• 한국항해항만학회지
• /
• 제26권1호
• /
• pp.22-27
• /
• 2002

본 논문에서는 hybrid 기법을 이용하여 INMARSAT 위성의 상향 주파수인 L-HAND(1.6265∼1.6465 GHz)에서 동작하는 위성단말기용 25 Watt C급 고출력증폭기를 설계 ·제작하였다. 제작의 간편성을 위해서 전력증폭기를 크게 구동증폭단과 전력증폭단으로 나누어 구현하였으며, 전력증폭단을 구동하기 위한 구동단은 Motorola사의 MRF-640을 사용하여 2단으로 구성하였고, 전력증폭단은 MRF-16006과 MRF-16730을 사용하였다. 또 각 부에 직류 전원을 공급하기 위해 바이어스 회로부를 같은 하우징 내에 장착하여 무게 및 부피를 최소화하였다. 제작된 고출력증폭기는 20 MHz 대역폭 내에서 이득이 30 dB 이상, 입 ·출력 정재파비는 1.7 이하의 특성을 가졌다. 1.635 GHz 주파수에 대해 1 dB 압축점의 출력전력은 44 dBm 으로서 설계시 목표로 했던 출력전력 25 Watt를 상회하였다. 본 논문에서 제시한 SSPA(Solid State Power Amplifier) 제작 기법은 각종 Radar 및 SCPC(Signal Channel Per Carrier)용 전력증폭기 설계 및 제작에도 적용할 수 있다.

• 한국산학기술학회논문지
• /
• 제16권10호
• /
• pp.7061-7070
• /
• 2015

다중반응표면 최적화는 다수의 반응변수(품질특성치)를 동시에 고려하여 최적의 입력변수 조건을 찾는 반응표면분석의 세부 분야이다. 가중평균제곱오차(Weighted Mean Squared Error, WMSE) 최소화법은 평균제곱오차의 두 구성 요소인 제곱편차와 분산에 가중치를 부여한 WMSE를 활용하는데, 반응변수별로 WMSE를 구하여 이들을 종합적으로 최소화한다. 지금까지 WMSE 최소화법과 관련하여 개발된 기법은 대부분 의사결정자의 선호도 정보를 문제풀이 이전에 결정할 것을 요구하는 선호도사전제시법에 해당된다. 그러나 현실적으로 의사결정자가 자신의 선호도 정보를 사전에 정확히 제공하는 것은 매우 어렵다. 본 논문에서는 이러한 한계점을 개선하기 위하여 WMSE 최소화를 위한 선호도사후제시법을 제안한다. 제안된 방법은 의사결정자의 선호도 정보 없이 다수의 비지배적해를 생성한 후, 의사결정자가 생성된 비지배해 중 최고선호해를 선택하는 단계로 진행된다. 제안된 방법은 의사결정자로 하여금 전체 해집합의 트레이드오프 관계를 보다 폭넓은 시각으로 이해한 후 선호도 정보를 제시할 수 있도록 함으로써, 의사결정자의 선호도에 부합하는 최고선호해를 효과적으로 도출할 수 있다.

• Journal of the Korean Data and Information Science Society
• /
• 제22권2호
• /
• pp.189-196
• /
• 2011

이 연구에서는 면접점수 표준화 방법으로 흔히 사용되고 있는 절사평균 방법, 순위평균 방법 및 z-점수평균 방법을 모의실험을 통해 비교하고자 한다. 모의실험 기법은 피면 접자의 참값 점수와 이것과 독립적인 잡음 변수가 심사자의 전문성에 의해 가중평균 형태로 심사자의 평가점수에 영향을 미친다고 가정한다. 다시 말해 심사자의 전문성이 커지면 개인의 참값 점수에 가까운 심사자의 점수가 관측되고, 심사자의 전문성이 작아지면 참값 점수 대신에 잡음 변수에 더 가까운 심사자의 점수가 관측된다. 여기에 심사자의 성향편의가 더해져 심사자의 최종 평가점수가 관측된다고 가정한다. 이 모의실험에서는 각 표준화 방법에 의한 심사자의 평균점수와 참값의 순위상관 값을 계산하여 이 값이 큰 방법을 좋은 방법으로 평가하였다. 그 결과 참값의 분포가 정규분포이면 z-점수평균이 가장 좋은 성능을 보였으며, 라플라스 분포이면 전체면접에서는 z-점수평균이 순위평균보다 다소 성능이 좋았으나 반분면접에서는 순위평균이 z-점수평균보다 다소 성능이 좋았다. 절사평균은 일반적으로 성능이 가장 낮게 나타났다.

• 한국어류학회지
• /
• 제20권1호
• /
• pp.21-27
• /
• 2008

강원도 철원군 남대천에 서식하는 참종개를 2004년 6월부터 2005년 6월까지 매월 1회 채집을 하여 번식과 성장에 관하여 조사하였다. 참종개는 1년에 한 번 산란을 하며, 최대 산란 시기는 5월부터 6월까지이다. 성비는 1 : 0.56으로 암컷의 개체수가 수컷의 개체수보다 더 많으며, 암수 모두 최대 연령은 3세이며, 체장, 체중 모두 암컷이 수컷보다 빠르게 성장한다. Von Bertalanffy 성장식은 암컷 $L_t=126.30[1-\exp\{-0.576(t+0.940)\}]$, 수컷은 $L_t=100.19[1-\exp\{-1.119(t+0.695)\}]$으로 나타났다. 체장-체중의 관계식은 $W=2.192{\times}10^{-6}L^{3.199}$으로 암수가 동일하게 나타났다. 연령에 따른 체중의 성장식은 암컷 $W_t=11.567[1-\exp\{-0.576(t+0.940)\}]^{3.199}$ 수컷은 $W_t=5.514[1-\exp\{-1.119(t+0.695)\}]^{3.199}$으로 나타났다.

• Journal of Animal Science and Technology
• /
• 제65권4호
• /
• pp.720-734
• /
• 2023

In Korea, Korea Proven Bulls (KPN) program has been well-developed. Breeding and evaluation of cows are also an essential factor to increase earnings and genetic gain. This study aimed to evaluate the accuracy of cow breeding value by using three methods (pedigree index [PI], pedigree-based best linear unbiased prediction [PBLUP], and genomic-BLUP [GBLUP]). The reference population (n = 16,971) was used to estimate breeding values for 481 females as a test population. The accuracy of GBLUP was 0.63, 0.66, 0.62 and 0.63 for carcass weight (CWT), eye muscle area (EMA), back-fat thickness (BFT), and marbling score (MS), respectively. As for the PBLUP method, accuracy of prediction was 0.43 for CWT, 0.45 for EMA, 0.43 for MS, and 0.44 for BFT. Accuracy of PI method was the lowest (0.28 to 0.29 for carcass traits). The increase by approximate 20% in accuracy of GBLUP method than other methods could be because genomic information may explain Mendelian sampling error that pedigree information cannot detect. Bias can cause reducing accuracy of estimated breeding value (EBV) for selected animals. Regression coefficient between true breeding value (TBV) and GBLUP EBV, PBLUP EBV, and PI EBV were 0.78, 0.625, and 0.35, respectively for CWT. This showed that genomic EBV (GEBV) is less biased than PBLUP and PI EBV in this study. In addition, number of effective chromosome segments (M_e) statistic that indicates the independent loci is one of the important factors affecting the accuracy of BLUP. The correlation between M_e and the accuracy of GBLUP is related to the genetic relationship between reference and test population. The correlations between M_e and accuracy were -0.74 in CWT, -0.75 in EMA, -0.73 in MS, and -0.75 in BF, which were strongly negative. These results proved that the estimation of genetic ability using genomic data is the most effective, and the smaller the M_e, the higher the accuracy of EBV.

• 마케팅과학연구
• /
• 제20권1호
• /
• pp.89-97
• /
• 2010

本文研究共同特性对于无选择权的影响, 并涉及到了调节焦点理论. 本文主要着眼于这三个因子以及他们之间的关系. 之前的研究已经广泛涉及到这三个方面. 第一, 共同特性影响已经被广为研究. Tversky (1972) 开创了这个理论, EBA 模型: 通过消除方面. 根据这个理论, 消费者在比较的过程中更易于注意特殊的特性, 而忽略共同特性. 最近, 更多的研究开始针对于此模型对于消费者行为的影响. Chernev (1997) 认为增加共同特性可以减少选择距离. 但是, 随后Chernev (2001) 的研究指出共同特性可能是消费者认知上的负担, 所以他们更喜欢启发式的过程而不是系统式的过程. 这些研究提出了一系列问题: 共同特性是否影响顾客选择? 如果是的话, 这些影响是什么样子的? 第二, 一些研究指出没有选择的状况是消费者最好的选择, 他们在犹豫不决时用这种方法回避选择. 其他关于这一理论的研究是时间的压力, 消费者自信, 以及可供选择的数量. 第三, 调节聚焦理论在目前非常流行. 消费者有两个焦点目标: 促进和制止. 促进聚焦主要和希望, 野心, 成功, 获得等有关; 而制止聚焦和责任, 职责, 安全, 规避等有关. 调节聚焦理论预测了顾客的感情, 创造, 态度, 记忆, 表现, 和判断. 而这些都是市场营销研究的领域这些文献为本文的研究提供了一些理论支持. 特别是增加共同特征而不是忽略他们可以增加选择过程中克制消费者的没有选择状况的比重, 其对于促进消费者的作用确实相反的. 本文通过两个试验进行验证. 第一个是2 X 2 组间的设计(共同特性X调节聚焦), 数码相机作为相关的客体. 特别的是, 调节聚焦变量是从11个问题中取得的. 共同特性包括焦距, 重量, 记忆卡, 电池, 而像素和价格作为独特特性. 结果证明了我们的假设, 那就是增加共同特性增加了克制消费者的无选择比重, 而对促进消费者没有作用. 第二个试验被用来复制第一个实验的结果. 这个实验和之前的基本相同, 只有两个方面不同—主要控制和研究客体. 在促进的前提下, 研究对象必须一些词例如: 利润, 野心, 高兴, 成功, 发展等. 在克制的前提下, 他们必学写下坚持, 安全, 保护, 规避, 损失, 责任等词. 实验证明我们假设是成立的. 本研究说明了共同特性对于顾客选择的二重效果. 增加共同特性可以提高或者降低无选择状况. 本文对于理论研究和实践上都有着贡献. 对于市场营销人员来说, 他们可能需要根据顾客的划分来考虑产品的共同特性. 理论上, 研究结果支持共同特性和无选择状况的调节变量. 最后, 本文也有一些不足, 例如过于强调态度的重要性等. 我们希望本文能够为未来的研究做出抛砖引玉的作用.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제7권9호
• /
• pp.351-360
• /
• 2018

전통적으로 나태한 학습에 해당하는 국소가중회귀(LWR: Locally Weighted Regression)모델은 입력변수인 질의지점에 따라 예측의 해를 얻기 위해 일정구간 범위내의 학습 데이터를 대상으로 질의지점의 거리에 따라 가중값을 달리 부여하여 학습 한 결과로 얻은 짧은 구간내의 회귀식이다. 본 연구는 메모리 기반학습의 형태에 해당하는 LWR을 위한 점진적 앙상블 학습과정을 제안한다. LWR를 위한 본 연구의 점진적 앙상블 학습법은 유전알고리즘을 이용하여 시간에 따라 LWR모델들을 순차적으로 생성하고 통합하는 것이다. 기존의 LWR 한계는 인디케이터 함수와 학습 데이터의 선택에 따라 다중의 LWR모델이 생성될 수 있으며 이 모델에 따라 예측 해의 질도 달라질 수 있다. 하지만 다중의 LWR 모델의 선택이나 결합의 문제 해결을 위한 연구가 수행되지 않았다. 본 연구에서는 인디케이터 함수와 학습 데이터에 따라 초기 LWR 모델을 생성한 후 진화 학습 과정을 반복하여 적절한 인디케이터 함수를 선택하며 또한 다른 학습 데이터에 적용한 LWR 모델의 평가와 개선을 통하여 학습 데이터로 인한 편향을 극복하고자 한다. 모든 구간에 대해 데이터가 발생 되면 점진적으로 LWR모델을 생성하여 보관하는 열심학습(Eager learning)방식을 취하고 있다. 특정 시점에 예측의 해를 얻기 위해 일정구간 내에 신규로 발생된 데이터들을 기반으로 LWR모델을 생성한 후 유전자 알고리즘을 이용하여 구간 내의 기존 LWR모델들과 결합하는 방식이다. 제안하는 학습방법은 기존 단순평균법을 이용한 다중 LWR모델들의 선택방법 보다 적합도 평가에서 우수한 결과를 보여주고 있다. 특정지역의 시간 별 교통량, 고속도로 휴게소의 시간별 매출액 등의 실제 데이터를 적용하여 본 연구의 LWR에 의한 결과들의 연결된 패턴과 다중회귀분석을 이용한 예측결과를 비교하고 있다.