KR101569437B1 - Method and apparatus for calculating acceleration - Google Patents

Method and apparatus for calculating acceleration Download PDF

Info

Publication number
KR101569437B1
KR101569437B1 KR1020140097969A KR20140097969A KR101569437B1 KR 101569437 B1 KR101569437 B1 KR 101569437B1 KR 1020140097969 A KR1020140097969 A KR 1020140097969A KR 20140097969 A KR20140097969 A KR 20140097969A KR 101569437 B1 KR101569437 B1 KR 101569437B1
Authority
KR
South Korea
Prior art keywords
acceleration
displacement data
displacement
data string
time zones
Prior art date
Application number
KR1020140097969A
Other languages
Korean (ko)
Inventor
한순흥
신수철
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020140097969A priority Critical patent/KR101569437B1/en
Application granted granted Critical
Publication of KR101569437B1 publication Critical patent/KR101569437B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
    • G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
    • G01P15/0802—Details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P1/00—Details of instruments
    • G01P1/02—Housings
    • G01P1/026—Housings for speed measuring devices, e.g. pulse generator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
    • G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
    • G01P2015/0805—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values being provided with a particular type of spring-mass-system for defining the displacement of a seismic mass due to an external acceleration
    • G01P2015/0808—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values being provided with a particular type of spring-mass-system for defining the displacement of a seismic mass due to an external acceleration for defining in-plane movement of the mass, i.e. movement of the mass in the plane of the substrate

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

The present invention relates to a method and a device to calculate acceleration. The method includes: a step of dividing a displacement data line into multiple time areas; a step of estimating an acceleration value for each of the time areas after removing a noise from the displacement data line by time areas; and a step of generating an acceleration data line by integrating acceleration values, estimated from the time areas. Therefore, since the acceleration values are estimated with a reduced unstable characteristic of the noise by dividing the displacement data line, in which displacement data are arranged in time-series, into the time areas, the accuracy of the calculation of acceleration is improved. Moreover, the acceleration values are estimated based on stable statistical information about noise characteristics through an association model associated with actual acceleration variations and a displacement noise, and therefore, the accuracy of the calculation of the acceleration is more improved regardless of the short division of the displacement data line.

Description

가속도 산출 방법 및 장치{METHOD AND APPARATUS FOR CALCULATING ACCELERATION}[0001] METHOD AND APPARATUS FOR CALCULATING ACCELERATION [0002]

본 발명은 가속도 산출에 관한 것으로서, 더욱 상세하게는 변위 데이터가 시계열적으로 배열된 변위 데이터열을 대상으로 하여 가속도를 산출하는 방법 및 장치에 관한 것이다.
BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to acceleration calculation, and more particularly, to a method and apparatus for calculating acceleration based on a displacement data string in which displacement data are arranged in a time-series manner.

종래 기술에 따라, 변위 데이터를 대상으로 하여 가속도를 산출하는 방법으로는 노이즈 제거 방법론에 따라 분류된 주파수(frequency) 기반 방법, 시간-주파수(time-frequency) 기반 방법, 확률(stochastic) 기반 방법, 그리고 다항식(polynomial) 기반 방법 등이 있다.According to the related art, a method of calculating the acceleration based on the displacement data may be classified into a frequency-based method, a time-frequency-based method, a stochastic-based method, And polynomial-based methods.

이 중에서 주파수 기반 방법은 변위 데이터를 곧바로 저주파 필터(LPF: low pass filter)에 통과 시키거나 변위 데이터로부터 수치 미분한 속도와 가속도를 각각 저주파 필터에 통과시키는 방식이며, 데이터 전체에 동일한 차단 주파수를 적용한다.Among them, the frequency-based method is a method in which the displacement data is directly passed through a low-pass filter (LPF) or the numerical differentiated speed and acceleration are passed through the low-pass filter respectively from the displacement data. do.

시간-주파수 기반 방법은 주파수와 가속도 진폭이 계속해서 변하는 불안정적(non-stationary) 변위 데이터를 대상으로 하여 가속도를 산출할 수 있도록 시간 흐름에 따라 다른 차단 주파수를 적용하는 방식이다.The time-frequency-based method applies a different cut-off frequency according to time so that the acceleration can be calculated for non-stationary displacement data in which frequency and acceleration amplitude continuously change.

확률 기반 방법은 노이즈가 존재하는 변위 데이터부터 대상 시스템의 내부 운동 모델을 이용하여 운동 상태를 확률론적으로 산출하는 방법이다.The probability-based method is a method for stochastically calculating the motion state using the internal motion model of the target system from the displacement data in which the noise is present.

다항식 기반 방법은 임의의 차수를 가지는 다항식을 변위 데이터에 근사(approximate) 시키는 스무딩(smoothing)을 통해 노이즈를 제거하고, 근사된 다항식에서 해석적(analytical) 미분을 통해 가속도를 얻는 방식이다.The polynomial-based method is a method of removing noise by smoothing which approximates a polynomial having an arbitrary order to displacement data, and obtaining an acceleration through an analytical differential in an approximated polynomial.

그러나, 이러한 종래 기술들은 시간에 따라 운동 상태가 급격히 변하는 불안정적 변위 운동 데이터에 대해서는 임팩트(impact)와 같이 가속도 변화가 급격히 일어나는 지점의 가속도 크기를 약화시키거나 나머지 부분에서 노이즈가 충분히 제거되지 않는 문제점이 있다.However, such prior art techniques have a problem in that, for unstable displacement motion data in which the motion state changes rapidly with time, the acceleration magnitude at the point where the acceleration change suddenly occurs such as an impact is weakened or the noise is not sufficiently removed from the remaining portion .

또한, 임의의 영상에 대한 패시브(passive) 모션 시뮬레이터의 사실적인 운동감을 자동 생성하기 위하여 비디오 영상에서 카메라 가속도를 복원하는 기법에 적용할 경우에, 추정된 카메라 변위 데이터에 대해서 오버 스무딩(over-smoothing)되거나 언더 스무딩(under-smoothing)되는 현상이 발생하여 제대로 동작하지 않는 문제점이 있었다.In addition, when the present invention is applied to a technique for restoring camera acceleration in a video image to automatically generate a realistic motion feeling of a passive motion simulator for an arbitrary image, over-smoothing is performed on the estimated camera displacement data. ) Or undersmooth (under-smoothing phenomenon) occurs, which causes a problem in that it does not work properly.

Erer KS (2007) Adaptive usage of the Butterworth digital filter. J. of Biomech. 40(13):2934-2943Erer KS (2007) Adaptive usage of the Butterworth digital filter. J. of Biomech. 40 (13): 2934-2943

본 발명의 실시예에 따르면, 변위 데이터열을 복수의 시간 구역으로 분할하여 노이즈의 불안정적 특성이 감소된 상태에서 가속도 값을 추정하여 가속도 산출에 대한 정확도를 향상시킨다.According to the embodiment of the present invention, the displacement data train is divided into a plurality of time zones, and the acceleration value is estimated in a state where the instability characteristic of the noise is reduced, thereby improving the accuracy of the acceleration calculation.

또, 변위 노이즈와 사실 가속도 변동량 등이 관계된 상관관계 모델을 통해 노이즈 특성에 관한 안정적인 통계적 정보를 기반으로 하여 가속도 값을 추정하여 가속도 산출에 대한 정확도를 더욱 향상시킨다.Also, the accuracy of the acceleration calculation is further improved by estimating the acceleration value based on the stable statistical information about the noise characteristic through the correlation model in which the displacement noise and the actual acceleration variation amount are related.

본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to those mentioned above, and another problem to be solved can be clearly understood by those skilled in the art from the following description.

본 발명의 일 관점에 따른 가속도 산출 방법은, 변위 데이터열을 복수의 시간 구역으로 분할하는 단계와, 분할된 상기 시간 구역별로 상기 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 단계와, 상기 시간 구역들에서 추정된 가속도 값을 병합하여 가속도 데이터열을 생성하는 단계를 포함할 수 있다.According to an aspect of the present invention, there is provided a method of calculating an acceleration, comprising: dividing a displacement data string into a plurality of time zones; estimating an acceleration value for each time zone after removing noise from the displacement data string for each of the divided time zones; And merging the estimated acceleration values in the time zones to generate an acceleration data string.

상기 가속도 산출 방법은, 상기 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서, 추정된 상기 가속도 값을 보정하는 단계를 더 포함할 수 있다.The acceleration calculation method may further include correcting the estimated acceleration value in a boundary region between adjacent time zones among the plurality of time zones.

상기 가속도 값을 보정하는 단계는, 상기 변위 데이터열을 이용하여 보정용 변위 데이터열을 생성하는 단계와, 상기 보정용 변위 데이터열을 복수의 시간 구역으로 분할하는 단계와, 분할된 상기 시간 구역별로 상기 보정용 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 단계와, 상기 보정용 변위 데이터열의 시간 구역을 상기 경계 영역에 중첩시켜서 상기 변위 데이터열로부터 추정된 가속도 값과 상기 보정용 변위 데이터열로부터 추정된 가속도 값을 혼합하는 단계를 포함할 수 있다.Wherein the step of correcting the acceleration value comprises the steps of generating a displacement data string for correction by using the displacement data string, dividing the correction displacement data string into a plurality of time sections, Estimating an acceleration value for each time zone after noise is removed from a displacement data string; and calculating an acceleration value for each time zone by superimposing the time zone of the correction displacement data string on the boundary region and estimating an acceleration value from the displacement data string estimated from the displacement data string And mixing the estimated acceleration values.

상기 보정용 변위 데이터열은, 상기 변위 데이터열을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 생성할 수 있다.The correction displacement data sequence may be generated by copying the displacement data sequence to generate a copy displacement data sequence, and then removing the data sequence of a predetermined length located at both ends of the correction displacement data sequence.

상기 변위 데이터열의 어느 한 시간 구역이 상기 보정용 변위 데이터열의 인접한 두 시간 구역에 각각 절반씩 겹칠 수 있다.One of the time zones of the displacement data train may be overlapped with the adjacent two time zones of the correction displacement data train, respectively.

상기 가속도 값을 추정하는 단계는, 변위 표본 데이터열과 OSP(optimal smoothing parameter) 사이의 상관관계 모델을 수립하는 단계와, 수립된 상기 상관관계 모델을 이용하여 상기 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하는 단계와, 추정된 상기 최적 OSP를 이용하여 상기 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도 값을 추정할 수 있다.Estimating the acceleration value comprises: establishing a correlation model between a displacement sample data sequence and an OSP (optimal smoothing parameter); and repeatedly determining an optimal OSP for the displacement data stream using the established correlation model And estimating an acceleration value after removing the noise included in the displacement data string using the estimated optimal OSP.

상기 상관관계 모델을 수립하는 단계는, 상기 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP에 대한 상관관계를 분석하여 상기 상관관계에 대한 가설을 수립한 후에 회귀 분석할 수 있다.
In the step of establishing the correlation model, the correlation between the displacement noise, the actual acceleration variation amount, and the OSP included in the displacement sample data string may be analyzed to regression analysis after establishing a hypothesis on the correlation.

