웹 환경에서 인공신경망을 이용한 증상 진단 시스템

김삼근,김병천,Kim, Sam-Geun,Kim, Byeong-Cheon 한국정보처리학회 2002 정보처리학회논문지B Vol.9 No.4

최근 자신의 건강에 관한 관심이 고조됨에 따라 웹 상에서 많은 증상 진단 사이트들이 대두되고 있다. 그러나 기존의 건강정보 사이트들은 사용자에게 매우 제한된 기능만을 제공하고 있다. 본 논문에서는 신경망의 학습 효과를(전문가의 지식이 아니라) 진단 과정에 통합되도록 함으로써 유연한 증상-진단 도구를 제안한다. 즉 사용자(흑은 전문가)가 웹 상에서 단계별로 지정한 증상들을 바탕으로 하여 신경망 모델에 적용함으로써 보다 유연하게 사용자의 질병을 예측할 수 있는 새로운 알고리즘을 개발한다. 제안한 알고리즘은 두 가지 중요한 특징을 가진다 : 1) 일반 사용자들은 조기에 자신의 질병에 대한 진단을 받을 수 있고, 2) 전문가는 예상 질병 목록과 함께 각 질병의 가능성(확률)을 참조함으로써 진단의 정확성을 높일 수 있다는 점이다. Being recently increased interests of our healthcare, a host of symptoms-diagnostic sites has been introduced on the World Wide Web. But conventional healthcare sites provide users with only a very restricted functions. In this paper, we propose the use of Artificial Neural Networks (ANNs) as a flexible symptoms-diagnostic tool that enables learning effects of ANNs (not expert's knowledge) to be incorporated into the diagnostic process. We develop a novel algorithm for predicting patient\`s disease that satisfy user (or expert)-specified symptoms on WWW. Our algorithm provides two important benefits : 1) enables users (patients) to be taken early diagnostic, and 2) enables experts to perform confidently diagnostic by referencing the predicted diseases-list with its respective possibility.

gCRM을 위한 공간 데이터 통합관리 시스템의 설계 및 구현

김삼근,문일환,안재근,Kim, Sam-Geun,Moon, Il-Hwan,Ahn, Jae-Geun 한국정보처리학회 2011 정보처리학회논문지D Vol.18 No.1

최근 기업 데이터의 약 80%가 공간적인 요소를 포함하고 있다는 사실이 크게 부각됨에 따라 고객 관계 관리(Customer Relationship Management, CRM) 시스템에 공간 데이터를 활용하고자 하는 새로운 분석 방법에 대한 요구가 증가하고 있다. 하지만 전통적인 CRM 시스템은 공간 데이터를 관리하거나 공간 데이터를 이용한 사용자 환경을 제공하기에 부적합하다. 본 논문에서는 레거시 CRM 시스템과 객체 지향 데이터베이스를 이용하여 엔터프라이즈 데이터와 공간 데이터의 통합관리가 가능하고 gCRM(geographic CRM)을 위한 시각화 및 분석기능을 지원하는 공간 데이터 통합관리 시스템을 설계 및 구현하였다. 본 논문에서 제시한 시스템 구축을 통하여 기 구축된 CRM 시스템에 공간 데이터 관리 및 분석이 가능한 gCRM을 효과적으로 적용할 수 있음을 확인하였다. Recently, the necessity of new methods of spatial data integration and analysis in CRM has been increased since it is acknowledged that about eighty percent of all data stored in corporate databases has a spatial component. But conventional CRM systems are either incapable of managing spatial data or are not user-friendly when doing so. This paper has designed and implemented spatially-enabled integration management system that can manage consistently both enterprise and spatial data through a legacy CRM system and object-oriented database and additionally support spatial analysis and map visualization for a gCRM. Through implementation, it is demonstrated that the proposed system can facilitate effectively spatial data management and analysis in a legacy CRM system.

재배 작물 추천을 위한 셀프서비스 비즈니스 인텔리전스 시스템

김삼근(Sam-Keun Kim),김광채(Kwang-Chae Kim),김현우(Hyeon-Woo Kim),정우진(Woo-Jin Jeong),안재근(Jae-Geun Ahn) 한국산학기술학회 2021 한국산학기술학회논문지 Vol.22 No.3

전통적인 BI(Business Intelligence) 시스템은 제 시간에 더 나은 의사결정을 위한 도구로 널리 사용되어 왔다. 그러나 급증하는 데이터에 대한 효율적 분석을 위해 데이터 웨어하우스를 구축하는 일은 시간이 오래 걸리고 복잡하다. 특히, 데이터 웨어하우스 구축에 요구되는 ETL(Extract, Transform, Load) 프로세스는 BI 플랫폼이 클라우드 환경으로 전환되면서 훨씬 더 복잡해졌다. 이러한 ETL 이슈를 극복하기 위해 MongoDB와 같은 NoSQL 데이터베이스에 기반한 다양한 BI 솔루션들이 제안되었다. 한편, 의사 결정권자는 IT 부서나 BI 전문가의 도움 없이 데이터에 쉽게 접근할 수 있기를 원한다. 최근, 이러한 BI 이슈들을 해결하기 위한 방안으로 셀프서비스 BI가 등장하였다. 본 논문에서는 귀농귀촌인의 재배 작물 선택을 지원하기 위해 MongoDB 클라우드를 데이터 웨어하우스로 하는 농업 데이터 기반의 셀프서비스 BI 시스템을 제안한다. 제안 시스템은 의사 결정권자에게 통찰력을 제공하기 위해 MongoDB 차트를 이용한 데이터 시각화 기능, 고급 데이터 검색을 위한 리포팅 기능, 실시간 데이터 분석을 위한 모니터링 기능을 지원한다. 의사결정권자는 다양한 방식으로 데이터에 직접 접근할 수 있고, 제안 시스템의 기능들을 활용하여 셀프서비스 방식으로 데이터를 분석할 수 있다. Traditional business intelligence (BI) systems have been used widely as tools for better decision-making on time. On the other hand, building a data warehouse (DW) for the efficient analysis of rapidly growing data is time-consuming and complex. In particular, the ETL (Extract, Transform, and Load) process required to build a data warehouse has become much more complex as the BI platform moves to a cloud environment. Various BI solutions based on the NoSQL database, such as MongoDB, have been proposed to overcome these ETL issues. Decision-makers want easy access to data without the help of IT departments or BI experts. Recently, self-service BI (SSBI) has emerged as a way to solve these BI issues. This paper proposes a self-service BI system with farming data using the MongoDB cloud as DW to support the selection of new crops by return-farmers. The proposed system includes functions to provide insights to decision-makers, including data visualization using MongoDB charts, reporting for advanced data search, and monitoring for real-time data analysis. Decision makers can access data directly in various ways and can analyze data in a self-service method using the functions of the proposed system.

심층 CNN 기반 구조를 이용한 토마토 작물 병해충 분류 모델

김삼근(Sam-Keun Kim),안재근(Jae-Geun Ahn) 한국산학기술학회 2021 한국산학기술학회논문지 Vol.22 No.5

토마토 작물은 병해충의 영향을 많이 받기 때문에 이를 예방하지 않으면 농업 경제에 막대한 손실을 초래할 수 있다. 따라서 토마토의 다양한 병해충의 진단을 빠르고 정확하게 진단하는 시스템이 요구된다. 본 논문에서는 ImageNet 데이터 셋 상에서 다양하게 사전 학습된 딥러닝 기반 CNN 모델을 적용하여 토마토의 9가지 병해충 및 정상인 경우의 클래스를 분류하는 시스템을 제안한다. PlantVillage 데이터 셋으로부터 발췌한 토마토 잎의 이미지 셋을 3가지 딥러닝 기반 CNN 구조를 갖는 ResNet, Xception, DenseNet의 입력으로 사용한다. 기본 CNN 모델 위에 톱-레벨 분류기를 추가하여 제안 모델을 구성하였으며, 훈련 데이터 셋에 대해 5-fold 교차검증 기법을 적용하여 학습시켰다. 3가지 제안 모델의 학습은 모두 기본 CNN 모델의 계층을 동결하여 학습시키는 전이 학습과 동결을 해제한 후 학습률을 매우 작은 수로 설정하여 학습시키는 미세 조정 학습 두 단계로 진행하였다. 모델 최적화 알고리즘으로는 SGD, RMSprop, Adam을 적용하였다. 실험 결과는 RMSprop 알고리즘이 적용된 DenseNet CNN 모델이 98.63%의 정확도로 가장 우수한 결과를 보였다. Tomato crops are highly affected by tomato diseases, and if not prevented, a disease can cause severe losses for the agricultural economy. Therefore, there is a need for a system that quickly and accurately diagnoses various tomato diseases. In this paper, we propose a system that classifies nine diseases as well as healthy tomato plants by applying various pretrained deep learning-based CNN models trained on an ImageNet dataset. The tomato leaf image dataset obtained from PlantVillage is provided as input to ResNet, Xception, and DenseNet, which have deep learning-based CNN architectures. The proposed models were constructed by adding a top-level classifier to the basic CNN model, and they were trained by applying a 5-fold cross-validation strategy. All three of the proposed models were trained in two stages: transfer learning (which freezes the layers of the basic CNN model and then trains only the top-level classifiers), and fine-tuned learning (which sets the learning rate to a very small number and trains after unfreezing basic CNN layers). SGD, RMSprop, and Adam were applied as optimization algorithms. The experimental results show that the DenseNet CNN model to which the RMSprop algorithm was applied output the best results, with 98.63% accuracy.

RFID 기반 문화재 복원용 임목 이력 정보 시스템의 설계 및 구현

김삼근(Sam-Geun Kim),문일환(Il-Hwan Moon),박재표(Jae-Pyo Park) 한국통신학회 2010 韓國通信學會論文誌 Vol.35 No.9

함수 최적화를 위한 확률적 교란 알고리즘

김삼근(Samkeun Kim),장경익(Kyoung Ik Jang),민창우(Changwoo Min),김명원(Myung Won Kim) 한국정보과학회 1998 한국정보과학회 학술발표논문집 Vol.25 No.1B

이 논문에서는 전역적 최적화를 위한 확률적 교란(Stochastic Perturbation; SP) 알고리즘을 제안한다. SP 알고리즘은 적은 계산만으로 효율적으로 최적해를 찾는 국부적 최적해 탐색 방법인 경사하강법과 전역적 최적해 탐색 방법으로 시뮬레이티드 어닐링(Simulated Annealing; SA)으로 알려진 Monte Carlo 방법을 결합한다. SP 알고리즘은 두 단계로 구성된다. 먼저 현재의 점에서 경사하강법에 의해 진행되는 최소화 단계와 현재의 점에서 탐색을 더 넓은 범위로 확장하여 탐색할 수 있게 하는 교란 단계로 구성된다. SP 알고리즘은 SA와는 다르게 일단 최소점의 끌개 범주(basin of attraction)가 결정되면 경사하강법으로 빠르게 수렴하기 때문에 계산시간을 크게 단축시킬 수 있다. 몇 가지 함수들에 대한 실험 결과는 SP 알고리즘이 효율적임을 보여 준다.

기상 데이터를 이용한 데이터 마이닝 기반의 산불 예측 모델

김삼근(Sam-Keun Kim),안재근(Jae-Geun Ahn) 한국산학기술학회 2020 한국산학기술학회논문지 Vol.21 No.8

산불은 경제, 자연환경, 건강과 같은 삶의 여러 측면에서 몇 가지 악영향을 주는 가장 핵심적인 환경위험 중의 하나이다. 산불의 조기발견, 빠른 예측, 신속한 대응은 산불 위험으로부터 재산과 생명을 구하는데 본질적인 역할을 할 수 있다. 산불의 빠른 발견을 위해 기상청에서 각 지역에 설치한 로컬 센서를 통해 획득한 기상 데이터를 이용하는 방법이 있다. 기상 조건(예: 온도, 바람)은 산불 발생에 영향을 미친다고 알려져 있다. 본 논문에서는 산불의 피해 면적을 예측하기 위해 데이터 마이닝(DM) 기법을 적용한다. 다섯 종류의 DM 모델, 예를 들어 Stochastic Gradient Descent(SGD), Support Vector Machines(SVM), Decision Tree(DT), Random Forests(RF), Deep Neural Network(DNN)과 네 가지 입력 특성 그룹(공간, 시간, 기상 데이터 이용)을 최근 5년간의 경기도 지역에서 수집한 실제 산불 발생 데이터에 적용하였다. 실험결과는 기상 데이터만을 이용한 DNN 모델이 가장 우수한 성능을 보였다. 제안한 모델은 빈도수가 높은 작은 규모의 산불 예측에 더 효과적이었다. 제안한 예측 모델을 통해 도출된 이러한 지식은 소방자원 관리를 개선하는데 특히 유용하다. Forest fires are one of the most important environmental risks that have adverse effects on many aspects of life, such as the economy, environment, and health. The early detection, quick prediction, and rapid response of forest fires can play an essential role in saving property and life from forest fire risks. For the rapid discovery of forest fires, there is a method using meteorological data obtained from local sensors installed in each area by the Meteorological Agency. Meteorological conditions (e.g., temperature, wind) influence forest fires. This study evaluated a Data Mining (DM) approach to predict the burned area of forest fires. Five DM models, e.g., Stochastic Gradient Descent (SGD), Support Vector Machines (SVM), Decision Tree (DT), Random Forests (RF), and Deep Neural Network (DNN), and four feature selection setups (using spatial, temporal, and weather attributes), were tested on recent real-world data collected from Gyeonggi-do area over the last five years. As a result of the experiment, a DNN model using only meteorological data showed the best performance. The proposed model was more effective in predicting the burned area of small forest fires, which are more frequent. This knowledge derived from the proposed prediction model is particularly useful for improving firefighting resource management.

모바일 컴퓨팅 환경에서 데이터의 중요도에 기반한 캐시 교체와 일관성 유지

김삼근(Sam-geun Kim),김형호(Hyung-ho Kim),안재근(Jae-geun Ahn) 한국통신학회 2011 韓國通信學會論文誌 Vol.36 No.2

IoT 스트리밍 센서 데이터에 기반한 실시간 PM10 농도 예측 LSTM 모델

김삼근(Sam-Keun Kim),오택일(Tack-Il Oh) 한국산학기술학회 2018 한국산학기술학회논문지 Vol.19 No.11

최근 사물인터넷(IoT)의 등장으로 인터넷에 연결된 다양한 기기들에 의해 대규모의 데이터가 생성됨에 따라 빅데이터 분석의 중요성이 증가하고 있다. 특히 실시간으로 생성되는 대규모의 IoT 스트리밍 센서 데이터를 분석하여 새로운 의미있는미래 예측을 통해 다양한 서비스를 제공하는 것이 필요하게되었다. 본 논문은 AWS를 활용하여 IoT 센서로부터 생성되는 스트리밍 데이터에 기반하여 실시간 실내 PM10 농도 예측 LSTM 모델을 제안한다. 또한 제안 모델에 따른 실시간 실내 PM10 농도 예측 서비스를 구축한다. 논문에 사용된 데이터는 PM10 IoT 센서로부터 24시간 동안 수집된 스트리밍 데이터이다. 이를 LSTM의 입력 데이터로 사용하기 위해 PM10 시계열 데이터로부터 30개의 연속된 값으로 이루어진 시퀀스 데이터로 변환한다. LSTM 모델은 바로 인접한 공간으로 이동해 가는 슬라이딩 윈도우 프로세스를 통하여 학습한다. 또한 모델의 성능 개선을 위해 24시간마다 수집한 스트리밍 데이터에 대해 점진적 학습 방법을 적용한다. 제안한 LSTM 모델의 성능을 평가하기 위해 선형회귀 모델 및 순환형 신경망(RNN) 모델과 비교한다. 실험 결과는 제안한 LSTM 예측 모델이 선형 회귀보다 700%, RNN 모델보다는 140% 성능 개선이 있음을 보여주었다. Recently, the importance of big data analysis is increasing as a large amount of data is generated by various devices connected to the Internet with the advent of Internet of Things (IoT). Especially, it is necessary to analyze various large-scale IoT streaming sensor data generated in real time and provide various services through new meaningful prediction. This paper proposes a real-time indoor PM10 concentration prediction LSTM model based on streaming data generated from IoT sensor using AWS. We also construct a real-time indoor PM10 concentration prediction service based on the proposed model. Data used in the paper is streaming data collected from the PM10 IoT sensor for 24 hours. This time series data is converted into sequence data consisting of 30 consecutive values from time series data for use as input data of LSTM. The LSTM model is learned through a sliding window process of moving to the immediately adjacent dataset. In order to improve the performance of the model, incremental learning method is applied to the streaming data collected every 24 hours. The linear regression and recurrent neural networks (RNN) models are compared to evaluate the performance of LSTM model. Experimental results show that the proposed LSTM prediction model has 700% improvement over linear regression and 140% improvement over RNN model for its performance level.

함수 근사와 분류를 위한 효율적인 프로덕트 유닛 신경망의 진화

김삼근(Samkeun Kim),민창우(Changwoo Min),김명원(Myung Won Kim) 한국정보과학회 1997 정보과학회논문지(B) Vol.24 No.11

유전알고리즘은 지역최소치에 빠지는 것을 피하게 해주는 특성을 지니고 있어서 일반적으로 복잡한 응용분야를 학습하는데 효율적이라고 알려져 있다. 또한 목적함수가 미분가능해야 한다는 조건을 요구하지 않으므로 적용분야가 넓다. 본 논문에서는 함수 근사를 위하여 유전알고리즘을 이용한 프로덕트 유닛 신경망(PUNN)을 진화시키는 방법을 제안한다. 다항식 표현을 위하여 프로덕트 트리(product tree)를 이용하는데, 이 트리는 프로덕트 유닛들과 시그마 유닛들로 구성된 트리 모양의 신경망이다. 프로덕트 트리에서 프로덕트 유닛은 입력값들에 의한 하나의 항을 표현해 주는 반면에 시그마 유닛은 들어오는 값들의 선형합을 의미한다. 유전알고리즘에 의한 진화와 단순한 트리를 복잡한 트리보다 좋게 평가하는 MDL 원칙을 적용함으로써 최적의 구조와 크기를 갖는 신경망이 얻어질 수 있다. 시뮬레이션에 의하여 여러 가지 함수 근사 문제와 Iris 데이타 분류 문제에 적용한 결과 MLP보다 PUNN을 이용한 제안한 방법이 더 좋은 성능을 보였다. 실험 결과로 보아 PUNN을 이용한 방법은 여러 가지 함수 근사와 분류 문제에 효율적임을 알 수 있다. Genetic algorithm is generally known to be efficient in learning complex tasks because of its nature of avoiding local minima. Since it does not require objective function to be differentiable, genetic algorithm can be applied to many learning problems. In this paper we investigate evolving Product Unit Neural Networks(PUNN) using genetic algorithm for function approximation. We use a product tree for representing a polynomial-like function, which is a tree-structured network consisting of product units and sigma units. In the product tree a product unit represents a term of input values while a sigma unit represents a linear sum of incoming values. By adopting the Minimum Description Length(MDL) principle, an optimally structured neural network can evolve using genetic algorithm. From simulations of approximating three different functions and of classifying the Iris data, we observe that PUNN outperforms Multi-Layer Perceptron. Experimental results show that our method is efficient in approximating various functions with PUNN.