'Electrical Engineering and Systems Science' 카테고리의 모든 글
이 논문은 비선형 시스템에서 이벤트 트리거드 제어를 통해 상태가 안정적으로 수렴하는 방법을 제시한다. 특히, 클라우드 기반의 제어 시스템에서 통신과 계산 자원을 효율적으로 사용하기 위해 이벤트 트리거드 알고리즘을 설계하고 이를 통해 비선형 시스템이 안정적으로 수렴하도록 한다. 제안된 방법은 클라우드 컴퓨팅 환경에서 시스템의 통신과 계산 자원을 최적화하며, 이는 다양한 산업 분야에서 실시간 제어와 모니터링에 활용될 수 있다. ###
이 논문에서는 2개 노드의 시계 동기화 및 거리 측정 문제를 분석합니다. 특히, 이들 노드가 시간-디지털 변환기를 사용하여 정확한 거리를 결정하는 경우에 집중하고 있습니다. 이러한 특정 설계 선택은 포착된 신호에 대한 톱니 모양 모델을 생성하며, 이를 추정 이론적 관점에서 연구한 적이 없습니다. 본 연구에서는 Freris, Graham 및 Kumar의 잘 알려진 논문에서 얻어진 기본 결론을 다시 확인합니다. 더 중요한 것은, 잡음을 통해 톱니 신호 모델에 대한 위상과 오프셋 매개변수 추정의 이론적 조건이 개선되는 놀라운 식별 결과를 발견한 것입니다. 연구의 완성도를 위해, 기본적인 추정 전략을 사용하여 다양한 실제 조건 하에서 톱니 신호 모델에 대한 시계 동기화 및 거리 측정 성능 기준을 제공하는 철저한 시뮬레이션 연구를 제시합니다. 이 논문의 공헌으로 인해, 향후 톱니 신호 모델의 추정 연구가 가능하며 이를 산업용 시계 동기화 및 거리 측정에 활용하기 위한 길을 열었습니다.
자율 주행 시스템(ADS)은 안전하고 편안하며 효율적인 운전 경험을 약속합니다. 그러나 ADS를 장착한 차량에 관련된 사망자가 증가하고 있습니다. 최신 기술의 강건성을 더욱 개선하지 않으면 ADS의 전체 잠재력은 실현될 수 없습니다. 이 논문에서는 미해결 문제들을 논의하고 자율 주행의 기술적 측면을 조사합니다. 현재 도전 과제, 고수준 시스템 아키텍처, 신규 메소드 및 핵심 기능(위치 추정, 맵핑, 인식, 계획, 인간-기계 인터페이스)에 대한 연구가 철저히 검토되었습니다. 또한 최신 기술을 자체 플랫폼에서 구현하고 다양한 알고리즘들을 실제 운전 환경에서 비교하였습니다. 논문은 ADS 개발을 위한 사용 가능한 데이터 세트와 도구들에 대한 개요로 마무리됩니다.
동적 네트워크에서 모듈 식별에 대한 최근 연구는 각 노드 간의 개요가 알려져 있는 상황에서 일관된 추정치를 얻기 위한 조건을 제시하고 있습니다. 이 조건은 일반적으로 여러 입력-단일 출력(MISO) 식별 설정에서 예측자 입력으로 취급되는 노드 신호 세트의 선택을 반영합니다. 본 논문에서는 서로 다른 노드 신호에 대한 과정 잡음이 상호 연관될 수 있는 경우에 대해 식별 설정을 확장하고 있습니다. 이러한 상황에서 로컬 모듈은 일관된 최대우도 추정치를 얻기 위해 다중 입력-다중 출력(MIMO) 식별 설정으로 포함되어야 할 수도 있습니다. 이는 혼란 변수의 적절한 처리가 필요합니다. 결과적으로, 주어진 네트워크 토폴로지와 간섭 상관 구조를 기반으로 MISO 또는 MIMO 식별 설정에서 예측자 입력과 출력으로 적절한 노드 신호 세트를 선택하는 알고리즘 세 가지가 제시됩니다. 사용되는 측정된 노드 신호의 최대 또는 최소 수, 또는 사전에 선택된 측정 노드 세트를 고려할 수 있습니다.
이 논문은 입력 포화 상태에서 추가 정보 교환을 기반으로 전역 및 준전역 조절된 상태 동기화에 대해 연구한다. 여기서 참조 궤도는 전역적으로 접근 가능한 것으로 가정되는 so-called exosystem에 의해 주어진다. 우리의 프로토콜 설계 방법론은 유향 네트워크의 위상이나 관련 Laplacian 행렬의 스펙트럼에 대한 지식을 필요로 하지 않는다. 더 나아가, 제안된 프로토콜은 확장 가능하며 임의 개수의 에이전트에 대해 동기화를 달성한다.
우리는 각각 부분적으로 정보가 있는 개인적인 신호를 받는 에이전트 그룹이 공동으로 학습하려고 하는 상황을 연구합니다. 이들은 세계의 진정한 기본 상태(유한 가설 집합 중 하나)를 찾아내려 합니다. 이를 해결하기 위해, 우리는 기존 접근법과 근본적으로 다른 분산 학습 규칙을 제안합니다. 기존 방식에서 사용되는 믿음 평균화 를 쓰지 않고, 에이전트는 믿음을 갱신하는 데 min-규칙을 사용합니다. 관찰 모델과 네트워크 구조에 대한 표준 가정 하에서 각 에이전트가 거의 확실히 진실을 학습한다는 것을 증명했습니다. 주요 기여로, 우리는 모든 잘못된 가설이 각 에이전트에 의해 지수적으로 빠르게, 네트워크 독립적인 비율로 배제됨을 확률 1에서 증명합니다. 또한, 우리가 개발한 학습 규칙의 계산 효율적인 변형은 예상치 못하게 행동하거나 정보를 왜곡하려는 에이전트(바이잔틴 적대자 모델로 표현)에 대해 증명적으로 견고하다는 것을 보여줍니다.
밀도 깊이 완성은 자율 시스템과 3D 재구성을 위해 필수적입니다. 이 논문에서는 효율성과 정확성 사이에서 좋은 균형을 이루는 경량화된 네트워크(S&CNet)를 제안합니다. 공간적 및 채널적 전역 범위 관계를 측정하기 위해 S&C 강화기라는 이중 스트림 주의 모듈을 도입하여 성능을 향상시킵니다. 이중 스트림 주의 모듈은 거친 추정 네트워크의 인코더와 디코더 사이에 삽입됩니다. 실험 결과는 제안된 접근법이 KITTI 데이터셋에서 기존 작업들과 경쟁적인 성능을 보여주지만 거의 4배 빠르다는 것을 입증합니다. S&C 강화기는 가산 계산 비용을 무시할 수 있을 정도로 적은 추가 비용으로 다른 기존 작업에 삽입되어 성능 향상을 크게 이룰 수 있습니다.
전 세계 드론 산업의 증가로 완전 자율 비행 드론의 가능성도 확대되었다. 본 논문은 특히 불규칙한 야외 환경에서 넓은 지역을 탐색하고 감시하는 작업에 사용되는 드론의 활용을 중심으로 연구를 진행했다. 이러한 환경의 주요 문제는 도로선이나 길 같은 구조화된 특징이 자율 비행을 돕지 못한다는 것이다. 본 논문에서는 End-to-End Multi-Task Regression-based Learning 접근법을 제안하여, GPS와 같은 추가 센서 없이 숲 아래에서 탐색과 항해를 위한 비행 명령을 정의할 수 있도록 하였다. 훈련 및 검증은 소프트웨어 인 루프 파이프라인을 사용하여 수행되며, 이는 최신 위치 추정 기법에 대한 상세한 평가를 가능하게 한다. 우리의 실험 결과는 제안된 접근법이 요구되는 탐색 범위 내에서 밀도 있는 탐사를 수행하고 더 넓은 탐색 영역을 커버하며, 이전에 보지 못했던 환경에도 일반화할 수 있고 현존하는 최고의 기술보다 우수하다는 것을 입증한다.
분산된 합 최소화에 대한 분산 해법은 많은 신호 처리, 제어 및 머신 러닝 애플리케이션에서 중요한 역할을 합니다. 이러한 환경에서는 데이터가 임의로 연결된 노드 네트워크에 분포되어 있으며 통신이나 개인 정보 보호 문제 때문에 원시 데이터 공유가 불가능한 경우가 많습니다. 본 논문에서는 분산 стоха스틱 최적화 방법을 검토하고 최근 개선 사항을 기반으로 그라디언트 추적 및 변동 감소에 초점을 맞추어 부드럽고 강하게 볼록한 목적 함수를 설명합니다. 주요 기술적인 아이디어의 직관적인 설명과 분산 머신 러닝 모델 학습에서 알고리즘의 활용 사례도 제공합니다.
The Painlev e paradox is a phenomenon that causes instability in mechanical systems subjects to unilateral constraints. While earlier studies were mostly focused on abstract theoretical settings, recent work confirmed the occurrence of the paradox in realistic set-ups. In this paper, we investigate the dynamics and presence of the Painlev e phenomenon in a twolinks robot in contact with a moving belt, through a bifurcation study. Then, we use the results of this analysis to inform the design of control strategies able to keep the robot sliding on the belt and avoid the onset of undesired lift-off. To this aim, through numerical simulations, we synthesise and compare a PID strategy and a hybrid force/motion control scheme, finding that the latter is able to guarantee better performance and avoid the onset of bouncing motion due to the Painlev e phenomenon.
본 연구는 연속 전도 모드에서 작동하는 실제 DC-DC 부커 컨버터의 간단한 그레이 박스 식별 접근 방법을 제안한다. 관찰된 동적 데이터에 대한 정보 부족 문제, 특히 상대적으로 좁은 입력 범위에서 얻어진 경우에 대해 해결하기 위해 부커 컨버터의 알려진 정적 특성을 사전 지식으로 활용한다. 후보 모델들의 정적 응답을 결정하는 간단한 방법을 개발하였고, 이 개념은 용어 클러스터의 개념을 기반으로 한다. 정적 행동에서 발생하는 오차는 구조 선택을 위한 다목적 프레임워크에 직접 통합된다. 본질적으로 제안된 접근 방식은 모델 생성의 편향-분산 딜레마를 균형 있게 조정하면서 사전 지식을 명시적으로 구조 선택 과정에 통합하는 다목적 프레임워크로 그레이 박스 식별 문제를 재구성한다. 실제 부커 컨버터의 경우를 고려한 연구 결과는 넓은 입력 범위에서 시스템의 동적 및 정적 행동을 모두 포착할 수 있는 경제적인 모델을 식별할 수 있음을 보여준다.
