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 : 김철진 (검색결과 50 건)
-
-
-
-
-
저자는 경북대학교 병원 정신과에 입원한 정신분열증 환자 17명, 정신분열형 장애 환자 1명을 대상으로 haloperidol이 인체의 면역기능에 미치는 영향을 조사하였다. 대상환자들은 적어도 입원전 2개월간은 어떤 약물도 사용하지 않았으며, 면역학적 이상을 일으킬 수 있는 신체질환은 없었다. 면역학적 검사는 haloperidol 투약전과 투약후 60일째에 시행하였으며, 검사방법은 monoclonal antibodies를 이용한 direct inomunofluorescence기법에 의하였다. 검사항목은 lymphocyte, monocyte, granulocyte differential counts %, total T cells %, T4 cells %, T8 celIs %, T4/T8 ratio, NK cells(natural killer cells) %, total B cells %이었다. 결과는 면역학적 검사의 모든 변수에서 haloperidol 투약전과 투약후 60일째 사이에 통계적으로 유의한 변화가 없는 것으로 나타났다(P>0.05). 이로써 항정신 병약물중에서 국내외적으로 가장 널리 사용되는 haloperidol은 치료용량에서 인체의 면역기능에 특별한 영향을 미치지 않는다는 것을 볼 수 있었다. The author made a study on the effect of haloperidol on the immune function. The subjects were seventeen schizophrenics and one schizophreniform disorder patient, admitted at psychiatric ward, Kyungpook National University Hospital. They had no history of any medication at least for two months prior to their admission and no potential disease for immunological abnormality was found to them. The immunological tests were conducted prior to and on the sixtieth day following the administration of haloperidol. The method used was a direct immunofluorescence technique with the use of monoclonal antibodies. The items tested were: lymphocyte, monocyte, granulocyte differential counts %, total T cells %, T4 cells %, T8 cells %, T4/T8 ratio, NK cells(natural killer cells) % and total B cells %. The results showed no statistically significant differences in all variables of the immunological tests before and on the sixtieth day of the adiministration of haloperidol (P> 0.05). Consequently, the author found no specific influence of haloperidol on the immune function of schizophrenic patients at therapeutic dosage.
-
-
-
단독주택의 리모델링시 에너지성능 개선 방안에 관한 연구
김철진 가천대학교 일반대학원 2015 국내석사
1.1 연구의 배경 및 목적 전 세계적으로 지구온난화현상에 의해 발생한 환경적 문제와 화석연료의 고갈로 인한 에너지 절약에 대한 관심이 집중되고 있다. 이러한 자연환경 및 기후변화, 자원고갈에 의한 위기가 세계적인 문제점으로 다가오면서 온실가스 감축 필요성에 대한 인식이 높아짐에 따라, 이런 문제를 해결하기 위하여 전 세계가 노력을 기울이고 있다. 특히 1997년 12월 일본 교토에서 개최한 기후변화협약 제3차 당사국총회에서 채택된 교토의정서에서 온실가스 감축 의무이행 대상국으로 지정된 선진국들은 국가 차원의 에너지 절감 및 온실가스 감축 목표를 수립하고 이를 달성하기 위해 다양한 노력을 하고 있다. 우리나라의 경우 ‘저탄소 녹색성장’이라는 목표 하에 건축물 유형별 연간 에너지 소비량 기준을 단계적으로 강화할 것을 발표하였다. 2010년을 기준으로 2012년에는 주거용건물의 연간 에너지소비량을 30% 감축, 2017년에는 60%로 감축하고 2025년에는 제로에너지주택으로 의무화하는 것을 목표로 정하였다. 그러나 이러한 정부의 발표에도 불구하고 에너지절약형주택, 제로에너지 주택에 대한 대중의 인식은 매우 미비하고, 건축공사비 상승이라는 경제적 부담감이 있다. 우리나라에서 국가 에너지의 20∼25%가 건물에너지로 사용되고 있으며 이 중 18%가 주거용 건물에서 소비되고, 난방 및 급탕에너지 소비가 80%를 차지하고 있다. 국민의 생활수준 향상으로 에너지 소비가 지속적으로 증가하고 있는 추세이므로 주거용 건물에서의 에너지 저감 방안을 모색하는 것이 필요하다. ‘2010 인구주택총조사’에 따르면 주거용 건물에서 단독주택은 전체 주택수의 27.9%로 58.4%인 공동주택에 이어 2위로 나타난다. 우리나라의 단독주택은 1970년대 이후 도시화 및 산업화의 진전에 따라 급속도로 증가하여 왔다. 