• 한국토양비료학회지
• /
• 제43권6호
• /
• pp.968-974
• /
• 2010

본 연구에서는 토양의 가시 근적외선 스펙트럼의 피크중첩에 의한 분석오차를 감소시킴으로써 토양유기물 추정의 정확도 향상을 위해 이산 웨이블릿 변환 (DWT) 신호처리기법의 적용을 검토하고 공간정보모델링을 통해 토양유기물의 분포도를 작성하고자 하였다. 토양유기물 함량에 따른 스펙트럼의 정량적 변화의 강조를 위해 Continuum 제거, 도함수 변환과 함께 Haar, Daubechies DWT 변환된 스펙트럼을 PLSR 모델에 대입하여 산출한 토양유기물 추정식들은 거의 비슷한 결과를 도출하였고 $R^2$ > 0.6, RPD > 1.5 의 '대략적인' 추정 결과를 보였다. 잡음을 줄이고 신호값을 향상시키기 위해 이산 웨이블렛 변환을 적용한 결과에서 오히려 약간 낮은 성능을 나타내었는데 성긴 근사값 (Coarser approximation) 스펙트럼으로 변환되어 추정식의 유의성이 낮아졌을 가능성이 있다. 따라서 토양의 분광스펙트럼에 더 적합한 이산 웨이블렛 필터와 수준 등의 DWT 조건을 찾고 적용함으로써 추정식의 유의성을 향상시킬 수 있을 것으로 본다. 또한, 유기물에 의한 에너지의 흡수, 반사를 일으키는 주요 파장대의 상관성을 분석하여 선택적으로 해당 영역의 스펙트럼이나 파라미터 값을 산출하여 추정모델에 적용하는 시도도 필요할 것으로 사료된다. 이러한 토양유기물의 추정값과 실측값을 이용해 구역 크리깅을 수행하여 분포지도를 작성하였다. 토양 샘플의 유기물 분석값은 평균값을 중심으로 정규분포를 나타내었는데 크리깅 지도에서도 전반적으로 유사한 패턴의 값이 분포하였다. 추정값을 이용한 크리깅 결과도 실측값을 이용한 분포지도와 유사한 공간적 패턴을 나타내었다. 지도의 우하단부와 중앙 부분에서 실측값 분포보다 추정값 분포지도에서 약간 더 높은 경향을 보였는데 이는 토양 유기물의 추정치와 실측치 간의 오차에 의한 것으로 판단된다. 분광 스펙트럼을 이용한 추정 모델은 정확도 제고가 필요한 단계이나 신속성, 용이성 면에 있어서 토양 특성에 대해 광역 단위에서 다량의 시료 분석에 유용할 것으로 보이고, 또한 지역, 세계 규모의 디지털 토양 매핑, 토양 분류 및 원격탐사 자료와의 연계 분석에 활용될 수 있을 것으로 기대된다.

• 한국터널지하공간학회 논문집
• /
• 제24권6호
• /
• pp.617-628
• /
• 2022

터널 건설 시 암반 등급에 따라 다양한 지보재를 적절히 병용하여 지보패턴을 결정하고 시공이 이루어진다. 이 과정에서 시공 경험이 풍부한 전문가의 기술적 판단이 필요한데, 터널 설계의 초기 단계인 타당성 조사 및 기본설계 단계에는 상대적으로 짧은 수행기간과 부족한 자료 및 예산으로 인해 설계에 많은 어려움이 존재한다. 터널 건설의 급증과 함께 축적된 설계 데이터와 머신러닝을 활용한다면, 지보패턴 설계를 보다 신속하고 신뢰도 있게 수행할 수 있다. 따라서 본 연구에서는 암반등급 판정 및 해당 암반등급에 적합한 지보패턴 설계를 자동화하고자 국내 48개 도로터널의 설계자료 및 지반조사 자료를 수집하였으며, 8개의 입력항목(암종, 전기비저항, 심도, 터널연장, 터널연장에 따른 방재등급, 위험도지수에 따른 방재등급, 터널 종류, 터널 단면적)과 11개의 출력항목(암반등급, 숏크리트 제원 2개 항목, 록볼트 제원 3개 항목, 강지보 제원 3개 항목, 콘크리트 라이닝 2개 항목)에 대한 데이터를 정리하였다. 이와 같이 정리된 데이터를 활용하여 2가지 머신러닝 알고리즘(SVM, ANN)을 활용하여 3가지 머신러닝 모델(S1, A1, A2)을 개발하였으며, 세 가지 모델의 성능을 비교해본 결과 출력값의 데이터 형식에 따라 서로 다른 손실함수를 적용한 ANN 기반의 A2 모델이 가장 뛰어난 성능을 보였다. 본 연구를 통해 머신러닝을 활용한 지보패턴 설계의 가능성을 확인할 수 있었으며, 향후 지속적으로 실제 설계에 사용함으로써 단점을 보완하고 적용성을 개선해 나간다면 설계에 보다 큰 도움을 줄 수 있는 지보패턴 설계 모델을 개발할 수 있을 것으로 기대된다.

