http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
박현서(Park, Hyunseo),강지수(Kang, Jisu),이수경(Lee, Sookyung),김수영(Kim, Suyoung) 대한건축학회 2023 대한건축학회 학술발표대회 논문집 Vol.43 No.1
This study analyzed the key planning elements used in the public notice of a decision for each plan type(Planning management type, Preservation and regeneration type, Development and maintenance type) for 313 district unit plan in Seoul, and through this, The purpose of this study was to identify the relationship between the planning objectives and key planning elements. To enhance the effectiveness of the district unit plan, it is important to establish differentiated guidelines tailored to the characteristics of each area by selectively composing guidelines that are necessary to achieve the zoning objectives. This study is expected to provide fundamental data for the construction of key planning items in future new or revised district unit planning.
김은경,박현서,이안석,이희수,이유로,김태중,Kim, Eunkyung,Park, Hyunseo,Lee, Anseok,Lee, Heesoo,Lee, Yuro,Kim, Taejoong 한국전자통신연구원 2017 전자통신동향분석 Vol.32 No.5
In wireless access networks, it is extremely important to provide high quality of real time and interactive services, including voice and video traffic. Furthermore, low latency communication is shifting toward new paradigm which enhances user's high quality of experience, meeting the requirements for specific applications such as tactile internet, remote-control robot and machines, and mission critical application. In this paper, we introduce the approaches to achieve the extremely low latency service. The approaches include the core requirements and the key technologies providing low latency communication maintaining high reliability in wireless access networks.
IoT 서비스의 시공간적 특성 분석을 통한 AI 기반 이상 데이터 탐지 기술
이상현(Sanghyun Lee),박현서(Hyunseo Park),이경호(Gyeong Ho Lee),최준균(Jun Kyun Choi) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
본 논문은 사물인터넷 환경에서 데이터 수집 시 발생되는 이상치 데이터를 판단하는 연구이다. 인공지능 모델 학습 시 그 성능에 큰 영향을 미치는 학습 데이터의 질을 향상하기 위해 데이터셋 내 존재하는 이상 데이터를 판별하는 기술이 필요하며, 해당 문제 해결을 위해 본 연구에서는 LSTM-Autoencoder 를 활용하여 데이터의 시공간적 특성을 파악해 시계열 데이터 내 존재하는 이상 데이터를 탐지하는 기법을 다루고 있다. 제안된 이상 데이터 판별 기법의 성능을 오분류 행렬에 기반하여 분석하였으며, 데이터셋 내 10%에서 40%의 이상치 데이터가 존재할 때 약 0.75 에서 0.80 이상의 F1-Score 를 보임을 검증하였다.