KR102652397B1 - 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램 - Google Patents

뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램 Download PDF

Info

Publication number
KR102652397B1
KR102652397B1 KR1020200114346A KR20200114346A KR102652397B1 KR 102652397 B1 KR102652397 B1 KR 102652397B1 KR 1020200114346 A KR1020200114346 A KR 1020200114346A KR 20200114346 A KR20200114346 A KR 20200114346A KR 102652397 B1 KR102652397 B1 KR 102652397B1
Authority
KR
South Korea
Prior art keywords
control command
data
classification
determined
normalization
Prior art date
Application number
KR1020200114346A
Other languages
English (en)
Other versions
KR20220032698A (ko
Inventor
김태운
Original Assignee
한림대학교 산학협력단
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 한림대학교 산학협력단 filed Critical 한림대학교 산학협력단
Priority to KR1020200114346A priority Critical patent/KR102652397B1/ko
Publication of KR20220032698A publication Critical patent/KR20220032698A/ko
Application granted granted Critical
Publication of KR102652397B1 publication Critical patent/KR102652397B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치는 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되어 정규화 함수에 의해 정규화된 정규화 데이터를 이용하여 상기 입력 데이터에 대응되는 제어 명령을 결정하는 사물 인터넷(Internet of Things; IoT) 장치로써, 상기 입력 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 상기 제1 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출하는 불확실성 점수 산출 모듈; 상기 불확실성 점수 및 임계 값 간의 대소를 비교하고, 상기 대소 비교의 결과에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 제어 명령 오류 감지 모듈; 및 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 상기 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 상기 제어 명령 벡터를 이용하여 상기 제어 명령을 결정하거나 상기 제1 정규화 데이터를 이용하여 상기 제어 명령을 결정하는 제어 명령 결정 모듈;을 포함할 수 있다.

