• 정보과학회 논문지
• /
• 제43권2호
• /
• pp.269-274
• /
• 2016

개체명 인식은 문장에서 개체명을 추출하고 추출된 개체명의 범주를 결정하는 작업이다. 기존의 개체명 인식 연구는 주로 지도 학습 기법이 사용되어 왔다. 지도 학습을 위해서는 개체명 범주가 수동으로 부착된 대용량의 학습 말뭉치가 필요하며, 대용량의 학습 말뭉치를 수동으로 구축하는 것은 시간과 인력이 많이 들어가는 일이다. 본 논문에서는 학습 말뭉치 구축비용을 최소화하면서 개체명 인식 성능을 빠르게 향상시키기 위한 준지도 학습 방법을 제안한다. 제안 방법은 초기 학습 말뭉치를 구축하기 위해 원거리 감독법을 사용한다. 그리고 배깅과 능동 학습을 결합한 앙상블 기법의 하나인 능동 배깅을 사용하여 초기 학습 말뭉치에 포함된 노이즈 문장을 효과적으로 제거한다. 실험 결과, 15회의 능동 배깅을 통해 개체명 인식 F1-점수를 67.36%에서 76.42%로 향상시켰다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제13권11호
• /
• pp.5427-5445
• /
• 2019

While deep neural networks have achieved remarkable performance in representation learning, a huge amount of labeled training data are usually required by supervised deep models such as convolutional neural networks. In this paper, we propose a new representation learning method, namely generative adversarial networks (GAN) based bagging deep convolutional autoencoders (GAN-BDCAE), which can map data to diverse hierarchical representations in an unsupervised fashion. To boost the size of training data, to train deep model and to aggregate diverse learning machines are the three principal avenues towards increasing the capabilities of representation learning of neural networks. We focus on combining those three techniques. To this aim, we adopt GAN for realistic unlabeled sample generation and bagging deep convolutional autoencoders (BDCAE) for robust feature learning. The proposed method improves the discriminative ability of learned feature embedding for solving subsequent pattern recognition problems. We evaluate our approach on three standard benchmarks and demonstrate the superiority of the proposed method compared to traditional unsupervised learning methods.

• 현장농수산연구지
• /
• 제11권1호
• /
• pp.79-94
• /
• 2009

본 연구는 우리나라 식용포도 재배농가의 보호봉지 결속작업이 주로 고령의 부녀자에 의존하고 있어 향후 이들 노동력을 대체하기 위하여 기계적인 포도보호봉지 결속장치를 개발하여 생산비를 절감하고자 얻어진 결과 는 다음과 같다. 1. 포도 보호봉지 및 포장봉지 결속기 개발 가. 자동결속기 설계는 CATIA V12/AUTOCAD 2000으로 하였다. 나. 자동결속기는 포도보호봉지를 기계적으로 묶어주는 장치로 소형, 경량이어야 하며 작업 시간, 노동량을 줄어 젊은층에서부터 고령자까지 작업할 수 있도록 설계하였다. 다. 자동결속기의 총 무게는 350g이하 초경량으로 제작될 수 있도록 하였다. 라. 결속성공률은 99%이상이 되도록 하였다. 마. 자동결속기의 결속롤과 커터, 배터리, 모터 등의 구조를 스테플러와 같은 가트리지형태로 개발하였다. 바. 카트리지 핀은 C-ring 28mm형으로써 길이는 500mm정도로 포도보호봉지 및 제과·제빵포장봉지를 결속할 수 있도록 제작하였다. 사. 작업시 포도나무 포도넝쿨 등 장애물의 영향을 받지 않도록 디자인을 설계, 제작하였다. 2. 포도보호봉지 결속작업시스템 포장실증시험 가. 자동결속기 시작기를 이용한 포도 보호 봉지결속으로 시기별 과병장, 과식품질이 무처리에 비하여 현저히 높았다. 나. 포도보호봉지 결속작업은 숙련자의 경우 1일 3,000개내외 씌우는 반면 초보자는 1,200개(37%)정도로 크게 떨어졌다. 다. 포도 보호봉지 자동결속기를 이용한 작업효율성은 102%로써 숙련자의 노동력을 대체할 수 있을 것으로 판단되었다. ∘ 1단계 : 232.5%(앞치마에서 보호봉지를 꺼내어 포도에 씌움) ∘ 2단계 : 60.7%(씌운 보호봉지 주름을 잡음) ∘ 3단계 : 104.7%(주름이 잡힌 상태에서 결속) ∘ 4단계 : 102% 라. 포도 보호봉지 결속부위의 둘레(크기)를 조사한 바 관행보호봉지결속작업(수작업)에서는 손으로 철사핀을 감기 때문에 평균 4.6cm이었으며 자동결속기의 결속롤(핀)은 5.3cm가 되어 다소 줄이는 것이 정밀성이 높을 것으로 판단되었다. 마. 수확시 과실 품질(과중, 과방크기-과장, 과폭, 가용성고형물, 산함량)을 조사한 결과 처리한 차이가 인정되지 않았다. 바. 자동결속기를 이용한 포도보호봉지 결속작업처리에서 포도의 열과(터진포도)와 이병율 차이에는 관행방법과 차이가 없었다.

