목차
[표제지 등]=0,1,2
배포처=0,3,1
제출문=1,4,2
요약문=3,6,12
목차=15,18,4
제1장 서론=19,22,6
제2장 통계 이론 기반 패턴 분류=25,28,1
제1절 패턴(Pattern)=25,28,1
제2절 패턴분류(Pattern Classification) 및 군집화(Clustering)=26,29,4
제3절 Bayes Decision Theory=29,32,1
1 A posteriori probability=29,32,2
2 Bayes decision rule=30,33,2
3 Minimum error rate decision rule=31,34,2
4 분류기(Classifier)와 Decision Boundary=32,35,2
제4절 Parameter Supervised Learning=33,36,1
1 Maximum likelihood estimation=33,36,3
제5절 Parameter Unsupervised Learning=35,38,1
1 Mixture density estimation=35,38,4
2 EM 학습 알고리즘=38,41,3
제3장 신경망을 이용한 시계열 예측 및 패턴 분류=41,44,2
제1절 예측 문제에서 신경망=42,45,4
제2절 패턴분류에서 신경망=45,48,6
제4장 GPD 학습 도입에의한 하이브리드 학습 알고리즘=51,54,1
제1절 개요=51,54,6
제2절 MLP을 위한 GPD=56,59,4
제3절 HMM에서 GPD=59,62,4
제5장 하이브리드 학습 알고리즘=63,66,1
제1절 통계+신경망 하이브리드 알고리즘=63,66,1
1 Partial Least Squares=63,66,2
2 하이브리드 신경망 모델=64,67,3
제2절 일반화 성능 향상을 위한 신경 회로망 모델=67,70,1
1 입/출력 민감도를 줄이는 학습 알고리즘=67,70,22
제3절 주파수 필터링을 하는 학습 알고리즘=88,91,5
제4절 확장된 비선형 활성 함수를 갖는 신경 회로망 모델=92,95,1
1 신경망의 비선형 활성 함수의 확장=92,95,2
2 확장된 뉴런 모델=93,96,21
제5절 예측 신경망에 의한 혼돈 가능성이 높은 단어의 인식=114,117,1
1 예측 신경망=114,117,5
2 음성 데이터베이스 및 실험결과=118,121,3
제6장 하이브리드 예측 모델을 이용한 기후 요소 예측=121,124,2
제1절 기후데이타=122,125,2
제2절 기후 요소 예측 모델=123,126,6
제7장 숫자음 인식 및 음성 다이얼링 시스템=129,132,2
제1절 목표 및 연구내용=130,133,2
제2절 한국어 숫자음에 대한 고찰=131,134,2
제3절 전처리 및 특징 추출=132,135,3
제4절 HMM과 변별 학습=134,137,2
제5절 Corrective Training=135,138,4
제6절 실험 및 결과=138,141,10
제7절 앞으로의 연구방향=147,150,2
제8장 ATM 통신망에서 셀손실 예측 신경망 모델=149,152,1
제1절 가상출력버퍼 (Virtual Output Buffer) 모델=149,152,1
1 가상 셀손실율=149,152,2
2 셀손실율 예측 곡선(Cell Loss Rate Estimation Curve)=150,153,3
제2절 가상 셀손실율의 전처리=153,156,1
1 셀손실율 참조 곡선=153,156,3
2 셀손실율 참조 곡선에 기반한 전처리 방법=155,158,3
제3절 셀생성률을 고려한 연결수락제어=157,160,3
제4절 신경망 출력값의 관리=159,162,1
1 과잉밀집현상 발생 시나리오=159,162,2
2 가상접속 (Virtual Connection)=161,164,1
3 신경망 출력값의 관리 방법=161,164,3
제5절 셀손실 예측 신경망 모델에 기반한 호수락 제어기=163,166,3
제6절 모의 실험=165,168,1
1 시뮬레이션 모델=165,168,2
2 실험 결과 및 분석=166,169,6
제7절 결론=171,174,4
제9장 결론=175,178,11
영문목차
[titlepage etc.]=0,1,9
Summary=7,10,4
Contents=11,14,8
1 Introduction=19,22,6
2 Pattern Classifications based on Statistical Theory=25,28,1
2.1 Patterns=25,28,1
2.2 Pattern Classifications and Clusterings=26,29,4
2.3 Bayes Decision Theory=29,32,1
2.3.1 A posteriori Probability=29,32,2
2.3.2 Bayes Decision Rule=30,33,2
2.3.3 Minimum Error Rate Decision Rule=31,34,2
2.3.4 Classifier and Decision Boundary=32,35,2
