建築計画における知識獲得の技術に関する研究 神経回路モデルと概念クラスタリング

建築計画 にお ける知 識獲得 の技術 に関 す る研 究 神経回路 モデル と概念 クラス タ リング

●⇔0

平成 2年 度 修士論文 早稲 田大学大学院 工 理 学研 究科建設工学専攻 横沢正 人 指導

渡辺仁史教授

は じめ に

「 まだ存在 しない物を存在せ しめる経過で、 どうやってその姿を描 きだすのか。そ こに設計 といわれる仕事の内容がある。 (中 略)そ れにまつわる矛盾 したさまざま な要求や概念 の上場 こそ、建築創作 の出発点で あり、その解答提出には、造形 に対 す る豊かな創造力、記憶力 を発揮することだ。」 (設 計 とは建築の何 か

吉阪隆正集 5「 環境 と造朝

)

設計の過程 は既知の知識 を縦横無尽 に利用 した総合技術 であ り、常 にそれに関す ではあ る経験的知識 と創造力を必要 とするものである。また、本来建築 は人一人の作業‐ りえず、多 くの人達の協力 によつて推 し進め られてきたものである。建築の分野で も、 あ らゆる分野 と同様、技術 の進歩 は我々に多 くの利益 をもたらして くれる。例えば、 フ ライ 。オツトーが膜構造 をうまく使 える技術 を創 ったことによつて、それ以降の設計者 は彼 と同等の開発努力 をすることなしに、膜構造の技術 の思恵 に浴す ることができるの である。 しか し、それは同時に我 々にさらに多 くの理論的あるい は実践的把握 と習熱を 要求す るのであろう。それは建築の分野での発明である場合 もあるし、全 く異なった技 術 を応用 して、新 しい建築のジャンルにする場合 もある。いずれにしても、技術的 に進 歩す るに従って、並行 して考慮 すべ き問題が拡大 し、領域の細分化 も進 んで しまうので ある。そして、全体 を隅々まで理解 しようとするには、もはや問題が大 きす ぎるのであ る。

そ こで、そ う した問題 を準分解 可能問題 として扱 い、細部 は専門家 に、全体 の構 成 は演 出家 たる建築家がそれぞれ担当す ることが必然的 に起 こる。 しか し、専門知識の プラックボックス化 に従 って、 そ れで も、それ らの知識 を把握 したい とす る要求 が強 く なってい ることも否定で きない ことで あ る。 い ま、電算機 の性能 の向上 とともに、 この 進歩 によって授 け られた専門化 しがちな知識 をどう扱 うか とい う、ある種 の「技術 の技 術」 力'あ らゆる先端分野 で重要性 を持 つ ようになってきた。 そ して、機械指向だった従 来 の技術 とは異な った、 もっと有機的 で人間の思考 に関す る人工知能の分野 の技術 であ るよ うだ。

本論文 では、設計者が扱 ってい る専門知識 の一部分 を、 ある種 の コンピュー タ・ プログラムが学習 し、電算機 に適 したアー キテクチ ャーでそれが思考 を行 うことを明 ら かに したい と思 う。脳 の計算 メカニズムを利用 した神経回路 モデル、記号処理 を基礎 に お く概念学習 モデルの 2つ のモデルを取 り上 げ、それぞれの手法 が何 に対 して、 どう適 してい るのかを考察 してい きた い と思 う。

論文 の構成 は、第 1章 、建築CADシ ス テム と帰納的推論 では、設計過程 の定式化 と例示 による知識獲得 のシステ ムが もつ特徴 につい てまとめ ている。 つづ く、第 2章 、 神経 回路 モ デル

(ニ

ュー ラル・ ネ ッ ト)に よるパ ター ンの想起 では、学習 モデル として

神経 回路 を取 り上 げ、 このモ デ ル を使 ったケ ーススタディを 2つ 行 った。 このケ ース・ スタデ イは平成 3年 度 の早稲 田大学情科 セ ンターの紀要 13号 に掲載予定 の原稿 と、平 成 2年 度 の第 13回 建築学会電算 シンポジュ ウムのため に書 き下 ろ した ものに大幅 に加 筆 した ものである。 そ して、第 3章 、機械学習 による分 か りやす いルールの導出 では、 概念学習 モ デル をD3の アル ゴ リズ ムを利用 し、決定木 によるル ールの抽出を行 った。前 章 と同様 ケースス タデイを中心 に考察 し、 また、神経 回路 モ デル との違 い につい て言及 してい る。付銀 では、ケー ス・ ス タデイに使 ったデー タを収 めてある。付録Bは 論文 で 利用 した神経回路 プ ログラムNETlと

NE2の ソース・ フアイル を掲載 た。 また、同様 に

付録Cで 概念学習 モ デルcLSlを 添付 した。 さらに、留学中開発 したフ レームベース・ エ キスパー トシス テ ムFRAMEを 英文 で添付す る。

神経 回路 モ デル も概念学習 モデル も深遠なテーマ で あ り、多 くの人工知能 の学者 が研究 してい るものであ りなが ら、特 に我が 国 では、今 まで建築分野 での応用技術 とし 111

て用 い られることがほとんどなかった。いずれにして も、 こうした専門知識 を管理する 技術 が豊かな創造力 と記憶力 を何倍にも拡大 して、設計をより適切 に、かつ、分 か りや す くす るための道具 となることはほとんど間違いないだろう。

横沢正人

ミュンヘ ン 。オ リン ピ ック村

lV

(フ

平成 3年 2月

ライ 。オ ッ トー)1972

1章 建nCADシ ステム と帰納的推論

1

1‐

1

発想 の道具

1

1‐

2

設計 の定式化

2

1,3 学習 システ ム とは何 か

3

14

経験的学習 システム

3

1‐

5

分類器 モデ ル

4

1・

6

要約

5

2章 神経 回路 モデルに よるパ ター ンの想起 2‐

1

ホ ップフィール ド型神経 回路 モ デル

6 6

2‐ 1‐

1

記憶方法

8

2‐ 1‐

2学 習 ル ール

9

2‐ 1‐

3概 念 設計 モデル

2‐ 1‐

4焼 きな ま し法

(Mrlと NE2)

11

2o2 ケース・ ス タデイ :正面玄関の設計パ ター ンの獲得

NErl

2‐ 2‐

1

2‐2・

2 Contm‐AddrealcMmoryに よる

正面玄 関の学習

10

設計案 の生成 織

13 13

16

3

2‐

ケ ース・ス タデイ :オ フイス ワー カー の

2‐3‐

2‐

32

2-3‐

2‐

4

1

3

行為 パ ター ンの獲得

22

オフイス・ ワー カーの行為

22

デー タ解析器 と しての神経 回路 モ デル

22

あらゆる条件 か らの想起

23 28

要約

3章 概念 クラスタリングによるルールの導出 3‐

1

決定木 による単 一概念学習

29

3‐

2

単 一概念 の学習問題

30

3‐

3

決定木 の生成

31

34

3‐ 3‐

1

決定木 による知 識表現

31

3‐2‐

2 CLSの 学習アル ゴ リズム

32

3‐ 3‐

3決 定木 の政良

33

ケ ース・ ス タデ イ :正 面玄関の概念獲得

36

要約

40

あ とが き

42

3‐

4章

29

5

44

参考文献

付難

49

デー タ 11シ ドユー大学構 内 における正面玄関のデー タ

デー タ 2:オ フイス環境 とオフイス・ ワー カー の行為 に関す るデー タ 57 付銅じ 付驚 付録D

63

Ⅲ rlと NE12の ソース・ フアイル

75

CLSlの ソース・ フアイル 英字論文

m

("hneBHd恥

89 囃 Sysm

shellh HP andasome舵 "RAMEう

。 ■

第 1章

建築CADシ ステムと機械学習

土 早

一 弗

圭築 CADシ ステム と機械学習

１■

１■

発想 の道具

多 くの設計者 にとって設計過程 とは、対象領域 に対す る拘束条件 の設定 と、その 問題解決および設計案の評価 の繰 り返 しを意味 している。拘束条件の設定で設計者の抱 える困難 は、必ず しも問題 に対する情報の不足から来るのではないことが多い。実際 に は計画に必要な知識を上まわるデータを持 っていながら、それらを活用 できず にいて、 解決 を困難 にしていることもある。 この段階で必要な道具 とは、大量の情報を理解 し易 い小 さな、 しか し正確な知識 として解釈す る論理的な枠組 み と考 えられる。すなわち、 拘束条件 を明 らかにし、相互に関係 した個 々の問題 を構造化す ることである。こう した 情報を操作す るシステムは従来のCADシ ステムの中には存在 しなかった。META‐ DENDRAL(Buchanan and Mitchell,1978)や AQH(Mた hal〔 画,1978)と いったルール・イ ンダクシ ョン・ システム として知 られていた考 え方を設計過程 に導入す ることで、設計 に関する知識の獲得 を行 うことがで きる。そ こで、機械学習を行なうCADシ ステムを開 発す るに当たって、その問題 の所在 を考えると、

(1)細 切れに与 えられた設計情報を どの方法 を使 って抽象化す るのか、 (2)変 換 され、一般化 された知識はどのような方法 で取 り出されるのか、 といった項 目が重要になって くる。

第 1章

1‐

建築CADシ ステム と機械学習

設計 の定式化

2

さて、情報 が知識 として解釈 されて い く場合、知識 が情報 と異 なった定性的性質 を持 つ ことが推測 で きる。一般 に物体、言語 あるい はそれ らに匹敵するような複雑 さを もつ概念的知識 を、広義 の意味 でスキーマ と呼 んでいる。 スキーマ を定義 づ け ている性 文献40 この よ な う 質 は概念的解釈 を行 なえ、かつ推論 を支援す ると言 うことである。 仮定 にたつ とデザ イ ン・ プロセス では、物質的 な組 み合 わせ とそ こに表現 される多態性 が 、多 くの解釈 を派生する。 したが って、そ う したスキーマに適 した柔軟 なデー タ構造 の仕組 みが、シス テムに必要 になる ことが分 かる。 実際 の設計 と機械学習 システ ムが行 な う手続 きを擦 り合 わせるにあた り、 よ り解 文献H,35 か りやす い理解 のために記号式 で表 してみ たい。 D:デ ザイ ン

V:語 彙 K:知 識

■解釈 C:文 脈的情報

【 IKgIKc則 降〔

:

除 解釈 に関す る知識 昨 生成 に関する知識 降 制御 に関する知識 除 定式化 に関する知識

叩

羽)

解釈 (演 繹 的推論 による)

Kイ (Ipl,…Dn)

解釈 に関す る知識 の導出

晩口 α ,Dl,¨ "Dn)

生成 に関す る知識 の導出

D_4α IKD

デザイ ンの導出

Lc,Ki,V.穐 )ゴ ールにお ける解釈 設計 はD_4α 幻 で表現 され、設計 に必要 な語彙 (V)と 生成 に関す る知識 (Kg) を使 って、計画対象 のインスタンスを生成 す ることがで きる。 また、その生成 に関す る 知識 (Kg)は 語彙 (V)と い くつ かの設計 の実例 (Dn)か ら学習 のための変換 して得 ることがで きるのである。

-2-

(τ

)を 介

第 1章

建築CADシ ステムと機械学習

学習 シス テ ム とは何 か 。

1-3

「学習によってシステ ム内に変化が起 こるが、その意味 は、 システムが前 と同 じ タス クまたは同 じ固体群 か ら引 き出 されたタス クを三度 目 には もっと効率良 く、効果的 に行 なえるようになるとい う ことで ある。」

(H.サ イモ ン)

学習 シス テ ム とは蓄積 された経験 をもとに適切に意志決定 を行 な うコンピュー タ・ プ ログラムで ある。人間 の学習 と異 な り、電算機 の計算能力 を最大限 に活 か した統 計的あ るいは、数学的 な技術 を利用す るものである。学習 システムの 目的 は他 のエ キス パー ト・ システ ム などのAIプ ログラム とあま り変 わらない と考 えられ、主な特徴 を挙 げ る と、

(1)実 世界 の意志決定問題 を扱 う。 (2)こ れ らの問題 を正 しい結論 に導 くことによって解決す る。 の 2つ が そのシステムの 目的 で ある。

さて、興味深 いこ とに、人間 は経験 によって専門的知識 を拡大す ることがで きる。 以前 には判断す ることが非常 に難 しか つた事柄 で も、 よ り適切 にかつ短時間で対応す る こ とがで きるようになるので ある。 しか しなが ら、 こう した専門家の もつ知識構造 は必 ず しも定式化 され ておらず、 それを他 の人間に伝 えることは非常 に難 しいこ ともまた、 事実 であるようだ。 こう した問題 にたい して、ある種 の専 門知識を、機械学習 のプ ログ 文献34 ラム を用 いて獲得 す ることが 明 らかになって きた。

1-4

経験的学習 システム (Empirical Lcaming Syscms)

人工知能 の一連の学習 システ ムの概要 は極 めて広範 に広 がってお り、学習サ ンプ ルの分類 、サ ンプルによる予 測、デー タ圧縮 などに分 かれてい る。本論文 では、 システ ムの主 な目的を「分類

(Classiflcation)」

とす る。分類 とい う言葉 も多分野 で用 い られ、

統計 の分野 では、予想問題 (pdiction problem)、 機械学習 の分野 では (conceptleaming) と呼 ばれてい る ものである。 図 1に 示す よ うに、経験的学習 システムの 目的 は、新 しい デー タにも適用 で きる決定 ル ールをサ ンプルの中か ら抽出す ることでる。通常 の学習 シ ス テ ムは一般的 な モデル と して、神経 回路 や、決定木 を利 用 してい る。 ‐

3‐

第 1章 建築CADシ ステムと機械学習

学習 システ ム

サンプル

図

1

1‐

5

分類 ル ール

学習 シス テ ム

分類器 (classifier)モ デ ル

学習 システムが学習 した分類 ルール を利用 して、未知のサ ンプルをその ルールで 分類す ることが可能 になる。 これ を行 な うためのシス テ ムが分類器 で ある。 図 2に ある

ように分類器 をもしき図にすると、分類器 はあるプラック 。ボックスとして表され、分 類を行ないたい未知のパ ターン・ データを入力 として受け取る。

分類 され る ヽ ′ ター ン・ デ ー タ

図2

分類 ル ール

クラ スヘの 害1当 の決 定

分類器

通常、分類器 は入力 をプラック・ ボ ックス内部 の分類 ル ー ルに従 って、入力 をど の範時 に入 る ものか、あ るい は、 どこにも入 らない ものなのかを判定す る ものでる。従 って、分類器 か ら見 ると、学習 システ ムが行 っていることは、有限個 のサ ンプルか ら、 任意 の対象 を分類 す る知識構 造 を作 り上 げ ることを意味す る。 また、学習サ ンプルは、 それゆえ、学習 システムが分類器 のためにル ール を一般化する際 に利用す るデ ー タを含 んで い る必要 がある。す なわ ち、分類 を効果的 に行 な うために、関係 す るデー タを特徴 要素 として用意す る。 これは、学習 システ ムのモ デルによって当然扱 える形式 に違 いが あ り、 2値 のパ ター ンで あるか も知 れない し、属性値 や連続的数値 で あるか も知 れない。 本論文 で考察す る 2つ の学習 モ デルは、脳 の計算 メカニズムにヒン トを得 た神経 回路 モ デル と、デ ー タを記号 として扱 い決定木 と してルールを生成す る概念学習 モデルである。

-4-

第 1章 建HCADシ ステムと機械学習 これ ら2つ のモデルは認知科学 や計算機学、神経生理学、数学な どを含むグループがい ろいろな呼称 を使 ってお り、多少の差異 はあるもののおおむね機械学習のモデルはこの 二つのモデルに帰結することができるようだ。表 1(神 経回路 モデルと概念学習モデル) サンプル

学習ル ール

神経回路モデル

二饉デ ータ

デルタル ール

結合度 マ トリックス

分類及びプロ トタイプの生成

概念学習モデル

記号

概念 クラス タリング

決定本

分類及びルールヘの帰納

利用項 目

表 1 神経回路 モデルと概念学習モデル

1‐

6

要約

第 1章 では、機械学習 によって、イ ンスタンスの生成に関する知識を得 ることを 述べ た。機械学習の仕組みは学習 システムと分類器 から成る。学習 システムは知識獲得 の為のシステムであ り、分類器 はその獲得 された知識を用いて対象を分類するシステム である。 こうした、知識獲得 の手法 には、神経回路 モデルと概念学習モデルの 2つ の代 表的 なアプローチがあ り、それぞれ多少特徴が異なっている。すなわち、神経回路 モデ ルが、暗示的知識の表現、言い換えると、習熱 を要す る技術獲得 に優れているのに対 し て、概念学習モデルは、決定木 で表現 できる明示的な知識表現 に優 れている。

‐

5‐

第 2章

神経 回路 モデルによるパ ターンの想起

土 早

一 弗

2

神経 回路 モ デル による パ ター ンの想起

神経回路 モデルとは沢山の比較的単純な情報処理要素が、相互 に結合 して簡単な信号 をや り取 りす るような型のネットワーク状のメカニズムを使 って「情報処理」 と呼ばれ 33 こぅした、神経回路 モデルの利用 したシステムが持 る仕事 をさせるもである。文献 つ、経験的な設計知識を表現す る道具 としての有益性 を、建築計画の中で、明 らかにす 7,8,9,10 る試みが行 なわれてきた。文献

計

さて、第 2章 ではモデルの仕組みについて解説 し、それを利用 した正面玄関の概念設 システムとしてのケーススタデイ、そ して、帰納推論を用いたデ‐夕解析器 としての

ケーススタデイの 2つ を行 う。

2-1

ホ ップフィール ド型神経 回路 モデル

ポップフィール ド型神経回路 は双方向 に同 じ重さのフイー ドバ ックのあるネットワー クである。 ここで不U用 した自己想起器のイメージを図にすると図 1の ようになる。い く つかの学習サ ンプルを入カパ ター ンとして与え、それによって神経回路 モデルが学習ル ールに基づいて結合度マ トリックス (Weigh“ Matix)を 変化 させる。一旦学習が終了す ると入カパ ターンに応 じて、予想する出カパ ターンを生成することが可能になる。

-6‐

第 2章

神経回路 モデ ルによるパ ター ンの想起

A Hopfield model Auto-Associator

7

′

′

-

ア

,

7

′

ア

,

ア

J

ア

V^

7

′

ア

V^

ア

′

ア

フ

′

ア

,

′

『

フ

一 一 一

′

,

′

ア

′

一

′

ア

「 ′

^ ^

′ ア

「 「

一 ｒ

ア

フ

一

︵ ＯＣ一 つＣ一 ﹁”洋Φ、⊃

′

一

′

′

一 コ０⊂一﹁”露Φ﹃コ

一

,

︶

＾

′′ ′ ノ P′

一

′

ア

^

一

Weights Matrix 図 1:

ホップフィール ド型神経回路の構造図

自己想起器 とは、入カユニ ッ トと出カユニ ットとがつながっていて、見 かけ上 どのユ ニ ットからでも想起が行 なえる神経回路 モデルの一種 である。神経回路 モデルは第 1章 で説明 したパ ター ン分類器の一つ と捉え られる。あらかじめ学習 セットを用意 し、学習 ルールに従 って神経回路 ネットワークを生成する。その学習されたネットヮークは学習 セットのなかのパ ターン状態をエネルギーの局所的最小点 としている。そして、インス タンスの部分情報から全体 を自己想起する。通常 こう した連想記憶 をCon“ n卜 Addrcssable Memoryと 呼 んで、一般的な逐次処理 の コンピュー タが行 なう番地型のメモリー管理 の方

法 と一線を画 している。具体的 にConten卜 Addressable Memoryに ついてホップフイール ド (1982)を 参照す ると

;

"H.A.hmersand G.Ho Wamier P■

ys.Rev.,60。 252(1941).'が 記憶 に蓄 え られ た

項 目 とす る。 一般 的なContent‐ AddressabL Memoryは 一応 に十 分 な部 分 的 な情報 に基

づいて、全体的な記憶 を取 り出すことが出来るだろう。その入力 は をd Wamier (1941)' で十分であるかもしれない。理想的な記憶はエラーを扱うことができて、 この参考文献を :Varmier,(1941)' といつた入力からでさえも取 り出すことが出来 るであろう。" すなわち、 ホ ップフイール ド・ モデルを利用す ることによって、部分情報 が示す全体 の記憶 にアクセスす ることが可 能 である。 また、あ らゆる角度 か ら、ノイズを適 当 に取 り除 きなが ら、記憶情報 の再構成 が行 なえるのである。 -7-

第 2章

2‐

神経回路 モデルによるパ ター ンの想起

記憶方法

1-1

回路 の内部 に記憶 されたパ ター ンの オブジ ェ ク トを明示的 に見 る ことがで きない。 オ ブジ ェク トはネ ッ トワー クの結合度 が ら必要 に応 じて再構成 されるのである。 図 2は 最 も単純 な 3つ のユニ ットか らなる自己想起型回路 の仕組 みである。 それぞれのユ ニ ッ ト はす べ て、そ の状態 を表す活性値 {alo<=a<=1〕 と、入力 を受け入 れ るための しきい値

oを 持 ってお り、そのユニ ッ トは他 の全 てのユニ ッ トと結合 してい る。それぞれの結 合度 は lwl覧

Fり

である。

W12ツ 21=‐ 2

″

13‐ ν31=1

″23=嘲 ′ 32=3 図 2:

3つ のユニ ッ トを もつ 自己想起型回路

これ らのユ ニ ッ トの結合 の状態、す なわち、 このネッ トワー クの エ ネルギー状態 を

E=―

Σwlsド j+Σ Oド lく

く り

i

1

と表す ことができ、図 3の 太文字でエネルギー状態の高低が分かる。 (但 し、図中の 四角 はそれぞれネットワー クの状態を表 し、その間の矢印はその状態から矢印の先の状 1,1,0〕 のパ ター ンは3.0の エ 態に移 る遷移確率 を表 している。)一 番 エネルギーの高い〔 0,1,0〕 は‐ 6.0の エネルギー を持 っている。 ネルギーを持 ってお り、学習 されたパ ターン〔

つま り、神経 回路 モデルでは記憶す るパ ター ンその ものをメモリー に収めるのではなく、 パ ター ンを再構成できるネットワークをつ くり、ネットワーク内のエネルギーの状態を 下げることで記憶 したパ ター ンに収束するのである。

-8-

第 2章

神経回路 モデルによるパ ター ンの想起

学 習 されたパ ター ン

図 3:ネ ッ トワー ク・ エ ネル ギー

2‐

1-2

学習 ル ー ル

学習 ルー ル には教師 な しの動作 の簡単なハ プ 。ルール (1946)力 'あ るが 、 ここでは教 師信号 を参照 して、誤差 を減 らす ように しきい値 と結合度 を変化 させるデルタ 。ルー ル (Widrow‐

HorttDを 利用 した。

図2で 見たように、ユニットは残りの総てのユニットと相互に結合しており、結合度 可iは 等しくなっている。結合度の初期値は0と する。それぞれのユニットは活性 値と、しきい値 (の を持っており、しきい値の初期値は0と する。 Wiiと

‐

9-

第 2章

神経回路 モデルによるパ ター ンの想起

(1)あ るパ ター ンを教師信号 とす る。 (2)ユ ニ ッ トを一つ選択 し繋 が つているネ ッ トワー クか らの総入力

(tatal_input)を 計算 する。

(3)も しその入力が しきい値 よ り大なら、そ のユ ニ ッ トの活性値 を 1と す る。 もしそ の入力 が しきい値 よ り小 なら、そのユニ ッ トの活性値 を0と す る。 設定 された活性値 を予想値 とする。

(4)そ の予想値 と、システムに教 えようとする学習値 を比較 し、 誤差 =(学 習値)―

(予 想値 )と

する。

(5)そ のユニ ッ トに繋がっている全ての結合を調べ、結合度を以下のように変化 させる。 もしそのユ ニ ッ トの活性値 が 1で あるなら、 (新 たな結合度)〓

(結 合度)― (誤 差)と

す

る。 ６ ７

しきい値 も変化 させ る。 (新 たな しきい値 )=(し きい値 )― (誤差 ) 誤差 が 0か 、 または学習 回数 を終 了す る まで

2-1‐ 3

念 設計 シ ス テ ム

(2)に

もどる。

(NETlと NET2)

神経回路 モ デル をどう概念設計 のシステム に利用す るかを考察 してみ たい と思 う。

CADシ ス テムにお いてデー タを正確 に表現 し高速 に設計対象 を扱 う性能 は、ます ます、 重要 で改良す べ き問題である ことは否定 で きない。 しか し、正確 で高速 であるとい う凡 度 だけでは、概念 設計 のための システム を評価 で きない。 なぜ なら、思 考 を集 中す るた めの仕掛けが シス テ ムの大 きな要因 となるか らである。 このため、 スケ ッチブ ックに行

なうエスキースに慣 れた建築家 が、CADの イ ンタフェイスを便利 でない と指摘す ること も事実である。 まず、システムに求められる対話性 を高める工夫が非常 に重要であ り、 画像 データを扱え、他のプログラムのフロン トエ ン ドとして利用できるハ イパー カー ド 13 作成 した を、ユーザーイ ンターフェイス に利用す ることも一つの方法 である。文献 システムは図 4に 示す ように、画像デー タと属性値 を持つサ ンプル・デー タの環境 (デ ータ環境)と 、設計者が設計案 を思案するシミュレーションの環境

(シ

ミュレー シ ョン

環境)の 2つ を持 ち、ユーザーから見 えない部分 でサンプルを学習す る神経回路 プログ ラムM11と 、学習された神経回路ネットワークから想起 シミュレーションをおこな うプ ログラムNEEが 、必要に応 じてハイパーカー ドから起動 される構造になっている。結果 的 に設計者 は画像 データから具体的なイメージを掴 めるだけでな く、シミュレー ション を通 して、い くつかの玄関のもつ中心的傾向や物理的な要素の組み合わせを評価するこ -10-

第 2章

神経回路 モデルによるパ ターンの想起

ともで きる。

User

Description

Graphic Data

Simulation

２ Ｏｔ ｅ ｎ

◇耐 An Auto-Associator Learning Program

図 4:

2‐

1-4

An Asynchronous Update Matching Promgram

NETlと NE2を 統合す るユーザ ー環境

焼 きなま し法

NErlと NE12に おいてユ ニ ッ トを活性化す る際、温度 変化 による確率的動作 を行 なっ

ている。 この場合 の温度 とは"焼 きなま し法 "で 使 われる概念 で あ る。 文献 4

この仕

組みによって導出されるパ ターンが局所的最冽ヽ 点から脱出できるように拡張されている。 基本的動作 は以下のようである。記述子の一部 を強制的に特定の値 に固定 したとすると、 ネットワークはその入力信号 に対応 したエネルギーの極小状態 にたどり着 く、ある状態 におけるエネルギーはその状態 を表す仮説の組み合 わせが、問題領域 に含 まれる制約条 件 にどの程度違反 しているかを示すものと解釈 できる。従 って、エネルギーを最小化す ることで、入力の解釈 に向かって状態 を変化 させる。エネルギーを しば しば高い状態 に ジャンプさせるようにするために、ジャンプする高 さを制御する状態変化確率Pkを 導入 す る。つま り、幡 目の記述子 のオンの状態 とオフの状態 のエネルギーギャップを△】 ■と するとき、そのユニ ットの状態 Skを 、以前の状態とは無関係 に確率Pkで 1に する。 Pk=3-一 二L― ―― (1+`―

AE1/T)

‐

11-

第 2章 神経回路モデルによるパ ターンの想起

ここでTは 温度 と考えて、高い温度でシステムの動作を開始 して、次第 に温度 を下げ ることを行 な う。高温では、ネットワー クはエネルギーの小 さな差 を無視 して、速かに 平行状態 に近づいてい く。言 い換えると、ネ ットワークの状態空間の大 まかな全体構造 に対 して検索 を行 なうことに相当 し、荒いレベルでの最小点が見つけられるはず である。 この焼 きなま しのスケジュールは経験的 に求めたものであ り、温度 を下げる時間が短す ぎて も、長す ぎて もエネルギーの大域的極小値 に落ちないことが分 かつた。

¨

12¨

第 2章

2‐

神経回路 モデルによるパ ターンの想起

ケ ース・ ス タデ イ :正 面玄関の設計例

2

正面玄 関 の学習NETl

2-2-1

NETlを 用 いて、存在す る計画例 か ら設計 の構文的文法 を生成 す ることを試みる。利用 した学習サ ンプルはシ ドニー大学構内 にある建物 の 82個 の正面玄関で あ り、物理的要 素

(扉 の開 く方向、材質、蝶番 の数等)や 、建築様式 (近 代様式、 ゴシック様 式等 )や 、

機能的要素 (重 要度、メ ンテナ ンスの状態、 ス タッフ専用等 )に つい て 45の 記述子 を 選択 した。図 5は 代表的な ものを様式 によって分類 したものである。

(1)シ ス テムの動作 NE「1が 行 な う帰納的推論 は K『ィ(V,Dl,… ,Dn)

で表現 され る。 これ を換言す ると、 デザイ ンの イ ンス タ ンス

(Dl,“ 。 ,Dn:82例

の正 面玄

関)と 語彙 (V45個 の記述子 )か ら設計対象 の生成 に関す る知識 (Kg:NETlに よって作 り出 される神経 回路 ネッ トワー ク)を 得 るプ ログラムである。それ に対 して、NET2が 行 な う設計過程 はD_4(VIKgDと 式 にす ることがで きる。語 彙 (V45個 の記述子)を 活性化信 号 として、生成 に関す る知識 (Kg:NETlに よって作 り出 される神経 回路 ネッ トヮー ク) に伝達 し、 ネ ッ トワー クが想起 を行 なって、デザイ ンの一例 (D:イ ンス タ ンス)を 生成 す る。

近代様式

トラデ ィショナル様式 図

5:

正面 玄 関 の サ ン プ ル の一 部

(2)設 計者 の作業 ‐

クラシック様式

13-

ネオ・ ゴシック様式

第 2章 神経回路モデルによるパターンの想起 シミュレー シ ョンモー ドで設計者 が行 な う作業 は次 の ようにモデル化 で きる。NE12が 返す設計案 (D:デ ザ イ ンのイ ンス タンス)を 自分 の持 つ、性能及 び評価 の 目安等 の知 識 (Ki:解 釈 に関す る知識)に よって評価す る (I:解 釈 )。 また解釈 の結果 を分析 して、足

りなかった点や う ま く解決で きなかった ことを明 らか にす る。 この様 に して、 システ ム と設計者 はデザ イ ンのサイクル に沿って回転反復 を繰 り返す ことができる。 ただ し、 実 際 には記述子 が限 られてい るため に、次 の具体的 なサイクルに上が ることをある程度 制 約 している。

82個 の正面玄関 に関するデー タをNErlを 使 って学習 させた神経 回路 ネ ッ トヮー クを図

4に 示す。学習サ イ クルは300回 である。□が正 の結合度 を表 し、■が負 の結合度 を示す。 それぞれ、絶対値 が大 きいほど、結合度 が大 きい もの とす る。その下 の並 びは、記述子 がそれぞれ持 つ しきい値 を表 してい る。

さて、 この正面玄関の事例 を学習 したネッ トワー クを直接結合度 か ら読み取 る と以下 の事 が分 かつた。

(1)相 互 に満足 す ることの ない記述子 は大 きな負 の結合度 を持 つ。 Direction of Swing IN,OUT,and Sude Door (扉 の 開 く向 き :内 開 き、外 開 き、引戸 ) Hindge― Pivot Hindge(蝶 番

:普 通 の蝶番 、サ ッシ戸用化粧蝶番 )

Matrial Metal‐ Matrial Timber(材 質 Lin“ l Concrete‐

:金属製、木製の ドア)

Lind Stone(楯 :コ ンク リー ト製楯 、石製楯 )

Style Plain‐ Traditional‐ Neo gothic‐ Classical

(様 式 :近代様式、 トラデイシ ヨナル様式、 ネオ・ゴシック様式、クラッシク様式)

Round Knob‐ Pivot hndle(把 手 :回 転把手 と偏平把手) wan Brick_wall Stone‐ Wall Coglcrete (外 壁材

:プ ロ ック、石作 り、 コンク リー ト作 り)

(2)正 の結合度 を持つ記述子の組み合わせ。 Side Window‐ Material Glass(横 窓、硝子製 の ドア) Neo Godlic‐ Pointed Arch(ネ

オゴシック様式、ポイン ト型アーチ)

RestFiCted Acces‐ Exit Only(関 係者以外使用禁止、出 口専用) Pivot

Ⅲnges― Pivot lhnde(サ ツシ戸用化粧蝶番、偏平把手)

(3)負 の結合度 をもつ記述子の組み合わせ。 Pivot Hidge‐

Pandd Door(サ ッシ戸用化粧蝶番、羽目板扉 ) -14-

第 2章 神経回路モデルによるパターンの想起 Side Window‐ Set Back(横 窓、引 っ込み) Plain―

Set Back(近代様式、引 っ込み)

Exit Only¨

Set Back(出 口専用、引 っ込み)

hpomnce‐ RestFiCted Accss(重 要性、関係者 以外使用禁止 ) hpomncc‐ wear&m Key CaFd‐

(重 要性、擦 り切れや破 れ)

Wau Manial cOnete(キ

これ らの結 果 を順番 に考察 していこう。

ー カ ー ド、 コ ン ク リ ー ト製 の 外 壁

)

(1)は 非包含的離接 の関係 にある記述子 の

組 み合わせである。すな わ ち、選択的な組み合 わせで、相互 に満足 す ることのない記述 子 ある。例 えば、扉 の開 く向 きの特徴 では、内開き、外 開 き、引戸 があるが、一つ を満 たせば他 を満 たす ことはな い。 これ と同様 に蝶番 や材質、楯 (扉 の上の横木)の 材質、 様式 の違い、把手 のスタイル、建物 の外壁 についての記述子 も同 じ関係 を持 ってい る。 これ らはデザ イ ンの語彙 を丁寧 に調 べ て行 け ば容易 に予想 で きる ことで あ り、 これ らの 関係 につい て負 の大 きな結合度 を作 りだ してい る事 は、最低限必要 な事柄 であ り結果 は 十分 に満足 で きるものである。 それに対 して、

(2)の 正の結合度 を持つ記述子 の組 み合 わせ は、それ らが同時 に満

たされるよ うな条件 を持 ってい る。 ネオ ゴシック様式、 ポイン ト型 アーチのよ うに、全 てのネオ・ ゴ シック様式 は扉 の上部 が尖 ってお り、 この様 式 の もつ重要 な特徴 で ある。 我 々は経験的 に

ポイン ト型 アーチ⇒ ネオ ゴシック様式

の関係が成 り立 つこ とを予想 してい る。 しか し、実際 にはアー チ型が もっと偏平 なフ ラッ ト・ポ イ ン ト型アー チ を したネオ・ ゴシック様式 も多 く、上の 関係式 は必要十分条 件 ではない ことが分 かる。 また、結合度 マ トリックス か らだけでは この ような論理的考 察 を読 み取 る ことが難 しい こと も分 かる。 これはホ ップフィール ド・モ デルが持 つ結合

=:ノ に原 因す る ものである。従 って、 (2)の 組 み合 わせはお互 い ′ に強 い関係 が あるとい う ことを読 み取 るにとどまるよ うだ。

度 の条件、 (覧

(3)負 の結合度を持つ記述子の組み合わせは、デザインに深 く関係 している約束で あるにも関わらず、設計者自身が改めて指摘 しようとすると、必ず しも容易な事ではな い ものが多い。例えば、サ ッシ戸用化粧蝶番 と羽目板扉の関係 は、普通の設計者は当た り前すぎてけ して指摘できないだろう。 このモデルでは全ての記述子を相互に結合 させ ているために、こうした関係まで明 らかにするようだ。 しかし、通常設計者は知識を階 層化させているようで、普通の蝶番 と、サッシ戸用蝶番 を比較できても、サッシ戸用蝶 -15…

第 2章

神経回路モデルによるパターンの想起

番 と、範時 の異な る木製扉 あるい は木製硝子扉 が持 つ 、羽 目板 の特徴 を比較す ることは まれである。

総合的 に見 て、サ ンプル を与 えるだけ て、 これ らの条件 を発見す ることは興味深 い こ とである。 ここで行 なった、特 に絶対値 が大 きい語彙取 り上 げただけで も、ある程度 の 玄関 についての知識 をそ こか ら読 み取 ることがで きる。述語論理 の様 な強 い意味 づ けが 記述子 の間にあ る ものではないが、 これ らの結果 をみ ると設計者 も概念設計 の知識 のか な りの部分 をパ ター ンで理解 しているこ とが予想 で きる。

2‐ 2…

2

Contnt‐ Addressabb Memoryに よる設計案 の生成

:

NET2 NE12に よる想起 シミュ レー シ ョンはハ イパーカー ドの シミュ レー シ ョン環境 か ら呼 び 出す ことがで きる。設計 の拘束条件 となる記述子 を固定 し、学習 されたネッ トヮー クで の活性子 とす る。具体的 に もう一度、正面玄関の概念 設計 を考 え てみ よ う。設計者 の頭 の 中 に トラデ イシ ヨナル様 式 の玄関が曖味 なイメー ジで浮か び上が った とすると、 トラ デ ィシ ョナ ル様式 の記述子 をボタ ン操作 で固定 し、 自動的 に想起 を行 な うNEDが 呼 ばれ る。神経回路 ネッ トワー クは もっとも トラデ イシ ヨナル様式 の中間的傾向か ら一つの 玄 関 のインス タ ンス を具体化 し、結果 をグラフイクスで表示す る。 この過程 を定式化 す る と

D_4α IKD と表せる。すなわ ち、固定 されたい くつかの記述子 と残 りの 自由に状態変化 で きる記 述子

(V:語 彙)の 集 ま りと神経 回路 ネ ッ トワー ク (Kg:生 成 に関す る知識)か らあ る

1つ の計画 を演 繹す るのである。

実際 に行 なった想起過程 を図 7‐ 1か ら図 7‐ 6に 挙 げ る。 ここで行 なったシミュ レー シ ョンはす べ て、初期 の温度 を60F、 冷却係 数 を0。 7と し、フイー ド・ パ ックが起 こるご とに係数 に0.01を 加え、 15回 か ら20回 の 自己想起 のための フイー ド・パ ックを行 なった。 想起過程 の図 7‐ 1か ら 7‐ 6を 見 ると、最初 の数回の サイクルの中 で、すべ ての記述子 に小 さなノイ ズが現 われる。 これは焼 きなま し法 が状態変移 に取 り入 れている効 果 で あ る。図 5‐ 1は いず れの記述子 も固定化 せず に この シ ミュレー シ ョンを行 なったもの で あ る。 これ を実際 の設計 に合 わせて考 えると、刺激や方向性がない状態 か らデザ イ ンをは じめる作業 に類似 してい るようだ。 この場合 の結果 は抽象概念 として正面玄関の クラス が もつデフォル ト値 が呼 び出 されると考 える ことがで きる。学習サ ンプルから立 てた仮 ‐

16‐

第 2章

神経回路モデルによるパターンの想起

説 か らサ ンプル 中の 中心的傾向 に沿 って求 め られた典型的パ ター ンの玄関 である。82サ ンプル 中一番多 かった33例 ある近代様 式 の玄関が選ばれてい る。す なわち、 この神経 回 路 モデルはこのパ ター ンの玄関を最 も一般的なプロ トタイプとして記憶 してい ると考 え られ る。

神経 回路 ネッ トヮー クか らス タイル に関す るスキーマ を推論 で きる ことは興味深 い こ とである。図 7‐ 2と 図 7‐ 3及 び図 7-4は 、それぞれ順 に トラデイシ ヨナ ル様式 とネオ・ ゴシック様式 と近代様式 の プロ トタイプを想起 させたもの で あ る。 ここで使 った語彙 だ けでは、様式 の持 つ幾何学的 な装飾 に関する概念 を学習 しているわ け ではないが 、正面 玄関 の物理的特徴 を全体 の組 み合わせの中か ら位置 づ けてい ることは、 これ らの実際 に 想起 されたパ ター ンから明 らかになる と思 う。 サ ンプル中に存在す るデザ イ ンを利用 して設計す ることをリデザ イ ンと考 えると、サ ンプル中にその語彙 の組 み合 わせが存在 しない デザ イ ンを行 な うことを、組み合 わせ 的 デザ イ ンと呼 び、分 けて考 える ことがで きる。例 えば、 トラデイシ ヨナ ル様式 で、か つ キー カー ドによる鍵 を持 つ組 み合 わせ は 82個 のサ ンプル中に存在 しない。 キー カー ド のみで想起 を行 なって得 られたプロ トタイプはいず れのス タイルの範時 にも属 してい な いこ とが分 かる。事例 を参照す ると、 キー カー ドを含むサ ンプルが 7例 あ り、その内 5 つが近代様式 であるが、結果 は図 7‐ 5の ようになった。 この原因 は、 セ ッ トパ ックや風 よけ とのつ なが りが関係 してい るらしい ことが、焼 きなま しのスケジ ュール を変 え て行 なったシミュレー シ ョンか ら推察 で きた。 さて、組 み合 わせ的デザ イ ンを実験 してみる。 トラデイシ ヨナル様 式 の玄関 にキー カ ー ドを付 け る条件 で行 なった結果 が図 7‐ 6で ある。面 白いこ とに、 トラデイシ ヨナル様 式 の プ ロ トタイプにあつた、元 の 6ヶ の記述子 が消 滅 し、新 たに 6ヶ の記述子 が現 われ た。 これ らを列挙す ると、以下 の ようになる。

新 しく現 われ た記述子

消 え た記 述子

vestibule

sliding lock

key酬

side…

OpOrtiOn wide 「 panened d00r

raised heshold 鰯

macch

door light

wmulering

hick wall

concrete wan

‐

17‐

第2章 神経回路モデルによるパターンの想起 安全の概念が考慮されたと考 えるのは早計 であろが、キーカー ドの錠前 に変更 された ためにスライデイングロ ックがな くな り、横窓が消 え、侵入制限の必要がなくなつた。 そ して、扉 のサイズも大 きくなった。演繹結果 に対 して理由づけが行 なえないのは神経

回路モデルの欠点であるが、想起された結果には明らかにキーカードを備えた玄関の特 徴が現われているように思う。

‐

18¨

¨ 讐

︰ 〓一 冒

fl.t rrch

I

atooa

dgn

9lolo

irodltl4rl

nao gothlc

9lUOl

■

口 口 Ш ＝ ・ ・ ・ ． ・ ・ ● ■ ■

grOf:tt:

"oothorlng 」Oer e 100r

6:神 経回路 ネッ トワー クの結合度 マ トリックス

図

-30

-19-

一 Ｈ ︼

thr03h01●

・ ● ● ⋮

alotrl.ol Tsnd lmD

・ ・ ■ ■ ｏ 口 ● ■ ■

concrtta

■ ・ ・ ● 口

rouod orch

● 口

Danallad(not nuthl

・ ・ ︱

bodcd glo!! polntgd orch

-15

ロ ■ ・ ■

t|mb.r

・ ■ ● 口 ■ ■

glarr

0

■ ■ 口 。 口 ロ ． ¨ ． 一 Ｈ ¨ ¨ Ш い ． Ｈ 一 ． ． 一 ¨ ． ¨ 一 一 ¨ Ш ” ” ︼ ｏ ロ ・ ・ ・ ・ 口 ・ ・ 。 ・ ． ・ ・

● ■

ot hlegsar moTa lhan 2

・ ロ

￨11000

15

一

・ 口 ■

o!l

30

一 ”

b“ は

note"ol:

thoiil toll(nol ot rulng In

ロ ロロ ロロ ・ ・ ・ ・・ ■ ■ ■ ■■

．謹 露 も〓

0alol

曇 帥 榔

募 一 ． 一 ﹁ ¨ ¨ 一 一 ¨ ¨ ¨ 一 ¨ ¨ ¨ ¨ ¨ 一 一 ¨ 一 ¨ ・ ・ 一 ・ ¨ 一 ¨ ¨ ¨ 一 一 ¨ ¨ ¨ ¨ ¨ ¨ 一 ． 一 一 ¨ 一 ” Ｈ 慧． ¨Ｅ モ 口 ● ︰ ８ 口 口 ロ 翼・ ・ ， 躍 宝 路 ｆ 一 一 ¨ 一 ” 一 ﹁ ¨ ¨ ¨ ¨ 一 一 ¨ 一 一 ¨ ¨ 中 ¨ ¨ 口 ・ ロ ・ 一 一 一 一 ¨ 一 一 一 ¨ 一 一 ¨ ¨ ¨ ¨ ． ¨ 一 ¨ ・ ・ ロ ・ 。 〓 ３ Ｅ 口 ｎ ， ，

﹂ 一 ︻ 一 一 “ 一 一

一 一 ¨ 一 一 一¨ 一

一

¨ 中 ︼ ¨ ¨ ¨

一¨ 一 ・ 一¨ 一 ︼ ¨ ¨ 一 ・ ・ 一

一 一¨ 一 一 ¨ ¨ ¨ ¨ ¨ 一 一 ¨ ¨ ¨ ¨ 一 一 一 一 一 路 ﹂ Ｅ 一 こ ・ こ ・ 口 ・ 塾鞣 ¨ ■ 五 十二Ｉ ＩＩ Ｉ ■ ■電 ■ ＝ＩＩ ｃ 〓 ｔ ｏ 二 口

一 二 一 一 〓 〓 ・ ” ﹁ 一 ¨ 一 一 ︼

﹁ ” 二 一

一 ¨ 一 ¨ ” 一 ¨ ¨ ¨ ¨ ¨

¨ 。 ¨ ¨ 一 口 一 一 ¨ ¨ ¨ ¨ ¨ ¨ ・ ¨ ¨

一 ¨ ¨ 中 一 ¨ ” 一 一 ・ 罐 ． ︼ ・ ・ ︰ ． 喘 ． Ｊ ﹁ 一 ” ¨ ¨ ¨ ■ ¨ ¨ 一 一 Ｔ 一 ・ ・ ︻ 口 ¨ ¨ ¨ 出 一 ¨ 一 ＝一 ■ ■ ． Ｉ 萎 羮■ ¨ ３ 口 ・ ・ 菱翼 ｔ一冨¨ ． 一出 ♂∬一Ｔ﹁ポ■¨ ロ 〓﹁∵出一ロ 一 り島甲 ． ８ ︰ 〓 ︼ 二 口 口 ” ． ． ﹂ 一 じ 一 編 搬 熙

ｆ¨ 一 ¨ 一 ︼ ¨ 一 ¨ ︼ ¨ ¨ ・ ロ 一 □ ¨ ¨ ” ¨ ¨ 一 一 ・ ・ 一 。 ¨ 一 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ 一 ¨ 一 ¨ ． 一 ， ・ ・ ロ ・ 口 口 ”ョ ８ ・ む ︶ 〓 ・ こ ち も ¨費 □ 口 ｈ 一

一 一 一 一 ¨ ¨ ¨ 一 一 一 一 ¨ ¨ ︼ 一 ¨ ¨ ¨ 一 一 ¨ ︼ ・ ¨ ・ 一 ︼ ・． ¨ ¨ ︼ ¨ ¨ ¨ ］ ¨ 一 ¨ ¨ ¨ ¨ 一 ¨ 一 一 一 ¨ ¨ ” 口 口 ・ ． ． ． 一 ． 一 一 轟 一 一 一 輩 一

¨ 一 ¨ 一 一 ¨ ¨ ¨ ¨

¨ 一 ¨ ¨ ¨ 一 一 ・ ・ ︼ ・ 一

・ ¨

一 ¨ 一 一 ︼ ¨

一 ¨ 一一 一 一 ¨ 一 ¨ 一 ¨ ¨ ¨ ¨ 一 一 一 ． ¨ ﹂ ︼ ２ ８一 ¨３ Ｎ ・ ・ ・ ︼ ， 口 口 轟 詳 ” 一 一 遅 ¨ 一 一 ¨ 覇 ¨ ¨ ︼ 一 一 一 一 ︼ ¨ ・ 一 ¨ ・ ¨ 一 ¨ ¨ ¨ ¨ ¨ ¨ 一 ¨ ¨ 一 ¨ ¨ 一 “ ¨ ¨ 一 一 ． ” ” ． ” ・ 二 ・． ・ 日 。 一 ． “ ¨ 一 ¨ 一 ¨ 一 ヨ ・ 〓 螢 Ｅ 一 一 ¨ ¨ ¨ 一

一 ¨ 一 癖 〓 〓 ・ ¨ ¨ ︼ ¨ ち 一 ¨ ・ ・ 一 一 ・ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ 口 ¨ ¨ ¨ ¨ 一 ¨ 一 一 中 一

一 ． ． ・ ‘ ・ Ｅ 口 ・ ・ ・ ・ ぢ ・ Ｅ Ｅ こ ８ ・ ヨ ＾百 ・ ︶ コ 口

一 ． 一 一 ¨ 一 一 一 韓

﹁ ¨ ¨ ¨

¨ 彗 一 一 ¨ ¨ 一

一 ¨ 。 一 一 ¨¨ 一 口 ・ 一 ・ ︼ ︼ ¨ ¨ ¨ ¨ ¨ ¨

︻ ¨ ︻ ¨ 〓 ¨ ¨ 一 ¨ ¨ ¨

． 一 ” 一 一 一 口 。 口 ． 一 ¨ 一 一 一 一 一 ︼ Ｔ 緩 ¨ 一 ＝ ］ 緊 尊¨ ¨ 一 一 一 ¨ ¨ ・ ¨ 一一 ¨ 一 一 ¨ 一 ¨ ¨ 理 一 一 一 ¨ ¨ ¨ ¨ ¨ 製 ” ｒ ﹂ 一 ¨ ・ 1r,lda (nol narrou)

n

神経回路 モデルによるパ ターンの想起 第 2章

。 。 ・ ロ ロ ロ ロ ロ ロ・ ■□ ロ ロ ロ ロ ■ ロロ ロ ロ ロ ロ ロ ■・ ロ ロ ロ ■・・ ●・ ロ ロロ ・ ロ ロ ロロ・ ・ ・

ヨ

●ヨ

Φ ¨ニ ０く０一

・

●

。口

■

■

●

●

●

・

・

・

●

●

●

●

●

●

●

■

． 口 ● ● ● ●

● ● ● ・ ・ ・ ● ● ● ●

・ ・ ・ ・ ・ ● ● ●

● ・ ． ．

● ｏ ・ ・ ・ ・ ・ ・ ・ ︱

・ ・

■

．

■

・

・

・

●

・

・ 口 ・ ｏ ■ ● ・ ・ ︱

●

●

●

●

●

・ ・ ・ ⋮

●

●

・

●

●

●

●

・ ・ ・ ・

・

●

●

・

● ● ● ︱

●

●

●

●

●

●

● ・ ・ ・ ⋮

●

●

・

ロ． ロロ ロ． ． ． ． ． ． ． ． ． ． ． ． 嘔 嘔 ｇｒ︰︰中墨評ま︱︰︱︲ Ｂ り ︲ ︲ ︲ ︲ ︲ ︲ ︲ ︰︲︲︲ ． ー 十中中ー ． ． ． ︱︱︰︰︲︲︲︰■ＴＴ甲甲ｒ璧璧璧肝璧璧璧肝辟町︱︱︰︱︰︱︱︲ ＋一ー ー ︲ ︲ ︲ ︲ ． ． ︲ 訃ー 酔酔酔ー ロ︲ 口 口 口 口 口 口 口 口 ロ ロ︲ ロ︲ ロ︲ ロ 口︲ ロ︲ 口 口 口 口 ロ ロ ロ

ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ 口 ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ｏ ｏ Ｏロ ロ ロ ロ ロ ロ ロ ロ ロ 〓 〓 ． ． ． ロ ロ ロ ロ ・・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・・ ・・ ョ ● ● 居 ．口 。 。 ． ． ● 口 Ｄ ● ● ロ ロ ロ ロ ロ ・口 ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 一 ８１● ８１ 一 一 ● ● ．ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ

， ・ ● ● ● ● ● ● ● 口 ● ● ● ・ ・ ・ ・ ● ■ ● ● ・ ・ ・ ・ ・ ● ● ● ● ● ● ● ● ． ． ● ・ ・ ・ ・ ● ● ● ● こ ●一 ． ． ． ． ，

３ ．口 ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・口 ・ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ヨヨ ︰¨ ８ε１ ●

３ ● ３ 一 ぉ 。 口 。 ． ， 一一 ０一●一 ●●一 ． ■ ■ ■

．．．．． ．．．．．．． ． ﹂顎躍鴫”購ｒ 口 口 口 機 ・ 口 口 口 口 口 口 口 口 口 口 Ｌ ¨ ¨ γ 嚇 ︲︰ ︰ ︲ ︰ ︲︰︲︰ ︲ 去 茅郭叫︲︰︲︰ ︲ 一 ¨””一一一 一一一 一一一一一一 ・︲ ・︲ ・︲ ・︲ ・︲ ・︲ ・︲ ・︲ ・︰︲︰︲︰︰ ¨¨¨¨¨¨¨¨¨¨¨¨¨¨¨¨ 口 ・︲ ・︲ ・︲ 耽 一 ． ・ △

， ヨ ・■ ● ■ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ・ ・ ・ ・ロ ロロ ロ ロ ロ ロ ロ ロ ロ ・・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ８●１● ８︰ １ ２ ・口 ■ ■ ■ ● ■ ● ■ ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ０ ０ ● ■ ■ ●ロロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 一 ヨ● ■ ８〓ュ ● ．口 ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・口 ・口 ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ． ● ● ■ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・口 ・ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ︰ ヨ ・口 ■ ■ ● ・ ・ ・ ・ ● ● ● ● ● ● ● ニＢ Ｅ目 ｏ Ｆ ．●ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ● ● ・ ・ ・ ● ● 一 ● ● ． ■ ■ ■ ●ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ヨヨ 〓 ０

● ● ・ ● ● ０ ■ ● ● ● ● 一 ● ● ● ● ● ● ● ● ● ■ ● ■ ● ・ ・ ・ ・ ・ ・ ． 口 ● ● ■ ● ・ ・ ・ ・ ● ・ ・ ・ ● ● ８ Ｅこ ●〓 ヨ ｏ ● ● ■ ● ■ ■ ■ ● ・ ● ・ ・ ・ ・ ・ ・ ● ■ ■ ● ● ● ● ・ ・ ・ ・ ・ ● ● ● ● ●●一●電ｏ ・ ● ● ■ ■ ・ ・ ・ ● ・ ● ● ・ ● ● ●

ｌ ・● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ヨ３ ● ●２ ３ 一 １ ヨＱ●“ｏ ， ● ● ● ● ● ● ● ・ ・ ・ ・ ・ ● ● ● ● ● 口 ■ ● ● ● ・ ・ ・ ・ ・ ● ● ● ● ● ● ● ■ ■ ． ． ・ ● ・ ・ ・ ● ● ● ● つご ●一コ５ 一● ． ョ ● ・ ■ ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・口 ｏ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ● ・ ・ ・ ● ● ・ ・ ・ ・ ● 望〓 ¨ ヨ” 一 忌一 ●一 ・口 ■ 口 ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。口 ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ・ ・ ●３ ｏ ■ ・口 ■ ■ ｏ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 口 ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 口 ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ８ｏ■“ ３１ こ ｏ口 ■ ■ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 嘔１ ●●邑 目 ︵ Ｆ Ｏ● 〓 百 ● ， ・ ● ■ 日 ● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 〓 ︰ フ ． ● ● ■ ■ ■ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ■ ・ ・ ・ ● ・ ● ・ ・ ● ・ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 〓● ●¨ Ｂ ョ“ ０

● ・ ・ ・ ・ ・ ・ ● ● ● ０ ０ ０ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ・ ● ● ■ ● ● ● ・ ● ● ・ ● ・ ・ ・ ●●●●一 〇 ０●●３一 ・ ■ ■ ● ● ● ● ● ・

