http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Design of Face Recognition System Based on Data Preprocessing Method
Kun Zhou(주곤),Sung-Kwun Oh(오성권) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.1
본 연구에서는 방사형 기저함수 신경회로망을 얼굴 인식 시스템의 분류기로 사용하였다. 이 시스템은 각각 전처리 알고리즘 및 인식알고리즘이라는 두 개의 모듈로 구성된다. 데이터 전처리 부분에서는 PCA(Principal Component Analysis)가 얼굴인식 분야에 적용되는 일반적인 방법이다. 그러나, PCA 전처리 이외의 다른 효과적인 전처리 방법이 이 연구에서 사용된다. 부과적으로 새로운 특징추출 방법들이 소개된다. 즉 로컬 이진화 패턴(LBP-PCA), 선형 판별 분석(LDA), (2D)PCA 및 ICA와 같은 그러한 여러가지의 전처리 방법을 통해 비교해석이 다루어진다. 방사형 기저함수 신경 회로망 (RBFNNs)은 조건부, 결론부 및 추론부로 구성됩니다. 퍼지 규칙의 조건 부분에서 입력 공간은 퍼지 C- means (FCM) 알고리즘을 사용하여 퍼지클러스터링으로 분할된다. 규칙의 결론 부분에서 연결 가중치는 상수항, 1차 선형식 및 2차식 세 가지 종류를 사용한다. 실험결과는 대표적인 얼굴 데이터를 사용하여 얻어진다. In this study, the Radial Basis Function Neural Networks are used as a classifier in the face recognition system. The system consists two modules which are pre-processing and recognition respectively. In the pre-processing of images, Principal Component Analysis(PCA) is a common method to use in the filed of face recognition. Besides the PCA pre-processing, other effective preprocessing methods are used in this study. Additionally some new feature extraction methods are introduced. That is, the comparative analysis of several pre-processing methods are carried out such as Local Binary Pattern(LBP-PCA), Linear Discriminant Analysis(LDA), (2D)PCA and ICA. There are three parts in the RFBNNs which consist of condition part, conclusion part and infenrce part. In the first part(Condition), the input space is partitioned with the fuzzy clustering realized by means of the Fuzzy C-Means (FCM) algorithm. In the second part(Inference) of rules, three types of polynomials such as constant, linear, and quadratic which are used to realize the connection weights. The experimental results of comparative analysis are obtained from the representative face datasets.
Kun Zhou(주곤),Eun-Hu Kim(김은후),Sung-Kwun Oh(오성권) 대한전기학회 2021 대한전기학회 학술대회 논문집 Vol.2021 No.10
With the rapid development of urbanization, urban household plastic production has increased dramatically. Poly plastic sorting and recycling instead of dumping or incinerating has become a part of global efforts to reduce the plastic pollution. In order to sorting black plastic wastes properly, the Radial Basis Function Neural Networks (RBFNNs) classifier based on Linear Discriminant Analysis (LDA) and Statistical Characteristics (SC) can get a better performance. Radial basis function neural networks consist of condition, conclusion and inference phase. In the conclusion phase, the connection weights of networks are given as the linear function. And then the connection weights are calculated by least square estimation.
Elastic Net을 사용한 RBFNN 폐플라스틱 분류기 설계 : 비교 연구
정재원(Jae-Won Jeong),주곤(Kun Zhou),오성권(Sung-Kwun Oh),유병건(Byung-Gun Ryu) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.5
본 논문에서는 Elastic Net을 이용한 RBFNN 분류기의 설계를 비교 연구한다. Elastic Net은 변수 선택이 데이터에 너무 의존해 불안정할 수 있다는 LASSO를 비판한 결과로 등장했다. 그러나 Ridge는 변수 선택을 하지 않으며 최종 모델에서 사용 가능한 모든 변수가 유지된다. 해결책은 Ridge와 LASSO의 페널티 항을 결합하여 두 regression의 장점을 최대한 활용하는 것이다. 이는 Elastic Net이 두 페널티의 균형을 유지하므로 이러한 문제에서 둘 중 하나의 페널티항만 있는 모델보다 더 나은 성능을 얻을 수 있다. 기존 RBFNN 분류기와 본 논문에서 제안한 분류기의 분류율을 비교하여 성능의 우수성을 입증하였다. 데이터 가공 상태에 따라 3가지 케이스로 나누어 비교하였다. 첫 번째는 전체 입력변수를 99개로 줄인 데이터이다. 두 번째는 재질별 화학적 피크치를 설정해 입력변수를 99개로 만든 데이터이다. 세 번째는 두 번째 데이터를 33개로 줄인 데이터이다. In this study, we introduce the design methodology of RBFNN classifier using Elastic Net. The Elastic Net is emerged as a result of critique on lasso, whose variable selection can be too dependent on data and thus unstable. And ridge regression does not perform feature selection and retains all available features in the final model. Its insuing solution is to combine both Ridge’s and Lasso’s penalties to take full advantage of both regressions. This allows the Elastic Net to balance between the two penalties, so in such problems the Elastic Net model has better performance than each model with only one between the two penalties. The superiority of the performance is demonstrated by comparing the classification rate of the existing RBFNN classifier with the Elastic Net Classifier. Three cases are considered according to the processing state of the data. The first is datasets in which all input variables are reduced to 99. The second is the datasets that contain the chemical peak value for each material and is given as 99 input variables. The third is the data sets obtained by reducing the second datasets to 33.