KR20140025702A - 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템 - Google Patents

동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템 Download PDF

Info

Publication number
KR20140025702A
KR20140025702A KR1020120091682A KR20120091682A KR20140025702A KR 20140025702 A KR20140025702 A KR 20140025702A KR 1020120091682 A KR1020120091682 A KR 1020120091682A KR 20120091682 A KR20120091682 A KR 20120091682A KR 20140025702 A KR20140025702 A KR 20140025702A
Authority
KR
South Korea
Prior art keywords
neural network
carbon dioxide
unit
concentration
dynamic neural
Prior art date
Application number
KR1020120091682A
Other languages
English (en)
Inventor
한화택
한창호
이준용
Original Assignee
국민대학교산학협력단
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 국민대학교산학협력단 filed Critical 국민대학교산학협력단
Priority to KR1020120091682A priority Critical patent/KR20140025702A/ko
Publication of KR20140025702A publication Critical patent/KR20140025702A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템에 관한 것으로, 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템은 실내의 대기 중에 포함된 이산화탄소의 농도를 측정하는 센서부; 상기 센서부로부터 측정된 이산화탄소의 농도를 실시간으로 저장하는 저장부; 상기 저장부로부터 저장된 이산화탄소의 농도값을 통해 실내에 위치한 잔류인원수를 추정하도록 설정된 적어도 하나 이상의 동적신경망부; 및 상기 동적신경망부에서 추정된 상기 잔류인원수와 상기 잔류인원수에 대해 사전에 입력된 기준값을 비교하고, 상기 잔류인원수 및 상기 기준값의 오차를 기설정된 임계값과 비교하여 상기 기준값의 오차가 감소되는 방향으로 상기 동적신경망부를 구성하는 전달 함수의 가중값 및 편향값을 조절하는 신경망 학습부; 를 포함하고, 그로 인해 효율적으로 건물 내의 재실인원을 파악하는 기술을 제시한다.
본 발명에 의하면, 본 발명은 비디오카메라 또는 동작인식 센서를 활용한 종래의 재실인원 확인 방법보다 설치 및 유지비용이 저렴하고, 사각지대가 없으므로 신뢰도가 향상된 효과가 있다.

