http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
기상 데이터와 기상 위성 영상을 이용한 다중 딥러닝 모델 기반 일사량 예측
김재정 ( Jae-jung Kim ),유용훈 ( Yong-hun You ),김창복 ( Chang-bok Kim ) 한국항행학회 2021 韓國航行學會論文誌 Vol.25 No.6
딥러닝은 데이터의 품질과 모델에 따라 예측 성능에 차이를 보인다. 본 연구는 발전량 예측에 가장 영향을 주는 일사량 예측을 위한 최적의 딥러닝 모델을 구축하기 위해 다양한 입력 데이터와 다중 딥러닝 모델을 사용하였다. 입력 데이터는 기상청의 기상 데이터와 천리안 기상영상을 기상청 지역의 영상을 분할하여 사용하였다, 본 연구는 기본적인 딥러닝 모델인 DNN, LSTM, CNN 모델에 대해 중간층의 깊이와 노드를 변경하여 일사량을 예측하여, 비교 평가하였다, 또한, 각 모델에서 가장 좋은 오차율을 가진 모델을 연결한 다증 딥러닝 모델을 구축하여 일사량을 예측하였다. 실험 결과로서 다중 딥러닝 모델인 모델 A의 RMSE는 0.0637이며, 모델 B의 RMSE는 0.07062이며, 모델 C의 RMSE는 0.06052로서 단일 모델보다 모델 A 그리고 모델 C의 오차율이 좋았다. 본 연구는 실험을 통해 두 개 이상의 모델을 연결한 모델이 향상된 예측률과 안정된 학습 결과를 보였다. Deep learning shows differences in prediction performance depending on data quality and model. This study uses various input data and multiple deep learning models to build an optimal deep learning model for predicting solar radiation, which has the most influence on power generation prediction. did. As the input data, the weather data of the Korea Meteorological Administration and the clairvoyant meteorological image were used by segmenting the image of the Korea Meteorological Agency. , comparative evaluation, and predicting solar radiation by constructing multiple deep learning models connecting the models with the best error rate in each model. As an experimental result, the RMSE of model A, which is a multiple deep learning model, was 0.0637, the RMSE of model B was 0.07062, and the RMSE of model C was 0.06052, so the error rate of model A and model C was better than that of a single model. In this study, the model that connected two or more models through experiments showed improved prediction rates and stable learning results.
산업현장에 적용 가능한 IMU 센서 기반의 사용자 낙상감지 시스템 구현
김재정(Jae-Jung Kim),박민호(Min-Ho Park),김신호(Sin-Ho Kim),서지윤(Ji-Yun Seo),정도운(Do-Un Jeong) 한국정보통신학회 2021 한국정보통신학회 여성 ICT 학술대회 논문집 Vol.2021 No.8
본 논문에서는 산업현장에서 낙상 사고 발생 시 신속한 사고 발견 및 조치를 위하여 산업현장에 적용가능한 IMU 센서 기반의 사용자 낙상감지 시스템을 구현하였다. 구현된 시스템은 사용자의 움직임에 따른 데이터를 기반으로 낙상감지 분류 알고리즘을 통해 낙상 상태를 판단한다. 낙상감지 분류 알고리즘은 계측된 데이터를 상보 필터 등의 전처리 과정을 수행한 후 가속도와 각도 데이터를 검출하여 낙상을 판단한다. 낙상감지 시스템의 성능 평가를 위하여 산업 현장에서 움직임 및 낙상 상황을 가정하여 낙상감지 판단의 정확성 평가를 진행하였다. 실험 결과, 30분의 일상생활 중 낙상 검출 정확도가 93.26%임을 확인하였다. 따라서 본 논문에서 구현된 IMU 센서 기반의 사용자 낙상감지 시스템은 일상생활 중 낙상을 검출할 수 있음을 확인하였다. 향후, 움직임에 따른 오차를 줄여 정확성을 높이고 다양한 상황에 따른 낙상 감지를 적용할 수 있는 연구를 지속적으로 수행하고자 한다. In this paper, an IMU sensor-based user fall detection system that can be applied to industrial sites is implemented for rapid accident detection and action in case of a fall accident in an industrial field. The implemented system determines the state of a fall through a fall detection classification algorithm based on data according to the user’s movement. The fall detection classification algorithm performs preprocessing on the measured data, such as a complementary filter, and then detects acceleration and angle data to determine a fall. In order to evaluate the performance of the fall detection system, the accuracy of the fall detection judgment was evaluated assuming movement and fall conditions at the industrial site. As a result of the experiment, it was confirmed that the accuracy of detection of falls during 30 minutes of daily life was 93.26%. Therefore, it was confirmed that the IMU sensor-based user fall detection system implemented in this paper can detect falls in daily life. In the future, we plan to continuously conduct research that can improve accuracy by reducing errors caused by movement and apply fall detection according to various situations.