Joint Distributed Rate Control and Resource Allocation in Multiradio Multichannel Multihop Wireless Networks with Network Coding

Museong Park,Wonsik Yoon 보안공학연구지원센터 2013 International Journal of Multimedia and Ubiquitous Vol.8 No.3

멀티채널 멀티라디오 멀티세션 무선 네트워크를 위한 네트워크 코딩 기반 계층간 최적화 기법

박무성(Museong Park),윤원식(Wonsik Yoon) 대한전자공학회 2013 전자공학회논문지 Vol.50 No.5

네트워크 코딩은 브로드캐스트와 오버히어링 특성을 통해 네트워크의 처리율 향상을 가져오는 기법으로 널리 연구되고 있다. 본 논문에서는 인트라세션 네트워크 코딩 방법을 사용하여 멀티채널, 멀티라디오, 멀티세션으로 구성된 무선 멀티홉 네트워크 환경의 네트워크 유틸리티 향상을 위한 네트워크 유틸리티 최대화 문제를 모델링한다. 그리고 주어진 환경에서의 유틸리티 최대화 문제의 해를 구하기 위해 혼잡 제어 알고리즘, 분산 레이트 제어 알고리즘 그리고 휴리스틱 자원 할당 알고리즘을 제안한다. MATLAB을 사용하여 제안한 알고리즘에 대한 성능 평가를 하였으며 멀티채널, 멀티라디오, 멀티세션의 변화에 따른 네트워크 유틸리티를 구하였다. 그 결과, 제안한 세 가지 알고리즘을 통해 무선 멀티홉 네트워크에서 처리율 향상이 이루어짐을 알 수 있으며 본 논문에서 제안한 알고리즘을 통해 네트워크 처리율 최적화 문제에 대한 솔루션을 제시하였다. Network coding has been extensively studied to increase the network throughput by exploiting the broadcast and overhearing capabilities. In this paper, we formulate a network utility maximization problem to improve the network utility in multichannel, multiradio and multisession wireless multihop network with intrasession network coding. To find the solution of this problem, we propose a congestion control, distributed rate control, and heuristic resource allocation algorithm. We find the network utility and evaluate the performance in multichannel, multiradio and multisession environment by using MATLAB. Finally, the results show that the proposed schemes can achieve throughput improvement by performing the network utility optimization in wireless multihop network.

다중 레이블 분류의 정확도 향상을 위한 스킵 연결 오토인코더 기반 레이블 임베딩 방법론

김무성(Museong Kim),김남규(Namgyu Kim) 한국지능정보시스템학회 2021 지능정보연구 Vol.27 No.3

최근 딥 러닝 기술의 발전으로 뉴스, 블로그 등 다양한 문서에 포함된 텍스트 분석에 딥 러닝 기술을 활용하는 연구가 활발하게 수행되고 있다. 다양한 텍스트 분석 응용 가운데, 텍스트 분류는 학계와 업계에서 가장 많이 활용되는 대표적인 기술이다. 텍스트 분류의 활용 예로는 정답 레이블이 하나만 존재하는 이진 클래스 분류와 다중 클래스 분류, 그리고 정답 레이블이 여러 개 존재하는 다중 레이블 분류 등이 있다. 특히, 다중 레이블 분류는 여러 개의 정답 레이블이 존재한다는 특성 때문에 일반적인 분류와는 상이한 학습 방법이 요구된다. 또한, 다중 레이블 분류 문제는 레이블과 클래스의 개수가 증가할수록 예측의 난이도가 상승한다는 측면에서 데이터 과학 분야의 난제로 여겨지고 있다. 따라서 이를 해결하기 위해 다수의 레이블을 압축한 후 압축된 레이블을 예측하고, 예측된 압축 레이블을 원래 레이블로 복원하는 레이블 임베딩이 많이 활용되고 있다. 대표적으로 딥 러닝 모델인 오토인코더 기반 레이블 임베딩이 이러한 목적으로 사용되고 있지만, 이러한 기법은 클래스의 수가 무수히 많은 고차원 레이블 공간을 저차원 잠재 레이블 공간으로 압축할 때 많은 정보 손실을 야기한다는 한계가 있다. 이에 본 연구에서는 오토인코더의 인코더와 디코더 각각에 스킵 연결을 추가하여, 고차원 레이블 공간의 압축 과정에서 정보 손실을 최소화할 수 있는 레이블 임베딩 방법을 제안한다. 또한 학술연구정보서비스인 ‘RISS’에서 수집한 학술논문 4,675건에 대해 각 논문의 초록으로부터 해당 논문의 다중 키워드를 예측하는 실험을 수행한 결과, 제안 방법론이 기존의 일반 오토인코더 기반 레이블 임베딩 기법에 비해 정확도, 정밀도, 재현율, 그리고 F1 점수 등 모든 측면에서 우수한 성능을 나타냄을 확인하였다. Recently, with the development of deep learning technology, research on unstructured data analysis is being actively conducted, and it is showing remarkable results in various fields such as classification, summary, and generation. Among various text analysis fields, text classification is the most widely used technology in academia and industry. Text classification includes binary class classification with one label among two classes, multi-class classification with one label among several classes, and multi-label classification with multiple labels among several classes. In particular, multi-label classification requires a different training method from binary class classification and multi-class classification because of the characteristic of having multiple labels. In addition, since the number of labels to be predicted increases as the number of labels and classes increases, there is a limitation in that performance improvement is difficult due to an increase in prediction difficulty. To overcome these limitations, (i) compressing the initially given high-dimensional label space into a low-dimensional latent label space, (ii) after performing training to predict the compressed label, (iii) restoring the predicted label to the high-dimensional original label space, research on label embedding is being actively conducted. Typical label embedding techniques include Principal Label Space Transformation (PLST), Multi-Label Classification via Boolean Matrix Decomposition (MLC-BMaD), and Bayesian Multi-Label Compressed Sensing (BML-CS). However, since these techniques consider only the linear relationship between labels or compress the labels by random transformation, it is difficult to understand the non-linear relationship between labels, so there is a limitation in that it is not possible to create a latent label space sufficiently containing the information of the original label. Recently, there have been increasing attempts to improve performance by applying deep learning technology to label embedding. Label embedding using an autoencoder, a deep learning model that is effective for data compression and restoration, is representative. However, the traditional autoencoder-based label embedding has a limitation in that a large amount of information loss occurs when compressing a high-dimensional label space having a myriad of classes into a low-dimensional latent label space. This can be found in the gradient loss problem that occurs in the backpropagation process of learning. To solve this problem, skip connection was devised, and by adding the input of the layer to the output to prevent gradient loss during backpropagation, efficient learning is possible even when the layer is deep. Skip connection is mainly used for image feature extraction in convolutional neural networks, but studies using skip connection in autoencoder or label embedding process are still lacking. Therefore, in this study, we propose an autoencoder-based label embedding methodology in which skip connections are added to each of the encoder and decoder to form a low-dimensional latent label space that reflects the information of the high-dimensional label space well. In addition, the proposed methodology was applied to actual paper keywords to derive the high-dimensional keyword label space and the low-dimensional latent label space. Using this, we conducted an experiment to predict the compressed keyword vector existing in the latent label space from the paper abstract and to evaluate the multi-label classification by restoring the predicted keyword vector back to the original label space. As a result, the accuracy, precision, recall, and F1 score used as performance indicators showed far superior performance in multi-label classification based on the proposed methodology compared to traditional multi-label classification methods. This can be seen that the low-dimensional latent label space derived through the proposed methodology we

테라포밍을 위한 캔 위성의 임무와 관제시스템 개발

박무성(Museong Park),이태상(Taesang Lee),김다은(Daeun Kim),이성진(Seongjin Lee) 한국항공우주학회 2022 한국항공우주학회 학술발표회 논문집 Vol.2022 No.11

다중 레이트 멀티 홉 무선 네트워크 환경의 처리율 향상을 위한 인트라세션 네트워크 코딩

박무성(Museong Park),윤원식(Wonsik Yoon) 大韓電子工學會 2012 電子工學會論文誌-TC (Telecommunications) Vol.49 No.5

인트라세션 네트워크 코딩은 멀티 홉 무선 네트워크의 스케줄링을 간소화하고 패킷 전송의 효율성을 통하여 처리율을 향상시킬 수 있는 방법으로 제시되었다. 다중 레이트는 대부분의 무선 네트워크에서 사용되고 있으며 기존 연구에서 기회주의적 라우팅 방식과 결합하여 처리율의 증가를 보였다. 본 논문에서는 다중 레이트와 인트라세션 네트워크 코딩 방식을 사용하여 멀티 홉 네트워크 환경에서 처리율을 향상하기 위한 방법을 제안한다. 네트워크 모델을 인트라세션 네트워크 환경으로 모델링하고 제안한 레이트 선택 방법을 통하여 각 노드에서 최적인 전송 속도를 결정한다. 선형계획법을 사용하여 최대 처리율을 도출하고 MATLAB과 lp_solve IDE 프로그램을 이용하여 성능을 평가한다. 성능평가 결과를 통해 다중 레이트를 사용할 경우 단일 레이트 환경에 비하여 처리율이 향상되며 인트라세션 네트워크 코딩 방식은 기회주의적 라우팅 방식에 비하여 처리율이 향상됨을 보였다. Intra-session network coding has been proposed to improve throughput by simplifying scheduling of multi-hop wireless network and efficiency of packet transmission. Multi-rate transmission has been used in multihop wireless networks. An opportunistic routing with multirate shows throughput improvement compared with single rate. In this paper, we propose a method of throughput improvement in multi-hop wireless network by using multi-rate and intra-session network coding. We suggest a method to select an local optimal transmission rate at each node. The maximum throughput is evaluated by using linear programming (LP). To solve the LP, we use MATLAB and lp_solve IDE program. The performance evaluation results show that end-to-end throughput is improved by using multirate and intra-session network coding can achieve better throughput than opportunistic routing.

PTR에 대한 붓스트랩 신뢰구간

장무성(Museong Chang),김상부(Sangboo Kim) 대한산업공학회 2005 대한산업공학회 추계학술대회논문집 Vol.2005 No.11

멀티레이트 멀티홉 무선 네트워크에서 최적화된 멀티패스 네트워크 코딩

박무성(Museong Park),윤원식(Wonsik Yoon) 한국통신학회 2012 韓國通信學會論文誌 Vol.37 No.9

단어 계층 기반 텍스트 데이터 증강 방법론

김무성(Museong Kim),김남규(Namgyu Kim) 한국컴퓨터정보학회 2021 韓國컴퓨터情報學會論文誌 Vol.26 No.1

최근 딥 러닝(Deep Learning) 분석에 이질적인 데이터를 함께 사용하는 멀티모달(Multi-modal) 딥러닝 기술이 많이 활용되고 있으며, 특히 텍스트로부터 자동으로 이미지를 생성해내는 Text to Image 합성에 관한 연구가 활발하게 수행되고 있다. 이미지 합성을 위한 딥러닝 학습은 방대한 양의 이미지와 이미지를 설명하는 텍스트의 쌍으로 구성된 데이터를 필요로 하므로, 소량의 데이터로부터 다량의 데이터를 생성하기 위한 데이터 증강 기법이 고안되어 왔다. 텍스트 데이터 증강의 경우 유의어 대체에 기반을 둔 기법들이 다수 사용되고 있지만, 이들 기법은 명사 단어의 유의어 대체 시 이미지의 내용과 상이한 텍스트를 생성할 가능성이 있다는 한계를 갖는다. 따라서 본 연구에서는 단어가 갖는 품사별 특징을 활용하는 텍스트 데이터 증강 방안, 즉 일부 품사에 대해 단어 계층 정보를 활용하여 단어를 대체하는 방안을 제시하였다. 또한 제안 방법론의 성능을 평가하기 위해 MSCOCO 데이터를 사용하여 실험을 수행하여 결과를 제시하였다. Recently, multi-modal deep learning techniques that combine heterogeneous data for deep learning analysis have been utilized a lot. In particular, studies on the synthesis of Text to Image that automatically generate images from text are being actively conducted. Deep learning for image synthesis requires a vast amount of data consisting of pairs of images and text describing the image. Therefore, various data augmentation techniques have been devised to generate a large amount of data from small data. A number of text augmentation techniques based on synonym replacement have been proposed so far. However, these techniques have a common limitation in that there is a possibility of generating a incorrect text from the content of an image when replacing the synonym for a noun word. In this study, we propose a text augmentation method to replace words using word hierarchy information for noun words. Additionally, we performed experiments using MSCOCO data in order to evaluate the performance of the proposed methodology.

합성 제트의 와류 생성과 충돌 분석

김무성(MuSeong Kim),이훈상(HoonSang Lee),황원태(Wontae Hwang) 대한기계학회 2019 대한기계학회 춘추학술대회 Vol.2019 No.11

충돌 합성 제트의 와류 이송 특성 분석

김무성(MuSeong Kim),이훈상(HoonSang Lee),황원태(Wontae Hwang) 한국가시화정보학회 2019 한국가시화정보학회지 Vol.17 No.2

Impingement cooling utilizing synthetic jets is emerging as a popular cooling technique because of its high local cooling efficiency. The interaction between the vortex structure of the synthetic jet and the surface is crucial in understanding the mechanism of this technique. In this study, the impinging vortex structure and its advection are investigated by experiments with jet-to-surface spacing 2 ≤ H/D ≤ 7, and synthetic jet Reynolds number 5120 ≤ Re ≤ 9050. Using phase-locked particle image velocimetry, ensemble averaged (phase averaged) flow fields are obtained, and vortex identification and quantification techniques are applied. The shape, trajectory, and intensity change of the vortex are assessed. A sharp decline in the vortex intensity and the occurrence of a counter-rotating vortex at the impingement point are observed.