KR20220040651A - 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 - Google Patents

라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20220040651A
KR20220040651A KR1020200123589A KR20200123589A KR20220040651A KR 20220040651 A KR20220040651 A KR 20220040651A KR 1020200123589 A KR1020200123589 A KR 1020200123589A KR 20200123589 A KR20200123589 A KR 20200123589A KR 20220040651 A KR20220040651 A KR 20220040651A
Authority
KR
South Korea
Prior art keywords
data
boundary
model
output
prediction model
Prior art date
Application number
KR1020200123589A
Other languages
English (en)
Other versions
KR102532757B1 (ko
Inventor
김동철
강태욱
곽태진
Original Assignee
서강대학교산학협력단
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 서강대학교산학협력단 filed Critical 서강대학교산학협력단
Priority to KR1020200123589A priority Critical patent/KR102532757B1/ko
Publication of KR20220040651A publication Critical patent/KR20220040651A/ko
Application granted granted Critical
Publication of KR102532757B1 publication Critical patent/KR102532757B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/59—Transmissivity
    • G01N21/5907—Densitometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

용존 가스 농도를 예측하기 위한 장치가 제공된다. 상기 장치는 수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부와, 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부를 포함한다.

Description

라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법{Apparatus for predicting dissolved gas concentration in aqueous solution based on Raman spectral signal and method therefor}
본 발명은 용존 가스 농도를 예측 기술에 관한 것으로, 보다 상세하게는, 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법에 관한 것이다.
라만 산란법은 고감도 검출 기술이라는 장점으로 인해 기존에 측정할 수 없었던 수용액 상의 소량의 가스(gas) 검출을 가능하게 한다. 하지만 가스의 농도와 라만 산란법의 라만 스펙트럼의 관계는 선형적이지 않고, 또한 그 관계를 쉽게 도출할 수 없다. 그러므로 기존에는 실험을 통해 도출한 라만 스펙트럼 데이터와 용존 가스의 농도 데이터를 1:1로 비교하여 그 관계를 도출하였다. 하지만 이러한 방법의 경우 수많은 실험 데이터베이스가 필요하다.
한국공개특허 제2001-0022918호 2001년 03월 26일 공개 (명칭: 실시간 개스 분석 방법 및 장치)
본 발명의 목적은 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치는 수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부와, 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부를 포함한다.
상기 장치는 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고, 상기 학습 데이터 중 일부를 검사 데이터로 설정하고, 상기 학습 데이터를 이용하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 예측모델을 학습시키고, 상기 검사 데이터를 이용하여 상기 학습 결과를 검사하는 모델생성부를 더 포함한다.
상기 모델생성부는 상기 학습 데이터 및 상기 검사 데이터 각각의 정확도 양자 모두가 기 설정된 조건을 만족할 때까지 상기 예측모델의 은닉계층 및 은닉노드의 수를 조절하면서, 상기 학습 데이터를 이용한 상기 예측모델에 대한 학습과, 상기 검사 데이터를 이용한 상기 예측모델에 대한 학습 성과의 검사를 반복하는 것을 특징으로 한다.
상기 모델생성부는 상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 경계손실함수
Figure pat00001
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하고, 상기 Lboaderselected는 경계 손실함수이고, 상기 Oi는 상기 예측모델의 예측값이고, 상기 vi는 상기 출력값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 모델생성부는 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하면, 경계증강손실함수
Figure pat00002
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하고, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력층의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 모델생성부는 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 것을 특징으로 한다.
상기 모델생성부는 수치손실함수
Figure pat00003
에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvaule는 수치손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 가스가 CO이면, 상기 파장은 1948
Figure pat00004
및 2063
Figure pat00005
이고, 상기 가스가 아세트산염(Acetate)이면 상기 파장은 928
Figure pat00006
이고, 상기 가스가 낙산염(Butyrate)이면, 상기 파장은 877
Figure pat00007
인 것을 특징으로 한다.
상기 장치는 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하고, 취득한 라만 스펙트럼 데이터를 제공하는 스펙트럼측정부를 더 포함한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치는 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고, 상기 학습 데이터를 이용하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 인공신경망 알고리즘인 예측모델을 학습시키는 모델생성부를 포함한다.
상기 모델생성부는 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 것을 특징으로 한다.
상기 모델생성부는 수치손실함수
Figure pat00008
에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvaule는 수치 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 모델생성부는 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 경계손실함수
Figure pat00009
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하고, 상기 Lboaderselected는 경계 손실함수이고, 상기 Oi는 상기 예측모델의 예측값이고, 상기 vi는 상기 출력값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 모델생성부는 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하면, 경계증강손실함수
Figure pat00010
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하고, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력층의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 모델생성부는 상기 학습 데이터 및 상기 검사 데이터 각각의 정확도 양자 모두가 기 설정된 조건을 만족할 때까지 상기 예측모델의 은닉계층 및 은닉노드의 수를 조절하면서, 상기 학습 데이터를 이용한 상기 예측모델에 대한 학습과, 상기 검사 데이터를 이용한 상기 예측모델에 대한 학습 성과의 검사를 반복하는 것을 특징으로 한다.
상기 장치는 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하고, 취득한 라만 스펙트럼 데이터를 제공하는 스펙트럼측정부와, 상기 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부와, 상기 피크 데이터를 기초로 상기 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부를 더 포함한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 방법은 스펙트럼측정부가 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하는 단계와, 피크추출부가 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 단계와, 농도예측부가 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하는 단계와, 상기 농도예측부가 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 단계를 포함한다.
상기 방법은 상기 라만 스펙트럼 데이터를 취득하는 단계 전, 상기 모델생성부가 실험 데이터로부터 학습 데이터 및 검사 데이터를 추출하는 단계와, 상기 모델생성부가 상기 예측모델의 은닉계층 및 은닉노드의 수를 설정하는 단계와, 상기 모델생성부가 상기 학습 데이터를 이용하여 설정된 수의 은닉계층 및 은닉노드를 가지는 예측모델에 대한 학습을 수행하고, 상기 검사 데이터를 이용하여 예측모델(PM)의 학습 성과를 검사하고, 상기 모델생성부가 상기 학습 데이터의 정확도 및 상기 검사 데이터의 정확도를 산출하는 단계와, 상기 모델생성부가 상기 학습 데이터 정확도가 상기 검사 데이터의 정확도 보다 높으면서 상기 학습 데이터 정확도 및 상기 검사 데이터의 정확도 양자 모두가 임계치 이상인 조건을 만족하는지 여부를 판별하는 단계와, 상기 판별 결과, 상기 조건을 만족하면, 상기 모델생성부가 현재 설정에 따라 은닉계층 및 은닉노드의 수를 결정하는 단계를 포함한다.
또한, 상기 방법은 상기 조건을 만족하는지 여부를 판별하는 단계후, 상기 판별 결과, 상기 조건을 만족하지 않으면, 상기 모델생성부가 은닉계층 및 은닉노드의 수를 재설정한 후, 상기 정확도를 산출하는 단계 및 상기 조건을 만족하는지 여부를 판별하는 단계를 반복하는 단계를 더 포함한다.
상기 방법은 상기 라만 스펙트럼 데이터를 취득하는 단계 전, 상기 모델생성부가 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계와, 상기 모델생성부가 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 단계를 더 포함한다.
상기 수치 최적화를 수행하는 단계는 상기 모델생성부가 수치손실함수
Figure pat00011
에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvalue는 수치손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 라만 스펙트럼 데이터를 취득하는 단계 전, 상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계와, 상기 모델생성부가 경계손실함수
Figure pat00012
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하는 단계를 더 포함한다. 여기서, 상기 Lboaderselected는 경계 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이다.
상기 방법은 상기 경계 최적화를 수행하는 단계 후, 상기 모델생성부가 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하는 단계와, 상기 모델생성부가 경계증강손실함수
Figure pat00013
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하는 단계를 더 포함한다. 여기서, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 한다.
여기서, 상기 가스가 CO이면, 상기 파장은 1948
Figure pat00014
및 2063
Figure pat00015
이고, 상기 가스가 아세트산염(Acetate)이면 상기 파장은 928
Figure pat00016
이고, 상기 가스가 낙산염(Butyrate)이면, 상기 파장은 877
Figure pat00017
인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 방법은 상기 모델생성부가 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계와, 상기 모델생성부가 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 단계를 더 포함한다.
상기 수치 최적화를 수행하는 단계는 상기 모델생성부가 수치손실함수
Figure pat00018
에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvalue는 수치손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 한다.
상기 방법은 학습 데이터를 마련하는 단계 후, 상기 가스 농도를 수치 레이블로 설정하는 단계 전, 상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계와, 상기 모델생성부가 경계손실함수
Figure pat00019
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하는 단계를 더 포함한다. 여기서, 상기 Lboaderselected는 경계 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이다.
상기 방법은 상기 경계 최적화를 수행하는 단계 후, 상기 모델생성부가 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하는 단계와, 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하는 단계와, 상기 모델생성부가 경계증강손실함수
Figure pat00020
에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하는 단계를 더 포함한다. 여기서, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스이다.
상기 방법은 상기 수치 최적화를 수행하는 단계 후, 스펙트럼측정부가 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하는 단계와, 피크추출부가 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 단계와, 농도예측부가 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하는 단계와, 상기 농도예측부가 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 단계를 더 포함한다.
본 발명에 따르면, 라만 분광 신호의 특정 파장의 증폭량을 기초로 머신러닝을 통해 수용액의 용존 가스 농도를 정확하게 예측할 수 있다. 이에 따라, 용존 가스 농도를 실시간으로 획득할 수 있다.
도 1은 본 발명의 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 라만 스펙트럼 데이터로부터 수용액의 농도를 예측하는 예측부의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 실시예에 따른 가스 농도를 예측하는 예측모델의 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 가스 농도를 예측하는 예측모델의 노드를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 예측모델의 원형을 생성하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시예에 따른 예측모델의 원형을 생성하는 방법을 설명하기 위한 그래프이다.
도 7은 본 발명의 실시예에 따른 예측모델에 대한 학습 방법에 대해서 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 실험 데이터에서 아세트산염 및 낙산염이 포함된 수용액에 대한 라만 스펙트럼 데이터를 나타내는 그래프이다.
도 9는 본 발명의 실시예에 따른 실험 데이터에서 아세트산염 및 낙산염의 혼합물 및 일산화탄소가 포함된 수용액에 대한 라만 스펙트럼 데이터를 나타내는 그래프이다.
도 10은 본 발명의 실시예에 따른 실험 데이터에서 수용액에 포함된 가스의 농도가 알려진 라만 스펙트럼 데이터를 나타내는 그래프이다.
도 11은 본 발명의 실시예에 따른 예측모델에 대한 경계학습을 설명하기 위한 흐름도이다.
도 12는 본 발명의 실시예에 따른 예측모델에 대한 경계학습을 설명하기 위한 도면이다.
도 13은 본 발명의 실시예에 따른 예측모델에 대한 수치학습을 설명하기 위한 흐름도이다.
도 14는 본 발명의 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 방법을 설명하기 위한 흐름도이다.
도 15는 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
먼저, 본 발명의 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치의 구성을 설명하기 위한 도면이다. 도 1을 참조하면, 본 발명의 실시예에 따른 라라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치(PA: Prediction Apparatus, 이하, '예측장치'로 축약함)는 프로브(11)를 포함하는 스펙트럼측정부(10)와, 예측부(20)를 포함한다.
스펙트럼측정부(10)는 도 1에 도시된 바와 같이, 수용액(Q)에 내에 프로브(11)를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 생성한다. 이러한 라만 스펙트럼 데이터는 예측부(20)에 제공된다.
