KR20020023993A - 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 - Google Patents

뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 Download PDF

Info

Publication number
KR20020023993A
KR20020023993A KR1020020000367A KR20020000367A KR20020023993A KR 20020023993 A KR20020023993 A KR 20020023993A KR 1020020000367 A KR1020020000367 A KR 1020020000367A KR 20020000367 A KR20020000367 A KR 20020000367A KR 20020023993 A KR20020023993 A KR 20020023993A
Authority
KR
South Korea
Prior art keywords
unit
information
input
neural network
fuzzy
Prior art date
Application number
KR1020020000367A
Other languages
English (en)
Inventor
김수영
Original Assignee
김수영
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 김수영 filed Critical 김수영
Priority to KR1020020000367A priority Critical patent/KR20020023993A/ko
Publication of KR20020023993A publication Critical patent/KR20020023993A/ko

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B2241/00—Design characteristics
    • B63B2241/02—Design characterised by particular shapes

Abstract

본 발명은 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법에 관한 것으로써 더욱 상세하게는 주어진 입출력 데이터에 대한 정보를 퍼지 이론으로 분산·정리하여, 이를 신경회로망에 적용하는 방법으로, 무차원화된 입출력 데이터로부터 소속 함수로 각 입력 패턴을 재 정의한 후, 신경회로망으로 정보 처리하고, 뉴로 퍼지시스템의 혼합 학습방법을 적용함으로써 선박 선체의 선형설계시 효율성을 높이고 최적화할 수 있도록 하는 선박 선체의 선형설계용 뉴로 퍼지시스템에 관한 것이다.
이를 위하여 본 발명은 뉴로 퍼지이론을 이용한 선체형상 설계시스템에 있어서, 소속 함수의 값이 가중치 역할을 하고 "0"과 "1"사이의 무차원화된 입력 데이터를 가중치의 활성 범위와 각 뉴런의 활성 범위를 동일하게 정의하여 입력 정보를 분산·저장하여 비선형 입력 데이터를 소속 함수들을 재 정의하는 정보 분산부(1)와, 상기 정보 분산부(1)에 연결되어 소속 함수를 정의하는 데이터 베이스(2a)와 패턴 정보규칙에 대한 정보부(2b)를 포함하며, 신경회로망에 적용하기 위한 다양한 패턴 유형이 정의되고, 신경회로망의 구조 인식을 위한 데이터 베이스(2c)도 포함하는 지식베이스 구축부(2)와, 상기 정보 분산부(1)에 연결되어 상기 지식베이스 구축부(2)에서 구축된 지식 베이스를 계속 참조하면서 추론을 위한 다양한 연산으로 결과를 추론하는 의사결정부(3)와, 상기 정보 분산부(1)와 지식베이스 구축부(2)에서 출력된 패턴 정보규칙에 의한 입력 패턴으로부터 신경회로망에 의해원하는 출력값을 추론하는 추론부(4)로 이루어진 것에 특징이 있다.

