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
- KNN 알고리즘을개체 간의여 개체간의 유사도 (similarity)를 측정하여 가장 적절한 사례를 추천한다. 이에 본 논문에서는 사례 기반 추론 기법을 이용하여 디지털 선박의 상태를 진단하기 위해서 선박의 화재 사례, 파손 사례 베이스를 구축한다. 입력된 데이터는 사례 베이스를 통해 가장 유사한 과거 사례를 추천해 주고 새로운 사례가 발생한다면 사례 베이스에 저장되고 진단된 결과를 토대로 선박 모니터링 시스템을 구현한다.
- 본 논문에서는 사례 기반 추론을 이용하여 디지털 선박의 상태를 진단하기 위해서 선박의 화재 상황 사례, 파손 상황 사례 베이스를 구축하였다. 화재 상황을 추론하기 위해서 온도, 조도, 습도 데이터를 이용하고 파손 상황은 가속도 센서와 스트레인 게이지 센서를 이용한다.
- 본 논문에서는 사례 베이스 구죽 및 입력 데이터를 측정하기 위해서 5개의 무선 센서를 배치하여 디지털 선박의 위험 상황을 인식하는 실험을 진행하였다. 사례 베이스를 구축하기 위하여 화재 상황과 선체의 파손 상황을 시뮬레이션하여 각 상황별로 3, 000 건의 데이터를 입력 받아 실험하였다.
제안 방법
- 갖는 시스템 구현이 필요하다. 본 논문에서는 사례기반 추론 기법을 이용하여 디지털 선박의 화재, 파손에 관한 사례를 지식 베이스로 구축하고 추론하는 시스템을 설계하였다. 사례 베이스를 구축하기 위하여 각 상황별로 3, 000건의 데이터를 입력받아 10-Fold 교차검증을 수행한 결과 각 사례에 대한 평균 정확도는 82.
- KNN 알고리즘은 이미 알려진 개체들을 훈련 집합의 형태로 메모리에 기억한 다음 그 중 유사한 개체를 선택하여 선택된 개체의 값에 따라 새로운 개체의 값을 예측하는 방식의 분류(classification) 알고리즘이다. KNN 알고리즘을개체 간의여 개체간의 유사도 (similarity)를 측정하여 가장 적절한 사례를 추천한다. 이에 본 논문에서는 사례 기반 추론 기법을 이용하여 디지털 선박의 상태를 진단하기 위해서 선박의 화재 사례, 파손 사례 베이스를 구축한다.
- 화재 상황 데이터를 획득하기 위해 온도, 습도, 조도 센서가 통합된 센서 모듈을 사용하며 프로세서 보드는 Telos 플랫폼 계열을 사용하였으며 MSP430의 이아와 CC2420 Radio Chip을 사용하여 측정하였다. 화재 상황이 발생했을 시 온도, 습도, 조도 값을 각각 하나의 패킷으로 만든다면 추가적인 트래픽의 발생과 데이터 전송에 따른 에너지 소모가 일어날 것이므로 하나의 패킷으로 묶어서 데이터베이스에 전송하였다.
- Radio Chip을 사용하여 측정하였다. 화재 상황이 발생했을 시 온도, 습도, 조도 값을 각각 하나의 패킷으로 만든다면 추가적인 트래픽의 발생과 데이터 전송에 따른 에너지 소모가 일어날 것이므로 하나의 패킷으로 묶어서 데이터베이스에 전송하였다. 그림 4는 화재 상황 데이터의 패킷 구성을 나타낸다.
- 패킷의 총길이는 34바이트이며, 고정 헤더는 10바이트, 센서 노드 ID 및 채널은 6바이트, 버퍼 20바이트 부분으로 구성된다. 이중에서 버퍼는 6바이트를 각각 2바이트씩 헥사 값으로 습도, 온도, 조도 순으로 실제 센싱값이 들어오도록 설계하였다. 그림 5는 실험 환경에서 패킷 수신 현황을 나타낸다.
- 본 논문에서는 3축 가속도 센서인 withrobot사의 myAccd3LV02 보드를 이용하여 선체의 기울기를 측정하였다. myAccel3LV02 보드는 한 개의 센서 보드에서 3축 가속도를 측정하고 측정 범위는 -40도에서 +85도까지 이며 12비트 ADC를 내장하여 디지털 값을 출력한다.
- 선박 환경의 특수사항인 선체 저항과 흔들림 운동을 고려하여 선체에 가해지는 외력에 의한 뒤틀림을 측정하기 위하여 스트레인 게이지 센서를 이용하여 선체의 좌우 뒤틀림에 대한 변형율을 측정하였다. 스트레인 게이지는 측정하는 대상의 변형을 직접 측정할 수 있으며, 이를 전기적인 신호로 바꾸어 우리가 얻고자 하는변형율을 측정할 수 있다.
- 스트레인 게이지는 측정하는 대상의 변형을 직접 측정할 수 있으며, 이를 전기적인 신호로 바꾸어 우리가 얻고자 하는변형율을 측정할 수 있다. 변형의 방향에 따라 얻은 전압 신호를 A/D 변환기를 통해서 오실리코프상에 저장하고 후처리하였다. 그림 9를 보면 게이지 센서로부터 수신한 데이터는 AD627을 통해 SIGOUT으로 빠져 나간다.
- 의미한다. 일반적으로, 사례기반추론 시스템의 성능은 해를 생성하기 위해 참조되는 최근접 이웃의 수 人 와 유사도 산 줄에 사용되는 속성들의 가중치로부터 많은 영향을 받게 된다[1이 본 논문에서는 최근접 이웃의 수 k를 증가시키면서 실험을 수행함으로 시스템을 최적화 하고자 한다. 또한, 사례에서 가장 영향을 미치는 속성에 대해서 가중치를 부여해야 하는데 본 실험에서 각 데이터의 속성은 수치형 데이터로써 각각의 속성은 화재 상황과 파손상황에 미치는 영향이 비슷하여 속성의 가중치는 동일하게 T로 주었다.
- 또한, 사례에서 가장 영향을 미치는 속성에 대해서 가중치를 부여해야 하는데 본 실험에서 각 데이터의 속성은 수치형 데이터로써 각각의 속성은 화재 상황과 파손상황에 미치는 영향이 비슷하여 속성의 가중치는 동일하게 T로 주었다. 사례 베이스에 있는 모든 사례에 대하여 총 유사도를 구한 다음 총 유사도가 가장 큰 사례부터 내림차순으로 정렬하여 우선순위 별로 모니터링시스템에 전송한다.
- 상황 사례 베이스를 구축하였다. 화재 상황을 추론하기 위해서 온도, 조도, 습도 데이터를 이용하고 파손 상황은 가속도 센서와 스트레인 게이지 센서를 이용한다. 입력 데이터는 디지털 선박에 설치된 센서로부터 입력받아 처리한다.
- 본 논문에서는 델파이를 이용하여 모니터링 시스템을 구현하였으며 표 2는 시스템 구현 환경을 나타낸다.
- 실험 데이터는 사례 베이스 구축용 데이터와 검증용 데이터로 구분되며 각각 7:3의 비율로 사용하였다. 각 데이터의 속성은 수치형 데이터로써 화재 상황에 온도, 조도, 습도 데이터가 미치는 영향이 거의 비슷하고 파손 상황에 선박의 기울기와 뒤틀림 값이 미치는 영향이 비슷하여 속성의 가중치는 동일하게 ‘1’로 부여하였고 사례 베이스를 만든 후에 Leave-One-Out의 방식으로 시스템을 최적화 하였다. 표 3은 실험을 통해 얻은 검증용 데이터의 사례별 정확도(단위 :%) 결과이다.
대상 데이터
- 본 연구에 사용된 데이터는 실험을 통해 입력된 센서 데이터로써 선박에 따른 일자별 온도, 조도, 습도, 선박의 기울기, 뒤틀림 데이터로 구성되어 있다. 사례 베이스를 구축하기 위하여 화재 상황과 선체의 파손 상황을 시뮬레이션하여 각 상황별로 3, 000건의 데이터를 입력받아 실험하였다.
- 기울기, 뒤틀림 데이터로 구성되어 있다. 사례 베이스를 구축하기 위하여 화재 상황과 선체의 파손 상황을 시뮬레이션하여 각 상황별로 3, 000건의 데이터를 입력받아 실험하였다. 사례 데이터는 관계형 데이터베이스 구조로 되어 있으며 크게 화재 상황, 파손 상황의 두 개의 테이블로 구성되어 있다.
- 기울기, 뒤틀림 데이터로 구성되어 있다. 사례 베이스를 구축하기 위하여 화재 상황과 선체의 파손 상황을 시뮬레이션하여 각 상황별로 3, 000건의 데이터를 입력받아 실험하였다. 사례 데이터는 관계형 데이터베이스 구조로 되어 있으며 크게 화재 상황, 파손 상황의 두 개의 테이블로 구성되어 있다.
- 그림 4는 화재 상황 데이터의 패킷 구성을 나타낸다. 패킷의 총길이는 34바이트이며, 고정 헤더는 10바이트, 센서 노드 ID 및 채널은 6바이트, 버퍼 20바이트 부분으로 구성된다. 이중에서 버퍼는 6바이트를 각각 2바이트씩 헥사 값으로 습도, 온도, 조도 순으로 실제 센싱값이 들어오도록 설계하였다.
- 사례 베이스를 구축하기 위하여 화재 상황과 선체의 파손 상황을 시뮬레이션하여 각 상황별로 3, 000건의 데이터를 입력받아 실험하였다. 사례 데이터는 관계형 데이터베이스 구조로 되어 있으며 크게 화재 상황, 파손 상황의 두 개의 테이블로 구성되어 있다. 데이터의 개체-관계도는 그림 3과 같다.
데이터처리
- 사례 베이스를 구축하기 위하여 화재 상황과 선체의 파손 상황을 시뮬레이션하여 각 상황별로 3, 000 건의 데이터를 입력 받아 실험하였다. 실험 결과에 대해 학습 데이터로부터의 영향을 최소화하고 신뢰성을 확보하기 위해 10-Fold 교차검증을 수행하였다. 실험 데이터는 사례 베이스 구축용 데이터와 검증용 데이터로 구분되며 각각 7:3의 비율로 사용하였다.
- 또한 최적의 사례기반추론 시스템을 구축하기 위해서 유사도 분류 k 개수를 조정해 가면서 실험을 수행하였고 표 4는 k 개수에 따른 평균 정확도(%)에 대한 실험 결과이다. 실험 결과 k의 개수가 아주 낮거나 높은 경우에는 정확도가 상대적으로 감소함을 알 수 있다.
이론/모형
- 본 논문에서는 현재 사례와 가장 유사한 보 개의 사례를 추천해 주는 KNN(K-Nearest Neighbor) 알고리즘을 이용한다. KNN 알고리즘은 이미 알려진 개체들을 훈련 집합의 형태로 메모리에 기억한 다음 그 중 유사한 개체를 선택하여 선택된 개체의 값에 따라 새로운 개체의 값을 예측하는 방식의 분류(classification) 알고리즘이다.
- 최근접 이웃 검색에서 일반적으로 가장 많이 사용되는 방법은 현재 사례와 가장 유사한 k개의 사례를 검색해 주는 KNN 알고리즘이다. 본 논문에서는 KNN 알고리즘을 사용하여 유사 사례를 검색하였다. KNN 알고리즘은 새로운 사례를 분류, 예측함에 있어 가장 가까운 하나의 사례에만 의존하는 것이 아니라 가장 가까운 K개의 사례들로부터 투표를 취하는 방법을 사용하기 때문에 예측의 정확성이 높아지게 된다.
성능/효과
- 일반적으로, 사례기반추론 시스템의 성능은 해를 생성하기 위해 참조되는 최근접 이웃의 수 人 와 유사도 산 줄에 사용되는 속성들의 가중치로부터 많은 영향을 받게 된다[1이 본 논문에서는 최근접 이웃의 수 k를 증가시키면서 실험을 수행함으로 시스템을 최적화 하고자 한다. 또한, 사례에서 가장 영향을 미치는 속성에 대해서 가중치를 부여해야 하는데 본 실험에서 각 데이터의 속성은 수치형 데이터로써 각각의 속성은 화재 상황과 파손상황에 미치는 영향이 비슷하여 속성의 가중치는 동일하게 T로 주었다. 사례 베이스에 있는 모든 사례에 대하여 총 유사도를 구한 다음 총 유사도가 가장 큰 사례부터 내림차순으로 정렬하여 우선순위 별로 모니터링시스템에 전송한다.
- 표 3은 실험을 통해 얻은 검증용 데이터의 사례별 정확도(단위 :%) 결과이다. 화재 사례와 파손 사례에 대한 평균 정확도는 각각 82.5%, 80.1%로 나타났다.
- 결과이다. 실험 결과 k의 개수가 아주 낮거나 높은 경우에는 정확도가 상대적으로 감소함을 알 수 있다.
- 본 논문에서 사례기반 추론 기법에 신경망으로 학습시킨 결과 기존의 규칙 기반 상황 인식 시스템에 비해 구현이 쉽고 높은 정확도를 보이는 것으로 나타났고 선박 운항자의 의사 결정을 지원함으로써 위험 상황에 효과적인 대처가 가능할 것이다.
- 본 논문에서는 사례기반 추론 기법을 이용하여 디지털 선박의 화재, 파손에 관한 사례를 지식 베이스로 구축하고 추론하는 시스템을 설계하였다. 사례 베이스를 구축하기 위하여 각 상황별로 3, 000건의 데이터를 입력받아 10-Fold 교차검증을 수행한 결과 각 사례에 대한 평균 정확도는 82.5%, 80.1%를 보였다. 또한 최적의 사례기반추론 시스템을 구축하기 위해서 유사도 분류 k 개수를 조정해가면서 실험을 수행한 결과 k 개수가 아주 낮거나 높은 경우에 정확도가 감소함을 알 수 있었다.
- 1%를 보였다. 또한 최적의 사례기반추론 시스템을 구축하기 위해서 유사도 분류 k 개수를 조정해가면서 실험을 수행한 결과 k 개수가 아주 낮거나 높은 경우에 정확도가 감소함을 알 수 있었다. 실험을 통해선 박 USN의 사례기반 시스템은 선박 운항자의 의사결정을 지원함으로써 위험 상황에 효과적인 대처가 가능할 것임을 알 수 있다.
- 또한 최적의 사례기반추론 시스템을 구축하기 위해서 유사도 분류 k 개수를 조정해가면서 실험을 수행한 결과 k 개수가 아주 낮거나 높은 경우에 정확도가 감소함을 알 수 있었다. 실험을 통해선 박 USN의 사례기반 시스템은 선박 운항자의 의사결정을 지원함으로써 위험 상황에 효과적인 대처가 가능할 것임을 알 수 있다. 향후에는 해양 특성을 고려하여 입력 데이터의 잡음을 제거하는 방법과 보다 많은 다양한 상황에 대해서 진단할 수 있는 방법에 대해서 연구하고자 한다.
후속연구
- 이러한 장점 때문에 디지털 선박을 위한 선박 USN 관련 연구가 최근에 활발히 이루어지고 있다⑵ 그러나 디지털 선박을 위해서는 다양한 센서를 토대로 한 하드웨어 장비 개발과 사용자 측면에서 손쉽게 활용할 수 있는 다양한 응용프로그램 개발이 필요한 실정이고 해양의 특성을 고려한 시스템은 부족한 상황이다. 특히, 해수와 직접적으로 접촉하는 선체는 파도와 조류 등에 의해 다양한 저항과 흔들림 운동의 영향을 받게 되는 데 이러한 특성을 고려한 선박 USN 구축 시스템은 현재 개발이 아주 미흡한 상태이고 기존의 시스템은 단순히 모니터링 하는 데 그치고 있으므로 해양의 특성을 고려한 지능적인 의사 결정 알고리즘을 갖는 시스템구현이 필요할 것이다.
- 이에 본 논문에서는 사례 기반 추론 기법을 이용하여 디지털 선박의 상태를 진단하기 위해서 선박의 화재 사례, 파손 사례 베이스를 구축한다. 입력된 데이터는 사례 베이스를 통해 가장 유사한 과거 사례를 추천해 주고 새로운 사례가 발생한다면 사례 베이스에 저장되고 진단된 결과를 토대로 선박 모니터링 시스템을 구현한다. 본 시스템은 해난 사고로 인한 인명 및 환경 피해를 막고 안전 운항에 대한 항해사의 부담을 줄일 수 있을 것이다.
- 입력된 데이터는 사례 베이스를 통해 가장 유사한 과거 사례를 추천해 주고 새로운 사례가 발생한다면 사례 베이스에 저장되고 진단된 결과를 토대로 선박 모니터링 시스템을 구현한다. 본 시스템은 해난 사고로 인한 인명 및 환경 피해를 막고 안전 운항에 대한 항해사의 부담을 줄일 수 있을 것이다.
- 실험을 통해선 박 USN의 사례기반 시스템은 선박 운항자의 의사결정을 지원함으로써 위험 상황에 효과적인 대처가 가능할 것임을 알 수 있다. 향후에는 해양 특성을 고려하여 입력 데이터의 잡음을 제거하는 방법과 보다 많은 다양한 상황에 대해서 진단할 수 있는 방법에 대해서 연구하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.