Fuzzy clustering and evolutionary heuristic-based feature selection
연구 내용
불확실성을 내재한 데이터에서 퍼지 군집 타당도와 클러스터링을 정량화하고, 진화·멤네틱 알고리즘으로 다중라벨 특성을 선택하는 연구
클러스터링과 특성 선택은 데이터 분석 전처리 단계에서 성능을 좌우하며, 데이터의 경계가 명확하지 않은 경우에는 불확실성을 모델에 반영할 필요가 있습니다. 본 연구에서는 퍼지 접근을 통해 색상 데이터와 같이 인접한 범주 사이의 애매함을 연속적인 소속도로 표현하는 퍼지 컬러 모델을 구성하고, 이에 기반한 퍼지 클러스터링 알고리즘을 개발합니다. 또한 퍼지 c-means로 얻어진 군집의 품질을 평가하기 위해, 군집 간 근접도를 이용해 중첩 정도를 해석하는 타당도 지표를 제안합니다. 더불어 다중라벨 문제에서 유효한 특징 부분집합을 찾기 위해 유전 알고리즘과 지역 탐색을 결합한 멤네틱 알고리즘 기반의 피처 셀렉션 절차를 설계하여 패턴 인식 성능과 계산 효율 사이의 균형을 고려합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 퍼지 논리를 기반으로 군집의 경계와 소속도를 정교하게 다루기 위한 모델링 방향을 설정하였습니다. 이후 퍼지 컬러 모델을 통해 색상 데이터의 불확실성을 반영한 클러스터링 알고리즘을 구성하고, 군집 프로토타입을 소속도 중심으로 표현하는 방법을 정리했습니다. 그 다음 단계에서는 퍼지 군집 결과의 품질을 판단하기 위한 유효성 지표를 제안하여, 군집 간 중첩 정도를 근접도 관점에서 해석하도록 확장하였습니다. 병행하여 다중라벨 데이터의 특징 선택 문제로 연구 축을 넓히고, 멤네틱 알고리즘을 이용한 진화 휴리스틱 최적화 전략을 적용하는 흐름으로 발전하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Effective memetic algorithm for multilabel feature selection using hybridization-based communication
Fuzzy color model and clustering algorithm for color clustering problem
A new validity measure for fuzzy c-means clustering