1 |
1
입력된 데이터로부터 추출된 연속형 특징 데이터들을 평균이 0이고, 단위 표준 편차를 갖도록 정규화하는 단계와;상기 정규화된 연속형 특징 데이터들을 이산형 특징 데이터들로 변환하는 단계와;상기 정규화된 이산형 특징 데이터들의 연관성을 계산하여 최대 연관성을 가지는 제1 특징 데이터를 선택하는 단계와;상기 제1 특징 데이터 선택 단계에서 선택되지 않은 특징 데이터들의 포텐셜을 계산하여 가장 큰 포텐셜을 가지는 것을 제2 특징 데이터로 선택하는 단계;를 포함하는 패턴 인식을 위한 특징 데이터 선택 방법
|
2 |
2
제1항에 있어서,상기 정규화 단계는,특징 데이터의 연관성을 나타내는 클래스-특징 상호 정보를 계산하기 위하여의 식을 사용하며,이때, C는 클래스의 변수를, X는 특징 변수를, MI(C;Xi)는 클래스-특징 상호 정보를, H(C)는 클래스 변수 C의 엔트로피를, I(C;Xi)는 두 특징 변수 C, Xi의 상호 정보를 나타내는 패턴 인식을 위한 특징 데이터 선택 방법
|
3 |
3
제1항에 있어서,상기 정규화 단계는,특징 데이터의 중복성을 나타내는 특징-특징 상호 정보를 계산하기 위하여의 식을 사용하며,이때, MI(Xs;Xj)는 특징-특징 상호 정보를, B는 연속형 특징 데이터를 양자화하는 비트의 수를, I(XS;Xj)는 두 특징 변수 XS, Xj의 상호 정보를 나타내는 패턴 인식을 위한 특징 데이터 선택 방법
|
4 |
4
제1항에 있어서,상기 변환 단계는,상기 연속형 특징 데이터들을 8비트, 16비트 및 32비트 중 어느 하나로 양자화하는 패턴 인식을 위한 특징 데이터 선택 방법
|
5 |
5
제1항에 있어서,상기 제2 특징 선택 단계는,특징 데이터의 포텐셜을 계산하기 위하여의 식을 사용하며,이때, f(Xj)는 특징 데이터의 포텐셜을, MI(C;Xj)는 특징 데이터의 연관성 정보를, MI(XS;Xj)는 특징 데이터의 중복성 정보를 나타내는 패턴 인식을 위한 특징 데이터 선택 방법
|
6 |
6
입력된 데이터로부터 추출된 연속형 특징 데이터들을 평균이 0이고, 단위 표준 편차를 갖도록 정규화하는 데이터 정규화부;상기 정규화된 연속형 특징 데이터들을 이산형 특징 데이터들로 변환하는 데이터 변환부;상기 정규화된 이산형 특징 데이터들의 연관성을 계산하여 최대 연관성을 가지는 제1 특징 데이터를 선택하는 제1 특징 데이터 선택부와;상기 제1 특징 데이터 선택 단계에서 선택되지 않은 특징 데이터들의 포텐셜을 계산하여 가장 큰 포텐셜을 가지는 것을 제2 특징 데이터로 선택하는 제2 특징 데이터 선택부;를 포함하는 패턴 인식을 위한 특징 데이터 선택 장치
|
7 |
7
제6항에 있어서,상기 데이터 정규화부는,특징 데이터의 연관성을 나타내는 클래스-특징 상호 정보를 계산하기 위하여의 식을 사용하며,이때, MI(C;Xj)는 특징 데이터의 연관성 정보를, H(C)는 클래스 변수 C의 엔트로피를, I(C;Xi)는 두 특징 변수 C, Xi의 상호 정보를 나타내는 패턴 인식을 위한 특징 데이터 선택 장치
|
8 |
8
제6항에 있어서,상기 데이터 정규화부는,특징 데이터의 중복성을 나타내는 특징-특징 상호 정보를 계산하기 위하여의 식을 사용하며,이때, MI(XS;Xj)는 특징 데이터의 중복성 정보를, B는 연속형 특징 데이터를 양자화하는 비트의 수를, I(XS;Xj)는 두 특징 변수 XS, Xj의 상호 정보를 나타내는 패턴 인식을 위한 특징 데이터 선택 장치
|
9 |
9
제6항에 있어서,상기 데이터 변환부는,상기 연속형 특징 데이터들을 8비트, 16비트 및 32비트 중 어느 하나로 양자화하는 패턴 인식을 위한 특징 데이터 선택 장치
|
10 |
10
제6항에 있어서,상기 제2 특징 선택부는,특징 데이터의 포텐셜을 계산하기 위하여의 식을 사용하며,이때, f(Xj)는 특징 데이터의 포텐셜을, MI(C;Xj)는 특징 데이터의 연관성 정보를, MI(XS;Xj)는 특징 데이터의 중복성 정보를 나타내는 패턴 인식을 위한 특징 데이터 선택 장치
|