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 앙상블 학습에 의한 적조발생 예측의 성능 향상에 대한 연구이다. 본 논문에서 의사결정트리를 기본 분류기로 이용한 bagging 앙상블 학습과 AdaBoost 앙상블 학습을 이용하여 미래에 발생할 적조 예측의 정확률을 향상시키는 방법에 대하여 제안하였다. 제안방법은 통영지역의 2002년부터 2007년 동안 발생한 coclodinium p.
- 특히 적조 발생을 자동으로 예측할 수 있으면 양식장의 적조방재준비와 가두리양식장의 이동을 통하여서 적조 피해를 감소시킬 수 있다. 본 논문은 앙상블 학습에 의한 적조발생 예측의 성능 향상에 대한 연구이다. 본 논문에서 의사결정트리를 기본 분류기로 이용한 bagging 앙상블 학습과 AdaBoost 앙상블 학습을 이용하여 미래에 발생할 적조 예측의 정확률을 향상시키는 방법에 대하여 제안하였다.
- 이러한 적조와 환경인자의 관계에 대한 연구를 기반으로 본 논문에서는 적조발생 10일전의 해양환경자료를 이용하여서 적조 발생 예측의 성능을 향상할 수 있는 방법을 제안한다. 제안방법은 통영지역에서 발생한 과거의 cochlodinium p.
제안 방법
- 즉 구체적인 방법으로는 사례 검색단계에서 자기 조직화 특징 지도(SOFM, self organized feature map) 신경망을 이용하여서 사례를 검색하고, 재사용 단계에서는 RBF(radial bassis function) 신경망을 이용하여 문제에 적합한 사례를 사용하며, 문제에 적합한 사례가 없으면 사례수정단계에서 퍼지를 이용하여 새로운 사례 및 해결 방법을 만든다. 마지막으로 사례유지단계에서는 퍼지 와 RBF/자기 조직화 특징 지도 신경망을 사용하여 새로운 사례베이스를 구축하였다[9]. 본 논문의 저자들의 이전 연구[2～4]에서는 신경망과 SVM(support vector machine)을 이용하여서 적조 발생을 예측할 수 있는 방법을 제안하였다.
- 적조 발생 예측을 위해 생성하는 앙상블 학습 모형은 다음과 같다. 먼저 전처리된 6년간의 적조발생 및 관련 해양환경 학습 자료로 부터 40개의 bootstrap 표본을 추출하고 각 bootstrap에 CART 분류기 모형을 적합 한다. 본 논문에서는 bootstrap 표본의 개수를 40개로 결정한 이유는 1부터 200까지 표본을 증가 시키면서 실험결과 40일 때의 정확률이 가장 높았기 때문이다.
- 본 논문에서 제안한 적조 발생 예측 과정은 그림1과 같이 전처리, 분류기 생성 단계로 구성된다. 전처리 단계에서는 과거 적조발생시의 해양환경자료를 학습에 의한 분류기 생성과 평가에 적합한 자료로 가공한다.
- 의 적조발생정보와 적조예측일 이전 10일간의 해양환경자료에 앙상블 학습을 이용하여 적조 발생 예측의 성능을 향상시킨다. 본 논문에서는 앙상블 학습에 의사결정트리와 Adaboost(adaptive boosting) 분류기를 이용하였다.
- 본 논문에서는 이러한 이전 연구결과를 기반으로 적조 발생 예측에 bagging에는 의사결정트리를 이용한 앙상블 학습을, boosting에는 일반적으로 좋은 성능을 보이는 AdaBoost방법을 적용하여 분류기를 생성한다.
- 본 논문에서는 적조 발생의 예측을 위해서 의사결정 트리를 기본 분류기로 하여서 앙상블의 bagging 학습을 한다. 적조 발생 예측을 위해 생성하는 앙상블 학습 모형은 다음과 같다.
- 처음 학습 자료의 가중치는 동일한 상태에서 시작하여한다. 분류기에 의해서 오분류된 분류 값에는 높은 가중치를 주고, 정 분류된 분류 값에는 낮은 가중치를 부여함으로써 분류 값의 학습 자료에 대한 가중치를 재조정 한다. 이러한 과정을 통하여서 가중치가 재조정된 분류 값들을 통하여서 새로운 학습 자료가 생성되어서 가중치가 증가한 학습 자료가 많이 선택됨으로써 분류하기 힘든 학습 자료를 더 잘 분류하도록 한다[10～11].
- 송병호 등의 연구[8]는 사례기반 추론을 이용한 적조 예측 모니터링 시스템을 구현 및 설계하였다. 이들의 제안방법은 추론을 위해서 기존의 적조 발생 자료로 사례베이스를 생성하고, kNN알고리즘을 이용하여 가장 유사성이 높은 사례를 검색하였다. 그러나 이들이 사용한 kNN은 매우 단순한 방법이며, 수치형 영역의 사례기반 처리에는 제한이 있는 형태 이다.
- 이문옥 등의 연구에서[6][7]는 적조 생물에 따라 다르지만 규조류나 편모조규는 1일 1회 2분열을 하므로 10일 정도 지나면 적조를 인식 할 수 있는 적조기준밀도(1,000cells/ml)에 도달하는 것을 보고, 적조발생 전 10일 동안의 해양환경조건이나 기상조건이 우리나라 적조발생의 해명에 중요하다고 보았다. 이러한 전제하에서 각 해역별로 적조가 발생하기 전 10일 동안의 표층 수온, 강수량 및 일사량을 조사하여 적조가 어떠한 환경에서 발생하는지를 조사하였다. 김용민 등[5]의 연구에서는 국내에 가장 피해를 많이 준 유해적조인 cochlodinium p.
- 이 방법은 적조의 단순한 발생만을 예측하는 이원 분류에 기반을 두고 있다. 저자들의 또 다른 제안방법은 적조 발생 및 발생 적조의 생물 밀도를 예측하기 위하여 퍼지 추론을 사용하는 적조 발생 예측 방법을 제안하였다. 이 방법은 이전 저자들이 제안한 방법에 비하여 더 좋은 성능을 보였으며, 적조 생물의 생물 밀도를 어느 정도 예측이 가능 하였다[3].
- 제안방법은 통영지역의 2002년부터 2007년 동안 발생한 coclodinium p. 적조 정보와 같은 지역의 해양 환경 정보를 이용하여 학습하였으며, 2007년부터 2010년 동안 4년간의 정보를 이용하여서 제안방법을 평가하였다. 평가결과 의사결정트리를 기본 분류기로 사용한 bagging 앙상블 학습방법이 적조발생 예측의 성능을 향상시켰다.
- 으로 부터 가져온 통영지역의 2007년부터 2010년 4년 동안 발생한 coclodinium p. 적조경보 및 주의보의 자료를 이용하여 제안방법의 성능을 평가하였다. 또한 같은 년도 및 적조발생 해역의 해양 환경자로를 해양수산연구 정보포털[12]의 연안정지관측정보로부터 획득한 수온정보를 이용하였으며, 기상청[13] 관측 자료로부터 수집한 기온정보와 강수정보도 이용하였다.
- 본 논문의 저자들의 이전 연구[2～4]에서는 신경망과 SVM(support vector machine)을 이용하여서 적조 발생을 예측할 수 있는 방법을 제안하였다. 적조를 예측할 수 있도록 적조자료를 전처리하여서 모형화 하였으며, 모형화된 자료를 기반으로 적조 발생 예측을 위하여 역전파 신경망, 회귀 신경망, SVM 분류기를 각각 이용하였다. 제안방법의 비교 실험 결과 SVM 분류기를 이용한 방법 가장 높은 정확률을 보였다[2].
- 이러한 적조와 환경인자의 관계에 대한 연구를 기반으로 본 논문에서는 적조발생 10일전의 해양환경자료를 이용하여서 적조 발생 예측의 성능을 향상할 수 있는 방법을 제안한다. 제안방법은 통영지역에서 발생한 과거의 cochlodinium p.의 적조발생정보와 적조예측일 이전 10일간의 해양환경자료에 앙상블 학습을 이용하여 적조 발생 예측의 성능을 향상시킨다.
- 본 논문에서 의사결정트리를 기본 분류기로 이용한 bagging 앙상블 학습과 AdaBoost 앙상블 학습을 이용하여 미래에 발생할 적조 예측의 정확률을 향상시키는 방법에 대하여 제안하였다. 제안방법은 통영지역의 2002년부터 2007년 동안 발생한 coclodinium p. 적조 정보와 같은 지역의 해양 환경 정보를 이용하여 학습하였으며, 2007년부터 2010년 동안 4년간의 정보를 이용하여서 제안방법을 평가하였다.
- 이들의 방법은 새로운 입력 자료가 들어오면 사례베이스로부터 사례를 검색하여 재사용하고, 새로운 해결 방안이 필요하면 새로운 해결 방법에 맞도록 수정하여서 새로운 사례를 만들어 문제를 해결하고 사례베이스에 저장 한다. 즉 구체적인 방법으로는 사례 검색단계에서 자기 조직화 특징 지도(SOFM, self organized feature map) 신경망을 이용하여서 사례를 검색하고, 재사용 단계에서는 RBF(radial bassis function) 신경망을 이용하여 문제에 적합한 사례를 사용하며, 문제에 적합한 사례가 없으면 사례수정단계에서 퍼지를 이용하여 새로운 사례 및 해결 방법을 만든다. 마지막으로 사례유지단계에서는 퍼지 와 RBF/자기 조직화 특징 지도 신경망을 사용하여 새로운 사례베이스를 구축하였다[9].
대상 데이터
- 적조경보 및 주의보의 자료를 이용하여 제안방법의 성능을 평가하였다. 또한 같은 년도 및 적조발생 해역의 해양 환경자로를 해양수산연구 정보포털[12]의 연안정지관측정보로부터 획득한 수온정보를 이용하였으며, 기상청[13] 관측 자료로부터 수집한 기온정보와 강수정보도 이용하였다. 다음 표 5는 실험에 사용한 입력 자료의 속성표이다[2～4].
- 적조 예측을 위한 평가 자료로는 2007년부터 2010년까지 4년간의 같은 통영 지역의 수온, 기온, 강수량을 이용하였으며, 분류기의 예측 정보를 평가하기 위하여 같은 기간 동안의 적조 발생자료를 이용하여 가공하였다. 이 중에서 적조발생정보는 국립수산과학원의 적조정보시스템[1]으로 부터, 수온정보는 해양수산연구 정보포털[12]의 연안정지관측정보로부터, 기온 및 강수량은 기상청[13] 관측 자료로부터 수집하였다.
- 의 발생자료 및 이 지역의 수온, 기온, 강수량을 이용한다. 적조 예측을 위한 평가 자료로는 2007년부터 2010년까지 4년간의 같은 통영 지역의 수온, 기온, 강수량을 이용하였으며, 분류기의 예측 정보를 평가하기 위하여 같은 기간 동안의 적조 발생자료를 이용하여 가공하였다. 이 중에서 적조발생정보는 국립수산과학원의 적조정보시스템[1]으로 부터, 수온정보는 해양수산연구 정보포털[12]의 연안정지관측정보로부터, 기온 및 강수량은 기상청[13] 관측 자료로부터 수집하였다.
이론/모형
- 본 논문에서는 bagging 앙상블 학습을 사용되는 기본 분류기로 의사결정트리 방법 중에서 가장 많이 사용하는 필수 방법인 CART(classification and regression tree) 방법[16]을 사용한다. CART 방법은 전체 자료집합으로 부터 시작하여 반복해서 두개의 자식 노드를 생성하기 위해 모든 예측 변수를 사용하여 자료 집합의 부분집합을 분리함으로써 의사결정트리를 생성한다.
- 분류기 단계에서는 학습 자료와 앙상블 학습을 이용하여서 분류기를 생성하고, 생성된 분류기와 입력 자료를 이용해서 적조의 발생을 예측한다. 본 논문에서는 앙상블 학습에 가장 많이 사용되는 의사결정트리를 기본 분류기로 사용하는 bagging과 AdaBoost 부스팅 방법을 이용한다.
- 에서는 신경망, SVM, 나이브베이스, 퍼지 등의 분류기를 이용하여서 적조발생을 예측하였다. 본 논문에서는 이전 적조발생 예측 방법의 성능을 향상시키기 위하여 앙상블 학습을 이용한 방법을 이용한다.
- 에 대한 적조발생예측의 정확률 평가 결과이다. 본 논문에서의 정확율은 이원분류의 평가에 많이 사용하는 미시평균 정확율(mocroaveraged precision)[17]을 사용하였다. 여기서 SVM는 SVM[2, 6]을 나타내고, GRNN 회귀 신경망[2, 6], DT는 의사결정트리[10]를 나타낸다.
성능/효과
- 이는 적조발생 예측의 자료특성이 의사결정트리를 이용한 분류기에 더욱 적합한 것으로 보인다. 또한 의사결정트리를 기본 분류기로 bagging 앙상블의 정확률이 가장 높은 값을 갖는 것은 의사결정트리에 의한 앙상블 학습이 적조발생 예측의 성능을 향상 시키는 것을 알 수 있다.
- 적조를 예측할 수 있도록 적조자료를 전처리하여서 모형화 하였으며, 모형화된 자료를 기반으로 적조 발생 예측을 위하여 역전파 신경망, 회귀 신경망, SVM 분류기를 각각 이용하였다. 제안방법의 비교 실험 결과 SVM 분류기를 이용한 방법 가장 높은 정확률을 보였다[2]. 이 방법은 적조의 단순한 발생만을 예측하는 이원 분류에 기반을 두고 있다.
- 여기서 SVM는 SVM[2, 6]을 나타내고, GRNN 회귀 신경망[2, 6], DT는 의사결정트리[10]를 나타낸다. 평가 결과를 DT 평균 정확률이 GRNN에 비해서 9.1%이고 SVM에 비해서는 3.64%가 더 높다.
- 적조 정보와 같은 지역의 해양 환경 정보를 이용하여 학습하였으며, 2007년부터 2010년 동안 4년간의 정보를 이용하여서 제안방법을 평가하였다. 평가결과 의사결정트리를 기본 분류기로 사용한 bagging 앙상블 학습방법이 적조발생 예측의 성능을 향상시켰다. 본 논문에서는 단순히 적조가 발생 여부만을 예측하는 이원분류에 그치고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.