• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 1998.10a
• /
• pp.374-378
• /
• 1998

신경망은 복잡하게 나타나는 비선형성을 가지는 실제의 다양한 문제들에 적용이 가능할 뿐만 아니라, 정보들이 가중치에 분산되어 저장됨으로서 강인성을 가지고 있다. 그러나 전방향 다층 신경망 구조를 학습할 수 있는 역전파 알고리즘은 초기 가중치의 영향에 의하여 학습된 결과가 지역 최소점에 빠지기 쉬운 경향이 있다. 본 논문에서는 이러한 문제점을 해결하기 위한 한가지 방법으로서 유전자 알고리즘을 이용하여 전방향 다층 신경망의 가중치를 학습하여, 지역 최소점에 빠지지 않고 학습이 이루어짐을 보인다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.04b
• /
• pp.625-627
• /
• 2001

기존의 종이지도를 수치지도 처리과정으로 얻어진 등고선(contour line) 데이터는 원격탐사(Remote Sensing)와 지리정보시스템(GIS)의 응용분야에서 주로 사용되어지는 데이터이다. 이러한 등고선은 해당 지역의 DTM(Digital Terrain Model) 데이터 생성을 위해 보간(interpolation)하여 생성하는 데 연구가 집중되어 왔다. 본 논문에서는 DEM(Digital levation Model)으로부터 얻어진 등고선 데이터를 이용하여 사용자에게 3차원으로 가시화 해 줄 수 있는 기법을 소개한다. 등고선 추출을 위한 방법으로는 기존의 소개되어진 Marching Square 알고리즘을 적용하였고, 지역적인 최고점(local minimum)과 최소점(maximum)을 구하기 위해 등고선을 열린 등고선(open contour)과 닫힌 등고선(closed contour)으로 분류하게 된다. 지역적 최고, 최소점을 찾기 위한 탐색공간을 줄이기 위해 닫힌 등고선만을 닫힌 등고만을 대상으로 등고선 트리를 생성하였으며, 생성된 트리의 리프노드에 대해서 최고, 최소점에 대한 근사(approximation)를 수행하게 된다. 이렇게 구해진 근사된 장점들과 등고선 데이털 입력으로 하여 제한된 딜로니 삼각분할(Constrained Delaunay Triangulation)을 수행함으로써, 3차원 지형을 재구성할 수 있다. 실험에서 간단한 그리드 샘플데이터와 USGS로 획득한 데이터를 이용하여 속도 측정을 하였다. 결과적으로 저장공간 측면에서 적은 량의 데이터를 가지면서 등고선을 표현할 수 있는 3차원 지형을 랜더링할 수가 있음을 알 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2001.10a
• /
• pp.641-644
• /
• 2001

기존의 종이지도를 수치지도 처리과정으로 얻어진 등고선(contour line) 데이터는 원격탐사(Remote Sensing)와 지리정보시스템(GIS)의 응용분야에서 주로 사용되어지는 데이터이다. 이러한 등고선은 해당 지역의 DTM(Digital Terrain Model) 데이터 생성을 위해 보간(interpolation)하여 생성하는 데 연구가 집중되어 왔다. 본 논문에서는 DEM(Digital Elevation Model)으로부터 얻어진 등고선 데이터를 이용하여 사용자에게 3 차원으로 가시화 해 줄 수 있는 기법을 소개한다. 등고선 추출을 위한 방법으로는 기존의 소개되어진 Marching Square 알고리즘을 적용하였고, 지역적인 최고점(local minimum)과 최소점(maximum)을 구하기 위해 등고선을 열린 등고선(open contour)과 닫힌 등고선(closed contour)으로 분류하게 된다. 지역적 최고, 최소점을 찾기 위한 탐색공간을 줄이기 위해 닫힌 등고선만을 대상으로 등고선 트리를 생성하였으며, 생성된 트리의 리프노드에 대해서 최고, 최소점에 대한 근사(approximation)를 수행하게 된다. 이렇게 구해진 근사된 정점들과 등고선 데이터를 입력으로 하여 제한된 딜로니 삼각분할(Constrained Delaunay Triangulation)을 수행함으로써, 3 차원 지형을 재구성할 수 있다. 실험에서 USGS 로부터 획득한 지형 데이터를 이용하여 속도 측정을 하였다. 결과적으로 저장공간 측면에서 적은 량의 데이터를 가지면서 등고선을 표현할 수 있는 3 차원 지형을 렌더링 할 수 있음을 알 수 있다.

• ICROS
• /
• v.10 no.3
• /
• pp.27-33
• /
• 2004

최적화는 시스템공학에서 자주 등장하는 문제이며 흔히 다음과 같은 수학적 계획(mathematical programming) 문제로 표현된다. min f(x) (P) subject to g(x) ≤ 0 h(x) ： 0 여기서 x∈R/sup n/, f：R/sup n/→R, g：R/sup n/→R/sup l/, h：R/sup n/→R/sup m/, 그리고 n m이다. 만약 목적함수(objective function)와 가능 영역(feasible region)이 볼록(convex)하다면, 예를 틀어 f(x)와 g(x)가 아래로 볼록하고 h(x)가 선형이라면. 이는 볼록 문제(convex problem)이며 오직 하나의 지역 최소점(local minimum)을 가진다. 그러나 많은 경우. 예를 들어 h(x)가 비선형이라면, 여러 개의 지역 최소점을 가질 수 있는 비 볼록 문제(nonconvex problem)가 된다. 이때 진정한 최소점을 찾는 것. 즉 전역 최적화 (global optimization)가 요구된다.(중략)

• Proceedings of the Korean Society of Propulsion Engineers Conference
• /
• 2008.11a
• /
• pp.23-27
• /
• 2008

In this study, Real Coded Genetic Algorithm(RCGA) and Artificial Neural Network(ANN) are used for developing the defect diagnostics of the aircraft turbo-shaft engine. ANN accompanied with large amount data has a most serious problem to fall in the local minima. Because of this weak point, it becomes very difficult to obtain good convergence ratio and high accuracy. To solve this problem, GA based ANN has been suggested. GA is able to search the global minima better than ANN. GA based ANN has shown the RMS defect error of 5% less in single and dual defect cases.

• Journal of the Korean Geotechnical Society
• /
• v.17 no.1
• /
• pp.47-56
• /
• 2001

본 논문에서는 단일 및 군말뚝의 수평변위를 예측하기 위하여 신경망 학습속도의 향상과 지역 최소점 수렴을 방지하는 Readjusting 기법을 적용한 인공신경망을 도입하였다. 이 인공신경망을 M-EBPNN 이라고 한다. M-EBPNN에 의한 결과는 낙동강 모래지반에서 단일 및 군말뚝에 대하여 수행한 일련의 모형실험결과와 비교하였으며, 그리고 신경망의 학습속도와 지역 최소점의 수렴성을 평가하기 위하여 오류 역전파 신경망(EBPNN)의 결과와도 비교 분석하였다. M-EBPNN의 적용성 검증을 위하여 200개의 모형실험결과들을 이용하였으며, 신경망의 구조는 EBPNN의 구조와 동일한 한 개의 입력층과 두 개의 은닉층 그리고 한 개의 출력층으로 구성되었다. 전체 데이터의 25%, 50% 그리고 75% 결과는 각각 신경망의 학습에 이용되었으며 학습에 이용하지 않은 데이터들은 예측에 이용되었다. 그리고, 신경망의 최적학습을 위하여 적합한 은닉층의 뉴런 수와 학습률은 EBPNN에서 결정한 값들을 본 신경망에 이용하였다. 해석결과들에 의하면, 동일한 학습패턴에서의 M-EBPNN이 학습 반복횟수는 EBPNN 보다 최고 88% 감소하였으며 지역 최소점에 수렴하는 현상은 거의 나타나지 않았다. 따라서, 인공신경망 모델이 수평하중을 받는 말뚝의 수평변위 예측에 적용될 수 있는 가능성을 보여 주었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2006.11a
• /
• pp.3-6
• /
• 2006

