• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.

• 한국광학회지
• /
• 제31권2호
• /
• pp.59-70
• /
• 2020

3차원 플래시 라이다 시스템(3D flash LIDAR system)에서의 대기 산란을 해석하기 위해 몬테 카를로 복사 전달(Monte Carlo radiative transfer, MCRT) 방법을 바탕으로 수정된 수치 해석 모델인 MCRT 행렬 방법을 논의한다. MCRT 방법을 바탕으로 라이다 신호의 복사 전달 함수를 행렬 형태로 구성하며, 이는 특성 응답에 해당한다. 근축 근사에 기반하여 본 특성 응답 행렬의 중첩 및 합성곱 연산을 활용함으로써 확장된 전반적인 플래시 라이다의 전산 모사 모델을 개발한다. MCRT 행렬 방법은 기존의 몬테 카를로 기반 방법들에서 과도하게 증가할 수 있는 개별 라이다 신호의 추적을 대폭 경감시킨다. 그 결과 본 방법은 다양한 산란 조건 및 라이다 시스템 구성 환경에서도 그 신호 응답을 빠르게 획득할 수 있는 특징을 지닌다. 본 논문에서는 MCRT 행렬 방법에 기반한 전산 모델을 이용하여 상이한 대기 환경 조건에서 동작하는 3차원 플래시 라이다 시스템을 그 산란 조건, 즉, 그 가시거리에 따른 산란 계수를 달리하며 모사하고, 플래시 라이다 신호의 신호대잡음비의 악화, 신호 오류, 시공간적 확산 및 시간 지연 등 시스템상에서의 산란 효과에 의해 나타나는 다양한 현상을 수치적으로 분석한다. MCRT 행렬 방법은 자율 주행을 위한 플래시 라이다 시스템을 포함해 다양한 라이다 시스템을 분석하는데 매우 효과적으로 사용될 수 있을 것으로 기대된다.

• 한국음향학회지
• /
• 제26권2호
• /
• pp.61-68
• /
• 2007

마이크로폰의 주파수 응답 특성은 마이크로폰이 레벨 허용 범위로 재생할 수 있는 주파수 범위를 나타내는 것으로, 마이크로폰이 가지고 있는 특성을 평가하는 기준으로 사용되는 가장 중요한 음향 특성 파라메타 중의 하나이다. 이와 같은 마이크로폰의 주파수 응답 특성을 측정하기 위한 기존의 방법들은 그 측정 조건이 매우 까다로울 뿐만 아니라, 고가의 장비를 사용하여 측정하여야 한다는 문제점을 갖고 있다. 이러한 단점을 보완하기 위하여 본 논문에서는 마이크로폰의 주파수 응답 특성을 간단하게 측정할 수 있는 알고리즘을 제안한다. 제안한 알고리즘은 컴퓨터로 생성한 Optimized Aoshima's Time Stretched Pulse(OATSP) 신호를 표준 스피커를 통하여 발생시킨 다음, 측정하고자 하는 마이크로폰으로 수음된 신호와 역 OATSP 신호를 컨볼루션시켜 마이크로폰의 임펄스 응답을 측정하고, 이 신호를 이용하여 측정할 마이크로폰의 주파수 응답 특성을 구하는 방범이다. 제안한 알고리즘의 성능 평가는 제안한 알고리즘을 이용하여 구한 마이크로폰의 주파수 응답 특성 측정값과 그들이 갖고 있던 주파수 응답 특성 데이터를 비교 분석하였다. 비교 결과, 측정한 각각의 마이크로폰 주파수 응답 특성들 사이에 오차가 발생하였으나, 오차가 그 측정값들이 허용 오차(${\pm}3{\sim}{\pm}5dB$) 범위에 내에 있었으므로 제안한 알고리즘이 마이크로폰의 주파수 응답 특성을 측정하기에 적합한 방법임을 입증하였다.