Earticle

연구방법: 지반을 구성하고 있는 각각의 재료들의 공학적 구분을 위하여 토사, 자갈, 호박돌 등의 용어가 사용되고 있으나, 기관별로 제시된 기준의 차이와 관용적 사용으로 인하여 지 반에 대한 정확한 표현상의 어려움이 발생하고 있으므로 각 기관별로 상이한 용어 및 크기 에 대한 분석을 수행하였다. 연구목적: 시추 기술자의 경험적 판단에 의한 지층 판별이 관행적으로 이루어지는 문제점 이 있다. 이러한 것들이 지반분야의 혼란을 야기할 수 있다. 따라서, 통일된 기준을 제시하 고자 하였다. 연구결과: 본 논문에서는 이러한 문제점을 해결하기 위하여 각 기관별로 상이한 용어 및 크기에 대한 정리를 통하여 합리적인 기준을 제시하였다. 결론: 시추에 의한 지반조사에서 모래, 자갈, 호박돌 등 채취된 시료의 중량비, 출현빈도 및 시료길이 등을 활용하여 비교적 객관적으로 토층을 분류할 수 있는 합리적인 모델을 제시 하였다.

Purpose: It is necessary to set up a standardized method for classifying mixed soil layer that contains sand, gravel and boulder for engineering purposes. Method: Different size of soils was classified mixed soil layer by suggests unified soil classification method. Results: This paper suggests unified soil classification model for different size of soils where many authorities have their own system. Conclusion: Soil stratum classification method using appearing frequencies of gravels and weight ratio of boulders could be used to judgement in many cases.

Due to the influence of noise in the received signal in non-cooperative communication, it is difficult for existing Automatic modulation classification methods to balance classification accuracy and model complexity. This paper proposes a novel Convolutional Adaptive Noise Reduction (CANR) network, which consists of an Adaptive Noise Reduction (ANR) module and a Convolutional Feature Extraction (CFE) module. The ANR and CFE modules denoise the combined input and capture the spatiotemporal features in the time series. Experiments on benchmark datasets show that the proposed network has the fewest training parameters and state-of-the-art recognition accuracy under the same conditions.

Objective To present new classification methods of knee osteoarthritis (KOA) using machine learning and compare its performance with conventional statistical methods as classification techniques using machine learning have recently been developed. Methods A total of 84 KOA patients and 97 normal participants were recruited. KOA patients were clustered into three groups according to the Kellgren-Lawrence (K-L) grading system. All subjects completed gait trials under the same experimental conditions. Machine learning-based classification using the support vector machine (SVM) classifier was performed to classify KOA patients and the severity of KOA. Logistic regression analysis was also performed to compare the results in classifying KOA patients with machine learning method. Results In the classification between KOA patients and normal subjects, the accuracy of classification was higher in machine learning method than in logistic regression analysis. In the classification of KOA severity, accuracy was enhanced through the feature selection process in the machine learning method. The most significant gait feature for classification was flexion and extension of the knee in the swing phase in the machine learning method. Conclusion The machine learning method is thought to be a new approach to complement conventional logistic regression analysis in the classification of KOA patients. It can be clinically used for diagnosis and gait correction of KOA patients.

일반적으로 자동분류는 학습문서의 개수에 영향을 받는다고 알려져 있지만 실제로 학습문서의 수가 텍스트 자동분류에 어떻게 영향을 주는지 입증한 연구는 거의 없었다. 본 연구에서는 학습문서 수가 자동분류에 어떤 영향을 주는지 알아보기 위해 최근에 개발된 편차기반 분류방법을 중심으로 다른 분류 알고리즘과 비교하는데 초점을 두었다. 실험결과, 편차기반 분류모델은 학습문서의 수가 총 21개(7개 장르)인 상황에서 정확도가 0.8로 베이지안이나 지지벡터기계보다 우수하게 나타났다. 이것은 편차기반 분류모델이 장르내의 주제정보를 이용하여 학습하기 때문에 학습문서의 수가 적더라도 다른 학습방법보다 좋은 자질 선택 능력을 갖는다는 것을 입증한 것이다.

