KR20110027916A - 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법 - Google Patents

퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법 Download PDF

Info

Publication number
KR20110027916A
KR20110027916A KR1020090085727A KR20090085727A KR20110027916A KR 20110027916 A KR20110027916 A KR 20110027916A KR 1020090085727 A KR1020090085727 A KR 1020090085727A KR 20090085727 A KR20090085727 A KR 20090085727A KR 20110027916 A KR20110027916 A KR 20110027916A
Authority
KR
South Korea
Prior art keywords
neural network
artificial neural
weight
weighting
perceptron
Prior art date
Application number
KR1020090085727A
Other languages
English (en)
Inventor
김용준
조성은
강병근
Original Assignee
연세대학교 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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020090085727A priority Critical patent/KR20110027916A/ko
Publication of KR20110027916A publication Critical patent/KR20110027916A/ko

Links

Images

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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

본 발명은 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법에 관한 것이다. 더욱 상세하게는, 본 발명은 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성된 입력층(input layer)(1), 상기 입력층(1)의 전기적 신호를 계층적으로 구성된 뉴런(neuron) 노드들(2-1)과 상기 뉴런 노드들을 연결하는 시냅스(synapse) 가중치들을 이용하여 패턴화시키는 은닉층(hidden layer)(2); 및 상기 은닉층(2)으로부터 패턴화된 결과를 출력하는 출력층(output layer)(3)으로 이루어지는 퍼셉트론(perceptron) 인공신경망 장치에 있어서, 상기 입력층(1)의 전기적 신호들에 사용자가 직접 가중치를 설정할 수 있도록 하드웨어적으로 구현된 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법에 대한 것이다.
퍼셉트론, 인공신경망, 가중치, 하드웨어, 탐지, 전자후각

