• 한국초지조사료학회지
• /
• 제35권2호
• /
• pp.125-130
• /
• 2015

본 연구는 근적외선분광법을 이용하여 우리나라에서 재배되고 있는 목초류 중 외형적 특성이 유사한 이탈리안 라이그라스, 페레니얼 라이그라스와 톨 페스큐 종자의 초종판별 가능성을 검토하고자 수행되었다. 근적외선분광기를 이용하여 목초류 종자를 가시파장 대역대(680~1,099 nm), NIRS 파장 대역대(1,100-2,500 nm) 및 NIRS 전체 파장 대역대(680-2,500 nm)로 구분하여 스펙트라를 얻은 후 1차 미분과 8 nm gap으로 수 처리를 수행하였으며 부분최소자승(PLS) 회귀분석법을 통해 초종판별 검량식을 개발하고 판별 정확성을 검증하였다. 목초류의 초종판별 정확성은 가시파장대역에서 SECV 1.732, $R^2cv$ 0.96으로 가장 판별 정확성이 낮았으며 NIRS 전체 파장대역에서 SECV 1.182, $R^2cv$ 0.98로 가장 높은 판별 정확성을 나타내었다. 파장대역별 예측 정확성은 NIR 파장대역(1,100-2,500 nm)에서 교차검증오차(SECV) 1.319에서 예측 오차(SEP) 1.288로 낮아졌으며 가시영역대(680~1,099)는 SECV 1.732에서 SEP 1.749로 약간 높아졌다. Discrimination equation 분석법에 의한 NIRS 전체 파장대역별 목초류 초종의 판별 결과는 초종간에 판별 정확성의 차이가 크게 나타났으며 이탈리안 라이그라스의 'Hits'는 68%로 가장 낮았으며 페레니얼 라이그라스가 78%의 정확성으로 가장 높게 나타났다. 따라서 NIRS를 이용한 목초류 초종의 판별분석이 가능할 것으로 판단되었다.

• 한국초지조사료학회지
• /
• 제26권1호
• /
• pp.53-62
• /
• 2006

본 연구는 시료 및 스펙트럼의 전처리 방법이 근적외선 분광법을 이용한 옥수수 사일리지의 화학적 조성분의 예측능력에 미치는 영향을 평가하기 위해 수행되었다. 시료의 전처리 방법은 건조하여 분쇄하는 방법(Oven Dried Grinding), 액화 질소처리 후 분쇄하는 방법(Liquid Nitrogen Grinding) 그리고 생사일리지(Intact Fresh)처리로 하였으며 4개의 스펙트럼의 수처리(1,4,4, 2,6,4, 2,10,5) 방법을 이용하여 다변량회귀분석법인 변형부분최소자승회귀법(MPLS)을 통해 검량식을 작성하였다. 시료의 전처리 방법에 의해서 유도된 검량식의 예측 능력은 섬유소 성분(NDF, ADF)과 일반 조성분(CP, Ash) 모두에서 Oven dried grinding (ODG) > Liquid nitrogen grinding (LNG)>Intact fresh (IF) 처리 순으로 우수하였다. 또한 스펙트럼의 수처리 방법에 의한 결과는 시료의 전처리 방법에 따라 그 예측 능력이 다르게 나타났다. 옥수수 사일리지의 섬유소 함량을 예측하기 위한 최적의 시료 전처리 및 스펙트럼 수처리 방법은 NDF는 ODG 처리에 2,10,5 수처리 방법 $(R^2=0.86)$, ADF는 ODG 처리에 2,10,5 수처리 방법 $(R^2v=0.93)$이 가장 우수한 전처리 방법으로 나타났다. 조단백질 함량과 조회분 함량을 측정하기 위한 최적의 시료 전처리 및 스펙트럼 수처리 방법은 조단백질은 ODG 처리에 1,4,4 수처리 방법$(R^2v,=0.91)$, 조회분은 ODG 처리에 2,10,5 수처리 방법$(R^2v=0.89)$이 가장 우수한 전처리 방법으로 판단된다. 이상의 연구 결과를 종합해보면 근적외선 분광법을 이용한 사일리지의 화학적 조성분 함량 측정은 적은 오차 범위 내에서 신속하고 정확한 분석법이 될 수 있음을 확인 할 수 있었다. 비록 원물 생시료(IF)에 대한 직접적인 측정은 다소 예측 정확성이 떨어지지만 현장 적용성과 편리성을 높이기 위해서는 생시료의 측정시 오차를 줄일 수 있는 스펙트럼의 수처리 방법이나 산란보정 방법과 같은 데이터 처리기법에 대한 더 많은 연구가 앞으로 진행되어야 한다고 생각되어진다.

• 대한화학회지
• /
• 제53권6호
• /
• pp.717-726
• /
• 2009

Triton X-100이 함유된 상태에서 정색시약인 1-(2-thiazolylazo)-2-naphthol이 첨가된 물에서 구리 (II), 니켈(II)과 아연(II)의 동시 분광광도법적 정량을 위한 다변량 모델들이 개발되었다. 분광학적 간섭의 단점을 극복하기 위해서, 주성분회귀분석법(PCR)과 부분최소자승법(PLS) 다변량 분석법적 접근이 적용되었다. 다양한 시험 세트를 사용하여 본 방법의 수행이 입증되었고 그 결과들이 비교되었다. 일반적으로 PLS와 PCR 모델들 사이에 분석적 수행에서의 심각한 차이가 없었다. $Cu^{2+}$, $Ni^{2+}$ and $Zn^{2+}$ 의 세 성분들을 사용한 예측의 제곱근 평균 제곱 오차(RMSEP)들은 각각 0.018, 0.010, 0.011 ppm이었다. 또한 감도, 분석감도, 검출한계(LOD)와 같은 가치들의 측면들이 평가되었다. 본 논문에서 제안하는 과정이 화합물 혼합용액과 수돗물 속의 $Cu^{2+}$, $Ni^{2+}$ and $Zn^{2+}$의 동시 검출에 적용되었을 때에 높은 신뢰도가 성취되었다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.

• 콘크리트학회논문집
• /
• 제14권4호
• /
• pp.457-466
• /
• 2002

현대사회에서 건설전반에 보편화되어 있는 레미콘은 다양한 사용재료의 물리 화학적 성분이 생산지 및 조성광물에 따라 다르므로 구해지는 결과 값 또한 무수한 변수가 있기 마련이다. 또한 콘크리트의 배합설계는 배합요소의 다변화로 인해 정확한 검정은 그리 간단하지가 않다. 신경망의 학습에 소요되는 시간은 컴퓨터의 성능 및 학습횟수(epoch)에 따라 다르고, 학습시 학습횟수를 최고 백만번까지 반복하도록 하였으며 학습 종료조건으로 최소자승법에 의해 목표 오차량이 0.10~0.001 사이가 될 때까지로 하였다. 신경망의 적용에는 현재 경북지방에 위치한 레미콘 회사중 A, B사에서 사용하는 콘크리트 시방배합표를 가지고 신경망 이론에 따라 학습시킨 후에 물시멘트비, 잔골재율, 단위수량, 단위시멘트량, 강모래의 단위량(S1), 부순모래의 단위량(S2), 단위굵은골재량 혼화제량을 추정하였고, 다음으로 압축강도 및 슬럼프 값을 각각 추정하였다. 배합요소 추정의 검정에 사용된 규격으로는 호칭강도 180~300kgf/${cm}^2$, 목표슬럼프값 8cm, 15cm를 사용하였고, 압축강도 및 슬럼프 값 추정에 사용된 규격으로는 회사별 최근 생산량이 가장 많은 호칭강도 210~240kgf/${cm}^2$, 목표 슬럼프 값 12, 15cm를 각각 사용하였다. 본 논문에서는 컴퓨터에 의한 학습 및 시뮬레이션을 통해 콘크리트의 배합요소, 압축강도 및 슬럼프 값을 추정하여 직접 실험 값과 비교함으로써 실험을 통하지 않고도 콘크리트의 배합요소 및 강도를 추정하는데 목적이 있다. 결과적으로 압축강도 및 슬럼프의 추정은 회사에 관계없이 오차량에 만족하여 수렴하는 것으로 나타나 인공신경망이론이 압축강도 및 슬럼프를 예측하는데 효율적인 것으로 판명되었다.