KR20160062469A - Apparatus for estimating parameter of debris flow deposition model and method thereof - Google Patents
Apparatus for estimating parameter of debris flow deposition model and method thereof Download PDFInfo
- Publication number
- KR20160062469A KR20160062469A KR1020140165238A KR20140165238A KR20160062469A KR 20160062469 A KR20160062469 A KR 20160062469A KR 1020140165238 A KR1020140165238 A KR 1020140165238A KR 20140165238 A KR20140165238 A KR 20140165238A KR 20160062469 A KR20160062469 A KR 20160062469A
- Authority
- KR
- South Korea
- Prior art keywords
- sample
- learning
- pseudo
- generated
- learning sample
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Description
본 발명은 토석류 피해 예측 방안에 관한 것으로서, 특히, 토석류 피해범위를 예측할 수 있는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치 및 그 방법에 관한 것이다.More particularly, the present invention relates to an apparatus and method for estimating a parameter of a unsteady sediment model capable of predicting the extent of a debris flow.
우리나라의 토석류 피해는 국지적으로 밀집되는 양상을 보이고 있어 토석류 피해 위험 지역을 예측하고 이를 통해 사방구조물의 적지 선정 및 경계피난 체제 구축을 통해 피해의 규모를 줄일 수 있는 방법에 대한 연구개발이 활발히 이루어지고 있다.Since the destructive destruction of Korea is showing localized densities, research and development on ways to reduce the scale of damages through the selection of appropriate sites for four-way structures and construction of boundary evacuation system are actively conducted have.
이러한 토석류에 의한 피해지 예측을 위해 토석류 퇴적 모델이 사용되는데, RWM(Random Walk Model)은 토석류의 퇴적 행태를 나타내기에 적합한 모델이다. RWM은 토석류가 하류로 내려올 때 경사가 급한 곳으로 진행한다는 가정 하에 이동방향 및 퇴적 위치를 결정하며 이를 위해 1회에 흘러내리는 토사량(1회유송량), 토석류 이동시 유체의 직진성(관성가중치), 토석류가 퇴적하는 경사도 (정지조건) 등 3개의 매개변수를 통해 토석류의 이동 및 피해범위를 예측한다.For the prediction of the damage caused by these debris, a sedimentary rock model is used. RWM (Random Walk Model) is a suitable model for showing the sedimentation behavior of the rock mass. RWM determines the direction of movement and the position of sedimentation on the assumption that the slope goes to a point where the slope moves downward when the soil is downward. To this end, the amount of soil flowing down once (flow rate once), the straightness (inertia weight) , And the degree of inclination (sedimentation condition) of sedimentation.
토석류 모델을 적용함에 있어 관건은 위의 세 가지 파라미터의 값을 결정하는 것이다. 그러나 기존에 사용되는 토석류 퇴적 모델의 파라미터 추정은 측정 가능한 입력 값들과 RWM(Random Walk Model) 파라미터 사이의 관계가 명확하게 알려져 있지 않고, 사용할 수 있는 데이터의 개수가 제한적이라는 문제점이 있다.The key to applying a metamorphic model is to determine the values of these three parameters. However, there is a problem that the relationship between the measurable input values and the RWM (Random Walk Model) parameter is not clearly known, and the number of usable data is limited.
따라서 이러한 종래 기술의 문제점을 해결하기 위한 것으로, 본 발명의 목적은 인공 신경망을 이용하여 기존 샘플로부터 의사 샘플을 생성하고 생성된 의사 샘플을 기반으로 토석류 퇴적 모델의 파라미터를 추정하되, 커널 밀도 추정법을 이용하여 비전형적인 학습 샘플을 제거하도록 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치 및 그 방법을 제공하는데 있다.SUMMARY OF THE INVENTION Accordingly, the present invention has been made keeping in mind the above problems occurring in the prior art, and an object of the present invention is to provide a method and apparatus for generating a pseudo sample from an existing sample using an artificial neural network, And to eliminate the atypical learning sample by using the method of the present invention.
그러나 본 발명의 목적은 상기에 언급된 사항으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.However, the objects of the present invention are not limited to those mentioned above, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.
상기 목적들을 달성하기 위하여, 본 발명의 한 관점에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치는 토석류 피해현장에서 실측한 값의 통계적인 토석류 데이터를 입력 받으면, 입력 받은 상기 토석류 데이터를 기반으로 학습 샘플을 선택하는 학습샘플 선택부; 선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 의사 샘플을 생성하는 의사샘플 생성부; 및 생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 상기 선택된 학습 샘플 중 학습에 이용 가능한 전형적인 학습 샘플을 결정하는 학습샘플 결정부를 포함할 수 있다.In order to achieve the above objects, an apparatus for estimating a parameter of a debris deposition model according to one aspect of the present invention, when receiving statistical debris flow data of a value measured at a damage site of a debris flow, A learning sample selection unit for selecting a sample; A pseudo sample generation unit for generating a pseudo sample using the pseudo sample neural network based on the selected learning sample; And a learning sample determiner for determining a typical learning sample available for learning among the selected learning samples using a kernel density function estimation technique based on the generated pseudo sample.
바람직하게, 상기 학습샘플 선택부는 입력 받은 상기 토석류 데이터를 기반으로 인공 신경망을 이용하여 상기 학습 샘플을 선택하는 것을 특징으로 한다.Preferably, the learning sample selection unit selects the learning sample using the artificial neural network based on the input undistorted data.
바람직하게, 상기 의사샘플 생성부는 선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 학습하여 그 학습한 결과로 의사 샘플을 생성하되, 상기 의사 샘플은 N개의 샘플이 주어진 경우 N개의 가우스 분포에서 생성된 의사 샘플과 원 샘플의 합인 것을 특징으로 한다.Preferably, the pseudo sample generator generates pseudo samples by learning using the pseudo-sample neural network based on the selected learning samples and as a result of the learning, wherein the pseudo samples are generated from N Gaussian distributions given N samples, Is a sum of a pseudo sample and a circular sample.
바람직하게, 상기 학습샘플 결정부는 생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 의사 샘플에 포함된 잡음 샘플 또는 비전형적 학습 샘플을 제거하여 전형적 학습 샘플을 결정하는 것을 특징으로 한다.Preferably, the learning sample determining unit determines a typical learning sample by removing a noise sample or an atypical learning sample included in a pseudo sample using a kernel density function estimation technique based on the generated pseudo sample.
바람직하게, 상기 학습샘플 결정부는 생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 확률밀도를 추정하고, 그 추정한 결과로 상기 확률밀도가 가장 낮은 샘플을 상기 비전형적 학습 샘플로 제거하는 것을 특징으로 한다.Preferably, the learning sample determining unit estimates a probability density using a kernel density function estimation technique based on the generated pseudo sample, and removes a sample having the lowest probability density as the at least one non-typical learning sample .
본 발명의 다른 한 관점에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법은 토석류 피해현장에서 실측한 값의 통계적인 토석류 데이터를 입력 받으면, 입력 받은 상기 토석류 데이터를 기반으로 학습 샘플을 선택하는 학습샘플 선택단계; 선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 의사 샘플을 생성하는 의사샘플 생성단계; 및 생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 상기 선택된 학습 샘플 중 학습에 이용 가능한 전형적인 학습 샘플을 결정하는 학습샘플 결정단계를 포함할 수 있다.A method for estimating a parameter of a debris deposition model according to another aspect of the present invention is a method for estimating parameters of a debris flow model, Selection step; A pseudo sample generation step of generating a pseudo sample using the pseudo sample neural network based on the selected learning sample; And a learning sample determining step of determining a typical learning sample available for learning among the selected learning samples by using a kernel density function estimation technique based on the generated pseudo sample.
바람직하게, 상기 학습샘플 선택단계는 입력 받은 상기 토석류 데이터를 기반으로 인공 신경망을 이용하여 상기 학습 샘플을 선택하는 것을 특징으로 한다.Preferably, the learning sample selection step selects the learning sample using the artificial neural network based on the input undistorted data.
바람직하게, 상기 의사샘플 생성단계는 선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 학습하여 그 학습한 결과로 의사 샘플을 생성하되, 상기 의사 샘플은 N개의 샘플이 주어진 경우 N개의 가우스 분포에서 생성된 의사 샘플과 원 샘플의 합인 것을 특징으로 한다.Preferably, the pseudo-sample generation step includes learning the pseudo-sample neural network based on the selected learning sample and generating a pseudo sample as a result of the learning, wherein the pseudo sample is generated from N Gaussian distributions And is a sum of the generated pseudo sample and the original sample.
바람직하게, 상기 학습샘플 결정단계는 생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 의사 샘플에 포함된 잡음 샘플 또는 비전형적 학습 샘플을 제거하여 전형적 학습 샘플을 결정하는 것을 특징으로 한다.Preferably, the learning sample determining step determines a typical learning sample by removing a noise sample or an atypical learning sample included in a pseudo sample using a kernel density function estimation technique based on the generated pseudo sample .
바람직하게, 상기 학습샘플 결정부는 생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 확률밀도를 추정하고, 그 추정한 결과로 상기 확률밀도가 가장 낮은 샘플을 상기 비전형적 학습 샘플로 제거하는 것을 특징으로 한다.Preferably, the learning sample determining unit estimates a probability density using a kernel density function estimation technique based on the generated pseudo sample, and removes a sample having the lowest probability density as the at least one non-typical learning sample .
이를 통해, 본 발명은 인공 신경망을 이용하여 기존 샘플로부터 의사 샘플을 생성하고 생성된 의사 샘플을 기반으로 토석류 퇴적 모델의 파라미터를 추정하되, 커널 밀도 추정법을 이용하여 비전형적인 학습 샘플을 제거하도록 함으로써, 연관성이 적은 특징을 제거할 수 있는 효과가 있다.Accordingly, the present invention generates a pseudo sample from an existing sample using an artificial neural network, estimates a parameter of a debris deposition model based on the generated pseudo sample, and removes an atypical learning sample using a kernel density estimation method, It is possible to eliminate features with low relevance.
또한, 본 발명은 커널 밀도 추정법을 이용하여 연관성이 적은 특징을 제거하기 때문에, 토석류 퇴적 모델의 안정적인 파라미터 추정이 가능할 수 있는 효과가 있다.In addition, since the present invention eliminates features having low relevance using the kernel density estimation method, it is possible to estimate stable parameters of a soil-and-stone deposition model.
또한, 본 발명은 커널 밀도 추정법을 이용하여 토석류 퇴적 모델의 안정적인 파라미터 추정이 가능하기 때문에 토석류 피해예측의 정밀도를 향상시킬 수 있는 효과가 있다.In addition, since the present invention enables stable parameter estimation of a debris deposition model by using a kernel density estimation method, there is an effect that precision of destruction debris damage prediction can be improved.
