• 제목/요약/키워드: continuous stacking method

검색결과 12건 처리시간 0.015초

배경잡음 교차상관을 이용한 국내 광대역 지진계의 방위각 보정값 측정 (Determining the Orientations of Broadband Stations in South Korea using Ambient Noise Cross-correlation)

  • 이상준;이준기
    • 지구물리와물리탐사
    • /
    • 제18권2호
    • /
    • pp.85-90
    • /
    • 2015
  • 배경잡음 교차상관을 이용하여 국내에 설치된 지표 및 시추공 관측소 지진계의 방위각 보정값을 계산하였다. 이 방법은 원거리 지진자료를 사용하던 기존 연구들과는 달리 배경잡음 자료를 이용하며, 수직-수직성분 배경잡음 교차상관 함수를 $90^{\circ}$ 위상변화시키면 수직-방사성분 교차상관함수의 위상과 일치하게 된다는 특성을 이용한다. 2007년 1월부터 2008년 9월까지의 연속 자료를 중합하여 계산한 결과는 원거리 지진자료를 이용하여 계산된 이전 연구결과와 매우 유사하며, 계산 결과의 표준편차도 대부분 $5^{\circ}$ 이하로 나타나는 것을 확인할 수 있다. 한편, 자료를 30일씩 중합하여 계산한 결과 역시 표준편차가 $5^{\circ}$ 이하로 낮게 계산되며, 시간에 따른 방위각 보정값의 변화가 거의 없는 것으로 미루어 2007년 1월부터 2008년 9월 사이 기간에는 전체 관측소의 지진계 방위각이 크게 바뀌지 않은 것으로 보인다. 배경잡음 교차상관 분석 방법의 중합기간에 대한 민감도를 분석한 결과, 국내 지진관측소에 대한 신뢰할 수 있는 방위각 보정값을 얻는데 필요한 배경잡음 연속 기록의 최소 기간은 30일 정도로 추정된다.

SVM과 meta-learning algorithm을 이용한 고지혈증 유병 예측모형 개발과 활용 (Development and application of prediction model of hyperlipidemia using SVM and meta-learning algorithm)

  • 이슬기;신택수
    • 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.