바둑은 적어도 2,500년 이상의 역사를 지녔고 그동안 인간 고유의 게임 영역으로 여겨왔으나, 2016년 컴퓨터 바둑인 알파고에 의해 제압된 마지막 보드게임이 되었다. 바둑에서의 사활문제는 컴퓨터 바둑을 구축 시 반 드시 해결해야 되는 기본 문제 영역이 된다. 연역적 추론은 이미 알고 있는 판단을 근거로 새로운 사실을 추 론하는 논리학의 용어이다. 본 논문에서는 연역적 추론을 위해 제약 충족 방법을 활용하여 사활문제와 직결 되는 3궁, 4궁, 5궁, 6궁의 원형 안형을 표현하는 4-튜플의 형식을 찾고자 했다. 이후 생성된 4-튜플의 형식 을 갖고 점 패턴 매칭을 활용하여 각 궁도의 원형 안형의 갯수를 파악하고자 했다. 실험 결과에 따른 4-튜플 형식의 갯수는 3궁 1개, 4궁 3개, 5궁 4개, 6궁 8개가 있음을 알 수 있었다. 또한 각 궁도의 원형 안형의 갯 수는 3궁 2개, 4궁 5개, 5궁 12개, 6궁 35개가 존재함을 찾아냈다. 마지막으로 컴퓨터 바둑에서의 사활문제 해결을 위해 원형 안형들을 4-튜플 형식의 변형인 5-튜플 형식으로도 제시하였다.

The purpose of this study was to develop the pattern-making for Korean glove. To develop the pattern-making for glove this study comprehensive list of candidate hand data was reviewed and the manufacturers(career over th 15 years) were interviewed on the method of glove. The results of regression analysis(hand data) were as follows (unit: cm): wrist thumb tip length = middle finger length + 3.22, hand bread = 1.25 × middle finger length + 2.18, middle finger breadth at dist = 0.23 × index finger circumference + 0.4, maximum hand circumference = 3.15 × index finger circumference + 4.13, middle finger circumference = 0.91 × index finger circumference + 0.47, maximum hand thickness = 0.69 × index finger circumference －0.02. Hand measurements for glove pattern-making were developed: There were palmar hand length, hand circumference, index finger circumference and middle finger length.

본 논문에서는 RST 공격에 강인성을 갖도록 하기위해 이진 원형 패턴을 사용하는 영상 정규화 기반 워터마킹 방법을 제안한다. 기존의 정규화 기반 워터마킹 방법은 영상에서 무게중심과 중심 모멘트를 구하고 이를 이용하여 영상을 표준 형태(standard form)인 정규 영상으로 변환하고 여기에 워터마크를 삽입하는 방법이다. 그러나 일반적으로 회전(rotation), 크기변화(scaling), 천이(translation)에 기인하는 RST 공격은 영상의 가장자리 영역이 잘리는 경계효과를 수반하게 되며, 이로 인하여 영상 정규화 파라미터 값이 틀려지게 되어 워터마크를 검출할 수 없게 된다. 이러한 문제를 해결하기 위해 본 논문에서는 영상의 외각 부분을 제외하고 영상의 내부 영역만을 이용해 영상을 정규화 한다. 영상의 내부 영역을 추출하기 위해 어떠한 공격에도 변하지 않는 불변의 이진 원형 패턴을 이용하고, 이진 원형 패턴에서 계산된 모멘트 값을 정규화에 이용하는 방법을 제시한다. 실험 결과 이진 원형 패턴을 사용하는 제안 방법이 기존 영상 정규화 방법보다 RST 공격에 우수한 성능을 나타내었다.

This paper proposes a pattern recognition and classification algorithm based on a circular structure that can reflect the characteristics of the sEMG (surface electromyogram) signal measured in the arm without putting the placement limitation of electrodes. In order to recognize the same pattern at all times despite the electrode locations, the data acquisition of the circular structure is proposed so that all sEMG channels can be connected to one another. For the performance verification of the sEMG pattern recognition and classification using the developed algorithm, several experiments are conducted. First, although there are no differences in the sEMG signals themselves, the similar patterns are much better identified in the case of the circular structure algorithm than that of conventional linear ones. Second, a comparative analysis is shown with the supervised learning schemes such as MLP, CNN, and LSTM. In the results, the classification recognition accuracy of the circular structure is above 98% in all postures. It is much higher than the results obtained when the linear structure is used. The recognition difference between the circular and linear structures was the biggest with about 4% when the MLP network was used.