We are surrounded by several natural phenomena, which can be studied by reconstructing the field underlying these phenomena for research purposes as a good approach. The field can be restructured accurately because of developments in sensor measurement technology and regression techniques. If the number of sensors required to identify the field is larger than the number of available sensors, it is necessary to identify the optimal locations to which to allocate sensors for reconstruction of the field. Criteria based on uncertainty have been used widely. However, the even distribution of sampling points across the entire field has the disadvantage of reducing the amount of sampling in areas that are particularly informative. We overcome this limitation by suggesting a new criterion that combines gradient information, uncertainty, and an algorithm to control the trade-off between exploitation and exploration. The results are given in terms of sampling locations and the root mean square error between the underlying field and the estimated field. The proposed algorithm increases the amount of sampling that occurs in an informative area, and also ensures that the error is lower compared to the other criteria. Consequently, the proposed algorithm has confirmed the possibility of identifying the informative area.
우리 주위에는 다양한 자연현상들이 존재 하고 있다. 자연현상들을 연구에 이용하거나 시각화 하기 좋은 방법 중 하나는 필드를 구성하는 것이다. 센서취득기술 및 추정방법의 발달로 인해 정교하고 고해상도의 필드를 얻기에 용이하게 되었다. 그러나 추정하고자 하는 도메인의 크기보다 센서의 수가 훨씬 작으므로 목적에 맞게끔 센서를 적절한 위치에 놓는 것은 중요한 문제이다. 따라서 적절한 샘플링 위치를 찾는 문제는 다시 말하면 기준함수를 정하는 문제로 귀결된다. 많은 연구에서 불확실성 기반의 기준함수를 사용하고 있지만, 불확실성 기반의 기준함수는 특정 정보량이 많은 영역을 여러번 샘플링 하지 않는다는 단점이 존재한다. 이러한 단점을 해결하기 위해 변화량정보를 기준함수에 적용하여 사용하였고, 탐험과 탐색을 조절하기 위해서 최대 변화량정보의 차이를 이용한 알고리즘을 제시하였다. 결과 비교분석을 위해 샘플링위치 및 평균 제곱근 오차를 보였다. 특정정보량이 많은 영역에서 샘플링이 더 많이 이루어지는 것을 확인하였고, 오차 또한 더 감소되었다.
결론적으로 제안된 알고리즘은 기존에 사용되어오던 불확실성 기반의 기준함수보다 정보량이 더 높은 곳을 샘플링하는 장점 및 특정필드에서 더 나은 성능을 보여주어 특정필드 재구성의 가능성을 확인하였다.
