최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국통신학회논문지. The Journal of Korea Information and Communications Society. 통신이론 및 시스템, v.39C no.8, 2014년, pp.708 - 715
김영주 (Mokpo National University Dept. of Computer Engineering) , 허유경 (Mokpo National University Department of Computer Engineering) , 박진관 (Mokpo National University Department of Computer Engineering) , 정민아 (Mokpo National University Dept. of Computer Engineering)
In this paper, we suggest a method of realtime confidence interval estimation to detect abnormal states of sensor data. For realtime confidence interval estimation, the mean square errors of the exponential smoothing method and moving average method, two of the time series analysis method, where com...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
본 논문에서 무선센서네트워크 환경을 활용한 이상 감지 실험의 흐름은 어떻게 되나요? | 이상감지를 위한 실험으로 첫 번째, WSN에서 수집된 센서데이터(온도, 조도, 습도, 소음)가 저장된 PC를 웹서버로 구성하고 안드로이드 단말기가 웹서버로 접속하여 데이터를 가져온다. 두 번째, 서버PC에서 불러온 데이터로 선박 내 실시간 이상감지를 위한 신뢰구간을 추정한다. 셋째, 신뢰구간 추정은 시계열분석방법인 지수평활법과 이동평균법을 비교 평가하였고 평균제곱오차가 적은 이동평균법과 오차를 적용하여 현재 수집되는 센서데이터의 신뢰구간을 실시간으로 추정한다. 넷째, 선박 내에서 측정된 데이터가 추정된 신뢰구간을 이탈하게 되면 이상 징후 발생으로 인식하여 알림창과 함께 경보음을 울려 관리자에게 알려준다. 마지막으로 관리자는 이러한 이상감지 정보를 활용하여 선박 내부에서 발생한 위급한 상황에서 신속하고 정확한 의사결정을 하는데 도움을 받음으로써 안전운항을 할 수 있다. | |
시계열예측법이란 무엇인가요? | 시계열예측법이란 일정한 시간적 간격으로 나열된 과거의 자료에 나타난 수요의 패턴이 미래의 시간 간격에도 연속하여 적용된다는 가정에서 수요를 예측하는 기법이다. 이러한 시계열은 수년간의 과거 자료가 있으며 그 자료 속에는 추세가 분명하며 비교적 안정적일 때 적합한 방법이다. | |
선박의 안전운항 서비스 기술은 어떤 분야로 나눌 수 있나요? | 선박의 안전운항 서비스 기술은 선박 주변의 상황을 분석하여 선박이 안전하게 항로를 계획하도록 직접적으로 지원하는 분야와 선박 운항과 관련된 장비 또는 장치의 상태를 점검하여 운항에 지장이 없도록 사전에 경고하여 조치할 수 있는 분야로 나누어 볼 수 있다. 선박의 안전한 운항을 지원하기 위한 서비스 개발은 이미 오래전부터 추진되어 왔지만, 선박 분야에 IT기술이 접목되면서 본격적으로 개발되고 있는 추세이다. |
J. H. Park, B. T. Jang, and D. S. Lim, "Safe operation of the shipyard and ship building digital technology developments supported," Korean Inst. Inf. Sci. Eng.(KIISE), vol. 31, no. 1, pp. 55-63, Jan. 2003.
A. C. Harvey, Time Series Models, 2nd Ed., MIT Press, (308), 1993.
H. Zou and Y. H. Yang, "Combining Time Series Model for Forecasting," Int. J. Forecasting, vol. 20, no. 1, pp. 69-84, 2004
K. H. Cho and D. H. Lee, "A Study on Traffic Anomaly Detection Scheme Based Time Series Model," J. KICS, vol. 33, no. 5, pp. 304-309, 2008.
H. G. No, SPSS / Excel by time series analysis, HYOSAN, (323), 2008.
C. Lim, M. Michael, "Time Series Forecasts of International Travel Demand for Australia," Tourism Management, vol. 23, no. 4, pp. 389-396, Aug. 2002.
Y. H. Kim, Time Series Prediction, HSPN, (448), 2002.
P. Buonadonna, D. Gay, J. M. Hellerstein, W. Hong, and S. Madden, "Task: Sensor network in a box," in Proc. 2nd European Workshop on Wirel. Sensor Netw., pp. 133-144, Istanbul, Turkey, Feb. 2005.
G. Werner-Allen, K. Lorincz, J. Johnson, J. Lees, and M. Welsh, "Fidelity and yield in a volcano monitoring sensor network," in Proc. 7th USENIX Symp. Operating System Design and Implementation, pp. 381-396, Berkeley, USA, Nov. 2006.
K. Ni, N. Ramanathan, M. N. H. Chehade, L. Bal zano, S. Nair, S. Zahedi, E. Kohler, G. Pottie, M. Hansen, and M. Srivastava, "Sensor Network Data Fault Types," J. ACM Trans. Sensor Netw., vol. 5, no. 3, pp. 1-29, Aug. 2009.
E. Elnahrawy and B. Nath, "Cleaning and Querying Noisy Sensors," in Proc. Int. Workshop Wirel. Sensor Netw. Appl., pp. 78-87, New York, USA, Sept. 2003.
S. R. Jeffery, G. Alonso, M. J. Franklin, W. Hong, and J. Widom. "Declarative support for sensor data cleaning," in Proc. Int. Conf. Pervasive Computing, Lecture Notes in Comput. Sci., vol. 3968, pp. 83-100, Dublin, Ireland, May 2006.
G. Shmueli, N. R. Patel, and P. C. Bruce, TData Mining for Business Intelligence, E&B, (460), 2006.
S. D. Lee and U. R. Lee, Time series data analysis using SAS, TAMJI, (319), 2006.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.