A Fuzzy Morphological Neural Network : Principles and Implementation

퍼지 수리 형태학적 신경망 : 원리 및 구현

The main goal of this paper is to introduce a novel definition for fuzzy mathematical morphology and a neural network implementation. The generalized- mean operator plays the key role for the definition. Such definition is well suited for neural network implementation. The first stage of the shared-weight neural network has adequate architecture to perform morphological operation. The shared- weight network performs classification based on the features extracted with the fuzzy morphological operation defined in this paper. Therefore, the parameters for the fuzzy definition can be optimized using neural network learning paradigm. Learning rules for the structuring elements, degree of membership, and weighting factors are precisely described. In application to handwritten digit recognition problem, the fuzzy morphological shared-weight neural network produced the results which are comparable to the state-of art for this problem.

본 논문의 퍼지 수리 형태학의 새로운 정의와 신경망을 이용한 이의 구현을 소개 함에 주 목적을 두고 있다. 이 새로운 정의에는 generalized-mean연산자가 중요한 역할을 하고 있다. 본 정의는 신경망을 이용한 구현에 매우 적합할. 연결자 공유 (shared-weight) 신경망의 전반부는 수리 형태적 연산을 수행하기에 적합한 구조를 가 지고 있다. 이 연결자 공유 신경망은 퍼지 수리형태학적 연산을 이용하여 추출 된 특성 정보를 근거로 하여 형태 분류를 수행한다. 따라서, 본 퍼지 정의의 파라 미터들은 신경망의 학습기법을 이용하여 최적화를 기할수 있다. 구조소들(structuring gelements), membership의 값, 그리고 가중 요소(weighting factor)들을 결정하기 위한 학습방법 (learning rule)들이 자세히 열거되어 있다. 적용 예로서 필기체 숫자 인식 문제에 응용한 결과, 퍼지수리 형태학을 이용한 신경망은 이 문제에 있어 현존하는 최고의 결과들과 충분히 견줄만한 결과를 보여주고 있다.