마이크로 장비를 이용하여 마스터 키를 생성하기 위한 사운드 데이터를 수집하는 단계; 상기 수집된 사운드 데이터에 대하여 인가 받은 대상으로부터 수집된 것인지 여부를 확인하기 위해 상기 사운드 데이터의 특징을 추출하는 단계; 및 추출된 특징을 이용하여 딥 러닝을 수행하고, 인가 받은 대상의 사운드 데이터에 상응하는 특정 사운드 데이터에 대한 마스터 키(Master Key)를 생성하여 저장하는 단계를 포함하고, 상기 추출된 특징을 이용하여 딥 러닝을 수행하고, 인가 받은 대상의 사운드 데이터에 상응하는 특정 사운드 데이터에 대한 마스터 키(Master Key)를 생성하여 저장하는 단계는, 상기 추출된 특징 데이터를 이용하여 변환된 컨텍스트 벡터를 분류하는 단계; 및 상기 분류된 컨텍스트 벡터를 정규화시키고, 특징맵을 추출한 후 마스터 키를 생성하는 단계를 포함하는 마스터 키 생성 방법.

제1항에 있어서,상기 수집된 사운드 데이터에 대하여 인가 받은 대상으로부터 수집된 것인지 여부를 확인하기 위해 상기 사운드 데이터의 특징을 추출하는 단계는, 사운드 데이터에 대해 푸리에 변환을 수행하여 주파수 영역의 파형으로 변환하는 단계; 상기 변환된 주파수 영역의 파형을 다운 샘플링하여 사운드 데이터의 특징을 추출하기 위한 저주파 성분만을 샘플링하는 단계; 및 상기 다운 샘플링된 주파수 영역의 파형에 대해 역푸리에 변환을 수행하여 시간 영역의 파형으로 변환하고, 사운드 데이터의 특징을 추출하는 단계를 포함하는 마스터 키 생성 방법.

제2항에 있어서,상기 사운드 데이터에 대해 푸리에 변환을 수행하여 주파수 영역의 파형으로 변환하는 단계는, 상기 사운드 데이터의 특징을 추출하기 위해 미리 정해진 프레임 단위로 푸리에 변환을 수행하고 멜-로그 스케일(Mel-Log Scale) 수식 변환을 사용하여 STFT(Short Term Fourier Transform)된 데이터를 스케일링하는마스터 키 생성 방법.

제2항에 있어서,상기 변환된 주파수 영역의 파형을 다운 샘플링하여 사운드 데이터의 특징을 추출하기 위한 저주파 성분만을 샘플링하는 단계는, DCT(Discrete Cosine Transform)을 사용하여 저주파 성분의 에너지를 극대화시키고, 고주파수 성분의 에너지를 0으로 근사시켜 필요 없는 고주파 성분은 제거하고 사운드 데이터의 특징을 추출하기 위한 저주파 성분만 남기는 방식으로 데이터를 압축하는 마스터 키 생성 방법.

제2항에 있어서, 상기 다운 샘플링된 주파수 영역의 파형에 대해 역푸리에 변환을 수행하여 시간 영역의 파형으로 변환하고, 사운드 데이터의 특징을 추출하는 단계는, 입력 게이트, 출력 게이트, 삭제 게이트를 이용하는 LSTM(Long Short-Term Memory)의 순환 신경망을 통해 추출된 특징 데이터를 컨텍스트 벡터(Context Vector)로 변환하는 마스터 키 생성 방법.

삭제

제1항에 있어서,상기 추출된 특징 데이터를 이용하여 변환된 컨텍스트 벡터를 분류하는 단계는, 상기 컨텍스트 벡터에 대한 이진 분류를 통해 상기 컨텍스트 벡터가 인가 받은 대상으로부터 수집된 것인지 여부에 따라 임베딩한 레이블 정보를 추가하여 반환하는 마스터 키 생성 방법.

제1항에 있어서,상기 분류된 컨텍스트 벡터를 정규화시키고, 특징맵을 추출한 후 마스터 키를 생성하는 단계는, 상시 특징맵을 추출한 후 시그모이드 활성 함수를 사용하는 덴스(Dense) 층을 거쳐 데이터를 비트 값으로 변환하고, 반올림(Round) 연산을 거쳐 마스터 키의 비트를 생성하는 마스터 키 생성 방법.

마이크로 장비를 이용하여 마스터 키를 생성하기 위한 사운드 데이터를 수집하는 데이터 수집부; 상기 수집된 사운드 데이터에 대하여 인가 받은 대상으로부터 수집된 것인지 여부를 확인하기 위해 상기 사운드 데이터의 특징을 추출하는 특징 추출부; 및 추출된 특징을 이용하여 딥 러닝을 수행하고, 인가 받은 대상의 사운드 데이터에 상응하는 특정 사운드 데이터에 대한 마스터 키(Master Key)를 생성하여 저장하는 마스터 키 생성부 를 포함하고, 상기 마스터 키 생성부는, 상기 추출된 특징 데이터를 이용하여 변환된 컨텍스트 벡터를 분류하고, 상기 분류된 컨텍스트 벡터를 정규화시키고, 특징맵을 추출한 후 마스터 키를 생성하는 마스터 키 생성 시스템.

제9항에 있어서,상기 특징 추출부는, 사운드 데이터에 대해 푸리에 변환을 수행하여 주파수 영역의 파형으로 변환하고, 상기 변환된 주파수 영역의 파형을 다운 샘플링하여 사운드 데이터의 특징을 추출하기 위한 저주파 성분만을 샘플링하며, 상기 다운 샘플링된 주파수 영역의 파형에 대해 역푸리에 변환을 수행하여 시간 영역의 파형으로 변환하고, 사운드 데이터의 특징을 추출하는 마스터 키 생성 시스템.

제10항에 있어서,상기 특징 추출부는, 상기 사운드 데이터의 특징을 추출하기 위해 미리 정해진 프레임 단위로 푸리에 변환을 수행하고 멜-로그 스케일(Mel-Log Scale) 수식 변환을 사용하여 STFT(Short Term Fourier Transform)된 데이터를 스케일링하는 마스터 키 생성 시스템.

제10항에 있어서,상기 특징 추출부는, DCT(Discrete Cosine Transform)을 사용하여 저주파 성분의 에너지를 극대화시키고, 고주파수 성분의 에너지를 0으로 근사시켜 필요 없는 고주파 성분은 제거하고 사운드 데이터의 특징을 추출하기 위한 저주파 성분만 남기는 방식으로 데이터를 압축하는 마스터 키 생성 시스템.

제10항에 있어서,상기 특징 추출부는, 입력 게이트, 출력 게이트, 삭제 게이트를 이용하는 LSTM(Long Short-Term Memory)의 순환 신경망을 통해 추출된 특징 데이터를 컨텍스트 벡터(Context Vector)로 변환하는 마스터 키 생성 시스템.

삭제

제9항에 있어서,상기 마스터 키 생성부는, 상기 컨텍스트 벡터에 대한 이진 분류를 통해 상기 컨텍스트 벡터가 인가 받은 대상으로부터 수집된 것인지 여부에 따라 임베딩한 레이블 정보를 추가하여 반환하는 마스터 키 생성 시스템.

제9항에 있어서,상기 마스터 키 생성부는, 상시 특징맵을 추출한 후 시그모이드 활성 함수를 사용하는 덴스(Dense) 층을 거쳐 데이터를 비트 값으로 변환하고, 반올림(Round) 연산을 거쳐 마스터 키의 비트를 생성하는 마스터 키 생성 시스템.