• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제18권1호
• /
• pp.46-63
• /
• 2024

One of the biggest dangers in the globe is water contamination. Water is a necessity for human survival. In most cities, the digging of borewells is restricted. In some cities, the borewell is allowed for only drinking water. Hence, the scarcity of drinking water is a vital issue for industries and villas. Most of the water sources in and around the cities are also polluted, and it will cause significant health issues. Real-time quality observation is necessary to guarantee a secure supply of drinking water. We offer a model of a low-cost system of monitoring real-time water quality using IoT to address this issue. The potential for supporting the real world has expanded with the introduction of IoT and other sensors. Multiple sensors make up the suggested system, which is utilized to identify the physical and chemical features of the water. Various sensors can measure the parameters such as temperature, pH, and turbidity. The core controller can process the values measured by sensors. An Arduino model is implemented in the core controller. The sensor data is forwarded to the cloud database using a WI-FI setup. The observed data will be transferred and stored in a cloud-based database for further processing. It wasn't easy to analyze the water quality every time. Hence, an Optimized Neural Network-based automation system identifies water quality from remote locations. The performance of the feed-forward neural network classifier is further enhanced with a hybrid GA- PSO algorithm. The optimized neural network outperforms water quality prediction applications and yields 91% accuracy. The accuracy of the developed model is increased by 20% because of optimizing network parameters compared to the traditional feed-forward neural network. Significant improvement in precision and recall is also evidenced in the proposed work.

• 한국환경과학회지
• /
• 제15권2호
• /
• pp.141-155
• /
• 2006

This study is aimed at the development of a runoff forecasting model to solve the uncertainties occurring in the process of rainfall-runoff modeling and improve the modeling accuracy of the stream runoff forecasting, The study area is the downstream of Naeseung-chun. Therefore, time-dependent data was obtained from the Wolpo water level gauging station. 11 and 2 out of total 13 flood events were selected for the training and testing set of model. The model performance was improved as the measuring time interval$(T_m)$ was smaller than the sampling time interval$(T_s)$. The Neuro-Fuzzy(NF) and TANK models can give more accurate runoff forecasts up to 4 hours ahead than the Feed Forward Multilayer Neural Network(FFNN) model in standard above the Determination coefficient$(R^2)$ 0.7.

• 한국통신학회논문지
• /
• 제26권11C호
• /
• pp.75-84
• /
• 2001

본 논문에서는 신경망을 이용한 실시간 고장 검출 및 진단(FDD : Fault Detection and Diagnosis) 시스템을 제안한다. 제안된 시스템은 공조 시스템(FDD : Air Handling Unit)에서 발생 가능한 여러 고장들을 검출하고 진단할 수 있다. 고장 검출 및 진단 기법으로 3층 구조의 전방향(feed-forward) 신경망을 사용하였고, 여기에 사용된 학습 방법은 역전파(back-propagation) 학습 알고리즘이다. 공조 시스템에 적용된 실시간 고장 검출 및 진단 시스템은 비주얼 C++와 비주얼 베이직을 사용하여 구현하였다. 제안된 고장 검출 및 진단 시스템을 실제 운전 중인 공조 시스템에 적용하여 실험하였고, 정확한 고장 검출 및 진단이 수행됨을 실험 결과로서 입증하였다.

• 한국정보과학회 언어공학연구회:학술대회논문집(한글 및 한국어 정보처리)
• /
• 한국정보과학회언어공학연구회 2015년도 제27회 한글 및 한국어 정보처리 학술대회
• /
• pp.124-128
• /
• 2015

문맥의존 철자오류는 해당 단어만 봤을 때에는 오류가 아니지만 문맥상으로는 오류인 문제를 말한다. 이러한 문제를 해결하기 위해서는 문맥정보를 보아야 하지만, 형태소 분석 단계에서는 자세한 문맥 정보를 보기 어렵다. 본 논문에서는 형태소 분석 정보만을 이용한 철자오류 수정을 위한 문맥으로 사전훈련(pre-training)된 단어 표현(Word Embedding)를 사용하고, 기존의 기계학습 알고리즘보다 좋다고 알려진 딥 러닝(Deep Learning) 기술을 적용한 시스템을 제안한다. 실험결과, 기존의 기계학습 알고리즘인 Structural SVM보다 높은 F1-measure 91.61 ~ 98.05%의 성능을 보였다.

• International Journal of Computer Science & Network Security
• /
• 제21권12호
• /
• pp.75-80
• /
• 2021

In this paper, a dual-band Koch Snowflake antenna is proposed for wireless communication systems. Fractal geometry, CPW-feed and stepped ground planes are used to improve the impedance bandwidth. By properly introducing a hexagonal split-ring slot to radiating element, a lower frequency band is generated. The proposed structure is fabricated and tested. Experiment results exhibit dual-band of 0.73-0.98 GHZ and 1.6-3.1 GHz which makes this antenna suitable candidate for GSM900, GSM1800, UTMS2100, Wi-Fi 2400 and LTE2600 bands. In addition, a good radiation pattern, a satisfactory peak gain and a radiation efficiency, which reaches 95%, are achieved.

• 대한전자공학회논문지TC
• /
• 제38권2호
• /
• pp.19-27
• /
• 2001

FDTD법을 이용하여 GPR의 응답을 계산하기 위해서는 정확하고 효율적인 안테나 급전 모델이 매우 중요하다. 기존 문헌에 의하면 각주파수 영역에서 등가 회로망 모델, 시간영역에서 1차원 전송선 셀 모델, 전압경계조건 모델 등이 있다. 본 논문에서는 이러한 급전모델간의 이론적인 관계를 검토하였다. 매우 짧은 길이의 무손실 급전선이 송신기(또는 수신기) 와 정합 되었을 때 위의 3가지 모델이 서로 등가관계가 성립함을 알 수 있었다. 모의계산의 정확성과 계산의 효율성 관점에서 급전모델에 따른 실제 GPR 시스템의 수신응답 계산결과들을 비교하였다.

• 한국정보처리학회논문지
• /
• 제4권7호
• /
• pp.1749-1758
• /
• 1997

전력수요의 예측은 예측기간에 따라 중장기 전력수요 예측과 단기 부하 예측으로 구분할 수 있다. 기존의 단기 부하예측은 주로 역전파 알고리즘(back propagation algorithm)다층퍼셉트론을 이용하여 예측을 하였으나 이는 학습시간이 많이 걸릴 뿐만 아니라 학습도중에 지역최소점(local minima)에 빠져 학습이 계속되지 못한다는 문제가 있다. 본 논문은 이러한 역전파 알고리즘의 문제점을 해결할 수 있는 방법으로 Radial Basis 함수(Radial Basis Function)를 이용하여 동적 단기부하 예측 모형을 제안한다. Radial Basis 함수는 하나의 은닉층(hidden layer)을 갖고 있으며, 전방향(feed-forward)학습을 한다는 특징이 있다. 본 논문에서 제안한 단기 부하 예측모형은 학습을 하기 위하여 시간대별 부하량을 클러스터링 하고, 이 클러스터의 중심값을 Radial Basis 함수의 은닉층으로 하여 학습을 한 다음 예측하고자 하는 패턴을 한 단위로 하여 시단대별로 예측하였다. 기존의 연구에서의 클러스터링 방법으로는 통계학의 K-Means 방법이나 Kohonen의 LVQ(Learning Vector Quantization)을 주로 이용하였으나 본 논문에서는 패턴의 분류에 있어서 다른 알고리즘보다 편차가 작은 Pal, et. al.의 GLVQ(Generalized LVQ) 알고리즘을 이용하였다. 본 논문에서 이용한 데이타는 1995년 3월 1일-3일, 6월 1일-3일, 7월 1일-3일, 9월 1일-3일, 11월 1일-3일의 72시간 데이타를 입력하여 월별 4일의 24시간의 예측시간으로 예측하였다. 실험결과 월별 1일과 3일까지의 학습데이타로 1시간 후의 부하량을 24시간동안 예측한 결과 1.3795%의 평균 오차율로 예측하였다.

• 대한전자공학회논문지TC
• /
• 제37권6호
• /
• pp.404-404
• /
• 2000

3차원 FDTD 법과 등가회로망 모델을 이용하여 bistatic GPR 시스템의 수신응답을 해석하였다. 기존의 델타갭 급전모델은 안테나와 선로간의 임피던스 정합특성을 고려하지 않았기 때문에 부정확하다는 것을 알 수 있었다. 본 논문에서는 실제 GPR의 물리적 특성을 고려하여 개선된 급전모델을 구성하였다. 실제 bistatic GPR 시스템에 대한 3차원 FDTD 해석결과를 이용하여 각주파수 영역의 등가 회로망 모델을 구성하여 실제 수신전압을 계산하였다. 계산결과가 측정자료에 접근함을 보임으로써 제시한 모델의 타당성을 입증하였다.

• 대한전자공학회논문지TC
• /
• 제37권6호
• /
• pp.44-53
• /
• 2000

3차원 FDTD 법과 등가회로망 모델을 이용하여 bistatic GPR 시스템의 수신응답을 해석하였다. 기존의 델타갭 급전모델은 안테나와 선로간의 임피던스 정합특성을 고려하지 않았기 때문에 부정확하다는 것을 알 수 있었다. 본 논문에서는 실제 GPR의 물리적 특성을 고려하여 개선된 급전모델을 구성하였다. 실제 bistatic GPR 시스템에 대한 3차원 FDTD 해석결과를 이용하여 각주파수 영역의 등가 회로망 모델을 구성하여 실제 수신전압을 계산하였다. 계산결과가 측정자료에 접근함을 보임으로써 제시한 모델의 타당성을 입증하였다.

• 한국정밀공학회:학술대회논문집
• /
• 한국정밀공학회 1997년도 춘계학술대회 논문집
• /
• pp.1038-1043
• /
• 1997

To adapt the neural network proess for the purpose of determination of optimal utting onditions (optimal cutting speed and feed rate), some selection strategies for the machining factors are necessary, which is considered planning cutting process. In this case, factors that have both nonlinearity and strong relationship must be selected. Although tool grade and chemical properties of workpiece material have strong effect to cutting speed, it's not easy to find a analytic relation between them. In this paper, a mathematical method for determining the optimal amount of cutting (depth of cut, feed rate) is presented by tool goemetry and heat generation during cutting process. And various tool grade and workpiece material groups ase classified based on its chemical properties. Thier chemical composition and hardness are used as input pattern for neural network learnig. The result of learning shows the relationship between tool grade and workpiece material and it is proved that it can be used as a sub-system for automatic process planning system.