JPH0588900A - 学習型フアジイ制御装置および制御方法 - Google Patents

Abstract

(57)【要約】 【目的】 ファジィ推論が含むメンバシップ関数の形状
を学習すること、または逆ファジィ推論を行うことによ
り、高精度の制御装置を学習により得ることができるよ
うにする。 【構成】 ファジィ推論の計算過程を計算ネットワ−ク
で表現することにより、メンバシップ関数形状を指定す
るパラメ−タ、または入力変数により出力の偏微分係数
を高速に求め、この偏微分係数の値に基づき最急降下法
等を用いてパラメ−タまたは入力変数の値を調節する。
この方法により、教師デ−タを与えることによりメンバ
シップ関数の形状を調節し、または制御対象の特性の時
間変化に適応するための内部変数の値を求めることがで
きる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ファジィ推論を用いた
制御装置において、ファジィ推論が含むメンバシップ関
数の形状を学習により調節することにより、または逆フ
ァジィ推論を行うことにより、高精度の制御装置を学習
により得ることが可能な学習型ファジィ制御装置および
制御方法に関する。

【０００２】

【従来の技術】従来より、ファジィ推論を用いた制御装
置において、学習によるパラメ−タの調節を行う方法と
しては、例えば『計測自動制御学会論文集』第２４巻第
２号（1984)pp.191〜197の“自己調整ファジィコントロ
−ラ”（以下、従来技術１と記す）、および『第６回フ
ァジィシステムシンポジウム講演論文集』（1990年)pp.
423〜426の“最急降下法によるファジィ推論の自動チュ
−ニングと障害物回避への応用”（以下、従来技術２と
記す）において論じられている。一方、ユュ−ラルネッ
トによる制御において、学習を行う方法としては、例え
ば『計測と制御』（計測自動制御学会）第３０巻第４号
（1991年)pp.302〜308の“ニュ−ラルネットワ−クにお
ける学習・適応制御”（以下、従来技術３と記す）、お
よび『コントロ−ルシステムズマガジン』(IEEE Ｃont
rol ＳystemsＭagazine,Ａpr.1990)第１０巻第３号（1
990年)pp.18〜23の“自己学習型制御システムのための
ニュ−ラルネット"（Ｎeural Ｎetworks for Ｓelf-
Ｌearning Ｃontrol Ｓystems)(以下、従来技術４と
記す)において論じられている。

【０００３】

【発明が解決しようとする課題】上記従来技術１では、
二段のハイアラキ−構造を持ち、下部に単純ファジィ調
節アルゴリズム、上部に自動学習アルゴリズムを備えて
いる。すなわち、パラメ−タ調節の対象となるのは、入
力および出力変数のスケ−リングファクタと出力メンバ
シップ関数だけであって、入力変数に対応したメンバシ
ップ関数の形状は調節の対象となっていなかった。その
結果、パラメ−タ調節による学習の効果には制限があっ
た。さらに、パラメ−タの調節方法が予め与えられたル
−ルに基づいて決定されるので、調節のためのル−ルを
どのように作成するかが極めて困難となる。また、上記
従来技術２では、メンバ−シップ関数を三角形型として
いる。すなわち、最急降下法によるパラメ−タ調節を行
うために、ファジィ推論として特殊な形のものに制限し
ており、Ｍamdaniの推論法と知られている方法等、他の
ファジィ推論法には適用できないという問題点がある。
さらに、この従来技術２では、人間による操作を制御の
正解値（教師デ−タ）として扱っているが、このような
教師デ−タを利用できない制御装置に対しては適用する
ことが不可能であった。次に、上記従来技術３および従
来技術４では、ニュ−ラルネットワ−クの学習アルゴリ
ズムを用いてパラメ−タを調節しているので、適当な教
師デ−タを与えるだけで学習を行うことができる。 しかしながら、一般にニュ−ラルネットにおいては、次
のような問題点がある。（イ）学習後のニュ−ラルネッ
トの動作について、何故そのような動作を行ったのかと
いう説明ができず、内部をブラックボックスとして扱わ
ざるを得ない。 （ロ）予め先験的に判明している知識をネットワ−クに
反映させることが困難であり、０から学習するために、
学習に要する時間が長くなる。本発明の目的は、これら
従来の課題を解決し、内部動作をブラックボックスとせ
ず、かつ予め判明している知識をネットワ−クに反映さ
せることができ、学習に要する時間を短縮することがで
きる学習型ファジィ制御装置および制御方法を提供する
ことにある。

【０００４】

【課題を解決するための手段】上記目的を達成するた
め、本発明の学習型ファジィ制御装置は、（イ）１つな
いし複数個のパラメ−タを含むファジィ推論の手順を、
１つないし複数の入力値から出力値を予め定められた手
順により計算する複数個のノ−ドと、ノ−ド間の結合関
係を表わす１つないし複数個のリンクからなる計算ネッ
トワ−クで表現したファジィ推論手段と、ファジィ推論
手段の出力値と望ましい出力値間の誤差を求める手段と
を設け、パラメ−タを微小量変化させたときの誤差の変
化量をファジィ推論手段の推論とは逆の手順で計算ネッ
トワ−クを用いて求め、変化量に基づきパラメ−タを調
節することに特徴がある。また、（ロ）ファジィ推論手
段は、制御対象の動作を近似する対象モデルと、制御対
象の制御を実行する制御モデルとを直列に結合して構成
することにも特徴がある。また、本発明の学習型ファジ
ィ制御装置の制御方法は、（ハ）ファジィ推論の手順を
計算ノ−ドと計算ノ−ド間を結ぶリンクからなる計算ネ
ットワ−クで表現し、対象モデルにファジィ推論を行う
場合に、計算ネットワ−クを用いて対象モデルの入力値
を微小量変化させたときの出力値の変化量を算出し、変
化量に基づいて制御モデルと対象モデルにおけるパラメ
−タの調節を行うことに特徴がある。また、（ニ）パラ
メ−タの調節は、制御対象の特性が時間的に変化する場
合、ファジィ推論手段による制御の実行と並行して、フ
ァジィ推論手段のメンバシップ関数形状パラメ−タを特
性の変化に追従するように調節することにも特徴があ
る。さらに、（ホ）ファジィ推論手段は、制御対象に観
測可能な複数の入力変数とともに、外部から観測不可能
な内部変数を有する場合、観測可能な入力変数から推論
により内部変数を求めた後、入力変数と内部変数とから
推論により出力変数を求めることにも特徴がある。さら
に、（ヘ）パラメ−タの調節は、外部から観測不可能な
内部変数があり、かつ制御対象の特性が時間的に変化す
る場合、推論出力と制御対象の出力との誤差に基づくフ
ァジィ推論手段による制御の実行と並行して、ファジィ
推論手段のメンバシップ関数形状パラメ−タを特性の変
化に追従するように調節することにも特徴がある。

