최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
Fully tuned radial basis function neural networks for flight control
Multicopter Design and Control Practice : A Series Experiments based on MATLAB and Pixhawk
실전! GAN 프로젝트 : 텐서플로와 케라스를 이용한 차세대 생성적 적대 신경망 모델 구축
Simulation-driven aerodynamic design using variable-fidelity models
Ein Ansatz zur polygonbasierten Klassifikation von Luft- und Satellitenbildern mittels künstlicher neuronaler Netze
UAVs and urban spatial analysis : an introduction
Multiple-patch matching in the object space for aerotriangulation
케라스로 배우는 신경망 설계와 구현 : CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
3D shape analysis : fundamentals, theory, and applications /
Information support and aircraft flight management
Modeling and simulation of aerospace vehicle dynamics
항공기상 =
GAN 인 액션 : 텐서플로 2.x와 케라스로 구축하는 생성적 적대 신경망
항공안전정보네트워크(GAIN) 구축방안에 관한 연구 : 우리나라에서의 효율적인 GAIN 운영 및 시스템 구축방안
Industrial applications of neural networks
Study on ground moving target indication and imaging technique of airborne SAR
Machine learning in geosciences
Robot vision
Computational modelling and simulation of aircraft and the environment
Digital aerial survey : theory and practice
IEEE Access
He X.,Ji W.,Xie J.IEEE Transactions on Image Processing
Liu W.,Hou X.,Duan J.,Qiu G.International Journal of Neural Systems
Yu Xue; Yixia Zhang; Ferrante NeriIEEE Geoscience and Remote Sensing Letters
Liu W.,Luo B.,Liu J.Pattern Recognition
Liu Q.,Zhang Q.,Liu W.,Chen W.,Liu X.,Wang X.Arabian Journal for Science and Engineering
Aithal B.H.,Das S.K.,Subrahmanya P.P.Physics of Fluids
Ma, X.; Zhang, Y.; Xu, X.; Wang, H.; Wang, T.Journal of computational biology : a journal of computational molecular cell biology
Czobit C; Samavi RIEEE Transactions on Artificial Intelligence, Artificial Intelligence, IEEE Transactions on, IEEE Trans. Artif. Intell.
He, Y.; Seng, K.P.; Ang, L.M.软件导刊 / Software Guide
许哲豪; 陈玮; XU Zhe-hao; CHEN WeiRemote Sensing
Sun Y.,Yan K.,Li W.Data in brief
Gourgue N; Boucher O; Barthès LDrones
Gwon G.H.,Lee J.H.,Kim I.H.,Baek S.C.,Jung H.J.IEEE Geoscience and Remote Sensing Letters
Jun Liu; Weixing Liu; Bin LuoInternational Journal of Neural Systems
Xue Y.,Zhang Y.,Neri F.Measurement: Journal of the International Measurement Confederation
Chen J.,Yan Z.,Lin C.,Yao B.,Ge H.Journal of Intelligent and Fuzzy Systems
Ubale Kiru M.,Belaton B.,Chew X.,Almotairi K.H.,Hussein A.M.,Aminu M.Journal of Electronic Science and Technology
Run Ye; Azzedine Boukerche; Xiao-Song Yu; Cheng Zhang; Bin Yan; Xiao-Jia ZhouJOURNAL OF MECHANICAL DESIGN
Shu, Dule; Cunningham, James; Stump, Gary; Miller, Simon W.; Yukish, Michael A.; Simpson, Timothy W.; Tucker, Conrad S.Remote Sensing
Yu W.,Li J.,Wang Z.,Yu Z.전선 / 대학원
본 스튜디오는 인공지능(AI)을 조경의 핵심 설계 도구로 활용하는 것을 목표로 하는 실습 중심의 스튜디오이다. 지난 2년간 진행한 세미나 주제인「조경과 AI」에서 다루었던 이론적 논의를 확장하여, 실제 설계 프로세스 속에서 AI의 잠재력과 한계를 탐구한다. 본 수업은 인간이 직관적으로 해결하기 어려웠던 형태적·공간적 문제를 인공지능을 통해 분석하고 생성하는 과정을 실험하며, 프롬프트 설계(Prompt Design)와 룰 베이스 설계(Rule-Based Design)와 같은 개념을 핵심 학습 주제로 다룬다. 수강생들은 2차원 이미지로부터 3차원 형상을 추출하고, 형태의 특징을 기반으로 기능과 프로그램을 부여하는 과정에서 다양한 AI 도구를 활용한다. 이를 통해 인공지능을 단순한 도구가 아닌 공동 설계자(co-designer)로 이해하며, 디지털 생성 기술을 통해 새로운 형태, 패턴, 그리고 공간 경험을 제안한다. 최종적으로 AI를 활용한 설계 프로토타입 혹은 실험적 디자인 아틀라스를 제작하여, 미래 조경·도시설계의 가능성을 탐구한다.전선 / 대학원
빅데이터와 인공지능은 무인이동체의 자율적인 운행을 위한 필수적인 기술이다. 빅데이터는 인공지능의 예측 정확성을 증대시키고 사고범위를 확장하는 기반자료로서 무인이동체의 다양한 운항 및 성능자료 등이 여기에 포함된다. 인공지능 기술에 의해 시스템이 지능화하게 되면 자율화 프로세스인 OODA(Observe-Orient-Decision-Action)가 적시에 연쇄적으로 이루어지게 되어 통신 차폐와 송수신 시간 지연, 재밍 등의 제한성을 가진 무인이동체의 임무 자유도를 현격하게 증대시키게 된다. 이 교과과정에서는 대학원생이 빅데이터의 처리기법과 딥러닝에서 핵심적인 요소인 신경망과 CNN(합성곱 신경망)을 학습하여 인공지능의 기본 원리와 적용을 이해하게 된다. 이를 통해 무인이동체의 자율화의 통제수준을 인지하고 자율화의 현 수준과 발전방향을 이해하여 가능한 임무를 선택하고 운영개념을 작성할 수 있는 지식과 식견을 가지게 될 것이다.전선 / 학사
“항공드론빅데이터알고리즘”은 드론 기술과 인공지능의 융합을 탐구하는 수업이다. 드론은 자율비행, 데이터 처리, 기계학습 등 다양한 인공지능 기술을 활용하여 복잡한 환경 속에서도 효율적으로 임무를 수행한다. 드론에서 인공지능의 궁극적인 목표는 대량의 데이터를 수집하고, 이를 임무에 맞게 최적화하여 운영하는 것이다. 본 과목에서는 드론이 수집하는 방대한 양의 데이터가 자동화된 방식으로 처리되는 방법을 이해한다. 학생들은 빅데이터 알고리즘의 기본 개념을 배우고, 이를 통해 실질적인 데이터 분석 기법을 습득한다. 특히, 수집된 빅데이터를 활용하여 실제 드론 임무에 적용할 수 있는 사례를 통해 이론과 실무의 연계를 강화한다. 또한, 데이터 분석 과정에서의 도전 과제와 해결책을 모색하고, 최신 기술 동향을 반영하여 학생들이 변화하는 드론 산업에 적응할 수 있도록 돕는다. 궁극적으로, 학생들은 드론의 데이터 분석 역량을 강화하고, 이를 통해 효과적인 의사결정을 내릴 수 있는 능력을 배양한다.전선 / 대학원
본 과목에서는 고차원 데이터의 저차원 표현을 학습하기 위한 기하학적 방법을 소개한다. 미분 기하학의 기초(구체적 주제는 리만 다양체 및 Lie 그룹, 텐서, 커넥션 및 fiber 번들 포함)를 다룬 후, 고차원 데이터에 대한 기존 기계 학습 알고리즘(예: 매니폴드 러닝, 메트릭 러닝)의 기하학적 일반화 방법을 개발하여, 대칭적 구조가 존재하는 고차원 비유클리디언 데이터 문제에 적용한다. 위와 같은 방법을 구현하기 위한 효율적인 계산 알고리즘도 소개한다. 후반부에는 Ito 확률 미분 방정식의 관점에서 강화 학습과 확률 최적 제어 간의 관계를 고찰하여, 고차원 비유클리디언 데이터 강화 학습 문제에 적용 가능한 기하학적 방법도 개발한다.전선 / 대학원
본 과정은 선형 시스템, 전달 함수, 라플라스 변환에 대하여 소개한다. 안정성과 피드백을 다루고 과도 응답 사양을 위한 기본 설계 도구를 제공한다. 또한 주파수 영역 기술도 간략하게 다룬다. 이 과정에는 컴퓨터 프로그래밍 실습 및 제어 설계 프로젝트가 포함된다. 실습 프로젝트에 관련된 전공은 조선해양공학은 물론 로봇공학, 기계공학, 전자공학, 전기공학, 산업응용수학 등이다.전선 / 대학원
데이터마이닝 (Data Mining)은 대용량 데이터베이스에 존재하는 데이터 간의 관계, 패턴, 규칙 등을 찾아내고 모형화해서 의사결정을 돕고, 유용한 정보로 변환하는 일련의 과정이다. 본 강좌에서는 기술모델링과 예측모델링에 사용되는 통계학, 기계학습, 신경회로망 기법들을 공부하고, 응용 사례 연구와 패키지를 이용한 프로젝트를 수행한다.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.논문 / 대학원
본 교과목은 (협동과정)우주시스템전공 소속의 대학원생들이 창의적이고 우수한 우주시스템 전공의 학위논문을 쓰기 위하여 지도교수와 적절한 주제를 선정하여 관련된 문헌을 강독하고 분석하여 연구한 바를 지도교수와 정기적으로 토론한다. 본 교과목은 우주시스템 관련 연구 분야인 위성시스템, 발사체시스템, 우주추진, 희박공기역학, 우주소재, 우주과학, 위성활용을 통한 지구과학, 대기과학 및 해양과학 등의 분야에서 특정 주제를 선정하여 이론, 실험, 모델링, 설계, 해석, 제작, 시스템 엔지니어링 등의 다양한 연구방법을 적용하여 해당분야에서 우주시스템 분야 진보를 위한 전문가와 리더가 되기 위한 기초 및 응용 연구를 하는 것으로 한다.전선 / 대학원
이 과목은 다변수 피드백 제어시스템의 강인성 분석과 설계에 관한 다양한 이론적 개념과 기법들을 배운다. 항공기 모델에 불확실성이 존재하거나 외란이 작용하더라도 비행 안정성과 성능을 잃지 않고 제어할 수 있어, 드론, 무인기, 미래 항공 모빌리티 등에 유용한 기술을 학습한다.전선 / 대학원
