KR102199066B1 - 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치 - Google Patents

미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치 Download PDF

Info

Publication number
KR102199066B1
KR102199066B1 KR1020190136512A KR20190136512A KR102199066B1 KR 102199066 B1 KR102199066 B1 KR 102199066B1 KR 1020190136512 A KR1020190136512 A KR 1020190136512A KR 20190136512 A KR20190136512 A KR 20190136512A KR 102199066 B1 KR102199066 B1 KR 102199066B1
Authority
KR
South Korea
Prior art keywords
fine dust
value
values
correction
measurement data
Prior art date
Application number
KR1020190136512A
Other languages
English (en)
Inventor
김재홍
오훈석
Original Assignee
(주)지피지기소프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)지피지기소프트 filed Critical (주)지피지기소프트
Priority to KR1020190136512A priority Critical patent/KR102199066B1/ko
Application granted granted Critical
Publication of KR102199066B1 publication Critical patent/KR102199066B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/1012—Calibrating particle analysers; References therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Dispersion Chemistry (AREA)
  • Electric Vacuum Cleaner (AREA)

Abstract

미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치가 개시된다. 본 발명에 따른 미세먼지 측정 데이터 보정 장치는 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 원인 데이터를 기초로 적절한 보정치를 선정할 수 있도록 하는 보정치 선정 모델을 기계학습에 기반하여 구성한 후 실제 미세먼지 측정기를 통해 미세먼지 측정이 수행되면, 상기 보정치 선정 모델을 이용하여 원인 데이터에 대한 실측 값에 따른 적절한 보정치를 선정한 후 선정된 보정치를 기초로 상기 미세먼지 측정기에서 측정된 미세먼지 측정 데이터를 보정함으로써, 미세먼지 측정 결과의 정확도를 향상시킬 수 있도록 지원할 수 있다.

Description

미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치{FINE DUST MEASUREMENT DATA CORRECTION DEVICE THAT CAN CORRECT ERRORS OF FINE DUST MEASUREMENT DATA CALCULATED BY FINE DUST METER BASED ON MACHINE LEARNING}
본 발명은 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치에 대한 것이다.
최근, 환경오염 문제가 심각하게 대두되고 있다는 점에서, 환경오염을 감축시키기 위한 다양한 연구가 진행되고 있다.
특히, 공장이나 자동차 배기가스로 인한 미세먼지 문제가 사회적 이슈로 대두되고 있다는 점에서 미세먼지를 저감하기 위한 다양한 노력이 진행되고 있다.
미세먼지를 저감시키기 위해서는 무엇보다도 미세먼지를 정확하게 측정할 수 있어야 한다는 점에서 미세먼지 측정기의 성능을 향상시키기 위한 기술 개발이 이루어져야 한다.
미세먼지 측정기는 단위 면적당 먼지 입자의 양을 측정함으로써, 미세먼지를 측정할 수 있다. 하지만, 이러한 미세먼지 측정 데이터는 온도, 습도 등의 다양한 원인 데이터에 의해서 측정 값에 오류가 발생할 수 있다.
실제로 시중에 출시되고 있는 다양한 미세먼지 측정기들을 통해 미세먼지를 측정한 측정 데이터와 기상청에서 발표하는 실제 미세먼지 측정 데이터 간의 차이가 발생하는 경우가 많다.
이러한 차이는 앞서 설명한 바와 같이 해당 지역의 온도나 습도 등의 원인 데이터가 미세먼지 측정기의 미세먼지 측정에 영향을 미칠 수 있기 때문이다.
따라서, 온도나 습도 등과 같은 다양한 원인 데이터를 고려하여 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 정정함으로써, 미세먼지 측정의 정확도를 향상시킬 수 있는 기술에 대한 연구가 필요하다.
본 발명에 따른 미세먼지 측정 데이터 보정 장치는 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 원인 데이터를 기초로 적절한 보정치를 선정할 수 있도록 하는 보정치 선정 모델을 기계학습에 기반하여 구성한 후 실제 미세먼지 측정기를 통해 미세먼지 측정이 수행되면, 상기 보정치 선정 모델을 이용하여 원인 데이터에 대한 실측 값에 따른 적절한 보정치를 선정한 후 선정된 보정치를 기초로 상기 미세먼지 측정기에서 측정된 미세먼지 측정 데이터를 보정함으로써, 미세먼지 측정 결과의 정확도를 향상시킬 수 있도록 지원하고자 한다.
본 발명의 일실시예에 따른 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치는 상기 미세먼지 측정기를 통해 산출되는 미세먼지 측정 데이터의 오류 보정에 적용하기 위한 미리 정해진 서로 다른 k(k는 2이상의 자연수)개 보정치들이 저장되어 있는 보정치 저장부, 상기 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 것으로 미리 정해진 서로 다른 n(n은 2이상의 자연수)가지 종류의 원인 데이터들에 대한 측정 값으로 구성된 서로 다른 복수의 원인 데이터 세트들과 상기 복수의 원인 데이터 세트들 각각에 대한 상기 k개의 보정치들과의 매칭 결과 값 - 상기 매칭 결과 값은 상기 복수의 원인 데이터 세트들 각각에 대해, 상기 k개의 보정치들 중 매칭되는 것으로 사전 결정된 어느 하나의 보정치와의 값을 1로, 나머지 보정치들과의 값을 0으로 설정한 값을 의미함 - 이 저장되어 있는 트레이닝 세트 저장부, 상기 복수의 원인 데이터 세트들 중 어느 하나인 제1 원인 데이터 세트에 포함된 n개의 측정 값들을 성분으로 갖는 n차원의 입력 벡터를 생성하고, 상기 입력 벡터에 대해 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 출력 벡터를 생성하는 출력 벡터 생성부 및 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 원인 데이터 세트에 매칭된 k개의 매칭 결과 값들 각각에 하나씩 순차적으로 매칭시키고, 상기 k개의 출력 값들과 각 출력 값에 매칭된 매칭 결과 값을 서로 비교함으로써, 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행하는 기계학습부를 포함한다.
본 발명에 따른 미세먼지 측정 데이터 보정 장치는 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 원인 데이터를 기초로 적절한 보정치를 선정할 수 있도록 하는 보정치 선정 모델을 기계학습에 기반하여 구성한 후 실제 미세먼지 측정기를 통해 미세먼지 측정이 수행되면, 상기 보정치 선정 모델을 이용하여 원인 데이터에 대한 실측 값에 따른 적절한 보정치를 선정한 후 선정된 보정치를 기초로 상기 미세먼지 측정기에서 측정된 미세먼지 측정 데이터를 보정함으로써, 미세먼지 측정 결과의 정확도를 향상시킬 수 있도록 지원할 수 있다.
도 1은 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.
도 1은 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 구조를 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 미세먼지 측정 데이터 보정 장치(110)는 보정치 저장부(111), 트레이닝 세트 저장부(112), 출력 벡터 생성부(113) 및 기계학습부(114)를 포함한다.
보정치 저장부(111)에는 미세먼지 측정기를 통해 산출되는 미세먼지 측정 데이터의 오류 보정에 적용하기 위한 미리 정해진 서로 다른 k(k는 2이상의 자연수)개 보정치들이 저장되어 있다.
관련해서, 상기 k개의 보정치들은 상기 미세먼지 측정기에서 산출되는 미세먼지 측정 데이터의 오류 보정에 적용하기 위한 보정치들로 개발자에 의해 미리 산정되어 있을 수 있고, 각 보정치들은 상기 미세먼지 측정기에서 산출된 미세먼지 측정 데이터에 곱해져서 상기 미세먼지 측정 데이터를 보정하는데 사용된다.
이때, k를 5라고 하는 경우, 보정치 저장부(111)에는 하기의 표 1과 같이 보정치들이 저장되어 있을 수 있다.
순번 보정치들
1 0.5
2 0.7
3 1
4 1.3
5 1.5
트레이닝 세트 저장부(112)에는 상기 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 것으로 미리 정해진 서로 다른 n(n은 2이상의 자연수)가지 종류의 원인 데이터들에 대한 측정 값으로 구성된 서로 다른 복수의 원인 데이터 세트들과 상기 복수의 원인 데이터 세트들 각각에 대한 상기 k개의 보정치들과의 매칭 결과 값이 저장되어 있다.
여기서, 원인 데이터란 온도, 습도 등과 같이 상기 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 것으로 미리 정해진 데이터를 의미하며, n을 2라고 하는 경우, 트레이닝 세트 저장부(112)에는 2가지 종류의 원인 데이터들에 대한 측정 값으로 구성된 서로 다른 복수의 원인 데이터 세트들이 기계학습을 위한 트레이닝 세트로 미리 선정되어 저장되어 있을 수 있다.
예컨대, 첫 번째 원인 데이터 세트로 '온도: 20도, 습도: 40%'가 저장되어 있을 수 있고, 두 번째 원인 데이터 세트로 '온도: 30도, 습도: 50%'가 저장되어 있을 수 있다.
이때, 상기 매칭 결과 값은 상기 복수의 원인 데이터 세트들 각각에 대해, 상기 k개의 보정치들 중 매칭되는 것으로 사전 결정된 어느 하나의 보정치와의 값을 1로, 나머지 보정치들과의 값을 0으로 설정한 값을 의미하는 것으로, 상기 표 1과 같이 5개의 보정치가 존재한다고 하였을 때, 특정 원인 데이터 세트에 포함된 2개의 측정 값에 대해서 '0.7'이라는 보정치가 매칭되는 값이라고 하는 경우, 상기 특정 원인 데이터 세트에 대해서는 '0.7'이라는 보정치에 대해 '1'이라는 매칭 결과 값이 대응될 수 있고, 나머지 보정치들에 대해 '0'이라는 매칭 결과 값이 대응될 수 있다.
이러한 점을 고려하면, 트레이닝 세트 저장부(112)에는 하기의 표 2와 같이 데이터가 저장되어 있을 수 있다.
원인 데이터 세트 보정치 매칭 결과 값
원인 데이터 세트 1 0.5 0
0.7 1
1 0
1.3 0
1.5 0
원인 데이터 세트 2 0.5 1
0.7 0
1 0
1.3 0
1.5 0
원인 데이터 세트 3 0.5 0
0.7 0
1 1
1.3 0
1.5 0
... ... ...
상기 표 2와 같은 복수의 원인 데이터 세트들에 대한 보정치와의 매칭 결과 값은 기계학습을 수행하기 위해서 개발자에 의해 미리 실험에 의해 선정된 결과로, 개발자는 특정 온도와 습도를 가질 때 상기 미세먼지 측정기를 통해 측정된 미세먼지 측정 데이터와 실제 미세먼지 측정 값을 비교하여 양 데이터 간의 차이 비율에 따라 상기 5개의 보정치들 중 특정 하나의 보정치를 매칭시키는 방식으로 트레이닝 세트 저장부(112)의 데이터들을 구성할 수 있다.
출력 벡터 생성부(113)는 상기 복수의 원인 데이터 세트들 중 어느 하나인 제1 원인 데이터 세트에 포함된 n개의 측정 값들을 성분으로 갖는 n차원의 입력 벡터를 생성하고, 상기 입력 벡터에 대해 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 출력 벡터를 생성한다.
이때, 상기 둘 이상의 가중치 행렬들은 모두 랜덤한 성분들로 구성된 행렬일 수 있다. 상기 둘 이상의 가중치 행렬들의 성분은 후술할 본 발명에 따른 기계학습을 통해 적절한 값으로 조정되게 된다.
기계학습부(114)는 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 원인 데이터 세트에 매칭된 k개의 매칭 결과 값들 각각에 하나씩 순차적으로 매칭시키고, 상기 k개의 출력 값들과 각 출력 값에 매칭된 매칭 결과 값을 서로 비교함으로써, 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행한다.
이때, 본 발명의 일실시예에 따르면, 기계학습부(114)는 변환부(115) 및 학습 수행부(116)를 포함할 수 있다.
변환부(115)는 상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function)에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성한다.
이때, 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수로, 시그모이드(Sigmoid) 함수가 사용될 수 있다.
학습 수행부(116)는 상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 매칭 결과 값에 최대로 근접하도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행한다.
이때, 본 발명의 일실시예에 따르면, 학습 수행부(116)는 상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 매칭 결과 값을 기초로 하기의 수학식 1의 연산에 따른 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행할 수 있다.
Figure 112019111181029-pat00001
여기서, L은 상기 손실 값, ti는 상기 제1 원인 데이터 세트에 매칭된 k개의 매칭 결과 값들 중 i번째 매칭 결과 값, yi는 상기 k개의 출력 값들에 대한 변환 값 중 i번째 출력 값에 대한 변환 값을 의미한다.
관련해서, k가 5라고 가정하고, 기계학습부(114)의 동작을 예를 들어 설명하면 다음과 같다.
우선, k는 5라고 가정하였기 때문에, 상기 제1 원인 데이터 세트에 대한 상기 입력 벡터가 상기 둘 이상의 가중치 행렬들과 곱해지면, 5차원의 출력 벡터가 생성될 수 있다. 이때, 기계학습부(114)는 트레이닝 세트 저장부(112)로부터 상기 제1 원인 데이터 세트에 대한 5개의 보정치들과의 매칭 결과 값을 확인한 후 5차원의 출력 벡터의 성분인 5개의 출력 값들을 5개의 매칭 결과 값에 하나씩 순차적으로 매칭시킬 수 있다.
예컨대, 5개의 출력 값들이 O1, O2, O3, O4, O5라고 하고, 상기 제1 원인 데이터 세트에 대한 5개의 보정치들과의 매칭 결과 값이 0, 0, 0, 1, 0, 0이라고 하는 경우, 기계학습부(114)는 O1, O2, O3, O4, O5 각각에 대해 0, 0, 0, 1, 0, 0을 하나씩 매칭시킬 수 있다.
이때, 변환부(115)는 상기 5개의 출력 값들인 O1, O2, O3, O4, O5를 시그모이드 함수에 각각 입력으로 인가하여 0~1 사이의 변환 값인 y1, y2, y3, y4, y5를 생성할 수 있다.
그러고 나서, 학습 수행부(116)는 상기 수학식 1과 같은 손실 함수에 y1, y2, y3, y4, y5와 그에 대응되는 결과 값인 0, 0, 0, 1, 0, 0을 인가하여 손실 값을 연산한 후 상기 손실 값이 최소가 되도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행할 수 있다.
이때, 학습 수행부(116)는 상기 손실 값에 기초하여 역전파(Backpropagation) 처리를 수행함으로써, 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 미세먼지 측정 데이터 보정 장치(110)는 반복 수행 제어부(117)를 더 포함할 수 있다.
반복 수행 제어부(117)는 상기 복수의 원인 데이터 세트들 전체에 대해 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습 과정의 반복 수행을 제어함으로써, 상기 둘 이상의 가중치 행렬들을 보다 정교하게 결정할 수 있다.
본 발명의 일실시예에 따르면, 미세먼지 측정 데이터 보정 장치(110)는 예측용 출력 벡터 생성부(118), 예측용 변환부(119), 보정치 선택부(120) 및 데이터 보정부(121)를 더 포함할 수 있다.
예측용 출력 벡터 생성부(118)는 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습이 완료된 이후, 상기 미세먼지 측정기로부터 산출된 제1 미세먼지 측정 데이터와 상기 n가지 종류의 원인 데이터들에 대한 실측 값이 인가되면서, 상기 제1 미세먼지 측정 데이터에 대한 데이터 보정 명령이 인가되면, 상기 n가지 종류의 원인 데이터들에 대한 실측 값을 성분으로 갖는 n차원의 예측용 입력 벡터를 생성하고, 상기 예측용 입력 벡터에 대해 기계학습이 완료된 상기 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 예측용 출력 벡터를 생성한다.
관련해서, 사용자는 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습이 완료된 이후에 상기 미세먼지 측정기로부터 상기 제1 미세먼지 측정 데이터가 산출된 경우, 상기 n가지 종류의 원인 데이터에 대한 실측 값을 획득하여 상기 원인 데이터에 대한 실측 값을 기초로 상기 제1 미세먼지 측정 데이터에 대한 보정이 수행되도록 하는 데이터 보정 명령을 미세먼지 측정 데이터 보정 장치(110)에 인가할 수 있다. 이때, 예측용 출력 벡터 생성부(118)는 상기 원인 데이터에 대한 실측 값을 성분으로 갖는 예측용 입력 벡터를 생성하고, 상기 예측용 입력 벡터에 기계학습이 완료된 상기 둘 이상의 가중치 행렬들을 곱하여 상기 예측용 출력 벡터를 생성할 수 있다.
예측용 변환부(119)는 상기 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성한다.
관련해서, 상기 활성화 함수가 시그모이드 함수라고 하는 경우, 예측용 변환부(119)는 상기 시그모이드 함수에 상기 예측용 출력 값들을 하나씩 인가하여 0~1 사이의 예측용 변환 값을 생성할 수 있다.
