인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
본 논문에서는 고무 사출 데이터에서 정상 데이터와 불량 데이터를 포함한 전체 데이터를 대상으로 계층적 군집화와 마할라노비스 거리를 이용하여 불량 데이터를 효과적으로 예측하는 방법을 제안한다. 제안된 방법은 훈련 데이터를 정상 데이터와 불량 데이터로 구분하고, 각각 데이터에 대해 무게 중심 거리 기반 계층적 군집화 기법을 적용한다. 무게 중심 거리 기반 계층적 군집화 기법을 적용하여 각 군집의 특징을 추출하고 추출된 특징을 기반으로 테스트 데이터를 예측한다. 테스트 데이터는 해당 데이터가 정상 데이터의 군집 특징과 마할라노비스 거리를 통해 유사도를 분석한다. 제안된 방법의 효율성을 검증하기 위해 총 2,400개의 고무 사출 데이터(정상 데이터 1,200개, 불량 데이터 1,200개) 를 대상으로 제안된 방법을 수행하였다. 실험 결과, 제안된 방법이 기존의 클러스터링 기법보다 사출 데이터에서 정상 데이터와 불량 데이터를 예측하는 성능이 HCM 방법보다 16.8% 개선되었고 PCM 방법보다는 39.7%가 개선된 것을 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-095631882