Description

뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램{Apparatus, method and program for determining control command using a neural network model}
본 발명은 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램에 관한 것으로, 더욱 상세하게는 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되어 정규화 함수에 의해 정규화된 정규화 데이터를 이용하여 입력 데이터에 대응되는 제어 명령을 결정하되, 불확실성 점수 및 임계 값 간의 대소를 비교하고, 대소 비교의 결과에 기초하여 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단한 후, 판단 결과에 기초하여 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 제어 명령 벡터를 이용하여 제어 명령을 결정하거나 제1 정규화 데이터를 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램에 관한 것이다.
최근 인간의 두뇌가 패턴을 인식하는 방법을 모사하여 두뇌와 비슷한 방식으로 여러 정보를 처리하도록 구성된 인공 신경망(artificial neural network)을 이용한 딥 러닝에 대한 연구가 활발하게 진행되고 있다. 딥 러닝은 일예로 객체 분류, 객체 검출, 음성 인식, 자연어 처리와 분야에 적용되고 있으며, 적용 분야가 계속 확장되어 가고 있다.
딥 러닝(Deep Learning) 기법을 이용하는 인공 신경망은 일반적으로 다수의 인공 뉴런(artificial neuron)을 포함하고, 다수의 인공 뉴런은 행렬(또는 벡터)의 내적(dot product) 연산을 수행하도록 구성된다. 즉 다수의 인공 뉴런은 인공 신경망의 추론 엔진을 구성하며, 연산기로서 기능한다.
특히, 딥 러닝 기술의 핵심 계산 모형인 컨볼루셔널 뉴럴 네트워크(CNN : Convolutional Neural Network, 이하에서 "CNN"이라고 지칭함)은, 각각의 뉴런이 인간의 시각 신경계에서 중복 영역의 응답 특성과 유사한 특성을 갖도록 다중 계층으로 배치된 인공 신경망의 한 종류이다.
이러한 인공 신경망은 추론을 위해 사용되기 이전에 방대한 학습 데이터를 기반으로 학습이 수행되어야, 요구되는 패턴 인식 성능을 나타낼 수 있다. 그러므로 일반적으로 학습은 서버 또는 GPU(Graphics Processing Unit)/TPU(Tensor Processing Units)와 같은 고성능의 범용 연산 가속기가 장착된 장치에서 수행되고, 실제 사용 시의 추론은 임베디드 시스템에서 수행되는 전략이 채택되어 왔다. 그리고 인공 신경망은 학습 및 추론 과정에서 대량의 덧셈 및 곱셈 연산을 수행하게 된다.
그러나 인공 신경망이 학습이 아닌 추론을 위해 이용되는 경우, 적용된 시스템의 하드웨어의 성능에 따라 처리 속도에 큰 차이가 발생하게 된다. 특히 임베디스 시스템(embedded system)에서의 경우, 크기, 전력 소비 등과 같은 여러 제약 사항이 존재하므로, 인공 신경망을 위해 고성능의 범용 연산 가속기 이용하기 어렵다는 한계가 있다. 따라서 임베디스 시스템에서는 일반적으로 인공 신경망의 인공 뉴런이 추론을 위해 별도로 설계되는 디지털 하드웨어인 추론 엔진의 형태로 구현된다. 그럼에도 임베디드 시스템의 크기, 전력 소비 및 연산 속도의 문제는 추론 엔진의 설계에도 제약 사항으로 작용하여, 인공 신경망이 소형 기기 등에 적용되기 어렵게 하는 요인이 되어, 인공 신경망의 적용 분야를 제한하는 요인이 되고 있다.
특히, 저전력으로 구동되는 사물 인터넷(Internet of Things; IoT) 장치는 한정된 연산 처리 능력이 탑재되어 고도의 연산 처리 능력이 요구되는 인공 신경망을 이용하거나 인공 신경망의 모델을 변경하는데 많은 제약이 발생하는 문제점이 있다.
본 발명은 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터의 제1 정규화 데이터에 의해 결정된 제어 명령이 불확실한 것으로 판단되면 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 제어 명령 벡터를 이용하여 제어 명령을 결정함으로써, 불확실한 제어 명령의 결정을 최소화할 수 있는 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치를 제공할 수 있다.
또한, 본 발명은 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터의 제1 정규화 데이터에 의해 결정된 제어 명령이 불확실하지 않은 것으로 판단되면 제1 정규화 데이터를 그대로 이용하여 제어 명령을 결정함으로써, 정규화 함수를 변경하지 않고도 제어 명령을 결정할 수 있는 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치를 제공할 수 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치는 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되어 정규화 함수에 의해 정규화된 정규화 데이터를 이용하여 상기 입력 데이터에 대응되는 제어 명령을 결정하는 사물 인터넷(Internet of Things; IoT) 장치로써, 상기 입력 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 상기 제1 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출하는 불확실성 점수 산출 모듈; 상기 불확실성 점수 및 임계 값 간의 대소를 비교하고, 상기 대소 비교의 결과에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 제어 명령 오류 감지 모듈; 및 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 상기 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 상기 제어 명령 벡터를 이용하여 상기 제어 명령을 결정하거나 상기 제1 정규화 데이터를 이용하여 상기 제어 명령을 결정하는 제어 명령 결정 모듈;을 포함할 수 있다.
본 발명에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치는 검증 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 복수의 제2 모델 데이터 및 상기 복수의 제2 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 복수의 제2 정규화 데이터에 기초하여 임계 값을 설정하는 임계 값 설정 모듈;을 더 포함할 수 있다.
바람직하게, 상기 불확실성 점수 산출 모듈은 상기 제1 정규화 데이터에 포함되고, 분류 클래스 별로 상기 입력 데이터가 해당 분류 클래스로 분류될 확률을 나타내는 분류 클래스 별 분류 확률 정보를 이용하여 상기 불확실성 점수를 산출할 수 있다.
바람직하게, 상기 제어 명령 결정 모듈은 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단되면 상기 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터와 상기 분류 확률 정보를 이용하여 제어 명령 벡터를 생성하고, 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단되면 상기 분류 클래스 별 분류 확률 정보 중에서 분류 확률 정보가 가장 높은 분류 클래스에 대응하여 제어 명령을 결정할 수 있다.
바람직하게, 상기 제어 명령 오류 감지 모듈은 상기 불확실성 점수가 상기 임계 값을 초과하면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단하고, 상기 불확실성 점수가 상기 임계 값 이하이면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단할 수 있다.
