• 자동차안전학회지
• /
• 제15권1호
• /
• pp.55-62
• /
• 2023

In this study, a chest deflection is predicted by introducing a deep learning technique with the results of the frontal impact of the USNCAP conducted for 110 car models from MY2018 to MY2020. The 120 data are divided into training data and test data, and the training data is divided into training data and validation data to determine the hyperparameters. In this process, the deceleration data of each vehicle is averaged in units of 10 ms from crash pulses measured up to 100 ms. The performance of the deep learning model is measured by the indices of the mean squared error and the mean absolute error on the test data. A DNN (Deep Neural Network) model can give different predictions for the same hyperparameter values at every run. Considering this, the mean and standard deviation of the MSE (Mean Squared Error) and the MAE (Mean Absolute Error) are calculated. In addition, the deep learning model performance according to the inclusion of CVW (Curb Vehicle Weight) is also reviewed.

• 한국기계연구소 소보
• /
• 통권9호
• /
• pp.41-44
• /
• 1982

• 한국대기환경학회:학술대회논문집
• /
• 한국대기환경학회 2006년도 춘계학술대회 논문집
• /
• pp.542-544
• /
• 2006

• 한국기계연구소 소보
• /
• 통권10호
• /
• pp.21-26
• /
• 1983

• 한국전산유체공학회:학술대회논문집
• /
• 한국전산유체공학회 2003년도 The Fifth Asian Computational Fluid Dynamics Conference
• /
• pp.2-2
• /
• 2003

• 한국동물학회:학술대회논문집
• /
• 한국동물학회 1997년도 한국생물과학협회 학술발표대회
• /
• pp.96.2-96
• /
• 1997

No Abstract, See Full Text

• 지능정보연구
• /
• 제21권2호
• /
• pp.1-18
• /
• 2015

협업 필터링은 학계나 산업계에서 우수한 성능으로 인해 많이 사용되는 추천기법이지만, 정량적 정보인 사용자들의 평가점수에만 국한하여 추천결과를 생성하므로 간혹 정확도가 떨어지는 문제가 발생한다. 이에 새로운 정보를 추가로 고려하여, 협업 필터링의 성능을 개선하려는 연구들이 지금까지 다양하게 시도되어 왔다. 본 연구는 최근 Web 2.0 시대의 도래로 인해 사용자들이 구입한 상품에 대한 솔직한 의견을 인터넷 상에 자유롭게 표현한다는 점에 착안하여, 사용자가 직접 작성한 리뷰를 참고하여 협업 필터링의 성능을 개선하는 새로운 추천 알고리즘을 제안하고, 이를 스마트폰 앱 추천 시스템에 적용하였다. 정성 정보인 사용자 리뷰를 정량화하기 위해 본 연구에서는 텍스트 마이닝을 활용하였다. 구체적으로 본 연구의 추천시스템은 사용자간 유사도를 산출할 때, 사용자 리뷰의 유사도를 추가로 반영하여 보다 정밀하게 사용자간 유사도를 산출할 수 있도록 하였다. 이 때, 사용자 리뷰의 유사도를 산출하는 접근법으로 중복 사용된 색인어의 빈도로 산출하는 방안과 TF-IDF(Term Frequency - Inverse Document Frequency) 가중치 합으로 산출하는 2가지 방안을 제시한 뒤 그 성능을 비교해 보았다. 실험결과, 제안 알고리즘을 통한 추천, 즉 사용자 리뷰의 유사도를 추가로 반영하는 알고리즘이 평점만을 고려하는 전통적인 협업 필터링과 비교해 더 우수한 예측정확도를 나타냄을 확인할 수 있었다. 아울러, 중복 사용 단어의 TF-IDF 가중치의 합을 고려했을 때, 단순히 중복 사용 단어의 빈도만을 고려했을 때 보다 조금 더 나은 예측정확도를 얻을 수 있음도 함께 확인할 수 있었다.

• 컴퓨터교육학회논문지
• /
• 제6권2호
• /
• pp.147-156
• /
• 2003

협업여과는 흥미 있어하는 제품이나 개인화된 자료, 항목을 제공하기 의해 전체 집단의 의견을 반영하는 전자상거래에서 일반적으로 이용되는 기술이다. 협업여과는 정확하고 신뢰할 수 있는 도구로 입증되어 여러 분야의 전자상거래 영역에서 활용되고 있으나 아직까지 교육분야에는 한정적으로 적용되고 있다. 본 논문에서는 교육용 컨텐츠 추천에 사용자의 평가 점수를 이용하는 협업여과 방식의 추천시스템을 설계하였으며, 사용자 정보를 이용하여 추천의 정확도를 향상시키기 위한 유사도 보정기법을 도입하였다. 평균절대오차(MAE)와 반응자작용특성(ROC)값을 이용하여 제안한 시스템이 기존의 협업여과방식보다 추천 효율이 우수함을 검증하였다.

• 천문학회보
• /
• 제37권1호
• /
• pp.92.1-92.1
• /
• 2012

In this work we have examined the performance of the WSA/ENLIL cone model provided by Community Coordinated Modeling Center (CCMC). The WSA/ENLIL model simulates the propagation of coronal mass ejections (CMEs) from the Sun into the heliosphere. We estimate the shock arrival times at the Earth using 29 halo CMEs from 2001 to 2002. These halo CMEs have cone model parameters from Michalek et al. (2007) as well as their associated interplanetary (IP) shocks. We make a comparison between CME arrival times by the WSA/ENLIL cone model and IP shock observations. For the WSA/ENLIL cone model, the root mean square(RMS) error is about 13 hours and the mean absolute error(MAE) is approximately 10.4 hours. We compared these estimates with those of the empirical model by Kim et al.(2007). For the empirical model, the RMS and MAE errors are about 10.2 hours and 8.7 hours, respectively. We are investigating several possibilities on relatively large errors of the WSA/ENLIL cone model, which may be caused by cone model velocities, CME density enhancement factor, or CME-CME interaction.

• 한국정보통신학회:학술대회논문집
• /
• 한국해양정보통신학회 2003년도 추계종합학술대회
• /
• pp.580-583
• /
• 2003

본 논문에서는 반복적인 움직임의 있는 경우, 강건하게 해결 할 수 있는 움직임 검출 알고리즘을 제시한다. 기존에 차 영상을 이용한 움직임 검출방법은 밝기나 잡음에는 어느 정도 강건하지만, 일정 영역에서 동작하는 물체의 반복적인 움직임에 대해서는 움직임으로 오 인식하는 문제점을 자주 발생시킨다. 이러한 문제점을 해결하기 위해 영상에서 반복적인 움직임은 특정 영역 상에서만 움직임의 발생된다는 특징을 이용해, 움직임의 가장 많이 발생한 영역을 움직임 영역으로 설정하고, 블록 정합(Block Matching) 시켜 계산된 평균절대오차(MAE)값을 가지고 문제를 해결하는 방법을 제시한다. 실험 결과 제안된 알고리즘은 다양한 반복적인 움직임에 대해 기존의 방법들에 비해 좋은 결과를 얻을 수 있었다.