy control rule is a description regarding the amount of control operation, the membership function regarding the amount of control operation is assigned as the membership function of the antecedent part. In addition to assigning it as a function, the membership function regarding the control state quantity is assigned as the consequent membership function.
また、第２の処理層の処理ユニット１４が階層的に多段
に構成される場合には、この多段に構成される第２の処
理層にファジィ制御ルールの前件部演算機能を割り付け
るとともに、第３の処理層の処理ユニット１５が階層的
に多段に構成される場合には、この多段に構成される第
３の処理層にファジィ制御ルールの後件部演算機能を割
り付けることになる。In addition, when the processing units 14 of the second processing layer are hierarchically configured in multiple stages, the antecedent calculation function of the fuzzy control rule is assigned to the second processing layer configured in multiple stages, and the When the processing units 15 of the third processing layer are configured hierarchically in multiple stages, the consequent calculation function of the fuzzy control rule is assigned to the third processing layer configured in multiple stages.
続く、第２の処理過程Ｐ２では、学習信号提示装置２０
を起動することで、入カニニット１２を介して第１の処
理層の処理ユニット１３に対して学習用の制御提示デー
タを提示するとともに、内部状態値学習処理装置３０に
対して学習用の制御教師データを提示する。そして、こ
の内部状態値学習処理釜Ｗ３０を起動することで、学習
用の制御提示データの提示に従って出力される出カニニ
ット１７からの制御量データが、提示される制御教師デ
ータと概略一致することになるべく学習対象の内部状態
値の学習処理を実行する。In the subsequent second processing step P2, the learning signal presentation device 20
By activating the control presentation data for learning is presented to the processing unit 13 of the first processing layer via the input crab unit 12, and the control presentation data for learning is presented to the internal state value learning processing device 30. Present the data. Then, by starting this internal state value learning processing pot W30, the control amount data from the output unit 17 that is output in accordance with the presentation of the control presentation data for learning will approximately match the control teacher data that is presented. Execute learning processing for the internal state value of the learning target as much as possible.
続く、第３の処理過程Ｐ３では、学習された処理ユニッ
ト１３と処理ユニット１４との間の内部結合の内部状態
値と、処理ユニット１４と処理ユニット１５との間の内
部結合の内部状態値、そして、多段に構成される場合に
は、これに加えて処理ユニット１４の間や処理ユニット
１５の間の内部結合の内部状態値の値を抽出していくと
ともに、その抽出した内部状態値をファジィ制御ルール
の重み付けとして特定していくことで、ファジィ制御ル
ールの重み付けのチューニングを実行する。In the subsequent third processing step P3, the learned internal state value of the internal connection between the processing unit 13 and the processing unit 14, the internal state value of the internal connection between the processing unit 14 and the processing unit 15, In the case of a multi-stage configuration, in addition to this, the values of internal state values of internal connections between processing units 14 and processing units 15 are extracted, and the extracted internal state values are processed using fuzzy processing. By specifying the weighting of the control rule, the weighting of the fuzzy control rule is tuned.
本発明では、例えば「出口圧力が著しく低いときには、
供給熱量を大きく増やせ」とか「水位が高いときには、
スロットル弁開度を小さくしろ」というようなファジィ
制御ルールの重み付けをチューニングする場合、第１の
処理過程Ｐ１の処理に従って、第１の処理層の処理ユニ
ット１３に対して、このファジィ制御ルール中に記述さ
れることになる「出口圧力が高い」、「出口圧力が低い
」、「出口圧力が著しく低い」や、「水位が高い」、「
水位が中程度」、「水位が低い」といった制御状態量に
ついてのメンバーシップ関数の演算機能を割り付け、ま
た、第４の処理層の処理ユニット１６に対して、このフ
ァジィ制御ルール中に記述されることになる「供給加熱
量を大きく増やせ」、「供給加熱量を小さくしろ」や、
「スロットル弁開度を大きくしろ」、「スロットル弁開
度を小さくしろ」といった制御操作量についてのメンバ
ーシップ関数の出力機能を割り付ける処理を実行する。In the present invention, for example, "when the outlet pressure is extremely low,
"Greatly increase the amount of heat supplied" or "When the water level is high,
When tuning the weighting of a fuzzy control rule such as "Reduce the throttle valve opening," according to the process of the first processing step P1, the processing unit 13 of the first processing layer ``Outlet pressure is high'', ``outlet pressure is low'', ``outlet pressure is extremely low'', ``water level is high'', ``
Membership function calculation functions for control state quantities such as "water level is medium" and "water level is low" are assigned, and also described in this fuzzy control rule for the processing unit 16 of the fourth processing layer. "Greatly increase the amount of heating supply", "Reduce the amount of heating supply", etc.
A process is executed to allocate the output function of the membership function for the control operation amount such as "increase the throttle valve opening" or "reduce the throttle valve opening".
すなわち、処理ユニット１３が、制御状態量の入力に応
じて、割り付けられたメンバーシップ関数のメンバーシ
ップ関数値（真理値）を算出して出力することになるよ
うに構成し、また、処理ユニット１６が、出カニニット
１７に対して、割り付けられたメンバーシップ関数の真
理値を出力（実施例で説明するように、処理ユニット１
５からの出力値に応して縮小したものを出力等する）す
ることになるよう構成するのである。That is, the processing unit 13 is configured to calculate and output the membership function value (truth value) of the assigned membership function according to the input of the control state quantity, and the processing unit 16 outputs the truth value of the assigned membership function to the output unit 17 (as explained in the example, the processing unit 1
5).
ここで、出口圧力等の同一種別の制御状態量についての
メンバーシップ関数を演算する処理ユニット１３は、そ
のメンバーシップ関数が複数の制御状態量の関数となら
ない限り同一の入カユニツ）１２とのみ内部結合し、ま
た、供給加熱量操作等の同一種別の制御操作量について
のメンバーシップ関数を演算する複数の処理ユニット１
６は、同一の出カニニット１７とのみ内部結合するよう
割付処理を行う。Here, the processing unit 13 that calculates the membership function for the same type of control state quantity such as outlet pressure can only be internally connected to the same input unit 12 unless the membership function is a function of multiple control state quantities. A plurality of processing units 1 that are combined and calculate membership functions for the same type of control operation amount such as supply heating amount operation etc.
6 performs allocation processing so as to internally connect only with the same output unit 17.
次に、この第１の処理過程Ｐ１に従って、ファジィ制御
ルールの数分用意される第２の処理層の処理ユニット１
４に対して、チューニング対象となっているファジィ制
御ルールの前件部演算機能（例えば入力値の最小値を選
択して出力するという演算機能）を割り付けるとともに
、後件部メンバーシップ関数の数分用意される第３の処
理層の処理ユニット１５に、該ファジィ制御ルールの後
件部演算機能（例えぽ人力値の最大値を選択して出力す
るという演算機能）を割り付ける処理を実行する。Next, according to this first processing step P1, the processing units 1 of the second processing layer prepared for the number of fuzzy control rules are
4, assign the antecedent calculation function (for example, a calculation function that selects and outputs the minimum value of input values) of the fuzzy control rule that is the target of tuning, and also assign the number of consequent membership functions. The processing unit 15 of the third processing layer prepared is executed to assign the consequent calculation function of the fuzzy control rule (for example, the calculation function of selecting and outputting the maximum value of human power values).
続いて、この第１の処理過程ＰＩに従って、チューニン
グ対象のファジィ制御ルールの記述に従う形式でもって
、第１の処理層の処理ユニット１３と第２の処理層の処
理ユニット１４との間を内部結合し、第２の処理層の処
理ユニット１４と第３の処理層の処理ユニット１５との
間を内部結合するとともに、これらの内部結合に内部状
態値の初期値を割り付ける処理を実行する。すなわち、
上述の例で説明するならば、「出口圧力が著しく低い」
のメンバーシップ関数を演算する処理ユニット１３と「
供給加熱量を大きく増やせ」のメンバーシップ関数を出
力する処理ユニット１６との間を、対応の処理ユニット
１４及び処理ユニット１５を介して内部結合するととも
に、「水位が高い」のメンバーシップ関数を演算する処
理ユニット１３と「スロットル弁開度を小さくしろ」の
メンバーシップ関数を演算する処理ユニット１６との間
を、対応の処理ユニット１４及び処理ユニット１５を介
して内部結合して、それらの内部結合に対して例えば“
ｌ”という初期値（すべての内部結合に対して同し値で
ある必要はない〉を割り付ける処理を実行する。Next, according to this first processing step PI, internal coupling is performed between the processing unit 13 of the first processing layer and the processing unit 14 of the second processing layer in a format that follows the description of the fuzzy control rule to be tuned. Then, it performs a process of internally coupling between the processing unit 14 of the second processing layer and the processing unit 15 of the third processing layer, and assigning initial values of internal state values to these internal couplings. That is,
To explain using the example above, "the outlet pressure is extremely low"
a processing unit 13 that calculates the membership function of
Internally connects the processing unit 16 that outputs the membership function of ``Greatly increase the amount of heat supplied'' via the corresponding processing unit 14 and processing unit 15, and calculates the membership function of ``The water level is high.'' The processing unit 13 that calculates "reduce the throttle valve opening" and the processing unit 16 that calculates the membership function of "reduce the throttle valve opening" are internally coupled via the corresponding processing unit 14 and processing unit 15, and their internal coupling is performed. For example, “
1" (which does not need to be the same value for all inner joins) is executed.
この第１の処理過程Ｐ１により、チューニング対象のフ
ァジィ制御ルールが階層ネットワーク部ｌｌ上に写像さ
れることになる。Through this first processing step P1, the fuzzy control rule to be tuned is mapped onto the hierarchical network section ll.
階層ネットワーク部１１に対してチューニング対象のフ
ァジィ制御ルールの写像処理を完了すると、続く第２の
処理過程Ｐ２の処理に従って、制御対象から入手される
実際の制御データ群を学習用の教師信号として用いて、
例えばファジィ制御ルールの前件部が制御状態量に関し
ての条件を記述するものであるときには、学習用の制御
データ群の内の制御状態量データを制御提示データとし
て用いるとともに、他方の制御操作量データを制御教師
データとして用いて階層ネットワーク部１１の内部状態
値の学習処理を実行する。When the mapping process of the fuzzy control rule to be tuned is completed for the hierarchical network unit 11, the actual control data group obtained from the control target is used as a training signal for learning according to the subsequent second processing step P2. hand,
For example, when the antecedent part of a fuzzy control rule describes a condition regarding the control state quantity, the control state quantity data in the control data group for learning is used as the control presentation data, and the control operation quantity data of the other control data is used as the control presentation data. is used as control teacher data to perform learning processing of internal state values of the hierarchical network unit 11.
この学習処理により、実際の制御対象の制御内容が階層
ネットワーク部１１の内部状ｍｉに反映されることにな
る。すなわち、より関係が深いと規定される前件部メン
バーシップ関数と前件部演算との間の内部結合の内部状
態値と、前件部演算と後件部演算（後件部メンバーシッ
プ関数）との間の内部結合の内部状態値はより大きな値
をもつものに学習されることになる。Through this learning process, the actual control contents of the controlled object are reflected in the internal state mi of the hierarchical network section 11. In other words, the internal state value of the internal connection between the antecedent membership function and the antecedent operation, which are defined as having a deeper relationship, and the antecedent operation and the consequent operation (consequent membership function) The internal state value of the internal connection between is learned to be the one with the larger value.
これから、続く第３の処理過程Ｐ３に従って、それらの
内部状態値の値を抽出していくことで、ファジィ制御ル
ールの重み付けをチューニングすることになる。From now on, in accordance with the third processing step P3, the values of these internal state values are extracted, thereby tuning the weighting of the fuzzy control rule.
このように、本発明によれば、ファジィ制御ルールの重
み付けを自動的かつ機械的にチューニングできるように
なる。As described above, according to the present invention, it becomes possible to automatically and mechanically tune the weighting of fuzzy control rules.
以下、実施例に従って本発明の詳細な説明する。Hereinafter, the present invention will be explained in detail according to examples.
第２図に、本発明の実現のために使用する装置のシステ
ム槽底を図示する０図中、第１図で説明したものと同し
ものについては同一の記号で示しである。１’−ｈは階
層ネットワーク部１１の入力層を構成する複数の入カニ
ニット、１−ｉは階層ネットワーク部１１の中間層（？
３１数段備えられる）を構成する複数の基本ユニット、
ｌｊは階層ネットワーク部１１の出力層を構成する１つ
又は複数の基本ユニット、ｌｏａは階層ネットワーク構
成データ処理手段１０をなす階層ネットワーク構成デー
タ処理装置、１８は重み値格納部であって、階層ネット
ワーク部１１の内部結合に割り付けられる重み値を管理
するものである。In FIG. 2, the bottom of the system tank of the apparatus used for implementing the present invention is shown, in which the same components as those explained in FIG. 1 are designated by the same symbols. 1'-h indicates a plurality of input units constituting the input layer of the hierarchical network section 11, and 1-i indicates an intermediate layer (?) of the hierarchical network section 11.
31 several stages)),
lj is one or more basic units constituting the output layer of the hierarchical network unit 11, loa is a hierarchical network configuration data processing device forming the hierarchical network configuration data processing means 10, and 18 is a weight value storage unit, which is a hierarchical network configuration data processing unit. It manages the weight values assigned to the internal connections of the section 11.
２１は学習信号格納部であって、重み値の学習のために
用いられる学習用の制御データを格納するもの、２２は
学習信号提示部であって、学習信号格納部２１から学習
用の制御データを読み出して、その内の制御提示データ
を階層ネットワーク部１１に提示するとともに、対をな
すもう一方の制御教師データを後述する重み値変更部３
０ａと次に説明する学習収束判定部２３に提示するもの
、２３は学習収束判定部であって、階層ネットワーク部
１１から出力される制御量データと学習信号提示部２２
からの制御教師データとを受けて、階層ネットワーク部
１１のデータ処理機能の誤差が許容範囲に入ったか否か
を判定してその判定結果を学習信号提示部２２に通知す
るものである。21 is a learning signal storage unit that stores learning control data used for learning weight values; 22 is a learning signal presentation unit that stores learning control data from the learning signal storage unit 21; and presents the control presentation data therein to the hierarchical network unit 11, and the weight value changing unit 3 which will be described later the other pair of control teacher data.
