• 지구물리와물리탐사
• /
• 제25권1호
• /
• pp.26-37
• /
• 2022

최근의 정보기술발달에 힘입어 소형 무인 비행체를 활용한 각종 물리탐사 방법들이 제안되고 그 해석방법들에 대한 연구가 소개되고 있다. 이 연구에서는 한국지질자원연구원에서 개발 중인 송수신 분리형 무인 항공 전자탐사 장비를 소개하고 획득한 자료의 타당성 검증을 위해 수행된 시험자료를 분석하여 해석하는 방법을 제안하는 연구를 수행하였다. 특히, 수신기가 드론에 매달린 채로 탐사가 수행되기 때문에 발생되는 흔들림 성분의 영향을 고찰하고 회전변환을 이용하여 보정하였다. 한편, 비행체에 의한 탐사는 송수신기 간의 거리, 고도 등 여러 탐사 변수들이 실시간으로 변하게 되고 획득한 자료는 지상 탐사보다 더 많은 잡음을 포함하게 되어 전통적인 해석방법으로의 해석에 많은 어려움이 따른다. 따라서, 이 연구에서는 획득한 전자탐사자료를 이용하여 빠르게 겉보기 비저항을 예측할 수 있는 순환 인공 신경망 모델을 구축하였으며, 현장자료의 분석을 통해 얻어진 잡음들을 수치모델링을 통해 생성한 학습자료에 포함시켜 잡음이 포함된 자료의 예측성능을 향상시켰다. 학습된 순환 신경망 모델을 시험탐사 현장자료에 적용시킨 결과 지상탐사 및 전기비저항 탐사 결과와 유사한 겉보기 비저항을 예측함을 확인하였다.

• 한국수자원학회논문집
• /
• 제56권8호
• /
• pp.471-484
• /
• 2023

적대적 생성 신경망 기반의 딥러닝 모델은 학습된 정보를 바탕으로 새로운 정보를 생성하는데 특화되어 있다. 구글 딥마인드에서 개발한 deep generative model of rain (DGMR) 모델은 대규모 레이더 이미지 데이터의 복잡한 패턴과 관계를 학습하여, 예측 레이더 이미지를 생성하는 적대적 생성 신경망 모델이다. 본 연구에서는 환경부 레이더 강우관측자료를 이용하여 DGMR 모델을 학습하고, 2021년 8월 호우사례를 대상으로 적대적 생성 신경망을 이용하여 강우예측을 수행하고 기존 예측기법들과 정확도를 비교하였다. DGMR은 대체적으로 선행 60분까지는 강우 분포 위치가 관측강우와 가장 유사하였으나, 전체 영역에서 강한 강우가 발생한 사례에서는 강우가 지속적으로 발달하는 것으로 예측하는 경향이 있었다. 통계적 평가에서도 DGMR 기법이 1시간 선행예측에서 임계성공지수 0.57~0.79, 평균절대오차 0.57~1.36 mm로 나타나 타 기법 대비 효과적인 강우예측 기법임을 보여주었다. 다만, 생성 결과의 다양성이 부족한 경우가 발생하여 예측 정확도를 저하하므로 다양성을 개선하기 위한 연구와 2시간 이상의 선행예측에 대한 정확도 개선을 위해 물리기반 수치예보모델 예측강우 자료를 이용한 보완이 필요할 것으로 판단되었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2000년도 가을 학술발표논문집 Vol.27 No.2 (3)
• /
• pp.257-259
• /
• 2000

VOD나 영상회의 등과 같은 실시간 서비스를 이용하는 사용자가 급속도로 증가함에 따라 QoS 보장이라는 새로운 요구사항이 등장하였지만 현재 인터넷의 Best-effort 방법으로는 QoS 보장을 완전히 지원하지 않고 있다. 이를 해결하기 위한 방법에는 망 차원의 QoS 아키텍처 이외에도 사용자가 원하는 QoS 보장을 위한 애플리케이션 레벨 QoS 정의와 DiffServ와 같은 새로운 망에서의 QoS 지원을 위한 체계적 정보가 필요하며 이러한 정보를 저장하고 관리할 실시간 서비스에 맞는 정보 저장소가 요구되고 있다. 따라서 본 논문에서는 대표적인 실시간 서비스인 VOD 서비스의 QoS 보장을 위해 필요한 정보들을 추출하여 디렉토리 객체로 정의하고, 효율적인 탐색이 가능한 확장된 디렉토리 시스템을 설계한다. LEAP(Lightweight Directory Access Protocol)을 이용하여 정보를 액세스하는 디렉토리 시스템은 저장소의 물리적 위치에 대한 제약 없이 정보의 분산 및 접근을 용이하게 하며, 논리적인 트리 구조에 따르는 빠른 검색을 가능하게 한다.

• 한국컴퓨터정보학회논문지
• /
• 제26권9호
• /
• pp.27-35
• /
• 2021

인공생명체 연구는 자연 생명과 관련된 시스템이나 그 과정들, 진화 등을 평가해 다양한 응용과학 분야에 활용된다. 이러한 인공생명체의 원활한 활동을 위해 물리적 신체 설계와 행동 제어전략을 진화시키는 연구가 활발히 진행되었다. 그러나 형태와 신경망을 공진화시키는 것은 어렵기에 최적화된 움직임을 가진 인공생명체는 한 가지 형태에 한 가지 움직임만을 가지며 주변 환경 상황은 고려하지 않는 것이 대부분이다. 본 논문에서는 포식자-피식자 모델을 이용하여 형태와 신경망을 공진화하는 인공생명체가 환경적응형 움직임을 갖게 한다. 그런 다음 포식자-피식자 계층 구조를 최상위 포식자-중간 포식자-최하위 피식자 3단계로 확장하여 초기 개체군 밀도에 따라 시뮬레이션의 안정성을 판별하며 형태 진화와 개체군 역학 간의 상관관계를 분석한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.135-135
• /
• 2018

한강의 잠수교는 평상시에는 사람과 차의 통행이 가능하나 예측수위가 5.5m일 경우, 보행자통제, 6.2m일 경우, 차량통제를 실시한다. 잠수교는 국토교통부의 홍수예보 지점은 아니지만 그 특수성으로 인해 정확한 홍수위 예측을 통해 선행시간을 확보할 필요가 있다. 일반적으로 하천 홍수위 예측을 위해서는 강우-유출 모형과 하도추적을 위한 수리모형을 결합한 모델링이 요구되나 잠수교는 하류부 조위로 인한 배수 및 상류부 팔당댐 방류량의 영향을 받아 물리적 수리 수문모형의 구축이 상당히 제약적이다. 이에 본 연구에서는 딥러닝 오픈 라이브러리인 Tensorflow 기반의 LSTM 심층신경망(Deep Neural Network) 모형을 구축하여 잠수교의 수위예측을 수행한다. LSTM 모형의 학습과 검증을 위해 2011년부터 2017년까지의 10분단위의 잠수교 수위자료, 팔당댐의 방류량과 월곶관측소의 조위자료를 수집한 후, 2011년부터 2016년까지의 자료는 신경망 학습, 2017년 자료를 이용하여 학습된 모형을 검증하였다. 민감도 분석을 통해 LSTM 모형의 최적 매개변수를 추정하고, 이를 기반으로 선행시간(lead time) 1시간, 3시간, 6시간, 9시간, 12시간, 24시간에 대한 잠수교 수위를 예측하였다. LSTM을 이용한 1~6시간 선행시간에 대한 수위예측의 경우, 모형평가 지수 NSE(Nash-Sutcliffe Efficiency)가 1시간(0.99), 3시간(0.97), 6시간(0.93)과 같이 정확도가 매우 우수한 것으로 분석되었으며, 9시간, 12시간, 24시간의 경우, 각각 0.85, 0.82, 0.74로 선행시간이 길어질수록 심층신경망의 예측능력이 저하되는 것으로 나타났다. 하천수위 또는 유량과 같은 수문시계열 분석이 목적일 경우, 종속변수에 영향을 미칠 수 있는 가용한 모든 독립변수를 데이터화하여 선행 정보를 장기적으로 기억하고, 이를 예측에 반영하는 LSTM 심층신경망 모형은 수리 수문모형 구축이 제약적인 경우, 홍수예보를 위한 활용이 가능할 것으로 판단된다.

• 한국의학물리학회지:의학물리
• /
• 제15권4호
• /
• pp.228-236
• /
• 2004

망막의 신경절세포는 눈에 가해진 시각 정보를 흥분파의 형태로 변환하여 시신경을 통하여 대뇌의 시각피질까지 전달한다. 과거에 사용하여 왔던 방법은 단일 전극을 단일 뉴론의 세포내, 외에 삽입함으로써 특정 시간대에 특정 뉴론만을 기록하는 방법이었으므로 신경망 전체를 통하여 처리되어 나오는 정보를 알아보기에는 적합하지 않다. 다행히 최근에 다채널 전극을 사용하여 여러 신경세포에서 나오는 신호를 동시에 기록할 수 있는 다채널기록법(multichannel recording) 이 개발되었으므로 본 연구에서는 8행 ${\times}$ 8열의 다채널전극을 사용한 다채널기록법을 이용하여 망막신경절세포 군집의 흥분파를 기록, 분석함으로써 단일 신경세포가 아닌 망막 신경망을 거쳐 최종적으로 나오는 신호에 대해서 연구하였다. 전극에 부착된 망막 절편에 2초 동안 빛을 가하고 5초 동안 빛이 차단되는 자극을 반복적으로 인가한 후, PSTH 분석방법으로 망막 신경절세포를 ON 세포, OFF세포, ON/OFF세포의 세가지 유형으로 분류할 수 있었으며, ON 세포: 35.0$\pm$4.4%, OFF 세포： 30.4$\pm$1.9%, ON/OFF 세포： 34.6$\pm$5.3% (전체 망막절편수=8)로 분포되어 있음을 확인하였다. 또한 상호상관(Cross-Correlation) 분석방법을 통해서 인접한 세포들끼리 매우 짧은 시간대에(<1 ms) 동기화된 흥분을 발사함을 확인할 수 있었고, 동기화된 흥분은 6～8개의 세포로 구성된 세포 클러스터에서 일어남을 확인하였다. 즉 개개의 신경절세포들이 빛 자극을 처리함에 있어 독립적으로 작용한다는 기존의 가정과는 달리 인접한 세포끼리는 동기화된 흥분을 보이는 것을 확인하였으며, 이러한 방식은 시세포 수와 신경절세포 수의 불균형으로 인해 초래되는 병목현상을 완화할 수 있는 효과적인 기전으로 생각된다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.399-401
• /
• 2024

본 논문에서는 텍스처 합성 기술을 활용하여 가상의 거품 패턴 텍스처를 생성하기 위한 합성 데이터 구축 방법을 소개한다. 물리 기반 유체 시뮬레이션에서 거품 표현은 2차 효과(Secondary effects)로 분류되며, 그만큼 계산량이 큰 작업이다. 게임 업계에서는 저사양 디바이스에서도 실시간으로 게임이 실행되어야 하므로 상대적으로 계산량이 큰 물리 기반 시뮬레이션을 통해 거품을 표현하기 어렵다. 대부분 사용자가 임의로 그린 거품 패턴을 화면에 매핑하여 적은 계산량을 통해 거품을 표현하지만, 시뮬레이션을 통해 만들어진 데이터가 아니기 때문에 품질을 보장하기 어렵다. 본 논문에서는 물리 기반 시뮬레이션을 통해 만들어진 거품 패턴을 텍스처 합성 기술을 통해 재생산(Reproduction)함으로써 수작업으로 그린 거품 패턴에서는 표현하기 어려운 고품질 거품 패턴 텍스처를 만들어 낸다.

• 정보보호학회지
• /
• 제29권3호
• /
• pp.37-43
• /
• 2019

딥러닝을 비롯한 인공기능과 영상처리 분야의 접목은 기존 물리보안의 기술적 한계를 뛰어넘어 새로운 기회의 장을 마련하고 있다. 하지만 딥러닝 기반 영상분석 기술도 지능형 영상감시가 필요한 실제 현장에서는 다양한 환경의 제약사항으로 인해 성능이 저하될 가능성이 높다. 본 논문에서는 실제 CCTV 환경의 영상 데이터를 확보하여 신경망을 이용한 지속적인 학습을 통해 영상분석의 성능을 개선하는 클라우드 기반 지능형 영상보안 플랫폼을 소개한다. 클라우드 기반 지능형 영상보안 플랫폼은 지자체 통합관제센터에서 수집한 CCTV 영상을 학습 데이터로 활용하여, 현장에서 신뢰받을 수 있는 사람 검출, 사람/차량 재식별, 열악 차량번호판 탐지 등의 지능형 영상분석 서비스를 제공할 수 있다.

• 한국정보통신학회논문지
• /
• 제8권8호
• /
• pp.1732-1739
• /
• 2004

본 논문은 다량의 가변적인 정보를 보유하고 있는 수중에서 유동하는 입자의 움직임을 추적하고 유체의 흐름에 따라 분산되는 입자의 분산정도 그리고 입자의 침전패턴을 정확하게 예측해내기 위해 인공신경망 알고리즘을 도입한 가시화 시스템을 제안한다. 이러한 시스템은 물과 같은 공간에서 움직이는 다양한 입자들을 고려하고 있는데, 물의 흐름을 위해서 운동량방정식과 연속방정식을 일반화하여 흐름을 제어하고 있다. 또한 입자간에 작용하는 부력, 침강력 등의 물리적인 힘과 침전패턴에 주요한 영향을 주고 있는 입자간의 충돌은 인공신경망 ART2를 이용하여 충돌을 감지하도록 하고 있다. 본 논문에서 제안한 시스템을 통해 다양한 외부적인 요인에 따라 움직임을 달리하는 유동 입자들을 실제 물에서와 같이 유사하게 가시화되도록 한다. 또한 가시화된 유동 입자의 움직임을 효율적으로 추적하고, 침전하는 입자들의 패턴까지도 미리 예측해 낼 수 있다.

• 한국음향학회지
• /
• 제42권4호
• /
• pp.305-312
• /
• 2023

기포 크기 분포를 음파 감쇄 손실을 이용하여 역산하기 위해 Physics-Informed Neural Network(PINN)을 사용하였다. 역산에 사용되는 선형시스템을 풀기 위해 이미지 처리 분야에서 선형시스템 문제를 해결한 Adaptive Learned Iterative Shrinkage Thresholding Algorithm(Ada-LISTA)를 PINN의 신경망 구조로 이용하였다. 더 나아가, PINN의 손실함수에 선형시스템 기반의 정규항을 포함함으로써 PINN의 해가 기포 물리 법칙을 만족하여 더 높은 일반화 성능을 가지도록 하였다. 그리고 기포 추정값의 불확실성을 계산하기 위해 딥앙상블 기법을 이용하였다. 서로 다른 초기값을 갖는 20개의 Ada-LISTA는 같은 훈련데이터를 이용하여 학습되었다. 이 후 테스트시 훈련데이터와 다른 경향의 감쇄 손실을 입력으로 사용하여 기포 크기 분포를 추정하였고, 추정값과 이에 대한 불확실성을 20개 추정값의 평균과 분산으로 각각 구하였다. 그 결과 딥앙상블이 적용된 Ada-LISTA는 기존 볼록 최적화 기법인 CVX보다 기포 크기 분포를 역산하는데 더 우수한 성능을 보였다.