1 |
1
(a) 제1 가중 퍼지 소속함수 기반 심층 신경망(neural network with weighted fuzzy membership function, NEWFM), 제2 NEWFM 및 제3 NEWFM을 포함하는 학습 유닛(learning unit)에 대한 입력 데이터들로부터 선택된 입력 특징들(features)을 상기 제1 NEWFM에 입력하는 단계; (b) 상기 제1 NEWFM으로부터 출력된 출력 특징들에 대한 다수의 인스턴스들을 제1 클래스 또는 제2 클래스로 분류하는 단계; (c) 상기 출력 특징들에 대한 다수의 인스턴스들 중 상기 입력 특징들에 대한 다수의 인스턴스들과 동일하지 않은 클래스 분류 결과를 갖는 적어도 하나의 인스턴스를 제1 인스턴스 그룹으로 구분하는 단계; (d) 상기 출력 특징들에 대한 다수의 인스턴스들 중 상기 입력 특징들에 대한 다수의 인스턴스들과 동일한 클래스 분류 결과를 갖는 적어도 하나의 인스턴스를 제2 인스턴스 그룹으로 구분하는 단계;(e) 상기 제1 인스턴스 그룹에 대응하는 출력 특징들을 서브 패턴 학습(sub-pattern learning)을 수행하는 제2 NEWFM에 입력하고, 상기 제2 인스턴스 그룹에 대응하는 출력 특징들을 세부 학습(refine learning)을 수행하는 제3 NEWFM에 입력하는 단계; 및(f) 상기 제2 NEWFM을 이용하여 제1 출력 데이터를 산출하고, 상기 제3 NEWFM을 이용하여 제2 출력 데이터를 산출하는 단계;를 포함하고,상기 제1 출력 데이터는, 동일하지 않은 클래스 분류 결과를 갖는 상기 제1 인스턴스 그룹의 번호가 상기 학습 유닛의 출력의 제1 인스턴스 번호가 일치하는 경우, 상기 학습 유닛의 출력의 제1 인스턴스 번호에 대응하여 저장되고, 상기 제2 출력 데이터는, 동일한 클래스 분류 결과를 갖는 상기 제2 인스턴스 그룹의 번호가 상기 학습 유닛의 출력의 제2 인스턴스 번호가 일치하는 경우, 상기 학습 유닛의 출력의 제2 인스턴스 번호에 대응하여 저장되는,클래스 분류를 위한 프로세서의 동작 방법
|
2 |
2
제1항에 있어서,상기 (a) 단계 이전에,상기 입력 데이터들을 다수의 분할 그룹으로 분할하는 단계;상기 다수의 분할 그룹 각각에 포함된 입력 데이터에 대한 복셀(voxel)들을 추출하는 단계;상기 복셀들로부터 평균 복셀(average voxel)을 산출하는 단계;상기 평균 복셀로부터 다수의 특징들을 추출하는 단계; 및제4 NEWFM을 이용하여 정확도에 따라 상기 다수의 분할 그룹 중 입력 그룹들과 다수의 특징들 중 상기 입력 특징들을 선택하는 단계;를 더 포함하는, 클래스 분류를 위한 프로세서의 동작 방법
|
3 |
3
삭제
|
4 |
4
제1항에 있어서,상기 제1 NEWFM, 제2 NEWFM 및 제3 NEWFM은, 제1 학습 레이어의 학습 유닛들(learning units) 중 하나에 포함되고,상기 제1 출력 데이터와 상기 제2 출력 데이터는, 제2 학습 레이어의 학습 유닛들 중 하나에 입력되는, 클래스 분류를 위한 프로세서의 동작 방법
|
5 |
5
제4항에 있어서,상기 제1 학습 레이어의 학습 유닛들의 개수는, 상기 제2 학습 레이어의 학습 유닛들의 개수보다 많은, 클래스 분류를 위한 프로세서의 동작 방법
|
6 |
6
제1항에 있어서,상기 구분된 제1 인스턴스 그룹은, MCI(misclassified instance)를 포함하고, 상기 구분된 제2 인스턴스 그룹은, CCI(correctly classified instance)를 포함하는,클래스 분류를 위한 프로세서의 동작 방법
|
7 |
7
제1항에 있어서,상기 산출된 제1 출력 데이터는, 상기 제1 인스턴스 그룹에 대응하는 제1 타카기-수게노 역 퍼지(takagi-sugeno defuzzification values, TSD) 값들을 포함하고,상기 산출된 제2 출력 데이터는, 상기 제2 인스턴스 그룹에 대응하는 제2 타카기-수게노 역 퍼지값들을 포함하는,클래스 분류를 위한 프로세서의 동작 방법
|
8 |
8
제7항에 있어서,상기 제1 출력 데이터는, 상기 입력 특징들에 대한 다수의 인스턴스들과 동일한 클래스 분류 결과를 갖는 상기 제1 인스턴스 그룹을 더 포함하고,상기 제2 출력 데이터는, 상기 입력 특징들에 대한 다수의 인스턴스들과 동일한 클래스 분류 결과를 갖는 상기 제2 인스턴스 그룹을 더 포함하는,클래스 분류를 위한 프로세서의 동작 방법
|
9 |
9
제1항에 있어서,상기 (f) 단계 이후에,상기 제1 출력 데이터와 상기 제2 출력 데이터를 제5 NEWFM에 입력하여, 상기 입력 특징들에 대한 클래스 분류 정확도를 산출하는 단계;를 더 포함하는,클래스 분류를 위한 프로세서의 동작 방법
|
10 |
10
제1 가중 퍼지 소속함수 기반 심층 신경망(neural network with weighted fuzzy membership function, NEWFM), 제2 NEWFM 및 제3 NEWFM을 포함하는 학습 유닛(learning unit)에 대한 입력 데이터들로부터 선택된 입력 특징들(features)을 상기 제1 NEWFM에 입력하고,상기 제1 NEWFM으로부터 출력된 출력 특징들에 대한 다수의 인스턴스들을 제1 클래스 또는 제2 클래스로 분류하고,상기 출력 특징들에 대한 다수의 인스턴스들 중 상기 입력 특징들에 대한 다수의 인스턴스들과 동일하지 않은 클래스 분류 결과를 갖는 적어도 하나의 인스턴스를 제1 인스턴스 그룹으로 구분하고,상기 출력 특징들에 대한 다수의 인스턴스들 중 상기 입력 특징들에 대한 다수의 인스턴스들과 동일한 클래스 분류 결과를 갖는 적어도 하나의 인스턴스를 제2 인스턴스 그룹으로 구분하고,상기 제1 인스턴스 그룹에 대응하는 출력 특징들을 서브 패턴 학습(sub-pattern learning)을 수행하는 제2 NEWFM에 입력하고, 상기 제2 인스턴스 그룹에 대응하는 출력 특징들을 세부 학습(refine learning)을 수행하는 제3 NEWFM에 입력하며, 상기 제2 NEWFM을 이용하여 제1 출력 데이터를 산출하고, 상기 제3 NEWFM을 이용하여 제2 출력 데이터를 산출하는 제어부;를 포함하고,상기 제1 출력 데이터는, 동일하지 않은 클래스 분류 결과를 갖는 상기 제1 인스턴스 그룹의 번호가 상기 학습 유닛의 출력의 제1 인스턴스 번호가 일치하는 경우, 상기 학습 유닛의 출력의 제1 인스턴스 번호에 대응하여 저장되고, 상기 제2 출력 데이터는, 동일한 클래스 분류 결과를 갖는 상기 제2 인스턴스 그룹의 번호가 상기 학습 유닛의 출력의 제2 인스턴스 번호가 일치하는 경우, 상기 학습 유닛의 출력의 제2 인스턴스 번호에 대응하여 저장되는,클래스 분류 장치
|
11 |
11
제10항에 있어서,상기 제어부는, 상기 입력 데이터들을 다수의 분할 그룹으로 분할하고,상기 다수의 분할 그룹 각각에 포함된 입력 데이터에 대한 복셀(voxel)들을 추출하고,상기 복셀들로부터 평균 복셀(average voxel)을 산출하고,상기 평균 복셀로부터 다수의 특징들을 추출하며,제4 NEWFM을 이용하여 정확도에 따라 상기 다수의 분할 그룹 중 입력 그룹들과 다수의 특징들 중 상기 입력 특징들을 선택하는,클래스 분류 장치
|
12 |
12
삭제
|
13 |
13
제10항에 있어서,상기 제1 NEWFM, 제2 NEWFM 및 제3 NEWFM은, 제1 학습 레이어의 학습 유닛들(learning units) 중 하나에 포함되고,상기 제1 출력 데이터와 상기 제2 출력 데이터는, 제2 학습 레이어의 학습 유닛들 중 하나에 입력되는,클래스 분류 장치
|
14 |
14
제13항에 있어서,상기 제1 학습 레이어의 학습 유닛들의 개수는, 상기 제2 학습 레이어의 학습 유닛들의 개수보다 많은,클래스 분류 장치
|
15 |
15
제10항에 있어서,상기 구분된 제1 인스턴스 그룹은, MCI(misclassified instance)를 포함하고, 상기 구분된 제2 인스턴스 그룹은, CCI(correctly classified instance)를 포함하는,클래스 분류 장치
|
16 |
16
제10항에 있어서,상기 산출된 제1 출력 데이터는, 상기 제1 인스턴스 그룹에 대응하는 제1 타카기-수게노 역 퍼지(takagi-sugeno defuzzification values, TSD) 값들을 포함하고,상기 산출된 제2 출력 데이터는, 상기 제2 인스턴스 그룹에 대응하는 제2 타카기-수게노 역 퍼지값들을 포함하는,클래스 분류 장치
|
17 |
17
제16항에 있어서,상기 제1 출력 데이터는, 상기 입력 특징들에 대한 다수의 인스턴스들과 동일한 클래스 분류 결과를 갖는 상기 제1 인스턴스 그룹을 더 포함하고,상기 제2 출력 데이터는, 상기 입력 특징들에 대한 다수의 인스턴스들과 동일한 클래스 분류 결과를 갖는 상기 제2 인스턴스 그룹을 더 포함하는,클래스 분류 장치
|
18 |
18
제10항에 있어서,상기 제어부는, 상기 제1 출력 데이터와 상기 제2 출력 데이터를 제5 NEWFM에 입력하여, 상기 입력 특징들에 대한 클래스 분류 정확도를 산출하는,클래스 분류 장치
|