| 1 |
1
사전 처리부를 통해 운전자 행동 식별을 위하여 네트워크를 분류하기 전에 데이터 표준화를 위해 데이터를 사전 처리하는 단계;표준화된 데이터를 이용하여 연산부를 통해 1D CNN을 2D RNN에 의해 증가된 깊이별 콘볼루션 계층으로 교체하는 단계; 및학습부를 통해 각 계층의 커널 크기인 계층 수를 포함하는 하이퍼 파라미터를 결정하고, 운전자 행동 식별을 위한 통계적 기계 학습 모델을 을 이용하여 학습하는 단계를 포함하는 경량 운전자 행동 식별 방법
|
| 2 |
2
제1항에 있어서,표준화된 데이터를 이용하여 연산부를 통해 1D CNN을 2D RNN에 의해 증가된 깊이별 콘볼루션 계층으로 교체하는 단계는, 경량 운전자 행동 식별을 위한 심층 신경망을 구축하기 위해 시계열 데이터에 깊이별 콘볼루션을 적용하고, 깊이별 콘볼루션의 연산비용은 하기식으로 나타내며, 여기서, M은 입력 채널의 수와 Dk 크기의 출력 특징 맵을 생성하는 커널의 크기를 나타내고, 표준 콘볼루션의 경우 깊이별 콘볼루션의 계산 비용은 N배이며, 여기서 N은 출력 채널의 수를 나타내는 경량 운전자 행동 식별 방법
|
| 3 |
3
제2항에 있어서,2D RNN의 기울기 소실 문제를 해결하기 위해 게이팅(gating) 기능과 이전 상태의 메모리를 제어하는 메모리 장치가 추가된 LSTM 및 업데이트 게이트와 함께 게이팅 기능이 추가된 GRU를 사용하고, LSTM 및 GRU는 다변량 시계열 데이터를 수신하는 경량 운전자 행동 식별 방법
|
| 4 |
4
제1항에 있어서, 각 계층의 커널 크기인 계층 수를 포함하는 하이퍼 파라미터를 결정하고, 운전자 행동 식별을 위한 통계적 기계 학습 모델을 을 이용하여 학습하는 단계는, 통계적 기계 학습 모델에 대한 입력은 윈도우 크기에 따라 달라지고, 오버랩 정도는 순차적 또는 시계열 데이터의 사전 정보를 결정하므로, 데이터 세분화 및 윈도우 설정을 위해 순차적 또는 시계열 데이터와 관련하여 윈도우의 크기 및 오버랩 정도를 결정하는 경량 운전자 행동 식별 방법
|
| 5 |
5
운전자 행동 식별을 위하여 네트워크를 분류하기 전에 데이터 표준화를 위해 데이터를 사전 처리하는 사전 처리부; 표준화된 데이터를 이용하여 1D CNN을 2D RNN에 의해 증가된 깊이별 콘볼루션 계층으로 교체하는 연산부; 및 각 계층의 커널 크기인 계층 수를 포함하는 하이퍼 파라미터를 결정하고, 운전자 행동 식별을 위한 통계적 기계 학습 모델을 을 이용하여 학습하는 학습부를 포함하는 경량 운전자 행동 식별 장치
|
| 6 |
6
제5항에 있어서, 연산부는, 경량 운전자 행동 식별을 위한 심층 신경망을 구축하기 위해 시계열 데이터에 깊이별 콘볼루션을 적용하고, 깊이별 콘볼루션의 연산비용은 하기식으로 나타내며, 여기서, M은 입력 채널의 수와 Dk 크기의 출력 특징 맵을 생성하는 커널의 크기를 나타내고, 표준 콘볼루션의 경우 깊이별 콘볼루션의 계산 비용은 N배이며, 여기서 N은 출력 채널의 수를 나타내고, 2D RNN의 기울기 소실 문제를 해결하기 위해 게이팅(gating) 기능과 이전 상태의 메모리를 제어하는 메모리 장치가 추가된 LSTM 및 업데이트 게이트와 함께 게이팅 기능이 추가된 GRU를 사용하고, LSTM 및 GRU는 다변량 시계열 데이터를 수신하는 경량 운전자 행동 식별 장치
|
| 7 |
7
제5항에 있어서, 학습부는, 통계적 기계 학습 모델에 대한 입력은 윈도우 크기에 따라 달라지고, 오버랩 정도는 순차적 또는 시계열 데이터의 사전 정보를 결정하므로, 데이터 세분화 및 윈도우 설정을 위해 순차적 또는 시계열 데이터와 관련하여 윈도우의 크기 및 오버랩 정도를 결정하는 경량 운전자 행동 식별 장치
|
