Earticle

신용카드 부정 사용 탐지를 위해 다양한 머신러닝 방식이 이루어지고 있으며, 단일 알고리즘 모형 이외에 여러 알고리즘을 함께 적용하는하이브리드 모형도 제시되고 있다. 또한, 부정 사용 탐지에서 데이터 불균형이 주요한 문제점으로 지적되는데, 이로 인해 오탐률과 미탐률을동시에 개선하기는 쉽지 않다. 본 논문에서는 서로 독립된 분류 알고리즘을 조언자-판단자 방식의 하이브리드 모형으로 구성하여 적용하였다. 제안된 모형은 조언자 계층과 판단자 계층으로 이루어지며, 조언자 계층에서는 단일 알고리즘으로 구성되는 다수의 분류모형을 포함하고, 자신의 알고리즘을 가지는 판단자 계층의 모형은 조언자 모형들의 결과를 특정 함수로 처리한 결과를 입력 데이터의 일부로 활용하는형태이다. 조언자 모형의 예측결과를 입력 데이터로 적용하는 방식에 따라 여러 판단자 모형을 구성하여 평가하였다. 조언자 계층의 여러모형과 판단자 계층을 포함한 전체 모형에 대해 성능을 비교한 결과, 조언자 모형의 특징과 조언자 모형의 결과를 처리하는 함수의 방식에따라 전체 모형의 정밀도 및 재현율의 값이 일정하지 유지되지 않았다. 그러나 조언자 및 판단자 모형의 알고리즘과 예측결과의 처리방식에대한 적절한 선택은 본 논문의 조언자-판단자 모형이 데이터 불균형 속에서 정밀도와 재현율의 개선효과를 가져오는 것으로 확인되었다.

Various machine learning methods have been suggested for the detection of credit card fraud. Besides exploring single-algorithm models, hybrid models utilizing multiple algorithms together are also being proposed. Furthermore, data imbalance is a major issue in fraud detection, making it difficult to improve both false positive and false negative rates simultaneously. In this paper, a judge-advisor hybrid layered model is proposed with layers of advisor models and a judge model. The advisor layer includes multiple classification models composed of single algorithm for each model, while the judge layer utilizes its own algorithm and the prediction results of the advisor models as part of the input data. Comparing the performance of the overall model including the judge layer with various advisor layer models, values of precision and recall are not steady depending on the characteristics of the advisor model and the method of processing the results of advisor models. However it is confirmed that the judge-advisor model can improve precision and recall rates in the face of data imbalance through the appropriate selection of algorithms for the layer of advisor and judge and the method of processing prediction results of advisor models.

The present research article focused on the factual findings of the potential usage of the combinational Feed-Forward Back Propagation Neural Network as a judgment making for lung cancer. In this context, Support Vector Machine is integrated with Feed-Forward Back Propagation Neural Network to create a hybrid algorithm that further helps in reducing the computation complexity of the classification. A set of 500 images are utilized in which 75% data is used for the training purpose and the rest 25% is used to achieve the classification. In the view of forgoing, a three-block mechanism is proposed for the classification in which the first block preprocesses the dataset, the second block extracts the features via the SURF technique followed by the optimization using Genetic Algorithm and the terminal block is for the classification via FFBPNN. The hybrid classification algorithm is named as Kernel Attribute Selected Classifier and the overall classification accuracy of the proposed algorithm is 98.08%. Herein, the objective of the study is to enhance the classification accuracy by applying a hybrid classification algorithm.

This study proposed a novel framework for plant leaf disease identification. The proposed model consists of four steps including pre-processing, segmentation, feature extraction, and classification. At first, the unwanted noise and overfitting are removed, and also image contrast level is enhanced. Secondly, the Fuzzy C-Means (FCM) based Chameleon Swarm Algorithm (CSA) named as (FCM-CSA) is used for plant leaf diseased part segmentation. In the third stage, the feature extraction is performed using a fast GLCM feature extraction model. Finally, the Progressive Neural Architecture Search (PNAS) is used for plant leaf disease identification. The experimental investigations are carried out using MATLAB software with the Mendeley database. From this dataset, we have used Apple Cedar Apple Rust (ACAR), Cherry Powdery Mildew (CPM), Corn Common Rust (CCCR), Apple Healthy (AH), Grape Black Rot (GBR), Pepper Bell Bacterial Spot (PBBS), Potato Late Blight (PLB) and Tomato Leaf Mold (TLM) disease images. Different measures such as precision, recall, sensitivity, specificity, and accuracy results are used to validate the performance of the proposed model.

Soil surface displacement occurs often following timber harvesting. This displacement is caused by canopy removal from the forest area which makes bare soil to be exposed directly to the rainfall. Thus, the displacement may differ in due to precipitation intensity, and this phenomenon results in the displacement prediction to be uncertain. In this study, we investigated on 1) calculating displacement on timber harvested area in research forest by photogrammetry method, and 2) assessing erosion risk of the area by using three different supervised machine learning classification models. Two time-series of point cloud data (PCD) were acquired by photogrammetry method from June 10, 2022 and July 9, 2022, respectively. These two PCD sets were registered by ground control point (GCP). For displacement estimation, DEM of difference (DoD) was calculated by subtracting DEMs from registered PCD sets. A total of nine terrain variables were generated for analyzing the spatial relationship between displacements and topographic features. Erosion risk was analyzed by three different classification algorithms: random forest (RF), extra gradient boost (XGB), logistic regression (LG). Best performed model was RF with overall accuracy (OA) of 72.9% followed by XGB model (72%), and LG model (71.7%). The results of this research indicate that machine learning based classification algorithms have better performances on erosion risk analysis than statistical algorithm through this research.

본 연구의 목적은 이용자의 탐색 행태, 시스템의 정보 구축 행태를 기반으로 초기 질의어의 범주에 해당하는 연관 용어들(해당 용어의 지식구조와 관련된 연관 용어들)을 학습기능을 통해 자동으로 제시해 줄 수 있는 지능형 검색 시스템을 구현하는 것이다. 이를 위해 학습을 통해 전문가 수준의 색인어를 추출할 수 있는 지능형자동색인 알고리즘, 자동분류에 관련한 클러스터링 알고리즘과 문서 범주화 알고리즘 그리고 범주 표현 알고리즘에 대한 이론적 연구를 수행하였으며, 이들 이론적 연구를 근거로 비용과 시간적인 측면에서 그리고 재현율과 정도율이란 측면에서 우수한 성능을 발휘할 수 있는 지능형검색시스템을 구현하였다.

This is to develop Intelligent Retrieval System which can automatically present early query's category terms(association terms connected with knowledge structure of relevant terminology) through learning function and it changes searching form automatically and runs it with association terms. For the reason, this theoretical study of Intelligent Automatic Indexing System abstracts expert's index term through learning and clustering algorism about automatic classification, text mining(categorization), and document category representation. It also demonstrates a good capacity in the aspects of expense, time, recall ratio, and precision ratio.

산업의 발전으로 도시화로 인해 건물의 규모가 커지면서, 건물의 공기 정화 및 쾌적한 실내 환경을 유지의 필요 성 또한 증가하고 있다. 냉동 시스템의 모니터링 기술의 발전으로 건물 내에 발생하는 전력 소모량을 관리할 수 있게 되었다. 특히 상업용 건물에서 발생하는 전력 소모량 중 약 40%가 냉동 시스템에서 일어난다. 따라서 본 연구 냉동시스 템 고장진단 알고리즘을 개발하기 위해서 냉동시스템의 구조를 이해하고, 냉동 시스템의 운영과정에서 발생하는 데이터 를 수집 분석하여 다양한 유형과 심각도를 가지는 고장 상황을 조기에 신속하게 탐지 분류하고자 하였다. 특히 분류가 어려운 고장 유형들의 분류 정확도를 향상시키기 위하여 3단계 진단 및 분류 알고리즘을 개발하여 제안하였다. 다수의 실험과 초모수 (hyper parameter) 최적화 과정을 거쳐 각 단계에 적합한 분류 모형으로 SVM과 LGBM에 기반 한 모형을 제시하였다. 본 연구에서는 고장에 영향을 미치는 특성을 최대한 보존하면서, 선행연구에서 어려움을 겪었던 냉매 관련 고장을 포함한 모든 고장 유형을 우수한 결과로 도출하였다.

As the size of buildings increases due to urbanization due to the development of industry, the need to purify the air and maintain a comfortable indoor environment is also increasing. With the development of monitoring technology for refrigeration systems, it has become possible to manage the amount of electricity consumed in buildings. In particular, refrigeration systems account for about 40% of power consumption in commercial buildings. Therefore, in order to develop the refrigeration system failure diagnosis algorithm in this study, the purpose of this study was to understand the structure of the refrigeration system, collect and analyze data generated during the operation of the refrigeration system, and quickly detect and classify failure situations with various types and severity . In particular, in order to improve the classification accuracy of failure types that are difficult to classify, a three-step diagnosis and classification algorithm was developed and proposed. A model based on SVM and LGBM was presented as a classification model suitable for each stage after a number of experiments and hyper-parameter optimization process. In this study, the characteristics affecting failure were preserved as much as possible, and all failure types, including refrigerant-related failures, which had been difficult in previous studies, were derived with excellent results.

본 논문은 다층을 갖는 네트워크를 가장 효율적으로 학습하는 것은 결국 최적의 가중치 벡터의 집합을 찾아가는 과정이라는 간단한 접근 방법을 기본으로 하고 있다. 일반적인 학습 문제의 단점을 극복하기 위해 제안 모델에서는 EBP와 OVSSA의 특징들을 결합한 방법을 사용한다. 즉 EBP가 지역 최소치에 빠질 수 있는 성질을 보강하기 위해 OVSSA의 확률 이론으로 빠져나갈 수 있도록 제안 방법은 각각 알고리즘의 장점만을 취하여 하나의 모델을 구성한다. 제안 알고리즘에서는 EBP에서 오류를 줄이기 위한 방법들을 에너지함수로 사용하고, 이 에너지를 OVSSA로 최소화 하는 방법을 사용하였다. 두 가지의 상이한 성질을 가지는 알고리즘이 합쳐질 수 있음을 간단한 실험 결과를 통해 확인한다.

This paper is based on a simple approach that the most efficient learning of a multi-layered network is the process of finding the optimal set of weight vectors. To overcome the disadvantages of general learning problems, the proposed model uses a combination of features of EBP and OVSSA. In other words, the proposed method can construct a single model by taking advantage of each algorithm so that it can escape to the probability theory of OVSSA in order to reinforce the property that EBP falls into local minimum value. In the proposed algorithm, methods for reducing errors in EBP are used as energy functions and the energy is minimized to OVSSA. A simple experimental result confirms that two algorithms with different properties can be combined.

인터넷을 통해 사용자에게 클라우드 컴퓨팅 서비스를 효율적으로 제공하기 위해서는 데이터 센터에 가상 화와 분산 컴퓨팅 기술을 기반으로 하여 IT 자원을 구성해야 한다. 본 논문은 폭넓은 분야에서 새로운 훈련 데이터 가 언제라도 추가될 수 있고, 또한 언제라도 훈련 데이터에 새로운 속성이 추가될 수 있다는 문제에 특별히 초점을 맞춘다. 이러한 경우, 기존 속성 집합들을 가지는 훈련 데이터로 생성된 규칙은 쓸모없게 된다. 더구나 새롭게 추가 된 데이터나 속성을 가지는 새로운 데이터는 기존 규칙과 결합될 수 없다. 본 논문은 이와 같은 경우를 자연스럽게 처리할 수 있는 보다 진보된 새 추론 엔진을 제안한다. 이 방법에서 기존의 데이터로 부터 생성된 규칙은 개선된 규칙을 생성하기 위한 새로운 데이터 집합과 결합될 수 있다.

To efficiently provide cloud computing services to users over the Internet, IT resources must be configured in the data center based on virtualization and distributed computing technology. This paper focuses specifically on the problem that new training data can be added at any time in a wide range of fields, and new attributes can be added to training data at any time. In such a case, rule generated by the training data with the former attribute set can not be used. Moreover, the rule can not be combined with the new data set(with the newly added attributes). This paper proposes further development of the new inference engine that can handle the above case naturally. Rule generated from former data set can be combined with the new data set to form the refined rule.

본 논문에서는 레이저스캐너만으로 이루어진 감지 시스템을 이용하여 도로 위에 있는 객체의 위치를 추정하고 분류 하는 알고리즘을 제안한다. 각각의 레이저 스캐너에서 획득한 데이터는 그리드 맵을 사용하여 데이터를 융합하였으며, 팽창 연산과 레이블링 방법을 사용하여 측정 오차를 보정하였다. 추출한 객체의 정보(길이, 폭)를 입력으로 사용한 퍼지 방법을 통해 객체를 보행자, 자전거, 차량으로 분류하였으며, 이러한 방법은 레이저스캐너로만 이루어진 감지 시스템의 정확도를 증가시켰다. 또한 본 논문에서는 실제 도로 환경에서 몇 가지 시나리오를 설정하여 실험을 하였다. 실험을 통 해 감지 시스템이 객체를 정확히 분류하는지, GPS-RTK 장비를 사용하여 획득한 위치 정보와 비교하여 객체의 위치 정 보를 정확히 추정하는지 검증하였다.

This paper proposes the on-road object detection and classification algorithm by using a detection system consisting of only laser scanners. Each sensor data acquired by the laser scanner is fused with a grid map and the measurement error and spot spaces are corrected using a labeling method and dilation operation. Fuzzy method which uses the object information (length, width) as input parameters can classify the objects such as a pedestrian, bicycle and vehicle. In this way, the accuracy of the detection system is increased. Through experiments for some scenarios in the real road environment, the performance of the proposed detection and classification system for the actual objects is demonstrated through the comparison with the actual information acquired by GPS-RTK.

최근 클라우드 컴퓨팅이 발전함에 따라 데이터베이스 아웃소싱에 대한 관심이 증가하고 있다. 그러나 데이터베이스 를 아웃소싱하는 경우 데이터 소유자의 민감한 데이터가 노출될 수 있다는 문제점이 존재한다. 따라서 본 논문에서 는 프라이버시 보호를 지원하는 병렬 kNN 분류 알고리즘을 제안한다. 제안하는 알고리즘은 기존 기법과 동일한 수 준의 정보 보호 수준을 제공하면서 다중 CPU 코어를 활용한 병렬 처리를 지원한다. 이를 위해 제안하는 알고리즘 은 단일 CPU 코어 기반 데이터 처리 프로토콜을 다중 CPU 코어 기반 데이터 처리 프로토콜로 변환함으로써 효율 적인 질의처리를 수행한다. 또한 노이즈(Noise) 데이터를 전처리함으로써 정보 보호를 지원하는 동시에 효율적인 질의 처리가 가능하다. 마지막으로 성능 평가를 통해 제안하는 알고리즘이 기존 기법보다 질의처리 시간 측면에서 8~30배 성능이 우수함을 보인다.

With the recent development of cloud computing, interest in database outsourcing is increasing. However, when outsourcing a database, there is a problem that sensitive data of the data owner may be exposed. Therefore, in this paper, we propose a parallel kNN classification algorithm that supports information protection. The proposed algorithm supports parallel processing using multiple CPU cores while providing the same level of information protection as the existing techniques. For this, the proposed algorithm performs efficient query processing by converting a data processing protocol based on a single CPU core into a data processing protocol based on multiple CPU cores. By preprocessing noise data, it also supports information protection and enables efficient query processing. Finally, it is shown from performance evaluation that the proposed algorithm is 8 to 30 times better than the existing techniques, in terms of query processing time.

백스케터 신호는 신호의 세기가 미약하여 신호 간섭과 채널 영향에 큰 영향을 받는다. 본 논문에서는 백스케터 통신을 위한 주파수 대역을 찾는 인지 무선 통신 시스템 기반의 이중 알고리즘을 제안한다. 이중 알고리즘은 유휴 채널과 에너지 효율에 대한 정보와 주파수 채널의 상태를 파악하여 최적의 주파수 채널을 제공한다. 시뮬레이션 결과를 통해 본 논문에서 제안한 알고리즘을 적용한 백스케터 통신의 성능을 확인하고, 백스케터 통신에서 제안한 알고리즘의 성능향상을 입증한다.

The backscatter signals are very weak so they can be easily interfered by signal interferences and channels. In this paper, we propose a two-level classification algorithm for backscatter communications which chooses the idle frequency channel based on cognitive radio systems. The two-level classification algorithm provides an optimal idle frequency channel by obtaining informations about idle frequencies, fading of the channels, and the channels’ usage state by primary users. Our simulation results show the improvement of BER and received power performance in backscatter communications by using the proposed algorithm, and the improvement of the algorithm’s performance in backscatter communications.

최근 사이버 공격은 지능적이고 지속적인 피싱사이트와 악성코드를 활용한 해킹 기법을 활용하는 사회공학적 공격이 증가 하고 있다. 개인 보안이 중요해지는 만큼 웹 어플리케이션을 이용해 악성 URL 여부를 판별하는 방법과 솔루션이 요구되고 있 다. 본 논문은 악성 URL를 탐지하는 정확도가 높은 기법들을 비교하여 각각의 특징과 한계를 알아가고자 한다. 웹 평판 DB 등 기반 URL 탐지 사이트와 특징을 활용한 분류알고리즘 모델과 비교하여 효율적인 URL 이상탐지 기법을 제안하고자 한다.

Recently, cyberattacks are increasing in social engineering attacks using intelligent and continuous phishing sites and h acking techniques using malicious code. As personal security becomes important, there is a need for a method and a soluti on for determining whether a malicious URL exists using a web application. In this paper, we would like to find out each feature and limitation by comparing highly accurate techniques for detecting malicious URLs. Compared to classification al gorithm models using features such as web flat panel DB and based URL detection sites, we propose an efficient URL an omaly detection technique.

본 연구의 목적은 초중등학생 대상 알고리즘 교육을 위한 알고리즘 분류체계를 제안하는 것이다. 연구자는 알 고리즘의 구성요소를 정의하고, 분석합성식 방법으로 알고리즘 분류체계를 표현하였다. 연구의 내용은 다음과 같다. 첫째, 분류의 목적과 분류의 종류에 대한 이론적인 탐색을 실시하였다. 둘째, 기존에 제안된 알고리즘 내용에 대한 분류체계의 내용과 그 한계에 대해 살펴보았다. 이와 더불어 알고리즘 교육 연구에서 사용되었던 알고리즘 교육 내용 및 선정 기준에 대해 살펴보았다. 셋째, 알고리즘의 분류를 위해 알고리즘 구성요소를 NRC에서 제시 한 핵심 아이디어와 관통 개념을 사용하여 재정의하였다. 그리고 알고리즘 관통 개념을 디자인 구조와 자료구조 로 세분화하여 그 내용을 제시하였으며, 이 내용을 분석합성식 분류체계를 사용하여 표현하였다. 마지막으로 전 문가 집단의 검토를 통해 제안한 내용에 대한 타당도를 검증하였다. 알고리즘 분류체계에 대한 연구는 알고리즘 교육에 있어 내용 선정 및 교육 방법에 많은 시사점을 제공할 것으로 기대한다.

The purpose of this study is to propose algorithm classification system for algorithm education for Elementary and Secondary Students. We defines the components of the algorithm and expresses the algorithm classification system by the analysis synthesis method. The contents of the study are as follows. First, we conducted a theoretical search on the classification purpose and classification. Second, the contents and limitations of the classification system for the proposed algorithm contents were examined. In addition, we examined the contents and selection criteria of algorithms used in algorithm education research. Third, the algorithm components were redefined using the core idea and crosscutting concept proposed by the NRC. And the crosscutting concept of algorithm is subdivided into algorithm data structure and algorithm design strategy, and its contents are presented using analytic synthesis classification scheme. Finally, the validity of the proposed contents was verified by the review of the expert group. It is expected that the study on the algorithm classification system will provide many implications for the contents selection and training method in the algorithm education.

본 논문에서는 사용자의 EEG(Electroencephalogram)신호를 측정하여 SVM(Support Vector Machine) 알 고리즘을 이용하여 EEG 신호룰 분류하고 신호의 정확도를 측정하였다. 사용자의 EEG 신호를 측정하기 위해 남·여를 구분하여 실험을 진행하였으며, EEG 신호 측정은 단채널 EEG 디바이스를 이용하였다. EEG 디바이스를 이용하여 사용 자의 EEG 신호를 측정한 결과는 R을 이용하여 분석하였다. 또한 SVM의 분류 성능이 최고가 되는 특정 벡터의 조합을 적용시켜 EEG 측정 실험 데이터를 80:20(훈련 데이터: 테스트 데이터) 비율로 예측해 본 결과 인식률 93.2% 의 예측 정확도를 보였다. 본 논문에서는 사용자의 EEG 신호를 약 93.2% 정도로 인식할 수 있었으며, SVM 알고리즘의 간단한 선형 분류만으로 수행이 가능하다는 점은 EEG 신호를 이용하여 생체인증에 다양하게 활용될 수 있음을 제시하였다.

In this paper, we measured the user's EEG signal and classified the EEG signal using the Support Vector Machine algorithm and measured the accuracy of the signal. An experiment was conducted to measure the user's EEG signals by separating men and women, and a single channel EEG device was used for EEG signal measurements. The results of measuring users' EEG signals using EEG devices were analyzed using R. In addition, data in the study was predicted using a 80:20 ratio between training data and test data by applying a combination of specific vectors with the highest classifying performance of the SVM, and thus the predicted accuracy of 93.2% of the recognition rate. This paper suggested that the user's EEG signal could be recognized at about 93.2 percent, and that it can be performed only by simple linear classification of the SVM algorithm, which can be used variously for biometrics using EEG signals.

본 논문에서는, 단락흔과 열흔 판별을 위한 CNN기법과 ResNet의 성능 분석을 비교 분석하는 알고리즘 을 제안하고 검증하였다. 학습을 위한 데이터는 실험을 통해 제작하여 원본 데이터로 생성한 후, 알고리즘에 적용 시켜 학습데이터와 검증데이터로 확보하였다. Resnet 기법을 활용하여 CNN의 오차를 줄이는 방법으로 신경망의 파라미터를 학습하는 것과는 다르게 입력과 출력의 차이를 이용하는 잔차 학습(Residual learning)을 도입함으로 써, 더욱 깊은 네트워크층을 사용하여 효율적으로 학습 가능한 구조를 나타내고 있다. 분석결과 CNN과 Resnet 판별 정확도는 각각 93,54%, 96.81%로 얻었다.

In this paper, we proposed and verified an algorithm that compares and analyzes the performance analysis of the CNN method and Resnet for the distinguish Arc beads and Molten mark. The data for training was produced through experiments and generated as original data, and then applied to the algorithm to obtain training data and validation data. Unlike learning neural network parameters as a way to reduce CNN errors using Resnet techniques, by introducing Residual learning that utilizes the difference between input and output, it shows a structure that can be efficiently learned using a deeper network layer. As a result of the analysis, the CNN and Resnet classification accuracies were 93.54% and 96.81% respectively.

본 연구에서는 최근 활발하게 활용되고 있는 머신러닝 기법을 교통분야에 적용하여 효율적 인 돌발상황 검지 알고리즘을 개발하는 것을 목적으로 하였다. 미시교통시뮬레이션 모형을 통 하여 대상지의 네트워크를 구축하였고 돌발상황에 영향을 줄 것으로 예상되는 변수의 여러 조 합을 통해 시나리오를 설정하여 가상의 돌발상황 데이터를 수집하였다. 다음으로 대표적인 돌 발상황 검지 알고리즘인 McMaster 알고리즘과 본 연구에서 개발한 나이브 베이즈 분류기 를 구현하여 비교·평가하였다. 비교 결과, 나이브 베이즈 분류기가 McMaster 알고리즘에 비해 돌 발상황 검지 간격에 따른 부정적인 영향이 적었고 더 우수한 검지율을 보였다. 하지만 검지율 이 증가하는 만큼 오검지율 또한 증가하는 것을 확인할 수 있었다. McMaster 알고리즘은 4주기 를 통해 검지가 가능하지만 나이브 베이즈 분류기는 1주기(30초)만으로 돌발상황을 판단할 수 있다. 본 연구를 통해 개발한 나이브 베이즈 분류기가 효율적으로 돌발을 파악할 수 있다는 것을 확인할 수 있었다.

The purpose of this study is to develop an efficient incident detection algorithm by applying machine learning, which is being widely used in the transport sector. As a first step, network of the target site was constructed with micro-simulation model. Secondly, data has been collected under various incident scenarios produced with combination of variables that are expected to affect the incident situation. And, detection results from both McMaster algorithm, a well known incident detection algorithm, and the Naive Bayes algorithm, developed in this study, were compared. As a result of comparison, Naive Bayes algorithm showed less negative effect and better detect rate (DR) than the McMaster algorithm. However, as DR increases, so did false alarm rate (FAR). Also, while McMaster algorithm detected in four cycles, Naive Bayes algorithm determine the situation with just one cycle, which increases DR but also seems to have increased FAR. Consequently it has been identified that the Naive Bayes algorithm has a great potential in traffic incident detection.

본 논문은 자율주행 개인화를 위한 순환 최소자승 기반 융합형 종방향 주행특성 구분 알고리즘에 관한 연구이다. 최근 자율주행 기술은 Level 4 완전 자율주행 단계를 위해 다양한 연구가 수행되고 있다. 자율주행 자동차의 상용화를 위해서는 탑승자의 자율주행에 대한 이질감을 최소화할 수 있어야 하며 이를 위해 자율주행 개인화 기술이 필요하다. 이 문제를 해결하기 위해 본 연구에서는 운전자의 종방향 주행특성을 수학적으로 표현하고 순환 최소자승 기법 기반 실 주행 데이터를 이용하여 주행특성을 도출하는 알고리즘을 제안하였다. 두 명의 실제 운전자 데이터를 이용하여 종방향 주행특성을 도출하였으며 두 명의 운전자를 구분하기 위해 가설검정 기반 확률적 구분 알고리즘을 적용하였다. 제안된 종방향 주행특성 도출 및 구분 알고리즘은 개별 운전자의 주행특성을 합리적으로 나타낼 수 있었으며 가설검정 기반 확률적 구분기법에 의해 주행특성이 구분될 수 있음을 확인하였다.

This paper describes a recursive least-squares based convergent algorithm for driving characteristic classification for personalized autonomous driving. Recently, various researches on autonomous driving technology have been conducted for level 4 fully autonomous driving. In order for commercialization of the autonomous vehicle, personalized autonomous driving is required to minimize passenger’s insecureness to the autonomous vehicle. To address this problem. this study proposes mathematical model that represents driving characteristics and recursive least-squares based algorithm that can estimate the defined characteristics. The actual data of two drivers has been used to derive driving characteristics and the hypothesis testing method has been used to classify two drivers. It is shown that the proposed algorithms can derive driving characteristics and classify two drivers reasonably.