Earticle

본 논문에서는 커널 Extreme Learning Machine을 기반으로 하여 최적화 기법들 중의 하나인 입자 군집 최적화 기법을 이용한 설계 기법을 제시한다. 제안된 Kernel Extreme Learning Machine은 기존에 사용되어지는 뉴럴 네트워크의 단점을 개선한 네트워크이다. 다시 말하면, 뉴럴 네트워크의 단점인 느린 학습속도를 개선한 네 트워크이다. 일반적으로 뉴럴 네트워크의 히든 노드들은 랜덤 초기화 후 오류 역전파 알고리즘을 이용하여 학습 한다. 이와 같은 오류 역전파 알고리즘은 매우 느린 학습속도를 보인다. 이와 같은 단점을 해결하기 위하여, Kernel Extreme Learning Machine의 히든 노드들은 랜덤 초기화 되고 학습되지 않고 출력층의 연결 하중만 학습 되어진다. 이와 같은 장점을 가진 Kernel Extreme Learning Machine의 구조를 최적화하기 위하여 입자 군집 최적 화 기법을 사용한다. 제안된 설계 방법을 적용하여 설계된 모델의 일반화 성능의 우수성을 보이기 위하여, 다수 의 머신러닝 데이터들을 이용하여 실험하고 실험을 통해 얻은 결과를 비교 평가하였다.

In this paper, we proposed the design method of Extreme Learning Machine which is optimized by using Particle Swarm Optimization Technique. Extreme Learning Machine is the improved version of the conventional neural networks which have a very slow learning speed based on the back-propagation algorithm. In the conventional neural networks, the connection weights between the input layer and the hidden layers are initialized randomly and then optimized by using the gradient decent method. The speed of the learning method for the conventional neural networks is slow. In order to overcome the drawback of the conventional neural networks, the connection weights of the hidden nodes are just initialized randomly and will not be optimized, and the only connection weights of the output nodes are learned by using least square estimation not the iterative learning method. In addition, we use Particle Swarm Optimization to optimize the proposed Extreme Learning Machine. Several machine learning bench-mark data sets are used to show the generalization performance of the proposed design method and to compare their performance with the other already studied models.

For the trajectory control of dynamic systems with unidentified parameters a second-order iterative learning control method is presented. In contrast to other known methods, the proposed learning control scheme can utilize more than one error history contained in the trajectories generated at prior iterations. A convergency proof is given and it is also shown that the convergence speed can be improved in compared to conventional methods. Examples are provided to show effectiveness of the algorithm, and, via simulation, it is demonstrated that the method yields a good performance even in the presence of distubances.

An iterative learning control scheme is incorporated to the computed torque method as a means to enhance the accuracy and the flexibility. A learning rule is constructed by utilizing a gradient descent algorithm and data compressing techniques are illustrated. Computer simulation results show a good performance of the scheme under a relatively high speed and a heavy payload condition.

본 연구에서는 연속음성인식 시스템의 성능 향상을 위하여 음성의 채록환경 및 데이터량 등을 고려한 효과적인 언어모델 작성방법을 제안하고, 이를 항공편 예약시스템에 적용하여 성능 평가 실험을 실시한 결과 $91.6\%$의 인식률을 얻어 제안한 방법의 유효성을 확인하였다. 이를 위하여 소량의 200문장의 항공편 예약 텍스트 데이터를 이용하여 좀더 강건한 단어발생 확률을 가지도록 하기 위해 일반적으로 대어휘 연속음성인식에서 많이 이용되고 있는 단어 N-gram 언어모델을 도입하고 이를 다양한 발성환경을 고려하여 1,154문장으로 확장한 후 동일 문장'을 반복 학습하여 언어모델을 작성하였다. 인식에 있어서는 오인식과 문법적 오류를 최소화하기 위하여 forward - backward pass 방법의 stack decoding알고리즘을 이용하였다. 인식실험 결과, 평가용 3인의 200문장을 각 반복학습 회수에 따라 학습한 각 언어모델에 대해 평가한 결과, forward pass의 경우 평균 $84.1\%$, backward pass의 경우 평균 $91.6\%$의 문장 인식률을 얻었다. 또한, 반복학습 회수가 증가함에 따라 backward pass의 인시률의 변화는 없었으나, forward pass의 경우, 인식률이 반복회수에 따라 증가하다가 일정값에 수렴함을 알 수 있었고, 언어모델의 복잡도에서도 반복회수가 증가함에 따라 서서히 줄어들며 수렴함을 알 수 있었다. 이상의 결과로부터 소량의 텍스트 데이터를 이용한 제한된 태스크에서 언어모델을 작성할 때 반복학습 방법이 유효함을 확인할 수 있다.

An iterative learning control scheme for exact-tracking control and parameter estimation of uncertain robotic systems is presented. In the learning control structure, tracking and feedforward input converge globally and asymptotically as iteration increases. Since convergence of parameter errors depends only on the persistent exciting condition of system trajectories along the iteration independently of length of trajectories, it may be achieved with only system trajectories of small duration. In addition, these learning control schemes are expected to be effectively applicable to time-varying parametric systems as well as time-invariant systems, for the parameter estimation is performed at each fixed time along the iteration. Finally, no usage of acceleration signal and no in version of estimated inertia matrix in the parameter estimator makes these learning control schemes more feasible.

As the 4th industrial revolution and artificial intelligence technology develop, it is expected that there will be a revolutionary changes in the security robot. However, artificial intelligence system requires enormous hardwares for tremendous computing loads, and there are many challenges that need to be addressed more technologically. This paper introduces precise tracking control technique of autonomous system that need to move repetitive paths for security purpose. The input feedforward signal is generated by using the inverse based iterative learning control theory for the 2 input 2 output nonminimum-phase system which was difficult to overcome by the conventional feedback control system. The simulation results of the input signal generation and precision tracking of given path corresponding to the repetition rate of extreme, such as bandwidth of the system, shows the efficacy of suggested techniques and possibility to be used in military security purposes.