도 1은 본 발명의 일 실시예에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치를 나타내는 도면이다.
도 2a 내지 도 2b는 가우시안 분포를 이용하여 생성된 의사 샘플을 보여주는 도면이다.
도 3a 내지 도 3b는 가우시안 분포와 커널 밀도를 추정한 예를 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법을 나타내는 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a diagram showing an apparatus for estimating parameters of a metamorphic sediment model according to an embodiment of the present invention; FIG.
2A and 2B are diagrams showing pseudo samples generated using the Gaussian distribution.
FIGS. 3A and 3B are diagrams illustrating an example of estimating a Gaussian distribution and a kernel density. FIG.
FIG. 4 is a diagram illustrating a method for estimating a parameter of a debris deposition model according to an embodiment of the present invention.
이하에서는, 본 발명의 실시예에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치 및 그 방법을 첨부한 도면을 참조하여 설명한다. 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 상세히 설명한다.Hereinafter, an apparatus and method for estimating parameters of a soil-and-stone-deposition model according to an embodiment of the present invention will be described with reference to the accompanying drawings. The present invention will be described in detail with reference to the portions necessary for understanding the operation and operation according to the present invention.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 불구하고 동일한 참조부호를 부여할 수도 있다. 그러나, 이와 같은 경우라 하더라도 해당 구성 요소가 실시예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시예에서의 각각의 구성요소에 대한 설명에 기초하여 판단하여야 할 것이다.In describing the constituent elements of the present invention, the same reference numerals may be given to constituent elements having the same name, and the same reference numerals may be given thereto even though they are different from each other. However, even in such a case, it does not mean that the corresponding component has different functions according to the embodiment, or does not mean that the different components have the same function. It should be judged based on the description of each component in the example.
특히, 본 발명에서는 인공 신경망을 이용하여 기존 샘플로부터 의사 샘플을 생성하고 생성된 의사 샘플을 기반으로 토석류 퇴적 모델의 파라미터를 추정하되, 커널 밀도 추정법을 이용하여 비전형적인 학습 샘플을 제거하도록 하는 새로운 방안을 제안한다.In particular, in the present invention, a pseudo-sample is generated from an existing sample using an artificial neural network, a new method for estimating a parameter of a debris-accumulating model based on the generated pseudo-sample, and removing an atypical learning sample using a kernel density estimation method .
도 1은 본 발명의 일 실시예에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치를 나타내는 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a diagram showing an apparatus for estimating parameters of a metamorphic sediment model according to an embodiment of the present invention; FIG.
도 1에 도시한 바와 같이, 본 발명에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치는 학습샘플 선택부(110), 의사샘플 생성부(120), 학습샘플 결정부(130)를 포함할 수 있다.1, an apparatus for estimating parameters of a soil-and-stone-deposition model according to the present invention includes a learning
학습샘플 선택부(110)는 토석류 피해현장에서 실측한 값의 통계적인 토석류 데이터를 입력 받아 입력 받은 토석류 데이터를 기반으로 인공 신경망을 통해 학습 샘플을 선택할 수 있다. 이렇게 입력 받은 데이터는 토석류 피해범위를 예측할 수 있는 토석류 퇴적 모델의 파라미터를 추정하기 위한 입력 변수로 사용될 수 있다.The learning
이때, 실측한 값과 파라미터 사이의 연관성이 명확하게 밝혀져 있지 않고 이 실측한 값들은 해당 피해 지역에 대한 값이기 때문에 전국적인 값으로 볼 수 없다. 즉, 입력과 출력의 조건을 명시적으로 표현할 수 없다. 따라서 본 발명에서는 인공 신경망을 이용하여 유사한 성격을 가진 지역에서는 유사한 파라미터 값을 갖는 것으로 추정한다.At this time, the correlation between the measured value and the parameter is not clear, and the measured values can not be regarded as nationwide values because they are values for the affected area. That is, the conditions of input and output can not be expressed explicitly. Therefore, in the present invention, it is assumed that artificial neural networks have similar parameter values in regions having similar characteristics.
이러한 토석류 퇴적 모델의 파라미터는 1회에 흘러내리는 토사량을 나타내는 1회 토사량, 토석류가 퇴적하는 경사도를 나타내는 정지 조건, 토석류 이동 시 유체의 직진성을 나타내는 관성 가중치를 포함한다.The parameter of the soil-bedding model includes a soil-bedding amount indicating the amount of soil flowing down at one time, a stopping condition indicating the degree of inclination of the soil-bedding, and an inertia weight indicating the straightness of the fluid at the time of moving the soil.
의사샘플 생성부(120)는 선택된 학습 샘플을 기반으로 의사 샘플 신경망(Pseudo Sample Neural Network)을 이용하여 다수의 의사 샘플을 생성할 수 있다.The pseudo
이때, 의사 샘플 신경망은 신경망의 변형으로 학습 샘플의 구성에서 차이점이 있고 학습 및 평가 방법은 신경망과 동일하다. 이러한 의사 샘플 신경망은 학습 샘플의 크기가 작은 경우 학습된 신경망이 국부 최적해에 빠져 성능이 저하되는 문제를 보완하기 위해 제안된 방법이다. 즉, 의사 샘플 신경망은 기존 학습 샘플을 이용하여 의사 샘플을 생성하고 이를 학습에 사용함으로써 해공간을 평탄화시켜 국부 최적해에 빠질 확률을 줄임으로써 성능의 개선을 가져올 수 있다.At this time, the pseudo-sample neural network is a variation of neural network, and there is a difference in the structure of the learning sample, and the learning and evaluation method is the same as the neural network. This pseudo-sample neural network is a proposed method to overcome the problem that the learned neural network falls into the local optimal solution and the performance degrades when the size of the learning sample is small. In other words, the pseudo-sample neural network can improve the performance by generating pseudo-samples using existing learning samples and using them for learning, thereby reducing the probability of falling into the local optimal solution by flattening the space between the pores.
의사 샘플 신경망에서 의사 샘플은 기존 샘플을 평균으로 가지는 가우스 분포에서 생성된다. 샘플의 수가 많을 경우 모든 분포는 가우스 분포로 수렴한다는 중심 극한 정리(central limit theorem)에 따라 가우스 분포가 사용된다.Pseudo-samples In pseudo-neural networks, pseudo-samples are generated in a Gaussian distribution with the mean of the existing samples. Gaussian distributions are used according to the central limit theorem that all distributions converge to a Gaussian distribution when the number of samples is large.
N개의 샘플 X = {x1, x2, ... , xn}이 주어진 경우 학습에 사용할 수 있는 학습 샘플 또는 의사 샘플 XPS는 다음의 [수학식 1]과 같이 N개의 가우스 분포에서 생성된 의사 샘플과 치우침 방지를 위해 중복해서 포함하는 원 샘플의 합으로 나타낸다.Given the N samples X = {x 1 , x 2 , ..., x n }, the learning samples or pseudo samples X PS that can be used for learning are generated from N Gaussian distributions as in [Equation 1] The sum of the pseudo-samples and the overlapping circular samples for anti-skewness.
[수학식 1][Equation 1]
여기서, ∑는 데이터의 공분산 행렬을 나타내고, NPS는 기존 샘플 하나에서 생성될 의사 샘플의 개수를 나타내며, NC는 기존 샘플이 중복 포함되는 회수를 나타낸다.Here, Σ represents the covariance matrix of the data, PS N denotes the number of samples to be generated by the pseudo-existing sample one, N C represents the number of samples included in an existing duplication.
도 2a 내지 도 2b는 가우시안 분포를 이용하여 생성된 의사 샘플을 보여주는 도면이다.2A and 2B are diagrams showing pseudo samples generated using the Gaussian distribution.
도 2a 내지 도 2b를 참조하면, 기존의 잡음이 섞인 학습 샘플(도 2a)과 그 샘플을 기반으로 가우시간 분포를 이용하여 생성한 의사 샘플(도 2b)을 보여주고 있다.Referring to FIGS. 2A and 2B, there is shown a conventional noise-mixed training sample (FIG. 2A) and a pseudo sample (FIG. 2B) generated using the Gaussian distribution based on the sample.
이렇게 생성된 의사 샘플 XPS을 의사 샘플 신경망의 학습에 이용할 수 있는데, 학습은 주어진 샘플로부터 샘플이 만들어진 환경에 대한 정보를 추론하는 과정이다.The generated pseudo-sample X PS can be used for learning of the pseudo-sample neural network. The learning is a process of deducing information on the environment in which a sample is made from a given sample.
이때, 샘플의 중요성은 두 가지 측면을 생각할 수 있다. 첫 번째는 샘플 개수이며 두 번째는 샘플의 질이다. 의사 샘플은 절대적으로 부족한 샘플의 개수를 증가시켜 해공간이 평탄해지는 효과를 가져오기 때문에 잘못된 해답을 얻을 확률을 줄여준다.At this time, the importance of the sample can be considered in two aspects. The first is the number of samples and the second is the quality of the samples. The pseudo-sample reduces the probability of getting the wrong answer because it increases the number of absolutely insufficient samples and thus improves the flatness of the hole.
샘플의 개수가 많아진다고 해서 반드시 학습에 도움이 되는 것은 아니다. 일반적으로 학습 샘플의 개수는 많을수록 학습된 시스템의 성능은 높아지지만 일정 개수 이상의 학습 샘플이 주어지는 경우 더 이상 시스템의 성능이 높아지지 않거나 오히려 시스템의 성능이 저하되는 경우가 있다. 많은 학습 샘플이 주어진 경우 오히려 성능이 저하되는 데는 여러 가지 이유가 있지만 대표적인 이유는 잡음이다. 누적된 노이즈가 일정 수준을 넘어서게 되면 노이즈는 학습 과정에서 시스템 특성의 일부로 인식되어 성능을 저하시키는 원인이 된다. 따라서 노이즈를 배제하고 전형적인 샘플만을 학습에 사용하는 것이 학습된 시스템의 성능을 높일 수 있다.Increasing the number of samples does not necessarily help learning. Generally, the more the number of learning samples, the higher the performance of the learned system. However, if more than a certain number of learning samples are given, the performance of the system may not be increased any more or the performance of the system may be deteriorated. Given the many learning samples, there are many reasons for performance degradation, but the main reason is noise. When the accumulated noise exceeds a certain level, noise is recognized as a part of the system characteristics in the learning process, which causes deterioration in performance. Therefore, it is possible to improve the performance of the learned system by excluding noise and using only a typical sample for learning.
