자연지능및뇌질환의수학적모델에대한동특성해석에관한연구

국가연구개발 보고서원문 성과물 전담기관인 한국과학기술정보연구원에서 가공・서비스 하는 연구보고서는 동의 없이 상업적 및 기타 영리목적으로 사용할 수 없습니다.
보안과제( ), 일반과제( O ) 과제번호 2017M3C7A1044820
뇌과학원천기술개발사업
자연지능 및 뇌질환의 수학적 모델에 대한

동특성 해석에 관한 연구
충북대학교
과학기술정보통신부
제출문
제출문
과학기술정보통신부장관 귀하
‘자연지능 및 뇌질환의 수학적 모델에 대한 동특성 해석에 관한 연구’(연구개발 기간：

2017. 6. 1. ~ 2019. 12. 31.) 과제의 최종보고서를 제출합니다.
2019. 10. 16.
주관연구기관명ː 충북대학교 (대표자) (인)

협동연구기관명ː 경희대학교 (국제캠퍼스) (대표자) (인)
참여기관명ː (대표자) (인)
주관연구기관책임자: 권 오 민
협동연구기관책임자: 박 명 진
참여기관책임자:
과학기술정보통신부 소관 과학기술분야 연구개발사업 처리규정

제35조에 따라 최종보고서 열람에 동의합니다.
보고서 요약서
보고서 요약서
2017M3C7A1 해당 단계 2017.6.1.~
과제 고유 번호 단계구분 1/2
044820 연구 기간 2019.12.31
중사업명 뇌과학원천기술개발사업
연구사업명
세부사업명 뇌과학원천기술개발사업
순행유전학적 접근법과 인공지능을 이용한 자연지능
대과제명
및 뇌질환 규명 원천기술 개발
연구과제명
자연지능 및 뇌질환의 수학적 모델에 대한
세부과제명
동특성 해석에 관한 연구
해당단계 총: 3명 정부: 161,800 천원
해당단계
참여연구원 내부: 3명 민간: 천원
연구개발비
수 외부: 명 계: 천원
연구책임자
총 연구기간 총: 1명 정부: 289,800 천원
참여연구원 내부: 1명 총 연구개발비 민간: 천원
수 외부: 명 계: 천원
연구기관명 및 참여기업명
충북대학교 전기공학부
소속 부서명
국제공동연구 상대국명: 상대국 연구기관명:
위탁연구 연구기관명: 연구책임자:
※ 국내·외의 기술개발 현황은 연구개발계획서에 기재한 내용으로 갈음

연구개발성과의
보안등급 및
사유
9대 성과 요약(건수만 기재/증빙 필)
생명자원 신품종
보고서 연구시설 기술요약 소프트
구분 논문 특허 화합물 생명 생물
원문 ·장비 정보 웨어 정보 실물
정보 자원
1단계 20
2단계
합계 20
국가과학기술종합정보시스템에 등록한 연구시설·장비 현황

연구시설· 규격 구입가격 구입처 비고 NTIS
구입기관 수량 구입연월일
장비명 (모델명) (천원) (전화) (설치장소) 등록번호
요약(연구개발성과를 중심으로 개조식으로 작성하되, 500자 이내로 작성합니다) 보고서 면수

요약문
본 과제의 목표는 자연지능 및 뇌질환의 수학적 모델에 대한 동특성 해석에 관

한 연구를 통한 기술 선점으로 년차별 목표는 다음과 같다.
· 자연지능 모델에서의 불확실성 및 외란에 대한 분석 방안
연구의
· 정밀한 뇌 질환 검출을 위한 고장 검출 및 이벤트-트리거 개념 접목 방안
목적 및 내용
· 뇌질환 상태 추정 및 치료 방안
· 자연지능 모델의 노이즈 해결 및 신경망의 수동성에 대한 분석 방안
· 결합된 이산신호 모델로의 확장
1단계 총 연구기간인 31개월 동안 7편의 논문을 국제저명학술지에 발표하는 것

이 목표였으나 1단계 연구기간동안 총 20편을 게재 완료(이 중 JCR 상위
10% 이내 13편)하였음. 주요 연구내용은 다음과 같음
· 불확실성이 고려된 모델에 대한 분석 방안

· 외란이 고려된 모델에 대한 분석 방안
· 뇌질환 검출을 위한 고장 검출 개념 접목 방법 개발
· 뇌질환 치료 범위의 정확한 선정을 위한 이벤트-트리거 개념 접목 방법 개
연구개발성과
발
· 상태 추정 개념을 활용한 뇌질환 상태 추청 방법 개발
· 인위적 조절 개념을 통한 뇌질환 치료 방법 개발
· 안정성에 대한 새로운 해석 기법 개발
- 샘플드 데어터 제어 시스템에 대한 새로운 리아프노프 함수 개발
- 향상된 적분 부등식 개발
- 합성된 영등식 기법 개발
- 합성된 리아프노프 함수 개발
· 자연지능 및 뇌질환 연구를 수학적 모델을 통해 여러 가지 현상에 분석 기대

· 컴퓨터 네트워크 이론 및 제어 이론을 접목을 통한 이론 분야의 확립 및 발
전
· 인공지능의 연결하는 돌파구가 마련되어 인공지능 기술의 혁신적 도약
연구개발성과의
· 뇌질환에 관련 locus을 찾아 예방 치료함으로 의학기술의 지원도구로 사용
활용계획
· 자연지능과 인공지능의 연결고리를 기반으로 의료기술과 의료기기 산업에
(기대효과)
적용하여 이를 통해 산업 및 인력 인프라 증가
· 뇌 질환을 예방 및 진단함으로써 기본적 치료비용 및 의료비 감소
· 인공지능을 이용한 의료기술 개발로 인프라 낙후지역에 확대 적용이 가능하
여 복지혜택 확대
국문핵심어
(5개 이내) 자연지능 안정성 강인성 뇌질환 치료 및 조절
Natural Treatment and
영문핵심어
(5개 이내) Stability Robustness Brain disease
intelligence control
※ 국문으로 작성(영문 핵심어 제외)
본문 작성 양식
〈 목 차 〉
1. 연구개발과제의 개요 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
·1
2. 연구수행내용 및 성과 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
·7
3. 목표 달성도 및 관련 분야 기여도 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
·30
4. 연구개발성과의 활용 계획 등 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
·34
붙임. 참고 문헌 ·
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
··
·36
<별첨> 주관연구기관의 자체평가 의견서
- 4 -
1. 연구개발과제의 개요
l 인간의 뇌는 천억 개의 뉴런이 서로 연결되는 백조개의 시냅스로 구성되며, 시냅스의 연

결에 의해 인간의 사고가 결정되고 각 백조 개의 시냅스가 서로 연결될 수 있는 가능성
은 무한에 가까울 정도로 복잡하고 난해한 생명 과학적 형질임
l 이처럼 신경계는 체내에서 가장 복잡한 시스템이여서, 뇌 연구는 현대 과학에서 아직까
지 미스터리에 쌓여 있는 인간 최후의 도전과제
l 사람 두뇌의 신경망을 구성하는 시냅스 연결방식의 의미를 찾아내면, 치매 등과 같은 각
종 뇌질환 치료에 혁명적인 혁신을 이룰 수 있을 뿐만 아니라, 신 개념의 인공지능의 신
경망 설계에도 바로 적용이 가능하여 우리나라가 4차 산업혁명을 선도할 수 있을 것으로
예측
l 하지만 뇌는 인간의 각 장기에서 가장 복잡하고 두뇌 신경망을 구성하는 시냅스의 연결
방식은 무한에 가깝게 복잡하여, 단순한 생명 과학적 연구방법론으로는 사람 두뇌의 신경
망을 구성하는 시냅스 연결방식과 같은 난해한 생물학적 형질의 특성을 찾아내기가 불가
능
l 생물체의 형질을 이해하는 연구방법론은 크게 역행유전학적 방법 (reverse genetics)과
순행유전학적 방법 (forward genetics)으로 나눠지는데, 역행유전학적 방법은 생명 과학적
연구방법론에 기초한 연구방법이며 비교적 쉽게 연구에 접근할 수 있어 세계 각국의 연
구자들은 대부분 역행유전학적 방법으로 생물체의 형질을 이해하려는 연구를 진행 중
l 순행유전학적 방법은 기본적으로 유전체 염기서열 정보를 수학적방법론에 기초하여 이
해한 후, 컴퓨터를 이용하여 분석한 후 생명 과학적 연구로 검증하는 연구로, 수학, 컴퓨
터과학, 생명과학의 ICT 융합연구방법론의 일종
l 시냅스 연결방식의 의미와 같이 난해한 생명 과학적 형질은 순행유전학적 (forward
genetics) 연구가 매우 유용하다는 사실이 최근 입증됨 [1]
l 이에 따라 본 연구는 순행유전학적 연구를 바탕으로 뇌과학 분야 중 자연지능과 뇌질환
특성의 수학적인 모델링과 해석을 통하여 시뮬레이션 및 인공지능 개발에 활용
‐ 위의 선행 연구를 토대로 본 연구과제에서는 자연지능 여러 가지 특성을 인공지능 개발
에 접목하고 인공지능을 이용한 뇌질환 연구에 대해 진행할 것임. 이와 같은 목표를 위해
아래와 같은 여러 세부사항에 대해 연구할 계획
· 순행유전학적 접근법을 기반으로 뇌 자연지능의 여러 특성을 고려하여 수학적 모델링 및
해석
· 뇌 자연지능의 여러 가지 특성을 제어공학적 측면에서 접근하여 연구
- 1 -
· 수학적 모델링을 확립한 후 이를 이용하여 뇌질환 연구에 접목하여 연구

· 진행된 연구결과를 활용하여 이산시간 모델 및 샘플치 모델로의 확장
· 다수의 인공지능을 효율적으로 활용하기 위한 제어공학적 개념 접목 및 해석
그림 1. 제4세부과제 연구 개발 개념도
3-1. 확률, 통계 및 수학이론을 기반으로 하는 제어공학 관점에서의 자연 지능과 뇌질환
특성의 모델링과 해석 방법 개발
가. 강인성
· 80년대에 플랜트의 불확실성을 고려한 제어기 설계가 시작됨. 이를 강인제어라 부르며 지
금까지도 많은 분야에 활용
· 뇌 과학 분야의 경우 임의의 충격(disturbance)이나 여러 뉴런들의 정보 전달시 정보의
불확실(uncertainty)이 존재
· 위와 같은 현상을 좀 더 자연지능과 유사한 모델링을 위해 논문 [1]에서 제시한 방법과
같은 분석기법들이 더욱 연구가 필요
· 또한, 구성된 모델링의 제어기를 설계하기 위해 여러 가지 강인제어의 이론 및 수학적 이
론을 바탕으로 한 연구가 필요.
나. 질환 진단 및 예방
· 각종 시스템에서 발생하는 고장의 피해를 최소화하며 고장부분의 빠른 복구를 위해서 고
장검출(fault detection)의 개념을 이용
· 이와 같은 개념을 뇌 과학에 적용시켜 뇌질환을 야기 시키는 유전자를 찾는 방법으로 응
- 2 -
용 가능
· 변이 유전자에 대하여 치료가 필요하며, 변이된 유전자를 치료하기 위해 상태 추적(state
estimation)방법을 이용하여 변이가 된 유전자에만 정확하게 치료되도록 연구할 계획
· 또한, 이벤트-트리거(event-triggered) 방식을 응용하여 변이 유전자 주변의 형질에 피해
가 가지 않도록 변이 형질에만 치료를 할 수 있게 응용
· 위 세 가지의 개념을 토대로 뇌질환을 유발하는 변이 유전자 검출 후 치료를 하는 것을
수학적 모델링을 통해 접근함
다. 결합된 이산신호 모델로의 확장
· 대부분 시스템 해석의 경우 연속적인 신호를 이용하여 해석을 함. 하지만, 실제의 경우는
이산적인 신호의 형태로 시스템이 구현되는 경우가 대부분임이므로 본 연구에서는 자연
지능과 뇌질환 특성의 모델링을 연속 모델(continuous-time system) 뿐만 아니라 이산신
호를 바탕으로 한 수학적 모델로 표현
· 또한, 여러 가지의 뉴런들은 결합체인 뇌를 표현하기 위해 각각 뉴런의 연결을 표현 하고
자 결합형태의 모델을 제시
라. 선적용 모델(preapplied model) 선정을 통해 이를 활용하여 분석방법의 개발
· 기존의 유전적 조절망(Genetic Regulatory Network), 순환 신경망(Recurrent Neural
Network), 인간 면역 결핍 바이러스(Human Immunodeficiency Virus) 모델을 활용
· 위의 선정된 모델들은 대부분 확정적(deterministic) 모델로 구성이 되어 있으나 본 연구
에서는 실제 뇌질환 특성과 유사한 확률적(stochastic) 모델로의 확장하여 그 분석방법을
연구
⇒ 종합하여 본다면 국내외 뉴럴 네트워크 및 유전학 네트워크에 관한 연구는 지속적으로
관심을 가지고 진행되고 있으며, 또한 전 세계적으로 인공지능 기술의 잠재적 가치가 증
가할 것으로 예상. 이에 따라 뇌과학을 기반으로 그림 2에서 표시된 신경회로망 칩·시스
템, 신경망 구조·학습법칙에 대한 연구를 수학적 모델링을 통하여 기본적인 네트워크를
얻고 더불어 새로운 연구 기법이 뇌과학 분야(그림 3)에서 다른 국가보다 뒤지지 않기
위해 본 연구수행이 절실히 요구
- 3 -
출처:일본경제산업성, NIA(2015)에서 인용
그림 2. CPS 사이클(데이터의 분석과 피드백 활용)
출처:이수영, (1998)에서 인용
그림 3. 뇌과학 연구기술 분야
3-2. 본 연구가 전체 연구 프로세스에서 차지하는 중요성

가. 시뮬레이션 및 인공지능 개발에 활용하기 위한 자연지능의 수학적인 모델링(그림 5-6)
을 할 때 존재할 수 있는 문제요소의 분석 및 해결 방안 모색 필요
- 4 -
그림 4. 본 연구가 전체 연구 프로세스에서의 위치
(1) 자연지능의 수학적인 모델링과 해석에 있어서 존재할 수 있는 시스템 파라미터
(parameter)에 대한 불확실성(uncertainty)을 고려한 모델 수립과 그 해석법 연구
(2) 모델링된 시스템을 실제 적용할 경우, 원치 않는 외부의 신호 즉 외란(disturbance)이
존재하더라도 시스템의 동작 특성에 큰 영향을 주지 않도록 하는 제어기법 연구
(3) 시스템 외부에서 발생하는 신호인 외란뿐만 아니라 시스템 내에서 존재할 수 있는 노
이즈에 대한 해결 방안으로 소산필터(dissipative filtering) 개념을 활용하는 방안 연구
(4) 모델링된 시스템의 구현에 있어서 마이크로프로세서 등의 하드웨어의 존재로 실제 이
산시간 시스템으로 구성이 됨으로 연속시간 모델에서 이산시간 모델이나 샘플 데이터 시
스템(sampled-data system)으로의 변환 및 그 해석법 연구
그림 5. 생물 신경세포를 동역학적 모델인 인공 신경세포의 변환
- 5 -
그림 6. 시냅스의 동역학적 모델링

