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
- RBF 신경 회로망은 빠른 학습시간, 일반화(generality)능력, 단순화(simplicity)의 특징으로 인해 학습데이터를 분류하는 작업과 비선형 시스템 모델링 등에 적용되고 있다. 따라서 본 논문에서는 TYPE-2 퍼지추론 기반의 RBF(Radi가 Basis Function) 신경 회로망을 설계한다. 언어적인 불확실한 정보를 :호율적으로 취급하는 TYPE-2 퍼지추론 구동형 RBF 신경 회로망을 설계하고 수치적 실험을 통하여 제안된 모델의 근사화 및 일반화 성능에 대하여 논의한다.
- 즉, HCM에 의한 클 러스터의 수와 클러스터의 중심을 제안된 모델의 TYPE-2 RBF 수와 중심 u로 사용한다. 또한 각 규칙의 활성화 영역 결정에는 최적화 알고리즘을 사용하여 동조한다. 그림 3에서는 불확실한 너비를 갖는 TYPE-2 RBF를 나타낸다.
- 본 논문에서는 타입-2 퍼지추론 구동형 RBF 신경 로망을 설계하고, 모델의 파라미터를 입자 군집 최적화 알고리즘으로 동정하였다. 활성함수와 각 규칙의 연결가중치를 interval fuzzy sets 형태로 구성한 T2RBFNN은 기존의 모델보다 군사화 및 일반화 성능에서 더 적은 오차의 보임을 표 2 를 통하여 증명하였다.
- 따라서 본 논문에서는 TYPE-2 퍼지추론 기반의 RBF(Radi가 Basis Function) 신경 회로망을 설계한다. 언어적인 불확실한 정보를 :호율적으로 취급하는 TYPE-2 퍼지추론 구동형 RBF 신경 회로망을 설계하고 수치적 실험을 통하여 제안된 모델의 근사화 및 일반화 성능에 대하여 논의한다.
데이터처리
- 식 (13)의 함수로부터 그림 5에 보인 200개의 데이터를 랜덤하게 발생시켜 그 중 140개를 학습데이터로 사용하였으며, 나머지 60개의 데이터를 테스트데이터로 사용하였으며, 제안된 모델의 근사화 성능과 일반화 성능을 평가하기 위한 지표로 식 (14)의 mean square error(MSE)를 사용하였다.
이론/모형
- 규칙의 전반부 멤버쉽 함수의 정점 결정에는 데이터들 간의 euclidean di stance를 기준으로 중심을 결정하는 C-means 클러스터링 알고리즘을 사용하고, 후반부의 경우 오류 역전파(back-propagation; BP) 알고리즘을 이용하여 학습한다. 규칙 후반부 Interval set 형태의 연결가중치 동정을 위한 오차식 정의는 식 (7)로 표현되며, 전제 학습데이터에 대한 모델의 최소 오차를 얻기 위해 학습은 300회 이루어진다.
- 제안된 모델의 연결가중치를 학습하기 위해 동정해야 하는 파라미터로식 (8)-(9)의 학습율은 입자 군집 최적화 알고리즘 (Particle Swarm Optimization)을 통하여 동조한다. 또한 활성화 함수의 최적 활성 영역 결정을 위한 너비상수 #의 탐색이 수행되며, particle 의 구조는 그림 4와같다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.