Description

퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법{device for providing weight value in perceptron neural network, and detecting apparatus, detecting system, detecting method using the same}
본 발명은 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법에 관한 것이다. 더욱 상세하게는, 본 발명은 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성된 입력층(input layer)(1), 상기 입력층(1)의 전기적 신호를 계층적으로 구성된 뉴런(neuron) 노드들(2-1)과 상기 뉴런 노드들을 연결하는 시냅스(synapse) 가중치들을 이용하여 패턴화시키는 은닉층(hidden layer)(2); 및 상기 은닉층(2)으로부터 패턴화된 결과를 출력하는 출력층(output layer)(3)으로 이루어지는 퍼셉트론(perceptron) 인공신경망 장치에 있어서, 상기 입력층(1)의 전기적 신호들에 사용자가 직접 가중치를 설정할 수 있도록 하드웨어적으로 구현된 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법에 대한 것이다.
인공 신경 회로망(Artificial Neural Network)은 사람의 두뇌를 모델로 하여 여러 정보를 처리하는 데 있어서 두뇌와 비슷한 방식으로 처리하기 위한 알고리즘으로서, 이러한 두뇌의 정보 처리 과정을 모방한 인공 신경망 알고리즘은 유형 식별이나 비선형 사상(mapping)에 매우 효율적이다.
상기와 같은 신경 회로망 알고리즘을 이용한 컴퓨터 분자 설계는 신약의 선도 화합물 검색, 생화학적 목표 물질 동정, 단백질 디자인 등 다양한 분야에 활용되고 있으며, 가스 탐지를 이용한 후각 시스템이나 음성, 영상 인식 등 신경 컴퓨터의 일부로서의 연구도 활발히 진행되고 있다.
신경망 구조는 많은 구조들이 제안되고 있으며, 그 중에서 인간의 신경 세포를 모델화한 다층 퍼셉트론(perceptron) 구조가 가장 주목받고 있다. 상기 퍼셉트론은 학습능력이 있는 패턴 인식 시스템으로서, 구조와 기능을 인간의 대뇌 활동에서 힌트를 얻어 구체화되기 시작했다.
퍼셉트론 인공신경망을 이용한 장치 또는 시스템은 크게 입력층(1), 은닉층(2) 및 출력층(3)의 3계층으로 분류될 수 있으며, 상기 입력층(1)은 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성되고, 상기 은닉층(2)은 입력층의 전기적 신호들을 패턴화 처리하기 위하여 소프트웨어적으로 구성된 수많은 노드(2-1)들의 복잡한 연결로 이루어져 있으며, 상기 노드들은 다양한 가중치를 가지고 서로 연결되어 있고, 마지막으로 출력층(3)은 상기 은닉층(2)에서 패턴화된 결과를 출력하게 된다.
상기에서 설명한 바와 같이 생명체의 정보 처리를 모방한 신경망 모델인 다 층 퍼셉트론은 신경 세포를 의미하는 뉴런(neuron) 노드와 노드들을 연결하는 시냅스 가중치(synaps weight value)들이 계층적으로 구성되어 있으며, 제 1 뉴런 층(neurons in 1st layer)으로 유입된 전기적 신호는 가중치들과 상호 동작을 한 후 다음 층으로 전달되고, 계속적으로 다음 층으로 전달되어 마지막으로 최종 층까지 전달된다.
도 3 내지 6은 다양한 형태의 다층 퍼셉트론 신경망 구조를 보여주는 구성도이다. 도 3은 가장 단순한 형태의 다층 퍼셉트론의 구조를 나타낸 구성도로서, 임의의 한 노드와 또 다른 임의의 한 노드가 특정한 가중치를 가지고 연결된 구조를 갖는다. 도 4 내지 6은 좀 더 복잡한 형태의 다층 퍼셉트론의 구조로서, 복수 개의 임의의 입력값을 가지거나 복수 개의 노드 층들을 가지는 다층 퍼셉트론 구조의 실시예들이며, 이외에도 다양한 형태의 다층 퍼셉트론의 구조가 가능하다.
상기 은닉층들에서 볼 수 있는 여러 계층의 노드들의 연결과 연결의 강도, 즉 가중치는 학습 과정을 통하여 정해지게 된다. 즉, 역전파법(Back Propagation) 등의 패턴인식 또는 신경망 알고리즘인 소프트웨어들에 의해서 노드들의 가중치가 먼저 설정된 후, 상기 가중치들이 적용된 퍼셉트론 신경망 모델을 통해서 외부 자극 신호에 대한 패턴화 작업이 수행되게 된다.
상기 인공 신경망에 의한 학습이란 경험에 의해 뇌의 신경망을 이루고 있는 뉴런들 사이의 시냅스 결합의 효율이 변화됨으로써 이루어지는 학습(경험에 의한 동작 개선, 행동 합목적적·불가역적 변화)을 말하며, 특히 역전파법(B.P., Back Propagation)은 1986년 D.라멜하트 등에 의해 제안된 알고리즘으로서, 각 입력 패 턴에 대한 출력 패턴의 이상 값과 실제 값의 오차를 출력층으로 향해 반대편으로 전파시키는 동작에 의거하여 입력 패턴의 식별이 가능한 시냅스 결합의 전달 효율을 구하는 처리방식이다.
즉, 다층 퍼셉트론의 학습은 최종 층에 전달된 출력 값과 원하는 출력 값의 오차에 의하여 각층들을 연결하는 가중치들을 변화시켜 최종적으로 오차값을 '0'으로 만들어준다. 이와 같은 다층 퍼셉트론 구조에서는 인간 뇌세포에 대한 모델링이 충분하지 않아 학습시간이 오래 걸리거나, 몇몇 패턴에 대해서는 완전히 학습이 되지 않는 현상이 나타날 수 있다.
한편, 녹색성장산업 및 여러가지 환경규제에 따른 대기오염 관리기준이 증가하는 추세에 따라 실내공기 측정을 위한 가스 센서 및 자동차 배기 가스중 NOx 측정 센서 등의 다양한 종류의 가스센서가 필요로 되고 있다.
이에, 상기에서 설명한 다층 퍼셉트론 인공 신경망 모델을 전자후각 시스템에 응용하는 방안이 활발히 연구되고 있는데, 인간의 후각 신경의 원리와 같이(도 9), 센서와 신호처리 및 인공신경망 기술을 사용하여 여러 종류의 가스를 선택적으로 검침할 수 있다. 이때, 반도체형 센서는 집적화와 소형화가 용이한 장점을 가지지만 특정한 가스에 대한 선택적인 검침이 어려워 이를 해결하기 위하여 일련의 센서 어레이를 사용한 전자 후각 시스템이 개발되고 있다.
상기 전자후각 시스템의 검침 성능을 높이기 위해서는 인공신경망의 활용이 매우 중요한데, 인공신경망의 정확한 구동을 위해서는 상기에서 설명하였듯이, 여러 가지 가스 종류에 따른 센서 어레이의 출력신호들의 패턴의 학습이 중요하다.
따라서, 기존의 전자 후각 시스템은 센서 어레이를 구성하는 센서들의 각각의 신호를 전압신호로 변환한 뒤 이를 사용하여 패턴인식을 수행하기에 앞서, 샘플 가스에 따른 데이터를 시스템에 학습을 시켜주어야 하였다. 이러한 학습과정을 통해 상기 센서 어레이를 구성하는 각 개별 가스 센서의 출력은 특정한 가중치를 갖게 된다.
그러나, 상기 후각시스템의 경우, 상기에서 설명하였듯이, 학습시간이 너무 오래 걸리거나, 몇몇 패턴에 대해서는 완전히 학습이 되지 않을 수도 있으며, 시스템에 입력된 샘플 가스 입력과 시스템의 출력 결과가 상이할 때에 각 센서 출력에 대한 가중치를 상황에 따라 변경해야 하는 경우가 생길 수도 있다. 이 경우, 가중치 변경을 위한 새로운 학습을 위해 많은 양의 샘플 가스 실험 및 많은 시간을 소요하게 되며, 실시간으로 변하는 탐지 조건에 대처할 수 없다는 문제점이 있었다.
따라서, 본 발명자는 샘플 가스에 대한 입력층의 가중치를 실시간으로 변경할 수 있을 뿐만 아니라, 이를 통하여 인공신경망 은닉층의 계층 수를 줄임으로 인공신경망의 계산속도를 개선할 수 있고 신경망의 학습 오차도 줄일 수 있는 퍼셉트론 인공신경망 이용한 탐지 장치 및 시스템을 개발하기에 이르렀다.
본 발명의 목적은 샘플 가스에 대한 입력층의 가중치를 실시간으로 변경할 수 있는 퍼셉트론 인공신경망 탐지 장치, 시스템 및 탐지 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 인공신경망 은닉층의 계층 수를 줄임으로 인공신경망의 계산속도를 개선할 수 있고 신경망의 학습 오차도 줄일 수 있는 퍼셉트론 인공신경망 탐지 장치, 시스템 및 탐지 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 하드웨어적으로 구현된 퍼셉트론과 센서어레이를 동시 사용하는 전자 후각 시스템을 고안하여 정확하고 선택적인 가스의 검침이 가능한 퍼셉트론 인공신경망 탐지 장치, 시스템 및 탐지 방법을 제공하는 것이다.
상술한 바와 같은 목적 달성을 위한 본 발명은, 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성된 입력층(input layer)(1), 상기 입력층(1)의 전기적 신호를 계층적으로 구성된 뉴런(neuron) 노드들(2-1)과 상기 뉴런 노드들을 연결하는 시냅스(synapse) 가중치들을 이용하여 패턴화시키는 은닉층(hidden layer)(2); 및 상기 은닉층(2)으로부터 패턴화된 결과를 출력하는 출력층(output layer)(3)으로 이루어지는 퍼셉트론(perceptron) 인공신경망 장치에 있어서, 상기 입력층(1)의 전기적 신호들에 사용자가 직접 가중치를 설정할 수 있도록 하드웨어적으로 구현된 퍼셉트론 인공신경망의 가중치 부여 장치를 기술적 요지로 한다.
여기서, 상기 입력층(1)의 전기적 신호에 설정되는 가중치를 실시간으로 변경할 수 있는 것이 바람직하며, 상기 입력층(1)의 전기적 신호에 가중치를 설정하기 위하여 연산 증폭기(operational amplifier) 또는 리미터(limiter)를 이용하는 것이 바람직하다.
또한, 상기 본 발명의 목적은 외부 자극에 감응하는 센서 어레이(array) (10); 상기 센서 어레이(10)로부터 입력되는 자극감응 신호를 전기적 신호로 변환하는 컨버터(20); 상기 컨버터(20)로부터 출력되는 전기적 신호에 가중치를 부여하는 가중치 입력기(30); 상기 가중치 입력기(30)로부터 출력되는 전기적 신호를 퍼셉트론 인공신경망을 기반으로 하여 패턴화하는 정보 처리기(40); 및 상기 정보 처리기(40)로부터 패턴화된 결과를 표시하는 표시기(50);를 포함하는 퍼셉트론 인공신경망을 이용한 탐지 장치를 제공함으로써 달성된다.
여기서, 상기 센서 어레이(10)가 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 가스 센서인 것이 바람직하며, 상기 가중치 입력기(30)는 상기 컨버터(20)로부터 출력되는 각각의 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치인 것이 바람직하다.
또한, 상기 가중치 입력기(30)에 입력되는 가중치가 실시간으로 변경할 수 있는 것이 바람직하며, 상기 가중치 입력기(30)는 연산 증폭기(operational amplifier) 또는 리미터(limiter)를 포함하는 것이 바람직하다. 그리고, 상기 정보 처리기(40)의 퍼셉트론 인공신경망에 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 적용하는 것이 바람직하다.
또한, 상기 본 발명의 목적은 외부 자극에 감응하는 센서부(100); 상기 센서부(100)로부터 입력되는 자극감응 신호를 전기적 신호로 변환하는 신호 변환부(200); 상기 신호 변환부(200)로부터 출력되는 전기적 신호에 가중치를 부여하는 가중치 부여부(300); 상기 가중치 부여부(300)로부터 출력되는 전기적 신호를 퍼셉트론(perceptron) 인공신경망을 기반으로 하여 패턴화하는 정보 처리부(400); 및 상기 정보 처리부(400)로부터 패턴화된 결과를 표시하는 표시부(500);를 포함하는 퍼셉트론 인공신경망을 이용한 탐지 시스템을 제공함으로써 달성된다.
여기서, 상기 센서부(100)가 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 가스 센서 어레이(10)를 포함하는 것이 바람직하며, 상기 가중치 부여부(300)는 상기 신호 변환부(200)로부터 출력되는 각각의 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치를 포함하는 것이 바람직하다.
또한, 상기 가중치 부여부(300)에서 입력되는 가중치가 실시간으로 변경할 수 있는 것이 바람직하며, 상기 가중치 부여부(300)는 연산 증폭기(operational amplifier) 또한 리미터(limiter)를 포함하는 것이 바람직하다. 그리고, 상기 퍼셉트론 인공신경망에 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 적용하는 것이 바람직하다.
또한, ⅰ) 외부 자극을 탐지하는 제1단계; ⅱ) 상기 자극 신호들을 전기적 신호로 변환하는 제2단계; ⅲ) 상기 변환된 각각의 전기적 신호들에 가중치를 부여하는 제3단계; ⅳ) 상기 가중치가 부여된 전기적 신호들을 퍼셉트론 인공신경망을 기반으로 하여 패턴화하는 제4단계; 및 ⅴ) 상기 패턴화된 결과를 표시하는 제5단계;를 포함하는 퍼셉트론 인공신경망을 이용한 탐지 방법을 제공함으로써 달성된다.
여기서, 상기 제1단계의 탐지가 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 센서 어레이(10)를 이용한 가스 탐지인 것이 바람직하며, 상기 제3단계가 각각의 변환된 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치를 통하여 이루어지는 것이 바람직하다.
또한, 상기 제3단계의 가중치 부여가 실시간으로 이루어지는 것이 바람직하며, 상기 제3단계의 가중치 부여가 연산 증폭기(operational amplifier) 또는 리미터(limiter)를 통하여 이루어지는 것이 바람직하다. 그리고, 상기 제4단계에서 이용되는 퍼셉트론 인공신경망에 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 적용하는 것이 바람직하다.
본 발명의 퍼셉트론 인공신경망의 가중치 부여 장치 및 이를 이용한 탐지 장치, 시스템 및 탐지 방법은 입력층 즉 센서 어레이의 출력 신호부에 가중치를 부여할 수 있도록 연산 증폭기(Op-Amp)와 리미터(Limiter) 등의 소자를 하드웨어적으로 구성함으로써, 탐지 과정에서 오차가 발생하였을 때 입력 가중치를 실시간으로 변경함으로써 이를 개선할 수 있다.
즉, 본 발명의 하드웨어적으로 구현된 퍼셉트론 인공신경망의 가중치 부여 장치 및 이를 이용한 탐지 장치, 시스템 및 탐지 방법을 사용하여, 퍼셉트론 인공신경망 입력층의 가중치를 실시간으로 변경할 뿐만 아니라, 인공신경망 은닉층의 계층 수를 줄임으로 인공신경망의 계산속도를 개선할 수 있고 신경망의 학습 오차도 줄일 수 있다.
또한, 본 발명의 하드웨어적으로 구현된 퍼셉트론 인공신경망의 가중치 부여 장치 및 이를 이용한 탐지 장치, 시스템 및 탐지 방법을 사용하여, 하드웨어적으로 구현된 퍼셉트론과 센서 어레이를 동시 사용하는 전자 후각 시스템을 고안하여 정확하고 선택적인 가스 검침이 가능하다.
상기와 같은 구성을 가지는 본 발명에 따른 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법을 다음의 도면을 참조하여 보다 상세하게 설명하기로 한다.
도 1은 입력층, 은닉층, 출력층으로 이루어지는 퍼셉트론 인공신경망의 간단한 개념도이고, 도 2는 본 발명의 가중치 부여 장치를 이용한 퍼셉트론 인공신경망의 개념도이며, 도 3 내지 6은 다층 퍼셉트론 인공신경망 구조의 다양한 실시예들을 나타내는 구성도이다.
도 7은 본 발명의 퍼셉트론 인공신경망을 이용한 탐지 시스템을 설명하기 위한 흐름도이고, 도 8은 본 발명의 센서 어레이에 사용되는 가스 센서의 일 실시예를 나타내는 구성도이며, 도 9a 와 9b는 본 발명의 가중치 부여 장치를 이용한 퍼셉트론 인공신경망을 이용한 전자코 시스템을 신체의 후각 시스템과 비교하여 설명하기 위한 개념도이다.
본 발명에 따른 퍼셉트론 인공신경망의 가중치 부여 장치는 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성된 입력층(input layer)(1), 상기 입력층(1)의 전기적 신호를 계층적으로 구성된 뉴런(neuron) 노드들(2-1)과 상기 뉴런 노드들을 연결하는 시냅스(synapse) 가중치들을 이용하여 패턴화시키는 은닉층(hidden layer)(2); 및 상기 은닉층(2)으로부터 패턴화된 결과를 출력하는 출력층(output layer)(3)으로 이루어지는 퍼셉트론(perceptron) 인공신경망 장치에 있어서, 상기 입력층(1)의 전기적 신호들에 사용자가 직접 가중치를 설정할 수 있도록 하드웨어적으로 구현된 것을 특징으로 한다.
일반적인 퍼셉트론 인공신경망을 이용한 장치 또는 시스템은, 도 1에 도시된 바와 같이, 크게 입력층(1), 은닉층(2) 및 출력층(3)의 3 계층으로 분류될 수 있으며, 상기 입력층(1)은 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성되고, 상기 은닉층(2)은 입력층의 전기적 신호들을 패턴화 처리하기 위하여 소프트웨어적으로 구성된 수많은 노드(2-1)들의 복잡한 연결로 이루어지며(도 3 내지 6), 상기 노드들은 다양한 가중치를 가지고 서로 연결된다. 그리고, 마지막으로 출력층(3)은 상기 은닉층(2)에서 패턴화된 결과를 출력하게 된다.
이때, 상기 은닉층(2)을 이루는 뉴런(neuron) 노드와 노드들을 연결하는 시냅스 가중치(synaps weight value)들은 계층적으로 구성되어 있으며, 제 1 뉴런 층(neurons in 1st layer)으로 유입된 전기적 신호는 가중치들이 설정된 후 다음 층으로 전달되고, 계속적으로 다음 층으로 전달되어 마지막으로 최종 층까지 전달된다.
상기 뉴런 노드들과 시냅스 가중치들의 구조를 살펴보면, 도 3은 가장 단순한 형태의 다층 퍼셉트론의 구조를 나타낸 구성도로서, 임의의 한 노드와 또 다른 임의의 한 노드가 특정한 가중치를 가지고 연결된 구조를 갖는다. 도 4 내지 6은 좀 더 복잡한 형태의 다층 퍼셉트론의 구조로서, 복수 개의 임의의 입력값을 가지거나 복수 개의 노드 층들을 가지는 다층 퍼셉트론 구조의 실시예들이며, 이외에도 다양한 형태의 다층 퍼셉트론의 구조가 가능하다.
