삭제

삭제

L(L은 자연수)차원 어레이(tensor)의 엘리먼트들 각각을 L개의 정규화된벡터 데이터들로 변환하여 모델링부의 인공 신경망에 입력하는 입력 데이터 변환부와, 상기 입력된 벡터 데이터를 학습하기 위한 인공 신경망 기반의 예측 모델을 모델링하고, 모델링을 통한 예측값을 출력하는 모델링부와, 상기 모델링부에 의한 예측값과 실제 측정값을 비교하여 오차값을 계산하고, 오차값을 이용하여 역전파(Back Propagation) 알고리즘을 이용하여 상기 인공 신경망의 학습 파라미터를 조정하는 조정부를 포함하고, 상기 입력 데이터 변환부는상기 L(L은 자연수) 차원 어레이의 소정 엘리먼트 값에 해당하는 L개의 벡터들을 정규화하는 입력 데이터 정규화부와, 상기 L개의 벡터들을 상기 인공 신경망에 입력하는 정규화 벡터 입력 처리부를 포함하고, 상기 입력 데이터 정규화부는상기 L개의 벡터들 각각의 엘리먼트의 갯수를 엘리먼트 값이 제로가 아닌 엘리먼트의 갯수로 나눈 값을 L개의 벡터들 각각의 엘리먼트들 각각에 곱함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제3 항에 있어서, 상기 정규화 벡터 입력 처리부는상기 L개의 벡터들을 일렬로 연결한 행 벡터 형태로 상기 인공 신경망에 입력함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제3 항에 있어서, 상기 모델링부는상기 인공 신경망의 입력 계층과 은닉 계층 사이, 은닉 계층과 은닉 계층 사이, 은닉 계층과 출력 계층 사이에서 데이터의 분포를 정규화시키는 배치 정규화가 적어도 한번 이상 수행되도록 함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제 5항에 있어서, 상기 모델링부는입력값들의 평균을 산출한 후, 상기 평균을 이용해 상기 입력값들의 분산값을 계산하고, 상기 분산값을 이용해 정규화된 값을 구하고, 상기 정규화된 값을 스케일(scale) 및 쉬프트(shift)하여 배치 정규화된 값을 산출함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제 5항에 있어서, 상기 모델링부는상기 은닉 계층에서 상기 배치 정규화된 값에 비선형 함수를 적용함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제5 항에 있어서, 상기 모델링부는상기 출력 계층에서 상기 배치 정규화되어 출력된 값들에 소프트맥스 함수(Softmax function)를 적용하여 레이팅별 확률을 산출하고, 가중치를 적용한 뒤, 합산하여 상기 예측값을 출력함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제3 항에 있어서, 상기 인공 신경망 기반의 예측 모델이 모델링 된 후, 추가 데이터가 입력됨에 따라, 상기 입력 데이터에 상기 추가 데이터를 확장시킨 L(L은 자연수) 차원 어레이를 생성하고, 상기 L차원 어레이에서 예측하고자 하는 추가 데이터에 포함되는 엘리먼트 값에 해당하는 L개의 벡터들로 예측값을 출력하도록 상기 입력 데이터 변환부 및 상기 모델링부를 제어하는 제어부를 더 포함하되, 상기 추가 데이터에 해당하는 L개의 벡터들의 크기는 상기 입력 데이터에 해당하는 L개의 벡터들의 크기와 동일함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

제3 항에 있어서, 상기 인공 신경망 기반의 예측 모델이 모델링 된 후, 추가 데이터가 입력됨에 따라, 상기 입력 데이터에 상기 추가 데이터를 확장시킨 L(L은 자연수) 차원 어레이를 생성하고, 상기 L차원 어레이에서 학습하고자 하는 추가 데이터에 포함되는 엘리먼트 값에 해당하는 L개의 벡터들로 상기 예측 모델을 추가 학습하도록 상기 입력 데이터 변환부, 상기 모델링부 및 상기 조정부를 제어하는 제어부를 더 포함하되, 상기 추가 데이터에 해당하는 L개의 벡터들의 크기는 상기 입력 데이터에 해당하는 L개의 벡터들의 크기와 동일함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 장치.

삭제

L(L은 자연수) 차원 어레이(tensor)에 포함되는 엘리먼트들 중 소정 엘리먼트 값에 해당하는 L개의 벡터들을 정규화하는 입력 데이터 정규화부와, 상기 L개의 벡터들을 인공 신경망에 입력하는 정규화 벡터 입력 처리부를 포함하고, 상기 입력 데이터 정규화부는상기 L개의 벡터들 각각의 엘리먼트의 갯수를 엘리먼트 값이 제로가 아닌 엘리먼트의 갯수로 나눈 값을 L개의 벡터들 각각의 엘리먼트들 각각에 곱함을 특징으로 하는 인공 신경망 입력 데이터 변환 장치.

제12 항에 있어서, 상기 정규화 벡터 입력 처리부는상기 L개의 벡터들을 일렬로 연결한 행 벡터 형태로 상기 인공 신경망에 입력함을 특징으로 하는 인공 신경망 입력 데이터 변환 장치.

삭제

삭제

인공 신경망 기반 예측 모델 생성 장치의 입력 데이터 변환부에 의해 수행되는 L(L은 자연수)차원 어레이(tensor)의 엘리먼트들 각각을 L개의 정규화된 벡터 데이터들로 변환하여 모델링부의 인공 신경망에 입력하는 단계와, 인공 신경망 기반 예측 모델 생성 장치의 모델링부에 의해 수행되는 상기 입력된 벡터 데이터를 학습하기 위한 인공 신경망 기반의 예측 모델을 모델링하고, 모델링을 통한 예측값을 출력하는 단계와, 인공 신경망 기반 예측 모델 생성 장치의 조정부에 의해 수행되는 상기 모델링부에 의한 예측값과 실제 측정값을 비교하여 오차값을 계산하고, 오차값을 이용하여 역전파(Back Propagation) 알고리즘을 이용하여 상기 인공 신경망의 학습 파라미터를 조정하는 단계를 포함하고, 상기 변환하여 모델링부의 인공 신경망에 입력하는 단계는상기 L(L은 자연수) 차원 어레이의 소정 엘리먼트 값에 해당하는 L개의 벡터들을 정규화하는 단계와, 상기 L개의 벡터들을 상기 인공 신경망에 입력하는 단계를 포함하고, 상기 정규화하는 단계는상기 L개의 벡터들 각각의 엘리먼트의 갯수를 엘리먼트 값이 제로가 아닌 엘리먼트의 갯수로 나눈 값을 L개의 벡터들 각각의 엘리먼트들 각각에 곱함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제16 항에 있어서, 상기 L개의 벡터들을 상기 인공 신경망에 입력하는 단계는 상기 L개의 벡터들을 일렬로 연결한 행 벡터 형태로 상기 인공 신경망에 입력함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제16 항에 있어서, 상기 출력하는 단계는상기 인공 신경망의 입력 계층과 은닉 계층 사이, 은닉 계층과 은닉 계층 사이, 은닉 계층과 출력 계층 사이에서 적어도 한번 데이터의 분포를 배치 정규화시키는 단계를 포함함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제 18항에 있어서, 상기 출력하는 단계는입력값들의 평균을 산출하는 단계와, 상기 평균을 이용해 상기 입력값들의 분산값을 계산하는 단계와, 상기 분산값을 이용해 정규화된 값을 산출하는 단계와, 상기 정규화된 값을 스케일(scale) 및 쉬프트(shift)하여 배치 정규화된 값을 산출하는 단계를 포함함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제 18항에 있어서, 상기 출력하는 단계는상기 은닉 계층에서 상기 배치 정규화된 값에 비선형 함수를 적용함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제18 항에 있어서, 상기 출력하는 단계는상기 출력 계층에서 상기 배치 정규화되어 출력된 값들에 소프트맥스 함수(Softmax function)를 적용하여 레이팅별 확률을 산출하는 단계와, 가중치를 적용한 뒤, 합산하여 상기 예측값을 출력하는 단계를 포함함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제16 항에 있어서, 상기 인공 신경망 기반의 예측 모델이 모델링 된 후, 추가 데이터가 입력됨에 따라, 상기 입력 데이터에 상기 추가 데이터를 확장시킨 L(L은 자연수) 차원 어레이를 생성하고, 상기 L차원 어레이에서 예측하고자 하는 추가 데이터에 포함되는 엘리먼트 값에 해당하는 L개의 벡터들로 예측값을 출력하도록 상기 변환하는 단계 및 상기 출력하는 단계를 재수행하도록 제어하는 단계를 더 포함하되,상기 추가 데이터에 해당하는 L개의 벡터들의 크기는 상기 입력 데이터에 해당하는 L개의 벡터들의 크기와 동일함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

제16 항에 있어서, 상기 인공 신경망 기반의 예측 모델이 모델링 된 후, 추가 데이터가 입력됨에 따라, 상기 입력 데이터에 상기 추가 데이터를 확장시킨 L(L은 자연수) 차원 어레이를 생성하고, 상기 L차원 어레이에서 학습하고자 하는 추가 데이터에 포함되는 엘리먼트 값에 해당하는 L개의 벡터들로 상기 예측 모델을 추가 학습하도록 상기 변환하는 단계, 상기 출력하는 단계 및 상기 조정하는 단계를 재수행하도록 제어하는 단계를 더 포함하되, 상기 추가 데이터에 해당하는 L개의 벡터들의 크기는 상기 입력 데이터에 해당하는 L개의 벡터들의 크기와 동일함을 특징으로 하는 인공 신경망 기반 예측 모델 생성 방법.

삭제

인공 신경망 입력 데이터 변환 장치의 입력 데이터 정규화부에 의해 수행되는 L(L은 자연수) 차원 어레이(tensor)에 포함되는 엘리먼트들 중 소정 엘리먼트 값에 해당하는 L개의 벡터들을 정규화하는 단계와, 인공 신경망 입력 데이터 변환 장치의 정규화 벡터 입력 처리부에 의해 수행되는 상기 L개의 벡터들을 인공 신경망에 입력하는 단계를 포함하고, 상기 정규화하는 단계는상기 L개의 벡터들 각각의 엘리먼트의 갯수를 엘리먼트 값이 제로가 아닌 엘리먼트의 갯수로 나눈 값을 L개의 벡터들 각각의 엘리먼트들 각각에 곱함을 특징으로 하는 인공 신경망 입력 데이터 변환 방법.

제25 항에 있어서, 상기 인공 신경망에 입력하는 단계는상기 L개의 벡터들을 일렬로 연결한 행 벡터 형태로 상기 인공 신경망에 입력함을 특징으로 하는 인공 신경망 입력 데이터 변환 방법.