초록
최근 Yang과 Tseng이 제안한 직교 신경망(ONN)은 직교 함수를 이용하여 신경망을 구성한 것으로서, 다층 신경망이 가지는 층의 구조에 대한 어려움이 없이 전체 구조를 결정할 수 있다는 장점을 가지고 있다. 또한 요구되는 정확성을 기준으로 직교 함수의 급수를 증가시키므로써 학습하는 동안에 전제 구조를 변형하는 것이 가능하고 가중치의 직？ 함수의급수를 증가시키므로써 학습하는 동안에 전체 구조를 변형하는 것이 가능하고 가중치의 학습 알고리듬이 오차 역전파법 학습 알고리듬에 비해 간단하며 수렴 속도가 빠르다는 장점도 있다. 그러나 이러한 직교 신경망은 구조의 골격이 디ㅗ는 직교 함수를 변형할 수 없는 구조를 가진다는 문제점이 있다. 본 논문에서는 입력 변환을 이용하여 직교함수를 학습할 수 있는 구조를 가지는 수정된 직교 신경망(MONN)을 제안한다. 제안한 수정된 지？ 신경망을 이용하여 비선형 시스템을 식별하기 위해 식별기 구조를 설정하고 목적을 달성하기 위한 수정된 직교 신경망의 학습 알고리듬을 유도한다.사례연구른 통하여 본 논문에서 제안한 수정된 직교 신경망의 비선형 시스템 모형화 능력, 입력 변환의 유용성을 다충 신경망, 직교 신경망과 비교하여 검증한다.
This paper presents an Modified Orthogonal Neural Network(MONN), new modified model of Orthogonal Neural Network(0NN) based on orthogonal functions, and applies it to nonlinear system approximator. ONN proposed by Yang and Tseng, doesn't have the problems of traditional multilayer feedforward neural networks such as the determination of initial weights and the numbers of layers and processing elements. And tranining of ONN converges rapidly. But ONN cannot adapt its orthogonal functions to a given system. The accuracy of ONN, in terms of the minimal possible deviation between system and approximator, is essentially dependent on the choice of basic orthogonal functions. In order to improve ability and effectiveness of approximate nonlinear systems, MONN has an input transformation layer to adapt its basic orthogonal functions to a given nonlinear system. The results show that MONN has the excellent performance of approximate nonlinear systems and the input transfnrmation makes the ability of MONN better than one of ONN.