0a and what is presented to a learning convergence determination unit 23, which will be described next, 23 is a learning convergence determination unit that presents control amount data output from the hierarchical network unit 11 and a learning signal presentation unit 22
It receives the control teacher data from the hierarchical network unit 11, determines whether the error in the data processing function of the hierarchical network unit 11 is within an allowable range, and notifies the learning signal presentation unit 22 of the determination result.
３０ａは第１図の内部状態値学習処理装置３０に相当す
る重み値変更部であって、学習信号提示部２２からの制
御教師データと階層ネットワーク部１１のネントワーク
出力データとを受けて、バツク・プロパゲーション法に
従って重み値の更新量を算出して重み値を更新していく
ことで重み値を収束値にと収束させるべく学習するもの
である。30a is a weight value changing unit corresponding to the internal state value learning processing device 30 in FIG.・It learns to converge the weight value to a convergence value by calculating the update amount of the weight value according to the propagation method and updating the weight value.
本発明では、第１図で説明したように、この第２図のシ
ステムを使用して、ファジィ制御ルールのチューニング
の自動処理を構築するものである。In the present invention, as explained with reference to FIG. 1, the system shown in FIG. 2 is used to construct an automatic process for tuning fuzzy control rules.
この本発明の詳細な説明に入る前に、通常のデータ処理
の実現のために採る階層ネットワーク部１１の装置構成
について詳述するとともに、この階層ネットワーク部１
１の内部結合に割り付けられる重み値を学習するために
、重み値変更部３０ａが実行する学習アルゴリズムであ
るところのバック・プロパゲージタン法（Ｄ、Ｅ、Ｒｕ
ｍｅｌｈａｒｔ、 Ｇ、Ｅ、１ｌｉｎｔｏｎ、ａｎｄ
Ｒ，ＪＪｉｌｌｉａｍｓ＋ ”Ｌｅａｒｎｉｎｇ Ｉｎ
ｔｅｒｎａｌ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ
Ｅｒｒｏｒ Ｐｒｏｐａｇａｔｉｏｎ 、ＰＡＲＡ
ＬＬＥＬ ＤＩＳＴＲＩＢＵＴＥＤ ＰＲＯＣＥＳＳＩ
ＮＧ、 Ｖｏｌ、１． ｐｐ、３１８−３６４゜Ｔｈｅ
ＭＩＴ Ｐｒｅｓｓ、１９８６）について詳述する。Before entering into a detailed explanation of the present invention, the device configuration of the hierarchical network unit 11 adopted for realizing normal data processing will be described in detail, and the hierarchical network unit 1 will be described in detail.
1, the back propagation tan method (D, E, Ru
melhart, G.E., 1linton, and
R,Jilliams+ “Learning In
internal representations by
Error Propagation, PARA
LLEL DISTRIBUTED PROCESSI
NG, Vol. 1. pp, 318-364゜The
MIT Press, 1986).
階層ネットワーク部１１は、基本的には、基本ユニット
と呼ぶ一種のノードと、重み値を持つ内部結合とから階
層ネットワークを構成している。The hierarchical network unit 11 basically constitutes a hierarchical network from a type of node called a basic unit and internal connections having weight values.
第３図に、基本ユニットｌの基本構成を示す、この基本
ユニット１は、多大カー出力系となっており、複数の入
力に対し夫々の内部結合の重み値を乗算する乗算処理部
２と、それらの全乗算結果を加算する累算処理部３と、
この累算値に非線型の閾値処理を施して一つの最終出力
を出力する閾値処理部４とを備える。FIG. 3 shows the basic configuration of the basic unit 1. This basic unit 1 is a multi-car output system, and includes a multiplication processing section 2 that multiplies a plurality of inputs by weight values of respective internal connections; an accumulation processing unit 3 that adds all the multiplication results;
A threshold processing unit 4 is provided that performs nonlinear threshold processing on this accumulated value and outputs one final output.
ｈ層を前段層としｉ層を後段層とすると、このｊＩｘ処
理部３では下記の（１）式の演算を実行し、闇値処理部
４では下記の（２）式の演算を実行する。Assuming that the h layer is the first layer and the i layer is the second layer, the jIx processing section 3 executes the calculation of equation (1) below, and the dark value processing section 4 executes the calculation of equation (2) below.
ｘ２．−Σ７ｐｂＷｚｂ （１）式
３’ ｐｔ ＝１ ／ （１＋ ｅｘｐ（ｘ １＋θｉ
）） （２）式但し、ｈ ：ｈ層のユニット番号ｉ ：ｉ層のユニット番号ｐ ：入力信号のパターン番号θ、：ｉ層の１番ユニットの閾値Ｗ、、：ｈ−ｉ層間の内部結合の重み値Ｘ□：ｈ層の各
ユニットからｉ層の１番ユニットへの入力の積和ＶｅｈＳＰ番目パターンの入力信号に対するｈ層のｈ番
ユニットからの出力フｐｉ’Ｐ番目パターンの入力信号に対するｉ層の１番
ユニットからの出力そして、階層ネットワーク部１１では、このような構成
の多数の基本ユニット１が、入力信号値をそのまま分配
して出力する入カニニットｌ゛を人力層として、第４図
に示すように階層的に接続されることで階層ネットワー
クを構成して、入カバターン（入力信号）を対応する出
カバターン（出力信号）に変換するという並列的なデー
タ処理機能を発揮することになる。x2. -Σ7pbWzb (1) Equation 3' pt = 1 / (1+ exp(x 1+θi
)) Formula (2) where, h: Unit number of the h layer i: Unit number of the i layer p: Input signal pattern number θ,: Threshold value W of the first unit of the i layer, , : Internal between the h-i layers Connection weight value X Then, in the hierarchical network section 11, a large number of basic units 1 having such a configuration divide the input signal value as it is and output it as a human-powered layer. As shown in Figure 4, they are connected in a hierarchical manner to form a hierarchical network and perform parallel data processing functions that convert an input pattern (input signal) into a corresponding output pattern (output signal). become.
バック・プロパゲーション法では、階層ネットワークの
重み値Ｗ１と閾値θ、とを誤差のフィードバックにより
適応的に自動調節して学習することになる。 （１）（
２）式から明らかなように、重み値Ｗ４．と閾値θ五と
の１１節は同時に実行される必要があるが、この作業は
相互に干渉する難しい作業となる。そこで、本出願人は
、先に出願の「特願昭６２−３３３４８４号（昭和６２
年１２月２８日出願、“ネントワーク構成データ処理装
置”）」で開示したように、入力側のｈ層に常に１”を
出力するとともにその出力に対して閾値θ１を重み値と
して割り付けるユニットを設けることで、閾値θ、を重
み値Ｗｈの中に組み込んで閾値θｉを重み値として扱う
ようにすることを提案した。このようにすることで、上
述の（１） （２）式は、Ｘｓｉ冨Σ）’ｐｂＷｔｈ （３）
式ｙ ｐ、 −１／ （１＋ｅｘｐ（−ｘ ｔ、））
（４）式で表されることになる。In the back propagation method, the weight value W1 and the threshold value θ of the hierarchical network are adaptively and automatically adjusted and learned using error feedback. (1)(
2) As is clear from the equation, the weight value W4. It is necessary to execute the 11 sections with the threshold value θ5 and the threshold value θ5 at the same time, but this task is a difficult task that interferes with each other. Therefore, the present applicant previously applied for the patent application No. 1984-333484.
As disclosed in "Network Configuration Data Processing Apparatus" filed on December 28, 2013, a unit that always outputs "1" to the h layer on the input side and assigns a threshold value θ1 as a weight value to the output is provided. We proposed that the threshold θi be treated as a weight value by incorporating the threshold θ into the weight value Wh.By doing this, the above equations (1) and (2) become冨Σ)'pbWth (3)
Formula y p, -1/ (1+exp(-x t,))
It is expressed by equation (4).
次に、この（３） （４）式の記述形式のものに従って
、バック・プロパゲーション法による璽み値の学習処理
方式について説明する。ここで、この説明は、階層ネッ
トワーク部１１が、第４図に示すｈ層−ｉ層−５層とい
う３層構造の階層ネットワークをもつもので行う。Next, a learning processing method for the shimmer value using the back propagation method will be described according to the description format of equations (3) and (4). Here, this explanation will be given assuming that the hierarchical network unit 11 has a three-layered hierarchical network consisting of an h layer, an i layer, and a fifth layer as shown in FIG.
（３） （４）弐からの類推によって次の（５） （６
）式が得られる。すなわち、ｘ１＝ΣｙｔｔＷＪ＝ （５）式ｙ
□＝ １ ／ （１＋ｅｘｐ（ＸｔＪ）） （
６）式但し、ｊ ：ｊ層のユニット番号Ｗ、、：ｉ−ｊ層間の内部結合の重み値Ｘ□：ｉ層の各
ユニットからｊ層の４番ユニットへの入力の積和１ｍ＝：Ｐ番目パターンの入力信号に対するｊ層の４番
ユニットからの出力重み値変更部３０ａでは、学習用の入カバターンが提示
されたときに出力される出力層からの出カバターンＹｅ
ｊと、その出カバターンｙ、Ｊのとるべき信号である教
師パターンｄｅＪ（ｐ番目パターンの入力信号に対する
ＪＩＪ番目ユニットへの教師信号）とを受は取ると、先
ず最初に、出カバターンｙ□と教師パターンＬ＝との差
分値（ｄ、。(3) (4) By analogy with 2, the following (5) (6
) formula is obtained. That is, x1=ΣyttWJ= (5) Formula y
□= 1 / (1+exp(XtJ)) (
6) Formula where, j: unit number W of layer j, , : weight value of internal connection between layers i-j The output weight value changing unit 30a from the fourth unit of the j layer for the input signal of the P-th pattern changes the output cover turn Ye from the output layer when the input cover turn for learning is presented.
j, its output cover turn y, and the teacher pattern deJ which is the signal that J should take (the teacher signal to the JIJ-th unit for the input signal of the p-th pattern), first, the output cover turn y□ and Difference value (d,.) from teacher pattern L=.
ｙ□］を算出し、次に、α□−ｙ、（１−ｙｔＪ）（ａ□−３’１）（７）式を算出し、続いて、ΔＷＪ、（ｔ）＝ｇΣαｐｊ ３’ ｐｉ＋ζΔＷＪｉ
（ｔ−１）（８）式％式％：：に従って、ｉ層−ｊ層間の重み値の更新量ΔＷ Ｊ １
（１）を算出する。ここで、「ζΔＷ、、（ｔ−１）Ｊ
という前回の更新サイクル時に決定された重み値の更新
量に係るものを加算するのは学習の高速化を図るためで
ある。y□], then calculate α□-y, (1-ytJ) (a□-3'1) (7), and then, ΔWJ, (t)=gΣαpj 3' pi+ζΔWJi
(t-1) (8) Formula % Formula %: : According to the update amount ΔW J 1 of the weight value between the i layer and the j layer
Calculate (1). Here, “ζΔW,, (t-1)J
The reason for adding the update amount of the weight value determined in the previous update cycle is to speed up learning.
続いて、重み値変更部３０ａは、算出したα９、を用い
て、先ず最初に、β□＝ｙ□（１−ｙ□）Σα□Ｗ、１（ｔ−１）（９）
式を算出し、次に、ΔＷ＝ｂ（ｔ） ＝ ｔΣβｐｉ ）’ ｐｈ＋ζΔＬ
ｈ（ｔ−１）（１０）式に従って、ｈ層−１層間の重み値の更新量ΔＷｉｋ（１
）を算出する。Next, using the calculated α9, the weight value changing unit 30a first calculates β□=y□(1-y□)Σα□W, 1(t-1)(9)
Calculate the formula, then ΔW=b(t) = tΣβpi )' ph+ζΔL
h(t-1) According to equation (10), the update amount ΔWik(1) of the weight value between layer h-1
) is calculated.
続いて、重み値変更部３０ａは、この纂出した更新量に
従って次の更新サイクルのための重み値Ｗ、轟（ｔ）
−Ｗ、（ｔ−１）＋ΔＷ、１（ｔ）Ｗ＋ｂ（ｔ）＝Ｗｉ
ｂ（ｔ １）＋ΔＷ、ｈ（ｔ）を決定していく方法を
繰り返していくことで、学習用の入カバターンが提示さ
れたときに出力される出力層からの出カバターンｙ□と
、その出カバターンｙ□のとるべき信号である教師パタ
ーンｄ ｅ＝とが一致することになる重み値Ｗ ｊ ｉ
＋ Ｗ ｉ ｋを学習するよう処理している。Subsequently, the weight value changing unit 30a changes the weight values W and Todoroki (t) for the next update cycle according to the compiled update amount.
-W, (t-1)+ΔW, 1(t)W+b(t)=Wi
By repeating the method of determining b(t 1) + ΔW, h(t), the output cover turn y□ from the output layer that is output when the input cover turn for learning is presented, and its output The weight value W j i that matches the teacher pattern d e = which is the signal that the cover turn y□ should take
+W i k is processed to be learned.
そして、階層ネットワーク部１１がｇ層−ｈ層−１層−
ｊ層という４層構造の階層ネットワークをもつときには
、重み値変更部３０ａは、先ず最初に、Ｔ ＊ｈ−３’ ｐｈ（１７ｓｈ）Σβ、、Ｗ、、（ｔ
−１）（１１）式を纂出し、次に、ΔＷゎＩ（ｔ）−εΣγｐｈ ）’ ｐ＊＋ζΔＷｋ、
（ｔ−１）（１２）式に従ってｇ層＝ｈ層間の重み値の更新量ΔＷｂｌ（ｔ）
を算出するというように、前段の眉間の重み値の更新量
ΔＷを、出力側の後段から求まる値とネットワーク出力
データとを使いながら決定していくよう処理するのであ
る。Then, the hierarchical network unit 11
When the hierarchical network has a four-layer structure called the j-layer, the weight value changing unit 30a first calculates T*h-3' ph(17sh)Σβ,, W, , (t
-1) Formulate (11), then ΔWゎI(t)−εΣγph )' p*+ζΔWk,
(t-1) According to formula (12), update amount ΔWbl(t) of weight values between g layer = h layer
In this way, the update amount ΔW of the weight value between the eyebrows in the previous stage is determined using the value obtained from the latter stage on the output side and the network output data.