본 발명에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법은 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되어 정규화 함수에 의해 정규화된 정규화 데이터를 이용하여 상기 입력 데이터에 대응되는 제어 명령을 결정하는 사물 인터넷(Internet of Things; IoT) 장치의 제어 명령을 결정하는 방법으로써, 불확실성 점수 산출 모듈이 상기 입력 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 상기 제1 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출하는 단계; 제어 명령 오류 감지 모듈이 상기 불확실성 점수 및 임계 값 간의 대소를 비교하고, 상기 대소 비교의 결과에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 단계; 및 제어 명령 결정 모듈이 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 상기 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 상기 제어 명령 벡터를 이용하여 상기 제어 명령을 결정하거나 상기 제1 정규화 데이터를 이용하여 상기 제어 명령을 결정하는 단계;를 포함할 수 있다.
본 발명에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법은 임계 값 설정 모듈이 검증 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 복수의 제2 모델 데이터 및 상기 복수의 제2 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 복수의 제2 정규화 데이터에 기초하여 임계 값을 설정하는 단계;를 더 포함할 수 있다.
바람직하게, 상기 불확실성 점수를 산출하는 단계는 상기 불확실성 점수 산출 모듈이 상기 제1 정규화 데이터에 포함되고, 분류 클래스 별로 상기 입력 데이터가 해당 분류 클래스로 분류될 확률을 나타내는 분류 클래스 별 분류 확률 정보를 이용하여 상기 불확실성 점수를 산출하는 단계;를 포함할 수 있다.
바람직하게, 상기 제어 명령을 결정하는 단계는 상기 제어 명령 결정 모듈이 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단되면 상기 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터와 상기 분류 확률 정보를 이용하여 제어 명령 벡터를 생성하고, 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단되면 상기 분류 클래스 별 분류 확률 정보 중에서 분류 확률 정보가 가장 높은 분류 클래스에 대응하여 제어 명령을 결정하는 단계;를 포함할 수 있다.
바람직하게, 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 단계는 상기 제어 명령 오류 감지 모듈이 상기 불확실성 점수가 상기 임계 값을 초과하면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단하고, 상기 불확실성 점수가 상기 임계 값 이하이면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단하는 단계;를 포함할 수 있다.
본 발명에 따른 컴퓨터 프로그램은 하드웨어인 컴퓨터와 결합되어, 상기 네트워크 자원 할당 방법 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터 프로그램.
본 발명에 따르면, 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터의 제1 정규화 데이터에 의해 결정된 제어 명령이 불확실한 것으로 판단되면 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 제어 명령 벡터를 이용하여 제어 명령을 결정함으로써, 불확실한 제어 명령의 결정을 최소화할 수 있다.
또한, 본 발명에 따르면, 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터의 제1 정규화 데이터에 의해 결정된 제어 명령이 불확실하지 않은 것으로 판단되면 제1 정규화 데이터를 그대로 이용하여 제어 명령을 결정함으로써, 정규화 함수를 변경하지 않고도 제어 명령을 결정할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 네트워크 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 구성요소가 도시된 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 구성 요소 간 데이터 흐름을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법을 설명하기 위한 순서도이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형 태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/ 또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대 해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다", "가질 수 있다", "포함한다", 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B", "A 또는/및 B 중 적어도 하나", 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현 은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B", "A 및 B 중 적어도 하나", 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중 요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성 요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합 한(suitable for)", "~하는 능력을 가지는(having the capacity to)", "~하도록 설계된(designed to)", "~하도록 변경된(adapted to)", "~하도록 만들어진(made to)", 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성(또는 설정)된"은 하드웨어적으로 "특별히 설계된(specifically designed to)"것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성 (또는 설정)된 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서 (generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한 정하려는 의도가 아닐 수 있다. 단수의 표현은 컨텍스트 상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은 관련 기술의 컨텍스트 상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
도 1은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)의 네트워크 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)는 기지국 장치(10)를 통해 사물 인터넷 서버(20)와 통신을 수행할 수 있다.
이러한, 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)는 다양한 데이터를 기지국 장치(100)로부터 수신하거나 기지국 장치(10)로 송신할 수 있다.
이때, 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)는 기지국 장치(10)를 통해 사물 인터넷 서버(20)에서 송신한 데이터를 수신하거나 사물 인터넷 서버(20)로 데이터를 송신할 수 있다.
여기서, 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100), 기지국 장치(10) 및 사물 인터넷 서버(20) 간에 송수신되는 데이터는 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)의 운영을 위해 요구되는 설정 데이터, 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)에서 생 또는 측정된 데이터일 수 있으나, 그 종류가 제한되지 않음을 유의한다.
도 2는 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)의 구성요소가 도시된 블록도이고, 도 3은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)의 구성 요소 간 데이터 흐름을 설명하기 위한 도면이다.
도 2 및 도 3을 참조하면, 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)는 임계 값 설정 모듈(110), 불확실성 점수 산출 모듈(120), 제어 명령 오류 감지 모듈(130) 및 제어 명령 결정 모듈(140)을 포함할 수 있다.
또한, 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)는 뉴럴 네트워크 모듈(150), 정규화 모듈(160) 및 최대화 모듈(170)을 더 포함할 수 있다.
임계 값 설정 모듈(110)은 검증 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 복수의 제2 모델 데이터 및 복수의 제2 모델 데이터를 입력받은 정규화 함수로부터 출력되는 복수의 제2 정규화 데이터에 기초하여 임계 값을 설정할 수 있다.
여기서, 뉴럴 네트워크 모델은 뉴럴 네트워크 모듈(150)에 의해 실행되며 데이터를 입력받아 학습 및 훈련에 기초하여 모델 데이터를 출력할 수 있다.
구체적으로, 뉴럴 네트워크 모델은 검증 데이터가 입력되면 복수의 제2 모델 데이터를 출력하고, 입력 데이터가 입력되면 제1 모델 데이터를 출력할 수 있다.
여기서, 검증 데이터는 뉴럴 네트워크 모델을 검증하는데 이용되는 데이터일 수 있고, 입력 데이터는 실제로 제어 명령을 결정하는데 이용되는 데이터일 수 있다.
이러한, 뉴럴 네트워크 모델은 ANN(artificial neural network) 또는 CNN(convolutional neural network)일 수 있으며, 정규화 함수와 연동되는 한 그 종류는 제한되지 않음을 유의한다.
여기서, 정규화 함수는 정규화 모듈(160)에 의해 실행되며, 뉴럴 네트워크 모델로부터 출력되는 모델 데이터를 정규화하여 정규화 데이터로 출력할 수 있다.
구체적으로, 정규화 함수는 복수의 제2 모델 데이터를 입력받아 복수의 제2 정규화 데이터로 정규화하여 출력할 수 있다.
정규화 함수는 제1 모델 데이터를 입력받아 제1 정규화 데이터로 정규화하여 출력할 수 있다.
여기서, 정규화 데이터는 분류 클래스 별로 입력 데이터 또는 검증 데이터가 해당 분류 클래스로 분류될 확률을 나타내는 분류 클래스 별 분류 확률 정보를 포함할 수 있다.
예를 들어, 정규화 함수는 SoftMax 함수일 수 있고, 정규화 데이터는 SoftMax 함수로부터 출력되는 확률 벡터일 수 있다.
구체적인 예를 들어, 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치(100)가 자율 주행 자동차에 적용되고, 입력 데이터 또는 검증 데이터가 자율 주행 자동차의 전방 이미지 데이터인 경우, 분류 클래스는 “좌측 방향”, “우측 방항”, “전방”일 수 있다.
이때, 입력 데이터로써, 전방 이미지 데이터가 입력된 뉴럴 네트워크 모델로부터 제1 모델 데이터가 출력되고, 이러한 제1 모델 데이터가 정규화 함수에 입력되어 분류 클래스는 “좌측 방향”, “우측 방항”, “전방”이고, 각 분류 클래스 별 분류 확률 정보가 포함된 제1 정규화 데이터가 출력될 수 있다.
예를 들어, 제1 정규화 데이터는 “좌측 방향”, “우측 방항”, “전방” 분류 클래스 순으로 분류 확률 정보가 표시될 수 있으며, 분류 확률 정보의 총합은 “1”일 수 있다.
제1 정규화 데이터가 [0.1, 0.3, 0.6]인 경우, 입력 데이터로 입력된 전방 이미지 데이터는 “좌측 방향”, “우측 방항”, “전방” 각각으로 분류될 확률이 10%, 30%, 60%임을 나타낼 수 있다.
검증 데이터는 입력의 목적이 상이할 뿐 입력 데이터와 동일하게 입력 및 처리될 수 있다.
한편, 임계 값 설정 모듈(110)은 복수의 제2 정규화 데이터 각각의 분류 클래스 별 분류 확률 정보를 이용하여 복수의 제2 정규화 데이터를 분류 클래스 별로 분류할 수 있다.
구체적으로, 임계 값 설정 모듈(110)은 복수의 제2 정규화 데이터 각각의 분류 클래스 별 분류 확률 정보 중에서 가장 큰 값의 분류 확률 정보에 대응되는 분류 클래스를 확인하고, 확인된 분류 클래스로 해당 제2 정규화 데이터를 분류할 수 있다.
예를 들어, 임계 값 설정 모듈(110)은 어느 하나의 제2 정규화 데이터가 [0.1, 0.3, 0.6]인 경우, 가장 큰 값의 분류 확률 정보인 “0.6”에 대응되는 분류 클래스로 해당 제2 정규화 데이터를 분류할 수 있다.
이후, 임계 값 설정 모듈(110)은 같은 분류 클래스로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 평균 및 표준 편차를 이용하여 해당 분류 클래스의 임계 값을 산출할 수 있다.
이때, 임계 값 설정 모듈(110)은 하기의 수학식 1을 이용하여 분류 클래스 별로 임계 값을 산출할 수 있다.
여기서, 는 분류 클래스 의 임계 값이고, 는 분류 클래스 가 로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 평균이고, 는 분류 클래스가 로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 표준 편차이고, 는 정수인 매개 변수일 수 있다.
이후, 임계 값 설정 모듈(110)은 분류 클래스 별 임계 값을 제어 명령 오류 감지 모듈(130)로 전달할 수 있다.
불확실성 점수 산출 모듈(120)은 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 제1 모델 데이터를 입력받은 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출할 수 있다.
구체적으로, 불확실성 점수 산출 모듈(120)은 제1 정규화 데이터에 포함되고, 분류 클래스 별로 입력 데이터가 해당 분류 클래스로 분류될 확률을 나타내는 분류 클래스 별 분류 확률 정보를 이용하여 불확실성 점수를 산출할 수 있다.
이때, 불확실성 점수 산출 모듈(120)은 제1 정규화 데이터의 분류 확률 정보 중에서 큰 순으로 미리 설정된 순위 내에 포함되는 분류 확률 정보를 이용하여 불확실성 점수를 산출할 수 있다. 예를 들어, 미리 설정된 순위는 2순위일 수 있다.
예를 들어, 불확실성 점수 산출 모듈(120)은 제1 정규화 데이터가 [0.1, 0.3, 0.6]인 경우, 분류 확률 정보 중에서 큰 순으로 2개의 분류 확률 정보인 “0.6” 및 “0.3”을 이용하여 불확실성 점수를 산출할 수 있다.
이때, 불확실성 점수 산출 모듈(120)은 하기의 수학식 2를 이용하여 불확실성 점수를 산출할 수 있다.
여기서, 는 제1 정규화 데이터의 불확실성 점수이고, 은 미리 설정된 순위이고, 는 제1 정규화 데이터의 분류 확률 정보일 수 있다.
이후, 불확실성 점수 산출 모듈(120)은 제1 정규화 데이터 각각의 분류 클래스 별 분류 확률 정보 중에서 가장 큰 값의 분류 확률 정보에 대응되는 분류 클래스의 클래스 식별 정보를 확인하고, 확인된 클래스 식별 정보와 제1 정규 데이터의 불확실성 점수를 제어 명령 오류 감지 모듈(130)로 전달할 수 있다.
제어 명령 오류 감지 모듈(130)은 불확실성 점수 및 임계 값 간의 대소를 비교하고, 대소 비교의 결과에 기초하여 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단할 수 있다.
구체적으로, 제어 명령 오류 감지 모듈(130)은 불확실성 점수 산출 모듈(120)로부터 전달된 분류 클래스 식별 정보를 이용하여 임계 값 설정 모듈(110)로부터 전달된 분류 클래스 별 임계 값 중에서 분류 클래스 식별 정보에 대응되는 분류 클래스의 임계 값을 확인할 수 있다.
이후, 제어 명령 오류 감지 모듈(130)은 확인된 임계 값과 불확실성 점수 산출 모듈(120)로부터 전달된 제1 정규 데이터의 불확실성 점수 간의 대소를 비교하고, 불확실성 점수가 임계 값을 초과하면 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단하고, 불확실성 점수가 임계 값 이하이면 제1 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단할 수 있다.
