반복 가중치 L1-주성분 분석을 이용한 전자코 손실 데이터 복원

국문 초록 (Abstract)

전자코 시스템은 인간의 후각의 단점을 보완하고 위험한 환경에서 사용 가능하다는 장점이 있어 많은 분야에서 데이터 측정 도구 등 다양한 용도로 사용될 수 있다. 좋은 분류 성능을 갖는 전자코를 설계하기 위해서는 효과적인 분류기의 선택도 중요하지만 분류기의 입력으로 사용되는 특징을 분류 목적에 적합하도록 추출하는 것 또한 매우 중요하다.
기체 분류에 유용한 특징을 추출하기 위해서는 먼저 센서를 통해 전자코 데이터를 안정적으로 취득하여야 한다. 그러나 전자코가 활용되는 실제 환경에서는 설치 환경이나 전기적인 문제에 의해서 센서 데이터에 이상치(outlier)나 노이즈가 발생할 수 있는데, 이는 효과적인 특징 추출을 어렵게 만들어 결과적으로 전자코 시스템의 분류 성능을 떨어뜨릴 수 있다.
본 논문에서는 센서를 통한 데이터 취득 과정에서 일부 데이터가 손실되거나 노이즈에 의해 손상되었을 경우, 통계적 학습을 기반으로 데이터를 복원하는 방법을 제안하였다. L2-PCA(Principal Component Analysis)는 센서 데이터와 같은 고차원 데이터에 대해 차원을 축소하고 노이즈 제거를 위한 복원 방법으로 사용된 바 있다. 그러나 L2-norm을 사용하는 L2-PCA의 경우 특징을 추출하는 과정에서 이상치 데이터 값이 과도하게 반영되어 실제 데이터의 분포를 제대로 나타내지 못하는 경우가 발생한다. 제안한 방법에서는 데이터 복원을 위해 L2-PCA 대신 이상치 데이터에 보다 강인한 L1-PCA를 사용하고 반복 가중치 적합법(Iteratively Reweighted Fitting, IRF)을 적용함으로써 데이터의 복원 에러를 감소시킬 수 있었다. 복원된 데이터와 무손실 데이터와의 RMS 에러 측정 결과, 제안한 방법에 의해 데이터가 효과적으로 복원되는 것을 확인 할 수 있었으며, 손상된 데이터와 복원 데이터에 대한 가스 분류 실험을 통해, 데이터가 손상 된 경우에도 제안한 방법으로 데이터를 복원함으로써 데이터 손상으로 인한 분류 성능의 감소 폭이 크게 줄어든 것을 확인 할 수 있었다.

다국어 초록 (Multilingual Abstract)

The electronic nose system can be used in a variety of applications such as data measurement tools in many fields because it has the advantages of complementing the shortcomings of human nose and being usable in a dangerous environment. In order to design an electronic nose with good classification performance, it is important to select an effective classifier, but it is also important to extract features that are used as inputs to the classifier to suit the classification purpose.
In order to extract useful features for gas classification, electronic nose data must be acquired stably through the sensor. However, in an actual environment where an electronic nose is used, an outlier or noise may occur in the sensor data due to an installation environment or an electrical problem. This may make it difficult to extract an effective feature, and as a result, the classification performance of the electronic nose may deteriorate.
In this paper, we propose a method to reconstruct data based on statistical learning when some data is lost or damaged by noise during data acquisition through sensor. L2-PCA (Principal Component Analysis) has been widely used as a reconstruction method for noise removal and dimension reduction for high dimensional data such as sensor data. However, in case of L2-PCA using L2-norm, outlier data values ​​are over-reflected in the process of extracting features, which may not reflect the distribution of original data. In the proposed method, it is possible to reduce data reconstruction error by using L1-PCA and Iteratively Reweighted Fitting (IRF) method instead of L2-PCA for data reconstruction. As a result of the RMS error measurement between the reconstructed data and the lossless data, it was confirmed that the data was effectively reconstructed by the proposed method. Even if the data was damaged through the gas classification experiment on the damaged data and the reconstructed data, It can be confirmed that the reduction of the classification performance is greatly reduced by reconstructing the data.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 관련연구 3
• 1. L2-주성분 분석 방법(L2-Principal Component Analysis) 3
• 2. 선형 판별 분석(Linear Discriminant Analysis) 7
• Ⅲ. 반복 가중치 L1-주성분(L1-PCA) 분석을 이용한 데이터 복원 9
• 1. 반복 가중치 L1-주성분 분석 방법(L1-PCA) 9
• 2. 데이터 복원(Data Reconstruction) 12
• Ⅳ. 실험 결과 및 고찰 15
• 1. 전자코 데이터 수집 15
• 2. 데이터 복원 결과 및 분류율(Data Reconstruction Result & Gas Classification Rate) 19
• Ⅴ. 결론 28
• 참고문헌 30
• 영문요약 34