http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 조상인 (검색결과 2,270 건)
- 무료
- 기관 내 무료
- 유료
-
-
그라운드-롤 제거를 위한 CNN과 GAN 기반 딥러닝 모델 비교 분석
조상인,편석준 한국지구물리.물리탐사학회 2023 지구물리와 물리탐사 Vol.26 No.2
The ground roll is the most common coherent noise in land seismic data and has an amplitude much larger than the reflection event we usually want to obtain. Therefore, ground roll suppression is a crucial step in seismic data processing. Several techniques, such as f-k filtering and curvelet transform, have been developed to suppress the ground roll. However, the existing methods still require improvements in suppression performance and efficiency. Various studies on the suppression of ground roll in seismic data have recently been conducted using deep learning methods developed for image processing. In this paper, we introduce three models (DnCNN (De-noiseCNN), pix2pix, and CycleGAN), based on convolutional neural network (CNN) or conditional generative adversarial network (cGAN), for ground roll suppression and explain them in detail through numerical examples. Common shot gathers from the same field were divided into training and test datasets to compare the algorithms. We trained the models using the training data and evaluated their performances using the test data. When training these models with field data, ground roll removed data are required; therefore, the ground roll is suppressed by f-k filtering and used as the ground-truth data. To evaluate the performance of the deep learning models and compare the training results, we utilized quantitative indicators such as the correlation coefficient and structural similarity index measure (SSIM) based on the similarity to the ground-truth data. The DnCNN model exhibited the best performance, and we confirmed that other models could also be applied to suppress the ground roll. 그라운드-롤(ground roll)은 육상 탄성파 탐사 자료에서 가장 흔하게 나타나는 일관성 잡음(coherent noise)이며 탐사를 통해 얻고자 하는 반사 이벤트 신호보다 훨씬 큰 진폭을 가지고 있다. 따라서 탄성파 자료 처리에서 그라운드-롤 제거는 매우 중요하고 필수적인 과정이다. 그라운드-롤 제거를 위해 주파수-파수 필터링, 커브릿(curvelet) 변환 등 여러 제거 기술이 개발되어 왔으나 제거 성능과 효율성을 개선하 기 위한 방법에 대한 수요는 여전히 존재한다. 최근에는 영상처리 분야에서 개발된 딥러닝 기법들을 활용하여 탄성파 자료의 그라운드- 롤을 제거하고자 하는 연구도 다양하게 수행되고 있다. 이 논문에서는 그라운드-롤 제거를 위해 CNN (convolutional neural network) 또는 cGAN (conditional generative adversarial network)을 기반으로 하는 세가지 모델(DnCNN (De-noiseCNN), pix2pix, CycleGAN)을 적용한 연 구들을 소개하고 수치 예제를 통해 상세히 설명하였다. 알고리듬 비교를 위해 동일한 현장에서 취득한 송신원 모음을 훈련 자료와 테스 트 자료로 나누어 모델을 학습하고, 모델 성능을 평가하였다. 이러한 딥러닝 모델은 현장자료를 사용하여 훈련할 때, 그라운드-롤이 제거 된 자료가 필요하므로 주파수-파수 필터링으로 그라운드-롤을 제거하여 정답자료로 사용하였다. 딥러닝 모델의 성능 평가 및 훈련 결과 비교는 정답 자료와의 유사성을 기본으로 상관계수와 SSIM (structural similarity index measure)과 같은 정량적 지표를 활용하였다. 결과 적으로 DnCNN 모델이 가장 좋은 성능을 보였으며, 다른 모델들도 그라운드-롤 제거에 활용될 수 있음을 확인하였다.
-
-
-
-
-
-
조상인,최우창,지준,편석준 한국지구물리.물리탐사학회 2023 지구물리와 물리탐사 Vol.26 No.3
The physics-informed neural network (PINN) has been proposed to overcome the limitations of various numerical methods used to solve partial differential equations (PDEs) and the drawbacks of purely data-driven machine learning. The PINN directly applies PDEs to the construction of the loss function, introducing physical constraints to machine learning training. This technique can also be applied to wave equation modeling. However, to solve the wave equation using the PINN, second-order differentiations with respect to input data must be performed during neural network training, and the resulting wavefields contain complex dynamical phenomena, requiring careful strategies. This tutorial elucidates the fundamental concepts of the PINN and discusses considerations for wave equation modeling using the PINN approach. These considerations include spatial coordinate normalization, the selection of activation functions, and strategies for incorporating physics loss. Our experimental results demonstrated that normalizing the spatial coordinates of the training data leads to a more accurate reflection of initial conditions in neural network training for wave equation modeling. Furthermore, the characteristics of various functions were compared to select an appropriate activation function for wavefield prediction using neural networks. These comparisons focused on their differentiation with respect to input data and their convergence properties. Finally, the results of two scenarios for incorporating physics loss into the loss function during neural network training were compared. Through numerical experiments, a curriculum-based learning strategy, applying physics loss after the initial training steps, was more effective than utilizing physics loss from the early training steps. In addition, the effectiveness of the PINN technique was confirmed by comparing these results with those of training without any use of physics loss. 편미분방정식의 해를 구하기 위한 여러 수치해법들의 한계와 순수 데이터 기반 기계학습의 단점을 극복하기 위해 물리정보신경망 (physics-informed neural network, PINN)이 제안되었다. 물리정보신경망은 편미분방정식을 손실함수 구성에 직접 활용하여 기계학습 훈 련에 물리적 제약을 주는 기법으로 파동방정식 모델링에도 활용될 수 있다. 그러나 물리정보신경망을 이용하여 파동방정식을 풀기 위해 서는 신경망 훈련 시 입력에 대한 2차 미분이 수행되어야 하고, 그 결과로 출력되는 파동장은 복잡한 역학적 현상들을 포함하고 있어 섬 세한 전략이 필요하다. 이 해설 논문에서는 물리정보신경망의 기본 개념을 설명하고 파동방정식 모델링에 활용하기 위한 고려사항들에 대해 고찰하였다. 이러한 고려사항에는 공간좌표 정규화, 활성함수 선정, 물리손실 추가 전략이 포함된다. 훈련자료의 공간좌표를 정규화 한 후 사용하면 파동방정식 모델링을 위한 신경망 훈련에서 초기 조건이 더 정확하게 반영되는 것을 수치 실험을 통해 보였다. 또한 신경 망을 통한 파동장 예측에 가장 적절한 활성함수를 선정하기 위해 여러 함수들의 특성을 비교했다. 특성 비교는 각 활성함수들의 입력자 료에 대한 미분과 수렴성을 중심으로 이루어졌다. 마지막으로 신경망 훈련 중 손실함수에 물리손실을 추가하는 두가지 시나리오의 결과 를 비교하였다. 수치 실험을 통해 훈련 초기부터 물리손실을 활용하는 전략보다 초기 훈련단계 이후부터 물리손실을 적용하는 커리큘럼 기반 학습전략이 효과적이라는 결과를 도출했다. 추가로 이 결과를 물리손실을 전혀 사용하지 않은 훈련 결과와 비교하여 PINN기법의 효과를 확인하였다.
-
-
조상균(趙翔均),노상헌(盧尙憲) 전남대학교 법학연구소 2006 법학논총 Vol.26 No.-
日本は人口が減少する状況に直面し、これを打開するため ｢国際競争力の強化｣と｢地域経済の活性化｣という二つの柱を中心とする経済活性化対策を打ち出した。そこには、①人口減少下の新しい成長'、②イノベーションと需要の好循環、③改革の先に見える明るい未来などが新経済成長戦略'の目標であり、この目標を達成するための五ヶのイノベーションを提示した。具体的にはヒト(人財力のイノベーション)、モノ(生産手段とインフラのイノベーション)、カネ(金融のイノベーション)、ワザ(技術のイノベーション)、チエ(経営力のイノベーション)のイノベーションを通じて、日本は経済の規模だけではなく、国際競争力のある経済、一人当たり所得水準の高い経済、リスクや不確実性に強い経済、すなわち世界に存在感のある強い日本経済'、新しい価値を次々と発信し、世界へ提供し続ける魅力のある日本'になるべきであるとしている。 特に日本の新経済成長戦略'のなかでに注目すべきのは、人財立国'を目指すと宣言したのである。これは人口が減少するなかで、企業の人材投資の抑制、実社会のニーズに十分対応できていない大学学校教育、家庭地域の教育力の低下など、日本の人材育成機能に限界が発生しているという問題意識である。このため、個人が持ている能力を最大限発揮できるよう、従来の単線的な教育ルートや企業内キャリアパスを改め、多様な学び方働き方を柔軟に支える社会の仕組みを構築するとした。要するに ‘将来を担う人財のための投資'を思い切って進めるとともに、産業界、地域、学校の力を結集し、‘人財立国'を目指すという。急速な少子化で生産年齢人口の減少は避けなれないが、それが労働力の減少にはつながれないように取り組むことの日本の戦略的な接近は非常に示唆的である。 そして、2006年4月試行された ‘高年齢者雇用安定法’に基づいて高年齢者雇用確保措置のなかで殆んどの企業が選択したものは定年後再雇用を通じた雇用確保措置である。定年はそのまま残して、いったん定年退職したあとに希望者の全員を再雇用し雇用確保措置の上限年齢まで継続して雇用する方式である。一方、この方式は賃金削減を伴うようになろう。企業側としては再雇用のとき、賃金削減は人件費の抑制のため避けなれない措置であろうが、労働者側としても再雇用後の賃金は年金の減額を補充するものとの認識を持ち、これが賃金削減を前提とする雇用延長になると思う。しかしながら、日本の伝統的な雇用慣行(終身雇用と年功序列)が崩れるなか、希望者全員の再雇用という水平的再雇用制度は、短期的な高齢者雇用確保には効果があろうとしても、この対応が長期にも十分に働けるかについては疑問が残る。
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
