earticle

영어

Measuring the similarity between two input patterns is one of the essential parts for pattern recognition systems. The performance of a pattern recognition system with a distance- based classifier such as K-nearest neighbor method is greatly dependent on its distance function. In this paper, we propose a learning method to optimize a distance function for the given problem and data set instead of using a fixed distance function. An optimized distance function can be obtained by combining two distance functions based on class distribution and variation distribution. The computational experiments show that the proposed distance function can achieve better performance in pattern recognition problems compared to the conventional methods.

한국어

두 입력 패턴간의 유사도를 측정하는 문제는 패턴인식 시스템의 핵심적인 요소에 해당한다. 특히 K-근접 이웃 분류 기와 같은 거리 기반 패턴 분류기를 사용하는 경우, 거리함수는 전체 시스템의 성능을 좌우 하는 중요한 역할을 한 다. 본 논문에서는 기존의 정해진 거리함수를 사용하는 대신 학습을 통하여 주어진 문제와 데이터의 분포 특성에 맞 게 최적화된 거리함수를 획득하는 방법을 제안한다. 특히 여러 개의 클래스로 이루어진 패 턴인식 문제에서 나타나는 데이터의 분포를 변형 분포와 클래스 분포의 두 가지 관점에서 고찰함으로써, 이로부터 각 각 얻어진 거리함수를 결 합한 새로운 거리함수를 제안한다. 제안하는 거리함수는 변형 분포나 클래스 분포만을 고려 한 기존의 방법에 비해 인식기의 성능을 향상시킬 수 있음을 실험을 통하여 입증하였다.