부가정보를 이용한 조건부 Fuzzy C-Regression Model 클러스터링 알고리즘 기반 RBFNN 모델 설계

국문 초록 (Abstract)

Fuzzy C-Regression Model(FCRM) 클러스터링은 Fuzzy C-Means(FCM) 클러스터링과는 다르게 각 클러스터의 중심을 직선으로 나타내는 방법이다. 데이터의 실제 출력값을 사용한다는 것이 FCRM 클러스터링의 약점으로 작용한다. 본 논문에서는, 실제 출력값을 사용하지 않기 위해 FCRM 클러스터링의 목적함수를 개선하였고, 개선된 FCRM 클러스터링에 부가정보가 추가된 조건부 FCRM 클러스터링 기반 방사형 기저함수 신경회로망(Radial Basis Function Neural Network, RBFNN) 모델을 설계한다. 조건부 FCRM 클러스터링의 부가정보는 데이터의 실제 출력과 FCRM 클러스터링 기반 RBFNN 모델의 출력 차이(오차)의 절댓값을 정규화한 값을 사용한다. 조건부 FCRM 클러스터링을 사용하여 구한 멤버쉽값 (소속정도)은 은닉층 노드의 출력값으로 이용된다. 은닉층과 출력층 사이의 연결가중치는 최소제곱 추정 (Least Square Estimation, LSE)을 사용하여 학습한다. 제안된 모델의 성능지수는 평균 제곱근 오차(Root Mean Squared Error, RMSE)를 적용하여 평가한다. 조건부 FCRM 클러스터링 기반 RBFNN 모델은 다양한 모델의 성능과 비교해서 우수성을 보여준다.

다국어 초록 (Multilingual Abstract)

Unlike fuzzy c-means(FCM)　clustering, fuzzy c-regression model(FCRM) clustering is a method that represents the center of each cluster as a line. The thing utilizing the actual value of the output data acts as a weakness of the FCRM　clustering. In this paper, we improve the objective function of the FCRM clustering in order not to use the actual output value, and design a radial basis function neural network(RBFNN) model using conditional fuzzy c-regression model(CFCRM) clustering which added auxiliary information into the advanced FCRM clustering. The auxiliary information of CFCRM clustering uses a value, which normalizing absolute value of difference(error) of the actual output of the data and the output of the FCRM clustering-based RBFNN model. The membership grades(degree of belonging) obtained by using CFCRM clustering are exploited as the outputs of the nodes of hidden layer. The connection weights between hidden layer and output layer are trained with the aid of least square estimation(LSE). By applying root mean squared error (RMSE), the performance index of the proposed model is evaluated. CFCRM clustering-based RBFNN model shows the superiority when compared to the performance of the various models.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. FCRM 클러스터링의 목적함수 개선
• 3. 조건부 FCRM 클러스터링 기반 방사형 기저함수 신경회로망 모델
• 4. 시뮬레이션 및 결과 고찰
• 5. 결론 및 향후 연구방향
• References

참고문헌 (Reference)

1 김욱동, "퍼지 클러스터링기반 신경회로망 패턴 분류기의 학습 방법 비교 분석" 대한전기학회 65 (65): 1541-1550, 2016

2 노석범, "퍼지 kNN과 Conditional FCM을 이용한 퍼지 RBF의 설계" 대한전기학회 58 (58): 1223-1229, 2009

3 박상범, "증분형 K-means 클러스터링 기반 방사형 기저함수 신경회로망 모델 설계" 대한전기학회 66 (66): 833-842, 2017

4 전필한, "안정화된 딥 네트워크 구조를 위한 다항식 신경회로망의 연구" 대한전기학회 66 (66): 1772-1781, 2017

5 김욱동, "방사형 기저함수 신경회로망 기반 숫자 인식 시스템의 설계 : 전처리 알고리즘을 이용한 인식성능의 비교연구" 대한전기학회 66 (66): 416-424, 2017

6 C. Li, "T-S fuzzy model identification based on a novel fuzzy c-regression model clustering algorithm" 22 (22): 646-653, 2009

7 R. J. Hathaway, "Switching regression model and fuzzy clustering" 1 (1): 195-204, 1993

8 T. Chai, "Root mean square error(RMSE)or mean absolute error(MAE)?-arguments against avoiding RMSE in the literature" 7 (7): 1247-1250, 2014

9 J. C. Bezdek, "Pattern Recognition with Fuzzy Objective Function Algorithms" Plenum Press 1981

10 J. Alcala-Fdez, "KEEL data-mining software tool: data set repository, integration of algorithms and experimental analysis framework" 17 (17): 255-228, 2011

11 J. C. Bezdek, "FCM : The fuzzy c-means clustering algorithm" 10 (10): 191-203, 1984

12 D. Lam, "Clustering Data of Mixed Categorical and Numerical Type With Unsupervised Feature Learning" 3 : 1605-1613, 2015

13 F. K. Teklehaymanot, "Bayesian Cluster Enumeration Criterion for Unsupervised Learning" 66 (66): 5392-5406, 2018

14 C. C. Kung, "Affine Takage-Sugeno fuzzy modelling algorithm by fuzzy c-regression models clustering with a novel cluster validity criterion" 1 (1): 1255-1265, 2007

15 C. J. Veenman, "A maximum variance cluster algorithm" 24 (24): 1273-1280, 2002

16 Euntai Kim, "A New Approach to Fuzzy Modeling" 5 (5): 1997