Description

뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법{Hull form design system with NeuroFuzzy modeling and the method of thereof}
본 발명은 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법에 관한 것으로써 더욱 상세하게는 주어진 입출력 데이터에 대한 정보를 퍼지 이론으로 분산·정리하여, 이를 신경회로망에 적용하는 방법으로, 무차원화된 입출력 데이터로부터 소속 함수로 각 입력 패턴을 재 정의한 후, 신경회로망으로 정보 처리하고, 뉴로 퍼지시스템의 혼합 학습방법을 적용함으로써 선박 선체의 선형설계시 효율성을 높이고 최적화할 수 있도록 하는 선박 선체의 선형설계용 뉴로 퍼지시스템에 관한 것이다.
일반적으로 선박의 선체 설계는 설계 요구 조건을 만족시키는 선박의 주요 요목을 결정하고, 최소의 비용으로 안전을 보장하는 부양성, 경제적이고 신속한 운송성, 그리고 최대의 적재성을 갖는 선박 건조를 목적으로 하는 일련의 의사 결정과정이다. 그러므로 선박 설계는 분석(Analysis)보다는 종합화(Systemization)에 중점을 두고 있는 시스템 공학(System engineering)의 분야에 속하고, 자연 과학과 기초 공학의 이해뿐만 아니라 기타 응용 분야에 대한 폭넓은 지식을 필요로 한다.
특히, 초기 선체의 선형 설계 단계에서는 이용 가능한 정보가 매우 한정되어 있고 비선형적인 특성을 가지는 설계 인자가 많기 때문에 유사 실적선을 바탕으로 설계를 수행하는 경우가 많으며, 설계자의 경험에 대한 의존도도 매우 높아 전문가의 지식에 해당하는 지능형 시스템에 대한 연구를 필요로 한다.
따라서, 지금까지 본 연구되어진 방법으로서는 모듈러 회로망과, 앤피스(ANFIS), 그리고 에이에스모드(ASMOD) 등이 제안되었으며, 각 시스템의 구조적 특징에 의한 주된 목적을 요약하면 다음과 같다.
상기 모듈러 회로망의 개발 목적은 퍼지 이론의 추론 규칙에서 전건부의 가중치와 후건부 출력을 신경 회로망으로 모듈화하여 시스템에 조정 능력을 부여하는 것이다. 즉, 각 퍼지 추론시스템의 내부 출력과 각 규칙의 가중치 및 출력을 모듈러 회로망으로 시스템화하여 퍼지 추론시스템의 주변 환경에 대한 적응 능력을 향상시킨 것이다.
상기 앤피스(ANFIS)의 개발 목적은 퍼지 추론시스템의 구조를 신경 회로망으로 구성하여 일괄 학습방법을 사용함으로써 소속 함수의 적응 능력과 학습 속도를 향상시키는 것이다. 즉, 일괄 학습방법은 퍼지 추론 규칙에서 전건부 소속 함수를 정의하는 매개변수들을 경사 강하법으로 조정하고, 후건부 선형식의 매개변수들을 칼만 필터(Kalman filter) 알고리즘을 사용하여 결정함으로써 주어진 조건에 대해최적의 퍼지 추론 시스템을 구현한 것이다.
상기 에이에스모드(ASMOD)의 개발 목적은 입력 변수의 증가에 대한 차원의 지수적 증가를 감소시키면서 원하는 출력값을 생성하는 최적의 시스템을 구현하는데 있다. 즉, 각 퍼지 규칙의 소속 함수를 B-spline 기저 함수로 정의하고, 전체 시스템 모델을 부모델의 합으로 표현함으로써 시스템의 복잡성을 최소화 한 것이다.
상기와 같은 방법을 적용하여 선박의 선체 선형 설계에 적용할 경우 입력 변수의 증가에 따라 퍼지 규칙이 지수 함수적으로 증가하게 되어 차원의 과대 증가 문제가 있을 뿐만 아니라 정밀성과 정확도가 저하되며, 처리속도에 있어 신속하지 못하는 문제점이 있다.
본 발명은 상기와 같은 문제점을 해소하기 위한 것으로서 선형 설계부에서 입출력 데이터의 비선형 특성을 정보 분산의 의미로 파악하여 시스템으로 구현하고자 하였으며, 2단계를 거쳐 주어진 입력 데이터의 정보를 시스템 내에 분산·저장하도록 하고, 에이에스모드(ASMOD)의 부모델 개념을 적용하여 최종 결과에 크게 영향을 미치지 않으면서 간략화된 선박 설계용 뉴로 퍼지 시스템을 구현할 수 있도록 한 것을 기술적 과제로 한다.
그리고, 선박 선체의 선형설계용 뉴로 퍼지시스템의 혼합 학습 알고리즘을 사용하여 시스템의 구조 인식에서 국소 최적해에 빠질 위험을 감소시켜 부분 학습에서 전제부의 매개변수를 무작위로 설정하여 신경회로망을 학습하고, 다음에 학습에 이들 정보를 사용함으로써 전역적 최적해를 탐색하도록 하였으며, 퍼지 규칙과 퍼지 추론을 기본 틀로 하여 신경회로망을 접목시킨 뉴로 퍼지 시스템의 경우 출력은 알고리즘 구현시 일반적으로 출력이 1개로 제한되어 있으나, 본 발명에서는 출력 변수의 개수를 자유롭게 설정하여 출력 변수들 간의 상관 관계를 가지도록 함으로써 정밀성과 정확도를 높일 수 있는 것을 기술적 과제로 한다.
