• 한국정보통신학회논문지
• /
• 제7권4호
• /
• pp.839-844
• /
• 2003

본 연구에서는 염색체의 영상패턴을 인식하고 분류하는 방법을 개선하기 위해 패턴인식의 특징정보로 사용되는 비선형적인 염색체 영상을 선형적으로 재구성하는 영상 재구성 알고리즘을 사용하여 선형화된 특징정보를 추출하여 패턴분류기인 신경회로망의 입력정보로 사용한다. 중앙축 변환방법과, 영상 재구성방법을 사용하여 임상적으로 정상인으로 판명된 20명의 염색체 영상의 특징정보를 추출하였다. 중앙축 변환방법에 의하여 추출된 특징정보의 패턴조합과 영상 재구성방법에 의하여 추출된 특징정보의 패턴조합을 구성하였으며, 10명에 대하여 추출한 특징정보를 계층적인 신경회로망(Hierarchical Multilayer Neural Network : HMNN)의 학습입력으로 사용하여 염색체를 분류하기 위한 패턴인식기를 구현하였다. 그리고 나머지 10명에 대하여 학습입력과 동일하게 조합된 패턴조합을 HMNN의 분류입력으로 사용하여 수행한 결과 약 98.26%의 우수한 인식률을 나타내는 최적화된 패턴인식기를 구현할 수 있었다.

• 한국컴퓨터산업학회논문지
• /
• 제2권8호
• /
• pp.1045-1054
• /
• 2001

본 논문에서는 염색체의 핵형을 자동으로 분류하는 연구방법을 개선하기 위하여 염색체의 영상을 재구성하는 방법과 패턴의 인식을 위해 계층형 신경회로망의 구현에 관한 두 가지의 알고리즘을 제안한다. 먼저 영상 재구성방법을 사용하여 임상적으로 정상인으로 판명된 20명의 염색체 영상에서 형태 구조학적인 특징정보와 농도정보를 추출하였다. 10명에 대하여 추출한 정보를 다섯 가지로 조합하여 계층형 신경회로망(Hierarchical Multilayer Neural Network： HMNN)의 학습입력으로 사용하여 핵형을 분류할 수 있는 패턴인식기를 구현하였다. 그리고 나머지 10명에 대한 다섯 가지의 조합된 정보를 HMNN의 분류입력으로 사용하여 실험한 결과 약 98.26％의 우수한 인식률을 나타내는 최적화된 계층적 인공신경회로망을 구현할 수 있었다.

• 제어로봇시스템학회논문지
• /
• 제4권4호
• /
• pp.499-505
• /
• 1998

In developing an automated surface inspect algorithm, we have designed a hierarchical classifier using neural network. The defects which exist on the surface of cold mill strip have a scattering or singular distribution. We have considered three major problems, that is preprocessing, feature extraction and defect classification. In preprocessing, Top-hit transform, adaptive thresholding, thinning and noise rejection are used Especially, Top-hit transform using local minimax operation diminishes the effect of bad lighting. In feature extraction, geometric, moment, co-occurrence matrix, and histogram ratio features are calculated. The histogram ratio feature is taken from the gray-level image. For defect classification, we suggest a hierarchical structure of which nodes are multilayer neural network classifiers. The proposed algorithm reduced error rate by comparing to one-stage structure.

• 전자공학회논문지SC
• /
• 제48권1호
• /
• pp.18-23
• /
• 2011

본 연구는 자동차에 장착된 일반적인 자동변속기의 문제점을 향상시키기 위해서 지능형 변속선도 결정 모듈을 제안한다. 전형적인 자동변속기의 변속선도는 운전자의 습관 및 성향이 반영되지 않기 때문에 운전자가 원하는 변속점을 제공하지 못한다. 기존의 변속선도는 불필요한 기어의 변화가 발생하고 연료효율에도 좋지 않다. 또한 가끔 킥-다운과 같은 현상이 발생한다. 그래서 본 논문에서는 개인적인 운전자의 운전 스타일을 고려한 변속선도를 결정하는 지능형 변속 제어 방법을 연구한다. 운전스타일은 주행 중인 자동차의 실제 데이터를 이용하여 운전자의 성향 및 운전 습관에 의해 판단된다. 이 모듈은 실제 자동차 데이터를 학습하기 위해 신경회로망을 사용한 계층적 구조로 구성된다. 제안된 지능형 변속선도 제 어 모듈은 각 운전자의 운전스타일에 따라 운전에 필요한 토크와 속도를 제공하여 운전자에게 적합한 변속점과 변속시간을 제공할 수 있다.

• 대한의용생체공학회:의공학회지
• /
• 제23권3호
• /
• pp.197-205
• /
• 2002

본 연구에서는 잡음이 존재하는 공간에서 획득한 음성신호로부터 후두질환을 감별진단 할 수 있는 분류기를 구현하였다. 이를 위해 후두질환 환자로부터 수집한 /아/ 모음에 잡음을 혼입하여 음성 신호를 획득하였고, 여러 가지 후두질환을 감별진단 할 수 있는 파라미터를 추출하였으며. 이를 입력으로 하는 계층적 신경회로망을 구성하여 후두질환을 감별진단 하도록 하였다. 감별진단용 분류기는 다섯 단계의 계층적 신경회로망으로 구성하였다 첫 번째 신경회로망은 정상 양성 후두질환과 악성 후두질환을. 두 번째 신경회로망은 정상과 양성 후두질환을 감별진단 하도록 하였다 그리고 세 번째 신경회로망은 양성 후두질환 중 후두용. 성대결절 후두마비를 감별진단 하도록 하였으며. 네 번째와 다섯 번째 신경회로망은 성문암 1-4기를 감별진단 하도록 구성하였다. 분류기에 적용된 신경회로망은 다층퍼셉트론 구조로써 역전파 알고리듬으로 학습시켰으며, 선형변환 표준점수변환 등 전처리과정을 적용하여 분류기의 성능을 개선하였다. 후두질환의 감별진단 결과 후두용 88.23%. 정상. 성대결절. 후두마비 100%. 성문암 1기 90%, 성문암 2-4기 100%의 감별진단율을 관찰할 수 있었다.

• 한국생물정보학회:학술대회논문집
• /
• 한국생물정보시스템생물학회 2001년도 제2회 생물정보 워크샵 (DNA Chip Bioinformatics)
• /
• pp.165-196
• /
• 2001

DNA chip 또는 microarray는 다수의 유전자 또는 유전자 조각을 (보통 수천내지 수만 개)칩상에 고정시켜 놓고 DNA hybridization 반응을 이용하여 유전자들의 발현 양상을 분석할 수 있는 기술이다. 이러한 high-throughput기술은 예전에는 생각하지 못했던 여러가지 분자생물학의 문제에 대한 해답을 제시해 줄 수 있을 뿐 만 아니라, 분자수준에서의 질병 진단, 신약 개발, 환경 오염 문제의 해결 등 그 응용 가능성이 무한하다. 이 기술의 실용적인 적용을 위해서는 DNA chip을 제작하기 위한 하드웨어/웻웨어 기술 외에도 이러한 데이터로부터 최대한 유용하고 새로운 지식을 창출하기 위한 bioinformatics 기술이 핵심이라고 할 수 있다. 유전자 발현 패턴을 데이터마이닝하는 문제는 크게 clustering, classification, dependency analysis로 구분할 수 있으며 이러한 기술은 통계학과인공지능 기계학습에 기반을 두고 있다. 주로 사용된 기법으로는 principal component analysis, hierarchical clustering, k-means, self-organizing maps, decision trees, multilayer perceptron neural networks, association rules 등이다. 본 세미나에서는 이러한 기본적인 기계학습 기술 외에 최근에 연구되고 있는 새로운 학습 기술로서 probabilistic graphical model (PGM)을 소개하고 이를 DNA chip 데이터 분석에 응용하는 연구를 살펴본다. PGM은 인공신경망, 그래프 이론, 확률 이론이 결합되어 형성된 기계학습 모델로서 인간 두뇌의 기억과 학습 기작에 기반을 두고 있으며 다른 기계학습 모델과의 큰 차이점 중의 하나는 generative model이라는 것이다. 즉 일단 모델이 만들어지면 이것으로부터 새로운 데이터를 생성할 수 있는 능력이 있어서, 만들어진 모델을 검증하고 이로부터 새로운 사실을 추론해 낼 수 있어 biological data mining 문제에서와 같이 새로운 지식을 발견하는 exploratory analysis에 적합하다. 또한probabilistic graphical model은 기존의 신경망 모델과는 달리 deterministic한의사결정이 아니라 확률에 기반한 soft inference를 하고 학습된 모델로부터 관련된 요인들간의 인과관계(causal relationship) 또는 상호의존관계(dependency)를 분석하기에 적합한 장점이 있다. 군체적인 PGM 모델의 예로서, Bayesian network, nonnegative matrix factorization (NMF), generative topographic mapping (GTM)의 구조와 학습 및 추론알고리즘을소개하고 이를 DNA칩 데이터 분석 평가 대회인 CAMDA-2000과 CAMDA-2001에서 사용된cancer diagnosis 문제와 gene-drug dependency analysis 문제에 적용한 결과를 살펴본다.