• The Transactions of the Korea Information Processing Society
• /
• v.7 no.10
• /
• pp.3098-3104
• /
• 2000

This paper defiens a perceptron-like self-organizing map(PSOM) and show that PSOM is equivalent to Kohonen's self-organizing map(SOM) if target values of output neurons of PSOM are selected properly. This fact imphes that PSOM is a generalized SOM algorithm. This paper also show that if clustering is restricted to vector sets distributed on hypersphere with unit radius, SOM and dot-product SOM(DOSM) are equivalent algorithms. Therefore we conclude that DSOM is a special case of SOM, which in turn a special, case of PSOM.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2011.05a
• /
• pp.87-90
• /
• 2011

본 논문에서는 유전자 알고리즘에 SOM 알고리즘을 적용하여 효율적으로 경로를 탐색할 수 있는 방법을 제안한다. 제안된 경로 탐색 방법은 효율적인 경로 탐색에 앞서 유전자 알고리즘에 의해 도출된 각각의 결과 좌표를 뉴런으로 설정하고 각 뉴런들의 모든 거리 값을 SOM 알고리즘에 적용하여 거리에 대한 가중치를 구한다. 뉴런 선택 조건(가장 적은 거리 가중치, 이전에 선택되지 않았던 뉴런)을 만족하는 뉴런 및 해당 뉴런의 이웃 반경 내에 존재하는 뉴런들의 연결 강도를 가우시안 분포(오차율 분포)에 적용하여 변경하고, 가장 강한 연결 강도를 가지는 승자 뉴런에 해당하는 경로를 선택한다. 이러한 과정을 뉴런의 개수만큼 반복하여 모든 뉴런들의 경로를 도출한다. 제안된 방법을 실험한 결과, 기존의 유전자 알고리즘을 이용한 방법보다 제안된 방법이 효율적인 경로를 탐색하는 것을 확인할 수 있었다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2003.10a
• /
• pp.268-271
• /
• 2003

SOM 알고리즘에서 가중치 조정은 입력 벡터와 승자 노드의 대표 벡터간의 차이만큼 조정되고 승노드의 대표벡터에 입력벡터의 정보를 반영하게 된다. 여기서 그 정보를 반영할 때 입력벡터와 승자노드의 대표 벡터간에 차이가 크면 승자 노드의 대표 벡터에 입력벡터를 기억시키기 위해 입력 벡터의 정보를 더 많이 반영해야 한다. 이러한 문제점을 개선하기 위해 본 논문에서는 승자 노드의 대표벡터와 입력벡터간의 출력오류를 0과1사이의 정규화된 값으로 출력오류를 계산하여 학습률을 조정하고 승자 노드의 저 활용 문제를 개선하기 위해 학습 중에 각 승자 노드의 대표 벡터들이 수정되고 선택되어지는 횟수가 가능한 동등해지도록 각 노드의 승자 빈도수를 가중치 조정에 반영하는 개선된 SOM 알고리즘을 제안하였다. 제안된 방법의 인식 성능을 평가하기 위해 주민등록증에서 추출한 숫자 패턴 50개를 대상으로 실험한 결과, 제안된 방법의 인식 성능이 기존의 SOM 알고리즘보다 개선된 것을 확인하였다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.13 no.10
• /
• pp.1981-1986
• /
• 2009

This paper presents new matting techniques. The matting is an alpha estimation technique of object in an image. We can extract the object in an image naturally using the matting technique. The proposed algorithms begin by segmenting an image into three regions: definitely foreground, definitely background, and unknown. Then we estimate foreground, background, and alpha for all pixels in the unknown region. The proposed algorithms learn the definitely foreground and definitely background using self-organizing map(SOM), and estimate an alpha value of each pixel in the unknown region using SOM learning result. SOM matting is distinguished between global SOM matting and local SOM matting by learning method. Experiment results show the proposed algorithms can extract the object in an image.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2007.04a
• /
• pp.63-74
• /
• 2007

간은 인체의 생명을 유지하고 성장할 수 있도록 하는 영양섭취와 매우 밀접한 관계를 가진 중요한 장기이다. 이러한 간의 중요성에도 불구하고 현재 우리나라의 간암 발병률이 세계에서 가장 높은 수치를 기록하고 있으며 이에 따라 간암을 조기 진단하고 예방할 수 있는 방법의 중요성이 확대되고 있다. 따라서 본 논문에서는 영상 의학적 검사 방법 중 하나인 CT 촬영으로 획득된 조영 증강 CT 영상에서 간 영역과 간 종양 영역을 정확히 검출하고 간 종양의 악성도를 판별할 수 있는 방법을 제안한다. 흉부로부터 5mm 간격으로 약 $40\;{\sim}\;50$장 정도로 촬영한 조영 증강 CT 영상에서 명암도와 명암의 분포도를 이용한 양자화 기법과 장기들의 위치 및 형태학적 특징정보, 그리고 흉부와 복부 양방향으로 인접한 CT 영상들의 정보를 분석하여 간 영역을 검출한다. 간 종양 영역은 과혈관성 종양의 특징을 분석하고 간 영역의 검출 방법에 적용하여 추출한다. 추출된 간 종양 영역은 퍼지 기반 SOM 알고리즘을 제안하여 간 종양의 악성도를 분석하는데 적용한다. 제안된 퍼지 기반 SOM 알고리즘은 SOM의 이웃 반경을 동적으로 조정하는데 퍼지 제어 기법을 적용하여 기존의 SOM 알고리즘보다 종양의 악성 정도를 분류하는 정확성을 개선하였다. 제시된 간 영역과 간 종양 검출 및 분석 방법의 결과와 전문의가 진단한 결과를 비교 분석한 결과, 기존의 간 영역 및 간 종양 영역 검출 방법보다 정확성이 향상된 것을 확인할 수 있었다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.7 no.5
• /
• pp.1052-1061
• /
• 2003

In this paper, we propose the car plate recognition using SOM algorithm and describe the parking control system using the proposed car plate recognition. The recognition of car plate was investigated by means of the SOM algorithm. The morphological information of horizontal and vertical edges was used to extract a plate area from a car image. In addition, the 4-direction contour tracking algorithm was applied to extract the specific area, which includes characters from an extracted plate area. The extracted characteristic area was recognized by using the SOM algorithm. In this paper, 50 car images were tested. The extraction rate obtained by the proposed extraction method showed better results than that from the color information of RGB and HSI, respectively. And the car plate recognition using SOM algorithm was very efficient. We develop the parking control system using the proposed car plate recognition that shows performance improvement by the experimental results.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.11 no.9
• /
• pp.849-854
• /
• 2001

GTM(Generative Topographic Mapping) model is a probabilistic version of the SOM(Self Organizing Maps) which was proposed by T. Kohonen. The GTM is modelled by latent or hidden variables of probability distribution of data. It is a unique characteristic not implemented in SOM model, and, therefore, it is possible with GTM to analyze data accurately, thereby overcoming the limits of SOM. In the present investigation we proposed a BGTM(Bayesian GTM) combined with Bayesian learning and GTM model that has a small mis-classification ratio. By combining fast calculation ability and probabilistic distribution of data of GTM with correct reasoning based on Bayesian model, the BGTM model provided improved results, compared with existing models.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2013.10a
• /
• pp.995-998
• /
• 2013

Aerial imaging is one of the most common and versatile ways of obtaining information from the Earth surface. In this paper, we present an approach by SOM(Self Organization Map) algorithm with 2 phase learning to be applied successfully to aerial images clustering due to its signal-to-noise independency. A comparison with other classical method, such as K-means and traditional SOM, of real-world areal image clustering demonstrates the efficacy of our approach.

• Journal of the Institute of Convergence Signal Processing
• /
• v.4 no.4
• /
• pp.58-65
• /
• 2003

This paper studies a steering control method using a neural network algorithm for an intelligent autonomous driving robot. Previous horizontal steering control methods were made by various possible situation on the road. However, it isn't possible to make out algorithms that consider all sudden variances on the road. In this paper, an intelligent steering control algorithm for an autonomous driving robot system is presented. The algorithm is based on Self Organizing Maps(SOM) and the feature points on the road are used as training datum. In a simulation test, it is available to handle a steering control using SOM for an autonomous steering control. The algorithm is evaluated on an autonomous driving robot. The algorithm is available to control a steering for an autonomous driving robot with better performance at the experiments.

• Journal of Intelligence and Information Systems
• /
• v.15 no.2
• /
• pp.49-59
• /
• 2009

Contents-based image retrieval methods are in general more objective and effective than text-based image retrieval algorithms since they use color and texture in search and avoid annotating all images for search. SIM(Self-organizing Image browsing Map) is one of contents-based image retrieval algorithms that uses only browsable mapping results obtained by SOM(Self Organizing Map). However, SOM may have an error in selecting the right BMU in learning phase if there are similar nodes with distorted color information due to the intensity of light or objects' movements in the image. Such images may be mapped into other grouping nodes thus the search rate could be decreased by this effect. In this paper, we propose an improved SIM that uses HSV color model in extracting image features with color quantization. In order to avoid unexpected learning error mentioned above, our SOM consists of two layers. In learning phase, SOM layer 1 has the color feature vectors as input. After learning SOM Layer 1, the connection weights of this layer become the input of SOM Layer 2 and re-learning occurs. With this multi-layered SOM learning, we can avoid mapping errors among similar nodes of different color information. In search, we put the query image vector into SOM layer 2 and select nodes of SOM layer 1 that connects with chosen BMU of SOM layer 2. In experiment, we verified that the proposed SIM was better than the original SIM and avoid mapping error effectively.