KR20210108779A - 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법 - Google Patents

유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법 Download PDF

Info

Publication number
KR20210108779A
KR20210108779A KR1020200023818A KR20200023818A KR20210108779A KR 20210108779 A KR20210108779 A KR 20210108779A KR 1020200023818 A KR1020200023818 A KR 1020200023818A KR 20200023818 A KR20200023818 A KR 20200023818A KR 20210108779 A KR20210108779 A KR 20210108779A
Authority
KR
South Korea
Prior art keywords
value
chromosome data
machine learning
selection value
function selection
Prior art date
Application number
KR1020200023818A
Other languages
English (en)
Other versions
KR102572437B1 (ko
Inventor
강도영
강현
Original Assignee
동아대학교 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 동아대학교 산학협력단 filed Critical 동아대학교 산학협력단
Priority to KR1020200023818A priority Critical patent/KR102572437B1/ko
Publication of KR20210108779A publication Critical patent/KR20210108779A/ko
Application granted granted Critical
Publication of KR102572437B1 publication Critical patent/KR102572437B1/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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biotechnology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)

Abstract

본 발명은 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법에 관한 것으로 더욱 상세하게는, 본 발명의 일면에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치는, 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하되, 복수 개의 부모 크로모좀 데이터 세트들 각각에 대한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 기설정된 확률 분포에 기초하여 랜덤하게 설정하는 부모 크로모좀 데이터 생성부와, 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산 중 어느 하나의 연산을 수행함에 따라 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 유지 또는 변경함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 자녀 크로모좀 데이터 생성부와, 부모 크로모좀 데이터 세트 또는 자녀 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델에 기초하여 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득하는 학습부와, 복수 개의 기계 학습 모델들 각각에 대한 기계 학습이 수행됨에 따라 획득되는 기계 학습 모델별 특징 파라미터들에 기초하여 기설정된 확인 이미지 데이터를 기설정된 복수 개의 분류값들 중 어느 하나의 분류값이 선택되도록 하여 분류하고, 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 복수 개의 기계 학습 모델들의 정확도를 산출하는 정확도 산출부와, 복수 개의 기계 학습 모델들의 정확도에 기초하여 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델을 결정하는 최적 학습 모델 결정부를 포함한다.

