1 |
1
임의의 데이터 시컨스 t가 입력되면 데이터 시컨스 t와 특징 강조형 패턴 학습부의 패턴 학습부에서 학습된 패턴들의 데이터 시컨스들에 대하여 DTW 알고리즘을 적용하여 패턴 인식을 하는 1차 DTW 패턴 인식부;1차 DTW 패턴 인식부에서 인식된 패턴에 대해 유사 패턴 집합 구성부에서 정의한 유사 패턴 집합이 존재하는지를 판단하는 유사 패턴 판단부;인식된 패턴에 대해 유사 패턴 집합이 존재하는 것으로 판단되면, 인식된 패턴과 유사 패턴 집합에 속한 패턴들의 대표 데이터 시컨스들에 대해 패턴 재구성부에서 차별성을 높이도록 특징이 두드러진 세부구간들로 재구성한 데이터 시컨스들과 이와 동일한 방법으로 재구성한 t의 데이터 시컨스에 대해 2차 DTW 패턴인식을 하는 2차 DTW 패턴 인식부;2차 DTW 패턴 인식부의 패턴 인식의 결과를 기반으로 최종적으로 패턴을 결정하는 패턴 결정부;를 포함하고,상기 특징 강조형 패턴 학습부는 학습샘플들에 대한 학습을 통해 1차 DTW 패턴 인식에 필요한 패턴들의 대표 데이터 시컨스들을 생성하는 패턴 학습부와, 학습 샘플들로부터 각 패턴에 대해 유사한 패턴들인 유사 패턴 집합을 구성하는 유사 패턴 집합 구성부와, 2차 DTW 패턴 인식을 위해 차별성을 높이도록 특징이 두드러진 세부구간들로 재구성된 유사 패턴 집합의 대표 데이터 시컨스들을 생성하는 패턴 재구성부를 포함하고,특징 강조형 DTW 기반의 패턴인식을 위한 모델이 사용자들의 집합 U, 패턴들의 집합 G, 모든 대표 데이터 시컨스들의 집합 T를 포함하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
2 |
2
삭제
|
3 |
3
제 1 항에 있어서, 특징 강조형 패턴 학습부의 패턴 학습부에서는,패턴 gi를 사용자의 특성에 따라 구별하기 위하여 사용자 uj에 의한 패턴 gi를 gi(j)로, 그리고 이의 식별에 사용되는 대표 데이터 시컨스는 ti(j)로 표현하고, 사용자 uj에 의한 패턴들의 집합은 G(j)로, 그리고 이들에 대한 대표 데이터 시컨스들의 집합은 T(j)로 나타내고,패턴 gi(j)의 식별을 위해서는 대표 데이터 시컨스 ti(j)가 사용되며 이들은 학습을 통해 생성하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
4 |
4
제 3 항에 있어서, 특징 강조형 DTW 기반의 패턴인식을 위한 모델은 사용자들의 집합 U, 패턴들의 집합 G, 모든 대표 데이터 시컨스들의 집합 T를 포함하며,m과 n은 각각 사용자의 수와 패턴의 수를 나타낼 때, U, G, T는 각각으로 정의되고, 여기서이고,사용자들의 집합 U의 u1, ui, um은 각각 첫 번째 사용자, i번째 사용자, 그리고 m번째 사용자이고, G(i)는 ui에 의한 모든 패턴들의 집합, T(i)는 ui의 패턴들에 대한 모든 대표 데이터 시컨스들의 집합이고, g1(j), g2(j), gn(j)는 각각 G(j)에 속하며 g1(j)는 uj에 의한 패턴 g1를, g2(j)는 uj에 의한 패턴 g2를, gn(j)는 uj에 의한 패턴 gn을 나타내고, t1(j)는 패턴 g1(j)의 식별을 위한 대표 데이터 시컨스, t2(j)는 패턴 g2(j)의 식별을 위한 대표 데이터 시컨스, tn(j)는 패턴 gn(j)의 식별을 위한 대표 데이터 시컨스인 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
5 |
5
제 4 항에 있어서, U에 속한 m명의 사용자들은 각각 차별적인 패턴 특징들을 보유하는 사용자들을 대표하며, G(j)는 사용자 uj에 의한 n개의 패턴들의 집합, T(j)는 G(j)의 각각의 패턴에 대한 대표 데이터 시컨스들의 집합을 나타내고,T는 모든 T(j)들의 합집합으로 m명의 사용자들 각각의 n개의 패턴들에 대한 대표 데이터 시컨스들의 집합인 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
