• Journal of the Korea Academia-Industrial cooperation Society
• /
• v.21 no.4
• /
• pp.518-524
• /
• 2020

This study conducted basic research on an LED lighting design to improve the learning effect from brain wave analysis. The ideal environments of mathematics, language, and creative region can be different. Inside the space where the lighting environment can be experienced directly, the test subject consisted of common elements. Other lighting was blocked completely in controlled lighting conditions. The brain waves were analyzed according to the change in color temperature and illumination. The analyzer used was fabricated by EMOTIV Company. In the variable RGB LED light, the color of the light was measured, and the brain wave of each subject was determined. LED lights have variable color temperature (3000 [K], 4500 [K]. 250 [lux], 70% -350 [lux], 100% -500 [lux]). As research results, the highest concentration in a mathematics study was in the general condition of a high color temperature, in which the optimal condition was a 6000[K] color temperature and 350[lux] illumination. The optimal condition for a language study was a 4500[K] color temperature and 500[lux] illumination, and that of the creative study was 3000[K] color temperature and 500[lux] illumination. Overall, the possibility of emotional ability and concentrated learning efficiency can be improved by the LED lighting design with the color temperature and illumination.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2010.05a
• /
• pp.1605-1609
• /
• 2010

CGCM3.1 SRES B1 시나리오의 2D 변수들을 입력값으로 인공신경망 모형을 이용한 스케일 상세화기법으로 강부식(2009)은 소양강댐 유역의 월 누적강수 경향분석을 실시하였다. 원시 GCM 시나리오를 스케일 상세화 시키기 위한 기법의 하나로 인공신경망 모형을 사용할 수 있는데, 이 경우 GCM에서 모의되는 강수플럭스, 해면기압, 지표면 근처에서의 일 평균온도, 지표면 근처에서의 일평균온도, 지표면으로부터 발생하는 잠열플럭스 등과 같은 22개의 변수를 잠재적인 예측인자로 사용하여 신경망을 구성하게 된다. 입력변수세트의 구성은 인공신경망의 계산 효율을 좌우하는 중요한 요소라 할 수 있다. 본 연구에서는 변수의 물리적 특성을 고려하여 순차적인 변수선택을 통한 신경망 입력변수 세트를 구성하고 입력세트 간의 학습성과 비교를 통하여, 최적 입력변수 선정 및 신경망의 학습효과를 높일 수 있는 방법에 대해 연구하였다. 물리적 상관성이 높다고 판단되는 GCM_Prec, huss, ps를 입력변수로 하여 순차적인 케이스를 학습해본 결과 huss와 ps를 입력변수로 하는 케이스에 대해서 적은 오차와 높은 상관성을 보였다, 또한, 신경망의 학습 효과를 높이기 위해 홍수기와 비홍수기로 구분하여 학습한 결과 홍수기와 비홍수기로 구분하여 신경망을 구성하였을 경우가 향상된 모의값을 나타내었다. 기후변화모의자료는 CCCma(Canadian Center for Climate Modeling and Analysis)에서 제공되는 CGCM3.1/T63 20C3M 시나리오를 사용하였으며, 관측값으로는 AWS에서 제공된 일 누적강수를 사용하였다. 인공신경망의 학습기간은 1997년부터 2000년이며, 검증기간은 2001년부터 2004년으로 구성하였다.

• Proceedings of the KIPE Conference
• /
• 2011.07a
• /
• pp.134-135
• /
• 2011

이 연구의 목적은 백색 LED 광원의 색이라도 색온도에 따라 심리적 안전감과 명시성이 달라진다. 따라서 색온도를 조정할 수 있는 스탠드라이트 광원을 만들면 장시간 사물과 책을 볼 시 눈의 인지능력 향상과 눈의 피로를 감소시킬 수 있다. 본 연구를 통하여 3가지 색온도 백색 3000K 대역, 5000K 대역, 6600K 대역의 LED 광원을 이용하여 산술적 합성의 의하여 4000K 대역, 6000K 대역 등 다양하게 색온도를 구현하여 실제적으로 조명을 조사하여 인지능력과 눈의 피로가 감소 시킬 수 있는 색온도를 갖는 스탠드라이트 광원을 찾는데 목적을 둔다. 또한 4000K인 경우 3000K와 5000K LED 출력을 1:1 비율로 조사하면 4000K의 색온도가 나올 것으로 이론상 가능하고 2:1 비율로 조사하면 3500K의 색온도가 나올 것으로 예상되며 총 9가지의 산술적 조명을 구현한다. 스탠드라이트 광원을 자주 사용하는 고등학생을 대상으로 학습 분위기를 조성할 수 있는 9가지 백색 LED 색온도 광원 중 1개를 선택하여 가장 적합한 조명의 수요도 조사를 하고 본 연구의 색온도 산술적 합성 연구의 실험을 통하여 색온도가 조절 가능한 스탠드 라이트를 상용화 하는데 논문의 목적을 둔다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.01a
• /
• pp.319-321
• /
• 2019

본 논문에서는 수학교육용 소프트웨어에서 확률적 현상을 경험한 이후 과학 그래프 해석에 있어 확률론적 관점을 도입하여 해석하는 학습자의 관점의 변화를 제시한다. 이 연구에서 11명의 고등학교 1학년 학생은 수학교육용 소프트웨어인 지오지브라(GeoGebra)를 활용하여 학습자가 평면 상에서 수직선이나 반원 위에 점을 찍는 활동을 통하여 기하학적 확률을 경험하였으며 이와 같은 경험을 토대로 물의 상평형 그래프를 해석하였다. 물의 상평형 그래프에 나타나는 얼음(고체), 물(액체), 수증기(기체)의 상태 변화에 대하여 각 상태가 나타나는 온도-압력의 영역 간의 경계에 대하여 학습자는 기하학적 확률을 적용하여 해석하려고 하였으나 경계선 위의 온도-압력의 물의 미시적 구조를 표현하는 과정에서 4명의 학생만 확률론적 관점으로 해석하고 그렇지 못한 학생들은 상태의 공존을 물질적 관점이나 과정적 관점으로 이해하였다.

• 한국정보교육학회:학술대회논문집
• /
• 2004.08a
• /
• pp.705-712
• /
• 2004

ICT활용교육이 강조되면서 컴퓨터를 활용한 다양한 교육활동들이 이루어지고 있으나 테크놀로지를 활용한 교육은 거의 전무한 실정이다. 센서라는 테크놀로지를 이용하여 데이터를 수집하고 컴퓨터를 통해 보여주는 학습방식이 등장하면서 이러한 문제점을 해결해 줄 수 있는 대안으로 떠오르고 있다. 하지만 데이터를 수집해서 보여주는 기존의 프로그램들은 초등학생이 사용하기에 어려운 점이 많다. 본 연구는 온도 센서를 이용하여 데이터를 수집할 수 있는 새로운 장치의 구성을 제안하고, 이 장치를 이용하여 수업에 바로 적용 가능하며 초등학생들이 손쉽게 데이터를 이해, 분석할 수 있는 프로그램을 설계하였다. 이를 통해 테크놀로지를 활용한 ICT 교육의 새로운 학습 방법을 제시하고자 하였다.

• Journal of the Korean Institute of Educational Facilities
• /
• v.18 no.2
• /
• pp.25-33
• /
• 2011

This study performs the objective evaluation on simple comparison and calculation works by students under LED illumination conditions according to three types of color temperatures (7000K, 5000K, 3000K) in the classroom, Since the objective of this study is to develop an electric lighting conditions suitable for students in the classroom, the learning performance under three types of LED illumination conditions were analyzed. The 4 kinds of simple tests concerning with learning performance were developed and test results under natural light and LED illumination by 3 types of color temperatures were analyzed. There were differences by t-test in most cases among simple experiment results of different illumination conditions ($p{\leq}.05$). It was confirmed that illumination condition plays an important role when students simply compare words or perform arithmetic calculations. The experimental results of this study might be applied to designing better luminous environment.

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11b
• /
• pp.667-669
• /
• 2005

유비쿼터스 시대를 향하여 나아가는 현대 사회에서 사람들을 위한 추천시스템은 필수 불가결한 요소 중의 하나이다. 추천 시스템 중에서 사용자의 성별, 나이, 직업 등의 인구 통계적 요소를 고려한 시스템이 주를 이루고 있지만 이러한 시스템에는 어느 정도의 한계가 있다. 추천에 있어서 사용자의 기분, 날씨, 온도 등 주변 환경의 상황이 반영되지 않고 있고 학습을 위한 데이터에 대한 신뢰도 또한 문제가 된다. 이러한 문제점을 해결하기 위해 본 논문에서는 상황정보(Context Information)와 공간 데이터 마이닝(Spatial Data Mining) 기법을 이용한 향상된 추천 시스템을 제안한다. 제안하는 시스템에서는 보다 정확한 추천을 위해 첫째, 날씨, 온도, 사용자의 기분 등의 상황정보를 고려하였다. 그리고 사용자의 유사도 측정을 통해 학습 데이터의 신뢰도를 향상시켰으며, 셋째, 의사결정 트리(Decision Tree) 기법을 이용하여 추천의 정확도를 높였다. 실험을 통하여 측정한 결과 제안하는 추천시스템이 기존의 인구 통계적 요소만을 고려한 시스템이나 의사결정 트리만을 이용한 시스템보다 향상된 성능을 보였다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2015.10a
• /
• pp.183-185
• /
• 2015

Recently, big data analysis based on machine learning has gained popularity and many machine learning techniques have been applied to the field of agriculture. By using machine learning technique to analyze huge number of samples of biological and environmental data, new observations can be found. In this research, we consider the estimation of proportional daily weight increase (PDWI) based on measurement data from experimental swine farm. In order to derive the exact formulation for PDWI estimation, we have used measured value of mean, daily maximum, daily minimum of temperature, humidity, CO2, wind speed and measured PDWI values. Based on collected data, we have derived equation for PDWI estimation using tree-based algorithm. In the derived formulation, we have found that the daily average temperature is the most dominant factor that affects PDWI. Our results can be applied to pig farms to estimate the PDWI of swine.

• Journal of the Korean Solar Energy Society
• /
• v.32 no.3
• /
• pp.42-49
• /
• 2012

신경망방법은 공학, 경영 그리고 정보기술과 같이 다양한 분양에서 널리 사용되어지고 있다. 신경망방법은 기본적으로 예측, 제어, 식별과 같은 기능을 가지고 있는데, 본 논문에서는 신경망방법을 이용하여 C사의 모델 T의 히트펌프 전기부하를 예측하였다. 부하예측은 시스템을 더욱 효율적이고, 적절하게 만들기 위해 필요하다. 본 논문에서 사용된 히트펌프는 지열원 히트 펌프 시스템이다. 이 지열 히트 펌프의 부하는 사전에 미리 예측되어진 외기온도 및 건물 열부하에 따라 측정 학습된 전력 소비량으로 겨울에는 난방, 여름에는 냉방에 대한 전력 부하를 예측할 수 있다. 이 신경망방법은 신경망 학습 순서를 통해 부하 예측을 위해 히트펌프의 성능데이터를 필요로 한다. 이 부하 예측 인공지능망 방법으로 외기 온도별 건물 통합형 지열 히트 펌프 부하가 예측되어질 수 있다.

• The Journal of the Convergence on Culture Technology
• /
• v.9 no.4
• /
• pp.487-494
• /
• 2023

In this study, performance comparison was performed on R and TensorFlow, which are free deep learning tools. In the experiment, six types of deep neural networks were built using each tool, and the neural networks were trained using the 10-year Korean temperature dataset. The number of nodes in the input layer of the constructed neural network was set to 10, the number of output layers was set to 5, and the hidden layer was set to 5, 10, and 20 to conduct experiments. The dataset includes 3600 temperature data collected from Gangnam-gu, Seoul from March 1, 2013 to March 29, 2023. For performance comparison, the future temperature was predicted for 5 days using the trained neural network, and the root mean square error (RMSE) value was measured using the predicted value and the actual value. Experiment results shows that when there was one hidden layer, the learning error of R was 0.04731176, and TensorFlow was measured at 0.06677193, and when there were two hidden layers, R was measured at 0.04782134 and TensorFlow was measured at 0.05799060. Overall, R was measured to have better performance. We tried to solve the difficulties in tool selection by providing quantitative performance information on the two tools to users who are new to machine learning.