Description

유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법{APPARATUS AND METHOD FOR DETERMINING OPTIMIZED LEARNING MODEL BASED ON GENETIC ALGORITHM}
본 발명은 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법에 관한 것이다. 더욱 상세하게는 다양한 학습 모델 중에서 최적의 학습 모델을 선택하기 하도록 하는 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법에 관한 것이다.
딥러닝 기술의 발전으로 인해 심층 학습 모델이 영상을 다루는 컴퓨터 비전 분야의 거의 전 영역에서 사용되고 있으며, 그 범위는 영상분류(Image Classification), 물체 인식(Object Detection), 영상 분할(Image Segmenation), 영상 재구성(Image Reconstruction) 등 다양하다.
AlexNet, VGG Net, Google Net 등의 심층 학습 모델 구조들이 발전하고 있지만, CNN을 사용하는 목적과 데이터 셋에 따라 최적의 구조가 다를 수 있다.
심층 학습 모델의 레이어 수가 많고 깊이가 깊어질수록 특징 추출의 성능이 높아지는 경향이 있지만, 뉴럴 네트워크 파라미터의 개수가 많아지며, 이는 알고리즘 수행 속도의 저하와 모델 용량의 증가를 가져온다.
따라서, 심층 학습 모델 알고리즘이 탑재되는 처리장치의 처리 성능과 시스템 요구조건에 따른 알고리즘 수행 속도 제약을 지키는 심층 학습 모델 구조 중, 가장 정확도가 높은 것을 사용해야 한다.
심층 학습 모델 구조 중, 가장 정확도가 높은 심층 학습 모델 구조를 탐색할 수 있도록 하는 유전 알고리즘을 활용한 심층 학습 모델의 최적 구조 탐색 방법이 있다.
유전 알고리즘은 생물의 진화를 모방한 최적화 기법 중 하나이다. 생물의 적응 정도를 계산하는 척도로서 평가함수의 적응도(fitness)를 사용하여 최적화하는 기법이다. 적응도는 생존율, 출생률 및 그것들의 조합에 기인하는 번식의 성공도(reproductive success)로 정의할 수 있다. 생물에 있어서 중요한 것은 자신과 유사한 것을 만드는 능력과, 유사하지만 미묘하게 닮은 다수의 생물개체가 종이라는 집단을 구성해서 존재하는 것이다. 생물집단에 어떤 종의 제약이 부가되면 집단 내에 경합관계가 생겨나게 되고 보다 환경에 적응한 개체군이 번식에 성공하도록 된다. 즉, 적응도가 높게 된다. 이와 같은 생물계에 보여 지는 현상을 이용한 것이 유전 알고리즘이다.
따라서, 유전알고리즘을 활용하여 심층 학습 모델 알고리즘이 탑재되는 처리장치의 처리 성능과 시스템 요구조건에 따라 가장 정확도가 높고 최적화된 심층 학습 모델을 탐색할 수 있는 방법이 필요하다.
KR 10-2020-0012281 A KR 10-2007-0085607 A
본 발명은 상기 문제점을 해결하기 위한 것으로, 유전알고리즘을 이용하여 최적화된 학습 모델을 산출하는 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일면에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치는, 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하되, 복수 개의 부모 크로모좀 데이터 세트들 각각에 대한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 기설정된 확률 분포에 기초하여 랜덤하게 설정하는 부모 크로모좀 데이터 생성부와, 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산 중 어느 하나의 연산을 수행함에 따라 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 유지 또는 변경함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 자녀 크로모좀 데이터 생성부와, 부모 크로모좀 데이터 세트 또는 자녀 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델에 기초하여 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득하는 학습부와, 복수 개의 기계 학습 모델들 각각에 대한 기계 학습이 수행됨에 따라 획득되는 기계 학습 모델별 특징 파라미터들에 기초하여 기설정된 확인 이미지 데이터를 기설정된 복수 개의 분류값들 중 어느 하나의 분류값이 선택되도록 하여 분류하고, 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 복수 개의 기계 학습 모델들의 정확도를 산출하는 정확도 산출부와, 복수 개의 기계 학습 모델들의 정확도에 기초하여 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델을 결정하는 최적 학습 모델 결정부를 포함한다.
본 발명의 다른 면에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법은, 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하되, 복수 개의 부모 크로모좀 데이터 세트들 각각에 대한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 기설정된 확률 분포에 기초하여 랜덤하게 설정하는 단계와, 부모 크로모좀 데이터 세트 또는 자녀 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델에 기초하여 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득하는 단계와, 복수 개의 기계 학습 모델들 각각에 대한 기계 학습이 수행됨에 따라 획득되는 기계 학습 모델별 특징 파라미터들에 기초하여 기설정된 확인 이미지 데이터를 기설정된 복수 개의 분류값들 중 어느 하나의 분류값이 선택되도록 하여 분류하고, 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 복수 개의 기계 학습 모델들의 정확도를 산출하는 단계와, 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산 중 어느 하나의 연산을 수행함에 따라 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 유지 또는 변경함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 단계와, 복수 개의 기계 학습 모델들의 정확도에 기초하여 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델을 결정하는 단계를 포함한다.
본 발명에 따르면, 유전알고리즘을 이용하여 최적화된 학습 모델을 결정할 수 있는 효과가 있다.
본 발명에 따르면, 환자들의 뇌의 축상면을 촬영한 학습 이미지 데이터로 학습하고, 유전알고리즘을 이용하여 치매 분류에 최적화된 학습 모델의 파라미터를 찾을 수 있는 효과가 있다.
본 발명에 따르면, 유전알고리즘을 이용하여 복수 개의 학습 모델의 정확도를 산출함으로써, 성능이 높은 학습 모델을 결정할 수 있는 효과가 있다.
본 발명에 따르면, 유전알고리즘을 이용하여 학습 모델들의 성능을 비교 분석할 수 있는 효과가 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치를 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 부모 크로모좀 데이터 생성부를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 스케일링부를 설명하기 위한 도면이다.
도 4는 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 선택 연산부를 설명하기 위한 도면이다.
도 5는 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 교차 연산부를 설명하기 위한 도면이다.
도 6은 발명의 다른 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법을 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것으로서, 본 발명은 청구항의 기재에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법을 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치를 나타내는 블록도이고, 도 2는 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 부모 크로모좀 데이터 생성부를 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 스케일링부를 설명하기 위한 도면이고, 도 4는 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 선택 연산부를 설명하기 위한 도면이며, 도 5는 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 교차 연산부를 설명하기 위한 도면이고, 도 6은 발명의 다른 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법을 나타내는 도면이다.
또한, 본 발명의 실시예들에 있어서, 기능적으로 동일한 구성요소는 도면 부호를 일치시켜 설명하도록 하고, 반복 설명을 생략하도록 한다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치는, 초기 세대 설정부(100), 부모 크로모좀 데이터 생성부(150), 디코딩부(200), 학습 모델 생성부(250), 학습부(300), 정확도 산출부(400), 선택 연산부(450), 교차 연산부(500), 변위 발생 세대 단위값 설정부(550), 돌연변이 연산부(600), 자녀 크로모좀 데이터 생성부(650), 세대값 계산부(700), 최적 학습 모델 결정부(750)을 포함한다.
초기 세대 설정부(100)는 사용자의 입력에 따라 학습 모델을 최적화하고자 하는 변수를 설정하고 변수에 데이터 값이 할당되기 위한 비트 수를 설정한다(S100).
초기 세대 설정부(100)는 사용자의 입력에 따라 학습 모델을 최적화하고자 하는 범주형 변수, 연속형 범주를 설정하는 것일 수 있으며, 범주형 변수, 연속형 변수에 데이터 값이 할당되기 위한 비트 수를 설정하는 것일 수 있다.
여기서, 범주형 변수는 학습 모델에 있어서, 활성 함수(Activation Function), 학습 모델을 최적화 하기 위한 최적화 함수(Optimizer Function), 컨볼루션 필터, 풀링 필터 등을 나타내는 것일 수 있으며, 연속형 변수는 학습률(Learning rate), 에폭(epoch), 희소 규제화 상수 등을 나타내는 것일 수 있다.
또한, 범주형 변수, 연속형 변수에 할당되는 데이터 값은 이진 데이터 값을 나타내는 것일 수 있다.
초기 세대 설정부(100)는 사용자의 입력에 따라 범주형 변수, 연속형 변수에 데이터 값이 할당되기 위한 비트 수를 하기 수학식 1에 기초하여 설정할 수 있다.
Figure pat00001
여기서, ceil{}은 올림 함수를 나타내고, L은 사용자의 입력에 따른 탐색 범위의 길이를 나타내며, T는 공차(Tolerance), 탐색 범위의 해상도(resolution)를 나타내는 것일 수 있다. T(공차, Tolerance)의 값이 클수록 많은 비트를 할당하는 것일 수 있다.
예를 들어, 초기 세대 설정부(100)는 사용자의 입력에 따라 탐색 범위를 -4 ~ 4로 설정한 경우 탐색 범위의 길이인 L은 8로 산출될 수 있고, T(공차, Tolerance)는 사용자의 입력에 따라 100으로 설정한 경우 수학식 1에 따라
Figure pat00002
= 9.64의 값을 가지며 9.64에서 올림을 하여 범주형 변수, 연속형 변수에 데이터 값이 할당되기 위한 비트 수를 10 비트로 설정하는 것일 수 있다.
본 발명에 따르면, 범주형 변수를 활성 함수, 최적화 함수로 설정하고, 연속형 변수로 콘볼루션 커널을 설정하였지만, 이에 한정되지 않는다.
부모 크로모좀 데이터 생성부(150)는 성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하되, 복수 개의 부모 크로모좀 데이터 세트들 각각에 대한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 기설정된 확률 분포에 기초하여 랜덤하게 설정한다(S150).
여기서, 부모 크로모좀 데이터 세트는 활성 함수 선택값에 대응되는 이진 데이터 값의 할당이 가능한 활성 함수 선택 데이터 할당 영역과, 최적화 함수 선택값에 대응되는 이진 데이터 값의 할당이 가능한 최적화 함수 선택 데이터 할당 영역과, 콘볼루션 커널 선택값에 대응되는 이진 데이터 값의 할당이 가능한 콘볼루션 커널 선택 데이터 할당 영역을 가지는 것일 수 있다.
부모 크로모좀 데이터 생성부(150)는 초기 세대 설정부(100)에서 설정한 범주형 변수, 연속형 변수 각각의 초기값을 랜덤하게 할당되는 복수 개의 부모 크로모좀 데이터 세트들을 생성하는 것일 수 있다.
부모 크로모좀 데이터 생성부(150)는 활성 함수 선택 데이터, 최적화 함수 선택 데이터, 콘볼루션 커널 선택 데이터가 각각 할당되기 위한 데이터 할당 영역을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하는 것일 수 있다.
여기서, 활성 함수 선택 데이터는 기설정된 복수 개의 활성 함수들 각각에 대응되는 활성 함수 선택값들 중에서 선택된 어느 하나의 활성 함수 선택값으로 이루어지는 것일 수 있으며, 활성 함수 선택값은 이진 데이터 값일 수 있다.
예를 들어, 활성 함수로 ReLu 함수, Leaky ReLu 함수, Clipped ReLu 함수가 설정되는 경우 ReLu 함수에 대응되는 활성 함수 선택값으로 00, Leaky ReLu 함수에 대응되는 활성 함수 선택값으로 01 또는 10, Clipped ReLu 함수에 대응되는 활성 함수 선택값으로 11이 기설정되는 것일 수 있다.
여기서, 활성화 함수(Activation Function)는 뉴런 네트워크(Neuron Network)에 있어서 개별 뉴런에 들어오는 입력신호를 출력신호로 변환하는 함수로서, ReLu 함수는 딥러닝(Deep-learning)에서 활성화 함수 중의 하나로, 개별 뉴런이 출력하는 값들 중에서 음수(-)에 대해서만 0으로 변환하는 함수인 것일 수 있다.
Leaky ReLu 함수는 뉴런 네트워크의 개별 뉴런이 출력하는 값들 중에서 음수에 대해 1/10로 값을 변환하는 함수인 것일 수 있다.
Clipped ReLu 함수는 뉴런 네트워크의 개별 뉴런이 출력하는 값들 중에서 기설정된 임계값보다 큰 값들을 모두 임계값으로 변환하는 함수인 것일 수 있다.
최적화 함수 선택 데이터는 기설정된 복수 개의 최적화 함수들 각각에 대응되는 최적화 함수 선택값들 중에서 선택된 어느 하나의 최적화 함수 선택값으로 이루어지는 것일 수 있으며, 최적화 함수 선택값은 이진 데이터 값일 수 있다.
예를 들어, 최적화 함수로 SGDM, RMSProp, Adam가 설정되는 경우 SGDM 함수에 대응되는 최적화 함수 선택값으로 00, RMSProp 함수에 대응되는 최적화 함수 선택값으로 01 또는 10, Adam 함수에 대응되는 최적화 함수 선택값으로 11이 기설정되는 것일 수 있다.
여기서, 최적화 함수는 기계 학습에서 손실(loss) 값을 최소화하기 위한 함수로서, SGDM는 기계 학습의 loss 함수에 있어서, 미분을 통해 기울기와 속도를 구하여 가중치(Weight) 값을 갱신하는 방법인 확률적 경사하강법을 이용하여 손실 값을 최소화하는 함수인 것일 수 있다.
RMSProp는 기계 학습의 loss 함수에 있어서, 특정 시점의 기울를 균일하게 누적하지 않고 지수 가중 이동 평균(Exponentially Weighted Moving Average)에 기초하여 나중 시점의 기울기들을 반영하여 손실 값을 최소화하는 함수인 것일 수 있다.
Adam은 기계 학습의 loss 함수에 있어서, 특정 시점의 기울기 값을 제곱해서 계속 더하고 속도를 계산하여 손실 값을 최소화하는 함수인 것일 수 있다.
콘볼루션 커널 선택 데이터는 기설정된 복수 개의 콘볼루션 커널들 각각에 대응되는 콘볼루션 커널 선택값들 중에서 선택된 어느 하나의 콘볼루션 커널 선택값으로 이루어지는 것일 수 있으며, 콘볼루션 커널 선택값은 이진 데이터 값일 수 있다.
예를 들어, 콘볼루션 커널들로 no dilated conv, 1-dilated conv, 2-dilated conv, 3-dilated conv이 설정되는 경우 no dilated conv에 대응되는 콘볼루션 커널 선택값으로 00, 1-dilated conv에 대응되는 콘볼루션 커널 선택값으로 01, 2-dilated conv에 대응되는 콘볼루션 커널 선택값으로 10, 3-dilated conv에 대응되는 콘볼루션 커널 선택값으로 11이 기설정되는 것일 수 있다.
여기서, 콘볼루션 커널은 학습 이미지에 있어서 파라미터를 검출하기 위해 학습 이미지의 픽셀값과 콘볼루션 연산하는 기설정된 행렬로 정의되는 콘볼루션 필터로서, no dilated conv는 콘볼루션 필터에서 커널 간의 간격이 없는 3 x 3의 사이즈를 가지는 콘볼루션 커널인 것일 수 있다.
1-dilated conv는 콘볼루션 필터에서 커널 간의 간격이 1인 5 x 5의 사이즈를 가지는 콘볼루션 커널인 것일 수 있다.
2-dilated conv는 콘볼루션 필터에서 커널 간의 간격이 2인 7 x 7의 사이즈를 가지는 콘볼루션 커널인 것일 수 있다.
3-dilated conv는 콘볼루션 필터에서 커널 간의 간격이 3인 9 x 9의 사이즈를 가지는 콘볼루션 커널인 것일 수 있다.
부모 크로모좀 데이터 생성부(150)는 균등 분포(Uniform Distribution)된 0 또는 1 값을 가지는 확률 분포에 기초하여 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 각각의 초기값을 랜덤하게 할당하여 매트릭스로 이루어진 부모 크로모좀 데이터를 생성하는 것일 수 있다.
예를 들어, 도 2를 참조하면, 제1 부모 크로모좀 데이터 세트는 011110의 이진 데이터 값을 가지므로 활성 함수 선택 데이터는 01, 최적화 함수 선택 데이터는 11, 콘볼루션 커널 선택 데이터는 10이다는 것을 의미할 수 있으며, 활성 함수로서 Leaky ReLu 함수가, 최적화 함수로서 Adam 함수가, 콘볼루션 커널은 2-dilated conv이 선택되었다는 것을 알 수 있다.
제6 부모 크로모좀 데이터 세트는 100111의 이진 데이터 값을 가지므로 활성 함수 선택 데이터는 10, 최적화 함수 선택 데이터는 01, 콘볼루션 커널 선택 데이터는 11이다는 것을 의미할 수 있으며, 활성 함수로서 Leaky ReLu 함수가, 최적화 함수로서 RMSProp 함수가, 콘볼루션 커널은 3-dilated conv이 선택되었다는 것을 알 수 있다.
부모 크로모좀 데이터 생성부(150)는 사용자의 입력에 따라 부모 크로모좀 데이터 세트의 생성 갯수를 설정하고, 부모 크로모좀 데이터 세트의 생성 갯수 만큼의 부모 크로모좀 데이터 세트들을 생성하는 것일 수 있으며, 부모 크로모좀 데이터 세트에 할당되는 비트 수는 초기 세대 설정부(100)에서 설정한 비트 수로 설정한느 것일 수 있다.
본 발명에 따르면, 부모 크로모좀 데이터 세트의 생성 갯수는 10개, 부모 크로모좀 데이터 세트에 할당되는 비트 수는 6 비트로 설정하였으나, 이에 한정되는 것은 아니다.
디코딩부(200)는 부모 크로모좀 데이터 세트에 할당되는 이진 데이터 값을 실수값으로 변환한다(S200).
디코딩부(200)는 부모 크로모좀 데이터 세트의 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 각각에 대응되는 이진 데이터 값을 실수값으로 변환하는 것일 수 있다.
디코딩부(200)는 하기 수학식 2에 기초하여 이진 데이터 값을 실수값으로 변환하는 것일 수 있다.
Figure pat00003
