• 농업과학연구
• /
• 제7권2호
• /
• pp.190-201
• /
• 1980

대두(大豆) 추출물(抽出物)로부터 대두(大豆)치즈를 제조(製造)하기 위한 최적(最適) 조건(條件)을 검토(檢討)하기 위하여 대두(大豆) 단백질(蛋白質)의 추출(抽出), 응고(凝固) 및 starter의 비교(比較) 시험(試驗) 등(等)을 수행(修行)하였고, 제품(製品)의 기호성(嗜好性) 향상(向上)을 위하여 skim milk와 미생물원(微生物原) 및 송아지원(原)의 rennin을 첨가(添加)한 경우, 숙성(熟成)에 미치는 영향(影響)에 관(關)하여 실험(實驗)하였다. 1. 대두추출(大豆抽出)의 최적조건(最適條件)은 고형물(固形物) 및 단백질(蛋白質) 추출율(抽出率), curd의 수율(收率) 등을 고려(考慮)하여 가수량(加水量) 9배(倍), 추출온도(抽出溫度) $100^{\circ}C$, 추출기간(抽出時間) 10분(分)이었다. 2. 두유(豆乳)의 응고(凝固)를 위하여는 응고제(凝固劑)로서 sodium gluconate가 좋았고 젖산 발효(醱酵)에 의한(依)한 방법(方法)으로 S. thermophilus의 starter 5%의 접종(接種)이 가장 좋았다. 3. 대두(大豆)치즈의 제조(製造) 및 숙성과정(熟成過程)에 미치는 skim milk 및 rennin 첨가(添加)의 영향(影響)은 (1) curd의 형성시간(形成時間)은 rennin을 첨가(添加)하였을때 단축(短縮)되었으며, skim milk와 rennin을 병용(竝用)하였을 때 현저히 단축(短縮)되었고, 공시(供試)한 두 개(個)의 rennin 중(中)에서는 미생물원(微生物原)의 rennet가 송아지원(原)의 것보다 형성(形成)이 늦었다. (2) 수분함량(水分含量)의 변화(變化)에는 큰 영향(影響)을 주지 못하였으며, 제품(製品)의 수분함량(水分含量)은 미생물(微生物) rennet를 첨가(添加)하여 제조(製造)한 치즈에서 높았다. (3) pH의 변화(變化)는 숙성초기(熟成初期)까지 급격(急激)히 저하(低下)되었고 그 이후(以後)에는 저하경향(低下傾向)이 완만(緩慢)하였으며, 미생물(微生物) rennet 첨가(添加)치즈에서 전기간(全期間)을 통(通)하여 낮은 수준(水準)의 pH를 유지(維持)하였다. (4) 세균수(細菌數)는 제조과정중(製造過程中) $10^8cells/g$의 수준(水準)으로 증가(增加)한 다음 숙성기간(熟成期間)에 계속(繼續) 감소(減少)하였고 skim milk를 첨가(添加)하여 제조(製造)한 치즈에서 월등(越等)히 높은 수준(水準)의 세균수(細菌數)가 측정(測定)되었다. (5) 숙성기간중(熟成期間中) 총질소(總窒素)의 함량(含量)은 변화(變化)되지 않았으나 가용성(可溶性) 질소(窒素)는 계속(繼續) 증가(增加)되었으며 이에 따라서 숙성률(熟成率)을 계산(計算)하면 skim milk를 첨가(添加)하여 제조(製造)한 치즈에서 또 rennin 첨가(添加)의 것에서 숙성률(熟成率)이 높았고 미생물원(微生物原)의 rennet 첨가(添加)에서 송아지원(原)의 것보다 높은 숙성률(熟成率)을 보임으로서 skim milk와 미생물(微生物) rennet 첨가(添加) 치즈에서 가장 높은 55%의 숙성률(熟成率)을 나타내었다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.221-241
• /
• 2018

최근 딥러닝 기술이 주목을 받고 있다. 대중들의 관심을 받았던 국제 이미지 인식 기술 대회(ILSVR)와 알파고(AlphaGo)에서 사용된 딥러닝 기술이 바로 합성곱 신경망(CNN; Convolution Neural Network)이다. 합성곱 신경망은 입력 이미지를 작은 구역으로 나누어 부분적인 특징을 인식하고 이것을 결합하여 전체를 인식하는 특징을 가진다. 이러한 딥러닝 기술이 우리의 생활에 있어 많은 변화를 야기할 것이라는 기대를 주고 있지만 현재까지는 이미지 인식과 자연어 처리 등에 그 성과가 국한되어 있다. 비즈니스 문제에 대한 딥러닝 활용은 아직까지 초기 연구 단계로 향후 마케팅 응답 예측이나 허위 거래 식별, 부도 예측과 같은 전통적 비즈니스 문제들에 대해 보다 깊게 활용되고 그 성능이 입증된다면 딥러닝 기술의 활용 가치가 보다 더 주목받게 될 것으로 기대된다. 이러한 때 비교적 고객 식별이 용이하고 활용 가치가 높은 빅데이터를 보유하고 있는 전자상거래 기업의 사례를 바탕으로 하여 딥러닝 기술의 비즈니스 문제 해결 가능성을 진단해보는 것은 학술적으로 매우 의미 있는 시도라 할 수 있겠다. 이에 본 연구에서는 전자상거래 기업의 고객 행태 예측력을 높이기 위한 방안으로 합성곱 신경망을 활용한 '이종 정보 결합(Heterogeneous Information Integration)의 CNN 모델'을 제시한다. 이는 정형과 비정형 정보를 결합하여 다층 퍼셉트론 구조의 합성곱 신경망에서 학습시키는 모델로서 최적의 성능을 발휘하도록 '이종 정보 결합'과 '비정형 정보의 벡터 전환', 그리고 '다층 퍼셉트론 설계'로 하는 3개의 내부 아키텍처를 정의하고 각 아키텍처 단위로 구성되는 방식에 따른 성능을 평가하여 그 결과를 바탕으로 제안 모델을 확정하고 그 성능을 평가해보고자 한다. 고객 행태 예측을 위한 목표 변수는 전자상거래 기업에서 중요하게 관리하고 있는 재구매 고객, 이탈 고객, 고빈도 구매 고객, 고빈도 반품 고객, 고단가 구매 고객, 고할인 구매 고객 등 모두 6개의 이진 분류 문제로 정의한다. 제안한 모델의 유용성을 검증하기 위해서 국내 특정 전자상거래 기업의 실제 데이터를 활용하여 실험을 수행하였다. 실험 결과 정형과 비정형 정보를 결합하여 CNN을 활용한 제안 모델이 NBC(Naïve Bayes classification)과 SVM(Support vector machine), 그리고 ANN(Artificial neural network)에 비해서 예측 정확도와 F1 Measure가 높게 평가되었다. 또 NBC, SVM, ANN에서 정형 정보만을 사용할 때 보다 정형과 비정형 정보를 결합하여 입력 변수로 함께 활용한 경우에 예측 정확도가 향상되는 것으로 나타났다. 따라서 실험 결과로부터 비정형 정보의 활용이 고객 행태 예측의 정확도 향상에 기여한다는 점과 CNN 기법의 특징 추출 알고리즘이 VOC에 사용된 단어들의 분포와 위치 정보를 해석하여 문장의 의미를 파악하는데 효과적이라는 점을 실증적으로 확인하였다는데 그 의미가 있다고 할 수 있겠다. 이를 통해서 CNN 기법이 지금까지 소개된 이미지 인식이나 자연어 처리 분야 외에 비즈니스 문제 해결에도 활용 가치가 높다는 점을 확인하였다는데 이 연구의 의의가 있다 하겠다.