• 대한전자공학회논문지TC
• /
• 제48권8호
• /
• pp.15-26
• /
• 2011

본 논문에서 우리는 다중사용자 다중입출력 하향링크 통신 시스템을 위한 새로운 빕 형성 기법을 제시한다. 최근 block-diagonalization (BD) 알고리즘이 기지국과 각 사용자들이 다중 안테나는 가지는 다중사용자 다중입출력 하향링크를 위해 제안되고 있다. 그러나, BD 알고리즘은 유저당 제공되는 스트림의 개수가 수신기의 개수보다 작은 경우에는 효율적이지 않다. BD 방법이 수신단의 결합을 고려하지 않고 채널 행렬에 기반한 space를 활용하기 때문에, 빔 형성을 위한 자유도는 수신측에서 전부 얻지 못한다. 본 논문에서 우리는 모든 사용자간의 간섭이 0이 되는 zero forcing (ZF) 조건 하에 수신 빔 형성 벡터를 최적화 한다. 우리는 반복적인 과정에 의해 최적 수신 벡터를 찾는 효율적인 알고리즘을 제안한다. 제안된 알고리즘은 수신 결합 벡터를 위해 전방향 정보인 두 phase 값을 요구한다. 또한, 우리는 일반적인 복소 단위 행렬의 분해를 이용하여 단지 한 phase 값만 필요한 또 다른 알고리즘을 제시한다. 시뮬레이션 결과는 에러 확률 관점에서 제안된 빔 형성 기법이 기존 BD 알고리즘보다 성능이 낫고 기지국에서 자유도를 이용함으로써 다이버시티 증가를 획듬함을 보여준다.

• 한국산림과학회지
• /
• 제99권6호
• /
• pp.791-801
• /
• 2010

산림토양탄소모델은 산림 내 복잡한 토양탄소 순환과정을 이해하고 기후변화에 따른 토양탄소동태를 예측하는데 유용한 도구이나, 국내에서는 모델의 개발 및 활용 연구가 미흡하다. 한편 IPCC 국가보고서와 같이 국제 사회에서 탄소계정에 대한 높은 수준의 연구결과를 요구하는 반면, 이를 반영하기 위한 기존 해외 모델의 국내 적용은 여러 가지 제약과 문제가 발생할 수 있기 때문에 국내 모델 개발의 필요성이 점차 증가하고 있다. 따라서 본 연구에서는 문헌조사를 바탕으로 국내 산림에서 적용이 가능한 7가지 해외 토양탄소모델(CBM-CFS3, CENTURY, Forest-DNDC, ROMUL, RothC, Sim-CYCLE, YASSO)을 선정하여 이들의 구조, 분해기작, 초기화 과정, 입력 및 출력 자료에 대하여 비교 분석하고, 모델의 국내 적용 가능성을 입력 자료 이용 가능성, 모델의 성능, 지역적 보정 가능성의 세 가지 기준을 토대로 평가하였다. 또한, 이를 기반으로 새로운 모델을 개발하고 적용하기 위한 일련의 과정을 제시하였다.

• 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.

• 한국멀티미디어학회논문지
• /
• 제12권8호
• /
• pp.1109-1119
• /
• 2009

최근 무선 인터넷 수요의 증가와 더불어 WLAN의 표준화 작업도 활발히 진행 중이다. IEEE 802.11e에서 통신 품질 보장과 함께 데이터 전송속도가 54Mbps 이상의 성능을 보이고 있지만 아직까지 사용자들의 요구에 부응하지 못하고 있는 것이 현실이다. IEEE802.11e다음 버전인 IEEE 802.11n의 연구 동향은 크게 두 가지로 MAC 계층에서 패킷 간의 Aggregation을 통하여 시스템 처리량을 높인 결과와 PHY 계층에서 MIMO 시스템을 적용하여 데이터 전송속도를 높인 결과로 정리될 수 있다. 그러나 아직까지 MAC 계층과 PHY 계층의 연동을 고려하여 IEEE 802.11n의 성능 분석을 보인 결과는 발표되지 않았다. 그래서 본 논문에서는 IEEE 802.11n 시스템에서 MAC계층과 PHY 계층의 연동을 고려하여 성능을 분석한다. MAC 계층에서의 A-MPDU 기반 하에 PHY 계층에서 MIMO 방식을 적용한다. MIMO 방식은 실내용 WLAN MIMO TGn 채널 모델의 사용과 함께 SVD 기법을 적용하여 분석하였고, 결과적으로 기존의 방식에 비해 데이터 전송속도의 증가와 처리량이 향상되었음을 보인다. 또한, MAC과 PHY의 연동을 고려하여 현실성 있는 시뮬레이터인 Ns-2를 사용하기로 한다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.57-73
• /
• 2021

ICT 인프라의 이상탐지를 통한 유지보수와 장애 예방이 중요해지고 있다. 장애 예방을 위해서 이상탐지에 대한 관심이 높아지고 있으며, 지금까지의 다양한 이상탐지 기법 중 최근 연구들에서는 딥러닝을 활용하고 있으며 오토인코더를 활용한 모델을 제안하고 있다. 이는 오토인코더가 다차원 다변량에 대해서도 효과적으로 처리가 가능하다는 것이다. 한편 학습 시에는 많은 컴퓨터 자원이 소모되지만 추론과정에서는 연산을 빠르게 수행할 수 있어 실시간 스트리밍 서비스가 가능하다. 본 연구에서는 기존 연구들과 달리 오토인코더에 2가지 요소를 가미하여 이상탐지의 성능을 높이고자 하였다. 먼저 다차원 데이터가 가지고 있는 속성별 특징을 최대한 부각하여 활용하기 위해 멀티모달 개념을 적용한 멀티모달 오토인코더를 적용하였다. CPU, Memory, network 등 서로 연관이 있는 지표들을 묶어 5개의 모달로 구성하여 학습 성능을 높이고자 하였다. 또한, 시계열 데이터의 특징을 데이터의 차원을 늘리지 않고 효과적으로 학습하기 위하여 조건부 오토인코더(conditional autoencoder) 구조를 활용하는 조건부 멀티모달 오토인코더(Conditional Multimodal Autoencoder, CMAE)를 제안하였다. 제안한 CAME 모델은 비교 실험을 통해 검증했으며, 기존 연구들에서 많이 활용된 오토인코더와 비교하여 AUC, Accuracy, Precision, Recall, F1-score의 성능 평가를 진행한 결과 유니모달 오토인코더(UAE)와 멀티모달 오토인코더(Multimodal Autoencoder, MAE)의 성능을 상회하는 결과를 얻어 이상탐지에 있어 효과적이라는 것을 확인하였다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.175-197
• /
• 2021

최근 딥 러닝 기술의 발전으로 뉴스, 블로그 등 다양한 문서에 포함된 텍스트 분석에 딥 러닝 기술을 활용하는 연구가 활발하게 수행되고 있다. 다양한 텍스트 분석 응용 가운데, 텍스트 분류는 학계와 업계에서 가장 많이 활용되는 대표적인 기술이다. 텍스트 분류의 활용 예로는 정답 레이블이 하나만 존재하는 이진 클래스 분류와 다중 클래스 분류, 그리고 정답 레이블이 여러 개 존재하는 다중 레이블 분류 등이 있다. 특히, 다중 레이블 분류는 여러 개의 정답 레이블이 존재한다는 특성 때문에 일반적인 분류와는 상이한 학습 방법이 요구된다. 또한, 다중 레이블 분류 문제는 레이블과 클래스의 개수가 증가할수록 예측의 난이도가 상승한다는 측면에서 데이터 과학 분야의 난제로 여겨지고 있다. 따라서 이를 해결하기 위해 다수의 레이블을 압축한 후 압축된 레이블을 예측하고, 예측된 압축 레이블을 원래 레이블로 복원하는 레이블 임베딩이 많이 활용되고 있다. 대표적으로 딥 러닝 모델인 오토인코더 기반 레이블 임베딩이 이러한 목적으로 사용되고 있지만, 이러한 기법은 클래스의 수가 무수히 많은 고차원 레이블 공간을 저차원 잠재 레이블 공간으로 압축할 때 많은 정보 손실을 야기한다는 한계가 있다. 이에 본 연구에서는 오토인코더의 인코더와 디코더 각각에 스킵 연결을 추가하여, 고차원 레이블 공간의 압축 과정에서 정보 손실을 최소화할 수 있는 레이블 임베딩 방법을 제안한다. 또한 학술연구정보서비스인 'RISS'에서 수집한 학술논문 4,675건에 대해 각 논문의 초록으로부터 해당 논문의 다중 키워드를 예측하는 실험을 수행한 결과, 제안 방법론이 기존의 일반 오토인코더 기반 레이블 임베딩 기법에 비해 정확도, 정밀도, 재현율, 그리고 F1 점수 등 모든 측면에서 우수한 성능을 나타냄을 확인하였다.