지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 백성준
- 발행연도
- 2022
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문은 스펙트럼 데이터 압축을 위해 합성곱 오토인코더(Convolutional AutoEncoder, CAE)의 구조에 ResNet(Residual neural Netowork)의 Shortcut connection을 적용한 신경망을 제안한다. 최근 적외선 분광법(infrared spectroscopy)과 라만 분광법(Raman spectroscopy)의 사용이 점차 증가하고 있으며 물질의 정보 분석뿐만 아니라 의학, 생물학 등 다양한 분야에서 적용 범위를 넓혀가고 있다. 분광법의 적용 분야가 넓어짐에 따라 스펙트럼 데이터베이스가 대용량화되어 효율적인 전송이 어렵고 많은 저장 공간을 필요로 한다. 이러한 대용량의 데이터베이스를 효율적으로 관리하기 위해 데이터 압축을 수행한다. 기존 데이터 압축에 주로 사용되는 PCA(Principal Component Analysis)는 주성분의 개수에 따라 압축률이 결정된다. 주성분 개수가 적을수록 압축률은 높아지지만 정보 손실이 보다 쉽게 발생하기 복원 시 원본 데이터와의 크게 오차가 발생한다. 이러한 한계점을 극복하기 위해 본 논문에서는 제안한 신경망을 통하여 데이터 압축을 수행하였다. 제안한 신경망의 성능 비교를 위해 적층 오토인코더(Stacked AutoEncoder, SAE)와 CAE를 정의하였으며, 모든 신경망의 학습은 라만 스펙트럼을 묘사한 모의실험 데이터를 생성하여 수행하였다. PCA와 각 신경망을 통해 라만 스펙트럼을 75%, 87.5%, 93.75%의 압축률로 각각 압축 후 복원하여 원본 데이터와의 오차를 비교 분석하였다. 제안한 신경망은 PCA에 비해 평균 94.2%의 오차 감소를 보이며 SAE에 비해 평균 94.4%, CAE에 비해 평균 66.4%의 오차 감소를 보였다. 또한 각 기법의 압축 후 복원까지 소요되는 시간을 측정하여 제안한 신경망이 스펙트럼 데이터 압축에 효과적으로 적용될 수 있음을 확인하였다.
목차
(국문 초록) 11. 서론 32. 이론적 배경 5가. 차원 축소를 통한 데이터 압축 5나. 신경망 91). 신경망의 구조 92). 신경망 학습 113). 완전연결 신경망 154). 합성곱 신경망 15다. 신경망 기반 데이터 압축 161). 적층 오토인코더(Stacked AutoEncoder, SAE) 162). 합성곱 오토인코더(Convolutional AutoEncoder, CAE) 183. 제안 압축 신경망(ResNet-Convolutional AutoEncoder, RCAE) 194. 실험 방법 및 결과 22가. 스펙트럼 데이터 231). 라만 스펙트럼 232). 모의실험 데이터 24나. 신경망 구성 및 학습 25다. 실험 결과 285. 결론 37참고문헌 38(Abstract) 41
최근 본 자료
댓글(0)
0