복합 특징의 분리 처리를 위한 모듈화된 Coupled-ART 신경회로망

A Coupled-ART Neural Network Capable of Modularized Categorization of Patterns

ART(Adaptive Resonance Theory) 신경회로망과 같은 자기조직망에서 신호와 잡음을 적절히 정의한다는 것은 어려운 문제이다. 즉, 한 입력 패턴의 일부분이 어떤 패턴에서는 입력 패턴의 신호로 다루어지나 다른 패턴에서는 잡음으로 취급되어야 할 대도 있다. ART 신경회로망 모델은 신호와 잡음의 정의를 문맥과 학습에 따라 적절하게 규정하기 위하여 계산 단위를 자동적으로 자기척도(Self-Scaling 할 수 있는 기능을 가지고 있다. ART 모델에서의 이러한 자기 척도 기능은 입력 패턴들이 유사한 성질을 가진 경우에는 유효하게 잘 동작한다. 그러나 ART 모델은 기본적으로 하나의 경계 인수에 의해 패턴을 분류하기 때문에 여러가지 성질이 복합된 입력 패턴을 효율적으로 분류하기가 어렵다. 예를 들어 패턴들을 자세하게 분류하기 위하여 경계 인수의 값을 크게 하면 잡음으로 취급되어야 할 부분이 신호로 취급되어 불필요한 인식 부류가 발생한다. 또한 경계 인수를 작게 하면 패턴을 구별하기 위한 중요한 정보가 잡음으로 취급되는 경우가 발생하여 비효율적인 분류를 한다. 본 논문에서는 ART 모델의 이러한 문제점을 해결하기 위하여 복합 특징을 분리 처리할 수 잇는 모듈화된 Coupled-ART 신경회로망 모델을 제안하였다. Coupled-ART 신경회로망 모델은 신경회로망의 구조를 기능별로 모듈화하고 이러한 모듈들을 서로 밀착된 구조로 결합하여 확장된 기능을 수행하는 형태로 구성하였다. 이러한 모듈화된 신경회로망을 통해 패턴 인식 과정에서 다양한 크기나 성질을 가진 특징들에 대한 분류를 비슷한 크기나 성질을 가진 특징들끼리 분리하여 분류를 하였다. 그리고 본 논문에서 제안한 상위층에서 각 모듈의 처리 결과를 종합하여 최종적인 분류를 함으로써 기존의 ART 모델보다 더 효율적으로 패턴을 분류할 수 있다.28.8%$)에서 높고 60 및 40%수분구(水分區)($23.6{\sim}24.1%$)에서 낮은 편이었다. 그러나 옥수수의 조섬유함량(粗纖維含量)에 따라 큰 차이(差異)가 없었다. 건엽(乾葉)의 조단백질함량(粗蛋白質含量)에 따라 큰 차이(差異)가 없었다. 건엽(乾葉)의 조단백질함량(粗蛋白質含量)은 60%수분구(水分區)($14.2{\sim}21.6%$) 및 40%수분구(水分區)($13.8{\sim}16.0%$)가 다른 고토양수분구(高土壤水分區)($7.3{\sim}13.9%$)보다 높은 편이었다. 5. 건경중(乾莖中)의 조섬유함량(粗纖維含量)은 $24.6{\sim}36.7%$로서 건엽중(乾葉中)의 함량(含量)보다 월등히 높았고 조단백질함량(粗蛋白質含量)은 $2.0{\sim}5.3%$로서 건엽중(乾葉中)의 함량(含量)보다 현저히 낮았다. 특(特)히 P.931의 건경중(乾莖中)의 조섬유함량(粗纖維含量)은 다른 작물(作物)에 비해 현저(顯著)히 높은 편이었다.적차이(量的差異)를 나타냈다.間)에는 부(負)(-)의 상관(相關)이 있다.($P{\leq}0.01%$). 5. NEL 및 starch value 환경온도(環境溫度)가 상승(上昇)됨에 따라 감소(減少)된다. 4 엽기(葉期) sorghum식물(植物)의 환경온도(環境溫度)를 달리 하였을 때 NEL가치(價値)는 각각(各各) 4.87MJ($30/25^{\circ}C$), 5.46MJ($25/20^{\circ}C$) 및 5.81MJ/kg($18/8^{\circ}C$)로 변(變)하여 고온(高溫)에서 net energy lactation 축적(蓄積)이 크게 감소(減少)되었다.다.

Properly defining signal and noise in a self-organizing system like ART(Adaptive Resonance Theory) neural network model raises a number of subtle issues. Pattern context must enter the definition so that input features, treated as irrelevant noise when they are embedded in a given input pattern, may be treated as informative signals when they are embedded in a different input pattern. The ATR automatically self-scales their computational units to embody context and learning dependent definitions of a signal and noise and there is no problem in categorizing input pattern that have features similar in nature. However, when we have imput patterns that have features that are different in size and nature, the use of only one vigilance parameter is not enough to differentiate a signal from noise for a good categorization. For example, if the value fo vigilance parameter is large, then noise may be processed as an informative signal and unnecessary categories are generated: and if the value of vigilance parameter is small, an informative signal may be ignored and treated as noise. Hence it is no easy to achieve a good pattern categorization. To overcome such problems, a Coupled-ART neural network capable of modularized categorization of patterns is proposed. The Coupled-ART has two layer of tightly coupled modules. the upper and the lower. The lower layer processes the global features of a pattern and the structural features, separately in parallel. The upper layer combines the categorized outputs from the lower layer and categorizes the combined output, Hence, due to the modularized categorization of patterns, the Coupled-ART classifies patterns more efficiently than the ART1 model.