Earticle

초분광 이미지는 일반 이미지와 달리 전자기 스펙트럼을 파장에 따라 수많은 밴드로 나누어 촬영된 것으로 고용 량 고해상도 이미지이다. 일반 이미지보다 정보량이 많아 물체나 물질 탐사에 활용된다. 처리할 초분광 이미지의 정보량 을 줄이기 위해 밴드 선택(band selection)기법[3]을 활용한다. 기존 밴드 선택기법들은 통계를 바탕으로 하는 휴리스틱 한 기법으로, 시간이 오래 걸리며, 일반성과 보편성이 떨어지는 경우가 많다. 이를 보완하기 위해 본 논문에서는 양자화 개념(Quantization)를 활용하여, 이산 범위(Discrete Range)를 통해 범위별로 대표적인 밴드를 뽑아 밴드 선택에 사용 한다. 실험 결과를 통해 제안 기법이 기존 밴드 선택 방식보다 수행 시간이 매우 빠르며 밴드 수를 1/10~1/7로 줄였음 에도 원본과 성능 정확도가 유사함을 보였다.

Unlike or common images, Hyperspectral images were taken by continuous electromagnetic spectral into numerous bands according to wavelengths and are high-capacity high-resolution images. It has more information than ordinary images, so it is used to explore objects and materials. To reduce the amount of information in hyper-spectral images to be processed, band selection is utilized. Existing band selection techniques are heuristic techniques based on statistics, which take a long time and often lack generality and universality. To compensate for this, this paper utilizes quantization concept to draw representative bands through Discrete Range, we use them for band selection algorithm. Experimental results showed that the proposed technique performed much faster than conventional band selection methods, and that the performance accuracy was similar to that of the original even though the number of bands was reduced by one-seventh to one-tenth.

The ever-increasing shortage of the spectrum leaves fourth generation wireless technologies no choice but to re-use their existing spectra repeatedly by the so-called re-farming strategy. This alternative, nevertheless, increases overlap levels between cells and rapidly escalates into interference situations. In this paper, channel overlap in wireless systems is defined and quantified. The proposed models account for cross and adjacent types of overlap in almost any radio network.

Genetic Algorithm (GA) is applied to obtain optimal Inspection plan for fatigue deteriorating structures. The optimization problem is defined so as to minimize inspection cost in the 1ifs-time of the structure under the constraint that the increment of failure probability in each inspection interval is maintained below a target value. Optimization parameters are the inspection timing and the inspection quality. The inspection timing is selected from the discrete intervals such as one year, two years, three years, etc. The inspection quality is selected from the followings; no inspection, normal inspection, sampling inspection or precise inspection. The applicability of the proposed GA approach is demonstrated through the numerical calculations assuming a structure consisting of four member sets. Influences of the level of target failure probability, initial defect condition and stress increase due to plate thickness reduction caused by corrosion on inspection planning are discussed.

본 논문에서는 클러스터 측정(Cluster Measurement)과 유전자 알고리즘을 이용한 문서 클러스링 알고리즘을 제안한다. 유전자 알고리즘의 요소를 클러스터링에 대입하고 클러스터 측정을 적합도 함수에 대입하여 문서 클러스터링을 구현하였다. 성능 평가를 위하여 한국일보-20000/한국일보-40075 문서범주화 실험문서집합의 데이터 셋을 이용하였다. 클러스터링 성능 평가 결과 AS Index가 DB Index, RS Index 보다 좋은 성능을 보여준다. 또한 제안한 알고리즘이 K-means 클러스터링 알고리즘에 비교해 안정적으로 좋은 성능을 보여준다.

본 논문에서는 클러스터 측정(Cluster Measurement)과 유전자 알고리즘을 이용한 문서 클러스링 알고리즘을 제안한다. 유전자 알고리즘의 요소를 클러스터링에 대입하고 클러스터 측정을 적합도 함수에 대입하여 문서 클러스터링을 구현하였다. 성능 평가를 위하여 한국일보-20000/한국일보-40075 문서범주화 실험문서집합의 데이터 셋을 이용하였다. 클러스터링 성능 평가 결과 AS Index가 DB Index, RS Index 보다 좋은 성능을 보여준다. 또한 제안한 알고리즘이 K-means 클러스터링 알고리즘에 비교해 안정적으로 좋은 성능을 보여준다.

액체로켓엔진의 최적화를 위해 유전알고리즘을 사용하여 주요 설계변수인 연료와 산화제의 질유량과 연소실 압력을 결정하였다. 대상엔진은 LO2/RP-1을 추진제로 사용하는 개방형 가스발생기 사이클을 대상으로 하였다. 최적설계의 목적함수는 비추력의 최대화이고 펌프-터빈의 에너지 발란스와 요구추력을 제한조건으로 하였다. 연소실의 물성치는 CEA2를 이용하였으며 펌프 및 터빈의 효율, 가스발생기 및 예연소기의 물성치는 문헌 자료를 수학적으로 모델링 하였다. 가스발생기 사이클 계산 결과 참고문헌과 비교하여 비추력에서 약 3~4%, 펌프파워에서 2~6%의 오차를 보였다.

A genetic algorithm (GA) has been employed to optimize the major design variables of the liquid rocket engine. Mass flow rate to the main thrust chamber, mass flow rate to the gas generator and chamber pressure have been selected as design variables. The target engine is the open gas generator cycle using the LO2/RP-1 propellant. The objective function of design optimization is to maximize the specific impulse with condition of energy balance between the pump and the turbine. The properties of the combustion chamber have been obtained from CEA2. Pump & turbine efficiencies and properties of the gas generator have been modeled mathematically from reference data. The result shows 3~4% errors for the specific impulse and 2~6% errors for the pump power of the gas generator cycle compared to references.

In this paper, we propose an algorithm on OOV(Out-of-Vocabulary) rejection based on two-stage method. In the first stage, the algorithm rejects OOVs using generic word model, and then in the second stage, for further reduction of false acceptance, it rejects words which have low similarity to the candidate by measuring the distance between HMM models. For the experiment, we choose 20 in-vocabulary words out of PBW445 DB distributed by ETRI. In case that the first stage is processed only, the false acceptance is 3% with 100% correct acceptance, and in case both stages are processed, the false acceptance is reduced to 1% with 100% correct acceptance.

This paper introduces the concept of fixed weights and proposes an algorithm for classification by adding this concept to vector space separation method in LVQ. The proposed algorithm is based on competitive learning. It uses fixed weightsfor generality and fast adaptation efficient radius for new weight creation, and L1 distance for fast calcualtion. It can be applied to many fields requiring adaptive learning with the support of generality, real-tiem processing and sufficient training effect using smaller data set. Recognition rate of over 98% for the train set and 94% for the test set was obtained by applying the suggested algorithm to on-line handwritten recognition.

본 논문에서는 개선된 유전자 알고리즘과 역전파 신경망 알고리즘의 특징을 살펴보고, 비선형 모의자료를 이용하여 개선된 유전자 알고리즘 기반의 신경망 학습 효과와 역전파 신경망 알고리즘을 이용한 신경망 학습 효과를 비교해 본다. 유전자 알고리즘을 이용한 신경망 학습에는 개선된 신경망 제어기를 이용한다. 역전파 알고리즘을 이용한 신경망 학습에는 일반화 성능향상을 위한 인자들의 결합효과를 이용한다. 모의실험을 통하여 두 가지의 학습에서 학습 수령의 정도와 학습 속도 등을 비교하는 모의실험 결과를 개선된 유전자 알고리즘과 신경망 알고리즘의 학습 결과와 항께 제시한다. 모의실험의 결과로서 유전자 알고리즘을 적용한 개선된 신경망 제어기를 통한 학습 결과가 일반 신경망 학습 결과보다 초기 가중값을 작은 범위에서 발생시킬 때 수렴 정확도 및 학습 속도에서 좋은 결과를 나타내 주고 있다.

본 논문에서는 개선된 유전자 알고리즘과 역전파 신경망 알고리즘의 특징을 살펴보고, 비선형 모의자료를 이용하여 개선된 유전자 알고리즘 기반의 신경망 학습 효과와 역전파 신경망 알고리즘을 이용한 신경망 학습 효과를 비교해 본다. 유전자 알고리즘을 이용한 신경망 학습에는 개선된 신경망 제어기를 이용한다. 역전파 알고리즘을 이용한 신경망 학습에는 일반화 성능향상을 위한 인자들의 결합효과를 이용한다. 모의실험을 통하여 두 가지의 학습에서 학습 수령의 정도와 학습 속도 등을 비교하는 모의실험 결과를 개선된 유전자 알고리즘과 신경망 알고리즘의 학습 결과와 항께 제시한다. 모의실험의 결과로서 유전자 알고리즘을 적용한 개선된 신경망 제어기를 통한 학습 결과가 일반 신경망 학습 결과보다 초기 가중값을 작은 범위에서 발생시킬 때 수렴 정확도 및 학습 속도에서 좋은 결과를 나타내 주고 있다.

영상처리 알고리즘 연구에 있어서 가장 어려운 부분 중 하나가 기존 알고리즘과의 성능 비교이다. 그러므로 재사용이 가능한 코드의 형태로 알고리즘을 표현하고 구현하는 것이 영상처리 연구에서는 매우 중요하다. 기존의 영상처리 시스템들은 소스코드 측면에서의 재사용을 위한 모든 조건을 지원하지 못했다. 이러한 문제를 해결하기 위하여 본 연구에서는 제너릭(generic) 프로그래밍 방법을 영상처리 알고리즘구현에 적용함으로써 소스코드 측면에서의 재사용 문제를 해결하는 방법을 제안하였다. 제안한 방법은 다른 다양한 영상 형식이 적용되더라도 같은 알고리즘 구현이 가능하도록 영상처리 알고리즘들과 알고리즘 구현을 위한 기초적인 자료 구조를 연결하는 이차원 iterator를 정의하여 사용하는 방법이다. 그리고 제안 방법의 간결함과 효율성을 확인하기 위하여 몇 개의 예제와 기존의 영상처리 알고리즘 통합 개발 환경에 이식하여 기존의 방법과 비교하였다.

The difficulties in implementing of image processing algorithms are a major reason for the lack of research into algorithm comparison. This fact makes an image processing research with difficult. We conclude that it is important to represent algorithms in form of reusable code. Since current image processing systems do not fulfill all requirements we must pose on reusable implementations, we propose to solve the reuse problem by applying generic programming. We define two dimensional iterators, which mediate between image processing algorithms and their underlying data structures, so that the same algorithm implementation can be applied to any number of different image formats. The elegance and efficiency of this approach is illustrated by a number of useful examples and demonstrated by porting in existing image processing algorithm IDE(Integrated Development Environment).