• Bulletin of the Korean Chemical Society
• /
• 제26권12호
• /
• pp.2027-2032
• /
• 2005

This paper demonstrates details of thermal behavior of Langmuir-Blodgett (LB) film of poly(tert-butyl methacrylate) (PtBMA) by using the principal component analysis based two-dimensional correlation spectroscopy (PCA2D) through eigenvalue manipulating transformation (EMT). By uniformly lowering the power of a set of eigenvalues associated with the original data, the smaller eigenvalues becomes more prominent and the subtle contribution from minor components is now highlighted much more strongly than the original data. Thus, the subtle difference of thermal behavior of LB film of PtBMA from minor components, which is not readily detectable in the conventional 2D correlation analysis, is much more noticeable than the original data. PCA2D correlation spectra with EMT operation for the temperature-dependent IR spectra of LB film of PtBMA reveal the hidden property of phase transition processes during heating.

• 대한수학회보
• /
• 제55권4호
• /
• pp.1303-1315
• /
• 2018

For principal component analysis (PCA) to efficiently analyze large scale matrices, it is crucial to find a few singular vectors in cheaper computational cost and under lower memory requirement. To compute those in a fast and robust way, we propose a new stochastic method. Especially, we adopt the stochastic variance reduced gradient (SVRG) method [11] to avoid asymptotically slow convergence in stochastic gradient descent methods. For that purpose, we reformulate the PCA problem as a unconstrained optimization problem using a quadratic penalty. In general, increasing the penalty parameter to infinity is needed for the equivalence of the two problems. However, in this case, exact penalization is guaranteed by applying the analysis in [24]. We establish the convergence rate of the proposed method to a stationary point and numerical experiments illustrate the validity and efficiency of the proposed method.

• 한국산림과학회지
• /
• 제78권3호
• /
• pp.255-262
• /
• 1989

강원도(江原道) 점봉산(點鳳山) 일대 중생혼효림(中生混淆林)의 식생(植生)에 대하여 Classification과 Ordination을 병행 사용한 분석법을 시도하였다. 조사 삼림내의 70개 표본구에 나타난 8종(種)의 목본식물(木本植物)의 수도(數度)를 바탕으로, Classification기법(技) 중의 하나인 Cluster 분석에 의하여 다섯 식생군(植生群)이 분류(分類)되었으며, 각 식생군(植生群) 별로 수종(樹種) 다양성(多樣性)도 비교 검토되었다. Cluster 분석이 분류한 식생군(植生群)별 교목(喬木) 수종(樹種)의 중요치(重要値)를 매개변수(媒介變數)로 하여 Principal component analysis (PCA) 한 결과로써 각 식생군별 수종(樹種) 구성(構成) 상태(狀態)의 유사성(類似性)을 비교할 수 있었다. 단풍나무, 물푸레나무, 신갈나무 그리고 고로쇠나무의 eigenvector 즉, 식생군이 ordination된 좌표(座標) 위치를 결정하는 인자(因子) 부가율(附加率)이 높게 나타남으로써, 본 연구대상 삼림(森林)에서는 이들 네가지 수종(樹種)의 분포(分布)가 삼림군의(森林群義) 분류(分類)의 핵심이라 할 수 있다.

• 응용통계연구
• /
• 제30권5호
• /
• pp.747-757
• /
• 2017

본 논문은 다변량 실현 변동성 계산에서 주기 선택 방안에 대해 연구하고 있다. 고빈도(high frequency) 시계열 자료에 기초한 일간 변동성인 실현변동성을 계산하고 차원 축소 방법인 주성분을 도입하였다. Cholesky 모형을 포함한 다양한 다변량 변동성모형을 주성분을 통해 비교하였으며 KOSPI/삼성전자/현대차 고빈도 수익률 자료를 이용하여 예시하였다.

• 한국콘텐츠학회논문지
• /
• 제9권4호
• /
• pp.121-130
• /
• 2009

이 논문은 고차원의 데이터를 저 차원으로 줄이는 방법 중 하나인 특징추출에 대한 방법들의 특성을 비교한다. 비교대상 방법은 전통적인 PCA(Principal Component Analysis)방법과 시각피질의 특성을 보인다고 알려진 ICA(Independent Component Analysis), 국소기반인식을 구현한 NMF(Non-negative Matrix Factorization), 그리고 이의 성능을 개선한 sNMF(Sparse NMF)로 정하였다. 추출된 특징들의 특성을 시각적으로 확인하기 위하여 필기체 숫자 영상을 대상으로 특징추출을 수행하였으며, 인식기에 적용한 효과의 확인을 위하여 추출된 특징을 다층퍼셉트론에 학습시켜보았다. 각 방법의 특성을 비교한 결과는 응용하고자 하는 문제에서 어떤 특징을 추출하기 원하느냐에 따라 특징추출 방법을 선정할 때 유용할 것이다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제30권3_4호
• /
• pp.372-378
• /
• 2003

얼굴 인식을 위한 주요 기법인 PCA, LBA 등과 같은 mapping에 의한 기법과 템플리트 정합기법 모두 얼굴 영역의 회전, 이동, 표정, 그리고 조명조건의 변화에 민감한 특성을 가진다. 본 논문에서는, 영상의 변화를 보상할 수 있는 전처리 과정으로서 기하학적 특징에 기반한 순수 얼굴영역검출기법을 도입하고 후처리 과정으로서 간단한 정합기법을 사용한 얼굴인식 기법을 제안한다. 제안한 기법은 PCA와 LDA 기법에 비해 영상의 변화에 민감하지 않고 높은 인식률을 보장할 수 있는 장점을 가진다.

• 한국환경과학회지
• /
• 제9권1호
• /
• pp.1-11
• /
• 2000

A study on the variational characteristics of water quality and phytoplankton biomass by principal component analysis(PCA) was carried out in Kogum-sudo from February to October in 1993. We analyzed PCA on biological factors such as chlorophyll a and phytoplankton cell numbers for centric and pennate diatoms, phytoflagellates, and total phytoplankton as well as physico-chemical factors as water temperature, salinity, transparency, dissolved oxygen(DO), saturation of DO, apparent oxygen utilization (AOU), chemical oxygen demand(COD), nutrient (ammonia, nitrite, nitrate, phosphate and silicate), N/P ratio and suspended solid(SS). The source of nutrients supply depended on the mineralization of organic matters and inputs of seawater from outside rather than runoff of freshwater. The phytoplankton biomass was changed within short interval period by nutrients change. And it was controlled by the combination of several environmental factors, especially of light intensity, ammonia and phosphate. The marine environmental characteristics were determined by the mineralization of organic matters in winter, by runoff of freshwater including high nutrients concentration in spring, by ammonia uptake and high phytoplankton productivity in summer, and phosphate supplied input seawater from outside of Kogeum-sudo in autumn. And Kogum-sudo was separated with 2 regions by score distributions of PCA. That is to say, one region was middle parts of straits which was characterized by the mixing seawater and the accumulated organic matters, other one region was Pungnam Bay and the water around Kogum Island which was done by high phytoplankyon biomass and productivity year-round.

• 대한원격탐사학회지
• /
• 제35권6_1호
• /
• pp.959-971
• /
• 2019

대표적인 딥러닝(deep learning) 기법 중 하나인 Convolutional Neural Network(CNN)은 고수준의 공간-분광 특징을 추출할 수 있어 초분광 영상 분류(Hyperspectral Image Classification)에 적용하는 연구가 활발히 진행되고 있다. 그러나 초분광 영상은 높은 분광 차원이 학습 과정의 시간과 복잡도를 증가시킨다는 문제가 있어 이를 해결하기 위해 기존 딥러닝 기반 초분광 영상 분류 연구들에서는 차원축소의 목적으로 Principal Component Analysis (PCA)를 적용한 바 있다. PCA는 데이터를 독립적인 주성분의 축으로 변환시킬 수 있어 분광 차원을 효율적으로 압축할 수 있으나, 분광 정보의 손실을 초래할 수 있다. PCA의 사용 유무가 CNN 학습의 정확도와 시간에 영향을 미치는 것은 분명하지만 이를 분석한 연구가 부족하다. 본 연구의 목적은 PCA를 통한 분광 차원축소가 CNN에 미치는 영향을 정량적으로 분석하여 효율적인 초분광 영상 분류를 위한 적절한 PCA의 적용 방법을 제안하는 데에 있다. 이를 위해 PCA를 적용하여 초분광 영상을 축소시켰으며, 축소된 차원의 크기를 바꿔가며 CNN 모델에 적용하였다. 또한, 모델 내의 컨볼루션(convolution) 연산 방식에 따른 PCA의 민감도를 분석하기 위해 2D-CNN과 3D-CNN을 적용하여 비교 분석하였다. 실험결과는 분류정확도, 학습시간, 분산 비율, 학습 과정을 통해 분석되었다. 축소된 차원의 크기가 분산 비율이 99.7~8%인 주성분 개수일 때 가장 효율적이었으며, 3차원 커널 경우 2D-CNN과는 다르게 원 영상의 분류정확도가 PCA-CNN보다 더 높았으며, 이를 통해 PCA의 차원축소 효과가 3차원 커널에서 상대적으로 적은 것을 알 수 있었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2008년도 학술발표회 논문집
• /
• pp.694-698
• /
• 2008

In hydrology, it is a difficult task to deal with multivariate time series such as modeling streamflows of an entire complex river system. Normal distribution based model such as MARMA (Multivariate Autorgressive Moving average) has been a major approach for modeling the multivariate time series. There are some limitations for the normal based models. One of them might be the unfavorable data-transformation forcing that the data follow the normal distribution. Furthermore, the high dimension multivariate model requires the very large parameter matrix. As an alternative, one might be decomposing the multivariate data into independent components and modeling it individually. In 1985, Lins used Principal Component Analysis (PCA). The five scores, the decomposed data from the original data, were taken and were formulated individually. The one of the five scores were modeled with AR-2 while the others are modeled with AR-1 model. From the time series analysis using the scores of the five components, he noted "principal component time series might provide a relatively simple and meaningful alternative to conventional large MARMA models". This study is inspired from the researcher's quote to develop a multivariate simulation model. The multivariate simulation model is suggested here using Principal Component Analysis (PCA) and Independent Component Analysis (ICA). Three modeling step is applied for simulation. (1) PCA is used to decompose the correlated multivariate data into the uncorrelated data while ICA decomposes the data into independent components. Here, the autocorrelation structure of the decomposed data is still dominant, which is inherited from the data of the original domain. (2) Each component is resampled by block bootstrapping or K-nearest neighbor. (3) The resampled components bring back to original domain. From using the suggested approach one might expect that a) the simulated data are different with the historical data, b) no data transformation is required (in case of ICA), c) a complex system can be decomposed into independent component and modeled individually. The model with PCA and ICA are compared with the various statistics such as the basic statistics (mean, standard deviation, skewness, autocorrelation), and reservoir-related statistics, kernel density estimate.

• 대한토목학회논문집
• /
• 제33권5호
• /
• pp.1981-1987
• /
• 2013

차량의 $CO_2$ 배출량은 통행속도에 따라 다르게 나타난다. 또한, 차량의 통행속도는 도로의 종류나 위치, 시간대, 교통량 등에 따라 다르게 나타난다. 본 논문에서는 주성분분석(PCA : Principal Component Analysis)을 이용하여 간선도로 구간 별 시간대 별로 차량 당 $CO_2$ 다량 배출구간을 판별하여 평가하였다. 분석 결과, 주성분분석 결과 제 1주성분과 제 2주성분으로 성분이 구분되는 것을 알 수 있었고 시간대가 각 주성분을 설명할 수 있는 주요 성분임을 알 수 있었다. 제 1주성분의 경우 새벽시간대와 오후시간대로 주성분을 설명할 수 있었다. 제 2주성분의 경우 오전, 오후 첨두시 시간대로 주성분을 설명할 수 있었다. 그리고 주성분 점수를 산출하여 분석한 결과 제 1주성분의 경우 새벽시간대에도 정체현상이 지속되는 잠원IC~한남대교 구간이 타 구간에 비해 주성분 점수가 높게 나타났고 제 2주성분의 경우 오전,오후 첨두시의 정체현상이 극심한 서울시 접속부와의 이격이 가까운 구간에서 주성분 점수가 높게 나타났다. 결과적으로 주성분 점수를 통하여 차량 당 $CO_2$ 다량 배출 구간을 판별할 수 있었다.