• 제목/요약/키워드: Delta 학습 방법

검색결과 34건 처리시간 0.048초

신경망 자율 적응제어를 이용한 발전기의 전압제어 (Voltage Control of Generator using Neural Network Self Adaptative Control)

  • 박왈서;오훈;유석주;라성훈
    • 조명전기설비학회논문지
    • /
    • 제23권2호
    • /
    • pp.103-107
    • /
    • 2009
  • PI제어기는 발전기의 전압제어 시스템에 널리 쓰이고 있다. 하지만 발전 시스템의 특성이 연속적으로 변화할 때, 새로운 PI매개변수를 결정하는 것이 쉽지 않다. 이를 해결하기 위하여 본 논문에서는 발전기의 전압제어에 신경망자율 적응 제어를 이용하는 제어 방법을 제안하였다. 전압제어 시스템의 적절한 연속적인 궤환 제어 이득은 델타학습 규칙에 의해서 결정된다. 제안된 제어 방법의 기능은 직류 발전기 전압제어 실험에 의해 확인하였다.

다채널 뇌파의 웨이블릿 계수와 신경망을 이용한 정신분열증의 판별 (Classification of Schizophrenia Using an ANN and Wavelet Coefficients of Multichannel EEG)

  • 정주영;박일용;강병조;조진호;김명남
    • 대한의용생체공학회:의공학회지
    • /
    • 제24권2호
    • /
    • pp.99-106
    • /
    • 2003
  • 본 논문에서는 정신질환 진단을 위하여 뇌파신호를 판별하는 방법을 제안하였다. 정신질환의 한 종류인 정신분열증 환자의 뇌파와 정상인의 뇌파를 분류하기 위하여 제안한 방법에서는 기본적으로 웨이블릿 변환과 인공 신경망을 이용하였다. 뇌파 신호에 웨이블릿 변환을 적용하여 각각 알파. 베타. 세타 그리고 델타파에 해당하는 주파수 대역의 웨이블릿 계수를 구한 다음. 각각의 주파수 대역에 대한 웨이블릿 계수들의 크기 평균 및 분산들을 인공 신경망의 입력 데이터로 이용하였다. 인공 신경망은 2개의 은닉층을 갖는 4층의 피드포워드 회로망 구조를 가지며 학습에는 역전파 학습 알고리듬을 이용하였다. 정신분열증의 판별시스템은 19 채널의 뇌파신호에 대응하는 19개의 인공신경망으로 구성되었고 정상인과 정신분열증 환자에 대하여 각각 100%와 86.67%의 정확도를 보여주었다.

신경망이득 자동조절기를 이용한 유도모터 속도 제어 (The Speed Control of Induction Motor using Automatic Neural Network Gain Regulator)

  • 박왈서;김용욱;이성수
    • 조명전기설비학회논문지
    • /
    • 제20권7호
    • /
    • pp.53-57
    • /
    • 2006
  • PID 제어기는 산업자동화 설비에 널리 쓰이고 있다. 하지만 시스템 특성이 간헐 또는 연속적으로 변화할 때에 정밀제어를 위한 새로운 매개변수 결정이 쉽지 않다. 이를 해결하기 위한 방법으로 본 논문에서는 PID 제어기와 같은 기능을 갖는 신경망이득 자동조절기를 제안 하였다. 시스템의 적절한 궤환제어 이득은 델타 학습규칙에 의해서 결정된다. 제안된 신경망이득 자동조절기의 기능은 유도 전동기의 속도제어 실험에 의해 확인하였다.

주변 배경음에 강인한 구간 검출을 통한 음원 인식 및 위치 추적 시스템 설계 (Sound recognition and tracking system design using robust sound extraction section)

  • 김우준;김영섭;이광석
    • 한국전자통신학회논문지
    • /
    • 제11권8호
    • /
    • pp.759-766
    • /
    • 2016
  • 본 논문은 비정상 상황 시 발생하는 음원에 대해 주변 환경 음에 강인한 음원 구간을 검출하여, 구간내의 신호를 이용한 음원 인식 과 위치 추적 시스템 설계에 관한 연구이다. 강인한 음원 구간 검출은 수신되는 오디오 신호로부터 단 구간 가중 평균 델타 에너지를 계산하여, 저역 통과 필터에 입력 후, 출력되는 결과 값들의 비교를 통해 배경음에 강인한 구간을 정의 하며, 음원 인식은 검출된 구간 내 데이터로부터 종래의 인식 방법인 HMM(: Hidden Markov Model)을 이용해, 음원 인식 정보를 생성하여 학습 및 인식을 한다. 이는 주변 배경음이 포함된 음원 신호에 대해 기존 신호의 에너지를 이용해 구간을 검출 후, HMM을 통한 인식에 비해 3.94% 상향된 인식률을 보인다. 또한 인식 결과를 바탕으로 구간내의 신호간의 TDOA(: Time Delay of Arrival)를 이용한 위치 파악은 실제 발생 위치와의 각도와 97.44%일치함을 보인다.