• 한국항해항만학회지
• /
• 제28권3호
• /
• pp.227-232
• /
• 2004

차량동역학제어시스템은 복잡하고 비선형이므로 잠금방지 제동시스템 및 자동주행시스템 개발에 어려움이 있다. 차량절대속도를 추정하기 위해 퍼지 로직 기법이 최근 적용되어 정상적인 조건에서 만족할 만한 결과를 얻고 있다. 그러나 급격한 제동시 추정오차가 크게 발생되었다. 본 논문에서는 휠 속도 센서를 이용하여 무인 컨테이너 운송차량의 절대속도를 추정하기 위해, 뉴럴 네트워크 모델의 방사대칭 기저함수와 주성분 분석법을 적용하여 10개의 추정 알고리즘중 오차를 4％ 이내로 추정할 수 있는 알고리즘을 제시하였다.

• Journal of Electrical Engineering and Technology
• /
• 제12권6호
• /
• pp.2388-2398
• /
• 2017

In this study, we propose a robust face recognition system to pose variations based on automatic pose estimation. Radial basis function neural network is applied as one of the functional components of the overall face recognition system. The proposed system consists of preprocessing and recognition modules to provide a solution to pose variation and high-dimensional pattern recognition problems. In the preprocessing part, principal component analysis (PCA) and 2-dimensional 2-directional PCA ($(2D)^2$ PCA) are applied. These functional modules are useful in reducing dimensionality of the feature space. The proposed RBFNNs architecture consists of three functional modules such as condition, conclusion and inference phase realized in terms of fuzzy "if-then" rules. In the condition phase of fuzzy rules, the input space is partitioned with the use of fuzzy clustering realized by the Fuzzy C-Means (FCM) algorithm. In conclusion phase of rules, the connections (weights) are realized through four types of polynomials such as constant, linear, quadratic and modified quadratic. The coefficients of the RBFNNs model are obtained by fuzzy inference method constituting the inference phase of fuzzy rules. The essential design parameters (such as the number of nodes, and fuzzification coefficient) of the networks are optimized with the aid of Particle Swarm Optimization (PSO). Experimental results completed on standard face database -Honda/UCSD, Cambridge Head pose, and IC&CI databases demonstrate the effectiveness and efficiency of face recognition system compared with other studies.

• 한국지능시스템학회논문지
• /
• 제21권1호
• /
• pp.12-18
• /
• 2011

본 논문에서는 RBF 뉴럴 네트워크에서 은닉층 활성함수에 Interval type-2 퍼지개념을 적용한 새로운 RBF 뉴럴 네트워크를 설계하였다. 퍼지 시스템 분야에서 불확실한 정보에 대한 Type-1 퍼지집합의 성능을 보안하고자 Type-2 퍼지집합이 제안되었으며, 멤버쉽함수 안에 다시 멤버쉽함수를 생성함으로써 불확실한 정보를 좀 더 효과적으로 다루고자 하였다. 따라서 본 논문에서는 RBF 뉴럴 네트워크의 은닉층 활성함수에 type-2 퍼지집합의 개념을 적용하여 불확실한 정보에 대한 모델 성능을 개선하고자 하였다. 나아가 연결가중치를 상수항이 아닌 1차식으로 구성된 다항식을 사용하여 최종출력을 입력-출력의 관계식으로 표현하였다. 연결가중치는 기존의 경사하강법(Gradient Descent Method; GDM) 대신 conjugate gradient method(CGM)을 사용하여 파라미터를 동조하고, 은닉층의 활성함수는 공간탐색 진화 알고리즘(Space Search Evolutionary Algorithm; SSEA)을 이용하여 가우시안 함수의 중심점 및 분포상수를 동조하여 모델의 성능을 개선시킨다. 제안된 모델의 성능을 평가하기 위해 가스로 시계열 데이터를 사용하였으며, 결과를 기존 모델과 비교하였다.

