현 경비 함정의 위치는 해양사고 위치와의 접근성이 떨어져 있어 합리적이고 과학적인 기준이 아닌 주관적인 판단으로 배치되 어 있다. 이에 본 연구에서는 과거 해양사고 데이터를 기반으로 정량적으로 최적의 경비 함정 배치 위치를 도출하고자 한다. 연구 해역은 포항 연안을 대상으로 하였다. 본 연구에서는 k-평균 군집화 알고리즘으로 경비 함정의 배치 위치를 도출한 후, 보로노이 다이어그램으로 각 경비 함정 간 경비 구역을 구획하였다. 연구 결과, 해양사고 1건당 경비 함정의 평균 항해 거리는 4.4해리, 평균 도착 시간은 13.2분이 개선될 수 있었다. 경비 함정을 유동적으로 배치 수를 달리해야 할 경우 본 연구에서 적용한 기법을 활용하여 최적 배치가 가능하며, 신 속한 구조 지원 체계가 더욱 확보될 것으로 판단된다.

This research is to develop a possible process to apply k-means clustering to an efficient vehicle routing process under time varying vehicle moving speeds. Time varying vehicle moving speeds are easy to find in metropolitan area. There is a big difference between the moving time requirements of two specific delivery points. Less delivery times are necessary if a delivery vehicle moves after or before rush hours. Various vehicle moving speeds make the efficient vehicle route search process extremely difficult to find even for near optimum routes due to the changes of required time between delivery points. Delivery area division is designed to simplify this complicated VRPs due to time various vehicle speeds. Certain divided area can be grouped into few adjacent divisions to assume that no vehicle speed change in each division. The vehicle speeds moving between two delivery points within this adjacent division can be assumed to be same. This indicates that it is possible to search optimum routes based upon the distance between two points as regular traveling salesman problems. This makes the complicated search process simple to attack since few local optimum routes can be found and then connects them to make a complete route. A possible method to divide area using k-means clustering is suggested and detailed examples are given with explanations in this paper. It is clear that the results obtained using the suggested process are more reasonable than other methods. The suggested area division process can be used to generate better area division promising improved vehicle route generations.

논문에서는 하천 수위 감지용 CCD카메라에서 입력된 동영상에서 다리 기둥 영역과 물 영역을 구분하여 수위를 감지하는 방법을 제안한다. 하천 영상에서는 다리 기둥이 있고 그 사이로 강물이 흐르기 때문에, 물이 흐르는 부분에서만 강한 움직임이 발생하게 된다. 따라서, 본 논문에서는 optical flow를 사용하여 강물의 움직임을 감지하고 움직임이 감지된 픽셀들을 Y축으로 투영시켜 움직임 누적 히스토그램을 생성한다. 이후, 생성된 움직임 누적 히스토그램에 대해 K-means 군집화를 적용 시킨다. 단순히 기둥 영역과 물 영역을 구분하기 위해서는 K=2인 K-means 군집화를 수행하면 되지만, 기둥 영역과 물보라가 심한 부분, 물이 잔잔하게 흐르는 부분으로 나누기 위해서 K=3인 K-means 군집화를 수행한다. K-means 군집화에 의해 3개의 군집으로 나뉜 히스토그램에서 위쪽 첫 번째 군집과 두 번째 군집의 경계를 검출하면 그 부분이 곧 하천의 수위가 된다. 본 논문에서는 K=2, K=3일 경우의 K-means 군집화를 사용한 방법과 기존의 CCD카메라 기반의 수위감지알고리즘을 비교 실험하였고, 실험 결과 기존의 연구보다 움직임백터와 K-means 군집화 방법을 결합한 방법이 가장 좋은 성능을 보여 주었다.

유황 분석을 통해 산정된 갈수량, 저수량, 평수량, 풍수량은 수자원의 이용 및 관리에 있어서 매우 중요한 유량 지표이다. 하지만, 유황분석에 의해 유황에 따른 유량은 산정되어지고 있으나, 시설물 운영을 위한 유황에 따른 기간이 선정되어 있지 않기 때문에 실무자의 판단을 통해 유황 시기를 결정하여 보 및 댐의 운영이 이루어지고 있는 실정이다. 본 연구에서는 낙동강에 위치한 달성보 지점에 대하여 subtractive 기반 K-mean 클러스터링 기법과 클러스터 검증지수를 통해 실제 유황이 가지는 패턴을 분석하였다. 분석결과, 3개의 유황 패턴이 나타나고 있는 것으로 밝혀졌다. 이에 따라서, 각 유황 패턴이 나타나는 기간을 분석하여 유황 패턴별 시기를 결정하였다.