• 생물환경조절학회지
• /
• 제22권3호
• /
• pp.284-290
• /
• 2013

본 연구는 시설재배에서 참외를 수확할 수 있는 로봇의 엔드이펙터를 개발하기 위한 전단계로서, 참외의 엔드이펙트 중에서 소프트 핸드링이 가능한 그립퍼와 참외줄기를 절단하는 커터를 설계하기 위해 참외의 기하학, 압축, 절단, 마찰 특성 등을 분석하였다. 그 결과 참외의 길이는 평균 108mm, 직경은 중간지점에서 평균 70mm, 중량은 평균 188g, 부피는 평균 333mL, 진원도는 평균 3.8mm로 나타났다. 참외의 중량(W)에 대하여 길이(L)와 직경(D2)을 변수로 하는 식 $W=L^a{\times}D_2^b$로부터 비선형 회귀분석을 실시한 결과 a는 2.0279, b는 -0.9998의 상수값을 가지는 상관관계가 있는 것으로 나타났다. 참외줄기의 지름은 평균 3.8mm이며, 참외 줄기는 중심으로부터 반경 5mm 범위 내에서 대부분 분포하였다. 참외의 항복치와 압축강도, 경도의 평균값은 각각 $36.5N/cm^2$, $185.7N/cm^2$, $636.7N/cm^2$이며, 참외 줄기의 절단력과 절단강도는 각각 $2.87{\times}10^{-2}N$와 $5.60N/cm^2$로 나타났다. 참외의 마찰계수는 고무가 0.609으로 가장 높게 나타났고, 그 다음으로 알루미늄이 0.393, 스테인레스강이 0.177, 테프론이 0.079로 나타났다. 분석된 자료를 토대로 엔드이펙터 설계시 동작에 따른 위치 오차와 안전율을 감안하여, 그립퍼의 및 커터의 크기, 선회반경, 설치위치, 구동모터의 동력, 재료 및 재질의 선정 등에 적용할 수 있을 것으로 판단되었다.

• 지능정보연구
• /
• 제22권4호
• /
• pp.177-192
• /
• 2016

기계학습(Machine Learning)은 인공 지능의 한 분야로, 데이터를 이용하여 기계를 학습시켜 기계 스스로가 데이터 분석 및 예측을 하게 만드는 것과 관련한 컴퓨터 과학의 한 영역을 일컫는다. 그중에서 SVM(Support Vector Machines)은 주로 분류와 회귀 분석을 목적으로 사용되는 모델이다. 어느 두 집단에 속한 데이터들에 대한 정보를 얻었을 때, SVM 모델은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 집단에 속할지를 판단해준다. 최근 들어서 많은 금융전문가는 기계학습과 막대한 데이터가 존재하는 금융 분야와의 접목 가능성을 보며 기계학습에 집중하고 있다. 그러면서 각 금융사는 고도화된 알고리즘과 빅데이터를 통해 여러 금융업무 수행이 가능한 로봇(Robot)과 투자전문가(Advisor)의 합성어인 로보어드바이저(Robo-Advisor) 서비스를 발 빠르게 제공하기 시작했다. 따라서 현재의 금융 동향을 고려하여 본 연구에서는 기계학습 방법의 하나인 SVM을 활용하여 매매성과를 올리는 방법에 대해 제안하고자 한다. SVM을 통한 예측대상은 한국형 변동성지수인 VKOSPI이다. VKOSPI는 금융파생상품의 한 종류인 옵션의 가격에 영향을 미친다. VKOSPI는 흔히 말하는 변동성과 같고 VKOSPI 값은 옵션의 종류와 관계없이 옵션 가격과 정비례하는 특성이 있다. 그러므로 VKOSPI의 정확한 예측은 옵션 매매에서의 수익을 낼 수 있는 중요한 요소 중 하나이다. 지금까지 기계학습을 기반으로 한 VKOSPI의 예측을 다룬 연구는 없었다. 본 연구에서는 SVM을 통해 일 중의 VKOSPI를 예측하였고, 예측 내용을 바탕으로 옵션 매매에 대한 적용 가능 여부를 실험하였으며 실제로 향상된 매매 성과가 나타남을 증명하였다.