• Food Science and Biotechnology
• /
• 제14권3호
• /
• pp.380-386
• /
• 2005

Optimal conditions of ultrafiltration (UF) and nanofiltration (NF) were investigated for separation and concentration of isoflavones and oligosaccharides from Sunmul. Levels of COD, BOD, and suspended solids (SS) in UF and NF permeates were also determined to evaluate effectiveness of these processes for reducing water pollution. Optimal UF operation conditions to achieve minimal fouling and maximal flux were $33-34^{\circ}C$ operating temperature and 2.3-2.4 bar trans-membrane pressure. Recovery yields of isoflavones and oligosaccharides in UF retentate were 11.49-28.16% and 12.77-27.57%, respectively. Increase in volumetric concentration factor (VCF) resulted in more functional compounds of isoflavones and oligosaccharides passing through UF membrane. Total isoflavone and oligosaccharide yields decreased by 3% as VCF increased from 6.0 to 8.0 and from 8.0 to 10.0, while decreased significantly by 10% as VCF decreased from 4.0 to 6.0. Optimal NF operating conditions were 192-195 psig operating pressure at $30-33^{\circ}C$. Total yields of isoflavones and oligosaccharides significantly decreased at VCF 8.0, whereas did not decrease up to VCF 6.0 during NF operation. Therefore, VCF 6.0 was recommended for economical process. COD and BOD decreased by more than 98% after NF process, and SS were not detected after UF process. These results indicated sequential filtration process was useful for separation of isoflavones and oligosaccharides from Sunmul and for reducing water contaminants.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.