【０００５】

【作用】本発明においては、ニュ−ラルネットによる学
習の問題点をファジィ推論を用いることにより解決し、
かつニュ−ラルネットを用いた場合と同一の学習を可能
とする。制御装置の調節に際して、人間の操作等の教師
デ−タが得られない場合には、先ず制御対象システムの
モデルをファジィまたはニュ−ラルネットワ−クにより
構成して、これらにより学習させる。次に、制御対象シ
ステムとそのモデルを制御するための制御モデルを、フ
ァジィまたはニュ−ラルネットワ−クにより構成し、こ
の制御モデルと対象システムのモデルを直列に結合し
て、全体として学習させることにより制御モデルの学習
を行う。ここで、対象システムのモデルおよび制御モデ
ルの少なくとも一方にはファジィモデルを使用するもの
とする。勿論、両方にファジィモデルを使用してもよ
い。ニュ−ラルネットワ−クの学習に関しては、広く知
られているバックプロパゲ−ション法等を用いる。ま
た、ファジィモデルの学習では、ファジィ推論過程を計
算ネットワ−クで表現し、推論はネットワ−ク上の前向
きの信号の流れとして行うとともに、推論の出力と望ま
しい出力との差を逆方向（後向き）にネットワ−クに流
すことにより、調節すべきパラメ−タまたはファジィ推
論の入力値を用いて実際の出力を微分した値を計算す
る。また、他の方法として、制御対象システムに対し
て、逆ファジィ推論を行う制御装置を設け、制御対象の
逆モデルがファジィ推論装置に生成されるようにする。
これにより、学習に要する計算時間を短縮することがで
きる。さらに、メンバシップ関数形状パラメ−タの特性
の変化に追従させることにより、オンライン的学習を行
わせることも可能である。

【０００６】

【実施例】以下、本発明の実施例を、図面により詳細に
説明する。最初に、本発明の動作原理を述べる。前述の
ように、本発明では、ファジィモデルの学習に際して、
ファジィ推論過程を計算ネットワ−クで表現する。そし
て、計算ネットワ−クに信号を前向きに流すことにより
推論を行う。この過程を通じて、計算ネットワ−クの各
部分の入力値と出力値が定まる。推論におけるパラメ−
タは、計算ネットワ−クの各部分の入出力関係に含まれ
るから、各部分の実際の入力・出力が定まることによ
り、パラメ−タを微小量変化させたとき、各部分の出力
がどのように変化するかという微分係数を求めることが
できる。同じように、各部分の入力を微小量変化させた
ときに、出力がどのように変化するかも求めることが可
能である。パラメ−タ調節は、推論結果として実際に出
力された値と、望ましい出力値との差を最小にすること
が目標である。推論結果は、計算ネットワ−クの最後尾
に該当する部分の出力であるから、その部分に調節すべ
きパラメ−タが含まれる場合には、そのパラメ−タに関
する微分係数と、入力に関する微分係数が求められる。

【０００７】最後尾の部分の入力は、１つ手前に位置す
る他の部分の出力であるから、上記計算により最後尾の
１つ手前に位置する部分の出力に関する推論結果の微分
係数が求められたことになる。従って、最後尾の１つ手
前に位置する部分に含まれる推論パラメ−タおよび入力
に関する微分係数が同じ手順により求められることは明
らかである。そして、上記の操作を繰り返すことによ
り、つまり実際の出力と望ましい出力との差を計算ネッ
トワ−ク上を逆方向（後向き）に流すことにより、ファ
ジィル−ルのｉｆ部およびｔｈｅｎ部に含まれるメンバ
シップ関数値に関する微分係数と、ファジィ推論の入力
値に関する微分係数が同時に求められることになる。そ
の結果、ニュ−ラルネットワ−クにおけるバックプロパ
ゲ−ション法と全く同じように推論パラメ−タ（ニュ−
ラルネットワ−クのシナプス結合重みに対応）の調節と
同時に、各入力変数によるファジィ推論出力値の微分係
数も求めることができる。それにより、ニュ−ラルネッ
トワ−クとファジィ、ファジィとファジィの各モデルを
直列に結合したモデル全体としての学習が可能になる。
さらに、与えられたファジィ推論の入力値と望ましい出
力値の組から出発して、上記の方法により逐次的に入力
値を修正し、望はしい出力値を実現する入力値を求める
ことも可能である。

【０００８】さらに、本発明の基本原理を、図８〜図１
２により説明する。先ず、本発明の前提となる計算ネッ
トワ−クを用いたファジィ推論パラメ−タの調節方法に
ついて説明する。この調節方法については、『情報処理
学会マイクロコンピュ−タとワ−クステ−ション研究会
予稿集』（９１−ＭＩＣ−６６−５）の“ファジィメン
バシップ関数の高速学習方式について”の中で詳細に説
明されている。図８は、一般のファジィ推論パラメ−タ
の調節の全体構成図である。図８において、１０１はフ
ァジィ推論機構、１０２は調節アルゴリズム、Ｙは出
力、Ｙtは予め与えられた望ましい出力、εは望ましい
出力と実際の出力の差である。ファジィ推論機構１０１
は、入力ｘ＝（ｘ₁，ｘ₂，・・・，ｘn)から出力Ｙをフ
ァジィ推論により計算する。調節アルゴリズム１０２
は、予め与えられた望ましい出力Ｙtと実際の出力Ｙの
差εを最も小さくするように、ファジィ推論機構１０１
に含まれるパラメ−タを調節する。ここで、調節するパ
ラメ−タとしては、メンバシップ関数の形状やル−ルの
重要度を表わす重み等がある。ファジィ推論機構１０１
で実行されるファジィ推論方法としてはいくつかの異な
る定義があるが、ここでは最も一般的な方法として、例
えば『情報処理』第３０巻８号pp.942〜947(1989年)に
記載された方法を用いて説明する。この方法により、本
発明の適用範囲が限定されることがないのは勿論であ
る。

【０００９】先ず、ファジィル−ルは、次のような形で
書くことができる。 if x₁ is Ａ₁₁ and x₂ is Ａ₂₁ and・・・・and xn is Ａn₁ then Ｙ＝Ｂ₁ if x₁ is Ａ₁₂ and x₂ is Ａ₂₂ and・・・・and xn is Ａn₂ then Ｙ＝Ｂ₂ ・ ・ ・ if x₁ is Ａ₁m and x₂ is Ａ₂m and・・・・and xn is Ａnm then Ｙ＝Ｂm ・・・・・・・・・・・・・・・・（１） ここで、ｎは入力変数の数、ｍは出力変数Ｙに関するフ
ァジィル−ルの数、Ａｉｊは、第ｊ番目のル−ルにおけ
る第ｉ番目の入力変数に対するファジィメンバシップ関
数、Ｂｊは第ｊ番目のル−ルにおける出力変数Ｙに対す
るメンバシップ関数である。Ａij，Ｂjの定義域は、そ
れぞれの独立変数の変域全体、値域は〔０,１〕であ
る。上式（１）では、全てのル−ルに全ての入力変数が
現われるとしているが、そうでない場合、例えば、第ｊ
番目のル−ルに第ｉ番目の入力変数が無関係である場合
には、Ａijが常に値１をとる関数と考えればよい。ま
た、複数のル−ルに同一のメンバシップ関数が現われる
場合も可能であって、その場合にはＡijとＡkjとが同一
のメンバシップ関数を表わすものと考えればよい。さら
に、異なる出力変数に対するル−ル群は独立に考えるこ
とができるので、以後は上式（１）の形のル−ルのみを
対象として説明する。

【００１０】上式（１）に対して、入力変数の値がｘi
＝ｘｉのときの推論過程は次のようになる。先ず、各ル
−ルの適合度Ｗｊは、入力変数に対するメンバシップ関
数のうちの最小値であるから、次式により算出できる。 Ｗｊ＝ｍｉｎ（Ａ₁ｊ（ｘ₁），Ａ₂ｊ（ｘ₂），・・・・・・,Ａnj（ｘn))
・・・・・・・・・・・・・・・(２) そして、出力変数のメンバシップ関数Ｂ（ｙ）は、適合
度Ｗと出力変数に対するメンバシップ関数の積のうちの
最大値であるから、次式により算出できる。 Ｂ（ｙ）＝ｍａｘ（Ｗ₁＊Ｂ₁，Ｗ₁＊Ｂ₂，・・・・・・，Ｗm＊Ｂm ） ・・・・・・・・・・・・・・・(３) 最終的な出力値（推論結果）Ｙは、出力変数のメンバシ
ップ関数Ｂを確率分布関数と考えたときの平均値とし
て、次式で決定される。 Ｙ＝∫ｄｙＢ（ｙ）ｙ／∫ｄｙＢ（ｙ）・・・・・・・・・・・・・・・(４) 実際には、上式（４）を離散化した値により出力値を計
算する。 Ｙ＝ΣkＢ（ｙk)yk／ΣＢ（yk) ・・・・・・・・・・・・・・・・・・(５) ここで、ｙｋ（ｋ＝0,1,2,・・・・・・,k)は、出力変数ｙの
定義域を適当に分割した代表値である。

【００１１】図９は、上述した推論過程を説明するため
の図である。図９において、２０１はル−ル１における
変数ｘ₁に対するメンバシップ関数Ａ₁₁、同じく２０２
はＡ₂₁、２０３はＡ₁₂、２０４はＡ₂₂に対する各メンバ
シップ関数を表わしている。２０５では、Ａi₁(ｘi)の
最小値を計算することにより、ル−ル１に対する適合度
Ｗ₁を求める（前式（２）参照）。２０６はメンバシッ
プ関数Ｂ₁であり、斜線を施した２０７はＷ₁＊Ｂ₁に対
応するメンバシップ関数である。同じように、２０８で
ル−ル２に対する適合度Ｗ₂を求め、２０９のメンバシ
ップ関数Ｂ₂から、Ｗ₂＊Ｂ₂が２１０として求められ
る。２１１は、各ル−ルに対する出力変数ｙのメンバシ
ップ関数の最大値をとることにより求められた最終的な
メンバシップ関数Ｂを表わす（前式（３）参照）。前式
（４）に従って、２１１とグラフの横軸で囲まれた部分
の重心の位置が、出力Ｙになる。なお、この例では、ル
−ルの重要度を表わすル−ル重みは考慮しなかったが、
ル−ル重みを考えるときには、これをＶjとして、前式
(２)を次式（２′）で置き換えることにより、ル−ル重
みを扱うことができる。 Ｗj＝ｍｉｎ（Ａ₁j(ｘ₁），Ａ₂j(ｘ₂），・・・・,Ａnj(ｘn))*Ｖj
・・・・・・・・・・・(２′)

【００１２】図１０は、図９のファジィ推論過程を計算
ネットワ−クで表現した図である。図１０において、３
０１は入力変数ｘ₁に対応するノ−ドである。実際の推
論に際しては、具体的な入力値Ｘ₁が設定される。同じ
ように、３０２は入力変数ｘ₂に対応するノ−ドで、以
下、同じようにしてｎ個の入力変数の各々に対してノ−
ドを対応させる。３０３は、ル−ル１における変数ｘ₁
に対するメンバシップ関数に対応するノ−ドである。ノ
−ド３０３は、値ｘ₁が入力されたときに値Ａ₁₁（ｘ₁）
を出力する。このようにして、前式（１）に現われる全
てのメンバシップ関数に対して、各々ノ−ド３０３を設
ける。３０４は、ル−ル１の適合度を求めるノ−ドであ
る。すなわち、前式（２）に従って、Ａ₁₁（ｘ₁），Ａ
₂₁（ｘ₂），・・・・，Ａn₁(ｘn)を入力とし、その中で
最も小さいものを出力とするノ−ドである。同じように
して、各ル−ルに対する適合度を求めるノ−ド３０４を
設ける。

【００１３】ノ−ド３０５は、出力変数Ｙに関して、前
式（５）の代表値ｙkを出力する。ノ−ド３０６は、出
力変数Ｙに関するメンバシップ関数Ｂiを表わしてい
る。ノ−ド３０７では、ノ−ド３０４の出力として計算
された各ファジィル−ルのｉｆ部の適合度を出力メンバ
シップ関数に乗算する。すなわち、前式（３）の括弧内
の各項を算出する。ノ−ド３０８では、各ル−ルの出力
メンバシップ関数の最大値をとることにより、合成メン
バシップ関数を計算する。すなわち、前式（３）のＢ
（ｙ）を求めている。ノ−ド３０９では、前式（５）の
分子を算出する。すなわち、ノ−ド３０８で算出された
合成メンバシップ関数の各代表値における値Ｂkに、代
表値の値ｙkを乗じて、その和をとったものを出力す
る。同じようにして、ノ−ド３１０では、前式（５）の
分母を算出する。すなわち、ノ−ド３０８で算出された
合成メンバシップ関数の各代表値における値Ｂkの和を
計算する。ノ−ド３１１は、ノ−ド３０９の出力をノ−
ド３１０の出力で除算し、最終的な出力値Ｙを算出す
る。このようにして、図１０の計算ネットワ−クでは、
前式（１）〜（５）のファジィ推論がそのまま実行され
ることが明らかとなった。