본 발명의 다른 관점에 따른 가속도 산출 장치는, 변위 데이터열을 복수의 시간 구역으로 분할하며, 분할된 상기 시간 구역별로 상기 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 가속도 추정부와, 상기 시간 구역들에서 추정된 가속도 값을 병합하여 가속도 데이터열을 생성하는 데이터 병합부를 포함할 수 있다.According to another aspect of the present invention, there is provided an acceleration calculation device for dividing a displacement data train into a plurality of time zones, removing acceleration noise from the displacement data train for each of the time zones, And a data merge unit for merging the acceleration values estimated in the time zones and the acceleration data string.

상기 가속도 산출 장치는, 상기 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서, 추정된 상기 가속도 값을 보정하는 가속도 보정부를 더 포함할 수 있다.The acceleration calculation device may further include an acceleration correction unit for correcting the estimated acceleration value in a boundary region between adjacent time zones among the plurality of time zones.

상기 가속도 보정부는, 상기 변위 데이터열을 이용하여 보정용 변위 데이터열을 생성하며, 상기 보정용 변위 데이터열을 복수의 시간 구역으로 분할하고, 분할된 상기 시간 구역별로 상기 보정용 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하며, 상기 보정용 변위 데이터열의 시간 구역을 상기 경계 영역에 중첩시켜서 상기 변위 데이터열로부터 추정된 가속도 값과 상기 보정용 변위 데이터열로부터 추정된 가속도 값을 혼합할 수 있다.Wherein the acceleration correction unit generates a displacement data string for correction using the displacement data string, divides the correction displacement data string into a plurality of time zones, removes noise from the correction displacement data string for each of the divided time zones An acceleration value may be estimated for each time zone and the time zone of the correction displacement data string may be superimposed on the boundary region to mix the acceleration value estimated from the displacement data string and the acceleration value estimated from the correction displacement data string.

상기 가속도 보정부는, 상기 변위 데이터열을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 상기 보정용 변위 데이터열을 생성할 수 있다.The acceleration corrector may generate the corrected displacement data string by copying the displacement data string to generate the copy displacement data string and then removing the data string of the predetermined length located at both ends.

상기 변위 데이터열의 어느 한 시간 구역이 상기 보정용 변위 데이터열의 인접한 두 시간 구역에 각각 절반씩 겹칠 수 있다.One of the time zones of the displacement data train may be overlapped with the adjacent two time zones of the correction displacement data train, respectively.

상기 가속도 추정부는, 변위 표본 데이터열과 OSP 사이의 상관관계 모델을 수립하고, 수립된 상기 상관관계 모델을 이용하여 상기 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하며, 추정된 상기 최적 OSP를 이용하여 상기 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도를 추정할 수 있다.Wherein the acceleration estimator establishes a correlation model between the displacement sample data string and the OSP, repeatedly estimates an optimal OSP for the displacement data sequence using the established correlation model, and uses the estimated optimal OSP The acceleration can be estimated after removing the noise included in the displacement data string.

상기 가속도 추정부는, 상기 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP에 대한 상관관계를 분석하여 상기 상관관계에 대한 가설을 수립한 후에 회귀 분석할 수 있다.
The acceleration estimator may analyze the correlation between the displacement noise, the actual acceleration variation, and the OSP included in the displacement sample data string to establish a hypothesis on the correlation and then perform a regression analysis.

본 발명의 실시예에 의하면, 변위 데이터가 시계열적으로 배열된 변위 데이터열을 복수의 시간 구역으로 분할하여 노이즈의 불안정적 특성이 감소된 상태에서 가속도 값을 추정하기 때문에, 가속도 산출에 대한 정확도가 향상된다.According to the embodiment of the present invention, since the acceleration value is estimated in a state in which the displacement data string in which the displacement data is arranged in a time-series manner is divided into a plurality of time zones and the instability characteristic of the noise is reduced, .

또, 변위 노이즈와 사실 가속도 변동량 등이 관계된 상관관계 모델을 통해 노이즈 특성에 관한 안정적인 통계적 정보를 기반으로 하여 가속도 값을 추정하기 때문에, 변위 데이터열이 짧게 분할된 것과는 무관하게 가속도 산출에 대한 정확도가 더욱 향상되는 효과가 있다.In addition, since the acceleration value is estimated based on the stable statistical information on the noise characteristic through the correlation model in which the displacement noise and the actual acceleration fluctuation amount are related, the accuracy of the acceleration calculation can be obtained regardless of the short- There is an effect to be further improved.

도 1은 본 발명의 실시예에 따른 가속도 산출 장치의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 가속도 산출 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 가속도 산출 방법에 따라 상관관계에 기반하여 가속도 값을 추정하는 과정을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 가속도 산출 방법에 따라 추정된 가속도 값을 보정하는 과정을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 가속도 산출 방법에 따라 변위 데이터열로부터 가속도 데이터열이 생성되기까지의 과정을 나타낸 예시도이다.
도 6은 본 발명의 다른 실시예에 따른 가속도 산출 방법을 설명하기 위한 흐름도이다.1 is a block diagram of an acceleration calculation device according to an embodiment of the present invention.
2 is a flowchart illustrating an acceleration calculation method according to an embodiment of the present invention.
3 is a flowchart illustrating a process of estimating an acceleration value based on a correlation according to an acceleration calculation method according to an embodiment of the present invention.
4 is a flowchart illustrating a process of correcting an estimated acceleration value according to an acceleration calculation method according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating a process from a displacement data sequence to an acceleration data sequence according to an acceleration calculation method according to an embodiment of the present invention. Referring to FIG.
6 is a flowchart illustrating an acceleration calculation method according to another embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention, and the manner of achieving them, will be apparent from and elucidated with reference to the embodiments described hereinafter in conjunction with the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. To fully disclose the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims.

본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. The following terms are defined in consideration of the functions in the embodiments of the present invention, which may vary depending on the intention of the user, the intention or the custom of the operator. Therefore, the definition should be based on the contents throughout this specification.

도 1은 본 발명의 실시예에 따른 가속도 산출 장치의 블록 구성도이다.1 is a block diagram of an acceleration calculation device according to an embodiment of the present invention.

이에 나타낸 바와 같이 실시예에 따른 가속도 산출 장치(100)는, 가속도 추정부(110), 가속도 보정부(120), 데이터 병합부(130) 등을 포함한다.As shown, the acceleration calculation apparatus 100 according to the embodiment includes an acceleration estimator 110, an acceleration corrector 120, a data merge unit 130, and the like.

가속도 추정부(110)는 변위 데이터가 시계열적으로 배열된 변위 데이터열을 입력 받고, 입력된 변위 데이터열을 복수의 시간 구역으로 분할하며, 분할된 시간 구역별로 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하여 출력한다.The acceleration estimating unit 110 receives the displacement data sequence in which the displacement data is arranged in a time-series manner, divides the input displacement data sequence into a plurality of time zones, removes noise from the displacement data sequence in each divided time zone, Estimates and outputs an acceleration value for each time zone.

이러한 가속도 추정부(110)는 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP(optimal smoothing parameter)에 대한 상관관계를 분석하여 상관관계에 대한 가설을 수립한 후에 회귀 분석하여 상관관계 모델을 수립한다.The acceleration estimator 110 analyzes the correlation between the displacement noise, the actual acceleration variation, and the OSP (optimal smoothing parameter) included in the displacement sample data string to establish a correlation hypothesis and then regression analysis to determine a correlation model .

이어서, 가속도 추정부(110)는 수립된 상관관계 모델을 이용하여 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하며, 추정된 최적 OSP를 이용하여 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도를 추정한다.Then, the acceleration estimator 110 repeatedly estimates the optimal OSP for the displacement data string using the established correlation model, and estimates the acceleration after removing the noise included in the displacement data string using the estimated optimal OSP .

가속도 보정부(120)는 가속도 추정부(110)에 의해 추정된 가속도 값을 입력 받고, 입력된 가속도 값을 대상으로 하여 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서 가속도 값을 보정하여 출력한다.The acceleration correction unit 120 receives the acceleration value estimated by the acceleration estimation unit 110 and corrects the acceleration value in the boundary region between adjacent time zones among the plurality of time zones with respect to the input acceleration value, do.

이러한 가속도 보정부(120)는 변위 데이터열을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 보정용 변위 데이터열을 생성한다.The acceleration correcting unit 120 generates a copy displacement data string by copying the displacement data string, and then removes the data string having a predetermined length at both ends to generate a correction displacement data string.

이어서, 가속도 보정부(120)는 보정용 변위 데이터열을 복수의 시간 구역으로 분할하고, 분할된 시간 구역별로 보정용 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정한다.Next, the acceleration correction unit 120 divides the correction displacement data sequence into a plurality of time zones, estimates an acceleration value for each time zone after removing noise from the correction displacement data sequence for each of the divided time zones.

여기서, 가속도 보정부(120)가 시간 구역별로 가속도 값을 추정할 때에 가속도 추정부(110)와 마찬가지로 상관관계 모델을 이용할 수 있다. 즉, 표본 변위 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP에 대한 상관관계를 분석하여 상관관계에 대한 가설을 수립한 후에 회귀 분석하여 상관관계 모델을 수립한다. 이어서, 수립된 상관관계 모델을 이용하여 보정용 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하며, 추정된 최적 OSP를 이용하여 보정용 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도를 추정한다. 여기서, 가속도 추정부(110)에 의해 수립된 상관관계 모델을 그대로 이용할 수도 있다.Here, when the acceleration correcting unit 120 estimates the acceleration value for each time zone, the correlation model can be used in the same manner as the acceleration estimating unit 110. [ In other words, a correlation model is established by regression analysis after establishing a correlation hypothesis by analyzing the correlation between the displacement noise included in the sample displacement data sequence and the actual acceleration variation and the OSP. Then, the optimum OSP for the correction displacement data string is repeatedly estimated using the established correlation model, and the noise included in the correction displacement data string is removed using the estimated optimal OSP, and then the acceleration is estimated. Here, the correlation model established by the acceleration estimating unit 110 may be used as it is.

그리고, 가속도 보정부(120)는 변위 데이터열에서 분할된 어느 한 시간 구역을 보정용 변위 데이터열에서 분할되어 인접한 두 시간 구역의 경계 영역에 중첩시켜서 변위 데이터열로부터 추정된 가속도 값과 보정용 변위 데이터열로부터 추정된 가속도 값을 혼합(blending) 처리한다. 이때, 변위 데이터열의 한 시간 구역이 보정용 변위 데이터열의 입접한 두 시간 구역에 각각 절반씩 겹치도록 중첩시킬 수 있다.Then, the acceleration correcting unit 120 superimposes a time zone divided in the displacement data string in the displacement data string for correction and superimposes it on the boundary region of the adjacent two time zones, and stores the acceleration value estimated from the displacement data string and the correction displacement data string And the acceleration value estimated from the acceleration sensor is blended. At this time, the one time zone of the displacement data string can be superimposed so as to overlap each of the two time zones adjacent to the correction displacement data string.

