KIPS Tr. Software and Data Eng. Vol.5, No.9 pp.433~440 pissn: 2287-5905 소리정보를이용한철도선로전환기의스트레스탐지 433 http://dx.doi.org/10.3745/ktsde.2016.5.9.433 Stress Detection of Railway Point Machine Using Sound Analysis Yongju Choi Jonguk Lee Daihee Park Jonghyun Lee Yongwha Chung Hee-Young Kim Sukhan Yoon ABSTRACT Railway point machines act as actuators that provide different routes to trains by driving switchblades from the current position to the opposite one. Since point failure can significantly affect railway operations with potentially disastrous consequences, early stress detection of point machine is critical for monitoring and managing the condition of rail infrastructure. In this paper, we propose a stress detection method for point machine in railway condition monitoring systems using sound data. The system enables extracting sound feature vector subset from audio data with reduced feature dimensions using feature subset selection, and employs support vector machines (SVMs) for early detection of stress anomalies. Experimental results show that the system enables cost-effective detection of stress using a low-cost microphone, with accuracy exceeding 98%. Keywords : Railway Point Machine, Stress Detection, Sound Analysis, SVM 소리정보를이용한철도선로전환기의스트레스탐지 최용주 이종욱 박대희 이종현 정용화 김희영 윤석한 요 약 철도선로전환기는열차의진로를현재의궤도에서다른궤도로제어하는장치이다. 선로전환기의이상상황은탈선등과같은심각한문제를발생할수있기때문에, 선로전환기의스트레스를지속적으로모니터링하는것은매우중요하다. 본논문에서는선로전환기가작동할때발생하는소리정보를이용하여선로전환기의스트레스를탐지하는시스템을제안한다. 제안하는시스템은선로전환기의동작시발생하는소리데이터로부터자질선택방법을사용하여스트레스탐지에유효한감소된차원의자질부분집합을선택한후, 기계학습의대표적모델인 SVM(Support Vector Machine) 을이용하여선로전환기의스트레스상태여부를탐지한다. 테스트용선로전환기를실제구동하며수집한소리데이터를이용하여, 본논문에서제안하는시스템의성능을실험적으로검증한바 98% 를넘는정확도를확인하였다. 키워드 : 철도선로전환기, 스트레스탐지, 소리분석, SVM 1. 서론 1) 현재의산업구조에서철도가차지하는비중이지속적으로증대됨에따라철도의안정적인주행이그어느때보다중요 이논문은 2015 년도중소기업청기술혁신개발사업혁신형기업과제 (S2312692) 의지원을받아수행된연구결과임. 준회원 : 고려대학교컴퓨터정보학과학사과정 정회원 : 고려대학교컴퓨터정보학과초빙교수 정회원 : 고려대학교컴퓨터정보학과교수 비회원 : 세화대표이사 종신회원 : 고려대학교컴퓨터정보학과교수 비회원 : 고려대학교응용통계학과교수 비회원 : 세화부설연구소연구소장 Manuscript Received : June 29, 2016 First Revision : July 20, 2016 Accepted : July 20, 2016 * Corresponding Author : Daihee Park(dhpark@korea.ac.kr) 해지고있다. 철로를구성하는중요한요소중하나인선로전환기 (Fig. 1 참조 ) 는열차의진로를제어하는철도부품중하나로, 선로전환기의결함은열차의탈선및충 추돌을발생시킬수있기때문에선로전환기의이상여부를조기에탐지하는것은매우중요한문제이다 [1]. 최근 10년간의철도사고를살펴보면선로전환기의장애는전체철도신호장치장애의 27% 를차지하며, 철도시스템의운영및유지보수측면에서가장많은노동시간을소모하는설비로분류된다 [2]. 따라서대부분근로자의수작업에의존하는현재의철도유지보수시스템에서선로전환기의이상여부를실시간으로자동탐지하는지능형컴퓨터시스템으로전환하려는노력은경제적측면뿐만아니라안전에있어서도반드시필요하다. 외부환경에노출되어작동하는선로전환기의특성상, 선