• 한국산림과학회지
• /
• 제98권6호
• /
• pp.696-702
• /
• 2009

본 연구는 충매화인 백합나무의 구조적 생리적 특성을 활용하여 인공교배 시 교배봉투 설치 과정의 생략이 가능한지 여부를 판단하기 위해 수행되었다. 이를 위해 1) 자연 상태(open-pollination)의 비교구, 2) 생식기관(꽃잎, 수술)을 제거하지 않고 교배봉투만 설치(self-pollination), 3) 생식기관만 제거하고 방치, 4) 생식기관 제거 및 인공수분을 실시 후 교배봉투 설치, 5) 생식기관 제거 및 인공수분 실시 후 교배봉투를 씌우지 않는 5 가지의 교배처리를 하였다. 시험결과, 생식기관을 제거하지 않고 교배봉투만 설치한 2번 처리구에서는 충실종자가 전혀 만들어지지 않아 자연 상태에서 자가수분에 의해 종자가 결실될 확률은 매우 낮은 것으로 보인다. 생식기관만 제거하고 교배봉투를 씌우지 않은 3번 처리구의 충실종자 결실률은 0.2%로 통상적인 대규모 인공교배 시의 발생하는 오차수준 보다 매우 낮은 미미한 수준이었다. 생식기관을 제거하고 인공수분을 실시한 후 교배봉투를 씌운 4번 처리구와 씌우지 않은 5번 처리구 종자 충실률은 각각 27.9%와 24.0%로 나타나 인공수분 후 교배봉투를 씌우지 않아도 외부 화분의 유입에 의한 종자 결실률의 증가는 없는 것으로 보인다. 이상의 결과를 종합해 보면 백합나무에서는 대규모 인공교배 시 인공수분 후 교배봉투를 씌우는 과정을 생략해도 큰 무리가 없을 것으로 생각된다.

• International Journal of Computer Science & Network Security
• /
• 제24권1호
• /
• pp.107-118
• /
• 2024

With the seamless growth of the technology, network usage requirements are expanding day by day. The majority of electronic devices are capable of communication, which strongly requires a secure and reliable network. Network-based intrusion detection systems (NIDS) is a new method for preventing and alerting computers and networks from attacks. Machine Learning is an emerging field that provides a variety of ways to implement effective network intrusion detection systems (NIDS). Bagging and Boosting are two ensemble ML techniques, renowned for better performance in the learning and classification process. In this paper, the study provides a detailed literature review of the past work done and proposed a novel ensemble approach to develop a NIDS system based on the voting method using bagging and boosting ensemble techniques. The test results demonstrate that the ensemble of bagging and boosting through voting exhibits the highest classification accuracy of 99.98% and a minimum false positive rate (FPR) on both datasets. Although the model building time is average which can be a tradeoff by processor speed.

• 한국전산구조공학회논문집
• /
• 제36권1호
• /
• pp.9-18
• /
• 2023

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

• 농약과학회지
• /
• 제21권1호
• /
• pp.42-48
• /
• 2017

본 연구는 침투성 살충제 thiacloprid와 비침투성 살충제 lufenuron을 포도에 살포시 유대와 무대조건에서 이들 약제의 잔류량 변화를 경시적으로 분석하여 잔류패턴을 비교하고자 하였다. 시험은 전북 김제 포장에서 수행하였으며 시험대상 포도의 품종은 켐벨이었다. 시험농약으로는 thiacloprid 10% 액상수화제와 lufenuron 5% 유제를 각각 2,000배 희석한 다음 배부식 동력분무기를 이용하여 경엽살포하였다. Thiacloprid 및 lufenuron 잔류시험은 수확 전 14-7-0일에 약제처리한 다음 최종살포 후 0, 1, 3, 5 및 7일에 수확하였고, 통시료, 과육 및 과피시료로 구분하여 균질화 한 후 두 약제를 HPLC-UVD를 사용하여 분석하였다. 두 성분의 회수율과 RSD는 각각 76.5-104.3과 81.4-100.8%, 0.7-6.0과 1.4-6.8% 범위이었으며, 검출한계는 두 약제 모두 0.01 mg/kg이었다. 유대시료에서는 thiacloprid와 lufenuron 모두 검출한계 미만으로 검출되었고, 무대시료에서 thiacloprid의 잔류량은 통시료 0.47-1.09, 과육시료 0.18-0.33 및 과피시료 1.24-1.67 mg/kg으로 경시적으로 감소하였다. Lufenuron의 잔류량은 통시료 0.16-0.61 mg/kg, 과육시료 < LOD-0.08 및 과피시료 0.85-1.48 mg/kg으로 경시적으로 감소하였다.

• 수산해양기술연구
• /
• 제32권1호
• /
• pp.33-41
• /
• 1996

In order to obtain the most favourable classification system for fishing gears, the problems in the existing systems were investigated and a new system in which the fishing method was adopted as the criterion of classification and the kinds of fishing gears were obtained by exchanging the word method into gear in the fishing methods classified newly for eliminating the problems was established. The new system to which the actual gears are arranged is as follows ; (1)Harvesting gear \circled1Plucking gears : Clamp, Tong, Wrench, etc. \circled2Sweeping gears : Push net, Coral sweep net, etc. \circled3Dredging gears : Hand dredge net, Boat dredge net, etc. (2)Sticking gears \circled1Shot sticking gears : Spear, Sharp plummet, Harpoon, etc. \circled2Pulled sticking gears : Gaff, Comb, Rake, Hook harrow, Jerking hook, etc. \circled3Left sticking gears : Rip - hook set line. (3)Angling gears \circled1Jerky angling gears (a)Single - jerky angling gears : Hand line, Pole line, etc. (b)Multiple - jerky angling gears : squid hook. \circled2Idly angling gears (a)Set angling gears : Set long line. (b)Drifted angling gears : Drift long line, Drift vertical line, etc. \circled3Dragged angling gears : Troll line. (4)Shelter gears : Eel tube, Webfoot - octopus pot, Octopus pot, etc. (5)Attracting gears : Fishing basket. (6)Cutoff gears : Wall, Screen net, Window net, etc. (7)Guiding gears \circled1Horizontally guiding gears : Triangular set net, Elliptic set net, Rectangular set net, Fish weir, etc. \circled2Vertically guiding gears : Pound net. \circled3Deeply guiding gears : Funnel net. (8)Receiving gears \circled1Jumping - fish receiving gears : Fish - receiving scoop net, Fish - receiving raft, etc. \circled2Drifting - fish receiving gears (a)Set drifting - fish receiving gears : Bamboo screen, Pillar stow net, Long stow net, etc. (b)Movable drifting - fish receiving gears : Stow net. (9)Bagging gears \circled1Drag - bagging gears (a)Bottom - drag bagging gears : Bottom otter trawl, Bottom beam trawl, Bottom pair trawl, etc. (b)Midwater - drag gagging gears : Midwater otter trawl, Midwater pair trawl, etc. (c)Surface - drag gagging gears : Anchovy drag net. \circled2Seine - bagging gears (a)Beach - seine bagging gears : Skimming scoop net, Beach seine, etc. (b)Boat - seine bagging gears : Boat seine, Danish seine, etc. \circled3Drive - bagging gears : Drive - in dustpan net, Inner drive - in net, etc. (10)Surrounding gears \circled1Incomplete surrounding gears : Lampara net, Ring net, etc. \circled2Complete surrounding gears : Purse seine, Round haul net, etc. (11)Covering gears \circled1Drop - type covering gears : Wooden cover, Lantern net, etc. \circled2Spread - type covering gears : Cast net. (12)Lifting gears \circled1Wait - lifting gears : Scoop net, Scrape net, etc. \circled2Gatherable lifting gears : Saury lift net, Anchovy lift net, etc. (13)Adherent gears \circled1Gilling gears (a)Set gilling gears : Bottom gill net, Floating gill net. (b)Drifted gilling gears : Drift gill net. (c)Encircled gilling gears : Encircled gill net. (d)Seine - gilling gears : Seining gill net. (e)Dragged gilling gears : Dragged gill net. \circled2Tangling gears (a)Set tangling gears : Double trammel net, Triple trammel net, etc. (b)Encircled tangling gears : Encircled tangle net. (c)Dragged tangling gears : Dragged tangle net. \circled3Restrainting gears (a)Drifted restrainting gears : Pocket net(Gen - type net). (b)Dragged restrainting gears : Dragged pocket net. (14)Sucking gears : Fish pumps.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 추계학술대회
• /
• pp.492-494
• /
• 2021

기계학습에서 분류를 위한 기법으로 의사결정트리 기법을 이용한다. 그러나 의사결정트리는 과적합의 문제로 성능이 저하되는 문제가 있다. 이러한 문제를 해결하기 위해 여러 개의 부트스트랩을 생성하여 각 자료를 모델링하여 학습하는 Bagging기법, 샘플링한 데이터를 모델링하여 가중치를 조정하여 과적합을 감소시키는 Boosting과 같은 기법으로 이를 해결할 수 있다. 또한, 최근에 Xgboost 기법이 등장하였다. 이에 본 논문에서는 실내 측위를 위한 wifi 신호 데이터를 수집하여 기존 방식과 Xgboost에 적용하고, 이를 통한 성능평가를 수행한다.

• 지능정보연구
• /
• 제20권4호
• /
• pp.121-139
• /
• 2014

기업의 부도 예측은 재무 및 회계 분야에서 매우 중요한 연구 주제이다. 기업의 부도로 인해 발생하는 비용이 매우 크기 때문에 부도 예측의 정확성은 금융기관으로서는 매우 중요한 일이다. 최근에는 여러 개의 모형을 결합하는 앙상블 모형을 부도 예측에 적용해 보려는 연구가 큰 관심을 끌고 있다. 앙상블 모형은 개별 모형보다 더 좋은 성과를 내기 위해 여러 개의 분류기를 결합하는 것이다. 이와 같은 앙상블 분류기는 분류기의 일반화 성능을 개선하는 데 매우 유용한 것으로 알려져 있다. 본 논문은 부도 예측 모형의 성과 개선에 관한 연구이다. 이를 위해 사례 선택(Instance Selection)을 활용한 배깅(Bagging) 모형을 제안하였다. 사례 선택은 원 데이터에서 가장 대표성 있고 관련성 높은 데이터를 선택하고 예측 모형에 악영향을 줄 수 있는 불필요한 데이터를 제거하는 것으로 이를 통해 예측 성과 개선도 기대할 수 있다. 배깅은 학습데이터에 변화를 줌으로써 기저 분류기들을 다양화시키는 앙상블 기법으로 단순하면서도 성과가 매우 좋은 것으로 알려져 있다. 사례 선택과 배깅은 각각 모형의 성과를 개선시킬 수 있는 잠재력이 있지만 이들 두 기법의 결합에 관한 연구는 아직까지 없는 것이 현실이다. 본 연구에서는 부도 예측 모형의 성과를 개선하기 위해 사례 선택과 배깅을 연결하는 새로운 모형을 제안하였다. 최적의 사례 선택을 위해 유전자 알고리즘이 사용되었으며, 이를 통해 최적의 사례 선택 조합을 찾고 이 결과를 배깅 앙상블 모형에 전달하여 새로운 형태의 배깅 앙상블 모형을 구성하게 된다. 본 연구에서 제안한 새로운 앙상블 모형의 성과를 검증하기 위해 ROC 커브, AUC, 예측정확도 등과 같은 성과지표를 사용해 다양한 모형과 비교 분석해 보았다. 실제 기업데이터를 사용해 실험한 결과 본 논문에서 제안한 새로운 형태의 모형이 가장 좋은 성과를 보임을 알 수 있었다.