• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.1027-1031
• /
• 2008

본 연구는 한반도 영역을 대상으로 2001년 7, 8월과 2002년 6월로 홍수기를 대상으로 RDAPS 모형, AWS, 상층기상관측(upper-air sounding)의 자료를 이용하였다. 또한 수치예보자료를 범주적 예측확률로 변환하고 인공신경망기법(ANN)을 이용하여 강수발생확률의 예측정확성을 향상시키는데 있다. 신경망의 예측인자로 사용된 대기변수는 500/ 750/ 1000hpa에서의 지위고도, 500-1000hpa에서의 층후(thickness), 500hpa에서의 X와 Y의 바람성분, 750hpa에서의 X와 Y의 바람성분, 표면풍속, 500/ 750hpa/ 표면에서의 온도, 평균해면기압, 3시간 누적 강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의 누적강수, 가강수량, 상대습도이며, 예측변수로는 강수발생확률로 선택하였다. 강우는 다양한 대기변수들의 비선형 조합으로 발생되기 때문에 예측인자와 예측변수 사이의 복잡한 비선형성을 고려하는데 유용한 인공신경망을 사용하였다. 신경망의 구조는 전방향 다층퍼셉트론으로 구성하였으며 역전파알고리즘을 학습방법으로 사용하였다. 강수예측성과의 질을 평가하기 위해서 $2{\times}2$ 분할표를 이용하여 Hit rate, Threat score, Probability of detection, Kuipers Skill Score를 사용하였으며, 신경망 학습후의 강수발생확률은 학습전의 강수발생확률에 비하여 한반도영역에서 평균적으로 Kuipers Skill Score가 0.2231에서 0.4293로 92.39% 상승하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.95-98
• /
• 2021

최근 비정상적인 네트워크 활동 감지 및 네트워크 서비스 프로비저닝과 같은 다양한 분야에서 응용되는 네트워크 트래픽 예측 기술이 네트워크 통신 문제에 의한 트래픽의 결측 및 네트워크 유저의 불규칙한 활동에 의한 비선형 특성 때문에 발생하는 성능 저하를 극복하기 위해 딥러닝 신경망에 대한 연구가 활성화되고 있다. 이 딥러닝 신경망 중 시계열 딥러닝 신경망은 단기 네트워크 트래픽 볼륨을 예측할 때 낮은 오류율을 보인다. 하지만, 시계열 딥러닝 신경망은 기울기 소멸 및 폭발과 같은 비선형성, 다중 계절성 및 장기적 의존성 문제와 같은 한계를 보여준다. 이 논문에서는 계절성 임베딩을 고려한 주의 신경망 기반 트래픽 예측 기법을 제안한다. 제안하는 기법은 STL 분해 기법을 통해 분해된 트래픽 트랜드, 계절성, 잔차를 이용하여 일별 및 주별 계절성을 임베딩하고 이를 주의 신경망을 기반으로 향후 트래픽을 예측한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2010.10a
• /
• pp.108-109
• /
• 2010

본 연구에서는 비선형예측기법으로서 그 우수성을 인정받고 있는 인공신경망모형을 사용하여 컨테이너 물동량 예측을 수행하였다. 그러나 인공신경망모형을 사용해 시계열의 예측결과를 ARIMA모형과 같이 널리 알려진 다른 전통적인 수요예측기법들과 비교 평가한 과거 연구들을 보게 되면 각기 주장하는 바와 그 결론이 상반됨을 알 수 있다. 그래서 인공신경망의 예측성과를 높이기 위한 기존의 선행연구들의 다양한 시도들을 바탕으로 국내 항만의 컨테이너물동량을 예측하고, 그를 통해 여러 모형간의 비교 검증작업을 수행하였다.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2003.11a
• /
• pp.177-182
• /
• 2003

많은 경제 시계열 자료 중에서 주가는 국내외 경제상황은 물론 정부정책 등 시장 외적인 영향에 가장 민감하게 반응한다. 하지만, 지금까지의 주가예측에 있어서는 이러한 외부의 영향, 즉 개입(Intervention)이 발생했을 때 주가의 변동에 능동적으로 대처하는 모형이 부재하였다. 실제로 이러한 개입사실을 예측모형에 반영하지 않는다면, 주가예측 있어 그 예측력을 따진다는 것은 무의미하다고 판단된다. 따라서, 개입시점을 발견하고, 이 개입효과를 측정하여 이를 모형에 반영한다면 좋은 예측결과를 얻을 수 있을 것이다. 이 연구에서는 이상점 탐지절차를 이용하여 개입 시점을 발견하고 개입의 효과가 개입시점에만 영향을 주는 모형과 효과가 일정기간 지속되는 모형으로 두 개의 개입시계열모형을 구축하고, 이러한 두 모형의 예측성과와 인공신경망모형을 이용한 예측성과를 비교하였다. 초단기예측(개입 직후 예측)에 있어서 개입의 효과가 지속되는 경우에는 개입시계열이 인공신경망보다 좋을 결과 를 나타내긴 했지만 그 차이는 크지 않았으며, 개입의 효과가 시점에만 영향을 준 경우에는 인공신경망의 결과가 더 우수한 것으로 나타났다. 단기예측(개입 후 20 일후의 예측)에 있어서는 개입 효과의 지속여부에 상관없이 인공신경망이 개입시계열모형보다 우수한 것으로 나타났다.

• Proceedings of the Korean Nuclear Society Conference
• /
• 1996.11a
• /
• pp.177-182
• /
• 1996

Remote nuclear cask handling device (RNCHD)는 사용후 핵연료cask의 원격 조작에 있어서 안전성과 성능을 향상을 목적으로 한다. RNCHD의 한부분인 grapple은 사용후 핵연료cask의 이동 및 수송 또는 용기뚜껑의 개폐를 위하여 cask의 벽에 대각선으로 돌출되어있는 두 개의 trunnion에 삽입되어야한다. 그러나 trunnion으로의 grapple 삽입은 용기중심과 grapple 장치 중심사이의 위치와 방향편차 때문에 어렵게된다. 인공신경망은 grapple에 설치된 광전센서를 사용하여 용기의 중심으로 부터 grapple 장치의 상대적 위치를 계측하기위해 사용된다. 인공신경망 학습은 광전센서값과 grapple의 상대적 위치와 방향사이의 함수적 관계를 추론하기 위해 수행된다. 이렇게 측정된 RNCHD의 중심위치는 grapple의 자세를 맞추기 위한 제어입력값으로 제공된다. 인공신경망 학습을 위한 데이터는 grapple 장치와 trunnion을 모사한 1/2 스케일의 실험장치를 사용함으로써 얻어진다. 학습된 인공신경망은 학습에 사용 안된 센서입력값, 즉 새로운 grapple의 위치에 대해서도 정확성을 가지고 grapple 장치의 위치와 방위를 측정할 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2011.05a
• /
• pp.72-76
• /
• 2011

본 연구는 레이더 강우 영상에서 추출된 강우 패턴을 인공신경망으로 처리하여 단기 강우 예측을 수행하는 방안을 제시한 것이다. 본 연구에 활용한 CAPPI 영상자료로는 편차 보정과 품질 관리가 이루어지고 있으며 획득이 용이한 기상청 자료를 이용하였으며 CAPPI의 PNG 영상으로부터 강우 패턴을 추출하고, 이를 역전파 알고리즘의 인공신경망 강우 예측 모형에 학습시켜 단기 강우를 예측하기 위한 절차를 제시하였다. 이를 위하여 강우의 시공간적 변화 패턴 추출을 위한 영상 처리와 GIS 자료처리 기법을 제시하였고 이를 인공신경망의 단기 강우 예측 학습과 검증에 적용하여 본 연구에서 제시된 기법의 타당성을 검토하였다.

• Proceedings of the Computational Structural Engineering Institute Conference
• /
• 2011.04a
• /
• pp.676-679
• /
• 2011

인공신경망(Artificial Neural Network)을 이용하여 RC Mock-up 구조물의 손상위치 및 손상정도를 단계적으로 추정하였다. 대상 구조물은 가진실험을 통하여 구조물의 응답을 취득하고 구조물식별기법(Structural System Identification)을 통하여 구조물의 동특성을 찾았다. 유한요소해석프로그램을 사용하여 동특성이 계측치와 가장 유사한 기본해석모델을 만든 후 이 기본해석모델을 이용하여 학습데이터를 생성하였다. 기존 인공신경망을 이용한 손상탐지를 개선하고자 본 연구에서는 인공신경망 학습데이터를 분석하였고 효과적인 손상탐지를 위하여 학습데이터를 가공하였다. 가공된 학습데이터를 사용하여 단계별 손상탐지를 실시하였고 기존 손상탐지 방법보다 좋은 결과를 유도하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2018.06a
• /
• pp.267-269
• /
• 2018

인공신경망의 확산 및 보급에 따라 적용 영역이 확대되고 있으며 여러 분야에서 획기적인 성능 향상을 이루고 있다. 영상 압축 분야의 기술개발은 기존 코덱 구조 내 각 요소기술의 성능향상을 위한 인공신경망 기술 분야와 기존 코덱 구조가 아닌 end-to-end 학습을 통한 인공신경망 기반 기술 분야로 나뉘어 진행되고 있다. 본 논문에서는 end-to-end 학습을 통한 인공신경망 기술의 비선형 변환 계층 중 GDN(generalized divisive normalization) 계층이 영상 압축에 미치는 영향을 분석한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2009.05a
• /
• pp.37-41
• /
• 2009

본 연구에서는 티센망을 이용한 면적강우량 산정방법의 대안으로서 최근 들어 수자원공학 분야에의 활용성이 커지고 있는 고해상도 기상레이더의 반사도자료(dBZ)를 활용하여 면적강우량을 산정하였다. 또한 이렇게 산정된 레이더 면적강우량을 티센망으로써 산정된 면적강우량과 비교하여 그 유용성을 판단하였다. 연구지역으로는 소양강댐 유역을 선정하였으며, 연구기간은 2008년 가장 강한 강우를 보였던 상위 5개의 사상을 선정하였다. 본 연구에서는 레이더 반사도를 강우강도로 변환시키는 과정은 인공신경망(artificial neural network, ANN) 중에서 일반적으로 널리 사용되고 있는 다층 퍼셉트론 인공신경망 모형을 적용하였다. 연구방법으로는 선택된 4개의 인자를 입력노드에 넣어 인공신경망을 학습시킨 후 연구지역 내 10개 AWS 지상관측소의 강우량을 추정하여 정확도를 비교 분석하였다. 이를 바탕으로 최종적으로 레이더 면적강우량을 산정하여 기존의 티센망을 이용한 면적강우량과 그 값을 비교하였다. 그 결과 인공신경망을 이용한 레이더 강우량의 경우, 평균제곱오차(mean square error, MSE) 및 상관계수(correlation coefficient, CC)가 매우 양호한 값을 보였다. 또한 유역 내 레이더 면적강우량이 티센망을 이용한 면적강우량에 비하여 약 $7%^{\sim}19%$ 정도 차이가 발생함을 확인하였으며, 레이더 면적강우량이 티센망을 이용한 면적강우량에 비하여 더 정확한 면적강우량을 산정할 수 있다고 판단된다.

• Journal of the Korean Geotechnical Society
• /
• v.17 no.2
• /
• pp.73-83
• /
• 2001

본 연구에서는 전국 4개 지구의 화강암 풍화토를 연구대상으로 현장 및 실내시험을 수행하고 토량 변화율을 노상과 노체에 대하여 결정하였다. 그리고, 본 연구에서는 인공 신경망 중 오류 역전파 학습 알고리즘을 도입하여 토량 변화율 C 값을 추정하고 신경망의 적용성에 대한 검증을 수행하였다. 화강암 풍화토에 대한 실내 및 현장시험 결과에서 얻어진 토량 변화율 C 값은 노상과 노체 구분 없이 최소 0.7에서 최대 1.2정도의 넓은 범위로 나타났다. 토지공사에서 제안하는 C값의 산정식과 본 연구 결과를 비교한 결과, 토지공사의 산정식에 의한 결과가 과대 평가될 가능성이 큰 것으로 나타났다. 비중, 자연 함수비, 자연상태의 습윤단위중량, #200 통과율 그리고 균등계수의 입력변수를 갖는 $I_{5-1}$$H_{30-30}$$O_1$의 신경망에서 다른 신경망 구조들보다 잦은 지역 최소점에 수렴하는 결과를 보였다. 본 연구에서 사용한 모든 신경망 구조에서 시험결과와 신경망 결과의 상관계수는 0.9이상으로 나타나 높은 상관성을 나타내었다. 특히, 인공 신경망에 의한 예측결과는 다양한 영향인자들 중에서 비중, 자연 함수비, 자연상태의 습윤단위중량 그리고 #200 통과율의 4개 변수만으로도 C값을 예측할 수 있었으며, 상관계수는 0.96으로 나타났다.다.