KR101260728B1 - 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법 - Google Patents

전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법 Download PDF

Info

Publication number
KR101260728B1
KR101260728B1 KR1020110078436A KR20110078436A KR101260728B1 KR 101260728 B1 KR101260728 B1 KR 101260728B1 KR 1020110078436 A KR1020110078436 A KR 1020110078436A KR 20110078436 A KR20110078436 A KR 20110078436A KR 101260728 B1 KR101260728 B1 KR 101260728B1
Authority
KR
South Korea
Prior art keywords
time interval
electronic nose
data
natural number
nose system
Prior art date
Application number
KR1020110078436A
Other languages
English (en)
Other versions
KR20130016478A (ko
Inventor
정구민
최상일
바흐 트루옹 랭
신성훈
Original Assignee
국민대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국민대학교산학협력단 filed Critical 국민대학교산학협력단
Priority to KR1020110078436A priority Critical patent/KR101260728B1/ko
Publication of KR20130016478A publication Critical patent/KR20130016478A/ko
Application granted granted Critical
Publication of KR101260728B1 publication Critical patent/KR101260728B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 관한 것이다. 이를 통해, 처리시간, 메모리, 전력소모를 개선할 뿐만 아니라 특히 입력데이터에서 불필요한 부분을 제거하고 분류에 중요한 데이터만 남도록 데이터를 재구성함으로써 원본데이터 전체를 사용했을 때보다도 오히려 더 높은 인식률을 나타낼 수 있는 기술에 관한 것이다. 본 발명에 따른 시간 구간 선택 방법은, 주성분 분석(PCA) 과정; 선형 판별식 분석(LDA) 과정; 주성분 분석 과정과 선형 판별식 분석 과정의 순차적 진행 이후에, 전체 입력된 원본 데이터 중 주요 시간 구간을 선택하되, 선택된 시간 유닛들을 합쳐서 연속된 시간 구간을 생성한 뒤, 그 연속된 시간 구간을 이용하여 원본 데이터를 재구성하는 시간 구간 선택 과정;을 포함하여 구성된다.

Description

전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법 {METHOD FOR SELECTING TIME HORIZON BY FEATURE FEEDBACK IN E-NOSE SYSTEMS}
본 발명은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 관한 것이다. 더욱 상세하게는, 본 발명은 전자 코 시스템을 통해 측정된 센싱 데이터를 분류할 때, 그 성능을 향상시키기 위한 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 관한 것이다.
이를 통해, 처리시간, 메모리, 전력소모를 개선할 뿐만 아니라 특히 입력데이터에서 불필요한 부분을 제거하고 분류에 중요한 데이터만 남도록 데이터를 재구성함으로써 원본데이터 전체를 사용했을 때보다도 오히려 더 높은 인식률을 나타낼 수 있는 기술에 관한 것이다.
현대과학은 어느덧 사람의 오감을 기계화시켜 오고 있다. 그 중 정복하기 힘들었던 향과 맛에 대한 정복의 첫걸음으로 몇 년 전부터 전자 코가 세계 각국에서 개발되어 왔다. 1 세대 제품을 거쳐 좀 더 쉽게 사용할 수 있고 좀 더 빨리 결과를 얻을 수 있으며 좀 더 정확한 결과를 보여 주는 2 세대 전자 코까지 개발되어 있는 상황이다.
일반적으로 사람들은 냄새를 맡게 되면 후각 수용체에서 냄새를 감지하여 신경 신호로 바꾸게 된다. 신경 신호는 뇌의 후각영역에 전달되어 각 냄새의 독자적인 특성을 식별하게 된다.
한편, 전자 코 시스템의 측정원리 또한 사람이 냄새를 인식하는 원리와 비슷하다. 특정의 향기 또는 냄새 성분이 접촉되면 센서 어레이 시스템(sensor array system)을 이용하여 화학적 신호를 전기적 신호로 나타낸 뒤, 뇌의 후각정보 처리방식을 모방한 패턴인식 소프트웨어를 이용하여 냄새에 대한 정성분석과 정량분석 할 수 있는 시스템이다.
해당 기술분야에 있어서는 1 세대 제품을 거쳐 좀 더 쉽게 사용할 수 있고 좀 더 빨리 결과를 얻을 수 있으며 좀 더 정확한 결과를 보여 주는 2 세대 전자 코까지 개발되어 있는 상황이며, 냄새와 관련된 전체 입력데이터를 선택하여 데이터를 재구성함으로써 데이터 처리의 부담(load)을 줄여 처리 속도를 향상시키기 위한 기술개발이 요구되고 있다.
그에 따라, 본 발명은 이와 같은 전자 코 시스템에서 향기 또는 냄새 성분에 관한 전체 입력데이터를 선택하여 데이터를 재구성함으로써 처리시간, 메모리, 전력소모를 줄이기 위한 기술을 제시하고자 한다. 특히, 본 발명에서는 전자 코 시스템에서 특징 되먹임(feature feedback)을 이용하는 시간 구간 선택 방법을 제공하는 것이 주요한 특징이다.
[관련기술문헌]
1. 서브그룹별 PCA 학습을 이용한 얼굴인식방법 및 장치(특허출원번호: 10-2003-0087767)
2. 특징 되먹임을 이용한 얼굴 인식 방법(특허출원번호: 10-2009-0050197)
본 발명의 목적은 전자 코 시스템상에서 전체의 입력데이터 중 주요 시간 구간(time-horizon)을 선택하여 데이터를 재구성함으로써 처리시간, 메모리, 전력소모를 개선할 뿐만 아니라 특히 입력데이터에서 불필요한 부분을 제거하고 분류에 중요한 데이터만 남도록 데이터를 재구성함으로써 원본데이터 전체를 사용했을 때보다도 오히려 더 높은 인식률을 나타낼 수 있는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법을 제공함에 있다.
이러한 과제를 달성하기 위한 본 발명에 따른 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법은, 주성분 분석(PCA) 과정; 선형 판별식 분석(LDA) 과정; 이들 주성분 분석(PCA) 과정과 선형 판별식 분석(LDA) 과정을 순차적으로 진행한 이후에, 전체 입력된 원본 데이터 중 주요 시간 구간을 선택하되, 선택된 시간 유닛들을 합쳐서 연속된 시간 구간을 생성한 뒤, 그 연속된 시간 구간을 이용하여 원본 데이터를 재구성하는 시간 구간 선택 과정을 포함하여 구성되는 것이 특징이다.
그리고, 본 발명에서 사용하는 주성분 분석(PCA) 과정은 원본 데이터에 대한 제 1 투영 벡터(Wl p, l은 1 부터 np까지의 자연수) 생성하는 단계; 제 1 투영 벡터(Wl p) 각각에 대해, 제 1 문턱 값(threshold value: Tl p, l은 1 부터 np까지의 자연수)을 기준으로 제 1 특징 마스크(ml p, l은 1 부터 np까지의 자연수)를 생성하는 단계; 제 1 특징 마스크(ml p)을 병합하여 단일 마스크(mp)를 생성하는 단계; 그리고 단일 마스크(mp)를 기준으로 노이즈가 줄어든 영역에서의 변형된 데이터(xk')을 생성하는 단계를 포함한다.
그리고, 본 발명에서 사용하는 선형 판별식 분석(LDA) 과정은 위 변형된 데이터(xk')에 대한 제 2 투영 벡터(Wl L, l은 1부터 nf 까지의 자연수)를 생성하는 단계; 제 2 투영 벡터(Wl L) 각각에 대해, 제 2 문턱 값(Tl L, l은 1부터 nf 까지의 자연수)을 이용해 제 2 특징 마스크(Ml D: l은 1부터 nf 까지의 자연수)을 생성하는 단계; 제 2 특징 마스크(Ml D)를 합산하여 판별식 정보맵(discriminant information map: MD)을 생성하는 단계; 그리고 판별식 정보맵(MD)을 0 또는 1의 값을 가지도록 평준화(normalize)하는 단계를 포함한다.
그리고, 본 발명에서 사용하는 시간 구간 선택 과정은 전체 시간 구간인 0부터 T까지를 단위시간 nT로 디바이드(divide) 한 뒤, 디바이드된 각각의 시간유닛 TUi{0≤i≤nT-1, i는 자연수}에 대하여 제 3 문턱 값(TD)보다 큰 판별식 정보맵(MD) 수를 카운트하는 단계; 시간유닛 TUi 각각에서 위 카운팅된 판별식 정보맵(MD) 수가 미리 설정된 수보다 큰 시간 유닛을 선택하는 단계; 그 선택된 시간 유닛을 합쳐서 연속된 시간 구간을 생성하는 단계; 그리고 그 연속된 시간 구간을 이용해 원본 데이터를 분류하는 단계를 포함한다.
또한, 제 1 특징 마스크(ml p)는,
Figure 112011060870490-pat00001
에 의해 생성되는 것이 바람직하다.
또한, 위 변형된 데이터(xk')는,
Figure 112011060870490-pat00002
(i는 자연수)
에 의해 생성되는 것이 바람직하다.
또한, 제 2 특징 마스크(M l D )는
Figure 112011060870490-pat00003
(i는 자연수)
에 의해 생성되는 것이 바람직하다.
본 발명에 따르면, 전자 코 시스템 상에서 전체의 입력데이터 중 주요 시간 구간을 선택하여 데이터를 재구성함으로써 처리시간, 메모리, 전력소모를 최소화할 수 있는 장점이 있다. 즉, 본 발명에서는 전자 코 시스템을 통해 측정된 냄새 정보를 분류할 때, 그 성능을 향상시켜, 기존의 패턴 인식에 사용되던 PCA과 LDA 과정을 거친 후, 추가적으로 시간 구간 선택 과정을 통해 인식률을 향상시키는 효과를 제공한다.
[도 1]은 본 발명에서 특징 되먹임을 이용하는 시간 구간 선택 방법을 구현하기 위한 전자 코 시스템을 나타내는 도면.
[도 2]는 본 발명에 따른 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서의 PCA 과정을 설명하기 위한 흐름도.
[도 3]은 본 발명에 따른 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서의 LDA 과정을 설명하기 위한 흐름도.
[도 4]는 본 발명에 따른 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서의 시간 구간 선택 과정을 설명하기 위한 흐름도.
[도 5]는 [도 4]의 시간 구간 선택 과정에서 연속된 시간 구간 생성과정을 설명하기 위한 도면.
[도 6]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 대한 실험 결과와 비교를 위한 원본 데이터를 설명하기 위한 도면.
[도 7]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서 원본 데이터의 감소 과정을 설명하기 위한 도표.
[도 8]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 의할 경우의 원본 데이터의 변화를 나타내는 도면.
[도 9]는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 대한 실험 결과를 나타내는 표.
이하에서는 도면을 참조하여 본 발명을 상세하게 설명한다.
[도 1]은 본 발명에서 특징 되먹임을 이용하는 시간 구간 선택 방법을 구현하기 위한 전자 코 시스템을 나타내는 도면이다.
[도 1]을 참조하면, 기존의 패턴인식에 사용되던 주성분 분석 과정(PCA - Principal Component Analysis: 10)과 선형 판별식 분석 과정(LDA - Linear Discriminant Analysis: 20)을 거치고 난 후, 추가적으로 시간 구간 선택 과정(Time Horizon Selection: 30)을 통해 인식률을 향상시킨다.
본 발명에서의 인식률은 입력되는 원본 데이터의 개수에 대한 분류 비율을 의미한다.
시간 구간 선택 과정은 전체 입력된 원본 데이터 중 주요 시간 구간을 선택하여 원본 데이터를 재구성하게 되며 이로써 처리시간, 메모리 및 전력소모를 줄일 수 있는 장점을 가진다.
결과적으로, 기존의 PCA 과정(10) 및 LDA 과정(20)을 거치고 난 후, 추가적으로 시간 구간 선택 과정(30)을 거쳐 향상된 분류 결과를 얻어낸다.
[도 2]는 본 발명에 따른 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서의 PCA 과정(10)을 설명하기 위한 흐름도이다.
[도 1] 및 [도 2]를 참조하여, PCA 과정(10)에서의 특징 되먹임(feature feedback)을 살펴보기 위해, 입력데이터는 N 개의 샘플을 가지며, 각 N 개의 샘플들은 다수의 클래스(C) 중 하나에 속하는 데이터임을 가정한다.
보다 구체적으로, "i 번째 클래스"는 Ci 샘플들로 구성된다고 하면, N 개의 샘플은
Figure 112011060870490-pat00004
로 나타낼 수 있다. 여기서, Xk∈Rn는 n차 벡터 공간(n-dimensional vector space)의 k 번째 샘플을 의미한다.
원본 데이터에 대한 PCA 과정(10)을 통해 l이 1 부터 np 까지(l: 자연수)의 제 1 투영 벡터(projection vector: Wl p)를 구하면 하기의 [수학식 1]과 같다(S1). 여기서, i와 n은 자연수로 클래스를 의미하며, i 클래스부터 n 클래스까지의 집합적 요소를 설명하기 위한 기호이다.
Figure 112011060870490-pat00005
상술한 각각의 제 1 투영 벡터(Wl p)에 대해, 제 1 문턱 값(Tl p) 이용하여 l = 1, 2, ..., np에서의 제 1 특징 마스크인 ml p를 생성하며, 생성된 제 1 특징 마스크는 하기의 [수학식 2]와 같이 나타난다(S2).
Figure 112011060870490-pat00006
단계(S2) 이후, np까지의 제 1 특징 마스크들을 병합하여 "단일 마스크" 인 mp 을 생성하며, 단일 마스크는 하기의 [수학식 3]에 의해 도출된다(S3).
Figure 112011060870490-pat00007
단계(S3)의 다음 과정으로 노이즈가 줄어든 영역에서의 변형된 데이터인
Figure 112011060870490-pat00008
를 [수학식 4]에 의해 구한다(S4).
Figure 112011060870490-pat00009
[도 3]은 본 발명에 따른 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서의 LDA 과정(20)을 설명하기 위한 흐름도이다.
[도 1] 내지 [도 3]을 참조하면, 단계(S4) 이후, 변형된 데이터 xk'에 대한 LDA 과정(20) 적용으로 "l(자연수) = 1부터 nf 까지"의 제 2 투영 벡터인 Wl L를 생성한다(S5).
다음으로, 각각의 제 2 투영 벡터의 집합(Wli L) 각각을 제 2 문턱 값인 Tl L 을 이용해 "l = 1부터 nf까지(l은 자연수)"의 제 2 특징 마스크인 Ml D 을 [수학식 5]에 의해 구성한다(S6).
Figure 112011060870490-pat00010
단계(S6) 이후, 단계(S6)에서 연산된 Ml D(l = 1, ... , nf ,)을 합산하여 판별식 정보맵인 MD를 하기의 [수학식 6]에 의해 구성한다(S7).
Figure 112011060870490-pat00011
단계(S7) 이후, 판별식 정보맵인 MD 가 0 또는 1의 값을 가지도록 MD를 평준화한다(S8).
[도 4]는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서의 시간 구간 선택 과정(30)을 설명하기 위한 흐름도이다.
[도 1] 내지 [도 4]를 참조하면, 하기의 [수학식 7]과 같이 전체 시간 구간인 0부터 T까지[0, T]를 단위시간 nT로 디바이드 한 뒤, 디바이드된 각각의 시간유닛 TUi{0≤i≤nT-1, i: 자연수}에 대하여 제 3 문턱 값인 TD 보다 큰 MD의 수를 카운트한다(S9).
Figure 112011060870490-pat00012
단계(S9)로부터 카운트 수가 미리 설정된 수보다 큰 시간 유닛들을 [도 5](a)에 도시된 바와 같이 선택한다(S10).
단계(S10) 이후, 도시된 [도 5](b)와 같이 단계(S10)에서 선택된 시간 유닛들을 합쳐서 연속된 시간 구간인 [TUs, TUf](이때, s, f는 임의의 자연수)을 생성한다(S11).
단계(S11)에서 생성된 시간 구간인 [TUs, TUf]을 이용하여 분류를 수행한다(S12).
[도 6]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 대한 실험 결과와 비교를 위한 원본 데이터를 설명하기 위한 도면이다.
[도 6]을 참조하면, 특징 되먹임을 이용한 시간 구간 선택 방법에 대한 실험에 사용된 전자 코 데이터(E-nose data)는 8 종류의 가스(gas)를 16 개의 센서를 통해 측정한다고 가정한다.
다음으로, 각각의 가스는 20회에 거쳐 특정되며, 매회 측정은 20 초 동안 이루어지며, 각 센서는 매 초마다 100개의 값을 출력한다고 가정한다. 이에 따라, 매 측정시마다 하나의 센서가 2000개의 값을 출력하게 된다.
본 실험에서 총 16 개의 센서가 사용되었으므로 하나의 가스(gas)마다 32000개의 값을 센서로부터 얻게 된다.
[도 7]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에서 원본 데이터의 감소 과정을 설명하기 위한 도표이다.
상술한 과정에서 얻어지는 특징 마스크(feature mask)의 차원은 [도 6]에서는 [1, 32000]가 된다.
본 실험에서 특징 마스크를 각 파트가 1초의 차이를 갖는 20개 파트로 나누고, 각 파트 내에서 특징 마스크 값이 1을 가지는 경우를 카운트한 결과는 [도 6]과 같은 표가 얻어진다.
[도 7]에서 카운트의 수가 940 이상인 시간 유닛(Time Unit)을 선택하면, 이 실험에서는 시간유닛 0, 8 내지 19가 해당된다. 이에 따라, 20초에 해당하는 원본데이터가 13초의 데이터로 줄어든다.
[도 8]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 의할 경우의 원본 데이터의 변화를 나타내는 도면이다.
[도 6] 및 [도 8]을 참조하면, 시간 구간 선택 방법에 의할 경우, [도 6]에서의 입력 데이터가 변화된다. 즉, [도 6]에서의 전체 원본 데이터는 32000개의 값을 갖으나, [도 7]에서 상술한 시간 구간 선택 방법에 의해 변환된 데이터는 20800개의 값을 갖게 된다.
[도 9]은 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법에 대한 실험 결과를 나타내는 표이다. [도 9]를 참조하면, 모든 원본 데이터를 사용한 경우와 시간 구간 선택(time horizon selection)을 사용한 두 가지 경우에 대한 인식률 결과를 나타낸다.
모든 원본 데이터를 사용한 경우의 인식률에 비해, 데이터수가 줄어든 시간 구간 선택을 한 경우의 인식률이 높게 나타남을 알 수 있다.
구체적으로, 사용 데이터에 대한 처리시간, 사용 메모리, 성능에서의 강점을 가지는 것으로 나타났다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
10: PCA 과정
20: LDA 과정
30: 시간 구간 선택 과정

Claims (7)

  1. 주성분 분석(PCA)을 통해 원본 데이터로부터 노이즈 감소된 변형 데이터를 획득하는 주성분 분석 단계;
    선형 판별식 분석(LDA)을 통해 상기 변형 데이터로부터 판별식 정보맵(MD)을 획득하는 선형 판별식 분석 단계;
    상기 주성분 분석 단계와 상기 선형 판별식 분석 단계의 순차적 진행 이후에, 전체 시간 구간인 0부터 T까지를 단위시간 nT로 분할 설정한 시간유닛 TUi {0≤i≤nT-1, i는 자연수} 각각에 대해 제 3 문턱 값(TD)보다 큰 상기 판별식 정보맵(MD) 수를 카운트하고, 상기 카운팅된 판별식 정보맵(MD) 수가 미리 설정된 수보다 큰 시간 유닛을 선택하고, 상기 선택된 시간 유닛을 합침으로써 연속된 시간 구간을 생성하며, 상기 연속된 시간 구간을 이용하여 상기 원본 데이터를 재구성하는 시간 구간 선택 단계;
    를 포함하여 구성되는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법.
  2. 청구항 1에 있어서,
    상기 주성분 분석(PCA) 단계는,
    상기 원본 데이터에 대한 제 1 투영 벡터(Wl p, l은 1 부터 np까지의 자연수) 생성하는 제 1 단계;
    상기 제 1 투영 벡터(Wl p) 각각에 대해, 제 1 문턱 값(Tl p, l은 1 부터 np까지의 자연수)을 기준으로 제 1 특징 마스크(ml p, l은 1 부터 np까지의 자연수)를 생성하는 제 2 단계;
    상기 제 1 특징 마스크(ml p)을 병합하여 단일 마스크(mp)를 생성하는 제 3 단계;
    상기 단일 마스크(mp)를 기준으로 노이즈가 줄어든 영역에서의 변형된 데이터(xk')을 생성하는 제 4 단계;
    를 포함하여 구성되는 것을 특징으로 하는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법.
  3. 청구항 2에 있어서,
    상기 선형 판별식 분석(LDA) 단계는,
    상기 변형된 데이터(xk')에 대한 제 2 투영 벡터(Wl L, l은 1부터 nf 까지의 자연수)를 생성하는 제 5 단계;
    상기 제 2 투영 벡터(Wl L) 각각에 대해, 제 2 문턱 값(Tl L, l은 1부터 nf 까지의 자연수)을 이용해 제 2 특징 마스크(Ml D: l은 1부터 nf 까지의 자연수)을 생성하는 제 6 단계;
    상기 제 2 특징 마스크(Ml D)를 합산하여 판별식 정보맵(MD)을 생성하는 제 7 단계;
    상기 판별식 정보맵(MD)을 0 또는 1의 값을 가지도록 평준화하는 제 8 단계;
    를 포함하여 구성되는 것을 특징으로 하는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법.
  4. 삭제
  5. 청구항 2에 있어서,
    상기 제 2 단계의 상기 제 1 특징 마스크(ml p)는,
    Figure 112011060870490-pat00013

    에 의해 생성되는 것을 특징으로 하는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법.
  6. 청구항 2에 있어서,
    상기 제 4 단계의 변형된 데이터(xk')는,
    Figure 112011060870490-pat00014
    (i는 자연수)
    에 의해 생성되는 것을 특징으로 하는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법.
  7. 청구항 3에 있어서,
    상기 제 6 단계에서의 상기 제 2 특징 마스크(M l D )는,
    Figure 112011060870490-pat00015
    (i는 자연수)
    에 의해 생성되는 것을 특징으로 하는 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법.
KR1020110078436A 2011-08-08 2011-08-08 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법 KR101260728B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110078436A KR101260728B1 (ko) 2011-08-08 2011-08-08 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110078436A KR101260728B1 (ko) 2011-08-08 2011-08-08 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법

Publications (2)

Publication Number Publication Date
KR20130016478A KR20130016478A (ko) 2013-02-18
KR101260728B1 true KR101260728B1 (ko) 2013-05-06

Family

ID=47895809

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110078436A KR101260728B1 (ko) 2011-08-08 2011-08-08 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법

Country Status (1)

Country Link
KR (1) KR101260728B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146652A (zh) * 2019-05-17 2019-08-20 西南大学 基于全局和局部融合特征提取的电子鼻低浓度样本检测方法
KR20210111089A (ko) 2020-03-02 2021-09-10 단국대학교 산학협력단 딥러닝 네트워크를 이용한 전자코 가스 데이터 재구성 시스템 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101656253B1 (ko) * 2015-12-15 2016-09-09 단국대학교 산학협력단 가스 분류를 위한 결합 특징 벡터 생성 장치 및 방법
KR101852074B1 (ko) * 2016-11-29 2018-04-25 단국대학교 산학협력단 가스 분류를 위한 전자코 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. I. Choi et al., ‘Data refinement and channel selection for a portable e-nose system by the use of feature feedback’, Sensors, vol. 10, pp. 10387-10400, 2010*

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146652A (zh) * 2019-05-17 2019-08-20 西南大学 基于全局和局部融合特征提取的电子鼻低浓度样本检测方法
KR20210111089A (ko) 2020-03-02 2021-09-10 단국대학교 산학협력단 딥러닝 네트워크를 이용한 전자코 가스 데이터 재구성 시스템 및 방법

Also Published As

Publication number Publication date
KR20130016478A (ko) 2013-02-18

Similar Documents

Publication Publication Date Title
Feng et al. A review and comparative study on probabilistic object detection in autonomous driving
CN111954812B (zh) 基于电子鼻的气味剂分析的利用
Zhang et al. Using multi-label classification for acoustic pattern detection and assisting bird species surveys
Tachibana et al. Semi-automatic classification of birdsong elements using a linear support vector machine
US11221904B2 (en) Log analysis system, log analysis method, and log analysis program
Lemercier et al. Distribution regression for sequential data
JP2017090912A (ja) ニューラルネットワークトレーニング装置及び方法と、音声認識装置及び方法
US20130064423A1 (en) Feature extraction and processing from signals of sensor arrays
Famulare et al. Feature selection in simple neurons: how coding depends on spiking dynamics
KR101856170B1 (ko) 시계열 데이터를 기초로 시스템의 이상시점을 예측하는 장치 및 그 방법
KR101260728B1 (ko) 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법
Längkvist et al. Unsupervised feature learning for electronic nose data applied to bacteria identification in blood
CN110019779B (zh) 一种文本分类方法、模型训练方法及装置
Mohammad et al. On comparing SSA-based change point discovery algorithms
US10817719B2 (en) Signal processing device, signal processing method, and computer-readable recording medium
CN106295708B (zh) 一种基于Fisher分类器组的连续型数据预处理方法
Maletzke et al. Quantification in data streams: Initial results
CN111460074B (zh) 一种轨迹碰撞分析方法、装置及电子设备
Dang et al. Dynamic multi-rater gaussian mixture regression incorporating temporal dependencies of emotion uncertainty using kalman filters
WO2016084326A1 (ja) 情報処理システム、情報処理方法、及び、記録媒体
CN112735442A (zh) 一种具有音频分离声纹识别的湿地生态监测系统及其音频分离方法
Messner From black box to clear box: A hypothesis testing framework for scalar regression problems using deep artificial neural networks
US20220051075A1 (en) Methods and apparatuses for tracking weak signal traces
Dorst et al. Uncertainty-aware automated machine learning toolbox
Klein et al. Interpretable classifiers based on time-series motifs for lane change prediction

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170403

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180406

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190423

Year of fee payment: 7