• 동력기계공학회지
• /
• 제21권2호
• /
• pp.48-56
• /
• 2017

The steady-state, incompressible and three-dimensional numerical analysis was carried out to evaluate the velocity fields around the seabed tiller used for the improvement of the seabed soil and the pulling force and buoyancy generated by driving the seabed tiller. The turbulence model used in this study is a realizable $k-{\varepsilon}$ well known to be excellent for predicting the performance of the flow separation and recirculation flow as well as the boundary layer with rotation and strong back pressure gradient. As a results, a typical vortex pair appears near the adjacent rotor vane tip. When the current is stopped, there is no force when pulling the seabed tiller, but when the current flows at 1.2 knots, the force acts on the downstream side and the pulling force is much greater. In stationary currents, the buoyancy of the seabed tiller acts more strongly towards the seabed as the number of rotations of the rotor increases, but acts more strongly toward the sea surface at 1.2 knots of current.

• 전자공학회논문지S
• /
• 제36S권12호
• /
• pp.85-96
• /
• 1999

많은 경우의 예측 비디오 압축 표준에서는, BMA에 의해 매크로 블록당 하나의 움직임 벡터가 계산되는 방식인 BMC방식이 널리 사용되고 있다. 그러나 BMC에 의해 예측된 움직임 벡터 필드는 블록당 하나의 움직임 벡터를 사용하기 때문에 불연속적이며, 불연속적인 움직임 벡터 필드로 인해 블록화 현상을 나타낸다. 따라서 이를 제거하는 효과적인 방법은 움직임 벡터 필드를 평활화(smoothing)하는 방법일 것이다. 최적 평활화 과정은 비디오 시퀀스의 움직임 종류에 따라 다를 것이다. 본 논문에서는 움직임 벡터를 평활화하는 몇 개의 방법들을 고려할 것이다. 어떠한 방법이든 BMA로 구한 움직임 벡터는 더 이상 최적화된 움직임 벡터가 아닐 것이므로, BFD(displaced frame difference)의 놈(norm)을 최소화하는 최적 움직임 벡터를 찾아야 한다. 본 논문에서는 conjugate gradient 알고리즘을 사용하여 DFD의 놈을 최소화하는 최적움직임 벡터를 찾는 통합 알고리즘을 제안한다. 이 통합 알고리즘은 ATMC(affine transform based motion compensation), BTMC(bilinear transform based motion compensation), 그리고 본 논문에서 제안하는 FMC(filtered motion compensation)의 세가지 방식에 대하여 적용되고 BMC에 대비해서 평가되어 졌다.

• 한국정보통신학회논문지
• /
• 제17권9호
• /
• pp.2199-2205
• /
• 2013

현대사회에서 영상처리는 스마트폰, 디지털 카메라, 디지털 TV 등의 여러 디지털 기기에 응용되고 있다. 영상처리 분야 중에서 에지 검출은 영상처리과정에 중요한 부분이다. 영상 에지는 배경과 물체 사이에서 화소값이 급격히 변화하는 지점이며, 크기, 위치, 방향 등의 중요한 정보를 포함한다. 기존의 에지 검출 방법은 크기가 작은 가중치 마스크를 이용하여 에지를 검출하기 때문에, AWGN(additive white Gaussian noise)에 훼손된 영상의 에지 검출 결과가 다소 미흡하다. 따라서 본 연구에서는 AWGN 환경에서 효과적으로 에지를 검출하기 위해, 마스크 영역의 범위를 넓혀 각 영역에 따른 새로운 화소를 추정한 후, 추정된 마스크를 벡터로 변환하여 정렬한 후 계산된 기울기로 에지를 검출하는 알고리즘을 제안하였다.

• 한국가시화정보학회지
• /
• 제20권3호
• /
• pp.94-101
• /
• 2022

The evaluation of the drag and lift as the aerodynamic performance of airfoils is essential. In addition, the analysis of the velocity and pressure fields is needed to support the physical mechanism of the force coefficients of the airfoil. Thus, the present study aims at establishing two different deep learning models to predict force coefficients and flow fields of the airfoil. One is the convolutional neural network (CNN) model to predict drag and lift coefficients of airfoil. Another is the Encoder-Decoder (ED) model to predict pressure distribution and velocity vector field. The images of airfoil section are applied as the input data of both models. Thus, the computational fluid dynamics (CFD) is adopted to form the dataset to training and test of both CNN models. The models are established by the convergence performance for the various hyperparameters. The prediction capability of the established CNN model and ED model is evaluated for the various NACA sections by comparing the true results obtained by the CFD, resulting in the high accurate prediction. It is noted that the predicted results near the leading edge, where the velocity has sharp gradient, reveal relatively lower accuracies. Therefore, the more and high resolved dataset are required to improve the highly nonlinear flow fields.

• 대한지리학회지
• /
• 제42권4호
• /
• pp.469-487
• /
• 2007

입도경향 분석법은 파이척도로 표현된 평균입도, 분급, 왜도 등 퇴적물 입도조직변수가 퇴적물의 이동경로를 따라 특정한 경향을 보이는 성질을 이용한 퇴적물 이동경로 식별 방법론이다. 적용이 간편하고 저렴하여 지형학 연구에 널리 응용될 수 있는 가능성을 지니고 있으나 방법론상의 한계도 몇 가지 측면에서 지적되고 있어 주의가 필요하다. 이 연구는 McLaren과 Bowles의 1차원 경로분석법, Gao와 Collins, Le Roux의 2차원 이동벡터법 등 현재까지 정립된 입도경향 분석의 대표적인 세 가지 기법을 비교 평가하여 적절한 활용법을 도출하고, 입도경향 분석의 추후 연구과제를 제안한 것이다. McLaren-Bowles의 1차원 경로분석법은 연구자의 현장경험을 분석에 효과적으로 결합시킬 수 있고 X-분포를 통해 퇴적환경에 대한 해석을 제공해주며 장기적인 퇴적물 순이동 패턴을 파악하는데 효과적이나 연구자의 주관적 해석에 의존해야 한다는 점, 식별할 수 있는 시간 해상도가 낮다는 점등이 단점이다. Gao-Collins의 2차원 이동벡터법은 명확한 절차, 2차원적인 시각화, 세밀한 시간 해상도 등이 장점이지만, 임계거리 선정, 잡벡터 제거과정 등이 문제를 유발할 수 있으므로 분석 시 주의를 요한다. 셋째, Le Roux의 2차원 이동벡터법은 확장된 경험규칙과 조직변수 간의 구배를 고려하고 시간해상도도 세밀하지만, 분석개념이 모호하고 복잡하다. 입도경향 분석은 현장에 대한 연구자의 이해도, 조사하고자 하는 퇴적물 순이동 패턴의 시간적 스케일, 초점을 맞추고자 하는 정보 등에 따라 적절한 기법을 선택하고, 거기에 부합되는 시료채취방안을 기획하는 것이 중요하다. 또한 입도경향 분석이 지형학 연구에 기여하기 위해서는 시료채취 깊이, 교란층의 두께 등 시료채취 과정의 요소들과 퇴적물 순이동 패턴이 지시하는 시간스케일 간의 관계가 체계적으로 규명되어야 한다고 판단된다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.71-88
• /
• 2017

언어모델은 순차적으로 입력된 자료를 바탕으로 다음에 나올 단어나 문자를 예측하는 모델로 언어처리나 음성인식 분야에 활용된다. 최근 딥러닝 알고리즘이 발전되면서 입력 개체 간의 의존성을 효과적으로 반영할 수 있는 순환신경망 모델과 이를 발전시킨 Long short-term memory(LSTM) 모델이 언어모델에 사용되고 있다. 이러한 모형에 자료를 입력하기 위해서는 문장을 단어 혹은 형태소로 분해하는 과정을 거친 후 단어 레벨 혹은 형태소 레벨의 모형을 사용하는 것이 일반적이다. 하지만 이러한 모형은 텍스트가 포함하는 단어나 형태소의 수가 일반적으로 매우 많기 때문에 사전 크기가 커지게 되고 이에 따라 모형의 복잡도가 증가하는 문제가 있고 사전에 포함된 어휘 외에는 생성이 불가능하다는 등의 단점이 있다. 특히 한국어와 같이 형태소 활용이 다양한 언어의 경우 형태소 분석기를 통한 분해과정에서 오류가 더해질 수 있다. 이를 보완하기 위해 본 논문에서는 문장을 자음과 모음으로 이루어진 음소 단위로 분해한 뒤 입력 데이터로 사용하는 음소 레벨의 LSTM 언어모델을 제안한다. 본 논문에서는 LSTM layer를 3개 또는 4개 포함하는 모형을 사용한다. 모형의 최적화를 위해 Stochastic Gradient 알고리즘과 이를 개선시킨 다양한 알고리즘을 사용하고 그 성능을 비교한다. 구약성경 텍스트를 사용하여 실험을 진행하였고 모든 실험은 Theano를 기반으로 하는 Keras 패키지를 사용하여 수행되었다. 모형의 정량적 비교를 위해 validation loss와 test set에 대한 perplexity를 계산하였다. 그 결과 Stochastic Gradient 알고리즘이 상대적으로 큰 validation loss와 perplexity를 나타냈고 나머지 최적화 알고리즘들은 유사한 값들을 보이며 비슷한 수준의 모형 복잡도를 나타냈다. Layer 4개인 모형이 3개인 모형에 비해 학습시간이 평균적으로 69% 정도 길게 소요되었으나 정량지표는 크게 개선되지 않거나 특정 조건에서는 오히려 악화되는 것으로 나타났다. 하지만 layer 4개를 사용한 모형이 3개를 사용한 모형에 비해 완성도가 높은 문장을 생성했다. 본 논문에서 고려한 어떤 시뮬레이션 조건에서도 한글에서 사용되지 않는 문자조합이 생성되지 않았고 명사와 조사의 조합이나 동사의 활용, 주어 동사의 결합 면에서 상당히 완성도 높은 문장이 발생되었다. 본 연구결과는 현재 대두되고 있는 인공지능 시스템의 기초가 되는 언어처리나 음성인식 분야에서 한국어 처리를 위해 다양하게 활용될 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.127-137
• /
• 2019

재범예측은 70년대 이전부터 전문가들에 의해서 꾸준히 연구되어온 분야지만, 최근 재범에 의한 범죄가 꾸준히 증가하면서 재범예측의 중요성이 커지고 있다. 특히 미국과 캐나다에서 재판이나 가석방심사 시 재범 위험 평가 보고서를 결정적인 기준으로 채택하게 된 90년대를 기점으로 재범예측에 관한 연구가 활발해졌으며, 비슷한 시기에 국내에서도 재범요인에 관한 실증적인 연구가 시작되었다. 지금까지 대부분의 재범예측 연구는 재범요인 분석이나 재범예측의 정확성을 높이는 연구에 집중된 경향을 보이고 있다. 그러나 재범 예측에는 비대칭 오류 비용 구조가 있기 때문에 경우에 따라 예측 정확도를 최대화함과 동시에 예측 오분류 비용을 최소화하는 연구도 중요한 의미를 가진다. 일반적으로 재범을 저지르지 않을 사람을 재범을 저지를 것으로 오분류하는 비용은 재범을 저지를 사람을 재범을 저지르지 않을 것으로 오분류하는 비용보다 낮다. 전자는 추가적인 감시 비용만 증가되는 반면, 후자는 범죄 발생에 따른 막대한 사회적, 경제적 비용을 야기하기 때문이다. 이러한 비대칭비용에 따른 비용 경제성을 반영하여, 본 연구에서 비대칭 오류 비용을 고려한 XGBoost 기반 재범 예측모델을 제안한다. 모델의 첫 단계에서 최근 데이터 마이닝 분야에서 높은 성능으로 각광받고 있는 앙상블 기법, XGBoost를 적용하였고, XGBoost의 결과를 로지스틱 회귀 분석(Logistic Regression Analysis), 의사결정나무(Decision Trees), 인공신경망(Artificial Neural Networks), 서포트 벡터 머신(Support Vector Machine)과 같은 다양한 예측 기법과 비교하였다. 다음 단계에서 임계치의 최적화를 통해 FNE(False Negative Error)와 FPE(False Positive Error)의 가중 평균인 전체 오분류 비용을 최소화한다. 이후 모델의 유용성을 검증하기 위해 모델을 실제 재범예측 데이터셋에 적용하여 XGBoost 모델이 다른 비교 모델 보다 우수한 예측 정확도를 보일 뿐 아니라 오분류 비용도 가장 효과적으로 낮춘다는 점을 확인하였다.