6 |
6
제 4 항에 있어서, 상기 특징 강조형 패턴 학습부의 패턴 학습부의 학습 결과를 유사 패턴 집합 구성부에서 분석 후 각 패턴에 대해 이와 유사한 패턴들의 집합인 유사 패턴 집합 sGi(j)을 구성하고,유사 패턴 집합 sGi(j)의 구성시에 임의의 샘플 데이터 시컨스 t의 패턴을 gi(j)로 인식했으나 실제로는 gk(l)인 경우, 즉 gi(j)는 임의의 샘플 데이터 시컨스 t의 잘못 인식된 패턴이고, gk(l)은 임의의 샘플 데이터 시컨스 t의 실제 패턴일 때, gk(l)이 gi(j)의 유사 패턴 집합 sGi(j)에 속하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
7 |
7
제 6 항에 있어서, 특징 강조형 패턴 학습부의 패턴 재구성부에서는 유사 패턴 집합이 존재하는 모든 패턴들에 적용할 대표 데이터 시컨스들을 재구성하는데, gi(j)와 이의 유사 패턴 집합 sGi(j)에 대해 적용할 대표 데이터 시컨스들의 집합을 sTi(j)로 표시하며,으로 정의하고,여기서, buildSeq(t, part_bitsi(j))는 데이터 시컨스 t를 part_bitsi(j)에서 1로 설정된 부분만을 추출해서 반환하고,sTi(j)는 gi(j)의 대표 데이터 시컨스와 gi(j)의 유사 패턴 집합에 관한 모든 대표 데이터 시컨스들에 대해 part_bitsi(j)을 적용한 결과를 의미하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
8 |
8
제 6 항에 있어서, 유사 패턴 집합 sGi(j)에 대해 2차 DTW 패턴인식에 필요한 정보는 서브모델 sMi(j)로 표현하며 sMi(j)은 튜플 개념을 통해 003c#uj, gi(j), sGi(j), sTi(j), part_bitsi(j)003e#로 정의하는데, 서브모델 sMi(j)은 사용자 유형 uj와 uj의 패턴 gi(j), 그리고 gi(j)의 유사패턴 집합 sGi(j), 2차 DTW에 사용될 gi(j)의 대표 데이터 시컨스들의 집합 sTi(j)과, sTi(j)의 생성에 적용되는 part_bits인 part_bitsi(j)을 포함하고,SM(j)은 사용자 uj에 대한 서브 모델들의 집합을, SM은 모든 사용자들을 위한 서브모델들의 합집합을 나타내고,모델 M은 003c#G, T, U, SM, d003e#의 튜플로 정의되고 d는 part_bits의 비트 수로 재구성된 대표 데이터 시컨스들의 길이를 의미하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
9 |
9
제 8 항에 있어서, 함수 DTW(t1, t2)가 두 데이터 시컨스 t1, t2에 대해 DTW 알고리즘을 적용하여 두 데이터 시컨스 사이의 거리비용을 반환하는 함수라고 가정할 때, 임의의 데이터 시컨스 t가 입력되면 1차 DTW 패턴 인식부에서는 으로 정의되는 T에 대해 1차 DTW 패턴인식을 수행하고 이때 반환되는 대표 데이터 시컨스 ti(j)의 패턴 즉 gi(j)을 t 의 패턴으로 인식하는데, 이때 gi(j)의 서브 모델 sMi(j)의 유사 패턴 집합 sGi(j)가 공집합이면 gi를 패턴으로 정하고 아니면 sMi(j)에 대해 2차 DTW 패턴인식으로 진행하고,2차 DTW 패턴 인식부에서는 sMi(j)의 part_bitsi(j)를 t에 적용한 결과의 데이터 시컨스와 패턴 재구성부에서 재구성한 대표 데이터 시컨스들의 집합 sTi(j)에 대해 으로 정의되는 2차 DTW 패턴인식을 수행하고 이때 반환되는 대표 데이터 시컨스의 패턴을 t의 패턴으로 정하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 장치
