감소된 입력 차원을 가지는 경쟁 학습 신경망을 사용한 패턴 인식 = Pattern Recognition using Competitive Learning Neural Network with the Reduced Input Dimension

국문 초록 (Abstract)

클래스 판정 방식을 갖는 다중 신경망을 사용하는 새로운 경쟁 학습 알고리즘을 제안한다. 기존의 신경망들은 주어진 입력 차원의 모든 성분들을 사용하여 학습하고 인식을 수행한다. 하지만 패턴 인식 문제들에 적용시켜 보면 모든 차원 성분들이 인식 작업에 필요한 것은 아니고, 어떤 경우에는 특정 차원이 인식을 어렵게 만드는 경우도 발생한다. 본 논문에서는 입력 차원 성분의 일부를 제거하여 학습시킨다. 우리는 기존의 경쟁 학습 알고리즘들과 달리 학습 종료후 애매한 출력 뉴런은 인식 작업에서 제외하므로써 인식률을 향상시켰다. 다중 신경망을 통합하여 인식 클래스를 결정하기 위하여 3가지의 판정 방식을 개발하였다. 원격 탐사 데이타를 사용한 실험에서 제안한 방법은 기존의 방법들에 비하여 우수한 결과를 보였다.

다국어 초록 (Multilingual Abstract)

A new competitive learning algorithm using an ensemble of neural networks with a consensus scheme is proposed. Conventional neural networks utilize all the dimensions of the original input patterns for learning and classification. However, a particular attribute of the input patterns does not necessarily contribute to classification and may even cause misclassification in certain cases. In this paper, we use the reduced input dimension for training a neural network. Unlike the conventional competitive learning algorithms, we eliminate ambiguous output neurons which cannot be assigned to any class in order to improve classification accuracy. We have developed three consensus schemes to judge the class using multiple neural networks. The experimental results with remote sensing data indicate the superiority of the proposed method in comparison to the conventional methods.

목차 (Table of Contents)

• 요약
• ABSTRACT
• 1. 서론
• 2. 경쟁 학습과 다중 신경망의 학습
• 3. 제안된 방법
• 4. 실험 결과
• 5. 결론
• 참고문헌
• 저자소개