434 정보처리학회논문지 / 소프트웨어및데이터공학제 5 권제 9 호 (2016. 9) 로전환기의부품들은외부충격을자주받게된다. 이러한외부충격들로인해선로전환기는계속적인물리적손상을받게되며이는선로전환기의미세한균열이나누적손상을야기하게되어결국선로전환기의스트레스로이어진다 [3]. 특히, 선로전환기의 stock rail과 switch blade 사이에이물질 ( 얼음, 자갈등 ) 이끼어서발생하는스트레스 (Fig. 1 참조 ) 는선로전환기의고장에이르기전단계를의미함으로, 선로전환기의결함뿐만아니라선로전환기의적절한교체시기를예측하기위해서도선로전환기가받는스트레스해석은매우중요하다고할수있다 [4]. 본논문에서는선로전환기의실제작동소리를이용하여열차운행의안정성에중요한부분을차지하는선로전환기의스트레스를탐지하는프로토타입시스템을제안한다. 제안된시스템은먼저선로전환기의구동시발생하는소리신호의해석으로부터해결하고자하는문제에적합한자질부분집합을미리설정하고, 설정된자질부분집합에해당하는입력자질벡터를대상으로선로전환기의스트레스를탐지한다. 이때선로전환기의스트레스탐지문제를이진분류문제로해석하여이진분류기의대표적모델인 SVM을탐지기로설계하였다. SVM기반의스트레스탐지기는정상작동소리와스트레스가쌓인선로전환기의작동소리를구분하여미리학습하고, 스트레스가쌓인선로전환기의작동소리가실시간으로입력 탐지될경우선로전환기의관리자에게알람을경고한다. 제안된시스템은선로전환기의노후화여부를조기판단하여선로전환기의교체시기를판별함으로써예정된사고를사전에예방할수있는유용한정보로활용될수있을것으로기대된다. 본논문의구성은다음과같다. 2장에서는선로전환기에관련한최근연구방법론의문헌고찰을간략하게소개하고, 3 장에서는본연구에서제안하는소리기반의선로전환기스트레스탐지시스템에대해상세히기술한다. 4장에서는실험결과및성능분석을, 마지막으로 5장에서는결론및향후연구과제에대해논한다. 2. 관련연구선로전환기에관한최근의연구동향을살펴보면, 선로전환기의결함을조기에탐지하고자하는많은노력들이철도선진국을중심으로진행되고있음을알수있다. 예를들면, Vileiniskis 등 [5] 은선로전환기를구동시키는모터의전류값의변화를이용하여, 미리설정해둔임계값을벗어나는지의여부를근거로선로전환기의이상상황을판단하였다. Eker 등 [6] 은모터전류측정센서등을이용하여취득한자질정보들을 PCA(Principal Components Analysis) 와 SVM을이용하여 drive rod가비정상적으로작동하는상태인불일치 (out-of adjustment) 상태여부를탐지하였다. 또한 Asada 등 [7, 8] 은선로전환기로유입되는전기적신호 ( 전류와전압 ) 를이용하여선로전환기의상태를모니터링하는시스템을제안하였다. 이상에서살펴본바와같이, 최근선로전환기에관한연구들은대부분선로전환기의모터를동작시키기위해입력되는전기적신호를단순한임계값수치로판단하거나혹은이상상황탐지를분류의문제로해석하여기계학습기반의분류기로문제를해결하고자함을알수있다. 반면, Lee 등 [9] 은선로전환기가실제구동시발생하는소리정보를대상으로, MFCC (Mel-Frequency Cepstrum Coefficients) 자질벡터를추출하고 SVM을이용하여선로전환기의이상상황을탐지및분류하는혁신적인연구결과를최근발표하였다. 이는전기적신호를주요입력으로하는선로전환기의현재까지의연구영역에서소리분석기반의연구가독립적으로혹은전기적신호시스템에보조적역할을담당할수있다는가능성을보여준최초의연구결과이다. 본연구는 Lee 등 [9] 의소리분석기반연구의연장선으로, 선로전환기의이상상황및노후화로인한교체시기등을판단하는데있어서중요한역할을하는선로전환기의스트레스를탐지하기위하여, 전통적인전기적신호를이용하는방법이아닌이미그효과가검증된선로전환기의작동소리정보를이용하여선로전환기의스트레스를탐지하는시스템을제안한다. 3. 소리기반의선로전환기스트레스탐지시스템 본논문에서제안하는소리기반의선로전환기스트레스탐지시스템의구조는다음의 Fig. 2와같다. 제안하는시스템은크게소리수집 (sound acquisition) 모듈, 자질추출 (feature extractor) 모듈, 스트레스탐지 (stress detector) 모듈로구성된다. Fig. 1. Schematic for railway point machine 3.1 소리수집모듈먼저소리수집모듈에서는센서 ( 마이크 ) 로부터선로전환기동작의시작과완료사이에발생하는입력소리를수집한다.
