• 한국통신학회논문지
• /
• 제36권1A호
• /
• pp.35-40
• /
• 2011

랜덤 발생 심볼과 출력 신호에 대해 두 확률 밀도 함수 사이의 유클리드 거리를 최소화하는 복소 채널 등화 알고리듬은 정보 이론적 학습방법의 장점을 살리면서 위상 회전 문제까지 극복할 수 있도록 설계 되었다. 이 논문에서는 이 알고리듬에 대해 확률 밀도 함수 구축에 사용된 커널 사이즈가 성능에 끼치는 영향을 연구하였고 커널 사이즈의 변형에 인한 정보 포텐셜 간의 힘 조절에 변화를 준 Kernel-modified 알고리듬을 제안하였다. 이 제안한 방식은 커널 사이즈 변형이 이루어지지 않은 알고리듬에 대해 약 4 dB 정도의 성능 향상을 만들어 냈다. 성상도 특성에서도 복소 채널에 의한 위상 회전이 완벽하게 극복될 뿐 아니라 보다 집중된 심볼 점을 보였다.

• Interdisciplinary Bio Central
• /
• 제4권4호
• /
• pp.14.1-14.6
• /
• 2012

Splice site prediction in DNA sequence is a basic search problem for finding exon/intron and intron/exon boundaries. Removing introns and then joining the exons together forms the mRNA sequence. These sequences are the input of the translation process. It is a necessary step in the central dogma of molecular biology. The main task of splice site prediction is to find out the exact GT and AG ended sequences. Then it identifies the true and false GT and AG ended sequences among those candidate sequences. In this paper, we survey research works on splice site prediction based on support vector machine (SVM). The basic difference between these research works is nucleotide encoding technique and SVM kernel selection. Some methods encode the DNA sequence in a sparse way whereas others encode in a probabilistic manner. The encoded sequences serve as input of SVM. The task of SVM is to classify them using its learning model. The accuracy of classification largely depends on the proper kernel selection for sequence data as well as a selection of kernel parameter. We observe each encoding technique and classify them according to their similarity. Then we discuss about kernel and their parameter selection. Our survey paper provides a basic understanding of encoding approaches and proper kernel selection of SVM for splice site prediction.

• 한국멀티미디어학회논문지
• /
• 제23권9호
• /
• pp.1129-1138
• /
• 2020

The performance of convolutional deep learning networks is generally determined according to parameters of target dataset, structure of network, convolution kernel, activation function, and optimization algorithm. In this paper, a genetic algorithm is used to select the appropriate deep learning model and parameters for Alzheimer's classification and to compare the learning results with preliminary experiment. We compare and analyze the Alzheimer's disease classification performance of VGG-16, GoogLeNet, and ResNet to select an effective network for detecting AD and MCI. The simulation results show that the network structure is ResNet, the activation function is ReLU, the optimization algorithm is Adam, and the convolution kernel has a 3-dilated convolution filter for the accuracy of dementia medical images.

• Journal of the Korean Data and Information Science Society
• /
• 제14권2호
• /
• pp.345-354
• /
• 2003

An incremental kernel principal component analysis(IKPCA) is proposed for the nonlinear feature extraction from the data. The problem of batch kernel principal component analysis(KPCA) is that the computation becomes prohibitive when the data set is large. Another problem is that, in order to update the eigenvectors with another data, the whole eigenvectors should be recomputed. IKPCA overcomes this problem by incrementally updating the eigenspace model. IKPCA is more efficient in memory requirement than a batch KPCA and can be easily improved by re-learning the data. In our experiments we show that IKPCA is comparable in performance to a batch KPCA for the classification problem on nonlinear data set.

• Journal of the Korean Data and Information Science Society
• /
• 제23권4호
• /
• pp.825-832
• /
• 2012

We propose a novel way of forecasting the market shares of several brands simultaneously in a multiplicative competitive interaction model, which uses kernel regression technique incorporated with kernel machine technique applied in support vector machines and other machine learning techniques. Traditionally, the estimations of the market share attraction model are performed via a maximum likelihood estimation procedure under the assumption that the data are drawn from a normal distribution. The proposed method is shown to be a good candidate for forecasting method of the market share attraction model when normal distribution is not assumed. We apply the proposed method to forecast the market shares of 4 Korean car brands simultaneously and represent better performances than maximum likelihood estimation procedure.

• Journal of the Korean Data and Information Science Society
• /
• 제23권2호
• /
• pp.385-392
• /
• 2012

Logistic regression is a well known binary classification method in the field of statistical learning. Mixed-effect regression models are widely used for the analysis of correlated data such as those found in longitudinal studies. We consider kernel extensions with semiparametric fixed effects and parametric random effects for the logistic regression. The estimation is performed through the penalized likelihood method based on kernel trick, and our focus is on the efficient computation and the effective hyperparameter selection. For the selection of optimal hyperparameters, cross-validation techniques are employed. Numerical results are then presented to indicate the performance of the proposed procedure.

• 정보처리학회논문지B
• /
• 제13B권4호
• /
• pp.439-448
• /
• 2006

Kohonen SOM(Self-Organizing Map)이나 MLP(Multi-Layer Perceptron), SVM(Support Vector Machine)과 같은 기존의 인식 및 클러스터링 알고리즘들은 새로운 입력 패턴에 대한 적응성이 떨어지고 학습 패턴 자체의 복잡도에 대한 학습률의 의존도가 크게 나타나는 등 여러 가지 단점이 있다. 이러한 학습 알고리즘의 단점은 문제의 학습 패턴자체의 특성을 잃지 않고 문제의 복잡도를 낮출 수 있다면 보완할 수 있다. 패턴 자체의 특성을 유지하며 복잡도를 낮추는 방법론은 여러 가지가 있으며, 본 논문에서는 커널 공간 해석 기법을 접근 방법으로 한다. 본 논문에서 제안하는 kSOM(kernel based SOM)은 원 공간의 데이터가 갖는 복잡도를 무한대에 가까운 초 고차원의 공간으로 대응시킴으로써 데이터의 분포가 원 공간의 분포에 비해 상대적으로 성긴(spase) 구조적 특정을 지니게 하여 클러스터링 및 인식률의 상승을 보장하는 메커니즘 을 제안한다. 클러스터링 및 인식률의 산출은 본 논문에서 제안한 새로운 유사성 탐색 및 갱신 기법에 근거하여 수행한다. CEDAR DB를 이용한 필기체 문자 클러스터링 및 인식 실험을 통해 기존의 SOM과 본 논문에서 제안한 kSOM과 성능을 비교한다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2008년도 한국컴퓨터종합학술대회논문집 Vol.35 No.1 (A)
• /
• pp.104-105
• /
• 2008

• 한국콘텐츠학회논문지
• /
• 제22권7호
• /
• pp.55-62
• /
• 2022

페로브스카이트 태양전지는 4차 산업혁명으로 사물인터넷, 가상환경 등의 증가에 따른 전력 수요가 급증하면서 점진적으로 고갈되어가는 석유, 석탄, 천연가스 등의 화석연료를 대체할 태양에너지, 풍력, 수력, 해양에너지, 바이오에너지, 수소에너지 등의 신재생 에너지 분야에서 연구가 활발한 부분이다. 페로브스카이트 태양전지는 페로브스카이트 구조를 가진 유-무기 하이브리드 물질을 사용하는 태양전지 소자로 고효율, 저가의 용액 및 저온 공정으로 기존의 실리콘 태양전지를 대체할 수 있는 장점들이 있다. 기존의 경험적 방법으로 예측한 광흡수층 박막을 최적화하기 위해서 소자 특성 평가를 통해 신뢰도를 검증해야 한다. 그러나 광흡수층 박막 소자 특성 평가 비용이 많이 소요되므로 시험 횟수에 제약이 따른다. 이러한 문제점을 해결하기 위하여 광흡수층 박막 최적화의 보조 수단으로 머신러닝이나 인공지능 모델을 이용하여 명확하고 타당한 모델의 개발과 적용 가능성이 무한하다고 본다. 이 연구에서는 페로브스카이트 태양전지의 광 흡수층 박막 최적화를 추정하기 위하여 서포트 벡터 머신의 선형 커널, 가우시안 커널, 비선형 다항식 커널, 시그모이드 커널의 회귀분석 모델을 비교하여 커널 함수별 정확도 차이를 검증하였다.

• 한국컴퓨터산업학회논문지
• /
• 제7권1호
• /
• pp.47-56
• /
• 2006

혈액에서 추출된 프로테옴 패턴(단백질 DNA 정보)는 인간 신체 기관의 병리학적 상태를 잠재적으로 반영하고 있다. 신체기관의 질병이나 이상은 이러한 프로테옴 패턴의 분석에 의해 식별될 수 있다고 알려져 있으며 프로테옴 패턴 정보를 분석하는 여러 가지 방법들이 현재 존재하고 있다. 본 논문에서는 SVM(Support Vector Machine)과 GA(Genetic Algoritm)의 융합에 근거하여 암 진단을 위한 디시전 모델의 효과적 학습(learning) 방법을 제안한다. <중략> 그 결과로서 개별적 kernel function 들보다 더 우수한 분류성능을 갖는 최적의 디시전 모델이 얻어졌다. 위암 데이터 셋 과 두 개의 일반 데이터 셋(대장암, 백혈병)을 사용한 컴퓨터 실험에서 제안된 방법이 다른 Kernel function 들에 비해 더 우수한 분류 성능을 보여주었다.