[논문]패턴 인식문제를 위한 유전자 알고리즘 기반 특징 선택 방법 개발

박창현; 김호덕; 양현창; 심귀보

doi:10.5391/jkiis.2006.16.4.466

패턴 인식문제를 위한 유전자 알고리즘 기반 특징 선택 방법 개발
Genetic Algorithm Based Feature Selection Method Development for Pattern Recognition 원문보기

퍼지 및 지능시스템학회 논문지 = Journal of fuzzy logic and intelligent systems, v.16 no.4, 2006년, pp.466 - 471

박창현 (중앙대학교 전자전기공학부) , 김호덕 (중앙대학교 전자전기공학부) , 양현창 (중앙대학교 전자전기공학부) , 심귀보 (중앙대학교 전자전기공학부)

초록
AI-Helper

패턴 인식 문제에서 중요한 전처리 과정 중 하나는 특정을 선택하거나 추출하는 부분이다. 특정을 추출하는 방법으로는 PCA가 보통 사용되고 특정을 선택하는 방법으로는 SFS 나 SBS 등의 방법들이 자주 사용되고 있다. 본 논문은 진화 연산 방법으로써 비선형 최적화 문제에서 유용하게 사용되어 지고 있는 유전자 알고리즘을 특정 선택에 적용하는 유전자 알고리즘 특정 선택 (Genetic Algorithm Feature Selection: GAFS)방법을 개발하여 다른 특징 선택 알고리즘과의 비교를 통해 본 알고리즘의 성능을 관찰한다.

Abstract ▼ AI-Helper

IAn important problem of pattern recognition is to extract or select feature set, which is included in the pre-processing stage. In order to extract feature set, Principal component analysis has been usually used and SFS(Sequential Forward Selection) and SBS(Sequential Backward Selection) have been used as a feature selection method. This paper applies genetic algorithm which is a popular method for nonlinear optimization problem to the feature selection problem. So, we call it Genetic Algorithm Feature Selection(GAFS) and this algorithm is compared to other methods in the performance aspect.

주제어

AI 본문요약
AI-Helper

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

문제 정의

그리고 개체가 속한 환경에 얼마나 잘 맞는가를 측정하는 목적 함수를 이용하여 최적의 개체만이 선택되고 좀 더 나은 개체로 진화되는 과정을 반복함으로써 결국 최적 해에 도달하도록 하는 알고리즘이다. 본 논문에서는 특징 선택을 위해 위의 그림과 같은 방법으로 GAFS을 제안하였다[10]. 초기에 해 집합을 생성할 때는 목적함수에서 필요한 변수의 개수에 맞춰 염색체 길이를 조정한다.

가설 설정

(3) 특징 선택이 성공적인 경우에 SER이 증가할 것이고 그렇기 때문에 신호의 회복이 더 쉬워질 것이다.

제안 방법

본 논문에서는 3가지의 특징 선택 방법을 다루었다. 일반적으로 많이 쓰이는 방법인 SFS와 본 논문에서 제안하는 IFS 및 GAFS의 알고리즘을 설명하였고 특정함수를 평가함수로 적용하여 각 알고리즘별 적합도 추이를 살펴보았다.
앞 절들에서는 3가지 특징 선택 방법을 설명하였다. 본 절에서는 3가지 특징 선택을 다음의 함수에 적용하여 각각의 성능을 평가한다.
그러나 실질적으로 Feature selection method를 사용해야하는 경우는 분명한 교사 값을 갖기 어려운 경우이기 때문에 비교사 값을 사용한 방법이 유용할 것이다. 이러한 두 방법의 문제점을 해결할 수 있는 방법으로 교사와 비교사 학습의 중간지점에 위치한 강화학습을 사용하는 방법을 제안한다.
일반적으로 많이 쓰이는 방법인 SFS와 본 논문에서 제안하는 IFS 및 GAFS의 알고리즘을 설명하였고 특정함수를 평가함수로 적용하여 각 알고리즘별 적합도 추이를 살펴보았다. 그 결과 최고 적합도는 IFS와 GAFS가 SFS 보다 좋았고 수렴까지의 세대수는 SFS가 가장 짧았다.
특징 벡터와 클래스 간의 상호 정보 는 클래스의 불확실성이 특징 벡터에 의해 어느 정도 감소했는지를 측정한다.

이론/모형

특히 floating search 방법에는 sequential forward selection 혹은 sequential backward selection method가 자주 사용되고 있다. Chui Min 과 Shrinkanth 는 forward selection(FS) method를 사용하였고[2], Dimitrios 와 Constantine은 Sequential floating for ward selection algorithm을 사용하여 87개의 feature set으로부터 10 개의 best features를 선택하여 실험하였다. Yi-Lin 과 Gang 또한 Sequential forward selection을 사용하여 39개의 후보 Feature set에서 최적의 Feature subset을 선택하였고[5] Fabian et al.

