• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2023년도 제67차 동계학술대회논문집 31권1호
• /
• pp.127-128
• /
• 2023

본 논문에서는 학습관리 시스템 서비스 형태에 따른 특징들을 살펴보고, 메타버스에서 서비스되고 있는 학습관리 시스템의 특징을 통해서 비대면 원격 교육 시스템에서 이루어지고 있는 학습의 특징과 방향성에 대해서 알아본다. 그리고 향후 메타버스 학습관리 시스템의 실효성에 대한 연구 방향성의 기준을 제시한다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2005년도 춘계학술대회 학술발표 논문집 제15권 제1호
• /
• pp.428-432
• /
• 2005

영상 데이터와 같은 대용량의 데이터를 분류하고자 할 경우, 입력 데이터의 차원을 줄여서 특징 벡터를 뽑아내는 전처리 과정은 필수적이다. 이 경우 특징 벡터가 입력 데이터의 정보를 최대한 포함하도록 하는 것이 중요하다. 특징 벡터를 뽑는 대표적인 방법으로는 PCA, ICA, LDA, MLP와 같은 특징 추출(feature extraction) 방법을 들 수 있다. PCA와 LDA는 무감독 학습 방식이고, LDA, MLP는 감독 학습 방식에 해당한다. 감독학습 방식의 경우 입력 정보와 함께 클래스 정보를 사용하기 때문에 데이터를 분류하기에 더 좋은 특징들을 뽑아낼 수 있는 장점이 있다. 본 논문에서는 무감독 학습 방식인 PCA에 클래스에 대한 정보를 함께 사용하여 특징을 추출함으로써 데이터 분류에 더욱 적합한 특징들을 뽑는 방법을 제안하였다. 그리고, Yale face database를 사용하여 제안한 알고리즘의 성능을 기존의 알고리즘과 비교, 테스트하였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2004년도 가을 학술발표논문집 Vol.31 No.2 (1)
• /
• pp.130-132
• /
• 2004

본 연구에서는 FMM 신경망을 이용한 패턴 분류 문제에서 학습 패턴에 포함되는 특징의 발생 빈도와 특징 값의 분포를 고려하는 네트워크 구조와 학습 방법론을 소개한다. 이를 위하여 하이퍼박스 소속함수의 산출 과정에 세부특징에 대한 가중치 개념이 적용되는 새로운 활성화 특성을 제안한다. 또한 하이퍼박스의 특징 범위와 빈도 및 특징 값의 분포를 유지하고 새롭게 정의된 하이퍼박스 생성, 확장, 축소기법을 적용한다 이는 가중치 개념을 통하여 각 특징별 중요도를 서로 다른 값으로 반영할 수 있게 하며, 특징의 분포 정보가 고려되어 기존 FMM 모델에 비하여 노이즈에 의한 영향을 개선하여 학습 효과를 증진시킬 뿐만 아니라 하이퍼박스의 생성 및 확장 과정 중에 학습패턴의 순서에 상관없이 동일한 특성을 보일 수 있게 한다.

• 전자공학회논문지CI
• /
• 제41권2호
• /
• pp.87-94
• /
• 2004

특징 집합 선택은 학습 알고리즘의 전처리 과정으로 사용되기도 한다. 수집된 자료가 문제와 관련이 없다거나 중복된 정보를 갖고 있는 경우, 이를 학습 모델생성 이전에 제거함으로써 학습의 성능을 향상시킬 수 있다. 또한 탐색 공간을 감소시킬 수 있으며 저장 공간도 줄일 수 있다. 본 논문에서는 특징 집합의 추출과 추출된 특징 집합의 성능 평가를 위하여 엔트로피를 기반으로 한 휴리스틱 함수를 사용하는 새로운 특징 선택 알고리즘을 제안하였다. 탐색 방법으로는 ACS 알고리즘을 이용하였다. 그 결과 학습에 사용될 특징의 차원을 감소시킴으로써 학습 모델의 크기와 불필요한 계산 시간을 감소시킬 수 있었다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2019년도 제59차 동계학술대회논문집 27권1호
• /
• pp.49-50
• /
• 2019

데이터를 기반으로 한 기계학습은 데이터의 양, 학습 모델, 그리고 데이터의 특징 등 다양한 환경에 민감한 특징을 지니고 있어, 보다 효율적인 기계학습을 위해 데이터의 전처리 과정을 필요로 한다. 데이터의 전처리 과정이란 특징 선택(Feature selection), 노이즈 데이터의 제거, 차원 감소(Demension reduction), 클러스터링(Clustering) 등 보다 효율적인 기계학습을 위한 방법이다. 따라서 본 논문에서는 다양한 환경에서 보다 효율적인 기계학습을 위한 데이터 전처리 기술의 종류 및 간단한 특징에 대해 서술한다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2019년도 제59차 동계학술대회논문집 27권1호
• /
• pp.395-396
• /
• 2019

최근 컴퓨터 하드웨어, 소프트웨어의 급속한 발전으로 상용화되면서 생체 인식 기술은 몇 년 전부터 점차 넓은 시장을 형성하고 있다. 본 논문에서는 얼굴 인식을 위하여 학습 데이터구성과 특징데이터에 따른 인식 정도를 파악하고 효과적인 방법으로 학습할 수 있는 방법을 제안하고자 한다. 실험결과, 원영상 그대로 인식하는 것 보다 특징 데이터를 구성하여 학습하는 것이 효율적임을 알 수 있다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2013년도 제47차 동계학술대회논문집 21권1호
• /
• pp.197-199
• /
• 2013

신경망의 학습은 학습 샘플의 품질뿐만이 아니라 입력으로 사용되는 특징에도 영향을 받으므로 신경망의 출력을 결정하는데 있어 연관성이 높은 특징을 입력으로 사용함으로써 학습된 신경망의 전체적인 성능을 높일 수 있다. 이 논문에서는 신경망의 입력으로 사용되는 특징과 출력의 연관성 파악하고 연관성이 낮은 특징을 학습 과정에서 배제함으로써 신경망의 전체적인 성능을 높일 수 있는 방법을 제시하였다. 토석류 데이터를 위한 의사 샘플 신경망에 제안한 방법을 적용한 경우 연관성이 낮은 특징 하나를 제외함으로써 약 6%의 오류 감소 효과를 얻을 수 있었다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2005년도 춘계학술발표대회
• /
• pp.443-446
• /
• 2005

본 논문에서는 패턴 분류문제에서 특징의 분포와 빈도를 고려하는 FMM(Fuzzy Min-Max) 신경망 구조와 이를 이용한 특징 분석 기법을 소개한다. 이는 기존의 모델에서 균일한 가중치를 고려했을때 비정상적 학습데이터에 학습 효과가 민감하게 왜곡되는 현상을 방지한다. 또한 학습된 신경망으로부터 각 특징의 중요도를 분석할 수 있게 한다. 본 연구에서는 제안된 모델의 특성을 소개하고 특징 값과 하이퍼박스 간의 관계로부터 특징의 연관도 요소, 중요도 평가 및 특징의 서열화 기법을 제시한다. 이는 패턴 분류 신경망의 노드수를 최적화 함으로써 학습 및 분류 과정에서 연산의 효율성을 증대시킨다.

• 한국멀티미디어학회:학술대회논문집
• /
• 한국멀티미디어학회 2001년도 춘계학술발표논문집
• /
• pp.177-180
• /
• 2001

본 논문에서는 신경망을 이용한 내용 기반 이미지 분류 방법을 제안한다. 분류 대상이미지는 인터넷상의 다양한 이미지들 중 오브젝트 이미지이대 웹 에이전트를 통하여 획득하고 정규화 과정을 거친다. 획득한 이미지를 분류하기 위한 특징은 웨이블릿 변란 후 추출된 질감 특징이다. 추출된 질감 특징을 이용하여 학습패턴을 생성하고 신경망을 학습한다. 그리고 구성된 신경망 분류기로 이미지를 분류한다. 본 연구에서는 다양한 질감 특징들 중에서 대비(contrast), 에너지(energy), 엔트로피(entropy)를 이용하여 특징을 추출한다. 실험에 사용한 데이터는 30종류에 대하여 각각 10개씩, 300개의 이미지들을 학습 데이터, 테스트 데이터로 사용하여 구성된 분류기의 인식률을 실험하였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2007년도 한국컴퓨터종합학술대회논문집 Vol.34 No.1 (C)
• /
• pp.287-292
• /
• 2007

본 연구에서는 동적 수신호 패턴에 대한 효과적인 인식을 위하여, 특징추출 단계와 패턴 분류 단계의 두 모듈로 이루어지는 복합형 신경망 모델을 제안한다. 특징추출 모듈을 위하여 고유의 특징표현 기법과 3차원 수용영역 구조의 CNN 모델을 제안한다. 이는 3차원 형식의 데이터로 표현되는 수신호 패턴으로부터 특징점의 공간적 변이뿐만 아니라 시간적 변이에 강인한 특징추출 기능을 제공한다. 패턴 분류 모듈에서는 효율적인 학습과 인식 기능을 위하여 수정된 구조의 GFMM 모델을 제안한다. 또한 학습패턴의 빈도를 고려한 활성화 특성과 학습 방법을 정의함으로써 기존의 GFMM 모델이 갖는 단점인 학습결과가 학습순서에 종속되는 특성과 비정상적 패턴 및 노이즈 패턴에 민감한 현상을 개선한다.