퍼지뉴럴 시스템을 위한 초기 입력공간분할의 최적화 : Measure of Fuzziness

The Optimal Partition of Initial Input Space for Fuzzy Neural System : Measure of Fuzziness

  • 백덕수 (益山大學 電子情報科) ;
  • 박인규 (中部大學校 컴퓨터공학부)
  • Baek, Deok-Soo (Iksan National College Dept. of Electronics & Information) ;
  • Park, In-Kue (Divition of Computer Engineering, Joongbu Univ.)
  • 발행 : 2002.09.01

초록

이 논문에서는 퍼지뉴럴 시스템을 위하여 measure of fuzziness에 의한 입력공간의 분할을 최적화하는 방법을 제안한다. 이에 따라 최적화된 퍼지 부공간에 대하여 퍼지 제어규칙을 자동으로 생성하는 방법을 제안한다. 또한 시계열 예측 문제에서 입력패턴의 간격을 조정하여 그 성능을 검증한다. 이 방법은 샤논 함수와 index of fuzziness를 이용하여 입력공간을 분할하고, 분할된 부 공간에 대해 입력 데이터와 부합할 수 있는 각각의 규칙에 등급을 정하여 불필요한 제어규칙을 제거하여 최적의 규칙베이스를 구성하도록 한다. 적용되는 퍼지 신경망의 기본적인 구조는 퍼지 제어기의 규칙베이스와 추론의 과정을 신경회로망을 이용하여 구현하며 퍼지 제어규칙의 매개변수들은 최대 급경사 강하법에 의해 적응되어진다. 제안된 알고리즘을 토대로 여덟 가지의 입력패턴에 대하여 추론한 결과 입력공간의 최적분할에 의하여 수렴과정에서 초기에 오차(RMSE)가 빠르게 수렴함을 알 수 있었다.

In this paper we describe the method which optimizes the partition of the input space by means of measure of fuzziness for fuzzy neural network. It covers its generation of fuzzy rules for input sub space. It verifies the performance of the system depended on the various time interval of the input. This method divides the input space into several fuzzy regions and assigns a degree of each of the generated rules for the partitioned subspaces from the given data using the Shannon function and fuzzy entropy function generating the optimal knowledge base without the irrelevant rules. In this scheme the basic idea of the fuzzy neural network is to realize the fuzzy rule base and the process of reasoning by neural network and to make the corresponding parameters of the fuzzy control rules be adapted by the steepest descent algorithm. According to the input interval the proposed inference procedure proves that the fast convergence of root mean square error (RMSE) owes to the optimal partition of the input space

키워드

참고문헌

  1. T. Takagi and M. Sugeno, 'Fuzzy identification of systems and its applications to modeling and control', IEEE Trans. Syst. Man, Cybern., vol. 15, pp. 116-132, 1985
  2. W. Pedrycz, 'Fuzzy Control and Fuzzy Systems', New York : Wiley, 1989
  3. Chin-Teng Lin and C. S. George Lee, 'Neural Fuzzy Systems', Prentice-Hall, 1996
  4. M. Mizumoto and M. Iwakiri, 'Self-generation of fuzzy rules by fuzzy singleton-type reasoning method', Proc. of the 9th Fuzzy System symposium, Sapporo, 585-588, 1993
  5. Y. Shi, M. Mizumoto, N. Yubazaki and M. Otani, 'An improvement of fuzzy rules generation based on fuzzy clustering method', Proc. of the 6th Intelligent Systems symposium, Osaka, 215-218, 1996
  6. Li-Xin Wang and Jerry M. Mendal, 'Generating fuzzy rules by learning from examples', IEEE Trans. SMC, vol. 22, no. 6, pp. 1414-1427, 1992
  7. H. Ichihashi, 'Iterative fuzzy modeling and a hierarchical network', Proc. of the 4th IFSA Congress, vol. Eng., Brussels, 49-52, 1991
  8. D. Araki, H. Nomura, I. Hayashi and N. Wakami, 'A self generating method of fuzzy inference rules', Fuzzy engineering toward human friendly systems, pp. 1047-1058, eds. T. Terano et al., 1991
  9. M. Sugeno and G. T. Kng, 'Structure identification of fuzzy model', Fuzzy sets and systems, vol. 28, pp. 15-23, 1988
  10. H. Nomura, I. Hayashi and N. Wakami, 'A learning method of fuzzy inference rules by descent method', IEEE Int. Conf. on Fuzzy Systems(San Diego, 1992) 203, 210
  11. Yan Shi, M. Mizumoto and Peng Shi, 'Tuning fuzzy rules based on fuzzy clustering and neuro-fuzzy Methods', Proc. of the 1991 IEEE Int. Symposium on Intelligent Control, arlington on, Virgina, U.S.A.
  12. S. K. Pal, 'A measure of edge ambiguity using fuzzy sets', Pattern Recognition Letters 4, pp. 51-65, North-Holland, 1986
  13. Jyh-Shing Roger Jang, 'ANFIS: Adaptive-Network-based Fuzzy Inference System', IEEE Trans. on SMC vol. 23, no. 3, May/June, pp.665-684, 1993
  14. 박인규, 황상문, 진달복, '영상복원을 위한 유전자 기반 시스템 모델링 : 러프-퍼지 엔트로피', 한국 감성과학회, 제1권 제2호, pp. 93-103, 1998
  15. 박인규, 진달복, '확장된 퍼지 엔트로피를 이용한 영상 분할 알고리즘', 한국통신학회, 제21권, 제6호, 1995