$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

패턴인식 문제에 대한 다층퍼셉트론의 설계 방법
Design of Multilayer Perceptrons for Pattern Classifications 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.10 no.5, 2010년, pp.99 - 106  

오상훈 (목원대학교 정보통신공학과)

초록
AI-Helper 아이콘AI-Helper

다층퍼셉트론 혹은 전방향 신경회로망이 임의의 함수를 근사시킬 수 있다는 이론적 연구결과에 기초하여 많은 분야에 응용되고 있다. 이 다층퍼셉트론을 실제 문제에 응용하는 경우에 여러 가지 파라미터 혹은 학습 방법 등을 결정하여야 한다. 이 논문에서는 패턴인식 문제에 다층퍼셉트론을 적용하는 경우에 실제 결정하여야 할 파라미터의 결정방법과 학습 방법에 대하여 논의한다. 이 논의는 각층의 노드 수 결정 방법, 다층 퍼셉트론의 가중치 초기화, 그리고, 성능향상을 위하여 학습에 사용되는 여러 가지 오차 함수, 데이터 불균형 문제의 학습, 깊은 구조 등을 다루었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Multilayer perceptrons(MLPs) or feed-forward neural networks are widely applied to many areas based on their function approximation capabilities. When implementing MLPs for application problems, we should determine various parameters and training methods. In this paper, we discuss the design of MLPs...

주제어

#다층퍼셉트론   #패턴인식   #설계방법   #노드 수   #오차함수  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • When implementing MLPs for such application problems, there are many things to be decided for designing the structure of MLPs and choices to select training methods. In this paper, we discuss the design of MLPs for pattern classification problems. This includes how to decide the number of nodes in each layer, how to initialize weights, which error function we can use for performance improvement, how to handle imbalanced data problems, and deep architecture neural networks.
본문요약 정보가 도움이 되었나요?

참고문헌 (32)

  1. K. Hornik, M. Stinchcombe, and H. White, "Multilayer feed-forward networks are universal approximators," Neural Networks, Vol.2, pp.359-366, 1989. 

    상세보기 crossref

  2. R. P. Lippmann, "Pattern classification using neural networks," IEEE Communication Magazine, pp.47-64, 1989. 

  3. J. B. Hamshire II and A. H. Waibel, "A novel objective function for improved phoneme recognition using time-delay neural networks," IEEE Trans. Neural Networks, Vol.1, pp.216-228, 1990. 

    crossref

  4. A. S. Weigend and N. A. Gershenfeld, Time Series Prediction: Forecasting the future and understanding the past, Addison-Wesley Publishing Co., 1994. 

  5. Y.M. Huang, C.-M. Hung, and H. C. Jiau, "Evaluation of neural networks and data mining methods on a credit assessment task for class imbalance problem," Nonlinear Analysis, Vol.7, pp.720-747, 2006. 

    상세보기 crossref

  6. Z. R. Yang and R. Thomson, "Bio-basis function neural netwrok for prediction of protease cleavage sites in proteins," IEEE Trans. Neural Networks, Vol.16, pp.263-274, 2005. 

    상세보기 crossref

  7. D. E. Rumelhart and J. L. McClelland, Parallel Distributed Processing, MIT Press, Cambridge, MA, 1986. 

  8. H. Kim and H. Park, "Sparse non-negative matrix factorizations via alternating non-negativity-constrained least squares for microarray data analysis," Bioinformatics, Vol.23, pp.1495-1502, 2007. 

    상세보기 crossref

  9. Keinosuke Fukunaga, Introduction to Statistical Pattern Recognition, Elsevier, 1990. 

  10. T.W. Lee, et al., "A unifying informationtheoretic framework for independent component analysis," Computers & Mathematics with Applications, Vol.31. pp.1-21, 2000. 

  11. M. Girolami, A. Cichocki, and S.-I. Amari, "A common neural-network model for unsupervised exploratory data analysis and independent component analysis," IEEE Trans. Neural Networks, Vol.9, No.6, pp.1495-1501, 1998. 

    상세보기 crossref

  12. D. D. Lee and H. S. Seung, "Learning the parts of objects by non-negative matrix factorization," Natute, Vol.401, pp.788-791, 1999. 

    상세보기 crossref

  13. S.H. Oh, "Comparisons of linear feature extraction methods," Journal of the Korea Contents Association, Vol.9, No.4, pp.121-130, 2009. 

  14. H. Peng, F. Long, and C. Ding, "Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy," IEEE Trans. PAMI, Vol.27, No.8, pp.1226-1238, 2005. 

    상세보기 crossref

  15. H. White, "Learning in artificial neural networks: a statistical perspective," Neural Computation, Vol.1, pp.425-464. 1989. 

    상세보기 crossref

  16. S.H. Oh, "Improving the error backpropagation algorithm with a modified error function," IEEE Trans. Neural Networks, Vol.8, pp.799-803, 1997. 

    상세보기 crossref

  17. S.H. Oh, "Performance improvement of multilayer perceptrons with increased output nodes," Journal of the Korea Contents Association, Vol.9, No.1, pp.123-130, 2009. 

    원문보기 상세보기 crossref

  18. A. P. Engelbrecht, "A new pruning heuristic based on variance analysis of sensitivity information," IEEE Trans. Neural Networks, Vol.12, pp.1386-1399, 2001. 

    상세보기 crossref

  19. Y. R. Park, T. J. Murray, and C. Chen, "Predicting Sun Spots Using A Layered Perceptron Neural Networks," IEEE Trans. Neural Networks, Vol.7, pp.501-505, 1996(3). 

    상세보기 crossref

  20. J. Moody and P. J. Antsaklis, "The dependence identification neural network construction algorithm," IEEE Trans. Neural Networks, Vol.7, pp.3-15, 1996. 

    상세보기 crossref

  21. F. Girosi, M. Jones, and T. Poggio, "Regularization theory and neural network architecture," Neural Computation, Vol.7, pp.219-269, 1995. 

    상세보기 crossref

  22. X. Zeng and D. S. Yeung, "Hidden neuron pruning of multilayer perceptrons using a quantified sensitivity measure," Neurocomputing, Vol.69, pp.825-837, 2006. 

    상세보기 crossref

  23. J. V. Shah and C.-S. Poon, "Linear independence of internal representations in multilayer percpetrons," IEEE Trans. Neural Networks, Vol.10, No.1, pp.10-18, 1999. 

    상세보기 crossref

  24. S.H. Oh and Y. Lee, "Effect of nonlinear transformations on correlation between weighted sums in multilayer perceptrons,"IEEE Trans. Neural Networks, Vol.5, pp.508-510, 1994. 

    상세보기 crossref

  25. Y Lee, S.-H. Oh, and M. W. Kim, "An analysis of premature saturation in back propagation learning," Neural Networks, Vol.6, pp.719-728, 1993. 

    상세보기 crossref

  26. Y.F. Yam, "An independent component analysis based weight initialization method for multilayer perceptrons," Neurocomputing, Vol.48, pp.807-818, 2002. 

    상세보기 crossref

  27. P. C. Barman and S.-Y. Lee, "Nonnegative matrix factorization (NMF) based supervised feature selection and adaptation," LNCS, Vol.5326, pp.120-127, 2008. 

  28. A. van Ooyen and B. Nienhuis, "Improving the convergence of the backpropagation algorithm," Neural Networks, Vol.5, pp.465-471, 1992. 

    상세보기 crossref

  29. J. B. Hampshire II and A. H. Waibel, "A novel objective function for improved phoneme recognition using time-delay neural networks,"IEEE Trans. Neural Networks, Vol.1, pp.216-228, 1990. 

    crossref

  30. S.H. Oh, "Classification of imbalanced data using multilayer perceptrons," Journal of the Korea Contents Association, Vol.9, pp.141-148, 2009. 

    원문보기 상세보기 crossref

  31. Y. Bengio, "Learning deep architecture for AI," to appear in Foundations and Trends in Machine Learning 

  32. G. E. Hinton and R. Salakhutdinov, "Reducing the dimensionality of data with neural networks," Science, Vol.313, pp.504-507, 2006. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로