• 응용통계연구
• /
• 제18권3호
• /
• pp.533-541
• /
• 2005

본 저자는 앞선 연구에서 제안한 SSVS 방법을 이용하여 한 양적형질에 대한 연관분석에 있어, QTL에 가까이 있는 관련된 표지유전자들의 위치를 정하고자 한다. 본 논문에서는 QTL에 연관되어 있고 동시에 서로 연관되어 있는 몇 가지 표지유전자들을 대상으로 하는데, 이 유전자 좌위들의 i.b.d. 값들을 상호 상관이 있는 예측변수로서 고려하여, SSVS 방법으로 분석한다. 두개의 QTL에 강하게 연관되어 있는 표지유전자들 만을 동시에 고려한 분석의 결과, QTL에 가장 가까이 위치한 표지 유전자가 다른 유전자들보다 더 분명하게 양적형질과의 관련성을 보여주었다. SSVS를 이용한 상호 상관이 있는 표지 유전자들의 분석의 결과는 전통적인 다중회귀분석을 이용한 결과와 거의 일치했다. 본 모의실험을 바탕으로, 복합 양적형질에 대하여 서로 연관된 다중의 표지유전자들을 동시에 연관분석을 수행하는 데에 SSVS 방법이 상당히 유용하다고 결론 내린다.

• 한국응용과학기술학회지
• /
• 제37권4호
• /
• pp.755-761
• /
• 2020

본 연구의 목적은 정적 스쿼트 동작 시 발란스 보드와 전신 진동자극기 적용이 신체 근육의 근활성도 변화에 어떠한 영향을 미치는지 검증하는 것이었다. 본 연구의 대상자는 20대 남성 20명을 대상으로 실시하였고(연령, 21.90±0.36 세; 신장, 174.30±1.09 cm; 체중, 66.50±1.00 kg; 신체질량지수, 21.90±0.31 kg/㎡), 3가지의 기본 정적 스쿼트 동작, 발란스 보드를 적용한 정적 스쿼트 동작 및 전신 진동자극기를 적용한 정적 스쿼트 동작을 수행하였으며, 표면전극을 부착한 부위는 신체 근육의 우측 복직근, 내복사근, 외복사근, 대퇴직근, 외측광근 및 내측광근으로 설정하였다. 실험을 통해 획득된 본 연구의 결과는 다음과 같다. 복직근, 내복사근 및 외복사근의 근활성도는 발란스 보드와 전신 진동자극기를 적용한 정적 스쿼트 동작 시 통계적으로 높게 나타났고(p=.001, p=.004, p=.000), 대퇴직근, 외측광근 및 내측광근의 근활성도는 전신 진동자극기를 적용한 정적 스쿼트 동작에서 통계적으로 가장 높게 나타났다(p=.000). 본 연구의 결과는 향후 정적 스쿼트 훈련 적용 시 효과적인 신체 근육을 강화시키기 위한 프로그램의 기초 자료가 될 것으로 기대된다.

• 대한전자공학회논문지TC
• /
• 제43권9호
• /
• pp.6-13
• /
• 2006

본 논문에서는 5.8 GHz 대역의 근거리전용 무선통신기술(DSRC)을 이용한 차량과 차량간의 무선통신에 관하여 연구하였다 첨단화, 지능화 되고 있는 현재의 도로교통체계에서 주행하는 차량간의 통신은 첨단의 지능형 주행을 위한 중요기술이다. 주행 중에 통신 반경 내에 있는 주변 차량들의 속도, 위치, 제동, 운전 상태에 관한 정보를 교환함으로서 원활하고 안전한 교통흐름을 도모할 수 있다. 따라서 본 연구에서는 고속의 차량 이동 환경에서 1Mbps 급의 대용량 데이터 처리 능력을 갖는 5.8 GHz 대역의 DSRC 기술을 이용하여 LOS (Line Of Sight) 조건에서 사용이 가능한 차량간통신 시스템을 개발하였다. 이를 위하여 완전한 능동형의 차량간통신이 가능하도록 물리계층, 데이터 링크계층과 논리계층 그리고 차량간통신 서비스를 위한 응용계층으로 구분하여 개발하였다. 본 연구를 통하여 ASV (Advanced Safety Vehicle)나 SSVS (Super Smart Vehicle System)의 실현을 위한 차량간 무선통신 기술을 확립하였고 이를 통하여 첨단의 ITS 구현 가능성을 확인할 수 있었다.

• Journal of the Korean Statistical Society
• /
• 제28권3호
• /
• pp.311-324
• /
• 1999

The problem of 'outliers', observations which look suspicious in some way, has long been one of the most concern in the statistical structure to experimenters and data analysts. We propose a model for an outlier problem and also analyze it in linear regression model using a Bayesian approach. Then we use the mean-shift model and SSVS(George and McCulloch, 1993)'s idea which is based on the data augmentation method. The advantage of proposed method is to find a subset of data which is most suspicious in the given model by the posterior probability. The MCMC method(Gibbs sampler) can be used to overcome the complicated Bayesian computation. Finally, a proposed method is applied to a simulated data and a real data.

• 대한인간공학회:학술대회논문집
• /
• 대한인간공학회 1995년도 추계학술대회논문집
• /
• pp.201-207
• /
• 1995

ITS는 자동차, 운전자, 도로, 교통제어 시스템을 첨단 통신, 전자, 컴퓨터기술 등으로 묶는 종합 교통자동화 체계이다. 차세대 교통 시스템인 ITS는 교통혼잡을 덜고, 사고를 줄이며, 오염을 줄이고, 에너지를 더욱 효율적으로 이용하는 등의 결과를 가져올 것으로 기대되고 있다. 선진 각국에서는 ITS(Intelligent Transportation Systems; 미국), ATT(Advanced Transport Telemetics; 유럽), SSVS(Super Smart Vehicle Systems; 일본)등의 이름으로 막대한 예산을 투입 하여 ITS의 실현을 위한 연구 및 인프라 구축 중이며, 우리 나라에서도 사회간접자본 투자기획단 ( SOC)을 통해 기획중이고 정부 5개 부처 공동으로 추진될 예정이며, G7과제 후보로 올라 있다. 인간공학은 ITS실현을 위한 주요 요소기술로 인식되고 있다. ITS는 궁극적으로 운전자의 workload 를 덜어줄 것으로 예상되지만, user-oriented된 인터페이스의 설계가 뒷바침되지 않으면, 과부하, 혼동, 사고 등으로 이어져 ITS의 정착에 심각한 장해요인으로 작용할 것이다. 본 논문에서는 미국의 ITS를 중심으로 그 sub-systems들과 그에 해당하는 인간공학적 고려사항들 그리고 ITS초기 단계에서 시급히 풀어나가야 할 인간공학적 과제에 대하여 논의하고자 한다.

• Journal of the Korean Statistical Society
• /
• 제29권4호
• /
• pp.407-422
• /
• 2000

This article is concerned with the selecting predictor variables to be included in building a class of binary response t-link regression models where both probit and logistic regression models can e approximately taken as members of the class. It is based on a modification of the stochastic search variable selection method(SSVS), intended to propose and develop a Bayesian procedure that used probabilistic considerations for selecting promising subsets of predictor variables. The procedure reformulates the binary response t-link regression setup in a hierarchical truncated normal mixture model by introducing a set of hyperparameters that will be used to identify subset choices. In this setup, the most promising subset of predictors can be identified as that with highest posterior probability in the marginal posterior distribution of the hyperparameters. To highlight the merit of the procedure, an illustrative numerical example is given.