• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2000.11a
• /
• pp.325-332
• /
• 2000

데이터마이닝 분야에서 시계얼 데이터(time-series data)내에서 숨어 있는 순차패턴의 발견은 상품(Items)이나 어떤 사건(Event)과 같이 데이터의 특징이 명확한 대상에 대한 연구는 많이 되어왔으나 수치 값을 가지는 시계열 데이터에서 이들 내부에 숨어 있는 패턴을 발견하는 것은 최근에 관심을 가지게 되었다. 우리는 시계열 데이터를 시간적 변화에 따라 값의 변화 경향(Trend)이 같은 데이터 그룹을 패턴 요소인 벡터 (Vestor)로 표현하여 이들을 이용해서 흥미로운 패턴들을 발견한다. 이와 같은 벡터적인 표현으로 우리는 벡터들 간의 포함관계를 적용해 모든 가능한 형태의 패턴 발견을 목적으로 한다. 또한 경향성을 가진 패턴 요소를 사건(Event)과 같이 취급함으로써 다양한 종류의 시계열 데이터가 동시에 발생될 때 이들 상호간에 연관된 시간적 패턴을 찾을 수 있다. 따라서 이 연구에서 제안하는 경향성을 기초로 한 순차패턴의 탐식은 기업내부의 판매실적의 변화 패턴이나, 고객의 구매 행동분석에 적용이 가능하리라 여겨진다

• The Journal of the Acoustical Society of Korea
• /
• v.36 no.3
• /
• pp.151-157
• /
• 2017

A general linearly constrained adaptive array is proposed to improve the nulling performance. The nulling performance is examined in the array weight vector space. It is shown that the constraint plane is shifted to the origin perpendicularly by the gain factor such that the increase of the gain factor results in the decrease of the distance from the constraint plane to the origin. Thus the variation of the gain factor has an effect on the extent of orthogonality between the weight vector and the steering vectors for the interferences such that the nulling performance of the general linearly constrained adaptive array is improved by the gain factor. It is observed that the proposed adaptive array with an optimum value of the gain factor yields a better nulling performance in coherent signal environment and a similar nulling performance in noncoherent signal environment compared to the conventional linearly constrained adaptive array.

• The Transactions of the Korea Information Processing Society
• /
• v.7 no.12
• /
• pp.3986-3994
• /
• 2000

A multiple vector reductive processing occurs during the vector inner product operation ([C] = [A] $\bigodot$,$\square$ [B]) and proceeds at the hardware dyadic pipeline unit. Every scalar result has to be generated with the component merging delay time in the multiple vector reduction($\bigodot$). In this paper we propose a new design method by which the component merging time could be eliminated from the multiple reduction and the scalar results from the reduction($\bigodot$) could be generated nearly in the almost same condensed time as the input components are fel>ded in the dyadic pipeline unitlo) or the output components are drained out of the dyadic pipeline unit($\square$), so called a dedicated chained pipeline unit for only a inner product operation.

• Proceedings of the Korean Information Science Society Conference
• /
• 1998.10a
• /
• pp.774-776
• /
• 1998

영상 압축의 표준인 MPEG은 대표적 비대칭 코딩방법으로 인코딩 시간이 디코딩 시간보다 훨씬 많은 시간을 소비한다. MPEG인코딩 과정은 크게 DCT, 양자화, 움직임 벡터 추출, 가변장 부호화로 구성된다. 이중에서 DCT와 움직임 벡터 추출 정도가 많은 계산량을 가지므로 병렬화의 관심이 되고 있다. 본 논문에서는 움직임 벡터의 추출에 관해서 병렬화하는 기법을 제시한다 병렬화의 단위는 fine-grained이며, 통신 오버헤드를 보다 줄일 수 있는 기법을 제시하였다. 최소한의 초기 데이터 할당으로 계산을 시작하여, 계산을 위한 초기화 과정을 줄여 속도를 증대시킨다. 통신비용 즉, 메시지 전달 수 및 메시지 전달 홉(hop) 수를 비교하고, 기존의 기법에 대해 한 프레임에 대한 움직임 벡터 추출 시간을 요소로 할 때 보다나은 결과를 나타냄을 보였다.

• Proceedings of the KIEE Conference
• /
• 2011.07a
• /
• pp.852-853
• /
• 2011

통상적으로 전기기기에 사용되는 전기강판의 자기특성은 B-H 자기특성 곡선을 이용하여 표현되어졌고, 이를 이용하여 전기기기의 자계 분포 해석 및 특성 해석이 이루어져 왔다. 그러나 실제로 전기기기의 전기강판은 인가 자계의 방향에 따라 자기특성이 다르게 나타나고, 자속밀도와 자계세기의 방향이 다르게 나타나는 벡터 자기특성을 가지기 때문에, B-H 곡선과 같은 스칼라 자기 특성으로 전기강판의 자기 특성을 정확히 표현하는 것이 불가능하다. 따라서 전기기기의 정확한 자계 해석 및 특성 해석을 위해서는 전기강판의 벡터 자기특성이 반드시 고려되어야 한다. 본 논문에서는 전기강판의 벡터 자기특성이 전기기기의 자계 분포 해석에 미치는 영향을 알아보고자 하며, 전기강판의 벡터 자기특성의 고려를 위해 ($B_m,\theta_B$)법을 이용하였으며 간단한 형태의 단상 변압기 모델에 유한요소 해석을 적용하였다.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1857_1858
• /
• 2009

본 논문에서는 PCA와 입자 군집 최적화 알고리즘을 이용한 얼굴이미지에서 특징선택 방법에 대하여 제안한다. 2차원 얼굴이미지의 히스토그램 분표값에서 정규화합 연산을 이용한 히스토그램 평활화 기법을 거쳐 대비효과를 주어 화질을 개선시켜 준다. PCA는 2차원 얼굴이미지를 이용하여 공분산 행렬을 구한 후 그것의 고유값에 따른 고유벡터를 구하여 얼굴인식에 사용될 특징 벡터들을 추출한다. 또한 추출된 특징벡터 중에서 얼굴인식 성능에 중요한 요소가 되는 특징 벡터들을 입자 군집 최적화 알고리즘을 이용하여 최적화한다. 다항식 기반 RBF 신경회로망을 사용하여 얼굴인식 성능을 평가한다. 본 논문에서 제안된 방법을 통해 최적화된 특징벡터와 얼굴인식률과의 관계를 알 수 있다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 1998.10a
• /
• pp.266-271
• /
• 1998

본 논문에서는 칼라지도영상으로부터 GIS의 벡터링 과정에 사용할 벡터링 영역(도로, 해안선, 등고선 등)을 추출하는 방법에 대해 연구하였다. 입력영상으로는 트루칼라영상을 사용할 경우 추출 영역의 칼라가 비교적 균일하게 분포되지만 데이터량이 방대하여 처리에 어려움이 있어 현실적이지 못하므로 이를 양자화하여 256칼라 영상으로 변환한 후 사용할 수 있도록 하였다. 추출 단계에서는 Lab칼라공간에서 mahalanobis 거리 및 방향성 마스크를 사용하여 다양한 칼라 분포를 흡수할 수 있도록 하여 배경 영역을 배제하면서 연결성이 있는 추출결과를 얻을수 있도록 하였다. 그리고 추출된 결과를 원영상과 중첩해 보면서 기호, 문자 등의 요소로 인해 끊어진 영역이나 추출시 발생되는 피할 수 없는 잡영을 편집하여 제거할 수 있는 기능을 제공하였다. 추출된 결과는 벡터링 작업에 직접 사용 가능한 형태로 추출되도록 하였는데 실제 벡터링 작업에 다양한 추출영역을 사용해 봄으로써 이를 검증하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10b
• /
• pp.712-714
• /
• 2003

서로 다른 형태와 크기를 가지는 탐색패턴과 움직임 벡터의 분포는 블록 정합 기법에서 탐색 속도와 화질을 좌우하는 중요한 요소이다. 본 논문에서는 납작한 육각패턴을 이용한 새로운 고속 블록 정합 알고리즘을 제안한다. 이 방법은 작은 육각패턴을 이용하여 적은 탐색점으로 움직임이 적은 벡터를 우선 찾은 다음에 움직임이 큰 벡터에 대해서는 납작한 육각패턴을 이용하여 고속으로 움직임 벡터를 찾게 하였다. 실험결과, 제안된 알고리즘은 육각패턴 탐색기법에 비하여 움직임 벡터 예측의 속도에 있어서 약 11~51% 이상의 높은 성능 향상을 보였으며 화질 또한 PSNR 기준으로 약 0.05~0.74dB 의 향상을 보였다.

• The Transactions of the Korea Information Processing Society
• /
• v.7 no.10
• /
• pp.3086-3097
• /
• 2000

본 논문에서는 손으로 자유스럽게 그린 서식 문서에서 문자 영역을 분리하고, 이 중 선 성분을 벡터화하는 방법을 제안한다. 제안된 방법은 우선 이진화 및 세선화 과정에서의 데이터 손실을 방지하기 위해 스캔한 영상에 DRC 알고리즘을 적용한다. 그리고 영상의 기울어짐을 교정하기 위해 세선화된 영상에 허프 변환을 적용하여 기울어짐을 추정하고 교정한 다음, 서식의 구조를 이루는 선 성분을 추출해 낸다. 그리고 문자 영역은 연결 요소 분석법에 의해 문자 영역을 나타내는 데이터로 변환되며, 추출된 선 성분을 정렬, 합병 및 교정처리를 통해 벡터화 된다. 제안된 방법의 실효성을 입증하기 위해 각각 25명의 다른 사람이 필기구에 제한을 두지 않고 하나는 자를 사용하여 작성하고 다른 하나는 자를 사용하지 않고 작성한 서식에 대해 실험한 결과 전체 750개의 벡터 집합 중에서 전처리를 하지 않은 경우에는 666개, 전처리를 한 경우에는 746개의 서식 벡터 검출에 성공하여 그 유효성을 확인할 수 있었다.

• Annual Conference on Human and Language Technology
• /
• 2020.10a
• /
• pp.427-432
• /
• 2020

딥러닝(Deep-learning) 기반의 자연어 이해(Natural Language Understanding) 기술들은 최근에 상당한 성과를 성취했다. 하지만 딥러닝 기반의 자연어 이해 기술들은 내적인 동작들과 결정에 대한 근거를 설명하기 어렵다. 본 논문에서는 벡터를 그래프로 변환함으로써 신경망의 내적인 의미 표현들을 설명할 수 있도록 한다. 먼저 인간과 기계 모두가 이해 가능한 표현방법의 하나로 그래프를 주요 표현방법으로 선택하였다. 또한 그래프의 구성요소인 노드(Node) 및 엣지(Edge)의 결정을 위한 Element-Importance Inverse-Semantic-Importance(EI-ISI) 점수와 Element-Element-Correlation(EEC) 점수를 심층신경망의 훈련방법 중 하나인 드랍아웃(Dropout)을 통해 계산하는 방법을 제안한다. 다양한 실험들을 통해, 본 연구에서 제안한 벡터-그래프(Vector2graph) 변환 프레임워크가 성공적으로 벡터의 의미정보를 유지하면서도, 설명 가능한 그래프를 생성함을 보인다. 더불어, 그래프 기반의 새로운 시각화 방법을 소개한다.