• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2004년도 봄 학술발표논문집 Vol.31 No.1 (B)
• /
• pp.262-264
• /
• 2004

퍼지 클러스터링 방법은 일반적인 클러스터링 방법과는 달리 하나의 샘플이 다수의 집단에 속할 수 있으며 그 속하는 정도를 표현하여 보다 유연한 클러스터 분할의 분석을 가능하게 한다. 유전자 발현 데이터는 노이즈가 많고 공통된 기능을 가진 유전자들의 집단이 존재하기 때문에 퍼지 클러스터링을 사용하면 더욱 효율적으로 분석할 수 있다. 이러한 퍼지 클러스터링 방법에 있어서 중요한 것은 얼마나 분할이 정확하게 이루어졌으며 실제 데이터가 가지고 있는 분할과 결과가 얼마나 유사한가이다. 본 논문에서는 효과적인 유전자 클러스터의 평가를 위하여 베이지안 검증 방법을 제시하고, 결정트리로 생성된 규칙에 의하여 각 데이터의 특성에 따라 유연하게 검증하는 방법을 제안한다. 다양한 유전자 발현 데이터를 퍼지 c-means 알고리즘을 이용하여 클러스터링하고 제안하는 방법으로 검증한 결과, 그 유용성을 확인할 수 있었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.185-185
• /
• 2018

광학우적계(PARSIVEL)는 강수 입자의 정확한 직경 및 분포 분석에 용이한 이유로 정밀 기상관측과 레이더 및 우량계 검보정을 위해 널리 사용되고 있다. 하지만 PARSIVEL S/W의 경우, 관측 순간의 각종 변수 및 분석 결과를 이해하기에 용이하나 강우 이벤트 전체를 분석하기 위해서는 별도의 후처리가 요구되는 번거로움이 있다. 본 연구에서는 소형레이더 및 전파강수계의 비교검증 효율성 향상을 위해 그림 1과 같이 PARSIVEL의 자료구조 및 포맷을 분석하여, 즉각적으로 원하는 강우 이벤트에 대해 다양한 분석도구를 적용할 수 있는 S/W를 개발하였다. 그림 2로부터 개발된 S/W로부터의 분석결과를 나타내었으며, 다양한 실험을 통해 제안한 S/W를 이용함으로써 각종 강우량계 비교검증 시 강수분석을 용이하게 함을 확인하였다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제10권9호
• /
• pp.375-384
• /
• 2021

딥러닝 기법은 영상 처리 분야에서 높은 성능을 입증 받아 다양한 분야에서 적용되고 있다. 이러한 딥러닝 모델의 검증에 가장 널리 사용되는 방법으로는 홀드아웃 검증 방법, k-겹 교차 검증 방법, 부트스트랩 방법 등이 있다. 이러한 기존의 기법들은 데이터 셋을 분할하는 과정에서 클래스 간의 비율에 대한 균형을 고려하지만, 같은 클래스 내에서도 존재하는 다양한 특징들의 비율은 고려하지 않고 있다. 이러한 특징들을 고려하지 않을 경우, 일부 특징에 편향된 검증 결과를 얻게 될 수 있다. 따라서 본 논문에서는 기존 검증 방법들을 개선하여 영상 분류를 위한 데이터 특징 커버리지 기반의 딥러닝 모델 검증 기법을 제안한다. 제안하는 기법은 딥러닝 모델의 학습과 검증을 위한 훈련 데이터 셋과 평가 데이터 셋이 전체 데이터 셋의 특징을 얼마나 반영하고 있는지 수치로 측정할 수 있는 데이터 특징 커버리지를 제안한다. 이러한 방식은 전체 데이터 셋의 특징을 모두 포함하도록 커버리지를 보장하여 데이터 셋을 분할할 수 있고, 모델의 평가 결과를 생성한 특징 군집 단위로 분석할 수 있다. 검증결과, 훈련 데이터 셋의 데이터 특징 커버리지가 낮아질 경우, 모델이 특정 특징에 편향되게 학습하여 모델의 성능이 낮아지며, Fashion-MNIST의 경우 정확도가 8.9%까지 차이나는 것을 확인하였다.

• 한국항공우주학회지
• /
• 제42권5호
• /
• pp.398-405
• /
• 2014

내장형 소프트웨어 기술이 항공 및 방위산업과 같은 안전-필수 시스템에 적용됨에 따라 보다 높은 소프트웨어의 신뢰성이 요구되고 있다. 그 중에서 소프트웨어의 무결성은 주로 정적 분석 도구를 이용해 검증이 이뤄지고 있으며 최근에 개발된 정적 분석 도구는 수학적인 분석 방법을 통해 코드의 무결성을 평가하고 있다. 본 연구에서는 정형 검증 도구인 Polyspace를 이용해 자동코드의 결함을 검출하고, 코딩규칙의 준수 여부를 검증하였다. 검증된 결과를 바탕으로 결함을 가진 제어법칙 모델을 수정하여 코드 생성 이전의 원천적인 결함을 제거 가능함을 확인하였고 FBW 헬리콥터 제어법칙 자동생성코드의 무결성을 확보 할 수 있었다.

• 한국해안해양공학회지
• /
• 제10권3호
• /
• pp.109-119
• /
• 1998

수평 2차원 POM (Princeton Ocean Model)을 바닥마찰과 개방경계조건에 대하여 수정하고, 간석지를 모의하기 위하여 wetting-and-drying 기법을 첨가하여 천수만과 인근연안에 적용하였다. 연구해역의 주된 기작인 조석에 의한 해수유통만을 고려하였다. 본 논문은 천수만 해역에서의 모델 보정과 검증 절차 및 결과를 제시한다. 조석표의 평균 조석 특성을 이용하여 모델영역 전반에 걸쳐 진폭과 위상을 포함하는 조석파의 전파에 대하여 모델을 보장하였고, 보정 결과가 조석파를 잘 재현하였다. 보정된 모델을 1995년 여름 관측된 해수면 변위와 유속에 대한 시계열 자료를 이용하여 검증하였고, 검증 결과가 조석 및 조류를 잘 재현하였다. 보정 및 검증 결과가 본 모델이 천수만 해역에서 조석 현상을 잘 재현할 수 있음을 보여주었다

• 한국응용과학기술학회지
• /
• 제37권4호
• /
• pp.1008-1019
• /
• 2020

본 연구는 학점은행제 체육학전공 학습자의 사회적지지가 전공만족 및 학습지속의향에 미치는 영향을 규명하여 학점은행제의 체육학 전공자들의 중도탈락을 방지하고 효과적인 운영 방안을 모색하고자 하는데 연구의 목적이 있다. 연구방법은 학점은행제 체육학전공에 학습자를 대상으로 서울의 학점은행제 3곳을 선정하여 총 118부(90.8%)를 유효 표본으로 사용하였다. 조사도구의 타당도와 신뢰도 검증을 위해 확인적 요인분석과 집중타당도, 판별타당도, 평균분산추출(AVE), 개념신뢰도, Cronbach's α 계수를 검증하였다. 자료처리방법은 IBM SPSS statistics 21과 IBM AMOS 21을 이용하여 빈도분석, 확인적 요인분석, 집중타당도, 판별타당도, Cronbach's α 계수 산출을 통한 신뢰도분석(reliability analysis), 상관관계분석(correlation analysis), 구조방정식모형(SEM) 검증을 실시하였다. 연구결과는 다음과 같다. 첫째, 학점은행제 체육학전공 학습자의 교수의 사회적지지와 전공만족 및 학습지속의향의 관계를 분석하기 연구모형의 적합도 검증한 결과 기준을 충족하였다. 둘째, 가설 1의 검증 결과, 학점은행제 체육학전공 학습자의 교수의 사회적지지는 전공만족에 유의한 영향을 미치는 것으로 나타났다. 가설 2의 검증 결과, 학점은행제 체육학전공 학습자의 교수의 사회적지지는 학습지속의향에 영향을 미치는 것으로 나타났다. 가설 3의 검증 결과, 전공만족은 학습지속의향에 유의한 영향을 미치는 것으로 나타났다.

• 한국콘텐츠학회논문지
• /
• 제16권7호
• /
• pp.100-111
• /
• 2016

본 연구는 노인의 스트레스와 성공적 노화에 있어 낙관성과 가족지지의 매개된 조절효과 검증을 위해 경남지역에 거주하는 65세 이상의 일반노인 584명을 대상을 분석하였다. 분석은 Preacher와 Hayes가 제안한 SPSS Macro방법을 사용하여 경로모형을 통해 연구모형을 검증하였다. 연구모형 검증은 3단계로 실시하였으며, 1단계는 예측변수와 준거변수 관계에서 조절변수가 조절효과를 가지는가를 분석하였고, 2단계는 예측변수와 매개변수의 관계를 확인 후, 3단계에서는 매개된 조절효과를 확인하였다. 분석한 결과를 요약하면 다음과 같다. 첫째, 스트레스와 성공적 노화, 낙관성의 매개효과를 검증한 결과 부분매개모형을 지지하는 것으로 확인되었다. 둘째, 스트레스, 낙관성과 성공적 노화의 가족지지 조절효과를 검증한 결과 조절효과가 모두 있는 것으로 확인되었다. 셋째, 스트레스, 낙관성과 성공적 노화, 가족지지의 매개된 조절효과를 검증한 결과 매개된 조절효과가 있는 것으로 나타났다. 이러한 연구결과를 바탕으로 실천적 함의와 향후 과제를 제시하고, 노년기 성공적 노화를 위한 가족지지 향상방안을 제시하였다.

• 재무관리연구
• /
• 제21권1호
• /
• pp.183-204
• /
• 2004

본 연구는 한국주식시장에서 관찰 가능한 주식간 동적 연결구조를 도출하고, 관찰된 연결구조가 어떤 방식으로 형성되는지에 대한 기존연구의 결과를 보다 심층적으로 검증하고자 하였다. 즉, 주식간 동적 연결구조가 Power Law분포를 따른다는 기존 연구결과에서, 왜 대부분의 주식은 다른 주식과 2개이하의 연결개수를 갖고, 왜 일부 주식이 다른 주식들과 많은 연결개수를 갖는지에 대한 원인을 규명하고자 하였다. 그리고, 검증결과의 신뢰성을 높이기 위하여 다양한 각도의 검증방법을 채택하여 분석하였다. 검증결과에 의하면, Mantegna의 검증방법에 의하여 도출된 주식간 동적 연결구조에서 관찰된 주식간 연결개수는 기본적으로 해당주식이 개별주식의 고유속성을 많이 갖는가 아니면 시장지수와의 공통속성이 높은가에 기인한다는 것을 확인할 수 있었다. 즉, 다른 주식과 많은 연결개수를 갖는 주식일수록 시장지수와의 공통속성이 높은 경향이 있고, 다른 주식과 작은 연결개수를 갖는 주식일수록 개별주식의 고유속성이 높은 경향이 있다는 것을 관찰할 수 있었다. 그리고, 이러한 결론은 다양한 각도의 분석에서도 일관된 결과를 관찰하였다.

• 한국항공우주학회지
• /
• 제40권3호
• /
• pp.201-208
• /
• 2012

본 논문에서는 정지비행 조건에서의 무향실 내 축소 로터 실험을 이용해 Lowson의 하중 소음식과 FW-H의 음향상사식으로 예측한 이산 주파수 소음(Discrete frequency noise)을 검증하였다. 소음 예측 기법의 방향성(Directivity) 검증은 전반적으로 실험결과와 유사하게 예측되었으며, 거리에 대한 검증의 경우 근거리(Near-field)에서는 FW-H식의 예측결과가, 원거리(Far-field)에서는 Lowson식의 예측결과가 실험결과와 더 유사한 것을 확인하였다. 피치 각(Collective pitch angle)에 대한 검증의 경우 낮은 피치각에서는 FW-H식의 예측결과가, 높은 피치각에서는 Lowson식의 예측결과가 실험결과와 더 유사한 것을 확인하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.43-43
• /
• 2022

유해 조류 대발생은 전국 각지의 인공호소나 하천에서 다발적으로 발생하며, 경관을 해치고 수질을 오염시키는 등 수자원에 부정적인 영향을 미친다. 본 연구에서는 인공호소에서 발생하는 유해 조류 대발생을 예측하기 위해 심층학습 기법을 이용하여 예측 모델을 개발하고자 하였다. 대상 지점은 대청호의 추동 지점으로 선정하였다. 대청호는 금강유역 중류에 위치한 댐으로, 약 150만명에 달하는 급수 인구수를 유지 중이기에 유해 남조 대발생 관리가 매우 중요한 장소이다. 학습용 데이터 구축은 대청호의 2011년 1월부터 2019년 12월까지 측정된 수질, 기상, 수문 자료를 입력 자료를 이용하였다. 수질 예측 모델의 구조는 다중 레이어 퍼셉트론(Multiple Layer Perceptron; MLP)으로, 입력과 한 개 이상의 은닉층, 그리고 출력층으로 구성된 인공신경망이다. 본 연구에서는 인공신경망의 은닉층 개수(1~3개)와 각각의 레이어에 적용되는 은닉 노드 개수(11~30개), 활성함수 5종(Linear, sigmoid, hyperbolic tangent, Rectified Linear Unit, Exponential Linear Unit)을 각각 하이퍼파라미터로 정하고, 모델의 성능을 최대로 발휘할 수 있는 조건을 찾고자 하였다. 하이퍼파라미터 최적화 도구는 Tensorflow에서 배포하는 Keras Tuner를 사용하였다. 모델은 총 3000 학습 epoch 가 진행되는 동안 최적의 가중치를 계산하도록 설계하였고, 이 결과를 매 반복마다 저장장치에 기록하였다. 모델 성능의 타당성은 예측과 실측 데이터 간의 상관관계를 R2, NSE, RMSE를 통해 산출하여 검증하였다. 모델 최적화 결과, 적합한 하이퍼파라미터는 최적화 횟수 총 300회에서 256 번째 반복 결과인 은닉층 개수 3개, 은닉 노드 수 각각 25개, 22개, 14개가 가장 적합하였고, 이에 따른 활성함수는 ELU, ReLU, Hyperbolic tangent, Linear 순서대로 사용되었다. 최적화된 하이퍼파라미터를 이용하여 모델 학습 및 검증을 수행한 결과, R2는 학습 0.68, 검증 0.61이었고 NSE는 학습 0.85, 검증 0.81, RMSE는 학습 0.82, 검증 0.92로 나타났다.