제어 명령 결정 모듈(140)은 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 제어 명령 벡터를 이용하여 제어 명령을 결정하거나 제1 정규화 데이터를 이용하여 제어 명령을 결정할 수 있다.
구체적으로, 제어 명령 결정 모듈(140)은 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단되면 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터와 분류 확률 정보를 이용하여 제어 명령 벡터를 생성할 수 있다.
제어 명령 결정 모듈(140)은 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터에 해당 분류 클래스의 분류 확률 정보를 곱하여 분류 클래스 별 성분 벡터를 생성하고, 분류 클래스 별 성분 벡터를 합성하여 제어 명령 벡터를 생성할 수 있다.
예를 들어, 제어 명령 결정 모듈(140)은 제1 정규화 데이터 [0.1, 0.3, 0.6]로부터 결정될 제어 명령이 불확실한 것으로 판단되면 제1 정규화 데이터 [0.1, 0.3, 0.6]의 분류 클래스 “좌측 방향”, “우측 방항”, “전방” 각각의 단위 벡터 (-1,0), (1,0), (0,1)에 제1 정규화 데이터의 분류 확률 정보 0.1, 0.3, 0.6를 곱하여 분류 클래스 별 성분 벡터 (-0.1,0), (0.3,0), (0,0.6)를 생성하고, 분류 클래스 별 성분 벡터 (-0.1,0), (0.3,0), (0,0.6)를 합성하여 제어 명령 벡터 (0.2,0.6)을 생성할 수 있다.
이에 따라, 제어 명령 결정 모듈(140)은 제어 명령 벡터 (0.2,0.6)를 이용하여 제어 명령이 혼합된 혼합 제어 명령을 결정할 수 있다.
반대로, 제어 명령 결정 모듈(140)은 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단되면 분류 클래스 별 분류 확률 정보 중에서 분류 확률 정보가 가장 높은 분류 클래스에 대응하여 제어 명령을 결정할 수 있다.
이를 위해, 최대화 모듈(170)은 제1 정규화 데이터의 분류 확률 정보 중에서 가장 큰 분류 확률 정보의 분류 클래스를 추출하여 제어 명령 결정 모듈(140)로 출력할 수 있다.
예를 들어, 최대화 모듈(170)은 제1 정규화 데이터 [0.1, 0.3, 0.6]의 분류 확률 정보 중에서 가장 큰 분류 확률 정보 0.6의 분류 클래스를 추출하여 제어 명령 결정 모듈(140)로 출력할 수 있다.
이후, 제어 명령 결정 모듈(140)은 제1 정규화 데이터 [0.1, 0.3, 0.6]로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단된 제1 정규화 데이터 [0.1, 0.3, 0.6]의 분류 확률 정보 중에서 가장 큰 0.6의 분류 클래스에 대응되는 제어 명령을 결정할 수 있다.
일 실시 예에 따른 임계 값 설정 모듈(110), 불확실성 점수 산출 모듈(120), 제어 명령 오류 감지 모듈(130) 및 제어 명령 결정 모듈(140)은 중앙처리장치(Central Processing Unit (CPU)), 어플리케이션 프로세서(Application Processor (AP)) 및 커뮤니케이션 프로세서(Communication Processor (CP)) 중 하나 이상을 통해 구현될 수 있다.
일 실시 예에 따른 뉴럴 네트워크 모듈(150), 정규화 모듈(160) 및 최대화 모듈(170)은 중앙처리장치(Central Processing Unit (CPU)), 어플리케이션 프로세서(Application Processor (AP)) 및 커뮤니케이션 프로세서(Communication Processor (CP)) 중 하나 이상을 통해 구현될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법을 설명하기 위한 순서도이다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법은 이하에서 그 구체적인 주체는 제한되지 않는다. 예를 들어, 제어 명령 결정 방법은 상술된 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치에 의해 수행될 수 있다.
단계 S1에서, 불확실성 점수 산출 모듈이 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 제1 모델 데이터를 입력받은 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출한다.
이때, 불확실성 점수 산출 모듈은 하기의 수학식 3을 이용하여 불확실성 점수를 산출할 수 있다.
여기서, 는 제1 정규화 데이터의 불확실성 점수이고, 은 미리 설정된 순위이고, 는 제1 정규화 데이터의 분류 확률 정보일 수 있다.
단계 S1 이전에, 임계 값 설정 모듈이 검증 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되는 복수의 제2 모델 데이터 및 복수의 제2 모델 데이터를 입력받은 정규화 함수로부터 출력되는 복수의 제2 정규화 데이터에 기초하여 임계 값을 설정하는 단계가 수행될 수 있다.
이때, 임계 값 설정 모듈은 하기의 수학식 4를 이용하여 분류 클래스 별로 임계 값을 산출할 수 있다.
여기서, 는 분류 클래스 의 임계 값이고, 는 분류 클래스 가 로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 평균이고, 는 분류 클래스 가 로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 표준 편차이고, 는 정수인 매개 변수일 수 있다.
한편, 단계 S1은 불확실성 점수 산출 모듈이 제1 정규화 데이터에 포함되고, 분류 클래스 별로 입력 데이터가 해당 분류 클래스로 분류될 확률을 나타내는 분류 클래스 별 분류 확률 정보를 이용하여 불확실성 점수를 산출하는 단계를 포함할 수 있다.
단계 S2에서, 제어 명령 오류 감지 모듈이 불확실성 점수 및 임계 값 간의 대소를 비교하고, 대소 비교의 결과에 기초하여 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단한다.
이어서, 단계 S3는 제어 명령 오류 감지 모듈이 불확실성 점수가 임계 값을 초과하면 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단하고, 불확실성 점수가 임계 값 이하이면 제1 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단하는 단계를 포함할 수 있다.
단계 S3에서의 판단 수행 후, 제어 명령 결정 모듈이 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 제어 명령 벡터를 이용하여 제어 명령을 결정하거나 제1 정규화 데이터를 이용하여 제어 명령을 결정한다.
S4 단계에서, 제어 명령 결정 모듈이 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단되면 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터와 분류 확률 정보를 이용하여 제어 명령 벡터를 생성하고, S5 단계에서, 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단되면 분류 클래스 별 분류 확률 정보 중에서 분류 확률 정보가 가장 높은 분류 클래스에 대응하여 제어 명령을 결정하는 단계를 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야 에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이제까지 본 발명에 대하여 바람직한 실시 예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 한다.
이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
100: 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치
110: 임계 값 설정 모듈
120: 불확실성 점수 산출 모듈
130: 제어 명령 오류 감지 모듈
140: 제어 명령 결정 모듈
150: 뉴럴 네트워크 모듈
160: 정규화 모듈
170: 최대화 모듈

