• Journal of Korea Water Resources Association
• /
• v.48 no.3
• /
• pp.233-243
• /
• 2015

The bimodal flocculation of cohesive sediments in water environments describes the aggregation and breakage process developing a bimodal floc size distribution with dense flocculi and floppy flocs. A two class population balance equation (TCPBE) was tested for simulating the bimodal flocculation by a model-data fitting analysis with two sets of experimental data (low and high turbulent flows) from 1-D flocculation-settling column tests. In contrast to the Single-Class PBE (SCPBE), the TCPBE could simulate interactions between flocculi and flocs and the flocculation mechanism by differential settling in a low turbulent flow. Also, the TCPBE could perform the same quality of simulation as the elaborate Multi-Class PBE (MCPBE), with a small number of floc size classes and differential equations. Thus, the TCPBE was proven to be the simplest model that is capable of simulating the bimodal flocculation of cohesive sediments in water environments and water, wastewater treatment systems.

• The Korean Journal of Applied Statistics
• /
• v.14 no.2
• /
• pp.439-448
• /
• 2001

본 연구는 시간자료(Longitudinal data)의 분석을 위하여 Fuzzy k-means 군집분석 방법을 확장한 알고리즘을 제안한다. 이 논문에서 제안하는 군집분석방법은 각각의 개체에 대응하는 성장곡선에 Fuzzy k-means 군집분석의 알고리즘을 결합하는 것을 핵심아이디어로한다. 분석결과는 생성된 군집을 성장곡선모형으로 표현할 수 있고 또한 추정된 모형의 식을 활용하여 새로운 개체를 분류도 할수 있음을 보인다. 그리고 이 군집분석방법은 아직 자라지 않은 나이 어린 개체가 미래에 어느 군집에 속할 것인가 하는 분류와 함께 이 개체의 향후 성장상태를 예측을 하는 데에도 적용이 가능하다. 제안된 알고리즘을 원숭이(macaque)의 상악동(maxillary sinus)의 자료에 적용한 실례로 보인다.

• The Korean Journal of Applied Statistics
• /
• v.33 no.5
• /
• pp.591-601
• /
• 2020

The self-organizing map (SOM) is a unsupervised learning method projecting high-dimensional data into low-dimensional nodes. It can visualize data in 2 or 3 dimensional space using the nodes and it is available to explore characteristics of data through the nodes. To understand the structure of data, cluster analysis is often used for nodes obtained from SOM. In cluster analysis, the optimal number of clusters is one of important issues. To help to determine it, various cluster validity indexes have been developed and they can be applied to clustering outcomes for nodes from SOM. However, while SOM has an advantage in that it reflects the topological properties of original data in the low-dimensional space, these indexes do not consider it. Thus, we propose a new cluster validity index for SOM based on connectivity between nodes which considers topological properties of data. The performance of the proposed index is evaluated through simulations and it is compared with various existing cluster validity indexes.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.05a
• /
• pp.80-82
• /
• 2020

최근 자율주행차량의 기술 개발이 확대되면서 이를 기반으로 운전자, 인프라 등 다양한 관점에서 효과를 기대할 수 있는 군집주행에 대한 관심도 점차 높아지고 있다. 현재 고속도로에서만 적용 가능한 군집주행 기술이 상용화 되면서 교차로가 많은 도시 도로 환경에서도 이를 적용하기 위해 여러 자동차 업체에서 시스템을 개발 중이다. 하지만 기존 군집주행 방식은 군집이 해체될 경우 차량이 다시 군집을 형성하고 다른 군집에 가입하는 과정에서 발생하는 시간이나 비용적인 측면에서 도로 처리량과 시간 단축이라는 본래 군집주행의 목표에 미치지 못한다. 따라서 본 논문은 차량 간에 주고받는 메시지를 개선하여 군집주행 알고리즘을 새롭게 설계해 도시 도로 환경에서도 적용 가능한 동적 군집주행에 대해 제안하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2014.04a
• /
• pp.952-955
• /
• 2014

본 논문에서는 정보 검색 분야에서 잘 알려진 잠재 의미 분석 방법과 계층적 군집화 방법의 단점을 상호 보완하여 보다 효율적인 정보 검색을 위한 혼합형 군집화 방법을 제안한다. 먼저, 잠재 의미 분석 방법은 벡터 연산을 통하여 자동적으로 문서 내에 있는 잠재적인 의미를 찾는 정보 검색분야에서 많이 사용되는 고전적인 방법이다. 그러나 이 방법은 언어의 유의성이나 다의성으로 인하여 발생되는 백-오브-워드(bag-of-word) 문제를 가지고 있다. 두 번째 방법인 문서 군집화를 위하여 범용적으로 사용되고 있는 계층적 군집화 방법이다. 이 방법은 이를 통하여 분석된 군집의 질적 측면에서 볼 때, 여전히 단층적 군집들이 많이 형성되어 세부적인 분석을 통한 추가적인 군집화가 필요함을 알 수 있다. 따라서, 본 논문에서는 앞서 언급한 문제점을 해결하기 위하여 혼합적인 방법으로 잠재 의미 분석 방법을 이용한 응집 계층 군집화 방법을 제안한다. 제안한 방법을 이용하여 잘 알려진 두 개의 데이터에 적용하고 기존의 방법과 그 결과를 비교함으로써 군집의 질적 측면에서의 우수함을 보인다.

