1 |
1
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 입력 특징들(features)을 선택하는 단계;상기 입력 특징들을 제1 가중 퍼지 소속함수 기반 심층 신경망(neural network with weighted fuzzy membership function, NEWFM)에 입력하는 단계; 상기 제1 NEWFM을 이용하여 출력된 출력 특징들을 상기 입력 특징들의 레코드들의 클래스에 따라 제1 클래스와 제2 클래스로 분류하는 단계; 상기 제1 클래스에 포함된 출력 특징들을 제2 NEWFM에 입력하고, 상기 제2 클래스에 포함된 출력 특징들을 제3 NEWFM에 입력하는 단계; 상기 제2 NEWFM을 이용하여 제1 출력 데이터를 산출하고, 상기 제3 NEWFM을 이용하여 제2 출력 데이터를 산출하는 단계; 및상기 제1 출력 데이터와 상기 제2 출력 데이터를 이용하여, 상기 입력 특징들의 레코드들의 클래스의 정확도를 산출하는 단계;를 포함하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류를 위한 프로세서의 동작 방법
|
2 |
2
삭제
|
3 |
3
제1항에 있어서,상기 분류하는 단계는,상기 입력 특징들의 레코드들의 클래스에 기반하여 상기 제1 NEWFM에 의해 출력된 출력 특징들의 클래스들을 비교하여, 상기 출력 특징들을 제1 클래스와 제2 클래스로 분류하는 단계; 를 포함하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류를 위한 프로세서의 동작 방법
|
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,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 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,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류를 위한 프로세서의 동작 방법
|
6 |
6
제1항에 있어서,상기 산출된 제1 출력 데이터는, 상기 제1 클래스에 포함된 출력 특징들에 대응되는 타카기-수게노 역 퍼지값들(takagi-sugeno defuzzification values)을 포함하고,상기 산출된 제2 출력 데이터는, 상기 제2 클래스에 포함된 출력 특징들에 대응되는 타카기-수게노 역 퍼지값들을 포함하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류를 위한 프로세서의 동작 방법
|
7 |
7
제1항에 있어서,상기 산출하는 단계는,상기 제1 출력 데이터와 상기 제2 출력 데이터를 제5 NEWFM에 입력하여, 상기 입력 특징들의 레코드들의 클래스의 정확도를 산출하는 단계;를 포함하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류를 위한 프로세서의 동작 방법
|
8 |
8
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 추출하고,제4 NEWFM을 이용하여 정확도에 따라 상기 다수의 분할 그룹 중 입력 그룹들과 다수의 특징들 중 입력 특징들(features)을 선택하고,상기 입력 특징들을 제1 가중 퍼지 소속함수 기반 심층 신경망(neural network with weighted fuzzy membership function, NEWFM)에 입력하고,상기 제1 NEWFM을 이용하여 출력된 상기 입력 특징들의 레코드들의 클래스에 따라 제1 클래스와 제2 클래스로 분류하고,상기 제1 클래스에 포함된 출력 특징들을 제2 NEWFM에 입력하고, 상기 제2 클래스에 포함된 출력 특징들을 제3 NEWFM에 입력하고,상기 제2 NEWFM을 이용하여 제1 출력 데이터를 산출하고, 상기 제3 NEWFM을 이용하여 제2 출력 데이터를 산출하며,상기 제1 출력 데이터와 상기 제2 출력 데이터를 이용하여 상기 입력 특징들의 레코드들의 클래스의 정확도를 산출하는 프로세서;를 포함하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 장치
|
9 |
9
삭제
|
10 |
10
제8항에 있어서,상기 프로세서는,상기 입력 특징들의 레코드들의 클래스에 기반하여 상기 제1 NEWFM에 의해 출력된 출력 특징들의 클래스들을 비교하여, 상기 출력 특징들을 제1 클래스와 제2 클래스로 분류하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 장치
|
11 |
11
제8항에 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,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 장치
|
12 |
12
제11항에 있어서,상기 제1 학습 레이어의 학습 유닛들의 개수는, 상기 제2 학습 레이어의 학습 유닛들의 개수보다 많은,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 장치
|
13 |
13
제8항에 있어서,상기 산출된 제1 출력 데이터는, 상기 제1 클래스에 포함된 출력 특징들에 대응되는 타카기-수게노 역 퍼지값들(takagi-sugeno defuzzification values)을 포함하고,상기 산출된 제2 출력 데이터는, 상기 제2 클래스에 포함된 출력 특징들에 대응되는 타카기-수게노 역 퍼지값들을 포함하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 장치
|
14 |
14
제8항에 있어서,상기 프로세서는,상기 제1 출력 데이터와 상기 제2 출력 데이터를 제5 NEWFM에 입력하여, 상기 입력 특징들의 레코드들의 클래스의 정확도를 산출하는,멀티레이어 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 장치
|