• ETRI Journal
• /
• 제27권6호
• /
• pp.798-801
• /
• 2005

This Letter proposes a scheme that supports a fast handover effectively in hierarchical mobile IPv6 networks (F-HMIPv6) by optimizing the associated data and control flows during the handover. By NS-2 simulation, we show that the proposed scheme can give better handover performance than a simple combination of existing schemes.

• 전자공학회논문지B
• /
• 제28B권11호
• /
• pp.913-924
• /
• 1991

In this paper, we propose a motion estimation algorithm using hierarchical structure. The algorithm uses the image pyramids from the repetitive application of Gaussian filtering and decimation, and performs an inter-level displacement propagation in its motion estimation process. The motion estimation algorithm based on the hierarchical structure is shown to be very effective since this scheme utilizes the local imformation as well as the global imformation. The experimental results on the various data imdicate that compared to the Horn and Schunck's method, the proposed algorithm yields an accurate motion estimation with a fast convergence behaviour.

• 한국사회복지학
• /
• 제58권2호
• /
• pp.119-141
• /
• 2006

본 연구의 목적은 우리나라 근로빈곤층의 실태와 특성을 파악하고 근로빈곤층의 정태적 결정요인을 파악하는데 있다. 이를 위해 본 연구는 한국노동패널조사의 제2차년도(1999년)부터 제7차년도(2004년)의 반복측정 자료를 개인간(between-person), 개인내(within-person) 2층(two-level)으로 병합하여 자료를 구성하고 이를 통해 각 수준의 변수들이 근로자의 빈곤지위여부에 미치는 영양을 위계적 일반화 선형모형(HGLM: hierarchical generalized linear model)을 이용하여 추정하였다. 분석의 결과, 우리나라 취업자 가운데 가구소득이 빈곤선 이하의 생활을 하는 근로빈곤층(개인)의 규모는 약 10.0% 내외의 규모를 보이는 것으로 나타났다. 이러한 근로계층의 빈곤지위에 영양을 미치는 요인으로는 성별, 교육수준, 결혼상태, 취업형태, 고용업종, 고용직종 등으로 밝혀졌으며 이외 가구원수, 연령 등은 유의미안 영향을 미치지 않은 것으로 나타났다.

• 융합신호처리학회논문지
• /
• 제20권4호
• /
• pp.205-211
• /
• 2019

스테그아날리시스(steganalysis)는 스테가노그래피(steganography)에 의해 숨겨진 데이터를 감지하고 복구하기 위한 기법이다. 스테그아날리시스 방법은 데이터 삽입 시 발생하는 시각적, 통계적 변화를 분석하여 숨겨진 데이터를 찾는다. 숨겨진 데이터를 복원하기 위해서는 어떤 스테가노그래피 방법에 의해 데이터가 숨겨졌는지를 알아야 한다. 그러므로 본 논문은 다층 분류를 통해 입력 영상에 적용된 스테가노그래피 방법을 식별하는 계층적 CNN 구조를 제안한다. 이를 위해 4개의 기본 CNN을 각각 입력 영상에 스테가노그래피 방법이 적용되었는지 여부나 서로 다른 두 스테가노그래피 방법 중에 어떤 방법이 적용되었는지를 이진 판별하도록 학습시켰으며, 학습된 CNN을 계층적으로 연결하였다. 실험 결과를 통해 제안된 계층적 CNN 구조는 4개의 서로 다른 스테가노그래피 방법인 LSB(Least Significant Bit Substitution), PVD(Pixel Value Difference), WOW(Wavelet Obtained Weights), UNIWARD(Universal Wavelet Relative Distortion)을 79%의 정확도로 식별할 수 있음을 확인하였다.