• Journal of the Korea Convergence Society
• /
• v.12 no.7
• /
• pp.169-179
• /
• 2021

This study shows that the two-stage k-means clustering method can improve prediction performance by predicting the stock price, To this end, this study introduces the two-stage k-means clustering algorithm and tests the prediction performance through comparison with various machine learning techniques. It selects the cluster close to the prediction target obtained from the k-means clustering, and reapplies the k-means clustering method to the cluster to search for a cluster closer to the actual value. As a result, the predicted value of this method is shown to be closer to the actual stock price than the predicted values of other machine learning techniques. Furthermore, it shows a relatively stable predicted value despite the use of a relatively small cluster. Accordingly, this method can simultaneously improve the accuracy and stability of prediction, and it can be considered as the new clustering method useful for small data. In the future, developing the two-stage k-means clustering is required for the large-scale data application.

• The Korean Journal of Applied Statistics
• /
• v.22 no.4
• /
• pp.723-733
• /
• 2009

The crucial problems of K-means clustering are deciding the number of clusters and initial centroids of clusters. Hence, the steps of K-means clustering are generally consisted of two-stage clustering procedure. The first stage is to run hierarchical clusters to obtain the number of clusters and cluster centroids and second stage is to run nonhierarchical K-means clustering using the results of first stage. Here we provide automated K-means clustering procedure to be useful to obtain initial centroids of clusters which can also be useful for large data sets, and provide software program implemented using R.

• Communications for Statistical Applications and Methods
• /
• v.18 no.3
• /
• pp.391-401
• /
• 2011

Consider a cluster, so called a 'son cluster', whose mean and variance is composed of the means and variances of both clusters called as a 'father cluster' and a 'mother cluster'. In this paper, a method for identifying each of three clusters is provided by modeling the relationship with father and mother clusters. Under the normal mixture model, the parameters are estimated via EM algorithm. We were able to overcome the problems of estimation using ECM approximation. Numerical examples show that our method can effectively identify the three clusters, so called a 'family of clusters'.

• Korean Journal of Environment and Ecology
• /
• v.14 no.4
• /
• pp.238-251
• /
• 2001

본 연구는 계룡산국립공원 동학사 계곡의 식물군집구조를 파악하기 위하여 실시되었으며, 10cm$\times$10m(100$\m^2$) 조사구를 52개 설정하여 식생조사를 실시하였다. 52개 조사구는 TWINSPAN에 의한 classifi-cation 분석과 DCA ordination 분석을 통하여 소나무군집(16개 조사구), 밤나무군집(4개 조사구), 신갈나무군집(5개 조사구), 졸참나무군집(13개 조사구), 느티나무군집(4개 군집), 서어나무군집(10개 조사구)으로 나누어졌다. 6개 군집의 천이경향을 살펴보면 소나무군집, 신갈나무군집, 졸참나무군집,느티나무군집은 각 층위별 안정된 층위구조로 현상태를 유지할 것이며, 밤나무구닙은 참나무류를 거쳐 서어나무로의 천이가 진행될 것으로 판단되었고, 서어나무군집은 졸참나무와 굴참나무군집으로 퇴행천이될 것이다. 6개 군집의 Shannon의 종다양도지수는 1.2732~1.4699이었다.

• Economic Analysis
• /
• v.17 no.2
• /
• pp.27-55
• /
• 2011

Although many theoretical studies have tried to explain the volatility in financial markets using models of herd behavior, there have been few empirical studies on dynamic herding due to the technical difficulty of detecting herd behavior with time-series data. Thus, this paper theoretically extends a continuous beliefs system belonging to an agent based economic model by introducing a term representing agents'mutual dependence into each agent's utility function and derives a SV(stochastic volatility)-type econometric model. From this model the time-varying herding parameters are efficiently estimated by a Markov chain Monte Carlo method. Using monthly data of KOSPI and DOW, this paper provides some empirical evidences for stronger herding in the Korean stock market than in the U.S. stock market, and further stronger herding after the global financial crisis than before it. More interesting finding is that time-varying herd behavior has weak autocorrelation and the global financial crisis may increase its volatility significantly.