KCI등재
입자 군집 최적화 기법을 이용한 Kernel Extreme Learning Machine 설계
저자
발행기관
학술지명
차세대융합기술학회논문지(Journal of Next-generation Convergence Technology Association)
권호사항
발행연도
2017
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
수록면
165-170(6쪽)
제공처
본 논문에서는 커널 Extreme Learning Machine을 기반으로 하여 최적화 기법들 중의 하나인 입자 군집 최적화 기법을 이용한 설계 기법을 제시한다. 제안된 Kernel Extreme Learning Machine은 기존에 사용되어지는 뉴럴 네트워크의 단점을 개선한 네트워크이다. 다시 말하면, 뉴럴 네트워크의 단점인 느린 학습속도를 개선한 네 트워크이다. 일반적으로 뉴럴 네트워크의 히든 노드들은 랜덤 초기화 후 오류 역전파 알고리즘을 이용하여 학습 한다. 이와 같은 오류 역전파 알고리즘은 매우 느린 학습속도를 보인다. 이와 같은 단점을 해결하기 위하여, Kernel Extreme Learning Machine의 히든 노드들은 랜덤 초기화 되고 학습되지 않고 출력층의 연결 하중만 학습 되어진다. 이와 같은 장점을 가진 Kernel Extreme Learning Machine의 구조를 최적화하기 위하여 입자 군집 최적 화 기법을 사용한다. 제안된 설계 방법을 적용하여 설계된 모델의 일반화 성능의 우수성을 보이기 위하여, 다수 의 머신러닝 데이터들을 이용하여 실험하고 실험을 통해 얻은 결과를 비교 평가하였다.
더보기In this paper, we proposed the design method of Extreme Learning Machine which is optimized by using Particle Swarm Optimization Technique. Extreme Learning Machine is the improved version of the conventional neural networks which have a very slow learning speed based on the back-propagation algorithm. In the conventional neural networks, the connection weights between the input layer and the hidden layers are initialized randomly and then optimized by using the gradient decent method. The speed of the learning method for the conventional neural networks is slow. In order to overcome the drawback of the conventional neural networks, the connection weights of the hidden nodes are just initialized randomly and will not be optimized, and the only connection weights of the output nodes are learned by using least square estimation not the iterative learning method. In addition, we use Particle Swarm Optimization to optimize the proposed Extreme Learning Machine. Several machine learning bench-mark data sets are used to show the generalization performance of the proposed design method and to compare their performance with the other already studied models.
더보기분석정보
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)