• 전기학회논문지
• /
• 제65권6호
• /
• pp.1060-1069
• /
• 2016

In this paper, we introduce the fingerprint recognition system based on Radial Basis Function Neural Network(RBFNN). Fingerprints are classified as four types(Whole, Arch, Right roof, Left roof). The preprocessing methods such as fast fourier transform, normalization, calculation of ridge's direction, filtering with gabor filter, binarization and rotation algorithm, are used in order to extract the features on fingerprint images and then those features are considered as the inputs of the network. RBFNN uses Fuzzy C-Means(FCM) clustering in the hidden layer and polynomial functions such as linear, quadratic, and modified quadratic are defined as connection weights of the network. Particle Swarm Optimization (PSO) algorithm optimizes a number of essential parameters needed to improve the accuracy of RBFNN. Those optimized parameters include the number of clusters and the fuzzification coefficient used in the FCM algorithm, and the orders of polynomial of networks. The performance evaluation of the proposed fingerprint recognition system is illustrated with the use of fingerprint data sets that are collected through Anguli program.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2015년도 학술발표회
• /
• pp.606-609
• /
• 2015

본 연구에서는 support vector regression (SVR) 및 매개변수 최적화 알고리즘을 이용한 하천수위 예측모델을 구축하고 이를 실제 유역에 적용하여 모델 효율성을 평가하였다. 여기서, SVR은 하천수위를 예측하기 위한 예측모델로서 채택되었으며, 커널함수 (Kernel function)로서는 radial basis function (RBF)을 선택하였다. 최적화 알고리즘은 SVR의 최적 매개변수 (C?, cost parameter or regularization parameter; ${\gamma}$, RBF parameter; ${\epsilon}$, insensitive loss function parameter)를 탐색하기 위하여 적용되었다. 매개변수 최적화 알고리즘으로는 grid search (GS), genetic algorithm (GA), particle swarm optimization (PSO), artificial bee colony (ABC) 알고리즘을 채택하였으며, 비교분석을 통해 최적화 알고리즘의 적용성을 평가하였다. 또한 SVR과 최적화 알고리즘을 결합한 모델 (SVR-GS, SVR-GA, SVR-PSO, SVR-ABC)은 기존에 수자원 분야에서 널리 적용되어온 신경망(Artificial neural network, ANN) 및 뉴로퍼지 (Adaptive neuro-fuzzy inference system, ANFIS) 모델과 비교하였다. 그 결과, 모델 효율성 측면에서 SVR-GS, SVR-GA, SVR-PSO 및 SVR-ABC는 ANN보다 우수한 결과를 나타내었으며, ANFIS와는 비슷한 결과를 나타내었다. 또한 SVR-GA, SVR-PSO 및 SVR-ABC는 SVR-GS보다 상대적으로 우수한 결과를 나타내었으며, 모델 효율성 측면에서 SVR-PSO 및 SVR-ABC는 가장 우수한 모델 성능을 나타내었다. 따라서 본 연구에서 적용한 매개변수 최적화 알고리즘은 SVR의 매개변수를 최적화하는데 효과적임을 확인할 수 있었다. SVR과 최적화 알고리즘을 이용한 하천수위 예측모델은 기존의 ANN 및 ANFIS 모델과 더불어 하천수위 예측을 위한 효과적인 도구로 사용될 수 있을 것으로 판단된다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2001년도 Proceedings ICPE 01 2001 International Conference on Power Electronics
• /
• pp.443-447
• /
• 2001

In this paper, a robust sensorless vector control system for induction motors with a speed estimator and an uncertainty observer is presented. At first, the proposed speed estimator is based on the MRAS(Mode Reference Adaptive System) scheme and constructed with a simple fuzzy logic(FL) approach. The structure of the proposed FL estimator is very simple. The input of the FL is the rotor flux error difference between reference and adjustable model, and the output is the estimated incremental rotor speed Secondly, the unmodeled uncertainties such as parametric uncertainties and external load disturbances are modeled by a radial basis function network(RBFN). In the overal speed control system, the control inputs are composed with a norminal control input and a compensated control input, which are from RBFN observer output and the modeling error of the RBFN, repectively. The compensated control input is derived from Lyapunov unction approach. The simulation results are presented to show the validity of the proposed system.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2011년도 제42회 하계학술대회
• /
• pp.1966-1967
• /
• 2011

본 연구에서는 방사형 기저 함수를 이용한 다항식 신경회로망(Polynomial Neural Network) 분류기를 제안한다. 제안된 모델은 PNN을 기본 구조로 하여 1층의 다항식 노드 대신에 다중 출력 형태의 방사형 기저 함수를 사용하여 각 노드가 방사형 기저 함수 신경회로망(RBFNN)을 형성한다. RBFNN의 은닉층에는 fuzzy 클러스터링을 사용하여 입력 데이터의 특성을 고려한 적합도를 사용하였다. 제안된 분류기는 입력변수의 수와 다항식 차수가 모델의 성능을 결정함으로 최적화가 필요하며 본 논문에서는 Multiobjective Particle Swarm Optimization(MoPSO)을 사용하여 모델의 성능뿐만 아니라 모델의 복잡성 및 해석력을 고려하였다. 패턴 분류기로써의 제안된 모델을 평가하기 위해 Iris 데이터를 이용하였다.