【００１４】再び、図８の調節アルゴリズム１０２につ
いて述べる。ここでは、パラメ−タ調節による学習の目
標を、望ましい出力Ｙtと実際の出力Ｙの２乗誤差の最
小化とする。このために、目的関数をＥ＝（Ｙt−Ｙ）²
と置き、Δα∝−∂Ｅ／∂α（ここで、αは任意のパラ
メ−タ）として最急降下法によりパラメ−タ調節を行う
ものとする。すなわち、任意のパラメ−タで偏微分した
偏微分係数の符号を変えたものに比例させて、そのパラ
メ−タの調節動作を繰り返し実行する。従って、上述し
たファジィ推論過程に含まれる全てのパラメ−タによる
目的関数Ｅの偏微分係数を求めればよい。先ず、図１０
に示すように、実際の出力値Ｙに対して、望ましい出力
Ｙtを用意する。ノ−ド３１２では、両者の差Ｙt−Ｙを
計算する。これがノ−ド３１１に対する誤差信号δ₃₁₁
となる。以後、計算手順を逆にたどることにより、図１
０における各ノ−ドの出力の出力値Ｙに対する偏微分係
数を求めることができる。すなわち、出力ノ−ド３１１
に対する誤差信号δは、ノ−ド３０７の出力Ｙによる目
的関数Ｅの偏微分値に比例する。ノ−ド３１１は、ノ−
ド３０９および３１０の出力を入力としているので、ノ
−ド３０９の出力ｚ₃₀₉による目的関数の偏微分係数
は、合成関数の微分則から次式のように求めることがで
きる。 ∂Ｅ／∂ｚ₃₀₉＝∂Ｅ／∂Ｙ・∂Ｙ／∂ｚ₃₀₉ ＝δ₃₁₁・∂Ｙ／∂ｚ₃₀₉ ＝δ₃₁₁／ｚ₃₁₀ ・・・・・・・・・・・・・・・・・(６) 同じようにして、ノ−ド３１０の出力値ｚ₃₁₀による目
的関数の偏微分係数は、次式のように求めることができ
る。 ∂Ｅ／∂ｚ₃₁₀＝∂Ｅ／∂Ｙ・∂Ｙ／∂ｚ₃₁₀ ＝δ₃₁₁・∂Ｙ／∂ｚ₃₁₀ ＝−δ₃₁₁・ｚ₃₀₉／ｚ₃₁₀ ² ・・・・・・・・・・・・・(７) 何故ならば、図１０から明らかなように、Ｙ＝ｚ₃₁₁＝
ｚ₃₀₉／ｚ₃₁₀が成立するので、∂Ｙ／∂ｚ₃₀₉＝１／ｚ
₃₁₀となり、上式（６）が成立する。また、−∂Ｙ／∂
ｚ₃₁₀＝ｚ₃₀₉／ｚ₃₁₀ ²が成立するので、∂Ｙ／∂ｚ₃₁₀
＝−ｚ₃₀₉／ｚ₃₁₀ ²となり、上式（７）が成立する。

【００１５】上述の手順を繰り返すことにより、誤差信
号を計算ネットワ−クを逆方向に伝播させていくことが
できる。従って、全てのノ−ドの出力による目標関数の
偏微分係数が求められる。ここで、例えば、最小値を計
算するノ−ド３０４のように、区分的に微分不可能な関
数関係があっても、上述の計算手順はそのまま実行でき
ることに注意すべきである。すなわち、ノ−ド３０４の
出力は、入力Ａi₁(xi)(１≦ｉ≦ｎ）のいずれか１つに
等しいと考えてよいので、その等しい入力に関する偏微
分値のみが１で、他は全て０とすればよい。以上の手順
により、図１０の全てのノ−ドの出力による目標関数の
偏微分係数が求められる。調節すべきパラメ−タは、メ
ンバシップ関数を表わすノ−ド（ノ−ド３０３、ノ−ド
３０６）の入出力関係に含まれている。すなわち、ある
１つのノ−ドの出力ｚは、入力ξ₁，ξ₂，・・・ξk
と、パラメ−タα₁，α₂，・・・・・αpの関数とし
て、次式のように書くことができる。 ｚ＝ｆ（ξ₁，ξ₂，・・・ξk，α₁，α₂，・・・・・αp） ・・・・(８) 従って、出力ｚに関する目標関数の偏微分係数は、上述
の手順で求め、パラメ−タαiに関する偏微分係数は、
次式のように求めることができる。 ∂Ｅ／∂αi＝∂Ｅ／∂ｚ・∂ｚ／∂αi ・・・・・・・・・・・・・(９) パラメ−タＹiの調節量ΔYｉを、次のように置けば、最
急降下法によるパラメ−タ調節が可能となる。 ΔＹi∝−∂Ｅ／∂Ｙi ・・・・・・・・・・・・・・・・・・(１０) 上式（１０）の比例係数は、一般に学習係数と呼ばれて
おり、収束の速さを決定する要因の１つとなる。

【００１６】次に、ノ−ド３０３のように、メンバシッ
プ関数を表現するノ−ドに関するパラメ−タの調節方法
について説明する。ノ−ド３０３における入出力関係
は、出力をｚ₃₀₃として次のように書くことができる。 ｚ₃₀₃＝Ａ₁₁（ｘ₁） ・・・・・・・・・・・・・・・・・・・・(１１) 一般的に、メンバシップ関数は任意の形状をとるのでは
なく、比較的少数のパラメ−タにより指定されることが
多い。図１１は、メンバシップ関数の代表的な形状を示
す図である。図１１において、４０１は台形状のメンバ
シップ関数である。この場合、メンバシップ関数の形状
は、４つの頂点の座標値ａ₁，ａ₂，ａ₃，ａ₄で指定され
る。従って、上式（１１）でこれらのパラメ−タを示し
て記載すると、次のようになる。 ｚ₃₀₃＝Ａ₁₁（ｘ₁：ａ₁，ａ₂，ａ₃，ａ₄） ・・・・・・・・・・・(１２) 出力ｚ_３０３の各パラメ−タによる偏微分値∂ｚ₃₀₃／
∂ａiは容易に求めることができるので、上式（１０）
と同じように最急降下法によるパラメ−タ調節が可能と
なる。上述の方法により、偏微分係数∂Ｅ／∂ａiを求
めれば、パラメ−タを１つずつ微小変化させてファジィ
推論を行い、偏微分係数を求める方法に比べると、大幅
に計算量を削減することが可能である。

【００１７】メンバシップ関数の形状を指定するパラメ
−タのとり方は任意である。例えば、図１１に示す台形
４０１の左右の平行移動のみをパラメ−タ調節の対象と
することは勿論可能である。また、台形以外の形状を持
ったメンバシップ関数においても、全く同じように任意
にパラメ−タをとることが可能である。また、このアル
ゴリズムによれば、入力変数によるファジィ推論の出力
の偏微分係数も全く同じようにして求めることができ
る。従って、ファジィ推論を多段に組み合わせた多段フ
ァジィ推論においても、同じような学習を行うことがで
きるのは明らかである。このようにして学習処理を行う
ことにより、入力とそれに対する望ましい出力との組、
つまり学習デ−タが与えられるならば、実際の出力を望
ましい出力に近付けるように、自動的にファジィ推論の
パラメ−タ調節を行うことが可能である。

