• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2020.11a
• /
• pp.108-110
• /
• 2020

본 연구의 목적은 딥러닝 기법의 하나인 인공신경망 모델을 활용하여 선박의 가치평가 모델을 개발하는 것이다. 선박의 가치는 해운시장 변화와 밀접한 관계가 있으며, 경기 변동성이 크고 시장 민감성이 높은 해운시장의 특성상 가치의 불확실성 역시 높게 나타나고 있다. 이러한 선박가치의 중요성에도 불구하고 국내외적으로 선박가치평가의 체계 개선 및 평가모델의 객관성과 신뢰성을 제고시키기 위한 연구는 부족한 실정이다. 따라서 본 연구에서는 딥러닝 방법을 통해 선박의 가치를 산출하는 새로운 평가모델을 제시하고자 한다. 가치평가의 대상은 중고 VLCC선이며, 선행연구를 통해 선박의 가치 변화를 유발하는 주요 요인들을 선별하여 변수를 설정하고 2010년 1월부터 현재까지의 해당 데이터를 확보하였다. 교차검증을 통해 파라미터들을 추정하여 인공신경망의 최적 구조를 식별하고 이에 대한 객관성과 신뢰성을 검증한 결과 인공신경망 모델의 가치평가 정확성이 우수함을 확인하였다. 본 연구는 선박가치평가의 전통적 방법론에서 탈피하여 기계학습 기반의 딥러닝 모델을 활용한 측면에서 독창적인 의미가 있다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.325-325
• /
• 2021

딥러닝을 이용한 침수해석은 강우자료와 그에 대한 1차원 EPA-SWMM 결과인 총월류량을 인공신경망에 학습시키고, 학습시킨 인공신경망을 테스트하기 위해 또다른 강우자료를 인공신경망으로 예측해서, 이것이 해석결과를 얼마나 잘 나타내는지 확인하고, 인공신경망이 모의한 총월류량을 잘 나타낸다면 인공신경망을 잘 학습시킨 것으로 판단하여 새로운 강우가 발생했을 때 새로운 강우자료에 대해 매번 새로 1차원, 2차원해석을 하는 것을 대신하여 인공신경망만으로 총월류량을 예측할 수 있게 되는 것이다. 강우자료를 입력자료로 사용하게 되는데, 강우량만으로는 그 강우의 특성을 전부 나타낸다고 할 수 없기 때문에 지속기간과 총강우량, 왜도(skewness), 표준편차를 추가적인 입력자료로 사용한다. 1차원, 2차원 해석결과인 총월류량은 입력자료에 대한 타깃자료가 되어, 인공신경망을 테스트하거나 실제로 이용할 때 비슷한 지속기간과 총강우량, 왜도, 표준편차를 가진 강우가 발생했을 때 타깃자료를 이용해 총월류량을 예측하는 것이다. 인공신경망이 얼마나 잘 학습되었는지 확인하기 위해서 침수지도를 작성해볼 필요가 있다. 1차원, 2차원 모의해석으로 나온 총월류량과, 인공신경망을 이용해 예측한 총월류량을 이용해 각각 침수지도를 작성하여 시각적 자료로 변환하여 비교하고, 침수지도가 일치한다면 인공신경망이 잘 학습되었다고 판단할 수 있고, 새로운 강우가 발생하면 학습시킨 인공신경망을 통해 1차원, 2차원 모의해석을 하지 않고도 총월류량을 예측할 수 있다.

• 한국정보교육학회:학술대회논문집
• /
• 2021.08a
• /
• pp.385-391
• /
• 2021

In this paper, a case of deep learning artificial neural network education was studied for artificial intelligence literacy education for preservice teachers and incumbent teachers. In addition, through the proposed educational case, we tried to explore the contents of artificial neural network principle education that elementary, middle and high school students can experience. To this end, first, an example of training on the principle of operation of an artificial neural network that recognizes two types of images is presented. And as an artificial neural network extension application education case, an artificial neural network education case for recognizing three types of images was presented. The number of output layers was changed according to the number of images to be recognized by the artificial neural network, and the cases implemented in a spreadsheet were divided and explained. In addition, in order to experience the operation results of the artificial neural network, we presented the educational contents to directly write the learning data necessary for the artificial neural network of the supervised learning method. In this paper, the implementation of the artificial neural network and the recognition test results are visually presented using a spreadsheet.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.26 no.1
• /
• pp.49-57
• /
• 2022