상기 은닉층들에서 볼 수 있는 여러 계층의 노드들의 연결과 연결의 강도, 즉 가중치는 학습 과정을 통하여 정해지게 된다. 즉, 역전파법(Back Propagation) 등의 패턴인식 또는 신경망 알고리즘인 소프트웨어들에 의해서 노드들의 가중치가 먼저 설정된 후, 상기 가중치들이 적용된 퍼셉트론 신경망 모델을 통해서 외부 자극 신호에 대한 패턴화 작업이 수행되게 된다.
상기 인공 신경망에 의한 학습이란 경험에 의해 뇌의 신경망을 이루고 있는 뉴런들 사이의 시냅스 결합의 효율이 변화됨으로써 이루어지는 학습을 말하며, 이 중 역전파법은 최종 층에 전달된 출력 값과 원하는 출력 값의 오차에 따라 각층들을 연결하는 가중치들을 변화시켜 최종적으로 오차값을 '0'으로 만들어주는 입력 패턴의 식별이 가능한 시냅스 결합의 전달 효율을 구하는 처리방식이다.
이와 같은 다층 퍼셉트론 구조는 학습시간이 오래 걸릴 뿐만 아니라, 시스템에 입력된 입력 값과 시스템의 출력 결과가 상이할 때에 각 센서 출력에 대한 가중치를 상황에 따라 변경해야 하는 경우, 가중치 변경을 위한 새로운 학습을 위해 많은 양의 샘플 실험 및 시간을 소요하게 되어, 실시간으로 변하는 탐지 조건에 대처 할 수 없었다.
그러나, 본 발명의 하드웨어적으로 구현된 퍼셉트론 인공신경망 가중치 부여 장치는, 도 2에 도시된 바와 같이, 상기 입력층(1)의 전기적 신호들에 직접 가중치를 설정할 수 있도록 하드웨어적으로 구현된 층을 추가적으로 형성함으로써, 상기 입력층(1)의 전기적 신호에 설정되는 가중치를 실시간으로 변경할 뿐만 아니라, 인공신경망 은닉층(2)의 계층 수를 줄임으로 인공신경망의 계산속도를 개선할 수 있고 신경망의 학습 오차도 줄일 수 있다.
여기서, 상기 입력층(1)의 전기적 신호에 가중치를 설정하기 위하여 전기적 신호를 증폭하거나 제한할 수 있는 다양한 장치를 사용할 수 있으며, 바람직하게는 연산 증폭기(operational amplifier) 또는 리미터(limiter) 등을 이용할 수 있다.
상기와 같은 가중치 부여 장치를 사용한 경우의 예를 들어보면, 1) A 요소 탐지 시 제1입력층 출력이 20, 제2입력층 출력이 15이고, 2) B 요소 탐지 시 제1입력층 출력이 15, 제2입력층 출력이 30일 경우, 제1입력층 출력 신호의 가중치를 10으로 하게 되면 A, B 요소에 대해 제1입력층 출력은 각각 200, 150이 된다. 이때, 제1입력층 출력단에 리미터를 160 ~ 210으로 설정할 경우 A 요소 탐지 시에 제1입력층 리미터 출력은 1이 되고, 따라서 (1,0) 코드일 경우 A 요소, (0,0) 코드일 경우 B 요소인 것을 확인할 수 있다
상기의 예를 통하여 볼 수 있듯이, 단순히 가중치 부여 장치를 인공신경망 장치에 추가함으로써, 상기 입력층(1)의 전기적 신호에 설정되는 가중치를 실시간으로 변경할 뿐만 아니라, 복잡한 학습 과정을 생략할 수 있으며, 인공신경망 은닉 층(2)의 계층 수를 줄일 수 있다.
본 발명의 퍼셉트론 인공신경망을 탐지 장치는 외부 자극에 감응하는 센서 어레이(array)(10); 상기 센서 어레이(10)로부터 입력되는 자극감응 신호를 전기적 신호로 변환하는 컨버터(20); 상기 컨버터(20)로부터 출력되는 전기적 신호에 가중치를 부여하는 가중치 입력기(30); 상기 가중치 입력기(30)로부터 출력되는 전기적 신호를 퍼셉트론 인공신경망을 이용하여 패턴화하는 정보 처리기(40); 및 상기 정보 처리기(40)로부터 패턴화된 결과를 표시하는 표시기(50);를 포함한다.
여기서, 상기 센서 어레이(10)는 도 8에 도시된 바와 같이 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 가스 센서인 것이 바람직하다.
대기오염 관리기준이 증가하는 추세에 따라 다층 퍼셉트론 인공 신경망 모델을 케미컬 가스 센서 등을 이용한 전자후각 시스템에 응용하는 방안이 활발히 연구되고 있는데, 인간의 후각 신경의 원리와 같이(도 9), 센서와 신호처리 및 인공신경망 기술을 사용하여 여러 종류의 가스를 선택적으로 검침할 수 있다.
일반적으로 사용되는 반도체형 센서 등은 집적화와 소형화가 용이하다는 장점을 가지고 있으나, 특정한 가스에 대한 선택적인 검침이 어렵다는 문제점이 있다. 특히, 탐지 공간 내에 측정 대상 가스 이외의 가스가 혼합되어 있는 경우에는, 하나의 개별소자를 이용하는 것보다 여러 개의 센서를 조합한 어레이를 사용함으로써 각 개별 소자가 반응하는 응답 패턴으로부터 어떤 특정가스의 존재를 더 정 확하게 알 수 있으며, 특정 가스의 정량 또한 더욱 신뢰성 있게 할 수 있다.
즉, 본 발명의 탐지 장치의 자극감응수단으로서 센서 어레이를 사용함으로써 가스센서의 생명인 선택성을 크게 높일 수가 있을 뿐만 아니라 복합가스를 인식하는데 유용한 장치의 구현이 가능하다.
한편, 상기 가중치 입력기(30)는 상기 컨버터(20)로부터 출력되는 각각의 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치인 것이 바람직하다.
상기 하드웨어적으로 구현된 가중치 입력기(30)를 탐지 장치에 추가함으로써, 상기 정보 처리기(40)로 유입되는 전기적 신호에 설정되는 가중치를 실시간으로 변경할 수 있을 뿐만 아니라, 가중치 설정을 위한 복잡한 학습 과정을 생략하고 인공신경망 은닉층(2)의 계층 수를 줄임으로써, 학습 오차를 줄이고 데이터의 처리 속도를 향상시킬 수 있다.
또한, 상기 가중치 입력기(30)를 사용하여 가중치를 설정함으로써, 상기 퍼셉트론 인공신경망에서 탐지 전에 선행되게 되는 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 생략할 수도 있다.
상기 가중치 입력기(30)는 전기적 신호에 가중치를 설정하기 위하여 전기적 신호를 증폭하거나 제한할 수 있는 다양한 장치를 사용할 수 있으며, 바람직하게는 연산 증폭기(operational amplifier) 또는 리미터(limiter) 등을 이용할 수 있다.
본 발명의 퍼셉트론 인공신경망을 탐지 시스템은 도 7에 도시된 바와 같이 외부 자극에 감응하는 센서부(100); 상기 센서부(100)로부터 입력되는 자극감응 신호를 전기적 신호로 변환하는 신호 변환부(200); 상기 신호 변환부(200)로부터 출력되는 전기적 신호에 가중치를 부여하는 가중치 부여부(300); 상기 가중치 부여부(300)로부터 출력되는 전기적 신호를 퍼셉트론(perceptron) 인공신경망을 이용하여 패턴화하는 정보 처리부(400); 및 상기 정보 처리부(400)로부터 패턴화된 결과를 표시하는 표시부(500);를 포함한다.
대기오염 관리기준이 증가하는 추세에 따라 다층 퍼셉트론 인공 신경망 모델을 케미컬 가스 센서 등을 이용한 전자후각 시스템에 응용하는 방안이 활발히 연구되고 있는데, 인간의 후각 신경의 원리와 같이(도 9), 센서와 신호처리 및 인공신경망 기술을 사용하여 여러 종류의 가스를 선택적으로 검침할 수 있다.
이때, 가스센서의 생명인 선택성을 크게 높이기 위하여 복합가스를 인식하는데 유용한 가스 센서 어레이(10)를 사용하는 것이 바람직하며, 상기 가스 센서 어레이(10)는 도 8에 도시된 바와 같이 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어지는 것이 바람직하다.
상기 가중치 부여부(300)는 상기 신호 변환부(200)로부터 출력되는 각각의 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치를 포함하는 것이 바람직하다.
상기 가중치 부여부(300)를 탐지 시스템에 추가함으로써, 상기 정보 처리부(400)로 유입되는 전기적 신호에 설정되는 가중치를 실시간으로 변경할 수 있을 뿐만 아니라, 가중치 설정을 위한 복잡한 학습 과정을 생략하고 인공신경망 은닉 층(2)의 계층 수를 줄임으로써, 학습 오차를 줄이고 데이터의 처리 속도를 향상시킬 수 있다.
또한, 상기 가중치 부여부(300)를 사용하여 가중치를 설정함으로써, 상기 퍼셉트론 인공신경망에서 탐지 전에 선행하게 되는 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 생략할 수도 있다.
상기 가중치 부여부(300)는 전기적 신호에 가중치를 설정하기 위하여 전기적 신호를 증폭하거나 제한할 수 있는 다양한 장치를 사용할 수 있으며, 바람직하게는 연산 증폭기(operational amplifier) 또는 리미터(limiter) 등을 이용할 수 있다.
본 발명의 퍼셉트론 인공신경망을 탐지 방법은 ⅰ) 외부 자극을 탐지하는 제1단계; ⅱ) 상기 자극 신호들을 전기적 신호로 변환하는 제2단계; ⅲ) 상기 변환된 각각의 전기적 신호들에 가중치를 부여하는 제3단계; ⅳ) 상기 가중치가 부여된 전기적 신호들을 퍼셉트론 인공신경망을 기반으로 하여 패턴화하는 제4단계; 및 ⅴ) 상기 패턴화된 결과를 표시하는 제5단계;를 포함한다.
상기 탐지가 전자후각 시스템 등에 응용되는 가스 탐지인 경우, 가스센서의 생명인 선택성을 크게 높이기 위하여 상기 제1단계의 탐지는 복합가스를 인식하는데 유용한 가스 센서 어레이(10)를 사용하는 것이 바람직하며, 상기 가스 센서 어레이(10)는 도 8에 도시된 바와 같이 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어지는 것이 바람직하다.
또한, 상기 제3단계는 각각의 변환된 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치를 통하여 이루어지는 것이 바람직하다.
상기 제3단계에 의하여 퍼셉트론 인공신경망으로 유입되는 전기적 신호에 설정되는 가중치를 실시간으로 변경할 수 있을 뿐만 아니라, 가중치 설정을 위한 복잡한 학습 과정을 생략하고 인공신경망 은닉층(2)의 계층 수를 줄임으로써, 학습 오차를 줄이고 데이터의 처리 속도를 향상시킬 수 있다.
또한, 상기 제3단계에서 상기 변환된 각각의 전기적 신호들에 가중치를 설정함으로써, 상기 제4단계에서 전기적 신호의 패턴화 처리를 하기 전에 퍼셉트론 인공신경망에서 실행하게 되는 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 생략할 수도 있다.
상기 가중치 설정 단계는 전기적 신호에 가중치를 설정하기 위하여 전기적 신호를 증폭하거나 제한할 수 있는 다양한 장치를 사용할 수 있으며, 바람직하게는 연산 증폭기(operational amplifier) 또는 리미터(limiter) 등을 이용할 수 있다.
본 발명은 상술한 특정의 실시예 및 설명에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능하며, 그와 같은 변형은 본 발명의 보호 범위 내에 있게 된다.
도 1은 입력층, 은닉층, 출력층으로 이루어지는 퍼셉트론 인공신경망의 간단한 개념도이다.
도 2는 본 발명의 가중치 부여 장치를 이용한 퍼셉트론 인공신경망의 개념도이다.
도 3 내지 6은 다층 퍼셉트론 인공신경망 구조의 다양한 실시예들을 나타내는 구성도이다.
도 7은 본 발명의 퍼셉트론 인공신경망을 이용한 탐지 시스템을 설명하기 위한 흐름도이다.
도 8은 본 발명의 센서 어레이에 사용되는 가스 센서의 일실시예를 나타내는 구성도이다.
도 9a 와 9b는 본 발명의 가중치 부여 장치를 이용한 퍼셉트론 인공신경망을 이용한 전자코 시스템을 신체의 후각 시스템과 비교하여 설명하기 위한 개념도이다.
* 도면의 주요부분에 대한 부호의 설명 *
1 : 입력층 2 : 은닉층
2-1 : 뉴런 노드 3 : 출력층
10 : 센서 어레이 11 : 금속 전극
12 : 감지막 20 : 컨버터
30 : 가중치 입력기 40 : 정보 처리기
50 : 표시기 100 : 센서부
200 : 신호 변환부 300 : 가중치 부여부
400 : 정보 처리부 500 : 표시부

Claims (25)

  1. 센서와 같은 자극감응수단으로부터 유입되는 전기적 신호들로 구성된 입력층(input layer)(1), 상기 입력층(1)의 전기적 신호를 계층적으로 구성된 뉴런(neuron) 노드들(2-1)과 상기 뉴런 노드들을 연결하는 시냅스(synapse) 가중치들을 이용하여 패턴화시키는 은닉층(hidden layer)(2); 및 상기 은닉층(2)으로부터 패턴화된 결과를 출력하는 출력층(output layer)(3)으로 이루어지는 퍼셉트론(perceptron) 인공신경망 장치에 있어서, 상기 입력층(1)의 전기적 신호들에 사용자가 직접 가중치를 설정할 수 있도록 하드웨어적으로 구현된 퍼셉트론 인공신경망의 가중치 부여 장치.
  2. 청구항 제1항에 있어서, 상기 입력층(1)의 전기적 신호에 설정되는 가중치를 실시간으로 변경할 수 있는 것을 특징으로 하는 퍼셉트론 인공신경망의 가중치 부여 장치.
  3. 청구항 제1항에 있어서, 상기 입력층(1)의 전기적 신호에 가중치를 설정하기 위하여 연산 증폭기(operational amplifier)를 이용하는 것을 특징으로 하는 퍼셉트론 인공신경망의 가중치 부여 장치.
  4. 청구항 제1항에 있어서, 상기 입력층(1)의 전기적 신호에 가중치를 설정하기 위하여 리미터(limiter)를 이용하는 것을 특징으로 하는 퍼셉트론 인공신경망의 가중치 부여 장치.
  5. 외부 자극에 감응하는 센서 어레이(array)(10); 상기 센서 어레이(10)로부터 입력되는 자극감응 신호를 전기적 신호로 변환하는 컨버터(20); 상기 컨버터(20)로부터 출력되는 전기적 신호에 가중치를 부여하는 가중치 입력기(30); 상기 가중치 입력기(30)로부터 출력되는 전기적 신호를 퍼셉트론 인공신경망을 이용하여 패턴화하는 정보 처리기(40); 및 상기 정보 처리기(40)로부터 패턴화된 결과를 표시하는 표시기(50);를 포함하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  6. 청구항 제5항에 있어서, 상기 센서 어레이(10)가 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 가스 센서인 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  7. 청구항 제5항에 있어서, 상기 가중치 입력기(30)는 상기 컨버터(20)로부터 출력되는 각각의 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치인 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  8. 청구항 제5항에 있어서, 상기 가중치 입력기(30)에 입력되는 가중치가 실시간으로 변경되는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  9. 청구항 제5항에 있어서, 상기 가중치 입력기(30)가 연산 증폭기(operational amplifier)를 포함하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  10. 청구항 제5항에 있어서, 상기 가중치 입력기(30)가 리미터(limiter)를 포함하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  11. 청구항 제5항에 있어서, 상기 정보 처리기(40)의 퍼셉트론 인공신경망에 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 적용하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 장치.
  12. 외부 자극에 감응하는 센서부(100); 상기 센서부(100)로부터 입력되는 자극감응 신호를 전기적 신호로 변환하는 신호 변환부(200); 상기 신호 변환부(200)로부터 출력되는 전기적 신호에 가중치를 부여하는 가중치 부여부(300); 상기 가중치 부여부(300)로부터 출력되는 전기적 신호를 퍼셉트론(perceptron) 인공신경망을 이용하여 패턴화하는 정보 처리부(400); 및 상기 정보 처리부(400)로부터 패턴화된 결과를 표시하는 표시부(500);를 포함하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  13. 청구항 제12항에 있어서, 상기 센서부(100)가 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 가스 센서 어레이(10)를 포함하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  14. 청구항 제12항에 있어서, 상기 가중치 부여부(300)는 상기 신호 변환부(200)로부터 출력되는 각각의 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있 도록 구현된 하드웨어 장치를 포함하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  15. 청구항 제12항에 있어서, 상기 가중치 부여부(300)에서 입력되는 가중치가 실시간으로 변경되는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  16. 청구항 제12항에 있어서, 상기 가중치 부여부(300)가 연산 증폭기 (operational amplifier)를 포함하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  17. 청구항 제12항에 있어서, 상기 가중치 부여부(300)가 리미터(limiter)를 포함하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  18. 청구항 제12항에 있어서, 상기 정보 처리부(400)의 퍼셉트론 인공신경망에 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 적용하는 것 을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 시스템.
  19. ⅰ) 외부 자극을 탐지하는 제1단계;
    ⅱ) 상기 자극 신호들을 전기적 신호로 변환하는 제2단계;
    ⅲ) 상기 변환된 각각의 전기적 신호들에 가중치를 부여하는 제3단계;
    ⅳ) 상기 가중치가 부여된 전기적 신호들을 퍼셉트론 인공신경망을 기반으로 하여 패턴화하는 제4단계; 및
    ⅴ) 상기 패턴화된 결과를 표시하는 제5단계;
    를 포함하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
  20. 청구항 제19항에 있어서, 상기 제1단계의 탐지가 기판(11) 위에 형성된 금속 전극(12) 및 상기 금속 전극(12) 상에 스크린 프린팅된 감지막(13)으로 이루어진 센서 어레이(10)를 이용한 가스 탐지인 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
  21. 청구항 제19항에 있어서, 상기 제3단계가 각각의 변환된 전기적 신호에 대한 가중치를 사용자가 직접 입력할 수 있도록 구현된 하드웨어 장치를 통하여 이루어 지는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
  22. 청구항 제19항에 있어서, 상기 제3단계의 가중치 부여가 실시간으로 이루어지는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
  23. 청구항 제19항에 있어서, 상기 제3단계의 가중치 부여가 연산 증폭기를 통하여 이루어지는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
  24. 청구항 제19항에 있어서, 상기 제3단계의 가중치 부여가 리미터(limiter)를 통하여 이루어지는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
  25. 청구항 제19항에 있어서, 상기 제4단계에서 이용되는 퍼셉트론 인공신경망에 가중치 설정을 위한 학습 알고리즘(learning algorithm)을 선택적으로 적용하는 것을 특징으로 하는 퍼셉트론 인공신경망을 이용한 탐지 방법.
KR1020090085727A 2009-09-11 2009-09-11 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법 KR20110027916A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090085727A KR20110027916A (ko) 2009-09-11 2009-09-11 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090085727A KR20110027916A (ko) 2009-09-11 2009-09-11 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법

Publications (1)

Publication Number Publication Date
KR20110027916A true KR20110027916A (ko) 2011-03-17

Family

ID=43934448

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090085727A KR20110027916A (ko) 2009-09-11 2009-09-11 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법

Country Status (1)

Country Link
KR (1) KR20110027916A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160134019A (ko) * 2015-05-14 2016-11-23 한국과학기술원 인공 신경망의 하향식 선택적 주의집중 트레이닝 방법
KR101950786B1 (ko) 2018-10-08 2019-02-21 주식회사 디퍼아이 분산처리용 인공신경망 연산 가속화 방법
KR101987475B1 (ko) 2019-01-29 2019-06-10 주식회사 디퍼아이 하드웨어 구현에 적합한 신경망 파라미터 최적화 방법, 신경망 연산방법 및 그 장치
KR101991041B1 (ko) 2018-12-31 2019-06-19 서울대학교산학협력단 아날로그 이진인공신경망 회로에서 활성도 조절을 통한 공정변이 보상방법 및 그 시스템
KR20200040165A (ko) 2019-01-21 2020-04-17 주식회사 디퍼아이 분산처리용 인공신경망 연산 가속화 장치, 이를 이용한 인공신경망 가속화 시스템, 및 그 인공신경망의 가속화 방법
KR20200094056A (ko) 2019-01-29 2020-08-06 주식회사 디퍼아이 컨벌루션 신경망 파라미터 최적화 방법, 컨벌루션 신경망 연산방법 및 그 장치
KR20210015990A (ko) 2019-05-18 2021-02-10 주식회사 디퍼아이 학습된 파라미터의 형태변환을 이용한 컨벌루션 신경망 파라미터 최적화 방법, 컨벌루션 신경망 연산방법 및 그 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160134019A (ko) * 2015-05-14 2016-11-23 한국과학기술원 인공 신경망의 하향식 선택적 주의집중 트레이닝 방법
KR101950786B1 (ko) 2018-10-08 2019-02-21 주식회사 디퍼아이 분산처리용 인공신경망 연산 가속화 방법
KR101991041B1 (ko) 2018-12-31 2019-06-19 서울대학교산학협력단 아날로그 이진인공신경망 회로에서 활성도 조절을 통한 공정변이 보상방법 및 그 시스템
KR20200040165A (ko) 2019-01-21 2020-04-17 주식회사 디퍼아이 분산처리용 인공신경망 연산 가속화 장치, 이를 이용한 인공신경망 가속화 시스템, 및 그 인공신경망의 가속화 방법
KR101987475B1 (ko) 2019-01-29 2019-06-10 주식회사 디퍼아이 하드웨어 구현에 적합한 신경망 파라미터 최적화 방법, 신경망 연산방법 및 그 장치
KR20200094056A (ko) 2019-01-29 2020-08-06 주식회사 디퍼아이 컨벌루션 신경망 파라미터 최적화 방법, 컨벌루션 신경망 연산방법 및 그 장치
KR20210015990A (ko) 2019-05-18 2021-02-10 주식회사 디퍼아이 학습된 파라미터의 형태변환을 이용한 컨벌루션 신경망 파라미터 최적화 방법, 컨벌루션 신경망 연산방법 및 그 장치

Similar Documents

Publication Publication Date Title
KR20110027916A (ko) 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법
CN105760930B (zh) 用于aer的多层脉冲神经网络识别系统
Ungar et al. Adaptive networks for fault diagnosis and process control
Rolls et al. Entorhinal cortex grid cells can map to hippocampal place cells by competitive learning
US20220012564A1 (en) Resilient Neural Network
CN111860588A (zh) 一种用于图神经网络的训练方法以及相关设备
Widiyanto et al. Implementation of convolutional neural network method for classification of diseases in tomato leaves
Pang et al. Case study—spiking neural network hardware system for structural health monitoring
Wang et al. Portable electronic nose system with elastic architecture and fault tolerance based on edge computing, ensemble learning, and sensor swarm
Smith Neuromorphic systems: Past, present and future
Jiang et al. Metamaterial-Based Analog Recurrent Neural Network Toward Machine Intelligence
Biswas et al. A simple and efficient SNN and its performance & robustness evaluation method to enable hardware implementation
Dabbous et al. Touch modality classification using spiking neural networks and supervised-stdp learning
CN115176253A (zh) 用于预测物理化学特性的模块化神经传感系统
Wang et al. A reconfigurable graphene-based spiking neural network architecture
Boulet et al. N2s3, an open-source scalable spiking neuromorphic hardware simulator
Flood Neural networks in civil engineering: a review
Serban The scope and limits of a mechanistic view of computational explanation
Manikandan et al. SBT approach towards analog electronic circuit fault diagnosis
Zhou et al. Application of Functional Network to Solving Classification Problems.
Sun et al. Coupling matrix extraction for microwave filter design using neural networks
Obo et al. A fuzzy spiking neural network using optical oscillosensor and pneumatic sensor for human state estimation
Shi et al. A Research on Multi-Layer Perceptron Diagnosis Model Based on D Matrix
Wang et al. Corridor-scene classification for mobile robot using spiking neurons
Yang et al. Robot Tactile Data Classification Method Using Spiking Neural Network

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application