재조합 대장균으로부터 고순도 베타-카로틴을 효율적으로 회수하기 위한 추출정제 방법을 개발하기 위하여 세포파쇄의 유무, 추출온도, 추출용매의 종류, 세포 대 추출용매의 비율 및 결정세척 용매의 선정이 베타-카로틴 추출수율과 순도에 미치는 영향을 조사하였다. 세포파쇄의 유무는 베타-카로틴 추출수율에 영향을 미치지 않았으므로 별도의 물리적 세포파쇄 단계가 생략되었다. 테스트된 용매 종류에 관계없이 $50^{\circ}C$에서 베타-카로틴의 추출수율은 $30^{\circ}C$에서보다 월등히 높았다. 아이소부틸 아세테이트에 의해 추출되는 베타-카로틴의 양은 추출성능이 제일 낮은 아세톤을 사용한 경우에 비해 7.6배 높았다. 0.4g의 동결건조세포로부터 베타-카로틴을 최대로 추출하기 위해 필요한 아이소부틸 아세테이트의 최적양은 10mL였고, 이는 단위 건조 세포(g-dry cells)당 25mL의 아이소부틸 아세테이트가 필요함을 의미하였다. 아세톤과 올리브오일을 동일비율로 혼합한 용액에 의한 추출양은 아세톤만을 사용한 경우보다 훨씬 높았고 가장 높은 값을 나타낸 아이소부틸 아세테이트에 의한 값과 비슷한 수치를 나타내었다. 추출액에 용해되어 있는 베타-카로틴의 결정 생성을 촉진시켜 베타-카로틴을 추출용액으로 분리하여 얻어진 베타-카로틴 결정의 순도는 89%으나 이를 에탄올로 세척 시 순도가 98.5%로 향상되었다. HPLC, 분광광도계 분석외에 추가적으로 질량분석을 수행함으로써 회수된 결정이 베타-카로틴임을 확인하였다. 이와 같은 결과는 본 연구팀에서 개발한 방법으로 식품의약 안전청에서 고시한 화장품 및 식품의 첨가물 기준을 만족시키는 고순도 베타-카로틴을 효율적으로 생산할 수 있음을 시사한다.
본 실험은 초자화동결된 소 배반포기배를 실험현장에서 효율적으로 융해할 수 있는 기술을 찾고자 실시하였다. 초자화동결은 glycerol (G)과 ethylene glycol (EG) 그리고 10% FBS가 들어있는 m-DPBS를 이용하였으며, 배반포기배는 3단계로 초자화동결 되었는데, 10% G에 5분간 평형, 10% G와 20% EG에 5분간 평형, 그리고 25% G와 25% EG에 30초간 노출하였다. 질소 증기를 3분간 씌고 액화질소에 침지하였다. 융해는 straw 를 공기 중에서 10초간 노출시키고, $25^{\circ}C$ 물에서 빙정이 없어질 때까지 녹인 후 $25^{\circ}C$ 와 36$^{\circ}C$ 에 각각 시간차에 따라 처리군을 나누었다. 초자화동결된 배반포기배를 융해시 시간차에 따라 체외생존능은 융해 24시간과 48시간 후 재팽창과 완전탈출 배반포기배로 평가하였다. 그 결과를 요약하면 다음과 같다. 1) 초자화 동결된 배반포기를 융해시 시간차에 따라 체외생존농을 보았을 때, 1분으로 융해한 군이(86.6, 56.6%) 다른 처리군들보다 (2분 : 93.5, 35.4% ; 2.5분 : 76.9, 30.7% ; 3분 : 88.8, 36.1%; 3.5분 : 83.7, 8.1%) 체외생존능이 높게 나타났다. 2) 1분 융해방법으로 배반포기배의 발달단계에 따라 생존능을 조사하였을 때, 융해 48시간 후 빠르게 발달된 배반포기배의 부화율 (팽윤 : 93.8, 56.3% : 부화초기 : 86.2, 58.6%)은 느리게 발달하는 난자군의 부화율 (초기 : 83.3, 36.6%) 보다 높은 체외생존능을 나타내었다. 3) 또한, 1분 융해방법으로 배반포기배가 생산된 나이에 따라 체외생존능을 조사하였을 때, 융해 48시간 후, 7일 (66.6%) 과 8일 (60.0%)에 생산된 배반포기배가 9일 (22.7%)에 생산된 완전탈출 배반포기배율 보다 유의하게 높은 체외생존율을 나타내었다 (P<0.05). 그러므로 초자화동결된 배반포기배를 1분 융해방법으로 융해하였을 때 빠르고 효율적으로 체외생존능을 얻을 수 있음을 알 수 있었다.
목적: CT기반 감쇠보정 영상의 표준섭취계수(Standard Uptake Value:SUV)가 $^{137}Cs$ 기반 감쇠보정 영상의 SUV보다 높다. 이 연구에서는 이러한 오차가 생기는 원인을 밝히고자 감쇠계수가 정확하게 변환되었는지 여부를 관심영역 분석을 통하여 평가하였다. 대상 및 방법: Philips GEMINI PET/CT는 X-ray CT (평균 40 keV) 혹은 $^{137}Cs$ (662 keV) 투과영상을 감쇠보정에 이용하는데 GEMINI PET/CT에서 사용하는 각각 선원의 에너지는 511 keV에서 얻은 감쇠계수와 틀리기 때문에 스캐너 내부에 장착된 감쇠계수 변환 알고리즘을 이용하여 511 keV에 해당하는 감쇠계수 값으로 변환된 감쇠지도를 사용하므로 감쇠계수의 변환이 정확하게 이루어졌는지 평가하는 것이 중요하다. 각각의 실험과정은 다음과 같다. 먼저 시스템 성능평가 팬텀 CT 투과 영상을 사용하여 Hounsfield units (HU)값을 측정하였다. 다음으로 NEMA 타원형 ECT 팬텀의 CT, $^{137}Cs$ 투과영상을 얻어 $^{68}Ge$ 투과선원을 장착한 Siemens ECAT EXACT 47 PET 스캐너에서 얻은 팬텀 투과 영상과 비교하여 감쇠계수가 511 keV에 해당하는 감쇠계수로 잘 변환되었는지 측정하였고 Gammex 467 electron density CT 팬텀의 CT, $^{137}Cs$ 투과영상에서 관심영역 분석을 하여 다양한 전자밀도 값에 대한 감쇠계수 변환의 정확성을 평가하였다. 또, 재구성한 영상에 미치는 영향을 평가하기 위하여 정상 및 병적 조직에서 CT, $^{137}Cs$ 기반 감쇠계수와 표준섭취계수를 비교하였다. 결과: CT에서 측정한 HU는 신뢰할 수 있는 값임을 확인하였으나 전자밀도와 원자번호가 큰 영역에서 CT 기반 감쇠계수에 오차가 있었는데 NEMA 타원형 ECT 팬텀 실험결과에 의하면 뼈 영역에서 오차는 11%이었다. 임상데이터에서도 마찬가지로 CT를 이용하여 얻은 감쇠계수가 $^{137}Cs$을 이용하여 얻은 감쇠계수보다 낮았고 전자밀도와 원자번호가 큰 영역에서 오차가 컸다. 그러나, 표준섭취계수는 $^{137}Cs$를 사용하여 감쇠보정을 한 영상의 값이 CT를 이용하여 감쇠보정을 한 값보다 오히려 낮았고 표준섭취계수의 백분율 차이는 $6.6{\sim}52.7%$이었다. 결론: CT의 HU가 정확함에도 불구하고 뼈 영역에서 CT 투과영상을 기반으로 한 감쇠계수의 변환이 부정확하고 CT 및 $^{137}Cs$ 투과영상을 기반으로 얻은 표준 섭취계수에 차이가 있으므로 이에 관한 추가적인 연구가 필요할 것으로 생각한다.
