http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
黃惠秀 大田開放大學 1985 論文集 Vol.3 No.-
Multiple-valued logic, in which the number of discrete logic levels is not confined to two, has been the subject of much research over many years. The practical objective of this work has been to increase the information content of the digital signals in a system to a higher value than that provided by binary operation. In this paper, I will review the multiple valued logic circuits its applications and Ternary logic function realization.
룰 기반 CRM 시스템에서 시간요소를 고려한 룰 모델 제안
황혜수(Heasoo Hwang),이태희(Taehee Lee),이상구(Sang-goo Lee) 한국정보과학회 2001 한국정보과학회 학술발표논문집 Vol.28 No.2Ⅰ
최근 고객에게 개인화된 서비스를 제공하기 위한 방법의 하나인 CRM 시스템에 대한 연구가 활발히 이루어지고 있다. 본 논문에서는 룰 기반 CRM에서의 효율적인 룰 매칭을 목적으로 하는 시간요소를 고려한 룰 모델을 제안하고자 한다. 룰 매칭 시점관련조건을 고객관련조건과 구분함으로써 룰의 의미를 구조적으로 명확히 파악할 수 있고 룰 매칭 시에 룰 매칭 시점관련조건을 고객관련조건보다 먼저 수행할 수 있으므로 현재 시점에 룰 매칭을 해야 하는 룰들만을 대상으로 전체 고객 데이터를 검색할 수 있다. 이 때 룰 매칭 시간요소조건을 분류하기 위하여 필요한 카테고리 정보를 저장하고 계산 로직의 반복 수행을 막기 위한 목적으로 어휘를 정의하여 사용하는 방법에 대해서 설명한다.
견고한 시계열 표현 및 분류정확도 향상을 위한 그리드 셀 가중치 학습 방법
강준영,황혜수 한국정보과학회 2019 정보과학회 컴퓨팅의 실제 논문지 Vol.25 No.9
We propose a method of learning weights of cells in a grid for each time series, to generate a grid-based weighted vector representation of each time series, for robust representation and effective classification of time series data. The proposed method can find the cell weight that reflects degree of positive or negative impact of each cell, to the classification of time series data. Additionally, we suggest learning cell weights of multiple grids and integrating them, to improve robustness of our time series representation. Time series visualization experiments confirm, that our method can effectively discover positive cells and negative cells, that have critical impact on classification of each time series. Performance comparison experiments with various datasets demonstrate that the proposed time series representation is highly effective for the classification of time series data. 본 논문에서는 견고한 시계열 표현 및 분류정확도 향상을 위한 그리드 기반 가중 벡터 표현형을 구성하는 그리드 셀 가중치의 학습 방법을 제안하였다. 제안 방법은 시계열 분류에 결정적인 역할을 하는 긍정셀과 부정셀을 효과적으로 찾을 수 있다. 또한 다중 그리드를 이용한 셀 가중치 학습 및 통합을 통해 시계열 표현형의 견고성 및 시계열 분류 정확도를 향상하였다. 클래스 간 차이가 두드러지는 데이터 집합의 시각화를 통하여 제안 방법이 클래스 분류 특성을 효과적으로 드러냄을 확인하였다. 또한, 다양한 시계열 데이터 집합을 이용한 분류 정확도 비교 실험을 통해 제안 방법이 분류 정확도를 실제로 개선하는 데도 효과적임을 보였다.