• 한국지능시스템학회논문지
• /
• 제20권5호
• /
• pp.710-715
• /
• 2010

최근 풍력발전 시스템은 가장 빨리 발전하고 있는 신재생 에너지원중 하나로 각광을 받고 있으며, 풍력발전 시스템의 주된 관심사는 어떻게 광범위한 풍속의 변화에서도 효율적으로 시스템을 동작시키는 가에 있다. 일반적으로 풍속은 풍력발전시스템의 동특성에 큰 영향을 미치는 요소이다. 따라서 많은 풍력발전 제어 알고리듬은 성능향상을 위해 풍속의 측정을 요구하게 된다. 그러나 불행히도 풍속계와 같은 센서에 의한 실효 풍속의 정확한 측정은 어려운 실정이며 따라서 제어 시스템의 동작을 위해 풍속은 여러 가지 기법을 통해 추정되고 있는 실정이다. 이에 본 연구에서는 칼만 필터 및 신경망에 기반한 새로운 형태의 풍속 추정 기법을 제안하고 제안된 기법의 유용성 확인을 위해 다양한 형태의 시뮬레이션을 수행하고자 한다.

• 전자공학회논문지SC
• /
• 제46권6호
• /
• pp.73-79
• /
• 2009

운동하는 물체를 제어하기 위한 제어이론은 디지털 컴퓨터(임베디드시스템)를 이용하여 복잡한 신경망 이론, 인공지능 이론, 비선형 모델 예측 제어 이론등이 제어기 설계 단계에서 구현되고 있다. 비행제어 시스템의 비선형 모델 예측 제어 예측기는 구현하는 컴퓨터의 성능과 각종 모듈의 응용프로그램을 하드실시간(Hard Real-Time)으로 처리할 수 있도록 응답 시간을 충족 하여야 한다. 이와 동시에 제어 시스템에의 성능을 충분히 발휘할 수 있는 정확성도 고려하여야 한다. 수학적 영역에서의 오류는 전체 알고리즘 구현에 영향을 준다. 그러나 이러한 수학적 오류 발생 요인은 예측기에서 생성되는 파라미터에서 최종 정확도 계산에 가끔 고려하지 않는다. 본 논문에서는 비행체 제어를 위한 디지털 제어 시스템에서 하드실시간 하중제어 모델 예측기를 구현하고, 알고리즘의 응답시간을 살펴본다. 또한 이에 따른 정밀도를 보장하는 고효율 예측기를 구현하는 알고리즘을 살펴본다. 예측기는 하중 제어 모델에서 오일러 방법, Heun 방법, Runge-kutta 방법, 테일러 방법의 수치적분 알고리즘을 사용하여 구현된다.

• 제어로봇시스템학회논문지
• /
• 제17권11호
• /
• pp.1173-1178
• /
• 2011

The power generated by wind turbines changes rapidly because of the continuous fluctuation of wind speed and direction. It is important for the power industry to have the capability to predict the changing wind power. In this paper, neural network based wind power prediction scheme which uses wind speed and direction is considered. In order to get a better prediction result, compression function which can be applied to the measurement data is introduced. Empirical data obtained from wind farm located in Kunsan is considered to verify the performance of the compression function.

• 제어로봇시스템학회논문지
• /
• 제5권2호
• /
• pp.180-188
• /
• 1999

The objective of this paper is, based upon the principles of artificial life, to induce emergent behaviors of multiple autonomous mobile robots which complex global intelligence form from simple local interactions. Here, we propose an architecture of neural network learning with reinforcement signals which perceives the neighborhood information and decides the direction and the velocity of movement as mobile robots navigate in a group. As the results of the simulations, the optimum weight is obtained in real time, which not only prevent the collisions between agents and obstacles in the dynamic environment, but also have the mobile robots move and keep in various patterns.

• 제어로봇시스템학회논문지
• /
• 제4권6호
• /
• pp.765-771
• /
• 1998

An artificial neural network(NN) technique is developed for hardware redundant sensor validation. Since the measurement space is a continuous space with many operating regions, it is difficult to train a NN to correctly detect failure in an accurate measurement system. A conventional backpropagation NN is modified to include an additional preprocessing layer that extracts classification features from scalar measurements. This feature extraction means transform the measurement space to parity space. The NN is independent of the state variable being measured, the instrument range, and the signal tolerance. This NN resembles the parity space approach to signal validation, except that analytical parity equations are unneeded and the NN pattern recognition capability is utilized for decision making.

• 융합보안논문지
• /
• 제18권3호
• /
• pp.3-9
• /
• 2018

DDPG(Deep Deterministic Policy Gradient)알고리즘은 인공신경망과 강화학습을 사용하여 학습하는 알고리즘이다. 최근 많은 연구가 이루어지고 있는 강화학습과 관련된 연구 중에서도 DDPG 알고리즘은 오프폴리시로 학습하기 때문에 잘못된 행동이 누적되어 학습에 영향을 미치는 경우를 방지하는 장점이 있다. 본 연구에서는 DDPG 알고리즘을 응용하여 자전거를 자율주행 하도록 제어하는 실험을 진행하였다. 다양한 환경을 설정하여 시뮬레이션을 진행하였고 실험을 통해서 사용된 방법이 시뮬레이션 상에서 안정적으로 동작함을 보였다.

• 한국가스학회지
• /
• 제19권1호
• /
• pp.28-37
• /
• 2015

본 연구에서는 고속의 연산이 가능한 인공신경망 시뮬레이터와 SA 알고리즘을 결합하여 지능형 생산정 위치 최적화 전산 모델을 개발하였다. 기존의 사용하는 상용시뮬레이터의 경우 현장 규모의 저류 전산 시뮬레이션을 수행시 시간이 많이 소모되므로 이를 해결하기 위하여 이 모델에서는 인공신경망을 사용하여 짧은 시간내에 시뮬레이션을 수행할 수 있도록 하였다. 이렇게 얻은 결과를 주관적인 경험에 의거하지 않고 자동으로 최적의 생산정 위치를 선정할 수 있도록 최적화기법인 SA 알고리즘을 적용하였다. 개발된 모델을 사용하여 얻은 결과를 기존 사용 시뮬레이터와 비교하여 예측성능이 양호함을 검증할 수 있었으며, 연산속도 또한 향상됨을 확인하였다. 특히 SA 최적화 알고리즘의 제어변수인 초기온도와 냉각률에 대한 민감도분석을 실시하여 각각에 대한 최적값을 산출하였으며, 이를 통해 개발한 모델의 연산성능을 향상시킬 수 있었다. 마지막으로 개발된 모델을 사용하여 생산정 위치 최적화를 수행한 결과, 생산성이 우수한 지역을 선정하여 최적의 생산정 위치를 도출하였다.

• 지능정보연구
• /
• 제15권4호
• /
• pp.123-140
• /
• 2009

퍼지신경망 모형은 인공신경망의 네트워크 구조 표현방법 및 학습알고리듬과 퍼지시스템의 추론방법을 통합한 모형으로 제어 및 예측분야에 성공적으로 적용되고 있다. 본 연구에서는 퍼지신경망 모형 중 우수한 예측정확도로 인해 최근 각광받고 있는 ANFIS (Adaptive Network-based Fuzzy Inference System) 모형에서 생성된 퍼지규칙의 해석용이성을 평가하였다. ANFIS모형은 인간 전문가와 상호작용하면서 규칙을 정제해 나갈 수 있다. 특히 인간전문가의 사전지식을 이용하여 초기 퍼지규칙을 만들고 난 후 모형을 학습하면 최적에 수렴하는 시간을 단축할 뿐 아니라, 전역 최적치 도달가능성이 높아진다고 보고되고 있다. 이러한 관점에서 볼 때 규칙의 해석용이성은 인간 전문가와의 상호작용을 위해 매우 중요한 이슈가 될 수 있다. 본 연구에서는 ANFIS모형과 의사결정나무 모형에서 생성된 규칙을 해석용이성 관점에서 비교하기 위한 측도를 제안하고 각 규칙들을 비교하였다. 본 연구에서 제안된 해석용이성 측도들은 규칙을 생성하는 다양한 기계학습 모형의 규칙생성 능력을 평가하는 기준으로도 활용될 수 있을 것이다.

• 스마트미디어저널
• /
• 제11권3호
• /
• pp.18-25
• /
• 2022

뉴로모픽 컴퓨팅은 일반적으로 CPU와 GPU를 이용하여 신경망 연산을 하는 것보다 전력, 면적, 속도 측면에서 매우 뛰어난 성능을 보여준다. 이러한 특성은 에너지 사용량이 중요시되는 자원 제약적인 IoT 환경에 매우 적합하다. 하지만 뉴로모픽 컴퓨팅을 지원하는 이기종 IoT 기기에 따라 환경설정 및 응용 프로그램 동작을 위한 소스코드의 수정이 필요하다는 문제점을 가지고 있다. 이러한 문제점을 해결하고자 본 논문에서는 NAAL을 제안하고 구현하였다. NAAL은 공통의 API를 기반으로 다양한 이기종 IoT 기기 환경에서 IoT 기기의 제어와 뉴로모픽 아키텍처의 추상화 및 추론 모델 동작에 필요한 기능을 제공한다. NAAL은 향후 새로운 이기종 IoT 기기 및 뉴로모픽 아키텍처와 컴퓨팅 장치의 추가적인 지원이 가능하다는 장점을 가진다.

• KIEAE Journal
• /
• 제16권3호
• /
• pp.89-94
• /
• 2016

Purpose: This study aimed at developing an artificial neural network (ANN) model to predict the optimal start moment of the setback temperature during the normal occupied period of a building. Method: For achieving this objective, three major steps were conducted: the development of an initial ANN model, optimization of the initial model, and performance tests of the optimized model. The development and performance testing of the ANN model were conducted through numerical simulation methods using transient systems simulation (TRNSYS) and matrix laboratory (MATLAB) software. Result: The results analysis in the development and test processes revealed that the indoor temperature, outdoor temperature, and temperature difference from the setback temperature presented strong relationship with the optimal start moment of the setback temperature; thus, these variables were used as input neurons in the ANN model. The optimal values for the number of hidden layers, number of hidden neurons, learning rate, and moment were found to be 4, 9, 0.6, and 0.9, respectively, and these values were applied to the optimized ANN model. The optimized model proved its prediction accuracy with the very storing statistical correlation between the predicted values from the ANN model and the simulated values in the TRNSYS model. Thus, the optimized model showed its potential to be applied in the control algorithm.