|
10 |
10
임의의 데이터 시컨스 t가 입력되면 데이터 시컨스 t와 특징 강조형 패턴 학습부의 패턴 학습부에서 학습된 패턴들의 대표 시컨스들에 대하여 DTW 알고리즘을 적용하여 패턴 인식을 하는 1차 DTW 패턴 인식 단계;1차 DTW 패턴 인식 단계에서 인식된 패턴에 대해, 유사 패턴 집합 구성부에서 생성한 유사 패턴 집합들 중 인식된 패턴의 유사 패턴 집합이 존재하는지를 판단하는 유사 패턴 판단 단계;유사 패턴 집합이 존재하면, 패턴 재구성부에서 차별성을 높이도록 특징이 두드러진 세부구간들로 재구성된 유사 패턴 집합의 대표 데이터 시컨스들과 이와 동일하게 재구성된 t의 데이터 시컨스에 대하여 2차 DTW 패턴인식을 하여 패턴을 결정하는 2차 DTW 패턴 인식 단계;를 포함하고,상기 특징 강조형 패턴 학습부에서 1차 DTW 패턴 인식을 위한 패턴 학습을 하는 단계와, 위의 패턴 학습 단계에서 잘못 인식한 패턴들을 기반으로 유사 패턴 집합을 구성하는 유사 패턴 집합 구성 단계와, 2차 DTW패턴 인식을 위해 유사 패턴 집합들의 대표 데이터 시컨스들을 유사 패턴 집합 내에서 차별성을 높이도록 특징이 두드러진 세부구간들로 재구성하는 패턴 재구성 단계를 수행하고,특징 강조형 DTW 기반의 패턴인식을 위한 모델이 사용자들의 집합 U, 패턴들의 집합 G, 모든 대표 데이터 시컨스들의 집합 T를 포함하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
11 |
11
삭제
|
12 |
12
제 10 항에 있어서, 상기 특징 강조형 패턴 학습부에서 사용되는 특징 강조형 DTW 기반의 패턴인식을 위한 모델에서,사용자 uj에 의한 패턴 gi를 gi(j)로 표현하며 T(j)는 uj에 대한 패턴들의 대표 데이터 시컨스 집합을 나타내고,패턴 gi(j)의 식별을 위해서는 대표 데이터 시컨스 ti(j)가 사용되며 이들은 학습을 통해 생성하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
13 |
13
제 12 항에 있어서, 특징 강조형 DTW 기반의 패턴인식을 위한 모델에서,사용자들의 집합 U, 패턴들의 집합 G, 모든 대표 데이터 시컨스들의 집합 T를 포함하며, m과 n은 각각 사용자의 수와 패턴의 수를 나타낼 때, U, G, T는 각각으로 정의되고, 여기서이고,사용자들의 집합 U의 u1, ui, um은 각각 첫 번째 사용자, i번째 사용자, 그리고 m번째 사용자이고, G(i)는 ui에 의한 모든 패턴들의 집합, T(i)는 ui의 패턴들에 대한 모든 대표 데이터 시컨스들의 집합이고, g1(j), g2(j), gn(j)는 각각 G(j)에 속하며 g1(j)는 uj에 의한 패턴 g1를, g2(j)는 uj에 의한 패턴 g2를, gn(j)는 uj에 의한 패턴 gn을 나타내고, t1(j)는 패턴 g1(j)의 식별을 위한 대표 데이터 시컨스, t2(j)는 패턴 g2(j)의 식별을 위한 대표 데이터 시컨스, tn(j)는 패턴 gn(j)의 식별을 위한 대표 데이터 시컨스인 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
14 |
14
제 13 항에 있어서, U에 속한 m명의 사용자들은 각각 차별적인 패턴 특징들을 보유하는 사용자들을 대표하며, G(j)는 사용자 uj에 의한 n개의 패턴들의 집합, T(j)는 G(j)의 각각의 패턴에 대한 대표 데이터 시컨스들의 집합을 나타내고,T는 모든 T(j)들의 합집합으로 m명의 사용자들 각각의 n개의 패턴들에 대한 대표 데이터 시컨스들의 집합인 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
15 |
15
제 13 항에 있어서, 특징 강조형 패턴 학습부의 패턴 학습부의 학습 결과를 유사 패턴 집합 구성부에서 분석 후 각 패턴에 대해 이와 유사한 패턴들의 집합인 유사 패턴 집합 sGi(j)을 구성하고,유사 패턴 집합 sGi(j)의 구성시에 임의의 샘플 데이터 시컨스 t의 패턴을 gi(j)로 인식했으나 실제로는 gk(l)인 경우, 즉 gi(j)는 임의의 샘플 데이터 시컨스 t의 잘못 인식된 패턴이고, gk(l)은 임의의 샘플 데이터 시컨스 t의 실제 패턴일 때, gk(l)이 gi(j)의 유사 패턴 집합 sGi(j)에 속하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
16 |
16
제 15 항에 있어서, 임의의 데이터 시컨스 t가 gi(j)로 인식된 경우에는 2차 DTW 패턴 인식 단계에서 적용될 대표 데이터 시컨스들의 집합을 sTi(j)로 표시하며,으로 정의되고,여기서, buildSeq(t, part_bitsi(j))는 데이터 시컨스 t를 part_bitsi(j)에서 1로 설정된 부분만을 추출해서 반환하고,sTi(j)는 gi(j)의 대표 데이터 시컨스와 gi(j)의 유사 패턴 집합에 관한 모든 대표 데이터 시컨스들에 대해 part_bitsi(j)을 적용한 결과를 의미하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
17 |
17
제 15 항에 있어서, 유사 패턴 집합 sGi(j)에 대해 2차 DTW 패턴인식에 필요한 정보는 서브모델 sMi(j)로 표현하며 sMi(j)은 튜플 개념을 통해 003c#uj, gi(j), sGi(j), sTi(j), part_bitsi(j)003e#로 정의하는데, 서브모델 sMi(j)은 사용자 유형 uj와 uj의 패턴 gi(j), 그리고 gi(j)의 유사패턴 집합 sGi(j), 2차 DTW에 사용될 gi(j)의 대표 데이터 시컨스들의 집합 sTi(j)과, sTi(j)의 생성에 적용되는 part_bits인 part_bitsi(j)을 포함하고,SM(j)은 사용자 uj에 대한 서브 모델들의 집합을, SM은 모든 사용자들을 위한 서브모델들의 합집합을 나타내고,모델 M은 003c#G, T, U, SM, d003e#의 튜플로 정의되고 d는 part_bits의 비트 수로 재구성된 대표 데이터 시컨스들의 길이를 의미하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|
18 |
18
제 17 항에 있어서, 함수 DTW(t1, t2)가 두 데이터 시컨스 t1, t2에 대해 DTW 알고리즘을 적용하여 두 데이터 시컨스 사이의 거리비용을 반환하는 함수라고 가정할 때, 임의의 데이터 시컨스 t가 입력되면 1차 DTW 패턴 인식 단계에서 으로 정의되는 T에 대해 1차 DTW 패턴인식을 수행하고 이때 반환되는 대표 데이터 시컨스 ti(j)의 패턴 즉 gi(j)을 t 의 패턴으로 인식하는데, 이때 gi(j)의 서브 모델 sMi(j)의 유사 패턴 집합 sGi(j)가 공집합이면 gi를 패턴으로 정하고 아니면 sMi(j)에 대해 2차 DTW 패턴인식으로 진행하고,2차 DTW 패턴 인식 단계에서는 sMi(j)의 part_bitsi(j)를 t에 적용한 결과의 데이터 시컨스와 패턴 재구성부에서 재구성한 대표 데이터 시컨스들의 집합 sTi(j)에 대해 으로 정의되는 2차 DTW 패턴인식을 수행하고 이때 반환되는 대표 데이터 시컨스의 패턴을 t의 패턴으로 정하는 것을 특징으로 하는 특징 강조형 DTW 기반의 패턴인식 모델 구축을 위한 방법
|