1 |
1
(a) 입력자료인 기설정된 클러스터 개수, 입력자료인 전체 관측좌표점, 입력자료인 기설정된 밀도함수 반경(ra)의 최소값과 최대값을 이용하여 결합적 클러스터링 모듈이 최적 클러스터 결과(중심점과 밀도함수 반경 내에 있는 관측좌표점)를 산정하는 단계와;(b) 결합적 클러스터링 모듈이 상기 단계(a)에서 산정된 클러스터 중심점을 K-means 또는 Fuzzy C-means 클러스터링 기법의 초기 중심값으로 입력하여 클러스터링을 실시하고, 해당 클러스터 개수에서의 최적 클러스터링 기법과 결과를 선택하는 단계와;(c) 인공신경망 모듈이 상기 단계(b)에서 클러스터 개수별로 분리된 자료(관측좌표점)에서 훈련자료(training data), 검사자료(test data), 검증자료(validation data)를 무작위적으로 추출하고, 상기 추출된 훈련, 검사, 검증자료를 갖는 분류 인공신경망(n-clustered ANN model)을 구축하는 단계, 및(d) 앙상블 모델링 모듈이 상기 단계(c)에서 구축된 분류 인공신경망 모델에 대해 다양한 초기값에 대한 인공신경망 앙상블 모델을 구축하고 최적의 인공신경망 구조를 갖는 인공신경망 모델을 선정하는 단계로 이루어지는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|
2 |
2
제 1 항에 있어서,상기 단계(a)는,(a1) 결합적 클러스터링 모듈이 최소 ra에 대하여 Subtractive 클러스터링을 실시하는 단계와;(a2) 결합적 클러스터링 모듈이 상기 단계(a1)에서 산정된 클러스터 결과(중심점과 밀도함수 반경 내에 있는 관측좌표점)에 대하여 클러스터 검증 지수(CDbw)를 계산하는 단계와;(a3) 결합적 클러스터링 모듈이 ra 를 증가시켜 Subtractive 클러스터링을 실시하는 단계와;(a4) 결합적 클러스터링 모듈이 상기 단계(a3)에서 산정된 클러스터 결과(중심점과 밀도함수 반경 내에 있는 관측좌표점)에 대하여 클러스터 검증 지수(CDbw)를 계산하는 단계와;(a5) 결합적 클러스터링 모듈이 증가시킨 ra 값이 최대 ra 값에 도달할 때까지 상기 단계(a3)와 (a4)을 반복하는 단계, 및(a6) 결합적 클러스터링 모듈이 모든 ra 에 대하여 산정된 클러스터 결과(중심점과 밀도함수 반경 내에 있는 관측좌표점)에 대한 CDbw값들 중 가장 큰 CDbw를 갖는 클러스터 결과를 최적 클러스터 결과로, 해당 ra 를 최적 반경으로 선정하는 단계를 포함하는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|
3 |
3
제 2 항에 있어서,상기 단계(a1)는,(a11) 결합적 클러스터링 모듈이 다음의 수학식, (여기서, n은 전체 관측좌표점의 개수, xi, xj 는 i번째, j번째 관측좌표점(i≠j), 그리고, ra 는 밀도함수의 반경을 대표하는 변수)을 이용하여 모든 xi 에 대해 계산된 밀도값 Di 중 가장 큰 밀도값을 갖는 xi 를 첫번째 클러스터 중심점 xc1 으로 선정하는 단계와;(a12) 결합적 클러스터링 모듈이 수정된 밀도함수식인 다음의 수학식, (여기서, Dc1 은 xc1 에 대한 밀도함수값, rb 는 증가된 ra (일반적으로, rb= 1
|
4 |
4
제 2 항에 있어서,상기 단계(a2)는,결합적 클러스터링 모듈이 각 분류된 그룹(cluster) 내부의 밀도(intra_den)와 각 분류된 그룹 사이 영역에서의 밀도(inter_den)와 거리를 이용하여 산정한 분류정도(Sep) 지수를 통해 CDbw를 다음의 수학식, 을 이용하여 산정하는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|
5 |
5
제 1 항에 있어서, 상기 단계(b)에서 K-means 클러스터링은, (b1) 결합적 클러스터링 모듈이 상기 단계(a)에서 산정된 클러스터 중심값을 초기 중심점 ci 을 가정하고, 그 가정된 중심점에 대한 각 클러스터 그룹에 속한 좌표점을 다음의 수학식, (여기서, ci 는 i번째 클러스터 중심점, ck 는 k번째 클러스터 중심점이고, uij 는 0과 1로 구성된 맴버쉽 행렬로 i번째 그룹에 속한 임의의 좌표점 xj 의 개수)을 이용하여 설정하는 단계와;(b2) 결합적 클러스터링 모듈이 다음의 수학식, (여기서, Gi 는 c개의 클러스터 그룹 중 i번째 그룹, xk 는 Gi 속한 임의의 좌표점, Ji 는 i번째 클러스터 그룹에서 임의의 중심점에 대한 거리합 결과값)을 이용하여 각 초기 중심점과 각 그룹별 좌표점과의 거리를 계산하여 합하는 단계와;(b3) 결합적 클러스터링 모듈이 다음의 수학식, (여기서, )을 이용하여 클러스터 중심값을 업데이트하는 단계, 및(b4) 결합적 클러스터링 모듈이 상기 업데이트된 중심값을 상기 단계(b1)에 입력하고 다시 상기 단계(b1) 내지 상기 단계(b3)를 반복하여 상기 J 값이 변동이 없거나, 허용범위(변동량이 미비하다고 판단되는 범위)에 도달할 때의 중심점을 최적 클러스터 결과(중심값과 각 클러스터에 속하는 좌표)로 설정하는 단계를 포함하는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|
6 |
6
제 1 항에 있어서, 상기 단계(b)에서 Fuzzy C-means 클러스터링은,(b5) 결합적 클러스터링 모듈이 상기 단계(a)에서 산정된 클러스터 중심값을 이용하여 맴버쉽 매트릭스 uij 를 산정하는 단계와;(b6) 결합적 클러스터링 모듈이 다음의 수학식, (여기서, m은 가중지수)을 이용하고 가정한 맴버쉽 매트릭스를 이용하여 클러스터 중심점을 다시 산정하는 단계와;(b7) 결합적 클러스터링 모듈이 다음의 수학식, (여기서, 는 xj 가 i번째 그룹에 속한 좌표점과의 거리)를 이용하여 J값을 산정하는 단계와;(b8) 결합적 클러스터링 모듈이 다음의 수학식, 을 이용하여 맴버쉽 매트릭스 uij 를 업데이트를 하는 단계, 및(b9) 결합적 클러스터링 모듈이 상기 업데이트된 uij을 상기 단계(b6)에 입력하고 다시 상기 단계(b6) 내지 단계(b8)을 반복하여 상기 J 값이 변동이 없거나, 일정수준 에 도달할 때의 맴버쉽 매트릭스 uij 와 클러스터 중심점을 최적 클러스터 결과로 설정하는 단계를 포함하는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|
7 |
7
삭제
|
8 |
8
제 1 항에 있어서, 상기 단계(d)는,(d1) 인공신경망 모듈이 상기 단계(c)에서 구축된 분류 인공신경망 모델에 대해 구조가 다른 인공신경망(인공신경망의 은닉층 뉴런 개수가 다르게 설정된 인공신경망)을 구성하고, 앙상블 모델링 모듈이 구조가 다른 인공신경망 각각에 대해 무작위로 설정된 초기 가중 연결값을 갖는 일정개수의 인공신경망(앙상블 모델)을 생성하는 단계와;(d2) 앙상블 모델링 모듈이 상기 앙상블 모델의 멤버인 각각의 인공신경망에 대해 동일한 훈련자료를 이용하여 학습을 시키는 단계와;(d3) 앙상블 모델링 모듈이 상기 단계(d2)에서 학습이 완료된 각 인공신경망 앙상블 모델에 대해 동일한 검사자료를 이용하여 일정개수의 앙상블 모델의 결과를 산출 평균하여 해당 앙상블 모델의 결과로 하는 단계, 및(d4) 앙상블 모델링 모듈이 각 앙상블 모델의 검사결과값과 검사자료에 대한 목표값 또는 실측값을 비교하여 가장 낮은 오차를 보이는 모델을 최적 앙상블 모델로 선정하는 단계를 포함하는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|
9 |
9
제 8 항에 있어서,(d5) 앙상블 모델링 모듈이 상기 단계(d4)에서 선정된 최적 앙상블 모델에 대해 검증자료를 이용하여 앙상블 모델의 결과와 검증자료에 대한 목표값 또는 실측값과 비교하여 검증하는 단계와;(d6) 앙상블 모델링 모듈이, 상기 단계(d5)에서 검증결과가 매우 안좋은 경우, 상기 단계(d4)에서 기왕 선정된 앙상블 모델을 배제하고 가장 낮은 오차를 보이는 앙상블 모델을 선택하여 상기 단계(d5)를 통해 검증하고, 다시 검증결과가 매우 안좋은 경우 본 단계를 반복하는 단계, 및(d6) 앙상블 모델링 모듈이, 상기 단계(d6)의 검증결과가 검사결과와 비슷하게 나타나면, 해당 앙상블 모델을 최적 모델로 선정하는 단계가 추가되는 것을 특징으로 하는, 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
|