도 1a는 에프엔(Fn)에 대한 그룹형을 나타내는 추진 계수의 데이터 분포도.
도 1b의 (가)는 분산형 분포를 나타내는 B/d 분포도.
(나)는 선미 형상 주요치수 B의 데이터 분포도.
도 2a는 본 발명에 따른 선박 선체의 선형설계용 뉴로 퍼지시스템 블록도.
도 2b는 본 발명에 따른 선박 선체의 선형설계용 뉴로 퍼지시스템의 정보분산 과정도.
도 3a는 본 발명에 따른 선박 선체의 선형설계용 뉴로 퍼지시스템과 퍼지 추론시스템의 구조의 비교도.
도 4는 정보분산부의 정보 분산과정을 부모델 개념도.
도 5a 내지 도 5c는 본 발명에 다른 선박 선체의 선형설계용 뉴로 퍼지시스템의 학습방법의 유형도.
도 6a는 본 발명에 따른 선박 선체의 선형설계용 뉴로 퍼지시스템의 실시예에서의 모델링 결과 각 입력 변수에 대한 퍼지 유니트.
도 6b는 도 6a의 퍼지 유니트들의 결합 방법 및 신경회로망의 구조도.
도 7a은 실시예 2에서 선박 선체의 선형설계용 뉴로 퍼지시스템 모델링 결과각 입력 변수에 대한 퍼지 유니트.
도 7b는 실시예 2에서의 퍼지 유니트들의 결합방법 및 신경회로망의 구조도.
〈도면의 주요부분에 대한 부호의 설명〉
1 : 정보분산부 2 : 지식베이스 구축부
2a : 데이터 베이스 2b : 패턴부
2c : 데이터 베이스 3 : 의사결정부
4 : 추론부
이하 첨부된 도 1a 내지 도 7b에 의해 본 발명을 상세히 설명하면 다음과 같다.
먼저 선박 선체 선형 설계에서 각 선형 요소, 성능 계수 및 선형의 기하학적 특성 계수 등의 데이터 분포 유형을 보면 크게 그룹형(Group type)과 분산형(Scattered type)으로 분류할 수 있다.
즉, 그룹형은 유사한 선종 및 선형 요소에 따라 데이터가 그룹으로 분포한것으로서, 도 1a는 에프엔(Fn)에 대한 그룹형을 나타내는 추진 계수의 데이터 분포를 나타낸 것이며, 분산형은 선종 및 선형 요소가 일정한 유형을 갖지 않는 분산형 분포를 나타낸 것으로 도 1b의 (가)에 도시된 분산형 분포를 나타내는 B/d와 도 1b의 (나)에 도시된 Ea에 대한 선미 형상 주요치수 B의 데이터 분포를 보여준다.
이와 같은 선형 설계 데이터 분포의 특성으로 인해 초기 선형 설계 작업은 실적선에 대한 경험 데이터와 설계 전문가의 축적된 경험 지식에 전적으로 의존하고 있다.
본 발명에 따른 선박 선체의 선형설계용 뉴로 퍼지시스템은 도 2a와 같이 기본적으로 정보분산부(1), 지식베이스 구축부(2), 의사결정부(3), 추론부(4)의 4개 구성 요소로 이루어져 있으며, 그 기능은 다음과 같다.
상기 정보 분산부(1)는 비선형 입력 데이터를 소속 함수들을 사용하여 재 정의하는 역할을 하는 것이다. 즉, 퍼지 규칙에서는 소속 함수의 값이 가중치 역할을 하지만, 선박 선체의 선형설계용 뉴로 퍼지시스템에서는 도 2b에서와 같이 "0"과 "1"사이의 무차원화된 입력 데이터를 사용하여 가중치의 활성 범위와 각 뉴런의 활성 범위를 동일하게 정의함으로써 입력 정보를 분산·저장함을 의미한다.
따라서, 각 퍼지 규칙에서 재 정의된 활성값들은 추론 부분의 입력 패턴이 되므로 퍼지 규칙과 구별하여 이하 "패턴 정보규칙(Pattern information rule)"이라 칭한다.
상기 지식베이스 구축부(2)는 소속 함수를 정의하는 데이터 베이스(2a)와 패턴 정보규칙에 대한 정보를 포함하고 있으며, 신경회로망에 적용하기 위해 다양한 패턴(2b) 유형을 가지도록 정의되어야 하고, 신경회로망의 구조 인식을 위한 데이터 베이스(2c)도 포함한다.
상기 의사결정부(3)는 지식베이스 구축부(2)에서 구축된 지식 베이스를 계속 참조하면서 추론을 위한 다양한 연산으로 결과를 추론하는 부이다.
상기 추론부(4)는 정보 분산부(1)에서 출력된 패턴 정보규칙에 의한 입력 패턴으로부터 신경회로망에 의해 원하는 출력값을 추론하는 역할을 한다.
상기 정보 분산부(1)에 의한 패턴 정보규칙에 있어 선박 선체의 선형설계용뉴로 퍼지의 구조식은 아래의 (식 1)과 같이 전제부와 결론부로 구성된다.
여기서x i 는 입력 변수이고,는 소속 함수이다.p i 는i번째 퍼지규칙에 해당하지만 신경회로망의 입력 패턴을 형성한다는 의미에서 "i번째 패턴 정보 규칙(i'th pattern information rule)"이라 한다. "" 기호는 전부에서의 출력이 직접 다음 부로 연결됨을 의미한다.
도 3a의 (가), (나)는 선박 선체의 선형설계용 뉴로 퍼지시스템과 퍼지 추론시스템의 구조를 비교하여 도시한 것으로서, 퍼지 유니트의 소속 함수는 삼각형, 사다리꼴, 종형 등으로 있지만, 본 발명에서는 사다리꼴의 소속 함수를 사용하였다. 즉, 최적의 소속 함수를 결정하는 문제는 도 3a의 (다)와 같이 전제부 매개변수의 위치를 결정하는 것으로 귀결된다.
이는 도 3a의 (다)에 도시된 a, b, c, d에 의해 정의되는 사다리꼴 소속 함수를 퍼지 유니트로 정의하며, 퍼지 유니트는 2개의 퍼지 분할을 나타낸다. 즉, 도 3a의 (라)에서와 같이 퍼지 분할 개수가 "2"이면 퍼지 유니트가 "1"이고, 퍼지 분할 개수가 "3"이면 퍼지 유니트는 "2"이다.
이와 같이 전제부 매개변수의 미지수를 최소화하기 위해 도 3a의 (다)에서퍼지 유니트 식을 아래와 같이 정의하였다.
여기에서 aij, bij, cij, dij: i번째 변수에서 j번째 퍼지 unit의 매개변수
xi: i번째 변수에서 j번째 퍼지 unit의 초기 설정값
: 0∼1 사이의 값. 즉 매개변수들 사이 간격의 비율
다음은 선박 선체의 선형설계용 뉴로 퍼지시스템에서의 퍼지 공간의 분할에 대하여 설명하면 다음과 같다.
설계 변수들이 입력될 때 선박 선체의 선형설계용 뉴로 퍼지시스템은 이들 정보들을 퍼지 공간 내에 사상하여 입력 정보를 분산하게 되며, 이때 입력 변수의 개수가 증가할 때 공간의 차원은 지수적으로 증가하는 차원의 과대 증가를 초래하게 되나, 에이에스모드(ASMOD)에서는 전체 모델을 부모델로 분해하여 표현함으로써 이러한 문제를 극복하고 있다.
따라서 선박 선체의 선형설계용 뉴로 퍼지시스템에서도 에이에스모드의 부 모델 개념을 전제부에 적용하여 모델링한다. 즉, 주어진 입력 변수a i 의 개수가l이고, 각 변수에 대한 소속 함수에 의한 언어 수준이m개로 정의되면 퍼지 공간분할은 최대m l 부분으로 분할된다.
이는 선박 선체의 선형설계용 뉴로 퍼지시스템에서 입력 변수의 개수가 증가함에 따라 패턴 정보규칙의 개수가 지수적으로 증가함을 의미하고, 따라서 최종 결과에 크게 영향을 미치지 않는 입력 변수간의 관계는 제거하여 서로 상관 관계가 큰 입력 변수들만 연결함으로써 퍼지 공간 분할을 하고, 이들이 서로 합해져서 전체 패턴 정보규칙을 구성하게 되며, 이의 구성식은 아래와 같다.
여기서 x는 전체 입력 변수 벡터이며,는⊆x인 부분 입력 변수 벡터이고,p i 는i번째 패턴 정보 규칙이며,s j 는i번째 패턴 정보 규칙을 구성하는 부모델을 나타낸 것이며, 도 4에 의해 정보 분산과정을 부모델 개념으로 나타낸 것이다.
가령 예를 들면 입력 변수a i 의 개수가 6 이고, 각 변수는 "작은", "중간", "큰"과 같은 3개의 언어 변수를 가진다고 하면 전체 퍼지 공간 분할은 36=729 이다.
그러나 입력 변수의 상관성을 고려해서 전체 모델을 다음과 같은 부모델로 분해된다고 하면
전체 퍼지 공간 분할은 33+32+33=63이 되어 현저한 차원 감소를 보인다.
또한, 선박 선체의 선형설계용 뉴로 퍼지시스템에서의 성능 기준은 아래의 (식 4), (식 5)와 같이 추론값과 실제값과의 차의 합으로 정의된다.
여기서,및Error p는 입력 패턴p에 대한 실제값, 추론값 및 오차이고,ERROR는 전체 패턴에 대한 오차를 나타낸다.
다음은 도 5a 내지 도 5c에 의해 선박 선체의 선형설계용 뉴로 퍼지시스템에서의 학습 알고리즘에 대하여 설명하면 다음과 같다.
선박 선체의 선형설계용 뉴로 퍼지시스템의 학습은 전제부 패턴 정보규칙의 구조 인식과 결론부 신경회로망의 구조 인식으로 구분하여 수행되며, 학습을 수행하기 전에 입력 변수의 설정 및 각 변수에 대한 퍼지 유니트의 설정, 입력변수의 물리적·기하학적 상관 관계로부터 부모델 구성, 신경회로망의 입력변수 및 출력변수의 개수 결정, 은닉층과 뉴런의 개수 결정, 초기 연결 가중치의 설정방법, 학습률, 모멘텀, 바이어스 등의 사항을 설정해야 한다.
상기 조건이 결정되면 선박 선체의 선형설계용 뉴로 퍼지시스템은 도 5a 내지 도 5c와 같은 3가지 유형의 학습방법으로 학습을 수행할 수 있다.
즉, 도 5a는 유형 1로서, 전제부의 구조와 결론부 신경회로망의 구조를 설계자의 경험에 의해 설정한 뒤, 성능 기준식인 (식 4)를 최소화하도록 충분한 학습 회수를 주거나 허용 범위내에 도달하도록 학습하는 방법으로, 이 유형은 조기 수렴 (Predominamt convergence)하거나 국부 최소해에 빠질 위험이 있으므로 설계자의초기 조건 설정에 따라 그 결과가 크게 좌우된다.
또한, 도 5b는 유형 2로서 결론부의 신경회로망의 학습회수를 고정해 두고, 퍼지 유니트들을 구성하는 매개변수들을 무작위로 설정하여 계속 반복 학습을 수행하는 방법으로 다음과 같이 부별로 수행될 수 있다.
(1 단계) 전제부와 결론부 구조를 결정한 뒤 후건부의 학습 회수를 적절하게 고정시킨다.
(2 단계) 전제부를 구성하는 퍼지 unit의 매개변수들을 무작위로 설정한다.
(3 단계) 결론부 신경회로망에 주어진 전제부 구조와 학습 회수에 따라 학습을 수행하며, 이때 학습이 끝날 때마다 연결 가중치에 대한 정보를 저장하고 새로운 학습이 시작될 때 이들 정보를 참조한다.
(4 단계) 종료조건(허용 오차 범위)를 만족할 때까지 (2 단계)와(3 단계)를 반복하여 수행하는 것으로써, 이 유형은 퍼지 유니트를 구성하는 매개변수들을 무작위로 변화시켜 가면서 이전의 신경회로망의 구조 정보를 인식하므로 국부적인 최적해에 빠질 위험은 없지만 주어진 문제에 대한 정확한 신경회로망의 구조 인식이 어렵다.
그리고 도 5c는 도 5a의 유형 1과 도 5b의 유형 2를 결합한 방법으로써, 초기에는 유형 2의 방법을 사용하여 전역적 탐색을 수행한 후, 다음에 유형 1을 사용하여 최적의 선박 선체의 선형설계용 뉴로 퍼지시스템 구조를 결정하는 방법으로써, 본 발명에서는 유형 3의 방법으로 선박 선체의 선형설계용 뉴로 퍼지시스템을 학습하였다.
이와 같은 구성으로 이루어지는 본 발명의 실시예 1을 설명하면 다음과 같다.
먼저 본 발명에서 선박 선체의 선형설계용 뉴로 퍼지시스템의 수학적·공학적 적용은 수치적인 추론 과정의 효율성 및 초기 선박 설계에서의 유용성을 확인하기 위해 수학적 데이터와 선박의 주요 치수의 추정에 대해 선박 선체의 선형설계용 뉴로 퍼지시스템을 적용하였다.
즉, 수학적 데이터대한 적용하기 위해 아래의 (식 6)과 같은 3입력 1출력 형태를 고려하였다.
상기 (식 6)에 더미(Dummy)변수 z4를 부가하여, 아래의 표 1과 같이 z1, z2, z3, z4를 입력 변수로 하고 y를 출력 변수로 하는 입출력 데이터를 설정하였다.
이때, 20개의 데이터는 모델링에 사용되고, 나머지 20개의 데이터는 시험용으로 사용되었으며, 입력 변수는 모두 정수이지만 출력값은 실수값을 가진다.
선박 선체의 선형설계용 뉴로 퍼지시스템의 학습은 유형 3으로 수행하고, 학습주기는 100번으로 하였으며, 초기 200번은 유형 2로 수행하고 나머지는 유형 1로 학습을 수행하여 총 1000번의 학습을 수행하였다. 그리고 학습률과 모델텀은 각각 0.8과 0.3으로 설정하였다.
(표 1) 입력-출력 데이터
도 6a는 선박 선체의 선형설계용 뉴로 퍼지시스템의 실시예에서 표 1의 모델링 결과 각 입력 변수에 대한 퍼지 유니트들이고, 도 6b는 표 1의 퍼지 유니트들의 결합 방법 및 신경회로망의 구조를 도식화 한 것이다.
도 6c의 (가)는 학습이 수행되는 동안 오차의 진행 상황을 도시한 것이며, 도 6c의 (나)는 모델링에 사용된 학습용 데이터와 모델링에 사용되지 않은 시험용 데이터에 대한 실제값과 추론값을 비교한 것으로 학습용 데이터에 대한 오차율은 2.57%정도이고, 시험용 데이터에 대해서는 오차율이 3.245%정도임을 나타낸다.
다음은 초기 선박 설계의 주요 치수 추정에 대한 적용과정을 실시예 2에 의해 설명하면 다음과 같다.
먼저 선박 설계시 조선소에서는 설계 요구 조건 아래 주요 치수와 마력 추정을 해보고 기본 성능을 검토하기 위해서는 초기 주요 치수 및 선형 요소의 결정은 신속해야 하며, 변경에 따른 설계 수정에 유연성이 있어야 하나, 많은 조선소에서는 초기의 설계 과정이 숙련된 전문가의 판단에만 의존하며, 선주의 요구 조건에 포함된 선형의 물리적·기하학적 특성과 성능 사이의 관계를 파악한다 하더라도, 이를 입력과 출력사이의 결정 시스템으로 표현하지는 못하고 있다.
따라서, 초기 선박 설계에서 설계 요구 조건과 주요 치수라는 입출력 사이의 관계를 찾을 수 있다면, 보다 짧은 시간에 다양한 설계 요구 조건에 대응하는 주요치수 추정 및 이를 토대로 한 선형 설계를 수행할 수 있을 것이다.
본 발명에서는 선박의 초기 설계 조건에 따른 주요 치수 추정에 선박 선체의 선형설계용 뉴로 퍼지시스템을 적용하였다.
설계 조건 및 설계 변수는 표 2와 같으며, 선형은 벌크(Bulker)와 탱크(Tanker)의 두가지로 구성되어 있다.
(표 2)
상기 표 2의 설계 범위 내에 있는 20개의 실적선 데이터 중에서 벌크 18 - 벌크 6척, 탱크 12척 - 이 모델링에 사용되었고, 2척 - 벌크 1척, 탱크 1척 - 이모델 시험용으로 사용되었다.
본 발명에서는 주요 치수 - 수선 간장(Length between perpendiculars:Lbp), 선폭(Breadth:B) - 에 대한 선박 선체의 선형설계용 뉴로 퍼지시스템 모델링을 수행하고, 그 결과를 검토하였다.
선박 선체의 선형설계용 뉴로 퍼지시스템의 학습은 유형 3으로 수행하고, 학습 주기는 200번으로 하였다. 초기 200번은 유형 2로 수행하고, 나머지는 유형 1로 학습을 수행하여 총 102,000번의 학습을 수행하였다. 학습률과 모델텀은 각각 0.8과 0.3으로 설정하였고, 전술한 실시예 1의 수학적 데이터에 대한 적용과는 달리 출력층의 뉴런이 2개 - Lbp와 B - 이다.
도 7a의 (가)는 실시예 2에서 선박 선체의 선형설계용 뉴로 퍼지시스템 모델링 결과 각 입력 변수에 대한 퍼지 유니트들을 나타내고, 도 7b의 (나)는 실시예 2에서의 퍼지 유니트들의 결합 방법 및 신경회로망의 구조를 도식화한 것이다.
도 7b의 (가)는 실시예 2에서 학습이 수행되는 동안 오차의 진행 상황을 나타낸 것이며, 도 7b의 (나), (다)는 실시예 2에서 모델링에 사용된 학습용 데이터와 모델링에 사용되지 않은 시험용 데이터에 대한 실제값과 추론값을 비교한 것으로써, 학습용 데이터에 대한 오차율이 Lbp는 1.429%이고, B는 3.347%정도이며, 전체 평균 오차율은 2.388%이다.
선박 선체의 선형설계용 뉴로 퍼지시스템의 모델링 결과는 실제값을 잘 반영하고 있으며, 2개의 출력을 신경회로망에 의해 동시에 고려함으로써 상호 연관된 시스템을 구성을 할 수 있게 한다. 그리고 선박 선체의 선형설계용 뉴로 퍼지시스템에 의해 수선간장을 추정할 때 벌크보다 탱크의 추정값이 더 정확하게 근사하는데, 이는 모델링에 사용된 입출력 데이터의 수가 2배로 많아서 후건부 신경회로망의 학습이 탱크성을 기준으로 이루어졌기 때문이다.
따라서, 충분한 입출력 데이터만 주어진다면 보다 정확한 값을 추론할 수 있으며, 이는 신경회로망의 특성에 따라 실적선의 데이터가 축적되어 감에 따라 보다 정확한 뉴로 퍼지 시스템으로 안정됨을 의미한다.
이상에서 상술한 바와 같이 본 발명에 따른 선박 선체의 선형설계용 뉴로 퍼지시스템의 구조, 학습방법, 수학적·공학적 적용예로부터 그 특징과 효과를 정리하면 다음과 같다.
첫째는, 선형 설계 부에서 입출력 데이터의 비선형 특성을 정보 분산의 의미로 파악하여 시스템으로 구현하고자 하였으며, 다음의 2단계를 거쳐 주어진 입력데이터의 정보를 시스템 내에 분산·저장하도록 되어있다.
즉, 1단계는 입력정보를 퍼지 유니트들을 사용하여 전제부 패턴 정보규칙을 구성하고, 이것은 선형 분리 불가능한 문제를 선형 분리 가능 문제로 변환하는 역할을 하도록 한 것이며, 2단계는 상기 1단계에서 분산된 입력 정보는 신경회로망의 입력 패턴이 되어 학습을 통해 신경회로망의 내부 구조에 인식되는 것으로 이는 입력 패턴의 정보를 신경회로망 내에 분산·저장하는 역할을 한다.
둘째는, 기존의 퍼지 추론 시스템은 입력 변수의 증가에 따라 퍼지 규칙이 지수 함수적으로 증가하게 되어 차원의 과대 증가 문제가 있었으나, 본 발명은 이러한 문제를 극복하기 위해 에이에스모드(ASMOD)의 부모델 개념을 적용하여 최종결과에 크게 영향을 미치지 않으면서 간략화된 선박 설계용 뉴로 퍼지 시스템을 구현할 수 있도록 한 것이다.
셋째는, 선박 선체의 선형설계용 뉴로 퍼지시스템의 혼합 학습 알고리즘을 사용하여 시스템의 구조 인식에서 국소 최적해에 빠질 위험을 감소시킨 것으로써, 부분 학습에서 전제부의 매개변수를 무작위로 설정하여 신경회로망을 학습하고, 다음에 학습에 이들 정보를 사용함으로써 전역적 최적해를 탐색해 간다.
넷째는, 퍼지 규칙과 퍼지 추론을 기본 틀로 하여 신경회로망을 접목시킨 뉴로 퍼지 시스템의 경우 출력은 알고리즘 구현시 일반적으로 출력이 1개로 제한되어 있으나, 본 발명에서는 출력 변수의 개수를 자유롭게 설정하여 출력 변수들 간의 상관 관계를 가지도록 함으로써 정밀성성 정확도를 높일 수 있는 효과가 있는 것이다.

Claims (2)

  1. 뉴로 퍼지이론을 이용한 선체형상 설계시스템에 있어서,
    소속 함수의 값이 가중치 역할을 하고 "0"과 "1"사이의 무차원화된 입력 데이터를 가중치의 활성 범위와 각 뉴런의 활성 범위를 동일하게 정의하여 입력 정보를 분산·저장하여 비선형 입력 데이터를 소속 함수들을 재 정의하는 정보 분산부(1)와,
    상기 정보 분산부(1)에 연결되어 소속 함수를 정의하는 데이터 베이스(2a)와 패턴 정보규칙에 대한 정보부(2b)를 포함하며, 신경회로망에 적용하기 위한 다양한 패턴 유형이 정의되고, 신경회로망의 구조 인식을 위한 데이터 베이스(2c)도 포함하는 지식베이스 구축부(2)와,
    상기 정보 분산부(1)에 연결되어 상기 지식베이스 구축부(2)에서 구축된 지식 베이스를 계속 참조하면서 추론을 위한 다양한 연산으로 결과를 추론하는 의사 결정부(3)와,
    상기 정보 분산부(1)와 지식베이스 구축부(2)에서 출력된 패턴 정보규칙에 의한 입력 패턴으로부터 신경회로망에 의해 원하는 출력값을 추론하는 추론부(4)로 이루어진 것을 특징으로 하는 뉴로 퍼지이론을 이용한 선체형상 설계시스템.
  2. 정보분산부(1), 지식베이스 구축부(2), 의사결정부(3), 추론부(4)로 구성되는 뉴로 퍼지이론을 이용한 선체형상 설계시스템에 있어서,
    전제부와 결론부 구조를 결정하고, 후건부의 학습 회수를 적절하게 고정시키는 제 1 단계와,
    상기 전제부를 구성하는 퍼지 유니트의 매개변수들을 무작위로 설정하는 제 2 단계와,
    상기 전제부 구조와 학습 회수에 따라 학습을 수행하여 학습이 끝날 때마다 연결 가중치에 대한 정보를 저장하고 새로운 학습이 시작될 때 이들 정보를 참조하는 제 3 단계와,
    상기 제 3 단계 수행후 종료조건(허용 오차범위)을 만족할 때까지 상기 제 및 제 3 단계를 반복하여 수행하는 제 4 단계로 이루어지는 것을 특징으로 하는 뉴로 퍼지이론을 이용한 선체형상 설계방법.
KR1020020000367A 2001-12-31 2001-12-31 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 KR20020023993A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020020000367A KR20020023993A (ko) 2001-12-31 2001-12-31 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020020000367A KR20020023993A (ko) 2001-12-31 2001-12-31 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20020023993A true KR20020023993A (ko) 2002-03-29

Family

ID=19718151

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020020000367A KR20020023993A (ko) 2001-12-31 2001-12-31 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR20020023993A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN109508470A (zh) * 2017-09-22 2019-03-22 广东工业大学 基于深度神经网络学习的建立船舶重量计算模型的方法
CN109711707A (zh) * 2018-12-21 2019-05-03 中国船舶工业系统工程研究院 一种船舶动力装置综合状态评估方法
KR102025491B1 (ko) * 2018-04-03 2019-09-25 순천향대학교 산학협력단 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법
CN111619755A (zh) * 2020-06-09 2020-09-04 中国船舶科学研究中心 一种基于卷积神经网络的船体型线设计方法
CN114141333A (zh) * 2021-12-08 2022-03-04 山东大学 基于自适应神经模糊推理的智能心肺复苏机力学控制系统
CN114141333B (en) * 2021-12-08 2024-04-30 山东大学 Intelligent heart-lung resuscitator mechanical control system based on self-adaptive neuro fuzzy reasoning

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
KR19990074013A (ko) * 1998-03-05 1999-10-05 신종계 선체 외판의 곡면가공방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
KR19990074013A (ko) * 1998-03-05 1999-10-05 신종계 선체 외판의 곡면가공방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문(Fuzzifier, Knowledge Base(Rule base), Inference Engine, Defuzzifer으로 구성된 퍼지 제어 시스템과 학습능력을 가진 신경회로망이 결합하여 원하는 결과를 갖기 위해 error에 따라 turning하는 뉴로 퍼지 제어 시스템 [본문],1995.01.03) *
논문(입출력 테이터에 대한 정보를 퍼지규칙으로 분산 정리하여 시스템화 한것으로 전제부와 결론부로 구성되고, 정보분산부, 정보부, 의사결정부, 추론부의 4개의 구성요소로 분리할 수 있는 선형 설계용 뉴로 퍼지 시스템 [본문 및 Fig3],1998.12.03) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN109508470A (zh) * 2017-09-22 2019-03-22 广东工业大学 基于深度神经网络学习的建立船舶重量计算模型的方法
CN109508470B (zh) * 2017-09-22 2022-06-14 广东工业大学 基于深度神经网络学习的建立船舶重量计算模型的方法
KR102025491B1 (ko) * 2018-04-03 2019-09-25 순천향대학교 산학협력단 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법
CN109711707A (zh) * 2018-12-21 2019-05-03 中国船舶工业系统工程研究院 一种船舶动力装置综合状态评估方法
CN109711707B (zh) * 2018-12-21 2021-05-04 中国船舶工业系统工程研究院 一种船舶动力装置综合状态评估方法
CN111619755A (zh) * 2020-06-09 2020-09-04 中国船舶科学研究中心 一种基于卷积神经网络的船体型线设计方法
CN111619755B (zh) * 2020-06-09 2021-05-04 中国船舶科学研究中心 一种基于卷积神经网络的船体型线设计方法
CN114141333A (zh) * 2021-12-08 2022-03-04 山东大学 基于自适应神经模糊推理的智能心肺复苏机力学控制系统
CN114141333B (en) * 2021-12-08 2024-04-30 山东大学 Intelligent heart-lung resuscitator mechanical control system based on self-adaptive neuro fuzzy reasoning

Similar Documents

Publication Publication Date Title
Sulzberger et al. FUN: Optimization of fuzzy rule based systems using neural networks
Jang Input selection for ANFIS learning
Wang et al. Back-propagation fuzzy system as nonlinear dynamic system identifiers
Jantzen Neurofuzzy modelling
Hung et al. Object-oriented backpropagation and its application to structural design
Dunyak et al. Fuzzy regression by fuzzy number neural networks
Amador-Angulo et al. Comparison of fuzzy controllers for the water tank with type-1 and type-2 fuzzy logic
KR20020023993A (ko) 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법
Ray et al. Neural network applications in naval architecture and marine engineering
Gupta et al. Fuzzy neuro-computational technique and its application to modelling and control
Abiyev Fuzzy wavelet neural network for prediction of electricity consumption
Meng Experimental design and decision support
Sim et al. Design of fuzzy controller using schema coevolutionary algorithm
Lughofer et al. Online adaptation of Takagi-Sugeno fuzzy inference systems
Averkin et al. The fuzzy modelling relation and its application in psychology and artificial intelligence
Yeun et al. Implementing linear models in genetic programming
Pikuliak Development of an adaptive module of the distance education system based on a hybrid neuro-fuzzy network
Shine et al. Attribute selection for neural network-based adaptive scheduling systems in flexible manufacturing systems
Tamargazin et al. Neural network interpolation parameters of a multi-mode dynamic model of the aircraft engine
Nechaev et al. Design of ship-board control system based on the soft computing conception
Hajela et al. Classifier systems for enhancing neural network-based global function approximations
Kim et al. Wake distribution prediction on the propeller plane in ship design using artificial intelligence
Jrad et al. Self-Learning, Adaptive Software for Aerospace Engineering Applications: Example of Oblique Shocks in Supersonic Flow
Nowicki et al. Rough fuzzy classification systems
NISHIMURA et al. Estimating containership handling times in a container terminal

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application