http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 정치선(Chi-Sun Joung) (검색결과 6 건)
- 무료
- 기관 내 무료
- 유료
-
경쟁적 공진화법에 의한 신경망의 구조와 학습패턴의 진화
정치선,이동욱,전효병,심귀보,Joung, Chi-Sun,Lee, Dong-Wook,Jun, Hyo-Byung,Sim, Kwee-Bo 대한전자공학회 1999 電子工學會論文誌, S Vol.s36 No.1
일반적으로 신경망의 정보처리 능력은 신경망의 구조와 효율적인 학습패턴에 의해 결정된다. 그러나 아직까지 체계적으로 신경망의 구조를 설계하거나 효율적인 학습패턴을 선택하는 방법은 없다. 한편 진화 알고리즘은 개체군을 이용한 탐색법으로 전역적 최적해를 구하는 데 많이 사용되고 있으며, 특히 최적의 시스템을 설계하고자 할 때 매우 유용한 방법이다. 본 논문에서는 유전자 알고리즘으로 구성된 두 개의 개체군이 서로 경쟁적으로 진화하는 공진화 방법에 의해 최적의 신경망구조를 찾는 방법을 제안한다. 이 방법은 신경망구조를 나타내는 주개체군과 학습패턴을 나타내는 부개체군으로 되어 있으며, 이 두 개체군(신경망과 학습패턴)은 서로 경쟁적으로 진화한다. 즉, 학습패턴은 신경망이 학습하기 힘든 패턴으로 진화하고 신경망은 그 패넌들을 학습할 수 있도록 진화하단. 이 방법은 부적절한 학습패턴의 선택과 임의적인 신경망의 설계로 인한 시스템의 성능이 저하되는 것을 해결한다. 또한 공진화 방법에서 각 개체군의 적합도는 동적으로 변화하기 때문에 그 진행과정을 쉽게 알 수 없다. 따라서 본 논문에서는 그 진행과정을 관찰할 수 있는 방법도 소개한다. 마지막으로 제안한 방법을 로봇 매니플레이터의 비주얼 서보임 문제에 적용하여 그 유효성을 검증한다. In general, the information processing capability of a neural network is determined by its architecture and efficient training patterns. However, there is no systematic method for designing neural network and selecting effective training patterns. Evolutionary Algorithms(EAs) are referred to as the methods of population-based optimization. Therefore, EAs are considered as very efficient methods of optimal system design because they can provide much opportunity for obtaining the global optimal solution. In this paper, we propose a new method for finding the optimal structure of neural networks based on competitive co-evolution, which has two different populations. Each population is called the primary population and the secondary population respectively. The former is composed of the architecture of neural network and the latter is composed of training patterns. These two populations co-evolve competitively each other, that is, the training patterns will evolve to become more difficult for learning of neural networks and the architecture of neural networks will evolve to learn this patterns. This method prevents the system from the limitation of the performance by random design of neural networks and inadequate selection of training patterns. In co-evolutionary method, it is difficult to monitor the progress of co-evolution because the fitness of individuals varies dynamically. So, we also introduce the measurement method. The validity and effectiveness of the proposed method are inspected by applying it to the visual servoing of robot manipulators.
-
-
-
-
-
분류자 시스템을 이용한 Artificial Ant의 적응행동의 학습
심귀보,정치선 중앙대학교 생산공학연구소 1998 생산공학연구소 논문집 Vol.7 No.2
유전자 알고리즘(GA)의 대표적인 두 가지 응용분야는 최적화와 기계학습분야이다. 기계학습에서는 복잡한 시스템을 대상으로 하여 그 대상 시스템을 학습시킬 뿐만 아니라 시스템에 대한 적절한 출력을 만들어 내는 두 가지의 목적을 가진다. 이러한 기계학습에 유전자 알고리즘을 이용하는 것을 GA 기계학습이라고 한다. 이를 또한 GBML(genetics-based machine learning) 이라고도 한다. 기계학습이 최적화 문제와 근본적으로 다른 점은 규칙의 조를 구하지 않으면 안 되는 점이다. 최적화 문제에서는 최적 해에 가까운 우수한 개체를 생성하는 것이 목적이기 때문에 최후의 한 종류만의 개체에 수렴하면 되지만, 기계학습에서는 가장 좋은 규칙을 하나만 구하면 되는 것이 아니라 서로 협조하는 규칙의 집합을 구하는 것이 필요하다. GBML에 대표적인 방법은 크게 Michigan 방법과 Pittsburgh 방법이 있다. 전자는 각각의 규칙이 하나인 스트링으로 표현되고 후자는 전체의 규칙집합이 하나의 스트링으로 표현되어 진화를 한다. 즉 규칙집합을 하나만가지는 것과 여러개를 가지는 차이점이 있는 것이다. 이중 Michigan 방법은 Holland의 classifier system 이 대표적인 모델이다. 분류자 시스템의 입력 부분에 가까이 있는 메시지 리스트를 이용하여 시스템 내에서 생성되는 분류자 리스트의 요소인 classifier를 정비해 간다. 이 방법에서는 규칙을 한조 가지고 온라인으로 정비하기 때문에 실제의 문제에 대해서 실시간 처리와 온라인 학습이 가능하다. 본 논문에서는 performance system, apportionment of credit system, rule discovery system 으로 구성된 learning classifier system을 사용하여 artificial ants의 적응행동의 학습과 진화를 통하여 먹이 탐색문제를 해결한다. The main two applications of the Genetic Algorithms(GA) are the optimization and the machine learning. Machine Learning has two objectives that make the complex system lean its environment and produce the proper output of a system. The machine learning using the Genetic Algorithms is called GA machine learning or genetic-based machine learning(GBML). The machine learning is different from the optimization problems in finding the rule set. In optimization problems the population of GA should converge into the best individual because their objective is the production of the individual near the optimal solution. On the contrary, the machine learning systems need to find the set of cooperative rules. There are two methods in GBML, Michigan method and Pittsburgh method. The former is that each rule is expressed with a string, the latter is that the set of rules is coded into a string. The classifier system of Holland is the representative model of the Michigan method. The classifier systems arrange the strength of classifiers of classifier list using the message list. In this method, the real time process and on-line learning is possible because a set of rule is adjusted on-line. A classifier system has three major components: Performance system, apportionment of credit system, rule discovery system In this paper, we solve the food search problem with the learning an evolution of an artificial ant using the learning classifier system.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
