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
- 허선
- 발행연도
- 2019
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
각종 센서로부터 생산된 시계열 데이터는 예측 불가능한 수집 환경에 의해 대부분 길이가 다르다. 하지만 시계열 데이터 분류 기법 대부분은 시계열 데이터의 길이가 같음을 가정하고 있다. 또한 길이가 다른 시계열 데이터를 활용한 분류 기법은 동적시간왜곡과 동적시간왜곡으로부터 파생된 방법 이외에 대안이 없으며, 시계열 길이 변환을 직접 다룬 연구는 거의 없다.
이 논문에서는 길이가 다른 시계열 데이터의 길이를 같게 만드는 길이 변환방법을 소개한다. 제안하는 시계열 길이 변환은 동적시간왜곡 알고리즘을 통해 얻은 동적시간왜곡 행렬과 매칭 경로를 활용하여 시계열 데이터를 길이가 가장 긴 시계열의 길이에 맞춰 변환한다. 제안하는 방법은 유사도를 보존하는 변환이므로 변환 후에도 동적시간왜곡 길이가 보존되며, 복원 또한 가능하다.
제안하는 길이 변환 방법의 유효성 검증을 위해 변환 전 시계열 데이터에 1NN-DTW 알고리즘을 적용한 실험과 길이 변환된 데이터에 서포트 벡터 머신, 랜덤 포레스트, 인공신경망, 나이브 베이즈 알고리즘을 적용한 결과를 비교하기 위한 실험을 진행하였다. 그 결과, 제안한 길이 변환을 적용한 데이터를 활용한 분류 성능이 기존 방법보다 거의 모두 결과가 좋았다.
이 논문에서는 길이가 다른 시계열 데이터의 길이를 같게 만드는 길이 변환방법을 소개한다. 제안하는 시계열 길이 변환은 동적시간왜곡 알고리즘을 통해 얻은 동적시간왜곡 행렬과 매칭 경로를 활용하여 시계열 데이터를 길이가 가장 긴 시계열의 길이에 맞춰 변환한다. 제안하는 방법은 유사도를 보존하는 변환이므로 변환 후에도 동적시간왜곡 길이가 보존되며, 복원 또한 가능하다.
제안하는 길이 변환 방법의 유효성 검증을 위해 변환 전 시계열 데이터에 1NN-DTW 알고리즘을 적용한 실험과 길이 변환된 데이터에 서포트 벡터 머신, 랜덤 포레스트, 인공신경망, 나이브 베이즈 알고리즘을 적용한 결과를 비교하기 위한 실험을 진행하였다. 그 결과, 제안한 길이 변환을 적용한 데이터를 활용한 분류 성능이 기존 방법보다 거의 모두 결과가 좋았다.
목차
그림 목차 . iii표 목차 iv요 지 v제 1 장 서 론 11.1 연구 배경과 목적 31.2 연구 방법 4제 2 장 선행 연구 고찰 72.1 길이가 다른 데이터를 위한 길이 변환 72.2 시계열 유사도 측정 방법 82.3 DTW 기반의 분류 알고리즘 9제 3 장 DTW 기반의 시계열 길이 변환 방법 113.1 DTW 알고리즘 113.2 제안하는 시계열 길이 변환 방법 143.2.1 작동과정 143.2.2 시계열 길이 변환 예제 18제 4 장 실험 224.1 데이터 244.2 실험 결과 25제 5 장 결론과 시사점 29참고문헌 31Abstract 33
최근 본 자료
댓글(0)
0