선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 중간층에서 개선된 FCM 알고리즘을 적용하여 1차적으로 특징을 분류하고 중간층의 노드에 속하는 정도를 나타내는 소속도를 계산한다. 계산된 소속도를 중간층의 입력 벡터로 적용하여 중 간층과 출력층 사이의 학습에 적용한다. 중간층과 출 력층 사이의 학습 구조는 일반화된 델타 학습법을 적 용한다.
- 따라서 본 논문에서는 효과적인 패 턴 분류를 위해 입력 층과 중간층의 학습 구조로는 개선된 FCM 알고리즘을 적용하고, 중간층과 출력층의 학습 구조로는 일반화 된 델타 학습법을 적용한 개선된FCM 기반하이브리드 네트워 크를 제 안한다.
- 본 논문에서 제안된 방법의 학습 및 인식 성능을 평가 하기 위하여 Intel PentiumIV 2.8GHz CPU와 2GB RAM이 장착된 IBM 호환 PC상에서 Visual Studio 6.0으로 구현 하였다. 제안된 방법과 기존의 Max_Min 신경 망을 이용한 FCM 기반 RBF 네트워크 [2] 와 FCM 기반 RBF 네 트워 크[3], HCM 기반 네트워크 간의 학습 및 인식 성능을 비 교하기 위해 2차원 좌표 평면상의 데이터를 대상으로 실험 하였다.
- 본 논문에서 제안한 하이 브리 드 네트워 크의 학습 및 인식 성능 평가를 위해 2차원 좌표 평 면상의 패턴 40개 를 적용하여, Max_Min 신 경 망을 이용한 FCM 기반 RBF 네 트워 크[2] 와 FCM 기반 RBF 네 트워 크[3], HCM 기반 RBF 네트워 크와 학습 성능을 비교 분석 한다.
- 본 논문에서는 효과적으로 패턴을 분류하기 위해 기존의 FCM 기반 RBF 네트워크에서 입력 층과 중간층 의 학습구조인 FCM 알고리즘 대신에 개선된 FCM 알 고리 즘을 적 용하였고, 기존의 연구에서 중간층과 출력 층의 학습구조로 적용되었던 Max_Min 알고리즘 대신 에 일반화된 델타 학습법을 적용하여 개선된 FCM 기반 하이브리 드 네트워크를 제안하였다. 입 력층과 중간 층의 학습구조로 입력 벡터 와 클러스터 의 유클리드 거리 에 근거 한 소속도만을 적용하여 클러 스터 링 하는 단 점을 대칭적 성질을 이용하는 대칭성 측도에 퍼지 이 론을 적용하여 클러스터간의 거 리에 따른 변화와 군집 중심의 위치, 그리고 군집 형태에 따라 영향을 덜 받는 개선된 FCM 알고리즘을 적용하였고, 중간층과 출력 층의 학습 구조로는 비교적 단순한 패턴 분류에 적용 되었던 Max_Min신경망 알고리즘 대신에 지도 학습에서 일반적으로 사용되는 일반화된 델타 학습법을 적용하여 중간층과출력층의 패턴 분류의 정확성을개선하였다.
- 예를 들면, 클러스터 된 공간상에 분포된 패턴들이 타원의 형태를 가지는 경우이거나 패턴의 분포가 군집 경 계면에 존재하고 그 기본형 이 서로 교차하는 경우이다. 이러한 경우에는 클러 스터 의 중심 으로부터 패 턴간의 거리를 측정하는 유클리드 거 리를 적용할 경우에는 올바르지 못한 군집화 결과의 원인이 될 수 있다[6, 7丄 따라서 본 논문에서는 대칭적 성질을 이용하는 대칭성 측도에 퍼지 이론을 적용하여 클러스터간의 거리에 따른 변화와 군집 중심의 위치, 그리고 군집 형태에 따라 영향을 덜 받는 개선된 FCM 알고리즘을 중간층의 클 러스터링 방법에 적용하여 패턴의 특징을 분류한다. 개선된 FCM 알고리즘에서 적용하는 대칭성 측도는 식 (4)와 같다.
