1 |
1
특징 하위 집합 선택 장치가 다중 레이블로 분류가 가능한 복수의 패턴 각각을 구성하는 복수의 특징을 모두 구성요소로서 포함하는 특징 전체 집합에서 다중 레이블 분류를 위한 특징 하위 집합 생성 방법에 있어서,특징 하위 집합 생성부가 상기 특징 전체 집합을 이용하여 2진 비트 랜덤할당을 통해 특징 하위 집합(feature subset)을 생성하는 단계; 평가부가 상기 특징 하위 집합의 각 특징과 상기 복수의 패턴에 대응되는 복수의 레이블의 각 레이블간의 제1 상관 관계 및 상기 특징 하위 집합의 각 특징 간의 제2 상관 관계에 기초하여 상기 특징 하위 집합을 평가하고, 상기 특징 하위 집합의 평가 값에 기초하여 우수 특징 하위 집합을 선택하는 단계; 확률 모델 결정부가 상기 우수 특징 하위 집합에 포함된 특징들을 이용하여 확률 모델을 결정하는 단계; 및 최종 특징 하위 집합 생성부가 상기 확률 모델을 이용하여 상기 우수 특징 하위 집합에 포함된 상기 특징들이 현재 세대의 특징 하위 집합으로 선택될 확률을 계산한 결과 상기 선택될 확률에 해당하는 경우, 현재 세대의 특징 하위 집합을 생성하는 단계를 포함하는, 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 방법
|
2 |
2
제1항에 있어서, 상기 우수 특징 하위 집합을 선택하는 단계는, 제1 상호 정보 척도를 이용하여 상기 특징 하위 집합에 포함된 특징과 레이블간의 상관 관계를 정의하는 제1 상관 관계 함수에서 상기 제1 상호 정보 척도를 이용하여 특징간의 상관 관계를 정의하는 제2 상관 관계 함수를 차감한 평가 함수에 기초하여 상기 특징 하위 집합의 평가 값을 산출하고, 상기 평가 값을 이용하여 상기 우수 특징 하위 집합들을 선택하는 것을 특징으로 하는, 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 방법
|
3 |
3
제2항에 있어서, 상기 평가 함수는 아래 수학식에 의해 정의되는 것을 특징으로 하는 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 방법
|
4 |
4
제1항에 있어서,상기 확률 모델은 아래 수학식에 의해 결정되는 것을 특징으로 하는 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 방법
|
5 |
5
제1항에 있어서, 상기 확률 모델을 결정하는 단계 이후, 상기 우수 특징 하위 집합에 포함된 각 특징에 대한 중요도 값을 각각 산출하고, 상기 중요도 값에 기초하여 특징 하위 집합에 특징들의 랭킹을 설정하는 단계를 더 포함하는, 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 방법
|
6 |
6
제5항에 있어서, 상기 중요도 값은 아래 수학식을 이용하여 산출된 것을 특징으로 하는 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 방법
|
7 |
7
다중 레이블로 분류가 가능한 복수의 패턴 각각을 구성하는 복수의 특징을 모두 구성요소로서 포함하는 특징 전체 집합을 이용하여 2진 비트 랜덤할당을 통해 특징 하위 집합(feature subset)을 생성하는 특징 하위 집합 생성부; 상기 특징 하위 집합의 각 특징과 상기 복수의 패턴에 대응되는 복수의 레이블의 각 레이블간의 제1 상관 관계 및 상기 특징 하위 집합의 각 특징 간의 제2 상관 관계에 기초하여 상기 특징 하위 집합을 평가하고, 상기 특징 하위 집합의 평가 값에 기초하여 우수 특징 하위 집합을 선택하는 평가부; 상기 우수 특징 하위 집합에 포함된 특징들을 이용하여 확률 모델을 결정하는 확률 모델 결정부; 및 상기 확률 모델을 이용하여 상기 우수 특징 하위 집합에 포함된 상기 특징들이 현재 세대의 특징 하위 집합으로 선택될 확률을 계산한 결과 상기 선택될 확률에 해당하는 경우, 현재 세대의 특징 하위 집합을 생성하는 최종 특징 하위 집합 생성부를 포함하는, 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 장치
|
8 |
8
제7항에 있어서, 상기 우수 특징 하위 집합에 포함된 각 특징에 대한 중요도 값을 각각 산출하고, 상기 중요도 값에 기초하여 특징 하위 집합에 특징들의 랭킹을 설정하는 필터링부를 더 포함하는, 다중 레이블 패턴 분류를 위한 특징 하위 집합 생성 장치
|