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
- 해의 우수성에 대하여는 부정적 선택이나 복제선택 기법의 경우 명백하게 우수하다고 판정하지 못하였으며, 면역네트워크에 대하여는 연산속도가 우수한 것으로 보고된바 최적화 문제에서 적합한 인공면역시스템을 설계하는 것이 중요하다고 판단하였다. 또한 면역시스템의 비교 분석한 논문 등을 혼성한 논문들은 각 분야의 장점을 공유하기 위한 것으로서 새로운 생물학적 연구 결과가 인공면역시스템의 효과성을 높여줄 것이라고 제시하였다. 따라서 인공면역시스템의 면역네트워크는 분산적 의사 결정 구조를 가지고 있으므로 분산적인 시스템 전체의 효율을 최적화 해야하는 문제에 이용한다면 효과가 있을 것으로 판단된다고 제시하였다.
- 본 연구는 해양 USN 환경에서 수질환경의 온라인 정상・비정상 상태를 구분하기 위한 기법을 제안하였다. 이를 위해 자가 집합 정의가 필요하다.
- 본 연구에서는 인공면역시스템 기법을 활용하여 해양 USN 환경의 해양 수질 환경 인자의 정상・비정상 상태를 구별하는 기법을 제안 한다. 정상 및 비정상 상태를 구별하는 것은 인공 면역시스템의 부정선택 기법을 활용한다.
- 특히 해양 USN 환경에서는 해양변화의 모니터링을 기반으로 한다. 해양의 환경을 모니터링하기 위해 용존산소, 염도, 또는 해수온도 등 데이터를 수집하고, 이 데이터를 분석하는 것이 주요 핵심이다. 청수대, 냉수대와 같이 급격한 해양 환경 변화에 대해 효과적으로 대응하기 위해, 해양 USN 환경에서 수집된 정보가 정상 인자인지 비정상 인자인지 수질환경 인자의 변화를 구별하는 것은 매우 중요하다.
가설 설정
- 측정은 매분 측정되었으나 1일 변화가 크지 않기 때문에 본 연구에서는 측정된 값의 평균을 산출하여 그 날의 측정치로 하였다. 또한 일반성에 위배됨이 없이 2009년과 2010년에 측정된 데이터는 특이한 해양 환경 변화가 없다고 판단하고 해양의 정상 상태를 의미한다고 가정하였다. 한편, 센서의 관리 과정에서 측정된 이상 데이터는 실험을 위해 제외하였다.
제안 방법
- 2009년 데이터에 대한 상태 데이터 돌연변이를 기반으로 생성한 자기 집합을 기반으로 2010년 데이터의 진실 긍정 비율을 평가하였다. 결과는 다음 그림과 같다.
- 3장에서 제시한 자가 집합을 활용한 해양환경 모니터링을 수행하기 위해, 2010년 데이터에 대해 100% 진실 긍정 비율을 가질 수 있는 ψ를 결정하기 위한 실험을 수행하였다.
- 가우시안 함수 및 돌연변이 상수 ψ를 활용한 자가 집합 정의 방법으로, 본 연구에서는 두 가지 접근 방법을 제시하였다.
- 해양수질 환경 데이터의 자기 집합을 생성하기 위해, 먼저 단위 데이터 돌연변이를 생성해야한다. 가우시안 함수를 기반으로 한 돌연변이를 위해 다음과 같이 각 데이터 인자에 대한 확률분포를 분석하였다.
- 그리고 각기 역할을 수행하는 로봇들이 모여 전체적인 시스템을 구성하게 된다. 각 로봇들의 협조 행동에 관한 문제는 면역시스템의 T 세포와 B 세포의 상호 커뮤니케이션을 통하여 유전자의 재결합이나 돌연변이로 인한 항체 생산 등 면역시스템의 정보처리 메카니즘을 모델링하였다. 그리고 각 로봇들이 환경변화에 대응하여 작업의 효율성을 높이기 위한 학습 알고리즘으로 분산 유전자 알고리즘을 확장함에 따라서 인공 면역네트워크로 작업을 탐색하는데 빠르게 수행하기 위한 전역행동과 탐색된 작업에 대한 로봇들의 협조행동에 대한 학습 결과를 수행하는 지역행동의 상호작용으로 적응성이 향상된 로봇 자율분산시스템을 구성하였다.
- 먼저 단위 데이터의 돌연변이에 의한 자가 집합인 #에 대한 해양 환경 모니터링은 다음 그림과 같다. 각각 입력된 현재 수질 환경 데이터 각각에 대한 해당 인자의 자가 집합과 비교하여 자가 집합내에 속하는지를 판단한다. 각 요소가 해당 자가 집합에 속하면 현재 해양 수질 상태는 정상으로 판정한다.
- 검열 단계는 변화 - 자기・비자기 집합(change-detectors)을 준비한다. 감시 단계에서, 검열단계에서 생성된 자기・비자기 집합을 사용하여 변화를 감시 한다. 확장하여 생성된 자기집합과 새로운 자기가 일치 되면 모니터링 과정에서 비정상으로 추출되어 버려지고 일치하지 않는다면 유용한 자기집합에 추가된다.
- 각 로봇들의 협조 행동에 관한 문제는 면역시스템의 T 세포와 B 세포의 상호 커뮤니케이션을 통하여 유전자의 재결합이나 돌연변이로 인한 항체 생산 등 면역시스템의 정보처리 메카니즘을 모델링하였다. 그리고 각 로봇들이 환경변화에 대응하여 작업의 효율성을 높이기 위한 학습 알고리즘으로 분산 유전자 알고리즘을 확장함에 따라서 인공 면역네트워크로 작업을 탐색하는데 빠르게 수행하기 위한 전역행동과 탐색된 작업에 대한 로봇들의 협조행동에 대한 학습 결과를 수행하는 지역행동의 상호작용으로 적응성이 향상된 로봇 자율분산시스템을 구성하였다. 이러한 시스템을 구현하기 위해서 전역행동에서의 매우 중요한 문제는 주변에서 탐색된 작업과 로봇들을 모으는 과정이다.
- 먼저 항원전달세포가 허용 조건이 정상인지 비정상인지 사전 제시를 하고 그로인해 자기를 검출한다. 그리고 부정선택을 이용하여 허용조건 집합을 생성하여 비자기 발생 시 에러 검출을 한다. 이때 1차적으로 검출이 안 된 세포들은 부정선택과 항체의 다양성 원리에 의해 새롭게 생성된 허용조건을 통해 비자기로 구분되는 장점을 가지고 있다.
- 비정상에 대한 식별을 하기 위해, 해양 USN 환경에서 대량의 해양 수질 환경 데이터는 특정 상태를 의미하는 상수화된 점(Point) 정보이다. 때문에 해양 수질 환경 인자의 정상・비정상 상태를 구별하기위해 자기 상태를 정확하게 반영할 수 있는 데이터 돌연변이의 자가 집합을 생성하고 이를 활용하여 해양 수질 환경 인자에 대해 모의실험을 수행한다. 따라서 본 논문에서는 인공면역시스템의 적응적 면역기법과 돌연변이 확장을 통하여 급격한 변화에 따른 해양 수질 환경 인자의 비정상을 효과적으로 탐지 할 수 있으며 해양 USN 환경의 온라인 시스템에서 탐지가 가능하다.
- 이 알고리즘은 면역시스템에서의 항체의 다양성(antibody diversity) 원리와 항원전달세포를 이용하여 허용조건을 생성하고 생성된 허용조건으로 자기와 비자기를 구분하였다. 먼저 항원전달세포가 허용 조건이 정상인지 비정상인지 사전 제시를 하고 그로인해 자기를 검출한다. 그리고 부정선택을 이용하여 허용조건 집합을 생성하여 비자기 발생 시 에러 검출을 한다.
- 본 연구에서 제시한 자가 집합 정의를 통해 생성된 정보와 판단기법을 해양 수질 센서 로거단에 설치함으로써, 온라인으로 해양 수질 환경을 모니터링하고 비정상 인자를 식별 할 수 있다.
- 부정선택에서 활용하는 방법으로 새로이 생성된 데이터가 자가 집합에 속하지 않는 경우 새로운 자가 집합에 포함 시키는 기법이다. 본 연구에서는 자가 집합인 학습 데이터를 기반으로 돌연변이를 활용하여 확장한다. 이는 현재 자가 상태의 정보를 활용하면서 타당한 값을 새로운 자가 상태의 원소로 정의하기 위함이다.
- [10]에서는 고장허용(fault-tolerant) 하드웨어에서 가장 기본이 되는 온라인 하드웨어 테스트 시스템 구현을 위하여 자동 고장 검출 기능을 가진 알고리즘이제안되었다. 이 알고리즘은 면역시스템에서의 항체의 다양성(antibody diversity) 원리와 항원전달세포를 이용하여 허용조건을 생성하고 생성된 허용조건으로 자기와 비자기를 구분하였다. 먼저 항원전달세포가 허용 조건이 정상인지 비정상인지 사전 제시를 하고 그로인해 자기를 검출한다.
- 이때, 해양 수질 인자들인 수온, 염도, DO, pH는 서로 다른 단위를 갖는 수치 정보이기 때문에 이를 정리하기 위해 Z-score로 변환하고 변환된 데이터에 대한 논리곱을 수행하고 이를 기반으로 상태 데이터 돌연변이를 수행하였다. 이때 획득한 자가 집합을 기반으로 2010년 데이터에 대한 모니터링을 수행하였다. 한편, 입력되는 데이터 또한 Z-score의 변환을 수행하였으며 이 과정에서 지속적으로 입력되는 데이터 관점에서 평균과 표준편차를 2009년 데이터를 활용하였다.
- 다음으로 해양 수질 데이터들에 대한 논리곱 관점에서 실험하였다. 이때, 해양 수질 인자들인 수온, 염도, DO, pH는 서로 다른 단위를 갖는 수치 정보이기 때문에 이를 정리하기 위해 Z-score로 변환하고 변환된 데이터에 대한 논리곱을 수행하고 이를 기반으로 상태 데이터 돌연변이를 수행하였다. 이때 획득한 자가 집합을 기반으로 2010년 데이터에 대한 모니터링을 수행하였다.
- 이는 현재 자가 상태의 정보를 활용하면서 타당한 값을 새로운 자가 상태의 원소로 정의하기 위함이다. 이를 위해 해양 수질 환경의 단위 데이터에 대한 돌연 변이와 이들 요소들이 논리곱적 특성을 반영한 돌연변이 방법과 이를 통한 해양 수질 환경 데이터의 정상 상태 집합을 정의한다.
- 센서로 수집된 대량의 해양 수질 환경 인자는 특정 상태를 의미하는 상수화 된 점 정보로 되어있기 때문에 정상・비정상에 대한 식별을 수행하기 위한 정보로서 부족하다. 이를 해결하기 위해 자가 집합 정의 과정에서 돌연변이를 적용하였다. 즉, 특정 상태정보를 범위로 모델링하기 위한 기법으로 단위 데이터 돌연변이를 통해 자가 집합을 생성하였다.
- 이를 해결하기 위해 자가 집합 정의 과정에서 돌연변이를 적용하였다. 즉, 특정 상태정보를 범위로 모델링하기 위한 기법으로 단위 데이터 돌연변이를 통해 자가 집합을 생성하였다. 이를 위해 가우시안 함수를 기반으로 하였다.
- 측정된 데이터는 2009년에서 2010년 데이터이며 측정 정보는 수온, 염도, 용존산소(DO), pH이다. 측정은 매분 측정되었으나 1일 변화가 크지 않기 때문에 본 연구에서는 측정된 값의 평균을 산출하여 그 날의 측정치로 하였다. 또한 일반성에 위배됨이 없이 2009년과 2010년에 측정된 데이터는 특이한 해양 환경 변화가 없다고 판단하고 해양의 정상 상태를 의미한다고 가정하였다.
- 이는 해양 USN 환경에서 해양 수질 환경 인자를 정상에 포함시키기 위해 데이터 돌연변이의 자가 집합 생성과정과 유사하다. 항원전달세포와 항체의 다양성 원리는 부정선택 알고리즘을 활용하기위한 효과적인 조건을 통해 본 연구에서는 데이터 돌연변이를 부정선택한 후 자기를 검출해서 생성된 자가 집합과 임의의 데이터를 비교하여 조건에 맞는 새로운 탐지기 집합을 생성할 수 있다.
- 해양 USN 환경에서 측정된 데이터를 기반으로 실험을 수행하였다. 고흥 지역에 YSI사의 센서[13]로 장기간 안정적인 해양 환경 측정을 위해, 광기반의 용존산소 측정기를 포함하고 있다.
대상 데이터
- 2009년 데이터를 기반으로 단위 데이터 돌연변이의 자가 집합을 생성한 후 이를 기반으로 2010년 데이터에 대한 실험을 수행하였다. 먼저 Ψ 값이 1일 경우를 고려하였다.
- 한편, 센서의 관리 과정에서 측정된 이상 데이터는 실험을 위해 제외하였다. 인공면역 시스템을 활용한 해양 환경의 정상 및 비정상 구분을 위해 본 연구에서는 다음과 같은 데이터를 학습과 검증을 위한 데이터로 사용한다.
- 고흥 지역에 YSI사의 센서[13]로 장기간 안정적인 해양 환경 측정을 위해, 광기반의 용존산소 측정기를 포함하고 있다. 측정된 데이터는 2009년에서 2010년 데이터이며 측정 정보는 수온, 염도, 용존산소(DO), pH이다. 측정은 매분 측정되었으나 1일 변화가 크지 않기 때문에 본 연구에서는 측정된 값의 평균을 산출하여 그 날의 측정치로 하였다.
- 이때 획득한 자가 집합을 기반으로 2010년 데이터에 대한 모니터링을 수행하였다. 한편, 입력되는 데이터 또한 Z-score의 변환을 수행하였으며 이 과정에서 지속적으로 입력되는 데이터 관점에서 평균과 표준편차를 2009년 데이터를 활용하였다. 본 실험에서 2010년 데이터 전체를 알고 있지만 실제 환경에서 활용하기 위해 2009년의 평균과 표준편차를 활용하였다.
데이터처리
- 다음으로 해양 수질 데이터들에 대한 논리곱 관점에서 실험하였다. 이때, 해양 수질 인자들인 수온, 염도, DO, pH는 서로 다른 단위를 갖는 수치 정보이기 때문에 이를 정리하기 위해 Z-score로 변환하고 변환된 데이터에 대한 논리곱을 수행하고 이를 기반으로 상태 데이터 돌연변이를 수행하였다.
- 한편, 입력되는 데이터 또한 Z-score의 변환을 수행하였으며 이 과정에서 지속적으로 입력되는 데이터 관점에서 평균과 표준편차를 2009년 데이터를 활용하였다. 본 실험에서 2010년 데이터 전체를 알고 있지만 실제 환경에서 활용하기 위해 2009년의 평균과 표준편차를 활용하였다.
이론/모형
- 인공면역시스템은 다양한 응용분야에서 문제들에 대한 해결 방안들을 제공하고 있다. 본 연구에서도 해양 수질 환경을 하나의 거대한 면역체계로 보고, 인공면역시스템의 기법을 활용한다.
- 이를 위해 자가 집합 정의가 필요하다. 수질환경의 정상 상태 집합을 정의하기 위해 인공면역시스템의 부정선택 메카니즘을 활용하였다. 센서로 수집된 대량의 해양 수질 환경 인자는 특정 상태를 의미하는 상수화 된 점 정보로 되어있기 때문에 정상・비정상에 대한 식별을 수행하기 위한 정보로서 부족하다.
- 즉, 특정 상태정보를 범위로 모델링하기 위한 기법으로 단위 데이터 돌연변이를 통해 자가 집합을 생성하였다. 이를 위해 가우시안 함수를 기반으로 하였다.
- 이러한 시스템을 구현하기 위해서 전역행동에서의 매우 중요한 문제는 주변에서 탐색된 작업과 로봇들을 모으는 과정이다. 이를 항원으로 하고 전역행동을 항체로 하여 면역네트워크 방정식을 적용하는 반면 해양 USN 환경에서는 전역행동과 같은 역할을 부정선택기법을 사용하였으며 이를 수행하는 지역행동의 역할로서 자가 집합인 학습데이터를 기반으로 가우시안 돌연변이 기법을 적용하였다. 그러므로 다양한 해양환경의 변화에 대처하기 위한 데이터 돌연변이를 통해 변화에 유연하고 강한 정상 인자를 구별할 수 있다.
성능/효과
- (Ⅰ) T 세포는 항원을 직접 인식하지 못하므로 항원전달세포에 의해 항원을 인식하는 과정이다. (Ⅱ) 항원전달세포가 항원을 섭취하고 단백질(Peptide) 조각들로 이루어진 항원은 합성된 단백질 조각을 그 세포의 표면에 보여주는 주조직 적합 복합체(Major Histocompatibility Complex) 분자와 반응하여 항원전달세포의 표면에 주조직 적합 복합체와 단백질 복합체로 발생한다. (Ⅲ)T 세포가 항원전달세포를 인식 하면 (Ⅳ)활성화 된 T 세포가 특정 단백질인림포카인(lymphokine)을 분비함으로써 면역 반응을 활성화 시키며 T 세포에 의해 B 세포도 활성화가 된다.
- 때문에 해양 수질 환경 인자의 정상・비정상 상태를 구별하기위해 자기 상태를 정확하게 반영할 수 있는 데이터 돌연변이의 자가 집합을 생성하고 이를 활용하여 해양 수질 환경 인자에 대해 모의실험을 수행한다. 따라서 본 논문에서는 인공면역시스템의 적응적 면역기법과 돌연변이 확장을 통하여 급격한 변화에 따른 해양 수질 환경 인자의 비정상을 효과적으로 탐지 할 수 있으며 해양 USN 환경의 온라인 시스템에서 탐지가 가능하다.
- 또한 시스템의 한계를 극복하기 위해 허용조건의 수를 줄임으로서 효율적인 하드웨어 시스템 구현이 가능하며 비자기 탐색율도 높일 수 있다. 또한 더 많은 비자기 탐지를 위해 항체 생성을 항원전달세포 콰인-맥클러스키(Quine-McClus key)방식으로 구현함으로써 항체를 가장 최적으로 생성할 수 있다는 연구결과를 발표하였다. 이는 해양 USN 환경에서 해양 수질 환경 인자를 정상에 포함시키기 위해 데이터 돌연변이의 자가 집합 생성과정과 유사하다.
- 이때 1차적으로 검출이 안 된 세포들은 부정선택과 항체의 다양성 원리에 의해 새롭게 생성된 허용조건을 통해 비자기로 구분되는 장점을 가지고 있다. 또한 시스템의 한계를 극복하기 위해 허용조건의 수를 줄임으로서 효율적인 하드웨어 시스템 구현이 가능하며 비자기 탐색율도 높일 수 있다. 또한 더 많은 비자기 탐지를 위해 항체 생성을 항원전달세포 콰인-맥클러스키(Quine-McClus key)방식으로 구현함으로써 항체를 가장 최적으로 생성할 수 있다는 연구결과를 발표하였다.
- 제시한 결과를 통해, 2010년 데이터는 2009년에 비해 pH의 변화는 거의 없지만 염도, DO, 수온 순으로 변화가 많았음을 분석할 수 있다. 이는 2010년 데이터를 설명하기 위해 2009년 데이터의 특성을 얼마나 더 변화해야(즉, 돌연변이 해야)하는 지를 의미한다.
- [5]에서는 인공면역시스템을 활용한 최적화 알고리즘에 대한 새로운 방법을 제안하였다. 친화도 측정(affinity measurement)방식과 매칭 함수(matching function)를 통해 값을 측정할 때 해밍 거리(Hamming distance), 다중 인접 비트 규칙(Multiple contiguous bit rule), 가중치 거리(weighed distance) 세 가지 방식으로 살펴본 결과 다중 인접 비트 규칙의 경우가 인공 면역기반 최적화 알고리즘 중 가장 좋은 값을 가짐을 제시하였다. 또한 해밍 거리와 다중 인접 비트 규칙의 경우 항체-항원 간의 매치 횟수가 많다고 최적해가 좋아지는 것은 아님을 제시하였다.
후속연구
- 향후 연구과제로, 해양 UNS 환경에서 지속적인 ψ 값의 변화량을 관찰하기 위한 더 많은 데이터 수집이 필요하다. 또한 수집된 데이터 분석을 하기 위한 기법으로 인공면역시스템의 클로널 선택 기법이나 위험이론 등을 고려한 수질 데이터의 특성을 분석할 계획이다.
- 향후 연구과제로, 해양 UNS 환경에서 지속적인 ψ 값의 변화량을 관찰하기 위한 더 많은 데이터 수집이 필요하다. 또한 수집된 데이터 분석을 하기 위한 기법으로 인공면역시스템의 클로널 선택 기법이나 위험이론 등을 고려한 수질 데이터의 특성을 분석할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.