Claims (11)

  1. 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되어 정규화 함수에 의해 정규화된 정규화 데이터를 이용하여 상기 입력 데이터에 대응되는 제어 명령을 결정하는 사물 인터넷(Internet of Things; IoT) 장치에 있어서,
    상기 입력 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 상기 제1 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출하는 불확실성 점수 산출 모듈;
    상기 불확실성 점수 및 임계 값 간의 대소를 비교하고, 상기 대소 비교의 결과에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 제어 명령 오류 감지 모듈;
    상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 상기 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 상기 제어 명령 벡터를 이용하여 상기 제어 명령을 결정하거나 상기 제1 정규화 데이터를 이용하여 상기 제어 명령을 결정하는 제어 명령 결정 모듈; 및
    검증 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 복수의 제2 모델 데이터 및 상기 복수의 제2 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 복수의 제2 정규화 데이터에 기초하여 임계 값을 설정하는 임계 값 설정 모듈;을 포함하고,
    상기 제1 정규화 데이터는
    상기 입력 데이터가 미리 정해진 복수의 분류 클래스 각각으로 분류될 확률인 분류 클래스 별 분류 확률 정보를 포함하고,
    상기 제1 정규화 데이터에 포함된 분류 클래스 별 분류 확률 정보는
    상기 정규화 함수에 의해 출력되고,
    상기 복수의 제2 정규화 데이터 각각은
    상기 검증 데이터가 미리 정해진 복수의 분류 클래스 각각으로 분류될 확률인 분류 클래스 별 분류 확률 정보를 포함하고,
    상기 제2 정규화 데이터에 포함된 분류 클래스 별 분류 확률 정보는
    상기 정규화 함수에 의해 출력되고,
    상기 임계 값 설정 모듈은
    상기 복수의 제2 정규화 데이터 각각에 포함된 분류 클래스 별 분류 확률 정보 각각에 대해 가장 큰 분류 확률 정보에 대응되는 분류 클래스를 상기 복수의 제2 정규화 데이터 마다 확인하고, 확인된 분류 클래스로 상기 복수의 제2 정규화 데이터 각각을 분류하고,
    상기 임계 값 설정 모듈은
    같은 분류 클래스로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 평균 및 표준 편차를 이용하여 해당 분류 클래스의 임계 값을 산출하고,
    상기 임계 값 설정 모듈은
    하기의 수학식 5를 이용하여 상기 분류 클래스 별로 상기 임계 값을 산출하고,
    상기 불확실성 점수 산출 모듈은
    상기 제1 정규화 데이터에 포함된 분류 클래스 별 분류 확률 정보를 이용하여 상기 불확실성 점수를 산출하고,
    상기 불확실성 점수 산출 모듈은
    하기의 수학식 6을 이용하여 상기 불확실성 점수를 산출하는 것을 특징으로 하는
    뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치.

  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 제어 명령 결정 모듈은
    상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단되면 상기 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터와 상기 분류 확률 정보를 이용하여 제어 명령 벡터를 생성하고, 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단되면 상기 분류 클래스 별 분류 확률 정보 중에서 분류 확률 정보가 가장 높은 분류 클래스에 대응하여 제어 명령을 결정하는 것을 특징으로 하는
    뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치.
  5. 제1항에 있어서,
    상기 제어 명령 오류 감지 모듈은
    상기 불확실성 점수가 상기 임계 값을 초과하면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단하고, 상기 불확실성 점수가 상기 임계 값 이하이면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단하는 것을 특징으로 하는
    뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치.
  6. 입력 데이터를 입력받은 뉴럴 네트워크 모델로부터 출력되어 정규화 함수에 의해 정규화된 정규화 데이터를 이용하여 상기 입력 데이터에 대응되는 제어 명령을 결정하는 사물 인터넷(Internet of Things; IoT) 장치의 제어 명령 결정 방법에 있어서,
    불확실성 점수 산출 모듈이 상기 입력 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 제1 모델 데이터 및 상기 제1 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 제1 정규화 데이터에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령의 불확실성을 나타내는 불확실성 점수를 산출하는 단계;
    제어 명령 오류 감지 모듈이 상기 불확실성 점수 및 임계 값 간의 대소를 비교하고, 상기 대소 비교의 결과에 기초하여 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 단계;
    제어 명령 결정 모듈이 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부에 기초하여 상기 제1 정규화 데이터로부터 제어 명령 벡터를 생성한 후 상기 제어 명령 벡터를 이용하여 상기 제어 명령을 결정하거나 상기 제1 정규화 데이터를 이용하여 상기 제어 명령을 결정하는 단계; 및
    임계 값 설정 모듈이 검증 데이터를 입력받은 상기 뉴럴 네트워크 모델로부터 출력되는 복수의 제2 모델 데이터 및 상기 복수의 제2 모델 데이터를 입력받은 상기 정규화 함수로부터 출력되는 복수의 제2 정규화 데이터에 기초하여 임계 값을 설정하는 단계;를 포함하고,
    상기 제1 정규화 데이터는
    상기 입력 데이터가 미리 정해진 복수의 분류 클래스 각각으로 분류될 확률인 분류 클래스 별 분류 확률 정보를 포함하고,
    상기 제1 정규화 데이터에 포함된 분류 클래스 별 분류 확률 정보는
    상기 정규화 함수에 의해 출력되고,
    상기 복수의 제2 정규화 데이터 각각은
    상기 검증 데이터가 미리 정해진 복수의 분류 클래스 각각으로 분류될 확률인 분류 클래스 별 분류 확률 정보를 포함하고,상기 제2 정규화 데이터에 포함된 분류 클래스 별 분류 확률 정보는
    상기 정규화 함수에 의해 출력되고,
    상기 임계 값을 설정하는 단계는
    상기 임계 값 설정 모듈이 상기 복수의 제2 정규화 데이터 각각에 포함된 분류 클래스 별 분류 확률 정보 각각에 대해 가장 큰 분류 확률 정보에 대응되는 분류 클래스를 상기 복수의 제2 정규화 데이터 마다 확인하고, 확인된 분류 클래스로 상기 복수의 제2 정규화 데이터 각각을 분류하는 단계;
    상기 임계 값 설정 모듈이 같은 분류 클래스로 분류된 제2 정규화 데이터의 가장 큰 분류 확률 정보 간의 평균 및 표준 편차를 이용하여 해당 분류 클래스의 임계 값을 산출하는 단계; 및
    상기 임계 값 설정 모듈이　하기의 수학식 7을 이용하여 상기 분류 클래스 별로 상기 임계 값을 산출하는 단계;를 포함하고,
    상기 불확실성 점수를 산출하는 단계는
    상기 불확실성 점수 산출 모듈이 상기 제1 정규화 데이터에 포함된 분류 클래스로 분류될 확률을 나타내는 분류 클래스 별 분류 확률 정보를 이용하여 상기 불확실성 점수를 산출하는 단계; 및
    상기 불확실성 점수 산출 모듈이 하기의 수학식 8을 이용하여 상기 불확실성 점수를 산출하는 단계;를 포함하는 것을 특징으로 하는
    뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법.

