[논문]SOM을 이용한 LVQ 네트워크 설계

김영렬; 이용구; 손동설; 강성호; 엄기환

SOM을 이용한 LVQ 네트워크 설계
LVQ Network Design using SOM 원문보기

김영렬 (동국대학교 전자공학과) , 이용구 (한림정보산업대학 전자통신) , 손동설 (유한대학) , 강성호 (동국대학교 전자공학과) , 엄기환 (동국대학교 전자공학과)

본 연구에서는 LVQ의 성능 개선을 위하여 SOM을 전처리로 이용하여 LVQ 네트워크를 설계한다 제안한 설계 방법에선 SOM을 이용하여 LVQ 네트워크의 출력 뉴런 수와, reference vector의 초기값을 결정한다. SOM을 전처리로 이용한 LVQ를 Fisher의 Iris 데이터에 분류에 적용한 결과 기존의 LVQ보다 분류 성능이 뛰어났다.

We design LVQ network using SOM network for the LVQ's performance improvement. Reference vectors and the number of output neurons, they are the proposed LVQ network's initial parameters, are determined in SOM which is used for preprocessing LVQ. We simulate it to the grouping test of Fisher's Iris data. In this result, we confirm proposed LVQ network is better than existing LVQ in grouping test.

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

문제 정의

본 논문에서는 LVQ의 성능 개선을 위하여 SOM을 전처리로 이용한 LVQ 네트워크 설계 방법을 제안하였다. 제안한 방법에서는 전처리 과정으로 SOM을 이용하여 LVQ의 초기 reference vector와 출력 뉴런 수를 결정하였다.
본 논문에서는 이러한 문제점을 해결하기 위해서, LVQ 네트워크의 전처리용 네트워크로써 SOM을 이용하는 방식을 제안한다. 제안한 방식은 입력 패턴 벡터를 먼저 SOM을 이용하여 분류를 한 후 학습에서 얻은 SOM의 출력 뉴런의 연결 강도를 LVQ의 초기 reference vector로 사용하며, 패턴 공간이 분할 되는 특성을 통해 LVQ 네트워크의 서브 클래스 수를 결정한다.

제안 방법

이렇게 정 한 출력 뉴런의 수가 LVQ의 서브 클래스의 수로 한다. 두 번째 단계는 SOM의 학습된 연결 강도를 LVQ 네트워크의 reference 벡터의 초기 값으로 정하고, 입력 벡터를 이용하여 LVQ를 학습시킨다. 제안한 알고리즘은 다음과 같다.
서론에서 기술한 바와 같이 LVQ 네트워크를 설계 하기 위하여 클래스를 몇 개로 할 것이며, 각 클래스 내에 몇 개의 서브 클래스를 둘 것인가 하는 문제와 reference 벡터의 초기값을 어떻게 설정할 것인가를 결정하기 위하여 전처리 용도의 네트워크를 SOM을 이용하여 구현하였다.
제안한 LVQ의 SOM 구성은 입력을 4개, 출력은 30으로 고정했으며 초기 연결강도는 [0, 1]사이에서 렌덤하게 선택했다. 학습율은 0.
본 논문에서는 LVQ의 성능 개선을 위하여 SOM을 전처리로 이용한 LVQ 네트워크 설계 방법을 제안하였다. 제안한 방법에서는 전처리 과정으로 SOM을 이용하여 LVQ의 초기 reference vector와 출력 뉴런 수를 결정하였다. IRIS 데이터를 대상으로 분류 테스트를 해 본 결과 기존의 LVQ보다 분류 성능이 향상됨을 알 수 있다.
제안한 방식에 대해서 Fisher의 Iris 데이터를 분류하는 시뮬레이션을 수행하였다. Fisher의 Iris 데이터 는 세 가지 품종 'Setosa', "Versicolor', 'Virginica '의 붓꽃(iris)으로부터 각각 50개, 총 150개의 개체들을 추출해서 측정한 자료이다.
본 논문에서는 이러한 문제점을 해결하기 위해서, LVQ 네트워크의 전처리용 네트워크로써 SOM을 이용하는 방식을 제안한다. 제안한 방식은 입력 패턴 벡터를 먼저 SOM을 이용하여 분류를 한 후 학습에서 얻은 SOM의 출력 뉴런의 연결 강도를 LVQ의 초기 reference vector로 사용하며, 패턴 공간이 분할 되는 특성을 통해 LVQ 네트워크의 서브 클래스 수를 결정한다. 이렇게 전처리를 통해 얻은 결과로 LVQ 네트워 크를 설계한다.
Fisher의 Iris 데이터 는 세 가지 품종 'Setosa', "Versicolor', 'Virginica '의 붓꽃(iris)으로부터 각각 50개, 총 150개의 개체들을 추출해서 측정한 자료이다. 측정 변수는 꽃받침 조각의 길이 (Sepal Length), 꽃받침 조각의 폭(Sepal Width), 꽃잎의 길이(Petal Length), 꿏잎의 폭(Petal Width)이다.

대상 데이터

제안한 방식에 대해서 Fisher의 Iris 데이터를 분류하는 시뮬레이션을 수행하였다. Fisher의 Iris 데이터 는 세 가지 품종 'Setosa', "Versicolor', 'Virginica '의 붓꽃(iris)으로부터 각각 50개, 총 150개의 개체들을 추출해서 측정한 자료이다. 측정 변수는 꽃받침 조각의 길이 (Sepal Length), 꽃받침 조각의 폭(Sepal Width), 꽃잎의 길이(Petal Length), 꿏잎의 폭(Petal Width)이다.
성능 확인을 위해 기존의 LVQ 네트워크와 비교 하였고, 각각의 네트워크를 학습시키기 위해 IRIS 데이터 75개를 사용했으며 나머지 75개는 테스트용으로 했다. 비교 대상은 데이터 에러 수로 했다.
성능 확인을 위해 기존의 LVQ 네트워크와 비교 하였고, 각각의 네트워크를 학습시키기 위해 IRIS 데이터 75개를 사용했으며 나머지 75개는 테스트용으로 했다. 비교 대상은 데이터 에러 수로 했다.

이론/모형

성능을 확인을 위하여 Fisher의 Iris 데이터 분류에 적용하였다.

성능/효과

제안한 방법에서는 전처리 과정으로 SOM을 이용하여 LVQ의 초기 reference vector와 출력 뉴런 수를 결정하였다. IRIS 데이터를 대상으로 분류 테스트를 해 본 결과 기존의 LVQ보다 분류 성능이 향상됨을 알 수 있다.
패턴을 보다 정밀하게 분류하기 위하여 하나의 클러스터 혹은 클래스에 여러 개의 서브 클래스를 둘 수 있다. 따라서 학습을 통하여 서브 클래스들을 분류하 고 분류된 서브 클래스들을 하나의 클래스로 지정한다면 패턴 분류 성능을 보다 정밀하고 정확하게 할 수 있다. 이러한 클래스 속의 서브 클래스를 학습시켜서 클래스로 분류하는 신경회로망이 바로 LVQ 네트워크 이다.
제안한 LVQ의 SOM 구성은 입력을 4개, 출력은 5에서 50으로 점차적으로 늘였으며 초기 연결강도는 [0, 1]사이에서 렌덤하게 선택했다. 학습율은 0.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

이 논문과 함께 이용한 콘텐츠

[논문] SOM을 이용한 LVQ 네트워크 설계

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

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

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

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

연합인증

SOM을 이용한 LVQ 네트워크 설계
LVQ Network Design using SOM 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper