• 한국통신학회논문지
• /
• 제30권5C호
• /
• pp.364-370
• /
• 2005

얼굴 인식에서는 입력 영상에서 얼굴을 검출한 후에 데이터베이스의 영상과 위치와 크기를 일치시키는 등록 과정이 필요하다. 본 논문에서는 영상의 등록 과정에서 발생하는 얼굴영상의 이동, 회전, 혹은 크기의 차이를 eigenspace에서 보정하는 알고리즘을 제안하였다. 이를 위하여 얼굴 영상의 수직, 수평 이동, 회전, 크기 변환 등의 등록오차를 선형보간 행렬로 근사하였다. 각 변환행렬을 사용하여 등록오차에 따른 미분계수를 eigenspace에서 구하면 subpixel 단위의 등록 오차를 보정할 수 있다. 제안된 방법은 공간 영역에서 오차를 보정하는 것보다 계산량이 훨씬 더 적다. 오차 보정 후 얼굴 인식률이 크게 향상되는 것을 실험으로 확인하였다.

• 한국음향학회:학술대회논문집
• /
• 한국음향학회 1998년도 학술발표대회 논문집 제17권 1호
• /
• pp.313-317
• /
• 1998

경계요소법에 기초한 음향 홀로그래피의 재구성 정확도 향상을 위해서는 근접 음장에서의 음압 측정을 수반한다. 이에 따라 비전파음 성분이 측정에 포함되어 전달행렬의 특이성에 의한 오차를 줄일 수 있다. 그러나, 전달행렬 구성을 위해서 사용되는 일반적인 경계요소법은 Kirchhoff-Helmholtz 방정식의 기본해가 갖는 특이성 때문에 근접음장에서 큰 수치 오차를 유발하는 문제가 있다. 특이성이 제거된 경계 적분방정식을 도입하여 음향 홀로그래피를 수행함으로써 근접 음장에서의 수치오차 문제를 극복하고 정확한 음장 예측 및 전달 행렬을 구성할 수 있다. 본 연구에서는 단순한 수치 해석 모델을 이용하여 음향 홀로그래피 계산을 수행하였고, 일반 경계요소법을 사용한 경우와 비교하여 향상된 결과를 얻을 수 있음을 밝혔다.

• 한국정보통신학회논문지
• /
• 제21권10호
• /
• pp.1923-1928
• /
• 2017

본 연구는 행렬인수분해 기반으로 3차원 형상의 복원을 위한 오차 보정에 관한 것입니다. 기존 행렬인수분해 기반 오차 보정 방법은 전역적인 최적화로 인해 보정에 한계가 있습니다. 따라서 본 논문에서는 전역적 접근 대신 3차원 복원 형상의 주요 오차 영향 인자를 찾아 보정하는 새로운 방법을 제시하였습니다. 우리는 오차 영향 인자를 2차원 재 투영 편차 공간에서 정의하고 그 오차 성분을 직접 보정합니다. 그리고 일련의 과정을 재귀적으로 반복 적용함으로서 오차 보정 성능을 개선시킬 수 있습니다. 이러한 접근 방법은 어떤 기하학적 정보에 의존하지 않고 영향도가 가장 큰 오차 성분 중심으로 제어하기 때문에 잡음에 장점을 가지고 있습니다. 제안한 알고리즘 성능 평가는 합성과 실제 영상 프레임으로 시뮬레이션하여 잡음에 강인한 특성을 증명했습니다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2015년도 추계학술발표대회
• /
• pp.493-495
• /
• 2015

PDR은 일반적으로 IMU센서로 부터의 가속도와 각속도를 측정하여 보행자의 위치를 추적하는 시스템이다. IMU센서로부터 측정된 가속도와 각속도 값은 센서를 기준으로 하기 때문에 보행자가 인지하는 고정 좌표계와는 차이가 있다. 이를 해결하기 위해 회전행렬을 사용하며 이후 계속해서 측정되는 각속도를 통해 회전행렬을 업데이트 한다. 업데이트된 회전행렬을 통해 좌표계를 환산하고 환산된 좌표계의 가속도 값으로부터 보행자는 고정좌표계 기준으로 위치 추적이 가능하다. 하지만 회전행렬을 업데이트 하는 과정에서 센서의 세 축이 이상적으로 수직이 아니라면 업데이트 과정에서 각속도의 오차가 누적되고 이는 좌표계를 환산에 영향을 끼쳐 위치 및 속도 추적 정확성을 낮춘다. 물리적인 Bias가 PDR 시스템에 누적오차를 발생시킨다. 이에 제안하는 센서 축 편향 보정 알고리즘은 IMU 센서의 물리적 축 오차를 보정해주어 더 정확한 위치 추적을 가능하게 한다. 또한 Matlab을 통해 데이터를 분석하고 알고리즘의 필요성을 보인다.

• 전자공학회논문지S
• /
• 제36S권5호
• /
• pp.70-77
• /
• 1999

본 논문에서는 Wavelet을 이용한 위장 영상의 질환 부위 특징을 추출하여 질환 부위 패턴을 인식할 수 있는 알고리즘을 제안하였다. 전처리 과정으로서 위장 영상이 형태정보는 입력 영상을 DWT(Discrete wavelet transform)에 의해 4레벨 DWT 계수 행렬을 구하고 계수 행렬의 특징에 따라 저주파 계수 행렬로부터 저주파 특징 파라미터 32개, 수평 고주파 계수 행렬로부터 수평 고주파 특징 파라미터 16개, 수직 고주파 계수 행렬로부터 수직 고주파 특징 파라미터 16개, 그리고, 대각 고주파 계수 행렬로부터 대각 고주파 특징 파라미터 32개 등 모두 96개의 특징 파라미터를 추출한 후 각각의 특징 파라미터를 최대 값+0.5로 최소 값을 -0.5로 정규화 하여 신경회로망의 입력 벡터로 사용하였다. 위장 영상 패턴 인식을 위한 신경회로망은 교사 학습을 요구하는 다층 구조의 오차 역전파(Error back propagation)알고리즘으로 하였고 구조적 특성을 이용하여 입력층, 중간층, 출력층의 계층 구조로 설계하였다. 설계된 신경회로망의 학습은 학습계수를 0.2로 모우멘텀을 0.6으로 설정하여 출력층 최대오차가 0.01보다 작을 때까지 수행하였으며 약 8000회 정도 학습한 결과 설정값 보다 작은 결과를 얻었고 질환의 종류나 위치, 크기에 관계없이 100%의 인식률을 얻었다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2016년도 전력전자학술대회 논문집
• /
• pp.241-242
• /
• 2016

본 논문에는 매입형 영구자석 전동기(Interior Permanent Magnet Synchronous Motor, IPMSM)의 회전행렬을 이용한 고주파 신호주입 센서리스 구동 시 회전자 위치 오차 추정 성능 향상을 위한 새로운 인덕턴스 추정방법을 제안하였다. 회전행렬을 이용한 회전자 위치 오차 추정 방법은 위치 오차의 넓은 추정 범위 및 선형성을 만족하는 장점이 있으나 모델 기반 인덕턴스를 사용하기 때문에 실제 인덕턴스 값과 차이가 있을 시 추정된 위치 오차가 부정확 할 수 있다. 따라서 정확한 위치 오차를 구하기 위해 본 논문은 오프라인 상황에서 인덕턴스를 추정하는 새로운 방법을 제시하였으며 모의 실험으로 제안한 방법을 검증하였다.

• 응용통계연구
• /
• 제21권2호
• /
• pp.327-340
• /
• 2008

본 연구에서는 오차항이 AR(1)을 따르는 회귀모형에서 올바른 추론을 도출하고자 모형식별의 문제를 다루었다. 이를 위해 Box-Cox 변환된 회귀모형을 고려하여 (i) Box-Cox 변환모형과 AR(1) 오차에 대한 동시 검정, (ii) AR(1) 오차가 존재하는 모형에서의 Box-Cox 변환모형에 대한 검정 그리고 (iii) 모형이 Box-Cox 변환되어 있을 때 오차가 AR(1) 과정을 따르는지에 대한 LM 검정통계량을 유도하였다. 특히 LM 검정방법에서 여러개의 모수가 비선형관계를 형성하고있어 정보행렬의 추정은 계산상 매우 어렵다. 따라서 정보행렬의 원소에 대한 기대값을 구함에 있어 Taylor전개를 이용하여 정보행렬을 구하고 이에 기반을 둔 LM 검정통계량($LM_E$)를 제안하고 모의실험결과 $LM_E$가 기존의 헤시안행렬에 기반을 둔 LM 검정통계량($LM_H$)에 비하여 유의수준을 잘 유지하고 있는 것으로 나타났다.

• 한국ITS학회 논문지
• /
• 제20권6호
• /
• pp.26-36
• /
• 2021

본 연구는 영상검지기에서 수집되는 정보를 활용하여 딥러닝 기반으로 대기행렬길이를 예측하는 모형을 개발하였다. 그리고 통계적 기법인 다중회귀 모형을 추정하여 평균절대오차와 평균제곱근오차의 두 지표를 이용하여 비교·평가하였다. 다중회귀분석 결과, 시간, 요일, 점유율, 버스 교통량이 유효한 변수로 도출되었고, 이 중에서 독립변수들의 종속변수에 대한 영향력은 점유율이 가장 큰 것으로 나타났다. 딥러닝 최적 모형은 은닉층이 4겹, Look Back이 6으로 결정되었고, 평균절대오차와 평균제곱근오차가 6.34와 8.99로 나타났다. 그리고 두 모형을 평가한 결과, 다중회귀 모형과 딥러닝 모형의 평균절대오차는 각각 13.65와 6.44, 평균제곱근오차는 각각 19.10과 9.11로 계산되었다. 이는 딥러닝 모형이 다중회귀 모형과 비교하여 평균절대오차가 52.8%, 평균제곱근오차는 52.3% 감소된 결과이다.

• 대한교통학회지
• /
• 제22권6호
• /
• pp.57-66
• /
• 2004

관측교통량으로부터 기종점 OD 행렬을 추정할 때 적정한 관측구간을 선정한 후 선정된 구간의 교통량을 이용하여 기종점 OD행렬을 추정하는 것이 기종점 ODGODFUF의 추정력을 향상시키고 경제적인 효율성(관측비용 감소)을 제고하기 위한 방법이라고 판단하였다. 본 연구에서는 관측구간을 선정하기 위해 정수계획법을 이용하여 관측구간을 선정하는 모형식을 제시하였으며 이 기법을 이용하여 교통량 관측구간을 선정한 후, 성정된 관측구간의 교통량으로부터 기종점 OD행렬을 추정하였다. 또한 적정한 관측구간으로 선정된 교통량으로부터 추정된 기종점 OD행렬의 추정력을 비교분석하기 위하여 임의적으로 관측구간을 선정하여 기종점 OD행렬을 추정한 기존의 연구결과와 비교하였다. 비교분석한 결과, 적정한 관측구간을 선정하여 추정한 구간교통량 및 추정 기종점 OD행렬의 추정력이 임의적으로 관측구간의 교통량을 이용한 결과의 오차보다 더 개선되는 것으로 분석되었다. 따라서 관측교통량으로 기종점 OD행렬을 추정하기 위해서는 적정한 관측구간을 선정하여 선정된 구간의 교통량으로부터 기종점 OD행렬을 추정하는 것이 오차를 줄일수 있으며 추정력을 향상시킬수 있는 방법이라고 하겠다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2001년도 하계종합학술대회 논문집(2)
• /
• pp.165-168
• /
• 2001

고 전계하에서 수직 및 수평 전계의 영향을 고려할 수 있는 Hewlett-Packard 이동도 모델을 구현하였다. HP 이동도 모델은 BANDIS에 구현되었다. 구현된 HP이동도 모델을 검증하기 위해 N-MOSFET과 P-MOSFET에 대해 모의실험을 수행하여 MEDICI와 비교한 결과, 드레인 전압-드레인 전류는 5% 이내의 최대 상대 오차를 보였고 전위 분포는 5% 이내의 최대 상대오차를 보였다. MEDICI에서는 1회 수렴을 하기위해 평균 4.6회 이하의 행렬 연산이 필요한 반면 BANDIS에서는 평균 4.3회 이하의 행렬 연산이 필요하다.