• Proceedings of the KIEE Conference
• /
• 2007.10a
• /
• pp.405-406
• /
• 2007

본 논문에서는 FCM 기반 퍼지 뉴럴네트워크 구조를 제안하고 진화 알고리즘을 이용한 FCM 기반 퍼지 뉴럴네트워크의 구조와 파라미터의 최적화 방법을 제시한다. 클러스터링 알고리즘은 퍼지 뉴럴 네트워크에서 멤버쉽함수의 중심점과 반경 등을 결정하는 학습에 일반적으로 사용된다. 제안된 FCM 기반 뉴럴 네트워크에서 멤버쉽함수는 가우시안, 삼각형 타입등의 정해진 형태를 사용하지 않고 데이터들 사이의 거리에 관계된 계산을 수행하는 FCM에 의해 결정된다. 후반부는 상수형, 선형, 2차식 등의 다양한 다항식 구조로 표현될 수 있으며 다항식의 계수는 LSE를 이용하여 결정한다. FCM 기반 퍼지 뉴럴 네트워크는 퍼지규칙의 수, 입력변수의 선택, 후반부 다항식의 차수, FCM의 퍼지화 계수의 결정은 성능에 많은 차이가 있으며 이러한 구조와 파라미터의 최적화가 요구된다. 본 논문에서는 유전자 알고리즘을 이용하여 FCM 기반 퍼지뉴럴네트워크의 구조에 관련된 입력변수의 수, 퍼지규칙의 수 그리고 후반부 다항식의 차수와 파라미터에 관련된 퍼지화 계수를 최적화 한다. 제안된 방법은 비선형 시스템의 모델링에 적용하여 성능을 분석하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2008.04a
• /
• pp.411-414
• /
• 2008

본 논문에서는 다중 출력을 가지는 퍼지 집합 기반 퍼지뉴럴네크워크(Fuzzy-Nueral Network; FNN)를 설계한다. 퍼지 집한 기반 퍼지뉴럴네트워크는 각 입력 변수에 따른 개별적인 입력 공간을 공간 분할함으로서 네트워크를 구성한다. 규칙의 전반부는 앞서 언급한 개별적인 입력 공간을 분할하여 표현하고, 규칙의 후반부는 다항식으로서 표현되며 오류역전파 알고리즘을 이용하여 연결가중치인 후반부 다항식의 계수를 학습한다. 또한, 각 입력에 대한 전반부 멤버쉽 함수의 정점과 학습률 및 모멤텀 계수를 유전자 알고리즘을 이용하여 최적 동조한다. 따라서 유전자 알고리즘을 이용하여 퍼지뉴럴네트워크를 최적 설계한다. 제안된 네트워크는 초고압 XLPE 케이블 절연접속함의 모의결함에 대해 부분방전 신호를 패턴인식한다. 부분방전 신호는 PRPDA 방법을 통해 200개의 입력 벡터와 4개의 출력 벡터를 가지며, 보이드 방전, 코로나 방전, 표면 방전, 노이즈의 4개 클래스를 분류한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.367-370
• /
• 2005

본 논문에서는 정보 입자화와 유전자 알고리즘을 기반으로 최적 퍼지 다항식 뉴럴네트워크를 제안하고, 유전자 알고리즘을 사용하여 종합적인 설계방법을 개발한다. 제안된 모델은 기존의 진화론적 퍼지 다항식 뉴럴네트워크의 구조를 정보입자화를 통해 좀 더 빠르게 최적의 해공간에 접근시키는데 그 목적이 있다. 퍼지 관계기반 다항식 뉴럴네트워크는 퍼지 다항식 뉴론이 기초가 되어 가능한 구조적이고 요소적으로 모델의 성능을 향상 시켜준다. 퍼지 다항식 뉴런의 최적 구조를 위해 유전자 알고리즘을 이용하여 입력변수의 수와 후반부 다항식의 차수 입력변수 수에 따른 입력변수 그리고 멤버쉽 함수의 수를 동조한다. 여기서, 클러스터링의 하나의 방법인 HCM에 의해 퍼지 규칙 각각의 전반부와 후반부에 데이터 중심값을 이용하여 다항식함수의 파라미터값을 결정한다. 제안된 유전론적 퍼지 관계 다항식 뉴럴네트워크의 성능평가는 기존 퍼지 모델링에서 이용된 표준 데이터를 활용하여 평가한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.303-306
• /
• 2004

기존의 퍼지 규칙에 기반을 둔 퍼지 다항식 뉴론(FPN)들로 구성된 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. 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. 그러나, SOFPNN의 기본 뉴론인 퍼지 규칙 기반 다항식 뉴론의 경우 입력변수가 많아질수록 규칙수가 기하급수적으로 증가한다는 단점을 가지고 있으나 본 노문에서 제안한 퍼지 집합 기반 다항식 뉴론(FSPN)의 규칙수는 입력 변수들이 서로 독립적이므로 규칙의 증가가 퍼지 규칙 기반 다항식 뉴런보다는 적다는 장점을 가지고 있다. 이러한 특성을 기반으로 기존의 SOFPNN의 노드에 퍼지 규칙 기반 다항식 뉴런 대신에 퍼지 집합 기반 다항식 뉴런을 적용한 SOFPNN을 제안하여 기존의 SOFPNN과 성능을 비교하였다. 최적의 자기 구성 퍼지 집합기반 다항식 뉴럴 네트워크를 구축하기 위하여 SOFPNN에서처럼 유전자 알고리즘을 이용하여 네트워크의 입력변수의 수와 이에 해당되는 입력변수 그리고 규칙 후반부 다항식의 차수를 탐색하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.442-445
• /
• 2004

본 논문은 유전자 기반 퍼지다항식 뉴럴네트워크(Genetic based fuzzy polynomial neural networks： gFPNN)를 제안한다. gFPNN 구조는 퍼지집합을 기반으로 설계되며, 유전자 알고리즘에 의해 구조 및 파라미터를 최적화한 구조이다. 퍼지집합을 기반으로 설계되어진 퍼지뉴럴네트워크는 간략추론 구조와 선형추론 구조로 설계된다. 본 논문에서는 간략추론 및 선형추론 구조를 통합 및 확장한 퍼지다항식 뉴럴네트워크를 설계한다. 이 구조는 연결가중치를 이용하여 회귀다항식을 네트워크 구조로 표현하며, 간략추론(Type 0), 선형추론(Type 1), 회귀다항식추론(Type 2)을 모두 포함한다. 또한 퍼지규칙 후반부의 다항식 차수를 각 규칙에 대해 다르게 선택할 수 있으며, 일률적인 형식의 구조를 벗어나 주어진 시스템의 특성에 따라 유연한 구조를 설계할 수 있도록 한다. 여기에 더하여, 네트워크 구조와 파라미터 동조에 유전자 알고리즘을 적용하며, 구조와 파라미터 동정에 대한 효율적인 방법을 논의한다. 제안된 모델의 평가를 위해 수치예제를 이용한다.

• Proceedings of the KIEE Conference
• /
• 2006.07d
• /
• pp.2093-2094
• /
• 2006

본 논문에서는 입출력 데이터의 특성을 이용하기 위하여 HCM 클러스터링에 의한 정보 입자를 이용한 퍼지 뉴럴 네트워크의 설계를 제안하고 최적화한다. 대상 시스템의 입출력 데이터를 취득하여 데이터들간의 거리를 중심으로 멤버쉽 함수를 정의하고 각 규칙에 속한 입출력 데이터를 추출하여 후반부 추론에 적용한다. 또한, 앞서 정의된 멤버쉽 파라미터는 유전자 알고리즘을 이용하여 최적으로 동정하여 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.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.05a
• /
• pp.117-120
• /
• 2006

본 논문에서는 입출력 데이터의 특성을 이용하기 위하여 HCM 클러스터링에 의한 데이터 정보를 이용한 퍼지 뉴럴 네트워크의 설계를 제안하고 이를 최적화한다. 대상 시스템의 입출력 데이터를 취득하여 데이터들간의 거리를 중심으로 멤버쉽 함수를 정의하고 각 규칙에 속한 입출력 데이터를 추출하여 후반부 추론에 적용한다. 또한, 앞서 정의된 멤버쉽함수를 최적으로 동정하여 최적의 퍼지 뉴럴 네트워크를 설계한다. 제안된 퍼지 뉴럴 네트워크는 삼각형 멤버쉽 함수를 이용하며, 후반부 추론에는 간략, 선형, 변형된 2차식을 이용한다. 연결 가중치는 오류역전파 알고리즘을 이용하여 학습한다. 제안된 퍼지 뉴럴 네트워크는 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• 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.

• Proceedings of the KIEE Conference
• /
• 2008.04a
• /
• pp.97-98
• /
• 2008

본 논문에서는 다중 출력을 가지는 퍼지 관계 기반 퍼지뉴럴네트워크를 설계한다. 퍼지 관계 기반 퍼지뉴럴네트워크는 선체 인력 변수에 따른 입력 공간을 분할함으로서 네트워크를 구성한다. 규칙의 전반부는 앞서 언급한 전체 입력 공간을 분할하여 표현하고, 규칙의 후반부는 다항식으로서 표현되며 오류역전파 알고리즘을 이용하여 연결가중치인 후반부 다항식을 학습한다. 또한, 각 입력에 대만 전반부 멤버쉽함수의 정점과 학습률 및 모멤텀 계수를 유전자 알고리즘을 이용하여 최적 동조한다. 따라서 유전자 알고리즘을 이용하여 퍼지뉴럴네트워크를 최적 설계한다. 마지막으로 제안된 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.