• 한국철도학회:학술대회논문집
• /
• 한국철도학회 2008년도 추계학술대회 논문집
• /
• pp.498-508
• /
• 2008

경부고속열차 차상컴퓨터 장치의 하부장치로 운전자에게 차량의 정보와 고장의 현시 그리고 유지보수기능 및 훈련기능을 가지고 있는 장치가 TECA (Terminal Cabin)이다. KTX 차량의 운전은 고속화 운전을 위해 신호운전의 필요가 요구되어지며 차량의 장대화 및 일인운전을 통한 차량의 기본정보 취득 및 고장에 대한 조치에 있어 많은 어려움이 있는 것이 사실이다. 이에 대해 차량에서 발생하는 수많은 정보에 대한 신속하고 정확한 처리와 유지보수를 위해 TECA장치는 그 활용에 있어 반드시 필요한 장치이다. 그러나 본 장치에 대한 하드웨어와 유지보수 그리고 새로운 요구에 따른 장치개발에는 연구사례가 없는 실정이다. 이에 운전자지원단말기 장치의 유지보수능력 개발과 장치에 대한 이해를 돕고 장치개발에 필요한 TECA의 기초기능과 요구사항을 하드웨어 중심으로 연구하였으며 이로 인한 새로운 운전자 단말기 장치 개발에 필요한 사양정립에 활용하도록 활용할 수 있으리라 본다.

• 한국음향학회지
• /
• 제37권6호
• /
• pp.469-474
• /
• 2018

도시 유동인구가 증가함에 따라 도시 환경 소음에 관한 연구의 중요성이 증가하고 있다. 본 연구에서는 교통상황에서 발생하는 이상 소음을 최근 환경 소음 분류 연구에서 높은 성능을 보이는 딥러닝 알고리즘을 이용하여 분류한다. 구체적으로는 타이어 제동 마찰음, 자동차 충돌음, 자동차 경적음, 정상 소음 네 개의 클래스에 대하여 합성곱 신경망을 이용하여 분류한다. 또한, 실제 교통 상황에서의 환경잡음에 강인한 분류 성능을 갖기 위해 빗소리, 바람 소리, 군중 소리의 세 가지 환경잡음을 설정하였고 이를 활용하여 분류 모델을 설계하였으며 3 dB SNR(Signal to Noise Ratio) 조건에서 88 % 이상의 분류 성능을 가진다. 제시한 교통 소음에 대하여 기존 선행연구 대비 높은 분류 성능을 보이고, 빗소리, 바람 소리, 군중 소리의 세 가지 환경잡음에 강인한 교통 소음 분류 모델을 제안한다.

• 한국컴퓨터그래픽스학회논문지
• /
• 제25권2호
• /
• pp.19-29
• /
• 2019

본 논문에서는 임계값 자동 설정 기능을 지원하는 효과적인 뉴로피드백 시스템을 제안한다. 실시간 뇌파의 신호 처리를 통해 보상 주파수와 억제 주파수에 대한 정확한 피드백을 생성하는 알고리즘을 설계하고, 이를 기반으로 치료사가 정한 목표 성공률을 얻기 위해 자동으로 임계값을 계산하는 기술을 제시한다. 본 논문에서 제시한 자동 임계값 설정 기술은 피험자의 이전 뇌파 패턴을 분석하여 목표 성공률과의 차이를 최소로하는 최적의 임계값을 계산한다. 다양한 조건의 실험을 통해 제안된 기법의 효율성과 안정성을 입증한다.

• 한국음향학회지
• /
• 제38권1호
• /
• pp.106-113
• /
• 2019

본 논문은 능동소나 시스템이 비협동으로 운용될 경우 수신된 직접파로 부터 이를 탐지하여 식별하는 일련의 알고리즘을 제안하였다. 제안하는 알고리즘은 최근 다양한 분야에서 우수한 성능을 보여주고 있는 콘볼루션 신경회로망을 사용하였으며, 입력 데이터로 수신신호를 단시간 퓨리에 변환을 수행한 시간 주파수 분석 데이터를 사용하였다. 본 논문에서 사용한 콘볼루션 신경회로망의 구조는 두 개의 콘볼루션 계층과 풀링 계층을 사용하였으며, 출력층에 따라 데이터베이스 기반의 신경회로망과 펄스 특징인자 기반의 신경회로망을 설계하였다. 알고리즘의 성능을 검증하기 위해 실제 해상에서 수신한 3110개의 CW(Continuous Wave)펄스와 LFM(Linear Frequency Modulated) 펄스의 데이터를 가공하여 학습 데이터와 테스트 데이터를 구성하였다. 시뮬레이션을 수행한 결과 데이터베이스 기반의 신경회로망은 99.9 %의 정확도를 보였으며, 특징인자 기반의 신경회로망은 두 픽셀의 오차를 허용할 경우 약 96 %의 정확도를 보였다.

• 천문학회보
• /
• 제44권1호
• /
• pp.54.2-54.2
• /
• 2019

Removing noise which occurs inevitably when taking image data has been a big concern. There is a way to raise signal-to-noise ratio and it is regarded as the only way, image stacking. Image stacking is averaging or just adding all pixel values of multiple pictures taken of a specific area. Its performance and reliability are unquestioned, but its weaknesses are also evident. Object with fast proper motion can be vanished, and most of all, it takes too long time. So if we can handle single shot image well and achieve similar performance, we can overcome those weaknesses. Recent developments in deep learning have enabled things that were not possible with former algorithm-based programming. One of the things is generating data with more information from data with less information. As a part of that, we reproduced stacked image from single shot image using a kind of deep learning, conditional generative adversarial network (cGAN). r-band camcol2 south data were used from SDSS Stripe 82 data. From all fields, image data which is stacked with only 22 individual images and, as a pair of stacked image, single pass data which were included in all stacked image were used. All used fields are cut in $128{\times}128$ pixel size, so total number of image is 17930. 14234 pairs of all images were used for training cGAN and 3696 pairs were used for verify the result. As a result, RMS error of pixel values between generated data from the best condition and target data were $7.67{\times}10^{-4}$ compared to original input data, $1.24{\times}10^{-3}$. We also applied to a few test galaxy images and generated images were similar to stacked images qualitatively compared to other de-noising methods. In addition, with photometry, The number count of stacked-cGAN matched sources is larger than that of single pass-stacked one, especially for fainter objects. Also, magnitude completeness became better in fainter objects. With this work, it is possible to observe reliably 1 magnitude fainter object.

• 한국음향학회지
• /
• 제40권2호
• /
• pp.169-175
• /
• 2021

최근 입자 조작, 신경 자극 등을 위해 초음파 홀로그램과 그 응용에 대해 연구가 활발히 되고 있다. 하지만 홀로그램을 생성할 송신 신호 위상의 결정은 이전의 시간 소모적인 반복 최적화 방법에서 크게 벗어나지 않고 있다. 이에 본 연구에서는 광학 홀로그램 생성을 위해 활용된 바 있는 딥러닝 기법을 초음파 홀로그램 생성을 위해 적용하여 소개한다. U-Net을 기반으로 알고리즘을 구성하였으며 원 모양의 데이터셋에 대해 학습하고 영어 알파벳에 대해 평가함으로써 그 일반화 가능성을 검증하였다. 또한 시뮬레이션을 통해 기존 알고리즘과 계산속도, 정확도, 균일도 측면에서 비교하였다. 결과적으로 정확도와 균일도는 기존에 비해 다소 떨어지지만 계산속도가 약 190배 빨라졌다. 따라서, 이 결과를 통해 딥러닝 기반 초음파 홀로그램 생성 알고리즘은 기존 방법보다 초음파 홀로그램을 빠르게 형성할 수 있는 것을 확인할 수 있었다.

• 한국정보통신학회논문지
• /
• 제25권1호
• /
• pp.75-80
• /
• 2021

측위 기술은 증강현실, 스마트 팩토리, 자율주행 등에서 중요한 기능을 수행하고 있다. 측위 기술 중에서 비콘을 이용한 측위 방법은 RSSI(Receiver Signal Strength Indicator) 값의 편차로 인하여 도전적인 과제로 여겨져 왔다. 본 논문에서는 수신기의 RSSI 값을 입력으로 하고 거리를 목표 값으로 하는 신경망을 학습시켜서 이동하는 객체에 대한 위치를 예측하였다. 이를 수행하기 위해 RSSI 대비 거리 실측값을 수집하였다. 수집한 데이터로 합성 데이터를 만들기 위한 신경망을 도입하였다. 이 신경망을 바탕으로 거리 대비 RSSI 값을 예측하였다. 합성 데이터를 바탕으로 가상으로 좌표계를 구성하여 객체의 위치를 예측하였다. 합성 데이터를 생성하기 위한 신경망으로 RSSI의 표준편차는 구하였고 이 값을 기반으로 가상환경에서 단말의 위치를 추적하는 신경망을 학습시켜 객체의 좌표를 추정하였다.

