KR102042260B1 - 인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치 - Google Patents

인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치 Download PDF

Info

Publication number
KR102042260B1
KR102042260B1 KR1020180043808A KR20180043808A KR102042260B1 KR 102042260 B1 KR102042260 B1 KR 102042260B1 KR 1020180043808 A KR1020180043808 A KR 1020180043808A KR 20180043808 A KR20180043808 A KR 20180043808A KR 102042260 B1 KR102042260 B1 KR 102042260B1
Authority
KR
South Korea
Prior art keywords
frequency band
node
broadband
sensing information
calculating
Prior art date
Application number
KR1020180043808A
Other languages
English (en)
Other versions
KR20190120518A (ko
Inventor
박휘성
최증원
이광억
박민호
노봉수
음수빈
한철희
유상조
최익수
장성진
최재각
서명환
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020180043808A priority Critical patent/KR102042260B1/ko
Publication of KR20190120518A publication Critical patent/KR20190120518A/ko
Application granted granted Critical
Publication of KR102042260B1 publication Critical patent/KR102042260B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks

Abstract

본 발명은 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크(Cognitive Radio Network)에서의 주파수 대역 선택 방법에 있어서, 상기 제1 노드와 상기 복수 개의 제2 노드가 광대역 신호를 수신하고, 상기 수신되는 광대역 신호를 기초로 검출된 광대역 센싱 정보를 상기 복수 개의 제2 노드가 상기 제1 노드로 전송하는 단계; 상기 제1 노드가, 상기 전송된 광대역 센싱 정보를 기초로 효용 함수를 계산하는 단계; 상기 제1 노드가, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 추출하는 단계; 및 상기 제1 노드가, 상기 전송된 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 히스토리 데이터(history data)를 계산하여 정밀 센싱을 위한 주파수 대역을 선택하는 단계를 포함할 수 있다.

Description

인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치 {METHOD AND APPARATUS FOR SELECTING FREQUENCY BAND IN COGNITIVE RADIO NETWORK}
본 발명은 인지 무선 네트워크에서의 주파수 대역 선택 기술에 관한 것이다.
인지 무선 기술은 특정 주파수에 대한 권한을 가진 주 사용자(primary user)가 이를 사용하지 않아 발생하는 유휴 대역을 해당 주파수에 대한 권한이 없는 부 사용자(secondary user)가 기회적으로 사용할 수 있도록 하는 기술이다.
이러한 기술을 사용하는 네트워크에서 어느 지역에 하나의 헤드 노드(head node)와 복수 개의 멤버 노드(member node)가 존재하여 이들이 하나의 클러스터 그룹(cluster group)을 형성할 때, 해당 그룹에서 수행하는 스펙트럼 센싱은 넓은 대역을 한번에 센싱하는 광대역 센싱(wideband sensing)과 광대역 센싱 이후 특정 주파수 범위에 대해 보다 정밀한 센싱을 수행하는 협대역 정밀 센싱(fine sensing)의 두 단계로 구분할 수 있다.
광대역 센싱의 방법으로는 FFT(Fast Fourier Transform)와 같은 에너지 감지 기술을 이용한 감지 알고리즘이 사용된다. 정밀 센싱은 각 무선 기기의 로컬 광대역 센싱 정보를 기반으로 특정 주파수 대역에 대해 좀 더 세밀한 스펙트럼 센싱을 수행한다.
이때, 정밀 센싱 수행을 위한 대역을 선택할 경우에 최적의 주파수 대역을 선택하기 위한 최적화 기술이 필요하다.
한국등록특허 10-1197495호, 인지 무선 네트워크에서 채널의 임의성을 이용한 채널 선택 방법 및 시스템, 2012.10.30 등록
본 발명의 실시예에서는, 인지 무선 네트워크 환경에서 부 사용자가 속하는 클러스터 그룹의 헤드 노드와 각각의 멤버 노드가 광대역 센싱 후 정밀 센싱을 수행할 최적의 주파수 대역을 선택하는 기술을 제공하고자 한다.
또한, 주파수 대역을 선택하기 위해 각 노드의 광대역 센싱 결과를 헤드 노드에게 전송하는 과정에서 전송 시간과 전송량을 최소화하는 기술을 제공하고자 한다.
본 발명이 해결하고자 하는 과제는 상기에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재들로부터 본 발명이 속하는 통상의 지식을 가진 자에 의해 명확하게 이해될 수 있을 것이다.
본 발명의 실시예에 따르면, 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크(Cognitive Radio Network)에서의 주파수 대역 선택 방법에 있어서, 상기 제1 노드와 상기 복수 개의 제2 노드가 광대역 신호를 수신하고, 상기 수신되는 광대역 신호를 기초로 검출된 광대역 센싱 정보를 상기 복수 개의 제2 노드가 상기 제1 노드로 전송하는 단계; 상기 제1 노드가, 상기 전송된 광대역 센싱 정보를 기초로 효용 함수를 계산하는 단계; 상기 제1 노드가, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 추출하는 단계; 및 상기 제1 노드가, 상기 전송된 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 히스토리 데이터(history data)를 계산하여 정밀 센싱을 위한 주파수 대역을 선택하는 단계를 포함하는 인지 무선 네트워크에서의 주파수 대역 선택 방법을 제공할 수 있다.
여기서, 상기 광대역 센싱 정보는, 광대역 센싱이 가능한 주파수 대역을 이진수(binary) 벡터로 변환한 정보일 수 있다.
또한, 상기 효용 함수를 계산하는 단계는, 상기 이진수 벡터로 변환한 정보를 합산하여 상기 클러스터 단위에서 공통으로 사용 가능한 주파수 빈(frequency bin)을 추출하는 단계; 및 슬라이딩 윈도우(sliding window) 기법을 사용하여 상기 결정된 주파수 빈으로 상기 광대역 센싱 정보를 그룹핑하는 단계를 포함할 수 있다.
또한, 상기 후보 주파수 대역은, 상기 효용 함수를 계산한 결과가 임계값 이상인 대역일 수 있다.
또한, 상기 정밀 센싱을 위한 주파수 대역을 선택하는 단계는, 상기 후보 주파수 대역의 각각의 주파수 빈에 대해 상기 히스토리 데이터를 계산하는 단계; 및 상기 히스토리 데이터를 계산한 결과를 기초로 선형 회귀(linear regression) 기법을 적용하여 상기 정밀 센싱을 위한 주파수 대역을 예측하는 단계를 포함할 수 있다.
또한, 상기 정밀 센싱을 위한 주파수 대역을 선택한 후 상기 선택된 주파수 대역을 상기 복수 개의 제2 노드로 전송하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따르면, 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크에서의 주파수 대역 선택 장치에 있어서, 상기 제1 노드와 상기 복수 개의 제2 노드가 수신한 광대역 신호를 기초로 검출된 광대역 센싱 정보를 저장하는 데이터 메모리부; 상기 광대역 센싱 정보를 기초로 광대역의 사용 가능 비율로 수치화환 효용 함수를 상기 제1 노드에서 계산하고, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 상기 제1 노드에서 추출하는 효용 함수 계산부; 및 상기 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 정밀 센싱을 위한 주파수 대역을 상기 제1 노드에서 선택하는 대역 선택부를 포함하는 인지 무선 네트워크에서의 주파수 대역 선택 장치를 제공할 수 있다.