예측부(20)는 인공신경망 알고리즘인 예측모델(PM: Prediction Model)을 통해 라만 스펙트럼 데이터로부터 수용액의 농도를 예측한다.
그러면, 예측부(20)의 구성에 대해서 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 라만 스펙트럼 데이터로부터 수용액의 농도를 예측하는 예측부의 구성을 설명하기 위한 블록도이다. 도 2를 참조하면, 예측부(20)는 모델생성부(100), 피크추출부(200) 및 농도예측부(300)를 포함한다.
모델생성부(100)는 실험 데이터로부터 학습 데이터를 마련한다. 즉, 모델생성부(100)는 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련할 수 있다. 모델생성부(100)는 마련된 학습 데이터를 이용하여 학습(machine learning/deep learning)을 수행하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 예측모델(PM)을 생성한다. 또한, 모델생성부(100)는 마련된 학습 데이터 중 일부를 검사 데이터로 설정하고, 검사 데이터를 이용하여 학습 결과를 검사할 수 있다. 모델생성부(100)의 학습 방법에 대해서는 아래에서 보다 상세하게 설명하기로 한다.
피크추출부(200)는 스펙트럼측정부(10)로부터 수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장(Raman Shift)의 피크 데이터를 추출한다. 여기서, 가스가 CO인 경우, 파장은 1948
Figure pat00021
및 2063
Figure pat00022
이다. 또한, 가스가 아세트산염(Acetate)이면 파장은 928
Figure pat00023
이고, 가스가 낙산염(Butyrate)이면, 파장은 877
Figure pat00024
이다.
농도예측부(300)는 피크추출부(200)가 추출한 피크 데이터를 기초로 예측모델을 통해 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력한다. 이와 같이, 본 발명은 종래의 복잡한 실험을 통해 시료를 채취하여 도출되는 수용액의 용존 가스 농도를 스펙트럼측정부(10)의 한 번의 측정을 통해 도출된 라만 스펙트럼 데이터로부터 예측모델(PM)을 이용하여 예측할 수 있다. 이에 따라, 용존 가스 농도를 실시간으로 획득할 수 있다.
그러면, 본 발명의 실시예에 따른 가스 농도를 예측하는 예측모델(PM)의 구성에 대해서 보다 상세하게 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 가스 농도를 예측하는 예측모델(PM)의 구성을 설명하기 위한 도면이다. 도 4는 본 발명의 실시예에 따른 가스 농도를 예측하는 예측모델(PM)의 노드를 설명하기 위한 도면이다.
본 발명의 실시예에서 예측모델(PM)은 복수의 계층으로 이루어지며, 이러한 복수의 계층은 입력계층(IL: Input Layer), 적어도 하나의 은닉계층(HL: Hidden Layer, HL1~HLk) 및 출력계층(OL: Output Layer)을 포함한다.
또한, 복수의 계층(IL, HL, OL) 각각은 복수의 노드를 포함한다. 예컨대, 도시된 바와 같이, 입력계층(IL)은 a개의 입력노드(i1 내지 ia)를 포함하며, 출력층(OL)은 1개의 출력노드(O)를 포함한다. 또한, 은닉계층(HL) 중 제1 은닉계층(HL1)은 b개의 노드(g1 내지 gb)를 포함하고, 마지막 은닉계층인 제k 은닉계층(HLk)은 j개의 노드(h1 내지 hj)를 포함할 수 있다.
복수의 계층(IL, HL, OL)의 복수의 노드는 개별적으로 연산을 수행한다. 서로 다른 계층의 노드는 가중치(W: weight)를 가지는 채널(점선으로 표시)로 연결된다. 다른 말로, 어느 하나의 노드의 연산 결과는 가중치가 적용되어 다음 계층 노드의 입력이 된다. 도 4에 어느 하나의 노드(ND)의 구성이 상세하게 도시되었다. 이러한 노드(ND)의 연산에 대해 도 4를 참조하여 설명하기로 한다. 노드(ND)는 이전 계층의 복수(n개)의 노드의 출력값 각각이 X=[X1, X2, … , Xn]에 가중치 W=[W1, W2, … , Wn]를 적용한 값을 입력받고, 이를 모두 합산 후, 그 합산 값에 함수 F를 취한다. 여기서, 함수 F는 활성화 함수(activation function) 또는 전달함수(transfer function)라고 한다. 이러한 활성화함수는 계단(step)함수, 부호(sgn)함수, 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 함수 등을 예시할 수 있다.
노드(ND)의 출력은 다음의 수학식 1과 같다.
Figure pat00025
설명되지 않은 변수 θ는 임계치 혹은 바이어스이며, 이러한 임계치는 수학식 4에서
Figure pat00026
의 값이 임계치 보다 작을 때 해당 노드가 활성화되지 않도록 하는 역할을 한다.
수학식 1에 따라 노드(ND)가 수행하는 연산은 다음과 같이 수행된다. 일례로, 노드(ND)의 이전 계층의 노드가 3개라고 가정한다. 이에 따라, 이전 계층의 3개의 노드 각각의 출력이 해당 노드(ND)에 대해 3개의 입력(n=3) X1, X2, X3 각각에 3개의 가중치 W1, W2, W3가 적용되어 입력된다. 이에 따라, 노드(ND)는 3개의 입력 X1, X2, X3에 대응하는 가중치 W1, W2, W3을 곱한 값을 입력받고, 모두 합산한 후, 합산된 값을 전달 함수에 대입하여 출력을 산출한다. 구체적으로, 입력 [X1, X2, X3] = 0.5, -0.3, -0.1이라고 가정하고, 가중치 [W1, W2, W3] = 4, 5, 4라고 가정한다. 또한, 설명의 편의를 위하여 활성화 함수는 부호함수, 즉, 'sgn()'이라고 가정하면, 다음의 수학식 2와 같이 출력값이 산출된다.
Figure pat00027
도 4에서 설명된 바와 같이, 예측모델(PM)의 어느 한 계층의 어느 하나의 노드 또한 이전 계층의 복수의 노드의 출력에 가중치(W)를 적용한 값을 입력받는다. 그러면, 해당 노드는 입력을 합산하고, 합산한 값에 활성화함수에 의한 연산을 수행하여 해당 노드의 출력값을 산출한다. 출력값은 다음 계층의 입력이거나, 예측모델(PM)의 최종 출력값이 될 수 있다. 이에 따라, 예측모델(PM)은 피크 데이터가 입력되면, 입력된 피크 데이터에 대해 복수의 계층(IL, HL, OL) 간 가중치가 적용되는 복수의 연산을 수행하여 수용액의 가스 농도를 예측하는 예측값을 산출할 수 있다.
보다 구체적으로 설명하면, 농도예측부(300)는 피크추출부(200)로부터 피크 데이터를 수신하면, 피크 데이터를 바이너리 데이터로 변환하고, 예측모델(PM)의 입력계층(IL)의 입력노드(i1 내지 ia)의 수에 맞게 분할한 후, 입력계층(IL)의 복수의 입력노드(i1 내지 ia)에 분산하여 입력한다.
그러면, 제1 은닉계층(HL1)의 복수의 제1 은닉노드(g1 내지 gb) 각각은 복수의 입력노드(i1 내지 ia)에 분산되어 입력된 바이너리 데이터(즉, 피크 데이터) 각각에 가중치가 적용된 값을 입력받고(점선으로 표시), 입력된 값을 모두 합산한 후, 합산된 값에 대해 활성화함수에 따른 연산을 수행하여 복수의 제1 은닉노드의 출력값을 산출한다.
이어서, 도시되지는 않았지만, 제2 은닉계층의 복수의 제2 은닉노드 각각은 복수의 제1 은닉노드(g1 내지 gb)의 복수의 출력값 각각에 가중치가 적용된 값을 입력받고, 입력된 값을 모두 합산하고, 합산된 값에 대해 활성화함수에 따른 연산을 수행하여 복수의 제2 은닉노드의 출력값을 산출한다. 이와 같은 방식으로, 은닉계층(HL) 내에서 이전의 노드값이 가중치가 적용되어 전달되고, 연산을 통해 현재의 노드값이 산출된다. 이러한 과정을 반복하여, 마지막 은닉계층인 제k 은닉계층(HLk)의 복수의 제k 은닉노드(h1 ~ hj)의 복수의 제k 은닉노드의 출력값을 산출할 수 있다.
이에 따라, 도 3을 참조하면, 출력노드(O)는 제k 은닉계층(HLk)의 복수의 제k 은닉노드(h1 ~ hj)의 복수의 제k 은닉노드의 출력값에 가중치 w=[w1, w2, … , wj]가 적용된 값을 입력받고(점선으로 표시), 입력된 값을 모두 합산한 후, 합산된 값에 대해 활성화함수에 따른 연산을 수행하여 출력값을 산출한다. 출력층(OL)의 출력노드(O)는 수용액의 가스 농도에 대응한다. 그리고 출력노드(O)의 출력값은 수용액의 가스 농도의 예측값이다. 예컨대, 출력노드(O)의 출력값이 0.089이면, 해당 가스의 농도는 9%이고, 출력노드(O)의 출력값이 0.911이면, 해당 가스의 농도는 91%를 의미한다. 이와 같이, 예측모델(PM)이 예측값(예컨대, 0.089, 0.911)을 산출하면, 농도예측부(300)는 예측값을 농도로 변환하여 출력한다.
그러면, 전술한 예측모델(PM)의 원형을 생성하는 방법에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 예측모델의 원형을 생성하는 방법을 설명하기 위한 흐름도이다. 도 6은 본 발명의 실시예에 따른 예측모델의 원형을 생성하는 방법을 설명하기 위한 그래프이다.
도 5를 참조하면, 모델생성부(100)는 S100 단계에서 실험 데이터로부터 학습 데이터 및 검사 데이터를 추출한다. 즉, 모델생성부(100)는 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고, 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 검사용 피크 데이터와 검사용 피크 데이터에 대응하는 가스 농도를 추출하여 검사 데이터를 마련한다.
다음으로, 모델생성부(100)는 S110 단계에서 초기값에 따라 예측모델(PM)의 은닉계층 및 은닉노드의 수를 설정한다. 초기값은 예측모델(PM)의 은닉계츠의 수가 1개인 것이 바람직하다. 이는 도 3의 예에서, 제1 은니계층(HL1)만 존재하며, 나머지 은닉계층은 존재하지 않는 상태를 의미한다. 하지만, 본 발명을 이에 한정하는 것은 아니며, 신뢰되는 데이터를 근거로 초기값을 달리 설정할 수도 있다.
모델생성부(100)는 S120 단계에서 실험 데이터로부터 추출되는 학습 데이터를 이용하여 앞서 설정된 수의 은닉계층 및 은닉노드를 가지는 예측모델(PM)에 대한 학습을 수행한다. 그런 다음, 모델생성부(100)는 S130 단계에서 검사 데이터를 이용하여 예측모델(PM)의 학습 성과를 검사한다. 이어서, 모델생성부(100)는 S140 단계에서 학습 데이터 및 검사 데이터의 정확도를 산출한다.
모델생성부(100)는 S150 단계에서 학습 데이터 및 검사 데이터의 정확도가 조건을 만족하는지 여부를 판단한다. 여기서, 조건은 학습 데이터 정확도가 검사 데이터의 정확도 보다 높으면서 학습 데이터 정확도 및 검사 데이터의 정확도 양자 모두가 임계치 이상인 경우를 의미한다.
S150 단계의 판단 결과, 학습 데이터 및 검사 데이터의 정확도가 설정 조건을 만족하지 않으면, 모델생성부(100)는 S160 단계로 진행하여 은닉계층 및 은닉노드의 수를 재설정한다. 이때, 모델생성부(100)는 은닉계층 및 은닉노드의 수를 증가 혹은 감소시킨다. 그런 다음, 모델생성부(100)는 전술한 S120 단계 내지 S150 단계를 반복한다.
반면, S150 단계의 판단 결과, 학습 데이터 및 검사 데이터의 정확도가 설정 조건을 만족하면, 모델생성부(100)는 현재 설정에 따라 은닉계층의 수 및 은닉노드의 수를 결정한다. 이로써, 예측모델(PM)의 원형이 결정된다.
예컨대, 도 6의 그래프에 도시된 바와 같이, 은닉계층이 1개 및 2개의 경우, 학습 데이터의 정확도 및 검사 데이터 정확도 양자 모두 임계치 미만이다. 그리고 은닉계층의 수가 4개 및 5개의 경우, 학습 데이터의 정확도는 매우 높지만, 검사 데이터의 정확도는 임계치 미만이다. 이에 따라, 은닉계층의 수가 3개일 때에만 조건을 만족하기 때문에 예측모델(PM)의 원형은 은닉계층이 3개인 모델로 결정할 수 있다.
그러면, 본 발명의 실시예에 따른 예측모델(PM)에 대한 학습 방법에 대해서 보다 상세하게 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 예측모델(PM)에 대한 학습 방법에 대해서 설명하기 위한 흐름도이다. 도 8은 본 발명의 실시예에 따른 실험 데이터에서 아세트산염 및 낙산염이 포함된 수용액에 대한 라만 스펙트럼 데이터를 나타내는 그래프이다. 도 9는 본 발명의 실시예에 따른 실험 데이터에서 아세트산염 및 낙산염의 혼합물 및 일산화탄소가 포함된 수용액에 대한 라만 스펙트럼 데이터를 나타내는 그래프이다. 도 10은 본 발명의 실시예에 따른 실험 데이터에서 수용액에 포함된 가스의 농도가 알려진 라만 스펙트럼 데이터를 나타내는 그래프이다.
도 7을 참조하면, 모델생성부(100)는 S210 단계에서 학습 데이터를 마련한다. 도 8 내지 도 10에 도시된 바와 같이, 실험 데이터는 가스가 포함된 수용액에 대한 라만 스펙트럼 데이터 및 해당 수용액의 가스 농도를 포함한다. 따라서 모델생성부(100)는 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련한다. 예컨대, 도 8의 (A)는 아세트산염(Acetate)이 포함된 물과 배양액의 혼합액에 대한 라만 스펙트럼 데이터이다. 이와 같이, 수용액에 포함된 가스의 종류가 아세트산염(Acetate)이면 928
Figure pat00028
의 피크 데이터를 추출한다. 또한, 도 8의 (B)는 낙산염(Butyrate)이 포함된 물과 배양액의 혼합액에 대한 라만 스펙트럼 데이터이다. 이와 같이, 수용액에 포함된 가스의 종류가 아세트산염(Acetate)이면 877
Figure pat00029
의 피크 데이터를 추출한다. 도 9의 (C)는 아세트산염(Acetate) 및 낙산염(Butyrate)의 혼합물 수용액에 대한 라만 스펙트럼 데이터이다. 수용액에 포함된 가스가 아세트산염(Acetate) 및 낙산염(Butyrate)이기 때문에 928
Figure pat00030
및 877
Figure pat00031
각각의 피크 데이터를 추출한다. 도 9의 (D)는 일산화탄소(CO)의 수용액에 대한 라만 스펙트럼 데이터이다. 이와 같이, 수용액에 포함된 가스의 종류가 일산화탄소(CO)이면 1948
Figure pat00032
및 2063
Figure pat00033
의 피크 데이터를 추출한다. 전술한 바와 같이, 실험 데이터는 해당 수용액의 가스 농도를 포함한다. 예를 들면, 도 10의 (E)는 2.5% 농도(concentration)의 일산화탄소를 포함하는 수용액의 라만 스펙트럼 데이터이고, (F)는 5% 농도의 일산화탄소를 포함하는 수용액의 라만 스펙트럼 데이터를 보인다. 이에 따라, 해당 실험 데이터로부터 수용액에 포함된 가스의 종류가 일산화탄소(CO)이기 때문에 1948
Figure pat00034
및 2063
Figure pat00035
의 피크 데이터를 추출하고, 그 피크 데이터에 대응하는 가스의 농도(2.5%, 5%)를 추출할 수 있다.
학습 데이터를 마련한 후, 모델생성부(100)는 S220 단계에서 학습 데이터를 이용하여 경계 학습을 수행할 수 있다. 이러한 S220 단계는 선택적인 것으로, 필요에 따라 수행하거나, 생략할 수 있다. 경계 학습은 학습을 통해 명확하게 구분되지 않는 경계를 명확하게 위한 것이다. 도 10을 참조하면, 일산화탄소 농도 2.5%와 일산화탄소 농도 5%의 데이터는 학습을 통해 명확하게 구분되지 않는다고 가정한다. 이러한 경우, 2.5%와 5% 사이의 값을 경계값으로 설정하고(예컨대. 2.75%), 그 경계값을 기준으로 레이블을 설정하여 농도 2.5%와 5% 사이의 값들을 명확하게 구분되도록 경계학습을 수행한다. 경계학습의 구체적인 내용에 대해서는 아래에서 더 상세하게 설명될 것이다.
다음으로, 모델생성부(100)는 S230 단계에서 학습 데이터를 이용하여 수치 학습을 수행한다. 수치학습은 목표값, 즉, 레이블을 실험 데이터에서 얻어진 농도(수치)로 설정하여 학습을 수행함으로써, 실제로 수용액에서 가스의 농도를 예측할 수 있도록 예측모델(PM)을 학습시키는 절차이다. 수치학습의 구체적인 내용에 대해서는 아래에서 더 상세하게 설명될 것이다.
다음으로, 본 발명의 실시예에 따른 예측모델(PM)에 경계학습에 대해서 보다 상세하게 설명하기로 한다. 도 11은 본 발명의 실시예에 따른 예측모델(PM)에 대한 경계학습을 설명하기 위한 흐름도이다. 도 12는 본 발명의 실시예에 따른 예측모델(PM)에 대한 경계학습을 설명하기 위한 도면이다. 다시 강조하면, 도 11은 도 7의 S220 단계의 경계학습의 일 실시예를 보다 상세하게 설명하는 것이다.
도 11을 참조하면, 모델생성부(100)는 S310 단계에서 가스의 종류에 따른 파장의 학습용 피크 데이터 및 대응하는 가스 농도를 포함하는 복수의 학습 데이터를 마련한다. 그런 다음, 모델생성부(100)는 S320 단계에서 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩(One-hot-encoding) 벡터로 변환하여 경계 레이블을 설정한다. 일 실시예에 따르면, 일산화탄소 농도 2.5%와 5%의 구분을 명확하게 하기 위하여 경계값을 2.75%, 즉, 0.0275로 설정하였다고 가정한다. 그러면, 2.75% 이상의 가스 농도는 벡터 1로 변환되고, 2.75% 미만의 가스 농도는 벡터 0로 변환된다. 예컨대, 일산화탄소 농도 2.5%의 경우, 레이블은 벡터 0으로 설정되며, 일산화탄소 농도 5%의 경우, 레이블은 벡터 1로 설정된다.
경계 레이블이 설정되면, 모델생성부(100)는 S330 단계에서 경계 손실을 최적화하는 학습을 수행한다. 이때, 모델생성부(100)가 학습용 피크 데이터를 예측모델(PM)에 입력하면, 예측모델(PM)은 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 예측값을 산출한다. 그러면, 모델생성부(100)는 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 예측모델(PM)의 가중치를 수정하는 경계손실 최적화를 수행한다. 이때, 경계손실은 다음의 수학식 3과 같은 경계손실함수를 통해 도출할 수 있다.
Figure pat00036
수학식 3에서, Lboaderselected는 경계손실함수를 나타낸다. 특히, Oi는 예측모델(PM)의 출력층(OL)의 출력노드(O)의 출력인 예측값이고, vi는 예측값에 대응하는 경계 레이블이다. 여기서, i는 예측모델(PM)의 출력층(OL)의 출력노드(O)에 대응하는 인덱스이다.
정리하면, 모델생성부(100)는 수학식 3의 경계 손실함수를 통해 경계 손실을 도출한 후, 경계 손실이 최소가 되도록 예측모델(PM)의 가중치를 수정하는 경계 손실 최적화를 수행한다. 이러한 경계 손실 최적화는 복수의 서로 다른 학습용 데이터를 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다.
전술한 바와 같은 경계 손실 최적화에 따른 학습이 완료되면, 모델생성부(100)는 S140 단계에서 예측모델(PM)을 통해 경계값을 기준으로 구분되는 그룹 각각의 복수의 은닉벡터 중 기준벡터를 선택한다. 복수의 학습 데이터 중 대응하는 가스 농도가 경계값 이상인 학습용 피크 데이터를 제1 그룹으로 분류하고, 대응하는 가스 농도가 경계값 미만인 학습용 피크 데이터를 제2 그룹으로 분류할 때, 기준벡터를 선택하는 방법은 다음과 같다. 앞서(S130) 사용된 학습 데이터의 학습용 피크 데이터를 경계 손실 최적화가 이루어진 예측모델(PM)에 다시 입력하여 예측모델(PM)의 마지막, 은닉계층, 즉, 제k 은닉계층(HLk)의 복수의 은닉노드(h1 내지 hj)의 출력값인 은닉벡터를 도출한다. 즉, 은닉벡터는 H[h1, h2, h3, …, hj]이다. 모델생성부(100)는 복수의 차원으로 이루어진 복수의 은닉벡터를 소정의 벡터공간에 임베딩한다. 도 12의 (가)에 소정의 벡터공간에 복수의 은닉벡터가 임베딩된 예를 도시하였다. 기본적으로, 경계 손실 최적화에 의해 벡터공간 상에서 경계값 이상의 농도를 가지는 제1 그룹에 대한 은닉벡터(원형 표시)와 경계값 미만의 농도를 가지는 제2 그룹에 대한 은닉벡터(사각형 표시)는 경계(BORDER)에 의해 구분이 이루어진다. 하지만, 도 12의 (가)에 도시된 바와 같이, 경계(BORDER)에 걸쳐 있는 은닉벡터도 존재한다. 모델생성부(100)는 이러한 벡터 공간에 임베딩된 복수의 은닉벡터 중 각 그룹 별로 기준벡터를 선택한다. 기준벡터는 9의 (A)에 도시된 바와 같이, 동일한 그룹 내의 은닉벡터 중 중간값을 선택할 수 있다.
다음으로, 모델생성부(100)는 S350 단계에서 경계 레이블 및 증강 레이블을 설정한다. 경계 레이블은 앞서 S320 단계에서와 동일하게 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 설정된다. 증강 레이블은 앞서(S340) 그룹별로 선택된 기준벡터를 이용한다.
경계 레이블 및 증강 레이블이 설정되면, 모델생성부(100)는 S360 단계에서 증강 손실을 최적화하는 학습을 수행한다. 이때, 모델생성부(100)가 학습용 피크 데이터를 예측모델(PM)에 입력하면, 예측모델(PM)은 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 순차로 마지막 은닉계층(예컨대, 제k 은닉계층)의 출력값 및 출력층의 출력인 예측값을 산출한다. 그러면, 모델생성부(100)는 예측값과 경계 레이블의 차이를 나타내는 경계 손실과, 마지막 은닉계층(예컨대, 제k 은닉계층)의 출력값 H[h1, h2, h3, …, hj]과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 예측모델(PM)의 가중치를 수정하는 경계증강 손실 최적화를 수행한다. 이때, 경계증강 손실은 다음의 수학식 3과 같은 경계증강 손실함수를 통해 도출할 수 있다.
Figure pat00037
수학식 4에서, Lboaderenhanced는 경계증강 손실함수를 나타낸다. 특히, Oi는 예측모델(PM)의 출력층(OL)의 출력노드(O)의 출력인 예측값이고, vi는 예측값에 대응하는 경계 레이블이다. 여기서, i는 예측모델(PM)의 출력층(OL)의 출력노드(O)에 대응하는 인덱스이다. 또한, hij는 예측모델(PM)의 마지막 은닉계층(예컨대, HLk)의 복수의 은닉노드의 출력값인 은닉벡터 H[h1, h2, h3, …, hj]이고, rij는 마지막 은닉계층(예컨대, HLk)의 복수의 은닉노드의 출력값인 은닉벡터 H[h1, h2, h3, …, hj]에 대응하는 증강 레이블이다. 이 증강 레이블은 그룹 별로 선택된 기준벡터이다. j는 예측모델(PM)의 마지막 은닉계층(예컨대, HLk)의 복수의 은닉노드에 대응하는 인덱스이다.
정리하면, 모델생성부(100)는 수학식 4의 경계증강 손실함수를 통해 경계증강 손실을 도출한다. 경계증강 손실은 예측값과 경계 레이블의 차이를 나타내는 경계 손실과, 마지막 은닉계층(예컨대, 제k 은닉계층)의 출력값 H[h1, h2, h3, …, hj]과 증강 레이블과의 차이를 나타내는 증강 손실을 포함한다. 이와 같이, 경계증강 손실이 도출되면, 모델생성부(100)는 경계증강 손실이 최소가 되도록 예측모델(PM)의 가중치를 수정하는 경계증강 손실 최적화를 수행한다. 이러한 경계증강 손실 최적화는 복수의 서로 다른 학습용 데이터를 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다.
이러한 경계증강 손실에 의한 학습이 완료되면, 벡터 공간 상의 복수의 은닉벡터는 도 12의 (B)와 같이 분류될 수 있다. 즉, 복수의 은닉벡터는 벡터 공간 상에서 기준벡터를 향하여 이동된다. 특히, 경계(BORDER)에 존재하는 은닉벡터가 기준벡터를 향하여 이동함에 따라 제1 그룹과 제2 그룹의 구분이 보다 명확해짐을 알 수 있다. 즉, 경계증강 손실 최적화를 통한 학습을 수행함에 따라 예측모델(PM)에서 수치의 차이의 구분 성능이 향상될 수 있다.
다음으로, 본 발명의 실시예에 따른 예측모델(PM)에 수치학습에 대해서 보다 상세하게 설명하기로 한다. 도 13은 본 발명의 실시예에 따른 예측모델(PM)에 대한 수치학습을 설명하기 위한 흐름도이다. 다시 강조하면, 도 13은 도 7의 S230 단계의 수치학습을 보다 상세하게 설명하는 것이다.
도 13을 참조하면, 모델생성부(100)는 S410 단계에서 가스의 종류에 따른 파장의 학습용 피크 데이터 및 대응하는 가스 농도를 포함하는 복수의 학습 데이터를 마련한다. 그런 다음, 모델생성부(100)는 S420 단계에서 학습용 피크 데이터에 대응하는 가스 농도의 수치를 수치 레이블로 설정한다. 예컨대, 일산화탄소 농도 2.5%의 경우, 수치 레이블은 0.025로 설정되며, 일산화탄소 농도 5%의 경우, 레이블은 0.050로 설정된다.
수치 레이블이 설정되면, 모델생성부(100)는 S430 단계에서 수치 손실을 최적화하는 학습을 수행한다. 이때, 모델생성부(100)가 학습용 피크 데이터를 예측모델(PM)에 입력하면, 예측모델(PM)은 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 예측값을 산출한다. 그러면, 모델생성부(100)는 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 예측모델(PM)의 가중치를 수정하는 수치 손실 최적화를 수행한다. 이때, 수치 손실은 다음의 수학식 5와 같은 수치손실함수를 통해 도출할 수 있다.
Figure pat00038
수학식 3에서 Lvalue는 수치손실함수를 나타낸다. Oi는 출력층(OL)의 출력인 예측값이고, Ci은 출력층(OL)의 출력인 예측값에 대응하는 수치 레이블이다. 그리고 i는 예측모델(PM)의 출력층(OL)의 출력노드에 대응하는 인덱스이다. 수치손실함수 Lvalue의 첫 번째 항(term)은 L1-norm 손실이며, 두 번째 항은 SSIM(Structural Similarity Index)을 나타낸다. 즉, L1-norm 및 SSIM을 합산한 값이 최소가 되도록 최적화를 수행할 수 있다.
정리하면, 모델생성부(100)는 수학식 5의 수치 손실함수를 통해 수치 손실을 도출한 후, 수치 손실이 최소가 되도록 예측모델(PM)의 가중치를 수정하는 수치 손실 최적화를 수행한다. 이러한 수치 손실 최적화는 복수의 서로 다른 학습용 데이터를 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다.
전술한 바와 같은 방법을 통해 예측모델(PM)이 생성되면, 본 발명의 실시예에 따른 예측장치(PA)는 실시간으로 수용액의 용존 가스 농도를 예측할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 14는 본 발명의 실시예에 따른 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 방법을 설명하기 위한 흐름도이다.
도 14를 참조하면, 스펙트럼측정부(10)는 S510 단계에서 도 1에 도시된 바와 같이, 수용액에 내에 프로브(11)를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득한다. 이러한 라만 스펙트럼 데이터는 예측부(20)에 제공된다.
예측부(20)의 피크추출부(200)는 S520 단계에서 스펙트럼측정부(10)로부터 수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 수용액에 포함된 가스의 종류에 상응하는 파장(Raman Shift)의 피크 데이터를 추출한다. 도 8 내지 도 9를 참조하면, 가스가 CO인 경우, 파장은 1948
Figure pat00039
및 2063
Figure pat00040
이다. 또한, 가스가 아세트산염(Acetate)이면 파장은 928
Figure pat00041
이고, 가스가 낙산염(Butyrate)이면, 파장은 877
Figure pat00042
이다.
농도예측부(300)는 S530 단계에서 예측모델(PM)을 통해 피크 데이터로부터 가스 농도의 예측값을 산출한다. 이때, 농도예측부(300)는 피크추출부(200)가 추출한 피크 데이터를 예측모델(PM)에 입력한다. 그러면, 예측모델(PM)은 피크 데이터에 대해 복수의 계층(IL, HL, OL) 간 학습된 가중치가 적용되는 복수의 연산을 통해 수용액에 포함된 가스 농도의 예측값을 산출한다.
다음으로, 농도예측부(300)는 S540 단계에서 예측값을 농도로 변환하여 변환된 농도를 수용액의 용존 가스 농도를 출력한다. 예컨대, 예측모델(PM)이 일산화탄소(CO)에 대해 0.089, 0.911과 같은 예측값을 산출하면, 농도예측부(300)는 예측값을 9%, 91% 등의 농도로 변환하여 일산화탄소(CO)의 용존 가스 농도를 9%, 91% 등으로 출력한다.
도 15는 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 도 15의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 예측장치(PA) 등) 일 수 있다.
도 15의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 앞서 설명된 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
10: 스펙트럼측정부
20: 예측부
100: 모델생성부
200: 피크추출부
300: 농도예측부

Claims (20)

  1. 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치에 있어서,
    수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부; 및
    상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부;
    를 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  2. 제1항에 있어서,
    실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고,
    상기 학습 데이터 중 일부를 검사 데이터로 설정하고,
    상기 학습 데이터를 이용하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 예측모델을 학습시키고,
    상기 검사 데이터를 이용하여 상기 학습 결과를 검사하는 모델생성부;
    를 더 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  3. 제2항에 있어서,
    상기 모델생성부는
    상기 학습 데이터 및 상기 검사 데이터 각각의 정확도 양자 모두가 기 설정된 조건을 만족할 때까지 상기 예측모델의 은닉계층 및 은닉노드의 수를 조절하면서, 상기 학습 데이터를 이용한 상기 예측모델에 대한 학습과, 상기 검사 데이터를 이용한 상기 예측모델에 대한 학습 성과의 검사를 반복하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  4. 제2항에 있어서,
    상기 모델생성부는
    상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하고,
    상기 학습용 피크 데이터를 예측모델에 입력하고,
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면,
    경계손실함수
    Figure pat00043
    에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하고,
    상기 Lboaderselected는 경계 손실함수이고,
    상기 Oi는 상기 예측모델의 예측값이고,
    상기 vi는 상기 출력값에 대응하는 경계 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  5. 제4항에 있어서,
    상기 모델생성부는
    기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고,
    상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하고,
    상기 학습용 피크 데이터를 예측모델에 입력하고,
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하면,
    경계증강손실함수
    Figure pat00044
    에 따라
    상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하고,
    상기 Lboaderenhanced는 경계증강 손실함수이고,
    상기 Oi는 상기 예측모델의 출력층의 출력인 예측값이고,
    상기 vi는 상기 예측값에 대응하는 경계 레이블이고,
    상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고,
    상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고,
    상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것
    을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  6. 제5항에 있어서,
    상기 모델생성부는
    상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하고,
    상기 학습용 피크 데이터를 예측모델에 입력하고,
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면,
    상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  7. 제6항에 있어서,
    상기 모델생성부는
    수치손실함수
    Figure pat00045

    에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며,
    상기 Lvaule는 수치손실함수이고,
    상기 Oi는 상기 예측모델의 출력인 예측값이고,
    상기 Ci는 상기 예측값에 대응하는 수치 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  8. 제1항에 있어서,
    상기 가스가 CO이면, 상기 파장은 1948
    Figure pat00046
    및 2063
    Figure pat00047
    이고,
    상기 가스가 아세트산염(Acetate)이면 상기 파장은 928
    Figure pat00048
    이고,
    상기 가스가 낙산염(Butyrate)이면, 상기 파장은 877
    Figure pat00049
    인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  9. 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치에 있어서,
    실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고,
    상기 학습 데이터를 이용하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 인공신경망 알고리즘인 예측모델을 학습시키는 모델생성부;
    를 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  10. 제9항에 있어서,
    상기 모델생성부는
    상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하고,
    상기 학습용 피크 데이터를 예측모델에 입력하고,
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면,
    상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하되,
    수치손실함수
    Figure pat00050

    에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며,
    상기 Lvaule는 수치 손실함수이고,
    상기 Oi는 상기 예측모델의 출력인 예측값이고,
    상기 Ci는 상기 예측값에 대응하는 수치 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  11. 제9항에 있어서,
    상기 모델생성부는
    학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하고,
    상기 학습용 피크 데이터를 예측모델에 입력하고,
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면,
    경계손실함수
    Figure pat00051
    에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행한 후,
    기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고,
    상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하고,
    상기 학습용 피크 데이터를 예측모델에 입력하고,
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하면,
    경계증강손실함수
    Figure pat00052
    에 따라
    상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하고,
    상기 Lboaderselected는 경계 손실함수이고,
    상기 Lboaderenhanced는 경계증강 손실함수이고,
    상기 Oi는 상기 예측모델의 출력층의 출력인 예측값이고,
    상기 vi는 상기 예측값에 대응하는 경계 레이블이고,
    상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고,
    상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고,
    상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것
    을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  12. 제10항에 있어서,
    수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하고, 취득한 라만 스펙트럼 데이터를 제공하는 스펙트럼측정부;
    상기 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부; 및
    상기 피크 데이터를 기초로 상기 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부;
    를 더 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 장치.
  13. 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 방법에 있어서,
    스펙트럼측정부가 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하는 단계;
    피크추출부가 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 단계;
    농도예측부가 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하는 단계; 및
    상기 농도예측부가 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 단계;
    를 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  14. 제13항에 있어서,
    상기 라만 스펙트럼 데이터를 취득하는 단계 전,
    상기 모델생성부가 실험 데이터로부터 학습 데이터 및 검사 데이터를 추출하는 단계;
    상기 모델생성부가 상기 예측모델의 은닉계층 및 은닉노드의 수를 설정하는 단계;
    상기 모델생성부가 상기 학습 데이터를 이용하여 설정된 수의 은닉계층 및 은닉노드를 가지는 예측모델에 대한 학습을 수행하고, 상기 검사 데이터를 이용하여 예측모델(PM)의 학습 성과를 검사하고, 상기 모델생성부가 상기 학습 데이터의 정확도 및 상기 검사 데이터의 정확도를 산출하는 단계;
    상기 모델생성부가 상기 학습 데이터 정확도가 상기 검사 데이터의 정확도 보다 높으면서 상기 학습 데이터 정확도 및 상기 검사 데이터의 정확도 양자 모두가 임계치 이상인 조건을 만족하는지 여부를 판별하는 단계; 및
    상기 판별 결과, 상기 조건을 만족하면, 상기 모델생성부가 현재 설정에 따라 은닉계층 및 은닉노드의 수를 결정하는 단계;
    를 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  15. 제14항에 있어서,
    상기 조건을 만족하는지 여부를 판별하는 단계후,
    상기 판별 결과, 상기 조건을 만족하지 않으면,
    상기 모델생성부가 은닉계층 및 은닉노드의 수를 재설정한 후, 상기 정확도를 산출하는 단계 및 상기 조건을 만족하는지 여부를 판별하는 단계를 반복하는 단계;
    더 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  16. 제13항에 있어서,
    상기 라만 스펙트럼 데이터를 취득하는 단계 전,
    상기 모델생성부가 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하는 단계;
    상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하는 단계;
    상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계;
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계;
    상기 모델생성부가 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 단계;
    를 더 포함하는 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  17. 제16항에 있어서,
    상기 수치 최적화를 수행하는 단계는
    상기 모델생성부가
    수치손실함수
    Figure pat00053

    에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며,
    상기 Lvalue는 수치손실함수이고,
    상기 Oi는 상기 예측모델의 출력인 예측값이고,
    상기 Ci는 상기 예측값에 대응하는 수치 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  18. 제13항에 있어서,
    상기 라만 스펙트럼 데이터를 취득하는 단계 전,
    상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하는 단계;
    상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계;
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계;
    상기 모델생성부가
    경계손실함수
    Figure pat00054
    에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하는 단계;
    를 더 포함하며,
    상기 Lboaderselected는 경계 손실함수이고,
    상기 Oi는 상기 예측모델의 출력인 예측값이고,
    상기 vi는 상기 예측값에 대응하는 경계 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  19. 제18항에 있어서,
    상기 경계 최적화를 수행하는 단계 후,
    상기 모델생성부가 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하는 단계;
    상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계;
    상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하는 단계;
    상기 모델생성부가 경계증강손실함수
    Figure pat00055

    에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하는 단계;
    를 더 포함하며,
    상기 Lboaderenhanced는 경계증강 손실함수이고,
    상기 Oi는 상기 예측모델의 출력인 예측값이고,
    상기 vi는 상기 예측값에 대응하는 경계 레이블이고,
    상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고,
    상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고,
    상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고,
    상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
  20. 제13항에 있어서,
    상기 가스가 CO이면, 상기 파장은 1948
    Figure pat00056
    및 2063
    Figure pat00057
    이고,
    상기 가스가 아세트산염(Acetate)이면 상기 파장은 928
    Figure pat00058
    이고,
    상기 가스가 낙산염(Butyrate)이면, 상기 파장은 877
    Figure pat00059
    인 것을 특징으로 하는
    용존 가스 농도를 예측하기 위한 방법.
KR1020200123589A 2020-09-24 2020-09-24 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 KR102532757B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200123589A KR102532757B1 (ko) 2020-09-24 2020-09-24 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200123589A KR102532757B1 (ko) 2020-09-24 2020-09-24 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법

Publications (2)

Publication Number Publication Date
KR20220040651A true KR20220040651A (ko) 2022-03-31
KR102532757B1 KR102532757B1 (ko) 2023-05-12

Family

ID=80934811

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200123589A KR102532757B1 (ko) 2020-09-24 2020-09-24 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR102532757B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02308359A (ja) * 1989-05-24 1990-12-21 Japan Radio Co Ltd 多層ニューラルネットワーク
JPH11508033A (ja) * 1995-03-27 1999-07-13 マサチユセツツ・インスチチユート・オブ・テクノロジー 血液ガス及び分析物の分析のためのラマン分光装置及び方法
KR20010022918A (ko) 1997-08-18 2001-03-26 테디어즈 엠. 드르제베키 실시간 개스 분석 방법 및 장치
KR20190031621A (ko) * 2017-09-18 2019-03-27 삼성전자주식회사 글루코스 노출량 추정 장치 및 방법과, 글루코스 노출량 추정 모델 생성 장치 및 방법
KR20200018177A (ko) * 2018-08-10 2020-02-19 삼성전자주식회사 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법
KR20200046569A (ko) * 2018-10-25 2020-05-07 서강대학교산학협력단 이종 금속 나노 구조체를 활용한 표면증강라만산란법 기반 비평형 용존 c1 가스 검출 장치 및 방법
KR20200057903A (ko) * 2018-11-17 2020-05-27 한국과학기술정보연구원 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
JP2020106340A (ja) * 2018-12-26 2020-07-09 キヤノン株式会社 情報処理装置、情報処理装置の制御方法、及びプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02308359A (ja) * 1989-05-24 1990-12-21 Japan Radio Co Ltd 多層ニューラルネットワーク
JPH11508033A (ja) * 1995-03-27 1999-07-13 マサチユセツツ・インスチチユート・オブ・テクノロジー 血液ガス及び分析物の分析のためのラマン分光装置及び方法
KR20010022918A (ko) 1997-08-18 2001-03-26 테디어즈 엠. 드르제베키 실시간 개스 분석 방법 및 장치
KR20190031621A (ko) * 2017-09-18 2019-03-27 삼성전자주식회사 글루코스 노출량 추정 장치 및 방법과, 글루코스 노출량 추정 모델 생성 장치 및 방법
KR20200018177A (ko) * 2018-08-10 2020-02-19 삼성전자주식회사 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법
KR20200046569A (ko) * 2018-10-25 2020-05-07 서강대학교산학협력단 이종 금속 나노 구조체를 활용한 표면증강라만산란법 기반 비평형 용존 c1 가스 검출 장치 및 방법
KR20200057903A (ko) * 2018-11-17 2020-05-27 한국과학기술정보연구원 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
JP2020106340A (ja) * 2018-12-26 2020-07-09 キヤノン株式会社 情報処理装置、情報処理装置の制御方法、及びプログラム

Also Published As

Publication number Publication date
KR102532757B1 (ko) 2023-05-12

Similar Documents

Publication Publication Date Title
CN112312541B (zh) 一种无线定位方法及系统
KR102200212B1 (ko) 불확실성 예측을 위한 샘플링 모델 생성 장치 및 방법, 불확실성 예측 장치
Hanifah et al. Smotebagging algorithm for imbalanced dataset in logistic regression analysis (case: Credit of bank x)
US20160208582A1 (en) Resource identification using historic well data
CN112861459B (zh) 全灵敏度对抗重要性抽样产量优化方法和装置
JP2017518495A (ja) 複合材料部品の３ｄ画像用の品質指標を推定するための方法および装置
KR102489473B1 (ko) 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템
EP4123287A1 (en) N-value prediction device and method using data augmentation-based artificial intelligence
KR102532757B1 (ko) 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법
CN113533511A (zh) 基于深度学习网络模型的钢轨焊缝监测方法
KR101806669B1 (ko) 특허 분석을 이용한 기술이전 예측정보 제공 방법 및 장치
JP2021177541A (ja) 試料の検査のためのアルゴリズムモジュールの自動選択
CN117422990A (zh) 一种基于机器学习的桥梁结构分类与评估方法
KR102336962B1 (ko) 반-약 지도 학습을 통해 자동으로 라벨링을 수행하기 위한 장치 및 이를 위한 방법
Lowe et al. Echofilter: A Deep Learning Segmention Model Improves the Automation, Standardization, and Timeliness for Post-Processing Echosounder Data in Tidal Energy Streams
CN114970318A (zh) 基于行为结果双代理模型的自动驾驶系统安全测评方法
CN110533159B (zh) 一种基于介科学指导提高深度学习数据集质量及模型可解释性的方法
KR102587012B1 (ko) 가우시안 프로세스 기반 능동적 학습을 활용한 자율적 비파괴 검사 데이터 획득 장치 및 방법
JP2021197008A (ja) 情報処理装置、学習方法、および学習プログラム
CN117529668B (zh) 用于提供训练数据以使得神经网络能够分析nmr测量中的信号的系统和方法
US20240005217A1 (en) Information processing device, information processing method, and recording medium
CN117593046B (zh) 层次时间序列预测方法、装置、电子设备及存储介质
CN113627621B (zh) 一种面向光网络传输质量回归估计的主动学习方法
CN113035363B (zh) 一种概率密度加权的遗传代谢病筛查数据混合采样方法
ALI et al. NEW SOFTWARE DEFECT PREDICTION METHOD BASED ON PCA AND OPTIMIZED LSTM

Legal Events

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