• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10b
• /
• pp.736-738
• /
• 2003

수천 개의 유전자 발현 정보를 가지고 있는 DNA 마이크로어레이 기술의 발달로 대량의 생물정보를 빠른 시간 내에 분석하는 것이 가능하게 되었다. 유전자를 분석하는 방법 중 하나인 클러스터링 방법은 비슷한 기능을 가진 유전자들을 집단화시켜서 집단내의 유전자들의 기능을 밝히거나, 미지의 유전자를 분석하는데 이용되고 있다. 본 논문에서는 유전자 데이터를 분석하기 위한 퍼지 클러스터링 방법과 이를 효과적으로 검증할 수 있는 베이지안 검증 방법을 제안한다. 퍼지 c-means 알고리즘을 사용하여 클러스터를 생성하고, 클러스터 결과를 기존의 퍼지 클러스터 검증 방법들과 본 논문에서 제안하는 베이지안 검증 방법을 사용하여 비교 평가한다. 베이지안 검증 방법은 각 유전자의 클러스터 멤버쉽을 확률로 이용하여 각 클러스터에 속할 확률을 계산하고, 이 값을 가장 크게 해주는 클러스터 집단을 선택한다. 이 방법은 기존의 퍼지 클러스터 검증 방법들과는 달리 클러스터 수에 무관한 평가가 가능한 장점을 가지고 있다. Serum과 Yeast 데이터에 대한 실험 결과, 베이지안 검증 방법의 유용성을 확인할 수 있었다.

• Proceedings of the KIEE Conference
• /
• 2007.07a
• /
• pp.1846-1847
• /
• 2007

본 논문에서는 비선형 공정의 모델링 성능을 향상시키기 위하여 퍼지 엔트로피 분석을 통해 새로운 클러스터를 생성하고, 이 클러스터를 퍼지 모델의 새로운 규칙으로 추가하는 자기구성 퍼지 모델을 제안한다. 퍼지 엔트로피가 상대적으로 큰 데이터 집합으로 새로운 클러스터를 구성하면 퍼지 모델의 애매모호한 정도가 작아져서 모델링 오차가 줄어들 가능성이 크게 된다. 제안한 방법의 유용성을 입증하기 위해 이를 Box-Jenkins의 가스로 공정에 적용하여 퍼지 규칙수의 증가에 따른 모델링 성능의 변화를 보이고, 기존의 방법에 의한 모델링 결과와 비교한다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2004.05b
• /
• pp.158-161
• /
• 2004

RBF 네트워크의 중간층은 클러스터링하는 층이다. 즉, 이 충의 목적은 주어진 자료 집합을 유사한 클러스터들(homogenous cluster)로 분류하는 것이다. 여기서 유사하다는 것은 입력 데이터들에 대한 특징 벡터 공간사이에서 한 클러스터내의 벡터들 간에 거리를 측정하여 정해진 반경 내에 존재하면 같은 클러스터로 분류하고 정해진 반경 내에 존재하지 않으면 다른 클러스터로 분류한다. 그러나 정해진 반경 내에서 클러스터링하는 것은 잘못된 클러스터를 선택하는 단점을 가지게 된다. 그러므로 중간층을 결정하는 .것은 RBF 네트워크의 전반적인 효율성에 큰 영향을 준다. 따라서 본 논문에서는 효율적으로 중간층을 결정하기 위한 방법으로 퍼지 C-Means 클러스터링 알고리즘을 적용한 퍼지 RBF 네트워크를 제안한다. 제안된 퍼지 RBF 네트워크의 학습은 크게 두 단계로 구분된다. 첫 번째 단계는 입력층과 중간층 사이에 퍼지 C-Means 알고리즘이 수행되고, 두 번째 단계는 중간층과 출력층 사이에 지도학습이 수행된다. 제안된 방법의 학습 성능을 평가하기 위하여 실제 주민등록증에서 추출한 숫자패턴에 적용한 결과, 기존의 RBF네트워크 보다 학습 성능이 개선된 것을 확인하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2003.05a
• /
• pp.99-102
• /
• 2003

본 논문에서는 퍼지 클러스터링 알고리즘에 의해 구해진 퍼지 클러스터들에 대한 평가척도를 제안한다. 제안된 척도는 퍼 지 클러스터들간의 중첩성(overlapping)과 분리성 (separation)을 이용한다. 중첩성은 클러스터간 인접도를 이용하여 계산하며, 분리성은 데이터에 대한 상관성 정도를 나타낸다. 따라서 중첩성이 낮고 분리성이 높을수록 좋은 클러스터 결과라고 할 수 있다. 표준 데이터 집합을 대상으로 기존의 척도들과 비교실험 함으로써 제안된 척도의 신뢰성을 알아보았다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.13 no.4
• /
• pp.455-460
• /
• 2003

A new cluster validity index is proposed that determines the optimal partition and optimal number of clusters for fuzzy partitions obtained from the fuzzy c-means algorithm. The proposed validity index exploits an overlap measure and a separation measure between clusters. The overlap measure is obtained by computing an inter-cluster overlap. The separation measure is obtained by computing a distance between fuzzy clusters. A good fuzzy partition is expected to have a low degree of overlap and a larger separation distance. Testing of the proposed index and nine previously formulated indexes on well-known data sets showed the superior effectiveness and reliability of the proposed index in comparison to other indexes.

• Journal of Digital Convergence
• /
• v.14 no.1
• /
• pp.203-209
• /
• 2016

In this paper, we introduce a fuzzy inference systems for nonlinear inference using fuzzy cluster. Typically, the generation of fuzzy rules for nonlinear inference causes the problem that the number of fuzzy rules increases exponentially if the input vectors increase. To handle this problem, the fuzzy rules of fuzzy model are designed by dividing the input vector space in the scatter form using fuzzy clustering algorithm which expresses fuzzy cluster. From this method, complex nonlinear process can be modeled. The premise part of the fuzzy rules is determined by means of FCM clustering algorithm with fuzzy clusters. The consequence part of the fuzzy rules have four kinds of polynomial functions and the coefficient parameters of each rule are estimated by using the standard least-squares method. And we use the data widely used in nonlinear process for the performance and the nonlinear characteristics of the nonlinear process. Experimental results show that the non-linear inference is possible.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2007.11a
• /
• pp.235-238
• /
• 2007

본 논문에서는 기존의 클러스터 기반 퍼지 모델트리에서 트리의 깊이에 따른 over-fitting으로 인한 훈련 및 검증데이터의 일관성 문제점을 해결하기 위해 상호 노드간의 정보를 고려하는 방법을 제안하고자 한다. 제안된 방법은 우선 입력과 출력변수의 속성을 고려한 퍼지 클러스터링에 의해 중심벡터를 계산한 후, 중심벡터들과 입력 속성간의 소속도를 이용하여 구간 분할된 영역별로 각각의 선형모델을 구축한다. 예측 단계에서는 입력된 데이터가 잎노드에 도달하는 노드간의 중심벡터와 입력 데이터간의 거리값에 따른 소속도를 계산한 후 최종적으로 무게 중심법을 이용하여 출력값을 예측하게 된다. 제안된 방법의 우수성을 보이기 위해 다양한 벤치마크 데이터를 대상을 실험한 결과, 기존의 클러스터 기반 퍼지 모델트리보다 향상된 성능을 보임을 알 수 있었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.11a
• /
• pp.936-940
• /
• 2007

본 논문은 무선 센서 네트워크의 에너지 효율적인 운영을 위해 무선 센서 네트워크 환경에 적합한 클러스터 헤드 선출 메커니즘을 제안한다. LEACH 와 같은 기존의 확률 모델 기반의 클러스터 헤드 선출 메커니즘들은 각 라운드마다 클러스터 헤드로 선출될 확률과 라운드 횟수 등을 바탕으로 클러스터 헤드를 선출한다. 그러나 이와 같은 방법은 각 노드의 상황을 고려하지 않아 네트워크의 수명을 단축시킬 수 있다. 이러한 문제점을 해결하기 위해서는 각 센서 노드의 에너지 및 노드 분포 상황을 고려하여 클러스터 헤드를 선출해야 한다. 하지만 실제 무선 센서 네트워크 환경에서는 클러스터 헤드 선출을 위해 정확한 정보를 수집하고 이를 계산하는데 있어 큰 오버헤드가 발생하는 문제점이 있다. 이에 본 논문에서는 정보 수집 및 계산에 있어서 오버헤드를 줄이고 네트워크의 수명을 극대화하기 위하여 퍼지 논리를 이용한 퍼지 논리 기반의 클러스터 헤드 선출 메커니즘을 제안한다. Matlab 을 통한 시뮬레이션 결과 LEACH 에 비해 퍼지 논리 기반의 클러스터 헤드 선출 메커니즘을 이용했을 경우 네트워크 수명이 약 16.3% 향상되었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2004.05a
• /
• pp.359-362
• /
• 2004

본 논문에서는 평균내부거리를 적용한 퍼지 클러스터링 알고리즘과 클러스터들 사이의 중첩성을 이용한 위성영상의 분류 알고리즘을 제안하였다. 제안된 방법은 클러스터의 크기에 따라 큰 클러스터에는 많은 소속정도를 작은 클러스터에는 적은 소속정도를 부여함으로 크기가 다른 클러스터가 존재하는 데이터 집합에 대해서도 분류의 효율성을 높였다. 클러스터들간의 중첩성을 이용한 평가를 통해 위성영상에 있어서 중첩되지 않은 화소는 각각의 분류항목에 포함시키고, 중첩된 화소들은 최대우도 분류를 수행한 후 각 화소에 대한 우도와 퍼지 클러스터링의 소속도를 비교 분석하여 최종 분류항목을 결정함으로서 분류를 효율적으로 할 수 있다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2007.04a
• /
• pp.301-304
• /
• 2007

학습법칙은 신경회로망의 성능에 중요한 영향을 미친다. 본 논문은 데이터와 클러스터들의 대표값들 사이의 거리를 고려하여 학습률을 정하는 새로운 퍼지 학습법칙을 제안한다. 클러스터들의 대표값을 조정할 때, 이러한 고려는 outlier에 비하여 결정경계선 근처에 있는 데이터의 반영도를 높임으로써 outlier의 클러스터의 대표값에 미치는 영향도를 낮출 수 있다. 따라서 outlier들이 결정경계선을 악화시키는 것을 방지할 수 있다. 이 새로운 퍼지 학습법칙을 IAFC(Integrated Adaptive Fuzzy Clustering) 신경회로망에 적용하였다. 제안한 퍼지 신경회로망과 다른 감독 신경회로망들의 성능을 비교하기 위하여 iris 데이터를 사용하였다. iris 데이터를 사용하여 테스트한 결과 제안한 퍼지 신경회로망의 성능이 우수함을 보였다.