| 1 |
1
스펙트라 제공부가 음향신호에 상응하는 입력 데이터를 스펙트라(spectra) 데이터로 변환하는 단계; 훈련 데이터 제공부가 상기 스펙트라 데이터, 이벤트 정보 및 시간에 따라 변화하고, 제1 값 및 제2 값 사이를 연결하는 연속함수를 이용하여 이벤트 발생 시점에 해당하는 제1 지점 및 상기 이벤트 종료 시점에 해당하는 제2 지점을 기준으로 생성되는 컨티뉴어스(continuous) 타겟 데이터를 포함하는 트레이닝 데이터를 제공하는 단계; 및 신경망 훈련부가 상기 트레이닝 데이터에 기초하여 뉴럴 네트워크(neural network)를 훈련하는 단계를 포함하는 신경망 학습 방법
|
| 2 |
2
제1항에 있어서,상기 연속함수는 시그모이드(sigmoid) 함수이고, 상기 제1 지점을 기준으로 시간 축 상에 제1 방향으로 상기 트레이닝 데이터의 값이 최초로 0이 되는 지점은 제1 제로지점이고,상기 제1 지점 및 상기 제1 제로지점 사이의 간격에 해당하는 제1 사이간격을 조절하여 상기 뉴럴 네트워크를 훈련시키는 것을 특징으로 하는 신경망 학습 방법
|
| 3 |
3
제2항에 있어서,상기 제2 지점을 기준으로 시간 축 상에 제2 방향으로 상기 트레이닝 데이터의 값이 최초로 0이 되는 지점은 제2 제로지점이고,상기 제2 지점 및 상기 제2 제로지점 사이의 간격에 해당하는 제2 사이간격을 조절하여 상기 뉴럴 네트워크를 훈련시키는 것을 특징으로 하는 신경망 학습 방법
|
| 4 |
4
제3항에 있어서,상기 제1 사이간격 및 상기 제2 사이간격이 동일한 것을 특징으로 하는 신경망 학습 방법
|
| 5 |
5
제4항에 있어서,상기 제1 사이간격 및 상기 제2 사이간격의 값은 상기 뉴럴 네트워크가 동작하기 전에 미리 설정되는 것을 특징으로 하는 신경망 학습 방법
|
| 6 |
6
제1항에 있어서,상기 신경망 학습 방법은, 테스트부가 테스트 데이터에 기초하여 상기 뉴럴 네트워크를 테스트하는 단계를 더 포함하는 것을 특징으로 하는 신경망 학습 방법
|
| 7 |
7
제6항에 있어서,상기 테스트부의 수행 결과에 따라 상기 제1 사이간격 및 상기 제2 사이간격을 조절하는 것을 특징으로 하는 신경망 학습 방법
|
| 8 |
8
신경망 훈련부가 스펙트라 데이터, 이벤트 정보 및 시간에 따라 변화하고, 제1 값 및 제2 값 사이를 연결하는 연속함수를 이용하여 이벤트 발생 시점에 해당하는 제1 지점 및 상기 이벤트 종료 시점에 해당하는 제2 지점을 기준으로 생성되는 컨티뉴어스(continuous) 타겟 데이터를 포함하는 트레이닝 데이터에 기초하여 컨볼루션 뉴럴 네트워크(convolution neural network, CNN)를 훈련하는 단계; 상기 컨볼루션 뉴럴 네트워크에 포함되는 컨볼루션 레이어가 입력 데이터를 복수 개의 필터들을 이용하여 컨볼루션을 수행하고, 상기 필터들의 각각에 상응하는 컨볼루션 데이터를 제공하는 단계; 글로벌 풀링 블록(global pooling block, GPB)이 상기 필터들의 각각에 상응하는 컨볼루션 데이터의 대표 값에 해당하는 대표 데이터를 제공하는 단계; 및 풀리 커넥티드 레이어(fully connected layer, FCL)가 상기 대표 데이터에 기초하여 연산하고, 결과 데이터를 제공하는 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 9 |
9
제8항에 있어서,상기 연속함수는 시그모이드(sigmoid) 함수이고,상기 컨볼루션 데이터의 대표 값은 제1 데이터 방향을 따라 배열되는 상기 컨볼루션 데이터의 대표 값인 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 10 |
10
제9항에 있어서, 상기 컨볼루션 데이터의 대표 값은 제2 데이터 방향을 따라 배열되는 상기 컨볼루션 데이터의 대표 값인 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 11 |
11
