• 지능정보연구
• /
• 제25권4호
• /
• pp.53-65
• /
• 2019

영상 기반의 보안 시스템의 증가함에 따라 각 용도마다 다른 다양한 객체들에 대한 처리들이 중요해지고 있다. 객체 추적은 객체 인식, 검출과 같은 작업들과 함께 필수적인 작업으로 다뤄진다. 이 객체 추적을 달성하기 위해서 다양한 머신러닝이 적용될 수 있다. 성공적인 분류기로써 전체 에러율 최소화(total-error-rate minimization) 기반의 방법론이 사용될 수 있다. 이 전체 에러율 최소화 기반의 방법론은 오프라인 학습을 기반으로 하고 있다. 객체 추적은 실시간으로 처리하며 갱신해야하는 것이 필수적이므로 온라인 학습(online learning)을 기반으로 하는 것이 적합하다. 온라인 전체 에러율 최소화 방법론이 개발되었지만 점근적으로 재가중되는(approximately reweighted) 작업이 포함되어 에러를 누적시킬 수 있다는 단점이 있다. 본 논문에서는 정확하게 재가중되는(exactly reweighted) 방법론을 제안하면서 온라인 전체 에러율 최소화가 달성되었다. 이 제안된 온라인 학습 방법론을 객체 추적에 적용하여 총 8개의 데이터베이스에서 다른 추적 방법론들 보다 좋은 성능이 달성되었다.

• 화훼연구
• /
• 제16권1호
• /
• pp.36-43
• /
• 2008

나리의 상자재배시 재식밀도, 배지 및 양액농도가 생육에 미치는 영향에 대하여 조사 분석한 결과는 다음과 같다. 재식밀도가 나리의 맹아에 미치는 영향은 14, 18 및 22구 처리가 1일 정도 맹아가 빨랐고, 개화는 22구 처리에서 가장 빨랐고 6구 식재처리가 가장 늦어 재식밀도가 높을수록 개화가 빠른 경향을 보였다. 재식밀도가 높을수록 초장생장이 증가되어 절화장이 길었으나 절화중, 화수 등 절화품질은 재식밀도가 낮을수록 증가하였다. 블라스팅이나 생리장해도 22, 18 및 14구순으로 재식밀도가 높을수록 발생율이 증가되었다. 구고, 구폭, 구중, 인편수, 인편중 모두 22구 처리를 제외한 모든 처리에서 정식전보다 우수한 결과를 나타냈으며 재식밀도가 높아질수록 구근비대가 좋지 않았고 부패율도 증가하였다. 배지성분 변화는 구근 정식전에 비해 pH는 모든 처리에서 낮아졌으며, 재식밀도가 높을수록 더욱 낮아지는 경향을 나타내었다. P, K, Ca, Mg 성분은 정식 전에 비해 높아졌으나, K와 Ca 성분은 재식밀도가 높을수록 오히려 낮아지는 경향을 나타내었다. 절화품질은 왕겨+코이어(1:1, v/v)배지가 우수하였으나 다른 배지와 큰 차이는 없었다. 또한 절화 후 구근 비대에서는 나리전용배지, 펄라이트+피트모스(1:1, v/v)배지에서 우수한 결과를 보였으며, 부패율은 왕겨+코이어(1:1, v/v)배지가 가장 높게 나타났다. 화뢰 출현기부터 절화기까지 양액농도별 처리에서 원시 1배액 처리가 절화장, 절화중, 화수 등 절화품질이 가장 좋았으며, 개화는 무처리, 원시 1/3배액 처리 순으로 농도가 낮을수록 개화가 빨랐다. 절화 시 양액 농도별 엽분석 결과 처리농도가 높을수록 N와 K의 흡수율이 높게 나타났으며, Ca와 Mg도 농도가 높을수록 증가추세를 보였으나 P는 모든 처리에서 흡수율이 가장 낮았다.

• 한국지반공학회논문집
• /
• 제23권9호
• /
• pp.5-16
• /
• 2007

비배수 상태에서의 변수 $S_u,\;E_u$, n의 함수로 표현되는 단순한 선형 완전점탄성 모델은 굴착 중에 연성 토양에 시공되는 지중연속벽의 변위를 예측하는데 사용된다. 그러나 유한요소해석에서의 이러한 모델은 굴착이 잠시 중단되었거나 완료된 후 지중연속벽의 측방향 변위를 연속적으로 예측하는 데 한계가 있다. 굴착이 이루어지지 않는 동안의 지중연속벽 주변 토양의 변형 거동특성을 연구하기 위하여, 지중연속벽 주변 토양에 작용하는 응력상태를 가정한 '방콕 연약 점토'에 대한 일련의 삼축압축시험이 모사되었다. 본 연구에서는 세 가지 다른 조건에서의 삼축압축시험이 실시되었는바, 압밀 비배수 조건에서의 재하($CK_0UC$), 압밀 배수 및 비배수 조건에서의 재하 및 제하($CK_0DUC$와 $CK_0UUC$)의 조건에서 시험이 실시되었다. 시험으로부터 일련의 $CK_0DUC$ 시험에서 얻은 전단강도는 $CK_0UC$ 시험에서의 잔류강도와 같음을 알 수 있었다. $CK_0DUC$ 시험에서 시험편에 가해지는 수평압력을 점진적으로 감소시키면서 측정한 탄성계수는 편차응력의 증가와 더불어 감소함을 알 수 있었다. 또한 $CK_0UC$와 $CK_0DUC$시험에서 한계상태 관계의 기울기가 동일하게 나타났다. 더욱이, $CK_0DUC$시험에서 수평압력을 점진적으로 감소시킬 경우의, 축방향 및 반경방향 변형율 증가율을 시간, 한계상태 관계의 기울기, 편차응력과 평균 유호응력의 비의 함수로 표현할 수 있었다. 이 연구는 삼축압축시험의 제하 과정에서 얻은 시험 결과가 굴착 중 지중연속벽의 변형을 예측하는데 사용될 수 있음을 보였다.AFM)과 Scanning Electron Microscopy(SEM)을 통해 관찰한 GST 다층박막시료의 고온 열처리 전후 표면미시거칠기 변화도 PRAM 기록기를 사용할 때에는 in-situ 타원계를 사용할 때보다 1/10 정도의 크기를 보여주어 PRAM 기록기와 분광타원계를 사용하여 결정한 GST의 고온광학물성의 신뢰성을 확인하여 주었다.>, 여자 $179.1{\pm}37.2%$이었다. 평균필요량에 비해 가장 낮은 양을 섭취한 영양소는 엽산으로서 남자 $60.1{\pm}10.8%$, 여자 $54.6{\pm}9.9%$로 조사되었다. 칼슘의 섭취량은 평균필요량에 비해 전체 $74.9{\pm}31.9%$로 나타났다. 에너지 섭취량에 있어서 남자 노인들은 모두가 필요추정량의 75% 미만을 섭취하고 있었고 여자 노인의 경우에도 97%가 필요추정량의 75% 미만을 섭취하여 에너지 섭취량이 매우 낮았다 반면에 단백질 섭취량에 있어서는 남자 노인의 경우 100%가 평균필요량의 125%를 초과하였고, 여자 노인의 경우에는 91%가 평균필요량의 125%를 초과하여 대조적이었다. 비타민 A와 E는 각각 평균필요량과 충분섭취량의 125%를 초과하는 비율이 높게 나타난 반면에 비타민 $B_2$는 특히 남자 노인에서 평균필요량의 75%미만을 섭취한 비율이 높게 나타났다. 엽산 섭취량에 있어서는 평균필요량의 75% 미만을 섭취한 비율이 전체 96%로 나타나 심각한 부족상태로 조사되었다 반면에 철의 섭취량은 남녀 모두 100%가 평균필요량의 125%를 초과하여 섭취한 것으로 나타났다. 아연의 섭취량은 남자 17%,여자 15%가 평균필요량의 75% 미만을 섭취한 것으로 조사되었다. 에너지와 엽산은 모든 노인들에서 평균필요량에 미달되게 섭취한

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.