1 |
1
실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하며, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 각기 다른 감지 물질을 개별 센서(10)를 센서어레이(sensor array, 100) 형태로 장착하고, 목표가스의 수만큼 개별 센서(10)를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서(10)를 통해 측정하고, 센서(10)를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 신호처리칩(200)에서 구분하며, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하고,센서어레이(100)와 온도, 습도의 외부 환경의 입력과 데이터를 공동으로 취합하는 신호처리칩(200)은, 온도와 습도에 따른 감도 변화의 목표가스를 감지하는 센서어레이에서 출력 데이터는 ReLU 함수로 활성화 함수를 사용하도록 센서데이터에 tag 1을 추가하여 부가하고, 이산성을 갖는 센서 출력은 tag 0를 부가하여 구분하며, 센서데이터는 베이지안 인공네트워크를 활용하여 학습 및 연산으로 출력함으로써 가스 농도 감지와 예측이 가능한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템
|
2 |
2
삭제
|
3 |
3
제1항에 있어서, 상기 ReLU(rectified linear units)는, 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않도록 하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템
|
4 |
4
제3항에 있어서, 상기 뉴런은 18개의 레이어(Layer)와 124개의 뉴런, 772개의 커넥션(Connection)으로 구성되고, 각각의 레이어(Layer)는 8개의 뉴런을 포함하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템
|
5 |
5
제1항에 있어서,상기 활성화 함수는,MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템
|
6 |
6
센서 어레이로부터 수집한 공기중에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 안정화되지 않은 센서(10)의 값과 센서어레이(100) 값의 편차가 있는 경우를 위한 센서데이터 전처리과정(S10)과; 이산성 특성(0)과 온도와 습도에서 선형성 특성(1)을 구분하여 인공지능의 시그모이드의 활성화 함수 모델을 선택할 수 있도록 센서데이터에서 특징 추출하면서 패턴 분류를 진행하는 과정(S20)과;응용프로그램에서 요구하는 센서의 성능을 구분하여 출력 데이터의 형식을 선별하는 과정(S30)과; S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 센서를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX(210)를 통해 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)로 출력하는 신호를 처리하는 과정(S40)과; S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 입력저항에 상관없이 전체 저항범위에서 동일하게 센서의 신호를 분석하여 확대기반 고해상도 모드부에서 신호를 처리하는 과정(S50)과; S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과;선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 인공지능 분석 모델을 선택하는 과정(S70)과; S70과정에서 현재의 가스 농도를 제공할 것 인지 또는 향후의 가스농도를 예측 할 것인지 선택하는 과정(S80)과;이산형 모델에서 뉴런이 선형적으로 활성화되어 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않게 하는 과정(S90)과;구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100);을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼
|
7 |
7
제6항에 있어서,상기 활성화 함수는, MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼
|
8 |
8
제7항에 있어서,상기 ReLU(rectified linear units)은, 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되게 하여 오류 역전파에 의해 경사도가 사라지지 않도록 하는 것과,포화현상(Saturation)이 되지 않고 수렴이 시그모이드에서 발생하는 그래디언트 소실(vanishing gradient)을 회피하는 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼
|
9 |
9
제6항에 있어서,상기 뉴런은,네트워크 모델 구조로 이루어지며, 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하고,레이어(Layer) 안의 뉴런 수를 증가시키면서 시뮬레이션을 통해 정확도와 디베이션(Deviation)의 예측이 가능한 모델을 확인할 수 있도록 한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼
|
10 |
10
제6항에 있어서,상기 활성화 함수는,MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼
|