나. 뇌질환 진행과정 시뮬레이션에 활용하기 위한 뇌질환 특성의 수학적인 모델링과 해석이
필요
(1) 뇌질환에 대한 특성을 분석하기 위해서는 우선적으로 뇌질환이 발생에 대한 검출과정
이 필요하여 이를 제어공학적 관점에서 볼 때 고장 검출(fault detection)이라는 개념으로
볼 수 있고 이러한 검출 방법을 뇌질환 검출로의 접목하는 연구가 필요
(2) 질환의 검출 후 치료과정이 필요하며 이때 그 방법을 제어공학 개념 중 인위적 조절
(artificial regulation)을 활용하여 그 방법을 연구
(3) 검출 후 치료 과정에서 질환 부위 주변의 치료가 필요하지 않는 정상적인 부위의 영역
을 최소화해야 할 경우가 존재할 수 있다는 전제 하에 이벤트-트리거(event-trigger)라는
개념을 활용한 방법 연구
(4) 질환의 상태나 치료 후의 상태에 대한 추정을 통한 정보 수집을 위한 방안으로 제어공
학에서의 상태 추정(state estimation) 원리를 이용한 방법 연구
(5) 수동성(passivity) 등과 같은 다양한 상황에 대한 연구
- 6 -
2. 연구수행내용 및 성과
1~3차년도 동안의 연구 수행 성과인 논문 목록 및 게재된 SCI급 국제저명학술지의 위
상을 보이기 위한 학술지 정보를 아래와 같이 제시함
표 1. 1-3차년도 연구 성과
연번 논문명 저널명 출판년도
1-1 INS Advanced sampled-data synchronization control for
complex Information 2017.12.
delays dynamical networks with coupling time-varying Sciences
1-2 ACCESS Augmented
Stability
Delays of Lyapunov-Krasovskii
Discrete Systems With Functional Approach to
Time-Varying IEEE ACCESS 2017.12.
1-3 JFI Advanced
time-varyingstability
delays criteria for linear systems with
Journal of the 2018.01.
Franklin Institute
2-1 AML Generalized integral inequality: Application to time-delay Applied 2018.03.
systems Mathematics Letters
2-2 IJSS Finite-time robust passive stochastic a class ofdynamical International Journal
control for complex
switched reaction-diffusion
networks with coupling delays and impulsive control of Systems Science 2018.03.
Decentralized Event-triggered StabilitywithAnalysis of International Journal of
2-3 JCAS Neutral-type BAM Neural Networks
Jump Parameters and Mixed Time Varying Delays Markovian Control Automation, 2018.06.
Systems
2-4 TCBN Closeness-Centrality-Based
Complex Dynamical Networks Synchronization
With Interval Criteria for IEEE Transactions 2018.07.
Time-Varying Coupling Delays on Cybernetics
Robust International Journal of
2-5 JCAS NetworksH with
infinite Performance
Uncertainty and ofTime-varying
Discrete-timeDelayNeural Control Automation, 2018.08.
Systems
A Katz-centrality-based Protocol Design for Journal of the
2-6 JFI Leader-Following
Multi-Agent Systems Formation of Discrete-Time
with Communication Delays Franklin Institute 2018.09.
2-7 NN Finite-time
networks
saturation
synchronization
subject to Markovian of stochastic
switching coupled
and neural
input Neural Networks 2018.09.
2-8 JFI Fuzzy
systemssliding mode controldelay design of Markovian jump Journal of the
with time-varying Franklin Institute 2018.09.
Enhanced stability criteria ofgeneralized
neural networks with Journal of the
time-varying delays
matrix integral inequalityvia a free-weighting Franklin Institute 2018.09.
2-9 NN Passivity and delays
time-varying stabilityvia
matrices integral inequality
analysis
extended of free-weighting
neural networks with
Neural Networks 2018.10.
2-10 ACCESS Sampling
consensus effect
protocolon ofsecondary control
multi-agent of microgrids via
systems IEEE ACCESS 2018.12.
2-11 ND Synchronization
network
saturationwith randomof fractional-order
coupling delay,complex
actuatordynamical
faults and Nonlinear Dynamics 2018.12.
Communications in
3-1 CNSNS Synchronization
randomly occurringcriteria for delayedcontroller
sampled-data Lur’e systems
gain and Nonlinear Science and 2019.03.
Numerical Simulation
3-2 IJSS Decentralised
for event-triggered
semi-Markovian
leakage jump delayed
delay and randomly occurringneural networks with International
impulsive synchronisation
uncertainties
Journal
of Systems Science 2019.08.
International Journal of
3-3 JCAS Improved
Networks Synchronization
with Sampled-data
Actuator Saturation
Criteria for Chaotic
Control Subject Neural
to Control Automation, 2019.09.
Systems
3-4 JFI Asystems
sampled-data
using ancontrol problem of neural-network-based Journal of the 2019.10.
improved free-matrix-based inequality Franklin Institute
Finite-time
systems withboundedness of interval
actuatortype-2
faultsfuzzy
Journal of the 2019.10.
time delay and Franklin Institute
3-5 Submit Fault estimation
dynamical networksandwith
synchronization
time-varyingcontrol for complex
coupling delay 심사중
- 7 -
표 2. 연구 성과 우수성
출판된 저널(논문수) 출판년도* IF 상위 % 주제 분류별 순위
Applied Mathematics Letters(1) 2018 2.462 5.36
in AM 14 / 252
2019
Communications in Nonlinear Science and Numerical Simulation(1) 3.967 0.91
in MP 1 / 55
IEEE ACCESS(2)
2017 3.244 18.15
in CS 27 / 146
2018 3.557 15.88
in CS 24 / 148
IEEE Transactions on Cybernetics(1) 2018 8.803 0.81
in AC 1 / 62
International Journal of Control, Automation and Systems(3)
2018 2.173 46.72
in AC 29 / 61
2019 2.181 50.81
in AC 32 / 62
International Journal of Systems Science(2) 2018 2.185 22.82
in CM 24 / 103
2019 2.469 28.84
in CM 30 / 104
Information Science(1) 2017 4.832 4.45
in CS 7 / 146
Journal of the Franklin Institute(6) 2018 3.576 4.37
in MA 5 / 103
2019 3.653 6.19
in MA 7 / 105
Nonlinear Dynamics(1) 2018 4.339 5.60
in M 8 / 134
Neural Networks(2) 2018 7.197 4.92
in CI 7 / 132
주제 분류 : AM (APPLIED MATHEMATICS), MP (MATHEMATICAL PHYSICS), CS (COMPUTER SCIENCE,
INFORMATION SYSTEMS), AC (AUTOMATION & CONTROL SYSTEMS), CM (COMPUTER SCIENCE, THEORY &
METHOD), MA (MATHEMATICS, INTERDISCIPLINARY APPLICATIONS), M (MECHANICS), CI (COMPUTER
SCIENCE, ARTIFICIAL INTELLIGENCE)
* 출판년도(전년도 JCR 기준, 예-출판년도 2018.09. JCR 2017년 기준)
2-1. 현재까지 진행된 동역학적 모델
아래에 제시한 5가지 동역학적 모델은 1-3차년도 동안 연구가 진행된 성과로서 모델에
대한 간략한 소개는 다음과 같음
가. N개의 동일한 노드로 구성한 결합지연을 갖는 마르코비안 점핑(Markovian Jumping)의
불확실한 확률적 특성을 지닌 복잡한 동적 시스템 모델링 [2-2 IJSS]
⋅ 본 모델들은 복잡한 동적 시스템에 1차년도 연구 내용인 불확실성을 고려하여 보다 자
연지능 모델링과 가깝게 설계
⋅ 특히, 마르코비안 점핑의 확률적 특성을 추가와 N개의 노드 간 발생하는 결합지연을 고
려함으로써 새로운 형태의 모델을 제시
나. 분산형(Decentralized) 이벤트-트리거 개념을 복합 시간 지연과 마르코비안 점핑 파라미

- 8 -
터를 갖는 불확실한 중립형 양방향 연관 기억 신경 네트워크 모델링 [2-3 JCAS]

⋅ 본 모델들은 중립형 양방향 연관 기억 신경 네트워크 내 복합 시간 지연으로 발생하게
되는 모델의 불안정을 극복하고자 분산형 이벤트-트리거 개념을 활용
⋅ 특히, 1차년도에서 연구내용인 불확실성과 2차년도 연구내용인 이벤트-트리거 개념을
접목하여 새로운 형태의 모델을 제시
다. 불확실성과 시변지연을 고려한 이산시간 신경망 모델링 [2-5 JCAS]

⋅ 본 모델들은 불확실성과 시변지연을 고려한 이산시간 신경망 모델을 제시함으로써 5차
년도 연구 내용인 이산시간 모델로의 확장에 기본이 되고자 함
라. 분산형(Decentralized) 이벤트-트리거 충동 동기화를 위한 마르코비안 신경망 모델링

[3-2 IJSS]
⋅ 본 모델들은 기본적인 신경망 모델을 활용하여 확률적 특성인 마르코비안 개념을 접목
하여 확률적 특성을 가진 신경망 모델링
⋅ 특히, 해당 모델의 동기화를 위해 이벤트-트리거 개념을 접목
마. 고장 추정을 통한 복잡한 동적 네트워크 모델링 [3-5 심사중]

⋅ 본 모델들은 시변 지연을 고려한 복잡한 동적 네트워크에 엑츄에이터 고장을 고려한 고
장 추정의 개념을 접목
⋅ 이는 고장 신호와 측정된 신호 간 발생하게 되는 오차를 이용하여 복잡한 동적 네트워
크의 동기화 조건을 제시
- 9 -
2-2. 1차년도 연구 수행 내용 및 성과
연구 목표
자연지능 모델에서의 불확실성 및 외란에 대한 분석 방안 제시
계획된 세부 연구 내용 실행된 연구 성과 달성도
불확실성이 고려된 모델에 2-2 IJSS 100 [%]
대한 분석 방안 2-5 IJCAS
외란이 고려된 모델에 2-5 IJCAS 100 [%]
대한 분석 방안
1-1 INS
안정성에 대한 1-2 IEEE ACCESS 100 [%]
새로운 해석 기법 개발
1-3 JFI
가. 연구 목표 : 자연지능 모델에서의 불확실성 및 외란에 대한 분석 방안 제시
나. 주요 연구 내용
· 기존의 뉴럴 네트워크(neural network) 및 유전학 네트워크(genetics network)을 기반으
로 하여 시간 지연을 고려한 시스템은 다음과 같이 표현
                       . (1)
여기서,    ∈ ℝ 는 뉴런의 상태 벡터(neuron state vector)이고,     ∈ ℝ 는 뉴런의
 
활동 함수 벡터(neuron activation function vector),  은 뉴럴 네트워크에서 뉴런의 수를

의미. 이 때 시스템 행렬인  ,  와  에 불확실성의 개념을 추가하여 다음과 같이 시
스템을 표현.
      ∆         ∆          ∆          . (2)
시변에 따른 불확실성을 나타내는 행렬을 ∆   ∆   ∆            와 같이   
정의. 여기에서       는 적절한 차원을 갖는 미리 알려진 실수를 원소로 하는 상

  
수행렬이고,   는      ≤  를 만족하는 행렬

· 또한, 실제 시스템에서는 외란이나 노이즈가 항상 존재하기 때문에 이러한 요소들이 시

스템의 불안정성을 야기하거나 성능을 악화. 따라서 외란이나 노이즈에 의한 영향을 줄이
는 것은 시스템 성능측면에서는 매우 중요. 위의 네트워크 (2)에서 외란 및 노이즈 발생
했을 경우를 고려하여 다음과 같이 시스템을 표현
     
           
                (3)
      (4)
여기서,                    와  는 제어 입력 벡터,  는 출력 벡
터,   는 외란 입력 벡터이며, H∞ 제어 이론을 이용하여 네트워크 (3)의 점근적인 안정
화 조건 유도
- 10 -
다. 주요 연구 개발 성과
(1) [2-2 IJSS] N개의 동일한 노드로 구성한 결합지연을 갖는 마르코비안 점핑(Markovian
Jumping)의 불확실한 확률적 특성을 지닌 복잡한 동적 시스템의 모델링
        ∇                             
 
         ⊗       ⊗               
 
   

     
                  ≠  , ,
,       ,    .
 

                  
이때, 불확실한 변수 행렬은 , ,...,

     ∆       ∆       ∆  과 같다. 불확
실한 변수를  ∆ ∆ ∆      ∆ ∆ ∆  로 정의
       
· 주요내용 : 마르코비안 점핑의 불확실한 확률적 특성을 가진 복잡한 동적 시스템의 동

기화 조건을 유도
· 결과 : 간단한 수치예제를 통해 제안한 조건을 유효성 판단
그림 7. 3 node -시스템의 상태 궤적
(2) [2-5 JCAS] 1차년도 연구 내용인 외란을 고려한 모델에 대한 분석을 이산시간
(Discrete-time) 모델로 확장하여 불확실성과 시변지연을 고려한 이산시간 신경망 모델을
제시
                       ,

     ,     
이때, , , 과 는 각각 뉴런의 상태 벡터, 입력 벡터, 출력 벡터와 외부 외

란 신호를 의미. 시간 지연 는  ≤ ≤  를 만족.     ∆ ,  
    ∆   ,     ∆   ,     ∆   로 시스템의 불확실성을 나타냈고,

  
- 11 -
시변 행렬들인 ∆ ,∆ ,∆ ,∆ 는 아래와 같이 가정.


 ∆   ∆   ∆   ∆                .

    
여기서,  , ,…, 는 알고 있는 상수 행렬들이며, 는   ≤ 를 만족하는 시 
변 행렬함수
 
· 주요내용 : 마르코비안 점핑의 불확실한 확률적 특성을 가진 복잡한 동적 시스템의 동

· 결과 : 간단한 수치예제를 통해 제안한 조건을 유효성 판단
표 3. 주어진  에 따른 이산지연 최대값

 2 4 6 8
논문 [2] 11 11 12 13

논문 [3] 11 12 13 14
논문 [4] 13 15 17 19
논문 [5] 20 21 23 23
논문 [6] - 20 20 21
논문 [7] - 20 25 28
제안된 방법 16 21 27 29
라. 기타 연구 개발 성과
(1) [1-1 INS] 시변지연이 고려한 복잡 동적 시스템에 대한 샘플 데이터 제어
(Sampled-data control) 기반으로 한 동기화 기법 제안을 위해 아래와 같은 시스템을 제
시
.
 
     
   

    

        
· 주요내용 : 복잡한 동적 시스템을  와 동기화를 위해   를 정의하
고 샘플 데이터 제어기법을 이용. 기존의 선형 시스템 안정성 조건을 유도할 때 사용되는
리아프노프 함수를 바탕으로 지연에 의존하는 새로운 리아프노프 함수 제안을 통해 기존
의 결과보다 향상된 동기화 기법을 유도
· 결과
표 4. 결합 정도 c의 변화에 따른 샘플 데이터 구간의 최대값
결합 정도 c 0.5 0.75
논문 [8] 0.5409 0.1633
논문 [9] 0.5573 0.2277
논문 [10] 0.9016 0.8957
논문 [11] 1.3956 1.2351
논문 [12] 1.3978 1.2619
제안된 방법 1.4979 1.4645
- 12 -
그림 8. s(t), r(t)와 u(t)의 상태 궤적

(2) [1-2 ACCESS] 이산시간 지연 시스템         에 대한 향상된 안정 
성 판별법 제안
· 주요내용 : 시변 지연을 갖는 시스템의 안정성 판별을 위해 새로운 리아프노프 함수 제
안을 통해 기존의 결과보다 향상된 기법을 제안
· 제안한 리아프노프 함수
     
  
      
     
 
   
         
   
         
           ∆   ∆  

  
   
   

∆  
 
∆  
         
           
 
        
  
       

                 
 
       


 
       


                   

   

   


∆  
   
 
∆  
 



∆  
   
 
∆  


 



      
 
  
∆  
∆  
 
∆  

 
  
∆  



         
   
        
 
      


∆  
   
 
∆  
 



∆  
   
 
∆  
.

- 13 -
· 결과
표 5. 시간 지연의 상한 값
 10 20 30 40 50
논문 [13] 44 67 77 85 89
논문 [14] 61 90 111 126 137
논문 [15] 74 97 116 129 140
논문 [16] 61 94 121 143 153
논문 [17] 65 97 124 144 155
제안된 방법 108 128 139 150 158
(3) [1-3 JFI] 연속 시간 지연 시스템       에 대한 향상된 안정성 판별 
법 제안
· 주요내용 : 시변 지연을 가진 선형 시스템의 안정화를 위하여 아래와 같은 새로운 리아
프노프 함수 제안하였으며 기존의 결과보다 향상된 안정화 기법 유도
· 제안된 리아프노프 함수
           
     
       
   
    
     
  

  
     
 
     

     
        
   
 
     
  
     
   
 
   
 


 

 

 
 
 

           
     

   
 
· 결과
표 6. 시스템의 안정성을 보장하는 시간 지연의 상한 값
 0
 0.1 0.5 Unknown
논문 [18] 6.0593 4.7046 2.403 2.1130
논문 [19] 6.168 4.753 2.429 2.182
제안된 방법 6.1689 4.7947 2.5342 2.2540
- 14 -
연구 목표
정밀한 뇌 질환 검출을 위한 고장 검출 및 이벤트-트리거 개념 접목 방안 제시
뇌질환 검출을 위한 고장 검출 개념 접목 2-11 ND 100 [%]
방법 개발 3-5 심사중
뇌질환 치료 범위의 정확한 선정을 위한 2-3 JCAS
이벤트-트리거 개념 접목 방법 개발 100 [%]
3-2 IJSS
2-1 AML
2-4 CYBN
2-6 JFI
안정성에 대한 2-7 NN 100 [%]
2-8 JFI
2-9 NN
2-10 ACCESS
가. 연구 목표 : 정밀한 뇌 질환 검출을 위한 고장 검출 및 이벤트-트리거 개념 접목
방안 제시
‐
나. 주요 연구 내용
· 1차년도 연구내용에서 활용한 뉴럴 네트워크 모델 (3)을 기반으로 하여 고장 검출의 개
념을 통해 확장. 이때, 고장 검출을 특정 뉴런이나 변이된 locus을 찾기 위해 다음과 같
은 개념을 활용하며, 네트워크는 다음과 같이 표현
                               . (5)
여기서,    ∈ ℝ 는 감지되는 고장 신호 벡터(fault signal to be detected)를 의미하며,

행렬  는 고장신호의 특성. 이때 출력 벡터는     로 정의 되며, 고장 기준 신호

는  로 정의하며, 이 두 신호의 차(         )에 의해서 고장이 발생한 부분 검
출이라 함
· 또한, 실제 네트워크에서는 데이터를 전송하기 위해 제한된 대역폭(limited bandwidth)의
문제를 해결하기 위해 최근에는 이벤트-트리거 방법(event-triggered scheme)을 많이 활
용. 집중형 이벤트-트리거 방법(centralized event-triggered scheme)과 분산형 이벤트-트
리거 방법(decentralized event-triggered scheme), 크게 두 가지의 형태로 정의할 수 있
으며, 이 방법들을 적절히 활용하여 우리가 찾은 고장 지점, 즉 뇌 질환 부분에 적용을
할 수 있는 정보를 얻음
- 15 -
(1) [2-3 JCAS] 뇌질환 검출 정확성을 위한 분산형(Decentralized) 이벤트-트리거 개념을
복합 시간 지연과 마르코비안 점핑 파라미터를 갖는 불확실한 중립형 양방향 연관 기억
신경 네트워크 시스템에 적용 하여 모델링

                    
             

                      
            
이때, 와 는 n개 뉴런의 상태 벡터를 의미하며, 와 는 노드 활동 함수

를 의미.     ∆ ,    ∆ ,…,    ∆ 이며, 이때,  와  는
          
양의 성분을 가진 대각행렬들이고  와  는 연결 가중치 행렬. 시간 지연 와 는  
 ≤ ≤  ,   ≤  와  ≤  ≤  ,   ≤  를 만족.  ,  ,  ,  ,  와  는 시간지연과

       
연결된 가중치 행렬들이고, 와 는 뉴런에 외부 입력 벡터들이다. 시변 행렬들인

∆   ,…, ∆   는 아래와 같이 가정.
 
 ∆   ∆   ∆  ∆   ∆   ∆   ∆   ∆   ∆   ∆   
                         
여기서,  , ,…, 는 알고 있는 상수 행렬들이며,

     는     ≤  를 만족하는
시변 행렬함수
· 주요내용 : 이벤트-트리거 개념을 통하여 위 시스템의 동기화를 얻고자 하였다. 아래와
같이 이벤트-트리거를 제안.

            ⋯       ∈      

             ⋯       ∈       
이때,  와  는 제어기 이득행렬이며, 이벤트-트리거 세부사항을 아래와 같음


   max
        min max     ≥   ,
      

                  

 

   


   max
       .
     

    
또한, 간단한 수치예제를 통해 제안한 조건의 유효성을 확인

· 결과
- 16 -
그림 9. 두 가지 모델의 시스템의 상태 궤적 x(t)와 y(t)

(2) [2-11 ND] 랜덤한 결합 지연과 엑츄에이터 고장 및 포화상태를 고려한 복잡한 동적 시
스템 모델을 제시

                                  
이때,  와  는 각각 i번째 상태 벡터와 입력 제어 벡터를 의미하며,      
   
는 노드의 동적특성을 의미하는 비선형 연속함수.  는 상태 지연 상수, 는 베르누이

확률분포 변수, 는 결합된 시변 지연을 의미.  ,     과     은 시스템   ×    × 
상태 행렬, 내부 결합된 행렬, 외부 결합된 구성 행렬을 각각 의미한다. 즉, 노드 i와 j가

연결되면(   ), 연결되지 않았다면(   )이 되며, 대각성분인   
  를 만족.
 

    ≠  
또한,  는 제어 입력의 포화 상태를 의미


· 주요내용 : 에러 동적 시스템을 유도하여 엑츄에이터의 고장 및 포화상태를 고려한 안

정화 조건 유도. 고립된 노드        와 위 노드간의 차를 통하여
 

아래의 식을 도출

                                       
- 17 -
· 결과
그림 10. 에러 시스템의 상태궤적

(3) [3-2 IJSS] 시간 지연과 시스템의 불확실성을 고려한 마르코비안 신경망에 대한 분산형
이벤트-트리거 충동 동기화 문제에 대하여 연구하였으며, 아래와 같은 모델을 제시.
                     

               
     
          
                       

               
 
      
각각의 시스템 동기화를 위해   를 정의하고 오차(Error) 시스템을 유도.

                    
   
   
위에 얻어진 시스템의 이벤트-트리거 충동 동기화 문제를 위해 리아프노프 활용하여 동

- 18 -
· 결과
그림 11. 오차 시스템의 상태 궤적 및 이벤트-트리거 신호 궤적
(1) [2-1 AML] 시간 지연 시스템             에 대한 안정성  

 
조건을 제시. 리아프노프 함수를 통하여 시스템 안정화 조건 유도에 필요한 새로운 적분
부등식을 제안.
,

        ≥     
  
 
   ⊗     ⊗      ⊗  
  
여기서,         


              
  

         
,               ,
,  
     

 


.

  

   


   


  
새롭게 제안한 적분 부등식을 활용하여 기존 논문에서 제시한 리아프노프 함수에 적용

하여 시스템 안정화 조건을 유도. 아래의 표와 같이 기존에 제안된 조건들보다 우수함을
표를 통해 확인
방법 논문 [20] 논문 [21] 논문 [22] 논문 [23] 제안된 방법 이론 상한값
결과 6.1663 6.1664 6.172 6.1719 6.1719 6.1725
변수의 수 45 75 67 106 42 -
(2) [2-4 CYBN] 결합 시간지연이 고려된 복잡한 동적 네트워크를 근접 중심성 개념을 기
반으로 하여 새로운 형태의 동기화 기법 제안하였다. 이때 시스템을 다음과 같이 고려
      
        .

    
여기에서 N개의 결합된 노드를 가지며, 는 n-뉴런의 상태 벡터를 의미하며, 는
- 19 -
각각의 노드의 동적 특성을 표현하는 함수 벡터.  는 결합 정도를 나타내며 0보다 크다.

시변 지연 는  ≤  ≤ ≤  를 만족.     는 노드의 내부 결합 행렬로 의미
    × 
하며, 이때 노드 i와 j가 연결되면  ≠  를 의미한다.     는 네트워크의 외부 결    × 
합 행렬로 의미하며, 이때 노드 i와 j가 연결(     ), 그 밖의 상황(     )를 의    
미. 대각 행렬  는         와 같이 표현


    ≠  

    ≠  
· 주요내용 : 본 연구에서 제안하는 근접 중심성(Closeness Centrality) 개념을 접목하게

되면 외부 결합행렬은 변경됨. 각 노드의 근접 중심성은 각 노드의 중요도를 나타내며,
 와 같이 표현. 이때, 는 i번 노드에서 j번 노드의 최단거리를 의미. 또

       ≠  


한, 이 아닌 
        로 바뀌게 됨. 새롭게 제안한 방법을 활용하
          
여 아래의 표와 같이 기존에 제안된 조건들보다 우수함을 표를 통해 확인

· 결과
그림 12와 같이 5-nodes 그래프 구조가 구성되어 있다면, 외부 결합 행렬( )는 근접 중심
성 개념을 통해  로 변화 하게 된다. 
      

    
     
    
      

       
 

    
         
      
      

그림 12. 5-nodes 그래프 구조
논문 [24] 논문 [25] 논문 [26] 제안된 방법
c=0.3    1.354 1.394 1.454 3.876
1.389 1.396 1.535 4.031

  
0.731 0.739 0.738 1.515

c=0.5   
 

 
 0.740 0.740 0.770 1.231
- 20 -
그림 13. 근접 중심성 개념을 통한 시스템 상태 궤적
(3) [2-6 JFI] 전송 지연에 따른 이산 시간 다개체 시스템을 Katz 중심성을 고려하여 새로

운 형태의 프로토콜 설계 제안. 이때 시스템은 다음과 같음.
                  
여기에서 N개의 에이전트를 가지며,  ,  ,  과  는 각각 i번째 에이전트의
   
위치, 속도, 일치 프로토콜과 외부 신호를 의미.  는 샘플링 구간을 의미하며  ≤  ≤  를

만족. Katz 중심성은 고유벡터 중심성의 한계 중 하나인 방향성 비순환 그래프와 같이 특
별한 경우에 중심성이 0이 나오는 경우가 발생. 이 부분을 보완하고자 모든 노드 중심성
에 특정 값을 더하는 방식,               
· 결과
표 9. 각 프로토콜 방법에 따른 라플라시안 행렬( ) 값
기본              
                      

    
       
      
                 
(4) [2-7 NN] N개의 동일한 노드로 구성한 랜덤한 결합지연을 갖는 마르코비안 점핑
(Markovian Jumping)의 불확실한 확률적 특성을 지닌 신경망의 모델링
 
                      
         
 
  
 
    
 

  
 
    
 
            
    
             .

- 21 -


                    



     
 
       

.
이때,  와 는 결합된 i번째 노드 상태 벡터와 고립된 신경망 상태벡터를 의미. 또

한,  , , ,  은 시스템행렬이며,  , ,   와  는
  
각각 신경활성화함수, 외부 입력, 입력벡터와 포화 함수를 의미.

· 주요내용 : 랜덤한 결합지연을 갖는 마르코비안 점핑의 불확실한 확률적 특성을 지닌
신경망의 동기화 조건 연구. 이때, 시간 지연에 의존하는 변환 Lypunov-Krasovskii
functionals를 활용하여 제어 입력의 포화 유무에 따른 동기화 조건을 제시. 수치예제를
통하여 제어 입력 포화 유무에 따른 결과를 분석.
· 결과
그림 14. 포화된 제어기에 따른 시스템 및 고립된 신경망 모델의 상태 궤적
그림 15. 포화된 제어기 탈락에 따른 시스템 및 고립된 신경망 모델의 상태 궤적
- 22 -
(5) [2-8 JFI] 시간 지연을 고려한 신경망에 대한 향상된 안정성 판별법 제안

· 주요내용 : 일반적인 신경망 회로           에 대한
   
안정성 조건을 제시. 논문에서 제안한 리아프노프 함수와 본 연구팀의 기존 성과인 영등

식을 활용하여, 기존에 제안된 조건들보다 덜 보수적인 안정화 조건을 유도. 표 10, 그림
16를 통해 제안된 조건의 우수성 및 유효성을 확인
표 10. 다른 ≤  에 따른 시스템의 안정성을 보장하는 시간 지연의 상한 값

방법       unknown 

  
논문 [27] 3.7174 2.8339 2.8222

논문 [28] 4.0918 2.5895 -
논문 [29] 4.5940 3.4671 3.4504
논문 [30] 4.8167 3.4245 3.4011
논문 [31] 5.0945 3.4978 3.4506
논문 [32] 5.3611 3.6708 3.5724
제안된 방법 6.5594 4.0528 3.5501
그림 16. 시스템의 상태 궤적 x(t)
(6) [2-9 NN] 확장된 free-weighting행렬 적분 부등식을 통한 시간지연이 고려된 신경망의

안정성 판별법 제안. 시스템은 다음과 같음.
    ∆      ∆        ∆         
            
· 주요내용 : 확장된 free-weighting행렬 적분 부등식을 새롭게 제안함으로써 기존의 연

구 결과들과 비교를 통해 우월성을 입증. 새롭게 제안하는 적분 부등식은 아래와 같음.
         
 

 
    ≤                            
 
여기서,  는 벡터,    , 




 


   
  
   ,

 
- 23 -
           를 의미. 이를 활용하여

     
 
      
    
 

     
제안한 리아프노프 함수를 안정성 판별에 기존보다 우수한 결과를 입증

· 결과
표 11. 다양한  에 따른 시간 지연의 상한 값

  0.3 0.5 0.7 0.9 Unknown

논문 [33] 0.4197 0.4145 0.4117 0.4082 0.3994
논문 [34] 0.5624 0.5580 0.5565 0.5523 0.5420
논문 [35] 0.5763 0.5679 0.5566 0.5273 0.5129
논문 [36] 0.8187 0.7581 0.7029 0.6380 0.6059
논문 [37] 1.1921 1.1590 1.1297 1.1081 1.1008
논문 [38] 1.9091 1.9005 1.8956 1.8911 1.8873
논문 [39] 2.1350 2.0543 1.9154 1.9073 1.9070
논문 [40] 2.3290 2.2442 2.1718 2.1335 2.1209
논문 [41] 2.4115 2.3112 2.2339 2.1907 2.1863
제안된 방법 2.9308 2.6657 2.4990 2.3830 2.3343
(7) [2-10 ACCESS] 다개체 시스템의 일치 프로토콜을 통한 마이크로그리드의 샘플 데이터
2차 제어기 설계
⋅ 주요내용 : 마이크로 그리드에서 각각의 분산전원을 다개체 시스템의 개체로 정의. 다
개체 시스템에서 각각 개체의 일치를 목적으로   ⊗  ⊗  로 시스 
템을 표현. 여기에서, 상태 변수 는 개체의 전압과 정격 전압 및 주파수와 정격 주파

수의 차의 형태로 구성. 리아프노프 함수를 통해 얻은 일치 조건을 활용하여 그림 17과
표 12의 정보를 이용하여 제안한 일치 조건의 타당함을 확인.
· 결과
아래 그림 17과 같이 3-DG 네트워크가 구성 시, 각각 DG의 연결에 따른 라플라시안 행
렬( )의 구조는 아래와 같다.
    

     
     
표 12. 그림 1의 DG 정보 흐름의 순서쌍

DG 1 DG 2 DG 3
(1, 2) (2, 3) (3, 1) and (3, 2)
그림 17. 3-DG 네트워크 (i, j)는 DG i → j
- 24 -
(a) (b)
(c)
그림 18. 샘플링 시간에 따른 DG 1의 전압 상태 벡터
(a)  , (b)  , (c)  ,
  
- 25 -
연구 목표
뇌 질환 상태 추정 및 치료 방안
상태 추정 개념을 활용한 3-5 심사중
뇌질환 상태 추정 방법 개발
심도있는 연구 결과 도출을 위하여 100 [%]
인위적 조절 개념을 통한 비 ‘3-3. 목표 미달성시 원인(사유) 및
뇌질환 치료 방법 개발 고 차후대책(후속연구의 필요성 등)’에
추가로 진행할 연구 내용을 언급함.
3-1 CNSNS
안정성에 대한 3-3 IJCAS 100 [%]
3-4 JFI
가. 연구 목표 : 뇌 질환 상태 추정 및 치료 방안
나. 전반적 연구 내용
· 2차년도 연구내용을 기반으로 하여 3차년도에서는 고장 검출의 개념에 상태 추정(state
estimation) 개념을 접목을 목표. 고장 검출을 특정 뉴런이나 변이된 locus을 찾기 위해
상태 추정 이론을 활용뿐만 아니라 기본 네트워크 행렬의 작은 변동에도 잘 대처. 이때
네트워크는 다음과 같이 표현.
            
           (6)
         
   (7)
여기서,  는 기준 상태 벡터(reference state vector).  은 제어기 값을 의미
· 하지만, 네트워크를 설계 시에 우리가 얻은 제어기 값을 정확하게 설계하는 것은 어렵기
때문에 이를 보완하기 위해 인위적인 조정(artificial regulation)을 통해 좀 더 실제와 유
사하게 설계하고자 한다. 위 개념을 적용하기 위해서 네트워크 (6)을 다음과 같이 표현.
     
           
                ∆      (8)
여기서, 시간변화에 따른 불확실성을 나타내는 행렬은 ∆       로 정의하고, 
   는 적절한 차원을 갖는 알고 있는 실수의 상수행렬이고,    는      ≤  를 만 
족하는 불확실한 행렬

- 26 -
(1) [3-5 심사중] 시변 지연을 고려한 복잡한 동적 네트워크에 고장 추종을 통한 동기화를
위해 아래와 같은 시스템 모델을 제시.
,
 
        
      
 
       
 
                
     .
이때,  개의 노드를 가지며,  ,  ,  와  는 각각 상태 벡터, 엑츄에이터 고장


  
을 고려한 입력 제어, 고장 신호와 측정된 출력 신호를 의미하며,   는 노드의 동적 
특성을 의미하는 비선형 연속함수
(1) [3-1 CNSNS] 시간 지연이 있는 비선형 시스템인 루어 시스템의 샘플 데이터 동기화
문제에 대해 연구하였으며 시스템은 아래와 같음.
  
        
                 
  
  
          
                 
   
             ≤      
· 주요내용 : 제안한 리아프노프 함수를 통하여 Master 시스템과 Slave 시스템의 동기화
조건을 도출. 간단한 수치예제를 통해 기존연구들 보다 본 연구 결과의 우수성을 확인
· 결과
표 13.    일 때, 시스템의 안정성을 보장하는 시간 지연의 상한 값
방법 
논문 [42] 0.34

논문 [43] 0.48
논문 [44] 0.5144
논문 [45] 0.5147
논문 [46] 0.5218
논문 [47] 0.5309
논문 [48] 0.5342
논문 [49] 0.5368
논문 [50] 0.5463
제안된 방법 0.5830
- 27 -
그림 19. 에러 시스템의 상태 궤적
(2) [3-3 JCAS] 샘플 데이터 제어의 포화를 고려한 혼돈 신경망을 다음과 같이 제시.
              ≤      
· 주요내용 : 아래의 리아프노프 함수를 통하여 샘플 데이터 제어의 포화를 고려한 혼동

신경망의 안정화 조건을 도출. 간단한 수치예제를 통해 기존연구들 보다 본 연구 결과의
우수성을 확인
· 제안한 리아프노프 함수
               
         
      
  
      
    

    
 
              
 
 
                  
   
       
       
    
                   
    

          


 

 

      .
· 결과
표 14. 포화 레벨           일 때, 각각의 시간 지연의 상한 값에 따른  m ax
 0.2 0.3 0.4 0.5 0.6

논문 [51] 0.7512 0.7353 0.7106 0.6684 -
논문 [52] 0.8102 0.8004 0.7802 0.7366 0.5350
제안된 방법 0.8140 0.8080 0.7897 0.7506 0.5978
- 28 -
그림 20. 본 연구 성과와 기존 성과와의 안정성 결과 비교
(3) [3-4 JFI] 비선형 연속 시간 시스템          에 대한
 
    
    
안정성 조건을 제시. 이때 최대 샘플링 간격과 제어기 설계를 위해 새로운 리아프노프 함

수 및 안정화 조건 유도에 필요한 새로운 적분 부등식을 제안.
       ≤              ,


  

여기서, 
  

  
,
                             

,
              ,
    
   

        
   
        .

    
         
   
새롭게 제안한 적분 부등식을 활용하여 기존 논문에서 제시한 리아프노프 함수에 적용

하여 시스템 안정화 조건을 유도. 아래의 표와 같이 기존에 제안된 조건들보다 우수함을
표를 통해 확인
표 15. 시스템의 안정성을 보장하는 최대 샘플링 값
방법 논문 [53] 논문 [54] 논문 [55] 논문 [56] 제안된 방법
결과 0.0662 0.1093 0.1479 0.1740 0.3313
- 29 -
3. 목표 달성도 및 관련 분야 기여도
3-1. 목표
선정연도 협약용 연구계획서 상의 본 연구의 목표는 아래와 같이 제시함
- 30 -
3-2. 목표 달성여부
본 연구의 목표는 관련 연구 분야 기술선점을 통한 국가 경쟁력 강화를 위하여 총 연구
기간인 3년 동안 5편 이상의 논문을 SCI급 국제저명학술지에 게재하는 것이 최종 목표
로 1~3차년도 동안 총 20편을 게재 완료(이 중 JCR 상위 10% 이내 13편) 및 1편 투고
상태로 정량적인 연구 성과는 400% 초과 달성함
SCI급 유명 학술지 게재
연차
연구 목표(편) 연구 성과(편) 달성도(%) (JCR 상위비고10% 이내)
1차년도 1 3 300 % 2편 게재
2차년도 2 12 600 % 8편 게재
3차년도 2 5 250 % 3편 게재
가. 연구개발의 최종목표 및 연차별 연구개발 목표 및 내용

※ (가)과 (나)의 내용은 반드시 선정연도 협약용 연구계획서에 기재된 것이어야 함.
본 연구개발의 최종목표는 3-가.에 제시된 바와 같이 총 연구기간인 3년 동안 5편 이상의
논문을 SCI급 국제저명학술지에 게재하는 것으로 관련 연구 분야 기술선점을 통한 국가 경
쟁력 강화하는 것임
구분 연구개발 목표 연구개발 내용 및 범위
· 다양한 형태로의 불확실성 및 외란에 대한 수학적
1차 자연지능 모델에서의 불확실성 모델 수립
년도 및 외란에 대한 분석 방안
· 안정성에 대한 새로운 해석 기법 개발
· 뇌질환 검출을 위한 고장 검출 개념 접목 방법 개
정밀한 뇌질환 검출을 위한
2차 고장 검출 및 이벤트-트리거 개념 발
년도 접목 방안 · 뇌질환 치료 범위의 정확한 선정을 위한 이벤트-
트리거 개념 접목 방법 개발
· 제어공학에서의 상태 추정 개념을 활용한 뇌질환
3차 뇌질환 상태 추정 및 치료 방안 상태 추정 방법 개발
년도 · 제어공학에서의 인위적 조절 개념을 통한 뇌질환
치료 방법 개발
- 31 -
나. 계획대비 달성도(선정 시 제시된 연구목표)

선정연도 협약용 연구계획서의 ‘2-3. 세부연구의 목표, 내용 및 평가 착안점’ 에서 제시한
1~3차년도의 세부연구목표와 평가목표 및 착안점을 달성도의 기준이며, 달성내용에 해당하
는 논문 목록은 위의 ‘2. 연구수행내용 및 성과’ 표 1~2에 자세히 제시함.
번호 세부연구목표 달성내용 달성도(%)
1 불확실성 또는 외란이 고려된 모델에 JCR 상위 22.82% 1편 외 100
대한 분석 방안 총 2편 게재
2 뇌질환 검출을 위한 고장 검출 개념 접목 방법 JCR 상위 5.60% 1편 게재 100

개발
3 안정성에 대한 새로운 해석 기법 개발 JCR 상위 0.82% 1편 외 100

총 15편
4 뇌질환 치료 범위의 정확한 선정을 위한 JCR 상위 28.84% 1편 외 100

이벤트-트리거 개념 접목 방법 개발 총 2편 게재
상태 추정 개념을 활용한 뇌질환 상태 추정 및
5 인위적 SCI급 국제저명학술지 100
조절 개념을 통한 뇌질환 치료 방법 개발 심사중 1편
※ 선정연도 협약용기재
있을시 자세히 계획서에 기재된여부,
요망(승인 최종목표, 연구개발목표,
변정 전/후 연구개발
내용 비교표 등) 내용 및 범위, 세부연구목표의 변동이
다. 위 연구목표(총연구기간)에서 중요도 순으로 4∼5개 목표 추출 및 가중치 부여(세부

연구목표는 5개를 넘을 수 없으며, 총괄과제의 경우 세부과제의 내용을 포함하여 작
성)
번호 세부연구목표 가중치(%)
1 불확실성 및 외란이 고려된 모델에 대한 분석 방안 20
2 뇌질환 검출을 위한 고장 검출 개념 접목 방법 개발 20
3 안정성에 대한 새로운 해석 기법 개발 20
4 뇌질환 치료 범위의 정확한 선정을 위한 20
이벤트-트리거 개념 접목 방법 개발
5 상태 추정 개념을 활용한 뇌질환 상태 추정 20
및 인위적 조절 개념을 통한 뇌질환 치료 방법 개발
계 100
- 32 -
3-3. 목표 미달성시 원인(사유) 및 차후대책(후속연구의 필요성

등)
본 연구의 1~3차년도 세부 연구목표는 3-2 (4).와 같이 5개의 항목을 기준으로 연구함. 이
전 연구 내용을 바탕으로 하여 4~5차년도 연구를 연속적으로 수행하도록 계획함.
l 4차년도 세부 연구목표 중 ‘자연지능 모델의 노이즈 해결’을 3차년도 세부 연구 목표인
‘뇌질환 치료 방법 개발’과 융합하여 연구가 가능하리라 판단이 됨.
l 또한, 1~3 차년도 연구 성과를 기반으로 5차년도 세부 연구목표인 ‘다수 결합형태로의
해석과 이산시간 모델로의 확장 방안’에 접목할 계획임.
- 33 -
4. 연구개발성과의 활용 계획 등
4-1. 연구개발 결과의 활용방안
가. 자연지능 및 뇌질환 특성에 대한 모델링을 통해 인공신경망 모델링 구축
‐ 실험을 통한 자료를 이용하여 자연지능 및 뇌질환 특성에 대하여 수학적 모델링을 할 수
있으며, 또한 실질적으로 뇌에서 발생하는 임의의 현상을 컴퓨터 네트워크 이론과 제어 이
론을 통해 표현 하므로 해서 좀 더 인간과 유사한 인공신경망을 표현 할 수 있음
나. 모델링을 기반으로 한 컴퓨터 네트워크 이론 및 제어 이론을 접목하여 새로운 안정
화 조건 제시
‐ 수학적 모델링을 기반으로 다양한 이론에 접목하여 새로운 안정화 조건을 얻을 수 있음.
또한 이를 통해 SCI(E)급 국제유명저널지에 투고함으로써 학문분야의 선도적 위상을 높일
수 있음
다. 뇌 질환에 관련 있는 locus의 정보를 이용한 예방 및 집중 치료
‐ 수학적인 확률 이론을 적용하므로 해서 특정 locus에 집중적으로 관찰함으로서 예방할 수
있으며, 질환이 발생 시 다른 유전자에는 영향을 적게 미칠 수 있게 모델링을 함으로서 특
정 locus에 집중 치료를 가능하게 할 수 있음
4-2. 연구개발 결과의 기대효과

구분 기대 효과
· 우리나라가 세계 최고의 뇌과학 연구 선두 국가로 도약하는 과학적 기반 마

련
· 인간의 자연지능 및 질환 연구를 수학적 모델링 구상을 통해 여러 가지 현
상에 대한 분석을 기대
· 수학적 모델링을 이용하여 컴퓨터 네트워크 이론 및 제어 이론을 접목하여
기술적 안정화 조건 등의 이론 분야의 확립 및 발전을 기대
측면 · 모델링을 이용하여 인공지능을 연결하는 돌파구가 마련되어 인공지능
(Artificial Intelligence) 기술의 혁신적 도약
· 뇌질환에 관련 locus을 찾아 예방 치료함으로 해서 의학기술의 지원도구로
사용을 기대
· AI 기술을 토대로 다양한 형태 또는 대규모의 의료 데이터 분석이 가능하여
이전보다 정밀한 진단으로 의료현장에 큰 파급력 예상
- 34 -
· Markets and Markets(2016)은 AI 헬스케어 세계 시장 규모는 약 800억원

규모에서 약 8,475억원 규모로 2020년에 성장할 것이라 예상
· 자연지능과 인공지능의 연결고리를 기반으로 의료기술과 의료기기 산업에
경제적 적용하여 이를 통해 산업 및 인력 인프라가 증가
⋅ · 뇌 질환을 예방 및 진단함으로써 기본적 치료비용 및 의료비 감소
산업적
측면 · 인공지능을 이용한 의료기술 개발로 인프라 낙후지역에 확대 적용이 가능하
여 복지혜택 확대
· 축적된 의료데이터를 기반으로 치료 가능한 질환의 조기 및 정밀 진단을 통
해 의료현장의 질 향상 및 의료비 절감을 추구
⇒ 종합하면 1-3차년도의 연구 성과를 바탕으로 다음 차년도의 연구 증진의 원동력과 아

래와 같은 효과를 기대.
· 자연지능 및 뇌질환 연구를 수학적 모델을 통해 여러 가지 현상에 분석 기대
· 컴퓨터 네트워크 이론 및 제어 이론을 접목을 통한 이론 분야의 확립 및 발전
· 인공지능의 연결하는 돌파구가 마련되어 인공지능 기술의 혁신적 도약
· 뇌질환에 관련 locus을 찾아 예방 치료함으로 의학기술의 지원도구로 사용
· 자연지능과 인공지능의 연결고리를 기반으로 의료기술과 의료기기 산업에 적용하여 이
를 통해 산업 및 인력 인프라 증가
· 뇌 질환을 예방 및 진단함으로써 기본적 치료비용 및 의료비 감소
· 인공지능을 이용한 의료기술 개발로 인프라 낙후지역에 확대 적용이 가능하여 복지혜
택 확대
- 35 -
붙임. 참고문헌
[1] Nature, Vol.539, 378-383, 2016.
[2] Physics Letter A, Vol.368, 134-145, 2007.
[3] Neurocomputing, Vol.72, No.1-3, pp.321-330, 2008.
[4] Nonlinear Analysis: Real World Applications, Vol. 11, No.1, pp.207-216, 2010.
[5] Neural Processing Letters, Vol.45, No.3, pp.939-965, 2017.
[6] Neural Computing and Applications, Vol.30, 3893-3904, 2017.
[7] IEEE Transactions on Cybernetics, Vol.47, No.10, 3040-3049, 2017.
[8] Neurocomputing, Vol.74, Iss.5, 805-811, 2011.
[9] Journal of the Franklin Institute, Vol. 349, Iss.9, 2735-2749, 2012.
[10] IEEE Transactions on Neural Network Learning Systems, Vol.24, Iss.8, 1177-1187, 2013.
[11] Nonlinear Dynamics, Vol.81, Iss.1-2, 931-938, 2015.
[12] ISA Transactions, Vol.63, 154-169, 2016.
[13] Journal of the Franklin Institute. Vol.350, 521-540, 2013.
[14] IEEE Transactions on Automatic Control, Vol.60, Iss.10, 2740-2745, 2015.
[15] Nonlinear Analysis-Hybrid Systems, Vol.23, 76-90, 2017.
[16] Automatica, Vol.78, 211-215, 2017.
[17] Journal of the Franklin Institute, Vol.352, Iss.12, 5810-5831, 2015.
[18] Journal of the Franklin Institute, Vol.351, 5386-5398, 2014.
[19] Automatica, Vol.60, 189-192, 2016.
[20] Applied Mathematics Letters, Vol.65, 26–31, 2017.
[21] Automatica, Vol.60, 189–192, 2015.
[22] Stability of Time-Delay Systems, BirkhNauser, 2003.
[23] IEEE Transaction on Automatic Control, Vol.62, No.7, 3488–3493 2017.
[24] Neurocomputing, Vol.73, 809–819, 2010.
[25] Nonlinear Dynamics, Vol.72, 377-388 2013.
[26] Neural Computing Applications, Vol.28, No.4 805-815 2017.
[29] Nonlinear Dynamics, Vol.76, 221–236, 2014.
[30] Neucomputing, Vol.161, 148–154, 2015.
[31] Mathematical Problems in Engineering, 859736, 2014.
[32] Information Sciences, Vol.420, 299–312, 2017.
[33] Physics Letters A, Vol.373, 1242-1248, 2009.
[34] Neural Processing Letters, Vol.30, 155-169, 2009.
[35] Neurocomputing, Vol.73, 795-801, 2010.
[36] Nonlinear Dynamics, Vol.67, 1261-1271, 2012.
[39] Chaos, Solitons and Fractals, Vol.103, 23-32, 2017.
[40] Mathematical Problems in Engineering, 602828, 2014.
[41] International Journal of Control, Automation and Systems, Vol.15, 2385-2394, 2017.
[42] Circuits System and Signal Process, Vol.33, No.3, 699-712, 2014.
[43] Communications in Nonlinear Science and Numerical Simulation, Vol.18, 2743–51, 2013.
[44] IEEE Transactions on Neural Network and Learning Systems, Vol.26, 1214-1221, 2015.
[46] Nonlinear Dynamics, Vol.83, No.3, 1259-1274, 2016.
[47] ISA Transactions, Vol.66, 185-199, 2017.
[48] Journal of the Franklin Institute, Vol.354, 2437-2460, 2017.
[49] Nonlinear Analysis & Hybrid Systems, Vol.24, 132-145, 2017.
[51] IEEE Transactions on Cybernetics, Vol.44, No.12, 2635-2645, 2014.
[53] IEEE Transactions on Systems and Man Cybernetics Part B-Cybern, Vol.36, 995-1005, 2006.
[54] IEEE Transactions on Systems and Man Cybernetic Part B-Cybern, Vol.41, 210–221, 2011.
[55] IEEE Transactions on Neural Networks and Learning Systems, Vol.25, 2180-2190, 2014.
[56] Nonlinear Dynamics, Vol.90, 2209–2219, 2017.
- 36 -

자연지능및뇌질환의수학적모델에대한동특성해석에관한연구

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

자연지능및뇌질환의수학적모델에대한동특성해석에관한연구

Uploaded by

Copyright:

Available Formats

국가연구개발 보고서원문 성과물 전담기관인 한국과학기술정보연구원에서 가공・서비스 하는 연구보고서는 동의 없이 상업적 및 기타 영리목적으로 사용할 수 없습니다.

보안과제( ), 일반과제( O ) 과제번호 2017M3C7A1044820

자연지능 및 뇌질환의 수학적 모델에 대한

‘자연지능 및 뇌질환의 수학적 모델에 대한 동특성 해석에 관한 연구’(연구개발 기간：

2019. 10. 16.

주관연구기관명ː 충북대학교 (대표자) (인)

과학기술정보통신부 소관 과학기술분야 연구개발사업 처리규정

국제공동연구 상대국명: 상대국 연구기관명:

위탁연구 연구기관명: 연구책임자:

※ 국내·외의 기술개발 현황은 연구개발계획서에 기재한 내용으로 갈음

국가과학기술종합정보시스템에 등록한 연구시설·장비 현황

요약(연구개발성과를 중심으로 개조식으로 작성하되, 500자 이내로 작성합니다) 보고서 면수

본 과제의 목표는 자연지능 및 뇌질환의 수학적 모델에 대한 동특성 해석에 관

1단계 총 연구기간인 31개월 동안 7편의 논문을 국제저명학술지에 발표하는 것

· 불확실성이 고려된 모델에 대한 분석 방안

· 자연지능 및 뇌질환 연구를 수학적 모델을 통해 여러 가지 현상에 분석 기대

<별첨> 주관연구기관의 자체평가 의견서

l 인간의 뇌는 천억 개의 뉴런이 서로 연결되는 백조개의 시냅스로 구성되며, 시냅스의 연

· 수학적 모델링을 확립한 후 이를 이용하여 뇌질환 연구에 접목하여 연구

3-2. 본 연구가 전체 연구 프로세스에서 차지하는 중요성

그림 5. 생물 신경세포를 동역학적 모델인 인공 신경세포의 변환

그림 6. 시냅스의 동역학적 모델링

2-1. 현재까지 진행된 동역학적 모델

나. 분산형(Decentralized) 이벤트-트리거 개념을 복합 시간 지연과 마르코비안 점핑 파라미

터를 갖는 불확실한 중립형 양방향 연관 기억 신경 네트워크 모델링 [2-3 JCAS]

다. 불확실성과 시변지연을 고려한 이산시간 신경망 모델링 [2-5 JCAS]

라. 분산형(Decentralized) 이벤트-트리거 충동 동기화를 위한 마르코비안 신경망 모델링

마. 고장 추정을 통한 복잡한 동적 네트워크 모델링 [3-5 심사중]

활동 함수 벡터(neuron activation function vector),  은 뉴럴 네트워크에서 뉴런의 수를

정의. 여기에서       는 적절한 차원을 갖는 미리 알려진 실수를 원소로 하는 상

· 또한, 실제 시스템에서는 외란이나 노이즈가 항상 존재하기 때문에 이러한 요소들이 시

이때, 불확실한 변수 행렬은 , ,...,

· 주요내용 : 마르코비안 점핑의 불확실한 확률적 특성을 가진 복잡한 동적 시스템의 동

     ,     

이때, , , 과 는 각각 뉴런의 상태 벡터, 입력 벡터, 출력 벡터와 외부 외

    ∆   ,     ∆   ,     ∆   로 시스템의 불확실성을 나타냈고,

시변 행렬들인 ∆ ,∆ ,∆ ,∆ 는 아래와 같이 가정.

 ∆   ∆   ∆   ∆                .

여기서,  , ,…, 는 알고 있는 상수 행렬들이며, 는   ≤ 를 만족하는 시 

· 주요내용 : 마르코비안 점핑의 불확실한 확률적 특성을 가진 복잡한 동적 시스템의 동

그림 8. s(t), r(t)와 u(t)의 상태 궤적

행렬  는 고장신호의 특성. 이때 출력 벡터는     로 정의 되며, 고장 기준 신호

이때, 와 는 n개 뉴런의 상태 벡터를 의미하며, 와 는 노드 활동 함수

양의 성분을 가진 대각행렬들이고  와  는 연결 가중치 행렬. 시간 지연 와 는  

 ≤ ≤  ,   ≤  와  ≤  ≤  ,   ≤  를 만족.  ,  ,  ,  ,  와  는 시간지연과

연결된 가중치 행렬들이고, 와 는 뉴런에 외부 입력 벡터들이다. 시변 행렬들인

여기서,  , ,…, 는 알고 있는 상수 행렬들이며,

이때,  와  는 제어기 이득행렬이며, 이벤트-트리거 세부사항을 아래와 같음

또한, 간단한 수치예제를 통해 제안한 조건의 유효성을 확인

그림 9. 두 가지 모델의 시스템의 상태 궤적 x(t)와 y(t)

는 노드의 동적특성을 의미하는 비선형 연속함수.  는 상태 지연 상수, 는 베르누이

상태 행렬, 내부 결합된 행렬, 외부 결합된 구성 행렬을 각각 의미한다. 즉, 노드 i와 j가

또한,  는 제어 입력의 포화 상태를 의미

· 주요내용 : 에러 동적 시스템을 유도하여 엑츄에이터의 고장 및 포화상태를 고려한 안

그림 10. 에러 시스템의 상태궤적

위에 얻어진 시스템의 이벤트-트리거 충동 동기화 문제를 위해 리아프노프 활용하여 동

그림 11. 오차 시스템의 상태 궤적 및 이벤트-트리거 신호 궤적

새롭게 제안한 적분 부등식을 활용하여 기존 논문에서 제시한 리아프노프 함수에 적용

각각의 노드의 동적 특성을 표현하는 함수 벡터.  는 결합 정도를 나타내며 0보다 크다.

하며, 이때 노드 i와 j가 연결되면  ≠  를 의미한다.     는 네트워크의 외부 결    × 

합 행렬로 의미하며, 이때 노드 i와 j가 연결(     ), 그 밖의 상황(     )를 의    

· 주요내용 : 본 연구에서 제안하는 근접 중심성(Closeness Centrality) 개념을 접목하게

여 아래의 표와 같이 기존에 제안된 조건들보다 우수함을 표를 통해 확인

그림 13. 근접 중심성 개념을 통한 시스템 상태 궤적