KR102139931B1 - 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법 - Google Patents

연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법 Download PDF

Info

Publication number
KR102139931B1
KR102139931B1 KR1020130027437A KR20130027437A KR102139931B1 KR 102139931 B1 KR102139931 B1 KR 102139931B1 KR 1020130027437 A KR1020130027437 A KR 1020130027437A KR 20130027437 A KR20130027437 A KR 20130027437A KR 102139931 B1 KR102139931 B1 KR 102139931B1
Authority
KR
South Korea
Prior art keywords
model
situation
input data
learning
context
Prior art date
Application number
KR1020130027437A
Other languages
English (en)
Other versions
KR20140112839A (ko
Inventor
박상도
최희열
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020130027437A priority Critical patent/KR102139931B1/ko
Priority to US14/198,512 priority patent/US20140279814A1/en
Publication of KR20140112839A publication Critical patent/KR20140112839A/ko
Application granted granted Critical
Publication of KR102139931B1 publication Critical patent/KR102139931B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephone Function (AREA)

Abstract

연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법이 개시된다. 본 발명의 상황 인지 장치는, 입력 데이터를 기반으로 상황 모델을 생성하는 상황 모델 생성부와, 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 갱신된 상황 모델과 입력 데이터를 이용하여 상황을 추론하는 상황 추론부를 포함할 수 있다.

Description

연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법{Apparatus and Method for context awareness using deductive reasoning and inductive reasoning}
상황 인지 기술에 관한 것으로, 특히, 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법에 관한 것이다.
상황 인지란 상황의 변화를 감지하고 사용자에게 적합한 정보나 서비스를 제공하거나 시스템이 스스로 상태를 변경하는 기술을 말하며, 상황(context)을 추론하기 위해서 상황 모델을 필요로 한다.
한편, 상황을 추론하는 방법으로는 도메인 전문가가 특정 상황에 대해 축적한 경험이나 규칙을 사전에 기술하여 상황 모델을 생성하고, 이를 바탕으로 추론하는 연역적 추론(deductive reasoning)과 구체적인 경험적 현상을 관찰, 측정하여 발견된 사실로부터 일반화된 결론이나 일반적 원리를 도출하여, 이를 바탕으로 추론하는 귀납적 추론(inductive reasoning)이 있다.
일반적으로 상황 인지 시스템은 도메인 전문가가 상황 모델을 생성하여 추론을 하는 연역적 추론(deductive reasoning) 방법을 이용한다. 그러나 이에 의하면, 전문가가 모든 상황을 사전에 기술하는데 어려움이 있고, 대용량 데이터(big data)처럼 모델링을 하기 어려운 경우는 추론이 불가능하다.
입력 데이터를 학습하여 상황 모델을 생성하고, 이를 기반으로 도메인 전문가가 미리 생성하여 저장한 상황 모델을 갱신함으로써, 추론하려는 대상의 데이터가 대용량이거나 난해하여 전문가에 의한 모델링이 되지 않더라도 상황 인지가 가능한 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법이 제공된다.
본 발명의 일 양상에 따른 상황 인지 장치는, 입력 데이터를 기반으로 상황 모델을 생성하는 상황 모델 생성부와, 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 갱신된 상황 모델과 입력 데이터를 이용하여 상황을 추론하는 상황 추론부를 포함할 수 있다.
이때, 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함할 수 있다.
여기서, 상황 모델 생성부는, 입력 데이터를 학습하는 학습부와, 학습부의 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 변환부를 포함할 수 있다.
여기서, 학습부는, 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습할 수 있다.
여기서, 미리 설정된 언어는, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함할 수 있다.
또한, 상황 인지 장치는, 외부로부터 상황 모델을 입력 받는 상황 모델 입력부를 더 포함할 수 있다.
본 발명의 다른 양상에 따른 상황 인지 방법은, 입력 데이터를 기반으로 상황 모델을 생성하는 단계와, 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하는 단계와, 입력 데이터와 갱신된 상황 모델을 이용하여 상황을 추론하는 단계를 포함할 수 있다.
이때, 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함할 수 있다.
여기서, 상황 모델을 생성하는 단계는, 입력 데이터를 학습하는 단계와, 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 단계를 포함할 수 있다.
여기서, 입력 데이터를 학습하는 단계는. 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습할 수 있다.
여기서, 미리 설정된 언어는, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 상황 인지 장치의 구성도이다.
도 2a 및 도 2b는 도 1의 상황 인지 장치(100)가 상황 모델을 갱신하는 과정을 설명하기 위한 도면이다.
도 3a 및 도 3b는 도 1의 상황 모델 생성부(110)가 생성한 상황 모델의 예를 도시한 도면이다.
도 4는 도 1의 상황 인지 장치(100)를 단말에 적용한 예를 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 상황 인지 방법을 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시 예에 따른 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 상황 인지 장치(100)는, 상황 모델 생성부(110) 및 상황 추론부(120)를 포함할 수 있다.
상황 모델 생성부(110)는 입력 데이터를 기반으로 상황 모델을 생성할 수 있다. 이를 위해, 상황 모델 생성부(110)는 학습부(111) 및 변환부(112)를 포함할 수 있다.
학습부(111)는 입력 데이터를 학습할 수 있다. 이때, 입력 데이터는 하나 이상의 센서로부터 수집된 센싱 데이터 또는 상황 인지 장치 외부 데이터를 포함할 수 있다. 여기서, 센서는 GPS 모듈, 근접 센서, 동작 센서, 조도 센서, 자이로 센서, 가속도 센서, 온도 센서, 압력 센서 등을 포함할 수 있고, 상황 인지 장치 외부 데이터로는 SNS 데이터, 링크 데이터(Linked Data), Web 데이터 등을 포함할 수 있다.
학습부(111)는 입력 데이터를 미리 설정된 학습 기간 동안 학습할 수 있다. 이때, 학습 방법으로는 기계 학습(Machine Learning) 알고리즘을 이용할 수 있다. 예를 들면, 인공 신경망(artificial neural network), 결정 트리(decision tree), 유전 알고리즘(Genetic Algorithm, GA), 유전자 프로그래밍(Genetic Programming, GP), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-Nearest Neighbor, K-NN), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(Support Vector Machine, SVM) 등을 이용할 수 있으나, 이에 한정되는 것은 아니다.
변환부(112)는 학습부(111)의 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환할 수 있다. 예를 들어, 온톨로지를 기반으로 하는 경우, 변환부(112)는 학습부(111)의 학습 결과를 SWRL(Semantic Web Rule Language)으로 표현할 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), Prolog 등으로 표현하는 것도 가능하다.
한편, 상황 모델 생성부(110)는 학습부(111)가 입력 데이터를 학습한 결과, 특정 패턴을 인식한 경우, 학습에 사용된 입력 데이터에 대한 상황 정보를 사용자에게 요청하는 정보 요청부(미도시)를 더 포함할 수 있다. 예를 들어, 사용자가 걷고 있는 중이고 입력 데이터가 가속도 센서값이라고 가정한다. 이 경우 학습부(111)는 가속도 센서값을 학습하여 특정 패턴을 인식하게 된다. 이 후, 정보 요청부(미도시)는 학습에 사용된 가속도 센서값의 상황 정보를 사용자에게 요청을 하고, 사용자는 걷고 있는 중이라는 상황 정보를 입력함으로써, 사용자가 걸을 때의 가속도 센서값의 특정 패턴을 알 수 있게 된다.
상황 추론부(120)는 변환부(112)에서 변환된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 입력데이터와 갱신된 상황 모델을 이용하여 상황을 추론할 수 있다. 이를 위해, 상황 추론부(120)는 상황 모델 저장부(121), 상황 모델 갱신부(122) 및 추론 엔진(123)을 포함할 수 있다.
상황 모델 저장부(121)는 상황 모델을 저장할 수 있다. 이때, 상황 모델은 온톨로지 기반 모델일 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 등일 수 있다.
상황 모델 갱신부(122)는 변환부(112)로부터 상황 모델을 수신하여, 상황 모델 저장부(121)에 기 저장된 상황 모델을 갱신할 수 있다. 즉, 상황 모델 갱신부(122)는 변환부(112)로부터 수신한 상황 모델을 상황 모델 저장부(121)에 기 저장된 상황 모델과 결합하여, 기 저장된 상황 모델을 갱신하고, 상황 모델 저장부(121)에 갱신된 상황 모델을 저장할 수 있다.
추론 엔진(122)은 갱신된 상황 모델을 기초로 입력 데이터를 이용하여 사용자의 상황을 추론할 수 있다.
한편, 본 발명의 추가적 실시 예에 따르면, 상황 인지 장치(100)는 외부로부터 상황 모델을 입력 받는 상황 모델 입력부(130)를 더 포함할 수 있다. 예를 들어, 상황 모델 입력부(130)는 상황 모델 저장부(121)에 저장되어 있지 않은 상황 모델을 외부로부터 입력 받아, 상황 모델 저장부(121)에 저장할 수 있다.
도 2a 및 도 2b는 도 1의 상황 인지 장치(100)가 상황 모델을 갱신하는 과정을 설명하기 위한 도면이다.
이 경우, 상황 모델 1(210)은 상황 추론부(120)에 기 저장된 상황 모델이며, 상황 모델 2(220)는 상황 모델 생성부(110)에서 입력 데이터를 학습하여 생성한 상황 모델이며, 상황 모델 3(230)은 상황 모델 1(210) 및 상황 모델 2(220)가 결합한 갱신된 상황 모델이다. 이 경우, 입력 데이터를 이용하여 사용자의 상황을 추론하기 위해서는 상황 모델 3(230)이 필요하다고 가정한다.
입력 데이터는 상황 모델 생성부(110) 및 상황 추론부(120)에 입력으로 들어간다. 이때, 상황 추론부(120)는 미리 설정된 추론 간격으로, 상황 모델 1(210)을 기초로 입력 데이터를 이용하여 사용자의 상황에 대한 추론을 시도하나, 이를 위한 상황 모델 3(230)을 저장하고 있지 않으므로, 상황 추론에 실패할 것이다.
한편, 상황 모델 생성부(110)는 입력된 데이터를 미리 설정된 학습 기간 동안 학습하고, 학습 결과를 SWRL(Semantic Web Rule Language)로 표현하여 상황 모델 2(220)를 생성하고, 상황 추론부(120)에 생성된 상황 모델 2(220)를 전송한다.
상황 추론부(120)는 상황 모델 생성부(110)로부터 상황 모델 2(220)를 수신하고, 상황 모델 1(210)과 결합하여, 갱신된 상황 모델 3(230)을 생성한다. 상황 추론부(120)는 상황 모델 갱신 후 입력되는 데이터와 상황 모델 3(230)을 이용하여 사용자의 상황을 추론한다.
즉, 상황 인지 장치(120)는 입력 데이터를 이용하여 사용자의 상황을 추론하기 위한 상황 모델을 저장하고 있는 경우는 별론하고, 이를 위한 상황 모델을 저장하고 있지 않은 경우는, 학습을 통하여 생성된 상황 모델을 기 저장된 상황 모델과 결합하여 상황 모델을 갱신함으로써, 사용자의 상황을 적절히 추론할 수 있다.
도 3a 및 도 3b는 도 1의 상황 모델 생성부(110)가 생성한 상황 모델의 예를 도시한 도면이다. 자세하게는, 도 3a는 학습부(111)에서 입력 데이터를 학습한 결과를 도시한 도면이고, 도 3b는 학습부(111)의 학습 결과를 SWRL로 표현한 예를 도시한 도면이다.
도 3a 및 도 3b를 참조하면, 입력으로 들어오는 데이터를 2차원으로 나타내면, 'O' 및 'X'로 나타낼 수 있다. 학습부(111)는 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습하고, 입력 데이터를 구분할 수 있는 최적의 경계 라인을 산출하게 된다. 즉, 기계 학습 결과, 경계 라인의 수식인
Figure 112013022298528-pat00001
가 산출된다. 도 3a의 경우, 기계 학습 결과가 입력 데이터 값과 계수로 이루어진 선형 함수(linear function) 형태로 나타나는 예를 도시한다.
그 후, 학습 결과인 수식
Figure 112013022298528-pat00002
는 미리 설정된 언어로 표현되어 상황 모델로 변환된다. 도 3b는 학습 결과인 수식
Figure 112013022298528-pat00003
을 SWRL(Semantic Web Rule Language)로 표현한 예를 도시한다.
도 4는 도 1의 상황 인지 장치(100)를 단말에 적용한 예를 도시한 도면이다.
이 경우, 상황 모델 저장부(121)에 '사용자가 뛰면, 단말의 소리를 높여라'라는 상황 모델이 저장되어 있고, 단말의 가속도 센서의 센싱 데이터가 상황 인지 장치(100)의 입력으로 들어온다고 가정한다. 또한, 상황 인지 장치(100)는 가속도 센서 값만으로 사용자가 뛰는지 걷는지 추론하기 위한 상황 모델이 저장되어 있지 않다고 가정한다.
도 4를 참조하면, 학습부(111)는 가속도 센서의 센싱 데이터를 수신하여, 학습 기간 동안 학습하고, 학습 결과는 변환부(112)에 전송된다. 변환부(112)는 학습 결과를 수신하여 미리 설정된 언어로 표현하여 상황 모델을 생성한다. 이때, SWRL(Semantic Web Rule Language)로 표현할 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), Prolog 등으로 표현하는 것도 가능하다.
상황 모델 갱신부(122)는 변환부(112)에서 생성된 상황 모델을 상황 모델 저장부(121)에 기 저장된 상황 모델과 결합하여, 상황 모델 저장부(121)에 기 저장된 상황 모델을 갱신하여, 상황 모델 저장부(121)에 저장한다.
추론 엔진(122)은 상황 모델이 갱신된 후에, 가속도 센서의 센싱 데이터를 수신하여 갱신된 상황 모델을 기반으로 사용자가 뛰고 있는지 걷고 있는지를 추론하고, 사용자가 뛰고 있다고 판단된 경우, 단말의 소리를 높여야 하는 상황이라는 추론 결과를 단말에 제공하고, 단말은 이에 따라 단말의 소리를 높이게 된다.
도 5는 본 발명의 일 실시 예에 따른 상황 인지 방법을 도시한 흐름도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 상황 인지 방법은, 먼저 입력 데이터를 수신한다(510). 이때, 입력 데이터는 하나 이상의 센서로부터 수집된 센싱 데이터 또는 상황 인지 장치 외부 데이터를 포함할 수 있다. 여기서, 센서는 GPS 모듈, 근접 센서, 동작 센서, 조도 센서, 자이로 센서, 가속도 센서, 온도 센서, 압력 센서 등을 포함할 수 있고, 상황 인지 장치 외부 데이터로는 SNS 데이터, 링크 데이터(Linked Data), Web 데이터 등을 포함할 수 있다.
그 후, 입력 데이터를 미리 설정된 학습 기간 동안 학습한다(520). 이때, 학습 방법으로는 인공 신경망(artificial neural network), 결정 트리(decision tree), 유전 알고리즘(Genetic Algorithm, GA), 유전자 프로그래밍(Genetic Programming, GP), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-Nearest Neighbor, K-NN), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(Support Vector Machine, SVM) 등의 기계 학습 알고리즘을 이용할 수 있다.
그 후, 학습 결과를 미리 설정된 언어로 표현하여 상황 모델을 생성한다(530). 예를 들어, 학습 결과를 SWRL(Semantic Web Rule Language)으로 표현할 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), Prolog 등으로 표현하는 것도 가능하다.
그 후, 생성된 상황 모델을 기 저장된 상황 모델과 결합하여 기 저장된 상황 모델을 갱신한다(540).
그 후, 갱신된 상황 모델을 기초로 입력 데이터를 이용하여 사용자의 상황을 추론한다(550).
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 상황 인지 장치, 110: 상황 모델 생성부,
111: 학습부, 112: 변환부,
120: 상황 추론부, 121: 지식 베이스,
122: 추론 엔진, 123: 상황 모델 입력부.

Claims (11)

  1. 입력 데이터 및 상기 입력 데이터에 대한 상황 정보를 기반으로 상황 모델을 생성하는 상황 모델 생성부; 및
    상기 생성된 상황 모델과 기 저장된 상황 모델을 결합하여 갱신된 상황 모델을 생성하고, 상기 갱신된 상황 모델과 입력 데이터를 이용하여 상황을 추론하는 상황 추론부;를 포함하고,
    상기 상황 모델 생성부는,
    하나 이상의 센서로부터 수집된 센싱 데이터 및 상황 인지 장치 외부 데이터 중의 적어도 하나를 포함하는 입력 데이터를 학습하는 학습부;
    상기 학습 결과 특정 패턴이 인식된 경우, 상기 입력 데이터에 대한 상황 정보를 사용자에게 요청하는 정보 요청부; 및
    상기 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 변환부;를 포함하는 상황 인지 장치.
  2. 제 1항에 있어서,
    상기 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함하는 상황 인지 장치.
  3. 삭제
  4. 제 1항에 있어서,
    상기 학습부는, 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습하는 상황 인지 장치.
  5. 제 1항에 있어서,
    상기 미리 설정된 언어는 RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함하는 상황 인지 장치.
  6. 제 1항에 있어서,
    외부로부터 상황 모델을 입력 받는 상황 모델 입력부; 를 더 포함하는 상황 인지 장치.
  7. 입력 데이터 및 상기 입력 데이터에 대한 상황 정보를 기반으로 상황 모델을 생성하는 단계;
    상기 생성된 상황 모델과 기 저장된 상황 모델을 결합하여 갱신된 상황 모델을 생성하는 단계; 및
    입력 데이터와 상기 갱신된 상황 모델을 이용하여 상황을 추론하는 단계;를 포함하고,
    상기 입력 데이터 및 상기 입력 데이터에 대한 상황 정보를 기반으로 상황 모델을 생성하는 단계는,
    하나 이상의 센서로부터 수집된 센싱 데이터 및 상황 인지 장치 외부 데이터 중의 적어도 하나를 포함하는 입력 데이터를 학습하는 단계;
    상기 학습 결과 특정 패턴이 인식된 경우 상기 입력 데이터에 대한 상황 정보를 사용자에게 요청하는 단계; 및
    상기 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 단계;를 포함하는 상황 인지 방법.
  8. 제 7항에 있어서,
    상기 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함하는 상황 인지 방법.
  9. 삭제
  10. 제 7항에 있어서,
    상기 입력 데이터를 학습하는 단계는 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습하는 상황 인지 방법.
  11. 제 7항에 있어서,
    상기 미리 설정된 언어는, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함하는 상황 인지 방법.




KR1020130027437A 2013-03-14 2013-03-14 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법 KR102139931B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020130027437A KR102139931B1 (ko) 2013-03-14 2013-03-14 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법
US14/198,512 US20140279814A1 (en) 2013-03-14 2014-03-05 Context-aware method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130027437A KR102139931B1 (ko) 2013-03-14 2013-03-14 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20140112839A KR20140112839A (ko) 2014-09-24
KR102139931B1 true KR102139931B1 (ko) 2020-07-31

Family

ID=51532906

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130027437A KR102139931B1 (ko) 2013-03-14 2013-03-14 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법

Country Status (2)

Country Link
US (1) US20140279814A1 (ko)
KR (1) KR102139931B1 (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101924330B1 (ko) 2017-02-10 2019-02-20 주식회사 테크포아이 동적 환경에 적응할 수 있는 사용자 중심 상황 인지시스템 및 그 방법
KR101763858B1 (ko) * 2017-02-10 2017-08-14 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈
KR101763869B1 (ko) * 2017-02-16 2017-08-07 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈
KR101774844B1 (ko) * 2017-04-18 2017-09-19 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
US11514346B2 (en) * 2017-04-24 2022-11-29 Google Llc Contextual situation analysis
EP3622413A4 (en) * 2017-05-08 2020-12-23 Microsoft Technology Licensing, LLC PROVIDING LOCAL SERVICE INFORMATION IN AN AUTOMATIC ONLINE DIALOGUE
KR102026776B1 (ko) * 2017-07-24 2019-11-04 광운대학교 산학협력단 교차 의사결정 기반 스마트홈 서비스 방법 및 시스템
KR102236298B1 (ko) * 2018-05-18 2021-04-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼 시스템
KR102236302B1 (ko) * 2018-05-18 2021-04-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼 서비스 방법
KR102200809B1 (ko) * 2019-04-01 2021-01-12 주식회사 엘렉시 학습기반 데이터 처리 시스템 및 모델 갱신 방법
WO2020256339A1 (ko) * 2019-06-18 2020-12-24 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR102383144B1 (ko) * 2019-10-16 2022-04-05 주식회사 한국디지털트윈연구소 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법
JP6812583B1 (ja) * 2020-02-28 2021-01-13 株式会社Ｃｙｇａｍｅｓ ゲームスクリプトの作成を支援するためのシステム及び方法
KR102222072B1 (ko) * 2020-12-04 2021-03-03 주식회사 엘렉시 학습기반 데이터 처리 시스템 및 모델 갱신 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001344389A (ja) * 2000-06-02 2001-12-14 Canon Inc 状況情報共有システム、状況情報共有方法および記憶媒体
US20090292687A1 (en) 2008-05-23 2009-11-26 International Business Machines Corporation System and method for providing question and answers with deferred type evaluation

