인간의 욕심은 물체를 보는 것에서 시작되는지도 모른다. 우리 인간은 눈에보이는 대상에 대한 탐욕을 자제하기 어려운 속성을 가지고 있다.
인간본성을 규정한 말중에 "색칙공이요 공칙색"이란 것이 있다. 이 말은 너무나 심오한 뜻을 내포하고 있기 때문에 필부인 필자로서는 깊은 내용까지는이해하지 못한다. 그러나 개략적으로는 "눈에 보이는 외형적인 것은 텅빈 것이요 텅빈 것 가운데 실체가 있다"는 뜻으로 이해하고 있다.
눈에보이는 물체를 인식한다는 것은 인간에게는 그리 어려운 일이 아니나컴퓨터를 통한 물체의 인식은 아직까지는 상당히 어려운 실정이다. 어린 아이도 쉽게 인식할 수 있는 주변의 물체나 친인척들의 얼굴을 수퍼 컴퓨터 조차도 제대로 인식할 수 없다니 기계에 비하여 인간의 두뇌가 얼마나 뛰어난지를 짐작할 수 있다.
패턴인식은일반적으로 두가지단계로 구분된다. 첫째는 전처이단계인데 주어 진 변수들을 일관성있게 관리하는 역할을 담당한다. 비선형적인 요소들의 스 케일링을 통하여 패턴인식에 적합한 환경을 구축하는 것이다. 또한 불완전한 정보에 대한 적절한 대응을 하게 된다. 이 점은 실세계에서 발생하는 퍼지한 정보들을 효과적으로 처리함으로써 보다 명확한 패턴인식을 가능케 한다. 애매한 경우를 처리하는데에는 확률론적이거나 퍼지한 처리를 통하여 보다 객관적인 판단이 가능하게 해준다. 또한 전처리의 마지막 단계에서는 명확한 앨고리듬에 의한 처리를 한다. 이 처리를 거침으로써 주어진 패턴들을 보다 정확하게 인식할 수 있는 바탕을 만들게 된다.
둘째,후처리단계에서는 분류된 결과에 대한 해석을 하게 된다. 주어진 패턴 이 어떤 오브젝트로 판명 되는지를 가리는 것이다. 또한 불완전한 데이터에 의해 야기되는 일관성이 적은 결과의 검출을 통하여 퍼지한 정보로 인해 야기되는 요소들을 어느 정도 제거함으로써 보다 정확한 패턴인식을 가능케한 다는 것이다.
패턴인식에있어서 정확성에 가장 방해가 되는 요소들은 무엇일까? 그것들은 잡음이 포함된 노이즈문제와 부분적으로 사라지거나 가려진 패턴 정보들 일 것이다. 이 경우에는 어떻게 전체적인 패턴을 인식할 수 있을까? 또한 부분적인 패턴 정보들로부터 어떻게 전체를 추측할 수 있을까? 이 능력은 통계 적 패턴의 재구성과 연관이 있다. 부분적인 패턴과 계산된 패턴 사이의 오차 의 제곱의 합을 통하여 그 값이 가장 최소인 것을 가장 적합한것으로선 택하게된다. 퍼지를 이용한 패턴인식의 방법에는 클러스터를 이용한 분석이 많이 쓰인다.
오브젝트영역에서서로 다른 특징들을 가진 패턴들을 독립적으로 묶음으로써여러개의 패턴그룹으로 나누게 되고 이것이 바로 패턴인식의 초석이 되는 방식이다. 이 방법에 있어서 퍼지의 역할은 다음과 같다.
첫째,어느 그룹에 속할지 잘 판단하기 어려운 오브젝트들을 가장 가까운 클 러스터에 할당함으로써 가능한한 오차값을 최소화한다는 점이다.
둘째, 클러스터의 중심을 퍼지 c-means등의 퍼지방법을 이용함으로써 보다 정확한 퍼지멤버십 값을 정할 수 있다는 점이다.
클러스터팅이나 분류(Classifier)에 있어서 퍼지 c-means앨고리듬이 차지하는 비중은 매우 크다. 전통적인 방법으로 잘 알려진 k-NN방법은 그 구현방법 이 매우 간단하다는 점과 비교적 정확한 결과를 도출해 낼 수 있다는 장점을 가지고 있으나 클러스터의 개수를 사전에 정해주어야 한다는 결정적인 문제 점을 내포하고 있다. 이에 비해 c-means앨고리듬은 구체적인 클러스터의 개수를 지정하지 않아도 상당히 정확한 클러스터의 개수를 알아서 처리해준다는 장점을 가지고 있다.
퍼지를이용한 패턴인식은 문자인식. 음성인식.영상인식 등에 널리 이용되고있다. 최근에는 의학적인 용도로도 많이 스이고 있는데 암(cancer)의 영상진단이나 무인우주선의 활동 등에도 쓰이고 있다.
실세계에서나타나는 패턴인식에 있어서 퍼지의 개념은 매우 중요한 역할을 담당하고 있으며 이에 대한 연구는 더욱 가속화되고 있다.