• 한국육종학회지
• /
• 제41권4호
• /
• pp.640-644
• /
• 2009

"소황"은 양질 내재해 다수성 나물콩 신품종 육성을 목표로 농촌진흥청 국립식량과학원에서 육성한 나물콩 품종으로 주요특성을 요약하면 다음과 같다. 1. "소황"의 신육형은 유한형, 꽂색은 자색, 엽형은 피침형이며 모용색은 회색이며, 성숙기 꼬투리색은 담갈색이고, 종피색 및 배꼽색은 황색이며, 립형은 구형으로, 꼬투리는 성숙 후에도 잘 터지지 않는다. 2. "소황"의 성숙기는 9월 29일로 대비품종인 풍산나물콩 보다 10일 빠른 중생종이며, 100립중은 8.5 g으로 소립이다. 3. "소황"은 도복에 강하고, 콩 괴저병 및 세균성불마름병과 검은뿌리 썩음병에 강하며, 자반병, 미이라병 등 종자병해에도 비교적 강한 품종이다. 4. "소황"은 풍산나물콩에 비해 종실 조단백질 함량이 높고, 콩나물 기능성분인 아이소플라본 함량이 높은 기능성 나물콩이다 5. "소황"의 콩나물 특성은 풍산나물콩에 비해 경실종자가 없으며, 배축신장성이 우수하여 콩나물 수율이 14% 증수되는 고수율 나물콩이다. 6. "소황"의 10 a당 수량성은 '06~'08년까지 3년간 실시한 지역적응시험 결과 평균 수량이 269 kg으로 풍산나물콩 대비 96% 수준으로 다소낮은 남부 이모작 콩 재배지에 적합한 품종이다.

• 한국육종학회지
• /
• 제41권3호
• /
• pp.328-332
• /
• 2009

"오름"은 맥주보리 고품질 내재해성 신품종을 개발하기 위하여 1997년에 작물과학원 에서 보리 호위축병 저항성인 'Kinuyudaka'를 모본으로 하고 단간이며 내도복성인 '삼도보리'를 부본으로 인공교배하여 육성한 품종으로, 2006년 12월에 농촌진흥청 농작물 직무육성 신품종 선정 위원회에서 "오름"이라 명명하여 국가품종목록에 신품종으로 등록하였으며 그 특성은 다음과 같았다. "오름"은 2조형 맥주보리로서 출수기와 성숙기가 빠른 중생종이고 간장은 75 cm이고 내도복성이 강하여 기계화 수확에 적당하다. "오름"의 호위축병 저항성은 진주, 나주, 밀양에서는 저항성이며 익산에서는 중도 저항성을 나타내었다. "오름"의 수량성은 제주에서는 ha당 5.43톤으로 진양보리 대비 80% 증수하였고 밀양, 진주, 나주의 3개 지역 답리작 평균에서는 ha당 4.70으로 진양보리 대비 22% 증수한 다수성이었다. "오름"의 품질은 단백질 함량이 낮고 발아세와 맥즙 추출률이 높고 여과시간이 짧았으나 콜박지수와 효소 역가는 '진양보리'와 비슷하였다.

• 지능정보연구
• /
• 제25권4호
• /
• pp.141-154
• /
• 2019

인터넷 기술과 소셜 미디어의 빠른 성장으로 인하여, 구조화되지 않은 문서 표현도 다양한 응용 프로그램에 사용할 수 있게 마이닝 기술이 발전되었다. 그 중 감성분석은 제품이나 서비스에 내재된 사용자의 감성을 탐지할 수 있는 분석방법이기 때문에 지난 몇 년 동안 많은 관심을 받아왔다. 감성분석에서는 주로 텍스트 데이터를 이용하여 사람들의 감성을 사전 정의된 긍정 및 부정의 범주를 할당하여 분석하며, 이때 사전 정의된 레이블을 이용하기 때문에 다양한 방향으로 연구가 진행되고 있다. 초기의 감성분석 연구에서는 쇼핑몰 상품의 리뷰 중심으로 진행되었지만, 최근에는 블로그, 뉴스기사, 날씨 예보, 영화 리뷰, SNS, 주식시장의 동향 등 다양한 분야에 적용되고 있다. 많은 선행연구들이 진행되어 왔으나 대부분 전통적인 단일 기계학습기법에 의존한 감성분류를 시도하였기에 분류 정확도 면에서 한계점이 있었다. 본 연구에서는 전통적인 기계학습기법 대신 대용량 데이터의 처리에 우수한 성능을 보이는 딥러닝 기법과 딥러닝 중 CNN과 LSTM의 조합모델을 이용하여 감성분석의 분류 정확도를 개선하고자 한다. 본 연구에서는 대표적인 영화 리뷰 데이터셋인 IMDB의 리뷰 데이터 셋을 이용하여, 감성분석의 극성분석을 긍정 및 부정으로 범주를 분류하고, 딥러닝과 제안하는 조합모델을 활용하여 극성분석의 예측 정확도를 개선하는 것을 목적으로 한다. 이 과정에서 여러 매개 변수가 존재하기 때문에 그 수치와 정밀도의 관계에 대해 고찰하여 최적의 조합을 찾아 정확도 등 감성분석의 성능 개선을 시도한다. 연구 결과, 딥러닝 기반의 분류 모형이 좋은 분류성과를 보였으며, 특히 본 연구에서 제안하는 CNN-LSTM 조합모델의 성과가 가장 우수한 것으로 나타났다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.63-83
• /
• 2019

투자자들은 기업의 내재가치 분석, 기술적 보조지표 분석 등 복잡한 분석보다 차트(chart)에 나타난 그래프(graph)의 모양으로 매매 시점을 찾는 직관적인 방법을 더 선호하는 편이다. 하지만 패턴(pattern) 분석 기법은 IT 구현의 난이도 때문에 사용자들의 요구에 비해 전산화가 덜 된 분야로 여겨진다. 최근에는 인공지능(artificial intelligence, AI) 분야에서 신경망을 비롯한 다양한 기계학습(machine learning) 기법을 사용하여 주가의 패턴을 연구하는 사례가 많아졌다. 특히 IT 기술의 발전으로 방대한 차트 데이터를 분석하여 주가 예측력이 높은 패턴을 발굴하는 것이 예전보다 쉬워졌다. 지금까지의 성과로 볼 때 가격의 단기 예측력은 높아졌지만, 장기 예측력은 한계가 있어서 장기 투자보다 단타 매매에서 활용되는 수준이다. 이외에 과거 기술력으로 인식하지 못했던 패턴을 기계적으로 정확하게 찾아내는 데 초점을 맞춘 연구도 있지만 찾아진 패턴이 매매에 적합한지 아닌지는 별개의 문제이기 때문에 실용적인 부분에서 취약할 수 있다. 본 연구는 주가 예측력이 있는 패턴을 찾으려는 기존 연구 방법과 달리 패턴들을 먼저 정의해 놓고 확률기반으로 선택해서 매매하는 방법을 제안한다. 5개의 전환점으로 정의한 Merrill(1980)의 M&W 파동 패턴은 32가지의 패턴으로 시장 국면 대부분을 설명할 수 있다. 전환점만으로 패턴을 분류하기 때문에 패턴 인식의 정확도를 높이기 위해 드는 비용을 줄일 수 있다. 32개 패턴으로 만들 수 있는 조합의 수는 전수 테스트가 불가능한 수준이다. 그래서 최적화 문제와 관련한 연구들에서 가장 많이 사용되고 있는 인공지능 알고리즘(algorithm) 중 하나인 유전자 알고리즘(genetic algorithm, GA)을 이용하였다. 그리고 미래의 주가가 과거를 반영한다 해도 같게 움직이지 않기 때문에 전진 분석(walk-forward analysis, WFA)방법을 적용하여 과최적화(overfitting)의 실수를 줄이도록 하였다. 20종목씩 6개의 포트폴리오(portfolio)를 구성하여 테스트해 본 결과에 따르면 패턴 매매에서 가격 변동성이 어느 정도 수반되어야 하며 패턴이 진행 중일 때보다 패턴이 완성된 후에 진입, 청산하는 것이 효과적임을 확인하였다.