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 : 안명환 ( Myoung Hwan Ahn ) (검색결과 13 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
개념 계층 모델을 이용한 온톨로지 기반 상황 인식 추천 시스템
안명환 ( Myoung-hwan Ahn ),권준희 ( Joon-hee Kwon ) 한국인터넷정보학회 2007 인터넷정보학회논문지 Vol.8 No.5
유비쿼터스 기술의 성장으로 사용자의 상황을 자동으로 인지하여 유용한 서비스를 제공해주는 상황 인식 추천 서비스가 요구되기 시작하였다. 그러나 기존의 상황 인식 추천 서비스는 상황에 따른 추천 정보를 개념 수준의 변화 없이 일관된 개념 수준의 정보만을 제공하였다. 그러므로 추천된 정보가 사용자의 현재 상황에서 처리하기 어려운 수준의 정보로 제공되어 사용자가 원하는 정보를 찾고 목적을 달성하기 위해서는 상당한 노력과 시간을 소요하게 되었다. 본 논문에서는 온톨로지의 개념 계층 모델을 이용하여 사용자의 상황에 맞는 정보의 수준을 결정하고 정보를 추천하는 상황 인식 추천 시스템(OCARCH)을 제안한다. 그리고 기존의 상황 인식 추천 서비스와의 비교 실험을 통해 본 논문에서 제시한 개념 계층 모델을 이용한 상황 인식 추천 시스템이 더 뛰어난 성능을 보임을 증명한다. In this thesis, we propose ontology based context-aware recommendation system using concept hierarchy(OCARCH). Context-aware recommendation services are useful to provide an user with relevant information and/or services based on his current context. However several approaches to context-aware recommendation system have been already proposed, each of them provide information without considering level of information concept based on his current context. For this reason, we propose OCARCH as system capable of helping people to find their way quickly and easily through large amounts of information by determining level of information concept based on his current context. We are also using prefetching algorithm to store recommendation information that the user is likely to need in the near future based on current predictions. Therefore the OCARCH enables users to obtain relevant information efficiently. Several experiments are performed and the experimental results show that the proposed system provides more effective than conventional context-aware recommendation system.
-
-
-
위성자료를 응용한 지구관측 분야의 기술분류와 국내 연구동향 파악
김승범 ( Seung Bum Kim ),안명환 ( Myoung Hwan Ahn ),김계현 ( Kye Hyun Kim ),김문규 ( Moon Gyu Kim ),사고호상 ( Ho Sang Sakong ) 大韓遠隔探査學會 2001 大韓遠隔探査學會誌 Vol.17 No.3
본 총론에서는 원격탐사를 사용한 지구관측분야(Level I)의 기술들에 대한 계층적 분류를 수행하였다. Level Ⅱ 기술들을 추출하기 위하여, 방법론 관점과 응용 관점에서 구성한 2차원 표를 사용하였고, 이 결과 수선관제와 대기/해양/육지분야의 자료 응용, 그리고 공동기술과 GIS (Geographical Information System)기술들을 선정하였다. 각 Level Ⅱ 기술들에 대하여 수개의 Level Ⅲ 기술들과 약 20-30개 가량의 Level Ⅳ 기술들을 추출하였다. 각 Level Ⅳ 기술들에 대하여 국내 확보현황, 미확보 기술의 확보 방안. 미확보 기술의 해외 확보 기관, 국내에서의 기술필요시기 등을 정리하였다. 또한 Level Ⅳ 기술들 중 공공성과 경제성에 근거한 우선 확보 기술들을 추출하였다. 기술분류 결과와 국내 연구동향에 관한 자료는 국내 연구진들간의 상호 이해와 협력을 촉진하며, 원격탐사분야를 새로이 시작하는 연구진과 학생들에게 기초자료를 제공하고, 정책수립을 위한 참고자료로서 유용하게 사용될 수 있을 것이다. In this review article, we produce a technology tree in the earth observation by remote sensing, which is the Level I technology in the tree. To define Level Ⅱ technologies, we create a two-dimensional matrix of technologies viewed from methodology and application viewpoints. Consequently the following fields are selected: reception-archiving, atmosphere. ocean, land, GIS, and common technology. For each Level Ⅱ technology. we extract half a dozen Level Ⅲ and about 20-30 Level Ⅳ technologies. For each Level Ⅳ technology. we review the status of domestic research and the approaches for acquiring deficient technology in Korea. Also we survey foreign institutions specializing in the deficient technologies and the time when the deficient technologies are needed. Furthermore we assign priority technologies from the viewpoints of public need and economic benefits. The information given in this article would help understand and collaborate among different disciplines, be a useful guide to a beginner to remote sensing, and assist policy making.