It is generally accepted that classification accuracy is affected by the number of learning documents, but there are few studies that show how this influences automatic text classification. This study is focused on evaluating the deviation-based classification model which is developed recently for genre-based classification and comparing it to other classification algorithms with the changing number of training documents. Experiment results show that the deviation-based classification model performs with a superior accuracy of 0.8 from categorizing 7 genres with only 21 training documents. This exceeds the accuracy of Bayesian and SVM. The Deviation-based classification model obtains strong feature selection capability even with small number of training documents because it learns subject information within genre while other methods use different learning process.

최근 학습중인 언어를 사용하여 구체적으로 무엇을 할 수 있는지를 나타내는 범용 체계에 큰 관심이 모아지고　있다. 그 중에서도 2001년에 유럽위원회가 발표한 Common European Framework of Reference for Languages (CEFR)는 언어능력의 국제표 준으로 세계적으로 평가가 높다. 2017년에는 그것을 보완하는 CEFR Companion Volume이 공개되어, PreA1 레벨이 추가되는 등 더욱 더 레벨이 세분화되었다. CEFR 를 사용한 연구와 실천 예는 영어를 비롯한 많은 언어에서 이루어지고 있는 반면, 일 본어 교육을 염두에 둔 CEFR연구는 수적으로도 여전히 적으며, 일본어 CEFR준수 텍 스트 코퍼스도 현재까지의 연구 결과 존재하지 않는다. 본 연구에서는, 코퍼스를 작성 할 때 발생하는, 예문에 CEFR의 독해력을 반영하는 Can-Do Statements (CDS)를 부여 하는 노력을 경감하기 위해 자동분류 실장(実装)에 대해 지속적으로 연구하고 있다. 분류 방법에는 Support Vector Machine과 랜덤 포레스트에 의한 지도 학습을 적용하 고, 기계 학습을 위한 예문의 특징량으로써 문서 유형, 전문성, 문장 길이, 한자 비율 4 개를 사용한다.　Pre-A1 레벨은 종전 레벨 군과 난이도와 구성언어요소에 큰 차이가 있기 때문에, 모든 레벨의 CDS를 한 번에 분류하는 과거 방식에 비해 2 단계에 따른 CDS 분류에 따른 정확도 향상을 목표로 하였다. 또한, Web 어플리케이션의 개발을 실시하여, 자동 분류 알고리즘을 내부 구현함으로써, 주어진 예문에 대하여 이에 대응 하는CDS를 자동 부여하는 기능과, 특정 CDS를 선택함으로써 이에 해당하는 예문 리 스트를 그 확실성 순으로 제공하는 기능을 제공하고 있다.

In recent years, a lot of attention is being paid to general-purpose frameworks that show what can be concretely done in using a target language for learners. In 2017, the Common European Framework of Reference for Languages (CEFR) Companion Volume was released. This volume complements the CEFR initially published in 2001, which is widely considered as an international standard for language ability, and introduces a Pre-A1 level. Conversely, there are few studies on CEFR for Japanese language education, and from the past studies, it was noted that there are no Japanese CEFR compliant text corpora. Thus, the present study aims to classify example sentences according to their corresponding Can-Do Statements (CDSs) to reduce efforts in creating a corpus. Support Vector Machine and Random Forest were applied to the classification approach where document types, specialty, sentence length, and kanji ratio have been given as the features of example sentences. The Pre-A1 level has a great difference in difficulty level and constituent language elements from the previous level groups. Therefore, our study seeks to improve the accuracy through binary classification combined with incorporation of the past method of classifying all levels of CDSs at once. Moreover, we also developed a web application that would help attach CDSs efficiently to example sentences and provide example sentence collections corresponding to specific CDSs.

말라위는 기후변화를 경제･사회적 안정성을 위협하는 핵심 요인으로 인식하고 있으나, 공여자 지원 프로젝트의 기후 관련 여부를 수작업으로 분류하는 과정에서 일관성 부족과 기후재정 추적 오류가 발생하고 있다. 이에 본 연구는 말라위 공여자 지원 프로젝트를 대상으로 기후 관련 프로젝트를 자동 식별하기 위한 XGBoost 기반 이진 분류 모형을 제안한다. 분석에는 말라위 정부 원조관리플랫폼의 지리코딩 및 기후 코딩 데이터를 활용하였으며, 30개 공여기관이 지원한 754개 프로젝트를 대상으로 랜덤 포레스트 및 로지스틱 회귀 모형과 성능을 비교하였다. 분석 결과, 제안된 모형은 매우 높은 분류 정확도를 보였으며, SHAP 분석을 통해 누적 집행액, 공여자 유형, 기후 적응 점수가 핵심 영향 요인으로 확인되었다. 본 연구는 설명 가능한 인공지능을 활용하여 기후 프로젝트 분류의 정확성과 정책 활용 가능성을 제고하였다는 점에서 의의가 있다.

Climate change poses a serious challenge to Malawi’s economic and social stability, highlighting the need for accurate identification of climate-related donor-funded projects. However, existing manual classification approaches are inconsistent and prone to error. To address this issue, this study develops an automated binary classification framework using Extreme Gradient Boosting (XGBoost). The analysis is based on geocoded activity-level and climate-coded data and AidData from Malawi’s government aid management platform, covering 754 projects funded by 30 donors. Model performance is evaluated against Random Forest and Logistic Regression, with SHapley Additive exPlanations (SHAP) applied for feature selection. The results show that the XGBoost model achieves near-perfect accuracy, with cumulative disbursement, donor type, and climate adaptation scores identified as key determinants. These findings demonstrate the effectiveness of explainable AI in improving climate project classification and climate finance management.

With the recent introduction of artificial intelligence (AI) technology, the use of data is rapidly increasing, and newly generated data is also rapidly increasing. In order to obtain the results to be analyzed based on these data, the first thing to do is to classify the data well. However, when classifying data, if only one classification technique belonging to the machine learning technique is applied to classify and analyze it, an error of overfitting can be accompanied. In order to reduce or minimize the problems caused by misclassification of the classification system such as overfitting, it is necessary to derive an optimal classification by comparing the results of each classification by applying several classification techniques. If you try to interpret the data with only one classification technique, you will have poor reasoning and poor predictions of results. This study seeks to find a method for optimally classifying data by looking at data from various perspectives and applying various classification techniques such as LDA and QDA, such as linear or nonlinear classification, as a process before data analysis in data analysis. In order to obtain the reliability and sophistication of statistics as a result of big data analysis, it is necessary to analyze the meaning of each variable and the correlation between the variables. If the data is classified differently from the hypothesis test from the beginning, even if the analysis is performed well, unreliable results will be obtained. In other words, prior to big data analysis, it is necessary to ensure that data is well classified to suit the purpose of analysis. This is a process that must be performed before reaching the result by analyzing the data, and it may be a method of optimal data classification.

This study was performed to construct tree species classification map according to three information types (spectral information, texture information, and spectral and texture information) by altitude (30 m, 60 m, 90 m) using the unmanned aerial vehicle images and the object-based classification method, and to evaluate the concordance rate through field survey data. The object-based, optimal weighted values by altitude were 176 for 30 m images, 111 for 60 m images, and 108 for 90 m images in the case of Scale while 0.4/0.6, 0.5/0.5, in the case of the shape/color and compactness/smoothness respectively regardless of the altitude. The overall accuracy according to the type of information by altitude, the information on spectral and texture information was about 88% in the case of 30 m and the spectral information was about 98% and about 86% in the case of 60 m and 90 m respectively showing the highest rates. The concordance rate with the field survey data per tree species was the highest with about 92% in the case of Pinus densiflora at 30 m, about 100% in the case of Prunus sargentii Rehder tree at 60 m, and about 89% in the case of Robinia pseudoacacia L. at 90 m.

In this study, regions infected by pine wilt disease were extracted by using object-based classification method (OB-infected region), and the characteristics of special distribution about OB-infected region were figured out. Scale 24, Shape 0.1, Color 0.9, Compactness 0.5, and Smoothness 0.5 was selected as the objected-based, optimal weighted value of OB-infected region classification. The total accuracy of classification was high with 99% and Kappa coefficient was also high with 0.97. The area of OB-infected region was approximately 90 ha, 16% of the total area. The OB-infected region in Age class V and VI was intensively distributed with 97% of the total. Also, The OB-infected region in Middle and Large DBH class was intensively distributed with 99% of the total. In terms of the topographic characteristics of OB-infected region, the damages occurred approximately 86% below the altitude of 200 m, and occurred 91% with a slope less than 10 degree. The damage occurred a lot in low hilly mountain and undulating slope. In addition, the accessibility to road and residential area from OB-infected region was less than 300 m in large part. Overall, it was figured out that artificial effect is stronger than natural effect with regard to the spread of pine wilt disease.

본 연구에서는 사용자로부터 입력받은 이미지를 분석하여 그에 맞는 음악을 생성, 재생하는 방법을 고안 하였다. 단순히 이미지를 청각화 하는 기술적인 의미 뿐 아니라 사용자의 이미지에 담긴 정서와 의도 또한 담아내는 것을 목표로 하였다. 사용자는 본 연구에서 제안된 어플리케이션에 원하는 물체를 그린다. 인공지 능을 통해 이미지가 어떤 물체인지 판별 후, 그 물체와 이어질 수 있는 감정을 대응해 해당 멜로디의 감정과 분위기를 맞출 수 있도록 하였다. 정서에 알맞는 음정(key)를 설정한 뒤, 사용자가 이미지를 그릴 때 입력한 획순을 분석해 이를 기준으로 음계를 추출하여 선율을 생성하였다. 향후 이미지의 청각적 표현을 구현하는 것뿐만 아니라 그림에 대한 예술적인 이해와 의미 있는 음악을 만들어내기 위한 화성법 등의 작곡이론을 연 구하여 이미지에 담긴 예술성과 의도를 음악에 담아낼 수 있는 한 가지 방향을 제시할 것이다. 또한 그림을 인식하고 판별하기 위한 인공지능 기술과 그림 분석, 음악 생성 등의 예술 분야를 결합해 공학과 예술의 융 합이라는 방향으로서 의미 있는 시도가 될 것이다.

In this study, we devised a application that generates and reproduces music by analyzing images received from a user. It was aimed not only to capture the technical meaning of auditioning images, but also to express emotions and intentions in user's images. In the proposed application, a user draws a picture of a desired object. The application uses artificial intelligence to determine which object an image is. After that, the emotions that can be connected with each objects. The application determines the key that matches the mood through the emotion associated with the object. After setting a key suitable for the emotion, the user's stroke order is analyzed, and the melody is composed based on the extracted user’s stroke data. In the future, research on arts such as painting and music will be continued as well as implementing auditory expression of images. Based on this, we will present the direction to embody the artistic and intention in the image into music. It will also be a meaningful attempt as a direction of combination between engineering fields such as artificial intelligence for recognizing pictures and art fields such as picture analysis, and music production.

연구목적: 국내 적층형 물류창고의 스프링클러 설계적용을 위한 수용물품 등급분류방법을 제시함을 목적으로 한다. 연구방법: 현장조사와 미국 NFPA, FMDS, 유럽 EN 및 일본의 분류 기준을 비교분석하 고 ISO 12949에 따른 등급별 연소특성 실험을 수행하였다. 연구결과: 연소열을 기준으로 특급, 상급, 중 급 및 경급의 등급분류방법을 제안하였다. 결론: 물품 등급별 최대 소화강도를 확보하는 스프링클러설 계기준의 적용이 필요하다.

The purpose of this study is to present the commodity classification method of domestic rack-type warehouse for sprinkler system design. Method: On-site surveys and classification criteria of the NFPA, FMDS, EN and Japan were analysed and ISO 12949 test were carried out with proposed each classification commodity. Result: Based on a heat of combustion, a classification method for extra high, high, medium and low are proposed. Conclusion: Sprinkler design criteria to secure the maximum extinguishing strength for each class of commodity need to be applied.

최근 은행, 공공기관 등에서 사용되는 고전적인 소프트웨어에서 PC 해킹 및 악성코드 유포가 이루어지는 등 보안위협이 제기되고 있다. C 스타일로 제작되어 프로그램에 자체적으로 내장된 취약점의 특성상 이로 인한 해킹의 연쇄효과는 막대하며 특정 서비스 이용을 위해 반드시 설치 해야하는 프로그램인 경우 그 파급효과가 매우 크다는 점에서 개인정보 유출과 금융 보안에 매 우 중요한 영향을 미친다. 이에 본 논문에서는 이러한 프로그램 자체에 내장되어있는 보안 취약 점으로 인한 시스템 해킹 공격기법들의 특성과 feature를 도출하여 AI의 학습에 활용될 수 있는 기반기술을 제안하고자한다. 이에 더 나아가 취약점에 따른 공격(Exploitation) 템플릿들을 자동 생성 할 수 있는 시스템을 제안하고자 한다.

Recently, security threats such as PC hacking and malicious code distribution are being raised in classic software used in banks and public institutions. Due to the characteristics of vulnerabilities built in the C style and built into the program itself, the chain effect of hacking caused by this is enormous, and in the case of programs that must be installed to use a specific service, the ripple effect is very large, which is very important for personal information leakage and cyber security. have a significant impact In this paper, we propose a basic technology that can be used for AI learning by deriving the characteristics and features of system hacking attack techniques due to security vulnerabilities built into the program itself. Furthermore, we propose a system that can automatically generate exploit templates according to vulnerabilities.

최근 머신러닝 기반의 사이버 공격 탐지 및 분류 연구가 활발히 이루어지고 있으며, 높은 수준의 탐지 정확도를 달성하고 있다. 그러나 저 사양 IoT 기기, 대규모의 네트워크 트래픽 등은 IoT 환경에서 머신러닝 기반의 탐지모델 적용을 어렵게 하고 있다. 따라서 본 논문에서는 국방분야에서도 활용되고 있는 MQTT(Message Queuing Telementry Transport) IoT 프로토콜 환경에서 수집된 데이터세트를 대상으로, 차원축소 기법인 PCA(Principal Component Analysis)와 LightGBM(Light Gradient Boosting Model)을 이용하여 IoT 공격을 효울적으로 탐지 및 분류하는 방안을 제안하였다. 실험을 통해 제안하는 분류모델의 성능을 확인한 결과 원본 데이터세트를 약 15%로 축소하였음에도 원본 전체를 모두 사용한 모델과 거의 유사한 성능을 나타 냈으며, 본 논문에서 선정한 4가지 차원축소기법과의 비교 평가에서도 가장 우수한 성능을 나타냈다.

Recently, machine learning-based cyber attack detection and classification research has been actively conducted, achieving a high level of detection accuracy. However, low-spec IoT devices and large-scale network traffic make it difficult to apply machine learning-based detection models in IoT environment. Therefore, In this paper, we propose an efficient IoT attack detection and classification method through PCA(Principal Component Analysis) and LightGBM(Light Gradient Boosting Model) using datasets collected in a MQTT(Message Queuing Telementry Transport) IoT protocol environment that is also used in the defense field. As a result of the experiment, even though the original dataset was reduced to about 15%, the performance was almost similar to that of the original. It also showed the best performance in comparative evaluation with the four dimensional reduction techniques selected in this paper

본 연구는 유전 알고리듬에 기반한 새로운 도산예측기법을 개발하고 그 기법의 타당성 및 예측 우수성을 검증하는데 목적이 있다. 본 연구에서 제안하는 이진분류기법은 도산기업과 비도산기업을 대표할 수 있는 가상기업(virtual company)을 설정하고, 그 가상기업과 분류대상 기업 간의 유사도를 측정하여 도산여부를 분류하는 방법론으로, 가상기업의 변수 값과 각 변수의 가중치는 훈련용 자료의 분류정확도를 극대화할 수 있도록 유전 알고리듬을 이용하여 구하게 된다. 본 연구에서 제안하는 기법의 타당성을 검증하기 위해 기존의 도산예측기법과 예측성과를 실험을 통해 비교한 결과, 본 연구에서 개발한 기법의 예측력이 기존의 다변량판별분석, 로지스틱 회귀모형, 의사결정나무, 인공신경망 모형보다 높은 수준을 보이는 것을 확인하였다.

This study presents a truck classification method using panoramic side-view images to meet the Ministry of Land, Infrastructure and Transport’s 12-category standard (types 4–12). The system captures a vehicle’s full side profile via a panoramic imaging device, ensuring complete wheel visibility. A YOLOv12-based deep learning model detects wheels, and image processing extracts their center coordinates. Pixel distances between adjacent wheels are calculated and normalized to determine axle spacing patterns, which, together with wheel count, are applied to a rule-based classifier. Tests on 1,200 real-world panoramic truck images (1,000 for training, 200 for testing) achieved a mean average precision of 96.1% for wheel detection and 90.5% overall classification accuracy. The method offers explainable classification through measurable structural features, supporting applications in smart tolling, road usage billing, overloading enforcement, and autonomous vehicle perception.

해저질 정보는 자갈, 모래, 진흙과 같은 해저 지표 퇴적물의 특성을 말하며 해양자원 탐사, 해양공간 계 획, 서식지 분포, 모델링 및 해양 건설과 같은 다양한 해양 분야에 필수적으로 활용된다. 고해상도의 해저질 정보 는 환경 및 사회-경제적 영향 평가를 뒷받침하고 효과적인 해양 관리 및 개발을 지원하기 위한 수요가 꾸준하게 증가하고 있는 실정이다. 이를 위하여 수심 측량 방법에 의해 원격으로 검출된 멀티빔 후방산란 영상자료를 사용 하는 것이 점점 중요해지고 있다. 최근까지 이러한 영상자료를 일반적으로 전문가의 해석에 따라 해저질 정보를 분류하였지만, 보다 체계적이고 빠른 해저질 분류 방법이 필요하다. 이를 위해 본 논문에서는 다중빔 후방산란 영 상자료를 활용하여 기계 학습에 기반한 해저질 분류 방법에 대한 방안을 제시한다.

Seafloor information refers to the characteristics of surface sediments such as gravel, sand, and mud, and is essential for various marine fields such as marine resources exploration, marine space planning, habitat distribution, modeling and construction. High resolution seafloor information is in increasing demand both to underpin environmental and socio-economic impact assessments and to help in the development of effective management measures. For this purpose, it is increasingly important to use the multibeam backscatter imagery data remotely detected by the water depth survey method. Until recently, these data were generally categorized by expert interpretation, but now a more systematic and faster seafloor classification method is needed. To do this, this paper presents a seafloor classification method based on machine learning using multibeam backscatter imagery data.

본 논문에서는 기계학습 방법에 기반을 둔 119 긴급 신고 전화 전사 데이터에 대한 구급, 구조, 화재 상 황 분류 알고리즘을 개발하였다. 신고전화에서 빈번하게 발생하는 비정형 발화 패턴을 효율적으로 정규화 하고 자연어 문장 처리 기법에서 일반적으로 사용하는 방법을 적용하여 신고전화 텍스트 데이터를 기계학 습에서 사용할 수 있는 특징 벡터로 재구성하였다. 2743개의 신고전화에 대해 선형 서포트 벡터 머신을 이 용하여 상황 분류를 수행한 결과, 92% 의 정확도를 얻을 수 있었다.