In this study, Cavities in Specimens were find using GPR equipment. Results of exploration deadline for plain concrete, reinforced concrete, asphalt, gravel, depending on the type, asphalt pavement was most clearly exploration. Developed GPRiPP can represent a good cavitation through the image processing with the background removal.

In this paper, we mainly analyze the performance of two ultra wideband communication systems, the classical Time Hopping Binary Pulse Position Modulation (TH-BPPM) UWB system and the Time Hopping Bipolar Pulse Amplitude Modulation (TH-BPAM) UWB system. The performance of TH-BPPM and TH-BPAM is analyzed in detail under an ideal AWGN channel and a correlation receiver. We use the power spectral density function to get the expression of BER of these two UWB systems. It yields simple and exact formulas relating the performance to the system parameters. The analysis shows that TH-BPPM suffers performance degradation with respect to TH-BPAM. Furthermore, we give the computer simulation of both data and image transmission and our simulation results also prove our theoretical analysis.

최근 인공지반녹화에 주로 사용되고 있는 다육식물류는 환경에 따라 다양한 잎색을 나타내고 있다. 다육식물의 광환경 변화에 따른 색상 변화를 조사하는데 있어서, 식물의 색을 표현할 때 사용되는 RHS color chart로 그 값을 조사하고 이를 화상데이터인 RGB 값으로 변환함으로써 일반인의 색상 판단에 용이하도록 색채분석방법과 그 결과를 제시하고자 하였다. 공시된 14종의 다육식물 중 관도변화에 뚜렷한 종은 Sempervivum arachnoideum, Sempervivum rebustum, Sedum reflexum 'Blue Spruce' syn. Sedum rupestre이었다. Sempervivum arachnoideum는 초기 전체 엽색이 183B에서 144B로 변화하였고, Sedum reflexum 'Blue Spruce' syn. Sedum rupestre은 138B에서 182D로, Sempervivum rebustum는 146B에서 187C로 변화되었다. RHS color chart 상의 큰 차이를 보였던 종들의 RGB값의 변화를 알아본 결과 Sempervivum arachnoideum는 녹색은 무려 424.0% 증가하였고, 적색은 21.8% 감소하였으며, 청색은 6.8%의 증가로 거의 변화를 보이지 않았다. Sedum reflexum 'Blue Spruce' syn. Sedum rupestre은 전체적으로 적색을 띄게 되었는데 이 변화는 적색이 43.9% 증가하고, 녹색이 35.9%, 청색은 66.1% 증가함을 통해 색상의 변화가 밝아지고 뚜렷한 색상을 나타냄을 알 수 있었다. Sempervivum rebustum의 기부가 처음에 비해 2개월 후 적색이 녹색으로 변한 것은 녹색이 658.3% 증가되고 적색이 26.0%, 청색이 62.8% 감소된 결과에 기인한 것을 알 수 있었다.

본 연구에서는 최대우도법과 인공신경망 모형에 의해 카테고리 분류를 수행하고 각각의 분류 성능을 비교 평가하였다. 인공신경망 모형은 오류역전파 알고리즘을 이용한 것으로서 학습을 통한 은닉층의 최적노드수를 결정하여 카테고리 분류를 수행하도록 하였다. 인공신경망 최적 모형은 입력층의 노드수가 7개, 은닉층의 최적노드수가 18개, 그리고 출력층의 노드수가 5개인 것으로 구성하였다. 위성영상은 1996년에 촬영된 Landsat TM-5 영상을 사용하였고, 최대우도법과 인공신경망 모형에 의한 카테고리 분류를 위하여 각각의 카테고리에 대한 분광특성을 대표하는 지역을 절취하였다. 분류 정확도는 인공신경망 모형에 의한 방법이 90%, 최대우도법이 83%로서, 인공신경망 모형의 분류 성능이 뛰어난 것으로 나타났다. 카테고리 분류 항목인 토지 피복 상태에 따른 분류는 두 가지 방법에서 밭과 주거지의 분류오차가 큰 것으로 나타났다. 특히, 최대우도법에 의한 밭에서의 태만오차는 62.6%로서 매우 큰 값을 보였다. 이는 밭이나 주거지의 특성이 위성 영상 촬영시기에 따라 나지의 형태로 분류되거나 산림, 또는 논으로도 분류되는 경향이 있기 때문인 것으로 보인다. 차후에 카테고리 분류를 위한 각각의 클래스의 보조적인 정보를 추가한다면, 카테고리 분류 향상이 이루어질 것으로 기대된다.