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 : 권오익 (검색결과 61 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
-
3D게임에서 이동 장애물을 고려한 동적 경로 탐색 기법
권오익,황보택근 한국게임학회 2006 한국게임학회 논문지 Vol.6 No.3
게임 인공지능 분야중 하나인 경로탐색은 좀더 사실적인 게임을 만들기 위한 중요한 요소이다. 경로탐색 시스템은 한정된 자원을 소비해야만 하는 제약사항 때문에 때때로 단순하게 처리되어 사실적이지 못한 경로를 생성하였다. 기존 연구에서는 정적인 지형과 장애물들을 이용하여 자연스럽게 회피하는 경로생성에 집중하였다. 하지만, 게임 공간에서는 다양한 종류의 움직이는 장애물들이 존재한다. 따라서 이러한 움직이는 장애물을 자연스럽게 회피하는 경로를 생성하는 시스템 이 필요하다. 본 논문에서는 네비게이션 메시(Navigation Mesh)로 공간을 표현하며 지형의 특성을 고려한 경로 탐색 방법을 적용하고, 움직이는 물체를 회피하기 위하여 지능적인 밀개와 끌개의 방법을 사용하여 경로 탐색을 수행한다. 제안된 시스템을 통하여 생성된 경로를 살펴보고 실제 게임에서의 활용성을 검증한다. Path-finding, one of the traditional Game A.I. problems, becomes an important issue to make games more realistic. Due to the limited resources in the computer system, path-finding systems sometimes produce a simplified and unrealistic path. The most relent researches have been focused on the path-finding avoiding only static obstacles. Various moving obstacles are however deployed in real games, a method avoiding those obstacles and producing a smooth path is necessary. In this paper, navigation mesh is used to represent 3D space and its topological characteristics are used for path-finding. Intellectual repulser and attractor are also used to avoid moving obstacles and to find an optimal path. We have evaluated the path produced by the method proposed in this paper and verified its usability in real game.
-
-
-
권오익,김영일 대한건축학회 2023 대한건축학회논문집 Vol.39 No.5
To prepare basic data for the use of machine learning in the building energy field, this study examined the characteristics of each model andcompared the prediction performance, calculation efficiency and output result aspects of the machine learning model according to the inputparameters. Outdoor temperature was used as a basic input to consider input differences for six machine learning models, MLR, SVM, GPR,ANN, DNN and DT, which are mainly used in the building energy field, and the building energy consumption was predicted and compareddepending on whether the indoor temperature was additionally reflected. The predictive performance of most models improved when theoutdoor temperature and the indoor temperature were reflected as inputs rather than when the outdoor temperature was reflected as an inputin the influence of the input parameters. In the comparison of the predictive performance of the model, DNN(5-Layer) showed the mostdominant predictive results with RMSE, MSE, MAE, and R2 (0.190, 0.036, 0.139, 0.88). Next, ANN showed predictive performance ofRMSE, MSE, MAE, R2 (0.203, 0.041, 0.142, 0.86), and GPR provided efficient prediction with RMSE, MSE, MAE, R2 (0.211, 0.044, 0.150,0.85). DNN and ANN improved their prediction performance as the number of hidden layers increased, but the training time increased from4.8 seconds to 16.5 seconds. In terms of computational efficiency considering training time, MLR showed the best result with 1.4s. As aresult, DNN showed 14% better predictive performance than MLR, and MLR were trained 11.8 times faster than DNN. With indoortemperature being further reflected as input parameters, most models better represent actual building energy consumption in aspects of theforecast results. Machine learning model selection should be reviewed not only for predictive performance for errors but also for calculationcost and the discernment provided by predictive results. Since this study was conducted on a single building, research on the selection anddevelopment of models with high reproducibility in various models based on big data in terms of utilization should be continued. 본 연구에서는 건물에너지 분야에서 머신러닝 활용을 위한 기초자료를 마련하기 위해 모델별 특성을 살펴보고 입력파라미터에 따른 머신러닝 모델의 예측성능, 계산효율, 출력결과 상태를 비교하였다. 건물에너지 분야에서 주로 사용되는 MLR, SVM, GPR, ANN, DNN, DT 등 6개 머신러닝 모델에 대한 입력 차이를 고려하기 위해 실외온도를 기본 입력으로 사용하였으며, 실내온도 추가 반영 여부에 따라 건물에너지 소비량을 예측하고 비교하였다. 입력 파라미터의 영향으로 실외온도를 입력으로 반영하는 경우보다는 실외온도와 실내온도를 입력으로 반영하는 경우 대부분의 모델의 예측성능이 향상되었다. 모델의 예측 성능 비교에서 DNN(5-Layer)은 RMSE, MSE, MAE, R2(0.190, 0.036, 0.139, 0.88)로 가장 우세한 예측 결과를 보였다. 다음으로 ANN은 RMSE, MSE, MAE, R2(0.203, 0.041, 0.142, 0.86)의 예측성능을 보여주었으며, GPR은 RMSE, MSE, MAE, R2(0.211, 0.044, 0.150, 0.85)로 효율적인 예측을 제공하였다. DNN과 ANN은 숨겨진 레이어의 수가 증가함에 따라 예측 성능이 향상되었지만, 훈련 시간은 4.8초에서 16.5초로 증가했다. 훈련 시간을 고려한 계산 효율 측면에서 MLR이 1.4s로 가장 우수한 결과를 보였다. 그 결과, DNN은 MLR보다 14% 더 나은 예측 성능을 보였고, MLR은 DNN보다 11.8배 빠르게 훈련되었다. 실내 온도가 입력 매개 변수로 추가로 반영됨에 따라 대부분의 모델은 실제 건물 에너지 소비량을 더 잘 나타낸다. 기계학습 모델 선정은 오차에 대한 예측 성능뿐만 아니라 계산 비용과 예측 결과가 제공하는 분별력이 함께 검토되어야 한다. 본 연구는 단일 건물을 대상으로 수행되었으므로, 활용 측면에서 빅데이터 기반의 다양한 모델에서 높은 재현성을 갖는 모델의 선정과 개발 연구가 계속되어야 할 것이다.
-
-
권오익,심명필 한국수자원학회 1998 한국수자원학회논문집 Vol.31 No.1
홍수기 중 저수지 운영은 이수와 치수를 고려한 전반적인 홍수기 저수지 운영확 홍수예측시 임의의 저수지 수위에서의 홍수시 저수지 운영으로 구분할 수 있다. 본 연구는 홍수시 저수지운영에 관한 것으로 전반적인 홍수시 저수지 운영방안에 관해 논의하고자 한다. 현행의 홍수시 저수지 운영을 위해서는 확보된 홍수조절용량을 토대로 각종 수문모형의 불확실성과 기술적인 한계, 제약조건 등을 고려한 양적인 홍수조절 방안이 마련되어야 한다. '저수지 홍수변환법'은 이러한 Reservoir operation during flood period can be divided into two parts: One is for an operating policy during flood period to consider water conservation and flood control, and the other is for flood time on a random water level at flood forecasting, This
-
권오익 대한설비공학회 2003 설비저널 Vol.32 No.12
본 글은 공조용 냉각탑에 대한 열적성능에 국한하여 성능저하 요소를 알아보고 그 개선 방안을 제시하고자 한다.
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
