선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 이는 기존의 FSPNN 모델들이 선호된 네트워크 구조를 찾기 위해서 노드의 입 력변수의 수와 규칙 후반부 다항식 차수 입력 변수 그리고 선택된 멤버쉽 함수의 수를 설계자의 경험 또는 반복적인 학습을 통해서 얻을 수 있어서 최적의 네트워크 구조를 구축하는데 어려움이 내재되어 있었다. 따라서 객관적이고 신뢰성 있는 최적의 모델을 구축하기 위해서 유전자 알고리즘을 통해 모델(GAs_based FSPNN; gFSPNN)을 구축하였다. 비록 GAs를 통해 구조를 최적화 하였더라도 데이터의 특성 까지는 모델을 구축하는데 반영되지는 못한다.
- 비록 GAs를 통해 구조를 최적화 하였더라도 데이터의 특성 까지는 모델을 구축하는데 반영되지는 못한다. 따라서 주어진 데이터의 특성을 해석하기 위하여 HCM 방법을 결함한 Information Granulation[3]기반 진화론적 최적 퍼지 집합 다항식 뉴럴네트워크(Information Granules~based gFSPNN; IG based gFSPNN) < 제안한다.
- 본 논문에서 제안한 모델의 기본 모델이 되는 퍼지규칙 기반 자기구성 퍼지 다항식 뉴럴네트워크 (Self-Organizing Fuzzy Polynomial Neural Networks ; SOFPNN)[1]는 FIS와 GMDH 의 확장 (Extension), 결합 (Combination), 및 융합 (Fusion)에 의해 설계되며 이는 퍼지 집합 기반 다항식 뉴럴네트워크(Fuzzy Set-based Polynomial Neural Networks; FSPNN) 와 퍼지 관계 기반 다항식 뉴럴네트워크 (Fuzzy Relation-based Polynomial Neural Networks; FRPNN)로 나뉘어 진다. 이것은 퍼지 집합과 퍼지관계를 기반으로 한 FIS가 GMDH 의 확장된 형태인 Self-Organizing Polynomial Neural Networks(SOPNN)와의 융합으로 생성된 구조이다.
- 분할된다. 본 논문에서는 입출력 관계의 특성을 이용하여 모델링을 수행한다. 따라서 데이터의 특성을 파악하는 것이 매우 중요하다.
- 선정하였다. 학습 데이터에 의한 근사화와 테스트 데이터에 의한 일반화 능력을 상호 고려한 합성 목적 함수를 이용하였다. 9롤 0.
데이터처리
- 0으로 설정하여 일반화 능력에 호점을 맞추었다. 성능 지수는 RMSE (Root Mean Square Error)을 이용한다.
이론/모형
- 기본 모델로 사용된 FSPNNe 유전자 알고리즘(Genetic Algorithms; GAs)[2]을 사용하여 구조를 최적화시킨다. 이는 기존의 FSPNN 모델들이 선호된 네트워크 구조를 찾기 위해서 노드의 입 력변수의 수와 규칙 후반부 다항식 차수 입력 변수 그리고 선택된 멤버쉽 함수의 수를 설계자의 경험 또는 반복적인 학습을 통해서 얻을 수 있어서 최적의 네트워크 구조를 구축하는데 어려움이 내재되어 있었다.
- 본 논문에서는 데이터들간의 거리를 기준으로 근접한 정도를 측정하여 데이터를 특성 별로 분류하는 HCM 클러스터링 알고리즘[4]을 이용한다. HCM 클러스터링 에 의한 데이터 분류는 다음과 같다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.