• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2000년도 가을 학술발표논문집 Vol.27 No.2 (2)
• /
• pp.90-92
• /
• 2000

데이터마이닝 문제는 데이터를 그 속성들에 따라 분류하여 예측하는 것뿐만 아니라 분류된 속성들간의 연관성에 대해 잘 설명할 수 있어야 한다. 일반적으로 변수들간의 연관성을 잘 설명할 수 있으면서도 높은 예측력을 가지는 방법으로는 베이지안 네트웍 분류자(Bayesian network classifier)가 있다. 그러나 이것은 데이터 마이닝과 같은 대용량 데이터에서는 성능이 떨어지는 단점이 있다. 이에 이 논문에서는 최근 RBF 신경망이 입력변수 선정문제에 성공적으로 적용된 Reversible Jump Markov Chain Monte Carlo 방법을 이용하여 최적의 입력변수들만을 선택하여 베이지안 네트웍을 학습하는 Selective BN Augmented Naive-Bayes Classifier를 새로운 방안으로 제안하고 이를 실제 데이터마이닝 문제에 적용한 결과를 제시한다.

• 응용통계연구
• /
• 제27권4호
• /
• pp.589-603
• /
• 2014

본 연구는 시간의 순서에 따라 순차적으로 발생한 신호 자료에 있어서, 변화점 검출을 위한 베이지안 방법을 개발하고자 한다. 특히, Reversible Jump MCMC를 이용하여, 차원이 정해지지 않은 모수 공간을 탐색할 수 있는 효율적인 베이지안 추론 모형을 개발한다. 신호가 각 구간에서 선형함수인 경우에 대한 모형과 이해가 용이한 모형을 제안하고, 추정을 위해 고유의 MCMC알고리즘을 개발하였다. 제안된 방법을 모의실험 자료에 적용함으로써 그 정확성 및 효율성을 검증하였고, 실제 자료에도 적용하여 보았다.

• 지구물리와물리탐사
• /
• 제25권4호
• /
• pp.252-265
• /
• 2022

지하 매질의 물성 정보는 지층 구조의 정확한 영상화를 위해 필요하며, 예측된 매질 물성 자체도 지하 매질 특성에 대한 중요한 정보를 제공해줄 수 있기 때문에 다양한 종류의 지층 물성 도출 알고리듬들이 개발되고 적용되어왔다. 그 중 마르코프 연쇄 몬테 카를로를 이용한 확률론적인 접근 방법은 기존의 결정론적인 접근 방법과는 달리 지역 최소값 문제를 완화시킬 수 있으며 역산 결과의 불확실성을 정량화할 수 있다는 부분에서 장점을 가진다. 따라서 마르코프 연쇄 몬테 카를로를 이용한 지층 물성 역산 알고리듬이 다양한 지구 물리 자료의 역산에 적용되어 왔으나 그 사례는 결정론적 접근 방법에 비해 매우 적다. 본 논문에서는 여러 형태의 마르코프 연쇄 몬테 카를로 역산 알고리듬 중 가역 도약을 적용한 가역 도약 마르코프 연쇄 몬테 카를로 역산을 탄성파 자료 역산에 적용한 다양한 사례들을 소개하고 각각의 특성을 설명한다. 또한 가역 도역 마르코프 연쇄 몬테 카를로 역산의 장단점에 대해 분석하고 향후 해당 알고리듬의 연구 방향 및 국내의 활용성에 대해 논의한다.

• Journal of the Korean Statistical Society
• /
• 제36권1호
• /
• pp.129-148
• /
• 2007

Frailty estimates from the proportional hazards frailty model often lead us to conjecture the heterogeneity in frailty such that the variance of the frailty varies over different covariate groups (e.g. male group versus female group). For such systematic heterogeneity in frailty, we consider a regression model for the variance components in the proportional hazards frailty model, denoted by the MLFM. However, in many cases, the observed data do not show any statistically significant preference between the homogeneous frailty model and the heterogeneous frailty model. In this paper, we propose a Bayesian model averaging procedure with the reversible jump Markov chain Monte Carlo which selects the appropriate model automatically. The resulting regression coefficient estimate ignores the model uncertainty from the frailty distribution in view of Bayesian model averaging (Hoeting et al., 1999). Finally, the proposed model and the estimation procedure are illustrated through the analysis of the kidney infection data in McGilchrist and Aisbett (1991) and a simulation study is implemented.

• 한국자기학회지
• /
• 제5권4호
• /
• pp.251-260
• /
• 1995

Co계 비정질 강자성 합금을 1 Oe 이하의 작은 자장 중에서 큐리 온도 이하로 열처리하면 재현성 있는 비대칭 자기이력곡선이 얻을 수 있다는 사실이 보고된 바 있다. 열처 리시 자장의 방향을 (+)라고 하면 (+)에서 (-)에로의 자화반전은 단 한 번의 비가역적 인 Barkhausen jump에 의해서 이루어지며, (-)에서 (+)로의 자화반전은 완만하고 가역 적이다. 이때 이력곡선의 기울기는 시료의 반자장에 의해 결정된다. 이러한 현상을 비 대칭 자화반전이라 한다. 이력곡선의 모양과 재현성은 열처리시 가하는 자장의 크기, 열처리 온도와 시간, 열처리 분위기 등 열처리 조건과 합금의 조성에 따라 크게 바뀐다. 본 연구는 영자왜 조성인 (Fe/sub 0.06/Co/sub 0.94/)/sub 75/Si/sub 10/B/sub 15/ 비 정질 자성 합금을 100 mOe의 자장하에서 열처리할 때 열처리 온도와 시간이 비대칭 자 화반전에 미치는 영향에 대한 것이다. 자화 반전 효과는 비교적 높은 온도에서 짧은 시간에 생성되나 열처리 시간이 길어질수록 안정화된다.

• 한국지능시스템학회논문지
• /
• 제25권2호
• /
• pp.186-190
• /
• 2015

지능형 자동차는 주변 환경에 대한 인식을 바탕으로 동작을 계획하고 움직인다. 따라서 정확한 환경 인식은 자율 주행 자동차의 필수 요소로 여겨진다. 차량의 주행 환경은 차량이나 보행자 같은 동적인 장애물이 다수 존재하여, 안전한 동작을 위해 이런 동적 장애물에 대한 인식이 정확하게 이루어져야 한다. 이를 위해 센서의 불확실성을 극복하는 일이 필수적이다. 본 논문에서는 레이더 센서를 이용하여 다수의 차량을 인식하고 추적하는 알고리즘을 제안한다. 제안된 추적 시스템은 몇 가지 특징을 갖는다. 레이더 센서가 차량을 계측할 때, 그 데이터가 양 모서리에서 주로 나타나는 특징을 혼합 밀도 네트워크로 표현하고, 이렇게 표현된 레이더 데이터의 확률적인 분포를 파티클 필터의 가중치 계산에 적용하여 추적 알고리즘을 수행하였다. 또한, 파티클 필터가 갖는 차원의 저주를 극복하고 시간의 흐름에 따라 그 숫자가 변화하는 다수 대상체의 상태를 예측하기 위해 가역 점프 마르코프 체인 몬테 카를로 (RJMCMC)를 통한 샘플링을 적용하였다. 제안된 알고리즘은 시뮬레이션을 통해 검증되었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2015년도 학술발표회
• /
• pp.225-225
• /
• 2015

Drought events usually evolve slowly in time and their impacts generally span a long period of time. This indicates that the sequence of drought is not completely random. The Hidden Markov Model (HMM) is a probabilistic model used to represent dependences between invisible hidden states which finally result in observations. Drought characteristics are dependent on the underlying generating mechanism, which can be well modelled by the HMM. This study employed a HMM with Gaussian emissions to fit the Standardized Precipitation Index (SPI) series and make multi-step prediction to check the drought characteristics in the future. To estimate the parameters of the HMM, we employed a Bayesian model computed via Markov Chain Monte Carlo (MCMC). Since the true number of hidden states is unknown, we fit the model with varying number of hidden states and used reversible jump to allow for transdimensional moves between models with different numbers of states. We applied the HMM to several stations SPI data in South Korea. The monthly SPI data from January 1973 to December 2012 was divided into two parts, the first 30-year SPI data (January 1973 to December 2002) was used for model calibration and the last 10-year SPI data (January 2003 to December 2012) for model validation. All the SPI data was preprocessed through the wavelet denoising and applied as the visible output in the HMM. Different lead time (T= 1, 3, 6, 12 months) forecasting performances were compared with conventional forecasting techniques (e.g., ANN and ARMA). Based on statistical evaluation performance, the HMM exhibited significant preferable results compared to conventional models with much larger forecasting skill score (about 0.3-0.6) and lower Root Mean Square Error (RMSE) values (about 0.5-0.9).

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2016년도 학술발표회
• /
• pp.197-197
• /
• 2016

Forecasting future drought events in a region plays a major role in water management and risk assessment of drought occurrences. The creeping characteristics of drought make it possible to mitigate drought's effects with accurate forecasting models. Drought forecasts are inevitably plagued by uncertainties, making it necessary to derive forecasts in a probabilistic framework. In this study, a new probabilistic scheme is proposed to forecast droughts, in which a discrete-time finite state-space hidden Markov model (HMM) is used aggregated with the Representative Concentration Pathway 8.5 (RCP) precipitation projection (HMM-RCP). The 3-month standardized precipitation index (SPI) is employed to assess the drought severity over the selected five stations in South Kore. A reversible jump Markov chain Monte Carlo algorithm is used for inference on the model parameters which includes several hidden states and the state specific parameters. We perform an RCP precipitation projection transformed SPI (RCP-SPI) weight-corrected post-processing for the HMM-based drought forecasting to derive a probabilistic forecast that considers uncertainties. Results showed that the HMM-RCP forecast mean values, as measured by forecasting skill scores, are much more accurate than those from conventional models and a climatology reference model at various lead times over the study sites. In addition, the probabilistic forecast verification technique, which includes the ranked probability skill score and the relative operating characteristic, is performed on the proposed model to check the performance. It is found that the HMM-RCP provides a probabilistic forecast with satisfactory evaluation for different drought severity categories, even with a long lead time. The overall results indicate that the proposed HMM-RCP shows a powerful skill for probabilistic drought forecasting.