KR101852074B1 - 가스 분류를 위한 전자코 시스템 및 방법 - Google Patents

Abstract

본 발명은 센서의 불안정으로 측정 중에 데이터의 일부에 손실이 발생하거나 센싱 환경의 영향을 받아 노이즈가 발생 했을 때, 주요한 구성요소들을 이용하여 통계적 학습기반으로 손실 또는 손상된 데이터 샘플을 복원함으로써 데이터 자체의 오류에 대해 보다 강건한 전자코 시스템 및 방법을 제공하기 위한 것으로서, 저장부에 미리 저장된 학습 데이터를 기준으로 서로 다른 각 채널의 센서들을 이용하여 측정된 측정 대상이 되는 데이터 샘플과의 비교를 수행하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출하는 센서 어레이와, 상기 센서 어레이에서 주어진 데이터 샘플에 대해 데이터의 손실된 정도를 측정하고, 최적화된 개수의 주요한 구성요소(principal component)들을 이용하여 데이터를 복원하여 기체의 종류를 구별하는 컴퓨팅 시스템을 포함하여 구성되는데 있다.

Description

가스 분류를 위한 전자코 시스템 및 방법{Electronic Nose System and Method for Gas Classification}

본 발명은 전자코 시스템에 관한 것으로, 특히 주요한 구성요소들을 이용하여 통계적 학습기반으로 손실 또는 손상된 데이터 샘플을 복원함으로써 데이터 자체의 오류에 대해 보다 강건한 전자코 시스템 및 방법에 관한 것이다.

전자코(Electronic Nose(e-nose))는 센서를 이용하여 특정 기체의 종류를 구별하는 전자장치이다. 즉, 인간의 후각 기관은 기체의 종류와 농도까지 구분할 수 있는 매우 정밀한 감각 능력을 갖고 있지만, 특정 기체에 일정 시간 이상 노출되면 쉽게 피로해져서 더 이상 그 기체를 감지하지 못하고 안전상 맡을 수 있는 기체의 종류가 한정되어 있다.

이와 달리, 전자코는 지속적으로 기체를 모니터링 할 수 있고, 인간에 유해한 기체에도 사용이 가능하다. 이러한 효율성으로 인해 전자코는 식품과 음료산업, 폭발물 탐지, 독성 물질이나 마약류 검출, 환경 모니터링 등 뿐만 아니라, 의학 진단에 이르기까지 다양한 응용 분야에서 활용이 가능하다.

전자코 시스템은 크게 특정 센서 어레이(a specific sensor array)와 컴퓨팅 시스템(computing system)으로 구성되어 있다. 센서들의 감도(sensitivity)와 컴퓨터 시스템의 구별력은 전자코 시스템의 성능을 결정하는 매우 중요한 요소이다.

센서 어레이를 구성하는 각 채널의 센서들은 각각 다른 특성을 가지고 있어 기체의 종류에 따라 다르게 반응한다. 센서의 반응은 전자적인 인터페이스에 의해 벡터 형태의 수치 데이터로 변환된다.

전자코 시스템에 사용되는 센서로는 metal-oxide 센서, tin-oxide 센서와 같은 전기 화학식 센서와, carbon-black(CB) 센서, CP 센서(Conducting organic polymer)와 같은 압전효과식 센서가 있다.

상기 전기화학식 센서는 가스에 대한 측정 감도가 좋지만 간섭 물질의 간섭이 심하고 측정을 위한 최소 필요 질량이 다소 높다. 그리고 압전효과식 센서는 측정을 위한 최소 필요 질량이 낮고 간단한 증폭 회로만으로 구성되어 있어 값이 싸고 소형화가 가능하다. 또한 간섭 물질에 의한 간섭 현상이 적어 측정하고자 하는 물질만을 선택적으로 측정할 수 있는 장점이 있다.

컴퓨팅 시스템에서는 센서 어레이에서 변환된 데이터가 여러 가지 특징을 이용하여 기체의 종류를 구별하는데, 기체 분류는 크게 특징 추출 단계와 분류기를 이용한 분류 단계로 구분할 수 있다.

먼저 센서 어레이를 통해 입력된 데이터는 다양한 전처리 단계를 통해 데이터 분석에 적합한 형태로 변환된다(transform). 데이터로부터 기체 분류에 유용한 특징을 추출하기 위해서는 다양한 패턴 인식 기법들이 적용될 수 있다. 전자코 데이터 샘플은 빠른 샘플링 정도로 센서 어레이의 각 채널에서 측정한 값들로 이루어져 있기 때문에 고차원 데이터(high-dimensional data)이므로, 특징을 효과적으로 추출하기 위해 다양한 차원 축소 방법(dimensionality reduction method)들이 사용될 수 있다.

여러 종류의 차원 축소 방법은 풀고자 하는 문제에 적합한 목적함수를 정의하고, 목적함수를 가장만족 시킬 수 있는 특징을 추출한다. 분류(classification)를 목적으로 사용되는 방법들 가운데 대표적으로 PCA+LDA 방법은 PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하고, LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간을 찾는다.

원 클래스(One-class) 분류와 같은 검출 문제에서는, 검출하고자 하는 클래스, 즉 포지티브(positive) 클래스의 공분산과 네거티브(negative) 샘플들의 공분산의 비율을 최대가 되도록 목적함수를 정의한 BDA(Biased Discriminant Analysis)가 보다 효과적으로 동작한다. 데이터 샘플의 공분산 행렬을 이용하는 대신 이미지 공분산 행렬(image covariance matrix)을 이용하는 방법들도 있다. 먼저 미리 정의된(pre-defined) 윈도우(window)를 이용하여 데이터 샘플에서 혼합 벡터(composite vector)들을 구성한다. 이미지 공분산 행렬의 요소 혼합 벡터들의 내부 결과 값이 된다.

이미지 공분산 기반 방법은 원래의 변수들 간에 높은 상관관계를 갖는 데이터들에서 효과적인 성능을 보인다. 이렇게 다양한 특징 추출 방법들은 전자코 시스템에서도 활용되어 왔다. 기존에는 PCA의 변형 가운데 하나인 CC-PCA와 CC-CPCA를 각각 전자코 시스템에 사용하였다.

센서의 측정(measurement)은 크게 안정화(stabilization), 노출(exposure), 배출(purge)의 세 단계로 구성되는데, 컴퓨팅 시스템에서 사용되는 대부분의 방법들은 기체 샘플에 대해 안정화 단계에서부터 배출 단계에 이르기까지의 전체 측정값들을 한 개의 벡터로 표현하고 통계적인 분석 과정을 통해 특징 공간을 구성한다.

그런데, 센서 측정 과정에서 센서의 불안정으로 인해 데이터의 일부에서 손실이 발생하거나 노이즈가 발생하는 등의 문제가 발생할 수 있다.

이런 경우, 전체 측정값들을 한 개의 벡터로 한꺼번에 사용할 때 데이터 자체의 오류가 분류 결과에 그대로 영향을 끼칠 수 있는 문제점이 있다.

공개특허공보 제10-2004-0080664호 (공개일자 2004.09.20) 공개특허공보 제10-2003-0093682호 (공개일자 2003.12.11)

따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 센서의 불안정으로 측정 중에 데이터의 일부에 손실이 발생하거나 센싱 환경의 영향을 받아 노이즈가 발생 했을 때, 주요한 구성요소들을 이용하여 통계적 학습기반으로 손실 또는 손상된 데이터 샘플을 복원함으로써 데이터 자체의 오류에 대해 보다 강건한 전자코 시스템 및 방법을 제공하는데 그 목적이 있다.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 가스 분류를 위한 전자코 시스템의 특징은 저장부에 미리 저장된 학습 데이터를 기준으로 서로 다른 각 채널의 센서들을 이용하여 측정된 측정 대상이 되는 데이터 샘플과의 비교를 수행하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출하는 센서 어레이와, 상기 센서 어레이에서 주어진 데이터 샘플에 대해 데이터의 손실된 정도를 측정하고, 최적화된 개수의 주요한 구성요소(principal component)들을 이용하여 데이터를 복원하여 기체의 종류를 구별하는 컴퓨팅 시스템을 포함하여 구성되는데 있다.

바람직하게 상기 센서 어레이는 서로 다른 특성을 가지는 각 채널의 센서들을 통해 기체의 종류에 따라 서로 다른 반응을 나타내는 센서 반응 결과를 검출하는 신호 검사부와, 상기 신호 검사부에서 검출된 센서 반응을 벡터 형태의 수치 데이터로 변환하는 전자적 인터페이스를 포함하여 구성되는 것을 특징으로 한다.

바람직하게 상기 신호 검사부는 16개의 채널로 구성되어 있으며, 각 채널마다 인터디지테이티드 전극(interdigitated electrode), 미세발열체(microheater), 머신 멤브레인(machined membrane)을 가진 CB(carbon-black) 폴리머 혼합물(polymer composites) 센서가 포함되는 것을 특징으로 한다.

바람직하게 상기 컴퓨팅 시스템은 센서 어레이에서 검출되는 센서 반응 결과 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정하는 구성요소 결정부와, 상기 센서 어레이에서 센서의 불안정으로 인해 손실 및 손상된 데이터가 수집되면, 손실 및 손상된 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터 재구성하여 복원하는 데이터 복원부와, 상기 데이터 복원부에서 복원된 데이터로부터 데이터 분류를 위한 특징을 추출하여 선정하는 특징 추출선정부와, 상기 특징 추출선정부에서 추출된 특징을 입력으로 데이터를 분류하여 가스의 종류를 결정하는 가스 분류부를 포함하여 구성되는 것을 특징으로 한다.

바람직하게 상기 구성요소 결정부는 PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하고, LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간으로 변환하여 차원 형상 공간으로 설정하는 것을 특징으로 한다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 가스 분류를 위한 전자코 방법의 특징은 (A) 센서 어레이를 통해 서로 다른 각 채널의 센서들을 이용하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출하는 단계와, (B) 데이터 수집부를 통해 센서 어레이(200)로부터 검출된 센서 반응 결과 데이터를 수집하는 단계와, (C) 구성요소 결정부를 통해 상기 수집된 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정하는 단계와, (D) 데이터 복원부를 통해 센서의 불안정으로 인해 수집된 손실 및 손상된 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터 재구성하여 복원하는 단계와, (E) 특징 추출선정부를 통해 복원된 데이터로부터 데이터 분류를 위한 특징을 추출하고 가스 분류기에서 상기 추출된 특징을 입력으로 데이터를 분류하여 가스의 종류를 결정하는 단계를 포함하여 이루어지는데 있다.

바람직하게 상기 (C) 단계는 PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하는 단계와, LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간으로 변환하여 차원 형상 공간으로 설정하는 단계를 포함하여 이루어지는 것을 특징으로 한다.

이상에서 설명한 바와 같은 본 발명에 따른 가스 분류를 위한 전자코 시스템 및 방법은 여러 종류의 휘발성 고유의 혼합 데이터에 대한 실험 결과, 본 방법을 이용하여 데이터를 복원함으로써 데이터의 손실 또는 손상에 의해 분류 성능이 감소하는 것을 방지할 수 있었으며, 또한 데이터 샘플의 구별력을 향상시킬 수 있는 효과가 있다.

도 1ㅇ은 본 발명의 실시예에 따른 가스 분류를 위한 전자코 시스템의 구성을 나타낸 블록도
도 2 는 본 발명의 실시예에 따른 가스 분류를 위한 전자코 방법을 설명하기 위한 흐름도
도 3 은 아세톤 증기(acetone vapor)에 대한 16 채널 센서 어레이의 전형적인 시간 응답을 나타내고 있는 그래프
도 4 는 전자코 데이터 샘플들의 산점도 행렬의 고유벡터

들을 내림차 순서로 정렬한 후 인덱스

에 대해 나타낸 그래프
도 5 는 데이터 손실 정도에 따라 평균 제곱 오차를 가져다주는 최적 m을 조사한 결과를 나타낸 그래프
도 6(a)(b)(c)(d)는 첫 번째 채널에 대한 벡터 형식의 데이터 샘플을 나타낸 그래프

본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시예들의 상세한 설명을 통해 명백해질 것이다.

본 발명에 따른 가스 분류를 위한 전자코 시스템 및 방법의 바람직한 실시예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

도 1ㅇ은 본 발명의 실시예에 따른 가스 분류를 위한 전자코 시스템의 구성을 나타낸 블록도이다.

도 1에서 도시하고 있는 것과 같이, 저장부에 미리 저장된 학습 데이터를 기준으로 서로 다른 각 채널의 센서들을 이용하여 측정된 측정 대상이 되는 데이터 샘플과의 비교를 수행하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출하는 센서 어레이(100)와, 상기 센서 어레이(100)에서 주어진 데이터 샘플에 대해 데이터의 손실된 정도를 측정하고, 최적화된 개수의 주요한 구성요소(principal component)들을 이용하여 데이터를 복원하여 기체의 종류를 구별하는 컴퓨팅 시스템(200)으로 구성된다.

상기 센서 어레이(100)는 서로 다른 특성을 가지는 각 채널의 센서들을 통해 기체의 종류에 따라 서로 다른 반응을 나타내는 센서 반응 결과를 검출하는 신호 검사부(110)와, 상기 신호 검사부(110)에서 검출된 센서 반응을 벡터 형태의 수치 데이터로 변환하는 전자적 인터페이스(120)로 구성된다.

이때, 상기 신호 검사부(110)는 16개의 채널로 구성되어 있으며, 각 채널마다 인터디지테이티드 전극(interdigitated electrode), 미세발열체(microheater), 머신 멤브레인(machined membrane)을 가진 CB(carbon-black) 폴리머 혼합물(polymer composites) 센서가 있다. 다음 표 1에 16종류의 (CB) 폴리머 혼합물을 표시하였다.

상기 컴퓨팅 시스템(200)은 센서 어레이(100)에서 검출되는 센서 반응 결과 데이터를 수집하는 데이터 수집부(210)와, 상기 데이터 수집부(210)에서 수집된 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정하는 구성요소 결정부(220)와, 상기 센서 어레이(200)에서 센서의 불안정으로 인해 손실 및 손상된 데이터가 수집되면, 손실 및 손상된 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터 재구성하여 복원하는 데이터 복원부(230)와, 상기 데이터 복원부(230)에서 복원된 데이터로부터 데이터 분류를 위한 특징을 추출하여 선정하는 특징 추출선정부(240)와, 상기 특징 추출선정부(240)에서 추출된 특징을 입력으로 데이터를 분류하여 가스의 종류를 결정하는 가스 분류부(250)로 구성된다.

이때, 상기 구성요소 결정부(220)는 PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하고, LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간으로 변환하여 차원 형상 공간으로 설정한다.

이와 같이 구성된 본 발명에 따른 가스 분류를 위한 전자코 시스템의 동작을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다. 도 1 또는 도 2와 동일한 참조부호는 동일한 기능을 수행하는 동일한 부재를 지칭한다.

도 2 는 본 발명의 실시예에 따른 가스 분류를 위한 전자코 방법을 설명하기 위한 흐름도이다.

도 2를 참조하여 설명하면, 먼저 센서 어레이(200)를 통해 서로 다른 각 채널의 센서들을 이용하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출한다(S10). 이때, 센서 측정은 화학 기체가 각 폴리머 혼합물 필름에 결합했을 때의 저항 변화를 관찰하여 이를 0.1초 간격으로 총 200초 동안 기록한다. 그리고 각 채널의 전체 측정 구간은 크게 안정화(stabilization)(30초)와 노출(exposure)(60초), 배출(purge)(110초)의 세 개의 구간으로 나눌 수 있다.

이어, 컴퓨팅 시스템(300)은 데이터 수집부(210)를 통해 센서 어레이(200)로부터 검출된 센서 반응 결과 데이터를 수집한다(S20).

그리고 구성요소 결정부(220)를 통해 상기 수집된 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정한다(S30). 이때, 상기 PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하고, LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간으로 변환하여 차원 형상 공간으로 설정한다.

상기 S30 단계를 좀 더 상세히 설명하면 다음과 같다.

N개의 샘플 세트를 고려해 보면, 각각의 샘플은 n차원 벡터 공간에서 점

로 나타낼 수 있다. 이 공간을 입력 공간이라고 부르며

의 각 변수를 '프리미티브 변수'라고 한다.

제곱 거리 합(Sum of the squared distance)의 관점에서 N개의 데이터 샘플을 가장 잘 표현할 수 있는 벡터는

들의 샘플

평균이다.

w를 단위 벡터로,

를

(

는 스칼라)로 표현하면,

의 최선의 세트는 다음 수학식 1을 최소화하여 구할 수 있다.

이것은 샘플 평균을 통과하는 w 방향의 직선에

를 프로젝션 했을 때 최소 자승법을 얻을 수 있음을 의미한다.

를 가장 잘 표현할 수 있는 w는 상기 수학식 1에

을 대입함으로써 다음 수학식 2와 같이 구할 수 있다.

이때, 상기

는 총 산란 행렬이며,

이다.

상기 수학식 2의 방법은 라그랑주 승수(Lagrange multiplier)를 이용함으로써 분산 행렬의 최대 고유치에 해당하는 고유 벡터임을 알 수 있다.

이것을 d-차원 프로젝션으로 확장시키면, 표준 함수 J는 아래 수학식 3과 같이 정의할 수 있다.

상기

의 글로벌 최소(global minimum)는 SVD를 이용하여 다음 수학식 4의 목적함수를 만족하는 w를 찾음으로써 얻을 수 있다.

상기

는 m(<<n) 3 차원 형상 공간에서 특징 공간을 이루고 있는 베이시스(basis)

,

의 선형 결합으로 표현되는데,

의 각 요소를 주요한 구성요소라고 할 수 있다.

결과적으로 PCA의 목적함수는

들의 분산을 가장 크게 하는 방향의 프로젝션들의 세트(W)를 찾는 것이며, W의 각 프로젝션 벡터들은 원래 입력 공간에서의 데이터 구조를 효과적으로 보존할 수 있는 하위 차원 형상 공간을 구성한다.

이어, 데이터 복원부(230)를 통해 센서의 불안정으로 인해 수집된 손실 및 손상된 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터 재구성하여 복원한다(S40).

상기 S40 단계를 상세히 설명하면 다음과 같다.

도 3 은 아세톤 증기(acetone vapor)에 대한 16 채널 센서 어레이의 전형적인 시간 응답을 보여주고 있는데, 이때, 센서의 불안정으로 인해 일부 데이터 측정값에 손실/손상이 발생한 경우, PCA를 이용하여 손실/손상된 데이터를 복원할 수 있으며, 이는 간단한 행렬 연산을 통해 이루어질 수 있다.

데이터 샘플(

)들의 산점도 행렬(scatter matrix)의 고유 벡터들은 서로 정규화(orthonormal)되기 때문에

이고, 따라서 데이터 샘플은

으로 나타낼 수 있다.

도 4 는 전자코 데이터 샘플들의 산점도 행렬의 고유벡터

들을 내림차 순서로 정렬한 후 인덱스

에 대해 나타낸 그래프이다.

도 4에서 보이고 있는 것과 같이, 고유벡터는 대폭 감소하고 고유벡터의 대부분은 처음 몇 개의 고유벡터에 집중된다. 그러나 훈련 샘플로부터 추정된 것은 유한수의 훈련 샘플로 인해 프로젝트된 랜덤 벡터 y의 진정한 분산으로부터 벗어난다. 특히 고유값이 작은 고유벡터들은 오차의 영향에 민감하다.

따라서 데이터의 복원 과정에서는 전체 고유벡터를 사용하는 대신, 고유값이 큰 m개의 고유벡터만을 사용하였다.

이에, 데이터 복원의 전체 과정은 먼저, 원래의 전자코 데이터 샘플과 손상된 데이터 샘플을 각각

와

라고 하면, 복원된 데이터 샘플

은 다음 수학식 5와 같이 구할 수 있다.

최적 m의 선택은 다음 수학식 6과 같이 원래 데이터 샘플에 대한 RMS(Root Mean Squared) 오차가 최소가 되도록 정하였다.

최적 m은 데이터의 손실 정도에 따라 다르게 선택될 수 있다.

도 5 는 데이터 손실 정도에 따라 평균 제곱 오차를 가져다주는 최적 m을 조사한 결과를 나타낸 그래프이다.

도 5에서와 같이, 손실 정도가 큰 데이터일수록 더 적은 수의 고유벡터를 사용했을 때 RMS 오차가 작아지는 것을 볼 수 있다. 이는 데이터의 손실이 클 때는 노이즈의 영향을 덜 받는 고유값이 큰 고유벡터들만을 사용하는 것이 오히려 복원에 더 효과적이라는 것을 보여준다.

따라서 제안한 방법에서는 데이터의 손상된 정도에 따라 각각 다른 m값을 사용함으로써 보다 효과적으로 데이터 복원을 수행하였다.

참고로, 전자코 센서의 측정(measurement) 값은 센서의 종류와 기체의 종류에 따라 각각 다르지만, 모든 측정값은 크게 안정화(stabilization), 노출(exposure), 배출(purge)의 단계에 따라 비슷한 모양의 반응 곡선을 보인다. 따라서 질문 데이터 샘플의 손상된 정도는 학습 데이터 샘플들의 평균(도 6(b))과의 RMS 값으로 판단하였다.

도 6 은 첫 번째 채널에 대한 벡터 형식의 데이터 샘플을 나타낸 그래프로서, (a)는 원본 데이터, (b)는 훈련 데이터의 평균, (c)는 손실 및 손상된 데이터, (d)는 재구성 된 데이터를 나타내고 있다. 이에 따라, 일 실시예로서, 손상된 정도를 세 단계로 나누어 RMS 값의 임계값의 기준으로 구분하였다.

이어, 특징 추출선정부(240)를 통해 복원된 데이터로부터 데이터 분류를 위한 특징을 추출하고(S50), 가스 분류기(250)에서 상기 추출된 특징을 입력으로 데이터를 분류하여 가스의 종류를 결정한다(S60).

상기 S50 단계를 상세히 설명하면 다음과 같다.

C개의 클래스를 가진 N개의 n차원의 학습 데이터 샘플

가 주어졌을 때, LDA는 같은 클래스에 속한 샘플들은 모으면서 동시에 각 클래스의 평균들 사이의 거리는 멀어지게 하는 프로젝션들을 찾는다. 이를 위해 클래스 내(within-class) 산점도 행렬

(

: 클래스

에 속한 m번째 샘플,

: 클래스

에 속한 샘플들의 평균)와 클래스 사이(between-class) 산점도 행렬

로부터 다음과 같이 정의된 목적함수를 만족하는 프로젝션 벡터(

)들로 구성된 프로젝션 행렬

를 다음 수학식 7과 같이 구한다.

상기 수학식 7을 만족하는

들은

로부터

의 고유벡터이다.

그런데, 기체 데이터(in this paper,

)와 같이 고차원 데이터의 경우에는 n이

의 열(rank)(N-C) 보다 커지므로

가 항상 유일해지는 SSS(Small Sample Size) 문제가 발생한다. 이러한 문제를 해결하기 위한 방법으로 PCA+LDA 방법은 LDA를 수행하기에 앞서 PCA를 수행하여 데이터의 차원을

으로 줄인다.

결국 PCB+LDA의 프로젝션 행렬은

가 된다. 여기서

이고,

이다.

를 구성하고 있는 프로젝션 벡터

들 중에서 고유벡터가 큰 순서대로

를 선택하면, 기체 데이터 샘플

는

개의 판별식 특징들로 구성된

차원의 특징 벡터로 다음 수학식 8과 같이 표현된다.

상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (7)

1. 저장부에 미리 저장된 학습 데이터를 기준으로 서로 다른 각 채널의 센서들을 이용하여 측정된 측정 대상이 되는 데이터 샘플과의 비교를 수행하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출하는 센서 어레이와,
   상기 센서 어레이에서 검출되는 센서 반응 결과 데이터를 수집하고, 상기 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정하며, 상기 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터를 재구성하여 복원함으로써 기체의 종류를 구별하는 컴퓨팅 시스템을 포함하여 구성되는 것을 특징으로 하는 가스 분류를 위한 전자코 시스템.
2. 제 1 항에 있어서, 상기 센서 어레이는
   서로 다른 특성을 가지는 각 채널의 센서들을 통해 기체의 종류에 따라 서로 다른 반응을 나타내는 센서 반응 결과를 검출하는 신호 검사부와,
   상기 신호 검사부에서 검출된 센서 반응을 벡터 형태의 수치 데이터로 변환하는 전자적 인터페이스를 포함하여 구성되는 것을 특징으로 하는 가스 분류를 위한 전자코 시스템.
3. 제 2 항에 있어서,
   상기 신호 검사부는 16개의 채널로 구성되어 있으며, 각 채널마다 인터디지테이티드 전극(interdigitated electrode), 미세발열체(microheater), 머신 멤브레인(machined membrane)을 가진 CB(carbon-black) 폴리머 혼합물(polymer composites) 센서가 포함되는 것을 특징으로 하는 가스 분류를 위한 전자코 시스템.
4. 제 1 항에 있어서, 상기 컴퓨팅 시스템은
   센서 어레이에서 검출되는 센서 반응 결과 데이터를 수집하는 데이터 수집부와,
   상기 데이터 수집부에서 수집된 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정하는 구성요소 결정부와,
   상기 센서 어레이에서 센서의 불안정으로 인해 손실 및 손상된 데이터가 수집되면, 손실 및 손상된 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터 재구성하여 복원하는 데이터 복원부와,
   상기 데이터 복원부에서 복원된 데이터로부터 데이터 분류를 위한 특징을 추출하여 선정하는 특징 추출선정부와,
   상기 특징 추출선정부에서 추출된 특징을 입력으로 데이터를 분류하여 가스의 종류를 결정하는 가스 분류부를 포함하여 구성되는 것을 특징으로 하는 가스 분류를 위한 전자코 시스템.
5. 제 4 항에 있어서,
   상기 구성요소 결정부는 PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하고, LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간으로 변환하여 차원 형상 공간으로 설정하는 것을 특징으로 하는 가스 분류를 위한 전자코 시스템.
6. (A) 센서 어레이를 통해 서로 다른 각 채널의 센서들을 이용하여 기체의 종류에 따라 서로 다른 센서 반응 결과를 검출하는 단계와,
   (B) 데이터 수집부를 통해 센서 어레이(200)로부터 검출된 센서 반응 결과 데이터를 수집하는 단계와,
   (C) 구성요소 결정부를 통해 상기 수집된 데이터를 PCA(Principal Component Analysis) 및 LDA(Linear Discriminant Analysis) 방법을 이용하는 차원 축소 방법으로 하위 차원 형상 공간에서 이루고 있는 각 매개변수를 구성요소로 결정하는 단계와,
   (D) 데이터 복원부를 통해 센서의 불안정으로 인해 수집된 손실 및 손상된 데이터를 통계적 학습 기반을 갖는 행렬 연산을 통해 왜곡된 데이터 재구성하여 복원하는 단계와,
   (E) 특징 추출선정부를 통해 복원된 데이터로부터 데이터 분류를 위한 특징을 추출하고 가스 분류기에서 상기 추출된 특징을 입력으로 데이터를 분류하여 가스의 종류를 결정하는 단계를 포함하여 이루어지는 것을 특징으로 하는 가스 분류를 위한 전자코 방법.
7. 제 6 항에 있어서, 상기 (C) 단계는
   PCA(Principal Component Analysis)를 이용하여 고차원의 전자코 데이터를 저차원의 특징 공간으로 변환하는 단계와,
   LDA(Linear Discriminant Analysis)를 이용하여 같은 클래스 내의 공분산을 최소로 하고, 다른 클래스 간의 공분산은 최대로 하는 특징 공간으로 변환하여 차원 형상 공간으로 설정하는 단계를 포함하여 이루어지는 것을 특징으로 하는 가스 분류를 위한 전자코 방법.

Images