| 1 |
1
SVDD(support vector domain description)를 이용한 다범주(multi-class) 분류 방법에 있어서,(a) 일정 개수(c)의 범주(class)로 이루어진 일정 개수(N)의 데이터(xi, i=1,
|
| 2 |
2
제1항에 있어서,상기 다범주 분류 방법이, 상기 단계 (d)에서 구한 결과 모델을 저장하여 차후에 입력되는 데이터에 대해 사후확률을 제공하고 특정 범주로 분류하는 단계 (e)를 더 포함하는 것을 특징으로 하는 다범주 분류 방법
|
| 3 |
3
제1항 또는 제2항에 있어서,상기 c개의 데이터 집합이, 디스조인트 서브세트(disjoint subset)인 것을 특징으로 하는 다범주 분류 방법
|
| 4 |
4
제1항 또는 제2항에 있어서,상기 단계 (b)가, 상기 c개의 데이터 집합에 각각 SVDD를 적용하여 상기 데이터 집합의 데이터들을 피쳐(feature) 공간으로 사상시키고, 그리고 상기 피쳐 공간에 사상된 점들을 포함하는 구들 중 가장 작은 반지름을 가지는 구를 찾아내는 단계를 포함하는 것을 특징으로 하는 다범주 분류 방법
|
| 5 |
5
제1항 또는 제2항에 있어서,상기 단계 (d)가, 상기 베이지안 최적 결정 이론을 적용하여 상기 c개의 범주 각각에 대한 유사-사후확률 분포 함수(pseudo-posterior probability density function)를 추정하는 단계를 포함하는 것을 특징으로 하는 다범주 분류 방법
|
| 6 |
6
제5항에 있어서,상기 단계 (d)가, 상기 베이지안 최적 결정 이론을 적용하여 추정된 c개의 유사-사후확률 중 가장 큰 유사-사후확률을 가지는 범주로 데이터를 분류하는 단계를 포함하는 것을 특징으로 하는 다범주 분류 방법
|
| 7 |
7
제6항에 있어서,상기 c개의 범주 각각에 대한 유사-사후확률 분포 함수를 추정하기 위해 모든 범주에 대한 사전확률(prior probability)을 동일한 값으로 추정하는 것을 특징으로 하는 다범주 분류 방법
|
| 8 |
8
제6항에 있어서,상기 c개의 범주 중 k번째 범주의 데이터 개수가 Nk일 때, 상기 k번째 범주에 대한 유사-사후확률 분포 함수를 추정하기 위해 상기 k번째 범주에 대한 사전확률을 Nk/N으로 추정하는 것을 특징으로 하는 다범주 분류 방법
|
| 9 |
9
SVDD(support vector domain description)를 이용한 다범주 분류 장치에 있어서,일정 개수(c)의 범주(class)로 이루어진 일정 개수(N)의 데이터(xi, i=1,
|
| 10 |
10
제9항에 있어서,상기 다범주 분류 장치가, 상기 데이터 분류 모듈을 통해 구한 결과 모델을 저장하여 차후에 입력되는 데이터에 대해 사후확률을 제공하고 특정 범주로 분류하는 예측 모듈을 더 포함하는 것을 특징으로 하는 다범주 분류 장치
|
| 11 |
11
제9항 또는 제10항에 있어서,상기 c개의 데이터 집합이 디스조인트 서브세트(disjoint subset)인 것을 특징으로 하는 다범주 분류 장치
|
| 12 |
12
제9항 또는 제10항에 있어서,상기 가우시안 커널 서포트 함수 추출 모듈이, 상기 c개의 데이터 집합에 각각 SVDD를 적용하여 상기 데이터 집합의 데이터들을 피쳐(feature) 공간으로 사상시키고, 그리고 상기 피쳐 공간에 사상된 점들을 포함하는 구들 중 가장 작은 반지름을 가지는 구를 찾아내는 것을 특징으로 하는 다범주 분류 장치
|
| 13 |
13
제9항 또는 제10항에 있어서,상기 가우시안 커널 서포트 함수 추출 모듈이, SVDD 모델을 최적화하여 상기 c개의 데이터 집합 각각에 대한 가우시안 커널 서포트 함수를 구하기 위해 QP 솔버(quadratic programming solver)를 사용하는 것을 특징으로 하는 다범주 분류 장치
|
| 14 |
14
제9항 또는 제10항에 있어서,상기 데이터 분류 모듈이, 상기 베이지안 최적 결정 이론을 적용하여 상기 c개의 범주 각각에 대한 유사-사후확률 분포 함수(pseudo-posterior probability density function)를 추정하는 것을 특징으로 하는 다범주 분류 장치
|
| 15 |
15
제14항에 있어서,상기 데이터 분류 모듈이, 상기 베이지안 최적 결정 이론을 적용하여 추정된 c개의 유사-사후확률 중 가장 큰 유사-사후확률을 가지는 범주로 데이터를 분류하는 것을 특징으로 하는 다범주 분류 장치
|
| 16 |
16
제15항에 있어서,상기 데이터 분류 모듈이, 상기 c개의 범주 각각에 대한 유사-사후확률 분포 함수를 추정하기 위해 모든 범주에 대한 사전확률(prior probability)을 동일한 값으로 추정하는 것을 특징으로 하는 다범주 분류 장치
|
| 17 |
17
제15항에 있어서,상기 c개의 범주 중 k번째 범주의 데이터 개수가 Nk일 때, 상기 데이터 분류 모듈이 상기 k번째 범주에 대한 유사-사후확률 분포 함수를 추정하기 위해 상기 k번째 범주에 대한 사전확률을 Nk/N으로 추정하는 것을 특징으로 하는 다범주 분류 장치
|
| 18 |
18
SVDD(support vector domain description)를 이용한 다범주 분류 프로그램이 저장된 컴퓨터 판독가능 저장매체에 있어서,(a) 상기 다범주 분류 프로그램이, 일정 개수(c)의 범주(class)로 이루어진 일정 개수(N)의 데이터(xi, i=1,
|
| 19 |
19
제18항에 있어서,상기 다범주 분류 프로그램이, 상기 코드 (d)에서 구한 결과 모델을 저장하여 차후에 입력되는 데이터에 대해 사후확률을 제공하고 특정 범주로 분류하기 위한 코드 (e)를 더 포함하는 것을 특징으로 하는 컴퓨터 판독가능 저장매체
|
