• 한국정보통신학회논문지
• /
• 제14권5호
• /
• pp.1093-1102
• /
• 2010

주성분 분석(PCA)은 데이터의 차원을 줄이면서 최대의 데이터 변이를 보존하는 기법으로 차원 축소나 피처 추출을 위해 널리 사용되고 있다. 하지만 PCA는 잡음에 민감한 단점이 있으며, 이러한 잡음 민감성을 해결하기 위해 여러 가지 PCA 변형이 제안되었다. 그 중 robust fuzzy PCA(RF-PCA)는 퍼지 소속도를 사용하여 잡음의 영향을 효과적으로 줄일 수 있음이 입증되었다. 하지만 RF-PCA 역시 몇 가지 문제점이 있고, 수렴성이 그 중 하나이다. RF-PCA는 소속도와 주성분을 갱신할 때 서로 다른 목적 함수를 사용하므로 수렴 속도가 느리고 구해지는 해가 국부 최적 해임을 보장하지 않는다. 이 논문에서는 RF-PCA의 문제점을 해결하기 위해 하나의 목적 함수를 이용해 소속도와 주성분을 갱신할 수 있는 방법을 제안한다. 제안한 방법, RF-PCA2는 반복 최적화를 이용함으로써 국부 최적해에 수렴함을 보장하며, RF-PCA에 비해 빠른 수렴 속도를 가지고, 잡음 민감성이 줄어든다. 이러한 사실들은 실험 결과를 통해 확인할 수 있다.

• 한국컴퓨터정보학회논문지
• /
• 제16권4호
• /
• pp.15-22
• /
• 2011

주성분 분석(PCA)은 데이터의 차원을 줄이면서 최대의 데이터 변이를 보존하는 기법으로 차원 축소나 특징 추출을 위해 널리 사용되고 있다. 하지만 PCA는 잡음에 민감하며 가우스 분포에 대하여만 유효하다는 단점이 있다. 잡음 민감성의 개선을 위해 다양한 방법이 제시되었고 그 중 퍼지 소속도를 이용한 반복적 최적화 기법인 RF-PCA2가 다른 방법에 비해 우수한 성능을 보였다. 하지만 RF-PCA2는 가우스 분포에만 사용할 수 있는 선형 알고리듬이라는 한계가 있다. 이 논문에서는 RF-PCA2와 커널 주성분 분석(kernel PCA, K-PCA)을 결합하여 가우스 분포 이외의 분포들도 다룰 수 있는 비선형 알고리듬인 improved robust kernel fuzzy PCA (RKF-PCA2)를 제안한다. RKF-PCA2는 RF-PCA2 알고리듬의 잡음 강건성과K-PCA의비선형성을 통해 기존알고리듬에 비해 잡음민감성이 적으며 가우스분포 한계를 효과적으로 극복할 수 있다. 이러한 사실은 실험 결과를 통해 확인할 수 있다.

• Communications for Statistical Applications and Methods
• /
• 제8권3호
• /
• pp.625-632
• /
• 2001

Principal component analysis(PCA) is a multivariate technique falling under the general title of factor analysis. The purpose of PCA is to Identify the dependence structure behind a multivariate stochastic observation In order to obtain a compact description of it. In engineering field PCA is utilized mainly (or data compression and restoration. In this paper we propose a new robust Hebbian algorithm for robust PCA. This algorithm is based on a hyperbolic tangent function due to Hampel ef al.(1989) which is known to be robust in Statistics. We do two experiments to investigate the performance of the new robust Hebbian learning algorithm for robust PCA.

• 응용통계연구
• /
• 제35권2호
• /
• pp.327-333
• /
• 2022

차원 축소를 위한 통계적 방법중에 주성분분석이 가장 널리 사용되고 있으나 주성분 분석의 여러 가지 장점에도 불구하고 이상치에 매우 민감하여 이를 강건화 하기 위한 여러 가지 방법이 제시되었다. 그 중에서도 Candès 등 (2011)과 Chandrasekaran 등 (2011)이 제안한 강건 주성분분석이 계산 가능하며 가장 효율적인 방법으로 알려져 있으며 최근 비디오 감시, 안면인식 등의 인공지능분야에 많이 사용되고 있다. 본 논문에서는 강건 주성준 분석의 개념과 최근 제안된 가장 효율적인 알고리즘을 소개한다. 아울러 실제 자료에 근거한 예제를 소개하고 향후 연구분야도 제안한다.

• 인터넷정보학회논문지
• /
• 제5권3호
• /
• pp.57-62
• /
• 2004

본 논문에서는, 효율적인 화자 식별을 위하여 강인한 벡터 양자화 주성분 분석을 제안하였다. 제안된 방법은 화자 식별에서 특징벡터의 학습을 위한 고차원(high dimension) 문제와 이상치(Outlier)에 대한 문제를 해결 하기위하여 제안 되었다. 먼저, 제안된 방법은 M-추정을 이용하여 강인한 벡터 양자화(Vector Quantization : VQ) 에 의한 몇 개의 분리된 영역으로 데이터 공간을 나눈다. 분리된 자 영역에서 공분산 행렬로부터 강인한 주성분 분석(Principal Component Analysis)이 얻어지게 된다. 마지막으로 각 영역에서 강인한 PCA에 의하여 줄어든 차원을 갖는 변환된 특징 벡터로부터 화자의 가우시안 혼합 모델(Gaussian Mixture Model : GMM)을 구한다. 제안된 방법은 같은 성능하에서 대각 공분산 행렬을 갖는 전형적인 GMM방법과 비교할 때 더빠른 결과를 얻었으며, 데이터의 저장공간을 줄일 수 있었을 뿐 아니라, 이상치가 존재할 경우에 더욱 강인하였다.

• 대한음성학회지:말소리
• /
• 제65호
• /
• pp.67-80
• /
• 2008

We have been building a text-independent speaker recognition system that is robust to unknown channel and noise environments. In this paper, we propose a linear transformation to obtain robust features. The transformation is optimized to maximize the distances between the Gaussian mixtures. We use rotation of the axes, to cope with the problem of scaling the transformation matrix. The proposed transformation is similar to PCA or LDA, but can achieve better result in some special cases where PCA and LDA can not work properly. We use YOHO database to evaluate the proposed method and compare the result with PCA and LDA. The results show that the proposed method outperforms all the baseline, PCA and LDA.

• 전자공학회논문지SC
• /
• 제45권6호
• /
• pp.67-76
• /
• 2008

성공적인 상업화를 위해서는 다양한 조명 환경에서 신뢰성 있는 얼굴 인식이 필요하다. 특징 벡터 기반 얼굴 인식에서 특징 벡터를 잘 선택하는 것은 중요하다. 가버 특징 벡터는 다른 특징 벡터보다도 상대적으로 방향, 자세, 조명 등의 영향을 덜 받는 것으로 잘 알려져 있어 얼굴 인식의 특징 벡터로 많이 이용된다. 그러나 조명의 영향에 대해 완전히 독립적이지 못하다. 본 논문에서는 얼굴 이미지의 가버 특징 벡터에 대한 조명 PCA 모델의 구성을 제안하고 이를 이용하여 조명에 독립적인 얼굴 고유의 특성을 나타내는 가버 특징 벡터만을 분리해내고 이를 이용한 얼굴 인식 방법을 제시한다. 가버 특징 벡터 조명 PCA 모델은 가버 특징 벡터공간을 조명 영향 부분공간과 얼굴 고유특성 부분공간의 직교 분해로 구성한다. 얼굴 고유특성 부분공간으로 투영하여 얻어진 가버 특징 벡터는 조명 영향을 분리해 내었기 때문에 이를 이용한 얼굴 인식은 조명에 보다 강인하게 된다. 실험을 통해서 가버 특징 벡터 조명 PCA 모델을 이용한 제안된 얼굴 인식 방식이 다양한 자세에서 조명에 대해 보다 신뢰성 있게 동작함을 확인하였다.

• 전자공학회논문지CI
• /
• 제49권2호
• /
• pp.61-74
• /
• 2012

본 논문에서는 MCS-LBP 이진패턴 영상과 2D-PCA 알고리즘을 이용한 조명 변화에 강인한 얼굴인식 시스템에 대하여 제안한다. 이진패턴 변환은 기존의 얼굴인식 및 표정인식 분야에 사용되는 기법으로, 일반적으로 조명 변화에 강인한 특성을 갖는다. 이에 본 논문에서는 기존의 LBP보다 조명 변화에 더 강인한 MCS-LBP를 제안하고, 더불어 2D-PCA 알고리즘과 결합하는 얼굴인식 시스템을 제안한다. 제안하는 얼굴인식 방법의 성능평가는 기존의 다양한 이진패턴 변환 영상과 얼굴인식에 널리 사용되고 있는 PCA, LDA, 2D-PCA 및 가버영상의 ULBP 히스토그램 특징을 사용하여 수행하였다. 다양한 조명변화 환경에서 구축된 YaleB, extended YaleB, CMU-PIE 등의 공인 얼굴 데이터베이스를 이용하여 실험한 결과, 제안하는 MCS-LBP영상과 2D-PCA 특징을 사용한 방법이 가장 우수한 인식 성능을 보였다.

• 전기학회논문지
• /
• 제64권9호
• /
• pp.1347-1355
• /
• 2015

In this study, we compare the recognition performance using PCA and RBFNNs for introducing robust face recognition system to pose variations based on pose estimation. proposed face recognition system uses Honda/UCSD database for comparing recognition performance. Honda/UCSD database consists of 20 people, with 5 poses per person for a total of 500 face images. Extracted image consists of 5 poses using Multiple-Space PCA and each pose is performed by using (2D)²PCA for performing pose classification. Linear polynomial function is used as connection weight of RBFNNs Pattern Classifier and parameter coefficient is set by using Particle Swarm Optimization for model optimization. Proposed (2D)²PCA-based face pose classification performs recognition performance with PCA, (2D)²PCA and RBFNNs.

• 한국컴퓨터정보학회논문지
• /
• 제16권2호
• /
• pp.25-31
• /
• 2011

주성분 분석(PCA)은 차원 축소와 특징 추출을 위해 널리 사용되는 기법 중의 하나이지만 자승 오류의 사용으로 인해 잡음에 민감한 단점이 있다. 이러한 잡음 민감성을 개선하기 위해 다양한 방법이 소개되었고 그 중 improved robust fuzzy PCA(RF-PCA2)는 퍼지 소속도를 이용한 반복적 최적화 기법으로 다른 방법에 비해 우수한 성능을 보였다. 하지만 RF-PCA2 역시 국부적인 최적해에 빠질 수 있으며 그 원인 중 하나는 RF-PCA2 알고리듬이 소속도를 균일한 값으로 초기화시키기 때문이다. 또한 퍼지 소속도를 사용하고 있지만 여전히 목적함수가 자승 오류 최소화에 기초하고 있다는 사실도 그 원인이 된다. 이 논문에서는 RF-PCA2의 이러한 문제점을 개선한 RF-PCA3를 제안한다. 제안하는 알고리듬은 RF-PCA2의 목적 함수를 바탕으로 하고 있다. 여기에 PCA의 목적 함수를 추가하고 초기 소속도 값을 데이터의 분포로부터 계산함으로써 전역 최적해에 가까운 해를 얻을 수 있는 가능성을 높여준다. 이러한 사실들은 실험 결과를 통해 확인할 수 있다.