• Journal of Electrical Engineering and Technology
• /
• 제9권5호
• /
• pp.1544-1550
• /
• 2014

In this paper, an adaptive optimization strategy utilizing Kriging model and genetic algorithm is proposed for the optimal design of electromagnetic devices. The ordinary Kriging assisted by the spherical covariance model is used to construct surrogate models. In order to improve the computational efficiency, the adaptive uniform sampling strategy is applied to generate sampling points in design space. Through several iterations and gradual refinement process, the global optimal point can be found by genetic algorithm. The proposed algorithm is validated by application to the optimal design of a switched reluctance motor, where the stator pole face and shape of pole shoe attached to the lateral face of the rotor pole are optimized to reduce the torque ripple.

• 응용통계연구
• /
• 제27권5호
• /
• pp.755-771
• /
• 2014

등방성(isotropy)은 공분산 모형(covariance model)에 기반으로 공간 예측(spatial prediction)이라 불리우는 크리깅(kriging) 을 용이하게 수행하기 위한 주요 가정 중의 하나로 알려져있다. 공간 과정에서 등방성이 충족되지 않는 경우에는, 보다 신뢰성 예측을 생성하기 위해 비등방성 공분산 모형(covariance model)과 관련된 모수들(각도 및 비율)를 추정해야 한다. 본 논문에서는 여러 방향의 기하학적 비등방성 모형(geometrically anisotropic covariance models)의 가중 평균으로 표현되는 확장된 형태의 기하학적 비등방성(geometrically extended anisotropic) 공분산모형을 제안한다. 연구에 관심이 되는 모수를 추정하기 위해 최대우도추정법(maximum likelihood estimation method)을 이용하였다. 제안한 모형의 성능을 평가하기 위해 등방성 공분산모형과 기하학적 비등방성 모형을 고려한 모의실험을 수행하였다. 또한 확장된 기하학적 비등방성 모형을 적용한 미세먼지 농도자료 분석을 실시하였다.

• 한국측량학회:학술대회논문집
• /
• 한국측량학회 2010년 춘계학술발표회 논문집
• /
• pp.429-431
• /
• 2010

The hybrid geoid model should be determined by fitting the gravimetric geoid to the geometric geoid which were presented the local vertical level. Therefore, it is necessary to find firstly the optimal scheme for improving the accuracy of gravimetric geoid in order to development the high-precision hybrid geoid model. Through finding the optimal scheme for determining the each part of gravimetric geoid, the most accurate gravimetric geoid model in Korea will be developed when the EIGEN-CG03C model to degree 360, 4-band spherical FFT and RTM reduction methods were used for determining the long, middle and short-frequency part of gravimetric geoid respectively. Finally, we developed the hybrid geoid model around Korea by correcting to gravimetric geoid with the correction term. The correction term is modelled using the difference between GPS/Levelling derived geoidal heights and gravimetric geoidal heights. The stochastic model used in the calculation of correction term is the LSC technique based on second-order Markov covariance function. 503 GPS/Levelling data were used to model the correction term. The degree of LSC fitting to the final hybrid geoid model in Korea was evaluated as 0.001m ${\pm}0.054m$.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제36권11호
• /
• pp.936-946
• /
• 2009

그래프 컷(graph cuts) 방법은 주어진 사전정보와 각 픽셀간의 유사도를 나타내는 데이터 항(data term)과 이웃하는 픽셀간의 유사도를 나타내는 스무드 항(smoothness term)으로 구성된 에너지 함수를 전역적으로 최소화하는 방법으로, 최근 영상 분할에 많이 이용되고 있다. 기존 그래프 컷 기반의 영상 분할 방법에서 데이터 항을 설정하기 위해 GMM(Gaussian mixture model)을 주로 이용하였으며, 평균과 공분산을 각 클래스를 위한 사전정보로 이용하였다. 이 때문에 클래스의 모양이 초구(hyper-sphere) 또는 초타원(hyper-ellipsoid)일 때만 좋은 성능을 보이는 단점이 있다. 다양한 클래스의 모양에서 좋은 성능을 보이기 위해, 본 논문에서는 mean shift 분석 방법을 이용한 그래프 컷 기반의 자동 영상분할 방법을 제안한다. 데이터 항을 설정하기 위해 $L^*u^*{\upsilon}^*$ 색상공간에서 임의로 선택된 초기 mean으로부터 밀도가 높은 지역인 모드(mode)로 이동하는 mean의 집합들을 사전정보로 이용한다. Mean shift 분석 방법은 군집화에서 좋은 성능을 보이지만, 오랜 수행시간이 소요되는 단점이 있다. 이를 해결하기 위해 특징공간을 3차원 격자로 변형하였으며, mean의 이동은 격자에서 모든 픽셀이 아닌 3차원 윈도우내의 1차원 모멘트(moment)를 이용한다. 실험에서 GMM을 이용한 그래프 컷 기반의 영상분할 방법과 최근 많이 이용되고 있는 mean shift와 normalized cut기반의 영상분할 방법을 제안된 방법과 비교하였으며, Berkeley dataset을 기반으로 앞의 세 가지 방법보다 좋은 성능을 보였다.

• 한국정보통신학회논문지
• /
• 제12권4호
• /
• pp.772-780
• /
• 2008

K-means는 알고리즘의 단순함과 효율적인 구현이 가능함으로 인해 군집화를 위해 현재까지 널리 사용되는 방법 중 하나이다. 하지만 K-means는 집단의 개수가 사전에 결정되어야 하는 근본적인 문제점이 있다. 이 논문에서는 BIC(Bayesian information criterion) 점수를 이용하여 효율적으로 집단의 개수를 추정할 수 있는 X-means 알고리즘을 확장한 두 가지 알고리즘을 제안한다. 제안한 방법은 기본적으로 X-means 방법을 따르면서 집단이 임의의 분산 행렬을 가질 수 있도록 함으로써 X-means 알고리즘이 원형 집단만을 허용함에 따른 over-fitting을 개선한다. 제안한 방법은 하나의 집단에서 시작하여 계속해서 집단을 나누어가는 하향식 방법으로, BIC score를 최대로 증가시키는 집단을 분할해 나간다. 제안한 알고리즘은 Modified X-means(MX-means)와 Generalized X-means(GX-means)의 두 가지로, 전자는 K-means 알고리즘을, 후자는 EM 알고리즘을 사용하여 현재 주어진 집단들에서 최적의 분할을 찾아낸다. MX-means는 GX-means보다 그 속도에서 앞서지만 집단들이 중첩 된 경우에는 올바른 집단을 찾아낼 수 없는 단점이 있다. GX-means는 실행 속도가 느린 단점이 있지만 집단들이 중첩된 경우에도 안정적으로 집단들을 찾아낼 수 있다. 이러한 점들은 일련의 실험을 통해서 확인할 수 있으며, 제안한 방법들이 기존의 방법들에 비해 나은 성능을 보임을 확인할 수 있다.