• 대한원격탐사학회지
• /
• 제17권1호
• /
• pp.57-69
• /
• 2001

본 연구는 무감독 영상분류를 위하여 공간지역 확장을 통하여 영상을 분할한 후 분할된 집단을 한정된 수의 클래스로 분류하는 다중단계 기법을 제안하고 있다. 제안된 알고리듬은 무감독 분석을 위하여 작은 집단들을 단계적으로 큰 집단들로 합병해 가는 계층집단연결 기법에 기반을 두고 있다. 다중단계 기법의 영상분할 단계는 공간적으로 근접하고 있는 이웃지역간의 결합을 통하여 최종적으로 전체영상 공간내의 모든 집단에 대해서 서로 이웃하고 있는 집단들의 물리적 특성이 서로 다르도록 영상을 분할하는 과정이고, 영상분류 단계는 결합 지역의 공간적 제약 없이 영상 분할 단계에서 분할된 지역을 상대적으로 적은 수의 클래스로 분류하는 과정이다. 제안 된 알고리듬에서 사용하고 있는 계층집단연결 기법의 계산/기억 상의 복잡성을 완화시키기 위해 상호최근사 이웃쌍과 다중창 작업을 사용하고 있다. 모의 자료를 사용하여 제단 된 알고리듬 대한 평가와 효율성을 검증하였고 경기도 용인.능평지역의 LANDSAT ETM+ 자료에 적용한 결과를 예시하고 있다.

• 한국정보통신학회:학술대회논문집
• /
• 한국해양정보통신학회 2003년도 추계종합학술대회
• /
• pp.468-471
• /
• 2003

본 논문에서는 기존 연구에서 제시된 균등 격자를 이용한 공간 클러스터링 기법의 효율성을 검증하기 위한 성능 평가를 수행한다. 세부적으로 다양한 분포 형태를 가지는 실험데이타들을 대상으로 먼저 객체 수의 변화에 따른 수행 시간을 비교한다. 그리고 동일한 실험데이타를 대상으로 임계값의 변화에 따른 실험 평가를 수행한다. 또한, 각 실험 결과에 대하여 전체 수행 시간을 기준으로 클러스터 생성 알고리즘과 클러스터 합병 알고리즘에 대한 상대적인 비교를 평가한다.

• 한국전자통신학회논문지
• /
• 제16권2호
• /
• pp.371-378
• /
• 2021

본 연구에서는 한국 남동해역에 발생하는 냉수대의 공간적인 분포를 구분하기 위해 2016 ~ 2018년의 고리, 양포의 해양 관측 부이 수온자료와 GHTSST Level 4 재분석 해수면 온도자료를 K-means clustering 기법을 활용하여 분석하였다. 부이자료는 남동해역에서 고리와 양포 지점의 수온변화 및 냉수대 발생을 파악하기 위해 활용하였다. 그 결과 냉수대 발생 시점에 고리와 양포의 수온이 동일하게 감소하였다. 이에 냉수대 발생시 SST의 변화를 보기 위해 수온의 역수와 SST의 분산을 비교하였다. 수온이 변화하는 시점에 SST의 분산도 증가하는 것을 나타내었는데 이를 통해 냉수대 발생시 해역의 SST의 수온분포에 변화가 있다는 것을 알 수 있었다. 냉수대 발생해역을 분류하기 위해 K-means clustering을 활용하였다. Elbow 기법을 활용하여 분류를 위한 최적의 K값을 찾아낸 후 분류를 진행한 결과 연안의 차가운 해수가 존재하는 지역을 찾아낼 수 있었다. 이를 통해 냉수대 발생해역의 공간적인 분포 및 확산범위를 추정하여 향후 냉수대로 인한 피해 파악 및 공간적인 확산 예측연구에 활용할 수 있을 것이라 판단된다.

• 한국ITS학회 논문지
• /
• 제22권1호
• /
• pp.219-232
• /
• 2023

모빌리티 서비스는 구축 대상 지역의 특성과 여건에 따라 변화할 필요가 있다. 이를 위해서는 해당 지역의 통행행태를 기종점 자료에 반영하여 모빌리티 패턴 및 특성 분석이 요구된다. 그러나 종래의 경우 행정 구역 기반의 존 체계를 기반으로 집계된 기종점 자료를 이용함에 따라 공간적 동질성을 담보하기 어렵기 때문에 신규 모빌리티와 같은 특수 목적성을 보이는 수단에 대한 본연의 통행 특성 분석에 한계가 있다. 이에 본 연구는 기존 존 체계에서 벗어나 데이터 기반의 클러스터링 기법 적용을 통해 설정된 집계 방식을 도출하여 기종점 통행패턴에 대한 공간적 분석을 수행한다. 제안 방법은 대중교통버스 및 택시와 같은 종래의 교통수단 뿐만 아니라 도심형 수요응답형 버스와 같은 신규 모빌리티 서비스에 대한 기종점 데이터 본연의 특징 벡터들을 기반으로 클러스터링을 하여 유사 공간적 특성을 반영한 지역 모빌리티의 이용 특성 분석을 가능하게 한다.

• 응용통계연구
• /
• 제27권4호
• /
• pp.561-575
• /
• 2014

본 논문에서는 질병과 연관성을 갖는 국소 공간 군집을 검출할 수 있는 벌칙 가능도 방법을 제안한다. 핵심적인 계산 알고리즘은 Tibshirani와 Taylor (2011)에 의해 제안된 일반화된 라소(generalized lasso)에 기반한다. 제안된 방법은 현재 널리 사용되고 있는 국소 공간 군집 방법인 Kulldorff의 기법에 비해 두가지 주요 장점을 가지고 있다. 첫째로, 제안된 방법은 사전에 군집의 크기를 미리 결정해 줄 필요가 없다. 둘째로, 임의의 설명변수를 공간 군집 탐색 기법에 고려할 수 있기 때문에 인구학적인 변수를 보정하였을 때 나타나는 국소 공간 군집을 찾는 것이 가능하다. 우리는 제안된 방법을 서울시 결핵 자료를 사용하여 설명한다.

• 대한임베디드공학회논문지
• /
• 제5권4호
• /
• pp.206-216
• /
• 2010

Wireless sensor networks (WSNs) are used to collect various data in environment monitoring applications. A spatial clustering may reduce energy consumption of data collection by partitioning the WSN into a set of spatial clusters with similar sensing data. For each cluster, only a few sensor nodes (samplers) report their sensing data to a base station (BS). The BS may predict the missed data of non-samplers using the spatial correlations between sensor nodes. ASAP is a representative data collection algorithm using the spatial clustering. It periodically reconstructs the entire network into new clusters to accommodate to the change of spatial correlations, which results in high message overhead. In this paper, we propose a new data collection algorithm, name EPDC (Energy-efficient Periodic Data Collection). Unlike ASAP, EPDC identifies a specific cluster consisting of many dissimilar sensor nodes. Then it reconstructs only the cluster into subclusters each of which includes strongly correlated sensor nodes. EPDC also tries to reduce the message overhead by incorporating a judicious probabilistic model transfer method. We evaluate the performance of EPDC and ASAP using a simulation model. The experiment results show that the performance improvement of EPDC is up to 84% compared to ASAP.

• 한국컴퓨터정보학회논문지
• /
• 제11권2호
• /
• pp.43-52
• /
• 2006

최근 유비쿼터스 컴퓨팅의 관심이 증대되면서, 방대하고 다양한 형태의 데이터에 대한 효율성과 효과성을 고려한 지식 탐사연구의 필요성이 요구된다. 공간 특성화 방법은 공간과 비공간 속성들을 고려하여 특성화 지식을 발견하는 방법으로, 기존의 특성화 방법을 확장하여 공간 영역에 대한 다양한 형태의 지식을 발견할 수 있다. 기존 공간 특성화기법에 대한 연구들은 다음과 같은 문제점을 가진다. 첫째, 기존의 연구는 탐사된 지식의 결과가 다각적인 공간 분석을 수행하지 못하는 문제점을 가진다 둘째, 공간 탐색 시 사용자에 의해 미리 정해진 위치 영역만을 고려하여 탐색함으로 유용한 지식탐사를 보장하지 못하는 문제점을 가진다. 따라서 본 연구에서는 밀도 기반의 클러스터링이 적용된 새로운 공간 특성화기법을 제안한다.

• 한국컴퓨터정보학회논문지
• /
• 제21권9호
• /
• pp.37-43
• /
• 2016

This paper introduces a method for video shot group detection needed for efficient management and summary of video. The proposed method detects shots based on low-level visual properties and performs temporal and spatial clustering based on visual similarity of neighboring shots. Shot groups created from temporal clustering are further clustered into small groups with respect to visual similarity. A set of representative shot frames are selected from each cluster of the smaller groups representing a scene. Shots excluded from temporal clustering are also clustered into groups from which representative shot frames are selected. A number of video clips are collected and applied to the method for accuracy of shot group detection. We achieved 91% of accuracy of the method for shot group detection. The number of representative shot frames is reduced to 1/3 of the total shot frames. The experiment also shows the inverse relationship between accuracy and compression rate.

• Journal of Information Processing Systems
• /
• 제18권2호
• /
• pp.292-292
• /
• 2022

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제9권7호
• /
• pp.2488-2511
• /
• 2015

Data redundancy has high impact on Wireless Sensor Network's (WSN) performance and reliability. Spatial and temporal similarity is an inherent property of sensory data. By reducing this spatio-temporal data redundancy, substantial amount of nodal energy and bandwidth can be conserved. Most of the data gathering approaches use either temporal correlation or spatial correlation to minimize data redundancy. In Collective Prediction exploiting Spatio Temporal correlation (CoPeST), we exploit both the spatial and temporal correlation between sensory data. In the proposed work, the spatial redundancy of sensor data is reduced by similarity based sub clustering, where closely correlated sensor nodes are represented by a single representative node. The temporal redundancy is reduced by model based prediction approach, where only a subset of sensor data is transmitted and the rest is predicted. The proposed work reduces substantial amount of energy expensive communication, while maintaining the data within user define error threshold. Being a distributed approach, the proposed work is highly scalable. The work achieves up to 65% data reduction in a periodical data gathering system with an error tolerance of 0.6℃ on collected data.