한국지능시스템학회논문지 (Journal of the Korean Institute of Intelligent Systems)

  • 제12권5호
  • /
  • Pages.397-404
  • /
  • 2002
  • /
  • 1976-9172(pISSN)
  • /
  • 2288-2324(eISSN)
한국지능시스템학회 (Korean Institute of Intelligent Systems)
권호 표지
DOI QR코드

DOI QR Code

비선형 함수 학습 근사화를 위한 퍼지 개념을 이용한 웨이브렛 신경망

The wavelet neural network using fuzzy concept for the nonlinear function learning approximation

  • 변오성 (원광대학교 전기ㆍ전자 및 정보공학부) ;
  • 문성룡 (원광대학교 전기ㆍ전자 및 정보공학부)
  • 발행 : 2002.10.01
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 퍼지와 웨이브렛 변환의 다해상도 분해(MRA)를 가진 퍼지 개념을 이용한 웨이브렛 신경망을 제안하고, 또한 이 시스템을 이용하여 임의의 비선형 함수 학습 근사화를 개선하고자 한다. 여기에서 퍼지 개념은 벨(bell)형 퍼지 소속함수를 사용하였다. 그리고 웨이브렛의 구성은 단일 크기를 가지고 있으며, 퍼지 개념을 이용한 웨이브렛 신경망의 학습을 위해 역전파 알고리즘을 사용하였다. 웨이브렛 변환의 다해상도 분해, 벨형 퍼지 소속 함수 그리고 학습을 위한 역전파 알고리즘을 이용한 이 구조는 기존의 알고리즘보다 근사화 성능이 개선됨을 모의 실험을 통하여 1차원, 2차원 함수에서 확인하였다.

In this paper, it is proposed wavelet neural network using the fuzzy concept with the fuzzy and the multi-resolution analysis(MRA) of wavelet transform. Also, it wishes to improve any nonlinear function learning approximation using this system. Here, the fuzzy concept is used the bell type fuzzy membership function. And the composition of wavelet has a unit size. It is used the backpropagation algorithm for learning of wavelet neural network using the fuzzy concept. It is used the multi-resolution analysis of wavelet transform, the bell type fuzzy membership function and the backpropagation algorithm for learning. This structure is confirmed to be improved approximation performance than the conventional algorithms from one dimension and two dimensions function through simulation.

키워드

참고문헌

  1. G. Cybenko, "Approximation by superposition of a sigmoidal function," Mathematics of control, signals and systems, Vol. 2, pp.303-314, 1989. https://doi.org/10.1007/BF02551274
  2. L. K. Jones, "Constructive approximations for neural networks by sigmoidal function," Proc. IEEE, Vol. 78, Oct. 1990.
  3. T. Poggio and F. Girosi, "Networks for approximation and learning," Proc. IEEE, Vol. 78, pp. 1481-1497, Sept. 1990. https://doi.org/10.1109/5.58326
  4. I. Daubechies, "The wavelet transform, time-frequency localization and signal analysis," IEEE Trans. Informat. Theory, Vol. 36, Sept. 1990.
  5. J. J. Benedetto and M. W. Frazier, "Wavelets Mathematics and Applications," CRC Press, Inc., 1994.
  6. C. S: Burrus, R. A. Gopinath and H. Guo, "Introduction to Wavelets and Wavelet Transforms," Prentice-Hall International, Inc., 1998.
  7. Y. Y. Tang, L. H. Yang, and J. Liu, and H. Ma, "Wavelet Theory and its Application to Pattern Recognition," World Scientific Publishing Co. Pte. Ltd, 2000.
  8. Q. Zhang and A. Benveniste, "Wavelet networks," IEEE Trans. Neural Networks, Vol. 3, pp. 889-898, Nov. 1992. https://doi.org/10.1109/72.165591
  9. B. Delyon, A. Juditsky, and A. Benveniste, "Accuracy Analysis for Wavelet Approximations," IEEE Trans. Neural Networks, Vol. 6, No. 2, pp. 332-348, Mar. 1995. https://doi.org/10.1109/72.363469
  10. J. Zhang, G. G. WaIter, and W. N. Wayne Lee, "Wavelet Neural Networks for Function Learning," IEEE Trans. signal Processing, Vol. 43, No. 6, pp. 1485-1496, Jun. 1995. https://doi.org/10.1109/78.388860
  11. Q. Zhang, "Using Wavelet Network in Nonparametric Estimation," IEEE Trans. Neural Networks, Vol. 8, No. 2, pp. 227-236, Mar. 1997. https://doi.org/10.1109/72.557660
  12. J. R. Jang, C. T. Sun, and E. Mizutani, "Neuro-Fuzzy and Soft Computing," Prentice-Hall international, Inc., 1997.
  13. 변증남, "퍼지논리제어," 홍릉과학출판사, 1997.
  14. K. Aihara, K. Doya, and I. Matsuba, and H. Ishihashi, and I. Hayashi, and R. Tokunaga, "Neuro.Fuzzy.Chaos," Ohmsha, Ltd., 1994.