인공지능 기술의 급속한 발전과 함께 빅데이터의 상당 부분을 차지하는 비정형 텍스트 데이터로부터 의미있는 정보를 추출하기 위한 다양한 연구들이 활발히 진행되고 있다. 비즈니스 인텔리전스 분야에서도 새로운 시장기회를 발굴하거나 기술사업화 주체의 합리적 의사결정을 돕기 위한 많은 연구들이 이뤄져 왔다. 본 연구에서는 기업의 성공적인 사업 추진을 위해 핵심적인 정보 중의 하나인 시장규모 정보를 도출함에 있어 기존에 제공되던 범위보다 세부적인 수준의 제품군별 시장규모 추정이 가능하고 자동화된 방법론을 제안하고자 한다. 이를 위해 신경망 기반의 시멘틱 단어 임베딩 모델인 Word2Vec 알고리즘을 적용하여 개별 기업의 생산제품에 대한 텍스트 데이터를 벡터 공간으로 임베딩하고, 제품명 간 코사인 거리(유사도)를 계산함으로써 특정한 제품명과 유사한 제품들을 추출한 뒤, 이들의 매출액 정보를 연산하여 자동으로 해당 제품군의 시장규모를 산출하는 알고리즘을 구현하였다. 실험 데이터로서 통계청의 경제총조사 마이크로데이터(약 34만 5천 건)를 이용하여 제품명 텍스트 데이터를 벡터화 하고, 한국표준산업분류 해설서의 산업분류 색인어를 기준으로 활용하여 코사인 거리 기반으로 유사한 제품명을 추출하였다. 이후 개별 기업의 제품 데이터에 연결된 매출액 정보를 기초로 추출된 제품들의 매출액을 합산함으로써 11,654개의 상세한 제품군별 시장규모를 추정하였다. 성능 검증을 위해 실제 집계된 통계청의 품목별 시장규모 수치와 비교한 결과 피어슨 상관계수가 0.513 수준으로 나타났다. 본 연구에서 제시한 모형은 의미 기반 임베딩 모델의 정확성 향상 및 제품군 추출 방식의 개선이 필요하나, 표본조사 또는 다수의 가정을 기반으로 하는 전통적인 시장규모 추정 방법의 한계를 뛰어넘어 텍스트 마이닝 및 기계학습 기법을 최초로 적용하여 시장규모 추정 방식을 지능화하였다는 점, 시장규모 산출범위를 사용 목적에 따라 쉽고 빠르게 조절할 수 있다는 점, 이를 통해 다양한 분야에서 수요가 높은 세부적인 제품군별 시장정보 도출이 가능하여 실무적인 활용성이 높다는 점에서 의의가 있다.
회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.
오래 전부터 학계에서는 정확한 주식 시장의 예측에 대한 많은 연구가 진행되어 왔고 현재에도 다양한 기법을 응용한 예측모형들이 연구되고 있다. 특히 최근에는 딥러닝(Deep-Learning)을 포함한 다양한 기계학습기법(Machine Learning Methods)을 이용해 주가지수를 예측하려는 많은 시도들이 진행되고 있다. 전통적인 주식투자거래의 분석기법으로는 기본적 분석과 기술적 분석방법이 사용되지만 보다 단기적인 거래예측이나 통계학적, 수리적 기법을 응용하기에는 기술적 분석 방법이 보다 유용한 측면이 있다. 이러한 기술적 지표들을 이용하여 진행된 대부분의 연구는 미래시장의 (보통은 다음 거래일) 주가 등락을 이진분류-상승 또는 하락-하여 주가를 예측하는 모형을 연구한 것이다. 하지만 이러한 이진분류로는 추세를 예측하여 매매시그널을 파악하거나, 포트폴리오 리밸런싱(Portfolio Rebalancing)의 신호로 삼기에는 적합치 않은 측면이 많은 것 또한 사실이다. 이에 본 연구에서는 기존의 주가지수 예측방법인 이진 분류 (binary classification) 방법에서 주가지수 추세를 (상승추세, 박스권, 하락추세) 다분류 (multiple classification) 체계로 확장하여 주가지수 추세를 예측하고자 한다. 이러한 다 분류 문제 해결을 위해 기존에 사용하던 통계적 방법인 다항로지스틱 회귀분석(Multinomial Logistic Regression Analysis, MLOGIT)이나 다중판별분석(Multiple Discriminant Analysis, MDA) 또는 인공신경망(Artificial Neural Networks, ANN)과 같은 기법보다는 예측성과의 우수성이 입증된 다분류 Support Vector Machines(Multiclass SVM, MSVM)을 사용하고, 이 모델의 성능을 향상시키기 위한 래퍼(wrapper)로서 유전자 알고리즘(Genetic Algorithm)을 이용한 최적화 모델을 제안한다. 특히 GA-MSVM으로 명명된 본 연구의 제안 모형에서는 MSVM의 커널함수 매개변수, 그리고 최적의 입력변수 선택(feature selection) 뿐만이 아니라 학습사례 선택(instance selection)까지 최적화하여 모델의 성능을 극대화 하도록 설계하였다. 제안 모형의 성능을 검증하기 위해 국내주식시장의 실제 데이터를 적용해본 결과 ANN이나 CBR, MLOGIT, MDA와 같은 기존 데이터마이닝 기법들이나 인공지능 알고리즘은 물론 현재까지 가장 우수한 예측 성과를 나타내는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안 모형이 보다 우수한 예측성과를 보임을 확인할 수 있었다. 특히 주가지수 추세 예측에 있어서 학습사례의 선택이 매우 중요한 역할을 하는 것으로 확인 되었으며, 모델의 성능의 개선효과에 다른 요인보다 중요한 요소임을 확인할 수 있었다.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.