• Proceedings of the Korea Information Processing Society Conference
• /
• 2000.10a
• /
• pp.255-258
• /
• 2000

정보 산업의 발달에 의해 여러 가지 형태의 정보 전달이 가능하게 되었으며 최근에 칼라 화상의 정보 전달에 있어서 빠른 전송과 압축기법이 필요하게 되었다. 본 논문에서는 칼라 화상을 압축하는데 있어 개선된 SOM 알고리즘을 이용하여 칼라 이미지에 대한 벡터 양자화 기법을 제안한다. 제안된 방법은 기존의 LBG 알고리즘을 이용한 벡터 양자화 기법에 비해 블록화 현상을 줄일 수 있었으며 이미지 전체에 대해 블록의 수만큼 계속해서 반복하지 않고 동적으로 코드북을 생성시킴으로써 실행 시간도 줄일 수 있었다. 또한 웨이블릿을 칼라 화상에 적용시켜 화상의 특징을 더욱더 두드러지게 함으로써 개선된 SOM을 적용시 재생의 효과를 높일 수 있었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2015.07a
• /
• pp.250-251
• /
• 2015

본 논문에서는 자기 조직화 기능을 갖는 Kohonen의 SOM(Self organization map) 신경회로망과 주어지는 데이터에 따라 초기의 클러스터 개수를 설정하여 처리하는 수정된 K-Means 알고리즘을 결합한 Hybrid Kohonen Network 를 제안한다. 또한, 실제의 항공영상에 적용하여 고전적인 K-Means 알고리즘 및 고전적인 SOM 알고리즘보다 우수함을 보인다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.10b
• /
• pp.350-352
• /
• 2000

위성이 보내어오는 영상의 량은 인간이 일일이 실시간으로 검색할 수 없을 정도의 방대한 양이다. 그러므로 위성이 보내어오는 영상을 자동적으로 빠른 시간내에 분석하기 위하여 원패스로 성질이 유사한 영역을 묶어서 분류하는 알고리즘이 필요하다. 본 연구에서는 자기조직화 신경망(SOM)을 인공위성 영상을 원패스에 분할할 수 있도록 학습방법을 개선하였으며 개선된 SOM 알고리즘이 같은 원패스 알고리즘인 온라인 K-means과 비교하여 유효함을 알 수 있었다.

• Journal of the Korea Society for Simulation
• /
• v.21 no.2
• /
• pp.79-90
• /
• 2012

In this paper, a feature signal extraction method is proposed in order to enhance the low performance of fault detection caused by unbalanced data which denotes the situations when severe disparity exists between the numbers of class instances. Most of the cyclic signals gathered during the process are recognized as normal, while only a few signals are regarded as fault; the majorities of cyclic signals data are unbalanced data. SOM(Self-Organizing Map)-based feature signal extraction method is considered to fix the adverse effects caused by unbalanced data. The weight neurons, mapped to the every node of SOM grid, are extracted as the feature signals of both class data which are used as a reference data set for fault detection. kNN(k-Nearest Neighbor) and SVM(Support Vector Machine) are considered to make fault detection models with comparisons to Hotelling's $T^2$ Control Chart, the most widely used method for fault detection. Experiments are conducted by using simulated process signals which resembles the frequent cyclic signals in semiconductor manufacturing.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.5 no.2
• /
• pp.152-157
• /
• 2010

The development of computer and internet has introduced various types of media - such as, image, audio, video, and voice - to the traditional text-based information. However, most of the information retrieval systems are based only on text, which results in the absence of ability to use available information. By utilizing the available media, one can improve the performance of search system, which is commonly called content-based retrieval and content-based image retrieval system specifically tries to incorporate the analysis of images into search systems. In this paper, a content-based image retrieval system using HSI color space, ART2 algorithm, and SOM algorithm is introduced. First, images are analyzed in the HSI color space to generate several sets of features describing the images and an SOM algorithm is used to provide candidates of training features to a user. The features that are selected by a user are fed to the training part of a search system, which uses an ART2 algorithm. The proposed system can handle the case in which an image belongs to several groups and showed better performance than other systems.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2006.05a
• /
• pp.301-306
• /
• 2006

본 연구에서는 강우의 시 공간적 분포의 불규칙한 변동성을 고려한 강우-유출예측을 위해 인공신경망(Artificial Neural Networks: ANNs)의 기법의 일종인 자기조직화(Self Organizing Map: SOM) 이론과 역전파 학습 알고리즘(Back Propagation Algorithm: BPA) 이론을 복합적으로 이용하였다. 기존의 인공신경망 연구에서 야기된 저..갈수기의 유출량에 대한 과대평가, 홍수기의 유출량에 대한 과소평가, 예측값이 선행 유출량의 지속성을 갖는 Persistence 현상을 해결하기 위하여 패턴분류 성능을 지닌 SOM 이론을 도입하여 예측모형의 전처리 과정으로 이용하였다. 이는 기존의 인공신경망 모형이 하나의 모형을 구성하여 유출량의 전 범위에 해당하는 자료를 예측하는 방법을 개선한 것으로 SOM에 의해 패턴이 분류된 강우-유출관계의 각 패턴별 예측모형을 통해 분류된 자료들의 예측을 수행하는 방법이다. 이와 같이 SOM을 강우-유출예측모형의 전처리과정으로 이용함으로서 기존의 인공신경망 연구에서 야기된 현상들을 해결할 수 있었고, 예측력 또한 기존의 인공신경망 모형의 결과에 비해 우수하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2002.11a
• /
• pp.409-412
• /
• 2002

본 논문에서는 실제 경영의 의사결정 등을 위한 활용가치가 있는 정보를 추출해 내는 방법론으로 SOM을 적용하였다. SOM은 자율(upsupervised)과 경쟁(competitive) 학습을 한다. 데이터를 입력하였을 때, SOM의 출력 노드중에서 다른 출력 노드과 비교해서 가장 강하게 반응하는 노드가 있을 것이며, 그러한 출력 노드를 더욱 더 강하게 반응하게끔 반복적으로 학습시키는 것이다. 입력에 대해 자연스럽게 반응하는 출력 노드를 선택하여 반복 학습을 시키면, 후에는 결과적으로 어떤 출력 노드가 반응되는지를 조사하면 거꾸로 입력을 알 수 있게 되는 것이다. 대량의 데이터, 잠재적으로 활용가치가 있는 데이터를 SOM을 통해 유용한 정보들을 추출할 수 있으며 이는 실제 경영의 의사결정을 위한 수단으로 충분히 활용될 수 있을 것이다.

• Proceedings of the KIEE Conference
• /
• 2004.05b
• /
• pp.109-112
• /
• 2004

In this study, the applicability of SOM(Self Organizing Map) algorithm to partial discharge pattern recognition have been investigated. For the purpose, using acquired data from the artificial defects in GIS, SOM algorithm which has some advantages such as data accumulation ability and the degradation trend trace ability was compared with conventionally used BP(Back Propagation) algorithm. As a result, basically BP algorithm was found out to be better than SOM algorithm. Therefore, it is needed to apply SOM algorithm in combination with BP algorithm in order to improve on-site applicability using the advantages of SOM. Also, for the pattern recognition by use of PRPDA(Phase Resolved Partial Discharge Analysis) it is required the normalization of the PRPDA graph. However, in case of the normalization both BP and SOM algorithm have shown worse results, so that it is required further study to solve the problem.

• Journal of radiological science and technology
• /
• v.30 no.4
• /
• pp.419-426
• /
• 2007

In this paper, the input pattern vectors are extracted and the learning algorithms is designed to recognize taste(bitter, sweet, sour and salty) pattern vectors. The signal intensity of taste are used to compose the input pattern vectors. The SOM(Self Organizing Maps) algorithm for taste pattern recognition is used to learn initial reference vectors and the ot-star learning algorithm is used to determine the class of the output neurons of the sunclass layer. The weights of the proposed algorithm which is between the input layer and the subclass layer can be learned to determine initial reference vectors by using SOM algorithm and to learn reference vectors by using LVQ(Learning Vector Quantization) algorithm. The pattern vectors are classified into subclasses by neurons in the subclass layer, and the weights between subclass layer and output layer are learned to classify the classified subclass, which is enclosed a class. To classify the pattern vectors, the proposed algorithm is simulated with ones of the conventional LVQ, and it is confirmed that the proposed learning method is more successful classification than the conventional LVQ.

• Journal of the Korea Society of Computer and Information
• /
• v.11 no.5 s.43
• /
• pp.95-103
• /
• 2006

In this paper, the input pattern vectors are extracted and the learning algorithms is designed to recognize EEG pattern vectors. The frequency and amplitude of alpha rhythms and beta rhythms are used to compose the input pattern vectors. And the algorithm for EEG pattern recognition is used SOM to learn initial reference vectors and out-star learning algorithm to determine the class of the output neurons of the subclass layer. The weights of the proposed algorithm which is between the input layer and the subclass layer can be learned to determine initial reference vectors by using SOM algorithm and to learn reference vectors by using LVQ algorithm, and pattern vectors is classified into subclasses by neurons which is being in the subclass layer, and the weights between subclass layer and output layer is learned to classify the classified subclass, which is enclosed a class. To classify the pattern vectors of EEG, the proposed algorithm is simulated with ones of the conventional LVQ, and it was a confirmation that the proposed learning method is more successful classification than the conventional LVQ.