맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

  • 기술번호 : KST2021002276
  • 담당센터 : 대전기술혁신센터
  • 전화번호 : 042-610-2279
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명의 결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 장치는 분류모델(CM)을 실행시키는 분류부를 포함한다. 분류모델(CM)은 각각이 복수의 데이터의 입력값이 입력되는 복수의 입력노드를 포함하는 입력계층과, 상기 복수의 입력노드 중 어느 하나의 입력노드에 가중치를 적용하고, 가중치가 적용된 입력값에 대해 제1 활성화 함수를 통한 연산을 수행하여 복수의 구간을 구분하는 구분값을 산출하는 복수의 구분노드를 포함하는 구분계층과, 상기 복수의 구분노드 각각의 구분값에 가중치를 적용하고, 가중치가 적용된 구분값을 합산하고, 합산된 복수의 구분값에 제2 활성화 함수를 통한 연산을 수행하여 연산값을 산출하는 복수의 연산노드를 포함하는 완전연결계층과, 상기 완전연결계층의 복수의 연산노드 각각의 연산값에 대해 가중치를 적용하고, 가중치가 적용된 복수의 연산값을 합산한 출력값을 산출하는 복수의 출력노드를 포함하는 출력계층을 포함한다.
Int. CL G06N 3/08 (2006.01.01) G06N 3/04 (2006.01.01) G06T 7/00 (2017.01.01)
CPC G06N 3/082(2013.01) G06N 3/04(2013.01) G06T 7/0004(2013.01) G06T 2207/30148(2013.01)
출원번호/일자 1020200053989 (2020.05.06)
출원인 호서대학교 산학협력단
등록번호/일자 10-2184395-0000 (2020.11.24)
공개번호/일자
공고번호/일자 (20201130) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2020.05.06)
심사청구항수 15

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 호서대학교 산학협력단 대한민국 충청남도 아산시

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 박승범 경기도 용인시 기흥구
2 김정일 서울특별시 마포구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 특허법인 천지 대한민국 서울특별시 강남구 논현로**길 **, *층(역삼동, 신한빌딩)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 호서대학교 산학협력단 충청남도 아산시
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2020.05.06 수리 (Accepted) 1-1-2020-0458812-04
2 [우선심사신청]심사청구서·우선심사신청서
 2020.05.08 수리 (Accepted) 1-1-2020-0466351-90
3 [우선심사신청]선행기술조사의뢰서
[Request for Preferential Examination] Request for Prior Art Search		 2020.05.12 수리 (Accepted) 9-1-9999-9999999-89
4 [우선심사신청]선행기술조사보고서
[Request for Preferential Examination] Report of Prior Art Search		 2020.06.09 수리 (Accepted) 9-1-2020-0022690-14
5 의견제출통지서
Notification of reason for refusal		 2020.09.21 발송처리완료 (Completion of Transmission) 9-5-2020-0651337-92
6 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
 2020.10.19 수리 (Accepted) 1-1-2020-1101957-66
7 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2020.10.19 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2020-1101958-12
8 등록결정서
Decision to grant		 2020.11.20 발송처리완료 (Completion of Transmission) 9-5-2020-0807333-79
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 장치에 있어서, 각각이 복수의 데이터의 입력값이 입력되는 복수의 입력노드를 포함하는 입력계층과, 상기 복수의 입력노드 중 어느 하나의 입력노드에 가중치를 적용하고, 가중치가 적용된 입력값에 대해 제1 활성화 함수를 통한 연산을 수행하여 복수의 구간을 구분하는 구분값을 산출하는 복수의 구분노드를 포함하는 구분계층과, 상기 복수의 구분노드 각각의 구분값에 가중치를 적용하고, 가중치가 적용된 구분값을 합산하고, 합산된 복수의 구분값에 제2 활성화 함수를 통한 연산을 수행하여 연산값을 산출하는 복수의 연산노드를 포함하는 완전연결계층과, 상기 완전연결계층의 복수의 연산노드 각각의 연산값에 대해 가중치를 적용하고, 가중치가 적용된 복수의 연산값을 합산한 출력값을 산출하는 복수의 출력노드를 포함하는 출력계층을 포함하는 분류모델(CM)을 실행시키는 분류부;를 포함하며, 상기 제1 활성화 함수를 통한 연산은 수학식 에 따라 수행되며, 상기 x는 상기 입력값이고, 연속 변수(continuous variable)이고, 상기 w는 상기 가중치이며, 이고, 상기 n은 상기 복수의 구간의 개수이고, 상기 복수의 구간의 구분점이 이고, 상기 복수의 구간의 구분점이 와 같이 단조 증가할 때, 상기 b는 바이어스이며, 이고, 상기 인 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
2 2
삭제
3 3
제1항에 있어서, 상기 일 때, 수학식 에 따라 교차엔트로피 손실이 최소가 되도록 경사하강법을 통해 상기 구분계층 및 상기 완전연결계층 양자 모두를 포함하는 상기 분류모델의 가중치 및 바이어스를 최적화하는 학습부;를 더 포함하며, 상기 E는 교차엔트로피 손실이고, 상기 i는 출력노드의 인덱스이고, 상기 y는 출력값이고, 상기 y'는 기댓값인 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
4 4
제1항에 있어서, 상기 복수의 구분노드 각각의 가중치 및 바이어스를 통해 상기 복수의 입력노드 각각으로부터 상기 복수의 구분노드로 분할되는 분할 기준을 도출하고, 상기 도출된 분할 기준을 시각화하는 시각화처리부;를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
5 5
제1항에 있어서, 상기 출력계층은 상기 복수의 출력노드의 출력값을 결합하여 잠재벡터를 산출하고, 상기 장치는 상기 산출된 잠재벡터를 기초로 소정의 판정 기준에 따라 데이터의 분류를 판정한 판정값을 도출하고, 상기 잠재벡터를 소정의 벡터공간에 사상하고, 사상된 벡터공간에서 중심벡터와의 거리를 기초로 상기 판정값의 강도를 산출하고, 산출된 판정값의 강도를 시각화하는 시각화처리부;를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
6 6
제5항에 있어서, 상기 시각화처리부는 상기 산출된 판정값의 강도를 상기 출력노드의 엔트로피로 나누어 상기 출력값의 신뢰도를 산출하고, 산출된 신뢰도를 시각화하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
7 7
제1항에 있어서, 복수의 데이터에서 고유값(eigen value)이 가장 큰 2개의 고유벡터(eigen vector)를 도출하고, 상기 복수의 데이터를 상기 도출된 고유벡터의 2개의 축에 사상하여 특징벡터를 생성하고, 생성된 특징벡터를 상기 입력값으로 상기 입력계층에 입력하는 전처리부; 를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
8 8
제1항에 있어서, 복수의 데이터를 소정의 벡터공간에 임베딩하여 복수의 데이터 각각의 특징을 도출한 복수의 특징벡터를 생성하고, 생성된 특징벡터를 상기 입력값으로 상기 입력계층에 입력하는 전처리부; 를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
9 9
결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 장치에 있어서, 복수의 데이터를 특징벡터로 변환하여 입력값을 생성하는 전처리부; 결정트리의 계층인 구분계층과 심층신경망의 계층인 완전연결계층을 포함하는 분류모델을 통해 상기 입력값이 학습된 분류에 속할 확률을 산출하여 출력값으로 출력하는 분류부; 및 상기 분류부의 출력값을 기초로 상기 입력값이 속하는 분류를 판정하여 판정값을 산출하는 시각화부;를 포함하며, 상기 분류모델은 각각이 복수의 데이터의 입력값이 입력되는 복수의 입력노드를 포함하는 입력계층과, 상기 복수의 입력노드 중 어느 하나의 입력노드에 가중치를 적용하고, 가중치가 적용된 입력값에 대해 제1 활성화 함수를 통한 연산을 수행하여 복수의 구간을 구분하는 구분값을 산출하는 복수의 구분노드를 포함하는 구분계층과, 상기 복수의 구분노드 각각의 구분값에 가중치를 적용하고, 가중치가 적용된 구분값을 합산하고, 합산된 복수의 구분값에 제2 활성화 함수를 통한 연산을 수행하여 연산값을 산출하는 복수의 연산노드를 포함하는 완전연결계층과, 상기 완전연결계층의 복수의 연산노드 각각의 연산값에 대해 가중치를 적용하고, 가중치가 적용된 복수의 연산값을 합산한 출력값을 산출하는 복수의 출력노드를 포함하는 출력계층을 포함하며, 상기 출력계층은 상기 복수의 출력노드의 출력값을 결합하여 잠재벡터를 산출하고, 산출된 잠재벡터를 기초로 소정의 판정 기준에 따라 데이터의 분류를 판정한 판정값을 도출하고, 상기 장치는 상기 잠재벡터를 소정의 벡터공간에 사상하고, 사상된 벡터공간에서 중심벡터와의 거리를 기초로 상기 판정값의 강도를 산출하고, 산출된 판정값의 강도를 시각화하며, 상기 산출된 판정값의 강도를 상기 출력노드의 엔트로피로 나누어 상기 출력값의 신뢰도를 산출하고, 산출된 신뢰도를 시각화하며, 각 구분노드의 가중치 및 바이어스를 통해 입력층의 복수의 입력노드 각각으로부터 분류모델의 복수의 구분노드로 분할되는 분할 기준을 도출하고, 도출된 도출된 분할 기준을 시각화하는 시각화처리부;를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
10 10
삭제
11 11
제9항에 있어서, 상기 제1 활성화 함수를 통한 연산은 수학식 에 따라 수행되며, 상기 x는 상기 입력값이고, 연속 변수(continuous variable)이고, 상기 w는 상기 가중치이며, 이고, 상기 n은 상기 복수의 구간의 개수이고, 상기 복수의 구간의 구분점이 이고, 상기 복수의 구간의 구분점이 와 같이 단조 증가할 때, 상기 b는 바이어스이며, 이고, 상기 인 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
12 12
제11항에 있어서, 상기 일 때, 수학식 에 따라 교차엔트로피 손실이 최소가 되도록 경사하강법을 통해 상기 구분계층 및 상기 완전연결계층 양자 모두를 포함하는 상기 분류모델의 가중치 및 바이어스를 최적화하는 학습부;를 더 포함하며, 상기 E는 교차엔트로피 손실이고, 상기 i는 출력노드의 인덱스이고, 상기 y는 출력값이고, 상기 y'는 기댓값인 것을 특징으로 하는 대량의 데이터를 분류하기 위한 장치
13 13
삭제
14 14
결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 방법에 있어서, 분류부의 분류모델이 실행되고, 상기 분류모델의 입력계층의 복수의 입력노드 각각에 입력값이 입력되면, 상기 분류모델의 구분계층의 복수의 구분노드가 상기 복수의 입력노드 중 어느 하나의 입력노드에 가중치를 적용하고, 가중치가 적용된 입력값에 대해 제1 활성화 함수를 통한 연산을 수행하여 복수의 구간을 구분하는 구분값을 산출하는 단계; 상기 분류모델의 완전연결계층의 복수의 연산노드가 상기 복수의 구분노드 각각의 구분값에 가중치를 적용하고, 가중치가 적용된 구분값을 합산하고, 합산된 복수의 구분값에 제2 활성화 함수를 통한 연산을 수행하여 연산값을 산출하는 단계; 및 상기 분류모델의 출력계층의 복수의 출력노드가 상기 완전연결계층의 복수의 연산노드 각각의 연산값에 대해 가중치를 적용하고, 가중치가 적용된 복수의 연산값을 합산한 출력값을 산출하는 단계;를 포함하며, 상기 구분값을 산출하는 단계는 상기 분류모델의 구분계층의 복수의 구분노드 각각이 수학식 에 따라 상기 구분값을 산출하며, 상기 x는 상기 입력값이고, 연속 변수(continuous variable)이고, 상기 w는 상기 가중치이며, 이고, 상기 n은 상기 복수의 구간의 개수이고, 상기 복수의 구간의 구분점이 이고, 상기 복수의 구간의 구분점이 와 같이 단조 증가할 때, 상기 b는 바이어스이며, 이고, 상기 인 것을 특징으로 하는 대량의 데이터를 분류하기 위한 방법
15 15
삭제
16 16
제14항에 있어서, 상기 구분값을 산출하는 단계 전, 학습부가 수학식 에 따라 교차엔트로피 손실이 최소가 되도록 경사하강법을 통해 상기 구분계층 및 상기 완전연결계층 양자 모두를 포함하는 상기 분류모델의 가중치 및 바이어스를 최적화하는 학습 단계;를 더 포함하며, 상기 E는 교차엔트로피 손실이고, 상기 i는 출력노드의 인덱스이고, 상기 y는 출력값이고, 상기 y'는 기댓값인 것을 특징으로 하는 대량의 데이터를 분류하기 위한 방법
17 17
제14항에 있어서, 상기 출력값을 산출하는 단계 후, 시각화처리부가 상기 구분노드 각각의 가중치 및 바이어스를 통해 상기 입력계층의 복수의 입력노드 각각으로부터 상기 구분노드의 복수의 구분노드로 분할되는 분할 기준을 도출하는 단계; 및 상기 시각화처리부가 상기 도출된 분할 기준을 시각화하는 단계; 를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 방법
18 18
제14항에 있어서, 상기 출력값을 산출하는 단계 후, 상기 출력계층이 상기 복수의 출력노드의 출력값을 결합하여 잠재벡터를 산출하는 단계; 시각화처리부가 상기 산출된 잠재벡터를 기초로 소정의 판정 기준에 따라 데이터의 분류를 판정한 판정값을 도출하는 단계; 및 상기 시각화처리부가 상기 잠재벡터를 소정의 벡터공간에 사상하고, 사상된 벡터공간에서 중심벡터와의 거리를 기초로 상기 판정값의 강도를 산출하고, 산출된 판정값의 강도를 시각화하는 단계; 및 상기 시각화처리부가 상기 산출된 판정값의 강도를 상기 출력노드의 엔트로피로 나누어 상기 출력값의 신뢰도를 산출하고, 산출된 신뢰도를 시각화하는 단계;를 더 포함하는 것을 특징으로 하는 대량의 데이터를 분류하기 위한 방법
19 19
컴퓨터에 제14항, 제16항, 제17항 및 제18항 중 어느 한 항에 따른 대량의 데이터를 분류하기 위한 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 과학기술정보통신부 호서대학교 산학협력단 대학ICT연구센터지원사업 5G 기반 산업별 빅데이터 활용 딥러닝 모형 개발 및 인력양성