【００１８】図１２は、図８におけるパラメ−タ調節ア
ルゴリズムの処理フロ−チャ−トである。ここでは、図
１０における各計算ノ−ドの出力をｚｉとし、そのｚｉ
による出力ｙの微分係数をδｉとする。先ず、ステップ
５０２〜５１２の処理を無限に繰り返す（ステップ５０
１）。そして、学習に用いるデ−タ、つまり入力変数の
値とそれに対する望ましい出力値Ｙｔを読み込む（ステ
ップ５０２）。読み込んだ入力変数の値に基づいてファ
ジィ推論を行う（ステップ５０３）。この過程で、図１
０における計算ネットワ−クの全てのノ−ドの出力値ｚ
ｉが求められる。次に、計算ネットワ−クの全てのノ−
ドを、出力側から入力側に逆向きにたどる（ステップ５
０４）。このとき、計算ネットワ−クには閉じたル−
プ、つまり入力側に向わずに元に戻ってしまうル−プは
存在しないので、逆向きの順序が確実に決定される。こ
こで選択されたノ−ドの番号をｉとする。次に、選択さ
れたノ−ドｉが、計算ネットワ−クの最後尾に該当する
出力ノ−ドであるか否かを判定する（ステップ５０
５）。もし、出力ノ−ドであれば、出力ノ−ドに対する
δｉとして次の値を与える（ステップ５０６）。 δｉ＝Ｙｔ−Ｙ ・・・・・・・・・・・・・・・・・・・・・(１３) また、出力ノ−ドでなければ、出力ノ−ド以外のノ−ド
に対するδｉを次式により求める（ステップ５０７）。 δｉ＝Σｊδｉ∂ｚｊ／∂ｚｉ ・・・・・・・・・・・・・・(１４) ここで、和の計算は、選択されているノ−ドの出力ｚｉ
を入力に持つ全てのノ−ドｊについて行うものとする。
ここまでで、計算ネットワ−クにおける全てのノ−ドの
出力による推論結果Ｙの微分係数が求められることにな
る。

【００１９】次に、全ての調節対象パラメ−タαに対し
て、ステップ５０９と５１０の処理を実行する（ステッ
プ５０８）。すなわち、パラメ−タαの含まれるノ−ド
ｉに対して、∂ｚｉ／∂αを算出する（ステップ５０
９）。αはノ−ドｉにおける入出力関係を定めるパラメ
−タであるので、この微分値は容易に求めることが可能
である。次に、求められた微分係数に基づいて、パラメ
−タαの変更量Δαを、次式により求める（ステップ５
１０）。 Δα＝ηδｉ∂ｚｉ／∂α ・・・・・・・・・・・・(１５) このとき、パラメ−タαの値を、α←α＋Δαに変更す
る。最後に、予め定められた終了条件が成立したか否か
を判定する（ステップ５１１）。終了条件としては、例
えば、予め定められた回数だけ上記ステップが実行され
たか否かを判定するか、またはパラメ−タ調節の結果、
実際の出力と望ましい出力との差が予め定められた値よ
り小さくなったか否かを判定する、等が考えられる。こ
の終了条件が成立した場合にのみ、パラメ−タ調節が終
了したものとして、ステップ５０１の無限ル−プから抜
け出し、処理を終了する（ステップ５１２）。

【００２０】図３は、本発明の一実施例を示す学習型フ
ァジィ制御装置のハ−ドウェアブロック図である。本発
明の制御装置は、一般の計算機システム構成により実現
できる。ＣＰＵ６０１は、予めプログラムにより定めら
れた手順に従って図１２に示す処理を実行する。メモリ
６０２には、プログラムおよびデ−タ等が格納されてい
る。ＣＰＵ６０１は、必要に応じてメモリ６０２からプ
ログラムまたはデ−タを読み出し、またはメモリ６０２
に書き込みを行う。作業者（扱者）は、キ−ボ−ドまた
はマウス等の入力装置６０３を介して制御装置に入力す
ると、そのコマンドにより実行が制御され、図１２にお
ける学習処理等の結果がディスプレイ等の表示装置６０
４に出力される。このように、学習型ファジィ制御装置
は、パ−ソナルコンピュ−タ、ワ−クステ−ション、制
御用ミニコンピュ−タ、あるいは大型汎用計算機等の計
算機システムにより実現できる。

【００２１】図２は、本発明の第１の実施例を示す学習
型ファジィ制御装置のブロック図である。本実施例は、
前述の従来技術３における『general learning archte
cture』と呼ばれる学習法に対応している。図２におい
て、７０１は制御の対象となる制御対象システム、７０
２は制御のためのファジィ推論機構、７０３はファジィ
推論機構７０２の入力を切り替えるセレクタである。先
ず、学習においては、ファジィル−ルおよび初期値とし
てのメンバシップ関数形状パラメ−タを、ファジィ推論
機構７０２に設定する。そして、セレクタ７０３は、制
御対象７０１の出力ｙをファジィ推論機構７０２に入力
する方に切り替えておく。制御対象７０１への入力であ
る操作量ｕを適当な方法により生成し、制御対象７０１
に入力した後、その出力である制御量ｙをセレクタ７０
３を介してファジィ推論機構７０２の入力とする。ファ
ジィ推論機構７０２の出力ｕ′と制御量ｕを一致させる
ように、誤差ｕ−ｕ′に基づいて図１２に示す学習アル
ゴリズムを実行し、メンバシップ形状パラメ−タを調節
する。以上の操作を適当なｕに対して繰り返し行うこと
により、制御対象７０１の逆モデルがファジィ推論機構
７０２に生成されるようになる。すなわち、制御対象７
０１が操作量ｕを入力として制御量ｙを出力するのに対
して、学習後のファジィ推論機構７０２は制御量ｙから
操作量ｕを求めていることになる。従って、セレクタ７
０３を目標出力側に切り替えることにより、目標出力ｙ
ｔをファジィ推論機構７０２に与えたときには、ファジ
ィ推論機構７０２により対応した操作量ｕ′を求め、こ
のｕ′により制御対象７０１を操作すれば、原理的には
制御対象７０１の出力を目標出力ｙｔに等しくすること
ができる。実際の制御では、セレクタ７０３を外部から
の目標出力ｙｔを入力する方に切り替えて、扱者等の指
示による目標出力ｙｔと実際の制御対象７０１の出力ｙ
を一致させるように制御を行う。

【００２２】図２の実施例において、制御対象７０１は
計算機によるシミュレ−ションモデルに置き替えても、
学習を全く同じように行うことができる。さらに、制御
対象７０１の特性が時間的に変化する場合でも、制御を
実行しながらファジィ推論機構７０２のメンバシップ関
数形状パラメ−タを特性の変化に追従するように調節す
ることが可能である。この調節方法は、上述のオフライ
ン的学習（制御対象７０１の特性が時間的に変化しない
とき）に対して、オンライン的学習と呼ぶことができ
る。このオンライン的学習処理では、次のようにする。
先ず、上述の場合と同じように、外部からの目標出力ｙ
ｔをファジィ推論機構７０２に入力し、次にそのファジ
ィ推論機構７０２からの出力ｕ′に基づいて制御対象７
０１を制御する。この時点における実際の制御対象７０
１の出力をｙとする。続いて、セレクタ７０３を切り替
えて出力ｙを入力とし、再度ファジィ推論機構７０２に
よるファジィ推論を実行して、その出力をｕとする。つ
まり、ファジィ推論機構７０２は制御対象７０１の逆モ
デルとして動作するので、制御対象７０１がｕを入力と
してｙを出力する時、そのｙを入力としてファジィ推論
機構７０２によるファジィ推論を実行すると、出力は
ｕ′になるはずであるが、ファジィ推論機構７０２はｕ
−ｕ′を０にするように動作するため、出力はｕとな
る。一般に、ファジィ推論機構７０２への入力ｙとｙｔ
が異なれば、その出力ｕとｕ′も異なるから、その誤差
ｕ−ｕ′に基づいて図１２に示すアルゴリズムにより学
習を実行する。

【００２３】このオンライン学習を行うことによって、
制御対象７０１の特性の時間的変化に対応した制御が常
にファジィ推論機構７０２により行われる。ただ、オン
ライン学習については、応答時間を確保するため、図１
２に示す終了条件５１１を設定する必要がある。代表的
な終了条件として、１回だけ学習のル−プを実行するこ
とにより、常にそのル−プを脱出することができるよう
にすることが考えられる。ただ、１回のル−プの実行で
は、ｕとｕ′の差はそれほど小さくならないことが考え
られる。しかし、制御対象７０１の特性の時間変化が緩
やかであれば、徐々に特性変化に追従させることは可能
である。従って、このオンライン学習では、応答時間の
制約により、１回ではなく２回ないし予め定められた回
数だけ学習ル−プを実行させることも可能である。この
ように、図２の実施例では、ファジィ推論を用いた制御
装置において、メンバシップ関数の決定を学習アルゴリ
ズムにより自動的に行うことが可能であるため、制御装
置の設計に要する時間を大幅に短縮することができる。
また、計算ネットワ−ク表現を用いることにより、高速
な学習が可能となるので、制御対象システムの特性が時
間的に変化する場合でも、その変化に追従する制御装置
を作成することが可能である。さらに、オンライン的な
学習においては、ネットワ−ク表現による学習の高速化
によって、特性変化への追従を速やかに行うことが可能
である。

【００２４】図１は、本発明の第２の実施例を示す学習
型ファジィ制御装置のブロック図である。図１におい
て、８０１は制御対象、８０２は制御対象８０１の特性
を模擬するための対象モデル、８０３は制御のための制
御モデルである。対象モデル８０２および制御モデル８
０３では、両方とも入出力関係がファジィ推論により記
述されている。その場合、初期値としてのファジィル−
ルおよびメンバシップ関数形状パラメ−タは、予め与え
られているものとする。先ず、対象モデル８０２の学習
を実行した後、それに基づいて制御モデル８０３の学習
を実行する。 対象モデル８０２の学習（ステップ１） 図２の実施例と同じように、制御対象８０１への入力で
ある操作量ｕを適当な方法で発生させた後、これを対象
モデル８０２に入力して、対象モデル８０２の学習を行
う。図２の実施例の場合と異なる点は、対象モデル８０
２の入力は操作量ｕ、出力は制御量ｙであって、これは
制御対象８０１と同じであり、順方向モデルである。実
際の学習は、制御対象８０１の出力ｙと対象モデル８０
２の出力ｙ′との誤差ｙ−ｙ′に基づいて、図１２に示
す学習アルゴリズムにより対象モデル８０２の内部のメ
ンバシップ関数形状パラメ−タを調節する。つまり、対
象モデル８０２は制御対象８０１の振る舞いを似せた学
習を行っている。十分に学習が進んだ時点で、ステップ
２に進む。

【００２５】制御モデル８０３の学習（ステップ２） ステップ１で学習した対象モデル８０２を用いて、制御
モデル８０３の学習を行う。すなわち、制御モデル８０
３と対象モデル８０２を直列に接続した多段のファジィ
推論システムとなる。この全体モデルの入力は目標出力
ｙｔであって、出力は実際の制御対象８０１の出力を対
象モデル８０２により近似したｙ′である。対象モデル
８０２による制御対象８０１の近似が十分よいと仮定し
た場合には、ｙｔとｙ′とはほぼ等しいとみなすことが
できるので、誤差ｙｔ−ｙ′に基づいて全体モデルの学
習を行うことができる。ここでは、図１０および図１２
で述べた学習アルゴリズムが、図１に示す多段ファジィ
推論の場合にも同じように適用できることを示してい
る。ただし、制御モデル８０３の学習では、対象モデル
８０２自身の学習は行わずに、図１２の学習処理とし
て、対象モデル８０２への入力である操作量ｕによる出
力ｙ′の偏微分係数を求めるために実行される。

【００２６】以上述べた処理により、制御モデル８０３
の学習が行える。学習の後は、制御モデル８０３と制御
対象８０１とを直列に接続して、制御モデル８０３の出
力である操作量ｕを用いて制御対象８０１の制御を行
う。ところで、前述の従来技術４では、対象モデル８０
２と制御モデル８０３の直列接続で、これらのモデル８
０２，８０３の両方にニュ−ラルネットワ−クを用いた
例が示されている。本発明においては、これらのモデル
８０２，８０３の両方にファジィ推論を用いることによ
り、ニュ−ラルネットワ−クと同じような学習を行うこ
とができる。なお、本発明の応用例として、対象モデル
８０２と制御モデル８０３のいずれか一方をニュ−ラル
ネットワ−クを用いる構成にすることができる。また、
図１の実施例においても、図２の実施例と同じように、
オンライン学習が可能である。すなわち、学習後に実際
の制御を行う場合でも、対象モデル８０２を並列に動作
させ、制御対象８０１の出力ｙと対象モデル８０２の出
力ｙ′の誤差ｙ−ｙ′に基づいて対象モデル８０２に含
まれるメンバシップ関数形状パラメ−タの学習を行うと
同時に、制御モデル８０３に含まれるメンバシップ関数
形状パラメ−タの学習を行うことができる。これによ
り、制御対象８０１の特性が時間的に変化する場合で
も、対象モデル８０２の特性がその変化に追従し、さら
にその変化に適応した制御が制御モデル８０３により実
行されることになる。この場合にも、図２の実施例と同
じ効果が得られる。また、対象モデル８０２または制御
モデル８０３のいずれか一方にニュ−ラルネットワ−ク
を用いた場合でも、その効果は同じである。

【００２７】図４および図５は、本発明の第３の実施例
を示す学習型ファジィ制御装置のモデル概念図およびブ
ロック図である。図４には、第３の実施例として、高速
道路のトンネル換気制御システムにおけるトンネル内汚
染状況を予測するモデルの概念を示している。ところ
で、『第５回産業システムシンポジウム』（1988年)予
稿集pp.23〜26の“定性的推論を用いた道路トンネルの
換気制御”において、トンネルの換気制御にファジィ推
論を用いることの有用性が実証されている。図４は、こ
の例を示したものである。図４では、左側に変数の入
力、その右側に汚染の各出力が示されている。すなわ
ち、大型車台数の変化、小型車台数の変化、車速の変
化、車速、自然風の変化、自然風、換気操作量の変化、
および現在の汚染量の８変数が入力であり、汚染量変化
およびそれから導かれる汚染予測値がファジィ推論によ
り出力される。図４のモデルにおける特徴点は、適応予
測のために、トンネル内の汚染物質の『貯留量』という
要因を導入していることである。この要因は、トンネル
内の汚染発生機構が記憶効果を持っていることを考慮
し、適応のための変化要因として導入されたものであ
る。この場合、『貯留量』の変数は、外部からは観測不
可能な量であることに注意を要する。このトンネル換気
制御システムでは、汚染予測値に基づいて、トンネル内
のジェットファンや集塵機等の換気装置の制御を行って
いる。本実施例では、汚染の予測に定性的な知識を利用
したファジィ推論を用いている。

【００２８】第３の実施例を、トンネル換気制御システ
ムを例にとって説明する。制御中に、観測不可能な内部
変数である『貯留量』を導入することは、一般に行われ
ていることである。本実施例では、トンネル換気制御シ
ステムにおいて、観測可能な入力変数から内部変数を求
める関係、および入力変数と内部変数から出力変数を求
める関係をファジィ推論により記述していることに特徴
がある。図４の入力と出力の関係を整理して記載する
と、図５に示すようになる。図５において、１００１は
入力変数ｕ（ｔ）、１００２は内部変数ｘ（ｔ）、１０
０３は出力変数ｙ（ｔ）、１００４と１００５はファジ
ィ推論機構である。ここで、入力変数１００１は換気操
作量変化等の８個の入力変数、内部変数１００２は貯留
量、出力変数１００３は汚染量変化にそれぞれ対応して
いる。なお、内部変数と出力変数がそれぞれ複数個存在
する場合も、全く同じである。ファジィ推論機構１００
４は、観測可能な入力変数から内部変数の変化Δｘ
（ｔ）値を求めるファジィ推論機構であって、時刻ｔに
おける内部変数の値は、次の式で求められる。 ｘ（ｔ）＝ｘ（ｔ−Δｔ）＋Δｘ（ｔ） ・・・・・・・・・・・(１６) ファジィ推論機構１００５は、入力変数ｕ（ｔ）と内部
変数ｘ（ｔ）とから出力変数ｙ（ｔ＋Δｔ）を求めるた
めのファジィ推論機構である。図５では、ファジィ推論
機構１００４と１００５とは、多段のファジィ推論で実
現されている。

【００２９】図５においては、２つのファジィ推論機構
１００４，１００５に含まれるメンバシップ関数形状パ
ラメ−タを、図１２に示す学習アルゴリズムにより調節
することができる。すなわち、内部変数１００２も単な
る中間変数とみなして、全体の多段ファジィ推論に対し
て学習アルゴリズムを適用すればよい。この場合の効果
は、図１および図２に示した第１および第２の実施例と
同じである。ただ、第３の実施例では、内部変数１００
２による適応に重点を置いた制御装置の構成が特徴とな
る。すなわち、ファジィ推論機構１００４，１００５は
固定とし、時刻ｔにおける出力ｙ（ｔ＋Δｔ）と時刻ｔ
＋Δｔにおいて実際に観測されたｙ′（ｔ＋Δｔ）か
ら、時刻ｔにおける内部変数ｘ（ｔ）の正しい値を求め
る。これにより、実際には観測不可能な内部変数ｘの正
確な値を求めることができるので、精度のよい制御が行
える。

【００３０】図６は、図５の実施例における処理フロ−
チャ−トである。先ず、入力変数ｕ（ｔ）の値を計測す
る（ステップ１１０１）。次に、ファジィ推論機構１１
０４により、内部変数の変化Δｘ（ｔ）の値を算出し、
上式（１６）により内部変数ｘ（ｔ）の値を求める（ス
テップ１１０２）。次に、ファジィ推論機構１００５に
より、入力変数ｕ（ｔ）および内部変数ｘ（ｔ）から出
力変数ｙ（ｔ＋Δｔ）の推定値を求める（ステップ１１
０３）。次に、求められた出力変数ｙ（ｔ＋Δｔ）に基
づいて制御機器の制御を行う（ステップ１１０４）。こ
の制御については、本発明に直接関係がないため、詳細
動作の説明を省略する。そして、次のステップ１１０６
で時刻ｔ＋Δｔにおける出力変数ｙの計測が可能になる
まで適当な時間だけ待機（ｗａｉｔ）する（ステップ１
１０５）。適当な時間の後、時刻ｔ＋Δｔの出力変数ｙ
の値を計測して、これをｙ′（ｔ＋Δｔ）とする（ステ
ップ１１０６）。次に、時刻ｔにおけるファジィ推論機
構１００５の出力ｙ（ｔ＋Δｔ）が実際に計測された値
ｙ′（ｔ＋Δｔ）に近づくように、内部変数の値ｘ
（ｔ）を調節する（ステップ１１０７）。次に、時刻を
１ステップ進めるために、ｔ←ｔ＋Δｔ、ｘ（ｔ＋Δ
ｔ）←ｘ（ｔ）とする。以上の処理を繰り返しながら制
御することにより、内部変数の値ｘが正しい値に近づい
ていくことが期待され、その結果、高精度の出力が得ら
れるようになる。図４のトンネル換気制御システムとし
ては、汚染度の予測と実際の汚染度の計測のサイクルを
繰り返しながら、徐々に観測不可能な量である貯留量の
推定を行うことができるので、順次、正確な予測が可能
となる。

【００３１】図７は、図６におけるステップ１１０７の
詳細処理フロ−チャ−トである。すなわち、ファジィ推
論機構１００５における時刻ｔの出力ｙ（ｔ＋Δｔ）
が、実際に計測された値ｙ′（ｔ＋Δｔ）に近づくよう
に内部変数の値ｘ（ｔ）を調節（修正）するため、先
ず、計測値ｙ′と入力値ｕを入力し、初期推定値として
ｘ′＝ｘと置く（ステップ１２０１）。次に、ステップ
１２０３〜１２０６を無条件に繰り返す（ステップ１２
０２）。最初に、ｕとｘ′を入力とし、ファジィ推論機
構１００５によりファジィ推論を行い（前向きファジィ
推論）、結果ｙを算出する（ステップ１２０３）。次
に、図１２と同じ処理により誤差ｙ−ｙ′の逆伝幡を行
い、ｘ′による出力ｙの偏微分係数∂ｙ／∂ｘ′を算出
する（ステップ１２０４）。次に、ｘ′←ｘ′−η（ｙ
−ｙ′）∂ｙ／∂ｘ′として、ｘ′の値を更新する（ス
テップ１２０５）。次に、適当な終了条件を判定して、
終了条件が成立すれば、処理１２０２のル−プを脱出し
て、ｘ←ｘ′の処理を実行する（ステップ１２０７）。
なお、終了条件としては、処理１２０２のル−プが予め
定められた回数実行されたか否か、または｜ｙ−ｙ′｜
の値が予め定められた値よりも小さくなったか否か、ま
たはｘ′の変更量η（ｙ−ｙ′）∂ｙ／∂ｘ′が予め定
められた値よりも小さくなったか否か、等の条件が代表
的なものである。この処理により、出力ｙが計測値ｙ′
に一致するような内部変数ｘ′の値が求められることに
なって、逆ファジィ推論が実行されたことになる。

【００３２】以上、図６および図７の処理により、制御
を実行しながら制御対象の時間変化に適応する制御装置
を実現することができる。第３の実施例では、内部変数
ｘだけを適応（学習）の対象としているが、第１および
第２の実施例と同じように、ファジィ推論機構１００
４，１００５を同時に学習の対象とすることも可能であ
るのは勿論である。また、図５のブロック図では、ファ
ジィ推論機構１００４，１００５のうちの一方をニュ−
ラルネットワ−クで置き換えても全く同じであり、効果
も同じである。このように、本発明の各実施例において
は、（イ）ファジィ推論を応用した制御装置のメンバシ
ップ関数を、教師デ−タを用いた学習により自動的に調
節することができるので、制御性能のよい制御装置を実
現できる。（ロ）制御対象の特性が時間的に変化する場
合でも、制御と学習を並行して行うオンライン学習を行
うことにより、制御対象の特性の時間変化に適応する制
御装置を実現することができる。（ハ）計算ネットワ−
クを用いて高速実行が可能であるため、学習に要する時
間を短縮することができ、かつオンライン学習において
は、制御の実時間性の制約の中で速やかな学習が行え
る。（ニ）適応型制御のため、内部変数を利用した制御
を行う場合にも、オンライン学習と同じ方法により内部
変数の値を適応的に高精度で推定することが可能であ
る。

【００３３】

【発明の効果】以上説明したように、本発明によれば、
ファジィ推論の手順を計算ネットワ−クにより表現し
て、推論出力値と望ましい出力値の誤差を求め、パラメ
−タを変化させたときの誤差の変化量を推論と逆の手順
で算出し、その変化量によりパラメ−タを調節するの
で、動作内容が明確となり、かつ予め先験的に判明して
いる知識をネットワ−クに反映させることが可能とな
る。その結果、ニュ−ラルネットの学習の問題点を解消
し、かつニュ−ラルネットワ−クを用いた場合と同じ学
習を行うことが可能となる。

【００３４】

【図面の簡単な説明】

【図１】本発明の第２の実施例を示す学習型ファジィ制
御装置のブロック図である。

【図２】本発明の第１の実施例を示す学習型ファジィ制
御装置のブロック図である。

【図３】本発明の一実施例を示す学習型ファジィ制御装
置のハ−ドウェアブロック図である。

【図４】本発明の第３の実施例を示す制御モデルとし
て、トンネル換気制御システムを用いた場合の説明図で
ある。

【図５】本発明の第３の実施例を示す学習型ファジィ制
御装置のブロック図である。

【図６】図５における学習型ファジィ制御装置の動作フ
ロ−チャ−トである。

【図７】図６におけるステップ１１０７の詳細動作フロ
−チャ−トである。

【図８】ファジィ推論パラメ−タの学習ブロック図であ
る。

【図９】ファジィ推論動作を説明するための図である。

【図１０】ファジィ推論を計算ネットワ−クにより表現
した図である。

【図１１】メンバシップ関数の代表的な形状を示す図で
ある。

【図１２】ファジィ推論パラメ−タの学習処理フロ−チ
ャ−トである。

【符号の説明】

６０１ ＣＰＵ ６０２ メモリ ６０３ 入力装置 ６０４ 表示装置 ７０１，８０１ 制御対象 ７０２ ファジィ推論機構 ８０２ 対象モデル ８０３ 制御モデル ７０３ セレクタ １００１ 入力ｕ １００２ 中間変数ｘ １００３ 出力ｙ １００４，１００５ ファジィ推論機構

Claims (6)

【特許請求の範囲】
1. 【請求項１】 ファジィ推論を用いた学習型ファジィ制
   御装置において、１つないし複数個のパラメ−タを含む
   ファジィ推論の手順を、１つないし複数の入力値から出
   力値を予め定められた手順により計算する複数個のノ−
   ドと、該ノ−ド間の結合関係を表わす１つないし複数個
   のリンクからなる計算ネットワ−クで表現したファジィ
   推論手段と、該ファジィ推論手段の出力値と望ましい出
   力値間の誤差を求める手段とを設け、上記パラメ−タを
   微小量変化させたときの上記誤差の変化量を上記ファジ
   ィ推論手段の推論とは逆の手順で上記計算ネットワ−ク
   を用いて求め、該変化量に基づき上記パラメ−タを調節
   することを特徴とする学習型ファジィ制御装置。
2. 【請求項２】 上記ファジィ推論手段は、制御対象の動
   作を近似する対象モデルと、該制御対象の制御を実行す
   る制御モデルとを直列に結合して構成することを特徴と
   する請求項１に記載の学習型ファジィ制御装置。
3. 【請求項３】 ファジィ推論の手順を計算ノ−ドと該計
   算ノ−ド間を結ぶリンクからなる計算ネットワ−クで表
   現し、対象モデルにファジィ推論を行う場合に、上記計
   算ネットワ−クを用いて該対象モデルの入力値を微小量
   変化させたときの出力値の変化量を算出し、該変化量に
   基づいて制御モデルと該対象モデルにおけるパラメ−タ
   の調節を行うことを特徴とする学習型ファジィ制御装置
   の制御方法。
4. 【請求項４】 上記パラメ−タの調節は、制御対象の特
   性が時間的に変化する場合、ファジィ推論手段による制
   御の実行と並行して、該ファジィ推論手段のメンバシッ
   プ関数形状パラメ−タを上記特性の変化に追従するよう
   に調節することを特徴とする請求項３に記載の学習型フ
   ァジィ制御装置の制御方法。
5. 【請求項５】 上記ファジィ推論手段は、制御対象に観
   測可能な複数の入力変数とともに、外部から観測不可能
   な内部変数を有する場合、観測可能な上記入力変数から
   推論により上記内部変数を求めた後、該入力変数と該内
   部変数とから推論により出力変数を求めることを特徴と
   する請求項３に記載の学習型ファジィ制御装置の制御方
   法。
6. 【請求項６】 上記ファジィ推論手段は、制御対象に内
   部変数が存在し、かつ該制御対象の特性が時間的に変化
   する場合、推論出力と該制御対象の出力との誤差に基づ
   く推論処理の実行と並行して、該ファジィ推論手段のメ
   ンバシップ関数形状パラメ−タを上記特性の変化に追従
   するように調節することを特徴とする請求項５に記載の
   学習型ファジィ制御装置の制御方法。