• 한국정보통신학회논문지
• /
• 제26권10호
• /
• pp.1531-1536
• /
• 2022

본 논문은 직선상에 n개의 점들과 m개의 구간들이 주어 질 때, 모든 점들을 포함하는 구간들의 집합을 구하는 문제를 다룬다. 이러한 구간들의 집합을 점들의 구간 커버(interval cover)라고 부른다. 이 문제는 NP-hard 문제로 잘 알려진 집합 커버(set cover)의 특별한 경우이다. 이 문제의 최적화 기준으로 커버하는 구간 개수의 최소화, 점을 커버하는 구간이 1개인 점들의 개수 최대화 등을 생각할 수 있다. 본 논문에서는 구간에 가중치가 주어지는 경우, 각 점을 커버하는 구간들의 가중치 합을 그 점의 맴버쉽으로 정의한다. 그리고 점들의 맴버쉽의 최대값을 최소화하는 구간 커버를 찾는 문제를 연구한다. 동적계획법 설계를 이용하여, 이전 연구의 시간 복잡도 O(nm log n)를 개선하는 O(m²)시간 알고리즘을 제안한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제9권3호
• /
• pp.83-90
• /
• 2020

프로토타입 선택은 훈련 데이터로부터 클래스 영역을 대표하는 최소 데이터를 선택하여 낮은 학습 시간 및 저장 공간을 보장하는 장점을 제공한다. 본 논문은 모든 분류 알고리즘에 적용할 수 있는 초월 사각형을 이용한 새로운 훈련 데이터의 생성 방법을 설계한다. 초월 사각형 영역은 서로 다른 클래스 데이터를 포함하지 않으며 클래스 공간을 분할한다. 선택된 초월 사각형 내 데이터의 중간값은 프로토타입이 되어 새로운 훈련 데이터를 구성하고, 초월 사각형의 크기는 클래스 영역의 데이터 분포를 반영하여 조절된다. 전체 훈련 데이터를 대표하는 최소의 프로토타입 집합 선택을 위해 집합 덮개 최적화 알고리즘을 설계했다. 제안하는 방법에서는 탐욕 알고리즘과 곱셈 연산을 포함하지 않은 거리 계산식을 이용하여 집합 덮개 최적화 알고리즘의 다항 시간을 요구하는 시간 복잡도 문제를 해결한다. 실험에서는 분류 성능의 비교를 위해 최근접 이웃 규칙과 의사 결정 트리 알고리즘을 이용하며 제안하는 방법이 초월 구를 이용한 프로토타입 선택 방법보다 우수하다.

• Journal of Information Processing Systems
• /
• 제13권5호
• /
• pp.1345-1357
• /
• 2017

A prototype selection method chooses a small set of training points from a whole set of class data. As the data size increases, the selected prototypes play a significant role in covering class regions and learning a discriminate rule. This paper discusses the methods for selecting prototypes in a classification framework. We formulate a prototype selection problem into a set covering optimization problem in which the sets are composed with distance metric and predefined classes. The formulation of our problem makes us draw attention only to prototypes per class, not considering the other class points. A training point becomes a prototype by checking the number of neighbors and whether it is preselected. In this setting, we propose a greedy algorithm which chooses the most relevant points for preserving the class dominant regions. The proposed method is simple to implement, does not have parameters to adapt, and achieves better or comparable results on both artificial and real-world problems.

• 전자공학회논문지A
• /
• 제29A권2호
• /
• pp.88-99
• /
• 1992

This paper presents an efficient method of mapping Boolean equations to a set of library gates. The proposed system performs technology mapping by graph covering. To select optimal area cover, a new cost function and local area optimization are proposed. Experimental results show that the proposed algorithm produces effective mapping using given library.

• 대한원격탐사학회지
• /
• 제36권6_2호
• /
• pp.1591-1604
• /
• 2020

본 연구는 고해상도 위성영상을 딥러닝 알고리즘에 적용하여 토지피복을 분류하고 공간객체별 알고리즘의 성능 검증에 대한 연구이다. 이를 Fully Convolutional Network계열의 알고리즘을 선정하였으며, Kompasat-3 위성영상, 토지피복지도 및 임상도를 활용하여 데이터셋을 구축하였다. 구축된 데이터셋을 알고리즘에 적용하여 각각 최적 하이퍼파라미터를 산출하였다. 하이퍼파라미터 최적화 이후 최종 분류를 시행하였으며, 전체 정확도는 DeeplabV3+가 81.7%로 가장 높게 산정되었다. 그러나 분류 항목별로 정확도를 살펴보면, 도로 및 건물에서 SegNet이 가장 우수한 성능을 나타내었으며, 활엽수, 논의 항목에서 U-Net이 가장 높은 정확도를 보였다. DeeplabV3+의 경우 밭과 시설재배지, 초지 등에서 다른 두 모델보다 우수한 성능을 나타내었다. 결과를 통해 토지피복 분류를 위해 하나의 알고리즘 적용에 대한 한계점을 확인하였으며, 향후 공간객체별로 적합한 알고리즘을 적용한다면, 높은 품질의 토지피복분류 결과를 산출할 수 있을 것으로 기대된다.

