Continuous Missing Data Recovery Based on Long Short-Term Memory Model
- 정용태
- 인천대학교
- 작품구분일반형
- 공개여부공개
- 카테고리정보, 전자
- 등록일2021-09-14
- 팀원(공동개발자)신승호
- 출품 경진대회2021. 공과대학 EATED 프로그램 연구성과 중간발표 행사
- 2
- 0
- 1,854
상세설명
1. 수행배경
최근들어 센서를 기반으로 하는 산업들이 더욱 확대되었다.
(SHM, wireless communications, image processing, speech processing, and biomedical applications 등)
이에 따라 센서의 규모와 다양성이 증가하였고 따라서 센서로부터 얻어지는 signal data의 품질 유지가 더욱 까다로워졌다.
signal data의 품질이 유지되지 않을 시 data를 활용한 탐지, 예측 등 여러 부문에서 문제가 발생 할 수 있기 때문에
signal data의 품질 유지는 매우 중요하다.
signal data의 품질 문제는 센서의 장애, 시스템의 오작동, 주변환경의 영향 등으로 측정, 전송, 저장단계 등 여러 상황에서
발생하며 발생하며 이러한 품질 문제는 데이터의 손실 및 변형으로 분류가 가능하다.
이러한 data의 품질 문제는 hardware와 software 측면에서 개선작업이 이루어 질 수 있는데 hardware 측면에서의
개선작업만으론 data의 품질을 완벽히 보장 될 수 없기 때문에 software 측면에서 개선이 필수 상황이다.
이번 프로젝트를 통해 이러한 문제를 machine learning기법으로 signal data recovery를 함으로써 해결하고자 한다.
2. 수행기간
3. 개발작품 설명
software측면에서 개선작업을 machine learning을 활용하여 연구를 진행하였다. 정상 signal data로 data mining
model을 학습한다. 이후 학습이 완료된 model을 활용하여 손실이 일어난 데이터의 복원을 진행하는 방식을 채택했다.
data mining model은 signal data의 sequential한 특징을 반영할 수 있는 RNN 모델 중 먼 과거시점의 정보까지
충분히 반영할 수 있는 Long Short-Term Momery(LSTM)을 활용하였다.
signal data의 형태는 가장 기본적인 형태에서부터 data의 구조를 점차 복잡하게 발전시켜 최종적으로
data가 복잡하며 missing이 많이 일어나는 경우까지 복원하는 방법론 개발로 연구 방향을 설정하였다.
data minining model은 기본 LSTM부터 LSTM과 다른 방법론을 혼합한 다양한 model을 활용하였다.
선행연구로 정상 data를 통한 반복적인 예측를 통하여 signal data의 recovery에 대한 가능성을 확인하였다.
이후 실제 상황에 맞추어 예측 data를 통해 다음 시점의 예측을 하는 연구를 진행하였다.
4. 활용방안
최근들어 센서를 기반으로 하는 산업들의 확대로 센서로부터 얻어지는 signal data의 규모와 다양성 또한 증가한 상황이다.
따라서 signal data를 복원하는 작업도 매우 까다로워졌다. 이때 가장 복원하기 어려운 상황(data가 non-stationary 하면서
missing이 많이 발생한 상황)에서도 signal data 복원을 원활히 할 수 있는 방법론을 만드는 것이 목표이다.
아직 연구의 완성도가 목표에 미치지 못했지만 signla data의 복원이 굉장히 까다로운 상황에서도 성공한다면,
거의 모든 산업에서 signal data의 품질유지를 할 수 있으며 이를 통해 산업에서 발생하는 여러 문제(관리,탐색 등)를
해결할 수 있을 것으로 보인다.