• Proceedings of the KIEE Conference
• /
• 2011.07a
• /
• pp.1968-1969
• /
• 2011

본 논문에서는 패턴 인식을 위한 다중 출력을 가지는 Interval Type-2 퍼지 집합을 이용한 퍼지 집합 기반 퍼지 뉴럴 네트워크를 소개한다. Interval Type-2 퍼지 집합 기반 퍼지 뉴럴 네트워크는 각 입력 변수에 따른 서로 분리된 입력 공간을 분할함으로서 네트워크 및 규칙을 구성한다. 규칙의 전반부는 퍼지 입력 공간을 개별적으로 분할하여 표현하고, 각 공간은 Interval Type-2 퍼지 집합으로 구성된다. 규칙의 후반부는 패턴 인식을 위한 다중 출력을 가지며 Interval 집합을 이용하여 다항식으로서 표현된다. 다항식의 계수인 연결가중치는 오류역 전파 알고리즘을 이용하여 학습한다. 또한 실수 코딩 유전자 알고리즘을 이용하여 제안된 네트워크를 최적화한다. 제안된 네트워크는 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1901_1902
• /
• 2009

본 논문에서는 Interval Type-2 퍼지 집합을 이용한 퍼지집합 기반 퍼지뉴럴네트워크를 설계하고 최적화한다. Interval Type-2 퍼지뉴럴네트워크는 각 입력 변수에 따른 서로 분리된 입력 공간을 분할함으로서 네트워크 및 규칙을 구성한다. 규칙의 전반부는 퍼지 입력 공간을 개별적으로 분할하여 표현하고, 각 공간은 Interval Type-2 퍼지 집합으로 구성된다. 규칙의 후반부는 Interval 집합을 이용하여 다항식으로서 표현되며, 오류역전파 알고리즘을 이용하여 연결가중치인 후반부 다항식을 학습한다. 또한, 각 입력에 대한 전반부 멤버쉽함수의 정점과 불확실성 계수 그리고 학습률 및 모멘텀 계수를 유전자 알고리즘을 이용하여 최적 동조한다. 제안된 네트워크는 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Proceedings of the KIEE Conference
• /
• 2008.10b
• /
• pp.251-252
• /
• 2008

Type-2 퍼지 집합은 Type-1 퍼지 집합에서는 다루기 어려운 언어적인 불확실성을 더욱 효과적으로 다룰 수 있다. TSK 퍼지 로직 시스템(TSK Fuzzy Logic Systems; TSK FLS)은 후반부를 1차 및 2차 함수식으로 나타내며 Mamdani 모델과 함께 가장 널리 사용되는 모델이다. 본 연구의 Interval Type-2 TSK FLS은 전반부에서 Type-2 퍼지 집합을 이용하고 후반부는 계수가 Type-1 퍼지집합인 1차식을 사용한다. 또한 전반부는 가우시안 형태의 Type-2 멤버쉽 함수를 사용하며, 오류역전파 학습알고리즘을 사용하여 파라미터들을 최적화 한다. 또한 학습에 앞서 PSO(Particle Swarm Optimization) 알고리즘을 사용하여 최적 학습률을 찾아 모델의 학습능력을 보다 효율적으로 한다. 본 논문에서는 Type-1과 Type-2 FLS의 성능을 가스로 공정 데이터를 적용하여 두 모델의 성능을 비교하고 노이즈를 추가한 데이터를 이용하여 노이즈에 대한 성능도 비교 분석한다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.21 no.1
• /
• pp.12-18
• /
• 2011

In this paper, we proposed Interval Type-2 polynomial Radial Basis Function Neural Networks. In the receptive filed of hidden layer, Interval Type-2 fuzzy set is used. The characteristic of Interval Type-2 fuzzy set has Footprint Of Uncertainly(FOU), which denotes a certain level of robustness in the presence of un-known information when compared with the type-1 fuzzy set. In order to improve the performance of proposed model, we used the linear polynomial function as connection weight of network. The parameters such as center values of receptive field, constant deviation, and connection weight between hidden layer and output layer are optimized by Conjugate Gradient Method(CGM) and Space Search Evolutionary Algorithm(SSEA). The proposed model is applied to gas furnace dataset and its result are compared with those reported in the previous studies.

• Proceedings of the KIEE Conference
• /
• 2008.07a
• /
• pp.1849-1850
• /
• 2008

Type-2 퍼지 집합은 Type-1 퍼지 집합의 확장으로 Type-1 퍼지 집합으로는 다루기 힘든 언어적인 불확실성을 다루기 위해 고안되었다. 대표적인 퍼지 논리 시스템(Fuzzy Logic System; FLS)으론 Mamdani FLS 모델과 TSK FLS모델이 있다. 본 논문에서는 Interval Type-2 TSK FLS를 구성한다. FLS 구성을 위한 전반부는 가우시안 형태의 Type-2 멤버쉽 함수를 사용하며, 전.후반부 파라미터들은 오류역전파 알고리즘을 통한 학습으로 결정한다. 본 논문에서는 Type-1 TSK FLS와 Interval Type-2 TSK FLS를 설계하고 가스로 공정 데이터에 적용하여 성능을 비교 분석한다. 또한 노이즈를 추가한 데이터들을 통하여 노이즈에 대한 성능도 비교 분석한다.

