http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
이창기,Lee, Changki 한국정보통신학회 2020 한국정보통신학회논문지 Vol.24 No.1
현재 상용화되어 있는 유량 측정 레이더 센서는 표면 유속을 이용하여 유량을 측정하는 방법을 사용한다. 이러한 방식으로는 표면 유속만으로 유량을 추정하는 것이기 때문에 단위 시간당 흐르는 물의 양을 정확하게 측정할 수 없다. 보다 정확한 측정을 위해서는 수위와 유속 정보 모두가 필요하며, 이에 따라 일부 상용 계측기는 수위와 유속을 각각 측정하는 두 개의 센서를 이용하여 유량을 산정하는 방식을 채택하고 있다. 본 논문에서는 하나의 FMCW 레이다 센서를 이용하여 수위와 유속을 동시에 측정할 수 있는 방법에 대하여 제안하고, 이를 위한 FMCW 레이다 송신 파형을 설계한다. 또한, 송신 파형을 기반으로 수신 신호를 모델링하여 수위 및 유속 측정 시 발생할 수 있는 문제점들에 대해 고찰하고자 한다. A commercial flow measurement radar sensor estimates a quantity of flowed water using surface flow rate. In this way, the amount of water flowing per unit time cannot be measured accurately because of using an estimation result and it can't response environmental changes. For more accurate flow measurements we need width of waterway, water level and distance that water moved per unit time. Commonly two sensors are used to measure water level and flow rate. In this paper, we propose a method to simultaneously measure the water level and surface flow velocity using a single FMCW radar sensor and design the transmission waveform. In order to verify the waveform design, received signal is modelled based on transmission waveform. In addition, we consider phenomenons and problems that may occur in signal processing.
빠른 학습을 위한 1-Slack One-Class SVM
이창기(Changki Lee) 한국정보과학회 2013 정보과학회 컴퓨팅의 실제 논문지 Vol.19 No.5
One-class SVM은 데이터가 존재하는 영역을 추출하고, 이 영역을 서포트 벡터로 표현하며 표현된 영역 밖의 데이터들은 아웃라이어(outlier)로 간주된다. 본 논문에서는 One-class SVM의 성능은 그대로 유지하면서 대용량의 학습데이터에서 빠른 학습을 하기 위한 1-slack one-class SVM을 제안한다. 실험결과 One-class SVM과 1-slack one-class SVM 수행 결과가 거의 같으며, 대용량의 학습데이터에서 1-slack one-class SVM이 일반 One-class SVM보다 학습속도가 훨씬 빠름을 알 수 있었다. Training one-class support vector machine (one-class SVM) involves solving a quadratic programming (QP) problem. By increasing the number of training samples, solving this QP problem becomes intractable. In this paper, we reformulate a standard one-class SVM and derive a 1-slack one-class SVM. The 1-slack oneclass SVM fixes the bias term ρ =1 and replaces the n cutting-plane models of the hinge-loss with a single cutting plane model for the sum of the hinge-losses. Experimental results showed that the 1-slack one-class SVM is much faster than the standard one-class SVM without loss of performance.
비선형 패턴을 지닌 범주형 자료의 군집분석을 위한 그래프 기반 거리 측도
이창기(Changki Lee),정욱(Uk Jung) 한국신뢰성학회 2019 신뢰성응용연구 Vol.19 No.2
Purpose: The purpose of this study is to suggest a more efficient distance measure taking into account the patterns of data for clustering categorical data Methods: The proposed categorical geodesic distance is calculated with three main steps: (1) The first step measures the Gower distance between two observations composed of categorical variables. (2) The second step is to represent the data as a mutual k-nearest neighbor graph. (3) The final step calculates the distance between two observations with the shortest path in the graph. The distance obtained from (3) is utilized for clustering categorical data. In particular, our proposed method is suitable for data with nonlinear patterns. Results: Our experimental results using several real-life datasets reveal that the categorical data also has implicit topological structures and confirm that the distance considering implicit data patterns generally yields better clustering performance than existing Gower distance measure. Conclusion: This study revealed that the adoption of the data patterns using our proposed distance measure positively affected the results of cluster analysis.
[우수논문] Structural SVM을 이용한 한국어 자동 띄어쓰기
이창기(Changki Lee),김현기(Hyun-Ki Kim) 한국정보과학회 2012 한국정보과학회 학술발표논문집 Vol.39 No.1B
본 논문에서는 띄어쓰기가 완전히 무시된 한국어 문장의 띄어쓰기 문제를 위해 structural SVM을 이용한 한국어 띄어쓰기 방법을 제안한다. Structural SVM은 기존의 이진 분류 SVM을 sequence labeling 등의 문제에 적용할 수 있도록 확장된 것으로, 이 분야에 띄어난 성능을 보이는 것으로 알려진 CRF와 비슷하거나 더 높은 성능을 보이고 있다. 본 논문에서는 약 2,600만 어절의 세종 코퍼스 원문을 학습 데이터로 사용하고, 약 29만 어절의 ETRI 품사 부착 코퍼스를 평가 데이터로 사용하였다. 평가 결과 음절단위의 정확도는 99.01%, 어절단위의 정확도는 95.47%를 보였다.
Structural SVMs 및 Pegasos 알고리즘을 이용한 한국어 개체명 인식
이창기(Changki Lee),장명길(Myungil Jang) 한국인지과학회 2010 인지과학 Vol.21 No.4
개체명 인식은 정보 추출의 한 단계로서 정보검색 분야 뿐 아니라 질의응답과 요약 분야에서 매우 유용하게 사용되고 있다. 본 논문에서는 structural Support Vector Machines(structural SVMs) 및 수정된 Pegasos 알고리즘을 이용한 한국어 개체명 인식 시스템에 대하여 기술하고 기존의 Conditional Random Fields(CRFs)를 이용한 시스템과의 성능을 비교한다. 실험결과 structural SVMs과 수정된 Pegasos 알고리즘이 기존의 CRFs 보다 높은 성능을 보였고(신뢰도 99%에서 통계적으로 유의함), structural SVMs과 수정된 Pegasos 알고리즘의 성능은 큰 차이가 없음(통계적으로 유의하지 않음)을 알 수 있었다. 특히 본 논문에서 제안하는 수정된 Pegasos알고리즘을 이용한 경우 CRFs를 이용한 시스템보다 높은 성능(TV 도메인 F1=85.43, 스포츠 도메인 F1=86.79)을 유지하면서 학습 시간은 4%로 줄일 수 있었다. The named entity recognition task is one of the most important subtasks in Information Extraction. In this paper, we describe a Korean named entity recognition using structural Support Vector Machines (structural SVMs) and modified Pegasos algorithm. Using the proposed approach, we could achieve an 85.43% F1 and an 86.79% F1 for 15 named entity types on TV domain and sports domain, respectively. Moreover, we reduced the training time to 4% without loss of performance compared to Conditional Random Fields (CRFs).