Type-2 퍼지 시스템은 기존의 Type-1 퍼지 시스템보다 훨씬 더 복잡한 불확실성을 효과적으로 처리할 수 있는 강력한 도구입니다. 본 연구실은 Type-2 퍼지 집합, 특히 Interval Type-2 퍼지 집합(IT2 FSs)을 중심으로 다양한 퍼지 시스템의 이론적 기반을 구축하고, 실제 데이터에 적용할 수 있는 새로운 알고리즘을 개발하고 있습니다. 이를 통해 패턴 인식, 신호 처리, 영상 분석 등 다양한 분야에서 발생하는 불확실성을 정량적으로 모델링하고, 더욱 신뢰성 있는 결과를 도출할 수 있습니다. Type-2 퍼지 시스템의 핵심은 멤버십 함수의 불확실성을 추가적으로 표현할 수 있다는 점입니다. 연구실에서는 퍼지화 상수(fuzzifier) 결정, 멤버십 함수 생성, 타입-리덕션(type-reduction) 기법 등 Type-2 퍼지 시스템의 주요 요소를 심도 있게 연구하고 있습니다. 특히, 퍼지화 상수의 적응적 결정 방법, 히스토그램 기반 멤버십 함수 생성, 다양한 타입-리덕션 알고리즘의 효율화 등 실질적인 성능 향상에 초점을 맞추고 있습니다. 이러한 연구는 패턴 인식, 클러스터링, 신경망 등 다양한 인공지능 응용 분야에서 불확실성에 강인한 모델을 설계하는 데 중요한 역할을 합니다. 실제로 본 연구실의 알고리즘은 의료 영상 분석, 이미지 분할, 신호 처리 등 다양한 실제 문제에 적용되어 우수한 성능을 입증하고 있습니다. 앞으로도 Type-2 퍼지 시스템의 이론적 발전과 실용적 응용을 동시에 추구할 예정입니다.

퍼지 클러스터링은 데이터 내에 존재하는 불확실성과 모호성을 효과적으로 처리할 수 있는 대표적인 비지도 학습 방법입니다. 본 연구실은 Fuzzy C-Means(FCM), Possibilistic C-Means(PCM), 그리고 이들의 Type-2 확장 알고리즘 등 다양한 퍼지 클러스터링 기법을 개발하고, 실제 데이터 분석에 적용하고 있습니다. 특히, 커널 기반 퍼지 클러스터링, 다중 커널(Multiple Kernels) 기법, 가우시안 혼합 모델 기반 퍼지 클러스터링 등 복잡한 데이터 구조와 노이즈에 강인한 알고리즘을 연구하고 있습니다. 패턴 인식 분야에서는 퍼지 클러스터링을 기반으로 한 다양한 분류 및 인식 알고리즘을 개발하고 있습니다. 예를 들어, 퍼지 서포트 벡터 머신(Fuzzy SVM), 퍼지 신경망, 퍼지 K-최근접 이웃(Fuzzy K-NN) 등 퍼지 이론을 접목한 다양한 패턴 분류 기법을 연구하고 있습니다. 이러한 알고리즘은 영상 분할, 얼굴 인식, 의료 영상 분석 등 실제 응용 분야에서 탁월한 성능을 보이고 있습니다. 연구실은 퍼지 클러스터링의 이론적 발전뿐만 아니라, 실제 데이터에 적용 가능한 실용적 알고리즘 개발에도 주력하고 있습니다. 다양한 국제 학술지와 학회에서 연구 성과를 발표하고 있으며, 산업체 및 타 연구기관과의 협력을 통해 실제 문제 해결에도 기여하고 있습니다. 앞으로도 퍼지 클러스터링과 패턴 인식 분야에서 선도적인 연구를 지속할 계획입니다.