• 한국컴퓨터정보학회논문지
• /
• 제26권10호
• /
• pp.179-184
• /
• 2021

본 논문에서는 딥러닝 기반의 순환신경망을 이용하여 선박 연료유 예측을 시도하였다. 해운업에서는 선박 운항비에서 연료유가 차지하는 비중이 가장 크고 가격 변동성도 크기 때문에, 해운 기업은 합리적이고 과학저인 방법으로 연료유를 예측하여 시장경쟁력을 확보할 수 있다. 본 논문에서는 순환신경망 모델 3가지(RNN, LSTM, GRU)를 이용하여 싱가폴의 HSFO 380CST 벙커유 가격을 단기 예측하였다. 예측결과, 첫째, 선박 연료유 단기적 예측을 위해서는 장기 메모리를 사용하는 LSTM, GRU보다는 일반적인 RNN 모델의 성능이 우수한 것으로 분석되어, 장기적 정보의 예측 기여가 낮은 것으로 분석되었다. 둘째, 계량경제학 모델을 사용한 선행연구와 비교하여 순환신경망 모델의 예측성능이 우수한 것으로 분석되어 연료유가의 비선형적 특성을 고려한 순환신경망 모델을 통한 예측 연구의 필요성을 확인하였다. 연구의 결과는 선박 연료유의 단기 예측을 통하여 해운기업의 선박 연료유 수급 결정과 같은 의사결정에 도움이 될 수 있을 것으로 기대된다.

• 말소리와 음성과학
• /
• 제13권3호
• /
• pp.71-78
• /
• 2021

인공신경망에 기반한 대부분의 음성 합성 모델은 고음질의 자연스러운 발화를 생성하기 위해 보코더 모델을 사용한다. 보코더 모델은 멜 스펙트로그램 예측 모델과 결합하여 멜 스펙트로그램을 음성으로 변환한다. 그러나 보코더 모델을 사용할 경우에는 많은 양의 컴퓨터 메모리와 훈련 시간이 필요하며, GPU가 제공되지 않는 실제 서비스 환경에서 음성 합성이 오래 걸린다는 단점이 있다. 기존의 선형 스펙트로그램 예측 모델에서는 보코더 모델을 사용하지 않으므로 이 문제가 발생하지 않지만, 대신에 고품질의 음성을 생성하지 못한다. 본 논문은 뉴럴넷 기반 보코더를 사용하지 않으면서도 양질의 음성을 생성하는 Tacotron 2 & Transformer 기반의 선형 스펙트로그램 예측 모델을 제시한다. 본 모델의 성능과 속도 측정 실험을 진행한 결과, 보코더 기반 모델에 비해 성능과 속도 면에서 조금 더 우세한 점을 보였으며, 따라서 고품질의 음성을 빠른 속도로 생성하는 음성 합성 모델 연구의 발판 역할을 할 것으로 기대한다.

• 한국컴퓨터정보학회논문지
• /
• 제27권7호
• /
• pp.75-82
• /
• 2022

우리 주위에 다양한 전시관, 쇼핑몰, 테마파크 등이 있으며 실제 전시하고 있는 전시물, 콘텐츠에 대한 관심도, 흥미도에 대한 분석은 설문 정도로만 이루어지고 있다. 이러한 설문은 주로 피설문자의 주관적인 기억에 의존하고 있어서 잘못된 통계 결과를 얻을 수 있는 문제가 있다. 따라서 방문객의 동선 추적과 수를 카운팅 하여 흥미가 떨어지는 전시 공간 파악이 가능하며 이를 통해 교체가 필요한 전시물에 대해 정량적 자료로 사용이 가능하다. 본 논문에서는 딥러닝 기반의 인공지능 알고리즘을 이용하여 방문객을 인식하고, 인식된 방문객에 아이디를 할당하여 이를 지속적으로 추적하는 방식으로 동선을 파악한다. 이때 방문객이 카운팅 라인을 통과하게 되면 그 수를 카운팅 하고, 데이터는 서버에 전송하여 통합 관리할 수 있도록 시스템을 설계하였다.

• 한국물환경학회지
• /
• 제39권1호
• /
• pp.46-60
• /
• 2023

Climate change causes fluctuations in water quality in the aquatic environment, which can cause changes in water circulation patterns and severe adverse effects on aquatic ecosystems in the future. Therefore, research is needed to predict and respond to water quality changes caused by climate change in advance. In this study, we tried to predict the dissolved oxygen (DO), chlorophyll-a, and turbidity of the Paldang reservoir for about two weeks using long short-term memory (LSTM) and gated recurrent units (GRU), which are deep learning algorithms based on recurrent neural networks. The model was built based on real-time water quality data and meteorological data. The observation period was set from July to September in the summer of 2021 (Period 1) and from March to May in the spring of 2022 (Period 2). We tried to select an algorithm with optimal predictive power for each water quality parameter. In addition, to improve the predictive power of the model, an important variable extraction technique using random forest was used to select only the important variables as input variables. In both Periods 1 and 2, the predictive power after extracting important variables was further improved. Except for DO in Period 2, GRU was selected as the best model in all water quality parameters. This methodology can be useful for preventive water quality management by identifying the variability of water quality in advance and predicting water quality in a short period.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제18권2호
• /
• pp.456-477
• /
• 2024

With information technology's rapid development, the Internet faces serious security problems. Studies have shown that malware has become a primary means of attacking the Internet. Therefore, adversarial samples have become a vital breakthrough point for studying malware. By studying adversarial samples, we can gain insights into the behavior and characteristics of malware, evaluate the performance of existing detectors in the face of deceptive samples, and help to discover vulnerabilities and improve detection methods for better performance. However, existing adversarial sample generation methods still need help regarding escape effectiveness and mobility. For instance, researchers have attempted to incorporate perturbation methods like Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), and others into adversarial samples to obfuscate detectors. However, these methods are only effective in specific environments and yield limited evasion effectiveness. To solve the above problems, this paper proposes a malware adversarial sample generation method (PixGAN) based on the pixel attention mechanism, which aims to improve adversarial samples' escape effect and mobility. The method transforms malware into grey-scale images and introduces the pixel attention mechanism in the Deep Convolution Generative Adversarial Networks (DCGAN) model to weigh the critical pixels in the grey-scale map, which improves the modeling ability of the generator and discriminator, thus enhancing the escape effect and mobility of the adversarial samples. The escape rate (ASR) is used as an evaluation index of the quality of the adversarial samples. The experimental results show that the adversarial samples generated by PixGAN achieve escape rates of 97%, 94%, 35%, 39%, and 43% on the Random Forest (RF), Support Vector Machine (SVM), Convolutional Neural Network (CNN), Convolutional Neural Network and Recurrent Neural Network (CNN_RNN), and Convolutional Neural Network and Long Short Term Memory (CNN_LSTM) algorithmic detectors, respectively.

• 한국과학교육학회지
• /
• 제40권4호
• /
• pp.385-398
• /
• 2020

본 연구에서는 서로 다른 학습접근방식의 학생이 유전 가계도 문제 해결 과정상에서 어떠한 차이를 보여주는지 심층적으로 들여다보고자 하였다. 연구 대상은 고등학교 2학년 학생으로 생명과학I을 이수한 학생으로 학업성취수준은 비슷하였으나 학습접근방식이 각각 심층적 접근방식과 피상적 접근방식을 나타내었다. 각 학생의 문제 해결 사례를 심층적으로 분석하기 위해 문제 해결 과정은 비디오 녹화되었고, 문제 해결이 종료된 후에 학생들의 문제 해결 과정에 대한 사고 구술 인터뷰를 실시하였다. 연구 결과, 학생들은 2가지 형질의 유전 원리가 불확실한 문제 상황을 해결하는 과정에서 유사한 오류를 보여주었다. 하지만 심층적 학습접근방식의 학생 A는 자발적으로 2번 반복하여 문제를 해결하면서 3가지 제한 요인에 대해 원리 기반추론을 하며 옳은 개념적 프레이밍을 나타내었다. 검토 단계에서 자료와 본인이 그린 가계도 사이의 일치도를 점검하고, 문제 해결 이후에도 끊임없이 본인의 문제 해결 과정을 점검하였다. 마지막의 문제 해결 과정에서는 성공적인 문제 해결 알고리즘에 근접한 문제 해결 과정을 나타내었다. 하지만 피상적 학습접근방식의 학생 B는 연구자의 권유로 비자발적으로 문제 해결 과정을 반복하였고, 답을 구하려는 목적 지향적인 문제 해결 태도로 인해 문제에서 제시한 일부 정보만을 검토하였다. 문제의 제한 요인에 대해 기억 장치 추론이나 임의적 추론을 통해서 옳지 않은 개념적 프레이밍을 하였고, 이를 수정하지 않고 유지하는 모습을 나타내었다. 본 연구 결과를 통해 심층적 접근방식과 피상적 접근방식의 학생이 문제 해결 과정에서 추론 방식과 개념적 프레이밍의 변화가 어떻게 일어나는지 구체적으로 살펴봄으로써 유전 문제의 접근을 어려워하는 학생들이나 이들을 지도하는 교사들에게 도움을 줄 수 있을 것이다.

• 한국ITS학회 논문지
• /
• 제16권4호
• /
• pp.153-163
• /
• 2017

본 연구에서는 운전자 별로 생활 중에 이동하는 주행 도로의 특징 및 교통상황이 서로 다르며 운전습관이 상이함을 고려하여, 운전자 혹은 운전자 그룹별 기계학습모형을 구성하고, 학습된 모델을 분석하여 운전자의 주행모드 별 특징을 탐색하여 자율 주행 자동차를 시뮬레이션 하였다. 운전지식을 활용하여 주행조작 전후 센서의 동작 상황에 따라 8종류의 종방향 모드와 4종류 회전모드로 구분하고, 종방향 모드와 회전모드를 결합한 21개의 결합형 주행모드로 세분화 하였다. 주행모드가 레이블 된 시계열 데이터에 대해 딥러닝 지도학습 모델인 RNN (Recurrent Neural Network), LSTM (Long Short-Term Memory), Bi-LSTM 모델을 활용하여서 운전자 별 혹은 운전자 그룹별 주행데이터를 학습하고, 학습된 모델을 테스트 데이터 셋에서 주행 모드인식률을 검증하였다. 실험 데이터는 미국 VTTI 기관에서 수집된 22명의 운전자의 1,500개의 실생활 주행 데이터가 사용되었다. 주행 모드 인식에 있어, 데이터 셋에 대해 Bi-LSTM 모델이 RNN, LSTM 모델에 비해 향상된 성능을 보였으며, 최대 93.41%의 주행모드 인식률을 확인하였다.

• KNOM Review
• /
• 제23권2호
• /
• pp.18-28
• /
• 2020

컴퓨팅 환경의 발전에 따라 IT 기술이 의료, 산업, 통신, 문화 등의 분야에서 사람들에게 제공해주는 혜택이 늘어나 삶의 질도 향상되고 있다. 그에 따라 발전된 네트워크 환경을 노리는 다양한 악의적인 공격이 존재한다. 이러한 공격들을 사전에 탐지하기 위해 방화벽, 침입 탐지 시스템 등이 존재하지만, 나날이 진화하는 악성 공격들을 탐지하는 데에는 한계가 있다. 이를 해결하기 위해 기계 학습을 이용한 침입 탐지 연구가 활발히 진행되고 있지만, 학습 데이터셋의 불균형으로 인한 오탐 및 미탐이 발생하고 있다. 본 논문에서는 네트워크 침입 탐지에 사용되는 UNSW-NB15 데이터셋의 불균형성 문제를 해결하기 위해 랜덤 오버샘플링 방법을 사용했다. 실험을 통해 모델들의 accuracy, precision, recall, F1-score, 학습 및 예측 시간, 하드웨어 자원 소모량을 비교 분석했다. 나아가 본 연구를 기반으로 랜덤 오버샘플링 방법 이외에 불균형한 데이터 문제를 해결할 수 있는 다른 방법들과 성능이 높은 모델들을 이용하여 좀 더 효율적인 네트워크 침입 탐지 모델 연구로 발전시키고자 한다.

• 한국조경학회지
• /
• 제47권5호
• /
• pp.14-27
• /
• 2019

본 연구는 5.18민주화운동 이후 사적지로 지정되었던 국군광주병원과 505보안부대 옛터를 대상으로 역사적 사실을 바탕으로 한 시대적 특성을 공간설계 개념으로 설정해 기념공원화 계획안을 제시하였다. 광주광역시는 5.18사적지인 국군광주병원과 505보안부대 옛터를 5.18기념사업의 일환으로 공원화하고자 도시공원 조성계획을 수립하고, 역사에 대한 기억의 공간으로만 보존해왔던 대상지를 5.18민주화운동의 역사적 가치를 함양함과 동시에 시민 삶에 활력을 주는 공원으로 단계적 조성계획을 추진하고 있다. 결과적으로 5.18사적지의 공동체적 가치가 현대적으로 계승될 수 있도록 사회적 합의를 통해 단계별 계획, 조성과정의 틀을 설정하고, 상처의 치유, 역사의 기억을 담아내는 계획을 하고자 함이다. 계획안에서 사적지의 공원화와 관련된 선행연구 및 계획사례 분석을 통해 공간 활용을 위한 문제 해결적 접근방법을 제시하였고, 대상지가 갖고 있는 장소적 가치를 탐색함과 동시에 공원의 계획개념을 유지하면서 역사적 사실에 대한 시대적 특성을 담아내는 공간 활용 전략과 세부내용을 서술하였다. 연구의 결과로 국군광주병원 사적지는 5.18민주화운동을 통해 남겨진 상처에 대한 치유의 문제를 지역사회가 주체적으로 해결할 수 있도록 과거의 역사적 기억과 치유의 공원으로 계획하되, 기존 자연환경을 활용한 치유의 숲 개념을 제시하였고, 505보안부대 옛터 사적지는 5.18기억공동체의 확장과 지속성을 강화하는 측면에서 미래 세대인 어린이와 청소년이 공감할 수 있는 역사 체험 배움의 공간개념으로 계획하였다. 사적지를 활용한 기념공원화 계획은 계획 단계에서 시민, 관련단체, 전문가를 아우르는 사회적 공감대의 형성이 선결요건으로 작용하며, 장소성 재현을 위한 구성원들의 사회적 합의가 공간활용 방향 설정에 중요한 계획적 요소로 작용할 수 있다. 본 연구를 통해 5.18사적지에 역사적 가치를 담는 기념공원으로 환원하는 데 기여하고, 과거 역사에 대한 상처와 기억을 치유하는 장소를 넘어 도시와 시민의 삶에 활력을 주며, 미래 세대와의 공유할 수 있는 방향성을 제시한 것에 대한 의의가 있다.

• 지질공학
• /
• 제32권4호
• /
• pp.697-723
• /
• 2022

본연구에서는 제주도의 중제주 수역 내에 위치하는 총 12개 지하수 관정에서 미래 30일 기간의 지하수위를 예측할 수 있는 모델을 개발하였다. 예측 모델개발을 위해 시계열 예측에 적합한 딥러닝 기법의 하나인 누적 장단기 메모리(stacked-LSTM) 기법을 이용하였으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량 및 지하수위 자료가 예측 모델개발에 활용되었다. 특히, 본 연구에서는 입력자료의 종류 및 과거 자료의 순차 길이에 따라 다양한 모델을 구축하고 성능을 비교함으로써 딥러닝 기반 예측 모델개발에서 고려하여야 할 사항에 대한 검토와 절차를 제시하였다. 예측 모델개발 결과, 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 모델의 예측성능이 가장 뛰어난 것으로 확인되었으며, 입력으로 활용되는 과거 자료의 순차가 길수록 예측의 성능이 향상됨을 확인하였다. 이는 제주도의 깊은 지하수위 심도로 인하여 강수와 지하수 함양 간 지연시간이 길기 때문으로 판단된다. 이뿐만 아니라, 지하수 이용량 자료의 경우, 모든 이용량 자료를 활용하는 것보다 예측하고자 하는 지점의 지하수위에 민감한 영향을 주는 관정을 선별하여 입력자료로 이용하는 것이 예측 모델의 성능 개선에 긍정적 영향을 주는 것을 확인하였다. 본 연구에서 개발된 지하수위 예측 모델은 현재의 강수량 및 지하수 이용량을 기반으로 미래의 지하수위를 예측할 수 있어 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다.