ここで、基本ユニット１が閾値処理部４を備えない場合
には、上述の（７）式は、α□＝（ｄ□−ｙ□）（７）式となり、上述の（９〉式は、β２．＝Σα、、ＷＪｉ（ｔ−１） 、 （
９）式となり、上述の（１１）式は、γ、＝Σβ□Ｗｔｈ（ｔ−１） （１１）式
階層ネットワーク部１１のハードウェア部品による構成
方法としては、本出願人が出願した「特願昭６３−２１
６８６５号（昭和６３年８月３１日出願、“ネットワー
ク構成データ処理装置”）」で開示したものを用いるこ
とが可能である。Here, if the basic unit 1 does not include the threshold processing section 4, the above equation (7) becomes α□=(d□−y□)(7) equation, and the above equation (9> becomes β2.=Σα,, WJi(t-1), (
Equation 9) is obtained, and Equation (11) above is: γ, = Σβ□Wth(t-1) Equation (11) As a method of configuring the hierarchical network section 11 using hardware components, the method of configuring the hierarchical network section 11 using hardware components is as follows. Gansho 63-21
No. 6865 (filed on August 31, 1988, "Network Configuration Data Processing Apparatus")" can be used.
すなわち、基本ユニットｌは、第５図に示すように、入
力スイッチ部７を介して入力される前段層からの出力と
重み値保持部８が保持する重み値とを乗算する乗算型Ｄ
／Ａコンバータ２ａと、乗算型Ｄ／Ａコンバータ２ａの
出力値と前回の累算値とを加算して新たな累算値を算出
するアナログ加算器３ａと、アナログ加算器３ａの加算
結果を保持するサンプルホールド回路３ｂと、累算処理
が終了したときにサンプルホールド回路３ｂの保持デー
タを非線形変換する非線型関数発生回路４ａと、後段層
への出力となる非線型関数発生回路４ａのアナログ信号
値をホールドする出力保持部５と、出力保持部５の保持
データを出力する出力スイッチ部６と、これらの各処理
部を制御する制御回路９とを備えることで実現される。That is, as shown in FIG. 5, the basic unit 1 is a multiplication type D that multiplies the output from the previous layer input via the input switch section 7 by the weight value held by the weight value holding section 8.
/A converter 2a, an analog adder 3a that adds the output value of the multiplication type D/A converter 2a and the previous accumulated value to calculate a new accumulated value, and holds the addition result of the analog adder 3a. A sample-and-hold circuit 3b that converts the data held in the sample-and-hold circuit 3b into nonlinear form when the accumulation process is completed, and an analog signal of the nonlinear function generation circuit 4a that outputs the data to the subsequent layer. This is realized by including an output holding section 5 that holds a value, an output switch section 6 that outputs the data held by the output holding section 5, and a control circuit 9 that controls each of these processing sections.
そして、階層ネットワーク部１１は、この構成を採る基
本ユニット１が、第６図に示すように、１本の共通なア
ナログバス７０でもって電気的に接続される構成で実現
される。ここで、図中、７１は基本ユニット１の重み保
持部８に重み値を与える重み出力回路、７２は入カニニ
ット１°に対応する初期信号出力回路、７３はデータ転
送の制御信号である同期制御信号を重み出力回路７１゜
初期信号出力回路７２及び制御回路９に伝える同期制御
信号線、７４は同期制御信号を送出する主制御回路であ
る。The hierarchical network unit 11 is realized in a configuration in which basic units 1 having this configuration are electrically connected through one common analog bus 70, as shown in FIG. Here, in the figure, 71 is a weight output circuit that gives a weight value to the weight holding section 8 of the basic unit 1, 72 is an initial signal output circuit corresponding to 1 degree of input crab, and 73 is a synchronization control signal that is a control signal for data transfer. A synchronous control signal line 74 transmits a signal to the weight output circuit 71, the initial signal output circuit 72, and the control circuit 9, and is a main control circuit that sends out a synchronous control signal.
この構成の階層ネットワーク部１１おいて、主制御回路
７４は、前段層の基本ユニット１を時系列的に順次選択
するとともに、この選択処理と同期させて、選択された
基本ユニット１の出力保持部５が保持する最終出力をア
ナログバス７０を介して時分割の送信形式に従って後段
層の基本ユニットｌの乗算型Ｄ／Ａコンバータ２ａに対
して出力するよう処理する。この人力を受は取ると、後
段層の基本ユニットｌの乗算型Ｄ／Ａコンバータ２ａは
、対応する重み値を順次選択して入力値と璽み値との乗
算処理を行い、アナログ加算器３ａとサンプルホールド
回路３ｂとにより構成される累算処理部３はこの東軍値
を順次累算していく。In the hierarchical network unit 11 having this configuration, the main control circuit 74 sequentially selects the basic units 1 in the previous layer in chronological order, and in synchronization with this selection process, the output holding unit of the selected basic unit 1. 5 is processed so as to be outputted via the analog bus 70 to the multiplication type D/A converter 2a of the basic unit 1 in the subsequent layer in accordance with the time-division transmission format. Upon receiving this human power, the multiplication type D/A converter 2a of the basic unit l in the subsequent layer sequentially selects the corresponding weight value and multiplies the input value and the stitch value, and the analog adder 3a The accumulation processing section 3 constituted by the sample and hold circuit 3b sequentially accumulates the East Army values.
続いて、前段層の基本ユニット１に関してのすべての累
算処理が終了すると、主制御回路７４は、後段層の基本
ユニット１の非線型関数発生−回路４ａを起動して最終
出力の算出を行い、出力保持部５がこの変換処理結果の
最終出力を保持するよう処理する。そして、主制御回路
７４は、この後段層を新たな前段層として次の後段層に
対して同様の処理を繰り返していくことで、入カバター
ンに対応する出カバターンが出力されるべく処理するの
である。Subsequently, when all the accumulation processing for the basic unit 1 in the previous layer is completed, the main control circuit 74 activates the nonlinear function generation circuit 4a of the basic unit 1 in the subsequent layer to calculate the final output. , the output holding unit 5 processes to hold the final output of the conversion processing result. Then, the main control circuit 74 uses this subsequent layer as a new previous layer and repeats the same process for the next subsequent layer so that an output cover turn corresponding to the input cover turn is output. .
次に、第２図のシステムを使用して実現することになる
本発明のファジィ制御ルールの重み付けの自動チューニ
ング処理について説明する。最初に、第５図及び第６図
に示すようなハードウェア部品により構成される階層ネ
ットワーク部１１を利用する実施例について説明する。Next, automatic tuning processing for weighting fuzzy control rules according to the present invention, which will be realized using the system shown in FIG. 2, will be described. First, an embodiment will be described in which a hierarchical network section 11 made up of hardware components as shown in FIGS. 5 and 6 is used.
本発明では、例えば第５図及び第６図に示すようなハー
ドウェア部品により構成される階層ネントワーク部１１
を利用して、チューニング対象のファジィ制御ルールを
この階層ネットワーク部ｌｌ上に写体することで始めら
れることになる。ここで、このチューニング対象のファ
ジィ制御ルールは、従来通り、オペレータ等による手作
業にまり生成されるものであってもよいが、同日提出の
特許Ｉｔ（発明の名称“ファジィ制御ルールの生成方法
”）で開示する方法により自動生成されるものを用いる
ことも可能である。In the present invention, a hierarchical network unit 11 constituted by hardware components as shown in FIGS. 5 and 6, for example.
Using this, we can start by copying the fuzzy control rule to be tuned onto this hierarchical network section ll. Here, the fuzzy control rules to be tuned may be manually generated by an operator or the like as in the past, but the fuzzy control rules that are to be tuned may be manually generated by an operator, etc. It is also possible to use one automatically generated by the method disclosed in ).
ファジィ制御ルールの重み付けのチューニングを行うユ
ーザは、先ず最初に、前件部が制御状態量に関しての条
件を記述し、後件部が制御操作量に関しての条件を記述
するファジィ制御ルールの重み付けをチューニングを実
行するときには、階層ネットワーク部１１の最前段の中
間層の基本ユニットｌを利用して、チューニング対象の
ファジィ制御ルールの制御状態量についてのメンバーシ
ップ関数の真理値を算出して出力する機能（前件部メン
バーシップ関数の真理値の算出機能）を割り付けるとと
もに、第４番目に位置する中間層の基本ユニット１を利
用して、チューニング対象のファジィ制御ルールの制御
ｌ操作量についてのメンバーシップ関数の真理値を出力
する機能（後件部メンバーシップ関数の真理値の出力機
能）を割り付ける処理を実行する。第７図に、この割り
付けられるメンバーシップ関数の一例を図示する。A user who tunes the weighting of a fuzzy control rule first tunes the weighting of a fuzzy control rule whose antecedent describes a condition regarding the control state quantity and whose consequent describes a condition regarding the control operation amount. When executing, the basic unit l of the intermediate layer at the forefront of the hierarchical network section 11 is used to calculate and output the truth value of the membership function for the control state quantity of the fuzzy control rule to be tuned ( At the same time, the basic unit 1 of the fourth intermediate layer is used to calculate the membership function for the control operation amount of the fuzzy control rule to be tuned. Executes the process of assigning the function that outputs the truth value of (the function that outputs the truth value of the consequent membership function). FIG. 7 illustrates an example of this assigned membership function.
この前件部メンバーシップ関数の真理値の算出機能の割
付処理は、具体的には、基本ユニット１より出力される
出力値ｙが、第８図（ａ）に示すように、ωく０．θ〈０であるときには、第７図の「温度が低い」というメンバ
ーシップ関数と類似する関数形状となり、また、ω〉０． θ〉０であるときには、第７図の「温度が高いｊというメンバ
ーシップ関数と類似する関数形状となることに着目して
、第８図（ｂ）に示すように、この基本ユニット１の入
力に割り付けられる重み値ω及び閾値θを適切に設定す
ることで、第７図の「温度が低い」や「温度が高い」と
いう関数形状のメンバーシップ関数が実現されることに
なる。Specifically, the assignment process of the truth value calculation function of the antecedent membership function is such that the output value y output from the basic unit 1 is ω×0. When θ〈0, the function shape is similar to the membership function “low temperature” in Fig. 7, and when ω〉0. When θ〉0, focusing on the fact that the function shape is similar to the membership function of ``high temperature j'' in Figure 7, the input of this basic unit 1 is determined as shown in Figure 8(b). By appropriately setting the weight value ω and threshold value θ assigned to , membership functions having the functional shapes of “low temperature” and “high temperature” shown in FIG. 7 can be realized.
また、２つの基本ユニット１より出力される出力値の差
分値ｙ１＋ｅｘｐ（−ω２ｘ＋θ２）が、第９図（ａ）に示すように、第７図の「温度が普通
」というメンバーシップ関数と類似する関数形状となる
ことに着目して、第９図（ｂ）に示すように、２個の基
本ユニット１と、この２個の基本ユニット１の出力値に
重み値“１”及び−１”を乗じたものを入力とし、かつ
闇値処理部４を備えない基本ユニット１により権威され
る減算器１ａ（この構成に従い、この２個の基本ユニッ
ト１の出力値の差分値を算出するよう動作する）とを備
えて、この２個の基本ユニット１の入力に割り付けられ
る重み値ω１．ω２及び閾値θ１゜θ２を適切にするこ
とで、第７図の「温度が普通」という関数形状のメンバ
ーシップ関数の割付処理が実現されることになる。In addition, the difference value y1+exp(-ω2x+θ2) between the output values output from the two basic units 1 is similar to the membership function "Temperature is normal" in FIG. Focusing on the function shape, as shown in FIG. 9(b), two basic units 1 and the output values of these two basic units 1 are given weight values "1" and -1. The subtracter 1a inputs the value multiplied by ), and by optimizing the weight values ω1, ω2 and threshold values θ1°θ2 assigned to the inputs of these two basic units 1, the members of the function shape “Temperature is normal” in Fig. 7 can be obtained. Ship function allocation processing will be realized.
また、後件部メンバーシップ関数の真理値の出力機能の
割付処理は、具体的には、第１０図（ａ）に示すように
、後件部メンバーシップ関数を細かく区画して各区画の
真理値ｙ、を特定し、次に、第１Ｏ図（ｂ）に示すよう
に、閾値処理部４を備えない基本ユニット１により権威
される真理値出力器１ｂをこの真理値の個数（ｎ個）分
用窓して、この真理値出力器１ｂの入力（後述するよう
に、後件部メンバーシップ関数の真理値の出力値の縮小
率を指定することになる）に重み値“ 、ｎを割り付け
ることで実現される。ここで、第１０図（ｂ）に示すよ
うに、例えばバルブＡの開度といった同一種別の制御操
作量に係る後件部メンバーシップ関数の真理値は、用意
される同一の真理値出力器ｔｂに入力される構成が採ら
れ、これらの真理値出力器１ｂは、割り付けられる制御
操作量についての縮小されたメンバーシップ関数の真理
値の関数和を出力するよう権威されることになる。Furthermore, in the process of assigning the output function of the truth value of the consequent membership function, specifically, as shown in FIG. The value y is specified, and then, as shown in FIG. Assign a weight value ", n" to the input of this truth value output unit 1b (as described later, this will specify the reduction rate of the output value of the truth value of the consequent membership function) using a dividing window. Here, as shown in Fig. 10(b), the truth values of the consequent membership functions related to the same type of control operation amount, such as the opening degree of valve A, are These truth value output devices 1b are authorized to output the sum of the truth values of the reduced membership functions for the assigned control operation amount. It turns out.
なお、この第１Ｏ図に示す実施例では、後件部メンバー
シップ関数の関数パターンを出力する機能を割り付ける
ことで開示したが、本発明では、後件部メンバーシップ
関数の対応する真理値を演算結果値として使用する権威
を採ることも可能であって、そのような権威を採る場合
には、前件部メンバーシップ関数の真理値の算出機能を
実現すべく採った第８図や第９図の権威が用いられるこ
とになる。In the embodiment shown in FIG. 1O, the function to output the function pattern of the consequent membership function is assigned, but in the present invention, the corresponding truth value of the consequent membership function is calculated. It is also possible to use an authority to be used as a result value, and if such an authority is used, Figures 8 and 9, which are adopted to realize the function of calculating the truth value of the antecedent membership function, can be used. authority will be used.
前件部メンバーシップ関数の真理値の算出機能と後件部
メンバーシップ関数の真理値の出力機能との割付処理が
完了すると、ユーザは、次に、階層ネットワーク部１１
の第２番目に位置する中間層の基本ユニットｌを利用し
て、チューニング対象のファジィ制御ルールの前件部演
算機能を割り付けるとともに、第３番目に位置する中間
層の基本ユニット１を利用して、チューニング対象のフ
ァジィ制御ルールの後件部演算機能を割り付ける処理を
実行する。When the assignment process of the truth value calculation function of the antecedent part membership function and the truth value output function of the consequent part membership function is completed, the user next
The basic unit l of the middle layer located at the second position is used to allocate the antecedent calculation function of the fuzzy control rule to be tuned, and the basic unit 1 of the middle layer located at the third position is used to , executes the process of allocating the consequent calculation function of the fuzzy control rule to be tuned.
この前件部演算機能の割付処理は、チューニング対象の
ファジィ制御ルールのもつ前件部演算機能に整合させて
実行′されることになる。従って、前件部演算機能が入
力値の平均値を算出して出力するものであるときには、
例えば、第１１図（ａ）に示すように、重み値“１７入
力点数”を乗したものを入力とし、かつ閾値処理部４を
備えない基本ユニットｌにより構成される平均値算出器
１ｃを備えることで実行する。同様に、この後件部演算
機能の割付処理は、チューニング対象のファジィ制御ル
ールのもつ後件部演算機能に整合させて実行されること
になる。従って、後件部演算機能が入力値の加算値を算
出して出力するものであるときには、例えば、第１１図
（ｂ）に示すように、重み値″ｌ”を乗したものを入力
とし、かつ閾値処理部４を備えない基本ユニット１によ
り構成される加算値算出器１ｄを備えることで実行する
。This process of allocating the antecedent part calculation function is executed in accordance with the antecedent part calculation function of the fuzzy control rule to be tuned. Therefore, when the antecedent calculation function calculates and outputs the average value of input values,
For example, as shown in FIG. 11(a), the average value calculator 1c is provided with a basic unit 1 that takes as input a value multiplied by a weight value of "17 input points" and is not provided with the threshold processing section 4. Execute by doing. Similarly, the process of assigning the consequent part calculation function is executed in accordance with the consequent part calculation function of the fuzzy control rule to be tuned. Therefore, when the consequent calculation function calculates and outputs the sum of input values, for example, as shown in FIG. 11(b), the input is multiplied by the weight value "l", This is executed by providing the addition value calculator 1d configured by the basic unit 1 that does not include the threshold value processing section 4.
様々な基本ユニットｌの利用方法により種々の演算機能
を実現できるものではあるが、チューニング対象のファ
ジィ制御ルールの前件部演算機能や後件部演算機能が複
雑なものとなるときには、１個の基本ユニット１の利用
ではその演算機能を実現できない場合が起こることがあ
る。このようなときには、１個の基本ユニット１を利用
するのではなくて、階層ネットワーク部１１の中の一部
の階層ネットワークを利用して前件部演算機能や後件部
演算機能を実現することも可能である。すなわち、階層
ネットワーク部１１の中の一部の階層ネットワーク部分
を前件部演算機能や後件部演算機能を実現するためのユ
ニットとして確保して、このユニットの内部結合の重み
値に対して前件部演算機能や後件部演算機能を実現すべ
く学習された固定的な値をセットすることで実現するよ
うな方法を採ることも可能である。このようにすれば、
前件部機能として一般的に用いられている入力値の最小
値を選択して出力する演算機能や、後件部演算機能とし
て一般的に用いられている人力値の最大値を選択して出
力する演算機能等も正確に実現できることになる。Various calculation functions can be realized by using various basic units l, but when the antecedent part calculation function and consequent part calculation function of the fuzzy control rule to be tuned become complex, it is possible to realize a variety of calculation functions by using various basic units l. When using the basic unit 1, there may be cases where the calculation function cannot be realized. In such a case, instead of using one basic unit 1, it is possible to realize the antecedent part calculation function and the consequent part calculation function by using a part of the hierarchical network in the hierarchical network section 11. is also possible. That is, a part of the hierarchical network part in the hierarchical network section 11 is secured as a unit for realizing the antecedent part calculation function and the consequent part calculation function, and the predetermined value is It is also possible to adopt a method of realizing the subject part calculation function and the consequent part calculation function by setting fixed values that have been learned. If you do this,
An arithmetic function that selects and outputs the minimum value of input values, which is commonly used as an antecedent part function, and a calculation function that selects and outputs the maximum value of human input values, which is generally used as a consequent part function. This means that calculation functions and the like can be realized accurately.
以下、説明の便宜上、平均値算出器１ｃを備えることで
前件部演算機能の割付処理を実現し、加算値算出器１ｄ
を備えることで後件部演算機能の割付処理を実現する例
で説明することにする。Hereinafter, for convenience of explanation, the allocation process of the antecedent part calculation function is realized by providing the average value calculator 1c, and the addition value calculator 1d
An example will be explained in which the allocation processing of the consequent part calculation function is realized by providing the following.
続いて、ユーザは、チューニング対象のファジィ制御ル
ールの記述に従う形式でもって、前件部メンバーシップ
関数の割り付けられた基本ユニット１と前件部演算機能
の割り付けられた平均値算出器１ｃとの間を内部結合す
るとともに、この平均値算出器１ｃと後件部演算機能の
割り付けられた加算値算出器１ｄとの間を内部結合する
。この内部結合の設定処理は、具体的には、結合関係の
ない内部結合に対して学習によっても変化されないゼロ
値の重み値を割り付けることで実現される。Next, the user performs a calculation between the basic unit 1 to which the antecedent membership function is assigned and the average value calculator 1c to which the antecedent calculation function is assigned, in accordance with the description of the fuzzy control rule to be tuned. At the same time, the average value calculator 1c and the addition value calculator 1d to which the consequent calculation function is assigned are internally connected. Specifically, this internal connection setting process is realized by assigning a zero weight value that does not change even through learning to internal connections that have no connection relationship.
後件部演算機能の出力する演算値は、基本的には、対応
する後件部メンバーシップ関数の真理値の縮小率を与え
るものであって、例えば第１２図に示すように、「パル
プＡの開度を小さく設定」というメンバーシップ関数が
■のように表され、「パルプＡの開度を大きく設定」と
いうメンバーシップ関数が■のように表される場合には
、■のメンバーシップ関数に対応付けられる後件部演算
機能の出力値に従って、「パルプＡの開度を小さく設定
」というメンバーシップ関数の適用値が定まり、■のメ
ンバーシップ関数に対応付けられる後件部演算機能の出
力値に従って、「パルプＡの開度を大きく設定」という
メンバーシップ関数の適用値が定まることになる。そし
て、最も一般的には、下式に従って、この縮小されたメ
ンバーシップ関数の関数和の図形の重心を求めることで
、ファジィ推論値であるパルプＡの開度Ｙを算出する構
成が採られている。The calculated value output by the consequent part calculation function basically gives the reduction rate of the truth value of the corresponding consequent part membership function, and for example, as shown in FIG. If the membership function "Set the opening degree of pulp A small" is expressed as ■, and the membership function "Set the opening degree of pulp A large" is expressed as ■, then the membership function of ■ According to the output value of the consequent calculation function associated with , the application value of the membership function "Set the opening degree of pulp A small" is determined, and the output of the consequent calculation function associated with the membership function of ■ According to the value, the application value of the membership function "set large opening degree of pulp A" is determined. Most commonly, a configuration is adopted in which the opening degree Y of pulp A, which is a fuzzy inference value, is calculated by finding the center of gravity of the figure of the function sum of the reduced membership functions according to the following formula. There is.
前件演算機能と後件部演算機能との割付処理が完了する
と、ユーザは、次に、階層ネットワーク部１１の出力層
の基本ユニットｌを利用して、真理値出力器１ｂの出力
値を使用して制御操作量データを算出する機能であるフ
ァジィ推論値の算出機能を割り付ける処理を実行する。When the assignment of the antecedent calculation function and the consequent calculation function is completed, the user next uses the basic unit l of the output layer of the hierarchical network unit 11 to use the output value of the truth value output device 1b. A process of allocating a fuzzy inference value calculation function, which is a function of calculating control operation amount data, is executed.
このファジィ推論値の算出機能の割付処理は、例えば上
述のような重心演算により決定する場合には、第１３図
に示すように、閾値処理部４を備えない基本ユニットｌ
により構成される重心導出値算出器１ｅを２個用意して
、真理値出力器１ｂとの間の内部結合の重み値として、
一方の重心導出値算出器１ｅに対しては、真理値出力器
１ｂに対応付けられる制御操作量の最小値を起点にして
大きくなる順に従い例えば０から１までの間で等間隔も
って増加する重み値を割り付けるとともに、他方の重心
導出値算出器１ｅに対しては、真理値出力器１ｂに対応
付けられる制御操作量の最大値を起点にして小さくなる
順に従い例えば０から−１までの間で等間隔もって減少
する重み値を割り付けることで実現される。そして、最
終的な重心値は、階層ネットワーク部１１とは別に用意
される演算手段に従いこの２個の重心導出値算出器１ｅ
の出力値を使用して求められるよう構成される。For example, when the fuzzy inference value calculation function is determined by the centroid calculation as described above, as shown in FIG.
Two centroid derived value calculators 1e configured by are prepared, and as a weight value for internal connection with the truth value output device 1b,
For one gravity center derived value calculator 1e, the weight increases at equal intervals from 0 to 1, for example, in increasing order starting from the minimum value of the control operation amount associated with the truth value output device 1b. At the same time, the values are assigned to the other center of gravity derived value calculator 1e in descending order starting from the maximum value of the control operation amount associated with the truth value output device 1b, for example, from 0 to -1. This is achieved by assigning weight values that decrease at equal intervals. Then, the final centroid value is determined by these two centroid derived value calculators 1e according to calculation means prepared separately from the hierarchical network unit 11.
is configured to be calculated using the output value of
すなわち、この構成により、一方の重心導出値算出器１
ｅは、例えば、真理値出力器１ｂが６ユニツトである場
合で説明するならば、ＹＩ＝Ｏ−ＣＩ＋０．２・ｃ、＋ｏ、４・Ｃ８＋０．６
・Ｃａ ＋０．８・Ｃ３＋１・Ｃ４但し、Ｃ４は制御操
作量の真理値を出力し、これに対して、他方の重心導出値算出器１ｅ
は、Ｙ、＝ −１−Ｃ、−０，８・Ｃ！−０，６・Ｃ５−〇
、４・Ｃ４〜０．２・Ｃ５０’Ｃ６を出力するので、こ
の重心導出値算出器１ｅの出力値Ｙ、、Ｙ、を使用して
、Ｙ。That is, with this configuration, one center of gravity derived value calculator 1
For example, e is explained in the case where the truth value output device 1b has 6 units, YI=O−CI+0.2・c, +o, 4・C8+0.6
・Ca +0.8・C3+1・C4 However, C4 outputs the truth value of the control operation amount, and in contrast, the other center of gravity derived value calculator 1e
is, Y,=-1-C,-0,8・C! -0,6・C5−〇,4・C4～0.2・C50'C6 is output, so using the output values Y,, Y, of this center of gravity derived value calculator 1e, Y.
−ＹＩ ＹＩを計算すると、ＹＩというように、上述の（Ｉ３）式で説明した重心値が求
められることになるのである。- YI When YI is calculated, the center of gravity value explained using the above-mentioned formula (I3) is obtained, such as YI.
第１４図に、以上の処理により階層ネットワーク部１１
に写像されることになるファジィ制御ルールの実現のた
めの機能配置を図示する。ここで、図中、記号の付かな
い○印は基本ユニットｌを示している。また、図中のＸ
Ｉ（ＳＡ）は、ＸＩという制御状態量についてのメンバ
ーシップ関数ＳＡにより求められるＸｌの真理値を表し
、ＬＨ３−１は、前件部演算の演算結果値を表し、Ｙ（
ＳＡ）は、Ｙという制御操作量についてのメンバーシッ
プ関数ＳＡに対応付けられるものであることを表してい
る。FIG. 14 shows that the hierarchical network unit 11 is
The functional arrangement for realizing the fuzzy control rules that will be mapped to is illustrated. Here, in the figure, a circle without a symbol indicates the basic unit l. Also, the X in the diagram
I(SA) represents the truth value of Xl determined by the membership function SA for the control state quantity XI, LH3-1 represents the calculation result value of the antecedent part calculation, and Y(
SA) indicates that it is associated with the membership function SA for the control operation amount Y.
第１５図に、この第１４図を機能ブロック化したものを
図示する。図中、処理ユニット１３ａは第１図の処理ユ
ニット１３に対応するというように、第１図で説明した
ものと同し機能を発揮するものについては対応する数値
でもって表記しである。但し、第１図の権威では、第４
の処理層の処理ユニット１６が同一制御操作量種別に係
る個々のメンバーシップ関数を管理するとともに、出カ
ニニット１７がそれらのメンバーシップ関数の関数和を
求めてファジィ推論値を算出するという権威を採るもの
を示したのに対して、この第１５図では、第４の処理層
の処理ユニット１６ａが同一制御操作量種別に係るメン
バーシップ関数の関数和を同時に算出してしまうという
権威を採るものを示すものであることから、第１図では
、処理ユニット１６を処理ユニット１５対応で備えるよ
うに示しているのに対して、第１５図では、同一制御操
作量種別に係る処理ユニット１５ａ群に対して処理ユニ
ット１６ａが１個備えられることで示しである。FIG. 15 shows a functional block diagram of FIG. 14. In the figure, components that perform the same functions as those explained in FIG. 1 are indicated by corresponding numerical values, such as the processing unit 13a corresponding to the processing unit 13 in FIG. 1. However, according to the authority of Figure 1, the fourth
The processing unit 16 of the processing layer manages individual membership functions related to the same control operation amount type, and the output unit 17 takes the authority to calculate the fuzzy inference value by calculating the function sum of these membership functions. In contrast, in FIG. 15, the processing unit 16a of the fourth processing layer simultaneously calculates the sum of the membership functions related to the same control operation amount type. Therefore, in FIG. 1, the processing unit 16 is shown to correspond to the processing unit 15, whereas in FIG. This is illustrated in that one processing unit 16a is provided.
このようにして、ユーザは、第１５図に示すように、階
層ネットワーク部１１の最前段の中間層（第１４図に示
すように次層を利用する場合もあるが、これを一体的な
ものであることから最前段の中間層であると言える）の
基本ユニットｌ−ｉに代えて、チューニング対象のファ
ジィ制御ルールの制御状態量のメンバーシップ関数の真
理値を算出して出力する処理ユニ、）１３ａを割り付け
、第２番目に位置する中間層の基本ユニット１に代えて
、チューニング対象のファジィ制御ルールの前件部演算
機能である入力値の平均値を算出して出力する処理ユニ
ット１４ａを割り付け、第３番目に位置する中間層の基
本ユニット１に代えて、チューニング対象のファジィ制
御ルールの後件部演算機能である入力値の加算値を算出
して出力する処理ユニット１５ａを割り付け、第４番目
に位置する中間層の基本ユニット１に代えて、チューニ
ング対象のファジィ制御ルールの制御操作量のメンバー
シップ関数の真理値をその前段に位置する処理ユニット
１５ａからの出力値に応して縮小して出力する処理ユニ
ット１６ａを割り付け、出力層の基本ユニット１に代え
て、チューニング対象のファジィ制御ルールの制御操作
量の重心演算のために用いられる２つの値を算出して出
力する出カニニット１７ａを割り付けることで、チュー
ニング対象のファジィ制御ルールの階層ネットワーク部
１１への写像を実現することになる。In this way, as shown in FIG. 15, the user can use the intermediate layer at the forefront of the hierarchical network section 11 (in some cases, the next layer is used as shown in FIG. In place of the basic unit l-i of the intermediate layer (which can be said to be the first intermediate layer), there is a processing unit that calculates and outputs the truth value of the membership function of the control state quantity of the fuzzy control rule to be tuned. ) 13a, and instead of the basic unit 1 of the second intermediate layer, a processing unit 14a that calculates and outputs the average value of input values, which is the antecedent calculation function of the fuzzy control rule to be tuned, is assigned. Allocation, instead of the basic unit 1 of the middle layer located at the third position, a processing unit 15a that calculates and outputs the sum of input values, which is the consequent calculation function of the fuzzy control rule to be tuned, is allocated. Instead of the basic unit 1 of the intermediate layer located at the fourth position, the truth value of the membership function of the control operation amount of the fuzzy control rule to be tuned is reduced according to the output value from the processing unit 15a located at the previous stage. In place of the basic unit 1 of the output layer, an output unit 17a that calculates and outputs two values used for calculating the center of gravity of the control operation amount of the fuzzy control rule to be tuned is assigned. By allocating , mapping of the fuzzy control rule to be tuned to the hierarchical network unit 11 is realized.
このファジィ制御ルールの写像処理にあって、例えば温
度のように同一種別の制御状態量のメンバーシップ関数
の真理値を算出して出力する処理ユニット１３ａ （図
中の破線で囲んだもの）については、特定の同一の入カ
ニニット１２（その制御状態量値を分配するもの）との
み内部結合する構成が採られることを基本とするが、こ
のメンバーシップ関数が例えば温度と湿度とにより規定
される不快指数のように異なる制御状態量に関係する場
合には、複数の入カニニット１２と内部結合する構成が
採られることになる。そして、第１０図で説明したよう
に、処理ユニット１６ａと対応する処理ユニット１５ａ
との間はすべて内部結合する構成が採られるとともに、
第１３図で説明したように、処理ユニット１６ａとこれ
に１対１対応で備えられる出力ユニット１７ａとの間も
またすべて内部結合する構成が採られることになる。In this fuzzy control rule mapping process, the processing unit 13a (encircled by a broken line in the figure) calculates and outputs the truth value of the membership function of the same type of control state quantity, such as temperature. Basically, a configuration is adopted in which internal connections are made only with specific identical input crab units 12 (those that distribute their control state quantity values), but this membership function is, for example, In the case of relating to different control state quantities such as an index, a configuration in which a plurality of input units 12 are internally coupled is adopted. As explained in FIG. 10, the processing unit 15a corresponding to the processing unit 16a
A configuration is adopted in which all connections are internally connected, and
As explained with reference to FIG. 13, a configuration is also adopted in which all of the processing unit 16a and the output unit 17a provided in one-to-one correspondence are internally coupled.
チューニング対象のファジィ制御ルールの写像処理が完
了すると、第２図に示したシステムを使用して、ユーザ
は、制御対象から人手される実際の制御データ群を学習
信号提示装置２０の学習信号格納部２１に登録し、続い
て、学習信号提示装置２０に対して、登録された制御デ
ータ群を階層ネットワーク構成データ処理装置１０ａに
提示していくよう指示することで、階層ネットワーク部
１１の重み値の学習の実行を指示する。When the mapping process of the fuzzy control rule to be tuned is completed, the user uses the system shown in FIG. 21, and then instruct the learning signal presentation device 20 to present the registered control data group to the hierarchical network configuration data processing device 10a. Instruct the execution of learning.
この重み値の学習にあたって、入カニニット１２と処理
ユニット１３ａとの間の内部結合の重み値の初期値とし
ては、第８図及び第９図で説明した対応の重み値（閾値
）がセットされる。また、処理ユニット１３ａと処理ユ
ニット１４ａとの間の内部結合の重み値の初期値として
は、第１１図（ａ）で説明したように“ｌ／入力点数”
がセットされる。また、処理ユニット１４ａと処理ユニ
ット１５ａとの間の内部結合の重み値の初期値としては
、第１１図（ｂ）で説明したように“１”がセットされ
る。また、処理ユニット１５ａと処理ユニフ）１６ａと
の間の内部結合の重み値の初期値としては、第１０図で
説明したように後件部メンバーシップ関数を実現する値
がセットされる。In learning this weight value, the corresponding weight value (threshold value) explained in FIGS. 8 and 9 is set as the initial value of the weight value of the internal connection between the input crab unit 12 and the processing unit 13a. . Moreover, as the initial value of the weight value of the internal connection between the processing unit 13a and the processing unit 14a, as explained in FIG. 11(a), "l/number of input points"
is set. Moreover, as the initial value of the weight value of the internal connection between the processing unit 14a and the processing unit 15a, "1" is set as explained in FIG. 11(b). Further, as the initial value of the weight value of the internal connection between the processing unit 15a and the processing unit 16a, a value that realizes the consequent membership function is set as explained in FIG.
そして、処理ユニット１６ａと出カニニット１７ａとの
間の内部結合の重み値の初期値としては、第１３図で説
明した対応の重み値がセットされることになる。Then, the corresponding weight value explained in FIG. 13 is set as the initial value of the weight value of the internal connection between the processing unit 16a and the output unit 17a.
学習信号提示装置２０から学習用の制御状態量データを
受は取ると、階層ネットワーク部１１の入カニニット１
２は、この制御状態量データを対応？処理ユニット１３
ａに分配する。続いて、この制御状態量データを受は取
ると、各処理ユニット１３ａは、前件部メンバーシップ
関数の真理値を算出して、次段の処理ユニット１４ａに
その算出した真理値を出力する。続いて、前件部メンバ
ーシップ関数の真理値と対応の重み値との乗算値を受は
取ると、処理ユニット１４ａは、その入力値の平均値を
算出して次段の処理ユニット１５ａに前件部演算の演算
値として出力する。続いて、前件部演算の演算値と対応
の重み値との乗算値を受は取ると、処理ユニット１５ａ
は、その入力値の加算値を算出して次段の処理ユニット
１６ａに後件部演算の演算値として出力する。続いて、
後件部演算の演算値と対応の重み値との乗算値を受は取
ると、処理ユニット１６ａは、出カニニット１７ａにそ
の人力値に応して縮小した後件部メンバーシップ関数の
真理値の関数和を出力する。続いて、この後件部メンバ
ーシップ関数の関数和を受は取ると、出カニニット１７
ａは、制御操作量データの算出のために必要となる上述
の２つの値Ｙ、、Ｙ！を算出して出力し、この出力を受
けて図示しない演算手段が最終的な出力である制御操作
量データを算出して重み値変更部３０ａ及び学習収束判
定部２３に出力する。When receiving control state quantity data for learning from the learning signal presentation device 20, the input unit 1 of the hierarchical network unit 11
2 corresponds to this control state quantity data? Processing unit 13
Distribute to a. Subsequently, upon receiving this control state quantity data, each processing unit 13a calculates the truth value of the antecedent membership function and outputs the calculated truth value to the next stage processing unit 14a. Next, when the product value of the truth value of the antecedent membership function and the corresponding weight value is obtained, the processing unit 14a calculates the average value of the input values and sends it to the next stage processing unit 15a. Output as the calculated value of the subject part calculation. Subsequently, when the multiplication value of the calculated value of the antecedent part calculation and the corresponding weight value is obtained, the processing unit 15a
calculates the added value of the input values and outputs it to the next stage processing unit 16a as the calculated value of the consequent part calculation. continue,
Upon receiving the multiplication value of the calculated value of the consequent part operation and the corresponding weight value, the processing unit 16a causes the output unit 17a to calculate the truth value of the consequent part membership function reduced according to the human power value. Outputs the function sum. Next, if we take the function sum of this consequent membership function, we get
a is the above-mentioned two values Y,, Y!, which are necessary for calculating the control operation amount data. In response to this output, a calculation means (not shown) calculates control operation amount data, which is the final output, and outputs it to the weight value changing section 30a and the learning convergence determining section 23.
このようにして出力ユニット１７ａから制御操作量デー
タを受は取ると、重み値変更部３０ａは、上述の（７）
式に従ってα、ｊを算出して（８）式に従って出カニニ
ット１７ａと処理ユニット１６ａとの間の内部結合の重
み値の更新量を算出する。ここで、出カニニット１７ａ
と処理ユニット１６ａとの間の内部結合の重み値はファ
ジィ制御ルールの重み付けのチューニングのためには大
きな意味を持たないものであることから、この算出され
た更新量に従って重み値を更新していかなくてもよい。When the control operation amount data is received from the output unit 17a in this way, the weight value changing unit 30a performs the above-mentioned (7).
α and j are calculated according to the formula (8), and the update amount of the weight value of the internal connection between the output unit 17a and the processing unit 16a is calculated according to the formula (8). Here, the out crab knit 17a
Since the weight value of the internal connection between and the processing unit 16a does not have much meaning for tuning the weighting of the fuzzy control rule, it is necessary to update the weight value according to the calculated update amount. You don't have to.
なお、この学習処理の開始にあたって、学習用の制御操
作量データから教師信号として用いられる上述の２つの
Ｙ、、Ｙｔを算出することが要求されるが、この処理は
、例えば、学習用の制御操作量データ値を通る特定な傾
きの直線と、後件部メンバーシップ関数の左右の両端点
上との交点に従って決定する等の方法により実行される
ことになる。In addition, at the start of this learning process, it is required to calculate the above-mentioned two Y, , Yt used as teacher signals from the control operation amount data for learning. This is executed by a method such as determining the intersection of a straight line with a specific slope passing through the manipulated variable data value and the left and right end points of the consequent membership function.
続いて、重み値変更部３０ａは、この算出したα□を用
いて、上述の（９）式に従ってβ１を算出して（ｌＯ）
式に従って処理ユニット１６ａと処理ユニット１５ａと
の間の内部結合の重み値の更新量を算出する。ここで、
処理ユニット１６ａと処理ユニット１５ａとの間の内部
結合の重み値もファジィ制御ルールの重み付けのチュー
ニングのためには大きな意味を持たないものであること
から、この算出された更新量に従って重み値を更新して
いかなくてもよい。Next, the weight value changing unit 30a uses this calculated α□ to calculate β1 according to the above equation (9), and obtains (lO).
The update amount of the weight value of the internal connection between the processing unit 16a and the processing unit 15a is calculated according to the formula. here,
Since the weight value of the internal connection between the processing unit 16a and the processing unit 15a does not have much meaning for tuning the weighting of the fuzzy control rule, the weight value is updated according to this calculated update amount. You don't have to do it.
続いて、重み値変更部３０ａは、この算出したβ□を用
いて、上述の（１１）式に従ってＴｐｂを算出して（１
２）式に従って処理ユニット１５ａと処理ユニット１４
ａとの間の内部結合の重み値の更新量を算出する。この
処理ユニット１５ａと処理ユニット１４ａとの間の内部
結合の重み値はファジィ制御ルールの重み付けのチュー
ニングのために意味を持つ重み値であることから、重み
値変更部３０ａは、この算出された更新量に従って次の
更新サイクルのための重み値を算出して重み値格納部１
８に格納する。Next, the weight value changing unit 30a calculates Tpb according to the above-mentioned equation (11) using this calculated β□, and obtains (1
2) Processing unit 15a and processing unit 14 according to formula
Calculate the update amount of the weight value of the internal connection with a. Since the weight value of the internal connection between the processing unit 15a and the processing unit 14a is a weight value that has meaning for tuning the weighting of the fuzzy control rule, the weight value changing unit 30a The weight value storage unit 1 calculates the weight value for the next update cycle according to the amount.
Store in 8.
続いて、重み値変更部３０ａは、同様の処理に従って、
ファジィ制御ルールの重み付けのチューニングのために
意味を持つ処理ユニット１４ａと処理ユニット１３ａと
の間の内部結合の重み値の更新量を算出し、次の更新サ
イクルのための重み値を算出して重み値格納部１８に格
納する。処理ユニット１３ａと入カニニット１２との間
の内部結合の重み値はファジィ制御ルールの重み付けの
チューニングのためには大きな意味を持たないものであ
ることから、重み値変更部３０ａは、ここで、この更新
サイクルでの重み値の更新処理を打ち切ることができる
。Subsequently, the weight value changing unit 30a performs the same process as follows.
The update amount of the weight value of the internal connection between the processing unit 14a and the processing unit 13a, which is meaningful for the tuning of the weighting of the fuzzy control rule, is calculated, and the weight value for the next update cycle is calculated. The value is stored in the value storage unit 18. Since the weight value of the internal connection between the processing unit 13a and the input crab unit 12 does not have much meaning for tuning the weighting of the fuzzy control rule, the weight value changing unit 30a here It is possible to abort the weight value update process in the update cycle.
学習信号提示装置２０の学習収束判定部２３が重み値の
学習収束を判断しない場合には、学習信号提示部２２か
ら同し学習用の制御データ群の提示が再度実行されるこ
とになるので、重み値変更部３０ａは、上述の処理と同
一の手順を繰り返していくことで、処理ユニット１５ａ
と処理ユニット１４ａとの間の内部結合の重み値と、処
理ユニット１４ａと処理ユニット１３ａとの間の内部結
合の重み値の更新処理を続行する。If the learning convergence determination unit 23 of the learning signal presentation device 20 does not determine learning convergence of the weight values, the learning signal presentation unit 22 will present the same learning control data group again. The weight value changing section 30a repeats the same procedure as the above-mentioned process, thereby changing the weight value changing section 30a to the processing unit 15a.
The process of updating the weight value of the internal connection between the processing unit 14a and the processing unit 14a and the weight value of the internal connection between the processing unit 14a and the processing unit 13a continues.
この学習処理により、学習用の制御データ群の関係付け
を規定する処理ユニット１５ａと処理ユニット１４ａと
の間の内部結合の重み値と、処理ユニット１４ａと処理
ユニット１３ａとの間の内部結合の重み値とが求められ
ることになるが、この重み値は、実際の制御対象の制御
内容を反映したものを意味している。すなわち、実際の
制御対象に従って、より関係が深いと規定される前件部
メンバーシップ関数と前件部演算との間の重み値と、前
件部演算と後件部演算（後件部メンバーシップ関数）と
の間の重み値はより大きな値をもつものに学習されるこ
とになる。これから、この重み値をファジィ制御ルール
の推論制御量値への寄与度を表す重み付けとして決定し
ていくことで、制御対象の忠実な制御モデルとなるファ
ジィ制御ルールを得ることができるのである。Through this learning process, the weight value of the internal connection between the processing unit 15a and the processing unit 14a that defines the relationship between the control data group for learning, and the weight value of the internal connection between the processing unit 14a and the processing unit 13a are determined. This weight value reflects the actual control content of the controlled object. In other words, the weight value between the antecedent membership function and the antecedent operation, which are determined to have a deeper relationship according to the actual control target, and the weight value between the antecedent membership function and the antecedent operation (the consequent membership function) The weight value between the functions) will be learned to be the one with the larger value. From now on, by determining this weight value as a weight representing the degree of contribution of the fuzzy control rule to the inferred control amount value, it is possible to obtain a fuzzy control rule that is a faithful control model of the controlled object.
以上に説明した実施例では、第５図及び第６図に示すよ
うなハードウェア部品により構成される階層ネットワー
ク部１１を利用するものを開示した０次に、計算機上に
構築される階層ネットワーク・シミュレータにより実現
される階層ネットワ−り部１１を利用する実施例につい
て詳細に説明する。In the embodiment described above, the hierarchical network part 11 constructed from hardware components as shown in FIGS. 5 and 6 is disclosed. An embodiment using the hierarchical network section 11 realized by a simulator will be described in detail.
第１６図に、階層ネットワーク・シミュレータを利用し
て本発明を実現するために使用する装置のシステム構成
を図示する０図中、第１図及び第２図で説明したものと
同しものについては同一の記号で示しである。１０ｂが
計算機上に構築される階層ネットワーク・シミュレータ
である。第１７図に、この階層ネットワーク・シミュレ
ータ１０ｂの詳細な機能構成を図示する。FIG. 16 shows the system configuration of the device used to implement the present invention using a hierarchical network simulator. Indicated by the same symbol. 10b is a hierarchical network simulator built on a computer. FIG. 17 illustrates the detailed functional configuration of this hierarchical network simulator 10b.
この第１７図に示すように、階層ネットワーク・シミュ
レータｌＯｂは、第１５図に示すような処理ニー’−７
ト１３ａ、１４ａ、１５ａ、１６ａ、及び出カニニット
１７ａの結合関係を管理するネットワーク構造管理部４
０と、演算処理全体の制御を実行する演算制御部４１と
、各処理ユニット１３ ａ ＋ １４ ａ ＋ １５
ａ ＋ １６ ａに入力される入力値を一時的に展開す
る入力データ展開部４２と、各内部結合に割り付けられ
る重み値を管理する重み値管理部４３と、テーブル手段
等により前件部メンバーシップ関数を管理する前件部メ
ンバーシップ関数管理部４４と、テーブル手段等により
後件部メンバーシップ関数を管理する後件部メンバーシ
ップ関数管理部４５と、各処理ユニット １３ ａ。As shown in FIG. 17, the hierarchical network simulator lOb has processing needs '-7' as shown in FIG.
A network structure management unit 4 that manages the connection relationship between the ports 13a, 14a, 15a, 16a, and the output unit 17a.
0, an arithmetic control unit 41 that controls the entire arithmetic processing, and each processing unit 13 a + 14 a + 15
a + 16 An input data expansion unit 42 that temporarily expands the input value input to a, a weight value management unit 43 that manages weight values assigned to each inner bond, and antecedent part membership by table means or the like. An antecedent membership function management unit 44 that manages functions, a consequent membership function management unit 45 that manages consequent membership functions using table means, etc., and each processing unit 13 a.
１４ ａ ＋ １５ ａ ＋ ｌ ６ ａの演算機能を
実行する演算実行部４６と、演算実行部４６により算出
された各処理ユニットの出力値となる演算値を管理する
出力データ管理部４７と、処理ユニット１６ａの演算値
に対して重心演算を実行することで階層ネットワーク・
シミュレータ１０ｂの出力値となる制御操作量データを
算出する重心演算部４８とを備えるよう構成される。14 a + 15 a + l 6 a calculation execution unit 46 that executes the calculation function of 6 a; an output data management unit 47 that manages the calculation values that are the output values of each processing unit calculated by the calculation execution unit 46; By performing centroid calculation on the calculated value of unit 16a, the hierarchical network
The simulator 10b is configured to include a center of gravity calculation unit 48 that calculates control operation amount data that is an output value of the simulator 10b.
そして、この演算実行部４６は、処理ユニット１３ａ、
１４ａ、１５ａ、１６ａの処理を模擬すべく、重み値と
入力値との乗算値を算出する乗算値算出部４９と、乗算
値算出部４９の乗算値に従って前件部メンバーシップ関
数の真理値を算出する前件部真理値算出部５０と、前件
部演算機能が入力値の最小値を求める場合に備えられて
、乗算値算出部４９の乗算値の内の最小値を特定する最
小値特定部５１と、後件部演算機能が人力値の最大値を
求める場合に備えられて、乗算値算出部４９の乗算値の
内の最大値を特定する最大値特定部５２と、後件部メン
バーシップ関数の関数値を縮小して出力する後件部真理
値出力部５３とを備えるよう構成される。The calculation execution unit 46 includes the processing unit 13a,
In order to simulate the processing of 14a, 15a, and 16a, a multiplication value calculation unit 49 calculates the multiplication value of the weight value and the input value, and a truth value of the antecedent membership function is calculated according to the multiplication value of the multiplication value calculation unit 49. The antecedent part truth value calculating unit 50 to calculate and the minimum value specifying unit which specifies the minimum value among the multiplication values of the multiplication value calculating unit 49, which is prepared when the antecedent part calculation function calculates the minimum value of the input value. unit 51, a maximum value specifying unit 52 that is provided when the consequent calculation function calculates the maximum value of the human power value and specifies the maximum value among the multiplication values of the multiplication value calculation unit 49, and a consequent part member. and a consequent truth value output unit 53 that reduces and outputs the function value of the ship function.
階層ネットワーク・シミュレータ１０ｂでは、基本ユニ
ットｌに割り付けられる重み値や闇値に従って前件部メ
ンバーシップ関数の算出機能や、前件部演算機能や、後
件部演算機能や、後件部メンバーシップ関数の出力機能
や、制御状態量データの重心演算機能を実現するもので
はないことから、基本ユニット１を利用する場合と異な
り、重み値の初期値としては“１”等が設定（ランダム
値を設定する方法を採ることも可能である）されること
になる、また、前件部及び後件部演算機能として、最小
値や最大値を選択するといった不連続な関数処理を用い
ることが可能であることから、このような関数処理を用
いる場合には、厳密な意味において上述したバック・プ
ロパゲーシッン法を使用することはできないのであるが
、本発明ではバック・プロパゲーション法を広義に捉え
て、内部状態値学習処理装置３０によりバック・プロパ
ゲーシッン法に従って重み値の学習を実行する槽底を採
るものである。勿論、本発明は重み値の学習方法により
その適用が限られるものではないので、より適切な学習
アルゴリズムに従って実行することも可能である。また
、この階層ネットワーク・シミュレータｔａｂでは、後
件部メンハーシソプ関数管理部４５がテーブル手段等に
より直接的に後件部メンバーシップ関数を管理する構成
を採ることから、処理ユニット１６ａについては、第１
図の１戒のように処理ユニット１５ａ対応で備えられる
槽底になる。The hierarchical network simulator 10b has a function for calculating an antecedent membership function, an antecedent calculation function, a consequent calculation function, and a consequent membership function according to the weight value and darkness value assigned to the basic unit l. Unlike when using basic unit 1, the initial value of the weight value is set to "1" etc. (random value is set). In addition, it is possible to use discontinuous functional processing such as selecting the minimum value or maximum value as the antecedent part and consequent part calculation function. Therefore, when using such functional processing, the above-mentioned back propagation method cannot be used in a strict sense, but in the present invention, the back propagation method is viewed in a broad sense, and the internal state In this example, the value learning processing device 30 performs learning of weight values according to the back propagation method. Of course, the application of the present invention is not limited to the method of learning weight values, so it is also possible to implement it according to a more appropriate learning algorithm. In addition, in this hierarchical network simulator tab, since the consequent part membership function management section 45 directly manages the consequent part membership function by table means or the like, the processing unit 16a is
As shown in the first commandment in the figure, the bottom of the tank is provided corresponding to the processing unit 15a.
次に、階層ネットワーク・シミュレータ１０ｂを使用し
た場合の本発明の処理について説明する。Next, the processing of the present invention when using the hierarchical network simulator 10b will be explained.
学習信号提示装置２０から学習用の制御状態量データを
入力データ展開部４２に受は取ると、乗算値算出部４９
は、入力データ展開部４２から各処理ユニット１３ａの
入力値を処理ユニット１３ａを単位にして読み出し、重
み値管理部４３からそれらの入力値に対応付けられる重
み値を読み出すとともに、これらの対応する乗算処理を
実行する。この乗算値が算出されると、前件部真理値夏
山部５０は、前件部メンバーシップ関数管理部４４から
対応の前件部メンバーシップ関数を読み出すとともに、
その読み出した前件部メンバーシップ関数に従ってこの
乗算値に対応付けられる真理値を算出して出力データ管
理部４７に格納する。When the control state quantity data for learning is received from the learning signal presentation device 20 to the input data development section 42, the multiplication value calculation section 49
reads out the input values of each processing unit 13a from the input data expansion section 42 in units of processing units 13a, reads out the weight values associated with those input values from the weight value management section 43, and performs their corresponding multiplication. Execute processing. When this multiplication value is calculated, the antecedent truth value Natsuyama section 50 reads out the corresponding antecedent membership function from the antecedent membership function management section 44, and
The truth value associated with this multiplication value is calculated according to the read antecedent membership function and stored in the output data management section 47.
すべての処理ユニット１３ａについての処理が終了する
と、出力データ管理部４７は、求められた前件部メンバ
ーシップ関数の真理値を入力データ展開部４２に展開す
る。When the processing for all processing units 13a is completed, the output data management unit 47 expands the obtained truth value of the antecedent membership function to the input data expansion unit 42.
続いて、乗算値算出部４９は、入力データ展開部４２か
ら各処理ユニット１４ａの入力値を処理ユニッｌ−１４
ａを単位にして読み出し、重み値管理部４３からそれら
の入力値に対応付けられる重み値を読み出すとともに、
これらの対応する乗算処理を実行する。この乗算値が算
出されると、最小値特定部５１は、この乗算値の内の最
小値を特定することで前件部演算の演算値を算出して出
力データ管理部４７に格納する。すべての処理ユニット
１４ａについての処理が終了すると、出力データ管理部
４７は、求められた前件部演算の演算結果値を入力デー
タ展開部４２に展開する。Subsequently, the multiplication value calculation section 49 converts the input value of each processing unit 14a from the input data expansion section 42 to the processing unit l-14.
a as a unit, read out the weight values associated with those input values from the weight value management section 43, and
Perform these corresponding multiplication operations. When this multiplication value is calculated, the minimum value specifying unit 51 calculates the calculated value of the antecedent part calculation by specifying the minimum value among the multiplication values, and stores it in the output data management unit 47. When the processing for all processing units 14a is completed, the output data management unit 47 expands the calculated result value of the antecedent part calculation to the input data expansion unit 42.
続いて、乗算値算出部４９は、入力データ展開部４２か
ら各処理ユニン）１５ａの入力値を処理ユニット１５ａ
を単位にして読み出し、重み値管理部４３からそれらの
入力値に対応付けられる重み値を読み出すとともに、こ
れらの対応する乗算処理を実行する。この乗算値が算出
されると、最大値特定部５２は、この乗算値の内の最大
値を特定することで後件部演算の演算値を算出して出力
データ管理部４７に格納する。すべての処理ユニット１
５ａについての処理が終了すると、出力データ管理部４
７は、求められた後件部演算の演算結果値を入力データ
展開部４２に展開する。Subsequently, the multiplication value calculation section 49 converts the input value of each processing unit 15a from the input data expansion section 42 into the processing unit 15a.
are read out in units of input values, the weight values associated with these input values are read out from the weight value management section 43, and the corresponding multiplication processing is executed. When this multiplication value is calculated, the maximum value specifying unit 52 calculates the calculated value of the consequent part calculation by specifying the maximum value among the multiplied values, and stores it in the output data management unit 47. All processing units 1
When the processing for 5a is completed, the output data management section 4
7 expands the calculated result value of the consequent part calculation into the input data expansion unit 42.