  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 제어 명령을 결정하는 단계는
    상기 제어 명령 결정 모듈이 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단되면 상기 분류 클래스 각각에 대응되는 벡터 차원의 단위 벡터와 상기 분류 확률 정보를 이용하여 제어 명령 벡터를 생성하고, 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단되면 상기 분류 클래스 별 분류 확률 정보 중에서 분류 확률 정보가 가장 높은 분류 클래스에 대응하여 제어 명령을 결정하는 단계;를 포함하는 것을 특징으로 하는
    뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법.
  10. 제6항에 있어서,
    상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한지 여부를 판단하는 단계는
    상기 제어 명령 오류 감지 모듈이 상기 불확실성 점수가 상기 임계 값을 초과하면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실한 것으로 판단하고, 상기 불확실성 점수가 상기 임계 값 이하이면 상기 제1 정규화 데이터로부터 결정될 제어 명령이 불확실하지 않은 것으로 판단하는 단계;를 포함하는 것을 특징으로 하는
    뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치의 제어 명령 결정 방법.
  11. 하드웨어인 컴퓨터와 결합되어, 제6항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020200114346A 2020-09-08 2020-09-08 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램 KR102652397B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200114346A KR102652397B1 (ko) 2020-09-08 2020-09-08 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200114346A KR102652397B1 (ko) 2020-09-08 2020-09-08 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램

Publications (2)

Publication Number Publication Date
KR20220032698A KR20220032698A (ko) 2022-03-15
KR102652397B1 true KR102652397B1 (ko) 2024-03-27

Family

ID=80816926

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200114346A KR102652397B1 (ko) 2020-09-08 2020-09-08 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램

Country Status (1)

Country Link
KR (1) KR102652397B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018503885A (ja) * 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101456554B1 (ko) * 2012-08-30 2014-10-31 한국과학기술원 클래스 확률 출력망에 기초한 불확실성 측도를 이용한 능동학습기능이 구비된 인공인지시스템 및 그 능동학습방법
KR20190106861A (ko) * 2019-08-27 2019-09-18 엘지전자 주식회사 학습 데이터를 생성하는 인공 지능 장치, 인공 지능 서버 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018503885A (ja) * 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測

Also Published As

Publication number Publication date
KR20220032698A (ko) 2022-03-15

Similar Documents

Publication Publication Date Title
KR102085217B1 (ko) 특허문서의 유사도 판단 방법, 장치 및 시스템
US20200143248A1 (en) Machine learning model training method and device, and expression image classification method and device
WO2021155706A1 (zh) 利用不平衡正负样本对业务预测模型训练的方法及装置
KR20230021043A (ko) 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치
US11893831B2 (en) Identity information processing method and device based on fundus image
JP2022141931A (ja) 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
KR20190081243A (ko) 정규화된 표현력에 기초한 표정 인식 방법, 표정 인식 장치 및 표정 인식을 위한 학습 방법
KR20160061856A (ko) 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치
CN112115973A (zh) 一种基于卷积神经网络图像识别方法
KR102060719B1 (ko) 딥러닝 기반 얼굴 검출 및 감정 인식 시스템 및 방법
CN113254678B (zh) 跨媒体检索模型的训练方法、跨媒体检索方法及其设备
KR20200126720A (ko) 약물-표적 단백질의 상호작용을 예측하는 방법 및 그 방법을 수행하는 장치
CN112767386B (zh) 基于主题特征和评分分布的图像美学质量评价方法及系统
KR20200080921A (ko) 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치
CN113434699A (zh) Bert模型的预训练方法、计算机装置和存储介质
CN116993876B (zh) 生成数字人形象的方法、装置、电子设备及存储介质
CN111144566A (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
CN112966685A (zh) 用于场景文本识别的攻击网络训练方法、装置及相关设备
CN111275005B (zh) 绘制人脸图像识别方法、计算机可读存储介质和相关设备
CN114048729A (zh) 医学文献评价方法、电子设备、存储介质和程序产品
US20210110197A1 (en) Unsupervised incremental clustering learning for multiple modalities
KR102652397B1 (ko) 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램
Gallo et al. Feature selection with non linear PCA: a neural network approach
CN115795355A (zh) 一种分类模型训练方法、装置及设备
KR102173942B1 (ko) 다른 시점의 영상을 이용한 객체 검출을 위한 장치 및 이를 위한 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant