한국지능시스템학회논문지 (Journal of the Korean Institute of Intelligent Systems)

  • 제11권8호
  • /
  • Pages.754-759
  • /
  • 2001
  • /
  • 1976-9172(pISSN)
  • /
  • 2288-2324(eISSN)
한국지능시스템학회 (Korean Institute of Intelligent Systems)
권호 표지

GA 기반 TSK 퍼지 분류기의 설계와 응용

A Design of GA-based TSK Fuzzy Classifier and Its Application

  • 곽근창 (충북대학교 전기전자 및 컴퓨터공학부) ;
  • 김승석 (충북대학교 전기전자 및 컴퓨터공학부) ;
  • 유정웅 (충북대학교 전기전자 및 컴퓨터공학부) ;
  • 김승석 (충북대학교 전기전자 및 컴퓨터공학부)
  • 발행 : 2001.12.01
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문은 주성분분석기법, 퍼지 클러스터링, ANFIS(Adaptive Neuro-Fuzzy Inference System)와 하이브리드 GA(Hybrid Genetic Algorithm)를 이용하여 GA 기반 TSK(Takagi-Sugeno-Kang) 퍼지 분류기를 제안한다. 먼저 구조동정은 주성분분석기법을 이용하여 데이터 성분간의 상관관계가 제거하도록 입력데이터를 변환하고, FCM(Fuzzy c-means) 클러스터링과 ANFIS의 융합을 통해 초기 TSK 퍼지 분류기를 구축한다. 구축된 초기 분류기의 파라미터를 초기집단으로 발생시켜 AGA(Adaptive GA)와 RLSE(Recursive Least Square Estimate)에 의해 파라미터 동정을 수행한다. 이렇게 함으로서 퍼지 클러스터링의 효율적인 입력공간분할로 ANFIS의 문제점을 해결할 수 있고, AGA에 의해 집단의 다양성 유지와 전역적인 최적해의 수렴을 가속화할 수 있다. 마지막으로, 제안된 방법은 Iris 데이터 분류문제에 적용하여 이전의 다른 논문에 비해 좋은 성능을 보임을 알 수 있었다.

In this paper, we propose a TSK(Takagi-Sugeno-Kang)-type fuzzy classifier using PCA(Principal Component Analysis), FCM(Fuzzy c-Means) clustering, ANFIS(Adaptive Neuro-Fuzzy Inference System) and hybrid GA(Genetic Algorithm). First, input data is transformed to reduce correlation among the data components by PCA. FCM clustering is applied to obtain a initial TSK-type fuzzy classifier. Parameter identification is performed by AGA(Adaptive GA) and RLSE(Recursive Least Square Estimate). Finally, we applied the proposed method to Iris data classificationl problems and obtained a better performance than previous works.

키워드

참고문헌

  1. Convergence theory for fuzzy c-means : Counter examples and repairs J. Bezdek;R. Hathaway;M. Sabin
  2. Journal of Knowledge-Based Intelligent Engineering Systems v.4 no.4 FCM-based Adaptive Fuzzy Inference System for Coagulart Dosing Process in a Water Purification Plant K. C. Kwak;M. G. Chun;J. W. Ryu
  3. IEEE Trans. on Systems, Man, Cybern. v.24 no.4 Adaptive probabilities of crossover and mutation in genetic algorithms M. Srinivas;L. M. Patnaik
  4. Fuzzy sets and Systems v.84 Induction of fuzzy rules and membership funtions from training examples T. P. Hong;C. Y. Lee
  5. Fuzzy Sets and Systems v.91 A multiclass neural network classifier with fuzzy teaching inputs K. H. Chen;H. L. Chen;H. M. Lee
  6. IEEE Trans on. Neural Networks v.3 no.5 Fuzzy Min-Max Neural Networks-Part 1 : Classification P. K. Simpson
  7. Fuzzy sets and Systems v.89 A neuro-fuzzy method to learn fuzzy classification rules from data D. Nauck;R. Kruse
  8. IEEE Trans. on Systems, Man, and Cybern. v.29 no.1 A new method for constructing membership functions and fuzzy rules from training examples T. P. Wu;S. M. Chen
  9. IEEE Trans. on Neural Networks v.11 no.3 General fuzzy min-max neural network for clustering and classification B. Gabrys;A. Bargiela
  10. ISA Transactions v.39 Pattern classification by a neurofuzzy network : application to vibration monitoring P. Meesad;G. G. Yen
  11. IEEE Trans. on Systems, Man, and Cybern. v.31 no.4 An effective neuro-fuzzy paradigm for machinery condition health monitoring G. G. Yen;P. Meesad
  12. IEEE Trans. on Systems, Man, and Cybern. v.31 no.3 An Effecient fuzzy classifier with feature selection based on fuzzy entropy H. M. Lee;C. M. Chen;J. M. Chen;Y. L. Jou