초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

세선화 알고리즘의 간접 기법으로 제시된 자기구성 특징 그래프(Self-Organizing feature Graph : SOG) 기법은 안정된 세선화 결과를 가지는 장점이 있으나 학습 알고리즘에서 전체 노드를 재정돈하는 과정이 내포되어 있다. 본 본문에서는 학습 알고리즘의 재정돈 과정을 대신하는 점증적 정돈기법을 제안하고 이 기법을 세선화 알고리즘에 결합하여 실험하고 분석하였다. 제안된 알고리즘은 기존의 SO를 적용한 결과와 같은 우수한 세선화 결과를 얻으며 학습시간은 O((logM)$^3$)인 복잡도를 가진다.

세선화 알고리즘의 간접 기법으로 제시된 자기구성 특징 그래프(Self-Organizing feature Graph : SOG) 기법은 안정된 세선화 결과를 가지는 장점이 있으나 학습 알고리즘에서 전체 노드를 재정돈하는 과정이 내포되어 있다. 본 본문에서는 학습 알고리즘의 재정돈 과정을 대신하는 점증적 정돈기법을 제안하고 이 기법을 세선화 알고리즘에 결합하여 실험하고 분석하였다. 제안된 알고리즘은 기존의 SO를 적용한 결과와 같은 우수한 세선화 결과를 얻으며 학습시간은 O((logM)$^3$)인 복잡도를 가진다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 기존의 SOG를 이용한 세선화 알고리즘과 점증적 정돈기법을 적용한 세선화 알고리즘울 비교하기 위해 몇 가지 실험을 수행한다. 이 실험은 셀러론 550 MHz의 IBM PC에서 이루어지고 프로그래밍 언어로는 Visual C++을 사용하여 구현되었다.
• 그러나 SOG를 이용한 세선화 알고리즘은 세선화 결과에서는 우수한 반면 학습 단계에서 뉴런들의 재정돈과 정 때문에 학습 시간이 오래 걸리게 된다. 본 논문에서는 이런 단점을 보완하기 위해 점증적 정돈기법을 적용하여 우수한 세선화 결과를 가지면서 학습 시간이 감소 된 개선된 SOG 세선화 알고리즘을 제안하였다.
• 기존의 SOG를 이용한 세선화 알고리즘은 학습을 할 때마다 뉴런들을 재정돈하기 때문에 학습 시간이 오래 걸 리게 된다. 이롤 개선하기 위해서 본 논문에서는 점증적 정돈기법을 적용한 세선화 알고리즘을 제안한다. 점증적 정돈기법이란 세선화를 위해 재정돈 과정을 하되 한꺼번에 전 뉴런을 재정돈하는 것이 아니라 재정돈할 뉴런의 수를 단계별로 증가시켜가면서 세선 화하는 방법이다.

제안 방법

• 기존의 알고리즘과 제안한 알고리즘을 수학적으로 분석하기 위해 두 알고리즘의 시간 복잡도를 계산한다. 기존의 알고리즘은 항샹 모든 뉴런을 전부 학습에 참여시 키기 때문에 시칸 복잡도는 O(MiogM안— 반면, 제안한 알고리즘은 단계에 따라 학습할 뉴런의 수가 점차 증가하면서 학습하므로 총 학습 시간은 다음과 같다.
• 먼저 두 알고리즘의 세선화 결과를 비교하기 위해 각 알고리즘에 숫자, 알파벳 대소문자, 한글 이미지를 적용하여 실험한다. [그림 3]는 각 알고리즘에 대한 숫자, 알파벳 대소문자, 한글 이미지의 세선화 결과이다.

성능/효과

• 기존의 SOG를 이용한 세선화 알고리즘은 세선화 결과에서는 우수하지만 학습 단계에서의 뉴런들의 재정돈 과정 때문에 학습 시간이 오래 걸린다는 단점을 가지고 있다. 본 논문에서는 이런 단점을 개선하기 위해 점증적 정돈기법을 적용한 세선화 알고리즘이 제안되었고, 기존의 알고리즘과 제안한 알고리즘을 비교한 결과 제안한 알고리즘의 세선화 결과가 우수할 뿐만 아니라 속도 또한 약 L67 배 빠르다는 것이 확인되었으며, 시간 복잡도 계산에서도 제안한 알고리즘은。( (logM)3)으로서 제안한 알고리즘의 수행속도가 기존의 알고리즘보다 우수하다는 것이 증명되었다.
• 뉴런의 수에 따른 결과 역시 제안한 알고리즘이 기존의 알고리즘보다 속도 면에서 우월하다는 점이 밝혀졌고, 또한 뉴런의 수가 증가할수록 제안한 알고리즘의 수행속도가 기존의 알고리즘보다 비례적으로 빨라진다는 것을 알 수 있다.
• 여기서 C는 level 당 학습 횟수이다. 따라서 시간 복잡도 는 0( (logM)’)이고 이것은 제안한 알고리즘이 실험의 결과와 마찬가지로 기존의 SOG를 적용한 세선화 알고리즘보다 우수하다는 것을 증명한다.
• 이 그래프에서도 알 수 있듯이 제안한 알고리즘이 기존의 알고리즘보다 평균적으로 약 1.67배 빠르다는 것을 알 수 있다.

후속연구

• 그러므로 세선화 알고리즘의 적용에서 본 논문에서 제안한 점증적 정돈기법의 SOG를 이용한 세선화 알고리즘을 채택하면 좀 더 빠르며 좋은 세선화 결과를 얻을 것이다

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기