| 1 |
1
시계열 데이터를 기초로 결과를 예측하는 동작 및 상기 시계열 데이터를 분류하는 동작 중 적어도 하나를 수행하는 모델을 딥러닝 학습하는 시스템에 의해 수행되는 딥러닝 학습 방법에 있어서,상기 시계열 데이터의 단위 시간별로 주파수를 결정하는 제 1 단계;단위 시간별로 결정된 주파수 중 가장 낮은 주파수로부터 가장 높은 주파수까지를 복수의 구간으로 구획하는 제 2 단계;상기 복수의 구간 각각에 대한 조각 데이터가 되도록 시간축에 따라 상기 시계열 데이터를 분할하는 제 3 단계;적용되는 학습의 종류가 온라인 학습(On-line Learning) 인지 또는 오프라인 학습(Off-line Learning) 인지 여부를 결정하는 제 4 단계;상기 결정된 학습 종류에 따라 분할된 조각 데이터를 상기 모델의 입력으로 사용하는 제 5 단계; 및상기 모델이 입력된 데이터를 기초로 딥러닝 학습하는 제 6단계;를 포함하는 딥러닝 학습 방법
|
| 2 |
2
제 1항에 있어서,상기 모델은, 상기 주파수의 복수의 구간 각각에 대응하여 적용되도록 복수로 이용되고,상기 제 4 단계에서, 적용되는 학습 종류가 온라인 학습으로 결정된 경우,상기 제 5 단계에서는,상기 분할된 조각 데이터 중 상기 복수의 구간에서 제 1 구간에 대응하는 제 1 조각 데이터가, 상기 복수의 모델 중 상기 제 1 구간에 대응하는 제 1 모델의 입력으로 이용되는 것을 특징으로 하는 딥러닝 학습 방법
|
| 3 |
3
제 2항에 있어서,복수의 구간 및 분할된 조각 데이터는 N개이고, 상기 모델은 상기 N보다 작은 K개이며,상기 제 5 단계 및 제 6 단계는,상기 N개의 조각 데이터가 상기 K개의 모델에 병렬적으로 입력 및 학습되는 것을 특징으로 하는 딥러닝 학습 방법
|
| 4 |
4
제 1항에 있어서,상기 모델은 복수이고,상기 제 4 단계에서, 적용되는 학습 종류가 오프라인 학습으로 결정된 경우,상기 제 5 단계에서는,상기 분할된 조각 데이터 각각을 상기 복수의 모델 각각의 입력으로 이용하는 것을 특징으로 하는 딥러닝 학습 방법
|
| 5 |
5
제 4항에 있어서,상기 모델, 복수의 구간 및 분할된 조각 데이터는 N개이고,상기 제 5 단계 및 제 6 단계는,상기 N개의 조각 데이터가 상기 N개의 모델에 병렬적으로 입력 및 학습되는 것을 특징으로 하는 딥러닝 학습 방법
|
| 6 |
6
제 1항에 있어서,상기 단위 시간은
|
| 7 |
7
제 6항에 있어서,상기 단위 시간 동안의 상기 시계열 데이터의 특징 값의 신호를 미분하여 상기 주파수를 결정하는 것을 특징으로 하는 딥러닝 학습 방법
|
| 8 |
8
제 1항에 있어서,상기 복수의 구간은, 상기 주파수 중 가장 낮은 주파수에서부터 가장 높은 주파수 사이를 동일한 간격으로 나누어 설정하거나 상기 시계열 데이터가 갖는 주파수 성분을 K-평균 알고리즘을 이용하여 그룹화하여 설정하는 것을 특징으로 하는 딥러닝 학습 방법
|
| 9 |
9
시계열 데이터를 기초로 결과를 예측하는 동작 및 상기 시계열 데이터를 분류하는 동작 중 적어도 하나를 수행하는 모델을 딥러닝 학습하는 시스템에 있어서,제어부는,상기 시계열 데이터의 단위 시간별로 주파수를 결정하고,단위 시간별로 결정된 주파수 중 가장 낮은 주파수부터 가장 높은 주파수까지를 복수의 구간으로 구획하며,상기 복수의 구간 각각에 대한 조각 데이터가 되도록 시간축에 따라 시계열 데이터를 분할하고,적용되는 학습의 종류가 온라인 학습(On-line Learning) 인지 또는 오프라인 학습(Off-line Learning) 인지 여부를 결정하며,상기 결정된 학습 종류에 따라 분할된 조각 데이터를 상기 모델의 입력으로 사용하고,상기 모델이 입력된 데이터를 기초로 딥러닝 학습하도록 제어하는 것을 특징으로 하는 딥러닝 학습 시스템
|
