본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

목차 1

어텐션 기반 게이트 순환 유닛을 이용한 수동소나 신호분류 ＝ Passive sonar signal classification using attention based gated recurrent unit / 이기배 ; 고건혁 ; 이종현 1

초록 1

ABSTRACT 1

Ⅰ. 서론 1

Ⅱ. 수동소나 표적신호 2

Ⅲ. 신호분류 알고리즘 2

3.1. 게이트 순환 유닛 2

3.2. 게이트 순환 유닛을 이용한 신호분류 3

Ⅳ. 실험 및 결과 5

4.1. 데이터 구성 5

4.2. 분류 모델 구현 6

4.3. 분류 결과 7

Ⅴ. 결론 10

부록(Appendix) 10

References 11

저자 약력 12

권호기사

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 목차
남북한 음향학 전문용어 비교 분석 및 통합안 제시 = Comparative analysis of inter-Korean acoustic terminology and proposal for integration 김지완 p. 271-284

보기
초등학교 창의융합교실의 음향성능 조사 = Investigation of acoustic performances of the creative convergence classrooms in elementary schools 조아현, 한찬훈 p. 285-297

보기
장애음성의 음향학적 분석에서 유성음 문장의 임상적 유용성에 관한 연구 = A study on the clinical utility of voiced sentences in acoustic analysis for pathological voice evaluation 김지성 p. 298-303

보기
Estimation of bubble size distribution using deep ensemble physics-informed neural network = 딥앙상블 물리 정보 신경망을 이용한 기포 크기 분포 추정 Sunyoung Ko, Geunhwan Kim, Jaehyuk Lee, Hongju Gu, Kwangho Moon, Youngmin Choo p. 305-312

보기
Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측 = Prediction of time-series underwater noise data using long short term memory model 이혜선, 홍우영, 김국현, 이근화 p. 313-319

보기
고속 수중운동체 탐지를 위한 일반화된 사인파 주파수 변조 기반 고해상도 거리 및 속도 추정 기법 = High-resolution range and velocity estimation method based on generalized sinusoidal frequency modulation for high-speed underwater vehicle detection 박진욱, 김근환, 석종원, 홍정표 p. 320-328

보기
소량 및 불균형 능동소나 데이터세트에 대한 딥러닝 기반 표적식별기의 종합적인 분석 = Comprehensive analysis of deep learning-based target classifiers in small and imbalanced active sonar datasets 김근환, 황용상, 신성진, 김주호, 황수복, 추영민 p. 329-344

보기
어텐션 기반 게이트 순환 유닛을 이용한 수동소나 신호분류 = Passive sonar signal classification using attention based gated recurrent unit 이기배, 고건혁, 이종현 p. 345-356

보기
3-D 텐서와 recurrent neural network기반 심층신경망을 활용한 수동소나 다중 채널 신호분리 기술 개발 = Sources separation of passive sonar array signal using recurrent neural network-based deep neural network with 3-D tensor 이상헌, 정동규, 유재석 p. 357-363

보기
Elastic Net를 이용한 시간 지연 추정 알고리즘 = Time delay estimation algorithm using Elastic Net 임준석, 이근화 p. 364-369

보기
딥러닝을 위한 모폴로지를 이용한 수중 영상의 세그먼테이션 = Segmentation of underwater images using morphology for deep learning 이지은, 이철원, 박석준, 신재범, 정현기 p. 370-376

보기

참고문헌 (19건) : 자료제공( 네이버학술정보 )

참고문헌 목록에 대한 테이블로 번호, 참고문헌, 국회도서관 소장유무로 구성되어 있습니다.
번호 참고문헌 국회도서관 소장유무
1 Y. C. Jung, B. U. Kim, S. K. An, W. J. Seong, and K. H. Lee, “An algorithm for submarine passive sonar simulator” (in Korean), J. Acoust. Soc. Kr. 32, 472-483 (2013). 미소장
2 K. Lee, J. Kim, M. J. Cheong, Y. W. Ryu, J. Bae, and C. H. Lee, “Separation and denoising algorithm of passive sonar target signals in frequency domain” (in Korean), J. IEIE, 55, 88-96 (2018). 미소장
3 J. K. Ahn, H. D. Cho, D. Shin, T. Kwon, and G. T. Kim, “LOFAR/DEMON grams compression method for passive sonar” (in Korean), J. Acoust. Soc. Kr. 39, 38-46 (2020). 미소장
4 S. E. Lee, S. B. Hwang, and D. Y. Noh, “A study on the algorithm for underwater target automatic classification using the passive sonar” (in Korean), J. KIMS Technol. 3, 76-84 (2000). 미소장
5 B. Mishachandar and S. Vairamuthu, “Diverse ocean noise classification using deep learning,” Appl. Acoust. 181, 108141 (2021). 미소장
6 G. Song, X. Guo, W. Wang, Q. Ren, J. Li, and L. Ma, “A machine learning-based underwater noise classification method,” Appl. Acoust. 184, 108333 (2021). 미소장
7 C. Satheesh, S. Kamel, A. Mujeeb, and M. H. Supriya, “Passive sonar target classification using deep generative β-VAE,” IEEE Signal Process. Lett. 28, 808-812(2021). 미소장
8 N. H. Bach, L. H. Vu, and V. D. Nguyen, “Classification of surface vehicle propeller cavitation noise using spectrogram processing in combination with convolution neural network,” Sensors, 21, 3353 (2021). 미소장
9 F. Liu, T. Shen, Z. Luo, D. Zhao, and S. Guo, “Underwater target recognition using convolutional recurrent neural networks with 3-D mel-spectrogram and data augmentation,” Appl. Acoust. 178, 107989 (2021). 미소장
10 S. Kim, S. K. Jung, D. Kang, M. Kim, and S. Cho, “Application of the artificial intelligence for automatic detection of shipping noise in shallow-water”(in Korean), J. Acoust. Soc. Kr. 39, 279-285 (2020). 미소장
11 K. M. Park and D. Kim, “Preprocessing performance of convolutional neural networks according to characteristic of underwater targets” (in Korean), J. Acoust. Soc. Kr. 41, 629-636 (2022). 미소장
12 A. Sherstinsky, “Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM)network,” Physica D: Nonlinear Phenomena, 404, 132306 (2020). 미소장
13 J. Chung, C. Gulcehre, K. H. Cho, and Y. Bengio, “Empirical evaluation of gated recurrent neural networks on sequence modeling,” Proc. NIPS Workshop on Deep Learning, 1-9 (2014). 미소장
14 X. Zhang, Y. Sun, K. Jiang, C. Li, L. Jiao, and H. Zhou, “Spatial sequential recurrent neural network for yperspectral image classifcation,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 11, 4141-4155 (2018). 미소장
15 S. Singh, S. K. Pandey, U. Pawar, and R. R. Janghel, “Classification of ECG arrhythmia using recurrent neural networks,” Procedia Computer Science, 132, 1290-1297 (2018). 미소장
16 S. Chang, Y. Zhang, W. Han, M. Yu, X. Guo, W. Tan, X. Cui, M. Witbrock, M. Hasegawa-Johnson, and T. S. Huang, “Dilated recurrent neural networks,” Proc. 31st Conf. NIPS, 1-13 (2017). 미소장
17 S. H. Kang, “A study on the Lloyd’s mirror effect on the underwater radiated noise for the underwater vehicle” (in Korean), J. Acoust. Soc. Kr. 40, 314-319(2021). 미소장
18 L. E. Kinsler, A. R. Frey, A. B. Coppens, and J. V. Sanders, Fundamentals of Acoustics (John Wiley &Sons, New Jersey, 1999), Chap. 15. 미소장
19 D. S. Domingues, S. T. Guijarro, A. C. Lopez, and A. P. Gimenez, “ShipEar: An underwater vessel noise database,” Appl. Acoust. 113, 64-69 (2016). 미소장

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차