여기서, L은 초기 세대 설정부(100)에서 설정한 사용자의 입력에 따른 탐색 범위의 길이를 나타내고, 비트 수는 부모 크로모좀 데이터 세트에 할당된 비트 수를 나타내며, K는 부모 크로모좀 데이터 세트에 할당된 6 비트의 이진 데이터 값을 10진수로 변환한 값이고, m은 초기 세대 설정부(100)에서 설정한 사용자의 입력에 따른 탐색 범위의 최소 범위 값을 나타낸다.
예를 들어, 도 2를 참조하여, 제1 부모 크로모좀 세트를 디코딩할 경우 디코딩부(200)는 초기 세대 설정부(100)에서 사용자의 입력에 따라 탐색 범위를 -4 ~ 4로 설정한 경우 탐색 범위의 길이인 L은 8로 산출될 수 있고, 비트 수는 제1 부모 크로모좀 세트에 할당된 비트 수인 6의 값을 가지며, k는 제1 부모 크로모좀 세트에 할당된 이진 데이터 값인 011110을 10진수 변환한 30의 값을 가지고, m은 탐색 범위인 -4 ~ 4의 최소 범위 값인 -4의 값을 가지므로, 수학식 2에 적용하여
Figure pat00004
=-0.25의 값으로 디코딩하는 것일 수 있다.
학습 모델 생성부(250)는 복수 개의 부모 크로모좀 데이터 세트들이 가지는 각각의 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값에 대응되는 복수 개의 기계 학습 모델들을 생성한다(S250).
학습 모델 생성부(250)는 복수 개의 부모 크로모좀 데이터 세트들에 기초하여 각 부모 크로모좀 데이터 세트에 대응되는 복수 개의 기계 학습 모델들을 생성하는 것일 수 있다.
학습 모델 생성부(250)는 복수 개의 부모 크로모좀 데이터 세트들에 있어서 각 크로모좀 데이터 세트에 할당되는 이진 데이터 값에 기초하여 활성 함수 선택값과 최적화 함수 선택값 및 콘볼루션 커널 선택값을 조합함에 따라 각 부모 크로모좀 데이터 세트에 대응되는 복수 개의 기계 학습 모델들을 생성하는 것일 수 있다.
예를 들어, 도 2를 참조하면, 학습 모델 생성부(250)는 제1 부모 크로모좀 데이터 세트에 할당되는 이진 데이터 값이 011110이므로 활성 함수로 Leaky ReLu 함수를, 최적화 함수로 Adam 함수를, 콘볼루션 커널로 2-dilated conv을 조합함에 따른 제1 기계 학습 모델을 생성하는 것일 수 있으며, 제5 부모 크로모좀 데이터 세트에 할당되는 이진 데이터 값이 110101이므로 활성 함수로 Clipped ReLu 함수를, 최적화 함수로 RMSProp 함수를, 콘볼루션 커널로 1-dilated conv을 조합함에 따른 제5 기계 학습 모델을 생성하는 것일 수 있다.
또한, 학습 모델 생성부(250)는 제10 부모 크로모좀 데이터 세트에 할당되는 이진 데이터 값이 110100이므로 활성 함수로 Clipped ReLu 함수를, 최적화 함수로 RMSProp 함수를, 콘볼루션 커널로 no-dilated conv을 조합함에 따른 제10 기계 학습 모델을 생성하는 것일 수 있다.
학습부(300)는 모 크로모좀 데이터 세트 또는 자녀 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델에 기초하여 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득한다(S300).
학습부(300)는 학습 이미지 데이터 입력부(310), 공간 정규화부(320), 크로핑부(330), 강도 정규화부(340), 스케일링부(350), 기계 학습부(360)를 포함한다.
학습 이미지 데이터 입력부(310)는 아밀로이드 제재가 투여된 진단 대상자의 뇌의 축상면(Axial)을 촬영함에 따라 획득되는 복수 개의 학습 이미지 데이터를 입력받는다.
여기서, 진단 대상자는 치매환자(AD, Alzheimer`s Disease), 경도인지장애 환자(MCI, Mild Cognitive Impairment), 정상인(NC, Normal Control)에 대응되는 것일 수 있다.
복수 개의 학습 이미지 데이터는 400 X 400 픽셀의 사이즈를 가지는 것일 수 있으며, 학습 이미지 데이터 입력부(310)는 치매환자 1명 당 50장 내지 70장으로 하여 총 140 명 내지 160명의 치매환자에 대한 학습 이미지 데이터를 10,000장 내지 12,000장 입력받고, 경도인지장애 환자 1명 당 50장 내지 70장으로 하여 총 120명 내지 140명의 경도인지장애 환자에 대한 학습 이미지 데이터를 8,000장 내지 10,000장 입력받으며, 정상인 1명 당 50장 내지 70장으로 하여 총 80명 내지 100명의 정상인에 대한 학습 이미지 데이터를 5,000장 내지 7,000장을 입력받는 것일 수 있다.
한편, 학습 이미지 데이터 입력부(310)는 Amyloid PET Radiotracer에 의해 아밀로이드 제재가 투여된 진단 대상자의 뇌의 축상면(Axial)을 촬영함에 따라 획득되는 복수 개의 학습 이미지 데이터 이미지를 입력받는 것일 수 있다.
학습 이미지 데이터는 Amyloid PET Radiotracer에 의해 아밀로이드 제재가 투여됨에 따라 병이 존재하는 영역에서는 양성 반응을 보일 수 있으며, 병이 존재하지 않는 영역에서는 음성 반응을 보일 수 있다.
또한, 아밀로이드 제재가 투여된 진단 대상자의 뇌의 축상면(Axial)을 촬영하는데 있어서, 아밀로이드 제재의 투여시점으로부터 30분 내지 2시간 정도의 시간이 경과된 후 10분 내지 60분의 기간동안 축상면(Axial) 촬영을 수행함에 따른 복수 개의 학습 이미지 데이터를 학습 이미지 데이터 입력부(310)에서 입력받는 것일 수 있다.
한편, 학습 이미지 데이터에 있어서 아밀로이드가 침착된 부분은 하얀색에 가까운 색상을 가지는 것일 수 있다.
여기서, 하얀색에 가까운 색상이라는 것은 학습 이미지 데이터에 있어서, 검은색 부분에 대비되는 회색 또는 하얀색으로 나타나는 픽셀 부분들의 색상을 의미한다.
학습 이미지 데이터에 있어서, 뇌 영역에 해당하는 부분을 경계로하여 테두리가 형성되는 것일 수 있으며, 뇌 영역에 속하는 세포 또는 조직 부분의 픽셀이 아밀로이드 침착 정도에 따라서 하얀색에 가까운 색상을 가지는 것일 수 있다.
공간 정규화부(320)는 복수 개의 학습 이미지 데이터들을 동일한 모양과 형태로 공간 정규화하여 공간 정규화된 학습 이미지 데이터를 생성한다.
공간 정규화부(320)는 복수 개의 학습 이미지 데이터들을 하나의 기설정된 기준 좌표에 맞게 배치하도록하고, 이미지처리의 효율성을 높이기 위해 학습 이미지 데이터들에 포함된 객체 영역이 이미지의 중앙에 위치하도록 하여 공간 정규화된 학습 이미지 데이터를 생성하는 것일 수 있다.
또한, 공간 정규화부(320)는 학습 이미지 데이터가 가지는 픽셀의 위치를 이동하여 학습 이미지 데이터의 형태를 변환하는 워핑(Warping)이라는 영상 처리 기법에 기초하여 공간 정규화된 학습 이미지 데이터를 생성하는 것일 수 있다.
크로핑부(330)는 공간 정규화된 학습 이미지 데이터들에 있어서 객체 영역인 뇌 영역에 해당하는 부분을 경계로 한 테두리 부분을 포함하되 기설정된 이미지 사이즈를 가지도록 뇌 영역에 해당하는 부분을 경계로 한 테두리의 배경 영역을 제거한다.
뇌의 축상면(Axial) 촬영하여 획득되는 이미지의 경우, 아밀로이드가 침착된 정도에 따라서 고음영 부분과 저음영 부분으로 구분되는 뇌 영역과, 뇌 영역과 무관한 배경 영역으로 구분될 수 있다.
크로핑부(330)는 공간 정규화된 학습 이미지 데이터들에 있어서 에지를 검출하여 에지 내부의 영역을 뇌 영역으로 추출하여 배경 영역을 제거하는 것일 수 있다.
뇌 영역은 배경 영역과 대비하여 명도 값의 차이가 크므로 뇌 영역과 배경 영역을 에지 검출에 따라 쉽게 구분할 수 있다.
크로핑부(330)는 공간 정규화된 학습 이미지 데이터들에 대해 에지 검출을 수행함에 따라 추출되는 에지 성분들에 각각 대응되는 픽셀들을 연결하여 폐곡선을 생성하도록 하고, 곡률 반경이 작은 쪽인 폐곡선의 안쪽을 뇌 영역으로 추출하여 배경 영역을 제거하는 것일 수 있다.
크로핑부(330)는 에지는 영상에서 명도의 변화가 많은 부분에서 발생하므로 인접해 있는 픽셀들 간의 픽셀값을 비교하여 차이가 큰 경우를 변화하는 경계에 해당되는 부분으로 하여 에지 영역을 추출하도록 하고 뇌 영역과 배경 영역을 구분하는 것일 수 있다.
크로핑부(330)에 의해 복수 개의 학습 이미지 데이터들은 400 X 400 픽셀의 사이즈에서 95 X 79 픽셀의 사이즈로 변환될 수 있다.
강도 정규화부(340)는 배경 영역이 제거된 학습 이미지 데이터들에 있어서 특이성 섭취 영역과 비특이성 섭취 영역을 구분하기 위하여 기설정된 마스크를 적용하여 강도 정규화를 수행하고 강도 정규화된 학습 이미지 데이터들을 생성한다.
여기서, 특이성 섭취(Specific Uptake) 영역은 병의 유무에 따라 아밀로이드 침착이 결정되는 영역을 나타내고, 비특이성 섭취(Non-specific Uptake) 영역은 병의 유무에 상관없이 항상 아밀로이드 침착이 되는 영역을 나타내는 것일 수 있다.
병이 없는 환자의 학습 이미지 데이터에서의 특이성 섭취 영역에서는 아밀로이드 침착이 되지 않을 것이고, 병이 있는 환자의 학습 이미지 데이터에서의 특이성 섭취 영역에서는 아밀로이드 침착이 될 것이며, 병의 유무와 관계없이 비특이성 영역에서는 아밀로이드 침착이 항상 되는 것일 수 있다.
또한, 강도 정규화부(340)는 학습 이미지 데이터에 속하는 픽셀들과 기설정된 마스크간에 사칙연산을 적용하여 강도 정규화를 수행하는 것일 수 있다.
강도 정규화부(340)는 배경 영역이 제거된 학습 이미지 데이터들이 가지는 전체 픽셀값을 뇌의 백질(White matter) 영역인 비특이성 섭취 영역이 가지는 픽셀값으로 나누어 강도 정규화를 수행하여 강도 정규화된 학습 이미지 데이터들을 생성하는 것일 수 있다.
다시 말해, 강도 정규화부(340)가 학습 이미지 데이터들에서의 뇌의 백질(White matter) 영역인 비 특이성 섭취 영역에 해당하는 픽셀값으로 학습 이미지 데이터의 전체 픽셀값을 나눠주게 되면, 전체 학습 이미지 데이터에서 비 특이성 섭취 영역의 픽셀값은 1에 가까울 것이기 때문에 관찰하고자 하는 영역인 특이성 섭취 영역을 1에 가까운 값을 가지는 비 특이성 섭취 영역을 기준으로 정상인과 비정상인의 학습 이미지 데이터 비교가 가능한 것일 수 있다.
강도 정규화부(340)는 강도 정규화된 학습 이미지 데이터들을 생성함으로써, 환자 간의 학습 이미지 데이터에서 특이성 섭취 영역에 기초하여 절대적 및 상대적 비교를 할 수 있다.
스케일링부(350)는 강도 정규화된 학습 이미지 데이터들이 가지는 픽셀값들을 기설정된 범위 내의 값으로 스케일링하여 정규화 이미지를 생성한다.
도 3을 참조하면, 학습 이미지 데이터에서 픽셀값의 분포 변화는 딥러닝(Deep-learning) 기반의 기계 학습에서 가중치(Weight)의 스케일(Scale) 변화에 영향을 주기 때문에, 스케일링부(350)는 기계 학습 모델에서 학습할 가중치의 스케일을 일정한 범위 내에서 분포할 수 있게 하기 수학식 3에 기초하여 강도 정규화된 학습 이미지 데이터가 가지는 픽셀값을 기설정된 범위 내의 값으로 스케링일링 하는 것일 수 있다.
Figure pat00005
여기서,
Figure pat00006
는 스켈일링의 대상이 되는 픽셀값이고, m은 학습 이미지 데이터가 가지는 픽셀값의 평균값이며, SD는 학습 이미지 데이터가 가지는 픽셀값의 표준편차를 나타낸다.
본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치는 진단 대상자의 학습 이미지 데이터들을 공간 정규화부(320), 크로핑부(330), 강도 정규화부(340), 스케일링부(350)에 의해 정규화된 정규화 이미지를 기계 학습 모델에 적용할 수 있으며, 학습 이미지 데이터 입력부(100)에서 입력받은 400 X 400 사이즈의 학습 이미지 데이터들은 97 X 79 픽셀 사이즈의 정규화 이미지로 변환되어 학습 모델 생성부(250)에서 생성한 복수 개의 기계 학습 모델들에 각각 적용될 수 있다.
기계 학습부(360)는 학습 모델 생성부(250)에서 생성한 복수 개의 기계 학습 모델들에 기초하여 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득한다.
기계 학습부(360)는 학습 모델 생성부(250)에서 생성한 제1 부모 크로모좀 데이터 세트 내지 제10 부모 크로모좀 데이터 세트에 대응되는 제1 기계 학습 모델 내지 제10 기계 학습 모델 각각에 대해서 복수 개의 정규화 이미지들을 입력하여 기계 학습을 수행하고 복수 개의 정규화 이미지들의 특징 파라미터를 획득하는 것일 수 있다.
복수 개의 기계 학습 모델들은 각각 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 어느 하나가 상이한 것일 수 있으며, 기계 학습부(360)는 활성 함수, 최적화 함수, 콘볼루션 커널을 제외한 딥러닝을 구성하는 요소들(예를 들어, 풀링 레이어, Epoch, 학습률, 노드 갯수 등)은 동일한 것으로 적용하여 기계 학습을 수행하는 것일 수 있다.
정확도 산출부(400)는 복수 개의 기계 학습 모델들 각각에 대한 기계 학습이 수행됨에 따라 획득되는 기계 학습 모델별 특징 파라미터들에 기초하여 기설정된 확인 이미지 데이터를 기설정된 복수 개의 분류값들 중 어느 하나의 분류값이 선택되도록 하여 분류하고, 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 복수 개의 기계 학습 모델들의 정확도를 산출한다(S400).
정확도 산출부(400)는 학습부(300)에서 기계 학습이 수행된 복수 개의 기계 학습 모델들이 획득한 특징 파라미터에 기초하여 복수 개의 확인 이미지 데이터들을 복수 개의 분류값들 중 어느 하나의 분류값을 선택하도록 하고, 선택된 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 복수 개의 기계 학습 모델들의 정확도를 산출한다.
정확도 산출부(400)는 하기 수학식 4에 기초하여 복수 개의 기계 학습 모델들의 정확도를 산출하는 것일 수 있다.
Figure pat00007
여기서,
Figure pat00008
는 기계 학습 모델이 분류한 분류값을 나타내고,
Figure pat00009
는 지도학습값을 나타내며,
Figure pat00010
는 분류값과 지도학습값이 대응되면 1을 출력하고, 분류값과 지도학습값이 대응되지 않으면 0의 값을 출력하는 것이고, N은 확인 이미지 데이터의 수를 나타내는 것일 수 있다.
정확도 산출부(400)는 복수 개의 확인 이미지 데이터들에 기초하여 학습부(300)에서 기계 학습이 수행된 기계 학습 모델이 선택한 분류값과 지도학습값이 대응되면 1을 출력하도록 하고, 분류값과 지도학습값이 대응되지 않으면 0을 출력하도록 하여, 총 확인 이미지 데이터 갯수에 대한 분류값과 지도학습값이 대응되는 이미지의 갯수에 기초하여 복수 개의 기계 학습 모델들의 정확도를 산출하는 것일 수 있다.
선택 연산부(450)는 복수 개의 부모 크로모좀 데이터 세트들에서 선택된 적어도 둘의 부모 크로모좀 데이터 세트들 중에서 어느 하나의 부모 크로모좀 데이터 세트를 선택하고 선택된 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값과 각각 동일한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 선택 연산을 수행한다(S450).
선택 연산부(450)는 정확도 산출부에서 산출된 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 적어도 둘의 부모 크로모좀 데이터 세트들을 선택하여 자녀 크로모좀 데이터 세트를 생성하는 선택 연산을 수행하는 것일 수 있다.
선택 연산부(450)는 복수 개의 기계 학습 모델들의 각 정확도에 따라 우선순위를 설정하고 사용자의 입력에 따라 설정된 갯수만큼 높은 순위를 가지는 복수 개의 부모 크로모좀 데이터 세트들을 선택하는 선택 연산을 수행하는 것일 수 있다.
선택 연산에 있어서, 적합도에 따라 선택될 확률이 분배되는 균등 비례 룰렛 휠 선택 방법, 정해진 갯수를 임의로 선택하여 해당 개체들 중 가장 적합도가 높은 개체를 선택하는 토너먼트 선택 방법, 정해진 갯수만큼 순위를 설정하여 적합도가 높은 개체들을 선택하는 순위 선택 방법 등이 있다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치의 선택 연산부(450)는 순위 선택 방법에 기초하여 5순위 만큼 설정하여 5개의 부모 크로모좀 데이터 세트들을 선택하는 선택 연산을 수행하였지만, 이에 한정되는 것은 아니다.
교차 연산부(500)는 복수 개의 부모 크로모좀 데이터 세트들에서 선택된 두 개의 부모 크로모좀 데이터 세트들이 가지는 활성 함수 선택값들 중 어느 하나, 최적화 함수 선택값들 중 어느 하나, 콘볼루션 커널 선택값들 중 어느 하나를 각각 선택함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행한다(S500).
교차 연산부(500)는 정확도 산출부에서 산출된 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 두 개의 부모 크로모좀 데이터 세트들을 선택하여 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행하는 것일 수 있다.
교차 연산부(500)는 선택 연산부(450)에서 선택 연산된 복수 개의 부모 크로모좀 데이터 세트들 중에서 적어도 하나 이상의 부모 크로모좀 데이터 세트들을 선정하고 선정된 부모 크로모좀 데이터 세트들의 각 비트마다 할당되는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값의 이진 데이터 값을 교차 선택하여 조합함에 따른 복수 개의 자녀 크로모좀 데이터 세트들을 생성하는 교차 연산을 수행하는 것일 수 있다.
교차 연산부(500)는 선택 연산부(450)에서 선택 연산된 복수 개의 부모 크로모좀 데이터 세트들 중에서 두 개의 부모 크로모좀 데이터 세트인 제1 부모 크로모좀 데이터 세트와 제2 부모 크로모좀 데이터 세트를 임의로 선정하고, 부모 크로모좀 데이터 세트의 각 비트 길이 만큼 0 ~ 1 사이에 해당하는 임의의 실수값을 생성하며, 기설정된 임계값을 설정하여 생성한 각 비트에 대응되는 실수값이 임계값 이하이면 제1 부모 크로모좀 데이터 세트에 대응되는 비트를 선택하고, 생성한 각 비트에 대응되는 실수값이 임계값을 초과하면 제2 부모 크로모좀 데이터 세트에 대응되는 비트를 선택하는 교차 선택하여 교차 선택된 비트들을 조합함에 따른 자녀 크로모좀 데이터 세트를 생성하는 것일 수 있다.
예를 들어, 도 5를 참조하면, 교차 연산부(500)는 선택 연산부(450)에서 선택 연산된 복수 개의 부모 크로모좀 데이터 세트들 중에서 두 개의 부모 크로모좀 데이터 세트인 제4 부모 크로모좀 데이터 세트와 제2 부모 크로모좀 데이터 세트를 임의로 선정하고, 제1 자녀 크로모좀 데이터 세트를 결정하기 위하여 부모 크로모좀 데이터 세트의 각 비트 길이 만큼 0 ~ 1 사이에 해당하는 임의의 실수값을 생성한다.
그 다음, 교차 연산부(500)는 기설정된 임계값과 생성한 임의의 실수값을 비교하여 각 비트마다 부여된 실수값이 임계값 이하이면 제4 부모 크로모좀 데이터 세트에 대응되는 비트를 선택하고, 제4 기계 학습 모델의 각 비트마다 부여된 실수값이 임계값을 초과하면 제2 부모 크로모좀 데이터 세트에 대응되는 비트를 선택하는 교차 선택하여 교차 선택된 비트들을 조합함에 따른 자녀 크로모좀 데이터 세트를 생성하는 것일 수 있다.
도 5를 참조하면, 교차 연산부(500)는 부모 크로모좀 데이터 세트의 각 비트 길이 만큼 0 ~ 1 사이에 해당하는 임의의 실수값을 부여하고, 자녀 크로모좀 데이터 세트를 생성하기 위한 첫번째 비트로는 생성한 임의의 실수값이 기설정된 임계값인 0.5 이하이므로 제4 부모 크로모좀 데이터 세트에 대응되는 첫번째 비트를 선택하고, 자녀 크로모좀 데이터 세트를 생성하기 위한 두번째 비트로는 생성한 임의의 실수값이 0.5를 초과하므로 제2 부모 크로모좀 데이터 세트에 대응되는 두번째 비트를 선택하며, 자녀 크로모좀 데이터 세트를 생성하기 위한 세번째 비트로는 생성한 임의의 실수값이 기설정된 임계값인 0.5 이하이므로 제4 부모 크로모좀 데이터 세트에 대응되는 세번째 비트를 선택하고, 자녀 크로모좀 데이터 세트를 생성하기 위한 네번째 비트로는 생성한 임의의 실수값이 0.5를 초과하므로 제2 부모 크로모좀 데이터 세트에 대응되는 네번째 비트를 선택하며, 자녀 크로모좀 데이터 세트를 생성하기 위한 다섯번째 비트로는 생성한 임의의 실수값이 기설정된 임계값인 0.5 이하이므로 제4 부모 크로모좀 데이터 세트에 대응되는 다섯번째 비트를 선택하고, 자녀 크로모좀 데이터 세트를 생성하기 위한 여섯번째 비트로는 생성한 임의의 실수값이 0.5를 초과하므로 제2 부모 크로모좀 데이터 세트에 대응되는 여섯번째 비트를 선택하여 첫번째 비트 내지 여섯번째 비트를 조합함에 따른 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행하는 것일 수 있다.
교차 연산부(500)는 사용자의 입력에 따라 자녀 크로모좀 데이터 세트의 생성 갯수를 설정하고 자녀 크로모좀 데이터 세트의 생성 갯수 만큼의 교차 연산을 수행하는 것일 수 있다.
교차 연산은 정해진 길이의 개체에서 특정 지점으로부터 부모 크로모좀 데이터 세트에 대응되는 비트를 교차로 선택하는 단일점 교차 방법, 부모 크로모좀 데이터 세트마다 확률적으로 선택하는 균일 교차 방법이 있으며, 본 발명에 따르면, 교차 연산부(500)의 자녀 크로모좀 데이터 세트의 생성 갯수는 부모 크로모좀 데이터 세트의 생성 갯수인 10개, 자녀 크로모좀 데이터 세트에 할당되는 비트 수는 6 bit로 설정하고 균일 교차 방법을 사용하였으나, 이에 한정되는 것은 아니다.
변위 발생 세대 단위값 설정부(550)는 사용자의 입력에 따라 돌연변이 연산부(600)에서 수행되는 돌연변이 연산의 반복 주기인 세대 단위값을 설정한다(S550).
돌연변이 연산부(600)는 복수 개의 부모 크로모좀 데이터 세트들에서 선택된 두 개의 부모 크로모좀 데이터 세트들이 가지는 활성 함수 선택값들 중 어느 하나, 최적화 함수 선택값들 중 어느 하나, 콘볼루션 커널 선택값들 중 어느 하나를 각각 선택하되 선택된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나를 기존 선택값과는 다른 선택값을 가지도록 변경하여 자녀 크로모좀 데이터 세트를 생성하는 돌연변이 연산을 수행한다(S600).
돌연변이 연산부(600)는 변위 발생 세대 단위값 설정부(550)에서 설정한 세대 단위값 마다 돌연변이 연산을 수행하는 것일 수 있다(S570).
돌연변이 연산부(600)는 교차 연산부(500)에서 교차 연산되어 생성된 자녀 크로모좀 데이터 세트의 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 각각에 대응되는 비트에 0 ~ 1 사이에 대응되는 실수값을 임의로 부여하고, 기설정된 임계값을 설정하여 각 비트에 대응되는 실수값이 임계값을 초과하면 각 비트에 대응되는 이진 데이터 값을 보수 변환하지 않고, 각 비트에 대응되는 실수값이 임계값 이하이면 각 비트에 대응되는 이진 데이터 값을 보수 변환하는 돌연변이 연산을 세대 단위값 마다 수행하는 것일 수 있다.
여기서, 보수 변환은 1의 보수 변환에 해당하는 것으로, 이진 데이터 값이 0이면 1로, 이진 데이터 값이 1이면 0으로 보수 변환하는 것일 수 있다.
자녀 크로모좀 데이터 생성부(650)는 부모 크로모좀 데이터 생성부(150)에서 생성된 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행함에 따라 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 유지 또는 변경함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성한다(S650).
자녀 크로모좀 데이터 생성부(650)가 부모 크로모좀 데이터 생성부(150)에서 생성된 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행함에 따라 자녀 크로모좀 데이터 세트를 생성하면, 자녀 크로모좀 데이터 세트가 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행함에 따라 자녀 크로모좀 데이터 생성부(650)는 자녀 크로모좀 데이터 세트와는 다른 자녀 크로모좀 데이터 세트를 생성하는 것일 수 있다.
디코딩부(200)는 자녀 크로모좀 데이터 생성부(650)에서 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행함에 따라 자녀 크로모좀 데이터 세트를 생성하면, 자녀 크로모좀 데이터 세트에 할당되는 이진 데이터 값을 실수값으로 변환하는 것일 수 있다.
세대값 계산부(700)는 부모 크로모좀 데이터 세트가 생성되면 기설정된 초기값에 따른 세대값을 생성하고, 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산이 수행되어 부모 크로모좀 데이터 세트에 기초하여 자녀 크로모좀 데이터 세트가 생성되거나 자녀 크로모좀 데이터 세트에 기초하여 다른 크로모좀 데이터 세트가 생성되는 경우 세대값에 기설정된 값을 가산하여 자녀 크로모좀 데이터 세트 각각에 대한 세대값을 계산한다(S700).
세대값 계산부(700)는 부모 크로모좀 데이터 세트에 대한 초기값을 1세대로 생성하고, 부모 크로모좀 데이터 세트가 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산이 수행되어 자녀 크로모좀 데이터 세트가 생성되면 생성된 자녀 크로모좀 데이터 세트는 부모 크로모좀 데이터 세트의 1세대에 기설정된 값을 가산한 2세대로 계산하는 것일 수 있으며, 2세대의 자녀 크로모좀 데이터 세트가 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산이 수행되어 2세대의 자녀 크로모좀 데이터 세트와는 다른 자녀 크로모좀 데이터 세트가 생성되는 경우 생성된 자녀 크로모좀 데이터 세트를 3세대의 자녀 크로모좀 세트로 세대값을 계산하는 것일 수 있다.
본 발명에 따르면, 자녀 크로모좀 데이터 생성부(650)는 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행함에 따라 선택 연산, 교차 연산, 돌연변이 연산을 수행하기 전의 자녀 크로모좀 데이터 세트의 세대값과는 다른 세대값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 것일 수 있으며, 사용자의 입력에 따라 임계 세대값이 기설정되어, 자녀 크로모좀 데이터 생성부(650)는 세대값 계산부(700)에 기초하여 자녀 크로모좀 데이터 세트의 세대값이 가산함에 따라 기설정된 임계 세대값만큼 자녀 크로모좀 데이터 세트를 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행함에 따라 자녀 크로모좀 데이터 세트를 생성하는 것일 수 있다.
최적 학습 모델 결정부(750)는 정확도 산출부(400)에서 산출한 복수 개의 기계 학습 모델의 정확도에 기초하여 최적화된 기계 학습 모델을 결정한다(S750).
최적 학습 모델 결정부(750)는 선택 연산, 교차 연산 및 돌연변이 연산 중 어느 하나의 연산을 수행한 임계 세대값을 가지는 자녀 크로모좀 데이터 세트에 할당된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나를 조합함에 따라 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델로 결정하는 것일 수 있다.
최적 학습 모델 결정부(750)는 자녀 크로모좀 데이터 생성부(650)에서 생성한 복수 개의 자녀 크로모좀 데이터 세트들에 있어서, 활성 함수 선택 데이터, 최적화 함수 선택 데이터, 콘볼루션 커널 선택 데이터에 할당되는 이진 데이터 값이 서로 동일하거나 정확도 산출부(400)에서 산출한 복수 개의 기계 학습 모델의 정확도가 모두 동일하면, 활성 함수 선택 데이터, 최적화 함수 선택 데이터, 콘볼루션 커널 선택 데이터에 할당된 이진 데이터 값에 대응되는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델을 최적화된 기계 학습 모델로 결정하는 것일 수 있다(S420).
또한, 최적 학습 모델 결정부(750)는 자녀 크로모좀 데이터 생성부(650)에서 사용자의 입력에 따라 기설정된 임계 세대값 만큼 선택 연산, 교차 연산, 돌연변이 연산 중 어느 하나의 연산을 수행하여 생성된 자녀 크로모좀 데이터 세트에 기초하여 세대값 계산부(700)가 자녀 크로모좀 데이터 세트의 세대값을 가산함에 따라 임계 세대값을 가지는 자녀 크로모좀 데이터 세트에 할당된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따라 정확도가 가장 높은 기계 학습 모델을 최적화된 기계 학습 모델로 결정하는 것일 수 있다(S720).
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며 특허청구범위 내에서 다양하게 실시될 수 있다. 전술한 내용은 후술할 발명의 청구범위를 더욱 잘 이해할 수 있도록 본 발명의 특징과 기술적 강점을 다소 폭넓게 상술하였으므로, 상술한 본 발명의 개념과 특정 실시예는 본 발명과 유사 목적을 수행하기 위한 다른 형상의 설계나 변경의 비곤으로써 즉시 사용될 수 있음이 해당 기술분야의 숙련된 사람들에 의해 인식되어야 한다.
상기에서 기술된 실시예는 본 발명에 따른 하나의 실시예일 뿐이며, 해당 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상의 범위에서 다양한 변형 및 변경된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 개시된 실시예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 이러한 다양한 변형 및 변경 또한 본 발명의 기술적 사상의 범위에 속하는 것으로 후술할 본 발명의 청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100: 초기 세대 설정부,
150: 부모 크로모좀 데이터 생성부,
200: 디코딩부,
250: 학습 모델 생성부,
300: 학습부,
310: 학습 이미지 데이터 입력부,
320: 공간 정규화부,
330: 크로핑부,
340: 강도 정규화부,
350: 스케일링부,
360: 기계 학습부,
400: 정확도 산출부,
450: 선택 연산부,
500: 교차 연산부,
550: 변위 발생 세대 단위값 설정부,
600: 돌연변이 연산부,
650: 자녀 크로모좀 데이터 생성부,
700: 세대값 계산부,
750: 최적 학습 모델 결정부.

