Abstract: 분석적학습과 귀납적학습을 결합한 지식기반신경망은 다른 기계학습모델보다 우수한 성능을 나타내고 있다. 그러나 지식기반신경망에서는 신경망이 형성된 후 그 구조를 동적으로 변경할 수 없어서 영역이론정련화 기능을 제공하지 못한다. 이러한 단점을 갖고 있는 지식기반신경망을 보완하기 위하여 TopGen 알고리즘이 제안되었지만 부분적인 문제점을 안고 있다. 본 논문에서는 TopGen의 문제점을 해소하면서 지식기반신경망을 확장하여 영역이론정련기능을 부여하는 방안 2가지를 제시하고 이를 평가하였다.

Abstract: 일반적인 역전파 알고리즘의 여러 가지 문제점들을 개선하기 위하여 활성화 함수의 이득을 퍼지 로직 시스템을 이용하여 자동 조절하는 방식을 제안하였다 퍼지 로직 시스템을 구성하기 위하여 먼저 활성화 함수의 이득의 변화가 학습율, 연결강도, 바이어스 등의 변화와 등가인 관계를 조사하였다 퍼지 로직 시스템의 입력은 마지막층에 대한 오차의 감도와 은닉층에 대한 오차의 평균 감도를 사용하였고, 출력은 활성화 함수의 이득을 사용하였다 제안한 방식과 일반적인 역전파 알고리즘을 패리티 문제, 함수 근사화 문제 및 패턴 인식 문제등에 대하여 시뮬레이션하여 비교 검토한 결과 수렴비, 평균 학습 반복수, 정밀도 및 새로운 입력에 대한 원하는 오차 범위의 출력을 얻는 등의 성능이 개선됨을 알았다

Abstract: 격자 벡터 양자화의 비 손실 과정에서는 생성된 코드단어들을 radius 열과 Index 열로 열거한다. radius 열은 run-length 부호화한 한 다음 Entropy 부호화한다. 또한 index 열들은 이진의 고정길이로 표현한다. 비트율이 증가함에 따라 index 비트는 선형적으로 증가하여서 부호화 성능을 감소시킨다. 이 논문에서는, 넓은 비트율의 범위에서 index 비트를 줄이기 위해서, set partitioning 방식을 채택한 새로운 열거 알고리즘을 개발하였다. 제안된 열거 방법은 큰 index 값을 작은 값들을 천이 시켜서 index 비트를 줄인다. 제안된 비손실 기법을 웨이블릿 기반의 영상 부호화에 적용시켰을 때, 0.3 bits/pixel 이상의 비트룰에서 기존의 비손실 부호화 방식보다 10%이상의 비트율을 감소시켰다.