This study aims to develop a deep learning model to monitor rice serving amounts in institutional foodservice, enhancing personalized nutrition management. The goal is to identify the best convolutional neural network (CNN) for detecting rice quantities on serving trays, addressing balanced dietary intake challenges. Both a vanilla CNN and 12 pre-trained CNNs were tested, using features extracted from images of varying rice quantities on white trays. Configurations included optimizers, image generation, dropout, feature extraction, and fine-tuning, with top-1 validation accuracy as the evaluation metric. The vanilla CNN achieved 60% top-1 validation accuracy, while pre-trained CNNs significantly improved performance, reaching up to 90% accuracy. MobileNetV2, suitable for mobile devices, achieved a minimum 76% accuracy. These results suggest the model can effectively monitor rice servings, with potential for improvement through ongoing data collection and training. This development represents a significant advancement in personalized nutrition management, with high validation accuracy indicating its potential utility in dietary management. Continuous improvement based on expanding datasets promises enhanced precision and reliability, contributing to better health outcomes.

The threat of North Korea's long-range firepower is recognized as a typical asymmetric threat, and South Korea is prioritizing the development of a Korean-style missile defense system to defend against it. To address this, previous research modeled North Korean long-range artillery attacks as a Markov Decision Process (MDP) and used Approximate Dynamic Programming as an algorithm for missile defense, but due to its limitations, there is an intention to apply deep reinforcement learning techniques that incorporate deep learning. In this paper, we aim to develop a missile defense system algorithm by applying a modified DQN with multi-agent-based deep reinforcement learning techniques. Through this, we have researched to ensure an efficient missile defense system can be implemented considering the style of attacks in recent wars, such as how effectively it can respond to enemy missile attacks, and have proven that the results learned through deep reinforcement learning show superior outcomes.

Effects-Based Operations (EBO) refers to a process for achieving strategic goals by focusing on effects rather than attrition-based destruction. For a successful implementation of EBO, identifying key nodes in an adversary network is crucial in the process of EBO. In this study, we suggest a network-based approach that combines network centrality and optimization to select the most influential nodes. First, we analyze the adversary’s network structure to identify the node influence using degree and betweenness centrality. Degree centrality refers to the extent of direct links of a node to other nodes, and betweenness centrality refers to the extent to which a node lies between the paths connecting other nodes of a network together. Based on the centrality results, we then suggest an optimization model in which we minimize the sum of the main effects of the adversary by identifying the most influential nodes under the dynamic nature of the adversary network structure. Our results show that key node identification based on our optimization model outperforms simple centrality-based node identification in terms of decreasing the entire network value. We expect that these results can provide insight not only to military field for selecting key targets, but also to other multidisciplinary areas in identifying key nodes when they are interacting to each other in a network.

해상교통관제센터(VTS)의 관제사는 구역 내 교통 상황을 빠르고 정확하게 파악하여 관제가 필요한 선박에게 정보를 제공하는 역할을 수행한다. 그러나 교통량이 급격히 증가하는 경우 관제사의 업무 부하로 인해 관제 공백이 발생하기도 한다. 이러한 이유에서 관 제사의 업무 부하를 줄이고, 일관성 있는 관제 정보를 제공할 수 있는 관제 지원 기술의 개발이 필요한 실정이며, 본 논문에서는 구역 내 이상 운항 선박을 자동으로 식별하는 모델을 제안하였다. 제안하는 이상 운항 식별 모델은 규칙 기반 모델, 위치 기반 모델, 맥락 기반 모 델로 구성되며, 대상 해역의 교통 특성에 최적화된 교통 네트워크 모델을 사용하는 특징이 있다. 구현된 모델은 시범센터(대산항 VTS)에 서 수집되는 실해역 데이터를 적용하여 실험을 수행하였다. 실험을 통해 실해역의 다양한 이상 운항 상황이 자동으로 식별됨을 확인하였 고, 전문가 평가를 통해 식별 결과를 검증하였다.

PURPOSES : In this study, model-agnostic methods are applied for interpreting machine learning models, such as the feature global effect, the importance of a feature, the joint effects of features, and explaining individual predictions. METHODS : Model-agnostic global interpretation techniques, such as partial dependence plot (PDP), accumulated local effect (ALE), feature interaction (H-statistics), and permutation feature importance, were applied to describe the average behavior of a machine learning model. Moreover, local model-agnostic interpretation methods, individual conditional expectation curves (ICE), local surrogate models (LIME), and Shapley values were used to explain individual predictions. RESULTS : As global interpretations, PDP and ALE-Plot demonstrated the relationship between a feature and the prediction of a machine learning model, where the feature interaction estimated whether one feature depended on the other feature, and the permutation feature importance measured the importance of a feature. For local interpretations, ICE exhibited how changing a feature changes the interested instance’s prediction, LIME explained the relationship between a feature and the instance’s prediction by replacing the machine model with a locally interpretable model, and Shapley values presented how to fairly contribute to the instance’s prediction among the features. CONCLUSIONS : Model-agnostic methods contribute to understanding the general relationship between features and a prediction or debut a model from the global and/or local perspective, securing the reliability of the learning model.

선박과 교각이 충돌하면 생명과 안전에 큰 위협이 될 수 있다. 따라서 선박-교각 충돌력 영향 인자를 식별하고 다양한 충돌 조 건에서의 충돌력에 대한 연구의 필요성이 있다. 본 논문에서는 선박-교각 충돌의 유한요소 모델을 설정하고, 수치 시뮬레이션을 통해 선 적상태, 운항속도, 충돌 각도의 세 가지 입력조건을 조합하여 50가지 케이스에서의 선박-교각 최대 충돌력을 계산하였다. 계산된 유한요 소해석 결과를 사용하여 신경망 추정 모델을 학습하고 최대 충돌력을 추정함으로써 빠른 시간에 최대 충돌력을 추정하는 프로세스를 제 안하였다. 신경망 예측 모델은 가장 기초적인 역전파 신경망과 시간정보를 고려할 수 있는 순환신경망인 Elman 신경망 2가지 모델을 사 용하였다. 10가지 케이스의 테스트 데이터로 시험한 결과 Elman 신경망을 사용했을 경우에 평균상대오차가 4.566%로 역전파 신경망보다 나은 최대 충돌력 추정이 가능함을 확인하였고 8가지 케이스에서 5%이하의 상대오차를 보여 주었다. 본 신경망을 이용한 최대 충돌력 추 정법은 유한요소해석을 수행하지 않아도 되므로 계산 시간이 짧아 선박 항해 중 충돌을 회피할 수 없는 경우 피해를 최소화하는 의사결 정의 기초 방법으로 사용할 수 있다.

This study aimed to analyze causality of climatic factors that affecting the yield of whole crop barley (WCB) by constructing a network within the natural ecosystem via the structural equation model. The WCB dataset (n=316) consisted of data on the forage information and climatic information. The forage information was collected from numerous experimental reports from New Cultivars of Winter Crops (1993-2012) and included details of fresh and dry matter yield, and the year and location of cultivation. The climatic information included details of the daily mean temperature, precipitation, and sunshine duration from the weather information system of the Korea Meteorological Administration. The variables were growing days, accumulated temperature, precipitation, and sunshine duration in the season for the period of seeding to harvesting. The data was collected over 3 consecutive seasons—autumn, winter, and the following spring. We created a causality network depicting the effect of climatic factors on production by structural equation modeling. The results highlight: (i) the differences in the longitudinal effects between autumn and next spring, (ii) the factors that directly affect WCB production, and (iii) the indirect effects by certain factors, via two or more paths. For instance, the indirect effect of precipitation on WCB production in the following spring season via its effect on temperature was remarkable. Based on absolute values, the importance of WCB production in decreasing order was: the following spring temperature (0.45), autumn temperature (0.35), wintering (-0.16), and following spring precipitation (0.04). Therefore, we conclude that other climatic factors indirectly affect production through the final pathway, temperature and growing days in the next spring, in the climate-production network for WCB including temperature, growing days, precipitation and sunshine duration.

자기공명영상은 고해상도의 연부조직에 대한 영상정보를 제공하며, 뇌종양 등 연부조직 진단에 활용된다. 본 연구는 합성곱신경망 인공지능을 통해 뇌종양 자기공명영상 분류성능을 확인해 보고자 한다. 4개 종류로 구분된 3264 장의 MRI 데이터 세트(data set)를 이용하였으며, 인공지능 학습을 위해 훈련용 데이터와 시험용 데이터를 9 : 1, 훈련용 데이터의 10%를 검증용 데이터로 구분하였다. 합성곱신경망은 기본 CNN과 VGG16으로 구성하였으며, 학습 평가는 정확도와 손실율로 확인하였으며, 생성된 모델을 통해 분류성능 정확도를 확인하였다. 실험 결과 과적합은 없었으며, 분류성능은 기본 CNN과 VGG16 각각 67%와 80%의 분류성능을 보였다. 도출된 뇌종양 자기공명영상 분류 결과를 통해 자기공명영상과 인공지능 접목에 관한 기초 자료로 사용될 수 있을 것이라 사료된다.

PURPOSES : The purpose of this study is to build an optimization model using the capacity and initial travel speed of the volume delay functions for network calibration performed in the traffic demand analysis process. METHODS : The optimization model contains an error term between the observed traffic volume and estimated traffic volume, based on the user equilibrium principle, and was constructed as a bi-level model by applying range constraints on capacity and travel time. In addition, we searched the split section to apply the method of adjusting the section instead of adjusting the single link. The optimization model is constructed by applying the warm-start method using the bush of the origin-based model so that parameter adjustment and traffic assignment are repeatedly executed within the model and the convergence of the model configured %RSSE. RESULTS : As a result of analysis using the toy network, the optimization model is that the observed traffic volume is estimated when there are no restrictions and, when the constraint conditions were set, the error with the observed traffic volume and error rate was significantly reduced. As a result of the comparative analysis of the trial-and-error methods, KTDB optimum values, and optimization models in empirical analysis using a large-scale network, the evaluation indexes (e.g., RMSE and %RMSE) were significantly improved by applying the optimization model. CONCLUSIONS : Based on the empirical analysis, the optimization model of this study can be applied to large-scale networks and it is expected that the efficiency and reliability of road network calibration will be improved by repeatedly performing parameter adjustment and traffic assignment within the model.

본 연구의 목적은 Neural Network Regression 모델을 활용하여 선박의 가치평가 모델을 개발하는 것이다. 가치평가의 대상은 중고 VLCC선이며, 선행연구를 통해 선박의 가치 변화를 유발하는 주요 요인들을 선별하여 변수를 설정하고, 2000년 1월부터 2020년 8 월까지의 해당 데이터를 확보하였다. 변수의 안정성을 판단하기 위해 다중 공선성 검사를 수행하여 최종적으로 6개의 독립변수와 1개의 종속변수를 선정하고 연구 구조를 설계하였다. 이를 바탕으로 Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용하여 총 9개의 시뮬레이션 모델을 설계하였다. 또한 각 모델간의 비교검증을 통해 평가결과의 정확성을 제고시켰다. 평가 결과, VLCC실제값과의 비교를 통해 2층으로 구성된 Hidden Layer의 Neural Network Regression 모델이 가장 정확도가 높은 것으로 나타났다. 본 연구의 시사점은 첫째, 기존 정형화된 평가기법에서 벗어나 기계학습기반 모델을 선박가치평가에 적용하였다는 점이다. 둘째, 해운시 장 변화요인을 동태적 관점에서 분석하고 예측함으로써 연구결과의 객관성을 제고시켰다고 할 수 있다.

이 연구의 목적은 인공신경망 기법을 이용하여 사면의 내진 성능을 비교적 정확하면서도 효율적으로 예측하는 모델을 도 출하는데 있다. 사면의 내진 성능은 지진입력 및 사면모델의 무작위성 및 불확실성으로 인하여 정량화하기 쉽지 않다. 이러한 배경 아래 사면에 대한 확률론적 지진 취약도 분석이 몇몇 연구자에 의해 수행되었고, 이를 기반으로 다중 선형회귀분석 을 통하여 사면 내진성능에 대한 닫힌식이 제안된 바 있다. 그러나 전통적인 통계학적 선형회귀분석은 다양한 조건의 사면과 이에 따른 내진 성능 사이의 비선형적 관계를 정확하게 표현하지 못하는 한계를 보였다. 이에 따라 본 연구에서는 이러한 문제점을 극복하고자 인공신경망 기법을 사면 내진성능 예측 모델을 생성하는데 적용하였다. 도출된 모델의 유효성은 기존 의 다중 선형 및 다중 비선형 회귀분석을 통한 모델과 비교하여 검증하였다. 결과적으로 이전 연구의 전통적인 통계학적 회귀 분석을 통한 모델과 비교 결과, 기본적으로 인공신경망 기법을 통하여 도출된 모델이 사면의 내진성능을 예측하는데 있어 우수한 성능을 보여주었다. 이러한 정확도 높은 모델은 향후 확률에 기반한 사면의 지진취약도 지도를 개발하고, 주요 구 조물의 인근 사면으로 인한 리스크를 효과적으로 평가하는데 활용될 수 있을 것이라 기대된다.

In this study, a model was developed to predict for Disinfection By-Products (DBPs) generated in water supply networks and consumer premises, before and after the introduction of advanced water purification facilities. Based on two-way ANOVA, which was carried out to statistically verify the water quality difference in the water supply network according to introduce the advanced water treatment process. The water quality before and after advanced water purification was shown to have a statistically significant difference. A multiple regression model was developed to predict the concentration of DBPs in consumer premises before and after the introduction of advanced water purification facilities. The prediction model developed for the concentration of DBPs accurately simulated the actual measurements, as its coefficients of correlation with the actual measurements were all 0.88 or higher. In addition, the prediction for the period not used in the model development to verify the developed model also showed coefficients of correlation with the actual measurements of 0.96 or higher. As the prediction model developed in this study has an advantage in that the variables that compose the model are relatively simple when compared with those of models developed in previous studies, it is considered highly usable for further study and field application. The methodology proposed in this study and the study findings can be used to meet the level of consumer requirement related to DBPs and to analyze and set the service level when establishing a master plan for development of water supply, and a water supply facility asset management plan.

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.