-
위성기반 GK2A의 대기운동벡터와 Aeolus/ALADIN 바람 비교
신혜민 ( Hyemin Shin ),안명환 ( Myoung-hwan Ahn ),김지수 ( Jisoo Kim ),이시혜 ( Sihye Lee ),이병일 ( Byung-Il Lee ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.6
세계 최초 능동형 라이더 센서 Atmospheric Laser Doppler Instrument (ALADIN)의 바람 자료와 한국형 수치예보모델에 바람 자료로 활용되고 있는 Geostationary Korea Multi Purpose Satellite 2A (GK2A)의 대기운동벡터의 자료를 비교함으로써 두 위성의 바람 자료의 특징을 분석하였다. 2019년 9월부터 20220년 8월 1년의 자료를 ALADIN의 미(Mie)채널과 GK2A 적외채널에 대하여 비교한 결과 수집된 자료는 177,681개이며 평균 제곱근 오차(Root Mean Square Error; RMSE)는 3.73 m/s, 상관계수는 0.98이다. 상세한 분석을 위해 위도와 고도를 고려하여 비교한 결과, 대부분의 위도에서 표준화된 평균 제곱근 오차(Normalized Root Mean Squared Error; NRMSE)가 0.2~0.3으로 두 바람 자료가 일치하지만 상층, 중층의 경우 저위도지역에서, 하층의 경우 남반구 특정 위도(30°S-15°S)에서 0.4 이상으로 큰 값을 가진다. 이러한 결과는 계절에 상관없이 수증기채널, 가시채널에서도 동일하게 나타나며 채널 별 특징과 계절별 특징은 두드러지게 나타나지 않는다. 두 바람 자료 간에 차이가 큰 위도 영역에 대하여 구름의 분포를 확인해본 결과, 대기운동벡터의 고도 할당 정확도를 낮출 수 있는 권운 이나 적운이 다른 위도에 비해 더 많이 분포하고 있다. 이러한 특성에 따라, 정확한 고도 할당이 어려워 대기운동벡터의 오차가 크게 나타나는 남반구와 저위도 영역에서 ALADIN 바람 자료는 기존 대기운동벡터의 바람 정보를 보완함으로써 수치예보모델에 긍정적인 영향을 미칠 수 있음을 제시한다. This research aims to provide the characteristics of the world's first active lidar sensor Atmospheric Laser Doppler Instrument (ALADIN) wind data and Geostationary Korea Multi Purpose Satellite 2A (GK2A) Atmospheric Motion Vector (AMV) data by comparing two wind data. As a result of comparing the data from September 2019 to August 1, 2020, The total number of collocated data for the AMV (using IR channel) and Mie channel ALADIN data is 177,681 which gives the Root Mean Square Error (RMSE) of 3.73 m/s and the correlation coefficient is 0.98. For a more detailed analysis, Comparison result considering altitude and latitude, the Normalized Root Mean Squared Error (NRMSE) is 0.2-0.3 at most latitude bands. However, the upper and middle layers in the lower latitudes and the lower layer in the southern hemispheric are larger than 0.4 at specific latitudes. These results are the same for the water vapor channel and the visible channel regardless of the season, and the channel-specific and seasonal characteristics do not appear prominently. Furthermore, as a result of analyzing the distribution of clouds in the latitude band with a large difference between the two wind data, Cirrus or cumulus clouds, which can lower the accuracy of height assignment of AMV, are distributed more than at other latitude bands. Accordingly, it is suggested that ALADIN wind data in the southern hemisphere and low latitude band, where the error of the AMV is large, can have a positive effect on the numerical forecast model.
