학술논문
심층 네트워크 모델에 기반한 어선 횡동요 시계열 예측
이용수 8
- 영문명
- Fishing Boat Rolling Movement of Time Series Prediction based on Deep Network Model
- 발행기관
- 한국항해항만학회
- 저자명
- 김동균(Donggyun Kim) 임남균(Nam-Kyun Im)
- 간행물 정보
- 『한국항해항만학회지』제47권 제6호, 376~385쪽, 전체 10쪽
- 주제분류
- 공학 > 해양공학
- 파일형태
- 발행일자
- 2023.12.31
4,000원
구매일시로부터 72시간 이내에 다운로드 가능합니다.
이 학술논문 정보는 (주)교보문고와 각 발행기관 사이에 저작물 이용 계약이 체결된 것으로, 교보문고를 통해 제공되고 있습니다.
국문 초록
통계에 따르면 어선의 전복 사고는 전체 전복 사고의 절반 이상을 차지한다. 이는 미숙한 조업, 기상 악화, 정비 미흡 등 다양한 원인으로 발생할 수 있다. 업계 규모와 영향도, 기술 복잡성, 지역적 다양성 등으로 인해 어선은 상선에 비해 상대적으로 연구가 부족한 실정이다. 본 연구에서는 이미지 기반 딥러닝 모델을 활용하여 어선의 횡동요 시계열을 예측하고자 한다. 이미지 기반 딥러닝은 시계열의 다양한 패턴을 학습하여 높은 성능을 낼 수 있다. 이를 위해 Xception, ResNet50, CRNN의 3가지의 이미지 기반 딥러닝 모델을 활용하였다. Xception과 ResNet50은 각각 177, 184개의 층으로 구성되어 있으며 이에 반해 CRNN은 22개의 비교적 얇은 층으로 구성되어 있다. 실험 결과 Xception 딥러닝 모델이 가장 낮은 0.04291의 sMAPE와 0.0198의 RMSE를 기록하였다. ResNet50과 CRNN은 각각 0.0217, 0.022의 RMSE를 기록하였다. 이를 통해 상대적으로 층이 더 깊은 모델의 정확도가 높음을 확인할 수 있다.
영문 초록
Fishing boat capsizing accidents account for more than half of all capsize accidents. These can occur for a variety of reasons, including inexperienced operation, bad weather, and poor maintenance. Due to the size and influence of the industry, technological complexity, and regional diversity, fishing ships are relatively under-researched compared to commercial ships. This study aimed to predict the rolling motion time series of fishing boats using an image-based deep learning model. Image-based deep learning can achieve high performance by learning various patterns in a time series. Three image-based deep learning models were used for this purpose: Xception, ResNet50, and CRNN. Xception and ResNet50 are composed of 177 and 184 layers, respectively, while CRNN is composed of 22 relatively thin layers. The experimental results showed that the Xception deep learning model recorded the lowest Symmetric mean absolute percentage error(sMAPE) of 0.04291 and Root Mean Squared Error(RMSE) of 0.0198. ResNet50 and CRNN recorded an RMSE of 0.0217 and 0.022, respectively. This confirms that the models with relatively deeper layers had higher accuracy.
목차
1. 서 론
2. 심층 네트워크 모델
3. 어선 횡동요 시계열 예측 시뮬레이션
4. 결 론
후 기
References
해당간행물 수록 논문
- 한국항해항만학회지 제47권 제6호 목차
- 베이지안 네트워크를 이용한 항로표지사고 주요 요인 분석
- 사용자 중심의 선박통신 현장 시험 환경(Living Lab) 구축 방안 연구
- 국내 연안 해역 선박 항적 군집화를 위한 항적 간 거리 척도 개발 연구
- 부산 감천항 도선구의 도선안전위해요소에 관한 연구
- 심층 네트워크 모델에 기반한 어선 횡동요 시계열 예측
- 해양사고 예방을 위한 평수구역 내 파고부이 추가설치 검토
- 준지도 학습을 활용한 사용자 기반 소형 어선 충돌 경보 분류 모델에 대한 연구
- 자율운항선박의 회피 항로 적용을 위한 항로 추종 알고리즘 개발
- 풍하중을 고려한 확률론적 운동특성 평가기법 개발에 관한 연구
- 9.77톤급 소형어선의 3자유도 구속모형시험을 통한 선속 별 운항성능 추정
- 해양수색구조 의사결정지원을 위한 익수자 생존시간 고찰
- 자율운항선박의 원격검사를 위한 영상처리 기반의 아날로그 게이지 지시바늘 객체의 식별
- 부산항 컨테이너 터미널 사이버 보안 강화를 위한 탐색적 연구
- 자율운항선박용 선박중심직접통신(M-S2X) 주파수 탐색에 관한 연구
- 원형 기반 선박 충돌 피항 모델에 기반한 정보 교환 분산알고리즘 성능 비교 분석
- 자율운항선박 도입에 따른 선박교통관제 업무 변화에 관한 연구
참고문헌
교보eBook 첫 방문을 환영 합니다!
신규가입 혜택 지급이 완료 되었습니다.
바로 사용 가능한 교보e캐시 1,000원 (유효기간 7일)
지금 바로 교보eBook의 다양한 콘텐츠를 이용해 보세요!