Search
Search

연구성과물 검색 타이틀 이미지

HOME ICON HOME > Search by Achievements Type > Reports View

Reports Detailed Information

https://www.krm.or.kr/krmts/link.html?dbGubun=SD&m201_id=10006995&local_id=10012527
분할 진화알고리즘을 이용한 적응형 퍼지 분류 규칙
Reports NRF is supported by Research Projects( 분할 진화알고리즘을 이용한 적응형 퍼지 분류 규칙 | 2004 Year 신청요강 다운로드 PDF다운로드 | 류정우(숭실대학교) ) data is submitted to the NRF Project Results
Researcher who has been awarded a research grant by Humanities and Social Studies Support Program of NRF has to submit an end product within 6 months(* depend on the form of business)
사업별 신청요강보기
  • Researchers have entered the information directly to the NRF of Korea research support system
Project Number D00082
Year(selected) 2004 Year
the present condition of Project 종료
State of proposition 재단승인
Completion Date 2007년 02월 02일
Year type 결과보고
Year(final report) 2007년
Research Summary
  • Korean
  • 데이터 특성이 연속적이고 애매할 때 퍼지규칙으로 분류 규칙을 표현하는 것은 매우 유용하고 효과적이다. 그러나 일반적으로 정확하지 않은 데이터 특성에 대해서 소속함수를 결정한다는 것은 어려운 일이다.
    본 논문에서는 진화알고리즘을 이용하여 효과적인 퍼지 분류 규칙을 자동으로 생성하는 방법을 제안한다. 제안한 방법에서 분류율과 규칙의 복잡성을 고려하여 최적화된 소속함수들을 생성하기 위해 진화알고리즘을 사용한다. 먼저 지도 군집화로 진화알고리즘을 위한 초기 소속함수들을 생성한다. 군집화에서 자동으로 군집의 개수를 결정하면서 적합한 소속함수를 생성하기 위해 진화알고리즘을 이용한다.
    진화알고리즘은 전역적 최적 해를 찾는데 효과적이다. 그러나 시간에 대한 효율성이 낮다. 특히 개체 평가 단계에서 많은 시간이 소요된다. 본 논문에서는 진화알고리즘의 수행 시간을 단축시키기 위해 분할 진화알고리즘을 제안한다. 분할 진화알고리즘에서 전체 데이터를 여러 개의 부분 데이터들로 나누고 개체들은 전체 데이터 대신 매번 부분 데이터를 임의적으로 선택하여 평가한다.
    제안한 방법의 타당성을 검증하기 위한 실험 데이터로 UCI (University of California, Irvine)에서 제공하는 데이터들을 사용하였다. 실험 결과는 기존 방법에 비해 평균적으로 더 효과적이다.
  • English
  • Fuzzy rules are very useful and efficient to describe classification rules especially when the attribute values are continuous and fuzzy in nature. However, it is generally difficult to determine membership functions for fuzzy attribute values.
    In this thesis, we propose a method of automatic generation of efficient fuzzy classification rules using evolutionary algorithm. In our method we use the evolutionary algorithm to generate an optimal set of membership functions taking into consideration both of classification accuracy and rule complexity. We first generate a set of initial membership functions for the evolutionary algorithm by supervised clustering the training data set. In the clustering, we also adopt evolutionary algorithm to create a set of good membership functions with automatically determining the number of clusters.
    Evolutionary algorithm is efficient in searching for a globally optimal solution in our method, however, it takes time, especially in evaluating individuals. In this thesis, to reduce time we propose a modified evolutionary algorithm called the partition evolutionary algorithm, in which the training data set is partitioned into a number of subsets and individuals are evaluated using a randomly selected subset of data at a time instead of the whole data set.