• 한국컴퓨터정보학회논문지
• /
• 제12권1호
• /
• pp.73-82
• /
• 2007

본 논문에서는 연속질의에 대한 집계연산을 수행할 때, 센서 네트워크의 수명을 길게 하기 위해 각 센서 및 클러스터 헤드에서의 데이터 전송량을 줄이기 위한 방법을 제안한다. 센서의 에너지 소모를 줄이는 가장 중요한 요소는 전승되는 메시지 수를 줄이는 것이다. 본 논문에서 제안하는 방법은 기본적으로 클러스터링, 네트워크 내 집계 및 계층적 필터링을 결합한 것이다. 계층적 필터링이란 센서 네트워크를 두 계층으로 나누어 필터링하는 것이다. 1계층 필터링은 클러스터 멤버에서 클러스터 헤드로 데이터를 전송시 필터링을 수행하고, 2계층 필터링은 클러스터 헤드에서 기지국으로 데이터를 전송시 필터링을 수행한다. 이 방법은 기존의 데이터 필터링 방법보다 더 효율적이고 효과적인 방법이다. 다양한 실험을 통해서, 제안한 방법이 다른 방법들보다 더 많은 메시지를 줄이고. 네트워크의 생존기간이 더 증가하였음을 보여준다.

• KEPCO Journal on Electric Power and Energy
• /
• 제2권1호
• /
• pp.61-69
• /
• 2016

Understanding load patterns and customer classification is a basic step in analyzing the behavior of electricity consumers. To achieve that, there have been many researches about clustering customers' daily load data. Nowadays, the deployment of advanced metering infrastructure (AMI) and big-data technologies make it easier to study customers' load data. In this paper, we study load clustering from the view point of yearly and daily load pattern. We compare four clustering methods; K-means clustering, hierarchical clustering (average & Ward's method) and DBSCAN (Density-Based Spatial Clustering of Applications with Noise). We also discuss the relationship between clustering results and Korean Standard Industrial Classification that is one of possible labels for customers' load data. We find that hierarchical clustering with Ward's method is suitable for clustering load data and KSIC can be well characterized by daily load pattern, but not quite well by yearly load pattern.

• 지능정보연구
• /
• 제28권3호
• /
• pp.185-207
• /
• 2022

최근 딥 러닝 기술의 발전으로 인해, 텍스트, 이미지 등 비정형 데이터 분석에 딥 러닝 알고리즘을 적용하는 연구가 활발히 수행되고 있다. 그중 텍스트 분류는 학계 및 업계에서 오랜 기간 연구되어 온 분야로, 분류의 성능을 향상시키기 위해 계층형 레이블 등 데이터 자체의 특성을 활용하기 위한 다양한 시도가 이루어지고 있다. 하지만 계층적 분류를 위해 주로 사용되는 하향식 접근법은 상위 레벨의 오분류가 하위 레벨의 정분류 기회를 차단한다는 한계가 있다. 따라서, 본 연구에서는 레이블의 계층적인 관계를 고려하면서도 상위 레벨의 분류가 하위 레벨의 분류를 차단하지 않도록 하여 분류 성능을 향상시키기 위해, 오토인코더 기반 심층 지도 네트워크를 활용한 계층형 데이터 분류 방법론을 제안한다. 제안 방법론은 오토인코더의 잠재변수에 하위 레이블을 예측하는 주 분류기를 추가하고, 인코더의 은닉층에 상위 레벨의 레이블 예측하는 보조 분류기를 추가하여 End-to-End 학습을 진행한다. 제안 방법론의 성능을 평가하기 위하여 국내 논문 데이터 총 22,512건에 대한 실험을 수행한 결과, 제안 모델이 기존의 지도 오토인코더 및 DNN 모델에 비해 분류 정확도와 F1-Score에서 우수한 성능을 나타냄을 확인하였다.

• 한국콘텐츠학회논문지
• /
• 제17권11호
• /
• pp.600-608
• /
• 2017

최근 인터넷의 급격한 확장에 따른 정보의 양이 기하급수적으로 증가하고 있다. 그러나 실제 사용자에게 필요한 정보는 극히 일부분으로 사용자가 원하는 정보를 찾는데 까지는 부가적인 시간과 노력이 요구된다. 따라서 검색어로 검색된 문서에 대한 유사도 평가를 통한 계층적 유사 정보와 검색 우선순위에 대한 정보를 제공할 필요성이 있다. 이를 위해서 검색어를 구성하고 있는 키워드의 동시 발생 빈도를 고려한 검색 문서에 대한 유사도를 기반으로 문서 클러스터를 구성하고 SVM을 적용한 빅 데이터 기반 계층적 유형 분류 모델을 제안한다. 계층적 분류방법과 SVM 분류기의 결합은 문서의 계층이 기하급수적으로 늘어나는 웹 문서의 경우에 높은 성능을 얻을 수 있다. 제안된 모델은 정확하고 신속한 검색을 제공하는 정보검색시스템의 응용 모델로 활용될 수 있다.

• 한국정보과학회논문지:데이타베이스
• /
• 제37권6호
• /
• pp.333-342
• /
• 2010

온톨로지는 시맨틱 웹을 구현하기 위해 중요한 역할을 하지만 이를 구축하는 작업은 많은 시간을 필요로 한다. 그러므로 기존 웹의 데이터 중 많은 양을 차지하고 있는 관계형 데이터베이스로부터 온톨로지를 자동으로 생성하는 연구들이 진행되고 있다. 기존의 연구들은 데이터베이스 스키마와 저장된 데이터 분석을 통한 온톨로지 생성에 대한 연구들이 주를 이룬다. 이러한 연구들은 데이터베이스 스키마 중 테이블과 제약조건만을 분석하여 온톨로지 스키마를 생성하며, 뷰 정의를 고려하지 않는다. 그러나 뷰는 데이터베이스 설계자가 데이터베이스를 사용하는 도메인을 고려하여 정의하므로, 뷰 정의를 고려할 경우 추가적인 클래스와 상하위 관계를 생성할 수 있다. 그리고 이렇게 생성된 클래스는 온툴로지에 대한 질의 처리와 통합에 유용하게 사용될 수 있다. 본 논문에서는 기존의 방법들을 분석하여 클래스와 상하위 관계 생성을 정형화하였으며, 뷰 정의를 분석하여 기존의 방법을 통해 생성된 온톨로지에 추가적인 클래스와 상하위 관계를 생성하는 방법을 제안한다. 또한 제안하는 방법을 이용해 예제 데이터베이스 스키마로부터 생성된 온톨로지의 결과 분석을 수행하고, 이를 통해 뷰 정의로부터 의미 있는 클래스와 상하위 관계가 추가적으로 생성되었음을 보인다.

• 한국콘텐츠학회:학술대회논문집
• /
• 한국콘텐츠학회 2009년도 춘계 종합학술대회 논문집
• /
• pp.816-821
• /
• 2009

본 논문에서는 건조물 문화재의 대용량 3D 데이터를 시점거리 기준으로 사용자에게 적합한 정보를 제공하기 위하여, 계층적 구조를 기반으로 한 단계별 상세정보 브라우징 기법을 제안하고자 한다. 대용량 건조물 문화재의 단계별 상세정보는 크게 계층적 구조를 생성하는 전처리 과정과 사용자의 시점 거리를 고려하여, 적합한 계층정보를 결정하는 상세정보 브라우징 과정을 통하여 제공한다. 전처리 과정에서는 3D 데이터를 최적화된 공간구조로 분류하여 관리하고, 공간 내 표면들 간의 관계도를 검사하여 메시(mesh) 구조에 홀이나 왜곡이 발생하지 않도록 표면을 재구성한 후 단계별 상세정보 데이터를 생성한다. 상세정보 브라우징 과정에서는 모델과 사용자 간의 시점 거리를 검사하고, 이에 적합한 단계의 데이터를 브라우징 함으로써, 관찰 시점 위치에 따라 사용자에게 적합한 계층 모델 데이터를 제공할 수 있었다.