KR100757089B1

KR100757089B1 - 상황 인식 방법 및 이를 구현하기 위한 프로그램을 기록한기록매체

Info

Publication number: KR100757089B1
Application number: KR1020060042258A
Authority: KR
Inventors: 김은태; 이제헌; 김승우
Original assignee: 연세대학교 산학협력단
Priority date: 2006-05-11
Filing date: 2006-05-11
Publication date: 2007-09-10

Abstract

본 발명은 상황 인식 방법 및 이를 구현하기 위한 프로그램을 기록한 기록매체에 관한 것으로, 다수의 변수 집합을 바탕으로 불충한 주변 환경 정보를 베이지안 확률 추론에 의한 베이지안망으로 표현하는 단계와 불충분한 환경 정보로부터 최적의 상황 인식 정보를 추출하는 단계를 포함하는 것을 특징으로 하는 상황 인식 방법이 제공된다. 본 발명에 따르면, 불충한 정보로부터 추론하는 기법인 베이지안 확률 추론을 상황 인식 방법에 적용할 수 있고, 유전자 알고리즘(Genetic Algorithm)의 이중 부호화를 통해 학습된 다중 노드(node) 순서의 베이지안망 기반의 구조 학습을 위한 성능 향상과 이를 이용한 상황 인식 방법을 개발할 수 있어 사용자의 행동을 예측하여 보다 효율적인 서비스의 제공이 가능한 장점이 있다.

베이지안, 구조학습, 다중노드순서, 유전자 알고리즘, 상황 인식

Description

상황 인식 방법 및 이를 구현하기 위한 프로그램을 기록한 기록매체{Method for context awareness and record media recorded program for realizing the same}

도 1은 유전자 알고리즘을 위해 부호화될 베이지안 네트워크의 구조를 예시한 예시도.

도 2는 유전자 알고리즘을 위해 부호화될 베이지안 네트워크의 다른 구조를 예시한 예시도.

도 3은 교배 연산을 통해 생성되는 네트워크의 구조를 예시한 예시도.

도 4는 교배 연산을 통해 생성되는 네트워크의 다른 구조를 예시한 예시도.

도 5는 돌연변이 연산을 통해 생성되는 네트워크의 구조를 예시한 예시도.

도 6은 돌연변이 연산을 통해 생성되는 네트워크의 다른 구조를 예시한 예시도.

도 7은 상황 인식 시스템 개발을 위한 홈 네트워크의 구조를 예시한 도면.

도 8은 상황 인식 홈 네트워크 데이터에 대한 비교 결과를 예시한 그래프.

본 발명은 상황 인식 방법 및 이를 구현하기 위한 프로그램을 저장한 기록매체에 관한 것으로서, 보다 상세하게는 유전자 알고리즘(Genetic Algorithm)의 이중 부호화를 통해 학습된 다중 노드(node) 순서의 베이지안망(Bayesian Network) 기반의 구조 학습을 위한 성능 향상 및 이를 기반으로 하는 상황 인식 방법 및 이를 구현하기 위한 프로그램을 저장한 기록매체에 관한 것이다.

상황 인식 컴퓨팅(Context-Aware Computing)은 1994년 Schilit와 Theimer에 의하여 최초로 논의되었으며, 이는 다양한 센서들로부터 사용자에게 필요한 정보를 수집하고, 사용자의 의도를 파악하여 사용자에게 보다 편리한 서비스를 제공하는 것을 의미한다. 이 때 사용자의 작업과 관련 있는 적절한 정보 또는 서비스를 사용자에게 제공하는 과정에서 사용 장소, 센서들의 상태 등과 같은 상황 정보를 사용하는 경우, 이를 상황 인식 시스템이라고 한다. 또한 상황 인식 시스템은 시간이 경과하면서 이러한 대상의 변화까지 수용할 수 있는 시스템을 말한다.

이러한 상황 인식 시스템은 아직 정해진 표준이 없는 발달 단계에 있으며 이를 위해 다양한 기법들이 적용되고 있다. 이러한 상황 인식 시스템은 불충분한 정보를 가진 환경을 잘 표현하고 추론하는 기법을 적용하여 시간 경과와 대상의 변화를 수용할 수 있는 방법이 필요하다.

상기한 바와 같은 종래의 문제점을 해결하기 위해, 본 발명은 불충한 정보로부터 추론하는 기법인 베이지안 확률 추론을 이용하는 상황 인식 방법 및 이를 구현하기 위한 프로그램을 기록한 기록매체를 제안하는 것이다.

