• 한국콘텐츠학회논문지
• /
• 제9권1호
• /
• pp.159-166
• /
• 2009

이 논문에서는 다층퍼셉트론(MLP:Multilayer Perceptron)에서 입력에 잡음이 섞인 경우 출력노드의 확률밀도 함수를 유도하고, 이의 적분으로 잡음에 의하여 패턴이 오인식될 확률을 유도하였다. 그리고, 이를 향상시키는 선형적 방법을 제안하였다. 즉, 독립성분분석(ICA: independent component analysis)과 주성분분석(PCA: principle component analysis)를 적용하여, 이들이 지닌 잡음 처리 효과를 SNR(Signal-to-Noise Ratio) 관점에서 분석하였다. 그리고 이들이 잡음을 처리한 후 MLP에 입력 시 나타나는 잡음 강건성을 필기체 숫자 인식의 시뮬레이션으로 확인하였다.

• 한국양식학회:학술대회논문집
• /
• 한국양식학회 2003년도 추계학술발표대회 논문요약집
• /
• pp.151-152
• /
• 2003

물리ㆍ화학적 및 효소적 방법을 이용한 근육의 품질판정 지표로써 수분함량, 지질함량 그리고 콜라겐 함량등을 살펴보았으며, AEC 수치로써 건강도를 측정하고자 하였다. 즉, 이런 지표들을 이용하여 양식산 활어의 품질에 가장 큰 요인으로 작용하는 파괴강도와의 상관관계를 살펴보고자 하였다. 지금까지 조사된 양식산 활어성분 중 파괴강도가 어떠한 독립변수들에 의하여 크게 영향을 받으며, 파괴강도와 독립변수와의 관계식은 무엇인가를 규명하기 위하여 회귀분석을 실시하였다 여기서 독립변수로 사용된 것은 아래와 같다. X$_1$ : 수분함량(moisture content) X$_2$ : 지질함량(lipid content) X$_3$ : 콜라겐 함량(collagen content) 각 성분간의 상관관계를 피어슨 상관계수로 나타낸 것으로, 파괴강도와 수분 함량, 지질함량사이에는 상관성이 있으나(r=0.66, r=-0.69: p<0.05), 콜라겐의 함량과는 상관성을 가지지 못하였다. 또한, 콜라겐과 수분함량(r=0.19), 콜라겐과 지질함량(r=-0.29)로 각 성분간의 상관성이 존재하지 않았다. 그러므로, 파괴 강도값은 지질과 수분함량간의 상관관계가 형성된다. 즉, 수분함량이 크고 지질함량이 작아지면 파괴강도간은 커진다는 결론이다. 이 결과를 이용하여 파괴감도, 수분함량 그리고 지질함량간의 회귀분석을 실시한 결과 다음과 같다. Y = 0.74481 ＋ 0.01323 X$_1$- 0.05821 X$_2$ 이 회귀식을 이용하여, 참돔의 수분함량과 지질함량을 측정함으로써 참돔의 품질을 결정할수 있는 파괴강도값이 계산으로 얻어진다. 또한 효소적방법으로써 품질지표인 AEC수치를 측정함으로써 건강도를 판정할 수 있다. 그러므로, 파괴강도값을 이용하여 품질의 등급을 선정하며, AEC수치를 건강도의 등급을 선정하여야 된다. 파괴강도값에 의한 등급은 1.4kg이상은 상급, 1.2~l.4kg은 중급, 1.2kg이하를 하급으로 선정하며, AEC수치는 1.0~0.9는 상급, 0.9~0.8는 중급, 0.8이하를 하급으로 선정하여 등급화를 분류할 수 있을 것으로 판단된다.

