[논문]DBSCAN 기반의 제조 공정 데이터 불량 위치의 검출

최은석; 김정훈; 아지즈 나스리디노프; 이상현; 강정태; 류관희

doi:10.5392/jkca.2017.17.07.182

DBSCAN 기반의 제조 공정 데이터 불량 위치의 검출
Detection of the Defected Regions in Manufacturing Process Data using DBSCAN 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.17 no.7, 2017년, pp.182 - 192

최은석 (충북대학교 컴퓨터과학) , 김정훈 (충북대학교 컴퓨터과학) , 아지즈 나스리디노프 (충북대학교 컴퓨터과학) , 이상현 ((주)유라) , 강정태 ((주)유라) , 류관희 (충북대학교 컴퓨터과학)

초록
AI-Helper

제조 산업은 국가 경제 성장의 원동력으로 그 중요성이 부각되고 있다. 이에 따라 제조 공정상에서 생성되는 제조 데이터 분석의 중요성 또한 조명 받고 있다. 본 논문에서는 PCB(Printed Circuit Board) 제조 공정에서 발생한 로그 데이터를 분석하여 PCB 상에서 빈번하게 발생하는 고장 영역에 대해서 작업자가 고장 영역을 직접 눈으로 볼 수 있도록 시각화하는 방법을 제안한다. 우선 고장 영역을 파악하기 위해서 PCB 공정 데이터 집합에 K-means, DB-SCAN 클러스터링 알고리즘을 적용하여 군집화 하였고, 두 알고리즘 중 더 정확한 고장 영역을 도출하는지 비교하였다. 또한 MVC(Model-View-Controller) 구조 시스템을 개발하여 실제 PCB 이미지 상에 클러스터링 결과를 출력하는 것으로 실제 고장영역을 눈으로 확인할 수 있도록 시각화하였다.

Abstract ▼ AI-Helper

Recently, there is an increasing interest in analysis of big data that is coming from manufacturing industry. In this paper, we use PCB (Printed Circuit Board) manufacturing data to provide manufacturers with information on areas with high PCB defect rates, and to visualize them to facilitate production and quality control. We use the K-means and DBSCAN clustering algorithms to derive the high fraction of PCB defects, and compare which of the two algorithms provides more accurate results. Finally, we develop a system of MVC structure to visualize the information about bad clusters obtained through clustering, and visualize the defected areas on actual PCB images.

주제어

표/그림 (22)

그림 그림 1. 연도별 산업혁명의 포인트[3]
그림 그림 2. K-means 진행 순서도
그림 그림 3. 불량 위치 검출 시스템 흐름도
표 표 1. 제조공정 데이터 수집주기
표 표 2. PCB연관 1번 공정 detail 데이터 테이블
표 표 3. PCB연관 1번 공정 header 데이터 테이블
그림 그림 4. PCB 1번 공정 데이터 집합 산점도
그림 그림 5. PCB 2번 공정 데이터 집합 산점도
표 표 4. PCB연관 2번 공정 detail 데이터 테이블
표 표 5. PCB연관 2번 공정 header 데이터 테이블
그림 그림 6. K-means 클러스터링 결과
그림 그림 7. Ε=0.09, τ=200
그림 그림 9. Ε=0.08, τ=200
그림 그림 8. Ε=0.09, τ=280
그림 그림 10. Ε=0.08, τ=280
그림 그림 11. Ε=0.7, τ=250
그림 그림 12. Ε=0.7, τ=200
그림 그림 13. Ε=0.65, τ=250
그림 그림 14. Ε=0.65, τ=200
그림 그림 15. PCB 1공정 시각 고도화
그림 그림 16. PCB 2공정 시각 고도화
표 표 6. 성능평가 결과 표

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 데이터마이닝 클러스터링 기법들을 사용하여 현 제조업 설비 데이터에 적합한 클러스터링 방법을 찾기 위해 성능을 비교분석한다. DBSCAN (Density-based spatial clustering of applications with noise), K-means 알고리즘을 사용해 제조 프로세스상의 PCB (Printed Circuit Board)[6] 에 컴포넌트들을 장착하는 공정과 컴포넌트 장착이 올바른 위치에 있는지, 외관 상황을 파악하는 AOI(Automatic Optical inspection) 공정의 설비데이터들을 확보하고 PCB에 장착한 각 컴포넌트들의 좌표 데이터를 활용해 불량이 일어난 데이터들을 군집화 및 가시화해 불량 컴포넌트의 위치를 작업자들이 쉽게 파악할 수 있도록 하는 것이 목표이며 연구의 진행 순서는 다음과 같다.
현재 한국의 제조 산업에서는 불량률 관리나 생산율 최적화 관리에 많은 관심을 쏟고 있지만 제품을 작동시키는 핵심적인 역할을 하는 PCB의 컴포넌트들의 주요 불량 발생위치와 빈도에 대한 시각 고도화는 이루어지지 않고 있다. 본 논문에서는 제조 데이터에 대한 사전지식과 데이터 분석에 대한 전문지식을 가지지 못한 사용자에게 시각 고도화된 분석 결과를 제공함으로써 PCB에 장착된 컴포넌트들의 주요 불량발생 위치와 빈도를 쉽게 파악해 우발적인 상황에 즉각적인 대처를 할 수 있도록 한다. 따라서 현재 제조업에서 PCB 컴포넌트 장착 공정 및 컴포넌트 장착이 올바른 위치에 있는지, 외관 상황을 파악하는 AOI (Automatic Optical inspection) 공정들의 설비 데이터에 포함된 PCB에 장착된 컴포넌트들의 좌표 데이터 집합을 대상으로 데이터 마이닝 기법 중 하나인 클러스터링을 수행하고 결과를 가시화[10] 하는 시스템을 설계하였다.
본 연구는 데이터마이닝 클러스터링 기법들을 사용하여 현 제조업 설비 데이터에 적합한 클러스터링 방법을 찾기 위해 성능을 비교분석한다. DBSCAN (Density-based spatial clustering of applications with noise), K-means 알고리즘을 사용해 제조 프로세스상의 PCB (Printed Circuit Board)[6] 에 컴포넌트들을 장착하는 공정과 컴포넌트 장착이 올바른 위치에 있는지, 외관 상황을 파악하는 AOI(Automatic Optical inspection) 공정의 설비데이터들을 확보하고 PCB에 장착한 각 컴포넌트들의 좌표 데이터를 활용해 불량이 일어난 데이터들을 군집화 및 가시화해 불량 컴포넌트의 위치를 작업자들이 쉽게 파악할 수 있도록 하는 것이 목표이며 연구의 진행 순서는 다음과 같다.
본 연구에서는 DBSCAN 기반의 제조 공정 데이터의 불량 위치의 검출에 대한 방법을 제안했다. K-means 와 DBSCAN 클러스터링 알고리즘을 통해 제조업 PCB 관련 2공정 데이터를 기반으로 어떤 클러스터링 알고리즘이 PCB의 불량 위치를 더 효과적으로 분할하고, 불량 밀집 구역을 더 잘 표현할 수 있는지 실험하였고, 가장 최적의 클러스터를 형성하기 위한 파라미터 값을 결정하기 위한 성능평가 또한 실험을 통해 수행하였다.
본 연구에서는 이러한 데이터를 기반으로 제조공정의 PCB Component들을 장착해주는 공정 및 Component가 올바른 위치에 장착되었는지, 외관 상황을 파악하는 공정을 위해 비지도 학습 클러스터링 알고리즘인 K-means, DBSCAN을 적용하여 어느 알고리즘이 실무자들에게 더욱 효율적이고 정확하게 PCB Component들의 불량 위치를 나타내는지 실험한다.
따라서 현재 제조업에서 PCB 컴포넌트 장착 공정 및 컴포넌트 장착이 올바른 위치에 있는지, 외관 상황을 파악하는 AOI (Automatic Optical inspection) 공정들의 설비 데이터에 포함된 PCB에 장착된 컴포넌트들의 좌표 데이터 집합을 대상으로 데이터 마이닝 기법 중 하나인 클러스터링을 수행하고 결과를 가시화[10] 하는 시스템을 설계하였다. 이를 위해서 시스템에 가장 적합한 클러스터링 방법을 선택하기 위한 연구 또한 병행하였다. 3.

제안 방법

08이며 minPts 값이 200이었을 때 균질도가 가장 높게 나타나 이를 실제 1공정 결과에 적용시켰다. 2공정에서의 DBSCAN 알고리즘은 epsilon 값이 0.7이며, minPts 값이 200인 경우에 균질도가 가장 높게 나타났고 이를 2공정 결과에 적용시켰다. K-means 알고리즘의 경우 노이즈 데이터를 식별할 수 없고, 불량 밀집구역을 식별할 수 없었기 때문에 결과 적용에서 제외하였다.
본 연구에서는 DBSCAN 기반의 제조 공정 데이터의 불량 위치의 검출에 대한 방법을 제안했다. K-means 와 DBSCAN 클러스터링 알고리즘을 통해 제조업 PCB 관련 2공정 데이터를 기반으로 어떤 클러스터링 알고리즘이 PCB의 불량 위치를 더 효과적으로 분할하고, 불량 밀집 구역을 더 잘 표현할 수 있는지 실험하였고, 가장 최적의 클러스터를 형성하기 위한 파라미터 값을 결정하기 위한 성능평가 또한 실험을 통해 수행하였다.
[표 2]는 제조업의 PCB 검사 연관 공정의 두 번째 항목인 detail 데이터 속성들로서 31개의 데이터 속성이 존재하지만, 본 연구에서 제안 하는 방법에 사용하는 최적화된 데이터를 얻기 위해서 데이터 전처리 과정을 거쳐 3가지의 속성만을 추출하였다. 전 처리된 공정 데이터 속성 중에 컴포넌트의 좌표를 나타내는 속성은 존재하지 않는다.
[표 3]은 PCB 외관 검사 공정의 header 테이블의 속성 9개 중 데이터 전처리를 통해 [표 2]의 각 제품코드별 C컴포넌트의 불량 유/무를 파악하기 위한 최소한의 속성 3가지만 추출하였다. 마찬가지로 1열은 PCB 제품의 식별을 위한 개별코드를 나타내며, 2열은 불량 유무를 나타내는 결과 필드이다.
[표 6]은 실험 단계에서 수행했던 K-means, DBSCAN 알고리즘 데이터 집합을 활용하여 클러스터링 결과 성능 판별과 실제 데이터에 적용하기 위해 각 알고리즘별, 각 공정별, 각 파라미터 별로 나누어 균질도와 수행 시간을 측정했다. 결과적으로 1공정에서의 DBSCAN 알고리즘은 epsilon 값이 0.
가장 적합하다고 판단되는 알고리즘을 선택해 PCB 이미지에 매핑시켜 실제로 어느 부분에서 불량 군집이 형성되는지 확인할 수 있도록 MVC 기반의 시스템을 구축해 가시화한다.
본 논문에서는 제조 데이터에 대한 사전지식과 데이터 분석에 대한 전문지식을 가지지 못한 사용자에게 시각 고도화된 분석 결과를 제공함으로써 PCB에 장착된 컴포넌트들의 주요 불량발생 위치와 빈도를 쉽게 파악해 우발적인 상황에 즉각적인 대처를 할 수 있도록 한다. 따라서 현재 제조업에서 PCB 컴포넌트 장착 공정 및 컴포넌트 장착이 올바른 위치에 있는지, 외관 상황을 파악하는 AOI (Automatic Optical inspection) 공정들의 설비 데이터에 포함된 PCB에 장착된 컴포넌트들의 좌표 데이터 집합을 대상으로 데이터 마이닝 기법 중 하나인 클러스터링을 수행하고 결과를 가시화[10] 하는 시스템을 설계하였다. 이를 위해서 시스템에 가장 적합한 클러스터링 방법을 선택하기 위한 연구 또한 병행하였다.
본 실험에서는 주어진 제조공정의 PCB Component 위치 및 불량 여부 데이터 집합에 K-means, DBSCAN 클러스터링 알고리즘 적용하여 어떤 알고리즘이 더 정확하고 효율적인 클러스터링 결과를 도출하는지 비교하였다.
본 연구에서 구현된 결과는 두 가지 제조공정 데이터 중 PCB 연관 공정에 대한 불량 밀집구역 가시화를 [그림 3]의 제안하는 시스템을 기반으로 구현했으며, GUI 환경에서 사용자가 공정을 선택할 수 있도록 구현 하였다. 결과는 [그림 15], [그림 16]과 같다.
K-means 알고리즘을 수행하기 위해서는 형성할 클러스터의 개수를 사용자가 지정해야한다. 본 연구에서는 K 값을 3으로 고정하고, 데이터의 집합을 10000개에서 20000개로 변화를 주면서 각각의 데이터 집합에 대해 실험을 진행하였다.
대신 코어 포인트로부터의 반경 값인 epsilon과 반경 내의 최소 데이터 포인트 개수 값인 minPts를 설정해야한다. 본 연구에서는 총 10000개의 공정 데이터를 가지는 PCB 공정 데이터 집합에 epsilon 값을 0.09로 고정하고, minPts 값을 각각 200, 280으로 변경하며 실험을 진행하였다. 다음 [그림 7], [그림 8]은 DBSCAN 알고리즘을 수행한 결과이다.
클러스터링 알고리즘에 사용될 데이터 집합은 실제 제조공장에서 수집되어진 공정 설비 데이터로 대상 제조업체에서는 설비 데이터, LEGACY(POP, MES, ERP), 센서(공정 및 창고 내/외부 온/습도), 기상청 정보 총 5가지 부분에 대해서 기본적인 데이터베이스를 구축하고 있으며, 본 연구에서 실질적으로 사용된 데이터 집합은 설비 데이터 중에서 PCB와 연관성이 짙은 2개의 공정을 대상으로 분석을 진행했다. 사용된 2개의 공정은 각 A공정-detail 테이블, A공정-header 테이블, B공정-detail 테이블, B공정-header 테이블을 클러스터링 알고리즘에 적용시켰다. 다른 항목의 데이터베이스 테이블은 분석과정에서 제외되었다.
사용하게 될 알고리즘에 알맞은 데이터를 갖고 있는 공정을 선택해 PCB 식별자(ID)와 제품의 불량 유무를 고려해 각 컴포넌트별로 데이터 집합을 확보한다. 컴포넌트의 좌표 데이터가 없는 설비 데이터 테이블에서는 좌표 데이터를 가지고 있는 설비 데이터 테이블에서 같은 컴포넌트 이름을 가진 설비 데이터를 통해 해당 컴포넌트의 좌표 데이터를 확보한다.
선택된 공정들의 완성된 데이터 집합을 사용해 DBSCAN, K-means 클러스터링 알고리즘을 사용해 서로 비교분석한다.
시스템은 우선 사용자로부터 분석 대상 공정을 입력받게 된다. 이후 Controller에서 분석 대상 공정의 설비 데이터를 이용하여 DBSCAN 클러스터링을 수행한다. 본 논문의 불량 위치 검출 시스템에서 DBSCAN을 선택한 이유는 3.
제 3절에서는 제조기업의 공장 설비데이터를 활용해 PCB(Printed Circuit Board)에 장착된 각 컴포넌트들의 불량 집중 형성 구역을 판별하기 위한 DBSCAN을 사용한 불량 위치 검출 시스템을 제안한다. 현재 한국의 제조 산업에서는 불량률 관리나 생산율 최적화 관리에 많은 관심을 쏟고 있지만 제품을 작동시키는 핵심적인 역할을 하는 PCB의 컴포넌트들의 주요 불량 발생위치와 빈도에 대한 시각 고도화는 이루어지지 않고 있다.
최근의 가장 큰 이슈인 ICT 융합 그리고 Industry 4.0이 가져오고 있는 변화에 발맞추어 나갈 수 있도록 제조 공정 기반의 데이터 분석 연구를 진행했다. 모든 전자기기에 필수적으로 들어가게 되는 PCB 관련 공정 데이터를 활용한 분석 방안은 아직 국내에 많이 연구된 바가 없다.
본 연구에서는 제조업의 여러 공정 중 제품 작동에 핵심적인 역할을 하는 PCB의 각 컴포넌트 데이터를 활용해 불량이 자주 일어나며, 불량 밀집도가 높은 위치를 판별하고 가시화하기 위하여 잘 알려진 클러스터링 방법들인 K-means, DBSCAN을 사용하였다. 클러스터링을 위한 최적의 매개변수를 결정하기 위해서 클러스터링 결과 품질척도 중의 하나인 균질도(Homogeneity) 와 알고리즘 수행 속도를 사용하였다. 균질도란 두 개의 데이터 포인트 u와 v 사이의 유사도를 두 데이터 포인트의 상관 계수로 정의하며 두 개의 데이터 포인트가 양의 상관계수를 갖는다면 1에 가까운 값을 가지고, 음의 상관계수를 갖는다면 –1에 가까운 값을 가지며, 상관관계가 적을수록 0에 가까운 값을 갖는다.

대상 데이터

클러스터링 알고리즘에 사용될 데이터 집합은 실제 제조공장에서 수집되어진 공정 설비 데이터로 대상 제조업체에서는 설비 데이터, LEGACY(POP, MES, ERP), 센서(공정 및 창고 내/외부 온/습도), 기상청 정보 총 5가지 부분에 대해서 기본적인 데이터베이스를 구축하고 있으며, 본 연구에서 실질적으로 사용된 데이터 집합은 설비 데이터 중에서 PCB와 연관성이 짙은 2개의 공정을 대상으로 분석을 진행했다. 사용된 2개의 공정은 각 A공정-detail 테이블, A공정-header 테이블, B공정-detail 테이블, B공정-header 테이블을 클러스터링 알고리즘에 적용시켰다.

이론/모형

두 클러스터링 알고리즘을 수행하는데 있어 데이터 집합에서 사용하는 속성은 x, y, component 세 가지 속성이다. 거리 계산 방법은 유클리디언 거리(Euclidean distance)[9]과 맨하탄 거리(Manhattan distance)[11] 중 데이터 포인트 사이의 직선거리를 측정하는 유클리디언 거리 측정 방법을 사용했으며, 유클리디언 거리를 구하는 방법은 식 1과 같다.
두 번째 실험은 PCB 공정 데이터 집합에 DBSCAN 알고리즘을 적용하여 불량 위치를 검출한다. DBSCAN의 경우 K-means 알고리즘과 달리 형성할 클러스터의 수를 미리 지정할 필요가 없다.
본 연구에서는 제조업의 여러 공정 중 제품 작동에 핵심적인 역할을 하는 PCB의 각 컴포넌트 데이터를 활용해 불량이 자주 일어나며, 불량 밀집도가 높은 위치를 판별하고 가시화하기 위하여 잘 알려진 클러스터링 방법들인 K-means, DBSCAN을 사용하였다. 클러스터링을 위한 최적의 매개변수를 결정하기 위해서 클러스터링 결과 품질척도 중의 하나인 균질도(Homogeneity) 와 알고리즘 수행 속도를 사용하였다.
균질도란 두 개의 데이터 포인트 u와 v 사이의 유사도를 두 데이터 포인트의 상관 계수로 정의하며 두 개의 데이터 포인트가 양의 상관계수를 갖는다면 1에 가까운 값을 가지고, 음의 상관계수를 갖는다면 –1에 가까운 값을 가지며, 상관관계가 적을수록 0에 가까운 값을 갖는다. 상관계수를 측정할 거리 계산 알고리즘은 Euclidean distance를 사용했으며, 각 클러스터들의 중심점들과 해당 클러스터 안에 속해있는 포인트 간의 평균 거리로 계산하게 된다[12]. 동일 클러스터 안에 포함되어 있는 각 데이터 포인트들의 상관계수는 높아야 하며 균질도가 높을수록 클러스터링 결과가 좋다고 판단할 수 있다.
첫 번째 실험은 PCB공정 데이터 집합에 K-means 알고리즘을 적용하여 불량 위치를 검출한다. K-means 알고리즘을 수행하기 위해서는 형성할 클러스터의 개수를 사용자가 지정해야한다.

성능/효과

하지만 PCB 2번 공정에 해당하는 (c), (d)의 경우 생성된 클러스터의 모양에 변화가 생기게 되는데 이는 K-means 알고리즘이 임의의 초기 중심점 위치에 큰 영향을 받고, 항상 일관된 클러스터를 형성하지 않는다는 것을 알 수 있다. 또한 (a), (b), (c), (d) 모두 전체 데이터 객체를 대상으로 군집을 형성한 것으로 보아 K-means 알고리즘의 경우 노이즈 데이터를 구분할 수 없기 때문에 PCB상의 불량 위치를 검출하는 데에는 부적합하다는 것을 알 수 있다.
[표 6]은 실험 단계에서 수행했던 K-means, DBSCAN 알고리즘 데이터 집합을 활용하여 클러스터링 결과 성능 판별과 실제 데이터에 적용하기 위해 각 알고리즘별, 각 공정별, 각 파라미터 별로 나누어 균질도와 수행 시간을 측정했다. 결과적으로 1공정에서의 DBSCAN 알고리즘은 epsilon 값이 0.08이며 minPts 값이 200이었을 때 균질도가 가장 높게 나타나 이를 실제 1공정 결과에 적용시켰다. 2공정에서의 DBSCAN 알고리즘은 epsilon 값이 0.
상관계수를 측정할 거리 계산 알고리즘은 Euclidean distance를 사용했으며, 각 클러스터들의 중심점들과 해당 클러스터 안에 속해있는 포인트 간의 평균 거리로 계산하게 된다[12]. 동일 클러스터 안에 포함되어 있는 각 데이터 포인트들의 상관계수는 높아야 하며 균질도가 높을수록 클러스터링 결과가 좋다고 판단할 수 있다. 균질도의 계산식은 다음과 같다.
이러한 실험 내용을 통해서 알 수 있는 사실은 K-means는 분할성이 좋지만 중심점에 멀리 떨어져 있거나 노이즈 데이터를 판별하는데는 좋지 않다. 반면 DBSCAN은 K-means 보다 분할성은 떨어지는 편이지만 노이즈 데이터에 강하다는 사실을 실험을 통해 입증되었다. 따라서 현 제조업의 PCB 검사 관련 공정의 불량 컴포넌트 확보 및 불량 밀집 구역 데이터 확보에는 DBSCAN 알고리즘이 더 효과적이라고 할 수 있다.
성능평가 기준인 균질도 측정에서 DBSCAN 알고리즘이 K-means 알고리즘보다 분석결과의 상관관계 및 성능이 우수하다고 평가되었으며, MVC 기반의 시스템 구조에 적용시켜 실사용자들이 쉽고 간편하게 PCB 관련 공정의 주요 불량 밀집도를 한눈에 확인할 수 있도록 시스템을 구축했다.
[그림 15]와 [그림 16]에서 파란색 점을 제외한 나머지 점이 DBSCAN에 의해 형성된 클러스터이며 PCB 컴포넌트 불량이 자주 발생하는 위치이다. 이로써 PCB 좌표 데이터와 통계 데이터에 의존적이었던 이전 PCB 불량관리 방식과 달리 오직 분석을 원하는 PCB 공정을 선택하는 것만으로 해당 공정에서 생산하는 PCB의 불량 발생 위치를 시각적으로 확인하고 나아가 불량이 자주 발생하는 위치와 영역까지 확인할 수 있다. 다음 4.
반환된 데이터 집합으로 DBSCAN을 적용한 결과를 View에서 실제 PCB 이미지에 불량 위치를 시각화한다. 이로써 본 논문에서 제시한 시스템은 오직 사용자로부터 특정 제조공정을 입력받는 것만으로 해당 공정의 PCB에서 빈발적으로 발생한 불량 위치를 시각화하여 보여준다는 것에 의미를 가진다고 할 수 있다.

후속연구

향후 연구로는 DBSCAN 알고리즘의 파라미터인 데이터 포인트의 반경 epsilon과 클러스터로 인정하기 위한 반경 내의 최소 데이터 포인트 개수 minPts를 공정 데이터의 형태와 사이즈에 따라서 자동으로 최적치를 추천해주는 알고리즘을 연구하도록 하겠다.

질의응답

핵심어	질문	논문에서 추출한 답변
	K-means++이란 무엇인가?	D외 1명이 2007년 제안한 클러스터링 방법으로, 본 연구에서 활용하는 분할 클러스터링 알고리즘 중 가장 빈번히 사용되어지는 방법이다. 비지도 학습의 대표적인 모델로서 모집단 또는 범주에 대한 사전정보가 없는 경우 주어진 데이터 포인트 들 사이의 거리 측정 및 유사성을 이용해 분석을 하며, 전체 데이터를 K개의 집단으로 그룹화시켜 각 집단의 성격을 파악해 나감으로써 전체 데이터 집합의 구조에 대한 이해를 돕기 위해 사용한다. K-means가 수행되는 과정은 다음 [그림 2]와 같다.
	DBSCAN에서 필요한 두 개의 파라미터 정의는 무엇인가?	이 알고리즘에서는 두 개의 파라미터 정의가 있어야한다. 첫 번째로 주변 공간에 대한 정의가 필요하다. 두 번째로는 주변 공간 내부에 최소 몇 개의 데이터 포인트가 존재해야 클러스터로 인정할 것인지에 대한 정의가 필요하다. 각 데이터 포인트들로부터의 거리 반경을 epsilon(e)라고 칭하며, 클러스터로 인정하기 위해 필요 한 최소의 데이터 포인트 개수는 minPts(r)로 칭한다.
	DBSCAN의 특징은 무엇인가?	DBSCAN(Density-based spatial clustering of applications with noise)[7]은 Martin Ester 외 3명이 제안한 클러스터링 방법으로 기존의 데이터간의 거리를 파악해 클러스터를 형성하는 알고리즘과는 달리 같은 군집 내의 각 데이터들은 서로 밀도가 높게 형성되었을 것이라는 가정 하에 각 데이터 포인트 주변의 밀도를 이용해 클러스터를 형성시키는 알고리즘이다. 이 알고리즘에서는 두 개의 파라미터 정의가 있어야한다.

참고문헌 (12)

최종우, 이일우, "빅 데이터를 활용한 제조공정 결함 예측에 관한 연구," 한국데이터정보과학회지, 제26권, 제5호, pp.1141-1154, 2015.
K. KOBARA, "Cyber Physical Security for Industrial Control Systems and IoT," IEICE Trans. Inf. & Syst., Vol.99, No.4, pp.787-795, 2016.
A. Puhringer, "사물인터넷(IoT)과 인더스트리 4.0(Industry 4.0)이 기존의 산업용 통신에 미치는 영향," ICN, pp.22-27, 2015.
J. Lee, E. Lapira, B. Behrad, and K. Hung-an, "Recent advances and trends in predictive manufacturing systems in big data environment," Manufacturing Letters, Vol.1, No.1, pp.38-41, 2013.

상세보기
S. Gallo, T. Murino, and L. Santillo, "Time manufacturing prediction: preprocess model in neuro fuzzy expert system," Proceeding of The European Symposium on Intelligent Techniques, pp.1-11, 1999.
S. Laschi, M. Franek, and M. Mascini, "Screen printed electrochemical immunosensors for PCB detection," Electroanalysis, Vol.12, Issue.16, pp.1293-1298, 2000.

상세보기
M. Ester, H. P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," In Kdd, Vol.96, No.34, 1996.
D. Arthur and S. Vassilvitskii, "K-means++: The advantages of careful seeding," In Proceedings of the ACM-SIAM symposium on Discrete algorithms, pp.1027-1035, 2007.
M. M. Deza and E. Deza, Encyclopedia of distances, Springer Berlin Heidelberg, 2009.
C. C. Yang and T. D. Ng, "Analyzing content development and visualizing social interactions in web forum," IEEE International Conference on Intelligence and Security Informatics, pp.25-30, 2008.
K. E. Krause, "Taxicab geometry," The Mathematics Teacher, Vol.66, No.8, pp.695-706, 1973.
G. Chen, S. A. Jaradat, N. Banerjee, T. S. Tanaka, M. S. Ko, and M. Q. Zhang, "Evaluation and comparison of clustering algorithms in analyzing ES cell gene expression data," Statistica Sinica, pp.241-262, 2002.

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