続いて、乗算値算出部４９は、入力データ展開部４２か
ら処理曳ニッ）１６ａの人力値を処理ユニット１６ａを
単位にして読み出し、重み値管理部４３からそれらの入
力値に対応付けられる重み値を読み出すとともに、これ
らの対応する乗算処理を実行する。この乗算値が算出さ
れると、後件部真理値出力部５３は、後件部メンバーシ
ップ関数管理部４５から対応の後件部メンバーシップ関
数を読み出すとともに、その読み出した後件部メンバー
シップ関数の関数値をこの乗算値に従って縮小して出力
データ管理部４７に格納する。すべての処理ユニット１
６ａについての処理が終了すると、出力データ管理部４
７は、縮小された後件部メンバーシップ関数の関数値を
同一種別の制御操作量を単位にして重心演算部４８に通
知し、この通知処理を受けて、重心演算部４８は、上述
の（１３）式の重心演算を実行することで階層ネットワ
ーク・シミュレータ１０ｂの出力値となる制御操作量デ
ータを算出して、内部状態値学習処理装置３０及び学習
信号提示装置２０の学習収束判定部２３に出力する。Subsequently, the multiplication value calculation unit 49 reads out the human power values of the processing unit 16a from the input data expansion unit 42, and the weight values associated with those input values from the weight value management unit 43. , and perform their corresponding multiplication operations. When this multiplication value is calculated, the consequent truth value output unit 53 reads out the corresponding consequent membership function from the consequent membership function management unit 45, and also reads out the consequent membership function that has been read out. The function value of is reduced according to this multiplication value and stored in the output data management section 47. All processing units 1
When the processing for 6a is completed, the output data management section 4
7 notifies the center of gravity calculation unit 48 of the function value of the reduced consequent membership function in units of control operation amounts of the same type, and upon receiving this notification processing, the center of gravity calculation unit 48 performs the above-mentioned (( 13) By executing the center of gravity calculation of the equation, the control operation amount data that becomes the output value of the hierarchical network simulator 10b is calculated and sent to the learning convergence determination unit 23 of the internal state value learning processing device 30 and the learning signal presentation device 20. Output.
このようにして階層ネットワーク・シミュレータ１０ｂ
から制御操作量データを受は取ると、内部状ｍｏｗ学習
処理装置３０は、上述した重み値変更部３０ａの処理と
同様の処理を実行することで、ファジィ制御ルールの重
み付けのチューニングのために意味を持つ重み値である
処理ユニット１５ａと処理ユニット１４ａとの間の内部
結合の重み値と、処理ユニット１４ａと処理ユニット１
５ａとの間の内部結合の重み値の更新量を算出するとと
もに、この算出された更新量に従って次の更新サイクル
のための重み値を算出して階層ネットワーク・シミュレ
ータ１０ｂの重み値管理部４３の重み値を更新する。In this way, the hierarchical network simulator 10b
When receiving the control operation amount data from , the internal state mow learning processing device 30 executes processing similar to the processing of the weight value changing unit 30a described above, thereby determining the meaning for tuning the weighting of the fuzzy control rule. The weight value of the internal connection between the processing unit 15a and the processing unit 14a, which is the weight value of the processing unit 14a and the processing unit 1
5a, and calculates the weight value for the next update cycle according to the calculated update amount, and the weight value management unit 43 of the hierarchical network simulator 10b Update weight values.
そして、学習信号提示装置２０の学習収束判定部２３が
重み値の学習収束を判断しない場合には、学習信号提示
部２２から同し学習用の制御データ群の提示が再度実行
されることになるので、内部状態値学習処理装置３０は
、この処理手順を繰り返していくことで、処理ユニット
１５ａと処理ユニット１４ａとの間の内部結合の重み値
と、処理ユニット１４ａと処理ユニー／ ） １３ ａ
との間の内部結合の重み値の学習値を学習する。If the learning convergence determining unit 23 of the learning signal presenting device 20 does not determine the learning convergence of the weight values, the learning signal presenting unit 22 presents the same control data group for learning again. Therefore, by repeating this processing procedure, the internal state value learning processing device 30 calculates the weight value of the internal connection between the processing unit 15a and the processing unit 14a, and the processing unit 14a and the processing unit / ) 13 a
Learn the learning value of the weight value of the inner connection between.
二の学習処理により、第５図及び第６図に示すようなハ
ードウェア部品により構成される階層ネットワーク部１
１を利用する場合と同様に、学習用の制御データ群の関
係付けを表現する処理ユニット１５ａと処理ユニット１
４ａとの間の内部結合の重み値と、処理ユニット１４ａ
と処理ユニット１３ａとの間の内部結合の重み値が求め
られることになり、これから制御対象の忠実な制御モデ
ルとなるファジィ制御ルールの重み付けがチューニング
できるのである。Through the second learning process, the hierarchical network section 1 composed of hardware components as shown in FIGS. 5 and 6
1, the processing unit 15a and the processing unit 1 express the relationship between the control data group for learning.
4a and the processing unit 14a.
The weight value of the internal connection between the control target and the processing unit 13a is determined, and from this it is possible to tune the weighting of the fuzzy control rule that becomes a faithful control model of the controlled object.
次に、本発明によるファジィ制御ルールの重み付けのチ
ューニング方法を模擬するために行ったシミュレーショ
ンについて説明する。Next, a simulation performed to simulate the fuzzy control rule weighting tuning method according to the present invention will be described.
このシミュレーションは、第１８図に示す１０個のファ
ジィ制御ルールの重み付けをチューニングすることで行
った。ここで、これらのファジィ制御ルールの前件部を
記述する制御状態量として、第１９図に示すｒＴＵｌ、
ＡＬＫ、ＴＥＭＰ、ＴＵＳＥ、ＴＵＵＰ、ＦＬＯＣ，５
ＴＡＴ、という７種類の制御状態量があり、後件部を記
述する制御操作量として第１９図に示すｒＤＤＯ３Ｊと
いう１種類の制御操作量があることを想定した。This simulation was performed by tuning the weighting of the 10 fuzzy control rules shown in FIG. Here, rTUl shown in FIG. 19 is used as the control state quantity that describes the antecedent part of these fuzzy control rules.
ALK, TEMP, TUSE, TUUP, FLOC, 5
It is assumed that there are seven types of control state quantities called TAT, and one type of control operation quantity rDDO3J shown in FIG. 19 as a control operation quantity that describes the consequent part.
第１８図に示すファジィ制御ルールの前件部記述に示す
ように、ｒＴＵＩＪについては、ｒＳＡ（小さい）」と
ｒＭＭ （普通）」とｒＬＡ （大きい）」とｒＳＴ
（〜より小さい）」というメンバーシップ関数が使用さ
れ、ｒＡＬＫＪについては、ｒＳＡ （小さい）」とｒ
ＬＡ （大きい）」というメンバーシップ関数が使用さ
れ、ｒＴＥＭＰＪについては、ｒｌｓ （小さくない）
」とｒＳＡ （小さい）」というメンバーシップ関数が
使用され、ｒＴＵＳＥ、については、ｒＬＡ （大きい
）」とｒｌＬ（大きくない）」というメンバーシップ関
数が使用され、ｒＴＵＵＰＪについては、ｒＭＭ（普通
）」とｒＭＬ （少し大きい）」とｒＬＡ（大きい）」
というメンバーシップ関数が使用され、「ＦＬＯＣ」に
ついてはｒｓＡ （小さい）」というメンバーシップ関
数が使用され、ｒＳＴＡＴ」については、ｒＬＡ （大
きい）Ｊというメンバーシップ関数が使用されることを
想定している。As shown in the antecedent description of the fuzzy control rule shown in Figure 18, for rTUIJ, rSA (small)'', rMM (normal)'', rLA (large)'', and rST
(less than)' membership functions are used, and for rALKJ, rSA (less than)' and r
A membership function called ``LA (large)'' is used, and for rTEMPJ, ``rls (not small)'' is used.
For rTUSE, the membership functions ``and rSA (small)'' are used, for rTUSE, the membership functions ``rLA (large)'' and rlL (not large)'' are used, and for rTUUPJ, the membership functions ``rMM (medium)'' are used. rML (slightly larger)" and rLA (larger)"
It is assumed that the membership function ``rsA (small)'' is used for ``FLOC'', and the membership function rLA (large) J is used for ``rSTAT''. .
第２０図に、これらのメンバーシップ関数の関数形状の
定義を示すとともに、第２１図に、これらのメンバーシ
ップ関数がもつこの関数形状のパラメータＰ 、（ｉ
−１，２，３）の設定値を図示する。Figure 20 shows the definition of the function shapes of these membership functions, and Figure 21 shows the parameters P, (i
-1, 2, 3) setting values are illustrated.
また、第１８図に示すファジィ制御ルールの後件部記述
に示すように、ｒＤＤｏｓ、については、ｒＰＭ （正
で中位）ｊとｒＮＭ （負で中位）」とｒＰＢ （正で
大きく）」とｒＰＳ （正で小さく）」というメンバー
シップ関数が使用されることを想定している。第２２図
に、これらのメンバーシップ関数の関数形状の定義を示
すとともに、第２３図に、これらのメンバーシップ関数
がもつこの関数形状のパラメータＰ 、（ｉ ＝１．２
．３）の設定値を図示する。Furthermore, as shown in the consequent description of the fuzzy control rule shown in Figure 18, for rDDos, rPM (positive and medium)j, rNM (negative and medium)'', and rPB (positive and large)''. It is assumed that a membership function of ``and rPS (positive and small)'' is used. Figure 22 shows the definition of the function shapes of these membership functions, and Figure 23 shows the parameters P, (i = 1.2) of the function shapes of these membership functions.
．． The setting values for 3) are illustrated.
第２４図に、階層ネットワーク部１１に写体された第１
８図のファジィ制御ルールを図示する。In FIG. 24, the first
8 illustrates the fuzzy control rule of FIG.
なお、図中、入カニニット１２については省略しである
。この図に示すように、第１の処理層の処理ユニット１
３ａは、制御状態量のメンバーシップ関数の数に合わせ
て１５ユ；ット用意され、第２の処理層の処理ユニット
１４ａは、ファジィ制御ルールの数に合わせて１０ユニ
ツト用意され、第３の処理層の処理ユニット１５ａは、
制御操作量のメンバーシップ関数の数に合わせて４ユニ
ツト用意されることになる。ここで、第２の処理層の処
理ユニット１４ａには、人力値の平均値を特定する前件
部演算機能（ｉ小値をとる機能として近似したものであ
る）が割り付けられ、第３の処理層の処理ユニット１５
ａには、入力値の加算値を特定する後件部演算機能（Ｉ
ｔ人力値とる機能として近似したものである）が割り付
けられる。In addition, in the figure, the crab knit 12 is omitted. As shown in this figure, the processing unit 1 of the first processing layer
3a, 15 units are prepared according to the number of membership functions of the control state quantity, 10 units of processing units 14a of the second processing layer are prepared according to the number of fuzzy control rules, and the third The processing unit 15a of the processing layer is
Four units are prepared according to the number of membership functions of the control operation amount. Here, the processing unit 14a of the second processing layer is assigned an antecedent calculation function (approximated as a function that takes the small value of i) that specifies the average value of the human power values, and the third processing Layer processing unit 15
a has a consequent calculation function (I
t) is assigned as an approximation of the function that takes the human power value.
このシミュレーションでは、制御対象から第２５図に示
す３０個の制御データが入手されたものとして、学習定
数εの値を０．５、モーメンタムこの値を０．４に設定
して重み値の学習を行った。In this simulation, assuming that 30 pieces of control data shown in Figure 25 have been obtained from the controlled object, the learning constant ε is set to 0.5, the momentum value is set to 0.4, and the weight value is learned. went.
第２６図に、最も誤差値の小さくなった更新サイクル回
数が１０００回のときの重み値の学習データを図示する
。この図では、例えばＮｏ、２のファジィ制御ルール中
の１．６６７５２８″は、第１８図に示すＮｏ、２のフ
ァジィ制御ルールのｒＴＵｌのＭＭＪを扱う処理ユニッ
ト１３ａとＮｏ、２のファジィ制御ルールの前件部演算
を扱う処理ユニット１４ａとの間の内部結合の重み値の
学習データであるというように、第１８図のファジィ制
御ルールの１１部に表れる順番に従って処理ユニット１
３ａと処理ユニット１４ａとの間の内部結合の重み値の
学習データを示すとともに、例えばＮｏ、２のファジィ
制御ルール中の“０．６４００２６″は、ＮＯ３２のフ
ァジィ制御ルールの前件部演算を扱う処理ユニット１４
ａとＮｏ、２のファジィ制御ルールの後件部演算を扱う
処理ユニット１５ａとの間の重み値の学習データという
ように、処理ユニット１３ａと処理ユニッｌ−１４ａと
の間の内部結合の重み値の学習データを示しである。FIG. 26 shows learning data of weight values when the number of update cycles with the smallest error value is 1000. In this figure, for example, 1.667528'' in the fuzzy control rule No. 2 corresponds to the processing unit 13a that handles the MMJ of rTUl of the fuzzy control rule No. 2 shown in FIG. The processing unit 1 follows the order appearing in part 11 of the fuzzy control rule in FIG.
3a and the processing unit 14a, and for example, "0.640026" in the fuzzy control rule No. 2 handles the antecedent calculation of the fuzzy control rule No. 32. Processing unit 14
The weight value of the internal connection between the processing unit 13a and the processing unit 1-14a, such as the learning data of the weight value between the processing unit 15a that handles the consequent part calculation of the fuzzy control rule No. 2. The training data is shown below.
この第２６図から、第１８図に示すＮｏ、４のファジィ
制御ルールを適用する場合には、ｒＡＬＫのＳＡ、とい
うメンバーシップ関数から求まる真理値を“０．４１７
３２３”倍し、ｒＴＵｌのＬＡＪというメンバーシップ
関数から求まる真理値を”２．０１０９９０”倍して、
小さい方の値等を特定するとともに、その特定値した値
を“２．１６６８８５”倍して、Ｎｏ。From this Fig. 26, when applying the fuzzy control rule No. 4 shown in Fig. 18, the truth value found from the membership function SA of rALK is “0.417
323", and the truth value found from the membership function LAJ of rTUl is multiplied by "2.010990".
Specify the smaller value, etc., and multiply the specified value by "2.166885", and select No.
２のファジィ制御ルールから求まる値との大きい方の値
等でもってｒＤＤｏｓのＮＭ、というメンバーシップ関
数の真理値を算出するというように処理すればよいこと
を表している。また、この図から、Ｎｏ、７やＮｏ、１
０のファジィ制御ルールは、他のファジィ制御ルールに
比較して制御量の推論値に対して比較的小さな寄与しか
していないことや、Ｎｏ、３のファジィ制御ルールにお
けるｒＴＵｌのＳＡＪの真理値は、ｒＡＬＫのＬＡＪの
真理値に比べて制御量の推論値に対して比較的小さな寄
与しかしていないこと等が一目見るだけで明らかになる
。This means that the truth value of the membership function NM of rDDos can be calculated using the larger value of the value obtained from the fuzzy control rule in No. 2. Also, from this diagram, No. 7, No. 1,
The fuzzy control rule No. 0 makes a relatively small contribution to the inference value of the control amount compared to other fuzzy control rules, and the truth value of SAJ of rTUl in the fuzzy control rule No. 3 is as follows. It becomes clear at a glance that rALK makes only a relatively small contribution to the inferred value of the control amount compared to the truth value of LAJ.
