요약; 최근에는 기계 학습, 특히 심층 학습에 많은 연구가 진행되고 있다. 구글, 페이스 북과 같은 대기업이 인공 지능과 기계 학습에 관심을 가지고 있기 때문에, 이러한 연구는 날마다 발전하고있다. 기계 학습은 의학, 번역 및 IT와 같은 다양한 산업에서 사용될 것으로 기대됩니다. 게임 부문은 기계학습 기술적용의 효과가 예상되는 영역 중 하나라고 간주됩니다. 본 논문에서는 MMORPG-Tera의 게임 콘텐츠에서 몬스터의 승패를 예측하는 신경망을 Tensorflow를 통해 설계하였다. 이 모델은 1 개의 입력 레이어, 2 개의 숨겨진 레이어 및 1 개의 출력 레이어를 가지고 있다. 입력 레이어에는 8 개의 노드가 있고 각 숨겨진 레이어에는 16 개의 노드가 있으며 출력 레이어에는 1 개의 노드가 있다. 더 나은 결과를 위해 우리는 그라디언트 디센트, 시그 모이드 (Sigmoid) 함수 및 Relu 함수 (Activate 함수)에 Adam을 사용한다. 준비된 데이터 세트의 마지막 부분은 테스 트 데이터 용으로 사용되고 나머지는 학습 모델 용으로 사용되었다. 이 모델은 5 ~ 10 % 오차 이내의 확률을 예측할 수 있다. 데이터 세트의 부족은 만족스럽지 않은 점으로 남아 있으며, 충분한 데이터가 수집되고 더 개선 된 모델이 준비되면 오류를 더 줄일 수 있다. 그리고 제안된 모델은 앞으로 다른 게임이나 스포츠 게임에도 적용될 것이다.

This paper presents the novel observation model, called Modified Spherical Signature Descriptor(MSSD), capable of representing 2D image generated from 3D point cloud data. The Modified Spherical Signature Descriptor has a uniform mesh grid to accumulate the occupancy evidence caused by neighbor point cloud data. According to a kind of area such as wall, road, tree, car, and so on, the evidence pattern of 2D image looks so different each other. For the parameter learning of Convolutional Neural Network(CNN) layers, these 2D images were applied as the input layer. The Convolutional Neural Network, one of the deep learning methods and familiar with the image analysis, was utilized for the urban structure classification. The case study on CNN practice was introduced in detail in this paper. The simulation results shows that the classification accuracy of CNN with 2D images of the proposed MSSD was improved more than the traditional methods' one.

광도, 포차와 같은 환경요인과 엽면적 지수와 같은 생육요인은 증산 속도를 변화시키는 중요한 변수이다. 본 연구에서는 Penman-Monteith의 증산 모델과 인공신경망 (ANN)에 학습에 의한 증산속도 추정값을 비교하는 것을 목표로 하였다. 파프리카(Capsicum annuum L. cv. Fiesta)의 증산속도 추정은 로드셀을 이용한 배지의 중량 변화를 통해 계산하였다. 온도, 상대습도, 배지 중량 데이터는 1분 단위로 2개월간 수집하였다. 증산량은 일차식으로는 정확한 추정이 어렵기 때문에, 기존의 Penman-Monteith식에 보정 광도를 사용한 수정식 Shin 등(2014)을 사용하였다. 이와는 별개로 ANN을 사용하여 증산량을 추정 비교하였다. 이를 위하여 광도, 온도, 습도, 엽면적지수, 시간을 사용한 입력층과 5개의 은닉층으로 구성된 ANN을 구축하였다. 각 은닉층의 퍼셉트론 개수는 가장 정확성이 높은 512개로 하였다. 검증 결과, 보정된 Penman-Monteith 모델식의 R2 = 0.82이었고, ANN의 R2 = 0.94로 나타났다. 따라서 ANN은 일반적인 모델식에 비해 정확한 증산량 추정이 가능한 것으로 나타났고, 추후 수경재배의 효율적인 관수전략 수립에 있어 적용 가능할 것으로 판단되었다.

감정은 학습능력, 행동, 판단력 등 삶의 많은 부분에 영향을 끼치므로 인간의 본질을 이해하는 데 중요한 역할을 한다. 그러나 감정은 개인이 느끼는 강도가 다르며, 시각 영상 자극을 통해 감정을 유도하는 경우 감정이 지속적으로 유지되지 않는다. 이러한 문제점을 극복하기 위하여 총 4가지 감정자극(행복, 슬픔, 공포, 보통) 시 생체신호(뇌전도, 맥파, 피부전도도, 피부 온도)를 획득하고, 이로부터 특징을 추출하여 분류기의 입력으로 사용하였다. 감정 패턴을 확률적으로 해석하여 다른 공간으로 매핑시켜주는 역할을 하는 Restricted Boltzmann Machine (RBM)과 Multilayer Neural Network (MNN)의 은닉층 노드를 이용하여 비선형적인 성질의 감정을 구별하는 Deep Belief Network (DBN) 감정 패턴 분류기를 설계하였다. 그 결과, DBN의 정확도(약 94%)는 오류 역전파 알고리즘의 정확도(약 40%)보다 높은 정확도를 가지며 감정 패턴 분류기로서 우수성을 가짐을 확인하였다. 이는 향후 인지과학 및 HCI 분야 등에서 활용 가능할 것으로 사료된다.

최근 국내외에서는 수질안정성 향상 및 부지면적 저감을 위해 막여과 공정도입이 활발한 추세이며 특히, 정수처리 분야에서는 정밀여과(Microfiltration) 및 한외여과(Ultrafiltration) 공정이 많이 적용되고 있다. 막여과 공정의 경제성 향상을 위해서는 세정 시점의 예측 및 세정 주기 연장이 매우 중요한 요소이다. 따라서, 본 연구에서는 인공신경망(Artificial neural network)을 활용하여 UF 공정차압(Transmembrane pressure) 예측 모델을 개발하고자 한다. 입력변수로는 유입수 온도, pH, 탁도 등의 일평균값을 이용하였다.

기계에 대한 새로운 학습 방법의 등장과 함께 기계학습을 이용한 영상 인식에 대한 관심이 높다. 스마트 기기를 이용한 영상 획득이 활발해지면서, 촬영한 영상 속 생물 개체의 이름을 자동으로 알려 주는 기계학습 기반의 영상인식 기술은 대중적인 호기심을 충족시킬 뿐 아니라 생물학 및 영상인식 연구자들에게도 매력적인 주제이다. 본 발표에서는 15종의 나비 영상으로부터 나비의 형태(shape) 및 색깔과 같은 영상정보를 개체 인식에 이용하는 기계학습 기반의 나비인식 방법을 소개 한다. 우선 나비의 형태나 색깔로부터 각 종을 대표해 기계의 학습 데이터로 사용될 특징(feature) 추출을 위한 몇 가지 방법들에 대해 알아본다. 그리고 추출된 특징들을 학습 데이터로 이용해 세 가지 대표적인 기계학습 방법(베이지안 분류기, 인공신경망, 서포트 벡터 머신)을 학습시키는 방법 및 테스트 데이터를 이용한 성능평가 방법을 소개한다.

The group formation problem of the machine and part is a critical issue in the planning stage of cellular manufacturing systems. The machine-part grouping with alternative process plans means to form machine-part groupings in which a part may be processed not only by a specific process but by many alternative processes. For this problem, this study presents an algorithm based on self organizing neural networks, so called SOM (Self Organizing feature Map). The SOM, a special type of neural networks is an intelligent tool for grouping machines and parts in group formation problem of the machine and part. SOM can learn from complex, multi-dimensional data and transform them into visually decipherable clusters. In the proposed algorithm, output layer in SOM network had been set as one-dimensional structure and the number of output node has been set sufficiently large in order to spread out the input vectors in the order of similarity. In the first stage of the proposed algorithm, SOM has been applied twice to form an initial machine-process group. In the second stage, grouping efficacy is considered to transform the initial machine-process group into a final machine-process group and a final machine-part group. The proposed algorithm was tested on well-known machine-part grouping problems with alternative process plans. The results of this computational study demonstrate the superiority of the proposed algorithm. The proposed algorithm can be easily applied to the group formation problem compared to other meta-heuristic based algorithms. In addition, it can be used to solve large-scale group formation problems.

포장의 공용수명은 교통량, 기후, 포장강도, 차량하중 등 다양한 인자들의 영향을 받고 있으며 특히 교 통하중 특성과 기후, 포장의 상･하부구조 등은 포장의 수명에 큰 영향을 주는 것으로 알려져 있다. 하지 만 측정에 따른 오차, 조사구간의 불일치등에 따른 다양한 잠재오차들로 인해 다양한 인자들을 고려한 공 용수명의 예측에 관한 연구가 어려운 실정이다. 따라서 본 연구에서는 다중회귀분석기법을 활용하여 포장 의 수명에 영향을 미치는 주요인자를 선정하고 인공지능 분석기법 중의 하나인 신경망 분석기법(Neural Network Analysis)을 활용하여 아스팔트포장의 공용수명을 예측하고 이를 다중회귀분석의 분석결과 비 교･분석하였다. 먼저, 최근 3년간의 일반국도를 대상으로 조사가 이루어진 아스팔트포장의 수명 데이터를 기준으로 해 당 구간의 누적 교통량(AADT: Average Annual Daily Traffic), 누적 환산축하중(ESAL: Equivalent Single Axle Loads), 포장상부구조(보수층, 표층, 기층), 포장하부구조(보조기층, 동상방지층), 포장강도, 유지보수 지역(관리청)등의 다양한 요인들을 고려한 다중회귀분석 결과 누적교통량, 포장상부구조, 포장하 부구조, 유지보수 지역(관리청)이 유효한 변수로 선정되었다. 본 연구에서 인공신경망분석을 위해 활용한 다층 퍼셉트론(Multi layer Perceptron)기법은 입력층과 출력층 사이에 하나 이상의 은닉층(Hidden Layer)이 존재하게 되며 분석 알고리즘으로는 역전파 알고리 즘(Backpropagation algorithm)을 활용하였다. 분석을 위해 입력층에는 독립변수에 해당되는 누적교통 량, 포장상·하부구조, 유지보수지역의 4가지 변수를 입력하였으며 출력층에는 포장의 공용수명을 입력 하였다. 분석데이터는 70%를 학습, 15%를 검정, 15%를 테스트를 위해 활용하였으며 나아가 은닉층 신경 망(hidden neuron) 개수의 변화를 고려한 시나리오 분석을 수행하였다. 분석결과, 다중회귀분석에 비해 인공신경망 분석기법의 예측력이 뛰어난 것으로 나타났으며 은닉층 신경망(hidden neuron)의 개수가 과 대해지는 경우에는 인공신경망 자체의 예측력이 감소하는 것으로 나타났다.

Developing two process models to simulate wastewater treatment process is needed to draw a comparison between measured BOD data and estimated process model data: a mathematical model based on the process mass-balance and an ANN (artificial neural network) model. Those two types of simulator can fit well in terms of effluent BOD data, which models are formulated based on the distinctive five parameters: influent flow rate, effluent flow rate, influent BOD concentration, biomass concentration, and returned sludge percentage. The structuralized mass-balance model and ANN modeI with seasonal periods can estimate data set more precisely, and changing optimization algorithm for the penalty could be a useful option to tune up the process behavior estimations. An complex model such as ANN model coupled with mass-balance equation will be required to simulate process dynamics more accurately.

Evolutionary computation is a powerful tool for developing computer games. Back-propagation neural network(BPNN) was proved to be a universal approximator and genetic algorithm(GA) a global searcher. The game of Tic-Tac-Toe, also known as Naughts and Crosses, is often used as a test bed for testing new AI algorithms. We tried to recognize the strategic fitness of a finished Tic-Tac-Toe game when the parameters, such as a sequence of moves, its game depth and result, are provided. To implement this, we've constructed an evolutionary model using GA with back-propagation NNs(GANN). The experimental results revealed that GANN, in the very long training time, converges very slowly; however, performance of recognizing the strategic fitness does not meet we expected and, further, increase of the population size does not significantly contribute to the performance of GANN.

본 연구는 기존의 회귀분석과는 달리 시계열 분석과 인공신경망 모형을 이용하여 장래 해상교통량을 예측하였다. 특히, 시계열 분석을 통한 예측값을 인공신경망 모형에 추가 입력변수로 적용하여 장래 해상교통량 예측을 제고하고자 하였다. 본 연구는 인천항의 1996년부터 2013년까지 월별 관측값을 대상으로 하였다. 모형의 예측력 검증을 위해 1996년부터 2012년까지 관측값을 대상으로 구축한 모형으로부터 2013년을 예측하여 실제 관측값과의 비교로 적합한 모형을 판별하였다. 인천항의 2015년 장래 해상교통량은 매월 평균 교통량보다 5월과 11월에 각 5.9 %, 4.5 % 많았으며, 1월과 8월은 매월 평균 교통량보다 각 8.6 %, 4.7 % 적은 것으로 예측되었다. 따라서 인천항은 계절에 따른 월별 교통량의 차이를 확인할 수 있다. 본 연구는 해상교통 현장관측 조사시 계절에 따른 교통량의 특성을 반영할 수 있는 기초 자료로 활용될 수 있다.

의료영상에서 잡음제거는 의료영상 분야에서의 중요한 도전 과제들 중의 하나이다. 최상의 진단 결과를 얻기 위해서는 잡음과 아티펙트가 제거되고, 선명하며 깨끗한 화질의 의료영상이 필요하다. CT는 의료영상에서 중요하고 가장 보편적인 모달리티이다. CT 영상에서 주요 잡음은 양자화 잡음이다. 본 논문에서는 CT 영상에서 잡음 제거를 위한 하이브리드 필터를 제안하였다. 제안된 하이브리드 필터는 바이래터럴 필터, 신경망 윤곽선 검출기, 다층 신경망 등으로 구성되어 있다. 다층 신경망은 여러 정보들을 결합하여 개선된 출력 영상을 만들기 위한 융합 연산자로서 이용되었다. RMSE, ISNR, MSR과 CNR과 같은 화질 평가 척도가 잡음 개선의 성능 평가를 위해 사용되었다. 또한, 시각적으로도 제안된 필터가 다른 필터들에 비해 우수한 결과를 보였다. 이와같은 화질 평가 척도에 의해 본 논문에서 제안된 필터는 바이래터럴 필터나 가이드 필터보다 우수하였다. 특히, 심한 잡음이 있는 상황에서 제안된 필터는 우수한 결과를 보였다.

생물 종 다양성 및 보존에 대한 필요성은 곤충과 같은 생물 개체의 정확하고 효율적인 인식 방법에 관심을 불러 일으켰다. 특히 스마트 폰과 같은 디지털 정보가전의 발달과 보급으로 인해 영상 매체를 이용한 곤충 종의 자동인식에 대해 많은 연구가 이루어지고 있다. 본 논문은 나비 영상 인식을 위해 가지 길이 유사성 엔트로피(Branch Length Similarity Entropy)를 이용한 특징 추출 방법을 제안한다. 제안한 특징 추출 방법은 나비의 윤곽으로부터 높은 곡률을 가진 특징점들을 추출한 다음 이들 사이를 네트워크로 구성하고 특징점 간의 길이 분포를 엔트로피로 표현한 것이다. 제안한 특징 추출 방법의 성능을 평가하고자 15종의 나비 영상을 대상으로 지도학습 기반 기계학습 방법인 베이지안 분류기, 인공 신경망 및 서포트 벡터 머신을 이용해 기존에 제시된 퓨리에 기술자 및 웨이블릿 기술자와 비교하였다.

가상 환경 또는 실세계에서 지능적인 NPC를 위한 연구가 하드웨어나 소프트웨어 분야에서 활발히 진행되고 있다. 하드웨어 분야로는 로봇 시스템이 주를 이루고 있으며, 이는 물리적인 제약점과 노이즈의 문제 해결에 초점을 맞추고 있다는 점에서 단순 소프트웨어 분야와는 차이점이 있다. 그러나 공통적인 목표는 사람과 같은 환경에서 사람과 같이 행동하는 지능형 NPC 기술 개발이다. 본 논문은 최근 기존 연구 중에서 소프트웨어 분야와 아키텍쳐 설계를 통해 지능적인 NPC를 연구한 사례를 중점으로 조사한다. 사람과 같은 행동 결정을 유도하는 NPC에는 신경망, 유전자 알고리즘, 사례기반 추론, 학습과 같은 여러 분야에 연구가 진행되고 있다. 다양한 인공지능 알고리즘 중에서 현재 환경과 자신의 상태를 고려하여 가장 적합한 행동 결정을 유도하는 계획 기법을 기반으로 하는 연구를 조사한다. 이러한 연구는 기존의 실세계의 로봇 시스템, 가상 환경, 가상 시뮬레이션 그리고 게임의 여러 캐릭터 위주의 장르에서도 활용범위를 넓힐 수 있다.

본 논문에서는 수학적 구조 모델과 인공신경망 기법을 상호 유기적으로 결합하여 구조물의 거동 데이터로부터 부재모델 또는 재료모델의 정확도를 높이는 정보기반 하이브리드 모델 업데이트 기법을 개발하였다. 유한요소와 같은 수학적 모델을 사용하여 구조물의 거동을 모사하기 위해서는 재료, 부재, 그리고 시스템의 정확한 모델링이 우선하여야 한다. 그러나 재 료, 부재의 각 레벨에서의 수학적인 모델은 이상화과정을 거치면서 중요한 특성을 생략하거나, 시스템 구성시 부재간의 상 호작용이나 경계조건의 단순화로 인해 유한요소 모델은 실제 구조물의 거동과 차이를 보이게 된다. 본 논문에서 제시된 하 이브리드 모델 업데이트 기법은 구조물의 거동과 수학적 모델의 해석결과 차이를 인공신경망 기법을 사용하여 보완함으로 써 시스템 모델의 정확도를 높일 수 있다. 이때 시스템의 거동 데이터로부터 부재 또는 재료모델을 개선할 수 있는 데이터 를 추출하여 부재 또는 재료모델을 개선한다. 제시된 기법은 보-기둥 접합부의 이력모델을 개선하는 것으로 검증하였으며, 복잡한 거동을 보이는 시스템 모델링에 광범위하게 사용될 수 있다.

High hardness steel generally means its hardness over HRC45. This using CBN tools for turning. Tool breakage and damage during turning process cause material loss and additional tool cost. If it is predicted during the process and accumulate this data as a turning parameter it will be of help to turning mechanism understanding. For this purpose neural technology give beneficial as prediction, categorization, searching and enable nolinear function for pre-diagnosis algorithm. In this study we appraise the accuracy of prediction by applying backpropagation neural networks (BPNs) method in the high hardness steel turning.

Using artificial neural network (ANN) technique, auction prices for common mackerel were forecasted with the daily total sale and auction price data at the Busan Cooperative Fish Market before introducing Total Allowable Catch (TAC) system, when catch data had no limit in Korea. Virtual input data produced from actual data were used to improve the accuracy of prediction and the suitable neural network was induced for the prediction. We tested 35 networks to be retained 10, and found good performance network with regression ratio of 0.904 and determination coefficient of 0.695. There were significant variations between training and verification errors in this network. Ideally, it should require more training cases to avoid over-learning, which leads to improve performance and makes the results more reliable. And the precision of prediction was improved when environmental factors including physical and biological variables were added. This network for prediction of price and catch was considered to be applicable for other fishes.

뇌과학은 심리학이나 정신과학의 영역을 넘어 신체적 질병과 관련된 임상 영역에서도 중요한 분야가 되었을 뿐 아니라, 이제 심신통합치유의 필요성을 설명하는 이론적 기반으로서 자리잡고 있다. 몸의 질병은 더 이상 몸만의 질병이 아니며, 마음의 질병 또한 마음만의 문제가 아닌 것이 심신의학이나 신경생리학을 통해 설명되고 있으며, 그 중심에는 몸과 마음의 상태를 통합하고 기능을 조절하는 신경계가 있는 것이다. 뉴로아트테라피(neuroart therapy)는 신경과학 이론을 기반으로 하여 심신의학적 개입법들을 포괄적으로 제공하는 전인적 치유기법으로서, 다양한 표현 예술치료 활동과 첨단 뇌기능 훈련을 핵심적 치유 매체로 활용하여 몸과 마음의 질병을 치유하고, 내적 잠재력과 정서를 계발하여 심신의 성장을 도모하기 위해 개발된 새로운 치유 분야이다. 뉴로아트테라피는 인간 개개인의 개별성과 그를 둘러싼 환경과의 역동성, 그리고 심신상관성에 입각하여 개발된 치유적 접근법이다. 또한 내담자의 몸과 마음에 내재된 치유력의 회복과 신경계를 통한 적응적 반응의 생리학적 각인을 치유의 객관적 목표로 삼는다. 뇌의 통합적이고 조화로운 기능이 결국 심신의 건강을 결정한다는 전제에 기초하여, 모든 심신의 증상에 대한 치유에 있어서 뉴로아트테라피의 신경학적 최종 목표는 전뇌의 균형과 조화이다. 뇌의 신경망은 학습, 경험에 의해 지속적으로 새롭게 형성되고 강화 또는 소멸되는데, 그 신경망의 양상이 개인의 성격, 습관, 생리적 특성, 질병에 대한 취약성 등으로 나타나는 것이다. 뉴로아트테라피의 치유 과정은 신경계에서 새로운 신경망을 형성하며 긍정적 경험으로 기억되며, 그 경험들이 반복되면서 새로 형성된 신경망이 기존의 부적응적인 생리과정을 점차로 소거하고 대체하는 신경학적 과정이 수반된다. 뇌는 곧 전신의 생리적 기능과 심신의 상태를 조절하고 마음과 행동을 조형하는 곳이므로, 뇌의 변화를 추구하는 치유의 방식은 영속적이고 포괄적인 전인적 접근이라 할 수 있다. 이러한 과정들은 모두 내담자 자신의 능동적이고 자발적인 참여가 전제된다는 점에서 치료자 중심의 접근 방식들과 다르다. 무엇보다도 스스로의 참여는 새로운 내적 경험을 가능하게 하는데, 이와 같은 효과가 체화되면 약물과 같은 외부의 치료적 개입이 지속하지 않아도 효과가 유지된다. 또한 이러한 치료는 잠재된 능력을 계발하고 삶의 지평을 확장할 수 있도록 하는 전인치유의 기반이 된다.