어떠한 객체의 움직임을 추적하거나 상태변화를 추정하기 위해서 사용하는 방법으로는 칼만필터, 파티클 필터, 동적 클러스터링 등이 있다. 이 중 동적클러스터링 기법은 여러 프레임에 걸쳐 클러스터를 추적하고 변화 경향을 분석하는데 유용한 방법이다. 본 논문에서는 유사성 기반의 동적 클러스터링 방법을 제안하고 시뮬레이션 하여 검증하였다. 제안한 동적 클러스터링 방법은 연속된 각 프레임에 대해 유사한 특성을 가지는 클러스터를 인접한 프레임에 걸쳐 동일한 클러스터로 판단하는 방법이다. 각 정지 프레임에서의 클러스터의 특성을 이용하여 프레임의 변화를 분석하고 유사성이 높은 클러스터들을 동일 클러스터로 지정하였다. 유사성 판단 방법은 Mamdani방식의 퍼지 모델을 제안하였다. 제안한 알고리즘은 시간에 대해 연속성을 가진 레이더 반사도 데이터에 적용하였고 시간의 흐름에 따른 클러스터의 변화를 관측할 수 있었다.
어떠한 객체의 움직임을 추적하거나 상태변화를 추정하기 위해서 사용하는 방법으로는 칼만필터, 파티클 필터, 동적 클러스터링 등이 있다. 이 중 동적클러스터링 기법은 여러 프레임에 걸쳐 클러스터를 추적하고 변화 경향을 분석하는데 유용한 방법이다. 본 논문에서는 유사성 기반의 동적 클러스터링 방법을 제안하고 시뮬레이션 하여 검증하였다. 제안한 동적 클러스터링 방법은 연속된 각 프레임에 대해 유사한 특성을 가지는 클러스터를 인접한 프레임에 걸쳐 동일한 클러스터로 판단하는 방법이다. 각 정지 프레임에서의 클러스터의 특성을 이용하여 프레임의 변화를 분석하고 유사성이 높은 클러스터들을 동일 클러스터로 지정하였다. 유사성 판단 방법은 Mamdani방식의 퍼지 모델을 제안하였다. 제안한 알고리즘은 시간에 대해 연속성을 가진 레이더 반사도 데이터에 적용하였고 시간의 흐름에 따른 클러스터의 변화를 관측할 수 있었다.
There are number of methods that track the movement of an object or the change of state, such as Kalman filter, particle filter, dynamic clustering, and so on. Amongst these method, dynamic clustering method is an useful way to track cluster across multiple data frames and analyze their trend. In th...
There are number of methods that track the movement of an object or the change of state, such as Kalman filter, particle filter, dynamic clustering, and so on. Amongst these method, dynamic clustering method is an useful way to track cluster across multiple data frames and analyze their trend. In this paper we suggest the similarity-based dynamic clustering method, and verifies it's performance by simulation. Proposed dynamic clustering method is how to determine the same clusters for each continuative frame. The same clusters have similar characteristics across adjacent frames. The change pattern of cluster's characteristics in each time frame is throughly studied. Clusters in each time frames are matched against each others to see their similarity. Mamdani fuzzy model is used to determine similarity based matching algorithm. The proposed algorithm is applied to radar reflectivity data over time domain. We were able to observe time dependent characteristic of the clusters.
There are number of methods that track the movement of an object or the change of state, such as Kalman filter, particle filter, dynamic clustering, and so on. Amongst these method, dynamic clustering method is an useful way to track cluster across multiple data frames and analyze their trend. In this paper we suggest the similarity-based dynamic clustering method, and verifies it's performance by simulation. Proposed dynamic clustering method is how to determine the same clusters for each continuative frame. The same clusters have similar characteristics across adjacent frames. The change pattern of cluster's characteristics in each time frame is throughly studied. Clusters in each time frames are matched against each others to see their similarity. Mamdani fuzzy model is used to determine similarity based matching algorithm. The proposed algorithm is applied to radar reflectivity data over time domain. We were able to observe time dependent characteristic of the clusters.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이러한 경우에는 각 프레임에서 클러스터링 된 데이터의 중심 값의 시간에 따른 변화 혹은 시간에 따른 클러스터 크기의 변화 등과 같은 조건들을 사용할 수 있다. 본 논문에서는 이와 같은 유사도 판단을 퍼지 모델을 적용하여 수행하는 동적 클러스터링 기법을 제안한다.
본 논문에서는 퍼지 모델을 이용한 유사도 기반 동적 클러스터링 방법에 관하여 논의하였다. 대조 방식과 비교하였을 때 판단의 기준이 된 측면을 고려하여 결과가 효율적으로 도출되는 것을 확인할 수 있었다.
제안 방법
본 논문에서 적용한 동적 클러스터링 기법은 입력으로 현 시간 T를 기점으로 하여 클러스터링을 시작하는 과거시간 T-k에 걸쳐서 존재하는 데이터를 이용하여 클러스터링을 하는 과정으로 이루어져 있다.
본 논문에서 제안한 유사성 기반의 동적 클러스터링 방법을 레이더 반사도 데이터에 적용해 보았다. 비교를 위해서 대조군으로 퍼지 모델을 적용하지 않고 유클리드 공간에서 거리 변화를 비교하는 방법을 채택하였다.
본 논문에서 제안한 유사성 기반의 동적 클러스터링 방법을 레이더 반사도 데이터에 적용해 보았다. 비교를 위해서 대조군으로 퍼지 모델을 적용하지 않고 유클리드 공간에서 거리 변화를 비교하는 방법을 채택하였다. 실험을 위해 사용한 레이더 반사도 데이터의 분포 형태는 그림 4와 같이 나타난다.
이론/모형
클러스터들 간의 유사도를 구하는 방식은 Mamdani 방식의 퍼지 모델을 설계하여 구현하였다. 구현한 퍼지 모델의 입력은 dx, dy, dz, rsz 네 가지 변수로 구성되어 있으며 출력이 하나인 모델이다.
성능/효과
본 논문에서는 퍼지 모델을 이용한 유사도 기반 동적 클러스터링 방법에 관하여 논의하였다. 대조 방식과 비교하였을 때 판단의 기준이 된 측면을 고려하여 결과가 효율적으로 도출되는 것을 확인할 수 있었다. 퍼지 규칙을 적용하게 되면 다양한 기준을 고려하여 동적 클러스터링을 수행할 수 있다.
후속연구
퍼지 규칙을 적용하게 되면 다양한 기준을 고려하여 동적 클러스터링을 수행할 수 있다. 데이터의 종류에 따라서 퍼지 규칙을 추가하면 해당 방식에 최적화된 동적 클러스터링을 수행할 수 있을 것이다.
서로 다른 위치에 클러스터가 존재하는데 시작 점과의 거리 변화와 크기 변화의 폭이 같게 나올 때 어떤 것을 택하여 클러스터링을 계속해 나갈 것인가에 대한 부분은 추후 연구로 계속 진행되어야 할 부분이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.