| 1 |
1
시뮬레이션 또는 실제 실험을 통하여 변수값에 따른 결과 데이터를 생성하는 학습 데이터 세트의 생성단계;상기 학습 데이터 세트로부터 유전 알고리즘을 이용하여 인공신경망을 위한 하이퍼파라미터 조합을 도출하는 단계; 및상기 하이퍼파라미터 조합을 이용하여 인공 신경망 모델을 구축하는 단계;를 포함하는 유전 알고리즘을 이용한 인공 신경망 모델 구축방법
|
| 2 |
2
제1항에 있어서, 상기 구축된 인공 신경망 모델을 상기 유전 알고리즘의 목적함수로 사용하여, 유전 알고리즘의 변수 최적화에 사용하는 단계를 더 포함하는 것을 특징으로 하는 유전 알고리즘을 이용한 인공 신경망 모델 구축방법
|
| 3 |
3
제1항에 있어서, 상기 하이퍼파라미터는 은닉층의 수, 은닉층 당 뉴런의 수, 학습률, 활성화 함수의 종류, 손실함수의 종류, 가중치 및 편향 도출을 위한 기법, 및 에폭 수로 이루어진 군으로부터 선택되는 1종 이상인 것을 특징으로 하는 유전 알고리즘을 이용한 인공 신경망 모델 구축방법
|
| 4 |
4
시뮬레이션 또는 실제 실험을 통하여 변수값에 따른 결과 데이터를 생성하는 학습 데이터 세트의 생성단계;상기 학습 데이터 세트로부터 유전 알고리즘을 이용하여 인공신경망을 위한 하이퍼파라미터 조합을 도출하는 단계;상기 하이퍼파라미터 조합을 이용하여 인공 신경망 모델을 구축하는 단계; 및상기 구축된 인공 신경망 모델을 이용하여 변수값을 최적화하는 단계;를 포함하는 변수 최적화 방법
|
| 5 |
5
제4항에 있어서, 상기 구축된 인공 신경망 모델을 상기 유전 알고리즘의 목적함수로 사용하여, 유전 알고리즘의 변수 최적화에 사용하는 단계를 더 포함하는 것을 특징으로 하는 변수 최적화 방법
|
| 6 |
6
제4항에 있어서, 상기 하이퍼파라미터는 은닉층의 수, 은닉층 당 뉴런의 수, 학습률, 활성화 함수의 종류, 손실함수의 종류, 가중치 및 편향 도출을 위한 기법, 및 에폭 수로 이루어진 군으로부터 선택되는 1종 이상인 것을 특징으로 하는 변수 최적화 방법
|
| 7 |
7
화학 공정을 위한 시뮬레이션 또는 실제 실험을 통하여 공정 변수값에 따른 결과 데이터를 생성하는 학습 데이터 세트의 생성단계;상기 학습 데이터 세트로부터 유전 알고리즘을 이용하여 인공신경망을 위한 하이퍼파라미터 조합을 도출하는 단계; 및상기 하이퍼파라미터 조합을 이용하여 화학 공정 모델링을 위한 인공 신경망 모델을 구축하는 단계;를 포함하는 유전 알고리즘을 이용한 화학 공정 모델링을 위한 인공 신경망 모델 구축방법
|
| 8 |
8
제7항에 있어서, 상기 구축된 인공 신경망 모델을 상기 유전 알고리즘의 목적함수로 사용하여, 유전 알고리즘의 변수 최적화에 사용하는 단계를 더 포함하는 것을 특징으로 하는 유전 알고리즘을 이용한 화학 공정 모델링을 위한 인공 신경망 모델 구축방법
|
| 9 |
9
제7항에 있어서, 상기 하이퍼파라미터는 은닉층의 수, 은닉층 당 뉴런의 수, 학습률, 활성화 함수의 종류, 손실함수의 종류, 가중치 및 편향 도출을 위한 기법, 및 에폭 수로 이루어진 군으로부터 선택되는 1종 이상인 것을 특징으로 하는 유전 알고리즘을 이용한 화학 공정 모델링을 위한 인공 신경망 모델 구축방법
|
| 10 |
10
화학 공정을 위한 시뮬레이션 또는 실제 실험을 통하여 변수값에 따른 결과 데이터를 생성하는 학습 데이터 세트의 생성단계;상기 학습 데이터 세트로부터 유전 알고리즘을 이용하여 인공신경망을 위한 하이퍼파라미터 조합을 도출하는 단계;상기 하이퍼파라미터 조합을 이용하여 화학 공정 모델링을 위한 인공 신경망 모델을 구축하는 단계; 및상기 구축된 인공 신경망 모델을 이용하여 화학 공정의 변수값을 최적화하는 단계;를 포함하는 화학 공정 변수 최적화 방법
|
| 11 |
11
제10항에 있어서, 상기 구축된 인공 신경망 모델을 상기 유전 알고리즘의 목적함수로 사용하여, 유전 알고리즘의 변수 최적화에 사용하는 단계를 더 포함하는 것을 특징으로 하는 화학 공정 변수 최적화 방법
|
| 12 |
12
제10항에 있어서, 상기 하이퍼파라미터는 은닉층의 수, 은닉층 당 뉴런의 수, 학습률, 활성화 함수의 종류, 손실함수의 종류, 가중치 및 편향 도출을 위한 기법, 및 에폭 수로 이루어진 군으로부터 선택되는 1종 이상인 것을 특징으로 하는 화학 공정 변수 최적화 방법
|
| 13 |
13
화학 공정을 위한 시뮬레이션 또는 실제 실험을 통하여 변수값에 따른 결과 데이터를 생성하는 학습 데이터 세트의 생성단계;상기 학습 데이터 세트로부터 유전 알고리즘을 이용하여 인공신경망을 위한 하이퍼파라미터 조합을 도출하는 단계;상기 하이퍼파라미터 조합을 이용하여 화학 공정 모델링을 위한 인공 신경망 모델을 구축하는 단계; 및상기 구축된 인공 신경망 모델에 변수값을 도입하여 이에 따른 결과 데이터를 도출하는 단계;를 포함하는 화학 공정 변수에 따른 결과 데이터 예측방법
|
| 14 |
14
제13항에 있어서, 상기 구축된 인공 신경망 모델을 상기 유전 알고리즘의 목적함수로 사용하여, 유전 알고리즘의 변수 최적화에 사용하는 단계를 더 포함하는 것을 특징으로 하는 화학 공정 변수에 따른 결과 데이터 예측방법
|
| 15 |
15
제13항에 있어서, 상기 하이퍼파라미터는 은닉층의 수, 은닉층 당 뉴런의 수, 학습률, 활성화 함수의 종류, 손실함수의 종류, 가중치 및 편향 도출을 위한 기법, 및 에폭 수로 이루어진 군으로부터 선택되는 1종 이상인 것을 특징으로 하는 화학 공정 변수에 따른 결과 데이터 예측방법
|
