• 디지털융복합연구
• /
• 제16권12호
• /
• pp.293-299
• /
• 2018

기상은 농작물 재배에 많은 영향을 미친다. 농작물 재배지의 기상정보는 효율적인 농작물 재배 및 관리에 필수적이다. 농업기상 정보의 높은 수요에도 불구하고 이에 대한 연구는 부족하다. 본 연구는 중장기 계절예측정보인 GloSea5와 심층 신경망을 통해 양파의 주산지인 전라남도의 농업기상 정보 생산 방법을 다룬다. 연구방법으로는 매일 생산되는 GloSea5 기상정보를 훈련시키기 위해 슬라이딩 창 방법을 활용한 심층신경망 모형이 사용되었다. 모형의 정확도평가는 농업기상관측소의 일 평균기온과 GloSea5 예측값 그리고 딥러닝 예측값 차이의 RMSE와 MAE로 계산하였다. 심층신경망 모형은 학습기간이 늘어날수록 정확도가 향상되므로 학습기간과 예측기간에 따른 예측성능을 비교하였다. 분석결과 학습기간과 예측기간은 비례하지만 계절변화에 따른 추세성이 반영되는 한계점이 있었다. 이를 보안하기 위해 예측값과 관측값의 차이를 다음날 예측값에 적용시킨 후보정 심층신경망 모형을 제시하였다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2003년도 하계종합학술대회 논문집 I
• /
• pp.565-568
• /
• 2003

This paper presents a method that can be used to reduce the decoding computational complexity in turbo codes. To reduce the decoding complexity we proposed an adaptive sliding window method which control the learning period of Viterbi sliding window method depending on channel signal to interference ratio (SIR). When received signal to interference ratio (SIR) is relatively high, we can reduce the decoding complexity without a noticeable degradation of BER performance at CDMA cellular system with power control error.

• 한국빅데이터학회지
• /
• 제4권1호
• /
• pp.63-72
• /
• 2019

전력 에너지의 경우 발전 및 송전 과정을 거쳐 사용자에게 제공된 이후에는 회수가 불가능하기 때문에 정확한 수요 예측에 기반한 최적 발전 및 송배전 계획이 필요하다. 전력 수요 예측의 실패는 2011년 9월에 발생한 대규모 정전사태와 같이 다양한 사회적·경제적 문제를 야기할 수 있다. 전력 수요 예측 관련 기존 연구에서는 ARIMA, 신경망모형 등 다양한 방법으로 개발이 되었다. 하지만 전국 단위의 평균 외기온도를 사용한다는 점과, 계절성을 구분하기 위한 획일적 기준을 적용하는 한계점으로 인해 데이터의 왜곡이나 예측모형의 성능 저하를 초래하고 있다. 이에 본 연구에서는 전력 수요 예측 모형의 성능을 향상하기 위해 전국을 5대 권역으로 구분하여 지역적 특성과 이동 기간 학습 기법을 통해 계절적 특성을 반영한 선형회귀모형과 신경망 모형의 장기적 전력 수요 예측 모형을 개발하였다. 이를 통해 중장기부터 단기에 이르기까지 다양한 범위의 수요 예측에 해당 모델을 활용할 수 있을 뿐만 아니라 특정 기간 중에 발생하는 다양한 이벤트와 예외 상황을 고려할 수 있을 것이다.

• 품질경영학회지
• /
• 제47권3호
• /
• pp.497-508
• /
• 2019

Purpose: The purpose of this study is to overcome limitations of conventional studies that to predict Baltic Dry Index (BDI). The study proposed applications of Artificial Neural Network (ANN) named Long Short-Term Memory (LSTM) to predict BDI. Methods: The BDI time-series prediction was carried out through eight variables related to the dry bulk market. The prediction was conducted in two steps. First, identifying the goodness of fitness for the BDI time-series of specific ANN models and determining the network structures to be used in the next step. While using ANN's generalization capability, the structures determined in the previous steps were used in the empirical prediction step, and the sliding-window method was applied to make a daily (one-day ahead) prediction. Results: At the empirical prediction step, it was possible to predict variable y(BDI time series) at point of time t by 8 variables (related to the dry bulk market) of x at point of time (t-1). LSTM, known to be good at learning over a long period of time, showed the best performance with higher predictive accuracy compared to Multi-Layer Perceptron (MLP) and Recurrent Neural Network (RNN). Conclusion: Applying this study to real business would require long-term predictions by applying more detailed forecasting techniques. I hope that the research can provide a point of reference in the dry bulk market, and furthermore in the decision-making and investment in the future of the shipping business as a whole.