퍼지이론과 퍼지집합접근법

소개글

퍼지이론과 퍼지집합접근법에 대한 보고서 자료입니다.

목차

1. 퍼지이론이란?

2. 퍼지집합

3. 퍼지집합의 확장

4. 퍼지관계(fuzzy relation)

5. 퍼지추론

6. 퍼지집합접근법의 응용

7. 결론

본문내용

곤란한 판단이나 진단이 가능하게 되었다.
③ 의미론적인 추론인 퍼지추론을 이용한다. 이에 따라 아주 복잡한 추론이나 애매하거나 다소 자기모순적인 전제로부터도 추론을 할 수 있게 되었다.
퍼지집합접근법의 실제 응용사례
① 가전제품 - 세탁기
퍼지 세탁기를 예를 들어보면, 빨랫감의 양이나 천의 재질, 더러운 정도를 감지하여 '알아서' 세탁을 한다. 이런 퍼지 세탁기에서는 약 600가지나 되는 분류 세탁이 가능하다. 이 세탁기에서는 광센서로 검출한 빛의 투과도로부터 의류의 더러움의 질과 양을 판별하고, 퍼지 제어에 의해 세탁시간을 결정하고 있다.
세탁을 시작하게 되면 의류의 더러움이 세탁물에 서서히 용해되어, 세탁물의 투과도가 저하되어 간다. 이때의 투과도의 저하속도와 포화상태(가장 투과도가 낮아진 상태)에서의 투과도로부터 의류의 더러움의 질과 양을 구분하는 것이다. 예를 들면, 다음과 같다.
그림 5. 세탁기에서의 퍼지이론의 적용
또한 세탁기의 경우, 가능한 한 짧은 시간 내에 세탁해야 하고, 옷감의 손상은 적어야 하는 상반되는 요구가 주어지기도 한다. 세척력을 강하게 하면 옷감의 손상이 크게 되는 것으로부터도 설계 조건이 엄격하다는 것을 알 수 있다. 따라서 세탁기는 다음과 같은 규칙을 사용한다. 이때 옷감의 양이나 질 등은 센서를 사용하여 추정한다.
ㆍ만일 옷감의 양이 많고 동시에 옷감의 질이 뻣뻣하면, 물의 흐름을 강하게 하고, 세탁 시간을 길게 한다.
ㆍ만일 옷감의 양이 적고 동시에 옷감의 질이 부드럽다면, 물의 흐름을 약하게 하고, 세탁 시간을 짧게 한다.
② 무선통신에의 응용
ㆍ채널 등화기(channel equalizer)
인위적인 뉴럴 네트워크(neural network)를 이용하여 서로 다른 신호를 갖고 있는 서로 다른 통신 채널의 등화기 구현에 응용할 수 있다. 즉, 학습률과 모멘텀 파라미터를 적응시키기 위해 퍼지 규칙(fuzzy rule)을 적용함으로써 후방향 전파(back propagation)의 수렴률을 향상시킬 수 있다.
ㆍ패턴 분류(pattern classification)
퍼지 논리(fuzzy logic)이나 뉴럴 네트워크를 이용하여 핸드오프(handoff)에 관한 패턴 분류를 한다. 즉, 하나의 기지국이나 채널에서 다른 기지국이나 채널로 이동국이 이동을 할 때 발생하는 핸드오프의 문제를 패턴 분류 문제로 고려하는 적응적 핸드오프 알고리즘과 같은 경우 대부분 근간에는 퍼지 로직을 이용한다.
ㆍVoice Activity Detection(VAD)
학습된 몇 개의 퍼지 규칙을 이용하여 어구의 매칭 여부를 탐색하는 VAD에 이용 가능하다. 즉, 불규칙한 잡음 환경 하에서 SNR이 가변하는 경우 퍼지 이론에 의한 가변적인 임계값을 적용하여 결정(decision)하는 방법을 이용하여 단어나 어구를 탐색함으로써 기존의 이미 주어진 임계값보다 더욱 적절한 매칭이 이루어 질 수 있다.
ㆍ전파 예측(propagation prediction)
RF 전파는 다중 경로 환경 하에서 인공적인 구조물로 인한 산란현상 등으로 인해 매우 불규칙하여 정확한 특성을 예측하기가 곤란하다. 그러므로 퍼지 로직을 적용함으로써 이미 알려진 환경으로부터 아직 알려지지 않은 환경을 결정할 수 있다. 즉, 무선 통신 환경하의 전파 예측 모델 중 가장 많이 쓰이는 Okumura -Hata 모델이나 Walfisch-Ikegami 모델에 퍼지 로직을 적용하여 모델링함으로써 환경에 무관한 파라미터를 추출하여 무선 전파 환경을 분류할 수 있다.
③ 신경망에 이용한 응용
신경망을 이용한 모델들은 여러 분야들에 응용되면서 각광을 받고 있으며, 특히 시각적인 패턴인식, 영상인식, 비전(vision), 문자인식 및 음성인식 등 기존의 인공지능 분야에서 해결하기 어려웠던 문제 영역들에 응용되어 좋은 결과를 내고 있다. 최근 들어 퍼지 이론과 신경망을 함께 융합한 기법에 대한 연구가 시작되었으며, 퍼지와 신경망을 융합한(fusion) 초기 모델인 SONN모델이 소개되었다. 이 모델은 연구된 자율적인 학습을 하는 자기조직화 신경망 모델이다. 이 모델의 성능은 여러 가지 데이터를 통한 패턴분류, 패턴인식, 칼라 영상인식 등의 실험으로 입증되었으며, 이 모델의 특성과 이론적인 수렴 문제 등도 밝혀졌다. 실례로 퍼지 신경망 모델을 적용한 SONN 모델에 관한 기본적인 특징에 대해 간단히 예시한다.
SONN(Self-Organizing Neural Networks) 모델
SONN 모델은 베즈덱(James Bezdek)의 퍼지 c-means 알고리즘의 퍼지 멤버십 등식을 경망과 융합한 자율적인 자기조직화 신경망 모델이다. 따라서 이 모델은 외부의 교사(teacher)를 필요로 하지 않는다. 이 모델은 주어진 입력에 대한 클러스터의 수나 클러스터의 중심(center)에 대한 사전 지식없이 자율적으로 클러스터에 관한 정보를 제공하여 주므로 패턴분류와 패턴인식 등에 적합하며 좋은 결과를 보여주고 있다. SONN 모델에 쓰이는 SONN 알고리즘은 분류상으로 자율적인 학습을 하며 연속적인 입력 값을 처리할 수 있는 알고리즘으로서, 코호넨의 자기조직화 모델과 유사한 점이 있다. 그러나 코호넨 모델과는 많은 차이점이 있다. 근본적인 구조를 보더라도 코호넨의 형상지도가 2차원의 자기조직화 시스템인데 비하여 SONN 모델은 1차원의 원형 구조(ring structure)를 이루는데, 각각의 뉴런이 가장 가까운 양쪽의 뉴런과 연결되어 있다. 코호넨의 1차적 구조인 경우에는 양쪽 끝의 뉴런들이 연결되어 있지 않다.
그림 6. SONN 모델의 구조
7. 결론
위에서 제시한 것처럼 현재까지 개발된 퍼지이론은 주로 일반적인 산업분야에 대부분 응용되고 있다. 특히 퍼지이론이 실용적으로 가장 많이 사용되고 있는 분야는 제어이다. 현재로서는 인간과 기계가 상호 연관된 분야를 중심으로 활발히 응용되어가고 있지만, 앞으로는 인간과 인간 사이에 관련된 분야로 그 응용이 파급될 것이다. 이처럼 퍼지이론의 중요성은 날로 증대되고 있으며, 앞으로 수년 이내에 인문, 사회 분야에서도 퍼지시스템의 응용은 매우 중요한 위치를 차지할 것으로 예상된다.

키워드

퍼지,   퍼지이론,   퍼지집합접근법,   퍼지집합,   퍼지 이론,   퍼지 집합