• 지능정보연구
• /
• 제20권1호
• /
• pp.163-176
• /
• 2014

소셜미디어 확산으로 많은 사용자들이 SNS를 통해 자신의 생각과 의견을 표출하며 다른 사용자들과 상호작용하고 있다. 특히 트위터와 같은 마이크로블로그는 짧은 문장을 통해 영화, TV, 사회 현상 등과 같은 공통의 주제에 대해 많은 사람이 즉각적으로 의견을 표출하고 교환하는 플랫폼의 역할을 수행하고 있다. TV방송 프로그램에 대해서도 의견과 감정을 마이크로블로그를 통해 표출하고 있는데, 본 연구에서는 마이크로블로그의 내용과 시청률과의 관계를 살펴보기 위해, 지난 공중파 방송 프로그램에 대한 트윗을 수집하고 부적절한 트윗들을 제거한 후 형태소 분석을 수행하였다. 추출된 형태소뿐 아니라 이모티콘, 신조어 등 사용자가 입력한 모든 단어들을 후보 자질로 삼아 시청률과의 상관관계를 분석하였다. 실험을 위해 2013년 1월부터 10개월간의 예능프로그램 트윗의 데이터를 수집하여 전국 시청률 데이터와 비교 분석을 수행하였다. 트윗의 발생량은 일주일 중 방송된 요일에 가장 많았으며, 특히 방송시간 부근에서 급격히 증가하는 모습을 보였다. 이것은 전국에 동시간에 방송되는 공중파 프로그램의 특성상 공통된 관심 주제를 제공하기 때문에 나타나는 현상으로 여겨진다. 횟수 기반 자질로 방송 일의 총 트윗 수와 리트윗 수, 방송시간 중의 트윗 수와 리트윗 수와 시청률과의 상관 관계를 분석하였으나 모두 낮은 상관 계수를 나타냈다. 이것은 단순한 트윗 발생 빈도는 방송 프로그램의 만족도 또는 시청률을 제대로 반영하고 있지 못함을 의미한다. 내용 기반 자질로 추출한 단어들 중에는 높은 상관관계를 보여주는 단어들이 발견되었으며, 표준어가 아닌 이모티콘과 신조어 중에도 높은 상관관계를 보여주는 자질이 나타났다. 또한 방송시작 전과 후에 따라 상관계수가 높은 단어가 상이함을 발견하였다. 매주 같은 시간에 방송되는 TV 프로그램의 특성상, 방송을 기다리고 기대하는 내용의 트윗과 방송 후 소감을 표현하는 트윗의 내용에 차이가 존재하였다. 이러한 분석결과는 단어에 따라 시청률과 연관성이 높은 시간대가 달라짐을 의미하며, 시청률을 측정하고자 할 때 각 단어들의 시간대를 고려해서 사용해야 함을 의미한다. 본 연구에서 제안한 방법은 기존의 표본 추출을 통해 이루어지는 TV 시청률 측정을 보완할 수 있는 방법에 활용할 수 있으리라 기대된다.

• 지능정보연구
• /
• 제20권1호
• /
• pp.149-161
• /
• 2014

공공 서비스의 수출의 경우 수출 절차와 대상 선정에 따른 다양한 문제가 발생하며, 공공 서비스 수출 플랫폼은 이러한 문제점들을 해결하기 위하여 사용자 중심의 유연하고, 개방형 구조의 디지털 생태계를 조성할 수 있도록 구현되어야 한다. 또한 공공서비스의 수출은 다수의 이해당사자가 참여하고 여러 단계의 과정을 거쳐야 하므로 사용자의 이해 종류와 탐색 컨설팅 협상 계약 등 수출 프로세스 단계별로 맞춤형 플랫폼 서비스 제공이 필수적이다. 이를 위해서 플랫폼 구조는 도메인과 정보의 정의 및 공유는 물론 지식화를 지원할 수 있어야 한다. 본 논문에서는 공공서비스 수출을 지원하는 플랫폼을 위한 온톨로지 모형을 제안한다. 서비스 플랫폼의 핵심 엔진은 시뮬레이터 모듈이며 시뮬레이터 모듈에서는 온톨로지를 사용하여 수출 비즈니스의 여러 컨텍스트들을 파악하고 정의하여 다른 모듈들과 공유하게 된다. 온톨로지는 공유 어휘를 통하여 개념들과 그들 간의 관계를 표현할 수 있으므로 특정 영역에서 구조적인 틀을 개발하기 위한 메타 정보를 구성하는 효과적인 도구로 잘 알려져 있다. 공공서비스 수출 플랫폼을 위한 온톨로지는 서비스, 요구사항, 환경, 기업, 국가 등 5가지 카테고리로 구성되며 각각의 온톨로지는 요구분석과 사례 분석을 통하여 용어를 추출하고 온톨로지의 식별과 개념적 특성을 반영하는 구조로 설계한다. 서비스 온톨로지는 목적효과, 요구조건, 활동, 서비스 분류 등으로 구성되며, 요구사항 온톨로지는 비즈니스, 기술, 제약으로 구성 된다. 환경 온톨로지는 사용자, 요구조건, 활동으로, 기업 온톨로지는 활동, 조직, 전략, 마케팅, 시간으로 구성되며, 국가 온톨로지는 경제, 사회기반시설, 법, 제도, 관습, 인프라, 인구, 위치, 국가전략 등으로 구성된다. 수출 대상 서비스와 국가의 우선순위 리스트가 생성되면 갭(gap) 분석과 매칭 알고리즘 등의 시뮬레이터를 통하여 수출기업과 수출지원 프로그램과의 시스템적 연계가 이루어진다. 제안하는 온톨로지 모형 기반의 공공서비스 수출지원 플랫폼이 구현되면 이해당사자 모두에게 도움이 되며 특히 정보 인프라와 수출경험이 부족한 중소기업에게 상대적으로 더 큰 도움이 될 것이다. 또한 개방형 디지털 생태계를 통하여 이해당사자들이 정보교환, 협업, 신사업 기획 등의 기회를 만들 수 있을 것으로 기대한다.

• 지능정보연구
• /
• 제20권1호
• /
• pp.35-48
• /
• 2014

2013년 건설 경기 전망 보고서에 따르면 주택건설경기 침체 상황의 지속으로 건설 기업의 유동성 위기가 지속될 것으로 전망된다. 건설업은 파산으로 인한 사회적 파급효과가 다른 산업에 비해 큰 편이지만, 업종의 특성상 다른 산업과는 상이한 자본구조와 부채비율, 현금흐름을 가지고 있어서 기업의 파산 예측이 더 어려운 측면이 있다. 건설업은 레버리지가 큰 산업으로 부채비율이 매우 높은 업종이며 현금흐름이 프로젝트 후반부에 집중되는 특성이 있다. 그리고 경기사이클에 따른 부침이 매우 심하여 경기하강국면에선 파산이 급증하는 양상을 보인다. 건설업이 레버리지 산업인 이상 건설업체의 파산율 증가는 여신을 공여한 은행에 큰 부담으로 작용한다. 그럼에도 그간의 파산예측모델이 주로 금융기관에 집중되어 왔고 건설업종에 특화된 연구는 드물었다. 기업의 재무 자료를 바탕으로 한 파산 예측 모델에 대한 연구는 오래 전부터 다양하게 진행되었다. 하지만, 일반적인 기업 전체를 대상으로 하는 모델이기 때문에, 건설 기업과 같이 유동성이 큰 기업의 예측에는 적절하지 못할 수 있다. 건설 산업은 오랜 사업 기간과 대규모 투자, 그리고 투자금 회수가 오래 걸리는 특징을 갖는 자본 집약 산업이다. 이로 인해 다른 산업과는 상이한 자본 구조를 갖기 마련이고, 다른 산업의 기업 재무 위험도를 판단하는 기준과 동일한 적용이 곤란할 수 있다. 최근에는 기계 학습을 바탕으로 한 기업 파산 예측 연구가 활발하다. 기계 학습의 대표적 응용 분야인 패턴 인식을 기업의 파산 예측에 응용한 것이다. 기업의 재무 정보를 바탕으로 패턴을 작성하고 이 패턴이 파산 위험 군에 속하는지 안전한 군에 속하는지 판단하는 것이다. 전통적인 Z-Score와 기계 학습을 이용한 파산 예측과 같은 기존 연구들은 특정 산업 분야가 아닌 일반적인 기업을 대상으로 하기 때문에 기업들의 특성을 전혀 고려하고 있지 못하다. 본 논문에서는 건설 기업을 규모에 따라 각 기법들의 예측 능력을 비교하여 적응형 부스팅이 가장 우수함을 확인하였다. 본 논문은 건설 기업을 자본금 규모에 따라 세 등급으로 분류하고 각각에 대해 적응형 부스팅의 예측력을 분석하였다. 실험 결과 적응형 부스팅이 다른 기법에 비해 예측 결과가 좋았고, 특히 자본금 규모가 500억 이상인 기업의 경우 아주 우수한 결과를 보였다.

• Journal of Animal Science and Technology
• /
• 제49권4호
• /
• pp.459-470
• /
• 2007

비육돈의 출하체중은 육질은 물론 양돈업의 수익성에도 크게 영향을 미치는 요인이다(이 등, 2006). 출하체중은 품종 및 사양프로그램 등과 같은 내적인 요인과 소비자 집단의 문화, 전통 및 기호 성향은 물론 도축․가공업자의 요구 등 다양한 외적 요인에 따라 결정된다(Kim 등, 2005). 세계적으로 지난 20~30년 동안 비육돈의 출하체중은 5~20kg 증가하였는데 이는 무엇보다도 종돈 자체가 적육 생산을 극대화하는 방향으로 육종되어 재래의 돼지에 비해 현대의 비육돈은 체중 증가에 따른 지방침적의 증가 정도가 저하되어 일정 한도까지는 출하체중이 증가할수록 돈육의 생산원가가 저하되기 때문이다. 현재 세계적으로 비육돈의 출하체중은 주로 국가에 따라 90~140kg 범위의 수치를 나타내고 있고, 미국의 경우는 주에 따라 92~137kg의 분포를 보이고 있다(NASS, 2006). 국내에서 사용되고 있는 대부분의 종돈은 구미 지역에서 도입된 적육형일 뿐만 아니라 국내 돈육 소비자는 구미의 소비자에 비해 삼겹살과 같이 지방 함량이 높은 부위를 선호하는 등 돼지지방에 대해 관대하여 출하체중을 높게 유지할 수 있는 잠재력이 크다. 그러나 국내 비육돈의 출하체중은 2003년 이후 110kg 수준에 정체되어 구미 지역보다 5~20kg 낮은 수치를 나타내고 있어 앞으로 국내 비육돈의 출하체중을 높일 수 있는 여지가 많다. 이러한 점에 착안하여 본 연구진은 선행연구(이 등, 2006)에서 경남지역에서 가장 일반적으로 사육되고 있는 계통의 비육돈을 110kg 대비 130kg까지 비육․도축하여 도체특성 및 경제성을 분석하여 다음과 같은 주요결과를 얻었다. 본 지역의 대표적인 비육돈은 적육형이기 때문에 생체중 110kg 대비 130kg 출하돈은 사료섭취량과 등지방두께는 다소 증가하고 사료효율은 다소 감소하였으나 일당증체량은 저하되지 않았고, 암퇘지와 거세돼지의 등지방두께는 각각 다소 얇게 & 다소 두껍게 평가되었으며, 도체품질의 척도가 되는 근육의 이화학적 특성에는 차이가 없었다. 수익성 면에 있어서는 110kg 출하돈 대비 130kg 출하돈은 두당 약 20,000원의 손실이 발생하는데 이는 도체품질과는 관계없이 거의 전적으로 A & B 등급의 한계도체중 초과로 인한 도체등급 저하 때문에 발생한 손실로서 만일 이들 등급의 도체중 상한선이 철폐되기만 한다면 130kg 출하돈이 110kg 출하돈보다 훨씬 더 경제성이 높을 것으로 예측되었다. 또한 이와 같은 결과를 토대로 본 연구진은 현행 도체등급 판정 기준을 무시한 암퇘지와 거세돼지의 적정 출하체중은 각각 135 & 125kg 수준이고 이때 암퇘지와 거세돼지의 등지방두께 예측치는 각각 22.5 & 24.0mm라는 결론을 내린 바 있다. 따라서 본 연구는 선행연구의 결론과 같이 암퇘지와 거세돼지를 각각 135 & 125kg까지 비육․도축했을 때 성장효율, 도체의 품질 관련 이화학적 특성과 관능적 수용성 및 경제성을 분석하여 기 발표된 결론의 타당성을 확인․검증하고자 수행되었다.

• 대한방사선치료학회지
• /
• 제16권2호
• /
• pp.9-17
• /
• 2004

목적 : 최근 CT, MRI 등 영상진단기술 및 방사선치료계획 소프트웨어 등이 획기적으로 발전하였음에도 불구하고 자궁경부암의 강내조사는 아직까지 A 점 등 ICRU 38에 근거한 치료계획을 보편적으로 사용하고 있다. CT를 이용한 3차원 강내조사 계획은 종양 및 정상조직에 대한 선량뿐 아니라 선량-용적 히스토그람(DVH)에 대한 정보를 제공한다. 본 연구에서는 CT를 이용하여 CTV에 목표선량을 조사하는 치료계획(CTV계획)과 ICRU 38에 근거한 치료계획(ICRU계획)을 시행하여 이 두 치료계획간에 종양선량, 직장선량, 방광선량 등을 비교하고 각각에 대한 DVH를 분석하였다. 대상 및 방법 : Ir-192 고선량율강내치료(HDR)를 시행 받은 11명의 환자를 대상으로 하였다. 강내조사계획은 외부방사선치료를 약 40Gy 시행한 후 수립되었으며 모든 환자에서 CT 모의치료기를 이용한 CT가 시행되었고 치료계획은 PLATO(Nucletron) v.14.2를 이용하였다. CT 영상에 CTV, 직장, 방광 등을 도시한 후 CTV에 $100\%$의 선량을 조사하는 치료계획 및 ICRU 38에 근거하여 A점에 $100\%$를 조사하는 치료계획을 수립하였다. 결과 : 11명 환자의 CTV 용적(평균${\pm}$표준편차)은 $21.8{\pm}26.6cm^3$, 직장 용적은 $60.9{\pm}25.0cm^3$, 방광용적은 $116.1{\pm}40.1cm^3$이었다. ICRU계획에서 $100\%$의 선량이 포함하는 용적은 $126.7{\pm}18.9cm^3$, CTV 계획에서는 $98.2{\pm}74.5cm^3$으로서 잔류종양의 크기가 4cm 이상인 1례에서는 ICRU계획 시 CTV 용적 $22.0cm^3$가 $100\%$ 등선량곡선에 포함되지 않는 것으로 나타났다. 잔류종양의 크기가 4cm 미만인 나머지 8례에서는 종양용적 $12.9{\pm}5.9cm^3$이 불필요하게 $100\%$ 이상의 선량이 조사되었다. ICRU 38의 권고에 따른 방광선량은 ICRU계획 및 CTV계획에서 각각 $90.1{\pm}21.3\%,\;68.7{\pm}26.6\%$이었고, 직장선량은 $86.4{\pm}18.3\%,\;76.9{\pm}15.6\%$이었다. 방광 및 직장선량 최대값도 ICRU계획에서 각각 $137.2{\pm}50.1\%,\;101.1{\pm}41.8\%$, CTV계획에서 $107.6{\pm}47.9\%,\;86.9{\pm}30.8\%$로서 CTV계획에서 정상조직에 조사되는 선량이 더 적게 나타났다. 그러나 잔류종양이 4cm 이상인 환자에서는 CTV계획에서 정상조직 선량이 견딤선량보다 현저히 높게 나타났다. DVH에서는 목표선량의 $80\%$ 이상을 받는 직장용적(V80rec)은 ICRU계획 및 CTV계획에서 각각 $1.8{\pm}2.4cm^3,\;0.7{\pm}1.0cm^3$, 방광용적 (V80bla)은 $12.2{\pm}8.9cm^3,\;3.5{\pm}4.1cm^3$로서 역시 CTV계획에서 정상조직이 적게 조사되었다. 결과 : 기존의 ICRU계획은 그 효과 및 안전성이 입증되었음에도 불구하고 CT를 이용한 CTV계획 등을 적용 한다면 잔류종양이 적은 경우 정상조직에 대한 조사를 줄이면서 잔류종양에 목표선량을 조사할 수 있을 것이다. 다만 잔류종양이 큰 경우는 정상조직에 대한 조사선량을 줄이기 위한 효과적 치료계획에 대한 연구가 필요할 것으로 판단된다.

• Applied Biological Chemistry
• /
• 제17권3호
• /
• pp.149-176
• /
• 1974

팔종(八種)의 치환(置換) diphenyl ether 제초제(除草劑)를 Rayonet 광화학(光化學) 반응기(反應器)를 사용(使用)한 모조환경조건하(模造環境條件下)에서 용액상(溶液相) 광분해(光分解)시켜 그 분해산물(分解産物)에 관(關)하여 연구(硏究)하였다. 시료(試料)로 사용(使用)된 화합물(化合物)들은 300 nm에서 광화학반응(光化學反應)을 일으키기에 충분(充分)한 energy를 흡수(吸收)하였으며 분해산물(分解産物)은 tlc, glc, ir, ms, 그리고 nmr 등(等)에 의(依)하여 확인(確認)하였다. 그 결과(結果)를 요약(要約)하면 C-6989의 용액상(溶液相) 광분해(光分解) : p-nitrophenol이 다량(多量) 생성(生成)됨을 보아 ether결합(結合)의 결렬이 주반응(主反應)이며 치환기(置換基) $NO_2{\rightarrow}NH_2$의 광화학적(光化學約) 환원반응(還元反應)과 $CF_3{\rightarrow}COOH$의 산화반응(酸化反應)도 관찰되었다. p-Nitrophenol의 수중(水中) 광분해(光分解) : quinone(0.28%), hydroquinone(0.66%) 및 p-aminophenol(0.42%)과 비교적(比較的) 소량(少量)의 미지화합물(未知化合物)이 생성(生成)됨을 확인(確認)하였고 모화합물(母化化合物)은 대부분(大部分) 작용(作用)을 받지 않은 채로 존재(存在)하였다. 이들 분해산물(分解産物)의 형성기구(形成機構)는 $n{\rightarrow}{\pi}^*$ 및 여기(勵起)를 거친 nitro-nitrite재배열(再配列) 및 자유기(自由基)에 의(依)한 수소탈취(水素脫取)를 통(通)한 광환원(光還元)으로 추측(推測)되었다. Nitrofen의 용액상(溶液相) 광분해(光分解) : n-hexane중(中)에서는 $NO_2$기(基)의 광환원(光遷元)이 주반응(主反應)이었고 수용액(水溶液) 중(中)에서는 광환원(光遷元) 및 hydroxylation이 ether결합(結合) 결렬 보다 현저하였다. hydroxide ion에 의한 친핵적(親核的) 치환(置換), hydroxyl기(基) 및 소량(少量)이긴 하지만 수소(水素)에 의한 염소(鹽素)의 치환(置換)도 다소 관찰되었다. MO-338의 용액상(溶液相) 광분해(光分解) : n-hexane용액중(中) nitro기(基)의 광환원(光遷元) 반응(反應)과 수용액중(水溶液中)에서의 광환원(光遷元) 및 hydroxylation이 주반응(主反應)이었으며 hydroxyl기(基)와 수소(水素)에 의(依)한 염소(鹽素)의 치환(置換) 및 ether결합(結合)의 결렬도 볼 수 있었다. n-Hexane과 cyclohexane중(中)에서의 MC-4379, MC-3761, MC-5127, MC-6063 및 MC-7181의 광분해(光分解) : nitro기(基)의 광환원반응(光還元反應)과 수소(水素)에 의(依)한 halogen의 치환반응(置換反應)이 주(主)로 일어났다. MC-4379의 수중(水中) 광분해(光分解) : ether결합(結合)의 결렬, hydroxyl기(基)에 의한 carboxymethyl기(基)의 치환(置換), hydroxylation, hydroxyl기(基)에 의한 nitro기(基)의 치환(置換)이 주(主)로 일어났고 광환원(光還元) 및 광염소화반응(光鹽素化反應)도 약간 일어났다. MC-3761의 수중(水中) 광분해(光分解) : ether결합(結合)의 결렬, hydroxyl기(基)에 의한 carboxymethyl기(基)의 치환(置換) 및 hydroxylation이 수반되는 광환원(光還元)이 주반응(主反應)이었다. MC-5127의 수중(水中) 광분해(光分解) : 수소(水素)에 의한 carboxyethyl기(基)의 치환(置換)이 현저 하였고 ether결합(結合)의 결렬, 광환원(光還元) 및 탈염소화반응(脫鹽素化反應)도 약간 관찰되었으며 decarboxyethylation은 decarxy-methylation보다 용이함을 볼 수 있었다. MC-6063의 수중(水中) 광분해(光分解) : ether결합(結合)의 결렬과 탈염소화반응(脫鹽素化反應)이 주(主)로 관찰되었다. MC-7181의 수중(水中) 광분해(光分解) : 수소(水素)에 의한 carboxymethyl기(基)의 치환(置換)과 monodechlorination이 현저하였고 ether결합(結合) 결렬과 hydroxylation도 약간 일어났다. 3-Carboxymethyl-4-nitrophenol의 수중(水中) 광분해(光分解) : 방향족(芳香族) ester에서 흔히 볼 수 있는 광유도(光誘導) Fries rearrangement는 이 화합물(化合物)의 carboxymethyl기(基)에서는 볼 수 없었고 $nitro{\to}nitroso$반응(反應)이 주(主)로 일어났다.

• Applied Biological Chemistry
• /
• 제22권4호
• /
• pp.198-209
• /
• 1979

Esherichia intermedia A-21의 균체(菌體)에서 얻은 ${\beta}-tyrosinase$의 ${\alpha},{\beta}$-탈리작용(脫離作用)의 역(逆)반응을 이용하여 L-tyrosine, 2-chloro-L-tyrosine, 2-bromo-L-tyrosine 및 2-iodo-L-tyrosine을 효소합성하고 그들의 원소분석(元素分析)과 NMR-spectrum, Mass-spectrum 및 IR-spectrum을 측정하여 그 구조해석(構造解析)을 하였다. 또한 ${\beta}-tyrosinase$에 의한 각(各) halogen화(化) tyrosine의 합성속도와 분해속도 그리고 halogen화(化) phenol의 ${\beta}-tyrosinase$에 대한 저해작용(阻害作用) 및 2-bromotyrosine의 합성에서 m-bromophenol의 경시적(經時的) 첨가효과 등을 검토하여 다음과 같은 결과를 얻었다. 1) ${\beta}-tyrosinase$를 이용하여 pyruvin산(酸), $NH_3$ 그리고 m-chlorophenol, m-bromophenol 및 m-iodophenol 등을 기질로 한 각(各) halogen화(化) tyrosine의 효소합성에서 m-chlorophenol에서 2-chloro-tyrosine은 약 15%, m-bromophenol에서 2-bromotyrosine은 약 13.8% 그리고 m-iodophenol에서 2-iodotyrosine은 약 9.8%의 회수율(回收率)로 각각 얻어졌었다. 2) ${\beta}-tyrosinase$에 의한 tyrosine 및 halogen화(化) tyrosine의 합성에서 tyrosine의 합성속도를 100으로 하였을 때 2-chlorotyrosine은 28.2, 2-bromotyrosine은 8.13 그리고 2-iodotyrosine은 0.98의 상대속도를 보여 halogen화(化) tyrosine의 합성속도가 느렸다. 특히 Cl, Br, I의 순(順)으로 원자반경(原子半經)이 증가(增加)함에 따라서 halogen화(化) tyrosine의 합성속도가 저하(低下)되는 것이 인정(認定)되었다. 한편 3-iodotyrosine은 합성이 되지 않았다. 3) ${\beta}-tyrosinase$에 의한 tyrosine의 분해속도를 100으로 하였을 때 2-chlorotyrosine은 70.7, 2-bromotyrosine은 39.0, 2-iodotyrosine은 12.6의 상대적인 분해속도를 보였다. 즉 Cl, Br, I의 순(順)으로 원자반경(原子半經)이 크고 전기음성도(電氣陰性度)가 적어짐에 따라서 분해속도가 저하(低下)되는 것이 분명(分明)하였다 그리고 역시 3-iodotyrosine은 분해를 받지 않았다. 4) ${\beta}-tyrosinase$의 활성(活性)에 대하여 phenol은 현저한 조해작용(阻害作用)을 보였으며 o- 및 m-chlorophenol와 o-bromophenol의 조해(阻害)도 현저하였다. 반면 iodophenol의 조해(阻害)는 근소(僅少)하였으며 이들의 조해작용(阻害作用)을 Lineweaver-Burk plot법에 따라 측정한 결과 m-chlorophenol은 혼합형(混合型)의 조해작용(阻害作用)을 보였으며 그 Ki값은 $5.46{\times}10^{-4}M$이였다. 5) ${\beta}-tyrosinase$에 의한 2-bromotyrosine의 합성에서 기질인 m-bromophenol은 경시적(經時的)으로 소량(少量)씩 첨가하는 것이 효과적이었다. 6) ${\beta}-tyrosinase$를 이용하여 pyruvin산(酸), $NH_3$ 및 각(各) halogen화(化) phenol에서 합성한 2-halogen화(化) tyrosine들을 각각(各各) 원소분석(元素分析)하고 또한 NMR-spectrum, Mass-spectrum 그리고 IR-spectrum 등으로 측정하여 그들의 구조(構造)를 해석(解析)한 결과 각각(各各) 2-chloro-L-tyrosine, 2-bromo-L-tyrosine 및 2-iodo-L-tyrosine 임을 인정(認定)할 수 있었다.

• 지능정보연구
• /
• 제21권3호
• /
• pp.1-17
• /
• 2015

최근, 군에서 가장 이슈가 되고 있는 문제는 기강 해이, 복무 부적응 등으로 인한 병력 사고이다. 이 같은 사고를 예방하는 데 있어 가장 중요한 것은, 사고의 요인이 될 수 있는 문제를 사전에 식별 관리하는 것이다. 이를 위해서 지휘관들은 병사들과의 면담, 생활관 순찰, 부모님과의 대화 등 나름대로의 노력을 기울이고 있기는 하지만, 지휘관 개개인의 역량에 따라 사고 징후를 식별하는 데 큰 차이가 나는 것이 현실이다. 본 연구에서는 이러한 문제점을 극복하고자 모든 지휘관들이 쉽게 획득 가능한 객관적 데이터를 활용하여 사고를 예측해 보려 한다. 최근에는 병사들의 생활지도기록부 DB화가 잘 되어있을 뿐 아니라 지휘관들이 병사들과 SNS상에서 소통하며 정보를 얻기 때문에 이를 데이터화 하여 잘 활용한다면 병사들의 사고예측 및 예방이 가능하다고 판단하였다. 본 연구는 이러한 병사의 내부데이터(생활지도기록부) 및 외부데이터(SNS)를 활용하여 그들의 관심분야를 파악하고 사고를 예측, 이를 지휘에 활용하는 데이터마이닝 문제를 다루며, 그 방법으로 토픽분석 및 의사결정나무 방법을 제안한다. 연구는 크게 두 흐름으로 진행하였다. 첫 번째는 병사들의 SNS에서 토픽을 분석하고 이를 독립변수화 하였고 두 번째는 병사들의 내부데이터에 이 토픽분석결과를 독립변수로 추가하여 의사결정나무를 수행하였다. 이 때 종속변수는 병사들의 사고유무이다. 분석결과 사고 예측 정확도가 약 92%로 뛰어난 예측력을 보였다. 본 연구를 기반으로 향후 장병들의 사고예측을 과학적으로 분석, 맞춤식으로 관리한다면 군대 내 각종 사고를 미연에 예방하는데 기여할 것으로 기대된다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.105-129
• /
• 2020

본 연구는 부도위험 예측을 위해 K-IFRS가 본격적으로 적용된 2012년부터 2018년까지의 기업데이터를 이용한다. 부도위험의 학습을 위해, 기존의 대부분 선행연구들이 부도발생 여부를 기준으로 사용했던 것과 다르게, 본 연구에서는 머튼 모형을 토대로 각 기업의 시가총액과 주가 변동성을 이용하여 부도위험을 산정했으며, 이를 통해 기존 방법론의 한계로 지적되어오던 부도사건 희소성에 따른 데이터 불균형 문제와 정상기업 내에서 존재하는 부도위험 차이 반영 문제를 해소할 수 있도록 하였다. 또한, 시장의 평가가 반영된 시가총액 및 주가 변동성을 기반으로 부도위험을 도출하되, 부도위험과 매칭될 입력데이터로는 비상장 기업에서 활용될 수 있는 기업 정보만을 활용하여 학습을 수행함으로써, 포스트 팬데믹 시대에서 주가 정보가 존재하지 않는 비상장 기업에게도 시장의 판단을 모사하여 부도위험을 적절하게 도출할 수 있도록 하였다. 기업의 부도위험 정보가 시장에서 매우 광범위하게 활용되고 있고, 부도위험 차이에 대한 민감도가 높다는 점에서 부도위험 산출 시 안정적이고 신뢰성 높은 평가방법론이 요구된다. 최근 머신러닝을 활용하여 기업의 부도위험을 예측하는 연구가 활발하게 이루어지고 있으나, 대부분 단일 모델을 기반으로 예측을 수행한다는 점에서 필연적인 모델 편향 문제가 존재하고, 이는 실무에서 활용하기 어려운 요인으로 작용하고 있다. 이에, 본 연구에서는 다양한 머신러닝 모델을 서브모델로 하는 스태킹 앙상블 기법을 활용하여 개별 모델이 갖는 편향을 경감시킬 수 있도록 하였다. 이를 통해 부도위험과 다양한 기업정보들 간의 복잡한 비선형적 관계들을 포착할 수 있으며, 산출에 소요되는 시간이 적다는 머신러닝 기반 부도위험 예측모델의 장점을 극대화할 수 있다. 본 연구가 기존 머신러닝 기반 모델의 한계를 극복 및 개선함으로써 실무에서의 활용도를 높일 수 있는 자료로 활용되기를 바라며, 머신러닝 기반 부도위험 예측 모형의 도입 기준 정립 및 정책적 활용에도 기여할 수 있기를 희망한다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.1-25
• /
• 2020

