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

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

목차

논문요약 8

제1부 트라이를 이용한 접미사 트리의 병렬 생성 9

제1장 서론 10

제2장 관련 연구 12

2.1. 접미사트리 12

2.2. 접미사 트리의 병렬 생성 14

2.3. 분할 알고리즘 16

2.4. 병렬 라이브러리 19

제3장 접미사 트리의 병렬 생성 알고리즘 22

3.1. 접미사 트리의 병렬 생성 진행과정 22

3.2. 분할 단계 25

3.3. 생성 단계 36

3.4. 정제 단계 37

제4장 실험 결과 및 분석 38

제5장 결론 및 향후 연구 43

제2부 시뮬레이티드 자동차 제어기의 일반화 44

제1장 서론 45

제2장 제안방법 49

2.1. 휴리스틱 제어기 50

2.2. 범용적인 제어기를 위한 개발 전략 56

제3장 실험결과 64

제4장 결론 및 향후 연구 70

참고문헌 71

ABSTRACT 75

표목차

표 1. 접미사 트리의 생성 단계. 22

표 2. 분할 단계에서의 세부 단계. 25

표 3. 트랙 센서의 설정 상태. 51

표 4. 트랙에 따른 최적 주행 결과. 58

표 5. 학습 데이터 예. 60

표 6. 트랙별 학습 샘플 개수. 60

표 7. 하나의 대표트랙에 최적화된 제어기로 14개의 트랙에 주행한 결과. 64

표 8. 4가지 종류의 제어기의 주행결과. 66

그림목차

그림 1. 문자열 S＝ababc에 대한 접미사 트리 12

그림 2. S＝aabbac에 대한 접미사 트리와 첫 글자를 공통 접두사로 가지는 CPST 15

그림 3. 알파벳 크기가 4인 무작위 문자열에 대한 접미사 트리의 생성 실험결과 16

그림 4. 알파벳 크기가 16인 DNA 서열 데이터에 대한 접미사 트리의 생성 실험결과 17

그림 5. 알파벳 크기가 8인 무작위 문자열에 대한 CPST 생성 실험결과 18

그림 6. Cilk Plus 구현 코드 예시 19

그림 7. TBB 구현 코드 예시 20

그림 8. 문자열 S＝ABBCABCAAB$에 대한 접미사 트리의 생성과정 24

그림 9. 문자열 S＝ABBCABCAAB$에 대한 분할 트라이. 26

그림 10. S＝ABBCABCAAB$에 대한 분할 트라이의 생성과정 (k＝1, t＝2) 28

그림 11. 분할 트라이에서 msl의 계산 과정. 32

그림 12. 길이가 108인 문자열의 스레드의 개수에 따른 수행시간 비교.(이미지참조) 39

그림 13. 스레드의 개수가 8개일 때 입력 문자열(DNA 서열 데이터)의 길이에 따른 수행시간 비교. 40

그림 14. 각 세부단계 별 수행시간(길이 108, 스레드 8개).(이미지참조) 41

그림 15. English 데이터에 대한 수행시간. 41

그림 16. 길이가 108인 English 데이터의 분할 분포도.(이미지참조) 42

그림 17. TORCS. 46

그림 18. 제안 방법의 개요 47

그림 19. 회귀분석 기법과 인공신경망이 결합된 휴리스틱 제어기 49

그림 20. 구간 분류 예. 54

그림 21. 난이도에 따른 트랙 분류. 57

그림 22. 5가지의 대표 트랙. 59

그림 23. Street1 트랙에서 두 제어기의 주행 비교 화면. 68

그림 24. Street1 트랙에서 두 제어기의 주행 방식 비교. 69

초록보기

 접미사 트리(suffix tree)란 주어진 문자열의 모든 접미사들에 대한 압축된 트라이(trie) 이다. 본 논문에서는, 접미사 트리의 병렬 생성과정에서 필수적으로 사용되는 분할 과정에 대해 고려하였다. 제안하는 새로운 분할 알고리즘은 보조자료 구조로 트라이를 사용한다. 새로운 분할 알고리즘을 구현하여 다양한 실험을 시도 하였으며, 실험 결과 제안하는 알고리즘이 해시를 이용하는 기존 알고리즘과 비교하여 성능이 크게 향상 되었고 멀티프로세서 구조에서 병렬 수행을 통해 큰 속도 향상을 얻을 수 있었다.

수많은 센서와 제어장치를 가지고 있는 시뮬레이션 자동차 제어기를 디자인 하는 것은 매우 어려운 일이다. 본 논문에서는, 기존의 휴리스틱 제어기를 머신 러닝 기법을 이용하여 성능을 향상시키는 연구를 진행하였다. TORCS(The Open Racing Car Simulator) 시뮬레이터에서 실험한 결과, 여러 가지의 전략을 이용하여 만든 제어기 중에 두 가지의 기계학습 기법(회귀분석, 인공신경망)을 함께 이용한 제어기의 성능이 가장 좋게 나타났다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

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

권호

기사명 원문보기 기사목차
닫기