• 한국지능시스템학회논문지
• /
• 제12권4호
• /
• pp.328-333
• /
• 2002

상속구조의 계층이 깊어질수록 재사용성은 좋으나 이해하기가 어려워지고 유지보수가 힘들어 진다. 반대로 계층이 얕을수록 추상성이 부족하나 이해성과 수정성이 좋아진다. 따라서 시스템의 유지보수성을 위해서는 깊은 상속구조를 분리하여 얕은 상속구조로 만드는 것이 바람직하다. 본 연구에서 제안한 복잡성 척도는 Chidamber and Kemerer의 상속구조에 관한 척도인 DIT(Depth of Inheritance Tree)와 NOC(Number Of Children)를 기초로 Li가 지적한 Chidamber and Kemerer 척도의 모호성을 해결한 통합적 척도로서, 클래스 상속구조의 복잡성 측정에 있어서 조상 클래스 수, 자손 클래스 수, 상속구조의 깊이를 고려한 간단하고 휴리스틱한 척도이다. 이는 상속구조의 분리에 있어서 복잡도를 정량적으로 평가할 수 있는 정보를 제공한다.

• 한국산학기술학회논문지
• /
• 제15권8호
• /
• pp.5280-5287
• /
• 2014

본 논문에서는 라만스펙트럼의 효과적인 판별을 위해 계층 트리 구조로 클래스를 그룹화 하는 방식을 제안하였다. 실험데이터로는 28종 화학물질의 라만 스펙트럼을 준비하였고 잡음제거, 정규화 등의 전처리 수행하였다. 다음으로 사전실험을 통해 서로 간에 분류오류를 발생시키는 물질들을 그룹화 하여 계층 구조의 클래스를 구성하였고, 각각의 상위, 하위 클래스에 PCA(principal component analysis) 특징추출과 MAP(maximum a posteriori probability) 방식의 분류실험을 수행하였다. 실험 결과에 의하면 계층 구조의 클래스를 적용한 경우 평균 2.7개의 특징을 사용하여 분류가 100% 이루어짐을 확인할 수 있었다. 계층 구조를 적용하지 않는 기존의 방식에서 6개의 특징을 사용할 때 동일한 분류결과를 보였음을 감안해 보면, 제안한 방식이 전체 계산 복잡도의 측면에서 훨씬 뛰어남을 알 수 있다. 따라서 제안한 방식이 실제 응용에 보다 적합하다고 할 수 있다.

• 인지과학
• /
• 제10권4호
• /
• pp.1-10
• /
• 1999

한국어 명사들을 의미별로 분류하여 계층화시킨‘한국어 명사 의미 계층 구조’는, 한국어 문장을 처리할 때 의미 정보를 제공할 수 있는 매우 중요한 것들 중의 하나이다. 본 논문에서는, 국어 사전의 명사에 대한 뜻 풀이말을 이용하여 bottom-up 방식으로‘한국어 명사 의미 계층 구조’를 구축하였다. 본 논문에서 구축한‘한국어 명사 의미계층 구조’는, 트리(tree)가 43개, 중간 노드(node)가 2,443개, 단말 노드(terminal node)가 10,347개이며, 깊이(depth)가 17인 하나의 포리스트(forest)를 이룬다. 이것의 제 1, 2 계층(level 1, 2)에서의 분류 형태는 top-down 방식에 의한 기존의 분류들과 매우 다른 모습인 반면에, 제 3 이하의 계층들은 상당히 객관적이 형태를 이루고 있다.

• 인지과학
• /
• 제10권3호
• /
• pp.1.1-10
• /
• 1999

한국어 명사들을 의미별로 분류하여 계층화시킨‘한국어 명사 의미 계층 구조’는, 한국어 문장을 처리할 때 의미 정보를 제공할 수 있는 매우 중요한 것들 중의 하나이다. 본 논문에서는, 국어 사전의 명사에 대한 뜻 풀이말을 이용하여 bottom-up 방식으로‘한국어 명사 의미 계층 구조’를 구축하였다. 본 논문에서 구축한‘한국어 명사 의미계층 구조’는, 트리(tree)가 43개, 중간 노드(node)가 2,443개, 단말 노드(terminal node)가 10,347개이며, 깊이(depth)가 17인 하나의 포리스트(forest)를 이룬다. 이것의 제 1, 2 계층(level 1, 2)에서의 분류 형태는 top-down 방식에 의한 기존의 분류들과 매우 다른 모습인 반면에, 제 3 이하의 계층들은 상당히 객관적이 형태를 이루고 있다.

• 한국전산구조공학회논문집
• /
• 제23권1호
• /
• pp.61-71
• /
• 2010

기 수행된 1, 2종 교량에 관한 정밀안전진단 등의 많은 사례를 분석해 보면, 실제로 많은 경우 외관상태가 교량의 대표등급 결정에 지배적인 요인이 되는 것을 볼 수 있다. 본 연구는 기 시행된 점검 및 진단 자료를 학습사례집합으로 인공지능 분야의 귀납적 학습법을 활용하여 철근 콘크리트 교량 바닥판의 상태평가를 지배하는 상태속성들의 교량등급에 대한 계층적 영향도와 구조적 연관성을 분석하였다. 이는 세부적으로 목표속성은 평가등급으로, 평가속성은 1방향균열, 2방향균열, 백태, 박락 및 층분리, 재료분리 등 7가지로 구성하고, 엔트로피 분석을 통해 주요 속성의 정보량, 정보기대값 및 정보 이득을 산정하고 범주별 상태 등급 분포를 분석하였다. 이를 위해 본 논문은 먼저 6개 교량에 대한 안전진단보고서를 토대로 상태등급 평가 과정에서 각 속성이 미치는 간접적 영향을 개관하고 정보공학적 분석의 동기를 부여하였다. 아울러 본 연구는 정보 변별력에 대한 순서로 평가를 지배하는 주 속성 및 조건별 하위 속성 연관성을 의사결정트리 형태로 나타내어 계층적 영향 및 속성간의 구조적 연관성을 보임으로써 손상에 대한 이해도를 높이고 차후 상태평가를 위한 합리적 접근을 지원할 수 있도록 하였다.