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.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2021
- 저작권
- 안양대학교 논문은 저작권에 의해 보호받습니다.
이용수12
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
본 논문에서는 부족한 고농도 미세먼지 데이터를 인공지능 데이터 생성 알고리즘인 GAN(Generative Adversarial Network) 알고리즘을 이용하 여 생성한 다음 기존 예보 시스템과의 결과를 비교한다. 인공 지능 응용에서 좋은 예측을 위해서는 데이터의 품질이 중요하지만, 클래스 간 데이터 비율도 중요하다. 한 클래스 데이터가 다른 클래스 데 이터 보다 과도하게 많으면, AI 네트워크가 편향되어 한 방향으로 만 학 습이 유리하게 진행되기 때문에, 원하는 결과를 얻을 수 없다. 미세먼지 데이터의 경우 좋음, 보통, 나쁨, 매우 나쁨으로 4가지 구간으 로 나누어져 있다. 이 중에서 좋음과 보통을 저농도로 나쁨과 매우 나쁨 을 고농도로 정의한다. 이러한 저농도와 고농도의 데이터 비율은 4:1정도의 비율로 고농도 데이 터가 매우 적은 데이터양을 보이고 있다. 이를 해결하기 위하여 GAN 알고리즘을 이용하여 부족한 고농도 데이터를 생성하여 저농도 데이터와 의 비율을 동일하게 맞춘 다음 학습을 진행한다. Gussian Noise모델과 GAN 모델을 기존 수치모델인 CASE04, 신경망 모델 Julian과 비교하였을 때, GAN 모델이 모든 구간에 대해서 전반적으로 성능이 향상된 모습을 보이고 있다. 이러한 결과를 통해 데이터의 분포가 매우 불안정한 미세먼지 데이터의 경우 기존 생성 기법인 Gaussian Noise알고리즘 보다는 논문에서 사용 된 GAN 알고리즘이 미세먼지 예보 성능 향상에 적합한 모델임을 확인 할 수 있다.
목차
- 국문 요약Abstract제 1장 서론제 1절 연구 배경제 2절 연구 목적제 2장 Gaussian Noise를 이용한 고농도 데이터 생성제 1절 알고리즘 개요제 2절 데이터 생성제 3장 GAN을 이용한 고농도 데이터 생성제 1절 알고리즘 개요제 2절 데이터 생성제 4장 Mnist 성능 실험제 5장 실험 내용 및 결과제 1절 학습 네트워크 개요제 2절 실험 결과제 6장 결론[참고 문헌]
최근 본 자료
