대용량 패턴 분류를 위한 자기 조직화 신경 트리 = A Self-Organizing Neural Tree for Large-Set Pattern Classification

국문 초록 (Abstract)

신경망은 학습 능력, 높은 구별력, 그리고 우수한 일반화 능력 등으로 인하여 다양한 패턴 분류 문제에 성공적으로 적용되어 왔다. 그러나, 대용량이면서 고차원의 패턴 공간 상에 복잡한 결정 경계를 필요로 하는 패턴의 분류 문제에 있어서, 기존의 대부분의 신경망은 네트워크의 구조 및 크기 결정, 연사 복잡도 등 해결하기 어려운 문제점을 갖는다.
본 논문에서는 이러한 어려움을 극복하기 위하여 새로운 자기 조직화 신경 트리 및 학습 알고리즘을 제안한다. 제안된 신경 트리의 기본 개념은 위상을 보존하는 사상 능력을 갖는 격자형의 부분 네트워크로 구성된 트리 구조의 네트워크를 이용하여 패턴 공간을 계층적으로 분할하는 것이다. 제안된 신경 트리는 네트워크의 구조 적응 능력을 통하여 대용량이면서 복잡한 결정 경계를 필요로 하는 패턴의 분류에 적합한 네트워크의 구조 및 크기를 자동으로 결정하는 장점을 갖는다. 다중 언어, 다중 글꼴 및 다중 크기의 대용량 인쇄체 문자 집합에 대한 실험을 통하여 제안된 신경 트리의 성능이 매우 우수함을 확인할 수 있었다.

다국어 초록 (Multilingual Abstract)

Neural networks have been successfully applied to various problems of pattern classification owing to their learning ability, high discrimination power, and excellent generalization ability. However, for the case of classifying patterns which are large-set and require complex decision boundaries in high-dimensional pattern space, the greater part of conventional neural networks suffer from some of difficult problems to solve, such as the structure and size of the network, the computational complexity, and so on.
In this paper, to cope with these difficulties, we propose a new self-organizing neural tree and its learning algorithm. The basic idea is to partition input pattern space hierarchically using the tree-structured network which is composed of subnetworks with topology-preserving mapping ability. The main advantage of the proposed neural tree is that it attempts to automatically find a network structure and size suitable for the classification of large-set and complex patterns through structure adaptation. Experimental results reveal that the proposed self-organizing neural tree is very effective for the classification of multi-lingual, multi-font, and multi-size large-set characters.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 문제 정의
• 3. 제안된 자기 조직화 신경 트리
• 4. 실험 및 결과 분석
• 5. 토의
• 6. 결론
• 참고문헌
• 저자소개