k-NN 분류 모델의 학습 데이터 구성에 따른 PIC 보의 하중 충실도 향상에 관한 연구

함석우,전성식 한국복합재료학회 2020 Composites research Vol.33 No.3

Piecewise Integrated Composite (PIC) beam is composed of different stacking against loading type depending upon location. The aim of current study is to assign robust stacking sequences against external loading to every corresponding part of the PIC beam based on the value of stress triaxiality at generated reference points using the k-NN (k-Nearest Neighbor) classification, which is one of representative machine learning techniques, in order to excellent superior bending characteristics. The stress triaxiality at reference points is obtained by three-point bending analysis of the Al beam with training data categorizing the type of external loading, i.e., tension, compression or shear. Loading types of each plane of the beam were classified by independent plane scheme as well as total beam scheme. Also, loading fidelities were calibrated for each case with the variation of hyper-parameters. Most effective stacking sequences were mapped into the PIC beam based on the k-NN classification model with the highest loading fidelity. FE analysis result shows the PIC beam has superior external loading resistance and energy absorption compared to conventional beam. Piecewise Integrated Composite (PIC) 보는 하중 유형에 따라 구간을 나누어, 각 구간마다 하중 유형에 강한복합재료의 적층 순서를 배열한 보이다. 본 연구는 PIC 보의 구간을 머신 러닝의 일종인 k-NN(k-Nearest Neighbor) 분류를 통해 나누어 기존에 제시되었던 PIC 보에 비해 우수한 굽힘 특성을 갖게 하는 것이 목적이다. 먼저, 알루미늄 보의 3점 굽힘 해석을 통하여 참조점에서의 3축 특성(Triaxiality) 값 데이터를 얻었고, 이를 통해 인장, 전단, 압축의 레이블을 가진 학습 데이터가 만들어진다. 학습 데이터를 통해 각 면마다 독립적인 k-NN 분류 모델을 구성하는 방법(Each plane)과 전체 면에 대한 k-NN 분류 모델을 구성하는 방법(one part)을 이용하여 k-NN 분류 모델을 생성하였고, 하이퍼파라미터의 튜닝을 통하여 다양한 하중 충실도를 도출하였다. 가장 높은 하중 충실도를 가진 k-NN 분류 모델을 기반으로 보를 매핑(mapping)하였고, PIC 보에 대하여 유한요소 해석을 진행한 결과, 기존에 제시되었던 PIC 보에 비해 최대하중과 흡수 에너지가 커지는 특성을 보였다. 하중 충실도를 수동으로 조절하여 100%로 만든 PIC 보와 비교하였을 때, 최대하중과 흡수에너지가 미소한 차이가 나타났으며 이는 타당한 하중충실도로 보여진다.

GAVaPS를 이용한 다수 K-Nearest Neighbor classifier들의 Feature 선택

이희성(Heesung Lee),이제헌(Jaehun Lee),김은태(Euntai Kim) 한국지능시스템학회 2008 한국지능시스템학회논문지 Vol.18 No.6

본 논문은 개체군 변환 유전자 알고리즘을 (GAVaPS) 이용하여 k-nearest neighbor (k-NN) 분류기에서 사용되는 특징들을 선정하는 방법을 제시한다. 우리는 다수의 k-NN 분류기들을 사용하기 때문에 사용되는 특징들을 선정하는 문제는 매우 탐색 영역이 크고 해결하기 어려운 문제이다. 따라서 우리는 효과적인 특징들의 선정을 위해 일반적인 유전자 알고리즘 (GA) 보다 효율적이라고 알려진 개체군 변환 유전자 알고리즘을 사용한다. 또한 다수 k-NN 분류기를 개체군 변환 유전자 알고리즘으로 효과적으로 결합하는 방법을 제시한다. 제안하는 알고리즘의 우수성을 여러 실험을 통해 보여준다. This paper deals with the feature selection for multiple k-nearest neighbor (k-NN) classifiers using Genetic Algorithm with Varying Population Size (GAVaPS). Because we use multiple k-NN classifiers, the feature selection problem for them is vary hard and has large search region. To solve this problem, we employ the GAVaPS which outperforms comparison with simple genetic algorithm (SGA). Further, we propose the efficient combining method for multiple k-NN classifiers using GAVaPS. Experiments are performed to demonstrate the efficiency of the proposed method.

k-NN 분류를 이용한 유압유 미립자 검출 기반 연구

최병희(B. H. Choi),조예찬(Y. C. Jo),박정현(J. H. Park),최성운(S. W. Choi),조상훈(S. H. Cho),김바다(B. D. Kim),박기협(K. H. Park),김주호(J. H. Kim),이대엽(D. Lee) 유공압건설기계학회 2023 유공압건설기계학회 학술대회논문집 Vol.2023 No.5

In many equipment, including construction machinery that operates with hydraulic oil, it is very important to solve the problem of the generation of fine particles in the hydraulic circuit and the inability to use the equipment due to causes such as damage of parts and repair. In this study, as a base study to solve these problems, a study that can detect the color change of hydraulic oil due to particles mixed in hydraulic oil in real time using machine learning was conducted. Using the k-NN classification algorithm, the color change of hydraulic oil is classified into ten classes so that the color can be recognized in real time. It is planned to carry out the development of the sensor system in the following study.

TextRank 알고리즘을 이용한 문서 범주화 (pp.110-114)

배원식(Won-Sik Bae),차정원(Jeong-Won Cha) 한국정보과학회 2010 정보과학회 컴퓨팅의 실제 논문지 Vol.16 No.1

본 논문에서는 TextRank 알고리즘을 이용한 문서 범주화 방법에 대해 기술한다. TextRank 알고리즘은 그래프 기반의 순위화 알고리즘이다. 문서에서 나타나는 각각의 단어를 노드로, 단어들 사이의 동시출현성을 이용하여 간선을 만들면 문서로부터 그래프를 생성할 수 있다. Text-Rank 알고리즘을 이용하여 생성된 그래프로부터 중요도가 높은 단어를 선택하고, 그 단어와 인접한 단어를 묶어 하나의 자질로 사용하여 문서 분류를 수행하였다. 동시출현 자질(인접한 단어 쌍)은 단어 하나가 갖는 의미를 보다 명확하게 만들어주므로 문서 분류에 좋은 자질로 사용될 수 있을 것이라 가정하였다. 문서 분류기로는 지지 벡터 기계, 베이지언 분류기, 최대 엔트로피 모델, k-NN 분류기 등을 사용하였다. 20 Newsgroups 문서 집합을 사용한 실험에서 모든 분류기에서 제안된 방법을 사용했을 때, 문서 분류 성능이 향상된 결과를 확인할 수 있었다. We describe a new method for text categorization using TextRank algorithm. Text categorization is a problem that over one pre-defined categories are assigned to a text document. TextRank algorithm is a graph-based ranking algorithm. If we consider that each word is a vertex, and co-occurrence of two adjacent words is a edge, we can get a graph from a document. After that, we find important words using TextRank algorithm from the graph and make feature which are pairs of words which are each important word and a word adjacent to the important word. We use classifiers: SVM, Na?ve Bayesian classifier, Maximum Entropy Model, and k-NN classifier. We use non-cross-posted version of 20 Newsgroups data set. In consequence, we had an improved performance in whole classifiers, and the result tells that is a possibility of TextRank algorithm in text categorization.

머신 러닝을 통한 PIC 보의 강도 최적화

함석우,전성식,정광영 대한기계학회 2019 大韓機械學會論文集A Vol.43 No.8

Piecewise integrated composite (PIC) beam is composed of several parts each of which has stacking sequence according to the dominant load among compression, tension and shear forces. The aim of current study is to divide PIC beam into several parts to have different stacking sequences through machine learning to have superior crashworthiness. Stress triaxiality was obtained through tensile tests of aluminum specimens. Three point bending analysis for aluminum beam using finite element method was done and the dominant loading type was determined based on triaxiality at reference points. Then, k-nearest neighbor classification model was built to divide the each face of the beam into tension, compression and shear dominant areas. By applying this model to PIC beam, it was found that PIC beam has higher absorbed energy and maximum loading than the uni-modal stacking sequence composite beam. PIC(Piecewise Integrated Composite) 보는 인장, 전단, 압축과 같은 하중 유형에 따라 구간을 나누어, 각 부분마다 복합재료의 적층 순서를 다르게 하여 조합한 보이다. 본 연구는 PIC 보의 구간을 머신 러닝을 통해 나누어 단일 적층 순서로 이루어진 보에 비해 우수한 충돌 특성을 갖게 하는 것이 목적이다. 먼저, 인장시험을 통하여 알루미늄 시편의 3축 특성(triaxiality)을 분석하였고, 알루미늄 보의 3점 굽힘 시, 하중 유형을 분석하기 위하여 3축 특성을 고려한 유한요소 해석이 수행되었다. 하중 유형 분석은 보의 전체 요소가 아닌 참조점에서의 3축 특성에 의해 판단되며, 참조점을 기반으로 k-Nearest Neighbor 분류를 보의 각 면에 대해 적용하여 어느 하중이 지배적인지 나누었다. PIC 보는 각 면을 지배적인 하중에 따라 적층 순서가 정해지도록 나누어 조합하였으며, PIC 보에 대한 유한요소 해석을 진행한 결과, 단일 적층 순서로 이루어진 보에 비해 흡수에너지와 최대하중이 커지는 특성을 보였다.

쉴드 TBM 디스크 커터 교체 유무 예측을 위한 k-NN 알고리즘의 분류 성능 평가

김윤희(Kim, Yun Hee),홍지연(Hong, Ji Yeon),조영석?(Jo, Young Suk),김범주(Kim, Bum Joo) 대한토목학회 2020 대한토목학회 학술대회 Vol.2020 No.10

영화 관객 수 예측을 위한 기계학습 기법의 성능 평가 연구

정찬미,민대기 한국전자거래학회 2020 한국전자거래학회지 Vol.25 No.2

The accurate prediction of box office in the early stage is crucial for film industry to make better managerial decision. With aims to improve the prediction performance, the purpose of this paper is to evaluate the use of machine learning methods. We tested both classification and regression based methods including k-NN, SVM and Random Forest. We first evaluate input variables, which show that reputation-related information generated during the first two-week period after release is significant. Prediction test results show that regression based methods provides lower prediction error, and Random Forest particularly outperforms other machine learning methods. Regression based method has better prediction power when films have small box office earnings. On the other hand, classification based method works better for predicting large box office earnings. 영화 제작에 막대한 비용이 투입되지만 관객수요는 매우 불확실하기 때문에 개선된 수요예측은 수익 개선을 위한 의사결정의 중요 수단으로 활용될 수 있다. 본 연구에서는 영화의 개봉 후 수요를 예측함에 있어 기계학습 기법의 적용 타당성을 예측 성능의 관점에서 검증하였다. 분석결과를 종합하면 다음과 같다. 첫째, 대안변수에 대한 통계적 검증 결과 기본 영화 특성(감독, 배우)과 함께 개봉 후 2주차까지의 스크린수, 상영횟수, 관객수, 주요 배우에 대한 관심도 등 시계열 자료가 수요예측에 유의미한 것을 확인하였다. 둘째, Random Forest Classifier와 SVM(Support Vector Machine) 등 분류 기반 기계학습 기법과 Random Forest Regressor와 k-NN Regressor와 같은 회귀모형 기반 기계학습 기법에 적용하여 예측 성능을 평가한 결과, Random Forest 기법이 우수한 결과를 보였다. 셋째, 누적관객수가 1분위보다 작은 영화에서 회귀모형 기반 기법은 낮은 예측 정확도를 보였으며, 분류기반 기법은 반대로 가장 우수한 결과를얻었다. 즉, 영화 수요의 분포 특성에 따라서 차별화된 기계학습 기법을 적용하는 것이 필요하다.

3차원 학습 데이터를 이용한 PIC 보의 강성 향상에 대한 연구

지승민 ( Seungmin Ji ),함석우 ( Seok Woo Ham ),최진경 ( Jin Kyung Choi ),전성식 ( Seong S. Cheon ) 한국복합재료학회 2021 Composites research Vol.34 No.6

Piecewise Integrated Composite(PIC) 보는 구간 조합 복합재 보로 구간 마다 적층 각도 및 순서를 다르게 적용하여 보의 강성과 강도를 향상시킬 수 있는 복합재료 보의 새로운 개념이다. 본 연구에서는 보의 거동을 고려하기 어려운 2차원 학습 데이터를 대신하여 3차원 학습 데이터가 적용된 머신 러닝 모델을 이용한 PIC 보가 제안되었다. 학습 데이터 및 훈련 데이터 셋(Training Data Set)은 지정된 참조 요소에서 3축 특성 값(Stress Triaxiality Factor)을 추출하여 세 가지 하중 유형(인장, 압축 그리고 전단)으로 분류되어 구성되었고, 이에 따른 하이퍼파라미터(Hyperparameter)가 제안되었다. 이를 통하여 예측된 PIC 보로 유한 요소 해석이 진행되었고 3차원 학습 데이터로 예측된 모델이 처짐 변형량이 감소된 것이 확인되었다. 이를 통해 3차원 학습 데이터를 이용하는 것이 경쟁력있는 것으로 판단되었고 처짐 변형량의 감소로 타당성이 검증되었다. Piecewise Integrated Composite (PIC) is a new concept to design composite structures of multiple stacking angles both for in-plane direction and through the thickness direction in order to improve stiffness and strength. In the present study, PIC beam was suggested based on 3D training data instead of 2D data, which did offer a limited behavior of beam characteristics, with enhancing the stiffness accompanied by reduced tip deformation. Generally training data were observed from the designated reference finite elements, and preliminary FE analysis was conducted with respect to regularly distributed reference elements. Also triaxiality values for each element were obtained in order to categorize the loading state, i.e. tensile, compressive or shear. The main FE analysis was conducted to predict the mechanical characteristics of the PIC beam.