[논문]생물학적 후각 시스템을 모방한 대규모 가스 센서 어레이에서 코사인 유사도와 퍼지 클러스터링을 이용한 중복도 제거 방법

김정도; 김정주; 박성대; 변형기; 임승주

doi:10.5369/jsst.2012.21.1.59

문제 정의

대규모 가스 센서 어레이는 이러한 생물학적 시스템의 감각기를 모방하는 것이 목표이다. 이를 위해 유럽의 NEUROCHEM 프로젝트에서는 (=65,536)개의 전도성 고분자를 갖춘 어레이를 구축한 바있다.
불안정한 센서를 제거하기 위해서는 밀집되지 않은 다른 특성을 보이는 센서들을 제거하면 된다. 따라서 하나의 센서를 선택하여 그 센서와 유사한 센서가 얼마나 많이 존재하는지를 파악하였다. 즉, 각 센서들 사이에 유사도를 구하기 위해 코사인 유사도 알고리즘을 사용하였다.
이러한 문제점을 해결하기 위해서 본 논문에서는 대규모 가스 센서 어레이 신호 중 불안정한 센서 신호들을 검출하고 제거하는 방법을 제안한다. 또한, 중복성을 보이는 센서들을 대표할 수 있는 대표 센서의 선정 방법을 제안함으로써 생물학적 시스템이 갖는 특성을 반영할 수 있도록 한다. 전처리 과정으로는 우선 센서 데이터에 포함되어있는 잡음을 제거하기 위해 3차 버터워스 저역통과 필터(butterworth low-pass filter)를 사용하였으며 알고리즘의 연산 시간 단축을 위해 6차 이산 웨이블렛 변환(discrete wavelet transformation : 이하 DWT)을 사용하였다.
그러나 대규모 가스 센서 어레이에서 생기는 불안정한 센서를 포함한다는 점과 수 만개 센서에서 얻은 데이터가 너무 크고 감당할 수 없는 계산 시간이 필요하다는 단점이 존재한다. 본 논문에서는 생물학적 후각 시스템을 모방한 가스 센서 어레이의 단점을 해결하기 위해서 첫 번째, 대규모 가스 센서 어레이 신호 중 불안정한 센서 신호들을 검출하여 제거하는 방법과 두 번째, 센서간의 중복성을 제거하기 위해서 대표 센서를 선정하는 방법을 제안하였다. 불안정한 센서를 제거하기 위해서 중복도라는 기준을 적용하였다.
대규모 가스 센서 어레이에는 불안정하게 동작하는 센서가 존재하며, 비슷한 동작 특성을 보이는 센서들의 중복성을 볼 수 있다. 본 장에서는 코사인 유사도를 이용한 불안정 센서의 선별 방법과 센서들의 중복성을 제거하기 위해 FCMA를 이용한 대표 센서 선정 방법을 제시한다.
실제 생물학적 후각 시스템의 경우도, 중복성을 갖는 수많은 수용체가 하나의 사구체에 연결되어 한 개의 신호만을 출력하기 때문에 실제 냄새의 분석을 위해서 수천 개의 사구체 신호만이 이용된다. 이러한 문제점을 해결하기 위해서 본 논문에서는 대규모 가스 센서 어레이 신호 중 불안정한 센서 신호들을 검출하고 제거하는 방법을 제안한다. 또한, 중복성을 보이는 센서들을 대표할 수 있는 대표 센서의 선정 방법을 제안함으로써 생물학적 시스템이 갖는 특성을 반영할 수 있도록 한다.

제안 방법

대표적인 디지털 필터로는 IIR 필터와 FIR필터가 있다. IIR 필터는 FIR 필터에 비해 차수가 적으며, 계산양이 적은 장점 때문에 대규모 가스센서 데이터의 필터링에 유리하므로 IIR 필터를 사용하였다. 본 논문에서는 3차 버터워스 저역통과 필터를 사용하였으며, 0.
65536 개의 센싱요소는 각각 64×64개로 구성된 16개의 모듈로 나뉘어져 있다. 각각의 모듈은 센서 재료에 따라 크게 7개의 영역으로 크게 구분되어 있으며, 24 ~ 31개의 전도성 고분자 물질을 사용하여 생물학적 후각 시스템처럼 높은 중복성을 갖도록 설계하였다.
5의 (b)와 같이 DWT를 취한 데이터 중, 1번부터 7번 프레임까지의 데이터를 이용하였다. 그러나 7차원의 데이터는 분석이 어려운 고차원 데이터이기 때문에, PCA를 이용하여 2차원의 데이터로 변환을 하였다. PCA 방법은 확률적인 접근 방식을 이용한 것으로 주로 다루기 힘든 고차원의 신호를 낮은 차원으로 줄여 다루기 쉽게 해주는 통계적 방법을 말한다.
중복도가 높다는 것은 주입된 가스에 같은 특성을 보이는 센서들이 많이 존재한다는 것이기 때문에 안정된 센서를 찾는 기준으로 사용하였다. 그리고 중복도에 의해서 제거된 불안정한 센서들을 PCA를 통해서 확인하였다. 또한, 불필요한 중복을 줄이기 위해 FCMA를 사용하여 대표 센서를 선정하였다.
가스는 에탄올과 부탄올을 사용하였으며, 네 가지 농도 5 sccm, 10 sccm, 20 sccm, 40 scm를 사용하였다. 두 종류의 가스와 총 4가지 농도에서 얻은 실험 데이터 중 에탄올과 부탄올 각각 4차례의 실험의 결과를 이용하여 실험을 하였다. 그러나 유효성 입증 실험에서는 4096개의 센서 데이터를 사용하지 않고 한 농도에서 선택된 대표센서들만을 적용한다.
코사인 유사도 알고리즘을 사용하여 불안정 센서를 제거하고 안정 센서를 선택하였지만, 안정된 센서에서도 많은 중복성이 있으며, 이 중복성은 하나의 출력으로 나타낼 필요가 있다. 따라서 비슷한 특성을 가진 센서들의 클러스터(cluster)중 가장 대표가 되는 센서만을 선택하는 방법을 사용하여 중복성을 제거하였다. 클러스터를 분할하는 클러스터링 알고리즘은 여러 가지가 존재하지만, 본 논문에서는 Fuzzy c-means algiorithm(FCMA)을 사용하였다.
각 클러스터의 중심은 클러스터에 포함된 센서의 특징을 나타내는 지점이다. 따라서 클러스터 중심에서 소속도가 가장 높은 센서를 각 클러스터의 대표 센서로 선정하였다. FCM 알고리즘을 이용하여 선택한 대표 센서는 비슷한 특성을 보이는 센서 데이터의 중복성을 하나의 대표 특성을 통해서 나타낼 수 있다.
그리고 중복도에 의해서 제거된 불안정한 센서들을 PCA를 통해서 확인하였다. 또한, 불필요한 중복을 줄이기 위해 FCMA를 사용하여 대표 센서를 선정하였다. 대표 센서는 FCMA가 클러스터를 생성하고 클러스터 중심을 얻는 과정과 같다.
불안정한 센서의 제거를 위해 코사인 유사도 알고리즘을 이용하여 센서간의 유사도 분석을 하였으며, 이를 통해 불안정 센서를 파악하고 제거하는 방법을 제안하였다. 또한, 안정된 센서만을 대상으로 하여 퍼지 클러스터링(fuzzy c-means : 이하 FCM) 알고리즘을 적용하여 중복성을 갖는 센서의 특성을 대표할 수 있는 대표 센서를 선택하는 방법을 제안하였다. 제안된 방법의 입증을 위해, 가스 혹은 농도가 다른 8개의 데이터군(dataset)이 사용되었으며, 각 군은 각각 4번의 실험이 이루어져 총 32개의 데이터가 제안된 방법의 효율성을 증명하기 위해 사용되었다.
본 논문에서 제시한 방법은 불필요한 중복성을 제거하고 대표 센서만을 이용하여 적은 데이터 양으로 데이터의 분류 속도를 향상 시켰다. 또한 각 가스와 농도별로 군집을 이루어 분류함으로써 제안된 방법을 적용하기 전과 비교하여 우수한 분류 및 군집 성능을 보이는 결과를 입증하였다.
본 논문에서 제안한 방법은 대규모 가스 센서 어레이 시스템에 적용하여 데이터의 크기를 줄여 연산의 속도를 높였다. 또한, 불안정 센서를 제거하여 센서의 특성을 명확히 나타내었으며, 대표 센서의 선택으로 불필요한 중복성을 제거 하였다.
본 논문에서는 SRN의 값에 변화를 주면서 적절한 값을 정하는 실험을 진행 하였으며, SRN에 의해 불안정 센서가 제거된 가스 데이터를 PCA로 표현하여 Fig. 9에서 나타내었다. Fig.
만약, 유사도 값이 문턱치 보다 작으면 두 데이터를 중복성이 있는 센서로 간주한다. 본 논문에서는 센서의 중복성을 보기 위한 문턱치를 0.999995로 놓고 실험을 진행하였다. 이렇게 비슷한 반응을 보이는 센서의 수가 실험을 통해 정해 놓은 기준 중복횟수(standard redundant number : 이하 SRN)보다 많으면 안정센서, 적으면 불안정 센서로 간주한다.
본 논문에서는 생물학적 후각 시스템을 모방한 가스 센서 어레이의 단점을 해결하기 위해서 첫 번째, 대규모 가스 센서 어레이 신호 중 불안정한 센서 신호들을 검출하여 제거하는 방법과 두 번째, 센서간의 중복성을 제거하기 위해서 대표 센서를 선정하는 방법을 제안하였다. 불안정한 센서를 제거하기 위해서 중복도라는 기준을 적용하였다. 이 중복도는 코사인 유사도를 사용하여 특성이 비슷한 센서의 개수이다.
전처리 과정으로는 우선 센서 데이터에 포함되어있는 잡음을 제거하기 위해 3차 버터워스 저역통과 필터(butterworth low-pass filter)를 사용하였으며 알고리즘의 연산 시간 단축을 위해 6차 이산 웨이블렛 변환(discrete wavelet transformation : 이하 DWT)을 사용하였다. 불안정한 센서의 제거를 위해 코사인 유사도 알고리즘을 이용하여 센서간의 유사도 분석을 하였으며, 이를 통해 불안정 센서를 파악하고 제거하는 방법을 제안하였다. 또한, 안정된 센서만을 대상으로 하여 퍼지 클러스터링(fuzzy c-means : 이하 FCM) 알고리즘을 적용하여 중복성을 갖는 센서의 특성을 대표할 수 있는 대표 센서를 선택하는 방법을 제안하였다.
생물학적 후각 시스템에서는 많은 중복성을 허용하고, 중복성을 갖는 수용체가 존재한다 하더라도 사구체에 의해 단 한 개만의 신호가 출력된다. 생물학적 후각 시스템을 모사하고 있는 대규모 가스 센서 어레이 시스템의 경우도, 수 십 개의 고분자 물질을 이용하여 비슷한 중복성을 갖도록 설계하였다. Fig.
생물학적 후각을 모방한 대규모 가스 센서 어레이 시스템에서 데이터 압축과 중복 데이터 제거 방법의 실험에 대한 유효성을 입증하기 위해서 두 종류의 가스와 4가지 농도 그리고 각 농도에 대한 4번의 실험 데이터로 실험을 하였다. 전체 65536개의 센서 데이터는 4096센서 모듈 16개 데이터로 각각 나누어져있다.
코사인 유사도는 두 개의 데이터가 일치할 수 록‘1’에 가까워지며 데이터가 불일치할 수 록‘0’에 가까워진다. 센서간의 유사도를 구하기 위해 코사인 유사도 알고리즘을 이용하여 4096개의 센서를 일 대 일로 각각 비교한다. 만약, 유사도 값이 문턱치 보다 작으면 두 데이터를 중복성이 있는 센서로 간주한다.
이 중복도는 코사인 유사도를 사용하여 특성이 비슷한 센서의 개수이다. 중복도가 높다는 것은 주입된 가스에 같은 특성을 보이는 센서들이 많이 존재한다는 것이기 때문에 안정된 센서를 찾는 기준으로 사용하였다. 그리고 중복도에 의해서 제거된 불안정한 센서들을 PCA를 통해서 확인하였다.

대상 데이터

약 100 프레임(100 sec) 부근에서 가스를 인가하고 500프레임 부근에서 클리닝을 시작하였을 때, 7번째 센서의 경우 상당히 안정한 동작을 보이고 있으나 40번째 센서의 경우 불안정한 동작을 보임을 알 수 있다. 4096개로 구성된 16개의 센서 어레이 중에서 4096개 하나의 모듈 내에 존재하는 불안정 센서들을 파악하기 위해 Fig. 5의 (b)와 같이 DWT를 취한 데이터 중, 1번부터 7번 프레임까지의 데이터를 이용하였다. 그러나 7차원의 데이터는 분석이 어려운 고차원 데이터이기 때문에, PCA를 이용하여 2차원의 데이터로 변환을 하였다.
, L16)군 중 L2의 4096개의 센서 값만을 사용하여 실험을 하였다. 가스는 에탄올과 부탄올을 사용하였으며, 네 가지 농도 5 sccm, 10 sccm, 20 sccm, 40 scm를 사용하였다. 두 종류의 가스와 총 4가지 농도에서 얻은 실험 데이터 중 에탄올과 부탄올 각각 4차례의 실험의 결과를 이용하여 실험을 하였다.
여기서 찾은 클러스터는 매우 유사한 특성을 보이는 센서의 군집이기 때문에 중복성을 보인다고 판단하였다. 따라서 이 클러스터의 중심에서 가장 소속도가 높은 센서를 찾아 대표 센서로 선정하였다. 이러한 대표 센서의 선정은 센서의 수를 수천 개에서 수백 개로 줄여 연산시간을 단축시켰다.
전도성 고분자는 휘발성 화합물을 감지 할 수 있다. 또한 빠른 응답시간과 낮은 전력, 좋은 감도, 그리고 폭넓은 가스 인식을 보이기 때문에 전도성 고분자가 대규모 가스 센서 어레이를 위한 재료로 선정 되었다. 선택된 전도성 고분자 센서 어레이를 이용하여 NEUROCHEM에 의해 구현된 스캔회로 구조는 두 개의 아날로그 멀티플렉스, 한 개의 아날로그 피드백 버퍼로 구성되었으며, 한 번에 하나의 센서가 순차적으로 출력 노드와 접지에 연결 되어있는 이상적인 전압 분배기로 동작한다.
본 논문의 실험에서는 에탄올 20 sccm의 4차 실험에서 선택된 대표 센서들을 전체 데이터 군에 적용하였다. 본 논문에서 제안한 방법을 적용하지 않고 전처리 과정에서 3차 버터워스 필터와 DWT가 된 상태에서 4096 센서 데이터를 PCA를 사용하여 Fig. 12에 나타내었다.
IIR 필터는 FIR 필터에 비해 차수가 적으며, 계산양이 적은 장점 때문에 대규모 가스센서 데이터의 필터링에 유리하므로 IIR 필터를 사용하였다. 본 논문에서는 3차 버터워스 저역통과 필터를 사용하였으며, 0.006 Hz의 차단 주파수가 사용되었다.
DWT는 1회 분해 때마다 2:1의 다운 샘플링을 수행한다. 본 논문에서는 6차 DWT를 사용하였으며, 모 웨이블렛으로는 Daubechies를 사용하였다.
본 논문에서의 대규모 센서 어레이는 총 65536개의 센서를 사용하며 센서 데이터를 2배정밀도의 실수형으로 데이터 취득한다면 한 샘플링 당 512 k 바이트가 되고, 약 600개의 샘플(650 sec)의 데이터를 취득한다면 약 300 M 바이트가 된다. 이러한 대규모 데이터를 이용하여 신호처리 알고리즘을 적용하는 것은 쉬운 일이 아니다.
본 논문의 실험에서는 16개의 데이터( L1, L2, L3, , L16)군 중 L2의 4096개의 센서 값만을 사용하여 실험을 하였다.
낮은 농도에서는 가스별 특성이 잘 나타나지 않기 때문에 비교적 높은 농도의 대표 센서들을 선택해서 사용하는 것이 더 좋은 결과를 얻을 수 있다. 본 논문의 실험에서는 에탄올 20 sccm의 4차 실험에서 선택된 대표 센서들을 전체 데이터 군에 적용하였다. 본 논문에서 제안한 방법을 적용하지 않고 전처리 과정에서 3차 버터워스 필터와 DWT가 된 상태에서 4096 센서 데이터를 PCA를 사용하여 Fig.
또한, 안정된 센서만을 대상으로 하여 퍼지 클러스터링(fuzzy c-means : 이하 FCM) 알고리즘을 적용하여 중복성을 갖는 센서의 특성을 대표할 수 있는 대표 센서를 선택하는 방법을 제안하였다. 제안된 방법의 입증을 위해, 가스 혹은 농도가 다른 8개의 데이터군(dataset)이 사용되었으며, 각 군은 각각 4번의 실험이 이루어져 총 32개의 데이터가 제안된 방법의 효율성을 증명하기 위해 사용되었다. 주성분 분석법(principal component analysis : 이하 PCA)을 통해 제안된 방법이 유용성이 입증되었다.

이론/모형

이러한 문제를 해결하기 위해 대규모 센서 어레이의 데이터를 시간축에서 압축한 후, 각종 신호처리 알고리즘을 적용하기 위해 DWT를 사용하였다.
또한, 중복성을 보이는 센서들을 대표할 수 있는 대표 센서의 선정 방법을 제안함으로써 생물학적 시스템이 갖는 특성을 반영할 수 있도록 한다. 전처리 과정으로는 우선 센서 데이터에 포함되어있는 잡음을 제거하기 위해 3차 버터워스 저역통과 필터(butterworth low-pass filter)를 사용하였으며 알고리즘의 연산 시간 단축을 위해 6차 이산 웨이블렛 변환(discrete wavelet transformation : 이하 DWT)을 사용하였다. 불안정한 센서의 제거를 위해 코사인 유사도 알고리즘을 이용하여 센서간의 유사도 분석을 하였으며, 이를 통해 불안정 센서를 파악하고 제거하는 방법을 제안하였다.
따라서 하나의 센서를 선택하여 그 센서와 유사한 센서가 얼마나 많이 존재하는지를 파악하였다. 즉, 각 센서들 사이에 유사도를 구하기 위해 코사인 유사도 알고리즘을 사용하였다. 코사인 유사도 알고리즘은 각 벡터 간의 거리를 계산하여 그 결과를 유사도로 표현하는 기법으로 다양한 분야에 적용되는 알고리즘이다.
따라서 비슷한 특성을 가진 센서들의 클러스터(cluster)중 가장 대표가 되는 센서만을 선택하는 방법을 사용하여 중복성을 제거하였다. 클러스터를 분할하는 클러스터링 알고리즘은 여러 가지가 존재하지만, 본 논문에서는 Fuzzy c-means algiorithm(FCMA)을 사용하였다. FCMA는 하나의 클러스터에 속해져 있는 각 데이터의 소속정도(membership grade)에 의해서 클러스터에 대한 데이터의 소속정도를 일일이 열거한 데이터 분류 알고리즘이다.

성능/효과

또한, 불안정 센서를 제거하여 센서의 특성을 명확히 나타내었으며, 대표 센서의 선택으로 불필요한 중복성을 제거 하였다. 그리고 대규모 가스센서 어레이 시스템에서 가스별 특성과 농도별 특성을 표현하는데 매우 우수한 성능을 보였다.
생물학적 후각 시스템의 경우 냄새의 독성과 시간의 흐름에 따라 일부 후각세포들이 불안정해지거나 죽더라도 크게 영향을 받지 않지만, 인공 후각 시스템에서는 이러한 불안정한 센서들이 상당한 영향을 줄 수 있다. 두 번째, 불안정한 센서들을 제거한다 하더라도 나머지 센서들 전부를 다 사용할 수 없다는 것이다. 나머지 센서 전부를 다 사용할 경우, 감당할 수 없는 계산 시간이 필요할 뿐만 아니라, 계산 오차의 누적에 의한 오류를 발생시킬 수 있다.
본 논문에서 제시한 방법은 불필요한 중복성을 제거하고 대표 센서만을 이용하여 적은 데이터 양으로 데이터의 분류 속도를 향상 시켰다. 또한 각 가스와 농도별로 군집을 이루어 분류함으로써 제안된 방법을 적용하기 전과 비교하여 우수한 분류 및 군집 성능을 보이는 결과를 입증하였다.
본 논문에서 제안한 방법은 대규모 가스 센서 어레이 시스템에 적용하여 데이터의 크기를 줄여 연산의 속도를 높였다. 또한, 불안정 센서를 제거하여 센서의 특성을 명확히 나타내었으며, 대표 센서의 선택으로 불필요한 중복성을 제거 하였다. 그리고 대규모 가스센서 어레이 시스템에서 가스별 특성과 농도별 특성을 표현하는데 매우 우수한 성능을 보였다.
제안된 방법의 입증을 위해, 가스 혹은 농도가 다른 8개의 데이터군(dataset)이 사용되었으며, 각 군은 각각 4번의 실험이 이루어져 총 32개의 데이터가 제안된 방법의 효율성을 증명하기 위해 사용되었다. 주성분 분석법(principal component analysis : 이하 PCA)을 통해 제안된 방법이 유용성이 입증되었다.
그러나 이러한 생물학적 후각 시스템을 모방한 대규모 가스 센서 어레이 시스템은 크게 두 가지의 문제점이 존재한다. 첫 번째, 작은 칩 속에 화학적 고분자 물질을 도핑하여 센서를 만드는 것은 불안정한 센서들을 만들어 낸다는 것이다. 생물학적 후각 시스템의 경우 냄새의 독성과 시간의 흐름에 따라 일부 후각세포들이 불안정해지거나 죽더라도 크게 영향을 받지 않지만, 인공 후각 시스템에서는 이러한 불안정한 센서들이 상당한 영향을 줄 수 있다.

핵심어	질문	논문에서 추출한 답변
	후각이란?	후각이란, 냄새가 있는 화학물질의 분자에 의하여 비강 내의 후세포가 자극되어 일어나는 냄새의 감각이다. 후각은 다른 감각에 비해 많은 연구가 이루어져 있지 않으며 이론적 접근은 100년도 되지 않은 역사를 가지고 있다.
	후각 신호 전달에 관한 연구는 어떤 기술과 함께 발전하였는가?	후각은 다른 감각에 비해 많은 연구가 이루어져 있지 않으며 이론적 접근은 100년도 되지 않은 역사를 가지고 있다. 후각에 대한 관심은 신경세포가 발견되고 신경에 관한 연구가 활발해 지면서 높아졌고, 후각 신호 전달에 관한 연구는 전기 생리학 기술과 더불어 발전하였다[1-3].
	다양한 센서를 사용하는 전자코 시스템는 어떻게 냄새를 분류하는가?	1982년 Persuad가 생물학적 후각 시스템을 모사하기 위해 전도성고분자를 이용한 인공 후각 시스템을 제안한 이래로[4], 전도성고분자(conducting polymer) 센서, QMB(Quartz Microbalance) 센서 및 MOS(Metal Oxide Semiconductor) 센서 등 다양한 센서를 사용하는 전자코 시스템이 제안되고 연구된 바 있다[5-7]. 이러한 전자코 시스템의 경우 수 개 ~ 수십 개의 개별적 센서를 어레이로 구성한 후, 퍼지 알고리즘 및 신경망 등의 신호처리 기술을 이용하여 냄새를 분류한다[8, 9]. 생물학적 후각 시스템처럼 다양한 종류의 냄새를 구별하기 위해서는 냄새 분자에 따라 다른 전기적 신호를 발생시키는 많은 종류의 센서 물질들이 필요하며, 많은 센서들의 중복성이 허용되어야 한다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

김정도 (31) 김정주 (6) 박성대 (2) 변형기 (38) 임승주 (18)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper