KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Rule Extraction Method Using Relevance Factor for FMM Neural Networks

FMM 신경망에서 연관도요소를 이용한 규칙 추출 기법

  • 이승강 (한동대학교 정보통신공학과) ;
  • 이재혁 (한동대학교 전산전자공학부) ;
  • 김호준 (한동대학교 전산전자공학부)
  • Received : 2012.12.24
  • Accepted : 2013.01.18
  • Published : 2013.05.30
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we propose a rule extraction method using a modified Fuzzy Min-Max (FMM) neural network. The suggested method supplements the hyperbox definition with a frequency factor of feature values in the learning data set. We have defined a relevance factor between features and pattern classes. The proposed model can solve the ambiguity problem without using the overlapping test process and the contraction process. The hyperbox membership function based on the fuzzy partitions is defined for each dimension of a pattern class. The weight values are trained by the feature range and the frequency of feature values. The excitatory features and the inhibitory features can be classified by the proposed method and they can be used for the rule generation process. From the experiments of sign language recognition, the proposed method is evaluated empirically.

본 연구에서는 수정된 구조의 FMM 신경망으로부터 패턴 인식을 위한 규칙 추출 방법을 제안한다. 제안된 방법은 학습데이터에서 특징값에 대한 빈도 요소를 반영하는 하이퍼박스 정의를 기반으로 하는데, 이로부터 특징과 패턴클래스 간의 상호 연관도 요소를 정의 하였다. 이는 기존의 모델에서 사용되는 하이퍼박스 중첩테스트 및 축소(contraction) 기법을 사용하지 않아도 하이퍼박스의 중첩에 의한 분류의 모호성을 해결할 수 있게 한다. 본 연구에서는 패턴 클래스의 각 차원별로 퍼지 분할을 기반으로 하는 수정된 하이퍼박스 멤버쉽 함수와 이를 사용하는 학습방법을 제시한다. 제안된 기법으로부터 특정패턴의 분류를 위한 자극성(excitatory) 특징 및 억제성(inhibitory) 특징을 구분하고 이들 정보는 규칙 생성과정에 적용된다. 수화 인식에 관한 실험에 제안된 방법론을 적용함으로써 제안된 이론의 타당성을 실험적으로 고찰하였다.

Keywords

References

  1. B. Gabrys and A. Bargiela, "General fuzzy min-max neural network for clustering and classification," IEEE Transaction on Neural Networks, Vol.11, No.3, pp.769-783, 2000. https://doi.org/10.1109/72.846747
  2. P. K. Simpson, "Fuzzy min-max neural network - Part1 : Classification," IEEE Transaction on Neural Network, Vol.3, No.5, pp.776-786, 1992. https://doi.org/10.1109/72.159066
  3. A. Quteishat, C. P. Lim, and K. S. Tan, "A modified fuzzy min-max neural network with a genetic algorithm-based rule extractor," IEEE Transaction on System, Man, and Cybernetics-Part A: System and Humans, Vol.40, No.3, pp.641-650, 2010. https://doi.org/10.1109/TSMCA.2010.2043948
  4. H. J. Kim, "Two-Stage Neural Networks for Sign Language Pattern Recognition", Journal of Korean Institute of Intelligent Systems, Vol.22, No.3, pp.319-327, 2012. https://doi.org/10.5391/JKIIS.2012.22.3.319
  5. M. M. Zaki and S. I. Shaheen, "Sign language recognition using a combination of new vision based features," Pattern Recognition Letters, Vol.32, No.4, pp.572-577, 2011. https://doi.org/10.1016/j.patrec.2010.11.013
  6. C. Garcia and M. Delakis "Convolutional face finder: A neural architecture for fast and robust face detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.26, No.11, pp.1408-1423, 2004. https://doi.org/10.1109/TPAMI.2004.97
  7. R. Yang and S. Sarkar, "Coupled grouping and matching for sign and gesture recognition," Computer Vision and Image Understanding, Vol.113, No.6, pp.663-681, 2009. https://doi.org/10.1016/j.cviu.2008.09.005
  8. D. Weinland, R. Ronfard and E. Boyer, "Free viewpoint action recognition using motion history volumes," Computer Vision and Image Understanding, Vol.104, pp.249-257, 2006. https://doi.org/10.1016/j.cviu.2006.07.013
  9. A. Yilmaz and M. Shah, "Actions sketch: A novel action representation," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005, pp.984-989.
  10. R. A. Fisher "The use of multiple measurements in taxonomic problems," Annals of Eugenics, Vol.7, No.2, pp.179-188, 1936. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x