• Journal of the Korean Data and Information Science Society
• /
• 제7권2호
• /
• pp.211-217
• /
• 1996

본 논문은 확률밀도함수의 l 번째 도함수의 커널추정법에 관하여 다루고 있다. 확률밀도함수 도함수의 커널추정에 사용될 수 있는 두가지 평활량의 선택법, 교차타당성방법과 삽입방법에 의한 평활량의 점근분포를 규명하고 이들의 상대적 수렴속도를 각각 밝히고 삽입방법의 우수성을 소표본 모의실험을 통하여 확인하였다.

• Journal of the Korean Data and Information Science Society
• /
• 제23권1호
• /
• pp.79-87
• /
• 2012

Huh (2002)는 확률밀도함수가 하나의 불연속점을 가질 때, 한쪽방향커널함수를 이용하여 확률 밀도함수의 오른쪽과 왼쪽 커널추정량을 제시하여 그 차를 최대로 하는 점을 불연속점의 위치추정량으로 제안하였다. 커널추정량의 평활모수인 띠폭의 선택의 중요함은 익히 알려져 있다. 최대가능도 교차타당성은 확률밀도함수의 커널추정량에서 띠폭 선택의 기준으로 널리 쓰여지고 있다. 본 연구에서는 한쪽방향커널함수를 이용한 확률밀도함수의 오른쪽과 왼쪽 커널추정량들의 띠폭의 선택 방법을 Hart와 Yi (1998)의 한쪽방향교차타당성의 방법론을 최대가능도교차타당성에 적용하여 제안하고자 한다. 소표본 모의실험을 통하여 연구결과를 제시하고자 한다.

• 응용통계연구
• /
• 제14권2호
• /
• pp.357-367
• /
• 2001

Huber의 M-추정함수의 형태는 조율상수가 주어질 때 비로소 그 형태가 결정된다. 조율상수를 커널밀도함수추정량의 평활계수를 이용하여 구하여 보았고, 모의실험을 통해 기존에 상요되는 조율상수들과 그 성능을 비교하여 보았다. 그 결과 새로운 방법에 의해 구해진 조율상수가 기존의 조율상수를 사용하는 경우 보다 모의실험을 통해 얻은 추정치의 분산이 작게되는 경우가 있음을 알았다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2005년도 가을 학술발표논문집 Vol.32 No.2 (2)
• /
• pp.796-798
• /
• 2005

본 연구에서는 엔트로피 이론을 사용하여 ICA(Independent Component Analysis) 점수함수를 생성하는 새로운 밀도추정자(Density Estimator)를 제안한다. 원 신호에 대한 밀도함수의 추정은 적당한 점수함수를 생성하기 위해 필요하고, 미분 가능한 밀도함수인 커널을 이용한 밀도추정법(Kernel Density Estimation)을 이용하여 점수함수를 생성하였다. 보다 빠른 점수함수의 생성을 위해서 식의 형태를 convolution 형태로 표현하였으며, ICA 학습을 위해서 결합엔트로피를 최대화(Joint Entropy Maximization)하는 방향으로 커널의 폭을 학습하였다. 이를 위해서 기울기 강하법(Gradient descent method)를 사용하였으며, 이러한 제약 사항은 새로운 밀도 추정자를 설계하기 위한 기본적인 개념을 나타낸다. 실험결과, 커널의 폭을 담당하는 smoothing parameters들이 일정한 값으로 학습함을 알 수 있었다.

• Journal of the Korean Data and Information Science Society
• /
• 제5권2호
• /
• pp.1-9
• /
• 1994

확률밀도함수의 적합도 검정을 위한 새로운 검정 통계량을 소개하고 커널확률밀도함수 추정량을 이용한 제안된 검정 통계량의 점근 정규성을 규명하였다. 제안된 통계량과 콜모고르프-스미르노프 통계량과의 소표본 모의 실험비고를 통하여 제안된 통계량의 우수성을 입증하였다.

• 대한기계학회논문집A
• /
• 제41권5호
• /
• pp.381-389
• /
• 2017

마르코프체인 시뮬레이션으로 추출한 점을 기반으로 커널 밀도함수를 구성하고 중요도 추출함수로 가정하였다. 크리깅 근사모델은 한계상태식 근방에서 상세히 구성되었다. 고장확률은 크리깅 근사모델에 대해 중요도 추출법을 수행하여 계산하였다. 커널 밀도함수가 한계상태식의 근방에서 더 많은 점을 추출할 수 있도록 기존의 방법을 개선하였다. 커널 밀도함수의 파라메터를 찾기 위한 안정적인 수치계산 방안이 제시된다. 크리깅 근사모델의 불확실성으로 인해 계산된 고장확률이 변경될 가능성을 계산하여, 크리깅 근사모델의 완성도를 평가하였다.

• 한국전산구조공학회논문집
• /
• 제32권1호
• /
• pp.55-63
• /
• 2019

공학문제에서 많은 확률 변수들은 상관성을 가지고 있고, 입력변수의 상관성은 기계시스템의 통계적 성능 분석 결과에 큰 영향을 미친다. 하지만, 상관 변수들은 결합분포함수를 모델링하기 어렵다는 이유로 종종 독립변수로 취급되거나 특정한 모수적 모델로 표현되는 경우가 많으며, 특히 데이터가 적은 경우 결합분포함수를 정확히 모델링하는데 더 큰 어려움이 있다. 본 연구에서 개발된 경계데이터를 이용한 다변량 커널밀도추정은 비선형성을 갖는 다양한 형태의 다변량 확률 분포 추정을 위해 개발되었다. 다변량 커널밀도추정은 주어진 데이터와 균등분포함수의 파라미터의 신뢰구간으로부터 생성된 경계데이터를 결합하여 데이터의 질과 수에 덜 민감하다. 따라서 제안된 방법은 보수적인 통계모델링과 신뢰성 해석 결과를 도출할 수 있으며, 통계시뮬레이션과 공학예제를 통해 그 성능을 검증하였다.

• 정보처리학회논문지B
• /
• 제13B권1호
• /
• pp.27-34
• /
• 2006

본 연구에서는 엔트로피를 이용한 독립성분분석(ICA : Independent Component Analysis)에서 점수함수(score function)를 생성하는 알고리즘을 제안한다. 점수함수를 생성하기 위해서 원 신호(original signals)에 대한 확률밀도함수의 추정이 반드시 필요하고 밀도함수가 미분 가능해야 한다. 따라서 원 신호에 따른 적응적인 점수 함수를 유도할 수 있도록 커널 기반의 밀도추정(kernel density estimation)방법을 사용하였으며, 보다 빠른 밀도 추정 계산을 위해서 식의 형태를 컨볼루션(convolution) 변환 한 후, 컨볼루션을 빠르게 계산할 수 있는 FFT(Fast Fourier Transform) 알고리즘을 이용하였다. 제안한 점수함수 생성 방법은 원 신호에 확률밀도분포와 추정된 신호의 확률밀도 분포의 오차를 줄이는 역할을 한다 실험 결과, 암묵신호분리(blind source separation)문제에서 기존의 Extended Infomax 알고리즘과 Fixed Point ICA 보다 원 신호와 유사한 밀도함수를 추정하였고, 분리된 신호의 신호대잡음비등(SNR)에 있어서 향상된 성능을 얻을 수 있었다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.387-390
• /
• 2024

본 논문에서는 효율적인 2차 오차 함수를 이용하여 입자 기반에서 EMC(Extended Marching Cubes) 알고리즘을 구현할 수 있는 새로운 알고리즘을 제안한다. Smoothing 커널(Kernels)을 통해 계산한 입자 평균 위치에서 레벨셋(Level-set)을 계산해 스칼라장을 구축한다. 그리고 난 뒤 SPH(Smoothed particle hydrodynamics)기반의 커널을 통해 밀도, 입자 평균 위치를 계산한다. 스칼라장을 이용해 등가 곡면(Isosurface)을 찾고 음함수로 표현된 표면을 구성한다. SPH 커널을 공간에서 미분하면 공간상의 어느 위치에서나 기울기를 계산할 수 있고, 이를 통해 얻어진 법선벡터를 이용하여 일반적인 EMC나 DC(Dual contouring)에서 사용하는 2차 오차 함수를 효율적으로 설계한다. 결과적으로 제안하는 방법은 메쉬와 같이 연결정보다 없는 입자 기반 데이터에서도 EMC 알고리즘을 구현하여 볼륨(Volume) 손실을 줄이고, 복잡한 음함수 표면을 표현할 수 있게 한다.

• 한국지능시스템학회논문지
• /
• 제11권9호
• /
• pp.817-821
• /
• 2001

본 논문은 분류 문제의 훈련 패턴으로부터 형성되는 커널 공간의 저밀도 표현을 가능하게 하는 커널 방법에 대한 새로운 학습방법론을 제안한다. 선형 판별 함수에 대한 기존의 학습법 중에서 이완 절차가 SVM(Support Vector Machine) 분류기와 동등하게 선형분리 가능 패턴분류 문제의 최대 마진 분리 초평면을 얻을 수 있다. 기존의 이완 절차는 지원 백터에 대한 필요 조건을 만족한다. 본 논문에서는 학습 중 지원 벡터를 확인하기 위한 충분 조건을 제시한다. 순차적 학습을 위하여 기존의 SVM을 확장하고 커널 판별함수를 정의한 후에 체계적인 학습방법을 제시한다. 실험 결과는 새 방법이 기존의 방법과 동등하거나 우수한 분류 성능을 갖고있음을 보여준다.