생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
Title Page
Abstract
국문요약
Contents
Chapter 1. Introduction 19
1.1. Objectives 19
1.2. Organization 20
Chapter 2. Bio-Inspired Computing 22
2.1. Introduction 22
2.2. Genetic Algorithms 23
2.2.1. Backgrounds 23
2.2.2. Process of Genetic Algorithms 24
2.2.3. Representation 25
2.2.4. Fitness Function 26
2.2.5. Genetic Operators 26
2.3. Particle Swarm Optimization 28
2.3.1. Backgrounds 28
2.3.2. Process of Particle Swarm Optimization 28
Chapter 3. Image Registration using Multi-objective Particle Swarm Optimization 31
3.1. Introduction 31
3.2. Niching Particle Swarm Optimization 34
3.2.1. Guaranteed Convergence Particle Swarm Optimization Algorithm 34
3.2.2. Niching Particle Swarm Optimization Algorithm 35
3.3. Fast Extrema Detector 37
3.3.1. Scale-Invariant Feature Transform 37
3.3.2. Similarity in Difference-of-Gaussian Images 38
3.3.3. Fast Extrema Detector 40
3.4. Evaluations 42
3.5. Summary 46
Chapter 4. A New GA-based Data Fusion Methodology for Detecting Harmful Algal Blooms 47
4.1. Introduction 47
4.2. Data Fusion Model for Heterogeneous Sensed Data 50
4.2.1. Wireless Sensor Networks 50
4.2.2. Ecological data 52
4.2.3. System Architecture for Detection 55
4.3. Evaluations 58
4.4. Summary 59
Chapter 5. Conclusions 61
5.1. Summary 61
References 63
Curriculum Vitae 66
Table 3.1: The number of detected features and measurement value for recall by SIFT... 44
Table 4.1: Estimated linear models using genetic algorithms 58
Figure 2.1: Movements of particle with its previous best position, its best informant... 29
Figure 3.1: Image registration with space transformation model. 32
Figure 3.2: The concept diagram for Difference-of-Gaussian pyramid. 38
Figure 3.3: Example images convolved the original image with Gaussian kernels having... 39
Figure 3.4: DoG images obtained by the subtraction between neighbor images in Fig.... 40
Figure 3.5: Standard test images of book used in experiments. 42
Figure 3.6: Standard test scene images used in experiments. 43
Figure 3.7: Execution time and speedup of the proposed algorithm on the four bench-... 45
Figure 4.1: Typical wireless sensor networks. 50
Figure 4.2: Detecting the HABs with data fusion on wireless sensor networks. 52
Figure 4.3: Target sites where HABs have occurred frequently in south coast of Korean... 53
Figure 4.4: Ecological conditions for HAB occurreces in water ecosystems. 54
Figure 4.5: Find correlation coefficients of linear model with the past HABs records. 56
Figure 4.6: Detecting HABs state with linear classifier models. 57
Figure 4.7: Experimental results at target sites where HABs have occurred frequently... 60
Algorithm 1. NichePSO 36
Algorithm 2. Fast extrema detector 41
초록보기 더보기
본 논문은 영상 정합 문제와 데이터 융합 문제에서 생태계 모방형 컴퓨팅 기반의 설계와 그에 대한 효율적 응용 기법 개발을 주요 목적으로 둔다. 생태계 모방형 컴퓨팅은 최근 각광받고 있는 자연 계산의 많은 분야중 하나이며, 이는 자연에 존재하는 수단을 이용한 계산을 모두 아우르는 말이다. 현재 많은 계산 문제들이 생태계 모방형 컴퓨팅을 기반으로 해결되고 있는 추세이다. 이와 관련하여, 본 논문에서는 영상 분석과 정보 융합에 대한 다음의 두 가지 주제에 대해 다룬다.
첫째, 영상 분석의 대표적 문제인 영상 정합 과정에서 필요한 특징점 추출 문제를 위한 입자 군집 최적화 알고리즘 (Particle Swarm Optimization: PSO) 의 개 발에 초점을 두고 있다. 특징점 추출 과정에서 사용되는 가우시안 차영상 (Difference-of-Gaussian: DoG) 상의 유사성을 바탕으로 기존의 단순 검색 기법에서 군집 최적화 알고리즘의 수정된 초기화 단계를 이용하여 특징점을 효율적으로 검출하는데 목적을 둔다. 실험적 고찰을 통해 제안된 기법의 유용성과 실용성을 검증한다.
둘째, 분산 센서 네트워크를 이용해 수집되는 이종 데이터를 이용한 의사 결정 문제에 필요한 데이터 융합 기술을 위한 유전 알고리즘 (Genetic Algorithm: GA) 의 적용을 통해 해결하고 있다. 환경 분야에서 큰 문제가 되고 있는 적조 현상을 예측하기 위한 통계적 모델 수립을 위해 논리적 센서와 물리적 센서로 부터 획득되는 데이터의 융합을 유전 알고리즘의 부호화를 통해 데이터를 융합하여 대상 현상의 예측을 확인한다. 실제 기록된 데이터를 통해 이론적 모델을 제안하고 실험을 통해 타당성을 확인한다.
따라서, 본 논문은 영상 정합과 데이터 융합의 생태계 모방형 컴퓨팅 기반 연구 방향에 대한 효율적인 설계 방법을 제안하였으며, 이를 통해 생태계 모방형 컴퓨팅의 적용 분야를 한층 넓힐 수 있을 것으로 기대된다.
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요
