• Proceedings of the KIEE Conference
• /
• 2007.10a
• /
• pp.451-452
• /
• 2007

본 논문에서는 다항식 기반 Radial Basis Function(RBF)신경회로망(Polynomial based Radial Basis Function Neural Networks)을 설계하고 이를 2-클래스 패턴 분류 문제에 응용하여 그 성능을 분석한다. 제안된 다항식기반 RBF 신경회로망은 입력층, 은닉층, 출력 층으로 이루어진다. 입력층은 입력 벡터의 값들을 은닉 층으로 전달하는 기능을 수행하고 은닉층은 Fuzzy c-means 클러스터링을 통하여 뉴런의 출력 값으로 내보낸다. 은닉층과 출력층사이의 연결가중치는 상수, 선형식 또는 이차식으로 이루어지며 경사 하강법에 의해 학습된다. Networks의 최종 출력은 연결가중치와 은닉층 출력의 곱에 의해 퍼지추론의 결과로서 얻어진다. 제안된 다항식기반 RBF 신경회로망은 각기 다른 4종류의 2-클래스 분류 문제에 적용 및 평가되어 분류기로써의 성능을 분석한다.

• 한국신재생에너지학회:학술대회논문집
• /
• 2010.06a
• /
• pp.115.1-115.1
• /
• 2010

석탄 가스화기술은 기존의 연소 방식에서 발생하는 공해 물질은 줄이면서 발생되어지는 합성가스를 이용하여 직접 사용하거나, IGCC나 CTL 공정등에서 원료로서 사용할 수 있다는 장점을 가지고 있어 석탄의 환경친화적인 이용을 위하여 오래전에 개발된 기술임에도 불구하고 최근 각광받고 있는 기술이다. 분류층 가스화기는 미분화된 석탄을 고온에서 가스화하는 방식으로 용량의 대형화가 가능하여 석탄가스화복합발전(IGCC)용으로 이용되고 있다. 석탄슬러리를 원료로 사용하는 습식 분류층 가스화기는 기술적으로 상당히 안정적이어서 가장 많이 보급되어진 가스화기 형태이다. 본 연구에서는 1.0T/D급 습식 분류상 가스화 장치의 가압 운전 특성 및 가스화 특성, 운전 조건을 파악하기 위하여 실험을 실시하였다. 실험에 사용된 반응기는 운전 압력 30bar로 설계되었으며, Fuel의 공급량은 50~70kg/hr로 공급하였으며, $O_2$/fuel Ratio를 0.7~1.1까지 변경하여 Fuel 주입량에 따른 내부온도 분포와 $O_2$/Fuel 비율에 따른 합성가스의 조성, 탄소 전환율, 냉가스효율 변화 특성을 알아보았다.

• Proceedings of the Korea Society for Energy Engineering kosee Conference
• /
• 2000.11a
• /
• pp.61-66
• /
• 2000

분류층 건식 석탄가스화 방식을 택하고 있는 아주대학교 내 BSU 가스화기는 반응 후 회분을 용융상태의 슬랙으로 처리하여 가스화기 하단으로 배출하고, 생성된 석탄가스는 가스화기 상부로 배출시켜 생성된 석탄가스로의 슬랙 유입을 최소화한 디자인이다. 이러한 분류층 가스화기는 고정층이나 유동층 방식의 가스화기에 비해 가스화기 출구에서의 온도가 130$0^{\circ}C$이상의 고온이 유지되므로, 미분탄을 사용하는 분류층 가스화방식에서는 미립 입자 일부가 비말동반되어서 미분탄내의 회재를 100% 용융 슬랙으로 처리하기는 불가능하고, 수 % 정도는 생성 석탄가스와 함께 가스화기 밖으로 배출된다.(중략)

• Journal of Korean Society of Rural Planning
• /
• v.12 no.1 s.30
• /
• pp.75-83
• /
• 2006

본 연구에서는 최대우도법과 인공신경망 모형에 의해 카테고리 분류를 수행하고 각각의 분류 성능을 비교 평가하였다. 인공신경망 모형은 오류역전파 알고리즘을 이용한 것으로서 학습을 통한 은닉층의 최적노드수를 결정하여 카테고리 분류를 수행하도록 하였다. 인공신경망 최적 모형은 입력층의 노드수가 7개, 은닉층의 최적노드수가 18개, 그리고 출력층의 노드수가 5개인 것으로 구성하였다. 위성영상은 1996년에 촬영된 Landsat TM-5 영상을 사용하였고, 최대우도법과 인공신경망 모형에 의한 카테고리 분류를 위하여 각각의 카테고리에 대한 분광특성을 대표하는 지역을 절취하였다. 분류 정확도는 인공신경망 모형에 의한 방법이 90%, 최대우도법이 83%로서, 인공신경망 모형의 분류 성능이 뛰어난 것으로 나타났다. 카테고리 분류 항목인 토지 피복 상태에 따른 분류는 두 가지 방법에서 밭과 주거지의 분류오차가 큰 것으로 나타났다. 특히, 최대우도법에 의한 밭에서의 태만오차는 62.6%로서 매우 큰 값을 보였다. 이는 밭이나 주거지의 특성이 위성영상 촬영시기에 따라 나지의 형태로 분류되거나 산림, 또는 논으로도 분류되는 경향이 있기 때문인 것으로 보인다. 차후에 카테고리 분류를 위한 각각의 클래스의 보조적인 정보를 추가한다면, 카테고리 분류 향상이 이루어질 것으로 기대된다.

• Proceedings of the KIEE Conference
• /
• 2011.07a
• /
• pp.1952-1953
• /
• 2011

본 논문에서는 다항식 기반 Radial Basis Function(RBF)신경회로망(Polynomial based Radial Basis function Neural Network)을 설계하고 이를 n-클래스 패턴 분류 문제에 적용한다. 제안된 다항식기반 RBF 신경회로망은 입력층, 은닉층, 출력층으로 이루어진다. 입력층은 입력 벡터의 값들을 은닉층으로 전달하는 기능을 수행하고 은닉층과 출력층사이의 연결가중치는 상수, 선형식 또는 이차식으로 이루어지며 경사 하강법에 의해 학습된다. Networks의 최종 출력은 연결가중치와 은닉층 출력의 곱에 의해 퍼지추론의 결과로서 얻어진다. 패턴분류기의 최적화는 PSO(Particle Swarm Optimization)알고리즘을 통해 이루어진다. 그리고 제안된 패턴분류기는 실제 얼굴인식 시스템으로 응용하여 직접 CCD 카메라로부터 입력받은 데이터를 영상 보정, 얼굴 검출, 특징 추출 등과 같은 처리 과정을 포함하여 서로 다른 등록인물의 n-클래스 분류 문제에 적용 및 평가되어 분류기로써의 성능을 분석해본다.

• 한국신재생에너지학회:학술대회논문집
• /
• 2010.06a
• /
• pp.108.1-108.1
• /
• 2010

분류층 가스화기는 석탄과 산소(공기) 및 수증기가 반응하여 $1200{\sim}1600^{\circ}C$의 고온, 20~60기압의 고압에서 작동되어 합성가스를 생성하며 합성가스에 포함된 입자 및 황화합물 등을 정제설비를 통하여 정제 후 발전 및 화학원료로 사용한다. 석탄가스화 중 석탄에 포함된 대부분의 회분은 용융슬래그 형태로 가스화기 벽면을 따라 흘러 내려 가스화기 하부의 냉각수조에서 급랭되어 배출된다. 이때 용융슬래그의 원활한 배출을 위해서는 일정범위의 점도를 유지하는 것이 필요하다. 슬래그의 점도는 가스화기 온도 및 Ash의 조성에 따라 크게 변하며 가스화기 설계 및 운전 시 매우 중요한 변수이다. 따라서 최적의 설계 및 운전을 위해서는 Ash의 점도예측이 중요하며, 분류층 가스화기내부에서 Ash 점도 예측을 위한 DooVisco 프로그램을 개발하였다. DooVisco는 가스화기 내부에서 슬래그 용융온도 및 온도별 점도, 가스화기 최소 운전온도 및 석회석 투입 효과 분석뿐만 아니라 석탄의 혼합 사용 시의 특성 예측도 가능하도록 개발되었다. DooVisco는 슬래그 주요 4성분인 SiO2, Al2O3, CaO, FeO 성분에 대한 Phase Diagram을 이용하여 1차적으로 슬래그용융온도(Liquidus Temperature)를 예측하고, 주요 4 성분 외에 Na2O, MgO, K2O, TiO2 등을 고려한 Kalmanovich Model을 이용하여 점도를 예측한다. 최종적으로 슬래그 용융온도와 점도를 활용하여 분류층 가스화기 운전가능 온도범위를 예측한다. 개발된 DooVisco를 활용하여 300MW급 실증 IGCC 플랜트에 사용가능성이 있는 석탄을 대상으로 슬래그의 용융온도 및 점도 등을 예측하였으며 최적 운전을 위한 슬form점도 조절용 Flux인 석회석 투입량 등을 평가하였다. 평가 결과 슬래그 용융온도가 $1700^{\circ}C$ 이상으로 석회석 투입이 필요하다고 판단되었다. 약 가스화기 내부 온도를 $1500^{\circ}C$ 정도에서 원활한 운전을 위해서는 석탄 대비 약 10% 내외의 석회석 투입이 필요할 것으로 평가되었다. DooVisco는 분류층 가스화기 설 계시 가스화기 최적 운전 온도 설정 및 Flux 투입필요성, 종류, 투입량 선정에 활용될 수 있을 뿐만 아니라 플랜트 운전시 석탄의 탄종 적합성 등을 판단하는데 활용될 수 있을 것이라 판단된다.

• Proceedings of the KIEE Conference
• /
• 2011.07a
• /
• pp.1962-1963
• /
• 2011

본 연구에서는 패턴분류를 위해 최적화된 방사형 기저 함수 신경회로망(Radial Basis Function Neural Networks) 분류기를 제안한다. RBFNN은 입력층, 은닉층, 출력층의 3층 구조로 되어 있으며 Multi Dimension, Predictive ability, Robustness한 특징이 있다. RBFNN의 은닉층에는 기존의 활성함수가 아닌 Fuzzy C-means 클러스터링 알고리즘을 사용하여 입력 데이터의 특성을 고려한 적합도를 사용하였다. RBFNN은 은닉층의 노드수와 FCM 클러스터링의 퍼지화 계수, 연결가중치의 다항식 타입이 모델의 성능의 향상에 영향을 미치기 때문에 최적화가 필요하며 본 논문에서는 Differential Evolution(DE) 알고리즘을 사용하여 모델의 구조 및 파라미터를 최적화시켜 모델의 성능을 향상시켰다. 제안된 모델을 평가하기 위해 패턴분류에 많이 사용되는 Iris 데이터와 Wine 데이터를 이용하였다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2004.05b
• /
• pp.158-161
• /
• 2004

RBF 네트워크의 중간층은 클러스터링하는 층이다. 즉, 이 충의 목적은 주어진 자료 집합을 유사한 클러스터들(homogenous cluster)로 분류하는 것이다. 여기서 유사하다는 것은 입력 데이터들에 대한 특징 벡터 공간사이에서 한 클러스터내의 벡터들 간에 거리를 측정하여 정해진 반경 내에 존재하면 같은 클러스터로 분류하고 정해진 반경 내에 존재하지 않으면 다른 클러스터로 분류한다. 그러나 정해진 반경 내에서 클러스터링하는 것은 잘못된 클러스터를 선택하는 단점을 가지게 된다. 그러므로 중간층을 결정하는 .것은 RBF 네트워크의 전반적인 효율성에 큰 영향을 준다. 따라서 본 논문에서는 효율적으로 중간층을 결정하기 위한 방법으로 퍼지 C-Means 클러스터링 알고리즘을 적용한 퍼지 RBF 네트워크를 제안한다. 제안된 퍼지 RBF 네트워크의 학습은 크게 두 단계로 구분된다. 첫 번째 단계는 입력층과 중간층 사이에 퍼지 C-Means 알고리즘이 수행되고, 두 번째 단계는 중간층과 출력층 사이에 지도학습이 수행된다. 제안된 방법의 학습 성능을 평가하기 위하여 실제 주민등록증에서 추출한 숫자패턴에 적용한 결과, 기존의 RBF네트워크 보다 학습 성능이 개선된 것을 확인하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2012.05a
• /
• pp.744-744
• /
• 2012

불투수층은 자연적인 침투를 허용하지 않는 인위적인 토지피복상태로 도시화율 추정 및 유역의 환경변화 정도를 분석하기 위한 척도로 사용되어 왔다. 특히, 수문학적 관점에서 불투수층은 단기 유출현상에 큰 영향을 끼치는 요소로 불투수율이 증가할수록 침투량이 감소하여 첨두유출량은 증가하고 도달시간은 짧아진다. 최근에는 급속한 도시화로 인해 불투수층의 영향이 더욱 커짐에 따라 불투수율의 추정에 대한 필요성이 증가하고 있다. 현재까지 위성영상을 이용한 불투수층의 추정은 고해상도 영상을 이용하여 피복분류를 수행하였다. 즉, 분류된 토지피복에 근거하여 불투수율을 산술적으로 계산하거나 분광혼합기법 및 회귀 트리기법 등 다양한 방법에 적용되어 왔다. 본 연구에서는 Sub-pixel 분류기법을 위성영상에 적용하여 섬강유역의 불투수율을 추정하고자 한다. Sub-pixel 분류는 기존 분류기법들이 다양한 토지피복이 혼합된 화소에 대해서도 가장 비중이 높은 토지피복 하나로 분류하던 것을 개선한 방법으로 fuzzy 이론을 적용하여 최소 20% 이상의 비율을 점유하는 항목 모두를 구분하여 분류하는 기법이다. 이를 위해 섬강유역의 Landsat TM 영상을 수집하고 환경부의 토지피복도와 지질도를 참조하여 트레이닝 자료를 수집하였다. 또한 결과에 영향을 미칠 수 있는 구름은 전처리를 통하여 제거하고 수집된 트레이닝 자료에 Sub-pixel 분류기법을 적용하여 섬강유역의 불투수율을 공간분포도로 작성하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2007.05a
• /
• pp.97-105
• /
• 2007

수문학적 토양유형은 복잡하게 세분되어 있는 토양의 종류를 수문학적인 목적에 따라 단순화하기 위해 만든 것으로 미농무성 토양보전국에서 고안한 개념이다. 우리나라 토양을 이 방법으로 구분하고자 하는 몇번의 시도가 있으며 그 중 대표적인 것이 정 등(1995)이 분류한 수문학적 토양군이다. 이는 토양의 침투 투수특성에 대한 실측자료가 부족한 우리나라의 실정을 감안하여 토성속(textural family), 배수등급(drainage class), 불투수층(impermeable layer), 투수성(permeability)의 네가지 토양특성을 분류특성으로 하여 각각에 1-4점 범위로 점수를 매긴 후 합산한 점수를 기준으로 수문학적 토양유형을 분류하는 것이다. 최근에는 토양의 한계침투속도에 따라 수문학적 토양유형을 분류하고자 하는 시도가 있으며 본 논문에서는 새로운 방법으로 분류할 때 기존의 방법과 어떠한 차이가 있는지 비교하고자 하였다. 정 등(1995)의 분류방법은 개념상 몇가지 문제점을 안고 있다. 먼저 토양의 수리특성은 같은 토성속이라 하여도 토양생성 과정과 토지이용 방법에 따라 그 차이가 매우 큼에도 불구하고 이에 대해 고려하지 못하였으며 다음으로 지표유거가 많아 배수가 양호한 토양의 강우 유출을 과소평가한다. 또한 얕은 토심에 존재하는 불투수층이 존재하는 경우 토양의 수리특성에 관계없이 적은 양의 강우에도 유출이 발생하므로 별도의 제한인자로 간주하여야 한다. 토양의 한계 침투속도를 이용한 분류방법은 이러한 문제점을 상당 부분 개선할 수 있다. 토양의 한계침투속도를 산정하기 위해 현장에서 지표 한계침투속도와 투수속도를 측정하였으며 이 자료를 확장하여 해석하기 위해 입자특성을 이용한 Pedo Transfer Function을 개발하였다. 토심 50 cm 포화시 토양 투수성을 한계 침투속도로 가정하였으며 50 cm 이내에 암반층과 지하수위가 존재할 경우 투수성에 관계없이 D유형으로 분류하였다. 새로운 방법으로 분류한 결과 기존의 분류와 몇가지 차이점이 발견되었다. 가장 큰 차이는 대부분의 논토양이 느린 한계침투속도의 영향으로 D유형에 속한 것이다. 산림토양과 밭토양은 기존 방법과 마찬가지로 A, B유형이 많았으며 암반층을 고려하기 전에는 기존 분류에 비해 강우 유출 가능성이 적은 쪽으로 평가되었다. 그러나 암반층이 존재하는 토양을 고려한 결과 A 또는 B 유형에 속하던 상당수의 산림토양이 새로운 분류에서 D유형으로 분류되었다. 지표 유거가 많아 배수등급이 매우양호로 분류되던 토양은 정 등(1995)의 분류와 비교하여 대부분 강우 유출 가능성이 큰 쪽으로 조정되었다. 새로운 수문학적 토양유형을 이용할 경우 낮은 토심에서 암반층이 발견되는 산림토양이 분포한 유역이나 산림, 밭 등에 식질 토양이 많이 분포하는 유역에서는 기존의 방법을 이용하는 것보다 강우 유출량이 높게 평가될 것으로 판단된다. 앞으로 강우 유출량 실측자료와의 비교를 통해 지속적인 보정을 하여야 할 것이며 특히 불투수층의 존재시 일괄적으로 D유형으로 분류된 토양의 경우 깊이에 따라 C 또는 D 유형으로 세분하여 조정할 필요가 있다.