http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
전효병(Hyo-Byung Jun),심쉬보(Kwee-Bo Sim) 한국정보과학회 1998 한국정보과학회 학술발표논문집 Vol.25 No.2Ⅱ
스테레오 영상 처리에 있어서 가장 중요한 단계는 좌우 영상간의 일치점을 찾는 영상 정합 단계라고 할 수 있다. 일반적인 영상 정합 방법으로는 영역 기반에 의한 방법과 특정점에 기반한 방법으로 나누어질 수 있다. 영역 기반의 방법은 많은 계산량을 필요로 하는 단점이 있으며, 특징점에 기반한 방법은 처리 속도는 향상시킬 수 있으나 전체적인 변이도를 구할 수 없는 단점이 있다. 한편 이미지 데이터 자체의 애매함이나 잡음, 처리 과정에서 발생하는 모호성, 인식과 해석 단계에서의 불확실한 지식 등을 효과적으로 다루기 위해 퍼지 기법을 이용한 영상 처리 연구가 활발히 진행되고 있다. 본 논문에서는 각 픽셀의 밝기를 소속함수 값으로 변환한 후, 이 소속함수 값을 이용하여 좌우 영상의 일치점을 찾는 퍼지 스테레오 정합 알고리듬을 제안한다. 제안된 알고리듬은 몇가지 스테레오 영상에 적용하여 그 유효성을 입증한다.
경쟁적 공진화법에 의한 신경망의 구조와 학습패턴의 진화
정치선,이동욱,전효병,심귀보,Joung, Chi-Sun,Lee, Dong-Wook,Jun, Hyo-Byung,Sim, Kwee-Bo 대한전자공학회 1999 電子工學會論文誌, S Vol.s36 No.1
일반적으로 신경망의 정보처리 능력은 신경망의 구조와 효율적인 학습패턴에 의해 결정된다. 그러나 아직까지 체계적으로 신경망의 구조를 설계하거나 효율적인 학습패턴을 선택하는 방법은 없다. 한편 진화 알고리즘은 개체군을 이용한 탐색법으로 전역적 최적해를 구하는 데 많이 사용되고 있으며, 특히 최적의 시스템을 설계하고자 할 때 매우 유용한 방법이다. 본 논문에서는 유전자 알고리즘으로 구성된 두 개의 개체군이 서로 경쟁적으로 진화하는 공진화 방법에 의해 최적의 신경망구조를 찾는 방법을 제안한다. 이 방법은 신경망구조를 나타내는 주개체군과 학습패턴을 나타내는 부개체군으로 되어 있으며, 이 두 개체군(신경망과 학습패턴)은 서로 경쟁적으로 진화한다. 즉, 학습패턴은 신경망이 학습하기 힘든 패턴으로 진화하고 신경망은 그 패넌들을 학습할 수 있도록 진화하단. 이 방법은 부적절한 학습패턴의 선택과 임의적인 신경망의 설계로 인한 시스템의 성능이 저하되는 것을 해결한다. 또한 공진화 방법에서 각 개체군의 적합도는 동적으로 변화하기 때문에 그 진행과정을 쉽게 알 수 없다. 따라서 본 논문에서는 그 진행과정을 관찰할 수 있는 방법도 소개한다. 마지막으로 제안한 방법을 로봇 매니플레이터의 비주얼 서보임 문제에 적용하여 그 유효성을 검증한다. In general, the information processing capability of a neural network is determined by its architecture and efficient training patterns. However, there is no systematic method for designing neural network and selecting effective training patterns. Evolutionary Algorithms(EAs) are referred to as the methods of population-based optimization. Therefore, EAs are considered as very efficient methods of optimal system design because they can provide much opportunity for obtaining the global optimal solution. In this paper, we propose a new method for finding the optimal structure of neural networks based on competitive co-evolution, which has two different populations. Each population is called the primary population and the secondary population respectively. The former is composed of the architecture of neural network and the latter is composed of training patterns. These two populations co-evolve competitively each other, that is, the training patterns will evolve to become more difficult for learning of neural networks and the architecture of neural networks will evolve to learn this patterns. This method prevents the system from the limitation of the performance by random design of neural networks and inadequate selection of training patterns. In co-evolutionary method, it is difficult to monitor the progress of co-evolution because the fitness of individuals varies dynamically. So, we also introduce the measurement method. The validity and effectiveness of the proposed method are inspected by applying it to the visual servoing of robot manipulators.