보정치 선택부(120)는 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 k개의 보정치들 각각에 대한 매칭 결과 값으로 하나씩 순차적으로 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 최대 값의 예측용 변환 값을 확인한 후 상기 k개의 보정치들 중 상기 확인된 예측용 변환 값이 매칭 결과 값으로 지정된 제1 보정치를 선택한다.
예컨대, 예측용 변환부(119)에서 5개의 예측용 출력 값들에 대한 예측용 변환 값이 생성되었다고 하는 경우, 보정치 선택부(120)는 5개의 예측용 변환 값을 5개의 보정치들 각각에 대한 매칭 결과 값으로 하나씩 지정할 수 있다. 예컨대, 상기 5개의 예측용 변환 값이 0.6, 0.3, 0.8, 0.2, 0.4라고 하는 경우, 보정치 선택부(120)는 0.6, 0.3, 0.8, 0.2, 0.4를 상기 5개의 보정치들 각각에 대한 매칭 결과 값으로 하나씩 지정할 수 있다.
그러고 나서, 보정치 선택부(120)는 상기 5개의 예측용 변환 값 중 최대 값의 예측용 변환 값을 확인한 후 상기 5개의 보정치들 중 상기 확인된 예측용 변환 값이 매칭 결과 값으로 지정된 제1 보정치를 선택할 수 있다. 관련해서, 앞서 설명한 예시와 같이, 상기 5개의 예측용 변환 값이 0.6, 0.3, 0.8, 0.2, 0.4라고 하는 경우, 보정치 선택부(120)는 5개의 보정치들 중 0.8이라는 예측용 변환 값이 매칭 결과 값으로 지정된 보정치를 상기 제1 보정치로 선택할 수 있다.
이렇게, 상기 제1 보정치가 선택되면, 데이터 보정부(121)는 상기 제1 미세먼지 측정 데이터에 상기 제1 보정치를 곱하여 상기 제1 미세먼지 측정 데이터에 대한 보정을 수행한다.
결국, 본 발명에 따른 미세먼지 측정 데이터 보정 장치(110)는 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 원인 데이터를 기초로 적절한 보정치를 선정할 수 있도록 하는 보정치 선정 모델을 기계학습에 기반하여 구성한 후 실제 미세먼지 측정기를 통해 미세먼지 측정이 수행되면, 상기 보정치 선정 모델을 이용하여 원인 데이터에 대한 실측 값에 따른 적절한 보정치를 선정한 후 선정된 보정치를 기초로 상기 미세먼지 측정기에서 측정된 미세먼지 측정 데이터를 보정함으로써, 미세먼지 측정 결과의 정확도를 향상시킬 수 있도록 지원할 수 있다.
도 2는 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 동작 방법을 도시한 순서도이다.
단계(S210)에서는 미세먼지 측정기를 통해 산출되는 미세먼지 측정 데이터의 오류 보정에 적용하기 위한 미리 정해진 서로 다른 k(k는 2이상의 자연수)개 보정치들이 저장되어 있는 보정치 저장부를 유지한다.
단계(S220)에서는 상기 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 것으로 미리 정해진 서로 다른 n(n은 2이상의 자연수)가지 종류의 원인 데이터들에 대한 측정 값으로 구성된 서로 다른 복수의 원인 데이터 세트들과 상기 복수의 원인 데이터 세트들 각각에 대한 상기 k개의 보정치들과의 매칭 결과 값(상기 매칭 결과 값은 상기 복수의 원인 데이터 세트들 각각에 대해, 상기 k개의 보정치들 중 매칭되는 것으로 사전 결정된 어느 하나의 보정치와의 값을 1로, 나머지 보정치들과의 값을 0으로 설정한 값을 의미함)이 저장되어 있는 트레이닝 세트 저장부를 유지한다.
단계(S230)에서는 상기 복수의 원인 데이터 세트들 중 어느 하나인 제1 원인 데이터 세트에 포함된 n개의 측정 값들을 성분으로 갖는 n차원의 입력 벡터를 생성하고, 상기 입력 벡터에 대해 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 출력 벡터를 생성한다.
단계(S240)에서는 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 원인 데이터 세트에 매칭된 k개의 매칭 결과 값들 각각에 하나씩 순차적으로 매칭시키고, 상기 k개의 출력 값들과 각 출력 값에 매칭된 매칭 결과 값을 서로 비교함으로써, 상기 둘 이상의 가중치 행렬들에 대한 기계학습을 진행한다.
이때, 본 발명의 일실시예에 따르면, 단계(S240)에서는 상기 k개의 출력 값들을 사전 설정된 활성화 함수(상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임)에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 단계 및 상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 매칭 결과 값에 최대로 근접하도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행하는 단계를 포함할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 기계학습을 수행하는 단계는 상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 매칭 결과 값을 기초로 상기 수학식 1의 연산에 따른 손실 함수를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 미세먼지 측정 데이터 보정 장치의 동작 방법은 상기 복수의 원인 데이터 세트들 전체에 대해 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습 과정의 반복 수행을 제어하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 미세먼지 측정 데이터 보정 장치의 동작 방법은 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습이 완료된 이후, 상기 미세먼지 측정기로부터 산출된 제1 미세먼지 측정 데이터와 상기 n가지 종류의 원인 데이터들에 대한 실측 값이 인가되면서, 상기 제1 미세먼지 측정 데이터에 대한 데이터 보정 명령이 인가되면, 상기 n가지 종류의 원인 데이터들에 대한 실측 값을 성분으로 갖는 n차원의 예측용 입력 벡터를 생성하고, 상기 예측용 입력 벡터에 대해 기계학습이 완료된 상기 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 예측용 출력 벡터를 생성하는 단계, 상기 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 단계, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 k개의 보정치들 각각에 대한 매칭 결과 값으로 하나씩 순차적으로 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 최대 값의 예측용 변환 값을 확인한 후 상기 k개의 보정치들 중 상기 확인된 예측용 변환 값이 매칭 결과 값으로 지정된 제1 보정치를 선택하는 단계 및 상기 제1 미세먼지 측정 데이터에 상기 제1 보정치를 곱하여 상기 제1 미세먼지 측정 데이터에 대한 보정을 수행하는 단계를 더 포함할 수 있다.
이상, 도 2를 참조하여 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 동작 방법은 도 1을 이용하여 설명한 미세먼지 측정 데이터 보정 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 미세먼지 측정 데이터 보정 장치의 동작 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 미세먼지 측정 데이터 보정 장치
111: 보정치 저장부 112: 트레이닝 세트 저장부
113: 출력 벡터 생성부 114: 기계학습부
115: 변환부 116: 학습 수행부
117: 반복 수행 제어부 118: 예측용 출력 벡터 생성부
119: 예측용 변환부 120: 보정치 선택부
121: 데이터 보정부

Claims (5)

  1. 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치에 있어서,
    상기 미세먼지 측정기를 통해 산출되는 미세먼지 측정 데이터의 오류 보정에 적용하기 위한 미리 정해진 서로 다른 k(k는 2이상의 자연수)개 보정치들이 저장되어 있는 보정치 저장부;
    상기 미세먼지 측정기에서의 미세먼지 측정 오류에 영향을 미치는 것으로 미리 정해진 서로 다른 n(n은 2이상의 자연수)가지 종류의 원인 데이터들에 대한 측정 값으로 구성된 서로 다른 복수의 원인 데이터 세트들과 상기 복수의 원인 데이터 세트들 각각에 대한 상기 k개의 보정치들과의 매칭 결과 값 - 상기 매칭 결과 값은 상기 복수의 원인 데이터 세트들 각각에 대해, 상기 k개의 보정치들 중 매칭되는 것으로 사전 결정된 어느 하나의 보정치와의 값을 1로, 나머지 보정치들과의 값을 0으로 설정한 값을 의미함 - 이 저장되어 있는 트레이닝 세트 저장부;
    상기 복수의 원인 데이터 세트들 중 어느 하나인 제1 원인 데이터 세트에 포함된 n개의 측정 값들을 성분으로 갖는 n차원의 입력 벡터를 생성하고, 상기 입력 벡터에 대해 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 출력 벡터를 생성하는 출력 벡터 생성부; 및
    상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 원인 데이터 세트에 매칭된 k개의 매칭 결과 값들 각각에 하나씩 순차적으로 매칭시키고, 상기 k개의 출력 값들과 각 출력 값에 매칭된 매칭 결과 값을 서로 비교함으로써, 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행하는 기계학습부
    를 포함하는 미세먼지 측정 데이터 보정 장치.
  2. 제1항에 있어서,
    상기 기계학습부는
    상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function) - 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 변환부; 및
    상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 매칭 결과 값에 최대로 근접하도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행하는 학습 수행부
    를 포함하는 미세먼지 측정 데이터 보정 장치.
  3. 제2항에 있어서,
    상기 학습 수행부는
    상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 매칭 결과 값을 기초로 하기의 수학식 1의 연산에 따른 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습을 수행하는 미세먼지 측정 데이터 보정 장치.
    [수학식 1]
    Figure 112019111181029-pat00002

    여기서, L은 상기 손실 값, ti는 상기 제1 원인 데이터 세트에 매칭된 k개의 매칭 결과 값들 중 i번째 매칭 결과 값, yi는 상기 k개의 출력 값들에 대한 변환 값 중 i번째 출력 값에 대한 변환 값을 의미함.
  4. 제3항에 있어서,
    상기 복수의 원인 데이터 세트들 전체에 대해 상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습 과정의 반복 수행을 제어하는 반복 수행 제어부
    를 더 포함하는 미세먼지 측정 데이터 보정 장치.
  5. 제2항에 있어서,
    상기 둘 이상의 가중치 행렬들을 결정하기 위한 기계학습이 완료된 이후, 상기 미세먼지 측정기로부터 산출된 제1 미세먼지 측정 데이터와 상기 n가지 종류의 원인 데이터들에 대한 실측 값이 인가되면서, 상기 제1 미세먼지 측정 데이터에 대한 데이터 보정 명령이 인가되면, 상기 n가지 종류의 원인 데이터들에 대한 실측 값을 성분으로 갖는 n차원의 예측용 입력 벡터를 생성하고, 상기 예측용 입력 벡터에 대해 기계학습이 완료된 상기 둘 이상의 가중치 행렬들을 곱하여 벡터 차원 변환을 수행함으로써, k차원의 예측용 출력 벡터를 생성하는 예측용 출력 벡터 생성부;
    상기 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 예측용 변환부;
    상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 k개의 보정치들 각각에 대한 매칭 결과 값으로 하나씩 순차적으로 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 최대 값의 예측용 변환 값을 확인한 후 상기 k개의 보정치들 중 상기 확인된 예측용 변환 값이 매칭 결과 값으로 지정된 제1 보정치를 선택하는 보정치 선택부; 및
    상기 제1 미세먼지 측정 데이터에 상기 제1 보정치를 곱하여 상기 제1 미세먼지 측정 데이터에 대한 보정을 수행하는 데이터 보정부
    를 더 포함하는 미세먼지 측정 데이터 보정 장치.
KR1020190136512A 2019-10-30 2019-10-30 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치 KR102199066B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190136512A KR102199066B1 (ko) 2019-10-30 2019-10-30 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190136512A KR102199066B1 (ko) 2019-10-30 2019-10-30 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치

Publications (1)

Publication Number Publication Date
KR102199066B1 true KR102199066B1 (ko) 2021-01-06

Family

ID=74128510

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190136512A KR102199066B1 (ko) 2019-10-30 2019-10-30 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치

Country Status (1)

Country Link
KR (1) KR102199066B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220127728A (ko) * 2021-03-11 2022-09-20 (주)제로엔 미세먼지 자동 보정 측정 장치 및 방법
KR20230012251A (ko) 2021-07-15 2023-01-26 한국과학기술원 미세먼지 측정값의 보정 방법
KR102504412B1 (ko) * 2022-08-05 2023-03-02 순천향대학교 산학협력단 머신러닝 기반 미세먼지 센서 오차 보정 장치 및 방법
KR102612561B1 (ko) * 2022-10-13 2023-12-11 디아이랩 주식회사 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법
KR20240102659A (ko) * 2022-12-26 2024-07-03 경북대학교 산학협력단 미세 먼지 센싱 방법 및 이를 수행하는 미세 먼지 센싱 장치
KR20240129263A (ko) 2023-02-20 2024-08-27 한서대학교 산학협력단 미세먼지 측정값 보정 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160122024A (ko) * 2015-04-13 2016-10-21 주식회사삼영에스앤씨 차량용 미세먼지 감지센서
KR20190083531A (ko) * 2018-01-04 2019-07-12 웅진코웨이 주식회사 먼지농도 보정 장치
KR20190091730A (ko) * 2018-01-29 2019-08-07 성균관대학교산학협력단 미세먼지의 농도 예측 방법 및 장치
KR102023279B1 (ko) * 2018-03-27 2019-09-19 재단법인 다차원 스마트 아이티 융합시스템 연구단 미세먼지센서의 데이터 보정 방법 및 그 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160122024A (ko) * 2015-04-13 2016-10-21 주식회사삼영에스앤씨 차량용 미세먼지 감지센서
KR20190083531A (ko) * 2018-01-04 2019-07-12 웅진코웨이 주식회사 먼지농도 보정 장치
KR20190091730A (ko) * 2018-01-29 2019-08-07 성균관대학교산학협력단 미세먼지의 농도 예측 방법 및 장치
KR102023279B1 (ko) * 2018-03-27 2019-09-19 재단법인 다차원 스마트 아이티 융합시스템 연구단 미세먼지센서의 데이터 보정 방법 및 그 장치

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220127728A (ko) * 2021-03-11 2022-09-20 (주)제로엔 미세먼지 자동 보정 측정 장치 및 방법
KR102601017B1 (ko) 2021-03-11 2023-11-13 (주)제로엔 미세먼지 자동 보정 측정 장치 및 방법
KR20230012251A (ko) 2021-07-15 2023-01-26 한국과학기술원 미세먼지 측정값의 보정 방법
KR102504412B1 (ko) * 2022-08-05 2023-03-02 순천향대학교 산학협력단 머신러닝 기반 미세먼지 센서 오차 보정 장치 및 방법
KR102612561B1 (ko) * 2022-10-13 2023-12-11 디아이랩 주식회사 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법
KR20240102659A (ko) * 2022-12-26 2024-07-03 경북대학교 산학협력단 미세 먼지 센싱 방법 및 이를 수행하는 미세 먼지 센싱 장치
KR102700249B1 (ko) * 2022-12-26 2024-08-29 경북대학교 산학협력단 미세 먼지 센싱 방법 및 이를 수행하는 미세 먼지 센싱 장치
KR20240129263A (ko) 2023-02-20 2024-08-27 한서대학교 산학협력단 미세먼지 측정값 보정 방법

Similar Documents

Publication Publication Date Title
KR102199066B1 (ko) 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치
CN109472357A (zh) 用于卷积神经网络的修剪和再训练方法
WO2023060737A1 (zh) 量子体系下的期望值估计方法、装置、设备及系统
CN113343630B (zh) 建模方法及建模装置、电子设备及存储介质
KR100864270B1 (ko) 비선형 모델 및 이 비선형 모델을 이용하여 시뮬레이션 시험 드라이브 신호를 생성하기 위한 방법 및 장치
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
US10331829B2 (en) System design using accurate performance models
CN113447874B (zh) 一种半导体测试系统的校准装置及方法
KR102237189B1 (ko) 약물 효과 추정을 위한 기계학습 기반의 단백질-리간드 결합력 예측 모델 생성 장치 및 그 동작 방법
KR20220048941A (ko) 인공 신경망을 이용한 트랜지스터 컴팩트 모델링 시스템, 방법 및 컴퓨터 프로그램 제품
US20230136021A1 (en) Method and system for three-dimensional modeling
US12008344B2 (en) Systems and methods for design parameter selection
US8881075B2 (en) Method for measuring assertion density in a system of verifying integrated circuit design
US20090319250A1 (en) System, method and apparatus for sensitivity based fast power grid simulation with variable time step
Gabrielli et al. End-to-end learning for physics-based acoustic modeling
CN117272894A (zh) 用于电路设计调试的机器学习技术方法、装置及系统
KR102271177B1 (ko) 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 보정할 수 있는 원인 데이터 비교 기반의 미세먼지 측정 데이터 보정 장치
CN113779498B (zh) 离散傅里叶矩阵重构方法、装置、设备和存储介质
US20220172074A1 (en) Verification system and verification method for neural network accelerator hardware
WO2021138898A1 (zh) 语音识别结果检测方法及装置、存储介质
CN113887722A (zh) 神经网络的测试方法、装置、计算机设备及存储介质
Lin et al. A design framework for hardware approximation of deep neural networks
CN118193298B (zh) 存算一体化芯片的测试方法、装置、电子设备及存储介质
JP7091726B2 (ja) 情報処理装置，プログラム及び情報処理方法
US20230385600A1 (en) Optimizing method and computing apparatus for deep learning network and computer-readable storage medium

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant