• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2007년도 학술발표회 논문집
• /
• pp.1427-1431
• /
• 2007

In this study, the new methodology which combines Kohonen self-organizing map(KSOM) neural networks model and the conventional neural networks models such as feedforward neural networks model and generalized neural networks model is introduced to forecast flood stage in Nakdong river, Republic of Korea. It is possible to train without output data in KSOM neural networks model. KSOM neural networks model is used to classify the input data before it combines with the conventional neural networks model. Four types of models such as SOM-FFNNM-BP, SOM-GRNNM-GA, FFNNM-BP, and GRNNM-GA are used to train and test performances respectively. From the statistical analysis for training and testing performances, SOM-GRNNM-GA shows the best results compared with the other models such as SOM-FFNNM-BP, FFNNM-BP, and GRNNM-GA and FFNNM-BP shows vice-versa. From this study, we can suggest the new methodology to forecast flood stage and construct flood warning system in river basin.

• 한국방재학회:학술대회논문집
• /
• 한국방재학회 2008년도 정기총회 및 학술발표대회
• /
• pp.669-673
• /
• 2008

In this study, the new methodology which combines Kohonen self-organizing map(KSOM) neural networks model and the conventional neural networks models such as feedforward neural networks model and generalized neural networks model is introduced to forecast flood stage in Nakdong river, Republic of Korea. It is possible to train without output data in KSOM neural networks model. KSOM neural networks model is used to classify the input data before it combines with the conventional neural networks model. Four types of models such as SOM-FFNNM-BP, SOM-GRNNM-GA, FFNNM-BP, and GRNNM-GA are used to train and test performances respectively. From the statistical analysis for training and testing performances, SOM-GRNNM-GA shows the best results compared with the other models such as SOM-FFNNM-BP, FFNNM-BP, and GRNNM-GA and FFNNM-BP shows vice-versa. From this study, we can suggest the new methodology to forecast flood stage and construct flood warning system in river basin.

• 한국멀티미디어학회논문지
• /
• 제11권9호
• /
• pp.1213-1226
• /
• 2008

추천시스템은 사용자가 제공한 선호, 관심, 구매경험과 같은 정보를 근거로 하여 다른 사용자에게 가장 알맞은 정보를 제공하는 일련의 가치교환 과정인 개인화를 가능하게 하는 시스템으로 고객의 선호도를 정확히 분석하고, 정제하여 정확한 예측력으로 고객이 원하는 가장 적절한 상품을 추천 해줄 수 있어야 한다. 대부분의 추천시스템들이 협동적 필터링 기법을 적용하고 있어 본 논문에서는 협동적 필터링 기법의 연산수행 량을 개선한 새로운 결합 모델인 SOM(Self-Organizing Map) 신경망 회로와 결합한 추천시스템을 제안하였다. 먼저, 사용자 그룹을 인구통계학적인 특징으로 세그먼트하고 SOM 신경망회로를 이용하여 item 특징에 대한 선호도를 입력 값으로 학습하여 클러스터를 생성하였다. 임의의 사용자에 대한 추천은 선호도가 유사한 클러스터를 결정하여 협동적 필터링 기법을 적용하였으며, 기존의 협동적 필터링 기법의 연산 수행량과 비교 분석하였다. 또한 영화를 대상으로 한 실험을 통하여 추천효율이 향상되었음을 나타내었다.

• 컴퓨터교육학회논문지
• /
• 제9권5호
• /
• pp.77-84
• /
• 2006

본 논문에서는 HVS(Human Visual System)와 신경회로망 중 SOM(Self-Organizing Map)을 이용하여 DWT 영역에서 영상에 적응적인 워터마킹 알고리즘을 제안한다. HVS는 brightness sensitivity와 texture sensitivity의 두가지 특성으로 설명될 수 있다. SOM은 영상의 지역적인 특징들을 얻는데 사용된다. 따라서 HVS와 SOM을 이용하여 삽입되는 워터마크의 최적의 강도와 길이를 결정한다. 실험을 통해 제안한 방법이 최적의 워터마크 강도와 길이를 제공하며 비가시성 테스트에서 우수함과 다양한 공격에 강인함을 알 수 있다.

• 응용통계연구
• /
• 제15권2호
• /
• pp.251-267
• /
• 2002

Kohonen이 제안한 자기조직화 지도(Self Organizing Maps : SOM)는 매우 빠른 신경망 모형이다. 하지만 다른 신경망 모형과 마찬가지로 학습 결과에 대한 명확한 규칙을 제시하지 못할 뿐만 아니라 지역적 최적값으로 빠지는 경우가 종종 있다. 본 논문에서는 이러한 자기조직화 지도의 모형에 대한 설명력을 부여하고 전역 최적값으로 수렴할 수 있는 예측 성능을 갖는 모형으로서 자율학습 신경망에 베이지안 추론을 결합한 자기조직화 지도를 위한 베이지안 학습(Bayesian Learning for Self Organizing Maps ; BLSOM)을 제안한다. 이 방법은 기존의 자기조직화 지도가 지역적 해에 머물러 있는 것에 비해서 언제든지 전역적 해로 수렴함이 실험을 통하여 밝혀졌다.

• 제어로봇시스템학회:학술대회논문집
• /
• 제어로봇시스템학회 2001년도 ICCAS
• /
• pp.115.4-115
• /
• 2001

This paper deals with recognizing ten korean voiced vowels using Self Organizing Map. SOM is a good classifier. The output layer is composed of two dimensions. The input vector is the frequency values having the characteristic of voiced vowels. The short time frequency transform is used getting input vector. The final neural networks is attached SOM output layer.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제8권2호
• /
• pp.116-120
• /
• 2008

Clustering is a method for unsupervised learning. General clustering tools have been depended on statistical methods and machine learning algorithms. One of the popular clustering algorithms based on machine learning is the self organizing map(SOM). SOM is a neural networks model for clustering. SOM and extended SOM have been used in diverse classification and clustering fields such as data mining. But, SOM has had a problem determining optimal number of clusters. In this paper, we propose an improvement of SOM using gap statistic and probability distribution. The gap statistic was introduced to estimate the number of clusters in a dataset. We use gap statistic for settling the problem of SOM. Also, in our research, weights of feature nodes are updated by probability distribution. After complete updating according to prior and posterior distributions, the weights of SOM have probability distributions for optima clustering. To verify improved performance of our work, we make experiments compared with other learning algorithms using simulation data sets.

• 한국수자원학회논문집
• /
• 제41권10호
• /
• pp.995-1007
• /
• 2008

인공신경망 이론을 이용하여 강한 비선형성의 경향을 보이고 있는 강우-유출간의 관계를 모형화하기 위한 연구들은 예측뿐만이 아니라 대상자료들의 양상을 분류하여 그 특성을 분석하는 데에도 이용되고 있다. 이와 같은 패턴분류를 위한 SOM(Self-Organizing Map: SOM)의 연구 결과를 검토해보면 SOM 훈련을 위한 지도크기 및 배열의 결정은 SOM 성능에 큰 영향을 미치는 것으로 보고되고 있으나 지도크기 결정시 지도의 종방향 크기와 횡방향 크기를 결정할 수 있는 확정론적인 방법이나 이론식이 없고, 지도배열은 주로 육각형 배열(hexagonal array)을 이용하여 적용하고 있다. 따라서 본 연구에서는 영산강 나주지점을 대상으로 강우-유출관계의 분할특성을 나타내는 지도크기와 배열을 복합적으로 검토하여 나주지점의 강우-유출 해석을 위한 적절한 지도구조를 결정하였다. 그 결과 8개의 패턴으로 구분된 지도크기 20$\times$16의 육각형배열 구조가 나주지점의 강우-유출해석을 위한 적절한 지도구조로 결정되었다.

• 산업경영시스템학회지
• /
• 제21권48호
• /
• pp.123-132
• /
• 1998

The group formation problem of the machine and part is a very important issue in the planning stage of cellular manufacturing systems. This paper investigates Self-Organizing Map(SOM) neural networks approach to machine-part grouping problem. We present a two-phase algorithm based on SOM for grouping parts and machines. SOM can learn from complex, multi-dimensional data and transform them into visually decipherable clusters. Output layer in SOM network is one-dimensional structure and the number of output node has been increased sufficiently to spread out the input vectors in the order of similarity. The proposed algorithm performs remarkably well in comparison with many other algorithms for the well-known problems shown in previous papers.

• 산업경영시스템학회지
• /
• 제39권3호
• /
• pp.83-89
• /
• 2016

The group formation problem of the machine and part is a critical issue in the planning stage of cellular manufacturing systems. The machine-part grouping with alternative process plans means to form machine-part groupings in which a part may be processed not only by a specific process but by many alternative processes. For this problem, this study presents an algorithm based on self organizing neural networks, so called SOM (Self Organizing feature Map). The SOM, a special type of neural networks is an intelligent tool for grouping machines and parts in group formation problem of the machine and part. SOM can learn from complex, multi-dimensional data and transform them into visually decipherable clusters. In the proposed algorithm, output layer in SOM network had been set as one-dimensional structure and the number of output node has been set sufficiently large in order to spread out the input vectors in the order of similarity. In the first stage of the proposed algorithm, SOM has been applied twice to form an initial machine-process group. In the second stage, grouping efficacy is considered to transform the initial machine-process group into a final machine-process group and a final machine-part group. The proposed algorithm was tested on well-known machine-part grouping problems with alternative process plans. The results of this computational study demonstrate the superiority of the proposed algorithm. The proposed algorithm can be easily applied to the group formation problem compared to other meta-heuristic based algorithms. In addition, it can be used to solve large-scale group formation problems.