본 논문에서는 새로운 강인한 TSK 퍼지 모델링 알고리즘을 제안한다. 데이터에 노이즈나 아웃라이어가 존재할 때 모델링하기 위한 다양한 강인한 접근법이 제안되었지만 주로 손실함수를 사용하여 아웃라이어나 노이즈의 효과를 감소시키는 접근방법들이 수행되었다. 제안된 알고리즘은 노이즈 클러스터링의 변형된 형태로, 손실함수를 사용하지 않고 노이즈를 하나의 클래스로 클러스터링하는 방법을 채택하였다. 노이즈 클러스터링은 포로토타입 기반의 클러스터링 알고리즘으로, 리그레션을 할 수 없기 때문에 먼저 데이터를 클러스터링한 후 다음으로 퍼지 리그레션을 수행한다. 전건부와 후건부의 매개변수를 동시에 얻기 위한 다른 방법들이 고안되었지만 그들 알고리즘들은 매개변수를 구한 후 좀더 정확한 함수의 근사화를 위해 매개변수에 대한 적응과정을 거친다. 본 논문에서는 노이즈 클러스터링 알고리즘을 변경하여 함수의 리그레션을 동시에 수행 할 수 있게 하였다. 제안된 알고리즘은 전건부와 후건부의 매개변수를 동시에 얻을 수 있으며, 매개변수를 구한 후 이에 대한 적응과정이 필요하지 않다. 제안된 알고리즘의 검증을 위하여 몇 가지 간단한 예제를 사용하여 실험하였으며, 기존에 연구된 다른 알고리즘과 비교, 분석하였다. 제안된 알고리즘은 노이즈나 아웃라이어에 대하여 강인한 성능을 보이며, 구현이 용이하다.
This paper proposes a novel TSK fuzzy modeling algorithm. Various approaches to fuzzy modeling when noise or outliers exist in the data have been presented but they are approaches to degrade effects of outliers or large noise by using loss function in the cost function mainly. The proposed algorithm is the modified version of noise clustering algorithm, and it adopts the method that does not use loss function, but method to cluster noise in a class. Noise clustering is a prototype-based clustering algorithm and it has no capability to regress. It conducts clustering of data first, and then conducts fuzzy regression. There are many algorithms to obtain parameters of premise and consequent part simultaneously, but they need to adapt the parameters obtained for more accurate approximation. In this paper, fuzzy regression is conducted with clustering by modifying noise clustering algorithm. We propose the algorithm that parameters of the premise part and the consequent part are obtained simultaneously, and the parameters obtained are not needed to adapt. We verify the proposed algorithm through simple examples and evaluate the test results compared with existing algorithms. The proposed algorithm shows robust performance against noise and it is easy to implement.
