http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
언어적 Hedges를 이용한 Type-2 퍼지 클러스터링
김승석(Sung-Suk Kim),곽근창(Keun-Chang Kwak) 한국지능시스템학회 2008 한국지능시스템학회 학술발표 논문집 Vol.18 No.2
본 논문에서는 퍼지 클러스터링의 성능을 개선하여 일반화 시킨 Type-2 퍼지 클러스터링에 대해 논하고 언어적 Hedges를 이용하여 제안된 기법에 의한 클러스터링의 우수한 성능을 보이고자 한다. 소속하는지 여부만 판별하는 일반적인 기법들과 달리 퍼지 클러스터링은 각 클러스터들 간의 소속도 정보까지 포함하고 있다. 퍼지 클러스터링은 개선된 정보로 클러스터를 추정하는데 장점을 가진다. 하지만 편중된 분포나 밀도를 가질 경우 원하지 않는 결과를 추정하는 경우가 종종 있다. 이러한 추정결과를 보정하고 성능을 확장하기 위해 소속하는지 여부의 정보에 불확실성 (uncertainty) 정보를 포함하여 제어할 수 있는 Type-2 퍼지 클러스터링이 제안되었다. 제안된 논문은 Type-2 퍼지 클러스터링의 제어 파라미터에 언어적 Hedges를 적용하여 Type-2 퍼지 클러스터링의 성능을 개선하면서 추정된 결과에 대해 언어적 표현 능력을 강화하였다. 제안된 방법의 유용성을 실험을 통해 보이고자 한다.
김승석(Sung-Suk Kim),전병석(Byung-Suk Jeon),송창규(Chang-Kyu Song),김주식(Ju-Sik Kim),김용태(Yong-Tae Kim) 대한전기학회 2006 대한전기학회 학술대회 논문집 Vol.2006 No.7
본 논문에서는 PSO를 이용한 뉴로-퍼지 모델의 구조 및 파라미터 동정을 실시한다. 진화연산 기법의 무작위 탐색 능력과 오차 미분기반 학습에서의 수렴 특성을 가진 PSO를 이용하여 학습이 진행되는 동안 모델의 구조 및 파라미터를 주어진 학습 데이터에 적합하도록 최적화 시킨다. 또한 모델의 크기를 결정하는 규칙의 수 결정을 클러스터링 기법을 이용하여 소속함수의 수가 증가하더라도 규칙이 지수함수적으로 증가하는 문제를 해결하였다. 제안된 기법의 유용성을 시뮬레이션을 통해 보이고자 한다.
김승석(Sung-Suk Kim),곽근창(Keun-Chang Kwak) 한국지능시스템학회 2009 한국지능시스템학회 학술발표 논문집 Vol.19 No.1
본 논문에서는 양자역학 메커니즘을 근거로 구현된 Quantum 클러스터링을 이용하여 주어진 데이터에서 지식을 추출하고 퍼지 시스템을 이용하여 원하는 형태로 표현하는 기법을 제안한다. Quantum 클러스터링은 potential 함수의 최적화 과정에서 얻어지는 정보를 gradient 기법의 갱신 방법을 적용하여 클러스터 정보를 추정하는 기법으로 확률 분포나 확률 밀도 함수에 의해 클러스터 정보를 추정하는 기법과 달리 주어진 데이터에 대해 강인한 클러스터 추정 성능을 나타낸다. 제안된 기법에서는 Quantum 클러스터링의 수렴 특성을 개선하여 좀더 우수한 클러스터링을 가능하게 하였으며 추정된 정보는 퍼지 모델의 학습 정보로 직접적으로 이용하여 모델링을 실시하도록 하였다. 제안된 기법의 유용성을 시뮬레이션을 통해 보이고자 한다.
실내 GPS 환경에서 로봇의 이동속도기반 강인한 위치 및 방향 추정
김승석(Sung-Suk Kim),김용태(Yong-Tae Kim) 한국지능시스템학회 2010 한국지능시스템학회논문지 Vol.20 No.4
실내 복잡한 환경에서 이동 로봇의 정확한 이동 동작과 작업의 정확도를 높이기 위해서는 보다 정확한 위치 및 방향 추정이 요구된다. 본 논문에서는 실내 환경에서 이동 로봇이 실내 GPS(iGPS) 정보와 이동속도를 기반으로 위치 및 진행 방향을 강인하게 추정하는 기법을 제안하였다. 초음파를 사용한 iGPS를 기반으로 하는 실내 위치 추정 시스템은 외부 잡음과 초음파 자체의 오차를 가지고 있다. 외부 잡음과 자체 오차 한계를 가지는 환경에서 강인한 위치 및 방향 추정 시스템을 구현하기 위해 로봇의 이동 속도와 취득된 위치 정보의 불확실성을 고려한 소속 함수를 활용하여 강인한 추정 시스템을 제안하였다. 제안된 추정방법은 센서의 개수와 다양한 위치 오차를 고려한 모의실험을 통해 검증하였다. The accurate estimation of position and direction of the mobile robot is essential for preparing precise movement and works in the inner complex environment. In this paper, we propose a robust estimation method of location and direction using the velocity of mobile robot in the inner GPS environment. The estimation using the inner GPS with ultrasonic sensors have to consider with various acoustic noise and sensor errors. We design a robust estimation method using a membership function based on uncertainty of the obtained information and robot velocity. The simulation results of the proposed method show effectiveness in the contaminated environment with position errors.
ELM과 RBFN을 이용한 Incremental Modeling
김승석(Sung-Suk Kim),곽근창(Keun-Chang Kwak) 한국지능시스템학회 2010 한국지능시스템학회 학술발표 논문집 Vol.20 No.1
본 논문에서는 주어진 입출력 데이터를 이용하여 우수한 추정 성능을 가지는 Incremental 모델을 제안한다. 제안된 모델은 빠른 학습과 우수한 성능을 기반으로 하는 ELM 시스템을 기반으로 기본 모델을 구성하고 기본 모델에서 발생할 수 있는 미세 오차에 대한 보정을 보조 모델로 구현된 RBFN 학습을 통해 보정하고자 한다. 모델의 중심이 되는 기본 모델을 간략하게 구성하여 동작과 이해를 빠르게 하였으며 보조적으로 전체 모델의 성능을 개선하고자 Incremental 구조를 도입하였다. 제안된 모델의 우수성을 시뮬레이션을 통해 보이고자 한다.
김승석(Sung-Suk Kim),유정웅(Jeong-Woong Ryu),김용태(Yong-Tae Kim) 한국지능시스템학회 2005 한국지능시스템학회논문지 Vol.15 No.6
본 논문에서는 클러스터링을 뉴로-퍼지 모델에 직접 적용하여 모델을 최적화하는 방법을 제안하였다. 기존의 오차미분기반 학습을 통한 뉴로-퍼지 모델의 최적화 과정과는 달리 제안된 방법은 클러스터링 학습과 연계하여 모델을 구성하며 자율적으로 클러스터의 수를 추정하며 동시에 최적화를 수행한다. 순차적인 학습 기법에서는 각각의 학습 기법을 따로 적용하여 모델링을 실시하였으나 제안된 기법에서는 하나의 클러스터링 학습으로 전체 모델의 학습을 실시하였다. 또한 제안된 방법에서는 클러스터링이 수렴하는 만큼 전체 모델의 연산량이 감소하여 학습과정에서 발생하는 연산량 문제를 개선하였다. 시뮬레이션을 통하여 기존의 연구 결과들과 비교하여 제안된 기법의 유용성을 보였다. In this paper, we propose a new neuro-fuzzy modeling using clustering-based learning method. In the proposed clustering method, number of clusters is automatically inferred and its parameters are optimized simultaneously, Also, a neuro-fuzzy model is learned based on clustering information at same time. In the previous modelling methods, clustering and model learning are performed independently and have no exchange of its informations. However, in the proposed method, overall neuro-fuzzy model is generated by using both clustering and model learning, and the information of modelling output is used to clustering of input. The proposed method improve the computational load of modeling using Subtractive clustering method. Simulation results show that the proposed method has an effectiveness compared with the previous methods.