[논문]퍼지 제어 기법을 이용한 개선된 Max-Min 신경망

김광백; 우영운

doi:10.13067/jkiecs.2013.8.8.1195

퍼지 제어 기법을 이용한 개선된 Max-Min 신경망
An Enhanced Max-Min Neural Network using a Fuzzy Control Method 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.8 no.8, 2013년, pp.1195 - 1200

김광백 (신라대학교 컴퓨터공학과) , 우영운 (동의대학교 멀티미디어공학과)

초록
AI-Helper

본 논문에서는 퍼지 제어 기법을 적용하여 학습률을 자동으로 조정하는 개선된 Max-Min 신경망을 제안하였다. 개선된 Max-Min 신경망은 경쟁 단계에서 필요한 학습 시간을 줄이기 위하여, 정확성의 수와 부정확성의 수를 퍼지 제어 시스템의 입력으로 적용하여 학습률을 동적으로 조정하는 기법이다. 본 논문에서 제안된 방법을 실제 콘크리트 표면 균열 영상에서 추출한 균열의 방향성 패턴을 대상으로 인식 실험한 결과, 개선된 Max-Min 신경망이 효과적임을 확인할 수 있었다.

Abstract ▼ AI-Helper

In this paper, we proposed an enhanced Max-Min neural network by auto-tuning of learning rate using fuzzy control method. For the reduction of training time required in the competition stage, the method was proposed that arbitrates dynamically the learning rate by applying the numbers of the accuracy and the inaccuracy to the input of the fuzzy control system. The experiments using real concrete crack images showed that the enhanced Max-Min neural network was effective in the recognition of direction of the extracted cracks.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 Max-Min 신경망의 성능을 개선하기위해서 퍼지 논리 시스템을 이용하여 학습률과 모멘텀을 자동으로 조절하는 방식을 제안한다. 각 패턴에 대한 출력층의 실제 출력값과 목표값의 차이의 절대값이 ε 보다 적거나 같은 경우에는 정확성으로 분류하고 큰 경우에는 부정확성으로 분류하여 퍼지논리 시스템의 입력으로 사용한다.

제안 방법

따라서 본 논문에서는 목표값과 출력값의 차이에 대한 절대값이 ε 보다 적거나 같으면 정확성으로 분류하고 크면 부정확성으로 분류하여 퍼지 제어 시스템의 입력으로 사용하여 학습률과 모멘텀을 동적으로 조정하여 학습의 수렴성을 개선한다.
여기서 F(Few), A(Average), M(Many), S(Small), M(Medium), B(Big)는 퍼지 소속 함수이다. 정확성과 부정확성이 퍼지 시스템의 입력값으로 정해지면 각 소속 함수에 대한 정확성과 부정확성의 소속도를 구한다. 각 소속 함수에 대하여 소속도가 구해지면 퍼지 제어 규칙을 이용하여 Max-Min 방법을 적용하여 추론한다.

대상 데이터

기존의 Max-Min 신경망들과 개선된 Max-Min 신경망의 학습 및 인식 성능을 분석하기 위해 입력 패턴으로는 참고문헌[6]의 방법을 이용하여 콘크리트 균열 영상에서 추출한 25개의 균열 패턴을 적용하였고, 출력층의 노드 수는 5개로 설정하였다. 그리고 기존의 Max-Min 신경망에서는 학습률과 모멘텀을 0.

성능/효과

제안 기법에서는 총오차자승합 대신 목표값과 출력값 차이의 절대값이 ε보다 적으면 정확성으로 분류하여 퍼지 제어 기법에 적용하였다. 따라서 모든 학습 패턴들이 정확성으로 분류되면 학습을 종료하므로 학습의 분류 성능과 인식률이 향상되는 것을 실험을 통하여 확인하였다. 그러나 제안된 Max-Min 신경망은 단층 구조로서 복잡하고 다양한 패턴들을 분류하는 데에는 한계가 있다.

