• 한국정보전자통신기술학회논문지
• /
• 제12권5호
• /
• pp.521-528
• /
• 2019

Epilepsy is one of the most prevalent neurological diseases. Electroencephalogram (EEG) signals are widely used for monitoring and diagnosis tool for epileptic seizure. Typically, a huge amount of EEG signals is needed, where they are visually examined by experienced clinicians. In this study, we propose a simple automatic seizure detection framework using intracranial EEG signals. We suggest a sparse approximation based classification (SAC) scheme by solving overdetermined system. L1-norm minimization algorithms are utilized for efficient sparse signal recovery. For evaluation of the proposed scheme, the public EEG dataset obtained by five healthy subjects and five epileptic patients is utilized. The results show that the proposed fast L1-norm minimization based SAC methods achieve the 99.5% classification accuracy which is 1% improved result than the conventional L2 norm based method with negligibly increased execution time (42msec).

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송공학회 2010년도 하계학술대회
• /
• pp.50-52
• /
• 2010

통신 시스템의 성능을 향상시키는 핵심 문제 중에 하나인 채널을 추정하는 문제는 다양한 분야에서 연구되고 있다. 채널의 sparse한 특징으로 인해 기존의 linear square나 minimum mean square error보다 발전된 $l_1$-norm minimization 방법 등이 많이 연구되고 있다. 이에 본 논문은 sparse한 채널의 특징과 천천히 변화하는 채널환경 특징을 이용하여 기존의 방법에 비해 더 높은 성능의 채널 추정 기법을 연구한다. 천천히 변화하는 채널환경의 특징으로 인해 이전 채널 정보를 현재 채널 추정에 사용할 수 있고 sparse한 채널의 특징으로 $l_1$-norm minimization을 사용할 수 있다. 이러한 두 가지의 정보를 이용하여 weighted $l_1$-norm minimization 이용한 support detection후 MMSE를 이용한 채널 추정기법을 연구한다.

• 대한전자공학회논문지
• /
• 제22권2호
• /
• pp.82-89
• /
• 1985

MCO 문제의 해석을 하기 위한 weight P-norm방법을 연구하여 새로운 non-inferior해를 구하였다. Weight 최소화방법을 MOSFET NAND 게이트에 적용하여 최적 non-inferior해를 구하였다. 또한 본 논문에서 응용한 최소화방법은 목적함수가 non-convex일때도 적용된다. 본 논문의 최소화 방법의 결과를 Lightner의 결과와 비교하여 효율성을 입증하였다.

• 한국음향학회지
• /
• 제38권5호
• /
• pp.543-548
• /
• 2019

수중 표적의 기어박스 및 보조 장치 등으로부터 방사되는 토널 신호의 주파수 성분은 처리하고자 하는 주파수 대역에 비해 상대적으로 적어 희소신호로 모델링될 수 있다. 근래에 토널 신호의 주파수 희소성을 이용하여 빠른 시간 내에 적은 수의 관측치로 토널 주파수를 복원하는 압축센싱 기반의 연구가 활발히 진행되고 있다. 기존의 방법들은 이산(discrete) 주파수 영역에서 주파수를 검출하기 때문에 이산화로 인한 basis mismatch error가 불가피하다. 본 논문에서는 atomic norm minimization을 이용하여 적은 수의 관측치로 연속(continuous) 주파수 영역에서 토널 주파수를 검출하는 기법을 제안한다. 모의실험을 통해 기존의 기법들에 비해 제안하는 기법의 성능이 정확성과 평균제곱오차 측면에서 우수함을 확인하였다.

• Journal of Advanced Marine Engineering and Technology
• /
• 제37권7호
• /
• pp.743-751
• /
• 2013

In this paper, an approach to deal with model uncertainty using norm-optimal iterative learning control (ILC) is mentioned. Model uncertainty generally degrades the convergence and performance of conventional learning algorithms. To deal with model uncertainty, a worst-case norm-optimal ILC is introduced. The problem is then reformulated as a convex minimization problem, which can be solved efficiently to generate the control signal. The paper also investigates the relationship between the proposed approach and conventional norm-optimal ILC; where it is found that the suggested design method is equivalent to conventional norm-optimal ILC with trial-varying parameters. Finally, simulation results of the presented technique are given.

• 지구물리와물리탐사
• /
• 제10권2호
• /
• pp.124-130
• /
• 2007

탄성파 역산에 있어서 가장 널리 사용되는 최소자승($l^2$ norm)해는 이상치(outlier)에 매우 민감하게 반응하는 경향이 있다. 이에 반해서 $l^1$ norm을 최소화하는 해는 이상치에 강인한 면을 보이나 일반적으로 좀 더 많은 계산이 필요하다. 반복적가중의 최소자승법(Iteratively reweighted least squares [IRLS] method)을 이용하면 이러한 $l^1$ norm 문제의 근사해(approximate solution)를 효율적으로 구할 수 있다. 본 논문에서는 작은 크기의 잔여분은 $l^2$ norm으로 처리하며, 큰 크기의 잔여분은 $l^1$ norm으로 처리하는 하이브리드 $l^1/l^2$ norm 최소화를 IRLS 방법에 쉽게 적용하는 구현 기법을 소개한다. 소개된 알고리즘은 특이치(singularity)처리를 위한 임계값의 결정에 민감하게 반응하는 기존의 $l^1$ norm IRLS 방법과는 달리 임계값 결정에 상관없이 늘 강인한 역산의 특성을 보여준다.

• 융합신호처리학회논문지
• /
• 제19권4호
• /
• pp.147-152
• /
• 2018

수중에서의 일시적인 신호는 복잡하고, 변화가 심하며, 비선형적이므로 신호의 패턴을 정확히 모델링하기 어렵다. 본 논문에서는 수중 신호 중 하나인 고래 소리를 선택하여 음성분석 기법에 많이 사용하는 Cepstral 분석에 의한 MFCC 추출법을 이용하여 분석하였고, MFCC와 $L_2$-norm 최소화 기법을 이용하여 고래소리를 재생하였다 실험 분석에 사용된 고래의 종류는 혹등고래(Humpback whale), 참고래(Right whale), 대왕고래(Blue whale), 귀신고래(Gray whale), 밍크고래(Minke whale) 등 5종으로서 과거 한반도 동해안에 출몰한 적이 있는 고래들이다. 원본 고래소리에서 MATLAB프로그래밍을 이용하여 20차 MFCC계수들을 추출한 후 이를 가중 $L_2$-norm 최소화를 이용한 MFCC역변환을 통해 재생한다. 최종적으로 가중치가 3~4의 값에서 고래소리 재생이 가장 적합함을 알 수 있었다.

• 한국지구물리탐사학회:학술대회논문집
• /
• 한국지구물리탐사학회 2005년도 공동학술대회 논문집
• /
• pp.227-232
• /
• 2005

탄성파 역산에 있어서 최소자승(${\ell}^2-norm$)해는 큰 오차에 매우 민감하게 반응하는 경향이 있다. 이에 반해서 ${\ell}^p-norm$ ($1{\le}p<2$)을 최소화하는 해는 잡음에 강인한 해를 보이나 보통은 좀 더 많은 계산이 요구된다. 반복적가중의 최소자승법(Iteratively reweighted least squares [IRLS] method)은 이러한 ${\ell}^p-norm$ 문제의 근사해를 효율적으로 구할 수 있도록 해준다. 본 논문에서는 작은 크기의 잔여분은 ${\ell}^2-norm$으로 큰 크기의 잔여분은 ${\ell}^2-norm$으로 적용되는 하이브리드 ${\ell}^1/{\ell}^2$최소화를 IRLS 방법에 쉽게 적용하는 기법을 소개한다. 모의 자료와 실제 현장자료에의 적용결과 큰 잡음이 포함된 경우 최소자승해보다 하이브리드 방법의 경우에 개선된 결과를 보임을 확인할 수 있었다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제12권7호
• /
• pp.3194-3216
• /
• 2018

Slow Feature Discriminant Analysis (SFDA) is a supervised feature extraction method inspired by biological mechanism. In this paper, a novel method called Two Dimensional Slow Feature Discriminant Analysis via $L_{2,1}$ norm minimization ($2DSFDA-L_{2,1}$) is proposed. $2DSFDA-L_{2,1}$ integrates $L_{2,1}$ norm regularization and 2D statically uncorrelated constraint to extract discriminant feature. First, $L_{2,1}$ norm regularization can promote the projection matrix row-sparsity, which makes the feature selection and subspace learning simultaneously. Second, uncorrelated features of minimum redundancy are effective for classification. We define 2D statistically uncorrelated model that each row (or column) are independent. Third, we provide a feasible solution by transforming the proposed $L_{2,1}$ nonlinear model into a linear regression type. Additionally, $2DSFDA-L_{2,1}$ is extended to a bilateral projection version called $BSFDA-L_{2,1}$. The advantage of $BSFDA-L_{2,1}$ is that an image can be represented with much less coefficients. Experimental results on three face databases demonstrate that the proposed $2DSFDA-L_{2,1}/BSFDA-L_{2,1}$ can obtain competitive performance.

• Journal of the Korean Society for Industrial and Applied Mathematics
• /
• 제25권3호
• /
• pp.107-116
• /
• 2021

We introduce optimization algorithms using Bregman Divergence for solving non-negative matrix factorization (NMF) problems. Bregman divergence is known a generalization of some divergences such as Frobenius norm and KL divergence and etc. Some algorithms can be applicable to not only NMF with Frobenius norm but also NMF with more general Bregman divergence. Matrix Factorization is a popular non-convex optimization problem, for which alternating minimization schemes are mostly used. We develop the Bregman proximal gradient method applicable for all NMF formulated in any Bregman divergences. In the derivation of NMF algorithm for Bregman divergence, we need to use majorization/minimization(MM) for a proper auxiliary function. We present algorithmic aspects of NMF for Bregman divergence by using MM of auxiliary function.