• 한국통신학회논문지
• /
• 제31권3A호
• /
• pp.249-253
• /
• 2006

본 논문에서는 CDMA2000 역방향 링크에서 DS/CDMA 용 rake structure antenna away에 적용되는 새로운 방식의 simplex downhill 최적화 기법 빔포밍 알고리즘을 제안하고 있다. 본 논문에서 제안한 방법은 요구되는 신호(파일럿) 분산 행렬과 간섭 분산 행렬을 사용하고 있으며, 빔포밍 가중치들은 simplex downhill 최적화 알고리즘을 사용하여 최대 SINR 기준에 따라 만들어 졌다. 본 논문에서 제안한 구조는 기존의 적응 빔포밍 알고리즘보다 더 적은 계산량, 개선된 수렴 속도와 성능을 제공한다. Simplex downhill 방법은 최적화되기 위한 결정함수의 값만을 요구하기 때문에 최적화되거나 준최적화된 가중치 벡터를 찾기에 적합한 방식이다. 또한 rake beamformer 성능을 공간 채널모델에서의 여러종류 파라미터 값에 대하여 분석하였으며, 기존 방식의 rake 수신기와 제안된 방식을 동일한 수신 전력에서 비교 분석하였다.

• 대한토목학회논문집
• /
• 제31권6B호
• /
• pp.515-522
• /
• 2011

수리해석 모형들은 하천의 흐름에 대한 연구에 이용되거나, 수공구조물의 설계 및 하천의 설계 등 실무에 널리 사용되고 있다. 이들 수리해석 모형은 실측자료를 통한 보정이 필요하나, 홍수시 유속을 측정하는 것 자체가 위험한 작업이기 때문에 홍수시 하천의 2차원 유속분포에 대한 실측자료가 전무한 실정이다. 이러한 이유로 2차원 수치모형의 결과는 보통 몇 개 지점의 실측된 자료를 비교함으로써 보정 및 검증을 실시하고 있다. 더욱이 설계 홍수량에 대한 모형의 보정은 1차원 모형인 HEC-RAS의 모의결과를 이용하여 보정하고 있다. 본 연구에서는 일본의 토네강(Tone river)에서 홍수시 촬영한 항공사진을 분석하여 추출한 유속벡터 자료를 이용하여 하천설계 실무 및 연구 등에 널리 사용되어지고 있는 2차원 수치모형인 RAMS의 RAM2, SMS의 RMA2와 1차원 모형인 HEC-RAS 모형의 검증을 실시하였다. 또한, HEC-RAS결과를 이용한 2차원 모형의 보정에 대한 타당성을 검토하였다. 검토결과, HEC-RAS 및 RAM2, RMA2 모형의 수위모의 결과 모두 관측점의 수위와 비슷한 결과을 보이고 있었으나, 유속모의의 경우 고수부지에서의 2차원 모형에 의한 유속결과와 항공사진으로부터 추출된 유속결과가 차이를 보이고 있었다. 또한, 1차원 모형에 의한 결과와 항공사진으로부터 추출된 유속장을 단면평균한 유속과 비교한 결과 큰 오차가 발생하고 있는 것으로 나타났다.

• 수산해양기술연구
• /
• 제38권1호
• /
• pp.43-57
• /
• 2002

본 연구는 고성능 전개판을 개발하기 위하여 전개판 주변의 유동장을 계측할 수 있는 해석 방법을 제시하고자 하였다. 실험 방법으로는 CFD를 이용한 유동장의 수치 해석과 유동장의 정량적, 정성적 계측이 가능한 PIV 실험방법을 사용하였다. 본 실험에서는 전개판 주변의 가시화된 영상을 PIV 기법을 이용한 화상처리로 유동특성을 해석하였으며, 이 결과를 CFD에 의한 해석 결과와 유동 패턴을 비교하였다. 또한, 회류 수조에서의 양력 계수 및 항력계수의 계측 결과를 상호 비교 하였다. 그 결과, 수치 해석된 결과와 PIV의 실험 결과는 정성적으로 매우 잘 일치하였으며, 물리적으로 타당성을 확인할 수 있었다. 그 결과는 다음과 같다. (1) 전개판의 유동장 분석을 위하여 레이저 광원을 이용한 가시화 실험을 실시하고, PIV 기법으로 화상분석을 실시하였으며, 유동입자의 흐름으로도 충분한 정성적인 유체운동의 경향을 파악할 수 있었다 (2) PIV해석결과가 정량적인 결과이므로 이를 다양한 후처리 방법을 통해 속도벡터장, 순간 유동장, 평균 와도로 나타내어 유동장의 변화를 확인할 수 있었다. (3) 최대전개력계수가 나타난 영각 24$^{\circ}$에서 비교한 CFD와 PIV 해석 결과, 유동 패턴은 유사하였고, 두 경우 모두 전개판 후연에서 약간의 경계층 박리가 발생하였으나 양호한 흐름을 보였다. (4) PIV에 의한 속도 벡터도, 순간 유선도, 평균 와도로 후처리한 결과, 영각 24$^{\circ}$에서부터 경계층 박리 현상이 일어나기 시작하여, 영각 28$^{\circ}$이상이 되면 심하게 전연으로 발생지점이 이동하게 되고, 그 폭도 확대됨을 확인할 수 있었다.

• 한국통신학회논문지
• /
• 제41권11호
• /
• pp.1387-1401
• /
• 2016

기존의 이종 셀룰러 망 환경에 허가된 사용자만이 기지국에 접속되는 closed access 정책이 적용되면, 매크로셀 사용자는 주변의 접속이 허용되지 않는 소형셀 기지국으로 인한 cross-tier 간섭 문제를 겪게 된다. 이 문제를 완화하기 위해 해당 소형셀 기지국이 매크로셀 사용자의 채널에 직교하는 빔형성 벡터를 사용하여 자신에게 속한 사용자에게 데이터를 전송하는 기법이 제안되었다. 이 기법을 적용하기 위해서는 매크로셀 기지국, 매크로셀 사용자, 소형셀 기지국 간의 상호 정보교환이 필요하므로 이로 인해 시스템의 복잡도가 증가하게 된다. 본 논문에서는 상호 정보교환 없이 소형셀 기지국이 스스로 환경을 인지하여 co-tier 간섭전력뿐만 아니라 cross-tier 간섭전력을 동시에 줄일 수 있는 인지 빔형성 기법을 제안한다. 구체적으로 소형셀 기지국이 cross-tier 간섭문제를 겪는 사용자를 파악한 후, 해당 사용자의 채널과 주변 소형셀 사용자 채널에 동시에 직교하는 빔형성 벡터를 생성하여 데이터 전송에 사용하여 cross-tier 간섭과 co-tier 간섭을 동시에 줄인다. 제안 기법의 유효성을 검증하기 위해 시스템 레벨 시뮬레이션을 수행하였고, 해당 결과를 통해 제안된 기법이 cross-tier 간섭을 효과적으로 줄일 수 있음을 확인하였다.

• 지능정보연구
• /
• 제28권3호
• /
• pp.119-137
• /
• 2022

최근 추천 시스템 연구에서는 사용자와 아이템 간 상호 작용을 보다 잘 표현하고자 다양한 딥 러닝 모델을 적용하고 있다. ONCF(Outer product-based Neural Collaborative Filtering)는 사용자와 아이템의 행렬을 외적하고 합성곱 신경망을 거치는 구조로 2차원 상호작용 맵을 제작해 사용자와 아이템 간의 상호 작용을 더욱 잘 포착하고자 한 대표적인 딥러닝 기반 추천시스템이다. 하지만 합성곱 신경망을 이용하는 ONCF는 학습 데이터에 나타나지 않은 분포를 갖는 데이터의 경우 예측성능이 떨어지는 귀납적 편향을 가지는 한계가 있다. 본 연구에서는 먼저 NCF구조에 Transformer에 기반한 ViT(Vision Transformer)를 도입한 방법론을 제안한다. ViT는 NLP분야에서 주로 사용되던 트랜스포머를 이미지 분류에 적용하여 좋은 성과를 거둔 방법으로 귀납적 편향이 합성곱 신경망보다 약해 처음 보는 분포에도 robust한 특징이 있다. 다음으로, ONCF는 사용자와 아이템에 대한 단일 잠재 벡터를 사용하였지만 본 연구에서는 모델이 더욱 다채로운 표현을 학습하고 앙상블 효과도 얻기 위해 잠재 벡터를 여러 개 사용하여 채널을 구성한다. 마지막으로 ONCF와 달리 부가 정보(side information)를 추천에 반영할 수 있는 아키텍처를 제시한다. 단순한 입력 결합 방식을 활용하여 신경망에 부가 정보를 반영하는 기존 연구와 달리 본 연구에서는 독립적인 보조 분류기(auxiliary classifier)를 도입하여 추천 시스템에 부가정보를 보다 효율적으로 반영할 수 있도록 하였다. 결론적으로 본 논문에서는 ViT 의 적용, 임베딩 벡터의 채널화, 부가정보 분류기의 도입을 적용한 새로운 딥러닝 모델을 제안하였으며 실험 결과 ONCF보다 높은 성능을 보였다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.