• 한국국방경영분석학회지
• /
• 제36권2호
• /
• pp.25-37
• /
• 2010

본 연구는 한반도 연안 해역에서 발생할 수 있는 다양한 작전유형을 바탕으로 소형 고속 함정의 적정 소요를 산출하기 위한 방법론적 접근이다. 이 연구방법은 운용 해역을 단위 경비구역으로 구분하고 구역할당 모형과 군집화 모형 등을 활용하였다. 이는 지금까지 작전 운용 장비의 적정 소요 산정시 선형기법등을 여러 가지 다양한 방법을 통해 검증해온 방법과는 달리, 최적화 기법을 활용한 작전 함정의 소요를 모델링하는 방법을 채택하였다. 이러한 경비구역에서 임무수행이 가능한 소형 고속 함정의 적정 소요는 "소요 최적화 프로세스"를 거쳐 소위 "하이브리드 적정 소요 모형"에 의하여 적정성을 산출, 검증하는 모델링 방법으로 제시하고자 한다.

• 전자공학회논문지A
• /
• 제32A권6호
• /
• pp.104-110
• /
• 1995

In this paper, an effective method for the minimization of two-level Reed-muller expressions by cube selection whcih considers functional complexity is presented. In contrast to the previous methods which use Xlinking operations to join two cubes for minimizatio, the cube selection method tries to select cubes one at a time until they cover the ON-set of the given function. This method works for most benchmark circuits, but for parity-type functions it shows power performance. To solve this problem, a cost function which computes the functional complexity instead of only the size of ON-set of the function is used. Therefore the optimization is performed considering how the trun minterms are grouped together so that they can be realized by only a small number of cubes. In other words, it considers how the function is changed and how the change affects the next optimization step. Experimental results shows better performance in many cases including parity-type functions compared to pervious results.

• 한국경영과학회:학술대회논문집
• /
• 한국경영과학회/대한산업공학회 1999년도 춘계공동학술대회:정보화시대의 지식경영
• /
• pp.381-383
• /
• 1999

WDM(Wavelength Division Multiplexing) Ring에서 경로과 고정된 파장할당문제는 Circular Arc Graph(CAG)에서의 vertex coloring문제와 동일하다. 본 연구에서는 극대독립집합(Maximal Independent Set)으로 vertex를 cover하는 정수계획법 모형을 제시하고 이를 효율적으로 풀 수 있는 column generation approach와 실험결과를 제시하겠다.

• International Journal of Control, Automation, and Systems
• /
• 제4권6호
• /
• pp.669-681
• /
• 2006

In this work, a new method of design adaptive controllers for SISO systems based on multiple models and switching is presented. The controller selects the model from a given set, according to a switching rule based on output prediction errors. The goal is to design, at each sample instant, a predictive control law that ensures the robust stability of the closed-loop system and achieves the best performance for the current operating point. At each sample the proposed control scheme identifies a set of linear models that best characterizes the dynamics of the current operating region. Then, it carries out an automatic reconfiguration of the controller to achieve the best possible performance whilst providing a guarantee of robust closed-loop stability. The results are illustrated by simulations a nonlinear continuous and stirred tank reactor.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제5권10호
• /
• pp.483-488
• /
• 2016

본 논문은 최근접 이웃 규칙을 이용한 프로토타입을 이용하는 분류 학습을 제안한다. 훈련 데이터가 대표하는 클래스 영역을 초월구로 분할하는데 최근접 이웃규칙을 적용시키며, 초월구는 동일 클래스 데이터들만 포함시킨다. 초월구의 반지름은 가장 인접한 다른 클래스 데이터와 가장 먼 동일 클래스 데이터의 중간 거리 값으로 결정한다. 그리고 전체 훈련 데이터를 대표하는 최소의 프로토타입 집합을 선택하기 위해 집합 덮개 최적화를 이용한다. 제안하는 선택 방법은 클래스 별 프로토타입을 선택하는 그리디 알고리즘으로 설계되며, 대규모 훈련 데이터에 대한 병렬처리가 가능하다. 분류 예측은 최근접 이웃 규칙을 이용하며, 새로운 훈련 데이터는 프로토타입 집합이다. 실험에서 제안하는 방법은 기 연구된 학습 방법에 비해 일반화 성능이 우수하다.