강건 퍼지 변환 기반 함수 근사 및 퍼지 회귀 분석

Robust Fuzzy Transform for Function Approximation and Fuzzy Regression

연구 내용

L1 기반 최소 절대 편차와 퍼지 변환을 결합하여 데이터 압축·복원 및 함수 근사 성능을 개선하는 강건 퍼지 회귀 분석 연구

퍼지 변환(Fuzzy Transform)을 데이터 압축과 함수 근사 문제에 적용하고, 중심(center)과 퍼짐(spread)의 표현 차이를 반영하는 추정 프레임을 구성합니다. 특히 최소 제곱(L2) 방식이 가지는 이상치 민감도를 줄이기 위해 최소 절대 편차(L1) 기반의 강건 최적화로 퍼지 변환을 설계합니다. 또한 퍼지 회귀에서 분산 관련 항을 그룹화하는 변환 전략을 사용해 추정의 분리성과 예측 안정성을 확보합니다. 결과적으로 잡음 및 이상치가 존재하는 데이터에서 복원·근사 성능을 향상시키는 차별성을 보유합니다.

관련 프로젝트

0건

연구 흐름

초기에는 퍼지 변환과 least-squares 및 비교 기반의 성능 차이를 체계적으로 정리하여 함수 근사와 데이터 압축에서의 적용 가능성을 확인했습니다. 이후 최소 절대 편차 기반의 강건 퍼지 변환 알고리즘을 제안하고, 반복 가중치 방식 등을 통해 이상치에 대한 복원·근사 성능을 강화하는 방향으로 연구를 확장했습니다. 최근에는 퍼지 회귀 모델에서 중심과 퍼짐의 독립 추정 구조를 설계하고, 다양한 데이터 유형에 대응하기 위한 alpha-cut 기반의 Lasso 정규화 형태를 포함하여 모델링 범위를 넓히는 연구를 수행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

이상치 강건 데이터 압축
신호 및 시계열 복원
함수 근사 기반 예측 모델링
퍼지 회귀 파라미터 추정
적은 데이터의 안정적 학습
노이즈 감소 전처리
데이터 유형별 차별화된 정규화
해석 가능한 회귀 모델 설계
패턴 인식용 피처 변환
산업 계측 데이터 보정