뛰는 놈 위에 나는 공대생

시스템에 대한 Transfer function을 구하면 보통 $s=j\omega$로 두고 bode plot을 그려서 주파수 응답을 확인한다. bode plot 외에도 nyquist plot, nichols plot 등 시스템에 대해 이해하기 위한 plot들이 있다. 그런 plot은 이미 MATLAB에 구현되어있으므로 넘어가고 여기서 소개하는 코드는 간단하게 직접 s plane(complex domain)에서 Transfer function의 크기와 위상이 어떻게 되는지 확인하는 plot을 그리는 코드이다. 아래 코드에서 사용된 transfer function은 $\frac{s+2}{s^2+6s+5}$ 이다. % Code for magnitude and phase plot of transfer functi..

우리가 제어를 할 때 actuator model을 넣는 것이 현실적이다. 비행기의 control surface를 제어하는 경우에는 이 control surface를 제어하는 물리적인 장치가 신호 전달에 개입하기 때문이다. 보통 actuator는 1차 시스템, 또는 2차 시스템으로 모델링하는데 여기서는 왜 1차 시스템으로 모델링하는지에 대해 책에서 이에 대한 설명을 봐서 소개하고자 한다. 더 좋은 actuator model에 대한 설명이 있으면 추가할 예정이다. 여기서는 electric motor를 기준으로 모델링을 한다. 모터는 입력 전압에 비례하게 torque를 발생시킨다. 이를 수식으로 표현하면 $T_{m}=k_{m}v_{c}$ $\text{where } v_{c} \text{ : voltage, }..

linear model의 norm에 대해 정리한다. 행렬이나 벡터, 시스템은 모두 dimension이 2 이상이기 때문에 크기를 비교하기 위해 여러 개념이 도입된다. (행렬에서는 trace나 determinant) linear model에서 norm이라는 개념이 있으므로 간략하게 적어놓는다. $H_{\infty}$와 $H_{2}$ norm $H_{\infty}$는 stable SISO system일 때 peak gain을 의미한다. frequency domain 상에서 보았을 때 가장 response의 magnitude가 큰 경우를 의미한다. stable MIMO system일 때는 frequency domain 상에서 가장 큰 singular value를 의미한다. 어떤 시스템의 impulse resp..

제어 이론의 발전에 따라 책들이 너무 많다. 나중에 필요한 이론이 있을 때 찾기 쉽도록 적는 글이다. 책의 범위에 따라 중복되어 작성된 책이 있을 수 있다. Linear control theory S.Skogestad, I.Postlehwaite, Multivariable Feedback Control Analysis and Design, 2nd edition, Wiley, 2005 Nonlinear control theory J.E. Slotine, Applied Nonlinear Control, Prentice Hall, 1991 Khalil, Hassan K. Nonlinear Control, Pearson, 2014 W. M. Haddad and V. Chellaboina, Nonlinear dy..

cudnn은 GPU로 인공지능을 돌릴 때 도와주는 라이브러리고 CUDA는 GPU에서 수행하는 알고리즘을 C와 같은 프로그래밍으로 작성할 수 있도록 하는 프로그램이라고 한다. 이것을 설치해야 딥러닝 중 대표적인 CNN과 RNN을 긴 시간을 들이지 않고 학습할 수 있다. 그런데 설치 방법이 긴 매뉴얼 문서로 되어있어서 나중에 찾으면 매번 헷갈리는 바람에 기록해놓는다. 이 글의 전제 => 이미 엔비디아 홈페이지에서 회원가입을 했고, 엔비디아에서 출시한 그래픽 카드가 탑재되어 있는 경우 1. NVIDIA 그래픽 드라이버 설치 https://www.nvidia.com/Download/index.aspx?lang=en-us Download Drivers | NVIDIA www.nvidia.com 본인의 그래픽 카드..

majority(다른 클래스에 비해 샘플 수가 많은 클래스) 샘플 수가 minority 샘플 수가 차이가 많이 나면 학습을 하는데 어려움을 겪을 수 있습니다. 따라서 각 클래스의 샘플 수 균형을 맞춰주는 방법에 대해서 알아보겠습니다. 1. under-sampling majority 샘플수를 줄여서 minority 샘플 수와 균형을 맞추는 방법 2. over-sampling minority 샘플을 반복 샘플링하는 방법 3. Synthetic generation 위의 두 방법 외에도 SMOTE(Synthetic Minority Over-sampling Technique) 방법이 있습니다. minority에서 샘플을 복원추출하는 것 말고 인공적인 데이터를 추가로 생성하는 방법입니다. feature space에..

앙상블(ensemble) 방법 중에 boosting method가 있습니다. bagging도 ensemble에 속하는데, boosting과 차이가 있습니다. bagging 방법은 boostrap으로 데이터를 resampling해서 여러 개의 모델을 만들어서, 그 모델들을 종합하는 방식입니다. boosting 역시 여러 개의 모델을 만들지만, 그 모델에 가중치를 부여해서 가중치를 반복적으로 업데이트하는 방식입니다. Adaboost Updates weights of the observations at each iteration. Weights of well classified observations decrease relatively to weights of misclassified observations...

로지스틱 회귀모형을 통해 특정 class에 속할 확률을 알 수 있습니다. 1. Logistic Regression 소개 logistic regression은 우리가 흔히 사용하던 linear regression의 변형이라고 볼 수 있습니다. 그림 출처 : https://ko.wikipedia.org/wiki/%EC%8B%9C%EA%B7%B8%EB%AA%A8%EC%9D%B4%EB%93%9C_%ED%95%A8%EC%88%98#/media/%ED%8C%8C%EC%9D%BC:Logistic-curve.svg 위 함수는 $f(y)=\frac{1}{1+e^{-y}}$ $logit(p)=\ln\left(\frac{p}{1-p}\right)=\beta_{0}+\beta_{1}X$ linear regression처럼 회..

모델을 만들고 나서 이 모델이 실제로 사용되기 위해서는 모델의 성능을 고려해야 합니다. Sensitivity (민감도, True positive rate, recall) : 실제 true인 것 중에 모델이 true라고 예측한 비율 $\text{Sensitivity = }\frac{TP}{TP+FN}$ Specificity (True negative rate) : 실제 false인 것 중에 모델이 false라고 예측한 비율 $\text{Specificity = }\frac{TN}{FP+TN}$ Precision : 모델이 true라고 예측한 것 중에 실제로 true인 비율 $\text{Precision = }\text{TP}{TP+FP}$ F1 score : precision과 recall의 조화평균 $\..

번역하면 의사결정 나무라고 하는데, classification과 regression에 둘 다 쓰일 수 있는 머신러닝 방법입니다. decision tree는 feature에 대한 조건을 통해 가지를 치면서 학습하는 방법입니다. numerical, categorical variable 둘 다 쓸 수 있고 분석 과정이 직관적이라는 점 때문에 많이 쓰이고 있습니다. (나중에 쓸 random forest가 decision tree를 더 발전시킨 형태) 이 decision tree는 불순도(impurity, 범주들이 섞여있는 정도)를 최소화하는 방향으로 진행되어야 합니다. 우리가 decision tree를 사용할 때 이 불순도를 판단하기 위한 척도로서, 1) Gini index, 2) Entropy index가 사..