Earticle

교통량자료는 매우 다양한 분야에서 사용되는 기초자료이다. 교통량자료는 도로교통량조사를 통하여 수집되며, 도로교통량조사 중 기계식 장비를 사용하여 365일 24시간 지속적으로 수집되는 자료를 상시교통량자료라고 한다. 상시교통량자료는 장비의 오작동 및 여러 원인으로 교통량자료누락이 발생하는 경우가 있다. 누락된 교통량자료는 여러 누락보정방법을 적용하여 보정을 수행하고 있다. 하지만, 기존의 누락보정방법론들은 기상에 대한 영향을 전혀 고려하지 않은 실정이다. 따라서 본 연구에서는 기상 중 강우의 영향을 고려한 누락교통량자료 보정방법에 대한 연구를 수행하였다. 이를 위해 우선 일반국도에서 수집한 교통량자료와 기상청의 기상자료의 매칭을 수행하였으며, 이후 일반국도의 특성별로 군집분석 수행 및 분석대상지점 선정을 진행하였다. 세 가지 보정 기법들(평균대체법/자기회귀모형/EM 기법)을 사용하여 전체 자료에서 누락보정을 수행하는 것과 강우일의 자료만을 가지고 누락보정을 수행하여 보정값의 정확도를 평가하였다. 분석 결과 모든 보정방법 및 분석지점에서 과거 강우일의 교통량자료만을 가지고 보정한 경우가 더 정확한 보정값을 산출하는 것으로 분석되었다.

Traffic volume data is basic information that is used in a wide variety of fields. Existing missing traffic volume data imputation method did not take the effect on the rainfall. This research analyzed considering of the rainfall effect in missing traffic volume data imputation method. In order to consider the effect of rainfall, established the following assumption. When missing of traffic volume data generated in rainy days it would be more accurate to use only the traffic volume data of the past rainy days. To confirm this assumption, compared for accuracy of imputed results at three kinds of imputation method(Unconditional Mean, Auto Regression, Expectation-Maximization Algorithm). The analysis results, the case on consideration of the rainfall effect was more low error occurred.

영상 세션화는 기본적으로 이미지를 의미있는 구조로 나누는 것이다. 항상 특정 요구에 따라 이미지를 완전히 분할 한다. 하지만 결과가 원하지 않는 오버세션화가 이루어질 수 있다. 따라서 본 논문에서는 오버세션화를 줄이기 위해 가우시안 혼합 모델(GMM) 기반의 변형된 워터쉐드 알고리즘을 제안한다. 거리 변환 영상은 가우시안 혼합 모델에 의해 처리된다. 그리고 기대 최대화(EM) 알고리즘은 가우시안 혼합모델 데이터에 맞추는 데 사용된다. 이들 평균 의 평균을 최적의 임계값으로 선택하고 획득된 임계값에 기초하여 이진 영상으로 변환한다. 이렇게 얻은 이진 영상 은 적절한 구조 요소의 적용하여 침식화한다. 침식된 영상에서 수행된 워터쉐드 분할은 효과적인 분할 결과를 제공 한다. 제안된 방법이 사용될 때 옥수수, 쌀 및 밀과 같은 다른 커널이 효과적으로 분할된다. 실험 목적으로 38 개의 옥수수 커널, 95 개의 쌀 커널 및 32 개의 밀 커널을 사용한다. 분할 정확도는 옥수수, 쌀 및 밀에 대해 각각 94.7 %, 96.8 % 및 90.6 % 이다.

Image segmentation is basically the division of an image into meaningful structures. It always produces complete division of the image as the specific demand. However, it is prone to over-segmentation which makes the result unfavorable. Therefore, this paper proposes modified watershed algorithm based on Gaussian mixture model(GMM) to reduce the over-segmentation. Distance transformed image is processed by GMM. And expectation maximization(EM) algorithm is used to fit GMM to data. Average of these means is chosen as optimal threshold and the image is converted into binary image based on the obtained threshold value. Binary image thus obtained is eroded with the help of proper structuring element. Watershed segmentation thus carried out on the eroded image gives the effective segmentation results. Different kernels such as corn, rice, and wheat are effectively segmented when the proposed methodology is used. 38 corn kernels, 95 rice kernels, and 32 wheat kernels are used for the experimental purpose. The accuracy of segmentation is as high as 94.7%, 96.8%, and 90.6% for corn, rice, and wheat respectively.

Due to the recent rapid industrialization worldwide, the number of pediatric asthma patients is increasing. And the fine dust containing heavy metals is linked to the characteristics of high toxic lead due to the increase heating in factory operation and automobile driving. It is the reason of arsenic increasing. In the treatment of pediatric asthma patients, drug administration, oral drug entry, and HMPC (Home Management Plan of Care) are used. In this paper, we analyze the relationship between the onset of asthma and the method of prescription for specific childhood asthma in the United States using EM (Expectation Maximization) and MDL (Minimum Description Length) algorithms. And the association is also analyzed by comparing the nature of specific congestion between the past prevalence of digestive asthma and the recent prevalence of environmental pollution.

Recently, the demand for alpha imaging detectors for quantifying the distributions of alpha particles has increased in various fields. This study aims to reconstruct a high-resolution image from an alpha imaging detector by applying a super-spatial resolution method combined with the maximum-likelihood expectation maximization (MLEM) algorithm. To perform the super-spatial resolution method, several images are acquired while slightly moving the detector to predefined positions. Then, a forward model for imaging is established by the system matrix containing the mechanical shifts, subsampling, and measured point-spread function of the imaging system. Using the measured images and system matrix, the MLEM algorithm is implemented, which converges towards a high-resolution image. We evaluated the performance of the proposed method through the Monte Carlo simulations and phantom experiments. The results showed that the super-spatial resolution method was successfully applied to the alpha imaging detector. The spatial resolution of the resultant image was improved by approximately 12% using four images. Overall, the study's outcomes demonstrate the feasibility of the super-spatial resolution method for the alpha imaging detector. Possible applications of the proposed method include high-resolution imaging for alpha particles of in vitro sliced tissue and pre-clinical biologic assessments for targeted alpha therapy.

In recent years, many sparse estimation methods, also known as compressed sensing, have been developed. However, most of these methods presume that the measurement matrix is completely known. We develop a new blind maximum likelihood method-the expectation-sparse-maximization (ESpaM) algorithm-for models where the measurement matrix is the product of one unknown and one known matrix. This method is a variant of the expectation-maximization algorithm to deal with the resulting problem that the maximization step is no longer unique. The ESpaM algorithm is justified theoretically. We present as well numerical results for two concrete examples of blind channel identification in digital communications, a doubly-selective channel model and linear time invariant sparse channel model.

각종 선거를 앞두고 여러 여론조사 기관들은 다양한 방법으로 선거 결과를 예측한다. 조사를 통한 선거 예측을 수행하는 데 있어서 발생할 수 있는 문제점 중 하나는 무응답이며 무응답 대체 방법에 따라 예측 결과는 완전히 다른 결과를 생산해 낼 수 있다. 본 연구에서는 무응답 대체의 방법으로 모형을 기반으로 한 대체 방법에 대하여 연구하였다. 특히, 최대 우도 추정 방법을 적용했을 때 무시할 수 없는 무응답 (non-ignorable non-response) 체계 하에서 발생할 수 있는 변방 값 문제를 해결하기 위해 Wei와 Tanner (1990)가 제안한 Monte Carlo EM 알고리즘을 적용하였다. 모의 실험을 통하여 MCEM 방법과 기존의 최대 우도 추정 방법, 베이지안 추정 방법 사이의 비교 연구를 진행하였고 그 결과 MCEM 방법이 기존 방법들에 대한 대안 방법으로 이용될 수 있음을 보였다. 또한 2012년에 시행된 제18대 대통령 선거 당일의 출구조사 자료를 적용하여 실증 분석을 수행하였다. 예측 결과를 비교하기 위해 Bautista 등 (2007)이 제안한 MWPE (modified within precinct error)를 이용하였다.

In predicting an outcome of election using a variety of methods ahead of the election, non-response is one of the major issues. Therefore, to address the non-response issue, a variety of methods of non-response imputation may be employed, but the result of forecasting tend to vary according to methods. In this study, in order to improve electoral forecasts, we studied a model based method of non-response imputation attempting to apply the Monte Carlo Expectation Maximization (MCEM) algorithm, introduced by Wei and Tanner (1990). The MCEM algorithm using maximum likelihood estimates (MLEs) is applied to solve the boundary solution problem under the non-ignorable non-response mechanism. We performed the simulation studies to compare estimation performance among MCEM, maximum likelihood estimation, and Bayesian estimation method. The results of simulation studies showed that MCEM method can be a reasonable candidate for non-response model estimation. We also applied MCEM method to the Korean presidential election exit poll data of 2012 and investigated prediction performance using modified within precinct error (MWPE) criterion (Bautista et al., 2007).

전력 회사의 효율적인 운용과 전력 시장에서의 경쟁을 위하여 고객의 전력 소비 패턴 분석 및 정확한 예측이 이루어져야 한다. 이를 위해서 이 논문에서는 원격 검침 시스템에 의한 전국의 고압 고객 데이터를 대상으로 고객의 전력 소비 패턴을 정확히 예측할 수 있는 마이닝 기법을 제안하였다. 먼저, 국내 계약종별 고객 특성에 맞는 부하 패턴의 정확한 구별을 위한 9가지의 특징 벡터를 추출하였고, 기대치-최대화 군집화 알고리즘을 사용하여 고객의 34개 대표 부하프로파일을 생성하였다. 마지막으로 추출된 특징 벡터로부터 각 대표 프로파일에 대한 출현 패턴 기반의 분류 모델을 구성하여 고객의 전력 소비 패턴을 분류하였다. 국내 원격 검침 시스템에 의해 측정된 총 3,895명의 고압 고객 데이터에 대한 실험 결과 약 91%의 분류 정확성을 보였다.

Recording data in hundreds of narrow contiguous spectral intervals, hyperspectral images have provided the opportunity to detect small differences in material composition. But a limitation of a hyperspectral image is the signal to noise ratio (SNR) lower than that of a multispectral image. This paper presents the efficiency of Spectral Similarity Scale (SSS) in change detection of hyperspectral image and the experiment was performed with Hyperion data. SSS is an algorithm that objectively quantifies differences between reflectance spectra in both magnitude and direction dimensions. The thresholds for detecting the change area were determined through Expectation-Maximization (EM) algorithm. The experimental result shows that the SSS algorithm and EM algorithm are efficient enough to be applied to the unsupervised change detection of hyperspectral images.