| 1 |
1
(a) 지표고 회귀 모델 모듈(100)이 정규화 학습 데이터를 이용해 사전에 급속 기계 학습 기반 지표고 회귀 모델(y)을 도출하는 단계; 및(b) 지형대조항법 수행 시스템(300)이 상기 급속 기계 학습 기반 지표고 회귀 모델(y)로 지형대조항법을 수행하는 단계;를 포함하는 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 2 |
2
제 1 항에 있어서,상기 지표고 회귀 모델 모듈(100)은,상기 정규화 학습 데이터 중 위도값 및 경도값을 정규화한 값으로 이루어진 제 1 노드들(x1,x2)로 구성되는 입력층(110); 상기 제 1 노드들(x1,x2)을 기반으로 활성화 함수를 이용하는 제 2 노드들(121)로 구성되는 제 1 내지 제 3 은닉층(120-1,120-2,120-3); 및상기 제 2 노드들(121)을 이용하여 산출되는 지표고 회귀 모델을 출력하는 출력층(150);을 포함하는 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 3 |
3
제 2 항에 있어서,상기 활성화 함수는 방사 기저 함수인 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 4 |
4
제 3 항에 있어서,상기 제 1 은닉층(120-1)은 급속 기계학습 기반 오터인코더이며, 상기 급속 기계학습 기반 오터인코더는 비지도(Unsupervised) 학습법으로 출력 참값이 입력 값과 동일한 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 5 |
5
제 3 항에 있어서,상기 제 1 노드들(x1,x2)은 수학식 및 (여기서, 은 m번째 학습 데이터의 위도값이며, λ(m)는 m번째 학습 데이터의 경도 값이다
|
| 6 |
6
제 5 항에 있어서,상기 제 2 노드들은, 수학식 (여기서, 는 번째 노드의 활성화 함수이며, αki와 β k는 k번째 노드에 할당된 방사 기저 함수의 평균값과 분산값이고, 은 유클리드 거리(Euclidean distance)를 의미하며, K는 은닉층의 총 노드 수를 나타낸다)으로 이루어지는 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 7 |
7
제 6 항에 있어서,상기 방사 기저 함수의 평균값과 분산값은 k 평균 군집(K-mean clustering)을 통해 결정되는 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 8 |
8
제 2항에 있어서,상기 제 2 은닉층(120-2) 및 제 3 은닉층(120-3)은 급속 기계학습 기반 인공 신경망이며, 상기 급속 기계학습 기반 인공 신경망은 지도(Supervised) 학습법으로 출력 참값이 정규화 학습 데이터에 포함된 미리 설정되는 목표 값(target value)인 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 9 |
9
제 1 항에 있어서,상기 지형대조항법 수행 시스템(300)은 상기 급속 기계 학습 기반 지표고 회귀 모델(y)과 고도계(302)와 기압고도계(303)간 측정치 차이에 대한 차이값을 이용하여 지형 정보의 측정치를 갱신하는 것을 특징으로 하는 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법
|
| 10 |
10
제 1 항 내지 제 9 항 중 어느 한 항에 따른 급속 기계학습 기반 지표고 회귀모델을 활용한 지형대조항법 설계 방법을 실행하는 프로그램 코드를 저장한 컴퓨터 판독 가능 저장 매체
|
