• Proceedings of the Korea Society for Industrial Systems Conference
• /
• 2001.05a
• /
• pp.184-197
• /
• 2001

In this paper, we provide the formal specification of a fuzzy object inference language and propose ICOT(Integrated C-Object Tool) as its implementation for knowledge-based programming with the disjunctive fuzzy information. The novelty of our model is that it seamlessly combines object inference and fuzzy reasoning into a unified framework without compromising a compatibility with extant databases, especially object-relational ones. In this model most of the object-oriented paradigm is successfully expressed in terms of relational constructs, tailoring fuzzy reasoning style to be well suited to the framework of the databases. It turns out to be useful in preserving its conceptual simplicity as well, since simple-to-use is one of important criteria in designing the databases. Additionally this model considerably enhanced the semantic expressiveness of data allowing disjunctive fuzzy information.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2008.06a
• /
• pp.149-154
• /
• 2008

FCM 기반 RBF 네트워크는 서로 다른 학습 구조가 결합된 혼합형 모델로서, 입력층과 중간층의 학습 구조는 FCM 알고리즘을 적용하고, 중간층과 출력층 사이의 학습 구조는 Max_Min 신경망을 적용한다. 입력층과 중간층의 학습시 입력벡터와 중간층의 노드중에서 중심과 입력벡터간의 가장 가까운 노드를 승자 노드로 선택하여 출력층으로 전달한다. 그리고 중간층과 출력층 사이의 학습 구조는 Max_Min 신경망을 적용하여 중간층의 승자 뉴런이 출력층의 입력벡터로 적용한다. 하지만 많은 패턴이 입력벡터로 제시될 경우 학습 성능이 저하되는 단점이 있다. 따라서 본 논문에서는 중간층과 출력층의 학습 구조인 Max_Min 알고리즘의 학습 성능을 개선시키기 위해 퍼지 제어시스템을 이용하여 학습률을 동적으로 조정하는 퍼지 제어 기법을 이용한 FCM 기반 RBF 네트워크를 제안한다. 제안된 방법의 학습 성능을 평가하기 위하여 컨테이너 영상에서 추출한 숫자, 영문 식별자를 학습 데이터로 적용한 결과, 기존의 ART2 기반 RBF 네트워크보다 학습 시간이 적게 소요되고, 학습의 수렴성이 개선된 것을 확인하였다.

• Proceedings of the KIEE Conference
• /
• 2002.07d
• /
• pp.2846-2849
• /
• 2002

본 논문은 뉴로-퍼지 시스템에서의 규칙 선택 및 모델 학술에 대하여 EM 알고리즘을 기반으로 하는 구조 동정을 제안한다. 뉴로-퍼지 모델링에서의 초기 파라미터가 학습과정에서의 모델 성능에 큰 영향을 주고 있다. 주어진 데이터에 근거한 파라미터 추정에는 다양한 방법들이 소개되고 응용되어져 왔는데 이전 연구들에서 볼 수 있는 HCM, FCM 등은 데이터와의 유클리디언 거리를 최소화하는 중심점을 파라미터로 선택하는 등의 방법과 퍼지 균등화 등은 데이터의 확률 밀도함수를 이용하여 파라미터를 추정하였다. 제안된 방법에서는 데이터에서의 Maximum Likelihood Estimator를 기반으로 하는 방법으로 EM 알고리즘을 이용하였다. 초기 파라미터의 결정에서 EM 알고리즘을 이용하여 뉴로-퍼지 모델의 전제부 소속함수 파라미터 추정을 실시한다. EM 알고리즘을 이용한 퍼지 모델의 특징으로는 전제부가 클러스터링에 의하여 생성되므로 입력의 차원이나 소속함수의 수가 증가하여도 규칙의 수는 증가하지 않는다. 이를 자동차 MPG 예제를 통하여 제안된 방법의 유용성을 보이고자 한다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.5 no.3
• /
• pp.11-35
• /
• 1995

In this paper the fuzzy extension for the classical engineering mechanics problems is studied. The governing differential equation is derived for the buckling loads of the columns with uncertain mediums: the their own weight and the flexural rigidity. The columns with one typical end constraint(hinged1 clarnped/free) and the other finite rotational spring with fuzzy constant are considered in numerical examples. The vertex method is used to evaluate the fuzzy functions. The Runge-Kutta method and Determinant Search method are used to solve the differential equation and determine the buckling loads, respectively. The membership functions of the buckling load are calculated. The index of fuzziness to quantitatively describe the propagation of fuzziness is defined. According to the fuzziness of governing factors, the varlation of index of fuzziness for buckling load is investigated, and the sensitivity for the end constraints is analyzed.

• Proceedings of the KIEE Conference
• /
• 2007.07a
• /
• pp.1815-1816
• /
• 2007

본 논문에서는 데이터의 특성을 이용한 정보 입자 기반 퍼지 뉴럴 네트워크의 연속적 최적화를 제안한다. 데이터들간의 거리를 중심으로 C-Means 클러스터링 알고리즘을 이용하여 멤버쉽 함수를 정의하고 각 중심의 후반부 중심값을 이용하여 후반부 학습에 적용한다. 구조/파라미터 동정에 있어서 실수 코딩 기반 유전자 알고리즘을 이용하여 입력변수의 수, 입력 변수의 선택, 멤버쉽함수의 수, 후반부 형태와 같은 시스템의 입력 구조와 전반부 멤버쉽함수의 정점 및 학습율과 모멘텀 계수와 같은 파라미터를 최적으로 동정한다. 또한, 구조 연산과 파라미터 연산의 연속적 동조 방법을 이용하여 퍼지 뉴럴 네트워크를 최적화한다. 제안된 퍼지 뉴럴 네트워크는 삼각형 멤버쉽 함수를 이용하며, 후반부 추론에는 간략, 선형, 변형된 2차식을 이용한다. 제안된 퍼지 뉴럴 네트워크는 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Journal of the Institute of Electronics Engineers of Korea CI
• /
• v.39 no.3
• /
• pp.18-31
• /
• 2002

In this study, we introduce a concept of advanced neurofuzzy polynomial networks(ANFPN), a hybrid modeling architecture combining neurofuzzy networks(NFN) and polynomial neural networks(PNN). These networks are highly nonlinear rule-based models. The development of the ANFPN dwells on the technologies of Computational Intelligence(Cl), namely fuzzy sets, neural networks and genetic algorithms. NFN contributes to the formation of the premise part of the rule-based structure of the ANFPN. The consequence part of the ANFPN is designed using PNN. At the premise part of the ANFPN, NFN uses both the simplified fuzzy inference and error back-propagation learning rule. The parameters of the membership functions, learning rates and momentum coefficients are adjusted with the use of genetic optimization. As the consequence structure of ANFPN, PNN is a flexible network architecture whose structure(topology) is developed through learning. In particular, the number of layers and nodes of the PNN are not fixed in advance but is generated in a dynamic way. In this study, we introduce two kinds of ANFPN architectures, namely the basic and the modified one. Here the basic and the modified architecture depend on the number of input variables and the order of polynomial in each layer of PNN structure. Owing to the specific features of two combined architectures, it is possible to consider the nonlinear characteristics of process system and to obtain the better output performance with superb predictive ability. The availability and feasibility of the ANFPN are discussed and illustrated with the aid of two representative numerical examples. The results show that the proposed ANFPN can produce the model with higher accuracy and predictive ability than any other method presented previously.

• Computational Structural Engineering
• /
• v.23 no.3
• /
• pp.61-68
• /
• 2010

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.479-482
• /
• 2005

본 논문에서는 퍼지 뉴럴네트워크의 새로운 구조인 Fuzzy Set-based Polynomial Neural Networks(FSPNN)을 소개한다. 제안된 모델은 일반적인 최적화 방법과 정보 입자를 이용하여 네트워크를 설계한다. 최종 구조는 Fuzzy Set-based Polynomial Neuron(FSPN)을 기반으로 설계한 FPNN과 동일하다. 첫째로 FSPNS의 종합적인 설계방법(유전자 알고리즘을 이용한 최적 구조 탐색)에 대해 소개한다. FSPNN에 관계되는 입력변수의 개수, 후반부 다항식의 차수, 멤버쉽 함수의 수 그리고 입력변수 개수에 따른 입력변수를 유전자 알고리즘을 통하여 동조한다. 두 번째로, 입력 변수의 개별적인 퍼지 규칙 형성과 퍼지 공간 분할 및 삼각형 멤버쉽 함수의 초기 정점을 HCM 클러스터링을 통한 Information Granules로 정의한다. 또한 데이터 입자의 중심을 이용하여 후반부의 구조를 결정한다. 이 네트워크의 성능은 기존에 퍼지 또는 뉴로퍼지 모델링에서 실험된 모델링 표준치를 이용하여 평가한다.

• Journal of the Earthquake Engineering Society of Korea
• /
• v.9 no.2 s.42
• /
• pp.7-15
• /
• 2005

Numerical analysis model is proposed to predict the dynamic behavior of a single-degree-of-freedom structure that is equipped with hybrid base isolation system. Hybrid base isolation system is composed of friction pendulum systems (FPS) and a magnetorheological (MR) damper. A neuro-fuzzy model is used to represent dynamic behavior of the MR damper. Fuzzy model of the MR damper is trained by ANFIS (Adaptive Neuro-Fuzzy Inference System) using various displacement, velocity, and voltage combinations that are obtained from a series of performance tests. Modelling of the FPS is carried out with a nonlinear analytical equation that is derived in this study and neuro-fuzzy training. Fuzzy logic controller is employed to control the command voltage that is sent to MR damper. The dynamic responses of experimental structure subjected to various earthquake excitations are compared with numerically simulated results using neuro-fuzzy modeling method. Numerical simulation using neuro-fuzzy models of the MR damper and FPS predict response of the hybrid base isolation system very well.

• Journal of the Korea Concrete Institute
• /
• v.14 no.6
• /
• pp.1022-1031
• /
• 2002

This paper presents efficient models for bridge structures using CART-ANFIS (classification and regression tree-adaptive neuro fuzzy inference system). A fuzzy decision tree partitions the input space of a data set into mutually exclusive regions, each region is assigned a label, a value, or an action to characterize its data points. Fuzzy decision trees used for classification problems are often called fuzzy classification trees, and each terminal node contains a label that indicates the predicted class of a given feature vector. In the same vein, decision trees used for regression problems are often called fuzzy regression trees, and the terminal node labels may be constants or equations that specify the predicted output value of a given input vector. Note that CART can select relevant inputs and do tree partitioning of the input space, while ANFIS refines the regression and makes it continuous and smooth everywhere. Thus it can be seen that CART and ANFIS are complementary and their combination constitutes a solid approach to fuzzy modeling.