KR20010041681A - 오라시스(ｏｒａｓｉｓ) 멀티세그먼트 패턴 세트를 갖는하이퍼데이터의 압축(ｃｈｏｍｐｓ) - Google Patents

Abstract

지능형 하이퍼센서 처리 시스템(IHPS)은 작고, 약하거나 숨겨진 객체, 물질 또는 복합 백그라운드에 내재된 패턴을 신속히 탐지하기 위한 시스템으로, 특정 유형의 "하이퍼센서"에 의해 제공된 데이터에서 패턴이나 기호를 분해 및 인식하기 위한 빠른 적응 처리를 제공한다. 이 시스템은 실시간으로 동적 시나리오에서 숨겨진 객체/타겟을 검출하려 할 때 만나는 문제를 해결함으로써 숨겨진 객체 검출을 위한 종래 시스템의 대안이 된다. IHPS의 CHOMPS 버전은 센서에 의해 수집된 대량의 데이터를 처리, 압축 및 조작하는 효율적인 수단을 제공한다. CHOMPS는 적응 학습 모듈 파이프라인을 이용하여 필요한 화면 매핑 데이터와 함께 압축된 데이터 집합을 구성하여, 신호 정보의 열화를 최소로 하면서 완전 데이터 집합의 효율적인 저장, 다운로드 및 장래의 재구성을 용이하게 한다.

Description

오라시스(ＯＲＡＳＩＳ) 멀티세그먼트 패턴 세트를 갖는 하이퍼데이터의 압축(ＣＨＯＭＰＳ){Compression of hyperdata with orasis multisegment pattern sets:CHOMPS}

본 발명은 일반적으로 신호 처리에 관한 것으로, 보다 구체적으로는 복합 백그라운드에 내재된 객체(objects), 물질 또는 패턴을 포함하는 하이퍼센서 데이터 집합의 급속 압축을 위한 시스템에 관한 것이다. 하이퍼센서는 출력값으로 서로 다른 많은 엘리먼트로 구성된 고차원 벡터 또는 매트릭스를 생성하는 감지기로, 각 엘리먼트는 구성 중인 시스템 또는 화면의 서로 다른 속성의 측정치이다. 하이퍼스펙트럼 이미저가 하이퍼센서의 일례이다. 음향이나 다른 종류의 신호, 또는 서로 다른 유형의 입력 신호의 조합에 근거하는 하이퍼센서도 가능하다.

역사적으로 복합 백그라운드에 내재된 작거나 약하거나 또는 감춰진 객체, 물질 또는 패턴의 검출 문제에 대한 접근 방식은 세 가지가 있었다.

제1 방식은 모든 가능한 속성의 작고, 신중하게 선택된 부분 집합(subset), 예를 들면 하나 또는 몇개의 스펙트럼 대역에서 잘 알려진 타겟의 깨끗한 신호를 검출하려고 하는 저차원 센서 시스템을 이용하였다. 이들 시스템은 일반적으로 타겟 신호가 다른 신호와 다량으로 결합될 때 어려움을 가져서, 구체적으로 이상적인 조건하에서만 서브픽셀 타겟 또는 적어도 혼합물의 소수의 화학적 구성요소를 검출할 수 있다. 타겟은 일반적으로 적어도 하나의 픽셀을 채워야 하거나 또는 일부 하이퍼스펙트럼 대역에서처럼 다른 센스에서 우세해야 한다. 또한, 최적의 대역 선택은 관찰 조건이나 백그라운드(예를 들면, 기후 및 조명)에 따라 달라지므로 그러한 시스템은 안정되고 예측가능한 환경에서 최고로 작용할 수 있다. 이들 시스템은 고차원 센서(하이퍼센서)보다는 간단하지만 하위 우세(subdominant) 타겟에 대해 덜 민감하고 적응성이 떨어지는 경향이 있다.

제2 방식은 백그라운드의 표현을 구성하기 위해 주성분 분석(Principle Components Analysis:PCA)이나 유사한 선형법을 사용하여, 복합 백그라운드에서 알려진(미리 지정된) 타겟을 검출하려는 고차원 센서를 채용하였다. 그리고 나서는 직교사영법이 백그라운드로부터 그 타겟을 분리하기 위해 사용된다. 이 방식에는 여러 단점이 있다. 백그라운드의 특성화를 위해 사용되는 방법들은 일반적으로 '실시간 알고리듬'이 아니다. 그것들은 비교적 느려서, 한번에 전체 데이터 집합을 연산해야 하므로 실시간 연산보다 후처리에 더 적합하다. 백그라운드 특성화는, 백그라운드가 조사될 때 타겟이 통계적으로 의미있는 측정치에서 존재하면 혼동되어 처리를 실패하게 할 수 있다. 또한 타겟 기호의 외관은 환경 조건에 따라 달라질 수 있다. 이러한 속성은 미리 고려되어야 하며, 일반적으로는 그렇게 하기가 매우 어렵다. 마지막으로 이들 PCA 방법은, 이들 방법에 의해 구성된 백그라운드의 표현이 실제적이지 못하고 예측이 가능하지 않게 실제 화면 구성요소들의 속성을 혼합하기 때문에 예상치 못한 타겟(자세하게 규정되지 않았지만 중요할 수도 있는 객체나 물질)을 검출 및 기술하는데 적합하지 못하다. PCA 방법은 또 똑같은 단점의 대부분을 갖고 있긴 하지만 압축 체계에도 이용된다. 선형 벡터 정량화(LVQ)도 압축에 이용된다. 현재의 LVQ 체계는 데이터를 압축하기 위해 PC의 최소의 소음 마찰(MNF) 또는 평균 패턴을 이용하는데, 이들 패턴은 느리고, 이미 알려진 센서 특성에 관한 사전 지식을 필요로 한다.

보다 최근의 방식은 '엔드멤버(endmember)' 문제를 밝히려 하는 기존의 볼록 집합법에 근거하고 있다. 엔드멤버는 데이터 집합에서 관찰된 모든 스펙트럼이 콘벡스 조합, 즉 비음수(non-negative) 계수와의 가중 합계의 형태로 구성될 수 있는 기준 기호의 집합이다. 비음수 조건은 그 합계가 성분의 음 분수를 포함할 수 없으며 스펙트럼의 혼합(mixture)으로서 두드러지게 해석될 수 있다는 것을 보장한다. 그러므로 모든 데이터 벡터는 일부 오차 허용한도 내에 있는 엔드멤버의 혼합이다. 엔드멤버는 적절히 구성되면 관찰되는 화면의 실제 구성요소들의 기호 패턴에 대한 근사치를 나타낸다. 직교사영 기술은 각각의 데이터 벡터를 구성요소의 엔드멤버로 분리하는데 이용된다. 이들 기술은 개념상으로는 기존의 방식 중에서 가장 강력하지만 볼록 집합 아이디어를 실행하기 위한 현재의 방법은 느리고(실시간 방법이 아님) 고차원 패턴 공간을 다룰 수 없다. 이 마지막 문제는 심각한 한계이며, 타겟보다 더 우세한 화면의 모든 구성요소가 엔드멤버 집합에서 고려되어 약한 타겟 문제를 고차원으로 만들어야 하기 때문에 이들 방법이 약한 타겟을 검출하는데 적합하지 못하게 한다. 부가적으로 현재의 볼록 집합법은, 소음보다는 확실히 위에 있지만 데이터 집합에서는 빈번하지 않은 기호 패턴을 무시하는 경향을 가지며, 발생되는 빈도의 측면에서 우세한 화면의 구성요소를 우선으로 한다. 이로써 타겟 패턴이 미리 충분히 규정되지 않으면 강하지만 작은 타겟을 검출하는데 이들 방법이 적합하지 못하게 된다.

고차원 패턴 공간에서 연산할 때, 각 픽셀에 대해 수억번의 계산을 필요로 하는 대용량 데이터가 처리되어야 한다. 그러므로 저장, 다운로드 및/또는 실시간 분석을 위해 대용량 데이터의 압축에 대한 필요성은 점점 중요해지고 그 만큼 알기 어렵다.

[발명의 요약]

따라서, 본 발명의 목적은 복합 백그라운드에 내재된 객체나 물질을 검출하기 위한 스펙트럼 정보를 보전하면서 멀티스펙트럼 데이터를 압축하는 것이다.

본 발명의 다른 목적은 다차원 분석을 다룰 수 있는 화학적, 음향 또는 다른 유형의 하이퍼센서로부터 다차원 데이터 집합을 정확하고 신속하게 압축시키는 것이다.

본 발명의 또 다른 목적은 기존의 방법에 비하여 계산의 부담을 상당히 줄여주는 고속 알고리듬 세트로 신호를 처리하고 데이터를 압축하는 것이다.

본 발명의 또 다른 목적은 동적 시나리오에서 진정한 실시간 연산을 제공하는 병렬 처리를 채용하는 시스템에서 하이스펙트럼 또는 멀티스펙트럼 데이터를 압축하는 것이다.

본 발명의 이들 목적 및 그 외의 목적은 후술하는 구조 및 방법에 의해 달성된다.

ORASIS 멀티세그먼트 패턴 집합을 갖는 하이퍼데이터의 집합(CHOMPS) 시스템은 지능형 하이퍼센서 처리 시스템(IHPS)이 개선된 것으로, IHPS는 CHOMPS를 채용하여 데이터 출력의 크기를 압축하고 다른 다차원 신호 처리 시스템에서 IHPS 프리스크리너 연산 또는 비교 연산의 계산적 효율을 증가시킨다. CHOMPS로 구성된 프리스크리너는 최소의 연산으로 표본 집합을 구성하는데 사용되는 구조화 탐색법을 채용한다. IHPS는 다수 센서의 출력의 연접(concatenation)을 통해 일련의 패턴 벡터를 형성한다. 센서로부터의 데이터열은 병렬 파이프라인 구조를 채용하는 처리 시스템으로 입력된다. 데이터열은 동시에 두 개의 별도의 프로세서 파이프라인으로 전송된다. 디믹서 파이프라인으로 불리는 제1 프로세서 파이프라인은 각각이 패턴 벡터를 혼합(mixture)의 구성요소들인 기초 패턴의 집합의 콘벡스 조합으로 분해하는 디믹서 모듈을 포함한다. 분해는 적응 학습 파이프라인으로 불리며, 적응 학습 모듈을 포함하는 제2 파이프라인에서 생성되는 '필터 벡터'로 불리는 사영 연산을 이용하여 달성된다. 약한 구성요소 또는 미해결 소형 타겟의 기호 패턴은 혼합되지 않은 데이터에서 타겟 패턴을 숨기는 백그라운 패턴으로부터 분리된다. 혼합된 데이터 패턴의 구성을 상술하는 정보는 기초 패턴과 필터 벡터에 관한 정보와 더불어 디스플레이/출력 모듈로 전송된다.

IHPS의 CHOMPS 실시는 센서에 의해 수집된 대용량 데이터를 압축 및 저장하는 효율적인 수단을 제공한다. CHOMPS는 필요한 화면 매핑 데이터와 더불어 압축 데이터 집합을 구성하여 신호 정보가 최소로 열화되는 완전 데이터 집합의 효율적인 저장과 다운로드 그리고 차후의 재구성을 용이하게 하는 프리스크리너, 디믹서 파이프라인 및 적응 학습 모듈 파이프라인을 이용한다.

도1은 X, λ와 Τ좌표에서의 공간 및 파장 정보의 데이터 큐브 및 방향을 도시하고,

도2는 시스템의 병렬 구조를 도시하는 IHPS의 일 실시예에 대한 블록도,

도3은 프리스크리너 연산의 논리 흐름도,

도4는 그램-슈미트 연산 중에 V₁와 V₂에 의해 생성된 평면을 도시하고,

도5는 그램-슈미트 연산 중에 직교사영 V_1o과 V_2o을 도시하고,

도6은 살리엔트 벡터 및 V_1o과 V_2o에 의해 정의된 평면을 도시하고,

도7은 그램-슈미트/살리엔트 연산 중에 정의된 3차원 스패닝 공간을 도시하고,

도8은 살리엔트 벡터를 도시하는 3차원 스패닝 공간을 도시하고,

도9는 하이퍼트라이앵글 볼록 매니폴드를 도시하고,

도10a는 수축 래핑법1을 사용하여 정의된 소형화된 하이퍼트라이앵글을 도시하고,

도10b는 수축 래핑법2를 사용하여 정의된 소형화된 하이퍼트라이앵글을 도시하고,

도11은 수축 래핑법3을 사용하여 정의된 소형화된 하이퍼트라이앵글을 도시하고,

도12는 적응 학습 모듈 연산의 논리 흐름도,

도13은 디믹서 모듈 연산의 흐름도,

도14는 다중스레드 연산을 채용하는 ALM 프로세서 파이프라인의 블록도,

도15는 기준 벡터와 그 표본 사영을 도시하고,

도16은 팝업 스택 탐색법의 논리 흐름도,

도17은 벡터 공간에서 단일 정곡 탐색법(single Bullseye search method)을 도시하고,

도18은 벡터 공간에서 이중 정곡 탐색법(double Bullseye search method)을 도시하고,

도19는 CHOMPS 웨이브스페이스 압축 모드의 논리 흐름도, 및

도20은 CHOMPS 엔드멤버 압축 모드의 논리 흐름도이다.

[바람직한 실시예의 상세한 설명]

도면들을 참조하면 동일한 참조 문자는 여러 도면에서 동일 엘리먼트를 가리킨다. 도1은 데이터 큐브 및 공간 및 파장 정보의 방향을 도시한다. IHPS는 다수 센서의 출력의 연접을 통한 패턴 벡터 시리즈를 형성한다. 각 센서는 관찰되는 시스템의 서로 다른 속성을 측정하고 나머지 센서 전부에 대해 구성 관계를 갖는다.

바람직한 실시예에서, 비행기나 우주선에 광학 시스템이 채용될 수 있다. 비행기가 관심 지역 위를 또는 관심 지역에 근접하여 날아갈 때 하이퍼센서(10)는 아래의 화면(scene)을 연속 스냅으로 찍어서 관심있는 화면이나 지역을 스캐닝한다. 각 스냅 사진은 스펙트럼 데이터의 프레임을 구성한다. 스펙트럼 데이터는 프레임(210) 별로 스캐닝되어 강도 변화에 따라 디스플레이된다. 광학 표본에서, 프레임(210)은 화면의 좁은 선형 스트립으로부터의 빛을 수용하는 좁은 슬릿의 2차원 초점면 상의 회절 이미지이다. 광학 센서 레이아웃의 변화가 가능하다. 각 프레임(210)은 다중선(205)을 포함하는데, 각 선(205)은 스캐닝된 지역의 특정 좌표와 상관되는 화면 내의 특정점에 대한 스펙트럼 특성이다. 각 프레임(210)은 공간 정보가 X축을 따라 표현되고, 파장 정보가 λ방향에 들어있도록 그렇게 구성된다. 도1에 도시된 것처럼 데이터 큐브(200)는 연속 프레임(210)(서로 다른 공간 스트립) 연접에 의해 생성되고, 하이퍼센서가 제공하는 화면의 관찰된 스펙트럼 데이터를 나타낸다. 데이터 큐브(200)를 생성하는데 이용되는 관찰된 스펙트럼 데이터는 벡터 형태로 표시되고, 한번에 하나의 공간 픽셀, 즉 하나의 스펙트럼으로 처리된다. 각 픽셀은 표준화를 이행하고 불량 스펙트럼 데이터를 제거하는 선처리기(미도시)로 공급된다. 불량 스펙트럼 데이터는 부패되거나 그렇지 않으면 불완전한 스펙트럼 정보 때문에 쓸모없는 데이터이다.

기본 시스템 구조의 블록도를 도시하는 도2를 참조하면, 센서로부터의 데이터열은 병렬 파이프라인 구조를 채용하는 처리 시스템(100)으로 입력된다. 동시에 데이터열은 두 개의 별도 처리기 파이프로 전송되는데, 하나는 분해를 위한 것이고(140), 나머지 하나는 적응 학습 연산을 위한 것이다(150). 디믹서 모듈(20)은 각각의 패턴 벡터를 혼합의 구성요소인 기본 패턴 집합의 콘벡스 조합(convex combination)으로 분해한다. 분해는 적응 학습 모듈(30)에 의해 제2 파이프라인에 생성되는 소위 '필터 벡터'로 불리는 사영 연산(projection operation)을 이용하여 달성된다. 하이퍼센서(10)는 데이터를 수집하고, 수집된 데이터를 프리스크리너(50)로 전송한다. 프리스크리너(50)는 표본을 추출하여 또는 신규 또는 유용한 정보를 담고 있을 수도 있는 하이퍼센서(10)에 의해 수집된 데이터를 추출하여 생존 집합을 구성한다. 약한 구성요소 또는 미해결 소형 타겟의 기호 패턴은 혼합되지 않은 데이터에서 타겟 패턴을 숨길 수도 있는 백그라운드 패턴으로부터 분리된다. 알려진 타겟의 기호에 관한 사전 지식이 이용될 수 있고, 알려지지 않은 구성요소의 근사 기호가 자동으로 결정된다. 분해된 데이터 패턴의 구성을 상술하는 정보는 기본 패턴과 필터 벡터에 관한 정보와 함께 출력 모듈(40)로 전송된다. 학습 모듈(30)은 최소화 연산(minimization operation)을 실행하고 표본 집합 정보를 감소된 크기의 공간으로 투영하여 엔드멤버와 필터 벡터를 생성한다.

다른 유형의 하이퍼센서에 대하여, 센서 배열에 의해 생성된 스펙트럼 벡터는 다른 주파수의 음향의 크기 등의 다른 유형의 데이터 엘리먼트의 벡터로 대체될 수 있다. 입력 데이터 벡터의 조직은 또 센서의 유형에 따라 약간 달라질 수 있다. 입력 데이터의 유형과 조직에서의 센서의 큰 변형을 제외하면, 처리 시스템의 연산, 능력 및 출력은 그래도 유지된다.

도2를 참조하면 벡터 데이터 d는 그리고 나서 적응 학습 및 디믹서 처리기 파이프로 동시에 공급된다. 도면에서 도시된 이 병렬 처리 구조는 바람직한 구조이긴 하지만, 그러나 이 시스템, 알고리듬, 그리고 거기에 들어있는 하드웨어는 전통 구조를 갖는 시스템에 채용될 수도 있다. 디믹서 처리기 파이프라인(140)은 각 데이터 벡터 d_k를 엔드멤버 또는 혼합의 구성요소인 기본 패턴의 집합의 콘벡스 조합으로 분해하는 디믹서 모듈(20)을 포함한다. 분해는 적응 학습 모듈(30)에 의해 생성되는 '필터 벡터'로 불리는 투영 연산자를 이용하여 달성된다.

필터 벡터 F_i는 최적 정합 필터의 집합이다. 그것들은 다음 조건을 만족시키는 최소 벡터들이다.

여기서, δ_ij는 크로네커(Kronecker) 델타 함수(δ_ij는 i=j이면 1이고, 그렇지 않으면 0이다)이고, 벡터 E_j는 화면의 엔드멤버이므로 각 데이터 벡터 d_k(스펙트럼)는 엔드멤버의 볼록 집합에 소음 벡터 N_k를 더한 것이다.

J가 J번째 엔드멤버인 필터 벡터 F_J를 갖는 d_k의 점곱은 합계에서 엔드멤버 E_j의 계수를 산출하여 소음으로 인한 작은 오차를 더한다.

이것은 엔드멤버 J가 스펙트럼 d_k에 대해 하는 기여도를 결정한다. 필터 벡터는 직교성 조건에 의해 부여되는 제약에 따라 전술한 최소화 문제(최소 크기)를 해결함으로써 발견되는 최적 정합 필터이다. 해결책은 다음의 형태를 갖는다.

여기서 필터 벡터는 매트릭스의 행이고, (단위 크기를 갖는 것으로 가정되는) 엔드멤버는 매트릭스의 행이고, 매트릭스은 엘리먼트 Mij=E_iㆍE_j를 갖는다.

필터 벡터는 약한 구성요소의 기호 패턴 또는 미해결 소형 타겟이 스펙트럼 데이터에서 타겟 패턴을 숨길 수도 있는 백그라운드 패턴으로부터 분리해도록 허용한다. 필터 벡터는 한번에 하나의 엔드멤버를 투영함으로써 스펙트럼을 분리한다.

CHOMPS는 필터 벡터 조작으로 제한되지 않는다. 스펙트럼 정합 필터(SMF) 또는 유사역원(pseudoinverses)을 이용하는 등, 스펙트럼을 분해하기 위해 당해기술에 알려진 여러 방법이 있는데, 어느 것이든 압축에 적합하다.

분해된 데이터 스펙트럼의 구성을 상술하는 정보 C_kj는 기본 스펙트럼 패턴에 관한 정보 E_j및 적응 학습 파이프라인(150)을 거친 적응 학습 모듈(30)로부터의 필터 벡터와 함께 디믹서 파이프라인(140)을 통해 디믹서 모듈로부터 디스플레이/출력 모듈(40)로 전송된다 디스플레이/출력 모듈(40)은 화면의 구성요소의 분포를 디스플레이하고, 나중에 분석을 위해 분해된 데이터를 전송하거나 저장한다.

적응 학습 또는 제2 처리기 파이프라인(150)은 프리스크리너(50)와 적응 학습 모듈(30)을 포함한다. 프리스크리너(50)의 목적은 입중 스펙트럼 벡터 d를 최신의 표본 집합{S}와 비교함으로써 사용자 지정 정밀도로 표본 앙상블{S}을 생성하는 것이다.

도3을 참조하면, 프리스크리너(50)는 선처리기(미도시)로부터 데이터 벡터 d를 받고 생존 또는 표본 집합(55)으로 불리는 벡터 또는 표본 앙상블의 축소된 집합을 생성한다. 표본 집합(55)은 그리고 나서 적응 학습 모듈(30)로 전송된다. 프리스크리너(50)는 중복 정보를 포함하는 스펙트럼 기호를 버림으로써 처리된 데이터의 양을 줄여준다. 이것은 학습 파이프라인의 다른 엘리먼트에서의 계산 부담을 줄여준다. 표본 집합(55)은 일반적으로 전체 입력열의 1% 미만이지만, 크기는 조건 및 적용에 따라 달라진다.

CHOMPS에서, 프리스크리너(50)는 적용의 적시 요건 및 처리 시스템 하드웨어에 따라 여러 다른 방법으로 이행된다. 바람직한 실시예에서, 프리스크리너 모듈은 멀티스레드 또는 메시지 멀티처리기 연산을 이용하여 실행된다. 멀티스레드 연산을 채용하는 ALM 프로세서 파이프라인(150)의 블록도를 도시하는 도14를 참조하면, 센서(10)에 의해 생성된 데이터는 멀티처리기 파이프를 통과한다. 데이터 집합은 분할되어 각 프리스크리너(50)는 입력열의 다른 구역을 처리한다. 프리스크리너는 결합하여 각 프리스크리너 모듈(50)이 표본 집합 정보를 공유하여, 다른 프리스크리너로부터의 최신 데이터를 갱신 및 받을 수 있게 한다. 이는 각 프리스크리너(50)가 각 프리스크리너(50)에 의해 벡터 데이터 집합{d}로부터 추출된 표본을 반영하는 완전한 표본 집합{S}을 생성하도록 허용한다. 멀티스레드 연산에서, 프리스크리너(50)는 또 독립 연산을 위해 분리될 수 있다. 이 모드에서 각 프리스크리너는 완전한 데이터 집합을 처리하고, 별도의 소프트웨어 모듈은 병렬 프리스크리너의 출력을 단일 표본 집합으로 조정한다.

완전하고 갱신된 표본 집합{S}는 그리고 나서 엔드멤버 생성을 위해 ALM(30)으로 전달된다. 엔드멤버 데이터 및 필터 벡터는 출력 모듈로 전달된다.

CHOMPS는 그러므로 매우 큰 데이터 집합을 신속하고도 효율적으로 표본 추출하고, 동시에 데이터 집합의 대형 "청크(chunk)"를 프리스크리닝함으로써 표본 집합을 생성할 수 있다. 이 텍스트 전체에 걸쳐 논의되는 압축 및 계산 처리 기술과 결합하며, 프리스크리너 수준에서 병렬 처리를 채용하는 능력은 IHPS와 CHOMPS의 효율을 실질적으로 개선시키고, 실시간 연산 엔빌로프를 상당히 확장시킨다.

도14에 예시된 멀티처리기 구성은 또 기계의 네트워크에서 분포된 다수 프리스크리너를 이용하여 채용될 수도 있다. CHOMPS는 또 각 벡터가 단일 처리기에 의해 연속 처리되는 단일 스레드 연산을 이용하여 채용될 수 있다.

도3은 프리스크리너(50)의 논리 연산의 흐름도를 도시한다. 프리스크리너(50)는 표본 집합(55)의 기존 원소와 함께 표본 추출된 최신 픽셀의 데이터 스펙트럼을 비교함으로써(54) 표본 집합{S}를 생성한다. 표본 집합은 다음 식에 따라 점 연산을 이행하여 생성된다.

여기서, d_i는 i번째로 새로이 표본 추출된 데이터 벡터이고, S_j는 기존의 표본 집합 벡터이고, ε는 가변 제어 한계 감도이다. 여기서, 벡터 d_i와 S_j는 단위 크기로 표준화되는 것으로 가정된다. 그러므로 d_iㆍS_j=1은 두 개의 벡터가 동일하다는 것을 의미하고, 조건 d_iㆍS_j〉1-ε는 ε가 작으면 두 개의 벡터가 거의 동일하다는 것을 의미한다. 어느 표본 S_j에 대해서든 위의 조건을 충족시키는 d_i에 대한 벡터는 버려지고(52), 다음 벡터가 검사된다. 버려진 벡터는 표본 집합에 들어있지 않다. 각 표본에 대한 기각 회수는 장래의 되부르기를 위한 배열(array)에 저장된다. 연산자나 제어 시스템에 의해 설정되는 ε의 값은 원하는 표본 집합 크기, 표본 집합값을 위한 메모리 길이, 데이터의 원하는 산출량 및 신호(56)에서의 소음의 함수이다. 일반적으로 ε의 값이 증가할 때 시스템의 감도는 줄어든다. 프루너(Pruner)(51)는 표본 집합 벡터 S_j가 메모리로부터 제거될 때를 결정하는 메모리 관리 장치이다. 프루너(51)는 표본 집합(55)을 감시하고 제어 변수를 조정하여 표본 집합 크기를 제어한다. 이는 ε의 값 및 표본의 최대 허용 나이를 설정함으로써(54) 달성되고, 최대 허용 나이는 표본 집합에 추가하기 위한 한계 및 표본이 재생없이 표본 집합에 남도록 허용되는 시간을 결정한다.

d_iㆍS_j〉1-ε비교에서 사용되는 표본 집합 벡터 S_j는 바람직하게 구조화 탐색 기술을 이용하여 선택되어 점 연산의 수를 최소화하는 한편 표본 집합(55)의 철저한 분석을 제공한다. 이는 새로이 표본 추출된 데이터 벡터를 표본 집합으로 들어온 가장 최근의 벡터와 비교함으로써(54) 달성된다. 완전 정합(thorough matching)에 필요한 연산의 수를 최소화하는 다른 조사 방법도 적합하다. CHOMPS는 상세히 후술될 효과적인 프리스크리너 연산에 필요한 연산의 수를 최소화하도록 하는 그러한 구조화 기술 여러 개를 채용한다.

CHOMPS에 의해 채용되는 계산 처리 기술은 집중 탐색(focus searching)으로 불려진다. 집중 탐색은 일반적으로 입중 데이터 벡터 d_i를 표본 S_j와 비교하는데 집중하여 관련 표본을 신속히 위치시키고, 그리고 새로운 벡터 데이터 d_i와 기존의 표본 S_j와의 유사 여부에 대하여 판단할 수 있기 전에 필요한 표본 비교의 수를 줄이는 것과 관련된 우선 순위 탐색(priority searching) 및 구역 탐색(zone searching)을 포함한다.

우선 순위 탐색에서, CHOMPS는 표본의 나이, 과거의 비교 또는 다른 통계를 기준으로 하여 다른 표본보다 일부 표본에 대해서 더 높은 우선 순위를 할당할 것이다. 더 높은 우선 순위가 지정되는 표본은 우선 d_iㆍS_j〉1-ε프리스크리너 비교에서 사용된다. 더 낮은 우선 순위를 갖는 표본은 필요하다면 나중에 사용된다.

바람직한 실시예에서, CHOMPS가 채용하는 계산 처리 기술은 팝업 테스트로 불리는 우선 순위 탐색 기술의 형태이다. 팝업 테스트는 팝업 스택으로 불리는 데이터 구조를 이용한다. 팝업 스택은 가장 최근에 입중 스펙트럼 데이터 벡터 d_i를 기각한 유일한 표본 벡터 S_j를 포함하는 표본 집합{S}의 부분 집합이다. 이들 벡터에는 가장 최근의 표본 엔트리와 가장 최근에 후보 표본을 기각한 표본이 포함된다. 데이터 벡터는 다른 표본 집합 원소와 다른 것으로 판단되면, 팝업 스택으로 입력된다.

팝업 스택 테스트의 흐름도를 도시하는 도16을 참조하면, 프리스크리너는 우선 센서(556)로부터 데이터 벡터 d_N을 받는데, 여기서 N은 단지 벡터를 받은 차수(order)이다. 그리고 나서 프리스크리너는 d_N이 S_j와 유사한지 판단하기 위해 표준 점곱 비교를 실행한다. 부등식에서의 조건이 충족되면 d_N은 S_j또는 반복 데이터와 유사하므로 기각되고(565) 다음 데이터 벡터 d_N+1이 탐색된다(566). S_j는 그리고 나서 스택(567)의 꼭대기에 위치하여 S_j와 맨 처음 비교되는 표본 추출된 다음 데이터 벡터가 된다. 조건이 충족되지 않으면 프리스크리너는 스택 S_j+1에서 다음 표본을 검색하고(555), S_j=S_j+1인 경우에 d_NㆍS_j〉1-ε비교를 계속한다. 조건이 충족되면 프리스크리너는 다시 유사하므로 d_N을 기각하고, S_j+1을 스택의 꼭대기에 위치시키고(567), 비교를 위해 다음 데이터 벡터 d_N+1을 검색한다(566,556). 조건이 충족되지 않으면 프리스크리너는 다음 텍스트로 진행한다(570).

그러므로 팝업 스택은 유사하므로 데이터 벡터를 기각하기 위해 마지막 표본에 대해 우선 순위를 준다. 리젝터로 불리는 이 표본은 더 먼 기각 이력을 갖는 표본보다 다음 입중 데이터 벡터에 대해 통계적으로 더 비슷할 가능성이 높다. 그러므로 팝업 테스트는 벡터를 단일 비교 연산으로 유사하다고 신속히 분류할 가능성을 향상시킨다. 팝업 스택의 다른 변형이 가능하다. 예를 들면 최신 리젝터에는 (최초 비교에 사용되는) 최고의 우선 순위가 할당되지 않으며, 다른 표본 대부분에 더 높은 우선 순위가 제공된다.

바람직하게 팝업 테스트는 2 또는 3 사이클을 넘지 않게 실행되지만, 팝업 테스트가 다수 반복되기도 한다. 바람직한 실시예에서 2 또는 3 사이클 후에 CHOMPS는 다음에 구역 탐색을 실시한다.

구역 탐색에서, CHOMPS는 기준점을 선택하고, 기준과의 관계에 따라 표본 집합{S}와 입중 데이터 벡터 d를 정의한다. 표본 데이터 집합{S}는 프리스크리너가 데이터 벡터 d_i와 관련된 변수를 만족시키는 표본 Sj를 신속히 되부르게 하도록 구성된 기준점과의 일부 정의된 관계에 따라 라벨이 붙고 저장된다. 그러므로 CHOMPS는 기준점에 대한 입중 데이터 벡터 관계를 이용하여 d_i와 비교할 표본 구역을 정의하고 입중 데이터 벡터 d_i가 새로운 정보를 포함하는지 판단할 수 있다.

바람직한 실시예에서, CHOMPS는 하나의 벡터를 기준점으로 지정한다. 이들 벡터는 기준 벡터로 불려진다. 기준 벡터는 표본 집합 {S}와 데이터 집합 {d}의 벡터가 정의되는 기준점으로 이용된다. 기준 벡터는 임의적이지만, 그러나 표본 투영이 각 기준 방향에 퍼져있는 가능한 최대치를 얻도록 기준 벡터가 선택되면 필요한 계산의 수를 더 감소시킬 수 있다. 기준 벡터는 현재 표본 집합의 최대 주성분의 근사치로 선택될 수도 있다. 바람직한 실시예에서, 기준 벡터는 처음에는 임의적으로 선택되며, 프리스크리너가 일단 표본 집합을 구성하면 CHOMPS는 주성분 분석을 이용하여 하나 이상의 기준 벡터를 지정한다.

주성분 분석에서, CHOMPS는 각 표본에 대한 기각 회수는 물론 표본 벡터를 이용하여 공분산 행렬을 측정한다. 더 많은 이미지 픽셀이 도달할 때 기준 벡터는 미션 요구조건과 업데이트가 유익한지에 대한 고려사항에 근거하여 업데이트된다. CHOMPS에서 데이터 벡터는 기준 벡터 상의 투영에 근거하여 어드레스된다.

기준 벡터 R과 기준 벡터 위로 투영된 표본 집합 벡터 S_N을 도시한 도15를 참조하면, 기준 벡터와 각 입중 스펙트럼 벡터 간의 각도 θ_N이 계산된다. 각 표본에 대한 기준 각도는 미래의 되부르기를 위해 각도 θ_N이 나타내는 벡터를 지정하는 기호와 함께 배열이나 표에 저장된다.

바람직한 실시예에서, 표본 집합 데이터, 표본 수와 기준 벡터에 대한 방향은 당해 기술에서 알려진 연결 리스트 또는 해시 테이블에 들어있어, 각 표본은 기준 각도 θ_N의 함수로서 프리스크리너에 의해 신속히 찾아지고 되부르게 될 수 있다. 그러므로 실제 기준 각도는 저장될 필요가 없고, 기준 각도는 엔트리가 차지하고 있는 어드레스의 함수로서 결정된다. 연결 리스트에 대한 새로운 엔트리가 만들어질 때 어드레스 포인터는 표본이 변경될 때마다 전체 배열을 셔플링 및 리로딩하기 보다는 변경된다.

CHOMPS의 바람직한 실시는 또 정곡 테스트의 형태를 이용하여 유사한 이유로 새로운 데이터 벡터 d를 기각할 가능성 있는 현재의 표본 집합에서 표본의 위치를 결정한다.

정곡 테스트에서, CHOMPS는 기준 벡터에 대한 표본 투영과 제휴하는 기준 벡터 상의 데이터 벡터 투영을 이용하여 입중 벡터와 일치하지 않을 가능성이 있는 기존의 표본 전부를 제거한다. CHOMPS는 가능한 정합이 생길 수 있는 구역을 정의하는 원뿔을 구성하고 그 범위에 들어가지 않는 표본을 제거함으로써 이를 달성한다.

정곡 테스트는 새로운 데이터 벡터와 기준 벡터에 의해 정의된 각도를 이용하여 새로운 스펙트럼 벡터를 소정의 각도 정밀도(θ_ε)와 정합시키는 현재의 집합에서 모든 표본을 위치시키는데, 여기서 θ_ε= cos^-1ε이다. 이들 표본은 그리고 나서 표준 프리스크리너 비교 부등식 (d_iㆍS_j〉1-ε)에 의해 이용되어 d_i가 S_j와 유사한지 판단한다.

도17은 가능한 정합(표본 기각)이 일어날 수 있는 범위를 한정하는 기준 벡터 R(600)과 원뿔(610)을 도시한다. 정합 구역 내의 표본들(620-622)만이 새로운 데이터 벡터와 비교될 것이다. q_i(660)에서 중심을 갖는, 최대 두께의 고리를 형성하는 정합 구역(650)에 들어있는 이들 표본은 선택된 정밀도 내에서 기준 벡터 상에 유사 투영을 갖는 이들 벡터를 나타낸다. 표본 투영이 정합 구역에 속하지 않으면, 데이터 벡터 d_i가 정합 구역(650)의 두께로 정의된 원하는 정밀도 내에서 유사할 수 없기 때문에 표본을 데이터 벡터 d_i와 비교할 필요가 없다.

정곡 테스트에서, CHOMPS는 기준 벡터에 대한 각도에 의해 차수가 정해지는 표본 테이블에 엔트리의 인덱스 리스트를 보관함으로써 어떤 벡터가 고리 내에 속하는지 판단한다. 일단 구역이 계산되면, 후보 벡터는 θ_o에서 시작하고 양방향으로 벗어나는 각도를 갖는 표본과 비교되는 경우에 지그재그 탐색이 실행된다. 전체 구역이 정합하지 않으면 벡터는 새로운 표본으로 지정되고 표본 집합 {S}에 추가된 새로운 정보를 포함하는 것으로 판단된다.

그러므로 기준 벡터 R과 정곡 테스트를 사용하여 전체 표본 집합을 테스트하는데 필요한 비교의 수는 수천개에서 20개 정도의 수로 줄어든다.

정곡 테스트의 대안 실시예에서, 조사의 정밀도와 속도의 실질적인 증가는 다수의 기준 벡터를 지정함으로써 실현되며, 각각의 기준 벡터는 자체 연관된 정곡을 갖는다. 그러한 실시예는 이중 정곡 원뿔로 기술될 수도 있는 것을 도시하는 도18에 도시되어 있다. 제1 원뿔(610)은 기준 벡터 R과의 관계로 정의되고, 제2 원뿔(710)은 제2 기준 벡터 R₂(700)와 관련하여 정의된다. 새로운 데이터 벡터와 정합할 후보인 표본들은 각 기준 벡터(, 888)에 대한 정합 구역의교차 영역 내에 위치한다. 다수의 기준 벡터에 의해 정의되는 다중 정곡을 이용함으로써, 유사한 정합 표본이 상주해야 하는 "열 구역" 또는 영역이 감소된다. 동시에 양쪽 정합 구역을 차지하는 벡터만 정합이 가능하며 새로운 데이터 벡터와 비교될 필요가 있다. 도18을 참조하면, 이러한 테스트 조건을 충족하는 유일한 벡터는 표본(620)이다. 그러므로 CHOMPS는 데이터 집합에 있는 모든 표본이 (데이터 벡터 d와 다른) 리젝터가 아니라는 결론을 내릴 수 있는데, 단 표본(620)은 있을 수 있는 예외이다. CHOMPS와 정곡 테스트의 변형을 채용함으로써 프리스크리너는 프리스크리너의 비교 테스트(표본(620)을 제외한 모든 표본)로부터 대다수의 표본 집합을 배제할 수 있고, 데이터 벡터를 표본(620)과 한 번 비교한 후에 입중 데이터 벡터를 표본 집합과 유사 또는 비유사한 것으로 지정할 수 있다.

팝업 스택을 위한 2회 또는 3회의 비교를 제외하면 유일한 점곱 연산은 프리스크리너가 신규 데이터 벡터가 새로운 데이터를 포함하고 표본 집합에 추가되어야 하는지 결정할 수 있기 전에 처리될 필요가 있다.

구역 타입 테스트의 대안 실시예는 미션 요구조건 및 원하는 정밀도에 따라 프리스크리너에 대한 계산 부담을 최소화하기 위해 채용되기도 한다. 예를 들면 아바타 정곡 테스트가 채용될 수도 있다. 아바타 정곡 테스트에서, 완전한 표본 집합 보다는 오히려 최고의 벡터 기각 합계를 갖는 표본들만이 사용된다.

정곡 테스트의 또 다른 변형예에서, 정합 구역 폭은 중복 표본이 최소 생성되지만 알고리즘 속도가 증가되는 중요 인자에 의해 감소될 수 있다. 기준 벡터가 있는 각도 θ_o를 만드는 후보 표본에 대하여 정합 구역의 넓이는 다음 δ에 의해 제공된다.

화면을 설명하는 데이터 집합은 자동 화면 분할 모드, 전체 화면 모드 또는 적응/연속 모드를 포함하는 세 개의 모드 중 하나를 사용하여 처리될 수 있다.

자동 화면 분할 모드에서 화면은 일련의 세그먼트로 분할되고 한번에 하나의 세그먼트씩 프리스크리너에 의해 처리된다. 세그먼트 크기는 표본 집합 크기의 함수로 결정된다. 이러한 변화는 여러 장점을 제공하는데, 특히 동적 화면을 분해하려고 할 때 유리하다. 동적 또는 복합 화면에 대하여는 일반적으로 더 큰 표본 집합이 소정의 정밀도를 유지하도록 요구된다. 표본의 수가 늘어남에 따라 처리 시간이 매우 급격히 늘어나고 압축비는 줄어든다.

자동 분할은 또 복합 설정에서 화면 세그먼트에 추가된 크기(dimensionality) 및 표본이 이후의 더 간단할 수 있는 세그먼트가 아니라 그것들을 생성한 세그먼트에만 영향을 줄 수 있기 때문에 압축 효율을 늘려주기도 한다.

전체 화면 모드는 화면이 더 작은 세그먼트의 수라기 보다는 오히려 하나의 연속 데이터 집합으로 처리되는 점을 제외하면 자동 분할 모드와 동일하다. 단일 또는 다중 분할 모드로 작동되는 중에 프리스크리너는 데이터의 각 세그먼트 또는 블록의 끝에서 엔드멤버 계산을 위해 표본 집합을 적응 학습 모듈(ALM)에 공급한다.

적응 모드에서 동일한 효율은 한정되지만 갱신할 수 있는 수명을 표본에 주입함으로써 달성된다. 즉, 미리 정의된 시간/프레임 간격을 위해 새로운 벡터로 스펙트럼 정합을 생성하지 않았다면 장기 시스템 메모리로 푸쉬된다. 개별 표본의 수명은 엔드멤버와 그 스펙트럼 패턴의 중요도에 할당된 우선 순위에 따라 달라진다. 예를 들면 중요한 서브픽셀 객체를 포함하는 표본에는 백그라운드 물질의 변형을 포함하는 것보다 더 긴 수명이 할당된다.

적응/연속 모드에서 ALM 사이클은 새로운 표본이 밀폐 부분 공간의 크기를 변화시킬 때 또는 신규 표본이 미션에 종속되는 현재의 엔드멤버 집합이나 다른 기준에 의해 정의되는 부분 공간 밖에 있는 것으로 정의될 때 시작된다.

신규 표본은 발견되면 ALM에 의해 생성된 직교 기본 집합으로 투영되어 새로운 스펙트럼이 부분 공간의 크기 변경을 하였는지 확인할 수 있다. 현재의 정합 필터 벡터를 활용하는 엔드멤버 공간에서의 투영은 부분 공간이 ALM의 수축 랩 성분에 의해 결정된 현재 심플렉스의 바운드를 지나쳐 확장됐는지를 나타낸다. 어떤 테스트든 ALM으로 트리거 신호를 보낸다. 마지막 ALM 이후의 이미지 프레임의 수 등의 추가 기준은 과도한 학습 사이클의 수를 트리거하는 것을 피하기 위해 사용된다.

도2를 다시 참조하면, 프리스크리너(50)에 의해 계산된대로 표본 집합 데이터는 적응 학습 모듈(30)로 입력된다(58). 학습 모듈(30)은 표본 집합으로부터 현재 화면을 함께 연장시키는 엔드멤버{E}의 집합을 계산한다. 엔드멤버는 데이터 집합에 있는 패턴 벡터가 소음이나 다른 오차 기준에 의해 결정된 오차 내에서, 감소된 크기 공간에서 콘벡스 조합으로 재구성될 수 있는 기본 패턴(벡터)의 집합이다. 관찰된 모든 스펙트럼 벡터 d_k가 기존 기준 벡터의 콘벡스 조합으로 나타내질 수 있는 조건은, 구성 요소의 물리적 혼합이 우선 순위를 가져야 하기 때문에 분해는 구성 요소의 물리적 혼합으로서 의미있다는 것을 보증한다. 결과로서의 패턴은 화면의 실제 구성요소의 기호에 가능한 가깝게 일치한다.

도12를 참조하면 학습 모듈(30)은 살리엔트를 이용하는 순서화 그램-슈미트 분석을 채용하여 감소된 크기 스패닝 공간(125)을 구성하면서 표본 집합에 들어있는 스펙트럼 정보를 보유하기도 한다. 스패닝 공간은 스펙트럼의 특이 계층에 근거하여 구성된다. 벡터 데이터로 표현되는 표본 집합의 관찰된 스펙트럼은 그리고 나서 스패닝 공간(126)으로 투영된다. 픽셀 순도 결정 알고리즘은 그램-슈미트 분석 다음에 살리엔트 부분 집합을 정의하기 위해 더 채용되어 집합을 완성시킬 수 있다. 엔드멤버의 계산은 표본 집합에 데이터를 표본 집합 데이터의 그램-슈미트/살리엔트 분석을 사용하여 그리고 수축 랩 최소화(127)를 채용함으로써 학습 모듈(50)에 의해 실행되어 그램-슈미트/살리엔트 분석을 사용하여 정의된 스패닝 공간 체적을 최소화시킨다. 엔드멤버는 도8에 도시된대로 최소화된 스패닝 공간(128)에 의해 정의된 하이퍼트라이앵글의 정점에 의해 정의된다.

그램-슈미트/살리엔트 분석

스패닝 공간은 표본 집합 벡터의 그램-슈미트/살리엔트 분석을 이용하여 정의된다. 표본 집합 데이터를 포함하는 변수 벡터 공간에서, 공간에서 가장 멀리 떨어진 두 개의 벡터를 우선 판단하고, 그리고 나서 이들 두 벡터에 의해 형성된 평면에서, 그리고 그 평면에 놓인 상호 직교하는 두 개의 벡터를 선택한다. 이들 상호 직교하는 벡터는 후술하는 이유로 편의상 기본 벡터로 불린다. 다음에는 그 평면에서 가장 멀리 떨어진 데이터 큐브에서 벡터를 선택하고 기본 벡터 그리고 새로이 선택된 벡터가 놓여있는 하이퍼플레인을 확인하고 하이퍼플레인에 있도록 그리고 나머지 두 개의 기본 벡터와 상호 직교하도록 제3 기본 벡터를 선택한다. 이러한 과정은 반복되며, 남아있는 벡터 중에서 가장 멀리있는 벡터가 모든 기본 벡터를 포함하는 하이퍼플레인의 미리 선택된 거리 내에 있는 것으로 확인될 때까지 상호 직교하는 기본 벡터를 더욱 많이 누적시킨다. 이 시점에서 표본 집합 벡터는 이들 기본 벡터에 의해 정의되는 감소된 크기의 공간으로 투영된다.

작업해야 하는 벡터 공간의 크기의 감소를 거쳐, CHOMPS는 이에 대응하여 계산을 수행해야 하는 연산의 수를 감소시킨다. 기본 벡터에 의해 스팬된(spanned) 하이퍼볼륨에서 훨씬 멀리 놓여있는 데이터 벡터가 하나도 없기 때문에 이러한 부분 공간으로 벡터를 투영하는 것은 백터의 크기와 방향을 아주 작게 변경시킬 것이다. 즉, 투영은 이미 작아진 각 벡터의 성분만을 버린다. 더욱이, 그러한 성분은 반드시 너무 작아서 중요 이미지 특징에 대응하지 못하기 때문에 이들 성분은 부적절하게 소음일 가능성이 있으며, 이것들을 버리는 것은 시스템의 신호 대 소음 비를 증가시킨다.

표본 집합 데이터의 그램-슈미트/살리엔트 분석은 다음 알고리즘에 따라 수행된다.

(a) 가장 멀리 떨어진 두 개의 표본 벡터, V₁과 V₂를 지정한다. 도4는 V₁과 V₂의 방향과 V₁과 V₂이 정의하는 평면을 도시한다.

(b) V₁과 V₂에 의해 정의되는, 도5에 도시된대로 PV_o12의 라벨이 붙은 평면에서 V₁과 V₂로부터 V_1o과 V_2o의 라벨이 붙은 기본 벡터의 2차원 직교 집합을 생성한다.

(c) 도6에서 ~S₁으로 정의된 평면 PV_o12와 관련하여 살리엔트 벡터(평면에서 가장 멀리 떨어진 벡터)를 결정한다

(d) 살리엔트 ~Si은 벡터 S₁⊥과 S₁∥의 합계로 나타낼 수 있다. 이 경우에 S₁⊥은 평면 PV_o12에 대해 직교하고, S₁∥는 평면에 놓여있다. 그램-슈미트 절차를 이용하여 S₁⊥를 구하고, 이것을 V_3o으로 부른다. V_1o, V_2o과 V_3o은 이제 부분 공간을 3차원으로 정의한다. 이 단계에서 생성되는 부분 공간을 나타내는 도7을 참조하시오.

(e) 단계(d)에 의해 정의된 부분 공간으로부터 가장 멀리 있는 표본 벡터가 되는 살리엔트 ~S₂를 선택한다.

(f) V_4o으로 정의된 ~S₂로부터 새로운 직교 방향을 생성한다. V_1o, V_2o과 V_3o과 결합된 V_4o은 이제 4차원의 부분 공간을 정의한다.

(g) 단계(e)와 (f)는 반복되어 N 차원의 스패닝 공간을 정의한다. 각 단게에서 선택된 살리엔트의 현재 부분 공간으로부터의 거리는 모든 표본을 부분 공간에 투영시킴으로써 발생되는 최대 잔여 오차이다. 이 오차는 나머지 오차가 소정의 오차 허용한도 내에 있게 될 때까지 각 단계에서 줄어든다. 이 시점에서 부분 공간 구성 과정이 완성된다. N의 값은 표본 집합 데이터 벡터가 부분 공간으로 투영되는 동시에 중요하지만 빈번하지 않은 기호를 보존하도록 허용하는데 필요한 차원의 수이다.

(h) 표본 집합 데이터 전부를 단계 (a)-(g)에서 정의된 스패닝 공간으로 투영한다. 그램-슈미트/살리엔트 분석은 CHOMPS에 대한 바람직한 부분 공간 판단법이지만 CHOMPS는 부분 공간 판단을 위해 그램-슈미트/살리엔트 방법으로 제한되지 않는다. 당해 기술에 알려진 PCA법과 픽셀 세정법을 포함하는 다른 방법들도 채용되는데, 이것들로 한정되지는 않는다.

수축 랩

일단 N 차원의 스패닝 공간이 정의되면 스패닝 공간 내의 하이퍼트라이앵글 형태의 볼록 매니폴드가 수축 랩 최소화를 이용하여 생성된다. 스패닝 공간의 수축 랩 최소화는 매니폴드의 부피가 감소되지만 감소된 크기의 공간으로 투영되는 데이터 벡터 전부가 하이퍼트라이앵글 내에 들어있는 조건을 유지하는 간단한 최소화 연산이다. 하이퍼트라이앵글의 정점은 엔드멤버이고, 하이퍼트라이앵글 자체에 의해 정의되는 부피는 엔드멤버의 가능한 혼합(콘벡스 조합) 전부의 자취이다. 수축 랩 과정은 하이퍼트라이앵글의 형태 및 방향이 데이터 벡터(표본)의 실제 분포와 가능한 유사하게 일치한다는 것을 보장함으로써 화면의 물리적 구성요소(엔드멤버)의 양호한 근사치를 결정한다. 표본은 실제 구성요소의 혼합인 것으로 가정된다. 엔드멤버의 수는 스패닝 공간의 차원과 동일하다.

살리엔트는 또 수축 랩 과정을 안내하는데 이용된다. 도8을 참조하면 하이퍼트라이앵글 T_S1S2S3은 살리엔트 벡터에 의해 정의되지만, 그러나 데이터를 포함하는 다른 벡터들은 도9에 도시된 바와 같이 T_S1S2S3이 정의하는 스패닝 공간 내에 있지 않을 수도 있다. 수축 랩 연산은 스패닝 공간으로 투영된 모든 데이터 벡터가 볼록 매니폴드 T_E1E2E3에 의해 정의된 부피 내에 들어있어야 하는 조건을 충족시켜야 한다. 수축 랩 연산은 T_E1E2E3=T_S1S2S3으로 시작하며, 그리고 나서 정점 E₁, E₂와 E₃을 조작하거나 또는 T_E1E2E3을 정의하는 평면의 방향을 조작함으로써, 전술한 조건을 충족시키는 최소량만큼 트라이앵글 T_E1E2E3을 확대 또는 수축시킨다.

예를 들기 위하여, 전술한 방법 및 후술할 방법이 효율적인 것으로 판단되었지만, 그러나 하나 이상의 공지 방법의 조합 또는 데이터 벡터의 대부분이 최소화된 공간 내에 들어있어야 하는 조건을 유지하는 다른 최소화법도 적합다.

적응 학습 모듈(30)은 다음 절차의 하나 또는 그 변형법에 따라 필터 벡터의 집합 {F_i}와 엔드멤버 {E₁, E₂, E₃...E_N}을 생성한다.

방법 1

도10a와 관련하여, 정점 {E_i}를 갖는 하이퍼트라이앵글 내에 있는 조건에 따라 각각의 엔드멤버 E_i가 살리엔트 벡터 ~S_i와 정합되도록, 모든 데이터 벡터가 살리엔트와 가능한 가까워지도록 엔드멤버의 집합 {E_i}를 찾아낸다. 즉, 모든 i와 k에 대해 F_iㆍd_k≥0 의 제약에 따라

을 최소화한다. 필터 벡터는 전술한대로 후보 엔드멤버로부터 계산된다. 이러한 제약 조건은 d_k를 엔드멤버로 분해하는 모든 계수가 음이 아니라는 것을 의미하며, 모든 d_k가 T_E1E2...EN내에 있다고 말하는 것과 동일하다. 이것은 다양한 반복적인 제한 구배법(iterative contrained gradient methods)을 이용하여 적절하고도 신속히 해결될 수 있는 비선형 제한 최적화(nonlinear constrained optimization) 문제이다.

방법 2

앞서 제공된 공식을 이용하여 살리엔트 {~S_i}로부터 필터 벡터의 집합 {F_si}를 게산한다. 이들 벡터는 일반적으로 수축 랩 제약을 만족시키지 않는다. 도10b 참조. 모든 데이터 벡터가 하이퍼트라이앵글 내에 있는 조건에 따라 각각의 필터 벡터 F_i가 살리엔트 필터 벡터 F_si에 정합되도록, 살리엔트 필터에 가능한 가까워지도록 필터 벡터의 새 집합 {F_i}를 찾아낸다. 즉, 모든 k에 대해 F_iㆍd_k≥0 의 제약에 따라

을 최소화한다. 이것은 표준법을 이용하여 병렬로 해결될 수 있는 선형 제약을 갖는 독립 정사각형 프로그래밍(independent quadratic programming) 문제의 집합이다. 개별 필터 벡터 계산의 분리는 정점 대신에 트라이앵글의 평면을 조작하여 계산 수를 증가시킨다. 필터 벡터에 대한 솔루션이 주어지면, 엔드멤버로부터 필터 벡터를 계산하는데 이용된 동일한 절차를 이용하여 엔드멤버를 찾아낸다(정의하는 관계는 표준화 상수를 제외하고는 대칭이다).

방법 3

도11을 참조하여 표본 벡터 집합의 근사치 중심 C_d를 찾고, 그리고 나서 그 중심에 가장 가까운 밀폐 공간의 차원보다 하나 작은 차원의 하이퍼플레인을 찾아낸다. 하이퍼플레인(120)은 완전한 부분 공간을 절반으로 나누고, 최소화는 모든 표본 벡터 d_k가 중심{c_d}와 같은 절반의 공간에 있어야 하는 조건을 준수한다. 최적 하이퍼플레인(120)에 대한 법선은 제1 필터 벡터인 F₁이고, 모든 표본이 절반의 공간에 있는 조건은 모든 k에 대한 F_iㆍd_k≥0의 제약과 동등하다. 이 과정은 모든 k에 대해 F_iㆍd_k≥0 의 제약을 준수하는 점곱 F₁ㆍC_d를 최소화하는 고정 크기를 갖는 벡터 F₁을 찾아내는 것과 마찬가지다. 그 자체로써 종래의 제약 최적화법을 사용하는 솔루션을 잘 따른다. 하이퍼트라이앵글 T_E1E2E3는 볼록 매니폴드의 면들을 형성하는 적절히 선택된 최적(부분적으로는 중심에 가장 작은 거리) 바운딩 하이퍼플레인 집합으로부터 구성될 수 있다. 각 면에 대한 법선은 연관된 필터 벡터를 정의한다. 다시, 엔드멤버는 수축 랩 과정의 종결시 필터 벡터로부터 결정될 수 있다.

도12와 도2를 참조하면, 일단 엔드멤버와 필터 벡터가 계산되면 적응 학습 모듈(30)은 표본 집합을 반영하는 데이터 및 나중의 되부르기를 위한 소스 벡터(33)와 함께 이 엔드멤버와 필터 벡터 데이터를 저장한다. 적응 학습 모듈(30)은 그리고 나서 변경 여부에 대해 표본 집합을 탐색한다(148). 시스템은 표본 집합(99)에서의 변경을 탐지하면, 기본 및 수축 랩 과정이 반복된다(141). 이는 표본 집합(99)에서 변경되고, 기본 및 수축 랩 과정이 반복된다(141). 이 과정은 시스템이 연속으로 학습하고 환경의 변화에 대해 적응하도록 해준다. 엔드멤버 데이터와 그에 수반하는 표본 집합과 소스 데이터는 시스템이 실시간(34)에서 특정 타겟의 기호를 학습하고 기억할 수 있게 해주는 특정 위험 또는 타겟과 일치하게 라벨이 붙을 수 있다.

다시 도2를 참조하면, 필터 벡터와 엔드멤버 데이터열은 엔드멤버 계수의 계산을 위해 학습 모듈(30)로부터 디믹서 모듈(40)로 전송된다. 센서로부터의 원래 데이터 집합도 제1 처리기 파이프를 통해 디믹서 모듈(20)로 전송된다.

디믹서 모듈(20)은, 각각이 다른 필터 벡터를 가지고 미처리된 데이터 벡터를 휘감는 여러 개의 프로세서를 포함하기도 한다. 이러한 동작은 하나의 고속 처리기에서 연속 수행될 수 있지만, 최고의 모드에서는 병렬로 수행된다. 디믹서 모듈(20)의 출력은 엔드멤버 계수 벡터로 불리는 벡터이고, 그 j번째 엘리먼트는 미처리된 데이터 벡터에 존재하는 j번째 기본 패턴의 분수를 나타낸다. 엔드멤버 계수는 혼합 스펙트럼에서 연관된 엔드멤버로부터의 신호 증폭을 나타낸다.

디믹서 모듈(20)은 미처리된 데이터 벡터를 휘감고 다음 식에 따라 엔드멤버 계수를 계산한다.

여기서, F_J=필터 벡터, d_k=데이터 집합, c_jk=엔드멤버 계수, N_k=소음 벡터 및 E_j=엔드멤버이다.

디믹서 모듈(20)은 다음으로 소정 픽셀로부터의 광자의 몇 %가 다음 식에 따른 엔드멤버와 연관되는지를 나타내는 분수 계수를 계산한다(131).

여기서, A(d_k)는 벡터 d_k밑의 영역, 즉 d_k엘리먼트들의 합계이다.

도13은 시스템의 학습 과정에서 디믹서 모듈(20)의 함수를 포함하는 디믹서 모듈 연산에 대한 흐름도를 예시한다. 선처리기로부터 전달된 픽셀 정보가 불량 데이터 또는 학습되지 않은 스펙트럼을 가리킨다면(133, 134), 디믹서 모듈(20)은 그 정보를 픽셀 데이터 상태를 표시하는 기호로 디스플레이/출력 모듈(40)로 중계한다(135, 136).

스펙트럼 정보, 필터 벡터 및 엔드멤버 계수는 디스플레이 및 그 후의 처리를 위해 디스플레이/출력 모듈(40)로 전달된다(138). 데이터의 스펙트럼 특성은 엔드멤버 및 다음 식을 유지하는 엔드멤버 계수의 조건으로 저장, 전송되거나 또는 디스플레이된다.

여기서, d_k=데이터 집합, c_kj=엔드멤버 계수, c는 ≥0, N_k=소음 및 E_j는 엔드멤버이다.

CHOMPS는 센서로부터 나오는 다량 데이터의 상당한 압축을 제공하는 세 개의 압축 모드를 특징으로 한다. 바람직한 실시예에서 이들 압축 모드는 전술한 우선 순위 탐색 및 구역 탐색 기술을 이용하고, 본 명세서에서 기술한 계산 처리 기술을 이용하는 기본 IHPS 알고리즘을 채용하고, 화면을 각 엔드멤버 E에 속하는 부분 평면의 집합으로 표현하는 압축된 데이터 집합을 생성한다. 압축은 센서에 의해 채용된 대역의 수와 비교하여 저차원의 공간으로부터 생긴다.

실례를 들기 위하여, 센서가 200 대역에서 작동하고, 그러므로 IHPS를 위한 입력으로서 그 센서에 의해 생성된 데이터 집합은 200,000,000 스칼라값에 근접하는 것을 가지는 경향이 있다. 이는 화면에서 단지 1,000,000 픽셀만을 가진다. IHPS는 화면을 부분 평면으로 표현한다. IHPS 엔드멤버의 형태는 다음 비로 데이터열을 압축시킨다.

여기서, N_B는 대역의 수이고 N_E는 화면을 기술하는데 필요한 엔드멤버의 수이다.

합당하게 작은 손실률을 갖는 대부분의 자연 화면에 대하여, IHPS는 10개의 엔드멤버의 순서로 200 대역 센서에 대해 20:1의 압축비가 되는 화면을 기술할 것을 요구한다.

각각의 ALM 사이클 후에, 세그먼트를 위한 모든 표본은 압축되지 않은 상태이거나, 직교 기본 공간으로 투영되거나 또는 현재의 수축 랩으로 투영된다.

도19는 데이터가 표본과 데이터 집합 d의 재구성을 위해 사용된 두 개의 맵의 조건으로 표현된 제2 또는 웨이브스페이스 압축 패키지 모드의 간단한 논리 흐름도를 도시한다. 완전 데이터 집합은 센서(701)로부터 받으며, 이는 예컨대 화면을 기술하는 대략 2억 스칼라값을 포함한다. CHOMPS는 다음으로 프리스크리너를 이용하여 프리스크리너 비교를 수행하고(702), 완전 데이터 집합을 표본 집합으로 줄인다(703). 표본 집합 크기는 원하는 정밀도 또는 다른 미션 요구조건에 근거하여 사용자에 의해 조정될 수 있지만, 그러나 실례를 위하여 크기에 있어서 10,000 벡터(2,000,000 스칼라)가 되기도 한다. CHOMPS는 프리스크리너 비교에서 나온 정보를 이용하여 리젝터 지수나 리젝터 평면을 컴파일한다(704). 리젝터 평면은 단순히 어떤 표본이 프리스크리너가 받은 새로운 데이터 벡터를 기각했는지 기록한다. CHOMPS는 또 각각의 신규 데이터 벡터 입력의 강도를 프리스크리너에 기록하는 강도 맵을 형성한다(705). 강도 맵과 리젝터 지수는 웨이브스페이스로 표현된 완전 표본 집합과 함께 다운로드된다(706).

그러므로, 2억 스칼라의 데이터열은 각각 200개의 엘리먼트와 맵 정보를 갖는 대략 10,000개의 표본으로 표현되며, 각 맵은 각 데이터 벡터에 대하여 200 스칼라값보다는 오히려 1백만 데이터 집합 벡터의 각각에 대하여 1 스칼라를 포함한다. 이는 웨이브스페이스 모드를 이용하여 약 50:1의 데이터 집합 압축을 나타낸다.

제3 압축 패키지 모드는 CHOMPS가 추가 압축을 위해 표본을 엔드멤버 공간으로 투영하는 것을 제외하고는, 웨이브스페이스 압축 모드와 유사하다.

엔드멤버 압축 모드의 흐름도인 도20을 참조하면, 데이터 집합은 센서로부터 프리스크리너에 수용되며(555) 웨이브스페이스 압축 모드(700)에서와 같이 기존의 표본과 비교된다(556). 프리스크리너는 표본 집합, 리젝터 지수와 웨이브스페이스 압축 모드(700)의 것과 일치하는 강도 맵을 형성한다(557-559). 그러나 엔드멤버 압축 모드에서, CHOMPS는 엔드멤버(561)의 계산을 위하여 표본 집합을 ALM으로 전송한다(560). 표본 집합은 그러므로 엔드멤버 공간에 투영되어(562) 추가 압축을 실현한다. 압축된 표본 집합은 엔드멤버 공간에서 표현되며, 각 표본은 이제 웨이브스페이스에서 필요한 200 정도의 스칼라값보다는 오히려 10 정도의 스칼라로 표현되어, 200 대역을 갖는 센서를 지니게 된다. 웨이브스페이스로 표현된 엔드멤버는 화면의 재구성이 용이하도록 추가된다. 리젝터 지수와 강도 맵은 또 데이터 집합의 재구성을 위한 출력값이다.

엔드멤버 압축은 화면을 기술하는데 필요한 데이터 전송에서 100:1의 축소를 실현한다. 압축된 세그먼트 데이터의 출력 패킷은 전술한 투영에서의 표본 리스트, 엔드멤버나 기본 벡터 및 두 개의 해독 맵을 포함한다. 각 표본에 의해 대체되는 벡터의 수 등의 추가 정보가 주입될 수 있다.

그러므로 CHOMPS는 필요한 화면 매핑 데이터와 함께 압축된 데이터 집합을 구성하기 위해 적응 학습 모듈 파이프라인을 이용하여 신호 정보의 열화를 최소화하면서 효율적인 저장, 다운로드 및 완전 데이터 집합의 장래의 재구성을 용이하게 한다.

바람직한 실시예에서 CHOMPS는 다음의 알고리즘을 채용한다.

(a) 데이터 벡터 d_i를 프리스크리너에 수용한다.

(b) 기존의 표본 집합으로부터 우선 순위의 표본을 지정하고, 더 높은 우선 순위가 지정된 표본 S_j를 이용하여 데이터 벡터 d_i의 관계 (d ｏ S = 1〉ε)에 따라 우선 순위 테스트를 시행한다.

(c) 우선 순위 테스트가 정합 조건을 생성하면 (a)로 가고, N번 반복 후에 정합 조건이 생성되지 않으면 계속한다.

(d) 적어도 하나의 기준점이나 기준 벡터를 선택한다.

(e) 적어도 하나의 정합 구역을 지정하고, 정합 구역 내에 (원하는 정밀도로) 들어있는 표본 S_j만을 이용하여 관계 (d ｏ S = 1〉ε)에 따라 데이터 벡터 d_i에 대한 구역 테스트를 실시한다.

(f) 구역 테스트가 정합 조건을 생성하면 (a)로 가고, 정합 조건이 생성되지 않으면 표본 집합에 d_i를 추가하여 표본이 고갈된 다음 데이터 벡터 d_i+1을 얻는다.

(g) 완전 IHPS 모드, 웨이브스페이스 모드, 표본 모드 또는 이들의 조합을 거쳐 압축 패키징을 실시한다.

본 발명에 대한 많은 변경 및 변형이 상기 교시 내용에 비추어 확실히 가능하다. 예를 들어, 본 발명은 병렬 처리 구조 없이도 실시될 수 있고, 구역과 우선 순위 테스트의 다른 조합이 채용되기도 한다. 즉 구역 테스트는 우선 순위 테스트 없이 채용되거나, 표준 압축 알고리즘은 강도 맵과 리젝터 지수를 압축하는데 채용되기도 한다.

그러므로 본 발명은 구체적으로 설명되지 않았지만 첨부하는 청구범위 내에서 실시할 수 있다는 것이 이해된다.

Claims (6)

1. 복수의 데이터 벡터를 생성하기 위한 센서 수단, 및

   상기 생성에 응답하여 엔드멤버 벡터를 생성하기 위한 수단을 포함하고,

   상기 엔드멤버 생성 수단이 살리엔트를 이용하는 그램-슈미트 알고리즘을 적용하여 상기 데이터 벡터의 스패닝 공간을 줄이도록 조정되는 모듈을 포함하는 것을 특징으로 하는 시스템.
2. 데이터 수집을 위한 수단,

   표본 집합 원소를 포함하는 표본 집합, 및

   데이터 집합 원소를 포함하는 압축된 데이터 집합을 생성하기 위한 수단을 포함하고,

   상기 압축 데이터 집합 생성 수단이 상기 데이터 집합 원소를 미리 선택된 기준에 따라 상기 표본 집합 원소와 유사 또는 비유사로 특징짓는데 효과적인 상기 표본 집합 원소와 개별적으로 비교하고,

   상기 표본 집합에서 유사한 것으로 특징지어진 상기 데이터 집합 원소를 포함하기 위한 수단,

   상기 표본 집합의 엔드멤버 벡터를 생성하기 위한 수단, 및

   상기 데이터 집합을 분해하기 위한 수단을 더 포함하는 것을 특징으로 하는 센서 시스템.
3. 복수의 데이터 벡터를 생성하기 위한 센서 수단, 및

   상기 생성 수단에 응답하여 엔드멤버 벡터를 생성하기 위한 수단,

   CHOMPS 알고리즘을 채용하여 상기 복수의 데이터 벡터를 압축하기 위한 수단을 포함하며,

   상기 엔드멤버 생성 수단이 살리엔트를 이용하는 그램-슈미트 알고리즘을 적용하여 상기 데이터 벡터의 스패닝 공간을 줄이도록 조정되는 모듈을 포함하는 것을 특징으로 하는 시스템
4. 복수의 데이터 벡터를 생성하는 단계,

   상기 생성에 응답하여 엔드멤버 벡터를 생성하는 단계, 및

   CHOMPS 알고리즘을 적용하여 상기 복수의 데이터 벡터를 압축하는 단계를 포함하며,

   상기 엔드멤버 생성 단계가 살리엔트를 이용하는 그램-슈미트 알고리즘을 적용하여 상기 데이터 벡터의 스패닝 공간을 줄이는 단계를 포함하는 것을 특징으로 하는 방법.
5. 다차원 데이터를 처리하기 위한 방법에 있어서,

   데이터를 수집하는 단계,

   표본 집합 원소를 포함하는 표본 집합을 생성하는 단계,

   데이터 집합 원소를 포함하는 압축된 데이터 집합을 생성하는 단계,

   상기 데이터 집합 원소를 미리 선택된 기준에 따라 상기 표본 집합 원소와 유사 또는 비유사로 특징짓는데 효과적인 상기 표본 집합 원소와 개별적으로 비교하는 단계,

   상기 표본 집합에서 유사로 특징지워진 상기 데이터 집합 원소를 포함하는 단계,

   상기 표본 집합의 엔드멤버 벡터를 생성하는 단계, 및

   상기 데이터 집합을 분해하는 단계를 포함하는 것을 특징으로 하는 방법.
6. 데이터열을 압축하는 방법에 있어서,

   데이터를 수집하는 단계,

   표본 집합 원소를 포함하는 표본 집합을 생성하는 단계,

   데이터 집합 원소를 포함하는 압축된 데이터 집합을 생성하는 단계를 포함하고,

   상기 집합 생성 단계에서 상기 데이터 집합 원소를 미리 선택된 기준에 따라 상기 표본 집합 원소와 유사 또는 비유사로 특징짓는데 효과적인 상기 표본 집합 원소와 개별적으로 비교하고,

   상기 표본 집합에서 유사로 특징지워진 상기 데이터 집합 원소를 포함하는 단계, 및

   상기 표본 집합의 엔드멤버 벡터를 생성하는 단계를 더 포함하는 것을 특징으로 하는 방법.