• 융합정보논문지
• /
• 제12권3호
• /
• pp.116-125
• /
• 2022

본 연구의 목적은 COVID-19 팬데믹 국면에서 코로나 발생과 확산에 따른 투자자 불안심리가 암호화폐 가격에 영향을 미치는지를 분석하고, 딥러닝 모형에 기반하여 암호화폐의 가격 예측을 실험하는 것이다. 투자자 불안심리는 네이버의 코로나 검색지수와 코로나 확진자 정보를 결합하여 산출하며, 암호화폐 가격과의 그랜저 인과성을 분석하고 딥러닝모형을 이용하여 암호화폐 가격을 예측한다. 실험 결과는 다음과 같다. 첫째, CCI 지표는 비트코인, 이더리움, 라이트코인의 수익률에 유의적인 그랜저 인과성을 보여주었다. 둘째, CCI를 입력변수로 하는 LSTM은 높은 예측성과를 보여주었다. 셋째, 암호화폐 사이의 비교에서는 비트코인의 가격 예측 성과가 가장 높게 나타났다. 본 연구는 코로나 국면에서 네이버 코로나 검색 정보와 암호화폐 가격과의 관련성을 분석한 첫 시도라는 점에서 학술적 의의를 찾을 수 있다. 향후 연구에서는 가격 예측 정확성을 높이기 위하여 다양한 딥러닝 모형으로의 확장 연구가 필요하다.

• 품질경영학회지
• /
• 제50권3호
• /
• pp.459-471
• /
• 2022

Purpose: The purpose of this study was to increase prediction accuracy for an anomaly interval identified using an artificial intelligence-based time series anomaly detection technique by establishing a pre-processing process. Methods: Significant variables were extracted by applying feature selection techniques, and anomalies were derived using the TadGAN time series anomaly detection algorithm. After applying machine learning and deep learning methodologies using normal section data (excluding anomaly sections), the explanatory power of the anomaly sections was demonstrated through performance comparison. Results: The results of the machine learning methodology, the performance was the best when SHAP and TadGAN were applied, and the results in the deep learning, the performance was excellent when Chi-square Test and TadGAN were applied. Comparing each performance with the papers applied with a Conventional methodology using the same data, it can be seen that the performance of the MLR was significantly improved to 15%, Random Forest to 24%, XGBoost to 30%, Lasso Regression to 73%, LSTM to 17% and GRU to 19%. Conclusion: Based on the proposed process, when detecting unsupervised learning anomalies of data that are not actually labeled in various fields such as cyber security, financial sector, behavior pattern field, SNS. It is expected to prove the accuracy and explanation of the anomaly detection section and improve the performance of the model.

• Nuclear Engineering and Technology
• /
• 제51권2호
• /
• pp.424-431
• /
• 2019

The aim of the present study was to develop model for detonation cell sizes prediction based on a deep artificial neural network of hydrogen, methane and propane mixtures with air and oxygen. The discussion about the currently available algorithms compared existing solutions and resulted in a conclusion that there is a need for a new model, free from uncertainty of the effective activation energy and the reaction length definitions. The model offers a better and more feasible alternative to the existing ones. Resulting predictions were validated against experimental data obtained during the investigation of detonation parameters, as well as with data collected from the literature. Additionally, separate models for individual mixtures were created and compared with the main model. The comparison showed no drawbacks caused by fitting one model to many mixtures. Moreover, it was demonstrated that the model may be easily extended by including more independent variables. As an example, dependency on pressure was examined. The preparation of experimental data for deep neural network training was described in detail to allow reproducing the results obtained and extending the model to different mixtures and initial conditions. The source code of ready to use models is also provided.

• Korean Journal of Radiology
• /
• 제24권11호
• /
• pp.1151-1163
• /
• 2023

Objective: To develop a deep-learning-based bone age prediction model optimized for Korean children and adolescents and evaluate its feasibility by comparing it with a Greulich-Pyle-based deep-learning model. Materials and Methods: A convolutional neural network was trained to predict age according to the bone development shown on a hand radiograph (bone age) using 21036 hand radiographs of Korean children and adolescents without known bone development-affecting diseases/conditions obtained between 1998 and 2019 (median age [interquartile range {IQR}], 9 [7-12] years; male:female, 11794:9242) and their chronological ages as labels (Korean model). We constructed 2 separate external datasets consisting of Korean children and adolescents with healthy bone development (Institution 1: n = 343; median age [IQR], 10 [4-15] years; male: female, 183:160; Institution 2: n = 321; median age [IQR], 9 [5-14] years; male: female, 164:157) to test the model performance. The mean absolute error (MAE), root mean square error (RMSE), and proportions of bone age predictions within 6, 12, 18, and 24 months of the reference age (chronological age) were compared between the Korean model and a commercial model (VUNO Med-BoneAge version 1.1; VUNO) trained with Greulich-Pyle-based age as the label (GP-based model). Results: Compared with the GP-based model, the Korean model showed a lower RMSE (11.2 vs. 13.8 months; P = 0.004) and MAE (8.2 vs. 10.5 months; P = 0.002), a higher proportion of bone age predictions within 18 months of chronological age (88.3% vs. 82.2%; P = 0.031) for Institution 1, and a lower MAE (9.5 vs. 11.0 months; P = 0.022) and higher proportion of bone age predictions within 6 months (44.5% vs. 36.4%; P = 0.044) for Institution 2. Conclusion: The Korean model trained using the chronological ages of Korean children and adolescents without known bone development-affecting diseases/conditions as labels performed better in bone age assessment than the GP-based model in the Korean pediatric population. Further validation is required to confirm its accuracy.

• 전기전자학회논문지
• /
• 제25권4호
• /
• pp.750-755
• /
• 2021

본 논문에서는 YOLOv4를 이용하여 차량의 부위별 파손현황을 검출하는 기법을 제안한다. 제안 알고리즘은 YOLOv4를 통해 차량의 부위와 파손을 각각 학습시킨 후 검출되는 바운딩 박스의 좌표 정보들을 추출하여 파손과 차량부위의 포함관계를 판단하는 알고리즘을 적용시켜 부위별 파손현황을 도출한다. 또한 성능비교의 객관성을 위하여 동일분야의 VGGNet을 이용한 기법, 이미지 분할과 U-Net 모델을 이용한 기법, Weproove.AI 딥러닝 모델 등을 대조 모델로 포함한다. 이를 통하여 제안 알고리즘의 성능을 비교, 평가하고 검출 모델의 개선 방안을 제안한다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 춘계학술대회
• /
• pp.510-512
• /
• 2022

미세먼지 예측 정확도 향상을 위해 다양한 연구가 진행되고 있다. 그러나 미세먼지 농도가 가지는 다양한 특성에 따라 예측 모델의 학습이 잘 이루이지지 않는 문제가 있다. 본 논문에서는 시계열의 특성과 불규칙적인 특성을 가지는 미세먼지 농도의 학습 및 예측을 위해 LSTM과 EEMD 기반의 미세먼지 농도 예측 모델의 성능을 비교하고자 한다. 두 모델을 통해 시계열 특성 파악 방법과 독립적인 개별 특성 파악 방법의 성능 차이를 확인한 결과, 개별 특성 파악에 강점을 가지는 EEMD 예측 모델이 LSTM 기반의 예측 모델보다 좋은 성능을 보이는 것을 확인하였다.

• Journal of Korea Trade
• /
• 제25권4호
• /
• pp.17-36
• /
• 2021

Purpose - This study provides useful information to stakeholders by forecasting the tramp shipping market, which is a completely competitive market and has a huge fluctuation in freight rates due to low barriers to entry. Moreover, this study provides the most effective parameters for Baltic Dry Index (BDI) prediction and an optimal model by analyzing and comparing deep learning models such as the artificial neural network (ANN), recurrent neural network (RNN), and long short-term memory (LSTM). Design/methodology - This study uses various data models based on big data. The deep learning models considered are specialized for time series models. This study includes three perspectives to verify useful models in time series data by comparing prediction accuracy according to the selection of external variables and comparison between models. Findings - The BDI research reflecting the latest trends since 2015, using weekly data from 1995 to 2019 (25 years), is employed in this study. Additionally, we tried finding the best combination of BDI forecasts through the input of external factors such as supply, demand, raw materials, and economic aspects. Moreover, the combination of various unpredictable external variables and the fundamentals of supply and demand have sought to increase BDI prediction accuracy. Originality/value - Unlike previous studies, BDI forecasts reflect the latest stabilizing trends since 2015. Additionally, we look at the variation of the model's predictive accuracy according to the input of statistically validated variables. Moreover, we want to find the optimal model that minimizes the error value according to the parameter adjustment in the ANN model. Thus, this study helps future shipping stakeholders make decisions through BDI forecasts.

• 정보처리학회 논문지
• /
• 제13권5호
• /
• pp.221-226
• /
• 2024

정보검색에서 질의는 다양한 유형이 존재한다. 추상적인 질의부터 구체적인 키워드를 포함하는 질의까지 다양한 형태로 구성되어 있어서 사용자의 요구에 정확한 결과 도출은 어려운 과제이다. 또한 검색시스템이 오타, 다국어, 코드와 같은 다양한 요소를 포함하는 질의를 다뤄야 하는 특징이 존재한다. 본 연구에서는 질의 유형을 분석하고, 이에 따라 딥러닝 기반 재순위화의 적용 여부를 결정하는 방법을 제안한다. 최근 연구에서 높은 성능을 보인 딥러닝 모델인 DeBERTa를 이용하여 질의에 대한 적합 문서의 학습을 통해 재순위화를 수행한다. 제안 방법의 유효성을 평가하기 위해 국제정보검색 평가대회인 TREC 2023의 상품 검색 트랙(Product Search Track) 테스트컬렉션을 이용하여 실험을 하였다. 실험 결과에 대한 정규화된 할인누적이득(NDCG) 성능측정 비교에서 제안 방법이 정보검색 기본 모델인 BM25 에 비해 질의 오류 처리를 통한 검색, 잠정적 적합성피드백을 통한 상품제목 기반 질의확장과 질의유형에 따른 재순위화에서 0.7810으로 BM25 대비 10.48% 향상을 보였다.

• Nuclear Engineering and Technology
• /
• 제54권9호
• /
• pp.3283-3292
• /
• 2022

Based on the Deep Q-Network(DQN) algorithm of reinforcement learning, an active fault-tolerance method with incremental action is proposed for the control system with sensor faults of the once-through steam generator(OTSG). In this paper, we first establish the OTSG model as the interaction environment for the agent of reinforcement learning. The reinforcement learning agent chooses an action according to the system state obtained by the pressure sensor, the incremental action can gradually approach the optimal strategy for the current fault, and then the agent updates the network by different rewards obtained in the interaction process. In this way, we can transform the active fault tolerant control process of the OTSG to the reinforcement learning agent's decision-making process. The comparison experiments compared with the traditional reinforcement learning algorithm(RL) with fixed strategies show that the active fault-tolerant controller designed in this paper can accurately and rapidly control under sensor faults so that the pressure of the OTSG can be stabilized near the set-point value, and the OTSG can run normally and stably.

• 한국지반신소재학회논문집
• /
• 제21권2호
• /
• pp.21-30
• /
• 2022

전단강도는 암반 비탈면 안정성 평가에서 가장 중요한 지표이다. 일반적으로 기존 문헌자료, 역해석, 실험 등의 결과를 비교하여 산정한다. 암반 비탈면에서의 전단강도는 불연속면의 상태와 관련된 변수를 추가로 고려해야 한다. 이 변수들은 시추조사를 통해 여부를 파악하는 것이 어려울뿐더러 전단강도와의 정확한 관계를 찾아내기도 어렵다. 본 연구에서는 역해석을 통해 산정된 데이터를 이용했다. 기존 고려되었던 변수들의 관계를 딥러닝에 접목시켜 전단강도 산정에 적합한지 그 가능성을 모색하였다. 비교를 위해 기존에 사용되는 간단한 선형회귀(Linear Regression) 모델과 딥러닝 알고리즘인 심층인공신경망(DNN) 모델을 사용하였다. 각 분석 모델은 비슷한 예측결과를 도출해내었지만 미세한 차이로 DNN의 설명력이 개선된 결과를 나타내었다.