この学習された重み値をファジィ制御ルールの重み付け
の値として用いることで、ファジィ制御ルールを制御対
象に忠実なものとすることができるようになるのである
。By using this learned weight value as the weighting value of the fuzzy control rule, it becomes possible to make the fuzzy control rule faithful to the controlled object.
このように、本発明によれば、階層ネットワーク部１１
上にファジィファジィ制御ルールを写像させて、学習さ
れた階層ネットワークの重み値でもってファジィ制御ル
ールの重み付けを特定していくようにするものであるこ
とから、ファジィ制御ルールの重み付けを機械的かつ客
観的に評価できるようになるのである。As described above, according to the present invention, the hierarchical network unit 11
Since the fuzzy control rules are mapped onto the top of the map and the weighting of the fuzzy control rules is specified using the weight values of the learned hierarchical network, the weighting of the fuzzy control rules can be determined mechanically and objectively. It becomes possible to evaluate it objectively.
図示実施例について説明したが、本発明はこれに限定さ
れるものではない。例えば、本出願人は、先に出願の「
特願昭６３−２２７８２５号（昭和６３年９月１２日出
願、“ネットワーク構成データ処理装置の学習処理方式
°）」で、バック・プロパゲーシッン法の改良を図って
より短時間で重み値の学習処理を実現できるようにする
発明を開示したが、本発明ではこの学習方式を利用する
ことができるのである。また、実施例では、前件部メン
バーシップ関数として制御状態量に係るもの、後件部メ
ンバーシップ関数として制御操作量に係るもののファジ
ィ制御ルールの重み付けのチューニングで説明したが、
本発明はこれに限られるものではなくて、前件部メンバ
ーシップ関数として制御操作量に係るもの、後件部メン
バーシップ関数として制御状態量に係るもののファジィ
制御ルールの重み付けのチューニングに対してもそのま
ま適用できる。Although the illustrated embodiment has been described, the present invention is not limited thereto. For example, the applicant has previously filed an application for
Patent Application No. 1983-227825 (filed on September 12, 1988, "Learning Processing Method for Network Configuration Data Processing Devices") aims to improve the back propagation method to learn the weight values in a shorter time. Although the present invention has disclosed an invention that makes it possible to realize this, this learning method can be used in the present invention. In addition, in the embodiment, the weighting of the fuzzy control rule was explained for the one related to the control state quantity as the antecedent membership function and the one related to the control operation amount as the consequent membership function,
The present invention is not limited to this, but also applies to the tuning of the weighting of fuzzy control rules that are related to the amount of control operation as the antecedent membership function and related to the control state amount as the consequent membership function. It can be applied as is.
そして、重心演算により制御量データを算出する構成で
もって説明したが、本発明はこれに限られるものではな
くて、別のファジィ推論値の演算方式を採るものであっ
てもよい、また、入カニニットや処理ユニットや出カニ
ニットの演算処理の実現方法は如何なる方法を採るもの
であってもよいのである。Although the present invention has been described with a configuration in which control amount data is calculated by calculating the center of gravity, the present invention is not limited to this, and may adopt another calculation method for fuzzy inference values. Any method may be used to implement the arithmetic processing of the crab unit, the processing unit, and the output crab unit.
（発明の効果〕以上説明したように、本発明によれば、ファジィ制御ル
ールの重み付けのチューニングを機械的かつ自動的に実
現できるようになる。従って、手作業によっていたファ
ジィ制御ルールの重み付けのチューニングを、極めて少
ない作業量でもって客観的に実行できるようになる。そ
して、制御対象に関しての制御知識が乏しい場合でも、
ファジィ制御ルールの重み付けのチューニングを容易に
実現できるようになる。しかも、このチューニングされ
たファジィ制御ルールに従ってファジィ制御器を構築し
た場合にあっても、運用中の実制御データを使用して制
御対象に適合したファジィ制御ルールへとチューニング
を行うことが可能となる０以上のことから、本発明によ
り、ファジィ制御器をより実用的なものとすることがで
きるようになるのである。(Effects of the Invention) As explained above, according to the present invention, it is possible to mechanically and automatically tune the weighting of fuzzy control rules. can be executed objectively with an extremely small amount of work.Also, even if control knowledge about the controlled object is limited,
It becomes possible to easily tune the weighting of fuzzy control rules. Moreover, even if a fuzzy controller is constructed according to this tuned fuzzy control rule, it is possible to use actual control data during operation to tune the fuzzy control rule to suit the controlled object. 0 or more, the present invention makes it possible to make the fuzzy controller more practical.
【図面の簡単な説明】第１図は本発明の原理構成図、第２図は本発明の実現のために使用するシステムの説明
図、第３図は基本ユニットの基本構成図、第４図は階層ネットワーク部の基本構成図、第５図は基
本ユニットの一実施例、第６図は階層ネットワーク部の一実施例、第７図はメン
バーシップ関数の説明図、第８図及び９図は前件部メン
バーシップ関数の真理値の算出機能の割付処理の説明図
。第１０図は後件部メンバーシップ関数の真理値の出力機
能の割付処理の説明図、第１１図は前件部演算機能及び後件部演算機能の割付処
理の説明図、第１２図はファジィ推論値の説明図、第１３図はファジィ推論値の算出機能の割付処理の説明
図、第１４図及び第１５図は写像されたファジィ制御ルール
の説明図、第１６図は本発明の実現のために使用するシステムの説
明図、第１７は階層ネットワーク・シミュレータの説明図、第１８図はシミュレーションに使用したファジィ制御ル
ールの説明図、第１９図はシミュレーションに使用した制御状態量及び
制御操作量の説明図、第２０図及び第２１図はシミュレーションに使用した制
御状態量のメンバーシップ関数の説明図、第２２図及び
第２３図はシごユレーシッンに使用した制御操作量のメ
ンバーシップ関数の説明図、第２４図はシ主ニレ−ジョ
ンに使用した階層ネットワーク部の説明図、第２５図はシ稟ニレ−ジョンに使用した学習用の制御デ
ータの説明図、第２６図はシミュレーションにより求められる重み値の
学習データの説明図である。図中、１は基本ユニット、１°は入カニニット、２は乗
纂処理部、３は累算処理部、４は閾値処理―、１０は階
層ネットワーク構成データ処理手段、１０ａは階層ネッ
トワーク構成データ処理装置、１０ｂは階層ネットワー
ク・シミュレータ、１１は階層ネットワーク部、１２は
入カニニット、１３．１４．１５及び１６は処理ユニッ
ト、１７は出カニニット、１８は重み値格納部、２０は
学習信号提示装置、２１は学習信号格納部、２２は学習
信号提示部、２３は学習収束判定部、３０は内部状態値
学習処理装置である。丑Ｒ岨０り[BRIEF DESCRIPTION OF THE DRAWINGS] Fig. 1 is a diagram of the principle configuration of the present invention, Fig. 2 is an explanatory diagram of the system used to realize the present invention, Fig. 3 is a basic configuration diagram of the basic unit, and Fig. 4 is a basic configuration diagram of the hierarchical network section, FIG. 5 is an example of the basic unit, FIG. 6 is an example of the hierarchical network section, FIG. 7 is an explanatory diagram of the membership function, and FIGS. 8 and 9 are FIG. 7 is an explanatory diagram of the allocation process of the truth value calculation function of the antecedent membership function. Figure 10 is an explanatory diagram of the assignment process of the truth value output function of the consequent membership function. Figure 11 is an explanatory diagram of the assignment process of the antecedent part calculation function and the consequent part calculation function. Fig. 13 is an explanatory diagram of the allocation process of the fuzzy inference value calculation function; Figs. 14 and 15 are explanatory diagrams of mapped fuzzy control rules; Fig. 16 is an illustration of the implementation of the present invention. Figure 17 is an explanatory diagram of the hierarchical network simulator, Figure 18 is an explanatory diagram of the fuzzy control rules used in the simulation, and Figure 19 is the control state quantity and control operation amount used in the simulation. 20 and 21 are explanatory diagrams of the membership functions of the control state quantities used in the simulation, and Figures 22 and 23 are explanatory diagrams of the membership functions of the control manipulated variables used in the simulation. Figure 24 is an explanatory diagram of the hierarchical network part used for the main revision, Figure 25 is an explanatory diagram of the control data for learning used for the revision, and Figure 26 is obtained by simulation. FIG. 3 is an explanatory diagram of learning data of weight values. In the figure, 1 is a basic unit, 1° is an input unit, 2 is a multiplication processing unit, 3 is an accumulation processing unit, 4 is a threshold processing unit, 10 is a hierarchical network configuration data processing means, and 10a is a hierarchical network configuration data processing unit. 10b is a hierarchical network simulator, 11 is a hierarchical network unit, 12 is an input unit, 13, 14, 15 and 16 are processing units, 17 is an output unit, 18 is a weight value storage unit, 20 is a learning signal presentation device, 21 is a learning signal storage section, 22 is a learning signal presentation section, 23 is a learning convergence determination section, and 30 is an internal state value learning processing device. Ushi R 0ri
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2060261AJP2763369B2 (en) | 1990-03-12 | 1990-03-12 | How to tune fuzzy control rules |
| CA002057078ACA2057078C (en) | 1990-03-12 | 1991-03-12 | Neuro-fuzzy fusion data processing system |
| AU74509/91AAU653146B2 (en) | 1990-03-12 | 1991-03-12 | Integrated fuzzy logic neural network processor and controller |
| US07/773,576US5875284A (en) | 1990-03-12 | 1991-03-12 | Neuro-fuzzy-integrated data processing system |
| EP91905520AEP0471857B1 (en) | 1990-03-12 | 1991-03-12 | Neuro-fuzzy integrated data processing system; network structure conversion system ; fuzzy model extracting system |
| KR1019910701593AKR950012380B1 (en) | 1990-03-12 | 1991-03-12 | Neuro-fuzzy fusion data processing system |
| PCT/JP1991/000334WO1991014226A1 (en) | 1990-03-12 | 1991-03-12 | Neuro-fuzzy fusion data processing system |
| US09/253,705US6456989B1 (en) | 1990-03-12 | 1999-02-22 | Neuro-fuzzy-integrated data processing system |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2060261AJP2763369B2 (en) | 1990-03-12 | 1990-03-12 | How to tune fuzzy control rules |
| Publication Number | Publication Date |
|---|---|
| JPH03260805Atrue JPH03260805A (en) | 1991-11-20 |
| JP2763369B2 JP2763369B2 (en) | 1998-06-11 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2060261AExpired - LifetimeJP2763369B2 (en) | 1990-03-12 | 1990-03-12 | How to tune fuzzy control rules |
| Country | Link |
|---|---|
| JP (1) | JP2763369B2 (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05150992A (en)* | 1991-11-26 | 1993-06-18 | Komatsu Ltd | Automatic method of fuzzy reasoning to neural network |
| JPH05334309A (en)* | 1992-05-29 | 1993-12-17 | Fujitsu Ltd | Bond rating determination device and financial consulting method |
| WO1996002880A1 (en)* | 1994-07-20 | 1996-02-01 | Siemens Aktiengesellschaft | Method and arrangement for using fuzzy logic in automation systems |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02292602A (en)* | 1989-05-02 | 1990-12-04 | Nkk Corp | Artificial neural circuit network type fuzzy controller |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02292602A (en)* | 1989-05-02 | 1990-12-04 | Nkk Corp | Artificial neural circuit network type fuzzy controller |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05150992A (en)* | 1991-11-26 | 1993-06-18 | Komatsu Ltd | Automatic method of fuzzy reasoning to neural network |
| JPH05334309A (en)* | 1992-05-29 | 1993-12-17 | Fujitsu Ltd | Bond rating determination device and financial consulting method |
| WO1996002880A1 (en)* | 1994-07-20 | 1996-02-01 | Siemens Aktiengesellschaft | Method and arrangement for using fuzzy logic in automation systems |
| Publication number | Publication date |
|---|---|
| JP2763369B2 (en) | 1998-06-11 |
| Publication | Publication Date | Title |
|---|---|---|
| Jang et al. | Neuro-fuzzy modeling and control | |
| WO1991014226A1 (en) | Neuro-fuzzy fusion data processing system | |
| Kurian et al. | An adaptive neuro-fuzzy model for the prediction and control of light in integrated lighting schemes | |
| JPH03260805A (en) | How to tune fuzzy control rules | |
| JPH03260803A (en) | How to generate fuzzy control rules | |
| JP2763368B2 (en) | Tuning method of membership function in fuzzy control | |
| JP2501932B2 (en) | Center of gravity determining element output device by neural network | |
| JP3172164B2 (en) | Group-based sequential learning method of connection in neural network | |
| Montes et al. | Interpretable Fuzzy Models from Data and Adaptive Fuzzy Control: A New Approach | |
| JP2763371B2 (en) | Hierarchical network configuration fuzzy controller | |
| JP2559880B2 (en) | Fuzzy controller | |
| JP2559881B2 (en) | Fuzzy controller | |
| JP2559883B2 (en) | Fuzzy controller | |
| JP2763370B2 (en) | Hierarchical network configuration fuzzy controller | |
| JPH0414192A (en) | Group unit learning adjustment system for connection in neural network | |
| JPH03271806A (en) | Fuzzy controller | |
| JP2559877B2 (en) | Fuzzy controller | |
| JP2763366B2 (en) | Hierarchical network configuration data processing device and data processing system | |
| JP2559876B2 (en) | Fuzzy controller | |
| JP2559882B2 (en) | Fuzzy controller | |
| JPH03269777A (en) | Learning adjustment system for coupling in neural network | |
| JPH03271805A (en) | fuzzy controller | |
| JPH03271811A (en) | Fuzzy controller | |
| JPH03268055A (en) | Teacher signal determining device for centroid determining element output device | |
| JPH04348453A (en) | Neuron element for fuzzy logic arithmetic |