성능/효과

(1) 고차원 데이터보다 저차원 데이터가 시각화에 용이하다. (2) 저차원 데이터 분석이 계산 효율성 면에서 좋다.
용이하다. (2) 저차원 데이터 분석이 계산 효율성 면에서 좋다.
그래서 그림 3-8에서 나타난 세대별 Feature의 개수는 사용자가 미리 결정한 것이고 위의 선은 그때의 적합도를 나타낸 것이다. 1개에서 2개로 늘렸을 때는 성능이 선형적으로 증가했으나 3개로 늘렸을 때는 3세대 동안 다른 특징 집합을 선정하는 작업을 거쳐서 좋은 적합도를 보이는 결과를 찾을 수 있었고 4개로 증가시켰을 때도 3세대 동안 다른 특징 집합을 선정하는 작업을 거쳐서 46.8에 가까운 값으로 증가하였다.
일반적으로 많이 쓰이는 방법인 SFS와 본 논문에서 제안하는 IFS 및 GAFS의 알고리즘을 설명하였고 특정함수를 평가함수로 적용하여 각 알고리즘별 적합도 추이를 살펴보았다. 그 결과 최고 적합도는 IFS와 GAFS가 SFS 보다 좋았고 수렴까지의 세대수는 SFS가 가장 짧았다. 그러나, GAFS의 경우 개체군의 수를 늘인 경우 SFS보다도 훨씬 빠른 세대수에서 수렴하였고 이러한 결과로 미루어 GAFS와 IFS의 성능이 성능과 속도면에서 꽤 높은 장점을 보임을 확인할 수 있었다.
그 결과 최고 적합도는 IFS와 GAFS가 SFS 보다 좋았고 수렴까지의 세대수는 SFS가 가장 짧았다. 그러나, GAFS의 경우 개체군의 수를 늘인 경우 SFS보다도 훨씬 빠른 세대수에서 수렴하였고 이러한 결과로 미루어 GAFS와 IFS의 성능이 성능과 속도면에서 꽤 높은 장점을 보임을 확인할 수 있었다. 하지만, 문제점도 있는데 GAFS나 SFS의 경우 평가함수에 특징들을 적용하여 적합도를 계산할 경우 함수식이 정해져 있는 경우에는 문제가 없으나 적용하려고하는 패턴인식 문제에서는 인식율이 적합도를 의미한다.

후속연구

IFS의 경우는 filter 와 wrapper 방식의 혼용으로써 전자의 경우에는 앞의 문제에 서 자유로울 수 있으나 두 번째 단계에서는 마찬가지의 문제가 있다. 차후 이 문제에 대한 해결방안이 필요할 것이다.

참고문헌 (10)

D. Ververidis and C. Kotropoulos, 'Emotional speech classification using Gaussian mixture models,' Proceedings of ISCAS, vol. 3, pp. 2871-2874, May, 2005
C.M. Lee and S.S Narayanan, 'Toward detecting emotions in spoken dialogs,' IEEE Transactions on Speech and Audio Processing, vol.13, pp. 293-303, March, 2005

상세보기
J. Wagner, J.H. Kim, and E. Andre, 'From Physiological Signals to Emotions: Implementing and Comparing Selected Methods for Feature Extraction and Classification,' Proceedings of ICME, pp.940-943, July, 2005
P. Pudil and J. Novovicova, 'Novel Methods for Subset Selection with Respect to Problem knowledge,' IEEE Intelligent Systems, pp. 66-74, March,1998

상세보기
Y.L. Lin and W. Gang, 'Speech Emotion Recognition based on HMM and SVM,' Proceedings of Machine Learning and Cybernetics, Vol.8, pp. 4898-4901, Aug, 2005
F. Morchen, A. Ultsch, M. Thies and I. Lohken, 'Modeling Timbre Distance With Temporal Statistics From Polyphonic Music,' IEEE transaction on Audio,Speech and Language Processing, Vol.14, Issue 1, pp. 81-90, Jan. 2006

상세보기
E.F. Combarro, E. Montanes, I. Diaz, J. Ranilla, and R. Mones, 'Introducing a Family of Linear Measures for Feature Selection m Text Categorization,' IEEE transactions on Knowledge and Data Engineeringl, Vol.17, No.9, pp. 1223-1232, Sept., 2005

상세보기
R.S. Sutton and A.G. Barto, Reinforcement Learning :An Introduction, A bradford book,London, 1998
Z. Michalewicz, Genetic Algorithms + Data Structures Evolution Programs, Springer, North Carolina, 1999
C.H. Park and K.B. Sim, 'The Implementation of the Emotion Recognition from Speech and Facial Expression System,' Proc. of ICNC'05-FSKD'05, pp. 85-88, Aug. 27-29, 2005

상세보기

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

패턴 인식문제를 위한 유전자 알고리즘 기반 특징 선택 방법 개발
Genetic Algorithm Based Feature Selection Method Development for Pattern Recognition 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

패턴 인식문제를 위한 유전자 알고리즘 기반 특징 선택 방법 개발 Genetic Algorithm Based Feature Selection Method Development for Pattern Recognition 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

박창현 (12) 김호덕 (12) 양현창 (14) 심귀보 (215)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

패턴 인식문제를 위한 유전자 알고리즘 기반 특징 선택 방법 개발
Genetic Algorithm Based Feature Selection Method Development for Pattern Recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper