$\require{mediawiki-texvc}$

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.

Extreme Learning Machine 기반 퍼지 패턴 분류기 설계
Design of Fuzzy Pattern Classifier based on Extreme Learning Machine 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.25 no.5, 2015년, pp.509 - 514  

안태천 (원광대학교 전자 융합공학과) ,  노석범 (원광대학교 전자 융합공학과) ,  황국연 (원광대학교 전자 융합공학과) ,  왕계홍 (원광대학교 전자 융합공학과) ,  김용수 (대전대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 인공 신경망의 일종인 Extreme Learning Machine의 학습 알고리즘을 기반으로 하여 노이즈에 강한 특성을 보이는 퍼지 집합 이론을 이용한 새로운 패턴 분류기를 제안 한다. 기존 인공 신경망에 비해 학습속도가 매우 빠르며, 모델의 일반화 성능이 우수하다고 알려진 Extreme Learning Machine의 학습 알고리즘을 퍼지 패턴 분류기에 적용하여 퍼지 패턴 분류기의 학습 속도와 패턴 분류 일반화 성능을 개선 한다. 제안된 퍼지패턴 분류기의 학습 속도와 일반화 성능을 평가하기 위하여, 다양한 머신 러닝 데이터 집합을 사용한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we introduce a new pattern classifier which is based on the learning algorithm of Extreme Learning Machine the sort of artificial neural networks and fuzzy set theory which is well known as being robust to noise. The learning algorithm used in Extreme Learning Machine is faster than t...

주제어

#퍼지 패턴 분류기   #퍼지 클러스터링   #학습 알고리즘   #신경회로망  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서 ELM의 학습 구조를 뉴로 퍼지 회로망에 적용함으로써, 학습 속도를 높이며, 뉴로 퍼지 회로망의 일반화 성능을 개선 하고자 한다.
  • 본 논문에서는 신경 회로망의 학습 속도를 대폭 높이고 신경 회로망의 일반화 성능을 개선한 Extreme Learning Machine을 기반으로 한 퍼지 패턴 분류기를 제안한다.
  • 본 논문에서는 입력 층과 은닉 층 사이의 연결 하중을 랜덤하게 결정하고 은닉층과 출력증 사이의 연결 하중은 Moore-Penrose generalized inverse를 이용하여 결정하는 ELM을 기반으로 하는 퍼지 패턴 분류기를 제안한다.
  • 본 연구에서는 제안된 분류기의 성능을 평가하기 위하여 제안된 분류기를 모의 데이터 집합 (synthetic dataset)과 기계 학습 데이터 집합 (machine learning dataset)에 적용하여 분류기로서의 성능을 평가 및 분석한다. 기계 학습 데이터 집합은 UCI machine learning repository로부터 획득한 데이터 집합들을 이용하여 기존 논문에서 제안된 분류기 기법들과 비교 평가한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
퍼지 추론 시스템의 장점은 무엇인가? 신경회로망의 경우 우수한 학습 능력을 보유하고 있는 반면, 최종적으로 얻게 되는 네트워크의 구조가 블랙박스(black box) 형태를 취하게 되어 설계자가 네트워크의 구조들의 의미를 파악할 수 없다는 단점을 가지고 있다. 이와 달리, 퍼지 집합에 기반을 둔 퍼지 추론 시스템은 전문가의 전문 지식을 기반으로 퍼지 규칙을 설정하고 그 규칙에 따라 나타내고자 하는 시스템을 규정 할수 있는 장점이 있으나 학습 방법에는 제약이 있다.
대량의 비정형 데이터들을 분류하고 가공 하여는 새로운 형태의 처리기술의 도입이 필요한 배경은 무엇인가? 현재는 스마트 폰과 태블릿 컴퓨터와 같은 모바일 기기들의 폭발적인 보급 증가로 인하여 이와 같은 모바일 기기들을 이용한 SNS와 같은 네트워크를 통해 다양한 형태의 데이터들이 대량으로 생산되고 있다. 일반적으로 SNS를 통해 생산되는 데이터들은 영상, 이미지, 텍스트 형태의 비정형 데이터 들이며, 이와 같은 대량의 비정형 데이터들을 분류하고 가공 하여 사용자들이 원하는 정보를 얻기 위하여 고차원의 데이터를 신속하게 가공하고 분류할 수 잇는 새로운 형태의 처리기술의 도입이 시급한 실정이다.
오류 역전파 알고리즘의 단점은 무엇인가? 일반적으로 신경회로망에서 사용되는 학습 규칙인 오류 역전파 알고리즘 (Back Propagation Learning Algorithm)은 학습 시간이 오래 걸린다는 단점을 가지고 있으며, 신경회로망의 학습 알고리즘을 계승한 뉴로 퍼지 네트워크의 학습도 비록 신경회로망의 학습속도에 비해 빠른 편이지만, 여전히 학습 속도가 느리다는 단점을 가지고 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (3)

  1. G. B. Hwang, Q. U. Zhu, C. K. Siew, "Extreme learning machine: Theory and applications," Neurocomputing, Vol. 70, pp. 489-501, 2006. 

    상세보기 crossref

  2. D. Serre, Matrices: Theory and Applications, Springer, New York, 2002. 

  3. J. C. Bezdek, R. Ehrlich and W. Full, "FCM: The fuzzy c-means clustering algorithm," Computers & Geoscience, Vol. 10, pp. 191-203, 1984. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 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