• 한국지반공학회지:지반
• /
• 제14권3호
• /
• pp.25-46
• /
• 1998

본 논문은 낙동강 유역의 사질토 지반에 매입되어 수평 하중을 받는 모형 강관 말뚝의 수평 거동의 결과를 관찰하였다. 본 연구의 목적은 말뚝의 수평 거동에 대한 말뚝의 근입길이, 지반 상대밀도, 하중 재하속도, 말뚝두부의 구속조건, 그리고 지반내의 이질층의 영향에 관하여 실험적인 연구를 수행하고 이러한 영향들을 정량화 할 수 있는 실험결과를 얻었다. 또한, 수치해석 (p-y method. modifiled Vlasov method, Characteristic Load Method:CLM) 결과들과 비교 되었다. 본 연구에서 Vlasov 해석법에 기초한 new parameter는 깊이에 비례하는 지반반력 (KhD=nhizn)에 대하여 적용할 수 있도록 개발하였다. p-V해석 모델은 비선형 거동이며, 수평하중을 받는 깊은 기초의 설계에 유효한 방법이다. Characteristic load method (CLM)이라 불 리는 새로운 방법은 P-V해석법 보다 간편하며, p-V해석법에 의한 결과와 잘 일치하고 있다. CLM방법은 무차훤 변수들의 관계들로부터 수평 하중을 받는 말뚝들의 비선형 거동을 특성화 하기 위하여 차원 해석을 이용하고 있다. p-y해석법과 수정 Vlasov방법에 이용하는 지반반력 계수와 극한 지반반력들은 직접 전단시험 결과들을 역 해석하여 구하였다. 직접전단 시험에 의한 지반반력 계수와 극한 지반반력들의 수평거동 예측에 이용하기 위한 수정계수들은 각각 0.014~0.05, 0.2~0.4로 나타났다. p-y analysis. modified Vlasov method (new ${\gamma}$ parameter), CLM에 의한 수치해석 결과들은 상대밀도가 증가할수록 실험결과들과 잘 일치하는 것으로 나타났다. 또한 y/D=0.2 이하에서 CLM 방법의 적용성이 입증되었다.

• 대한핵의학회지
• /
• 제37권5호
• /
• pp.288-300
• /
• 2003

목적: ${H_2}^{15}O$ PET의 정량화를 위하여 1-조직 구획모델이 쓰이며, 뇌혈류와 조직/혈액 분배계수를 구하기 위하여 nonlinear least squares (NLS) 방법이 사용되나 계산 시간이 긴 등의 문제로 파라미터를 각화소마다 구해야 하는 파라메트릭 영상 구성에는 적합하지 않다. 이 연구에서는 이와 같은 NLS 문제점을 극복하여 파라메트릭 영상을 빠르게 구성하기 위하여 제안된 파라미터 추정 알고리즘들을 구현하고, 이 방법들의 통계적 신뢰도와 계산의 효율성을 비교하였다. 대상 및 방법: 이 연구에서 이용한 방법들은 linear least squares (LLS), linear weighted least squares (LWLS), linear generalized least squares (GLS), linear generalized weighted least squares (GWLS), weighted integration (WI), 그리고 model-based clustering method (CAKS)이다. 노이즈 정도에 따른 각 파라메트릭 영상법의 정확성 및 통계적 신뢰성을 알아보기 위하여 Zubal 뇌모형(brain phantom)으로부터 동적 PET 영상을 모사하고 포아송노이즈를 더한 후 각 파라메트릭 영상 구성 방법을 적용하였다. 또한 정상인 16명에 대하여 얻은 실제 자료에 대하여 이 방법들을 적용하고 결과를 비교하였다. 결과: 뇌혈류와 분배계수에 대한 평균 오차는 방법에 따라 크게 다르지 않았으며 모든 방법이 뇌혈류 및 분배계수 추정에 있어 무시할 만한 바이어스를 보였다. 파라메트릭 영상의 정성적 특성 또한 유사하였으나 CAKS 방법의 계산 속도가 월등하여 NLS 방법의 약 1/500, LLS 방법의 약 1/25의 계산시간을 보였다. 결론: 뇌혈류 파라메트릭 영상 구성을 위한 빠른 파라미터 추정 알고리즘들 중에 보다 개선되어 제안된 LWS, GLS, GLWS, CAKS 방법들이 단순하고 빠른 LLS, WI 방법들에 비하여 통계적 신뢰성을 크게 향상시키지는 못하나 CAKS 방법은 계산 시간을 유의하게 단축시키므로 가장 적합한 파라메트릭 영상 구성방법이라 할 수 있을 것이다.

• 핵의학기술
• /
• 제15권1호
• /
• pp.51-57
• /
• 2011

광대역 재구성(wide beam reconstruction, WBR) 기법인 Xpress.cardiac$^{TM}$ 프로그램을 적용하여 기존 OSEM (ordered subsets expectation maximization) 기법과 심근 내 분절별 관류와 국소벽 운동에서의 일치율을 확인하여 WBR 기법의 임상적 유용성을 알아보고자 하였다. 관상동맥질환의 병력이 없고 핵의학 전문의에 의한 판독상 이상소견이 없는 총 20명(남7명, 여자13명: 정상군)과 관상동맥질환을 진단받은 총 10명(남6명, 여자4명: 비정상군)을 대상으로 휴식기 $^{201}Tl$/부하기 $^{99m}Tc$-MIBI 심근관류 SPECT를 실시하였다. 영상 획득과 재구성은 휴식기 시 투사영상당 30초, 곧바로 15초씩 영상을 얻고 부하기 시 투사영상 당 25초, 곧바로 13초씩 영상을 얻어 OSEM과 WBR 기법을 적용하였고 심근 내 분절별 관류과 국소벽 운동은 AutoQuant 프로그램의 QPS/QGS 알고리즘의 20분절 모델을 적용하였다. 관류상태는 5등급(0=정상, 1=경도, 2=중등도, 3=심한 결손, 4=섭취 없음), 국소벽 운동은 5등급(0=정상, 1=경도, 2=중등도, 3=심한운동저하, 4=무운동)으로 분류한 반정량값을 이용해 기존 OSEM 기법과 WBR 기법에서의 일치율을 평가하였다. 정상군에서 기존 OSEM 기법과 WBR 기법에서의 일치율은 휴식기 시 분절별 관류에서 99% (396/400, k=0.662, p<0.0001), 국소벽 운동에서 83.8% (335/400, k=0.283), 부하기 시 분절별 관류에서 95.8% (383/400, k=0.656), 국소벽 운동에서 87.3% (349/400, k=0.390)의 일치율을 보였다. 비정상군에서 휴식기 시 분절별 관류에서 83% (166/200, k=0.605), 국소벽 운동에서 55.5% (111/200, k=0.385), 부하기 시 분절별 관류에서 79.5% (159/200, k=0.682), 국소벽 운동에서 63.5% (127/200, k=0.486)의 일치율을 보였다. 관상동맥 질환의 진단 및 예후 예측에 있어 중요한 의미를 갖는 심근 내 분절별 관류와 국소벽 운동 기능 평가의 지표들을 이용한 WBR 기법은 기존 OSEM 기법과 비교하여 정상 비정상군 모두에서 심근 내 분절별 관류의 일치율은 높았지만 국소벽 운동에서는 의미 있게 낮은 일치율을 보였다. WBR 기법은 높은 해상도와 대조도를 제공할 수 있다고 하나 심근관류 SPECT에서의 적용은 유용성이 떨어진다고 사료된다.

• 지능정보연구
• /
• 제20권2호
• /
• pp.73-92
• /
• 2014

기존 협업 필터링 기법은 사용자들의 아이템에 대한 선호도를 기반으로 유사 아이템 집합 또는 유사 사용자 집합을 구성하고, 이를 이용해 예측된 사용자의 특정 아이템에 대한 선호도를 기반으로 추천을 수행한다. 이로 인해, 사용자 선호도 정보가 부족하게 되면, 유사 아이템 사용자 집합의 신뢰도가 낮아지고, 추천 서비스의 신뢰도 또한 따라서 낮아진다. 또한, 서비스의 규모가 커질수록, 유사 아이템, 사용자 집합의 생성에 걸리는 시간은 기하급수적으로 증가하고 추천서비스의 응답시간 또한 그에 따라 증가하게 된다. 위와 같은 문제점을 해결하기 위해 본 논문에서는 적응형 군집화 기법을 제안하고 이를 적용한 협업 필터링 기법을 제안하고 있다. 이 기법은 크게 네 가지 방법으로 이루어진다. 첫째, 사용자와 아이템의 특성 벡터를 기반으로 사용자와 아이템 각각을 군집화 하여, 기존 협업 필터링 기법에서 유사 아이템, 사용자 집합을 생성하는데 소요되는 시간을 절약하며, 사용자 선호도 정보만을 이용한 부분 집합 생성보다 추천의 신뢰도를 높이고, 초기 평가 문제와 초기 이용자 문제를 일부 해소한다. 둘째, 미리 구성된 사용자와 아이템의 군집을 기반으로 군집간의 선호도를 이용해 추천을 수행한다. 사용자가 속한 군집의 선호도가 높은 순서대로 아이템 군집을 조회하여 사용자에게 제공할 아이템 목록을 구성하여, 추천 시스템의 부하 대부분을 모델 생성 단계에서 부담하고 실제 수행 시 부하를 최소화한다. 셋째, 누락된 사용자 선호도 정보를 사용자와 아이템 군집을 이용하여 예측함으로써 협업 필터링 추천 기법의 사용자 선호도 정보 희박성으로 인한 문제를 해소한다. 넷째, 사용자와 아이템의 특성 벡터를 사용자의 피드백에 따라 학습시켜 아이템과 사용자의 정성적 특성 정량화의 어려움을 해결한다. 본 연구의 검증은 기존에 제안되었던 하이브리드 필터링 기법들과의 성능 비교를 통해 이루어졌으며, 평가 방법으로는 평균 절대 오차와 응답 시간을 이용하였다.