• Journal of the Korean Institute of Telematics and Electronics C
• /
• v.36C no.6
• /
• pp.1-8
• /
• 1999

In circuit partitioning problem, work on vertex ordering have used to get good results for k-way partitioning. Body of work constructs a partitioning by first consturcting a vertex ordering, then splitting it. We present a re-placement algorithm for enhanced results by replacing and splitting the cllusters repeatedly. Experimental results on several circuits show that our approach achieves enhancement.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.04b
• /
• pp.493-495
• /
• 2000

동영상에서 동작물체 영역과 배경 영역을 추출하는 방법에는 크게 원본 영상들의 특징값을 이용하는 방법, 동작벡터 혹은 광류를 이용하는 방법, 그리고 동작벡터와 원본영상을 모두 이용하는 방법의 세가지가 있다. 이중 많이 사용되고 있는 동작벡터를 이용하는 방법에는 히스토그램을 이용하는 방법과 동작벡터의 특징값에 대한 클러스터링을 이용해 분할 하는 방법이 있는데. 이들 기존 방법은 몇가지 문제점을 가지고 있다. 전자는 구현이 간단하나 세부적인 영역분할이 어렵다는 문제점이 있고, 후자는 일반적으로 높은 계산 복잡도를 가지며 초기 클러스터 개수 선정에 문제를 지니고 있다. 본 논문에서는 낮은 계산 복잡도를 가지며 클러스터 할당과 병합된 클러스터 중심 계산에 있어 보다 적응적인 Seeded Split-Merge 클러스터링 방법을 제안한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10b
• /
• pp.757-759
• /
• 2003

암의 치료법은 같은 종류의 암이라 해도 그 하부 클래스에 따라 매우 다르기 때문에 암의 클래스를 예측하는 것은 그 정확한 치료를 위하여 매우 중요하다. 유전자 발현 데이터를 이용한 암의 분류에 있어 기존의 연구들은 각 데이터를 하나의 클러스터에 소속시키는 하드 분할(hard partition)에 의한 분할 방식을 사용하는 하드 클러스터링을 사용하였다. 하지만 일반적으로 유전자 발현 암 데이터와 같은 실세계의 데이터는 쉽게 나뉘어지기 힘들거나 클러스터 간의 경계가 분명하지 않기 때문에 하드 클러스터링 기법은 주어진 데이터의 성질을 손실시킬 수 있는데 반해, 퍼지 클러스터링 기법은 각 데이터가 소속 정도에 따라 여러 개의 클러스터에 속할 수 있도록 분할하기 때문에 이러한 손실을 최소화할 수 있다. 따라서 본 논문에서는 퍼지 클러스터링의 대표적인 방법인 fuzzy c-means 클러스터링을 적용하여 암의 클래스를 예측하고, 다양한 하드 클러스터링 방법과 비교함으로써 퍼지 클러스터링의 성능을 검증하였다.

• Journal of Internet Computing and Services
• /
• v.9 no.4
• /
• pp.43-50
• /
• 2008

Various studies are being conducted to achieve efficient routing and reduce energy consumption in wireless sensor networks where energy replacement is difficult. Among routing mechanisms, the clustering technique has been known to be most efficient. The clustering technique consists of the elements of cluster construction and data transmission. The elements that construct a cluster are repeated in regular intervals in order to equalize energy consumption among sensor nodes in the cluster. The algorithms for selecting a cluster head node and arranging cluster member nodes optimized for the cluster head node are complex and requires high energy consumption. Furthermore, energy consumption for the data transmission elements is proportional to $d^2$ and $d^4$ around the crossover region. This paper proposes a means of reducing energy consumption by increasing the efficiency of the cluster construction elements that are regularly repeated in the cluster technique. The proposed approach maintains the number of sensor nodes in a cluster at a constant level by equally partitioning the region where nodes with density considerations will be allocated in cluster construction, and reduces energy consumption by selecting head nodes near the center of the cluster. It was confirmed through simulation experiments that the proposed approach consumes less energy than the LEACH algorithm.

• Proceedings of the Computational Structural Engineering Institute Conference
• /
• 2011.04a
• /
• pp.635-638
• /
• 2011

유한요소법은 편미분방정식(Partial Differential Equation)의 수치적 근사 해를 구하기 위한 가장 일반적이고 효율적인 방법으로 다양한 공학 분야에서 널리 사용되어지고 있다. 유한요소법의 해석은 연속적인 범위를 가지는 문제를 여러 개의 요소로 나누어 다항식의 형상함수를 만들게 되며 결과적으로 근사 해를 구하게 된다. 이때 해석의 정확성을 높이기 위하여 형상함수의 차수를 높이고 요소의 개수를 늘리게 되면, 이에 따른 수치 계산량의 급격한 증가로 인해 수치해석의 효율성은 떨어지게 된다. 이를 보완하기 위해 유한요소법에 영역분할기법을 적용하여 병렬해석을 수행하면 해의 정확성과 효율성을 동시에 높인다. 병렬해석을 수행하는데 있어서 클러스터의 구조적 특성은 해석의 효율성에 영향을 미치게 된다. 따라서 본 논문에서는 일반적인 모델에 대하여 병렬해석의 수행을 통하여 클러스터의 구조적 특성이 병렬해석의 효율성에 미치는 영향에 대해 확인한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04a
• /
• pp.70-72
• /
• 2004

본 논문에서는 Grid 시스템에서 작업을 할당하기 위해서, 가능한 모든 작업 분할 방법을 찾는 기법에 대해 연구 하고자 한다. 즉 다수의 노드를 가진 여러 클러스터 사이에 많은 노드를 필요로 하는 작업을 할당하기 위해 변형된 깊이 우선 탐색 트리를 사용하여 작업 분할 리스트를 찾는 방법을 만들고, 그 알고리즘의 속도 및 효율을 평가하였다. 제안된 알고리즘은 전체 리스트를 검색하는 방법에 비해 속도 측면에서 빠른 효율을 보이는 것을 알 수 있다. 따라서 제안된 알고리즘은 동기화된 작업의 스케쥴링에 사용할 경우 유용할 것으로 생각된다.

• Journal of KIISE:Software and Applications
• /
• v.27 no.10
• /
• pp.1038-1045
• /
• 2000

본 논문에서는 칼라공간상의 거리와 이웃정보를 이용한 클러스터링을 통한 칼라영상 분할 방법을 제안한다. 칼라영상의 한 픽셀은 칼라정보(R.G.B)와 위치정보(x.y)를 가진다. 대개의 칼라공간에서의 클러스터링방법은 픽셀을 (R,G,B)공간으로 변환후 (R,G,B)공간상의 분포만을 이용하지만 여기서는(R,G,B)와 (x.y)모두를 사용하여 클러스터링함으로 영상의 세그먼트들을 찾는다. 클러스터링 방법으로서 인력을 모방하는 중력 클러스터링(gravitational clustering)을 사용하였다. 이 방법은 클러스터의 중심값과 클러스터 수를 미리 정해주지 않아도 자동적으로 결정할 수 있는 장점이 있다. 중력 클러스터링에서 찾은 클러스터 수를 가지고 다른 클러스터링 방법(K-means)에 입력으로 주어 결과를 비교해 본다. 본 논문에서는 이웃관계를 따라 클러스터링하는 것이 정확한 경계선을 찾는데 효과적임을 보여준다.

• Journal of Biomedical Engineering Research
• /
• v.21 no.4
• /
• pp.333-338
• /
• 2000

In this paper, an automated segmentation algorithm is proposed for MR brain images using T1-weighted, T2-weighted, and PD images complementarily. The proposed segmentation algorithm is composed of 3 step. In the first step, cerebrum images are extracted by putting a cerebrum mask upon the three input images. In the second step, outstanding clusters that represent inner tissues of the cerebrum are chosen among 3-dimensional(3D) clusters. 3D clusters are determined by intersecting densely distributed parts of 2D histogram in the 3D space formed with three optimal scale images. Optimal scale image is made up of applying scale space filtering to each 2D histogram and searching graph structure. Optimal scale image best describes the shape of densely distributed parts of pixels in 2D histogram and searching graph structure. Optimal scale image best describes the shape of densely distributed parts of pixels in 2D histogram. In the final step, cerebrum images are segmented using FCM algorithm with its initial centroid value as the outstanding clusters centroid value. The proposed cluster's centroid accurately. And also can get better segmentation results from the proposed segmentation algorithm with multi spectral analysis than the method of single spectral analysis.

• Proceedings of the Korean Information Science Society Conference
• /
• 2011.06c
• /
• pp.184-187
• /
• 2011

셀 트래킹의 목적은 셀의 이동(translocation), 분할(mitosis), 통합(fusion), 아포토시스(apoptosis), 셀의 모양 변형, 셀들 간의 상호 작용 등을 포함하는 모든 셀의 행동들을 분석하기 위한 것이다. 셀은 시간이 경과함에 따라 새롭게 나타나기도, 죽기도 하며 한 개 이상의 셀이 부분적으로 겹쳐 클러스터를 형성하기도 하고 클러스터는 다시 여러 개의 셀로 분리되기도 한다. 본 연구에서는 현미경으로부터 얻은 이미지에서 셀 트래킹을 위한 이미지 처리 방법과 오목 정점을 이용하여 셀과 클러스터를 구분하여 계수하는 방법을 제시한다. 또한 타원 근사법(ellipse fitting)을 통해 클러스터를 몇 개의 셀로 분리하기 위한 방법을 제시하고 결과를 분석한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2000.05a
• /
• pp.1-4
• /
• 2000

본 논문에서는 패턴 데이터(pattern data) 의 분할(partitioning)위하여, 계산량의 단축할 수 있는 효과적인 퍼지 클러스터링 알고리즘(fuzzy clustering algorithm)을 제시한다. 본 논문에 제시된 알고리즘은 두 단계로 수행된다. 첫번째 단계는, 개선된 FCM(Fuzzy C-means)방법에 의해 입력 패턴틀에 대해, 단지 두 번의 반복 수행과정만을 거쳐, 충분히 많은 개수의 초기 클러스터 중 심(center)를 결정한다. 다음 단계에서는, 본 논문에 제시될 클러스터 합치기 알고리즘(cluster merging algorithm)을 통해 각 클러스터의 부피(volume)에 따라 클러스터들을 합치는 과정(merging process)을 하게 된다. 결과적으로 일정한 제한된 개수의 무정형(amorphous)의 클러스터틀의 효과적으로 표현될 수 있다. 본 논문의 마지막에 제시될 실험 결과들은 제시된 방법의 유용성을 보여줄 것이다.