• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.467-470
• /
• 2005

퍼지모델은 주로 경험적 방법에 의해 추출되기 때문에 보다 구체적이고 체계적인 방법에 의한 동정 및 최적화 될 필요성이 요구된다. 따라서 본 논문에서는 퍼지 모델의 전반부 및 후반부의 구조 동정과 파라미터 동정에 있어서 최적의 구조 및 파라미터를 찾기 위해 유전자 알고리즘을 이용한다. 초기 퍼지 모델을 설계하기 위해 유전자 알고리즘을 이용하여 입력 변수의 수, 선택될 입력 변수, 멤버쉽함수의 수, 그리고 후반부 형태를 결정한다. 구축된 퍼지 모델은 유전자 알고리즘에 의해 세대를 거듭하면서 전반부 파라미터를 자동 동조함으로써 최적의 퍼지 모델을 설계한다. 또한 구조 동정 및 파라미터 동정을 동시에 시행함으로서 정보 입자 기반 퍼지 모델의 유전자적 최적화를 도모한다. 마지막으로 제안된 퍼지 모델은 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.11a
• /
• pp.370-373
• /
• 2006

본 논문에서는 복잡하고 비선형적인 시스템에 대하여 구체적이고 체계적인 방법에 의한 퍼지 모델을 설계하기 위해 유전자알고리즘을 이용하여 전반부 및 후반부의 구조와 파라미터 동정한다. 정보 입자 기반 퍼지 모델의 구조를 동정하기 위하여 유전자 알고리즘을 이용하여 입력 변수의 수, 선택될 입력 변수, 멤버쉽함수의 수, 그리고 후반부 형태를 결정하고, 파라미터를 동정하기 위하여 전반부 멤버쉽 파라미터를 동조하여 최적의 퍼지 모델을 설계한다. 또한 구조 동정 및 파라미터 동정에 있어서 개선된 연속적 동조 방법으로 접근하여 정보 입자 기반 퍼지 모델의 최적 동정을 도모한다. 마지막으로 제안된 퍼지 모델은 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.24 no.4
• /
• pp.355-359
• /
• 2014

In this paper, we proposed the new fuzzy pattern classifier which combines several fuzzy models with simple consequent parts hierarchically. The basic component of the proposed fuzzy pattern classifier with hierarchical structure is a fuzzy model with simple consequent part so that the complexity of the proposed fuzzy pattern classifier is not high. In order to analyze and divide the input space, we use Fuzzy C-Means clustering algorithm. In addition, we exploit Conditional Fuzzy C-Means clustering algorithm to analyze the sub space which is divided by Fuzzy C-Means clustering algorithm. At each clustered region, we apply a fuzzy model with simple consequent part and build the fuzzy pattern classifier with hierarchical structure. Because of the hierarchical structure of the proposed pattern classifier, the data distribution of the input space can be analyzed in the macroscopic point of view and the microscopic point of view. Finally, in order to evaluate the classification ability of the proposed pattern classifier, the machine learning data sets are used.

• Proceedings of the KIEE Conference
• /
• 2001.07a
• /
• pp.318-322
• /
• 2001

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용한 단기 전력 수요 예측시스템에서 예측치별로 신뢰도를 계산하는 체계적인 방법을 제안한다. 예측시스템의 신뢰도를 추정하는 작업은 특히 신경회로망과 같은 경험적 모델을 실제 활용하기 위해서 필수적인 연구로 인식되고 있다. 본 논문에서 제안하는 출력별 신뢰 구간 계산 방법은 지역 표현하는 뉴로-퍼지 모델의 특성을 활용하여 학습된 퍼지 규칙 각각에 대해 신뢰도를 추정하는 Local reliability measure 기법을 사용한다. 제안된 신뢰도 계산이 가능한 단기 전력 수요 예측시스템은 먼저 결정 트리를 이용하여 초기 구조를 생성하고, 이를 초기 구조 뱅크에 저장한다. 저장된 초기 구조 뱅크를 이용하여 뉴로-퍼지 모델을 학습하고, 학습된 퍼지 규칙의 신뢰도를 추정한다. 제안된 시스템의 실효성을 검증하기 위해서 한국 전력에서 수집한 1996년과 1997년의 실제 전력 수요 데이터를 이용하여 한 시간 앞의 수요를 예측하는 모의 실험을 수행하고 실험 결과를 비교 분석한다.

• Proceedings of the KIEE Conference
• /
• 2006.07d
• /
• pp.2095-2096
• /
• 2006

본 논문에서는 복잡하고 비선형적인 시스템에 대하여 구체적이고 체계적인 방법에 의한 퍼지 모델을 동정하기 위해 유전자알고리즘을 이용하여 전반부 및 후반부의 구조와 파라미터 동정하기 위한 유전론적 접근을 소개한다. 정보 입자 기반 퍼지 모델의 구조를 동정하기 위하여 유전자 알고리즘을 이용하여 입력 변수의 수, 선택될 입력 변수, 멤버쉽함수의 수, 그리고 후반부 형태를 결정하고, 파라미터를 동정하기 위하여 전반부 멤버쉽 파라미터를 동조하여 최적의 퍼지 모델을 설계한다. 또한 구조 동정 및 파라미터 동정에 있어서 개별적인 방법과 동시적인 방법으로 접근하여 정보 입자 기반 퍼지 모델의 최적 동정을 도모한다. 마지막으로 제안된 퍼지 모델은 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.288-291
• /
• 2004

기존의 SOFPNN은 데이터 수가 적고 비선형 요소가 많은 시스템에 대한 체계적이고 효율적인 최적 모델 을 구축할 수 있었으며 각 층 노드의 선택 입력을 변화시킴으로써 네트워크 구조 전체의 적응능력을 향상 시켰다. SOFPNN의 구조는 퍼지 다항식 뉴론(FPN)들로 구성되어 있으며, 층이 진행하는 동안 모델 스스로 노드의 선택과 제거를 통해 최적의 네트워크 구조를 생성할 수 있는 유연성을 가지고 있다. 그러나, 노드의 입력변수의 수와 규칙 후반부 다항식 차수 그리고 입력변수는 설계자의 경험 또는 반복적인 학습을 통해 선호된 네트워크 구조를 선택하였으나, 최적의 네트워크 구조를 구축하는데는 어려옴이 내재되어 있었다. 본 논문에서는 자기구성 퍼지 다항식 뉴럴네트워크(Self-Organizing Fuzzy Polynomial Neural Networks： SOFPNN)을 최적화시키기 위해 유전자 알고리즘을 이용하여 자기구성 퍼지 다항식 뉴럴 네트워크의 입력변수의 수와 이에 해당되는 입력변수 그리고 규칙 후반부 다항식의 차수를 탐색하여 최적 의 자기구성 퍼지 다항식 뉴럴 네트워크를 구축한다. 따라서 모델 구축에 있어서 유연성과 정확성을 가지며 객관적이고 좀 더 정확한 예측 능력을 가진 SOFPNN 모델 구조를 구축할 수가 있다.

• Proceedings of the KIEE Conference
• /
• 2007.07a
• /
• pp.329-330
• /
• 2007

본 논문에서는 particle swarm optimization(PSO)를 통한 비선형시스템의 퍼지집합 퍼지모델의 최적화 방법을 제안한다. 퍼지 모델링에서 전반부 동정, 즉 구조 동정 및 파라미터 동정은 비선형 시스템을 표현하는데 있어서 매우 중요하다. 퍼지모델의 전반부 동정에 있어 최적화 과정이 필요하며 유전자 알고리즘(Genetic Algorithm; GA)을 이용하여 퍼지모델을 최적화한 연구가 많이 있다. 본 연구는 파라미터 동정 시 최근 여러 가지 어려운 최적화 문제를 수행함에 있어서 성능의 우수성이 증명된 PSO를 이용하여 퍼지집합 퍼지모델의 전반부 파라미터를 동정하였다. 구조동정은 단순 유전자 알고리즘(Simple Genetic Algorithm; SGA)을 이용하여 동정하였으며 파라미터 동정시 실수 코딩유전자 알고리즘(Real Coded Genetic Algorithm; RCGA)와 PSO를 각각 파라미터 동정에 이용하여 성능을 비교하였다.

• Proceedings of the KIEE Conference
• /
• 2003.07d
• /
• pp.2567-2569
• /
• 2003

본 논문은 비선형 시스템의 퍼지모델을 위해 정보 Granules 기반 퍼지추론 시스템 모델의 최적화를 제시한다. 퍼지모델은 주로 경험적 방법에 의해 추출되기 때문에 보다 구체적이고 체계적인 방법에 의한 동정 및 최적화 될 필요성이 요구된다. 제안된 규칙베이스 퍼지모델은 HCM 클러스터링 방법, 컴플렉스 알고리즘 및 퍼지추론 방법을 이용하여 시스템 구조와 파라미터 동정을 수행한다. 두 가지 형태의 퍼지모델 추론 방법은 간략추론, 선형추론에 의해 시행된다. 본 논문에서는 퍼지모델의 입력변수와 퍼지 입력 공간 분할 및 입출력 데이타의 중심값을 구해서 후반부 다항식함수에 의한 정보 Granules 기반 구조 동정과 파라미터 동정을 통해 비선형 시스템을 표현한다. 전반부 파라미터의 동정에는 HCM 클러스터링 방법과 컴플렉스 알고리즘을 사용하고, 후반부는 표준 HCM 클러스터링과 표준 최소자승법을 사용하여 동정한다. 그리고 학습 및 테스트 데이타의 성능견과의 상호균형을 얻기 위한 하중값을 가진 성능지수를 제시함으로써 근사화와 예측성능의 향상을 꾀한다. 제안된 비선형 모델의 성능평가를 통해 그 우수성을 보인다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.6 no.2
• /
• pp.97-105
• /
• 1996

In this paper, an adaptive model predictive controller for nodinear processes using fuzzy model is proposed. Adaptive structure is implemented by recursive fuzzy modeling. The model and control law can be obtained the same as GPC, because the consequent parts of the fuzzy model comprise linear equations of input and output variables. The proposed Adaptive fuzzy model predictive controller (AFMPC) controls nonlinear process well due to the intrinsic nonlinearity of the fuzzy model. When AFMPC's output is variation in the process control input, it maintains zero steady-state offset for a constant reference input and has superior performance. The properties and performance of the proposed control scheme were examined with nonlinear plant by simulation.

• Proceedings of the KIEE Conference
• /
• 2000.07a
• /
• pp.102-106
• /
• 2000

본 논문은 뉴로-퍼지 모델의 구조학습을 이용하여 한 시간 앞의 전력 수요를 예측하는 체계적인 방법을 제안한다. 제안된 예측시스템은 시간 단위로 뉴로-퍼지 모델을 재학습하기 위해서 필요한 초기 구조를 요일 유형과 시간 별로 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점의 요일 유형에 따라 선택된 초기 구조를 이용하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 실제 전력 수요 데이터를 이용하여 모의 실험을 수행한다. 실험결과 제안된 방법은 기존의 다층 퍼셉트론을 이용한 방법과 비교하여 예측의 정확도 측면과 신뢰도 측면에서 모두 향상된 결과를 얻는다.