1 |
1
복수의 클래스로 구분되는 학습 데이터를 저장하는 저장부; 및행렬 형태의 데이터가 입력되면, 신경망 모델을 이용하여 상기 데이터의 행 및 열과 상기 학습 데이터의 행 및 열과의 상관 정도를 산출하고, 상기 산출된 상관 정도에 기초하여 상기 복수의 클래스 중 상기 데이터에 대응되는 클래스를 결정하는 프로세서;를 포함하고,상기 저장부는,상기 신경망 모델에 사용되는 제1 가중치 및 제2 가중치를 상기 학습 데이터와 함께 저장하며,상기 프로세서는,상기 데이터의 각 행과 상기 학습 데이터의 각 행 사이의 제1 상관 계수와, 상기 데이터의 각 열과 상기 학습 데이터의 각 열 사이의 제2 상관 계수를 산출하고, 상기 제1 상관 계수 및 상기 제2 상관 계수에 상기 제1 가중치 및 상기 제2 가중치를 단계적으로 적용하여 상기 데이터 및 상기 학습 데이터 간의 유사도를 산출하는, 전자 장치
|
2 |
2
제1항에 있어서,상기 프로세서는,상기 산출된 유사도 중 가장 큰 유사도가 산출된 학습 데이터가 속한 클래스를 상기 데이터의 클래스로 결정하는, 전자 장치
|
3 |
3
제2항에 있어서,상기 프로세서는,아래의 수학식을 이용하여 상기 유사도를 산출하는, 전자 장치:여기서, ρri 및 ρcj는, 이며,X는 상기 데이터, Y는 상기 학습 데이터, f(X,Y)는 상기 유사도, ωri는 i번째 행의 가중치, ωcj는 j번째 열의 가중치, l1은 행의 개수, l2는 열의 개수, vr은 행 전체에 대한 가중치, vc는 열 전체에 대한 가중치, φ는 활성화 함수, ρri는 i번째 행의 상관 계수, ρcj는 j번째 열의 상관 계수, 는 X와 Y의 i번째 행의 공분산, 는 X와 Y의 j번째 열의 공분산, 는 X의 i번째 행의 분산, 는 Y의 i번째 행의 분산, 는 X의 j번째 열의 분산, 는 Y의 j번째 열의 분산을 나타낸다
|
4 |
4
제3항에 있어서,상기 프로세서는,상기 학습 데이터 중에서 복수의 데이터 쌍을 구성하고, 초기 제1 가중치, 초기 제2 가중치 및 상기 복수의 데이터 쌍을 순차적으로 상기 수학식에 적용하여 상기 제1 가중치 및 상기 제2 가중치를 결정하고, 상기 제1 가중치 및 상기 제2 가중치를 상기 저장부에 저장하는, 전자 장치
|
5 |
5
제3항에 있어서,상기 프로세서는,상기 학습 데이터 중에서 복수의 데이터 쌍을 구성하고, 초기 제1 가중치, 초기 제2 가중치 및 상기 복수의 데이터 쌍을 순차적으로 상기 수학식에 적용하여 상기 복수의 데이터 쌍 간의 유사도를 산출하고, 상기 산출된 유사도와 타겟 값을 비교하여, 비교 결과 값에 기초하여 상기 초기 제1 가중치 및 상기 초기 제2 가중치를 업데이트하는 가중치 학습 동작을 수행하고,상기 프로세서는,상기 산출된 유사도와 상기 타겟 값 간의 비교 결과 값이 기설정된 조건을 충족할 때까지 상기 가중치 학습 동작을 반복적으로 수행하며,상기 기설정된 조건이 충족되면, 최종 업데이트된 값을 상기 제1 가중치 및 상기 제2 가중치로 결정하는, 전자 장치
|
6 |
6
제5항에 있어서,상기 프로세서는,각 데이터 쌍의 클래스가 동일한 경우와 상이한 경우에 대해, 상기 타겟 값을 상이하게 결정하는, 전자 장치
|
7 |
7
제5항에 있어서,상기 프로세서는,상기 산출된 유사도와 상기 타겟 값에 오류 역전파 알고리즘(error-back-propagation algorithm)을 적용하여 상기 가중치 학습 동작을 수행하는, 전자 장치
|
8 |
8
전자 장치의 데이터 구분 방법에 있어서,복수의 클래스로 구분되는 학습 데이터를 저장하는 단계;행렬 형태의 데이터를 입력받는 단계; 및신경망 모델을 이용하여 상기 데이터의 행 및 열과 상기 학습 데이터의 행 및 열과의 상관 정도를 산출하고, 상기 상관 정도에 기초하여 상기 복수의 클래스 중 상기 데이터에 대응되는 클래스를 결정하는 단계;를 포함하고,상기 클래스를 결정하는 단계는,상기 데이터의 각 행과 상기 학습 데이터의 각 행 사이의 제1 상관 계수와, 상기 데이터의 각 열과 상기 학습 데이터의 각 열 사이의 제2 상관 계수를 산출하는 단계; 및상기 제1 상관 계수 및 상기 제2 상관 계수에 제1 가중치 및 제2 가중치를 단계적으로 적용하여 상기 데이터 및 상기 학습 데이터 간의 유사도를 산출하는 단계;를 포함하는, 데이터 구분 방법
|
9 |
9
제8항에 있어서,상기 클래스를 결정하는 단계는,상기 산출된 유사도 중 가장 큰 유사도가 산출된 학습 데이터가 속한 클래스를 상기 데이터의 클래스로 결정하는 단계;를 더 포함하는, 데이터 구분 방법
|
10 |
10
제9항에 있어서,상기 유사도를 산출하는 단계는,아래의 수학식을 이용하여 상기 유사도를 산출하는, 데이터 구분 방법:여기서, ρri 및 ρcj는, 이며,X는 상기 데이터, Y는 상기 학습 데이터, f(X,Y)는 상기 유사도, ωri는 i번째 행의 가중치, ωcj는 j번째 열의 가중치, l1은 행의 개수, l2는 열의 개수, vr은 행 전체에 대한 가중치, vc는 열 전체에 대한 가중치, φ는 활성화 함수, ρri는 i번째 행의 상관 계수, ρcj는 j번째 열의 상관 계수, 는 X와 Y의 i번째 행의 공분산, 는 X와 Y의 j번째 열의 공분산, 는 X의 i번째 행의 분산, 는 Y의 i번째 행의 분산, 는 X의 j번째 열의 분산, 는 Y의 j번째 열의 분산을 나타낸다
|
11 |
11
제10항에 있어서,상기 저장하는 단계는,상기 학습 데이터 중에서 복수의 데이터 쌍을 구성하고, 초기 제1 가중치, 초기 제2 가중치 및 상기 복수의 데이터 쌍을 순차적으로 상기 수학식에 적용하여 상기 제1 가중치 및 상기 제2 가중치를 결정하는 단계; 및상기 제1 가중치 및 상기 제2 가중치를 저장하는 단계;를 포함하는, 데이터 구분 방법
|
12 |
12
제10항에 있어서,상기 저장하는 단계는,상기 학습 데이터 중에서 복수의 데이터 쌍을 구성하고, 초기 제1 가중치, 초기 제2 가중치 및 상기 복수의 데이터 쌍을 순차적으로 상기 수학식에 적용하여 상기 복수의 데이터 쌍 간의 유사도를 산출하는 단계;상기 산출된 유사도와 타겟 값을 비교하여, 비교 결과 값에 기초하여 상기 초기 제1 가중치 및 상기 초기 제2 가중치를 업데이트하는 가중치 학습 동작을 수행하는 단계;상기 산출된 유사도와 상기 타겟 값 간의 비교 결과 값이 기설정된 조건을 충족할 때까지 상기 가중치 학습 동작을 반복적으로 수행하는 단계;상기 기설정된 조건이 충족되면, 최종 업데이트된 값을 상기 제1 가중치 및 상기 제2 가중치로 결정하는 단계; 및상기 제1 가중치 및 상기 제2 가중치를 저장하는 단계;를 포함하는, 데이터 구분 방법
|
13 |
13
제12항에 있어서,상기 타겟 값은,각 데이터 쌍의 클래스가 동일한 경우와 상이한 경우에 대해, 상이하게 결정되는, 데이터 구분 방법
|
14 |
14
제12항에 있어서,상기 가중치 학습 동작을 수행하는 단계는,상기 산출된 유사도와 상기 타겟 값에 오류 역전파 알고리즘(error-back-propagation algorithm)을 적용하여 상기 가중치 학습 동작을 수행하는, 데이터 구분 방법
|