• Science of Emotion and Sensibility
• /
• v.1 no.2
• /
• pp.133-147
• /
• 1998

이 글은 영구의 자동차내부 소음연구와 보버르트(Bobbert)의 첫 번재 독일어로 쓰인 연구를 다루고 있다. 승용차내부소음은 높은 적외파음향(infra sound)으로 특징지어 진다. 그런 까닭으로 그러한 종류의 소음을 A-평가계측(A-rated measurement)으로 그 영향을 파알하는 것은 한계가 있다. 자동차음향공학은 특히 인공청각(artificial head)기술의 발전, 소리의 합성적 제조 및 다양한 자동차 내부 음색(timbre)에 대한 일본연구가들 (하쉬모토, 쿠와노, 남바)에 의해 상당산 성취를 경험하였다. 위의 연구들은 무엇보다도 의미분별기법(Semantic Differentials)과 다차원측정방법(Multidimen-sional Scaling)을 사용하고 있다. 그러한 기법의 사용은 심리측정방법을 심리음향학(Psycho-acoustics), 특히 츠뷔커학파(Zwicker school)의 심리음향학 방법론과 결합한 것으로 볼 수 있다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2007.05a
• /
• pp.2069-2073
• /
• 2007

효과적인 저수지 수질관리 대책을 수립하기 위해서는 상류 유역으로부터 오염원의 유출특성에 대한 정확한 이해가 필요하다. 강우시 대부분 유입하는 비점오염원은 실측에 많은 비용과 시간이 소요되어 부하량 산정에 어려움이 있어 전체 부하량에서 차지하는 기여도를 파악하는데 어려움이 있었다. 본 연구의 목적은 Digital Filter 기법을 이용하여 댐 유입량 수문곡선으로부터 유출성분을 분리하고, 강우시 유출하는 비점오염부하량을 산정하는 방법을 개발하는데 있다. 연구대상지역은 대청호를 선택하였다. 유출성분별 오염부하량을 정량화하기 위해 댐 유입량을 각각 지표유출, 중간유출 및 기저유출 성분으로 분리하고, 강우시 지표유출과 중간유출을 합하여 비점오염원 부하량(직접유출)으로 산정하였다. 유출성분별 일별 부하량은 실측된 유량 및 수질자료로부터 유도된 유량-부하량의 상관관계식을 적용하였다. 연구결과 대청호 유입량의 유출성분비는 각각 지표유출 49.2%, 중간유출 25.5% 및 기저유출 25.4%로 산정되었다. 2001년 옥천지점에서 유출성분분리 결과, 총 유출량 중 기저유출, 지표유출, 중간유출의 비가 각각 35.1%, 39.5%, 25.5%로 산정되었고, 청성지점은 각각 39.7%, 36.1%, 24.2%로 나타났다. $2001{\sim}2005$년까지 유출 성분별 비점오염원 부하량을 산정한 결과, 대청호에 비점오염원 부하량 기여율의 범위(평균값)는 각각 BOD $65.2{\sim}88.0%$(평균 83.5%), COD $68.1{\sim}$ 89.3%(평균 86.8%), T-N $60.4{\sim}88.6%$(평균 84.2%), 그리고 T-P $77.7{\sim}96.6%$(평균 94.3%)로 산정되었다. 이러한 결과는 대청호로 유입하는 유기물과 영양염류 연간 부하량의 80% 이상이 강우-유출과 함께 유입하는 것을 의미하며, 저수지 수질관리를 위해서는 유역차원의 비점오염원 관리가 시급함을 시사한다.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.311-315
• /
• 2021

근래의 자연어처리 분야에서는 잘 만들어진 도구(Library)를 이용하여 생산성 높은 개발과 연구가 활발하게 이뤄지고 있다. 이 중에 대다수는 깊은 학습(Deep-Learning, 딥러닝) 기반인데, 이런 모델들은 학습 속도가 느리고, 비용이 비싸고, 사용(Run-Time) 속도도 느리다. 이뿐만 아니라 라벨(Label)의 가짓수가 굉장히 많거나, 라벨의 구성이 단어마다 달라질 수 있는 의미분별(동형이의어, 다의어 번호 태깅) 분야에서 딥러닝은 굉장히 비효율적인 문제가 있다. 이런 문제들은 오히려 기존의 얕은 학습(Shallow-Learning)기반 모델에서는 없던 것들이지만, 최근의 연구경향에서 딥러닝 비중이 급격히 증가하면서, 멀티스레딩 같은 고급 기능들을 지원하는 얕은 학습 기반 언어모델이 새로이 개발되지 않고 있었다. 본 논문에서는 학습과 태깅 모두에서 멀티스레딩을 지원하고, 딥러닝에서 연구된 드롭아웃 기법이 구현된 자연어처리 도구인 혼합 자질 가변 표지기 ManiFL(Manifold Feature Labelling : ManiFL)을 소개한다. 본 논문은 실험을 통해서 ManiFL로 다의어태깅이 가능함을 보여주고, 딥러닝과 CRFsuite에서 높은 성능을 보여주는 개체명 인식에서도 비교할만한 성능이 나옴을 보였다.