• 한국정보통신설비학회:학술대회논문집
• /
• 2008.08a
• /
• pp.579-583
• /
• 2008

본 논문은 이더넷이 비동기식으로 전송됨으로 인해, 동일한 전송속도를 가진 장비라 할지라도 링크가 제공하는 명목상의 최대속도로 전송될 경우, 상호 접속한 장비간의 전송클럭 차이로 인해 프레임의 손실이 발생한다. 본 논문에서는 PHY에서 복원된 수신 클럭과 송신 클럭의 차이를 비교하고 동시에 프레임버퍼에 쌓인 큐를 참조하여 프레임 손실이 방생할 수 있는 임계치를 넘어설 경우, 전송프레임의 프리엠블 길이를 조정함으로써 이더넷 장비에서 전송클럭의 차이로 인한 프레임손실을 줄일 수 있음을 확인하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.942-945
• /
• 2019

현재 딥러닝은 컴퓨터 분야에서 이미지 처리 방법으로 활용도가 높아지면서 딥러닝 모델 개발 연구가 활발히 진행되고 있다. 딥러닝 모델 중에서 이미지 생성모델은 대표적으로 GAN(Generative Adversarial Network, 생성적 적대 신경망) 모델을 활용하고 있다. GAN은 생성기 네트워크와 판별기 네트워크를 이용하여 진짜 같은 이미지를 생성한다. 생성된 이미지는 실제 이미지와의 오차를 최소화해야 하며 이때 사용하는 함수를 손실함수라고 한다. GAN에서 손실함수는 이미지를 생성하는 학습이 불안정하여 이미지 품질이 떨어지는 문제가 있다. 개선된 GAN 관련 연구가 진행되고 있지만 완전한 문제 해결에는 부족하다. 본 논문은 7개의 GAN 모델에서 사용하는 손실함수를 분류하고 특징을 분석한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2009.04a
• /
• pp.745-749
• /
• 2009

RFID 기술을 사용하는 환경에서는 태그와 리더간에 Radio Frequency 를 이용한 무선 통신을 하기 때문에 서로간의 데이터 손실 없이 성공적인 통신을 항상 보장하기는 어렵다. 태그가 리더 영역 내에 있다 하더라도 주변 다른 전자제품의 전파 방해나 장애물의 영향으로 인해 센서 태그로부터 센싱 데이터를 읽는 도중에 데이터 손실이 발생 할 수 있다. 이러한 센서 데이터는 콜드 체인과 같은 물류환경에서 상품을 관리하기 위하여 중요하게 사용되기 때문에 센싱 데이터를 전송하는 도중에 손실된 데이터를 복구해야 한다. 본 논문에서는 반능동형 센서 태그로부터 센싱 데이터 값을 손실 하였을 때 완전한 결과 데이터로 복구하기 위한 회복 기법을 제안한다. 이를 지원하기 위해 결과 데이터 복구 기법과 Packet Size 제어 기법을 사용한다. 이 기법들은 회복 기법이 성공적인 데이터의 읽기 연산을 보장하고, 읽기 처리 속도를 빠르게 하는데 중요한 역할을 한다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2022.06a
• /
• pp.224-227
• /
• 2022

객체 분류는 입력으로 주어진 이미지에 포함된 객체의 종류를 판단하는 기술이다. 대표적인 딥러닝 기반의 객체 분류 방법으로서 Faster R-CNN[2], YOLO[3] 등의 모델이 개발되었으나, 여전히 성능 향상의 여지가 있다. 본 연구에서는 각도 마진 손실 함수를 기존의 몇 가지 객채 분류 모델에 적용하여 성능 향상을 유도한다. 각도 마진 손실 함수는 얼굴 인식 모델인 SphereFace [4]에서 제안한 방법으로, 얼굴 인식과 같이 단일 도메인의 데이터셋을 분류하는 문제를 풀기 위해 제안되었다. 이는 기존 소프트맥스 함수에서 클래스 결정 경계선에 마진을 주는 방식으로 클래스 간의 구분 능력을 향상시킨다. 본 논문은 각도 마진 손실 함수를 CIFAR10, CIFAR100 데이터셋의 분류 문제에 적용하였으며 ResNet, EfficientNet, MobileNet 등의 백본 네트워크로 실험하여 평균적으로 mAP 성능이 향상되는 것을 확인하였다.

• Geophysics and Geophysical Exploration
• /
• v.26 no.3
• /
• pp.114-125
• /
• 2023

The physics-informed neural network (PINN) has been proposed to overcome the limitations of various numerical methods used to solve partial differential equations (PDEs) and the drawbacks of purely data-driven machine learning. The PINN directly applies PDEs to the construction of the loss function, introducing physical constraints to machine learning training. This technique can also be applied to wave equation modeling. However, to solve the wave equation using the PINN, second-order differentiations with respect to input data must be performed during neural network training, and the resulting wavefields contain complex dynamical phenomena, requiring careful strategies. This tutorial elucidates the fundamental concepts of the PINN and discusses considerations for wave equation modeling using the PINN approach. These considerations include spatial coordinate normalization, the selection of activation functions, and strategies for incorporating physics loss. Our experimental results demonstrated that normalizing the spatial coordinates of the training data leads to a more accurate reflection of initial conditions in neural network training for wave equation modeling. Furthermore, the characteristics of various functions were compared to select an appropriate activation function for wavefield prediction using neural networks. These comparisons focused on their differentiation with respect to input data and their convergence properties. Finally, the results of two scenarios for incorporating physics loss into the loss function during neural network training were compared. Through numerical experiments, a curriculum-based learning strategy, applying physics loss after the initial training steps, was more effective than utilizing physics loss from the early training steps. In addition, the effectiveness of the PINN technique was confirmed by comparing these results with those of training without any use of physics loss.

• The KIPS Transactions:PartC
• /
• v.11C no.7 s.96
• /
• pp.879-888
• /
• 2004

Ad Node transmits packets to a destination node using routing function of intermediate nodes on the path in Ad Hoc networks. When the link to a next hop node in a path is broken due to the next hop node's mobility, a new route search process is required for continuing packets transmission. The node which recognizes link fault starts a local route recovery or the source node starts a new route search in the on demand routing protocol AODV. In this case, the new route search or the local route search brings packet delays and bad QoSs by packet delay. We propose RPAODV that the node predicts a link fault selects a possible node in neighbor nodes as a new next hop node for the path. The proposed protocol can avoid path faults and improve QoS.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2006.05a
• /
• pp.898-901
• /
• 2006

In this paper, effect of ceramic processing was investigated on the magnetic properties of low loss Mn-Zn ferrite. High frequency characteristics, high saturated magnetic flux density and high magnetic permeability and low magnetism loss are required for the development of Mn-Zn ferrite, which is parts in the communication. therefore, in order to improve Mn-Zn ferrite with a high frequency , it is important to have a minimal change of particles and to control the eddy current loss caused by high resistance of the stratum of particles and to reduce the hysteresis loss by uniform change of detailed structure. In this paper, we added $V_2O_5\;and\;CaCo_3$ to Mn-Zn Ferrite to achieve a high efficiency, low loss core material. The compositions are MnO : ZnO : $Fe_2O_3$ = 21 : 10 : 69 mol%. They were sintered at $1250^{\circ}C$ for Three hours. Initial permeability was measured at 0.1MHz. At 50mT, Power loss was measured by temperature changing at 100kHz.

• Journal of the Korea Society of Computer and Information
• /
• v.29 no.2
• /
• pp.1-12
• /
• 2024

Predicting path loss is one of the important factors for wireless network design, such as selecting the installation location of base stations in cellular networks. In the past, path loss values were measured through numerous field tests to determine the optimal installation location of the base station, which has the disadvantage of taking a lot of time to measure. To solve this problem, in this study, we propose a path loss prediction method based on machine learning (ML). In particular, an ensemble learning approach is applied to improve the path loss prediction performance. Bootstrap dataset was utilized to obtain models with different hyperparameter configurations, and the final model was built by ensembling these models. We evaluated and compared the performance of the proposed ensemble-based path loss prediction method with various ML-based methods using publicly available path loss datasets. The experimental results show that the proposed method outperforms the existing methods and can predict the path loss values accurately.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2001.04b
• /
• pp.1157-1160
• /
• 2001

본 논문에서는 ATM 망에서 사용되고 있는 예방적 트래픽 제어 방법의 하나인, 사용 변수 제어(Usage Parameter Control)를 ATM 셀(Cell) 헤더(Header) 내에 있는 셀손실 우선 순위 정보(Cell Loss Priority Bit)를 기반으로 하는 개선된 UPC 알고리즘을 제안하고 그것을 구현하였다. 제안한 알고리즘은 우선순위가 높은 셀의 손실을 최소로 하고, 트래픽의 다중화 및 역다중화 과정에서 발생되는 트래픽의 군집성(Birstness of the traffic)을 해소할 수 있다는 장점을 갖고 있다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.01a
• /
• pp.25-26
• /
• 2020

본 논문에서는 머신러닝을 이용한 이미지 생성을 위한 새로운 오차 함수모델을 제안한다. 제안된 함수모델은 기존 오차함수가 반영하지 못하던 채널 간 오차비율정보를 반영하여 기존 오차함수에 비해 빠른 초기 수렴속도와 더 좋은 FID값을 보인다. 본 논문에서는 하나의 네트워크 모델을 통해 기존의 오차함수모델에 비해서 우수함을 보인다.