데이터 병합부(130)는 가속도 보정부(120)에 의해 보정되어진 시간 구역별 가속도 값을 입력 받고, 모든 시간 구역들에서 추정된 가속도 값을 병합하여 가속도 데이터열을 생성하고, 가속도 추정부(110)로 입력된 변위 데이터로부터 최종 생성되어진 가속도 데이터열을 출력한다.
The data merge unit 130 receives an acceleration value for each time zone corrected by the acceleration correction unit 120 and generates an acceleration data string by merging the estimated acceleration values in all the time zones, And outputs the generated acceleration data stream.

도 2는 본 발명의 실시예에 따른 가속도 산출 방법을 설명하기 위한 흐름도이며, 도 3은 본 발명의 실시예에 따른 가속도 산출 방법에 따라 상관관계에 기반하여 가속도 값을 추정하는 과정을 설명하기 위한 흐름도이고, 도 4는 본 발명의 실시예에 따른 가속도 산출 방법에 따라 추정된 가속도 값을 보정하는 과정을 설명하기 위한 흐름도이다.FIG. 2 is a flowchart for explaining an acceleration calculation method according to an embodiment of the present invention. FIG. 3 is a flow chart for explaining a process of estimating an acceleration value based on a correlation according to an acceleration calculation method according to an embodiment of the present invention. 4 is a flowchart illustrating a process of correcting an estimated acceleration value according to an acceleration calculation method according to an embodiment of the present invention.

이에 나타낸 바와 같이 실시예에 따른 가속도 산출 방법은, 변위 데이터가 시계열적으로 배열된 변위 데이터열을 입력 받아서 변위 데이터열을 복수의 시간 구역으로 분할하는 단계(S210, S220)를 포함한다.As described above, the acceleration calculation method according to the embodiment includes steps (S210 and S220) of receiving a displacement data sequence in which displacement data is arranged in a time-series manner and dividing the displacement data sequence into a plurality of time areas.

이어서, 분할된 시간 구역별로 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 단계(S230)를 더 포함한다.Subsequently, the method further includes a step S230 of estimating an acceleration value for each time zone after removing noise from the displacement data string for each divided time zone.

또, 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서, 추정된 가속도 값을 보정하는 단계(S240)를 더 포함한다.The method further includes a step (S240) of correcting the estimated acceleration value in a boundary region between adjacent time zones among the plurality of time zones.

다음으로, 복수의 시간 구역에서 추정 및 보정된 가속도 값을 병합하여 가속도 데이터열을 생성하는 단계(S250)를 더 포함한다.Next, the method further includes a step (S250) of generating an acceleration data string by merging the estimated and corrected acceleration values in the plurality of time zones.

한편, 각 시간 구역별로 가속도 값을 추정하는 단계(S230)를 더 세부적으로 살펴보면, 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP(optimal smoothing parameter)에 대한 상관관계를 분석하여 상관관계에 대한 가설을 수립한 후에 회귀 분석하여 상관관계 모델을 수립하는 단계(S231)를 포함한다. 이어서, 수립된 상관관계 모델을 이용하여 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하는 단계(S233)를 더 포함한다. 또, 추정된 최적 OSP를 이용하여 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도를 추정하는 단계(S235, S237)를 더 포함한다.In more detail, the step of estimating the acceleration value for each time zone (S230) is analyzed in detail. The correlation between the displacement noise, the actual acceleration variation amount, and the OSP (optimal smoothing parameter) And establishing a correlation model by regression analysis after establishing a hypothesis (S231). Subsequently, the method further includes a step (S233) of repeatedly estimating an optimum OSP for the displacement data stream using the established correlation model. The method further includes a step (S235, S237) of estimating the acceleration after removing noise included in the displacement data string using the estimated optimal OSP.

또한, 가속도 값을 보정하는 단계(S240)를 더 세부적으로 살펴보면, 변위 데이터열을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 보정용 변위 데이터열을 생성하는 단계(S241)를 포함한다. 이어서, 보정용 변위 데이터열을 복수의 시간 구역으로 분할한 후에 분할된 시간 구역별로 보정용 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 단계(S243, S245)를 더 포함한다. 여기서, 가속도 보정부(120)가 시간 구역별로 가속도 값을 추정할 때에 가속도 추정부(110)와 마찬가지로 상관관계 모델을 이용할 수 있다. 그리고, 변위 데이터열에서 분할된 어느 한 시간 구역을 보정용 변위 데이터열에서 분할되어 인접한 두 시간 구역의 경계 영역에 중첩시켜서 변위 데이터열로부터 추정된 가속도 값과 보정용 변위 데이터열로부터 추정된 가속도 값을 혼합 처리하는 단계(S247)를 더 포함한다.
In more detail, the step of correcting the acceleration value (S240) includes the steps of generating a displacement data string by copying the displacement data string, and then removing the data string of a predetermined length located at both ends of the data string to generate a correction displacement data string (S241). Subsequently, steps (S243 and S245) of estimating an acceleration value for each time zone after removing the noise from the correction displacement data row for each divided time zone after dividing the correction displacement data sequence into a plurality of time zones are performed. Here, when the acceleration correcting unit 120 estimates the acceleration value for each time zone, the correlation model can be used in the same manner as the acceleration estimating unit 110. [ Then, a time zone divided in the displacement data string is superimposed on the boundary region of the adjacent two time zones divided by the correction displacement data string to mix the acceleration value estimated from the displacement data string and the acceleration value estimated from the correction displacement data string (Step S247).

이하, 도 1 내지 도 6를 참조하여 본 발명의 실시예에 따른 가속도 산출 장치에 의한 가속도 산출 방법을 더 자세히 살펴보기로 한다.Hereinafter, a method of calculating an acceleration by the acceleration calculating apparatus according to an embodiment of the present invention will be described in more detail with reference to FIGS. 1 to 6. FIG.

본 발명의 실시예에 따른 가속도 산출 장치(100)는 변위 데이터가 시계열적으로 배열된 변위 데이터열을 입력 받아서 노이즈를 제거한 후에 두 번 미분하는 과정 등을 통해 가속도를 산출하게 된다. 이때, 입력되는 변위 데이터는 변위를 직접 측정한 변위 측정치이거나 비디오 영상으로부터 추출할 수 있는 카메라의 변위 추정치일 수 있다. 여기서, 변위 측정치는 측정 장비 특성 상 표준편차로 표현되는 변위 노이즈의 크기가 시간 흐름에 따라 일정한 특성을 갖지만, 변위 추정치는 시간 흐름에 따라서 노이즈의 크기를 예측할 수 없는 불안정적인 특성을 가진다. 그 이유는 카메라 추적을 통해 추정한 변위 데이터는 아무리 정확하더라도 이미지 자체의 픽셀레이션(pixilation)과 모션 블러(motion blur), 그리고 초점 거리의 추정 오차와 반경수차(radial distortion)의 보정 오차 등으로 인해 오차, 즉 노이즈가 포함될 수밖에 없다. 따라서 변위 추정치에 포함된 노이즈가 소량이더라도 2차 미분값인 가속도에서는 증폭된 노이즈 양이 실제 가속도 값보다 훨씬 커지게 된다.The acceleration calculation apparatus 100 according to the embodiment of the present invention calculates the acceleration through a process of receiving the displacement data sequence in which the displacement data is arranged in a time series and removing the noise and then differentiating the displacement data twice. In this case, the input displacement data may be a displacement measurement directly measuring the displacement or a displacement estimate of the camera that can be extracted from the video image. Here, the displacement measurement value has a characteristic that the displacement noise represented by the standard deviation of the measurement equipment characteristic has a constant characteristic according to the time flow, but the displacement estimation value has an unstable characteristic in which the magnitude of the noise can not be predicted according to the time flow. The reason for this is that the displacement data estimated by the camera tracking can not be correct due to the pixilation and motion blur of the image itself and the estimation error of the focal distance and the correction error of the radial distortion Error, that is, noise. Therefore, even if the noise contained in the displacement estimation is small, the amount of amplified noise becomes much larger than the actual acceleration value at the second differential value acceleration.

따라서, 본 발명의 실시예에 따른 가속도 산출 장치(100)는 입력되는 변위 데이터열을 복수의 시간 구역으로 분할하여 각 시간 구역 내에서는 노이즈의 불안정적인 특성이 적게 나타나도록 하며, 각 시간 구역별로 별개의 스무딩 파라미터로 가속도 값을 산출한 후에 모든 시간 구역에 대한 가속도 값을 병합하게 된다.Therefore, the acceleration calculation device 100 according to the embodiment of the present invention divides the inputted displacement data train into a plurality of time zones, so that the instable characteristics of the noise appear less in each time zone, The acceleration values for all the time zones are merged after the acceleration values are calculated using the smoothing parameters of FIG.

이를 위해, 가속도 추정부(110)는 변위 데이터열이 입력되면 입력된 변위 데이터열을 복수의 시간 구역으로 분할하며, 분할된 시간 구역별로 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하게 된다.To this end, the acceleration estimator 110 divides the input displacement data string into a plurality of time zones when the displacement data string is input, removes noise from the displacement data string for each of the divided time zones, .

그런데, 노이즈의 불안적인 특성을 낮추기 위해 변위 데이터열을 복수의 시간 구역으로 분할하면 인접한 시간 구역간의 경계 영역에서 추정된 가속도 값이 높은 순간 편차를 가질 수 있다. 이에, 가속도 보정부(120)는 가속도 추정부(110)에 의해 추정된 가속도 값을 대상으로 하여 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서 가속도 값을 보정하게 된다.However, if the displacement data sequence is divided into a plurality of time zones to lower the anxious characteristic of the noise, the estimated acceleration values in the boundary region between adjacent time zones can have high instantaneous deviations. Accordingly, the acceleration corrector 120 corrects the acceleration value in the boundary region between the adjacent time zones among the plurality of time zones, with the acceleration value estimated by the acceleration estimating unit 110 as the target.

아울러, 본 발명의 실시예에 따르면 가속도 추정부(110)가 분할된 시간 구역별로 가속도를 추정할 때에 변위 노이즈와 사실 가속도 변동량 등이 관계된 상관관계 모델을 통해 노이즈 특성에 관한 안정적인 통계적 정보를 기반으로 하여 가속도 값을 추정하게 된다. 이는 변위 데이터열이 복수의 시간 구역으로 분할되면 데이터열의 길이가 짧기 때문에, 변위 데이터열로부터는 노이즈 특성에 관한 안정적인 통계적 정보를 얻을 수 없기 때문이다. 또, 가속도 보정부(120)에서도 보정을 위한 가속도 값을 추정할 때에 이러한 상관관계 모델을 이용하게 된다.
Further, according to the embodiment of the present invention, when the acceleration estimating unit 110 estimates the acceleration for each divided time zone, the correlation noise model and the actual acceleration fluctuation amount are related to each other and based on the stable statistical information about the noise characteristic Thereby estimating the acceleration value. This is because if the displacement data stream is divided into a plurality of time zones, the length of the data stream is short, and therefore stable statistical information on noise characteristics can not be obtained from the displacement data stream. The acceleration correcting unit 120 also uses this correlation model when estimating the acceleration value for correction.

먼저, 본 발명의 실시예에 따른 가속도 산출 장치(100)에 변위 데이터열(A)이 입력되면 가속도 추정부(110)는 변위 데이터열(A)을 복수의 시간 구역으로 분할하며, 분할된 변위 데이터열(B)을 출력한다(S210, S220).First, when the displacement data string A is input to the acceleration calculation device 100 according to the embodiment of the present invention, the acceleration estimation unit 110 divides the displacement data string A into a plurality of time segments, And outputs the data stream B (S210, S220).

그리고, 가속도 추정부(110)는 분할된 시간 구역별로 별개의 스무딩 파라미터를 이용하여 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하며, 추정된 시간 구역별로 가속도 값(C)를 출력한다(S230).The acceleration estimator 110 estimates the acceleration value for each time zone after removing the noise from the displacement data string using a separate smoothing parameter for each divided time zone, and calculates an acceleration value C (S230).

그러면, 가속도 보정부(120)는 변위 데이터열(A)을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 보정용 변위 데이터열을 생성하며(S241), 보정용 변위 데이터열을 복수의 시간 구역으로 분할하여 분할된 보정용 변위 데이터열(D)을 생성한다(S243).Then, the acceleration correction unit 120 generates a copy displacement data string by copying the displacement data string A, and then generates a displacement displacement data string by removing the data string of a predetermined length located at both ends (S241) The data string is divided into a plurality of time zones and the divided displacement data string D for correction is generated (S243).

그리고, 가속도 보정부(120)는 분할된 보정용 변위 데이터열(D)에서 각 시간 구역별로 별개의 스무딩 파라미터를 이용하여 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하며, 추정된 시간 구역별로 가속도 값(E)을 출력한다(S245).Then, the acceleration correcting unit 120 estimates an acceleration value for each time zone after removing the noise using a separate smoothing parameter for each time zone in the divided displacement data string D for correction, And outputs a value E (S245).

다음으로, 가속도 보정부(120)는 분할된 변위 데이터열(B)로부터 추정된 시간 구역별 가속도 값(C)의 어느 한 시간 구역이 분할된 보정용 변위 데이터열(D)의 시간 구역별 가속도 값(E)에서 인접한 두 시간 구역의 경계 영역에 중첩되도록 배치한다. 예컨대, 분할된 변위 데이터열(B)의 한 시간 구역이 분할된 보정용 변위 데이터열(D)의 인접한 두 시간 구역에 각각 절반씩 겹치도록 중첩시킬 수 있다.Next, the acceleration correcting unit 120 corrects the time zone acceleration value (C) of the time-domain acceleration data value (D) obtained by dividing the one-time zone of the time zone acceleration value (C) estimated from the divided displacement data row (E) in a boundary area between adjacent two time zones. For example, one time zone of the divided displacement data stream B can be superimposed on each of the adjacent two time zones of the divided displacement data stream D for correction so as to overlap each other.

그리고, 가속도 보정부(120)는 변위 데이터열로부터 추정된 가속도 값(C)과 보정용 변위 데이터열로부터 추정된 가속도 값(E)을 혼합 처리한다(S247). 이는, 가속도 추정부(110)에 의해 추정된 가속도 값이 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서 가속도 보정부(120)에 의해 보정되는 것을 의미한다(S240).Then, the acceleration correcting unit 120 mixes the acceleration value C estimated from the displacement data string with the acceleration value E estimated from the correction displacement data string (S247). This means that the acceleration value estimated by the acceleration estimating unit 110 is corrected by the acceleration correcting unit 120 in the boundary region between adjacent time zones among the plurality of time zones (S240).

다음으로, 데이터 병합부(130)는 가속도 보정부(120)에 의해 보정되어진 시간 구역별 가속도 값을 입력 받고, 모든 시간 구역들에서 추정된 가속도 값을 병합하여 가속도 데이터열(F)을 생성하고, 가속도 추정부(110)로 입력된 변위 데이터로부터 최종 생성되어진 가속도 데이터열(F)을 출력한다(S250).Next, the data merge unit 130 receives the acceleration values of the time zones corrected by the acceleration correction unit 120, merges the estimated acceleration values in all the time zones to generate the acceleration data string F , And outputs the acceleration data string F which is finally generated from the displacement data inputted to the acceleration estimating unit 110 (S250).

한편, 가속도 추정부(110) 및 가속도 보정부(120)는 노이즈의 제거를 위해 공지의 5차 스플라인 스무딩(spline smoothing) 알고리즘을 이용할 수 있으며, 이를 위해 변위 노이즈와 사실 가속도 변동량 및 OSP(optimal smoothing parameter)에 대한 상관관계 모델을 이용할 수 있다. 여기서, OSP는 노이즈가 포함되지 않은 사실 가속도와 추정 가속도의 차이를 최소화하는 스무딩 파라미터를 의미한다.The acceleration estimator 110 and the acceleration corrector 120 may use a known fifth-order spline smoothing algorithm to remove noise. For this purpose, the displacement noise, the actual acceleration variation, and the OSP (optimal smoothing) parameter can be used. Here, the OSP means a smoothing parameter that minimizes the difference between the true acceleration and the estimated acceleration, which includes no noise.

가속도 추정부(110)가 변위 데이터열(A)로부터 가속도 값을 추정하는 경우를 대표적으로 살펴보면, 먼저 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP에 대한 상관관계를 분석하여 상관관계에 대한 가설을 수립한 후에 회귀 분석하여 상관관계 모델을 수립한다(S231). 이어서, 가속도 추정부(110)는 수립된 상관관계 모델을 이용하여 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하며(S233), 추정된 최적 OSP를 이용하여 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도를 추정한다(S235, S237).
First, the acceleration estimator 110 estimates the acceleration value from the displacement data string A. First, the correlation between the displacement noise included in the displacement sample data sequence and the actual acceleration variation and the OSP is analyzed, After establishing the hypothesis, we construct a correlation model by regression analysis (S231). Then, the acceleration estimator 110 repeatedly estimates the optimum OSP for the displacement data string using the established correlation model (S233), removes the noise included in the displacement data string using the estimated optimal OSP, (S235, S237).

앞서 설명한 본 발명의 실시예에서는 가속도 추정부(110)가 변위 데이터열에 대한 가속도 값을 추정한 후, 가속도 보정부(120)가 추정된 가속도 값을 보정하는 경우를 설명하였다. 하지만, 이처럼 가속도 값에 대한 추정과 보정 중에 포함되는 세부적인 과정들은 얼마든지 그 순서가 바뀌어 수행될 수 있으며, 유사한 세부 과정들이 동시에 또는 연속하여 수행될 수 있다. 이러한 실시예 중의 하나를 도 6에 나타내었다.In the embodiment of the present invention described above, the case where the acceleration estimator 110 estimates the acceleration value for the displacement data stream and then the acceleration corrector 120 corrects the estimated acceleration value has been described. However, the detailed processes included in the estimation and correction of the acceleration value can be performed in any order, and similar detailed processes can be performed simultaneously or sequentially. One of these embodiments is shown in Fig.

도 5 및 도 6을 참조하면, 변위 데이터열(A)이 입력되면 가속도 보정부(120)는 변위 데이터열(A)을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 보정용 변위 데이터열을 생성한다(S310, S320).5 and 6, when the displacement data stream A is input, the acceleration correction unit 120 generates a copy displacement data stream by copying the displacement data stream A, And generates a displacement data string for correction (S310, S320).

그리고, 가속도 추정부(110)는 변위 데이터열(A)을 복수의 시간 구역으로 분할하여 분할된 변위 데이터열(B)을 생성하며, 가속도 보정부(120)는 보정용 변위 데이터열을 복수의 시간 구역으로 분할하여 분할된 보정용 변위 데이터열(D)을 생성한다(S330).The acceleration estimator 110 generates the divided displacement data stream B by dividing the displacement data stream A into a plurality of time regions and the acceleration corrector 120 multiplies the correction displacement data stream by a plurality of times And generates a divided displacement data string D for correction, which is divided into zones (S330).

이어서, 가속도 추정부(110)는 분할된 시간 구역별로 별개의 스무딩 파라미터를 이용하여 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하며, 추정된 시간 구역별로 가속도 값(C)를 출력한다. 아울러, 가속도 보정부(120)는 분할된 보정용 변위 데이터열(D)에서 각 시간 구역별로 별개의 스무딩 파라미터를 이용하여 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하며, 추정된 시간 구역별로 가속도 값(E)을 출력한다(S340).Next, the acceleration estimator 110 estimates the acceleration value for each time zone after removing the noise from the displacement data string by using a separate smoothing parameter for each divided time zone, and calculates an acceleration value C Output. In addition, the acceleration correcting unit 120 estimates the acceleration value for each time zone after removing the noise using the separate smoothing parameter for each time zone in the divided displacement data string D for correction, And outputs the value E (S340).

다음으로, 가속도 보정부(120)는 분할된 변위 데이터열(B)로부터 추정된 시간 구역별 가속도 값(C)의 어느 한 시간 구역이 분할된 보정용 변위 데이터열(D)의 시간 구역별 가속도 값(E)에서 인접한 두 시간 구역의 경계 영역에 중첩되도록 배치한다. 예컨대, 분할된 변위 데이터열(B)의 한 시간 구역이 분할된 보정용 변위 데이터열(D)의 인접한 두 시간 구역에 각각 절반씩 겹치도록 중첩시킬 수 있다.Next, the acceleration correcting unit 120 corrects the time zone acceleration value (C) of the time-domain acceleration data value (D) obtained by dividing the one-time zone of the time zone acceleration value (C) estimated from the divided displacement data row (E) in a boundary area between adjacent two time zones. For example, one time zone of the divided displacement data stream B can be superimposed on each of the adjacent two time zones of the divided displacement data stream D for correction so as to overlap each other.

그리고, 가속도 보정부(120)는 변위 데이터열로부터 추정된 가속도 값(C)과 보정용 변위 데이터열로부터 추정된 가속도 값(E)을 혼합 처리한다. 이는, 가속도 추정부(110)에 의해 추정된 가속도 값이 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서 가속도 보정부(120)에 의해 보정되는 것을 의미한다(S350).Then, the acceleration correcting unit 120 mixes the acceleration value C estimated from the displacement data string with the acceleration value E estimated from the correction displacement data string. This means that the acceleration value estimated by the acceleration estimating unit 110 is corrected by the acceleration correcting unit 120 in the boundary region between adjacent time zones among the plurality of time zones (S350).

다음으로, 데이터 병합부(130)는 가속도 보정부(120)에 의해 보정되어진 시간 구역별 가속도 값을 입력 받고, 모든 시간 구역들에서 추정된 가속도 값을 병합하여 가속도 데이터열(F)을 생성하고, 가속도 추정부(110)로 입력된 변위 데이터로부터 최종 생성되어진 가속도 데이터열(F)을 출력한다(S360).
Next, the data merge unit 130 receives the acceleration values of the time zones corrected by the acceleration correction unit 120, merges the estimated acceleration values in all the time zones to generate the acceleration data string F , And outputs the acceleration data string F which is finally generated from the displacement data inputted to the acceleration estimating unit 110 (S360).

