KR100795227B1

KR100795227B1 - 센서 어레이 신호 패턴 분석 방법 및 장치

Info

Publication number: KR100795227B1
Application number: KR1020060079597A
Authority: KR
Inventors: 이승재; 김창화; 김상경; 김아람
Original assignee: 강릉대학교산학협력단
Priority date: 2006-08-22
Filing date: 2006-08-22
Publication date: 2008-01-17
Anticipated expiration: 2026-08-22
Also published as: US20080052010A1

Abstract

본 발명은 센서 어레이 신호 패턴 분석 방법 및 장치에 관한 것이다. 본 발명에 따르면, 하나 이상의 가스 센서를 포함하는 센서 어레이에서 검출되는 신호 패턴을 분석하는 방법으로서, (a) 상기 센서 어레이에서 출력되는 다채널 다차원 데이터를 연속된 데이터 형태로 변환하는 단계-상기 데이터는 하나 이상의 레퍼런스 가스에 관한 데이터임-; (b) 상기 변환된 데이터를 이용하여 각도 변이 기반 상태 천이 모델을 생성하는 단계; 및 (c) 상기 센서 어레이에서 새로운 가스에 대한 데이터를 출력하는 경우, 상기 각도 변이 기반 상태 천이 모델을 이용하여 상기 새로운 가스를 분석하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법이 제공된다. 본 발명에 따르면 가도 변이 기반 상태 천이 모델을 통해 가스를 정확하게 분석할 수 있는 장점이 있다.

가스, 센서 어레이, 전처리, 의미 구간, 상태 천이 모델, 각도 변이, 천이 벡터, 천이 행렬

Description

센서 어레이 신호 패턴 분석 방법 및 장치{METHOD AND APPARATUS FOR ANALYZING SIGNAL PATTERN OF SENSOR ARRAY}

도 1은 본 발명의 바람직한 일 실시예에 따른 신호 패턴 분석 장치의 블록도.

도 2는 센서 어레이 신호 형태를 도시한 도면.

도 3은 본 발명에 따른 센서 어레이 신호 패턴에서의 의미 구간 추출 그래프.

도 4는 도 3에서 추출된 인식 구간을 도시한 그래프.

도 5는 본 발명에 따른 가스 신호 패턴의 선형 배치 그래프를 도시한 도면.

도 6은 본 발명에 따른 선형 가스 모델의 양자화 그래프.

도 7은 본 발명에 따른 상태 구분을 도시한 그래프.

도 8은 본 발명에 따른 샘플링 과정을 거친 톨루엔 측정값의 그래프.

도 9는 본 발명에 따른 상태 천이 다이어그램을 도시한 도면.

도 10은 본 발명에 따른 신호 패턴 분석 과정의 순서도.

도 11은 본 발명에 따른 샘플링 횟수를 고정한 경우의 톨루엔 측정 결과를 도시한 도면.

도 12는 본 발명에 따른 샘플링 횟수를 고정한 경우의 벤젠 측정 결과를 도시한 도면.

도 13은 본 발명에 따른 샘플링 횟수를 고정한 경우의 사이클로헥산 측정 결과를 도시한 도면.

도 14는 본 발명에 따른 샘플링 횟수를 고정한 경우의 에탄올 측정 결과를 도시한 도면.

도 15는 본 발명에 따른 샘플링 횟수를 고정한 경우의 헵탄 측정 결과를 도시한 도면.

도 16은 본 발명에 따른 샘플링 횟수를 고정한 경우의 헥산 측정 결과를 도시한 도면.

도 17은 본 발명에 따른 샘플링 횟수를 고정한 경우의 메탄올 측정 결과를 도시한 도면.

도 18은 본 발명에 따른 샘플링 횟수를 고정한 경우의 프로판올 측정 결과를 도시한 도면.

도 19는 본 발명에 따른 상태 개수를 고정한 경우의 톨루엔 측정 결과를 도시한 도면.

도 20은 본 발명에 따른 상태 개수를 고정한 경우의 벤젠 측정 결과를 도시한 도면.

도 21은 본 발명에 따른 상태 개수를 고정한 경우의 사이클로헥산 측정 결과를 도시한 도면.

도 22는 본 발명에 따른 상태 개수를 고정한 경우의 에탄올 측정 결과를 도시한 도면.

도 23은 본 발명에 따른 상태 개수를 고정한 경우의 헵탄 측정 결과를 도시한 도면.

도 24는 본 발명에 따른 상태 개수를 고정한 경우의 헥산 측정 결과를 도시한 도면.

도 25는 본 발명에 따른 상태 개수를 고정한 경우의 메탄올 측정 결과를 도시한 도면.

도 26은 본 발명에 따른 상태 개수를 고정한 경우의 프로판올 측정 결과를 도시한 도면.

도 27은 본 발명에 따른 임계값 적용 후의 새로운 가스 측정 결과를 도시한 그래프.

본 발명은 센서 어레이 신호 패턴 분석 방법 및 장치에 관한 것으로서, 보다 상세하게는 센서 어레이에서 검출된 신호의 패턴을 소정의 모델링을 통해 원하는 정보로써 얻을 수 있는 방법 및 장치에 관한 것이다.

생활 곳곳에서 우리가 인식하지 못하는 사이에 많은 센서 기기들이 역할을 수행하고 있다. 현대 사회의 근간인 산업분야와 일반 생활의 전 분야에 걸쳐 사용되고 있으며 많은 부분은 해당 분야에서 핵심적인 역할을 하고 있다. 간단한 동작 감지 센서에서부터 빛을 인식하는 광(光) 센서, 온도 센서, 습도 센서, 화학적 가스를 인식하는 가스 센서, 소리 센서 등 매우 다양한 센서들이 사용되고 있다. 전통적 응용분야인 계측 시스템 분야에서부터 앞으로는 로봇분야, 의료분야, 안전과 재해방지 분야를 비롯한 유비쿼터스(ubiquitous) 분야에서 핵심기술로써 많은 역할을 수행할 것으로 예상된다.

센서에서 감지된 외부 환경의 변화 정보는 그 자체로는 단순한 값 변화 외에는 의미가 없다고 할 수 있다. 측정된 변화량은 측정값을 원하는 곳에 원하는 형태로 분석 또는 변환 제공되는 과정이 필요하다. 센서가 대상으로 하는 정보량에는 길이, 두께, 중량 등의 물리적 정보와 전류, 전압, 저항 등의 전기적 정보, 농도, 순도 등의 화학정보, 생체정보 등 다양한 정보가 있기 때문에 인식 방법에 있어서도 매우 다양한 방법이 존재한다.

센서에서 취득한 신호(signal)를 원하는 형태의 정보로 얻기 위해서는 의미를 부여하는 작업이 필요하다. 예컨대, 가정의 가스누출탐지기에서 누출 가스의 농도를 측정한 값은 그 자체보다는 측정값이 위험 수치를 넘겼을 때 위험정도를 알리는 것이 더 중요하다. 위험 수치를 넘긴 것을 인식하고 가스 누출 경보를 울리는 것을 통해, 센서를 통해 입력된 값이 중요한 정보로써의 역할을 수행하게 되는 것이다. 신호를 정보로 변환하는 과정은 단순한 데이터를 임의의 패턴(pattern)으로 변환하고 의미를 부여하는 과정이라고 할 수 있다.

일반적으로 센서 어레이는 많은 채널의 센서를 가지고 있으므로 분석해야 할 데이터의 양이 많다. 따라서 다변량 분석 방법을 이용하는데, 다변량 분석 방법은 크게 통계적 방법과 신경망을 이용한 방법으로 나뉘어 지고, 분석하고자 하는 데이터의 특성이나 분석에 필요한 환경 조건에 맞는 분석 방법을 선택하여 이용한다

특히 가스 신호 패턴 인식에서 사용되는 몇 가지 인식 방법들에 대해 살펴보면 다음과 같다.

가스 센서에서의 신호값과 신호를 인식하여 결과값을 얻는 과정 모두를 하나의 패턴인식 과정으로 보고, 이 과정에 패턴인식에서 사용되는 방법들이 적용되었다. 시간 순서로 사용된 기법을 살펴보면 통계적 기법이 먼저 사용되기 시작하였고, 이후에 신경망 이론이 등장하고 관련연구가 활성화됨에 따라 인간의 인식과정을 모방한 신경망을 이용한 인식 방법, 신경망과 통계적 방법을 통합한 방법 등 여러 방법이 다양하게 이용되고 있다.

가스 신호 패턴 인식 방법은 일반적인 패턴 인식 방법과 거의 유사하다. 수집된 가스 데이터에서 임의의 가스 신호 패턴을 추출하고 패턴의 특징을 분석하여, 가스의 종류를 분류하거나 유사도를 측정한다. 여러 개의 센서로부터 입력된 데이터를 분석하는 방법으로 보통 통계적 접근법, 신경망 접근법으로 분류될 수 있다.

통계적 접근법은 통계적 모델을 기반으로 하여 패턴을 분류하는 방법이다. 패턴들의 통계적 모델은 해당 클래스에서의 확률 밀도 함수가 되며, 베이즈의 결정규칙(Bayes' rule)을 이용하여 패턴을 분류하고 인식한다.

신경망 접근법은 인간의 신경망 전달과정을 모방하여 센서 입력 패턴을 입력 값으로 보고, 입력자극(pattern)에 대한 처리 단위(neurons)로 이루어진 망(network)의 응답 과정으로 분석을 시행하는 접근법이다. 이 때, 패턴의 정보(knowledge)는 신경망의 중간단계에 있는 시냅스의 연결 강도 가중치(weight)들로 저장된다. 신경망 접근법은 학습을 통하여 중간 가중치들을 조정 가능하고 알고리즘과 같이 정형화된 과정을 거치지 않으며, 신경망의 입력과 출력 사이의 과정을 블랙박스와 같이 취급 가능하다. 또한 사전 정보가 거의 필요치 않으며, 뉴런의 층이 충분하면 이론적으로 어떤 복잡한 결정 영역도 만들어 낼 수 있는 방법이다. 신경망 접근법의 최대 장점은 잡음(noise)에 강한 점이다.

학습의 과정을 통해 잡음을 배제하고 측정하고자 하는 원 데이터에 대해 집중적 분석을 할 수 있다.

가스 신호 패턴 인식 알고리즘을 분류한 표 1을 살펴보면 통계적 방법과 신경망 접근법은 다시 통제적(supervised) 방법과 비통제적(unsupervised) 방법으로 나뉜다.

통제적 방법은 구분하여야 하거나 측정해야 할 가스의 농도나 측정 범위를 미리 지정함으로써 측정값이 이 범위에 속하는지 여부를 분석해 내는 방법이다. 비통제적 방법은 측정 가스의 기준을 제시하지 않고 측정값을 통해 스스로 학습하여 가스를 구분하고 측정값을 분석하는 방법이다. 통제적 방법은 측정해야 할 가스의 정보를 미리 가지고 있을 때, 그 정보를 기준으로 하여 측정치에 대한 검증 데이터로 삼는 것이고, 비통제적 방법은 측정 가스에 대한 정보가 없을 때 여러 번의 측정으로 기준치를 학습하여 분석하는 방법이다.

주성분 분석(PCA), 판별 분석(DFA), 템플리트 매칭 등은 선형적 기법이고, 백 프로퍼게이션(BP) 신경망법, 학습벡터 정량화법(FLVQ)등은 비선형적인 기법이다. 특히 신경망법은 요즘 많이 사용하는 센서 어레이의 특성인 비선형적인 데이터를 처리할 수 있고, 센서 신호의 편차나 잡음에 강하기 때문에 최근에 가스인식 분야에 주로 이용되고 있다.

그러나 전체적으로 시간적인 상관관계를 잘 학습하지 못하며, 비 통제적 방법을 사용할 경우에 학습 시간이 비교적 많이 걸리는 점, 또한 학습된 데이터 외의 인식률이 저하된다는 단점을 가진다.

또한 종래의 알고리즘은 센서 어레이의 신호 패턴의 특성을 잘 반영하지 못하거나 가스 모델에 대한 학습시간이 길어지는 경우가 많았다.

본 발명에서는 상기한 바와 같은 종래기술의 문제점을 해결하기 위해, 센서 어레이에서 입력된 다채널의 다차원 값들을 하나의 연속된 데이터 형태로 변환할 수 있는 센서 어레이 신호 패턴 분석 방법 및 장치를 제안하고자 한다.

본 발명의 다른 목적은 변환된 데이터의 특성을 도출하여 센서에서 검출된 신호 패턴을 최적으로 모델링할 수 있는 센서 어레이 신호 패턴 분석 방법 및 장치를 제공하는 것이다.

본 발명의 다른 목적은 모델링의 구성하는 요소들에 대해 적절할 배치로 분석의 효용성을 증대시킬 수 있는 센서 어레이 신호 패턴 분석 방법 및 장치를 제공하는 것이다.

상기한 바와 같은 목적을 달성하기 위해, 본 발명의 바람직한 일 실시예에 따르면, 하나 이상의 가스 센서를 포함하는 센서 어레이에서 검출되는 신호 패턴을 분석하는 방법으로서, (a) 상기 센서 어레이에서 출력되는 다채널 다차원 데이터를 연속된 데이터 형태로 변환하는 단계-상기 데이터는 하나 이상의 레퍼런스 가스에 관한 데이터임-; (b) 상기 변환된 데이터를 이용하여 각도 변이 기반 상태 천이 모델을 생성하는 단계; 및 (c) 상기 센서 어레이에서 새로운 가스에 대한 데이터를 출력하는 경우, 상기 각도 변이 기반 상태 천이 모델을 이용하여 상기 새로운 가스를 분석하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법이 제공된다.

본 발명의 다른 측면에 따르면 상기한 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.

본 발명의 다른 측면에 따르면, 하나 이상의 가스 센서를 포함하는 센서 어레이에서 검출되는 신호 패턴을 분석하는 장치로서, 상기 센서 어레이에서 출력되는 다채널 다차원 데이터를 전처리하는 전처리부; 상기 전처리된 데이터에서 의미 구간을 추출하는 의미 구간 추출부; 상기 추출된 의미 구간에 속하는 데이터를 선형화하는 선형화부; 상기 선형화한 데이터를 k번(k는 1이상의 자연수) 샘플링하고 양자화하는 양자화부; 상기 양자화된 데이터를 이용하여 각도 변이 기반 상태 천이 모델을 생성하는 모델 생성부; 및 상기 센서 어레이에서 새로운 가스에 대한 데이터를 출력하는 경우, 상기 각도 변이 기반 상태 천이 모델을 이용하여 상기 새로운 가스를 분석하는 분석부를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치가 제공된다.

상술한 목적, 특징들 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이다. 우선 각 도면의 구성요소들에 참조 번호를 부가함에 있어서, 동일한 구성요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다. 이하에서, 본 발명에 따른 센서 어레이 신호 패턴 분석 방법 및 장치에 관한 바람직한 실시예를 상세하게 설명한다.

본 발명은 다채널 센서 어레이의 신호 패턴을 분석하는 것으로서, 하기에서는 설명의 편의를 위해 가스 센서 어레이의 신호 패턴을 분석하는 것으로 설명할 것이나, 이에 한정되지 않는다는 점을 당업자는 이해하여야 할 것이다.

본 발명은 상태 천이 모델을 적용하여 센서 어레이에 대한 모델링을 실시하고, 생성된 모델을 통계적 방법으로 분석한다. 센서에서 입력된 다채널의 다차원 값들을 하나의 연속된 데이터 형태로 변환하고, 변환된 데이터의 특성을 도출하여 가스 신호 패턴에 대한 모델링을 수행한다. 변환된 데이터는 가스 신호 패턴의 수치 변화를 그래프로 나타내고 있다.

가스 신호 패턴 인식 방법은 우선 측정하여 분석하고자 하는 가스의 패턴 특성을 잘 나타낼 수 있도록 전처리 과정을 거친 데이터로 변환하여 보관하고, 새로운 가스를 측정 후 변환과정을 거쳐, 저장된 값들과 비교 분석 하는 과정을 적용한 다.

상태 천이 모델은 모델링 하고자 하는 데이터의 특성을 모델링에 어떻게 반영하는가에 따라 효율성이 결정된다. 데이터 특성을 잘 반영한 모델은 분석의 효과가 증대된다. 따라서 모델을 구성하는 요소들에 대해 적절한 배치로 분석의 효용성을 증대시켜야 한다.

상태 천이 모델은 여러 상태들이 존재하고 상태들 사이에는 시간의 연역관계, 공간적 위치관계 또는 함수를 이용한 입출력 관계 등 여러 관계로 맺어져 있다. 상태들 간에 맺어진 관계는 연속 관계들로서 상태와 상태 사이는 천이의 특성이나 방향을 나타낸다.

가스 센서의 인식의 경우 무해하거나 비교적 소량의 유해가스 측정에 대한 요구 보다는 독성이 강한 가스 측정의 요구가 발생하는 경우가 많다. 가스 신호 패턴 인식에서는 경우에 따라 신속성이 중요한 인자 중 하나로 작용된다고 볼 수 있다. 본 발명에서 고안한 상태 천이 모델링 및 인식구조는 모델링 결과에 대한 확률적 방법을 사용하기 때문에 계산 결과가 상대적으로 빠르게 도출되어 신속성의 요건에 부합한다고 볼 수 있다.

가스 신호 패턴 인식 수행 시간에 영향을 주는 요소는 모델링 시간과 분석 시간이다. 모델링 시간은 O(N)의 시간이 소요되고, 분석에 소요되는 시간은 O(N ² )시간이 소요된다. 분석을 수행할 때의 N은 상태의 개수를 나타낸다. 본 발명에서는 상태의 크기 N을 십진수 두 자릿수 이하로 정의하였기 때문에 전체적인 수행시간은 매우 빠르다는 것을 알 수 있다.

또한 상태 천이 모델링 방법에서는 입력 데이터의 양과 분석의 정확성 사이에는 서로 영향을 거의 주고받지 않는 반면, 신경망은 입력 데이터 수가 많아질수록 중간층에서 연산 시간이 증가하기 때문에, 많은 데이터를 다룰 때 정확성 및 속도 측면에서 상당한 이점을 갖고 있다.

본 발명에서는 측정된 가스 패턴의 신호 그래프를 양자화 하여 각 요소 사이의 각도 천이 관계를 모델링에 반영한 각도 변이 기반 상태천이 모델링(Angle Difference based State Transition Modeling, 이하 'ADSTM'이라 함) 기법을 고안하였다.

측정 가스의 구성 성분을 확인해보기 위해서 기존에 측정하여 보관해 둔 데이터들과 새로 측정한 데이터 사이의 성분 유사도를 구하는 방법을 사용한다. 유사도 계산에는 다양한 방법들이 사용되지만 본 발명에서는 상태 천이 모델링 방법에서 천이 행렬 간의 공간적 유사도를 측정하여 계산한다.

ADSTM 기법을 적용하기 위해서는 먼저 데이터의 특성을 살펴볼 필요가 있다. 본 발명에서 센서 데이터의 입력으로 받는 자료의 형태는 센서 어레이 여러 채널의 측정값들로서 이들은 다차원 데이터이다. 도 2는 동일한 가스를 인식할 때가지 반복하여 측정한 것을 그래프로 나타낸 것으로, 시간 경과(t)에 따른 각 센서 채널 측정값들의 변화(volts)를 좌표 평면상에 표현한 것이다. 도 2에서는 채널이 8개로 2차원의 곡선 데이터가 8개 겹쳐진 다차원 데이터의 형태를 가진다.

보통 일반적인 함수나 2차원 곡선의 유사도를 측정하는 데에는 비교적 간단 한 방법을 사용한다. 유사도 측정에서 가장 단순한 방법은 곡선의 거리 측정을 통한 비교 방법이다.

거리 측정 방법에는 많은 방법들이 있지만, 주로 유클리드 공간을 이용하여 구하는 방법을 많이 사용한다. 유클리드 공간 거리 계산법은 곡선을 구성하는 각 점 사이의 거리를 직접 비교하며 매우 가장 효과적이고 빠른 방법이다.

본 발명에서 사용할 가스 신호 패턴은 센서 어레이를 통해서 입력된 측정값들을 사용하고, 센서 어레이의 각 채널은 가스의 각기 다른 성분을 인식한 값들이 입력되기 때문에 서로 다른 가스를 측정할 때, 다수 채널의 패턴은 비슷하고 한 두 가지 채널 값이 다르게 나오는 경우를 고려해야 한다. 이 경우 두 가스는 서로 비슷한 패턴을 보이고, 유클리드 공간 거리 값이 매우 작더라도 성분의 구성이 다르기 때문에 서로 다른 가스로 구분해 주어야 한다. 유클리드 공간 거리 측정으로는 이 경우에서처럼 서로 다른 가스가 같은 가스로 인식되는 상황이 발생할 수 있다.

따라서 센서 어레이 가스 신호 패턴 인식에 사용할 방법은 각 가스 곡선의 특징을 잘 표현해야 하고, 분석을 위한 가스 신호 패턴을 구분하기 용이하게 모델링 하는 것이 가장 중요하다.

