Abstract
This paper presents the modified LVQ method for performance improvement of pattern classification. The proposed method uses the skewness of probability distribution between the input vectors and the reference vectors. During training, the reference vectors are closest to the input vectors using the probabilistic distribution of the input vectors, and they are positioned to approximate the decision surfaces of the theoretical Bayes classifier. In order to verify the effectiveness of the proposed method, we performed experiments on the Gaussian distribution data set, and the Fisher's IRIS data set. The experimental results show that the proposed method considerably improves on the performance of the LVQ1, LVQ2, and GLVQ.
본 논문에서는 수정된 LVQ를 이용한 패턴 분류 방식을 제안한다. 제안한 방식은 입력 패턴의 분류 성능을 개선하기 위하여 입력 벡터와 기준 벡터 사이의 확률 분포의 비대칭도를 계산하여 학습에 이용한다. 학습을 하는 동안 기준 벡터는 입력 벡터의 확률 분포에 근접하게 되고, 기준 벡터는 Bayes 분류기의 결정 경계에 근접하게 위치한다. 가우시안 분포의 데이터와 Fisher의 IRIS 데이터 분류를 실험하여 LVQ1, LVQ2, GLVQ와 비교하여 제안한 방식이 우수한 분류 성능을 나타냄을 확인하였다.