-
公开(公告)号：KR1019970008532B1
公开(公告)日：1997-05-24
申请号：KR1019930015497
申请日：1993-08-10
Applicant: 한국전자통신연구원
IPC: G06F15/18
CPC classification number: G06N3/082
Abstract: There is provided a learning method of a nonlinear deducing network for approximation of nonlinear function. The learning method is applied to three layers structured nonlinear deducing network having an input layer, a hiding layer, and an output layer, and includes the steps of: deciding number of element functions depending on a function approximation degree; and deducing a parameter of the deducing network, wherein a linear learning method is applied between the output layer and the hiding layer and a nonlinear learning method is applied between the hiding layer and the input layer.
Abstract translation: 提供了一种用于近似非线性函数的非线性推导网络的学习方法。 该学习方法应用于具有输入层，隐藏层和输出层的三层结构非线性推导网络，包括以下步骤：根据函数近似度确定元素函数的数量; 并推导了推导网络的参数，其中在输出层和隐藏层之间应用线性学习方法，并且在隐藏层和输入层之间应用非线性学习方法。
-
公开(公告)号：KR1019950009773B1
公开(公告)日：1995-08-28
申请号：KR1019920024314
申请日：1992-12-15
Applicant: 한국전자통신연구원
IPC: H05K7/12
Abstract: selecting a unit substrate in first row or the last row by regarding a unit processor as a unit substrate; determining the direction of the unit substrate; matching the unit substrates in the selected row in the determined direction; arranging the unit substrates from the upper part of the row to the bottom part thereof, or from the bottom part thereof to the upper part thereof in a row sequence; in case of arranging the unit substrates in a reverse direction to those of a normal state, crossly arranging the unit substrates with those of the previous row; checking whether all unit substrates are arranged; if all are arranged, connecting the unit substrates to a cable in a basic distance in an east-west direction; connecting the unit substrates in the same row to the other cable in a distance obtained by multiplying the total numbers of unit substrates in a north-south direction; and if all of the unit substrates is not arranged, selecting the other unit substrates in the next row, and arranging the unit substrates by rotating the unit substrates by 90 degree in clockwise and counter-clockwise direction.
Abstract translation: 通过将单元处理器作为单位衬底来选择第一行或最后一行中的单元衬底; 确定单元基板的方向; 在确定的方向上匹配所选行中的单位基板; 将单元基板从列的上部到其底部，或者从其底部到其上部以一排的顺序排列; 在将单元基板布置成与正常状态相反的情况下，将单元基板与上一行的基板交叉布置; 检查所有单元基板是否布置; 如果全部安装，将单元基板连接到东西方向基本距离的电缆; 将同一行中的单元基板连接到另一根电缆，所述距离通过将单位基板的总数乘以南北方向而获得; 并且如果未布置所有单元基板，则选择下一行中的其它单元基板，并且通过使单元基板沿顺时针和逆时针方向旋转90度来布置单元基板。
-
公开(公告)号：KR1019950006634A
公开(公告)日：1995-03-21
申请号：KR1019930015129
申请日：1993-08-04
Applicant: 한국전자통신연구원
IPC: G06F15/18
Abstract: 본 발명은 경제분야, 생체과학, 날씨 및 주식동향 등의 시계열(time series)의 예측 등과 같이 불확실한 데이타를 처리하여 그 데이타를 발생시키는 시스템의 함수관계를 찾아내는 함수근사(function aproximation) 또는 회기분식(regression analysis)을 위한 새로운 회기모형(reresson model)구조에 관한 것으로, 주어진 데이타의 차수가 높아질수록 급격한 성능저하가 생기고 학습속도(매개변수 추정속도)가 너무 느리거나 국부최소점(local minima)에 빠져 원하는 성능을 얻을 수 없는 경우가 발생하는 종래 모델들의 문제점들을 해결하는 새로운 부분성형회기모형을 제안한다.
본 발명에 따른 회기모형은 자기분할망(10)과 앞먹임사상망(20)으로 구성되고, 자기분할망(10)은 입력공간을 겹치지 않는 국부영역으로 분할하도록 하는 한편 앞먹임사상망(20)은 분할된 각 입력공간에 대한 부분적인 선형사상을 구하도록 함으로써 국부 평균법에 비해 적은 매개변수규모로 좋은 성능을 얻을 수 있고 원하는 성능을 얻기 위해 자동으로 망을 구성함으로써 국부최소점 문제가 해결된다.-
公开(公告)号：KR1019950006629A
公开(公告)日：1995-03-21
申请号：KR1019930015497
申请日：1993-08-10
Applicant: 한국전자통신연구원
IPC: G06F15/18
Abstract: 본 발명은 3층의 구조, 즉 입력층, 은닉층 그리고 출력층으로 이루어진 추정망을 이용하여 비선형 함수를 근사하는 방법에 관한 것이다.
여기서 입력층과 출력층은 선형함수로 이우러지는 것에 반해, 은닉층은 제한성과 국부성을 갖는 요소함수로 이루어진다.
이러한 추정망을 이용하여, 주어진 학습자료가 의미하는 비선형 함수를 근사하게 된다.
여기서 추정과정, 즉 학습과정은 두부분으로 나뉘어져 첫번째 부분에서는 주어진 함수근사 정도에 따라 적절한 요소함수의 개수를 결정하고, 두번째 부분에서는 주어진 망의 변수를 추전하는데, 그 추정방법에 있어서, 출력층과 은닉층 사이는 선형 학습방법을 적용하고, 은닉층과 입력층 사이는 비선형(부분적선형)학습방법을 적용한다.
그 결과, 제안된 학습과정은 이와 유사한 다른 비선형 함수 근사방법에 비하여, 요소함수의 갯수 측면에서나 학습속도 측면에서 월등함을 보인다.-
公开(公告)号：KR100119902B1
公开(公告)日：1997-10-29
申请号：KR1019940007765
申请日：1994-04-13
Applicant: 한국전자통신연구원
IPC: G06F15/18
Abstract: Disclosed is an on-line studying method for a presumption network comprising a first through sixth steps. The first step is to calculate the output of the presumption network about an average vector of each factor function and calculate a matrix by using the output of the presumption network as an input and an output studying pattern. The second step is to calculate the error of the presumption network. The third step is to discriminate whether the error value of the presumption network is larger than the error reference value. The fourth step is to set a new factor function about a given material when a predetermined condition is satisfied. The fifth step is to discriminate whether an average square error that does not include the new factor function is larger than the average square error that includes the new factor function. The sixth step is to include the new factor function to the presumption network when the average square error that does not include the new factor function is larger than the average square error that includes the new factor function and return to the second step by preparing next studying pattern. Thus, an Mackey-Glass chaotic time-series estimator which applies the on-line studying method is better than an Mackey-Glass chaotic time-series estimator which does not apply the on-line studying method.
Abstract translation: 公开了一种用于推定网络的在线学习方法，包括第一至第六步骤。 第一步是计算推测网络关于每个因子函数的平均向量的输出，并通过使用推定网络的输出作为输入和输出学习模式来计算矩阵。 第二步是计算推定网络的误差。 第三步是判断推测网络的误差值是否大于误差参考值。 第四步是在满足预定条件时设定关于给定材料的新因子函数。 第五步是鉴别不包括新因子函数的平均平方误差是否大于包括新因子函数的平均平方误差。 第六步是在不包括新因子函数的平均平方误差大于包括新因子函数的平均平方误差的情况下，将新因子函数包括在推定网络中，并准备下一个学习回到第二步 模式。 因此，应用在线学习方法的麦克玻璃混沌时间序列估计器比不适用在线学习方法的麦克玻璃混沌时间序列估计器更好。
-
Patent Agency Ranking
-
公开(公告)号：KR1019970006030B1
公开(公告)日：1997-04-23
申请号：KR1019930015129
申请日：1993-08-04
Applicant: 한국전자통신연구원
IPC: G06F15/18
Abstract: The partial linear regression model structure in which data generated in connection with the time flowing is processed to find a function relationship of the system from which the data is generated, comprises a self partitioning network(10) for partitioning input space into a plurality of local areas which are not overlapped, and a feed forward mapping network(20) including a hidden layer and an output layer, for obtaining linear mapping for each local area in response to the output of the self partitioning network(10).
Abstract translation: 处理结合时间流动生成的数据的部分线性回归模型结构被处理以找到从其生成数据的系统的函数关系，包括用于将输入空间分割成多个局部的自分割网络（10） 不重叠的区域和包括隐层和输出层的前馈映射网络（20），用于响应于自分区网络（10）的输出获得每个局部区域的线性映射。
-
-
-
公开(公告)号：KR1019940024609A
公开(公告)日：1994-11-18
申请号：KR1019930006346
申请日：1993-04-15
Applicant: 한국전자통신연구원
Abstract: 본 발명은 주식동향, 강우량, 전력소비 추세 등의 예측을 위한 시계열 예측(time series prediciton)방법에 관한 것이다. 시계열 예측방법으로는 국부추정 모델(local estimaion model)을 이용한 방법(예를들면, 주식예측에서의 6일, 25일, 75일 이동평균)이 있고, 근래에 출현한 전체추정 모델(golbal estimaion model)을 이용한 방법이 있다.
전체추정 모델은 주어진 과거의 데이타를 이용하여 전체 시간범위에서 대상 시스템의 동적특성을 식별하는 것이다. 본 발명에서는 상기 두 모델을 혼용하여 예측 정확도를 높일 수 있는 방법을 제안하였다. 제안된 방법은 주어진 과거의 데이타를 이용하여 대상 시스템의 동적특성을 전체추정 모델로 식별하고, 구성된 전체추정 모델에 의하여 발생하는 예측오차를 국부추정 모델을 이용하여 실시간 보정하는 것이다.
본 발명의 장점으로는 1) 전체추정 모델의 규모를 줄일 수 있고, 2) 시간에 따라 특성이 변하는 비정지시스템(non-stationary system)에 적용 가능하며, 3) 실시간 오차보정에 의한 예측정확도를 높일 수 있다.
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.016 seconds)