또한, 유전자 알고리즘(Genetic Algorithm)의 이중 부호화를 통해 학습된 다중 노드(node) 순서의 베이지안망 기반의 구조 학습을 위한 성능 향상과 이를 이용한 상황 인식 방법 및 이를 구현하기 위한 프로그램을 기록한 기록매체를 제안하는 것이다.

본 발명의 또 다른 목적들은 이하의 실시예에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.

상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일 측면에 따르면 상황 인식 방법이 제공된다.

본 발명의 바람직한 일 실시예에 따르면, 상황 인식 방법에 있어서, 다수의 변수 집합을 바탕으로 불충한 주변 환경 정보를 베이지안 확률 추론에 의한 베이지안망으로 표현하는 단계(a); 및 상기 불충분한 환경 정보로부터 최적의 상황 인식 정보를 추출하는 단계(b)를 포함하는 것을 특징으로 하는 상황 인식 방법이 제공된다.

상기 베이지안망의 구성 방법은 상기 불충한 주변 환경 정보를 이중 부호화하는 단계를 포함할 수 있다. 그리고 상기 불충분한 환경 정보로부터 최적의 상황 인식 정보를 추출하는 단계는, 유전자 알고리즘에 의해 상기 다수의 변수 집합을 바탕으로 불충한 주변 환경 정보를 베이지안 확률 추론에 의한 베이지안망으로 표현하는 단계에서 이중 부호화된 상기 불충한 주변 환경 정보로부터 상황 인식 정보를 추출할 수 있다.

상기 이중 부호화된 상기 불충한 주변 환경 정보로부터 상황 인식 정보를 추출하는 것은 상기 이중 부호화된 상기 불충분한 주변 환경 정보의 교배 연산 또는 돌연변이 연산을 통하여 획득된 정보를 이용할 수 있다.

본 발명의 다른 측면에 의하면, 상황 인식 방법을 구현한 프로그램을 기록한 기록매체가 제공된다.

본 발명의 바람직한 일 실시예에 따르면, 상황 인식 방법이 구현되도록 디지털 처리 장치에 의해 실행될 수 있는 명령어들의 프로그램이 유형적으로 구현되어 있으며, 디지털 처리 장치에 의해 판독될 수 있는 프로그램을 기록한 기록매체 있어서, 다수의 변수 집합을 바탕으로 불충한 주변 환경 정보를 베이지안 확률 추론에 의한 베이지안망으로 표현하는 단계(a); 및 상기 불충분한 환경 정보로부터 최적의 상황 인식 정보를 추출하는 단계(b)를 포함하는 것을 특징으로 하는 상황 인식 방법을 구현한 프로그램을 기록한 기록매체가 제공된다.

이하, 본 발명의 바람직한 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면 번호에 상관없이 동일한 수단에 대해서는 동일한 참조 번호를 사용하기로 한다.

먼저 본 발명에서 상황 인식 방법에 적용하기 위해 이용되는 베이지안망과 상기 베이지안망을 구성하기 위한 유전자 알고리즘에 대해 살펴본다.

베이지안 확률 추론은 불충분한 정보를 가진 환경을 잘 표현하고 추론하는 대표적인 기법들 중 하나이다. 그것은 어떤 사실이 관측 되었을 경우 환경을 적절하게 표현하는 가설이 어떤 것인지 추론한다.

베이지안망은 이러한 불충분한 정보를 가진 환경을 표현하는데 사용되며, 방향성 비순환 그래프로 나타낸다. 망의 노드는 랜덤 변수를 표현하며 아크(arc)는 변수들 간의 의존성을 표현한다.

베이지안망의 추론을 사용하기 위해서는 망의 구조가 먼저 설계되어야 하며, 각 노드의 결합 확률 분포도 역시 결정되어야 한다. 베이지안망에 의해 주어진 결 합 확률은 부모 노드에 의해 영향을 받는 노드에 대한 조건부 확률 값을 바탕으로 구한다. 부모가 없는 노드의 경우에는 선험적 확률(prior probability)에 대해서만 알면 된다. 다수개의 노드를 갖는 베이지안망의 확률 분포는 다음 [수학식 1]과 같다.

[수학식 1]

여기서 U={A₁, A₂, A₃, … A_n }는 베이지안망의 n개의 노드들을 나타내고 pa(A_i)는 노드 A_i의 부모 노드 집합을 나타낸다.

베이지안망의 학습에는 두 가지 종류가 있다.

하나는 데이터에 근거하여 변수들간의 독립성을 찾아내서 망에 가장 적합한 구조를 알아내는 것이고 다른 하나는 주어진 망 구조하에서 각 노드들의 조건부 확률분포도를 조정하는 것이다. 전자의 경우 구조 학습(structure learning)이라 하고 후자의 경우 파라미터 학습(parameter learning)이라 한다.

본 발명에서는 전자의 경우인 베이지안망의 구조 학습에 관한 것으로 유전자 알고리즘을 사용하여 다중 노드순서의 베이지안망의 구조를 학습하는 새로운 방법을 제안하고, 이를 상황 인식 시스템에 적용한다.

먼저 이러한 다중 노드순서의 베이지안망의 구조를 학습하는 방법에 적용되 는 유전자 알고리즘에 대해 살펴본다.

유전자 알고리즘은 생물의 진화과정을 인공적으로 모델링 한 알고리즘으로 많은 최적화 문제의 해를 찾는데 적용되었다. 이것은 자연계의 생물의 진화과정을 현실 세계의 문제에 적용하여서 주어진 조건하의 가장 적합한 구조체를 찾는 알고리즘이다.

유전자 알고리즘에서 개체의 수를 개체군의 크기(population size)라고 한다. 각각의 개체는 염색체(chromosome)를 가지고 있으며 염색체는 복수개의 유전자(gene)의 집합으로 구성된다.

유전자 알고리즘의 동작은 다음과 같다. 먼저 초기 개체군이 결정되고 각각의 개체의 적합도가 평가된다. 그리고 적합도에 근거하여 개체들이 다음 개체군에 선택되고 그 중 몇몇은 서로 교배를 통해 자식을 생성하거나 돌연변이를 생성한다.

교배와 돌연변이 연산에 사용되는 연산자들은 각각 교배 확률과 돌연변이 확률이라는 확률 값을 가지고 실행된다. 교배는 유전자 알고리즘에서 개체군의 평균적인 적합도를 높이는데 기여하고 돌연변이는 알고리즘이 좀 더 넓은 영역을 탐색하도록 하여 부분 최적(local optimum)을 피하도록 한다.

기본적인 단순 유전자 알고리즘(Simple Genetic Algorithm : SGA)의 흐름도는 다음과 같은 [식 1]로 나타낼 수 있다.

[식 1]

기존의 유전자 알고리즘을 이용한 베이지안망의 구조 학습은 단일 노드 순서에 대한 것이다. 단일 노드 순서에 의한 베이지안망의 구조 학습 방법은 먼저 베이지안망의 구조 하나하나를 유전자 알고리즘의 개체로 생각한다. 이 때 n개의 변수를 갖는 베이지안망은 아래 [수학식 2]와 같이 n*n 크기의 연결 행렬 C로 표현할 수 있다.

[수학식 2]

이 때 C의 구성요소 c_ij는 다음 [수학식 3]과 같다.

[수학식 3]

유전자 알고리즘의 개체군에서 각각의 개체들은 다음과 같은 [수학식 4]로 표현된다.

[수학식 4]

즉, 연결 행렬의 상위 삼각 부분만을 유전자 알고리즘을 통해서 조정하는 것이다. 이 방법을 사용할 경우 연결 행렬 전부를 조정하는 것이 아니므로 노드의 순서가 상당히 중요하게 된다. 만약 노드들의 관계에 대한 정보가 주어지지 않았을 경우에는 가장 적합한 구조의 베이지안망을 찾을 수 없다.

본 발명은 이러한 문제점을 해결하고 주어진 상황에 적합한 상황 인식 시스템 개발을 위하여 다수의 변수 집합과 학습데이터를 바탕으로 유전자 알고리즘 이중 부호화를 통해 다중 노드순서의 베이지안망을 학습하는 방법을 제안한다.

먼저 유전자 알고리즘 이중 부호화를 통해 다중 노드 순서의 베이지안망의 구조를 학습하는 방법에 대해 살펴본다.

다중 노드순서를 갖는 베이지안망 구조를 학습하기 위하여 본 발명에서는 유전자 알고리즘 이중 부호화를 이용하여 베이지안망을 표현한다.

한 염색체는 정수 부호화된 것으로 베이지안망의 노드순서를 나타내고, 다른 하나는 이진 부호화된 것으로 베이지안망의 연결 행렬을 나타낸다.

n개의 노드를 갖는 베이지안망은 다음과 같이 [수학식 5]와 [수학식 6]으로 표현된다..

[수학식 5]

[수학식 6]

[수학식 6]의 경우 전술한 [수학식 4]와 같이 연결 행렬의 상위 삼각 부분만을 유전자 알고리즘을 통해서 조정하는 기능을 한다.

연결 행렬 염색체의 경우 기존의 방법과 마찬가지로 일반적인 단순 유전자 알고리즘의 유전 연산자를 사용하지만, 또한 노드순서 염색체의 경우 새로운 유전 연산자를 사용한다.

이하 도 1 내지 도 8을 참조하여 본 발명에 의한 상황 인식 방법을 설명한다.

주어진 베이지안망의 노드순서 염색체는 부모가 없는 노드들의 노드 번호부터 그 앞의 노드들의 자식 노드들의 번호 순으로 배열된다. 노드순서 염색체의 교배 연산 알고리즘은 다음 [식 2]와 같이 나타낼 수 있다.

[식 2]

procedure OrderCrossover(Population)

Size = crossover_rate * Population_Size

while Size > 0 do

select p1, p2 from Population randomly;

generate the crossover point value from the range of [1, chromosome length]

generate two children chromosomes c1,c2

i = 0;

j = 0;

while i < (crossover point) do

Put ith gene of p1 into that of c1

Put ith gene of p2 into that of c2

i = i+1

end

while i < (chromosome length) do

while j < (chromosome length) do

if jth gene of p2 is not in c1

then Put jth gene of p2 into ith gene of c1

i = i+1

else j = j+1

end

i= (crossover point);

j = 0;

while i < (chromosome length) do

while j < (chromosome length) do

if jth gene of p1 is not in c2

then Put jth gene of p1 into ith gene of c2

i = i+1

else j = j+1

end

Size = Size-2

chromosome[p1] = chromosome[c1];

chromosome[p2] = chromosome[c2];

end

예를 들어, 도 1과 도 2에 나타난 베이지안망들의 노드순서 염색체의 경우 다음 [수학식 7]과 같이 표현할 수 있다.

[수학식 7]

이러한 두 개체를 2번째와 3번째 비트 사이에서 교배를 할 경우의 개체는 다음 [수학식 8]과 같이 표현된다.

[수학식 8]

교배를 통해 생긴 자식 개체들을 베이지안망으로 나타내면 도 3과 도 4에 도시되었다.

돌연변이 연산의 경우는 2개의 노드의 순서를 서로 바꾸는 방식을 택한다.

노드순서 염색체의 돌연변이 연산 알고리즘은 다음 [식 3]과 같다.

[식 3]

procedure OrderMutation(Population)

Size = mutation_rate * Population_Size;

while Size > 0 do

select a chromosome from Population randomly;

generate two mutation point values i,j from the range of [1, chromosome length];

exchange ith gene and jth gene of the chromosome;

Size = Size-1;

end

도5와 도6의 베이지안망은 1번째 비트와 2번째 비트에서 돌연변이 연산이 이루어진 경우로 도 5의 경우는 돌연변이 연산이 이루어지기 전의 베이지안망을 나타 내고 도 6의 경우는 돌연변이 연산이 이루어진 후의 베이지안망을 나타낸다.

본 발명에서는 제안된 베이지안망 구조의 학습을 상황 인식 시스템의 개발에 적용하였다.

실험에 사용된 데이터는 한 사람이 살고 있는 가상의 홈 네트워크 환경으로 주어진 데이터 베이스는 홈 네트워크 시스템과 관련된 42개의 변수들의 정보로 이루어져 있다. 이 중 21개는 센서의 정보로 집안의 티비나 거실이나 화장실 등의 점멸 여부를 나타낸다. 나머지 21개는 사람의 행동에 관련된 정보로 그 사람이 공부를 한다거나 독서를 하고 있다는 등의 정보를 표현해준다.

이러한 42개의 변수들로 이루어진 정보를 이용해서 그 홈 네트워크를 가장 잘 나타내고 행동의 예측이 가능한 도 7과 같은 상황 인식 시스템을 제안된 방법을 사용한 베이지안망의 구조 학습을 통해 개발한다.

유전자 알고리즘의 평가 함수로는 베이지안망이 주어진 데이터베이스에 맞게 예측할 확률 값의 마이너스 로그값을 사용하였다. 즉, 확률 값이 1에 가까워질수록 베이지안망이 주어진 데이터베이스를 가장 잘 나타내는 것을 의미하므로 평가함수의 값이 작아질수록 주어진 데이터베이스를 가장 잘 표현하는 베이지안망을 갖는 상황 인식 시스템을 설계한 것으로 볼 수 있다.

도 8은 기존의 단일 노드순서를 갖는 베이지안망 구조 학습과 제안된 다중 노드순서를 갖는 베이지안망 구조 학습의 결과를 나타낸다. 도 8과 같이 제시된 방법은 특히 다입력의 경우 기존의 방법에 대해 뛰어난 성능을 보였다. 이러한 이유는 다중 노드순서의 베이지안망은 구조학습을 위하여 가능한 모든 베이지안망 공간 을 검색하기 때문이다.

상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

이상에서 설명한 바와 같이, 본 발명에 의한 상황 인식 방법 및 이를 구현하기 위한 프로그램을 기록한 기록매체에 의하면, 불충한 정보로부터 추론하는 기법인 베이지안 확률 추론을 상황 인식 방법에 적용할 수 있다.

또한, 유전자 알고리즘(Genetic Algorithm)의 이중 부호화를 통해 학습된 다중 노드(node) 순서의 베이지안망 기반의 구조 학습을 위한 성능 향상과 이를 이용한 상황 인식 방법을 개발할 수 있어 사용자의 행동을 예측하여 보다 효율적인 서비스의 제공이 가능한 장점이 있다.

Claims

상황 인식 방법에 있어서,

다수의 변수 집합을 바탕으로 불충한 주변 환경 정보를 베이지안 확률 추론에 의한 베이지안망으로 표현하는 단계(a); 및

상기 불충분한 환경 정보로부터 최적의 상황 인식 정보를 추출하는 단계(b)를 포함하는 것을 특징으로 하는 상황 인식 방법.
제1항에 있어서,

상기 베이지안망의 구성 방법은 상기 불충한 주변 환경 정보를 이중 부호화하는 단계를 포함하는 것을 특징으로 하는 상황 인식 방법.
제2항에 있어서,

상기 단계(b)는,

유전자 알고리즘에 의해 상기 단계(a)에서 이중 부호화된 상기 불충한 주변 환경 정보로부터 상황 인식 정보를 추출하는 것을 특징으로 하는 상황 인식 방법.
제3항에 있어서,

상기 이중 부호화된 상기 불충한 주변 환경 정보로부터 상황 인식 정보를 추출하는 것은 상기 이중 부호화된 상기 불충분한 주변 환경 정보의 교배 연산 또는 돌연변이 연산을 통하여 획득된 정보를 이용하는 것을 특징으로 하는 상황 인식 방법.
상황 인식 방법이 구현되도록 디지털 처리 장치에 의해 실행될 수 있는 명령어들의 프로그램이 유형적으로 구현되어 있으며, 디지털 처리 장치에 의해 판독될 수 있는 프로그램을 기록한 기록매체 있어서,

다수의 변수 집합을 바탕으로 불충한 주변 환경 정보를 베이지안 확률 추론에 의한 베이지안망으로 표현하는 단계(a); 및

상기 불충분한 환경 정보로부터 최적의 상황 인식 정보를 추출하는 단계(b)를 포함하는 것을 특징으로 하는 상황 인식 방법을 구현한 프로그램을 기록한 기록매체.
제5항에 있어서,

상기 베이지안망의 구성 방법은 상기 불충한 주변 환경 정보를 이중 부호화하는 단계를 포함하는 것을 특징으로 하는 상황 인식 방법을 구현한 프로그램을 기 록한 기록매체.
제6항에 있어서,

상기 단계(b)는,

유전자 알고리즘에 의해 상기 단계(a)에서 이중 부호화된 상기 불충한 주변 환경 정보로부터 상황 인식 정보를 추출하는 것을 특징으로 하는 상황 인식 방법을 구현한 프로그램을 기록한 기록매체.
제7항에 있어서,

상기 이중 부호화된 상기 불충한 주변 환경 정보로부터 상황 인식 정보를 추출하는 것은 상기 이중 부호화된 상기 불충분한 주변 환경 정보의 교배 연산 또는 돌연변이 연산을 통하여 획득된 정보를 이용하는 것을 특징으로 하는 상황 인식 방법을 구현한 프로그램을 기록한 기록매체.