인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
이 연구의 목적은 슬링 자세 예측 및 분류를 위한 다양한 머신러닝 및 딥러닝 모델을 개발하고 비교하는 것이다. 전통적인 머신러닝 알고리즘(Random Forest, TPOP, XGBoost)과 딥러닝 기법(LSTM, GRU, SimpleRNN), 그리고 Stacking Classifier와 같은 앙상블 방법을 사용하였다. 데이터를 수집하여 80:20 비율로 훈련 및 테스트 세트로 나누고, GridSearchCV와RandomizedSearchCV를 사용하여 하이퍼파라미터를 최적화하였다. 모델은 정확도, 정밀도, 재현율, F1-score로 평가되었다. 연구 결과, 트리 기반 모델(Random Forest, TPOP)은 높은 성능(정확도 0.93, F1-score 0.95)을 보였으며, 딥러닝 모델은 중간 정도의 성능을 보였고, GRU가 LSTM보다 약간 우수한 성능을 보였다(F1-scores: 0.83 대 0.82). XGBoost는 성능이 크게 저조했다(정확도 0.55, F1-score 0.55). Stacking Classifier와 같은 앙상블 방법은 견고한 성능을 보였지만 최상위 개별 모델을 능가하지는 못했다. 이 연구는 슬링 자세 예측에서 트리 기반 앙상블 방법의 우수성을 밝혀내었으며, 슬링 자세가 연속적인 시퀀스보다는 이산적이고 계층적인 특징으로 더 잘 특성화될 수 있음을 시사한다. 이러한 발견은 이 분야에서 딥러닝 모델의 효과성에 대한 가정에 도전하며, 특정 움직임의 특성에 맞게 분석적 접근 방식을 조정하는 것의 중요성을 강조한다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-091056431
