RnDcircle

번호	청구항
1	인공지능에 기반한 시계열 대기 굴절률 예측 방법에 있어서,적어도 하나 이상의 기상 관측소에 의해 소정의 기간동안 측정된 기상 데이터를 시계열 순의 특정 고도 간격의 기상 데이터로 가공하는 단계;상기 가공된 기상 데이터를 이용하여 상기 특정 고도 간격의 대기 굴절률을 계산하는 단계; 및상기 대기 굴절률을 다층 퍼셉트론 신경망(multi-layer perceptron)에 입력하여, 특정 시점의 예측 대기 굴절률을 생성하는 단계를 포함하는, 대기 굴절률 예측 방법.
2	제 1항에 있어서,상기 시계열 순의 특정 고도 간격의 기상 데이터로 가공하는 단계는,조각별 3차 에르미트 보간 다항식(Piecewise Cubic Hermite Interpolation Polynomial)을 이용하여 상기 특정 고도 간격의 상기 기상 데이터로 연산하고, 상기 특정 고도 간격의 상기 기상 데이터를 상기 특정 고도 별로 상기 시계열 순에 따라 가공하는 것인, 대기 굴절률 예측 방법.
3	제 1항에 있어서,상기 특정 고도 간격의 대기 굴절률을 계산하는 단계는,밀리미터파 전파 모델(Millimeter-wave Propagation Model)을 이용하여 상기 가공된 기상 데이터에 대응하는 상기 특정 고도 간격의 상기 대기 굴절률을 계산하는 것인, 대기 굴절률 예측 방법.
4	제 1항에 있어서,상기 특정 고도 간격의 대기 굴절률을 계산하는 단계는,상기 특정 고도 간격의 상기 기상 데이터의 기압, 기온 및 수증기의 부분압력을 변수로하는 ITU-R 모델(International Telecommunication Union - Radiocommunication Model)을 이용하여 상기 가공된 기상 데이터에 대응하는 상기 특정 고도 간격의 상기 대기 굴절률을 계산하는 것인, 대기 굴절률 예측 방법.
5	제 1항에 있어서,상기 기상 데이터는,기온, 기압, 수증기의 부분압력, 이슬점, 상대습도, 풍속, 풍향, 눈, 비, 구름 및 에어로졸 중 적어도 하나를 포함하는, 대기 굴절률 예측 방법.
6	제 1항에 있어서,상기 예측 대기 굴절률을 생성하는 단계 전에,상기 특정 고도 간격의 상기 대기 굴절률을 학습 데이터로 가공하여 특정 시점의 상기 예측 대기 굴절률을 생성하는 상기 다층 퍼셉트론 신경망을 학습시키는 단계를 더 포함하는, 대기 굴절률 예측 방법.
7	제 6항에 있어서,상기 학습 데이터는,슬라이딩 윈도우(Sliding Window Technique)방식을 이용하여 상기 특정 고도 간격의 상기 대기 굴절률 중 상기 시계열 순으로 연속된 28개의 상기 대기 굴절률을 입력으로 하고, 상기 28 개의 상기 대기 굴절률 이후로 연속된 6개의 상기 대기 굴절률을 타겟으로 하여 구성되는, 대기 굴절률 예측 방법.
8	인공지능에 기반한 시계열 대기 굴절률 예측 장치에 있어서,적어도 하나의 인스트럭션을 저장하는 메모리; 및 상기 메모리부터 획득된 데이터에 기초하여 상기 메모리에 저장된 상기 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는,적어도 하나 이상의 기상 관측소에 의해 소정의 기간동안 측정된 기상 데이터를 시계열 순의 특정 고도 간격의 기상 데이터로 가공하고,상기 가공된 기상 데이터를 이용하여 상기 특정 고도 간격의 대기 굴절률을 계산하고,상기 대기 굴절률을 다층 퍼셉트론 신경망에 입력하여, 특정 시점의 예측 대기 굴절률을 생성하는, 대기 굴절률 예측 장치.
9	제 8항에 있어서,상기 프로세서는,조각별 3차 에르미트 보간 다항식(Piecewise Cubic Hermite Interpolation Polynomial)을 이용하여 상기 특정 고도 간격의 상기 기상 데이터로 연산하고, 상기 특정 고도 간격의 상기 기상 데이터를 상기 특정 고도 별로 상기 시계열 순에 따라 가공하여 상기 시계열 순의 상기 특정 고도 간격의 상기 기상 데이터로 가공하는, 대기 굴절률 예측 장치.
10	제 8항에 있어서,상기 프로세서는,밀리미터파 전파 모델(Millimeter-wave Propagation Model)을 이용하여 상기 가공된 기상 데이터에 대응하는 상기 특정 고도 간격의 상기 대기 굴절률을 계산하는, 대기 굴절률 예측 장치.
11	제 8항에 있어서,상기 프로세서는,상기 특정 고도 간격의 상기 기상 데이터의 기압, 기온 및 수증기의 부분압력을 변수로하는 ITU-R 모델(International Telecommunication Union - Radiocommunication Model)을 이용하여 상기 가공된 기상 데이터에 대응하는 상기 특정 고도 간격의 상기 대기 굴절률을 계산하는, 대기 굴절률 예측 장치.
12	제 8항에 있어서,상기 기상 데이터는,기온, 기압, 수증기의 부분압력, 이슬점, 상대습도, 풍속, 풍향, 눈, 비, 구름 및 에어로졸 중 적어도 하나를 포함하는, 대기 굴절률 예측 장치.
13	제 8항에 있어서,상기 프로세서는,상기 특정 고도 간격의 상기 대기 굴절률을 학습 데이터로 가공하여 특정 시점의 상기 예측 대기 굴절률을 생성하는 상기 다층 퍼셉트론 신경망을 학습시키는, 대기 굴절률 예측 장치.
14	제 13항에 있어서,상기 학습 데이터는,슬라이딩 윈도우(Sliding Window Technique)방식을 이용하여 상기 특정 고도 간격의 상기 대기 굴절률 중 상기 시계열 순으로 연속된 28개의 상기 대기 굴절률을 입력으로 하고, 상기 28 개의 상기 대기 굴절률 이후로 연속된 6개의 상기 대기 굴절률을 타겟으로 하여 구성되는, 대기 굴절률 예측 장치.