• 한국지능시스템학회논문지
• /
• 제10권3호
• /
• pp.203-210
• /
• 2000

본 논문에서는 패턴분류문제를 해결하기 위한 새로운 무감독학습 신경망 및 경쟁학습 알고리즘을 제한한다. 제아하는 신경망은 입력 데이터의 군집을 분류하기 위한 거리측도로서 군집들 상호간의 상대유사도(relative similarity)를 기반으로 하고 있다. 이러한 까닭에 제안하는 신경망과 알고리즘을 상대유사 신경망 (relative similarity network; RSN)및 학습 알고리즘이라 이름한다. 상대유사도를 정의하고 가중벡터 학습 규칙을 구성함으로써, RSN의 구조를 설계하고 학습알고리즘을 구현하기 의한 의사코드를 기술한다. 일반적인 패턴분류에 RSN을 적용한 결과, 초기 학습률이 없음에도 불구하고 기존이 경쟁학습 신경망인 WTAdlsk SOM고 동등한 성능을 나타내었다. 반면 기존 경쟁학습 신경망의 분류성능이 저하되었던 군집이 경걔가 불분명한 패턴, 그리고 군집이 밀집도와 군집의 크기가 다른 패턴들에 대한 실험에서는 기존의 경쟁학습망보다 효과적인 분류결과를 나타내었다.

• 한국통신학회논문지
• /
• 제24권10B호
• /
• pp.1946-1952
• /
• 1999

무지도 경쟁학습을 이용하여 압축된 영상의 복원 후에 나타나는 테두리부분의 손상을 최소화하기 위한 영상압축 방법이 제안되었다. 제안된 영상압축방법은 영상데이터에서 테두리부분에 해당하는 데이터의 기하학적인 특징을 이용하는데, 영상데이터의 통계학적인 특성을 함께 이용하여 기존의 Centroid Neural Network을 일반화시키는 무지도 경쟁학습에 의하여 자동적으로 더욱 많은 code vector를 테두리부분에 배정함으로서 압축된 영상의 복원 후에 나타나는 테두리부분의 손상을 초소화하게 한다. 실험 결과, 기존의 SOM, M-SOM, M/R-CNN등과 비교하여 제안된 방법에 의해 압축된 영상의 복원된 테두리 부분에서 PSNR이 약 2dbv정도 향상된 결과를 보여줄 수 있었다.

• 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.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2007년도 추계학술발표대회
• /
• pp.38-41
• /
• 2007

데이타 마이닝을 위하여 수집된 대용량의 데이타를 여과 없이 기계학습에 적용하는 것은 많은 시간과 비용이 요구될 뿐만 아니라 저장 공간면에서도 비효율적이다. 선별적 샘플링은 이러한 상황에서 매우 효율적으로 적용할 수 있도록 원본 데이타의 특성을 가능한 반영하여 새로운 훈련 데이타를 생성하는 방법이다. 본 연구에서는 신경망의 하나인 SOM을 적용한 선별적 샘플링을 수행하는데 있어서 여러 가지 선택 문제를 효과적으로 해결하기 위한 실험을 수행한다. 실험 결과로는 두 가지 결과를 얻었다. 1) 충분한 맵 사이즈를 선택해야 학습 데이타의 함축적인 특성을 잘 반영한다, 2) 선택적 샘플링을 위한 유닛선택 방법에서는 의미없는 유닛을 제거함으로서 분류 성능향상을 얻을 수 있다.

• 대한토목학회논문집
• /
• 제26권4B호
• /
• pp.389-398
• /
• 2006

본 연구에서는 강우의 시 공간적 분포의 불규칙한 변동성을 고려한 강우-유출예측모형을 위해 인공신경망(Artificial Neural Networks: ANNs)의 기법의 일종인 자기조직화(Self Organizing Map: SOM) 이론과 역전파 학습 알고리즘(Back Propagation Algorithm: BPA을 복합적으로 이용하였다. 기존의 인공신경망 연구에서 야기된 저 갈수기의 유출량에 대한 과대평가, 홍수기의 유출량에 대한 과소평가, 예측값이 연속적으로 선행 유출량을 나타내는 Persistence 현상을 해결하기 위하여 패턴분류 성능을 지닌 SOM 이론을 예측모형의 전처리 과정으로 이용하였다. 먼저, 본 연구에서 제안한 방법은 SOM에 의해 강우-유출 관계를 분류하고, SOM에 의한 분류에 따라 각각의 모형을 구성한다. 개별적으로 구축된 모형은 유출량의 예측을 위해 각각의 양상에 따라 분류된 자료를 이용한다. 결과적으로 본 연구에서 제안한 방법은 과거의 인공신경망의 일반적인 적용에 의한 결과보다 더 나은 예측능력을 보여주었으며, 더불어 유출량의 과소 및 과대추정과 Persistence 현상과 같은 문제점이 나타나지 않았다.

• KSBB Journal
• /
• 제20권4호
• /
• pp.291-298
• /
• 2005

본 연구는 재조합 대장균과 S.cerevisiae의 발효공정에서 형광스펙트럼 데이터를 수집하였으며, SOM을 이용하여 형광스펙트럼 데이터를 특정 그룹으로 분류하고 발효공정을 분석하고자 하였다. 배출가스 내 이산화탄소농도와 세포농도 같은 공정변수들은 SOM 알고리즘으로부터 얻은 분산 및 정규화된 가중치들과 좋은 연관성을 나타내었다. 전체 스펙트럼 데이터의 분류는 생물공정 모델링을 위한 매우 중요한 단계인데 그 이유는 몇몇 여기파장과 방출파장의 유의한 조합들이 전체영역의 스펙트럼 데이터로부터 추출되기 때문이다. 예를 들면, 본 연구에서 SOM을 이용하여 추출한 98개의 스펙트럼 데이터의 예제들은 부분최소자승법이나 감독신경망 (supervised neural network)을 이용한 공정의 모델링에 사용될 수 있다.

• 정보처리학회논문지B
• /
• 제10B권1호
• /
• pp.33-40
• /
• 2003

데이터 마이닝은 지식발견 과정에서 중요한 역할을 수행하며, 여러 데이터 마이닝의 알고리즘들은 특정의 목적을 위하여 선택될 수 있다. 대부분의 전통적인 계층적 클러스터링 방법은 적은 양의 데이터 집합을 처리하는데 적합하여 제한된 리소스와 부족한 효율성으로 인하여 대용량의 데이터 집합을 다루기가 곤란하다. 본 연구에서는 대용량의 데이터에 적용되어 알려지지 않은 패턴을 발견할 수 있는 하이브리드형 신경망 클러스터링 기법의 PPC(Pre-Post Clustrering) 기법을 제안한다. PPC 기법은 인공지능적 방법인 자기조직화지도(SOM)와 통계적 방법인 계층적 클러스터링을 결합하여 두 과정에서는 군집의 내부적 특징을 나타내는 응집거리와 군집간의 외부적 거리를 나타내는 인접거리에 따라 유사도를 측정한다. 최종적으로 PPC 기법은 측정된 유사도를 이용하여 대용량 데이터 집합을 군집화한다. PPC 기법은 UCI Repository 데이터를 이용하여 실험해 본 결과, 다른 클러스터링 기법들 보다 우수한 응집도를 보였다.

• 한국지능시스템학회논문지
• /
• 제11권9호
• /
• pp.849-854
• /
• 2001

Bishop이 제안한 Generative Topographic Mapping(GTM)은 Kohonen이 제안한 자율 학습 신경망인 Self Organizing Maps(SOM)의 확률 버전이다. GTM은 데이터가 생성되는 확률 분포를 잠재 변수, 혹은 은닉 변수를 사용하여 모형화한다. 이것은 SOM에서는 구현될 수 없는 GTM만의 특징이며, 이러한 특징으로 인하여 SOM의 한계들을 극복할 수 있게 된다. 본 논문에서는 이러한 GTM 모형에 베이지안 학습(Bayesian learning)을 결합하여 작은 오분류율을 가지는 분류 알고리즘인 베이지안 GTM(Bayesian GTM)을 제안한다. 이 알고리즘은 기존의 GTM의 빠른 계산 처리 능력과 데이터에 대한 확률 분포, 그리고 베이지안 추론의 정확성을 이용하여 기존의 분류 알고리즘보다 우수한 결과를 얻게 된다. 본 논문에서는 기존의 분류 알고리즘에서 많이 실험하였다. 학습 데이터를 통하여 이를 확인하였다.

• KSBB Journal
• /
• 제20권4호
• /
• pp.299-304
• /
• 2005

본 연구에서는 인공신경망 알고리즘을 이용하여 생물공정에서 수집된 형광스펙트럼 데이터를 분류, 분석하고 공정변수들을 예측하기 위한 공정의 모델링에 대해서 논의하였다. SOM에 의해 분류된 전파장 스펙트럼 데이터들은 발효공정의 변수와 형광데이터 사이에 비선형관계를 설명하기 위하여 사용되었다. BPNN알고리즘은 SOM에서 분류된 데이터들을 입력자료로 이용하여 공정에 대한 모델식을 세우고, 이를 이용하여 배출가스 내 $CO_2$ 농도 및 발효액 중 세포농도와 같은 공정변수들을 예측하는데 사용되었다. 또한 BPNN 모델은 강력하면서도 훈련데이터의 범위를 넘어서는 공정의 데이터들을 예측할 수 있기 때문에 폭넓은 활용가능성을 가지고 있다.

• 한국정보통신학회논문지
• /
• 제13권10호
• /
• pp.1981-1986
• /
• 2009

본 논문은 인공신경망을 이용한 새로운 매팅 기법을 제안한다. 매팅이란 영상에서 객체의 불투명도를 추정하는 기술이다. 매팅 기법을 이용하면 객체를 자연스럽게 추출할 수 있다. 먼저 trimap을 이용하여 영상을 배경 영역, 전경 영역, 미지 영역으로 구분한다. 배경 영역과 전경 영역의 정보를 이용하여 미지 영역 화소의 불투명도를 추정한다. 제안하는 알고리즘은 배경 영역과 전경 영역의 정보를 SOM을 이용하여 학습하고 그 결과를 이용하여 미지 영역의 각 화소의 불투명도를 추정한다. 본 논문에서는 배경 영역과 전경 영역의 정보를 학습하는 방법에 따라서 전역적 SOM matting과 지역적 SOM matting으로 구별한다. 제안하는 알고리즘의 성능을 평가하기 위하여 영상에 적용해보았다. 이를 통해 제안하는 알고리즘이 객체를 영상에서 분리 가능함을 확인 할 수 있다.