• 한국정보처리학회논문지
• /
• 제3권1호
• /
• pp.211-224
• /
• 1996

소프트웨어 개발공수(Efforts)에 관한 연구는 그 동안 상당히 많이 이루어져 있으나, 대부분 기존의 알고리즘 모델과 통계적 접근방법에 의한 모델에 한정 되어 있다고 할 수 있다. 또한 이들 연구는주로 외국의 사례를 대상으로 한 것이어서 국내의 소프트웨어 개발 환경에 적용하기에는 예측력과 적응도 등의 여러 문제가 제기되고 있다. 따라서 본 논문에서는 보다 현실적이고 실용적인 소프트웨어 개발공수의 예측모델로서 백프로 퍼게이션 알고리즘을 이용한 신경망 예측모델을 제시하고, 이 모델의 예측결과와 기존 의 모델인 COCOMO 그리고 희귀분석에 의한 예측결과들을 통계적으로 비교 분석하여 신경회로망의 우수한 예측력을 검증하였다. 이러한 분석의 결과를 토대로 보다 예측력 이 놓고 사용자가 쉽게 모델링하여 사용할 수 있는 정교한 신경망 모델을 제시하고자 한 다.

• 전기전자학회논문지
• /
• 제2권1호
• /
• pp.150-159
• /
• 1998

본 논문은 필기체 한글의 특징을 추출한 후 이를 신경망을 이용하여 인식하였다. 한글의 특징 추출을 위해 $5{\times}5$ 윈도우 방법을 사용하였는데, 이는 $3{\times}3$ 윈도우 방법을 수정한 것이다. 추출된 특징을 이진화 코드로 변환하여 신경망의 입력으로 사용하며, 백프로퍼게이션 알고리즘으로 학습시켰다. 수직 모음, 수평모음, 자음 인식을 위한 3개의 신경망을 각각 구성하였고, 결과를 비교하기 위하여 3가지 학습 방법을 사용하였다. 3가지 학습 방법은 고정 코드 방법, 학습 코드 방법 I, 학습 코드 방법 II이고 학습 코드 방법 II가 가장 좋은 결과를 보였다. 이 경우 수직 모음과 수평 모음은 100%의 인식률을, 자음은 93.75%의 인식 결과를 보였다.

• 한국컴퓨터정보학회논문지
• /
• 제5권2호
• /
• pp.30-36
• /
• 2000

은닉노드는 주어진 문제에서 입력패턴(input pattern)들의 특징을 구분해주는 중요한 역할을 한다. 이 때문에 최적의 은닉노드 수로 구성된 신경망 구조가 성능에 가장 큰 영향을 주는 요인으로 중요성이 대두되고 있다. 그러나 역전파(back-propagation) 학습 알고리즘을 기반으로 하여 은닉노드 수를 결정하는데는 문제점이 있다. 은닉노드 수가 너무 적게 지정되면 주어진 입력패턴을 충분히 구분할 수 없게 되어 완전한 학습이 이루어지지 않는 반면, 너무 많이 지정하면 불필요한 연산의 실행과 기억장소의 낭비로 과적응(overfitting)이 일어나 일반성이 떨어져 인식률이 낮아지기 때문이다. 따라서 본 논문에서는 백 프로퍼게이션 알고리즘을 이용하여 학습을 수행하는 다층 신경망의 학습오차 감소와 수렴율 개선을 위하여 신경망을 구성하는 매개변수를 가지고 은닉노드의 특징 값을 구하고, 그 값은 은닉노드를 제거(pruning)하기 위한 평가치로 사용된다. 구해진 특징 값 중 최대 값과 최소 값을 갖는 노드를 감소(pruning)대상에서 제외하고 나머지 은닉노드 특징 값의 평균과 각 은닉노드의 특징 값을 비교하여 평균보다 작은 특징 값을 갖는 은닉노드를 pruning시키므로서 다층 신경망의 최적 구조를 결정하여 신경망의 학습 속도를 개선하고자 한다.