2.4 Parameter Supervised Learning=33,36,1
2.4.1 Maximum Likelihood Estimation=33,36,3
2.5 Parameter Unsupervised Learning=35,38,1
2.5.1 Mixture Density Estimation=35,38,4
2.5.2 EM Learning Algorithm=38,41,3
3 Time-series Forecasting and Classifications by Neural Networks=41,44,2
3.1 Neural Networks in Forecasting=42,45,4
3.2 Neural Networks in Pattern Classifications=45,48,6
4 Hybrid Learning Algorithms by GPD=51,54,1
4.1 Introduction=51,54,6
4.2 GPD for MLP=56,59,4
4.3 GPD for HMM=59,62,4
5 Hybrid Learning Algorithms=63,66,1
5.1 Statistics+Neural Network Hybrid Algorithm=63,66,1
5.1.1 Partial Least Squares=63,66,2
5.1.2 Hybrid Neural Networks=64,67,3
5.2 Generalized Neural Networks=67,70,1
5.2.1 Learning Algorithms for Reducing Input-Output Sensitivity=67,70,22
5.3 Neural Network Models based on Frequency Filtering=88,91,5
5.4 Neural Network Models with Extended Nonlinear Activation Functions=92,95,1
5.4.1 Extension of Nonlinear Activation Functions=92,95,2
5.4.2 Extension of Neuron Models=93,96,21
5.5 Confusable Word Recognition using Predictive Neural Network=114,117,1
5.5.1 Predictive Neural Network=114,117,5
5.5.2 Voice Database and Experiment Results=118,121,3
6 Weather Element Forecasting by Hybrid Model=121,124,2
6.1 Weather Data=122,125,2
6.2 Weather Elements Forecaster=123,126,6
7 Digit Recognition and Voice Dialing System=129,132,2
7.1 Goals and Research Scope=130,133,2
7.2 Korean Digit Recognition=131,134,2
7.3 Preprocessiong and Feature Extractions=132,135,3
7.4 HMM and Discriminate Learning=134,137,2
7.5 Corrective Training=135,138,4
7.6 Experiments and Results=138,141,10
7.7 Researches in Future=147,150,2
8 Neural Networks for Cell Loss Rate in ATM=149,152,1
8.1 Virtual Output Buffer Model=149,152,1
8.1.1 Virtual Cell Loss Rate=149,152,2
8.1.2 Cell Loss Rate Estimation Curve=150,153,3
8.2 Preprocessing=153,156,1
8.2.1 Cell Loss Rate Reference Curve=153,156,3
8.2.2 Preprocessing based on Cell Loss Rate Reference Curve=155,158,3
8.3 Call Admission Control by Cell Loss=157,160,3
8.4 Maintenance of Neural Network Outputs=159,162,1
8.4.1 Scenario=159,162,2
8.4.2 Virtual Connection=161,164,1
8.4.3 Maintenance Methods=161,164,3
8.5 CAC based on Neural Networks=163,166,3
8.6 Simulations=165,168,1
8.6.1 Neural Network Models=165,168,2
8.6.2 Experiments and Analysis=166,169,6
8.7 Results=171,174,4
9 Conclusions=175,178,11