메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
박상범 (수원대학교) 오성권 (수원대학교)
저널정보
한국지능시스템학회 한국지능시스템학회 논문지 한국지능시스템학회 논문지 제30권 제2호
발행연도
2020.4
수록면
167 - 172 (6page)
DOI
10.5391/JKIIS.2020.30.2.167

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Fuzzy C-Regression Model(FCRM) 클러스터링은 Fuzzy C-Means(FCM) 클러스터링과는 다르게 각 클러스터의 중심을 직선으로 나타내는 방법이다. 데이터의 실제 출력값을 사용한다는 것이 FCRM 클러스터링의 약점으로 작용한다. 본 논문에서는, 실제 출력값을 사용하지 않기 위해 FCRM 클러스터링의 목적함수를 개선하였고, 개선된 FCRM 클러스터링에 부가정보가 추가된 조건부 FCRM 클러스터링 기반 방사형 기저함수 신경회로망(Radial Basis Function Neural Network, RBFNN) 모델을 설계한다. 조건부 FCRM 클러스터링의 부가정보는 데이터의 실제 출력과 FCRM 클러스터링 기반 RBFNN 모델의 출력 차이(오차)의 절댓값을 정규화한 값을 사용한다. 조건부 FCRM 클러스터링을 사용하여 구한 멤버쉽값 (소속정도)은 은닉층 노드의 출력값으로 이용된다. 은닉층과 출력층 사이의 연결가중치는 최소제곱 추정 (Least Square Estimation, LSE)을 사용하여 학습한다. 제안된 모델의 성능지수는 평균 제곱근 오차(Root Mean Squared Error, RMSE)를 적용하여 평가한다. 조건부 FCRM 클러스터링 기반 RBFNN 모델은 다양한 모델의 성능과 비교해서 우수성을 보여준다.

목차

요약
Abstract
1. 서론
2. FCRM 클러스터링의 목적함수 개선
3. 조건부 FCRM 클러스터링 기반 방사형 기저함수 신경회로망 모델
4. 시뮬레이션 및 결과 고찰
5. 결론 및 향후 연구방향
References

참고문헌 (16)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2020-003-000579392