next up previous
: 実験方法 : 機能ベースの物体認識システムのファジーメンバーシップ関数の学習 : メンバーシップ関数の調整

階層的な学習アプローチ

全てのメンバーシップ関数を正確に学ぶために、メンバーシップ関数がそのサブカテゴリーの一つに属するとき学習される前に、それらの関数は親カテゴリーの評価測定値に貢献する。この階層的なアプローチは、サブカテゴリー評価測定値がカテゴリー評価測定値のPORとして計算され、加えられる機能的な必要事項の組み合わせが必要がある。 エラーのための難しい課題は合理的な正確さでPANDノードを通して普及できる。しかしながら、エラー値がPORノードを通して確かに伝えることができない。例えば、もし2入力のPANDノードの望ましい出力が0.9であるなら、我々は2つの入力の両方ともが少なくとも0.9であるに違いないことを知っている。これは比較的小さい範囲[0.9,1.0]の中でPANDノードに落ちる両方のインプットを意味する。今、2入力のPORノードの望ましい出力が0.9である例を考慮しなさい。我々はただ両方の入力が範囲[0,0.9]に入ることが確かであるとだけできる。もっと悪くさえ、もしPORノードの望ましい出力が1.0であるなら、我々は少なくとも1つの入力が1であるに違いないことを知っているが、しかし他の入力は[0,1]でどこにもあり得る。

PORを含む証明木の全てのノードは、そのメンバーシップ計算がPAND接続だけを含む親カテゴリーの成立している(あるいは、より一般的な)最小の一つの接続ノードを持っている。親カテゴリーのメンバーシップ関数は最初に学ばれて、そして学習の後凍結されるだろう。それらは、サブカテゴリーのための学習の間には修正されない。例えば、図6.19で、サブカテゴリー(特別な)「背もたれがまっすぐな椅子」を学ぼうと試みる前に、親カテゴリー「背もたれがまっすぐな椅子」が学ばれるだろう。PAND概念のいずれかが学ばれることができれば、この場合いくつかの戦略が伴われる。戦略はサブカテゴリーが特定化される親カテゴリーを学習する。(すなわち、背もたれがまっすぐな椅子は、同じくまっすぐな背もたれを持つから、より特定な一般の椅子である。)

\begin{figure}
\begin{center}
\epsfile{file=fig6-19.EPS,width=79mm}
\end{center}\end{figure}

さて、親カテゴリーのためのメンバーシップ関数はサブカテゴリーの学習の間凍結され、そして機能の必要条件がサブツリーを作るメンバーシップ関数だけが修正され学習される。図6.19で、これらのメンバーシップ関数は、サブカテゴリー「背もたれがまっすぐな椅子」のための「provides_back_support 」ノードに属する。親カテゴリーのために学ばれた値が相応に正確であると想定される。それ故、エラーはPANDと先の学習の継続を通して、機能的に要求されるノードの元で修正可能な葉で伝達される。PORを含むサブカテゴリーが全ての学習されたサブカテゴリーが学習されるまで、階層的な学習のプロセスは、それぞれの親カテゴリーで裏返される。それで「背もたれがまっすぐな椅子」を学んだ後、ブランチが凍結されるためのメンバーシップ関数と「肘かけ椅子」サブカテゴリーは、証明木の「provides_arm_support」ブランチの元でメンバーシップ関数が修正されることによって学習された。

OMLETは、サブカテゴリー依存度の決定することによってルールベースの評価によって学習が開始され、学習階層でのレベルで決定木のそれぞれのサブカテゴリーを割り当てる。例えば、OMLETはカテゴリー「通常の椅子」が親カテゴリーを持たないと決定され、そしてそのメンバーシップ関数をすぐに学ぶことができる(レベル1)。 しかしながら、サブカテゴリー「背もたれがまっすぐな椅子」の評価測定値は親カテゴリー「通常の椅子」に依存している。「背もたれがまっすぐな椅子」サブカテゴリーは学習レベル2に割り当てられる。 サブカテゴリー「ひじかけいす」は親カテゴリー「背もたれがまっすぐな 椅子」に依存していて、従って、レベル3学習に、割り当てられる。



SATO Yoshihiro 平成12年10月26日