KR20230075260A - 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법 - Google Patents

센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20230075260A
KR20230075260A KR1020210161701A KR20210161701A KR20230075260A KR 20230075260 A KR20230075260 A KR 20230075260A KR 1020210161701 A KR1020210161701 A KR 1020210161701A KR 20210161701 A KR20210161701 A KR 20210161701A KR 20230075260 A KR20230075260 A KR 20230075260A
Authority
KR
South Korea
Prior art keywords
missing
signal
interpolation
unit
interpolating
Prior art date
Application number
KR1020210161701A
Other languages
English (en)
Inventor
박영현
이준성
Original Assignee
에스케이플래닛 주식회사
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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Priority to KR1020210161701A priority Critical patent/KR20230075260A/ko
Priority to PCT/KR2022/018409 priority patent/WO2023090967A1/ko
Publication of KR20230075260A publication Critical patent/KR20230075260A/ko
Priority to US18/646,808 priority patent/US20240296328A1/en

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Complex Calculations (AREA)

Abstract

본 발명의 결측값을 보간하기 위한 방법은 데이터처리부가 센서 신호를 구성하는 복수의 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별한 데이터 세트를 수집하는 단계와, 학습부가 상기 데이터 세트를 이용하여 센서 신호의 적어도 일부가 결측된 결측 부분을 가지는 결측 신호에서 결측 부분을 보간하는 보간망을 학습시키는 단계와, 보간부가 센서 신호의 적어도 일부가 결측된 결측 신호를 입력 받는 단계와, 상기 보간부가 상기 보간망을 이용하여 상기 결측 부분을 보간하여 보간 신호를 생성하는 단계를 포함한다.

Description

센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법{Apparatus for Context-Aware-based Missing Value Interpolation of Sensors and method therefor}
본 발명은 센서의 결측값을 보간하기 위한 기술에 관한 것으로, 더욱 상세하게는, 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법에 관한 것이다.
센서의 측정 오류로 결측값 발생시 정보 제공이 불가능해지며 제공하더라도 의미 없는 정보가 된다. 또한 센서 결측이 발생한 시점에 대해서 부가 장비의 운용 여부를 결정하는데 어려움이 발생한다.
한국공개특허 제2021-0065751호 (2021년 06월 04일 공개)
본 발명의 목적은 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 결측값을 보간하기 위한 방법은 데이터처리부가 센서 신호를 구성하는 복수의 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별한 데이터 세트를 수집하는 단계와, 학습부가 상기 데이터 세트를 이용하여 센서 신호의 적어도 일부가 결측된 결측 부분을 가지는 결측 신호에서 결측 부분을 보간하는 보간망을 학습시키는 단계와, 보간부가 센서 신호의 적어도 일부가 결측된 결측 신호를 입력 받는 단계와, 상기 보간부가 상기 보간망을 이용하여 상기 결측 부분을 보간하여 보간 신호를 생성하는 단계를 포함한다.
상기 데이터 세트를 수집하는 단계는 상기 데이터처리부가 각각이 기 설정된 길이 이상의 정보를 가지는 복수의 단위 신호로 이루어진 센서 신호를 수집하는 단계와, 상기 데이터처리부가 상기 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별하는 단계와, 상기 데이터처리부가 상기 선별된 전측 신호의 수가 기 설정된 수 이상이 될 때까지 상기 전측 신호를 상기 데이터 세트에 누적하는 단계를 포함한다.
상기 보간망을 학습시키는 단계는 상기 데이터 세트에 누적하는 단계 후, 학습부가 상기 데이터 세트의 전측 신호로부터 결측 신호를 생성하는 단계와, 상기 학습부가 생성된 결측 신호를 보간망에 입력하면, 상기 보간망이 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 결측 부분이 보간된 보간 신호를 생성하는 단계와, 상기 학습부가 상기 보간 신호와 결측 신호의 레이블인 전측 신호 간의 차이를 나타내는 보간 손실을 산출하는 단계와, 상기 학습부가 보간 손실이 최소화되도록 보간망의 가중치를 갱신하는 최적화를 수행하는 단계를 포함한다.
상기 결측 신호를 생성하는 단계는 상기 학습부가 전측 신호의 일부를 소거하여 결측 부분을 가지는 결측 신호를 생성하는 단계와, 상기 학습부가 생성된 결측 신호를 보간망에 대한 입력값으로 설정 하고, 생성된 결측 신호의 원본인 전측 신호를 생성된 결측 신호에 대한 목표값으로 레이블링하는 단계를 포함한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 결측값을 보간하기 위한 장치는 센서 신호를 구성하는 복수의 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별한 데이터 세트를 수집하는 데이터처리부와, 상기 데이터 세트를 이용하여 센서 신호의 적어도 일부가 결측된 결측 부분을 가지는 결측 신호에서 결측 부분을 보간하는 보간망을 학습시키는 학습부와, 센서 신호의 적어도 일부가 결측된 결측 신호가 입력되면, 상기 보간망을 이용하여 상기 결측 부분을 보간하여 보간 신호를 생성하는 보간부를 포함한다.
상기 데이터처리부는 각각이 기 설정된 길이 이상의 정보를 가지는 복수의 단위 신호로 이루어진 센서 신호를 수집하고, 상기 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별하고, 선별된 전측 신호의 수가 기 설정된 수 이상이 될 때까지 상기 전측 신호를 상기 데이터 세트에 누적하는 것을 특징으로 한다.
상기 학습부는 상기 데이터 세트의 전측 신호로부터 결측 신호를 생성하고, 생성된 결측 신호를 보간망에 입력하면, 상기 보간망이 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 결측 부분이 보간된 보간 신호를 생성하고, 상기 보간 신호와 결측 신호의 레이블인 전측 신호 간의 차이를 나타내는 보간 손실을 산출하고, 보간 손실이 최소화되도록 보간망의 가중치를 갱신하는 최적화를 수행하는 것을 특징으로 한다.
상기 학습부는 전측 신호의 일부를 소거하여 결측 부분을 가지는 결측 신호를 생성하고, 생성된 결측 신호를 보간망에 대한 입력값으로 설정 하고, 생성된 결측 신호의 원본인 전측 신호를 생성된 결측 신호에 대한 목표값으로 레이블링하는 것을 특징으로 한다.
결측치 보간 방법을 사용하지 않는 경우 센서 결측 시점에 대한 정보의 누락이 발생하고, 센서에 의존하여 작동하는 부가 장비의 작동 여부, 동작 선택 등 제한 발생할 수 있다. 하지만, 본 발명에 따르면, 센서를 통한 정보 수집, 수집된 정보를 활용함에 있어 정보의 누락을 최소화 할 수 있다. 또한, 저가형 센서를 활용 한다는 가정 하에 동일 예산 내 설치 가능한 센서의 수 증가, 센서 설치의 공간해상도를 높일 수 있다. 안정성이 높은 고가형 센서를 사용하는 경우 결측 발생 확률이 낮지만, 저가형의 경우, 결측 발생 확률이 높다. 하지만, 본 발명의 보간 방법을 사용함으로써, 센서의 안정성이 낮은 센서를 사용하는 경우에도, 저가형 센서의 결측을 보완할 수 있다.
도 1은 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 센서(SS)의 결측값을 보간하기 위한 학습 데이터를 수집하는 방법을 설명하기 위한 흐름도이다.
도 3은 센서의 문맥 인식 기반 결측값을 보간하기 위한 보간망을 학습시키기 위한 방법을 설명하기 위한 흐름도이다.
도 4는 센서의 문맥 인식 기반 결측값을 보간하기 위한 보간망을 학습시키기 위한 학습 데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 보간 장치를 구현하기 위한 하드웨어 시스템의 예시도이다.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을 의미한다. 다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다.
아울러, 본 발명은 퍼스널 컴퓨터, 랩탑 컴퓨터, 핸드헬드 장치, 멀티프로세서 시스템, 마이크로프로세서-기반 또는 프로그램 가능한 가전제품(programmable consumer electronics), 네트워크 PC, 미니컴퓨터, 메인프레임 컴퓨터, 모바일 전화, PDA, 페이저(pager) 등을 포함하는 다양한 유형의 컴퓨터 시스템 구성을 가지는 네트워크 컴퓨팅 환경에서 적용될 수 있다. 본 발명은 또한 네트워크를 통해 유선 데이터 링크, 무선 데이터 링크, 또는 유선 및 무선 데이터 링크의 조합으로 링크된 로컬 및 원격 컴퓨터 시스템 모두가 태스크를 수행하는 분산형 시스템 환경에서 실행될 수 있다. 분산형 시스템 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치에 위치될 수 있다.
먼저, 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 보간장치(10)는 데이터처리부(100), 저장부(200), 학습부(300) 및 보간부(400)를 포함한다.
데이터처리부(100)는 센서(SS)로부터 센서 신호를 수신하여 센서 신호 중 결측 부분이 없는 전측 신호를 추출하여 저장부(200)에 저장하거나, 필요한 경우, 출력한다.
또한, 데이터처리부(100)는 센서 신호 중 결측 부분이 있는 결측 신호를 보간부(400)에 전달하여 보간부(400)가 결측 신호의 결측 부분을 보간 신호를 생성하도록 한다.
저장부(200)는 센서 신호 중 결측 부분이 없는 전측 신호 및 결측 부분이 보간된 보간 신호를 저장한다.
학습부(300)는 저장부(200)에 저장된 전측 신호를 이용하여 생성형 인공신경망인 보간망(IN)을 학습시키기 위한 것이다. 학습부(300)는 결측 신호의 결측 부분을 보간하여 보간 신호를 생성하도록 보간망(IN)을 학습시킨다.
보간망(IN)은 인공신경망이며, 각각이 가중치가 적용되는 복수의 연산을 수행하는 복수의 계층을 포함한다. 보간망(IN)은 결측 신호가 입력되면, 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 결측 신호의 결측 부분을 보간한 보간 신호를 생성한다. 다른 말로, 보간망(IN)은 생성형 인공신경망이고, 생성형 인공신경망은 입력, 즉, 결측 신호를 저차원 정보 (벡터, 매트릭스, 텐서 등)로 인코딩하고, 인코딩된 저차원 정보를 본래의 차원으로 디코딩하여 보간 신호를 생성하는 형태를 가진다. 생성형 인공신경망의 계층은 완전연결계층(fully-connected layer), 합성곱계층(convolutional layer), 순환계층(recurrent layer) 등 요구사항에 따라 선택적으로 구성 할 수 있다. 합성곱계층의 경우 1차원 커널, 2차원 커널, 3차원 커널 등 필요에 따라 커널의 차원을 선택할 수 있다. 순환계층의 경우 RNN, LSTM, GRU 등이 될 수 있다.