제8항에 있어서,상기 컨볼루션 뉴럴 네트워크를 훈련하는 단계는, 상기 제1 지점을 기준으로 시간 축 상에 제1 방향으로 상기 트레이닝 데이터의 값이 최초로 0이 되는 지점은 제1 제로지점이고,상기 제2 지점을 기준으로 시간 축 상에 제2 방향으로 상기 트레이닝 데이터의 값이 최초로 0이 되는 지점은 제2 제로지점이고,상기 제1 지점 및 상기 제1 제로지점 사이의 간격에 해당하는 제1 사이간격을 조절하고, 상기 제2 지점 및 상기 제2 제로지점 사이의 간격에 해당하는 제2 사이간격을 조절하여 상기 컨볼루션 뉴럴 네트워크를 훈련시키는 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 12 |
12
제11항에 있어서, 상기 제1 사이간격 및 상기 제2 사이간격은 상기 결과 데이터에 따라 조절되는 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 13 |
13
제8항에 있어서, 상기 컨볼루션 뉴럴 네트워크에 포함되는 복수의 레지듀얼 블록들 중 제1 레지듀얼 블록에 포함되는 마지막 번째 컨볼루션 레이어 및 제2 레지듀얼 블록에 포함되는 첫번째 컨볼루션 레이어는 공유 레이어인 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 14 |
14
제8항에 있어서, GRU(Gated Recurrent Unit) 또는 LSTM(Long Short-Term Memory)을 포함하는 RNN 계열의 뉴럴 네트워크를 통해서 상기 대표 데이터를 학습하는 RNN 학습부를 더 포함하는 컨볼루션 신경망 동작 방법
|
| 15 |
15
신경망 훈련부가 스펙트라 데이터, 이벤트 정보 및 시간에 따라 변화하고, 제1 값 및 제2 값 사이를 연결하는 연속함수를 이용하여 이벤트 발생 시점에 해당하는 제1 지점 및 상기 이벤트 종료 시점에 해당하는 제2 지점을 기준으로 생성되는 컨티뉴어스(continuous) 타겟 데이터를 포함하는 트레이닝 데이터에 기초하여 컨볼루션 뉴럴 네트워크(convolution neural network, CNN)를 훈련하는 단계; 상기 컨볼루션 뉴럴 네트워크에 포함되는 컨볼루션 레이어가 입력 데이터를 복수 개의 필터들을 이용하여 컨볼루션을 수행하고, 상기 필터들의 각각에 상응하는 컨볼루션 데이터를 제공하는 단계; 채널-와이즈 글로벌 웨이티트 에버리지 풀링 블록(channel-wise global weighted average pooling block, WAPB)이 상기 필터들의 각각에 상응하는 컨볼루션 데이터에 가중치를 곱하여 합산한 가중합산 데이터를 제공하는 단계; 및 풀리 커넥티드 레이어(fully connected layer, FCL)가 상기 가중합산 데이터에 기초하여 연산하고, 결과 데이터를 제공하는 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 16 |
16
제15항에 있어서,상기 연속함수는 시그모이드(sigmoid) 함수이고,상기 컨볼루션 뉴럴 네트워크를 훈련하는 단계는, 상기 제1 지점을 기준으로 시간 축 상에 제1 방향으로 상기 트레이닝 데이터의 값이 최초로 0이 되는 지점은 제1 제로지점이고,상기 제2 지점을 기준으로 시간 축 상에 제2 방향으로 상기 트레이닝 데이터의 값이 최초로 0이 되는 지점은 제2 제로지점이고,상기 제1 지점 및 상기 제1 제로지점 사이의 간격에 해당하는 제1 사이간격 및 상기 제2 지점 및 상기 제2 제로지점 사이의 간격에 해당하는 제2 사이간격은 상기 결과 데이터에 따라 조절되는 것을 특징으로 하는 컨볼루션 신경망 동작 방법
|
| 17 |
17
음향신호에 상응하는 입력 데이터를 스펙트라(spectra) 데이터로 변환하는 스펙트라 제공부; 상기 스펙트라 데이터, 이벤트 정보 및 시그모이드(sigmoid) 함수를 이용하여 이벤트 발생 시점에 해당하는 제1 지점 및 상기 이벤트 종료 시점에 해당하는 제2 지점을 기준으로 생성되는 컨티뉴어스(continuous) 타겟 데이터를 포함하는 트레이닝 데이터를 제공하는 훈련 데이터 제공부; 및 상기 트레이닝 데이터에 기초하여 뉴럴 네트워크(convolution neural network, CNN)를 훈련하는 신경망 훈련부를 포함하는 신경망 장치
|
