• 응용통계연구
• /
• 제13권2호
• /
• pp.447-455
• /
• 2000

본 논문에서는 커널분류기에 요구되는 다량의 계산량과 자료저장공간을 감소시키도록 고안된 최적군집방법을 적용한 K-평균 가중커널분류기법이 제안되었다. 이 방법은 원래의 훈련표본보다 작은 수의 참고벡터들과 그들의 가중값을 들을 찾아 원래 커널분류 기준을 근사화하여 패턴을 인식하는 것이다. K-평균 가중커널분류기법은 가중파젠윈도우(WPW)분류기법을 개량한 것으로서 참고벡터들을 계산하기 위한 초기 부적절하게 군집된 관측값들을 최적으로 재군집화 함으로써 WPW기법의 단범을 극복하였다. 실제자료들에 제안된 방법을 적용한 결과 WPW분류기법보다 참고벡터들의 대표성과 자료축소면에서 월등히 향상된 결과를 확인하였다

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2001년도 하계종합학술대회 논문집(3)
• /
• pp.9-12
• /
• 2001

Learning vector quantization (LVQ) is a supervised learning technique that uses class information to move the vector quantizer slightly, so as to improve the quality of the classifier decision regions. In this paper we propose a selection method of initial codebook vectors for a teaming vector quantization (LVQ3) using support vector machines (SVM). The method is experimented with artificial and real design data sets and compared with conventional methods of the condensed nearest neighbor (CNN) and its modifications (mCNN). From the experiments, it is discovered that the proposed method produces higher performance than the conventional ones and then it could be used efficiently for designing nonparametric classifiers.

• 한국통신학회논문지
• /
• 제36권7C호
• /
• pp.428-434
• /
• 2011

Recently, subspace analysis has raised its performance to a higher level through the adoption of kernel-based nonlinearity. Especially, the radial basis function, based on its nonparametric nature, has shown promising results in face recognition. However, due to the endemic small sample size problem of face data, the conventional kernel-based feature extraction methods have difficulty in data representation. In this paper, we introduce a novel variant of the RBF kernel to alleviate this problem. By adopting the concept of the nearest feature line classifier, we show both effectiveness and generalizability of the proposed method, particularly regarding the small sample size issue.

• 한국수자원학회논문집
• /
• 제32권1호
• /
• pp.3-13
• /
• 1999

본 연구에서는 공간 분포의 해석을 위하여 일반적으로 사용되어 오던 Thiessen 또는 Kriging 법들을 대체할 수 있는 새로운 모형인 SANN(Spatial-Analysis Neural-Network)을 소개한다. 이 모델은 신경망 기법을 이용한 비매개 변수법의 일종으로 미측정 기점의 평균값 뿐만 아니라 분산, 왜도 등의 고차 통계치를 제공하여 준다. 또한 어떤 기점에서의 공간변수의 값이 그 심각도에 따른 미리 지정된 여러 분류들 중 각각의 분류에 속할 확률값과 전체 공간을 각 분류에 따라 가장 최적하게 분류경제(class boundary)를 선정하여줄 수 있는 Bayesian 계급분류기(Classifier)를 제공하는 의사결정(decision-making) 역할도 수행할 수 있다. 본 연구에서는 제안된 SANN모형의 외삽기(interpolator)를 사용하여 관측 기점의 연평균 강우량을 대상 유역 전체의 공간적으로 분포시키고 또한 각 지점의 예측 오류를 산정하며, Bayesian 분류기를 사용하여 대상유역을 가장 적절하게 건조, 보통, 습윤 지역으로 분류하는 방법을 제시하여 본다. 본 연구에서는 39개 강우 계측 지점을 이용하여 우리나라의 연평균 강우의 공간 해석에 응용하여 본다. 결과적으로 연평균 강우량의 공간 분포, 표준편차, 그리고 확률도를 얻었다. 더불어 우리나라 전역을 건조, 보통, 습윤 지역으로 분류하여 보았다.