보간부(400)는 보간망(IN)을 이용하여 결측 신호의 결측 부분을 보간하여 보간 신호를 생성한다. 이때, 보간부(400)는 보간망(IN)에 결측 신호를 입력하면, 보간망(IN)은 복수의 계층 간 학습된 가중치가 적용되는 연산을 수행함으로써, 결측 부분의 앞 뒤 문맥에 기반하여 결측 부분을 보간하여 보간 신호를 생성한다. 보간 방법은 보간망(IN)이 학습에 의해 결측 부분의 주변 정보를 확인, 맥락을 파악하여 비어있는 중간 정보들을 채워 넣는 형태이다. 예컨대, 신호의 t1, t2 시간 사이의 결측을 t1 이전 정보, t2 이후 정보를 바탕으로 그 사이에 어떤 신호가 발생할지 맥락을 파악하여 보간하는 방식이다. 보간 신호를 생성한 보간부(400)는 저장부(200)에 보간 신호(Y)를 저장하고, 필요한 경우 출력한다.
다음으로, 본 발명의 실시예에 따른 센서(SS)의 문맥 인식 기반 결측값을 보간하기 위한 방법에 대해서 설명하기로 한다. 본 발명의 실시예에 따르면, 센서(SS)의 결측값을 보간하기 위하여 보간망(IN)을 이용한다. 이러한 보간망(IN)을 학습시키기 위해 해당 센서(SS)에 대응하는 학습 데이터를 수집하여야 한다. 이러한 학습 데이터를 수집하는 방법에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 센서(SS)의 결측값을 보간하기 위한 학습 데이터를 수집하는 방법을 설명하기 위한 흐름도이다.
데이터처리부(100)는 S110 단계에서 센서(SS)로부터 복수의 단위 신호로 이루어진 센서 신호를 수집한다. 센서 신호는 복수의 단위 신호가 연속 및 불연속에 무관하게 시간 상의 순서를 가지는 시계열 신호이다. 이러한 시계열 신호는 영상을 포함할 수 있다.
이어서, 데이터처리부(100)는 S120 단계에서 기 설정된 길이(T) 이상의 정보를 가지는 센서 신호가 입력되는지 여부를 확인하여, 기 설정된 길이(T) 이상의 정보를 가지는 센서 신호가 입력되면, 단위 신호로 분절한다.
그런 다음, 데이터처리부(100)는 S130 단계에서 단위 신호가 결측 부분을 가지는 결측 신호인지 혹은 여부를 판별한다. S130 단계의 판별 결과, 결측 부분 없이 온전한 전측 신호이면, S140 단계에서 저장부(200)에 전측 신호인 해당 단위 신호를 데이터 세트로 누적한다.
그런 다음, 데이터처리부(100)는 S150 단계에서 데이터 세트의 단위 신호의 수가 기 설정된 수(N) 이상인지 여부를 판단한다. 상기 판단 결과, 기 설정된 수(N) 이상이면, 학습부(300)는 S160 단계에서 수집된 데이터 세트를 이용하여 보간망(IN)을 학습시킨다.
그러면, 전술한 바와 같이 수집된 학습 데이터 세트를 이용하여 보간망(IN)을 학습시키는 방법에 대해서 설명하기로 한다. 도 3은 센서의 문맥 인식 기반 결측값을 보간하기 위한 보간망을 학습시키기 위한 방법을 설명하기 위한 흐름도이다. 다른 말로, 도 3은 앞서 S160 단계의 상세한 설명이다. 도 4는 센서의 문맥 인식 기반 결측값을 보간하기 위한 보간망을 학습시키기 위한 학습 데이터를 설명하기 위한 도면이다.
도 3을 참조하면, 학습부(300)는 S210 단계에서 보간망(IN)을 초기화한다. 이때, 학습부(300)는 보간망(IN)의 파라미터, 즉, 가중치(w)를 초기화한다. 초기화를 위해 Xavier 초기화기(initializer)를 사용할 수 있다.
다음으로, 학습부(300)는 S220 단계에서 앞서 저장부(200)에 저장된 데이터 세트의 복수의 전측 신호를 로부터 학습 데이터 세트를 생성한다. 이때, 학습 데이터 세트는 복수의 학습 데이터를 포함하는 미니 배치가 될 수 있다. S220 단계의 학습 데이터 세트를 생성하는 방법에 대해 구체적으로 설명하면 다음과 같다. 도 4에 도시된 바와 같이, 학습부(300)는 저장부(300)에 저장된 복수의 전측 신호 각각에 대해 전측 신호(A)의 일부를 소거하여 결측 부분(d)을 가지는 결측 신호(B)를 생성한다. 여기서, 소거되는 결측 부분(d)은 랜덤으로 정해지거나, 결측이 자주 발생하는 부분을 미리 설정하여 정해질 수 있다. 그리고 결측 신호(B)를 생성한 후, 학습부(300)는 결측 신호(B)를 보간망(IN)에 대한 입력값으로 하고, 결측 신호(B)의 원본인 전측 신호(A)를 해당 결측 신호(B)에 대한 목표값으로 레이블링함으로써 학습 데이터를 생성한다.
다음으로, 학습부(300)는 S230 단계에서 학습 데이터 세트의 결측 신호(B)를 보간망(IN)에 입력하고, 보간망(IN)이 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 도 4에 도시된 바와 같이, 결측 부분(d)이 보간된 보간 신호(C)를 생성하면, 보간 신호(C)와 결측 신호(B)의 레이블인 전측 신호(A) 간의 차이를 나타내는 보간 손실을 산출한다. 이어서, 학습부(300)는 S240 단계에서 보간 손실이 최소화되도록 역전파(Backpropagation) 알고리즘을 통해 보간망(IN)의 가중치(w)를 갱신하는 최적화를 수행한다.
전술한 S220 단계 내지 S240 단계는 서로 다른 복수의 학습 데이터 세트를 이용하여 산출되는 보간 손실이 기 설정된 목표치로 수렴될 때까지 반복되어 수행될 수 있다. 즉, 학습부(300)는 S250 단계에서 보간 손실이 목표치로 수렴하는지 여부를 판단한다. 상기 판단 결과, 보간 손실이 목표치로 수렴하지 않으면, 전술한 S220 단계 내지 S240 단계를 반복하고, 보간 손실이 목표치로 수렴하면, S260 단계에서 학습을 종료한다.
전술한 바와 같이, 보간망(IN)에 대한 학습이 완료되면, 보간망(IN)은 보간부(400)에 제공되며, 보간부(400)는 보간망(IN)을 이용하여 결측 신호의 결측 부분을 보간 할 수 있다. 이러한 방법에 대해 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 방법을 설명하기 위한 흐름도이다. 도 6은 본 발명의 실시예에 따른 센서의 문맥 인식 기반 결측값을 보간하기 위한 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 보간부(400)는 S310 단계에서 데이터처리부(100)는 S310 단계에서 기 설정된 정보 길이를 가지는 단위 신호가 입력되면, S320 단계에서 입력된 단위 신호가 결측 신호인지 여부를 판별한다.
S320 단계의 판별 결과, 결측 신호가 아닌 전측 신호이면, 데이터처리부(100)는 S360 단계에서 전측 신호를 저장부(200)에 저장하고, 필요한 경우 출력한다. 반면, S320 단계의 판별 결과, 결측 신호이면, 데이터처리부(100)는 S330 단계에서 결측 신호를 보간부(400)에 전달한다.
그러면, 보간부(400)는 S340 단계에서 도 6에 도시된 바와 같이, 보간망(IN)을 이용하여 결측 신호(X)의 결측 부분(Z)을 보간하여 보간 신호(Y)를 생성한다. 이때, 보간부(400)는 보간망(IN)에 결측 신호(X)를 입력하면, 보간망(IN)은 복수의 계층 간 학습된 가중치가 적용되는 연산을 수행함으로써, 결측 부분(Z)의 앞 뒤 문맥에 기반하여 결측 부분(Z)을 보간하여 보간 신호(Y)를 생성한다.
그런 다음, 보간부(400)는 S350 단계에서 저장부(200)에 보간 신호(Y)를 저장하고, 필요한 경우 출력한다.
이상에서 설명한 바와 같이, 본 발명은 센서 결측으로 인한 정보 및 부가 운용 손실을 최소화하기 위한 인공신경망 기반으로 결측값을 보간하는 방법과 해당 방법을 포함하는 장치를 다룬다. 보간 방법은 인공신경망이 학습에 의해 결측 부분의 주변 정보를 확인, 맥락을 파악하여 비어있는 중간 정보들을 채워 넣는 형태이다. 예컨대, 신호의 t1, t2 시간 사이의 결측을 t1 이전 정보, t2 이후 정보를 바탕으로 그 사이에 어떤 신호가 발생할지 맥락을 파악하여 보간하는 방식이다. 또한 t3 시점 이후 결측이 발생했다면 t3 이전 시점의 정보들을 바탕으로 맥락을 파악, t3 시점 이후 일부 정보를 생성해낼 수 있다.
이상 설명한 보간 장치(10) 내 각 구성은 프로세서에 의해 실행되는 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있다.
이처럼, 프로세서에 의해 실행되는 소프트웨어 모듈, 하드웨어 모듈, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태는 실제 하드웨어 시스템(예: 컴퓨터 시스템)으로 구현될 수 있을 것이다.
따라서, 이하에서는 도 7을 참조하여 본 발명의 일 실시예에 따른 이미지 센서 운용장치(200)를 하드웨어 형태로 구현한 하드웨어 시스템(2000)에 대해서 설명하기로 한다.
참고로, 이하에서 서술될 내용은 앞서 설명한 광고서비스장치(20) 내 각 구성을 하드웨어 시스템(2000)으로 구현한 일 예인 것으로, 각 구성과 그에 따른 동작이 실제 시스템과 상이할 수 있음을 염두에 두어야 할 것이다.
도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따른 하드웨어 시스템(2000)은, 프로세서부(2100), 메모리 인터페이스부(2200), 및 주변장치 인터페이스부(2300)를 포함하는 구성을 가질 수 있다.
이러한, 하드웨어 시스템(2000) 내 각 구성은, 개별 부품이거나 하나 이상의 집적 회로에 집적될 수 있으며, 이러한 각 구성들은 버스 시스템(도시안됨)에 의해서 결합될 수 있다.
여기서, 버스 시스템의 경우, 적절한 브리지들, 어댑터들, 및/또는 제어기들에 의해 연결된 임의의 하나 이상의 개별적인 물리 버스들, 통신 라인들/인터페이스들, 및/또는 멀티 드롭(multi-drop) 또는 포인트 투 포인트(point-to-point) 연결들을 나타내는 추상화(abstraction)이다.
프로세서부(2100)는 하드웨어 시스템에서 다양한 기능들을 수행하기 위해 메모리 인터페이스부(2200)를 통해 메모리부(2210)와 통신함으로써, 메모리부(2210)에 저장된 다양한 소프트웨어 모듈들을 실행하는 역할을 수행하게 된다.
여기서, 메모리부(2210)에는 보간 장치(10) 내 각 구성인 데이터처리부(100), 저장부(200), 학습부(300) 및 보간부(400)가 소프트웨어 모듈 형태로 저장될 수 있으며, 그 외 운영 체계(OS)가 추가로 저장될 수 있다.
