• 정보처리학회논문지B
• /
• 제12B권3호
• /
• pp.343-348
• /
• 2005

본 연구에서는 신경망 학습의 일반화 성능과 학습속도를 개선시키기 위한 인자들의 결합 효과를 살펴본다. 신경망 학습에서 중요한 평가 척도로서 여기서 고려하는 인자들에는 초기 가중값의 범위와 학습률 그리고 계수조정 등이 있다. 특히 초기 가중값과 학습률을 고정시킨 후 새롭게 조정된 계수들을 단계적으로 변화시키는 새로운 인자 결합방법을 이용한다. 이를 통하여 신경망 학습량과 학습속도를 비교해 보고, 계수조정을 통한 개선된 학습 영향을 살펴본다. 그리고 비선형의 단순한 예제를 이용한 실증분석을 통하여 신경망 모형의 일반화 성능과 학습 속도 개선을 위한 각 인자들의 개별 효과와 결합 효과를 살펴보고 그 개선 방안을 논의한다.

• 지구물리와물리탐사
• /
• 제8권2호
• /
• pp.129-136
• /
• 2005

감쇠최소자승법은 각종 물리탐사 자료에 가장 널리 사용되는 역산법이다. 일반적으로 최소자승법에서 최소화되는 목적함수는 자료오차(data misfit)와 모델제한자의 합으로 주어진다. 따라서 역산에서 자료오차와 모델제한자는 함께 중요한 역할을 담당한다. 하지만 역산에 관한 대부분의 연구는 주로 모델제한자의 설정방법과 적절한 라그랑지 곱수의 선정방법에 치중되어 왔다. 일반적으로 자료획득시 자료가 갖는 표준편차를 자료가중값의 계산에 사용하는 것이 추천되고 있지만, 실제 현장조사에서는 자료의 표준편차는 좀처럼 측정되지 않으며, 대부분의 역산에서 자료가중행렬은 어쩔 수 없이 단위행렬로 간주된다. 본 논문에서는 자료분해능행렬과 그 분산함수를 분석하여 자동적으로 계산된 자료가중행렬을 사용하는 역산법을 개발하였다. EACB법이라 명명한 이 역산법에서는 분해능이 높은 자료에는 높은 가중값을, 작은 자료에는 작은 가중값을 부여한다. 개발된 EACB 역산법을 전기비저항 토모그피법에 적용한 결과, 보다 안정적이고 분해능이 향상된 결과를 얻을 수 있었다.

• 응용통계연구
• /
• 제20권2호
• /
• pp.395-407
• /
• 2007

통계자료분석 시 데이터에 특이값이 존재하면 이 특이값이 자료분석을 위한 여러 가지 측도들을 크게 왜곡시킨다. 우리는 특이값의 영향을 평가하기 위한 도구로서 간단한 그림도구인 민들레꽃씨 그림을 제안할 수 있다. 평균-분산 민들레꽃씨 그림은 자료 각각에 대하여 가중치를 1에서 0으로 변화시켜가며 구한 가중산술평균과 가중분산을 연결한 그림이고 공분산-상관계수 민들레꽃씨 그림은 자료 각각에 대하여 가중치를 1에서 0으로 변화시켜가며 구한 가중공분산과 가중상관계수를 연결한 그림이다. 이러한 그림도구는 학부생들을 위한 기초통계학 교수 시 유용하게 쓰일 수 있다.

• 한국수자원학회논문집
• /
• 제38권9호
• /
• pp.737-746
• /
• 2005

최적화란 목적함수가 최대 또는 최소가 되도록 하는 결정변수를 찾아가는 절차이다. 기존의 많은 연구자들은 최적해의 효율적인 탐색과정에 집중한 반면 최적화의 시작점이라 할 수 있는 목적함수 구성을 위한 연구는 상대적으로 미진한 것이 사실이다. 따라서 본 연구에서는 국내외에서 빈번히 사용되고 있는 가중평균법을 사용하여 tradeoff를 고려한 목적함수와 절대우선순위를 위한 가중값을 적용한 목적함수를 구성하여 표본추계학적 동적계획법을 통해 산정한 최적운영률을 비교하였다. 그 결과 절대우선순위를 위한 가중값을 적용한 경우가 보다 실제 저수지운영과 부합하는 결과를 나타내는 것을 확인할 수 있었다. 따라서 국내 다목적댐 운영계획에 보다 적합한 목적함수를 구성하기 위해서는 절대우선순위를 위한 가중값을 부여하여 목적함수를 구성하는 것이 타당한 것으로 판단된다.

• 응용통계연구
• /
• 제13권2호
• /
• pp.447-455
• /
• 2000

본 논문에서는 커널분류기에 요구되는 다량의 계산량과 자료저장공간을 감소시키도록 고안된 최적군집방법을 적용한 K-평균 가중커널분류기법이 제안되었다. 이 방법은 원래의 훈련표본보다 작은 수의 참고벡터들과 그들의 가중값을 들을 찾아 원래 커널분류 기준을 근사화하여 패턴을 인식하는 것이다. K-평균 가중커널분류기법은 가중파젠윈도우(WPW)분류기법을 개량한 것으로서 참고벡터들을 계산하기 위한 초기 부적절하게 군집된 관측값들을 최적으로 재군집화 함으로써 WPW기법의 단범을 극복하였다. 실제자료들에 제안된 방법을 적용한 결과 WPW분류기법보다 참고벡터들의 대표성과 자료축소면에서 월등히 향상된 결과를 확인하였다

• 응용통계연구
• /
• 제15권2호
• /
• pp.395-403
• /
• 2002

반응표면방법론에서의 세번째 단계에서는 일차모형이 가정되고, 반응표면의 곡선효과는 중앙점과 2수준 부분실시법에서의 실험을 통해서 검토된다. 참모형이 2차 모형인 경우를 가정하자. 최적실험계획을 선택하기 위해서 Box와 Draper(1959)는 관심영역에서 예측치 y(x)의 평균제곱오차를 적분한 값인 가중평균제곱오차(AMSE)를 최소화 시키는 최적실험계획 기준을 제안하였다. AMSE는 예측치의 가중분산과 가중제곱편의 량의 합으로 분할될 수 있다. AMSE는 실험계획 적률과 참모형의 회귀계수들의 값에 종속되어서 가중평균제곱오차를 최 소화하는 실험 계획을 찾기는 불가능하다. 실용적인 대안으로 Box와 Draper(1959)는 가중제곱편의 량을 최소화하는 실험계획을 제안했고, 이 실험계획의 상자점들이 중앙점을 향해서 축소됨을 보였다. 이 논문에서는 표준화된 회귀계수들의 값에 대해서 실험계획의 최소효율을 최대화하는 강건한 실험계획을 제안한다.

• 응용통계연구
• /
• 제22권6호
• /
• pp.1315-1329
• /
• 2009

미국 노동통계청에서 사용하고 있는 BLS 방법의 효율성과 민감성에 관한 연구 결과에 의하면 표본 틀(Sample frame) 자료와 조사된 자료의 상관관계가 높을수록 BLS 무응답 보정 효과는 커지는 것으로 알려져 있다 (이석진과 신기일, 2008). 그러나 표본 틀 자료와 조사된 자료의 상관계수가 층별로 크기가 다른 경우, BLS 보정 효과는 달라질 수 있다. 따라서 일반적으로 실시되는 표본 설계에서는 층화추출 방법이 사용되기 때문에 각 층의 표본 크기와 상관계수가 다른 경우의 BLS 보정 효과률 살펴보는 것은 매우 중요하다. 본 논문에서는 층의 표본 크기와 상관계수 그리고 무응답 비율에 따른 BLS 무응답 보정 효과를 살펴보았다. 이를 위해 사용된 자료는 노동부의 월별 자료인 2007년 매월노동통계 자료이다.

• 대한토목학회논문집
• /
• 제26권5B호
• /
• pp.529-537
• /
• 2006

본 논문에서는 식생된 개수로 흐름의 수치모의에 필요한 항력가중계수의 영향을 분석하였다. 이를 위해 시간 및 공간 평균기법을 이용하여 식생된 개수로 흐름에서 레이놀즈응력의 수송방정식을 유도하였다. 그 결과 총 레이놀즈응력은 시간의 변동 성분에 의한 레이놀즈응력과 공간상의 변동 성분에 의한 레이놀즈응력의 합이며, 총 레이놀즈응력의 수송방정식을 수치모의하기 위한 항력가중계수의 값은 $C_{fk}$ = 1.0인 것으로 나타났다. 그러나 시간의 변동 성분에 의한 레이놀즈응력을 수치모의하기 위해서는 거의 영에 가까운 항력가중계수를 갖는 것으로 나타났다. 이는 과거의 수치모의 연구에서 항력가중계수의 값이 거의 영에 가까울 때 실험결과와 잘 일치했는지에 대한 중요한 이유이다. 즉, 공간상의 변동성분에 의한 레이놀즈응력의 값은 실험을 통해 측정하기 매우 어렵기 때문에 식생된 개수로 흐름에서 측정된 레이놀즈응력은 대부분 시간상의 변동성분에 의한 레이놀즈응력이기 때문이다. 또한 레이놀즈응력모형을 이용하여 항력가중계수에 따른 식생된 개수로 흐름을 수치모의하고 기존의 실험 결과와 비교하였다. 그 결과 평균유속과 레이놀즈응력의 경우 항력가중계수의 영향은 작은 것으로 나타났으나, 난류강도 분포에서는 항력가중계수의 영향이 매우 크게 발생하였다. 또한 총 레이놀즈응력과 시간의 변동성분에 의한 레이놀즈응력의 수송방정식에서 각 항의 수지분석을 통하여 항력가중계수가 난류강도에 미치는 영향을 분석하였다.

• 한국조사연구학회:학술대회논문집
• /
• 한국조사연구학회 2002년도 춘계학술대회 발표논문집
• /
• pp.157-162
• /
• 2002

패널 무응답자(panel nonrespondent)란 처음 조사에서는 응답을 하였으나 나중 조사에서는 응답을 하지 않은 사람을 의미한다. 패널조사에서는 앞 단계에서의 응답으로부터 뒷 단계의 무응답에 대한 정보를 얻을 수 있다. 무응답에 대한 수정 방법은 어떤 보조 변수들을 선택하고, 그 변수들이 수정하는 데 어떻게 사용하는 가를 결정하는 것이다. 우리는 가중 수정을 패널 무응답자에 대해서만 생각한다. 이러한 가중은 패널 무응답자에 대하여 보상하기 위하여 패널 무응답의 가중값을 수정한다. 종속 변수로서 패널응답 상태(status)는 로지스틱 회귀분석으로 패널 무응답에 대한 모형을 선택하는 방법이다. 로지스틱 회귀분석에서 패널무응답과 상관이 있는 변수들은 패널무응답 편향을 감소시키기 위하여 가중 수정에서 사용하기 위한 변수들이다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제28권4호
• /
• pp.338-345
• /
• 2001

본 연구에서는 시계열자료를 예측하기 위해 적용한 n$\times$n$\times$1 신경망 구조에서 초기값의 시각적인 선택을 통한 개선된 학습과정을 제안한다. 적용된 Easton[1]의 제어상자는 시각적인 면과 실용적인 적용측면에서 다차원 구조를 논의하기에는 제한적이지만, 적은 개수의 은닉노드를 갖는 단순한 신경망구조에서는 초기 가중값들의 동적인 선택을 통하여 가능한 빨리 효과적인 학습이 이루어질 수 있게 할 수 있다. 신경망 학습의 오차 판단기준은 기존의 평균제곱오차(MSE)를 고려한다. 실증연구에는 모의생성된 ARMA(1,0) 자료와 담배생산량 자료를 이용한다.