퍼지 집합 이론과 신경망 이론의 융합은 퍼지논리 시스템의 최적 규칙 베이스를 얻기 위해 신경망을 적용하는 방향으로 주된 연구가 진행되고 있다. 그러나 이러한 접근 방법은 신경망의 제한된 학습능력으로 인해 최적성의 한계는 여전히 극복되지 못하고 있는 실정이다. 따라서 본 논문에서는 이러한 어려움을 극복하기 위해 입출력 데이터로부터 최적의 규칙을 얻을 수 있는 Rough Set 이론과 뉴로-퍼지의 새로운 융합기법을 제안한 알고리즘을 생성된 규칙 베이스가 중첩되지 않기 때문에 기존의 FNN과 비교하여 더욱더 우수함을 냉장고의 온도추론 시스템에 적요하여 검증하였다.
The fusion of fuzzy set theory and neural networks technologies have concentrated on applying neural networks to obtain the optimal rule bases of fuzzy logic system. Unfortunately, this is very hard to achieve due to limited learning capabilities of neural networks. To overcome this difficulty, we propose a new approach in which rough set theory and neuro-fuzzy fusion are combined to obtain the optimal rule base from input/output data. Compared with conventional FNN, the proposed algorithm is considerably more realistic because it reduces overlapped data when construction a rule base. This results are applied to the construction of inference rules for controlling the temperature at specified points in a refrigerator.
