최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.67 no.4, 2018년, pp.569 - 577
박상범 (School of Electrical and Electronic Engineering, The University of Suwon) , 오성권 (School of Electrical and Electronic Engineering, The University of Suwon)
In this paper, with the aid of information which is included within data, preprocessing algorithm-based black plastic classifier is designed. The slope and area of spectrum obtained by using laser induced breakdown spectroscopy(LIBS) are analyzed for each material and its ensuing information is appl...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
주성분 분석법이란? | 주성분 분석법은 과원의 데이터를 저차원으로 축소시키는 차원축소 알고리즘이다[3]. 축소시키는 방법은 먼저 축소시키고자 하는 차원의 개수를 정한다. | |
분류기의 분류율을 향상시키기 위해서 어떻게 해야하는가? | 부분방전의 경우, 부분방전의 해석을 Phase Resolved Partial Discharge Analysis(PRPDA)를 많이 사용하는데 왜도(skewness), 첨쇄도(kurtotis)와 같은 파라미터를 사용하거나 혹은 PRPD의 데이터 그대로 사용하는 방식에 따라 분류율은 달라진다[1]. 분류기의 분류율을 향상시키기 위해서는 알고리즘도 좋아야 하지만 알고리즘에 사용하는 데이터가 가지고 있는 특성을 잘 사용하여 이를 입력데이터로 사용하는 것도 하나의 방법이 될 수 있다. 그래서 본 연구에서는 흑색 플라스틱을 분류하기 위해 데이터가 가지고 있는 정보를 분석하여 이를 입력데이터로 사용한 전처리 알고리즘 기반 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks: RBFNNs)분류기를 설계한다. | |
주성분 분석법가 과원의 데이터를 저차원으로 축소시키는 방법은? | 주성분 분석법은 과원의 데이터를 저차원으로 축소시키는 차원축소 알고리즘이다[3]. 축소시키는 방법은 먼저 축소시키고자 하는 차원의 개수를 정한다. 그리고 기존 데이터의 평균 벡터를 구하고 데이터와 평균벡터의 차를 구하여 공분산행렬을 계산한다. 공분산행렬의 고유벡터(Eigenvector)와 고유값(Eigenvalue)을 구하고 고유벡터에서 가장 큰 고유값을 축소시키고자하는 입력변수의 개수만큼 선택한다. 그리고 기존의 고차원 데이터와 축소하고자하는 차원의 개수만큼 선택한 고유값과의 선형변환을 통해 축소된 데이터를 추출한다. 이와 같은 작업을 통해 축소된 입력 데이터는 분류기의 입력으로 사용된다. |
G.-S. Kim, L.-S. Ahn and S.-K. Oh, "The Design of Optimized Type-2 Fuzzy Neural Networks and Its Application", The Transaction of KIEE, Vol. 58, No. 8, pp. 1615-1623, 2009.
S.-B. Park, J.-S. Bae, S.-K. Oh and H.-K. Kim, "Design of Pattern Classifier for Electrical and Electronic Waste Plastic Devices Using LIBS Spectrometer", Journal of Korean Institute of Intelligent Systems, Vol. 26, No. 6, pp. 477-484, 2016.
ShengJi Tee, Q. Liu and Zhongdong Wang, "Insulation condition ranking of transformers through principal component analysis and analytic hierarchy precess", IET Generation, Transmission and Distribution, Vol. 11, No. 1, pp. 110-117, 2017.
S.-H. Wang, T.-M. Zhan, Y. Chen, Y. Zhang, M. Yang, H.-M. Lu, H.-N. Wang, B. Liu and P. Philips, "Multiple Sclerosis Detection Based on Biothogonal Wavelet Transform, RBF Kernel Principal Component Analysis, and Logistic Regression", IEEE Access special section on advanced signal processing methods in medical imaging, Vol. 4, pp. 7561-7576, 2016.
V. Loia, S. Tomasiello and A. Vaccaro, "Fuzzy Transform Based Compression of Electrical Signal Waveforms for Smart Grids", IEEE Transactions on Systems, Man, and Cybernetics: Systems, Vol. 47, No. 1, pp. 121-132, 2017.
I. Perfilieva, "Fuzzy transform: Theory and application", Fuzzy sets and systems, Vol. 157, No. 8, pp. 993-1023, 2006.
J.-S. Bae, S.-K. Oh and H.-K. Kim, "Design of Fingerprints Identification Based on RBFNN Using Image Processing Techniques", The Transaction of the KIEE, Vol. 65, No. 6, pp. 1060-1069, 2016.
M.-R. Bonyadi and Z. Michalewicz, "Impacts of Coefficients on Movement Patterns in the Particle Swarm Optimization Algorithm", IEEE Transactions on Evolutionary Computation, Vol. 21, No. 3, pp. 378-390, 2017.
S.-H. Oh, S.-K. Oh and J.-Y. Kim, "Design of Face Recognition and Tracking System by Using RBFNNs Pattern Classifier with Object Tracking Algorithm", The Transactions of the KIEE, Vol. 64, No. 5, pp. 766-778, 2015.
I. Zliobaite, A. Bifet, J. Read, B.Pfahringer and G. Holmes, "Evaluation method and decision theory for classification of streaming data with temporal dependence", Machine Learning, Vol. 98, No. 3, pp. 455-482, 2015.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.