뉴로-퍼지推論시스템을 利用한 物體認識에 關한 硏究 = (A) Study on Object Recognition Using Neuro-Fuzzy Inference System
저자
발행사항
용인 : 明知大學校 大學院, 1991
학위논문사항
학위논문(박사)-- 명지대학교 대학원 : 전자공학과 1991. 8
발행연도
1991
작성언어
한국어
주제어
KDC
569.91 판사항(4)
발행국(도시)
경기도
형태사항
xiii, 125p. : 삽도 ; 26cm
일반주기명
참고문헌: p. 102-108
소장기관
일반적인 物體認識에 있어서 效果的인 特徵抽出과 柔軟한 物體認識方法은 다양한 형태의 物體를 融通性있게 認識할 수 있는 物體認識 시스템의 實現을 위해 매우 중요하다.
本 論文은 物醴의 變形등과 같은 入力變化에 의해 발생하는 認識의 曖昧性과 特徵의 類似性에 따른 認識率 低下를 해소하고, 보다 效果的이고 柔軟한 物醴認識을 할 수 있는 뉴로-퍼지推論 시스템을 이용한 物體認識에 관한 硏究이다.
特徵抽出은 物體의 境界點들에 대한 多角近似化에 의해 이루어지며, 線形線索의 集合으로 표현된 特徵은 物體를 效果的으로 記述할 수 있도록 隣接線素사이의 相對情報를 나타내는 移動, 回轉 및 位置 變化에 不變인 局部特徵量으로 구성된다. 따라서 모델과 未知映像은 線形線素의 集合으로 변환되고, 변환된 모텔과 未知映像의 線形線素들 사이의 매칭에 의해 物醴를 認識한다.
物體認識을 위해 제안한 뉴로-퍼지推論 시스템은 神經回路網의 學習 特性과 퍼지理論의 推論方法을 融合한 것으로책, 神繼回路網에 의해 퍼지推論을 자동적으로 實行한다. 神經回路網과 퍼지推論의 融合을 위해, 퍼지 推論規則의 條件部에 해당되는 條件部 神經回路網과 推論規則의 結論部에 해당되는 結論部 神經回路網, 그리고 推論規則의 條件部와 結論部사이의 퍼지關係를 演算하는 피지演算部로 이루어진 뉴로-퍼지推論 시스템을 구성하였다.
제안된 뉴로-퍼지推論 시스템은 피지推論時 推論規則의 條件部 퍼지命題를 神經回路網의 誤差 逆傳播學習法에 의해 자동으로 生成生하여 推論環境의 변화에 따른 퍼지命題에 대한 멤버쉽面數의 형상을 適應的으로 변화시키므로써, 入力變化에 따른 認識의 暖昧性을 해소하였다. 또한, 條件都 神經回路網을 모델分類用 神經回路網과 線素 分類用 神經回路網으로 分離 構咸하므로써, 特徵의 類似性때문에 발생하는 神經回路網의 境界分離特性의 한계를 보완할 수 있도록 하여 認識率 低下를 해소하였고, 특히 結論部 神經團路網의 出力에 物體認識을 위한 推論規則을 學習시키므로써, 認識率 向上을 도모할 수 있는 效果的인 시스템 出力을 결정하였다.
뉴로-퍼지推論 시스템에 의한 物醴認識方法의 妥當性을 檢證하기 위해 1)神經回路網, 2)퍼지推論, 3)뉴로-퍼지推論 시스템에 의한 각각의 實驗을 통하여 그 結果를 比較, 考察하였으며, 單獨物體 및 重複物體認識에 적용하여 有效性을 확인하였다.
In the general object recognition, effective feature extraction and flexible recognition method are very important for the realization of the object recognition system recognizing the various object adaptively. In this dissertation, the neuro-fuzzy inference system for the object recognition is studied. The proposed system recognizes the object effectively and flexibly using fuzzy inference and neural network to dissolve the ambiguity of recognition due to input variation like shape variation, and the degradation of recognition rate due to the similarity of features. Features for the object recognition are represented by linear line segments, which are obtained from curvature points of the object boundaries by polygonal approximation. Each segment composes of local features which are shift, rotation, and translation invariant, representing the relative information of adjacent segments. Thus models and scene images are transformed into sets of line segments, and the object recognition is achieved by matching line segments of transformed models and scene images.
The proposed neuro-fuzzy inference system combines learning capability of neural network with inference process of fuzzy theory, and the system executes the fuzzy inference by neural network automatically. For the fusion of neural network and fuzzy inference, the proposed system consists of the antecedence neural network, the consequent neural network, and the fuzzy operational part. For dissolving the ambiguity of recognition due to input variance in the neuro-fuzzy inference system, the antecedent's fuzzy propositions of the inference rules are automatically produced by error backpropagation learning rule. Therefore, when the fuzzy inference is made, the shape of membership functions is adaptively modified according to the variation. The antecedence neural network constructs a separated MNN(Model Classification Neural Network) and LNN(Line segment Classification Neural Networks) for dissolving the degradation of recognition rate. The antecedence neural network can overcome the limitation of boundary decision characteristics of neural network due to the similarity of extracted features. The increased recognition rate is gained by the consequent neural network which is designed to learn inference rules for the effective system output.
To verify the validity of the proposed object recognition method implemented by the neuro-fuzzy inference system, the experimental results of the neural network method, fuzzy inference method, and the proposed neuro-fuzzy inference system are compared. The computer simulation shows the effectiveness of the proposed system for object recognition.
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)