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
- 발행연도
- 2018
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수0
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
로봇의 속도 변화 하에서 진동 기반 지형 분류는 특징 정보의 속도 의존적 변동성으로 인해 풀기 어려운 문제이다. 이 문제를 풀기 위해 본 논문은 속도에 독립적인 지형 단위의 특징 표현으로서 I-vector를 사용하는 방식을 제안한다. 제안한 방법은 수집된 특징을 분류에 최적화된 변동 factor로 추출하여 지형에 관련된 정보만을 이용한다.
기존의 연구였던 보간법에 기반한 지형 분류는 보간법의 부정확성과 알려진 속도에서의 학습 데이터의 필요로 인해 분류 정확도가 낮고 학습의 난이도가 높은 한계가 있었다. 따라서 새로운 지형 분류 방법으로 I-vector와 심층 신경망에 기반한 지형 분류법을 제안하였다. I-vector는 지형에 관련된 변동성을 분류에 최적화하는 방법을 이용하여 지형과 상관없는 요소가 분류 정확도를 낮추는 문제를 해결하였다. 이 과정에서 기존의 universal background model 방식의 I-vector 학습을 대체한 심층 신경망 방식의 I-vector 학습을 적용하여 속도 프로파일 요소를 고려하였다. 분류기의 효율을 최적화하기 위해 특징을 추가로 추출하고 cosine 거리를 계산한 새로운 특징 벡터를 제시하였다. probabilistic linear discriminant analysis와 심층 신경망을 조합하는 두 가지 방법을 통하여 학습 데이터 집합의 복잡도와 상관없이 최적의 분류기를 설계하였으며, 수집된 데이터의 양이 적거나 많은 경우에도 견고한 지형 분류가 가능하게 되었다.
9가지 지형에 대해 수집된 진동 데이터로부터 제안된 방법과 다른 방법을 비교하여 분류 성능을 평가하였다. 또한 제안하는 방법이 속도 변화 하에서 다른 기존 알고리즘을 능가한다는 것을 정확도 및 각종 지표를 통하여 확인하였다.
기존의 연구였던 보간법에 기반한 지형 분류는 보간법의 부정확성과 알려진 속도에서의 학습 데이터의 필요로 인해 분류 정확도가 낮고 학습의 난이도가 높은 한계가 있었다. 따라서 새로운 지형 분류 방법으로 I-vector와 심층 신경망에 기반한 지형 분류법을 제안하였다. I-vector는 지형에 관련된 변동성을 분류에 최적화하는 방법을 이용하여 지형과 상관없는 요소가 분류 정확도를 낮추는 문제를 해결하였다. 이 과정에서 기존의 universal background model 방식의 I-vector 학습을 대체한 심층 신경망 방식의 I-vector 학습을 적용하여 속도 프로파일 요소를 고려하였다. 분류기의 효율을 최적화하기 위해 특징을 추가로 추출하고 cosine 거리를 계산한 새로운 특징 벡터를 제시하였다. probabilistic linear discriminant analysis와 심층 신경망을 조합하는 두 가지 방법을 통하여 학습 데이터 집합의 복잡도와 상관없이 최적의 분류기를 설계하였으며, 수집된 데이터의 양이 적거나 많은 경우에도 견고한 지형 분류가 가능하게 되었다.
9가지 지형에 대해 수집된 진동 데이터로부터 제안된 방법과 다른 방법을 비교하여 분류 성능을 평가하였다. 또한 제안하는 방법이 속도 변화 하에서 다른 기존 알고리즘을 능가한다는 것을 정확도 및 각종 지표를 통하여 확인하였다.
목차
제 1 장 서 론 7제 1 절 연구 배경 및 동기 7제 2 절 기여도 10제 3 절 논문 구성 11제 2 장 관련 연구 12제 1 절 지형 분류 12제 2 절 진동 정보의 특징 추출 및 분류 14제 3 절 속도에 독립적인 지형 분류 17제 3 장 진동 정보의 특징 추출 및 집계 18제 1 절 문제 정의 18제 2 절 진동 신호의 특징 추출 19제 3 절 GMM-UBM을 적용한 Feature Aggregation 24제 4 장 I-vector 29제 1 절 I-vector의 Generative Model 29제 2 절 DNN 기반 BW statistics 추출 33제 3 절 I-vector의 학습 및 추출 36제 5 장 PLDA와 DNN의 혼성 분류기 39제 1 절 Baseline으로써 PLDA 39제 2 절 DNN scoring 기법 42제 3 절 DNN/PLDA 혼성 scoring 기법 46제 6 장 실험 결과 47제 1 절 실험 환경 및 데이터 수집 47제 2 절 실험 설정 50제 3 절 실험 Metric 분석 및 결과 51제 7 장 결론 61참고 문헌 62
최근 본 자료
댓글(0)
0