• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.05a
• /
• pp.265-268
• /
• 2002

In this paper we introduce the concepts of type-2 fuzzy set-valued mappings and quasi-convex fuzzy mappings on L-L fuzzy numbers and discuss some properties of these mappings.

• Proceedings of the KIEE Conference
• /
• 2008.10b
• /
• pp.247-248
• /
• 2008

본 논문에서는 TYPE-2 퍼지 추론 기반의 RBF 뉴럴 네트워크(TYPE-2 Radial Basis Function Neural Network, T2RBFNN)를 설계하고 PSO(Particle Swarm Optimization) 알고리즘을 이용하여 모델의 파라미터를 동정한다. 제안된 모델의 은닉층은 TYPE-2 가우시안 활성 함수로 구성되며, 출력층은 Interval set 형태의 연결가중치를 갖는다. 여기에서 규칙 전반부 활성함수의 중심 선택은 C-means 클러스터링 알고리즘을 이용하고, 규칙 후반부 Interval set 형태의 연결가중치 결정에는 경사 하강법(Gradient descent method)을 이용한 오류 역전파 알고리즘을 사용하여 학습한다. 또한, 최적의 모델을 설계하기 위한 학습율 및 활성함수의 활성화 영역 결정에는 입자 군집 최적화(PSO; Particle Swarm Optimization) 알고리즘으로 동조한다. 마지막으로, 제안된 모델의 평가를 위하여 모의 데이터 집합(Synthetic dadaset)을 적용하고 근사화 및 일반화 능력에 대하여 토의한다.

• The Transactions of The Korean Institute of Electrical Engineers
• /
• v.62 no.5
• /
• pp.705-711
• /
• 2013

In this paper, we introduce an design of multi-output fuzzy neural networks based on Interval Type-2 fuzzy set. The proposed Interval Type-2 fuzzy set-based fuzzy neural networks with multi-output (IT2FS-based FNNm) comprise the network structure generated by dividing the input space individually. The premise part of the fuzzy rules of the network reflects the individuality of the division space for the entire input space and the consequent part of the fuzzy rules expresses three types of polynomial functions with interval sets such as constant, linear, and modified quadratic inference for pattern recognition. The learning of fuzzy neural networks is realized by adjusting connections of the neurons in the consequent part of the fuzzy rules, and it follows a back-propagation algorithm. In addition, in order to optimize the network, the parameters of the network such as apexes of membership functions, uncertainty factor, learning rate and momentum coefficient were automatically optimized by using real-coded genetic algorithm. The proposed model is evaluated with the use of numerical experimentation.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1869_1870
• /
• 2009

본 논문에서는 다항식 기반 Type-2 Fuzzy Neural Networks(T2FNN)를 설계하고 이를 패턴분류 문제에 적용하여 그 성능을 분석한다. T2FNN은 Fuzzy C-Means(FCM)을 Type-2 Fuzzy C-Means로 확장시킨 것이라 할 수 있으며, Input layer, Fuzzyification layer, Inference layer, Deffuzification layer의 4층 네트워크로 구성된다. interval Type-1 퍼지 집합인 후반부의 연결가중치는 Gradient Descent Method를 이용하여 학습한다. 제안된 RBF 신경회로망은 모의데이터와 패턴인식 성능 평가에 많이 사용되는 machine learning 데이터에 적용하여 패턴 분류기로서의 성능을 평가받는다.