http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Taxonomic recognition of Saussurea maximowiczii var. triceps on Jejudo Island
김별아,선은미,윤선아,김승철,임형탁 한국식물분류학회 2018 식물 분류학회지 Vol.48 No.1
A morphological and molecular survey was conducted to determine the taxonomic status of Saussurea maximowiczii var. triceps on Jejudo Island. Although it tends to be smaller than S. maximowiczii with regard to typical quantitative characters of vegetative organs, including the plant height and leaf size, these two taxa cannot be distinguished from each other based on major reproductive characters, including the involucre and florets. Molecular data support the contention that S. triceps and S. maximowiczii are monophyletic taxa. Saussurea maximowiczii var. triceps is found to be an ecological phenotype of S. maximowiczii that has adapted particularly to the windy highlands of Hallasan Mountain on Jejudo Island.
국내 외국인 유학생의 사회정서역량이 대학생활적응에 미치는 영향 : 지지원별 사회적지지의 매개효과를 중심으로
김별아,신태섭 한국국제문화교류학회 2021 문화교류와 다문화교육 Vol.10 No.3
The purpose of this study was to examine the influence of international students’ social and emotional competence on college adaptation, and to find out whether the social support mediates the relationship between social and emotional competence and college adaptation. To verify this, an online survey was conducted on international students attending universities in Korea, and a total of 397 data were used for analysis. First, social and emotional competence, college adaptation, and social support by supporters all showed significant positive correlations. Second, it was found that the social and emotional competence of international students had a positive effect on college life adaptation. Third, it was confirmed that the social support of Korean friends, co-national friends, and international friends all had partial mediating effects in the relationship between social and emotional competence and college life adaptation. Based on the results of this study, it is intended to contribute to helping international students adapt in the higher education in Korea by developing a social and emotional learning to cultivate the social and emotional competence of international students and by proposing measures to improve the level of social support. 본 연구는 국내 대학에 재학 중인 외국인 유학생의 사회정서역량이 대학생활적응에미치는 영향에서 지지원별(한국 친구, 모국 친구, 타국 친구)의 사회적지지가 매개효과를 가지는지 살펴보고자 하였다. 이를 위해 국내 대학(원)에 재학하고 있는 유학생을대상으로 온라인 설문조사를 실시하여 397명의 데이터를 분석하였다. 분석 결과, 첫째, 사회정서역량과 대학생활적응, 지지원별 사회적지지는 모두 유의한 정적 상관관계로나타났다. 둘째, 유학생의 사회정서역량은 대학생활적응에 유의미한 정적 영향을 미치는 것으로 나타났다. 셋째, 사회정서역량과 대학생활적응 간의 관계에서 한국 친구, 모국 친구, 타국 친구의 사회적지지는 모두 부분매개효과를 가지는 것으로 확인되었다. 본 연구 결과를 바탕으로 유학생의 사회정서역량을 함양하기 위한 사회정서학습 프로그램 개발과 지지원별 사회적지지 수준 향상을 위한 방안을 제안함으로써 국내 고등교육 현장에서 외국인 유학생의 적응을 돕는 데 기여하고자 한다.
딥러닝 기반의 연기 확산거리 예측을 위한 알고리즘 개발 기초연구
김별,황광일 해양환경안전학회 2021 해양환경안전학회지 Vol.27 No.1
본 연구는 화재진압 및 피난활동을 지원하는 딥러닝 기반의 알고리즘 개발에 관한 기초 연구로 선박 화재 시 연기감지기가 작동하기 전에 검출된 연기 데이터를 분석 및 활용하여 원격지까지 연기가 확산 되기 전에 연기 확산거리를 예측하는 것이 목적이다. 다음과 같은 절차에 따라 제안 알고리즘을 검토하였다. 첫 번째 단계로, 딥러닝 기반 객체 검출 알고리즘인 YOLO(You Only Look Once)모델에 화재시뮬레이션을 통하여 얻은 연기 영상을 적용하여 학습을 진행하였다. 학습된 YOLO모델의 mAP(mean Average Precision)은 98.71%로 측정되었으며, 9 FPS(Frames Per Second)의 처리 속도로 연기를 검출하였다. 두 번째 단계로 YOLO로부터 연기 형상이 추출된 경계 상자의 좌표값을 통해 연기 확산거리를 추정하였으며 이를 시계열 예측 알고리즘인 LSTM(Long Short-Term Memory)에 적용하여 학습을 진행하였다. 그 결과, 화재시뮬레이션으로부터 얻은 Fast 화재의 연기영상에서 경계 상자의 좌표값으로부터 추정한 화재발생~30초까지의 연기 확산거리 데이터를 LSTM 학습모델에 입력하여 31초~90초까지의 연기 확산거리 데이터를 예측하였다. 그리고 추정한 연기 확산거리와 예측한 연기 확산거리의 평균제곱근 오차는 2.74로 나타났다. This is a basic study on the development of deep learning-based algorithms to detect smoke before the smoke detector operates in the event of a ship fire, analyze and utilize the detected data, and support fire suppression and evacuation activities by predicting the spread of smoke before it spreads to remote areas. Proposed algorithms were reviewed in accordance with the following procedures. As a first step, smoke images obtained through fire simulation were applied to the YOLO (You Only Look Once) model, which is a deep learning-based object detection algorithm. The mean average precision (mAP) of the trained YOLO model was measured to be 98.71%, and smoke was detected at a processing speed of 9 frames per second (FPS). The second step was to estimate the spread of smoke using the coordinates of the boundary box, from which was utilized to extract the smoke geometry from YOLO. This smoke geometry was then applied to the time series prediction algorithm, long short-term memory (LSTM). As a result, smoke spread data obtained from the coordinates of the boundary box between the estimated fire occurrence and 30 s were entered into the LSTM learning model to predict smoke spread data from 31 s to 90 s in the smoke image of a fast fire obtained from fire simulation. The average square root error between the estimated spread of smoke and its predicted value was 2.74.