行政院國家科學委員會補助專題研究計畫成果報告
※※※※※※※※※※※※※※※※※※※※※※※※※
※ ※
※
虛擬實境動態模擬系統中之人機溝通技術及其方法 ( 1 / 2 )
※
※ ※
※※※※※※※※※※※※※※※※※※※※※※※※※
計畫類別：
個別型計畫
整合型計畫
計畫編號：NSC－89－2213－E－009－122
執行期間： 88 年 8 月 1 日至 89 年 7 月 31 日
計畫主持人：張志永
共同主持人：
本成果報告包括以下應繳交之附件：
□赴國外出差或研習心得報告一份
□赴大陸地區出差或研習心得報告一份
□出席國際學術會議心得報告及發表之論文各一份
□國際合作研究計畫國外研究報告書一份
執行單位：國立交通大學電機與控制工程學系
中 華 民 國 89 年 10 月 15 日
行政院國家科學委員會專題研究計畫成果報告
多功能虛擬實境動態模擬系統
子計畫二 : 虛擬實境動態模擬系統中
之人機溝通技術及其方法 ( 1 / 2 )
A Study of Man-Machine Communication Techniques
and Their Learning Schemes (I)
計畫編號 : NSC-89-2213-E-009-122
執行期限：88/08/01-89/07/31
主持人：張志永 交通大學電機與控制工程學系
一、 中文摘要
觀念溝通是人機介面中一個很重 要的部分，它可以讓使用者與系統之 間順暢地交換訊息。本論文引入了觀 念模糊集來表示現實世界中抽象與具 體的觀念，並提出了幾種對映的機制 來建立這些觀念之間的關係。觀念的 對映必須是雙向的，由抽象觀念對映 至 具 體的觀念是 一種觀 念 解釋的 過 程，而由具體觀念對映至抽象的觀念 則是一種觀念辨識的過程。首先我們 提出以模糊關係方程式來達成觀念對 應的方法，觀念的雙向對映是以不同 的關係方程式來達成，我們引用了基 因演算法以及 Fuzzy Delta Rule 來學習 這些關係矩陣，但是其效果則是無法 令人滿意。因此我們又使用了 MLP 與 RBF 神經網路，同樣以不同網路的來 記憶觀念的雙向對應，在此我們引入 了 BP 演算法來學習 MLP 神經網路的 權重矩陣，最後以 MLP 神經網路來達 成觀念溝通，它的效果經過驗證是相 當令人滿意。 關鍵詞：虛擬實境，人機溝通界面，抽 象關念表示法英文摘要
Concept communication is an important issue of man machine interface. It provides the smooth communication between man and system. This paper introduces conceptual fuzzy set (CFS) to represent the abstract concepts and concrete concepts in the real world. Concept mapping must be bidirectional. Mapping from abstract concepts to concrete concepts is considered as concept recognition. Mapping from concrete concepts to abstract concepts is considered as concept interpretation. We propose several mapping schemes to relate these two type concepts. The fuzzy relation equation approach is first applied for the concept mapping. The forward and backward mappings ofconcepts are archived by adopting two different fuzzy relation equations, respectively. We apply the genetic algorithm and fuzzy delta rule to learn the relation matrix of fuzzy relation equation. Their performances are not acceptable. In a functional mapping respective instead, the multilayer perceptron neural network is utilized to the concept mapping problem. BP algorithm is adopted to learn the weight matrix in the multilayer perceptron neural network. The backward mapping of concepts is achieved by adopting another MLP neural network. The result of concept mapping by MLP neural network has demonstrated that the MLP network is an effective scheme for concept communication.
Keywords: Virtual Reality, Human
Machine Communication Interface, Abstract Concept Representation
二、 緣由與目的
如何表示動態模擬系統使用者之 感覺概念，並忠實地傳遞給本系統中 之行為轉換與控制模組以及力回饋模 組做適當的參數調整與控制，是本子 計畫之重點。模糊集合的提出雖然對 人類常用概略性質描述提供一個表示 方法，但是對於人類之概念或觀念的 描述，模糊集合則明顯的不足。本子 計畫擬採用日本學者 T. Takagi，M. Sugeno，及 T. Yamaguchi 等人所提出的 觀念模糊集[1-4]，此法在觀念的對應 上，可大大地彌補模糊集合的不足。 在觀念模糊集中，每一個觀念節點代 表一個抽象或具體的觀念，而節點的 活性的就等於傳統模糊集合歸屬函數 的歸屬度值，由零到 1 之間的數值表 示觀念的符合程度，每一個觀念的意 義，則是以標示節點的活性度分佈來 表示，因此觀念模糊集有別於一般模 糊集合，它不需要有一歸屬函數，也 不需要有一數值集合點來映射出歸屬 函數值，在觀念的意義上，更可以有 多重的表示方法。T. Takagi 等人提出 以聯想記憶體來實現觀念模糊集，但 由於聯想記憶體在實現上需使用二元 表示法，由於觀念節點活性度皆為 0 到 1 之間的實數，因此，若使用此法， 精確度非常差且可供記憶的觀念個數 有限，並不實用，因此我們在這一年 的計畫中提出以下幾種方法來實現觀 念模糊集的對應。三、 研究方法與成果
第一種實現方法為模糊關係方程 式法[5]。此方程式的輸入與輸出皆為 模糊向量，每個向量中的元素為 0 到 1 之間的實數，若使用模糊運算，例如 取大取小合成，則是非常簡易且迅速 的，與一 般模糊 關係方程式 不同的 是，由於觀念模糊集必須作雙向的對 應，因此除了正向對應關係矩陣外， 我們還需要一個反向關係的對應矩陣 來達成雙向觀念的溝通，經過我們的 研究，以模糊關係方程式實現觀念模 糊集，多半是無解的，因此必須以特 殊的學習方法來求取最佳近似解。首 先我們應用基因演算法[6]來求取模糊方程式的關係矩陣 ，我們使用不同 的模糊運算，如取大取小合成以及取 大乘積合成，配合不同的參數編碼方 式，包括實數型編碼[7]以及二進位編 碼來進行學習。另一種嘗試求取模糊 關係矩陣之最佳近似解的學習法則為 Fuzzy Delta Rule [8,9]。此學習方法可 以求得最大解並且具有一定的收斂性 的性質。接下來我們以一身高的觀念 模糊集對應實例來測試模糊關係方程 式表示法於觀念對應的效果。如圖一 所示，上層有三個觀念節點，分別為 矮，中等，與高，皆是比較抽象的觀 念，下層具有七個觀念節點，由身高 約 140 CM 到 200 CM 等。若以由下層 的具體觀念對應到上層的抽象觀念為 例，使用基因演算法的結果如圖二所 示，圖中虛線代表實際值連線，實線 代表獲得的結果值連線，以後之圖例 依相同方法表示，而圖三為使用 Fuzzy Delta Rule 的結果 ，由此二圖可知，應 用模糊關係方程式的效果不如預期中 理想。鑑於觀念的對應多半是高度非 線性的對應，而類神經網路不但具有 高度非線性的特性，又隱藏層個數和 隱藏層節點個數可以根據觀念節點的 多寡，觀念對應之複雜度，以及要求 之精確度做適當的調整，因此若以類 神經 網 路模型進 行 觀念模 糊 集的對 應，應可大大超越使用模糊關係方程 式的效果。我們在此應用 MLP 函數網 路[10]來進行觀念對應的學習，結果 如圖四所示。我們發現使用類神經模 型來實現觀念對應遠比模糊關係方程 式效果為佳，且能忠實的反應抽象的 觀念對應。
四、 結論與討論
觀念溝通是人機介面中一個很重 要的部分，它可以應用人機之間順暢 地交換抽象與具體的觀念訊息。本文 提出了幾種對映的機制來建立這些觀 念之間的關係。首先我們提出以模糊 關係方程式來達成觀念對應的方法， 我 們 引 用 了 基 因 演 算 法 以 及 Fuzzy Delta Rule 來學習這些關係矩陣，但因 其 架構簡 單且含高度 max-min 非線 性，其效果不佳。因此我們使用了 MLP 及 MLP 神經網路，同樣以不同網路的 來記憶觀念的雙向對應，它們的效果 經過驗證相當令人滿意。五、 參考文獻
[1] T. Takagi, T. Yamaguchi, and M. Sugeno, “Conceptual fuzzy sets,”
International Fuzzy Engineering
Symposium’91, pp. 261-272, 1991.
[2] A. Imura, T. Takagi, and T. Yamaguchi, “Intention recognition using conceptual fuzzy sets, ”
Second IEEE International Conference on Fuzzy Systems , vol.
12, pp.762-767, 1993.
[3] T. Takagi, A. Imura, H. Ushida, and T. Yamaguchi, “Conceptual fuzzy sets as a meaning representation and their inductive construction, ”
International Journal of Intelligent Systems, vol. 10, pp. 929-945,
1995.
[4] T. Yamaguchi, “Conceptual fuzzy sets as a meaning representation and their inductive construction, ”
International Journal of Intelligent Systems, vol. 10, pp. 929-945,
1995.
[5] T. Takagi, A. Imura, H. Ushida, and
T. Yamaguchi, “ Multilayered
reasoning by means of conceptual fuzzy sets,”International Journal
of Intelligent Systems, vol. 11, pp.
97-111, 1996.
[6] A. Blanco, M. Delgado, and I. Requena, “ Identification of fuzzy relation equations by fuzzy neural networks, ” Fuzzy Sets and
Systems, vol. 71, pp. 215-226,
1995.
[7] C. T. Lin and C. S. George Lee,
Neural Fuzzy Systems. Upper
Saddle River, NJ: Prentice-Hall, 1996.
[8] D. Park and A. Kandel,
“ Genetic-based new fuzzy
reasoning models with application
to fuzzy control, ” IEEE
Transactions on Systems, Man & Cybernetics, vol. 24, no. 1, pp.
39-47, 1994.
[9] X. Z. Li and D. Ruan, “ Novel neural algorithms based on fuzzyδ rules for solving fuzzy relation equations: Part Ⅰ ,” Fuzzy Sets
and Systems, vol. 90, pp. 11-23,
1997.
[10] X. Z. Li and D. Ruan, “ Novel neural algorithms based on fuzzyδ rules for solving fuzzy relation equations: Part Ⅱ ,” Fuzzy Sets
and Systems, vol. 103, pp. 473-486,
1999.
[11] J. Moody and C. Darken, “Fast learning in networks of locally-tuned processing units,”
Neural Computing, vol. 1, pp.
0.87 0.08 0 0.75 0.25 0 0 0 0 0 Tall Medium Short 140 CM 150 CM 160 CM 170 CM 180 CM 190CM 200 CM 圖一：身高的觀念模糊集對應實例 0 5 1 0 1 5 2 0 2 5 3 0 3 5 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 Membership Degree N u m b e r o f P a t t e r n 圖二：使用基因演算法實現模糊關係矩陣於觀念對應之結果
0 5 1 0 1 5 2 0 2 5 3 0 3 5 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 N u m b e r o f P a t t e r n Membership Degree
圖三：使用 Fuzzy delta rule 實現模糊關係矩陣於觀念對應之結果
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 N u m b e r o f P a t t e r n Membership Degree 圖四：使用 MLP 類神經網路於觀念對應之結果
