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 : 안성진 ( Seongjin Ahn ) (검색결과 39 건)
- 무료
- 기관 내 무료
- 유료
-
-
위상 및 주파수 오프셋에 강인한 개선된 변조 분류 알고리즘
안성진(Seongjin Ahn),윤동원(Dongweon Yoon),윤상범(Sangbom Yun),권지연(Jiyeon Kwon) 한국정보기술학회 2018 한국정보기술학회논문지 Vol.16 No.5
In a non-ideal channel environment where the phase offset and the frequency offset exist, it is important to select features that are robust to performance degradation factors. In this paper, we propose a cumulant based automatic modulation classification algorithm which is independent of the phase and the frequency offset. In order to classify linear digital modulation schemes, e.g., BPSK, QPSK, 8PSK, 16QAM, and 64QAM, we use the cumulants of differential decoded signal as features, and by calculating the euclidean norm of the obtained feature vectors, we perform the modulation classification. Through computer simulation, we compare the performance of the proposed algorithm and the existing algorithm in terms of average classification probability, and show the superiority of the proposed algorithm.
-
-
-
랜덤 워크 점수를 사용한 그래프 뉴럴 네트워크 기반 노드 분류
안성진(Seongjin Ahn),김명호(Myoung Ho Kim) 한국정보과학회 2020 정보과학회 컴퓨팅의 실제 논문지 Vol.26 No.9
그래프 뉴럴 네트워크는 그래프에서 노드를 벡터의 형태로 임베딩할 때, 해당 노드와 이웃 관계에 있는 노드들의 정보까지 담아서 학습하는 방법이다. 일반적으로 그래프 뉴럴 네트워크는 모든 연결된 노드들을 동등한 가중치로 생각하여 평균을 내는 방식을 사용함으로 그래프를 분석한다. 허나 이는 그래프의 구조적 연결성을 반영하지 못하였기 때문에 정확성과 신뢰도를 떨어뜨린다. 따라서 본 논문은 랜덤 워크의 점수를 통해 구조적 연결성과 유사성을 얻어내고 이를 그래프 뉴럴 네트워크에서 노드의 가중치로 부여함으로써, 노드 분류의 정확성을 높이는 방법을 제시한다. 또한 이를 노드 분류에서 실험하여 기존의 방법들과 비교한 결과로 우리 방법의 우수함을 보인다. Graph neural networks (GNNs) are deep learning-based embedding techniques that capture the local structures and features of graphs. Traditional GNNs assume that every neighbor node has the same influence as the target node. However, each neighbor has a different influence based on its connectivity in a graph. In light of this limitation, we propose a method to increase the accuracy of GNNs by obtaining the connectivities and similarities between nodes through a random walk with restart. We also show that our method provides better accuracy in node classification tasks than existing methods.
-
-
-
-
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
