초록 ▼

인간 두뇌와 뛰어난 정보처리 능력의 메카니즘을 본딴 인공 신경망은 기존의 폰 노이만형 컴퓨터 구조에 비해 대규모 병렬처리, 자기 학습, 일반화 및 결함포용 등의 많은 장점을 가지고 있다. 그런데 기존의 폰 노이만 방식의 컴퓨터 상에서 이러한 장점들을 완전히 실현하는 것은 어렵다. 특히, 대규모 병렬처리에 의한 실시간 처리 및 소형화 실현은 신경망 칩과같은 고도의 분산 구조를 가진 하드웨어로 구현되었을 때 실질적으로 실현될 수 있다. 그래서 최근에는 신경망을 연구하는 많은 연구자들이 신경망 모델을 소프트웨어로 모의하는데 그치지 않고

인간 두뇌와 뛰어난 정보처리 능력의 메카니즘을 본딴 인공 신경망은 기존의 폰 노이만형 컴퓨터 구조에 비해 대규모 병렬처리, 자기 학습, 일반화 및 결함포용 등의 많은 장점을 가지고 있다. 그런데 기존의 폰 노이만 방식의 컴퓨터 상에서 이러한 장점들을 완전히 실현하는 것은 어렵다. 특히, 대규모 병렬처리에 의한 실시간 처리 및 소형화 실현은 신경망 칩과같은 고도의 분산 구조를 가진 하드웨어로 구현되었을 때 실질적으로 실현될 수 있다. 그래서 최근에는 신경망을 연구하는 많은 연구자들이 신경망 모델을 소프트웨어로 모의하는데 그치지 않고 하드웨어로 구현하는 연구가 활발하게 진행되고 있다.
그러나, 신경망이 이러한 하드웨어로 구현되었을 때 제조과정의 결함, 동작 환경, 에이징(aging) 등으로 인하여 여러 가지 형태의 기능적인 결함이 발생할 수 있다. 따라서 하드웨어화된 신경망을 실제로 산업 현장에 적용하여 신뢰성있게 운용하기 위해서는 하드웨어 구현된 신경망이 실제 사용되는 환경에서 발생 가능한 결함들에 대해 결함포용하도록 하는 연구가 선행되어야 한다.

Abstract ▼

Artificial Neural Network(ANN)s, which are based on the mechanism of the excellent information processing of the human brain, have many nice features such as massively parallel processing, self organization, generalization and fault tolerance. Theses features are very difficult to implement on an ex

Artificial Neural Network(ANN)s, which are based on the mechanism of the excellent information processing of the human brain, have many nice features such as massively parallel processing, self organization, generalization and fault tolerance. Theses features are very difficult to implement on an existing Von Neumann type computer. However, these advantages, especially the massive parallelism, can be realized only when an ANN is implemented with VLSI or optical devices. Therefore there have been much interest and very active researches among ANN researchers which try to implement their ANNs not only by software simulation but also by hardware. When an ANN is implemented by hardware, it is Quite possible for various functional faults, due to ill manufacturing process, operational environment, aging, etc. ,to arise. Therefore, before a hardwired ANN is used in the various fields, it is essential to study the fault tolerance of ANNs thoroughly and systematically. In this study, we are concerned with MLPs which constitute 90% of all ANNs used in various applications and carried out the researches as follows:
- Surveyed and analyzed the existing researches on the MLPs fault tolerance.
- Tested and analyzed the features of MLPs fault tolerance.
- Defined a fault tolerant ANN.
- Proposed a selective augmentation mathod for transforming a trained ANN to a fault tolerant ANN.
- Proposed a modified learning algorithm which enforces that the information to be distributed across weights more evenly.

목차 Contents

• 표지...1
• 목차...2
• 제출문...3
• 연구계획서 요약문...4
• 연구결과 요약문...5
• PROJECT SUMMARY...6
• 1. 서론...7
• 1.1 연구배경...7
• 1.2 연구목표...9
• 1.3 연구의 내용 및 범위...9
• 2. 다층 퍼셉트론 신경망 및 결함포용 신경망...11
• 2.1 인공 신경망의 배경...11
• 2.2 다층 퍼셉트론 신경망...13
• 2.3 결함포용 신경망...15
• 3. 결함포용 신경망의 정의 및 증식을 통한 결함포용 신경망의 설계...17
• 3.1 결함포용 신경망의 정의...18
• 3.2 은닉층 뉴런의 결함에 대한 결함포용...20
• 3.3 입출력 특성 보존 증식 알고리즘...22
• 3.4 결함포용 신경망 설계방법...26
• 3.5 실험 및 분석...28
• 4. 학습 정보를 균일하게 하는 다층 퍼셉트론 학습 방법과 이에 기초한 결합포용 신경망의 설계...35
• 4.1 Entropy를 이용한 다층 퍼셉트론 학습 알고리즘...35
• 4.2 증식을 포함한 다층 퍼셉트론 학습 알고리즘...37
• 4.3 제안한 학습 알고리즘에 기초한 결함 신경망 설계 방법...37
• 4.4 실험 및 분석...38
• 5. 결론 및 향후 연구 방향...42
• 6. 참고문헌...44
• 논문발표 목록서...47
• 자체평가서...49