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デルと概念クラスタリング by hitoshi watanabe

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

(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‐

発想の道具

1‐

設計の定式化

1,3 学習システムとは何か

経験的学習システム

1‐

分類器モデル

1・

要約

2章神経回路モデルによるパターンの想起 2‐

ホップフィールド型神経回路モデル

6 6

2‐ 1‐

記憶方法

2‐ 1‐

2学習ルール

2‐ 1‐

3概念設計モデル

2‐ 1‐

4焼きなまし法

(Mrlと NE2)

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‐

2‐2・

2 Contm‐AddrealcMmoryによる

正面玄関の学習

設計案の生成織

13 13

2‐

ケース・スタデイ :オフイスワーカーの

2‐3‐

2‐

2-3‐

2‐

行為パターンの獲得

オフイス・ワーカーの行為

データ解析器としての神経回路モデル

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‐

決定木による単一概念学習

3‐

単一概念の学習問題

3‐

決定木の生成

3‐ 3‐

決定木による知識表現

3‐2‐

2 CLSの学習アルゴリズム

3‐ 3‐

3決定木の政良

ケース・スタデイ :正面玄関の概念獲得

要約

あとがき

3‐

4章

参考文献

付難

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

Ⅲ rlと NE12のソース・フアイル

CLSlのソース・フアイル英字論文

("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■

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

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‐

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‐

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

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

′

ア

′

ア

′

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

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

‐

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。６７

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

２Ｏｔｅｎ

◇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

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

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…

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

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

■ ■ 口。口ロ． ¨ ．一Ｈ ¨ ¨ Ш い．Ｈ一．．一 ¨ ． ¨ 一一 ¨ Ш ” ” ︼ｏロ・・・・口・・。・．・・

● ■

ot hlegsar moTa lhan 2

・ロ

￨11000

一

・口 ■

o!l

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・。〓３Ｅ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ＩＩＩＩ ■ ■電 ■ ＝ＩＩｃ〓ｔｏ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． ¨ ﹂︼２８一 ¨３Ｎ・・・︼，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・ＥＥ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)

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・・・・ｏｏＯ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︰１２・口 ■ ■ ■ ● ■ ● ■ ● ● ・・・・・・・・・００ ● ■ ■ ●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ＢＥ目ｏＦ．●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 ● ● ■ ● ・・・・ ● ・・・ ● ● ８Ｅ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 ● ●２３一１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・・・・・・・ ● ● ● ● ● ・・ ●３ｏ ■ ・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︵ＦＯ● 〓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

● ・・・・・・ ● ● ● ０００・・・・・・・・ ● ● ・ ● ● ■ ● ● ● ・ ● ● ・ ● ・・・ ●●●●一〇０●●３一・ ■ ■ ● ● ● ● ● ・

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

●一 ●●Ｒ

や〓言︰一︰一３５。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 ● ■ ● ● ■ ● ● ・・・・・・・ ● ＯＣ● ＥＥ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ｏ３３８．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 ●

● ● ● ● ● ● ● ５ｃ８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

ＪＩ

ＪＩ ●

︱

“ ︱

“

● ● ● ● ● ● ● ● ● ● ・ ● ・・・ ● ● ● ● ● 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８６〓ζ ３３︰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５８︰ 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０１・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． ● ● ● ● ● ● ● ● ■ ・・・・・

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

●８８９８ｏ． ■ ● ● ● ■ ● ．． ● ● ● ● ・ ● ● ． ● ● ● ロロロロロロロロロロロロ・・・・口・・ ● ・・・・・・・・

口 ● Ｑ二晏う ¨ ■ ５２● 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

︲

︲︰

・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．．．．・・・・・・・・２３３〓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０８８

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

ロロロロ・ロロロロロロロロロロロロロロロ３● 〓“ ８５１３● ．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・・ｏｏロロロロロロロロロロロロＢ ■ 一ｌ９．．．．． ¨ １１一ヨ． ● ■ ■ ■ ● ● ● ■ ・・・・・・・・ ● ● ● ● ■ 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

１１

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１７

国 Ч・０ ”７呻¶ へヾШ斗や兼滉べせ０キーョー〓

Ｃ２一ヨ ●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

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・ｑｌ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．ＥＥＥＥＥＥＥＥＥＥＥＥ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

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４４書書” ︼↓ ↓ユ・弊鉾ゝ︱，，・・・・ λｌｌ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︱ｌｂ購ＦＩ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 ● ● ● ● ● ● ● ● ● ・・・・・・・・・・・・・０００ ● ● ００ｏ・・・・・・・ ● ● ● ・・ ■ ● ・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︱︼ｒＰ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

・

■

□

■

●

・

●

・

，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，・・・・００ □ ● ・・・・・・・・・・・・・・・ ● ● ● 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︰︰ｒＰ︰︰︰︰ｒＰ︰・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。ｏｏ。・・・・・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ＮＥ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。ｏＮＩ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ｔｕ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 ● ●

.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¨

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‐

概念クラスタリングによるルールの導出

決定木の生成

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

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,…

２３

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

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¨

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 “ .

0。

0.8 0,7

0.6

El, > z,

pj O。 5

Elzza

0。

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。

d肝 ol=swing

c!oser hinge matedal

shape redang!e

out

yes

91ass_limber

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

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

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)

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ＯＣ ● 一“¨● ●﹄”

: :

こち

●０ ● ” ﹁● ョｅ

ヨヒ●

□□・・・・・・□□・・・□□□・・□・・・□・ 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 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

ヨ８

ミ０，コミ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

８８〓目８ ■ ︲

﹄ξ Ｌ鼻

８ ”を試

５

●ｏｒち，０〓一，

ユ” ”

５

８〓

日

８１百一

，Ｌ５ＩＦりｏＦ，〓３一旨

８

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

三

５

〓 ●ｏＦＬ壼５■一

日

ョ ●０” Ｌ３５﹁” ︲８ｌ ζ ■

ヨ

８雪

８１百 ■

日

８二百一

５

３１ヨ科

０“”

８１ご一

日

陰ＯＩＬ８ ″ 二８８圧〓Ｌ８ ″ ■ぃ ∽ 陰鬱ｉ鼻ＢＥ︰目ＯＦ”﹂只澪只卜﹄戯８モ ∽ ニξ Ｌ鼻８Ｅ彗そ畠ｎＩＬ８″ ８Ｃ３ヨそ隆α 〓Ｌ８” ８Ｅ饉リモ陛色 ″ ¨ ８Ｌ〓８ ■ 陰ξ 繁Ｌ８︰〓〓０けＯ″ ﹂ｏば嗜蜃Ｖモ ∽ ｏコＦ﹂〓ＦＬＯＦごＬ８８Ｃ目８モ魯ａｒｔ８″ ８〓︲目電モ畠●ＩＬ８ ″ 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﹂ｏＦ ●ｏｒ﹂ばロリＱｆ、Ｏ ∽ 昌ξ ■ 鼻 ■諄

Ｆ８

８Ｅ脅ニ

ヨｏ ‘ユαｏ

∽Ｆａ日”∞

″ ０マ・０日 ‘ ● ＯＦＬ嵐目蜃Ｖモ︲

ごＬ〓冒Ｆ三８

３８Ｃ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３３８８肖力難ルｏ９８浄聞ヵ難斗８３３８聞力兼丼８９滞ｏ聞力難斗ｏ９８お聞ヵ難斗８Ｒ３８肖ヵ難斗８３３８聞ヵ兼斗８Ｒ３８肖力兼丼８興澪ｏ椰詳兼斗０９９汁いヵ兼斗８８３８聞力難沸ｏ９８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ｒ３¨”ｏ ” ０賀一﹂， ” 口”一８〓 ”ｏ﹂じヨ８︲，８電ョＡ﹂多８ョユし肇８Ｂ雪ＲЪ３８８電ョユ﹂こ” ８冒ユ墳論８電冒ユし３８電〓１５３８８︼８Ｐ︰肇一８電冒ルー浄８口円彗３ ”ｏ旨ｒｌ ” ８旨︰肇８５８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Ｆ８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ＬＬ鶴ｒヨ８巳Ｌ”ｒヨεＬｎＬＬ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８８

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﹂Ｐ８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

ＥＦ﹂

安目亜壼５８螢晋

Ｅ ■ ﹂〓８巨器

８員閣澪

８目＝常

８員Ｈ常

８資日常

８電ａ８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

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-

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

１ｌｕ１１

ｕ︲１１ｕｕ︲

１０︲１１

１Ｏ１・１︲０︲

０００００

００００１１ｏｌ１１０００ Ⅲ

１００００

０︲１・１ Ⅲ

１００１１

１１０００

０︲・１一１０００

１００００

００１，１︲００

００１１０

００︲︲１１１１１１１０１ Ⅲ

１０︲１１

００ｎ︶０︲０１

０１００１

００１１１００︲

１０︲１１

００︰ ‘ １︲１０

１００１１

０１１・１︲０︲

０００１１

１００１０

０００︲１１・︱１１︲０︲

１００１１

０︲・１１１００

１００１０

０︲１，１︲０１

１０︲００

０︲１︲１０１０

１００１０

０︲１１１１００

１００１１

０︲Ｉ ● １︱︲０

１００１１

００ｌ，１０１︲

１００１１

０００︲１１・︱１１１１０１００

Ⅲ

０︲・ｌ１︲０１

１０︲１０

１０１１１１０１１１

-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ｏｒ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ｏ０■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

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

)

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

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

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■ ―

/★ {

■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′

{

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

｀

=｀

′

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

= li

) )

if(!same)

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

) same

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

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)

/* 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′

treep t′ {

F工 LE

★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

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;

- 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。

[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― ―

!… !‐

=>(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

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) )

)

(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

'￨

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

'￨

★★★ 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

fP.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‐

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

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デルと概念クラスタリング