-
-
Sentienl-1 SAR 영상을 활용한 유류 분포특성과 CNN 구조에 따른 유류오염 탐지모델 성능 평가
박소연 ( Soyeon Park ),안명환 ( Myoung-hwan Ahn ),이성뢰 ( Chenglei Li ),김준우 ( Junwoo Kim ),전현균 ( Hyungyun Jeon ),김덕진 ( Duk-jin Kim ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.5
SAR 이미지의 통계적 특징을 이용하여 유류오염영역을 특정하는 방법은 분류규칙이 복잡하고 이상값에 의한 영향을 많이 받는다는 한계가 있어, 최근 인공신경망을 기반으로 유류오염영역을 특정하는 연구가 활발히 이루어지고 있다. 하지만, 다양한 유류오염 사례에 대해 모델의 탐지 성능 및 특성을 평가한 연구는 부족하였다. 따라서, 본 연구에서는 기본적인 구조의 CNN인 Simple CNN과 픽셀 단위의 영상 분할이 가능한 U-net을 이용하여, CNN의 구조와, 유류오염의 분포특성에 따른 모델의 탐지성능차이가 존재하는지 분석하였다. 연구결과, 축소경로만 존재하는Simple CNN과 축소경로와 확장경로가 모두 존재하는U-net의 F1 score는 86.24%와 91.44%로 나타나, 두 모델 모두 비교적 높은 탐지 정확도를 보여주었지만, U-net의 탐지성능이 더 높은 것으로 나타났다. 또한 다양한 유류오염 사례에 따른 모델의 성능 비교를 위해, 유류오염의 공간적 분포특성(유류오염 주변의 육지의 분포)과 선명도(유출된 기름과 해수의 경계면이 뚜렷한 정도)를 기준으로, 유류오염 발생 사례를 4가지 유형으로 구분하여 탐지 정확도를 평가하였다. Simple CNN은 각각의 유형에 대해 F1 score가 85.71%, 87.43%, 86.50%, 85.86% 로 유형별 최대 편차가 1.71%인 것으로 나타났으며, U-net은 동일한 지표에 대해 89.77%, 92.27%, 92.59%, 92.66%의 F1 score를 보여 최대 편차가 2.90% 로 두 CNN모델 모두 유류오염 분포 특성에 따른 수치상 탐지성능의 차이는 크지 않은 것으로 나타났다. 하지만 모든 유류오염 유형에서 Simple CNN은 오염영역을 과대탐지 하는 경향을, U-net은 과소탐지 하는 경향을 보여, 모델의 구조와 유류오염의 유형에 따라 서로 다른 탐지 특성을 가진다는 것을 확인하였고, 이러한 특성은 유류오염과 해수의 경계면이 뚜렷하지 않은 경우 더 두드러지게 나타났다. Detecting oil spill area using statistical characteristics of SAR images has limitations in that classification algorithm is complicated and is greatly affected by outliers. To overcome these limitations, studies using neural networks to classify oil spills are recently investigated. However, the studies to evaluate whether the performance of model shows a consistent detection performance for various oil spill cases were insufficient. Therefore, in this study, two CNNs (Convolutional Neural Networks) with basic structures (Simple CNN and U-net) were used to discover whether there is a difference in detection performance according to the structure of CNN and distribution characteristics of oil spill. As a result, through the method proposed in this study, the Simple CNN with contracting path only detected oil spill with an F1 score of 86.24% and U-net, which has both contracting and expansive path showed an F1 score of 91.44%. Both models successfully detected oil spills, but detection performance of the U-net was higher than Simple CNN. Additionally, in order to compare the accuracy of models according to various oil spill cases, the cases were classified into four different categories according to the spatial distribution characteristics of the oil spill (presence of land near the oil spill area) and the clarity of border between oil and seawater. The Simple CNN had F1 score values of 85.71%, 87.43%, 86.50%, and 85.86% for each category, showing the maximum difference of 1.71%. In the case of U-net, the values for each category were 89.77%, 92.27%, 92.59%, and 92.66%, with the maximum difference of 2.90%. Such results indicate that neither model showed significant differences in detection performance by the characteristics of oil spill distribution. However, the difference in detection tendency was caused by the difference in the model structure and the oil spill distribution characteristics. In all four oil spill categories, the Simple CNN showed a tendency to overestimate the oil spill area and the U-net showed a tendency to underestimate it. These tendencies were emphasized when the border between oil and seawater was unclear.
-
ScienceON
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