소리정보를이용한철도선로전환기의스트레스탐지 435 인식분야의중요한주제중하나이다 [12]. 이는시스템의성능을계속유지하거나최소한의성능저하만을허락하는입장에서, 자질집합에존재하는변수들중, 정보가비교적적게반영된변수들과중복된성질을갖는자질매개변수들을제거함으로써자질집합의차원을축소하는방법이다 [12, 13]. 본논문에서는선로전환기의주요한소리자질들을선택하는방법으로 Lee 등 [10] 이제안한 AFSSA를사용하였다. Pseudocode of AFSSA[10] Fig. 2. Overall structure of stress detection for railway point machine using sound analysis 3.2 자질추출모듈자질추출모듈은선로전환기의스트레스탐지를위하여 time domain과 frequency domain에서의소리자질들을추출한다. 취득한자질들은자질선택방법인 AFSSA (Acoustic Feature Subset Selection Algorithm)[10] 방법을이용하여중요한자질들로구성되는최종소리자질벡터를생성한다. 본논문에서사용한 time domain과 frequency domain에서각각추출한소리자질매개변수들 [11] 은다음과같다. Time domain features ⅰ) RMS(Root Mean Square): Gaussian random process 에의해계산되는진폭값. ⅱ) Power: 단위시간당소리신호의 energy 값. ⅲ) Energy: 시간에대한소리신호진폭의제곱의적분값. ⅳ) Absolute extremum: 소리신호의최대진폭의절댓값. ⅴ) Intensity: 단위면적당소리신호의 energy 값. ⅵ) Shimmer: 진폭변동률이라고도하며, 연속시간에서의진폭의 average absolute difference를평균진폭으로나눈값. ⅶ) Jitter: 주파수변동률이라고도하며, 연속시간에서의 average absolute difference를평균시간으로나눈값. ⅷ) HNR(Harmonics to Noise Ratio): 조화음대소음비. Frequency domain features ⅰ) Formant, F1 F9: 음성신호의공명특성을보여주는개체로써공명주파수는 0 10,000Hz 사이에서추출. ⅱ) PSD(Power Spectral Density), PSD1 PSD39: 주파수에대한스펙트럼의변화율을뜻하며, 단위는단위주파수당 power값을의미함. 본실험에서는 39개의 PSD를사용하였고, 100 4,000Hz 구간에서 100Hz마다추출. 주어진문제를풀기위해사용되는자질집합의최적선택문제는시스템이실제동작하기전에결정해야만하는패턴 Definition: sound data set, : stress sound, : non-stress sound. universal sound features set = {,,..., }, where k is the number of features that can be extracted from. Input: universal feature set. 1. compute t-test and obtain the first candidate set : if p-value of 0.05 then remove in. 2. compute the information gain of each formant in. 3. apply correlation analysis to using information gain and obtain the second candidate set : if correlation value threshold then select the highest ranked sound feature. 4. apply Sequential Forward Search(SFS) to with Between Class Distance(BCD) as an evaluation function and obtain the final feature subset. Output: an optimal sound feature subset. 3.3 스트레스탐지모듈스트레스탐지모듈에서는선로전환기의스트레스탐지를위해미리훈련을마친 SVM을기반으로, 실시간으로유입되는소리신호의스트레스여부를탐지한다. 이진분류문제에서최근많이활용되는 SVM은구조적위험최소화개념에기반을둔최적의선형결정평면을찾음으로써두개의클래스를분류하는방법이다 [13, 14]. 이때결정평면은학습원소들의가중화된조합이며, 이러한학습원소들을 support vector라부르며이들은두클래스간의경계면에존재한다. 예를들면, 선형분리가가능한데이터를가정할때최대여백분류의목표는 support vector들의거리가최대화되는초월면 (hyperplane) 에의해두개의클래스를분리하는것이다. 이러한초월면은최적경계초월면 (optimal separating hyperplane) 이라고불리며, 2차프로그래밍 (quadratic programming) 문제의해를구함으로써 support vector를구한다 (Fig. 3 참조 ). 또한선형분리가불가능한데이터인경우에는, 입력벡터를선형초월면이발견되는고차원의자질공
436 정보처리학회논문지 / 소프트웨어및데이터공학제 5 권제 9 호 (2016. 9) 간으로비선형매핑한다 (Fig. 4 참조 ). 이때목표함수와결정함수가벡터의내적으로표현됨에따라, 계산적으로복잡한매핑을명시적으로계산할필요가없어진다. 즉, Mercer 조건을만족하는커널함수는데이터벡터대신에사용되는매핑함수로치환할수있다. 본논문에서는커널함수로 Radial Basis Function(RBF) 을가정한다. 4. 실험및결과분석 4.1 실험데이터획득선로전환기의스트레스를탐지하는실험을위해 2016년 1 월 1일대전광역시유성구에위치한 세화연구소에서실험환경을구축하고선로전환기의작동시발생하는소리를수집하였다 (Fig. 5 참조 ). 선로전환기에서약 1m 떨어진정중앙에서마이크 (Shure SM137) 를이용하여소리데이터를수집하였으며, 이때의기상상황은약한바람이부는 0 6 의환경이었다. Fig. 3. Main concept of SVM in a linearly separable case Fig. 5. Data collection from railway point machine 본실험에서는스트레스가없는상황 (non-stress) 과스트레스 (stress) 가쌓인상황을 Asada 등 [7, 8] 이정리한선로전환기의 fishbone diagram에기초하여다음과같이설정하였다 : stock rail과 switch blade 사이에얼음또는자갈이낀상황과 drive rod의나사가풀어진경우를스트레스가쌓인상황이라고정의하였으며, 이물질이없고윤활유를칠한상황을스트레스가없는상황이라고정의하였다. 다음의그림들은데이터를수집한실제모습을촬영한것이다 : 얼음이선로에낀상황 (Fig. 6), 자갈이낀상황 (Fig. 7), drive rod의나사가풀어진상황 (Fig. 8), 그리고윤활유를선로에바른후의상황 (Fig. 9). 물론공정성확보를위하여, 선로전환기의유지보수작업을수행한후, 소리데이터를수집하였다. Fig. 4. Graphical view of the SVM in the non-linearly separable case Fig. 6. Stress condition(ice obstruction)
소리 정보를 이용한 철도 선로전환기의 스트레스 탐지 437 Fig. 10A. Waveform of non-stress(lubrication) sound sample Fig. 7. Stress condition(gravel obstruction) Fig. 10B. Spectrogram of non-stress(lubrication) sound sample Fig. 11A. Waveform of stress(gravel) sound sample Fig. 8. Stress condition(slackened nut) Fig. 11B. Spectrogram of stress(gravel) sound sample Table 1. Sound dataset Class Number of dataset Note Non-stress 300 Lubrication Stress Fig. 9. Non-stress condition(lubrication) 선로전환기의 스트레스 탐지를 실험하기 위한 소리 데이 터는 소리 신호의 파형과 스펙트로그램을 확인한 후 수동으 로 선로 전환 시 발생하는 소리 영역을 편집하였다(Fig. 10A B, 11A B 참조). 이때, Fig. 10B와 Fig. 11B를 비교해 보면 스트레스가 없는 소리 신호(Fig. 10B)에 비해서 스트레 스가 발생한 소리(Fig. 11B)의 스펙트로그램은 자갈이 깨지 는 시간 영역에서(빨간색 사각형) 주파수 영역의 에너지가 강하게 나타나는 것을 확인할 수 있다. 소리 데이터는 대략 4.5 5.5초의 길이를 가지며 실험에 사용한 데이터의 구성은 Table 1과 같다. 141 Ice obstruction 147 Gravel obstruction 155 Slackened nut 4.2 자질 추출 및 자질 선택 취득한 선로전환기의 작동 소리에서 소리 자질을 추출하 기 위해 Praat 6.0.05를 사용하여 time domain에서 16개, frequency domain에서 48개, 총 64개의 자질을 추출했다. Time domain(16개) {RMS, Power, Energy, Absolute extremum, Intensity, HNR, Shimmer(local), Shimmer(apq3), Shimmer(apq5), Shimmer(ddp), Shimmer(dB), Jitter(local), Jitter(rap), Jitter(ppq5), Jitter(ddp), Jitter(absolute)}
438 정보처리학회논문지 / 소프트웨어및데이터공학제 5 권제 9 호 (2016. 9) Frequency domain(48개 ) {Formant F1 F9, PSD 1 39} 총 64개의자질파라미터집합에서 AFSSA를사용하여최적의자질부분집합을선택하였다. 그결과데이터셋의차원은약 15.62% 로축소되었으며, 선택된자질부분집합은다음과같다 : AFSSA를사용하여선택된 자질들 (43개) : 1단계 {F3 F8, RMS, Power, Energy, Absolute extremum, Intensity, Shimmer(apq5), Jitter(abs), HNR, PSD5, PSD7, PSD8, PSD9, PSD10, PSD11, PSD12, PSD13, PSD14, PSD15, PSD16, PSD17, PSD19, PSD21, PSD22, PSD23, PSD24, PSD25, PSD26, PSD27, PSD29, PSD30, PSD31, PSD32, PSD35, PSD36, PSD37, PSD38, PSD39} Fig. 12B. Transition graph of absolute extremum in time domain AFSSA를사용하여선택된 자질들 (25개) : 2, 3단계 {F5, F8, Energy, Absolute extremum, Shimmer(apq5), HNR, PSD5, PSD11, PSD12, PSD13, PSD14, PSD15, PSD16, PSD17, PSD21, PSD23, PSD25, PSD26, PSD29, PSD32, PSD35, PSD36, PSD37, PSD38, PSD39} AFSSA를사용하여최종적으로선택된자질들 (10개) {Energy, Absolute extremum, Shimmer(apq5), HNR, F5, F8, PSD12, PSD23, PSD25, PSD26} Fig. 13A. Transition graph of formant 5 in frequency domain 선택된소리자질집합중일부의변수에관한자질값의변화추세를살펴보면, time domain과 frequency domain에서모두스트레스가증가함에따라자질값이독립적으로단조증가 (monotonic increasing) 함을확인할수있다 (Fig. 12, 13 참조 ). 위예비실험결과로부터소리정보를통해스트레스에따른선로전환기의소리분류의가능성을확인할수있다. Fig. 13B. Transition graph of formant 8 in frequency domain Fig. 12A. Transition graph of energy in time domain 4.3 소리자질을이용한선로전환기의스트레스탐지소리자질을이용한선로전환기의스트레스탐지실험은 Table 1에서명시한바와같이, 스트레스가없을때의소리 300개와스트레스가쌓였을때의소리 443개를대상으로 Weka 3.8.0 버전을이용하여 SVM 실험을수행하였다. 전체데이터셋의 50% 를랜덤으로선택한데이터로부터 Weka에
소리정보를이용한철도선로전환기의스트레스탐지 439 서제공하는 grid search 방법을이용하여, SVM의상대적중요성을조정하는상수 (trade-off constant) C 값은 6.95, 그리고 RBF kernel의계수값인 gamma는 1.9로설정하였다. grid search에참여하지않은나머지 50% 의데이터셋에대해서 10 fold-cross validation으로스트레스탐지의성능실험을수행하였다. 실험성능측정을위한지표로는 SDR(Stress Detection Rate: 스트레스상황탐지율 ), FPR(False Positive Rate: 스트레스가없는소리가스트레스가있다고오탐지된비율 ), FNR(False Negative Rate: 스트레스가있는소리가스트레스가없는소리로오탐지된비율 ) 을사용하였고, 각각의수식은다음과같다. (1) (2) (3) 위식들에서 는스트레스가있는데이터의개수, 는스트레스가있는데이터를스트레스가있다고정상적으로탐지한데이터의개수, 는스트레스가없는데이터의개수, 는스트레스가없는데이터를스트레스가있는상황으로잘못탐지한데이터의개수, 는스트레스가있는데이터를스트레스가없다고잘못판단한데이터의개수를의미한다. 실험결과는 Table 2와같으며, 선로전환기의 SDR은 98.19%, FPR과 FNR은각각 2.00%, 1.81% 라는안정적인실험결과를확인하였다. Table 2. Experimental performance measurement for stress detection SDR FPR FNR 98.19% 2.00% 1.81% 5. 결론 본논문에서는선로전환기의선로전환시발생하는작동소리정보를이용하여선로전환기의스트레스를탐지하는프로토타입의시스템을제안하였다. 제안된시스템은먼저, 선 로전환기작동시발생하는소리를취득하였다. 둘째, 취득한소리정보를이용하여 time domain과 frequency domain 에서다양한소리자질들을추출한후 AFSSA를이용하여스트레스탐지에효과적인최적의자질부분집합을선택하였다. 마지막으로선택된자질벡터를이진분류기인 SVM 에적용하여선로전환기의스트레스유무를탐지하였다. 실제테스트를위해수집한소리데이터셋을이용하여, 본논문에서제안하는소리정보기반의선로전환기스트레스탐지시스템의성능을실험적으로검증하였다. 향후연구과제로는본연구에서제안된프로토타입의시스템을실세계에서구현 운용하기위한구체적인후속연구들이요구되고, 소리데이터뿐만아니라전기적신호데이터도동시에고려하는멀티모달기반의융합연구가기대된다. References [1] J. H. Lee and Y. K. Kim, A study on switching power measurement of an electrical point machine using a sensor, Journal of the Korean Society for Railway, Vol.18, No.4, pp.335-343, 2015. [2] J. H. Lee, Y. K. Kim, and J. Y. Park, A study on the field application of switching power measurement by using sensor in electrical point machine, The Transactions of the Korean Institute of Electrical Engineers, Vol.64, No.7, pp.1130-1136, 2015. [3] C. S. Kim and G. H. Kang, Fatigue analysis of reduction gears unit in rolling stock considering operating characteristics, Journal of the Korea Academia Industrial Cooperation Society, Vol.12, No.3, pp.1085-1090, 2011. [4] W. Jin, Z. Shi, D. Siegel, P. Dersin, C. Douziech, M. Pugnaloni, and J. Lee, Development and evaluation of health monitoring techniques for railway point machines, in Prognostics and Health Management 2015 IEEE Conference, pp.1-11, 2015. [5] M. Vileiniskis, R. Remenyte-Prescott, and D. Rama, A fault detection method for railway point systems, in Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, Vol.230, No.3, pp.852-865, 2016. [6] O. Eker, F. Camci, and U. Kumar, SVM based diagnostics on railway turnouts, International Journal of Performability Engineering, Vol.8, No.3, pp.289-398, 2012. [7] T. Asada and C. Roberts, Improving the dependability of DC point machines with a novel condition monitoring system, Proceedings of the Institution of Mechanical Engineers, Part F: Journal of rail and rapid transit, Vol.227, No.4, pp.322-332, 2013. [8] T. Asada, C. Roberts, and T. Koseki, An algorithm for improved performance of railway condition monitoring equipment: Alternating-current point machine case study, Transportation Research Part C: Emerging Technologies, Vol.30, pp.81-92, 2013.
440 정보처리학회논문지 / 소프트웨어및데이터공학제 5 권제 9 호 (2016. 9) [9] J. Lee, H. Choi, D. Park, Y. Chung, H.-Y. Kim, and S. Yoon, Fault detection and diagnosis of railway point machines by sound analysis, Sensors, Vol.16, No.4, pp.549, 2016. [10] J. Lee, L. Jin, D. Park, Y. Chung, and H. Chang, Acoustic features for pig wasting disease detection, International Journal of Information Processing and Management, Vol.6, No.1, pp.37-46, 2015. [11] J. Lee, B. Noh, S. Jang, D. Park, Y. Chung, and H.-H. Chang, Stress detection and classification of laying hens by sound analysis, Asian-Australasian Journal of Animal Sciences, Vol.28, No.4, pp.592-598, 2015. [12] S. Theodoridis and K. Koutroumbas, Pattern Recognition, 4th ed, Oxford: Academic Press, 2009. [13] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed, San Francisco: Morgan Kaufmann Publishers, 2012. [14] H. Kim, S. Lee, Y. Chung, D. Park, and H. Lee, Multicore Processor based Parallel SVM for Video Surveillance System, Journal of the Korea Institute of Information Security and Cryptology, Vol.21, No.6, pp.161-169, 2011. 최용주 e-mail : aaa928@korea.ac.kr 2011년~현재고려대학교컴퓨터정보학과학사과정관심분야 : 빅데이터, 기계학습, 인공지능, 데이터마이닝 이종욱 e-mail : eastwest9@korea.ac.kr 2002년고려대학교전산학과 ( 학사 ) 2005년고려대학교전산학과 ( 석사 ) 2014년고려대학교전산학과 ( 박사 ) 2014년 현재고려대학교컴퓨터정보학과초빙교수관심분야 : 딥러닝, 기계학습, 멀티미디어마이닝, 융합 IT 이종현 e-mail : 7n87n8ljh@sehwa.biz 2014년우송대학교철도시스템학과 ( 석사 ) 2015년 현재우송대학교철도시스템학과박사과정현재 세화대표이사관심분야 : 철도신호, 선로전환기, 열차제어 정용화 e-mail : ychungy@korea.ac.kr 1984년한양대학교전자통신공학과 ( 학사 ) 1986년한양대학교전자통신공학과 ( 석사 ) 1997년 U. of Southern California( 박사 ) 1986년 2003년한국전자통신연구원생체인식기술연구팀 ( 팀장 ) 2003년 현재고려대학교컴퓨터정보학과교수관심분야 : 병렬처리, 영상처리, 융합 IT 김희영 e-mail : starkim@korea.ac.kr 1991년고려대학교수학과 ( 학사 ) 1995년고려대학교통계학과 ( 석사 ) 2002년고려대학교통계학과 ( 박사 ) 2013년 현재고려대학교응용통계학과부교수관심분야 : Martingales, Queueing theory, Markov process, Financial time series analysis 박대희 e-mail : dhpark@korea.ac.kr 1982년고려대학교수학과 ( 학사 ) 1984년고려대학교수학과 ( 석사 ) 1989년플로리다주립대학전산학과 ( 석사 ) 1992년플로리다주립대학전산학과 ( 박사 ) 1993년 현재고려대학교컴퓨터정보학과교수관심분야 : 데이터마이닝, 인공지능, 융합 IT 윤석한 e-mail : shy5406@sehwa.biz 1977년고려대학교전자공학과 ( 학사 ) 1985년한국과학기술원전산학과 ( 석사 ) 1995년고려대학교전자공학과 ( 박사 ) 현재 세화부설연구소연구소장관심분야 : 철도신호시스템, 빅데이터시스템, U-컴퓨팅