[인공지능]인공신경망

소개

인공신경망의 일종인 Radial Basis Function Network에 대한 조사를 하고 이를 정리한 파워포인트 자료입니다. 특히 RBFN의 프로그램을 위해 필요한 알고리즘을 순서도로 그려서 첨부하였으므로 RBFN에 대한 상세내용을 이해하고 싶은 분들께 도움이 될만한 자료라고 생각됩니다.

목차

1. 개요
2. 기능
3. 장단점
4. 구조
5. 알고리즘

본문내용

개요
RBFN(Radial Basis Function Network)은 입력층의 값을 종모양의 곡선/표면의 형태로 된 은닉층의 결합함수에 적용하고 출력층과 사이에 위치하는 연결강도를 적용한 후 이들의 선형결합을 통하여 출력층의 값을 구하는 인공신경망이다.

연구내용
적용분야
- 대서양 수온분포를 예측하는 문제
적용방법
- 위도, 경도, 거리 등을 입력값으로 하고 이에 근거한 수온분포를 예측
적용분야
- 3D 형상에 대한 Fitting
적용방법
- 3D형상에 대한 대략적인 경계점에 근거하여 Interpolation을 수행
적용분야
- 불규칙한 패턴을 갖고 있는 수요를 예측하는 문제
적용방법
- 불규칙한 시계열 패턴을 갖고 있는 수요 데이터에 대한 추정 및 규칙 도출
적용분야
- 지역별 전력 차별화 설정 문제
적용방법
- 전력수송 네트웍을 구성하는 노드단위로 수송량에 근거하여 혼잡도를 계산하고
이에 근거한 가격을 설정하기 위한 지역단위의 군집화에 적용

장점
모델링을 위한 계산이 간단하다.
은닉층의 결합함수를 추정하기 쉽다.
은닉층과 출력층사이의 연결강도를 추정하기 쉽다.
(Orthogonal Least Square를 활용하면 연결강도의 계산이 단순하다.)

범용 근사치추정모형으로 사용이 용이하다.
은닉단위의 수를 조절하여 모든 함수를 정밀하게 모사할 수 있다.

단점
수렴성 측면에서 MLP신경망에 비해 효율적이지 않다.

Optimal Model을 구축하기 어렵다.
은닉층의 K개의 중점을 잘못선정할 경우 Optimal Model을 구축할 가능성이 낮다.

다수의 은닉마디가 필요하다.
다수의 은닉마디를 요구할 때가 많다.
입력변수의 수가 많아질수록 필요한 은닉마디의 수는 급속하게 증가한다.

중복된 입력자료에 민감하다.
불필요하거나 중복된 입력자료에 대하여 민감하다.

결합함수의 특성상 방향은 고려하지 못한다.
RBF는 거리는 고려하지만 방향은 무시하고 가중치를 부여한다.

참고자료

· 없음