• Communications for Statistical Applications and Methods
• /
• 제17권4호
• /
• pp.527-540
• /
• 2010

규칙기반 분류분석(rule-based classification analysis)은 직관적인 이해가 쉽고 알고리즘이 복잡하지 않아 최근 대용량 데이터마이닝에 많이 이용되는 기법이다. 하지만 현재의 규칙기반 분석은 여러 개의 규칙들을 찾은후 이 규칙들을 단순히 다수결이나 또는 중요도의 가중 합으로서 새로운 데이터를 분류한다. 본 연구에서는 다항분포를 이용한 이항데이터의 분류분석 기법을 규칙 조합방법에 응용하고자한다. 다향분포의 추정을 위해서는 변형된 반복 비율 적합(iterative proportional fitting; IPF) 알고리즘을 이용하여 최대 엔트로피 분포(entropy distribution)를 찾는다. 시뮬레이션 실험 결과 이 방법은 두 집단의 데이터가 서로 유사한 경우 어느 정도 의미 있는 분류 결과를 보여주였다.

• 한국전자통신학회논문지
• /
• 제19권2호
• /
• pp.417-426
• /
• 2024

일반적으로 머신러닝을 수행하기 위해서는 딥러닝 모델에 대한 사전 지식과 경험이 필요하고, 데이터를 연산하기 위해 고성능 하드웨어와 많은 시간이 필요하게 된다. 이러한 이유로 머신러닝은 임베디드 프로세서에서 실행하기에는 많은 제약이 있다.본 논문에서는 이러한 문제를 해결하기 위해 머신러닝의 과정 중 콘볼루션 연산(Convolution operation)에 유전 알고리즘을 적용하여 선택적 콘볼루션 연산(Selective convolution operation)과 학습 방법을 제안한다. 선택적 콘볼루션 연산에서는 유전 알고리즘에 의해 추출된 픽셀에 대해서만 콘볼루션을 수행하는 방식이다. 이 방식은 유전 알고리즘에서 지정한 비율만큼 픽셀을 선택하여 연산하는 방식으로 연산량을 지정된 비율만큼 줄일 수 있다. 본 논문에서는 유전 알고리즘을 적용한 머신러닝 연산의 심화학습을 진행하여 해당 세대의 적합도가 목표치에 도달하는지 확인하고 기존 방식의 연산량과 비교한다. 적합도가 충분히 수렴할 수 있도록 세대를 반복하여 학습하고, 적합도가 높은 모델을 유전 알고리즘의 교배와 돌연변이를 통해 다음 세대의 연산에 활용한다.

• 한국비블리아학회지
• /
• 제22권4호
• /
• pp.361-379
• /
• 2011

이 연구는 국내 인용 데이터베이스에서 저널 페이지랭크를 올바르게 측정할 수 있는 방안을 모색하고자 하였다. 국내 인용 데이터베이스는 해외 인용 데이터베이스에 비해서 인용 링크가 외부로 향하는 비율과 자기 인용 비율이 높다는 특성이 있다. 페이지랭크 공식은 반복 계산을 통해서 수렴하는 알고리즘이기 때문에 이런 특성을 감안하지 않으면 신뢰할만한 저널 페이지랭크 측정이 이루어질 수 없다. 따라서 국내 인용 데이터베이스에 적합한 저널 페이지랭크 측정 방안을 살펴보고 KSCD를 대상으로 측정한 결과를 분석하였다. 산출된 페이지랭크 지수에 대해서 상관분석과 회귀분석으로 검증해본 결과 SCImago 저널 랭크 공식을 적용하고 cr2 방식으로 저널 자기 인용을 조정하는 것이 국내 인용 색인 데이터베이스에서 저널 영향력을 평가하기에 적합한 방안인 것으로 확인되었다.

• 한국콘텐츠학회논문지
• /
• 제10권7호
• /
• pp.10-22
• /
• 2010

본 논문은 시점을 달리 하는 두 이미지 사이의 다중 호모그래피 관계를 RANSAC을 이용하여 동시에 추정하는 새로운 방안을 제안한다. 이상치가 많이 포함된 데이터에 대해서도 강건한 파라미터 추정이 가능한 RANSAC 알고리즘은 단일 모델에 대해서만 적용되는 제약을 가진다. 따라서, 이미지에 존재하는 여러 평면의 2D 투영 변환 관계들을 추정하기 위해서는 RANSAC 알고리즘을 순차적으로 수행해야 한다. 이 과정에서 데이터에 지속적으로 포함되는 이상치들은 모델 추정을 느리게 한다. 또한, 모델들은 적합치 비율에 의해 순차적으로 추정되기 때문에 알고리즘의 병렬화가 어렵다는 문제가 있다. 본 논문에서는 RANSAC 알고리즘의 수행 과정에서 찾아낸 부분적인 모델 관계를 이용하여 반복 시도 횟수를 줄이고 다중 호모그래피들을 동시에 추정할 수 있는 가이드된 순차 RANSAC 알고리즘을 제시한다.

• 대한원격탐사학회지
• /
• 제29권2호
• /
• pp.173-182
• /
• 2013

천리안 위성 해양탑재체(Geostationary Ocean Color Imager, GOCI) 대기보정의 근간이 되는 Sea-viewing Wide Field-of-view Sensor(SeaWiFS) 초기 대기보정 기법은 근적외선 파장대의 해수 반사도를 0으로 가정한다. 이러한 가정에 근거하여 근적외선 파장에서 탐지되는 모든 신호는 에어로졸 산란에 의한 반사도로 간주된다. 그러나 이러한 가정은 탁한 해역에서 해수 반사도를 과소 추정하는 문제점을 야기시킨다. 이를 해결하기 위하여 Management Unit of the North Sea Mathematical Models(MUMM) 대기보정 알고리즘이 개발되었다. 이 알고리즘은 근적외선 파장에서 탐지되는 해수 반사도 비율인 ${\alpha}$를 도입하였다. ${\alpha}$는 통계적 방법에 의하여 결정되며 영상 내의 모든 픽셀에 고정적인 값으로 사용된다. 이 알고리즘은 근적외선 해수 반사도가 0.01보다 작은 중간 탁도의 해역에서는 잘 맞는 반면 매우 탁한 해역에서는 ${\alpha}$가 탁도에 따라 변하기 때문에 오차율이 다시 증가한다. 본 연구에서는 매우 탁한 해역 해수 반사도의 정확도를 향상시키고자 ${\alpha}$를 고정하지 않고, 반복계산을 통해 탁도에 적합한 ${\alpha}$를 계산하도록 MUMM 알고리즘을 수정 보완하였다. 그 결과 MUMM 알고리즘의 모든 밴드의 평균 Root Mean Square Error(RMSE)는 0.0048인 반면 수정된 MUMM 알고리즘은 0.002로 개선된 결과를 얻었다.