최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기大韓土木學會論文集, Journal of the Korean Society of Civil Engineers, B. 수공학, 해안 및 항만공학, 환경 및 생태공학, v.28 no.5B, 2008년, pp.485 - 493
강부식 (단국대학교 공과대학 토목환경공학전공) , 이봉기 (단국대학교 대학원 토목환경공학전공)
The Artificial Neural Network (ANN) model was suggested for predicting probability of precipitation (PoP) using RDAPS NWP model, observation at AWS and upper-air sounding station. The prediction work was implemented for flood season and the data period is the July, August of 2001 and June of 2002. N...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
신경망의 중요한 특징은 무엇인가? | 은닉층의 활성화 함수(activation function or sigmoidal function)는 신경망에 비선형성을 고려하기위해서 비선형 양극(bipolar) 시그모이드함수(sigmoidal function)를 사용하였으며 활성화함수에서 계산된 값의 범위는 -1과 1사이의 값을 가진다(Gupta, 2003). 신경망의 중요한 특징은 학습(training또는 learning)을 통하여 예측인자(predictor)와 예측변수(predictand)사이의 관계를 학습하고 예측인자와 예측변수 사이의 관계를 추정한다. 이 연구에서 사용한 신경망은 출력층에서 임계값(threshold)을 고려하여 강수발생확률을 계산하며수학적 방정식은 Eq. | |
Model Output Statistics 후처리 기법의 선형적인 방법의 한계점은 무엇인가? | 이 기법은 관측값뿐 아니라 수치예보를 통계예측모형수립에 활용하는 기법으로서 목표로 하는예측량과 NWP에 의해 예측된 변수와의 최적 관계를 결정하며 크게 선형적인 방법과 비선형적인 방법이 있다. 선형적인 방법에는 다중선형회귀(MLR; Multi Linear Regression)가 가장 일반적으로 사용 되는데 독립변수와 종속변수사이의 선형적 관계를 가정하기 때문에 두 변수가 관련 있음에도 불구하고 비선형적 관계를 설명하지 못한다(Schoof & Pryor, 2001). 따라서 선형성을 기본으로 하는 MLR은 비선형성이 강한 강수의 보정에 적합하지 않으며 비선형성을 고려하는 신경망기법의 연구가 진행되어 왔다. | |
인공신경망이란 어떤 시스템인가? | 인공신경망은 고도로 복잡한 인간의 두뇌를 구성하고 있는기본단위인 뉴런(neuron)의 개념을 도입한 이론을 기초로 인식과정을 수학적인 모형으로 일반화시키기 위해 개발된 병렬정보처리 시스템이다. 생물학적으로 각각의 뉴런은 전기적신호를 발생시키는데 수상돌기(dendrite)로부터 입력을 받아축색돌기(axon)를 통하여 신호를 보낸다. |
건설교통부(2006) 수자원장기종합계획(2006-2020) 보고서, 한국수자원공사
과학기술부(2007) 유역 물 관리 운영 기술개발 1, 21세기 프론티어 수자원의 지속적 확보기술개발 사업, 한국수자원공사
김영오, 정대일, 김형섭, 이길성(2001) 앙상블 예측을 통한 물공급전망 개선방안. 한국수자원학회 학술발표회 논문집, 한국수자원학회, pp. 304-308
김호준, 백희정, 권원태, 최병철(2001) 구간 연산 신경망을 이용한 강수량 장기예측 기법. 한국기상학회지, 한국기상학회, 제37권, 제5호, pp. 443-452
안중배, 박정규, 임은순, 차유미(2003) 인공신경망 모형을 이용한 기온과 강수량 규모축소 연구. 한국기상학회지, 한국기상학회, 제13권, 제1호, pp. 476-477
정대일, 김영오(2002) 앙상블 예측을 이용한 충주댐 월 유입량 예측. 대한토목학회논문집, 대한토목학회, 제22권, 제3-B호, pp. 321-331
정 슬(2004) 인공지능시스템 I(신경회로망의 구조 및 사용법). 충남대학교 출판부. pp. 76-106
차유미, 안중배(2005) 역학적으로 규모축소된 남한의 여름철 강수에 대한 인공신경망 보정 능력평가, 한국기상학회지, 한국기상학회, 제41권, 제6호, pp. 1125-1135
Bras, R.L. (1990) Hydrology: An Introduction to Hydrologic Science. Addison-Wesley publishing company, pp. 82-92
Glahn, H.R. and Lowry, D.A. (1972) The use of model output statistics (MOS) in Objective Weather Forecasts. J. Appl. Meteor., Vol. 11, issue 8, pp. 1203-1211
Gupta, M.M. (2003) Static and Dynamic Neural Networks from Fundamentals to Advanced Theory, Wiley-Interscience, IEEE Press. pp. 80-118
Hall, T., Brooks, H.E., and Doswell, III C.A. (1999) Precipitation forecasting using a neural network. Wea. Forecasting, Vol. 14, issue 3, pp. 338-345
Klein, W.H. (1971) Computer prediction of precipitation probability in the united states. J. Appl. Meteor., Vol. 10, issue 5, pp. 903-915
Kuligowski, R.J., Barros, A.P., and Ferreira, N.J. (1998) Experiments in short-term precipitation using artificial neural networks. Mon. Wea. Rev., Vol. 126, issue 2, pp. 1194-1204
Schoof, J.T. and Pryor, S.C. (2001) Downscaling temperature and precipitation: a comparison of regression-based methods and artificial neural networks. Int. J. Climatol., Vol. 21, issue 7, pp. 773-790
Valverde Ramrez, M.C., de Campos Velho, H.F. (2005) Artificial neural network technique for rainfall forecasting applied to the so paulo region. J. Hydrol., Vol. 301, issue 1-4, pp. 146-162
Wilks, D.S. (1995) Statistical methods in the Atmospheric Sciences. Academic Press, pp. 220-250
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.