In this study, evolutionary algorithms with an information factor are proposed for solving the feature selection problem. To find feature subsets effectively and quickly, two evolutionary algorithms, the quantum-inspired evolutionary algorithm (QEA) and the particle swarm optimization (PSO), were incorporated with an information factor based on the minimum Redundancy Maximum Relevance (mRMR) criterion. To overcome slow convergence rate of two algorithms, we employ a novel search scheme based on an information factor. The information factor is used in an update stage in QEA and PSO, so that each element of the individual or particle has a different update degree than the others. The proposed algorithms are applied to the feature selection problem and are able to extract the relevant features from all the feature sets. To demonstrate the effectiveness of the proposed algorithms, empirical comparisons with other feature selection algorithms are carried out for benchmark functions. The proposed algorithm is applied to the FMCW radar system to perform gesture recognition. After signal processing including the 2D-FFT, clutter removal, and false alarm rate, the features suitable for gesture recognition are defined based on the generated range-Doppler map. Using the proposed algorithm, unrelevant features are removed and a set of features which consist of relevant features is obtained. As a result, we built the FMCW radar system with high gesture recognition rate. Furthermore, we compared with other machine learning method such as LSTM, and a comparative analysis were performed.
본 연구에서는 특징점 선택 문제를 해결하기 위한 정보 인자 기반 진화 알고리즘을 제안하고 있다. 특징점 집합을 효과적이고 빠르게 찾기 위해 양자개념을 도입한 진화 알고리즘(QEA)와 입자 군집 최적화(PSO)를 상호 정보량을 기반으로 정의되는 정보 인자과 결합한 알고리즘을 제안한다. 두 알고리즘의 느린 수렴 속도를 극복하기 위해 정보 인자라는 것을 도입하여 해결하고자 한다. 정보인자는 두 알고리즘의 업데이트 과정에 적용되어 특징점 선택을 수행하게 된다. 다시 말해, 정보 인자가 어느 특징점이 더욱 효과적인지 두 진화 연산 방법에 알려줌으로 인해 더욱 효율적으로 특징점들을 찾을 수 있게 된다. 제안한 알고리즘은 12가지 벤치마크 함수에 적용되어 성능을 검증하였다. 제안한 알고리즘은 FMCW 레이더 시스템에 적용하여 제스처 인식을 수행하였다. 레이더 신호로부터 2D-FFT, 클러터 제거, 오경보율을 포함한 신호처리 과정을 거친 후, 생성된 레인지-도플러 맵을 바탕으로 제스처 인식에 적합한 특징점들을 정의한다. 생성된 특징점들 중에서 제안하는 알고리즘을 이용하여 불필요한 특징점들을 제거하고 필요한 특징점들만 선택을 한다. 그 결과, 높은 제스처 인식률을 가지는 레이더 시스템을 구축하였으며, LSTM을 이용한 학습 방법과 비교 분석을 수행하였다.
