본 논문은 컴퓨터 비전 기반의 인식 기법으로 주간 시내도로에 정차된 버스와 보도 사이로 접근하는 측후방 차량을 탐지하는 시스템을 설명한다. 이 시스템은 승객의 안전한 하차를 위해 버스 운전자와 승객에게 차량의 접근 유무를 알려준다. 버스의 측후방 영상은 버스가 정차할 때마다 버스 중앙 출입문 상단에 장착된 카메라에서 입력된다. 이 영상에서 버스와 보도 사이에 탐색영역을 설정하고 이 영역에서 영상의 변화와 소벨 필터링으로 차량을 탐지한다. 탐지된 차량의 중심점을 잡은 후, 위치 및 가로 세로의 크기를 이용하여 거리, 속도, 방향을 알아낸다. 이 정보를 이용하여 하차하는 승객에게 위험한 상황이라 판단될 경우, 운전자와 승객에게 위험을 알려준다. 실험결과로 시내 주행시 87% 이상의 탐지율을 나타내었다.

본 연구는 압연된 알루미늄 원판으로부터 추출된 캔재를 CCD 카메라를 이용하여 이어링률을 측정하는 시스템 개발이 주 목적이다. 입력받은 영상을 최적화하기 위하여 영상의 객체 분리 및 위치 보정을 해주었고, 전처리 단계로서 히스토그램 평활화에 의한 선명도를 개선시켜 준 다음 로버트 마스크를 이용하여 에지를 검출하였다. 현장에서는 알루미늄 특성상 발생된 캔재의 각 4개의 귀와 골의 높이를 디지털 버니어 캘리퍼스를 이용하여 수작업으로 측정하는데 처리 속도면에서 알루미늄 캔재의 1방향의 높이당 최소 3번 측정에 의하여 30초가 소요되었다. 반면에 스텝모터를 이용하여 캔재를 45°씩 회전시키면서 각각의 귀와 골의 높이 측정을 본 시스템을 적용하였을 때 0.02초의 시간이 소요되었다. 따라서 본 시스템을 이용한 결과 산업 현장에서 제품 처리 결과와 비교, 만족할 만한 성능이 입증되었다.

본 논문은 CCD 칼라 영상을 이용하여 얼굴을 인식할 수 있는 방법을 제안한다. YCbCr 컬러모델에서 피부색에 대한 색상 정보와 적응적인 피부범위 확장을 통하여 얼굴후보영역을 추출하였다. 추출된 얼굴후보영역을 이용하여 곡선전개 방식의 초기곡선으로 사용하여 얼굴영역을 정확히 추출하였다. 얼굴의 특징점을 추출하기 위하여 얼굴영역에서 칼라정보를 이용한 Eye Map과 Mouth Map을 이용하였다. Log-polar변환의 중심점을 얻기 위하여 검출된 얼굴의 특징점을 이용하였다. 특징벡터를 추출하기 위하여 DCT, 웨이브렛 변환을 통하여 추출한 계수들을 이용하였다. 제안된 방법의 타당성을 검토하기 위하여 BP 학습알고리즘을 사용하는 신경망에서 얼굴인식을 수행하였다. 실험결과, 제안한 방법이 입력영상의 회전, 크기변화에 대하여 기존의 방법에 비하여 강인한 인식결과를 얻을 수 있었다.

산업 시설 등에서 운전 중인 회전 기계의 동작, 감시, 진단은 설비의 효율적인 운용 및 사고 방지 등을 위해 매우 중요한 일이다. 이상 진단 기술은 기기에 설치된 센서로부터 취득된 데이터의 특징을 추출하는 것과 분류된 데이터를 이용해 정상 또는 이상으로 구분하거나 이상의 원인을 분석하는 두 가지 과정으로 진행할 수 있다. 기존의 기술들은 주파수 분석과 패턴 인식의 방법 등이 적용되어 왔다. 본 논문에서는 운전되고 있는 정상/비정상 상태를 분류하기 위하여 기기들의 사운드 정보를 획득하여 웨이블렛 변환을 거쳐 주파수 대역별 신호를 나누었다. 나누어진 대역별 신호의 RMS값으로 입력벡터를 구성하고 이 입력벡터에 K-means 방법을 적용하여 정상 및 비정상 상태의 모델을 결정한다. 결정된 정상 및 비정상 상태의 모델과 입력 벡터를 비교하여 입력 신호의 정상/비정상을 판단한다.

유전자 서열 분석기의 발달로 유전체 서열 데이터는 급속도로 증가하여 자동적으로 유전체에 주석을 첨부하는 과정이 필요하다. 유전체에 주석을 다는 작업 중 가장 어려운 과정이 유전체내에 존재하는 단백질을 코드화하고 있는 유전자의 탐색이다. 진핵생물과 원핵생물은 유전자 구조에서 현격한 차이를 보이고 있으므로 유전자를 예측하는 방법도 각각 달라야 한다. 지금까지 전체 유전체 서열이 밝혀진 231종의 생물에서 200종이 원핵생물이다. 그러므로 비교 유전체학을 통한 생물공학 연구에서 진핵생물보다 원핵생물이 더 적합하다 할 것이다. 게다가 원핵생물의 경우 intron이라는 구조를 가지고 있지 않아 유전자 예측이 더 간단하다. 이전에 연구된 원핵생물의 유전자 예측 정확성은 80%～90%에 이르고 있고 최근의 연구에서는 유전자 예측 정확도 100%를 목표로 하고 있고, 본 논문에서는 E. coli K-12와 S. typhi 유전체의 경우, 유전체 예측 정확도가 각각 98.5%와 98.7%를 보여 기존의 GLIMMER보다 더 우수한 결과를 나타내었다.

데이터를 디지털화하거나 전송하는 과정에서 여러 가지 원인에 의해 열화가 발생하고 있으며, 이러한 열화의 주된 원인은 잡음이다. 따라서 잡음에 의해 훼손된 신호를 복원하기 위하여 웨이브렛을 이용한 방법들에 대한 연구가 활발히 진행되고 있다. 그리고 AWGN 환경에서 잡음을 제거하기 위한 가장 일반적인 연구 동향은 threshold에 기초한 방법들이다. 그러나 이러한 방법은 잡음에 대한 통계적인 특징만을 고려함에 따라 복원된 신호는 여전히 많은 잡음들을 포함한다. 따라서 본 논문에서는 웨이브렛 상세계수의 누적을 통한 새로운 신호 복원 방법을 제시하여, 신호의 edge 성분에 대한 복원과 잡음 제거 성능을 향상시켰다. 그리고 개선 효과의 판단 기준으로 SNR을 사용하였으며, 객관적인 판단을 위해 기존의 방법들과 비교하였다.

스케줄링은 CDFG 내의 각 연산에 우선순위 관계를 유지하면서 연산이 수행될 제어스텝을 할당하는 과정으로 합성된 하드웨어의 성능에 직접적인 영향을 미치는 중요한 단계이다. 본 논문에서는 자원제한 스케줄링 알고리즘을 제안한다. 제안된 알고리즘은 주어진 그래프를 분석하여 연산유닛의 개수를 결정하고 이에 따라 각 연산을 제어스텝에 할당한다. 스케줄링 과정 중에 상대적으로 부족한 연산유닛과 여유 있는 연산유닛을 구별하여 연산유닛의 수를 조절한 후 반복적으로 성능개선을 시도하게 된다. 제안된 알고리즘의 성능을 평가하기 위하여 모의실험을 수행하였고 그 결과는 기존의 방법들에 비해 우수함을 알 수 있었다.

동적 신경망은 temporal 신호처리가 요구되는 여러 분야에 사용되어 왔다. 본 논문에서는 다층 리커런트 신경망(RNN)의 동특성을 더 향상시키기 위해 지역 궤환 신경망(LRNN)과 광역 궤환 신경망(GRNN)으로 구성된 합성 신경망을 사용하여 시스템 식별을 다루고 있다. 합성 신경망의 구조는 LRNN으로 IIR-MLP를, GRNN으로 Elman RNN을 결합하고 있다. 합성신경망은 선형과 비선형 시스템 식별을 통해 평가되었으며 상대적인 성능평가를 위해 Elman RNN과 IIR-MLP 신경망과 비교하고 있다. 시뮬레이션 결과에 의하면 합성 신경망은 학습속도와 정확도에서 더 우수하게 동작하였으며, 이러한 사실은 비선형 시스템 식별에 있어서 합성 신경망이 기존의 다층 리커런트 신경망보다 더 효과적인 신경망이 될 수 있음을 보여주었다.