Claims (14)

  1. 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하되, 상기 복수 개의 부모 크로모좀 데이터 세트들 각각에 대한 상기 활성 함수 선택값, 상기 최적화 함수 선택값, 상기 콘볼루션 커널 선택값을 기설정된 확률 분포에 기초하여 랜덤하게 설정하는 부모 크로모좀 데이터 생성부;
    상기 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산 중 어느 하나의 연산을 수행함에 따라 상기 부모 크로모좀 데이터 세트가 가지는 상기 활성 함수 선택값, 상기 최적화 함수 선택값, 상기 콘볼루션 커널 선택값을 유지 또는 변경함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 자녀 크로모좀 데이터 생성부;
    상기 부모 크로모좀 데이터 세트 또는 상기 자녀 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델에 기초하여 상기 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득하는 학습부;
    상기 복수 개의 기계 학습 모델들 각각에 대한 기계 학습이 수행됨에 따라 획득되는 기계 학습 모델별 특징 파라미터들에 기초하여 기설정된 확인 이미지 데이터를 기설정된 복수 개의 분류값들 중 어느 하나의 분류값이 선택되도록 하여 분류하고, 상기 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 상기 복수 개의 기계 학습 모델들의 정확도를 산출하는 정확도 산출부; 및
    상기 복수 개의 기계 학습 모델들의 정확도에 기초하여 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델을 결정하는 최적 학습 모델 결정부;
    를 포함하는 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  2. 제1항에 있어서,
    상기 복수 개의 부모 크로모좀 데이터 세트들이 가지는 각각의 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값에 대응되는 복수 개의 기계 학습 모델들을 생성하는 학습 모델 생성부;
    상기 학습부는,
    상기 학습 모델 생성부에서 생성한 상기 복수 개의 기계 학습 모델들에 기초하여 상기 복수 개의 학습 이미지 데이터들에 대한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 상기 복수 개의 기계 학습 모델별로 획득하는 것이고,
    상기 정확도 산출부는,
    상기 학습 모델 생성부에서 생성한 상기 복수 개의 기계 학습 모델별로 기계 학습이 수행됨에 따라 상기 복수 개의 기계 학습 모델별로 정확도를 산출하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  3. 제1항에 있어서,
    복수 개의 부모 크로모좀 데이터 세트들에서 선택된 적어도 둘의 부모 크로모좀 데이터 세트들 중에서 어느 하나의 부모 크로모좀 데이터 세트를 선택하고 선택된 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값과 각각 동일한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 선택 연산을 수행하는 선택 연산부; 및
    복수 개의 부모 크로모좀 데이터 세트들에서 선택된 두 개의 부모 크로모좀 데이터 세트들이 가지는 활성 함수 선택값들 중 어느 하나, 최적화 함수 선택값들 중 어느 하나, 콘볼루션 커널 선택값들 중 어느 하나를 각각 선택함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행하는 교차 연산부;를 더 포함하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  4. 제3항에 있어서,
    상기 선택 연산부는,
    상기 정확도 산출부에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 적어도 둘의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 상기 선택 연산을 수행하는 것이고,
    상기 교차 연산부는,
    상기 정확도 산출부에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 두 개의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  5. 제1항에 있어서,
    상기 부모 크로모좀 데이터 세트가 생성되면 기설정된 초기값에 따른 세대값을 생성하고, 상기 선택 연산, 상기 교차 연산 중 어느 하나의 연산이 수행되어 상기 부모 크로모좀 데이터 세트에 기초하여 상기 자녀 크로모좀 데이터 세트가 생성되거나 상기 자녀 크로모좀 데이터 세트에 기초하여 다른 크로모좀 데이터 세트가 생성되는 경우 세대값에 기설정된 값을 가산하여 저녀 크로모좀 데이터 세트 각각에 대한 세대값을 계산하는 세대값 계산부;를 더 포함하고,
    상기 자녀 크로모좀 데이터 생성부는,
    상기 선택 연산, 상기 교차 연산 중 어느 하나의 연산을 수행함에 따라 상기 선택 연산, 상기 교차 연산 및 상기 돌연변이 연산을 수행하기 전의 자녀 크로모좀 데이터 세트의 세대값과는 다른 세대값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  6. 제1항에 있어서,
    복수 개의 부모 크로모좀 데이터 세트들에서 선택된 두 개의 부모 크로모좀 데이터 세트들이 가지는 활성 함수 선택값들 중 어느 하나, 최적화 함수 선택값들 중 어느 하나, 콘볼루션 커널 선택값들 중 어느 하나를 각각 선택하되 선택된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나를 기존 선택값과는 다른 선택값을 가지도록 변경하여 자녀 크로모좀 데이터 세트를 생성하는 돌연변이 연산을 수행하는 돌연변이 연산부;를 더 포함하고,
    상기 자녀 크로모좀 데이터 생성부는,
    상기 자녀 크로모좀 데이터 생성부에서 사용자의 입력에 따른 기설정된 임계 세대값만큼 상기 선택 연산, 상기 교차 연산 및 상기 돌연변이 연산 중 어느 하나의 연산을 수행하여 자녀 크로모좀 데이터 세트들을 생성하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  7. 제6항에 있어서,
    사용자의 입력에 따라 상기 돌연변이 연산부에서 수행되는 돌연변이 연산의 반복 주기인 세대 단위값을 설정하는 변위 발생 세대 단위값 설정부;를 더 포함하고,
    상기 돌연변이 연산부는,
    상기 변위 발생 세대 단위값 설정부에서 설정한 상기 세대 단위값 마다 상기 돌연변이 연산을 수행하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  8. 제6항에 있어서,
    상기 선택 연산은,
    상기 정확도 산출부에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 적어도 둘의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 것이며,
    상기 교차 연산은,
    상기 정확도 산출부에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 두 개의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 것이고,
    상기 최적 학습 모델 결정부는,
    상기 선택 연산, 상기 교차 연산 및 상기 돌연변이 연산 중 어느 하나의 연산을 수행한 상기 임계 세대값을 가지는 자녀 크로모좀 데이터 세트에 할당된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나를 조합함에 따라 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델로 결정하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치.
  9. 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 복수 개의 부모 크로모좀 데이터 세트들을 생성하되, 상기 복수 개의 부모 크로모좀 데이터 세트들 각각에 대한 상기 활성 함수 선택값, 상기 최적화 함수 선택값, 상기 콘볼루션 커널 선택값을 기설정된 확률 분포에 기초하여 랜덤하게 설정하는 단계;
    상기 부모 크로모좀 데이터 세트 또는 상기 자녀 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나 이상을 조합함에 따른 기계 학습 모델에 기초하여 상기 복수 개의 학습 이미지 데이터들을 이용한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 기계 학습 모델별로 획득하는 단계;
    상기 복수 개의 기계 학습 모델들 각각에 대한 기계 학습이 수행됨에 따라 획득되는 기계 학습 모델별 특징 파라미터들에 기초하여 기설정된 확인 이미지 데이터를 기설정된 복수 개의 분류값들 중 어느 하나의 분류값이 선택되도록 하여 분류하고, 상기 분류값이 기설정된 지도학습값에 대응되는지 여부를 확률값으로 산출하여 상기 복수 개의 기계 학습 모델들의 정확도를 산출하는 단계;
    상기 복수 개의 부모 크로모좀 데이터 세트들에 대하여 선택 연산, 교차 연산 중 어느 하나의 연산을 수행함에 따라 상기 부모 크로모좀 데이터 세트가 가지는 상기 활성 함수 선택값, 상기 최적화 함수 선택값, 상기 콘볼루션 커널 선택값을 유지 또는 변경함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 단계; 및
    상기 복수 개의 기계 학습 모델들의 정확도에 기초하여 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델을 결정하는 단계;
    를 포함하는 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법.
  10. 제9항에 있어서,
    상기 설정하는 단계와 상기 획득하는 단계 사이에,
    상기 복수 개의 부모 크로모좀 데이터 세트들이 가지는 각각의 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값에 대응되는 복수 개의 기계 학습 모델들을 생성하는 단계;를 더 포함하고,
    상기 획득하는 단계는,
    상기 복수 개의 기계 학습 모델들에 기초하여 상기 복수 개의 학습 이미지 데이터들에 대한 기계 학습을 수행하고 기계 학습을 수행함에 따른 특징 파라미터들을 상기 복수 개의 기계 학습 모델별로 획득하는 것이고,
    상기 산출하는 단계는,
    상기 복수 개의 기계 학습 모델별로 기계 학습이 수행됨에 따라 상기 복수 개의 기계 학습 모델별로 정확도를 산출하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법.
  11. 제9항에 있어서,
    상기 산출하는 단계와 상기 생성하는 단계 사이에,
    복수 개의 부모 크로모좀 데이터 세트들에서 선택된 적어도 둘의 부모 크로모좀 데이터 세트들 중에서 어느 하나의 부모 크로모좀 데이터 세트를 선택하고 선택된 부모 크로모좀 데이터 세트가 가지는 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값과 각각 동일한 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 선택 연산을 수행하는 단계; 및
    복수 개의 부모 크로모좀 데이터 세트들에서 선택된 두 개의 부모 크로모좀 데이터 세트들이 가지는 활성 함수 선택값들 중 어느 하나, 최적화 함수 선택값들 중 어느 하나, 콘볼루션 커널 선택값들 중 어느 하나를 각각 선택함에 따른 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값을 가지는 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행하는 단계;를 더 포함하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법.
  12. 제11항에 있어서,
    상기 선택 연산을 수행하는 단계는,
    상기 산출하는 단계에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 적어도 둘의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 상기 선택 연산을 수행하는 것이고,
    상기 교차 연산을 수행하는 단계는,
    상기 산출하는 단계에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 두 개의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 교차 연산을 수행하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법.
  13. 제9항에 있어서,
    상기 산출하는 단계와 상기 생성하는 단계 사이에,
    복수 개의 부모 크로모좀 데이터 세트들에서 선택된 두 개의 부모 크로모좀 데이터 세트들이 가지는 활성 함수 선택값들 중 어느 하나, 최적화 함수 선택값들 중 어느 하나, 콘볼루션 커널 선택값들 중 어느 하나를 각각 선택하되 선택된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나를 기존 선택값과는 다른 선택값을 가지도록 변경하여 자녀 크로모좀 데이터 세트를 생성하는 돌연변이 연산을 수행하는 단계;를 더 포함하고,
    상기 생성하는 단계는,
    상기 자녀 크로모좀 데이터 생성부에서 사용자의 입력에 따른 기설정된 임계 세대값만큼 상기 선택 연산, 상기 교차 연산 및 상기 돌연변이 연산 중 어느 하나의 연산을 수행하여 자녀 크로모좀 데이터 세트들을 생성하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법.
  14. 제13항에 있어서,
    상기 선택 연산은,
    상기 산출하는 단계에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 적어도 둘의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 것이며,
    상기 교차 연산은,
    상기 산출하는 단계에서 산출된 상기 복수 개의 기계 학습 모델별 정확도에 기초하여 가장 높은 정확도를 가지는 두 개의 부모 크로모좀 데이터 세트들을 선택하여 상기 자녀 크로모좀 데이터 세트를 생성하는 것이고,
    상기 결정하는 단계는,
    상기 선택 연산, 상기 교차 연산 및 상기 돌연변이 연산 중 어느 하나의 연산을 수행한 상기 임계 세대값을 가지는 자녀 크로모좀 데이터 세트에 할당된 활성 함수 선택값, 최적화 함수 선택값, 콘볼루션 커널 선택값 중 적어도 하나를 조합함에 따라 가장 높은 정확도를 가지는 기계 학습 모델을 선택하여 최적화된 기계 학습 모델로 결정하는 것
    인 유전알고리즘에 기초한 최적화된 학습 모델 결정 방법.
KR1020200023818A 2020-02-26 2020-02-26 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법 KR102572437B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200023818A KR102572437B1 (ko) 2020-02-26 2020-02-26 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200023818A KR102572437B1 (ko) 2020-02-26 2020-02-26 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210108779A true KR20210108779A (ko) 2021-09-03
KR102572437B1 KR102572437B1 (ko) 2023-08-29

