지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정의림
- 발행연도
- 2021
- 저작권
- 한밭대학교 논문은 저작권에 의해 보호받습니다.
이용수30
이 논문의 연구 히스토리 (4)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 인지 무선 통신 시스템을 위한 새로운 딥러닝 기반 스펙트럼 센싱 기법을 제안한다. 제안하는 기법은 주 사용자에 대한 사전정보가 전혀 없는 상황에서 에너지 검출을 통해 주 사용자의 신호 존재 여부를 판단한다. 제안 기법은 검출하고자 하는 전체 대역폭을 고려하여 수신 신호를 고속 샘플링하고 이후 FFT (fast Fourier transform)를 통해 주파수 스펙트럼으로 변환한다. 스펙트럼 센싱은 주파수 채널 별로 주 사용자의 신호 존재 유무를 판단해야 하므로 시간 영역의 신호보다는 주파수 스펙트럼을 보고 판정하는 것이 유리하다. 이렇게 연속적으로 변환된 스펙트럼을 쌓아서 2차원 신호를 만들고 이를 탐지하고자 하는 주파수 채널의 대역폭 단위로 잘라 각 채널만큼의 정보를 가지고 있는 2차원 행렬로 분리한다. 이렇게 생성한 신호는 딥러닝 모델에 입력하여 해당 채널이 사용 중인지 비어있는지 판정한다. 스펙트럼 센싱은 판정 결과는 2가지(Busy or Idle) 종류이므로 이진 분류 딥러닝 모델을 적용한다. 제안하는 기법의 성능은 컴퓨터 모의실험을 통해 확인하는데 그 결과에 의하면 딥러닝 모델에 따른 성능 차이는 미비하며 기존의 문턱값 기반 기법과는 2 [dB] 이상 우수한 성능을 보인다. 또한, 제안 기법의 성능 검증을 위해 실제 실내환경에서 필드 실험도 수행하는데 이 결과에 따르면 기존 문턱값 기반 방식과는 4 [dB] 이상 우수하며 딥러닝 모델에서는 특히 순환 신경망 방식이 가장 우수한 성능을 나타낸다.
목차
표 목 차 ⅲ그 림 목 차 ⅳ기초 및 약어 설명 ⅴ국 문 요 약 ⅵI. 서론 1II. 시스템 모델 4III. 스펙트럼 센싱 기법 73.1. 기존의 문턱값 기반 스펙트럼 센싱 73.2. 합성곱 신경망 기반 스펙트럼 센싱 93.2.1. 합성곱 신경망 개요 93.2.1. 스펙트럼 센싱을 위한 합성곱 신경망 네트워크 구조 93.3. 순환 신경망 기반 스펙트럼 센싱 103.3.1. 순환 신경망 개요 103.3.2. 스펙트럼 센싱을 위한 순환 신경망 네트워크 구조 11IV. 모의실험 134.1. 학습 및 테스트 신호 모델 134.2. 모의실험 결과 154.2. 학습 데이터의 채널 상태 비율에 따른 성능 비교 19V. 필드 실험 215.1. 필드 실험 환경 및 데이터 전처리 215.1. 필드 실험 결과 23VI. 결론 25VII. 참고문헌 26ABSTRACT 29
최근 본 자료
댓글(0)
0