• 농약과학회지
• /
• 제21권1호
• /
• pp.42-48
• /
• 2017

본 연구는 침투성 살충제 thiacloprid와 비침투성 살충제 lufenuron을 포도에 살포시 유대와 무대조건에서 이들 약제의 잔류량 변화를 경시적으로 분석하여 잔류패턴을 비교하고자 하였다. 시험은 전북 김제 포장에서 수행하였으며 시험대상 포도의 품종은 켐벨이었다. 시험농약으로는 thiacloprid 10% 액상수화제와 lufenuron 5% 유제를 각각 2,000배 희석한 다음 배부식 동력분무기를 이용하여 경엽살포하였다. Thiacloprid 및 lufenuron 잔류시험은 수확 전 14-7-0일에 약제처리한 다음 최종살포 후 0, 1, 3, 5 및 7일에 수확하였고, 통시료, 과육 및 과피시료로 구분하여 균질화 한 후 두 약제를 HPLC-UVD를 사용하여 분석하였다. 두 성분의 회수율과 RSD는 각각 76.5-104.3과 81.4-100.8%, 0.7-6.0과 1.4-6.8% 범위이었으며, 검출한계는 두 약제 모두 0.01 mg/kg이었다. 유대시료에서는 thiacloprid와 lufenuron 모두 검출한계 미만으로 검출되었고, 무대시료에서 thiacloprid의 잔류량은 통시료 0.47-1.09, 과육시료 0.18-0.33 및 과피시료 1.24-1.67 mg/kg으로 경시적으로 감소하였다. Lufenuron의 잔류량은 통시료 0.16-0.61 mg/kg, 과육시료 < LOD-0.08 및 과피시료 0.85-1.48 mg/kg으로 경시적으로 감소하였다.

• 원예과학기술지
• /
• 제28권3호
• /
• pp.381-386
• /
• 2010

과립 비대기 동안의 괘대시기가 '거봉' 포도의 열과에 미치는 영향을 구명하기 위하여 포도 과립의 생육 및 과피의 특성 변화를 조사하였다. 포도 과립중은 만개후 7-9주간 괘대한 후기 처리구에서 13.4g으로 가장 높았으며, 전기간 괘대구가 12.3g으로 가장 낮았다. 한계팽압에서 포도 과립의 열과율이 무대구에서 53.3% 이상 발생하여 가장 높았던 반면, 처리구에서는 전기간 괘대구(42.7%), 초기 괘대구(37.3%), 중기 괘대구(33.3%), 후기 괘대구(18.7%)의 순으로 열과가 경감되었다. 과피의 조직학적 특성을 관찰한 결과, 무대 처리에 비해 괘대 처리구에서 과피 표면의 과점의 크기가 작았으며 형태가 건전하였다. 특히 후기 괘대구에서는 기공 주변이 코르크화와 미세균열이 관찰되지 않았으며, 과피의 아표피층과 세포벽의 두께가 증가하여 과피가 구조적으로 강화되었다. 따라서 상대적으로 일조시간이 길고 광도가 높은 변색기 직전에 2주간 괘대처리가 '거봉' 포도의 과피 구조를 강화시켜 열과 겸감에 효과적임을 확인할 수 있었다.

• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제15권2호
• /
• pp.135-139
• /
• 2009

본 논문에서는 지역 전문가를 이용한 새로운 앙상블 방법을 제시하고자 한다. 이 앙상블 방법에서는 학습 데이타를 분할하여 속성 공간의 서로 다른 지역을 이용하여 전문가를 학습시킨다. 새로운 데이타를 분류할 때에는 그 데이타가 속한 지역을 담당하는 전문가들로 가중치 투표를 한다. UCI 기계 학습 데이타 저장소에 있는 10개의 데이타를 이용하여 단일 분류기, Bagging, Adaboost와 정확도를 비교하였다. 학습 알고리즘으로는 SVM, Naive Bayes, C4.5를 사용하였다. 그 결과 지역 전문가의 앙상블 학습 방법이 C4.5를 학습 알고리즘으로 사용한 Bagging, Adaboost와는 비슷한 성능을 보였으며 나머지 분류기보다는 좋은 성능을 보였다.

• The Journal of the Acoustical Society of Korea
• /
• 제20권2E호
• /
• pp.17-24
• /
• 2001

In this paper, we propose the bootstrap and aggregating (bagging) vector quantization (VQ) classifier to improve the performance of the text-independent speaker recognition system. This method generates multiple training data sets by resampling the original training data set, constructs the corresponding VQ classifiers, and then integrates the multiple VQ classifiers into a single classifier by voting. The bagging method has been proven to greatly improve the performance of unstable classifiers. Through two different experiments, this paper shows that the VQ classifier is unstable. In one of these experiments, the bias and variance of a VQ classifier are computed with a waveform database. The variance of the VQ classifier is compared with that of the classification and regression tree (CART) classifier[1]. The variance of the VQ classifier is shown to be as large as that of the CART classifier. The other experiment involves speaker recognition. The speaker recognition rates vary significantly by the minor changes in the training data set. The speaker recognition experiments involving a closed set, text-independent and speaker identification are performed with the TIMIT database to compare the performance of the bagging VQ classifier with that of the conventional VQ classifier. The bagging VQ classifier yields improved performance over the conventional VQ classifier. It also outperforms the conventional VQ classifier in small training data set problems.

• Computers and Concrete
• /
• 제16권5호
• /
• pp.741-757
• /
• 2015

In the last decade, several modeling approaches have been proposed and applied to estimate the high-performance concrete (HPC) slump flow. While HPC is a highly complex material, modeling its behavior is a very difficult issue. Thus, the selection and application of proper modeling methods remain therefore a crucial task. Like many other applications, HPC slump flow prediction suffers from noise which negatively affects the prediction accuracy and increases the variance. In the recent years, ensemble learning methods have introduced to optimize the prediction accuracy and reduce the prediction error. This study investigates the potential usage of bagging (Bag), which is among the most popular ensemble learning methods, in building ensemble models. Four well-known artificial intelligence models (i.e., classification and regression trees CART, support vector machines SVM, multilayer perceptron MLP and radial basis function neural networks RBF) are deployed as base learner. As a result of this study, bagging ensemble models (i.e., Bag-SVM, Bag-RT, Bag-MLP and Bag-RBF) are found superior to their base learners (i.e., SVM, CART, MLP and RBF) and bagging could noticeable optimize prediction accuracy and reduce the prediction error of proposed predictive models.

• 지능정보연구
• /
• 제20권4호
• /
• pp.121-139
• /
• 2014

기업의 부도 예측은 재무 및 회계 분야에서 매우 중요한 연구 주제이다. 기업의 부도로 인해 발생하는 비용이 매우 크기 때문에 부도 예측의 정확성은 금융기관으로서는 매우 중요한 일이다. 최근에는 여러 개의 모형을 결합하는 앙상블 모형을 부도 예측에 적용해 보려는 연구가 큰 관심을 끌고 있다. 앙상블 모형은 개별 모형보다 더 좋은 성과를 내기 위해 여러 개의 분류기를 결합하는 것이다. 이와 같은 앙상블 분류기는 분류기의 일반화 성능을 개선하는 데 매우 유용한 것으로 알려져 있다. 본 논문은 부도 예측 모형의 성과 개선에 관한 연구이다. 이를 위해 사례 선택(Instance Selection)을 활용한 배깅(Bagging) 모형을 제안하였다. 사례 선택은 원 데이터에서 가장 대표성 있고 관련성 높은 데이터를 선택하고 예측 모형에 악영향을 줄 수 있는 불필요한 데이터를 제거하는 것으로 이를 통해 예측 성과 개선도 기대할 수 있다. 배깅은 학습데이터에 변화를 줌으로써 기저 분류기들을 다양화시키는 앙상블 기법으로 단순하면서도 성과가 매우 좋은 것으로 알려져 있다. 사례 선택과 배깅은 각각 모형의 성과를 개선시킬 수 있는 잠재력이 있지만 이들 두 기법의 결합에 관한 연구는 아직까지 없는 것이 현실이다. 본 연구에서는 부도 예측 모형의 성과를 개선하기 위해 사례 선택과 배깅을 연결하는 새로운 모형을 제안하였다. 최적의 사례 선택을 위해 유전자 알고리즘이 사용되었으며, 이를 통해 최적의 사례 선택 조합을 찾고 이 결과를 배깅 앙상블 모형에 전달하여 새로운 형태의 배깅 앙상블 모형을 구성하게 된다. 본 연구에서 제안한 새로운 앙상블 모형의 성과를 검증하기 위해 ROC 커브, AUC, 예측정확도 등과 같은 성과지표를 사용해 다양한 모형과 비교 분석해 보았다. 실제 기업데이터를 사용해 실험한 결과 본 논문에서 제안한 새로운 형태의 모형이 가장 좋은 성과를 보임을 알 수 있었다.

• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2005년도 추계 학술발표회 논문집
• /
• pp.141-146
• /
• 2005

Ensemble method has been known as one of the most powerful classification tools that can improve prediction accuracy. Ensemble method also has been understood as ‘perturb and combine’ strategy. Many studies have tried to develop ensemble methods by improving perturbation. In this paper, we propose two new ensemble methods that improve combining, based on the idea of pattern matching. In the experiment with simulation data and with real dataset, the proposed ensemble methods peformed better than bagging. The proposed ensemble methods give the most accurate prediction when the pruned tree was used as the base learner.

• 한국경영과학회:학술대회논문집
• /
• 대한산업공학회/한국경영과학회 2000년도 춘계공동학술대회 논문집
• /
• pp.601-604
• /
• 2000

In this paper, we compare the classification performance of both data fusion and clustering algorithms (Data Bagging, Variable Selection Bagging, Parameter Combining, Clustering) to logistic regression in consideration of various characteristics of input data. Four factors used to simulate the logistic model are (1) correlation among input variables (2) variance of observation (3) training data size and (4) input-output function. Since the relationship between input & output is not typically known, we use Taguchi design to improve the practicality of our study results by letting it as a noise factor. Experimental study results indicate the following: Clustering based logistic regression turns out to provide the highest classification accuracy when input variables are weakly correlated and the variance of data is high. When there is high correlation among input variables, variable bagging performs better than logistic regression. When there is strong correlation among input variables and high variance between observations, bagging appears to be marginally better than logistic regression but was not significant.

• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2005년도 추계 학술발표회 논문집
• /
• pp.193-197
• /
• 2005

Classification tree is one of the most suitable base learners for ensemble. For past decade, it was found that bagging gives the most accurate prediction when used with unpruned tree and boosting with stump. Researchers have tried to understand the relationship between the size of trees and the accuracy of ensemble. With experiment, it is found that large trees make boosting overfit the dataset and stumps help avoid it. It means that the accuracy of each classifier needs to be sacrificed for better weighting at each iteration. Hence, split effect in boosting can be explained with the trade-off between the accuracy of each classifier and better weighting on the misclassified points. In bagging, combining larger trees give more accurate prediction because bagging does not have such trade-off, thus it is advisable to make each classifier as accurate as possible.

• 한국펄프종이공학회:학술대회논문집
• /
• 한국펄프종이공학회 2006년도 추계학술발표논문집
• /
• pp.193-199
• /
• 2006

Fruit bagging paper is used for protecting of fruits from insect and/or microorganisms. Generally, fruit bagging paper controled light, temperature and humidity and then it is used for good fruit color, size and taste. The physical properties of conventional(domestic and abroad) fruiting bag and wrapping paper were analyzed and compared to each other. And also, the optical properties of conventional(domestic and abroad) fruiting bag and wrapping paper were analyzed and compared to each other. The chemical additives and residual herbicide in conventional fruiting bag and wrapping paper were analyzed and compared to each other. The analyzed data was bench marked for developing water repelling paper and embossing paper.