The learning algorithm of fuzzy neural networks deserves much attention because it determines the learning capability and the performance of the networks. Several learning algorithms have been proposed, but there is still no algorithm that is accepted as the standard solution. We make an analysis of those algorithms in a comprehensive perspective and incorporate them into one learning procedure. To achieve a particular learning algorithm, we choose an adjusting scheme for weight factors, which specifies how the weight factors are represented internally. We also formulate an inversion algorithm for fuzzy neural networks. The inversion yields an estimate inverse of a given target in a fuzzy neural network. It is based on the gradient descent search and employs the strategy used by the learning procedure in adjusting weight factors. We conduct experiments on the parity-3 problem to show how the learning procedure and the inversion algorithm work in reliably-trained networks. We also demonstrate that the technique of inversion can be used for better examination of fuzzy neural networks.
퍼지 신경망은 신경망의 학습 능력 및 병렬 처리 특성에 퍼지 개념을 도입하여 불확실성이 포함된 자료를 처리하도록 설계된 연산 모델이다. 신경망의 문제 해결능력은 주어진 자료를 학습하는데 이용한 학습 알고리즘에 따라 크게 좌우된다. 마찬가지로 퍼지 신경망의 학습 알고리즘은 신경망의 학습 능력과 수행 성능을 결정하기 때문에 매우 중요한 의미를 지닌다.
일반 신경망의 학습 알고리즘은 표준적인 generalized rule이 널리 이용되고 있지만 퍼지 신경망의 학습 알고리즘은 표준으로 정착된 것이 없다. 지금까지 여러개의 퍼지 신경망 학습 알고리즘이 제시되었지만 모두 특수한 경우를 다루고 있다. 이 논문에서는 지금까지 개발된 퍼지 신경망 학습 알고리즘을 포괄적인 관점에서 새로 해석하여 이런 학습 알고리즘을 모두 포함하는 새로운 학습 절차로 정리한다. 이를 위해서 신경 회로망의 연결 인자의 변환 절차라는 개념을 도입하여 각 학습 알고리즘을 해석해 낸다.
학습이 진행된 신경망은 일반저긍로 하나의 함수를 나타낸다고 할 수 있다. 즉 입력으로 주어진 자료의 함수값을 신경망의 연산 결과로 제공한다고 볼 수 있다. 퍼지 신경망의 연산 과정도 같은 맥락에서 이해될 수 있다. 이 논문에서는 이런 관점에서 퍼지 신경망이 나타내는 함수의 역함수값을 찾아 내는 방법을 제시한다. 퍼지 신경망의 역연산이라고 할 수 있는 이 과정을 수행해내는 역연산 알고리즘은 일반 신경망의 역연산 알고리즘에 기초를 두고 개발된다. 이 알고리즘에서는 학습 절차에서 도입한 연결 인자의 변환절차를 이용해서 역연산 과정을 수행한다.
개발된 학습 절차와 역연산 알고리즘의 안정성은 여러 실험을 통해서 예증된다. 총4가지의 연결 인자 변환 절차를 이용해서 실험을 수행하고 각각의 경우를 비교 검증한다. 역연산 과정은 퍼지 신경망의 학습양을 간접 측정하는데 이용할 수 있음을 비교 실험을 통해서 보인다.
