http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
王繼紅 한국한문교육학회 2004 한문교육논집 Vol.23 No.-
본문은 『說文解字』, 『說文解字注』를 주요 자료로 삼아, 『爾雅』, 『釋名』등의 고대 중요 자서(字書)를 함께 이용하여 색채어의 의미변화와 그 단어 결합의 특징, 색의 정도에 따른 색의 표현 방법, 고대 사람들의 색에 대한 관념 등 여러 각도에서 논의를 시작하여 고대한어에 나타난 색을 표현하는 단어들의 命名模式에 대해 알아보고자 한다. 이를 위해, 인지심리학에서 연구되는 이론들을 이용하여 색채어의 발생과 발전을 여러 실제 상황을 통해 해석하고자 한다. 고대한어에 나타난 색채어의 命名模式은 크게 1) 借代命名模式, 2) 組合命名模式, 3) 比擬命名模式 4) 比較命名模式 등 네 가지로 분류할 수 있다. 本文以『說文解字』·『說文解字注』爲主要語料, 兼及『爾雅』·『釋名』等古代重要字書, 從顔色詞語的詞義演變與結구特征·顔色詞語的程度表示法, 以及先民的顔色觀念等궤個角度出發, 구擬古漢語顔色詞語的命名模式. 幷且運用認知心理學的有關理論對顔色詞語産生和發展的某些事實做出解釋. 古漢語顔色詞語命名模式主要包括: 一. 借代命名模式 ; 二. 組合命名模式 ; 三. 比擬命名模式 ; 四. 比較命名模式.
금(金) 중도(中都) 동개양방유적(東開陽坊遺蹟) 출토 고려청자 변화
李永强,王繼紅 국립해양문화재연구소 2022 해양문화재 Vol.17 No.-
동개양방(東開陽坊)은 금나라 중도(中都) 내 황성의 동남쪽에 위치하며(그림 1), 유적은 대략 현재의 북경시 서성구(西城區) 백지방(白紙坊) 동가(東街)의 남측, 우안문(右安門) 내대가(內大街) 동측에 위치한다(그림 2). 2020년과 2021년에 북경시고고연구원(原 북경시문물연구소)은 금 중도 동개양방유적에 대한 고고학적 발굴조사를 2년 연속으로 진행하였다. 발굴면적은 10,000평방미터이고, C1·C2·C4·AB 등 4개 구역에 대한 조사가 완료되었다. 이번 발굴조사의 성과는 매우 풍부하며, 특히 도자기의 수량이 가장 많은데, 그 중에는 22점의 고려청자편이포함되어 있다. 이들 고려청자는 금대와 원대 두 시기로 나뉘며, 비색(翡色)청자·회청(灰靑)청자·상감청자 3종류로 구분할 수 있다. 비색청자는 5점으로, 분별이 가능한 기종으로는 향로·자판[瓷板 혹은 상(床)]·반(盤) 혹은 세(洗)01)가 있고, 회청청자는 15점으로, 분별이 가능한 기종으로는 완(碗)·반(盤)·뚜껑[器蓋]·통형잔(筒形盞)·기물 족부[器足]·사두(渣斗)02)·향로·집호(執 壺)03)가 있다. 상감청자는 2점으로, 분별 가능한 기종으로는 편호(扁壺)와 완(碗)이 있다. 비색청자·회청청자·상감청자로 분류하여 다음과 같이 소개하고자 한다
PSO 알고리즘을 이용한 퍼지 Extreme Learning Machine 최적화
노석범(Seok-Beom Roh),王繼紅(Jihong Wang),김용수(Yong-Soo Kim),안태천(Tae-Chon Ahn) 한국지능시스템학회 2016 한국지능시스템학회논문지 Vol.26 No.1
본 논문에서는 일반적인 신경회로망의 단점인 느린 학습속도를 획기적으로 개선한 네트워크인 Extreme Learning Machine과 전문가들의 언어적 정보들을 기술 할 수 있는 퍼지 이론을 접목한 퍼지 Extreme Learning Machine을 최적화하기 위하여 Particle Swarm Optimization 알고리즘을 이용하였다. 퍼지 Extreme Learning Machine의 활성화 함수를 일반적인 시그모이드 함수를 사용하지 않고, 퍼지 C-Means 클러스터링 알고리즘의 활성화 레벨 함수를 이용하였다. Particle Swarm Optimization 알고리즘과 같은 최적화 알고리즘을 통하여 퍼지 Extreme Learning Machine의 활성화 함수의 파라미터들을 최적화 한다. Particle Swarm Optimization과 같은 최적화 알고리즘을 통한 제안된 모델의 최적화 하고 최적화된 모델의 분류성능을 평가하기 위하여 다양한 머신 러닝 데이터 집합을 사용하여 평가한다. In this paper, optimization technique such as particle swarm optimization was used to optimize the parameters of fuzzy Extreme Learning Machine. While the learning speed of conventional neural networks is very slow, that of Extreme Learning Machine is very fast. Fuzzy Extreme Learning Machine is composed of the Extreme Learning Machine with very fast learning speed and fuzzy logic which can represent the linguistic information of the field experts. The general sigmoid function is used for the activation function of Extreme Learning Machine. However, the activation function of Fuzzy Extreme Learning Machine is the membership function which is defined in the procedure of fuzzy C-Means clustering algorithm. We optimize the parameters of the membership functions by using optimization technique such as Particle Swarm Optimization. In order to validate the classification capability of the proposed classifier, we make several experiments with the various machine learning datas.
Extreme Learning Machine 기반 퍼지 패턴 분류기 설계
안태천(Tae-Chon Ahn),노석범(Sok-Beom Roh),황국연(Kuk-Yeon Hwang),王繼紅(Jihong Wang),김용수(Yong Soo Kim) 한국지능시스템학회 2015 한국지능시스템학회논문지 Vol.25 No.5
본 논문에서는 인공 신경망의 일종인 Extreme Learning Machine의 학습 알고리즘을 기반으로 하여 노이즈에 강한 특성을 보이는 퍼지 집합 이론을 이용한 새로운 패턴 분류기를 제안 한다. 기존 인공 신경망에 비해 학습속도가 매우 빠르며, 모델의 일반화 성능이 우수하다고 알려진 Extreme Learning Machine의 학습 알고리즘을 퍼지 패턴 분류기에 적용하여 퍼지 패턴 분류기의 학습 속도와 패턴 분류 일반화 성능을 개선 한다. 제안된 퍼지 패턴 분류기의 학습 속도와 일반화 성능을 평가하기 위하여, 다양한 머신 러닝 데이터 집합을 사용한다. In this paper, we introduce a new pattern classifier which is based on the learning algorithm of Extreme Learning Machine the sort of artificial neural networks and fuzzy set theory which is well known as being robust to noise. The learning algorithm used in Extreme Learning Machine is faster than the conventional artificial neural networks. The key advantage of Extreme Learning Machine is the generalization ability for regression problem and classification problem. In order to evaluate the classification ability of the proposed pattern classifier, we make experiments with several machine learning data sets.