raina50910 스토어

raina50910

개인인증

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 등록된 전문분야가 없습니다.

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

6개
전체 판매량

12개
최근 3개월 판매량

0개
자료후기 점수

평균A+
자료문의 응답률

-

전체자료 6개

판매자 표지

TRIS 완충용액 제작 방법 및 특징 평가A+최고예요

Tris 완충용액1. 동기수업시간에 완충용액의 원리와 혈액에서 완충용액이 어떻게 작용하는지 배우고 완충용액에 대해 궁금증이 생겨 이에 대해 알아보게 되었다. 검색결과 Tris라는완충용액이 가장 흔하게 쓰인다고 하여 이에 대해 더 자세히 알아보았다.2. 내용1) 완충용액완충용액은 화학적으로 안정적인 pH 값을 유지하는 용액을 말한다. 물질을 용해시키는 과정에서 생기는 수소 이온(H+)과 수산화 이온(OH-)의 농도가 상호 균형을 이루어 안정한 pH 값을 유지하는 용액으로 일반적으로 약한 산과 그 산의 상응염기를 포함하는 경우에 형성된다.완충용액은 화학 실험, 생물학 연구, 의학 등 다양한 분야에서 중요한 역할을 한다. pH가 정확하게 조절되어야 하는 경우, 완충용액은 시료나 실험 조건의 pH를 안정적으로 유지하여 실험의 정확성과 신뢰성을 높여준다.완충용액은 주로 아세트산 및 아세트산염, 인산염 및 수산인산염, 탄산염 및 수산탄산염과 같은 약한 산과 그 상응염기 조합으로 만들어진다. 이러한 조합은 산과 상응염기가 서로 중화되는 경향이 있어서 pH를 상대적으로 안정적으로 유지할 수 있게 한다.예를 들어, 아세트산과 아세트산염의 조합은 아세트산의 해리와 생성이 서로 균형을 이루므로, 이 용액은 특정한 pH 범위에서 안정적인 pH 값을 유지할 수 있다.완충용액은 화학 반응, 생화학적 프로세스, 혈액 등의 조절에서 중요한 역할을 하며, 실험 환경이나 응용 분야에 따라 다양한 종류의 완충용액이 사용된다.2) Tris 완충용액이 완충용액은 주로 생화학, 분자생물학, 생물학 실험에서 사용된다. 트리스(트리스아민)와 트리스염(트리스하이드록시메틸아미노메탄)을 혼합하여 만든 완충용액으로, pH 7.0에서 9.0까지의 범위에서 안정성을 유지할 수 있다. 이용되는 주된 화학 반응은 트리스의 약한 산성 특성과 그에 따른 염기 특성을 활용한 것이다.트리스 완충용액은 일반적으로 다음과 같은 반응식으로 나타낼 수 있다.트리스 산 + 수산화물 ↔ 트리스염 + 물이 반응은 산과 염기의 중화 반응으로 트리스는 약한 염기로서 수소 이온(H+)을 받아들여 수산화물(OH-)과 반응하여 트리스염을 생성한다. 이 반응이 양쪽으로 일어나며, 트리스와 트리스염의 농도가 균형을 이루어 안정한 pH 값을 유지할 수 있다.3) Tris 완충용액 만드는 법준비물 : 트리스 (하이드 록시 메틸) 아미노 메탄, 증류수, HCl시작하고자하는 Tris 버퍼의 농도 ( HYPERLINK "https://ko.eferrit.com/%ED%99%94%ED%95%99%EC%97%90%EC%84%9C%EC%9D%98-%EC%96%91%EA%B7%B9%EC%84%B1-%EC%A0%95%EC%9D%98/" 몰 농도 )와 부피를 결정. 식염수에 사용되는 Tris 완충액은 10에서 100 mM까지 다양하므로 버퍼의 몰 농도에 만들어지는 버퍼의 양을 곱함으로써 요구되는 Tris의 몰수를 계산. ( 트리스의 몰 = 몰 / L × L)다음으로, Tris의 분자량 (121.14 g / mol)을 몰수에 곱하여 트리스의 그램을 몇 그램으로 결정. 그램의 트리스 = (몰) x (121.14 g / 몰)Tris를 원하는 최종 부피의 1/3에서 1/2 정도 증류된 탈 이온수에 용해pH 미터가 Tris 완충 용액에 원하는 pH를 제공 할 때까지 HCl을 혼합버퍼를 물로 희석하여 원하는 최종 부피의 용액을 얻는다4) Tris 완충용액의 이용 분야트리스 완충용액은 다양한 실험과 연구 분야에서 사용될 수 있다. 주로 생화학, 분자생물학, 생물학 분야에서 널리 사용된다.전기영동 (Electrophoresis): 단백질 또는 널리 사용되는 댐보드와 같은 분자들을 분리하기 위해 전기장을 이용하는 실험에서 트리스 완충용액이 사용된다. 이용되는 pH 범위에 따라 적절한 pH 값을 유지하여 실험을 수행할 수 있도록 해야한다.효소 활동 분석: 많은 효소의 활동은 특정 pH에서 최적을 나타낸다. 이러한 효소 활동을 분석하기 위해 효소 반응에 적절한 pH 값을 제공하는데 트리스 완충용액을 사용할 수 있다.DNA/RNA 추출 및 분석: DNA 또는 RNA의 추출과 분석 시에도 트리스 완충용액이 사용된다. 원하는 pH 범위에서 핵산을 안정적으로 유지하면서 실험을 진행할 수 있도록 도와준다.PCR (Polymerase Chain Reaction): DNA 복제 실험인 PCR에서도 pH 조절이 중요하다. PCR 반응 용액의 pH를 안정적으로 유지하여 DNA 복제 효율을 높이는 데 트리스 완충용액을 사용할 수 있다.세포 배양: 세포 배양 실험에서도 세포의 환경 pH를 조절하여 세포의 생존과 성장을 도울 수 있다.분자 생물학 실험: 분자 생물학 실험에서는 다양한 실험 조건에서 pH를 조절해야 할 때 트리스 완충용액을 활용한다.이 외에도 신약 개발, 유전학 연구, 단백질 생화학 연구 등 다양한 분야에서 트리스 완충용액을 활용하여 실험을 수행할 수 있다. 이용되는 실험의 목적과 조건에 따라서 적절한 pH를 유지하는 용도로 널리 사용된다.3. 알게된 점수업시간에 배운 완충용액을 바탕으로 Tris 완충용액에 대해 알아보았다. Tris 완충용액이 어떤 화학 물질로 이루어져있으며 pH를유지하는 범위에 대해 알 수 있었다. Tris 완충용액을 제작하는 과정과 실제로 어떤 분야에 어떻게 이용되는지 알아보았다.

자연과학| 2024.04.21| 3페이지| 2,000원| 조회(448)

보고서, 완충용액, 주제, 화학2, Tris, 화2, 세특

미리보기

닫기
판매자 표지

인공신경망의 작동 원리 및 파이썬을 이용한 신경망의 손글씨 데이터 인식

2023학년도 수업량 유연화 탐구 보고서보고서 작성 유의사항- 보고서는 가급적 아래의 양식에 의거하여 작성구성 : 표지+본문(탐구동기, 탐구내용, 알게된점)+요약+참고문헌- 제출기한 : 7. 14.(금)까지 보완, 수정하여 지도교사에게 제출(※반드시 기한 엄수, 한글 파일로 작성 권장)- 분량: 4~8쪽까지 가능(표지, 참고문헌 제외한 분량임)- 글자(본문) 크기: 11pt- 어떤 문장도 절대 인터넷에서 복사+붙여넣기하지 않습니다. 반드시 자신의 문장으로 스스로 작성하여 제출합니다.인공신경망의 작동 원리 및파이썬을 이용한 신경망의 손글씨 데이터 인식학번:성명:Ⅰ. 탐구 동기2023학년도 수업량 유연화 탐구 보고서평소 인공신경망에 관심이 있었는데 이에 대한 부분적인 지식만 있었을 뿐 작동 원리에 대해서는 깊이 탐구해본 적이 없었다. 또한 인공신경망의 원리에 대해 탐구한 후 신경망에 학습한 작동 원리가 어떻게 나타나 있는지 실제 사용 가능한 신경망 코드를 통해 알아보고 싶었다.그래서 관련 책을 찾아보게 되었고 (티라크 라시드)이라는 책에 인공신경망의 작동원리가 잘 나타나 있었다. 또한 인공신경망을 딥러닝이라고 부르기도 하는데 최근 몇 년 간 이 딥러닝 분야가 많이 연구되었고 관련 논문도 많이 찾아볼 수 있었다. 따라서 책과 관련 논문을 통해 탐구를 진행하기로 하였다. 그리고 사람들이 인공신경망을 처음 공부할 때 mnist 데이터베이스에 있는 숫자 손글씨 데이터를 분류하는 인공신경망이 많이 쓰인다고 하여 해당 코드를 github에서 받아 책과 논문으로 학습한 신경망의 작동원리가 어떻게 구현되었는지 살펴보기로 하였다.Ⅱ. 탐구 내용1. ANN의 작동 원리1) 인공신경망이란인공신경망이란 뇌 속 뉴런의 작동 원리를 컴퓨터로 구현해낸 정보 처리 시스템이다. 종류로는 ANN, DNN, CNN, RNN 등이 있다.ANN(Artificial Neural Network)인간의 뇌에서 뉴런들이 신호, 자극 등을 받고, 그 자극이 임계값을 넘어서면 결과값을 전달하는 과정에서 착안하였할 때 발생하는 문제점을 보완하였다. 특히 이미지 분석을 위해 많이 쓰인다.RNN(Recurrent Neural Network) 순환신경망반복적이고 순차적인 학습에 특화된 신경망으로 시간에 종속되어 있어 현재의 학습과 과거의 학습의 연결이 가능하다. 순환구조를 이용해 과거 학습한 내용을 현재 학습에 반영 가능하며 번역과 텍스트 분류에 주로 쓰인다.CNN RNN2) 생물학적 뉴런의 인공적 모델화인공신경망의 기본 구조는 사람의 뇌 속 뉴런에서 활동 전위가 발생하면 그 다음 뉴런으로 흥분이 전도가 되는 과정을 본따 만들었다. 그림에서 볼 수 있듯이 각각의 노드가 뉴런의 역할을 하며 여러 개의 노드가 하나의 계층을 구성, 계층들이 모여 신경망을 구성하는 구조이다.데이터를 하나의 노드에서 다음 노드로 넘길 때 가중치(중요도)를 적용한다. 가중치를 적용하는 이유는 앞에서 전달받은 데이터를 얼마나 중점적으로 고려할 것인지 결정하여 중요도를 부여해야하기 때문이다. 만일 가중치가 없다면 입력값과 출력값과의 차이가 발생하지 않을 것이다.위의 그림은 노드 간 가중치가 곱해지는 과정을 나타낸 것이다. 계층1의 노드1에서 계층2의 노드 1로 입력값이 이동할 때 적용되는 가중치를 w1,1이라고 한다면 나머지 가중치들을 그림과 같이 나타낼 수 있다. 계층1에서 입력값을 받으면 입력값이 각각의 가중치와 곱해져서 계층2로 전달되는 것이다. 예를 들어 계층2의 노드2에서 출력되는 값은 w1,2와 w2,2를 각각의 입력값과 곱한 값을 더한 것이다. 하지만 이 값이 최종적인 출력값은 아니다.입력값과 가중치의 곱의 합의 값을 최종적으로 활성화함수에 넣어야한다. 뉴런에서 활동 전위가 발생하기 위해서는 막전위가 역치 전위를 뛰어넘어야만 한다. 이러한 뉴런의 특징을 적용한 것이 활성화함수로 분계점이 역치 전위의 역할을 한다. 활성화함수의 종류에는 여러 가지가 있지만 그 중 대표적인 2 가지는 시그모이드 함수와 ReLU 함수이다. 시그모이드 함수는 아래 그래프에서 볼 수 있듯이 0에서 1 사이의 값만 가서 신경망의 가중치 계산에서는 행렬곱이 사용된다. 왼쪽 아래 식은 행렬의 곱셈 연산인 행렬곱을 나타낸 것이고 오른쪽은 왼쪽의 계산 원리를 이용해 가중치의 행렬과 입력값의 행렬을 곱하는 식이다. 결과 행렬을 보면 알 수 있듯이 앞에서 했던 활성화함수에 넣기 전 계층2의 노드 1과 2의 중간 출력값과 각각 동일한 것을 확인할 수 있다.4) ANN(3계층 신경망)에서의 전파신경망의 가장 기본 형태 중 하나인 3계층 신경망은 입력, 은닉, 출력 3개의 계층으로 이루어져있다. 3계층 신경망에서 데이터의 흐름은 다음과 같다. 입력 계층에서는 입력값을 받고 입력_은닉 가중치를 적용하여 은닉 계층으로 출력값을 보낸다. 은닉 계층에서 입력 계층의 출력값을 입력값으로서 받고 활성화함수에 넣어 출력값을 구한다. 그림에서는 편의상 활성화함수를 시그모이드 함수로 설정하였다. 은닉 계층에서의 출력값에는 다시 은닉_출력 가중치가 적용되어 출력 계층에 도달하게 되고 그 값을 시그모이드 함수에 넣었을 때의 결과값이 신경망의 최종 결과값이 된다. 이 때 데이터는 그림상 왼쪽에서 오른쪽으로 진행되기 때문에 이 과정을 순전파라고 한다.글로 설명한 과정을 그림과 기호로 나타내보았다. I는 입력값의 행렬, W는 가중치의행렬, X는 중간 출력값의 행렬, O는 최종 출력값의 행렬을 나타낸 것이다. 이 기호들을 이용해서 행렬의 곱으로 나타내 본다면 아래와 같다.3계층 신경망은 은닉층이 하나이기 때문에 앞서 설명했던 DNN과 같이 은닉층이 많은 신경망보다 가중치가 적다. 가중치는 신경망의 정확도 향상에 기여한다. 따라서 3계층 신경망은 정확도가 은닉층이 많은 신경망보다는 떨어질 수 있다는 단점이 있다. 그러나 은닉층이 많아질수록 가중치도 기하급수적으로 많아져 신경망이 학습을 하는데 오랜 시간이 걸린다. 따라서 3계층 신경망은 보다 빠르게 학습을 수행할 수 있다는 장점이 있다.5) 오차 역전파와 학습률오차 역전파란 출력 노드에서 실제 나와야 하는 결과와 비교해봤을 때 생기는 오차를 통해 가중치를 업데이트 해 이때 오차의 최저점을 찾기 위해 경사하강법이 쓰이는데 경사하강법은 쉽게 얘기해 오차의 최솟값을 찾는 방법으로 아래 그림의 상황에서는 포물선의 꼭짓점을 찾아야한다.가장 왼쪽 그림은 학습률이 지나치게 클 때로 최저점을 발견하지 못하고 지나칠 수 있다. 반면에, 학습률이 너무 작으면 맨 오른쪽과 같이 값을 아주 조금씩만 변화시키기 때문에 계산하는데 시간이 오래 걸린다. 따라서 신경망을 설계할 때 적합한 학습률을 설정하는 것이 중요하다.2. 파이썬을 이용한 신경망의 손글씨 데이터 인식1) 자료의 출처인공신경망을 처음 학습할 때 널리 쓰이는 예시가 mnist 데이터베이스에 있는 0에서 9까지의 숫자 손글씨 데이터를 분류하는 신경망이다. 신경망의 작동 원리를 알아보기 위해 읽었던 책 의 저자가 github에 올린 파이썬 코드와 손글씨 데이터를 다운로드 받아 사용하였다.2) 알고리즘의 세 가지 단계해당 코드는 크게 세 가지의 단계로 이루어져 있다. 초기화, 학습, 질의 단계이다. 가장 먼저 초기화 단계에서는 나중에 설정해야 할 값인 입력, 은닉, 출력 노드의 수, 학습률 등을 생성해주고 활성화 함수로 어느 함수를 사용할 것인지 설정한다. 학습 단계에서는 학습 데이터를 업로드해 신경망이 데이터로 학습을 할 수 있도록 한다. 마지막 질의 단계에서는 테스트 데이터를 입력 받아 출력노드에서 결과값을 생성하여 테스트 데이터의 답을 계산한 뒤 이를 바탕으로 정답률을 출력한다.3) 코드숫자 손글씨 데이터 분류 코드는 다음과 같다.라이브러리 설정신경망 초기화 단계입력, 은닉, 출력 계층 노드 수가중치 행렬학습률활성화 함수는 시그모이드 함수학습 단계학습 데이터 변환은닉 계층 신호 계산출력 계층 신호 계산오차 역전파가중치 업데이트질의 단계테스트 데이터 변환은닉 계층 신호 계산출력 계층 신호 계산입력, 은닉, 출력 노드의 수 설정사진이 28*28=784개의 픽셀로 이루어져 있으므로 입력 노드는 784 개, 결과는 0~9 중 하나이므로 출려 노드는 10 개학습률 설정학습 데이터 불러오기epo래와 같이 정확도는 0.6223이 나왔고 왼쪽 사진에서 알 수 있듯이 2를 0으로 인식하고 있다.이를 통해 인공신경망에 학습에는 충분한 데이터양의 확보가 필수적임을 알 수 있다.5) 은닉 계층 노드 개수의 변화은닉 계층의 노드의 개수를 변화시키면 어떤 결과가 나타날지 궁금하여 은닉 노드의 개수와 그때의 정확도를 같이 출력하도록 코드를 살짝 바꿔주었다. 은닉 노드의 개수를 변화시키면서 정확도를 구한 결과는 다음과 같다. 계산 시간을 줄이기 위해 학습 데이터는 100개로 하였다.은닉 계층의 노드의 개수가 10부터 90까지 증가할 때 정확도가 계속 증가하는 것을 관찰할 수 있었다. 하지만 개수가 대략 110정도에 도달하자 그 이후로는 크게 변화가 있지 않았다. 심지어 개수가 1000일 때는 오히려 130개일 때보다도 정확도가 낮았다. 이를 통해 은닉 노드의 개수가 증가하면 정확도가 초반에 증가하다가 특정 값에 도달하면 더 이상 증가하기 않으므로 개수를 잘 설정하는 것이 중요하다는 것을 알 수 있다.Ⅲ. 알게된 점 / 느낀 점 / 성장한 점1. 인공신경망의 작동 원리 탐구인공신경망의 대략적인 작동 원리를 알아보았는데 뉴런의 역할을 인공신경망에서 는 노드가 대신한다는 점, 행렬곱을 사용하여 계산을 한다는 점, ANN에서는 3개의 계층을 사용한다는 점을 알게되었다.특히 행렬곱을 이용한다는 점이 인상적이었는데 그 이유는 행렬곱으로 가중치와 입력값을 계산하면 구하고자 하는 값이 정확히 나오기 때문이다. 아쉬웠던 점은 오 차의 역전파에 대해 깊게 탐구하지 못한 점이다. 오차의 역전파 알고리즘에는 편미 분이 쓰인다고 하는데 정확히 어떻게 사용되는지를 더 알아보고 싶다.2. 파이썬을 이용한 신경망의 손글씨 데이터 인식테스트 데이터의 양이 적을수록 정확도가 내려갈 것이라는 것은 알고 있었는데 이 를 직접 코드를 실행시켜 확인할 수 있었다. 또한 은닉 계층의 노드의 개수를 바꿔 가며 정확도를 비교해보았는데 노드의 개수가 증가할수록 초반에는 정확도가 증가 하지만 특정 값에 도달하고 나

공학/기술| 2024.04.21| 13페이지| 4,000원| 조회(263)

데이터, 프로그래밍, 인공신경망, 신경망, 주제, 컴공, 파이썬, 세특

미리보기

닫기
판매자 표지

CRISPR-Cas9의 원리 및 기술적, 윤리적 문제

CRISPR-Cas9 의 원리 및 기술적 , 윤리적 문제바이러스가 세균에 자신의 DNA 를 주입 DNA 를 뽑아내서 세균 자신의 DNA 에 넣어둠동일한 바이러스가 재침입하면 Cas 단백질을 발현하고 크리스퍼 부위와 상보적인 서열의 crRNA 를 발현리보뉴클레이스의 작용으로 Cas , crRNA, tracrRNA 가 결합하여 crRNA- Cas 복합체가 형성재침입한 바이러스의 DNA( 타겟 DNA) 와 결합 최종적으로 Cas 단백질이 HNH 와 RuvC 라는 두 개의 뉴클레이스 로 DNA 를 각각 잘라버림sgRNA 는 PAM 이라고 불리는 특정 서열이 있는 부분만 잘라줌 우연히 crRNA 서열과 상보적으로 결합하는 세균의 서열이 있다고 하더라도 그 서열에는 PAM 이 없어서 Cas 가 자르지 않 음DNA 손상은 NHEJ 또는 HDR 을 통해 복구됨 – DNA 수선 HDR 끊어진 DNA 상동 가닥 말단 사이에 원하는 DNA 가닥을 중합효소로 전사염기 서열의 아주 작은 변화로 망가진 DNA 의 끝을 같이 연결해 붙이거나 잘려나간 자리에 새로운 DNA 조각을 통합시켜 고칠 수 있음 즉 , 특정 질병을 유발하는 돌연변이 의 DNA 를 절단하여 고칠 수 있음CRISPR-Cas9 의 기술적 한계 1. 검출할 수 있는 서열 제한적 (PAM 서열 때문 ) 2. PAM 서열과의 거리가 멀면 미스매치 있어도 반응 나타남 3. 다중 검출의 어려움 4. 표적 유전자 증폭에 오랜 시간 걸림CRISPR-Cas9 의 윤리적 한계 대리동의의 문제 배아 사용의 문제 질병 치료의 목적으로 배아 편집 - 질병 예방에 이용 질병 정의의 모호함나의 생각 부작용과 윤리적 문제에도 불구하고 이미 에이즈 치료에서 효과를 나타내었고 암을 비롯한 다른 질병의 치료에도 효과적일 것으로 기대되므로 개발을 지속하여 하루 빨리 상용화에 나서야함감사합니다{nameOfApplication=Show}

자연과학| 2024.04.21| 12페이지| 2,500원| 조회(576)

윤리, 생2, CRISPR, 크리스퍼, 유전자가위, CRISPR-Cas9, 세특, 생..

미리보기

닫기
판매자 표지

딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리

딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리1. 동기앞서 동아리 조원들과 BCI기술과 EEG 측정에 대해 알아보았다. BCI 기술에서 측정한 EEG 신호를 어떻게 해석해내는지 궁금했는데 딥러닝을 기반으로 한 분류 알고리즘이 쓰인다고 하여 이에 대해 알아보기로 하였다.2. 내용(1) 딥러닝 기반 EEG 분석딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 그 종류마다 과정이 다양하지만 크게는 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 인공신경망의 종류 중 하나인 CNN을 이용한 신호 분류에서는 먼저 CNN으로 학습하기에는 이미지 형태의 데이터가 효과적이기에 파형을 이미지 형태로 바꾸는 전처리 과정을 거쳐야 한다. 하지만 또 다른 신경망인 RNN은 시간과 관련된 데이터를 처리하기에 적합하기에 뇌파 신호를 시계열 요소와 관련되게 특징을 추출해야 한다. 이처럼 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다.전처리 과정에서 나온 데이터를 분류 알고리즘이 입력 받으면 알고리즘이 학습을 하게 된다. 그러면 학습한 내용을 데이터로 하여 새로운 뇌파를 측정하게 되었을 때 BCI가 뇌파를 분석하여 결과를 도출하게 된다.(2) EEG분석을 위한 딥러닝 기법의 종류EEG 분석을 위한 딥러닝 기법의 종류로는 CNN, RNN, GAN, Autoencoder등이 있다. EEG분석 리뷰 논문에 따르면 EEG분석에 사용된 딥러닝 네트워크 구조는 CNN모델이 40%, RNN 모델이 13%, Autoencoder 모델이 13% 정도 사용된다고 한다.입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식하는 데에 더 효과적일 수도 있다. 따라서 본인이 분석하고자 하는 목적에 맞게 분석 방법을 선정하는 것이 중요하다. 최근에는 다양한 방식들이 서로의 단점을 보완해주며 공간적인 분석과 시계열적인 특징까지 한꺼번에 분석할 수 있도록 하고있다.(3) CNN의 이미지 분류 방법CNN은 convolutional neural network의 약자로 한국어로는 합성곱 신경망을 뜻한다. 이처럼 CNN의 가장 큰 특징 중 하나는 합성곱을 이용한다는 사실이다. CNN의 대략적인 과정은 다음 그림과 같다. ㄹCNN 구조는 크게 이미지의 특징을 추출하는 부분인 필터링과 이미지를 분류하는 부분으로 나눌수 있다 위 그림에 나와있듯이 은닉층(hidden layers)에서 필터링이 이루어지고 Classification 부분에서는 분류가 이루어지는 것이다. 은닉층에서는 위 그림과 같이 이미지 데이터를 필터가 순회하며 합성곱을 계산하는 convolution층과 처리되는 데이터의 크기를 줄이는 pooling층이 반복되는 구조이다.위 그림은 합성곱을 계산하는 과정과 풀링 과정을 나타낸 것이다. 사진은 RGB 총 세 가지의 숫자로 이루어진 픽셀로 나타낼 수가 있는데 사진 하나당 이 픽셀의 개수가 너무 많으면 사진을 학습하는 데에 너무 오랜시간이 걸린다. 따라서 사진 속 픽셀 개수를 줄이는 과정이 함성곱과 풀링 과정이다.그림에서 3X3으로 이루어진 보라색 상자가 커널(필터)인데 이 커널이 맨 왼쪽 6X6 상자를 돌아다니며 같은 자리에 있는 숫자끼리 곱한값을 모두 더하게 되면 가운데 4X4상자가 나오게 된다. 이 과정이 바로 합성곱을 계산하는 과정이다. 풀링 과정에서도 픽셀의 개수를 줄이게 되는데 이때는 최대 풀링 또는 평균 풀링 방식을 이용하게 된다. 위 그림에서는 2X2 풀링을 최대 풀링 방식을 이용하여 계산한 것으로 각 부분마다 최댓값을 새로운 픽셀의 값으로 선정하는 것이다.위와 같은 과정을 거쳐 CNN은 이미지를 학습한다. EEG신호를 분석하는 데에도 이와 같은 방식을 통해 뇌파를 분석, 분류할 수 있다.3. 알게된 점EEG분석이 크게 어떤 과정을 거쳐 일어나는지와 CNN을 비롯한 신경망이 EEG 신호를 분석하는 데에 많이 쓰인다는 것을 알게 되었다. 또 CNN이 이미지를 분류하는 원리도 이해할 수 있었다.4. 요약조원들과 뇌파와 BCI기술에 대해 알아보았는데 입력받은 EEG신호를 어떻게 해석해내는지 궁금증이 들어 이에대해 알아보기로 하였다. 먼저 딥러닝을 기반으로 한 EEG 분석의 기본 과정과 각 과정별 특징을 알아보았다. 그리고 EEG 분석에 이용되는 CNN, RNN, GAN과 같은 딥러닝 기법을 알아보았고 이 중 CNN(합성곱 신경망)이 가장 활발히 이용되고 있다고 하여 CNN의 작동 원리를 알아보고자 하였다. CNN의 구조와 합성곱 계층과 풀링층의 역할에 대해 알아보았으며, 각 계층에서 계산이 어떻게 이루어지는지 실제 사례를 통해 이해하였다.5. 참고문헌EEG 신호 분석을 위한 딥러닝 연구 동향김태완*, 곽근창**BK사업단 소속 조선대학교*, 조선대학교**Research trend for Deep learning based on EEG signal Tae-Wan Kim* Keun-Chang Kawk**BK사업단 소속 Chosun University*, Chosun University**- 2408 -2022년도대한전기학회하계학술대회논문집2022.7.13~16www.dbpia.co.kr정재윤, 박훈석, 박동현, 이상원, 김상연, 남창수, 추상현. (2021). 뇌-컴퓨터 인터페이스(BCI)와 인공지능: 딥러닝 및 설명가능AI. ie 매거진, 28(4), 30-38.

공학/기술| 2024.04.21| 3페이지| 2,000원| 조회(226)

인공지능, cnn, AI, EEG, 신호분석, 컴퓨터 프로그래밍, 머신러닝, 딥러닝, 세특

미리보기

닫기
판매자 표지

푸아송 분포 유도 및 특징

푸아송 분포푸아송 분포를 왜 쓸까 거의 일어나지 않는 사건에 대한 분포로 적절 n = 1000000, p = 0.00001 이라면 이항분포로 계산이 힘듦푸아송 분포 수 많은 사건 중 (n →∞ ) 특정한 사건이 발생할 확률이 매우 적은 (p → 0) 확률변수가 갖는 분포 예시 ) 단위 길이당 DNA 가닥의 돌연변이 수 특정 지역에서 일어나는 교통사고 건수푸아송 분포의 유도푸아송 분포의 유도특정 지역에서 하루에 일어나는 교통사고 평균 횟수 λ = 5 일 때 교통사고가 하루에 7 번 일어날 확률푸아송 분포의 조건 주어진 시간 동안 일어나는 사건의 횟수는 다른 시간에서 일어나는 사건의 횟수와 독립이어야 한다 주어진 시간을 더 짧은 단위로 나눴을 때 , 그 짧은 시간 내에서 사건이 두 번 이상 발생할 확률은 무시할 만큼 매우 작아야 한다 주어진 시간을 더 짧은 단위로 나눴을 때 , 시간의 길이와 사건이 한 번 발생할 확률은 비례한다푸아송 분포의 기댓값푸아송 분포의 분산푸아송 분포의 특징 평균 = 분산 x = λ 일 때와 λ -1 일 때 확률이 동일감사합니다{nameOfApplication=Show}

자연과학| 2024.04.21| 11페이지| 2,500원| 조회(245)

수학, 유도, 확률과통계, 푸아송분포, 포아송분포, 확통, 세특

미리보기

닫기