여기서, 상기 데이터 메모리부는, 광대역 센싱을 통한 광대역의 사용 가능한 상태를 포함하는 현재의 광대역 센싱 정보와 이전의 광대역 센싱을 통해 얻은 일정량의 과거 광대역 센싱 정보를 저장할 수 있다.
또한, 상기 효용 함수 계산부는, 상기 광대역의 사용 가능 비율을 슬라이딩 윈도우 기법을 사용하여 상기 효용 함수를 계산하여 상기 후보 주파수 대역을 추출할 수 있다.
또한, 상기 대역 선택부는, 상기 후보 주파수 대역에 대해 상기 데이터 메모리부로부터 수신된 과거 광대역 센싱 정보와 선형 회귀 기법을 사용하여 상기 정밀 센싱을 위한 주파수 대역을 선택할 수 있다.
또한, 상기 제1 노드는 헤드 노드(head node)이고, 상기 복수 개의 제2 노드는 멤버 노드(member node)일 수 있다.
본 발명의 실시예에 의하면, 인지 무선 네트워크의 부 사용자가 속하는 클러스터 그룹 내의 모든 노드의 로컬 광대역 센싱을 통해 얻은 정보, 즉 광대역의 사용 가능한 상태에 대한 정보를 헤드 노드가 취합하여 광대역 상태에 대한 신뢰성을 높이고, 각 멤버 노드가 로컬 광대역 센싱 정보를 헤드 노드에게 전송하는 과정에서 이진수의 정보로 변환된 데이터를 사용함으로써, 데이터 전송에 소요되는 전송시간 및 전송량을 최소화 할 수 있다.
또한, 현재 광대역의 사용 가능한 비율을 계산하는 과정에서 슬라이딩 윈도우 기법을 사용하여 동적으로 계산함으로써, 효용 함수의 성능을 최대화 할 수 있고 효용 함수에 사용되는 가중치 값을 조절하여 현재 광대역 상태에서 선호하는 변수에 대한 값을 최대화 할 수 있다.
또한, 정밀 센싱을 위한 대역을 선택하는 과정에서 현재의 광대역 상태를 통해 추출한 대역의 과거 광대역 센싱 데이터와 선형 회귀 방법을 통해 최적의 대역을 선택하여 효율적으로 정밀 센싱을 수행할 수 있다.
도 1은 본 발명의 실시예에 따른 주파수 대역 선택 기술이 적용되는 인지 무선 네트워크, 예컨대 클러스터 기반 인지 무선 애드혹 네트워크를 예시적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 인지 무선 네트워크에서의 주파수 대역 선택 장치에 대한 블록도이다.
도 3은 본 발명의 실시예에 따른 인지 무선 네트워크에서의 주파수 대역 선택 방법을 예시적으로 설명하는 타이밍도이다.
도 4는 도 3의 헤드 노드(10)와 멤버 노드(20)가 광대역 센싱 정보를 검출하는 과정을 상세히 설명하는 흐름도이다.
도 5는 도 3의 헤드 노드(10)가 정밀 센싱을 위한 주파수 대역을 선택하는 과정을 상세히 설명하는 흐름도이다.
도 6은 도 3의 헤드 노드(10)가 정밀 센싱을 위한 주파수 대역을 선택하는 계산 과정을 예시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 실시예에서는, 인지 무선 네트워크 환경에서 부 사용자가 속하는 클러스터 그룹의 헤드 노드와 각각의 멤버 노드가 광대역 센싱 후 정밀 센싱을 수행할 최적의 주파수 대역을 선택하는 기술을 제공하고자 하며, 구체적으로 주파수 대역을 선택하기 위해 각 노드의 광대역 센싱 결과를 헤드 노드에게 전송하는 과정에서 이진수(binary) 정보로 변환하여 전송 시간과 전송량을 최소화하는 기술을 제공하고자 한다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 주파수 대역 선택 기술이 적용되는 인지 무선 네트워크, 예컨대 클러스터 기반 인지 무선 애드혹 네트워크를 예시적으로 나타낸 도면이다.
도 1에 도시한 바와 같이, 클러스터 기반 인지 무선 애드혹 네트워크는, 계층적 구조의 네트워크 필드를 클러스터 그룹(A, B, C)으로 구분하고, 각각의 클러스터 그룹(A, B, C)은 단일 헤드 노드와 복수 개의 멤버 노드들로 구성될 수 있다. 예컨대, 도 1에서 클러스터 그룹(A)은 하나의 헤드 노드(10)와 세 개의 멤버 노드(20, 22, 24)로 구성될 수 있다. 예를 들어, 주 사용자가 속하는 하나의 헤드 노드와 멤버 노드로 구성된 클러스터 그룹, 부 사용자가 속하는 하나의 헤드 노드와 멤버 노드로 구성된 클러스 그룹으로 가정할 수 있다.
헤드 노드(10)와 멤버 노드(20, 22, 24)는 모두 광대역 신호를 수신할 수 있으며, 멤버 노드(20, 22, 24)는 광대역 신호를 수신한 후 수신 신호에 대한 샘플링, FFT(Fast Fourier Transform) 등을 수행하여 광대역 센싱 정보를 검출하고, 검출된 광대역 센싱 정보를 헤드 노드(10)로 전송할 수 있다. 헤드 노드(10)는 멤버 노드(20, 22, 24)로부터 전송된 광대역 센싱 정보를 기초로 정밀 센싱을 위한 주파수 대역을 선택할 수 있다. 이때, 클러스터 그룹(A) 내의 헤드 노드(10)는 센서 네트워크의 정보, 예를 들어 전력 소모량에 따라 변경될 수 있으므로, 클러스터 그룹(A) 내의 헤드 노드(10)와 멤버 노드(20, 22, 24)들 모두는 네트워크 정보를 공유할 수 있다. 헤드 노드(10)가 수행하는 정밀 센싱을 위한 주파수 대역을 선택하는 구체적인 내용은 하기에 보다 상세히 기술하기로 한다.
도 2는 본 발명의 실시예에 따른 인지 무선 네트워크에서의 주파수 대역 선택 장치(100)에 대한 블록도이다.
도 2에 도시한 바와 같이, 본 발명의 실시예에 따른 주파수 대역 선택 장치(100)는, 데이터 메모리부(110), 효용 함수 계산부(120), 대역 선택부(130) 및 정밀 센싱부(140)를 포함할 수 있다.
데이터 메모리부(110)는 인지 무선 네트워크의 부 사용자가 속하는 클러스터 그룹의 헤드 노드(10)와 각 멤버 노드(20, 22, 24)에 공통으로 포함되는 구성 요소로써, 각각의 노드(10, 20, 22, 24)에서 검출된 일정량의 광대역 센싱 정보(111, 112, 113, 114)를 저장하고, 헤드 노드(10)가 효용 함수를 계산하기 위한 k번째 광대역 센싱 정보(광대역 센싱 결과 데이터)(111)를 전송할 수 있다.
효용 함수 계산부(120)는 부 사용자 그룹 내의 헤드 노드(10)에 포함되는 구성 요소로써, 각 노드의 데이터 메모리부(110)에서 전송된 k번째 광대역 센싱 정보(111)을 이용하여 효용 함수를 계산하고, 정밀 센싱을 위한 후보 주파수 대역을 추출할 수 있다.
대역 선택부(130)는 부 사용자 그룹 내의 헤드 노드(10)에 포함되는 구성 요소로써, 데이터 메모리부(110)에 저장된 과거의 광대역 센싱 정보들, 예를 들어 광대역 센싱 정보(112, 113, 114)와, 효용 함수 계산부(120)로부터 추출된 후보 주파수 대역 정보를 수신하여 해당 후보 주파수 대역에 대한 히스토리 데이터(history data)를 계산할 수 있다. 또한, 대역 선택부(130)는 계산된 히스토리 데이터를 사용하여 기계 학습을 통한 예측 기법으로 정밀 센싱을 위한 최적의 주파수 대역을 선택(예측)할 수 있다. 여기서, 기계 학습을 통한 예측 기법은, 예를 들어 선형 회귀(linear regression) 기법이 적용될 수 있다.
정밀 센싱부(140)는 대역 선택부(130)에서 선택된 주파수 대역으로 정밀 센싱을 수행할 수 있다. 이러한 정밀 센싱부(140)는 인지 무선 네트워크의 부 사용자 그룹의 헤드 노드(10)와 각 멤버 노드(20, 22, 24)에 공통으로 포함될 수 있다.
이하, 상술한 구성과 함께, 본 발명의 실시예에 따른 인지 무선 네트워크에서의 주파수 대역 선택 과정을 도 3 내지 도 6을 참조하면서 보다 구체적으로 설명하기로 한다.
도 3은 본 발명의 실시예에 따른 인지 무선 네트워크에서의 주파수 대역 선택 방법을 예시적으로 설명하는 타이밍도이다. 도 3의 타이밍도는 도 1의 클러스터 단위로 구성된 인지 무선 네트워크에서, 특정 클러스터 그룹, 예를 들어 클러스터 그룹(A)의 헤드 노드(10)와 임의의 멤버 노드, 예를 들어 멤버 노드(20) 간에 수행되는 주파수 대역 선택 방법을 예시적으로 설명하고 있다. 이러한 클러스터 그룹(A) 내의 헤드 노드(10)와 멤버 노드(20)는 예시일 뿐이며, 헤드 노드(10)가 멤버 노드로 변경될 수 있고, 멤버 노드(20)가 다른 멤버 노드 또는 헤드 노드로도 변경될 수 있다. 이러한 사항은 본 발명의 기술 분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있는 바, 구체적인 설명은 생략하기로 한다.
도 3에 도시한 바와 같이, 헤드 노드(10) 및 멤버 노드(20)로 광대역 신호가 수신되면(S100-1, S100-2), 헤드 노드(10)와 멤버 노드(20)는 수신된 광대역 신호를 기초로 광대역 센싱 정보를 검출할 수 있다(S102-1, S102-2). 이러한 광대역 센싱 정보는 인지 무선 네트워크에서 광대역 센싱이 가능한 주파수 대역을 이진수 벡터로 변환한 정보로서, 이러한 이진수 벡터로 변환하는 과정을 도 4를 참조하여 보다 상세히 설명하기로 한다.
도 4는 도 3의 헤드 노드(10)와 멤버 노드(20)가 광대역 센싱 정보를 검출하는 과정을 상세히 설명하는 흐름도이다.
도 4에 도시한 바와 같이, 헤드 노드(10)와 멤버 노드(20)는 현재 광대역에 대한 신호를 수신할 수 있다(S120).
이후, 수신한 신호에 대해 샘플링을 수행하고(S122), 샘플링된 신호에 대해 광대역 FFT를 수행할 수 있다(S124).
이때, FFT 수행에 따른 결과는 다음 [수학식 1]로 정의될 수 있다.
Figure 112018037427433-pat00001
이 경우,
Figure 112018037427433-pat00002
는 멤버 노드 i에서 수행한 k번째 광대역 센싱 시간에서의 N-point FFT의 결과 값을 의미하고, [수학식 1]과 같이 광대역 FFT 빈(bin)을 추출한 후에 모든 노드는 각 노드에서 사용 가능한 빈을 다음 [수학식 2]를 이용하여 이진수의 벡터로 판별할 수 있다.
Figure 112018037427433-pat00003
이때,
Figure 112018037427433-pat00004
는 멤버 노드 i에서 k번째 수행한 n번째 빈의 사용가능 여부를 의미하고 Th fft 는 빈의 사용가능 여부를 판별하는데 사용되는 임계값이다. 또한, Th fft 는 FFT 빈의 값이 Th fft 이하일 때, 실제 주 사용자가 사용하지 않을 확률(H 0 )이 시스템 설계 요구 조건인 P req 이상이 되도록 다음 [수학식 3]과 같이 설정되어야 한다(S126).
Figure 112018037427433-pat00005
멤버 노드(20)는 도 4의 과정을 수행한 후 헤드 노드(10)에게 자신의 광대역 센싱 결과를 전송한다(S104). 이후, 헤드 노드(10)는 정밀 센싱을 위한 주파수 대역을 선택하고(S106, S108, S110, S112), 선택된 주파수 대역에 대한 정보를 멤버 노드(20)에게 전송할 수 있다(S114). 멤버 노드(20)는 해당 정보(주파수 대역 정보)를 수신하여 정밀 센싱을 수행할 수 있다(S118).
이에 대해 구체적으로 살펴보면, 멤버 노드(20)는 단계(S102-1, S102-2)에서 검출된 광대역 센싱 정보를 헤드 노드(10)로 전송할 수 있다(S104). 본 발명의 실시예에서는 상술한 바와 같이 이진수 벡터로 변환된 광대역 센싱 정보를 멤버 노드(20)에서 헤드 노드(10)로 전송할 수 있기 때문에, 광대역 센싱 정보 전송에 소요되는 전송 시간과 전송량을 최소할 수 있다.
멤버 노드(20)로부터 헤드 노드(10)로 광대역 센싱 정보가 전송되면, 헤드 노드(10)는 전송된 광대역 센싱 정보를 기초로 효용 함수를 계산하고(S106), 계산된 효용 함수를 기초로 후보 주파수 대역을 추출할 수 있다(S108). 또한, 헤드 노드(10)는 멤버 노드(20)로부터 전송된 광대역 센싱 정보와, 추출된 후보 주파수 대역을 기초로 히스토리 데이터(history data)를 계산하고(S110), 계산된 히스토리 데이터를 기초로 정밀 센싱을 위한 주파수 대역을 선택할 수 있다(S112). 이러한 헤드 노드(10)의 정밀 센싱을 위한 주파수 대역 선택 과정을 하기 도 5를 참조하여 상세히 설명하기로 한다.
도 5는 도 3의 헤드 노드(10)가 정밀 센싱을 위한 주파수 대역을 선택하는 과정을 상세히 설명하는 흐름도이다.
도 5에 도시한 바와 같이, 헤드 노드(10)는 멤버 노드(20)로부터 이진수 벡터로 이루어진 광대역 센싱 결과를 수신하고(S128), 수신된 광대역 센싱 결과에서 부 사용자가 속하는 클러스터 그룹 내의 모든 노드, 예컨대 헤드 노드(10)와 멤버 노드(20, 22, 24)의 이진수 벡터를 AND 방식을 사용하여 부 사용자가 속하는 클러스터 그룹 내에서 공통으로 사용 가능한 FFT 빈 목록(
Figure 112018037427433-pat00006
)을 추출한다(S130). 이는 다음 [수학식 4]와 같이 표현될 수 있다.
Figure 112018037427433-pat00007
여기서,
Figure 112018037427433-pat00008
는 모든 멤버 노드(20, 22, 24)의 결과 값을 이용하여 각 FFT 빈의 사용가능 유무를 판단한 값이고, I는 부 사용자가 속하는 클러스터 그룹 내의 모든 노드, 예컨대 헤드 노드(10)와 멤버 노드(20, 22, 24)의 총 개수를 의미한다.
헤드 노드(10)는 부 사용자 그룹 내에서 공통으로 사용 가능한 빈을 결정한 후에, 슬라이딩 윈도우(Sliding window) 기법을 사용하여 광대역에 대해 그룹화를 수행한다(S132). 그룹화를 수행할 때 사용되는 그룹 크기는 W로 정의되고, 해당 그룹 크기 값은 정밀 센싱을 위한 주파수 대역의 크기를 의미한다.
또한, 헤드 노드(10)는 각 주파수 대역 그룹의 사용가능 유무를 나타내는 사용가능 비율을 수치로써 판단할 수 있는 두 가지 함수(f k ab , f k mcb )를 계산할 수 있다(S134, S136).
여기서, f k ab 는
Figure 112018037427433-pat00009
벡터의 FFT 빈 포인트 범위의 W 크기 대역에 대해 해당 값이 1인(부 사용자 시스템에서 사용 가능한 광대역 센싱 FFT 빈) 빈의 수를 합한 값이다. 또한, f k mcb 은
Figure 112018037427433-pat00010
벡터의 FFT 빈 포인트 범위의 W 크기 대역에 대해 1인 값이 연속으로 나오는 횟수의 최대값을 의미한다. 이와 같은 두 가지의 함수를 이용하여 다음 [수학식 5]와 같은 효용 함수가 정의될 수 있다(S138).
Figure 112018037427433-pat00011
이때, n 빈 포인트에서의 효용 값의 범위는
Figure 112018037427433-pat00012
을 의미한다. 또한, 최대의 효용 값은 항상 정밀 센싱을 위한 주파수 대역의 크기인 W이다.
헤드 노드(10)는 이러한 [수학식 5]을 이용하여 각 주파수 대역 그룹의 효용 값을 계산한다. [수학식 5]와 같이 정의된 효용 함수는 현재 광대역의 상태(사용가능 유무)를 수치로 나타낸 것이다.
상기의 효용 값을 이용하여, 효용 값이 특정 효용 임계값(
Figure 112018037427433-pat00013
)을 초과하는 대역을 정밀 센싱을 위한 후보 주파수 대역(
Figure 112018037427433-pat00014
)으로 추출할 수 있다(S140). 이러한 후보 주파수 대역(
Figure 112018037427433-pat00015
)은 다음 [수학식 6]과 같이 정의될 수 있다.
Figure 112018037427433-pat00016
이때, 정밀 센싱 대역 후보들의 실제 대역 크기는
Figure 112018037427433-pat00017
가 n번째 빈에서 시작한다면,
Figure 112018037427433-pat00018
을 의미한다.
헤드 노드(10)는 데이터 메모리부(110)에 저장되어 있는 히스토리 데이터를 사용하여 상기 추출된 후보 주파수 대역에 대해 대역 별로 이전 L시간 동안 각각의 빈에 대해 사용 가능한 FFT 빈 값(
Figure 112018037427433-pat00019
)을 계산할 수 있다(S142). 이는 다음 [수학식 7]과 같이 표현될 수 있다.
Figure 112018037427433-pat00020
이때,
Figure 112018037427433-pat00021
는
Figure 112018037427433-pat00022
의
Figure 112018037427433-pat00023
번째 FFT 빈을 의미한다. 또한, 헤드 노드(10)는 [수학식 7]의
Figure 112018037427433-pat00024
원소 값의 평균 값을 계산하며, 해당 값은
Figure 112018037427433-pat00025
로 표기될 수 있다(S144).
헤드 노드(10)는 상기의 과정을 수행한 후 선형 회귀 기법을 이용하여
Figure 112018037427433-pat00026
번째 센싱 시점에 예상되는 각 주파수 대역의 값(
Figure 112018037427433-pat00027
)을 추정하고(S146), 최대값을 갖는 주파수 대역을 최종적으로 정밀 센싱을 위한 주파수 대역으로 선택할 수 있다(S148).
여기서, 선형 회귀를 위해 수행해야 하는 절차는 가설(hypothesis) 성립과 검증이다. 선형 가설(linear hypothesis)은 데이터의 범위를 지정하여 예측하는 방법으로써 본 발명의 실시예에 적용하기 위해 다음 [수학식 8]과 같이 정의한다.
Figure 112018037427433-pat00028
선형 회귀의 목표는 입력 데이터에 따라 가중치(
Figure 112018037427433-pat00029
)와 바이어스(
Figure 112018037427433-pat00030
)의 값을 조절하여 미래의 데이터를 잘 예측할 수 있는 선형 함수를 찾는 것이다. [수학식 8]을 이용하여 얻어진 선형 함수에서 실제 데이터와 얼마나 차이가 있는지 확인하는 검증은 비용(cost) 함수를 사용할 수 있으며, 이러한 비용 함수는 다음 [수학식 9]와 같이 정의될 수 있다.
Figure 112018037427433-pat00031
비용 함수를 최소화하는 값을 계산하면, 각각 다음 [수학식 10] 및 [수학식 11]과 같이 가중치 및 바이어스로 결정될 수 있다.
Figure 112018037427433-pat00032
Figure 112018037427433-pat00033
이와 같이, 헤드 노드(10)에서 상술한 바와 같은 선형 회귀 기법을 사용한 예측 기법으로 정밀 센싱을 위한 주파수 대역이 선택되면, 헤드 노드(10)는 해당 주파수 대역에 관한 정보를 멤버 노드(20)에게 전송할 수 있다(S150, S114).
주파수 대역에 관한 정보가 멤버 노드(20)에게 전송되면, 멤버 노드(20)는 해당 주파수 대역에 대해 정밀 센싱을 수행할 수 있다(S152, S116). 이때, 선택된 주파수 대역은 헤드 노드(10)에도 적용될 수 있으며, 헤드 노드(10)는 멤버 노드(20)와 마찬가지로 선택한 주파수 대역에 대해 정밀 센싱을 수행할 수 있다(S118).
한편, 도 6은 도 3의 헤드 노드(10)가 정밀 센싱을 위한 주파수 대역을 선택하는 계산 과정을 보다 구체적으로 예시하는 도면이다.
도 6에 도시한 바와 같이, 정밀 센싱을 위한 주파수 대역의 크기(W)가 5인 경우에 공통으로 사용 가능한 FFT 빈(
Figure 112018037427433-pat00034
)의 값이 도 6과 같은 값을 가지면, 헤드 노드(10)는 f k ab 과 f k mcb 를 각각 계산하고, [수학식 5]를 사용하여 각 주파수 대역의 그룹에 대해 효용 값을 계산한다.
헤드 노드(10)는 효용 값이 효용 임계값(
Figure 112018037427433-pat00035
)을 초과하는 주파수 대역을 정밀 센싱을 위한 후보 주파수 대역(
Figure 112018037427433-pat00036
)으로 추출하고, 해당 주파수 대역에 대해 [수학식 7]의 원소 값을 계산할 수 있다.
이후, 해당 원소 값의 평균 값(
Figure 112018037427433-pat00037
)을 계산하고, 이전의 L번째의 히스토리 데이터를 기반으로 선형 회귀 기법을 적용한 예측 기법을 사용하여 최대값을 갖는 주파수 대역을 정밀 센싱을 수행할 최적의 주파수 대역으로 선택할 수 있다.
이상 설명한 바와 같은 본 발명의 실시예에 의하면, 인지 무선 네트워크 환경에서 부 사용자 그룹의 헤드 노드와 각각의 멤버 노드가 광대역 센싱 후 정밀 센싱을 수행할 최적의 주파수 대역을 선택하는 기술을 구현하였다. 구체적으로, 본 발명의 실시예에서는 주파수 대역을 선택하기 위해 각 노드의 광대역 센싱 결과를 헤드 노드에게 전송하는 과정에서 광대역 센싱 정보를 이진수 정보로 변환하여 전송 시간과 전송량을 최소화할 수 있으며, 인지 무선 애드혹 네트워크에서 광대역 사용가능 상태를 고려한 효용 함수를 계산하고, 과거 데이터와 선형 회귀 기법을 통해 정밀 센싱을 위한 최적의 주파수 대역을 선택하는 기술을 구현하였다.
한편, 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체(또는 메모리) 등에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체(또는 메모리)에 저장된 인스트럭션들은 블록도의 각 블록에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고, 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 적어도 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
A, B, C: 클러스터 그룹
10: 헤드 노드
20, 22, 24: 멤버 노드
100: 주파수 대역 선택 장치
110: 데이터 메모리부
120: 효용 함수 계산부
130: 대역 선택부
140: 정밀 센싱부

Claims (13)

  1. 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크(Cognitive Radio Network)에서의 주파수 대역 선택 방법에 있어서,
    상기 제1 노드와 상기 복수 개의 제2 노드가 광대역 신호를 수신하고, 상기 수신되는 광대역 신호를 기초로 검출된 광대역 센싱 정보를 상기 복수 개의 제2 노드가 상기 제1 노드로 전송하는 단계;
    상기 제1 노드가, 상기 전송된 광대역 센싱 정보를 기초로 효용 함수를 계산하는 단계;
    상기 제1 노드가, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 추출하는 단계; 및
    상기 제1 노드가, 상기 전송된 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 히스토리 데이터(history data)를 계산하여 정밀 센싱을 위한 주파수 대역을 선택하는 단계를 포함하고,
    상기 광대역 센싱 정보는,
    광대역 센싱이 가능한 주파수 대역을 이진수(binary) 벡터로 변환한 정보인
    인지 무선 네트워크에서의 주파수 대역 선택 방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 효용 함수를 계산하는 단계는,
    상기 이진수 벡터로 변환한 정보를 합산하여 상기 클러스터 단위에서 공통으로 사용 가능한 주파수 빈(frequency bin)을 추출하는 단계; 및
    슬라이딩 윈도우(sliding window) 기법을 사용하여 상기 추출된 주파수 빈으로 상기 광대역 센싱 정보를 그룹핑하는 단계를 포함하는
    인지 무선 네트워크에서의 주파수 대역 선택 방법.
  4. 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크(Cognitive Radio Network)에서의 주파수 대역 선택 방법에 있어서,
    상기 제1 노드와 상기 복수 개의 제2 노드가 광대역 신호를 수신하고, 상기 수신되는 광대역 신호를 기초로 검출된 광대역 센싱 정보를 상기 복수 개의 제2 노드가 상기 제1 노드로 전송하는 단계;
    상기 제1 노드가, 상기 전송된 광대역 센싱 정보를 기초로 효용 함수를 계산하는 단계;
    상기 제1 노드가, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 추출하는 단계; 및
    상기 제1 노드가, 상기 전송된 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 히스토리 데이터(history data)를 계산하여 정밀 센싱을 위한 주파수 대역을 선택하는 단계를 포함하고,
    상기 후보 주파수 대역은,
    상기 효용 함수를 계산한 결과가 임계값 이상인 대역인
    인지 무선 네트워크에서의 주파수 대역 선택 방법.
  5. 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크(Cognitive Radio Network)에서의 주파수 대역 선택 방법에 있어서,
    상기 제1 노드와 상기 복수 개의 제2 노드가 광대역 신호를 수신하고, 상기 수신되는 광대역 신호를 기초로 검출된 광대역 센싱 정보를 상기 복수 개의 제2 노드가 상기 제1 노드로 전송하는 단계;
    상기 제1 노드가, 상기 전송된 광대역 센싱 정보를 기초로 효용 함수를 계산하는 단계;
    상기 제1 노드가, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 추출하는 단계; 및
    상기 제1 노드가, 상기 전송된 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 히스토리 데이터(history data)를 계산하여 정밀 센싱을 위한 주파수 대역을 선택하는 단계를 포함하고,
    상기 정밀 센싱을 위한 주파수 대역을 선택하는 단계는,
    상기 후보 주파수 대역의 각각의 주파수 빈에 대해 상기 히스토리 데이터를 계산하는 단계; 및
    상기 히스토리 데이터를 계산한 결과를 기초로 선형 회귀(linear regression) 기법을 적용하여 상기 정밀 센싱을 위한 주파수 대역을 예측하는 단계를 포함하는
    인지 무선 네트워크에서의 주파수 대역 선택 방법.
  6. 삭제
  7. 제 1 항 또는 제 3 항 또는 제 4 항 또는 제 5 항 중 어느 한 항의 상기 인지 무선 네트워크에서의 주파수 대역 선택 방법을 수행하는 명령어를 포함하는 프로그램이 기록된 기록매체.
  8. 제 1 항 또는 제 3 항 또는 제 4 항 또는 제 5 항 중 어느 한 항의 상기 인지 무선 네트워크에서의 주파수 대역 선택 방법을 수행하는 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램.
  9. 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크에서의 주파수 대역 선택 장치에 있어서,
    상기 제1 노드와 상기 복수 개의 제2 노드가 수신한 광대역 신호를 기초로 검출된 광대역 센싱 정보를 저장하는 데이터 메모리부;
    상기 광대역 센싱 정보를 기초로 광대역의 사용 가능 비율로 수치화환 효용 함수를 상기 제1 노드에서 계산하고, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 상기 제1 노드에서 추출하는 효용 함수 계산부; 및
    상기 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 정밀 센싱을 위한 주파수 대역을 상기 제1 노드에서 선택하는 대역 선택부를 포함하고,
    상기 데이터 메모리부는,
    광대역 센싱을 통한 광대역의 사용 가능한 상태를 포함하는 현재의 광대역 센싱 정보와 이전의 광대역 센싱을 통해 얻은 일정량의 과거 광대역 센싱 정보를 저장하는
    인지 무선 네트워크에서의 주파수 대역 선택 장치.
  10. 삭제
  11. 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크에서의 주파수 대역 선택 장치에 있어서,
    상기 제1 노드와 상기 복수 개의 제2 노드가 수신한 광대역 신호를 기초로 검출된 광대역 센싱 정보를 저장하는 데이터 메모리부;
    상기 광대역 센싱 정보를 기초로 광대역의 사용 가능 비율로 수치화환 효용 함수를 상기 제1 노드에서 계산하고, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 상기 제1 노드에서 추출하는 효용 함수 계산부; 및
    상기 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 정밀 센싱을 위한 주파수 대역을 상기 제1 노드에서 선택하는 대역 선택부를 포함하고,
    상기 효용 함수 계산부는,
    상기 광대역의 사용 가능 비율을 슬라이딩 윈도우 기법을 사용하여 상기 효용 함수를 계산하여 상기 후보 주파수 대역을 추출하는
    인지 무선 네트워크에서의 주파수 대역 선택 장치.
  12. 제1 노드와 복수 개의 제2 노드가 클러스터 단위로 구성된 인지 무선 네트워크에서의 주파수 대역 선택 장치에 있어서,
    상기 제1 노드와 상기 복수 개의 제2 노드가 수신한 광대역 신호를 기초로 검출된 광대역 센싱 정보를 저장하는 데이터 메모리부;
    상기 광대역 센싱 정보를 기초로 광대역의 사용 가능 비율로 수치화환 효용 함수를 상기 제1 노드에서 계산하고, 상기 효용 함수를 계산한 결과를 기초로 후보 주파수 대역을 상기 제1 노드에서 추출하는 효용 함수 계산부; 및
    상기 광대역 센싱 정보와 상기 추출된 후보 주파수 대역을 기초로 정밀 센싱을 위한 주파수 대역을 상기 제1 노드에서 선택하는 대역 선택부를 포함하고,
    상기 대역 선택부는,
    상기 후보 주파수 대역에 대해 상기 데이터 메모리부로부터 수신된 과거 광대역 센싱 정보와 선형 회귀 기법을 사용하여 상기 정밀 센싱을 위한 주파수 대역을 선택하는
    인지 무선 네트워크에서의 주파수 대역 선택 장치.
  13. 삭제
KR1020180043808A 2018-04-16 2018-04-16 인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치 KR102042260B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180043808A KR102042260B1 (ko) 2018-04-16 2018-04-16 인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180043808A KR102042260B1 (ko) 2018-04-16 2018-04-16 인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190120518A KR20190120518A (ko) 2019-10-24
KR102042260B1 true KR102042260B1 (ko) 2019-11-27

