본 논문에서는 정지하고 있는 배경에서 움직이는 목표물을 식별하기 위해 PDR(pulse doppler radar)을 이용하여 수집한 복소수 신호를 처리하는 복소수 SVM(support vector machine)을 제안한다. SVM은 패턴인식 분야에서 널리 이용되나 분류에 이용되는 특징이 대부분 실수 데이터이다. 제안된 복소수 SVM은 실수 데이터, 허수 데이터 정보와 실수부와 허수부 사이의 교차 정보를 모두 이용하여 이동하는 목표물의 분류를 수행한다. 복소수 SVM을 설계하기 위해 최적화 조건 적용 시 실수축과 허수축에 대한 슬랙변수를 고려하였고, 복소수 데이터에 대한 KKT(Karush-Kuhn-Tucker) 조건을 이용하였다. 또한 복소수 거리를 이용한 RBF(radial basis function)를 커널함수로 적용하였다. 제안된 복소수 SVM의 성능을 평가하기 위해 PDR 센서로 수집된 복소 데이터를 기존의 SVM과 복소수 SVM을 이용하여 분류한 결과 기존의 SVM에 비해 복소수 SVM의 식별결과가 개와 사람 각각 8%, 10% 향상되었다.
본 논문에서는 정지하고 있는 배경에서 움직이는 목표물을 식별하기 위해 PDR(pulse doppler radar)을 이용하여 수집한 복소수 신호를 처리하는 복소수 SVM(support vector machine)을 제안한다. SVM은 패턴인식 분야에서 널리 이용되나 분류에 이용되는 특징이 대부분 실수 데이터이다. 제안된 복소수 SVM은 실수 데이터, 허수 데이터 정보와 실수부와 허수부 사이의 교차 정보를 모두 이용하여 이동하는 목표물의 분류를 수행한다. 복소수 SVM을 설계하기 위해 최적화 조건 적용 시 실수축과 허수축에 대한 슬랙변수를 고려하였고, 복소수 데이터에 대한 KKT(Karush-Kuhn-Tucker) 조건을 이용하였다. 또한 복소수 거리를 이용한 RBF(radial basis function)를 커널함수로 적용하였다. 제안된 복소수 SVM의 성능을 평가하기 위해 PDR 센서로 수집된 복소 데이터를 기존의 SVM과 복소수 SVM을 이용하여 분류한 결과 기존의 SVM에 비해 복소수 SVM의 식별결과가 개와 사람 각각 8%, 10% 향상되었다.
In this paper, we propose a complex-valued support vector machine (SVM) classifier which process the complex valued signal measured by pulse doppler radar (PDR) to identify moving targets from the background. SVM is widely applied in the field of pattern recognition, but features which used to class...
In this paper, we propose a complex-valued support vector machine (SVM) classifier which process the complex valued signal measured by pulse doppler radar (PDR) to identify moving targets from the background. SVM is widely applied in the field of pattern recognition, but features which used to classify are almost real valued data. Proposed complex-valued SVM can classify the moving target using real valued data, imaginary valued data, and cross-information data. To design complex-valued SVM, we consider slack variables of real and complex axis, and use the KKT (Karush-Kuhn-Tucker) conditions for complex data. Also we apply radial basis function (RBF) as a kernel function which use a distance of complex values. To evaluate the performance of the complex-valued SVM, complex valued data from PDR were classified using real-valued SVM and complex-valued SVM. The proposed complex-valued SVM classification was improved compared to real-valued SVM for dog and human, respectively 8%, 10%, have been improved.
In this paper, we propose a complex-valued support vector machine (SVM) classifier which process the complex valued signal measured by pulse doppler radar (PDR) to identify moving targets from the background. SVM is widely applied in the field of pattern recognition, but features which used to classify are almost real valued data. Proposed complex-valued SVM can classify the moving target using real valued data, imaginary valued data, and cross-information data. To design complex-valued SVM, we consider slack variables of real and complex axis, and use the KKT (Karush-Kuhn-Tucker) conditions for complex data. Also we apply radial basis function (RBF) as a kernel function which use a distance of complex values. To evaluate the performance of the complex-valued SVM, complex valued data from PDR were classified using real-valued SVM and complex-valued SVM. The proposed complex-valued SVM classification was improved compared to real-valued SVM for dog and human, respectively 8%, 10%, have been improved.
그러나 PDR 센서로 취득되는 데이터는 복소수 형태로 기존의 SVM을 이용하여 분류기를 설계할 경우 허수 데이터의 정보와 실수부와 허수부 사이의 교차 정보를 잃게 된다. 따라서 본 논문에서는 기존의 SVM에서 무시되는 허수 데이터 정보, 실수부와 허수부 사이의 교차 정보를 고려하는 SVM을 제안한다. 기존의 SVM과 제안된 SVM을 구분하기 위해 기존의 SVM은 실수 SVM(real-valued SVM), 제안된 SVM은 복소수 SVM(complex-valued SVM)이라 한다.
제안 방법
따라서 본 논문에서는 실수 SVM 분류기에서 무시되었던 복소수 정보를 포함하여 분류하는 복소수 SVM 알고리즘을 제안한다. 제안된 복소수 SVM의 핵심은 실수 및 허수 정보를 모두 이용하는 거리 척도를 사용하는 것이다. 제안된 복소수 SVM의 성능을 비교하기 위해 분류 목표물이 개와 사람인 경우를 대상으로 성능 검증을 하였다.
복소수 SVM과 실수 SVM의 차이는 초월평면의 폭을 최대로 하는 최적화 식에서의 오분류를 처리하는데 실수축과 허수축에 대한 두 개의 슬랙변수(ξ, ζ)가 필요하다는 것과, KKT 조건 적용 시 목적함수에 복소공액 전치를 이용하는 것이다. 또한 다차원 공간으로 사상시키는 커널함수 사용 시 실수간의 거리가 아닌 복소수 거리를 사용하는 것이다.
대상 데이터
제안된 복소수 SVM의 핵심은 실수 및 허수 정보를 모두 이용하는 거리 척도를 사용하는 것이다. 제안된 복소수 SVM의 성능을 비교하기 위해 분류 목표물이 개와 사람인 경우를 대상으로 성능 검증을 하였다. 동일한 조건하에서 실수 SVM을 사용할 경우 개와 사람의 인식률을 각각 70%, 68%을 얻었고, 복소수 SVM의 경우 개와 사람 각각 78%, 78%의 인식률을 얻었음으로 제안된 복소수 SVM이 향상된 분류 성능을 나타냄을 확인하였다.
데이터처리
기존의 SVM과 제안된 SVM을 구분하기 위해 기존의 SVM은 실수 SVM(real-valued SVM), 제안된 SVM은 복소수 SVM(complex-valued SVM)이라 한다. 실수 SVM과 복소수 SVM의 성능을 비교하기 위해 PDR 센서로 취득되는 데이터를 바탕으로 분류 성능을 비교한다. PDR 센서를 이용하여 수집된 데이터를 실수 SVM과 복소수 SVM으로 분류한 결과 복소수 SVM의 성능이 더 향상됨을 보였다.
성능/효과
복소수 값을 이용하여 복소수 SVM으로 설계된 분류기의 경우 개와 사람의 인식률은 동일하게 78%이다. 즉, 실수 SVM에 비해 복소수 SVM으로 설계된 분류기의 인식률이 개와 사람 모두에서 각각 8%, 10% 개선되었다.
제안된 복소수 SVM의 성능을 비교하기 위해 분류 목표물이 개와 사람인 경우를 대상으로 성능 검증을 하였다. 동일한 조건하에서 실수 SVM을 사용할 경우 개와 사람의 인식률을 각각 70%, 68%을 얻었고, 복소수 SVM의 경우 개와 사람 각각 78%, 78%의 인식률을 얻었음으로 제안된 복소수 SVM이 향상된 분류 성능을 나타냄을 확인하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
SVM이란?
본 논문에서는 정지하고 있는 배경에서 움직이는 목표물을 식별하기 위해 PDR(pulse doppler radar)을 이용하여 수집한 복소수 신호를 처리하는 복소수 SVM(support vector machine)을 제안한다. SVM은 패턴인식 분야에서 널리 이용되나 분류에 이용되는 특징이 대부분 실수 데이터이다. 제안된 복소수 SVM은 실수 데이터, 허수 데이터 정보와 실수부와 허수부 사이의 교차 정보를 모두 이용하여 이동하는 목표물의 분류를 수행한다.
감시정찰 영역에서 표적을 탐지하기 위해서는 어떠한 것을 검출대상으로 선정해야 하는가?
특히 감시정찰 영역에서 표적을 탐지하기 위한 연구가 활발히 진행 중이다. 감시정찰 영역에서 표적을 탐지하기 위해서는 센서 탐지영역에 존재하는 지형클러터(clutter)로부터 이동하는 표적만을 검출대상으로 선정해야 한다. 따라서 이동 표적의 움직임에 따른 도플러 효과를 이용한 PDR(pulse doppler radar)을 이용하여 감시 정찰을 수행하는 감시 센서망 구축에 관한 연구가 주목받고 있다.
비선형 변환함수를 이용하여 선형분리를 할 때 생기는 단점은 무엇인가?
취득한 데이터가 선형적으로 분리가 불가능한 집합인 경우 비선형 변환함수를 이용하여 고차원의 특징 공간으로 사상시키면 선형분리가 가능해진다. 비선형 분류 평면을 위해 원래의 벡터 공간을 다차원 공간으로 확장하여 선형분류를 할 수 있지만, 일반적으로 차원을 확장하게 되면 차원이 증가함에 따라 계산량 이 증가하는 단점이 있다. 그러나 2차식 w와 f(x)는 지지벡터와 입력벡터 간의 내적 (xiHxj) 만으로 계산이 가능하므로 커널함수를 사용하여 다차원 공간의 연산을 원공간 데이터로 쉽게 계산할 수 있다.
참고문헌 (9)
이재일, 이주형, 현종우, 이종현, 배진호, 팽동국, 조정삼, 강태인, 이노복, "PDR 센서를 이용한 USN 기반의 감시경보 시스템," 전자공학회논문지, 제48권 TC편, 제12호, 54-61쪽, 2011년 12월
Youngwook Kim, Hao Ling, "Human activity classification based on micro-doppler signatures using a support vector machine," IEEE Trans. Geosci. Remote Sens., Vol. 47, no. 5, pp. 1328-1337, May 2009.
Michael Glen Andersom, "Design of multiple frequency continuous wave radar hardware and micro-doppler based detection and classification algorithms," Ph.D. dissertation, Univ. Texas, Austin, pp. 136-156, May 2008.
임정수, 송지현, 장준혁, "SVM 미세조정을 통한 음석/음악 분류 성능향상," 전자공학회논문지, 제48권 SP편, 제2호, 141-148쪽, 2011년 3월
Manel Martinez-Ramon, Christos Christodouloui, "Support vector machines for antenna array processing and electromagnetics," Morgan & Claypool, pp. 33-42, 2006.
Yasemin Altun, Ioannis Tsochantaridis, Thomas Hofmann, "Hidden markov support vector machines," International conference on machine learning, pp. 3-10, Washington DC, USA, August 2003.
Ibrahim Onaran, N. Firat Ince, A. Enis Cetin, Aviva Abosch, "A hybrid SVM/HMM based system for the state detection of individual finger movements from multichannel ECoG signals," International IEEE EMBS conference on neural engineering, pp. 457-460, Cancun, Mexico, May 2011.
Dong-Hyuck Seo, Tae-Seong Roh, Dong-Whan Choi, "Defect diagnostics of gas turbine engine using hybrid SVM-ANN with module system in off-design condition," Journal of mechanical science and technology, Vol. 23, No. 3, pp. 677-685, 2009.
J.L.Rojo-Alvarez, M. Martinez-Ramon, A. R. Figueiras- Vidal, A.Garcia-Armada, A.Artes -Rodriguez, "A robust support vector algorithm for nonparametric spectral analysis," IEEE Transactions on Signal Processing, Vol. 52, No. 1, pp. 155-164, January 2004.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.