Description

동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템{OCCUPANCY ESTIMATION SYSTEM BASED ON CARBON DIOXIDE CONCENTRATION USING DYNAMIC NEURAL NETWORK}
본 발명은 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템에 관한 것이다.
현재, 세계 에너지 소비의 40% 가량이 건물 내부를 제어하기 위해 사용되며, 건물 내부를 운용하기 위해 사용되는 에너지 중 대부분의 에너지는 냉난방공조(HVAC) 제어 시스템에 이용되고 있다.
하루 중 대부분의 시간을 주거나 직장업무 등의 이유로 건물 내에 거주하는 현대인의 특성상 실내 공기질을 쾌적하게 유지시키기 위한 에너지 소비는 필수적이며, 이러한 필요는 앞으로도 지속적으로 증가할 것으로 예상된다.
한편, 대한민국 등록특허공보 제10-0509332호 및 대한민국 공개특허공보 제10-2011-0009508호에는 실내 공기질을 유지하기 위한 여러 가지 기술이 제시된 바 있다.
최근에는 앞서 언급된 종래기술 이외에도 실내 공기질을 유지하기 위한 새로운 기술들이 연구되는 추세이며, 그 중 실내의 재실 인원에 따른 환기량 조절 시스템에 대한 개발이 이루어지고 있다.
즉, 앞서 언급한 환기량 조절 시스템에 있어서, 실내 공기질의 조절은 실내에 몇 명의 인원이 위치하고 있는가에 따라 좌우되므로 재실인원을 실시간으로 파악하는 방법이 기술적으로 중요한 의미를 가지고 있었다.
기존에는 실내의 재실 인원을 파악하기 위해 비디오카메라로 실내를 촬영하여 이미지 처리를 하여 재실 인원을 확인하거나 실내에 적외선 센서와 같은 동작인식센서를 설치하여 재실인원의 유무를 확인하는 방법이 개발되었다.
그러나, 비디오를 이용한 방법은 정확도가 높은 반면, 고가이며 사생활 침해 문제를 발생시킬 수 있다. 또한, 동작센서를 이용한 방법은 정지해 있는 사람을 인식하지 못해 단순히 재실인원의 유무 식별만 가능한 기술적 한계점이 존재한다.
따라서, 실내 공기질의 유지를 위해 보다 효율적으로 건물 내의 재실인원을 파악하기 위한 기술의 개발이 요구되는 실정이다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 효율적으로 건물 내의 재실인원을 파악하는 기술을 제시하는데 그 목적이 있다.
이러한 목적을 달성하기 위하여 본 발명의 일 태양으로 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템은 실내의 대기 중에 포함된 이산화탄소의 농도를 측정하는 센서부; 상기 센서부로부터 측정된 이산화탄소의 농도를 실시간으로 저장하는 저장부; 상기 저장부로부터 저장된 이산화탄소의 농도값을 통해 실내에 위치한 잔류인원수를 추정하도록 설정된 적어도 하나 이상의 동적신경망부; 및 상기 동적신경망부에서 추정된 상기 잔류인원수와 상기 잔류인원수에 대해 사전에 입력된 기준값을 비교하고, 상기 잔류인원수 및 상기 기준값의 오차를 기설정된 임계값과 비교하여 상기 기준값의 오차가 감소되는 방향으로 상기 동적신경망부를 구성하는 전달 함수의 가중값 및 편향값을 조절하는 신경망 학습부; 를 포함할 수 있다.
여기서, 동적신경망부는 상기 저장부에 저장된 이산화탄소의 농도값을 입력하도록 마련된 적어도 하나 이상의 입력노드를 갖는 입력층; 상기 입력층으로부터 전달받은 입력신호를 다수의 탭을 이용하여 순차적으로 지연시키는 지연부; 상기 지연부와 연결된 은닉노드를 갖는 은닉층; 및 상기 은닉층과 연결된 출력노드를 갖으며, 상기 입력층에 입력된 농도값에 따른 잔류인원수를 출력하는 출력층; 을 포함할 수 있다.
한편, 신경망 학습부는 레벤버그 마쿼르트(Levenberg-Marquardt) 알고리즘에 의해 상기 전달 함수의 가중값 및 편향값을 조절하도록 마련될 수 있다.
또한, 입력노드 및 은닉노드 간의 연결 관계는 하이퍼볼릭 탄젠트 시그모이드 함수에 의해 규정될 수 있다.
아울러, 은닉노드 및 출력노드 간의 연결 관계는 선형 함수에 의해 규정될 수 있다.
이상에서 설명한 바와 같이 본 발명에 의하면, 센서부가 실내의 이산화탄소의 농도를 측정하고, 측정된 이산화탄소의 농도값을 동적신경망에 적용함으로써 실내에 위치한 잔류인원을 추정한다.
즉, 본 발명은 비디오카메라 또는 동작인식 센서를 활용한 기존의 재실자 및 재실자 수 추정 방법보다 설치 및 유지비용이 저렴하고, 사각지대는 없는 것은 물론 신뢰도 향상에 그 의의가 있다.
또한, 본 발명에 의해 정밀한 재실인원 추정이 가능함에 따라, 환기 시 사용되는 동력 에너지와 환기 시 실외로 배기되어 발생하는 냉·난방 에너지 손실을 최소화시킬 수 있다.
도1은 본 발명에 따른 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템을 도시한 블록도이다.
도2는 본 발명에 따른 동적신경망을 도시한 것이다.
도3은 시간별 이산화탄소 농도 및 재실인원을 측정한 제1그래프를 도시한 것이다.
도4는 시간별 이산화탄소 농도 및 재실인원을 측정한 제2그래프를 도시한 것이다.
도5는 시간별 이산화탄소 농도 및 재실인원을 측정한 제3그래프를 도시한 것이다.
도6은 환기모델을 이용하여 재실인원을 추정한 결과를 도시한 것이다.
도7은 정적신경망을 이용하여 재실인원을 추정한 결과를 도시한 것이다.
도8은 본 발명에 따라 재실인원을 추정한 결과를 도시한 것이다.
도9는 본 발명에 따라 재실인원을 추정한 또 다른 결과를 도시한 것이다.
본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 더 구체적으로 설명하되, 이미 주지되어진 기술적 부분에 대해서는 설명의 간결함을 위해 생략하거나 압축하기로 한다.
본 발명에 따른 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템(10)은 센서부(100), 신호처리부(미도시), 저장부(200), 동적신경망부(300) 및 신경망 학습부(400)를 포함하여 구성되고, 이에 대하여 도1 내지 도9를 참조하여 설명한다.
먼저, 센서부(100)는 실내의 공기 중에 포함된 특정 성분의 농도를 측정할 수 있는 장치로서, 본 발명에서는 건물 내 대기 중에 포함된 이산화탄소의 농도를 측정하는 센서가 사용된다.
신호처리부는 센서부(100)의 신호를 검출하고 디지털로 변환하는 장치로서, 센서부(100)가 이산화탄소의 농도를 측정할 때 발생되는 아날로그 신호들을 검출하여 증폭하고 필터링한 후 디지털 데이터로 변환한다.
신호처리부(미도시)는 센서부(100)에서 측정한 센서신호들을 검출하여 증폭하고 필터링한 후 디지털 데이터로 변환하여 저장부(200)로 전달한다.
저장부(200)는 센서부(100)로부터 측정된 이산화탄소의 농도값을 저장하는 저장매체로, 신호처리부로부터 변환된 디지털 데이터를 실시간으로 전달받아 저장한다.
한편, 본 발명에 따른 재실인원 추정 시스템은 저장부(200)로부터 저장된 이산화탄소의 농도값을 통해 실내에 위치한 잔류인원수를 추정하기 위해 적어도 하나 이상의 동적신경망부(300)를 포함한다.
일실시예에서 동적신경망부(300)는 도2에 도시된 바와 같이, 입력층(310), 지연부(320), 은닉층(330) 및 출력층(340)을 포함하여 구성된다. 동적신경망부(300)에 포함된 입력층(310), 은닉층(330), 출력층(340)은 각 층을 구성하는 노드에 의해 상호 연결되고, 그 관계는 전달 함수로 규정될 수 있다.
즉, 각 층을 구성하는 단위 노드는 복수의 입력변수(X1, X2 … Xn)를 수령하여 하나의 출력변수(Y)를 산출하는 다입력 1출력 구조를 가지며, 전술한 입력변수 및 출력변수의 관계는 하기 수학식1에 기재된 바와 같이 전달 함수 f(X)에 의해 규정될 수 있다.
[수학식 1]
Figure pat00001
수학식 1에서 전달 함수에 도입되는 변수인 X는 하기 수학식 2에 기재된 바와 같이, 각 단위 노드로 도입되는 입력변수(X1, X2 … Xn) 및 가중값(W1, W2 … Wn)의 곱을 합산한 것에 편향값(b, bias)를 더한 수치이다.
[수학식 2]
Figure pat00002
결국, 본 발명에 따른 동적신경망부(300)를 구성하는 각 단위 노드 간의 관계를 규정하는 전달 함수는 하기 수학식 3과 같이 표현될 수 있다.
[수학식 3]
Figure pat00003
(여기서, Ak는 출력변수, Wi ,j는 가중값, Pi는 입력변수, Bj는 편향값)
수학식 1 내지 3을 통해 알 수 있듯이, 동적신경망부(300)를 구성하는 각 노드 간의 관계를 규정하는 전달함수로는 가중값(W) 및 편향값(b)의 두 개의 매개변수를 갖는 함수이며, 이는 경우에 따라 선형 또는 비선형 함수일 수 있다.
본 발명에서 동적신경망부(300)를 구성하는 입력층(310)은 저장부(200)에 저장된 이산화탄소의 농도값을 입력하도록 마련된 적어도 하나 이상의 입력노드를 포함한다.
지연부(320)는 입력층(310)으로부터 전달받은 입력신호를 다수의 탭을 이용하여 순차적으로 지연시킨다. 도2에 도시된 바와 같이, 지연부(320)는 다수의 탭(Tab)으로 구성되어 입력층(310)의 입력노드로부터 입력되는 입력 값이 단계적으로 지연되도록 한다.
예를 들어, 제1입력노드(311)로부터 제1탭(321)으로 입력된 입력값은 시간이 경과됨에 따라, 하부 탭인 제2탭(322) 내지 제n탭으로 이동하며, 상위 탭인 제1탭(321)에는 제1입력노드(311)로부터 새로운 입력값이 전달된다.
은닉층(330)은 지연부(320)를 구성하는 각 탭과 연결된 은닉노드를 갖으며, 출력층(340)은 각 은닉노드와 연결된 출력노드(341)를 갖는다. 실내의 이산화탄소 농도값을 측정하기 위해 본 발명의 일실시예에서는 두 개의 이산화탄소 측정센서가 사용됨에 따라, 입력층(310)을 구성하는 입력노드는 두 개로 구성되고, 출력층(340)은 입력층(310)에 입력된 농도값에 따른 잔류인원수를 출력하므로 출력노드(341)는 한 개로 구성되는 것이 바람직하다.
그런데, 본 발명에서는 이산화탄소 농도값과 같은 입력 변수가 실시간으로 입력되는 동적신경망부(300)를 훈련시키는 과정이 선행되며, 이러한 동적신경망부(300)의 훈련은 동적신경망부(300)가 이산화탄소의 농도값 측정에 따라 잔류인원을 정확하게 추정할 수 있도록 학습시키는 과정이라고 설명될 수 있다.
본 발명에서 신경망 학습부(400)는 동적신경망부(300)에서 추정된 잔류인원수와 잔류인원수에 대해 사전에 입력된 기준값(실제 재실인원 수)을 비교하고, 잔류인원수 및 기준값의 오차를 기설정된 임계값과 비교하여 기준값의 오차가 감소되는 방향으로 동적신경망부(300)를 구성하는 전달 함수의 가중값 및 편향값을 조절하는 과정을 통해 동적신경망부(300)를 학습시킨다.
즉, 신경망 학습부(400)는 동적신경망부(300)를 구성하는 매개변수인 가중값 및 편향값을 임의의 초기값으로 설정하고, 기준값의 입력변수를 동적신경망부(300)에 적용한다. 신경망 학습부(400)는 기준값의 입력변수를 동적신경망부(300)에 적용하여 출력된 출력변수를 기준값의 출력변수와 비교하여 각 출력변수의 오차가 최소화되도록 가중값 및 편향값을 조절하는 과정을 반복함으로써, 최적의 가중값 및 편향값을 산출하게 된다.
이때, 신경망 학습부(400)는 각 출력변수의 오차를 저장부(200)에 기설정된 임계값과 비교하여 기준값의 출력변수와 동적신경망부(300)의 출력변수의 오차가 감소되는 방향으로 가중값 및 편향값을 조절한다.
여기서, 기준값의 입력변수는 일정 시간동안 측정된 실내 이산화탄소 농도값이며, 출력변수는 건물의 측정 대상 공간 내에 잔류한 재실자 수로 설정될 수 있다.
신경망 학습부(400)는 동적신경망부(300)를 훈련시키는 과정에서 동적신경망부(300)를 통해 출력된 출력변수와 기준값의 출력변수의 오차가 최소화되도록 레벤버그 마쿼르트(Levenberg-Marquardt) 알고리즘을 사용하여 전달 함수의 가중값 및 편향값을 조절한다.
아울러, 본 발명의 동적신경망부(300)에서는 입력층(310)을 구성하는 각 입력노드(311, 312) 및 은닉층(330)을 구성하는 각 은닉노드(331, 332, 333) 간의 연결 관계가 하기 수학식 4와 같은 하이퍼볼릭 탄젠트 시그모이드 함수에 의해 규정되며, 각 은닉노드(331, 332, 333) 및 출력층(340)을 구성하는 출력노드(341) 간의 연결 관계가 하기 수학식 5와 같은 선형 함수로 규정될 수 있으나, 반드시 이에 제한되는 것은 아니다.
[수학식 4]
Figure pat00004
[수학식 5]
Figure pat00005
<실시예>
동적신경망부의 재실인원 추정 검증을 위하여 실제 건물에서 2012년 2월 21일부터 25일에 걸쳐 재실인원과 이산화탄소 농도를 측정하였다. 하기 표1에는 본 실시예에 사용한 3일간의 데이터의 측정일시를 기재하였다. 측정은 공간의 종횡비가 크기 때문에 공간상의 분포를 고려하여 2개의 기기를 이용하여 측정하였다. 측정기기의 오차는 측정값의 3% 또는 50ppm이며, 분해능은 1ppm이고 데이터는 1분 간격이다. 재실인원의 기준값은 입구에 비디오카메라를 설치하여 출입하는 사람수를 카운트하여 획득되었다.
Data #1 Data #2 Data #3
Start 2/21 07:30 2/23 08:30 2/24 08:30
End 2/22 05:00 2/24 05:00 2/25 05:00
본 실시예에서 재실인원을 추정하기 위한 동적신경망부의 생성 및 훈련은 Matlab의 Neural Network Toolbox를 이용하였으며, 신경망의 입력값은 센서로부터 측정한 두 개의 이산화탄소 농도이며 출력값은 재실인원으로 설정하였다. 이때, 자연환기량은 미리 주어지지 않기 때문에 환기량 변화에 따른 영향은 고려하지 않았다.
도3의 제1그래프는 Data #1의 시간별 이산화탄소 농도 및 재실인원을 도시한 것이며, 도4의 제2그래프는 Data #2의 시간별 이산화탄소 농도 및 재실인원을 도시한 것이고, 도5의 제3그래프는 Data #3의 시간별 이산화탄소 농도 및 재실인원을 도시한 것이다.
본 실시예의 동적신경망부에서 지연부를 구성하는 다수의 탭인 탭지연선(Tapped Delay Line)의 개수는 1 내지 90개로 설정하였다. 아울러, 도3의 제1그래프에 도시된 바와 같이, 제1센서 및 제2센서로부터 각각 측정된 이산화탄소 농도값이 동적신경망부를 구성하는 입력층의 제1입력노드 및 제2입력노드에 입력변수로 설정되며, 동시간대에 출입한 인원수가 출력층의 출력노드에 출력변수로 설정되어 학습과정이 진행되었다.
이때, 동적신경망부의 입력층 및 은닉층의 계산을 위한 전달함수로는 전술한 수학식 4와 같은 하이퍼볼릭 탄젠트 시그모이드 함수가 사용되었고, 출력층 계산을 위한 전달함수로는 수학식 5와 같은 선형함수가 사용되었다.
본 실시예에서는 첫째날 데이터(Data #1)를 활용하여 동적신경망부를 훈련하였다. 훈련 과정 중 동적신경망의 가중값 및 편향값을 최적화하기 위해 레벤버그 마쿼르트(Levenberg-Marquardt) 알고리즘을 사용하였으며, 베이시안 규칙(Bayesian regulation)을 통해 이를 정규화시켰다.
아울러, 둘째, 셋째날 데이터(Data #2, 3)에서 측정된 이산화탄소 농도값 및 재실인원으로 훈련된 동적신경망부를 테스트하였다. 여기서, 훈련 결과의 평가는 RMS(root-mean-square)를 이용하였으며 동적신경망부의 훈련은 각각 8회 반복 훈련하여 가장 낮은 RMS값을 보이는 신경망을 선택하였다.
도8은 첫째날 데이터(Data #1)로 훈련된 동적신경망부에 둘째날 데이터(Data #2)의 이산화탄소 농도값을 입력변수로 적용하여 출력변수인 재실인원을 추정한 결과이며, 도9는 첫째날 데이터(Data #1)로 훈련된 동적신경망부에 셋째날 데이터(Data #3)의 이산화탄소 농도값을 입력변수로 적용하여 출력변수인 재실인원을 추정한 결과이다. 도8 및 도9의 실선은 실제 재실자 수이고, 점선은 동적신경망부에 의해 추정된 재실인원을 나타낸 것이다.
<비교예 1>
재실인원을 추정하는 방법에 관한 종래의 기술 중 하나인 단일공간 완전혼합 환기모델을 사용하여 재실인원을 추정하였다. 이러한 환기모델은 단일공간의 이산화탄소 농도 변화에 대한 모델로서, 입출구의 풍량이 같고 실내 공기의 완전혼합을 가정한다면 하기 수학식 6과 같이 나타낼 수 있다.
[수학식 6]
Figure pat00006
(여기서, V는 실 체적, C는 이산화탄소 농도, t는 시간, Cin은 유입된 이산화탄소 농도, Cout은 실외로 제거된 이산화탄소 농도, Q는 환기량, G는 시간당 이산화탄소 발생량)
만일, 재실인원과 풍량이 일정한 경우, 초기 농도를 C0라 하면 실내 이산화탄소 농도는 하기 수학식 7과 같이 도출된다.
[수학식 7]
Figure pat00007
(여기서, C(t)는 실내 이산화탄소 농도, V는 실 체적, t는 시간, Cin은 유입된 이산화탄소 농도, Q는 환기량, G는 시간당 이산화탄소 발생량, e는 지수)
도6은 둘째날 데이터(Data #2)에서 측정된 이산화탄소 농도값을 환기모델에 적용하여 재실인원을 추정한 결과를 도시한 것이다. 도6에 도시된 바와 같이, 환기모델을 통해 추정한 재실자 수 추정방법은 실재 재실자 수와 비교시 오차 및 변동폭이 매우 큰 것을 확인할 수 있다.
즉, 환기모델에 의한 추정 방법은 오염 발생량과 환기량 변화에 따라 실내 오염 농도가 지수적으로 변화하기 때문에 이산화탄소 농도값이나 농도 기울기만으로 추정하기에는 무리가 있다.
<비교예 2>
재실인원을 추정하는 방법에 관한 종래의 기술 중 하나인 정적신경망 모델을 사용하여 재실인원을 추정하였다. 정적신경망을 구성하는 입력층의 각 입력노드에는 현재 이산화탄소 농도값 및 농도변화값을 입력변수로서 입력하고, 출력층의 출력노드를 통해 재실인원을 추정하였다.
도7은 둘째날 데이터(Data #2)에서 측정된 이산화탄소 농도값을 정적신경망 모델에 적용하여 재실인원을 추정한 결과를 도시한 것이다. 도7에 도시된 바와 같이, 다층 퍼셉트론(Multi-layer Perceptron)을 적용한 정적신경망을 통해 추정한 재실자 수는 환기모델을 이용한 방법에 비해 추정값의 편동폭이 감소함을 알 수 있다.
결국, 기존의 정적신경망 모델은 재실인원을 추정하기 위해 정적신경망을 구성하는 입력층의 각 입력노드에 현재 농도 및 농도변화값을 같이 입력시켜야 하였으나, 본 발명에 따른 동적신경망부(300)는 입력층(310) 및 은닉층(330)의 사이에 다수의 탭지연선을 포함한 지연부(320)가 위치함에 따라, 입력층(310)의 입력노드를 통해 전달되는 입력변수가 순차적으로 지연되며, 지연된 n개의 탭지연선이 모두 은닉층(330)으로 전달되므로 시간에 따른 변화를 학습할 수 있다.
즉, 본 발명은 비교예 1 및 2를 통해 추정된 출력변수인 재실자 수와 비교해 볼 때, 본 발명의 동적신경망부(300)는 시간에 따른 변화를 고려하여 출력변수를 도출하므로 비교예 1 및 2를 통해 추정된 재실자 수보다 실제 재실자 수에 근접한 것을 확인할 수 있다.
위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이기 때문에, 본 발명이 상기의 실시예에만 국한되는 것으로 이해되어져서는 아니 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 등가개념으로 이해되어져야 할 것이다.
10 : 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템
100 : 센서부
200 : 저장부
300 : 동적신경망부
310 : 입력층
311 : 제1입력노드
312 : 제2입력노드
320 : 지연부
321 : 제1탭
322 : 제2탭
323 : 제3탭
330 : 은닉층
331 : 제1은닉노드
332 : 제2은닉노드
333 : 제3은닉노드
340 : 출력층
341 : 출력노드
400 : 신경망 학습부

Claims (5)

  1. 실내의 대기 중에 포함된 이산화탄소의 농도를 측정하는 센서부;
    상기 센서부로부터 측정된 이산화탄소의 농도를 실시간으로 저장하는 저장부;
    상기 저장부로부터 저장된 이산화탄소의 농도값을 통해 실내에 위치한 잔류인원수를 추정하도록 설정된 적어도 하나 이상의 동적신경망부; 및
    상기 동적신경망부에서 추정된 상기 잔류인원수와 상기 잔류인원수에 대해 사전에 입력된 기준값을 비교하고, 상기 잔류인원수 및 상기 기준값의 오차를 기설정된 임계값과 비교하여 상기 기준값의 오차가 감소되는 방향으로 상기 동적신경망부를 구성하는 전달 함수의 가중값 및 편향값을 조절하는 신경망 학습부; 를 포함하는 것을 특징으로 하는
    동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템.
  2. 제1항에 있어서,
    상기 동적신경망부는
    상기 저장부에 저장된 이산화탄소의 농도값을 입력하도록 마련된 적어도 하나 이상의 입력노드를 갖는 입력층;
    상기 입력층으로부터 전달받은 입력신호를 다수의 탭을 이용하여 순차적으로 지연시키는 지연부;
    상기 지연부와 연결된 은닉노드를 갖는 은닉층; 및
    상기 은닉층과 연결된 출력노드를 갖으며, 상기 입력층에 입력된 농도값에 따른 잔류인원수를 출력하는 출력층; 을 포함하는 것을 특징으로 하는
    동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템.
  3. 제2항에 있어서,
    상기 신경망 학습부는 레벤버그 마쿼르트(Levenberg-Marquardt) 알고리즘에 의해 상기 전달 함수의 가중값 및 편향값을 조절하는 것을 특징으로 하는
    동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템.
  4. 제3항에 있어서,
    상기 입력노드 및 은닉노드 간의 연결 관계는 하이퍼볼릭 탄젠트 시그모이드 함수에 의해 규정되는 것을 특징으로 하는
    동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템.
  5. 제4항에 있어서,
    상기 은닉노드 및 출력노드 간의 연결 관계는 선형 함수에 의해 규정되는 것을 특징으로 하는
    동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템.
KR1020120091682A 2012-08-22 2012-08-22 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템 KR20140025702A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120091682A KR20140025702A (ko) 2012-08-22 2012-08-22 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120091682A KR20140025702A (ko) 2012-08-22 2012-08-22 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR20140109459A Division KR20140120287A (ko) 2014-08-22 2014-08-22 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템

Publications (1)

Publication Number Publication Date
KR20140025702A true KR20140025702A (ko) 2014-03-05

Family

ID=50640639

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120091682A KR20140025702A (ko) 2012-08-22 2012-08-22 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템

Country Status (1)

Country Link
KR (1) KR20140025702A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170102618A (ko) * 2016-03-02 2017-09-12 경희대학교 산학협력단 지하역사 내 실내공기 환기 시스템의 제어방법
KR20200063356A (ko) * 2018-11-23 2020-06-05 전자부품연구원 인공지능 카메라를 이용한 인공지능 IoT 환경 센서의 재실 상황 추론 학습 방법
US10853723B2 (en) 2014-07-24 2020-12-01 Samsung Electronics Co., Ltd. Neural network training method and apparatus, and data processing apparatus

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10853723B2 (en) 2014-07-24 2020-12-01 Samsung Electronics Co., Ltd. Neural network training method and apparatus, and data processing apparatus
KR20170102618A (ko) * 2016-03-02 2017-09-12 경희대학교 산학협력단 지하역사 내 실내공기 환기 시스템의 제어방법
KR20200063356A (ko) * 2018-11-23 2020-06-05 전자부품연구원 인공지능 카메라를 이용한 인공지능 IoT 환경 센서의 재실 상황 추론 학습 방법

Similar Documents

Publication Publication Date Title
Jin et al. Occupancy detection via environmental sensing
Pedersen et al. Method for room occupancy detection based on trajectory of indoor climate sensor data
US20220358749A1 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
Mamidi et al. Improving building energy efficiency with a network of sensing, learning and prediction agents
Yang et al. A multi-sensor based occupancy estimation model for supporting demand driven HVAC operations
Zhou et al. Wireless sensor network based monitoring system for a large-scale indoor space: data process and supply air allocation optimization
Rahman et al. Bayesian estimation of occupancy distribution in a multi-room office building based on CO 2 concentrations
US20190309974A1 (en) System for Monitoring Occupancy and Activity in a Space
Han et al. Occupancy estimation based on CO2 concentration using dynamic neural network model
US20160348932A1 (en) Thermal load estimating device and air conditioning control system
Alam et al. Uncertainties in neural network model based on carbon dioxide concentration for occupancy estimation
KR20140025702A (ko) 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템
US10395124B2 (en) Thermal image occupant detection
KR102156121B1 (ko) 실내 공간에 대한 환기 알림 장치
Jiang et al. Bayesian filtering for building occupancy estimation from carbon dioxide concentration
KR20140025701A (ko) 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 방법
WO2011027452A1 (ja) 存在人数推定装置
KR20140120287A (ko) 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 시스템
Arief-Ang et al. CD-HOC: indoor human occupancy counting using carbon dioxide sensor data
Yao et al. Establishing an ai model on data sensing and prediction for smart home environment control based on labview
CN113508342A (zh) 机器设备的控制系统
Merema et al. Comparison of model identification techniques for MPC in all-air HVAC systems in an educational building
KR20140118946A (ko) 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 방법
CN105955049B (zh) 一种智能家居控制方法、装置及智能家居
CN117010638A (zh) 酒店设备的智能管理方法及系统

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E801 Decision on dismissal of amendment
A107 Divisional application of patent