후속연구

따라서 모든 학습 패턴들이 정확성으로 분류되면 학습을 종료하므로 학습의 분류 성능과 인식률이 향상되는 것을 실험을 통하여 확인하였다. 그러나 제안된 Max-Min 신경망은 단층 구조로서 복잡하고 다양한 패턴들을 분류하는 데에는 한계가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Max-Min 신경망의 장점은?	Max-Min 신경망은 퍼지의 기본 연산자를 사용하고 0과 1사이의 값을 입력 패턴으로 적용하여 학습하는 알고리즘이다. 이 알고리즘의 장점은 기존의 단층 알고리즘이 이진 데이터를 학습하는데 중점을 둔 반면에 퍼지 값인 0과 1사이의 값을 학습하는데 효과적으로 학습할 수 있도록 퍼지 논리 연산자를 이용한 것이 큰 장점이다[3]. 그러나 기존의 Max-Min 신경망은 단층 학습 구조로서 학습 과정 중에 조기 포화 현상으로 학습의 수렴성이 낮아지는 문제점이 있다.
	Max-Min 신경망은 무엇인가?	Max-Min 신경망은 퍼지의 기본 연산자를 사용하고 0과 1사이의 값을 입력 패턴으로 적용하여 학습하는 알고리즘이다. 이 알고리즘의 장점은 기존의 단층 알고리즘이 이진 데이터를 학습하는데 중점을 둔 반면에 퍼지 값인 0과 1사이의 값을 학습하는데 효과적으로 학습할 수 있도록 퍼지 논리 연산자를 이용한 것이 큰 장점이다[3].
	기존의 Max-Min 신경망에서 연결 가중치들이 지역 최소화에 위치하게 되는 원인은?	기존의 Max-Min 신경망은 연결 가중치들이 지역 최소화(local minima)에 위치하게 되는 원인을 분석해 보면 오류 한계 설정 문제, 초기 연결 가중치 설정 문제, 학습률 설정 문제, 모멘텀 설정 문제 등이 있다[4]. Cheung 등은 학습 단계를 다음과 같이 구분하였다.

참고문헌 (8)

K. B. Kim, J. H. Cho, and E. Y. Cha, "A New Single Layer Perceptron using Fuzzy Neural Controller", Simulations International XII, Vol. 27, No. 7, pp. 341-343, 1995.
K. B. Kim, C. K. Yuk and E. Y. Cha, "A New Fuzzy Supervised Learning Algorithm", AFSS'98, pp. 399-403, 1998.
M. Delgado, I. Requena, "Solving fuzzy relational equations by max-min neural networks", Proceedings of IEEE World Congress on Computational Intelligence., Vol. 3, pp. 1737-1742, 1994.
K. B. Kim, Y. W. Woo, " Detection of Flaws in Ceramic Materials Using Non-Destructive Testing", The Journal of The Korea Institute of Electronic Communication Sciences, Vol. 5, No. 3, pp. 321-326, 2010.
K. B. Kim, M. H. Kang and E. Y. Cha, "A Fuzzy Competitive Backpropagation Using Nervous System", Proceedings of WCSS'97, pp. 188-193, 1997.
K. B. Kim, W. J. Lee, Y. W. Woo, "Automatic Recognition and Performance of Printed Musical Sheets Using Fuzzy ART", The Journal of The Korea Institute of Electronic Communication Sciences, Vol. 6, No. 1 pp. 84-69, 2011.
J. H. Cho, "Enhanced Fuzzy Binarization Method for Car License Plate Binarization", The Journal of The Korea Institute of Electronic Communication Sciences, Vol. 6, No. 2, pp. 231-236, 2011.
K. B. Kim, H. J. Park,"Recognition of Concrete Surface Using Enhanced Max-Min Neural Networks", The Journal of The Korea Society of Computer and Information, Vol. 12, No. 2, pp. 77-82, 2007.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증