http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
하수처리시설 총 유기탄소 분포 및 유기물질간 상관관계 분석
조영범 ( Young Beom Cho ),오용걸 ( Yong Keol Oh ),신동철 ( Dong Chul Shin ),박철휘 ( Chul Hwi Park ) 한국환경분석학회 2014 환경분석과 독성보건 Vol.17 No.4
This study was conducted to compare the behavior of total organic carbon among biological sewage treatment processes and analyze correlations between organic matters in the influent and effluent of sewage treatment plants (STP). Target STPs selected for this study were four plants where representative processes were applied according to the processing system. The treatment processes used in these plants included 4-stage biological nutrient removal (4-stage BNR), bio ceramic sequencing batch reactor (BCS), denitrification and phosphorus removal (DeNiPho), and membrane bio-reactor (MBR). The TOC removal rates of the four plants averaged 86.9%, lower than their COD and BOD removal efficiencies, but the TOC concentrations in their effluent were steady (no higher than 10 mg/L). In the simple correlation analysis, TOC showed the highest correlations with SBOD5(r=0.989) and TCODMn (r=0.971) in the influent and with SCODMn(r=0.996) in the effluent, which indicates that TOC can replace COD as an organic indicator. According to the principal component analysis (PCA), three components were extracted from PCA A between organic matters in the influent and effluent. For the influent, the analysis result showed that the first component had high positive correlations with TOC, DOC, TCODCr, SCODCr, TBOD5, and SBOD5. Its variance was 59.1% among all principal components (PCs). The PCA of the effluent suggested that PC 1, PC 2 and PC 3 accounted for 44%, 35% and 21% of the total variances, respectively. The first component had high positive correlations with POC, TSS, VSS, T-N, and sT-N.
의료 영상 바이오마커 추출을 위한 딥러닝 손실함수 성능 비교
서진범(Jin-beom Seo),조영복(Young-bok Cho) 한국정보통신학회 2021 한국정보통신학회 종합학술대회 논문집 Vol.25 No.1
다양한 분야에서 현재 활용되고 있는 딥러닝 과정은 데이터 준비, 데이터 전처리, 모델 생성, 모델 학습, 모델 평가로 구성된다. 이중 모델 학습 과정에서 손실함수는 모델이 학습하면서 출력한 값을 실제 값과 비교하여 그 차이를 출력하게 되고, 출력된 손실값을 기반으로 모델은 역전파 알고리즘을 통해 손실값이 감소하는 방향으로 가중치를 수정해가며 학습을 진행한다. 본 논문에서는 바이오마커 추출을 위한 딥러닝 모델에서 사용될 신경망 출력 값의 손실도를 측정하여 출력해주는 다양한 손실함수를 분석하고 실험을 통해 최적의 손실함수를 찾아내고자 한다. The deep learning process currently utilized in various fields consists of data preparation, data preprocessing, model generation, model learning, and model evaluation. In the process of model learning, the loss function compares the value of the model with the actual value and outputs the difference. In this paper, we analyze various loss functions used in the deep learning model for biomarker extraction, which measure the degree of loss of neural network output values, and try to find the best loss function through experiments.
서진범(Jin-Beom Seo),이재경(Jae-kyung Lee),조영복(Young-Bok Cho) 한국정보통신학회 2021 한국정보통신학회 종합학술대회 논문집 Vol.25 No.2
본 논문에서는 설진 이미지를 이용한 이미지 딥러닝 알고리즘을 설계하기 위해 이미지의 형태와 설진에 대한 사전 연구을 진행한다. 이미지 딥러닝을 하기 위해서는 설진 이미지의 특성을 파악하고 이에 알맞은 라벨을 구성하며, 전처리 과정을 진행해야 한다. 이미지 데이터는 대전대학교에서 수집한 코호트 사진이며, 이를 바탕으로 데이터로부터 연구를 진행 위한 목표를 수립하고자 한다. In this paper, in order to design an image deep learning algorithm using a Lunar New Year image, a preliminary study on the shape and shadow of the image is conducted. In order to perform image deep learning, it is necessary to identify the characteristics of the Lunar New Year image, configure an appropriate label, and proceed with the preprocessing process. Image data is a cohort photo collected by Daejeon University, and based on this, we intend to establish a goal for conducting research from the data.