[논문]SOM기반 특징 신호 추출 기법을 이용한 불균형 주기 신호의 이상 탐지

김송이; 강지훈; 박종혁; 김성식; 백준걸

doi:10.9709/jkss.2012.21.2.079

SOM기반 특징 신호 추출 기법을 이용한 불균형 주기 신호의 이상 탐지
Fault Detection of Unbalanced Cycle Signal Data Using SOM-based Feature Signal Extraction Method 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.21 no.2, 2012년, pp.79 - 90

김송이 (고려대학교 산업경영공학과) , 강지훈 (고려대학교 산업경영공학과) , 박종혁 (고려대학교 산업경영공학과) , 김성식 (고려대학교 산업경영공학과) , 백준걸 (고려대학교 산업경영공학과)

초록
AI-Helper

본 연구는 공정신호가 불균형 데이터인 경우 이상 탐지 알고리즘의 성능 개선을 위한 특징 신호 추출 기법을 제안한다. 불균형 데이터란 범주 구분 문제에서 하나의 범주의 속하는 데이터의 비율이 다른 범주의 데이터에 비해 크게 차이나 이상 탐지성능이 크게 저하되는 경우를 의미한다. 공정이 운영되는 경우 얻을 수 있는 이상 신호의 수는 정상 신호에 비해 매우 적기에 이러한 문제를 해결하여 이상 탐지 기법을 적용하는 것은 매우 중요하다. 불균형 문제 해결을 위해 SOM(Self-Organizing Map) 알고리즘을 이용하여 각 노드에 대응되는 가중치를 특징 신호로 간주하여 정상 데이터와 이상 데이터의 비율을 맞춘다. 특징 신호 데이터 집단의 이상 탐지를 위해 클래스 분류 기법인 kNN(k-Nearest Neighbor)과 SVM(Support Vector Machine)을 적용하여 이를 공정 신호 이상탐지를 위해 주로 사용하는 Hotelling's $T^2$ 관리도와 성능을 비교한다. 반도체 공정에서 발생한다고 알려진 공정 신호를 모사하여 신호 알고리즘 성능의 우수성을 검증한다.

Abstract ▼ AI-Helper

In this paper, a feature signal extraction method is proposed in order to enhance the low performance of fault detection caused by unbalanced data which denotes the situations when severe disparity exists between the numbers of class instances. Most of the cyclic signals gathered during the process are recognized as normal, while only a few signals are regarded as fault; the majorities of cyclic signals data are unbalanced data. SOM(Self-Organizing Map)-based feature signal extraction method is considered to fix the adverse effects caused by unbalanced data. The weight neurons, mapped to the every node of SOM grid, are extracted as the feature signals of both class data which are used as a reference data set for fault detection. kNN(k-Nearest Neighbor) and SVM(Support Vector Machine) are considered to make fault detection models with comparisons to Hotelling's $T^2$ Control Chart, the most widely used method for fault detection. Experiments are conducted by using simulated process signals which resembles the frequent cyclic signals in semiconductor manufacturing.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

모든 이상 탐지 알고리즘과 마찬가지로 특징 신호 추출 기법을 이용한 이상탐지 알고리즘 또한 1종 오류(α)와 2종 오류(β) 모두를 줄이는 것을 목표로 한다.
본 연구에서는 실제 공정에서 발생 하는 문제 중에 하나인 정상 데이터와 이상 데이터의 수가 현격히 차이나는 상황에서 이상 탐지가 어려운 문제를 해결하기 위한 방안을 제시하였다. 정상 데이터와 이상 데이터의 비율을 맞추기 위해 SOM을 구성하여 각각의 데이터의 특징 신호를 추출하였다.
본 연구에서는 정상 주기 신호의 데이터 집단과 이상 주기 신호의 집단을 표현하는 각각의 SOM을 구축한다. 이를 이용하면 각기의 집단을 가장 잘 설명 할 수 있는 특징 데이터가 추출될 수 있다.
본 연구에서는 주기 신호 데이터의 특징 신호를 추출 하여 반도체 공정 불균형 데이터의 이상 탐지를 위한 방안을 제시하고자 한다. 기계학습 알고리즘 중 하나인 SOM (Self-Organizing Map) 알고리즘을 이용하여 기존의 정상 신호와 이상 신호를 기반으로 두 범주를 대표 할 수 있는 특징 신호(feature signal)를 추출한다.
본 연구에서는 주기 신호의 이상 탐지를 위해 가장 대표적인 3가지 기법, Hotelling’s T2 관리도, kNN 및 SVM을 이용하여 특징 신호 데이터 집단에 대해 이상탐지를 진행하고자 한다.

제안 방법

기계학습 알고리즘 중 하나인 SOM (Self-Organizing Map) 알고리즘을 이용하여 기존의 정상 신호와 이상 신호를 기반으로 두 범주를 대표 할 수 있는 특징 신호(feature signal)를 추출한다. SOM 신경망의 뉴런(neuron)값을 기반으로 하여 이상 데이터와 정상 데이터의 비율을 맞춘 뒤 클래스 분류 기법을 적용하여 이상 탐지를 진행한다.
SOM을 이용한 특징 신호 추출 알고리즘의 성능평가를 위해 대조군으로는 Hotelling’s T2 관리도(α = 0.1) 를 이용하였다.
실험 데이터는 실제 공정에서 발생하는 문제인 두 범주 데이터의 비율이 상이한 상황에 맞추어 불량률 5% 정도를 가정하고 1000개의 정상 데이터와 50개의 이상 데이터를 생성하였다. 각 신호의 일정 길이를 각 구간으로 누어 주었으며 이상 데이터는 공정의 특정구간(4,5구간) 에 함수식의 평균 변화를 주어 생성되었다. 평균 변화량은 0.
세 번째 신호는 smooth 신호(Type 3)로써 photo-lithography 공정의 온도 데이터이다(한아향 등, 2010). 각각의 신호는 표 1에서 설명한 함수식에 평균이 0이고 표준편차가 1인 정규분포를 따르는 화이트 노이즈 (white noise)를 추가하여 실제 공정 데이터에서 발생하는 변동 특성을 반영하였다.
일반적으로 전체 데이터에 대한 인식률로 성능을 평가 하는 방식을 사용 하지만 데이터의 불균형이 심한 경우에는 이상 데이터의 인식률 보다 정상 데이터의 인식률이 전체 인식률에 차지하는 비중이 크기 때문에 전체 인식률은 각 클래스의 인식률을 제대로 반영 할 수 없다. 따라서본 연구에서는 성능 평가 방법 중 하나로써 정상 데이터의 인식률 A1과 이상 데이터의 인식률 A₂의 G-Mean값인 # 를 사용하여 각 방법의 성능을 비교한다 (Kang and Cho, 2006).
Hotelling’s T² 관리도는 다변량 이상탐지를 위해 가장 일반적으로 사용되는 방법이며 정상 신호 데이터만을 이용하여 학습하기 때문에 자료가 불균형 데이터인 경우에도 적합하게 작동 할 수 있다. 또한 SVM 과 kNN을 특징신호 추출 전 데이터와 추출 후 데이터에 모두 적용하여 특징 신호 추출로 증가하는 인식률에 대하여 살펴보았다.
앞에서 언급 했듯이 주기 신호의 이상 탐지를 하기 위해 대표적인 세 가지 기법인 Hotelling’s T2 관리도, kNN, SVM 알고리즘을 사용 할 것이며 세 가지 기법을 통해서 특징 신호 추출 알고리즘의 성능 우수성을 보이고자 한다.
정상 신호와 이상 신호의 데이터 비율이 상이한 문제점을 해결하기 위해서 각각의 신호 범주에 대해 동일한 개수의 특징 신호를 추출한다. 이를 위해 두 범주를 표현 하는 SOM 출력층의 뉴런 개수를 동일하게 설정하여 동일한 특징 신호를 얻을 수 있도록 하였다. 이상 탐지를 할때 최대한 많은 정보량을 확보하기 위하여 과소 범주, 주기 신호에서는 이상 신호의 개수인 n개를 기준으로 정사각형으로 그리드 배치를 위해 제곱근을 넘지 않는 최대 정수로 한 축의 개수를 설정한다.
본 연구에서는 실제 공정에서 발생 하는 문제 중에 하나인 정상 데이터와 이상 데이터의 수가 현격히 차이나는 상황에서 이상 탐지가 어려운 문제를 해결하기 위한 방안을 제시하였다. 정상 데이터와 이상 데이터의 비율을 맞추기 위해 SOM을 구성하여 각각의 데이터의 특징 신호를 추출하였다. 추출된 특징 신호는 기존에 존재하는 데이터 분포의 특징을 잘 나타내는데 있어서 뛰어나다는 장점이 있다.
정상 신호와 이상 신호의 데이터 비율이 상이한 문제점을 해결하기 위해서 각각의 신호 범주에 대해 동일한 개수의 특징 신호를 추출한다. 이를 위해 두 범주를 표현 하는 SOM 출력층의 뉴런 개수를 동일하게 설정하여 동일한 특징 신호를 얻을 수 있도록 하였다.
특징 신호 추출 부분에서 설명하였듯, 소수 범주 데이터인 이상 데이터의 개수인 50개에 맞추어 7×7 크기를 갖는 SOM 출력층을 설정하고 한 범주로부터 총 49개의 특징 신호를 추출 하였다.
특징 신호 추출 알고리즘의 성능을 평가하기 위하여 반도체 공정 신호를 이용한 실험을 진행하였다. 반도체 공정은 크게 웨이퍼 fabrication(이하 FAB 공정), probe 검사(probe test), 조립(assembly), 그리고 최종검사(final test) 등 4단계로 구성되는데(Uzsoy, et al.
각 신호의 일정 길이를 각 구간으로 누어 주었으며 이상 데이터는 공정의 특정구간(4,5구간) 에 함수식의 평균 변화를 주어 생성되었다. 평균 변화량은 0.1에서 1까지 0.1씩 증가시켜, 불균형 데이터에서의 작은 변화량부터 큰 변화량까지의 이상 탐지 성능의 민감 도를 측정해 볼 수 있도록 하였다.
이때 뉴런과의 대응을 위한 연결 고리로 설정되는 각각의가중치 벡터는 w_j = (w_j1,w_j2,⋯,w_jn ), j∈{1,2,⋯,N} 과 같다. 학습을 위해서 0에서 1사이의 정규화 된 값으로각 뉴런간의 연결 강도를 초기화하고 0에 가까운 임의의 값으로 가중치 벡터를 설정한다. 본 연구에서는 윤재준 등(2010)에서 제시한 것처럼 주기신호의 각 시점별로 샘플링 된 값을 입력벡터로 정의하였다.

대상 데이터

Step 신호는 주로 광전자 센서에서 측정되는 전압과 관련된 데이터이다. 두 번째 신호인 steep 신호(Type 2) 는 Diffusion 공정의 온도 센서에서 측정되는 데이터를 모사하였다. 세 번째 신호는 smooth 신호(Type 3)로써 photo-lithography 공정의 온도 데이터이다(한아향 등, 2010).
따라서 FAB 공정의 신호의 이상을 탐지하여 공정 장비를 관리하는 것은 반도체의 품질 향상에 큰 기여를 한다. 보안 문제로 인하여 반출하기 어려운 실제 공정 데이터를 사용하는 대신, 앞선 연구(Park, et al., 2011; 한아향 등, 2010)에서 사용된 반도체 공정 주기 신호 모사 데이터를 이용하였다.
실험 데이터는 실제 공정에서 발생하는 문제인 두 범주 데이터의 비율이 상이한 상황에 맞추어 불량률 5% 정도를 가정하고 1000개의 정상 데이터와 50개의 이상 데이터를 생성하였다. 각 신호의 일정 길이를 각 구간으로 누어 주었으며 이상 데이터는 공정의 특정구간(4,5구간) 에 함수식의 평균 변화를 주어 생성되었다.

데이터처리

각각 세 종류의 신호에서 평균 변화량에 따른 9개 이상데이터 집합을 만들어 정상 데이터 인식률, 이상 데이터 인식률, 기하학적 평균치를 비교하였고 이를 신호의 종류별로 그림 6, 7, 8에 나타내었다.
모든 이상 탐지 알고리즘과 마찬가지로 특징 신호 추출 기법을 이용한 이상탐지 알고리즘 또한 1종 오류(α)와 2종 오류(β) 모두를 줄이는 것을 목표로 한다. 다만 불균형 데이터에서의 성능 평가를 위해 일반적으로 데이터의 비율이 비슷한 경우에 성능 평가의 척도로 사용되는 전체 인식률(total accuracy) 대신 정상 데이터의 인식률과 이상 데이터의 인식률을 기반으로 한 기하학적 평균치 계산 방식인 G-Mean(Geometric Mean)을 이용하여 전체 데이터의 정확도를 측정하였다.
본 연구의 2장에서 불균형 문제를 해결하기 위한 특징 신호 추출 기법을, 3장에서 추출된 특징 신호에 대한 분류 기법을 제안한다. 본 연구를 통해 제안된 이상 탐지 방법을 반도체 공정 신호를 모사한 자료를 이용하여 기존의 방법과의 시뮬레이션 비교 분석 결과를 제시하고 결론을 정리하였다.

이론/모형

본 연구에서는 주기 신호 데이터의 특징 신호를 추출 하여 반도체 공정 불균형 데이터의 이상 탐지를 위한 방안을 제시하고자 한다. 기계학습 알고리즘 중 하나인 SOM (Self-Organizing Map) 알고리즘을 이용하여 기존의 정상 신호와 이상 신호를 기반으로 두 범주를 대표 할 수 있는 특징 신호(feature signal)를 추출한다. SOM 신경망의 뉴런(neuron)값을 기반으로 하여 이상 데이터와 정상 데이터의 비율을 맞춘 뒤 클래스 분류 기법을 적용하여 이상 탐지를 진행한다.
데이터의 범주 비율의 차이가 크게 나타나는 불균형 데이터는 각 범주를 구분하기에 난점이 있기에 이 비율을 맞추어 주는 전처리과정이 필요한데 이를 특징 신호 추출(feature signal extraction)이라 부른다. 앞서 언급한 것처럼 본 연구는 인공 신경망(artificial neural network) 의 일종인 SOM 알고리즘을 이용하여 특징 신호 추출 과정을 진행하였다.

성능/효과

이는 SOM 의 학습 과정 중 협동과 적응 과정을 거쳐 승자 뉴런에 대응되는 다수의 데이터를 해당 뉴런의 가중치 값으로 나타낼 수 있기 때문이다. 따라서 뉴런 값을 기반으로 한 특징 신호 추출 방식은 기존 과소 표본 추출 방식보다 데이터의 특징을 표현하는 데 있어서 뛰어나다고 할 수 있다.
다만 정상 신호의 인식률의 경우 특징 신호 추출 SVM 의 성능이 다소 좋지 못하다. 반면 추출된 특징 신호에 kNN 알고리즘을 적용한 결과가 보다 나은 성능을 보이는 것을 확인 할 수 있는데, SOM을 이용한 특징 신호의 경우 데이터 정보가 SOM을 통해 취합되어 나타나는 경향이 있으므로 사례 기반 학습 기법이 보다 나은 성능을 발휘할 수 있다고 판단된다. 일반적인 경우 공정에서의 이상탐지의 가장 큰 이유는 공정의 이상을 조기에 파악하여 불량의 생산을 방지하는 것이기에 이상 신호의 인식률이 높은 방법이 이상 탐지 기법으로 적합하다고 판단 할 수 있다.
불균형 데이터의 분류 성능의 척도인 G-Mean 값은 모든 신호의 전 구간에서 특징 신호 추출을 거쳐 SVM 학습을 수행한 분류기가 성능이 가장 뛰어남을 확인 할 수 있다. 이는 특징 신호 추출을 통하여 전체 데이터의 특징을 반영하여 각 범주가 가지고 있는 정보량을 동일하게 맞추어 SVM을 일반 자료에 적용한 것보다 높은 성능을 가짐을 확인 할 수 있다.
불균형 데이터의 분류 성능의 척도인 G-Mean 값은 모든 신호의 전 구간에서 특징 신호 추출을 거쳐 SVM 학습을 수행한 분류기가 성능이 가장 뛰어남을 확인 할 수 있다. 이는 특징 신호 추출을 통하여 전체 데이터의 특징을 반영하여 각 범주가 가지고 있는 정보량을 동일하게 맞추어 SVM을 일반 자료에 적용한 것보다 높은 성능을 가짐을 확인 할 수 있다. 또 일반적으로 SVM보다 인식률이 떨어지는 kNN 알고리즘의 경우에도 특징 신호 추출을 거쳐 사용한 경우 SVM과 필적하는 성능을 가짐을 확인 할수 있다.
추출된 특징 신호는 기존에 존재하는 데이터 분포의 특징을 잘 나타내는데 있어서 뛰어나다는 장점이 있다. 이를 이용하여 추출된 신호에 SVM과 kNN을 적용한 이상탐지 기법으로 불균형 데이터 상황에서 발생할 수 있는 문제를 해결하였다.

후속연구

제안한 SOM을 이용한 특징 신호를 추출하여 SVM을 적용하는 경우 정상 데이터의 인식률이 kNN의 인식률 보다 낮은 이유가 데이터의 특징 응집에 따른 현상이라 판단을 하였는데 이 부분에 대한 규명이 필요하다. SOM을 이용하여 추출한 특징 신호의 데이터 분포의 변형에 대한 연구가 진행되어야 정상 신호의 인식률을 증가시키는 것이 기대된다. 또한 다른 표본 샘플링 기법과의 비교분석을 통해 SOM을 이용한 특징 신호 추출 알고리즘의 다이나믹스 비교 분석은 향후 높은 인식률을 가지는 이상 탐지 알고리즘 개발에 도움이 될 것이다.
SOM을 이용하여 추출한 특징 신호의 데이터 분포의 변형에 대한 연구가 진행되어야 정상 신호의 인식률을 증가시키는 것이 기대된다. 또한 다른 표본 샘플링 기법과의 비교분석을 통해 SOM을 이용한 특징 신호 추출 알고리즘의 다이나믹스 비교 분석은 향후 높은 인식률을 가지는 이상 탐지 알고리즘 개발에 도움이 될 것이다.
제안한 SOM을 이용한 특징 신호를 추출하여 SVM을 적용하는 경우 정상 데이터의 인식률이 kNN의 인식률 보다 낮은 이유가 데이터의 특징 응집에 따른 현상이라 판단을 하였는데 이 부분에 대한 규명이 필요하다. SOM을 이용하여 추출한 특징 신호의 데이터 분포의 변형에 대한 연구가 진행되어야 정상 신호의 인식률을 증가시키는 것이 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	불균형 데이터란 무엇을 의미하는가?	본 연구는 공정신호가 불균형 데이터인 경우 이상 탐지 알고리즘의 성능 개선을 위한 특징 신호 추출 기법을 제안한다. 불균형 데이터란 범주 구분 문제에서 하나의 범주의 속하는 데이터의 비율이 다른 범주의 데이터에 비해 크게 차이나 이상 탐지성능이 크게 저하되는 경우를 의미한다. 공정이 운영되는 경우 얻을 수 있는 이상 신호의 수는 정상 신호에 비해 매우 적기에 이러한 문제를 해결하여 이상 탐지 기법을 적용하는 것은 매우 중요하다.
	공정 장비의 상태를 관리하기 위한 가장 전통적인 방법은 무엇인가?	공정 장비의 상태를 관리하기 위해서 다양한 방법들이 연구되었다. 가장 전통적인 방법으로는 단변량 SPC(Statistical Process Control) 관리도를 적용하는 것이다(Montgomery, 1996). 제품이 생산된 뒤에 만들어진 제품의 특성치, 예를 들면 제품의 길이, 무게, 농도 등 측정 가능한 변량을 계측하고 이들의 통계적 분포를 계산하여 공정이 항상성을 유지하고 있다고 말할 수 있는 정상범위에 있는지 그렇지 않은지를 판단하는 것이다.
	이상 탐지는 어떤 역할을 하는가?	반면 공정에 변화가 존재하는 경우 다른 신호 형태를 드러내는데 이를 이상(fault)이라 한다. 따라서 공정 주기 신호의 이상을 판단하여 공정을 점검하는 이상 탐지(fault detection)는 공정의 잠재적인 불량요인을 조기에 탐지하여 품질을 향상 시키는데 큰 역할을 차지한다.

참고문헌 (23)

강지훈, 김성범(2011), "붓스트랩을 활용한 이상원인변수의 탐지 기법", 한국품질경영학회, Vol. 39, No. 2, pp. 234-243.
강필성, 이형주, 조성준(2005), "데이터 불균형 문제에서의 SVM 앙상블 기법의 적용", 한국정보과학회 가을 학술발표논문집, Vol. 31, No. 2, pp. 706-708.
강필성, 조성준(2006), "데이터 불균형 해결을 위한 Under- Sampling 기반 앙상블 SVMs", 2006 대한산업공학회/한국경영과학회 춘계 공동학술대회.
박승환, 김준석, 박정술, 김성식, 백준걸(2010), "Support Vector Machine-Regression을 이용한 주기신호의 이상탐지", 품질경영학회지, Vol. 38, No. 3, pp. 354-362

원문보기 상세보기
오장민, 장병탁(2001), "불균형 데이터의 효과적 학습을 위한 커널 퍼셉트론 부스팅 기법", 한국정보과학회 봄 학술발표논문집, Vol. 28, No. 1, pp. 304-306.
윤재준, 박정술, 백준걸(2010), "SOM을 이용한 주기신호의 이상탐지 및 시각화", 2010 대한산업공학회 추계 학술대회.
이재현, 김지현, 황지빈, 김성식(2007), "웨이블릿을 이용한 주기 신호 데이터의 이상 탐지에 관한 연구", 한국시뮬레이션학회 논문지, Vol. 16, No. 4, pp. 13-22.

원문보기 상세보기
한아향, 박정술, 김성식, 백준걸(2010), "시불변 특징점 추출 및 정합을 이용한 주기 신호의 길이 보정 기법", 한국시뮬레이션학회 논문지, Vol. 19, No. 4, pp. 111-122.

원문보기 상세보기
한학용, 패턴인식 개론, 한빛미디어, 2009.
Chawla, N. V., Hall, L. O., Bowyer, K. W., and Kegelmeyer, W. P. (2002), "SMOTE : Synthetic Minority Over-Sampling Technique", Journal of Artificial Intelligence Research, Vol. 16, pp. 321-357.
Chawla, N. A., Lazarevic, A., Hall, L. O., Bowyer, K. W. (2003), "SMOTEBoost : Inproving Prediction of the Minority Class in Boosting", Proceeding of the 7th European Conference on Principles and Practice of Knowledge Discovery in Databases, Dubrovnik, Croatia, pp. 107-119.
Fayyad, U. M., Piatetssky-Shapiro, G., Smyth, P. and Uthurusamy, R. (1996), "Advances in Knowledge Discovery and Data Mining", AAA Press/MIT Press, California.
Hastie, T., Tibshirani, R. and Friedman, J. (2009), "The Elements of Statistical Learning', Springer.
Japkowicz, N. (2000), "The Class Imbalance Problem : Significance and Strategies", Proceedings of the 2000 International Conference on Artificial Intelligence, Special Track on Inductive Learning, Las Vegas, Nevada.
Kohonen, T. (1982), "Self-organized formation of topologically correct feature maps", Biological Cybernetics, Vol. 43, No. 1, pp. 59-69.

상세보기
Kang, P. S. and Cho, S. J. (2006), "EUS SVMs : Ensemble of under-sampled SVMs for Data Imbalance Problems", 13th International Conference on Neural Information Processing, Part I, ser. Lecture Notes in Computer Science, Hong Kong, China, Vol. 4232, pp. 837-846.
Laurikkala, J. (2001), "Improving Identification of Difficult Small Classes by Balancing Class Distribution", Tech Rep. A-2001-2, University of Tampere.
Mahalanobis, P. C. (1936), "On the generalised distance in statistics", Proceedings of the National Institute of Sciences of India, Vol. 2, No. 1, pp. 49-55.
Montgmery, D. C. (1996), "Introduction to statistical quality control.", 3rd edition, John Wiley and Sons, Inc.
Park, J., Kwon, I. H., Kim, S. S., Baek, J. G. (2011), "Spline regression based feature extraction for semiconductor process fault detection using support vector machine", Expert Systems with Applications, Vol. 38, No. 5, pp. 5711-5718.

상세보기
Shi, J. and Jin, J. (2000), "Diagnostic feature extraction from stamping tonnage signals based on design of experiments", Journal of Manufacturing Science and Engineering, Vol. 122, No. 2, pp. 360-369.

상세보기
Sun, Y., Kamel, M. S., Wong, A. K. C. and Wang, Y. (2007), "Cost-sensitive boosting for classification of imbalanced data", Pattern Recognition, Vol. 40, No. 12, pp. 3358-3378.

상세보기
Uzsoy, R., Lee, C., and Martin-Vega, L. A. (1992), "A Review of Production Planning and Scheduling models in the semiconductor industry PART I: System characteristics, Performance Evaluation and Production Planning", IIE Transactions, Vol. 24, No. 4, pp. 47-60.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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