본 논문에서는 필기체 숫자인식을 위해서 계층적으로 서로 다른 레벨의 정보를 표현할 수 있는 구조화된 특징들의 추출 방법과 특징들 사이에 의존도를 이용하여 분류하는 베이지안 망을 제안한다. 이러한 계층적 특징들을 추출하기 위해서 레벨 단위로 가버 필터들을 정의하고, FLD(Fisher Linear Discriminant) 척도를 이용하여 최적화된 가버 필터들을 선택한다. 계층적 가버 특징들은 최적화된 가버 특징들을 이용하여 추출되며, 하위 레벨일수록 더욱 국부적인 정보를 표현한다. 추출된 계층적 가버 특징들의 분류성능 향상을 위해서 가버 특징들 사이의 계층적 의존도를 이용하는 베이지안 망을 생성한다. 본 논문에서 제안하는 방법은 naive Bayesian 분류기, k-nearest neighbor 분류기, 그리고 신경망 분류기들과 함께 필기체 숫자인식에 적용되어 계층적 가버 특징들의 효율성과 계층적 의존도를 이용하는 베이지안 망은 분류성능을 향상시킬 수 있다는 것을 보여준다.

본 논문에서는 우리나라 우편영상에서 수취인 주소 영역을 추출하는 방법을 제안한다. 우편영상에 기입된 주소가 프린터나 타자기 둥에 의해서 인쇄된 주소일 수도 있고 사람에 의해서 필기된 주소일수도 있다. 즉, 인쇄체 우편영상과 필기체 우편영상 모두에 적용될 수 있는 수취인 주소 영역 추출 방법을 제안한다. 제안 방법에서는 이진화 된 우편영상으로부터 연결요소를 추출하고 연결요소를 결합하여 문자열을 생성한다. 그 후 문자열을 군집화하고 생성된 군집 중 몇 개의 군집을 선택함으로써 수취인 주소 영역을 결정한다. 우리나라 우편봉투에 기입되는 정보의 유형별 기입 위치 패턴에 따라 우편영상을 총 9개의 균등 영역으로 분할한 후 각 영역의 중심을 초기 값으로 갖는 9개의 군집을 생성하였고 k-Means 방법을 사용하여 군집화를 수행하였다. 군집화 과정에서 사용되는 거리함수로 우편영상의 폭 대 높이의 비율이 반영된 수정된 맨하탄 거리를 사용하였다. 제안 방법의 성능을 알아보기 위하여 실제 우편물 영상 1,988개를 사용하여 실험한 결과 약 93.56%의 우편영상에서 수취인 주소 영역을 정확하게 추출할 수 있었다.

소프트웨어 개발 초기에 개발비용, 소묘인력과 기간을 추정하는 것은 소프트웨어공학 분야의 중요하면서도 어려운 문제이다. 기존 모델은 개발업체의 생산성 수준을 고려하지 않고 단순히 기능점수와 노력, 노력과 개발기간 관계에 대한 회귀분석을 통해 개발노력과 기간을 추정하는 모델을 제시하였다. 그러나 동일한 규모의 소프트웨어라도 개발업체의 생산성 수준에 따라 다른 노력의 양이 투입되며, 동일한 노력이 투입되더라도 생산성에 따라 개발기간이 달라진다. 생산성 수준을 고려하지 않은 제안된 모델들은 실제 개발될 프로젝트 적용에 제한점을 갖고 있다. 본 논문은 기존 모텔의 단점을 보완하기 위해 생산성을 고려하여 개발기간을 추정할 수 있는 모델들을 제안한다. 생산성에 기반 하여 다양한 방법으로 개발기간을 추정할 수 있는 모델을 제안하고 모델들의 성능을 비교하였다. 모델 성능 비교 결과 생산성에 기반 하여 소프트웨어 규모로부터 개발기간을 추정하는 모델이 단순하면서도 가장 좋은 결과를 얻었다. 본 모델은 사업 초기에 프로젝트 관리자에게 소프트웨어 개발 기간 의사결정 정보를 제공한다.

웹 환경의 급성장에 따른 애플리케이션의 사용성 중심설계가 부각되고 있다. 본 논문에서는 사용성 중심설계를 기반으로 사용자 인터페이스의 프로토타입을 자동으로 생성하기 위한 개발 단계와 알고리즘을 제안한다. 즉, 요구분석으로부터 사용자 인터페이스의 전이 객체를 모델링하고, 사용자 인터페이스를 생성하기 위한 비즈니스 이벤트의 추상화 모델링 규칙과 알고리즘을 만들었다. 이것은 사용자 인터페이스에서 비즈니스 이벤트들의 가시적 응집도를 높일 수 있고, 미숙한 설계자도 양질의 사용자 인터페이스의 프로토타입을 개발할 수 있도록 지원한다. 또한, 사용자가 인터페이스에 대한 비즈니스 업무의 이해도를 향상시키고, 프로토타이핑의 반복 횟수를 줄일 수 있다.

학계와 산업계 모두 효율적인 재사용 기술인 Component-based Development(CBD)로의 전환을 받아들이고 있다. Product Line Engineering(PLE)에서의 컴포넌트 프레임워크는 컴포넌트, 커넥터와 그들의 시멘틱(Semantic)들의 집합으로 구성된다. 단순한 컴포넌트 조립 보다 반 완성 어플리케이션인 컴포넌트 프레임워크가 재사용의 잠재력이 더 크다. 그러나, 어플리케이션 개발을 위해 여러 업체에서 획득된 COTS 컴포넌트들의 연관관계, 의존관계가 서로 완벽하게 일치하지 않아, 컴포넌트 조립이나 컴포넌트 대체시 구현을 변경해야 하는 문제가 발생된다. 그러므로 커넥터는 관련된 컴포넌트들간의 상호작용 관리뿐만 아니라, 조립될 수 없는 컴포넌트들간의 문제를 보완하여 연결한다. 아직 실용적으로 사용할 수 있는 커넥터에 관한 연구 및 구체적인 해결 방안이 미흡하다. 본 논문에서는 커넥터를 정의 하기 위한 메타모델을 제시하고, 커넥터를 실용적으로 설계하고 구현할 수 있는 5개의 주요 패턴을 제시한다. 제시된 주요패턴들은 설계 지침 및 문제 해결방안을 제공하여 이를 통해 컴포넌트 프레임워크 기반의 실용적이고 효율적인 커넥터를 구성할 수 있도록 한다. 또한, 주요 커넥터 패턴의 적용 기법 및 구현을 통한 적용 사례를 제시하여 컴포넌트의 활용성과 재사용성이 증가됨을 보인다.

얼굴인식은 외관기반(appearance-based) 매칭기법으로 풀어야 할 문제 중의 하나이다. 그러나, 얼굴영상의 외관은 조명 변화에 매우 민감하다. 얼굴인식 성능을 향상시키기 위해서는 다양한 조명 아래에서 다양한 학습 데이타를 수집해야 하나, 실제로는 데이타 수집이 용이하지 않다. 따라서, 성능향상을 위해서 다양한 데이타를 학습시키는 것 보다 다양한 조건의 데이타를 정규화 하는 기법에 주목하는 것이 바람직하다. 본 논문에서는 방향성 조명 아래에서 취득한 얼굴영상을 정규화 할 수 있는 간단한 방법을 제안한다. 조명 문제는 얼굴인식 시스템에서 오류를 일으키는 가장 중요한 요인중 하나이다. 제안하는 방법을 ICR(illumination Compensation based on Multiple Linear Regression)이라 명명하였다. 본 방법에서는 다중회귀분석 모델을 사용하여 얼굴영상의 화소 밝기 갈 분포에 가장 잘 맞는 평면을 찾은 후 이 평면을 이용하여 얼굴영상을 정규화 한다. 제안하는 방법의 장점은 간단하고 실용적이며, 얼굴영상의 밝기 값 분포에 대한 평면 근사가 선형모델에 의해 수학적으로 정의된다는 점이다. 얼굴인식에서 제안하는 방법의 성능 향상을 보여주기 위해 공개 및 자체 구축 데이타 베이스에 대한 실험 결과를 제시한다. 실험 결과 두드러진 얼굴인식 성능 향상을 보여주었다.

폭발적으로 성장하고 있는 웹은 수백만 개의 웹 문서를 포함하고 있기 때문에, 적절한 웹사이트를 찾기 어렵다. 사용자 프로파일을 사용하여 적절한 웹사이트를 추천함으로써 웹의 탐색을 개인화 할 수도 있지만 웹 컨텐츠에 대한 사용자의 평가는 사용자의 성격에 관한 다양한 측면을 표현하므로 사용자의 선호도를 예측하기 위해서는 보다 효과적인 방법이 필요하다. 사용자 프로파일은 비선형적인 특성을 가지고 있으므로 분류기를 사용하여 예측하여야 하며 다양한 특성을 예측하기 위해 분류기의 결합이 필요하다. 패턴분류와 시각화에 유용한 구조적응 자기구성지도(SASOM)는 개선된 SOM 모델로서 웹 마이닝에 적절하다. 퍼지 적분은 주관적으로 정의된 분류기의 중요도를 이용하여 결합하는 방법이다. 본 논문에서는 독립적으로 학습된 SASOM의 퍼지적분(fuzzy integral)기반 결합을 이용하여 사용자의 프로파일을 예측하고 UCI 벤치마크 데이타인 Syskill ＆ Webert 데이타를 사용하여 그 성능을 평가한다. 실험결과 제안한 방법이 기존의 naive Bayes 분류기뿐만 아니라 SASOM의 투표결합보다 우수한 성능을 보였다.

특징점 기반(Minutiae-based) 지문 인식 시스템은 지문에 포함된 융선들의 구조 정보를 완벽하게 표현할 수 없는 특징점 정보를 활용한다. 더욱이, 동일한 지문이라 하더라도 일정하지 않게 추출되는 특징점은 정합과정에서 여러 가지 기법들을 요구하게 된다. 이와 같이 정량적으로 표현되지 않는 특징점 기반 방법의 대안으로 여러 방향을 갖는 가보 필터(Gabor filter)를 이용해 영역별 특징 값들을 추출하는 필터뱅크 기반(Filterbank-based) 지문 인식방법이 제안되었다(1). 그러나 필터뱅크 기반 방법은 다른 손가락에서 얻은 지문이지만 같은 종류일 경우 유사한 특징 벡터를 추출한다는 점과 지문 입력시의 회전오차를 고려하기 위한 오버헤드를 갖는다는 문제점을 가진다. 본 논문에서는 이러한 문제점을 해결하기 위해 특징 벡터를 추출할 때, 특징점이 존재하는 영역에 대해 가중치를 부여하여 특징벡터를 구성하는 방법을 제안하였다. 또한 코어 주변의 지역적인 방향들의 평균치를 이용해 지문 정렬을 수행하는 새로운 지문정렬 방법을 제한하였다. 두 가지 방법은 각각 시스템의 성능향상과 속도를 증가시키는 결과를 얻을 수 있다. 제안한 방법에 따라 NIST Special Database 14 지문 데이타로 실험한 결과 0.967%의 FAR(False Acceptance Rate)에서 0.524%의 FRR(False Reject Rate)을 보여, 기존 방법에 비해 1.28배 이상의 속도 향상과 ERR(Equal error Rate)에서 약 5%의 성능 향상을 보였다.

프로그램 과제물과 같은 많은 프로그램을 모두 일일이 비교하는 것은 비용이 많이 든다. 더군다나 검수자가 과제물을 검사한다든가, 점수를 부여하고자 한다면 더욱 많은 시간이 요구된다. 물론 검수자가 많은 시간을 두고 평가해도 객관성이 떨어질 수도 있다. 이러한 문제점은 프로그램 과제물에 대해서 유사한 프로그램으로 서로 묶어 놓는다면 쉽게 해결할 수 있다. 즉, 유사한 프로그램으로 서로 묶어놓고 검사한다면 쉽게 검사나 평가가 가능하다. 본 논문에서는 많은 프로그램에 대해서 유사성이 높은 프로그램으로 그룹 짓기(grouping)를 수행하는 알고리즘을 제시하고 구현한다. 그룹 짓기 알고리즘은 (9)에서 제시한 프로그램 유사도 평가 알고리즘을 이용하여 유사도를 측정한 후, 유사성이 높은 프로그램을 그룹 짓기를 수행한다. 이 그룹 짓기 알고리즘을 이용하면 n개의 프로그램에 대해서 최대 n(n-1)/2 번에서 최소 (n-1)번까지 비교 횟수를 줄일 수가 있다. 본 논문의 실험 및 평가 부분에서는 실제로 모 대학의 과제물 10개를 추출하여 유사성을 기준으로 실험 평가한 결과를 보여준다.

본 논문에서는 코드 변환 과정과 축약, 탈락, 불규칙 활용 둥으로 변형된 형태소의 원형을 복원하고 분석 후보를 생성하는 등의 과정을 거치지 않고 형태소 사전에서 제공되는 인접 조건에 대한 검사만으로 형태소 분석을 하는 방법을 제안한다. 인접 조건 검사는 복잡한 연산을 하지 않고 단순한 비트 연산만으로 할 수 있기 때문에 제안된 방법은 초고속 형태소 분석기 구현에 적합하다. 본 논문에서 제안한 방법에 따라 구현된 한국어 형태소 분석기 MACH는 1.13 GHz Pentium III 개인용 컴퓨터에서 대략 5분/GB의 분석 속도를 보였으며, 분석 정확도는 99.2 %로 기존의 다른 분석기와 큰 차이가 없었다.