• 한국정보통신학회논문지
• /
• 제7권3호
• /
• pp.437-447
• /
• 2003

Circulant Matrix Factorization (CMF)는 covariance 행렬의 spectral factorization된 결과를 얻을 수 있다. 우리는 얻어진 결과를 가지고 일반적으로 잘 알려진 방법인 Schur algorithm을 이용하여 finite impulse response(FIR)와 infinite impulse response (IIR) lattice 필터를 설계하는 방법을 제안하였다. CMF는 기존에 많이 사용되는 root finding을 사용하지 않고 covariance polynomial로부터 minimum phase 특성을 가지는 polynomial을 얻는데 유용한 방법이다. 그리고 Schur algorithm은 toeplitz matrix를 빠르게 Cholesky factorization하기 위한 방법으로 이 방법을 이용하면 FIR/IIR lattice 필터의 계수를 쉽게 찾아낼 수 있다. 본 논문에서는 이러한 방법들을 이용하여 FIR과 IIR lattice 필터의 설계의 계산적인 예제를 제시했으며, 제안된 방법과 다른 기존에 제시되었던 방법 (polynomial root finding과 cepstral deconvolution)들과 성능을 비교 평가하였다.

• 대한수학회보
• /
• 제37권3호
• /
• pp.551-568
• /
• 2000

We propose new parallelizable block incomplete factorization preconditioners for a symmetric block-tridiagonal H-matrix. Theoretical properties of these block preconditioners are compared with those of block incomplete factorization preconditioners for the corresponding comparison matrix. Numerical results of the preconditioned CG(PCG) method using these block preconditioners are compared with those of PCG method using a standard incomplete factorization preconditioner to see the effectiveness of the block incomplete factorization preconditioners.

• 대한수학회지
• /
• 제42권1호
• /
• pp.1-16
• /
• 2005

This paper presents a fast factorization algorithm for confluent Cauchy-like matrices. The algorithm consists of two parts. First. a confluent Cauchy-like matrix is transformed into a Cauchy-like matrix available to pivot without changing its structure. Second. a fast partial pivoting factorization algorithm for the Cauchy-like matrix is presented. A new displacement structure cannot possibly generate all entries of a transformed matrix, which is called by 'partially reconstructible'. This paper also discusses how the proposed factorization algorithm can be generally applied to partially reconstructive matrices.

• 한국정보통신학회논문지
• /
• 제10권7호
• /
• pp.1307-1311
• /
• 2006

본 연구에서는 행렬 분해 (Matrix Factorization)를 이용하여 음성 스펙트럼의 부분적 특정을 나타낼 수 있는 새로운 음성 파라마터를 제안한다. 제안된 파라미터는 행렬내의 모든 원소가 음수가 아니라는 조건에서 행렬분해 과정을 거치게 되고 고차원의 데이터가 효과적으로 축소되어 나타남을 알 수 있다. 차원 축소된 데이터는 입력 데이터의 부분적인 특성을 표현한다. 음성 특징 추출 과정에서 일반적으로 사용되는 멜 필터뱅크 (Mel-Filter Bank)의 출력 을 Non-Negative 행렬 분해(NMF:Non-Negative Matrix Factorization) 알고리즘의 입 력으로 사용하고, 알고리즘을 통해 차원 축소된 데이터를 음성인식기의 입력으로 사용하여 멜 주파수 캡스트럼 계수 (MFCC: Mel Frequency Cepstral Coefficient)의 인식결과와 비교해 보았다. 인식결과를 통하여 일반적으로 음성인식기의 성능평가를 위해 사용되는 MFCC에 비하여 제안된 특정 파라미터가 인식 성능이 뛰어남을 알 수 있었다.

• 대한전자공학회논문지TC
• /
• 제41권1호
• /
• pp.35-44
• /
• 2004

Circulant Matrix Factorization (CMF)는 covariance 행렬의 spectral factorization된 결과를 얻을 수 있다. 우리는 얻어진 결과를 가지고 일반적으로 잘 알려진 방법인 Schur algorithm을 이용하여 finite impulse response (FIR)차 infinite impulse response (IIR) lattice 필터를 설계하는 방법을 제안하였다. CMF는 기존에 많이 사용되는 root finding을 사용하지 않고 covariance Polynomial로부터 minimum phase 특성을 가지는 polynomial을 얻는데 유용한 방법이다. 그리고 Schur algorithm은 toeplitz matrix를 빠르게 Cholesky factorization하기 위한 방법으로 이 방법을 이용하면 FIR/IIR lattice 필터의 계수를 쉽게 찾아낼 수 있다. 본 논문에서는 이러한 방법들을 이용하여 FIR과 IIR lattice 필터의 설계의 계산적인 예제를 제시했으며, 제안된 방법과 다른 기존에 제시되었던 방법 (polynomial root finding과 cepstral deconvolution)들과 성능을 비교 평가하였다.

• Journal of applied mathematics & informatics
• /
• 제8권3호
• /
• pp.705-720
• /
• 2001

We propose a variant of parallel block incomplete factorization preconditioners for a symmetric block-tridiagonal H-matrix. Theoretical properties of these block preconditioners are compared with those of block incomplete factoriztion preconditioners for the corresponding somparison matrix. Numerical results of the preconditioned CG(PCG) method using these block preconditioners are compared with those of PCG using other types of block incomplete factorization preconditioners. Lastly, parallel computations of the block incomplete factorization preconditioners are carried out on the Cray C90.

• 디지털콘텐츠학회 논문지
• /
• 제19권4호
• /
• pp.731-737
• /
• 2018

추천 시스템은 컨텐츠, 온라인 커머스, 소셜 네트워크, 광고 시스템 등 많은 분야에서 사용자가 관심 있을 만한 정보를 선별 제안함을 목적으로 활발하게 연구되고 있다. 그러나 과거 선호도 데이터를 기반으로 제안하는 추천시스템이 많고 과거 데이터가 적거나 없는 사용자를 대상으로는 제공하기 어려우므로 낮은 성능을 보인다는 부문에서 문제점이 있다. 따라서 더욱 고차원적인 데이터 분석에 관한 관심이 증가하고 있고 Matrix Factorization이 주목받고 있다. 이 논문은 그 중 추천시스템에서 주목받는 Factorization Machines Learning(FM)모델과 고차원 데이터 분석인 High-order Factorization Machines Learning(HOFM)의 비교와 재연을 연구하고 제안 한다.

• East Asian mathematical journal
• /
• 제39권5호
• /
• pp.523-528
• /
• 2023

Let S_n = [S(i, j)]_1≤i,j≤n and S^*_n = [S(i + j, j)]_1≤i,j≤n where S(i, j) is the Stirling number of the second kind. Choi and Jo [On the determinants of the square-type Stirling matrix and Bell matrix, Int. J. Math. Math. Sci. 2021] obtained the diagonal entries of matrix U in the LU-factorization of S^*_n for calculating the determinant of S^*_n, where L = S_n. In this paper, we compute the all entries of U in the LU-factorization of matrix S^*_n. This implies the identities related to Stirling numbers of both kinds.

• ETRI Journal
• /
• 제39권1호
• /
• pp.21-29
• /
• 2017

This paper addresses the problem of unsupervised speech separation based on robust non-negative matrix factorization (RNMF) with ${\beta}$-divergence, when neither speech nor noise training data is available beforehand. We propose a robust version of non-negative matrix factorization, inspired by the recently developed sparse and low-rank decomposition, in which the data matrix is decomposed into the sum of a low-rank matrix and a sparse matrix. Efficient multiplicative update rules to minimize the ${\beta}$-divergence-based cost function are derived. A convolutional extension of the proposed algorithm is also proposed, which considers the time dependency of the non-negative noise bases. Experimental speech separation results show that the proposed convolutional RNMF successfully separates the repeating time-varying spectral structures from the magnitude spectrum of the mixture, and does so without any prior training.

• 정보과학회 컴퓨팅의 실제 논문지
• /
• 제24권2호
• /
• pp.93-98
• /
• 2018

추천시스템은 기업의 매출을 최대화 하기 위해, 사용자에게 관심도가 높은 제품을 제공해준다. 행렬 분해법은 추천시스템에서 자주 사용되는 방법으로 불완전한 사용자-제품 평점 행렬을 기반으로 한다. 하지만 제품과 사용자의 수가 점점 많아지면서, 데이터의 희소성문제로 인해 정확한 추천이 힘들어졌다. 이러한 문제점을 극복하기 위해, 제품과 관련된 텍스트 데이터를 사용하는 행렬 분해법 알고리즘이 최근에 제시되었다. 이런 행렬 분해법 알고리즘 중, 단어 수준 컨볼루션 뉴럴 네트워크를 사용하는 방법이 단어수준 특징들을 추출하여 텍스트 데이터를 효과적으로 반영한다. 하지만 단어수준 컨볼루션 뉴럴 네트워크에서는 학습해야 하는 파라미터의 수가 많다는 문제점이 있다. 그러므로 본 논문에서는 텍스트 데이터로부터 문자 수준 특징들을 뽑아 내기 위해 문자 수준 컨볼루션 뉴럴 네트워크를 사용하는 행렬분해법을 제안한다. 또한 제안하는 행렬 분해법의 성능을 검증하기 위해 실제 데이터를 이용하여 실험을 진행하였다.