• 한국전자통신학회논문지
• /
• 제8권10호
• /
• pp.1451-1456
• /
• 2013

본 논문은 고유값분석을 이용하여 주파수영역 독립성분석(FDICA)의 수렴속도를 증가시키기 위한 기법을 제안한다. 소나 시스템 등에서는 지연정보를 획득하여 간섭신호원을 빠른 속도로 제거하는 알고리즘이 중요하다. 두 개의 독립신호가 $2{\times}2$ 지연 혼합된 경우에 대한 고유값 분석을 통하여, 초기값 파라미터로 사용할 지연정보를 획득할 수 있다. 본 알고리즘을 검증하기 위한 컴퓨터 시뮬레이션은 수렴속도와 잡음제거에서의 성능향상을 보여준다. 초기조건이 목표값에 근접하고 있기 때문에 3회 정도의 반복수렴 실험으로도 잡음제거에 상당한 성능을 나타낸다. 수렴 후에도 기존 알고리즘보다 1~3dB 더 나은 잡음제거 성능을 볼 수 있다.

• 한국음향학회지
• /
• 제25권1호
• /
• pp.14-20
• /
• 2006

본 논문에서는 지연혼합에서의 암묵신호분리를 위해 분리행렬의 초기 값을 설정하는 방법을 제안한다. 혼합신호의 상호상관행렬에 대한 고유분리를 분석한 후, 고유벡터의 지연정보를 이용하여 초기 값으로 설정한다. 제안하는 방법을 기존의 주파수영역 독립성분분석 (FDICA: Frequency domain independent component analysis)에 초기 값으로 설정하여 분리 성능을 향상시킨다. 컴퓨터 시뮬레이션을 통해 제안하는 방법이 신호대간섭비 (SIR: Signal to Interference Ratio)가 우수하고 학습곡선의 수렴속도가 개선됨을 보인다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2001년도 춘계학술발표논문집 (상)
• /
• pp.313-316
• /
• 2001

본 논문에서는 입력변수들의 차원을 감소시켜 polynomial adaline의 성능을 개선하는 방법을 제안하였다. 제안된 방법에서는 적응적 학습알고리즘의 주요성분분석 기법을 이용하여 입력변수의 특징을 추출하고 이를 polynomial adaline의 학습데이터로 이용하였다. 이는 주요성분분석 기법이 가지는 대용량의 입력 데이터를 통계적으로 독립인 특징들의 집합으로 변환시키는 속성을 살려 입력데이터의 차원을 감소시킴으로서 고차원의 데이터에 따른 polynomial adaline이 가지는 제약을 해결하기 위함이다. 제안된 기법의 polynomial adaline을 5 개의 입력변수를 가진 패턴분류 문제에 적용하여 시뮬레이션한 결과, 기존의 다차원 polynomial adaline보다 더욱 우수한 분류성능이 있음을 확인할 수 있었다. 그리고 커널함수의 평활요소 설정 면에서도 우수한 특성이 있음을 확인할 수 있었다.

• 한국소음진동공학회:학술대회논문집
• /
• 한국소음진동공학회 2009년도 추계학술대회 논문집
• /
• pp.213-214
• /
• 2009

• 한국지능시스템학회논문지
• /
• 제13권2호
• /
• pp.200-208
• /
• 2003

본 연구에서는 효율적인 학습규칙의 신경망 기반 독립성분분석기법을 이용한 영상신호의 분리와 특징추출을 제안하였다. 제안된 학습규칙은 할선법과 모멘트를 이용한 조합형 고정점 학습알고리즘이다. 여기서 할선법은 독립성분 상호간의 정보를 최소화하기 위한 목적함수의 최적화 과정에서 요구되는 1차 미분에 따른 계산을 간략화하기 위함이고, 모멘트는 최적화 과정에서 발생하는 발진을 억제하여 보다 빠른 학습을 위함이다. 제안된 기법을 $512\times512$의 픽셀을 가지는 10개의 영상을 대상으로 임의의 혼합행렬에 따라 발생되는 혼합영상의 분리에 적용한 결과, 뉴우턴법에 기초한 기존의 알고리즘과 할선법만에 기초한 알고리즘보다 각각 우수한 분리률과 빠른 분리속도가 있음을 확인하였다. 또한 $256\times256$ 픽셀의 10개 지문상과 $480\times225$ 픽셀의 지폐영상에서 선택된 각각 10,000개의 3가지 영상패치들을 대상으로 적용한 결과, 제안된 기법은 뉴우턴법이나 할선법의 알고리즘보다도 빠른 특징추출 속도가 있음을 확인하였다. 한편 추출된 $16\times16$ 펙셀의 160개 독립성분 기저벡터 각각은 영상 각각에 포함된 공간적인 주파수 특성과 방향성을 가지는 경계 특성이 잘 드러나는 국부적인 특징들임을 확인하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2004년도 추계학술발표논문집(상)
• /
• pp.583-586
• /
• 2004

본 논문에서는 자율학습의 속성을 가지는 주요성분분석을 이용한 얼굴인식 기법을 제안하였다. 이는 대용량의 입력 데이터를 통계적으로 독립인 특징들의 집합으로 변환시켜 중복신호를 제거하는 특성을 가지는 주요성분분석의 우수한 속성을 이용한 것이다. 제안된 기법을 Yale 얼굴영상 데이터베이스로부터 선택된 20개의 $320{\ast}243$ 픽셀의 영상을 대상으로 시뮬레이션한 결과, 주요성분의 개수에 따른 압축성능과 city-block, Euclidian, 그리고 negative angle(cosine)의 거리척도에 따른 인식에서의 분류성능에서 우수한 성능이 있음을 확인할 수 있었다.

• 대한전자공학회논문지SP
• /
• 제41권3호
• /
• pp.195-200
• /
• 2004

본 논문은 두 가지 비교 실험을 통하여 효과적 음성인식 시스템을 제안한다. 분별적 이진 패턴 분류기인 SVM(Support Vector Machines)은 특징 공간에서 비선형 경계를 찾아 분류하는 방법으로 적은 학습 데이터에서도 좋은 분류 성능을 나타낸다고 알려져 있다. 본 논문에서는 학습데이터 수에 따른 HMM(Hidden Markov Model)과 SVM의 인식 성능을 비교하고, 최적의 특징 파라메터를 선택하기 위해 SVM을 이용하여 주성분해석과 독립성분분석을 적용하여 MFCC(Mel Frequency Cepstrum Coefficient)의 특징 공간을 변화시키면서 각각의 인식 성능을 비교 검토하였다. 실험 결과 SVM은 HMM에 비해 적은 학습데이터에서도 높은 인식 성능을 보여주었고, 독립성분분석에 의한 특징 파라메터가 특징 공간상에서의 높은 선형 분별성에 의해 다른 특징 파라메터보다 인식 성능에서 우수함을 확인 할 수 있었다.

• 수면정신생리
• /
• 제8권1호
• /
• pp.67-71
• /
• 2001

Independent Component Analysis (ICA) is a blind source separation method using unsupervised learning and mutual information theory created in the late eighties and developed in the nineties. It has already succeeded in separating eye movement artifacts from human scalp EEG recording. Several characteristic sleep waves such as sleep spindle, K-complex, and positive occipital sharp transient of sleep (POSTS) can be recorded during sleep EEG recording. They are used as stage determining factors of sleep staging and might be reflections of unknown neural sources during sleep. We applied the ICA method to sleep EEG for sleep waves separation. Eighteen channel scalp longitudinal bipolar montage was used for the EEG recording. With the sampling rate of 256Hz, digital EEG data were converted into 18 by n matrix which was used as a original data matrix X. Independent source matrix U (18 by n) was obtained by independent component analysis method ($U=W{\timex}X$, where W is an 18 by 18 matrix obtained by ICA procedures). ICA was applied to the original EEG containing sleep spindle, K-complex, and POSTS. Among the 18 independent components, those containing characteristic shape of sleep waves could be identified. Each independent component was reconstructed into original montage by the product of inverse matrix of W (inv(W)) and U. The reconstructed EEG might be a separation of sleep waves without other components of original EEG matrix X. This result (might) demonstrates that characteristic sleep waves may be separated from original EEG of unknown mixed neural origins by the Independent Component Analysis (ICA) method.