• 전기학회논문지
• /
• 제64권7호
• /
• pp.1114-1124
• /
• 2015

In this paper, precipitation / non-precipitation pattern classification of meteorological radar data is conducted by using neuro-fuzzy algorithm. Structure expression of meteorological radar data information is analyzed in order to effectively classify precipitation and non-precipitation. Also diverse input variables for designing pattern classifier could be considered by exploiting the quantitative as well as qualitative characteristic of meteorological radar data information and then each characteristic of input variables is analyzed. Preferred pattern classifier can be designed by essential input variables that give a decisive effect on output performance as well as model architecture. As the proposed model architecture, neuro-fuzzy algorithm is designed by using FCM-based radial basis function neural network(RBFNN). Two parts of classifiers such as instance classifier part and echo classifier part are designed and carried out serially in the entire system architecture. In the instance classifier part, the pattern classifier identifies between precipitation and non-precipitation data. In the echo classifier part, because precipitation data information identified by the instance classifier could partially involve non-precipitation data information, echo classifier is considered to classify between them. The performance of the proposed classifier is evaluated and analyzed when compared with existing QC method.

• 한국지능시스템학회논문지
• /
• 제20권1호
• /
• pp.140-145
• /
• 2010

본 연구에서는 초전도 전원장치의 비선형적인 충전특성을 이론적으로 해석하기 위해서 Radial Basis Function 뉴럴 네트워크를 적용하였으며 이를 바탕으로 초전도 부하 마그넷에 따른 충전특성의 경향을 해석하였다. 본 논문에서는 안정적인 충전전류를 발생시키고 충전전류를 쉽게 제어할 수 있는 리니어형 초전도 전원장치를 개발하였고, 극저온 시스템에서 충전전류 특성을 실험적으로 수행하였다. 이를 통해 초전도 전원장치는 초전도 선재(초전도 Nb 박막)를 사용하기 때문에 비선형적인 충전전류 특성을 가짐을 알 수 있었다. 일반적으로, 극저온에서의 실질적인 실험에 있어서 주변 환경에 따른 냉각 비용 문제 등이 대두되기 때문에 다양한 실험을 수행하는데 연구의 어려움이 있다. 따라서 본 논문에서는 개발된 초전도 전원장치의 주파수에 대한 비선형적인 충전 특성을 기반으로 지능형 알고리즘인 RBF 뉴럴 네트워크를 통해서 그 결과를 예측하고 이에 대해서 지능 모델을 구현하였다. 본 논문에서 사용된 RBF 뉴럴 네트워크에서는 효율적인 데이터 처리를 위해서 은닉층에 FCM 클러스터링 알고리즘을 사용하였으며, 클러스터의 수가 모델의 은닉층에서의 노드의 수가 되도록 설계하였다.

• Geomechanics and Engineering
• /
• 제37권4호
• /
• pp.307-321
• /
• 2024

This paper delves into the critical assessment of predicting sidewall displacement in underground caverns through the application of nine distinct machine learning techniques. The accurate prediction of sidewall displacement is essential for ensuring the structural safety and stability of underground caverns, which are prone to various geological challenges. The dataset utilized in this study comprises a total of 310 data points, each containing 13 relevant parameters extracted from 10 underground cavern projects located in Iran and other regions. To facilitate a comprehensive evaluation, the dataset is evenly divided into training and testing subset. The study employs a diverse array of machine learning models, including recurrent neural network, back-propagation neural network, K-nearest neighbors, normalized and ordinary radial basis function, support vector machine, weight estimation, feed-forward stepwise regression, and fuzzy inference system. These models are leveraged to develop predictive models that can accurately forecast sidewall displacement in underground caverns. The training phase involves utilizing 80% of the dataset (248 data points) to train the models, while the remaining 20% (62 data points) are used for testing and validation purposes. The findings of the study highlight the back-propagation neural network (BPNN) model as the most effective in providing accurate predictions. The BPNN model demonstrates a remarkably high correlation coefficient (R2 = 0.99) and a low error rate (RMSE = 4.27E-05), indicating its superior performance in predicting sidewall displacement in underground caverns. This research contributes valuable insights into the application of machine learning techniques for enhancing the safety and stability of underground structures.