학습샘플 결정부(130)는 생성된 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 의사 샘플에 포함된 잡음 샘플 또는 비전형적 학습 샘플을 선택하여 선택된 전형적 학습 샘플을 제거하여 학습에 이용 가능한 질 높은 전형적 학습 샘플을 결정할 수 있다.The learning
구체적으로 설명하면, 샘플 X = {x1, x2, ... , xn}이 주어진 경우 X의 분포함수 또는 X가 생성된 밀도 함수를 추정하는 방법은 크게 두 가지가 있다. 첫째는 모수적 방법으로 밀도 함수가 사전에 가정된 함수의 범주에 속하는 경우 적용 가능하다. 하지만 실제 샘플은 알려진 분포 함수를 따르는 경우가 많지 않으며 알려지지 않은 또는 수식으로 표시할 수 없는 밀도 함수를 가지는 경우가 허다하다.Specifically, given a sample X = {x 1 , x 2 , ..., x n }, there are two methods for estimating the distribution function of X or the density function of which X is generated. The first is applicable when the density function belongs to a category of previously assumed functions in a parametric way. However, actual samples often do not follow a known distribution function and often have a density function that can not be expressed or expressed.
이러한 경우 사용하는 방법이 비모수적 방법으로 확률밀도함수의 형태를 가정하지 않고 주어진 데이터로부터 함수 자체를 직접 추정할 수 있다.In this case, the method used can directly estimate the function itself from the given data without assuming the form of the probability density function in a nonparametric manner.
확률 변수 X가 iid(independent and identically distributed)일 때 샘플 {x1, x2, ... , xn}는 각각 1/N의 확률을 갖기 때문에 X=x에서의 경험적 누적분포함수 
[수학식 2]&Quot; (2) "
여기서, 1(A)는 A가 참일 때 1을 거짓을 때 0의 값을 갖는 지시 함수를 나타낸다.Here, 1 (A) represents an indicator function with a value of 0 when A is true and 1 when A is false.
경험적 확률밀도함수 
[수학식 3]&Quot; (3) "
이때, 상기 [수학식 3]은 불연속 함수라는 단점이 있다. 따라서 [수학식 3]과 같은 지시함수를 연속 함수로 대체시킬 수 있는데, 다음의 [수학식 4]와 같이 나타낸다.At this time, the above expression (3) has a disadvantage that it is a discontinuous function. Therefore, an indicator function such as Equation (3) can be replaced by a continuous function, as shown in the following Equation (4).
[수학식 4]&Quot; (4) "
여기서, A는 확률밀도함수이기 위해 필요한 상수이며, h는 커널 폭으로 샘플의 크기 N의 함수로 N -> ∞에 따라 h -> 0이 된다. k(·)는 커널이라 부르며 일반적으로 지수함수 형태를 많이 이용하는데, 다음의 [수학식 5]와 같이 나타낸다.Here, A is a constant required to be a probability density function, and h is the kernel width, which is a function of the size N of the sample and becomes h -> 0 according to N -> ∞. k (·) is called a kernel and generally uses an exponential function form, which is expressed by the following equation (5).
[수학식 5]&Quot; (5) "
상기 [수학식 5]는 확률밀도를 추정할 샘플 주변에 많은 샘플이 있는 경우 국부적으로 높은 밀도를 부여하는 방식으로 주어진 샘플을 기초로 확률밀도함수를 추정한다.Equation (5) estimates a probability density function based on a given sample in such a manner that locally high density is given when there are many samples around the sample to estimate the probability density.
커널 밀도 함수 추정 기법은 [수학식 4]에 나타난 것처럼 주어진 데이터를 기초로 확률밀도함수를 표현하는 방식이므로 하나의 방정식으로 밀도함수를 나타내기는 어렵다. 따라서 비전형적인 샘플을 결정하는 방법은 확률밀도함수의 값이 최소인 샘플을 선택하는 것으로 동일하지만 커널을 이용한 다음의 [수학식 6]으로 변환되어야 한다.Since the kernel density function estimation scheme expresses the probability density function based on the given data as shown in Equation (4), it is difficult to represent the density function as one equation. Therefore, the method for determining the atypical sample should be the same as selecting the sample with the smallest value of the probability density function, but should be converted to the following
[수학식 6]&Quot; (6) "
도 3a 내지 도 3b는 가우시안 분포와 커널 밀도를 추정한 예를 보여주는 도면이다.FIGS. 3A and 3B are diagrams illustrating an example of estimating a Gaussian distribution and a kernel density. FIG.
도 3a를 참조하면, 바나나 데이터로 알려진 원형의 분포를 갖는 데이터를 기반으로 가우시안 분포를 추정한 결과를 보여주고 있다. 가우시안 분포 함수를 추정하고 밀도함수의 값이 최소인 샘플은 '*' 표시된 샘플이다. 하지만 바나나 데이터는 원형에 가까운 분포를 가지므로 샘플 '*'가 비전형적인 샘플이라고 말하기 어려우며, 직관적으로 'o'로 표시된 (0, 0)에 위치한 샘플이 가장 비전형적인 샘플이라고 할 수 있다. 이는 샘플 X가 생성된 분포를 알 수 없어 잘못된 분포를 가정하고 있기 때문이며 실제 문제에서는 이러한 상황이 일반적이다.Referring to FIG. 3A, there is shown a result of estimating a Gaussian distribution based on data having a circular distribution known as banana data. The sample with the Gaussian distribution function estimated and the density function with the smallest value is the sample marked with '*'. However, because the banana data has a distribution close to the circle, it is difficult to say that the sample '*' is an atypical sample, and intuitively, the sample located at (0, 0) marked by 'o' is the most inhomogeneous sample. This is because the distribution of the sample X is unknown and it assumes an incorrect distribution.
도 3b를 참조하면, 커널 밀도 함수 추정 기법을 이용하여 바나나 데이터의 확률밀도함수를 추정한 결과를 보여주고 있다. 바나나 데이터의 분포는 더 이상 가우시안 분포가 아니며 주어진 데이터를 기초로 커널 밀도 함수 추정 기법을 이용하여 추정된 확률밀도함수는 데이터의 분포를 자연스럽게 반영하고 있음을 알 수 있다.Referring to FIG. 3B, the probability density function of the banana data is estimated using a kernel density function estimation technique. The distribution of banana data is no longer a Gaussian distribution, and the probability density function estimated using the kernel density function estimation method based on given data naturally reflects the distribution of data.
여기서'*'로 표시된 샘플은 상기 [수학식 6]을 이용하여 확률밀도가 가장 낮은 샘플을 선택한 것으로 바나나 데이터에서 가장 비전형적인 샘플임을 알 수 있다.Here, the sample indicated by '*' is selected as the sample with the lowest probability density using Equation (6) and it can be seen that it is the most unusual sample in the banana data.
도 4는 본 발명의 일 실시예에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법을 나타내는 도면이다.FIG. 4 is a diagram illustrating a method for estimating a parameter of a debris deposition model according to an embodiment of the present invention.
도 4에 도시한 바와 같이, 본 발명에 따른 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치(이하, 파라미터 추정장치라고 한다)는 토석류 피해현장에서 실측한 값의 통계적인 토석류 데이터를 입력 받아(S410) 입력 받은 토석류 데이터를 기반으로 인공 신경망을 통해 학습 샘플을 선택할 수 있다(S420).4, an apparatus for estimating parameters of a soil-and-stone-deposition model according to the present invention (hereinafter, referred to as a parameter estimating apparatus) receives statistical soil-and-stone data of values measured at a damage site of soil- A learning sample can be selected through the artificial neural network based on the received destocking data (S420).
다음으로, 파라미터 추정장치는 선택된 학습 샘플을 기반으로 의사 샘플 신경망(Pseudo Sample Neural Network)을 이용하여 다수의 의사 샘플을 생성할 수 있다(S430).Next, the parameter estimating device may generate a plurality of pseudo samples using the pseudo sample neural network based on the selected learning samples (S430).
이때, 파라미터 추정장치는 선택된 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 학습하여 그 학습한 결과로 의사 샘플을 생성하는데, 여기서 의사 샘플은 N개의 샘플이 주어진 경우 N개의 가우스 분포에서 생성된 의사 샘플과 원 샘플의 합이다.At this time, the parameter estimation apparatus learns using the pseudo-sample neural network based on the selected learning sample, and generates a pseudo sample as a result of the learning, wherein the pseudo sample is a pseudo sample generated from N Gaussian distributions given N samples And a circle sample.
다음으로, 파라미터 추정장치는 생성된 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 의사 샘플에 포함된 잡음 샘플 또는 비전형적 학습 샘플을 선택하고(S440) 선택된 전형적 학습 샘플을 제거하여 학습에 이용 가능한 질 높은 전형적 학습 샘플을 결정할 수 있다(S450).Next, the parameter estimation apparatus selects a noise sample or an atypical learning sample included in the pseudo sample using the kernel density function estimation technique based on the generated pseudo sample (S440) and removes the selected typical learning sample A typical high-quality learning sample can be determined (S450).
이때, 파라미터 추정장치는 생성된 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 확률밀도를 추정하고, 그 추정한 결가로 확률밀도가 가장 낮은 샘플을 비전형적 학습 샘플로 선택하여 그 선택된 비전형적 학습 샘플을 제거한다.At this time, the parameter estimation apparatus estimates the probability density using the kernel density function estimation technique based on the generated pseudo sample, selects the sample having the lowest probability density density as the atypical learning sample, Remove the learning sample.
한편, 이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 캐리어 웨이브 매체 등이 포함될 수 있다.It is to be understood that the present invention is not limited to these embodiments, and all of the elements constituting the embodiments of the present invention described above are described as being combined or operated together. That is, within the scope of the present invention, all of the components may be selectively coupled to one or more of them. In addition, although all of the components may be implemented as one independent hardware, some or all of the components may be selectively combined to perform a part or all of the functions in one or a plurality of hardware. As shown in FIG. In addition, such a computer program may be stored in a computer-readable medium such as a USB memory, a CD disk, a flash memory, etc., and read and executed by a computer, thereby implementing embodiments of the present invention. As the storage medium of the computer program, a magnetic recording medium, an optical recording medium, a carrier wave medium, or the like may be included.
이상에서 설명한 실시예들은 그 일 예로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.While the invention has been shown and described with reference to certain embodiments thereof, it will be apparent to those skilled in the art that various changes and modifications may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. Therefore, the embodiments disclosed in the present invention are intended to illustrate rather than limit the scope of the present invention, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents should be construed as falling within the scope of the present invention.
110: 학습샘플 선택부
120: 의사샘플 생성부
130: 학습샘플 결정부110: Learning sample selector
120: pseudo sample generation unit
130: Learning sample determining section
Claims (10)
선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 의사 샘플을 생성하는 의사샘플 생성부; 및
생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 상기 선택된 학습 샘플 중 학습에 이용 가능한 전형적인 학습 샘플을 결정하는 학습샘플 결정부;
를 포함하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치.A learning sample selection unit for selecting a learning sample on the basis of the input undistorted data when the statistical undecomposed data of the values measured at the damage site of the undecomposed earth is input;
A pseudo sample generation unit for generating a pseudo sample using the pseudo sample neural network based on the selected learning sample; And
A learning sample determining unit that determines a typical learning sample available for learning among the selected learning samples using a kernel density function estimation technique based on the generated pseudo sample;
Wherein the parameter of the model of the soil-and-stone deposition model is estimated.
상기 학습샘플 선택부는,
입력 받은 상기 토석류 데이터를 기반으로 인공 신경망을 이용하여 상기 학습 샘플을 선택하는 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치.The method according to claim 1,
Wherein the learning sample selector comprises:
Wherein the learning sample is selected using an artificial neural network based on the input of the undisturbed data.
상기 의사샘플 생성부는,
선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 학습하여 그 학습한 결과로 의사 샘플을 생성하되,
상기 의사 샘플은 N개의 샘플이 주어진 경우 N개의 가우스 분포에서 생성된 의사 샘플과 원 샘플의 합인 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치.The method according to claim 1,
Wherein the pseudo-
A pseudo sample neural network is used to learn based on the selected learning sample, and a pseudo sample is generated as a result of the learning,
Wherein the pseudo sample is a sum of a pseudo-sample and a raw sample generated in N Gaussian distributions given N samples.
상기 학습샘플 결정부는,
생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 의사 샘플에 포함된 잡음 샘플 또는 비전형적 학습 샘플을 제거하여 전형적 학습 샘플을 결정하는 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치.The method according to claim 1,
Wherein the learning sample determining unit
Wherein a typical learning sample is determined by removing a noise sample or an atypical learning sample included in a pseudo sample using a kernel density function estimation technique based on the generated pseudo sample, Device.
상기 학습샘플 결정부는,
생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 확률밀도를 추정하고,
그 추정한 결가로 상기 확률밀도가 가장 낮은 샘플을 상기 비전형적 학습 샘플로 제거하는 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 장치.5. The method of claim 4,
Wherein the learning sample determining unit
Estimating a probability density using a kernel density function estimation technique based on the generated pseudo sample,
And the sample with the lowest probability density is removed with the atypical learning sample.
선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 의사 샘플을 생성하는 의사샘플 생성단계; 및
생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 상기 선택된 학습 샘플 중 학습에 이용 가능한 전형적인 학습 샘플을 결정하는 학습샘플 결정단계;
를 포함하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법.A learning sample selecting step of selecting a learning sample based on the input of the destocking data when the statistical destocking data of the values measured at the damage site of the destocking is inputted;
A pseudo sample generation step of generating a pseudo sample using the pseudo sample neural network based on the selected learning sample; And
A learning sample determining step of determining a typical learning sample available for learning among the selected learning samples using a kernel density function estimation technique based on the generated pseudo sample;
/ RTI > a method of estimating a parameter of a < RTI ID = 0.0 >
상기 학습샘플 선택단계는,
입력 받은 상기 토석류 데이터를 기반으로 인공 신경망을 이용하여 상기 학습 샘플을 선택하는 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법.The method according to claim 6,
Wherein the learning sample selection step comprises:
Wherein the learning sample is selected using an artificial neural network based on the input undisturbed data.
상기 의사샘플 생성단계는,
선택된 상기 학습 샘플을 기반으로 의사 샘플 신경망을 이용하여 학습하여 그 학습한 결과로 의사 샘플을 생성하되,
상기 의사 샘플은 N개의 샘플이 주어진 경우 N개의 가우스 분포에서 생성된 의사 샘플과 원 샘플의 합인 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법.The method according to claim 1,
Wherein the pseudo sample generation step comprises:
A pseudo sample neural network is used to learn based on the selected learning sample, and a pseudo sample is generated as a result of the learning,
Wherein the pseudo-sample is a sum of a pseudo-sample and a raw sample generated in N Gaussian distributions given N samples.
상기 학습샘플 결정단계는,
생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 의사 샘플에 포함된 잡음 샘플 또는 비전형적 학습 샘플을 제거하여 전형적 학습 샘플을 결정하는 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법.The method according to claim 6,
Wherein the learning sample determining step comprises:
Wherein a typical learning sample is determined by removing a noise sample or an atypical learning sample included in a pseudo sample using a kernel density function estimation technique based on the generated pseudo sample, Way.
상기 학습샘플 결정부는,
생성된 상기 의사 샘플을 기반으로 커널 밀도 함수 추정 기법을 이용하여 확률밀도를 추정하고,
그 추정한 결가로 상기 확률밀도가 가장 낮은 샘플을 상기 비전형적 학습 샘플로 제거하는 것을 특징으로 하는 토석류 퇴적 모델의 파라미터를 추정하기 위한 방법.10. The method of claim 9,
Wherein the learning sample determining unit
Estimating a probability density using a kernel density function estimation technique based on the generated pseudo sample,
And removing the sample with the lowest probability density as the at least one non-typical learning sample.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140165238A KR101636973B1 (en) | 2014-11-25 | 2014-11-25 | Apparatus for estimating parameter of debris flow deposition model and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140165238A KR101636973B1 (en) | 2014-11-25 | 2014-11-25 | Apparatus for estimating parameter of debris flow deposition model and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160062469A true KR20160062469A (en) | 2016-06-02 |
| KR101636973B1 KR101636973B1 (en) | 2016-07-08 |
Family
ID=56135613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140165238A KR101636973B1 (en) | 2014-11-25 | 2014-11-25 | Apparatus for estimating parameter of debris flow deposition model and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101636973B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180287A (en) * | 2017-07-19 | 2017-09-19 | 四川建筑职业技术学院 | A kind of mud-rock flow material resource based on Wenchuan meizoseismal area is converted to the conversion ratio computational methods of mud-rock flow |
| CN108960680A (en) * | 2018-07-27 | 2018-12-07 | 中国地质科学院探矿工艺研究所 | Debris flow loose source activity determination method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240018181A (en) | 2022-08-02 | 2024-02-13 | 대한민국(산림청 국립산림과학원장) | Apparatus and method for estimating sedimentary area of debris flow considering effect of blocking the runoff of the checking dam |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090125463A1 (en) * | 2007-11-13 | 2009-05-14 | Shohei Hido | Technique for classifying data |
| US20110055131A1 (en) * | 2009-08-28 | 2011-03-03 | Hung-Han Chen | Method of universal computing device |
-
2014
- 2014-11-25 KR KR1020140165238A patent/KR101636973B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090125463A1 (en) * | 2007-11-13 | 2009-05-14 | Shohei Hido | Technique for classifying data |
| US20110055131A1 (en) * | 2009-08-28 | 2011-03-03 | Hung-Han Chen | Method of universal computing device |
Non-Patent Citations (1)
| Title |
|---|
| 허경용 외 2명. 의사 샘플 신경망에서 학습 샘플 및 특징 선택 기법. 한국컴퓨터정보학회논문지 제18권 제4호 통권 제109호. 한국컴퓨터정보학회. 2013년 4월.* * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180287A (en) * | 2017-07-19 | 2017-09-19 | 四川建筑职业技术学院 | A kind of mud-rock flow material resource based on Wenchuan meizoseismal area is converted to the conversion ratio computational methods of mud-rock flow |
| CN107180287B (en) * | 2017-07-19 | 2020-08-04 | 四川建筑职业技术学院 | Conversion rate calculation method for converting debris flow source into debris flow based on Wenchuan strong earthquake region |
| CN108960680A (en) * | 2018-07-27 | 2018-12-07 | 中国地质科学院探矿工艺研究所 | Debris flow loose source activity determination method |
| CN108960680B (en) * | 2018-07-27 | 2021-09-14 | 中国地质科学院探矿工艺研究所 | Debris flow loose source activity determination method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101636973B1 (en) | 2016-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220414072A1 (en) | Severity computation of anomalies in information technology operations | |
| JP6525002B2 (en) | Maintenance time determination apparatus, deterioration prediction system, deterioration prediction method, and recording medium | |
| KR101463425B1 (en) | Abnormality observation data detection method using time series prediction model and abnormality observation data of ground water level | |
| CA2638227A1 (en) | Method for evaluating a flow sheet for an underground deposit taking uncertainties into account | |
| JP6550783B2 (en) | Data output method, data output program and data output device | |
| CN110858062B (en) | Target optimization parameter obtaining method and model training method and device | |
| KR101636973B1 (en) | Apparatus for estimating parameter of debris flow deposition model and method thereof | |
| AU2015231429B2 (en) | Fluid blob tracking for evaluation of multiphase flow simulations | |
| Yu et al. | Uncertainty analysis of flood inundation modelling using GLUE with surrogate models in stochastic sampling | |
| Ramos‐Valle et al. | Implementation of an artificial neural network for storm surge forecasting | |
| Tada et al. | Hydrological model calibration using a short period of observations | |
| Rehman et al. | Tree-based machine learning models for prediction of bed elevation around bridge piers | |
| KR102090539B1 (en) | Method and device for reinforcement learning using novel centering operation based on probability distribution | |
| JP5889759B2 (en) | Missing value prediction device, missing value prediction method, missing value prediction program | |
| KR20160062470A (en) | Apparatus for predicting landslide using logistic regression model and method thereof | |
| FR3040809A1 (en) | ||
| Daulat et al. | Evaluating the generalizability and transferability of water distribution deterioration models | |
| Ahani et al. | A feature weighting and selection method for improving the homogeneity of regions in regionalization of watersheds | |
| Hajihassanpour et al. | Sampling‐Based Methods for Uncertainty Propagation in Flood Modeling Under Multiple Uncertain Inputs: Finding Out the Most Efficient Choice | |
| JP2018189638A (en) | Endpoint detection in manufacturing process by near-infrared spectroscopy and machine learning techniques | |
| WO2023113946A1 (en) | Hyperparameter selection using budget-aware bayesian optimization | |
| CN113627621B (en) | Active learning method for optical network transmission quality regression estimation | |
| Gupta et al. | Estimation of software reliability with execution time model using the pattern mapping technique of artificial neural network | |
| Savage et al. | The impact of scale on probabilistic flood inundation maps using a 2D hydraulic model with uncertain boundary conditions | |
| CA3170297A1 (en) | Generating performance predictions with uncertainty intervals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |