• 제목/요약/키워드: Long short term memory (LSTM)

검색결과 522건 처리시간 0.033초

딥러닝 기반 LSTM 모형을 이용한 항적 추적성능 향상에 관한 연구 (Improvement of Track Tracking Performance Using Deep Learning-based LSTM Model)

  • 황진하;이종민
    • 한국정보통신학회:학술대회논문집
    • /
    • 한국정보통신학회 2021년도 춘계학술대회
    • /
    • pp.189-192
    • /
    • 2021
  • 항적추적 기술에 딥러닝 기반 LSTM(Long Short-Term Memory) 모델을 적용하는 연구로서 기존의 항적추적기술의 경우, 항공기의 등속, 등가속, 급기동, 선회(3D) 비행 등 비행 특성에 따른 칼만 필터 기반의 LMIPDA를 활용한 실시간 항적 추적 시 등속, 등가속, 급기동, 선회(3D) 비행 가중치가 자동으로 변경된다. 이러한 과정에서 등속 비행 중 급기동 비행과 같이 비행 특성이 변경될 때, 항적 손실 및 항적 추적 성능이 하락하여 비행 특성 가중치 변경성능을 향상시킬 필요성이 있다. 본 연구는 레이더의 오차 모델이 적용된 시뮬레이터의 Plot과 표적을 딥러닝 기반 LSTM(Long Short-Term Memory) 모델을 적용하여 학습시키고, 칼만 필터를 활용한 항적추적 결과와 딥러닝 기반 LSTM(Long Short-Term Memory) 모델을 적용한 항적추적결과를 비교함으로써 미리 비행 특성의 변경과정을 예측하여 등속, 등가속, 급기동, 선회(3D) 비행 가중치변경을 신속하게 함으로써 항적추적성능을 향상하기 위한 연구이다.

  • PDF

LSTM(Long Short-Term Memory)을 활용한 Battery Package 온도 상승 예측 (Prediction of Battery Package Temperature Rise with LSTM(Long Short-Term Memory))

  • 조종화;민연아
    • 한국컴퓨터정보학회:학술대회논문집
    • /
    • 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
    • /
    • pp.339-341
    • /
    • 2024
  • 본 논문에서는 전기 자동차 배터리 팩 설계에서 성능 예측을 위해 전산유체해석 및 Long Short-Term Memory (LSTM)를 활용한다. 두 계산 모두의 예측이 상당한 유사성을 나타내며, 전산유체해석은 시스템 유체 역학을 고려한 상세한 물리 모델을 제공하고, LSTM은 시계열 데이터를 기반으로 한 딥러닝 모델로 효과적으로 패턴을 파악, 향후 온도 상승을 예측한다. 결과는 두 접근 모두가 효과적인 예측을 제공하며 향후 전기 자동차 배터리 팩 설계 및 최적화에서 종합적인 접근의 필요성을 강조한다. 특히, LSTM 기반 예측에 소요되는 시간은 계산 유체 역학의 약 25%로, 약 일주일 정도로 빠르게 확인 가능하다. 이는 현대 산업 환경에서 시간적 효율성이 중요한 측면을 강조하며, 계산 유체 역학의 상세한 물리 모델링과 LSTM의 빠른 예측 속도를 결합한 설계 방법론을 제안한다.

  • PDF

Comparison of Fall Detection Systems Based on YOLOPose and Long Short-Term Memory

  • Seung Su Jeong;Nam Ho Kim;Yun Seop Yu
    • Journal of information and communication convergence engineering
    • /
    • 제22권2호
    • /
    • pp.139-144
    • /
    • 2024
  • In this study, four types of fall detection systems - designed with YOLOPose, principal component analysis (PCA), convolutional neural network (CNN), and long short-term memory (LSTM) architectures - were developed and compared in the detection of everyday falls. The experimental dataset encompassed seven types of activities: walking, lying, jumping, jumping in activities of daily living, falling backward, falling forward, and falling sideways. Keypoints extracted from YOLOPose were entered into the following architectures: RAW-LSTM, PCA-LSTM, RAW-PCA-LSTM, and PCA-CNN-LSTM. For the PCA architectures, the reduced input size stemming from a dimensionality reduction enhanced the operational efficiency in terms of computational time and memory at the cost of decreased accuracy. In contrast, the addition of a CNN resulted in higher complexity and lower accuracy. The RAW-LSTM architecture, which did not include either PCA or CNN, had the least number of parameters, which resulted in the best computational time and memory while also achieving the highest accuracy.

Reproduction of Long-term Memory in hydroclimatological variables using Deep Learning Model

  • Lee, Taesam;Tran, Trang Thi Kieu
    • 한국수자원학회:학술대회논문집
    • /
    • 한국수자원학회 2020년도 학술발표회
    • /
    • pp.101-101
    • /
    • 2020
  • Traditional stochastic simulation of hydroclimatological variables often underestimates the variability and correlation structure of larger timescale due to the difficulty in preserving long-term memory. However, the Long Short-Term Memory (LSTM) model illustrates a remarkable long-term memory from the recursive hidden and cell states. The current study, therefore, employed the LSTM model in stochastic generation of hydrologic and climate variables to examine how much the LSTM model can preserve the long-term memory and overcome the drawbacks of conventional time series models such as autoregressive (AR). A trigonometric function and the Rössler system as well as real case studies for hydrological and climatological variables were tested. Results presented that the LSTM model reproduced the variability and correlation structure of the larger timescale as well as the key statistics of the original time domain better than the AR and other traditional models. The hidden and cell states of the LSTM containing the long-memory and oscillation structure following the observations allows better performance compared to the other tested conventional models. This good representation of the long-term variability can be important in water manager since future water resources planning and management is highly related with this long-term variability.

  • PDF

LSTM 기법을 적용한 UTD 데이터 행동 분류 (Classification of Behavior of UTD Data using LSTM Technique)

  • 정겨운;안지민;신동인;원건;박종범
    • 한국정보통신학회:학술대회논문집
    • /
    • 한국정보통신학회 2018년도 추계학술대회
    • /
    • pp.477-479
    • /
    • 2018
  • 본 연구는 인공신경망의 한 종류인 LSTM(Long Short-Term Memory) 기법을 활용하기 위하여 진행하였다. UTD(University of Texas at Dallas)가 공개한 27종 동작 데이터 중 3축 가속도 및 각속도 데이터를 기본 LSTM 및 Deep Residual Bidir-LSTM 기법에 적용하여 행동을 분류해 보았다.

  • PDF

6-Parametric factor model with long short-term memory

  • Choi, Janghoon
    • Communications for Statistical Applications and Methods
    • /
    • 제28권5호
    • /
    • pp.521-536
    • /
    • 2021
  • As life expectancies increase continuously over the world, the accuracy of forecasting mortality is more and more important to maintain social systems in the aging era. Currently, the most popular model used is the Lee-Carter model but various studies have been conducted to improve this model with one of them being 6-parametric factor model (6-PFM) which is introduced in this paper. To this new model, long short-term memory (LSTM) and regularized LSTM are applied in addition to vector autoregression (VAR), which is a traditional time-series method. Forecasting accuracies of several models, including the LC model, 4-PFM, 5-PFM, and 3 6-PFM's, are compared by using the U.S. and Korea life-tables. The results show that 6-PFM forecasts better than the other models (LC model, 4-PFM, and 5-PFM). Among the three 6-PFMs studied, regularized LSTM performs better than the other two methods for most of the tests.

Yolo-pose를 이용한 장단기 메모리의 낙상감지 시스템 연구 (Study of Fall Detection System of Long Short-term Memory Using Yolo-pose)

  • 정승수;김남호;유윤섭
    • 한국정보통신학회:학술대회논문집
    • /
    • 한국정보통신학회 2022년도 추계학술대회
    • /
    • pp.123-125
    • /
    • 2022
  • 본 논문에서는 Yolo-pose를 이용하여 장단기 메모리(Long short-term Memory)에 적용하는 시스템을 소개한다. 영상데이터로부터 Yolo-pose를 이용하여 일상생활과 낙상으로 구분된 데이터를 추출하여 LSTM에 적용하여 학습시킨다. 학습은 오버피팅을 방지하기 위하여 8대2의 Validation을 진행하며 Confusion matrix로 나타낸다. Yolo-pose의 결과값은 sensitivity와 specificity 모두 100%를 기록하여 일상생활과 낙상을 잘 구분하는 것을 확인 하였다.

  • PDF

Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측 (Prediction of time-series underwater noise data using long short term memory model)

  • 이혜선;홍우영;김국현;이근화
    • 한국음향학회지
    • /
    • 제42권4호
    • /
    • pp.313-319
    • /
    • 2023
  • 본 논문에서는 일부 소음 데이터만 알고 있을 때 결손된 데이터를 예측할 목적으로 수조에서 측정된 기포유동 소음 데이터와 수중 운동체 발사 소음 데이터를 시계열 기계학습 모델인 Long Short Term Memory(LSTM)에 적용해 보았다. 기포유동소음 데이터는 파이프에서 측정된 소음으로 기포소음, 유동소음, 유체기인소음이 혼합되어 있으며 유형별로 3가지로 분류할 수 있다. 수중 운동체 발사소음은 모형 발사튜브에서 수중 운동체가 사출될 때 발생하는 소음으로 순간소음이며 발사 이벤트마다 불규칙하게 변한다. 이러한 종류의 소음 생성을 위해서는 해석적인 모델보다는 데이터 기반 모델이 유용할 수 있다. 본 연구에서는 LSTM을 데이터 기반 모델을 만들었다. 모델에 영향을 주는 LSTM의 은닉유닛의 개수, 입력시퀸스의 개수, 데시메이션 인자에 따른 모델의 성능을 확인하고 최적의 LSTM 모델을 구성했다. 같은 유형은 새로운 데이터에 대해서도 잘 동작하는 것을 보였다.

장단기 메모리 기반 노인 낙상감지에 대한 연구 (Study of fall detection for the elderly based on long short-term memory(LSTM))

  • 정승수;유윤섭
    • 한국정보통신학회:학술대회논문집
    • /
    • 한국정보통신학회 2021년도 춘계학술대회
    • /
    • pp.249-251
    • /
    • 2021
  • 본 논문에서는 노령층 인구가 도보시 일어날 수 있는 낙상상황을 텐서플로워를 이용하여 인지하기 위한 시스템에 대하여 소개한다. 낙상감지는 고령자의 몸에 착용한 가속센서 데이터에 대해서 텐서플로워를 이용하여 학습된 LSTM(long short-term memory)을 기반하여 낙상과 일상생활을 판별한다. 각각 7가지의 행동 패턴들에 대하여 학습을 실행하며, 4가지는 일상생활에서 일어나는 행동 패턴이고, 나머지 3가지는 낙상시의 패턴에 대하여 학습한다. 3축 가속도 센서의 가공하지 않은 데이터와 가공한 SVM(Sum Vector Magnitude)를 이용하여 LSTM에 적용해서 학습하였다. 이 두 가지 경우에 대해서 테스트한 결과 데이터를 혼합하여 학습하면 더 좋은 결과를 기대할 수 있을 것으로 예상된다.

  • PDF

Radar Quantitative Precipitation Estimation using Long Short-Term Memory Networks

  • Thi, Linh Dinh;Yoon, Seong-Sim;Bae, Deg-Hyo
    • 한국수자원학회:학술대회논문집
    • /
    • 한국수자원학회 2020년도 학술발표회
    • /
    • pp.183-183
    • /
    • 2020
  • Accurate quantitative precipitation estimation plays an important role in hydrological modelling and prediction. Instantaneous quantitative precipitation estimation (QPE) by utilizing the weather radar data is a great applicability for operational hydrology in a catchment. Previously, regression technique performed between reflectivity (Z) and rain intensity (R) is used commonly to obtain radar QPEs. A novel, recent approaching method which might be applied in hydrological area for QPE is Long Short-Term Memory (LSTM) Networks. LSTM networks is a development and evolution of Recurrent Neuron Networks (RNNs) method that overcomes the limited memory capacity of RNNs and allows learning of long-term input-output dependencies. The advantages of LSTM compare to RNN technique is proven by previous works. In this study, LSTM networks is used to estimate the quantitative precipitation from weather radar for an urban catchment in South Korea. Radar information and rain-gauge data are used to evaluate and verify the estimation. The estimation results figure out that LSTM approaching method shows the accuracy and outperformance compared to Z-R relationship method. This study gives us the high potential of LSTM and its applications in urban hydrology.

  • PDF