Earticle

본 논문에서는 서포트 벡터 머신(Support Vector Machine: SVM) 기법을 사용하여 드론과 조류의 움직임을 고려하여 생성된 마이크로 도플러 신호를 분석하여 드론과 조류를 구별하는 시뮬레이션 연구를 제시하였다. 두 개체의 스펙트로그램에서 얻은 시간-주파수 특징은 분류를 위해 평균 스펙트럼 프로파일로 변환된다. SVM 분류기는 신호의 스펙 트로그램을 활용하여 학습되며, 드론과 조류의 동작 매개변수(드론 속도, 드론 블레이드 회전, 조류 날갯짓)의 변동성을 종합적으로 고려하여 분석되었다. 제안된 방법은 드론 블레이드 회전 속도 2,000rpm(±25% 잡음)과 본체 속도 8m/s(±50% 잡음)를 기반으로 한 학습 신호를 사용하여 블레이드 회전 속도가 1,600rpm 정도로 낮은 경우에도 거의 100%의 분류 정확도를 보였다. 블레이드 회전으로 인한 도플러 주파수가 본체 이동에 의한 도플러 주파수보다 상당히 높기 때문에 본체 속도가 분류 성능에 미치는 영향은 무시할 수 있다. 본 연구 결과는 소형 드론을 구별하는 데 있어 SVM 기반 분류 기술의 효과를 제시하였으며, 이 방법의 계산 효율성 측면에서 실시간 감시 시나리오에 매우 적합할 것으로 판단된다.

In this paper, a simulation study for distinguishing between drones and birds by analyzing simulated radar micro-Doppler signatures using a Support Vector Machine (SVM) classifier is presented. Time-frequency features obtained from spectrograms are condensed into average spectral profiles for classification purposes. The SVM classifier is trained using these spectrogram-based features, incorporating variability in drone and bird motion parameters to improve its generalization capability. Results show that with training signals based on a drone rotor speed of 2,000rpm(±25% noise) and body speed of 8m/s(±50% noise), the classifier achieved nearly 100% accuracy for test cases with rotor speeds as low as 1,600rpm. Since the Doppler frequency generated by wing rotation is significantly higher than that produced by body translation, the effect of body velocity on classification performance is negligible. The results confirm the effectiveness of the SVM-based technique in small drone discrimination, and its computational efficiency makes it well-suited for real-time surveillance scenarios.

도로의 결빙, 적설, 젖음 등 기상상황 및 표면 상태에 의한 안전사고 발생은 지속적으로 발생하고 있는 상황이다. 이 는 운전자 본인의 부주의 및 안전 운전의식 부족 등 개인의 역량에 기인하는 부문도 있지만, 도로관리 주체(정부 및 공 공 등)의 도로 상태 정보제공 미흡으로 인한 경우도 있어 이와 관련된 연구의 필요성이 대두되고 있는 추세이다. 본 연 구는 카메라(Stereo camera)의 영상 정보를 수집하여, 편광계수 및 웨이블릿 변환(Wavelet transform) 등을 통해 기존의 단 일 차원 분류알고리즘과 달리 다차원 분석이 가능한 SVM 분류기법을 활용하여 노면상태 판별 알고리즘을 개발하였으 며, 실제 도로상에서 4개의 상태(마른노면, 젖은노면, 적설노면, 결빙노면)에 대한 검지 인식 성공률을 실험 및 분석하였 다.

Road's accidents caused by Ice, snow, Wet of roads surface conditions and weather conditions situations that are constantly occurring. That is, driver's negligence and safe driving ability of individuals due to lack of awareness, and Road management main agent(the government and the public, etc.) due to road conditions, if there is insufficient information. So Related research needs is a trend that is required. In this study, gather Camera(Stereo camera)'s image data, and analysis polarization coefficients and wavelet transform. And unlike traditional single-dimensional classification algorithms as multi-dimensional analysis by using SVM classification techniques, develop an algorithm to determine road conditions. Four on the road conditions (dry, wet, snow, ice) recognition success rate for the detection and analysis of experiments.

본 논문에서는 사용자의 EEG(Electroencephalogram)신호를 측정하여 SVM(Support Vector Machine) 알 고리즘을 이용하여 EEG 신호룰 분류하고 신호의 정확도를 측정하였다. 사용자의 EEG 신호를 측정하기 위해 남·여를 구분하여 실험을 진행하였으며, EEG 신호 측정은 단채널 EEG 디바이스를 이용하였다. EEG 디바이스를 이용하여 사용 자의 EEG 신호를 측정한 결과는 R을 이용하여 분석하였다. 또한 SVM의 분류 성능이 최고가 되는 특정 벡터의 조합을 적용시켜 EEG 측정 실험 데이터를 80:20(훈련 데이터: 테스트 데이터) 비율로 예측해 본 결과 인식률 93.2% 의 예측 정확도를 보였다. 본 논문에서는 사용자의 EEG 신호를 약 93.2% 정도로 인식할 수 있었으며, SVM 알고리즘의 간단한 선형 분류만으로 수행이 가능하다는 점은 EEG 신호를 이용하여 생체인증에 다양하게 활용될 수 있음을 제시하였다.

In this paper, we measured the user's EEG signal and classified the EEG signal using the Support Vector Machine algorithm and measured the accuracy of the signal. An experiment was conducted to measure the user's EEG signals by separating men and women, and a single channel EEG device was used for EEG signal measurements. The results of measuring users' EEG signals using EEG devices were analyzed using R. In addition, data in the study was predicted using a 80:20 ratio between training data and test data by applying a combination of specific vectors with the highest classifying performance of the SVM, and thus the predicted accuracy of 93.2% of the recognition rate. This paper suggested that the user's EEG signal could be recognized at about 93.2 percent, and that it can be performed only by simple linear classification of the SVM algorithm, which can be used variously for biometrics using EEG signals.

본 연구는 여러 단어로 구성된 기억 단서에 의해 유발된 뇌파를 이용하여 목격 여부를 우연 수준 이상으로 구별할 수 있는지 알아보기 위해 수행되었다. Ham, Kim과 Jeong(2018)의 연구에서 수집한 사건관련전위 자료(n=69)를 재분석하여 선형 서포트 벡터 머신(support vector machine, SVM) 분류 모델의 정확성을 평가했다. 참가자들마다 절도 범죄를 재연한 동영상에서 목격할 수 있었던 물건과 목격하지 않은 물건을 정확하게 분류한 적중 시행과 정확 기각 시행의 뇌파가 분석에 이용되었다. 선형 SVM 커널을 이용하여 뇌파를 분류한 결과, 기억 단서 제시 후 800∼850ms 구간에서 분류 정확률 평균이 57.43%로 가장 높았다. 이런 결과는 기억 단서가 제시되었을 때 이 단서와 관련된 세부적인 정보 인출이 이뤄지는 것으로 여겨지는 구간의 뇌파를 분석하여 목격 여부를 구별할 수 있음을 시사한다. 마지막으로 수사 현장에서 뇌파를 활용할 때 고려해야 할 점에 대해 논의하였다.

The focus of this study was discriminating the eyewitness memory using single-trial electroencephalogram (EEG) evoked by memory cues composed of multiple words. We reanalyzed the event-related potentials (ERP) data (n=69) from Ham, Kim, & Jeong (2018) studies, and two-class classification was conducted to distinguish correctly witnessed objects vs unwitnessed objects trials using linear support vector machine (SVM) algorithm. The single-trial classification analysis showed the post-stimulus EEG activity between 800 to 850 ms was the most accurate interval for the memory classification (57.43%). This result suggests that the EEG during memory retrieval can be used to determine whether or not it is witnessed. Finally, we discussed some points to consider when using EEG for eyewitness memory classification.

With the very fast development in today`s digital world, Information Retrieval on Internet is gaining importance, day by day. The web comprises of huge amount of data and search engine provides an efficient way to navigate the web and get the relevant information. The search engine has proven to be less efficient in providing relevant information from a query processed by a user. Fors olving this problem and getting accurate results there is need to categorize these web pages. Many optimizations have also done to speedup the classification process as it is required to be fast while maintaining the efficiency. To maintain the accuracy with the lesser time requirement, researchers have developed a SVM based Layered approach with the help of firefly feature selection method.

This paper proposes a support vector machine (SVM) based power system voltage stability classifier using local measurement data. The excellent performance of the SVM in the classification related to time-series prediction matches the real-time data of PMU for monitoring power system dynamics. The methodology for fast monitoring of the system is initiated locally which aims to leave sufficient time to perform immediate corrective actions to stop system degradation by the effect of major disturbances. This paper briefly describes the mathematical background of SVM, and explains the procedure for fast classification of voltage stability using the SVM algorithm. To illustrate the effectiveness of the classifier, this paper includes numerical examples with a 11-bus test system.

본 논문은 비 접근 지역에 존재하는 관심물체의 위치를 고해상도 광학 위성영상을 이용하여 찾아내기 위한 방법을 제안한다. 관심물체는 정확하게 규정된 크기와 모양을 갖는 것이 아니라, 개념적으로 유사한 패턴을 가진 물체들의 집합이다. 본 논문에서는 유사 객체 검색에서 Histogram of Gradients (HOG) feature를 이용하여 입력 영상의 관심물체의 특징을 추출하고, 추출된 특징 데이터를 이용하여 다른 영상들의 관심물체를 탐색하는 Support Vector Machine (SVM) 학습 및 분류기를 개발하였다. 제안한 방법은 관심물체를 자동으로 찾아줌으로써, 넓은 영역에서 수동으로 관심물체를 탐색하는데 소요되는 시간과 노력을 줄일 수 있는 효과가 있음을 확인하였다.

In this paper, we propose a method to detect interesting objects in inaccessible areas using high resolution satellite images. We define the interesting objects as a set of objects which have conceptually similar image patterns, not having exact sizes or shapes. In this paper, we developed a learning and classifier of Support Vector Machine (SVM) that extracts characteristic data for inputted images using Histogram of Gradients (HOG) feature and detects similar objects in other images using the characteristic data. As automatic search of interesting objects in our proposed method, we identify that our method provides reduced time and efforts for manual searching similar objects.

본 논문에서는 한국인의 대표질환 중 하나인 만성 간염에 대한 질환 감수성을 예측하기 위해서 Single Nucleotide Polymorphism 데이타와 대표적인 기계학습 기술인 Support Vector Machine을 이용하였다. 실험을 위한 데이타로 만성간염 환자 173명과 정상인 155명의 SNP 데이타를 사용하였으며, 평가를 위한 방법으로는 Leave-One-Out Cross Valication을 사용하였다. 실험결과 SNP 데이터만으로는 67.1%의 예측 결과를 얻었으며 기본적인 건강요소인 나이와 성별을 특징요소로 사용함으로서 74.9%의 예측 결과를 보였다. 향후 보다 많은 SNP 데이타와 건강관련정보 그리고 생활패턴에 대한 요소들을 특징요소로 감수성 예측에 함께 사용한다면, SVM은 만성 간염 예측을 위한 보다 효과적인 도구가 될 것이다.

In this paper, we use Support Vector Machine to predict the susceptibility of chronic hepatitis from single nucleotide polymorphism data. Our data set consists of SNP data for 328 patients based on 28 SNPs and patients classes(chronic hepatitis, healthy). We use leave-one-out cross validation method for estimation of the accuracy. The experimental results show that SVM with SNP is capable of classifying the SNP data successfully for chronic hepatitis susceptibility with accuracy value of 67.1%. The accuracy of all SNPs with health related feature(sex, age) is improved more than 7%(accuracy 74.9%). This result shows that the accuracy of predicting susceptibility can be improved with health related features. With more SNPs and other health related features, SVM prediction of SNP data is a potential tool for chronic hepatitis susceptibility.

It is important that the training stage of a supervised classification is designed to provide the spectral information. On the design of the training stage of a classification typically calls for the use of a large sample of randomly selected pure pixels in order to characterize the classes. Such guidance is generally made without regard to the specific nature of the application in-hand, including the classifier to be used. An approach to the training of a support vector machine (SVM) classifier that is the opposite of that generally promoted for training set design is suggested. This approach uses a small sample of mixed spectral responses drawn from purposefully selected locations (geographical boundaries) in training. A sample of such data should, however, be easier and cheaper to acquire than that suggested by traditional approaches. In this research, we evaluated them against traditional approaches with high-resolution satellite data. The results proved that it can be used small mixed pixels to derive a classification with similar accuracy using a large number of pure pixels. The approach can also reduce substantial costs in training data acquisition because the sampling locations used are commonly easy to observe.

모바일 단말은 다양한 서비스와 컨텐츠를 지원하지만, 최근 모바일 악성코드의 급증으로 인하여 사용자에게 개인 정보 유출, 요금 과다 등의 피해를 초래하고 있다. 특히, 안드로이드 플랫폼은 오픈 플랫폼으로서 공격자들이 악성코드를 배포하기에 유리한 환경을 가지고 있어 시그니처/행위기반 분석방법을 통한 악성코드 탐지 연구가 활발히 진행되고 있다. 본 논문에서는 안드로이드 플랫폼에서 악성코드를 탐지하기 위한 Feature를 선정하였다. 또한 SVM(Support Vector Machine) 기계학습 알고리즘을 통하여 악성코드 탐지성능을 분석하고 우수성을 검증하였다.

Image analysis algorithm for the quality evaluation of ginseng seedling was investigated. The images of ginseng seedling were acquired with a color CCD camera and processed with the image analysis methods, such as binary conversion, labeling, and thinning. The processed images were used to calculate the length and weight of ginseng seedlings. The length and weight of the samples could be predicted with standard errors of 0.343 mm, and 0.0214 g respectively, $R^2$ values of 0.8738 and 0.9835 respectively. For the evaluation of the three quality grades of Gab, Eul, and abnormal ginseng seedlings, features from the processed images were extracted. The features combined with the ratio of the lengths and areas of the ginseng seedlings efficiently differentiate the abnormal shapes from the normal ones of the samples. The grade levels were evaluated with an efficient pattern recognition method of support vector machine analysis. The quality grade of ginseng seedling could be evaluated with an accuracy of 95% and 97% for training and validation, respectively. The result indicates that color image analysis with support vector machine algorithm has good potential to be used for the development of an automatic sorting system for ginseng seedling.

(Purpose) This study aims to examine the factors influencing the foundational aspects of Affirmative Action in the Korean educational sector, to determine their relative importance, and to analyze how the characteristics of Affirmative Action measures vary according to the characteristics of these influencing factors. (Design/methodology/approach) The data for this analysis is derived from a 2022 survey conducted by the Korea Institute of Public Administration, targeting the entire population, and employs the Support Vector Machine (SVM) method from machine learning for the analysis. (Findings) The analysis shows that the importance of factors influencing the foundation of Affirmative Action are in the order of household income, region, education level, gender, occupation, and age. As for the interaction effects of the independent variables, a more positive perception of the foundation for Affirmative Action is observed in rural areas compared to urban areas. Additionally, from the perspective of household income, it can be said that individuals with incomes in the range of 1 to 2 million KRW, which indicates a lower income level, support the active introduction of programs based on these measures. (Research implications or Originality) These results suggest that when applying Affirmative Action policies in the educational sector, it is necessary to choose a differentiated, customized approach that considers characteristics by income level, region, gender, and age.

인간의 감성은 개인이 생활을 통하여 갖게 되는 자신의 기준에 의하여 동일한 외부자극에 대해서 다양하게 나타난다. 대부분 우리는 인간이 수행하는 각각의 행동들을 통해 문제 해결을 위한 감성의 변화와 생각, 사고의 절차 등을 인지할 수 있기 때문에 감성은 인간의 작업 능력과 정보 분석 및 해결 등의 문제들과 밀접하게 관계가 있다. 본 논문에서는 이미지의 내재 정보에서 특징점을 추출하고 추출한 특징점을 SVM 알고리즘을 이용하여 학습시킨 후 결과 클래스를 러셀 평면 좌표계에 맵핑함으로써 이미지의 감성 정보를 추출하는 연구를 진행하였다.

인간의 감성은 개인이 생활을 통하여 갖게 되는 자신의 기준에 의하여 동일한 외부자극에 대해서 다양하게 나타난다. 대부분 우리는 인간이 수행하는 각각의 행동들을 통해 문제 해결을 위한 감성의 변화와 생각, 사고의 절차 등을 인지할 수 있기 때문에 감성은 인간의 작업 능력과 정보 분석 및 해결 등의 문제들과 밀접하게 관계가 있다. 본 논문에서는 이미지의 내재 정보에서 특징점을 추출하고 추출한 특징점을 SVM 알고리즘을 이용하여 학습시킨 후 결과 클래스를 러셀 평면 좌표계에 맵핑함으로써 이미지의 감성 정보를 추출하는 연구를 진행하였다.

본 논문은 의료 영상에 대한 효과적인 분류와 검색을 위한 알고리즘을 제안한다. 영상 분류와 검색을 위해서 MPEG-7 표준 기술자인 색 구조 기술자와 경계선 히스토그램 기술자를 사용해 영상들에 대한 특징 값을 추출한다. 이렇게 구해진 특징 값들을 의료 영상의 분류와 검색에 적용해 본 결과 비교적 낮은 성능을 보여줌을 확인하고 앞서 구해진 특징 값들을 교사 학습 방법인 SVM(Support Vector Machine)과 비교사 학습 방법인 FCM(Fuzzy C-means Clustering)에 적용시켰다. 기존 연구에서는 SVM과 FCM의 통합으로 의료 영상에 대한 분류와 검색을 시행하였지만 본 논문에서 실험한 결과 SVM과 MPEG-7 시각 기술자 중에 하나인 EHD(Edge Histogram Descriptor)를 가중치 선형 결합하여 실험한 결과가 더 정확한 분류와 높은 검색 성능을 나타냄을 확인하였다.