︱︱︱ ︲︲︲︱︱︱︲︲︲ ︲︲︲︱︱︱︱︲︲︲︲︲︲︲︲︲︲︲︲︲﹁ ｄ ﹁ ﹁ コ．︲ ︰︲﹁ ︱﹁ ︱﹁ ︱﹁ ︱﹁ ︱﹁ ︱﹁ ︰﹁ ︱﹁ ︱﹁ ︱﹁ ︱︱︱︱︱︲︲︲︲︲・︲︲︲︲︲ ”・口 ︲■︲口 ︲︱ ︲コ ョ ・ ・ ■ ・ ・ ・ ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ・ ・ ・ ・ ・ ・ ヨ〓３望” ■ ・

●一 ●●Ｒ

や 〓 言 ︰ 一︰ 一 ３ ５ 。口 ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ 口 ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ 口 ・ ・ ・ ︱ ・ ・ ・ ・ ・ ・・ ⋮ ・ ・ ・ ︱ ・ ・ ・ ・ 口 ・ ・ ■ ● ・ ・ ︱ ８ 一 ・口 ● ● ⋮ ・ ・ ・ ・ ・ ︱

・

・

●

●

●

●

●

●

・

・

・

・

・ ●

●

●

●

● ●

● ・

・

・

● ● ● ●

． ● ● ● ・ 冒 ●

・

●

一 ● ■ ● ● ■ ● ● ・ ・ ・ ・ ・

・

・

● Ｏ Ｃ● Ｅ Ｅ 目 ■ ・ ● ● ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・口 ・ ロ ロ ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ● ３言 ”ヨ︰ こ ・ ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ● ● ロ ロ ロ ロ ロ ロ ● ・ ・ ・ ・ ・ ・ ８Ｅ ︰ ｃ一 ， ， 一ユ 雪 ︰ ヨ ● ・ ■ ● ● ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ● ● ． ● ● ● ■ ■ ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ・ ■ ・ ・ ・ ● ● ● ● ● ● ● ● ●

０ ■ ・ロ ロ ロ ロ ｏ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 口 ・ ・ ・ ・ ● ・ ● ● ● ● 一 ● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ● ８“

■ Ｅ ニ ヨ︰

国 Ч・Ｎ ¨断 壽難 瀑

国 Ч︲ω ”丼 斗 Ц ヾ ヾ゛難 滉

． ■● ３ ．口 ． ． ． ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・口 ・ ・ ■ ■ ・ ・ ・ ● ● ● ● ・ ・ ・ ・口 ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ｏ ３３ ８ ．口 ． ．ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。ロ ロロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ● ●

国 Ч上 ”出肖中 国冊 碑ヽ

‐ 20-

神経回路 モデルによるパ ターンの想起 第 2章

０て０一 ０ ¨“

一 ヨ ●●﹃“●ヨ” ・ ・ ・ ・ ・ ・ ● ● ● ● ● ● ● ● ● ●

０ ¨“ ０く０一

Φ ¨“ ０く０一

二● ｒ ・ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ｅ ●

● ● ● ● ● ● ● ５ ｃ８ ュ ・ ● ● ● ・ ・ ・ ・ ・

︱ ︵コ コ ﹁

︲

︲ ︲

︲

︱ ︱

︲

︲ ︱

︲

︲ ︲ ︲

一●春日あ 〓６ュ ︺

︱

●Ｃ“

︱ ︱

︲ ︲

︲

︲ ︲ ・， 日 ﹁

口

︲ ︲ ︱ ︱ ・ ・ ︰ ︱ ・

︲

︲ ︲ ︲ ● ●

︲ ︲ ●

︲

︲ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ● ● ● ● ●

︲ ︲ ● “

︲

︱ ︱ ●

︱ ︱

︱

︲ ︲

，

︲ ︱

︲

︲ ︱

︲

︲

︲

・

■ 口

︲

■ ︱ 口

，

■

，

■ １

●

︰

■

︱

■ １

■

︱ ‘

︱

く ︱

‘

︱ ●

︱

■ ︱

■

︱ ︱

︱

︱ ︱

︱

︱ ︱

︲

︲ ︱

︱

︱

︱

︲

︲ Ｉ

Ｊ

Ｉ

ロ マ

“ ︱

ご ︱

“

︱

● １

● ︰

● １

“ １

●

︱ “

Ｉ

Ｊ Ｉ

Ｊ Ｉ ●

︱

“ ︱

“

● ● ● ● ● ● ● ● ● ● ・ ● ・ ・ ・ ● ● ● ● ● 口 ● ● ． ・ ・ ・ ・ ・ ● ● ． ・ ・ ● ● ● ● ● ■ ● ・ ・ ・ ・ ・

・ ・ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 口 ・ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ・ ・ ・ ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・

Ξ８一 ● ８■ ・ ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 〓晏 ュ ８ ６〓ζ ３ ３︰ こ ・ ■ ● ● ● ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ｏ ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ■ ● ● ■ ● ● ・ ・ ・ ・ ・ ● ・ ・ ・ ・ 中 ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ・ ・ ・ ｏ ・ ・ ・ ● ・ ・ ● ・ ● ●

勁 蜀 堅 ヨ ロ

奎 ■８ ‘ ８ 一ｏ一ｏＣ ヨ 一 ５

︱

● ● ● ● ・ ・ ・ ・ ・ ● ● ● ● ● ● ● ● ● ● ● ● ． ・ ● ・ ・ ● ● ● ● ● ． ● 一 ． ● ． ． ． ・ ・ ・ ・ ・ ● ● ●

ヨ ５ ８︰ Ξ ８８ ヨ︰ 二〓忌 ． ． ． ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・口 ・ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ご ●“ ５

ヨ２ ●

・ 口

● ● ■ ・ ・ ・ ︱

・ ・ ● ︱

・

・ 口 ・ 日 ● ■ ・ ・ ︱

・ ・ ・ ︱

・

・ ・ ・ ・ ・ ● ︱

● ● ● ⋮

・ ・ ・

． ． ，一 ユ， 〓， ︰ ● ¨ ﹂Ｂ● 。 ■ ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ

・口 ・ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ “ ヨ０ １ ・口 ● ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。口 ・ ・ ・ ■ ■ ● ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・中 ・ ■ ● ■ ●ロロ ロ ロ ロ ロ ロ ロ ロ ． ● ● ● ● ● ● ● ● ■ ・ ・ ・ ・ ・

● ● ・ ・ ● ■ ● ● ● ・ ・ ・ ・ ・ ● ● ● ● ● ０ ０ ０ ● ■ ● ● ● ● ・ ・ ・ ． 一 ・ ● 一 ● ・ ・ ・ 曼一″ ●● ＾ ■●フ ● ● ● ・

●８８ ９８ｏ ． ■ ● ● ● ■ ● ． ． ● ● ● ● ・ ● ● ． ● ● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ 口 ・ ・ ● ・ ・ ・ ・ ・ ・ ・ ・

口 ● Ｑ 二 晏う ¨ ■ ５ ２● 魚 ヨ０■Ｆ 一 ｏ３ ． 一

●コ● ●¨

． ． ．

。 口

口

● ● ● ● ● ● ● ● ● ● ● ● ． ● ● ● ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ● ．

● ●⋮

・・︱

．

・ ・ ・ ● ¨ 中 ●

口 ● ● ． ● ● ■ ・ ・ ・ ・ ・ ・ ・ ● ●

ミ ．． ． ． ． ⋮ 曝１ ●一

¨一Ｉ

一 一Ｉ

● ● ● ● ● ・ ・ ・ ・ ● ● ● ● ・

。 。 。 。． 。 ． 一 一 ． い ． ． ． ． ． ． 口 口 口 口 口口 口 口 口口 口 口 口 口

１

１

１

︲

︲ ︰

・中中 ． ．．．叶 ．叶叶叶︲ ． 一 一 一 一 一 ¨中︼︼一一¨一¨一一一¨一一¨ 一¨¨¨一一一一一一 ・ 嘔層 層ｒ ︰ ︲ ︲ ・ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ． ︲ ︲ ︲ ︲ ︲ ・ ︲ ︲ ︲ ︲ ︲ ・ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ︲ ︲ 叶叶叶口 ︲ ︲ ︰ ︲ ︲ ︲ ︰ ︲ ︲ ︲ ︲ ・ 誌罪訂 中 口口 口 ・ 口 ・ ．︲・︲︲・︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲，︲︲︲︲︲︲︲︲︲︲ ．

・・●︼︼一一．．．．．．．．． ， ． Ｄ．．．．・・・・・・・・ ２ ３３〓 ヨ〓 一¨¨¨一一一一一一一一一一一一 ． ． 口 口 口 口 口 口 口 口 口 ロ ロ ロ ロ ロ ロ 口 ， ロ ロ ロ ロ ・・¨¨¨¨一一一一一¨ ︼ 響譴 一 ¨¨¨¨・・・・・．．．・・． ¨¨¨口 一 ¨中¨¨一一一¨一¨一一¨一一¨ 口 口ロロロロロロロロロロ ０ ８８

● ● ● ・ ・ ● ● ● ● ● ● ● ● ● ● ● ● ● ・ ● ● ● ● ● ● ● ● ● ・ ● ・ ． ． ． ・ ・ ・ ・ ・ ● ● ● ● ． ●２ ． ． ． ．

ロ ロ ロ ロ ・ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ３● 〓“ ８５１ ３● ．口 ●ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・口 ・ロ ロロ ロ ロ ロ ロ ロ ロ

・ ・ ● ● ● ． ． ． ． ・ ● ・ ●●●●ュ ョ ● “二颯¨ ． ． ． ． ，

︰

口口 口・・・・ ．． ． ． ． ． ． ． ． 〓Ｆ︲︲︲ ︲ ︲︲︲ ︲ ︲ ︲ ︱ ︱ ︲︲︲︰︰︰止Ｔ一 ︰ ︲ ︲ ︲ ︲ ︲ ︲ ︱ ︱ ︱ ︲︲︰︲︲︲ ︲︰ ︲ ︲ 一 一血 ・ ・ ・ ・ ・ 品﹃ ・ 口 ・ 一 一一一一一一一一一一一一 ぶ 一 ▼ ． ． ． ． ． ． ． ” ¨ ¨ ” 一 ” 一 一 一 一 ” 一 ” ” ¨ 一 轟 響翔﹁ 二 ・ ・ ・ ・ ・ ・・ ・・・・ ・・ ・ ロ ． ・ ロ・ ・．

ロロロロロロ ■８ 嘔ヨ ● Ｅ ．■ ロ ロ ●ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ロロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ロ ロロ ロ ロ ロ ロ ロ ・・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ３ヨ 〓 ″ ● 。口 ． ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ● ● ● ● ● ・ ● ・ ・ ・ ● ● ● ● ● ● ● ● ● ・ ・ ・ ・ ・ ・

ニ ０３ ．

● 口 ． ． ． ． ． ︱︲ ︲︲ ︲︲ ︲︲ ︲︲ ︲︲ ︲︲ ︲︲ ︲“︲︱︱︱︱︱︲︲︲ ︲・，︲ ︲■︱︱ ︲︲ ︲︲ ︲︲ ︲︲ ︲︲︲︲︲︲︲︲︲︲︲︲︲︲︲”︱●︱●︱●︱●︱●︱︱ ︱口﹁︱ ︲口︲ゴ︲︰ ︲︲ ︲， ︲︲ ︲︲ 〓︲︲︲︲︲︲︰︲︰︲︲︲゛引 ，︲ ● コロ，口︲ローロー●︱︱ ・ ・ ・ ・ ・ ● ● ● ・ ・︱︱ ・︱”︱■︱︱︱︱︱︱︱︱︱︲︲︰︲︲︲︲︲︲ ・ ・︱︱ ・︲︲ ・ ．︱ ．︱ ・ ● ● ・ ・ ・ ・ ・ ・ ・ ● ● ■ ﹄勲 ﹁︲︲︲︲︲︲︲︲︱ 〓型﹃ 言 ″︰ ． ● ■ ● ． ． ・ ● ・ ・ ・ ・ ・ ・ ・ ・ ． ■ ■ ■ ● ■ ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ， ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ｏ ｏ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ Ｂ ■ 一 ｌ ９ ． ． ． ． ． ¨ １ １一 ヨ ． ● ■ ■ ■ ● ● ● ■ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ロ ロ ロ ロ ロ ● ● ・ ・ ロロ 一 ョｏ 一 ¨ ８３１〓 ． ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 口 ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ● ・ ・ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ

１ １

ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ¨Ｅ ・ ｃ ・

¨ 中 ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ¨ ¨ ロ ロ ロ ロ 一 ¨ ロ ロ ロ ロ ロ ロ ロ ロ ｉ 血 一 ▲

Ｗ Ψ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 。 ・ 。 ・ ・ ・ ・ ・ ・ 。 ・ ・ ・ ・ 。

■

８言ユ Ｄ ．

．

国 Ч︲い ¨キ ー む １ ７

国 Ч・０ ”７呻¶ へヾШ斗 や兼滉 べせ０ キー ョー 〓

Ｃ ２ 一ヨ ●言ユ ニ¨ マ Ｅ 〓 ． 。・・¨¨¨一．。．．．。．．． ︰３ 。．．．．．．．・・・・・・・・ 一中一¨一¨一一¨¨一一¨一一一 口口口口口口□口口 口 ロ ロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・・ ● ●

国 Ч・卜 “ア呻■ へヾШ斗や難 滉

-21-

神経回路 モデルによるパ ター ンの想起 第 2章

第 2章

ケ ース・ ス タデ イ オ フイス・ ワー カー の行為 パ ター ンの獲得

2-3

2-3‐

神経 回路 モデルによるパ ターンの想起

:

1

オフイス・ ワー カーの行為

ここで利用す るデー タは平成元年 3月 に行 ったオフイス・ ワー カー を対象 としたア ン

1デ ー タの 業種 は建設・住宅、通信 。電気、官庁 の 3つ 分野、

ケー トに基 づい ている。

計 11社 か らなるが、サ ン プル数 が多 く計算 に要す る時間が現実的 でない ことが予 め予 想 された為、 3つ の分野 に分 け て、その 中か ら建設・住宅業 のデー タを神経 回路 モデル の学習サ ンプル とした。業種 間の行為 の格差 をとらえる こと も、たいへ ん重要な ことで あるが、通常 一つのオフイスを設計す る際、予 め業種 が決 まってい ることも多 く、設計 者 が同時 に複数 の業種 の傾 向を考慮す る必要性 はあま り無 い と判断 で きる。従 って神経 回路 ネ ッ トワー クに建設・ 住宅業 のワー カーのスキーマ を蓄 えさせる事 を試みる。 ネ ッ トワー ク内 に保 持 できる情報量以上の多数 のサ ンプルをか ら、中心的傾 向、お よび汎 化 されたプ ロ トタイプの取 り出 しを試みる。建設・ 住宅産業 に関す るオフィス・ ワー カ ーのサ ンプルデー タは 208人 分 、 34項 目あ り、その情報量 は 34×

34の ネ ッ トワ

ー クを用 いて保持 で きる情報量 を大幅 に上回つている。神経 回路 モデルが行 うネ ッ トワ ー クの結合度 の調整 によるパ ター ンの獲得 は、他 の知識 モ デ ルがパ ター ンその ものを静 的 にメモ リー に コピーす るそれ とは大 きく異 なっている。 このモ デルのアプロー チは、 モ デルがサ ンプル デー タか ら規則性 を検 出 し、その規貝1性 をメモ リー に結合度 の形 で蓄 える ことにあ った。学習 で きる情報量 を超えるサ ンプルを与 え られたネ ッ トワー クは、 次第 にそのサ ンプルの規則 性 を強調 し、サ ンプル中のノイズ を取 り除 く様 に働 く。

2-3-2

データ解析器 としての神経 回路 モデル

この多数 のサ ンプルの分類 の過程 では、無関係 なパ ター ンはお互い に影響 しあわない が、類似 した ものはお互 い に影 響 しあう。 したがつて、新 しい活性化 パ ターンが古 いパ ター ン と類似 してい る度合 い に応 じて、類似 した学習効果 を もつ傾向があると考 え られ 1萩

原、渡辺、渡辺 :「 オフイス・ユーテイリテイ・スペースの利用意識に関する研究」 日本建築学会大会学術講演梗概集 (1990) ‐ 22‐

第 2章

神経回路モデルによるパターンの想起

る。 さらに、 もし相 互結合 を学習するときの増分 が わずがならば、類似 パ ター ンは他 の パ ター ンと共通 したリンクの強 さを本質的 に強化す る。そ こで もし、多数 の類似 したパ ター ンのサ ンプルを何度 も与 えたら、そのシス テムはパ ター ンの平均 を連想す る ことを 自動的 に学習 し、 ノイズを無視す るよ うになる。す なわち蓄積 されるものはわず かな変 化 を取 り除 い た類似 パ ター ンの平均 で あると予想 される。言 い替 える と、同 じパ ター ン 集団の 中に、類似 パ ター ンが分布 してい る場合、その平均 を学習す ることを行 った。

あ らゆる条件 か らの想起

2-3‐ 3

図8‐ 1は 、総務 。庶務部門 の記述子 を条件 にサ ンプルデー タの中の この記述子 に反応す るパ ター ンの想起 を行 なってみた。 13回 シ ミュレー ションサイクルをまわ して行 なっ た結果 は、 ル ー チ ンワー クであ り、役付 きでない ワー カーのパ ター ンで あ り、 これが総 務 。庶務部門 の プロ トタイ プとして想起 された。

図8‐ 2は 、複数 のユニ ッ トを固定 して想起 したものである。 この場合 の固定 の 意味 は、 経験 が大 きく影響 する職務 で、かつ、 デスクを離れる ことがで き、かつ、特定 の機器や 設備 を利用す るものである。結果 は、 5つ の部 門の うち一番人事部 門 に近 く、 ル ー チ ン ワー クでな く、残 業が多 い職務 である ことがわかる。

図8‐ 3と 図8‐ 4は それぞれ、部長相 当の プロ トタイブ、課長以上の プ ロ トタイプである り、 この 2つ の プロ トタイ プは同 じ営業・販売部門で あるため、役職 による執務行為 の 比較が で きる。

共通 の記述子

部長 に特徴的な記述子

課長以上 に特徴 的 な記述子

1共 同作業

4細 部 にわたり指示を受ける

10執 務 スペースで食事

2情 報交換頻繁

H執 務 スペースで喫茶

6デ ス クを離れる ことがで きる

24サ ークル活動

8外 で仕事多 い

26執 務 スペースで私用電話

144ヒ 粧

。身 だ しなみ

16執 務 スペー スで喫煙 17執 務 スペー スで休息気分転換 18執 務 スペー スで仮眠

20執務 スペー スで洗濯 -23‐

第 2章

神経回路 モデルによるパ ター ンの想起

(つ づ き)

部長 に特徴的 な記述子

共通 の記述子

課長以上 に特徴的な記述子

23執務 スペー スで情報収集 25お しゃべ り・ 雑談

30営 業・販売部門

これを考察す ると部長相当は食事や喫茶 を執務スペースで行 なわないことが分 かる。 またサークル活動 にはもはや参加で きないのだろう。あまり、総 じて活動でないことが 分 かる。 図8‐ 5は 課長 以上 でかつ 、設計・技術 部門のプロ トタイプである。図84の プロ トタイ プは営 業・ 販売部門であつたが、 これ らを比較す ることによつて、部 門 による執務 の違 い を見 ることがで きる。設計 。技術部門 では営業・販売部門 にあった、20執 務 スペー ス での洗濯 と、26執 務 スペー スでの私用電話が無 くなってい る。 またNⅡ lに よって生成 された結合度 マ トリックスは図 9に 示す とお りである。

神経 回路 モデルの帰納推論 の機能 をデー タ分析器 として利用 した。 このモデルの もつ 拘束性抽出 の過程 は従来 の統計的手法 を包括す る枠組 みを提供す る ことが明 らかにな っ た。大量のデ ー タか ら大局 的なサ ンプルの中心的傾向 の抽出、す な わ ち、プロ トタイプ の想起 を行 う ことが確認 された。問題点 は学習 に大量 の計算資源 が必要 な ことで あ り、 多数 のサ ンプル

(208人 )を 学習す る場合 は、学習サ イクルに比例 して数時間か ら数

十時間かかる ことも明 らか になった。 (SllN 3を 利用 )し か しなが ら、結合度 ネ ッ トワ ー クを一度学習 して しまえば、パ ター ンの想起 に要す る時間 は数秒 か ら数十秒 で あ るの でパー ソナル コンピュー タで も利用可能 である。神経 回路 モデルの もつ分類 の機能 の特 徴 、す なわち、組み合 わせ 的爆発 を起 こさず に確実 に想起 を行 える性質 と、日標 となる 記憶 に対 して どの属性 か らで も検索 が可能 な性 質 は、問題領域 の把 握 を支援す るデー タ 分析器 として重要 な条件 を満 た していることが明 らかにな った。

-4

・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ． ● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ

︰︰・ ｏ ︰ ︰〓 ・ ︰・ ︰・ 〓 〓 ・ ︰・ ・ ・ ︰・ ︰ 〓 ︰． ︰・ ︰■ポ肇 料﹁ヽ”〓 ． Ｒロロ ロロ ロロ ロロ ロ耐﹁ ． ． ． ． 瞑ｄ， ・． 日 呵 口叫 口呵 □呵 ロロ﹁ ・・ ω ・ヤ ー 準 ヽ ・ｑ ｌ ヽ ■ ０ い

Ｎ 導 コ ”ｓ 蓄 塾 料 幣 中強 減 右粛 一 ロ ロ ロ ロ ロ ロ ロ ［ ■ ． ︵ 畠 薔 石 き 汁 声 ト ロ ｓ 廊 渕 ゛ｎ 一 ． ロ ロ ロ ロ ロ ロ ● い 。澪 簿 法 汁 ” ＾凛 中 斗 夕督 鎌 ． ． ロ ロ ロ ロ ロ ・ ・ ・ ０ ・ヽ ゝ ヽ 中碑 ド い “ ”ヽ ■ 一 い ． 一 嘉 満 ｓ簿 朝 奇 停壽 中営 コ 嗜 ● ． 口 ． ロ ロ ロ ロ ロ ロ 門 □ □ □ ・ ・ ・ ． ． ．

∞ ・準 ４砕 ＝ 中斗 い “ ”怯 鼈

， ． ・ ・ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 。 。 。 ． ． Φ・ヨ滑怯゛ ． ．

．

□ ．

□

●

０

■

・

口 ・

・

・

口 ・

・

・

・

・

・

・

口 ・

●

・

・

０

・

口 ・

・

口 ・

・

・

・

・

・

・

・

口 ・

・

口 ・

・

．■ ■ ロ ロ ロ ， ． ︱ ︱ ︱ ‘ ‘ 。・ ・ ・ ・ ・ ・ ● ・ ・ ・ ・ ・ 。・ロ ロ ロ ロ ロロ ロ ロ ロ ロ ロ 。・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 。・ ・ロロ ロ ロ ロ ロ ロ ロ ロ ロ ・・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ロロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ

・ ・

“中・♯鉾ゝ １ゝ４湯淋

■

口 ・

図”い

-25-

， 口Ｆ 口 □旧﹁一 口担口 旧ロ ロロロー 疱・ 口拍・ 押拒掏 口︰ 担︰ ． い麟トウ い鯰Ｆ︰︰〓 Ｌわい ．︰ 詢ヽ ．︰ ． ︰ ・ ・ ︰︰︰︰︰︰︰︰〓︰ ・ ・ ︰︰・ ︰︰︰︰

卜

・

， 洋 ．Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ Ｅ え︱ ︱ゝ ４口 ︼∵ 一・ 着 弊鎌 Ｔゝえ ゝ４ 口野 ．． ． ． ．ロロ ロ ロ ロ ロ ロ ロ ．． ．ロロ ロ ロ ロ ロ ロ ロ ロ ロ ． ． ． ． ． ． ■ ■ ロロ ロ ロ ロ ロ

薇

0

口 ・

，

∞一 ・幣早 ・洋書彗コ

” ● 上凛

●

謙 郊 咄汁 鴨 ︿潔嘴 嗜 卜澤鎌 ︵′ サも ′ ヽゝ ヽ中課 ド か “ 館咄 ︵ 畔か サ０′導 沿 Ｓ藤串 を製轟 鮮塾 油 ■ ト

・

澪諫 蒟 ︱ゝ ４澪 ︼ω ω二 ・弊鎌 鎌ゝ ゝ ︱ ゝ４ ， ， ︱ゝ ４へ き 踊漱 こ 融〓 ゛ 一・ 豊 ♯鉾ゝ ︱ ゝ４ ”≡ ， ，ゝ， カ︱ ーヽ ■＝ 藩 井鎌 Ｔ ヽ■ ■■ 幅 ︼Ｔ い。

・

ロ ロ

口 □ ” ω ・駐 沖 譴 膿 ． ．

鳳

え︱ ︱ゝ 踊 醸 。 ． ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 一ユ ・♯鉾 鉾ゝ ゝえ ゝ盆 ４澤 ︼一 ︱ゝ ”去 ゆ粛滞 ． ． ． ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 鉾ゝ ゝ４ ４書 書” ︼↓ ↓ユ ・弊鉾 ゝ ︱ ， ， ・ ・ ・ ・ λｌ ｌゝ ︵南 ∞・ ・ 井 井麟 麟ゝ ゝ︵ 南嗣 漏 ． ︻∞ ゝλ ．．．．．． ．．

。 □ 口 ● ● ・ ・ ロ ロ ︼一 ・♯鮮ゝえ︱ゝ４ヾ■劇︱ ． ． ． ．

ロ 口・

諄報 。澪 雛 製 酬

口 ・

Ｎ ︼・井鉾 ゝ ︱ゝ４濤澤嗜饉 ， 一一 ・■鉾 ゝえ︱ヽ４ ヨ薔巌

・

図甲︻

■

● 口 ・

口 ● 口

〓書員治 一い 。■鉾ゝえ︱ヽ４，

・ ・ 口・ ロ ロ ロ 。ロ ロ ロ ロ □ ・ ・ ・ ロ ロロ ロ □ ・ ・ □・ ロ ロ □ ・ ・ 口・ ロ ロ ロ ・ ・□・ロ ロ ロ ・ ・口・ ロ ロ ロ ・ ・ □・ □ □ ロ ・ ・ 口・ □ □ □ ・・ 口・ ロ ロ ロ ・

ロ ロ ・

・

:

ll:￨「 l要

.

Ｎ卜 ・弊鉾ゝ ︱ゝ４ヰーヽや諫彗 ， Ｎい 。件鉾ゝ ︱ヽ■〓 Ｃ０２ 一・津撃 ， ￨

■ ● ・ ・ ・ ・ ・ ・ ω ︼ ︰ゆ 口 ・コゆ 彗 コ ． ． ． ． ．

Ｎ ∞ ・＞ ＝ 蜃 コ

臓 摯 群 書 ・ ゝ コ 薔 , 鉾 薔 ゝ コ 4 摯 油 ハ 蹴

神経回路 モデルによるパ ターンの想起 第 2章

︵ ︱ ︱ に ド ー ー ︱ｌ ｂ 購 Ｆ Ｉ 十

︰〓 ︰・ ︰︲ ︰・ ︰¨ ・ ︰ ︰口囃 日叫 口叫 口嗜 ロロ ロ． ︰． ︰︰・ ︰ ︰． ﹁ ﹁． ． ． 叫呵 口叫 回呵 回叫 口叫 回叫 口耐﹁︰︰︰︰ Щゴバコ蜃ロロ． ゴ． Ⅷ 散記独磯“ 口呵 口呵 口呵 巳呵 口 ︰ 口・ ・ｏ ・〓 口

Ｎ 碁 コ ”ｓ〓書浄勝 中嶽濃 石﹁ 一 ・ ● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ● ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ■ ■ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ロ ロ ロ ロ ロ ● ■ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ・ ・ ・ ・ ・ ・ ” ・や︱ヰ ヽ ・ローヽ４０い 。 一 畠 曽πき″ Ｆ 卜型ｓ醸渕 ゛ｎ 一 ︶い 。 ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ■ ● ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ロ ロ ロ ロ ● 口 ● ・ ■ ● ■ ● ロ ロ ・ ロ ロ ロ ロ ロ ● ● ・ い・請帰ヽ汁 ”＾檬嘔嗜 い”鮨 。

︼ い 。■ 鉾 ゝ

１ ヽ ■ ■ 饉 ・ ■ ロ ロ ● ● ● ・ ・ ・ ・ ・ ・ ● ● ■ 口 ■ ロ ロ ■ □ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ■ ● 口 ■ ■ ■ ・ ・ ・ ・ ・ ● ● ●

一ｔ ゝヽ中碑言い〓 ヽ４”゛ 。 ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ● ● ● ● ● ● ● ● ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ０ ０ ０ ● ● ０ ０ ｏ ・ ・ ・ ・ ・ ・ ・ ● ● ● ・ ・ ■ ● ・ ヽ・華識Ｓ簿中奇澪彙中曽コ斗い ・ ∞ま 月中Ｉ●■い輝 法ツ ´ ・ ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ロ ロ ■ ■ ● ● ● 口 ■ ● ・ ・ ・ ・ ・ ・ ・ ● ● ・ ■ □ ・ ・ ・ ● ● ● ● ● ■ ● ・ ０・ 澤潜畿゛ ・ ， 口 口 口 担 口 ロ ロ ロ ロ ロ ロ ロ ロ ロ ｈＦ 口ロロ ・ ・ ●● ●● ・・ ・・ 口 ︱ ︼ ｒ Ｐ粕 口 拍 ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ 〓 ︰ 〓 ・ ・ ︰ ・ ︰ ｏ ︰ ・ ︰ 。 ︰ ︰ 写 聾 踏中♭ ・卜叫掛ド ︰ ︰・︰ ︰ ・︰ ・︰ Ｆ ︰ ・︰ ︰ ・︰ ︰ 〓︰ ︰ ・︰︰ ・︰ ︰ ︰ ・︰ ・︰ ｏ︰． 導 。 口 ■ ■ □ ● ● 口 ・ ・ ・ ・ ・ ・ ・ ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ニ ュ 鉾ゝ ︱ゝ４一 ，

・

●

●

●

●

・

・

・

・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ■ ● ■ ・ ・ ・ ・ ● ・ ・ ・ ・ ・ ● ● ● ● ● ・ ● ■ ■ □ ・ “Ｎ・力鉾ゝ ︱ゝ４口対 ・ ， ・ ・ ・ ・ ● ● ● ● ０ ロ ロ ロ ロ ロ ■ ● ■ ・ ・ ・ ロ ロ ０ 日 ■ □ ● ■ □ ● ● ● ● ・ ｏ ● ● ● ● ● □ □ □ □ ・ ︼ω・力鉾ゝ １ゝ４澪薔 ． ， 籠 こ と軍 ■ ・ ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 〓 二 摯ゝ︱ ゝ４へ

一 Ｔ

蟷

嬰

コ

．

．

口 ．

口

●

ロ

ロ

・

・

・

・

・

・

・

■

■

□

■

●

・

・

・

・

・

●

●

●

●

●

●

●

●

●

●

・

・

・

・

・

・

・

・

・

・

・

， 温 ・■ロ ロロ ロ ロ ロロ ロ ロ ロ ロ ロ ・・ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ロロ ロロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 〓 二 鉾ゝえ１ヽ■一 ︼∵ 藩 ゞ カーゝ４丼¨ 去 ゆ前鮮 ・ ● ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ︼Ｔ 着 Ｔ ︱ゝ４南臓 。 ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ， ・ ・ ・ ・ ０ ０ □ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● 中 ・ ・ ・ ・ ・ ・ ・ ・ ● ● ■ ■ ■ □ ■ ・ ・ ・ ”一・力鉾ゝえ︱ゝ４ヾ■●︱ ． ・ 口 口 ■ 口 ロ ロ ロ 詢Ｆ日 ﹁Ｆ □□■■■ 。営 澪ゝ ︱ Ｆ ロ コ ロ ロ ロ ︰ ︰ ︰ ︰・ 卜一︰ ︰ｒ Ｐ ︰ ︰ ︰ ︰ ｒ Ｐ ︰ ・Ｆ ︰ 〓︰ ・︰ ・卜 ︰ ・卜 ︰ ．・Ｐ ︰ ．・Ｆ ︰ ・卜■踏澤 ︰ ︰︰ ︰ ︰ ︰ ︰ ︰． ．︰ ・︰ ︰ ・︰ ︰ ・恒 ・ ．・︰ ．︰ ．〓口 ︰ｏ ．・Ｆ ︰・Ｆ︰．︰． ・ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ● ● ● ● 口 ● ● ■ ■ 口 ・ ・ ■ ■ ■ ■ 口 ■ 口 ・ ・ ・ ・ ・ ・ ・ ● ● ・ ・ ・ ・ Ｎ¨・井鉾ゝ，︱ゝ４濤澤哺画 ． ， ・ ・ ・ ・ ・ ・ ・ ・ ● ・ ・ ・ ・ ・ ・ 口 ■ ■ ■ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ロ ロ ● ● ■ 口 ・ ロ ロ ● ● ● ● 口 ・ ”一・♯鎌ゝ ︱ゝ４書ヽ選巌 ． ， 一∵ 豊 Ｔ ︱ゝ４３薄彙潜 ． 口 ． ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ， 一≡ 着 菫 ︱ヽ■ヰーヽそ諫彗 ． ● ■ 口 ． ． ● ● ■ ■ ● ・ ・ ・ ・ ● ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ， 獣 二 鉾ゝ ︱ヽ４世〓 ζ ふ ” ． ｏ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ 。 ロ ロ ロ ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ 口 ・ ・ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ， ｏ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ■ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ロ ・ ・ ・ ・ ・ ・ ・ ・ ・ ● ● ・ ・ ・ ・ ・ 一Ｔ 雄 ゞ １ゝ４贄コ“錦 ． ． ． ． ． ．． ， ● ● ● ● ● ・ ・ ・ ・ ・ ● ● ● ● ● ● ・ ・ 口 ● ■ ■ ● ・ ・ ・ ・ ・ ● ● ● ● ● ロ ロ 。 ｏ ｏ 。 ・ ・ ・ ・ ・ 一﹃・齢饉 ・猥鎌彗〓 ． ．

ＮＯ ま コ ． ． ． ． ． ■ ■ ・ ・ ・ ・ ・ ・ ・ ・ ■ ● ● ● ● □ ● ・ ・ ・ ・ ・ ・ ・ ・ ・ □ ■ ■ ■ ■ ■ ■ ・ ・ ・ ・ ・ ・ ・ ・ ● □ ｏ □ 口 詢 コ ロ ロ ロ ロ ロ ｈｒ ・ 口 ｏ ・ 。 。 。 ・口 ・ ，駐 ｒ ﹄ 麟 Ｆ コ コ ロ 担 ロ コ ロ コ ロ ・︰ ・︰ 〓︰ ・ 卜 も︰ 〓︰ ︰ ・︰．︰． 〓︰．︰． 〓︰．︰ ・︰ ︰ ・︰ ・︰ ︰ ︰ ・” ︰ ︰． ・︰ ︰ ・︰．︰． ︰ ︰ ・︰ ・︰ ︰ ・︰ ︰ ｏＦ 摘 ︰．・︰ ・ロ ． ︰ ・︰ ︰ ・︰ ・︰

図∞ム

鞘 脚 ︶ト

図∞ふ

製 和︶ト サ０′製響 ・薄轡 幾 ヨ

． ．ロ． ．． 嘉 ロ □ □ 口 口 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ﹂¨﹂﹂﹂﹂﹂﹂﹂﹂﹄﹃¨口 一］ 貯囀 一¨¨¨¨¨一一一一一一一一 ﹂ ・・。 ・・ ・ 感 一 Ψ △ ♂Ψ □ ． △ 口□ロ □□ ，

幾脚譴 鵬

図∞お

-26-

神経回路 モデルに よるパ ター ンの想起 第 2章

第 2章

神経 回路 モデルによるパ ターンの想起

月ヽ暉離 ・︶め 獅響︼績 ・∞め に鳴奪瑯 ・た泌 ・Ｎ∞ 〓彗颯虫 ・圏● ・“∞ Ｅ輪標騒 ・撃細 ・一∞ Ｅ鴨欅く 。一Ｎ Ｅ輪劇出 ・∞゛ Ｅ鴫嶋鶴 ・綺︼ ・卜Ｎ 腱ぼ暖薔︶ＫＩ‘Ｋ嶋ぶ ・一Ｎ 継澤 ・一で Ｄ鵜︶ＫＩてく崎孝 。い゛ ヽ︱卜︶ＫＩてＫ櫓ぶ ・一∞ 書埋ミ ， 凛挙囁撃νＫＩ‘Ｋお椰 ・∞Ｎ 錮曹Ｒ挙︶く︱‘Ｋ櫛椰 ・ＮＮ 口“姜せレＫＩてく囀ぶ ・︻Ｎ 轟ポ︶Ｋ！くＫ櫛ぶ 。ｏＮ Ｉ卜ヶヽＰＫＩてく構ぶ 。一︼ 螢事Ｐく︱てく鸞事 ・∞︼ 郵彗煮■ ・姜‘︶κｌてく鸞ぶ ・﹄” 凝撃ツКＩてく綺ぶ ・Φ︼ 口 瞑︶Ｋｌてく構椰 ・い︼ ““ハ契へ ・要ギ︶Ｋ︰てく綺ぶ ・︶︼ 理ぶ︶Ｋｌてく姜椰 ・∞︼ 係麒νＫＩてく鸞椰 ・Ｎ︼ 機暮 ︶Ｋ！てく鸞椰 ・“︼ 棒＝︶ＫＩてく誨椰 ・一︼ ‘もヽ颯薇 ・一〇 Ｓもヽ 卿”゛卜仲■翠︶颯 ・∞０ ●卜暖轟 ゛彗饉 ヤ眸姜Ｃ艘専 ・卜一 ０¨︶ヽ ﹁”●阜縦 中へくヽ ・一一 お書 ０卜●ヽ ﹀¨Ｋヽ“典 。い０ ●むｕ ●Ｋ増ｅＦ＝ ′一契ｅｖ鴨興 ・一一 碑ＯＰ ヽ︱卜 ・ヽホーミ ・“０ 一ｔ ｕ颯騒 仲郵尽囃ｔｅ匈Ｅ■ ・Ｎ０ ‘ふ鴇爆挙Ｅ米 ・︻一

01・ 共同作業が多い 02・ 仲間との情報交換を頻繁に行 う 03・ ルーチン・ ワークである 04・ 綱部にわた り、上司の指示を受け る 05。 経験が大 きく影響する職薔 06・ デスクを離れることができる 07・ 特定 の機器や設備 を利用する 08・ 外で仕事をすることが多い 09・ 残業が多い 0・ 執務スペースで食事 1・ 義務スペースで喫茶 2・ 執務スペースで更衣 3・ 義務スペースで飲酒 4・ 義務スペースで化避 。身だしなみ 5・ 執務スペースで調理 6・ 義務スペースで喫煙 7・ 義務 スペースで休息・ 気分転換 8・ 義務スペースで仮 眠 9・ 執務スペースでシャワー 20・ 義者 スペースで洗濯 21・ 義務スペースで健康管理 22・ 執務スペースで体力 増進 23・ 執務スペースで情報収集 24・ 執務 スペースでサークル活動 25・ 執務スペースでおしゃべ り 。織餃 26・ 執務スペースで私用電話 27・ 303・ 鷹務部門 28・ 経理部門 29。 人事部門 30・ 営案・販売部門 31・ 企画・ 開発部門 32・ 設計・技術部門 33・ 部長相当 34・ 凛長以上

図 9:

● ● ● ● ●口 ● ●

r'

.rtr.

.lr.Ir.Ir

・・ … ■ … ・・ 口・ □ … ・・ ・ ■ ■・・ ■口・ … ・ … ・ ・ ■・ 。■■ … ・ ・ ■ ・・・ ロ ー ・ ■・ ■・ ・ ・・ ・ ・ ■ … ■ 。口・・ 口 ・・ ・・・ ■ ・・ ・ ・・ ■・ 口・・ ・ 口・ ・・・ ・・・ 口・ ・ ■・ ・ ■■ ・・・・・ ■・・・ 口 ■■ ・・ 口・■ ・ 口■ ・ 口 ・・・・ ・・ ■ 。■・ ・ ・・・・・・ ・・ ■ 。■・ ・ ・・ 口・ 口・ ・ ― ・ … 。ロ ー ・ ・・ ・ ・・・・ ■■ ・・・ ・・ 口・・ ・・ ・ 口 ■・・・ ・ 口・・ ・・・・ ・・ ・ ・・・ 口・・・・・ ・ ●●口 ●● ・・ ・ 口・・・ ・・・ ●■ ●●●・ ■・ ・・・・・・・・・ … ・ ・ 口・・ ・・ 口 … ・ ・口 … ・・ ■・ ・・・ 。■■口 。口・ 口■・・・ ■ ・・・・ ・・・・・ ・・・・・・・・ ・・・ ・・・・・・・・ 口■■ 口・ ロロ ・・ ・ ・ ■・・ ・・・ ・・・・・・ ・ ■ ■ 。■・■ 。■口・ ■・・ □ ・ ■ロロ ・・ ■ ・・ ・・・ ・・・・・ ■ 。ロ 。■ … ・ … ■・・ ・・ ■ ・・・・・・・・・ ・・・ ■ ・ ― ・ ・ ■■

。■・■ ■・

オ フイス環境 とオフイス ワー カーの結合度 マ トリックス

-27‐

第 2章

2-4

神経回路 モデルによるパ ター ンの想起

要約

この章 では神経回路 モ デルの使 った帰納的推論 の実験 を行 なった。利用 したプ ログラ ムは、 ホップフィール ド型 自己想起学習 プロ グラムNETlと 、 ホップフィール ド型非 同期 的マ ッチングプログラムNE12で ある。 この 2つ のプログラムはハ イパー カー ドをフ ロ ン ト・エ ン ド・ プロセ ッサ ー として利用 してお り、実際の設計者 を想 定 した知的CADシ ス テ ムの かたちを模索 した。 この環境 を利用 して行 なった二 つ の実験 は、 の例 か らの知識獲得、及 び概念設計 システム と しての利用

(2)オ

(1)正 面玄関

フィス環境 とオフイ

ス ワー カーの行為 との関係 の学習 である。学習 された知識 は結合度 マ トリックス として 表現 され、習熱的で柔軟 に構成 されるスキーマの記述 に優 れていることが明 らか になっ た。例 えば、 あ らゆる記述子か ら概念 のスキーマ を再現す る特徴 (Content Addressable

Memory)に よって、 (1)の 建築様式 の概念 の獲得 や、 (2)に おけるワー カーの部署 や役職 による業務形態 の変化 を見 ることが容 易 にで きることが挙げ られる。総括 す ると、 神経 回路 モデルによる知識獲得 は計算資源 を大 量 に消費す る必要 があるが、ある種 の 2 値 のパ ター ン として捉え られる対象 に対 して、そのパ ター ンの再現性か らも有効 で ある ことが確認 された。

‐ 28-

第 3章 概念クラスタリングによるルールの導出

第 3章

概念 クラスタリングによる ルール の導 出

3¨

1

決定木 による単一概念学習

例示された学習サ ンプルから知識の抽出を行なうことは、その学習対象の複雑 さ をうまく説明す るある一つの仮説を立 てることであった。簡単な例 では、 ファンズワー ス邸 と、パルセロナ・チ ェア、ガラスやスチールの表現、 と開けば、建築家 ミース・ フ ァンデルローエのことについて話 していることが容易 に推論 できる。 この具体的なデー タをもとにしてそれらを抽04Lす る推論方法 を帰納推論 と呼 んでい る。我々人間は、 こ のような簡単な例を挙げるまで もなく、もっと複雑 な対象 に対 して も普段 から対象 に内 在す る特徴因子 と共通項 を抽出 し、対象を普通的な概念 として把握す ることに慣 れてい る。

本章では機械学習による単一概念の獲得 について考察す るが、その前に、 ここで 呼 んでいる学習サ ンプルか らの概念の学習とは何を意味 しているのだろうか。「概念」 の定義は、建築学 に限らず、A17究 に於ても非常に広義 に使 われその意味が理解 しにく いの も事実である。いまこの場合、もう少 し意味を狭めてこれを扱 うと便利である。す なわち、概念 は記述言語 によって表現 される断定的述語

(脚 副口じ)で あ り、陽性 のイン

ス タンスを与 えると正を返 し、陰性のインスタンスを与えると負 を返す ものとす る。つ ‐ 29‐

第 3章

概念クラスタリングによるルールの導出

ま り、概念 はインスタンスの空 間を正 と負 のサプ 。セ ッ トに分割す る述語 である とす る 考 え方 である。

さて、前 の章で言及 した神経 回路 モデル を使 った学習 モ デル を振 り返 ると、神経 回路 の内部表現が基本的 にブラック・ ボ ックスであつたことが明 らかになってい た。 そ れは、曖味 で弱 い拘束条件 が神経 回路全体 か らパ ター ンとして浮かび上が って くる仕組 みであ り、推論 が並列 に動作す るため明示的 な知識の学習 には向 いてい なかった。 それ に対 して、概念学習 システ ムはルールを生成 し理由づ けが可能 なデー タ解析技術 の一 つ であ る。 これは専門家 の知識 を具体的 な事例 と して与 えると、事例 の類似性 やパ ター ン を調べ て決定木やルールを 自動的 に生成 す るシス テ ムである。 このシス テ ムは、上 に挙 げ たミース・ ファンデル ローエ の例の ように、対象 が記号 で表 される対 象 を我 々 に分 か りやす い一 般的なルール と して生成する もので ある。言 い換 えると、神経 回路 モ デルが 扱 う暗示的学習対象 よ りも、in_structureな 割合 が少 な く、記号 の具体性 が高 い明示 的知 識 を効率良 く処理す るのである。

3-2

単一概念 の学習問題

単一概念 の学習問題 は次 の ように構成 される。

(1)概 念 を扱 う記述言語 の導入。 この言語 によってルールスペース を定義す る。全 て の概念 はこの言語 によって記述可能 とす る。

(2)学 習サ ンプル。肯定 のイ ンス タンス・ セ ッ トと通常、否定 のセ ッ トも利用す る。 現在 の研 究 の多 くは、そのインスタンスにノイズが含 まれない ことを前提 と して レヽる 。

(3)そ

して、すべ ての肯定 と否 定 のイ ンス タ ンス をもっとも明確 に包括 する一つの概

念 の探索。一般 に十分 なイ ンス タ ンスが与 える ことによって、学習サ ンプル に対 して矛盾 のない単 一の概念が存在す るように仮定 してい る。

CLS(Hunt 1966)や D3(Quinlan)と 言 った記号/局 所表現 のモデルはそれ に含 まれる原始単位 となるノー ドや リンクが記号 と しての独立 した意味 を持 っている。 これ は知識 を直列的 に表現 し、その スキーマ を辿 ることによって単一概念 を生成す る もので ある。 この 2つ だけでな く、学習サ ンプルか ら単一概念 を獲得す るプログラムが数多 く 知 られてい るが、それらのほとん どが、 このCLSの アル ゴ リズ ムを利用 してい る。 -30-

第 3章

3‐

3

3‐3‐

概念 クラスタリングによるルールの導出

決定木 の生成

1

決定木 による知識表現

決定木が事例 からその概念を獲得す ると、その決定木を未知 の対象を分類す る概 念スキーマ として利用す ることができるようになる。学習サ ンプルはBAONCLangleyIP. 1977)と 同様、い くつかの特徴 を記述 した複数の事例をレコー ド型 のデー タとして表現 される。具体的に決定木による概念表現を行うと、例えば、学習されるインスタンスの もつ特徴を大 きさ

(大 、中、小 )、

(四 角形、三角形、円形)、

形状

色 (赤 、青)と す

ると、いずれの大 きさの赤 い円‐ 形 (円 形、赤)は 図 1の ように表現 される。

SHAPE

COLOR

NO

NO

YES 図 1:

NO )の 概念表現

決定木による (red歯 “

未知のインスタンスを分類す る過程を辿ると、それが (大 きい、円形、赤)の 属 性 をもつインスタンスでは、まず決定木の根本 である形状を判別 し、次 の枝の色から分 類 し、赤 である枝 を辿ることによって、 この赤い円形の概念 を表現す る決定木から、真 の値 を得ることができる。 この決定ホを論理式で記述す ると

‐

31‐

:

第 3章 ―S―

IX,″

g′

“ `卜 SHAPEft, crrcleNCOLOR(&

概念クラスタリングによるルールの導出

SHAPIx・ 昭鰤 タ

rea)v-COrOn(.r,

blue)f .

つ ま り、決定木 によ うる概念 の記述 は対象 を離接 的集合 として情報分離す ること にほかならな い。 これを一 般 に概念 クラス タリング (concept Clustering)と 呼 んでい る。 20,21 ヒ メ 民 商

3-3¨

2 CLSの 学 習 アル ゴ リズ ム

CLSの 学習アル ゴ リズ ムは、全 く枝 のない根本 か らは じめ、徐 々 に分岐 を付 け加 えて、木がす べ ての学習サ ンプルを分類 す るまで、決定木 を伸ば してい くことを行 な う もので ある。学習サ ンプルのイ ンス タ ンス を (C)と して流 れ図 とす ると以下の ように 25,34 なおID3も このアル ゴ リズムを なる。 文献 利用 し拡張 してい る。

(1)も しCの 中の総 てのイ ンスタンスが そのノー ドの特徴基準

(ク

ライテ リア)に 於 て真

であれば、YESの 葉 を加 えて終了。 または、 もしCの 中の総 てのイ ンス タ ンスが そ の ノー ドの クライテ リアに於て負 であれ ば、Ю の葉 を加 えて終了。 いづ れで もなけれ ば、別 の特徴を発見 的手法 (Hc面 stic)を 用 いて特徴 のノー ド (Flを 選択 し、そ の 特徴 にある値 (vl,v2,…

２ ３

値

")を 使 つて、新 たに子供 のノ

(V)に 従 つて、学習サ ンプル

(C)

ー ドをつ くる。

をサプセッ ト (Cl,C2,…

,C→

￨こ

分割する。

(1)に 戻 り、それぞれのサプセッ ト (Ci)に 対 して再帰的にこのアルゴリズムを 適用 する。

‐ 32‐

第 3章 概念クラスタリングによるルールの導出

NO

YES

決定木 として表現 された離接的単一概念

以下CLSや D3が 行 な う帰納アルゴリズムを継承 して作成 されたCLSlを 利用 して ケーススタデイを行なった。なおCLS lは C言 語 で記述されてお リソース・ フアイルは 付録Cに 掲載 した。

3-3¨

3

決定木 の改 良

決定木 はできるか ぎ り短 く、かつ、誤差が最小 で あるべ きである。枝 が短 いこ と は、重要な特徴 だけを選択 していて、的確 に概念 を獲得 してい る場合 が多 い。 また、決 定木 の評価 は誤差 の測定 で行 うことがで きる。学習サ ンプルに対 して決定木 は100%の 正 解率 を持 つ ため、誤差 をそ こか ら計 る ことがで きないが、実際 にい くつ かの未知 のイ ン ス タンス を与 える ことで誤差 が確認 で きる。 誤差率 は

誤差率

=

で評価 する ことがで きる。

CLSの アル ゴリズ ムを使 いなが ら上述 した性能の向上 を測 るにはCLSの アル ゴリ ズ ムのステ ップ

(1)に おけるノー ドの選択 が重要 になる ことが、後述す るケースス タ

デイの 中で明 らかになる。サ ンプル中の特徴 には、概念 クラス タリングに役立 つ特徴 と あま り役立 たない ものが存在す る。すなわち、概念学習 システムは、役立 つ特徴項 目か

‐ 33…

第3章 概念クラスタリングによるルールの導出 ら優先的にサ ンプル集合 を分類 してい く必要がある。図 2は 説明の為 に 2次元上にサ ン プルを投射 してみた。い ま特覇Aと 特徴Bは あるXと Yの 連続的な値 を取ると仮定する。 こうして見 ると特徴項目によって分類 に性能差 があることが分 かる。特徴Aか らサ ンプ ルを見 るとタラスClと クラスC2に 対 して明確 に概念 クラスタリングを行 つている。 しか しながら、特徴Bは 分類 にはとんど役 に立たないことも容易 に予想 で きる。

図 2:

2次 元 空間による解釈

この特徴項目をID3で はエ ン トロピーを使 って評価関数 としている。文献46 これ によってサ ンプル集合を上図の特徹 のように分割す る特徴 を検索す ることが可能 にな る。エントロピーは次式 で表される。

‐ Σガbgη ′

但 LpJ.lま クラスFあ る確率である。 このエ ン トロピーが小 さいほど分類 による乱 -34‐

第 3章

概念 クラスタリング によるルー ルの 導出

雑 さが少ないことを意味 している。特徴項目を 2値 であるとし、その の変化 によるエ 考 ン トロピー の変化 をグラフにす ると図 3の様 になる。 が分離的 なほ ど、エ ン トロ ピー 考 50mで Iシ 10・ 5、

が小さく 、逆 ダ

のクラスに 分類されるか すなわち、どちら

、まったく 判

別できない場合はエントロピーは1.oと なる。(´ クの特徴 み日l'ウ ぃ z摯峰れ■∴ 含) ヽ 電 ヽ 、 っらヽ をこo■ 丼。r・ rハ 合う十 く 燻自 ユであ'た みζふゃ青 )か る′ 合格を導 =731場 “ .

1

0。

9

0.8 0,7

0.6

El, > z,

pj O。 5

Elzza

0。

4

0。

3

jl]. t-:/ l. Ir U-

0.2 0.1

0 特御

特歯

図3: 考によるエントロピーの変化

‐ 35‐

第 3章

3-4

概念 クラスタリングによるルールの導出

ケ ー ス ・ ス タデ イ :正 面玄関 の設計例

さて、第 2章 で利用 したシ ドユー大学の書面玄関を再びここで用 いる。正面玄関 のデザインの特徴点を2値 ではな く、我 々が普段呼 んでいる記号 で記述 してみる。

id

d肝 ol=swing

c!oser hinge matedal

shape redang!e

91

out

yes

3

91ass_limber

pl

:n

no

2

timber

pointed arch

!intel concrete stone

これ らのイ ンス タ ンス を学習サ ンプル として与え てみる。 ネオ・ ゴシック様式 と 近代様式か らそれぞれ 15個 づつ無作為 に取 り出 し2つ の様式 の分類 (dassificalon)を 行 な う。与 えたサ ンプルは付録のAの デー タ 1を 参照。

本来、つ くられる決定木 が最 も小 さ く成 るよ うにで きれば よ り明快 に概念の獲得 がで きる ことを意味 してい る。 しか しなが ら、その決定木 が どれほ どそ れ らの概念 を記 述 したルー ル として普遍性 を有す るのかは、学習サ ンプル以外 か らのデ ー タを使 って誤 差 の測定 を行 なわなければならない。

実験 には 3つ の場合分 けを行 なって試行 した結果、特徴 を選びだす順序 によって 生成 される決 定木 が大 きく変化す ることが分 かつた。

(1)特 徴 をノー ドに与 える順序が クラス分 けを考慮 しない例。

(2)2つ のクラスを明確 に分離す る特徴 を優先 に与 える例。 (3)明 確 なもの と、役 に立 たない特徴 を取 り去 り、あ る程度 クラス分 けを意識 して例。

場合 (1) 特徴 をノー ドに与 え る順序が クラス分 けを考慮 しない例。表 1で 示 される順 序 で 特徴 を与 えた。分類 の役 に立 つ か どうか分 か らない順序 で決定木 を生成 す るため、最悪 の場合26Fの 分岐 ノー ドが現 われる。 feature nalne :rnportance

entropy 2.0

setback

l.65

restibule

2.0

表

1:与 えた特徴 ノー ドの一部 ‐ 36‐

第3章 概念クラスタリングによるルールの導出 生成 された決定本 は図 2で ある。○が ネオ・ ゴシック様 式、日 が近代様式 を表 し てい る。木 の枝葉 が大 きく広 が って しまい読 み取 りも難 しい。学習サ ンプルの 中か ら二 つの様式 の概念 をうまく分 割す る特徴 因子 を考慮 せず に無造作 に特徴 を取 り出 してい る

ために、扉 の幅 (輛 0か ら、パ ネル 鮨凛山燿)の 間の枝が、開間の向 き (面ぃwi鴫 )、 自動閉器 (d国口)、 彙番 (hinge)、 材質 (硼雌組)と い うように、分岐 のない枝が連 続 して しまっている。枝が分 かれないことは、その1特 徴 は双方のタラスに共通で差異が ないことであった。 したが つて、無駄な帰納 を行 なわない ためには、お互いに異なった 性質 をもつ特徴因子から優先 して、母集団を分割 し、それぞれを帰納 してい く必要があ る事が分かる。

‐ 37‐

概念クラス タリングによるル ー ルの導出 第 3章

饉ざσ ユ ヨ 員 こ

︰ 理ヽ 乳

轟ル ０ 尊 こヾヾ

国 一” 済 鴻丼 一

第 3章

概念 クラスタリングによるル ールの導出

場合 (2)

2つ のクラスを明確 に分離す る特徴 を優先 に与 える例。図 3は 双方 に例外 のない 最 も特徴的な要素 を、何 らかの発見 的手法 を用 いて、あ らか じめ学習サ ンプルのベ ク ト ル配 列 を操作 し、帰納的推論 を行 なったものである。枝 は一度 2つ に分割 されてい るだ けで、それ以上は伸 びてい ない。楯 (lintel)は 入口・ 窓な どの上の横木 であったが、学 習サ ンプル中にある楯 の材質が石造 な ものはすべ てネオ・ ゴシック様式 であ り、飾 りの ないス タイルの扉 力'す べ て コン クリー ト製の楯 をもっているこ とか ら、 これ ら 2つ の概 念 を分割す る特徴 として、非常 に強力 な もので あ ったことが分 かる。 そ して、 エ ン トロ ピーの合計 は0.0で ある。結果的 に、 ある種 の事前 の「辺 りを付 け る」操作 が概念 獲得 に 必要 な ことが分 かる。サ ンプルの 中だ けの閉 じた世界 では、 この楯 の材質 で概念 を極 め て、小 さいルールで記述 で きる ことが可能 であるとい える。 では、 この楯 のような明確 な特徴 がなかった場合 はどうで あろうか。

concrete

図 5:

決定木 2

場合 (3) 明確 なもの と、役 に立 たない特徴 を取 り去 り、あ る程度 クラス分 けを意識 して例。 場合

(2)の 楯 の特徴因子 がない と想定す る。 さらに、 クラス分 け に役 に立 ちそ うな特

徴 を優先 して分類 す る。 つ ま り、あ るクライテ リアで母集合 を分割 した とき、分割 した 子供 の集合 の一部 が一方 の集合 に含 まれて しま う場合、その含有 が 最小 になるよ うな特

徴基準 を優先する方法をとる。図 4は そうした、比較的クラスによる分類 に利用 できる 特徴、扉の開閉方向 (direcdon Of swing entropy=0。 93)、 材質 (material:entropy=0。 74)、 ステップ (step:entropy=1.“ )と いった特徴 を順序 に帰納推論 を行 なったものである。 クライテリアが楯

(lin“ 1)ほ

ど明快 でな くとも最長 4つ 目の特徴階層 で、ネオ・ ゴシッ

ク様式 と飾 りなしス タイルの扉 の概念 を分離 してお り、場合

(1)の ように無駄な枝が

生えていない。 これによって、楯 の材質が分からなくとも、最長で も4つ の特徴 が記述 されていれば、概念分離が可能であることが分 かった。

‐ 39-

第 3章

概念 クラスタリングによるルールの導出

決定木 3

3-5

要約

この第 4章 では、CLSlを 利用 して設計 を学習サ ンプル と して例 示 し、決定木 の生 成 とその評価 を行 なった。 このCLSlを 使 ったルー ル・ イ ンダクシ ョンが生成 す る正確 な 決定木 は、建築知識 のような実際 のデー タにも正確 な知識を獲得す る技術 として十分 に 効果 がある ことが確認 された。 まず最初 に、学習 させるデー タは間違 ったサ ンプルでな ければ、特別 に判別 を行 なって与 える必要性 をあま り意識せず、学習サ ンプルの 数 が い くつ か集 め られた段 階で不u用 で きる。更 に、特殊 な事例 も無視 せず に決 定木 に取 り込 む ことがで きる。 とい った特長が 明 らかになった。 しか しなが ら、 これ らの利点 は欠点 に も成 りやす く、多少 の注意が必要 な こと も分 かった。 つ ま り、それ らはCLSД D3の アル ゴ リズ ムに共通 な問題点 として発生 し、

(1)決 定木 が事例 デー タに左右 され易 く、事例 中 にノイズがある と余分 な枝 を延 ば し て しまう。

(2)属 性 間の関係 を見 つけて要約 した り、不要な属性 を使用 しない ようにす る ことが で きない。

(3)属 性 の数や事例 の数が大 きくなると、決定木 が大 きくな り過 ぎて検証が 困難 にな る。

-40‐

第 3章

概念 クラスタリングによるル ールの導出

い ず れ に して も、 IF..THEN..の ル ー ル で 記 述 で きる エ キ ス パ ー ト・ シス テ ム を構 築す る際 に必 要 な 知 識 の獲 得 、 あ る い は 、大 量 の情 報 を圧縮 して可 読 性 の あ る もの にす る手 法 と して 、 CLSlの 利 用 に よ って効 果が期 待 され る こ とが分 か っ た。

‐

41‐

第 4章

あ とが き

第 4章 き あ とが｀

2章 では神経回路モデルを使 ったパ ター ンの学習 について、 3章 では概念 クラス タリングを用いた学習について考察 を行 なった。 ここで最後に総括 して、 これら2つ の 学習システムについて考察す る。 主 にこの 2つ のアプローチが持 つ違いは知識が表現 される方法、すなわちスキー マが暗示的であるか明示的であるかによる。すなわち、神経回路 モデルが扱う暗示的知 識はinsmcmeな 要素が多 く、スキーマ全体に適用できる論理的解釈が存在 しない場合 が多い。また、概念 クラスタリングは記号の様な明示的な知識を離接的表記法 (OR表記 法)で 概念を記述 できる対象 に限 り記述す ることができる。 これ らを一般のコンピュー タプログラムが実行するアル ゴリズムと知識構造 に関 してす り合 わせてみると、以下 の ようなもしき図として考えることができる。

アルゴ リズム

wo‖

grudured knowbd9o

決定木 神経回路

知識の構造 通常のアル ゴリステイクな知識表現では、高度に構造化 されていた り、ノイズを 許 したりす るデー タ、すなわち皿鮨 ШttKnowledgeは 全 く対象 としていないこ とが分 “ かる。それに較べ て、決定木や神経回路 の表現では、知識の構造 に、 よ り複雑な概念 を ‐ 42‐

第 4章

あとがき

取 り込 む こ とがで きるの である。知識 の 柔軟性 で見 る と、暗示的要素 が強 い神経 回路 モ デル は、概念 クラス タリ ン グよ りも扱 える知識 の範 囲 が広 が って い る と考 える こ とが で きる。

今 まで本論文を通 して言及 してきた事柄 で最 も重要な点 は、扱 う知識対象 によっ て、それを表現するモデルを変えてみる必要があるとい うことである。上の図を見 ると、

wemsmcmeな 知識だけからなるものを概念クラスタリングや神経 回路 モデルで処理す ることは当然可能である。 しか し、注意すべ きは、それらの結果 はアル ゴリズムによる ものよ りも劣 っているに違 いない。明示的で一切曖味な点がない対象 ならばアル ゴリズ ムで対処すべ きであろう。 これは、決定木 と神経回路 モデルとの間 にも言えることで、 決定木 で表せるならば、そうすべ き理由は多い、一番 の理由は神経回路 モデルは所定の 性能 を得るまでのチューニングが難 しい点である。明示的 に表現で きる知識はシステム の中で宣言 しておく必要があるだろう。 こうした適切なモデルの選定 は、知識獲得 の鍵 となる点である。そのためには、獲得 した知識 をどう利用す るかを予め決めてお くこと が重要だ。所定の性能 を得 るためには、一つのモデルです ぐに可能 になるとは限 らない だろう。

知識獲得 のシステムが新たなCADシ ステムに組み込まれて行 くことはまず間違 い のないだろう。そこでは、学術的な演習のみを扱 うのではな く、実際 に役 に立つ システ ムとして利用 されていかねばならないが、本論文でその可能性の一端 を十分に示す こと ができたと思 う。

‐ 43-

参考文献

参考文献

研 究論 文)

[1] 小 六正修 、塙信 弘 、 "統 計処 理機能 を備 えたルー ル・ イ ンダクシ ョン・ シス テ ム 「 ES/T00L/W‐ RI」

",日

経 組 別冊 (1990)

121 横沢正人、渡辺俊 、渡辺仁史: 学習 によるオフィス環境 と人間行為パ ター ンの獲 得 ,日 本建築学会 , 第 13回 情報 システム利用技術 シンポジウム (1990) β]

横沢正人、渡辺仁 史 : 神経 回路 モデルを応用 した建築概念設計 システム に関す る 研究、早稲田大学情報科学 セ ンター紀要 (1991)予 定

14] Ackley,D.H.,1五 nton,GoE。 ,SttnOW亜 ,TJ.:A learning algonthm for Bolレ mann Machines:Cognitive Sdence 9,147‐ 169(1985)

15] Broadbent,G=A plain manis guide to the theory of signs in architecttre,Architectural Design,Julyノ August,474‐ 482,(1977)

161 Clement,J■ Observed methods for generadng analogies in sciendic problem sol宙

ng,

Cognitive Science,12,563‐ 586,(1988)

『

] COyne,R.Doand Yokozawa M.:Reasoning with precedentin∞

mputer‐ 」ded deslgn,

unpublished manuscnpt(199o

18] Coyne,RoD。 ,Newton S.and Sudweeks F.:Modelling ule emergence of schelllas in design reasonmg,

19] COyne,R.D。 ,Newton SI Design reasoning by assoclation,Environment and Plarming B: Planning and Design,1990,vol。 17,39‐ 56 [101 COyne,RoD。 ,:Modellng the Emergen∞ of Design Descripttons Across Schemas:Sydney University,(1989)

[11]COyne,R。 ,Rosenmann,M。 ,Radford,A.,Gero,JoS.:InnOvation and creativity in knowledge‐based CAD,Expert Systems in computer‐ Aided Design(eの Gero,J。 ,EIsevier Sciencc Publishers B.Vo North‐ Holland,(1987)

[121 Fisher,D.H.,Wh Empirical Comparison ofID3 and Back Propagation・

‐ 44‐

,p788‐ 793

参考文献

t13l

Gero, J., Maher, M.L.,Zhang, W.: Chunking structural design knowledge as prototype: Sydney University, The architectural computing unit working paper. (1988)

tl4l

Maher, M.L.,7hao, F., and Gero, J.S.: Creativity in humans and computers: Sydney

University, The architecnral computing unit working paper. (1988)

tlSJ

Maher, ML.,Zhao, F., and Gero, J.S.: An approach to Knowledge-Based creative design, NSF Engineering design re.search conference (1989)

l1O

Maher, M.L. and Zhao,F.: Using experience to planthe synthesis of new designs, Expert Systems in Computer-Aided Design (Ed) Gero, J., North-Holland (1987)

t17l

Maher M.L.Zhao F., GeroJ.S.,:An Approach to Knowledge-based Creative Design, NSF Engineering Design Research Conference, College of Engineering Univenity

of

Massachusetts, Amherst, (1989)

t18l

Mclaughlin,

S., Gero, S.: Requirements of a reasoning system that supports creative and

innovative design activity: Knowledge-Based System, Vol. 2, No.l (1989)

t191

Medin, D.L., Watternmaker W.D. and Michalski R.S.: Constraints and preferences in inductive learning: An Experimental study of human and machine performance. Cognitive Science

t20l

ll,

299-339 (1987)

Michalski, R.S.: A theory and Methodology of inductive learning, Artificial Intelligence, v.20, 116-161,(1983)

Lzl)

Michalski, R.S.: Irarning Srategies and Automated Knowledge Acquisition, Computational Models of Iraming (ed),I-eonard Bolc, Springer-Verlag, Berlin

lnl

Mooney,R. "An Experimental Comparison of Symbolic and Connectionist Learning Algorithm",Proc. of

t23l

llth

UCAI, pp775-780, Aug (1989)

Murthy, S.S., Addanki, S.: PROMPT: An innovative design tool: Expert Systems in Computer-Aided Design (ed) Gero, J. ,Elsevier Science Publishers B.V. North-Holland, (1987)

Wl

Quinlan, J.R., Compton,PJ., Horn, K.A.J-azarus, L.: Inductive knowledge acquisition: a case study, Applications of Expert Systems, (ed) Quinlan, J., Turing Institute press (1987)

l25l

Quinlan, J.R., : "Discovering rules by induction from large collections of examples", Expert Systems in the Micro-electronic Age. (ed), Michie, D., Frlinburgh University Press, _45_

参考文献

(1979

12q Rosenman薄 .A"Gero,J.SI A∞ nceptual

fmmework for knov71edge‐ based design rescarch

江 Sydney University's Dedgn Computing unit AFtirlCiallntelligence in Design o Gヮ υJoS。 ,COmputational M∝ hanics Publications,Boston.

E271 Rosenman,M.A.,Coyne,RoD。 ,Gero,JoS.:Expm systems for design applicadons, Applications ofExpert Systems o欧 りQuinlanJ.Turing lnsdtutc Press(1987)

E281 ShannOn,c.and Weaver,W■ me mathematical theory of communication,(1949) 1291 SusSman,GJo and Steele,GoL。

:CONS■υヽINTS‐ A

language for expressing almost‐

hierarchical deniptions Artirlcial lntenigence 14,1‐ 39,(198の

[301 Thaln,KoW。 ,Lcc,HoS。 ,Gero,JoSI Building envelope design using design prototypes Sydney Un市 ersity,The

archi“

κtul computmg unit working paper。 (1990J

131]Tomiyarna・ T,and TEN,PJoW.:Organization of design knowledge in an htelligent CAD envlrongnent,Expert Sys"ms in Computer‐ Anded Design

[321 WeisS,SoM.,"An Empirical Companson of Pattem R∝ ognidon,Neml NeS,and Machine Lamhg ChssirlcatiOn Medlods,"pp781‐ 787 (書 籍)

133]麻 生英樹 :「 ニュー ラルネ ッ トワー ク情報処理・ コネクシ ョニズ ム入門、あるい は 柔 らかな記号 にむけて」産業図書 (1988) [34] CohenjP.R,Feigenbaum,EoA。 ,:The Lndbook of Ariflcial lntelligence Vol I,Vol Vol Ⅲ , William Kaufmann,Inco Los Altos,CA。

Ⅱ ,

(198幼

Knowledge‐ 1351 CoynejRoD。 ,Rosenmann,M.A.,Radford,A.D。 ,Balachandran M。 ,Gero,JoS。 「

BasedDestn SySCms,Addison Wesley。 (1"の

[3q coyne,RoD■ Logic Model of Design,Piman,London(1988) 1371 Everit B。 :Cluster Analysls,Heinemann Education Books Ltd。

(1974)

138]Goodman,D。 ,The∞ mplete Hyper Card handbook,Bantam Books,(198つ 1391 HayeS‐ Roth F。 ,Wateman,DoA.,I力

natlDoB。

,:Bu通 ding Expert Systems,Addison‐

Wesley,(1983)(エ キス パ ー ト・ シス テ ムズ 、だ uЮ 訳 、産業 図書 )

-46-

参考文献

t40l

McChlland,I.I., Rurnelhart, D.E , and PDP Research Group: Prallel Disributed Processing, Vol I and Vol tr, MII Press, (1980

l4U

Mbhdski, R.S., Carbonell, J.G., Mitchell, T.M., : Machine l*arning An Artificial Intelligme Aproach, Springu-Verfag, Betlin (1984)

IAI

Miehell, WJ.: Computer-Aidod &phitecural Dasign, ktrroellirlChrtcr, New Yort (1977)

l43l Rosenblam Principles of neurodynamics, SputanJ.Iew l44l

Yort

Schank!.C. Explanation Patterns: Udersa*ling Mechanically and Creatively, Lavnence Erlbaum, Hillsdale, New Jersey.(1986).

t45J Stiny, G.,: "What

Designers Do ThatComputers Should", The Electrronic Design Studio,

(ed) McCullough,M., Mitchell,

t45l

WJ. , hlrcell, P. , The MIT Press 190

Weiss, S.M., Kulikowski, C.A., : Computer Systems Tbal

hedicationMethods

Ism, Classification and

&rom Statistics,NeurdNets, Machine Learning, andExpert Systems,

Mogan Kaufmann Publishers,

(lDl)

l47l Winston P.,: The Psphology of Computer Vision

47-

McGraw-Hill (1975)

付録 A

デー タ 1:

シ ドユー大学構 内 にお け る正面玄関のデー タ

50 53 即帆 ‐ pp54‐ 56 pp49‐

デー タ 2:

82サ ンプルの 2値 デー タ 画像 デー タ

CLSlで 利用 した記号 デー タ

オフィス環境 とオフィス・ ワー カーの行為 に関す るデ ー タ

pp57n62

208サ

ンプルの 2値 デー タ

‐ 4‖8‐

付録 A

●”●﹄●●●●

︼●■ ハ

●ε●一●

﹄０●“ ● ﹄００ョ

〓“〓ρ、一

.

Ｄｅ一 ﹄●‘“ｏｏヨ

`

“● ３ 一‘

ョ E:::::: ::

慧

一● ●¨゛●０ ¨●

:

０一“ “● 一 ● ● ●

目

‘ ¨● ¨●

言言E壱

一Ｏ Ｃ ● 一“¨● ●﹄”

: :

こ ち

●０ ● ” ﹁● ョ ｅ

ヨ ヒ●

3

□□・・・・・・□□・・・□□□・・□・・・□・ 2 □□□□・・・・□□・・・□□□・・□・・・□ 。□・・・・□・・・・□・・・・・・・□ 。□ 。 ・□□・・・・・□・・ 。□ 。□ 。□・□・・・・・□・・・・□・・・□・・・・□・・・□ 。□・ 3 4 □□□□・・・・□□・・□・□ 。□ 。□・・・・・□・・・・□・・・□・・・・□・・・□・・・ 。 □ □・□□□・□□・・・□□□・・□・・・□・□・□・・□・・・・□・・・・・・・・・□・ 5 ・・・・□・・・□・・・□ 。□□・・□・・・・・□ 。□・・□・・・・□・・・・・□□□・□・ 6 7 □・・・□・・・□□ 。□・・・□・・・・・・・・□・・・・□・・・□ 。□ 。□ 。□・・□ 。□・ ・□・・□□□□・・・□・・・ 。□□・・・□・・・□・・・・・□・・□・・・□□□・・□・・ 8 ・・・・・・・□ 。□・・・□□□・・□・・・・・□・□□・□・・・ 。□・・□□・・・・ 。□・ 9 。□・・・・・□・・・□・・・・□□・・・□・・・□・・・・・□ 。□・・□ 。□・・・・□・・ 10 11 □□・・□□ 。□・・・□・・・・□□ 。□・・・・・□・・・・・□・・・ 。□・・・・・・□・ 。 12 □□・・□□ 。□・・・□・・・・□□ 。□・・・・・□・・・・・□・・・・□・・・・・・□ 。・ 13 。 。 。 。 。 □□□ □・・□ □・・・□□□・・□・・・・・□・・・□□・・・・□ □ □・・・・・□ 14 。 。 。 □・□・・・ 。□・・・・□ □・□ □・・・・□□・□・・・□・・□ □・・・・・・・□□・ 15 □□・・□・・□・・・・□・・・□□ 。□・・・・・□・・・・・□ 。□・□□・・・・・・□・・ 。□・・□・・□・・・・□・・・□□・□・・・・・□・・・・・□ 。□・□□・・・□・・□・・ 16 17 □□・・□ 。□□・・・・□・・・□□ 。□・・・・・□・・・・・□ 。□ 。□□・・・・・・□・・ 18 。 。 。 。 。 □□・ □・・□・・・・□・・・□□ □・・・・・□・・・・・□ □ □□・・・・・・□・ 19 。 。 □□・・□・・□・・・□・・・・□□ 。□・・・・・□・・・・・□ □ □□・・・・・・□・・ 20 □・・・□□ 。□・□・・・□□□・・□・・・□ 。□・・□・・・・・・□・・・・・・・・□□・ 21 □□・・□・・□・□・・・□□□・・□・・・□・□・・□□□・・・・□・・・・・・・・・□・ 22 。 。 □□・・□・・□ □・・・□□□・ □・・・・・□・・・・□・・・・□・・・・・□・・・□・ 。 ・□・・□・・□・・・・□・・□ 。□・・・・□・・□・・□ 。□・・・□□□・・□□・・・□ 23 Z □□ 。・□・・□・・・・□・・□ 。□・・・・□・・□・・・・□・・・□□□・ 。□□□・・□・ 25 □□□ 。□□□□・・・・□・・□ 。□・・・・□・ :□ ・・・・□・・・□ 。□・・・・・・ 。□・ 26 。 。 。 □□・・□ ・□・・・・□・ □ □・・・・□・・□・・・・□・・・□・□・・・・□・・□・ 27 □□□ 。□・・□・・・□・・・・□□・・・□・・・□・・□・・・□ 。□・・・・・・・□ 。□・ 28 □□・・□・・□・・・□・・□ 。□□・・・・・・・□・・・・・・□□ 。□・・・・・・□ 。□ 。 29 □・・・□・・□ 。□・・□・□ 。□ 。□・・・□ 。□・・・・□・・・□・・・・・・・・・・□・ 。 。 。 。 。 。 □・・・□・・□ □ □・・□ □・□・・・□ □ □・・□・・・・□・・・・・・・・・□ 30 □ 。□ 。□・・□ 。□・・・□□□・・□・・・□・□ 。□・・□・・・・□・・・・・・・・・□ 。31 ・・・・□・・・□・・・□・・□・・・・・・・・□・・・・□・・・□・・・□・・・・□・・・ 32 □□□ 。□□ 。□・・・・□・・□□□・・・・□ 。□・・・・・□・・・□・・・・・・・・・□□ 33 ・□・・□・・□・・・□・・・・□・・・・・・・□・・・・□・・・□・・□・□・・・□・・ 。34 □・・・□□・・□・・・□・・・□・・・・・・・□・・・□□・・・□・・・・・・・・□・□・ 35 □・・・□・・□・・・・・□□□・・□・・・□ 。□ 。□・・□・・・・□・・・・・・・・・□・ 36 □□□ 。□□ 。□・・・・□ 。・・□□・・・・□□ 。□・・・・・□・□・・□・・・・・・□・・ 37 □□・・□□□□・・・・□・・・□・・・□ 。・・・□・・□□・・・・・・・・・・・・□ 。□・ 38 ・□ 。・□・・□・・・□・・□ 。□□・・・・・・・□・・・□・・・□・・□ 。□ 。□ 。□ 。□ 。39 ・・□ 。・・・・□・・・□・・□・・・・・・・・□・・・ 。□・・・□・・・□・・・・・・□・ 40

-49-

付録A 里

E

E ttg f_

: 量:::::::

ハ

::

瑾豊_糧

i::::ョ

ヨ:

:::言

:

。□・□ 。□・□・・・□・□ 。□・・□・・ 0□ □・ 00。 ・・・ 0。 □・ 41 0□ 。□ 。□・□ … ・・・□・・・・□・・・□・・・・・・・ 。□ 。□・ 42 ・□・・・□□□・・・・・□・ 000□ ・・・□□・・・・ 。・ 。□・□・ 43 ・□・・・□□・・・・・・□・・ □・・□・・□・・・・ 0。 □・□・・ 。44 ・□・・・□□・・・・・・□・・□・・□・・□・・・・・・□・□・・・ 45 ・□・・・□□・・・・・・・□ 。□□ 。□ 。・・・・・ 。□・□ 。□□・・ 46 □・・□ 。□□・・・・□・□・・・・・□・・・・□・・□・□ 。□・・・ 47 ・□ 。□ b□ 。□・・・・・□・・・□・□・・・・□・・□・・□・・□・ 48 □・・□ 。□ 。□・・・・・□・・・□ 。□・・□ 。□・・・ 0。 ・・・□ 。49 0□・□ 。□ 。□・・ 。・・□・・・・・□・・□ 。・・・・ 。□・・・□・ 50 ・□ 0□ 。□・□ 0。 ・・・□ 00□ □・□・・□・□・ 0・ 0□ 00・ □・ 51 ・□ 0。 ・□・・・・・・・□ 000。 □・・・ 。□□・・□□□ 。□ 。□・ 52 □・・・・□□・・・・□・・□・・・ 。□・・□ 。□□・・・・・・□・・ 53 ・□・・・□・・・・・□□□・・・・□・・・□・□□ 。□・ 。□・・□・ 54 055 □・・・・□・・・□ 。・・□・・ 。□□・・・・□□□・・・・・・ 。□ 。 。 。□・・・□□・・・□・・・□・・・ □・・・・□□ ・・・・・□□・ 56 ・ 。□□ 。□□・・・ 。・ 。□・・□・□ 。・・・・・□ 。□・・・・□□・ 57 ・□・・・□□・・・□・・・□・・・・・□・・□□□・・ 0・ ・・□・・ 58 ・□・・・□□・□・・・・・□・・・・・□・ 。□□□・・ 0。 ・・□・・ 59 ・□・・・□□ 。・・□・・・□ 。・・ 0。 □・・□□□・・・・・・□ 。・ 60 ・・□□□・・□・・・ 0。 □ 。□・・□・・・・□・・・・・・・・・□ 。61 0□ ・・・□・・・・□ 。・ 。□・・・・・□・□・・□ 。・・・・・□・・ 62 □・・・・□□・・・□・・・□・・・・・□・□・□□・・・・・・□・・ 63 ・・□□□・・□・・・□ 。□ 。□・□□・・・・□□・・・・・・・・□・ 64 。 □・・・ 。□□ 。□・・・・・□・・・・・□ 。□ 。□□・□□□□ □・・ 65 。□ 。□・□ 。□・・□□・・□□・・・・□ 。□・□・・・・・・・□・・ 66 ・□・・・□□・・□ 。□・ 。□・・・・□・・・・・□・・・・・・□・・ 67 □・・・・□□・・・・□・ 。□ 。・・・・□ 。□ 。□・・・・・・・□・・ 68 □・・・・□□ 。□・・・・・□・・・・・□・・・□・・・・・・・□・・ 69 □・・□ 。□□・・・・・・・□・・・・・□・□・□・・・・・・・□・・ 70 □・・・・□□・・ 。□・・・□・・・・ 。□ 。□ 。□・・・・・・・□・・ 71 ・□ 。□ 。□□・・・ 。□・・□・・・・・□・・・・・・・・・・・□・・ 72 ・・□□□・・□・・・□ 。□・□・・□・・・・□・・・・・・・・・□・ 73 ・・□□□・・□・・・□・□ 。□・・□・・・・□・・・・・・・・・□ 。74 ・□・□□・・□・・・・・□・・・・□・・ 。□・・・・・・・・□ 。□ 。75 。□ 。□□・・□・・・・・□・□・・□・・・・□・・・・・・・・・□・ 76 ・□・・・□□・・・・・・□・・・・□・・・・□・・・・・・・□ 。□・ 77 ・・□□□・・□・・ 。□ 。□ 。□・・□・・・□・・・・・・・・・・□ 。78 ・・□□□・・□・・・□ 。□・□ 。・□・・・・□・・・・・・・・・□・ 79 。□・・・・・□ 。□・・□・・・・・・・・・・・・・・□・ 80 1・ ・・□□・ 。・□□□・・□・・・□ 。□ 。□□ 。□・・・・□・・・・・・・・・□・ 81

-50‐

■_攣 KER判 彎

セ醒醸還

“

” 〓８一 一 鼻

モ澪Ｆ

〓評

いコ

日

日

ヨ８

ミ０ ， コミ０

ロモ０

ロモ０

ゴロロ”ｏ

Ｌ一 ”

︼”

ヨｇ

Ｂ８ｏ■９だＲり■日 ３８ｑ

●ｏｒし ｏュ一

５

ヨｇ

ユロ ”

”β

５

旨ｇ

８ 〓

〓

日

ユ

日

日

８ ８ 〓 目 ８ ■ ︲

﹄ξ Ｌ 鼻

８ ”を 試

５

●ｏｒち，０〓一 ，

ユ” ”

５

８〓

日

８１ 百 一

，Ｌ ５ＩＦ りｏＦ ，〓 ３ 一旨

８

０“”

０“”

８ ”

５

くｏ” ●ぃ ■く２

くｏ一 ●ぃ くｏ” ●い

８ ，８ 旨

くｏ” ●い く９ 日８ ，

ヽ三 ■８ ■２

〓０

旨爾

ヨｇ

リミ０

旨ｇ

旨８

旨ｇ

旨需

目ｇ

〓０

８１ 百 ︵

５

５

三

５

〓 ●ｏＦＬ壼５■一

日

ョ ●０” Ｌ３５﹁” ︲ ８ｌ ζ ■

ヨ

８雪

８１ 百 ■

日

８二 百 一

５

５

３１ ヨ 科

０“”

８１ ご 一

日

陰ＯＩ Ｌ ８ ″ 二 ８ ８ 圧 〓 Ｌ ８ ″ ■ぃ ∽ 陰鬱 ｉ 鼻 Ｂ Ｅ ︰ 目ＯＦ”﹂只澪 只卜﹄戯８モ ∽ ニξ Ｌ 鼻 ８ Ｅ 彗 そ 畠ｎＩ Ｌ ８″ ８ Ｃ３ヨそ 隆α 〓 Ｌ ８” ８ Ｅ 饉 リ モ 陛色 ″ ¨ ８ Ｌ 〓 ８ ■ 陰ξ 繁 Ｌ ８ ︰ 〓 〓０け Ｏ″ ﹂ ｏ ば嗜蜃Ｖモ ∽ ｏ コ Ｆ ﹂ 〓 Ｆ ＬＯ Ｆ ご Ｌ ８ ８ Ｃ 目８モ 魯ａ ｒ ｔ ８″ ８ 〓 ︲目 電 モ 畠●Ｉ Ｌ ８ ″ 二 ８

８１ ヨ 科

昌 ”

日

日０ 日０” ヨ”目︻ンミ

８

８ 一

〓

目 ︻ ン ヽ ヨ０ ヨ０”ヨ” 隆ξ 鼻 ３督 ︰ Ｌ 畠ξ ュ ８〓 ︰ Ｌ 日０ け〓Ｆ﹂ｏ Ｆ ●ｏｒ﹂ばロリＱｆ、 Ｏ ∽ 昌ξ ■ 鼻 ■諄

Ｆ８

８ Ｅ脅ニ

ヨｏ ‘ユαｏ

∽Ｆａ日”∞

″ ０マ ・０ 日 ‘ ● ＯＦＬ 嵐 目 蜃 Ｖ モ ︲

ご Ｌ 〓 冒 Ｆ 三 ８

３ ８ Ｃ目８■

８， ８ ，ョ ８， Ｅヵ

８ ”

日

●ｏ ●ｏＦＬぼロリ９´﹁

８１ 冨 一

８ 嘔賣嵐

澪０マ ・０２ａ一 ●ＯＦ﹂ばＨ日ｏ‘、 ︲

日０げぶＦ﹂００澪 ●ｏｒ﹂ばＨりＱＳ、 ゛ ８ ■０

〓ョ

魯魯 “ 旨算 二 ８

88覇 888888888888888888888888888

難 》

シ斗 ・Цヾ ヾヽ 一 ６３ シ斗 ・Цヾ ヾヽ ∽ ｇ‘ シ斗 ・Цヾ ヾヽ ∽ ｇ‘ シ斗 ・Цヾ ヽヽ ∽ 目８ シヽ 。Цヾ くヽ ∽ ０３ シ斗 ・Цヾ くヽ ∽ ８８ シ斗 ・Цで ヽヽ ∽ §澪 シヽ 。Цで ヽヽ り ６Ｒ シ半 。Цで ヽヽ ∽ ８澪 シ斗 。Цヾ くヽ ∽ 目‘ シヽ 。Цヾ くヽ ∽ 目Ｂ Ц シ 斗 ヾ ・ ヽ ０澪 く い シ斗 ・Цヾ ヾヽ ∽ 目‘ シ斗 Цヾ ヽ §３ 。 ヽ ゛ シ斗 。Цヾ くヽ ∽ ご扁 聞ヵ無 丼 ８３３お 聞力兼 斗 ３３８ ８ 肖力難 ル ｏ ９８浄 聞ヵ難 斗 ８３３８ 聞力兼 丼 ８９滞 ｏ 聞力難 斗 ｏ ９８お 聞ヵ難 斗 ８Ｒ３８ 肖ヵ難 斗 ８３３８ 聞ヵ兼 斗 ８Ｒ ３８ 肖力兼 丼 ８興澪 ｏ 椰詳兼 斗 ０ ９９汁 いヵ兼 斗 ８８３８ 聞力難 沸 ｏ ９８滞 聞ヵ難 斗 ８ヨ３８ 聞ヵ難 斗 ８３３お

…

54‐

覇888覇 透覇覇覇覇覇覇覇覇 3 b覇 8覇

8888覇 8覇

8888覇

付録A

算

8888888888覇 888888888覇 888888888 ,

晉 0

Ａ

ｌＥ仁饉 ︼ ∽〓哺

ＯＬ讐” ，

８

︼ ユ一 ■し ︼ Ｊ

踊

覇覇覇透覇覇 8覇 覇覇覇覇覇 88覇 覇覇覇覇透覇覇覇 3覇 覇覇 88

瑾巳＆ ︼

888888888888888888888888888888

録 付 ヨ彗許 “ ヨ 軍 ヨ ξ

口 日一 ｒ ３¨”ｏ ” ０ 賀 一 ﹂ ， ” 口”一 ８〓 ”ｏ ﹂じヨ８ ︲ ， ８ 電ョＡ﹂多 ８ョユし肇 ８ Ｂ雪ＲЪ３ ８ ８ 電ョユ﹂こ” ８冒 ユ 墳 論 ８ 電冒ユし３ ８ 電 〓１ ５ ３ ８ ８ ︼８ Ｐ︰ 肇 一 ８ 電冒 ル ー 浄 ８ 口円 彗３ ”ｏ 旨ｒ ｌ ” ８ 旨︰ 肇 ８ ５ ８ユ賛“お Ц

巳

ｇ

８

＆ 置 二 己 尾 い ”彗 ｏも 口 静

覇覇覇透 8覇 8覇 覇覇覇 8888888888888888888

ヨ ξ ヨ ξ ヨ 軍

ヨ ξ ヨ 〓 ヨ 〓 ヨ 〓

ヨ 軍 目 〓 ヨ 軍

壁 軍 野 〓 ヨ 軍

１

日∞ぽ Ч９ 嵩魚“ ”８目品 ぼ ８

３８買“け てｏ∽ ︼

●８ 目 品 Ｆ ８ 春會日“ざ ︼８ 澪二”“お ︼ｏり

罷 目 讐 ８

コ０ 蛍貿Ｘ”””ォ﹀ 資蚤館“ピ ︻ ０ ︼ ３８買“″ Чｏ一 ︼ スＸ■”目∞け て０∽ ●０ 壼双︼”●”庁﹀ １ 目 零 覇

＾ Ｊ 嘔一 ”

‐ 55-

ヨ 〓 ヨ ご ヨ ξ

ＬＢｒｒ３ｑ ”Ｆ毬﹂費営Ｆ

Ｌ曖ｒヨ８臓 Ｌ鵬ｒ●ｓュ ＬＢｒヒ¨ュ ，Ｌ ε Ｌおρ﹄” ”Ｆ移Ｌ費営Ｆ ヨ 軍

Ｌ毬ｒヨュＬ Ｌ鶴ｒヨ８巳 Ｌ”ｒヨεＬ ｎＬ Ｌ鵬ｒヒ一

88覇 38888888888888888

888888888覇

888888888888888888

覇 8888888888覇

888888888 888888覇 8888888888888覇

8覇 覇覇覇覇覇覇覇覇覇覇覇覇

8888覇 888888覇 888覇

事ュ 量邑 ８ ８

日Ｅュ 〓置臓 ８日ニ 日ロニ ロ日ニ ロ置臓 ■重

ヽ三 ヽ重 日ロニ 日日ニ 日雷ニ

⋮ “嘔

８ 電注 ８ 電性 ８ 電巳

ョ 電ュ 日 電注 ８ ﹄目．

Ｂ 電ュ

覇

覇 諄 “ｌ

⋮

●一口︻壼●

“一一︹曖一

“”ロロ０

“日 覇

讐 澪

ｇ巳

⋮

口 電巳 ８ 電巳 ８ 電注

望 Ｆ ﹂ Ｐ ８ 巨 ︱

”⋮

ｎ目 壼覆 ５

Ｑ目 亜 壼 Ｆ

”蜃︼口０

い０●“颯●

い●冒口０

一０●“ぼ一

一一一︹蟹●

一一●員”Ｗ

い一●¨曖“

腱”ヨ”●

い●︼口”

讐 澪

８ 電注 ８ ”日 ぃ ８ ●１ 一 覇 圧 透 目 ８

電ａ ωｌ

日 壼こ ５ ， ｎ日 壼壺 ５

Ｅ Ｆ ﹂

安目 亜壼 ５ ８ 螢 晋

Ｅ ■ ﹂ 〓 ８ 巨 器

８ 員 閣 澪

８ 目 ＝ 常

８ 員 Ｈ 常

８ 資 日 常

８ 電ａ ８ 電ュ ８ 電ュ 日 ”員 ”

Ｑ 目 亜 壼 Ｆ，

８ 電巳 長︶ “只ニ ョ ”Ｒニ ８ ”員 ぃ

Ｑ目 憂壼 ５

憑

日０ ∞０〇一 ８ ”貝 一 ８ “員 ロ

‐ 56‐

■重

■重 ８

■こ ■重 Ｌュ 事ュ コ置〓 ■４

透通8薔 薔憑覇薔透透週薇通透覇薔透 ヨ

88888888888憲

5

２ ■■ 日震臓 Ｌ重 ８ ■重

88至 透薔薔 8薔 透週8憑 透覇覇覇8888

888888888覇

付銀

888888888888888888888888888888 :

付 録A

1‐

Oil!001101l1liil100:00100001000000 010011:￨:Oi001000000000000000000i0 0100!i000;0010i0000000000010000010 00001000011i0000000000000000000000 1lliO10010010100i0000010i000000000 il101:Oi1010000000000000000000000i 01:Ol101:0:00000000000i010000!000!

Oi00iiOli:li1lii100100111i000i0001 10!011!00111100010000010il10000000 00!00:1000000:00000000100010000000 10!0:l:000010100000000000010000000 0000::1000:00000000000000000000000 li00000010!00000000000000001000001 :1001::01:ll1lii:00000iO1000000i00 01010i0000010!0:000100100010000000 0!li110000010000000000000000010000 iiOil100!1010:0000000000i001000000 001i O!:010110100000000i00:00000000 :i001i0000i000000000001000000100:0 :0001l1110:10000000000:00000000000 00001:0000100000000000100000001010 l100::100:!11!ll:00000101000001000 0100i00001001li1000000100000000000 01110000i0000000000000000010000000 !:i:!11000!00:00100000ii1000010010 0i001:00100100000000000000000:0000 1100:::110:0000i0000001000000;000: !100:liOll1000000i00!0010i00000000 01:Oll10iii:0100100000110000000100 1lilll:01ii000000000i0010000001000 :l1llli011l10:00000000000100100000 11101:1001110100000000000001000000 0:000il10::10000000000000001000000 1;00!:000:i0000000000000000000010i ll11110:ll100000000000:00i00000000 0011010001110000010010010100100000 01000100011000000000000000000:0001 0001011001:101110000:O1100000i0000 01000i:Oll100000000010000000000100 0011010001110:000100000i00i0000000

-57-

40

付録A

41‐ 80

Ol1011000:10010:000000011:0000!00: 0:0011:01:100000000010010100000000 00000i:001110010010010000100000000 00100i00011:0:00:000000100:0000000 0:0011000:1001000:00000iO:0100000: 0001li!00:110ii00i0010010110000000 ::00::0011110110000010::0:0000010: ::111::0:1l10000:00000000100:00000 1:10::::0!1001000:00100i0101000000 0000::0011100100000000000000100000 001001000i::Oil:::00:0::1110000000 00:0:O1011:i0000i00000000i10000000 010:0:000!!!0!lll:00:00011000:0000 00:00:i01::10:00000000000000000:00 0000:!000i:00100:00000000i00000001 :00:O1001::iO:100000:000000000:000 0::00:100::00:000:00000:0001000000 1000:ll1111000000:0000000000000:00 10:00:i0111iO:O1000000000001000000 10::0:iO:li10:000000i0000101000000 1:::::101:11000000000000:i01000000 1:0:::Ol:i10010:i000!00000000i0000 0000:1000il10:101:00100011:0000000 00001!Oi01i10000000010000100000010 01:0:11011100101100010000:01000000 01001::0011000000i00i000000:00000: O10:0:1001i10!￨10i001000000000i000 01001:10:1100100000010000100001000 01000:10:li00000010010000:00000100 0100i!1001100000000010010:00000000 ::10i:01:1100000000010010000010001 010i011001110iOil1010011:100010000 01:1liO:l:1000i0000000000000010000 00i0010001110100000010010i10000000 000i:0000:1:0000000010110010000000 :000iO:00:110i00000010100:10000000 01000iO:0:110i:i100010010i00010001 11001i:001100000000010000000000:Oi 01011i10011:0000000010110!00000100 :10111::0:1000000000:0000000000100

-58-

付 録A

１ ｌ ｕ １ １

ｕ ︲ １ １ ｕ ｕ ︲

１ ０ ︲ １ １

１ Ｏ １・ １ ︲ ０ ︲

０ ０ ０ ０ ０

０ ０ ０ ０ １１ ｏｌ １ １ ０ ０ ０ Ⅲ

１ ０ ０ ０ ０

０ ︲ １ ・ １ Ⅲ

１ ０ ０ １ １

１ １ ０ ０ ０

０ ︲ ・ １一 １ ０ ０ ０

１ ０ ０ ０ ０

０ ０ １， １ ︲ ０ ０

０ ０ １ １ ０

０ ０ ︲ ︲ １１ １１ １ １ １ ０ １ Ⅲ

１ ０ ︲ １ １

０ ０ ｎ︶ ０ ︲ ０ １

０ １ ０ ０ １

０ ０ １１ １ ０ ０ ︲

１ ０ ︲ １ １

０ ０ ︰ ‘ １ ︲ １ ０

１ ０ ０ １ １

０ １ １・ １ ︲ ０ ︲

０ ０ ０ １ １

１ ０ ０ １ ０

０ ０ ０ ︲ １１ ・︱ １ １ ︲ ０ ︲

１ ０ ０ １ １

０ ︲ ・ １ １ １ ０ ０

１ ０ ０ １ ０

０ ︲ １， １ ︲ ０ １

１ ０ ︲ ０ ０

０ ︲ １︲ １ ０ １ ０

１ ０ ０ １ ０

０ ︲ １１ １ １ ０ ０

１ ０ ０ １ １

０ ︲ Ｉ ● １ ︱ ︲ ０

１ ０ ０ １ １

０ ０ ｌ， １ ０ １ ︲

１ ０ ０ １ １

０ ０ ０ ︲ １１ ・︱ １ １ １ １ ０ １ ０ ０

Ⅲ

０ ︲ ・ ｌ １ ︲ ０ １

１ ０ ︲ １ ０

１ ０ １ １ １ １ ０ １ １ １

-59-

120 81‐

付録A

121‐ 160

l1001:01000000000000000000000:0001 110011010::00i000i0010110000010001 111000!00!::0:::l!0010:l1101000000 0111ll:01:10000:000000000100000000 110111011:l1001il:001 0ill:00000:00 :l101100011101101000:O10:100000:0: 1:1001001iii0000000000100:00100000 010000:0000000000000000000000i0000 110011:!1:::O100000000010000000:00 ::10!10:10100100000010i00:00000:00 0:0001;:01100000000000;:0:00010000 :::l:iO:::li 0011!!0010i:::00000i00 :!00:OiO:11000i00000001:O1000i0000 :000:100:l11010iii0010110100000i00 0000:li00110010i000000000000000000 000iiliOil100000010010100000000i00 :00ii1000!1:0:00000000000i:0000000 0010110001::0:10::00:O110000100000 01i:111010000000000000000000000:00 ::0011:!liliOi0000001011010000010i O:O1liiOlii00000000000000100000i00 :l!Ol!1010000000000000000000000000 ::00i10001110i10i!00:Oi:i;00000i00 0:0011:00i100001i000:O10i:00000100 ::l:l1011ll101lli100:011:i00010000 1i001101:i100:00000000iOli000:0000 !00il101011 011001000i 0000i00000100 0100:10000000000000000000000000110 01llil1001101100000000000i0000i001 :100:!000:101011:00010i00i00000::0 01001100011011010000101001:0000010 0000i10001101100000000000000001010 00:001000::11100000000001110000000 01:0;:liO:::l100000000000100000100 1100il!00::01101000010001!00000100 i101li000ii01:Ol:00110101100000:0; llil:i1001101!000000:0100100000:00 00101i!00iiOi:00i00000000:00000iOi ::001ii!liiOii00000100000:00000iOi 00001:000110ii000000i0000i00000i10

-60-

付録 A

■■■ ■ ・゛“ ﹁曖嗜口 。一ｏ ｒ薔菫ＢＴ な“ ・““ ｒ●應臨 ・口０ ・““ 〓摯Ｒ騒 ・颯中 ・一一 ｒ嗜棒く ・●“ ｒ●■● ・●“ ＥＥ鸞ｕ ・●● ・ヽ“ ■”民“Ｐ КＩマК●‘ ・一” 一 薔日 ・一γ ●０■● КＩマК●“ ・ｎ” 口摯ミ ヽ︱ Ｐ К︰てК●● ・●” 凛“轟摯 ， КＩマК●“ ・“一 燿”択量， КＩマК●‘ ・“” 口“■ｄ， КＩマ К●‘ ・一一 レ КＩマК●● 。●” 暉瑯， ︰い●ヽ КＩマК●“ ・ｏ一 ■●， Кｌてヽ日‘ ・一“ 喘 尋竜凛 ・■彗Ｐ ， КＩマ К●‘ ・卜一 ■感 КＩて К●‘ ・一“ ヤ КＩマ К●‘ ・ｎ一 口”， ４●Ｄ電ヽ ・“翠 Кｌκκお● ・一“ 〓‘， Ｐ КＩマК●● ・一︻ 凛＝レ КＩマКお● ・“” 機凛ヤ κｌマКお‘ ・“︻ ”“Ｐ КＩマ К●‘ ・● ︻

々０ ●摯 ■ ・●●

３ ● ■ 颯 颯 ・● ● 卜 ● ● 導 武 ・一 ● 口憂 ■ 卜 ● ●●ヨ●●， ‘ ● ● ヽ Кヽ ・一 ● ｖ●２曇澤●● ・● ●

●０レ ヽ︱卜 ・ヽヽ１ミ ・●● ●● ２■■●“楓喜撃０″口■ ・囀ｏ ０■薇攣Ｅ薇 ・︼０ ，

O100111001il1000000000100i00000110 0100i1110:iOli00000000000i00000100 000011000:1010000000!0000000000:Ol 101:ll:1::10110:00001000i100000iOl 10101i:ll1101101000000000100000i00 00!0:10001101001100000001100000100 0::00:0001:l!:0000000000i100000:00 000:::1011:l::00000000000:00000100 ::00:l1001:0!:O10000i0000:00000101 :0001:111110!:00000000000100000100 0000::0011:0::00000000000000000iOI O1000::00110:!O10000!0000:00000:00 0000i:1001iOi100100010i0010000010: :10011010:11100:000000000000000:0: l11011000i10110:00000010011000000: 00:001:OliiO1000000000i01:00000100 00001!101110:1:0000000000100000100 :01011:0:l:0!0000000:0000100000100 000011:0100000000000:0000000000101 :iO::::0111011001000:0:00:0000010: l10:l10001::1100000110:!il:0000000 :1::::111::0:0000000:0000:00000i00 00001:i100000000000000000000000100 010001001:iOi000000000000000000!Ol !10il!i010010:000000i000!:00000!00 11001i10:0000i00000010000000000100 01000i10i110i001000000000100000:00 110011001:101000000010000000000101 :101:110::ll1000000010000000000100 0000ii1 0:l10110000000010i100000i00 10iOii001110i000000000000000000iOi 0000ii::il!Oi000000000000100000101 l10011000illl10i000010:001:0000000 0000ii::i0000000000000000000000i00 0:0011::i:101000100000000:000001:0 0100010011101000000000000100000iOi 000ill::l11010010000:000010000010i 000011101i1010000000:000110000010i liil1lllll101100000000000:00000101 0000110000010000000000000000000100

-61-

161‐ 200

付銀

201‐ 208

0000110:10000000000000000000000101 1000110011:1:10100000000!::0000000 01101lll:0000000000000000000000:00 1:lll11011111100000010000000000100 1110i:1100000000000010000000000101 1000101101:1:101000000000100000:00 0101:1:1:l1011001000:0100:0000010: 1:1111000000000000000000010000100:

‐

62‐

付釦

付録 B

NE丁 l and NE丁2

‐ 63‐

｀

Neural network Learning Model NE丁 1 version l.0

Auto-associator Learning Program (Hopfield model with simulated annealing) revised:

31/Dec/90

author:

Masato Yokozawa (Waseda University)

NETl is an experimental system, which lunctions as a NEURAL NETWORK learning system. The program MUST be given a training sets by a file named 'dataset.dat'.the system will create a neural network, as we say wephts matrix, the default name of is output is'welghts.dat'. The system is not very smart like you, so you have to accept long time lortraining process normally few hours.

File formats of input and output file are as lollows;

:nput f‖

1 l 1 1 1

e=dataset.dat

l ■O 3 100 0

init_weight nunits nsamp■ es nCycles temperature

00000011 1 1■ 0010 1 00011■ 001 1 001010■

Explanation: stail from 0s weighls matrix number of units number of samples number of training cycle temperatul€ 1st data 2nd data 3rd dala

￨

0utputf‖ e=weights.dat

■0 WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW WWWWWWWWWW tttttttttt

size ol weight matrix

weights

thresholds …

64-

付蜘

付釦

★ NET■ ★

/★ /★ /★

ノ★ /★ /★ /★

(Verslon l。 02) The Auto― assoc■ ator Learning Program Author: MasatO Yokozawa (WaSeda unttversity You MUST include ANSI-88■ ′ and use 88■ code option created 31/Dec/90 revised 30/」 an/9■

#include #include #include #inc■ ude +include ♯include #include

くmath.h> くstdlo.h> くstddef.h> くstdlib.h> くctype.h> くerrno.h> くfloat.h>

#define

tt NUNITS

35

#define tt NSAMPLES 2■ +define D(x) {if (debug) {x〕 } int debug= 0′

0

char F工 LE NAME EXAWLE[1=。 'datasetedat"′ char F工 LE_NAM喝_口EIGHTS[]="We■ ghts.dat・・′ int initttweights′ nunits′ nsamp■ es′ ncycles,

float

temperature′

int example[″ 解EK NSA‐ LES][MAX NUN工 TS]′ long weights口 嘔AX NUN工 TS][MAX NUN工 TS]′

long thresholds[MAX NUNITS]′ ■234567890′ modu■ us = 2■ 47483399′ ■ong seed=

void■ oaq=examp■ e(char★ )′ flle out(char★

)′ learn(VOid)′ void scramb■ e(int★ ′int)′ p array(lnt★ ′int)′ int ★permute numbers(int)′ double uni(■ nt)′ int probabi■ ity(f10at′ float)′ long randl(VOid)′ void inttt mat(void)′ mOnltor(vottd)′

■lain() {

10ad eXamp■ e(FttLE NAME_FXAMPLE)′ monitor()′ inttt mat()′

learn()′

file out(F工 LE NRME WE工 GHTS)′ retll,n O′ }

vottd

init mat(void) {

土nt 土′J′

fOr(1=0, 土― X NUN=TSF i++) { fOr(j=0′ Jく MAX NUNttTS′

」++) ‐

65‐

★/ ★/ ★/ ★/ ★/

★/ ★/

付釦

welghtstil tjl = 0; thresholdslil = 0; )

l vold I oad_exampl e ( f

i 1 e_name

char *file_namei {

lnt i,

)

J;

FILE *fp;

char lable[20];

printf("loading_example . ts\n\n"' file_name); fp = fopen (file_name, "r") ; fscanf (fpr "td ts\n", cinit_weights, lable) ,' fscanf (fp, "td *s\n"r&nunits, lab1e) ; fscanf (fpr "td *s\n", cnsamples, Iable) ,' fscanf (fpr "*d *s\n', &ncycles, Iable) ; fscanf (fp, "*f *s\n", &temperature, lable) ; for (i:0;i(nsamplesrl++) { for 11=9' j<nunits; J++) fscanf (fp, "td",

&example

til

t

Jl ) ;

)

fclose (fp) ; )

void monitoro {

int J-, ); prlntf ( "init_welghts? td\n", printf("#units td\n', printf("#samples Ed\n", *d\n", printf("#cycles prlntf("temperature tf\n", for (i=0; i<nsamples; i++) t for

1

inlt_weights) nunits); nsanples); ncycles); temperature)

;

;

j<nunlts; j++) printf("td ",examP1etil tJl );

1=9,

) )

vold learn0 t J-nt c, I, J,xi int misses, delta,' int sample idx, unit_idx, total_net_lnput; int diff; int *permuted samples; int *permuted_units;

prlntf ("learning. . . \n\n"),'

permuted_samples = permute_numbers (nsamples ) ; permuted_units = permute_nunibers (nunits) ; for (c=0; c<ncycles,' c++) t print,f (" (cycle=td) ", c+1) ; scramble (permuted_samples, nsamples),' mLsses=0; -66‐

付釦

fOr(1=0′

iく nsamp■ es,1++)

{

samp■ 9_idx=pe..lluteo=samples[i]′

scramb■ e(permuteo=unitS′ nunits)′ fOr(j=0′ jく nunits′ j++) { unlt_idx=peェ lltuteo=り nits[j]′

total_net… ■nput=0′ fOr(X=0′ Xく nunits′ x+十

)

total net=■ nput=examp■e[samp19_ldX][X]★ Weights[unit_idX][Xl+tOtal net_■ nput ′

サ￨、 ′′

Ctx P｀

diff =thresho■ ds[sele=士 dxl― tOta■ _nel_■ nput′

D(printf(1ltOtal net=暑 d′ thresholds=お dヽ n''′ total net=■ nput′ thresholdsisamp19_■ dX])′ ) D(printf("temperature=亀 fヽ n"′ temperature)′ de■ ta = examp■ e[sample ■dx][unil_■ dX〕 ― probabi■ ity((dOub■ e)diff′ temperature)′

)

fOr(X=0′ Xく nunits′ x++) 〔 if(X !〓 unit idx) {

if(eXample[samp■ e ■dx][x〕 ==■ ) { weights[unlt=■ dx][x]=Weights[uniり dX][X]+de■ ta′ weights[x][unit_■ dX]=Weights[unitニ ユdX][X]′ } }

}

thresho■ ds[unit idX]= thresho■ ds[unit_idX]― de■ ta′ 土f(delta!=0) m■ sses+=■ ′ }

}

printf(11′ 亀d missesヽ n・・′misses)′ } }

void file_Out(fi■e name) char ★fi■ e name′ {

FILE ★fp′ int 土′j′ printf(1'fttleout.... 七s・・′ file name)′ fp=fopen(fi19_name′ ・'w")′ fprttntf(fp′ "お dヽ n・・′nunits)′ fOr(i〓 0′ iく nunits′ 土++) { fOr(j=0′ jく nunitsF j十 +) ・七4d''′ welghts[土 ][j])′ fprttntf(fp′ ・ ・、n・・)′ fprintf(fp′ ・ }

fOr(1=OF iく nunits′ i++) fprintf(fp′ 'lt4d・・′thresho■ ds[il)′ )

int probability(d′ t) -67‐

付鋤

float d′ t, {

f■ oat

val′

D(prttntf("d旺 ff=tf′ tettp=亀 fヽ n"′ d′ t)F)

0/(1.0+exp(d/t))′ D(printf("eXp=七 fヽ n'1′ exp(d/t))′ if(Va■ >uni(■ .0)) {

va■ =1。

)

retum l, }

retl・ rn O′

e■ se }

long randl()

bttt integer ―“Ref. CACM′ Cet unttfoコ m 3■ ―

/★ {

register

■ong k′

k = seed/52774′

seed= 40692★ (seed― k★ 52774)― k★ 379■ , lf (Seedく 0) seed+=modulus′ return(seed)′ }

doub■ e

uni(7)

土nt z′ {

retllrn((double)z★ randl()/mOdu■ us)′

}

permute nuttersln)

⑩

int n′ {

int i′ J′ npat′

。ld′

土nt ttused=

used= (int for(土 =0′

iく n′

★)Ca■ ■OC(n′

土++)

{

SlZeof(int))F

uSedli]=i′ }

for(土 =0,1くn′ 土++) {

npat = uni(1)★

old=used[土 ]′

(n― ■)+i′

uSed[1]=usedinpat]′ uSedinpat]=。 ld′ }

retuFn uSed′ }

void scramb■ e(numbers′ n) 土nt ★nmbersF int n′ {

土nt i′

int on[MⅨ NSAPLES]′ ‐

68‐

June ■988′ pg. 742 ■/

付釦

fOr(i〓 0′

iく n′ 土++)

on[土 ]=numbersinumbers[11]′ iく n′ i++) numbers[i]=On[i]′

fOr(1=0′ }

VOid P array(a′ n) 土nt ★a′ 土nt n′ {

土nt 土′

for(土 =0′ 土くn′

i++)

printf(・・七d ・ ・′ a[± 1)′ printf(・・ヽn・・)′ }

‐

69-

付釦

Neural Network Model NE丁2 version 1.02 Auto-associator asyncronous matching Program (Hopfield model with simulated annealing) revised: author:

31ノ Decノ 90

Masato Yokozawa(WaSeda universly)

ET2 is an expedmental system, which functions as a NEURAL NETWORK asyncronous matching system. The program MUST be given a weight matrix by a file named 'welghts.dat'. Clamped units can be given by afile, called'clamped.dat'. The system will create an output file contains matching process, the default name of is output is 'SlmStates'.

N

File formats of input and output file are as follows;

:nput file=weights.dat

1 10

1WWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW IWWWWWWWWWW ltttttttttt

Explanation:

size of weQht matrix weights

thresholds

input file=clamped.dat

| 23 I 60 | 0.7 | +0.1

nfeedback temperature

cool_rate

effector

l0l-00000000

Explanation:

update times. initial temperature cool rate seasoning the position of I is clamped

‐ 70‐

付釦 ★ ／

*

★ ／

NET2

*

★ ／

asyncronous updates and clanped inputs Author: Masato Yokozawa (Waseda University) created:31/Dec/90 revised:3I/Dec/90

★ ／ ★ ／

#inc■ ude くmath.h>

ude くstd吐 o.h> #define MAX NUNITS #define TRUE ■ #define FALSE O #土 nc■

■00

int x′

char FILEttNAMtt WEIGHTS[]=・・Weights.dat"′ char F工 LEttNAMtt CLAMPED[]=・・Clamped.dat"′ char F工 LE MME SIM[]=・ ISimStates・・′ int nunits′ nfeedback′ cyc■ e′ long seed= ■234567890′ modu■ us = 2■ 47483399′ int weights[MAX NUNITS][MA挙 二NUNITS]′ lnt thresho■ ds[MAX NUNITS]′ int c■ amped[MAX NUNITS〕 ′ int ans[MAX NUN工 TS]′ f■ oat inputs[MAX NUNITS]′ float outputs[MAX NUNITS]′ f■ oat Gof[MAX NUNITS]′ float temperatllre′ coo■ rate′ effector′

void ■oad weights()′ load Clampeo=units()′ loaq=clampeO三 units()′ vOid premute numbers(int★ )′ SCramble(int★ )′ match()′ print ans()′ int c■ ampeo二p(int) ′ ■ong

rand■

()′

doub■ e uni(int)′

main(){ ■OaO=weightS()′ ■oad clampetunitS()′ match()F prinl_ans()′ return O′ }

vottd

10aO=weightS() { 土nt i′ j′ F工 LE ★fp′ printf("loading_weights ......ヽ nヽ n")′ ・r・・)′ fp = fopen(FILE興 二wEIGHTS′ ・

・亀dヽ n''′ Gnunits)′ fscanf(fp′・ fOr(i=0′ iく nunitsFi++) { fOr(j=0′ jく nuntttsF j++) { ・七d"′ 長weights[i][j])′ fscanf(fp′・ }

} ‐

71-

*/ */ */ */ */

付 RIB

fOr(■ =0′ iく nunits′ 土++)

fscanf(fp′ fclose(fp)′

"亀 d・・′

こthresholds[± 1)′

}

void ■oad clampetunitS O { int i′

char F工 LE

j′ u′

■abe■ [20]′ ★fp′

j=0′

fOr(1=0′ 土くnuntttsF i++)

outputs[土

]=0。

O′

nヽ n・・)′ fp = fopen(F工 Ll_NAM喝_oLAMPED′ "r“ )′ fscanf(fp′ "七 d tSヽ n"′ こnfeedback′ ■abe■ )′ fscanf(fp′ "審 f tSヽ n“ ′こtemperature′ ■abe■ )′ fscanf(fP′ "亀 f tSヽ n"′ ●cool_rate′ ■abe■ )′ ・七f tsヽ nl'′ こeffector′ label)′ fscanf(fp′・ fOr(1=0′ 土くnunits′ i++) { fscanf(fP′ “七d"′ Gu)F

printf(0'■ OadLng c■ ampeq=units ......｀

if(u){

clamped[j]=i′ outputs[土 ]=1。

0′

}

}

fclose(fp)′ }

int cla,peo=P(index) int index′ {

土nt i′

fOr(1=0′

i++) {

iく nunits′

if(C■ amped[i]==index)

return TRUE′ }

return FALSE′ }

long rand■ () /★ Cet unifOェ

bit integer

. 3■ ―

“

―― Refo CACM′

{

register long k′ k = seed/52774′

seed= 40692★ (seed― k★ 52774)― k★ 3791′ 土f (seedく 0) seed+=modu■ us′ ニ(seed)′ retuニ ュ }

double uni(Z) int z′ {

retl,rn((dOub■ e) z★ rand■ ()/mOdulus)′ ¨ 72‐

June

■988′

pg. 742

★/

付釦

}

vottd

prelnute_numbers(used) int ★used′ {

int i′

」′ npat′ 01d′

++) fOr(■ 〓OFiく nunttts′ 土

{

used[土 ]=土 ′ }

iく nunits′ i++) { npat = uni(■ )★ (nunitS-1)+土 ′

fOr(1=0′ o■

d=used[1]′

uSed[il=used[npat]′ uSedlnpat]=01d′ 〕 }

vold scramb■ e(numbers) int ★numbers′ {

int i′

int on[MAx NUNITS]′ for(土 =0′ 土くnunttts′ 1++) On[il=numbers[numbers[土 ]]′ fOr(1=0′ 1く nunttts′ 1++) numbers[il=On[il′ }

void match(){ 土nt

peェ ュ lluteo=array[MA、 二NUNITS]′ j′ async′ changes′ total nel_input′ f■ oat val′ int i′

doub■ e d旺 ff′

FILE ★fp′

printf("matCh.......・ ・｀n、 n・ )′ fp=fopen(FttLl_NRM喝 _SIM′ ・ ・W")′ cycle=0′

premute numbers(permuted array)′

do{

cycle++′ printf(・ 。(Cycle〓 亀d temperature=七 4f)ヽ n・・′cycle′ temperature)′ scramb■ e(permuted array)′

/★ /★

/★

changes=0′ fOr(1=0,1く nunlts′ i++) { inputs[土 ]=outputs[土 ]′ monitor ttnputs ★/ prttntf(1'inputs=")′ fOr(X=0,Xく nunits′ x++)

end

★/

prttntf("■ ■.3f "′ inputsIXl)′ prttntf("ヽ n・・)′ ★/ ■f(inputs[il>0.5)

printf(・

{

(#暑 d/34′

亀■.3f)"′ 土+■ ′ inputs[土 ])′

¨ 73‐

付釦

changes+十 ′ }

}

printf("changes=亀

dヽ n・・′ changes)′ fOr(■ =0′ iく nunits′ i++) {

async = permuted array[土 ]′ 土f(!clamped P(asynC)) {

total_netinput=OF くnuntttsF」 ++) fOr(J=0′ 」

total net input=(int)

(inputS[j]★ Weights[aSync][」 ])+tOtal nel_土 nput′ diff=thresho■ ds[asynC]― tOtal_net=■ nput′

ff/temperaturo)′

準lTal赴証_:lTは ≧ e■ se

va■ 、ヽ outputs[asyttё 「 =ヽ

、/1

｀

=｀

i

′

outputs[async]=0.0′ } }

/★

monitor Outputs

★/

・)′ printf(1・ Outputs〓・

/★

fOr(X=0′ Xくnunits′ x++) printf(・・七1.3f "′ outputs[x])′

printf(00ヽ n")′ ★/ /★

end★ /

report to filename ・。 Simstates" ナ/ for(土 =0′ iく nunitsFi++) { anS[i]=(int) (Outputs[1]★ 9。 0)′ /★

fprintf(fp′ "七 d'1′ ans[土 ])′ }

fprintf(fp′ ・ ・ヽn・・)′ /★

report TsS

★/

Gof[cyC■ e]=0.0′ fOr(i=OFiくnunits′ i++) { fOr(j=0′ jく nunits′ j++) Gof icyCle]=COf[CyCle]+(WeightS[i][」 ans[i])′ ]★ ans[i]★anS[jl)+(inputS[il★ 〕 printf(・ OGoodness=tfヽ n・・′Gof[cyClel)′ temperature〓 temperature★ (COOl rate+effector)′ }While(cyc■ eくnfeedback)′ fclose(fp)′ }

void prttnt ans() { int i′ prttntf(“ anS=・・)′

fOr(1=0′ 土くnunits′ 1++){ printf(“ 七d“ ′ans〔 il)′ }

printf("ヽ n")′ }

-74-

付録C

付録 C

CLSl

‐ 75‐

付録C

/★

工nduction■ (id.h) ■earning system

/★

CLS(ConCept Learning system)/1DS type Author: masato Yokozawa created: ■3/Jan/91

/★

rev■ sed: 24/Jan/9■

/★ /★

★/

#include くstdLo.h> +include くstddef.h> #include くstdlib.h> #include <str■ ngoh> #include くctype.h> #include くerrno.h> extern int debug′ #define D(x) {土 f (debug) {x}}

#define #define #define #define #define #define

N FEATURES MAx SAMPLE MAX CRITERIA NAME LENGTH FILE NAME OuT PUT

20 40 20 40 ・'dataset.dat" ・ ・tree.out'・

★土ntp′

typedef struct setof_int typedef struct setof_tring typedef struct tree node typedef struct trainingttsets struct setof int { ■nt s■ ze′ ★val′ int

★stringp′ ★treep′ ★samplep′

/★ number of conta■ ns ★/ /★ set of ttnt

★/

/★ number of contains /★ set of string

★/ ★/

}′

struct setoE」 t r t t n g { int char

size′

★★va■ ′

}′

struct tree node { int feature idx′ /★ featllre index ★/ ★/ intp instance′ instance /★ names of criterlons ★/ stringp criterion′ /★ node′ array of po■ nters pO■ nt to sub treep★ /★ nodes ★/ }′

struct training_sets { int

char

nth′ ★★val′

samplep }′

/★

globa■ varttables

extern ■nt extern ■nt extern samplep extern char

extern strttngp

next′ ★/

nsamples′ nfeatures′ root′ ★★name of featuresF c■ ass′ ‐ 76‐

★/ ★/ ★/ ★/

付録 C

/* fuctions */ /* from input.c */ lnt read_data(char *);

samplep input_val (FILE*, samplep, int); void monitor(sanplep) ; getword(FllE*, char*, int),' int

char* strdup(char*);

*/ /* frqn id.c lnt sizeof_class (lntp) strlngp dlsplay_class(tntp); treep add_tree (int, intp, treep) ,' set_criterion(int, intp); stringp intp* divide_instance (int, intp, stringp); */ /* from intp.c intp init_int_zero (int) intp tnit_int_lncr (int) void display_int(FILE*, intp) ; /* from stringp.c */ init_string(int, int); strlngp void display_string(FILE*, stringp),' /* from treep.c */ l-nit_tree (int idx, intp ins); treep void display_tree(FILE *,treep) ; void file_out_tree(char *filename, treep l); void append_indent (FILE *f, int n); ,'

,' ,'

Inductlonl (td.c) /* */ /* CLS(Concept Learning Systen)/roS type learning System */ /* Author: masato Yokozawa /* created: L3/.Ian/9L /* revised: 22/.fan/9L

*/ */ */

#include "1d.h" /★ /★

class: predicate whether instances are the same c■ ass returns the number of c■ asses ttn the ■nstances

s■ zeof

★/

★/

int sizeof c■ ass(lns) intp ins′ {

int char

土′j′ same′ n91s′ tab■ e[MAx sAMPLE][NAME LENGTH]′

same = OF ncls = 0′ fOr(i=0′ 土くins― >size′ i++) { /★ Check al■ instances ★/ /★ COmpare it with the tab■ e ★/ fOr(j=0′ j<nc■ s′ 」++) {

if(0 != ncls) { if(0 == Strcmp(claSS― -77-

>va■ [inS― >Val[ill′

table[jl))/★ 土f

付驚

itrs the same */ same

l l if(!same)

= 1i

{

strcpy (table [ncls] , class->val [ins->va1 ti] ncls++i

I);

) same

= 0i l return ncls; )

/* dlsplay class names with instance Lndex

*/

strlngp

display_c1ass (ins) intp ins,' t

int t, J, same, nclsi stringp table,' same : 0; ncls = sizeof_c1ass (ins) ; table malloc(sizeof(struct setor strtng) ); = (stringp) : table->val (char **) calloc(ncls, (slzeof(char *)));

table->slze = nclsi ncls = 0; for(i=O,' l<ins->size; i++) { /* check all Lnstances */ for(J=0; J<ncls; J++) { /* compare it with the table */ if (ncls != 0) t if (0 : stronp (class->vaI [lns->val [i] l, table->val IJ] ) )

/* if itrs

same

*/

same

= li

) )

if(!same)

t

table->val [ncls] = strdup(class-)val lins->vaf ti] ncls++;

) same

l

=

0,.

(Printf ('### ncls:td\n", ncls) (display_strlng (stdout, table) return table;

D D

,') ;)

)

/*

add_tree: add a node wlth criterion, below p treep add tree (i&<_ftr, lns, p) lnt ld:<_ftr; t

lntp insi p; treep tntp *ins index_wl-th_criterion; lnt t, cond;

‐ 78¨

*/

I);

付録C

(printf ("add_tree >> \n") ; ) (dlsplay_lnt (stdout, ins) ,') p = lnit_tree(idx_ftr, ins); D D

★/

/* criterions have to be inspected by the each recurslon */ /* (5) search size and names of crlterion from the lnstance */ according to the feature. /* (6) assigrn the size and names of criterion into the /* tree_node. /tt /* (7) if the feature's index at the deepest, which means */ */ instances have divided exhustively. then halt. /* (8) with otherwise, divide instances according the /* */ criterl-ons. create (ins index_with_criterion). /* (9) necessary memory allocation for sub being /* tree node(s) as an array pointed to the tree node. */ /*

★/ ★/

★/ ★/

p― >crttterion ★★★★★★★★★★★ /★

= set critertton(ldX ftr′ ins)′ ★★★★★★★★ THIS IS FUN (idl.0)● (idl.■ ) 長 (idl.2) if(■ =〓 SiZeof class(inS) ￨l idX ftr == nfeatllres― ■ ￨l ins― >SiZe く ■) {

/★

llttnation teエ ム

★/

D(printf(・

latttree<<、 nl・ )′

)

D(display_int(stdOut′ ins)′ return(p)F

)

)

*/ /* recursion ins lndex_wlth_criterion : divide_lnstance(idx_ftr, ins, p)criterlon),' if(p->criterion-)slze < 1) { /* error */ fprintf (stderr, "error! ! criterion_size - 0\n") ; exit (0) ,' else {

)

: (treep*) calloc(p->criterion-)size, sizeof (treep) for (i:0,' i<p->criterion-)size,' i++) { D (printf ("IMEX:*d\n", idx_ftr) ; )

p->node

P->node

[i] :

add-tree

(idx-ftr+l,

ins index_with_criterlon Ii], til ) ;

p->node

l )

return p;

/* set_criterion: returns size and names of crlterLon */

stringp set_criterlon ( lndex_feature, ins ) lnt lndex feature,'

lntp

t

ins,'

int i, J, found, ncriterion, n_ins, x; stringp criterion_narnes,' samplep data; char table 0,1N( CRITERIAI tNAl4E LENGTHI,' D

(printf ("set criterion: >>\n")

,')

-79-

);

★/

付録C

D“ usp■ ay=■ nt(stdOut′ ins)F)

)if table is NULL then get a name of va■ ue from the r00t and store it in the table (2)otherWiSe′ compare the the tab■ e contants and new name frOm the root. and store the new names (3)repeat (2)size Of the instances times (3)if name of criterion reach at the end of root′ then cOpy contattnts from the table to crttterion name

/★ (■ /★ /★ /★ /★ /★ /★

data

★/ ★/

★/

★/ ★/ ★/ ★/

〓 root′

ncriterion found already★ / n ins

= 0′ = 0′

it has been found in a temporary table

■ns― >size′

=

fOr(1=OF

/★

土くn

insF i++) {

fOr(X=0′ Xく ins― >val[il′ X++)

data = data― >next′

fOr(j=0′ jく ncriterion′ j++) { /★ 土f ncriter■ on is zERO then if(0 == Strcmp(tab■ e[」 ]′ data― >Va■ [indeX featurel))

skip ★/

found= 1′

}

if(!fOund) { strcpy(table[ncriterion]′

found= OF /★ monitor

data― >val[index feature])′

★/

D(fprintf(StdOut′ ・ ・found new criterion!! table[七 d]=tSヽ ndata… >Va■

[亀

d]=tSヽ n"′

>va■

[土

ndex featurel)′

ncriterion′ tab■ e[ncriterion]′

土ndex

feature′ data―

)

ncriterion十

+′

}

found= 0′ data 〓 root′ 〕

crttterion names = (stringp)ma■ ■oc(sizeOf(Struct setof_String))′ criterion names― >va■ = (char ★★)Ca■ ■OC(nCriterion′ sizeof(char ★))′ fOr(1=0, iく ncriterion′ ■++) { criterion names― >val[土 ]〓 strdup(table[土 ])′ }

crtttertton names― >sttze = ncriterionF /★

mon■ tor

★/

D(printf(・・Set criterion: くくヽn")′ ) D(d巳 splay_string(stdout′ Criterion nameS)′ return criterion names′

)

}

/★ /★

★/ divttde instance: d吐 v■ de instace according to criterion returns a set of setof_tring conta■ ns indexes with size of cr■ terlon ★/

intp★

dttvido_inStance(inde■ _feature′ ins′ c) 土nt index feature′ 土ntp ins′ c′ str■ ngp {

‐ 80-

付録C

int I, J, n, found, idx; intp* ins index_with_criterion,' samplep data,' D

D D

(printf ("divide_lnstance: )>\n") ; ) (display_tnt (stdout, ins) ,') (dtsplay_strJ-ng(stdout, c) ; )

memory allocatlon for a return value */ ins_lndex_wlth_crlterion : (tntp*) calloc (c-)sj_ze, sizeof (intp) for(1=0; i<c->size; i++) { ins index_with_criterlonltl = init_int_zero (ins->size) ; ins index_with_crlterlonlt]->sLze = 0; l

/*

);

/* (1) get a index from Lns, which contains the lnstance index /* l2l compare the each name in c and the name of the index /* (3) if the two of them are the same, set the lndex of c into ins index with criterionlindex of crlterionl lsizel /*

*/ */ */ */

/★ check a■ l fOr(1=0′ 土くins― >size′ 土++) { D(prttntf("ins… >size=亀 dヽ n'1′ 1)′ ) D(printf(・・ins― >val=亀 dヽ n"′ 土ns― >val[i〕 )′

★/

given instances

)

data = rootメ fOr(」 =0′ jく 土 ns― >va■ [土 ]′ j++) { data = data― >next′

★/

/★ Set tO instance index

}

if the name in c and the va■ ue name at the index of ttns then put the index into the right co■ ume of in,_■ nde t_ with cr■ terion. and ttncrement the size of the co■ ume. /★ found= 0′ /★ /★

★/ ★/

/

D(prttntf("C― >Sttze=を dヽ n'1′ c― >size)′ くC― >Sttze′ j++) { fOr(j=0′ 」 /★ Check all discovered crttterion if(0 == (StrCmp(c― >Va■ [」 ]′ data― >va■ [inde L_featurel))){ /★ )

same value name ★/

found=

>Va■ [index feature])′

■′

D(printf(・・eurika!! tsヽ n"′ c― >val[」 1)′ ) D(printf(1・ data― >val[七 d]=七 Sヽ nll′ index_feature′ data― )

}

土f(found) {

idx = ins index「 ith Critertton[」 ]― >SlZe′ (inS index with priterion[j]― >Val)[idx]= 土ns― >va■

―>SiZe++′ n= ins index wttthttCritertton[」 〕 }

found= 0′ } }

★/

/★

monitor

/★

for(■ =0′ iく C― >size′ 1++)

★/

disp■ ay_int(stdOut′

in,_indexttw■ th criterlon[± 1)′

return(ins index with crttterion)′

‐

81-

[土 ]′

★/

付 録C

/★

/★ /★ /★ /★

Inductionl (input.h) CLS(ConCept Learning system)/1DS type ■earning system Author: masato Yokozawa created: ■3/」an/9■ revised: ■9/Jan/9■

★/

★/

★/ ★/ ★/

・id.h・・ #inc■ ude ・

/★

★ ★/

read data and returns the number of samples

int read data(fl■ e) char ★fi■ e′ {

char

■abe■ [201′

char te,p_yal[20]′ char c′

int 土′]′ FILE ★fp′

x′

char *strdup(char *); int getword(FIlE*, char*, int); samplep input_val (FfLE*, samplep, int);

printf ("Ioading_data fp = fopen (filer "r")

. . . . . . \n\n") ;

,'

nsamples and nfeatures */ (fp, fscanf "*d ts\n", cnsamples, label) ,' fscanf (fp, "8d *s\n", &nfeatures, label) ;

/* read

*/ /* read class : (stringp) malloc(sizeof (struct setof_string) class for (i=0; i<nsamples,' 1++) t

);

getword(fp, temp_vaI, NAME_LENGTH) ; class->va] [i] = strdup (tenp-val] ;

)

class->size : nsamples; D (display_string (stdout, class) ; )

/* allocation for

name_of_features

*/

name_of_features = (char **) calloc(nfeatures, sizeof (char*)

/* read name_of_features */ for(i:0;icnfeatures; i++) t getword(fp, temp_vaI, name_of_features [i] :

f{IAI{E_LENGTH) ;

strdup (temp_val)

t

I

/* monitor */ /* for (1=0; i<nfeatures,'i++) I */

t strcpy (temp_val, name_of_features ti printf ("*s\n", tenp_val) ; -82-

I);

;

);

付驚

root = 土nputttva■ /★

(fp′

monitor(r00t)′ ★/

root′ nsamples)′

fc■ ose(fp)′ return(1)′ }

samp■ ep inputttva■ (fi■ e′ t_Oata′ ns)

.

F工 LE ★f■ ■e′

samplep t_data′ int ns′ {ヽ

char tmp_va■

[20]′

samp■ ep buf′ samp■ ep po■ nter′ int i′ J′ x′

if(nS == 0)retllrn NULL′ else { t data= (samp■ ep)Hn■ ■oc((unSigned)sttZeof(Struct training sets))′ t data―>nth = nsamp■ es ― ns′ /★ start frOm oth ★ノ ★ ★ t data,>va■ = (char )Cal■ OC(nfeatures′ sizeof(char★ ))′ くnfeatllres′ 」 ++) { fOr(J=0′ 」 getword(file′ tO_va■ ′ N閣煙LLENGTH)′ t data― >val[」 ]= strdup(temp_Val)′ D(printf("t_Oata― >Val[亀 dl =tSヽ t"′ J′ t_lata… >Val[」 ])′ ) D(prttntf(・ temp_val=亀 sヽ n"′ temp va■ )′ ) }

t_data― >next = inputttVa■ (flle′ t_data― >next′ ns-1)′ }

return t data′ }

void monltor(d) samplep d′ {

char tmp_val[20]′ int i′ j′ samp■ ep

t′

t=d′ for(土 =0′ iく nsa■p■ es′

i++) {

printf("(nth=七 d)"′ t― >nth)F ++) { fOr(J=0, Jく nfeatllres, 」 printf("val[七 d]=tSヽ t"′

j′ t― >Val[jl)′

}

printf("ヽ n")′

t =t―>next′ } }

ノ★ getword:

get next word or charactor fran input

int getwOrd(fp′ word′ ■lm)

F工 LE

★fp′

‐ 33‐

★ノ

付録C

char ★word′ int■ im′ {

fgetc(FILE char ★w = word′ int c′

★)′

while(isspaCe(c = fgetc(fp)))′

if(c !=EOF) ★w++ =c′ if(!iSa■ num(c)こ こ C != ・―I Gtt C != ' ') { ★w= 'ヽ O:′ return c′ }

fOr( F

――■im> 0′ w++) if(!iSa■ nlln(★ w=fgetc(fp))&長 ★W !〓 ungetc(★ w′ fp)′

'―

' &G ★w != '__3){

break′ }

★w=

'＼ 0'′ return word[0]′ }

char ★ strdup(s) char ★s′ {

char

★p′

p = (Char ★)ma■ ■OC(strlen(s)+■ )′ if(p !=NULL)

/★ +l for 'ヽ 0' ★/

strcpy(p′ s)′ return p′ }

/★

initializer of intp

★/

#include Wid.hll

intp lnttt ttnt zero(n) 土nt n′ {

intp

int

chtt■ d′ 土′

chttld= (■ ntp)ma■ ■OC(SlZeof(struCt SetoF_int))′ child― >sttze = n′ chttld― >va■ = (int★ )Cal10C(n′ SiZeof(int))′ fOr(1=0′ iく n′ 1++) ★(Child― >Va■ +i)= 0′ return child′ }

intp ‐ 84-

付難

in■ ￨二 int=inCr(n) 土nt n′ {

intp ch■ ■d′ int i′

chlld= (intp)mは 110C(SiZeof(struCt Setof二 土nt))′ chi■ d― >size =n′ ch± ld―ンva■ = (int★ )Cal10C(n′

fOr(1=0′ 土くn′ 土++) chi■ d― >va■

[il =

SiZeof(int))′

土′

return chi■ d′ }

void dttsp■ ay_int(f′ FIIE★ f′

intp

土)

土′

{

土nt 」′

if(1 !=NULL){

fprintf(f′ "(SttZe=七 d) {"′ ■―>SlZe)′ fOr(j=OF 」くiT>SiZe′ j++) ・七d′ "′ i― >val[j])′ fprintf(f′ ・ ・}ヽ n")′ fprttntf(f′ ・

} )

/★

工nduction■

(IInine c)

/★

CLS(ConCept Learning systern)/工 DS type learning system Author8 11nSato Yokoz‐ awa created: ■3/Jan/9■

/★

revttsed: 19/Jan/9■

/★ /★

"土 d.h" int debug = o′ int nsamples′ int nfeatl・ res′ +土 nclude

samp■ ep

char

FOOt, ★★name

stringp

of features′ c■ assF

EInin() {

ノ★ variab■ es

★/

■nt i′

intp treep

init_inStance_liSt′ decttsitttree′

fuctions ★ノ treep attree(lnt′ 土ntp′ treep)′ vold disp■ ay_tree(treep)′ /★

,35‐

ナ/ ★/

★/ ★/ ★ノ

付録C

*/ /* main routin read_data ( FILE_IIAI{E ) ; lnit_lnstance_l i st = init_int_incr ( nsample s ),' decLslon_tree = add_tree (0, lnit_lnstance list, file out tree(OUT PUT, decision tree);

strttngp.h

/★

decision_tree)

;

★/

#inc■ ude 'lid.h''

stringp inttt_strttng(cOl′

row)

int col′ int row′ {

stringp baby′ 土nt

i′

baby = (stringp)ca■ ■OC(col′ SiZeof(struCt SetoF_string))′ baby― >s■ ze = co■ ′ fOr(1=0′ 土くco■ ′ i++) baby― >val[i]= retl]rn(baby)′

(Char

★)ma■ loc(row

+ 1)′

}

void disp■ ay_string(f′ S) F工 LE★ f′

strttngp s′ {

土nt

i′

土f(s

!=NULL) { ・(SiZe=亀 d) {・・′S… >Size)′ fprintf(f′ ・ fOr(■ =0′ iく s― >sttze′ i++) fprintf(f′ "tS′ "′ s… >va■ [il)′ fprttntf(f′ "}ヽ n・ 1)′

} }

/★

Inductlonl (treep.c) CLS(ConCept Learning system)/工 DS type ■earning systern Author: masato Yokozawa created: ■3/Jan/9■

/★

revised: 21/」 an/9■

/★ /★ /★

#土 nc■

★/

★/

★/ ★/ ★/

ude "id.h"

treep init tree(■ dX′ ins) 土nt ttdx′ 土ntp ttns′

★/ /★ postion of feature index /★ a list of abs。 lute posttttton of train■ ng set

{

‐ 86‐

★/

付漿

treep baby′

baby = (treep)mal10C(SiZeof(struCt tree node)), ■f(baby ― NULL){ fprintf(stderr′ "Out of memoryヽ

n")′

eXit(0)′ }

e■ se

t baby― >featllre ttdx = idx′ baby― >instance = ins′ baby― >criterion tt NULL′ baby― >node =NULL′

} }

/★

diSplay_tree:

★/

dttsp■ ay a tree stFuCture

void dttsplay_tree(fP′ t)

FILE ★fp′ treep t′

{

int n′

土′

n = t― >feature idx′ D(appendL土 ndent(fp′ n)′ ) D(fprintf(fP′ "dLSp■ ay_tree >> ヽn")′ ) append indent(fP′ n)′ fprintf(fp′ "(七 d):亀 Sヽ n・・′n′ name_Of featllres[n])′ appe"」 ndent(fp′ n)′ dttsp■ ay二 土nt(fp′ t― >instance), append indent(fP′ n)′

disp■ ay strttng(fp′ t― >criterion)′

appeno=indent(fp′ n)′

disp■ ay strttng(fp′ (diSp■ ay c■ ass(t・ >土 nstance)))′ 土f((■

!= SttZeof class(t― >instance))こ

!=NULL))

こ (t― >CFiterion

{

printf("亀 dヽ n"′ sttzeof c■ ass(t― >instance))′ prttntf("亀へ n"′ t― >criterion !=― )′ printf("七 dヽ n"′ t―>node !3-)′ fOr(1=0′ iくt― >criterion― >size′ i++) display_tree(fp′ t― pnode[土 ])′ } }

void fl■ 9_Out_tree(fl■ enamer char ★fl■ enalne′

t)

treep t′ {

F工 LE

fp

★fp′

‐ fopen(f■ ■enane′ ・ ・w")′

dlsp■ ay_tree(fp′ t)′ fc■ ose(fp)′

‐ 87‐

!=NULL)G長

(t― >node

付録C

}

void appentindent(f′ n) F工 LE ★f′ 土nt n′ {

土nt 土′

fOr(1=OF

土くn′

1++)

・￨ヽ t'1)′ fprttntf(f′ ・ }

‐ 88‐

付録D

付録 D

FRAME

‐ 89‐

付 録D

Frame Based Expert System shell in LISP M. Yokozawa Design ComputingUnit

Departnent of Architecnral and Design Science The University of Sydney NSW 2006 Australia Abstract

In this paper, we argue Frame Based Expert System in LISP. and the differences from Prolog. The intention of expert shells is that system should attract applications from many different subject area. Expert Knowledge, however, consists of different

types and different structure. It is necessary to decide the suitable knowledge representation for these knowledges. Moreover to deal with these knowledge representations, the differences of Prolog and LISP are controversial for shell development. AndFrames which is arepresentation concept enable us to manipulate the common situations.

l:Expert Shell Basic inference procedures in Rule Based Expert Systems are universal. An inference engine for logically processing the knowledge input, and an enqulry system to access the compiled knowledge and apply it to real-world problems. On the other hand, in case of Frame-based system, it is difficult to divide into inference engine and knowledge base.

Because, a frame is a data-structure for representing a stereotyped situation, Information can be easily rerieved. through the representing general information, most-likoly cases.

1: Frame

Expert Shell

It is becoming clear that for Expet System designed to perform 'real' tasls those which involve any complexity, it is not possible to produce a Expert System based only upon rules. Consequently, Metaphors such as frames, object, rules, demons and semantic nets have been brought into Expart System, all of which may be used for modelling domain stnrctures and knowledge.

2: Knowledge Representation for Lisp 2.

I knowledge rcpresentation

Knowledge representation is where the knowledge is stored in ways that are most appropriated for problem solution in particular field. once the expeftrs knowledge has been elicited, it is necessary to decide upon some appropriate formalism for the representation of the findings. There are for example, many different types of knowledge ‐ 90-

'f.iSo such as knowledge of objects, actions, event, performance, and of knowledge itself.) and

thus a representation formalism appropriate for knowledge for knowledge about performance (ie. knowledge 'how to') Basically, there are 4 different ways of representing knowledge.

figure 1: Representation Formalism

Logic This is a formal method of representing logical propositions and the relations between them. For example, ALL x Mortal IF Man(x), Man(Socrates). Moreover the system can infer from these expressions that Socrates is mortal. It is convenient for many purpose to rcpresent logical propositions in this way. Other representation formalism, However, iue necessary for other tasks. The each representation formalisms have characteristic - First Order

advantages.

- Semantic Nenvorks

It is possible to represent abstract relations among objects in the system's knowledge domain. (Membership of a class or set). Semantic network have 'nodes' (to represent object, concepts, situations, etc) and 'arcs' (that link the nodes). arces indicate the direction in which a valid deduction can be made. The relative simplicity with which connect deductions can be made, once a semantic network has been generated-

-Frames

These may be regarded as prototypes that represent objects by certain standard properties and relations to other objects. A frame is essentially a semantic network in which object are represented by frames instead of by atomic symbols. A frame is a datastructure for representing a stereotyped situation. The top levels of a frame are fixed, and represent things that are always true about the supposed situation. Frames have been

developed to assist applications in such areas as computer vision and natural language understanding.

- Production rules

Production rules are well suited for representing procedural knowledge. These were originally proposed as models of human reasoning, configured with an antecedent (to represent some pattern) and a consequent (to specify an action to be taken when the data matches the pattern). Typically the antecedent contains several clauses linked by the

logical operators AND and OR, with the consequent containing verb phrases that specify the required action. In some cases the consequent can be a conclusion, a further inferred proposition to which a probability may be attached and which can be added to the -91-

付録D knowledge baseo Rule manipuladon,a highly fle対

ble realm,can involve∞ mmon sense

of features,smtegies for hellnstic reasoning,etc.

3: Comparison of languages. LISP and Prolog

As you know well, LISP and Prolog have been developed to facilitate the programming of AI applications. Their basic features are:

- LISP has been represented

as an effective language singularly well suited to

AI

implementations.

- Prolog, however, is also an expert system shell including a knowledge representation structurr and an inference engine.

3.1LISP Around 1960, John McCarthy at M.I.T. developed LISP as a practical list processing language with recursive-function capability for describing processes and problems. It should be noted that LISP programs and data both in the same form "list". Thus AI progrirms can manipulate other AI programs like Prolog. This allows progrirms to crcale or modify other programs, an important feature in intelligent applications. other notable aspects of LISP are (Barr and Feigenbaum, 1982,p17) figune3: - LISP is an interactive interpreted language and therefore relatively slow.

- Memory allocation is automatic.

- LISP expressions are very simple and regular. All expressions are made up of atoms and compositions of atoms.

- Control ins normally applicative-the flow of control being guided by the application of functions to arguments, in contrast to the sequential control structure of most programming languages.

- Dynamic Scoping of Variables-usually a non-local variable will have its value locally assigned by the function evaluating it, unless it was assigned a value by the function calling the evaluating function. (not Common lisp: lexical scope)

- For real-time operation, LISP requires a sophisticated garbage collection system to recycle memory cells no longer being used.

- LISP is a huge package and until the advent of the special personal LISP machines, the full capabilities of LISP could only be implemented on large computers.

-The uses of nest parentheses in LISP can be confusing, but the confusion can be reduced somewhat by indenting expressions according to ttreir level of nesting.

‐ 92-

ftffio 3.1.1 LISP as a tool of expert shell

Acturally, LISP itself has not functions for the oxpert shell. Both data and programs of Lisp however are simple lists.

3.2Prolog

holog is a logic-oriented language developed in 1973 at the Univenity of Maneille AI Laboratory by A. Colmerauer. Additional work on Prolog has been done at the University of Edinburgh.

Prolog is a theorsm-proving system. thus, programs in prolog consist of "anioms" in First-Orrder hredicate Iogic together wittr a goal (a theorem to be proved). The axioms are testricted to implications, the left- and right-hand sides of which are written in "flornclause" form.

figure2: Specific advantages claimed for Prolog over LISP. (Simons 1 985) - Prolog allow a program to be formulated in smaller units, the multiple nesting function definitions in LISP preventing oitsy comprehension;

of

- Prolog provides the programmer with generalized record structures and an elegant mechanism for manipulating tlrem; - Prolog program can be written wittrout ttre need for implementation-oriented concepts.

These are frequently necessary in LISP, but involve language extensions, again impairing

readability.

3.2.1 Prolog as a tool of a expert shell

Prolog is completely suitable for writing expeft systems as its contains its own first-order

logic inference engine. The fact ttrat it allows, by simple formalization, simultaneously to describe and solve problems.

References:

Barr,A. and Feigenbaum, E.A.(Eds.) The Handbook of Artificial Intelligence, Vol2, t982 Minsky, M. 'A Framework for Representing Knowledge' in Winston, P. H. (Ed) The Pchology of Computer Vision, 1975 Winston, P. H. Artificial Intelligence l9842ndedition.

Gondran, M. Introduction to Expert Systems 1983 Simons,G. L. Expeft Systems and Macros 1985.

Shirai,Y'Artificial Intelligence concepts,techniques and Applications'l984

-93-

付録D

Samples of working sessions ■に fonowing sessionお a example ofinfomation of Wilkinson Building。

And Wromatonredevng,placing,and removmg could be implemented in the sense of Frallne theoy.

masato%tanz-lisp =>(10ad'lisP/frame。

1)

[10ading ilisp/wilkinson。 1] t

=>Cfhelp)ド hOWS

***

all avnable functions.

Retrieving Info from Frames

(fget frame slot facet)....... (fget-v-d-v frame slot facet). (fget-n frame slot facet) (fget-z frame slot facet)

*** Placing Info from

Frames

(fput frame slot facet value)............. (frpl frame slot facet value)............. (fappend frame slot facet value)..........

***

Removing Info from Frames

(frm

frame)..... (frm frame slot)..... (frm frame slot facet)....... (frm frame slot facet value)

{'{'* Displaying Frames

(fp

frame).....

t => (&'room276) frame-roomn G--------a-kind-of--(value (room)) -94-

付

!‐

!‐

!―

‐ ―type… ……●aluC(OfflCe)) ……←alue鰤_balaChandran ―who― … ― …next‐ door― ― ←aluc tr00m273))

d roseman s tolbllrst))

lr∞ m) =>(わ ― …… …a‐ kind― of― … room‐ ¨ 輸 e― ― ←alueけ ilkinSOn)) 卜… colow― ― (“ fauh(whi“ ))

…neighbolBrs― ― (if― needed(who― iS‐ neighbourD) ¨― ――Cif― needed CalCulac― arean) area― ―

!… !‐

t

=>(fget― v‐ di∞ m276:who)

;Retriving lnfo

(m_balachandran d roseman s tolburso =>Kfget‐ v― di∞ m276 heighbours);Retriving lnfo by way ofif―

needed facet。

ll¨

(dヒ 関慶Ю

=>(fget― n iroom276:∞ lour) ;Retriving hfo by a― kind― of inheritance

(WhiC) =>(rget‐ n'rooln276 iarea)

;Remving lnfO by a― kind― of

and if―

needed

(25)

=>(わ ut i∞ m276'desks'value 5);PlaCing lnfo r00m276) ;shoW updated frame tree =>(●・ 伽me― room276-― ―なkind― o■ ‐ ←狙ue cr00m)) ― …type‐ 一一←aluC(OfflCe)) ………●alue Cm_balachandran d Юseman s_tolburso) who― … !¨ ¨ ― next― door‐ ― !― ― ●alue Kr00m273)) ―←alue o5)) …― ―‐ area― ‐ !… … desks‐ ――― ←aluC(5));added new slot,facet,and valuc !…

!…

=>伸pl'r∞ m276'dasks ivaluc 4);Replacing lnfo ←aluC(0) =>ffappend'room276:who ivaluc.m minsky);Append lnfo Cm_balachandranこ pseman s_tolbllrst m millsky)

=>Cfm ir00m276'who'value lm_minsky) ‐ 95-

;Removing m

m

付 etD

nil

'rcnrmn6)

;show updated franre tnee again => (& frame-room2? G----a-kind-of-- (valuc (room)) !

--type------(value (office))

!----who------(valuc (m-balachandran d-roseman s-tolbunt))

- -nextdoor-- (value (room27 3 )) ! ---desl$----- (value (5)) !

=> (exit) masato96

‐ 96‐

äť&#x2DC;é&#x152;˛D

Frane based knowledge representation system.

verslon:3.1 date: Sep/89

L2.

The following is a frame system wrltten by Patrick H. winston, It was inspired by M Balachandran and modlfied for Franz lisp

by Masato Yokozawa.

; (load rlisp/fp.I) ; (load rlisp/wilkin2.I) (defun

; frame dlsplay functions ; wilkinson bullding data

fget (frame slot facet)

(cadr (assoc facet (cdr (assoc slot (cdr (get frame 'frame)))))))

(defun fput (frame slot facet value) (fassoc value (fassoc facet (fassoc

slot (fgetframe

frame)

))))

(defun fgetframe (frame) (cond ((get frame rframe)) (t (putprop frame (list frame) 'frame)))) (defun fassoc (key a-lst) (cond ( (assoc key (cdr a-Ist)

))

(t (cadr (rplacd (last a-tst) ; If it has not (Iist (list key)))))))

key

frpl (frame slot facet value) (Iet ( (val (fget frame slot facet) ) ) (cond ( (nulI val) (fput frame slot facet value) ) (t (rplacd (assoc facet (cdr (assoc slot (cdr (get frame 'frame) (]lst (list value))) )) ))

(defun

(defun fappend (frame slot facet value) (Iet ( (val (fget frame slot facet) ) ) (cond ( (null val) (fput frame slot facet value) ) (t (rplacd (last (fget frame slot facet) ) (llst value) ) (fget frame slot facet ))))) (defun fget-v-d (frame slot) (cond ( (fget frame slot rvalue) ( (fget frame slot rdefautt) ) ) )

)

(defun fget-v-d-p (frame slot) (cond ( (fget frame slot rvalue) ( (fget frame slot rdefault) )

)

(t

(napcan I (tambda

(denon) (funcall (fget frame slot rif-needed) -97-

demon frame )))

)

slot)

)

)))

)

付録D

′ Remov■ ng

lnfoェ matlon foェ ill Frames

(defun IIn

(frame crest lst)

(let★ ((arg― ■ength

(length

■st))

Ot (Car lSt)) (faCet (Cadr ■St)) (Va■ ue (caddr ■st)) (frame-lst (get frame 'frame)) (S■ Ot-lSt (aSSOC slot (Cdr frame-lst))) (faCet-lSt (assoC facet (cdr S■ Ot-lst)))) (COnd ((nu■ ■ ■St) (remprOp frame 'frame)) ((= arg― length ■) (・ aux slot frame― ■st)) (S■

lll―

((= arg― ■ength 2) (ェ ill― aux facet s■ ot― ■st)) ll― aux va■ ue facet― ■ st)) ((= arg― ■ength 3) (ェ ュ

(t nil))))

aux (key ■ev■ (Cdr ■ev■ ) (cdr lSt)) (n ■ (+ ■ n))) ■ ■ St)ni■ ((nu■ (COnd ((equal key (caar ■St)) (COnd ((= n l) (rplaCd levl (cddr lev■ ))

(defun rm…

)

(dO ((■ St

)

(return t)) lst (cddr lst)) (return t)))

(t (rp■ acd

(t nil))))) (defun ask (frame s■ ot) ｀ (print (please supply a value for the ′s■ ot s■ ot in the ′frame frame)) (terpri) (■ et ((respOnse (read))) (COnd (respOnse (liSt response)) (t ni■ )))) ′ fget―

i returns a list of all frames that a given frame is liked to

by an

′a― kind― of

path. (defun fget-1 (frame slot) (fget― il (fget― classes frame) slot)) (defun fget― ■1 (frames s■ ot)

(COnd ((null frames)n± ■) ((fget (Car frames)s■ ot 'Va■ ue)) (t (fget-1■ (cdr frames)slot))))

′ giVe up ′ get something ′ Cllme tree

(defun fget― c■ asses (start) (reVerse (fget― classesi (liSt Start)nil))) ′ returns a ■ttst of all frames that a given frame tts l土 nked to by an ′ A=KIND-OF

path.

(defun fget― classesi (queue classes) (COnd ((nu■ ■ queue)c■ aSSes) (t (fget― classesi

(append (fget (Car queue) 'a― kind― of 'value) (Cdr queue)) -98‐

付録D

(COnd ((member (car queue)c■ aSSes) classes)

(t (COns (car queue)claSSes))))))) looks for va■ ues′ defaults′ and IF… NEEDED procedures. It dttfferent ′ in that it exhausts each frame in the A― KIND-OF chain before moving up (defun fget― z (frame slot) (fget― Z■ Slot (fget― C■ asses frame))) ′ It

(defun fget― zl (s10t Classes) (COnd ((null C■ asses)ni■ ((fget― V― d― p

(t (fget―

z■

)

(car Classes)s■ Ot)) s■ ot (Cdr c■ asses)))))

F N― inhertttance:

first follows A― KIND-OF relations ■ooking for values only′ finding ′ none′ it starts over at the beginning′ looking this time for defaults ′ as it moves through the A― KIND-OF re■ ations: and finally′ it both ′ other possibilities fall′ it lookS fOr IF― NEEDED procedures. ′ it

(defun fget― n (frame slot) (let ((ClasSes (fget― c■ asses frame))) (COnd ((fget― n■ slot c■ asses 'va■ ue)) ((fgetrn■ slot c■ asses 'defau■ t)) ((fget― n2 slot c■ asses '土 f― needed)) (t nil)))) (defun fget― nl (s■ Ot Classes key) (COnd ((nu■ ■ C■ asses)ni■ ) ((fget (Car C■ asses)s10t key)) (t (fget― n■ s■ ot (Cdr c■ asses)key)))) (defun fget― n2 (s■ ot Classes key) (COnd ((null C■ asses)n± 1) ((mapCan #'(■ ambda (e) (app■ y e ni■ ))

(fget (Car classes)slot key)))

(t (fget― n2 s■ ot (Cdr c■ asses)key)))) (defun he■ p

(prinC (terpri) (prinC (terpri) (prinC (terpri) (prinC (terpri) (prinC

o

'￨

――――――――――――――――――――――――――――――――――――――――――――――――――― ￨)

'￨

★★★ Retrieving

.￨

――――――――――――――――――――――――――――――――――――――――――――――――――― ￨)

lnfo from FrameS.....●

'￨ (fget frame slot facet)。 '￨ (fget―

v― d― p

●● returns ★★★ ￨)

......● ●●●● ・・・・

frame slot)。 .....・ ・・・・・・・・・

(terpr土 )

(prinC '￨ (fget― n frame s■ ot).....・ ・・・・・・・・・・・・・・ (terpri) -99‐

￨)

￨) ￨)

付 録D

(prinC .￨ (fget― z frame slot).。 (terpr土 )

(prinC '￨ (terpri) (prinC '￨ (terpri)

￨)

...・ ・・・・・・・・・・・・・・

―――――……―――――――――…………――――――――――――――――………………………………――― ￨) ★★★ P■ acing

lnfo in Frames.....・

・・・・・・・

returns

★★★ ￨)

(prttnc '￨ ――――――――――――――――――――――――――――――――――――――……――――――――――― ￨)

(terpri) ￨) (prttnc .￨ (fput frame s■ ot facet value)......・ ・・・ (terpri) ￨) (prinC '￨ (frep■ c frame slot facet new―value).... (terpri) ￨) (prinC '￨ (fappend faェ llle s■ ot facet value)....... (terpri) (prinC '￨ …………………―――――――――――――――――――――――……………―――――――――――――――― ￨) (terpri) (prinC '￨ ★★★ Removing lnfo foェ 11l Frames .....・ ・・・ returns ★★★ ￨) (terprl) (prinC .￨ ――――――――――――――――――――――――――――――――――――…………――――――――――― ￨) (terpri) (prinC '￨ (・ frame)。 .....・ ・・・・・・・・・ ●●●●● ・・・・・ ●● ￨)(terpri) ￨) (prttnc '￨ (ェ ュιframe slot)。 ......● ●●●● ・ ・・・・・ ●●●●● 1lι

(terpr■ )

(prttnc '￨ (rrn frame slot facet).......● ●●●● ・・・・・ (terprl) (prinC ・ ￨ (・ 11l frame slot facet value).......● ●●0 (terpr土 )

(prinC '￨ (terpri) (prinC '￨ (terpri)

￨) 1)

―――――――――――――――――――――――――――――――――――――――――――――……………… ￨) ★★★ Dlsplaying

FrameS.....●

★★★ ￨) ●●●● ・・・・・・・・・・・・・・・・

(prttnc '￨ ―――――――――――――――――――――――――――――――――――――……………………―――――― ￨)

(terpri) (prinC '￨ (fp frame)。 .......● ●●●● ・・・・・・・・・・・・・・・・ frame tree l) (terpri) )

(defun hyphen (n) (dO ((X O (add■ X))) ((=Xn))

(prinC

｀ ￨―

￨)))

(defun space (n) (dO ((X O (addl X))) ((=Xn))

(prinC

｀

￨ ￨)))

(defun fp (fname) (let ((flSt (p■ ist fname))(n■ (■ ength (eXp■ ode fname)))) (terpri) (print (Car f■ St)) (hyphen 2) (print (Caadr f■ st)) (dO ((a■ st (Cdadr f■ st) (Cdr alSt))(■ C l (add■ lc))) ((null a■ st)) -1∞

―

付 録D

(COnd ((= lC l) (hyphen 9) (print― S■ ot a■ st)) (t (Space (+ 7 nl)) (space 4) ｀ (print !) (hyphen 4) (print― S10t

alst))))))

(defun print-3■ ot (alst)

((Sn (Caar alst)) (nl (length (exp■ Ode sn)))) (print Sn)

(let★

(hyphen (― ■4 n■ ))

(print (Cdar alst))

′ values

(terpri))) ′ Fralne

structure for representing a wi■ kinson buildLng.

′

wilkinson <― ――AKO― ―― room<― ――IS―A― ―― room28■

'room273 rframe) '(room2?3 (a-kind-of (value (room)

(setf (get

)

)

(type (value (prlvate_office) ) ) (who (value (d_cornell liang_chen) ) ) (next-door (value (roqr272 room281) ) ) ) )

(setf (get'

room276' frame) | (room276 (a-kind-of (vaIue (room) ) ) (type (value (prJ-vate_office) ) ) (who (value (m_balachandran m_roseman s_tolburst)

(next-door (value (room273

room28l-) ) ) )

'room28L rframe) (a-klnd-of (value (room) (room281 '

)

)

)

(sett (get

))

(type (value (private_office) ) ) (who (value (hyunsoo_lee dongzhi_sun lena3a ki_byung3oon) ) ) (next-door (va1ue (room276 room283) ) ) (neighbour (if-needed (who-is-neighbour)

))

(area (ast<1111

(setf (get 'roonr rframe) ' (room (a-kind-of (value (wilkinson) ) ) (colour (default (white) ) )

(area (if-needed (calculate-area) ) ) (neighbour (lf-needed (who-is-neighbour)

)))

)

(defun calculate-area (frame slot) (tlmes (length (fget-v-d frame rwho)) 7.5)) (defun who-ls-neighbour (frame slot) (mapcan I (Iambda (frame) (fget-v-d frame rwho) (fget-v-d frame 'next-door) ) ) -101-

)

kwok_wai_tham

付録D

t

fP.I

i

(defun hyphen (n) (d。 ((X O (addl X))) ((=Xn))

(prinC

｀ ￨―

￨)))

(defun space (n)

(dO ((XO (addl X)))

((=Xn))

(prttnc

｀

￨ ￨)))

(defun fp (fnalne) (let ((f■ St (p■ ist fname))(n■ (terpri) (prttnt (car f■ St)) (hyphen 2) (print (Caadr f■ st)) (d。

((a■ st

(■ ength

(eXP10de fname))))

(cdadr flst) (Cdr a■ St))(lC l (ad月 1 lc)))

((null a■ st))

(COnd ((= ■C l) (hyphen 9) (print― S■ ot alst)) (t (Space (+ 7 n■ )) (space 4) ｀ (print !) (hyphen 4) (print― S10t

alst))))))

(defun print― slot (a■ st) (■ ength (exp■ Ode sn)))) (■ et★ ((Sn (Caar alst)) (n■ (prttnt sn) (hyphen (― ■4 n■ )) (print (Cadar a■ st)) ′ values (terpri)))

wlLklnson.l ′ Frame

structllre for representttng a wilkttnson bu■

■dLng。

wilkttnsonく ―――AKO― ―― roomく ―――■S― A― ―― room281

(Setf (get .r00M73 .frame) 。 (roQm273 (ls― a (Va■ue (roan))) (type (Va■ ue (priVatq office})) (WhO(Va■ ue(CLcornell■ iaql chen))) (neXt― doOr (value (room272 rooM81))))) (Setf (get er00m276 'frame) 。 (room276 (ls― a (Va■ue (roan))) (type (Va■ ue (priVatt offiCe))) achandran m FOSeman s tolburst))) (WhO (Va■ ue (■ =pa■ Om273 room28■ d00r (value (■ ))))) (neXt― ‐

102‐

付 録D

(Setf (get 'rOOm281 1frame) '(room28■ (■ s― a (Value (roOm))) (type (Value (prttVate_Office))) (WhO

(Va■ ue (hyunSOo_lee dongzhi_sun

■enO_ya

kl_byungttyoon)))

kWOヽ

二wal_tham

(neXt― d00r (value (room276 room283))) (area (ask))))

(Setf (get 'rOOm 'frame) '(rOOm (a― kind― of (value (wilkinson))) (type (defau■ t (leCture room))) (neXt― dOOr (default (nll))) (neighbOur (lf― needed (who― iS― neighbour))))) (defun who― is― neighbour (frame s■ ot) (d。 ((next― door-lst (fget― v― d frame 'next― door) (cdr next― door― lSt)) (WhO ())) ((nu■ ■ next― door-lst)WhO) (append (fget (Car next― door-lst) 'WhO 'value)who))) ′ decmnstration.

¨ 103‐