DOI QR코드

DOI QR Code

클러스터링 방법을 이용한 방사능 정상수치의 동위원소별 오염 분석

Analysis of Radioactive Contamination Normal Level of Numerical Isotope using Clustering Methods

  • 정용규 (을지대학교 의료IT마케팅학과) ;
  • 최정아 (을지대학교 의료IT마케팅학과) ;
  • 차병헌 (을지대학교 임상병리학과)
  • 투고 : 2014.06.16
  • 심사 : 2014.12.12
  • 발행 : 2014.12.31

초록

여러 국가의 관련기관들은 지역 별로 방사능 정상범위를 제시해 주기적으로 검사하고 있으며 우리나라 역시 방사능 대책 인프라를 구축하여 항시 대비하고 있다. 특히 일본 후쿠시마 피폭사건과 같은 방사능오염이 빈번하게 발생함에 따라 방사능에 대한 사람들의 인식이 위험수준으로 변화하고 있다. 본 데이터는 방사능 정상수치와 관련해 미국정부에서 수집을 하여 각 속성정보들을 파악하고 초과한 수치를 비교분석하였다. 분석 방법으로는 군집화를 사용하고, 특히 EM 알고리즘과 SimpleKMeans 알고리즘을 토대로 실험하였다. 그 결과 정상범위 수치가 높을수록 초과할 확률이 높은 것으로 나타났으며 시간적비용이나 분석정도에 따라 사용할 알고리즘이 다를 수 있다는 것도 알 수 있다. 따라서 정상범위가 높은 지역일수록 해당 기관부처나 정부에서는 조사 빈도수를 높여 반영해야 한다.

As the radioactive-related incidents have been occurred frequently such as Fukushima nuclear exposure incident, it is always considered radioactivity normal levels in radiation exposure as a most risk components at several government agencies. In this paper, the data were analyzed by information in the data beyond range of the attributes. The clustering analysis method is used by EM and SimpleKMeans algorithm. The experimental results about US Radioactive associated data is depending on the method of data analysis. It can be seen that the method of the algorithm is different depending on local value of the normal range. The governments need to pay attention to increase the investigation frequency.

키워드

참고문헌

  1. Hendler, James, et al. "US government linked open data: semantic. data. gov." IEEE Intelligent Systems 27.3 (2012): 0025-31. https://doi.org/10.1109/MIS.2012.27
  2. Matsuda, Naoki, et al. "Assessment of internal exposure doses in Fukushima by a whole body counter within one month after the nuclear power plant accident." Radiation research 179.6 (2013): 663-668. https://doi.org/10.1667/RR3232.1
  3. Nodelman, Uri, Christian R. Shelton, and Daphne Koller. "Expectation maximization and complex duration distributions for continuous time Bayesian networks." arXiv preprint arXiv:1207.1402 (2012).
  4. Polczynski, Mark, and Michael Polczynski. "Using the k-Means Clustering Algorithm to Classify Features for Choropleth Maps." Cartographica: The International Journal for Geographic Information and Geovisualization 49.1 (2014): 69-75. https://doi.org/10.3138/carto.49.1.1517
  5. Shadbolt, Nigel, et al. "Linked open government data: Lessons from data. gov. uk." IEEE Intelligent Systems 27.3 (2012): 16-24.
  6. Tsubokura, Masaharu, et al. "Internal radiation exposure after the Fukushima nuclear power plant disaster." JAMA 308.7 (2012): 669-670. https://doi.org/10.1001/jama.2012.9839
  7. Valsamidis, Stavros, et al. "A Clustering Methodology of Web Log Data for Learning Management Systems." Educational Technology & Society 15.2 (2012): 154-167.
  8. Vila, Jeremy, and Philip Schniter. "Expectation-maximization Gaussian-mixture approximate message passing." Information Sciences and Systems (CISS), 2012 46th Annual Conference on. IEEE, 2012.
  9. Yong-Gyu Jung, Song-Yi Han, "Ranking Methods of Web Search using Genetic Algorithm", The Journal of IIBC (The Journal of The Institute of Internet, Broadcasting and Communication), 10.3 (2010): 91-95.