• 한국균학회지
• /
• 제21권3호
• /
• pp.200-211
• /
• 1993

사철느타리버섯 Pleurotus florida 균주와 느타리버섯 P. ostreatus 2균주의 영양요구주로 원형질체 융합하여 체세포 잡종을 얻어 자실체의 특성과 후대의 유전자 재조합을 조사하였다. 사철느타리 ASI 2016의 ASI 2-3-rib와 느타리 ASI 2018의 ASI 2-1-arg의 원형질체 융합으로 40개의 체세포잡종($P1{\sim}P40$)을 얻어 그중 P5에서 얻은 유전자 재조합주 P5-M43-arg rib를 다시 느타리 ASI 2001의 ASI 2-13-pro orn과 융합하여 38개 체세포잡종 ($P41{\sim}P78$)을 얻었는데 생산력이 높고 품질이 우수한 P72를 "원형느타리버섯 Wonhyeongneutaribeosus"으로 명명하여 1990년에 보급하였다. 자실체의 갓 색택이 yellowish white인 사철느타리 ASI 2016과 bluish grey인 느타리 ASI 2018의 원형질체 융합주는 중간색인 brownish grey를 나타내었고, P5에 다시 violet grey인 느타리 ASI 2001을 융합한 것은 bluish grey를 나타내었다. 40균주($P1{\sim}P40$)의 자실체 생산량에 있어서 10%만이 양친보다 높았고 40%는 낮았으며 나머지는 양친과 유사하였는데 친주 ASI 2018의 수량지수를 100으로 할 때 융합주는 $27.0{\sim}155.2$로 나타났으며, 체세포 잡종 38균주($P41{\sim}P78$)에 있어서 21.0%는 양친보다 높았고 26.3%는 낮았으며 나머지는 양친과 유사하였는데 ASI 2001을 100으로 할 때 체세포 잡종은 $40.5{\sim}141.3$으로 잡종강세 현상이 나타났다. 수량에 영향을 주는 7 개 형질에 관한 특성에 있어서 P5는 양친주보다 유효경수와 대의 길이는 증가하나 갓의 크기, 대직경, 개체중은 감소하였고, 다발무게와 갓 두께는 유사하였으며, P49는 갓의 크기는 양친과 유사하나 나머지 6개 형질이 모두 증가하였으며 P72는 다발 유효경수와 갓의 크기는 양친과 유사하나 나머지 5개 형질은 모두 증가하였다. esterase 동위효소 분석 결과 P5는 양친의 밴드를 대부분 가지면서 새로운 밴드양상이 형성되었으며 융합주 P48, P49, P72의 상호간에는 밴드의 차이가 없었으나 양친인 ASI 2001과 P5의 밴드를 대부분 가지는 양상을 나타내었다. 사철느타리 ASI 2016과 느타리 ASI 2018의 4개 융합조합 7개 융합주의 유전형질 분리에 있어서 분리되는 유전자형은 원영양형 prototroph, 양친의 한쪽 편친형, 양친의 다른 편친형, 영양요구성 유전자 재조합형으로 나타나며 그 기대치는 1 : 1 : 1 : 1이나 원영양형이 가장 많았으며 2개 융합주를 제외하고는 양친 중 사철느타리 형질만 분리되었으며 양친형과 유전자 재조합형이 거의 1 : 1로 분리되었다. P5 유전자 재조합주 arg rib와 ASI 2001의 pro orn의 체세포 잡종 P48, P49, P72의 분리에 있어서 pro orn 친은 분리되지 않았으며 각 유전형질 arg, rib, pro, orn의 비가 P49, P72는 거의 4 : 1 : 1 : 1로 나타났으나 P48은 pro, orn형질이 훨씬 적게 나타났으며 유전자 재조합형의 비율이 아주 높은 91%이상이었다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.

• 한국산림과학회지
• /
• 제22권1호
• /
• pp.19-48
• /
• 1974

토지국유원칙(土地國有原則)을 표방(標榜)하고 "공사(公私) 공리(共利)"를 기본원칙(基本原則)으로 하고 있었던 고려조(高麗朝)의 시전과제도(柴田科制度)도 집권력(執權力)의 약화(弱化)로 인(因)하여 조만간(早晩間), 붕괴(崩壞)되고 말았던 것이나 임지제도(林地制度)에 있어서는 분묘설정(墳墓設定)의 자유(自由)와 개간장려(開墾奬勵)를 이용(利用)한 삼림(森林)의 광점(廣占) 및 전시과제도(田柴科制度)로 인(因)한 시지(柴地)의 수조권위양(收租權委讓)으로 유래(由來)된 사적수조권(私的洙組權)이 결부(結付)된 삼림(森林)의 사점현상등(私占現象等)이 점차(漸次) 발전(發展)하여 고려중기(高麗中期)의 국정해지기이후(國政解地期以後)에는 대부분(大部分)의 삼림(森林)이 권력층(權力層)의 사점지(私占地)로 화(化)하여 왔었다. 고려조(高麗朝)의 모든 제도(制度)를 그대로 계승(繼承)한 이조(李朝)는 건국후(建國後) 국가소용(國家所用)의 삼림확보(森林確保)를 위(爲)한 삼림수용(森林收用)의 제도확립(制度確立)이 긴요(緊要)하였음으로 전국(全國)의 삼림(森林)을 국가권력(國家權力)에 의(依)하여 공수(公收)하고 국가(國家)와 궁실소용이외(宮室所用以外)의 모든 삼림(森林)은 사점(私占)을 금(禁)한다는 "시장사점금지(柴場私占禁止)"의 제도(制度)를 법제화(法制化)하였고 도성주변(都城周邊)의 사산(四山)을 금산(禁山)으로 함과 아울러 우량(優良)한 임상(林相)의 천연림(天然林)을 택(擇)하여 전조선용재(戰漕船用材)와 궁실용재(宮室用材)의 확보(確保)를 위(爲)한 외방금산(外方禁山)으로 정(定)하고 그 금양(禁養)을 위(爲)하여 산직(山直)을 배치(配置)하였다. 그리고 연병(練兵)과 국왕(國王)의 수렵(狩獵)을 위(爲)한 강무장(講武場)과 관용시장(官用柴場), 능원부속림(陵園附屬林)의 금벌(禁伐), 금화(禁火)를 제정(制定) 등(等) 필요(必要)에 따라 수시(隨時)로 삼림(森林)을 수용(收用)하였으나 고려조이래(高麗朝以來)로 권력층(權力層)에 의(依)하여 사점(私占)되어온 삼림(森林)을 왕권(王權)으로 모두 공수(公收)하지는 못하였던 것이다. 이조초기(李朝初期)에 있어서의 집권층(執權層)은 그 대부분(大部分)이 고려조(高麗朝)에서의 권력층(權力層)이었던것 임으로 그들은 이미 전조시대(前朝時代)로부터 많은 사점림(私占林)을 보유(保有)하고 있었던 것이고 따라서 그들이 권력(權力)을 장악(掌握)하고 있는 한(限) 사점림(私占林)을 공수(公收)한다는 것은 어려운 일이었으며 그들은 오히려 권력(權力)을 이용(利用)하여 사점림(私占林)을 확대(擴大)하고 있었던 것이다. 또 왕자(王子)들도 묘지(墓地)를 빙자(憑藉)하여 주(主)로 도성주변(都城周邊)의 삼림(森林)을 광점(廣占)하고 있던 터에 성종(成宗)의 대(代) 이후(以後)로는 왕자신(王自身)이 금령(禁令)을 어기면서 왕자(王子)에게 삼림(森林)을 사급(賜給)하였음으로 16세기말(世紀末)에는 원도지방(遠道地方)에 까지 왕자(王子)들의 삼림사점(森林私占)이 확대(擴大)되었고 이에 편승(便乘)한 권신(權臣)들의 삼림사점(森林私占)도 전국(全國)으로 파급(波及)하였다. 임진왜란후(壬辰倭亂後)에 시작(始作)된 왕자(王子)에 대(對)한 시장절급(柴場折給)은 삼림(森林)의 상속(相續)과 매매(賣買)를 합법화(合法化)시켰고 이로 인(因)하여 봉건제하(封建制下)에서의 사유림(私有林)을 발생(發生)시키게 된 것이다. 그리하여 권신(權臣)들도 합법적(合法的)으로 삼림(森林)을 사점(私占)하게 되었고 따라서 이조시대(李朝時代) 임지제도(林地制度)의 기본(基本)이었던 시장사점금지(柴場私占禁止)의 제도(制度)는 건국초(建國初)로부터 실행(實行)된 일이 없었으며 오로지 국가(國家)의 삼림수용(森林收用)을 합법화(合法化)시키는 의제(擬制)에 불과(不過)하였던 것이다. 금산(禁山)은 그 이용(利用)과 관리제도(管理制度)의 불비(不備)로 인(因)하여 산하주민(山下住民)들의 염오(厭惡)의 대상(對象)이 되었음으로 주민(住民)들의 고의적(故意的)인 금산(禁山)의 파괴(破壞)는 처음부터 심(甚)하였고 이로 인(因)하여 국가(國家)에서는 용재림확보(用材林確保)를 위(爲)한 금산(禁山)의 증설(增設)을 거듭하였으나 관리제도(管理制度)의 개선(改善)이 수반(隨伴)되지 않았음으로 금산(禁山)의 황폐(荒廢)는 더욱 증대(增大)되었다. 영조(英祖)는 정국(政局)을 안정(安定)시키기 위(爲)하여 경국대전이후(經國大典以後) 남발(濫發)된 교령(敎令)과 법령(法令)을 정비(整備)하여 속대전(續大典)을 편찬(編纂)하고 삼림법령(森林法令)을 정비(整備)하여 도성주변(都城周邊)의 금산(禁山)과 각도(各道) 금산(禁山)의 명칭대신(名稱代身) 서기(西紀) 1699년(年) 이후(以後) 개칭(改稱)하여온 봉산(封山)의 금양(禁養)을 강화(强化)시키는 한편 사양산(私養山)의 권한(權限)을 인정(認定)하는 등(等) 적극적(積極的)인 육림정책(育林政策)을 퍼려하였으나 계속적(繼續的)인 권력층(權力層)의 삼림사점광대(森林私占廣大)는 농민(農民)들로부터 삼림(森林)을 탈취(奪取)하였고 농민(農民)들 이 삼림(森林)을 상실(喪失)함으로써 국가(國家)의 육림장려등(育林奬勵策)은 효과(効果)를 나타내지 못하였던 것이다. 임진왜란후(壬辰倭亂後)의 국정해이(國定解弛)로 인(因)한 묘지광점(墓地廣占), 왕자(王子)에 대(對)한 삼림(森林)의 절급(折給) 권세층(權勢層)에 대(對)한 산림사점(森林私占)은 인허(認許)하는 입안문서(立案文書)의 발행등(發行等)으로 법전상(法典上)의 삼임사점금지조항(森林私占禁止條項)은 사문화(死文化)되었고 이조말기(李朝末期)에 있어서는 사양산(私養山)의 강탈(强奪)도 빈발(頻發)하고 있음을 볼수 있다. 이와 같이 이조시대(李朝時代)의 시장사점금지조항(柴場私占禁止條項)은 오로지 농민(農民)에게만 적용(適用)되는 규정(規定)에 불과(不過)하였고 이로 인(因)하여 농민(農民)들의 육림의욕(育林意慾)은 상실(喪失)되었으며 약탈적(掠奪的)인 삼림(森林)의 채취이용(採取利用)은은 금산(禁山), 봉산(封山) 및 사양산(私養山)을 막론(莫論)하고 황폐(荒廢)시키는 결과(結果)를 자아냈으며 권력층(權力層)의 삼림점탈(森林占奪)에 대항(對抗)한 송계(松契)의 활동(活動)으로 일부(一部) 공산(公山)이 농민(農民)의 입회지(入會地)로서 보존(保存)되어왔다. 그럼에도 불구(不拘)하고 일제(日帝)는 이조말기(李朝末期)의 삼림(森林) 거의 무주공산(無主公山)이 었던것처럼, 이미 사문화(死文化)된 삼림사점금지조항(森林私占禁止條項)을 활용(活用)함으로써, 국가림(國有林)으로 수탈(收奪)한후(後) 식민정책(植民政策)에 이용(利用)하였던 것이나, 실제(實際)에 있어서 이조시대(李朝時代)의 삼림(森林)은 금산(禁山), 봉산(封山), 능원부속림등(陸園附屬林等)의 관금지(官禁地)와 오지름(奧地林)을 제외(除外)하고는 대부분(大部分)의 임지(林地)가 권세층(權勢層)의 사유(私有) 내지(乃至)는 사점하(私占下)에 있었던 것이다.