http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
신속한 학습과 정확한 근사화 능력을 갖는 CMAC 신경망 기반 퍼지 제어기의 설계
김대진(Daijin Kim) 한국정보과학회 1998 정보과학회논문지(B) Vol.25 No.7
This paper proposes a CMAC-based FLC(Fuzzy Logic Controller) With a fast learning capability and an accurate approximation ability. The proposed CMAC-based FLC shows the fast learning speed because a small number of units in the network are involved in the foreward and backward computation and provides an accurate input-output approximation because it uses both centers and widths of membership functions to compute an output. The structural parameters such as the centers and widths of the membership functions are updated in the backpropagation type. Application to the truck backer-upper control problem of the proposed CMAC-based FLC is presented. The approximation accuracy and control performance are compared with those of various FLCs. 본 논문은 빠른 학습과 정확한 근사 능력을 갖는 새로운 CMAC 신경망 기반 퍼지 제어기를 제안한다. 제안한 CMAC 신경망 기반 퍼지 제어기(CBFLC)는 한 학습 주기 동안 전향 및 역전파 연산시 신경망내 유닛중 극히 일부분만이 활성화되어 학습에 참가하므로 학습 시간이 매우 빠르고, 비퍼지화 연산시 소속 함수의 중심값뿐 아니라 폭을 동시에 고려하여 정확한 근사화를 얻는다. 제안한 퍼지 제어기내 입·출력 소속 함수의 중심값 및 폭 등의 구조적 파라메터들은 역전파 알고리즘에 의해 갱신된다. 제안한 CMAC 신경망 기반 퍼지 제어기를 트럭 후진 주차 문제에 적용하여 근사화 능력 및 제어 성능면에서 여러 다른 퍼지 제어기들과 비교한다.
김대진(Daijin Kim),김철현(Chulhyun Kim) 한국정보과학회 1998 정보과학회논문지(B) Vol.25 No.2
본 논문은 기존의 동치적 관계(equivalence relation)를 확장한 허용적 관계(tolerance relation)에 기반한 러프 집합을 정의하고 이에 근거한 새로운 데이타 분류 방법을 제시한다. 데이타 공간 내 두 데이타의 유사 척도는 각 속성간의 거리의 함수로 표현되어지며, 이러한 유사 척도가 어떤 임계치 보다 클 때, 두 데이타는 서로 허용적 관계에 있다고 정의한다. 나아가, 서로 허용적 관계에 있는 데이타들은 그들이 갖는 클래스 정보를 이용하여 하한 근사(lower approximation) 집합과 상한 근사(upper approximation) 집합으로 나뉘어진다. 본 연구에서는 새로운 입력 데이타를 먼저 하한 근사에 속하는 데이타를 이용하여 분류시키고, 이에 의해 분류되지 않는 경우는 상한 근사에서 얻은 러프 소속 함수를 이용하여 분류시키는 계층적 분류 방법을 사용한다. 이 경우, 두 데이타간의 유사도를 결정하는데 사용되는 각 속성 값의 임계치의 최적 값은 같은 클러스터에 속하면서 허용적 관계에 있는 데이타쌍 ( 좋은 연결; good connections)을 되도록 많게 하면서, 서로 다른 클러스터에 속하는 데이타쌍 ( 나쁜 연결; bad connections) 은 되도록 없애도록 하는 목적 함수를 정의하여 유전 알고리즘에 의한 진화에 의해서 결정한다. 제안한 데이타 분류 방법의 타당성을 확인하고자 IRIS 데이타를 사용하여 제안한 방법에 의한 분류 성능을 역전파 알고리즘, OFUNN, 및 FCM과 분류 성능과 학습 속도 면에서 비교한다. This paper proposes a new data classification method based on the tolerant rough set that extends the existing equivalent rough set. Similarity measure between two data is described with a distance function of each attribute and two data are defined to be tolerant when they have the similarity measure that exceeds a threshold value. In this case, the optimal threshold values for defining the similar data are obtained by evolving the threshold values by genetic algorithm whose fitness function is a balance function that is not only to maximize the good connections but also to minimize bad connections. Further, these tolerant data set are classified into two approximate sets . lower and upper approximation depending on the coincidence of their classes. A hierarchical classification method is utilized such that all data are classified by using the lower approximation in the first stage and then the non-classified data by the lower approximation are classified again by using the rough membership functions obtained from the upper approximation. The validity of our proposed classification method is verified by applying the proposed classification method to IRIS data and by comparing the classification error and learning time with the other classification techniques such as the feedforward neural network's backpropagation algorithm, OFUNN, and FCM.