$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구
A Study on Synthetic Flight Vehicle Trajectory Data Generation Using Time-series Generative Adversarial Network and Its Application to Trajectory Prediction of Flight Vehicles 원문보기

전기전자학회논문지 = Journal of IKEEE, v.25 no.4, 2021년, pp.766 - 769  

박인희 (The 5th R&D Institute - 1st Directorate, Agency for Defense Development) ,  이창진 (The 5th R&D Institute - 1st Directorate, Agency for Defense Development) ,  정찬호 (Dept. of Electrical Engineering, Hanbat National University)

초록
AI-Helper 아이콘AI-Helper

딥러닝을 포함한 머신러닝 기법을 기반으로 비행체의 궤적 설계, 제어, 최적화, 예측 등의 작업을 수행하기 위해서는 일정한 양 이상의 비행체 궤적 데이터를 필요로 한다. 그러나 다양한 이유(예를 들어 비행체 궤적 데이터셋 구축에 필요한 비용, 시간, 인력 등)로 일정한 양 이상의 비행체 궤적 데이터를 확보하기 어려운 경우가 존재한다. 이러한 경우 합성 데이터 생성이 머신러닝을 가능하게 하는 방법 중 하나가 될 수 있다. 본 논문에서는 이와 같은 가능성을 탐구하기 위하여 시계열 생성적 적대 신경망을 이용하여 비행체 궤적 합성 데이터를 생성하고 평가하였다. 또한 비행체의 상태를 인식하기 위한 비행체 궤적 예측 작업에서 합성 데이터의 활용 가능성을 탐구하기 위하여 다양한 ablation study(비교 실험)를 수행하였다. 본 논문에서 제시된 생성 평가 및 비교 실험 결과는 비행체 궤적 합성 데이터 생성 및 비행체 궤적 관련 작업에서 합성 데이터의 활용 가능성에 대한 연구를 수행하고자 하는 연구자들에게 실질적인 도움이 될 것으로 예상한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In order to perform tasks such as design, control, optimization, and prediction of flight vehicle trajectories based on machine learning techniques including deep learning, a certain amount of flight vehicle trajectory data is required. However, there are cases in which it is difficult to secure mor...

주제어

#Generative adversarial network   #Synthetic data generation   #Trajectory data   #Flight vehicles   #Trajectory prediction  

표/그림 (5)

참고문헌 (10)

  1. I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengi, "Generative adversarial nets," in Neural Information Processing Systems, pp.2672-2680, 2014. DOI: 10.3156/JSOFT.29.5_177_2 

    crossref

  2. Y. J. Jo, K. M. Bae, and J. Y. Park, "Research Trends of Generative Adversarial Networks and Image Generation and Translation," Electronics and Telecommunications Trends, vol.35, no.4, pp. 91-102, 2020. DOI: 10.22648/ETRI.2020.J.350409 

    원문보기 상세보기 crossref

  3. O. Mogren, "CC-RNN-GAN: Continuous recurrent neural networks with adversarial training," arXiv preprint arXiv:1611.09904, 2016. 

  4. C. Esteban, S. L. Hyland, and G. Ratsch, "Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs," arXiv preprint arXiv:1706.02633, 2017. 

  5. J. Yoon, D. Jarrett, and M. van der Schaar, "Time-series Generative Adversarial Networks," Advances in Neural Information Processing Systems 32 (NeurIPS 2019), vol.32, 2019. 

  6. C. J. Lee, I. H. Park, and C. Jung, "Objective Evaluation of Recurrent Neural Network Based Techniques for Trajectory Prediction of Flight Vehicles," Journal of IKEEE, vol.25, no.3, pp.540-543, 2021. DOI: 10.7471/ikeee.2021.25.3.540 https://doi.org/10.7471/ikeee.2021.25.3.540 

    원문보기 상세보기 crossref

  7. J. Kim, C. Jung, D. Kang, and C. J. Lee, "A New Vessel Path Prediction Method using Long Short-term Memory," The Transactions of the Korean Institute of Electrical Engineers, vol.69, no.7, pp.1131-1134, 2020. DOI: 10.5370/KIEE.2020.69.7.1131 

    상세보기 crossref

  8. J. Kim, C. Jung, D. Kang, and C. J. Lee, "A New Vessel Path Prediction Method Based on Anticipation of Acceleration of Vessel," Journal of Institute of Korean Electrical and Electronics Engineers, vol.24, no.4, pp.1176-1179, 2020. DOI: 10.7471/ikeee.2020.24.4.1176 

    원문보기 상세보기 crossref

  9. S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, vol.9, no.8, pp.1735-1780, 1997. DOI: 10.1162/neco.1997.9.8.1735 

    상세보기 crossref

  10. K. Cho, B. van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, and Y. Bengio, "Learning phrase representations using RNN encoder-decoder for statistical machine translation," arXiv preprint arXiv:1406.1078, 2014. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로