인공지능형 아파트 구현을 위한 인공신경망 제어기{Neuro-controller for the Implementation of Artificial Intelligence Apartment Building}

본 발명은 거주자의 여러 가지 상황(생활 패턴)을 예상하여 미리 지정된 프로그램에 따라서 자동적으로 처리하는 방식의 기존 홈 오토메이션 개념에 의한 것이 아니라, 각 거주자의 반복적인 생활 패턴(Life style)을 시간이 지남에 따라, 인공 신경망 시스템이 스스로 학습 (Training) 하여 거주자의 생활 패턴에 적응(Adaptation)함으로서, 거주자의 동작(명령)이나 지정된 프로그램 없이도 사람이 거주하는 주거 환경 상태를 자동으로 조절되도록 하는 진정한 인공지능형 아파트를 구현하기 위한 핵심 장치인 인공 신경망 제어기의 발명에 관한 것이다.

인간은 거주 공간을 생활하기에 적합토록 항상 주거환경을 변경 조절한다. 즉, 실내온도가 하강하게 되면 실내온도를 상승하도록 보일러를 작동시키며, 실내온도가 상승하게 되면 에어콘과 같은 냉방기기를 작동하여 실내온도를 낮추게 되며, 실내가 어두우면 조명등을 점등하여 실내를 조명토록 하며, 요리를 할 경우 냄새를 배기토록 하는 환기 송풍팬을 작동시키는 등 주택에 설치되는 각종 기계기구나 전기 전자 작동기기를 작동시켜 주거환경을 조절하는 것을 볼 수 있다.

도1에서 보는 바와 같이 현재, 주택의 각종 기기를 작동시키는 제어 시스템은 다음과 같이 분류할 수 있으며, 작동을 제어하는데 있어 각각 다음과 같은 특징을 가지고 있다.

1) 개별 직접 제어 시스템 : 주택내의 각종 기기를 스위치 등으로 직접 작동 시키거나 리모콘과 같은 보조도구를 이용하여 개별적으로 작동시켜 제어함.

2) 사용자 인터페이스 시스템 : 개별 제어 시스템의 발전된 개념으로 주택내의 각종 기기를 어느 정도 통합적으로 작동시키며, 터치스크린이나 음성인식시스템과 같은 사용자 인터페이스로 작동토록 함.

3) 자동 제어 시스템 : 사용자 인터페이스 시스템의 발전된 개념으로 주택내의 각종 기기를 통합적으로 제어하며 지정된 프로그램에 따라 순서대로 제어함.

이와 같이 최신의 홈 시스템은 사용자 인터페이스에 의해 수동적으로 작동하거나, 지정된 프로그래밍에 의해 자동적으로 전자 작동 기기를 조절하고 있다. 사용자 인터페이스를 이용하여 작동 기기를 제어하는 것은 항상 거주자의 명령이 필요하므로 완전 자동 제어라 할 수 없다. 또한, 기존 방식의 프로그래밍(Fortran, C++ 등의 컴퓨터 언어)에 의해 자동 제어를 할 경우, 거주자의 평균적인 생활 패턴을 기준으로 프로그래밍 되기 때문에, 거주자 각자의 생활 패턴의 다양성과 변화를 고려할 수 없을 뿐만 아니라, 새로운 요구에 적응할 수 없다.

이와 같은 단점을 극복하기 위해서는 각종 센서를 통하여 데이터를 수집하여 거주자의 생활 습관을 습득하고, 이 데이터를 바탕으로 시간이 경과함에 따라 생활 패턴에 대한 충분한 학습을 함으로서, 거주자의 명령없이도 작동 기기를 동작시킬 수 있는 '인간의 뇌'와 같은 인공 지능형 홈 오토메이션의 적용이 필연적이라 할 수 있다.

따라서, 본 발명은 인공 신경망 제어시스템을 이용하여 거주자가 작동시키는 각종 기기의 반복적인 동작을 인지하여 학습함으로서, 거주자의 생활 패턴에 적응하여 사용자의 습관이나 취향에 맞게 실내 주거 환경이 자동으로 조절되도록 하는 홈 오토메이션 시스템이 실현된 인공 지능형 아파트에 관한 것이다.

현재의 홈 오토메이션 시스템은 도1에서와 같이 상황을 감지하기 위한 센서 시스템(Sensor)에 연결되어 작동하는 감시 및 경보 시스템(Security), 스위치나 리모콘 또는 음성 인식 시스템(Voice)에 의해 작동되는 조명 기구 시스템(Lighting)과 가전 기기 시스템(Entertainment), 에너지 절약을 위하여 특정 상황을 가정하여 프로그램된 순서대로 작동하는 냉난방 기구 시스템(HVAC), 각종 컴퓨터나 센서 감지기 사이의 통신 및 상황 전달을 위한 통신 시스템(Telecommunication)으로 구성된다. 이와 같이 현재의 홈 오토메이션에서 사용하는 제어 시스템은 스위치나 리모콘과 같은 보조도구를 이용하거나, 터치 스크린이나 음성 인식 시스템의 사용자 인터페이스 시스템을 적용하고 있기 때문에, 개별적이며 반자동으로 제어가 이루어지고, 변화에 적응하지 못하며, 작동에 관련한 거주자의 동작은 데이터로 저장되지 못한다.

본 발명은 상기한 기존 제어 시스템의 단점을 극복하기 위하여, 도2와 같이 여타 시스템(Security, Entertainment, Sensor 등)은 존속시키며, 기존 제어 시스템 부분만을 새로운 인공 신경망 기반의 제어 시스템으로 대체한 것이다. 인공 신경망 시스템으로 개발한 것이기 때문에 통합적으로 완전 자동 제어가 가능하며, 변화에 적응적으로 대응하고, 시간이 경과함에 따라 데이터가 저장 및 학습된다.

따라서, 상기와 같은 홈 오토메이션용 인공 신경망 시스템 제어기를 구현하는 방법을 제공하는데 본 발명의 목적이 있다.

도1 - 기존 제어기를 적용한 홈 오토메이션 구성도.

도2 - 인공신경망 제어기를 적용한 홈 오토메이션 구성도.

도3 - 인공신경망 제어기의 설계 및 구현에 대한 개념도.

도4 - 다층 퍼셉트론(multi-layered perceptron)의 구조 및 작용을 설명하는

신경망 구조도.

도5 - 인공 신경망 제어기를 설계 및 구현하는 단계를 설명하는 순서도.

상기와 같은 목적을 달성하기 위하여 인공 신경망 제어기를 구현하기 위한 신경망 알고리즘을 선정하였고, 이 알고리즘을 이용하여 신경망을 설계하는 순서를 제시하였다. 본 발명의 설계 및 구현을 개략적으로 설명하면 도3과 같으며 자세한 설명은 다음과 같다.

인공 신경망 제어기를 구현하기 위한 신경망 알고리즘으로는 다변수 비선형 문제에 가장 적합한 대표적인 신경망인 E rror B ack- P ropagation T raining A lgorithm (EBPTA, 오류 역전파 학습 알고리즘)을 이용한 신경망을 선택하였으며,이 알고리즘의 구성 및 작용 과정은 다음과 같다.

EBPTA 신경망은 도4에서와 같이 다층 퍼셉트론(multi-layered perceptron)의 구조를 갖고 있으며 학습 단계와 리콜 단계로 동작한다.

우선, 학습 단계에서는 입력 패턴(input pattern)과 목적 패턴(target pattern)이 다수의 입.출력쌍으로 주어지고, 각 입력 패턴에 대해 출력을 먼저 계산한 후, 기대값과 출력값의 차이를 줄이는 방향으로 연결 강도를 조정한다. 조정 과정이 끝나면 같은 과정으로 학습을 반복함으로써 최적의 연결 강도를 구한다. 리콜 단계에서는 입력만 주어지면 연결 강도와의 계산에 의해 적절한 출력이 계산된다.

EBPTA 신경 회로망의 학습 단계에서 사용하는 학습 알고리즘은 일반화된 델타법칙(Generalized Delta rule)이라고도 하며, 도4에서와 같이 같이 진행 방향에 따라 전방향 진행과 역방향 진행으로 구분할 수 있다.

1. 전방향 진행

전방향 진행에서는 입력층(layer i)에 하나의 입력 패턴이 주어지면, 은닉층(layer j)에 있는 뉴우런으로 들어가는 입력(net input)이 식(1)과 같이 계산된다. 여기서 W _ji 는 j층과 i층을 연결하는 연결 강도이다. O _i 는 i층에서 나오는 출력을 나타내며, net _j 는 활성화 함수 f _j 로 입력된 후 식(2)와 같이 계산되어 j층 뉴우런의 출력 O _j 가 된다.

여기서 T _j 는 j층 뉴우런들의 임계값이다. O _j 는 다시 식(3)과 같이 출력층(layer k)으로 입력 되고, 활성화 함수 f _k 에 의해 식(4)와 같이 계산되어 k층 뉴우런의 출력 O _k 가 된다.

일반적으로 출력값 O _k 는 기대값 d _k 와 일치하지 않으므로 하나의 패턴에 대한 패턴 오차(pattern error) E _p 를 식(5)와 같이 정의하고, E _p 가 정해지면 E _p 를 최소화하는 방향으로 연결 강도와 임계값을 조정한다. 전체 패턴에 대한 오차의 합 E _t 는 E _p 를 모두 합하여 식(6)과 같이 구한다.

2. 역방향 진행

역방향 진행은 최종 출력층에서 계산된 패턴 오차를 역방향으로 입력층까지전파하여 연결 강도를 수정함으로써 오차를 최소화하는 과정을 의미한다.

(1) 출력층 연결 강도의 조정

출력층에서의 연결 강도의 미소 변화량은 식(7)로 정의한다. 여기서 η는 학습 상수(learning constant)이다. 식(7)은 식(8)로 쓸 수 있으며 출력층에서 E를 줄이는 방향으로 학습을 하기 위해서는 식(9)를 이용하여 연결 강도를 변화시키면 된다.

(2) 은닉층 연결 강도의 조정

은닉층 연결 강도의 미소 변화량도 식(7) ~ (9)와 같은 과정으로 전개하며 그 결과는 식(10.a) ~ 식(10.b)와 같다. 따라서, 은닉층에서의 연결강도 미소 변화량은 식(11)과 같이 구해진다.

결국, 학습 과정에서 필요한 연결 강도의 변화량은 식(12)와 식(13)으로 계산하며, 위와 같은 학습 과정은 반복적으로 이루어진다.

마지막으로 연결 강도의 변화량에 모멘텀항(momentum term)을 추가한다. 식(14)와 식(15)는 ( n+1 )단계에서 출력층과 은닉층의 최종적인 연결 강도의 수정량이다.

이러한 과정이 되풀이 되면서 학습이 진행되며, 정해진 반복 횟수에 도달하거나 오차가 정해진 범위(최대 에러)로 줄어들어 학습이 완료되는 신경망 제어기에 관한 것이다.

인공신경망(EBPTA)의 설계는 연결강도의 수, 은닉층의 수, 은닉 및 결과층에서의 뉴런 수, 학습 패턴 수 등에 의해 결정되어진다. 신경망 제어기를 적절히 시뮬레이트하면서도 시간을 감소하기 위하여 신경망 구조를 결정하는데 다음과 같은 8가지 변수를 적용토록 하였으며, 특히, 각 변수에 의한 시뮬레이션 결과를 다음과 같은 2가지 면에 대하여 비교 분석하여 자동 제어를 위한 신경망 모델을 구현하였다.

* 8가지의 신경망 설계 변수

① 학습 패턴의 선정, ② 은닉층 뉴런의 수, ③ 은닉층의 수, ④ 초기 연결강도값, ⑤ 학습 에러(Training errors, Maximum error 포함), ⑥ 활성함수 (Activation function), ⑦ 학습 상수(Learning constant,η), ⑧모멘텀 항 (Momentum term,α)

* 2가지의 결과 비교 변수

① 반복횟수(Iteration, 일반적으로 소요시간과 비례) ② 근사화의 정도

즉, 신경망을 설계하는 순서도(도5)를 자세히 설명하면 다음과 같다.

[단계1 : 입력과 출력층 뉴런 수 결정단계]

자동 제어하고자 하는 대상 문제의 변수와 결과값으로부터 입력과 출력층 뉴런 수를 결정한다. 변수(입력층 뉴런 수)가 많은 경우에는 현실적으로 생성할 수 없을 정도로 학습 패턴 수가 과도해질 수 있으므로, 이 경우에는 변수를 그루핑(Grouping)하여, 적절한 변수만을 고려하는 신경망으로 분리한다. 이러한 경우, 최소 단위의 신경망 구조는 3개의 입력층 뉴런과 1개의 출력층 뉴런을 가진다.

거주자의 행동양식을 학습하여 거주자의 지시 없이도 홈 오토메이션 시스템을 자동적으로 작동하는 것이 본 개발의 주 목적이므로, 내부 온도제어를 시뮬레이션의 한 예로 보이고자 한다. 즉, 월(M), 일(D), 시간(H), 분(MM), 외부 온도(ET)가 입력되었을 때, 내부 평균 온도(IT)를 구하는 것으로 한정하게 되므로 내부 평균 온도는 IT = NN(M, D, H, MM, ET)로 구할 수 있다.

즉, 다섯개의 설계 변수(M, D, H, MM, ET)를 나타내는 입력층의 5개의 뉴런과 내부 평균 온도(IT)를 나타내는 출력층의 1개의 뉴런으로 신경망을 생성한다.

[단계2 : 학습 패턴의 선정단계]

학습 패턴의 범위는 월(M)은 1 ~ 12(월), 일(D)은 1 ~ 31(일), 시간(H)은 1 ~ 24(시), 분(MM)은 1 ~ 60(분), 외부 온도 (ET)는 -20 ~ 35(도)로 하였다. 학습 패턴을 선정하는 방법으로 Hypercube 방법을 적용하였다. Hypercube 방법은 Hypercube를 설계 공간의 중간점을 연결하여 만들며, 이것이 초기 설계 변수의 세트가 된다. Hypercube를 만드는 점의 적절한 선택은 각 코너(n개의 설계 변수에 대하여 2 ⁿ 개의 점), 각 면의 중앙점(2n 개의 점), 설계 공간의 중앙점을 선정하는 것이다.

그러나, 설계 변수가 10이라면 코너에 의해 요구되는 점은 1024(2 ¹⁰ )개가 되므로 1024개의 학습패턴과 구조해석이 수행되어야 하며, 이것은 비실용적이고 신경망의 사용 목적에 위배된다. 그러므로, 실용적인 목적으로(설계 변수가 6이상일때), 각 면의 중앙점(2n 개의 점), 설계 공간의 중앙점(1), 상,하한값(2)으로 생성하였다.

[단계 3: 학습 패턴의 기대치 생성단계]

선정한 학습 패턴에 해당되는 변수값으로 적절한 값을 모니터 하던지 실험 결과를 수집하여 기대값(desired output)을 결정한다. 생성한 기대값 중최대값(Max.)과 최소값(Min.)의 비(Max./ Min.)가 2 ~ 20 정도 보다 큰 경우에는 변수값의 범위를 조정하여 입력 공간을 분할한다. 입력 공간을 분할할 수 없을 경우에는 다음 단계를 진행한다.

[단계4: 최대 허용 에러 산정단계]

EBPTA에서는 학습 단계에서 연결 강도의 적응도를 측정할 목적으로 식(16)과 같은 2차 에러(quadratic error)를 정의한다.

학습 패턴 수 P와 출력층 뉴런 수 K가 다른 신경망을 서로 비교하려면 식(17)과 같은 자승 평균 평방근(root-mean-square normalized) 에러를 도입한다.

또한, 이러한 에러는 학습 도중 최대 에러(maximum error, E _max )와의 비교를 통해서 학습 종료 시점을 판정한다. E _max =0.0001로 할 경우 식(18)와 같이 표현할 수 있고, 식(19)으로 전개할 수 있다.

식(19)에서, 학습 패턴 중 하나의 패턴(PK=1)에서 일어날 수 있는 출력값과 기대값 사이의 최대 에러(dO)는 0.0141이다. 따라서, 학습 패턴의 기대값이0.0141보다 작을 경우에는 학습의 정확도를 보장할 수가 없다. 그러므로, 패턴 선정시 학습 패턴의 균일한 정확도를 확보하기 위해서는 최대 에러에 의해 계산된 하나의 패턴(PK=1)에서 일어날 수 있는 출력값과 기대값 사이의 최대 에러(dO) 보다 큰 값으로 스케일링 되도록 패턴 범위를 선정하거나, 스케일링한 기대값에 적합한 최대 에러를 선정하여야 한다.

따라서, 스케일링한 기대값 중 최소값으로부터 다음과 같은 산정식으로 최대 허용 에러를 산정한다.

[단계5: 최대 반복 회수 결정단계]

최대 반복 회수는 수렴 속도가 느리거나 수렴하지 못할 경우를 대비하여 학습 반복 회수(Epochmax)을 제한하는 것으로서, 대상 문제에 따라 적절하게 결정한다.

[단계6 : 은닉층 뉴런 수 가정단계]

다층 피이드포워드 네트워크(Multilayer Feedforward Networks)를 사용하는 경우, 실제적인 문제를 푸는데 있어서 은닉층의 크기(뉴런 수)를 어느 정도 고려할 것인가는 매우 중요한 고려 사항 중 하나이다. 신경망의 복잡함으로 현재까지의 많은 연구에도 불구하고, 은닉층 뉴런 수를 정확히 판단할 결론적인 방법은 없었다. 그러나, 본 발명에 있어서는 현재까지 제시된 방법과 시뮬레이션 중 관찰된 새로운 방법을 적용하여 다음과 같은 결론적 방법을 제시하고자 한다.

즉, 은닉층의 수는 1로, 은닉층 뉴런 수는 입력과 출력층 뉴런 수의 합을 최소값으로 초기 가정한다. 그러나, 생성한 기대값 중 최대값(Max.)과 최소값(Min.)의 비(Max./ Min.)가 2 ~ 20 정도 보다 큰 경우에는 단계 4에서 산정한 최대 허용 에러(E _max )가 0.1 보다 적은 정도 만큼 은닉층 뉴런 수를 증가토록 하였다. 이러한 경우, 최대 허용 에러에 따라 증가할 가장 적절한 은닉층 뉴런 수는 대상 문제에 따라 차이가 있다.

[단계7: 활성 함수(λ), 학습 상수(η), 모멘텀 항(α) 의 초기값 가정단계]

입력 벡터(X _i )와 연결 강도(W _i )의 스칼라 곱의 총합(

신경망 학습의 속도는 활성함수의 선택과 형상에 따라 많은 영향을 받는다. 따라서, 본 개발에서는 EBPTA에서 주로 사용하는 unipolar 시그모이드 함수를 사용하고, 이 활성함수에서 중요한 인자인 경사도 계수(The Steepness Coefficient) λ의 변화에 따른 반복회수와 근사화 정도를 관찰하였다.

EBPTA의 효율성과 수렴성은 주로 학습 상수 η에 의해 좌우된다. 일반적으로 η의 최적값은 풀고자 하는 문제나 학습 형태에 따라 달라지므로 유일하게 적절한 값을 제시할 수는 없다. 이러한 문제는 경사도 기반(Gradient-based)의 최적화과정에서 일반적으로 나타나며, 넓은 최소점(Broad minima)에서 최적해에 도달한다면 η값의 증가로 빠른 수렴성을 얻을 수 있지만, 경사가 급하거나 좁은 최소점(narrow minima)에서는 작은 η값만이 해의 수렴을 보장할 수 있다. 신경망의 구조와 학습 문제에 따라 다르지만, 많은 연산 실험의 보고에 의하면 0.01 ~ 10의 범위에서 성공적인 학습을 보였다.

Zurada는 λ값의 변화에 의한 효과를 학습 상수(Learning constant, η)의 변화에 의해서도 관찰할 수 있으므로, 학습 속도를 제어하기 위해서 λ와 η를 모두 변화시키기 보다는 λ=1로 하고 η를 변화시키도록 제안하였다. 본 발명에서도 이러한 제안에 의해 λ=1로 하고 η값을 0.1에서 1.0까지 변화시켰다.

표준적인 EBPTA에 수렴속도를 증가시키기 위하여 모멘텀 방법(Momentum method)이 첨가되었다. 이 방법은 식(20)와 같이 가장 최근의 연결 강도값의 변화량의 일정량(모멘텀 항 α를 곱함)을 현재의 연결 강도 값의 변화량에 첨가하여 수렴속도를 증가시키며, α는 대개 0.1 ~ 0.8에서 선택하는 양수 값이다.

이러한 모멘텀 방법은 학습 속도가 매우 느리거나, 학습이 잘 이루어지지 않는 경우에 추천할 만하다.

따라서, 학습의 반복회수는 활성함수(Unipolar 시그모이드 함수로 가정)의 경사도 계수 λ, 학습 상수(η), 모멘텀 항(α)에 좌우된다. 본 모델에서는 일반적인 문제에 적용 가능하도록 λ=1.0, 학습의 수렴 속도를 가장 빠르게 하기 위하여 최대값인 α= 0.8, η= 0.9 로 초기 가정한다.

[단계8: 학습 수행단계]

상기 단계 1 ~ 7로 결정한 신경망 구조로 최대 반복 회수(Epoch _max ) 이내에 학습에 성공하지 못하면, 모멘텀 항(α)와 학습상수(η)값을 문제에 따라 경험적으로 적절히 줄여 나간다. α= 0.0, η= 0.0 에서도 학습에 성공하지 못하면 단계 6으로 돌아가 은닉층 뉴런 수를 증가시키거나, 경우에 따라서는 은닉층 수를 증가시킨다. 또한, 학습을 새로 시작할때마다 초기 연결 강도값을 랜덤하게 결정하도록 한다.

[단계9: 테스트 단계]

학습된 신경망을 학습에 사용하지 않은 테스트 패턴으로 테스트한다. 테스트 결과의 오차가 약 10% 이상으로 과도하게 발생하면 단계 2로 돌아가 오차가 많이 발생하는 테스트 패턴을 중심으로 학습 패턴을 증가한다.

이상과 같은 9단계를 적용함으로서 인공 지능 아파트 용도의 인공 신경망 제어기가 구현된다.

상기 9단계로 구성된 인공신경망 제어기로 조정되는 아파트(주택)의 구체적인 작용을 설명하면 다음과 같다.

우선, 상기한 단계 2와 3에서 표준적인 생활 패턴을 기본적인 학습 패턴으로 가정하여 학습을 수행한 후 표준적인 인공 신경망 시스템을 새로운 아파트(주택)에 제공한다.

