• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2001년도 추계학술대회 학술발표 논문집
• /
• pp.233-236
• /
• 2001

In this paper, we propose a TSK-type fuzzy classifier using PCA(Principal Component Analysis), FCM(Fuzzy C-Means) clustering and hybrid GA(genetic algorithm). First, input data is transformed to reduce correlation among the data components by PCA. FCM clustering is applied to obtain a initial TSK-type fuzzy classifier. Parameter identification is performed by AGA(Adaptive Genetic Algorithm) and RLSE(Recursive Least Square Estimate). we applied the proposed method to Iris data classification problems and obtained a better performance than previous works.

• 정보보호학회논문지
• /
• 제28권1호
• /
• pp.85-93
• /
• 2018

생체 정보를 이용한 사용자 인증은 차세대 인증 방법으로서 기존의 인증 시스템에서 급진적으로 사용되고 있는 인증 방법이다. 대부분의 생체 인증 시스템은 수집된 생체 정보가 가지는 노이즈로 인한 문제, 데이터의 품질에 대한 문제, 인식률의 한계 등 많은 문제점들을 가지고 있다. 이를 해결하기 위한 방법으로 본 논문에서는 비선형적인 실제 데이터를 정확하게 처리하기 위해 비선형기법인 Dual QML을 사용하고, 또한 정확한 영역을 추출하여 인증의 정확도를 증가시키는 전처리 과정을 추가로 제안하여 정확도 증가뿐만 아니라 성능을 향상시키는 방법을 제안하고자 한다. 앞서 발표된 Dual QML은 생체 정보로 얼굴, 장문, 귀를 사용하였다. 본 논문은 앞선 Dual QML 실험에 사용하지 않은 홍채를 생체 정보로 사용하여 홍채 인식을 위한 방법으로도 Dual QML이 우수하다는 것을 보이고자 한다. 마지막으로 실험을 통해 이에 대한 실증을 보이고자 한다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제30권3_4호
• /
• pp.251-258
• /
• 2003

Support Vector Machine(SVM)은 이론상으로 좋은 일반화 성능을 보이지만, 실제적으로 구현된 SVM은 이론적인 성능에 미치지 못한다. 주 된 이유는 시간, 공간상의 높은 복잡도로 인해 근사화된 알고리듬으로 구현하기 때문이다. 본 논문은 SVM의 분류성능을 향상시키기 위해 Bagging(Bootstrap aggregating)과 Boosting을 이용한 SVM 앙상블 구조의 구성을 제안한다. SVM 앙상블의 학습에서 Bagging은 각각의 SVM의 학습데이타는 전체 데이타 집합에서 임의적으로 일부 추출되며, Boosting은 SVM 분류기의 에러와 연관된 확률분포에 따라 학습데이타를 추출한다. 학습단계를 마치면 다수결 (Majority voting), 최소자승추정법(LSE:Least Square estimation), 2단계 계층적 SVM등의 기법에 개개의 SVM들의 출력 값들이 통합되어진다. IRIS 분류, 필기체 숫자인식, 얼굴/비얼굴 분류와 같은 여러 실험들의 결과들은 제안된 SVM 앙상블의 분류성능이 단일 SVM보다 뛰어남을 보여준다.

• IEIE Transactions on Smart Processing and Computing
• /
• 제4권4호
• /
• pp.202-208
• /
• 2015

In this study, we propose a new inference algorithm for a multiclass Gaussian process classification model using a variational EM framework and the Laplace approximation (LA) technique. This is performed in two steps, called expectation and maximization. First, in the expectation step (E-step), using Bayes' theorem and the LA technique, we derive the approximate posterior distribution of the latent function, indicating the possibility that each observation belongs to a certain class in the Gaussian process classification model. In the maximization step, we compute the maximum likelihood estimators for hyper-parameters of a covariance matrix necessary to define the prior distribution of the latent function by using the posterior distribution derived in the E-step. These steps iteratively repeat until a convergence condition is satisfied. Moreover, we conducted the experiments by using synthetic data and Iris data in order to verify the performance of the proposed algorithm. Experimental results reveal that the proposed algorithm shows good performance on these datasets.

• International journal of advanced smart convergence
• /
• 제7권4호
• /
• pp.57-65
• /
• 2018

Artificial neural network is inspired by the biological neural network. For simplicity, in computer science, it is represented as a set of layers. Many research has been made in evaluating the number of neurons in the hidden layer but still, none was accurate. Several methods are used until now which do not provide the exact formula for calculating the number of thehidden layer as well as the number of neurons in each hidden layer. In this paper model selection approach was presented. Proposed model is based on geographical analysis of decision boundary. Proposed model selection method is useful when we know the distribution of the training data set. To evaluate the performance of the proposed method we compare it to the traditional architecture on IRIS classification problem. According to the experimental result on Iris data proposed method is turned out to be a powerful one.

• 한국컴퓨터정보학회논문지
• /
• 제10권5호
• /
• pp.77-86
• /
• 2005

본 논문에서는 분류오차를 추출하고 학습하여 분류성능을 개선하는 LVQ 학습 알고리즘을 설계하였다. 제안된 LVQ학습 알고리즘은 초기기준백터의 학습을 위해 SOM을 이용하고, LVQ 출력뉴런의 부류지정을 위하여 out-star 학습법을 사용하는 학습네트워크이다. 분류오차가 발생되는 패턴백터로 추출하기 위하여 오차유발조건을 제안하였고, 이 조건을 이용하여 분류오차를 유발시키는 입력패턴벡터로 구성되는 패턴백터공간을 구성하여 분류오차가 발생되는 패턴백터를 학습시키므로 분류오차수를 감소시키고, 패턴분류성능을 개선하였다. 제안된 학습알고리즘의 성능을 검증하기 위하여 Fisher의 Iris 데이터와 EMG 데이터를 학습백터 및 시험 백터로 사용하여 시뮬레이션 하였고, 제안된 학습방식의 분류 성능은 기존의 LVQ와 비교되어 기존의 학습방식보다 우수한 분류성공률을 확인하였다.

• 한국지능시스템학회논문지
• /
• 제17권4호
• /
• pp.460-465
• /
• 2007

본 논문에서는 규칙의 커플링 문제를 최소화하기 위해 주어진 데이터의 통계적 특성과 퍼지-러프집합을 기반으로 한 새로운 패턴분류 방법을 제안한다. 제안한 방법 하에서 주어진 데이터의 통계적 특성은 입력부 퍼지집합의 파티션 개수를 결정하고, 생성된 규칙의 커플링문제를 최소화하기 위한 선택기준으로 사용하였다. 또한 러프집합은 수치적인 데이터로부터 생성된 규칙들 간의 불필요한 속성들을 제거하기 위한 도구로서 이용하였다. 제안된 방법의 타당성을 검증하기 위하여 Fisher의 IRIS 데이터를 사용하여 기존의 패턴분류 방법과 분류 정확도를 비교하였다. 실험결과, 제안한 방법이 기존의 학습에 의한 방법들보다 비교적 좋은 성능을 가진다는 것을 알 수 있었다.

• 한국컴퓨터정보학회논문지
• /
• 제14권7호
• /
• pp.9-15
• /
• 2009

퍼지 가중치 평균 분류기는 가중치를 적절히 설정함으로써 뛰어난 분류 성능을 얻을 수 있다는 장점이 있다. 그러나 일반적으로 가중치는 인식 문제 분야의 특성이나 해당 전문가의 지식과 주관적 경험을 기반으로 설정되므로 설정된 가중치의 일관성과 객관성을 보장하기가 어려운 문제점을 갖고 있다. 따라서 이 논문에서는 퍼지 가중치 평균 분류기의 가중치를 설정하기 위한 객관적 기준을 제시하기 위하여 특정값들 간의 통계적 정보를 이용한 가중치 설정 기법들을 제안하였다. 제안한 기법들의 효과를 조사하기 위하여 UCI machine learning repository 사이트에서 제공되는 표준 데이터들 중의 하나인 Iris 데이터 세트를 이용하여 실험하였으며, 그 결과 우수한 성능을 확인 할 수 있었다.

• 전자공학회논문지CI
• /
• 제43권2호
• /
• pp.33-39
• /
• 2006

본 논문에서는 수정된 LVQ를 이용한 패턴 분류 방식을 제안한다. 제안한 방식은 입력 패턴의 분류 성능을 개선하기 위하여 입력 벡터와 기준 벡터 사이의 확률 분포의 비대칭도를 계산하여 학습에 이용한다. 학습을 하는 동안 기준 벡터는 입력 벡터의 확률 분포에 근접하게 되고, 기준 벡터는 Bayes 분류기의 결정 경계에 근접하게 위치한다. 가우시안 분포의 데이터와 Fisher의 IRIS 데이터 분류를 실험하여 LVQ1, LVQ2, GLVQ와 비교하여 제안한 방식이 우수한 분류 성능을 나타냄을 확인하였다.

• 한국지능시스템학회논문지
• /
• 제17권6호
• /
• pp.792-798
• /
• 2007

본 논문에서는 학습기법을 사용하지 않고 패턴분류의 성능을 최대화하면서 규칙의 수를 줄일 수 있는 통계적 정보기반 계층적 퍼지-러프 분류방법을 제안한다. 제안된 방법에서 통계적 정보는 계층적 퍼지-러프 분류 시스템에서 각 계층의 입력부 퍼지집합의 분할 구간을 추출하기 위해서 사용되었고, 러프집합은 통계적 정보로부터 추출된 분할 구간들과 연관된 퍼지 if-then 규칙의 수를 최소화하기 위해서 사용되었다. 제안된 방법의 효과성을 보이기 위해 Fisher의 IRIS 데이터를 사용한 기존 패턴분류 방법의 분류 정확도와 규칙들의 수를 비교하였다. 그 결과, 제안된 방법은 기존 방법들의 분류 성능과 유사함을 확인할 수 있었다.