인공신경망 이론

리모델링 공동주택 가격변화패턴 예측을 위한 모델을 개발하기 위해서 인공신경망의 기본적인 원리와 구조에 대해서 살펴보면 다음과 같다.

인공신경망이란 인간 뇌의 신경망 구조를 모방한 구조로서 정보처리 시스템의 한 형 식으로 정의할 수 있다. <그림 4.1>을 보면, 뇌의 뉴런이 외부 혹은 다른 뉴런의 시냅 스로부터 입력신호를 받아 가중치를 부여하여 다른 뉴런에게 전달하듯이, <그림 4.2>

의 인공신경망에서도 입력신호에 가중치를 부여하여 합산하고, 합산된 값은 전이함수 (=활성화함수)를 이용하여 출력하는 계산과정을 거치게 된다.

그림 4.1 생물학적 뉴런¹⁶⁾

16) 김광희, (2004). “국내 공동주택 기획단계 코스트 예측에 관한 연구”, 박사학위논문, 고려대학교.

- 37 -

그림 4.2 인공신경망의 뉴런¹⁷⁾

이러한 인공신경망은 상호 연결된 뉴런의 층으로 구성돼 있고, 이러한 층은 입력, 은 닉, 그리고 출력 층으로 구성되는데, 신경망은 이러한 입력패턴과 출력패턴으로부터 문 제해결 능력을 얻는다. 신경망은 학습 데이터에 대해서 학습을 함으로서 학습 데이터 에 내재하는 정보를 일반화 하고 학습한 결과를 적용함으로서 새로운 상황이나 문제에 대해서 해결능력을 갖게 되는 것이다(Kim, 2004).

인공신경망이 앞서 언급한 것처럼 예측과 분류 등의 학습과 문제 해결능력에 장점을 갖는 이유는 여러 개의 입력변수와 출력변수를 갖는 복잡한 비선형관계에 대해 분석이 가능하기 때문이다.

이러한 비선형관계에 대해 언급한 선행연구들을 살펴보면, Patel and Jha(2016)의 연 구에서, 인공신경망의 특징에 대해 전통적인 예측 기법인 회귀분석과 비교하여 다음과 같이 언급하고 있다. 인공신경망(ANN)은 데이터의 집합에서 복잡한 관계를 결정할 때, 기존의 회귀분석과 같은 방법보다 우수한 정보처리 시스템이며, ANN은 건설 관리 분야의 모델 개발에 대한 많은 연구에서 널리 사용되는 도구가 되었다고 한다(Patel and Jha 2016). 이러한 건설 관리 분야의 모델 개발에 ANN의 적용이 가능한 이유는, 인공신경망의 복잡하고 비선형적인 문제의 해결능력과 큰 정확도 수준에 관련이 있다 (Rumelhart et al., 1994). 또한 Delen et al.(2006)은 인공신경망 모델을 활용하여 운전 자가 입는 부상의 심각도에 따른 유의미한 충돌 요인을 분석하였는데, 인공신경망이 예측 변수와 목표 변수 사이의 비선형적인 관계를 포착하는 능력이 탁월하여 인공신경 망 모델을 통한 요인분석이 가능하였다고 한다(Delen et al., 2006).

이러한 인공신경망의 복잡한 비선형 모델에 대한 특징은 인공신경망의 일반적인 장

17) 김광희, (2004). “국내 공동주택 기획단계 코스트 예측에 관한 연구”, 박사학위논문, 고려대학교

- 38 - 점¹⁸⁾과 연관이 있다. 그 장점들은 다음과 같다.

1) 신경망기법에서의 계산은 출력변수에 가장 많은 영향을 미치는 변수들 간의 수학 적 관계를 찾을 필요성이 없다.

2) 신경망기법은 영향을 미치는 변수의 수에 제한이 없을 뿐만 아니라 스스로 학습 하고 변수들 간의 관계를 구성하는 능력이 있기 때문에 예측식의 모델링에 있어서 적 절한 변수를 선정할 필요가 없다.

3) 신경망은 학습을 시행하기 전에 회귀분석에서와 같이 개략식 형태의 식을 가정할 필요가 없다.

4）계산과정이 빠르고 일반화 능력이 뛰어나다.

하지만 이러한 장점에도 불구하고 정교한 인공신경망을 설계하기란 매우 쉽지 않다.

정해진 기준들이 없고, 분석 과정을 사람이 이해하기 쉽지 않기 때문이다. 따라서 선행 연구들을 통해 인공신경망의 구조와 알고리즘에 대해 살펴보고, 선행연구들에서 적용 한 파라미터들을 통해 최적의 신경망을 설계하고자 하였다.

18) 김광희, (2004). “국내 공동주택 기획단계 코스트 예측에 관한 연구”, 박사학위논문, 고려대 학교

- 39 -