fMRI를 이용한 맛의 입력패턴벡터 추출 및 패턴인식
Input Pattern Vector Extraction and Pattern Recognition of Taste using fMRI
2
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문에서는 맛 인식을 위한 입력패턴벡터를 추출하고 패턴인식을 위한 맛(쓴맛, 단맛, 신맛, 짠맛)학습 알고리즘을 설계하였다. 입력패턴벡터의 구성을 위해 맛 활성화 신호의 세기가 사용되었고, 맛 패턴인식을 위한 알고리즘은 초기 참조벡터의 학습을 위해 SOM을 이용하였고, 종속 부류층의 출력뉴런의 부류지정을 위하여 out-star 학습법을 사용하였다. 제안된 알고리즘의 입력 층과 종속 클래스 층 사이의 연결강도는 SOM과 LVQ 알고리즘을 이용하여 초기 참조벡터의 설정 및 학습이 가능하게 하였다. 패턴벡터는 종속 부류층의 뉴런에 의해 종속 클래스로 분류하고, 종속 클래스 층과 출력 층 사이의 연결강도는 분류된 종속 부류를 클래스로 지정하는 학습을 하게 하였다. 패턴 분류를 위하여 제안된 학습알고리즘을 이용하여 시뮬레이션 되었고 기존의 LVQ 학습방식보다 우수한 분류성공률을 확인하였다.
Abstract
In this paper, the input pattern vectors are extracted and the learning algorithms is designed to recognize taste(bitter, sweet, sour and salty) pattern vectors. The signal intensity of taste are used to compose the input pattern vectors. The SOM(Self Organizing Maps) algorithm for taste pattern recognition is used to learn initial reference vectors and the ot-star learning algorithm is used to determine the class of the output neurons of the sunclass layer. The weights of the proposed algorithm which is between the input layer and the subclass layer can be learned to determine initial reference vectors by using SOM algorithm and to learn reference vectors by using LVQ(Learning Vector Quantization) algorithm. The pattern vectors are classified into subclasses by neurons in the subclass layer, and the weights between subclass layer and output layer are learned to classify the classified subclass, which is enclosed a class. To classify the pattern vectors, the proposed algorithm is simulated with ones of the conventional LVQ, and it is confirmed that the proposed learning method is more successful classification than the conventional LVQ.
참고문헌 (9)
- 감일영, "전신자기공명영상", pp.2~34 (1995), 고려의학
- KK Kwong, "Dynamic magnetic resonance imaging of human brain activity during primary sinsory stimulation", pp.5675~5679 (1989)
- 남궁호, "대뇌 운동 피질의 기능적 자기공명영상", 23(1), pp.62~63 (1997)
- 성재구, "운동 동작 없이 생각만을 이용한 대뇌 운동 영역의 기능적 자기공명영상에 대한 고찰", 17(1), pp.113~117 (2007)
- 이용구, "Forward C.P. Net.을 이용한 3단 LVQ 학습알고리즘", 9(4), pp.33~39 (2004)
- 이용구, "분류오차유발 패턴벡터 학습을 위한 학습네트워크", 한국컴퓨터정보학회논문지, 10(5), pp.77~86 (2005), 한국컴퓨터정보학회
- 이용구, "뇌파의 입력패턴벡터 추출 및 패턴인식", 11(5), pp.95~103 (2006)
- Baras, J.S, "Conergence of Kohonen's Learning Vector Quantization", pp.17~20 (1990)
- Tanaka, "Quantitative Properties of Kohonen's Self-Organizing Maps as Adaptive Vector Quantizers IEICE transactions on information and systems", pp.1085~1092 (1992)