Mathematical interactions between neural networks, fuzzy sets, and genetic algorithms
- 주제어 (키워드) Soft computing , fuzzy number , convolutional neural network , gentic algorithm , self-dual code , building-up construction , 소프트 컴퓨팅 , 퍼지 숫자 , 합성곱 신경망 , 유전 알고리즘 , 자기쌍대 부호 , 빌딩업 방법
- 발행기관 서강대학교 일반대학원
- 지도교수 김종락
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 박사
- 학과 및 전공 일반대학원 수학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079083
- UCI I804:11029-000000079083
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
In this thesis, we study neural networks on fuzzy sets and genetic algorithms for self-dual codes. Soft computing encompasses fuzzy logic, neural networks, and genetic algorithms. Over recent years, soft computing has been widely used in commercial and industrial applications. The thesis addresses two problems using theories included in soft computing. Therefore, the thesis consists of two parts. In Part I, we propose deep learning for analyzing fuzzy sets. Specifically, we present seven models using convolutional neural networks to analyze fuzzy inputs containing ambiguous or linguistic information. Then, we apply the proposed method to various datasets and confirm the results. In Part II, we introduce a method to find binary self-dual codes by applying a genetic algorithm to the building-up construction of coding theory. Then, we evaluate the proposed method by finding binary self-dual codes of lengths 42 and 58.
more초록 (요약문)
본 학위 논문는 퍼지 집합을 활용한 신경망과 자기 쌍대 부호를 위한 유전 알고리즘에 대하여 설명한다. 소프트 컴퓨팅은 퍼지 논리, 신경망 및 유전 알고리즘을 모두 포함하며 밀접하게 관련된 분야이다. 최근 몇 년간 이 분야는 산업 및 응용 분야에서 널리 사용된다. 본 학위 논문은 소프트 컴퓨팅에 포함된 이론을 이용하여 두 가지 문제를 해결하였다. 따라서, 본 학위 논문은 두 부분으로 구성되어 있다. 제 1부에서는 퍼지 집합을 분석하기 위한 딥러닝을 제안한다. 즉, 모호하거나 언어적 정보를 포함하는 퍼지 입력을 분석하기 위해 합성곱 신경망을 사용하는 7가지 모델을 제시한다. 제안된 방법을 다양한 데이터 셋에 적용하여 결과를 확인한다. 제 2부에서는 부호이론의 빌딩업 방법에 유전 알고리즘을 적용하여 이진 자기 쌍대 부호를 찾는 방법을 소개한다. 제안된 방법을 이용하여 길이가 42와 58인 이진 자기 쌍대 부호를 찾는다.
more목차
1 Introduction 1
2 Neural networks on fuzzy sets 7
2.1 Preliminaries 8
2.1.1 Fuzzy number 8
2.1.2 Convolutional neural network 14
2.2 Methodology 20
2.2.1 Data fuzzification 20
2.2.2 Network architecture 21
2.2.3 Measurement 25
2.3 Results on various dataset 28
2.3.1 Iris dataset 30
2.3.2 US health insurance dataset 33
2.3.3 Wine quality dataset 37
2.4 Conclusion 45
3 Genetic algorithms for error-correcting codes 47
3.1 Preliminaries 47
3.1.1 Error-correcting code 47
3.1.2 Genetic algorithm 54
3.2 Methodology 60
3.3 Results 64
3.3.1 Self-dual code of length 42 65
3.3.2 Self-dual code of length 58 69
3.4 Conclusion 76
Bibliography 132