급속도로 건설된 주택은 건축연수가 오래됨에 따라 물리적, 기능적으로 여러 가지이 노후화 현상들이 나타나 주거의 기능이 현저히 떨어지게 되었다. 이러한 노후화된 주택의 재생방안으로 리모델링을 통하여 건물의 수명을 연장시키고 에너지 성능, 주거환경 등의 질적인 개선을 통해 거주자의 쾌적성 및 건물의 가치향상의 중요성이 커지고 있다. 따라서 본 연구에서는 주택의 에너지 저감을 목적으로 기존 단독주택에 적용 가능한 에너지 성능개선 방안에 대한 에너지 성능평가와 초기투자비용의 분석을 통한 경제성 평가를 실시하여 적용 방안을 평가하고자 한다. 1.2 연구의 범위 및 방법 본 연구는 단독주택의 에너지 성능개선을 위한 리모델링을 대상으로 연구를 수행한다. 연구의 진행 방법 및 순서 1. (1) 이론적고찰을 통하여 리모델링에 기본적인 개념과 필요성을 재인식하 고, 국내에서 시행되고 있는 단열기준에 대해 알아본다. 2. 3. (2) 실험 대상주택 선정을 위한 위치적, 시간적 범위를 정하고, 기존 연구 를 통하여 주택의 리모델링 가능한 범위와 에너지 성능개선이 가능한 건 축적 요소를 추출한다. 4. 5. (3) 대상주택의 에너지성능 개선 리모델링 계획을 수립하여 에너지 성능 평가 및 에너지 성능 개선 적용기술별 난방에너지 저감량 분석 및 경 제성 분석을 한다.
-
시기별 한강변 공동주택 단지에 대한 경관 만족도 조사 : 대규모 단지에 대한 원경을 중심으로
김철진 한양대학교 도시대학원 2010 국내석사
한강과 그 주위를 둘러싼 자연경관은 서울의 중요한 경관자원이다. 그러나 한강연접지역과 구릉지에 추진된 대형의 고층 아파트 중심의 획일적인 개발로 인해 경관의 질을 저하시켰다. 서울시는 한강변 경관의 심각성을 인지하여‘서울시도시경관관리 방안연구’,‘한강연접지역 경관관리방안연구(1994)’,‘서울의 주요하천변 경관개선방안연구(2003)’등의 경관관련 연구를 시행하였다. 이러한 연구를 통해 재개발․재건축 사업으로 인한 위압경관, 차폐경관, 획일경관, 잠식경관 등 네 가지 문제경관 유형으로 분류하고 있다. 이처럼 경관훼손의 원인을 파악하였음에도 불구하고, 건축물의 물리적 지표 규제의 한계를 가지고 있는 이유는 객관적이고 설득력 있는 경관평가 방법론의 부재이다. 특히, 경관평가는 매우 정성적이고 평가자마다 평가결과가 달라지는 주관적 속성을 지니고 있기 때문에 일반인보다는 객관성과 보편성확보가 용이한 전문가 집단에 의해서 관리 안이 작성되어왔다. 기존의 경관관련 선행연구를 살펴보면, 경관의 정의와 특성, 속성을 파악하고 해석하는 측면에서 연구가 주로 진행되었다. 따라서 실제적인 경관관리를 위한 제도연구나 실증 연구는 매우 부족하다. 특히, 도시경관에 문제와 원인이 무엇인지, 무엇을 관리해야 경관을 개선시킬 수 있는지 등 기본적인 문제인식에 대한 연구도 전무한 편이라고 지적하고 있다. 본 연구에서는 한강변에 연접한 시기별 공동주택단지의 건축형태에 따른 경관을 어떻게 느끼고 평가하는지 한강변을 이용하는 일반시민을 대상으로 분석 하였다. 시기별 경관의 변화를 SD법을 통해서 한강변 주거단지의 경관 인식의 변화를 분석하여 선호도와 문제경관을 도출하여 한강변 경관관리의 기초 자료로 제시하고자 한다. 본 연구에서는 한강변에 연접한 시기별 공동주택단지의 건축형태에 따른 경관을 어떻게 느끼는지에 대해 한강변을 이용하는 일반시민을 대상으로 분석 하였다. 시기별 경관의 변화를 SD법을 통해서 공동주택 단지의 건축형태에 따라 경관의 변화를 분석하였고 어떻게 느끼고 있는지를 파악하여 한강변 주거지 경관의 문제경관을 도출하는 것이 본 연구의 목적이다. 내용적 범위는 도시경관 및 하천변 경관의 분석 및 평가 방법, 실험조사법등이며, 공간적 범위로는 주택법에 의한 사업승인을 받은 기준이 되는 대상지 중에서 근린주구 중심시설을 필요로 하는 1,000세대 이상을 대상으로 1970년 이후 2009년 까지 준공된 아파트 단지를 선정하였다. 분석방법은 두 가지 단계로 나누어서 진행하였는데, 첫째는 사람들이 시기별 한강변 공동주택 단지에 대한 경관의 인식의 변화가 나타나는지 검증하였고, 둘째는 사람들이 경관의 선호도를 평가할 때 주거지 경관의 경관미 값에 미치는 요인들의 차이를 분석하였다. 실험자료 구축 및 조사 설계방법은 한강 연접지역에 위치한 공동주택 단지를 전면성을 두기 위해 대상지의 반대편 한강변에서 현장 사진을 촬영하였으며, SD법을 사용하여 일반 시민들이 한강변 주거지경관을 어떻게 느끼는 지를 설문조사를 통행 평가하였다. 따라서 시기별 한강변 공동주택단지의 건축형태에 따라 경관 인식의 변화를 분석한 결과 다음과 같다. 첫째, 시기별로 주거지 경관의 이미지를 평가하였을 때 시기별 건축형태에 따라 경관의 인식의 변화는 존재하였다. 이러한 결과는 사람들이 선호하는 경관과 선호하지 않는 경관들이 대체로 일치한다는 것을 도출하였다. 둘째, 원경에서의 시기별 주거지 경관의 인지하는 경관형용사로는 「멋없는-멋있는」,「부조하로운-조화로운」,「조잡한-세련된」,「지루한-흥미로운」,「획일적인 다양한」로 주거지 경관을 가장 만족하는 것으로 나타났으며, 반면,「불쾌한-상쾌한」,「답답한-시원한」경관형용사로는 만족하지 못하는 것으로 나타났다. 즉, 디자인적인 다양함과 세련미는 증가한 반면, 높이에 의한 단절은 하락하는 것으로 분석되었다. 따라서, 경관의 만족도를 높이기 위해서는 지역의 특성을 살리는 주거단지의 계획이 경관의 만족도에 큰 영향을 미칠 것으로 판단되고 특히, 한강변의 문제점으로는 건축물의 높이에 의한 차폐감, 위압감, 주변 녹지의 잠식경관등 문제점으로 개선되어야할 경관으로 나타내고 있으며, 원경에서 조망한 한강변 공동주택단지의 구체적인 지표 값을 제시하는 추가적인 연구가 이루어져야 할 것으로 판단된다.
-
A lot of interest in A.I.(Artificial Intelligence) and the advance in computer hardware (especially GPUs), many studies on A.I Network structures are being conducted in various fields. Technologies using A.I. in various fields show good performance. Especially in the field of computer vision, solutions using convolutional neural networks (CNNs) have gained much better performance than solutions using image processing algorithms. And the solutions have become overwhelming. Various network structures have been introduced through competitions and studies in the field of computer vision, and among them, various studies have been conducted on a network structure based on a CNNs with good performance. We have studied various network structures based on CNNs introduced in the previous study. And We studied how to increase the network size (depth and width) efficiently to obtain good performance. Increasing the network depth and width in the network structure can increase the network representational power that the network can represent, which can improve performance. However, increasing the size without careful consideration causes an exponential increase in the number of parameters, which can lead to computational and overfitting problems. In addition, in a deep network structure, gradient vanishing/exploding or degradation problems that adversely affect learning may occur. These problems have a critical negative impact on network performance, making it impossible to increase the size of the network. In this paper, we introduce a method of combining the Inception Module in densely connected network structure to solve the above problem. Since densely connected network structure is connected from one layer to all other layers, information from the front of the network is well transferred to the back. This makes it possible to construct the network structure deeply by alleviating gradient vanishing/exploding or degradation. This densely connected network structure has one drawback. Since it is a densely connected structure, when the width of the network is increased, the number of parameters increases a lot, which may cause a problem of computation and overfitting. So, we combined the inception module in densely connected network structure to efficiently increase the network width. The inception module extracts various features of an input value through filters of various scales, which can be used as useful information during learning. And it is possible to reduce the number of parameters and the amount of computation by adjusting the number of channels through the 1x1 Conv inside the module. By combining such an inception module with densely connected network structure, it is possible to increase the network size efficiently without significantly increasing the number of parameters and computation. It also extracts the various features required for learning, so that the parameters efficiency in densely connected structure can be improved, and good performance can be achieved with a small number of parameters. We introduce a network structure called IDNet-A that applies the idea we introduced in this paper. IDNet-A is a network structure that combines the inception module with DenseNet, densely connected network. And several IDNet-A models with different hyperparameters were constructed and tested with the CIFAR dataset to confirm the performance according to the network size. IDNet-A proposed by us increases the network size by appropriately increasing the depth and width of the network. And IDNet-A shows better performance than DenseNet. 인공지능에 대한 많은 관심과 컴퓨터 하드웨어(특히 GPU)의 발전으로 다양한 분야에서 인공지능 네트워크 구조에 대한 많은 연구가 진행되고 있다. 다양한 분야에서 인공지능을 활용한 기술은 좋은 성능을 거두고 있으며, 특히 컴퓨터 비전 분야에서는 합성곱 신경망(CNNs: Convolutional Neural Networks)을 사용한 솔루션들이 기존의 영상처리 알고리즘을 사용한 솔루션보다 훨씬 좋은 성능을 얻어 압도적인 존재로 자리 잡았다. 컴퓨터 비전 분야의 경진대회와 연구들을 통해 다양한 네트워크 구조가 소개되었고, 그 중 좋은 성능을 보인 합성곱 신경망 기반의 네트워크 구조에 대한 다양한 연구가 진행되어 왔다. 우리는 앞선 연구에서 소개된 합성곱 신경망 기반의 다양한 네트워크 구조들에 대한 연구를 진행하였고, 효율적으로 네트워크 크기(깊이와 넓이)를 키워 좋은 성능을 얻을 수 있는 방법에 대해 연구하였다. 네트워크 구조에서 네트워크 깊이와 넓이를 증가시키면 네트워크가 표현할 수 있는 네트워크 표현력(Representational Power)이 증가해 성능이 좋아질 수 있다. 하지만 심사숙고 없이 무작정 크기를 키우는 것은 파라미터 수의 기하급수적인 증가를 유발하고, 이는 연산량 및 오버피팅(Overfitting) 문제가 발생할 수 있다. 또한 깊은 네트워크 구조에서는 학습에 악영향을 끼치는 Gradient Vanishing/Exploding or Degradation 문제가 발생할 수 있다. 이러한 문제들은 네트워크 성능에 치명적인 악영향을 끼쳐 네트워크의 크기를 키울 수 없게 한다. 본 논문에서 우리는 위의 문제를 해결하기 위해 고밀도 네트워크 구조에 인셉션 모듈(Inception Module)을 결합하는 방법을 소개한다. 고밀도 네트워크 구조는 한 층에서부터 이어지는 다른 모든 층에 연결이 되므로 네트워크 앞 단의 정보를 뒤 단까지 잘 전달이 된다. 이는 Gradient Vanishing/Exploding or Degradation을 완화시켜 네트워크 구조를 깊게 구성할 수 있도록 한다. 이러한 고밀도 네트워크 구조에도 한 가지 단점이 있다. 조밀하게 연결된 구조이다 보니 네트워크의 넓이를 증가시키는 경우에는 파라미터의 수가 많이 증가하여 연산량 및 오버피팅 문제가 발생할 수 있다. 그래서 우리는 고밀도 네트워크 구조에 인셉션 모듈을 결합하여 효율적으로 네트워크의 넓이 또한 키울 수 있도록 구성하였다. 인셉션 모듈은 다양한 스케일의 필터를 통해 입력 값의 다양한 특징을 추출하고, 이는 학습 시 유용한 정보로 사용될 수 있다. 그리고 모듈 내부 1x1 Conv를 통해 채널 수를 조절하여 파라미터 수와 연산량을 감소시킬 수 있다. 이러한 인셉션 모듈을 고밀도 네트워크 구조에 결합하여 파라미터 수와 연산량은 크게 증가시키지 않으면서도 네트워크 크기를 효율적으로 키울 수 있다. 또한 학습에 필요한 다양한 특징을 추출하기 때문에 학습 시 앞 단의 정보가 풍부하여 고밀도 구조에서 파라미터의 효율성(Parameter Efficiency)을 높여 적은 수의 파라미터로도 좋은 성능을 보여줄 수 있다. 우리는 본 논문에서 우리가 소개한 아이디어를 적용한 IDNet-A 라는 네트워크 구조를 소개한다. IDNet-A는 인셉션 모듈을 고밀도 네트워크인 DenseNet에 결합한 네트워크 구조이다. 그리고 각기 다른 하이퍼파라미터(Hyperparameter)를 가진 IDNet-A 여러 모델을 구성하여 CIFAR 데이터셋으로 실험하여 네트워크 크기에 따른 성능을 확인하였다. 우리가 제안한 IDNet-A는 네트워크의 깊이와 넓이를 적절하게 증가시켜 네트워크 크기를 키웠으며, 기존 고밀도 네트워크인 DenseNet보다 좋은 성능을 보여준다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
