• Proceedings of the Acoustical Society of Korea Conference
• /
• spring
• /
• pp.225-228
• /
• 2002

본 논문에서는 화자인식을 위하여 강인한 주성분 분석법(Robust Principal Component Analysis)을 갖는 화자인식 방법을 제안하였다. 강인한 주성분 분석법은 특징벡터들의 outlier가 존재할 경우 k-차원으로 줄이면서 강인한 화자 모델을 만들기 위하여 사용한다. 기존의 PCA 방법은 순수한 화자의 정보가 잡음 등의 outlier에 의해 손상될 수 있으므로, 강인한 주성분 분석법을 사용하여 outlier의 영향을 감소 시켰다. 화자 별로 k-차원 diagonal GMM 학습시 mixture 수를 적응시켜 데이터 저장 공간을 최소화하였다. 200명의 고립 숫자음을 사용하여 기존의 diagonal GMM 방법과 제안된 방법을 실험한 결과, 제안된 방법에서 약 $1.5\%$더 높은 인증률을 얻을 수 있었다.

• Proceedings of the KAIS Fall Conference
• /
• 2000.10a
• /
• pp.124-127
• /
• 2000

반도체 제조 공정의 진단 및 고장 예측 시스템을 개발하기 위해 PCA(Principal Component Analysis) 기법을 적용하여 데이터 분석을 하고자 하며, 이에 대한 이론적인 연구와 연구 수행 절차를 구체적으로 정립하였다. 비쥬얼 C++에서 MATLAB과 PLS_Toolbox 등을 연동하여 직관적이고 시각적이며 사용자가 효율적으로 공정 현장에 적용할 수 있는 시스템을 개발하고자 한다. 지금까지 PCA와 관련한 다양한 문헌 조사를 수행하였고, 이론적인 연구를 하였다. 비쥬얼 C++ 프로그램에서 MATLAB과 PLS_Toolbox 등을 연동하기 위해 필요한 환경 선정 등을 완료하였으며, 초기 단계의 간단한 모듈들을 개발하였다. 다음 단계의 모듈들은 좀 더 빠른 시간에 개발할 수 있을 것으로 기대한다. 이를 공정 현장에서 수집한 다양한 데이터에 적용하여 그 결과를 피드백하여 시스템을 수정하고 보완하고자 하며, 마지막으로 현장에 적용하고자 한다.

• Proceedings of the Korea Institute of Convergence Signal Processing
• /
• 2003.06a
• /
• pp.114-117
• /
• 2003

본 논문에서는 video stream내의 움직이는 객체 정보를 추정하고 동적 GTM(genetic tree-map) 알고리즘을 사용하여 얼굴 영역 검출 기법을 제안한다. 기존의 일반적인 객체 추정 기법은 클러스터(cluster)과정을 통하여 영상 정보를 분할하고 그 중 움직이는 객체 부분을 복원함으로서 추정하였다. 제안하는 기법은 BMA(block matching algorithm)［1］ 알고리즘을 사용하여 video stream 에서 움직이는 객체 정보를 얻고 클러스터 알고리즘으로 PCA(principal component analysis)를 사용한다. PCA 기법은 입력 데이터에 관해 통계적 특성을 이용하여 주성분을 찾는다. 주축과 영역분할 알고리즘을 사용하여 데이터를 분할하고, 분할된 객체 정보를 사용하여 특정 객체만을 추정하는 것이 가능하다. 이렇게 추정된 객체를 얼굴영역의 feature에 대하여 신경망 학습인 동적 GTM 알고리즘을 사용하여 생성된 동적 GTM 맵의 정보에 따라 객체의 얼굴영역만을 추출해 낼 수 있다［2-6］.

• The Transactions of The Korean Institute of Electrical Engineers
• /
• v.61 no.1
• /
• pp.125-129
• /
• 2012

In this paper, we propose an intelligent method to surveil moving objects and to judge an unusual-behavior by using network cameras. To surveil moving objects, the Scale Invariant Feature Transform (SIFT) algorithm is used to characterize the feature information of objects. To judge unusual-behaviors, the virtual human skeleton is used to extract the feature points of a human in input images. In this procedure, the Principal Component Analysis (PCA) improves the accuracy of the feature vector and the fuzzy classifier provides the judgement principle of unusual-behaviors. Finally, the experiment results show the effectiveness and the feasibility of the proposed method.

• Proceedings of the KIEE Conference
• /
• 2003.11c
• /
• pp.1010-1013
• /
• 2003

This paper describes an algorithm for determining robot location using appearance-based paradigm. This algorithm compress the image set using PCA(principal component analysis) to obtain a low-dimensional subspace, called the eigenspace, and it makes a manifold that represent a continuous-appearance function. To determine robot location, given an unknown input image, the recognition system first projects the image to eigenspace. Neural network use coefficients of the eigenspace to estimate the location of the mobile robot. The algorithm has been implemented and tested on a mobile robot system. In several trials it computes location accurately.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.07a
• /
• pp.249-250
• /
• 2022