• 청정기술
• /
• 제29권1호
• /
• pp.10-21
• /
• 2023

천연 고분자 이중 네트워크를 기반으로 하는 하이드로젤은 뛰어난 생체 적합성, 낮은 세포 독성, 높은 함수율을 가져 다양한 의학 분야 재료로서 우수한 성능을 가지며 생체 조직 내 표적 약물 전달 시스템에의 응용에도 많은 주목을 받고 있지만 상대적으로 약한 기계적 물성에 의한 한계를 가진다. 본 연구에서는 천연 고분자 산화 알지네이트(alginate di-aldehyde, ADA)와 젤라틴(gelatin)이 형성하는 이중 네트워크 기반의 하이드로젤을 합성하였으며 하이드로젤 내부의 기능기와 수소 결합을 할 수 있는 다량의 수산기(-OH) 기능기를 가지는 과분지 고분자(hyperbranched polyglycerol, HPG)를 0~25%의 범위로 조절하여 첨가하여 최종적으로 기계적 물성이 향상된 천연 고분자 기반 하이드로젤을 합성하였다. 또한, 자철석 나노 입자(Fe₃O₄ nanoparticles (NPs))를 하이드로젤 내부에 in-situ 방법으로 합성하여 자성이 부여된 천연고분자 하이드로젤의 제조 및 특성 분석을 진행하였다. 결과적으로 Fe₃O₄ NPs를 도입한 15% HPG 함량의 하이드로젤은 3.8 emu g^-1의 포화자화 값을 가지는 초상자성을 보였고, 변형률 67.4%에서 최대 압축 강도 1.1 MPa으로 높은 기계적 물성을 가졌다. 향상된 기계적 물성을 가지는 천연 고분자 기반의 초상자성 하이드로젤은 약물 전달 시스템 및 생체 재료에 매우 중요한 잠재적 용도가 있을 것으로 사료된다.

• 전기전자학회논문지
• /
• 제27권1호
• /
• pp.116-121
• /
• 2023

본 논문에서는 딥러닝 예측 결과 정보를 적용하는 복합 미생물 배양기를 위한 딥러닝 구조를 개발한다. 제안하는 복합 미생물 배양기는 수집한 복합 미생물 데이터에 대해 복합 미생물 데이터 전처리, 복합 미생물 데이터 구조 변환, 딥러닝 네트워크 설계, 설계한 딥러닝 네트워크 학습, 시제품에 적용되는 GUI 개발 등으로 구성된다. 복합 미생물 데이터 전처리에서는 미생물 배양에 필요한 당밀, 영양제, 식물엑기스, 소금 등의 양에 대해 원-핫 인코딩을 실시하며, 배양된 결과로 측정된 pH 농도와 미생물의 셀 수에 대해 최대-최소 정규화 방법을 사용하여 데이터를 전처리한다. 복합 미생물 데이터 구조 변환에서는 전처리된 데이터를 물 온도와 미생물의 셀 수를 연결하여 그래프 구조로 변환 후, 인접 행렬과 속성 정보로 나타내어 딥러닝 네트워크의 입력 데이터로 사용한다. 딥러닝 네트워크 설계에서는 그래프 구조에 특화된 그래프 합성곱 네트워크를 설계하여 복합 미생물 데이터를 학습시킨다. 설계한 딥러닝 네트워크는 Cosine 손실함수를 사용하여 학습 시에 발생하는 오차를 최소화하는 방향으로 학습을 진행한다. 시제품에 적용되는 GUI 개발은 사용자가 선택하는 물 온도에 따라 목표하는 pH 농도(3.8 이하) 복합 미생물의 셀 수(10⁸ 이상)를 배양시키기 적합한 순으로 나타낸다. 제안된 미생물 배양기의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과는, pH 농도의 경우 평균 3.7로, 복합 미생물의 셀 수는 1.7 × 10⁸으로 측정되었다. 따라서, 본 논문에서 제안한 딥러닝 예측 결과 정보를 적용하는 복합 미생물 배양기를 위한 딥러닝 구조의 효용성이 입증되었다.

• 대한토목학회논문집
• /
• 제43권1호
• /
• pp.43-54
• /
• 2023

기후변화가 고착화되면서 강수와 기온 변동으로 인한 가뭄 및 홍수 발생이 증가하고 있다. 유역 단위의 유출량 예측은 기후변화로 인한 자연재해에 대비하기 위한 수자원 관리의 시작이라 할 수 있다. 하지만, 기후변화와 유출모형의 불확실성은 정확한 유출 분석을 어렵게 한다. 본 연구에서는 이러한 불확실성을 완화하기 위하여 기후 스트레스 시나리오에 따른 두 개의 집중형 수문모형, 즉 IHACRES와 GR4J를 이용하여 강수 및 기온 변화에 따른 유출량 변화를 비교, 분석하였다. 연구 대상 지역은 합천댐과 섬진강댐 유역이며, Nash-Sutcliffe Efficiency (NSE) 및 Kling Gupta Efficiency (KGE)를 목적함수로 하여 각 모형의 매개변수를 최적화하였다. 모형의 보정과 검정은 20년(1995년-2014년)의 유출자료를 활용하였으며, 보정 및 검정 기간은 각각 7:3 비율로 설정하였다. 두 모형 모두 보정과 검정 기간에 비교적 높은 신뢰도(NSE>0.74, KGE>0.75)를 보여, 모형이 과거 사상을 재현하기에 적합하고, 모의 결과가 비교적 유사함을 확인하였다. 다음으로, 기후변동이 유출에 미치는 영향을 평가하기 위해 동일한 모의 기간에 대해 강수는 -50 %에서 +50 %의 범위를 1 %씩, 기온은 0 ℃에서 8 ℃까지 0.1 ℃씩 구분하여 총 8,181개의 기후조건 시나리오를 구축하였다. 이후, 기후 스트레스 시나리오에 따른 두 모형의 최대유량, 풍수량, 평수량을 비교 및 분석하였다. 기후 스트레스 영향을 반영한 연최대유량과 풍수량의 경우, 강수 감소에 따른 유출 패턴은 두 모형에서 비슷하였으나, 강수와 기온이 증가할수록 상이한 결과를 얻었다. 이와 반대로, 풍수량의 경우 강수와 기온 변화의 차이가 커질수록 두 모형은 유사한 결과를 얻었다. 즉, 유역의 탄력적 기후변화 대응을 위해서는 모형의 불확실성에 대한 정량적 평가가 필요하다는 것을 시사한다.

• 한국산림과학회지
• /
• 제9권1호
• /
• pp.1-44
• /
• 1969

이상(以上)과 같이 조사(調査) 또는 실험(實驗)한 결과중(結果中) 그 중요(重要)한 것을 요약(要約)하면 다음과 같다. 1. 실험용(實驗用) 지상식(地上式) 양송이 재배사(栽培舍)의 효과(効果)에 관(關)하여는 이미 실험결과(實驗結果)및 그 분석(分析)에서 지적(指摘)된 바 있거니와 그 측벽(側壁)및 천정(天井)의 구조(構造)는 재배사(栽培舍)를 외계(外界)의 기상조건(氣象條件)에서 격리(隔離)하는데 충분(充分)한 효과(効果)가 있는 것으로 고려(考慮)된다. 2. 반지하실(半地下室)에 구축(構築)한 실험용(實驗用) 태양식(太陽式) 양송이 재배사(栽培舍)의 효과(効果)에 관(關)하여는 실험결과(實驗結果)및 그 분석(分析)에서 지적(指摘)한 바와 같거니와 태양열(太陽熱)을 이용(利用)하는데 있어 충분(充分)한 효과(効果)가 있는 것으로 고려(考慮)된다. 그러나 이것을 농가(農家)에 적용(適用)하기 위(爲)하여는 다음과 같은 제점(諸點)이 개선(改善)되어야 할 것으로 고려(考慮)된다. 즉 (1) 태양식(太陽式)의 지붕과 천정(天井)은 실험용(實驗用) 지상식(地上式) 재배사(栽培舍)의 그것과 동일(同一)히 하고 (2) 태양열(太陽熱) 수열장치(受熱裝置)는 적당(適當)히 재고(再考)되어야 할 것으로 고려(考慮)된다. 태양열(太陽熱) 수열장치(受熱裝置)는 그림 40과 같이 하면 유효(有效)할 것으로 구상(構想)된다. 3. 본실험연구(本實驗硏究)에서 실시(實施)한 각종(各種)의 환기법중(換氣法中) G.E.-C.V. 및 V.S.-C.V. 환기법(換氣法)이 가장 효과적(效果的)인 것으로 본다. 4. 측벽수직(側壁垂直)및 지중(地中) 환기장치(換氣裝置)는 이미 지적(指摘)된 바와 같이 농가(農家) 양송이 재배사(栽培舍)의 자연환기법(自然換氣法)으로 실용적(實用的) 가치(價値)가 충분(充分)하다. 그것은 이들 환기장치(換氣裝置)는 그 환기로(換氣路)를 통(通)하여 사내(舍內)에 유입(流入)되는 외기(外氣)의 온도(溫度)를 인공적(人工的)으로 가열(加熱)이나 또는 냉각(冷却)하지 않고 사내온도(舍內溫度)에 접근(接近)하도록 조절(調節)하는 효과(効果)가 있기 때문이다. 지금 외온(外溫)을 $X^{\circ}C$로 할 때 각종(各種) 환기로(換氣路)에 의(依)하여 흡수(吸收)되는 온도(溫度) $Y^{\circ}C$을 X의 흉수(凶數)로 하는 실험식(實驗式)은 다음과 같이 회귀직선(回歸直線)으로 표시(表示)된다. $$G.P.{\cdots}Y=0.9x-12.8$$ $$G.E.{\cdots}Y=0.96x-15.11$$ $$V.S.{\cdots}Y=0.94x-17.57$$ 5. 재배사내(栽培舍內)에 유입(流入)되는 공기(空氣)및 사외(舍外)로 배출(排出)되는 공기(空氣)에 관(關)한 실험식(實驗式)은 각각(各各) 다음과 같이 회귀직선(回歸直線)및 지수곡선(指數曲線)으로 표시(表示)된다. (1) 배출속도(排出速度) Ycm/Sec를 유입속도(流入速度)${\times}$cm/Sec의 흉수(凶數)로 하는 회귀직선식(回歸直線式) G.E.-C.V.(50%)법(法) $${\cdots}Y=1.01x-1.65$$ G.E.-C.V.(100%)법(法)$${\cdots}Y=0.42x+2.03$$ V.S.-C.V.(100%)법(法)Y=0.85x+0.96 (2) 배출량(排出量) Y $m^3/hr$ 유출량(流出量) ${\times}m^3/hr$의 함수(凾數)로 하는 회귀직선식(回歸直線式) G.E.-C.V.(50%)법(法)$${\cdots}Y=2.59x-10.88$$ G.E.-C.V.(10%)법(法)Y=2.16x+26.53 (3) 상면(床面) 공기이동(空氣移動) 속기(速氣) Y m/Sec를 배출공기(排出空氣) 속도(速度)${\times}$m/Sec의 함수(凾數)로 하는 회귀직선식(回歸直線式) G.E.-C.V.(50%)법(法)$${\cdots}Y=0.54x+0.84$$ (4) $Co_2$ 축적량(蓄積量)Y(%)를 상면(床面) 공기이동(空氣移動) 속도(速度)${\times}$cm/Sec의 함수(凾數)로 하는 회귀직선식(回歸直線式) G.E.-C.V(50%)법(法)$${\cdots}Y=114.53-6.42x$$ (5) $Co_2$ 축적량(蓄積量)Y(%)를 배출(排出) 공기량(空氣量) $m^3/hr$ 함수(凾數)로 하는 지수곡선식(指數曲線式) G.E.-C.V.(50%)법(法) -$$y=127.18{\times}1.0093^{-X}$$ (6) natural vontilation system에 있어서 양송이 생육(生育)에 적합(適合)한 환경적조건(環境的條件)을 마련하기 위(爲)한 환기구(換氣口)의 단면적(斷面績)은 재배사(栽培舍) 전용적(全容積)에 대(對)하여 다음과 같은 비율(比率)로 할 수 있다. G.E. (지중유입환기구단면적(地中流入換氣口斷面績) $${\cdots}0.3-0.5%$$(요조절(要調節)) C.V. (천정배출환기구단면적(天井排出換氣口斷面績) $${\cdots}0.8-1.0%$$(요조절(要調節)) (7) 본연구(本硏究)에서 실험(實驗)한 각종(各種)의 가열장치중(加熱裝置中) 무압(無壓) 증기수(蒸氣水) 보이라로 사용(使用)할 수 있는 온수(溫水) 보이라가 농가용(農家用) 양송이 재배사(栽培舍) 가열장치(加熱裝置)로서, 그 효과면(効果面)에 있어서나 또는 그가격면(價格面)에 있어서 최적합(最適合)하다는 것이 확인(確認)되고 있다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.147-168
• /
• 2017

오래 전부터 학계에서는 정확한 주식 시장의 예측에 대한 많은 연구가 진행되어 왔고 현재에도 다양한 기법을 응용한 예측모형들이 연구되고 있다. 특히 최근에는 딥러닝(Deep-Learning)을 포함한 다양한 기계학습기법(Machine Learning Methods)을 이용해 주가지수를 예측하려는 많은 시도들이 진행되고 있다. 전통적인 주식투자거래의 분석기법으로는 기본적 분석과 기술적 분석방법이 사용되지만 보다 단기적인 거래예측이나 통계학적, 수리적 기법을 응용하기에는 기술적 분석 방법이 보다 유용한 측면이 있다. 이러한 기술적 지표들을 이용하여 진행된 대부분의 연구는 미래시장의 (보통은 다음 거래일) 주가 등락을 이진분류-상승 또는 하락-하여 주가를 예측하는 모형을 연구한 것이다. 하지만 이러한 이진분류로는 추세를 예측하여 매매시그널을 파악하거나, 포트폴리오 리밸런싱(Portfolio Rebalancing)의 신호로 삼기에는 적합치 않은 측면이 많은 것 또한 사실이다. 이에 본 연구에서는 기존의 주가지수 예측방법인 이진 분류 (binary classification) 방법에서 주가지수 추세를 (상승추세, 박스권, 하락추세) 다분류 (multiple classification) 체계로 확장하여 주가지수 추세를 예측하고자 한다. 이러한 다 분류 문제 해결을 위해 기존에 사용하던 통계적 방법인 다항로지스틱 회귀분석(Multinomial Logistic Regression Analysis, MLOGIT)이나 다중판별분석(Multiple Discriminant Analysis, MDA) 또는 인공신경망(Artificial Neural Networks, ANN)과 같은 기법보다는 예측성과의 우수성이 입증된 다분류 Support Vector Machines(Multiclass SVM, MSVM)을 사용하고, 이 모델의 성능을 향상시키기 위한 래퍼(wrapper)로서 유전자 알고리즘(Genetic Algorithm)을 이용한 최적화 모델을 제안한다. 특히 GA-MSVM으로 명명된 본 연구의 제안 모형에서는 MSVM의 커널함수 매개변수, 그리고 최적의 입력변수 선택(feature selection) 뿐만이 아니라 학습사례 선택(instance selection)까지 최적화하여 모델의 성능을 극대화 하도록 설계하였다. 제안 모형의 성능을 검증하기 위해 국내주식시장의 실제 데이터를 적용해본 결과 ANN이나 CBR, MLOGIT, MDA와 같은 기존 데이터마이닝 기법들이나 인공지능 알고리즘은 물론 현재까지 가장 우수한 예측 성과를 나타내는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안 모형이 보다 우수한 예측성과를 보임을 확인할 수 있었다. 특히 주가지수 추세 예측에 있어서 학습사례의 선택이 매우 중요한 역할을 하는 것으로 확인 되었으며, 모델의 성능의 개선효과에 다른 요인보다 중요한 요소임을 확인할 수 있었다.

• 한국의학물리학회지:의학물리
• /
• 제22권1호
• /
• pp.42-51
• /
• 2011

전통적으로 심근 생존능을 식별하고 심근 관류를 정확히 평가하기 위한 도구로 핵의학영상이 이용되고 있으나 경색영역을 정의하기에는 어려움이 있다. 이에 본 연구에서는 극성지도의 분포를 분석하여 특성에 맞는 적응적 임계값을 이용하여 심근경색 모델을 정량적으로 평가하고자 하였다. 쥐 심근경색 모델은 왼쪽 관상동맥을 결찰시켜 제작하였다. 소동물PET 영상은 37 MBq $^{18}F$-FDG를 쥐의 꼬리정맥에 주사한 후 60분 섭취 후 Siemens Inveon SPECT/PET 스캐너를 이용하여 20분 동안 ECG 신호와 함께 획득하였고, OSEM 2D 알고리즘을 이용하여 재구성하였다. PET 영상의 심근 극성지도는 Siemens QGS 소프트웨어에 적합한 형식으로 변환 후 자동으로 심근 벽을 설정하여 작성하였다. 심근경색영역의 기준데이터는 TTC 염색으로 설정하였으며 전체 좌심실대비 염색된 영역의 백분율로 획득하였다. 최적의 임계값 설정을 위해 절대치 설정 방법, Otsu 알고리즘, 다중가우시안혼합모델(Multi Gaussian mixture model, MGMM)을 이용하여 평가하였다. 절대치 설정 방법은 10~90%까지 10%단위로 미리 정의 된 임계값을 이용하였고, Otsu 알고리즘은 영상 내에서 두 군집의 분산을 최대로 하는 임계값으로 설정하였다. MGMM 방법은 영상의 화소 강도를 분석하여 여러 개의 가우시안 분포함수(MGMM2, $\cdots$ MGMM4)로 반복 수행하여 최적의 가우시안 분포를 구하여 적응적 임계값을 설정하였다. 극성지도 평가지표는 각각의 알고리즘에서 측정된 임계값을 이용하여 이진화하고 전체 극성지도와 경색영역의 백분율로 획득한 후, TTC 염색으로 획득된 기준데이터와의 차이를 비교하였다. 그 차이는 절대치 방법의 20%에서 $7.04{\pm}3.44%$, 30%에서 $3.87{\pm}2.09%$, 40%에서 $2.15{\pm}2.07%$이었다. Otsu 방법은 $3.56{\pm}4.16%$이었으며 MGMM 방법은 $2.29{\pm}1.94%$이었다. 소동물 PET 극성지도에서는 30% 임계값이 조직학적 데이터와 비교하여 가장 작은 차이를 보였다. 그러나 TTC 염색으로 측정한 크기가 10% 이하에서는 MGMM 방법이 절대치 방법보다 작은 차이를 보였다(MGMM: 0.006%, 절대치방법: 0.59%). 이 연구에서는 심근경색 모델 평가를 위하여 생체영상 극성지도에서 다중가우시안혼합모델을 이용하여 평가하고자 하였다. MGMM은 사용자의 선택 없이도 자동적으로 영상 특성을 고려하여 적응적 임계값을 찾아주는 방법으로 극성지도에서 심근경색을 평가하는데 도움이 될 것으로 기대된다.

• 인터넷정보학회논문지
• /
• 제14권5호
• /
• pp.1-10
• /
• 2013

RFID(Radio Frequency Identification)시스템은 하나의 RFDI리더, 다수의 RFID태그 장치들로 이루어진 비접촉방식의 근거리 무선 인식 기술이다. RFID태그는 자체적인 연산 수행이 가능한 능동형 태그와 이에 비해 성능은 떨어지지만 저렴한 가격으로 물류 유통에 적합한 수동형 태그로 나눌 수 있다. 데이터 처리 장치는 리더와 연결되어 리더가 전송받은 정보를 처리한다. RFID 시스템은 무선주파수를 이용해 다수의 태그를 빠른 시간에 인식할 수 있다. RFID시스템은 유통, 물류, 운송, 물품관리, 출입 통제, 금융 등 다양한 분야에서 응용되고 있다. 하지만 RFID시스템을 더욱 확산시키기 위해서는 가격, 크기, 전력소모, 보안 등 해결할 문제가 많다. 그 문제들 중에서 본 논문에서는 다수의 수동형 태그를 인식할 때 발생하는 충돌 문제를 해결하기 위한 알고리즘을 제안한다. RFID 시스템에서 다수의 태그를 인식하기 위한 충돌 방지 기법에는 확률적인 방식과 결정적인 방식 그리고 이를 혼합한 하이브리드 방식이 있다. 본 논문에서는 우선 기존에 있던 확률적 방식의 충돌방지기법인 알로하 기반 프로토콜과 결정적 방식의 충돌방지기법인 트리 기반 프로토콜에 대해 소개한다. 알로하 기반 프로토콜은 시간을 슬롯 단위로 나누고 태그들이 각자 임의로 슬롯을 선택하여 자신의 ID를 전송하는 방식이다. 하지만 알로하 기반 프로토콜은 태그가 슬롯을 선택하는 것이 확률적이기 때문에 모든 태그를 인식하는 것을 보장하지 못한다. 반면, 트리 기반의 프로토콜은 리더의 전송 범위 내에 있는 모든 태그를 인식하는 것을 보장한다. 트리 기반의 프로토콜은 리더가 태그에게 질의 하면 태그가 리더에게 응답하는 방식으로 태그를 인식한다. 리더가 질의 할 때, 두 개 이상의 태그가 응답 한다면 충돌이라고 한다. 충돌이 발생하면 리더는 새로운 질의를 만들어 태그에게 전송한다. 즉, 충돌이 자주 발생하면 새로운 질의를 자주 생성해야하기 때문에 속도가 저하된다. 그렇기 때문에 다수의 태그를 빠르게 인식하기 위해서는 충돌을 줄일 수 있는 효율적인 알고리즘이 필요하다. 모든 RFID태그는 96비트의 EPC(Electronic Product Code)의 태그ID를 가진다. 이렇게 제작된 다수의 태그들은 회사 또는 제조업체에 따라 동일한 프리픽스를 가진 유사한 태그ID를 가지게 된다. 이 경우 쿼리 트리 프로토콜을 이용하여 다수의 태그를 인식 하는 경우 충돌이 자주 일어나게 된다. 그 결과 질의-응답 수는 증가하고 유휴 노드가 발생하여 식별 효율 및 속도에 큰 영향을 미치게 된다. 이 문제를 해결하기 위해 충돌 트리 프로토콜과 M-ary 쿼리 트리 프로토콜이 제안되었다. 하지만 충돌 트리 프로토콜은 쿼리 트리 프로토콜과 마찬가지로 한번에 1비트씩 밖에 인식을 못한다는 단점이 있다. 그리고 유사한 태그ID들이 다수 존재할 경우, M-ary 쿼리 트리 프로토콜을 이용해 인식 하면, 불필요한 질의-응답이 증가한다. 본 논문에서는 이러한 문제를 해결하고자 M-ary 쿼리 트리 프로토콜의 매핑 함수를 이용한 m-비트 인식, 맨체스터 코딩을 이용한 태그 ID의 충돌정보, M-ary 쿼리 트리의 깊이를 하나 감소시킬 수 있는 예측 기법을 이용하여 성능을 향상시킨 적응형 M-ary 쿼리트리 프로토콜을 제안한다. 본 논문에서는 기존의 트리기반의 프로토콜과 제안하는 기법을 동일한 조건으로 실험하여 비교 분석 하였다. 그 결과 제안하는 기법은 식별시간, 식별효율 등에서 다른 기법들보다 성능이 우수하다.

• 지능정보연구
• /
• 제16권3호
• /
• pp.77-97
• /
• 2010

매매시점결정은 금융시장에서 초과수익을 얻기 위해 사용되는 투자전략이다. 일반적으로, 매매시점 결정은 거래를 통한 초과수익을 얻기 위해 언제 매매할 것인지를 결정하는 것을 의미한다. 몇몇 연구자들은 러프집합분석이 매매시점결정에 적합한 도구라고 주장하였는데, 그 이유는 이 분석방법이 통제함수를 이용하여 시장의 패턴이 불확실할 때에는 거래를 위한 신호를 생성하지 않는다는 점 때문이었다. 러프집합은 분석을 위해 범주형 데이터만을 이용하므로, 분석에 사용되는 데이터는 연속형의 수치값을 이산화하여야 한다. 이산화란 연속형 수치값의 범주화 구간을 결정하기 위한 적절한 "경계값"을 찾는 것이다. 각각의 구간 내에서의 모든 값은 같은 값으로 변환된다. 일반적으로, 러프집합 분석에서의 데이터 이산화 방법은 등분위 이산화, 전문가 지식에 의한 이산화, 최소 엔트로피 기준 이산화, Na$\ddot{i}$ve and Boolean reasoning 이산화 등의 네 가지로 구분된다. 등분위 이산화는 구간의 수를 고정하고 각 변수의 히스토그램을 확인한 후, 각각의 구간에 같은 숫자의 표본이 배정되도록 경계값을 결정한다. 전문가 지식에 의한 이산화는 전문가와의 인터뷰 또는 선행연구 조사를 통해 얻어진 해당 분야 전문가의 지식에 따라 경계값을 정한다. 최소 엔트로피 기준 이산화는 각 범주의 엔트로피 측정값이 최적화 되도록 각 변수의 값을 재귀분할 하는 방식으로 알고리즘을 진행한다. Na$\ddot{i}$ve and Boolean reasoning 이산화는 Na$\ddot{i}$ve scaling 후에 그로 인해 분할된 범주값을 Boolean reasoning 방법으로 종속변수 값에 대해 최적화된 이산화 경계값을 구하는 방법이다. 비록 러프집합분석이 매매시점결정에 유망할 것으로 판단되지만, 러프집합분석을 이용한 거래를 통한 성과에 미치는 여러 이산화 방법의 효과에 대한 연구는 거의 이루어지지 않았다. 본 연구에서는 러프집합분석을 이용한 주식시장 매매시점결정 모형을 구성함에 있어서 다양한 이산화 방법론을 비교할 것이다. 연구에 사용된 데이터는 1996년 5월부터 1998년 10월까지의 KOSPI 200데이터이다. KOSPI 200은 한국 주식시장에서 최초의 파생상품인 KOSPI 200 선물의 기저 지수이다. KOSPI 200은 제조업, 건설업, 통신업, 전기와 가스업, 유통과 서비스업, 금융업 등에서 유동성과 해당 산업 내의 위상 등을 기준으로 선택된 200개 주식으로 구성된 시장가치 가중지수이다. 표본의 총 개수는 660거래일이다. 또한, 본 연구에서는 유명한 기술적 지표를 독립변수로 사용한다. 실험 결과, 학습용 표본에서는 Na$\ddot{i}$ve and Boolean reasoning 이산화 방법이 가장 수익성이 높았으나, 검증용 표본에서는 전문가 지식에 의한 이산화가 가장 수익성이 높은 방법이었다. 또한, 전문가 지식에 의한 이산화가 학습용과 검증용 데이터 모두에서 안정적인 성과를 나타내었다. 본 연구에서는 러프집합분석과 의사결정 나무분석의 비교도 수행하였으며, 의사결정나무분석은 C4.5를 이용하였다. 실험결과, 전문가 지식에 의한 이산화를 이용한 러프집합분석이 C4.5보다 수익성이 높은 매매규칙을 생성하는 것으로 나타났다.