• 지구물리와물리탐사
• /
• 제23권2호
• /
• pp.72-88
• /
• 2020

최근 컴퓨터 하드웨어 성능의 급속한 발전으로 인해 계산 비용이 상대적으로 낮아지면서 기계 학습 기법을 지구물리학적 문제에 적용하는 사례가 점차 증가하고 있다. 특히 심층 학습 기법이 복잡하고 비선형적인 문제를 성공적으로 해결하는 사례가 많아지면서 큰 인기를 얻고 있다. 이 논문에서는 심층 학습 기법을 이용한 탄성파 자료 잡음 제거 적용사례를 조사하고 소개하였다. 감쇠하고자 하는 잡음 유형에 따라 일관성 잡음 적용사례, 무작위 잡음 적용사례, 일관성 잡음 및 무작위 잡음 적용사례로 분류하였고 해당 잡음 제거에 사용된 심층 학습 기법에 대해 조사하였다. 대표적인 심층 학습 기법인 심층 신경망은 탄성파 잡음 제거에 사용된 기존 기법과 달리 잡음의 특징을 스스로 학습하며 매개변수를 자동으로 최적화한다. 따라서 기존 기법에 비해 일반화 문제에 덜 민감하며 인적 비용을 절감할 수 있다. 또한 여러 연구 사례를 통해 계산 비용이나 잡음 제거 성능 측면에서도 심층 학습 기법이 뛰어난 성과를 달성하는 것을 보여주었다. 연구 결과들을 토대로 탄성파 잡음 제거에 사용된 심층 학습 기법의 장단점에 대해 분석하고 논의하였다.

• 한국해안·해양공학회논문집
• /
• 제31권5호
• /
• pp.241-252
• /
• 2019

폭풍으로 인한 연안재해 피해에 대한 적절한 대응책을 수립하기 위해서는 빈도 해일고 산정에 대한 연구가 필요하다. 과거에 관측된 태풍은 모집단 수가 적기 때문에 tropical cyclone risk model(TCRM)을 이용해 역사태풍의 이동경로와 중심기압을 확률밀도함수로 추정하여 확률적으로 발생하는 176,689개의 합성태풍을 생성하였다. 아울러 중국 남동부 연안으로 상륙한 후 재부상 하거나 소멸되는 태풍 특성을 합성태풍에 고려하기 위해 역사태풍의 이동각도를 확률밀도함수로 추정하고 감쇠 매개변수와 함께 적용하여 중국 남동부 연안에서 서남해안으로 이동하는 태풍의 통과율이 개선되었다. 태풍속성은 역사태풍으로부터 분석하였으며 중심기압과 최대풍속($V_{max}$), 최대풍속 반경($R_{max}$)의 상관관계식을 산정하여 합성태풍에 적용하였다. 해일고는 ADCIRC 모형을 이용해 조석과 합성태풍을 고려하여 산정하였으며 Perl script로 자동화하였다. 확률적으로 발생시킨 합성태풍에 의한 해일고는 실제 자연현상에서 발생하는 해일고와 유사하게 나타나기 때문에 빈도 해일고를 산정할 수 있다. 따라서 일반화된 극치분포(Generalized Extreme Value, GEV)의 모수를 추정하여 극치 해일고를 산정하였으며, 100년 빈도 해일고는 경험모의기법으로 산정한 빈도 해일고와 비교하여 만족스러운 결과가 도출되었다. 본 연구에서 제안한 방법은 일반 해역에서 빈도 해일고 산정시 활용될 수 있다.

• 대한토목학회논문집
• /
• 제26권3B호
• /
• pp.279-289
• /
• 2006

최근에 수문시계열로부터 저차원의 비선형 거동을 재구성하고자 하는 연구가 활발히 진행되고 있다. 이러한 관점에서 본 연구에서는 Support Vector Machine(SVM)을 이용하여 우수한 상태-공간 재구성 능력을 갖는 비선형 예측모형을 구성하여 Great Salt Lake(GSL) Volume에 적용하였다. SVM은 Kernel 함수로부터 유도된 고차원의 특성공간 안에서 선형함수의 가상공간을 이용하는 Machine Learning 방법론이다. 또한 SVM은 훈련자료로부터 얻어지는 평균제곱오차가 아닌 일반화된 오차를 최소화함으로써 상대적으로 기존 방법에 비해 적은 수의 매개변수와 과적합(over fitting)을 피하면서 비선형 함수의 최적화가 가능하다. 본 연구에서 제시한 SVM 회귀분석의 적용성은 미국의 GSL의 2주 간격 Volume을 대상으로 검토하였다. SVM을 이용한 비선형 예측모형은 GSL Volume의 2주(1-Step), 8주(4-Step)와 반복예측(Iterated Prediction, 121-Step)까지 적용되었다. 본 연구에서는 극치사상 즉, 급격한 감소 및 증가 구간을 예측하는데 있어서 훈련구간과 예측구간을 구분하여 모형의 신뢰성을 평가하였다. 예측결과SVM은 훈련자료로부터 적은 수의 관측치를 이용하여 동역학적 거동을 추출할 수 있었으며 실제 관측자료와 거의 유사한 예측이 가능함을 통계적 지표로 확인할 수 있었다. 따라서 비선형 수문시계열의 단기 예측을 위한 모형으로 적용이 가능할 것으로 판단된다.

• 대한원격탐사학회지
• /
• 제17권1호
• /
• pp.1-14
• /
• 2001

굴절 지수 구조 매개 변수(refractive index structure parameter) $C_n^2$의 증가는 보통 가온위(virtual potential temperature) ${\theta}_v$와 혼합비(mixing ratio) q의 연직 기울기가 최대가 되는 고도에서 발생하며, 대류 경계층(convective boundary layer)의 고도를 추정하는데 있어서 매우 유용한 매개 변수로 사용된다. 이 연구에서는 대류 경계층 고도의 추정에 이용되는 $C_n^2$ 첨두의 발생 특성이 조사되었으며, 또한 UHF 레이더로 관측된 $C_n^2$와 연직 속도의 분산 ${\sigma}_w$ 자료를 이용하여 대류 경계층 고도를 객관적으로 추정하는 방법이 제시되었다. UHF 레이더의 $C_n^2$ 연직 분포에서 첨두는 대류 경계층의 정상부뿐만 아니라 잔류층의 정상부나 구름층에서도 발생하였다. 약한 태양 복사로 연직 혼합이 뚜렷하지 않은 경우에 대류 경계층 고도에 상응하는 $C_n^2$ 첨두는 레윈존데(rawinsonde) 관측 자료로부터 추정된 대류 경계층 고도보다 약간 낮았다. 반면에, 강한 태양 복사에 의해 연직 혼합이 강하고 유입대에서 ${\theta}_v$와 q의 연직 기울기가 매우 클 경우에 대류 경계층 고도에 상응하는 $C_n^2$ 첨두는 레윈존데 관측 자료로부터 추정된 대류 경계층 고도와 잘 일치하였다. $C_n^2$ 첨두의 고도를 대류 경계층 고도로 결정하는 최대 후방 산란 강도 방법(maximurn backscatter intensity method)은 $C_n^2$ 연직 분포에서 하나의 첨두가 있을 경우에는 오류 없이 대류 경계층 고도를 추정하였지만 대류 경계층 고도 위에 잔류층이나 구름층이 있을 경우에는 대류 경계층 고도를 잘못 추정하였다. 본 연구에서 새로이 제시된 방법은 UHF 레이더의 $C_n^2$와 ${\sigma}_w$ 자료를 이용하여 대류 경계층 고도로부터 오는 $C_n^2$ 첨두를 잔류층이나 구름층으로부터 오는 $C_n^2$ 첨두로부터 구별하여 오류 없이 대류 경계층 고도를 추정하였다. 또한 이 방법은 대류 경계층 고도의 일반화 추정에 적용되었으며, 후방 산란 강도의 연직 분포에서 두개의 첨두가 존해할 경우에도 더욱 신뢰성 있고 안정되게 대류 경계층 고도를 실시간으로 추정하였다.

• 한국인터넷방송통신학회논문지
• /
• 제17권6호
• /
• pp.69-78
• /
• 2017

5G 스마트폰의 샤논과 신호처리의 푸리에가 표본화정리(최고 주파수의 2배분1 즉, $\frac{1}{2f_n}=T$)에서 만난다. 본 논문에서는 초기 샤논 정리가 Point-to-Point에서 샤논 용량을 구했지만 5G는 Multi point MIMO로 기술이 발전했음을 Relay 채널에서 보인다. 푸리에 변환은 고정매개변수로 신호처리를 했는데, 멀티미디어 시대에 2N-1 다변수인 푸리에-Jacket 변환을 제안해서 성능을 분석했다. 이 연구에서 저자는 시간 계산 측면에서 프리 코딩 / 디코딩 복잡성을 줄이기위한 Jacket 기반의 빠른 방법을 제안함으로써 신호 처리의 복잡성 문제를 해결한다. 재킷 변환은 신호 처리 및 코딩 이론에서 응용 프로그램을 찾는 것으로 나타냈다. 재킷 변환은 속성 $AA^{\dot{+}}=nl_n$이 있는 필드 F에 대해 $n{\times}n$ 행렬 $A=(a_{jk})$로 정의되며, 여기서 $A^{\dot{+}}$는 A의 원소 역행렬의 전치 행렬, 즉 $A^{\dot{+}}=(a^{-1}_{kj})$이며, 이는 변환을 일반화하고 중심 가중 변환, 특히 재킷 변환 특성을 이용하여, 저자는 전송 기반의 중계 기반 DF 협동 무선 네트워크에서 분산 다중 입력 다중 출력 채널의 프리 코딩 및 디코딩에 적용하여 새로운 고유치 분해 (EVD : eigenvalue decomposition) 방법을 제안한다. 단일 심볼 디코딩 가능한 시공간 블록 코드를 사용한다. 본 논문은은 제안 된 Jacket 기반 EVD 방법이 기존의 EVD 방법에 비해 계산 시간이 현저히 단축되었다. 계산 시간 단축과 관련된 성능은 수학적 분석 및 수치결과를 통해 정량적으로 평가했다.

• 한국터널지하공간학회 논문집
• /
• 제19권1호
• /
• pp.95-107
• /
• 2017

본 논문에서는 제도적으로 운영 중인 터널내 CCTV들로부터 실시간으로 들어오는 영상들을 최신 딥러닝 알고리즘을 이용, 학습시켜 다양한 조건의 터널환경에서 돌발 상황을 감지하고 그 돌발 상황의 종류들을 분류해 내는 시스템 개발을 위한 사전검토 연구를 수행하였다. 사전검토 연구를 위해, 2개의 도로현장의 교통류 CCTV영상 일부를 이용하여 가용한 전통적인 영상처리기법으로 영상내부로 집입하는 차량을 감지하고, 이동경로를 추적하여 일정 시간간격의 이동 차량의 좌표와 시간정보를 추출하고 학습자료를 구성하였다. 각 차량의 이동정보는 차선변경, 정차 등 6가지의 이벤트 정보와 연계된다. 차량 이동정보와 이벤트로 구성된 학습자료는 레질리언스(resilience) 기계학습 알고리즘을 이용하여 학습하였다. 2개의 은닉층을 설정하고, 각 은닉층의 노드수에 대한 9개의 은닉구조 모델을 설정하여 매개변수 연구를 수행하였다. 본 사전검토의 경우에는 첫 번째, 두 번째 은닉층 노드수가 각각 300개와 150개로 설정된 모델이 합리적으로 가장 추론정확도가 높은 것으로 평가되었다. 이로부터 일반화되기 매우 힘든 복잡한 교통류 상황을 기계학습을 이용하여 어떠한 사전 규칙설정 없이도 교통류의 특징들을 정확히 자동으로 감지할 수 있는 가능성을 보였다. 본 시스템은 시스템의 운용을 통해 지속적으로 교통류 영상과 이벤트 정보가 늘어난다면, 자동으로 그 시스템의 인지능력과 정확도가 자동으로 향상되는 효과도 기대할 수 있다.

• 지능정보연구
• /
• 제24권3호
• /
• pp.1-19
• /
• 2018

최근 딥러닝은 오디오, 텍스트 및 이미지 데이터와 같은 비 체계적인 데이터를 대상으로 다양한 추정, 분류 및 예측 문제에 사용 및 적용되고 있다. 특히, 의류산업에 적용될 경우 딥러닝 기법을 활용한 의류 인식, 의류 검색, 자동 제품 추천 등의 심층 학습을 기반으로 한 응용이 가능하다. 이 때의 핵심모형은 합성곱 신경망을 사용한 이미지 분류이다. 합성곱 신경망은 입력이 전달되고 출력에 도달하는 과정에서 가중치와 같은 매개 변수를 학습하는 뉴런으로 구성되고, 영상 분류에 가장 적합한 방법론으로 사용된다. 기존의 의류 이미지 분류 작업에서 대부분의 분류 모형은 의류 이미지 자체 또는 전문모델 착용 의류와 같이 통제된 상황에서 촬영되는 온라인 제품 이미지를 사용하여 학습을 수행한다. 하지만 본 연구에서는 통제되지 않은 상황에서 촬영되고 사람들의 움직임과 다양한 포즈가 포함된 스트릿 패션 이미지 또는 런웨이 이미지를 분류하려는 상황을 고려하여 분류 모형을 훈련시키는 효과적인 방법을 제안한다. 이동성을 포착하는 런웨이 의류 이미지로 모형을 학습시킴으로써 분류 모형의 다양한 쿼리 이미지에 대한 적응력을 높일 수 있다. 모형 학습 시 먼저 ImageNet 데이터셋을 사용하여 pre-training 과정을 거치고 본 연구를 위해 수집된 32 개 주요 패션 브랜드의 2426개 런웨이 이미지로 구성된 데이터셋을 사용하여 fine-tuning을 수행한다. 학습 과정의 일반화를 고려해 10번의 실험을 수행하고 제안된 모형은 최종 테스트에서 67.2 %의 정확도를 기록했다. 본 연구 모형은 쿼리 이미지가 런웨이 이미지, 제품 이미지 또는 스트릿 패션 이미지가 될 수 있는 다양한 분류 환경에 적용될 수 있다. 구체적으로는 패션 위크에서 모바일 어플리케이션 서비스를 통해 브랜드 검색을 용이하게 하는 서비스를 제공하거나, 패션 잡지사의 편집 작업에 사용되어 브랜드나 스타일을 분류하고 라벨을 붙일 수 있으며, 온라인 쇼핑몰에서 아이템 정보를 제공하거나 유사한 아이템을 추천하는 등의 다양한 목적에 적용될 수 있다.