멀티레벨의 feed-forward 네트워크에 대한 학습 방법은 기울기 방법과 전역 최적화방법으로 나눌 수 있다. 역전파 또는 그 변형적인 방법들과 같은 기울기 하강 방법은 편리하기 때문에 여러 분야에서 다양하게 사용되고 있다. 하지만, 역전파와 관련된 가장 큰 문제는 지역 최소점에 빠진다는 것이다. 따라서 본 논문에서 기울기 하강 방법의 단순성을 침범하지 않고 지역 최소점을 극복할 수 있는 개선된 기울기 하강 방법을 제안한다. 제안하는 방법은 상위 연결과 하위연결을 분리하여 훈련하고 평가하기 때문에 이원적인 기울기 하강 방법이라 칭한다. 그렇기 때문에, 은닉층 유닛의 목표 값들은 하위 연결의 평가 툴로써 사용한다. 논문에서 제안하는 방법의 성능은 다양한 실험을 통해서 검증된다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10a
• /
• pp.142-144
• /
• 2003

유전자 알고리즘을 사용하여 신경망의 가중치를 학습하는 방법은 역전파 알고리즘이 가지는 여러 가지 문제점을 해결하기 위해 제안되었으나, 유전자 알고리즘 역시 전역 탐색이 아니기 때문에 실세계의 데이터에 적용하기 어려운 가장 큰 장애 요소인 지역 최소점 문제를 완벽하게 해결할 수는 없다. 이러한 지역 최소점 문제를 완화하기 위해 본 논문에서는 기생체-숙주 공진화 현상을 기반으로 한 유전자 알고리즘을 사용한 경쟁 공진화 신경망 학습 방법을 제시하고 있다. 경쟁 공진화는 서로 다를 개체간의 경쟁적인 진화를 통해 궁극적으로 보다 적합도가 높은 개체가 생성되는 이론을 기반으로 하고 있다. 이러한 경쟁 공진화를 통한 신경망 가중치의 학습이 일반적인 유전자 알고리즘을 사용하여 신경망을 학습시키는 것보다 더욱 우수한 가중치 집단을 탐색할 수 있음을 두 종류의 기계 학습 데이터를 통해 입증하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.05a
• /
• pp.111-114
• /
• 2007

워터쉐드 변환은 영역 분할 속도가 빠르고, 유연하여 이미지 분할 분야에서 많이 사용되고 있다. 그러나 워터쉐드 변환은 지역적 최소점을 이용하기 때문에 잡음에 민감하고 과분할되는 단점을 가지고 있다. 또한, 기존 연구들은 그레이 스케일 이미지에 대해서만 워터쉐드를 적용하였다. 본 논문에서는 지역적 최소점에 민감한 워터쉐드 변환에 칼라 기울기 이미지와 모폴로지 기법을 적용하였다. 워터쉐드 변환 후의 분할된 영역은 영역 인접 그래프로 구성하였고, 인접 영역에 대하여 칼라 색상 유사도와 텍스쳐 유사도를 이용하여 영역 병합을 수행하였다. 실험 결과 본 논문에서 제안한 알고리즘을 이용할 경우 효과적인 이미지 분할이 가능함을 확인할 수 있었다.

• Journal of KIISE:Software and Applications
• /
• v.33 no.12
• /
• pp.999-1007
• /
• 2006

The Backpropagation learning algorithm is known to have slow and false convergence aroused from plateau and local minima. Many substitutes for backpropagation announced so far appear to pay some trade-off for convergence speed and stability of convergence according to parameters. Here, a new algorithm is proposed, which avoids some of those problems associated with the conventional backpropagation problems, especially with local minima, and gives relatively stable and fast convergence with low storage requirement. This is the separate learning algorithm in which the upper connections, hidden-to-output, and the lower connections, input-to-hidden, separately trained. This algorithm requires less computational work than the conventional backpropagation and other improved algorithms. It is shown in various classification problems to be relatively reliable on the overall performance.