Family

ID=77785139

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200023818A KR102572437B1 (ko) 2020-02-26 2020-02-26 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102572437B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102413588B1 (ko) * 2021-11-15 2022-06-27 주식회사 테스트웍스 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램
KR20230040126A (ko) * 2021-09-15 2023-03-22 주식회사 사피온코리아 아키텍처 확장을 통한 신경망의 유효 정밀도 향상 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070085607A (ko) 2004-12-01 2007-08-27 마츠시타 덴끼 산교 가부시키가이샤 분산 유전적 알고리즘을 이용한 최적화 처리 방법
KR20200012281A (ko) 2018-07-26 2020-02-05 국방과학연구소 유전 알고리즘을 활용한 콘볼루션 뉴럴 네트워크의 최적 구조 탐색 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070085607A (ko) 2004-12-01 2007-08-27 마츠시타 덴끼 산교 가부시키가이샤 분산 유전적 알고리즘을 이용한 최적화 처리 방법
KR20200012281A (ko) 2018-07-26 2020-02-05 국방과학연구소 유전 알고리즘을 활용한 콘볼루션 뉴럴 네트워크의 최적 구조 탐색 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. Marcoux 외, "An Automated Pipeline for the Analysis of PET Data on the Cortical Surface", Frontiers in Neuroinformatics.* *
I. Ozsahin 외, "The use of backpropagation neural networks (후략)", PLOS ONE, 2019.12.26.* *
N. M. Aszemi 외, "Hyperparameter Optimization in Convolutional Neural Network using Genetic Algorithms", IJACSA, 10권, 6호, pp.269-278, 2019.* *
S. Loussaief 외, "Convolutional Neural Network Hyper-Parameters Optimization based on Genetic Algorithms", IJACSA, 9권, 10호, pp.252-266, 2018.* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230040126A (ko) * 2021-09-15 2023-03-22 주식회사 사피온코리아 아키텍처 확장을 통한 신경망의 유효 정밀도 향상 방법 및 장치
WO2023043108A1 (ko) * 2021-09-15 2023-03-23 주식회사 사피온코리아 아키텍처 확장을 통한 신경망의 유효 정밀도 향상 방법 및 장치
KR102413588B1 (ko) * 2021-11-15 2022-06-27 주식회사 테스트웍스 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR102572437B1 (ko) 2023-08-29

Similar Documents

Publication Publication Date Title
Kamal et al. Explainable AI for glaucoma prediction analysis to understand risk factors in treatment planning
CN107506797A (zh) 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
CN113689954B (zh) 高血压风险预测方法、装置、设备及介质
JP2013537445A (ja) 内科医が直接用いるのに適応したビジュアライゼーション
CN111477337B (zh) 基于个体自适应传播网络的传染病预警方法、系统及介质
Fan et al. Evolutionary neural architecture search for retinal vessel segmentation
Riaz et al. Metaheuristics based COVID-19 detection using medical images: A review
Singh et al. Collaboration of features optimization techniques for the effective diagnosis of glaucoma in retinal fundus images
Jawahar et al. ALNett: A cluster layer deep convolutional neural network for acute lymphoblastic leukemia classification
Garstka et al. Pneumonia detection in X-ray chest images based on convolutional neural networks and data augmentation methods
CN115985503B (zh) 基于集成学习的癌症预测系统
KR20210108779A (ko) 유전알고리즘에 기초한 최적화된 학습 모델 결정 장치 및 방법
Çetinkaya et al. A detailed and comparative work for retinal vessel segmentation based on the most effective heuristic approaches
Bandyopadhyay et al. Machine learning and deep learning integration for skin diseases prediction
Singh et al. A novel hybridized feature selection strategy for the effective prediction of glaucoma in retinal fundus images
Gürcan et al. A hybrid deep learning-metaheuristic model for diagnosis of diabetic retinopathy
Putri et al. Enhancing Pneumonia Disease Classification using Genetic Algorithm-Tuned DCGANs and VGG-16 Integration
Verma et al. Comparative Analysis of CNN Models for Retinal Disease Detection
CN116563524A (zh) 一种基于多视觉记忆单元的扫视路径预测方法
Deepa et al. Automated detection of diabetic retinopathy images using pre-trained convolutional neural network
Hossain et al. Recognition of tuberculosis on medical X-ray images utilizing MobileNet transfer learning
Swarup et al. Biologically inspired CNN network for brain tumor abnormalities detection and features extraction from MRI images
KR20230097726A (ko) 인공지능 딥러닝 기반의 피부질환 판별 장치
Kim et al. Prediction of locations in medical images using orthogonal neural networks
Harshini et al. Machine Learning Approach for Various Eye Diseases using Modified Voting Classifier Model

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant