• 한국정보과학회논문지:소프트웨어및응용
• /
• 제32권12호
• /
• pp.1283-1291
• /
• 2005

Just-in-Time 컴파일러를 이용하여 자바의 성능을 향상시키려면 여러 문제들을 극복하여야 한다. 이 문제 중 중요한 부분을 차지하는 것이 배열경계 검사(Array bounds check) 명령어를 어떻게 최적화하느냐는 것이다 정적인 컴파일 환경의 경우에는 이미 많은 연구가 진행되어 매우 강력한 성능을 가지는 알고리즘이 알려져 있으나 컴파일 시간이 수행시간의 일부인 Just-in-Time 컴파일 환경에 이를 적용하기에는 컴파일에 시간을 너무 많이들이는 결과를 낳아 적절하지 않다. 현재 Just-in-Time 컴파일러들은 가볍고 단순한 반면에 중복된 배열 경계 검사를 찾아내는 능력이 다소 부족한 알고리즘을 사용하거나 아니면 강력하지만 정적 단일 배정(Static Single Assignment) 형태로 명령어 표현 방식을 변환해 주어야만 하는 알고리즘을 사용하고 있다. 정적 단일 배정 형태로의 변환 및 되돌림은 가볍고 빠른 컴파일러를 지향하는 Just-in-Time 컴파일러에 부합되지 않는다. 본 논문은 변수 간의 대소관계를 표현하는 그래프를 배열 경계 검사 알고리즘에 적용하는 것을 통해 충분한 성능을 내면서도 정적 단일 배정 형태로의 변환을 필요로 하지 않는 알고리즘을 제안한다. Java에서의 모든 최적화는 Java 언어 명세에서 강제하고 있는 정확한 예외 처리(precise exception) 규칙을 따라야 한다. 명령어의 위치를 바꿈으로써 성능 향상을 꾀하는 최적화의 경우 이것으로 인해 많은 제약을 받게 되는데, 배열 경계 검사 최적화(Array bounds check elimination optimization) 또한 이 규칙에 의해 많은 최적화 기회를 잃는다. 우리는 이 제약을 극복하여 배열 경계 검사최적화의 적용 범위를 넓힐 수 있는 새로운 방법도 아울러 제안하고자 한다.

• 전자공학회논문지
• /
• 제50권7호
• /
• pp.205-215
• /
• 2013

디지털 이미징 장치는 일반적으로 베이어 패턴(Bayer pattern)을 사용하며, 영상 획득 과정에서 광학적 블러(blur)에 의해 영상의 품질이 손상된다. 블러된 베이어 영상에서 고해상도 컬러 영상을 얻기 위하여, 일반적으로 컬러 보간 방법과 디블러링 방법을 독립적으로 수행한다. 하지만, 베이어 샘플링에 의한 에지 정보가 불충분하여 에지를 가로지르는 방향으로 보간 하게 되고, 이에 따라 컬러 보간 과정에서 에러가 발생한다. 이러한 에러는 디블러링 과정에서 강조되어 영상의 품질을 하락시킨다. 따라서 본 논문은 컬러 보간 방법과 결합된 디블러링 알고리즘을 제안한다. 제안하는 방법은 크게 보간 단계와 영역 결정 단계로 나눌 수 있다. 보간 단계에서는 가정된 에지 방향에 따라 보간 및 디블러링 과정을 수행하고, 영역 결정 단계에서는 각 화소 위치에서 국부 영역의 특성을 추정하고, 보간 단계에서 구한 값을 영역 적응적으로 융합한다. 또한 본 논문에서는 디블러링 성능을 향상시키기 위하여 광학적 블러와 유사한 파동 광학에 근거한 블러 모델을 기반으로 하고, 추정한 국부 영역 특성을 반영하여 디블러링 필터를 추정한다. 실험 결과를 통해 제안하는 방법이 컬러 보간 에러가 확대되는 것을 방지함을 확인할 수 있으며, 기존 방법에 비해 수치적인 면과 시각적인 면에서 뛰어난 결과를 보임을 확인 할 수 있다.

• 한국통신학회논문지
• /
• 제41권12호
• /
• pp.1978-1984
• /
• 2016

본 논문에서는 영상의 대비효과를 부각시키는 CLAHE(Contrast-Limit Adaptive Histogram Equalization)를 적용한 Adaboost 기반 방법을 통해 우천 상황에서 강인한 차량 검출 방법을 제안한다. 본 논문에서는 차량 검출의 효과적인 실시간 동작을 위해 2가지를 제안하였다. 먼저 영상의 RGB값을 통해 우천 상황 여부를 판단하여 검출 방법을 선택할 수 있도록 하여 연산량을 줄이는 것과 CLAHE를 이용한 영상 처리를 통해 영상 내에 차량의 후미등을 검출하여 관심영역을 지정해주는 방법을 제안했다. 또한 본 논문에서는 기존에 차량 검출 방법으로 제시되었던 가우시안 혼합 모델(Gaussian Mixture Model), 옵티컬 플로우(Optical Flow)와 Adaboost(Adaptive boosting)의 우천 상황에서의 차량 검출율을 비교하여 최종적으로 Adaboost를 선택한 이유를 설명했다. 본 논문 실험 결과는 CLAHE 미적용 시 정확율과 재현율은 각각 0.83, 0.77 이었고, CLAHE 적용 시 0.85, 0.87로 적용했을 때 정확율과 재현율에서 약 2%, 13% 향상되었다.

• 대한건축학회논문집:구조계
• /
• 제35권11호
• /
• pp.155-162
• /
• 2019

The construction industry is the highest safety accident causing industry as 28.55% portion of all industries' accidents in Korea. In particular, falling is the highest accidents type composed of 60.16% among the construction field accidents. Therefore, we analyzed the factors of major disaster affecting the fall accident and then derived feature importances by considering various variables. We used data collected from Korea Occupational Safety & Health Agency (KOSHA) for learning and predicting in the proposed model. We have an effort to predict the degree of occupational fall accidents by using the machine learning model, i.e., Adaboost, short for Adaptive Boosting. Adaboost is a machine learning meta-algorithm which can be used in conjunction with many other types of learning algorithms to improve performance. Decision trees were combined with AdaBoost in this model to predict and classify the degree of occupational fall accidents. HyOperpt was also used to optimize hyperparameters and to combine k-fold cross validation by hierarchy. We extracted and analyzed feature importances and affecting fall disaster by permutation technique. In this study, we verified the degree of fall accidents with predictive accuracy. The machine learning model was also confirmed to be applicable to the safety accident analysis in construction site. In the future, if the safety accident data is accumulated automatically in the network system using IoT(Internet of things) technology in real time in the construction site, it will be possible to analyze the factors and types of accidents according to the site conditions from the real time data.

• 대한통합의학회지
• /
• 제8권4호
• /
• pp.125-131
• /
• 2020

Purpose : Lower extremity orthoses have been used as conservative methods to recover gait of the stroke patients. The purpose of this study is to examine how newly designed pelvic belt orthosis can improve gait ability and dynamic balance of adults with Hemiparesis after stroke. Methods : 22 patients who had hemiparesis after stroke participated in this study. Two groups were randomly created by assigning 10 subjects to the experimental group and the rest of the 12 subjects to the control group. The control group was treated by conventional physical therapy and occupational therapy. Identical therapy protocols were used to treat the experimental group who were assigned to wear the pelvic belt orthosis during post measurement. This study has a group of independent variables including group, gender, age, height, MAS, lesion side, cause and a group of dependent variables including gait speed, cadence, step length, stride length, and dynamic balance. The GAITRite system was used to measure spatial-temporal gain parameters and the balance system SD to measure dynamic balance. The data was analyzed using R version 3.3.1. Random forest, boosting algorithm, and MANOVA test were conducted to determine the effects of independent variables on dependent variables. Results : This study has a group of independent variables including group, gender, age, height, MAS, lesion side, cause and a group of dependent variables including gait speed, cadence, step length, stride length, and dynamic balance. The independent variable "group" has the most important value, which is approximately 25.42 (%IncMSE) representing a value three times greater than the second important predictor "height." Conclusion : As a result of this research, the hypothesis is validated with conclusion that Pelvic Belt orthosis could be effectively used for improving gait ability and balance of the patients with post-stroke hemiparesis.

• 한국항공우주학회지
• /
• 제50권3호
• /
• pp.215-222
• /
• 2022

항공교통흐름관리의 목적은 공항 및 공역의 수용량 안에서 항공교통 수요를 만족시키는 것이다. 그러므로 수용량을 정확하게 예측하는 것은 항공교통흐름관리의 성능에 많은 영향을 준다. 본 논문은 특정 공항의 예상 출·도착 수요, 시각, 기상 및 실제 처리한 항공기 대수 등 과거의 항공기운항 데이터를 기계학습의 한 방법론인 부스팅 앙상블 알고리즘으로 학습하여 시간당 출·도착하는 항공기의 수를 예측하는 회귀모형을 개발하였다. 기계학습을 통해 도출된 모델은 실제 인천국제공항의 출·도착 항공편 데이터를 이용해 검증하였으며, 결정계수가 0.95 이상으로 나타났다. 이 모델을 이용하여 접근관제구역의 수용량을 간접적으로 예측할 수 있었다.

• 한국분무공학회지
• /
• 제27권2호
• /
• pp.57-65
• /
• 2022

The purpose of this study is to use machine learning to build a model capable of predicting the flash boiling spray characteristics. In this study, the flash boiling spray was visualized using Shadowgraph visualization technology, and then the spray image was processed with MATLAB to obtain quantitative data of spray characteristics. The experimental conditions were used as input, and the spray characteristics were used as output to train the machine learning model. For the machine learning model, the XGB (extreme gradient boosting) algorithm was used. Finally, the performance of machine learning model was evaluated using R² and RMSE (root mean square error). In order to have enough data to train the machine learning model, this study used 12 injectors with different design parameters, and set various fuel temperatures and ambient pressures, resulting in about 12,000 data. By comparing the performance of the model with different amounts of training data, it was found that the number of training data must reach at least 7,000 before the model can show optimal performance. The model showed different prediction performances for different spray characteristics. Compared with the upstream spray angle and the downstream spray angle, the model had the best prediction performance for the spray tip penetration. In addition, the prediction performance of the model showed a relatively poor trend in the initial stage of injection and the final stage of injection. The model performance is expired to be further enhanced by optimizing the hyper-parameters input into the model.

• 아태비즈니스연구
• /
• 제13권3호
• /
• pp.293-309
• /
• 2022

Purpose - The purpose of this study is to explore the possibility of predicting the degree of smartphone overdependence based on mobile phone usage patterns. Design/methodology/approach - In this study, a survey conducted by Korea Internet and Security Agency(KISA) called "problematic smartphone use survey" was analyzed. The survey consists of 180 questions, and data were collected from 29,712 participants. Based on the data on the smartphone usage pattern obtained through the questionnaire, the smartphone addiction level was predicted using machine learning techniques. k-NN, gradient boosting, XGBoost, CatBoost, AdaBoost and random forest algorithms were employed. Findings - First, while various factors together influence the smartphone overdependence level, the results show that all machine learning techniques perform well to predict the smartphone overdependence level. Especially, we focus on the features which can be obtained from the smartphone log data (without psychological factors). It means that our results can be a basis for diagnostic programs to detect problematic smartphone use. Second, the results show that information on users' age, marriage and smartphone usage patterns can be used as predictors to determine whether users are addicted to smartphones. Other demographic characteristics such as sex or region did not appear to significantly affect smartphone overdependence levels. Research implications or Originality - While there are some studies that predict smartphone overdependence level using machine learning techniques, but the studies only present algorithm performance based on survey data. In this study, based on the information gain measure, questions that have more influence on the smartphone overdependence level are presented, and the performance of algorithms according to the questions is compared. Through the results of this study, it is shown that smartphone overdependence level can be predicted with less information if questions about smartphone use are given appropriately.

• 농업과학연구
• /
• 제49권3호
• /
• pp.619-627
• /
• 2022

In Korea, apples and pears are among the most important agricultural products to farmers who seek to earn money as income. Generally, farmers make decisions at various stages to maximize their income but they do not always know exactly which option will be the best one. Many previous studies were conducted to solve this problem by predicting farmers' income structure, but researchers are still exploring better approaches. Currently, machine learning technology is gaining attention as one of the new approaches for farmers' income prediction. The machine learning technique is a methodology using an algorithm that can learn independently through data. As the level of computer science develops, the performance of machine learning techniques is also improving. The purpose of this study is to predict the income structure of apples and pears using the automatic machine learning solution H2O.AI and to present some implications for apple and pear farmers. The automatic machine learning solution H2O.AI can save time and effort compared to the conventional machine learning techniques such as scikit-learn, because it works automatically to find the best solution. As a result of this research, the following findings are obtained. First, apple farmers should increase their gross income to maximize their income, instead of reducing the cost of growing apples. In particular, apple farmers mainly have to increase production in order to obtain more gross income. As a second-best option, apple farmers should decrease labor and other costs. Second, pear farmers also should increase their gross income to maximize their income but they have to increase the price of pears rather than increasing the production of pears. As a second-best option, pear farmers can decrease labor and other costs.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제11권11호
• /
• pp.455-464
• /
• 2022

제조업의 공정에서 생성되는 데이터셋은 크게 두 가지 특징을 가진다. 타겟 클래스의 심각한 불균형과 지속적인 Out-of-Distribution(OoD) 샘플의 발생이다. 클래스 불균형은 SMOTE 및 다양한 샘플링 전략을 통해서 대응할 수 있다. 그러나, OoD 탐색은 현재까지 인공신경망 영역에서만 다뤄져 왔다. OoD 탐색의 적용이 가능한 인공신경망은 제조공정 데이터셋에 대해서 만족스러운 성능을 발현하지 못한다. 원인은 제조공정의 데이터셋이 인공신경망에서 일반적으로 다루는 이미지, 텍스트 데이터셋과 비교해서 크기가 매우 작고, 노이즈가 심하다는 것이다. 또한 인공신경망의 과적합(overfitting) 문제도 제조업 데이터셋에서 인공신경망의 성능을 저하하는 원인으로 지적된다. 이에 현재까지 시도된 바 없는 SVM 알고리즘과 OoD 탐색의 접목을 시도하였다. 또한 예측모델의 정밀도 향상을 위해 배깅(Bagging) 알고리즘을 모델링에 반영하였다.