[논문]빅데이터를 활용한 드론의 이상 예측시스템 연구

이양규; 홍준기; 홍성찬

doi:10.7472/jksii.2020.21.2.27

빅데이터를 활용한 드론의 이상 예측시스템 연구
A Study on the Anomaly Prediction System of Drone Using Big Data 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.2, 2020년, pp.27 - 37

이양규 (Division of Information and Telecommunication, Hanshin University) , 홍준기 (Department of Computer Engineering, Paichai University) , 홍성찬 (Division of Information and Telecommunication, Hanshin University)

초록
AI-Helper

최근 국내외 빅데이터가 4차 산업혁명의 핵심기술로 급부상하고 있다. 또한, 4차 산업혁명의 발달과 더불어 드론에 대한 활용도와 수요가 계속 증가하고 있으며, 이에 관한 결과로 이제 드론은 일상생활과 다양한 산업 활동에 많이 활용되고 있다. 하지만 드론의 활용이 많아지면서 추락의 위험 또한 높아지고 있다. 드론은 비행 시 드론 내부 특성상의 간단한 구조로 인하여 작은 문제에도 쉽게 추락할 수 있는 위험요소를 항상 가지고 있다. 본 논문에서는 이러한 드론 추락 위험요소를 예측하고 추락을 방지하기 위하여 드론의 구동 모터와 일체형으로 ESC(Electronic Speed Control)를 부착하고 그 안에 가속도 센서를 장착해 진동 데이터를 실시간으로 수집 및 저장하고 그 데이터를 실시간으로 처리 및 모니터링 한다. 그리고 모니터링 상황에서 얻어진 빅데이터를 통한 데이터를 고속 푸리에 변환(Fast Fourier Transform,FFT) 알고리즘을 이용하여 수집된 빅데이터를 분석하여 드론 추락의 위험을 최소화하는 예측시스템을 제안하였다.

Abstract ▼ AI-Helper

Recently, big data is rapidly emerging as a core technology in the 4th industrial revolution. Further, the utilization and the demand of drones are continuously increasing with the development of the 4th industrial revolution. However, as the drones usage increases, the risk of drones falling increases. Drones always have a risk of being able to fall easily even with small problems due to its simple structure. In this paper, in order to predict the risk of drone fall and to prevent the fall, ESC (Electronic Speed Control) is attached integrally with the drone's driving motor and the acceleration sensor is stored to collect the vibration data in real time. By processing and monitoring the data in real time and analyzing the data through big data obtained in such a situation using a Fast Fourier Transform (FFT) algorithm, we proposed a prediction system that minimizes the risk of drone fall by analyzing big data collected from drones.

주제어

표/그림 (23)

그림 (그림 1) Cascade PID 제어기 기반의 비행체 자세제어기술 (Figure 1) Cascade PID controller based aircraft attitude control technology
그림 (그림 2) 제어 및 유도 루프 (Figure 2) Control and guidance loop
그림 (그림 3) 모터 제어 및 할당 (Figure 3) Motor control and allocation
그림 (그림 4) 손상된 프로펠러와 베어링 (Figure 4) Damaged propeller and bearing
그림 (그림 5) 제안한 이상 예측시스템의 순서도 (Figure 5) Flowchart of proposed anomaly prediction system
표 (표 1) 모터, 프로펠러에 대한 불량 검출 (Table 1) Defect detection of motor and propeller.
그림 (그림 6) BDAS 개념도 (Figure 6) BDAS Conceptual diagram
그림 (그림 7) 드론 모터 데이터 취득 방법 (Figure 7) Motor control and allocation
그림 (그림 8) 가속도 데이터 획득 실험 PWM 신호 입력 (Figure 8) Acceleration data acquisition experiment PWM signal input
그림 (그림 9) PWM 신호 입력에 따른 가속도 데이터 (Figure 9) Acceleration data according to PWM signal input
그림 (그림 10) 드론 이상 예측시스템 구조 (Figure 10) Drone anomaly prediction system structure
그림 (그림 11) 60mm급 모터 회전속도 반응성 측정 (Figure 11) 60mm motor speed reactivity measurement
그림 (그림 12) 60mm급 모터 회전속도 반응성 시정수 도출 (Figure 12) Derivation of 60mm motor speed responsive time constant
그림 (그림 13) 모터의 각종 신호를 측정할 수 있는 테스트베드 (Figure 13) Test bed for measuring various signals from the motor
그림 (그림 14) 구동 모듈의 RPM(회전속도) 대비 추력과 토크 비교 (Figure 14) Thrust vs. torque vs. RPM of drive module
표 (표 2) DJI E2000 PRO 구동 모듈 측정 실험결과 일부 (Table 2) Partial results of DJI E2000 PRO drive module measurement
표 (표 3) 60mm 모터 구동 모듈 측정 실험결과 일부 (Table 3) Partial results of 60mm motor drive module measurement test result
그림 (그림 15) 구동 모듈의 추력 대비 소모전류량 비교 (Figure 15) Some 60mm motor drive module measured
그림 (그림 16) 고장진단 실험에 사용된 프로펠러 (Figure 16) Propeller used for troubleshooting test
그림 (그림 17) 곌레 복소수를 갖는 FFT (Figure 17) FFT with condensation complex
그림 (그림 18. a) 가속도 Z, Y, Z 데이터 FFT를 이용한 고장진단 (Figure 18. a) Fault diagnosis using acceleration X, Y, Z data FFT
그림 (그림 18. b) 가속도 X, Y, Z 데이터 FFT를 이용한 고장진단 (Figure 18. b) Fault diagnosis using acceleration X, Y, Z data FFT
그림 (그림 19) 정상상태, 프로펠러 손상, 베어링 손상에 대한 3축 가속 (Figure 19) 3-axis acceleration for steady state, damaged propeller and bearing

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

IMU 센서는 중력 가속도 벡터를 측정하는 3개축의 가속도 센서(Accelerometer), 동체의 회전속도를 측정하는 자이로스코프 센서(Gyroscope) 센서, 비행체의 방향을 알기 위한 지구 자기장의 세기를 측정하는 지자기 센서(Magnetometer)로 구성되어 있다. 따라서 본 논문에선 드론의 센서들로부터 수집된 신호 빅데이터를 분석하여 비정상적인 동작을 감지하고 추락을 방지하는 알고리즘을 제안한다.

제안 방법

(그림 5)에서 확인할 수 있듯, 60mm급 개발 구동 모듈 테스트를 통해 ESC 내 진동 센서(AIS328DQ)에서 가속도계에서 발생하는 빅데이터와 가속도계에서 발생하는 신호를 바탕으로 실시간으로 속도계 데이터를 분석하여 고장 진단을 통해 드론의 비행 중 이상 신호를 검출할 수 있도록 처리하였다.
DJI E2000 pro 구동 모듈과 60mm급 제품 구동 시 신호를 측정하여 프로펠러와 모터 등 이상 현상을 만들어 데이터를 측정하여 빅데이터 분석을 통한 이상 예측 기능의 알고리즘(2.5절의 DFT 변환 공식)을 통해 구현한다. (표1), (표2)를 이용하여 드론의 모터 모듈에서의 정상적인 구동과 비정상적인 동작을 판단한다.
PWM 신호 입력은 0.05ms, 0.1ms, 0.15ms씩 변화를 주는 것으로 반응성 측정 실험을 진행하였다.
5ms일 때의 정상 구동 모듈의 가속도 센서 데이터와 비교하였다. 가속도 센서 데이터는 시간영역데이터(Time domain data)에 FFT를 적용하여 에너지 차원의 단방향 스펙트럼을 분석하였다.
구동 모듈(모터+프로펠러)의 회전속도 반응성을 실험 하기 위해 모터 회전 중심축에 마그네틱 엔코더를 부착해 회전에 따라 교차하는 N/S극의 변화를 감지하여 회전속도를 측정한다.
진동분석을 통해 다음과 같은 전기적인 문제를 탐지할 수 있다 [3]. 그래서 다음과 같은 고정자 편심, 단락권선, 회전자 편심 등을 가속도 센서의 진동에 의한 스펙트럼 분석으로 기존의 정상적인 자료와 비정상적인 자료를 통해 고장 유무를 판단할 수 있다.
기계적 스트레스로 인한 모터의 베어링 마모조건으로 실험의 경우 Time domain 가속도의 원자료(Raw Data)와 FFT 분석을 동시에 진행함. 실험결과, 베어링 고장 시 Z축의 가속도 원자료(raw data)의 표준편차가 정상상태의 50% 이하로 유의미하게 감소하여 FFT 분석결과보다 고장진단의 기준으로 적합하다고 판단되었다.
두 종의 모듈을 실제 실험은 PWM 신호 1.2ms부터 0.05ms 간격으로 증가시키면서 진행하였다. 각 구동 모듈 별 PWM 신호 입력 대비 추력, 토크, 회전속도, 전류 측정 결과는 아래 (표2), (표3) 와 같다.
드론 이상 시스템의 측정 방법은 고장 유형별 가속도 센서 데이터를 분석하여 고장 원인으로 보았다. 프로펠러 손상, 모터의 베어링 마모로 총 2가지 고장 유형에 대해 멀티콥터가 호버링 상태임을 가정하여 PWM 신호가 1.
이러한 빅데이터를 통해 실제 이상 예측시스템의 필요성을 확인했다. 또한, 모터 쪽에서 얻을 수 있는 진동 신호와 추력, 회전수, 시정수를 파악하여 고장의 진단 할 방법을 제안하였다. 그러나 향후 더 향상된 드론 위험예측을 위해서는 공기역학, GPS 데이터, IMU(Inertial Measurement Unit) 등 외부 요인도 반영되어야 한다.
모든 비행기록과 시간별 동작 상태를 정리하여 정성 대한 기준을 설정하고 각 신호가 이상 동작이 될 때 예측하여 문제점을 파악한다.
모터 내부에 가속도 센서를 설치 후 프로펠러의 이상시 예측 부분에 관한 결과는 (그림 16)의 프로펠러의 손상 여부에 따른 주파수 영역의 변화를 비교하는 것으로 고장 진단 실험을 진행하였고. 정상적인 프로펠러와 팁 부분이 손상된 프로펠러를 장착하여 각 PWM 신호 입력 구간별 가속도 데이터를 빅데이터 분석하여 예측하는 부분을 FFT 를 통해 주파수 영역으로 분석하여 구동 모듈의 이상 상태를 확인할 수 있다 [10].
본 연구는 드론의 모터 모듈에서 발생하는 다량의 빅데이터를 이용하여 이상 위험을 예측할 수 있도록 드론 이상 예측시스템을 구성했다. 이러한 빅데이터를 통해 실제 이상 예측시스템의 필요성을 확인했다.
본 연구는 모터 진동 실험하기 위해 이상 예측시스템을 구축하였다 (그림 10).
빅데이터를 활용한 드론의 이상 예측시스템을 구현하고 드론의 모터로부터 빅데이터를 수집하고 분석하기 위해 BDAS를 제안하였다. BDAS는 드론의 모터와 함께 부착된 ESC 내 가속도 센서의 신호를 실시간으로 저장 후분석해 모터의 이상 상황을 판단하여 정상 데이터를 계속 해서 수집 분석하여 정상 비행 데이터를 정리하고 예측한다 (그림 6)[5].
(표1), (표2)를 이용하여 드론의 모터 모듈에서의 정상적인 구동과 비정상적인 동작을 판단한다. 이후 데이터를 분석 후 (그림 16)과 같이 이상 프로펠러를 장착하여 기존 정상 신호와 비정상적인 신호를 추출할 수 있도록 FFT (Fast Fourier Transform)를 사용하여 분석하고 고장진단을 할 수 있는 빅데이터 BRAS 시스템을 구축한다.
드론 이상 시스템의 측정 방법은 고장 유형별 가속도 센서 데이터를 분석하여 고장 원인으로 보았다. 프로펠러 손상, 모터의 베어링 마모로 총 2가지 고장 유형에 대해 멀티콥터가 호버링 상태임을 가정하여 PWM 신호가 1.5ms일 때의 정상 구동 모듈의 가속도 센서 데이터와 비교하였다. 가속도 센서 데이터는 시간영역데이터(Time domain data)에 FFT를 적용하여 에너지 차원의 단방향 스펙트럼을 분석하였다.

대상 데이터

(그림 7)과 같이 드론 전축에 ESC를 부착하고 가속도 센서(AIS328DQ)를 장착한 후 드론의 데이터를 수집한다.
(그림 8)과 같이 PWM(Pulse Width Modulation) 신호 인가에 따른 구동 모듈의 가속도를 측정하였으며, 측정 실험은 PWM 신호 1.3ms부터 0.1ms 간격으로 1.8ms까지 측정하여 구간별로 3축 가속도 데이터를 측정하였다.
이상 예측을 위해 사용된 데이터는 가속도 센서에서 진동량에 따른 전기 신호를 출력한 신호 데이터를 수집한다.
일반적으로 구동 드라이버에 사용되는 신호인 PWM 신호를 인가하여 모터와 프로펠러의 회전에 따른 추력, 토크, 회전속도, 전류량을 측정하여 60mm급 구동 모듈(모터 +ESC)과 같은 급의 고급제품인 DJI 社의 E2000 pro 구동 모듈의 신호를 측정한다 (그림 13).
빅데이터에서 드론의 이상 상황을 분석 감지하여 비행 긴급 상황에 대한 예측 판단할 수 있도록 대응한다. 자료 수집 기간은 2018년 2월부터 2019년 6월까지의 ESC 가속도 센서에서 얻어진 데이터로 약 125,000건의 데이터를 분석하여 기술적으로 분류한다.

데이터처리

본 자료에 대한 데이터를 추출 후 푸리에 전개나 푸리에 변환으로 이용하여 데이터에 대한 주파수 성분을 분석할 수 있다. 이때 이상 주파수 발생에 대한 검출을 통해 이상 신호를 예측할 수 있다.

이론/모형

(그림 11)과 같이 PWM 입력 신호와 측정 데이터를 Matlab의 System Identification 기능을 이용하여 프로세스 모델기반으로 모터의 시정수를 도출하였다 [8].
이때 이상 주파수 발생에 대한 검출을 통해 이상 신호를 예측할 수 있다. Discrete time domain에서 주파수 특성을 해석하기 위하여 고속 푸리에 변환(Fast Fourier Transform,FFT)를 이용하여 분석하며, 데이터를 분석하기 위하여 Matlab을 이용한 FFT는 고속 푸리에 변환 알고리즘을 이용해 이산 푸리에 변환(DFT)을 연산하여 (그림 18. a, b)과 같이 다른 채널에서 더 크게 나오는 것과 추가로 나오는 것을 찾아 이상 원인을 예측하도록 한다.
구동 방식 중 일반적으로 많이 사용되는 단일로터형 드론 이상의 모델에서 구동부 모델을 단일형으로 선택하여 사용할 수 있게 Matlab / Simulink를 사용하여 구축하였다.
일체형(All-in-one) 구동 모듈의 상태를 진단하기 위해 구동 드라이버에 부착된 가속도 센서 동작 상태에 따른 측정값을 고속 푸리에 변환(Fast Fourier Transform, FFT)을 이용하였다.

성능/효과

PWM 신호 입력 1.5ms에서의 FFT 분석결과를 보면 37, 50Hz 부근에서 공통으로 두드러진 주파수 영역을 확인할 수 있다. 그러나 (그림 16)의 프로펠러 팁이 손상되었을 경우 Z축 가속도 값의 FFT 분석결과 (그림 18.
가속도 센서를 통한 고장진단은 실제 비행 시 고장의 유무를 판단하는 데 있어 기체의 진동으로 인한 불확실성을 가지고 있으나 프로펠러와 구동기의 고장을 분리할 수 있는 장점이 있다. Time domain 신호를 이용해서 고장진단의 경우 실제 비행 때에도 고장이 발생한 구동 모듈의 위치와 추력이 손실된 정도를 추정할 수 있음을 실험을 통해 확인하였다. 또한, 추력 손실의 원인이 구동부의 고장인지, 프로펠러의 손상인지 등을 구분할 수가 없다는 한계가 있다.
고장상태의 하나인 프로펠러 파손은 외부충격으로 인한 5%의 프로펠러 손실 조건으로 실험결과, 가속도 신호의 FFT 분석결과가 정상상태보다 확연히 다르게 나타나 이상 신호의 주파수 대역을 확인할 수 있었다. 이에 대한 실험은 (그림 2.
구동 모듈의 추력 대비 전류량이 “DJI E2000 pro”과 “60mm 제품”이 동일 추력에서 소모전류량과 응답성이 좋은 것으로 나타났다 (그림15).
기계적 스트레스로 인한 모터의 베어링 마모조건으로 실험의 경우 Time domain 가속도의 원자료(Raw Data)와 FFT 분석을 동시에 진행함. 실험결과, 베어링 고장 시 Z축의 가속도 원자료(raw data)의 표준편차가 정상상태의 50% 이하로 유의미하게 감소하여 FFT 분석결과보다 고장진단의 기준으로 적합하다고 판단되었다.

후속연구

또한, 모터 쪽에서 얻을 수 있는 진동 신호와 추력, 회전수, 시정수를 파악하여 고장의 진단 할 방법을 제안하였다. 그러나 향후 더 향상된 드론 위험예측을 위해서는 공기역학, GPS 데이터, IMU(Inertial Measurement Unit) 등 외부 요인도 반영되어야 한다. 따라서 본 논문은 내부에 대한 특정 모터 모듈 신호 만을 추출하여 연구했지만 차후 더 많은 내부와 외부 데이 터를 가지고 연구해 더욱 신뢰성이 높은 드론 비행의 안정성을 가질 수 있도록 하는 부분이 과제로 남는다.
그러나 향후 더 향상된 드론 위험예측을 위해서는 공기역학, GPS 데이터, IMU(Inertial Measurement Unit) 등 외부 요인도 반영되어야 한다. 따라서 본 논문은 내부에 대한 특정 모터 모듈 신호 만을 추출하여 연구했지만 차후 더 많은 내부와 외부 데이 터를 가지고 연구해 더욱 신뢰성이 높은 드론 비행의 안정성을 가질 수 있도록 하는 부분이 과제로 남는다.

질의응답

핵심어	질문	논문에서 추출한 답변
	IMU 센서는 무엇으로 구성되어 있는가?	드론의 자세 정보를 얻기 위해서는 기본적으로 지구 중력에 대한 관성 데이터를 수집해야 하며 이를 위해서는 IMU 센서가 필요하다. IMU 센서는 중력 가속도 벡터를 측정하는 3개축의 가속도 센서(Accelerometer), 동체의 회전속도를 측정하는 자이로스코프 센서(Gyroscope) 센서, 비행체의 방향을 알기 위한 지구 자기장의 세기를 측정하는 지자기 센서(Magnetometer)로 구성되어 있다. 따라서 본 논문에선 드론의 센서들로부터 수집된 신호 빅데이터를 분석하여 비정상적인 동작을 감지하고 추락을 방지하는 알고리즘을 제안한다.
	드론의 자세 및 방위 추정 시스템은 무엇을 바탕으로 드론의 자세 및 방위를 추정하는가?	드론의 자세 및 방위 추정 시스템(Attitude & Heading Reference System, AHRS)은 관성 센서(X, Y, Z) 3개의 축에서 측정되는 값과 고도계 및 GPS를 바탕으로 드론의 자세 및 방위를 추정한다. AHRS 기술은 드론의 비행 안정성과 항법 정밀도를 좌우하는 가장 중요한 요소이며, 알고리즘이나 값에 오류가 생기면 드론이 추락으로 이어질 수 있는 만큼 신뢰성이 중요한 요소이다.
	드론 이상 예측시스템에서 가속도 센서를 사용한 이유는 무엇인가?	FFT는 주파수 대역 값으로 변형해 정상과 비정상을 진단한다. 가속도 센서를 이용한 고장진단은 온도 센서, 압력 센서 또는 전류 센서에 비해 많은 정보를 포함하고 빠른 반응을 보이기 때문에 드론 프로펠러들의 파손 시 이상 진단에 매우 적합하다. 이러한 이유로 드론 이상 예측시스템에서 가속도 센서를 사용하였다.

참고문헌 (17)

Kim Sun Uk, Kim Hack Seong, Kim Jae Moon, Kim Deok Kun, Won Chung Yeun, "A Study on Speed Control of a Brushless DC Motor using Fuzzy Controlle", The Institute of Electronics and Information Engineers, 1111-1114(4 pages), 1996. http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE06325235
Jaehyun Jin, "Integrated Flight Simulation Program for Multicopter Drones by Using Acausal and Object-Oriented Language Modelica", Journal of the Korean Society for Aeronautical & Space Sciences 45(5), 2017. http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE07177232
Sun-Geun Hwang, Hyun-Joon Park, Woo-Sung Kim, Gil-Dong Kim, Kwang-Bok Shin, Yun-Sup Byun, Tae-Hyung Jang, Dong-Wook Jang, Han-Sup Han, Young-Jae Baek, Gwang-Seon Han, Sung-Ho Kim, Jin-Whan Han, Young-Jae Lee, Soo-Kil Kim, Dae-Hyung Moon, "Development of Core Technology for performance Enhancement of Railway System: The field of Electricity", Korea Railroad Research Institute 204, 2002. http://www.riss.kr/link?idG3633119
Hyung-Su Kim, Young-Hwan Han. "Implementation of Fail-Safe During Drone"s Flight", The Journal of Korean Institute of Information Technology 15(2), 2017.2, 33-40(8 pages), 2017. http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE07111268

상세보기
Hyoungrae Kim, Do-hong Jeon, Sunghyun Jee, "Bigdata Analysis Project Development Methodology" Journal of the Korea Society of Computer and Information 19(3), 2014.3, 73-85(13 pages) http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE06529169
Byung Ho Jung, Dong Hoon Lim, "Comparison analysis of big data integration models", Journal of the Korean Data And Information Science Society 28(4), 2017, 755-768(14 pages)", http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE07404557
Hoon Jung, Moonsung Park, "A Study of Big data-based Machine Learning Techniques for Wheel and Bearing Fault Diagnosis" Korea Academy Industrial Cooperation Society 19(1), 2018.1, 75-84(10 pages) http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE07336618
Jae-Yung Lee, Sung-Jun Yoon, Jae-Gon Kim and Jong-Ki Han, "Weighted DCT-IF for Image up Scaling," KSII Transactions on Internet and Information Systems, vol. 13, no. 2, pp. 790-809, 2019. DOI: 10.3837/tiis.2019.02.017

원문보기 상세보기
Kamran Siddique, Zahid Akhtar, Muhammad Ashfaq Khan, Yong-Hwan Jung and Yangwoo Kim, "Developing an Intrusion Detection Framework for High-Speed Big Data Networks: A Comprehensive Approach," KSII Transactions on Internet and Information Systems, vol. 12, no. 8, pp. 4021-4037, 2018. https://doi.org/10.3837/tiis.2018.08.026

원문보기 상세보기
Y. Hong, E. Na, Y. Jung and Y. Kim, "Outlier Detection Based on MapReduce for Analyzing Big Data," Journal of Internet Computing and Services, vol. 18, no. 1, pp. 27-36, 2017. DOI: 10.7472/jksii.2017.18.1.27.

원문보기 상세보기
M. A. Qureshi, E. Mostajeran, R. M. Noor, A. Shamim and C. Ke, "A Computationally Inexpensive Radio Propagation Model for Vehicular Communication on Flyovers and Inside Underpasses," KSII Transactions on Internet and Information Systems, vol. 10, no. 9, pp. 4123-4144, 2016. https://doi.org/10.3837/tiis.2016.09.006.

원문보기 상세보기
Y. HE, H. TAN, W. LUO, S. FENG, and J. FAN, "MR-DBSCAN: a scalable MapReduce -based DBSCAN algorithm for heavily skewed data," Front. Comput. Sci., vol. 8, no. 1, pp. 83-99, 2014. https://doi.org/10.1007/s11704-013-3158-3.

상세보기
S. Rio, V. Lopez, J. M. Benitez, and F. Herrera, "On the use of MapReduce for imbalanced big data using Random Forest," Journal of Information Sciences, vol.285, pp. 112-137, 2014. https://doi.org/10.1016/j.ins.2014.03.043.

상세보기
CrawleyS. Rio, V. Lopez, J. M. Benitez, and F. Herrera, "On the use of MapReduce for imbalanced big data using Random Forest," Journal of Information Sciences, vol.285, pp. 112-137, 2014. https://doi.org/10.1016/j.ins.2014.03.043.

상세보기
J. R. Phillips and J. K. White, "A precorrected-FFT method for electrostatic analysis of complicated 3-D structures,"IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 16, no. 10, pp. 1059-1072, 1997. https://doi.org/10.1109/43.662670

상세보기
E. Bleszynski, M. Bleszynski, and T. Jaroszewicz, "AIM:adaptive integral method for solving large-scale electromagnetic scattering and radiation problems," Radio Science, vol. 31, no. 5, pp. 1225-1251, 1996. https://doi.org/10.1029/96RS02504

상세보기
P. N. Patel, M. A. Patel, R. M. Faldu, and Y. R. Dave, "Quadcopter for agricultural surveillance", Advance in Electronic and Electric Engineering, Vol. 3, No. 4, pp. 427-432, 2013. http://www.ripublication.com/aeee.htm

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증