KR101888584B1 - CDL system based adaptive power control and method thereof - Google Patents

CDL system based adaptive power control and method thereof Download PDF

Info

Publication number
KR101888584B1
KR101888584B1 KR1020170182340A KR20170182340A KR101888584B1 KR 101888584 B1 KR101888584 B1 KR 101888584B1 KR 1020170182340 A KR1020170182340 A KR 1020170182340A KR 20170182340 A KR20170182340 A KR 20170182340A KR 101888584 B1 KR101888584 B1 KR 101888584B1
Authority
KR
South Korea
Prior art keywords
rerpm
fer
power control
surveillance
module
Prior art date
Application number
KR1020170182340A
Other languages
Korean (ko)
Inventor
진소연
Original Assignee
한화시스템(주)
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 한화시스템(주) filed Critical 한화시스템(주)
Priority to KR1020170182340A priority Critical patent/KR101888584B1/en
Application granted granted Critical
Publication of KR101888584B1 publication Critical patent/KR101888584B1/en

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W52/00Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04TPC
    • H04W52/18TPC being performed according to specific parameters
    • H04W52/20TPC being performed according to specific parameters using error rate
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W52/00Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04TPC
    • H04W52/18TPC being performed according to specific parameters
    • H04W52/24TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/245TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account received signal strength
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/02Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04Large scale networks; Deep hierarchical networks
    • H04W84/06Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

Provided are a common data link system for adaptive power control for a reconnaissance airplane and an adaptive power control method thereof. The common data link (CDL) system includes: a reception error ratio prediction model (RERPM) generating device generating an RERPM module predicting the next frame error rate (FER) by learning received signal strength indicators (RSSI) of a plurality of wireless signals and change patterns of frame error rates, which are collected through pre-offline learning, based on a long-short term memory (LSTM) deep learning model; and an adaptive power control device downloading the RERPM module generated through the RERPM generating device and executing the module operably, and then, predicting the next FER by inputting the current FER and current RSSI, which are received from a reconnaissance airplane, into the RERPM module, and controlling the transmission power of the airplane based on the predicted next FER.

Description

감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템 및 그의 적응형 전력 제어 방법{CDL system based adaptive power control and method thereof}Technical Field [0001] The present invention relates to a public data link system for adaptive power control of a surveillance reconnaissance apparatus and an adaptive power control method thereof,

본 발명은 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템 및 그의 적응형 전력 제어 방법에 관한 것으로서, 보다 상세하게는, LSTM(Long-Short Term Memory) 딥러닝 모델 기반의 예측 모델을 이용하여 감시정찰기의 송신 전력을 제어할 수 있는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템 및 그의 적응형 전력 제어 방법에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a public data link system and an adaptive power control method for adaptive power control of a surveillance and reconnaissance device, and more particularly, to a public data link system using an estimation model based on a long-short term memory (LSTM) To a public data link system and an adaptive power control method thereof for adaptive power control of a surveillance reconnaissance device capable of controlling transmission power of a surveillance reconnaissance device.

군용 감시/정찰 체계는 다양한 센서 카메라를 이용하여 적 진형을 감시하고 해당 정보의 분석을 통해 적 정보를 획득함으로써 군의 작전 운용 성능을 향상시키기 위한 것이다. 이러한 체계는 적 정보를 감시/정찰하기 위한 공중/우주 플랫폼과, 공중/우주 플랫폼의 제어, 관리 및 감시/정찰 정보의 분석을 위한 지상 분석 시스템으로 구성되어 운용된다. The military surveillance / reconnaissance system is to improve the operational performance of the military by monitoring enemy types using various sensor cameras and acquiring enemy information through analysis of the corresponding information. This system consists of an aerial / space platform for monitoring / scouting enemy information, and a ground analysis system for control / management of aerial / space platforms and analysis of surveillance / reconnaissance information.

공중/우주 플랫폼은 군사 위성, 조기 경보 통제기, 무인 정찰기 등이 사용되고 있으며 이러한 플랫폼에서 획득한 정보는 원격의 지상 분석 시스템으로 무선 통신 방식으로 전달된다. The aerial / space platform uses military satellites, early warning controllers, and unmanned reconnaissance aircraft, and the information gained from these platforms is communicated wirelessly to remote terrestrial analysis systems.

공용 데이터링크(CDL: Common Data Link) 시스템은 공중/우주 플랫폼과 지상 분석 시스템 간 무선 통신을 수행하기 위한 통신 기술 중의 하나로, 대용량의 감시/정찰 정보를 고속으로 지상의 분석 시스템에 전송하기 위해 활용된다. The Common Data Link (CDL) system is one of the communication technologies for performing wireless communication between public / space platform and ground analysis system. It is used to transmit high-capacity surveillance / reconnaissance information to the ground analysis system at high speed. do.

일반적으로 CDL은 감시/정찰 정보를 안정적이면서 실시간으로 전달하기 위하여 링크 단위로 주파수 채널을 할당하는 FDMA(Frequency Division Multiple Access) 방식을 주로 사용한다. In general, the CDL uses a frequency division multiple access (FDMA) scheme in which a frequency channel is allocated on a link basis in order to transmit monitoring / reconnaissance information stably and in real time.

CDL에서 지원하는 네트워크 구조는, 에어 노드와 지상 노드 간의 1:1 통신 구조를 기본으로, 다수의 에어 노드들과 하나의 지상 노드가 통신하는 N:1 구조, 하나의 에어 노드와 다수의 지상 노드들이 통신하는 1:N 구조가 포함되어 있다. The network structure supported by the CDL is based on a 1: 1 communication structure between an air node and a ground node, an N: 1 structure in which a plurality of air nodes communicate with one ground node, an air node and a plurality of ground nodes And a 1: N structure for communicating with each other.

이러한 다양한 네트워크 구조에서는 각 링크간의 통신 영역이 겹치게 되며 이는 주파수 간섭으로 인한 성능 저하의 원인으로 작용하게 된다. 이는 각 링크 단위로 다른 주파수 채널을 할당하더라도 통신 영역이 겹치는 부분에서 원근 효과(near-far effect)에 따라 한 쪽의 큰 전력 신호가 다른 쪽의 약한 신호에 방해를 주는 인접 채널 간섭에 기인한다. In these various network structures, the communication areas between the links are overlapped, which causes the performance degradation due to the frequency interference. This is due to the adjacent channel interference, in which one large power signal interferes with the other weak signal according to the near-far effect at the overlap of the communication area even though different frequency channels are allocated for each link unit.

따라서, 이러한 주파수 간섭으로 인한 성능 저하를 최소화할 수 있는 방법의 적용이 필요하다. 이를 위해 다양한 상용 이동 통신망에서 전파 환경의 변화에 따라 송신 출력의 세기를 조절함으로써 주파수 간섭을 최소화하기 위한 적응형 전력 제어 기법(APC: Adaptive Power Control)을 활용하고 있다. Therefore, it is necessary to apply a method that can minimize performance degradation due to such frequency interference. To this end, Adaptive Power Control (APC) is used to minimize the frequency interference by adjusting the transmission power according to the propagation environment in various commercial mobile communication networks.

그러나, 기존의 적응형 전력 제어 기법을 CDL 시스템에 적용하기에는 운용 환경의 차이로 인한 문제점이 존재한다. 이는 통신 노드의 높은 이동성에 기인하는 전파 환경의 변화로 인하여 요구되는 적정 송신 출력의 세기가 빠르게 변화하기 때문이다. 따라서, CDL 시스템을 위한 적응형 전력 제어 기법은 전파 환경의 빠른 변화에 대처할 수 있어야 하다. However, there is a problem due to the difference in the operating environment in applying the conventional adaptive power control technique to the CDL system. This is because the intensity of the appropriate transmission power required rapidly changes due to the change of the propagation environment caused by the high mobility of the communication node. Therefore, adaptive power control schemes for CDL systems should be able to cope with rapid changes in the propagation environment.

이를 위하여, 적정 송신 출력의 산출 주기를 빠르게 설정하여 높은 이동성에서 기인하는 전파 환경의 급격한 변화에 실시간으로 대응하기 위한 연구들이 제안되었으나, 대부분 CDL 운용 중에 높은 프로세싱 능력을 요구하기 때문에 제한적인 컴퓨팅 환경을 가지는 CDL 플랫폼에 적용하는 데는 한계가 있다. For this, researches have been proposed to cope with the sudden change of the propagation environment caused by high mobility in real time by setting the calculation cycle of the appropriate transmission power quickly. However, since most processing power is required during CDL operation, a limited computing environment There is a limit to apply to the CDL platform.

또한, 이러한 문제점을 해결하기 위해, 게임이론이나 기계학습을 통해 적정 송신 출력을 예측하는 연구들이 진행되고 있다. 그러나, 이러한 연구들은 예측 결과가 안정화되기 전까지 일정 운용 시간이 소요되거나, 예측의 정확도가 떨어진다. 따라서, CDL에서는 공중 플랫폼의 높은 이동성과 제한된 메모리와 프로세싱 환경 하에서 지속적으로 안정적인 통신을 보장하는 예측 기반의 적응형 전력 제어 기법 적용이 필요하다. In order to solve these problems, researches for predicting appropriate transmission power through game theory or machine learning are underway. However, these studies require a certain operating time or the accuracy of prediction until the prediction results stabilize. Therefore, in CDL, it is necessary to apply predictive-based adaptive power control scheme that guarantees high mobility of public platform and stable communication continuously under limited memory and processing environment.

국내 공개특허 제2002-0038205호Korean Patent Publication No. 2002-0038205

전술한 문제점을 해결하기 위하여 본 발명이 이루고자 하는 기술적 과제는, CDL 시스템에서 공중/우주 플랫폼의 높은 이동성과 제한된 메모리와 프로세싱 환경 하에서도 인접 채널 간의 링크 간섭을 줄이면서, 동시에 높은 이동성으로 빠르게 변화하는 전파 환경에 대응하여 채널 상태를 예측할 수 있는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템 및 그의 적응형 전력 제어 방법을 제시하는 데 있다.SUMMARY OF THE INVENTION The present invention has been made to solve the above problems and it is an object of the present invention to provide a CDL system capable of reducing the link interference between adjacent channels even under limited mobility and limited memory and processing environments, A public data link system and an adaptive power control method for adaptive power control of a surveillance device capable of predicting a channel state corresponding to a propagation environment.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The solution of the present invention is not limited to those mentioned above, and other solutions not mentioned can be clearly understood by those skilled in the art from the following description.

전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 실시 예에 따르면, 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크(CDL: Common Data Link) 시스템은, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 RERPM 생성 장치; 및 상기 RERPM 생성 장치에서 생성된 상기 LSTM RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 수신되는 현재 RSSI와 현재 FER을 상기 LSTM RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 적응형 전력 제어 장치;를 포함할 수 있다.As a means for solving the above-mentioned technical problems, according to an embodiment of the present invention, a common data link (CDL) system for adaptive power control of a surveillance and reconnaissance device includes a plurality of (Long-Short term Memory Reception), which predicts the next FER by learning the change patterns of received signal strength indicators (RSSI) and the frame error rate (FER) of wireless signals based on a long-short term memory (LSTM) An Error Ratio Prediction Model) module; And an LERM module for downloading the LSTM RERPM module generated by the RERPM generation device to be operable and then inputting a current RSSI and a current FER received from the surveillance device to the LSTM RERPM module to predict the next FER, And an adaptive power control apparatus for controlling the transmission power of the surveillance reconnaissance apparatus based on the predicted next FER.

상기 RERPM 생성 장치는, 상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R1, R2, R3, …, Rn})과 FER들(E={E1, E2, E3, …, En})의 값에 대해 Min-Max Normalization 처리를 수행하는 정규화부; 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 입출력데이터 변환부; 및 다수의 LSTM 셀들을 포함하고, 상기 입출력데이터 변환부에서 변환된 벡터 입출력데이터(Xt , Yt), 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 RERPM 생성부;를 포함할 수 있다.The RERPM generation apparatus generates RSSIs (R = {R 1 , R 2 , R 3 , ..., R n }) of n radio signals transmitted from the public and / or space by the surveillance / A normalizer for performing a Min-Max normalization process on the values of the FERs (E = {E 1 , E 2 , E 3 , ..., E n }); Converts the RSSIs and FERs during the s (sequence length) time before the next time point to be predicted to use the change information according to time as input data into vector input data, and outputs the actual FER at the t point as actual output data Output data conversion unit; Output data (X t , Y t ) transformed by the input / output data conversion unit, state information of a previous LSTM cell, and output information learned in the previous LSTM cell, A LSTM layer for outputting final output information in an LSTM cell; and a RERPM module for generating the RERPM module including a fully connected layer for predicting the next FER using the final output information input from the LSTM layer And the like.

상기 RERPM 생성 장치는, 상기 감시정찰기가 상기 적응형 전력 제어 장치에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모델을 재학습시키고, 상기 재학습에 의해 진화된 RERPM 모델을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 하며, 상기 적응형 전력 제어 장치는, 상기 진화된 RERPM을 기반으로 FER을 예측할 수 있다.The RERPM generation apparatus loads the RSSI and FER history data generated during the mission when the surveillance and reconnaissance probe completes an actual mission through the public data link based on the transmission power calculated by the adaptive power control apparatus And re-learning the RERPM model and downloading the RERPM model evolved by the re-learning to the adaptive power control device so as to apply and operate the common data link, and the adaptive power control device includes: FER can be predicted based on RERPM.

상기 적응형 전력 제어 장치는, 공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기와 상기 공용 데이터 링크를 통해 통신하는 송수신부; 상기 감시정찰기로부터 수신되는 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 RERPM 딥러닝 기반으로 학습하여 상기 다음 FER을 예측하는 RERPM 모듈; 및 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 산출하는 전력 제어 모듈;을 포함하고, 상기 송수신부는 상기 산출된 송신 전력을 상기 감시정찰기로 전송할 수 있다.The adaptive power control apparatus includes: a transmission / reception unit that communicates with the surveillance / reconnaissance apparatus for monitoring / scouting enemy states in the air and / or space through the public data link; A RERPM module for learning the current RSSI and the current FER change pattern of the wireless signal received from the surveillance and reconnaissance device on the basis of RERPM deep learning and predicting the next FER; And a power control module for calculating the transmission power of the surveillance unit based on the predicted next FER, and the transmission / reception unit may transmit the calculated transmission power to the surveillance unit.

상기 전력 제어 모듈은, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 감시정찰기의 송신 전력을 상향조정하고, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면 상기 감시정찰기의 송신 전력을 하향조정할 수 있다.Wherein the power control module adjusts the transmit power of the surveillance reconnaissance device if the predicted next FER is higher than the maximum allowable error rate and if the predicted next FER is lower than the minimum allowable error rate, Can be adjusted downward.

상기 공용 데이터 링크 시스템은, 상기 감시정찰기에 해당하는 하나의 공중/우주 플랫폼과 상기 적응형 전력 제어 장치에 해당하는 하나의 지상 분석 시스템이 통신하는 1:1 구조, 다수의 공중/우주 플랫폼들과 하나의 지상 분석 시스템이 통신하는 N:1 구조, 하나의 공중/우주 플랫폼과 다수의 지상 분석 시스템들이 통신하는 1:N 구조, 및 상기 다수의 공중/우주 플랫폼들 중 하나가 다른 공중/우주 플랫폼과 지상 분석 시스템을 중계하는 중계 네트워크 구조를 포함할 수 있다.The public data link system comprises a 1: 1 architecture, a plurality of aerial / space platforms, and a plurality of aerospace platforms, wherein one aerial / space platform corresponding to the surveillance reconnaissance device and one terrestrial analysis system corresponding to the adaptive power control device communicate An N: 1 architecture in which one ground analysis system communicates, a 1: N architecture in which a plurality of ground analysis systems communicate with one aerial / space platform, and one of the plurality of aerial / And a relay network structure for relaying the ground analysis system.

상기 중계 네트워크 구조의 경우, 상기 다수의 공중/우주 플랫폼들 중 중계 역할을 수행하는 하나의 공중/우주 플랫폼이 상기 RERPM 모듈에 기반하여 상기 다음 FER을 예측할 수 있다.In the case of the relay network architecture, one air / space platform acting as a relay among the plurality of public / space platforms can predict the next FER based on the RERPM module.

한편, 본 발명의 다른 실시 예에 따르면, 공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 제어 장치의 적응형 전력 제어 방법은, (A) RERPM 생성 장치가, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 단계; 및 (B) 상기 제어 장치가, 상기 (A) 단계에서 생성된 상기 RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 수신되는 현재 RSSI와 현재 FER을 상기 RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 단계;를 포함할 수 있다.According to another aspect of the present invention, there is provided an adaptive power control method of a control apparatus for controlling transmission power of a surveillance and reconnaissance device in a common data link (CDL) system, the method comprising: (A) The following FER is predicted by learning the variation pattern of Received Signal Strength Indicators (RSSI) and the Frame Error Rate (FER) of a plurality of wireless signals collected through off-line learning based on a long-short term memory (LSTM) Generating a RERPM (Long-Short term Memory Reception Error Ratio Prediction Model) module; And (B) the control device downloads the RERPM module generated in the step (A) so as to be operable, inputs the current RSSI and the current FER received from the surveillance device to the RERPM module, Estimating the next FER, and controlling transmission power of the surveillance reconnaissance device based on the predicted next FER.

상기 (A) 단계는, (A1) 상기 RERPM 생성 장치가, 상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R1, R2, R3, …, Rn})과 FER들(E={E1, E2, E3, …, En})의 값에 대해 Min-Max Normalization 처리를 수행하는 단계; (A2) 상기 RERPM 생성 장치가, 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 단계; 및 (A3) 상기 RERPM 생성 장치가, 다수의 LSTM 셀들을 포함하고, 상기 (A2) 단계에서 변환된 벡터 입출력데이터, 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 단계;를 포함할 수 있다.The method of claim 1, wherein the step (A) further comprises: (A1) the RERPM generation device transmits RSSIs (R = {R 1 , R 2 , R 3, ..., R n} ) and the FER (E = {E 1, E 2, E 3, ..., performing a Min-Max Normalization processing for the value of E n}); (A2) The RERPM generator converts the RSSIs and the FERs for a s (Sequence Length) time before a time point t, which is a next time to predict to use time-based change information as input data, into vector input data, converting the actual FER at time t into actual output data; And (A3) the RERPM generating apparatus includes a plurality of LSTM cells, the vector input / output data converted in the step (A2), state information of a previous LSTM cell, and output information learned in the previous LSTM cell A LSTM layer for outputting final output information in the last LSTM cell, and a Fully Connected Layer for predicting the next FER using the final output information input from the LSTM layer Step.

상기 (A) 단계는, (A4) 상기 감시정찰기가 상기 (B) 단계에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 RERPM 생성 장치가, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모델을 재학습시키는 단계; 및 (A5) 상기 RERPM 생성 장치가, 상기 재학습에 의해 진화된 RERPM 모델을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 처리하는 단계;를 더 포함할 수 있다.The step (A) includes: (A4) when the surveillance and reconnaissance device completes the actual mission through the public data link based on the transmission power calculated in the step (B), the RERPM generation device performs the mission Loading the generated RSSI and FER history data to re-learn the RERPM model; And (A5) the RERPM generation apparatus may further include downloading the RERPM model evolved by the re-learning to the adaptive power control apparatus, and processing the RERPM model so that the RERPM model is applied to and operated on the common data link.

상기 (B) 단계는, (B1) 상기 적응형 전력 제어 장치가, 공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기로부터 공용 데이터 링크를 통해 무선신호를 수신하는 단계; (B2) 상기 적응형 전력 제어 장치가, 상기 수신되는 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 단계; 및 (B3) 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 산출하여, 상기 산출된 송신 전력을 상기 감시정찰기로 전송하는 단계;를 포함할 수 있다.(B) comprises the steps of: (B1) the adaptive power control device receiving a radio signal via a public data link from the surveillance / surveillance device monitoring / reconnaissance enemy status in air and / or space; (B2) the adaptive power control apparatus learns a next FER by learning a current RSSI and a current FER change pattern of the received radio signal based on a deep learning model; And (B3) the adaptive power control apparatus calculates a transmission power of the surveillance / reconnaissance device based on the predicted next FER, and transmits the calculated transmission power to the surveillance / reconnaissance device.

상기 (B3) 단계는, 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 감시정찰기의 송신 전력을 상향조정하고, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면 상기 감시정찰기의 송신 전력을 하향조정할 수 있다.Wherein the step (B3) comprises: if the predicted next FER is higher than a maximum allowable error rate, the adaptive power control unit adjusts the transmission power of the surveillance reconnaissance unit so that the predicted next FER is less than a minimum allowable error rate The transmission power of the surveillance unit can be adjusted downward.

본 발명에 따르면, CDL 시스템에서 공중/우주 플랫폼의 높은 이동성과 제한된 메모리와 프로세싱 환경 하에서도 인접 채널 간의 링크 간섭을 줄이면서, 동시에 높은 이동성으로 빠르게 변화하는 전파 환경에 대응하여 채널 상태를 신속 정확히 예측하고, 데이터의 송신 전력을 적응적으로 제어할 수 있는 효과가 있다. According to the present invention, it is possible to quickly and accurately predict a channel state in response to a rapidly changing radio wave environment with high mobility, while simultaneously reducing link interference between adjacent channels even in a limited mobility and processing environment of a public / space platform in a CDL system And the transmission power of data can be adaptively controlled.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the following description.

도 1은 CDL에서 지원하는 다양한 네트워크 구조를 도시한 도면,
도 2 및 도 3은 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 CDL을 개략적으로 도시한 도면,
도 4는 본 발명의 실시 예에 따른 RERPM(Reception Error Ratio Prediction Model) 생성 장치를 도시한 블록도,
도 5는 본 발명의 실시 예에 따른 LSTM 딥러닝 기반의 RERPM 구성을 도시한 도면,
도 6은 도 2 및 도 3에 도시된 본 발명의 실시 예에 따른 적응형 전력 제어 장치를 도시한 블록도,
도 7은 CDL 시스템에 적응형 전력 제어 구조를 적용하는 방안을 설명하기 위한 도면,
도 8은 본 발명의 실시 예에 따른 CDL 시스템에서의 적응형 전력 제어 방법을 설명하기 위한 흐름도,
도 9는 도 8의 S835단계 내지 S850단계를 보다 구체적으로 설명하기 위한 흐름도,
도 10은 본 발명의 실시 예에 따른 CDL 테스트베드를 도시한 도면,
도 11은 본 발명의 실시 예에 따른 LSTM RERPM과 MNN(Multi-layer Neural Network) 및 CNN(Convolutional Neural Network)의 RMSE를 비교한 그래프,
도 12는 10000번 학습 이후 예측 결과 값의 분포를 분석한 결과를 도시한 그래프,
도 13은 비행시험 시 수신 프레임 에러율(FER)의 변화를 보여주는 그래프, 그리고,
도 14는 비행시험 시 수신세기(RSSI)의 변화를 보여주는 그래프이다.
1 illustrates various network architectures supported by CDL,
Figures 2 and 3 schematically illustrate a CDL for adaptive power control of a surveillance probe according to an embodiment of the present invention;
FIG. 4 is a block diagram illustrating an apparatus for generating a Reception Error Ratio Prediction Model (RERPM) according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating a RERPM configuration based on an LSTM deep learning according to an embodiment of the present invention; FIG.
FIG. 6 is a block diagram illustrating an adaptive power control apparatus according to an embodiment of the present invention shown in FIGS. 2 and 3. FIG.
7 is a diagram for explaining a method of applying an adaptive power control structure to a CDL system,
FIG. 8 is a flowchart for explaining an adaptive power control method in a CDL system according to an embodiment of the present invention;
9 is a flowchart for more specifically explaining steps S835 to S850 in FIG. 8,
10 illustrates a CDL test bed according to an embodiment of the present invention,
11 is a graph comparing RMSE of LSTM RERPM, MNN (Multi-layer Neural Network) and CNN (Convolutional Neural Network) according to an embodiment of the present invention,
12 is a graph showing a result of analyzing a distribution of prediction result values after learning 10000 times,
FIG. 13 is a graph showing a change in the received frame error rate (FER) during the flight test,
14 is a graph showing the change of the RSSI in the flight test.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시 예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시 예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시 예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.BRIEF DESCRIPTION OF THE DRAWINGS The above and other objects, features, and advantages of the present invention will become more readily apparent from the following description of preferred embodiments with reference to the accompanying drawings. However, the present invention is not limited to the embodiments described herein but may be embodied in other forms. Rather, the embodiments disclosed herein are provided so that the disclosure can be thorough and complete, and will fully convey the scope of the invention to those skilled in the art.

본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. In this specification, when an element is referred to as being on another element, it may be directly formed on another element, or a third element may be interposed therebetween.

또한, 제1 엘리먼트 (또는 구성요소)가 제2 엘리먼트(또는 구성요소) 상(ON)에서 동작 또는 실행된다고 언급될 때, 제1 엘리먼트(또는 구성요소)는 제2 엘리먼트(또는 구성요소)가 동작 또는 실행되는 환경에서 동작 또는 실행되거나 또는 제2 엘리먼트(또는 구성요소)와 직접 또는 간접적으로 상호 작용을 통해서 동작 또는 실행되는 것으로 이해되어야 할 것이다.Also, when it is mentioned that the first element (or component) is operated or executed on the second element (or component) ON, the first element (or component) It should be understood that it is operated or executed in an operating or running environment or is operated or executed through direct or indirect interaction with a second element (or component).

어떤 엘리먼트, 구성요소, 장치, 또는 시스템이 프로그램 또는 소프트웨어로 이루어진 구성요소를 포함한다고 언급되는 경우, 명시적인 언급이 없더라도, 그 엘리먼트, 구성요소, 장치, 또는 시스템은 그 프로그램 또는 소프트웨어가 실행 또는 동작하는데 필요한 하드웨어(예를 들면, 메모리, CPU 등)나 다른 프로그램 또는 소프트웨어(예를 들면 운용체제나 하드웨어를 구동하는데 필요한 드라이버 등)를 포함하는 것으로 이해되어야 할 것이다.It is to be understood that when an element, component, apparatus, or system is referred to as comprising a program or a component made up of software, it is not explicitly stated that the element, component, (E.g., memory, CPU, etc.) or other programs or software (e.g., drivers needed to run an operating system or hardware, etc.).

또한, 어떤 엘리먼트(또는 구성요소)가 구현됨에 있어서 특별한 언급이 없다면, 그 엘리먼트(또는 구성요소)는 소프트웨어, 하드웨어, 또는 소프트웨어 및 하드웨어 어떤 형태로도 구현될 수 있는 것으로 이해되어야 할 것이다.It is also to be understood that the elements (or elements) may be implemented in software, hardware, or any form of software and hardware, unless the context requires otherwise.

또한, 본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.Also, terms used herein are for the purpose of illustrating embodiments and are not intended to limit the invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification. The terms "comprises" and / or "comprising" used in the specification do not exclude the presence or addition of one or more other elements.

이하, 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시 예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. Hereinafter, the present invention will be described in detail with reference to the drawings. In describing the specific embodiments below, various specific details have been set forth in order to explain the invention in greater detail and to assist in understanding it. However, it will be appreciated by those skilled in the art that the present invention may be understood by those skilled in the art without departing from such specific details.

어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다. In some instances, it should be noted that portions of the invention that are not commonly known in the description of the invention and are not significantly related to the invention do not describe confusing reasons for explaining the present invention.

이하, 본 발명에서 실시하고자 하는 구체적인 기술내용에 대해 첨부도면을 참조하여 상세하게 설명하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.

도 2, 도 4, 도 5 및 도 6에 도시된 공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 적응형 전력 제어 장치(300)의 각각의 구성은 기능 및 논리적으로 분리될 수 있음을 나타내는 것이며, 반드시 각각의 구성이 별도의 물리적 장치로 구분되거나 별도의 코드로 작성됨을 의미하는 것은 아님을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다. Each configuration of the adaptive power control device 300 for transmission power control of the surveillance and reconnaissance device in the common data link (CDL) system shown in FIGS. 2, 4, 5, And it can easily be deduced that the average expert in the technical field of the present invention does not necessarily mean that each configuration is divided into separate physical devices or written in separate codes.

또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것이 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.In this specification, a module may mean a functional and structural combination of hardware for carrying out the technical idea of the present invention and software for driving the hardware. For example, the module may mean a logical unit of a predetermined code and a hardware resource for executing the predetermined code, and it does not necessarily mean a physically connected code or a kind of hardware. Can be easily deduced to the average expert in the field of < / RTI >

상기 적응형 전력 제어 장치(300)는 소정의 데이터 프로세싱 장치에 설치되어 본 발명의 기술적 사상을 구현할 수 있다.The adaptive power control apparatus 300 may be installed in a predetermined data processing apparatus to implement the technical idea of the present invention.

도 1은 공용 데이터 링크 시스템에서 지원하는 다양한 네트워크 구조를 도시한 도면이다.1 is a diagram illustrating various network structures supported by a public data link system.

도 1을 참조하면, CDL 시스템에서 지원하는 네트워크 구조는, 공중/우주 플랫폼(Air Node)과 지상 분석 시스템(Ground Node) 간의 1:1(점대점) 통신 구조를 기본으로, 다수의 공중/우주 플랫폼과 하나의 지상 분석 시스템이 통신하는 N:1 구조(다대점), 하나의 공중/우주 플랫폼에서 지상으로 데이터를 방사하고 다수의 지상 분석 시스템에서 해당 데이터를 수신하는 1:N 구조(점대다), 그리고, 작전 운용성 향상을 위해 공중/우주 플랫폼이 공중 데이터 중계를 하는 중계 구조를 포함할 수 있다. Referring to FIG. 1, the network structure supported by the CDL system is based on a 1: 1 (point-to-point) communication structure between an air / space platform and a ground node, An N: 1 structure (multiple points) in which a platform communicates with a ground analysis system, a 1: N structure that emits data from one aerial / space platform to the ground and receives corresponding data from multiple ground analysis systems ), And a relay structure in which the public / space platform relays public data to improve operational operability.

본 발명의 실시 예에 따른 적응형 전력 제어 장치(300)는 도 1을 참조하여 설명한 CDL 시스템에서 지원하는 다양한 네트워크 구조에 적용할 수 있으며, 이로써 다양한 네트워크 구조에서 각 링크 간의 통신 영역이 겹치게 되어 발생하는 성능(예를 들어, 다운링크를 통한 영상 전송) 저하 문제를 개선할 수 있다.The adaptive power control apparatus 300 according to the embodiment of the present invention can be applied to various network structures supported by the CDL system described with reference to FIG. 1, (For example, image transmission through the downlink) degradation can be solved.

도 2 및 도 3은 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 CDL 시스템을 개략적으로 도시한 도면이다.FIG. 2 and FIG. 3 are diagrams schematically illustrating a CDL system for adaptive power control of a surveillance and reconnaissance apparatus according to an embodiment of the present invention.

도 2 및 도 3을 참조하면, 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 CDL 시스템은 RERPM 생성 장치(100), RERPM 다운로더(200), 적응형 전력 제어 장치들(300, 400)을 포함할 수 있다.2 and 3, a CDL system for adaptive power control of a surveillance and reconnaissance device according to an embodiment of the present invention includes a RERPM generator 100, a RERPM downloader 200, adaptive power controllers 300, 400).

RERPM 생성 장치(100)는 감시정찰기(10)와 적응형 전력 제어 장치(300 또는 400)가 CDL 방식을 통해 운용되는 중의 채널 변화 패턴을 딥러닝 모델 기반으로 학습하고, 학습 결과를 통해 수신품질을 예측하기 위한 RERPM(Reception Error Ratio Prediction Model)을 설계 및 생성할 수 있다. The RERPM generating apparatus 100 learns channel variation patterns in which the surveillance and reconnaissance apparatus 10 and the adaptive power control apparatus 300 or 400 are operated through the CDL scheme based on a deep learning model, And a RERPM (Reception Error Ratio Prediction Model) for prediction can be designed and generated.

RERPM은 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 만들어지며, 감시정찰기(10)와 적응형 전력 제어 장치(300) 간의 채널 변화 패턴을 학습하여야 하므로, 크게 오프라인 학습 과정(Offline Training Process)과 임무 수행 과정(Mission Process)을 필요로 한다.RERPM is based on a long-short term memory (LSTM) deep learning model. Since the RERPM must learn a channel change pattern between the surveillance reconnaissance device 10 and the adaptive power control device 300, And the mission process (Mission Process).

오프라인 학습 과정은 딥러닝 학습과정을 처리해야 하므로 높은 컴퓨팅 성능이 갖춰진 환경에서 가능하다. 따라서, 공중/우주 플랫폼에 해당하는 감시정찰기(10)의 임무 수행 후에는, 지상 분석 시스템인 RERPM 생성 장치(100)에서 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)의 이력 데이터를 로딩하여 RERPM을 설계할 수 있다(①). The offline learning process is required in environments with high computing power because the deep learning learning process must be dealt with. Therefore, after performing the mission of the surveillance and reconnaissance system 10 corresponding to the public / space platform, the RERPM generation apparatus 100, which is a ground analysis system, obtains history data of RSSI (Received Signal Strength Indicators) and FER RERPM can be designed by loading (①).

일반적으로 RSSI 정보는 송신 신호가 간섭과 경로 손실을 겪으면서 수신 측에서 최종 수신되는 신호의 강도이기 때문에 수신 측 입장에서의 채널 상태를 최종적으로 나타내는 특징 데이터이다. FER 정보는 수신 측에서 수신 정도를 알 수 있는 수신 품질 특징을 나타내는 데이터이다. 따라서, RERPM 생성 장치(100)는 RSSI와 FER 변화 정보를 딥러닝 모델에 입력하여 다음 FER을 출력 값으로 예측하는 모델을 설계할 수 있다. 본 발명의 실시 예에서는 이러한 예측 모델을 RERPM이라 한다.In general, the RSSI information is characteristic data that ultimately represents the channel state on the receiving side because the transmitted signal is the strength of the signal finally received at the receiving end while suffering interference and path loss. The FER information is data indicating a reception quality characteristic that indicates the degree of reception on the reception side. Therefore, the RERPM generating apparatus 100 can design a model for inputting RSSI and FER change information to the deep learning model and predicting the next FER as an output value. In the embodiment of the present invention, this prediction model is called RERPM.

RERPM 생성 장치(100)는 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI들과 FER들의 변화 패턴을 LSTM 딥러닝 모델 기반으로 학습하여 다음 FER을 예측할 수 있는 RERPM 모듈을 생성할 수 있다(②).The RERPM generating apparatus 100 can generate a RERPM module capable of predicting the next FER by learning the change patterns of RSSIs and FERs of a plurality of wireless signals collected through the pre-offline learning based on the LSTM deep learning model ).

도 4는 본 발명의 실시 예에 따른 RERPM 생성 장치(100)를 도시한 블록도, 그리고, 도 5는 본 발명의 실시 예에 따른 LSTM 딥러닝 기반의 RERPM 구성을 도시한 도면이다.FIG. 4 is a block diagram illustrating a RERPM generation apparatus 100 according to an embodiment of the present invention, and FIG. 5 is a diagram illustrating a RERPM configuration based on an LSTM deep learning according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 실시 예에 따른 RERPM 생성 장치(100)는 정규화부(110), 입출력데이터 변환부(120) 및 RERPM 생성부(130)를 포함할 수 있다.Referring to FIG. 4, a RERPM generator 100 according to an embodiment of the present invention may include a normalizer 110, an input / output data converter 120, and a RERPM generator 130.

RERPM은 [수학식 1]과 같이 입력데이터의 전처리 과정을 필요로 한다.RERPM requires a preprocessing process of input data as shown in Equation (1).

오프라인 학습 과정에 해당하는 정규화부(110)는 RERPM으로 입력될 입력데이터에 대해 전처리 과정을 수행한다. 정규화부(110)는 RERPM의 입력데이터로서 n개의 RSSI를 R로, FER을 E로 다음 [수학식 1]과 같이 나타낸다.The normalization unit 110 corresponding to the offline learning process performs a preprocessing process on the input data to be input to the RERPM. The normalization unit 110 outputs n RSSIs as R and FER as E as RERPM input data, as shown in the following Equation (1).

Figure 112017130403609-pat00001
Figure 112017130403609-pat00001

Figure 112017130403609-pat00002
Figure 112017130403609-pat00002

그리고, 정규화부(110)는 딥러닝 모델의 학습 효과를 높이기 위해, 임무 수행 동안 감시정찰기(10)가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R1, R2, R3, …, Rn})과 FER들(E={E1, E2, E3, …, En})의 값에 대해 Min-Max Normalization 처리를 수행할 수 있다.In order to enhance the learning effect of the deep learning model, the normalization unit 110 calculates RSSIs (R = {R 1 , R (n)) of n radio signals transmitted from the public and / 2, R 3, ..., it is possible to perform the Min-Max Normalization processing for the value of R n}) and the FER (E = {E 1, E 2, E 3, ..., E n}).

입출력데이터 변환부(120)는 시간에 따른 변화정보를 입력데이터로 사용하기 위해, 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간(t-1~t-s) 동안의 RSSI들과 FER들을 [수학식 2]와 같은 벡터 데이터(Xt)로 변환할 수 있다.The input / output data conversion unit 120 converts the RSSIs and FERs during the sequence time (t-1 to ts) before the time point t, which is the next time to be predicted, (X t ) as shown in Equation (2).

Figure 112017130403609-pat00003
Figure 112017130403609-pat00003

또한, 입력데이터가 t-s 시점부터 t-1 시점까지의 데이터이므로, 출력데이터는 [수학식 3]과 같이 t 시점의 FER 벡터 데이터(Yt)로서 나타낸다.In addition, since the input data is data of up to time t-1 from the time point ts, the output data are given as FER vector data (Y t) of time t as shown in [Equation 3].

Figure 112017130403609-pat00004
Figure 112017130403609-pat00004

[수학식 3]을 참조하면, 입출력데이터 변환부(120)는 t 시점의 실제 FER을 실제 출력데이터(Yt)로 변환할 수 있다. t 시점의 실제 FER, 또는, Yt는 에어 노드에 해당하는 감시정찰기(10)에서 실제로 t 시점에 출력된 송신 전력의 FER로서, 도 3의 오프라인 트레이닝 과정에서 수집되는 RSSI와 FER이다.Referring to Equation (3), the input / output data conversion unit 120 may convert the actual FER at time t into actual output data (Y t ). The actual FER at the time t or Yt is the FER of the transmission power actually outputted at the time t at the monitoring and reconnaissance unit 10 corresponding to the air node and is RSSI and FER collected in the off-line training process of FIG.

상술한 정규화부(110)와 입출력데이터 변환부(120)에 의해 전처리 과정이 수행되면, 다음으로 RERPM의 학습 과정이 수행된다. When the preprocessing process is performed by the normalizer 110 and the input / output data converter 120, a learning process of RERPM is performed next.

이를 위해, RERPM 생성부(130)는 도 5에 도시된 것처럼, LSTM 계층(LSTM Layer)과 완전 연결 계층(Fully Connected Layer) 순서로 처리되는 LSTM 딥러닝 기반의 RERPM 모듈을 생성할 수 있다. To this end, the RERPM generator 130 may generate an RERPM module based on an LSTM deep learning process, which is performed in an order of an LSTM layer and a fully connected layer, as shown in FIG.

본 발명의 실시 예에서, RERPM 생성부(130)는 다수의 LSTM 셀들을 포함하고, 입출력데이터 변환부(120)에서 변환된 벡터 입출력데이터(Xt , Yt), 이전 LSTM 셀의 상태 정보(Ct-m, 0<m<s+1 (m은 정수)), 그리고, 이전 LSTM 셀에서 학습된 출력 정보(ht-m)를 이용하여 마지막 LSTM 셀에서 최종 출력 정보(ht-1)를 출력하는 LSTM 계층과, LSTM 계층으로부터 입력되는 최종 출력 정보(ht-1)를 이용하여 다음 FER(Pt)을 예측하는 완전 연결 계층을 포함하는 RERPM 모듈을 LSTM 딥러닝 모델에 기반하여 생성할 수 있다.In an embodiment of the present invention, RERPM generator 130 is state information of multiple comprise LSTM cell, the vector input data (X t, Y t) converted from input and output data converter 120, and the previous LSTM cells ( C tm, 0 <m <s + 1 (m is an integer)), and, by using the output information (h tm) learning in the previous LSTM cell for outputting a final output information (h t-1) at the end LSTM cells the RERPM module for using the final output information (h t-1) input from the LSTM layer and, LSTM layer comprises a fully connected layers of predicting a next FER (P t) can be generated on the basis of LSTM deep learning model .

일반적으로 MNN 딥러닝 모델과 CNN 딥러닝 모델은 순차적인 입력 패턴이 있는 경우, 이들을 서로 무관한 독립적인 정보로 처리한다. 반면, LSTM 딥러닝 모델은 여러 개의 신호가 연속적으로 들어오고, 앞뒤의 신호가 서로 상관관계를 가질 경우, 입력 패턴들 간의 관계를 모델링 한다. 따라서, LSTM 딥러닝 모델은 시간적으로 멀리 떨어져 있는 정보와의 상관관계를 학습하는 데에 효과적이므로, 주로 주가 예측과 같은 시간적 변화의 흐름에 따른 예측 분야에서 사용된다. In general, the MNN Deep Learning Model and the CNN Deep Learning Model treat sequential input patterns, if any, as independent information that is independent of each other. On the other hand, the LSTM deep-running model models the relationship between input patterns when several signals come in successively and the signals before and after are correlated with each other. Therefore, the LSTM deep learning model is effective in learning correlations with distant temporal information, and thus is mainly used in the field of prediction based on temporal change such as stock price prediction.

이러한 LSTM 딥러닝 모델은 입력 게이트, 출력 게이트, 소거 게이트의 세 종류의 게이트로 구성된다. 입력 게이트와 출력 게이트는 각각 입력과 출력 신호를 제어하며, 소거 게이트는 저장된 정보를 유지할지 버릴 지 여부를 결정한다. 이를 통해 의미가 있는 패턴 정보들이 오래 되더라도 소실되지 않고 기억할 수 있도록 한다. This LSTM deep learning model consists of three kinds of gates: an input gate, an output gate, and an erase gate. The input and output gates control the input and output signals, respectively, and the erase gate determines whether to retain or discard the stored information. This makes it possible to memorize meaningful pattern information even if it is old.

자세히 설명하면, LSTM 딥러닝 모델은 시간적 변화에 따른 정보를 사용하기 때문에, LSTM 계층에서 각각의 LSTM Cell은 이전 LSTM Cell의 상태 정보(

Figure 112017130403609-pat00005
)와 출력 정보를 입력으로 사용한다. In detail, since the LSTM deep learning model uses information according to temporal change, in the LSTM layer, each LSTM cell stores the state information of the previous LSTM cell
Figure 112017130403609-pat00005
) And output information as inputs.

LSTM Cell의 3가지 게이트인 입력(

Figure 112017130403609-pat00006
), 소거(
Figure 112017130403609-pat00007
), 출력(
Figure 112017130403609-pat00008
) 게이트를 적용한 수학식은 다음과 같다. LSTM Cell's three gates, the input (
Figure 112017130403609-pat00006
), Erasure
Figure 112017130403609-pat00007
), Print(
Figure 112017130403609-pat00008
) The formula for applying the gate is as follows.

Figure 112017130403609-pat00009
Figure 112017130403609-pat00009

Figure 112017130403609-pat00010
Figure 112017130403609-pat00010

Figure 112017130403609-pat00011
Figure 112017130403609-pat00011

Figure 112017130403609-pat00012
Figure 112017130403609-pat00012

[수학식 4] 내지 [수학식 7]의 Xt는 [수학식 2]의 입력데이터로서, LSTM 기반의 RERPM 구축을 위해 사전에 수집 및 벡터 변환된 RSSI와 FER들이다. X t in Equations (4) to (7) is input data of Equation (2), and is RSSI and FER that are previously collected and vector-converted for LSTM-based RERPM construction.

또한, [수학식 6]은 각 셀의 상태정보를 구하는 식이며, [수학식 4] 내지 [수학식 7]에서

Figure 112017130403609-pat00013
는 Sigmoid 함수를 나타내며, Activation Function이다.Equation (6) is a formula for obtaining state information of each cell, and Equation (4) to Equation (7)
Figure 112017130403609-pat00013
Represents Sigmoid function and is an Activation Function.

마지막으로, 완전 연결 계층에서는 [수학식 8]을 이용하여 수신 에러율(Pt)을 예측할 수 있다.Finally, in the perfect link layer, the reception error rate (P t ) can be predicted using Equation (8).

Figure 112017130403609-pat00014
Figure 112017130403609-pat00014

[수학식 8]을 참조하면, RERPM 생성부(130)는 다수의 LSTM 셀들 중 마지막 LSTM 셀의 출력(ht-1)만을 사용하여 다음 FER(Pt)을 예측할 수 있다. Referring to Equation (8), the RERPM generator 130 can predict the next FER (P t ) using only the output (h t-1 ) of the last LSTM cell among a plurality of LSTM cells.

RERPM 생성부(130)는 [수학식 4] 내지 [수학식 8]을 참조하여 본 발명의 실시 예에 따른 RERPM 모듈을 생성할 수 있다.The RERPM generator 130 may generate a RERPM module according to an embodiment of the present invention with reference to Equation (4) to Equation (8).

또한, RERPM 모듈 생성 시, RERPM 생성부(130)는 RERPM의 정확도를 높이기 위해 다음 과정을 반복적으로 수행하여 학습하도록 한다.When the RERPM module is created, the RERPM generator 130 repeatedly performs the following steps to increase the accuracy of the RERPM.

첫째, RERPM 생성부(130)는 [수학식 9]를 이용하여 수신 프레임 에러율(Yt)과 RERPM의 예측 결과(Pt)의 차이(Loss)를 산출한다.First, the RERPM generator 130 calculates a difference (Loss) between the reception frame error rate (Y t ) and the prediction result (P t ) of RERPM using Equation (9).

Figure 112017130403609-pat00015
Figure 112017130403609-pat00015

RERPM의 예측 결과(Pt)가 수신 프레임 에러율(Yt)과 근접할수록, 즉, Loss가 적을수록 RERPM의 정확도는 높게 나타난다. 이는, 수신 프레임 에러율(Yt)은 RERPM의 정답에 해당하기 때문이다. As the prediction result (P t ) of the RERPM approaches the reception frame error rate (Y t ), that is, the less the loss, the higher the accuracy of the RERPM. This is because the received frame error rate (Y t ) corresponds to the correct answer of RERPM.

둘째, 따라서, RERPM 생성부(130)는 Loss를 줄이기 위해, Adam(Adaptive Moment Estimation) Optimization 기울기 하강 방식을 사용하여 역전파 알고리즘을 수행하며, 이를 통해 Loss를 최소화하여 RERPM을 진화시킬 수 있다. 예를 들어, RERPM 생성부(130)는 [수학식 4] 내지 [수학식 8]의 Wi, bi, Wf, bf, Wc, bc, Wo, bo도 Adam Optimization 기울기 하강 방식의 역전파 알고리즘을 사용하여 최적의 값을 찾아낼 수 있으며, 이로써, 예측된 FER(Pt)과 실제 FER(Yt)의 차이가 가장 적은, 즉, 최적의 RERPM 모듈을 생성할 수 있다.Second, in order to reduce the loss, the RERPM generator 130 performs a backpropagation algorithm using the Adam (Adaptive Moment Estimation) slope descent method, thereby minimizing the loss and evolving the RERPM. For example, the RERPM generator 130 may calculate the Adam Optimization slope W i , b i , W f , b f , W c , b c , W o , and b o in Equations (4) It is possible to find an optimal value by using the down-propagation back propagation algorithm. This makes it possible to generate the optimal RERPM module with the smallest difference between the predicted FER (P t ) and the actual FER (Y t ) have.

다시 도 2 및 도 3을 참조하면, RERPM 다운로더(200)는 RERPM 생성 장치(100)에서 생성된 RERPM 모듈을 적응형 전력 제어 장치들(300, 400)에게 다운로딩한다(③). 이로써 오프라인 학습 과정이 완료된다. RERPM 생성 장치(100)와 RERPM 다운로더(200)는 일체형으로 구현될 수 있으며, 도 2에서는 각각 도시된다.2 and 3, the RERPM downloader 200 downloads the RERPM module generated by the RERPM generator 100 to the adaptive power control units 300 and 400 (3). This completes the offline learning process. The RERPM generating apparatus 100 and the RERPM downloader 200 can be implemented as one unit, and are shown in FIG. 2, respectively.

다음, 임무 수행 과정에 대해 설명하면, RERPM 모듈을 다운로딩한 적응형 전력 제어 장치들(300, 400)은 RERPM 모듈을 설치 및 실행하여 실제 임무 수행 시, 즉, 감시정찰기(10)와 CDL을 통해 무선통신 시 발생하는 RSSI와 FER을 수신 및 수집(④)하고, 이로부터 다음 FER을 예측하고, 예측된 FER을 기초로 감시정찰기(10)의 송신 전력을 제어할 수 있다.The adaptive power control units 300 and 400, which download the RERPM module, install and execute the RERPM module to perform the actual mission, that is, the surveillance unit 10 and the CDL The RSSI and FER generated in the wireless communication are received and collected (4), from which the next FER is predicted, and the transmission power of the monitoring and reconnaissance device 10 can be controlled based on the predicted FER.

도 2 및 도 3에서 적응형 전력 제어 장치들 중 하나(300)는 제어 노드이면서 지상 노드에 구비되는 지상 분석 시스템일 수 있고, 다른 하나(400)는 제어 노드이면서 에어 노드인 감시정찰기로서 중계 네트워크 구조에서 중계 역할을 담당할 수 있다. In FIG. 2 and FIG. 3, one of the adaptive power control devices 300 is a control node and a ground analysis system provided at a ground node, and the other 400 is a surveillance / It can play a role of relay in the structure.

이하에서는 지상 노드에 구비되는 적응형 전력 제어 장치(300)를 예로 들어, 적응적 전력 제어 동작에 대해 설명한다.Hereinafter, adaptive power control operation will be described by taking an adaptive power control apparatus 300 provided at a ground node as an example.

도 6은 도 2 및 도 3에 도시된 본 발명의 실시 예에 따른 적응형 전력 제어 장치(300)를 도시한 블록도이다. FIG. 6 is a block diagram illustrating an adaptive power control apparatus 300 according to an embodiment of the present invention shown in FIG. 2 and FIG.

도 6을 참조하면, 본 발명의 실시 예에 따른 적응형 전력 제어 장치(300)는 제어 수신부(310), 전력 모니터(320), 링크 품질 모니터(330), RERPM 모듈(340), 전력 제어 모듈(350) 및 제어 송신부(360)를 포함할 수 있다.6, an adaptive power control apparatus 300 according to an exemplary embodiment of the present invention includes a control receiving unit 310, a power monitor 320, a link quality monitor 330, a RERPM module 340, (350) and a control transmission unit (360).

송수신부 중 하나인 제어 수신부(310)는 공중 및/또는 우주에서 적 상태를 감시/정찰하는 감시정찰기(10)와 CDL을 통해 통신한다. 제어 수신부(310)는 감시정찰기(10)로부터 전력제어 주기마다 무선신호를 수신한다. The control receiver 310, which is one of the transceivers, communicates via the CDL with a surveillance / reconnaissance device 10 that monitors / scouts enemy status in the air and / or space. The control receiving unit 310 receives a radio signal from the surveillance and control unit 10 at every power control period.

전력 모니터(320)는 수신된 무선신호를 모니터링하여 무선신호의 전송 전력값(tpk)을 확인하고, 확인된 전송 전력값(tpk)을 전력 제어 모듈(350)로 전달한다.The power monitor 320 monitors the received radio signal to check the transmission power value tp k of the radio signal and transmits the confirmed transmission power value tp k to the power control module 350.

링크 품질 모니터(330)는 수신된 무선신호를 모니터링하여 무선신호의 RSSI와 FER을 확인할 수 있다. 이하에서는 링크 품질 모니터(330)에서 확인된 현재 RSSI와 현재 FER을 rssik와 ferk라 한다.The link quality monitor 330 can monitor the received radio signal to check RSSI and FER of the radio signal. Hereinafter, the current RSSI and the current FER confirmed by the link quality monitor 330 are referred to as rssi k and fer k .

RERPM 모듈(340)은 현재 RSSI(rssik)와 현재 FER(ferk)의 변화 패턴을 RERPM 생성 장치(100)로부터 다운로딩하여 실행 중인 RERPM 딥러닝 기반으로 학습하여 다음 FER을 예측할 수 있다. 도 5와 같은 구조의 RERPM 모듈(340)은 현재 RSSI(rssik)와 현재 FER(ferk)를 마지막 LSTM 셀에서 입력받아 변화 패턴을 예측하여 다음 FER(Pk+1)을 예측한다.The RERPM module 340 may download the change pattern of the current RSSI (rssi k ) and the current FER (fer k ) from the RERPM generating apparatus 100 and learn the next FER by learning based on the RERPM deep learning running. The RERPM module 340 having the structure as shown in FIG. 5 receives the current RSSI (rssi k ) and the current FER (fer k ) from the last LSTM cell and predicts a change pattern to predict the next FER (P k + 1 ).

전력 제어 모듈(350)은 전력 모니터(320)로부터 적용 노드, 즉, 감시정찰기(10)의 전송 전력(tpk)을 수신하여 감시정찰기(10)의 송신 출력 상태를 모니터링한다. 그리고, 전력 제어 모듈(350)은 RERPM 모듈(340)로부터 예측된 다음 FER(Pk+1)을 기반으로 감시정찰기(10)의 송신 전력(tpk+1)을 산출할 수 있다.The power control module 350 receives the transmission power tp k of the application node, that is, the surveillance reconnaissance device 10 from the power monitor 320 and monitors the transmission output status of the surveillance surveillance device 10. The power control module 350 may calculate the transmission power tp k + 1 of the surveillance and control unit 10 based on the predicted next FER (P k + 1 ) from the RERPM module 340.

자세히 설명하면, 전력 제어 모듈(350)은 예측된 다음 FER(Pk+1)이 최대 허용가능한 에러율(

Figure 112017130403609-pat00016
, 상한 임계값)보다 높으면, 감시정찰기(10)의 송신 전력을 상향조정하도록 명령할 수 있다.More specifically, the power control module 350 determines whether the next predicted FER (Pk + 1 ) is the maximum allowable error rate
Figure 112017130403609-pat00016
, Upper limit threshold value), it is possible to instruct the surveillance and reconnaissance device 10 to adjust the transmission power to be increased.

또한, 전력 제어 모듈(350)은 예측된 다음 FER(Pk+1)이 최소 허용가능한 에러율(

Figure 112017130403609-pat00017
, 하한 임계값)보다 낮으면, 무선 링크가 충분히 안정된 것으로 판단하고 감시정찰기(10)의 송신 전력을 하향조정하도록 명령할 수 있다.In addition, the power control module 350 determines whether the next predicted FER (Pk + 1 )
Figure 112017130403609-pat00017
, Lower limit threshold value), it can be determined that the radio link is sufficiently stable and command to adjust the transmission power of the surveillance probe 10 downward.

또한, 전력 제어 모듈(350)은 예측된 다음 FER(Pk+1)이

Figure 112017130403609-pat00018
Figure 112017130403609-pat00019
사이의 허용 가능한 에러율 값 내에 있으면 제어 명령을 보내지 않고 감시정찰기(10)의 이전 전송 전력을 유지하도록 한다.In addition, the power control module 350 determines whether the next predicted FER (Pk + 1 )
Figure 112017130403609-pat00018
Wow
Figure 112017130403609-pat00019
To keep the previous transmission power of the surveillance reconnaissance device 10 without sending a control command.

송수신부 중 하나인 제어 송신부(360)는 전력 제어 모듈(350)에서 최종적으로 정해진 전송 전력, 예를 들어, 상향조정되거나 하향조정된 송신 전력을 사용하여 통신하도록 하는 리퀘스트를 감시정찰기(10)로 전송한다.The control transmitting unit 360, which is one of the transmitting and receiving units, transmits a request to the surveillance and reconnaissance device 10 to communicate using the finally determined transmission power, for example, the upward or downwardly adjusted transmission power in the power control module 350 send.

감시정찰기(10)의 정찰 수신부(11)는 제어 송신부(360)로부터 리퀘스트를 수신하여 전력 설정 모듈(13)로 전달한다.The scouting reception unit 11 of the surveillance and reconnaissance device 10 receives the request from the control transmission unit 360 and transfers it to the power setting module 13. [

전력 설정 모듈(13)은 수신한 리퀘스트를 분석하여 전력 제어 모듈(350)에서 결정된 송신 전력(tpk+1)을 무선신호의 송신 전력으로 설정한다.The power setting module 13 analyzes the received request and sets the transmission power tp k + 1 determined by the power control module 350 as the transmission power of the radio signal.

정찰 송신부(15)는 전력 설정 모듈(13)에서 설정된 송신 전력(tpk +1), 즉, 전력 제어 모듈(350)에서 요청한 송신 전력(tpk + 1)으로 CDL을 통해 적응형 전력 제어 장치(300)와 통신할 수 있다. The scouting transmission unit 15 transmits the transmission power tp k + 1 requested by the power control module 350 to the adaptive power control unit 35 via the CDL with the transmission power tp k +1 set by the power setting module 13, Lt; RTI ID = 0.0 &gt; 300 &lt; / RTI &gt;

따라서, 감시정찰기(10)는 적응형 전력 제어 장치(300)에서 RERPM 모듈(340)에 기반하여 예측된 송신 전력을 이용하여 타겟 촬영 영상과 같은 데이터를 전송할 수 있으며, 이로써, 다양한 네트워크 구조가 공존하는 CDL 시스템에서 최적의 송신 전력을 이용하여 임무 수행할 수 있다. Accordingly, the surveillance reconnaissance apparatus 10 can transmit data such as the target photographed image using the predicted transmission power based on the RERPM module 340 in the adaptive power control apparatus 300, The CDL system can perform the mission using the optimal transmission power.

한편, CDL은 감시/정찰 체계에 따라 다양한 지형에서 다양한 속도로 운용되기 때문에 각 체계에 맞는 학습이 필요하며, 적응형 전력 제어 장치(300)와 감시정찰기(10)가 타겟 촬영 전송과 같은 임무를 수행한 이후에는, 오프라인 재학습 과정을 통해 RERPM이 진화되도록 할 수 있다. 따라서, CDL에 RERPM 기반 적응형 전력제어 구조를 적용하기 위해서는 도 7과 같이 오프라인 학습과정과 임무 수행과정을 다시 수행할 수 있다.Meanwhile, since the CDL is operated at various speeds in various terrains according to the surveillance / reconnaissance system, it is necessary to learn for each system, and the adaptive power control device 300 and the surveillance and reconnaissance device 10 can perform tasks such as target shooting transmission After doing so, the RERPM can be evolved through an offline re-learning process. Accordingly, in order to apply the RERPM-based adaptive power control structure to the CDL, the offline learning process and the mission execution process can be performed again as shown in FIG.

도 7은 CDL 시스템에 적응형 전력 제어 구조를 적용하는 방안을 설명하기 위한 도면이다.7 is a diagram for explaining a method of applying an adaptive power control structure to a CDL system.

도 7을 참조하면, CDL 시스템은 RERPM 생성 장치(100), RERPM 다운로더(200), 적응형 전력 제어 장치들(300, 400)을 포함하며, 이는 도 2에 도시된 구조와 동일하므로 구체적인 설명은 생략한다.Referring to FIG. 7, the CDL system includes a RERPM generator 100, a RERPM downloader 200, and adaptive power control units 300 and 400, which are identical to the structure shown in FIG. 2, It is omitted.

다만, 도 7에 도시된 CDL 시스템에 의하면, 오프라인 학습과정의 경우, 감시정찰기(10)가 적응형 전력 제어 장치(300)에서 산출된 송신 전력에 기초하여 CDL을 통해 실제 임무 수행을 완료하면, RERPM 생성 장치(100)는 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 적응형 전력 제어 장치(300)로부터 로딩하여 RERPM 모델을 재학습시킬 수 있다. However, according to the CDL system shown in FIG. 7, in the offline learning process, when the surveillance and reconnaissance system 10 completes the actual mission through the CDL based on the transmission power calculated by the adaptive power control apparatus 300, The RERPM generating apparatus 100 may reload the RERPM model by loading the RSSI and FER history data generated during the mission execution from the adaptive power control apparatus 300. [

그리고, 임무 수행 과정을 수행한다. RERPM 다운로더(200)는 재학습에 의해 진화된 RERPM 모델을 적응형 전력 제어 장치(300)에 다운로딩하여 CDL에 적용 및 운용되도록 한다. Then, the task execution process is performed. The RERPM downloader 200 downloads the RERPM model evolved by the re-learning to the adaptive power control device 300 so that it is applied to and operated on the CDL.

따라서, 적응형 전력 제어 장치(300)는 진화된 RERPM 모델을 기반으로 FER을 예측하고, 감시정찰기(10)는 예측된 FER을 기반으로 산출된 송신 전력으로 타겟을 감시 및 정찰할 수 있다. Accordingly, the adaptive power control apparatus 300 predicts the FER based on the evolved RERPM model, and the surveillance reconnaissance apparatus 10 can monitor and recapture the target with the transmission power calculated based on the predicted FER.

이러한 제어노드, 즉, 적응형 전력 제어 장치(300)의 위치는 네트워킹 구조에 따라 변화될 수 있다. CDL에서는 주로 다운링크의 영상 전송이 이뤄지기 때문에 1:1, N:1, 1:N의 네트워킹 구조에서는 지상 분석 시스템이 RERPM 모듈을 이용하여 제어노드 역할을 수행한다. 그러나, 중계 네트워킹 구조의 경우에는 지상 분석 시스템뿐만 아니라 중계하는 공중/우주 플랫폼(예를 들어, 감시정찰기)도 RERPM 모듈을 이용하여 제어노드의 역할을 수행할 수 있다. The location of such a control node, i.e., the adaptive power control device 300, may vary depending on the networking architecture. Since the downlink image transmission is mainly performed in the CDL, the ground analysis system acts as a control node using the RERPM module in the 1: 1, N: 1, and 1: N networking structures. However, in the case of a relay networking structure, a relaying aerial / space platform (for example, a surveillance / reconnaissance device) as well as a terrestrial analysis system can perform a role of a control node using a RERPM module.

도 8은 본 발명의 실시 예에 따른 CDL 시스템에서의 적응형 전력 제어 방법을 설명하기 위한 흐름도이다.8 is a flowchart illustrating an adaptive power control method in a CDL system according to an embodiment of the present invention.

도 8의 적응형 전력 제어 방법은 도 1 내지 도 7을 참조하여 설명한 CDL 시스템의 RERPM 생성 장치(100) 및 적응형 전력 제어 장치(300)에 의해 구현될 수 있으므로, 상세한 설명은 생략한다.The adaptive power control method of FIG. 8 can be implemented by the RERPM generation apparatus 100 and the adaptive power control apparatus 300 of the CDL system described with reference to FIGS. 1 to 7, and therefore, detailed description thereof will be omitted.

도 8을 참조하면, RERPM 생성 장치(100)는 오프라인 학습에 의해 감시정찰기(10)로부터 수신한 n개의 무선신호들의 RSSI들과 FER들의 값에 대해 정규화한다(S805).Referring to FIG. 8, the RERPM generator 100 normalizes the values of the RSSIs and FERs of the n radio signals received from the surveillance and reconnaissance device 10 by offline learning (S805).

RERPM 생성 장치(100)는 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간(즉, t-1~t-s) 동안의 RSSI들과 FER들을 벡터 데이터(Xt)로 변환하고, t 시점의 실제 FER을 실제 출력데이터(Yt)로 변환하여 벡터화할 수 있다(S810).The RERPM generating apparatus 100 transmits RSSIs and FERs during a Sequence Length time (i.e., t-1 to ts) before a time point t, which is a next time to be predicted, to use time-based change information as input data, (X t ), and the actual FER at time t can be converted into actual output data (Y t ) to be vectorized (S 810).

RERPM 생성 장치(100)는 다수의 LSTM 셀들을 포함하고, S810단계에서 변환된 벡터 입출력데이터(Xt , Yt), 이전 LSTM 셀의 상태 정보, 그리고, 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 다음 FER을 예측하는 완전 연결 계층을 포함하는 RERPM 모듈을 생성할 수 있다(S815).The RERPM generating apparatus 100 includes a plurality of LSTM cells and uses the vector input / output data (X t , Y t ) converted in step S 810, the state information of the previous LSTM cell, and the output information learned in the previous LSTM cell An LSTM layer for outputting final output information in the last LSTM cell, and a RERPM module including a complete connection layer for predicting a next FER using the final output information input from the LSTM layer in operation S815.

RERPM 생성 장치(100)는 생성된 RERPM 모듈을 적응형 전력 제어 장치(300)로 다운로딩한다(S820).The RERPM generating apparatus 100 downloads the generated RERPM module to the adaptive power control apparatus 300 (S820).

적응형 전력 제어 장치(300)는 다운로딩한 RERPM 모듈을 설치 및 운용가능하도록 실행한 후 감시정찰기(10)와의 통신대기상태, 즉, 운용 상태로 진입한다(S825).After the adaptive power control apparatus 300 executes the downloaded RERPM module so as to install and operate the RERPM module, the adaptive power control apparatus 300 enters a communication standby state, that is, an operating state with the surveillance and reconnaissance system 10 (S825).

감시정찰기(10)는 임무 수행(예를 들어, 적 타겟을 촬영한 영상 전송)을 위해 CDL을 통해 무선신호를 전송하고(S830), 적응형 전력 제어 장치(300)는 CDL을 통해 무선신호를 수신한다(S835).The surveillance reconnaissance apparatus 10 transmits a radio signal through the CDL for performing mission (for example, image transmission of an enemy target) (S830), and the adaptive power control apparatus 300 transmits a radio signal through the CDL (S835).

적응형 전력 제어 장치(300)는 수신되는 무선신호 중 현재 RSSI와 현재 FER을 RERPM 모듈에 입력하여 다음 FER을 예측하고(S840), 예측된 다음 FER을 기반으로 감시정찰기(10)의 송신 전력(tpk+1)을 산출한다(S845).The adaptive power control unit 300 predicts the next FER by inputting the current RSSI and the current FER to the RERPM module in step S840. Based on the predicted next FER, the adaptive power control unit 300 transmits the transmission power of the surveillance probe 10 tp k + 1 ) (S845).

그리고, 적응형 전력 제어 장치(300)는 S845단계에서 산출된 송신 전력으로 CDL 통신하도록 하는 리퀘스트를 감시정찰기(10)에게 전송한다(S850).Then, the adaptive power control apparatus 300 transmits a request to the surveillance and reconnaissance system 10 to perform CDL communication with the transmission power calculated in step S845 (S850).

감시정찰기(10)는 수신한 리퀘스트를 분석하여 S850단계로부터 수신한 송신 전력을 무선신호의 송신 전력으로 설정하고(S855), 설정된 송신 전력으로 CDL을 통해 적응형 전력 제어 장치(300)와 통신할 수 있다(S860, S865).The surveillance and reconnaissance system 10 analyzes the received request, sets the transmission power received from the step S850 as the transmission power of the radio signal (S855), communicates with the adaptive power control apparatus 300 through the CDL with the set transmission power (S860, S865).

따라서, 감시정찰기(10)는 적응형 전력 제어 장치(300)에서 RERPM 모듈(340)에 기반하여 예측된 송신 전력을 이용하여 타겟 촬영 영상과 같은 데이터를 전송할 수 있으며, 이로써, 다양한 네트워크 구조가 공존하는 CDL 시스템에서 최적의 송신 전력을 이용하여 임무 수행할 수 있다. Accordingly, the surveillance reconnaissance apparatus 10 can transmit data such as the target photographed image using the predicted transmission power based on the RERPM module 340 in the adaptive power control apparatus 300, The CDL system can perform the mission using the optimal transmission power.

도 9는 도 8의 S835단계 내지 S850단계를 보다 구체적으로 설명하기 위한 흐름도이다.FIG. 9 is a flowchart for explaining steps S835 to S850 of FIG. 8 in more detail.

도 9를 참조하면, 적응형 전력 제어 장치(300)는 공중 및/또는 우주에서 적 상태를 감시/정찰하는 감시정찰기(즉, 에어 노드)로부터 CDL을 통해 무선신호를 수신하고, 무선신호의 송신 전력(tpk)를 확인한다(S910).9, the adaptive power control apparatus 300 receives a radio signal via a CDL from a surveillance / reconnaissance (i.e., air node) monitoring / reconnaissance enemy condition in the air and / or space, The power tp k is confirmed (S910).

적응형 전력 제어 장치(300)는 수신된 무선신호의 현재 RSSI(RSSIk)와 현재 FER(FERk)을 확인한다(S920).The adaptive power control apparatus 300 confirms the current RSSI (RSSI k ) and the current FER (FER k ) of the received radio signal (S920).

적응형 전력 제어 장치(300)는 S920단계에서 확인된 현재 RSSI와 현재 FER의 변화 패턴을 RERPM 딥러닝 모델 기반으로 학습하여 다음 FER(Pk+1)을 예측할 수 있다(S930).The adaptive power control apparatus 300 may predict the next FER (Pk + 1 ) by learning the current RSSI and the current FER change pattern determined in step S920 based on the RERPM deep learning model (S930).

적응형 전력 제어 장치(300)는 S930단계에서 예측된 다음 FER이 최대 허용가능한 에러율(

Figure 112017130403609-pat00020
)보다 높으면(S940-Yes), 감시정찰기(10)의 송신 전력을 상향조정한 후 상향조정된 송신 전력으로 운용하도록 감시정찰기(10)에게 명령할 수 있다(S950, S960).The adaptive power control apparatus 300 determines whether the next FER predicted in step S930 is the maximum allowable error rate
Figure 112017130403609-pat00020
(S940-Yes), the surveillance and reconnaissance system 10 can be instructed to operate with the transmission power of the surveillance reconnaissance system 10 adjusted upward and then adjusted to the upwardly adjusted transmission power (S950, S960).

반면, 적응형 전력 제어 장치(300)는 S930단계에서 예측된 다음 FER이 최소 허용가능한 에러율(

Figure 112017130403609-pat00021
)보다 낮으면(S970-Yes), 감시정찰기(10)의 송신 전력을 하향조정한 후 하향조정된 송신 전력으로 운용하도록 감시정찰기(10)에게 명령할 수 있다(S980, S960).On the other hand, the adaptive power control apparatus 300 determines whether the next FER predicted in step S930 is the minimum allowable error rate
Figure 112017130403609-pat00021
(S970-Yes), it is possible to instruct the surveillance and reconnaissance apparatus 10 to operate the transmission power of the surveillance / reconnaissance device 10 downwardly and downwardly (S980, S960).

한편, 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 성능을 검증하기 위해 CDL 테스트베드를 구축하여, RERPM의 정확도를 분석할 수 있다.Meanwhile, in order to verify the performance of the public data link system for the adaptive power control of the surveillance apparatus according to the embodiment of the present invention, the CDL test bed can be constructed to analyze the accuracy of the RERPM.

도 10은 본 발명의 실시 예에 따른 CDL 테스트베드를 도시한 도면이다.10 is a diagram illustrating a CDL test bed according to an embodiment of the present invention.

도 10을 참조하면, CDL 테스트베드는 지상 분석 시스템(지상 노드, 1000)과 공중/우주 플랫폼(항공 노드, 1100)을 포함한다.Referring to FIG. 10, the CDL test bed includes a ground analysis system (ground node 1000) and a public / space platform (air node 1100).

지상 분석 시스템(1000)은 상술한 적응형 전력 제어 장치(300)에 해당할 수 있고, 공중/우주 플랫폼(1100)은 감시정찰기(10)에 해당할 수 있다.The ground analysis system 1000 may correspond to the adaptive power control apparatus 300 described above and the aerial / space platform 1100 may correspond to the surveillance and reconnaissance system 10.

지상 분석 시스템(1100)과 공중/우주 플랫폼(1100)은 각각 RF 디바이스(1010, 1110), 모뎀 디바이스(1020, 1120), 컨트롤 디바이스(1030, 1130), 패킷 생성기(1040, 1140) 및 전원 공급기(1050, 1150)를 포함할 수 있다. 패킷 생성기(1040, 1140)는 도 10에 도시된 것처럼 별도로 구비될 수도 있다. The ground analysis system 1100 and the aerial / space platform 1100 are connected to the RF devices 1010 and 1110, the modem devices 1020 and 1120, the control devices 1030 and 1130, the packet generators 1040 and 1140, (1050, 1150). The packet generators 1040 and 1140 may be separately provided as shown in FIG.

RF 디바이스(1010, 1110)는 10W 최대 송신 출력으로 100Km 이상의 통달 거리를 제공하며 60dB 범위로 전력제어가 가능한 장치를 사용하였다. The RF devices 1010 and 1110 use a device capable of controlling power in the range of 60dB and providing a communication distance of 100Km or more at a maximum transmission power of 10W.

모뎀 디바이스(1020, 1120)는 FDMA(Frequency Division Multiple Access) 기반의 다중접속을 지원하고 PSK(Phase Shift Keying) Type의 변조방식을 지원한다. The modem devices 1020 and 1120 support multiple access based on Frequency Division Multiple Access (FDMA) and support a modulation scheme of a phase shift keying (PSK) type.

컨트롤 디바이스(1030, 1130)는 실시간으로 송신출력 제어 기능을 제공한다. 특히, 컨트롤 디바이스(1030)는 RSSI와 FER을 수신하고, RERPM 모듈을 이용하여 다음 FER을 예측하며, 이를 기반으로 공중/우주 플랫폼(1100)이 적용할 송신 전력을 산출할 수 있다.The control devices 1030 and 1130 provide transmission output control functions in real time. In particular, the control device 1030 receives the RSSI and the FER, estimates the next FER using the RERPM module, and can calculate the transmit power to be applied by the public / space platform 1100 based on this.

그리고, 전파 환경의 변화를 주기 위한 가변 감쇠기(Attenuator, 1200)를 RF 디바이스들(1010, 1110) 사이에 구비하고, 패킷 생성기(1040, 1140)에서 데이터를 발생시켜 지상 분석 시스템(1100)과 공중/우주 플랫폼(1100) 간에 데이터 송수신할 수 있도록 한다. A variable attenuator 1200 for changing the propagation environment is provided between the RF devices 1010 and 1110 and data is generated at the packet generators 1040 and 1140 so that the ground analysis system 1100 and the air / Space platform 1100 to transmit / receive data.

이하에서는 RERPM의 성능 검증 및 적응형 전력제어 테스트 성능 비교에 대해 설명한다. The performance verification of RERPM and the performance comparison of adaptive power control test are described below.

먼저, 도 10을 참조하여 RERPM의 성능 검증에 대해 설명한다.First, performance verification of RERPM will be described with reference to FIG.

도 10과 같은 테스트베드가 구축되면, 전자 장치는 [수학식 10]]과 같은 RMSE(Root Mean Square Error)를 사용하여 LSTM RERPM의 정확도를 산출할 수 있다. 전자 장치는 테스트베드에서의 테스트결과를 입력받아 성능을 검증하는 컴퓨터이다. When the test bed as shown in FIG. 10 is constructed, the electronic device can calculate the accuracy of the LSTM RERPM using the Root Mean Square Error (RMSE) as in Equation (10). The electronic device is a computer that receives test results from a test bed and verifies performance.

Figure 112017130403609-pat00022
Figure 112017130403609-pat00022

[수학식 10]에 의하면, RMSE는 본 발명의 실시 예에 따른 LSTM 기반의 RERPM(즉, LSTM RERPM)에 의해 예측된 FER(Pt)과 실제 FER(Yt)의 차이를 나타낸다. According to Equation (10), RMSE represents the difference between the FER (P t ) predicted by the LSTM-based RERPM (i.e., LSTM RERPM) and the actual FER (Y t ) according to the embodiment of the present invention.

도 11은 본 발명의 실시 예에 따른 LSTM RERPM과 MNN 및 CNN의 RMSE를 비교한 그래프이다.11 is a graph comparing RMSE of MNN and CNN with LSTM RERPM according to an embodiment of the present invention.

도 11의 그래프는 Learning rage를 동일하게 0.01로 설정하고 1000번 학습 동안의 RMSE 변화율을 나타낸 것으로서, 테스트 결과, LSTMCNN→ MNN순으로 실제 값과 예측 값의 차이가 적다는 것을 알 수 있으며, 이는 정확도의 순서와 동일하다.The graph of FIG. 11 shows the RMSE change rate during the learning of 1000 by setting the learning rage to 0.01 in the same manner. As a result of the test, it can be seen that the difference between the actual value and the predicted value is small in the order of LSTMCNN? MNN, .

MNN 모델은 처음에는 RMSE가 1에 가까운 값으로 정확도가 매우 낮았으나, 200여번 학습한 결과 0.3 정도로 급격히 향상되었다. 하지만 LSTM RERPM의 한번 학습한 결과보다 성능이 나쁘다. CNN 모델은 처음에는 RMSE가 0.4 정도였으며, 10여번 학습한 결과 0.2정도로 정확도가 향상되었고, 이 후에는 정확도가 크게 향상되지 않았다. 본 발명의 실시 예에 따른 LSTM RERPM은 첫 번째 학습부터 0.2이하로 정확도가 높으며, 800여번까지 학습함에 따라 점점 정확도가 높아진 것을 확인할 수 있다. 이와 같은 결과는 LSTM RERPM은 시간에 따라 패턴 변화를 잘 기억하기 때문이다.In the MNN model, the RMSE was close to 1 at the beginning, but the accuracy was very low. However, the performance of LSTM RERPM is worse than once. The CNN model initially had an RMSE of about 0.4, and after learning 10 or more times, the accuracy was improved to about 0.2, and there was no significant improvement in accuracy after that. The LSTM RERPM according to the embodiment of the present invention has an accuracy of 0.2 or less from the first learning, and it can be confirmed that the accuracy is gradually increased by learning 800 times. The result is that LSTM RERPM keeps track of pattern changes over time.

다음 테스트는 가장 정확도가 높은 LSTM RERPM에서 Sequence Length를 변경하여 학습시키고, RMSE를 분석한 것이다. 그 결과 [표 1]과 같이 Sequence length가 3에서 7로 증가할수록 정확도가 높게 나타난다. 이와 같은 결과는 오랜 시간 동안의 채널 변화율을 학습시키면 예측의 정확도가 높아진다는 것을 나타낸다. The next test is to analyze the RMSE by learning and changing the sequence length in the most accurate LSTM RERPM. As a result, as the sequence length increases from 3 to 7 as shown in [Table 1], the accuracy becomes higher. These results indicate that learning the channel change rate over a long period of time improves the prediction accuracy.

RERPMRERPM RMSERMSE MNN RERPMMNN RERPM 0.27230.2723 CNN RERPMCNN RERPM 0.22820.2282 LSTM RERPM
(sequence length = 3)
LSTM RERPM
(sequence length = 3)
0.08780.0878
LSTM RERPM
(sequence length = 5)
LSTM RERPM
(sequence length = 5)
0.07620.0762
LSTM RERPM
(sequence length = 7)
LSTM RERPM
(sequence length = 7)
0.07130.0713

도 12는 10000 번 학습 이후 예측 결과 값의 분포를 분석한 결과를 도시한 그래프이다.12 is a graph showing a result of analyzing a distribution of prediction result values after learning 10000 times.

도 12를 참조하면, MNN RERPM 결과, 즉, MNN RERPM 생성을 위한 학습 히스토그램은 수신 에러율이 0~1(0~100%) 사이의 값으로 골고루 발산되어 있다. 반면, CNN RERPM 생성을 위한 학습 히스토그램과 LSTM RERPM 생성을 위한 학습 히스토그램은 0 또는 1 값으로 수렴되어 있으며, LSTM이 더 잘 수렴되어 있다. 일반적으로 수신 에러율은 수신 감도 기준으로 0%와 100%로 수렴한다. Referring to FIG. 12, the MNN RERPM result, that is, the learning histogram for MNN RERPM generation, is evenly distributed with a reception error rate between 0 and 1 (0 to 100%). On the other hand, the learning histogram for CNN RERPM generation and the learning histogram for LSTM RERPM generation converge to 0 or 1, and the LSTM is better converged. In general, the receiving error rate converges to 0% and 100% based on the receiving sensitivity.

결론적으로 RERPM의 성능 비교 결과, LSTM RERPM의 예측 정확도가 가장 높으며, 예측 시점 전의 채널상태 정보를 더 길게 줄수록 예측 정확도가 높다는 것을 알 수 있다. In conclusion, the performance comparison of RERPM shows that the prediction accuracy of LSTM RERPM is the highest, and that the longer the channel state information before the prediction time, the higher the prediction accuracy.

다음으로, 본 발명의 실시 예에 따른 LSTM RERPM 기반의 적응형 전력 제어 방식(RERPM-APC)과 기존의 예측 기반의 적응형 전력 제어 방식(PB-APC: Prediction Based APC)의 성능을 비교해본다. Next, performance of an LERM based RERPM-based adaptive power control (RERPM-APC) and a conventional predictive based adaptive power control (PB-APC) according to an embodiment of the present invention are compared.

기존의 PB-APC는 K. H. Lee, D. H. Lee, D. H. Lee, S. J. Jung and H. J. Choi, "A Resource Scheduling Based on Iterative Sorting for Long-Distance Airborne Tactical Communication in Hub Network," The Journal of The Korean Institute of Communication Sciences, Vol. 39, No. 12, pp. 1250~1260, 2014.에서 제안하는 전력 제어 방법이다.Previous PB-APCs have been proposed by KH Lee, DH Lee, DH Lee, SJ Jung and HJ Choi, "A Resource Scheduling Based on Iterative Sorting for Long-Distance Airborne Tactical Communication in Hub Network," Journal of the Korean Institute of Communication Sciences , Vol. 39, No. 12, pp. 1250 ~ 1260, 2014. This is a power control method proposed by the present invention.

LSTM RERPM-APC의

Figure 112017130403609-pat00023
는 0.03,
Figure 112017130403609-pat00024
는 0.005로 설정하고, PB-APC에서는 테스트베드에서 수신감도(-75dBm) 정보를 경험으로 획득하고, 상한 링크 품질 임계 값을 -68dBm, 하한 링크 품질 임계 값을 -70dBm으로 설정하여 테스트하였다.LSTM of RERPM-APC
Figure 112017130403609-pat00023
0.03,
Figure 112017130403609-pat00024
(-75dBm) information was experimentally obtained in the test bed in PB-APC, and the upper link quality threshold was set to -68dBm and the lower link quality threshold was set to -70dBm.

테스트는 1초 주기로 감쇠 값을 변경하여 시험을 진행하는 비행시험으로서, 그 결과는 도 13 및 도 14에 도시되어 있다.The test is a flight test in which the test is performed by changing the attenuation value every 1 second, and the results are shown in Figs. 13 and 14. Fig.

도 13은 비행시험 시 수신 프레임 에러율(FER)의 변화를 보여주는 그래프, 도 14는 비행시험 시 수신세기(RSSI)의 변화를 보여주는 그래프이다. FIG. 13 is a graph showing a change in the reception frame error rate (FER) in the flight test, and FIG. 14 is a graph showing the change in the reception intensity (RSSI) in the flight test.

도 13을 참조하면, 기존의 PB-APC는 100초 중 10여초 수신 에러율이 100%까지 올라가는 상황이 발생하고, 도 14의 경우, RSSI가 수신감도 이하로 떨어지는 상황이 100초 동안에 3회 발생하고, 최대 10초 이상 통신 두절 상황이 발생한다. Referring to FIG. 13, in the conventional PB-APC, a reception error rate of 10 seconds out of 100 seconds is increased to 100%. In the case of FIG. 14, the situation in which the RSSI falls below the reception sensitivity occurs three times in 100 seconds , Communication disconnection occurs for a maximum of 10 seconds or more.

반면, LSTM RERPM-APC는 수신감도 이하로 떨어지는 위험 상황이 나타나지 않으며, PB-APC에 비해 100초 동안 지속적으로 안정적인 통신을 보장한다. On the other hand, LSTM RERPM-APC does not show any danger of falling below reception sensitivity and guarantees stable communication for 100 seconds compared to PB-APC.

한편, 본 발명에 따른 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법은 이를 구현하기 위한 명령어들의 프로그램이 유형적으로 구현됨으로써, 컴퓨터를 통해 판독될 수 있는 기록매체에 포함되어 제공될 수도 있음은 통상의 기술자가 쉽게 이해할 수 있다.Meanwhile, the adaptive power control method in the public data link system according to the present invention may be provided in a recording medium readable by a computer by tangibly embodying a program of instructions for implementing it, It can be easily understood by engineers.

즉, 본 발명에 따른 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 형태로 구현되어, 컴퓨터 판독 가능한 기록매체에 기록될 수 있으며, 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록매체에는 하드 디스크와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리, USB 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.That is, the adaptive power control method in the public data link system according to the present invention can be implemented in a form of a program that can be performed through various computer means, and can be recorded in a computer-readable recording medium, May include program commands, data files, data structures, etc., alone or in combination. The computer-readable recording medium may be any of various types of media such as magnetic media such as hard disks, optical media such as CD-ROMs and DVDs, and optical disks such as ROMs, RAMs, flash memories, And hardware devices specifically configured to store and execute program instructions.

따라서, 본 발명은 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법을 구현하기 위하여 상기 공용 데이터 링크 시스템 중 적어도 하나의 구성요소를 제어하는 컴퓨터 상에서 수행되는 컴퓨터 판독 가능한 기록매체에 저장된 프로그램을 함께 제공한다.Accordingly, the present invention provides a program stored on a computer readable recording medium which is executed on a computer that controls at least one component of the public data link system to implement an adaptive power control method in a public data link system .

한편, 이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시 예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주하여야 할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the present invention is not limited to the disclosed exemplary embodiments, but, on the contrary, It will be apparent to those skilled in the art that numerous modifications and variations can be made to the present invention without departing from the scope of the present invention. Accordingly, all such modifications and variations are intended to be included within the scope of the present invention. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.

10: 감시정찰기 100: RERPM 생성 장치
200: RERPM 다운로더 300, 400: 적응형 전력 제어 장치
10: Surveillance Reconnaissance Device 100: RERPM Generation Device
200: RERPM downloader 300, 400: Adaptive power control device

Claims (12)

감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크(CDL: Common Data Link) 시스템에 있어서,
사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 RERPM 생성 장치; 및
상기 RERPM 생성 장치에서 생성된 RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 전력제어 주기마다 수신되는 무선신호로부터 현재 RSSI와 현재 FER을 확인하고, 상기 확인된 현재 RSSI와 현재 FER을 상기 RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 적응형 전력 제어 장치;를 포함하고,
상기 적응형 전력 제어 장치는,
공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기와 상기 공용 데이터 링크를 통해 통신하며, 상기 전력제어 주기마다 상기 무선신호를 수신하는 송수신부;
상기 감시정찰기로부터 수신되는 무선신호를 모니터링하여 상기 무선신호의 전송전력을 확인하는 전력 모니터;
상기 수신된 무선신호를 모니터링하여 상기 무선신호의 현재 RSSI와 현재 FER을 확인하는 링크 품질 모니터;
상기 링크 품질 모니터에서 확인된 상기 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 입력으로 하고 RERPM 딥러닝 기반으로 학습하여 상기 다음 FER을 예측하는 RERPM 모듈; 및
상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 산출하되, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 전력 모니터에서 확인된 감시정찰기의 송신 전력을 상향조정하고, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면 상기 확인된 감시정찰기의 송신 전력을 하향조정하는 전력 제어 모듈;을 포함하고,
상기 송수신부는 상기 전력 제어 모듈에서 산출된 송신 전력을 상기 감시정찰기로 전송하는 것을 특징으로 하는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템.
A Common Data Link (CDL) system for adaptive power control of a surveillance reconnaissance system,
The following FER is predicted by learning the variation pattern of Received Signal Strength Indicators (RSSI) and Frame Error Rate (FER) of a plurality of wireless signals collected through pre-offline learning based on a long-short term memory (LSTM) A RERPM generating unit for generating a RERPM (Long-Short term Memory Ratio Prediction Model) module; And
The RERPM module generated by the RERPM generation device is downloaded and operated so as to be operable, and the current RSSI and the current FER are checked from the radio signal received every power control period from the monitoring and reconnaissance device, and the current RSSI and the current FER To the RERPM module to predict the next FER and to control the transmission power of the surveillance unit based on the predicted next FER,
The adaptive power control apparatus includes:
A transceiver for communicating over the public data link with the surveillance probe for monitoring / scouting enemy status in the air and / or space, and receiving the radio signal for each power control period;
A power monitor for monitoring a radio signal received from the surveillance and reconnaissance device to confirm transmission power of the radio signal;
A link quality monitor for monitoring the received radio signal to determine a current RSSI and a current FER of the radio signal;
A RERPM module for receiving a current RSSI of the radio signal and a change pattern of a current FER, which are confirmed in the link quality monitor, and learning the RERPM deep learning basis to predict the next FER; And
Calculating a transmission power of the surveillance reconnaissance device based on the predicted next FER, and if the predicted next FER is higher than a maximum allowable error rate, adjusting a transmission power of the surveillance device identified in the power monitor, And a power control module to down-adjust the transmit power of the identified surveillance probe if the next FER is below a minimum acceptable error rate,
Wherein the transmission / reception unit transmits the transmission power calculated by the power control module to the surveillance / reconnaissance device.
제1항에 있어서,
상기 RERPM 생성 장치는,
상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R1, R2, R3, …, Rn})과 FER들(E={E1, E2, E3, …, En})의 값에 대해 Min-Max Normalization 처리를 수행하는 정규화부;
시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 입출력데이터 변환부; 및
다수의 LSTM 셀들을 포함하고, 상기 입출력데이터 변환부에서 변환된 벡터 입출력데이터(Xt, Yt), 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 RERPM 생성부;를 포함하는 딥러닝 컴퓨터에 의해 만들어지는 것을 특징으로 하는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템.
The method according to claim 1,
The RERPM generating apparatus includes:
(R = {R 1 , R 2 , R 3 , ..., R n }) of the n radio signals transmitted from the public and / or space and the FERs (E = E 1 , E 2 , E 3 ,..., E n }),
Converts the RSSIs and FERs during the s (sequence length) time before the next time point to be predicted to use the change information according to time as input data into vector input data, and outputs the actual FER at the t point as actual output data Output data conversion unit; And
Output data (X t, Y t ) transformed by the input / output data conversion unit, state information of a previous LSTM cell, and output information learned in the previous LSTM cell, A RERPM module for generating the RERPM module including a fully connected layer for predicting the next FER using the final output information input from the LSTM layer; And a dip-running computer that includes a microprocessor and a microprocessor.
제2항에 있어서,
상기 RERPM 생성 장치는,
상기 감시정찰기가 상기 적응형 전력 제어 장치에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모듈을 재학습시키고,
상기 재학습에 의해 진화된 RERPM 모듈을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 하며,
상기 적응형 전력 제어 장치는,
상기 진화된 RERPM을 기반으로 FER을 예측하는 것을 특징으로 하는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템.
3. The method of claim 2,
The RERPM generating apparatus includes:
When the surveillance unit completes the actual mission through the public data link based on the transmission power calculated by the adaptive power control unit, loads the historical data of the RSSI and the FER generated during the mission to load the RERPM module Learning,
The RERPM module evolved by the re-learning is downloaded to the adaptive power control device to be applied to and operated on the common data link,
The adaptive power control apparatus includes:
And the FER is predicted based on the evolved RERPM. The public data link system for adaptive power control of a surveillance and reconnaissance device.
삭제delete 삭제delete 제1항에 있어서,
상기 공용 데이터 링크 시스템은,
상기 감시정찰기에 해당하는 하나의 공중/우주 플랫폼과 상기 적응형 전력 제어 장치에 해당하는 하나의 지상 분석 시스템이 통신하는 1:1 구조, 다수의 공중/우주 플랫폼들과 하나의 지상 분석 시스템이 통신하는 N:1 구조, 하나의 공중/우주 플랫폼과 다수의 지상 분석 시스템들이 통신하는 1:N 구조, 및 상기 다수의 공중/우주 플랫폼들 중 하나가 다른 공중/우주 플랫폼과 지상 분석 시스템을 중계하는 중계 네트워크 구조를 포함하는 것을 특징으로 하는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템.
The method according to claim 1,
The public data link system comprises:
A one-to-one structure in which one aerial / space platform corresponding to the surveillance / reconnaissance aircraft communicates with one ground analysis system corresponding to the adaptive power control apparatus, a plurality of aerial / N structure, an 1: N structure in which one aerial / space platform communicates with a number of ground analysis systems, and one of the plurality of aerial / space platforms relaying the terrestrial analysis system to another aerial / And a relay network structure, wherein the shared data link system comprises a relay network structure.
제6항에 있어서,
상기 중계 네트워크 구조의 경우,
상기 다수의 공중/우주 플랫폼들 중 중계 역할을 수행하는 하나의 공중/우주 플랫폼이 상기 RERPM 모듈에 기반하여 상기 다음 FER을 예측하는 것을 특징으로 하는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템.
The method according to claim 6,
In the case of the relay network structure,
Wherein one public / space platform acting as a relay among the plurality of public / space platforms predicts the next FER based on the RERPM module. &Lt; RTI ID = 0.0 &gt; .
공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 제어 장치의 적응형 전력 제어 방법에 있어서,
(A) RERPM 생성 장치가, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 단계; 및
(B) 상기 제어 장치가, 상기 (A) 단계에서 생성된 상기 RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 전력제어 주기마다 수신되는 무선신호로부터 현재 RSSI와 현재 FER을 확인하고, 상기 확인된 현재 RSSI와 현재 FER을 상기 RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 단계;를 포함하고,
상기 (B) 단계는,
(B1) 상기 적응형 전력 제어 장치가, 공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기로부터 공용 데이터 링크를 통해 상기 전력 제어 주기마다 상기 무선신호를 수신하는 단계;
(B2) 상기 적응형 전력 제어 장치가, 상기 감시정찰기로부터 수신되는 무선신호를 모니터링하여 상기 무선신호의 전송전력을 확인하는 단계;
(B3) 상기 적응형 전력 제어 장치가, 상기 수신되는 무선신호를 모니터링하여 상기 무선신호의 현재 RSSI와 현재 FER을 확인하는 단계;
(B4) 상기 적응형 전력 제어 장치가, 상기 확인된 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 입력으로 하고 RERPM 딥러닝 기반으로 학습하여 상기 다음 FER을 예측하는 단계; 및
(B5) 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 감시정찰기의 송신 전력을 상향조정하고, 상기 상향조정된 송신 전력을 상기 감시정찰기로 전송하는 단계; 및
(B6) 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면, 상기 감시정찰기의 송신 전력을 하향조정하고, 상기 하향조정된 송신 전력을 상기 감시정찰기로 전송하는 단계;를 포함하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
1. An adaptive power control method of a control apparatus for controlling transmission power of a surveillance and reconnaissance apparatus in a common data link (CDL) system,
(A) The RERPM generating apparatus calculates a change pattern of Received Signal Strength Indicators (RSSI) and a Frame Error Rate (FER) of a plurality of radio signals collected through pre-offline learning by using a Long-Short Term Memory (LSTM) And generating a RERPM (Long-Short term Memory Reception Error Ratio Prediction Model) module for predicting a next FER; And
(B) The control device downloads the RERPM module generated in the step (A) so as to be operable, and then checks the current RSSI and the current FER from the radio signal received every power control period from the monitoring and reconnaissance device Inputting the current RSSI and the current FER to the RERPM module to predict the next FER and controlling the transmission power of the surveillance unit based on the predicted next FER,
The step (B)
(B1) the adaptive power control device receiving the radio signal for each power control period via a public data link from the surveillance / surveillance device monitoring / reconnaissance enemy status in air and / or space;
(B2) the adaptive power control unit monitors a radio signal received from the surveillance unit to confirm transmission power of the radio signal;
(B3) the adaptive power control unit monitors the received radio signal to identify a current RSSI and a current FER of the radio signal;
(B4) the adaptive power control apparatus learns the next FER by learning based on the RERPM deep learning based on the current RSSI and the current FER change pattern of the confirmed radio signal; And
(B5) if the predicted next FER is higher than the maximum allowable error rate, the adaptive power control unit adjusts the transmission power of the surveillance reconnaissance unit and transmits the upwardly adjusted transmission power to the surveillance unit; And
(B6) the adaptive power control unit adjusts the transmission power of the surveillance reconnaissance unit to a lower level if the predicted next FER is lower than a minimum acceptable error rate, and transmits the downlink adjusted transmission power to the surveillance unit &Lt; / RTI &gt; wherein the method comprises the steps of:
제8항에 있어서,
상기 (A) 단계는,
(A1) 상기 RERPM 생성 장치가, 상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R1, R2, R3, …, Rn})과 FER들(E={E1, E2, E3, …, En})의 값에 대해 Min-Max Normalization 처리를 수행하는 단계;
(A2) 상기 RERPM 생성 장치가, 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 단계; 및
(A3) 상기 RERPM 생성 장치가, 다수의 LSTM 셀들을 포함하고, 상기 (A2) 단계에서 변환된 벡터 입출력데이터, 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 단계;를 포함하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
9. The method of claim 8,
The step (A)
(R 1 , R 2 , R 3 ,..., R n) of n radio signals transmitted from the surveillance and / or the space through the offline learning by the RERPM generating apparatus, Max normalization processing on the values of the FERs (E = {E 1 , E 2 , E 3 ,..., E n });
(A2) The RERPM generator converts the RSSIs and the FERs for a s (Sequence Length) time before a time point t, which is a next time to predict to use time-based change information as input data, into vector input data, converting the actual FER at time t into actual output data; And
(A3) The RERPM generating apparatus includes a plurality of LSTM cells, using the vector input / output data converted in the step (A2), the state information of the previous LSTM cell, and the output information learned in the previous LSTM cell Generating a RERPM module including an Fully Connected Layer for predicting the next FER using the final output information input from the LSTM layer, the LSTM layer outputting final output information in a last LSTM cell; &Lt; / RTI &gt; wherein the method comprises the steps of:
제9항에 있어서,
상기 (A) 단계는,
(A4) 상기 감시정찰기가 상기 (B) 단계에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 RERPM 생성 장치가, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모듈을 재학습시키는 단계; 및
(A5) 상기 RERPM 생성 장치가, 상기 재학습에 의해 진화된 RERPM 모듈을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 처리하는 단계;를 더 포함하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
10. The method of claim 9,
The step (A)
(A4) If the surveillance unit completes the actual mission through the public data link based on the transmission power calculated in the step (B), the RERPM generating unit generates the history data of the RSSI and the FER generated during the mission Re-learning the RERPM module; And
(A5) The RERPM generation apparatus further includes a step of downloading the RERPM module evolved by the re-learning to the adaptive power control apparatus, and processing the RERPM module to be applied to and operating on the common data link Method of adaptive power control in a public data link system.
삭제delete 삭제delete
KR1020170182340A 2017-12-28 2017-12-28 CDL system based adaptive power control and method thereof KR101888584B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170182340A KR101888584B1 (en) 2017-12-28 2017-12-28 CDL system based adaptive power control and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170182340A KR101888584B1 (en) 2017-12-28 2017-12-28 CDL system based adaptive power control and method thereof

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020180034933A Division KR102127142B1 (en) 2018-03-27 2018-03-27 Adaptive power control method on CDL system

Publications (1)

Publication Number Publication Date
KR101888584B1 true KR101888584B1 (en) 2018-09-20

Family

ID=63719742

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170182340A KR101888584B1 (en) 2017-12-28 2017-12-28 CDL system based adaptive power control and method thereof

Country Status (1)

Country Link
KR (1) KR101888584B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111769844A (en) * 2020-06-24 2020-10-13 中国电子科技集团公司第三十六研究所 Single-channel co-channel interference elimination method and device

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jason Brownlee, "Time Series Prediction with LSTM ~", URL, https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras,(2016.07.21.)*
Pilar Gomez-Gil, "On the use of Long Short Term Memory neural networks for time series prediction", IEEE CIS, URL, http://ccc.inaoep.mx/~pgomez/conferences/PggISCI14.pdf,(2014.10.29.)*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111769844A (en) * 2020-06-24 2020-10-13 中国电子科技集团公司第三十六研究所 Single-channel co-channel interference elimination method and device

Similar Documents

Publication Publication Date Title
CN107431527A (en) Use autonomous vehicle closed-loop optimization wireless network
US20100256961A1 (en) Robust uninhabited air vehicle active missions
US20230079581A1 (en) System, device, method and program that predict communication quality
US20220248237A1 (en) Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions
US10425954B2 (en) Method and system for communication link prediction in distributed robotic networks
US11586203B2 (en) Method for training a central artificial intelligence module
CN109769280B (en) WIFI intelligent prediction switching method based on machine learning
JP2021083091A (en) Method for relating user equipment in cellular network through multi-agent reinforced learning
CN112347658B (en) Reliability design method and system for feed link of low-orbit satellite communication system
US11184232B2 (en) Radio frequency (RF) communication system providing enhanced RF equipment configuration updates for mobile vehicles based upon reward matrices and related methods
US11095360B2 (en) Radio frequency (RF) communication system providing enhanced mobile vehicle positioning based upon reward matrices and related methods
KR102127142B1 (en) Adaptive power control method on CDL system
US11751076B2 (en) Operation of sectorized communications from aerospace platforms using reinforcement learning
WO2022097270A1 (en) Learning method, wireless quality estimation method, learning device, wireless quality estimation device, and program
CN111381499A (en) Internet-connected aircraft self-adaptive control method based on three-dimensional space radio frequency map learning
KR101888584B1 (en) CDL system based adaptive power control and method thereof
Ferreira et al. Multi-Objective Reinforcement Learning for Cognitive Radio--Based Satellite Communications
Fontanesi et al. A transfer learning approach for UAV path design with connectivity outage constraint
CN116009590B (en) Unmanned aerial vehicle network distributed track planning method, system, equipment and medium
CN116663644A (en) Multi-compression version Yun Bianduan DNN collaborative reasoning acceleration method
KR20200122834A (en) Method and apparatus for controlling the movement of real object using an intelligent agent learned in a virtual environment
CN115776638A (en) Intelligent optimization method and system for safety rate of relay system of unmanned aerial vehicle
Pokhrel et al. Data-driven satellite communication and control for future iot: Principles and opportunities
CN116506863A (en) Decision optimization method, decision optimization device, electronic equipment and readable storage medium
Möllerstedt et al. Model Based Residual Policy Learning with Applications to Antenna Control

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant