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.
문제 정의
- 본 논문에서는 FRBFNN와 학습 방법을 제안한다. 이 구조는 RBF 뉴럴네트워크의 변형 및 확장된 구조로써 전반부는 FCM에서 사용하는 거리에 기반을 두는 멤버쉽 함수를 사용하고 후반부는 로컬모텔로써 다양한 형태의 다항식으로 구성될 수 있다.
- 본 논문에서는 구조 동정에 관련하여 퍼지규칙의 수와, 파라미터 동정에 관련하여 후반부 다항식의 계수 추정에 대하여 다룬다. 기존 FCM-FNN에서 FCM을 이용하여 공간 분할과 멤버쉽함수를 결정한 것과는 달려 Subtractive clustering을 사용하여 적합한 퍼지 규칙(클러스터)의 수와 클러스터의 중심을 찾으며, 클러스터의 중심값은 멤버쉽 값을 결정하는데 사용된 학습 데이터의 출력 값을 모델링에 적용하기 위하여 HCM에 의하여 줄력 값에 기반을 두어 학습데이터를 여러 개의 context로 분할한 후 각각의 context에 대하여 subtractive clustering 알고리즘을 적용하다.
- 본 논문의 선행연구로써 FCM[기과 Radial Basis Function Neural Network (RBFNN)[6]의 Hybrid 구조로써 FCM 기반 Fuzzy neural networks (FCMfNN)구조가 제시되었다[1 이. 이 구조는 RBF 뉴럴네트워크의 변형 및 확장된 구조로써 전반부에 FCM을 사용하고 후반부는 로컬모델로써 다양한 형태의 다항식으로 구성될 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.