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 논문에서는 정확도와 신뢰성이 높은 가스 식별 시스템을 위하여 유전 알고리즘, 퍼지 집합, 러프 집합을 조합하여 그림 1과 같이 센서 어레이의 그룹화와 계층 식별 구조를 갖는 새로운 구현 방법을 제안하였다.
제안 방법
- 최적화 기능이 뛰어난 유전 알고리즘을 이용하여 센서 어레이를 유사성을 갖는 소수의 센서들로 묶인 여러 개의 그룹으로 나누고 TSK 퍼지 모델을 이용하여 각 그룹별로 1차 가스 식별시스템을 최소 규칙을 가지도록 구축함으로써 패턴 분석을 위한 데이터의 차원 축소와 가스 식별을 위한 규칙기반 생성이 보다 편리하게 이루어질 수 있도록 하였다. 그리고 상위 레벨 최종 식별 규칙을 러프 집합을 이용하여 생성함으로써 규칙 기반을 최소화하면서도 식별 시스템의 성능을 효과적으로 개선할 수 있는 방법을 제시하였다. 제안된 계층 구조 식별 시스템은 하위 레벨의 퍼지 식별 규칙 기반에 의해 센서 동작 편차나 유동 등으로 인한 데이터의 부정확성이나 불확실성을 효과적으로 처리할 수 있으며, 상위 레벨의 러프 집합 식별 규칙 기반에 의해 그룹들 간의 식별 결과의 불일치나 비 일관성 등에 잘 대처하여 식별 정확도를 높일 수 있게 해준다.
- 이러한 식 (4)는 교배는 교배로 인한 유전 정보의 불연속성을 완화함으로써, 생성되는 자손들이 항상 적합한 형태로 생성될 수 있게 변환하는 과정이다. 돌연변이 연산자에는 동적 돌연변이[11-13] 연산자를 사용하여 초기에는 균등 확률 탐색 후 세대수 증가에 따라 지역적 탐색을 수행하게 하여 알고리즘의 수렴성을 개선하였으며, 마지막으로 우수한 유전정보를 포함한 부모가 자손의 생성에 항상 기여할 수 있도록 엘리트 전략을 사용하였다[12-13].
- 먼저 센서 그룹화를 위해 각 그룹에 포함되는 센서의 수(염색체 길이)는 하위 TSK 퍼지 논리에 적용하는 부분과 그룹 분할의 정확성을 위해 4개의 센서들로 구성될 수 있도록 하였다. 따라서 HGA를 이용한 센서 그룹화에 의해 결정되는 그룹 수는 32개의 센서들에 대하여 4개씩 그룹을 진행하므로 총 8개의 센서 그룹에 의한 1차 판별이 수행되게 되며, 아래의 표는 이를 위해 사용된 HGA의 매개변수들을 보여주고 있다.
- 본 논문은 하이브리드 유전 알고리즘과 퍼지 집합, 그리고 러프 집합 이론을 결합하여 각각의 장점을 살려 구현이 용이하고 성능이 좋은 효율적인 계층 구조 가스 식별 시스템을 설계하였다. 최적화 기능이 뛰어난 유전 알고리즘을 이용하여 센서 어레이를 유사성을 갖는 소수의 센서들로 묶인 여러 개의 그룹으로 나누고 TSK 퍼지 모델을 이용하여 각 그룹별로 1차 가스 식별시스템을 최소 규칙을 가지도록 구축함으로써 패턴 분석을 위한 데이터의 차원 축소와 가스 식별을 위한 규칙기반 생성이 보다 편리하게 이루어질 수 있도록 하였다.
- 염색체의 코딩을 위해 본 논문에서는 부호화와 복호화 과정이 요구되지 않으면서도 최적 탐색 성능과 수렴성을 강화한 하이브리드 유전 알고리즘의 다양한 연산자들에 적합한 실수 코딩 기법을 적용하였다[12-13]. 다시 말해, 센서 어레이를 구성하는 각각의 센서들에 부여된 번호가 염색체를 구성하는 유전 정보로 적용되며, 그룹화를 위해 정의된 센서의 개수가 염색체의 길이가 된다.
- 이러한 결과가 설계된 식별 시스템이 학습 데이터에 대해 최적화되어 있기 때문에 당연한 것 아니냐고 생각할 수 있으므로, 시스템 설계에 전혀 사용되지 않은 50(=5×10)개의 검증 데이터를 이용하여 가스 식별을 수행하도록 하였다.
- 제안된 식별 시스템의 효용성을 입증하기 위하여 아세톤, 부탄, 메탄, 프로판, 물 5종류의 가스에 대한 식별을 수행하였다. 시뮬레이션에 사용된 데이터들은 32개의 센서로 구성된 센서 어레이를 이용하여 5종류의 가스들에 대해 각 가스 별로 25회씩 반복 측정한 것이며, 그 중 15회의 측정 데이터가 하위 및 상위 식별 규칙기반 구축을 위한 학습 데이터로 사용되었고, 10회의 측정 데이터는 검증 데이터로 활용하였다.
- 본 논문은 하이브리드 유전 알고리즘과 퍼지 집합, 그리고 러프 집합 이론을 결합하여 각각의 장점을 살려 구현이 용이하고 성능이 좋은 효율적인 계층 구조 가스 식별 시스템을 설계하였다. 최적화 기능이 뛰어난 유전 알고리즘을 이용하여 센서 어레이를 유사성을 갖는 소수의 센서들로 묶인 여러 개의 그룹으로 나누고 TSK 퍼지 모델을 이용하여 각 그룹별로 1차 가스 식별시스템을 최소 규칙을 가지도록 구축함으로써 패턴 분석을 위한 데이터의 차원 축소와 가스 식별을 위한 규칙기반 생성이 보다 편리하게 이루어질 수 있도록 하였다. 그리고 상위 레벨 최종 식별 규칙을 러프 집합을 이용하여 생성함으로써 규칙 기반을 최소화하면서도 식별 시스템의 성능을 효과적으로 개선할 수 있는 방법을 제시하였다.
- 이렇게 나누어진 각 그룹마다 1차적으로 가스 식별이 이루어지도록 하면, 데이터의 차원이 전체 센서 수 차원에서 각 그룹에 속하는 센서 수 차원으로 대폭 축소되어 특징 추출과 유사한 정도의 패턴 데이터 차원 축소 효과를 얻을 수 있으며, 다음의 설명과 같은 이유로 퍼지 규칙 기반 수립이 좀 더 간단해지고 특징 기술 능력의 정밀도가 높아져서 데이터 분석의 용이성 및 성능 향상을 꾀할 수 있다. 하위 레벨의 1차 식별에는 데이터의 유동이나 비 일관성과 같은 불확실성을 잘 다룰 수 있는 퍼지 집합을 이용하여 분류된 그룹 각각에 대해 가스 종류를 판별하는 퍼지 TSK 규칙 기반을 구성하여 퍼지 추론을 수행한다. 그런데, 각 그룹은 데이터의 패턴 유사성이 높은 센서들로 묶여 있으므로, 퍼지 집합과 규칙의 수가 줄어드는 등 퍼지 규칙기반 생성이 용이하면서도 양호한 식별 결과를 얻을 수 있게 된다.
대상 데이터
- 제안된 식별 시스템의 효용성을 입증하기 위하여 아세톤, 부탄, 메탄, 프로판, 물 5종류의 가스에 대한 식별을 수행하였다. 시뮬레이션에 사용된 데이터들은 32개의 센서로 구성된 센서 어레이를 이용하여 5종류의 가스들에 대해 각 가스 별로 25회씩 반복 측정한 것이며, 그 중 15회의 측정 데이터가 하위 및 상위 식별 규칙기반 구축을 위한 학습 데이터로 사용되었고, 10회의 측정 데이터는 검증 데이터로 활용하였다.
이론/모형
- N개의 그룹이 각자 독립적으로 가스 식별을 수행하는 하위 식별 시스템의 구축에는 TSK 퍼지 모델을 이용한다. TSK 퍼지 모델은 언어적 규칙 기반과 수학적 모형을 조합하여 각각의 이점을 동시에 취할 수 있도록 한 것으로, 규칙의 전건부에는 퍼지 집합을 이용하여 불확실성을 포함한 데이터의 특성을 묘사할 수 있도록 하고, 후건부에는 전건부의 동작 영역에 적합한 수식 모델을 사용하여 규칙 별로 최적화된 결과를 산출할 수 있도록 구성된다[15-16].
- 그런데 데이터 패턴의 유사성을 갖는 센서들끼리 묶인 소규모 센서 그룹별로 따로 퍼지 규칙 기반을 생성하므로, 전건부의 입력 공간 퍼지 분할을 세분화하지 않아도 될 것이다. 그러므로 설계와 추론의 편의를 위해 K-평균 군집화 기법을 사용하여 전체 입력 공간(정규화된 데이터 값의 최대값과 최소값 사이)을 2개의 삼각형 퍼지 집합으로 분할하였다. 따라서 식 (5)에서 전건부 입력들은 각각 최소한(2개)의 퍼지 집합으로 표현되며, 규칙 기반을 구성하는 퍼지 규칙의 수도 2p개로 최소화될 것이다.
- 그룹화는 측정 패턴이 유사한 센서들끼리 조합을 이루도록 어레이 센서들을 적절한 크기의 여러 개의 작은 그룹으로 분할함으로써 고차원 패턴 데이터를 저차원으로 감축하여 효과적인 패턴 분석과 식별 규칙이 생성될 수 있도록 만드는 과정이다. 그룹화에는 센서 조합의 효율적인 최적화를 위해 하이브리드 유전 알고리즘을 이용한다. 유전형의 진화와 자연 선택을 모사하여 집단 기반 탐색 전략을 추구하는 유전 알고리즘은 전역 최적해가 존재하는 영역을 빠르게 탐색할 수 있지만 수렴 영역에서 정확한 최적해를 찾아내는 데에는 상대적으로 긴 시간을 필요로 하므로, 지역 최적해를 보다 효과적으로 탐색할 수 있는 국부 탐색 기법을 유전 알고리즘에 조합시켜 전역 최적해로의 수렴성을 개선한 것이 하이브리드 유전 알고리즘이다[13].
- 그룹화는 최적화 기능이 장점인 유전 알고리즘[10-11]에 의해 어레이 구성 센서들을 유사한 측정 패턴을 가지는 소수의 센서들로 묶인 여러 개의 그룹으로 나누는 과정이다. 이때 진화적 최적화 기법과 통계적 최적화 기법이 결합된 하이브리드 유전 알고리즘(Hybrid Genetic Algorithm : HGA)[12-13]을 사용하여 해의 적합성과 알고리즘의 수렴 속도 모두 양호한 결과를 얻을 수 있도록 하였다. 이렇게 나누어진 각 그룹마다 1차적으로 가스 식별이 이루어지도록 하면, 데이터의 차원이 전체 센서 수 차원에서 각 그룹에 속하는 센서 수 차원으로 대폭 축소되어 특징 추출과 유사한 정도의 패턴 데이터 차원 축소 효과를 얻을 수 있으며, 다음의 설명과 같은 이유로 퍼지 규칙 기반 수립이 좀 더 간단해지고 특징 기술 능력의 정밀도가 높아져서 데이터 분석의 용이성 및 성능 향상을 꾀할 수 있다.
성능/효과
- 제안된 가스 식별 시스템은 수학적 모델 구현의 어려움은 비교적 경감하면서도 소프트 컴퓨팅 기법들이 가지는 각각의 장점을 충분히 활용할 수 있고, 또한 서로간의 협력에 의해 각 기법들의 단점과 부담을 완화할 수 있어 가스 식별 시스템의 성능과 설계의 효용성을 동시에 취할 수 있는 구조이다. 5종류의 가스에 대한 센서 측정 데이터들을 이용하여 제안된 방법의 효용성을 검증하였다.
- 그림 2를 살펴보면, 두 경우 모두 7세대 이전에 수렴하는 성능을 보여주고 있어 HGA의 탐색 성능이 우수함을 알 수 있으며, 목적 함수의 변화와 센서 번호의 변화를 살펴보면 제안된 HGA에 의해 상관성이 높은 센서들로 그룹화가 진행됨을 알 수 있으며, 이러한 특성은 식별을 위한 좋은 조건으로 작용할 수 있을 것이다. 같은 방법으로 나머지 센서들에 대하여도 그룹화를 진행하게 되며, 8개의 모든 그룹에 대하여 센서 그룹화가 완료되면 각 그룹별로 TSK 퍼지 모델을 이용하여 각 센서데이터에 대한 가스 식별을 수행하게 된다.
- 이와 같은 계층 구조 식별 규칙기반으로 인해 가스 식별이 이중으로 이루어지며, 차원이 축소된 부분적인 추출 특징에 의한 식별이 아니라 센서 어레이에 포함된 모든 센서들의 측정 패턴이 원형대로 사용된 식별이 이루어지므로 보다 정확하고 신뢰성 있는 식별이 가능해진다. 제안된 가스 식별 시스템은 수학적 모델 구현의 어려움은 비교적 경감하면서도 소프트 컴퓨팅 기법들이 가지는 각각의 장점을 충분히 활용할 수 있고, 또한 서로간의 협력에 의해 각 기법들의 단점과 부담을 완화할 수 있어 가스 식별 시스템의 성능과 설계의 효용성을 동시에 취할 수 있는 구조이다. 5종류의 가스에 대한 센서 측정 데이터들을 이용하여 제안된 방법의 효용성을 검증하였다.
- 그리고 상위 레벨 최종 식별 규칙을 러프 집합을 이용하여 생성함으로써 규칙 기반을 최소화하면서도 식별 시스템의 성능을 효과적으로 개선할 수 있는 방법을 제시하였다. 제안된 계층 구조 식별 시스템은 하위 레벨의 퍼지 식별 규칙 기반에 의해 센서 동작 편차나 유동 등으로 인한 데이터의 부정확성이나 불확실성을 효과적으로 처리할 수 있으며, 상위 레벨의 러프 집합 식별 규칙 기반에 의해 그룹들 간의 식별 결과의 불일치나 비 일관성 등에 잘 대처하여 식별 정확도를 높일 수 있게 해준다. 그리고 부분적인 추출 특징에 의한 식별이 아니라 센서 어레이에 포함된 모든 센서들의 측정 패턴이 원형대로 사용된 식별이 이루어지므로 보다 정확하고 신뢰성 있는 식별이 가능해진다.
- 제안된 식별 시스템의 최종 예측 결과는 총 50개의 검증 데이터 중에서 아세톤에 대해서만 1회 식별 오류가 발생하였으며, 나머지 데이터에 대해서는 모두 올바르게 식별하여 높은 정확도(98%)를 나타내었다. 이 1회의 오류는 그 데이터가 아세톤에 대한 다른 측정 데이터들의 패턴과 차이가 많이 나는 악성(ill conditioned)의 경우인 것으로 판단된다.
후속연구
- 제안된 시스템의 이러한 우수성은 시뮬레이션 결과에서도 확인할 수 있다. 따라서 제안된 설계 기법은 가스 식별뿐만 아니라 다양한 식별 시스템의 설계에 활용될 수 있으리라 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.