| 초록 |
계기 노이즈 및/또는 측정 오차를 포함하는 입력-출력 표본 데이터의 존재 하에 인공 신경망 모델의 예측 정확성과 일반화 성능을 향상시키는 방법이 기술되었는데, 망 모델을 훈련하기 위해 사용된 입력-출력 표본 데이터 내에 노이즈 및/또는 오차가 존재하면 입력과 출력 사이에 존재하는 비선형 관계를 정확히 학습하는 데에 어려움을 발생시키며, 노이즈가 있는 관계를 효과적으로 학습하기 위해서, 상기 방법은 컴퓨터 시뮬레이션을 사용하여 대형 노이즈 중첩된 표본 입력-출력 데이터 집합을 생성을 생각하는데, 여기에서, 특정 양의 가우스 노이즈가 표본 집합 내의 각각의 입력/출력 변수에 부가되며, 그렇게 생성된 확장된 표본 데이터 집합은 인공 신경망 모델을 구성하기 위한 훈련 집합으로서 사용되고, 부가될 노이즈의 양은 입력/출력 변수에 특정하고, 그 최적 값은 확률론적 탐색 및 최적화 기법 즉 유전적 알고리즘을 사용하여 결정되며, 노이즈 중첩된 확장된 훈련 집합 상에서 훈련된 망은 그 예측 정확성 및 일반화 성능에서 상당한 향상을 보이며, 본 발명의 방법은 산업적 중합 반응로와 연속 교반 탱크 반응로(CSTR)로부터의 계기 오차 및/또는 측정 노이즈를 포함하는 표본 데이터에 성공적으로 적용함으로써 설명되었다. |
