초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

주어진 현재의 문제를 해결하기 위해서 과거에 유사하게 수행된 사례를 유추하여 유추된 사례의 해를 이용하는 사례 기반 추론(case-base reasoning)은 털러 분야에 응용되고 있지만, 사례기반 추론 시 새로운 사례를 해결하기 위하여 사례베이스 내의 모든 사례를 검색해야 하기 때문에 수행시간이 증가되는 단정을 지니고 있다. 본 연구에서는 하드 클러스터링 방법으로 완전하게 분류하는 것이 불가능할 수도 있다는 문제점을 개선시키기 위하여 퍼지 클러스터링을 방법을 이용하여 사례베이스를 분류함에 의하여 시스템의 수행시간을 감소시키면서 정확성을 높이게 되었다.

주어진 현재의 문제를 해결하기 위해서 과거에 유사하게 수행된 사례를 유추하여 유추된 사례의 해를 이용하는 사례 기반 추론(case-base reasoning)은 털러 분야에 응용되고 있지만, 사례기반 추론 시 새로운 사례를 해결하기 위하여 사례베이스 내의 모든 사례를 검색해야 하기 때문에 수행시간이 증가되는 단정을 지니고 있다. 본 연구에서는 하드 클러스터링 방법으로 완전하게 분류하는 것이 불가능할 수도 있다는 문제점을 개선시키기 위하여 퍼지 클러스터링을 방법을 이용하여 사례베이스를 분류함에 의하여 시스템의 수행시간을 감소시키면서 정확성을 높이게 되었다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 방법
• 연구 결과

제안 방법

• 본 연구에서는 퍼지 클러스터링 방법 중의 하나인 Fuzzy C-Means 알고리즘을 이용하여 클러스터에 속하는 정도를 [0, 1]로 확장하여 경계 부근의 사례들을 한 개 이상의 클러스터에 속할 수 있게 허용하는 방법을 사용한 ADS-DAAP-FC(Advanced Diagnosis System for Diseases associated with Acute Abdominal Pain using Fuzzy Clusteiing)률 제안한다. 제안하는 시스템은 기존의 ADS-DAAP와 비교해 보았을 때 시스템의 수행 시간을 감소시키면서도 정확성을 높이게 되었다.

데이터처리

• 시뮬레이션 환경에서 제안하는 시스템의 성능을 평가하기 위해서 G 병원으로부터 획득한 200명의 실제 환자 데이터를 기존의 ADS-DAAP 와 제안하는 ADS-DAAP-FS에서 각각 진단하여 평균 수행시간과 평균 진단 실패율을 비교하였는데 그 결과는 그림 3, 4와 같다.

이론/모형

• 본 논문에서는 예외상황 사례베이스에 들어 있는 사계 들을 클러스터링하기 위하여 Bezdek2l FCM(Fuzzy C-Means)[7-9] 알고리즘을 사용하였으며, 다음과 같다. 사레베이스를 c개의 클러스터로 분류할 때 각 클러스 터의 중심 벡터 V心=1, 2, .
• 예외상황 사례베이스에 들어있는 사례들을 2절의 FCM[7-9] 알고리즘을 이용하여 퍼지 클러스터링한다. 퍼지 클러스터링 모듈이 실행되기 위해서는 '수술에 관한 위험 정도', '노화 정도', '탈수 정도', '장폐색 정도', '구토 정도', '통증의 완화 정도', 만성 복통 정도', '복벽의 통증 정도', '상복부의 통증 정도', '하복부의 통증 정도, , '직장 검사 수지 정도' 등의 속성이 필요하다.
• 제안하는 ADS-DAAP-FC에서는 예외상황 사례베이스를 클러스터링함에 있어서 Fuzzy C-Means 알고리즘을 사용하였다. K-Means 클러스터링과 같은 하드 클러스터 링 방법은 분명한 경계선을 가지지만 경계 부근에 있는 환자의 증상의 사례를 어느 하나의 클러스터로 완전하게 분류하는 것이 불가능할 수도 있다는 문제점을 개선시키기 위하여 Fuzzy C-Means 알고리즘을 이용하여 클러스 터에 속하는 정도를 [0, 1]로 확장하여 경계 부근의 사례 들을 한 개 이상의 클러스터에 속할 수 있게 허용하는 방법을 사용하여 수행 시간을 감소人I키면서 정확성을 높이게 되었다.

성능/효과

• 제안하는 ADS-DAAP-FC의 구조는 그림 1과 같으며, 본 시스템의 진단 과정은 그림 2와 같이 먼저 환자의 데이터가 입력되어 규칙으로 표현된 진단제어 지식베이스를 기반으로 진단을 수행하고, 진단에 실패한 경우 Fuzzy C-Means 클러스터링 알고리즘에 의한 예외상황 사례베이스를 기반으로 재진단을 시도하게 되어 조회시간을 감소시키면서 정확성을 높이게 되었다.
• 본 연구에서는 퍼지 클러스터링 방법 중의 하나인 Fuzzy C-Means 알고리즘을 이용하여 클러스터에 속하는 정도를 [0, 1]로 확장하여 경계 부근의 사례들을 한 개 이상의 클러스터에 속할 수 있게 허용하는 방법을 사용한 ADS-DAAP-FC(Advanced Diagnosis System for Diseases associated with Acute Abdominal Pain using Fuzzy Clusteiing)률 제안한다. 제안하는 시스템은 기존의 ADS-DAAP와 비교해 보았을 때 시스템의 수행 시간을 감소시키면서도 정확성을 높이게 되었다.

• 5. 결론 및 향후 과제

  제안하는 퍼지 클러스터링에 의한 ADS-DAAP-FS는 기존의 하드 클러스터링의 하나인 K-Means 클러스터링을 사용한 ADS-DAAP와 비교해 볼 때 평균 수행 시간을 감소시켰으며, 평균 진단 실패율을 감소 시켜 정확성을 높이게 되었다. 이것은 Fuzzy C-Means 알고리즘이 K-Means 클러스터링과 같은 하드 클러스터링 방법에서 경계 부근에 있는 환자의 증상의 사례를 어느 하나의 클러스터로 완전하게 분류하는 것이 불가능할 수도 얐다는 문제점을 해결하였기 때문이다.

후속연구

• 향후 연구과제로는 퍼지 클러스터링에서 클러스터 수나 중심의 개수 선정에 따라 결과가 다르게 나타날 수 있으므로 최적의 클러스터나 중심의 개수를 선정하는 연구가 남아있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기