- 따라서 유클리드 거리에 근거한 소속도만을 비교하여 데이터를 분류하기 때문에 클러스터링 된 공간에서의 데이터들의 분포에 따라 바람직 하지 못한 클러 스터 링 결과를 보일 수 있다. 이러한 문제점을 개선하기 위해 대칭적 성질을 이용하는 대 칭성 측도에 퍼지 이론을 적용하여 클러스터간의 거리 에 따른 변화와 클러스터 중심의 위치, 그리고 클러스터 형 태 에 따라 데 이 터 의 특징 들을 분류하는 개선된 FCM 이 제안되었다. 하지만 개선된 FCM 알고리즘은 비지도 학습 구조이기 때문에 근접한 데이터들을 클러스터 링 할 수는 있으나 정확히 패턴들의 특징을 분류할 수 없는 경우가 발생 한다[2].
- 본 논문에서는 효과적으로 패턴을 분류하기 위해 기존의 FCM 기반 RBF 네트워크에서 입력 층과 중간층 의 학습구조인 FCM 알고리즘 대신에 개선된 FCM 알 고리 즘을 적 용하였고, 기존의 연구에서 중간층과 출력 층의 학습구조로 적용되었던 Max_Min 알고리즘 대신 에 일반화된 델타 학습법을 적용하여 개선된 FCM 기반 하이브리 드 네트워크를 제안하였다. 입 력층과 중간 층의 학습구조로 입력 벡터 와 클러스터 의 유클리드 거리 에 근거 한 소속도만을 적용하여 클러 스터 링 하는 단 점을 대칭적 성질을 이용하는 대칭성 측도에 퍼지 이 론을 적용하여 클러스터간의 거 리에 따른 변화와 군집 중심의 위치, 그리고 군집 형태에 따라 영향을 덜 받는 개선된 FCM 알고리즘을 적용하였고, 중간층과 출력 층의 학습 구조로는 비교적 단순한 패턴 분류에 적용 되었던 Max_Min신경망 알고리즘 대신에 지도 학습에서 일반적으로 사용되는 일반화된 델타 학습법을 적용하여 중간층과출력층의 패턴 분류의 정확성을개선하였다.
- 제안된 하이브리드 네트워크는 입력층과 중간층의 학습 구조로 기존의 FCM 알고리즘의 단점 인 유클리드 거리에 근거한 소속도만을 이용하여 클러스터링 하는 단점 을 개 선 한 FCM 알고리즘을 적 용하고, 중간층과 출 력층의 학습 구조는 기존의 Max_Min 신경망 알고리즘 대신 지도 학습에 일반적으로 가장 많이 사용되는 일반 화된 델타 학습법 을 적 용한다.
- 본 논문에서 제안한 FCM 기반 하이브리드 네트워 크는 입 력층과 중간층의 연결 구조는 개선된 FCM 알고리즘을 적용한다. 중간층에서 개선된 FCM 알고리즘을 적용하여 1차적으로 특징을 분류하고 중간층의 노드에 속하는 정도를 나타내는 소속도를 계산한다. 계산된 소속도를 중간층의 입력 벡터로 적용하여 중 간층과 출력층 사이의 학습에 적용한다.
대상 데이터
- 0으로 구현 하였다. 제안된 방법과 기존의 Max_Min 신경 망을 이용한 FCM 기반 RBF 네트워크 [2] 와 FCM 기반 RBF 네 트워 크[3], HCM 기반 네트워크 간의 학습 및 인식 성능을 비 교하기 위해 2차원 좌표 평면상의 데이터를 대상으로 실험 하였다. 표 1은 제안된 방법에 사용된 학습 파라미 터 이다.
이론/모형
- 본 논문에서 제안한 FCM 기반 하이브리드 네트워 크는 입 력층과 중간층의 연결 구조는 개선된 FCM 알고리즘을 적용한다. 중간층에서 개선된 FCM 알고리즘을 적용하여 1차적으로 특징을 분류하고 중간층의 노드에 속하는 정도를 나타내는 소속도를 계산한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.