[논문]유전 알고리즘을 이용한 특징 결합과 선택

이진선

[국내논문] 유전 알고리즘을 이용한 특징 결합과 선택
Feature Combination and Selection Using Genetic Algorithm for Character Recognition 원문보기

문자 패턴에서 추출한 서로 다른 특징 집합을 결합함으로써 문자 인식 시스템의 성능을 향상시킬 수 있다. 이때 결합된 특징 벡터의 차원을 줄이기 위해 특징 선택을 수행해야 한다. 이 논문은 문자 인식 문제에서 특징 결합과 선택을 위한 일반적인 틀을 제시한다. 또한 필기 숫자 인식을 위한 설계와 구현을 제시한다. 이 설계에서는 필기 숫자 패턴에서 DDD 특징 집합과 AGD 특징 집합을 추출하며 특징 선택을 위해 유전 알고리즘을 사용한다. 실험 결과 CENPARMI 필기 숫자 데이터베이스에 대해 0.7%의 정확률 향상을 얻었다.

By using a combination of different feature sets extracted from input character patterns, we can improve the character recognition system performance. To reduce the dimensionality of the combined feature vector, we conduct the feature selection. This paper proposes a general framework for the feature combination and selection for character recognition problems. It also presents a specific design for the handwritten numeral recognition. Tn the design, DDD and AGD feature sets are extracted from handwritten numeral patterns, and a genetic algorithm is used for the feature selection. Experimental result showed a significant accuracy improvement by about 0.7% for the CENPARMI handwrittennumeral database.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이 논문에서는 특징 결합과 선택을 위한 일반적인 틀을 제시한다. 제시한 방법의 효과를 측정하기 위해 필기 숫자 인식을 위한 특정한 설계와 실험을 기술한다.

가설 설정

- 특징 결합과 선택 방법은 문자 인식 시스템의 성능향상에 매우 효과적이다.

제안 방법

논문 [4]에서는 오목모양 (concavity shape) 이나 외곽 모양 (contour shape)과 같은 특징들을 결합하였다. 이 논문은 단지적은 수의 특징만을 사용하였으며 특징 선택은 사용하지 않았다. 논문 [5]에서는 우리 논문과 비슷한 아이디어를 사용하였다.
나타낸다. 이 논문에서는 J를 계산하기 위해 신경망을 사용한다. 특징 부분집합이 주어진 부분집합 크기 요구를 만족하도록 하기 위해 부분 집합 크기가 d여야 한다는 사실을 제약 조건으로 설정하고, 이 조건을 만족하지 않는 염색체에는 벌점 (penalty)을 준다.
정확도를 보여준다. 신경망의 성능은 불안정성 (unstability)을 가지므로 서로 다른 다섯 번의 훈련과 테스트를 수행하여 그들의 평균을 제시하였다. DDD가 AGD보다 좋은 성능을 보였다.
따라서 validation 정확도는 4-fold jackknife에서 얻은 네개 정확도의 평균을 취하였다. 테스트 정확도는 테스트집합으로 측정하였다. 선택된 특징의 개수도 [표 2]에 제시하였다.

대상 데이터

1.실험

실험에서는 CENPARMI 필기 숫자 데이터베이스를 사용하였다. 이 데이터베이스는 훈련 집합이 4000개의 샘플, 테스트 집합이 2000개의 샘플을 가지고 있다.
이 데이터베이스는 훈련 집합이 4000개의 샘플, 테스트 집합이 2000개의 샘플을 가지고 있다. 실제 우편물에서 추출한 샘플이어서 객관적인 성능 실험에 많이 사용되고 있는 데이터베이스이다.
512-차원의 특징 벡터에서 200~300개의 특징을 선택하기 위해 약 1주일의 시간이 소요되었다. 이러한 느린 속도 문제를 해결하기 위해 Beuwulf로 구현한 Linux 클러스터 컴퓨터를 사용하였다. 이 클러스터 컴퓨터는 1GHz dual Pentium 프로세서를 갖는 노드 여러 개로 구성되어 있다.

데이터처리

염색체의 적합도를 측정하기 위해 4-fold jackknife 기법을 사용하였다. 따라서 validation 정확도는 4-fold jackknife에서 얻은 네개 정확도의 평균을 취하였다. 테스트 정확도는 테스트집합으로 측정하였다.

이론/모형

DDD와 AGD라는 두 개의 특징 집합을 추출하며 이들을 단순히 붙여 결합한다. 유전 알고리즘을 이용하여 특징 선택을 수행하며 분류기로는 모듈러 신경망을 사용하였다. 실험 결과 CENPARMI 숫자 데이터베이스에 대해 0.
특징 추출을 위해서는 두 개의 알고리즘, DDD (Directional Distance Distribution) s]- AGD(Area- based Gradient Distribution)# 사용하였다. 각각 256-차원을 갖는다.
아래에서 두 가지 특징 벡터와 분류를 위한 모듈러 신경망을 기술한다. 특징 선택을 위해서는 유전 알고리즘을 사용하였다. 특징 선택 과정은 그 중요성 때문에 HI장에서 따로 기술한다.
분류기를 위해서는 논문 [11]이 제안한 부류-모듈러신경망 구조를 사용하였다. 이 구조는 10개의 부 신경망으로 구성되는데, 각 부 신경망은 10개의 숫자 부류 중의 하나를 책임진다.
유전 알고리즘이 할 일은 D개의 특징으로부터 최적의 성능을 갖는 d 개를 선택하는 것이다. 우리가 사용한 알고리즘은 참고문헌 [12]에 있는 알고리즘에 기초를 두며, 아래에 있는 안정형(steady-state) 제어 구조를 사용한다.
300 사이로 지정하였다. 염색체의 적합도를 측정하기 위해 4-fold jackknife 기법을 사용하였다. 따라서 validation 정확도는 4-fold jackknife에서 얻은 네개 정확도의 평균을 취하였다.

성능/효과

유전 알고리즘을 이용하여 특징 선택을 수행하며 분류기로는 모듈러 신경망을 사용하였다. 실험 결과 CENPARMI 숫자 데이터베이스에 대해 0.7%의 정확률 향상을 얻었다. 우리가 얻은 정확률은 현재 문헌에 보고된 state-of-the-art 성능과 비슷하거나 우수하다.
DDD가 AGD보다 좋은 성능을 보였다. DDD와 AGD를 결합한 특징 벡터가 DDD만 사용했을 때보다 열등한 성능을 보였다. 다섯 번의 평균 성능은 DDD, AGD, DDD+AGD7} 각각 97.
DDD와 AGD를 결합한 특징 벡터가 DDD만 사용했을 때보다 열등한 성능을 보였다. 다섯 번의 평균 성능은 DDD, AGD, DDD+AGD7} 각각 97.46%, 95.94%, 97.09%이다. 이 성능은 단순 결합이 항상 성능 향상을 가져오지는 않는다는 것을 보여주었다.
46%이다. 이 사실로부터 우리가 제안한 특징 결합과 선택 방법으로 0.69%의 성능 향상을 얻었음을 알 수 있다. 선택된 특징 벡터는 272개의 특징을 가지므로 DDD 특징 벡터에 비해 단지 16개 특징을 더 갖는다.
우리가 얻은 인식 성능은 state-of-the-art 기술의 성능과 비슷하거나 우수하였다. 이 논문의 또 다른 공헌은 유전 알고리즘이 특징 결합과 선택 방법을 구현하는데 좋은 도구임을 보인 것이다.

후속연구

문자 인식을 위한 특징 결합과 선택 기법에 대한 일반적인 틀과 특정 설계를 기술하였다 제안한 방법은 단순하지만 효과적인 성능 향상을 기대할 수 있다. 필기 숫자 인식을 이용한 실험으로 이러한 성능 향상을 입증하였다.
특징 수준의 결합과 분류기 수준의 결합을 동시에 사용하는 접근 방법을 중요한 향후 연구로 고려하고 있다이 접근 방법은 또 다른 큰 성능 향상을 제공할 것으로 기대된다 또 다른 향후 연구로는 유전 알고리즘의 속도향상이다 약한 특징을 미리 제거하는 방법도 고려 대상이다. 보다 많은 특징 벡터를 사용하고 그들 간의 상호보완성을 고려하는 것도 향후 연구 중의 하나이다.
보다 많은 특징 벡터를 사용하고 그들 간의 상호보완성을 고려하는 것도 향후 연구 중의 하나이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 유전 알고리즘을 이용한 특징 결합과 선택
Feature Combination and Selection Using Genetic Algorithm for Character Recognition 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

1.실험

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 유전 알고리즘을 이용한 특징 결합과 선택 Feature Combination and Selection Using Genetic Algorithm for Character Recognition 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

1.실험

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

이진선 (12)

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 유전 알고리즘을 이용한 특징 결합과 선택
Feature Combination and Selection Using Genetic Algorithm for Character Recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper