해양

Vol. 4, No. 1 (2011) pp. 31 − 37

Risk Classification of Vessel Navigation System using Correlation Weight of Marine Environment

Byoung Ho Song and Sang Hyun Bae^†

해양 환경 요소 상관관계 가중치를 이용한 선박 항행 시스템의 위험도 분류

송병호·배상현^† Abstract

Various algorithms and system development are being required to support the advanced decision making of navigation information support system because of a serious loss of lives and property accidents by officer's error like as carelessness and decision faults. Much of researchers have introduced the techniques about the systems, but they hardly consider environmental factors. In this paper, We collect the context information in order to assess the risk, which is considered the various factor of the sailing ship, then extract the features of knowledge context, which is to apply the weight of correlation coefficients among data in context information. We decide the risk after the extract features through the classification and prediction of context information, and compare the value accuracy of proposed method in order to compare efficiency of the weighted value with the non-weighted value. As a result of experience, we know that the method of weight properties effectively reflect the marine environment because the weight accurate better than the non-weighted.

Key words

: Risk Decision System, Safety Navigation, Context Aware, Marine Environment, Correlation.

1. 서 론

최근해양에서의사고발생이계속해서증가하고있 으며특히해양사고대부분이운항부주의

,

정비불량 등인적요인의의한어선사고인것으로나타났다

.

일반적인사고와는달리해양사고는인명피해와 함께심각한자본의손실을초래한다

.

이러한사고는대부분항해사의운항부주의

,

^정비

불량등인적요인에의한사고가주된요인으로파악 되고있다^[1]

.

이러한인적요인에의한해양사고를줄이기위해 환경자원에영향을받지않는형태를지니며항해사 를보조혹은대처할수있는지능형항행안전시스템 의필요성이제기되어왔으며이러한시스템에대한연

구는

1950

년대유럽에서시작되어지금까지도여러가

지접근을통해서제안되고있다

.

관련연구를살펴보면

,

^{퍼지제어를이용한자동충}

돌회피연구^[2]와뉴로

-

^{퍼지기법을이용한선박의충돌}

회피에대한연구^[3]

, JDL(Joint Director of Labs)

모듈

을이용한선박정보융합시스템^[4,5]이있다

.

지금까지제안된여러연구들은타선박이나고정 장애물에대해서어느정도의적절한회피결과를보 이지만주변환경요소에대한고려는거의되어있지 않다는문제점이있다

.

^{본논문에서고려하는주변환}

경요소란수심

,

풍속

,

풍향

,

조류등실시간으로얻을 수있는주변상황에대한데이터이다

.

^{실제항행상황}

에서항해사는구체적인수치가아닌경험에의한판 단으로이주변환경요소들을판단하는데

,

이러한주 관적인판단은위험도를가중시키는결과를초래한다

.

따라서

,

^{지능형선박에서는주변환경요소를고려}

한보다정확하고신뢰성이보장된위험도가제공되어 야한다

.

^{이에본논문에서는항행선박의다양한주변}

환경요소가고려된위험도를평가하기위해해양환 경에대한상황정보와선박의위험도를판단하기위 한선체위험상황정보

(

^{선박의뒤틀림}

,

^기울기

)

^를수

집한후상황정보내데이터간의상관계수가중치를

조선대학교(375 Seosuk-dong, Dong-gu, Gwangju 501-759, Korea)

†Corresponding author: shbae@chosun.ac.kr (Received : March 2, 2011, Revised : March 16, 2011, Accepted : March 21, 2011)

적용하여상황정보의특징을추출하였다

.

특징추출 후상황정보의분류와예측과정을거친후위험도를 결정함으로써

,

^{정확도를높이고예측확률을높이고자}

한다

.

해양환경요소가선박에미치는영향에따라위험

정도를학습후분류하는

KNN(k-Nearest neighbor)

^알

고리즘을이용하였고

,

제안한방법의효율성을비교하 기위해가중치적용과미적용시정확도를비교하였

다

. KNN

^{알고리즘의적용에있어서각속성에대하여}

정확한가중치부여는

KNN

알고리즘의성능에많은

영향을미친다

.

^즉

,

^{모든속성을같은비중으로판단하}

게되면

KNN

알고리즘은높은성능을제공할수없다

.

저장된데이타베이스에서항행중인선박의위험정도 를예측할때데이타베이스의풍속

,

^수심

,

^조류속성

은선박의뒤틀림정도나기울기정도에대하여높은 연관을가지며따라서높은가중치를부여하여야한다

.

이와같이

,

^{데이타베이스에서특정한목적속성}

(target

attribute)

의값을예측

/

분류하고자할때목적속성을

제외한다른속성의가중치는목적속성에따라서그 값을달리하게된다

.

^{본논문은다음과같이구성되었}

다

. 2

장에서는관련연구동향을알아보고

3

장에서는 입력사례데이터측정및사례베이스구축

, 4

^장은시

스템구현결과를보여주고

5

^{장에서는성능평가에대}

해서기술한다

. 6

장에서는결론과향후연구방향을제 시한다

.

2. 관련 연구

2.1. 해양 환경 요소 상관관계

본논문에서는선박의항행시해양환경요소가선 체에미치는위험도를상관계수가중치를이용하여추 정하고자한다

.

선박의항행시영향을미치는해양환 경은선박주변의해류및조류

,

^수심

,

^{풍향및풍속등}

선박에게직·간접적으로영향을끼치는모든요소들 을말한다

.

최근선박주변의해류및조류요소와풍 속

,

^{풍향요소는선박내동력기관의출력이향상됨으}

로써그방향과속도가본선의항로설정에미치는영 향이예전보다적어졌다

.

하지만그방향과속도에따 라서위험도가기하급수적으로증가하므로

,

^여전히주

의해야할환경요소이다

.

^{기존의연구에서해양환경}

요소는제한항행구역으로가정하거나본선의항행에 영향을끼치지않는고정요소로가정을하는경향이 있다

.

실제항행상황에서항해사는구체적인수치가아닌 경험에의한판단으로이주변환경요소들을판단하

는데

,

이러한주관적인판단은위험을초래한다

.

한편

,

항행중인선박에서발생하는정보들은그양이많고 빠르게갱신된다

.

^{그로인해항해사는견시업무의대}

부분을정보확인에소모하게되고

,

기존업무에추가 적인업무부담을초래한다

.

이러한문제를해결하기위해항행정보지원체계의 의사결정지원을위한다양한알고리즘과시스템연구

가진행되고있다^[6,7]

.

^{기존의연구에서는해양환경요}

소들간의관계를고려하지않고위험도를계산하였다

.

하지만해양환경요소와선박의항행데이터간의관 계를고려한다면위험도의정확도를높일수있다

.

본논문에서는항행선박의다양한주변환경요소 가고려된위험도를평가하기위해해양환경에대한 상황정보를수집한후상황정보내데이터간의상관 계수가중치를적용하였다

.

2.2. Knn 알고리즘

본논문에서는해양환경요소가선박에미치는영 향에따라위험정도를학습후분류하는최근접이웃 알고리즘알고리즘을이용하였다

.

최근접이웃알고리즘

(k nearest neighbor algorithm)

은이미알려진개체들을훈련집합

(training set)

^의형

태로메모리에기억한다음그중유사한개체를선택 하여선택된개체의값에따라새로운개체의값을예 측하는방식의분류알고리즘이다

.

KNN

알고리즘은입력패턴이주어졌을때유사도 함수에기반하여미리저장되어있는표준패턴들의 집합에서입력패턴과가장유사한

k

개의표준패턴들 을선택한다

.

선택된

k

개의표준패턴들의클래스들을확인하여가 장많이선택된표준패턴들의클래스를입력패턴의

클래스로결정한다

.