최근 API Call을 기반으로 하는 악성코드 탐지 및 분류에 대한 연구가 활발히 진행되고 있다. 그러나 API Call 기반의 데이터는 방대한 양과 다양한 차원의 특성으로 인해 분석과 학습 모델 구축 측면에서 비효율적인 한계가 있다. 이에 본 연구에서는 방대한 API Call 정보를 포함하고 있는 CICAndMal2020 데이터 세트를 대상으로 기존의 특성 선택 기법이 아닌 주성분 분석(Principal Component Analysis)을 사용하여 차원을 대폭 축소 시킨 후 머신러닝 기법을 적용하여 분류를 시도하였다. 실험 결과 전체 9,503개의 특성을 25개의 주성분(전체 대비 약 0.26% 수준)으로 축소시키고 다중 분류 기준 약 84%의 정확도를 나타냈다. 결과적으로 기존 연구에서의 탐지 모델 대비 정확도, F1-score 등의 성능 향상은 물론 차원 축소 측면에서 매우 향상된 결과를 달성하였다.

• Smart Structures and Systems
• /
• v.20 no.4
• /
• pp.427-440
• /
• 2017

One of the suitable structural damage detection methods using vibrational characteristics are damage-index-based methods. In this study, a damage index for identifying damages in plate structures using frequency response function (FRF) data has been provided. One of the significant challenges of identifying the damages in plate structures is high number of degrees of freedom resulting in decreased damage identifying accuracy. On the other hand, FRF data are of high volume and this dramatically decreases the computing speed and increases the memory necessary to store the data, which makes the use of this method difficult. In this study, FRF data are compressed using two-dimensional principal component analysis (2D-PCA), and then converted into damage index vectors. The damage indices, each of which represents a specific condition of intact or damaged structures are stored in a database. After computing damage index of structure with unknown damage and using algorithm of lookup tables, the structural damage including the severity and location of the damage will be identified. In this study, damage detection accuracy using the proposed damage index in square-shaped structural plates with dimensions of 3, 7 and 10 meters and with boundary conditions of four simply supported edges (4S), three clamped edges (3C), and four clamped edges (4C) under various single and multiple-element damage scenarios have been studied. Furthermore, in order to model uncertainties of measurement, insensitivity of this method to noises in the data measured by applying values of 5, 10, 15 and 20 percent of normal Gaussian noise to FRF values is discussed.

• Journal of Sensor Science and Technology
• /
• v.11 no.5
• /
• pp.279-285
• /
• 2002

Two $SnO_2$ based sensing films(pure $SnO_2$ and $SnO_2$/Pt) and a Pt thin film for temperature sensor on an alumina substrate were designed and fabricated for classifying the indoor environmental gases. By controlling the heating power in the shape of trapezoid, unique four sensing response curves created from both $SnO_2$ film and $SnO_2$/Pt film. Then, various parameters were extracted from sensing response curves and carried out principal component analysis(PCA). The results confirm that a sensor array with the proposed operating mode was extremely effective in classifying indoor environmental gases such as $CO_2$, $C_3H_8$, $C_4H_{10}$.

• Journal of the Korean Society of Tobacco Science
• /
• v.30 no.2
• /
• pp.94-102
• /
• 2008

In this paper, we describe our study on the characterization of tobacco leaves by their pyrolysis patterns. Two kinds of tobacco leaves were pyrolyzed and analyzed by Double-Shot Pyrolysis-Gas Chromatography/Mass Spectroscopy (Py-GC/MS) methods. Three grades of Korean flue-cured tobacco leafsuch as B1O, AB3O, CD3L and burley tobacco leaves such as B1T, AB3T, CD3W were pyrolyzed with six discrete but stepwise heating temperature ranges, those are from 100$^{\circ}C$ to 150$^{\circ}C$, 150$^{\circ}C$ to 200$^{\circ}C$, 200$^{\circ}C$ to 250$^{\circ}C$, 250$^{\circ}C$ to 300$^{\circ}C$, 300$^{\circ}C$ to 350$^{\circ}C$ and finally from 350$^{\circ}C$ to 400$^{\circ}C$. Using the resultant 52 pyrolytic components identified in the programs as components, principal component analysis (PCA) showed statistical classification between flue-cured and burley tobacco lamina. Among six pyrolysis temperature ranges, the best discrimination was achieved at the temperature range from 250$^{\circ}C$ to 300$^{\circ}C$ and from 300$^{\circ}C$ to 350$^{\circ}C$.

• Korean Journal of Cognitive Science
• /
• v.23 no.3
• /
• pp.295-322
• /
• 2012

In this paper, we cluster similar word senses applying vector space model and HAL (Hyperspace Analog to Language). HAL measures corelation among words through a certain size of context (Lund and Burgess 1996). The similarity measurement between a word pair is cosine similarity based on the vector space model, which reduces distortion of space between high frequency words and low frequency words (Salton et al. 1975, Widdows 2004). We use PCA (Principal Component Analysis) and SVD (Singular Value Decomposition) to reduce a large amount of dimensions caused by similarity matrix. For sense similarity clustering, we adopt supervised and non-supervised learning methods. For non-supervised method, we use clustering. For supervised method, we use SVM (Support Vector Machine), Naive Bayes Classifier, and Maximum Entropy Method.