지금까지 설명한 바와 같이, 본 발명의 실시예에 따르면 변위 데이터열을 복수의 시간 구역으로 분할하여 노이즈의 불안정적 특성이 감소된 상태에서 가속도를 산출하며, 변위 노이즈와 사실 가속도 변동량 등이 관계된 상관관계 모델을 통해 노이즈 특성에 관한 안정적인 통계적 정보를 기반으로 하여 가속도 값을 추정한다.As described above, according to the embodiment of the present invention, the displacement data train is divided into a plurality of time zones to calculate acceleration in a state where the instability characteristic of the noise is reduced, and the correlation between the displacement noise and the actual acceleration variation amount Through the model, the acceleration value is estimated based on the stable statistical information about the noise characteristic.

이하에서는, 본 발명의 실시예에 따른 가속도 산출 과정 중에서 변위 데이터열을 분할하는 과정과 가속도 값을 추정하는 과정 등에 대해 더 자세히 살펴보기로 한다.
Hereinafter, the process of dividing the displacement data sequence and the process of estimating the acceleration value in the acceleration calculation process according to the embodiment of the present invention will be described in more detail.

1. 변위 데이터열의 구역 분할1. Division of displacement data columns

본 발명에서는 불안정적(non-stationary) 노이즈 특성을 지니는 변위 추정치에서 사실 가속도를 복원(산출)하기 위해서, 데이터를 여러 구역으로 나누어서 처리한다. 데이터를 여러 구역으로 나누었을 때, 각 구역 내에서는 노이즈의 불안정적 특성이 적게 나타난다는 성질을 이용하여, 입력 데이터를 짧은 구역들로 나누고, 각 구역마다 별개의 스무딩 파라미터로 가속도를 복원한 후, 모든 구역에 대한 복원 가속도를 병합하는 것이다.In the present invention, in order to restore (calculate) the actual acceleration in the displacement estimation having the non-stationary noise characteristic, the data is divided into several zones and processed. When the data is divided into several zones, the input data is divided into short zones and the acceleration is restored by a separate smoothing parameter for each zone using the property that the instability characteristic of noise is small in each zone, Merge the restoration acceleration for all zones.

하지만 각 구역마다 개별적으로 추정한 가속도는 각 구역의 양 끝에서 그 정확도가 떨어지기 때문에, 인접한 두 구역의 이어지는 지점마다 가속도의 단절(discontinuity)이 발생한다. 이를 해결하기 위해 본 발명에서는 입력 데이터의 사본을 만들어 두 층으로 겹치게 한 뒤, 한 층의 각 구역이 다른 층의 인접한 두 구역에서 절반씩 겹치도록(overlapped) 구역을 나눈 다음, 겹치는 각 부분마다 두 구역에서의 추정 가속도를 혼합(blending)하는 방법을 사용한다. 혼합할 때 사용되는 혼합 함수(blending function)는 수학식 1과 같은 다항식을 사용한다.However, since the estimated acceleration for each zone is less accurate at both ends of each zone, there is discontinuity of acceleration at each successive point of two adjacent zones. In order to solve this problem, in the present invention, a copy of the input data is made to be superimposed on two layers, and then each zone of one layer is divided into overlapped zones in two adjacent zones of another layer, A method of blending the estimated acceleration in the zone is used. The blending function used for mixing uses a polynomial equation as shown in Equation (1).

Figure 112014072624965-pat00001
Figure 112014072624965-pat00001

혼합되는 양 끝 지점에서의 부드러움(smoothness)은 다항식 차수 p에 의해 결정되며, 본 발명의 실시예에서는 그 값으로서 2를 사용한다.The smoothness at both end points to be mixed is determined by the polynomial order p, and in the embodiment of the present invention, 2 is used as the value.

두 층(layer)을 통틀어서 k번째 구역의 뒤 절반(second half)에 대한 추정 가속도를 Sk ,2 (2)(x)라고 하고, k+1번째 구역의 앞 절반(first half)에 대한 추정 가속도를 Sk +1, 1 (2)(x)라고 하면, k번째 구역과 k+1번째 구역이 겹치는 부분에서의 혼합된 가속도는 다음과 같은 수학식 2로 표현된다.Let S k , 2 (2) (x) be the estimated acceleration for the second half of the k th zone across the two layers, and estimate the first half of the k + 1 th zone Assuming that the acceleration is S k +1, 1 (2) (x), the mixed acceleration at the portion where the k th region and the (k + 1) th region overlap is expressed by Equation 2 below.

Figure 112014072624965-pat00002
Figure 112014072624965-pat00002

구역의 중첩(overlapping)과 중복된 구역에 대한 추정 가속도의 혼합이 의미하는 것은 동일한 데이터 구역에 대한 중복된 추정치를 각 구역의 끝 부분에 대한 비중이 0이 되도록 가중평균(weighted average)을 내는 것이다. 각 구역의 양 끝에서는 추정 가속도의 정확도가 떨어지기 때문이다.The overlapping of zones and the mixture of estimated accelerations for overlapping zones implies a duplicate estimate for the same data zone with a weighted average so that the weight for the end of each zone is zero . This is because the accuracy of the estimated acceleration decreases at both ends of each zone.

한편, 변위 데이터열을 여러 시간 구역으로 나눌 때에 일정한 길이로 나누는데, 이 길이가 너무 짧으면 올바른 가속도를 추정하기 위한 정보가 불충분하게 되고, 너무 길면 나누어진 구역에서조차 불안정적 성질이 강하게 남아 있어서, 결과적으로 불안정적인 데이터를 효과적으로 처리할 수 없게 된다. 이 길이를 구획 길이(partition length)라고 정의한다.On the other hand, when the displacement data sequence is divided into several time zones, the lengths are divided into a certain length. If this length is too short, information for estimating the correct acceleration becomes insufficient, and if it is too long, unstable properties remain strong even in divided areas. The unstable data can not be effectively processed. This length is defined as the partition length.

어떠한 입력 데이터에 대해서도 공통적으로 사용할 수 있는 구획 길이가 있는지 알아보기 위해서, 다섯 가지 종류의 입력 데이터에 대해 구획 길이 변화에 따른 추정 가속도의 정확도 변화를 살펴보았다. 입력 데이터로는, 불안정적 운동 데이터로서 1.5 Hz와 6 Hz를 각각의 진동수로 하는 두 감쇠진동(MSD: mass-spring-damper) 데이터와 진폭이 변하는 정현파(sinusoidal) 운동 데이터를 사용하였고, 안정적인 운동 데이터로서 1 Hz와 2 Hz로 움직이는 두 정현파(sinusoidal) 운동 데이터를 사용하였다. 각각의 구역에 대한 스무딩 파라미터는 해당 구역에서 추정 가속도가 사실 가속도에 최대한 가까워지도록 지정하였다. 그 실험 결과가 6 Hz MSD 데이터에서는 구획 길이가 약 100 이하일 때 가속도 정확도가 향상되지만, 그 외의 경우에는 약 100 이하에서 정확도가 급격히 나빠지기 때문에, 공통적으로 사용하기 위한 구획 길이로서 약 100개의 데이터 포인트를 사용하는 것이 바람직한 것을 알 수 있었다.
In order to find out whether there is a segment length that can be used for any input data, we examined the accuracy change of the estimated acceleration according to the change of the segment length for the five types of input data. As input data, we used two mass-spring-damper (MSD) data and two sinusoidal motion data with varying amplitudes at 1.5 Hz and 6 Hz as unsteady motion data, Two sinusoidal motion data, moving at 1 Hz and 2 Hz, were used as data. The smoothing parameter for each zone specifies that the estimated acceleration in the zone should be as close as possible to the actual acceleration. In the case of the 6 Hz MSD data, the acceleration accuracy is improved when the segment length is less than about 100, but in other cases, the accuracy is drastically degraded when the segment length is less than about 100. Therefore, It was found that it is preferable to use the above.

2. 상관관계에 기반한 가속도의 복원2. Restoration of correlation-based acceleration

변위 측정치(추정치)로부터 가속도를 복원하는 기존 방법들은 모두 공통적으로 변위 노이즈가 화이트(white) 노이즈라는 가정을 역으로 이용하는 방법들이다. 화이트 노이즈는 모든 주파수 대역에서 그 크기(power)가 일정하며 평균이 0인 랜덤 신호를 말한다.Conventional methods for restoring acceleration from displacement measurements (estimates) are commonly used to invert the assumption that displacement noise is white noise. White noise refers to a random signal whose power is constant in all frequency bands and whose average is zero.

하지만, 데이터 포인트 개수가 약 100개로 길이가 짧은 입력 데이터의 경우에는, 이러한 화이트 노이즈의 통계적 특성을 안정적으로 얻을 수 있을 만큼 입력 데이터의 정보가 충분하지 않기 때문에, 기존 방법으로 얻을 수 있는 정확도의 안정성이 떨어지는 문제가 발생한다.However, in the case of input data having a short data length of about 100, the information of the input data is not sufficient enough to stably obtain the statistical characteristics of the white noise. Therefore, The problem of falling occurs.

실제로 데이터 포인트 개수가 10,000개, 1,000개, 100개인 화이트 노이즈를 각각 1,000개씩 생성하여 자기상관(autocorrelation) 계수를 구해보면, 이상적으로는 0의 값이 나와야 하지만, 데이터 길이가 10,000개일 때는 자기상관 계수의 표준편차가 0.010로 나왔고, 1,000개일 때는 자기상관 계수의 표준편차가 0.033이 나왔으며, 100개일 때는 자기상관 계수의 표준편차가 0.10이 나왔다. 즉, 데이터 길이가 100개일 때는 화이트 노이즈에 관한 통계적 특성이 감소하는 것을 알 수 있다.If autocorrelation coefficient is obtained by generating 1000 white noise of 10,000, 1,000, and 100 data points, ideally, the value should be 0. However, when the data length is 10,000, the autocorrelation coefficient The standard deviation of the autocorrelation coefficient was 0.033, and the standard deviation of the autocorrelation coefficient was 0.10. That is, when the data length is 100, the statistical characteristic of the white noise is reduced.

이처럼 기존 자동 방법들이 변위 노이즈의 화이트 노이즈 특성을 역으로 이용하는 것과는 다르게, 본 발명의 실시예에서는 가속도 변동량에 대한 변위 노이즈 크기의 비율과 OSP(optimal smoothing parameter) 사이의 상관관계, 즉, 입력 데이터 자체에 포함된 화이트 노이즈 특성에 관한 통계적 수치를 이용하는 것이 아닌, 표본 데이터로부터 얻은 경험적 사실에 기반하여 OSP를 결정한다.
In contrast to the conventional automatic methods using the white noise characteristic of the displacement noise in reverse, in the embodiment of the present invention, the correlation between the ratio of the displacement noise size to the acceleration variation amount and the OSP (optimal smoothing parameter) The OSP is determined based on empirical facts obtained from the sample data, rather than using statistical values for the white noise characteristics included in the OSP.

3. OSP와 입력 데이터 사이의 상관관계 규명3. Correlation between OSP and input data

본 발명의 실시예에 따라 노이즈 제거를 위한 기반 알고리즘으로 5차 스플라인 스무딩(spline smoothing)을 사용할 수 있으며, 이를 위해서는, 5차 스플라인 스무딩의 OSP와 변위 노이즈 및 사실 가속도 변동량 사이의 상관관계를 규명할 필요가 있다. 여기서 OSP란 노이즈가 포함되지 않은 사실 가속도와 추정 가속도의 차이를 최소화시키는 스무딩 파라미터(smoothing parameter)를 말한다.According to an embodiment of the present invention, a fifth-order spline smoothing can be used as an underlying algorithm for noise removal. To do this, a correlation between the OSP of the fifth-order spline smoothing and the displacement noise and the actual acceleration variation There is a need. Here, OSP refers to a smoothing parameter that minimizes the difference between the actual acceleration and the estimated acceleration, which includes no noise.

상관관계 규명을 위해 표본 운동 데이터 집합(sample motion data sets)을 생성하고 이들 변위 데이터에 노이즈를 랜덤 크기로 섞은 다음에, 상관관계 모델에 대한 가설을 세우고, 회귀 분석을 통해 최종적인 상관관계 모델을 얻음으로써 상관관계를 규명할 수 있다.For the correlation analysis, a sample motion data set is generated, random noise is mixed with these displacement data, a hypothesis is established for the correlation model, and a final correlation model is obtained through regression analysis. The correlation can be identified by obtaining.

상관관계 분석을 위한 표본 데이터는 상관관계에 영향을 미치는 요소들이 어느 한 쪽에 치우치지 않고 고르게 분포해야 한다. 즉, 표본 데이터는 자연에서 발생 가능한 모든 운동을 고르게 포함하는 것이 가장 이상적이다. 하지만 자연에서 고르게 분포된 운동 데이터를 얻기란 현실적으로 불가능하므로, 본 발명에서는 자연에서 발생 가능한 운동을 가능한 많이 포함할 수 있도록, 수학식 3과 같이 사인 곡선 함수와 등가속도 함수, 그리고 가우시안(Gaussian) 함수의 조합으로 표본 운동에 대한 가속도를 정의하였다.The sample data for correlation analysis should be distributed evenly without affecting the factors affecting the correlation. In other words, it is ideal that the sample data include all movements that can occur in nature evenly. However, since it is practically impossible to obtain motion data evenly distributed in nature, in the present invention, a sinusoidal curve function, an equivalent velocity function, and a Gaussian function To define the acceleration for the sample motion.

Figure 112014072624965-pat00003
Figure 112014072624965-pat00003

위의 식에서 각각의 파라미터 값 (s1, s2, s3, f, φ, a, b)은 정해진 범위 내에서 새로운 데이터마다 무작위로 선택된다. 변위 함수는 위의 수학식 3을 수식적으로(analytically) 적분함으로써 구할 수 있다.In the above equation, each parameter value (s1, s2, s3, f, φ, a, b) is randomly selected for each new data within a predetermined range. The displacement function can be obtained by analytically integrating Equation (3).

수학식 3에서 사인 곡선 함수는 크기와 방향이 주기적으로 변하는 가속도를 나타내고, 등가속도 함수는 지속적으로 작용하는 가속도를 나타내며, 가우시안 함수는 충돌(bumping)과 같이 순간적으로 작용하는 가속도를 나타낸다. 수학식 3을 통해 생성되는 데이터는 무작위로 선택되는 파라미터 (f, φ, a, b)와 함수간의 비중 (s1, s2, s3)의 값에 따라서 다양한 운동을 표현할 수 있다. 무작위로 생성되는 데이터는 비록 그 길이는 유한하고 짧지만(데이터 포인트 50~150개), 자연에서 발생 가능한 운동을 짧은 시간 단위로 조각을 내서 생각한다면 대부분 모사가 가능하기 때문에 표본 운동 데이터로서 적절하다고 할 수 있다. 운동 스케일은 스무딩 파라미터에 아무런 영향을 미치지 않기 때문에 고려하지 않아도 된다.In Equation (3), the sinusoidal function represents the acceleration in which the magnitude and direction periodically change, the equivalent velocity function represents the continuously acting acceleration, and the Gaussian function represents the momentary acceleration acting like bumping. The data generated through Equation (3) can express various motions according to the values of the parameters (f, φ, a, b) and the specific gravity (s1, s2, s3) between the randomly selected parameters. Randomly generated data is appropriate as sample exercise data, although its length is finite and short (50 to 150 data points), but most of the time it is possible to simulate movements that can occur in nature in short time units can do. The motion scale does not affect the smoothing parameters and does not need to be considered.

본 발명에서는 상관관계 분석을 위해 총 10,000개의 사실 가속도 데이터를 생성하였다. 수학식 3을 시간에 대해 두 번 적분한 함수, 즉 변위 함수를 f(0)(t)라고 하면, 노이즈가 더해진 변위 데이터는 수학식 4와 같이 정의된다.In the present invention, a total of 10,000 actual acceleration data are generated for correlation analysis. Assuming that a function obtained by integrating Equation (3) twice over time, that is, a displacement function is f (0) (t), displacement data added with noise is defined as Equation (4).

Figure 112014072624965-pat00004
Figure 112014072624965-pat00004

n은 데이터 포인트의 개수이고, Δt은 데이터 포인트 사이의 시간 간격(sampling time interval)이며, σ은 화이트 노이즈의 표준편차로서 노이즈의 크기를 나타낸다. n, Δt, σ는 지정된 범위 내에서 무작위하게(randomly) 선택된다.n is the number of data points, [Delta] t is the sampling time interval between data points, and [sigma] is the standard deviation of the white noise. n, Δt, and σ are selected randomly within the specified range.

각 데이터에 대한 OSP는 사실 가속도(true acceleration)인 f(2)와 스무딩 파라미터 λ로 스플라인 스무딩을 통해 추정한 가속도인 sλ (2) 사이의 차이를 가장 작게 만드는 스플라인 파라미터로서 수학식 5와 정의된다.The OSP for each data is a spline parameter that minimizes the difference between f (2 ), the true acceleration, and s [ lambda] (2) , the acceleration estimated through spline smoothing with the smoothing parameter [lambda] do.

Figure 112014072624965-pat00005
Figure 112014072624965-pat00005

본 발명에서는 λopt를 이분법(bisection method)을 통해 수치적으로 구하였다.According to the present invention was determined numerically through the λ opt dichotomy (bisection method).

본 발명에서는 상관관계를 규명하기 위해 회귀 분석 기법을 사용하였다. 회귀 분석이란 변수들 간의 인과관계를 규명하고 이를 근거로 종속변수에 대한 미래예측을 하는 통계적 분석 기법으로서, 표본 데이터에 상관관계 모델을 근사 시킴으로써 상관관계를 추정한다. 따라서 상관관계 분석을 하기 위해서는 제일 먼저 상관관계 모델에 관한 가설을 수립해야 한다.In the present invention, a regression analysis technique is used to identify the correlation. Regression analysis is a statistical analysis technique that identifies causal relationships between variables and makes future predictions of dependent variables based on them. The correlation is estimated by approximating the correlation model to the sample data. Therefore, the first thing to do is to establish a hypothesis about the correlation model.

먼저, 본 발명에서 이용되는 스플라인 스무딩의 정의는 다음과 같다.First, the definition of spline smoothing used in the present invention is as follows.

f(t)를 시간 변수 t에 대한 변위 함수라고 하고, εi를 i번째 데이터 포인트에 포함된 노이즈라고 하면, n개의 데이터 포인트를 가지는 입력 변위 데이터 y는 수학식 6과 같다.Assuming that f (t) is a displacement function with respect to the time variable t and? i is noise included in the i-th data point, the input displacement data y having n data points is expressed by Equation (6).

Figure 112014072624965-pat00006
Figure 112014072624965-pat00006

이때, 스플라인 스무딩은 수학식 7과 같이 정의된다.At this time, the spline smoothing is defined as shown in Equation (7).

Figure 112014072624965-pat00007
Figure 112014072624965-pat00007

s(t)는 노이즈가 제거된(smoothed) 변위 함수를 나타내고, s(m)(t)는 s(t)의 m차 미분 함수를 나타낸다. λ는 노이즈 제거량(smoothness)을 결정하는 파라미터로서 스무딩 파라미터라고 불린다.s (t) denotes the displacement function with smoothed noise, and s (m) (t) denotes the m-th differential function of s (t). is a parameter for determining the noise removal amount (smoothness) and is called a smoothing parameter.

수학식 7에 따르면, 변위 노이즈가 클수록 OSP는 커져야 하고, 사실 가속도의 변동량이 클수록 OSP는 작아져야 하는 것을 알 수 있다. 좀 더 구체적인 상관관계 모델의 가설을 수립하기 위해, 아래와 같은 단순한 사인 곡선 운동에 대해 OSP와 어떠한 관계가 있는지를 살펴보았다.According to Equation (7), the larger the displacement noise, the larger the OSP becomes, and in fact, the larger the variation of the acceleration, the smaller the OSP becomes. To establish a hypothesis of a more specific correlation model, we examined the relationship between the simple sinusoidal motion and OSP.

Figure 112014072624965-pat00008
Figure 112014072624965-pat00008

수학식 8에서 s는 스케일 팩터(scale factor)이고, f는 진동 주파수, Δt는 데이터 포인트 사이의 시간 간격(sampling time interval), ε는 표준편차가 σ인 노이즈이다.In Equation (8), s is a scale factor, f is a vibration frequency,? T is a sampling time interval between data points, and? Is a noise whose standard deviation is?.

수학식 7의 스플라인 스무딩 정의와 관찰에 의해, 아래의 수학식 9과 같이 변위 노이즈 E와 사실 가속도 변동량 Rm을 정의할 때 OSP 사이에 상관관계가 있음을 발견하였다.It found that the correlation between the OSP when defining the displacement noise E with the fact the acceleration change amount R m as shown in Equation 9 below, by smoothing splines define the observation of (7),.

Figure 112014072624965-pat00009
Figure 112014072624965-pat00009

수학식 9에서 n은 데이터 포인트의 개수를 나타내고, Δt는 데이터 포인트 사이의 시간 간격을 나타내며, m은 수학식 7에서 정의한 스플라인 스무딩의 차수와 관련된 파라미터를 나타내며 여기서는 m=3 이라고 간주한다. E는 변위 노이즈, 즉 오차(error)를 나타내는 값이다. Rm은 입력 데이터의 거칠기(roughness)를 Δt=1로 치환된 시간 공간에서 m차 미분값의 관점으로 표현한 것이다. 결과적으로 Rm은 Δt 의 영향을 받지 않고 오직 Δt=1로 치환된 시간 공간 상에서의 m차 미분값의 변화 정도를 나타내는 값이 된다. m=3 일 때, 즉, R3은 Δt=1로 치환된 시간 공간에서의 사실 가속도의 변동량이 된다.In the equation (9), n denotes the number of data points,? T denotes a time interval between data points, and m denotes a parameter related to the degree of spline smoothing defined in equation (7). E is a value indicating displacement noise, i.e., error. R m is a representation of the roughness of the input data in terms of m-order derivative values in the time space substituted by Δt = 1. As a result, R m is a value indicating the degree of change of the m-th order differential value in time space that is not affected by Δt but replaced by Δt = 1 only. When m = 3, that is, R 3 becomes a variation amount of the actual acceleration in the time space substituted with? t = 1.

OSP를 편의상 λopt로 표기하고, λopt와 E의 상관관계, λopt와 Rm의 상관관계, λopt와 s의 상관관계, λopt와 n의 상관관계, λopt와 Δt의 상관관계 등을 종합하면, OSP와 입력 데이터 사이의 상관관계 모델을 아래의 수학식 10과 같이 수립할 수 있다.OSP is expressed as λ opt for convenience, and the correlation between λ opt and E, the correlation between λ opt and R m, the correlation between λ opt and s, the correlation between λ opt and n, the correlation between λ opt and Δt , A correlation model between OSP and input data can be established as shown in Equation (10) below.

Figure 112014072624965-pat00010
Figure 112014072624965-pat00010

위 수학식 10에서 λopt는 OSP를 나타내고, m은 수학식 7의 스플라인 파라미터 차수를 나타내며, n은 데이터 포인트의 개수를 나타내고, Δt는 데이터 포인트 사이의 시간 간격을 나타낸다. a와 p는 입력 데이터에 따라 변하지 않고 고정된 값으로서, 이 두 값을 찾는 것이 상관관계 분석의 마지막 과정이 되고, 회귀 분석을 통해 그 값을 구한다.In the above Equation (10),? Opt denotes OSP, m denotes the spline parameter degree of Equation (7), n denotes the number of data points, and? T denotes a time interval between data points. a and p are fixed values that do not depend on the input data. Finding these two values becomes the last step of the correlation analysis, and the value is obtained through regression analysis.

상관관계 분석을 위해 마지막으로 할 일은 수학식 9의 상관관계 모델에서 a와 p의 값을 회귀 분석을 통해 결정하는 것이다. 수학식 10의 상관관계 모델은 비선형(non-linear)이지만, 수학식 9의 우항에서 (Δt2m -1)/n을 좌항으로 넘기면 아래의 수학식 11과 같다.The last thing to do for the correlation analysis is to determine the values of a and p in the correlation model of equation (9) through regression analysis. The correlation model of Equation (10) is non-linear, but if (? T 2m -1 ) / n is passed to the left term in Equation (9)

Figure 112014072624965-pat00011
Figure 112014072624965-pat00011

위 수학식 11의 양쪽을 다음의 수학식 12와 같이 로그로 변환하면 선형(linear) 모델로 변환할 수 있다.Both of the above Equation (11) can be transformed into a linear model by converting it into a log as shown in the following Equation (12).

Figure 112014072624965-pat00012
Figure 112014072624965-pat00012

수학식 12에서 각 항을 Y=log(λopt·n/ Δt2m -1), A=log(a), X=log(E/Rm)로 치환하면, 수학식 10은 다음의 수학식 13과 같이 선형 모델로 표현된다.Substituting the respective term in the equation (12) with Y = log (λ opt · n / Δt 2m -1), A = log (a), X = log (E / R m), equation (10) is the following equation 13, as shown in Fig.

Figure 112014072624965-pat00013
Figure 112014072624965-pat00013

수학식 13을 이용하여, 앞서 생성한 약 10,000개의 표본 데이터에 대해 회귀 분석을 수행한 결과가 결정 계수(coefficient of determinant)는 0.873이 나왔는데, 이것은 수학식 13의 상관관계 모델이 여기서 사용된 약 10,000개의 표본 데이터에서 나타나는 상관관계를 87.3% 설명할 수 있다는 것을 의미한다. 회귀 분석을 통해 수학식 13의 값으로는 0.241을 얻었고, p값으로는 0.773을 얻었다. 수학식 10에 이 값들과 m=3 (quintic spline)을 대입하면 OSP는 다음의 수학식 14와 같이 표현될 수 있다.Using the equation (13), a regression analysis of about 10,000 sample data generated above resulted in a coefficient of determinant of 0.873, which indicates that the correlation model of equation (13) This means that 87.3% of the correlations in the sample data can be explained. The regression analysis yielded 0.241 for the value of equation 13 and 0.773 for the p value. If these values and m = 3 (quintic spline) are substituted in Equation (10), the OSP can be expressed as Equation (14).

Figure 112014072624965-pat00014
Figure 112014072624965-pat00014

4. 상관관계를 이용한 OSP의 반복적 추정4. Recursive estimation of OSP using correlation

앞서 분석한 상관관계는 실제로는 임의의 입력 데이터에 대한 E와 Rm를 알 수 없기 때문에 바로 사용할 수 없다. 하지만 상관관계 모델을 만족시키는 스무딩 파라미터를 찾음으로써 OSP를 추정할 수는 있다.The previously analyzed correlation can not be used immediately because E and R m for arbitrary input data are unknown. However, OSP can be estimated by looking for a smoothing parameter that satisfies the correlation model.

OSP로 노이즈를 제거한 변위 데이터는 실제 변위 데이터와 완전히 같지는 않지만 근접하다고 할 수 있다. 즉,

Figure 112014072624965-pat00015
라고 간주할 수 있기 때문에, OSP는 다음의 수학식 15와 같이 근사화시켜서 표현할 수 있다.Displacement data from which noise is removed by the OSP can be said to be close but not exactly equal to actual displacement data. In other words,
Figure 112014072624965-pat00015
The OSP can be approximated by the following equation (15). &Quot; (15) "

Figure 112014072624965-pat00016
Figure 112014072624965-pat00016

Eλ는 스무딩 파라미터 λ로 스플라인 스무딩을 한 변위 데이터와 입력 데이터의 차이(error)를 나타내고, Rm ,λ는 스무딩 파라미터 λ로 스플라인 스무딩을 한 변위 데이터의 m차 미분값에서의 거칠기(roughness)를 나타낸다.

Figure 112014072624965-pat00017
는 OSP의 근사치를 뜻한다.E λ denotes a difference (error) of the displacement data and the input data a spline smoothing by the smoothing parameter λ, R m, λ is the roughness (roughness) of the m-order differential value of the displacement data, the spline smoothing by the smoothing parameter λ .
Figure 112014072624965-pat00017
Is an approximation of the OSP.

위 수학식 15에서

Figure 112014072624965-pat00018
는 수학식 16의 해를 찾음으로써 얻을 수 있다.In Equation (15)
Figure 112014072624965-pat00018
Can be obtained by finding the solution of equation (16).

Figure 112014072624965-pat00019
Figure 112014072624965-pat00019

위 수학식 16의 해는 다음과 같은 반복 과정(iterative process)을 통해서 추정할 수 있다.The solution of Equation 16 can be estimated through an iterative process as follows.

Figure 112014072624965-pat00020
Figure 112014072624965-pat00020

초기(initial) 스무딩 파라미터 λ0가 0이 아니면, 수학식 16의 반복을 통해서 얻어지는 결과 스무딩 파라미터는 수학식 15에서 정의한 OSP의 근사치에 수렴하게 된다. 즉, 수학식 18과 같다.If the initial smoothing parameter? 0 is not zero, the resulting smoothing parameter obtained through the iteration of equation (16) converges to the approximation of the OSP defined in equation (15). That is, Equation 18 is obtained.

Figure 112014072624965-pat00021
Figure 112014072624965-pat00021

하지만 실제로는 수학식 17을 무한정 반복할 수는 없고, 특정 지점에서 반복 과정을 종료해야 한다. 이를 위해 EER(estimated error ratio)를 다음의 수학식 19과 같이 정의한다.In practice, however, it is not possible to repeat Equation 17 indefinitely, but the iterative process must be terminated at a certain point. For this, an estimated error ratio (EER) is defined as shown in Equation 19 below.

Figure 112014072624965-pat00022
Figure 112014072624965-pat00022

그러면 수학식 17의 반복 과정은 수학식 20의 조건을 만족할 때 종료시킨다.Then, the iterative process of Equation (17) ends when the condition of Equation (20) is satisfied.

Figure 112014072624965-pat00023
Figure 112014072624965-pat00023

수학식 16의 해가 단 하나라는 것은 증명할 수 없고, 스무딩 파라미터의 범위는

Figure 112014072624965-pat00024
이므로, 값이 제일 작은 해를 원하는 해로 취하는 것이 가장 안정적이다. 따라서 이 해를 얻기 위해서는 수학식 17의 초기 스무딩 파라미터의 값으로서 충분히 작은 값을 설정해주어야 하는데, λ0 값으로서 Δt2m -1/n를 사용하면 어떤 경우든지 충분히 작은 값을 얻을 수 있음을 확인하였다.
It can not be proved that the solution of the equation (16) is only one, and the range of the smoothing parameter is
Figure 112014072624965-pat00024
, It is most stable to take the year with the smallest value as the desired year. Therefore, in order to obtain this solution, it is necessary to set a sufficiently small value as an initial smoothing parameter of Equation 17. It is confirmed that a sufficiently small value can be obtained in any case by using Δt 2m -1 / n as the λ 0 value .

본 발명에 첨부된 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.Combinations of the steps of the flowcharts appended to the present invention may be performed by computer program instructions. These computer program instructions may be loaded into a processor of a general purpose computer, special purpose computer, or other programmable data processing apparatus so that the instructions, which are executed via a processor of a computer or other programmable data processing apparatus, Lt; / RTI > These computer program instructions may also be stored in a computer usable or computer readable memory capable of directing a computer or other programmable data processing apparatus to implement the functionality in a particular manner so that the computer usable or computer readable memory It is also possible to produce manufacturing items that contain instruction means for performing the functions described in each step of the flowchart. Computer program instructions may also be stored on a computer or other programmable data processing equipment so that a series of operating steps may be performed on a computer or other programmable data processing equipment to create a computer- It is also possible for the instructions to perform the processing equipment to provide steps for executing the functions described in each step of the flowchart.

또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.In addition, each step may represent a module, segment, or portion of code that includes one or more executable instructions for executing the specified logical function (s). It should also be noted that in some alternative embodiments, the functions mentioned in the steps may occur out of order. For example, the two steps shown in succession may in fact be performed substantially concurrently, or the steps may sometimes be performed in reverse order according to the corresponding function.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
The foregoing description is merely illustrative of the technical idea of the present invention, and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are intended to illustrate rather than limit the scope of the present invention, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents thereof should be construed as falling within the scope of the present invention.

100 : 가속도 산출 장치
110 : 가속도 추정부
120 : 가속도 보정부
130 : 데이터 병합부100: Accelerometer
110: acceleration estimating unit
120: acceleration correction section
130: Data merging unit

Claims (14)

삭제delete 변위 데이터열을 복수의 시간 구역으로 분할하는 단계와,
분할된 상기 시간 구역별로 상기 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 단계와,
상기 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서, 추정된 상기 가속도 값을 보정하는 단계와,
상기 시간 구역들에서 추정 후에 보정된 상기 가속도 값을 병합하여 가속도 데이터열을 생성하는 단계를 포함하는 가속도 산출 방법.
Dividing the displacement data stream into a plurality of time zones,
Estimating an acceleration value for each time zone after removing noise from the displacement data string for each of the divided time zones;
Correcting the estimated acceleration value in a boundary region between adjacent time zones of the plurality of time zones;
And combining the corrected acceleration values after the estimation in the time zones to generate an acceleration data string.
제 2 항에 있어서,
상기 가속도 값을 보정하는 단계는,
상기 변위 데이터열을 이용하여 보정용 변위 데이터열을 생성하는 단계와,
상기 보정용 변위 데이터열을 복수의 시간 구역으로 분할하는 단계와,
분할된 상기 시간 구역별로 상기 보정용 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 단계와,
상기 보정용 변위 데이터열의 시간 구역을 상기 경계 영역에 중첩시켜서 상기 변위 데이터열로부터 추정된 가속도 값과 상기 보정용 변위 데이터열로부터 추정된 가속도 값을 혼합하는 단계를 포함하는 가속도 산출 방법.
3. The method of claim 2,
The step of correcting the acceleration value comprises:
Generating a displacement data string for correction using the displacement data string;
Dividing the correction displacement data stream into a plurality of time zones;
Estimating an acceleration value for each time zone after removing noise from the correction displacement data sequence for each of the divided time zones;
And superimposing the time zone of the correction displacement data string on the boundary region to mix the acceleration value estimated from the displacement data string and the acceleration value estimated from the correction displacement data string.
제 3 항에 있어서,
상기 보정용 변위 데이터열은, 상기 변위 데이터열을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 생성하는 가속도 산출 방법.
The method of claim 3,
Wherein the correction displacement data stream is generated by copying the displacement data stream to generate a copy displacement data stream and then removing the data stream of a predetermined length located at both ends of the correction displacement data stream.
제 3 항에 있어서,
상기 변위 데이터열의 어느 한 시간 구역이 상기 보정용 변위 데이터열의 인접한 두 시간 구역에 각각 절반씩 겹치는 가속도 산출 방법.
The method of claim 3,
Wherein one of the time zones of the displacement data sequence overlaps the adjacent two time zones of the correction displacement data sequence in half.
제 2 항에 있어서,
상기 가속도 값을 추정하는 단계는,
변위 표본 데이터열과 OSP(optimal smoothing parameter) 사이의 상관관계 모델을 수립하는 단계와,
수립된 상기 상관관계 모델을 이용하여 상기 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하는 단계와,
추정된 상기 최적 OSP를 이용하여 상기 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도 값을 추정하는 단계를 포함하는 가속도 산출 방법.
3. The method of claim 2,
The step of estimating the acceleration value includes:
Establishing a correlation model between a displacement sample data sequence and an OSP (optimal smoothing parameter)
Repeatedly estimating an optimal OSP for the displacement data sequence using the established correlation model;
And estimating an acceleration value after removing noise included in the displacement data string using the estimated optimal OSP.
제 6 항에 있어서,
상기 상관관계 모델을 수립하는 단계는,
상기 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP에 대한 상관관계를 분석하여 상기 상관관계에 대한 가설을 수립한 후에 회귀 분석하는 가속도 산출 방법.
The method according to claim 6,
Wherein the step of establishing the correlation model comprises:
And analyzing a correlation between the displacement noise included in the displacement sample data series and the actual acceleration variation amount and OSP, establishing a hypothesis on the correlation, and then performing a regression analysis.
삭제delete 변위 데이터열을 복수의 시간 구역으로 분할하며, 분할된 상기 시간 구역별로 상기 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하는 가속도 추정부와,
상기 복수의 시간 구역 중 인접한 시간 구역들간의 경계 영역에서, 추정된 상기 가속도 값을 보정하는 가속도 보정부와,
상기 시간 구역들에서 추정 후에 보정된 상기 가속도 값을 병합하여 가속도 데이터열을 생성하는 데이터 병합부를 포함하는 가속도 산출 장치.
An acceleration estimator for dividing a displacement data stream into a plurality of time zones, estimating an acceleration value for each time zone after removing noise from the displacement data sequence for each of the divided time zones,
An acceleration correcting unit for correcting the estimated acceleration value in a boundary region between adjacent time zones among the plurality of time zones,
And a data merge unit for merging the corrected acceleration values after the estimation in the time zones to generate an acceleration data string.
제 9 항에 있어서,
상기 가속도 보정부는,
상기 변위 데이터열을 이용하여 보정용 변위 데이터열을 생성하며,
상기 보정용 변위 데이터열을 복수의 시간 구역으로 분할하고,
분할된 상기 시간 구역별로 상기 보정용 변위 데이터열에서 노이즈를 제거한 후에 각 시간 구역별로 가속도 값을 추정하며,
상기 보정용 변위 데이터열의 시간 구역을 상기 경계 영역에 중첩시켜서 상기 변위 데이터열로부터 추정된 가속도 값과 상기 보정용 변위 데이터열로부터 추정된 가속도 값을 혼합하는 가속도 산출 장치.
10. The method of claim 9,
Wherein the acceleration correcting unit comprises:
Generates a displacement data string for correction by using the displacement data string,
Dividing the correction displacement data string into a plurality of time zones,
Estimates an acceleration value for each time zone after removing noise from the correction displacement data sequence for each of the divided time zones,
And a time zone of the correction displacement data string is superimposed on the boundary region to mix the acceleration value estimated from the displacement data string and the acceleration value estimated from the correction displacement data string.
제 10 항에 있어서,
상기 가속도 보정부는, 상기 변위 데이터열을 복사하여 사본 변위 데이터열을 생성한 후에 양단쪽에 위치한 소정 길이의 데이터열을 제거하여 상기 보정용 변위 데이터열을 생성하는 가속도 산출 장치.
11. The method of claim 10,
Wherein the acceleration correcting unit generates the copy displacement data string by copying the displacement data string and then removes the data string of the predetermined length located at both ends of the data string to generate the correction displacement data string.
제 10 항에 있어서,
상기 변위 데이터열의 어느 한 시간 구역이 상기 보정용 변위 데이터열의 인접한 두 시간 구역에 각각 절반씩 겹치는 가속도 산출 장치.
11. The method of claim 10,
Wherein one of the time zones of the displacement data sequence overlaps the adjacent two time zones of the correction displacement data sequence in half.
제 9 항에 있어서,
상기 가속도 추정부는,
변위 표본 데이터열과 OSP(optimal smoothing parameter) 사이의 상관관계 모델을 수립하고,
수립된 상기 상관관계 모델을 이용하여 상기 변위 데이터열을 위한 최적 OSP를 반복적으로 추정하며,
추정된 상기 최적 OSP를 이용하여 상기 변위 데이터열에 포함된 노이즈를 제거한 후에 가속도를 추정하는 가속도 산출 장치.
10. The method of claim 9,
The acceleration estimator may include:
A correlation model between the displacement sample data sequence and the OSP (optimal smoothing parameter) is established,
Estimating an optimum OSP for the displacement data stream repeatedly using the established correlation model,
And estimates the acceleration after removing the noise included in the displacement data string using the estimated optimal OSP.
제 13 항에 있어서,
상기 가속도 추정부는,
상기 변위 표본 데이터열에 포함된 변위 노이즈와 사실 가속도 변동량 및 OSP에 대한 상관관계를 분석하여 상기 상관관계에 대한 가설을 수립한 후에 회귀 분석하는 가속도 산출 장치.
14. The method of claim 13,
The acceleration estimator may include:
An acceleration calculation device for analyzing a correlation between the displacement noise included in the displacement sample data series and the actual acceleration variation amount and the OSP to establish a hypothesis on the correlation and then performing a regression analysis.
KR1020140097969A 2014-07-31 2014-07-31 Method and apparatus for calculating acceleration KR101569437B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140097969A KR101569437B1 (en) 2014-07-31 2014-07-31 Method and apparatus for calculating acceleration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140097969A KR101569437B1 (en) 2014-07-31 2014-07-31 Method and apparatus for calculating acceleration

Publications (1)

Publication Number Publication Date
KR101569437B1 true KR101569437B1 (en) 2015-11-17

Family

ID=54786164

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140097969A KR101569437B1 (en) 2014-07-31 2014-07-31 Method and apparatus for calculating acceleration

Country Status (1)

Country Link
KR (1) KR101569437B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012018075A (en) * 2010-07-08 2012-01-26 Seiko Epson Corp Stop determination method and stop determination device

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012018075A (en) * 2010-07-08 2012-01-26 Seiko Epson Corp Stop determination method and stop determination device

Similar Documents

Publication Publication Date Title
US11216741B2 (en) Analysis apparatus, analysis method, and non-transitory computer readable medium
KR102139083B1 (en) Method and device for performing activation and convolution operation at the same time, learning method and learning device for the same
US20180046917A1 (en) Identification of process anomalies in a technical facility
CN108804528B (en) Data fusion method and device
US9684872B2 (en) Method and apparatus for generating data in a missing segment of a time data sequence
Ma et al. EMD-based online Filtering of Process Data
Salaht et al. Accuracy vs. complexity: the stochastic bound approach
CN105005043A (en) Apparatus and method for detecting a motion of an object in a target space
KR101569437B1 (en) Method and apparatus for calculating acceleration
JP6340741B2 (en) Method for calculating the changing spatial distribution of particles at multiple time points
CN109643307B (en) Stream processing system and method
CN106815858B (en) Moving target extraction method and device
KR101328466B1 (en) Method for providing input of Markov Model in computer-implemented Hierarchical Temporal Memory network to predict motion of object, and motion prediction method using the same
Chmielewski et al. Detecting changes with the robust competitive detector
Hosoe et al. Robust stability analysis of discrete-time linear systems characterized by stochastic polytopes
JP6745507B2 (en) Parameter estimation device, method, and program
JP2006195542A (en) Model identification device, and model identification program
Bousdekis et al. Continuous improvement of proactive event-driven decision making through sensor-enabled feedback (SEF)
Badhwar et al. Noise reduction using kalman filter
JP7048896B2 (en) Training data generator, training data generation method and program
Shawky Traditional vs Agile development a comparison using chaos theory
Hickman et al. The use of algorithmic behavioural transfer functions in parametric EO system performance models
JP7268731B2 (en) LEARNING DATA GENERATION DEVICE, LEARNING DEVICE, LEARNING DATA GENERATION METHOD, AND LEARNING DATA GENERATION PROGRAM
Sjöberg et al. Initializing Wiener-Hammerstein models based on partitioning of the best linear approximation
US8135563B2 (en) Apparatus and method for evaluating the performance of systems having time-varying output characteristics

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant