• 지능정보연구
• /
• 제18권3호
• /
• pp.185-202
• /
• 2012

오늘날 정보사회에서는 정보에 대한 가치를 인식하고, 이를 위한 정보의 활용과 수집이 중요해지고 있다. 얼굴 표정은 그림 하나가 수천개의 단어를 표현할 수 있듯이 수천 개의 정보를 지니고 있다. 이에 주목하여 최근 얼굴 표정을 통해 사람의 감정을 판단하여 지능형 서비스를 제공하기 위한 시도가 MIT Media Lab을 필두로 활발하게 이루어지고 있다. 전통적으로 기존 연구에서는 인공신경망, 중회귀분석 등의 기법을 통해 사람의 감정을 판단하는 연구가 이루어져 왔다. 하지만 중회귀모형은 예측 정확도가 떨어지고, 인공신경망은 성능은 뛰어나지만 기법 자체가 지닌 과적합화 문제로 인해 한계를 지닌다. 본 연구는 사람들의 자극에 대한 반응으로서 나타나는 얼굴 표정을 통해 감정을 추론해내는 지능형 모형을 개발하는 것을 목표로 한다. 기존 얼굴 표정을 통한 지능형 감정판단모형을 개선하기 위하여, Support Vector Regression(이하 SVR) 기법을 적용하는 새로운 모형을 제시한다. SVR은 기존 Support Vector Machine이 가진 뛰어난 예측 능력을 바탕으로, 회귀문제 영역을 해결하기 위해 확장된 것이다. 본 연구의 제안 모형의 목적은 사람의 얼굴 표정으로부터 쾌/불쾌 수준 그리고 몰입도를 판단할 수 있도록 설계되는 것이다. 모형 구축을 위해 사람들에게 적절한 자극영상을 제공했을 때 나타나는 얼굴 반응들을 수집했고, 이를 기반으로 얼굴 특징점을 도출 및 보정하였다. 이후 전처리 과정을 통해 통계적 유의변수를 추출 후 학습용과 검증용 데이터로 구분하여 SVR 모형을 통해 학습시키고, 평가되도록 하였다. 다수의 일반인들을 대상으로 수집된 실제 데이터셋을 기반으로 제안모형을 적용해 본 결과, 매우 우수한 예측 정확도를 보임을 확인할 수 있었다. 아울러, 중회귀분석이나 인공신경망 기법과 비교했을 때에도 본 연구에서 제안한 SVR 모형이 쾌/불쾌 수준 및 몰입도 모두에서 더 우수한 예측성과를 보임을 확인할 수 있었다. 이는 얼굴 표정에 기반한 감정판단모형으로서 SVR이 상당히 효과적인 수단이 될 수 있다는 점을 알 수 있었다.

• 지능정보연구
• /
• 제20권2호
• /
• pp.73-92
• /
• 2014

기존 협업 필터링 기법은 사용자들의 아이템에 대한 선호도를 기반으로 유사 아이템 집합 또는 유사 사용자 집합을 구성하고, 이를 이용해 예측된 사용자의 특정 아이템에 대한 선호도를 기반으로 추천을 수행한다. 이로 인해, 사용자 선호도 정보가 부족하게 되면, 유사 아이템 사용자 집합의 신뢰도가 낮아지고, 추천 서비스의 신뢰도 또한 따라서 낮아진다. 또한, 서비스의 규모가 커질수록, 유사 아이템, 사용자 집합의 생성에 걸리는 시간은 기하급수적으로 증가하고 추천서비스의 응답시간 또한 그에 따라 증가하게 된다. 위와 같은 문제점을 해결하기 위해 본 논문에서는 적응형 군집화 기법을 제안하고 이를 적용한 협업 필터링 기법을 제안하고 있다. 이 기법은 크게 네 가지 방법으로 이루어진다. 첫째, 사용자와 아이템의 특성 벡터를 기반으로 사용자와 아이템 각각을 군집화 하여, 기존 협업 필터링 기법에서 유사 아이템, 사용자 집합을 생성하는데 소요되는 시간을 절약하며, 사용자 선호도 정보만을 이용한 부분 집합 생성보다 추천의 신뢰도를 높이고, 초기 평가 문제와 초기 이용자 문제를 일부 해소한다. 둘째, 미리 구성된 사용자와 아이템의 군집을 기반으로 군집간의 선호도를 이용해 추천을 수행한다. 사용자가 속한 군집의 선호도가 높은 순서대로 아이템 군집을 조회하여 사용자에게 제공할 아이템 목록을 구성하여, 추천 시스템의 부하 대부분을 모델 생성 단계에서 부담하고 실제 수행 시 부하를 최소화한다. 셋째, 누락된 사용자 선호도 정보를 사용자와 아이템 군집을 이용하여 예측함으로써 협업 필터링 추천 기법의 사용자 선호도 정보 희박성으로 인한 문제를 해소한다. 넷째, 사용자와 아이템의 특성 벡터를 사용자의 피드백에 따라 학습시켜 아이템과 사용자의 정성적 특성 정량화의 어려움을 해결한다. 본 연구의 검증은 기존에 제안되었던 하이브리드 필터링 기법들과의 성능 비교를 통해 이루어졌으며, 평가 방법으로는 평균 절대 오차와 응답 시간을 이용하였다.

• 지능정보연구
• /
• 제19권4호
• /
• pp.123-132
• /
• 2013

최근 스마트 폰에 다양한 센서를 내장할 수 있게 되었고 스마트폰에 내장된 센서를 이용항 동작 인지에 관한 연구가 활발히 진행되고 있다. 스마트폰을 이용한 동작 인지는 노인 복지 지원이나 운동량 측정. 생활 패턴 분석, 운동 패턴 분석 등 다양한 분야에 활용될 수 있다. 하지만 스마트 폰에 내장된 센서를 이용하여 동작 인지를 하는 방법은 사용되는 센서의 수에 따라 단일 센서를 이용한 동작인지와 다중 센서를 이용한 동작인지로 나눌 수 있다. 단일 센서를 이용하는 경우 대부분 가속도 센서를 이용하기 때문에 배터리 부담은 줄지만 다양한 동작을 인지할 때에 특징(feature) 추출의 어려움과 동작 인지 정확도가 낮다는 문제점이 있다. 그리고 다중 센서를 이용하는 경우 대부분 가속도 센서와 중력센서를 사용하고 필요에 따라 다른 센서를 추가하여 동작인지를 수행하며 다양한 동작을 보다 높은 정확도로 인지할 수 있지만 다수의 센서를 사용하기 때문에 배터리 부담이 증가한다는 문제점이 있다. 따라서 본 논문에서는 이러한 문제를 해결하기 위해 스마트 폰에 내장된 가속도 센서를 이용하여 다양한 동작을 높은 정확도로 인지하는 방법을 제안한다. 서로 다른 10가지의 동작을 높을 정확도로 인지하기 위해 원시 데이터로부터 17가지 특징을 추출하고 각 동작을 분류하기 위해 Ensemble of Nested Dichotomies 분류기를 사용하였다. Ensemble of Nested Dichotomies 분류기는 다중 클래스 문제를 다수의 이진 분류 문제로 변형하여 다중 클래스 문제를 해결하는 방법으로 서로 다른 Nested Dichotomy 분류기의 분류 결과를 통해 다중 클래스 문제를 해결하는 기법이다. Nested Dichotomy 분류기 학습에는 Random Forest 분류기를 사용하였다. 성능 평가를 위해 Decision Tree, k-Nearest Neighbors, Support Vector Machine과 비교 실험을 한 결과 Ensemble of Nested Dichotomies 분류기를 사용하여 동작 인지를 수행하는 것이 가장 높은 정확도를 보였다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.27-42
• /
• 2020

인터넷이라는 가상 공간을 활용함으로써 물리적 공간의 제약을 갖는 오프라인 쇼핑의 한계를 넘어선 온라인 쇼핑은 다양한 기호를 가진 소비자를 만족시킬 수 있는 수많은 상품을 진열할 수 있게 되었다. 그러나, 이는 역설적으로 소비자가 구매의사결정 과정에서 너무 많은 대안을 비교 평가해야 하는 어려움을 겪게 함으로써 오히려 상품 선택을 방해하는 원인이 되기도 한다. 이런 부작용을 해소하기 위한 노력으로서, 연관 상품 추천은 수많은 상품을 다루는 온라인 상거래에서 소비자의 구매의사결정 과정 중 정보탐색 및 대안평가에 소요되는 시간과 노력을 줄여주고 이탈을 방지하며 판매자의 매출 증대에 기여할 수 있다. 연관 상품 추천에 사용되는 연관 규칙 마이닝 기법은 통계적 방법을 통해 주문과 같은 거래 데이터로부터 서로 연관성 높은 상품을 효과적으로 발견할 수 있다. 하지만, 이 기법은 거래 건수를 기반으로 하므로, 잠재적으로 판매 가능성이 높을지라도 충분한 거래 건수가 확보되지 못한 상품은 추천 목록에서 누락될 수 있다. 이렇게 추천 시 제외된 상품은 소비자에게 구매될 수 있는 충분한 기회를 확보하지 못할 수 있으며, 또 다시 다른 상품에 비해 상대적으로 낮은 추천 기회를 얻는 악순환을 겪을 수도 있다. 본 연구는 구매의사결정이 결국 상품이 지닌 속성에 대한 사용자의 평가를 기반으로 한다는 점에 착안하여, 추천 시 상품의 속성을 반영하면 소비자가 특정 상품을 선택할 확률을 좀더 정확하게 예측할 수 있다는 점을 추천 시스템에 반영하기 위한 목적으로 수행되었다. 즉, 어떤 상품 페이지를 방문한 소비자는 그 상품이 지닌 속성들에 어느 정도 관심을 보인 것이며 추천 시스템은 이런 속성들을 기반으로 연관성을 지닌 상품을 더 정교하게 찾을 수 있다는 것이다. 상품의 주요 속성의 하나로서, 카테고리는 두 상품 간에 아직 드러나지 않은 잠재적인 연관성을 찾기에 적합한 대상이 될 수 있다고 판단하였다. 본 연구는 연관 상품 추천에 상품 간의 연관성뿐만 아니라 카테고리 간의 연관성을 추가로 반영함으로써 추천의 정확도를 높일 수 있는 예측모형을 개발하였고, 온라인 쇼핑몰로부터 수집된 주문 데이터를 활용하여 이루어진 실험은 기존 모형에 비해 추천 성능이 개선됨을 보였다. 실무적인 관점에서 볼 때, 본 연구는 소비자의 구매 만족도를 향상시키고 판매자의 매출을 증가시키는 데에 기여할 수 있을 것으로 기대된다.

• 생물환경조절학회지
• /
• 제28권1호
• /
• pp.78-85
• /
• 2019

본 연구에서는 본 연구실에서 자체적으로 제작한 비교적 제작이 간편하고 비용이 저렴한 강제 흡출식 복사선차폐장치(Aspirated Radiation Shield; ARS)로 측정한 실측 데이터를 바탕으로 장치의 성능과 온도 및 상대습도의 측정오차에 대하여 보고하고자 연구를 수행하였다. 그 결과를 요약하면 다음과 같다. ARS장치와 진주기상대에서 측정한 최대, 평균 및 최저온도의 범위는 각각 $2.0{\sim}34.1^{\circ}C$ 및 $0.4{\sim}31.5^{\circ}C$, $-6.1{\sim}22.2^{\circ}C$ 및 $-5.8{\sim}22.0^{\circ}C$, $-14.1{\sim}16.3^{\circ}C$ 및 $-14.0{\sim}15.1^{\circ}C$범위로 나타났다. 최대기온의 최저 및 최고온도에서 각각 $1.6^{\circ}C$ 및 $2.6^{\circ}C$정도 교내에서 측정한 값이 약간 높게 나타난 것을 제외하면, 두 기관에서 측정한 온도에 큰 차이가 없는 것을 알 수 있었다. 표준온도계의 측정값과 검증한 결과, ARS장치로 측정한 온도가 표준온도계에 비해 $-2.0^{\circ}C$정도 낮거나 $1.8^{\circ}C$보다 높게 나타나났다. 표준온도계와 상관분석 한 결과, 결정계수는 0.99정도였다. 팬의 유무에 따른 온도의 경우, 전체적으로 팬이 없는 경우가 최고, 평균 및 최저온도가 각각 $0.5{\sim}7.6^{\circ}C$, $0.3{\sim}4.6^{\circ}C$ 및 $0.5{\sim}3.9^{\circ}C$정도 높게 나타났다. 그리고 ARS장치와 진주기상대에서 측정한 일평균 상대습도는 전체적으로 ARS장치로 측정한 값이 약간 높은 경향이 있고, 특히 상대적으로 6월 27일, 7월 26일, 29일, 8월 20일에 측정한 값이 각각 5.7%, 5.2%, 9.1% 및 5.8%정도로 다소 높게 나타났지만, 두 기관의 월별 평균치는 2.0~3.0%정도로 미미한 수준이었다. 또한 ARS장치와 아스만 통풍습도계로 측정한 상대습도는 전체적으로 -3.98~+7.78%정도의 범위 내에 있는 것으로 나타났다. 진주기상대와 아스만 통풍습도계로 측정한 상대습도를 상관분석 결과, 결정계수가 각각 0.94 및 0.97정도로써 높은 상관관계를 보였다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.219-239
• /
• 2019

개인에게 맞춤형 서비스를 제공하는 것이 중요해지면서 개인화 추천 시스템 관련 연구들이 끊임없이 이루어지고 있다. 추천 시스템 중 협업 필터링은 학계 및 산업계에서 가장 많이 사용되고 있다. 다만 사용자들의 평점 혹은 사용 여부와 같은 정량적인 정보에 국한하여 추천이 이루어져 정확도가 떨어진다는 문제가 제기되고 있다. 이와 같은 문제를 해결하기 위해 현재까지 많은 연구에서 정량적 정보 외에 다른 정보들을 활용하여 추천 시스템의 성능을 개선하려는 시도가 활발하게 이루어지고 있다. 리뷰를 이용한 감성 분석이 대표적이지만, 기존의 연구에서는 감성 분석의 결과를 추천 시스템에 직접적으로 반영하지 못한다는 한계가 있다. 이에 본 연구는 리뷰에 나타난 감성을 수치화하여 평점에 반영하는 것을 목표로 한다. 즉, 사용자가 직접 작성한 리뷰를 감성 수치화하여 정량적인 정보로 변환해 추천 시스템에 직접 반영할 수 있는 새로운 알고리즘을 제안한다. 이를 위해서는 정성적인 정보인 사용자들의 리뷰를 정량화 시켜야 하므로, 본 연구에서는 텍스트 마이닝의 감성 분석 기법을 통해 감성 수치를 산출하였다. 데이터는 영화 리뷰를 대상으로 하여 도메인 맞춤형 감성 사전을 구축하고, 이를 기반으로 리뷰의 감성점수를 산출한다. 본 논문에서 사용자 리뷰의 감성 수치를 반영한 협업 필터링이 평점만을 고려하는 전통적인 방식의 협업 필터링과 비교하여 우수한 정확도를 나타내는 것을 확인하였다. 이후 제안된 모델이 더 개선된 방식이라고 할 근거를 확보하기 위해 paired t-test 검증을 시도했고, 제안된 모델이 더 우수하다는 결론을 도출하였다. 본 연구에서는 평점만으로 사용자의 감성을 판단한 기존의 선행연구들이 가지는 한계를 극복하고자 리뷰를 수치화하여 기존의 평점 시스템보다 사용자의 의견을 더 정교하게 추천 시스템에 반영시켜 정확도를 향상시켰다. 이를 기반으로 추가적으로 다양한 분석을 시행한다면 추천의 정확도가 더 높아질 것으로 기대된다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.

• 생물환경조절학회지
• /
• 제5권2호
• /
• pp.215-235
• /
• 1996

본 연구에서 수행한 Model 시뮬레이션에 의한 열환경 분석 기법은 지역별로 다양한 기상여건 하에서 대상온실의 난방 및 냉방부하를 보다 합리적으로 예측할 수 있을 뿐만 아니라 냉방이나 난방용 시스템의 결정을 비롯한 난방대책을 수립하고, 에너지 이용 전략의 수립이나 계절적인 작부계획 수립, 온실산업용 적지선정 등에 유익하게 활용될 수 있을 것이라 판단된다. 본 연구에서는 온실의 적극적인 환경조절 유형을 난방과 냉방의 두 가지로 대별하고, 난방 소요열량 산정을 비롯하여 야간의 보온 커튼효과, Heating Degree-Hour 산정 등 난방과 관련된 시뮬레이션은 동적 모형을 이용하여 시간별, 일별 및 월별로 검토하였으며, 환기를 비롯한 차광, 증발냉각시스템의 효과 분석은 정적모형을 이용하여 검토하였다. 특히 하절기 지하수와 같은 저온수를 직접 이용하거나 Heat Pump를 통하여 확보될 수 있는 저온수를 이용하여 온실의 피복면에 살수함으로서 확보할 수 있는 온실냉방효과를 검토하는 데는 1.2m$\times$2.4m 크기의 모형온실을 제작하여 기초실험을 수행함으로서 동절기의 수막시스템의 보온효과와 마찬가지로 하절기 냉방 효과를 거둘 수 있다는 가능성을 확인하였다. 본 연구에 활용된 온실의 수치 환경모형 중 난방관련 시뮬레이션용 동적 수치모형은 소기의 목적을 달성하는데 충분히 응용될 수 있는 이론모형이다. 이 이론모형이 범용성이 높은 것은 온실 내ㆍ외의 미기상 변화, 특히 난방이나 냉방이 본격적으로 요구되는 기간동안에 온도, 습도, 일사, 풍속 등의 미기상 인자들을 면밀하게 관찰하여 실측된 자료를 바탕으로 개발되었고, 다양한 자료에 의해 충분히 검정되었기 때문이다. 본 연구에서는 경남 진주지역의 어느 특정 기간(1987년)의 시간별 기상자료를 중심으로 온실의 열적 환경변화에 대한 수치모형 시뮬레이션을 실시하였으며, 아직 수치모형에 의한 시뮬레이션이 불가능한 일부 냉방효과를 검토하는 데는 모형 실험을 실시하였으며, 그 결과를 요약하면 다음과 같다. 1. 주간과 야간의 설정온도를 달리하고 다단계 변온조절방식으로 시뮬레이션을 행한 결과 난방 소요열량은 난방 설정온도에 따라 현저한 차이를 보였다. 특히 주간 설정온도에 비하여 야간 설정온도가 난방 소요열량에 예민하게 영향을 미치므로 야간의 설정온도 결정에 신중을 기해야 할 것으로 판단된다. 2. 기존의 Heating Degree-Hour 자료는 평균 외기온을 중심으로 임의의 설정온도에 대하여 산정된 값이므로 난방 소요열량에 대한 상대적인 비교수단은 되나 고려되는 기상인자의 제한과 설정온도의 임의성 때문에 실용성이 부족하다. 따라서 본 연구에서 제시된 것처럼 온실 주변의 제반 미기상 인자나 경계조건이 반영됨은 물론 작물의 생육상태 및 구체적인 설정온도까지도 고려하는 동적 수치모형으로 시시각각으로 예측된 실내기온을 중심으로 재배기간 동안의 난방열량을 적산함이 합리적이라 판단된다. 기존의 MDH 자료로 난방 설계를 할 경우에는 지나치게 과잉설계 될 가능성이 있다. 3. 산정된 난방 소요열량은 물론 커튼의 보온성능도 월별 기상여건에 따라 현저한 차이를 보이며, 시뮬레이션에 이용된 커튼의 경우 높은 보온효과를 보임으로서 년 평균 50% 이상의 난방 에너지를 절감할 수 있으며, 동절기 3-4개월의 집중 난방기에 에너지가 크게 절감됨을 발견할 수 있다. 4. 고온기 환기성능은 온실의 구조, 기상조건, 작물의 생육상태 등에 따라 다소의 차이가 있으나 환기율에 의해 크게 좌우되며, 시뮬레이션에 이용된 두 가지 농가보급형 온실 모두 환기율의 증가에 따른 실내기온의 강하 효과가 환기율이 1회/min 정도를 넘어서면서 급격히 둔화되는 현상을 보인다. 이는 기존에 권장되고 있는 적정 환기율인 1회/min 전후의 환기 시스템을 갖추는 것이 합리적임을 확인해 준다. 5. 작물이 성숙된 유리온실에서 외기의 상대습도가 50%인 쾌청한 주간동안 연속적으로 1회/min로 환기를 시킬 경우 실내기온 36.5$^{\circ}C$의 대조구에 비한 온도강하는 50% 차광만 했을 시 2.6$^{\circ}C$이고 효율 80%의 Pad ＆ Fan 시스템만 작동시 6.1$^{\circ}C$ 정도이며, 차광과 냉각시스템을 동시에 작동시는 약 8.6$^{\circ}C$로서 외기온보다 3.3$^{\circ}C$가 낮은 28$^{\circ}C$까지 실내온도를 낮출 수 있으나, 동일 조건하에서 외기의 상대습도가 80%로 높은 경우에는 Pad ＆ Fan시스템에 의한 온도강하가 2.4$^{\circ}C$에 불과하여 50% 차광하에서도 외기온 이하로 실내온도를 낮출 수 없음을 알 수 있다. 6. 하절기 3개월(6/1-8/31)동안 Pad ＆ Fan 시스템의 냉방효과($\Delta$T)는 설정된 작동 온도에 따라 다소 차이를 보일 것으로 예상되나 본 시뮬레이션에서 설정한 시스템의 작동 온도 27$^{\circ}C$에서 상대습도와의 상관관계는 대략 다음과 같았다: $\Delta$T= -0.077RH＋7.7 7. 전형적인 하절기 주간기상 하에서 경시적 냉방효과를 분석한 결과 환기만으로는 실내기온을 외기온 보다 5$^{\circ}C$ 높게 유지하는 정도가 고작이고, 차광이나 증발식 냉방시스템 만으로는 작물이 성숙한 단계에서조차도 외기온 이하로 떨어뜨리기가 어려우나 차광과 아울러 증발식 냉방을 병행할 경우에는 작물상태에 따라 다소 차이는 있지만 실내기온을 외기온보다 2.0-2.3$^{\circ}C$ 낮게 유지할 수 있음을 발견할 수 있다. 8. 일사가 차단된 27.5-28.5$^{\circ}C$의 외기온하에서 6.5-8.5$^{\circ}C$의 냉수를 온실 바닥면적 1$m^2$당 1.3 liter/min의 유량으로 온실표면에 살수했을 때 실내기온을 외기온보다 1$0^{\circ}C$ 낮은 16.5-18.$0^{\circ}C$ 정도로 낮출 수 있었다. 앞으로 살수 수온(T$_{w}$ )이나 외기온(T$_{o}$ ) 뿐만아니라 살수율(Q)에 따라 온실기온 (T$_{g}$ )에 미치는 상관 관계 T$_{g}$ = f(T$_{w}$ , Q, T$_{o}$ )를 구명하여 지하수 자체 또는 Heat Pump를 이용한 지하수온 이하의 냉수로 온실냉방의 가능성을 구명하는 것이 앞으로의 과제이다.

• 수산해양기술연구
• /
• 제9권1호
• /
• pp.1-18
• /
• 1973

중층트를 어구(漁具)의 소해심도(掃海深度)를 일정(一定)한 적정어획속도(適正漁獲速度)에서 기동성(機動性)있게 변화(變化)시키기 위하여 기초적인 모형어구(模型漁具)의 수조실험(水槽實驗)과 특별(特別)히 고안한 깊이바꿈틀을 이용(利用)한 이차(二次)에 걸친 해상시험(海上試驗)을 통(通)하여 연구한 결과를 요약(要約)하면 다음과 같다. 1. 중층(中層)트롤의 그물어구의 깊이 y는 끌줄의 길이 L과 단위(單位) 길이의 끌줄, 깊이바꿈틀 및 그물의 각(各) 수중중량(水中重量) $W_r,\;W_o,\;W_n$과 각(各) 항력(抗力) $R_r,\;R_o,\;R_n$ 사이의 관계(關係)는 차원해석법(次元解析法)에 의하면 다음과 같다. $$y=kLf(\frac{W_r}{R_r},\;\frac{W_o}{R_o},\;\frac{W_n}{R_n})$$ 단(但), k는 상수(常數)이고 f는 함수이다. 2. 단위 길이당(當)의 수중중량(水中重量) $W_r$, 길이 L인 끌줄 끝에 항력(抗力) $D_n$, 수중중량(水中重量) $W_n$d인 수중저항분를 매달고 끌줄의 다른 한 끝을 수면(水面)에서 예인(曳引)할 때,. 끌줄의 형상(形狀)을 현수곡선이라고 보면, 수중저항분의 깊이 y는 다음과 같다. $$y=\frac{1}{W_r}\{\sqrt{{D_n^2}+{(W_n+W_rL)^2}}-\sqrt{{D_n^2+W_n}^2\}$$ 3. 중층(中層)트롤의 그물어구(漁具)깊이의 변화(變化) ${\Delta}y$는 예강(曳綱)의 길이 L을 바꾸거나 추(錘) ${\Delta}W_n$를 부가(附加)하면 다음과 같다. $${\Delta}y{\approx}\frac{W_n+W_{r}L}{\sqrt{D_n^2+(W_n+W_{r}L)^2}}{\Delta}L$$ $${\Delta}y{\approx}\frac{1}{W_r}\{\frac{W_n+W_rL}{\sqrt{D_n^2+(W_n+W_{r}L)^2}}-{\frac{W_n}{\sqrt{D_n^2+W_n^2}}\}{\Delta}W_n$$ 단(但), $D_n$은 그물어구의 항력(抗力)이다. 4. 끌줄 상(上)의 중간점(中間点)에 추(錘) $W_s$를 부가(附加)할 때 중층(中層)트롤 그물어구의 깊이바꿈 ${\Delta}y$는 $${\Delta}y=\frac{1}{W_r}\{(T_{ur}'-T_{ur})-T_u'-T_u)\}$$ 단(但) $$T_{ur}^l=\sqrt{T_u^2+(W_s+W_{r}L)^2+2T_u(W_s+W_{r}L)sin{\theta}_u$$ $$T_{ur}=\sqrt{T_u^2+(W_{r}L)^2+2T_uW_{r}L\;sin{\theta}_u$$ $$T_{u}'=\sqrt{T_u^2+W_s^2+2T_uW_{s}\;sin{\theta}_u$$ $T_u$ 추(錘)를 부가(附加)하지 않았을 때 끌줄 상(上)의 중간점(中間点)에 있어서의 예인어선(曳引漁船) 쪽을 향하는 장력(張力)이고, ${\theta}_u$는 장력(張力) $T_u$와 수평방향(水平方向)과 이루는 각도(角度)이다. 5. 어떠한 형태(形態)의 저예강용(底曳綱用) 전개판(展開板)도 성능(性能)에 있서어 차이는 있으나 전중량(全重量)을 가볍게 하고 저변(底邊)에 무게를 달아 안정(安定)시키면 중층예강용(中層曳綱用)으로 사용(使用)할 수 있다는 것이 모형(模型) 실험(實驗)결과 밝혀졌다. 6. 모형(模型) 그물(Fig.6)의 수조실험(水槽實驗)에서는 예강속도(曳綱速度) v m/sec, 강고(綱高) H cm 및 수유저항(水流抵抗) R kg 사이에는 다음과 같은 간단(簡單)한 관계식(關係式)이 성립(成立)한다. $$H=8+\frac{10}{0.4+v}$$$R=3+9v^2$$ 7. 특별(特別)히 고안한 십자(十字)날개형(型) 깊이바꿈틀과 H날개형(型) 깊이 바꿈틀을 비교(比較)한 결과(結果) 전자(前者)보다 안정성(安定性)이 우월하였다. 8. 그물어구(漁具)의 유수저항(流水抵抗)이 매우 크며 또 거의가 항력(抗力)으로 볼 수 있으므로 깊이바꿈틀의 종류에 관계없이 그물어구의 소해심도(掃海深度)는 대단히 안정(安定)된 상태를 유지하였다. 9. H날개형(型) 깊이바꿈틀의 수평(水平)날개 면적율 $1.2{\times}2.4m^2$로 하였을 때 유수저항(流水抵抗) 2 ton의 그물 어구를 2.3kts로 예인(曳引)하면서 영각(迎角)을 $0^{\circ}{\sim}30^{\circ}$로 변화(變化)시킨 결과(結果), 끌줄의 길이에 관계없이 약(約) 20m의 깊이바꿈을 얻을 수 있었다.

• 지능정보연구
• /
• 제19권1호
• /
• pp.57-77
• /
• 2013

소셜 미디어는 모바일 어플리케이션과 웹에서 가장 많이 사용되는 미디어 중 하나이다. Nielsen사의 보고서에 따르면 소셜 네트워크 서비스와 블로그가 온라인 사용자의 주 활동 공간으로 사용되고 있으며, 미국인 중에서 온라인 활동이 왕성한 5명의 사용자중 4명은 매일 소셜 네트워크 서비스와 블로그를 방문하고 온라인 활동 시간의 23%를 소비한다고 집계하고 있다. 미국의 인터넷 사용자들은 야후, 구글, AOL 미디어 네트워크, 트위터, 링크드인 등과 같은 소셜 네트워크 서비스중 페이스북에서 가장 많은 시간을 소비한다. 최근에는 대부분의 회사들이 자신의 특정 상품에 대하여 "페이스북 페이지(Facebook Page)"를 생성하고 상품에 대한 프로모션을 진행한다. 페이스북에서 제공되는 "좋아요" 옵션은 페이스북 페이지를 통해 자신이 관심을 가지는 상품(아이템)을 표시하고 그 상품을 지지할 수 있도록 한다. 많은 영화를 제작하는 영화 제작사들도 페이스북 페이지와 "좋아요" 옵션을 이용하여 영화 프로모션과 마케팅에 이용한다. 일반적으로 다수의 스트리밍 서비스 제공업들도 영화와 TV 프로그램을 즐기며 볼 수 있는 서비스를 사용자들에게 제공한다. 이 서비스는 일반 컴퓨터와 TV 등의 단말기에서인터넷을 통해 영화와 TV 프로그램을 즉각적으로 제공할 수 있다. 스트리밍 서비스의 선두 주자인 넷플릭스는 미국, 라틴 아메리카, 영국 그리고 북유럽 국가 등에 3천만 명 이상의 스트리밍 사용자가 가입되어 있다. 또한 넥플릭스는 다양한 장르로 구성된 수백만 개의 영화와 TV 프로그램을 보유하고 있다. 하지만 수많은 콘텐츠로 인해 사용자들은 자신이 선호하는 장르에 관련된 영화와 TV 프로그램을 찾기 위해 많은 시간을 소비해야 된다. 많은 연구자들이 이러한 사용자의 불편함을 줄이기 위해 아이템에 대한 사용자가 보지 않은 아이템에 대한 선호도를 예측하고 높은 예측값을 갖는 아이템을 사용자에게 제공하기 위한 추천 시스템을 적용하였다. 협업적 여과 방법은 추천 시스템을 구축하기 위해 가장 많이 사용되는 방법이다. 협업적 여과 시스템은 사용자들이 평가한 아이템을 기반으로 각 사용자 간의 유사도를 측정하고 목적 사용자와 유사한 성향을 가진 사용자 그룹을 결정한다. 군집된 그룹은 이웃 사용자 집단으로 불리며 이를 이용하여 특정 아이템에 대한 선호도를 예측하고, 예측 값이 높은 아이템을 목적 사용자에게 추천해 준다. 협업적 여과 방법이 적용되는 분야는 서적, 음악, 영화, 뉴스 및 비디오 등 다양하지만 논문에서는 영화에 초점을 맞춘다. 이 협업적 여과 방법이 추천 시스템 내에서 유용하게 활용되고 있지만 아직 "희박성 문제"와 "콜드 스타트 문제" 등 해결해야 할 과제가 남아있다. 희박성 문제는 아이템의 수가 증가할수록 아이템에 대한 사용자의 로그 밀도가 감소하는 것이다. 즉, 전체 아이템 수에 비해 사용자가 아이템에 대해 평가한 정보가 충분하지 않기 때문에 사용자의 성향을 파악하기 어렵고, 이로 인해 사용자가 아직 평가하지 않은 아이템에 대해서 선호도를 추측하기 어려운 것을 말한다. 이 희박성 문제가 포함된 경우 적합한 이웃 사용자 집단을 형성하는데 어려움을 겪게 되고 사용자들에게 제공되는 아이템 추천의 질이 떨어지게 된다. 콜드 스타트 문제는 시스템 내에 새로 들어온 사용자 또는 아이템으로 지금까지 한 번도 평가를 하지 않은 경우에 발생한다. 즉, 사용자가 평가한 아이템에 대한 정보가 전혀 포함되어 있지 않거나 매우 적기 때문에 이러한 경우 또한 적합한 이웃 사용자 집단을 형성하는데 어려움을 겪게 되고 사용자가 평가하지 않은 아이템에 대한 선호도 예측의 정확성이 감소되게 된다. 본 논문에서는 영화 추천 시스템에서 발생될 수 있는 초기 사용자 문제를 해결하기 위하여 사용자가 평가한 영화와 소셜 네트워크 서비스로부터 추출된 사용자 선호 장르를 활용하여 사용자 군집을 형성하고 이를 활용하는 방법을 제안한다. 소셜 네트워크 서비스로부터 사용자가 선호하는 영화 장르를 추출하기 위해 페이스북 페이지의 '좋아요' 옵션을 이용하며, 이 '좋아요' 정보를 분석하여 사용자의 영화 장르 관심사를 추출한다. 페이스북의 영화 페이지는 각 영화를 위한 페이스북 페이지로 구성되고 있으며, 사용자는 자신의 선호도에 따라서 "좋아요" 옵션을 선택할 수 있다. 사용자의 페이스북 정보는 페이스북 그래프 API를 활용하여 추출되고 이로부터 사용자 선호 영화를 알 수 있게 된다. 시스템에서 활용되는 영화 정보는 인터넷 영화 데이터베이스인 IMDb로부터 획득한다. IMDb는 수많은 영화와 TV 프로그램을 보유하고 있으며, 각 영화에 관련된 배우 정보, 장르 및 부가 정보들을 포함한다. 논문에서는 사용자가 "좋아요" 표시를 한 영화 페이지를 이용하여 IMDb로부터 영화 장르 정보를 가져온다. 그리고 추출된 영화 장르 선호도와 본 시스템에서 제안하는 영화 평가 항목을 이용하여 유사한 이웃 사용자 집단을 구성한 후, 사용자가 평가하지 않은 아이템에 대한 선호도를 예측하고, 높은 예측 값을 갖는 아이템을 사용자에게 추천한다. 본 논문에서 제안한 사용자의 선호 장르 기반의 사용자 군집 기법을 이용한 시스템을 평가하기 위해서 IMDb 데이터 집합을 이용하여 사용자 영화 평가 시스템을 구축하였고 참가자들의 영화 평가 정보를 획득하였다. 페이스북 영화 페이지 정보는 참가자들의 페이스북 계정과 페이스북 그래프 API를 통해 획득하였다. 사용자 영화 평가 시스템을 통해 획득된 사용자 데이터를 제안하는 방법에 적용하였고 추천 성능, 품질 및 초기 사용자 문제를 벤치마크 알고리즘과 비교하여 평가하였다. 실험 평가의 결과 제안하는 방법을 적용한 추천 시스템을 통해 추천의 품질을 10% 향상시킬 수 있었고, 초기 사용자 문제에 대해서 15% 완화시킬 수 있음을 볼 수 있었다.