Recently, various uses of artificial intelligence have been made possible through the deep artificial neural network structure of machine learning, demonstrating human-like capabilities. Unfortunately, the deep structure of the artificial neural network has not yet been accurately interpreted. This part is acting as anxiety and rejection of artificial intelligence. Among these problems, we solve the capability part of artificial neural networks. Calculate the size of the artificial neural network structure and calculate the size of data that the artificial neural network can process. The calculation method uses the group method used in mathematics to calculate the size of data and artificial neural networks using an order that can know the structure and size of the group. Through this, it is possible to know the capabilities of artificial neural networks, and to relieve anxiety about artificial intelligence. The size of the data and the deep artificial neural network are calculated and verified through numerical experiments.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.320-320
• /
• 2019

유역의 수문 자료를 정확하게 분석하는 것은 수리 구조물을 효율적으로 운영하기 위한 중요한 요소이다. 인공신경망(Artificial Neural Networks, ANNs) 모형은 입 출력 자료의 비선형적인 관계를 해석할 수 있는 모형으로 강우-유출 해석 등 수문 분야에 다양하게 적용되어 왔다. 이후 기존의 인공신경망 모형을 연속적인(sequential) 자료의 분석에 더 적합하도록 개선한 회귀신경망(Recurrent Neural Networks, RNNs) 모형과 회귀신경망 모형의 '장기 의존성 문제'를 개선한 장단기메모리(Long Short-Term Memory Networks, 이하 LSTM)가 차례로 제안되었다. LSTM은 최근에 주목받는 딥 러닝(Deep learning) 기법의 하나로 수문 자료와 같은 시계열 자료의 분석에 뛰어난 성능을 보일 것으로 예상되며, 수문 분야에서 이에 대한 적용성 평가가 요구되고 있다. 본 연구에서는 인공신경망 모형과 LSTM 모형으로 유출량을 모의하여 두 모형의 성능을 비교하고 향후 LSTM 모형의 활용 가능성을 검토하고자 하였다. 나주 수위관측소의 수위 자료와 인접한 기상관측소의 강우량 자료로 모형의 입 출력 자료를 구성하여 강우 사상에 대한 시간별 유출량을 모의하였다. 연구 결과, 1시간 후의 유출량에 대해서는 두 모형 모두 뛰어난 모의 능력을 보였으나, 선행 시간이 길어질수록 LSTM의 정확성은 유지되는 반면 인공신경망 모형의 정확성은 점차 떨어지는 것으로 나타났다. 앞으로의 연구에서 유역 내 다양한 수리 구조물에 의한 유 출입량을 추가로 고려한다면 LSTM 모형의 활용성을 보다 더 확장할 수 있을 것이다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.95-98
• /
• 2021

최근 비정상적인 네트워크 활동 감지 및 네트워크 서비스 프로비저닝과 같은 다양한 분야에서 응용되는 네트워크 트래픽 예측 기술이 네트워크 통신 문제에 의한 트래픽의 결측 및 네트워크 유저의 불규칙한 활동에 의한 비선형 특성 때문에 발생하는 성능 저하를 극복하기 위해 딥러닝 신경망에 대한 연구가 활성화되고 있다. 이 딥러닝 신경망 중 시계열 딥러닝 신경망은 단기 네트워크 트래픽 볼륨을 예측할 때 낮은 오류율을 보인다. 하지만, 시계열 딥러닝 신경망은 기울기 소멸 및 폭발과 같은 비선형성, 다중 계절성 및 장기적 의존성 문제와 같은 한계를 보여준다. 이 논문에서는 계절성 임베딩을 고려한 주의 신경망 기반 트래픽 예측 기법을 제안한다. 제안하는 기법은 STL 분해 기법을 통해 분해된 트래픽 트랜드, 계절성, 잔차를 이용하여 일별 및 주별 계절성을 임베딩하고 이를 주의 신경망을 기반으로 향후 트래픽을 예측한다.

• Annual Conference on Human and Language Technology
• /
• 2019.10a
• /
• pp.120-124
• /
• 2019

딥러닝은 자연어처리, 이미지 처리, 음성인식 등에서 우수한 성능을 보이고 있다. 그렇지만 복잡한 인공신경망 내부에서 어떠한 동작이 일어나는지 검증하지 못하고 있다. 본 논문에서는 비디오 캡셔닝 분야에서 인공신경망 내부에서 어떠한 동작이 이루어지는지 검사한다. 이를 위해서 우리는 각 단계에서 출력층을 추가하였다. 출력된 결과를 검토하여 인공 신경망의 정상동작 여부를 검증한다. 우리는 한국어 MSR-VTT에 적용하여 우리의 방법을 평가하였다. 이러한 방법을 통해 인공 신경망의 동작을 이해하는데 도움을 줄 수 있을 것으로 기대된다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.01a
• /
• pp.369-372
• /
• 2023

본 논문에서는 삼각형 구조로 구성된 3차원 메쉬(Mesh)에서 합성곱 신경망(Convolution Neural Network, CNN)을 응용하여 정확도가 높은 새로운 학습 표현 기법을 제시한다. 우리는 메쉬를 구성하고 있는 폴리곤의 edge와 face의 로컬 특징을 기반으로 학습을 진행한다. 일반적으로 딥러닝은 인공신경망을 수많은 계층 형태로 연결한 기법을 말하며, 주요 처리 대상은 1, 2차원 데이터 형태인 오디오 파일과 이미지였다. 인공지능에 대한 연구가 지속되면서 3차원 딥러닝이 도입되었지만, 기존의 학습과는 달리 3차원 딥러닝은 데이터의 확보가 쉽지 않다. 혼합현실과 메타버스 시장의 확대로 인해 3차원 모델링 시장이 증가하고, 기술의 발전으로 데이터를 획득할 수 있는 방법이 생겼지만, 3차원 데이터를 직접적으로 학습에 이용하는 방식으로 적용하는 것은 쉽지 않다. 그렇게 때문에 본 논문에서는 산업 현장에서 이용되는 데이터인 메쉬 구조를 폴리곤의 최소 단위인 삼각형 형태로 구성하여 학습 데이터를 구성해 기존의 방법보다 정확도가 높은 학습 기법을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.04a
• /
• pp.873-876
• /
• 2017

최근 정보검색의 효율성을 위해 데이터를 분석하여 해당 데이터를 가장 잘 나타내는 연관단어를 추출 및 추천하는 연구가 활발히 이루어지고 있다. 현재 관련 연구들은 출현 빈도수를 사용하는 방법이나 LDA와 같은 기계학습 기법을 활용해 데이터를 분석하여 연관단어를 생성하는 방법을 제안하고 있다. 기계학습 기법은 결과 값을 찾는데 사용되는 특징들을 전문가가 직접 설계해야 하며 좋은 결과를 내는 적절한 특징을 찾을 때까지 많은 시간이 필요하다. 또한, 파라미터들을 직접 설정해야 하므로 많은 시간과 노력을 필요로 한다는 단점을 지닌다. 이러한 기계학습 기법의 단점을 극복하기 위해 인공신경망을 다층구조로 배치하여 데이터를 분석하는 딥러닝이 최근 각광받고 있다. 본 논문에서는 기존 기계학습 기법을 사용하는 연관단어 추출연구의 한계점을 극복하기 위해 딥러닝을 활용한다. 먼저, 인공신경망 기반 단어 벡터 생성기인 Word2Vec를 사용하여 다양한 텍스트 데이터들을 학습하고 룩업 테이블을 생성한다. 그 후, 생성된 룩업 테이블을 바탕으로 인공신경망의 한 종류인 합성곱 신경망을 활용하여 사용자가 입력한 주제어와 관련된 최근 뉴스데이터를 분석한 후, 주제별 최신 연관단어를 추출하는 시스템을 제안한다. 또한 제안한 시스템을 통해 생성된 연관단어의 정확률을 측정하여 성능을 평가하였다.

• Journal of Korea Society of Industrial Information Systems
• /
• v.22 no.5
• /
• pp.17-24
• /
• 2017

Recently Deep-learning, Technologies using Large or Deep Artificial Neural Networks, have Shown Remarkable Performance, and the Increasing Size of the Network Contributes to its Performance Improvement. However, the Increase in the Size of the Neural Network Leads to an Increase in the Calculation Amount, which Causes Problems Such as Circuit Complexity, Price, Heat Generation, and Real-time Restriction. In This Paper, We Propose and Test a Method to Reduce the Number of Network Connections by Effectively Pruning the Redundancy in the Connection and Showing the Difference between the Performance and the Desired Range of the Original Neural Network. In Particular, we Proposed a Simple Method to Improve the Performance by Re-learning and to Guarantee the Desired Performance by Allocating the Error Rate per Layer in Order to Consider the Difference of each Layer. Experiments have been Performed on a Typical Neural Network Structure such as FCN (full connection network) and CNN (convolution neural network) Structure and Confirmed that the Performance Similar to that of the Original Neural Network can be Obtained by Only about 1/10 Connection.