008001017s1998        ulk                            a    kor
■090    ▼a004.93▼b심594ㅅ
■1001  ▼a심정연
■24510▼a선별적  인식  능력을  고려한  동적  퍼지뉴럴  시스템▼d沈貞延
■260    ▼a서울▼b高麗大學校▼c1998
■300    ▼a129장▼b삽도▼c26cm
■5021  ▼a학위논문(박사)▼b고려대학교  대학원▼c컴퓨터학과▼d1998
■520    ▼b퍼지뉴롤  네트워크는  인공  신경망  기법과  퍼지  개념을  융합한  시스템이다.  이들은  융합방법에  따라  매우  다양한  형태를  띄고  있어  어느  특정한  기준으로  명확하게  분류하기는  어렵지만  신호  처리  및  연결  가중치  측면에서  실수  신호-퍼지  연결  가중치,  퍼지  신호-실수  연결  가중치  및  퍼지  신호  -  퍼지  연결  가중치를  사용하는  형태로  분류할  수  있다.  대부분  이러한  퍼지뉴럴  네트워크는  불확실한  데이터  처리  능력과  적응적  학습  능력을  보이고  있다.  그러나  연결  가중치에  퍼지  요소를  도입하는  모델의  경우  계산적인  오버헤드가  많고  데이터의  흐름  자체가  너무  퍼지하다는  단점을  안고  있다.  반면  퍼지  신호  -  실수  연결  가중치  형태의  모델의  경우에는  불확실한  데이터의  원활한  처리를  위한  방법상의  좋은  측면들을  많이  내포하고  있다.  그러나,  지능  시스템으로서의  효율적인  퍼지  뉴럴  시스템을  구현하기  위해서는  불완전한  지식  처리,  적응  학습  능력뿐  아니라  각각의  전제부  요소가  결론부에  미치는  상대적인  영향  정도에  따른  처리라든지  새로운  상황  변화에  대한  유연한  동적  처리  능력과  상황  입력에  대한  선별적인  처리  능력  고려  또는  지식  처리  구조의  계층화에  대한  깊은  관점에서의  연구가  필요하다.  따라서  본  논문에서는  인공  신경망에  퍼지  개념을  도입하는  방법으로  융합을  시도  하였고,  상대적  중요도  개념을  정의하여  학습과정에  참여하도록  하였으며  유연한  지식  처리를  위해서  구조적인  동적성을  부여하였다.  또한  관심도와  필터링  함수를  정의하여  데이터에  대한  선별  처리가  가능하도록  하고,  지식  처리  구조에  계층성을  부여하여  단순  인식  부분은  하위  계층에서,  고차원적인  추론은  상위  계층에서  이루어지도록  하였다.  본  논문에서는  위의  네가지  기능을  고려한  새로운  퍼지뉴럴  시스템인  선별적  인식능력을  갖는  동적  퍼지뉴럴  시스템(SDFNS  :  Selective  Dynamic  Fuzzy  Neural  System)을  제안하였고  각  기능별로  성능을  분석하였다.  분석  결과  이  시스템은  학습  속도,  추론  결과,  동적  구조에  따른  학습  형태  및  유연성,  SDFNS의  선별적  인식  능력  관점에서  좋은  성능을  나타냄을  알  수  있었다.
■653    ▼a선별적인식▼a퍼지뉴럴