머신러닝 기법은 수학적 유도 없이도 효율적인 데이터 분석 도구를 제공한다. 데이터 중심적 LC 표현은 LC 관련 연구에 이러한 도구들을 활용하기 위해 높은 수요를 받고 있다. 본 연구에서는 조각별 선형 회귀(piecewise linear regression, PWLR)를 사용하는 새로운 데이터 지향적 LC 표현 모델을 제시한다. 이 표현은 개별 단위(base)에서 다른 관련 데이터와 함께, 머신러닝을 위한 데이터로서 직접 사용되도록 의도되었다. LC는 연결된 선분들의 연속으로서 벡터 형태로 표현되며, 선분의 위치와 개수는 최대 잔차에 의해 결정된다. 중요한 지점은 LC의 급격한 통과(rapid transit) 지점에서 결정된다. 과적합 문제를 피하기 위해 선분의 적절한 개수를 선택하는 데 베이지안 정보 기준(Bayesian information criterion, BIC)을 사용하였다. PWLR 모델을 LC 디스크립터로서의 타당성을 입증하기 위해, 근사 정확도와 표현의 일반성(representation generality)을 실험적으로 검증하였다. 그 결과, PWLR 모델은 개별 또는 대규모 무리의 LC를 표현하는 데 유리하며, 데이터 기반 접근법에 직접 적용 가능함이 밝혀졌다.

클러스터들 사이에서 < 0.01)의 값이 관찰되었다. 데이터의 82%를 포함하는 4개 클러스터는 전형적인 LC 패턴을 보인다. 나머지 2개 클러스터는 비전형적인 패턴을 나타낸다. 이전 모델인 Wood, Wilmink 및 Dijsktra로부터 생성된 LC와 비교했을 때, 두 클러스터의 비전형적 패턴에서의 예측 오차는 전형적 패턴을 보인 다른 4개 사례의 오차보다 훨씬 큰 것으로 관찰된다. 제시된 모델은 비전형적 패턴을 예외 사례로 제외함으로써 전형적 LC 패턴에 대한 특성 규명을 정교화하는 도구로 사용할 수 있다.

정밀 농업을 위한 데이터 수집 시스템을 제시한다. 이 시스템은 목표 식물과 그 환경 관련 사실(environmental facts)에 대한 다양한 시계열 데이터를 수집할 수 있다. 설계된 시스템은 서버와 다수의 네트워크 내(intra-networked) 스테이션으로 구성되며, 서로 독립적이지만 동기화된 두 가지 데이터 수집 프로세스를 갖는 소프트웨어 툴킷을 포함한다. 하나는 목표 식물 주변의 환경 관련 사실을 측정하기 위한 것이고, 다른 하나는 다중 시점 스테레오(multi-view stereo) 기법을 채택하여 목표 식물의 부피를 추정하기 위한 것이다. 시험 목적의 샘플링 레이트 및 데이터 수집 실험에 대한 분석을 수행하였다. 수집된 데이터의 노이즈 내성을 분석하기 위해 고속 푸리에 변환(fast Fourier transform) 기반의 데이터 필터링 방법을 적용하였다. 부피 추정을 위해 세 가지 서로 다른 방법, 즉 슬라이스에 대한 2-D 투영을 사용하는 방법-I, 복셀(voxels) 위의 폴리헤드론(polyhedrons)을 사용하는 방법-II, 그리고 포함된(enclosed) 표면을 사용하는 방법-III를 고안하여 다양한 식물 유형을 처리하도록 하였으며, 세 가지 유형의 목표 식물에 대해 평가하였다. 실험에서 부피 추정 오차는 6∼30% 범위로 측정되었다.

목적: 조사료 급여량을 감소시키되 반추위 건강에 부정적인 영향을 주지 않는 방안은 반추가축 영양에서 관심의 대상이다. 본 연구는 성장 중인 소에서 조사료의 급원과 농후사료의 종류가 성장 성적, 반추위 발효, 및 혈액 대사물질 수준에 미치는 영향을 조사하였다. 방법: 24주간의 시험에서 24두 한우(224±24.7 kg)를 두 종류의 조사료(티모시 건초와 호밀그라스 왕겨/짚)와 두 종류의 농후사료 혼합(고전분[HS]과 고섬유[HF])을 이용해 제조한 총혼합사료(TMR)로 질소 및 에너지 수준을 유사하게 하여 급여하였다. 처리구는 2×2 요인배치로 구성하였으며, 32% 티모시–68% HS, 24% 티모시–76% HF, 24% 호밀그라스–76% HS, 17% 호밀그라스–83% HF였다. 일일 사료섭취량을 측정하였다. 4주마다 혈액을 채취하였고, 오전 급여 전 체중을 측정하였다. 8주마다 5일 연속으로 위관(위장 튜브)을 이용하여 반추위 액을 채취하였다. 결과: 평균 건물섭취량(7.33 kg)과 평균 일당증체량(1,033 g)은 처리구 간 차이가 없었다. 그러나 반추위 및 혈액 지표에서 조사료 급원과 농후사료 종류 간 유의한 상호작용이 관찰되었다(p<0.05). 총 휘발성지방산 농도는 티모시–HF 급여군에서 가장 높았다(p<0.05). 조사료 급원으로 호밀그라스를 사용한 경우, 조사료 급여 수준을 낮추면 프로피온산의 몰 비율이 증가하고 아세테이트:프로피온산 비율이 감소하였으며, 반대로 티모시를 조사료로 사용한 경우에는 상반된 결과가 관찰되었다. 마찬가지로, 혈장 총단백, 알라닌 아미노전이효소(alanine transaminase), 칼슘(Ca), 무기 인(inorganic P), 총 콜레스테롤, 트리글리세라이드, 크레아티닌 농도에 대한 농후사료 종류의 효과는 조사료 급원에 따라 달랐고(p<0.05), 이러한 차이는 유의하였다. 결론: 사료의 조사료 중성세제불용성섬유(NDF)를 비(非)조사료 섬유 급원에서 유래한 섬유로 대체하여 식이 조사료 포함율을 감소시키는 것은 성장 중인 소에서 실행 가능한 급여 방법일 수 있다. 저품질 조사료와 고섬유 농후사료의 조합은 경제적으로 유리할 수 있다.

원격 데이터 점검(RDC)은 신뢰할 수 없는 서버에 저장된 데이터의 무결성을 클라이언트가 스팟 점검을 통해 효율적으로 확인할 수 있도록 하는 체계이다. 이러한 RDC 체계의 효율을 개선하기 위한 노력은 지속적으로 이루어져 왔는데, 이는 일정한 오버헤드를 수반하기 때문이다. 본 서한에서는 확률적 공격 모델을 채택한다고 가정하며, 이 모델에서는 공격자가 네트워크에서 노출된 블록을 일정 확률로 손상시킨다. 본 체계의 견고성을 동시에 보장하면서 오버헤드를 최소화하는 최적의 스팟 점검 비율이 도출된다.

개체 간 신뢰는 다양한 조건에 따라 변할 수 있으므로, 주변(ambient) 서비스가 신뢰를 언제 그리고 어떻게 업데이트해야 하는지를 판단할 필요가 있다. 따라서 본 논문의 기여는 다음과 같다. 1) 여러 분야에 확장될 수 있는 새로운 신뢰의 정의를 제시하고, 2) 사회적 사건과 패턴에 기반한 새로운 방법을 통해 주변 서비스에서 신뢰 갱신을 유발하는 방식을 제안하며, 3) 다수의 데이터 소스로부터 데이터를 수집하고 분석하기 위한 웹 애플리케이션 프레임워크( SocioScope )를 제시한다. 마지막으로 사례 연구는 본 제안이 신뢰 인지(trust-aware) 주변 및 추천 시스템에 적용될 수 있음을 시사한다.

정밀 농업을 위한 실시간 데이터 수집 시스템이 제시된다. 이 시스템을 사용하면 특정 지역에 대한 시공간적 데이터를 비교적 적은 비용으로 수집할 수 있다. 이를 위해 하드웨어 프레임을 설계하여 목표 식물뿐 아니라 환경 데이터를 동기화된 다중 시점 이미지로 촬영한다. 식물이나 작물의 생장을 모니터링하기 위해 정기적으로 일련의 이미지를 획득하고, 다중 시점 스테레오(multi-view stereo) 기법을 적용하여 목표 식물을 나타내는 3차원 모델을 구축한다. 또한 실시간 모니터링을 위한 응용 프로그램도 Android 플랫폼에서 개발하였다.

머신러닝 기법은 수학적 유도 없이도 효율적인 데이터 분석 도구를 제공한다. 데이터 중심적 LC 표현은 LC 관련 연구에 이러한 도구들을 활용하기 위해 높은 수요를 받고 있다. 본 연구에서는 조각별 선형 회귀(piecewise linear regression, PWLR)를 사용하는 새로운 데이터 지향적 LC 표현 모델을 제시한다. 이 표현은 개별 단위(base)에서 다른 관련 데이터와 함께, 머신러닝을 위한 데이터로서 직접 사용되도록 의도되었다. LC는 연결된 선분들의 연속으로서 벡터 형태로 표현되며, 선분의 위치와 개수는 최대 잔차에 의해 결정된다. 중요한 지점은 LC의 급격한 통과(rapid transit) 지점에서 결정된다. 과적합 문제를 피하기 위해 선분의 적절한 개수를 선택하는 데 베이지안 정보 기준(Bayesian information criterion, BIC)을 사용하였다. PWLR 모델을 LC 디스크립터로서의 타당성을 입증하기 위해, 근사 정확도와 표현의 일반성(representation generality)을 실험적으로 검증하였다. 그 결과, PWLR 모델은 개별 또는 대규모 무리의 LC를 표현하는 데 유리하며, 데이터 기반 접근법에 직접 적용 가능함이 밝혀졌다.