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7107539B2 (en) * 1998-12-18 2006-09-12 Tangis Corporation Thematic response to a computer user's context, such as by a wearable personal computer
JP4498417B2 (ja) * 2004-07-01 2010-07-07 ノキア コーポレイション 移動通信装置用アプリケーションのパーソナライズにおいてコンテキスト・オントロジを利用する方法，装置及びコンピュータプログラム
KR100868331B1 (ko) * 2007-02-23 2008-11-11 성균관대학교산학협력단 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체
US20090006448A1 (en) * 2007-06-28 2009-01-01 Microsoft Corporation Automated model generator
KR20090064937A (ko) * 2007-12-17 2009-06-22 한국전자통신연구원 상황 인지 시스템 및 그 시스템에서의 상황 인지 방법
KR101189044B1 (ko) * 2009-12-08 2012-10-08 포항공과대학교 산학협력단 개인화 서비스 제공 및 관리를 위한 장치 및 방법
EP2339513A1 (en) * 2009-12-08 2011-06-29 Postech Academy-Industry- Foundation Apparatus and method for creating and managing personalized services in communication system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001344389A (ja) * 2000-06-02 2001-12-14 Canon Inc 状況情報共有システム、状況情報共有方法および記憶媒体
US20090292687A1 (en) 2008-05-23 2009-11-26 International Business Machines Corporation System and method for providing question and answers with deferred type evaluation

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Bellotti et al. ‘Activity-Based Serendipitous Recommendations with the Magitti Mobile Leisure Guide’, April 5-10, 2008*

Also Published As

Publication number Publication date
KR20140112839A (ko) 2014-09-24
US20140279814A1 (en) 2014-09-18

Similar Documents

Publication Publication Date Title
KR102139931B1 (ko) 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법
Kavitha et al. IOT and context‐aware learning‐based optimal neural network model for real‐time health monitoring
US20180144250A1 (en) Data processing apparatus and method for merging and processing deterministic knowledge and non-deterministic knowledge
Gyrard et al. Standardizing generic cross-domain applications in Internet of Things
JP6752457B2 (ja) 機械学習システム、装置及び情報処理方法
Rubio et al. ANFIS system for classification of brain signals
Saleem et al. Data analytics in the Internet of Things: A survey
EP3920048A1 (en) Method and system for automated visual question answering
KR102105187B1 (ko) 지식 증강을 위한 선순환 자가 학습 방법 및 그 장치
US20200193988A1 (en) Laundry scheduling device
KR20210033809A (ko) 인공 신경망을 이용하여 로봇을 제어하는 제어 서버 및 방법와, 이를 구현하는 로봇
Cong A coverage algorithm for WSN based on the improved PSO
Fritze et al. A support system for sensor and information fusion system design
Serrano et al. A review of tools for IoT semantics and data streaming analytics
Radhika et al. An intelligent semanticification rules enabled user-specific healthcare framework using IoT and deep learning techniques
CN106030623B (zh) 用于术语推理的专用化机制
KR20150136734A (ko) 데이터 병렬 추론 방법 및 장치
WO2020044414A1 (ja) 仮説推論装置、仮説推論方法、及びコンピュータ読み取り可能な記録媒体
Akkaladevi et al. Programming by interactive demonstration for a human robot collaborative assembly
Repta et al. A cyber-physical systems approach to develop a generic enterprise architecture
Hu et al. A Novel Context-aware Modeling and Reasoning Method based on OWL.
KR101924330B1 (ko) 동적 환경에 적응할 수 있는 사용자 중심 상황 인지시스템 및 그 방법
Amja et al. Modeling and reasoning in context-aware systems based on relational concept analysis and description logic
Goodwin et al. Ant colony optimisation-based classification using two-dimensional polygons
CN105725991B (zh) 基于智能代理的健康监护***

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant