• 한국작물학회지
• /
• 제50권6호
• /
• pp.419-427
• /
• 2005

1. 밀가루 입자분포가 수적으로는 직경 $0.496{\mu}m$ 근처에서 가장 많은 입자가 분포하는 unimodal 곡선형태, 표면적으로 나타낼 경우에는 $0.72{\~}0.79{\mu}m$, $17.2{\~}22.7{\mu}m$ 및 $101{\~}121{\mu}m$의 직경에서 각각 peak를 갖는 trimodal 곡선형태를 보였다. 2.밀가루 입도분포에서 찰성 밀 계통들 모두가 모본품종보다 밀가루 입자직경이 크고 비표면적은 작게 나타남으로서 모본 품종보다 미분화가 잘 안됨을 나타내주었다. 용적기준으로 볼 때 모본의 경우 평균입자 직경이 $97.8{\~}128.5{\mu}m$ 범위로서 올그루밀<우리밀<금강밀<그루밀의 내림순위로 큰 직경을 보였고, 찰성밀 계통의 경우는 $106.8{\~}128.5{\mu}m$ 범위로서 수원 292호$9.6\%$(우리밀)에서 $13.6\%$ (금강밀)까지 변이가 큰 반면에 찰성 계통의 경우는 그 범위가 $12.7{\~}13.6\%$로서 계통간 큰 차이 없이 높은 수치를 보였으나 침전가는 낮게 나타남으로서 찰성밀 계통의 단백질이 양적으로는 빵용밀에 버금갈 만큼 많을지라도 질적으로는 크게 못 미치는 것으로 나타났다. 4. 보통밀의 경우 peak 높이가 가수량에 상관없이 금강밀, 그루밀, 올그루밀 및 우리밀 순으로 높았다. 찰성 밀가루에서는 최대 반죽높이와 7분 후 반죽높이가 가수량이나 단백질 함량과 상관없이 보통밀보다 월등히 높고, 반죽 발달시간은 단축됨으로서 보통밀가루와는 다소 상이한 반죽특성을 보였다. 5. 최고점도시 온도가 찰성밀에서 $79.4^{\circ}C$(금강밀)${\~}$$81.1^{\circ}C$(수원 292호와 SW97110) 범위를 나타냄으로서 보통밀의 $95^{\circ}C$에 비해 현저히 낮은 온도를 보였다. 최저점도는 SW97105를 제외하고 찰성밀 계통이 각각의 모본보다 점도가 3.5${\~}$10.7RVU 정도 낮았다. 6. Breakdown점도와 최종점도에서 찰성밀과 보통밀간 차이가 명확히 나타났는데, Breakdown점도의 경우는 찰성밀이 80.2 (수원 29그호)${\~}$l16.2 RVU (SW97134) 범위로서 보통밀 46.5 (그루밀)${\~}$63.5 RVU (우리밀)에 비해 높았으나, 최종점도의 경우는 찰성밀이 101.0 (SW97110)${\~}$l16.9 RVU (SW97105) 범위로서 보통밀 148.0 (우리밀)${\~}$171.8 RVU (올그루밀)보다 낮았다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.57-73
• /
• 2021

ICT 인프라의 이상탐지를 통한 유지보수와 장애 예방이 중요해지고 있다. 장애 예방을 위해서 이상탐지에 대한 관심이 높아지고 있으며, 지금까지의 다양한 이상탐지 기법 중 최근 연구들에서는 딥러닝을 활용하고 있으며 오토인코더를 활용한 모델을 제안하고 있다. 이는 오토인코더가 다차원 다변량에 대해서도 효과적으로 처리가 가능하다는 것이다. 한편 학습 시에는 많은 컴퓨터 자원이 소모되지만 추론과정에서는 연산을 빠르게 수행할 수 있어 실시간 스트리밍 서비스가 가능하다. 본 연구에서는 기존 연구들과 달리 오토인코더에 2가지 요소를 가미하여 이상탐지의 성능을 높이고자 하였다. 먼저 다차원 데이터가 가지고 있는 속성별 특징을 최대한 부각하여 활용하기 위해 멀티모달 개념을 적용한 멀티모달 오토인코더를 적용하였다. CPU, Memory, network 등 서로 연관이 있는 지표들을 묶어 5개의 모달로 구성하여 학습 성능을 높이고자 하였다. 또한, 시계열 데이터의 특징을 데이터의 차원을 늘리지 않고 효과적으로 학습하기 위하여 조건부 오토인코더(conditional autoencoder) 구조를 활용하는 조건부 멀티모달 오토인코더(Conditional Multimodal Autoencoder, CMAE)를 제안하였다. 제안한 CAME 모델은 비교 실험을 통해 검증했으며, 기존 연구들에서 많이 활용된 오토인코더와 비교하여 AUC, Accuracy, Precision, Recall, F1-score의 성능 평가를 진행한 결과 유니모달 오토인코더(UAE)와 멀티모달 오토인코더(Multimodal Autoencoder, MAE)의 성능을 상회하는 결과를 얻어 이상탐지에 있어 효과적이라는 것을 확인하였다.