• 환경영향평가
• /
• 제27권2호
• /
• pp.105-113
• /
• 2018

소음의 영향권을 파악하기 위해 사용하는 실측/측정망 자료의 한계점, 소음의 전달특성, 장애물들의 영향 등을 보완하기 위해 소음지도 모델링 방법을 최근에 많이 사용하고 있다. 소음지도 모델링 방법은 소음원의 입력, 예측인자의 설정방법, 예측 소음도들의 분석방법에 따라 결과값에 많은 영향을 미친다. 2개 지역에서 공동주택의 노출소음도 산정을 위한 수음점 설정방법과 노출인구 산정을 위한 대표소음도 산정방법에 따라 총 5가지로 나누어 소음 노출인구 산정 결과를 비교 분석하였다. 분석 결과 소음도 구간별 노출인구수를 비교해보니 두 지역 모두 실제와 가장 유사하게 모델링한 기준 방법(Base)과 비교하여 대표소음도를 최고소음도로, 베란다측 노출만을 고려하여 간략화한 방법(M2-1)이 가장 유사한 결과를 나타냈다. 또한, 대표소음도를 최고소음도로, 일정간격 노출로 간략화한 방법(M1-1)은 과대평가, 평균 소음도를 사용한 방법(M1-2, M2-2)은 과소평가될 가능성이 있는 것으로 나타났다.

• 한국통신학회논문지
• /
• 제34권3A호
• /
• pp.272-280
• /
• 2009

배경잡음 측정은 전파환경 조사 및 주파수 점유율의 비교기준인 임계레벨을 산출하는데 반드시 수행되어야 하는 매우 중요한 과정이다. 배경잡음 측정은 측정대상 대역에서 가급적 잡음만으로 구성된 부대역을 선정하고, 선정된 표본 부대역에 대하여 잡음전력을 측정하여 대상대역에 대한 대표값으로 사용하는 과정으로 이루어진다. 본 논문에서는 배경잡음으로 백색가우시안 잡음을 가정하고, 잡음 측정의 첫 번째 단계에서 신호가 적고 대부분 잡음으로만 구성된 대역을 선별하는데 적용될 수 있는 특이값 분해 (singular value decomposition, SVD)를 이용한 잡음대역 선정 방법을 제안한다. 기존에 널리 쓰여지는 방법인 신호강도확률분포 (amplitude probability distribution, APD) 방법과의 성능비교를 통하여 우수성을 확인하였다.

• 대한전자공학회논문지SP
• /
• 제46권4호
• /
• pp.58-66
• /
• 2009

최근 경량화 비디오 부호화를 위함 분산 비디오 부호화 기술 (DVC: Distributed Video Coding)에 대한 연구가 활발히 이루어지고 있으며, Wyner-Ziv 부호화 기술은 이의 대표적인 기술로써 각광받고 있다. Wyner-Ziv (WZ) 부호화기는, 영상을, 기존의 인트라 부호화기를 이용하는 키 (Key) 프레임과 WZ 부호화를 하는 WZ 프레임으로 나누어 독립적으로 부호화 한다. WZ 복호화기로 전송된 키 프레임은 복원된 뒤 키 프레임 사이의 WZ 프레임을 추정하는데 사용되며 추정된 WZ 프레임을 보조정보 (Side Information)라고 한다. 보조정보는 WZ 프레임에 대한 정보가 없는 상태에서 추정되므로 필연적으로 WZ 프레임과 다르며 WZ 복호화기에서는 보조정보와 WZ 프레임과의 차이를 가상의 채널 잡음으로 간주한다. WZ 복호화 과정은 가상의 채널잡음을 WZ 복호화기 내에 존재하는 채널코드를 이용하여 제거함으로써 이루어지므로 채널 정보를 정확히 아는 것은 채널코드의 에러정정능력에 큰 영향을 미친다. WZ 복호화기에서는 추정된 WZ 영상만이 존재하므로 정확한 잡음의 양을 알 수 없으며, 일반적으로 선형 움직임에 근거한 키 프레임 간의 차를 하나의 예측 수단으로 사용한다. 또한 이와 같이 예측이 갖는 불확실성으로 채널코드의 효율이 저하되는 것을 막기 위하여 주변의 잡음과 비교를 통한 잘못된 잡음을 정정하는 방법도 제안되었다. 하지만 이런 방법들이 모든 프레임이나 비트 플레인에 존재하는 잡음을 제대로 측정한다고 할 수는 없다. 따라서 본 논문에서는 여러 개의 후보 잡음 모델을 생성한 후, 복호화 과정에서 가장 효율적인 모델을 선택하는 방법을 제안한다. 제안 방법에 대한 실험결과는 최대 0.8 dB의 PSNR이득을 보여준다.

• 지능정보연구
• /
• 제25권4호
• /
• pp.105-122
• /
• 2019

텍스트 데이터가 특정 범주에 속하는지 판별하는 문장 분류에서, 문장의 특징을 어떻게 표현하고 어떤 특징을 선택할 것인가는 분류기의 성능에 많은 영향을 미친다. 특징 선택의 목적은 차원을 축소하여도 데이터를 잘 설명할 수 있는 방안을 찾아내는 것이다. 다양한 방법이 제시되어 왔으며 Fisher Score나 정보 이득(Information Gain) 알고리즘 등을 통해 특징을 선택 하거나 문맥의 의미와 통사론적 정보를 가지는 Word2Vec 모델로 학습된 단어들을 벡터로 표현하여 차원을 축소하는 방안이 활발하게 연구되었다. 사전에 정의된 단어의 긍정 및 부정 점수에 따라 단어의 임베딩을 수정하는 방법 또한 시도하였다. 본 연구는 문장 분류 문제에 대해 선택적 단어 제거를 수행하고 임베딩을 적용하여 문장 분류 정확도를 향상시키는 방안을 제안한다. 텍스트 데이터에서 정보 이득 값이 낮은 단어들을 제거하고 단어 임베딩을 적용하는 방식과, 정보이득 값이 낮은 단어와 코사인 유사도가 높은 주변 단어를 추가로 선택하여 텍스트 데이터에서 제거하고 단어 임베딩을 재구성하는 방식이다. 본 연구에서 제안하는 방안을 수행함에 있어 데이터는 Amazon.com의 'Kindle' 제품에 대한 고객리뷰, IMDB의 영화리뷰, Yelp의 사용자 리뷰를 사용하였다. Amazon.com의 리뷰 데이터는 유용한 득표수가 5개 이상을 만족하고, 전체 득표 중 유용한 득표의 비율이 70% 이상인 리뷰에 대해 유용한 리뷰라고 판단하였다. Yelp의 경우는 유용한 득표수가 5개 이상인 리뷰 약 75만개 중 10만개를 무작위 추출하였다. 학습에 사용한 딥러닝 모델은 CNN, Attention-Based Bidirectional LSTM을 사용하였고, 단어 임베딩은 Word2Vec과 GloVe를 사용하였다. 단어 제거를 수행하지 않고 Word2Vec 및 GloVe 임베딩을 적용한 경우와 본 연구에서 제안하는 선택적으로 단어 제거를 수행하고 Word2Vec 임베딩을 적용한 경우를 비교하여 통계적 유의성을 검정하였다.