Family

ID=68423339

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180043808A KR102042260B1 (ko) 2018-04-16 2018-04-16 인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102042260B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102586761B1 (ko) * 2021-12-21 2023-10-10 숭실대학교 산학협력단 데이터 마이닝과 사례기반 추론을 이용한 지능형 동적 실시간 스펙트럼 자원관리 시스템 및 지능형 동적 실시간 스펙트럼 자원관리 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101615609B1 (ko) 2015-04-20 2016-04-27 한화탈레스 주식회사 호핑 패턴을 활용한 클러스터 기반의 통신 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7860197B2 (en) * 2006-09-29 2010-12-28 Samsung Electro-Mechanics Spectrum-sensing algorithms and methods
KR101171383B1 (ko) * 2010-09-29 2012-08-10 서울대학교산학협력단 인지 무선 센서 네트워크에서 채널 관리 방법
KR101197495B1 (ko) 2010-11-25 2012-11-09 동명대학교산학협력단 인지 무선 네트워크에서 채널의 임의성을 이용한 채널 선택 방법 및 시스템
KR101879930B1 (ko) * 2016-05-03 2018-07-18 인하대학교 산학협력단 인지 무선 네트워크에서 유전자 알고리즘을 이용하여 효율적으로 주파수를 센싱하고 채널을 할당하는 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101615609B1 (ko) 2015-04-20 2016-04-27 한화탈레스 주식회사 호핑 패턴을 활용한 클러스터 기반의 통신 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Tazeen S. Syed et al, "History-Assisted Energy-Efficient Spectrum Sensing for Infrastructure-Based Cognitive Radio Networks", IEEE Trans. on Vehicular Technology, Vol.66, Issue 3, pp.2462-2473 (2017.03.31.) 1부.*

Also Published As

Publication number Publication date
KR20190120518A (ko) 2019-10-24

Similar Documents

Publication Publication Date Title
US11659398B2 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
Nikravesh et al. Mobile network traffic prediction using MLP, MLPWD, and SVM
US11638160B2 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
Pham et al. Spectrum handoff model based on hidden markov model in cognitive radio networks
Oyedare et al. Estimating the required training dataset size for transmitter classification using deep learning
US20170280299A1 (en) Device localization based on a learning model
KR102042260B1 (ko) 인지 무선 네트워크에서의 주파수 대역 선택 방법 및 장치
Qi et al. Channel energy statistics learning in compressive spectrum sensing
Eltholth Forward backward autoregressive spectrum prediction scheme in cognitive radio systems
Lowrance et al. An active and incremental learning framework for the online prediction of link quality in robot networks
Tham et al. Active learning for IoT data prioritization in edge nodes over wireless networks
KR20100008211A (ko) 무선 인지 시스템에서 멀티 유저들을 위한 에너지 검출기반의 협력 채널 센싱 방법
Nair et al. Cooperative spectrum sensing in cognitive radio networks using machine learning techniques
KR102390190B1 (ko) 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치
Wu et al. Performance improvement for machine learning‐based cooperative spectrum sensing by feature vector selection
KR102045992B1 (ko) 다중 그룹 멀티캐스트 시스템의 빔포밍 방법 및 빔포밍 장치
Taha et al. Spectrum sensing for cognitive radio using binary particle swarm optimization
Yao et al. Pre‐processing of incomplete spectrum sensing data in spectrum sensing data falsification attacks detection: a missing data imputation approach
Basumatary et al. Applying classification methods for spectrum sensing in cognitive radio networks: an empirical study
Sánchez-Rodríguez et al. Performance analysis of classification methods for indoor localization in VLC networks
KR101347885B1 (ko) 무선 인지 장치 및 무선 인지 방법
Stavropoulos et al. Optimizing complex event forecasting
Prokopets et al. Comparison of optimization strategies and estimation techniques for radio network planning and optimization problems
Pethunachiyar et al. Fast and accurate primary user detection with machine learning techniques for cognitive radio networks
Praveen et al. SDR implementation of GoF-based spectrum sensing using artificial neural network for cognitive radio

Legal Events

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