새로 건설된 아파트에 입주한 거주자는 제어 시스템을 '수동'으로 설정하고생활을 하게 된다. 즉, 인공 신경망 시스템은 학습 단계로 작동한다. 예를 들어, 실외 온도가 영하 10도인 어느 해 겨울, 거주자가 월요일 저녁 7시에 퇴근하여 온도 조절기를 이용하여 실내온도를 영상 25도로 맞추었다면, 이러한 동작과 동시에 보일러가 가동될 뿐만 아니라, 온도 조절기로부터는 영상 25도라는 데이터와 외부에 설치된 외부 온도 센서로부터는 영하 10도라는 데이터가 인공 신경망 시스템에 전달된다. 이와 같은 정보는 15분 간격으로 컴퓨터에 전달된다. 인공 신경망 시스템은 시간과 외부 온도(-10)를 입력층 뉴런의 입력값으로 실내 온도(+25)를 출력층 뉴런의 기대값으로 하나의 패턴을 생성한다. 이 패턴은 전술한 9단계에 의해 완성된 인공 신경망 시스템의 단계 3에 학습 패턴으로 첨가되어 재학습된다. 시간이 경과함에 따라, 학습 패턴이 첨가되면 될수록 인공 신경망 시스템은 재학습을 통하여 거주자의 생활 패턴에 적응해 간다.

거주자가 제어 시스템을 '자동'으로 설정하면 인공 신경망 시스템은 리콜 단계로 동작한다. 예를 들어, 실외 온도가 영하 9도인 어느 해 겨울, 거주자가 월요일 저녁 7시 20분에 퇴근하였다면, 인공 신경망 시스템은 시간과 외부 온도 센서 값을 입력층의 뉴런 값으로 하여 리콜함으로서 영상 24도라는 출력값을 연산한다. 따라서, 인공 신경망 시스템은 이미 7시부터 온도 조절기를 영상 24도 정도로 맞추어 보일러를 작동시키고 있을 것이다. 또한, 오작동에 의한 안전상의 문제를 방지하기 위하여 1차 적으로는 학습 패턴의 범위를 한정하였고, 2차 적으로는 작동기에 안전 차단 장치가 작동한다.

구체적인 작동 예로서 실내 온도 제어만을 대상으로 설명하였으며, 인공 신경망 시스템은 도2와 도3에 표현된 바와 같이 각종 시스템을 유사한 방법으로 제어한다. 즉, 저녁 식사시에는 거주자의 생활 습관에 따라서, 기존 데이터를 충분히 학습한 시스템이 조명(Intensity Level)을 자동적으로 조절하고, TV를 켜고(On/Off status) 채널을 맞춘다. 전화를 받을 때는 TV의 볼륨(Sound Level)을 낮추며, 야간에 문이 열리면 경보음(Alarm Level)이 울린다. 이러한 생활 습관에 변화가 있을 경우, 인공 신경망 시스템은 새로운 학습 패턴을 첨가하여 재학습함으로서 (프로그램의 수정 없이) 생활 습관에 적응한다.

미래의 주택에서는 거주자가 일일이 각종 장치의 조작이 없더라도 거주자의 생활습관이나 외적변화에 따른 주거환경이 자동적으로 변화되는 인공지능을 갖는 아파트(주택) 출현이 예상된다.

본 발명은 거주자의 생활습관이나 기타 입력조건에 따라 주거환경을 자동적으로 변화시키는 인공지능형 아파트를 구현하는 인공신경망 제어기(모델)을 제공하게 되며, 특히, 상기 구성에서 보는 바와 같이 주택의 환경을 조절하는 각종 전기, 전자기기를 효율적이며, 실제적으로 작동되는 인공신경망 제어기를 제공하게 되는 아주 유용한 발명인 것이다.