1 |
1
SVM 분류기를 이용한 가스 탐지 방법에 있어서,상기 SVM 분류기에서 특징벡터를 분류하기 위해 초평면(hyperplane)을 훈련시키는 SVM(Support Vector Machine) 훈련 단계를 진행하되,상기 SVM 훈련 단계는,훈련 스펙트럼들을 획득하는 훈련 스펙트럼 획득 단계;상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계;상기 훈련 스펙트럼들 각각이 이루는 특징벡터를 분류하기 위해 초평면을 구하는 초평면 연산 단계;상기 초평면을 이용하여 가스의 유무를 판별하기 위한 판별함수 연산 단계;를 포함하며,상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계는,상기 훈련 스펙트럼의 오프셋(offset)을 제거하는 오프셋(offset) 제거 단계;바탕선 보정(baseline correction) 알고리즘을 적용하는 바탕선 보정 단계;를 포함하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
2 |
2
제1항에 있어서,상기 훈련 단계에서 구해진 판별함수는 SVM 분류기를 이용한 표적가스 탐지 단계에서 SVM 분류 알고리즘으로 사용되는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
3 |
3
삭제
|
4 |
4
제1항에 있어서,상기 초평면 연산 단계는,상기 초평면의 법선 벡터(Normal vector)를 구하는 단계;상기 법선 벡터를 구하기 위한 최적화 문제의 해를 연산하는 단계;를 포함하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
5 |
5
제4항에 있어서,상기 최적화 문제의 해를 구하는 단계에서 상기 최적화 문제는, 인 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
6 |
6
제2항에 있어서,상기 판별함수 연산 단계에서 얻어지는 판별함수는,(sgn은 부호함수, i 는 support vector의 수, 는 Lagrange multiplier, 는 클래스 함수, 는 support vector의 전치 벡터, X는 훈련 스펙트럼)인 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
7 |
7
제6항에 있어서,상기 표적가스 탐지 단계는,표적가스 스펙트럼 획득 단계;상기 표적가스 스펙트럼에 전처리 과정을 수행하는 전처리 단계;상기 표적가스 스펙트럼에 상기 SVM 분류 알고리즘을 적용하는 알고리즘 적용 단계;표적가스 탐지 단계;를 포함하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
8 |
8
제6항에 있어서,상기 판별함수의 유사 확률 값 가 0보다 크면 표적가스가 있다고 판정하고, 0보다 작으면 표적가스가 없다고 판정하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
9 |
9
제6항에 있어서,상기 판별함수의 유사 확률 값 를 2차 특징으로 계산하여 이용하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
10 |
10
제9항에 있어서,상기 훈련 스펙트럼의 특징 벡터가 두 특징 벡터 집단 사이에 존재할 때, 상기 유사 확률 값 는 [-1, 1]의 값을 가지는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
11 |
11
제9항에 있어서,상기 훈련 스펙트럼의 특징 벡터가 두 특징 벡터 집단 사이에 존재하지 않을 때, 상기 유사 확률 값 는 [-∞, 1]의 값을 가지는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|
12 |
12
제1항에 있어서,상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계에서 특징 벡터 집단이 선형적으로 분리되지 않으면 커널 함수(kernel function)을 이용하여 특징 벡터 집단이 선형 분리 되도록 하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법
|