• 한국산학기술학회논문지
• /
• 제14권2호
• /
• pp.681-687
• /
• 2013

본 연구는 학습 환경의 실내 온도와 학습재료 색채와의 조합이 학습수행에 어떠한 영향을 미치는 지를 살펴보고자 하였다. 이를 위해 학습활동 적정온도($22.5{\sim}24^{\circ}C$)를 중심으로(중립 실내 온도 조건), 그 이상인 조건(고온 실내온도 조건), 그리고 그 이하인 조건(저온 실내 온도 조건)으로 각각 실내 온도 조건을 구분하였으며, 난색계열인 빨간색과 한색계열인 파란색, 그리고 중성인 검은색과 연두색으로 각각 색채 조건을 구분하였다. 학습과 관련된 과제로는 음운 작업기억 과제를 사용하여 집단 간 실내 온도 조건에 따른 색채 조건에서의 과제 수행을 살펴보았다. 그 결과, 학습과제의 반응시간에서는 각 독립변수들에 의한 차이가 유의하지 않은 반면, 정확률에서는 색채 조건 중 빨간색과 검은색 조건에서 보다 정확한 수행이 나타났다. 이는 빨간색이 가진 현저성과 색채 온도감 및 검정색이 가진 친숙성과 다른 색에 비해 유일하게 현저성을 가지지 않는 특이성이 존재하기 때문에 나타난 결과로 해석할 수 있다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2015년도 제51차 동계학술대회논문집 23권1호
• /
• pp.135-136
• /
• 2015

본 논문에서는 무선 랜(Wi-Fi)을 통하여 학습 환경 구축을 위해 LED 조명 색 온도를 제어하는 방법을 설명 하고, LED 조명을 위한 Android App 개발 과정을 설명한다. 스마트폰과 LED 조명은 Wi-Fi를 통해 통신하며, JAVA언어로 개발한 Android App을 이용하여 학습 주제에 따른 색온도(Color Tempeaure)로 제어하게 되면 LED 조명 색온도가 변경되어 학습 환경 구축이 완료되어, 집중력 향상으로 인한 학습 능률이 증가된다.

• 응용통계연구
• /
• 제32권2호
• /
• pp.319-330
• /
• 2019

과거의 전력소모량을 분석하여 미래의 전력소모량을 예측하는 것은 에너지 계획과 정책 결정에 있어 많은 이점을 가져다준다. 기계학습은 최근 전력소모량을 예측하는 분석 방법으로 많이 사용하고 있다. 그중 앙상블 학습은 모형의 과적합 현상을 방지하고 분산을 줄여 예측의 정확성을 높이는 방법으로 알려져 있다. 하지만 일별 데이터에 앙상블 학습을 적용했을 때 분석 방법의 특성으로 인해 피크를 잘 나타내지 못하고 중심값으로 예측하는 단점을 보였다. 본 연구에서는 앙상블 학습 전에 온도 변수와의 상관성을 고려하여 선형모형으로 적합함으로써 앙상블 학습의 단점을 보완한다. 그리고 9개의 모형을 비교한 결과 온도 변수를 선형모형으로 적합하고 랜덤포레스트를 사용한 모형이 결과가 가장 좋음을 보여준다.

• 한국에너지공학회:학술대회논문집
• /
• 한국에너지공학회 1994년도 추계학술발표회 초록집
• /
• pp.17-22
• /
• 1994

오류역전파 신경망을 인산형 연료전지의 조업변수인 산소 및 수소 유량, 작동온도에 대하여 학습시켜 연료전지 모델을 구성하였다. 또한 구성된 모델을 이용하여 다양한 조업조건에서의 단위전지 성능을 예측하여 이를 실험결과와 비교하였으며, 학습된 신경망을 ASPEN PLUS의 단위공정으로 도입하여 50kW 출력의 연료전지 공정을 구성한 후 조업변수에 대한 영향을 살펴보았다. 3개의 층으로 구성된 오류역전파 신경망은 학습단계상수와 모멘텀이 각각 0.7 및 0.9인 경우 단위전지 성능곡선을 가장 정확히 학습하였으며, 이에 의하여 구성된 신경망 모델은 수소 및 산소의 유량, 온도의 변화에 따른 단위전지 성능곡선의 변화를 정확히 예측하였다. 연료전지 전체공정의 모사에서는 개질기의 경우 $600^{\circ}C$의 상압에서 수증기/탄화수소 비율이 2.6일 때, 연료전지의 경우 작동온도가 190~20$0^{\circ}C$일 때 연료전지의 출력이 최대값을 나타내었으며, 단위전지의 전기화학적 효율은 약 45%, 수소이용률은 약 61%, 발전시스템 전체의 효율은 18%이었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2009년도 학술발표회 초록집
• /
• pp.179-183
• /
• 2009

본 연구에서는 GCM 기후변화 전망 시나리오를 이용하여 유역단위의 기후변화를 추정하였다. 원시 GCM 시나리오를 지역화 시키기 위해서 인공신경망 모형을 사용하였다. GCM에서 모의되는 강수플럭스, 해면기압, 지표면 근처에서의 일 평균온도, 지표면으로부터 발생하는 잠열플럭스 등과 같은 22개의 변수는 인공신경망의 잠재적 예측인자로 사용되었으며, AWS에서 관측된 강수량과 온도는 예측변수로 사용되었다. 원시 GCM 데이터는 CCCma(Canadian Centre for Climate Modeling and Analysis)에서 제공되는 CGCM3.1/T63 20C3M 시나리오를 사용하였으며, 인공신경망 학습과정에서 사용된 기준시나리오(reference scenario)자료의 기간은 1997년부터 2000년까지의 데이터를 사용하였다. 인공신경망을 학습을 통하여 결정된 각 층사이의 가중치를 이용하여 이산화탄소 배출농도를 가정하여 생성된 CGCM3.1/T63 SRES B1 기후변화시나리오(project scenario)를 인공신경망의 입력값으로 하여 미래의 기온과 강수변화를 전망하였다. 신경망의 학습효과를 높이기 위하여 기온과 강수에 대한 평균 및 누적기간을 각각 일단위와 월단위로 설정하였다. 본 연구에서 사용된 인공신경망은 3층 퍼셉트론(다층 퍼셉트론)을 사용하였으며, 학습방법으로는 역전파알고리즘(back-propagation algorithm)을 이용하였다. 민감도분석을 통하여 선택된 예측인자는 소양강댐유역(1011, 1012소유역)에서의 인공신경망 예측인자로 활용되었으며, 2001년부터 2100년까지의 일 평균온도와 일 강수량의 변화경향을 추정하였다. 1011유역, 1012유역에서는 여름철의 온도변화경향이 겨울철에 비하여 높게 나타났다. 일 평균온도의 통계분석 결과 평균예측오차가 가장 적게 나타나는 지역은 1001유역으로 -0.08로 평균예측오차가 가장 적게 나타났으며, 인공신경망기법을 이용하여 스케일 상세화된 일 평균온도와 관측된 일 평균온도가 얼마나 잘 일치하는지를 확인할 수 있는 1012유역에서 CORR이 0.74로 가장 높게 나타났다.

• 대한원격탐사학회지
• /
• 제34권6_2호
• /
• pp.1261-1272
• /
• 2018

북극 지역의 대기 온도는 바다 및 해빙, 대기 사이의 에너지 교환에 큰 역할을 하므로 북극 대기 온도를 정확하게 파악하는 것은 중요하다. 하지만 현장 관측 자료들은 북극 대기 온도의 공간적인 분포를 나타내는 데에 한계가 있다. 따라서 본 연구에서는 부이(buoy) 자료와 Advanced Microwave Scanning Radiometer 2(AMSR2) 위성자료를 이용하여 기계학습 기반 여름철 대기 온도 추정 모델을 구축하였다. 기계학습으로는 random forest(RF) 및 support vector machine(SVM)을 사용하였으며, AMSR2 관측 시간에 따라 하루 두 번의 대기 온도를 추정하였다. 또한 추정된 대기 온도를 유럽 중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)의 ERA-Interim 재분석자료의 대기 온도와 공간 분포를 비교하였다. 교차 검증 결과 두 가지 기계학습 기법 모두 0.84-0.88의 $R^2$ 및 $1.31-1.53^{\circ}C$의 RMSE를 보였다. 공간적인 분포에서 IABP 부이 관측 자료가 존재하지 않는 바렌츠해(Barents Sea), 카라해(Kara Sea) 및 배핀만(Baffin bay) 지역에서는 기계학습 모델이 ERA-Interim 대기 온도에 비하여 과소 추정하는 경향을 보였다. 본 연구는 경험적인 북극 대기 온도 추정의 가능성과 한계점을 서술하였다.

• 한국산학기술학회:학술대회논문집
• /
• 한국산학기술학회 2010년도 추계학술발표논문집 1부
• /
• pp.421-423
• /
• 2010

본 논문에서는 특정한 공간에서 학습하는 학습자들의 학습환경을 최적화하여 학습능률을 향상시키기 위한 방안으로서 유비쿼터스 센서네트워크 기술을 활용한 학습지원시스템을 구축한다. 이를 위해 특정 공간에 실내외에 부착된 센서노드를 활용하여 온도, 습도, 조도 등의 정보를 수집하고, 이들 정보와 학습자들로부터 파악한 정보를 분석하여 최적의 학습환경을 조성하기 시스템에 대해 연구한다.

• 생물환경조절학회지
• /
• 제31권3호
• /
• pp.152-162
• /
• 2022

본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층6에서 r² 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.167-167
• /
• 2018

토양수분은 토양에 포함된 평균 수분량을 나타내며 수문 순환 관점에서 매우 중요한 수문변량 중 하나이다. 본 연구에서는 대표적인 기계학습 방법인 Support Vector Machine (SVM)을 이용한 토양 함수 예측 기법을 개발하고자 하며, 예측인자로서 원격 탐측 기반의 토양함수자료, 강수량, 온도 등을 활용하고자 한다. SVM은 Kernel 함수를 이용하여 복잡한 비선형 관계를 선형 가정을 통해서 해석하는 기계학습 방법으로서 전역모델(global model)로서 다양한 수문기상분야에 적용이 이루어지고 있다. SVM의 장점은 일정 부분의 오차를 허용함으로서 모형의 일반화 측면에서 기존 인공신경망(artificial neural network, ANN)에 비해 우수한 성능을 나타내며, 특히 예측모형으로서 적용성이 매우 크다. 본 연구에서는 과거 토양 함수 자료와 강수, 온도, 위성 관측 기반 정보 등을 이용하여 모형을 적합시키고 이를 미계측 유역으로 확장하는데 연구의 목적이 있으며, 본 연구를 통해 제안된 모형은 용담댐 시험유역을 대상으로 적용되며 기존 ANN 모형 및 다중회귀분석 결과와 비교를 통해 모형의 적합성을 평가하고자한다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2022년도 추계학술발표대회
• /
• pp.670-672
• /
• 2022

이러닝 시스템을 유용하게 활용하려면 학습자의 감정을 인식하여 학습자에게 적절한 피드백을 주는 것이 무엇보다 중요하다. 이러닝 시스템의 학습효율을 높이기 위해서는 학습자의 감정을 인식하여 그에 적절한 피드백을 제공하는 것이 중요하다. 본 논문에서는 학습자에 대한 적절한 피드백을 제공하기 위해서 상황인식 컴퓨팅 기술을 바탕으로 학습자의 감정표현단어를 상황정보로 사용하여 감정을 인식할 수 있는 상황인식 미들웨어로서 EF-CAM을 제안한다. EF-CAM은 감정표현단어의 범주화기술을 기반으로 온톨로지를 구축하여 학습자의 감정을 인식한다. 이러닝 학습자의 감정을 인식하기 위해서 학습자의 감정표현 단어를 상황정보로 사용하고, 학습자의 감정에 영향을 미칠 수 있는 환경정보(온도, 습도, 날씨 등)를 추가하여 인식한다. 학습자의 감정을 표현하기 위해서 OWL 언어를 사용하여 온톨로지를 구축하였다.