• 한국산학기술학회논문지
• /
• 제14권5호
• /
• pp.2393-2399
• /
• 2013

본 논문에서는 특이값 분해(SVD: singular value decomposition)에 의한 기저 스펙트럼의 합성을 통해 혈소판 라만 스펙트럼에서 알츠하이머병(AD: Alzheimer's disease)을 검출하는 방법을 제안하였다. AD가 유도된 형질 전환 실험용 쥐의 혈소판에서 측정한 라만 스펙트럼은 가산 잡음과 배경 잡음의 제거와 정규화로 구성된 전처리 과정을 수행한다. 각 데이터 행렬의 열벡터는 AD와 정상(NR: normal)의 라만 스펙트럼으로 구성한다. 이 데이터 행렬을 SVD로 분해한 다음 각 행렬의 열벡터 12개를 AD와 NR의 기저 스펙트럼으로 결정한다. 분류 과정은 각 클래스의 기저 스펙트럼을 선형 합성한 스펙트럼과 분류 스펙트럼의 평균제곱근오차(root mean square error)가 최소인 클래스를 선택하는 것으로 완료된다. 278개의 혈소판 라만 스펙트럼을 사용한 실험에 따르면 제안한 방법의 평균 분류율은 약 97.6%로 주성분 분석(principle components analysis)으로 추출한 특징에 MLP(multi-layer perceptron)를 이용한 경우보다 약 6.1% 정도의 우수한 성능을 보였다. 이 결과에서 SVD에 의한 기저 스펙트럼이 혈소판 라만 스펙트럼에서 AD의 검출에 적합하게 사용될 수 있음을 확인하였다.

• 한국군사과학기술학회지
• /
• 제8권3호
• /
• pp.83-91
• /
• 2005

Pyrolysis-mass spectrometry has been used to characterize the 17 biological materials including bacteria and proteins. In this study, an in situ thermal-hydrolysis methylation(THM) procedure using tetramethylammonium hydroxide(TMAH) was employed. The biological materials are ionized using chemical ionization(CI) method with ethanol by ion trap mass spectrometer(ITMS), which attached with our own made pyrolyzer module, and then their pyrolysis mass spectra were obtained. The major distinct characteristic peaks were selected from all the range of mass spectra, and analyzed using principal component analysis(PCA) method to assess the classification/identification possibility of biological materials.

• 천문학논총
• /
• 제8권1호
• /
• pp.169-177
• /
• 1993

Observed spectra of supernovae allow the empirical classification of supernovae into two basic categories, Type I with little or no evidence of hydrogen, and Type II with obvious evidence for hydrogen. The broad class of Type I can be subdivided depending on whether helium or silicon and other intermediate mass elements is observed. Understanding the physical processes that underlie these classifications---the progenitor evolution. the explosion mechanism, and end products---requires calculation of radiative transfer and model spectra. While most Type II occur in evolved massive stars that undergo core collapse. some may span the dividing line between degenerate and non-degenerate carbon burning and involve both core collapse and thermonuclear explosion. Type Ia are still most plausibly explained as thermonuclear explosions in carbon/oxygen white dwarfs in binary systems. Type Ib reveal helium atmospheres and are probably the result of core collapse in the helium core of a massive star that has lost its hydrogen envelope to a binary companion or to a wind. Type Ic supernovae are probably related to Type Ib but have also lost their helium envelope to reveal a mantle rich in oxygen.

• 천문학회보
• /
• 제46권2호
• /
• pp.45.3-46
• /
• 2021

Supernovae classes have been defined phenomenologically, based on spectral features and time series data, since the specific details of the physics of the different explosions remain unrevealed. However, the number of these classes is increasing as objects with new features are observed, and the next generation of large-surveys will only bring more variety to our attention. We apply the machine learning technique of multi-label classification to the spectra of supernovae. By measuring the probabilities of specific features or 'tags' in the supernova spectra, we can compress the information from a specific object down to that suitable for a human or database scan, without the need to directly assign to a reductive 'class'. We use logistic regression to assign tag probabilities, and then a feed-forward neural network to filter the objects into the standard set of classes, based solely on the tag probabilities. We present STag, a software package that can compute these tag probabilities and make spectral classifications.

• KSBB Journal
• /
• 제20권4호
• /
• pp.291-298
• /
• 2005

본 연구는 재조합 대장균과 S.cerevisiae의 발효공정에서 형광스펙트럼 데이터를 수집하였으며, SOM을 이용하여 형광스펙트럼 데이터를 특정 그룹으로 분류하고 발효공정을 분석하고자 하였다. 배출가스 내 이산화탄소농도와 세포농도 같은 공정변수들은 SOM 알고리즘으로부터 얻은 분산 및 정규화된 가중치들과 좋은 연관성을 나타내었다. 전체 스펙트럼 데이터의 분류는 생물공정 모델링을 위한 매우 중요한 단계인데 그 이유는 몇몇 여기파장과 방출파장의 유의한 조합들이 전체영역의 스펙트럼 데이터로부터 추출되기 때문이다. 예를 들면, 본 연구에서 SOM을 이용하여 추출한 98개의 스펙트럼 데이터의 예제들은 부분최소자승법이나 감독신경망 (supervised neural network)을 이용한 공정의 모델링에 사용될 수 있다.

• 대한원격탐사학회지
• /
• 제21권3호
• /
• pp.189-211
• /
• 2005

This paper makes an effort to compare the recently evolved soft classification method based on Linear Spectral Mixture Modeling (LSMM) with the traditional hard classification methods based on Iterative Self-Organizing Data Analysis (ISODATA) and Maximum Likelihood Classification (MLC) algorithms in order to achieve appropriate results for mapping, monitoring and preserving valuable coastal wetland ecosystems of southern India using Indian Remote Sensing Satellite (IRS) 1C/1D LISS-III and Landsat-5 Thematic Mapper image data. ISODATA and MLC methods were attempted on these satellite image data to produce maps of 5, 10, 15 and 20 wetland classes for each of three contrast coastal wetland sites, Pitchavaram, Vedaranniyam and Rameswaram. The accuracy of the derived classes was assessed with the simplest descriptive statistic technique called overall accuracy and a discrete multivariate technique called KAPPA accuracy. ISODATA classification resulted in maps with poor accuracy compared to MLC classification that produced maps with improved accuracy. However, there was a systematic decrease in overall accuracy and KAPPA accuracy, when more number of classes was derived from IRS-1C/1D and Landsat-5 TM imagery by ISODATA and MLC. There were two principal factors for the decreased classification accuracy, namely spectral overlapping/confusion and inadequate spatial resolution of the sensors. Compared to the former, the limited instantaneous field of view (IFOV) of these sensors caused occurrence of number of mixture pixels (mixels) in the image and its effect on the classification process was a major problem to deriving accurate wetland cover types, in spite of the increasing spatial resolution of new generation Earth Observation Sensors (EOS). In order to improve the classification accuracy, a soft classification method based on Linear Spectral Mixture Modeling (LSMM) was described to calculate the spectral mixture and classify IRS-1C/1D LISS-III and Landsat-5 TM Imagery. This method considered number of reflectance end-members that form the scene spectra, followed by the determination of their nature and finally the decomposition of the spectra into their endmembers. To evaluate the LSMM areal estimates, resulted fractional end-members were compared with normalized difference vegetation index (NDVI), ground truth data, as well as those estimates derived from the traditional hard classifier (MLC). The findings revealed that NDVI values and vegetation fractions were positively correlated ($r^2$= 0.96, 0.95 and 0.92 for Rameswaram, Vedaranniyam and Pitchavaram respectively) and NDVI and soil fraction values were negatively correlated ($r^2$ =0.53, 0.39 and 0.13), indicating the reliability of the sub-pixel classification. Comparing with ground truth data, the precision of LSMM for deriving moisture fraction was 92% and 96% for soil fraction. The LSMM in general would seem well suited to locating small wetland habitats which occurred as sub-pixel inclusions, and to representing continuous gradations between different habitat types.

• 한국광학회지
• /
• 제31권3호
• /
• pp.125-133
• /
• 2020

본 논문에서는 다변량 분석법과 결합된 레이저 유도 플라즈마 분광법을 사용하여 겹친 유류 지문을 분리하는 혁신적인 방법을 연구하였다. LIPS는 겹친 유류 지문의 화학 성분에 대한 데이터뿐 아니라 실시간 분석 및 고속 스캐닝이 가능한 분광법이다. 레이저 유도 플라즈마 분광법을 통해 도출된 스펙트럼은 적절한 다변량 분석이 적용되어 법의학적 분류와 겹친 유류 지문의 재구성에 유용한 화학적 성분을 제공한다. 본 연구에서는 LIPS 스펙트럼에서 4가지의 유류 지문을 분류하기 위하여, 주성분 분석 방식과 부분 최소 제곱 회귀 분석을 사용하였다. 제안된 방법은 SIMCA 및 PLS-DA와 같은 구별 방식을 사용하여 4개의 유류 지문의 분류를 성공적으로 입증하였다. 본 연구의 결과는 대략 85% 이상의 정확도를 가졌으며, external validation 실험에서도 분류의 가능함을 보였다. 최종적으로, 125 ㎛의 공간 간격으로 레이저 스캐닝 분석을 통한 겹친 유류 지문의 2차원 형태의 분리가 가능함을 입증하였다.

• 전자공학회논문지CI
• /
• 제48권4호
• /
• pp.21-26
• /
• 2011

특징 순위 방법은 데이터에 대한 정보와 관련된 특징을 구별하는데 유용하게 사용된다. 본 논문에서는 혈소판으로부터 측정된 라만 스펙트럼에서 퇴행성 뇌신경질환과 혈관성 인지증의 분류에 특징 순위를 이용하는 방법을 제안하였다. 퇴행성 뇌신경 질환인 알츠하이머병(Alzheimer's disease)과 파킨슨병(Parkinson's disease) 그리고 혈관성 인지증(vascular dementia)을 유도한 실험용 쥐의 혈소판에서 측정한 스펙트럼은 가우시안 모델을 이용한 커브 피팅으로 노이즈를 제거하고 로컬 최저점에 선형 보간법(linear interpolation)으로 배경 잡음을 제거한다. 전처리 과정을 수행한 스펙트럼에서 분류정확도와 계산복잡도를 개선하기 위해 특징 순위 방법을 이용하여 주요 특징을 선택하였다. 선택된 특징들은 PCA(principal component analysis) 방법으로 변환하여 주성분의 수를 변화시키며 MAP(maximum a posteriori)으로 분류하고 전체 특징을 사용한 경우의 분류 결과와 비교하였다. 실험 결과에서 제안한 방법을 적용한 모든 실험에서 분류 시스템의 계산복잡도를 현저하게 감소시키고 분류정확도는 부분적으로 증가하였다. 특히 파킨슨병과 정상을 분류하는 실험에서 제안한 방법이 전체 특징을 사용한 경우보다 모든 주성분의 수에서 분류정확도가 높았으며 평균 1.7 %의 성능이 향상되었다. 이 결과에서 분류정확도와 계산복잡도의 개선을 고려하면 제안한 방법이 혈소판 라만 스펙트럼에서 퇴행성 뇌신경질환과 혈관성 인지증의 분류 시스템에 효율적으로 사용될 수 있음을 확인하였다.

• 한국토양비료학회지
• /
• 제42권6호
• /
• pp.522-528
• /
• 2009

농경지에서 채취한 30개의 토양 Profile에 대해 깊이별로 채취한 시료를 이용하여 pH, CEC, Ca, Mg, Org.C항목에 대해 분광 스펙트럼과 화학분석에 의한 토양 특성값의 통계적 정량화를 수행하였다. 추정모델의 신뢰도를 높이기 위해 원시 반사 스펙트럼 외에도 Log, 도함수, Continuum 제거 등의 변환을 거친 스펙트럼을 입력변수로 이용하였고 그 중에서CR스펙트럼은 각 토양 특성 항목과 일괄 추정, 유형별 추정식의 모든 경우에서 통계적 유의성을 가진 추정 결과를 보였다. 특정 토양 특성 항목에서는 다른 변환 스펙트럼이 더 유의한 결과를 나타내었지만, 동시 다항목 분석을 하는 경우 CR 스펙트럼을 이용하는 것이 분석의 신속성과 용이성을 제공할 것으로 사료된다. 추정모델 성능 향상을 위해 토양의 여러 특성에 의한 스펙트럼의 변화 중에서 큰 요인 중 하나인 토색과 관련된 Fe에 의한 500-1200 nm 영역에서의 흡수 스펙트럼 특징에 의해 유형을 나누어 추정모델을 도출하였다. 유형별 추정모델 적용 결과가 일괄 추정값보다 월등히 높은 결과를 나타내지는 않았지만, 대체적으로 유형별 추정모델이 약간 높은 유의성을 나타내었고, 특히 Ca와 CEC의 경우 상당히 향상된 결과를 보였다. 이러한 스펙트럼의 처리와 스펙트럼의 유형 분류 등을 고려한 정량 추정 모델을 통해 가시 근적 외 영역의 스펙트럼을 이용하여 토양의 특성을 동시에 다항목에 대한 분석을 신속하게 수행할 수 있을 것으로 판단된다. 이러한 추정 모델은 토양 특성에 대해 광역 단위에서 다량의 시료 분석에 유용하므로 지역, 세계 규모의 디지털 토양 매핑, 토양 분류 및 원격탐사 자료와의 연계 분석에 활용될 수 있을 것으로 사료된다.

• 한국근적외분광분석학회:학술대회논문집
• /
• 한국근적외분광분석학회 2001년도 NIR-2001
• /
• pp.1244-1244
• /
• 2001

In linear discriminant analysis there are two important properties concerning the effectiveness of discriminant function modeling. The first is the separability of the discriminant function for different classes. The separability reaches its optimum by maximizing the ratio of between-class to within-class variance. The second is the stability of the discriminant function against noises present in the measurement variables. One can optimize the stability by exploring the discriminant variates in a principal variation subspace, i. e., the directions that account for a majority of the total variation of the data. An unstable discriminant function will exhibit inflated variance in the prediction of future unclassified objects, exposed to a significantly increased risk of erroneous prediction. Therefore, an ideal discriminant function should not only separate different classes with a minimum misclassification rate for the training set, but also possess a good stability such that the prediction variance for unclassified objects can be as small as possible. In other words, an optimal classifier should find a balance between the separability and the stability. This is of special significance for multivariate spectroscopy-based classification where multicollinearity always leads to discriminant directions located in low-spread subspaces. A new regularized discriminant analysis technique, the principal discriminant variate (PDV) method, has been developed for handling effectively multicollinear data commonly encountered in multivariate spectroscopy-based classification. The motivation behind this method is to seek a sequence of discriminant directions that not only optimize the separability between different classes, but also account for a maximized variation present in the data. Three different formulations for the PDV methods are suggested, and an effective computing procedure is proposed for a PDV method. Near-infrared (NIR) spectra of blood plasma samples from mastitic and healthy cows have been used to evaluate the behavior of the PDV method in comparison with principal component analysis (PCA), discriminant partial least squares (DPLS), soft independent modeling of class analogies (SIMCA) and Fisher linear discriminant analysis (FLDA). Results obtained demonstrate that the PDV method exhibits improved stability in prediction without significant loss of separability. The NIR spectra of blood plasma samples from mastitic and healthy cows are clearly discriminated between by the PDV method. Moreover, the proposed method provides superior performance to PCA, DPLS, SIMCA and FLDA, indicating that PDV is a promising tool in discriminant analysis of spectra-characterized samples with only small compositional difference, thereby providing a useful means for spectroscopy-based clinic applications.