최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.66 no.12, 2017년, pp.1772 - 1781
전필한 (School of Electrical and Electronic Engineering, the University of Suwon) , 김은후 (School of Electrical and Electronic Engineering, the University of Suwon) , 오성권 (School of Electrical and Electronic Engineering, the University of Suwon)
In this study, the design methodology for alleviating the overfitting problem of Polynomial Neural Networks(PNN) is realized with the aid of two kinds techniques such as L2 regularization and Sum of Squared Coefficients (SSC). The PNN is widely used as a kind of mathematical modeling methods such as...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
과적합이 발생하는 요인은 무엇이 있는가? | 일반적으로 과적합이 발생하는 요인은 크게 두 가지로 구분할 수 있다. 첫 번째로 데이터의 분포와 관련이 있다. 학습 데이터도 어떤 모집단의 부분 집합으로 생각 할 수 있으며 데이터의 분포가 밀집되거나 어느 한쪽에 치우쳐져 있다면 전역학습이 불가능하다. 따라서 모집단에 가까운 학습 데이터를 구성할수록 과적합을 줄일 수 있지만 데이터를 수집하고 분석 하는데 있어서 많은 시간과 비용을 투자 해야 하는 어려움이 있다. 두 번째는 모델의 연결가중치의 편차가 클수록 과적합이 발생할 가능성이 높다. 이러한 원인중 하나로 입력변수간의 다중공선성 이라 할수 있는데 다중공선성은 입력변수간의 연관성이 강하여 생기는 입력변수간의 비직교적 상태를 말한다. 다중 공선성이 발생할 경우 그 변수들을 처리하지 않고 연결가중치를 구하게 되면 연결가중치의 편차가 커져서 신뢰할 수 없게 된다. 연결가중치는 데이터의 작은 변화나 회귀 모형식에서 예측변수를 추가하거나 제러함에 따라 상당히 민감하게 움직이며, 편차가 클수록 예측에 않좋은 영향을 주게 된다. 본 연구에서는 연결가중치의 편차를 줄이기 위해 L2 정규화를 사용하였으며 이 방법은 능형 회귀(ridge regression)모형에서 사용하는 패널티 항을 제안된 PNN의 성능평가에 적용하여 연결가중치의 편차를 줄이는 동시에 실험 데이터의 일반화 성능을 향상시켯다. | |
GMDH 알고리즘이란? | Ivakhnenko는 이런 문제점을 해결하기 위한 방법으로 GMDH(Group Method of Data Handling)알고리즘을 제안했다[2]. GMDH 알고리즘은 입력변수의 선택과 입출력 데이터의 분할, 부분 표현식 을 정의하여 시스템 방정식을 예측한다. 그러므로 입출력 관계나 모델의 함수 형이 특정하지 않은 비선형 관계의 경우에 2변수 2차식에 의한 부분 표현식을 계층적으로 조합하여 비선형 모델 추정식을 얻을 수 있다. | |
시스템 모델링에서 회귀분석을 적용할 수 없는 경우는? | 그중 기본이 되는 것이 입출력 데이터에 의한 선형계의 동정과 그 중 기본이 되는 것이 입출력 데이터에 의한 선형계의 동정과 예측문제에 관한 회귀분석 모델링 기법과 같은 수학적 모델링이 유용하게 사용되고 있다. 그러나 모델링을 하고자 하는 시스템이 복잡하고, 대규모 구조인 경우에는 함수식으로 모델의 표현이 한정되지 않기 때문에 회귀분석을 적용할 수 없는 경우가 있다. 일반적으로 복잡한 다변수계의 모델링은 많은 입출력 변수 중에서 모델을 구성하는 변수를 선택하여 모델의 구조를 결정하는데 어려움이 있으며, 추정방법의 계수가 많으면 추정에 필요한 데이터양이 방대해지는 문제점을 지니고 있다. |
V. Rouss, W. Charon, and G. Cirrincione, "Neural model of the dynamic behaviour of a non-linear mechanical system," Mechanical Systems and Signal Processing, Vol 23, pp. 1145-1159, 2009.
A. G. Ivahnenko, "Polynomial theory of complex systems," IEEE Trans. on Systems, Man and Cybernetics, Vol. SMC-1, pp. 364-378, 1971.
S. K. Oh and W. Pedrycz, "The Design of Self-Organizing Polynomial Neural Networks,"Information Sciences, Vol. 141, pp. 237-258, 2002.
S. K. Oh, T. C. Ahn, and W. Pedrycz, "Fuzzy Polynomial Neural Networks-Based Structure and Its Application to Nonlinear Process Systems," 7th IFSA World Conference, Vol. 2, pp. 495-499, 1997.
AE Hoerl, RW Kennard. "Ridge regression: Biased estimation for nonorthogonal problems", Technometrics, Vol. 12, No. 1, p. 55-67, 1970
A. N. Tikhonov, and V. Y. "Arsenin, solution of ill-posed problems.", Washington: Winston & Sons, 1977
Q. Fan, J,. M. Zurada, W. Wu, "Convergence of online gradient method for feedforward neural networks with smoothing L1/L2 regylarization penalty", Neurocomputing, Vol 131, pp. 208-216, 2014
Y. H. Pyo, K. H. Lee, K. H. You, "Earthquake magnitude estimation using Recursive Least Squares", IEEE International Conference on Cloud Computing and Big Data, pp. 394-397, 2016
L. P. Maguire, B. Roche, T. M. McGinnity, L. J. McDaid, "Predicting a chaotic time series using a fuzzy neural network", Information Science, Vol. 112, pp. 125-136, 1998.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.