• 지능정보연구
• /
• 제29권3호
• /
• pp.361-381
• /
• 2023

기업 부도 예측에 관한 연구는 재무정보를 중심으로 연구되어 왔다. 기업의 재무정보는 분기별로 갱신되기 때문에 실시간으로 기업의 폐업 가능성을 예측하는 데 있어 적시성이 부족하게 되는 문제가 발생한다. 이를 개선하고자 하는 평가 기업에서는 대상 기업의 건전성을 판단하기 위한 재무정보 외의 정보를 활용한 기업의 건전성을 판단하는 방법이 필요하다. 이를 위해 정보 기술의 발달로 기업에 대한 비재무정보 수집이 용이해지면서 기업 부도 예측에 재무정보 외의 추가적인 변수와 여러 가지 방법론을 적용하는 연구가 진행되어 왔으며, 이 중에서도 어떤 변수들이 기업의 부도를 예측하는데 영향을 주는지를 밝히는 것이 중요한 연구 과제가 되었다. 본 연구에서는 전자결제서비스를 이용하는 사업자의 폐업을 예측할 때 비재무정보를 구성하는 전자결제 정보들이 얼마나 영향을 미치는지를 살펴보았으며, 재무정보와 비재무정보 결합에 따른 폐업 예측 정확도 차이를 살펴보았다. 구체적으로, 재무정보 모형과 비재무정보 모형, 그리고 이를 결합한 모형으로 구성된 세 가지 연구 모형을 설계하였으며 Multi Layer Perceptron(MLP) 알고리즘을 포함한 여섯 가지 알고리즘으로 폐업 예측 정확도를 확인하였다. 재무정보와 비재무정보를 결합한 모형이 가장 높은 예측 정확도를 보였으며, 그 다음으로는 비재무정보 모형, 재무정보 모형의 순서로 예측 정확도가 확인되었다. 알고리즘별 폐업 예측 정확도는 여섯 가지의 알고리즘 중 XGBoost가 가장 높은 예측 정확도를 보였다. 사업자의 폐업 예측에 활용된 전체 87개의 변수를 대상으로 상대적 중요도를 살펴본 결과 폐업 예측에 중요하게 영향을 미친 변수는 상위 20개 중 70% 이상이 비재무정보인 것으로 확인되었다. 이를 통해 비재무정보의 전자결제 정보가 사업자의 폐업을 예측하는 중요한 변수임을 확인하였으며, 비재무 정보가 재무정보의 대안적 정보로서 활용할 수 있는 가능성 역시 살펴볼 수 있었다. 본 연구를 기반으로 사업자의 폐업을 예측할 수 있는 정보로서 비재무정보의 수집과 활용에 대한 중요성을 인식하고 기업의 의사결정에 활용할 수 있는 방안에 대해서도 다루었다.

• 전자공학회논문지S
• /
• 제35S권8호
• /
• pp.96-105
• /
• 1998

본 논문에서는 화자 독립 연속 숫자음 인식 시스템의 성능향상을 위하여 MLP-VQ (Multi-Layer Perceptron-Vector Quantizer)를 이용한 가중 DHMM(WDHMM : Weighted Discrete Hidden Markov Models)을 제안한다. MLP 신경망의 출력분포는 입력 패턴과 학습 패턴들간의 비선형 매핑을 통해 각 패턴들간의 유사도를 나타내는 확률분포를 갖는다. 본 논문에서는 MLP 신경망의 출력분포중 가장 높은 출력 값을 갖는 MLP 신경망의 출력 노드를 인덱스를 이용하여 코드워드를 생성하는 MLP-VQ를 제안하였다. 제안된 MLP-VQ는 기존의 VQ에 비해 현재 입력패턴과 학습된 각 class 패턴들간의 유사성 정도를 인식모델을 반영할 수 있는 특징을 갖는다. 또한 MLP 신경망의 출력분포를 DHMM의 심벌 발생 확률의 가중치로 이용하는 가중 DHMM보다는 음소 클래스간의 관계를 인식모델에 반영할 수 있기 때문에 적은 계산양의 증가로 인식기의 성능을 14.71%개선할 수 있었다. 실험결과에 의하면, MLP-VQ와 WDHMM에 의한 화자독립 연결 숫자음 인식율은 84.22%이다.

• 융합정보논문지
• /
• 제10권12호
• /
• pp.201-207
• /
• 2020

본 연구에서는 무인 항공기 촬영 사진 정보의 실용성을 파악하였다. 따라서 무인 항공기를 활용한 사진촬영 대상 조사구 중 밭층 조사구역를 대상으로 연속적으로 총 4회 조사하여 조사 시기별 촬영된 무인 항공기 사진을 활용하여 조사구의 작황 변화에 대하여 분석하였다. 지형, 작물 식재, 작형의 변화가 많게 예상되는 지역인 밭층에서는 무인 항공기를 활용하여 현장조사 시기에 맞게 해당 조사구를 직접 촬영하여 사진 정보를 수집, 활용하는 것이 적합하다. 그리고 비교적 변화가 없는 논-시설층에서는 경제적, 효율적 측면을 고려하여 위성영상을 활용하는 것이 적합한 것으로 나타났다. 조사구역에 작물 재배조사를 위한 시스템들이 잘 갖추어지게 된다면, 향후 무인 항공기를 활용하여 일정한 지역에 대한 사진자료를 취득한 후 라이브러리를 활용하여 실시간으로 딥러닝을 활용할 수 있다. 이를 통해 작물의 작황상태를 파악, 재배 면적과 단위 면적당 수량 조사 등으로 전체 작황 및 출하량 등을 분석하는 데에 사용할 수 있을 것으로 판단된다.

• 한국전자통신학회논문지
• /
• 제17권2호
• /
• pp.343-350
• /
• 2022

서로 다른 특징을 가지는 이미지를 통합하여 작물의 병충해 분류를 위한 심층신경망을 훈련하는 것이 학습 결과에 어떤 영향을 미치는지 확인하고, 심층신경망의 학습 결과를 개선할 수 있는 이미지 통합방법에 대해 실험하였다. 실험을 위해 두 종류의 작물 이미지 공개 데이터가 사용되었다. 하나는 인도의 실제 농장 환경에서 촬영된 작물 이미지이고 다른 하나는 한국의 실험실 환경에서 촬영한 작물 이미지였다. 작물 잎 이미지는 정상인 경우와 4종류의 병충해를 포함하여 5개의 하위 범주로 구성되었다. 심층신경망은 전이학습을 통해 사전 훈련된 VGG16이 특징 추출부에 사용되었고 분류기에는 다층퍼셉트론 구조를 사용하였다. 두 공개 데이터는 세 가지 방법으로 통합되어 심층신경망의 지도학습에 사용되었다. 훈련된 심층신경망은 평가 데이터를 이용해 평가되었다. 실험 결과에 따르면 심층신경망을 실험실 환경에서 촬영한 작물 이미지로 학습한 이후에 실제 농장 환경에서 촬영한 작물 이미지로 재학습하는 경우에 가장 좋은 성능을 보였다. 서로 다른 배경의 두 공공데이터를 혼용하여 사용하면 심층신경망의 학습 결과가 좋지 않았다. 심층신경망의 학습 과정에서 여러 종류의 데이터를 사용하는 방법에 따라 심층신경망의 성능이 달라질 수 있음을 확인하였다.

• 한국해양학회지:바다
• /
• 제24권3호
• /
• pp.375-388
• /
• 2019

지구의 탄소순환을 이해하고 미래 대기 $CO_2$의 농도와 기후 변화를 예측하기 위해서는 해양과 대기 사이 $CO_2$ 교환율(sea-to-air $CO_2$ flux)의 시공간 변화를 정확하게 추정하는 것이 필요하다. 연구선을 이용한 현장 관측이 갖고 있는 시공간 제약으로 인해 동해에는 매우 제한적인 표층 이산화탄소분압($fCO_2$) 자료만 존재한다. 이 연구에서는 위성 및 수치모형에서 얻은 수온, 염분, 엽록소, 혼합층 자료를 세 종류의 기계학습 모형에 입력하여 동해 남서부해역의 고해상도 표층 $fCO_2$ 시계열 자료를 산출하였다. 세 모형 중 현장 관측 자료를 가장 잘 재현하는 Random Forest (RF) 모형의 평균제곱근오차는 $7.1{\mu}atm$이었다. RF 모형을 이용한 $fCO_2$ 예측에 중요한 역할을 하는 변수는 수온, 염분과 시간 정보였으며, 엽록소와 혼합층 깊이는 $fCO_2$ 예측에 미미한 역할을 하였다. RF 모형에서 예측한 표층 $fCO_2$를 이용하여 계산한 동해 남서부해역의 $CO_2$ 교환율은 $-0.76{\pm}1.15mol\;m^{-2}yr^{-1}$로 이전 현장 관측 연구에서 제시한 교환율( $-0.66{\sim}-2.47mol\;m^{-2}yr^{-1}$) 범위 중 작은 값에 해당한다. RF 모형의 표층 $fCO_2$ 시계열 자료는 1주일 내외의 짧은 시간 사이에도 $CO_2$ 교환율이 상당히 변할 수 있음을 보여주었다. 앞으로 보다 정확한 $CO_2$ 교환율 산출을 위해서는 $fCO_2$가 급격하게 변화하는 봄철에 높은 해상도의 현장 관측을 수행할 필요가 있다.

• 인지과학
• /
• 제28권2호
• /
• pp.111-131
• /
• 2017

연결주의 모델은 계산주의적 관점에서 언어 처리를 연구하는 한 가지 접근법이다. 그리고 연결주의 모델 연구를 진행하는데 있어서 표상(representation)을 구축하는 것은, 모델의 학습 수준 및 수행 능력을 결정한다는 점에서 모델의 구조를 만드는 것만큼이나 중요한 일이다. 연결주의 모델은 크게 지역 표상(localist representation)과 분산 표상(distributed representation)이라는 두 가지 서로 다른 방식으로 표상을 구축해 왔다. 하지만 종래 연구들에서 사용된 지역 표상은 드문 목표 활성화 값을 갖고 있는 출력층의 유닛이 불활성화 하는 제한점을, 그리고 과거의 분산 표상은 표상된 정보의 불투명성에 의한 결과 확인의 어려움이라는 제한점을 갖고 있었으며 이는 연결주의 모델 연구 전반의 제한점이 되어 왔다. 본 연구는 이와 같은 과거의 표상 구축의 제한점에 대하여, 제한된 볼츠만 머신(restricted Boltzmann machine)이 갖고 있는 특징인 정보의 추상화를 활용하여 지역 표상을 가지고 분산 표상을 유도하는 새로운 방안을 제시하였다. 결과적으로 본 연구가 제안한 방법은 정보의 압축과 분산 표상을 지역 표상으로 역변환하는 방안을 활용하여 종래의 표상 구축 방법이 갖고 있는 문제를 효과적으로 해결함을 보였다.

• 한국지반공학회논문집
• /
• 제15권1호
• /
• pp.99-112
• /
• 1999

국내에서 계측된 92개의 측압계수를 이용하여 심도에 따른 측압계수의 경향을 분석하고 Hoek & Brown이 정의한 측압계수의 범위와 비교하였다. 국내의 측압계수는 1이상이 84%로 대부분의 경우 수평응력이 연직응력보다 크게 나타났다. 지반의 침식. 퇴적 및 암반 풍화. 횡압력에 의한 측압계수의 변화를 분석하기 위해 탄소성 이론을 적용하고 그 결과를 유한요소해석과 비교하였다. 측압계수는 지표 침식과 횡압력이 크고 암질이 양호할수록 증가하였고 퇴적의 경우에 감소하였다. 본 연구를 통하여 여러 지질작용이 측압계수에 미치는 영향을 파악할 수 있었고, 특히 지하공동의 굴착 심도인 천부 암반에서의 측압계수 변화를 파악할 수 있었다. 다층 역전파 학습 알고리즘을 적용한 인공신경망을 이용하여 측압계수 예측 전문가 시스템을 개발하였다. 학습률, 모멘텀 상수 그리고 은닉층 노드수를 고려하여 실측치와 상관계수 0.996 이상의 매우 높은 추론율을 보이는 모델을 선정하였다 학습에서 제외한 9개 계측자료로 이 모델을 검증한 결과, 추론오차의 평균은 20%였으며 상관계수도 0.95 이상으로 측압계수를 예측하는데 있어 높은 신뢰성을 보였다.

• 한국지반공학회논문집
• /
• 제21권8호
• /
• pp.73-84
• /
• 2005

본 논문에서는 피에조콘 관입시험 결과와 상재하중으로부터 점토의 비배수전단강도를 간단히 예측하기 위한 피에조콘 인공신경망 모델 구축에 대하여 기술하였다. 피에조콘 인공신경망 모델의 구축을 위하여 먼저 국내 8개 지역에서 수행된 피에조콘 관입시험 결과와 불교란 시료에 대해 수행된 비압밀-비배수 삼축압축실험(UU)으로 얻어진 비배수전단강도 결과를 바탕으로 데이터베이스가 구축되었으며 오차역전파 알고리즘에 의하여 다층 구조를 갖는 최적 인공신경망 모델이 구성되었다. 구성된 인공신경망 모델은 모델 구축 시에 사용되지 않은 새로운 검증자료에 대해 비배수전단강도 예측을 수행하고 실내시험 결과와 비교함으로써 모델의 타당성이 검증되었다. 또한 피에조콘으로부터 비배수 전단강도의 예측을 위해 제안된 기존의 경험적 방법으로 예측된 비배수전단강도와 제안된 모델의 예측결과를 비교하였다. 인공신경망 모델들은 사용된 전달함수에 따라 단일 은닉층 내에 존재하는 최적 뉴우런 개수는 다르지만 학습자료와 검증자료에 대해 공통적으로 결정계수 $R^2=0.69\~0.72$ 범위의 예측정확도를 보여 국내 연약지반에서 피에조콘 관측결과들과 비배수전단강도 간의 비선형적 상관관계를 정의하는 데에 유용함을 알 수 있었다. 또한 구성된 인공신경망 모델은 지역적인 조정(site calibration)을 필요로 하는 기존의 경험적 방법들에 비하여 전 지역에서 고르게 예측신뢰성이 높으며 이는 학습과정을 통하여 각 지역의 지반공학적 특성을 일반화하는 데에 성공했기 때문으로 인공신경망 모델이 국내 전 지역에서 적용될 수 있는 일반화된 모델로 발전할 수 있음을 의미한다.

• 한국정보전자통신기술학회논문지
• /
• 제12권5호
• /
• pp.467-474
• /
• 2019

본 이 논문에서는 NVIDIA Jetson TX1에서 YOLO v2 모델의 정확도를 유지하면서 FPS를 개선하는 방법을 제안한다. 일반적으로, 딥러닝 모델에서는 연산량을 줄여 처리 속도를 높이기 위해 파라미터들을 실수형에서 정수형으로 변환하여 정수 연산을 통해 속도를 높이거나 네트워크의 깊이를 감소시키는 방법을 사용한다. 그러나 이 방법들은 인식 정확도가 떨어질 수 있다. 이 논문에서는 YOLO v2 모델을 이용해 표정인식기를 개발하고 정확도 유지 시키기 위해 정수 연산이나 네트워크 깊이 감소를 사용하는 대신, 다음 세 가지 방법을 통해 연산량 및 메모리 소모를 줄인다. 첫 번째, $3{\times}3$ 필터를 $1{\times}1$ 필터로 교체하여 각 Layer 당 매개 변수 수를 9 분의 1로 줄인다. 두 번째, TensorRT의 추론 가속 기능 중 CBR (Convolution-Add Bias-Relu)을 통해 연산량을 줄이고, 마지막으로 TensorRT를 사용하여 반복되는 동일한 연산구조를 가진 레이어를 통합하여 메모리 소비를 줄인다. 시뮬레이션 결과, 기존 YOLO v2 모델에 비해 정확도는 1 % 감소했지만 FPS는 기존 3.9 FPS에서 11 FPS로 282%의 속도 향상을 보였다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제9권12호
• /
• pp.403-410
• /
• 2020

오토인코더의 데이터 복원(Output result) 기능을 이용한 노이즈 제거 및 초해상도와 같은 연구가 진행되는 가운데 오토인코더의 차원 축소 기능을 이용한 클러스터링의 성능 향상에 대한 연구도 활발히 진행되고 있다. 오토인코더를 이용한 클러스터링 기능과 데이터 복원 기능은 모두 동일한 학습을 통해 성능을 향상시킨다는 공통점이 있다. 본 논문은 이런 특징을 토대로, 데이터 복원 성능이 뛰어나도록 설계된 오토인코더 모델이 클러스터링 성능 또한 뛰어난지 알아보기 위한 실험을 진행했다. 데이터 복원 성능이 뛰어난 오토인코더를 설계하기 위해서 스킵연결(Skip connection) 기법을 사용했다. 스킵연결 기법은 기울기 소실(Vanishing gradient)현상을 해소해주고 모델의 학습 효율을 높인다는 장점을 가지고 있을 뿐만 아니라, 데이터 복원 시 손실된 정보를 보완해 줌으로써 데이터 복원 성능을 높이는 효과도 가지고 있다. 스킵연결이 적용된 오토인코더 모델과 적용되지 않은 모델의 데이터 복원 성능과 클러스터링 성능을 그래프와 시각적 추출물을 통해 결과를 비교해 보니, 데이터 복원 성능은 올랐지만 클러스터링 성능은 떨어지는 결과를 확인했다. 이 결과는 오토인코더와 같은 신경망 모델이 출력된 결과 성능이 좋다고 해서 각 레이어들이 데이터의 특징을 모두 잘 학습했다고 확신할 수 없음을 알려준다. 마지막으로 클러스터링의 성능을 좌우하는 잠재변수(latent code)와 스킵연결의 관계를 분석하여 실험 결과의 원인에 대해 파악하였고, 파악한 결과를 통해 잠재변수와 스킵연결의 특징정보를 이용해 클러스터링의 성능저하 현상을 보완할 수 있다는 사실을 보였다. 이 연구는 한자 유니코드 문제를 클러스터링 기법을 이용해 해결하고자 클러스터링 성능 향상을 위한 선행연구이다.