    We experimented our algorithm with the UCI learning data sets, a typical benchmark data repository, the experiment results showed that our method is more efficient at average compared to the existing algorithms.
Research result report
  • Abstract
  • 데이터 특성이 연속적이고 애매할 때 퍼지규칙으로 분류 규칙을 표현하는 것은 매우 유용하고 효과적이다. 그러나 일반적으로 정확하지 않은 데이터 특성에 대해서 소속함수를 결정한다는 것은 어려운 일이다.
    본 논문에서는 진화알고리즘을 이용하여 효과적인 퍼지 분류 규칙을 자동으로 생성하는 방법을 제안한다. 제안한 방법에서 분류율과 규칙의 복잡성을 고려하여 최적화된 소속함수들을 생성하기 위해 진화알고리즘을 사용한다. 먼저 지도 군집화로 진화알고리즘을 위한 초기 소속함수들을 생성한다. 군집화에서 자동으로 군집의 개수를 결정하면서 적합한 소속함수를 생성하기 위해 진화알고리즘을 이용한다.
    진화알고리즘은 전역적 최적해를 찾는데 효고적이다. 그러나 시간에 대한 효율성이 낮다. 특히 개체 평가 단계에서 많은 시간이 소요된다. 본 논문에서는 진화알골리즘의 수행시간을 단축시키기 위해 분할 진화알고리즘을 제안한다. 분할 진화알고리즘에서 전체 데이터를 여러 개의 부분 데이터들로 나누고 개체들은 전체 데이터 대신 매번 부분 데이터를 임의적으로 선택하여 평가한다.
    제안한 방법의 타당성을 검증하기 위한 실험 데이터로 UCI (University of California, Irvine)에서 제공하는 데이터들을 사용하였다. 실험 결과는 기존 방법에 비해 평균적으로 더 효과적이다.
  • Research result and Utilization method
  • 본 논문은 진화알고리즘을 이용하여 문제에 따라 적합한 퍼지 분류 규칙을 자동으로 생성할 수 있는 방법을 제안한다. 제안한 방법은 초기 소속함수 생성하는 단계와 생성된 초기 소속함수를 최적화시키는 단계로 구분된다. 초기 소속함수 생성 단계에서는 지도 군집화알고리즘을 이용하여 소속함수의 개수와 위치를 결정하고, 초기 소속함수 최적화 단계에서는 진화알고리즘을 이용하여 정확하고 이해성이 높은 퍼지 분류 규칙이 생성될 수 있도록 소속함수를 최적화시킨다. 특히 지도 군집화 알고리즘을 이용한 초기 소속함수 생성 단계에서 초기 소속함수의 개수에 영향을 미치는 군집화 개수를 자동으로 결정하기 위해 진화알고리즘을 적용하였다.
    진화알고리즘은 전역적 최적해를 찾는데 효과적이지만, 수행 시간에 대한 효율성이 낮다. 특히 개체 평가 단계에서 많으 시간이 소요된다. 따라서 본 논문에서는 진화알고리즘의 수행시간을 단축시키기 위해 분할 진화알고리즘을 제안한다. 분할 진화알고리즘은 전체 데이터를 여러 개의 부분 데이터들로 나누고, 개체들을 평가할 때 전체 데이터 대신 매번 부분 데이터를 임의로 선택하여 평가하는 진화알고리즘이다.
    제안한 방법으로 생성한 퍼지 분류 규칙은 기존 방법에 의해 생성된 규칙보다 약 2% 향상된 정확성을 보였고, 규칙의 개수와 조건항의 개수는 각각 약 5%, 55% 감소되어 보다 간결한 규칙들이 생성되었음을 알 수 있었다.또한 사전에 데이터를 여러 개의 부분 데이터들로 나누고, 개체들을 평가할 때 전체 데이터 대신 매번 부분 데이터를 임의로 선택하여 평가하는 분할 진화알고리즘의 수행시간이 분할한 부분 데이터의 개수만큼 단축됨으로 진화알고리즘의 효율성이 향상되는 것을 알 수 있었다.
    이와 같이 정확하고 간결한 퍼지 분류 규칙을 생성할 수 있는 제안한 방법은 바이오 정보기술, 영상 처리 기술 그리고 침입탐지 기술과 같은 응용분야에 활용될 수 있으며, 특히 유비쿼터스 환경에서 부정확한 센서 값들을 이용하여 상황인식할 때 또는 로봇에 부착된 센서 값들을 이용하여 로봇이 현재 자신의 애매한 상황을 인식 하기 위한 규칙들을 생성할 때 활용될 수 있다.
  • Index terms
  • 소속함수, 진화알고리즘, 분할 진화알고리즘, 퍼지 분류 규칙,지도군집화
  • List of digital content of this reports
데이터를 로딩중 입니다.
  • This document, it is necessary to display the original author and you do not have permission
    to use copyrighted material for-profit
  • In addition , it does not allow the change or secondary writings of work
데이터 이용 만족도
자료이용후 의견
입력
트위터 페이스북
NRF Daejeon
(34113) 201, Gajeong-ro, Yuseong-gu, Daejeon, Korea
Tel: 82-42-869-6114 / Fax: 82-42-869-6777
NRF Seoul
(06792) 25, Heonreung-ro, Seocho-gu, Seoul, Korea
Tel: 82-2-3460-5500 / Fax: 82-2-3460-5759
KRM Help Center
Tel : 042-710-4360
E-mail : krmcenter@nrf.re.kr / Fax : 042-861-4380