• 산업식품공학
• /
• 제14권2호
• /
• pp.85-91
• /
• 2010

식품 산업 가공 공정에 다양하게 적용되는 진동 선별기(twist screen)의 구조를 변경하고 그 효율을 분석하기 위하여 위와 같은 실험을 실시하였다. 시료 공급 시 스크린 외곽의 프레임을 따라 선별되지 못하고 빠지는 입자를 방지하기 위하여 스크린 프레임에 dam을 설치하였으며, 스크린 중앙에서 공급되는 시료가 진동에 의하여 중앙에서 외곽으로 빠르게 이동하며 입자층을 이루어 선별 효율이 저하되는 것을 방지하기 위하여 스크린에 나선형 구조물을 설치하였다. 진동 선별기는 직경 1,200 mm와 직경 1,500 mm를 사용하였으며 스크린은 mesh 24이고 선경 0.12 mm인 표준망을 적용하였고 진동 모터는 60 Hz로 운전하였으며 자기진동 이송기는 주파수 게이지 8과 10으로 각각 실험한 결과 다음과 같은 결론을 도출하였다. 진동 선별기 직경 1,200 mm인 경우 일반형은 처리 용량 24 kg/hr, 처리 분율은 4.72%이었고 스크린 프레임에 dam을 설치하고 스크린에 나선형 구조물을 설치한 경우에는 처리 용량이 22.8 kg/hr, 처리 분율 8.05%이었다. 구조물의 설치로 처리 용량은 다소 감소하였으나 처리 분율은 1.7배 증가하여 선별 효율이 상당히 높아졌다는 것을 알 수 있었다. 진동 선별기 직경 1,500 mm의 경우 일반형의 처리 용량은 43.32 kg/hr으로 직경 1,200 mm인 경우와 비교하여 처리용량은 1.8배 증가하였으나 처리 분율은 2.37%로 처리용량에 비하여 낮게 나타났다. 처리 1의 입도를 분석한 결과 스크린에 의하여 선별될 세립의 입자가 비선별 처리물에서 발견되고 있다. 스크린의 직경이 넓어져서 처리 용량이 증가하였으나 공급 속도를 높여 공급량이 많아지므로 입자들의 망 접촉 시간이 감소하고 입자의 층 현상이 심화되어 처리 효율이 감소하고 세립의 입자 선별이 완벽하게 이루어지지 않았다는 것을 알 수 있었다. 선별기 직경 1,500 mm에 screen frame dam을 설치한 경우 처리 용량 43.14 kg/hr로 일반형과 비슷하며 처리 분율은 3.25%로 매우 증가되었다. 입자들의 층현상이 심화된 ${\emptyset}$1500에서 스크린의 프레임에 dam을 설치함으로써 스크린 프레임으로 빠져나가 망에 체류 시간이 단축되는 것이 방지되며 프레임을 따라 입자층이 형성되어 스크린과 접촉이 불가능하였던 입자들이 dam에 의하여 스크린 안쪽에서 이동되므로 거의 동일한 처리 용량에서도 처리 효율 증가가 뚜렷하게 구분되었다고 할 수 있다. Screen frame dam과 나선형 구조물을 모두 설치한 경우 처리 용량은 39.04 kg/hr로 다소 감소되었으나 처리 분율은 6.77%로 직경 1,500 mm의 진동 스크린에서 일반형 구조시 보다 3배, frame dam만 설치된 경우보다 2배의 증가를 보였다. 비선별 처리물인 처리 1의 시료를 입도분석한 결과 선별 처리되지 못한 세립의 입자를 전혀 발견할 수 없었다. 이와 같은 결과는 frame dam을 설치하여도 입자들이 빠르게 휩쓸려 스크린의 외곽으로 이동하여 망과 접촉 시간이 단축되며 층을 이루어 입자간의 간섭에 의해 선별 효과가 감소되는 것을 나선형 구조물에 의하여 방지함으로써 체류시간을 증가시키고 입자층을 분산시켜 선별 효율을 증가시킬 수 있었다. 나선형 구조물 설치시 처리 용량은 다소 감소되는 경향을 보이나 처리 분율이 3배까지 차이를 나타나며 이는 공급 속도가 빠를수록 처리 용량이 많을수록 영향이 크다는 것을 알 수 있었다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.