• Journal of Information Technology Applications and Management
• /
• 제29권5호
• /
• pp.27-37
• /
• 2022

This study intends to link agricultural machine history data with related organizations or collect them through IoT sensors, receive input from agricultural machine users and managers, and analyze them through AI algorithms. Through this, the goal is to track and manage the history data throughout all stages of production, purchase, operation, and disposal of agricultural machinery. First, LSTM (Long Short-Term Memory) is used to estimate oil consumption and recommend maintenance from historical data of agricultural machines such as tractors and combines, and C-LSTM (Convolution Long Short-Term Memory) is used to diagnose and determine failures. Memory) to build a deep learning algorithm. Second, in order to collect historical data of agricultural machinery, IoT sensors including GPS module, gyro sensor, acceleration sensor, and temperature and humidity sensor are attached to agricultural machinery to automatically collect data. Third, event-type data such as agricultural machine production, purchase, and disposal are automatically collected from related organizations to design an interface that can integrate the entire life cycle history data and collect data through this.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제7권8호
• /
• pp.307-324
• /
• 2018

최근 순환 신경 망(Recurrent Neural Networks)은 시간에 대한 의존성을 고려한 구조를 통해 순차 데이터(Sequential data)의 예측 문제 해결에서 각광받고 있다. 하지만 순차 데이터의 시간 스텝이 늘어남에 따라 발생하는 그라디언트 소실(Gradients vanishing)이 문제로 대두되었다. 이를 해결하기 위해 장단기 기억 모델(Long Short-Term Memory)이 제안되었지만, 많은 데이터를 저장하고 장기간 보존하는 데에 한계가 있다. 따라서 순환 신경망과 메모리 요소(Memory component)를 활용한 학습 모델인 메모리-증대 신경망(Memory-Augmented Neural Networks)에 대한 연구가 최근 활발히 진행되고 있다. 본 논문에서는 딥 러닝(Deep Learning) 분야의 화두로 떠오른 메모리-증대 신경망 주요 모델들의 구조와 특징을 열거하고, 이를 활용한 최신 기법들과 향후 연구 방향을 제시한다.

• Communications for Statistical Applications and Methods
• /
• 제16권4호
• /
• pp.639-645
• /
• 2009

Fractional Brwonian motion(fBm) has properties of behaving tails and exhibiting long memory while remaining Gaussian. In particular, it is well known that interest rates show some long memories and non-Markovian. We present no aribitrage condition for HJM model under the multi-factor fBm reflecting the long range dependence in the interest rate model.

• 인지과학
• /
• 제11권3_4호
• /
• pp.33-43
• /
• 2000

정보처리 이론은 기억을 단기기억과 장기기억으로 구분하였다. 기억체계 이론은 기억이 정보처리 이론에서 가정하는 하나의 장기기억이 아닌 중다기억 체계로 기억이 조직화되어 lT다고 주장한다. 대표적인 기억체계정보처리 이론은 기억을 단기기억과 장기기억으로 구분하였다. 기억체계 이론은 기억이 정보처리 이론에서 가정하는 하나의 장기기억이 아닌 중다기억 체계로 기억이 조직화되어 lT다고 주장한다. 대표적인 기억체계 이론으로는 Schacter와 Tulving 의 기억모형(1994)과 Squire 의 장기기억 분류 모형(1987)이 있다 두 모형은 단기기억과 장기기억의 구분, 기억장애에 보존된 암묵기억 수행에는 견해가 일치하지만, 기억장애가 일화기억만의 손상인지 아니면 의미기억을 포함하는지는 견해가 다르다. 그러나 현재의 자료로서는 일화기억과 의미기억의 구분이 더 정확한 설명인가 아니면 서술기억과 비서술기억의 구분이 더 나은 설명인가는 분명하지 않다. 전두엽에 대한 더 자세한 연구가 일화기억과 의미기억의구분과 관련되어 있다. 이론으로는 Schacter와 Tulving 의 기억모형(1994)과 Squire 의 장기기억 분류 모형(1987)이 있다 두 모형은 단기기억과 장기기억의 구분, 기억장애에 보존된 암묵기억 수행에는 견해가 일치하지만, 기억장애가 일화기억만의 손상인지 아니면 의미기억을 포함하는지는 견해가 다르다. 그러나 현재의 자료로서는 일화기억과 의미기억의 구분이 더 정확한 설명인가 아니면 서술기억과 비서술기억의 구분이 더 나은 설명인가는 분명하지 않다. 전두엽에 대한 더 자세한 연구가 일화기억과 의미기억의구분과 관련되어 있다.

• 한국산학기술학회논문지
• /
• 제15권12호
• /
• pp.7018-7024
• /
• 2014

본 연구에서는 GPH(Geweke and Porter-Hudak, 1983) 추정량을 이용하여 KOSPI200지수의 제곱수익률과 절대수익률을 장기기억속성이 있는지 실증분석을 수행하였다. GPH는 장기기억보전 시계열 모수 d를 직선회귀에 의해서 추정하였으며 이를 GPH 추정량이라고 하며 이는 대역폭 m에 의존한다. m값에 따른 GPH추정량의 자취를 확인하여 추정 값이 안정적인 구간을 확인하여 m을 결정한다. 분석 결과 KOSPI200지수의 제곱수익률과 절대수익률은 0< d <0.5를 만족하여 장기기억 속성을 가지고 있는 것으로 나타났다.

• 한국산업정보학회논문지
• /
• 제26권1호
• /
• pp.1-10
• /
• 2021

본 연구에서는 EEG 신호를 기반으로 감정 인식에 유용한 딥러닝 기법을 제안한다. 감정이 시간에 따라 변화하는 특성을 반영하기 위해 Long-Short Term Memory 네트워크를 사용하였다. 또한, 특정 시점의 감정적 상태가 전체 감정 상태에 영향을 미친다는 이론을 기반으로 특정 순간의 감정 상태에 가중치를 주기 위해 어텐션 메커니즘을 적용했다. EEG 신호는 DEAP 데이터베이스를 사용하였으며, 감정은 긍정과 부정의 정도를 나타내는 정서가(Valence)와 감정의 정도를 나타내는 각성(Arousal) 모델을 사용하였다. 실험 결과 정서가(Valence)와 각성(Arousal)을 2단계(낮음, 높음)로 나누었을 때 분석 정확도는 정서가(Valence)의 경우 90.1%, 각성(Arousal)의 경우 88.1%이다. 낮음, 중간, 높음의 3단계로 감정을 구분한 경우 정서가(Valence)는 83.5%, 각성(Arousal)은 82.5%의 정확도를 보였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.249-251
• /
• 2021

본 논문에서는 노령층 인구가 도보시 일어날 수 있는 낙상상황을 텐서플로워를 이용하여 인지하기 위한 시스템에 대하여 소개한다. 낙상감지는 고령자의 몸에 착용한 가속센서 데이터에 대해서 텐서플로워를 이용하여 학습된 LSTM(long short-term memory)을 기반하여 낙상과 일상생활을 판별한다. 각각 7가지의 행동 패턴들에 대하여 학습을 실행하며, 4가지는 일상생활에서 일어나는 행동 패턴이고, 나머지 3가지는 낙상시의 패턴에 대하여 학습한다. 3축 가속도 센서의 가공하지 않은 데이터와 가공한 SVM(Sum Vector Magnitude)를 이용하여 LSTM에 적용해서 학습하였다. 이 두 가지 경우에 대해서 테스트한 결과 데이터를 혼합하여 학습하면 더 좋은 결과를 기대할 수 있을 것으로 예상된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.183-183
• /
• 2020

Accurate quantitative precipitation estimation plays an important role in hydrological modelling and prediction. Instantaneous quantitative precipitation estimation (QPE) by utilizing the weather radar data is a great applicability for operational hydrology in a catchment. Previously, regression technique performed between reflectivity (Z) and rain intensity (R) is used commonly to obtain radar QPEs. A novel, recent approaching method which might be applied in hydrological area for QPE is Long Short-Term Memory (LSTM) Networks. LSTM networks is a development and evolution of Recurrent Neuron Networks (RNNs) method that overcomes the limited memory capacity of RNNs and allows learning of long-term input-output dependencies. The advantages of LSTM compare to RNN technique is proven by previous works. In this study, LSTM networks is used to estimate the quantitative precipitation from weather radar for an urban catchment in South Korea. Radar information and rain-gauge data are used to evaluate and verify the estimation. The estimation results figure out that LSTM approaching method shows the accuracy and outperformance compared to Z-R relationship method. This study gives us the high potential of LSTM and its applications in urban hydrology.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 춘계학술대회
• /
• pp.516-518
• /
• 2022

본 논문에서는 낙상상태를 감지할 수 있는 장단기 메모리(Long Short-Term Memory)를 이용한 낙상감지 시스템에서 은닉층 노드 수 변경에 따른 영향을 소개한다. 3축 가속도 센서를 이용하여 x, y, z축 데이터를 중력 방향과 이루는 각도를 나타내는 파라미터 theta(θ)를 이용하여 훈련을 진행한다. 학습에서는 validation이 진행되어 8:2의 비율로 훈련 데이터와 테스트 데이터로 나뉘며, 효율성을 높이기 위해 은닉층의 노드 수를 변화하며 훈련을 진행한다. 노드 수가 128일 때 Accuracy 99.82%, Specificity 99.58%, Sensitivity 100%로 가장 좋은 정확도를 나타내었다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제8권6호
• /
• pp.2139-2151
• /
• 2014

Embedded system testing, especially long-term reliability testing, of flash memory solutions such as embedded multi-media card, secure digital card and solid-state drive involves strategic decision making related to test sample size to achieve high test coverage. The test sample size is the number of flash memory devices used in a test. Earlier, there were physical limitations on the testing period and the number of test devices that could be used. Hence, decisions regarding the sample size depended on the experience of human testers owing to the absence of well-defined standards. Moreover, a lack of understanding of the importance of the sample size resulted in field defects due to unexpected user scenarios. In worst cases, users finally detected these defects after several years. In this paper, we propose that a large number of potential field defects can be detected if an adequately large test sample size is used to target weak features during long-term reliability testing of flash memory solutions. In general, a larger test sample size yields better results. However, owing to the limited availability of physical resources, there is a limit on the test sample size that can be used. In this paper, we address this problem by proposing a self-adaptive reliability testing scheme to decide the sample size for effective long-term reliability testing.