• 대한기계학회논문집A
• /
• 제27권4호
• /
• pp.585-592
• /
• 2003

Among various sensitivity evaluation techniques, semi-analytical method(SAM) is quite popular since this method is more advantageous than analytical method(AM) and global finite difference method(FDM). However, SAM reveals severe inaccuracy problem when relatively large rigid body motions are identified fur individual elements. Such errors result from the numerical differentiation of the pseudo load vector calculated by the finite difference scheme. In the present study, an iterative method combined with mode decomposition technique is proposed to compute reliable semi-analytical design sensitivities. The improvement of design sensitivities corresponding to the rigid body mode is evaluated by exact differentiation of the rigid body modes and the error of SAM caused by numerical difference scheme is alleviated by using a Von Neumann series approximation considering the higher order terms for the sensitivity derivatives.

• 대한기계학회논문집A
• /
• 제27권4호
• /
• pp.593-600
• /
• 2003

Structural optimization often requires the evaluation of design sensitivities. The Semi Analytic Method(SAM) fur computing sensitivity is popular in shape optimization because this method has several advantages. But when relatively large rigid body motions are identified for individual elements. the SAM shows severe inaccuracy. In this study, the improvement of design sensitivities corresponding to the rigid body mode is evaluated by exact differentiation of the rigid body modes. Moreover. the error of the SAM caused by numerical difference scheme is alleviated by using a series approximation for the sensitivity derivatives and considering the higher order terms. Finally the present study shows that the refined SAM including the iterative method improves the results of sensitivity analysis in dynamic problems.

• 정보과학회 논문지
• /
• 제42권12호
• /
• pp.1561-1567
• /
• 2015

준지도 학습은 기계 학습의 한 분야로서, 레이블된 데이터와 레이블되지 않은 데이터 모두를 사용하여 모델을 학습함으로써 지도 학습에 비해 예측 정확도를 높일 수 있다. 최근 각광받고 있는 그래프 기반 준지도 학습은 입력 데이터를 그래프의 형태로 변환하는 그래프 구축 단계와 이를 사용하여 레이블되지 않은 데이터의 레이블을 예측하는 레이블 추론 단계로 나뉜다. 이 추론은 준지도 학습에서의 평활도 가정을 기본으로 한다. 본 연구에서는 추가로 각 꼭지점 중요도를 결합함으로써 개선된 레이블 추론 알고리즘을 제안한다. 이와 함께 알고리즘의 수렴성을 증명하고, 또한 실험을 통해 알고리즘의 우수성을 검증하였다.