4 거래 플랫폼 – ATFX에서 MT4 트레이딩

1. 1. D. Y. Oh and I. D. Yun, "Residual error based on anomaly detection using auto-encoder in SMD machine sound," Sensors. 18, 1308 (2018). 상세보기
2. 2. K. Suefusa, T. Nishida, H. Purohit, R. Tanabe, T. endo, and Y. Kawaguchi, "Anomalous sound detection based on interpolation deep neural network," Proc. IEEE ICASP. 271-275 (2020).
3. 3. R. Lang, R. Lu, C. Zhao, H. Qin, and G. Liu, "Graphbased semi-supervised one class support vector machine for detecting abnormal lung sounds," Applied Mathematics and Computation, 364, 124487 (2020). 상세보기
4. 4. R. Banerjee and A. Ghose, "A semi-supervised approach for identifying abnromal heart sounds using variational autoencoder," Proc. IEEE ICASP. 1249-1253 (2020).
5. 5. G. Pang, C. Shen, L. Cao, and A. V. D. Hengel, "Deep learning for anomaly detection: A review," ACM Computing Surveys (CSUR), 54, 1-38 (2021).
6. 6. L. Ruff, R. A. Vandermeulen, L. Deecke, S. A. Siddiqui, A. Binder, E. Muller, and M. Kloft, "Deep one-class classification," Proc. Int. Conf. on machin learning (PMLR), 4393-4402 (2018).
7. 7. S. Pidhorskyi, R. Almohsen, D. A. Adjeroh, and G. Doretto, "Generative probabilistic novelty detection with adversarial autoencoders," Advances in Neural Information Processing Systems, 31, 6823-6834 (2018).
8. 8. Y. Koizumi, Y. Kawachi, and N. Harada, "Unsupervised detection of anomalous sound based on deep learning and the Neyman-Pearson lemma," IEEE/ACM Trans. on Audio, Speech, and Lang. Process. 27, 212-224 (2018).
9. 9. H. Purohit, R. Tanabe, K. Ichige, T. Endo, Y. Nikaido, K. Suefusa, and Y. Kawaguchi, "MIMII dataset: sound dataset for malfunctioning industrial machine investigation and inspection," Detection and Classification of Acoustic Scenes and Events, 209-213 (2019).
10. 10. Y. Koizumi, Y. Kawaguchi, K. Imoto, T. Nakamura, Y. Nikaido, R. Tanabe, H. Purohit, K. Suefusa, T. Endo, M. Yasuda, and N. Harada, "Description and discussion on DCASE2020 challenge task2: unsupervised anomalous sound detection for machine condition monitoring," Detection and Classification of Acoustic Scenes and Events, 81-85 (2020).
11. 11. H. Yang, S. Byun, K. Lee, Y. Choo, and K. Kim, "Underwater acoustic research trends with machine learning: General background," J. Ocean Eng. Technol. 34, 147-154 (2020). 원문보기 상세보기
4 거래 플랫폼 – ATFX에서 MT4 트레이딩
12. 12. H. Yang, K. Lee, Y. Choo, and K. Kim, "Underwater acoustic research trends with machine learning: Passive SONAR applications," J. Ocean Eng. Technol. 34, 227-236 (2020). 원문보기 상세보기
13. 13. H. Yang, S. Byun, K. Lee, and K. Kim, "Underwater acoustic research trends with machine learning: Active SONAR applications," J. Ocean Eng. Technol. 34, 277-284 (2020). 원문보기 상세보기
14. 14. R. J. Urick, Principles of Uunderwater Sound (Peninsula, Westport, 1993), pp. 181-200.
15. 15. D. S. Dominguez, S. T. Guijarro, A. C. Lopez, and A. P. Gimenez, "ShipEar: An underwater vessel noise database," Applied Acoustics, 113, 64-69 (2016). 상세보기
16. 16. K. J. V. Raposa, G. Scowcroft, J. H. Miller, D. R. Ketten, and A. N. Popper, "Discovery of sound in the sea: Resources for educators, students, the public, and policymakers," in Handbook of The Effects of Noise on Aquatic Life 2, edited by A. N. Popper and A. Hawkins (Springer, New York, 2016).

[데이트레이딩 기법] 거래량 2~3배 늘면 上昇반전 신호

각 증권사의 현재가 화면은 매매세력간에 따른 거래량의 변동량을 각기 다른 색으로 나타내고 있어 조금만 성의를 보인다면 성공적인 매매타이밍을 잡을 수 있다.
독자와의 약속대로 이번 호부터는 실전에서 사용할 수 있는, 필자만의 노하우를 공개할 생각이다. 매매기법을 살펴보자.

먼저 현재가 화면을 이용한 매매타이밍 잡기.

현재가의 화면을 보면 그 순간의 모든 매매세력이 나타나게 된다. 데이 트레이딩은 바로 이런 매매세력간의 싸움을 틈타 초단기로 세력간의 전쟁에 동참하는 것이다.

증권회사의 현재가 화면을 보면 매매세력에 따른 거래량 변동을 각기 다른 색(적색과 청색)으로 나타내고 있다.

‘그림1’에 나타난 호가상태는 아주 자주 볼 수 있는 4 거래 플랫폼 – ATFX에서 MT4 트레이딩 거래형태. 이때 2만3천2백원에 사자 세력이 붙어 매수주문을 내게 되면 현재가는 2만3천2백원으로 바뀔 것이다. 또 변동거래량은 적색으로 표시될 것이다.

그림 화면의 우측 상단을 보면 ‘변동거래량’이라는 항목이 있다. 매수세력이 매도호가로 주문을 내어 체결이 되면 변동거래량은 적색(2천1백31주)이 된다. 반대의 경우 매도세력이 매수호가로 주문을 내어 체결이 되면 청색(4천46주)이 된다. 대략의 세력판도를 판별할 수 있는 것이다.

관찰중이던 주식 가격이 급속히 하락하다 갑자기 상승세로 전환하는 경우의 특징은 이렇다. 거래량이 직전거래량의 평균치보다 2∼3배 정도 많으며, 변동거래량에 적색으로 표시된다는 점이다. 이때가 살 시점이다.

이때 조심할 점은 일시적인 속임수. 속지 않으려면 종목주가 흐름을 철저하게 지속적으로 공부해야 한다. 한 종목에 대해 ‘도사’가 되면 “이 종목은 장 초반에 2% 정도 상승하다가 힘을 잃게 되면 곧장 10분 이내에 5%까지 빠지는 경우가 많으나, 곧바로 반발매수가 들어와 보합수준까지 끌어 올려지는 경우가 많다”라고 할 수 있을 정도의 실력을 갖추게 된다.

그런 정도의 실력이 아니라면 당일 변동거래량을 모두 체크해 보자. 직전 평균 거래량의 몇배가 넘는 거래가 3건 이상 발생했다면 이렇게 해석하자. 이 거래 후에 일반적으로 10건 이상의 강한 매수호가가 이어질 확률이 높다고. 이젠 매수한 주식의 매도 포인트를 잡아보자. 매수한 가격에서 일정한 목표수익률(1∼2%)이 달성되었다면 쉽게 매도포인트를 찾을 수 있다. 특히 변동거래량에 청색이 나타나기 시작할 때 바로 매도주문을 내면 체결될 확률이 높다. 이 정도면 성공적인 데이 트레이더 자질을 갖춘 셈이다.

반면 목표수익률에 접근하지 못한 상태에서 변동거래량에 청색이 나타나게 되면 대부분의 투자자들은 손이 4 거래 플랫폼 – ATFX에서 MT4 트레이딩 떨려 매도를 미루게 된다. 좀더 더 지켜보다 보면 매도타이밍을 놓친다.

그 결과는 많은 손실로 나타난다. 물론 주가가 매도세력을 다시 이겨내고 재상승하는 경우도 있다. 하지만 데이 트레이딩을 전문적으로 한다면 정석 투자기법은 아니라고 본다.

한 종목을 철저히 파악하지 못한 상태에서 남이 추천하는 종목을 섣불리 매매한다면 작은 파도에 속게 된다. 이때 가장 중요한 손절매까지도 하지 못하게 되는 경우도 발생할 수 있다. 이는 곧바로 많은 손실과 연결된다.

최적의 매수가격이란 가장 낮은 가격에 사는 게 아니다. 가장 낮은 가격에 매수한 세력들이 하락세에서 상승세로 전환했다고 느낄 때가 바로 가장 낮은 가격이다.

독자들이 이런 식의 호가변동으로 매수에 성공했다면 그 다음엔 어떻게 해야 할까.

바로 매도주문 화면으로 옮겨 매도단가를 제외한 모든 내용을 입력해 4 거래 플랫폼 – ATFX에서 MT4 트레이딩 놓아야 한다. 흔히 데이 트레이딩을 하다보면 1초 아니 0.5초 때문에 체결이 안 되어 많은 손실을 보는 경우가 허다하다. 따라서 가급적 모든 시간을 절약할 수 있도록 평소에 키보드 사용법을 익혀두어야 한다. 독자 자신이 거래하고 있는 증권회사의 화면들과도 완벽하게 친숙해질 필요가 있다. 어차피 데이 트레이딩은 초싸움. 신속 정확한 판단과 민첩한 행동이 따라 준다면 그렇지 않은 사람들보다 한 가지 면에서 좀더 유리한 고지를 점령했다는 뜻이 된다.

메타트레이더 4

ATFX의 MT4 거래 플랫폼을 사용해야 하는 이유

ATFX에서 제공하는 MT4는 지구상에서 가장 성공적이고 가장 인기 있는 거래 플랫폼 중 하나입니다.
MT4는 다양한 거래 도구와 다양한 장점들을 가지고 있습니다. MT4의 기본 설정을 이용해 매수, 매도할 수 있습니다. 또는, 다양한 보조지표, 거래 도구 또는 자동매매에 필수적인 EA를 추가할 수 있습니다.
플랫폼 사용법은 쉽게 간단하게 습득할 수 있습니다.
“사용방법” 동영상과 대화식 웹 세미나를 통해 거래 플랫폼의 학습속도를 향상시킬 수 있습니다.
단시간 내 거래 플랫폼을 사용할 수 있도록 다양한 거래 학습을 준비할 것입니다.
또한 업계 최고 수준의 스프레드와 빠른 체결속도를 제공합니다. 최고의 IT 기술은 최상의 거래 환경을 제공하고 있습니다.

MT4 특징

MT4 보조지표

MT4 계좌 개설방법

MT4 다운로드

ATFX의 MT4 거래계좌는 어떻게 개설하나요?

ATFX의 MT4 계좌 개설 방법은 간단합니다.

ATFX 실거래 또는 데모계좌를 개설했다면 MT4 플랫폼에 로그인할 수 있는 정보를 보내드립니다.

트레이더는 플랫폼을 다운로드해서 로그인하면 됩니다.

사용 중인 MT4가 있을 경우

• ATFX 거래계좌 개설
• 로그인 정보 받기
• MT4 열기
• 올바른 ATFX 서버 선택
• 로그인 후 거래 시작

MT4가 없을 경우

• ATFX 거래계좌 개설
• 로그인 정보 받기
• MT4 다운로드 및 열기
• 로그인 후 거래 시작

MT4 특징

MT4는 다양한 장점과 기능을 제공하는 글로벌 거래 플랫폼 입니다. 이는 본인의 거래 스타일과 선택 가능한 전략들에 맞추어 개인 맞춤형으로 설정할 수 있습니다.

초보 트레이더에게 MT4는 가장 이상적인 거래 플랫폼 입니다. 아울러 전문 트레이더이지만 MT4를 처음 접하시는 분도 거래 플랫폼의 모든 기능을 쉽게 이용하실 수 있습니다.

• 보조지표 - Trading Central, Autochartist, FXblue와 같은 주요 도구를 포함해 많은 보조지표를 추가할 수 있습니다.
• 자동매매 - MT4를 통해 EA(Expert Advisor)를 시험해 볼 수 있습니다.
• 강력한 거래 시스템 - 역지정가, 지정가와 같은 중요한 주문 방식을 익히고, 자동 가격 입력을 설정할 수 있습니다.
• 뉴스 및 알림 - 플랫폼에서 알림을 설정하고 이 알림을 이메일로 보내도록 할 수 있습니다.
• 매매신호 - 실시간 차트 신호를 이용해 매매할 수 있습니다.
• 강력한 차트구성 - 9개 차트주기와 무제한 차트 생성으로 현명한 매매 결정을 내릴 수 있습니다.
• 기기 호환성 - MT4는 모든 주요 모바일 기기와 운영체제에서 사용할 수 있습니다.

MT4 보조지표

MT4 보조지표를 사용하면 시장에서 우위를 점할 수 있습니다. MT4에서 사용 가능한 모든 보조지표를 제공하고 있습니다. 보조지표 선택에 도움이 필요하면 여기를 클릭하십시오.

메타트레이더 4란 ?

메타트레이더 4, 즉MT4는 세계에서 가장 많이 사용되는 개인용 거래 플랫폼입니다. 이 플랫폼에 대한 자세한 정보는 여기를 클릭하십시오.

MT4 다운로드

지금 바로 PC에 MT4를 다운받아 거래를 시작하십시오.

지금 MT4를 사용하고, 여기를 클릭해 본인에게 가장 적합한 ATFX 계좌를 선택하십시오. 계좌가 개설되면 다수의 수상 경력 브로커에서 수백만 트레이더가 사용하는 플랫폼으로 거래를 시작할 수 있습니다.

계좌 개설

실거래 계좌 거래신청서을 작성합니다. 본인 확인절차가 완료되면 계좌개설이 완료됩니다.

계좌에 입금하기

직불 카드, 전자지갑 또는 은행 송금 등을 통해 입금하면 거래를 시작할 수 있습니다.

거래 시작

PC, 안드로이드, iPad, iPhone 등의 모든 기기 또는 웹 브라우저를 통해 거래할 수 있습니다.

관련 컨텐츠

ATFX는 공동 브랜드로서, 다음 법인들로 구성되어 있습니다:

AT Global Markets LLC는 세인트빈센트 그레나딘에 등록된 유한책임회사(LLC)입니다(회사 번호: 333 LLC 2020). 등록 사무소: 1st Floor, First St. Vincent Bank Bldg, James Street, Kingstown, St. Vincent and the Grenadines.

AT Global Markets (UK) Ltd는 영국에서 FCA(Financial Conduct Authority)의 인허가와 규제를 받고 있습니다(등록 번호: 760555). 등록 사무소: 1st Floor, 32 Cornhill, London EC3V 3SG, United Kingdom.

ATFX Global Markets (CY) Ltd는 CySEC(Cyprus Securities and Exchange Commission)의 인허가와 규제를 받고 있습니다(라이선스 번호: 285/15). 등록 사무소: 159 Leontiou A' Street, Maryvonne Building Office 204, 3022, Limassol, Cyprus.

AT Global Markets Intl Ltd는 FSC(Financial Services Commission)의 인허가와 규제를 받고 있습니다(라이선스 번호: C118023331). 등록 사무소: G08, Ground Floor, The Catalyst, Silicon Avenue, 40 Cybercity, 72201 Ebène, Republic of Mauritius.

고수준 리스크 투자 경고: 외환 (Forex) 및 차액계약 (CFD) 거래는 투기성이 높고, 고수준의 리스크를 수반하므로 모든 투자자에게 적합한 것은 아닐 수 있습니다. 투자한 자본의 일부 또는 전부를 잃을 수도 있으며, 따라서 손실을 감당할 수 없는 자본을 투자하지 않도록 합니다. 마진 거래와 연계된 모든 리스크에 대해 반드시 인지하고 있어야 합니다. 비즈니스 약관(Terms of Business)에 관한 전문을 참고하시기 바랍니다.

이용제한 지역: AT Global Markets LLC는 캐나다(브리티시컬럼비아주, 퀘벡, 서스캐처원주), 일본, 조선민주주의인민공화국(북한), 이란, 미국(USA)을 비롯한 일부 국가의 거주자들에게는 서비스를 제공하지 않습니다. 한편, 국가 및 관할 사법권에 의해 해당 국가의 국내법 혹은 관련 규제가 본 서비스 제공에 반할 경우에도 해당 지역에서는 서비스를 제공하지 않습니다.

Minecraft Wiki

문서 작성과 번역을 도와주시면 이 위키에 큰 힘이 됩니다.

레드스톤 비교기

'레드스톤 비교기(Redstone Comparator)는 레드스톤 회로에 사용되는 블록으로서,신호 강도를 유지하거나, 비교하거나, 차이를 구하거나, 어떤 블록 상태를 측정(주로 콘테이너가 가득 찬 정도)하는데 사용된다.

획득 방법 [ ]

레드스톤 비교기를 제거하려면 채굴 하면 된다. 레드스톤 비교기는 어떤 도구를 사용해도 즉시 부서져서 아이템으로 드롭된다.

레드스톤 비교기는 다음과 같은 경우에도 제거되어 아이템으로 드롭된다.

• 부착된 블록이 이동되거나, 파괴될 경우
• 비교기의 공간에 물이 흘러들 경우 이 직접 밀거나, 블록을 비교기 공간으로 밀어 넣을 경우

용암이 레드스톤 비교기 공간으로 흘러들 경우, 레드스톤 비교기가 파괴되며, 아무 것도 드롭되지 않는다.

레드스톤 비교기는 완전 고체 불투명 블록 위에 설치할 수 있다. 뒤집힌 반 블록, 뒤집힌 계단 및 호퍼 위에도 설치할 수 있다. 베드락 에디션의 경우 비교기는 유리, 조약돌 담장, 울타리, 가마솥 위에도 설치할 수 있다. 레드스톤 비교기를 설치할 때에는 블록 설치 버튼을 사용하면 된다.

레드스톤 비교기는 전후가 있다. 비교기 윗면 화살표가 있는 방향이 앞이다. 플레이어가 비교기를 설치하면 뒷면이 플레이어에 가까운 방향으로 설치된다. 비교기에는 뒷쪽에 작은 레드스톤 횃불 두개가 있고, 앞쪽에는 한개가 있다. 뒷쪽의 횃불은 비교기 출력이 0보다 클때 on이 된다(위에 있는 화살표도 빨갛게 변한다). 앞쪽 횃불은 두가지 상태가 있는데, 사용 키를 누르면 토글시킬 수 있다.

• 아래쪽, 전원이 안들어 올 때(비교기가 "비교 모드"임을 나타냄)
• 위쪽, 전원이 들어 올 때(비교기가 "뺄셈 모드"임을 나타냄)

레드스톤 비교기는 뒤쪽으로부터 신호를 받을 뿐 아니라, 양쪽 옆에서도 신호를 받는다. 단, 옆쪽은 레드스톤 블록, 레드스톤 가루, 레드스톤 중계기 혹은 다른 비교기로부터의 입력만 받을 수 있다. 레드스톤 비교기의 앞쪽은 출력이다.

레드스톤 신호가 비교기를 통과하는데는 1 레드스톤 틱 (2 게임 틱, 0.1초)이 소요된다. 후면신호, 측면신호 모두 동일하며, 신호 강도 변경뿐 만 아니라, 단순히 켰다 껐다만 바꾸는 경우에도 동일하다. 레드스톤 비교기는 1 틱 펄스에는 반응을 하지 않는다. 예를 들어, 측면에 1 클락 입력이 들어오면 항상 꺼진 것으로 인식하며, 후면에 1 클록 입력이 들어오면 항상 켜져 있는 것으로 인식한다.

레드스톤 비교기는 네가지 기능이 있다. 신호 강도 유지, 신호 강도 비교, 신호 강도 뺄셈, 어떤 블록 상태(주로 콘테이너의 가득 찬 정도)의 측정

신호 강도 유지 [ ]

레드스톤 비교기가 측면에 전원을 받지 않을 경우, 후면 입력 신호와 동일한 강도로 전면에 출력한다.

신호 강도 비교 [ ]

비교 모드의 레드스톤 비교기.

레드스톤 비교기가 비교모드 일 경우(앞쪽 횃불이 아래로, 전원이 안들어 갈 때) 후면 입력과 양 측면 입력을 비교한다. 측면 입력중 하나라도 후면 입력보다 클경우, 출력은 off가 된다. 측면 입력 모두 후면 입력보다 작을 경우, 출력은 후면 입력과 동일한 강도가 된다.

신호 강도 뺄셈 [ ]

레드스톤 비교기가 뺄셈 모드일 경우(앞쪽 횃불이 위로, 전원이 들어갈 때) 후면 입력 신호강도로 부터, 양 측면 중에서 높은 강도를 뺀 값을 출력한다. (최소값은 0)

예를 들어 후면 입력 강도가 7이고, 좌측은 2, 우측은 4일 경우, 출력은 7 - MAX(2,4) = 3 이 된다.

블록 상태 측정 [ ]

레드스톤 비교기는 뒷면에 있는 특정 블록을 전원으로 취급하여, 그 블록의 상태에 비례하여 신호 강도를 출력한다. 비교기와 측정되는 블록 사이에 고체블록이 끼어 있어도 무방하다. 하지만, 자바 에디션의 경우, 그 고체 블록이 신호 강도 15로 전원을 공급받는 경우, 콘테이너가 얼마나 차 있는지와 무관하게 항상 15 레벨을 출력한다. [1]

레드스톤 비교기는 콘테이너의 상태를 측정하여, 콘테이너가 가득찬 정도에 따라 신호 강도를 출력한다. (빈 경우 0, 가득차면 15 등)

비교기로 측정할 수 있는 콘테이너는 다음과 같다. (아래에는 측정할 수 있는 다른 블록도 있다.)

비교기가 대형 상자 또는 대형 덫 상자를 측정할 경우, 비교기 뒷쪽에 있는 반만 측정하는 것이 아니라, 전체 상자(54 슬롯)을 측정한다. 열 수 없는 상자 또는 덫 상자의 경우(상자 위에 불투명 블록이 있거나, 오실롯이 앉아 있을 경우), 내용물의 양에 관계없이 항상 0을 출력한다.

오른쪽에 있는 표(콘테이너 4 거래 플랫폼 – ATFX에서 MT4 트레이딩 신호 강도를 위한 최소 아이템 수)는 여러가지 콘테이너로 부터, 특정한 신호 강도를 출력하는데 필요한 (64개를 겹칠 수 있는) 아이템의 최소 량을 나타낸 것이다. 숫자 뒤에 "s"가 있는 것은 필요한 완전 묶음의 수(64개 묶음이 몇개 있는지)이며, 숫자 뒤에 "i"가 있는 것은 추가로 필요한 아이템의 수를 의미한다. 최대 묶음이 16개 인 경우, (눈덩이, 표지판, 엔더 진주 등) "i" 숫자를 4로 나누어 올림으로 처리한다. 묶음이 불가능한 아이템의 경우, 어떠한 "i" 숫자도 추가 아이템으로 처리한다.

예를 들어, 호퍼에서 10의 신호 강도를 출력하기 위해서는(3s 14i), 완전 묶음 3개와 추가로 14개의 아이템이 필요하다. (16개 묶음인 아이템의 경우 4개)

아이템으로부터 신호 강도를 계산하는 방법 콘테이너가 비어 있을 경우, 출력은 0이다. 콘테이너가 비지 않았을 경우, 출력 신호 강도는 다음과 같이 계산한다. 신호 강도 = floor(1 + ((가득찬 슬롯의 수) / (컨테이너의 슬롯 수)) * 14) 가득찬 슬롯 수 = (슬롯에서 아이템의 수) / (해당 아이템의 최대 묶음 수) 예: 공급기(9 슬롯)에 300 블록 있을 경우(모든 블록은 64개씩 묶을 수 있을 때), 출력 신호 강도는 8이다.

1 + ((300 아이템 / 64 (슬롯 당 아이템) / 9 슬롯) * 14 = 8.292, 내림을 하면 8이 됨

참고로 쌓을 수 없는 아이템은 완전 묶음으로 계산되며, 16개가 한 묶음인 아이템도 이와 비슷하게 16개가 완전 묶음으로 계산된다. 신호 강도로 부터 아이템 갯수를 계산하기 콘테이너에 비교기를 부착하면 특정한 강도의 신호를 생성하는 것은, 레드스톤 회로에서 유용하게 사용할 수 있다. 특정한 강도의 신호를 생성하는 데 필요한 아이템의 수는 다음과 같이 계산할 수 있다. 필요한 아이템 수 = max(필요한 신호 강도, roundup((콘테이너의 슬롯수 * 64 / 14) * (필요한 신호 강도 - 1) ) ) 예: 화로(3 슬롯)에서 강도 9의 신호를 내려면, 110 아이템이 필요하다.

콘테이너를 측정하는데 사용되는 비교기

콘테이너가 아닌 블록 중에도 레드스톤 비교기로 측정할 수 있는 경우도 있다.

케이크 케이크는 남아 있는 양에 비례하여 신호 강도를 출력한다. 각각의 조각은 강도 2에 해당하며, 케이크 전체는 14 를 출력한다.

가마솥 가마솥은 담겨 있는 물의 양에 따라 다른 강도의 신호를 출력한다. 완전히 비어 있으면 0, 1/3은 1, 2/3는 2, 완전히 차있으면 3을 출력한다. 명령 블록 명령 블록은 최종 수행된 명령의 "성공 횟수"를 저장한다. 이는 가장 최근 사용된 명령이 성공한 횟수를 나타낸다. "성공"은 엔드 차원문 틀 엔드 차원문 틀은 엔더의 눈이 채워져 있을 경우엔 15를 출력하고, 아닐 경우엔 0을 출력한다.

비교기는 액자 내용물이 존재하는지, 얼마나 회전되었는지를 측정할 수 있다.

액자 비교기는 액자의 내용물 상태를 측정할 수 있다. 비교기가 액자의 내용물을 측정하기 위해서는, 액자가 설치된 블록 뒤에 비교기를 설치해야 한다. 액자가 비어 있을 경우에는 0을 출력하며, 회전 방향에 따라 1부터 8까지 출력한다. (1은 처음 방향이며, 한번 클릭할 때마다 1씩 추가되어 최대값은 8이다. 그 4 거래 플랫폼 – ATFX에서 MT4 트레이딩 다음엔 1로 되돌아간다.) 주크박스 주크박스는 현재 실행되는 음반에 따라 신호 강도를 출력한다. 어떤 음반이 어떤 강도를 출력하는지는, 위에 있는 표 "콘테이너 신호 강도를 위한 최소 아이템 수"를 참고하라.

ScienceON Chatbot

Abnormal signal detection based on parallel autoencoders

일반적으로 비정상 신호 탐지 연구에서는 데이터 불균형으로 인해 정상 신호 특징을 주된 정보로 사용한다. 본 논문에서는 비정상 신호의 특징을 학습하는 병렬 오토인코더를 이용한 효율적인 비정상 신호 탐지기법을 제안한다. 제안된 동일한 구조로 이루어진 병렬 오토인코더는 정상 신호와 비정상 신호에 대한 특징을 학습하는 정상 복원기와 비정상 복원기로 구성되며, 정상 및 비정상 데이터를 순차적으로 학습함으로써 불균형 데이터 문제를 효율적으로 해결할 수 있다. 뿐만 아니라 보다 높은 탐지성능 향상을 위해서 부가적인 이진 분류기가 추가될 수 있다. 공개된 음향데이터를 이용한 실험결과, 제안된 병렬 탐지모델의 학습시간이 단일 오토인코더 탐지모델과 비교하여 약 1.31 ~ 1.61배 늘어나지만, 최소 22 % 이상의 Area Under Curve(AUC) 향상을 보였다. 또한, 사전에 훈련된 병렬 오토인코더를 이용하여 수중 음향데이터를 전이학습한 결과 수중 비정상 신호 AUC 탐지성능을 93 % 이상 향상시킬 수 있음을 확인하였다.

Abstract

Detection of abnormal signal generally can be done by using features of normal signals as main information because of data imbalance. This paper propose an efficient method for abnormal signal detection using parallel AutoEncoder (AE) which can use features of abnormal signals as well. The proposed Parallel AE (PAE) is composed of a normal and an abnormal reconstructors having identical AE structure and train features of normal and abnormal signals, respectively. The PAE can effectively solve the imbalanced data problem by sequentially training normal and abnormal data. For further detection performance improvement, additional binary classifier can be added to the PAE. Through experiments using public acoustic data, we obtain that the proposed PAE shows Area Under Curve (AUC) improvement of minimum 22 % at the expenses of training time increased by 1.31 ~ 1.61 times to the single AE. Furthermore, the PAE shows 93 % AUC improvement in detecting abnormal underwater acoustic signal when pre-trained PAE is transferred to train open underwater acoustic data.

표 / 그림 (14) 모든 표/그림 보기 슬라이드로 보기

저자의 다른 논문

참고문헌 (16)

1. 1. D. Y. Oh and I. D. Yun, "Residual error based on anomaly detection using auto-encoder in SMD machine sound," Sensors. 18, 1308 (2018). 상세보기
2. 2. K. Suefusa, T. Nishida, H. Purohit, R. Tanabe, T. endo, and Y. Kawaguchi, "Anomalous sound detection based on interpolation deep neural network," Proc. IEEE ICASP. 271-275 (2020).
3. 3. R. Lang, R. Lu, C. Zhao, H. Qin, and G. Liu, "Graphbased semi-supervised one class support vector machine for detecting abnormal lung sounds," Applied Mathematics and Computation, 364, 124487 (2020). 상세보기
4. 4. R. Banerjee and A. Ghose, "A semi-supervised approach for identifying abnromal heart sounds using variational autoencoder," Proc. IEEE ICASP. 1249-1253 (2020).
5. 5. G. Pang, C. Shen, L. Cao, and A. V. D. Hengel, "Deep learning for anomaly detection: A review," ACM Computing Surveys (CSUR), 54, 1-38 (2021).
6. 6. L. Ruff, R. A. Vandermeulen, L. Deecke, S. A. Siddiqui, A. Binder, E. Muller, and M. Kloft, "Deep one-class classification," Proc. Int. Conf. on machin learning (PMLR), 4393-4402 (2018).
7. 7. S. Pidhorskyi, R. Almohsen, D. A. Adjeroh, and G. Doretto, "Generative probabilistic novelty detection with adversarial autoencoders," Advances in Neural Information Processing Systems, 31, 6823-6834 (2018).
8. 8. Y. Koizumi, Y. Kawachi, and N. Harada, "Unsupervised detection of anomalous sound based on deep learning and the Neyman-Pearson lemma," IEEE/ACM Trans. on Audio, Speech, and Lang. Process. 27, 212-224 (2018).
9. 9. H. Purohit, R. Tanabe, K. Ichige, T. Endo, Y. Nikaido, K. Suefusa, and Y. Kawaguchi, "MIMII dataset: sound dataset for malfunctioning industrial machine investigation and inspection," Detection and Classification of Acoustic Scenes and Events, 209-213 (2019).
10. 10. Y. Koizumi, Y. Kawaguchi, K. Imoto, T. Nakamura, Y. Nikaido, R. Tanabe, H. Purohit, K. Suefusa, T. Endo, M. Yasuda, and N. Harada, "Description and discussion on DCASE2020 challenge task2: unsupervised anomalous sound detection for machine condition monitoring," Detection and Classification of Acoustic Scenes and Events, 81-85 (2020).
11. 11. H. Yang, S. Byun, K. Lee, Y. Choo, and K. Kim, "Underwater acoustic research trends with machine learning: General background," J. Ocean Eng. Technol. 34, 147-154 (2020). 원문보기 상세보기
12. 12. H. Yang, K. Lee, Y. Choo, and K. Kim, "Underwater acoustic research trends with machine learning: Passive SONAR applications," J. Ocean Eng. Technol. 34, 227-236 (2020). 원문보기 상세보기
13. 13. H. Yang, S. Byun, K. Lee, and K. Kim, "Underwater acoustic research trends with machine learning: Active SONAR applications," J. Ocean Eng. Technol. 34, 277-284 (2020). 원문보기 상세보기
14. 14. R. J. Urick, Principles of Uunderwater Sound (Peninsula, Westport, 1993), pp. 181-200.
15. 15. D. S. Dominguez, S. T. Guijarro, A. C. Lopez, and A. P. Gimenez, "ShipEar: An underwater vessel noise database," Applied Acoustics, 113, 64-69 (2016). 상세보기
16. 16. K. J. V. Raposa, G. Scowcroft, J. H. Miller, D. R. Ketten, and A. N. Popper, "Discovery of sound in the sea: Resources for educators, students, the public, and policymakers," in Handbook of The Effects of Noise on Aquatic Life 2, edited by A. N. Popper and A. Hawkins (Springer, New York, 2016).

이 논문을 인용한 문헌

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

• DOI : 10.7776/ASK.2021.40.4.337 [무료]

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)