인공 신경회로망은 인간의 뇌를 전산 모델로 구현한 것으로 상호 연결된 많은 정보 처리 유니트들로 구성되어 있으며, 이를 기초로 논리적인 추론을 수행할 수 있다. 특히, 신경망은 비선형 변수를 많이 포함하고 있는 복잡한 문제 해결에서 더욱 효과적이다. 신경망의 이러한 기능으로 인해 구조분야에서는 비선형적인 각종 구조실험의 결과예측이나 구조계획 그리고 최적 설계에 응용되고 있는 추세이다. 본 논문에서는 인공 신경 회로망의 기본 이론을 설명하고, 현재까지 정립되고 있지 않은 대형 콘크리트 판넬간 수직 접합부의 최대 전단 내력 예측에 기존의 제안식과 인공 신경 회로망의 예측 결과를 비교하여 신경망의 적용가능성을 검토하고자 한다.

생물체와 자연현상을 대상으로 하는 농업은 알려지지 않거나 불확실하고 애매한 정보를 처리해야 하는 경우가 많다. 따라서 농업시스템 시뮬레이션에 있어 다수의 가정이 필요하여 시뮬레이션 결과의 신뢰성이 떨어지게 되는 경우가 있다. 이러한 경우에 전문가 시스템, 퍼지, 인공신경망 등의 인공지능(Artificial Intelligence) 기술이 효과적으로 이용될 수 있으며 최근에 농업 분야에 응용이 활발해지고 있다. 전문가 시스템(Expert System)은 인공지능의 한 분야로서 인공지능이 실용화되는 과정에서 가장 각광받는 분야 중의 하나이다.(중략)

With the introduction of the tele-monitoring system (TMS) in South Korea, monitoring of the concentration of pollutants discharged from nationwide water quality TMS attachments is possible. In addition, the Ministry of Environment is implementing a smart sewage system program that combines ICT technology with wastewater treatment plants. Thus, many institutions are adopting the automatic operation technique which uses process operation factors and TMS data of sewage treatment plants. As a part of the preliminary study, a multilayer perceptron (MLP) analysis method was applied to TMS data to identify predictability degree. TMS data were designated as independent variables, and each pollutant was considered as an independent variables. To verify the validity of the prediction, root mean square error analysis was conducted. TMS data from two public sewage treatment plants in Chungnam were used. The values of RMSE in SS, T-N, and COD predictions (excluding T-P) in treatment plant A showed an error range of 10%, and in the case of treatment plant B, all items showed an error exceeding 20%. If the total amount of data used MLP analysis increases, the predictability of MLP analysis is expected to increase further.

항만의 주요 정책 및 향후 운영계획 수립 시 정확한 물동량 예측에 관한 연구는 매우 중요하며 이러한 중요성으로 인해 관련 연구가 활발히 수행되고 있다. 본 논문에서는 국내 최대 석탄 및 철광석 처리 항만인 광양항을 대상으로 단계적 회귀분석과 인공신경망모형을 활용하여 모형간 예측력을 비교하였다. 2009년 1월부터 2019년 1월까지 총 121개월의 월별자료를 활용하였으며 석탄 및 철광석 물동량에 영향을 주는 요인을 선정하여 공급관련요인과 시장·경제관련요인으로 분류하였다. 단계적 회귀분석 결과, 광양항 석탄 물동량 예측모형의 경우, 입항선박 톤수, 석탄가격 및 대미환율이 최종변수로 선정되었고 철광석 물동량 예측모형의 경우, 입항선박 톤수, 철광석가격이 최종변수로 선정되었다. 인공신경망모형의 경우, 모델 성능에 영향을 미치는 다양한 Hyper-parameters를 조정하며 최적 모델을 선정하는 시행착오법을 사용하였다. 분석결과 인공신경망모형이 단계적 회귀분석에 비해 우수한 예측성능을 나타내었으며 예측 모형별 예측값과 실측값을 그래프 상 비교 시에도 인공신경망모형이 단계적 회귀분석에 비해 고·저점을 유사하게 나타냈다.

Global warming due to the increase of greenhouse gases may significantly affect various aspects of the Earth’s environment and human life. In particular, the impacts of climate change on agriculture would be severe, leading to damages to crop yields. This paper examines the experimental prediction of rice yield in China using DNN (deep neural network) and climate model data for the period between 1979 and 2009. The DNN model built through the process of hyperparameter optimization can mitigate an overfitting problem and cope with outlier cases. Our model showed approximately 38.7% improved accuracy than the MLR (multiple linear regression) model, in terms of correlation coefficient with the yield statistics. We found that the diurnal temperature range and potential evapotranspiration were the critical factors for rice yield prediction. Our DNN model was also robust to extreme conditions such as drought in 2006 and 2007 in China, which showed its applicability to the future simulation of crop yields under climate change.

This research is a case study of underwater object tracking based on real-time recurrent regression networks (Re3). Re3 has the concept of generic object tracking. Because of these characteristics, it is very effective to apply this model to unclear underwater sonar images. The model also an pursues object tracking method, thus it solves the problem of calculating load that may be limited when object detection models are used, unlike the tracking models. The model is also highly intuitive, so it has excellent continuity of tracking even if the object being tracked temporarily becomes partially occluded or faded. There are 4 types of the dataset using multi-beam sonar images: including (a) dummy object floated at the testbed; (b) dummy object settled at the bottom of the sea; (c) tire object settled at the bottom of the testbed; (d) multi-objects settled at the bottom of the testbed. For this study, the experiments were conducted to obtain underwater sonar images from the sea and underwater testbed, and the validity of using noisy underwater sonar images was tested to be able to track objects robustly.

본 연구에서는 아스팔트 콘크리트 도로포장의 표면균열 검출을 위해 합성곱 신경망을 이용하였다. 합성곱 신경망의 학습에 사용되는 표면균열 이미지 데이터의 양에 따른 합성곱 신경망의 성능향상 정도를 평가하였다. 사용된 합성곱 신경망의 구조는 5개의 층으로 구성되 어있으며, 3x3 크기의 convolution filter와 2x2 크기의 pooling kernel을 사용하였다. 합성곱 신경망의 학습을 위해서 도로노면 조사 장비를 통해 구축된 국내 도로포장 표면균열 이미지를 활용하였다. 표면균열 이미지 데이터를 학습한 합성곱 신경망 모델의 표면균열 검출 정확도, 정밀도, 재현율, 미검출율, 과검출율을 평가하였다. 가장 많은 양의 데이터를 학습한 합성곱 신경망 모델의 표면균열 검출 정확도, 정밀도, 재현율은 96.6% 이상, 미검출율, 과검출율은 3.4% 이하의 성능을 나타내었다.

케이블 교량에서 케이블은 가장 중요한 구조부재의 하나이며, 케이블의 내부 장력을 모니터링하는 것은 케이블 교량 유지 관리에서 필수적이다. 본 연구에서는 케이블 장력을 효율적으로 모니터링하기 위한 무선센서 기반의 장력추정 자동화 시스템을 개발하였다. 무선센서에 포함된 가속도계를 통해 케이블의 진동을 계측하고, 진동기반 장력추정법을 통해 케이블의 장력을 추정하였다. 장력추정 절차를 자동화하기 위해 가장 널리 사용되고 있는 기계학습법의 하나인 합성곱 신경망을 도입하였다. 개발된 자동화 기법은 싱글보드 컴퓨터의 하나인 라즈베리파이3 모델B+에 구현하였으며, 실험실에서 모형 케이블을 이용하여 성능을 검증하였다. 케이블의 장력이 바뀌는 경우에도 개발된 시스템은 자동으로 변화된 장력의 크기를 잘 계측할 수 있는 것을 확인하였다.

본 연구는 현재 상태에서 콘크리트 내부의 균열, 공극, 결함 등을 식별 및 판단하고 일반적인 초음파법 및 반발경도법 외에 S-wave 및 R-wave를 사용하여 미래의 머신러닝 기법의 적용 가능성을 설명합니다. 또한, 다양한 머신러닝 기법 중에서 서포트벡터머신(SVM) 및 인공신경망(ANN)을 사용하여 콘크리트 건전성 평가에 대한 모델 개발을 통해 실험데이터의 예측 결과에 대한 비교분석을 진행하였고 최종적으로 SVM 모델을 제시하였다.

Ensemble verification and prediction of low-level wind shear (LLWS) are an important matter for airplane landing and management. In this study, we compared the prediction performance of LLWS forecasts of ensemble mean, multiple regression model and long short-term memory (LSTM), which belong to the family of recurrent neural network based on the grid points over the Jeju area. The prediction skills of methods were compared by mean absolute error. We found that the prediction skills of forecasts of LSTM were better than the bias-corrected forecasts in terms of deterministic prediction.

The video game Tetris is one of most popular game and it is well known that its game rule can be modelled as MDP (Markov Decision Process). This paper presents a DQN (Deep Q-Network) based game agent for Tetris game. To this end, the state is defined as the captured image of the Tetris game board and the reward is designed as a function of cleared lines by the game agent. The action is defined as left, right, rotate, drop, and their finite number of combinations. In addition to this, PER (Prioritized Experience Replay) is employed in order to enhance learning performance. To train the network more than 500000 episodes are used. The game agent employs the trained network to make a decision. The performance of the developed algorithm is validated via not only simulation but also real Tetris robot agent which is made of a camera, two Arduinos, 4 servo motors, and artificial fingers by 3D printing.

The optimal grasping point of the object varies depending on the shape of the object, such as the weight, the material, the grasping contact with the robot hand, and the grasping force. In order to derive the optimal grasping points for each object by a three fingered robot hand, optimal point and posture have been derived based on the geometry of the object and the hand using the artificial neural network. The optimal grasping cost function has been derived by constructing the cost function based on the probability density function of the normal distribution. Considering the characteristics of the object and the robot hand, the optimum height and width have been set to grasp the object by the robot hand. The resultant force between the contact area of the robot finger and the object has been estimated from the grasping force of the robot finger and the gravitational force of the object. In addition to these, the geometrical and gravitational center points of the object have been considered in obtaining the optimum grasping position of the robot finger and the object using the artificial neural network. To show the effectiveness of the proposed algorithm, the friction cone for the stable grasping operation has been modeled through the grasping experiments.

This paper presents a 6-DOF relocalization using a 3D laser scanner and a monocular camera. A relocalization problem in robotics is to estimate pose of sensor when a robot revisits the area. A deep convolutional neural network (CNN) is designed to regress 6-DOF sensor pose and trained using both RGB image and 3D point cloud information in end-to-end manner. We generate the new input that consists of RGB and range information. After training step, the relocalization system results in the pose of the sensor corresponding to each input when a new input is received. However, most of cases, mobile robot navigation system has successive sensor measurements. In order to improve the localization performance, the output of CNN is used for measurements of the particle filter that smooth the trajectory. We evaluate our relocalization method on real world datasets using a mobile robot platform.

중고선은 신조선과 달리 시장참여자에게 즉각적인 시장 진출입 기회를 제공하기 때문에 해운산업에서 중요한 시장이라 할 수 있 다. 중고선 거래 시 정확한 선가 추정은 향후 장기적인 자본비용의 부담과 직접적인 관련이 있기 때문에 투자의사결정에서 상당히 중요한 요소가 된다. 기존의 중고선시장과 관련된 연구들은 시장의 효율성검증에 치우쳐 있어 정확한 중고선가 추정을 위한 연구는 부족한 실정이다. 본 연구에서는 중고선박 가치추정에 전통적인 계량모델보다 기존연구에서 시도되지 않았던 인공신경망모델을 새롭게 제안하였다. 문헌연구를 통해 중고선 가격에 영향을 미치는 6개 요인(운임, 신조선가격, 총 선복대비 발주량, 해체선 가격, 선령, 사이즈)을 선정하였고, 데이터는 2016년 1월부터 2018년 12월까지 Clarkson에 보고된 파나막스 중고선의 실거래 기록 366건을 이용하였다. 변수선정을 위하여 상관분석과 단계적 회귀분석 실시한 결과 최종적으로 운임, 선령, 사이즈 3개의 변수가 채택되었다. 모델의 설계는 10분할 교차검증으로 인공신경망모델의 파라미터들을 추정하여 진행되었다. 인공신경망 모델의 중고선 가치추정치를 단순 단계적 회귀모형과 비교한 결과 인공신경망모델의 성능이 우수함을 확인하였다. 이 연구는 중고선 선가추정에 미치는 요인들에 대한 통계적인 검증, 성능개선을 위한 기계학습기반의 인공신경망 모델 활용이라는 측면에서 차별적 의미가 있다. 또한 정확한 선가 추정이 요구되는 실무에서 통계적인 합리성과 결과의 정확성이 동시에 만족되는 과학적 모델을 제시하여 실무적으로도 도움이 될 것으로 기대한다.

본 연구에서는 순환신경망을 이용한 댐 유입량 예측모형의 적용성 검토를 목적으로 하고 있으며, 이를 위해 소양강댐 유역 및 충주댐 유역을 대상 으로 그간 댐 운영을 통해 축적된 기상 및 수문 빅데이터를 활용하여 인공신경망 모형과 엘만 순환신경망 모형을 구축하였다. 모형의 학습과 예측 을 위하여 유역별 유입량, 강우량, 기온, 일조시간, 풍속자료가 입력자료로 사용되었고 10일간 일별 댐유입량 자료가 모델의 출력자료로 구조화 하여 학습을 진행한 후 검증을 목적으로 2016년 7월 ~ 2018년 6월까지 2개년에 대한 댐 유입량 예측을 수행하였다. 학습된 모형의 유입량 예측 결과를 비교분석한 결과, 소양강댐 유역에서는 인공신경망 모형과 순환신경망 모형 간 예측성능은 큰 차이를 보이지 않았으며, 충주댐 유역에서는 순환신경망 모형의 예측 결과가 인공신경망 모형에 비해 비교적 우수한 성능을 보임에 따라 엘만 순환신경망을 이용하여 댐 유입량 예측모형을 구축 할 경우 예측성능은 기존의 인공신경망 모형과 비슷하거나 다소 우수할 것으로 판단된다. 또한 엘만 순환신경망은 갈수기 댐 유입량 예측에 있어서 인공신경망에 비해 예측결과의 재현성이 우수한 것으로 나타났으며, 엘만 순환신경망 학습에 있어 다중 은닉층 구조가 단일 은닉층 구조보다 예측 성능 향상에 효과적인 것으로 분석되었다.

본 연구에서는 미급수지역의 주요 수원인 지하수의 수위 변동 상황을 기반으로 한 미급수지역 가뭄 예보 기법 개발을 목적으로 하였다. 이를 위해 지역화된 표준지하수지수(SGI)와 표준강수지수들(SPIs)의 상관관계를 분석하였다. 관측 지하수위로부터 산정된 SGI의 자기회귀 특성 및 지속기간별 SPI와 SGI의 상관관계를 동시에 고려할 수 있는 NARX (nonlinear autoregressive exogenous model) 인공신경망 모형을 이용하여 지역별 예측모형을 구축하였다. 학습기간 동안 관측 SGI와 모델 출력 SGI의 상관계수는 0.7 이상인 곳이 전체 167개 지역별 모형 중 146개(87%)로 상관성이 높은 것으로 분석되었다. 적용기간에 대해서는 평균제곱근오차와 상관계수로 모형을 평가하였다. 본 연구를 통해 기상청에서 제공하는 59 개 관측소별 강수량 전망 값으로부터 산정된 지속기간별 SPI와 관측된 지하수위를 이용한 지역별 SGI 전망이 가능하도록 하였으며, 미급수지역의 가뭄 예‧경보를 위한 기초자료로 활용이 가능토록 하였다.

최근 다수의 분야에서 딥 러닝을 통한 연구 성과들이 사람의 판단력에 근접하는 결과를 보여주고 있다. 그리고 게임 산업에서는 온라인 커뮤니티, SNS의 활성화가 게임 흥행 여부를 결정할 정도로 중요성이 높아지고 있다. 본 연구는 딥 러닝을 이용해 온라인 커뮤니티, SNS에서 활동할 수 있는 시스템을 구성하고, 온라인 공간에서 사람들이 작성한 텍스트를 읽고 그에 대한 반응을 생성하고 스케쥴에 따라 트위터에 올리는 것을 목표로 한다. 순환 신경망(Recurrent Neural Network)을 이용해 텍스트를 생성하고 글 작성 스케쥴을 생성하는 모델들을 구성했고, 생성한 시각에 맞춰 모델들에 뉴스 제목을 입력해 댓글을 출력 받고 트위터에 작성하는 프로그램을 구현했다. 본 연구 결과는 온라인 게임 커뮤니티 활성화, Q&A 서비스 등에 적용이 가능할 것으로 예상된다.

영상 인식 기술은 평면 영상에 대해서 많이 연구되고 그 성능 또한 발전하고 있다. 그러나 평면 영상이 아닌 구면 파노라마 영상과 다양한 환경에서 주어지는 특수한 형태의 영상에 대한 인식은 평면과 다르게 기하학적인 왜곡으로 인해서 많은 어려움이 따른다. 본 논문에서는 평면영상의 인식 기술에서 최근 각광받는 훈련을 통한 신경망 인식 기법이 구면 파노라마 영상의 인식에서도 쓰일 수 있음을 보인다. 또한 구면 영상에 대한 기존 신경망 모델의 인식률을 높이기 위해서 큐브맵 변환을 활용하는 방법을 제시한다.

최근 기후변화 및 유역개발로 인하여 메콩강 유역의 수문환경이 급격히 변화하고 있으며, 메콩강을 공유하는 국가의 수재해 예방 및 지속가능한 수자원개발을 위해서는 메콩강 주요지점에서의 유량 정보의 분석 및 예측이 요구된다. 본 연구에서는 물리적 기반의 수문모형인 SWAT과 데이터기반 딥러닝 알고리즘인 LSTM을 이용하여 메콩강 하류 Kratie 지점의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장 ․ 단점을 비교 ․ 분석한다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며 warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝 오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie 지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다. 두 모형의 모의성능 비교 ․ 검토를 위하여 모의기간에 대해 NSE (Nash-Sutcliffe Efficiency)을 산정한 결과, SWAT은 0.9, LSTM은 보다 높은 0.99의 정확도를 나타내는 것으로 분석되었다. 메콩강과 같은 대유역의 특정 지점에 대한 수문시계열 자료의 모의를 위해서는 다양한 입력자료를 요구하는 물리적 수문모형 대신 선행시계열자료의 변동성을 기억 ․ 학습하여 이를 예측에 반영하는 LSTM 기법 등 데이터기반의 심층신경망 모형의 적용이 가능할 것으로 판단된다.