이 논문은 에너지 저장 시설을 갖추거나 그렇지 않은 재생 가능 에너지 공급업체 간의 지역 에너지 시장에서의 이중 독점 경쟁을 연구합니다. 저장 설비 투자는 재생 가능 에너지 공급 업체들의 출력 안정화를 가져올 수 있지만, 대규모 투자 비용뿐만 아니라 몇 가지 예상치 못한 시장 결과도 초래할 수 있습니다. 재생 가능 에너지 공급업체 간의 저장 설비 투자의 균형을 연구하기 위해 우리는 공급자와 소비자 간의 상호 작용을 3단계 게임 이론 모델로 모델링합니다. 제1단계에서 투자 기간의 시작 부분에, 공급자가 저장 설비를 투자할지 여부를 결정합니다. 이러한 결정이 이루어진 후 각 날짜의 일차 시장에서 공급자는 제2단계에서 경매 가격과 양을 결정하고, 이에 따라 소비자는 제3단계에서 각 공급자로부터 구입하는 전기량을 결정합니다. 실시간 시장에서는 실제 발전이 약속한 수준보다 부족하면 공급자가 처벌받습니다. 우리는 제2단계의 가격-양 경쟁 균형을 특성화하고, 제1단계에서 저장 투자 균형을 전기 판매 수익과 저장 비용을 포함하여 특성화합니다. 직관에 반해 재생 가능 에너지의 불확실성이 저장 설비 투자 없이 공급자의 이익을 안정적인 발전보다 더 높일 수 있다는 것을 보여줍니다. 시뮬레이션은 경쟁으로 인한 결과를 더욱 설명합니다. 예를 들어, 약속하지 않은 경우의 제재가 높거나 저장 비용이 높거나 소비자의 수요가 낮을 때 공급자의 이익이 증가할 수도 있습니다. 또한 우리는 저장 설비 투자가 공급자의 이익을 늘릴 수 있지만, 먼저 투자한 공급자는 안정화를 선택하지 않은 free-rider 경쟁사보다 더 적게 혜택을 받을 수 있다는 것을 보여줍니다.
정확한 지하 위치는 석유 및 가스 작업에서 매우 중요하지만, 전통적인 표면 기반 케이싱 컬러 라커(CCL) 모니터링에서는 신호 퇴화로 인해 정확성이 저하되는 경우가 많습니다. 이를 해결하기 위해 우리는 내장된 인공신경망을 사용한 실시간 컬러 인식 시스템을 제시합니다. 여기서는 ARM Cortex-M7 마이크로프로세서에 최적화된 가벼운 컬러 인식 네트워크 (CRNs)를 소개합니다. 시간 및 깊이 분리 합성곱을 활용함으로써, 우리의 가장 컴팩트한 모델은 계산 복잡도를 단지 8,208 MACs로 줄이는 동시에 F1 점수는 0.972를 유지합니다. 하드웨어 검증 결과 평균 추론 지연 시간이 343.2 μs라는 것을 확인하여, 심각한 전력 및 공간 제약을 가진 지하 장비 내에서 견고하고 자율적인 신호 처리가 가능함을 입증했습니다.
심전도(ECG)는 개인별 특성과 본래의 생명 신호로 인해 웨어러블 장치에서 신원 확인에 채택되고 있습니다. 그러나 기존 방법은 심장 박동을 동질적인 신호로 취급하는 경우가 많아, 심박 주기 내의 위상 특성을 간과합니다. 이를 해결하기 위해 우리는 세 단계 설계를 통해 교차 기능 얽힘을 명시적으로 피하도록 하는 계층적 위상 인식 융합(Hierarchical Phase-Aware Fusion, HPAF) 프레임워크를 제안합니다. 첫 번째 단계에서는 각 심박 위상을 독립적으로 표현하여 다른 위상에서의 간섭 없이 위상별 형태와 변동 캐치가 보존되는 Intra-Phase Representation(IPR)을 추출합니다. 두 번째 단계에서는 생리학적으로 관련된 위상들을 구조화된 방식으로 융합하는 Phase-Grouped Hierarchical Fusion(PGHF)을 통해 신뢰할 수 있는 보완적 위상 정보의 통합이 가능해집니다. 마지막 세 번째 단계에서 Global Representation Fusion(GRF)은 그룹화된 표현을 결합하고 기여를 적응적으로 균형시키는 것을 통해 통일적이고 구별력 있는 신원 표현을 생성합니다. 또한, ECG 신호가 지속적으로 수집되는 점에 착안하여 개인당 여러 심장 박동이 수집될 수 있다는 점을 고려해 Heartbeat-Aware Multi-prototype(HAM) 등록 전략을 제안하며, 이는 특정 심박 노이즈와 변동성을 감소시키기 위한 다중 프로토타입 갤러리 템플릿 세트를 구성합니다. 세 가지 공개 데이터셋에 대한 광범위한 실험은 HPAF가 다른 방법들과 비교하여 폐쇄 및 오픈 세팅 모두에서 최고의 결과를 달성함을 보여줍니다.
우리는 다차원 자기공명영상(MRI) 데이터의 표현과 재구성을 위한 새로운 접근 방식을 제시합니다. 우리의 방법은 기하학과 대조와 같은 다양한 종류의 특징들을 각각 독립적인 저차원 잠재 공간으로 분리하는 학습된 기반 이미지 표현을 기반으로 합니다. 이를 통해 다차원 이미지에서의 특징 상관관계를 더 잘 활용하고, 특정 특징 유형에 대한 사전 학습된 선입견(prior)을 재구성에 포함할 수 있습니다. 특히, 디코딩기 설계를 통한 스타일 기반 디코더로 강화된 인코더-디코더 네트워크와 대규모 공개 데이터를 사용한 이미지 전환 학습을 통해 이 분리가 이루어졌습니다. 각각의 특징 공간에 더 강력한 제약 조건을 부과하기 위해 잠재 확산 모델이 도입되었습니다. 새로운 재구성 수식 및 알고리즘은 학습된 표현을 제로샷 자기학습 적응과 부분공간 모델링과 통합하도록 개발되었습니다. 제안된 방법은 가속화된 T1 및 T2 매핑에서 우수한 성능을 보여주며, 특정 작업에 대한 감독 학습이나 미세 조정 없이도 최신 기술의 재구성 방법보다 향상된 성과를 얻었습니다. 이 연구는 문제나 작업에 특화된 데이터가 제한적인 상황에서 학습을 통한 다차원 이미지 재구성을 위한 새로운 전략을 제공합니다.
현재 주차 네비게이션 시스템은 주차 공간을 찾는 데 걸리는 시간을 고려하지 않아 총 이동 시간을 과소평가하는 경향이 있어, 이를 사용자 경험, 교통 수단 선택, 혼잡도 및 배출량에 영향을 미칩니다. 이러한 문제를 해결하기 위해 이 논문에서는 주차 가능성을 기반으로 한 확률에 의존한 주차 선택 문제를 제시합니다. 운전자에게 최적의 주차 위치로 안내하는 것이 목적입니다. 확률 정보를 바탕으로 한 결정을 내리는 유연한 동적 프로그래밍 프레임워크가 제안되었습니다. 폐쇄형 분석을 통해 특정 주차장에 목표를 설정하거나 대체 옵션을 탐색할 때 최적이며 예상 시간 비용도 결정됩니다. 감도 분석과 세 가지 예시 사례를 검토하여 모델의 동적인 주차 가능성을 고려하는 능력을 보여줍니다. 영구 센싱 인프라의 재정적 비용을 인정하면서, 확률적 관찰을 사용해 주차 가능성을 추정할 때 발생하는 오류에 대한 분석과 경험적 평가를 제공합니다. 미국 시애틀에서 수집된 실제 데이터를 이용한 실험은 이 접근법의 타당성을 보여주며, 관측 빈도가 증가함에 따라 절대 오차가 7%에서 2% 미만으로 감소했습니다. 데이터 기반 시뮬레이션에서는 확률을 고려한 전략이 확률을 고려하지 않는 기본 모델보다 최대 66%의 시간을 절약했지만, 목적지로 직접 이동하는 추정치보다는 최대 123% 더 오래 걸렸습니다.
발화 감정 분석은 여러 응용 사례를 가능하게 하는 중요한 작업입니다. 발화 내의 비언어적 소리도 발화에서의 감정 분석에 결정적인 역할을 합니다. 스마트폰의 널리 퍼진 사용으로, 마이크를 활용한 명령어 녹음을 이용해 기기 자체의 머신 러닝 모델로 감정 이해가 가능하게 되었습니다. 비언어적 정보는 주변 환경 소리와 현재 상황 및 진행 중인 활동을 설명합니다. 본 연구에서는 발화 내의 언어적(명령어)과 비언어적 소리(배경 음)를 모두 고려하여 실제 시나리오에서의 감정 분석을 수행하였습니다. 이를 위해 인도 EmoSpeech 명령어 데이터셋 이라는 자국적인 데이터셋을 작성하였습니다. 이 데이터셋은 다양한 감정과 배경 소리를 포함하고 있으며, 새로운 오디오 분석 도전 과제를 탐색하기 위한 목적으로 제시됩니다. 우리는 여러 기준 모델들과의 성능 지표별 비교를 철저히 진행하였습니다. 이를 통해 명령어 스팟팅을 위한 발화 명령어 데이터셋의 하위 집합에 대해 상위 1개 점수에서 평균적으로 3.3%의 유의미한 향상을 달성함을 보여주었습니다.
결집은 자연과 사회에서 보편적으로 나타나는 군집 행동의 하나로, 에이전트, 기업 또는 다른 물질들이 상태에 대한 합의를 유지하고 단일 집단으로 작동하는 것을 의미합니다. 이 논문에서는 n개의 독특한 초기 상태를 가진 이성적인 에이전트들의 결집을 고려합니다. 인구의 이성과 지능성을 고려하여, 결집 과정은 유일한 혼합 전략 나이시 균형 해를 갖는 이변량 게임으로 설명됩니다. 이 과정이 독립적인 확률 과정이 아니기 때문에 결집 과정을 분석하는 것이 어렵습니다. 제1 보렐-칸텔리 레마를 사용하여 모든 에이전트가 확률 1로 하나의 집단으로 결합할 것임을 증명합니다. 또한, 기대 결집 시간도 평가됩니다. 수익 함수가 거듭제곱 함수인 경우, 결집 시간의 분포와 기대값을 얻습니다. 마지막으로 이론적 결과의 유효성을 검증하기 위해 시뮬레이션 예제를 제공합니다.
우리는 피드백 선형화 가능한 시스템의 실시간 경로 계획과 피드백 제어를 위한 최적화 기반 프레임워크를 개발합니다. 이를 달성하기 위해, 목표 경로를 시간 변동 최적화 문제의 최적 해로 정의합니다. 그러나 일반적으로 그러한 경로는 비홀노믹 제약 조건 등으로 인해 실행 불가능할 수 있습니다. 이러한 문제를 해결하기 위해, 목표 경로에 점근적으로 수렴하는 실행 가능한 경로를 생성하는 제어 법칙을 설계했습니다. 즉, 동적 전체 상태 선형화 가능한 시스템에 대해 제안된 제어 법칙은 비선형 시스템을 충분히 높은 차수의 최적화 알고리즘으로 암시적으로 변환합니다. 우리는 최적화 알고리즘과 원래 시스템 모두에서 목표 경로로의 전역 지수 수렴을 증명했습니다. 제약 조건이 있는 다중 대상이나 다중 에이전트 추적 문제에서 우리의 방법의 효과를 보여줍니다.
비상사태 이후, 전력망, 수자원 네트워크, 교통시스템과 같은 중요한 인프라 시스템은 어느 공동체의 복지에 큰 역할을 합니다. 이러한 인프라 시스템들의 회복은 매우 중요하며, 그 회복 과정에는 제한된 자원(인력 수리 전문가와 기계)을 손상된 인프라 구성 요소에 할당하는 것이 포함됩니다. 결정자들은 리소스 할당의 결과에 대한 불확실성도 고려해야 합니다. 많은 선택지와 연속적인 결정의 결과에 대한 불확실성을 다루는 것은 쉽지 않으며, 이 문제는 mbox{NP-난이도}로 알려져 있습니다. 저희는 이러한 대규모 실제 문제에서 발생하는 방대한 수의 의사결정을 처리할 수 있는 새로운 의사결정 기법을 제안합니다. 또한 우리의 방법은 소수의 선택에 대한 성능을 기반으로 계산 자원의 활용을 적응적으로 결정하는 경험 학습 구성 요소를 가지고 있습니다. 저희 프레임워크는 클로즈드 루프이며, 그러한 의사결정 시스템에서 모든 매력적인 특성을 자연스럽게 통합합니다. 현재 선택에 대한 미래 효과를 고려하지 않는 단기적 접근법과 달리, 우리의 방법론은 예측 학습 구성 요소를 통해 솔루션에 emph{예지}를 효과적으로 통합합니다. 이를 위해 우리는 회귀 분석 이론, 마코프 의사결정 과정(MDP), 다중 팔대기 문제, 그리고 자연 재해로 인한 공동체 피해의 확률적 모델을 활용하여 위험으로부터 영향받은 공동체 복구를 위한 방법을 개발했습니다. 우리의 방법은 방대한 행동 공간을 가진 MDP에 대한 일반적인 문제 해결에도 기여합니다.
전기 그리드는 대부분의 동기 기계로 구성된 네트워크에서 풍력, 태양광 및 에너지 저장 장치와 같은 인버터 기반 자원(IBR)과 동기 기계가 혼합되어 있는 네트워크로 진화하고 있습니다. 이러한 변화는 시스템 내의 기계적 관성량을 줄이는 결과를 초래하였으며, 이에 따라 새로운 자원들이 인버터 인터페이스를 통해 주파수 반응을 제공해야 하는 필요성이 생겼습니다. 본 논문에서는 시스템에서 발생하는 장애 상황에서 인버터의 최적의 유동 전력 설정 값을 결정하기 위한 모델 예측 제어(MPC) 기반 새로운 전략을 제안합니다. 우리의 프레임워크는 전력 및 에너지에 대한 하드 제약 조건을 명시적으로 고려하고, 측정 노이즈와 통신 지연을 포함한 다양한 요인에 대해 강성성을 보여줍니다. 이를 위해 실시간으로 모델 불일치를 추정하기 위한 관찰기를 사용합니다. 표준 39-bus 시스템에서 여러 시나리오 아래에서 최적 조정된 가상 동기 기계와 비교했을 때 제안한 컨트롤러가 크게 우수함을 보여주었으며, 이는 최적화된 인버터 기반 자원이 전통적인 동기 기계보다 더 나은 주파수 반응을 제공할 수 있음을 시사합니다.
피어-투-피 거래는 경제적으로 주도적인 소비자(프로SUMER)가 에너지를 상품과 서비스로 거래하는 미래 지향적인 에너지 관리 기법입니다. 동시에, 피어-투-피 에너지 거래는 피크 수요를 줄이고 예비 용량 요구를 낮추며 네트워크 손실을 감소시켜 전력망에 도움이 될 것으로 기대됩니다. 그러나 전력망에서 대규모로 피어-투-피 거래를 배포하는 것은 가상 및 물리 계층의 거래를 모델링하기 위한 여러 가지 과제를 제기합니다. 따라서 이 논문은 피어-투-피 에너지 거래 기술에 대한 최신 연구의 포괄적인 검토를 제공하며, 이를 통해 피어-투-피 거래의 주요 특징과 전력망 및 프로SUMER에게 중요한 혜택을 개괄합니다. 그런 다음 우리는 가상 및 물리 계층에서 연구가 해결하려는 과제에 따라 기존 연구를 체계적으로 분류하고, 피어-투-피 거래의 문제를 해결하기 위해 널리 사용된 기술적 접근법들을 식별하고 논의합니다. 마지막으로, 이 논문은 잠재적인 미래 연구 방향을 제시하며 마무리됩니다.
피드백 기반 동적 라우팅은 교통 체계에서 일반적으로 사용되는 제어 전략 중 하나이다. 이와 같은 제어 전략들은 각 링크의 실시간 교통 상태에 대한 정보를 의존한다. 그러나 이러한 정보는 일시적인 센싱 오류로 인해 항상 관찰될 수 없다. 본 논문에서는 두 개의 병렬 경로에서 동적 라우팅을 고려하며, 각 링크의 센싱은 재발성과 무작위 오류를 포함한다. 이러한 오류들은 유한 상태 마르코프 체인에 따라 발생하고 해결된다. 만약 한 링크에서 센싱이 오류를 일으키면 그 링크의 교통 상태는 컨트롤러에게 0으로 보여진다. 본 논문은 마르코프 과정과 단조 동적 시스템 이론을 기반으로 네트워크의 안정성 조건을 설정하여 센싱 오류에 직면한 네트워크의 가용성을 나타내는 신뢰성 점수의 하한값과 상한값을 유도한다. 이러한 결과를 이용해 다양한 주요 매개변수가 네트워크의 신뢰성 점수에 미치는 영향을 연구하였다. 본 논문의 주요 결론은 다음과 같다 (i) 센싱 오류는 처리량을 줄이고 기본적으로 안정적인 네트워크를 불안정하게 만들 수 있다; (ii) 높은 고장률이 반드시 처리량을 감소시키지는 않으며, 최저 처리량을 낮추는 특정 고장률이 존재할 수 있다; (iii) 두 링크의 고장 확률 간 상관관계가 클수록 처리량이 증가한다; (iv) 두 링크 사이의 용량 차이가 클 경우 처리량이 감소할 수 있다.
과거 몇 년 동안 딥러닝 기반의 스테가널라이저의 탐지 성능 향상은 대부분 구조 확장에 의해 이루어졌습니다. 그러나 과도한 구조 확장은 거대한 계산 비용, 저장 공간 부담을 초래하고 결국 학습과 배포를 어렵게 만듭니다. 본 논문에서는 기존의 방대하고 과하게 파라미터화된 딥러닝 기반 스테가널라이저의 네트워크 구조를 축소하기 위한 ChAnneL-Pruning-Assisted 깊은 잔차 네트워크 아키텍처 탐색 접근 방식인 CALPA-NET을 제안합니다. 본 논문에서는 기존 딥러닝 기반 스테가널라이저의 광범위한 역피라미드 구조가 잘 확립된 모델 다양성 중심 철학과 상충될 수 있으며, 따라서 스테가널리시스에 적합하지 않다는 것을 관찰합니다. 그런 다음 데이터 주도 방식으로 모든 관련 컨볼루션 레이어를 자동으로 축소시키는 두 가지 네트워크 가위 작업 기법을 결합한 하이브리드 기준을 도입합니다. 결과적으로 형성된 네트워크 아키텍처는 가늘고 목구멍 같은 구조를 보여줍니다. 우리는 BOSSBase+BOWS2 데이터셋, 더 다양한 ALASKA 데이터셋 및 심지어 ImageNet CLS-LOC 데이터셋에서 추출한 대규모 하위 집합에 대한 광범위한 실험을 수행했습니다. 실험 결과는 제안된 CALPA-NET으로 생성된 모델 구조가 원래 스테가널리시스 모델의 약 2% 미만의 파라미터와 약 1/3의 FLOPs로도 비교 가능한 성능을 달성할 수 있음을 보여줍니다. 새로운 모델은 더 나은 적응성, 전이 가능성 및 확장성을 갖추고 있습니다.
오토메이티드 스피치 인식(ASR) 모델은 가상 어시스턴트, 실시간 자막 생성, 임상 기록 작성 등 다양한 분야에서 중요한 역할을 하고 있습니다. 그러나 이러한 시스템들은 적대적 공격에 취약하며, 이로 인해 인식 정확도나 추론 효율성이 크게 저하될 수 있습니다. 본 논문에서는 대표적인 ASR 모델인 Whisper 가족의 안정성을 평가하기 위해 새로운 공격 방법 **MORE**를 제안합니다. **MORE**는 정확성과 효율성을 동시에 해치는 다목적 공격 방법으로, 이전 연구들이 주로 정확도에만 초점을 맞춘 것과 달리, 더 종합적인 모델 취약점 평가를 가능하게 합니다.
(이 논문에서는 다중 기능 지능형 표면(MF-RIS)을 사용하여 하향 링크 NOMA 네트워크의 에너지 효율을 높이는 방법에 대해 연구합니다. MF-RIS는 신호 반사, 전송, 증폭 및 무선 에너지를 수확하는 기능을 결합하고 있습니다. 이를 통해 시스템의 에너지 효율과 배치 유연성을 향상시킵니다. 또한 하이브리드 딥 강화 학습(DRL) 기법을 이용하여 복잡한 연속-이산 행동 공간에서 적응적인 정책 학습을 구현합니다.)
인공지능 모델은 특히 컴퓨터 단층 촬영 및 자기 공명 영상 기술을 활용한 급성 혈관 Occlusion 뇌졸중 영상 분석에서 강력한 잠재력을 보여주고 있다. 그러나 대부분의 기존 접근 방식들은 불확실성을 명시적으로 인지하지 않거나 모호한 조건 하에서 구조화된 중단 메커니즘을 갖추지 않는 블랙박스 예측기를 운영한다. 이 한계는 고위험 응급 영상의학 환경에서 심각한 안전 및 신뢰성 문제를 일으킨다. 본 논문에서는 급성 혈관 Occlusion 뇌졸중 영상 분석에 대한 불확실성을 인지하고 중단 가능한 의사결정 지원을 위한 설명 가능하고 에이전트 기반 AI 프레임워크를 제안한다. 이 프레임워크는 모듈형 에이전트 파이프라인을 따르며, 여기서 인식 에이전트는 병변 감지 영상 분석을 수행하고, 불확실성 추정 에이전트는 슬라이스 수준의 예측 신뢰도를 계산하며, 의사결정 에이전트는 사전 정의된 불확실성 임계값에 따라 예측을 내보내거나 중단할지 결정한다. 이 프레임워크는 기존의 뇌졸중 영상 시스템들이 주로 분할 또는 분류 정확도를 향상시키는데 초점을 맞추는 것과 달리, 임상 안전성, 투명성 및 임상 의사와 일치하는 의사결정 행동을 명시적으로 우선시한다. 대표적인 뇌졸중 영상 시나리오에 대한 질적 및 사례 기반 분석은 진단적으로 모호한 지역과 정보가 적은 슬라이스에서 불확실성에 따른 중단이 자연스럽게 발생함을 보여준다. 이 프레임워크는 예측 및 중단 결정을 지원하기 위해 시각적 설명 메커니즘을 통합하여 기존의 불확실성을 인식한 의료 영상 시스템의 주요 한계를 해결한다. 성능 벤치마크를 도입하는 것이 아닌, 이 연구는 안전하고 신뢰할 수 있는 의료 이미징 AI 시스템 개발을 위한 필수 설계 원칙으로 에이전트 제어, 불확실성 인식 및 선택적 중단을 제시한다.
플라세น타 아크레타 스펙트럼(PAS)은 자궁벽으로의 비정상적인 태반 침습을 포함하는 산부인과에서 생명을 위협하는 합병증입니다. 모성 및 신생아 위험성을 줄이기 위해서는 조기에 정확한 임신 중 진단이 필수적입니다. 본 연구의 목적은 다양한 영상 모달리티를 통합하여 PAS 검출을 향상시키는 딥러닝 프레임워크를 개발하고 검증하는 것입니다. 3차원 자기 공명 영상(MRI)과 2차원 초음파(US) 스캔을 결합한 중간 특성 수준 융합 아키텍처를 사용하여 다중 모달 딥러닝 모델을 설계하였습니다. 체계적인 비교 분석 후, MRI용 3D DenseNet121-비전 트랜스포머와 US용 2D ResNet50을 단일 모달 특성 추출기로 선택했습니다. 1,293개의 MRI 및 1,143개의 US 스캔으로 구성된 정제 데이터셋을 사용하여 단일 모달 모델을 훈련하고, 다중 모달 모델 개발과 평가를 위해 환자 매칭 MRI-US 스캔 쌍 샘플을 분리했습니다. 독립적인 테스트 세트에서 다중 모달 융합 모델은 92.5%의 정확도와 수신기 작동 특성 곡선(AUC) 아래 넓이인 0.927의 우수한 성능을 달성하여 MRI만(82.5%, AUC 0.825) 및 US만(87.5%, AUC 0.879) 모델보다 더 나은 결과를 보였습니다. MRI와 US 특성을 통합하면 진단 정보가 서로 보완되어 임신 중 위험 평가를 향상시키고 환자 결과를 개선할 수 있는 강력한 가능성을 보여줍니다.
정확한 그리드 로드 예측은 안전에 중요합니다 과소예측은 공급 부족의 위험을 초래하고, 대칭 오차 메트릭은 이러한 운영 비대칭성을 가리게 됩니다. 우리는 MAPE를 넘어서 일방적인 신뢰성 리스크를 정량화하기 위한 운영자에게 이해가 쉬운 평가 프레임워크 -- 과소예측률(UPR), 꼬리 예비율(Reserve$_{99.5}^{ %}$) 요구사항, 명시적인 부기 진단(Bias$_{24h}$/OPR) -- 을 도입합니다. 이 프레임워크를 사용하여 2023년 11월부터 2025년 11월까지의 캘리포니아 독립계통연산자(CAISO) 데이터(5개 지역 전송 영역을 아우르는 84,498건의 시 hourly 기록)에서 롤링-오리진 워크포워드 백테스트를 통해 상태공간 모델(Mamba 변종)과 강력한 베이스라인을 평가하고 이러한 구조에 대한 열 지연 정렬된 날씨 융합 전략을 개발 및 평가합니다. 우리의 결과는 표준 정확도 메트릭이 운영 안전성의 부적절한 대리지표임을 보여줍니다 MAPE가 유사하더라도 모델은 실질적으로 다른 꼬리 예비 요구사항(Reserve$_{99.5}^{ %}$)을 암시할 수 있습니다. 우리는 명시적인 날씨 통합이 오차 분포를 좁혀 온도에 따른 수요 급증의 영향을 감소시키는 것을 보여줍니다. 또한 확률적 교정은 큰 오류 이벤트를 줄이지만, 시스템적인 스케줄 부기로 이어질 수 있습니다. 우리는 꼬리 위험을 최소화하고 무의미한 과예측을 방지하는 객관적으로 평가 가능한 타협점을 가능하게 하는 Bias/OPR 제약 목표를 도입합니다.
본 논문은 다양한 딥러닝 모델이 감성 분석 작업에 미치는 효과를 탐구합니다. 게이트드 순환 단위(GRUs)와 장단기 메모리(LSTMs) 네트워크를 비교한 결과, 특정 상황에서는 GRUs가 더 나은 성능을 보임을 발견했습니다. 이 연구는 RNN 아키텍처의 차이가 자연어 처리 결과에 어떻게 영향을 미치는지 이해하는 데 기여합니다.
농작물 수확량 예측은 전 세계 식량 안보와 경제적 안정에 중추적인 역할을 하지만, 기후 변화, 인구 증가 및 불규칙한 날씨 패턴으로 인해 점점 더 큰 압력을 받고 있습니다. 정확한 농작물 수확량 예측은 정부 정책, 공급망 안정화, 농업 기업 물류 그리고 농민들의 관수, 비료 사용 및 수확 일정에 대한 결정을 위한 정보를 제공하는데 필수적입니다. 이러한 필요성은 한 지역의 생산 충격이 국제 시장 전체로 급속히 확산되는 경향으로 인해 더욱 절실해졌습니다. 지구관측(EO), 농기상학 및 기계 학습(ML) 분야에서 이루어진 주요 진전은 데이터 주도의 농업 예측 가능성을 크게 확장시켰습니다. 개방형 EO 프로그램인 코페르니쿠스 센티넬 임무는 높은 공간적 및 시간적 해상도로 광학, 레이더 및 대기 측정을 제공하며 작물 상태를 상세하게 모니터링할 수 있도록 합니다. MODIS의 장기간 식생 지수는 큰 지역에서 식물학적 분석을 가능하게 하며, ERA5-Land와 NASA POWER 등 기후 데이터셋은 온도, 강수량, 복사량, 습도 및 바람과 같은 농업 생산성의 주요 촉진 요인에 대한 전 세계적으로 일관된 정보를 제공합니다. 또한, SoilGrids와 SRTM의 보조 환경 데이터셋은 토양 구조, 탄소 함량, pH, 고도, 경사 및 미기후적 영향을 설명합니다. 그러나 이러한 진전에도 불구하고 농작물 수확량 예측 모델의 실용적인 개발은 지속적으로 데이터 공학적 병목 현상에 제한받고 있습니다. 대부분의 연구는 특정 작물, 지역 또는 시간대를 대상으로 맞춤형 파이프라인을 구축하는데, 이 과정에서 다양한 데이터셋을 통합하고 공간 및 시간 해상도를 조화시키기 위한 수작업이 많이 필요합니다. 심지어 최신 다중 모드의 심층 학습 접근 방식조차 복잡한, 수작업이 필요한 전처리 워크플로우에 의존하고 있습니다. 이러한 문제를 해결하기 위해 **UniCrop**을 소개합니다. UniCrop는 농작물 수확량 예측을 위한 다중 출처 환경 데이터의 획득, 조화 및 변환을 자동화하는 보편적이고 구성 설정에 따른 데이터 파이프라인입니다. UniCrop은 필요한 변수 지정과 구현을 분리하여 사용자가 단순한 구성 파일을 수정함으로써 새로운 작물이나 지역에 파이프라인을 적응시킬 수 있도록 합니다.
이 연구는 인공지능 기반의 데이터 분석 방법을 개발하고, 이를 다양한 실시간 트래픽 예측 모델에 적용하여 성능을 평가했습니다. 특히, 우리의 접근법은 기존 방법보다 더 빠르고 정확한 결과를 제공합니다.
이 논문은 파라llx와 깊이 변화로 특징지어지는 난관 많은 실제 환경에서 구조적 정확성을 우선시하는 기하학 중심 이미지 스테칭 접근 방식인 SENA(SEamlessly NAtural)를 소개한다. 전통적인 이미지 스테칭은 동차변환 대상을 사용하지만, 이 엄격한 평면 가정은 장면의 깊이가 큰 듀얼 카메라 구조에서 종종 실패하여 가시적 왜곡과 구형 부풀림 등의 문제가 발생한다. SENA는 세 가지 핵심 기여를 통해 이러한 근본적인 한계를 해결한다. 첫째, 전역 아핀 초기화와 로컬 아핀 개선 및 매끄러운 자유 형태 변형을 결합하는 계층적 아핀 기반 왜곡 전략을 제안한다. 이 설계는 현지 모양, 평행성, 측면 비율을 유지함으로써 동차변환 모델에 의해 일반적으로 발생하는 환시 구조적 왜곡을 피한다. 둘째, RANSAC 필터링된 특징 대응의 깊이 일관성을 통해 직접 패럴랙스 최소화 영역을 감지하는 기하학 중심 적절한 영역 탐지 메커니즘을 도입한다. 세미어틱 분할에 의존하지 않는다. 셋째, 이 적절한 영역 위에 앵커 기반 경계선 자르기 및 분할을 수행하여 이미지 쌍 간의 일대일 기하학적 대응을 강제함으로써 최종 팬오라마에서 유령 효과, 중복 및 번짐 아트팩트를 효과적으로 제거한다. 난관 많은 데이터셋에 대한 광범위한 실험은 SENA가 선두 동차변환 기반 방법들과 비교할 수준의 정렬 정확도를 달성하면서 모양 보존, 텍스처 무결성 및 전체적인 시각적 현실감과 같은 중요한 시각적 메트릭에서 그들을 크게 능가함을 보여준다.
우리는 제한적인 어노테이션 조건에서도 성능을 향상시키기 위해 SASNet, 즉 이중 분기 반감독 세분화 네트워크를 제안합니다. 스케일 인식 적응 가중 전략은 선택적으로 픽셀 단위 결과를 합쳐 더 신뢰할 수 있는 집합 예측을 생성합니다. 또한 관점 변동 증강 메커니즘은 다양한 관점과 스케일에 따른 어노테이션 차이를 시뮬레이션하여 견고성과 세분화 정확도를 향상시킵니다.
코드 스위칭은 다언어 화자들이 두 가지 이상의 언어를 혼합하여 대화하는 일상적인 관행입니다. 이는 자동 음성 인식(ASR)에서 특히 어려운 문제로, 화자가 언어 간 전환 시intonation, 리듬, 발음 등을 조정하므로 ASR 시스템은 이러한 변화를 실시간으로 추적해야 합니다. 그러나 실제 코드 스위칭 데이터셋의 부재가 모델 성능을 크게 제한합니다. 이 논문에서는 TTS(TTS Text-to-Speech) 합성 음성을 이용하여 이러한 문제를 해결하는 방법을 제시하고, 이를 통해 ASR 시스템의 성능을 개선할 수 있음을 보여줍니다.
본 연구에서는 알려지지 않은 비선형 동역학의 확률적 데이터 기반 안전 검증을 위한 확장 가능한 접근 가능성을 기반으로 하는 프레임워크를 제안합니다. 이에 Koopman 이론과 신경망(NN) 리프팅 함수를 사용하여 동역학의 근사 선형 표현을 학습하고, 이러한 공간에서 참조 궤적 분포의 클로즈드-루프 추적을 가능하게 하는 선형 제어기를 설계합니다. 클로즈드 루프 접근 가능한 집합은 리프팅된 공간에서 효율적으로 계산되며, NN 검증 도구를 통해 원래 상태 공간으로 다시 매핑됩니다. Koopman 동역학과 실제 시스템 간의 모델 불일치를 포착하기 위해 통계적 유효성을 갖는 오차 한계를 생성하기 위한 콘포멀 예측을 적용합니다. 이를 통해 사용자가 지정한 확률로 실제 궤적이 포함되도록 접근 가능 집합이 팽창됩니다. 이러한 경계는 참조에 따라 일반화되어 재사용 없이 재계산할 필요가 없습니다. 11차원 호퍼, 28차원 스위머로 구성된 고차원 MuJoCo 작업과 12차원 퀼코pter에서의 결과를 통해 기존 방법보다 개선된 접근 가능 집합 커버리지 비율, 계산 효율성 및 보수성을 확인할 수 있습니다.
검색어를 입력하세요