新居 学

<p>ニューラルネットワークにファジィ数ベクトルが入力された場合, 対応するファジィ数出力ベクトルの計算は, ファジィ演算を用いて行われる.このとき, ファジィ演算が各ユニットで独立に実行されるため, 入力ベクトルに含まれるあいまいさが, 入力層から出力層へ向けた計算の進行とともに増加するという問題点が生じる.本研究では, まず, この問題点を, 拡張原理の局所的な適用と大域的な適用という観点から議論する.局所的な適用では, 各ユニットでのファジィ入出力関係が拡張原理により定義される.一方, 大域的な適用では, ニューラルネットワーク全体のファジィ入出力関係が拡張原理により定義される.次に, 具体的な数値計算例を用いて, 拡張原理の局所的な適用におけるあいまいさの増加がどの程度であるかを示す.さらに, あいまいさの増加を低減するため, レベル集合の細分化手法を示す.最後に, ニューラルネットワークからのファジィルールの抽出に細分化手法を適用し、その有効性を検討する.</p>

本研究では.多数の生産者が市場で競合しているような状況での市場選択問題に対して, 強化学習の代表的手法であるQ学習を用いた解析手法を提案する.市場選択問題では, 市場価格は需要と供給(出荷量)との関係で決定されると仮定する.そのため, 市場選択に関する意思決定の結果として市場から得られる利得は.他の生産者による市場選択の結果に依存する.そこで本研究では, まず, このような市場選択問題を, 一種のn人非協力ゲームとして定式化する.次に, Q学習を市場選択問題へ適用する方法を提案する.Q学習は, 市場価格を決定する需要関数が未知の場合でも有効な手法である.最後に, 数値実験により, Q学習の有効性を明らかにする.数値実験では, 他の生産者が前回と全く同じ行動を取ると仮定した場合での最適な市場選択と, Q学習に基づく市場選択との比較を行う.

本研究では, 学習後のニューラルネットワークからファジィIf-Thenルールを獲得するため, ファジィ数の演算に基づく方法を提案する.提案手法では, 多次元パターン識別問題に対して学習された階層型ニューラルネットワークから, 確信度付きのファジィIf-Thenルールが獲得される.例えば「If x_1 is small and x_2 is large then Class 2 with CF=0.9」のようなファジィIf-Thenルールである.ここで, CF=0.9は, このルールの確信度が0.9であることを表している.このようなファジィIf-Thenルールを獲得するため, 提案手法では, まず, 条件部ファジィ集合に対するファジィ数ベクトルが学習後のニューラルネットワークに入力される.次に, ニューラルネットワークからの出力が, ファジィ数の演算に基づき, ファジィ数ベクトルとして得られる.最後に, このファジィ数出力ベクトルを用いて, ファジィIf-Thenルールの結論部とルールの確信度が求められる.本研究では, このような提案手法の有効性を示すため, 2次元パターン識別問題とアヤメの分類問題に対して学習されたニューラルネットワークからファジィIf-Thenルールの抽出を試みた結果についても議論する.