• 한국항해항만학회지
• /
• 제30권1호
• /
• pp.45-51
• /
• 2006

본 연구는 항만혁신클러스터의 성공을 위한 평가요소를 분석하기 위한 것이다. 이를 위해 본 연구에서는 항만혁신클러스터 성공을 위한 평가항목을 정책, 자원, 운영 등 3가지로 구분하였다. 그리고 3항목은 다시 12개의 요소로 세분화하였다. 뉴럴네트웍에 의한 훈련 및 검증을 위해 전체 30개의 설문자료를 훈련용과 검증용으로 각각 15부씩 구분하고, 구분된 자료를 이용하여 훈련 및 검증하였다. 코호넨 네트웍에 의해 수행한 결과 예측의 정확성은 $73.33\%$로 나타났다. 평가항목 및 세부요소의 중요도는 코호넨 네트웍에 의해 산출되었다. 그 결과 항만혁신 클러스터의 성공을 예측한 그룹의 경우에는 자원항목이 다른 항목에 비해 가장 중요한 것으로 나타났다.

• 한국정보통신학회:학술대회논문집
• /
• 한국해양정보통신학회 2002년도 춘계종합학술대회
• /
• pp.322-325
• /
• 2002

본 논문에서는 클러스터 해석으로 알려진 고전적인 패턴인식 알고리즘인 KCN(Kohonen Clustering Network)의 문제점을 개선하기 위한 방식을 제안하였다. 제안한 방식은 퍼지시스템을 이용하여 학습하는 동안 자동적으로 이웃 반경의 크기와 학습율을 조절한다. 퍼지 시스템의 입력은 입력 데이터와 연결강도와의 거리와 거리의 변화율을 사용하였으며, 출력은 이웃 반경의 크기와 학습율을 사용하였다. 퍼지 시스템의 제어 규칙은 기존의 코호넨 클러스터링 네트워크를 이용한 시뮬레이션에 의하여 정하였다. 제안한 방식의 유용성을 입증하기 위해 Anderson의 IRIS 데이터를 이용하여, 기존의 코호넨 클러스터링 네트웍을 시뮬레이션한 결과 제안한 방식의 성능의 우수함을 확인하였다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2005년도 추계학술대회 논문집
• /
• pp.327-332
• /
• 2005

본 연구는 항만혁신클러스터의 성공도 예측과 평가요소를 분석하기 위한 것이다. 이를 위해 본 연구에서는 항만혁신클러스터 정책, 자원, 운영 등 3가지의 평가항목으로 구분하였다. 그리고 3항목은 다시 12개의 요소로 세분화하였다. 평가요소의 중요도는 코호넨 네트웍에 의해 산출되었다. 그 결과 자원요소가 다른 요소에 비해 가장 중요한 것으로 나타났다.

• 정보처리학회논문지B
• /
• 제8B권6호
• /
• pp.651-656
• /
• 2001

본 논문은 기존의 신경망을 이용한 세선화 방법 중에서 자기 구성 그래프(Self-Organized Graph：SOG) 세선화 기법의 우수한 세선화 결과를 유지하면서, 수행 속도를 향상시키기 위하여 Kohonen Features Map의 새로운 점증 기법을 변형된 SOG에 적용한 개선된 SOG(Improved SOG：$SOG^*$) 세선화 기법을 제안한다. 실험 결과로써 숫자와 문자 모두 기존의 SOG와 같은 우수한 세선화 결과를 나타내며, O((logM)3)의 시간 복잡도를 가지는 속도 향상을 이루었다. 따라서 본 논문에서 제안한 방법은 숫자 또는 문자 인식에 있어 특징 추출의 빠른 전처리 과정으로 사용할 수 있다.