운영 체계(예: I-OS, Android, Darwin, RTXC, LINUX, UNIX, OS X, WINDOWS, 또는 VxWorks와 같은 임베디드 운영 체계)의 경우, 일반적인 시스템 작업들(예를 들어, 메모리 관리, 저장 장치 제어, 전력 관리 등)을 제어 및 관리하는 다양한 절차, 명령어 세트, 소프트웨어 컴포넌트 및/또는 드라이버를 포함하고 있으며 다양한 하드웨어 모듈과 소프트웨어 모듈 간의 통신을 용이하게 하는 역할을 수행하게 된다.
참고로, 메모리부(2210)는 캐쉬, 메인 메모리 및 보조 기억장치(secondary memory)를 포함하지만 이에 제한되지 않는 메모리 계층구조가 포함할 수 있는데, 이러한 메모리 계층구조의 경우 예컨대 RAM(예: SRAM, DRAM, DDRAM), ROM, FLASH, 자기 및/또는 광 저장 장치[예: 디스크 드라이브, 자기 테이프, CD(compact disk) 및 DVD(digital video disc) 등]의 임의의 조합을 통해서 구현될 수 있다.
주변장치 인터페이스부(2300)는 프로세서부(2100)와 주변장치 간에 통신을 가능하게 하는 역할을 수행한다.
여기서 주변장치의 경우, 하드웨어 시스템(2000)에 상이한 기능을 제공하기 위한 것으로서, 본 발명의 일 실시예에서는, 예컨대, 통신부(2310)가 포함될 수 있다.
여기서, 통신부(2310)는 다른 장치와의 통신 기능을 제공하는 역할을 수행하는 수행하게 되며, 이를 위해 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로를 포함할 수 있다.
이러한, 통신부(2310)가 지원하는 통신 프로토콜로는, 예컨대, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 5G 통신시스템, 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS), 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra-Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신망으로는 유선 LAN(Local Area Network), 유선 WAN(Wide Area Network), 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있으며, 이제 제한되는 것이 아닌, 다른 장치와의 통신 환경을 제공할 수 있는 프로토콜은 모두 포함될 수 있다.
결국, 본 발명의 일 실시예에 따른 하드웨어 시스템(2000)에서 메모리부(2210)에 소프트웨어 모듈 형태로 저장되어 있는 이미지 센서 운용장치(200) 내 각 구성은, 프로세서부(2100)에 의해 실행되는 명령어의 형태로 메모리 인터페이스부(2200)와 주변장치 인터페이스부(2300)를 매개로 통신부(2310)와의 인터페이스를 수행함으로써, 기 학습된 정합 모델 기반의 영상 간 정합성 판별 결과를 토대로 이미지 센서(100)의 설치 구도 조정을 효율적으로 지원할 수 있는 것이다.
또한, 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안 되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.
본 명세서에서 설명한 주제의 특정한 실시형태를 설명하였다. 기타의 실시형태들은 이하의 청구항의 범위 내에 속한다. 예컨대, 청구항에서 인용된 동작들은 상이한 순서로 수행되면서도 여전히 바람직한 결과를 성취할 수 있다. 일 예로서, 첨부도면에 도시한 프로세스는 바람직한 결과를 얻기 위하여 반드시 그 특정한 도시된 순서나 순차적인 순서를 요구하지 않는다. 특정한 구현예에서, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
본 발명은 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법에 관한 것이다. 결측값을 보간하지 않는 경우, 센서 결측 시점에 대한 정보의 누락이 발생하고, 센서에 의존하여 작동하는 부가 장비의 작동 여부, 동작 선택 등 제한 발생할 수 있다. 하지만, 본 발명에 따르면, 센서를 통한 정보 수집, 수집된 정보를 활용함에 있어 정보의 누락을 최소화 할 수 있다. 또한, 저가형 센서를 활용 한다는 가정 하에 동일 예산 내 설치 가능한 센서의 수 증가, 센서 설치의 공간해상도를 높일 수 있다. 안정성이 높은 고가형 센서를 사용하는 경우 결측 발생 확률이 낮지만, 저가형의 경우, 결측 발생 확률이 높다. 하지만, 본 발명의 보간 방법을 사용함으로써, 센서의 안정성이 낮은 센서를 사용하는 경우에도, 저가형 센서의 결측을 보완할 수 있다. 따라서 본 발명은 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있다.
10: 보간장치
100: 데이터처리부
200: 저장부
300: 학습부
400: 보간부

Claims (8)

  1. 데이터처리부가 센서 신호를 구성하는 복수의 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별한 데이터 세트를 수집하는 단계;
    학습부가 상기 데이터 세트를 이용하여 센서 신호의 적어도 일부가 결측된 결측 부분을 가지는 결측 신호에서 결측 부분을 보간하는 보간망을 학습시키는 단계;
    보간부가 센서 신호의 적어도 일부가 결측된 결측 신호를 입력 받는 단계; 및
    상기 보간부가 상기 보간망을 이용하여 상기 결측 부분을 보간하여 보간 신호를 생성하는 단계;
    를 포함하는 것을 특징으로 하는
    결측값을 보간하기 위한 방법.
  2. 제1항에 있어서,
    상기 데이터 세트를 수집하는 단계는
    상기 데이터처리부가 각각이 기 설정된 길이 이상의 정보를 가지는 복수의 단위 신호로 이루어진 센서 신호를 수집하는 단계;
    상기 데이터처리부가 상기 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별하는 단계; 및
    상기 데이터처리부가 상기 선별된 전측 신호의 수가 기 설정된 수 이상이 될 때까지 상기 전측 신호를 상기 데이터 세트에 누적하는 단계;
    를 포함하는 것을 특징으로 하는
    결측값을 보간하기 위한 방법.
  3. 제2항에 있어서,
    상기 보간망을 학습시키는 단계는
    상기 데이터 세트에 누적하는 단계 후,
    학습부가 상기 데이터 세트의 전측 신호로부터 결측 신호를 생성하는 단계;
    상기 학습부가 생성된 결측 신호를 보간망에 입력하면, 상기 보간망이 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 결측 부분이 보간된 보간 신호를 생성하는 단계;
    상기 학습부가 상기 보간 신호와 결측 신호의 레이블인 전측 신호 간의 차이를 나타내는 보간 손실을 산출하는 단계; 및
    상기 학습부가 보간 손실이 최소화되도록 보간망의 가중치를 갱신하는 최적화를 수행하는 단계;
    를 포함하는 것을 특징으로 하는
    결측값을 보간하기 위한 방법.
  4. 제3항에 있어서,
    상기 결측 신호를 생성하는 단계는
    상기 학습부가 전측 신호의 일부를 소거하여 결측 부분을 가지는 결측 신호를 생성하는 단계; 및
    상기 학습부가 생성된 결측 신호를 보간망에 대한 입력값으로 설정 하고, 생성된 결측 신호의 원본인 전측 신호를 생성된 결측 신호에 대한 목표값으로 레이블링하는 단계;
    를 포함하는 것을 특징으로 하는
    결측값을 보간하기 위한 방법.
  5. 센서 신호를 구성하는 복수의 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별한 데이터 세트를 수집하는 데이터처리부;
    상기 데이터 세트를 이용하여 센서 신호의 적어도 일부가 결측된 결측 부분을 가지는 결측 신호에서 결측 부분을 보간하는 보간망을 학습시키는 학습부; 및
    센서 신호의 적어도 일부가 결측된 결측 신호가 입력되면, 상기 보간망을 이용하여 상기 결측 부분을 보간하여 보간 신호를 생성하는 보간부;
    를 포함하는 것을 특징으로 하는
    결측값을 보간하기 위한 장치.
  6. 제5항에 있어서,
    상기 데이터처리부는
    각각이 기 설정된 길이 이상의 정보를 가지는 복수의 단위 신호로 이루어진 센서 신호를 수집하고,
    상기 단위 신호 중 결측 부분 없이 온전한 전측 신호를 선별하고,
    선별된 전측 신호의 수가 기 설정된 수 이상이 될 때까지 상기 전측 신호를 상기 데이터 세트에 누적하는 것을 특징으로 하는
    결측값을 보간하기 위한 장치.
  7. 제6항에 있어서,
    상기 학습부는
    상기 데이터 세트의 전측 신호로부터 결측 신호를 생성하고,
    생성된 결측 신호를 보간망에 입력하면, 상기 보간망이 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 결측 부분이 보간된 보간 신호를 생성하고,
    상기 보간 신호와 결측 신호의 레이블인 전측 신호 간의 차이를 나타내는 보간 손실을 산출하고,
    보간 손실이 최소화되도록 보간망의 가중치를 갱신하는 최적화를 수행하는 것을 특징으로 하는
    결측값을 보간하기 위한 장치.
  8. 제7항에 있어서,
    상기 학습부는
    전측 신호의 일부를 소거하여 결측 부분을 가지는 결측 신호를 생성하고,
    생성된 결측 신호를 보간망에 대한 입력값으로 설정 하고, 생성된 결측 신호의 원본인 전측 신호를 생성된 결측 신호에 대한 목표값으로 레이블링하는 것을 특징으로 하는
    결측값을 보간하기 위한 장치.
KR1020210161701A 2021-11-22 2021-11-22 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법 KR20230075260A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210161701A KR20230075260A (ko) 2021-11-22 2021-11-22 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법
PCT/KR2022/018409 WO2023090967A1 (ko) 2021-11-22 2022-11-21 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법
US18/646,808 US20240296328A1 (en) 2021-11-22 2024-04-26 Context Recognition-based Apparatus for Interpolating Missing Value of Sensor, and Method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210161701A KR20230075260A (ko) 2021-11-22 2021-11-22 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR20230075260A true KR20230075260A (ko) 2023-05-31

Family

ID=86397477

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210161701A KR20230075260A (ko) 2021-11-22 2021-11-22 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법

Country Status (3)

Country Link
US (1) US20240296328A1 (ko)
KR (1) KR20230075260A (ko)
WO (1) WO2023090967A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210065751A (ko) 2019-11-27 2021-06-04 강릉원주대학교산학협력단 결측값 대체 시스템 및 결측값 대체 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3094191B2 (ja) * 1993-03-30 2000-10-03 株式会社日立製作所 プラントの自己学習診断、予測方法及び装置
KR102482043B1 (ko) * 2018-10-29 2022-12-26 에스케이텔레콤 주식회사 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치
KR102347535B1 (ko) * 2019-07-29 2022-01-04 서울대학교산학협력단 스마트 팜 환경 데이터의 보간 장치 및 그 방법
TWI715230B (zh) * 2019-10-01 2021-01-01 財團法人資訊工業策進會 缺值補償方法、缺值補償系統及非暫態電腦可讀取媒體
KR102356346B1 (ko) * 2019-11-21 2022-01-26 순천향대학교 산학협력단 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210065751A (ko) 2019-11-27 2021-06-04 강릉원주대학교산학협력단 결측값 대체 시스템 및 결측값 대체 방법

Also Published As

Publication number Publication date
WO2023090967A1 (ko) 2023-05-25
US20240296328A1 (en) 2024-09-05

Similar Documents

Publication Publication Date Title
US11449733B2 (en) Neural network learning method and device for recognizing class
US11656903B2 (en) Methods and apparatus to optimize workflows
US11892925B2 (en) Electronic device for reconstructing an artificial intelligence model and a control method thereof
US20200327409A1 (en) Method and device for hierarchical learning of neural network, based on weakly supervised learning
KR102694572B1 (ko) 완전 연결 네트워크의 데이터 입력 및 출력을 제어하는 방법 및 장치
US11869235B1 (en) Systems and methods of radar neural image analysis using nested autoencoding
US20200159685A1 (en) Coordinated component interface control framework
JP2021022380A (ja) データに対するラベル付けの優先順位を決める方法
US20200159570A1 (en) Executable Component Interface and Controller
US11556848B2 (en) Resolving conflicts between experts' intuition and data-driven artificial intelligence models
JP2023035976A (ja) 画像分類器のオンザフライ較正
KR20230075260A (ko) 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법
US20240153059A1 (en) Method and system for anomaly detection using multimodal knowledge graph
US20200234147A1 (en) Neural network device, neural network system, and method of processing neural network model by using neural network system
US20230215143A1 (en) Detection method, device, apparatus, and storage medium
KR20230045501A (ko) 차종 별 주행 소음 기반의 노면의 상태를 분석하기 위한 장치 및 이를 위한 방법
US20210168195A1 (en) Server and method for controlling server
KR20230115143A (ko) 로그 스케일링 손실함수를 이용한 학습모델을 생성하기 위한 장치 및 이를 위한 방법
JP7420236B2 (ja) 学習装置、学習方法および学習プログラム
KR20230031117A (ko) 계산 비용을 최소화하기 위한 인공신경망 기반의 이상 탐지를 위한 장치 및 이를 위한 방법
KR20230052529A (ko) 오토인코더 특성 추출을 통한 복합체 특성과 복합체 생산 조건을 상호 추론하기 위한 방법 및 이를 위한 장치
EP3884380A2 (en) Coordinated component interface control framework
KR20230075261A (ko) 어텐션 메커니즘을 이용한 이상 탐지를 위한 장치 및 이를 위한 방법
CN117952495B (zh) 基于数字化的智能物流数据处理方法及系统
US20230177331A1 (en) Methods of training deep learning model and predicting class and electronic device for performing the methods