• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2005.05a
• /
• pp.186-189
• /
• 2005

본 논문에서는 LVQ를 퍼지화한 새로운 퍼지 학습 법칙들을 제안하였다. 퍼지 LVQ 학습법칙 1은 기존의 학습률 대신에 퍼지 학습률을 사용하였는데 이는 조건 확률의 퍼지화에 기반을 두고 있다. 퍼지 LVQ 학습법칙 2는 클래스들 사이에 존재하는 입력벡터가 결정 경계선에 대한 정보를 더 가지고 있는 것을 반영한 것이다. 이 새로운 퍼지 학습 법칙들을 improved IAFC(Integrted Adaptive Fuzzy Clustering)신경회로망에 적용하였다. improved IAFC신경회로망은 ART-1 (Adaptive Resonance Theory)신경회로망과 Kohonen의 Self-Organizing Feature Map의 장점을 취합한 퍼지 신경회로망이다. 제안한 supervised IAFC 신경회로망 1과 supervised IAFC neural 신경회로망 2의 성능을 오류 역전파 신경회로망의 성능과 비교하기 위하여 iris 데이터를 사용하였는데 Supervised IAFC neural network 2가 오류 역전파 신경회로망보다 성능이 우수함을 보여주었다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.101-105
• /
• 2005

본 논문에서는 LVQ(Learning Vector Quantization)을 퍼지화한 새로운 퍼지 학습 법칙을 제안하였다. 퍼지 LVQ 학습 법칙 3은 기존의 학습률 대신에 퍼지 학습률을 사용하였는데, 기존의 LVQ와는 달리 비대칭인 학습률을 사용하였다. 기본의 LVQ에서는 분류가 맞거나 틀렸을 때 같은 학습률을 사용하고 부호만 달랐으나, 새로운 퍼지 학습 법칙에서는 분류가 맞거나 틀렸을 때 부호가 다를 뿐만 아니라 학습률도 다르다. 이 새로운 퍼지 학습 법칙을 무감독 신경회로망인 improved IAFC(Integrated Adaptive Fuzzy Clustering) 신경회로망에 적용하여 감독 신경회로망으로 변형하였다. Improved IAFC 신경회로망은 유연성이 있으면서도 안정성이 있다. 제안한 supervised IAFC 신경회로망 3의 성능과 오류 역전파 신경회로망의 성능을 비교하기 위하여 iris 데이터를 사용하였는데 Supervised IAFC 신경회로망 3가 오류 역전파 신경회로망보다 성능이 우수하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.05a
• /
• pp.109-112
• /
• 2006

본 논문은 클래스들의 대표값들과 입력 벡터와의 거리를 사용한 새로운 퍼지 학습법칙을 제안한다. 이 새로운 퍼지 학습을 supervised IAFC(Integrated Adaptive Fuzzy Clustering) 신경회로망에 적용하였다. 이 새로운 신경회로망은 안정성을 유지하면서도 유연성을 가지고 있다. iris 데이터를 사용하여 테스트한 결과 supervised IAFC 신경회로망 4는 오류 역전파 신경회로망과 LVQ 알고리즘보다 성능이 우수하였다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.15 no.7
• /
• pp.800-804
• /
• 2005

This paper presents a fuzzy learning rule which is the fuzzified version of LVQ(Learning Vector Quantization). This fuzzy learning rule 3 uses fuzzy learning rates. instead of the traditional learning rates. LVQ uses the same learning rate regardless of correctness of classification. But, the new fuzzy learning rule uses the different learning rates depending on whether classification is correct or not. The new fuzzy learning rule is integrated into the improved IAFC(Integrated Adaptive Fuzzy Clustering) neural network. The improved IAFC neural network is both stable and plastic. The iris data set is used to compare the performance of the supervised IAFC neural network 3 with the performance of backprogation neural network. The results show that the supervised IAFC neural network 3 is better than backpropagation neural network.

• 전기의세계
• /
• v.46 no.3
• /
• pp.20-25
• /
• 1997

자율주행시스템은 복잡한 환경에서 효과적인 주행을 위해서 센서를 통해 주변의 정보를 수집하고 주변환경에 적절한 동작을 취해야 한다. 이러한 자율주행시스템에 지능적인 방법을 통하여 새롭게 제안한 방법을 서술하였다. 퍼지 논리를 이용하여 운전자와 같이 차량이 차선을 따라 주행하기 위한 퍼지 논리 제어기(FLC)가 설계되었다. 함축적인 차량모델을 기반으로 설계한 퍼지 논리 제어기가 복잡하고 정확한 차량모델을 기반으로 설계된 PID나 FSLQ 제어기와 동등한 성능을 발휘하였다. 인간의 운전방법을 학습할 수 있는 신경회로망을 이용하여 자율주행시스템에 적용하였다. 퍼지 신경회로망은 인간의 제어특성을 반영하도록 설계되었으며 자동으로 생성된 제어기는 퍼지 논리 제어나 신경회로망의 기법보다 우수한 성능을 발휘하였다. 퍼지 논리, 신경회로망, 유전자 알고리즘 등의 인간의 지능 모델에 기초를 둔 방법을 자율주행차량의 제어에 도입하므로써 기존의 자율주행시스템의 문제점을 극복하는데 주요한 역할을 하였다. 앞으로 퍼지 논리, 신경회로망, 유전자 알고리즘은 각각의 강점을 융합하거나, 고전적인 제어 알고리즘과 결합하므로써 더욱 우수한 성능을 발휘할 것으로 예상된다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.11a
• /
• pp.197-202
• /
• 2006

본 논문에서는 퍼지 신경회로망을 사용하여 영상에서 물체를 배경으로부터 추출해내는 방법을 제시하였다. 퍼지 신경회로망의 vigilance parameter를 조정하여 영상을 2개의 클래스로 분류하고, 물체 영역과 배경영역의 Cb와 Cr의 대표값을 추출하였다. 제안한 방법을 사용하여 물체색상의 위치 및 크기와 밝기에 상관없이 물체영역을 추출하였다.

• 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.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.11 no.4
• /
• pp.354-358
• /
• 2001

This paper presents a fuzzy neural network model which solves the underutilization problem. This fuzzy neural network has both stability and flexibility because it uses the control structure similar to AHT(Adaptive Resonance Theory)-l neural network. And this fuzzy nenral network does not need to initialize weights and is less sensitive to noise than ART-l neural network is. The learning rule of this fuzzy neural network is the modified and fuzzified version of Kohonen learning rule and is based on the fuzzification of leaky competitive leaming and the fuzzification of conditional probability. The similarity measure of vigilance test, which is performed after selecting a winner among output neurons, is the relative distance. This relative distance considers Euclidean distance and the relative location between a datum and the prototypes of clusters. To compare the performance of the proposed fuzzy neural network with that of Kohonen Self-Organizing Feature Map the IRIS data and Gaussian-distributed data are used.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.5 no.4
• /
• pp.77-86
• /
• 1995

The new architecture that fuzzy logic control(FLC) with difficulties for tuning membership function (MF) is parallel with neural networks(NN) to be learned from the output of FLC is proposed. Therefore proposed scheme has the characteristics to utilize the expert knowledge in design process, to be learned during the operation without any learning mode. In this architecture, the function of the FLC is to supply the sliding surface which is constructed on the phase plane by rule base for giving the desired control characteristics and learning criterion of NN and the stabilization of the control performance before NN is learned, The function of the NN is to let the system trajectory be tracked to the sliding surface and reached to the stable point.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.20 no.5
• /
• pp.672-676
• /
• 2010

This paper presents a learning rule that weights more on data near decision boundary. This learning rule generates better decision boundary by reducing the effect of outliers on the decision boundary. The proposed learning rule is integrated into IAFC neural network. IAFC neural network is stable to maintain previous learning results and is plastic to learn new data. The performance of the proposed fuzzy neural network is compared with performances of LVQ neural network and backpropagation neural network. The results show that the performance of the proposed fuzzy neural network is better than those of LVQ neural network and backpropagation neural network.