http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
박범진(Park, Beom-Jin),문병섭(Mun, Byeong-Seop),강원의(Weon Eui Kang) 대한교통학회 2005 대한교통학회 학술대회지 Vol.49 No.-
우리나라 대부분의 도심은 날로 증가하는 승용차로 인한 심각한 교통정체를 경험하고 있다. 승용차를 사용하는 시민을 대중교통으로 전환시키기 위하여 정부는 대중교통 서비스의 질 향상에 역량을 집중하고 있지만, 대중교통 서비스향상을 위해서는 막대한 예산과 시간이 소요되기 때문에 말처럼 쉬운 일이 아니다. 예를 들어 지하철의 신설은 정해진 시간동안 많은 승객을 이동시킬 수 있는 장점이 있지만, 막대한 재원과 긴 시간이 필요하다. 따라서 현재, 대중교통의 이슈는 지하철보다 버스에, 도로의 신설보다는 첨단기술을 활용한 기존도로의 지능적 운영에 관심이 있는 것이 현실이다.
박범진(Beom-Jin Park),박창이(Changyi Park) 한국데이터정보과학회 2018 한국데이터정보과학회지 Vol.29 No.1
이미지는 행렬형태로 자연스럽게 표현되므로 기존의 기계 학습 (machine learning) 방법들을 이미지 데이터에 적용하기 위해서는 행렬을 벡터로 변환해야 한다. 최근 지지행렬기계 (support matrix machine)는 데이터 행렬을 벡터로 변환하지 않고 직접 분류하도록 고안되었다. 그러나 문헌상의 연구에서는 지지행렬기계와 지지벡터기계 (support vector machine)의 분류 정확도만을 비교하였다. 본 논문에서는 지지벡터기계의 예측 성능을 k-근방 분류, 지지벡터기계, 그리고 심층 신경망 (deep neural network)과 같은 이미지 데이터에 대한 주요 분류방법들과 비교하고 이러한 방법들의 특징에 대하여 알아보고자 한다. Since images are naturally represented as matrices, we have to reshape matrices into vectors in order to apply traditional methods in machine learning to image data. Recently, support matrix machine (SMM) has been proposed to directly classify data matrices without reshaping those matrices into vectors. However, the classification accuracies of SMM and support vector machine were compared in the literature. In this paper, we compare the predictive performance of SMM with those of major classification methods for image data such as k-nearest neighborhood classifier, support vector machine, and deep neural network and understand the characteristics of those learning methods.