• 센서학회지
• /
• 제24권1호
• /
• pp.47-53
• /
• 2015

Fall-related injuries in elderly people are a major health care problem. This paper introduces determination of fall direction before impact using support vector machine (SVM). Once a falling phase is detected, dynamic characteristic parameters measured by the accelerometer and gyroscope and then processed by a Kalman filter are used in the SVM to determine the fall directions, i.e., forward (F), backward (B), rightward (R), and leftward (L). This paper compares the determination sensitivities according to the selected parameters for the SVM (velocities, tilt angles, vs. accelerations) and sensor attachment locations (waist vs. chest) with regards to the binary classification (i.e., F vs. B and R vs. L) and the multi-class classification (i.e., F, B, R, vs. L). Based on the velocity of waist which was superior to other parameters, the SVM in the binary case achieved 100% sensitivities for both F vs. B and R vs. L, while the SVM in the multi-class case achieved the sensitivities of F 93.8%, B 91.3%, R 62.3%, and L 63.6%.

• 반도체디스플레이기술학회지
• /
• 제19권3호
• /
• pp.1-6
• /
• 2020

In this paper, a method for improving the defect classification performance in steel plate surface has been studied, based on DWT(discrete wavelet transform) and SVM(support vector machine). Surface images of the steel plate have low contrast, uneven, and featureless, so that the contrast between defect and defect-free regions is not discriminated. These characteristics make it difficult to extract the feature of the surface defect image. In order to improve the characteristics of these images, a synthetic images based on discrete wavelet transform are modeled. Using the synthetic images, edge-based features are extracted and also geometrical features are computed. SVM was configured in order to classify defect images using extracted features. As results of the experiment, the support vector machine based classifier showed good classification performance of 94.3%. The proposed classifier is expected to contribute to the key element of inspection process in smart factory.

• 한국빅데이터학회지
• /
• 제1권1호
• /
• pp.33-39
• /
• 2016

최근 스마트폰 사용 형태의 도움을 받아 사용자 특성을 예측하는 것은 매우 흥미롭고 주의를 사로잡는 연주 주제이다. 현재 몇몇 연구들은 사용자의 특성을 예측하기 위해 전화 사용 기록, 문자 메시지 사용 기록, 소셜 네트워크 서비스 사용 기록 등을 이용하고 있다. 이 논문에서, 우리는 MBTI 사용자 특성과 스마트폰 사용로그 간의 관계를 평가한다. 이를 위해, 스마트폰 사용 기록에서 부터 몇몇 특징들을 추출하고 이를 Naive Bayes와 SVM등의 분류기에 적용하여 사용자의 특성을 구분하였다. 사용자 특성 분석 결과의 분석을 통해 facebook사용 기록이 외향적인 사람과 내향적인 사람을 가장 잘 구분하는 것을 알 수 있었고, SVM 분류기가 Naive Bayes보다 사용자의 특성을 잘 예측하는 것을 확인하였다.

• 한국정밀공학회지
• /
• 제33권9호
• /
• pp.715-721
• /
• 2016

In this paper, the classification rate of micro-cracks in silicon wafers was improved using a SVM. In case I, we investigated how feature data of micro-cracks and SVM parameters affect a classification rate. As a result, weighting vector and bias did not affect the classification rate, which was improved in case of high cost and sigmoid kernel function. Case II was performed using a more high quality image than that in case I. It was identified that learning data and input data had a large effect on the classification rate. Finally, images from cases I and II and another illumination system were used in case III. In spite of different condition images, good classification rates was achieved. Critical points for micro-crack classification improvement are SVM parameters, kernel function, clustered feature data, and experimental conditions. In the future, excellent results could be obtained through SVM parameter tuning and clustered feature data.

• 한국기계가공학회지
• /
• 제20권9호
• /
• pp.90-96
• /
• 2021

As real-time data of factories can be collected using various sensors, the adaptation of intelligent unmanned processing systems is spreading via the establishment of smart factories. In intelligent unmanned processing systems, data are collected in real time using sensors. The equipment is controlled by predicting future situations using the collected data. Particularly, a technology for the prediction of tool wear and for determining the exact timing of tool replacement is needed to prevent defected or unprocessed products due to tool breakage or tool wear. Directly measuring the tool wear in real time is difficult during the cutting process in milling. Therefore, tool wear should be predicted indirectly by analyzing the cutting load of the main spindle, current, vibration, noise, etc. In this study, data from the current and acceleration sensors; displacement data along the X, Y, and Z axes; tool wear value, and shape change data observed using Newroview were collected from the high-speed, two-edge, flat-end mill machining process of SKD11 steel. The support vector machine technique (machine learning technique) was applied to predict the amount of tool wear using the aforementioned data. Additionally, the prediction accuracies of all kernels were compared.

• 화약ㆍ발파
• /
• 제39권3호
• /
• pp.44-64
• /
• 2021

4차 산업혁명 시대의 도래와 함께 빅데이터의 활용과 인공지능 기법을 활용한 공학적 응용이 증가하고 있다. 발파 분야에서도 인공지능 기법을 활용한 다양한 연구들이 보고되고 있다. 본 논문에서는 발파분야에서 많이 활용되고 있는 인공신경망, 퍼지 이론, 유전자 알고리즘, 떼 지능, 서포트 벡터머신과 같은 인공지능 기법을 소개하고 이들 기법을 이용한 발파진동, 비석, 암석 파쇄도, 폭풍압, 여굴 예측 기법에 대한 연구들을 조사, 정리하였다. 향후 인공지능 기법을 활용하여 보다 효율적이고 안전한 발파설계, 발파 효율 향상과 발파에 의한 주변 환경에 미치는 영향을 최소화하기 위하기 위한 발전적인 접근 방향에 대한 논의에 활용할 수 있는 기초 자료를 제공하고자 한다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2007년도 추계학술발표대회
• /
• pp.113-116
• /
• 2007

In this paper, our proposed Nonlinear Autoregressive Exogenous (NARX) based on Least Square-Support Vector Regression (LS-SVR) is introduced and tested for producing natural sounds. This nonlinear synthesizer perfectly reproduce voiced sounds, and also conserve the naturalness such as jitter and shimmer, compared to LPC does not keep these naturalness. However, the results of some phonation are quite different from the original sounds. These results are assumed that single-band model can not afford to control and decompose the high frequency components. Therefore multi-band model with wavelet filterbank is adopted for substituting single band model. As a results, multi-band model results in improved stability. Finally, nonlinear speech modeling using NARX based on LS-SVR can successfully reconstruct synthesized sounds nearly similar to original voiced sounds.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2014년도 춘계학술대회
• /
• pp.89-93
• /
• 2014

제품 리뷰들은 잠재적인 고객의 구매 선택에 매우 중요하다. 제품 리뷰들은 또한 제조사들로 하여금 자신들의 제품의 문제점을 찾고 경쟁자들의 비즈니스 정보를 수집하는 데 사용된다. 그러나 어떤 사람들은 가짜 리뷰를 쓰고, 잠재적인 고객들과 제조사들로 하여금 잘못된 선택을 하게 만든다. 따라서 가짜 리뷰 판별은 전자 상거래 사이트에서 주된 문제들 중 하나이다. 서포트 벡터 머신즈(SVM)는 좋은 성능을 보이는 중요한 텍스트 분류 알고리즘이다. 본 논문에서는 온라인 리뷰 스팸을 판별하기 위해 가중치, Karush-Kuhn-Tucker(KKT) 조건의 확장, 그리고 컨벡스 헐(Convex Hull)에 근거한 점증적 알고리즘을 제시한다. 최종적으로 우리는 제시된 알고리즘의 성능을 이론적으로 분석한다.

• 한국전자통신학회논문지
• /
• 제14권3호
• /
• pp.547-552
• /
• 2019

최근, 빅데이터 분야에서는 빅 데이터의 양적 팽창이 주요 이슈로 떠오르고 있다. 더군다나 이러한 빅데이터는 기계학습의 입력값으로 사용되어지고 있으며 이들의 성능을 향상시키기 위해 정규화 전처리가 필요하다. 이러한 성능은 빅데이터 컬럼의 범위나 정규화 전처리 방식에 따라 크게 좌우된다. 본 논문에서는 다양한 종류의 정규화 전처리 방식과 빅데이터 컬럼의 범위를 조절하면서 서포트벡터머신(SVM)의 기계학습방식에 적용함으로써 더욱 효과적인 정규화 전처리 방식을 파악하고자 하였다. 이를 위하여 파이썬언어와 주피터 노트북 환경에서 기계학습을 수행하고 분석하였다.

• 한국건축친환경설비학회 논문집
• /
• 제12권6호
• /
• pp.579-590
• /
• 2018

Anomaly detection on building energy consumption has been regarded as an effective tool to reduce energy saving on building operation and maintenance. However, it requires energy model and FDD expert for quantitative model approach or large amount of training data for qualitative/history data approach. Both method needs additional time and labors. This study propose a machine learning and data science approach to define faulty conditions on hourly building energy consumption with reducing data amount and input requirement. It suggests an application of Support Vector Data Description (SVDD) method on training normal condition of hourly building energy consumption incorporated with hourly outdoor air temperature and time integer in a week, 168 data points and identifying hourly abnormal condition in the next day. The result shows the developed model has a better performance when the ${\nu}$ (probability of error in the training set) is 0.05 and ${\gamma}$ (radius of hyper plane) 0.2. The model accuracy to identify anomaly operation ranges from 70% (10% increase anomaly) to 95% (20% decrease anomaly) for daily total (24 hours) and from 80% (10% decrease anomaly) to 10%(15% increase anomaly) for occupied hours, respectively.