비선형 뉴런출력을 갖는 RBF 신경망 학습 알고리즘 = Learning Algorithm of RBF Neural Networks with Nonlinear Responses

국문 초록 (Abstract)

RBF 신경망에 관해 가우스형의 기저함수 사용은 백프로게이션 네트워크에서 사용되는 구배 감소와 같은 학습 알고리즘의 수행이 용이하지 않은 단점을 가진다. 더 나아가서 뉴런 출력에 관해 선형의 전달함수를 사용하는 경우에 sensitivity 분석은 구배감소와 같은 학습 알고리즘이 잘못된 결과를 유도하게 된다. 광선형의 기저함수들은 반드시 가우스형의 지수함수에 의해서만 유도될 수 있는 것이 아니고, 선형함수의 생성자를 통해 유도될 수도 있다. 본 논문에서는 선형함수의 생성자를 사용한 RBF 네트워크의 구축과 뉴런 출력이 선형이 아닌 로그-시그모이드형의 일반적인 비선형인 경우에 있어서 학습 알고리즘을 나타낸다. 이러한 접근방법은 가우스 함수를 적용하는 모형을 포함한 모든 다양한 RBF 모형을 admissible하게 할 수 있다. 특히 모의실험 결과는 제안된 학습 알고리즘이 안정적이고, 보다 좋은 성질을 가질 수 있음을 나타내고 있다.

다국어 초록 (Multilingual Abstract)

The use of Gaussian basis functions prevents the development of a simple and easily implementable learning algorithm based on gradient descent such as the error backpropagation algorithm. Further, a sensitivity analysis explains the failure of gradient descent learning on radial basis function networks, which are used by alinear transfer function for neuron outron outputs. Admissible radial basis function models can be solved by replacing the exponential by a linear generator function. This paper presents a simple approach for building radial basis function networks and also proposes a learning algorithm based on sigmoidal transfer functions. This approach results in a broad variety of admissible radial basis function models, including those employing Gaussian radial basis functions. Experiments of the proposed learning algorithm indicate very satisfactory generalization ability.