본문 바로가기 주메뉴 바로가기
국회도서관 홈으로 정보검색 소장정보 검색

목차보기

목차

표제지=0,1,1

제출문=1,2,1

요약문=2,3,6

목차=8,9,2

그림목차=10,11,2

표목차=12,13,1

제1장 서론=13,14,2

제2장 NOx 발생 및 배출 메카니즘과 환경영향 분석=15,16,1

제1절 NOx 발생 메카니즘의 분석=15,16,2

제2절 NOx 배출 메카니즘의 분석=16,17,2

제3절 NOx 독성과 환경영향 분석=17,18,4

제4절 NOx의 저감대책=20,21,2

제3장 NOx 배출 패턴을 위한 CI 기술=22,23,1

제1절 데이터 전처리 및 최적화 알고리즘=22,23,2

1. Hard C-means Method(HCM)=23,24,2

2. Genetic Algorithms=24,25,2

3. Improved Complex Method=26,27,3

4. Hybrid Algorithms=29,30,1

5. 하중계수를 가진 목적함수=30,31,2

제2절 Fuzzy Inference Systems=32,33,1

1. Fuzzy Inference Systems(FIS)=32,33,1

가. 전반부 동정=33,34,1

나. 후반부 동정=33,34,3

2. Multi-Fuzzy Inference Systems(MFIS)=35,36,2

제3절 Implicit Rule-based Fuzzy Neural Networks=36,37,1

1. Fuzzy Neural networks(FNN)=36,37,2

가. 구조 I:간략 추론=37,38,2

나. 구조 II:선형 추론=38,39,1

다. FNN의 학습=38,39,3

2. Multi-Fuzzy Neural Networks(MFNN)=40,41,2

제4절 Explicit Rule-based Fuzzy Neural Networks=41,42,1

1. Fuzzy Relation-based Fuzzy Neural Networks(RFNN)=41,42,1

가. 구조 I:간략 추론=41,42,2

나. 구조 II:선형 추론=43,44,1

제5절 Genetic Algorithms based Polynomial Neural Networks=44,45,1

1. Polynomial Neural Networks(PNN)=44,45,5

2. GAs based Polynomial Neural Networks(gPNN)=48,49,8

제6절 Genetic Algorithms based NeuroFuzzy Polynomial Networks=56,57,1

1. NeuroFuzzy Polynomial Networks(NFPN)=56,57,1

가. 기본 NFPN 구조=56,57,2

나. 변형된 NFPN 구조=57,58,2

2. GAs based Fuzzy Polynomial Neural Networks(gFPNN)=58,59,2

제7절 Polynomial Neuro-Fuzzy Networks=59,60,1

1. Polynomial Neuro-Fuzzy Networks(PNFN)=59,60,4

제4장 NOx 배출 패턴의 실험 결과 및 고찰=63,64,1

제1절 Multi-Fuzzy Inference Systems=63,64,1

제2절 Fuzzy Neural Networks 및 Multi-Fuzzy Neural Networks=64,65,1

1. GAs 동조에 의한 FNN 최적화=64,65,2

2. HCM과 GAs에 기반한 FNN 최적화=66,67,2

3. HCM 및 Hybrid Algorithms에 의한 FNN 최적화=67,68,3

제3절 Fuzzy Relation-based Fuzzy Neural Networks=69,70,2

제4절 GAs based Polynomial Neural Networks=70,71,5

제5절 NeuroFuzzy Polynomial Networks=74,75,3

제6절 GAs based Fuzzy Polynomial Neural Networks=77,78,2

제7절 Polynomial Neuro-Fuzzy Networks=78,79,7

제5장 고급 CI 기술에 의한 최적 지능형 S/W Package 개발 및 시스템 구현=85,86,1

제1절 지능형 S/W Package=85,86,8

제2절 해석 시스템 구현=93,94,6

제6장 결론=99,100,3

참고문헌=102,103,5

그림목차

그림 1. 유전자 알고리즘 연산자=25,26,1

그림 2. 유전자 알고리즘의 수행과정=25,26,1

그림 3. 컴플렉스 방법의 수행과정=28,29,1

그림 4. 퍼지모델링의 전체 구성도=32,33,1

그림 5. 2개의 파라미터를 가진 퍼지변수=33,34,1

그림 6. 다중 퍼지 모델 구조=36,37,1

그림 7. Fuzzy Neural Networks의 구조=36,37,1

그림 8. 멤버쉽 함수 정의=37,38,1

그림 9. Multi-퍼지 뉴럴 네트워크의 구조.=41,42,1

그림 10. 간략추론 구조를 가지는 FR_FNN=42,43,1

그림 11. 선형추론 구조를 가지는 RNN=43,44,1

그림 12. PNN 구조에서 이용할 수 있는 설계=45,46,1

그림 13. 유전자 알고리즘의 염색체를 이용한 PNN 구조에서 이용할 수 있는 PN 설계=49,50,1

그림 14. 유전자 알고리즘의 염색체를 이용한 PN 설계의 예=51,52,1

그림 15. 각 층에서 최적 노드(PN) 생성을 위한 GA 최적화 과정=52,53,1

그림 16. PNN 구조의 진화론적 최적화(gPNN)를 위한 전체 설계 흐름도=55,56,1

그림 17. 기본 NFPN 구조=57,58,1

그림 18. 변형된 NFPN 구조=58,59,1

그림 19. gFPNN 구조의 구성도=59,60,1

그림 20. 퍼지다항식 뉴론의 일반적인 구조=60,61,1

그림 21. 다항식 뉴론의 일반적인 구조=62,63,1

그림 22. 다항식 뉴로-퍼지네트워크의 전체구조=62,63,1

그림 23. 모델의 출력 곡선=65,66,1

그림 24. 모델의 에러 곡선=65,66,1

그림 25. 유전자 알고리즘에 의한 FNN 모델의 각 성능지수의 최적화 과정=65,66,1

그림 26. FNN의 성능지수=66,67,1

그림 27. 하이브리드 알고리즘에 의한 선형 추론 방법의 FNN에 대한 각 성능지수의 최적화 공정(No. of rules:30,θ=0.2)=69,70,1

그림 28. 성능지수에 따른 최적화 공정=69,70,2

그림 29. 하중계수의 변화에 따른 PNN의 성능지수=72,73,1

그림 30. 층의 증가에 따른 PNN의 성능지수=72,73,1

그림 31. 최적의 자기구성 다항식 뉴럴 네트워크 구조(θ=0.25)=73,74,1

그림 32. NOx 배출 공정 데이터의 출력값과 모델의 출력값=73,74,1

그림 33. 자기구성 다항식 뉴럴 네트워크의 오차곡선=74,75,1

그림 34. 유전자 알고리즘에 의한 각 성능지수들의 최적화 과정=74,75,1

그림 35. 기본 NFPN의 최적 구조(Case 2)=76,77,1

그림 36. 변형된 NFPN의 최적 구조(Case 2)=76,77,1

그림 37. 변형된 NFPN의 학습 과정(Case 2)=76,77,1

그림 38. GAs에 의한 gFPNN의 최적화 과정=78,79,1

그림 39. PNFN의 성능지수와 오차=81,82,1

그림 40. PNFN의 성능지수와 오차=81,82,1

그림 41. PNFN의 성능지수와 오차=82,83,1

그림 42. PNFN의 성능지수와 오차=82,83,1

그림 43. PNFN의 성능지수와 오차=83,84,1

그림 44. PNFN의 성능지수와 오차=83,84,1

그림 45. 4 시스템 입력벡터에 대한 최적 네트워크 구조=84,85,1

그림 46. 초기 화면=93,94,1

그림 47. Multi-Fuzzy Inference Systems의 정보 입력=93,94,1

그림 48. Fuzzy Neural Networks의 선택=94,95,1

그림 49. Fuzzy Neural Networks의 정보 입력=94,95,1

그림 50. Multi-Fuzzy Neural Networks의 정보 입력=95,96,1

그림 51. Fuzzy Relation-based Fuzzy Neural Networks의 정보 입력=95,96,1

그림 52. Self-organized Neural Networks의 선택=96,97,1

그림 53. GAs based Polynomial Neural Networks의 정보 입력=96,97,1

그림 54. Neuro Fuzzy Polynomial Networks의 정보 입력=97,98,1

그림 55. GAs based Fuzzy Polynomial Neural Networks의 정보 입력=97,98,1

그림 56. Polynomial Neuro-Fuzzy Networks의 정보 입력=98,99,1

표목차

표 1. 전체 PNN 구조=46,47,1

표 2. 회귀다항식의 서로 다른 형태=46,47,1

표 3. 클러스터 개수에 따른 성능지수=63,64,1

표 4. 후반부 추론 방법에 따른 성능지수=64,65,1

표 5. 클러스터 개수에 따른 성능지수=67,68,1

표 6. Genetic algorithms와 Improved Complex method 정보=68,69,1

표 7. 하중계수에 따른 성능지수=68,69,1

표 8. 후반부 추론 방법에 따른 성능지수=70,71,1

표 9. 유전자 알고리즘과 자기구성 다항식 뉴럴 네트워크 정보=71,72,1

표 10. 제안된 자기구성 다항식 뉴럴 네트워크의 NOx 배출 공정 데이터 성능지수=71,72,1

표 11. NFPN 성능지수=75,76,1

표 12. GAs와 gFPNN 정보=77,78,1

표 13. NOx 배출공정에 대한 gFPNN의 성능지수=78,79,1

표 14. 입력변수 수에 따른 부분표현식의 형태=79,80,1

표 15. PNFN 구조=80,81,1

표 16. 동정 오차비교=84,85,1