선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 축적된 데이터의 활용을 위한 데이터 분석 및 성능예측 방법론을 개발하는 것이다. 여 기에서는 유전적 프로그래밍(Genetic Programming: 이하 GP 라함) 기법을 도입한 방법론을 다루고 있는데, GP 는 통계학에서의 Regression 방법과 같은 결정론적 방법이 아니라 함수, 즉 트리의 구조가 적합도를 최적화하기 위해 동적으로 변함으로써 새로운 경험식을 생성할 수 있다.
- 여 기에서는 유전적 프로그래밍(Genetic Programming: 이하 GP 라함) 기법을 도입한 방법론을 다루고 있는데, GP 는 통계학에서의 Regression 방법과 같은 결정론적 방법이 아니라 함수, 즉 트리의 구조가 적합도를 최적화하기 위해 동적으로 변함으로써 새로운 경험식을 생성할 수 있다. 특히 본 논문에서는 이러한 특징을 가진 GP 를 활용하여 축적된 데이터의 수가 학습(Leaming)을 수행하기에 부족할 경우 사용할 수 있는 방법론을 제시하기 위한 것이다. 이경호와 연윤석(2004)에서는 이미 유전적프로그래밍 기법이 데이터의 비선형 영역에서 탁월한 학습능력을 가지고 있으며, GP 트리의 함수집합으로 수학함수 대신 간단하고 다루기 쉬운 다항식(Polynomial)을 도입함으로써 학습성능을 향상시킬 수 있음을 제시하였다.
- 본 논문은 근사 모델이 간단하면서도 학습 시스템의 일반화 성능을 향상시킬 수 있는 선형 모델 (Linear Model)을 개발하는 것이 목적이라 할 수 있다. 이를 위하여 MDL(Minimum Description Length) 방법(Hansen & Bin 2001)과 적은 양의 학습 데이터로부터 학습 시스템의 일반화 성능을 높이기 위하여 DDBS(Di「ectional Derivative Based Smoothing)을 도입하였다.
- 본 논문은 조선 현장의 축적된 데이터를 효율적으로 활용할 수 있도록 데이터 분석 및 성능 예측을 위한 조선분야에 적합한 도구를 개발하는데 그 목적이 있다. 지금까지 공학 데이터의 축적을 위한 도구에 대한 노력과 연구는 많이 되어왔다.
- 그러나 이것의 활용 측면에서는 많은 연구가 없었던 것이 사실이다. 본 연구를 통하여 축적된 데이터 활용을 위한 유전적프로그래밍 방법의 접근에 대해 소개하였으며, 특히 유전적프로그래밍 방법의 진화적 성능 향상을 도모하면서 간단하고 효율적인 선형(Linear) 모델의 개발을 통해 데이터의 일반화된 학습 성능을 높이고, 학습 데이터의 수가 적은 경우에도 뛰어난 학습 성능을 발휘하는 시스템을 개발하였다:
※ AI-Helper는 부적절한 답변을 할 수 있습니다.