그림

1

은

kNN

알고리즘의수행

과정을나타낸다

. KNN

^{알고리즘에대한선행연구를}

살펴보면

KNN

^{알고리즘은최초로}

Cover

^와

Har

^에의

그림 1.

kNN

알고리즘수행과정

.

Fig 1.

kNN Algorithm Execute Process.

하여각각 독립적으로제안되었다^[8]

.

이후

Smith

와

Medin

^{등에의하여}

KNN

^{알고리즘은논리학적으로그}

타당성을인정받았지만실제알고리즘을위한모델은

개발되지 않은 상태였다^[9]

.

이후

Aha, Kibler and

Albert

^{에의하여몇개의개체중심학습}

(instance-based

learning,IBL)

^{알고리즘이개발되었다[10]}

. KNN

^알고리

즘은여러분야에서적용되고있으며그성능을검증 받고있는기계학습방법중의하나이다

.

3. 시스템 구성 및 설계

본논문에서는항행선박의다양한주변환경요소 가고려된위험도를평가하기위해해양환경에대한 상황정보와선박의위험도를판단하기위한선체위 험상황정보

(

선박의뒤틀림

,

기울기

)

를측정하였다

.

즉

,

해양환경요소에대한각각의데이터에대해상관계 수가중치를적용하여선박의뒤틀림과기울기에미치 는위험도를결정한다

.

그림

2

는항행선박의위험도 평가를위한시스템의전체구성도이다

.

제안하는시스템은크게전처리단계

,

^{상관관계가}

중치계산

,

위험도평가과정으로이루어진다

.

전처리단계에서는센서와

AIS

^{로부터의초기입력}

데이터를분류하여데이터베이스에저장한다

.

상관관계가중치계산단계에서는측정된해양환경 데이터간의상관계수가중치를적용하여상황정보의 특징을추출하였다

.

위험도평가단계에서는상관계수가중치가적용된

데이터를

Knn

^{알고리즘을이용하여위험도를분류}

,

^예

측한다

.

3.1. 해양 환경 요소 데이터

본논문에서주변환경요소데이터는

AIS(Automatic

Identification System)

^{에서제공하는정보를이용하였}

다

.

AIS

는선박의위치

,

침로

,

속력등항해정보를실시

간으로제공하는첨단장치로서

,

^{국제해사기구}

(IMO)

가추진하는의무사항이며

,

^{선박자동식별장치}

(AIS)

가도입되면주위의선박을인식할수없는경우에도 타선의존재와진행상황판단이가능하고

,

^시계가좋

지않은경우에도선명·침로·속력식별이가능하여 선박충돌방지

,

^광역관제

,

^{조난선박의수색및구조}

활동등안전관리를더욱효과적으로수행할수있는 시스템이다

. AIS

시스템에서측정되는풍속은보통초

당미터

(%)

나노트

(Knot)

로표시한다

.

그리고일반적

인풍속계로잴수없을정도로매우강한바람에대해

서는

F-

스케일로나타낸다

.

해상에서 사용되는 풍속 측정기의 경우는

Vane

probe

방식을사용하며

5~40 m/s

의풍속측정에이상

적이다

. Vane probe

^{측정원리는}

vane

^{의회전수를전}

기신호로바꾸는원리에기반하여풍속을측정한다

.

3.2. 선체 위험 상황 데이터

항행중인선박은주변환경요소의영향에의해선 박의기울기와뒤틀림정도가달라질것이다

.

선체의운동은단방향이아닌전방향성을가지고 있기에

,

^{모든방향에서의흔들림을종합적으로고려해}

야한다

.

표

1

은선체의흔들림운동에대한설명이다

.

3.2.1. 선박의 기울기 측정

본논문에서는

3

축 가속도 센서인

withrobot

사의

myAccel3LV02

^{보드를이용하여선체의기울기를측}

정하였다

. myAccel3LV02

^{보드는한개의센서보드에}

표 1.선체의흔들림운동

Table 1.

Body of a ship wavering movement

종류 내용

(

횡동요롤링

)

^{배가폭방향으로좌우로흔들리는운동}

(

종동요핏

)

^배의라갔다^선수와내려갔다^선미가하는^번갈아운동^{가며상하로올}

(

상하요히빙

)

^배지는^전체가것

(

배^위로전체가^솟구쳐아래^올랐다가

,

위운동

)

^다시떨어

(

좌우요스웨잉

)

^배왔다^전체가갔다^옆으로하는운동^{미끄러지듯이좌우로}

(

전후요써징

)

^{배전체가앞뒤로왔다갔다하는운동}

(

선수요요잉

)

^{배의선수가좌우로도는운동}

그림 2.시스템구성도

.

Fig 2.

System block diagram.

서

3

^{축가속도를측정하고측정범위는}

-40

^도에서

+85

도까지이며

12

^비트

ADC

^{를내장하여디지털값을출}

력한다

.

^{센서로부터전송된데이터는}

x, y, z

^세방향의

좌표를나타내는데이터이다

.

^식

1

^과같이

atan

^함수를

이용해서선체의기울어진각도를측정한다

.

θ

= tan

^-1

(1)

여기서

, y

는가속도센서의

y

출력값이고

z

는가속도 센서의

z

^{출력값이다}

.

^그림

3

^{은가속도변환소스코}

드이다

.

3.2.2. 선박의 뒤틀림 측정

선박환경의특수사항인선체저항과흔들림운동을 고려하여선체에가해지는외력에의한뒤틀림을측정 하기위하여스트레인게이지센서를이용하여선체의 좌우뒤틀림에대한변형율을측정한다

.

^{스트레인게이}

지는측정하는대상의변형을직접측정할수있으며

,

이를전기적인신호로바꾸어우리가얻고자하는변 형율을측정할수있다

.

변형의방향에따라얻은전압

신호를

A/D

^{변환기를통해서오실리코프상에저장하}

고후처리하였다

.

^그림

4

^{를보면게이지센서로부터수}

신한데이터는

AD627

을통해

SIGOUT

으로빠져나간

다

. SIGOUT

^{은신호가매우약하므로}

2

^{번의증폭회로}

를거치게되고증폭회로를거친데이터는컨트롤러의

ADC

채널로입력된다

.

그림

5

^는

A/D

^{변환기를통해서오실리코프상에저}

장된선박의뒤틀림정도를나타낸다

.

^{빨간선을기준}

으로왼쪽으로휘었을때에위로올라가고

,

오른쪽으로 휘었을때에아래로내려가게된다

.

3.3. 상관계수 가중치

수집된주변해양환경에대한상황정보내데이터 간의상관계수가중치를적용하여특징을추출하였다

.

먼저

,

^{상관관계가중치를부여하기위해서상황정}

보내데이터를식

(2)

를이용하여정규분포를따르도 록표준화하였다

.

(2)

표준화된데이터에상관관계를적용하기위해서는상 관계수를이용한다

.

상관계수는두데이터간의상관관계의정도를나타 내는수값으로

1

과

-1

사이의값을가진다

.

두데이터간의상관관계가높으면

1

^에

,

^낮으면

0

^에

가깝고

,

^{정반대인경우에는}

-1

^{에가까워진다[11]}

.

본논문에서는데이터가정규분포를따를때에상관 계수를구하는방법인피어슨상관계수를이용하였다

. y z

⎝ ⎠

--

⎛ ⎞

α

X Min X –

( )

Max X

( )

– Min X

( )

---

=

그림 3.가속도변환소스코드

.

Fig 3.

Acceleration conversion source cod.

그림 4.스트레인게이지센서구성

.

Fig. 4.

Composition of strain gauge sensor.

그림 5.뒤틀림실험결과

.

Fig. 5.

Result of warping.

피어슨상관계수를구하는식은식

(3)

과같다

.

r

pearson

= (3)

식

(3)

과같이피어슨상관계수를이용하여상관계 수를계산하면환경요소데이터간의상관관계를나타 낼수있다

.

3.4. Knn 알고리즘을 이용한 위험도 분류

본논문에서는해양환경요소와연관성에따라상 관계수가중치가적용된데이터에대해위험도를분류

하기위해

KNN

^{알고리즘을이용하였다}

.

KNN

알고리즘은입력패턴이주어졌을때유사도 함수에기반하여미리저장되어있는표준패턴들의 집합에서입력패턴과가장유사한

k

개의표준패턴들 을선택한다

.

선택된

k

^{개의표준패턴들의클래스들을확인하여가}

장많이선택된표준패턴들의클래스를입력패턴의 클래스로결정한다

.

본논문에서입력패턴과표준패턴과의유사도총 유사도

S ( N , O )

^는식

(4)

^{와같이속성}

i

별로유사도점 수인

f ( N

i

, O

i

)

를구하고

,

각속성의가중치를곱한후 이를총합하여계산한다

.

(4)

여기에서

, n

은속성의개수

, f ( N

i

, O

i

)

^는사례

N

과

O

의

i

속성간의유사도점수

, W

i는

i

속성의가중치를의 미한다

.

속성간의유사도점수인

f ( N

i

, O

i

)

^{는속성의유형}

(

^수

치형

,

범주형

)

에따라달라지는데본논문에서는입력 데이터가모두수치형이기때문에유사도점수는식

(5)

^{와같이계산한다}

.

(5) Knn

알고리즘은최근접이웃의수

k

와유사도산출에 사용되는속성들의가중치로부터많은영향을받게 된다

.

본논문에서는풍속

,

수심

,

조류의표준화데이터벡 터를생성한후

,

^{각가중치벡터에대해서}

k

를

1

^부터

10

까지

1

씩증가시키면서실험을수행함으로시스템을 최적화한다

.

그림

6

은본논문에서제안한선체의위험도를분류

하기위한

Knn

^{알고리즘의구성도이다}

.

여기에서

, D

k는

k

개의가장큰유사성을갖는표준패 턴의집합

, C

는분류

, m

s는

D

k에서최소유사성

,

출력 은등급화된

C

^{를의미한다}

.

Knn

^{알고리즘의구성은다음과같은프로시저를따}

른다

.

①

k

값을선정한다

.

②새로운패턴과표준패턴들의특징값들을이용 하여유클리디언거리를계산한다

.

③계산된거리값들중에서가장가까운거리값의 표준패턴을

k

개만큼선정한다

.

④

k

개만큼선정된거리값들중가장많이선택된 타입을위험도타입으로선정한다

.

3.5. 인공 신경망 모형

본논문에서는제안한

Knn

^{알고리즘의유용성을검}

증하기위한비교대상으로신경망분석을수행하였다

.

신경망알고리즘은다층퍼셉트론구조로비선형 판별문제를해결할수있는알고리즘으로많이이용 되어왔으며

,

기타인공지능기법에비해예측력이우 수하다고알려져있다

.

본논문에서사용한신경망은가장일반적인형태의

신경망인다층퍼셉트론

(MLP)

을사용하였으며오류

역전파알고리즘을적용하여신경망을학습하였다

.

Σ

XY

^Σ

X

Σ

Y --- N –

Σ

X

² ( )^Σ

X

²

--- N

⎝

–

⎠

⎛ ⎞ Σ

Y

² ( )^Σ

Y

²

--- N

⎝

–

⎠

⎛ ⎞

---

S N O

( , )

f N

( i,

O

i)×

W

i i 1=

∑

n

w

i i 1=

∑

n

---

=

f N

^{( i,}

O

ⁱ⁾

1 ^a

ⁱ

– ^b

ⁱ

max

i

--- –

=

그림 6.알고리즘구성

.

Fig. 6.

Algorithm configuration.

일반적으로신경망의성능에영향을미치는요인으 로는은닉층수

,

^{은닉노드수}

,

^{학습횟수등이있다}

.

본논문에서는은닉층이하나인

2

^{층퍼셉트론구조}

에은닉노드수는

3

개

,

학습데이터로부터의영향을 최소화하고신뢰성을확보하기위해

10-Fold

^교차검증

을수행하였다

.

4. 실험 및 구현 결과

본논문에서는해양환경요소가선박에미치는영 향에따라각요소들의상관관계에따라가중치를부

여하여위험도를분류하는

KNN(k-Nearest neighbor)

알고리즘을이용하였고

,

제안한방법의효율성을비교 하기위해가중치적용과미적용시정확도를비교하 였다

.

시뮬레이션을위해해양환경요소인풍속

,

^조류

,

^수

심데이터는

AIS

^{데이터를가정하였고}

,

^{항행중인선}

박의뒤틀림과기울기데이터를측정하였다

.

상관관계가중치를부여하기위해서상황정보내 데이터를정규분포를따르도록표준화하였고

,

^피어슨

상관계수를이용하여상관관계를계산하였다

.

수집한해양환경요소데이터와선박의위험상황 데이터간의상관계수를계산한결과값은표

2

^와같다

.

표

2

에서나타나는결과를보면

,

해양환경요소중 풍속과조류의속도가선박의위험상황발생에가장 큰영향을미치는것을보여주고있다

.

표

2

^{와같이계산된상관계수를이용하여각속성에}

대한가중치를부여하여상황정보로변환한다

.

변환된상황정보들에대해

Knn

^{알고리즘학습을}

수행하였고

,

실험결과에대해학습데이터로부터의영 향을최소화하고신뢰성을확보하기위해

10-Fold

^교

차검증을수행하였다

.

실험데이터는테스트데이터와검증용데이터로구 분되며각각

7:3

^{의비율로사용하였고}

,

^{테스트집합의}

모든개체에대하여예측결과를실제결과와비교하여 그정확도를계산하였다

.

표

3

^{은각데이터에대하여속성의가중치를고려한}

알고리즘과고려하지않는알고리즘의정확도를표준 편차의범위와함께보여주고있다

.

표

3

^{과같이속성의가중치를고려한알고리즘과고}

려하지않는알고리즘의정확도를측정한결과모든 경우에대하여속성의가중치를적용한방법이속성의 가중치를고려하지않는방법에비하여높은정확도를 보임을알수있다

.

제안한알고리즘의유용성확인을위해서은닉층이 하나인

2

층퍼셉트론구조에은닉노드수는

3

개인신 경망모델과성능을비교하였다

.

그림

7

은알고리즘 성능평과결과이다

.

그림

7

을보면본논문에서제안한가중치를부여한

Knn

^{알고리즘의평균정확도가신경망알고리즘을적}

용한모델보다위험도분류정확도가높음을알수있 다

.

그림

8

^{은유사도분류}

k

개수를조정해가면서실험 을수행한결과이다

. k

의개수가아주낮거나높은경 우에는정확도가상대적으로감소함을알수있었고

k

가

7

^{인경우에가장좋은성능을보였다}

.

표 3.가중치적용에따른정확도비교 Table 3.

Performance evaluation of data

Fold

번호 가중치적용시 가중치미적용시

1 87.2 ± 2.28 85.3 ± 2.51

2 88.6 ± 2.71 83.4 ± 2.70

3 89.3 ± 2.55 86.3 ± 2.58

4 88.2 ± 2.64 86.9 ± 2.95

5 91.4 ± 1.57 88.2 ± 2.12

6 94.3 ± 1.28 86.5 ± 1.97

7 91.7 ± 1.53 89.8 ± 1.84

8 90.1 ± 2.02 86.2 ± 2.95

9 89.5 ± 2.35 85.7 ± 3.01

10 87.6 ± 2.43 84.1 ± 2.73

표 2.상관관계결과 Table 2.

Result of Correlation

풍속 수심 조류의속도 뒤틀림

0.93 0.63 0.87

기울기

0.95 0.75 0.91

그림 7.알고리즘정확도비교

.

Fig 7.

Algorithm configuration.

5 결 론

최근해양에서의증가하는사고발생은인명피해와 함께심각한자본의손실을초래하므로해상상황에 따라항행정보지원체계의의사결정지원을위한다양 한알고리즘과시스템도입이필요하다

.

본논문에서는항행선박의다양한주변환경요소 가고려된위험도를평가하기위해해양환경요소와 선체위험상황정보

(

^{선박의뒤틀림}

,

^기울기

)

^를수집한

후상황정보내데이터간의상관계수가중치를적용 하여상황정보의특징을추출하였다

.

특징추출결과해양환경요소중풍속과조류의 속도가선박의위험상황발생에가장큰영향을미치 는것으로나타났다

.

각데이타에대하여속성의가중 치를고려한알고리즘과고려하지않는알고리즘의정 확도를측정한결과모든경우에대하여속성의가중 치를적용한방법이속성의가중치를고려하지않는 방법에비하여높은정확도를보임을알수있다

.

기존의선박항행시스템은항행주변환경요소가 고려되어있지않기때문에

,

보다안전한항행안전상 황에관한정보를제공하는요소기술로활용가능할 것이다

.

감사의 글

이논문은

2010

^{년도조선대학교학술연구비의지원}

을받아연구되었음

.

참고문헌

[1]

양원재

,

금종수

, “

^{항해사의피로도평가모델에관한}

연구

”,

^{해양환경안전학회}

, 2006

년도춘계학술발표 회

, pp. 1- 6, 2006.

[2] K. Hasegawa, “Automatic Collision Avoidance Sys- tem for Ships using Fuzzy Control”, 8th Ship Con- trol System Symposium, Hague, pp. 34-58, 1987.

[3]

안진형

, “

뉴로

-

퍼지기법을이용한선박의충돌회

피에관한연구

”,

서울대학교대학원

, 2005.

[4] T. Neumann, “Multisensor Data Fusion in the deci- sion process on the bridge of the vessel”, Gdynia Maritime University, Ddynia, Poland, 2007.

[5]

김도연

,

조대운

,

이미라

,

박계각

, “

정보융합기술기

반의지능형항행안전정보시스템

”,

한국지능시스 템학회논문지

, Vol 20, No.2, pp. 226-233, 2010.

[6]

손남선

,

김선영

, “

시뮬레이터기반음성을이용한항 행정보안내시스템의개발

”,

한국해양환경공학회지 제

5

권제

3

호

, pp. 28-34, 2002.

[7]

김도연

,

이미라

,

박계각

, “

퍼지를이용한항행선박

주변환경의위험도평가

”,

한국지능시스템학회

, Vol.20, No.1, pp. 276-280, 2010

[8] T. M. Cover and P. E. Hart, “Nearest Neighbor Pat- tern Classification”, IEEE Transactions on Informa- tion Theory, Vol. 13, 1967.

[9] E. E. Smith and D. L. Medin, “Categories and Con- cepts”, Cambridge, MA: Harvard University Press, 1981.

[10] D. Aha, D. Kibler and M. Albert, “Instance-based Learning Algorithms”, Machine Learning, 6(1) pp.

37-66, 1991.

[11] S.-B. Cho, J. W. Ryu, “Classifying gene expression data of cancer using classifier ensemble with mutu- ally exclusive features”, Proceedings of the IEEE, Vol. 90 Issue.11, 2002.

그림 8.k개수에따른정확도변화

.

Fig 8.

Accuracy change by number of

k

.