산업시설 화재사고예측에 대한 얕은 신경망과 깊은 신경망의 성능 비교 연구

• 영문명: A Comparative Study of Shallow Learning with Deep Learning Neural Networks on Fire Accident Prediction for Industrial Facilities
• 발행기관: 위기관리 이론과 실천
• 저자명: Woo Il Choi Dae Won Jang Yon Soo Kim
• 간행물 정보: 『한국위기관리논집』Crisisonomy Vol.14 No.3, 139~148쪽, 전체 10쪽
• 주제분류: 사회과학 > 행정학
• 파일형태: PDF
• 발행일자: 2018.03.31

국문 초록

기존의 얕은 인공신경망은 과적합과 Gradient Vanishing 현상 등 내재적 문제점으로 인하여 산업시설의 화재 위험성 평가에 한계가 있었다. 그러나 최근 들어 은닉층을 다층으로 구성하는 깊은 신경망의 구축이 가능해지고 학습알고리즘이 고도화되면서 화재보험에서 화재위험성 평가도구로서 활용성이 높아졌다. 본 논문에서는 구글사의 텐서플로우를 이용하여 다양한 학습조건에서 깊은 신경망을 학습시켜 얕은 신경망의 예측성능과 비교하였다. 그 결과 깊은 신경망에서는 Drop-out 및 ReLU함수의 활용을 통해 기존의 SNN의 문제점을 해소할 수 있었으며 TS값이 최대 0.76으로 얕은 신경망보다 58% 높은 학습성능을 확인하였다. 그러나 화재보험에서 위험관리도구로서 활용성을 높이기 위해서는 체계적이고 많은 데이터가 확보되어야 한다.

영문 초록

The shallow learning neural network (SNN) has some limitations in the assessment of fire risk of industrial facilities due to its inherent problems such as over-fitting and gradient vanishing. However, in recent years, it has become possible to build a deep learning neural network (DNN) consisting of multiple hidden layers and to make learning algorithms more sophisticated, which allows for the use of a fire risk assessment tool in the fire insurance. In this paper, prediction performances between SNN and DNN are compared under various conditions using Google’s Tensorflow. As a result, most SNN problems are solved through the drop-out method and ReLU activation function in DNN, and the learning performance of DNN with a maximum TS value of 0.76 is confirmed to be 58% higher than that of SNN. Nevertheless, in order to improve the utilization of fire insurance as a risk management tool, a systematic and large amount of learning data should be secured.

목차

Abstract

Ⅰ. 서론

Ⅱ. 기존 얕은 신경망의 한계

Ⅲ. 깊은 인공신경망 구축

Ⅳ. 학습데이터의 구축

Ⅴ. 학습결과분석 및 성능평가 비교

Ⅵ. 결론

References

국문초록

키워드

화재보험 깊은 신경망 텐서플로우 ire insurance DNN tensorflow drop-out ReLU