• Proceedings of the KIEE Conference
• /
• 2008.04a
• /
• pp.57-58
• /
• 2008

Type-2 퍼지 집합은 언어의 불확실성을 다루기 위하여 고안된 Type-1 퍼지집합의 확장이다. TSK 퍼지 로직 시스템(TSK Fuzzy Logic Systems; TSK FLS)은 Mamdani FLS과 함께 가장 널리 사용되는 퍼지 로직 시스템 모델이다. 본 논문에서는 Type-2 퍼지 집합을 이용하여 전반부 멤버쉽 함수를 구성하고 후반부 다항식 함수를 상수와 1차식, 2차식으로 확장한 다항식 Type-2 TSK FLS 설계한다. 다항식 Type-2 TSK FLS의 파라미터를 동정하기 위해 Back-propagation 방법을 사용한다. 제안된 다항식 Type-2 TSK FLS을 노이즈 섞인 비선형 시스템의 모델링에 적용하여 그 성능을 비교 분석한다.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1871_1872
• /
• 2009

본 논문 에서는 Type-2 퍼지 논리 시스템을 설계하고, 불확실한 정보를 갖는 입력 데이터에 대하여 Type-1 퍼지 논리 시스템과 성능을 비교한다. Type-1 퍼지 논리 시스템은 외부 잡음에 민감한 단점을 가지고 있는 반면, Type-2 퍼지 논리 시스템은 불확실한 정보를 잘 표현 할 수 있다. 따라서 Type-2 퍼지 논리 시스템을 이용하여 이러한 단점을 극복하고자 2가지의 모델을 설계한다. 첫 번째 모델은 규칙의 전 후반부가 Type-1 퍼지 집합으로 구성된 Type-1 퍼지 논리 시스템을 설계 한다. 두 번째는 규칙 전 후반부에 Type-2 퍼지 집합으로 구성된 Type-2 퍼지 논리 시스템을 설계한다. 여기서 규칙 전반부의 입력 공간 분할 및 FOU(Footprint Of Uncertainty)형성에는 FCM(Fuzzy C_Means) clustering 방법을 사용하고, 입자 군집 최적화(Particle Swarm Optimization) 알고리즘을 사용하여 최적의 파라미터를 설계한다. 본 논문 에서는 또한 입력 데이터에 인위적으로 가하는 노이즈에 따른 각각 모델의 성능을 비교한다. 마지막으로 비선형 모델 평가에 주로 사용되는 NOx 데이터를 제안된 모델에 적용하고, 실험을 통하여 노이즈가 첨가되고, 불확실한 정보를 다루기에 Type-1 퍼지 논리 시스템 보다 Type-2 퍼지 논리 시스템이 효율적이라는 것을 보인다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2008.04a
• /
• pp.317-320
• /
• 2008

본 논문에서는 Type-1 퍼지 논리 시스템과 Type-2 퍼지 논리 시스템을 설계하고, 불확실한 정보를 갖는 입력 데이터에 대하여 각각의 성능을 비교한다. Type-1 퍼지 논리 시스템은 외부잡음에 민감한 단점을 가지고 있는 반면, Type-2 퍼지 논리 시스템은 불확실한 정보를 잘 표현할 수 있으며 효율적으로 취급한다. 따라서 Type-2 퍼지 논리 시스템을 이용하여 이러한 단점을 극복하고자 2가지의 모델을 설계한다. 첫 번째 모델은 규칙의 전 ${\cdot}$ 후반부가 불확실성을 표현 할 수 없는 Type-1 퍼지 집합으로 구성된 Type-1 퍼지 논리 시스템을 설계한다. 두 번째는 규칙 후반부만 Type-2 퍼지 집합으로 구성한 두가지의 Type-2 퍼지 논리 시스템을 설계한다. 여기서 규칙 전반부의 입력 공간 분할에는 Min-Max 방법의 균등분할을 사용하고, 규칙 후반부 멤버쉽 함수의 중심 결정에는 입자 군집 최적화(Particle Swarm Optimization) 알고리즘을 사용하여 동정한다. 또한 입력 데이터에 인위적으로 가하는 노이즈의 정도에 따른 각각 모델의 성능을 비교한다. 마지막으로 비선형 모델 평가에 주로 사용되는 가스로 시계열 데이터를 제안된 모델에 적용하고, 실험을 통하여 불확실한 정보를 다루기에 Type-1 퍼지 논리 시스템 보다 Type-2 퍼지 논리 시스템이 효율적이라는 것을 보인다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.12 no.4
• /
• pp.294-299
• /
• 2002

This paper presents an interval type-2 fuzzy perceptron algorithm that is an extension of the type-1 fuzzy perceptron algorithm proposed in [1]. In our proposed method, the membership values for each pattern vector are extended as interval type-2 fuzzy memberships by assigning uncertainty to the type-1 memberships. By doing so, the decision boundary obtained by interval type-2 fuzzy memberships can converge to a more desirable location than the boundary obtained by crisp and type-1 fuzzy perceptron methods. Experimental results are given to show the effectiveness of our method.

• Proceedings of the KIEE Conference
• /
• 2008.07a
• /
• pp.1851-1852
• /
• 2008

Type-2 퍼지 논리 집합은 언어적인 불확실성을 다루기 위하여 고안된 Type-1 퍼지 논리 집합의 확장한 것이다. Type-2 퍼지 논리 시스템은 외부 노이즈를 효율적으로 다룰 수 있다. 본 논문에서는 불확실성을 표현하기 위해서 전.후반부 멤버쉽 함수로 삼각형 형태의 Type-2 퍼지 집합을 사용한다. 전반부 멤버쉽 함수의 정점을 결정하는데 유전자 알고리즘(Genetic Algorithms)으로 멤버쉽 함수의 정점을 결정한다. 제안된 모델은 모델 평가에 주로 사용되는 가스로 시계열 데이터를 적용하고, 테스트 데이터로 노이즈에 영향 받은 데이터를 사용하여 수치적인 예를 보인다.