$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

HCM 클러스터링에 의한 다중 퍼지-뉴럴 네트워크 동정과 유전자 알고리즘을 이용한 이의 최적화

Multi-FNN Identification by Means of HCM Clustering and ITs Optimization Using Genetic Algorithms

초록

본 논문에서는, HCM 클러스러팅 방법과 유전자 알고리즘을 이용하여 다중 FNN 모델을 동정하고 최적화 한다. 제안된 다중 FNN은 Yamakawa의 FNN을 기본으로 하며, 퍼지 추론 방법으로 간략 추론을, 학습으로는 오류 역전파 알고리즘을 사용한다. 다중 FNN 모델의 구조와 파라미터를 동정하기 위해 HCM 클러스터링과 유전자 알고리즘을 사용한다. 여기서, 시스템 모델링을 위해 데이터 전처리 기능을 수행하는 HCM클러스터링 방법은 I/O 프로세서 공정 데이터를 이용하여 입출력 공간분할에 의한 다중 FNN 구조를 결정하기 위해 사용된다. 또한 유전자 알고리즘을 사용하여 멤버쉽함수의 정점, 학습율, 모멘텀 계수와 같은 다중 FNN 모델의 파라미터들을 동조한다. 모델의 근사화와 일반화 능력 사이에 합히적 균형을 얻기 위해 하중계수를 가진 합성 성능지수를 사용한다. 이 합성 성능지수는 근사화 및 예측 능력사이의 상호 균형과 의존성을 고려한 하중계수를 가진 합성 목적함수를 의미한다. 데이터 개수, 비선형성의 정도에 의존하는 이 합성 목적함수의 하중계수의 선택, 조절을 통하여 최적의 다중 FNN 모델을 설계하는 것이 유용하고 효과적임을 보인다. 제안된 모델의 성능 평가를 위하여 가스로 공정의 시계열 데이터와 비선형 함수의 수치 데이터를 사용한다.

Abstract

In this paper, the Multi-FNN(Fuzzy-Neural Networks) model is identified and optimized using HCM(Hard C-Means) clustering method and genetic algorithms. The proposed Multi-FNN is based on Yamakawa's FNN and uses simplified inference as fuzzy inference method and error back propagation algorithm as learning rules. We use a HCM clustering and Genetic Algorithms(GAs) to identify both the structure and the parameters of a Multi-FNN model. Here, HCM clustering method, which is carried out for the process data preprocessing of system modeling, is utilized to determine the structure of Multi-FNN according to the divisions of input-output space using I/O process data. Also, the parameters of Multi-FNN model such as apexes of membership function, learning rates and momentum coefficients are adjusted using genetic algorithms. A aggregate performance index with a weighting factor is used to achieve a sound balance between approximation and generalization abilities of the model. The aggregate performance index stands for an aggregate objective function with a weighting factor to consider a mutual balance and dependency between approximation and predictive abilities. According to the selection and adjustment of a weighting factor of this aggregate abjective function which depends on the number of data and a certain degree of nonlinearity, we show that it is available and effective to design an optimal Multi-FNN model. To evaluate the performance of the proposed model, we use the time series data for gas furnace and the numerical data of nonlinear function.

저자의 다른 논문

참고문헌 (18)

  1. A New Effectie Learning Algorithm for a Neo Fuzzy Neuron Model , Takeshi Yamakawa , 5th IFSA World Congress / v.,pp.1017-1020, 1993
  2. Zbigniwe Michalewicz , Genetic Algorithms + Data Structures = Evolution Programs / v.,pp., 1992
  3. フアジイル_ル構造化ニ_ユ テネツトワ_ク , 今崎直樹;木治潤一 , 日本フアジイ學會誌 / v.4,pp.987-995, 1992
  4. Revised GMDH algorithm estimating degree of the complete polynomial , T. Kondo , Tran. of the Society of Instrument and Control Engineers / v.22,pp.928-934, 1986
  5. 유전자 알고리즘과 하중값을 이용한 퍼지 시스템의 최적화 , 박병준;오성권;안태천;김현기 , 대한전기학회논문지 / v.48A,pp.789-799, 1999
  6. On Fuzzy Modeling Using Fuzzy Neural Networks with the Back Propagation Algorithm , Shin-ichi Horikawa;Takeshi Furuhashi;Yoshiki Uchigawa , IEEE trans. Neural Networks / v.3,pp.801-806, 1992
  7. A Self-Tuning Method of Fuzzy Control by Descent Methods , H. Nomura;Wakami , 4th IFSA'91 / v.,pp.155-159, 1991
  8. Box;Jenkins , Time Series Analysis, Forcasting and Control(2nd ed.) / v.,pp., 1976
  9. 管野道夫;박민용(역);최항식(역) , 퍼지제어 시스템 / v.,pp.143-158, 1990
  10. 유전자 알고리즘과 합성 성능지수에 의한 퍼지-뉴럴 네트워크 구조의 최적 설계 , 오성권;윤기찬;김현기 , 제어·자동화·시스템공학회 / v.6,pp.273-283, 2000
  11. A Neo Fuzzy Neuron and Its Applications to System Identification and Prediction of the System Behavior , Takeshi Yamakawa , Proceedings of the 2nd International Conference on Fuzzy Logic & Neural Networks / v.,pp.477-483, 1992
  12. 적응 퍼지-뉴럴 네트워크를 이용한 비선형 공정의 온-라인 모델링 , 오성권;박병준;박춘성 , 대한전기학회논문지 / v.48A,pp.1293-1302, 1999
  13. Fuzzy Identification by means of Auto-Tuning Algorithm and Weighting Factor , C.S. Park;S.K. Oh;W. Pedrycz , The Third Asian Fuzzy Systems Symposium(AFSS) / v.,pp.701-706, 1998
  14. NN-driven Fuzzy Reasoning , H. Takagi;I. Hayashi , Int. J. of Approximate Reasoning / v.5,pp.191-212, 1991
  15. Identification of Fuzzy Systems by means of an Auto-Tuning Algorithm and Its Application to Nonlinear System , S.K. Oh;W. Pedrycz , Fuzzy Sets and Syst. / v.115,pp.205-230, 2000
  16. Fuzzy modeling , G. Kang;M. Sugeno , Trans. SICE / v.23,pp.106-108, 1987
  17. David E. Golderg , Genetic Algorithm in search, Optimization & Machine Learning / v.,pp., 1989
  18. Fuzzy Sets , L.A. Zadeh , Inf. Control / v.8,pp.338-353, 1965

이 논문을 인용한 문헌 (1)

  1. Park Byoung-Jun ; Kim Hyun-Ki ; Oh Sung-Kwun 2005. "Genetically Optimized Rule-based Fuzzy Polynomial Neural Networks" 제어·자동화·시스템공학 논문지 = Journal of control, automation and systems engineering, 11(2): 127~136 

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일