본 연구에서는 모바일 기기를 이용하여 획득한 가스계량기 사진을 서버로 전송하고, 이를 분석하여 가스 사용량 및 계량기 기물 번호를 인식함으로써 가스 사용량에 대한 과금을 자동으로 처리할 수 있는 응용 시스템 구조를 제안하고자 한다. 모바일 기기는 일반인들이 사용하는 스마트 폰에 준하는 기기를 사용하였으며, 획득한 이미지는 가스 공급사의 사설 LTE 망을 통해 서버로 전송된다. 서버에서는 전송받은 이미지를 분석하여 가스계량기 기물 번호 및 가스 사용량 정보를 추출하고, 사설 LTE 망을 통해 분석 결과를 모바일 기기로 회신한다. 일반적으로 이미지 내에는 많은 종류의 문자 정보가 포함되어 있으나, 본 연구의 응용분야인 가스계량기 자동 검침과 같이 많은 종류의 문자 정보 중 특정 형태의 문자 정보만이 유용한 분야가 존재한다. 본 연구의 응용분야 적용을 위해서는 가스계량기 사진 내의 많은 문자 정보 중에서 관심 대상인 기물 번호 및 가스 사용량 정보만을 선별적으로 검출하고 인식하는 관심 문자열 인식 기술이 필요하다. 관심 문자열 인식을 위해 CNN (Convolutional Neural Network) 심층 신경망 기반의 객체 검출 기술을 적용하여 이미지 내에서 가스 사용량 및 계량기 기물번호의 영역 정보를 추출하고, 추출된 문자열 영역 각각에 CRNN (Convolutional Recurrent Neural Network) 심층 신경망 기술을 적용하여 문자열 전체를 한 번에 인식하였다. 본 연구에서 제안하는 관심문자열 기술 구조는 총 3개의 심층 신경망으로 구성되어 있다. 첫 번째는 관심 문자열 영역을 검출하는 합성곱신경망이고, 두 번째는 관심 문자열 영역 내의 문자열 인식을 위해 영역 내의 이미지를 세로 열 별로 특징 추출하는 합성곱 신경망이며, 마지막 세 번째는 세로 열 별로 추출된 특징 벡터 나열을 문자열로 변환하는 시계열 분석 신경망이다. 관심 문자열은 12자리 기물번호 및 4 ~ 5 자리 사용량이며, 인식 정확도는 각각 0.960, 0.864 이다. 전체 시스템은 Amazon Web Service 에서 제공하는 클라우드 환경에서 구현하였으며 인텔 제온 E5-2686 v4 CPU 및 Nvidia TESLA V100 GPU를 사용하였다. 1일 70만 건의 검침 요청을 고속 병렬 처리하기 위해 마스터-슬레이브 처리 구조를 채용하였다. 마스터 프로세스는 CPU 에서 구동되며, 모바일 기기로 부터의 검침 요청을 입력 큐에 저장한다. 슬레이브 프로세스는 문자열 인식을 수행하는 심층 신경망으로써, GPU에서 구동된다. 슬레이브 프로세스는 입력 큐에 저장된 이미지를 기물번호 문자열, 기물번호 위치, 사용량 문자열, 사용량 위치 등으로 변환하여 출력 큐에 저장한다. 마스터 프로세스는 출력 큐에 저장된 검침 정보를 모바일 기기로 전달한다.