Earticle

n/m - qm + r 에서 m = 7인 단순한 경우에도 주어진 수 n이 m의 배수 판정법은 간단하지가 않다. 만약, m이 두 자리 수 이상이 되면 더욱 복잡해진다. 일반적인 배수 판정법으로 둔켈스 (Dunkels)법이 있지만 이 컴퓨터 로 처리하지 못하는 매우 큰 자리수인 경우 이 방법도 처리할 수 없다. 본 논문은 n과 m의 자리수와 무관하게 n(mod m) = 0 여부로 n이 m의 배수인지 여부를 검증하는 간단하면서도 정확한 방법을 제안한다. 제안된 방법은 n = n1n2n3 ⋯ nk, m = m1m2 ⋯ m1에 대해 r1 = n1n2 ⋯ n1(mod m)으로 설정하고, r1 = r1 = 1 × 10 + n1(mod m), i = 2, 3, ⋯, k-1+1로 n의 자리수를 1자리씩 감소시키는 방법을 적용하였다. 제안된 방법을 다양한 n, m 데이터에 적 용한 결과 쉽고, 빠르며 정확한 몫과 나머지 값을 구할 수 있음을 보였다.

For n/m - qm + r , there is no simple divisibility rule for simple m = 7 such that is the n multiply by m? This problem can be more complex for two or more digits of m. The Dunkels method has been known for generalized divisibility test method, but this method can not compute very large digits number that can not processed by computer. This paper suggests simple and exact divisibility method for m completely irrelevant n and m of digits. The proposed method sets  r1 = n1n2 ⋯ n1(mod m) for n = n1n2n3 ⋯ nk, m = m1m2 ⋯ m1m2. Then this method computes  r1 = r1 = 1 × 10 + n1(mod m), i = 2, 3, ⋯, k-1+1 and reduces the digits of n one-by-one. The proposed method can be get the quotient and remainder with easy, fast and correct for various n, m experimental data.

인공신경망의 계층의 깊이가 깊어지고 입력으로 사용되는 데이터 차원이 증가됨에 신경망의 학습 및 인식에 있어서 많은 연산을 고속으로 요구하는 고연산의 문제가 발생한다. 따라서 본 논문에서는 신경망 입력 데이터의 차원을 감소시키기 위한 데이터 차원 감소 방법을 제안한다. 제안하는 선분 특징 분석(Line-segment Feature Analysis; LFA) 알고리즘은 한 영상 내에 존재하는 객체의 선분(Line-segment) 특징을 분석하기 위하여 메디안 필터(median filter)를 사용한 기울기 기반의 윤곽선 검출 알고리즘을 적용한다. 추출된 윤곽 영상은 [0, 1, 2, 4, 8, 16, 32, 64, 128]의 계수 값으로 구성된 3×3 또는 5×5 크기의 검출 필터를 이용하여 8가지 선분의 종류에 상응하는 고유값을 계산한다. 각각의 검출필터로 계산된 고유값으로부터 동일한 반응값을 누적하여 두 개의 1차원의 256 크기의 데이터를 생성하고 두 가지 데이터 요소를 합산하여 LFA256 데이터를, 두 데이터를 합병하여 512 크기의 LAF512 데이터를 생성한다. 제안한 LFA 알고리즘의 성능평가는 필기체 숫자 인식을 위한 데이터 차원 감소를 목적으로 PCA 기법과 AlexNet 모델을 이용하여 비교 실험한 결과 LFA256과 LFA512가 각각 98.7%와 99%의 인식 성능을 보였다.

As the layers of artificial neural network deepens, and the dimension of data used as an input increases, there is a problem of high arithmetic operation requiring a lot of arithmetic operation at a high speed in the learning and recognition of the neural network (NN). Thus, this study proposes a data dimensionality reduction method to reduce the dimension of the input data in the NN. The proposed Line-segment Feature Analysis (LFA) algorithm applies a gradient-based edge detection algorithm using median filters to analyze the line-segment features of the objects existing in an image. Concerning the extracted edge image, the eigenvalues corresponding to eight kinds of line-segment are calculated, using 3×3 or 5×5-sized detection filters consisting of the coefficient values, including [0, 1, 2, 4, 8, 16, 32, 64, and 128]. Two one-dimensional 256-sized data are produced, accumulating the same response values from the eigenvalue calculated with each detection filter, and the two data elements are added up. Two LFA256 data are merged to produce 512-sized LAF512 data. For the performance evaluation of the proposed LFA algorithm to reduce the data dimension for the recognition of handwritten numbers, as a result of a comparative experiment, using the PCA technique and AlexNet model, LFA256 and LFA512 showed a recognition performance respectively of 98.7% and 99%.