ADSTM 과정에서는 도 2와 같은 센서 어레이 신호에서 모델링 기준을 충족하는 요소를 찾아내어 선택해야 한다. 신호들의 특성과 의미를 모델링에 반영하기 위해서 상태 천이 모델링을 센서 어레이 신호 분석에 적용한다.

한편, 도 1은 본 발명의 바람직한 일 실시예에 따른 신호 패턴 분석 장치의 블록도이다.

도 1에 도시된 바와 같이, 본 발명에 따른 신호 패턴 분석 장치는 하나 이상의 센서(100)를 포함하는 센서 어레이(102), 전처리부(104), 의미 구간 추출부(106), 선형화부(108), 양자화부(110), ADSTM부(Angle Difference based State Transition Modeling, 모델 생성부, 112), 모델 저장부(114) 및 분석부(116)를 포함할 수 있다.

본 발명에 따르면, 센서 어레이(104)는 다양한 센서를 포함할 수 있으나, 하기에서는 가스 센서인 것으로 하여 설명한다.

가스 센서(100)는 가스 접촉에 의해 발생하는 전기전도도 변화 또는 반응열을 감지하여 전기신호로 변환하는 것으로서, 반도체식 가스 센서 또는 접촉식 연소 센서 등을 모두 포함할 수 있다.

전처리부(104)는 센서 어레이(102)로부터 출력되는 측정값에서 모델링을 위한 필요 요소를 추출하는 과정을 수행한다.

전처리부(104)에는 도 2에 도시된 바와 같이, 반복 측정을 통해 센서 어레이에서 검출된 측정값들이 특정 곡선 패턴을 그리면서 반복적으로 입력된다.

전치리부(104)는 안정된 가스의 측정 모델을 생성하기 위해 반복 측정에 의해 입력되는 측정값들을 선택하여 평균치를 구할 때, 지나치게 높거나 낮은 값들은 모델링에서 제외하고, 측정값에서 가스 신호 패턴의 대표성을 지닐 수 있도록 평균값을 채택한다.

특히 각 가스 신호 패턴의 초기값은 에러 값을 가지고 있는 경우가 많다. 본 발명에 따른 전처리부(104)는 이러한 에러 값을 제외하면서 가스의 패턴 특성을 나 타낼 수 있는 데이터를 확보할 수 있도록 한다.

한편, 도 2 및 도 3에 도시된 바와 같이, 센서 어레이(102)로부터의 측정값은 증가와 감소를 반복하는 것을 알 수 있다. 여기서 증가 부분은 센서가 가스를 인지하여 안정된 결과값을 얻어가는 과정이고, 감소 부분을 센서 측정 과정이 종료되어 다시 가스가 없는 일반 환경의 센서 상태로 값이 회귀 되는 과정이다.

따라서, 본 발명에 따른 의미 구간 추출부(106)는 가스가 감지되는 증가 부분을 의미 구간으로서 추출하는 과정을 수행한다. 이때 의미 구간 추출 방법은 센서 어레이(102)의 측정값을 계속 감시하면서 센서 신호값이 증가하기 시작하는 부분부터 최고값에 이를 때까지의 구간을 추출하는 것이다.

추출된 의미 구간은 도 4와 같이 도시될 수 있다.

선형화부(108)는 모델링 방법을 위해서 추출된 의미 구간의 다차원 데이터를 선형 데이터로 변환하는 과정을 수행한다. 선형화부(108)는 이 변환과정에서 데이터 변환 뿐만 아니라 모델의 신뢰도를 높이기 위한 노이즈 제거 작업도 같이 수행한다. 도 4에서 추출된 곡선 부분을 선형 데이터로 변환하기 위해 도 5에서와 같이 선형으로 배치하여 다차원 데이터를 1차원 선형 데이터로 변환한다. 이 과정은 상태 천이 모델링 특성을 적용하기 쉽게 하기 위하여, 다차원 데이터를 저차원으로 변환하여 데이터를 다루기 쉽게 하는 과정이다. 변환 과정에서 유의할 점은 모든 채널의 순서를 고정하는 것이다. 도 5에서는 8개의 채널을 일정한 순서로 배열하였다. 각 채널은 색깔로 구분하였다.

양자화부(110)는 선형으로 변환된 데이터를 상태 천이 모델에 적용하기 위해 각 상태(state)로 나누고 각 상태 사이의 천이 관계를 얻어내기 위해 데이터를 양자화 한다.

도 5의 데이터 곡선은 매우 짧은 시간 간격으로 측정한 데이터를 점으로 나열한 결과, 곡선의 형태를 가지고 있다. 양자화 방법은 요소와 요소 사이의 추출 시간 간격을 동일한 거리로 넓게 함으로써 곡선의 그래프 모양을 꺾은선의 모양으로 변환하는 것이다. 도 6에서는 센서에서 각 채널별로 k번 샘플링하여 추출하였다. 도면과 같이 패턴의 양자화로 각 요소간의 마르코프 관계를 추출할 수 있다. 센서 어레이에 포함된 센서 채널의 수를 l번이라 할 때, 총 양자화 요소의 개수 m은 아래의 수학식 1과 같이 나타낼 수 있다

m = k×l

양자화 결과 모두 m개의 점이 생성되었다. 각 점 사이의 x축 거리는 동일 시간 간격으로 샘플링 하였기 때문에 일정하다. x축 거리를 1로 놓았을 때 y축의 증감(增減)값 만으로 각 점과 점 사이의 기울기를 구할 수 있다. 양자화 된 i번째의 측정값 q_i는 수학식 2와 표현될 수 있다.

q₁ _,q₂ _,q₃ _{, ··· ,}q_m

도면에 도시하지 않았으나 ADSTM부(112)는 양자화된 데이터를 이용하여 복수의 천이 벡터를 생성하는 천이 벡터 생성부와 미리 설정된 구간을 n개의 구간으로 분할하는 구간 분할부-상기 n개로 분할된 각 구간이 하나의 상태로 정의됨-, 각 천이 벡터의 각도를 상기 n개의 구간에 매칭시켜 상태열을 생성하는 상태열 생성부 및 상기 생성된 상태열을 이용하여 각 레퍼런스 가스에 대해 천이 횟수에 상응하는 하나 이상의 제1 상태 천이 행렬을 생성하는 상태 천이 행렬 생성부를 포함할 수 있다.

우선 ADSTM부(112)는 각 측정값 사이의 관계를 천이 요소로 하여 모델을 생성한다.

ADSTM을 구성하는 최소 요소는 상태(state)와 상태들 사이의 천이(transition) 관계이다. q_i에서 q_i+1로 향하는 모든 벡터를 구하면

와 같이 (m-1)개의 벡터를 얻을 수 있고, 이 벡터를 천이 벡터로 정의한다.

또한 본 발명에서 천이 벡터의 각은 x축과 천이 벡터 사이의 각으로 정의한다. 본 발명에서 센서 어레이 신호를 모델링함에 있어 천이 벡터의 방향을 상태 천이 모델에서의 '상태'로 이용한다. 모든 천이 벡터의 x축 값은 항상 양수이므로 천이 벡터의 방향은 항상 도 7과 같이 좌표축의 원점을 기준으로 하였을 때 1, 4사분면 방향으로 구간

에 존재한다. 따라서 구간

을 n개의 일정한 크기의 구간으로 나누어 각 구간을 하나의 상태로 정의한다. 이때 n은 계산상의 편의를 위해 짝수를 취한다.

