RnDcircle

번호	청구항
1	인공 신경망을 이용하는 인식 시스템에서의 주의집중 트레이닝 방법에 있어서,다층 퍼셉트론 네트워크 기반 인공 신경망의 학습 수행을 통해 획득된 시냅스별 연결 강도에 대응하는 복수의 가중치를 기설정된 가중치 값을 기반으로 고정하고, 다수의 뉴런으로 구성된 입력층에 훈련 패턴을 제시하는 단계;제시된 상기 훈련 패턴에 대응되는 인공 신경망 내의 연산 수행을 수행하여 복수의 도메인별 데이터에 대응하는 입력 벡터에 대한 출력을 산출하는 단계; 및산출된 출력을 통해 도메인별 정책 기반 데이터 인식률을 비교하여 인식률이 최우선하는 데이터의 해당 출력에 가중치를 부여하여 하향식(top-down) 선택적 주의집중 기반 시냅스별 트레이닝을 수행하는 단계를 포함하고,상기 시냅스별 트레이닝을 수행하는 단계에서, 상기 인공 신경망 내 입력층, 은닉층 및 출력층 사이의 연결선들의 연결강도에 대응하는 가중치가 고정된 상태로 도메인별 데이터에 대응하는 입력 벡터에 대한 출력 결과를 로컬 디시전(local decision)에서 하향식 선택적 주의집중을 통해 최우선순위에 해당하는 출력 결과를 데이터별 후보자 클래스에서 선정하고, 선정된 후보자 클래스에 기설정된 가중치를 부여하여 최종 인식 결과로 선택하는, 주의집중 트레이닝 방법.
2	제1항에 있어서,상기 입력 벡터에 대한 출력을 산출하는 단계에서, 상기 복수의 도메인별 데이터에 대응하는 입력 벡터에 대해 산출된 후보자 클라스별 인식률이 가장 높은 값에 해당하는 후보자 클라스에 대응되는 도메인별 데이터가 통합된 DLF (Decision Level Fusion)기반 출력을 획득하는, 주의집중 트레이닝 방법.
3	삭제

번호

청구항

인공 신경망을 이용하는 인식 시스템에서의 주의집중 트레이닝 방법에 있어서,다층 퍼셉트론 네트워크 기반 인공 신경망의 학습 수행을 통해 획득된 시냅스별 연결 강도에 대응하는 복수의 가중치를 기설정된 가중치 값을 기반으로 고정하고, 다수의 뉴런으로 구성된 입력층에 훈련 패턴을 제시하는 단계;제시된 상기 훈련 패턴에 대응되는 인공 신경망 내의 연산 수행을 수행하여 복수의 도메인별 데이터에 대응하는 입력 벡터에 대한 출력을 산출하는 단계; 및산출된 출력을 통해 도메인별 정책 기반 데이터 인식률을 비교하여 인식률이 최우선하는 데이터의 해당 출력에 가중치를 부여하여 하향식(top-down) 선택적 주의집중 기반 시냅스별 트레이닝을 수행하는 단계를 포함하고,상기 시냅스별 트레이닝을 수행하는 단계에서, 상기 인공 신경망 내 입력층, 은닉층 및 출력층 사이의 연결선들의 연결강도에 대응하는 가중치가 고정된 상태로 도메인별 데이터에 대응하는 입력 벡터에 대한 출력 결과를 로컬 디시전(local decision)에서 하향식 선택적 주의집중을 통해 최우선순위에 해당하는 출력 결과를 데이터별 후보자 클래스에서 선정하고, 선정된 후보자 클래스에 기설정된 가중치를 부여하여 최종 인식 결과로 선택하는, 주의집중 트레이닝 방법.

제1항에 있어서,상기 입력 벡터에 대한 출력을 산출하는 단계에서, 상기 복수의 도메인별 데이터에 대응하는 입력 벡터에 대해 산출된 후보자 클라스별 인식률이 가장 높은 값에 해당하는 후보자 클라스에 대응되는 도메인별 데이터가 통합된 DLF (Decision Level Fusion)기반 출력을 획득하는, 주의집중 트레이닝 방법.

삭제