• 디지털융복합연구
• /
• 제18권12호
• /
• pp.127-132
• /
• 2020

본 논문에서 제안한 스마트 음악학습기는 투명패널의 양면에 터치패널을 붙여 디스플레이 부분을 구성한다. 주처리부는 라즈베리 파이를 이용해 구성하고 운영체제는 안드로이드를 사용한다. 투명패널에는 음악교육 콘텐츠가 디스플레이 되고 터치패널 1, 2에서는 학습자와 교수자의 입력을 받아들인다. 터치패널 1, 2에서 입력되는 신호는 주처리부에서 처리과정을 거쳐 음악교육 콘텐츠를 진행을 제어한다. 이러한 제어과정은 양면패널기반 상호작용 교육알고리즘을 설계해 구현하도록 한다. 본 기기는 상호교감 기반의 음악 교육을 목표로 한다. 따라서 이것은 투명패널을 통해 제시되는 음악교육 콘텐츠를 이용하여 면대면 교육을 실시한다. 이러한 방식은 학습자에 대한 반응을 교수자가 실시간으로 알 수 있기 때문에 학습에 대한 이해도와 교육의 질이 향상된다. 또한 학습자의 집중력이 향상되는 효과를 얻을 수 있다.

• Imaging Science in Dentistry
• /
• 제52권4호
• /
• pp.393-398
• /
• 2022

Purpose: This study proposed a generative adversarial network (GAN) model for T2-weighted image (WI) synthesis from proton density (PD)-WI in a temporomandibular joint(TMJ) magnetic resonance imaging (MRI) protocol. Materials and Methods: From January to November 2019, MRI scans for TMJ were reviewed and 308 imaging sets were collected. For training, 277 pairs of PD- and T2-WI sagittal TMJ images were used. Transfer learning of the pix2pix GAN model was utilized to generate T2-WI from PD-WI. Model performance was evaluated with the structural similarity index map (SSIM) and peak signal-to-noise ratio (PSNR) indices for 31 predicted T2-WI (pT2). The disc position was clinically diagnosed as anterior disc displacement with or without reduction, and joint effusion as present or absent. The true T2-WI-based diagnosis was regarded as the gold standard, to which pT2-based diagnoses were compared using Cohen's ĸ coefficient. Results: The mean SSIM and PSNR values were 0.4781(±0.0522) and 21.30(±1.51) dB, respectively. The pT2 protocol showed almost perfect agreement(ĸ=0.81) with the gold standard for disc position. The number of discordant cases was higher for normal disc position (17%) than for anterior displacement with reduction (2%) or without reduction (10%). The effusion diagnosis also showed almost perfect agreement(ĸ=0.88), with higher concordance for the presence (85%) than for the absence (77%) of effusion. Conclusion: The application of pT2 images for a TMJ MRI protocol useful for diagnosis, although the image quality of pT2 was not fully satisfactory. Further research is expected to enhance pT2 quality.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제16권5호
• /
• pp.1431-1445
• /
• 2022

We construct a deep neural network model named ECGResNet. This model can diagnosis diseases based on 12-lead ECG data of eight common cardiovascular diseases with a high accuracy. We chose the 16 Blocks of ResNet50 as the main body of the model and added the Squeeze-and-Excitation module to learn the data information between channels adaptively. We modified the first convolutional layer of ResNet50 which has a convolutional kernel of 7 to a superposition of convolutional kernels of 8 and 16 as our feature extraction method. This way allows the model to focus on the overall trend of the ECG signal while also noticing subtle changes. The model further improves the accuracy of cardiovascular and cerebrovascular disease classification by using a fully connected layer that integrates factors such as gender and age. The ECGResNet model adds Dropout layers to both the residual block and SE module of ResNet50, further avoiding the phenomenon of model overfitting. The model was eventually trained using a five-fold cross-validation and Flooding training method, with an accuracy of 95% on the test set and an F1-score of 0.841.We design a new deep neural network, innovate a multi-scale feature extraction method, and apply the SE module to extract features of ECG data.