한편, 도 7은 상태(state) 구분을 도시한 것으로서, 도 7을 참조하면, 상태 의 각 범위를 s_i라 하면, i번째 상태 s_i는 수학식 3과 같다.

여기서,

는 천이 벡터의 기울기가 양수임을,

는 천이 벡터의 기울기가 음수임을 나타낸다. 하기의 표 2는 천이 벡터의 각을 상태 순서대로 표현한 것이다.

천이 벡터의 각을 천이 관계로 나타냈을 때 이 각의 크기는 센서의 측정값인 좌표 평면 내에서 천이 벡터의 x값을 1로 정규화 하면 y값만으로 아크탄젠트 함수를 이용하여 구할 수 있다. 기울기 값을 차례로 나열했을 때, 각각의 천이 벡터 각 di는 수학식 4와 같다.

이렇게 계산된 천이 벡터의 각의 순차열을 이용하여 가스 신호 패턴 인식을 위한 상태 천이 모델이 만들어진다.

본 발명에 따른 상태 천이 모델은 모델 저장부(114)에 저장된다.

구간

를 n개의 상태(state)로 나누었을 때, 각 상태마다 각의 범위는 표 2와 같이 나누어지고 천이 벡터의 각이 속하는 범위가 순차열에 표시된다. 생성된 순차열은 n×n의 상태 천이 행렬을 만들어 상태로 변환될 수 있다. 상태 i, j가 1≤ i ≤n, 1≤ j ≤n일 경우, 상태 i 에서 상태 j로 천이가 발생하여 a_ij상태 천이 행렬이 생성되며 표 3과 같이 나타낼 수 있다.

상기와 같이 상태 천이 모델이 결정된 후 분석부(116)는 센서 어레이(102)에서 검출된 측정값을 수신하여 가스 센서에 의해 검출된 가스의 종류, 농도 등을 분석하는 과정을 수행한다.

한편, 하기에서는 가스 센서 어레이에 ADSTM을 적용하는 과정에 대해 상세하게 설명한다.

설명한 모델링 방법을 이용하여 실제로 센서 어레이에서 측정된 데이터를 이용하여 모델링을 실시해 본다. Toluene(톨루엔) 가스를 측정 하였을 때, 의미 구간을 추출한 후 도 5에서와 같이 한 번 측정한 구간의 데이터를 다섯 번 샘플링 한 양자화 결과를 표시해 보면 아래의 표 4와 같다. 각 값의 단위는 센서의 전압이다.

표 4에 도시된 좌표 평면상에 채널 순서대로 나열하여 그래프로 나타내면 도 8과 같이 나타낼 수 있으며 천이 벡터의 각은 표 5와 같다. 표 5에 표시된 기울기는 바로 앞 데이터와 이루는 각도를 표시한 것으로 도 8의 꺾은선의 기울기와 같다. 또한 도 8의 천이 벡터의 각을 계산하면 표 5와 같다.

본 발명의 시험을 위해 구간

을 상태 천이 모델링에서 상태의 개수로 나누었다. 예시의 편의를 위하여 나누고자 하는 상태의 개수 n=10으로 하였다.

표 5의 기울기 값을 표 6의 상태 구분 기준에 맞추어 구분된 상태의 값으로 표시하면 표 7과 같다.

이를 상태열(state sequence)로 바꾸면 표 8과 같이 나타낼 수 있다

표 4의 데이터를 본 발명에서 고안한 각도 변이 기반 상태 천이 모델링 과정을 거쳐 표 8에서와 같이 최종 상태열로 변환되었다. 각 상태 사이의 상태 천이 관계를 다이어그램으로 표현하면 도 9와 같이 나타낼 수 있다. 각 상태 사이의 상태 천이의 횟수를 나타내었다. 수학적 연산을 위해 상태 천이 다이어그램을 행렬로 표현하면 표 9와 같이 나타낼 수 있다.

표 9에서 생성된 상태 천이 행렬은 각 가스마다 서로 독립적인 형태를 가지게 된다. 동일한 가스에 대한 상태 천이 행렬은 상태의 수가 변하거나, 샘플링 회수가 변하더라도 비슷한 형태의 상태 천이 행렬을 가지게 된다. 따라서 천이 벡터의 상태 천이 행렬의 패턴은 가스를 분석하는데 사용할 수 있는 특징으로 사용될 수 있다.

도 10은 본 발명에 따른 신호 패턴 분류를 위한 순서도이다.

도 10을 참조하면, 본 발명에 따른 과정은 크게 두 부분으로 구분된다. 센서 어레이에서 측정된 각 가스의 신호를 상태 천이 모델링 과정을 거친 후에 저장소에 보관하는 모델 생성 과정과 센서 어레이에서 측정된 새로운 가스 신호를 모델링 한 후에 분석하는 가스 분석 과정의 두 부분으로 나눌 수 있다. 센서 어레이의 입력 데이터 형태는 도 2에서와 같이 측정시마다 일정한 패턴을 갖고 있다. 도 2는 센서 어레이에서 toluene 가스 2000ppm을 상온에서 여섯 번 측정한 결과로, 측정 시마다 비슷한 패턴으로 여섯 번 반복되고 있는 것을 볼 수 있다. 동일한 가스는 유사한 패턴을 보여주고, 각 가스는 서로 다른, 독립적인 패턴을 보여주기 때문에 분석의 효율성을 높이기 위해서는 구분 가능한 모델로 만드는 것이 중요하다.

센서 어레이(102)에서 검출된 가스 신호 측정값은 전처리 과정이 수행된다(단계 1000).

전술한 바와 같이, 전치리 과정은 센서 어레이의 측정값에서 가스 신호 패턴의 대표성을 지닐 수 있는 평균값을 채택하는 것이다.

전처리 후에 의미 구간 추출 및 양자화 과정이 수행된다(단계 1002).

단계 1002는 모델링 방법을 설계할 때 설명한 바와 같이, 센서 어레이 신호값 중에서 의미 있는 값의 증가 구간을 선택하고, 상태 천이 모델링을 위한 값의 양자화 과정을 수행하는 것이다.

다음으로 ADSTM 과정이 수행된다(단계 1004).

단계 1004에서, 측정 데이터를 ADSTM 형식에 맞추어 모델링 하는 과정으로, 앞 단계에서 얻어진 양자화 천이 벡터를 기초로 하여 상태 천이 모델을 완성하는 단계이다. 이 단계에서는 각 천이 벡터와 x축 사이의 각을 구하여 상태 천이열을 만든다. 이것을 바탕으로 상태 천이 행렬을 만들어 상태 천이 모델을 완성한다.

완성된 상태 천이 모델은 모델 저장소에 저장된다. 이때, 모델 저장소에는 기존에 측정에 둔 레퍼런스 가스의 모델을 보관한다.

이후, 새로운 측정 가스에 대한 센서 측정값을 수신하고(단계 1006), 상기한 측정값에 대한 의미 구간 추출 및 양자화를 수행한다(단계 1008). 다음으로 새로운 가스에 대한 ADSTM 과정을 수행하며(단계 1010), 새로운 가스가 측정되어 상태 천이 모델이 완성되면 저장소의 모델들과 비교하여 새 가스를 분석한다(단계 1012).

단계 1012에서, 비교 대상은 상태 천이 행렬로 한다. 상태 천이 행렬은 상태와 상태 사이의 천이 관계를 표현한 것이다. 예를 들어 표 11의 행렬에서 (0,0)의 값인 2는 상태 s₁에서 상태 s₁으로 천이가 발생한 횟수를 나타낸다. 각 가스는 서로 상이한 상태 천이 모델을 가지므로, 모델 저장소에 저장된 모델 가스들과 비교를 통해 측정 가스를 분석하여 인식한다.

본 발명에 따른 실험에서는 모델 저장소에 8개의 가스 측정 데이터로 8개의 가스 모델을 생성하였다. 비교 대상 가스에 대한 모델링을 실시하여 생성된 상태 천이 행렬을 기존에 8개 모델의 상태 천이 행렬과 각각 비교한다. 비교 방법으로는 다음과 같은 방법을 사용한다.

각 상태 천이 행렬에는 상태 천이가 발생하는 곳에만 확률적 데이터가 입력된다. 표 10의 상태열을 상태 천이 행렬로 변환하면 표 11과 같은 행렬이 생성된다. 상태 천이 행렬에 관한 표 11을 비교하기 위한 표 12의 형태로 변환한다. 변환의 기준은 상태 천이가 발생하는 위치에만 1의 값을 부여하는 것이다.

센서 어레이에서 새로 가스가 측정되어 생성된 상태 천이 행렬을 O, 모델 저장소의 비교 대상 모델의 상태 천이 행렬을 M이라 가정한다. 각각 1의 값을 가지는 요소의 개수를 n(O), n(M)이라 할 때, 두 행렬의 유사도(類似道, similarity)는 수학식 5와 같은 방법으로 계산할 수 있다.

여기에서 교집합(∩)은 두 상태 천이 행렬에서 같은 위치의 행과 열에 동일하게 1의 값을 갖는 요소의 개수를 의미한다. 합집합(∪)은 두 행렬에서 같은 위치에 어느 한 쪽이라도 1의 값을 가지고 있는 것이 개수를 의미한다. 이 유사도는 상대적 일치도 측정에 매우 유용한 방법이다.

8개의 실제 가스를 각각 여러 차례 측정한 자료를 바탕으로, 유사도에 대한 임계값(threshold)을 설정한다. 동일한 데이터를 이용하여 여러 번 데이터를 측정한 후 각 데이터 간의 유사도 중에서 최소값으로 결정한다.

이 임계값을 기준으로 새 가스가 측정되어 유사도가 임계값을 넘지 못하는 경우 측정 과정을 반복한다. 일정 회수 이상 재측정 하여도 분석이 불가능할 경우 분석 불가능한 가스로 처리한다.

한편, 하기에서는 본 발명에 따른 모델링 방법을 이용하여 실제 측정한 데이터를 바탕으로 가스 모델에 대해 모델링을 실시하고, 새로운 측정 가스 데이터가 발생할 경우의 분석 과정을 실험하여, 본 발명에서 제시하는 기법의 인식 효율성에 대하여 분석한다.

본 발명에서는 표 13에서와 같이 탄화수소 계열 8가지 원소를 8개의 채널을 가진 센서 어레이를 통해 측정한 결과를 데이터로 이용하여, 구현한 상태 천이 인식 알고리즘을 검증하였다.

분석 대상 가스로 toluene, benzene, ethanol, methanol, 2-propanol, n-hexane, n-heptane, cyclohexane 의 8가지 가스를 표 14의 조건 하에서 측정하였다.

본 발명에 따른 실험 대상 데이터는 표 14의 여덟 가지 가스를 6회 반복 측정한 결과를 데이터로 사용하였다. 6회의 측정 결과 중에서 무작위로 4회의 측정 결과를 선택하여 모델링 한 후에 임계값을 결정하고, 남은 2차례 측정 결과로 검증하는 과정을 반복하였다. 우선 본 발명에 따른 모델링 방법의 변인 중에서 인위적으로 조절 가능한 상태의 개수(n)과 샘플링 횟수(k)의 값을 변화하여 가스 신호 패턴 인식의 기점인 임계값의 최적화 가능성에 대해 실험하였다. 다음으로 총 8개의 가스 모델 중에서 각 1개의 모델을 제외한 7개의 모델만 가지고 8가지 가스를 각각 분석하여, 기 생성한 모델에 만족하는 가스가 없을 경우의 측정치를 추정하였다. 1개의 모델을 제외하여 측정하는 과정을 8번 반복하여 8개의 모델이 각기 없을 경우에 측정치를 추정하여 임계값을 결정하는데 반영하였다.

첫 번째 실험은 샘플링 횟수(k)를 고정하고 상태의 개수(n)을 변화하여 실험하였다. 샘플링 횟수 k=13으로 고정하여, 채널의 수 l=8이므로, 양자화 요소의 개수 m=104로 고정하였다. 상태의 개수 n을 20, 60, 100으로 변화하면서 분석의 속도와 정확도, 유사도 등의 변화를 살펴보고 임계값을 추정할 수 있도록 실험하였다.

두 번째 실험은 상태의 개수 n=20으로 고정하고, 샘플링 횟수 k를 7번, 13번, 25번으로 변화하여 실험하였다. 이 실험은 측정 신호 그래프의 x축 구간의 간격을 조절하는 것이 모델 효율성에 끼치는 영향과 임계값의 설정에 끼치는 영향을 알아보기 위해 수행하였다.

다음으로 상기한 실험을 통해 결정된 임계값을 적용하여 새로운 가스를 측정하는 실험을 실시하였으며, ADSTM 적용 실험 결과는 다음과 같다.

하기에서 각각 샘플링 횟수와 상태 개수를 고정한 경우의 실험은 도 10의 (a)와 같은 과정을 거쳐서 모델을 만들고 임계값을 결정하는 과정으로 실험하였고, 결정된 임계값을 이용한 가스 측정 결과에 대한 실험은 도 10의 (b)의 과정을 거쳐서 가스를 분석하되 임계값을 넘지 않을 경우 재측정 하도록 하고, 2회의 측정을 하여 임계값을 검증하는 실험을 실시하였다. 모델 저장소에 보관하는 모델은 가스 측정을 4회 실시하여 전처리 과정을 거쳐 모델을 생성하였다.

샘플링 횟수 k=13으로 고정하여, 채널의 수 l = 8이므로, 양자화 요소의 개수 m = 104로 고정되었다. 상태의 개수 n을 20, 60, 100으로 변화하면서 실험한 결과는 도 11 내지 18과 같다.

도 11 내지 도 18은 여덟 번의 실험 가운데 한 경우인, 모델 저장소에서 벤젠을 제외하고 실험한 결과를 나타낸 것이다.

유사도가 n의 값을 크게 할수록 감소하였음을 볼 수 있다. 각 센서에서 측정된 값이 상태 천이 모델로 변환되는 과정의 시간복잡도는 O(N)으로 각 모델별로 수행 시간의 차이는 거의 없다고 볼 수 있다. 하지만, 분석의 시간복잡도는 O(N ² )으로 n의 값이 20에서 60으로 3배 늘어날 경우 3²만큼, 20에서 50으로 5배 늘어날 경우 5²만큼 커진다. 가스 분석에서는, 유독한 가스에 노출될 경우 측정 시간이 길어지면 인명피해가 발생할 가능성이 큰 경우에서처럼, 상황에 따라서 분석에 소요되는 시간이 알고리즘의 효율성을 나타내는 중요한 척도로 사용된다.

n의 값이 증가할수록 확률 유사도 값이 작아지고 n의 값이 커질수록 배수의 제곱만큼 분석 시간이 증가한다는 실험 결과에서 볼 때, n의 값은 가스의 패턴 특성을 나타낼 수 있는 한도 내에서 작은 값을 선택하는 것이 임계값 설정이나, 가스의 패턴 구분에 유리하다.

가스 구분을 위한 임계값을 설정하는데 있어 중요한 요소는 두 가지 이다. 첫째는 모델 저장소에 없는 미지의 가스를 측정할 때, 임계값이 미지의 가스에 대한 유사도 보다 커야한다. 둘째는 임계값을 정할 때 해당 가스를 정확히 구분해 내는 유사도 보다 작거나 같아야 한다.

n=20일 때 도 11 내지 18의 실험 결과를 이용하여 임계값을 결정한다. Benzene을 모델 저장소에서 제외했기 때문에 benzene 가스는 구분해 낼 수 없어야 한다. 도 11 내지 18에서 benzene 가스를 측정한 항목을 살펴보면 유사도의 최대값이 toluene과의 유사도인 0.446809임을 알 수 있다. Benzene은 미지의 가스이므로 toluene으로 잘못 인식할 수 있기 때문에 임계값이 이 유사도보다 커야 미지의 가스인 benzene을 다른 가스로 인식하는 잘못된 결과를 피할 수 있다. 또한, 각 가스를 구분해 내는 유사도 중에서 앞의 조건인 미지의 가스 유사도 최대값보다 크고 실제 가스를 인식해낸 유사도 중에서 가장 작은 값은 ethanol을 첫 번째 측정했을 때의 유사도인 0.484848이 된다. 이 두 조건을 만족하는 임계값의 범위는 수학식 6과 같다.

이 구간 사이의 값을 임계값으로 설정하면 최소한의 횟수에 가스를 구분해 낼 수 있다. 따라서 이 구간 사이의 값을 benzene 모델을 제외한 7가지 가스 모델에 대한 측정 임계값으로 선택할 수 있다. 전체 모델에 대한 임계값을 도출하기 위해서는 각 가스를 제외했을 경우의 유사도 최대치를 구해야 한다. n=20일 때 모델 저장소에서 자신의 가스가 제외되었을 경우, 해당 가스의 유사도를 모두 살펴보면 표 15와 같이 나타낼 수 있다.

표 15에서 유사도 분포를 확인해 보면, 대부분의 가스의 경우에는 모델에 자신의 가스가 포함되지 않을 경우에 비교적 유사도가 작다. 그러나 heptane과 hexane을 제외하고 측정한 경우에는 임계값의 최대값이 매우 높아져서 가스를 잘못 인식하게 된다. 그러므로 예상보다 높아진 값을 낮추는 방법이 필요하다.

앞의 샘플링 횟수를 고정한 실험에서는 상태의 개수 n의 적정한 크기에 대해 실험해 보았다. 실험 결과 n을 20, 60, 100으로 실험한 결과 중에서 20일 경우 가장 나은 결과가 도출되었다. 하지만 heptane과 hexane의 경우에서처럼 임계값이 이번에는 최적의 샘플링 값을 얻고자 n을 20으로 고정하고, 샘플링 횟수 k의 값을 7, 13, 25로 변화시키면서 실험하였고 그 결과 중, 모델 저장소에서 benzene을 제외하고 측정하였을 경우를 표시하면 도 19 내지 도 26과 같다.

샘플링 횟수 k를 증가시켰을 경우 보다는 감소 시켰을 경우에 유사도가 커지거나 유지되는 것을 도 19 내지 도 26을 통해 알 수 있다. 샘플링 횟수 k=7로 놓았을 경우 모델에서 제외된 모든 가스들의 유사도를 살펴보면 표 16과 같다.

한편, 표 17과 18을 비교하여 살펴보면, 샘플링 횟수를 k=7로 작게 놓고 실험한 결과 k=13이었던 첫 번째 실험에서 문제가 된 heptane과 hexane 값이 적정한 수준까지 낮아졌음을 볼 수 있다.

n과 k를 변경하는 실험을 바탕으로 k=7, n=20일 경우 최적의 결과를 얻을 수 있었다. 이는 가스의 샘플링 구간이 짧아질수록(샘플링을 많이 할수록) 패턴의 특성을 잃기 때문에 적정한 샘플링 간격을 유지해야 패턴의 특성을 유지할 수 있다는 것을 의미한다. 이때의 표 16에서의 음영 표시 값인, 임계값을 모델에서 해당 가스를 제외했을 경우의 유사도 최대값 0.529412로 결정할 수 있다.

모델링 과정에서 n=20, k=7로 모델링 계수를 결정하고, 이때 결정된 임계값 0.529412를 적용하여 2차례씩 새로운 가스 데이터로 실험하였다. 실험결과로 도 27과 같이 모든 가스가 임계값을 넘어 구분해 낼 수 있다.

상기와 같은 실험을 통해 본 발명에 따른 모델링 방법이 센서 신호 패턴을 구분하는데 적용 가능한 방법이라는 것을 확인할 수 있었으며 또한 인식 결과 센서에서 검출된 가스 구분에 효과적으로 작동한다는 점을 확인할 수 있었다.

또한, 상태 천이 모델을 이용하여 모델링한 결과 자원을 비교적 적게 소모하고, 빠른 시간 내에 모델을 생성할 수 있었다.

상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

이상에서 설명한 바와 같이, 본 발명에 따르면, 센서 어레이에서 입력된 다채널의 다차원 값들의 신호 패턴을 효과적으로 분석할 수 있는 장점이 있다.

또한 본 발명에 따르면 특히 가스의 종류를 효과적으로 분석할 수 있는 장점이 있다.

또한 본 발명에 따르면 자원 소모를 줄이면서 빠르게 신호 패턴 분석을 위한 모델을 생성할 수 있는 장점이 있다.

Claims

하나 이상의 가스 센서를 포함하는 센서 어레이에서 검출되는 신호 패턴을 분석하는 방법으로서,

(a) 상기 센서 어레이에서 출력되는 다채널 다차원 데이터를 연속된 데이터 형태로 변환하는 단계-상기 데이터는 하나 이상의 레퍼런스 가스에 관한 데이터임-;

(b) 상기 변환된 데이터를 이용하여 각도 변이 기반 상태 천이 모델을 생성하는 단계; 및

(c) 상기 센서 어레이에서 새로운 가스에 대한 데이터를 출력하는 경우, 상기 각도 변이 기반 상태 천이 모델을 이용하여 상기 새로운 가스를 분석하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제1항에 있어서,

상기 (a) 단계는,

(a1) 상기 다채널 다차원 데이터를 전처리하는 단계;

(a2) 상기 전처리된 데이터에서 의미 구간을 추출하는 단계;

(a3) 상기 추출된 의미 구간에 속하는 데이터를 선형화하는 단계;

(a4) 상기 선형화한 데이터를 k번(k는 1이상의 자연수) 샘플링하는 단계; 및

(a5) 상기 샘플링된 데이터를 양자화하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제2항에 있어서,

상기 (a1) 단계는 상기 다채널 다차원 데이터 중 대표성을 갖는 평균값을 벗어나는 데이터를 제외시키는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제2항에 있어서,

상기 다채널 다차원 데이터는 증가와 감소가 반복되며,

상기 (a2) 단계는 상기 다채널 다차원 데이터가 증가하기 시작하는 구간에서 최고값까지의 구간을 추출하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제2항에 있어서,

상기 (a3) 단계는 상기 추출된 의미 구간의 다채널 다차원 데이터를 상기 센서에 상응하는 채널에 따라 선형 데이터로 변환하는 단계를 포함하는 것을 특징으 로 하는 센서 어레이의 신호 패턴 분석 방법.
제2항에 있어서,

상기 (b) 단계는,

(b1) 상기 양자화된 데이터를 이용하여 복수의 천이 벡터를 생성하는 단계;

(b2) 미리 설정된 구간을 n개의 구간으로 분할하는 단계- 상기 n은 미리 설정된 구간이 분할되어 생성되는 구간의 총 개수로서 미리 설정된 자연수이며, 상기 n개로 분할된 각 구간이 하나의 상태로 정의됨-;

(b3) 각 천이 벡터의 각도를 상기 n개의 구간에 매칭시켜 상태열을 생성하는 단계; 및

(b4) 상기 생성된 상태열을 이용하여 각 레퍼런스 가스에 대해 천이 횟수에 상응하는 하나 이상의 제1 상태 천이 행렬을 생성하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제6항에 있어서,

상기 (b1) 단계는 상기 양자화된 데이터 중 i와 i+1번째 데이터에 대해 순차적으로 천이 벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.

여기서, i는 미리 설정된 자연수로서, 상기 양자화된 데이터 각각의 순번임.
제6항에 있어서,

상기 미리 설정된 구간은 (-π/2, π/2)인 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제8항에 있어서,

상기 상태의 각 범위 s_i는 아래의 식,

에 따라 결정되는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.

여기서,
는 천이 벡터의 기울기가 양수인 경우이며,
는 천이 벡터의 기울기가 음수인 경우이며, n은 미리 설정된 구간이 분할되어 생성되는 구간의 총 개수이며, i는 양자화된 데이터 각각의 순번임.
제6항에 있어서,

상기 (c) 단계는,

상기 새로운 가스에 대한 제2 상태 천이 행렬을 생성하는 단계; 및

상기 생성된 제2 상태 천이 행렬과 상기 하나 이상의 제1 상태 천이 행렬 각각의 유사도를 결정하는 단계를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제10항에 있어서,

상기 (c) 단계는 상기 유사도에 기반하여 미리 결정된 임계치를 이용하여 상기 새로운 가스를 분석하는 단계를 더 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제11항에 있어서,

상기 임계치는 상기 레퍼런스 가스 각각에 대한 제1 상태 천이 행렬의 유사도 중 최소값으로 결정되는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 방법.
제1항 내지 제12항 중 어느 한 항에 따른 방법을 수행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록매체.
하나 이상의 가스 센서를 포함하는 센서 어레이에서 검출되는 신호 패턴을 분석하는 장치로서,

상기 센서 어레이에서 출력되는 다채널 다차원 데이터를 전처리하는 전처리부;

상기 전처리된 데이터에서 의미 구간을 추출하는 의미 구간 추출부;

상기 추출된 의미 구간에 속하는 데이터를 선형화하는 선형화부;

상기 선형화한 데이터를 k번(k는 1이상의 자연수) 샘플링하고 양자화하는 양자화부;

상기 양자화된 데이터를 이용하여 각도 변이 기반 상태 천이 모델을 생성하는 모델 생성부; 및

상기 센서 어레이에서 새로운 가스에 대한 데이터를 출력하는 경우, 상기 각도 변이 기반 상태 천이 모델을 이용하여 상기 새로운 가스를 분석하는 분석부를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제14항에 있어서,

상기 전처리부는 상기 다채널 다차원 데이터 중 대표성을 갖는 평균값을 벗어나는 데이터를 제외시키는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제14항에 있어서,

상기 다채널 다차원 데이터는 증가와 감소가 반복되며,

상기 의미 구간 추출부는 상기 다채널 다차원 데이터가 증가하기 시작하는 구간에서 최고값까지의 구간을 추출하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제14항에 있어서,

상기 선형화부는 상기 추출된 의미 구간의 다채널 다차원 데이터를 상기 센서에 상응하는 채널에 따라 선형 데이터로 변환하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제14항에 있어서,

상기 모델 생성부는,

상기 양자화된 데이터를 이용하여 복수의 천이 벡터를 생성하는 천이 벡터 생성부;

미리 설정된 구간을 n개의 구간으로 분할하는 구간 분할부-상기 n은 상기 미리 설정된 구간이 분할되어 생성되는 구간의 총 개수로서 미리 설정된 자연수이며, 상기 n개로 분할된 각 구간이 하나의 상태로 정의됨-;

각 천이 벡터의 각도를 상기 n개의 구간에 매칭시켜 상태열을 생성하는 상태열 생성부; 및

상기 생성된 상태열을 이용하여 각 레퍼런스 가스에 대해 천이 횟수에 상응하는 하나 이상의 제1 상태 천이 행렬을 생성하는 상태 천이 행렬 생성부를 포함하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제18항에 있어서,

상기 천이 벡터 생성부는 상기 양자화된 데이터 중 i와 i+1번째 데이터에 대해 순차적으로 천이 벡터를 생성하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.

여기서, i는 미리 설정된 자연수로서, 상기 양자화된 데이터 각각의 순번임.
제18항에 있어서,

상기 미리 설정된 구간은 (-π/2, π/2)인 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제20항에 있어서,

상기 상태의 각 범위 s_i는 아래의 식,

에 따라 결정되는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.

여기서,
는 천이 벡터의 기울기가 양수인 경우이며,
는 천이 벡터의 기울기가 음수인 경우이며, n은 미리 설정된 구간이 분할되어 생성되는 구간의 총 개수이며, i는 양자화된 데이터 각각의 순번임.
제18항에 있어서,

상기 분석부는 상기 새로운 가스에 대해 생성된 제2 상태 천이 행렬과 상기 하나 이상의 제1 상태 천이 행렬 각각의 유사도를 결정하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제22항에 있어서,

상기 분석부는 상기 유사도에 기반하여 미리 결정된 임계치를 이용하여 상기 새로운 가스를 분석하는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.
제23항에 있어서,

상기 임계치는 상기 레퍼런스 가스 각각에 대한 제1 상태 천이 행렬의 유사 도 중 최소값으로 결정되는 것을 특징으로 하는 센서 어레이의 신호 패턴 분석 장치.