상황 인식 기반 해양 디지털 선박 상황 진단 시스템 구현 및 설계

A Design and Implementation of Digital Vessel Context Diagnosis System Based on Context Aware

  • 송병호 (목포대학교 중점연구소) ;
  • 최명수 (목포대학교 중점연구소) ;
  • 권장우 (경원대학교 컴퓨터공학과) ;
  • 이성로 (목포대학교 정보전자공학과)
  • 투고 : 2010.02.08
  • 심사 : 2010.05.25
  • 발행 : 2010.06.30

초록

예기치 못한 상황에 의한 선박 내 화재나 선체 파손 등 긴급 상황 발생 시에 대형의 해난 사고가 발생할 수 있다. 특히, 해수와 직접적으로 접촉하는 선체는 파도와 조류 등에 의해 다양한 저항과 흔들림 운동의 영향을 받게 되는 데 이를 고려한 선박 USN 미들웨어와 선박 내 상황 인식을 기반으로 한 시스템이 필요할 것이다. 이에 본 논문에서는 해양 디지털 선박의 무선 센서를 이용하여 수집된 위험 상황 정보를 분석하는 시스템을 제안하였으며, 센싱된 데이터를 분석하기 위하여 역전파 신경망을 설계하였다. 위험 상황별로 각 300개의 데이터 집합을 사용하여 역전파 신경망을 실험한 결과 화재 위험 상황에 대해서는 96%의 정확도를 가졌고 선체 위험 상황에 대해서는 약 88.7%의 정확도를 나타냈다. 제안된 시스템은 시스템의 정확도를 개선하기 위하여 전방향 에러 정정 시스템(LDPC)을 구현하였고 진단된 결과는 CDMA 방식으로 전송하여 해양 디지털선박 상황 모니터링 시스템을 구현했다.

Digital vessels can occur large a disaster at sea because vessels in fire and collision in case of certain unforeseen circumstances. In this paper, We propose digital vessel context monitoring system through risk analysis. We propose environment information analysis system using wireless sensor that have to acquire marine environment and context of marine digital vessel. For conducting simulation, we chose 300 data sets to train the neural network. As a result, we obtained about 96% accuracy for fire risk context and we obtained 88.7% accuracy for body of vessel risk context. To improve the accuracy of the system, we implement a FEC (Forward Error Correction) block. We implemented digital vessel context monitoring system that transmitted to diagnosis result in CDMA.

키워드

참고문헌

  1. 김재양, 정선태, 임준석, 박종원, 홍기용, 임용곤, "디지털 선박을 위한 선박 통합화 네트워크 설계 및 구현", 한국해양정보통신학회논문지, 제9권, 제6호, p.1202-1210, 2005.10.
  2. Weilian Su, Ozgur B. Akan, and Erdal Cayirci, "Communication Protocol for Sensor Networks", Wireless Sensor Network, Kluwer Academic Publisher, pp.21-50, 2004.
  3. M.R Endsley, "Theoretical underpinnings of situation awareness", Lawrence Erlbaum Associates, Publishers, Mahwah, New Jersey, pp.3-32, 2000.
  4. Mahony R.E. and Williamson R.C., "Prior Knowledge and Preferential Structures in Gradient Descent Learning Algorithms", Journal of Machine Learning Research, Vol.1, pp.311-355, 2001.
  5. R.G. Gallager, "Low-density parity-check codes", IRE Trans. Inform. Theory, Vol. IT-8, pp.21-28, Jan. 1962.
  6. Yoshio K. and Keith W. and Ian Mc., "Forecasting Nonlinear Time Series with Feed-Forward Netral Networks(A Case Study of Canadian Lynx Data)", Journal of Forecasting, pp.105-117, 2005
  7. Simon Haykin, "Netral Network (Acompre hensive foundation)," Prentice Hall International, pp.161-172, 1999
  8. Kevin R. Farrell, Richard J. Mammone, and Khaled T. Assaleh., "Speaker Recognition Using Neural Networks and Conventional Classifiers.", IEEE Transactions of Speech and Audio Processing, Vol.2, No.1, Jan, 1994.
  9. Go, J., Han, G., Kim, H. and Lee, C., "Multigradient: a new neural network learning algorithm for pattern classification", IEEE Transactions on Geoscience and Remote Sensing, 39, pp.986-993, 2001. https://doi.org/10.1109/36.921416