머신러닝 예측 성능을 향상시키기 위한 유도탄 고장 데이터 증강기법에 대한 연구 (A Study on Missile Failure Data Augmentation Techniques to enhancing Machine Learning Prediction Performance)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 26권 / 1호 / 481 ~ 487페이지
· 저자명 : 최세진, 안지수, 문경민, 한승규

초록

본 본문에서는 머신러닝을 사용하여 유도탄 고장을 예측할 때, 예측성능을 향상시키기 위한 데이터 증강기법을 제안한다. 머신러닝의 데이터는 성능에 큰 영향을 끼치는 요소로 데이터의 부족 문제를 해결하기 위해 다양한 증강기법이 연구되고 있으며, 본 연구에서는 슬라이딩 윈도우, Jittering, 그리고 적대적 생성 신경망을 사용하였다. 데이터 증강 기법을 통해 원시 데이터로부터 새로운 데이터를 생성하여 데이터 양을 증가시킴으로서 머신러닝 학습 시 과적합 문제를 완화하고 예측 성능을 향상시킬 수 있다. 또한, 각각의 데이터 증강 기법의 성능을 비교하기 위해 머신러닝 모델의 예측 성능 지표를 통해 비교하였다. 머신러닝 모델은 보편적으로 사용되는 XGBoost regression를 선정하였다. 결과적으로, 머신러닝 학습 시 Jittering과 적대적 생성 신경망 기법을 적용하여 훈련 세트의 양을 증강 시켰을 때 예측 성능이 크게 향상되었다. 반면, 슬라이딩 윈도우 기법은 예측 성능이 오히려 감소하는 결과를 나타내었다. 데이터 증강 기법을 적용하는 것이 머신러닝의 예측 성능 향상에 반드시 도움이 되는 것은 아닌 것으로 분석된다. 최종적으로 유도탄의 고장 데이터를 사용한 머신러닝 예측 성능 향상을 위한 데이터 증강 기법은 SMOTE 기법과 적대적 생성 신경망 기법을 결합한 방식으로 선정하였다. 데이터의 클래스 불균형 문제를 해결하기 위한 SMOTE 기법을 적대적 생성 신경망 기법과 결합하여 데이터 증강의 효과를 극대화하였다.

영어초록

In this study, we propose a technique to enhance machine learning prediction performance using missile failure data. To solve the problem of data shortages that greatly affect the prediction performance of machine learning, we applied data augmentation. The techniques used included the sliding window, jittering, and the generative adversarial network. By generating new data from raw data, the overfitting problem in machine learning can be mitigated, and prediction performance can be enhanced. Also, the performance of each data augmentation technique was compared through a prediction performance index of the machine learning model. As a result, machine learning prediction performance was significantly enhanced when the training set was increased by using the jittering and generative adversarial network techniques. Finally, data augmentation to enhance machine learning prediction performance using missile failure data was selected as a method that combines the SMOTE and generative adversarial network techniques.

참고자료

· 없음