지속가능티끌/Data.Math.Phys ( 81 ) FANN. Fast Artificial Neural Net. 라이브러리, 오픈소스 (C). 개요 FANN : Fast Artificail Neural Net 라이브러리, 오픈소스 ( C 언어) 주요특징.1. C로 작성된 DLL 라이브러리, 오픈소스.- 즉, DLL 도입하여 코딩해도되고, 소스를 자신 개발 중 코드에 소스 복사해서 사용해도 됨.. 2. Multilayer ANN 3. Backpropagation training (RPROP, Quickprop, Batch, Incremental)4. 빠르다(여타 라이브러리 대비 150배). 5. 도입 활용 용이. (여타 다른 프레임웍등의 종속성이 없다.)6. GUI툴 S/W 제공되어 간단 기능확인용이. : http://leenissen.dk/fann/wp/graphical-interface/ FANN 주 사이트 : http://leenissen... 2016. 8. 19. 피보나치 (Fibonacci) 수열. 개요 피보나치 수 : 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987,...... 피보나치 수 규칙 : 0, 1, 에서 출발하여 다음 숫자는 앞의 2개 숫자 합으로 생성. 식으로 표현하면, 피보나치 수 예. 자연에서 보는 예 : 꽃잎 수, 나무가지 확장방식, 솔방울 나선, 달팽이 껍질 나선, 해바라기 씨앗 배열 나선 등 자연계에서의 나선류 모두.인공물에서 보는 예 : 피아노건반 - 검은색 건반 2개, 3개 그룹, 검은색건반5개, 흰색건반8개, 13옥타브. 미술작품, 건축물, 음악의 흐름에서의 비율. 피보나치 수열과 황금비 : 수열의 큰 수로 갈수록 인접 2개 숫자 비율은 황금비 1:1.6180339.. 로 수렴. 예: 21 : 34 = .. 2016. 8. 4. 웹기반 FIR, IIR 필터 계산 툴. FIR 필터 주소 : http://t-filter.engineerjs.com/ IIR 필터 주소 : http://engineerjs.com/?sidebar=docs/iir.html 스크린 샷. ///768. 2016. 6. 6. IIR 필터. 스텝 응답 실측. 입력신호. 구형파 2Hz. IIR LPF 8차 버터워스 3dB 55Hz 상기 입력신호에 LPF 적용한 출력파형은 아래처럼 스텝부분이 지글지글해짐. IIR 2차 Band Stop 필터. 3dB 55Hz, 65Hz 입력신호에 Band Stop 필터적용한 출력파형. IIR 2차 Band Stop 필터. 3dB 59Hz, 61Hz 입력신호에 Band Stop 필터적용한 출력파형. IIR 2차 Band Stop 필터. 3dB 59.5Hz, 60.5Hz 입력신호에 Band Stop 필터적용한 출력파형. ///760. 2016. 5. 24. 딥러닝 신경망과 기존 신경망 본질적 차이점. 개요 - 립러닝 신경망과 종래의 신경망 본질적 차이점. 구글 알파고 등 최근(2016년) 회자되는 "딥러닝" 도 그 기술적 근원은 "인공신경망 (Artificial Neural Netwowk)" 을 골격으로 한다는 점에서는 종래의 인공신경망과 다를바 없다. "딥러닝" 이라는 용어가 사용되는 인공신경망이 종래의 인공신경망과 어떤 본질적 차이가 있는지 정리해둔다. "종래의 인공신경망" - 1943년 맥컬럭과 피츠의 형식뉴런모델 제안이후 부터 1960년 "단층퍼셉트론", 1976년 "다층 퍼셉트론" 그리고 이후 인공신경망 분야의 암흑기 ~2000년. 암흑기를 만든 원인중 Minsky와 Papert 의 저서 Perceptron 에서 퍼셉트론의 한계를 지적한것도 주요 원인이었음. 많은 연구자들이 인공신경망 분야에.. 2016. 3. 11. Exponential Smoothing (Exponential Moving Average, EMA), Exponential Smoothing - 정의.용어 : EMA (Exponential Moving Average) 라는 용어로 더 많이 알려져 있다. 특히 금융 매매대상(주식, 선물등) 에서 EMA 많이 사용됨. 시계열 데이터의 평활(smoothing) 방법 중 하나로 exponential window 를 갖는 low pass filter 적용한 효과를 준다. 결과적으로 신호에서 고주파성분 제거된 평활처리. Formula.정확한 주파수 기반의 Low Pass Filter 처럼 컷오프 주파수 개념이 있지 않기 때문에 대상 원시데이터에서 상기 formula 적용시 smoothing factor 값을 변경해보면서 의도하는 스무딩 결과가 나오는 것을 확인하면서 최종 smoothing factor 값 결정해.. 2016. 2. 27. Moving Average, LOWESS (LOESS) 적용 결과 비교. 녹색 : 원시데이터. 붉은색 : 원시데이터의 이동평균 - 과거 데이터 10개 이용. 파랑색 : 원시데이터의 LOWESS. 아래 챠트는 상기 챠트의 최대값 근처의 데이터 만을 LOEWSS 적용한 경우. LOWESS 피팅 커브는 상기 데이터열이 많은 경우와 달리 해당 구간에서의 원 파형의 모습을 더 잘 따라가면서 스무딩 처리 해주고 있다. ///678. 2016. 2. 26. Stochastic Process, Random Process 개요 - Stochastic Process. stochastic process (randon process)란 "시간적으로 랜덤한 값들이 보이는 행태" 의미. - 반대말 : deterministic process. Stochastic Process Wiki : https://en.wikipedia.org/wiki/Stochastic_process 개념이해 일반 자료. https://www.youtube.com/watch?v=TuTmC8aOQJE ///677. 2016. 2. 23. HMM (Hidden Markov Model) 개요. 개요. HMM - Hidden Markov Model Hidden Markov Model. 대상 시스템을 아래와 같은 방식으로 모델링 하는 것. 1. 대상 시스템은 측정가능한 것들의 state(상태)가 있고, 2. 대상 시스템은 상기1에 추가로, 측정 불가한 (Hidden) 것의 state가 있다고 가정 하고, 3. 상기1 측정량의 상태 변화와 상기2 Hidden State 를 연관 짓는다. Hidden state 가 측정가능한 state 로 반영되는 process(과정) 를 Hidden Markov Process 라고 한다. HMM 주활용 분야. - 시간적으로 변하는 시스템의 특징 패턴 인식류. - 음성인식, 필기인식, 동작인식등. Markov 가 누구? Andrey Markov. 러시아 수학자. 18.. 2016. 2. 23. 이전 1 2 3 4 5 다음