우리는 생성형 AI의 시대에 살고 있으며, 생성형 AI가 생성하는 컨텐츠들은 실제와 구별하기 어려울 정도로 발전하고 있다. 본 수업은 생성형 AI의 발전 과정, 수학적 표현법, 대표적인 최신 생성 모델을 다룬다. 본 수업은 두 개의 세션(강의 세션 및 발표 세션)으로 나뉘어진다. 수업의 절반은 생성 모델의 기본 아이디어와 컨셉에 대해 탐구하고, 두 번째 세션에서는 학생이 직접 추천된 논문을 읽고 발표하는 시간을 가진다. 최종적으로 선택된 논문을 바탕으로 새로운 아이디어를 제시하고 발표하는 시간을 갖는다. 본 수업 수강을 위해서, 확률 통계, 랜덤프로세스, 머신러닝, 및 딥러닝 교과목 수강을 선행으로 수강하는 것을 추천한다.전선 / 대학원
확률이론의 기초를 이해하고 이를 바탕으로 상태변수를 추정하는 원리를 배운다. 또한 이를 비행체 제어에 응용한다. 칼만필터에 대한 상세한 식을 유도하고 그 특성을 연구한다. 비선형 시스템에 적용될 수 있는 Extended 칼만필터를 유도하고 실제 비행기나 인공위성에 응용한 예를 다룬다.전선 / 학사
본 교과목은 항공기의 동적특성을 이해하고, 비행 제어시스템을 설계하기 위한 기본원리를 제공하는 교과목이다. 항공기 조종성 및 안정성에 대한 내용을 다루고, 항공기가 정적으로 안정하도록 설계하기 위한 기하학적 및 공력특성을 해석적으로 다룬다. 뉴톤의 제2법칙을 이용하여 강체인 항공기의 비행운동특성을 묘사할 수 있는 비선형 운동방정식을 유도한다. 항공기의 동특성을 이해하고, 제어시스템을 설계하기 위해서 주어진 평형상태에 대하여 선형화하여, 단주기/장주기 운동 등의 항공기 운동특성을 학습한다. 동적 안정성 증대 및 조종성 증대를 위한 제어기 설계기법을 학습한다전선 / 대학원
본 과목에서는 항공기 유도제어기의 설계 및 최적궤적 설계를 위한 최적화기법을 다룬다. 우선, 변분법을 이용한 최적해의 필수조건을 유도하고, 제어시스템 설계를 위한 형태로 공식화한다. 최적제어이론의 대표적인 문제인 최단시간 제어기법, 최소 연료소모 제어기법 등을 다룬다. 최적제어문제의 일반적인 유형인 두점경계치 문제에 대한 수치해법을 연구하고, 항공기/발사체의 최적궤적을 설계하기 위한 문제에 적용한다.전선 / 대학원
본 교과목은 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝에 대해 보다 깊이 있게 소개한다. 데이터마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 그리고 분산 시스템과 다수의 머신을 이용하여 빠르고 확장성 있게 대용량 데이터를 처리하는 방법을 논의한다. 또한 여러 실제 세계 응용에 어떻게 데이터마이닝을 적용하는지에 대해서도 논의한다. 주요 주제로 그래프 데이터 분석, 행렬/텐서 데이터 분석, 비정상 이벤트 탐지 등이 있다.전선 / 학사
통상적으로 교통운영은 교통류에 대한 충분한 이해를 바탕으로 적절한 운영 방안을 도입하여 도로교통시설의 효율을 높이는 것을 의미한다. 이를 위해 교통류에 대한 미시적‧거시적 관점, 교통량‧속도‧밀도 등 교통류 특성 간의 관계, 교통정체의 발생 및 해소 과정 등을 이해하는 것이 중요하다. 한편, 교통수단의 다변화로 인해 기존 교통운영의 대상이었던 도로교통이 교통시스템의 한 요소로써의 역할을 맡게 되었으며, 자연스럽게 교통운영의 범위도 확대되었다. 또한, 정보통신기술의 발달이 수집 가능한 정보의 질적‧양적 성장을 촉진하였지만, 불완전한 정보가 수집되거나 교통시스템 내‧외적 요인으로 인해 불확실한 예측이 이뤄지는 경우도 발생하였다. 최근 들어 이를 해결하기 위해 인공지능(Artificial Intelligence, AI)을 활용한 사례들이 등장하고 있다. 따라서 이 과목에서는 교통류분석, 교통신호제어 등의 배경이 되는 교통 관련 이론에 대해 학습함과 더불어 교통운영 분야 내 다양한 AI 적용 사례들을 소개하면서 기계학습(Machine Learning), 딥러닝(Deep Learning), 생성형 AI(Generative AI) 등 연관된 AI 기법을 살펴본다. 아울러 자율주행차량 제어, 대중교통 및 모빌리티 시스템 운영 등 교통운영의 확대된 범주 내에 포함되는 교통시스템에 대해서도 다룸으로써 폭넓은 지적 기반을 제공할 수 있을 것으로 기대된다.전선 / 대학원
이 과목은 연구를 처음 시작하는 대학원생들에게 필요한 소양 전반에 대해 가르치고, 체계적으로 연구에 임할 수 있도록 항공우주 연구 윤리, 연구 방법론, 신진연구인력의 연구 경험 공유 및 대학원생 상담, 우수 대학원생의 연구 소개로 구성된다. 항공우주공학 연구자로서의 책임, 의무, 사회적 나눔, 공학 기술과 사회의 선순환적 영향에 관해 체계적으로 교육할 뿐만 아니라, 우수 연구자로서의 소양을 기르기 위해 연구 설계, 접근법, 문헌 조사 등에 대하여 체계적으로 강의한다. 특히, 신진연구인력의 연구 성공 및 실패 경험을 전수하여, 학생들의 연구역량을 증진한다.전선 / 대학원
우리는 생성형 AI의 시대에 살고 있으며, 생성형 AI가 생성하는 컨텐츠들은 실제와 구별하기 어려울 정도로 발전하고 있다. 본 수업은 생성형 AI의 발전 과정, 수학적 표현법, 대표적인 최신 생성 모델을 다룬다. 본 수업은 두 개의 세션(강의 세션 및 발표 세션)으로 나뉘어진다. 수업의 절반은 생성 모델의 기본 아이디어와 컨셉에 대해 탐구하고, 두 번째 세션에서는 학생이 직접 추천된 논문을 읽고 발표하는 시간을 가진다. 최종적으로 선택된 논문을 바탕으로 새로운 아이디어를 제시하고 발표하는 시간을 갖는다. 본 수업 수강을 위해서, 확률 통계, 랜덤프로세스, 머신러닝, 및 딥러닝 교과목 수강을 선행으로 수강하는 것을 추천한다.전선 / 대학원
기계학습은 환경으로부터 데이터 관찰과 경험을 통해 성능을 계속적으로 향상시킬 수 있는 문제해결 시스템을 연구하는 인공지능의 한 분야이다. 본 과목에서는 기계학습에 관한 이론 및 실제적인 연구 주제들에 관해 학습한다. 감독 학습과 무감독 학습 및 강화학습에 관한 기본 원리와 이론적인 배경을 공부하며 이들에 대한 구체적인 알고리즘을 학습한다. 기호규칙 학습, 결정트리, 메모리기반 학습, 신경망, 유전자알고리즘, 베이지안 망, 은닉 마코프 모델, 커널방법 및 기타 최근 기계학습 알고리즘을 다룬다.전선 / 대학원
현재, 항공우주분야에서 이슈화되어 있는 Topic에 대해서 발표를 통한 intensive한 수업을 진행한다. 분야는 공기역학, 공력소음, 항공기 구조, 추진, 항공기 제어, 인공위성 등을 폭넓게 다룬다.전선 / 대학원
기계학습은 다양한 분야에서 점차 큰 관심을 받고 있으나, 막상 실제 데이터에 적용하여 성공적인 결과를 도출하는 데에는 많은 어려움이 따른다. 본 과목은 기계학습 기법들을 실제 문제에 적용할 때에 중요한 데이터 전처리, 피쳐 추출, 차원 축소, 클래스 불균형, 모델 앙상블 등의 주제들을 다루고, 데이터로부터 모형과 종속성을 학습하는 원리와 기법들을 소개하는 바, 특히 확률, 통계 및 최적화 이론에 기반하여 신경망 (Neural Networks), 서포트 벡터 머신 (Support Vector Machines), 은닉 마르코프 모형 (Hidden Markov Models) 및 강화 학습 (Reinforcement Learning) 기법들을 공부한다. 또한, 이들 기법을 활용하여, 다양한 시계열 데이터들을 대상으로 예측 및 분류 모델을 구현하는 프로젝트들과 데이터 기반 학습의 사례 연구들이 포함된다.