해상교통관제센터(VTS)의 관제사는 구역 내 교통 상황을 빠르고 정확하게 파악하여 관제가 필요한 선박에게 정보를 제공하는 역할을 수행한다. 그러나 교통량이 급격히 증가하는 경우 관제사의 업무 부하로 인해 관제 공백이 발생하기도 한다. 이러한 이유에서 관 제사의 업무 부하를 줄이고, 일관성 있는 관제 정보를 제공할 수 있는 관제 지원 기술의 개발이 필요한 실정이며, 본 논문에서는 구역 내 이상 운항 선박을 자동으로 식별하는 모델을 제안하였다. 제안하는 이상 운항 식별 모델은 규칙 기반 모델, 위치 기반 모델, 맥락 기반 모 델로 구성되며, 대상 해역의 교통 특성에 최적화된 교통 네트워크 모델을 사용하는 특징이 있다. 구현된 모델은 시범센터(대산항 VTS)에 서 수집되는 실해역 데이터를 적용하여 실험을 수행하였다. 실험을 통해 실해역의 다양한 이상 운항 상황이 자동으로 식별됨을 확인하였 고, 전문가 평가를 통해 식별 결과를 검증하였다.

외부하중을 받는 구조물로부터 계측된 신호의 파워 스펙트럴 밀도함수는 모달 파라미터(고유진동수, 감쇠비)에 대한 상당량 의 정보를 함축하고 있다. 시스템 식별기술은 이러한 신호나 해당 스펙트럼으로부터 모달 파라미터를 추출하는 기법이라고 볼 수 있 다. 파라미터를 추출하는 또 다른 기법으로는 샘플링(신호)을 이용하여한 확률분포의 모수(평균, 분산)를 추정하는 기법이다. 본 연구 에서는 파워 스펙트럼 밀도함수를 확률분포로 치환함으로써 기존 확률통계분야에서 모수를 추출하는 기법(최대우도법)에 의해 모달 파라미터를 추정하는 기법을 제안한다. 모드형상을 추정하는 기법을 개발하고 모드형상에 의해 분해된 모드응답으로부터 고유진동수, 고유감쇠비를 순차적으로 산정하는 기법을 제시한다. 더 나아가, 외부하중이 스펙트럼 해석모델로 치환 가능한 경우에는 이 하중모델 은 통합하여 모델 파라미터까지 산정하는 기법으로 확대한다. 본 연구에서 제시된 기법을 검증하기 위한 수치해석과 실구조물의 응답 에 대한 적용이 이루어졌으며, 검증결과 제안된 모드식별체계가 안정적이며, 신뢰도가 높은 모달파라미터 추정이 가능함을 알 수 있었다.

냉매 오충전은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나로, 적정 충전량 대비 부족 및 과충전 모두 냉방 성능의 저하를 유 발하므로 충전된 냉매량을 정확하게 판단하는 것이 중요하다. 본 연구에서는 퍼지 군집화 기법을 통한 정상상태 식별을 통해 냉매 오 충전량을 다중 분류하는 모델을 개발하였다. 정상상태 식별을 위해 에어컨 운전 데이터에 대해 이동 평균 간의 차이를 활용한 퍼지 군 집화 알고리즘을 적용하였으며, IFDR를 통해 기존 연구된 정상상태 판단 기법들과 식별 결과를 비교하였다. 이후, 시스템 내 상관성 을 고려한 mRMR을 이용해 특징을 선택하였으며, 도출된 특징을 이용해 SVM 기반의 다중 분류 모델이 생성되었다. 제안된 방법은 시험 데이터를 통해 만족할 만한 분류 정확도와 강건성을 도출하였다.

국제해사기구에서는 해상에서의 선박의 충돌방지와 그로 인한 해양환경의 보호를 목적으로 1993년 11월 선박조종성능에 대 한 잠정지침을 채택한 이후, 축적된 데이터를 바탕으로 2002년 12월 선박조종성능에 대한 확정된 지침을 채택하였다. 하지만 채택된 지침은 만재상태, 등흘수 및 선박의 최대 출력(MCR)의 85 %에 해당되는 선속의 최소 90 % 이상에서의 지침으로, 동 지침은 항해사에게 필요한 실 항해조건에서의 조종성능 정보를 제공하는 데 한계가 있다. 따라서 본 연구에서는 항해사, 선장 및 선박조종에 대한 식견을 갖추고 있는 전문가를 대상으로 빈도분석과 AHP 분석기법을 실시하여 현 지침에 대한 활용도 및 실제 선박조종에 필요한 정보가 무 엇인지를 식별하였다. 연구결과 선박을 운항하는 항해사에게 필요한 조종성능 정보는 5~10°의 소각도에서의 선회권 정보, 항해속력(Sea speed)이 아닌 조종속력(Maneuvering speed)에서의 z-test 정보라는 것을 확인하였고, 속도제어 관련하여서는 항해속력 및 만재상태에서의 정지성능에 대한 정보보다 감속타력, 가속타력 등에 대한 정보가 더 필요하다는 것을 확인하였다. 도출된 결과는 선박을 조종하는 항 해사에게 필요한 선박조종성능기준 지침마련에 대한 기초자료로 활용도가 높을 것으로 사료된다.

Artificial intelligence is driving the Fourth Industrial Revolution and is in the spotlight as a general-purpose technology. As the data collection from the battlefield increases rapidly, the need to us artificial intelligence is increasing in the military, but it is still in its early stages. In order to identify maritime targets, Republic of Korea navy acquires images by ISAR(Inverse Synthetic Aperture Radar) of maritime patrol aircraft, and humans make out them. The radar image is displayed by synthesizing signals reflected from the target after radiating radar waves. In addition, day/night and all-weather observations are possible. In this study, an artificial intelligence is used to identify maritime targets based on radar images. Data of radar images of 24 maritime targets in Republic of Korea and North Korea acquired by ISAR were pre-processed, and an artificial intelligence algorithm( ResNet-50) was applied. The accuracy of maritime targets identification showed about 99%. Out of the 81 warship types, 75 types took less than 5 seconds, and 6 types took 15 to 163 seconds.

The distinction between software expression protected by copyright law and software functionality not protected by copyright law is often elusive. Accordingly, we analyze what the U.S. Supreme Court’s Decision in a program copyright lawsuit between Google and Oracle suggests about the direction of copyright protection for the latest software. Next, we will try to find an appropriate balance between the scope of protection of patent and copyright for software. To this end, we look at ways to increase the expertise of judges to clearly determine the boundaries of the protection scope of patents and copyrights for software. Nevertheless, as for software, overlapping protection of patent and copyrights may inevitably occur. For this, we look at ways to resolve the inconsistency between the protection period of patent and copyrights. Lastly, we will look at the special law for areas not protected by patent and copyright laws.

지하의 단층들이 지표면까지 도달하지 못하면 단층의 유무를 인지 못하는 경우가 있다. HVSR 분석법으로 지표 면 아래 단층의 존재를 판별할 수 있는지 살펴보기 위해 포항분지 흥해지역 동편의 곡강단층을 통과하는 지역을 선정 하여 연구를 진행하였다. 교차하는 두개의 측선에서 조밀하게 관측한 배경잡음으로 HVSR 분석을 통해 공명주파수를 산정하였다. 연구지역 내 시추 자료의 기반암 깊이 정보와 시추 지역의 공명주파수를 이용해 상관식을 도출한 후 두 측선에서의 공명주파수를 상관식에 적용해 기반암 심도를 산출하였다. HVSR 분석 결과 두 측선에서 기반암 심도가 급 격히 변하는 곳이 있다. 특히 곡강단층 인근에서 공명주파수가 급격히 변화하였고, 기존에 알려진 단층이 없는 지역에 서도 공명주파수와 기반암 심도가 급격히 변화하는 곳이 있음을 알 수 있었다. 이 형상은 이전에 알려지지 않은 blind fault와 관련이 있을 것으로 사료된다. 본 연구는 지표면에서 인식하지 못하는 단층을 식별하기 위한 HVSR 방법의 적 용 가능성을 확인하였다.

Maritime monitoring requirements have been beyond human operators capabilities due to the broadness of the coverage area and the variety of monitoring activities, e.g. illegal migration, or security threats by foreign warships. Abnormal vessel movement can be defined as an unreasonable movement deviation from the usual trajectory, speed, or other traffic parameters. Detection of the abnormal vessel movement requires the operators not only to pay short-term attention but also to have long-term trajectory trace ability. Recent advances in deep learning have shown the potential of deep learning techniques to discover hidden and more complex relations that often lie in low dimensional latent spaces. In this paper, we propose a deep autoencoder-based clustering model for automatic detection of vessel movement anomaly to assist monitoring operators to take actions on the vessel for more investigation. We first generate gridded trajectory images by mapping the raw vessel trajectories into two dimensional matrix. Based on the gridded image input, we test the proposed model along with the other deep autoencoder-based models for the abnormal trajectory data generated through rotation and speed variation from normal trajectories. We show that the proposed model improves detection accuracy for the generated abnormal trajectories compared to the other models.

Maritime monitoring requirements have been beyond human operators capabilities due to the broadness of the coverage area and the variety of monitoring activities, e.g. illegal migration, or security threats by foreign warships. Abnormal vessel movement can be defined as an unreasonable movement deviation from the usual trajectory, speed, or other traffic parameters. Detection of the abnormal vessel movement requires the operators not only to pay short-term attention but also to have long-term trajectory trace ability. Recent advances in deep learning have shown the potential of deep learning techniques to discover hidden and more complex relations that often lie in low dimensional latent spaces. In this paper, we propose a deep autoencoder-based clustering model for automatic detection of vessel movement anomaly to assist monitoring operators to take actions on the vessel for more investigation.