• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.21 no.5
• /
• pp.967-973
• /
• 2017

Clustering is one of the most well-known unsupervised learning methods that clusters data into homogeneous groups. Clustering has been used in various applications and FCM is one of the representative methods. In Fuzzy C-Means(FCM), however, cluster centers tend leaning to high density areas because the Euclidean distance measure forces high density clusters to make more contribution to clustering result. Previously proposed was density-independent clustering method, where cluster centers were made not to be close each other and relived the center deviation problem. Density-independent clustering method has a limitation that it is difficult to specify the position of the cluster centers. In this paper, an enhanced density-independent clustering method with an additional term that makes cluster centers to be placed around dense region is proposed. The proposed method converges more to real centers compared to FCM and density-independent clustering, which can be verified with experimental results.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2015.10a
• /
• pp.248-249
• /
• 2015

Clustering is one of the most important unsupervised learning methods that clusters data into homogeneous groups. However, cluster centers tend leaning to high density clusters because clustering is based on the distances between data points and cluster centers. In this paper, a modified clustering method forcing cluster centers to be apart by introducing a center-scattering term in the Fuzzy C-Means objective function is introduced. The proposed method converges more to real centers with small number of iterations compared to the original one. All the strengths can be verified with experimental results.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.24 no.1
• /
• pp.1-7
• /
• 2020

Fuzzy clustering, represented by FCM(Fuzzy C-Means), is a simple and efficient clustering method. However, the object function in FCM makes clusters affect clustering results proportional to the density of clusters, which can distort clustering results due to density difference between clusters. One method to alleviate this density problem is EDI-FCM(Extended Density-Independent FCM), which adds additional terms to the objective function of FCM to compensate for the density difference. In this paper, proposed is an enhanced EDI-FCM using regularization, Regularized EDI-FCM. Regularization is commonly used to make a solution space smooth and an algorithm noise insensitive. In clustering, regularization can reduce the effect of a high-density cluster on clustering results. The proposed method converges quickly and accurately to real centers when compared with FCM and EDI-FCM, which can be verified with experimental results.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10d
• /
• pp.647-650
• /
• 2006

무선 센서 네트워크에서는 다른 네트워크보다 전력 공급이 큰 제약으로 작용하고 있는데, 본 논문에서는 클러스터를 기반으로 하는 프로토콜에서 클러스터를 구성하는 센서 노드의 밀도에 따라서 클러스터 헤더에게 데이터를 전송하는 노드 수를 조정하는 방법을 제안한다. 제안하는 스케줄링 개념은 노드 밀도가 큰 클러스터에서는 클러스터 멤버 노드들의 라운드 당 데이터 전송 회 수를 줄임으로써 전송 에너지 소모를 줄일 수 있으며 네트워크 전체의 라이프 타임을 증가 시킬 수 있다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2003.05a
• /
• pp.239-242
• /
• 2003

본 논문에서는 Gaussian Mixture Model을 이용한 Gustafson-Kessel 알고리즘의 성능을 개선하였다. 분포 및 밀도가 다른 데이터에 대하여 적절한 클러스터 파라미터를 추정함으로써 클러스터링의 성능을 개선한다. 일반적인 클러스터링 알고리즘의 경우, 데이터가 편중되거나 각 데이터의 밀도가 서로 틀린 경우 클러스터의 파라미터가 정확하게 클러스터를 표현하지 못하는 문제점을 가지고 있다. 제안된 방법에서는 Gustafson-Kessel 알고리즘을 이용하여 클러스터 파라미터를 추정하며 알고리즘내의 파라미터 일부를 Gaussian Mixture Model을 이용하여 동적으로 갱신하였다 시뮬레이션을 통하여 제안된 방법의 유용성을 보인다.

• Proceedings of the Korean Vacuum Society Conference
• /
• 2010.08a
• /
• pp.154-155
• /
• 2010

최근 Stranski-Krastanov (SK) 성장법을 이용한 자발형성 (Self-assembled) InAs/GaAs 양자점 (Quantum Dot) 연구가 기초 물리학뿐만 아니라 응용에 있어 활발하게 진행되고 있다. 그러나 기존 보고에 따르면 SK 성장법을 통한 InAs/GaAs 양자점은 크기, 균일도, 및 밀도 등의 성장거동 제어에 한계가 있다. 예로, 성장속도 및 증착양이 감소하더라도 상대적으로 크기가 큰 InAs/GaAs 클러스터 (Cluster)를 형성하여 크기분포의 불균일 및 결함을 야기하여 결과적으로 전기/광학적 특성을 저해하는 요인이 된다. 이를 개선하기 위한 방안으로 SK 성장법을 변형한 다양한 수정자발형성법이 제안되어 연구되고 있다. 본 논문에서는 기존 SK 성장법과 Arsenic-interruption Technique(AIT), In Pre-deposition (IPD)법을 각각 접목한 수정자발형성법을 이용하여 상대적으로 크기가 큰 InAs/GaAs 양자점 또는 클러스터 형성을 감소시켜 공간적 크기 균일도 및 밀도를 제어한 결과를 보고한다. 성장된 InAs/GaAs 양자점 시료의 구조 및 광학적 특성을 원자력간현미경 (Artomic Force Microscopy, AFM)과 Photoluminescence (PL) 분광법을 이용하여 분석하였다. 기존 SK 성장법을 이용하여 형성한 기준시료의 AFM 이미지에서 InAs/GaAs 양자점과 클러스터의 공간밀도는 각각 6.4*1010/cm2와 1.4*109/cm2로 관찰되었다. 그러나, AIT를 이용한 양자점 시료의 경우 상대적으로 크기가 큰 InAs/GaAs 클러스터는 관찰되어지지 않았고, 양자점 밀도는 8.4*1010/cm2로 SK 양자점에 비하여 30% 정도 개선되었다. 또한, InAs/GaAs 클러스터를 제외한 공간 균일도는 SK-InAs/GaAs 양자점의 15.6%에 비하여 8%로 크게 개선된 결과를 얻었다. AIT 성장법을 이용한 InAs/GaAs 양자점에서 원자의 이동거리 (Migration Length)의 제어로 양자점의 형성특성이 개선된 것으로 설명할 수 있으며, Arsenic 차단 시간이 임계점 이상으로 길어지면 다시 InAs/GaAs 클러스터들이 형성되는 것을 관찰할 수 있었다. InAs/GaAs 양자점과 클러스터 형성 특성이 초기 표면 조건에 어떻게 영향을 받는지 분석하기 위해, InAs 양자점 성장 이전에 V족 물질 공급 없이 Indium의 공급시간을 1초(IPDT1S 시료), 2초 (IPDT2S 시료), 3초 (IPDT1S 시료)로 변화시키면서 증착하고 기존 SK 성장법으로 양자점을 성장하였다 (IPD성장법). 그 결과 IDP1S 양자점 시료의 공간밀도가 10*1010/cm2로 SK InAs/GaAs 양자점 시료에 비해 약 60% 정도 증가하였고, 클러스터도 관찰 할 수 없었다. 그러나 IPD 시간이 증가할수록 다시 InAs/GaAs 클러스터들이 형성되는 것을 관찰할 수 있었다. 이러한 결과는 InAs/GaAs 양자점 성장초기에 InAs 핵생성 사이트 (Nucleation site)의 크기 및 상태를 제어하는 것이 양자점의 밀도 및 균일도를 제어하는 중요한 요소임을 알 수 있다.

• The KIPS Transactions:PartC
• /
• v.17C no.3
• /
• pp.291-298
• /
• 2010

In wireless sensor networks, energy is the most important consideration because the lifetime of the sensor node is limited by battery. The clustering is the one of methods used to manage network energy consumption efficiently and LEACH(Low-Energy Adaptive Clustering Hierarchy) is one of the most famous clustering algorithms. LEACH utilizes randomized rotation of cluster-head to evenly distribute the energy load among the sensor nodes in the network. The random selection method of cluster-head does not guarantee the number of cluster-heads produced in each round to be equal to expected optimal value. And, the cluster head in a high-density cluster has an overload condition. In this paper, we proposed both a token based cluster-head selection algorithm for guarantee the number of cluster-heads and a cluster selection algorithm for uniform-density cluster. Through simulation, it is shown that the proposed algorithm improve the network lifetime about 9.3% better than LEACH.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2009.01a
• /
• pp.301-304
• /
• 2009

무선 센서 네트워크는 제한된 에너지로 동작하는 다수의 센서 노드로 구성되기 때문에 효율적으로 에너지를 사용 것이 중요하다. 기존의 클러스터 기반 알고리즘은 지역적으로 인접한 다수의 노드들을 클러스터로 구성하고 멤버 노드로부터 수신된 데이터를 병합하여 전송함으로써 에너지 소모를 줄였다. 하지만 클러스터링 과정에서 노드의 밀도를 고려하지 않았기 때문에 불균등한 노드 분포상에서 데이터 병합의 효과를 얻을 수 없는 클러스터를 생성할 수 있다. 따라서 본 논문에서는 클러스터링과정에 노드의 밀도를 고려하여 데이터 병합 효과를 최대화하고, 에너지 소모를 줄일 수 있는 새로운 클러스터링 알고리즘을 제안한다.

• Proceedings of The KACE
• /
• 2018.01a
• /
• pp.41-44
• /
• 2018

교육데이터마이닝은 다양한 교육 환경에서 생성되는 막대한 양의 데이터를 활용하여 학습자들의 학습 유형, 학습 진도를 분석, 예측하고 교육 성취를 효과적으로 향상시키는 것을 목적으로 한다. 효과적인 교육데이터마이닝 결과를 얻기 위해서는 교육데이터에 대한 정제 과정이 필요하며 DBSCAN 클러스터링을 통해 교육데이터에 포함된 노이즈 데이터를 제거하고 생성된 각 클러스터에서 동일한 비율로 데이터를 추출함으로써 편향되지 않은 표본 데이터를 생성할 수 있다. 하지만 DBSCAN은 두 개의 전역 매개변수에 의해 다양한 밀도분포를 가지는 클러스터를 생성할 수 없다는 문제점이 있으며 이는 교육 데이터를 정제함에 있어 치명적인 문제점이 될 수 있다. 본 논문에서는 DBSCAN의 문제점을 개선하고 클러스터링 정확도를 향상시키기 위해 고정된 매개변수를 사용하지 않고 각 밀도분포에 대해 최적의 입력 매개변수를 결정함으로써 다양한 밀도분포를 가지는 클러스터들을 효과적으로 생성하는 C-DBSCAN을 제안한다.

• The KIPS Transactions:PartC
• /
• v.13C no.6 s.109
• /
• pp.741-748
• /
• 2006

Due to the continuous development of sensor technology, Wireless Sensor Networks are rapidly growing and are expected to be applied to various applications. One of the most important factors in Wireless Sensor Networks is energy-efficient management of network resources. For this purpose, a lot of researches have been ongoing in the development of energy-efficient routing protocol. In this paper, a cluster head selection algorithm considering node density in addition to the cluster head selection algorithm of LEACH-C is proposed and simulated. This algorithm gives nearly the same computational speed compared to that of LEACH-C and shows improvement of network lifetime about 11% better than LEACH-C. The simulation result shows that consideration of density as well as distance between nodes in cluster head selection can be more energy-efficient than considering only the distance between nodes as LEACH-C in energy usage of Wireless Sensor Networks.