• Proceedings of The KACE
• /
• 2017.08a
• /
• pp.209-211
• /
• 2017

기계학습은 인공지능(AI, Artificial Intelligence)의 일종으로 다른 인공지능 알고리즘이 정해진 규칙을 기반으로 주어진 임무(Task)를 해결하는 것과는 달리, 기계학습은 수집된 Data를 기반으로 최적의 솔루션을 학습한 후 미래의 값들을 예측하거나 해석하는 방법을 사용하고 있다. 더욱이 인터넷을 통한 연결성의 확대와 컴퓨터의 연산능력 발전으로 가능하게 된 Big-Data를 기반으로 하고 있어 이전의 인공지능 알고리즘에 비해 월등한 성능을 보여주고 있다. 그러나 기계학습 알고리즘이 Data를 학습할 때 학습 결과를 사람이 해석하기에 너무 복잡하여 사람이 그 내부 구조를 이해하는 것은 사실상 불가능하고, 이에 따라 학습된 기계학습 모델의 단점 또는 한계 등을 알지 못하는 문제가 있다. 본 연구에서는 이러한 블랙박스화된 기계학습 알고리즘의 특성을 이해하기 위해, 기계학습 알고리즘이 특정 입력에 대한 결과를 예측할 때 어떤 입력들로 부터 영향을 많이 받는지 그리고 어떤 입력으로부터 영향을 적게 받는지를 알아보는 방법을 소개하고 기존 연구의 단점을 개선하기 위한 방법을 제시한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.301-301
• /
• 2022

본 연구는 운영 조건이 달라짐에 따라 회전수가 변하는 기기의 정상적 가동 여부와 고장 종류를 판별하기 위한 인공지능 알고리즘의 적용을 다루고 있다. 회전수가 변하는 장비로부터 계측된 상태 모니터링 센서의 신호는 비정상(non-stationary)적 특성이 있으므로, 상태 신호의 한계치가 고장 판별의 기준이 되기 어렵다는 점을 해결하고자 하였다. 정상 가동 여부는 이상 감지에 효율적인 오토인코더 및 기계학습 알고리즘을 적용하였으며, 고장 종류 판별에는 기계학습법과 합성곱 기반의 심층학습 방법을 적용하였다. 변하는 회전수와 연계된 주파수의 비정상적 시계열도 적절한 고장 특징 (Feature)로 대변될 수 있도록 시간 및 주파수 영역에서 특징 벡터를 구성할 수 있음을 예제로 설명하였다. 차원 축소 및 카이 제곱 기법을 적용하여 최적의 특징 벡터를 추출하여 기계학습의 분류 알고리즘이 비정상적 회전 신호를 가진 장비의 고장 예측에 활용될 수 있음을 보였다. 이 과정에서 k-NN(k-Nearest Neighbor), SVM(Support Vector Machine), Random Forest의 기계학습 알고리즘을 적용하였다. 또한 시계열 기반의 오토인코더 및 CNN (Convolution Neural Network) 적용하여 이상 감지와 고장진단을 수행한 결과를 비교하여 제시하였다.

• Proceedings of KOSOMES biannual meeting
• /
• 2017.11a
• /
• pp.2-2
• /
• 2017

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.813-816
• /
• 2019

최근 에너지 부족 문제 및 환경 문제의 해결수단으로 스마트 그리드가 많은 주목을 받고 있다. 스마트 그리드 기술은 에너지를 효율적으로 사용하는 데 도움을 주며, 이를 위해서는 더욱 정확한 전력수요 예측이 필요하다. 다양한 기계학습 기법 기반의 전력수요 예측 모델은 좋은 예측 성능을 보이지만 입력 변수의 개수가 증가할수록 처리해야 하는 데이터의 양이 기하급수적으로 증가한다는 단점이 존재한다. 또한, 불필요한 데이터를 입력 변수로 선정할 경우에는 모델의 정확도가 저하될 수도 있다. 이러한 문제를 해결하기 위해 다양한 특징 선택 기법들이 제안되었지만, 기존의 특징 선택 기법은 모델의 성능을 고려하지 않았기 때문에 실제 적용 시 오히려 모델의 성능이 저하될 수도 있다. 이에 본 논문은 유전 알고리즘을 기반으로 한 특징 선택 기법을 제안한다. 유전 알고리즘을 통해 각 모델에 맞는 최적의 입력 변수를 선택함으로써 빠른 학습 속도와 높은 정확도를 기대할 수 있다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2017.01a
• /
• pp.15-16
• /
• 2017

IoT 시대가 도래함에 따라 실시간으로 대규모 데이터가 발생하고 있으며 이를 효율적으로 처리하고 활용하기 위한 분산 처리 및 기계 학습에 대한 관심이 높아지고 있다. 아파치 스파크는 RDD 기반의 인 메모리 처리 방식을 지원하는 분산 처리 플랫폼으로 다양한 기계 학습 라이브러리와의 연동을 지원하여 최근 차세대 빅 데이터 분석 엔진으로 주목받고 있다. 본 논문에서는 아파치 스파크 기반 기계 학습 라이브러리 성능 비교를 통해 아파치 스파크와 연동 가능한 기계 학습라이브러리인 MLlib와 아파치 머하웃, SparkR의 데이터 처리 성능을 비교한다. 이를 위해, 대표적인 기계 학습 알고리즘인 나이브 베이즈 알고리즘을 사용했으며 학습 시간 및 예측 시간을 비교하여 아파치 스파크 기반에서 실시간 데이터 처리에 적합한 기계 학습 라이브러리를 확인한다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2015.10a
• /
• pp.183-185
• /
• 2015

Recently, big data analysis based on machine learning has gained popularity and many machine learning techniques have been applied to the field of agriculture. By using machine learning technique to analyze huge number of samples of biological and environmental data, new observations can be found. In this research, we consider the estimation of proportional daily weight increase (PDWI) based on measurement data from experimental swine farm. In order to derive the exact formulation for PDWI estimation, we have used measured value of mean, daily maximum, daily minimum of temperature, humidity, CO2, wind speed and measured PDWI values. Based on collected data, we have derived equation for PDWI estimation using tree-based algorithm. In the derived formulation, we have found that the daily average temperature is the most dominant factor that affects PDWI. Our results can be applied to pig farms to estimate the PDWI of swine.

• Information and Communications Magazine
• /
• v.32 no.4
• /
• pp.10-15
• /
• 2015

본고에서는 u-Office 서비스를 실현하기 위하여 이동 단말 기기로부터 수신한 사용자의 시간 및 위치 이동 정보를 이용해서 사용자에게 유용한 서비스를 제공하는 데 필요한 사용자 맞춤형 서비스 제공 통합 프레임워크 및 추론 기술 알고리즘에 대해 기술하고자 한다. 사용자 맞춤형 서비스제공 통합 프레임워크는 사용자 이동단말기 및 시간 및 이동 데이터를 저장하는 AP, AP의 데이터를 수집하는 데이터베이스, 사용자 이동 단말 어플리케이션 등으로 구성되어있으며, 사용자의 시간 및 위치 정보를 학습하여 이동 경로를 예측하고 유용한 서비스를 제공하기 위해 사용된 기계학습 기반 추론 알고리즘에 대하여 알아본다. u-Office 서비스를 실현하기 위하여 실제로 캠퍼스 및 교실범위로 구현한 사용자 패턴기반 맞춤형 서비스 프레임워크에 대해 알아보고 제공 가능한 서비스에 대하여 논의한다.

• Journal of Korea Foundry Society
• /
• v.41 no.6
• /
• pp.521-527
• /
• 2021

This study presents a process management method for the detection of casting defects during in high-pressure die casting based on machine learning. The model predicts the defects of the next cycle by extracting the features appearing over the previous cycles. For design of the gearbox, the proposed model detects shrinkage defects with data from three cycles in advance with 98.9% accuracy and 96.8% recall rates.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.05a
• /
• pp.56-59
• /
• 2020

최근 초저지연, 초고속, 초연결 네트워크를 요구하는 기술들이 급속하게 발전하고 있다. 기존 4G 네트워크는 위 요구사항을 만족할 수 없었기 때문에 5G 네트워크가 등장했다. 5G 네트워크는 네트워크 가상화 기반 네트워크 슬라이싱을 통해 각각의 서비스 마다 독립적인 네트워크 환경을 제공한다. 그러나 네트워크에 참여하는 서비스가 다양해질수록 트래픽 부하가 폭발적으로 증가할 것으로 예상되며 트래픽 부하에 따른 병목현상이 발생할 가능성이 여전히 존재한다. 본 논문에서는 인공 신경망 알고리즘 RNN을 활용하여 트래픽을 예측하고 예측 결과를 기반으로 네트워크 슬라이스의 자원을 선제적으로 조절하는 기계학습 기반 네트워크 슬라이싱 자원 예약 기법을 제안한다.

• KIPS Transactions on Computer and Communication Systems
• /
• v.10 no.3
• /
• pp.71-80
• /
• 2021

The selection of an appropriate neural network algorithm is an important step for accurate data prediction in machine learning. Many algorithms based on basic artificial neural networks have been devised to efficiently predict future data. These networks include deep neural networks (DNNs), recurrent neural networks (RNNs), long short-term memory (LSTM) networks, and gated recurrent unit (GRU) neural networks. Developers face difficulties when choosing among these networks because sufficient information on their performance is unavailable. To alleviate this difficulty, we evaluated the performance of each algorithm by comparing their errors and processing times. Each neural network model was trained using a tax dataset, and the trained model was used for data prediction to compare accuracies among the various algorithms. Furthermore, the effects of activation functions and various optimizers on the performance of the models were analyzed The experimental results show that the GRU and LSTM algorithms yields the lowest prediction error with an average RMSE of 0.12 and an average R2 score of 0.78 and 0.75 respectively, and the basic DNN model achieves the lowest processing time but highest average RMSE of 0.163. Furthermore, the Adam optimizer yields the best performance (with DNN, GRU, and LSTM) in terms of error and the worst performance in terms of processing time. The findings of this study are thus expected to be useful for scientists and developers.