KR102211847B1 - System and method for path loss exponent prediction - Google Patents
System and method for path loss exponent prediction Download PDFInfo
- Publication number
- KR102211847B1 KR102211847B1 KR1020180172737A KR20180172737A KR102211847B1 KR 102211847 B1 KR102211847 B1 KR 102211847B1 KR 1020180172737 A KR1020180172737 A KR 1020180172737A KR 20180172737 A KR20180172737 A KR 20180172737A KR 102211847 B1 KR102211847 B1 KR 102211847B1
- Authority
- KR
- South Korea
- Prior art keywords
- path loss
- loss index
- height
- depth map
- building
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Abstract
본 발명은 신경망을 이용한 경로 손실 지수 예측 시스템에 관한 것으로, 복수의 지도를 수집하여 각각을 2차원 깊이 지도로 변환하는 2차원 깊이 지도 생성 모듈, 상기 생성된 2차원 깊이 지도를 기초로 학습 데이터 생성하고, 상기 학습 데이터를 이용하여 경로 손실 지수 예측 신경망 모델을 학습 시키는 학습 모듈 및 상기 학습 모듈에서 학습된 경로 손실 지수 예측 모델을 이용하여 예측 데이터의 경로 손실 지수를 예측하는 경로 손실 지수 예측 모듈을 포함하고, 상기 예측 데이터는, 상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 하는 경로 손실 지수 예측 시스템이다.The present invention relates to a path loss index prediction system using a neural network, a two-dimensional depth map generation module that collects a plurality of maps and converts each to a two-dimensional depth map, and generates learning data based on the generated two-dimensional depth map. And a learning module for training a path loss index prediction neural network model using the training data, and a path loss index prediction module for predicting a path loss index of the predicted data using the path loss index prediction model learned in the learning module. And, the predicted data is a path loss index prediction system, characterized in that any one of a plurality of two-dimensional depth maps generated by the two-dimensional depth map generation module.
Description
본 발명은 경로 손실 지수 추정 시스템 및 방법에 관한 것으로, 2차원 지도를 인공 신경망의 입력으로 이용하여 학습을 통해 경로 손실 지수를 추정하는 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for estimating a path loss index, and to a system and method for estimating a path loss index through learning using a 2D map as an input of an artificial neural network.
전파는 물리적인 특성상 주파수, 전파거리, 안테나 높이, 대기 환경, 건물, 구릉, 산과 같은 지형 지물에 의한 반사(reflection), 회절(diffraction), 산란(scattering) 등의 영향을 받아 매우 복잡한 경로를 통해 전달되고, 이에 따라 발생하는 전파의 손실은 복잡한 비선형적인 특성을 갖는다. Radio waves are physically affected by frequency, propagation distance, antenna height, atmospheric environment, reflection, diffraction, and scattering caused by topographic features such as buildings, hills, and mountains. The propagation loss that is transmitted and thus generated has a complex nonlinear characteristic.
여기서 경로 손실 지수(Pathloss Exponent)란, 전파의 수신 신호 세기가 거리에 따라 감쇄하는 정도를 의미한다.Here, the pathloss exponent refers to the degree to which the intensity of a received signal of a radio wave attenuates according to a distance.
특히 전파의 수신 신호 세기를 기반으로 하는 위치 추정을 수행하는 경우, 정확한 경로 손실 지수를 아는 것이 중요하다.In particular, when performing position estimation based on the received signal strength of radio waves, it is important to know an accurate path loss index.
이러한 전파의 경로 손실 지수(또는 전파 손실 지수)를 모델링하기 위한 연구는 크게 통계적 모델과 결정적 모델이 있다.Research to model the path loss index (or propagation loss index) of this propagation is largely divided into a statistical model and a deterministic model.
통계적 모델은 반복적 측정을 통한 통계적으로 표현되는 기법을 이용하여 모델링 하는 방법이다. 이는 필요한 계산량이 적기 때문에 넓은 영영에서 빠르게 전파 특성을 예측할 수 있는 장점이 있다. 그러나 환경 특성을 고려하지 않기 때문에 정확도가 낮은 문제점이 있다. 지역 특성을 고려하기 위하여 도심, 근교, 교외 등으로 환경을 분류하고, 예측 모델을 모델링하는 시도가 있으나, 특정한 지역 환경을 적절히 분류하는 것이 어려운 문제점이 있다.Statistical model is a method of modeling using a technique that is statistically expressed through iterative measurements. This has the advantage of being able to quickly predict propagation characteristics in a wide area because the required amount of calculation is small. However, there is a problem of low accuracy because environmental characteristics are not considered. In order to consider regional characteristics, there are attempts to classify the environment into downtown, suburbs, and suburbs, and to model a predictive model, but it is difficult to properly classify a specific regional environment.
한편, 결정적 모델은 특정한 지역의 환경 특성을 고려하기 때문에 통계적 모델 보다 정확도가 높은 장점이 있다. 그러나 각각의 광선 추적(ray tracing)을 해야 하므로, 경로 손실 지수 예측 시 높은 계산량이 요구되고, 긴 시간이 소요되는 문제점이 있다.On the other hand, the deterministic model has the advantage of having higher accuracy than the statistical model because it considers the environmental characteristics of a specific region. However, since each ray tracing must be performed, a high computational amount is required and a long time is required when predicting a path loss index.
본 발명의 일 목적은, 2차원 지도를 이용하여 경로 손실 지수를 예측하므로 각 환경의 구체적인 특성을 반영하여 정확도 높은 경로 손실 지수를 예측하는 것이다.An object of the present invention is to predict a path loss index with high accuracy by reflecting specific characteristics of each environment since a path loss index is predicted using a two-dimensional map.
또한 딥러닝을 통해 계산의 복잡도가 낮으면서, 정확도는 높은 경로 손실 지수를 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.In addition, it is an object of the present invention to provide a system and method for predicting a path loss index with low computational complexity and high accuracy through deep learning.
상술한 목적을 달성하기 위한 본 발명은, 복수의 지도를 수집하여 각각을 2차원 깊이 지도로 변환하는 2차원 깊이 지도 생성 모듈, 상기 생성된 2차원 깊이 지도를 기초로 학습 데이터 생성하고, 상기 학습 데이터를 이용하여 경로 손실 지수 예측 신경망 모델을 학습 시키는 학습 모듈 및 상기 학습 모듈에서 학습된 경로 손실 지수 예측 모델을 이용하여 예측 데이터의 경로 손실 지수를 예측하는 경로 손실 지수 예측 모듈을 포함하고, 상기 예측 데이터는, 상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 한다.The present invention for achieving the above object is a two-dimensional depth map generation module that collects a plurality of maps and converts each to a two-dimensional depth map, and generates learning data based on the generated two-dimensional depth map, and the learning A training module for training a path loss index prediction neural network model using data, and a path loss index prediction module for predicting a path loss index of predicted data using the path loss index prediction model learned in the learning module, and the prediction The data may be any one of a plurality of two-dimensional depth maps generated by the two-dimensional depth map generation module.
또한 상기 2차원 깊이 지도 생성 모듈은, 상기 수집된 지도의 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성하는 것을 특징한다.In addition, the 2D depth map generating module is characterized in that the collected map is converted into different colors for the heights of buildings and transmitters to generate a 2D depth map.
한편 상기 2차원 깊이 지도 생성 모듈에서 2차원 깊이 지도는, 각 픽셀이 [R, G, B]의 색상 값을 가지고, 여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가지고, 상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고, 상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고, 상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가지는 것을 특징으로 한다.Meanwhile, in the 2D depth map in the 2D depth map generation module, each pixel has a color value of [R, G, B], where R is red, G is green, and B is blue ( blue), and each has any one of an integer of 0 or more and 255 or less, and any one of R, G, and B represents the height of the building, and is different from the height of the building among R, G, and B. , Any one represents an altitude of the transmitter, and one of the R, G, and B except for the altitude of the building and the altitude of the transmitter, has a preset value.
또한 여기서 상기 R은, 건물의 고도를 나타내며, 수학식 
한편 학습 모듈은, 신경망 모델이 CNN(Convolution neural network) 구조로 역전파(back propagation)기법을 사용하여 학습하고, 신경망 모델에 상기 학습 데이터를 입력하면, LOS(Line of Sight) 환경에서 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서 경로 손실 지수를 각각 산출하는 것을 특징으로 한다.Meanwhile, in the learning module, when the neural network model is trained using a back propagation technique in a convolution neural network (CNN) structure, and the training data is input to the neural network model, the path loss index in the LOS (Line of Sight) environment And a path loss index in a Non Line of Sight (NLOS) environment, respectively.
또한, 상기 경로 손실 지수 예측 모듈은, 상기 학습된 경로 손실 지수 예측 모델에 상기 예측 데이터 입력하여 경로 손실 지수를 예측하고, 예측된 상기 경로 손실 지수를 상기 경로 손실 지수 예측 모델로 피드백하는 것을 특징으로 하는 경로 손실 지수 예측 시스템이다.In addition, the path loss index prediction module predicts a path loss index by inputting the predicted data into the learned path loss index prediction model, and feeds back the predicted path loss index to the path loss index prediction model. It is a path loss index prediction system.
본 발명 경로 손실 지수 예측 방법에 관한 것으로, 2차원 깊이 지도 생성 모듈이 2차원 깊이 지도를 생성하는 단계, 상기 생성된 2차원 깊이 지도를 기초로 학습 데이터를 생성하는 단계, 학습 모듈이 경로 손실 지수 예측 신경망 모델에 상기 생성된 학습 데이터를 입력하여 학습하는 단계 및 상기 학습된 경로 손실 지수 예측 신경망 모델을 기반으로 예측 데이터의 경로 손실 지수를 예측하는 단계를 포함하고, 상기 예측 데이터는, 상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 한다.The present invention relates to a method for predicting a path loss index, comprising: generating a two-dimensional depth map by a two-dimensional depth map generation module, generating learning data based on the generated two-dimensional depth map, and the learning module Inputting and learning the generated training data into a predictive neural network model, and predicting a path loss index of predicted data based on the learned path loss index predictive neural network model, wherein the predicted data is the two-dimensional It is characterized in that any one of a plurality of two-dimensional depth maps generated by the depth map generation module.
또한 상기 2차원 깊이 지도를 생성하는 단계는, 상기 수집된 지도의 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성하는 것을 특징으로 한다.In addition, the generating of the 2D depth map may include generating a 2D depth map by converting elevations of buildings and transmitters of the collected map into different colors.
한편, 상기 2차원 깊이 지도를 생성하는 단계에서 상기 2차원 깊이 지도는, 각 픽셀이 [R, G, B]의 색상 값을 가지고, 여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가지고, 상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고, 상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고, 상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가지는 것을 특징으로 한다.Meanwhile, in the step of generating the 2D depth map, in the 2D depth map, each pixel has a color value of [R, G, B], where R is red, G is green, and B means blue, and each has any one of an integer of 0 or more and 255 or less, and any one of R, G, and B represents the height of the building, and the building of R, G, and B Different from the altitude of, any one represents the altitude of the transmitter, and one of the R, G, and B except for the altitude of the building and the altitude of the transmitter, has a preset value.
여기서 상기 R은, 건물의 고도를 나타내며, 수학식 
또한, 상기 학습하는 단계는, 신경망 모델이 CNN(Convolution neural network) 구조로 역전파(back propagation)기법을 사용하여 학습하고, 신경망 모델에 상기 학습 데이터를 입력하면, LOS(Line of Sight) 환경에서 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서 경로 손실 지수를 각각 산출하는 것을 특징으로 한다.In addition, in the learning step, when the neural network model is trained using a back propagation technique in a convolution neural network (CNN) structure, and when the training data is input to the neural network model, in a line of sight (LOS) environment It is characterized by calculating the path loss index and the path loss index in the NLOS (Non Line of Sight) environment, respectively.
한편 상기 예측하는 단계는, 상기 학습된 경로 손실 지수 예측 모델에 상기 예측 데이터 입력하여 경로 손실 지수를 예측하고, 예측된 상기 경로 손실 지수를 상기 경로 손실 지수 예측 모델로 피드백하는 것을 특징으로 하는 경로 손실 지수 예측 방법이다.Meanwhile, in the predicting, the predicted data is input to the learned path loss index prediction model to predict a path loss index, and the predicted path loss index is fed back to the path loss index prediction model. It is an exponential prediction method.
본 발명은, 경로 손실 지수 예측 시스템 및 방법에 관한 것으로, 2차원 지도를 이용하여 경로 손실 지수를 예측하여 각 환경의 구체적인 특성을 반영한 경로 손실 지수를 예측할 수 있다.The present invention relates to a path loss index prediction system and method, and may predict a path loss index using a two-dimensional map to predict a path loss index reflecting specific characteristics of each environment.
또한, 인공신경망 학습을 통해 계산의 복잡도는 낮고, 정확도는 높은 경로 손실 지수의 예측이 가능하다.In addition, it is possible to predict a path loss index with low computational complexity and high accuracy through artificial neural network learning.
또한, 다수의 환경에서 결정적 모델을 통해 전파 예측 모델을 생성한 후, 이를 인공신경망에 학습을 통하여 통계적 모델에 적용하여 결정적 모델과 통계적 모델의 장점을 모두 가질 수 있다.In addition, after generating a propagation prediction model through a deterministic model in a number of environments, it can be applied to a statistical model through learning to an artificial neural network to have the advantages of both the deterministic model and the statistical model.
도 1은 본 발명에 따른 경로 손실 지수 예측 시스템의 구성도이다.
도 2는 본 발명에 따른 경로 손실 지수 예측 시스템에 활용되는 인공신경망의 입출력 구조를 도시한다.
도 3a 내지 3c는 본 발명의 제 1 실시 예에 따라 생성된 2차원 깊이 지도를 나타낸다.
도 4는 본 발명에 따른 경로 손실 지수 예측 신경망 모델을 이용한 경로 손실 지수 예측 시, 그 피드백 과정을 나타낸 도시한다.
도 5는 본 발명에 따른 경로 손실 지수 예측 방법의 흐름도이다.1 is a block diagram of a path loss index prediction system according to the present invention.
2 shows an input/output structure of an artificial neural network used in the path loss index prediction system according to the present invention.
3A to 3C show a two-dimensional depth map generated according to the first embodiment of the present invention.
4 is a diagram illustrating a feedback process when predicting a path loss index using a neural network model for predicting a path loss index according to the present invention.
5 is a flowchart of a method for predicting a path loss index according to the present invention.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일한 도면 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, exemplary embodiments disclosed in the present specification will be described in detail with reference to the accompanying drawings, but identical or similar components are denoted by the same reference numerals, and redundant descriptions thereof will be omitted. The suffixes "module" and "unit" for components used in the following description are given or used interchangeably in consideration of only the ease of preparation of the specification, and do not have meanings or roles that are distinguished from each other by themselves. In addition, in describing the embodiments disclosed in the present specification, if it is determined that a detailed description of related known technologies may obscure the subject matter of the embodiments disclosed in the present specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are for easy understanding of the embodiments disclosed in the present specification, and the technical idea disclosed in the present specification is not limited by the accompanying drawings, and all modifications included in the spirit and scope of the present invention It should be understood to include equivalents or substitutes.
본 발명은 인공신경망을 활용하여 경로 손실 지수를 예측한다.The present invention predicts a path loss index using an artificial neural network.
여기서 인공신경망이란, 사람 또는 동물 두뇌의 신경망에 착안하여 구현된 컴퓨팅 시스템을 총칭한다.Here, the artificial neural network collectively refers to a computing system implemented by focusing on the neural network of a human or animal brain.
기계 학습(machine learning)의 세부 방법론 중 하나로, 신경 세포인 뉴런(neuron)이 여러 개 연결된 망의 형태이다. 구조 및 기능에 따라 여러 종류로 구분되며, 가장 일반적인 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층(hidden layer)이 있는 다층 퍼셉트론(multilayer perceptron)이다.One of the detailed methodologies of machine learning, it is a form of a network in which several neurons, which are nerve cells, are connected. It is classified into several types according to its structure and function, and the most common artificial neural network is a multilayer perceptron with multiple hidden layers between one input layer and an output layer.
인공 신경망은 하드웨어로 구현될 수도 있으나, 주로 컴퓨터 소프트웨어로 구현된다. 인공 신경망은 기초 컴퓨팅 단위인 뉴런 여러 개가 가중된 링크(weighted link)로 연결된 형태이다. 가중된 링크(weighted link)는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있다.Artificial neural networks may be implemented in hardware, but are mainly implemented in computer software. An artificial neural network is a form in which several neurons, which are basic computing units, are connected by weighted links. A weighted link can adjust its weight to adapt to a given environment.
인공 신경망은 자기 조직화 지도(SOM: Self-Organizing Map), 순환 신경망(RNN: Recurrent Neural Network), 콘볼루션 신경망(CNN: Convolutional Neural Network)과 같은 다양한 모델에 대한 총칭으로, 그 종류는 수십 가지에 이른다.Artificial neural network is a generic term for various models such as Self-Organizing Map (SOM), Recurrent Neural Network (RNN), and Convolutional Neural Network (CNN). To come.
본 발명은 인공 신경망으로 CNN 구조를 그 일 예로 서술하고 있으나, CNN 구조로 제한하지 않는다.The present invention describes the CNN structure as an artificial neural network as an example, but is not limited to the CNN structure.
또한 경로 손실 지수(Pathloss exponent)란, 전파의 수신 신호 세기를 기반 위치 추정을 수행하는 경우, 전파의 수신 신호 세기가 거리에 따라 감소하는 정도를 의미한다.In addition, the pathloss exponent refers to the degree to which the intensity of the received signal of the radio wave decreases according to the distance when the position estimation is performed based on the intensity of the received signal of the radio wave.
이하 첨부된 도면을 참조하여 본 발명의 구체적으로 설명한다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시 예에 따른 경로 손실 지수 예측 시스템의 구성도이다.1 is a block diagram of a path loss index prediction system according to an embodiment of the present invention.
본 발명의 경로 손실 지수 예측 시스템은 지도 수집 모듈(100), 2차원 깊이 지도 생성 모듈(200), 학습 모듈(300), 및 경로 손실 지수 예측 모듈(500)을 포함한다.The path loss index prediction system of the present invention includes a
먼저 학습과 예측을 위한 인공신경망의 입력으로 활용하기 위해 2차원 깊이 지도를 생성해야한다. First, a two-dimensional depth map must be created to be used as an input to an artificial neural network for learning and prediction.
따라서 지도 수집 모듈(100)이 복수의 지도를 수집하여 데이터베이스에 저장한다.Accordingly, the
2차원 깊이 지도 생성 모듈(200)은 지도 수집 모듈(100)에 수집된 복수의 지도를 각각 2차원 깊이 지도로 변환 및 생성한다. 생성된 지도는 학습을 위한 학습 데이터(210) 및 예측을 위한 예측 데이터(220)로 활용된다.The 2D depth
여기서 2차원 깊이(deep) 지도는, 수집된 지도의 해당 지역에 존재하는 건물의 고도와 모양, 송신기의 고도를 반영하여 픽셀 당 [R, G, B] 값을 이용하여, 지도의 깊이를 색(color)으로 표현한 지도이다.Here, the 2D depth map reflects the height and shape of buildings in the area of the collected map, and the height of the transmitter, and color the depth of the map using the [R, G, B] value per pixel. It is a map expressed in (color).
또한 학습 모듈(300)은 인공신경망의 CNN구조를 활용하여 학습을 통해 경로 손실 지수 예측 신경망 모델(400)을 생성한다.In addition, the
2차원 깊이 생성 모듈(200)로부터 생성된 학습 데이터(210)를 인공신경망의 입력으로 활용하여 학습한다. 학습은 역전파 기법을 활용할 수 있다. 다만 역전파 기법(back propagation)으로 한정되지 않고, 다양한 방법으로 학습할 수 있다.The learning data 210 generated by the 2D
경로 손실 지수 예측 신경망 모델(400)은, 생성된 2차원 깊이 지도를 입력하면, 입력 지도에서의 LOS(Line of Sight) 환경에 대한 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서의 경로 손실 지수를 각각 출력한다.The path loss index prediction
여기서 LOS는, 시야 내, 즉 전자파가 직선상 도달이 가능한 환경을 의미한다. 또한 NLOS는, 비(非) 시야, 즉 장애물로 인하여 전파가 직선상 도달이 불가능하고, 회절 또는 반사가 있어야 전파가 도달이 가능한 환경을 의미한다.Here, LOS refers to an environment in which electromagnetic waves can reach in a straight line. In addition, NLOS refers to an environment in which radio waves cannot be reached in a straight line due to non-field of view, that is, obstacles, and radio waves can reach only when there is diffraction or reflection.
경로 손실 지수 예측 모듈(500)은, 학습을 통해 생성된 경로 손실 지수 예측 신경망 모델(400)에 예측 데이터(220)를 입력하여 경로 손실 지수를 예측한다.The path loss
여기서 예측 데이터(220)는, 2차원 깊이 지도 생성 모듈(200)에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나에 해당할 수 있다.Here, the
경우에 따라 경로 손실 지수 예측 결과를 다시 경로 손실 지수 예측 신경망 모델(400)로 피드백하여 정확도를 높일 수 있다.In some cases, the path loss index prediction result may be fed back to the path loss index prediction
도 2는 본 발명에 따른 경로 손실 지수 예측 시스템에 활용되는 인공신경망의 입출력 구조를 도시한다. 2 shows an input/output structure of an artificial neural network used in the path loss index prediction system according to the present invention.
인공신경망은 한 개의 입력층(INPUT, 600)과 출력층(OUTPUT, 800) 사이에 다수의 은닉층(hidden layer, 700)이 있는 다층 퍼셉트론(multilayer perceptron)이다.The artificial neural network is a multilayer perceptron with multiple
입력층(600)에 데이터(2차원 깊이 지도)가 입력되면, 복수의 컨볼루션(Convolution, 710, 730) 및 서브샘플링(Subsampling, 720, 740) 과정, 완전 접속층(Fully connected, 750)을 거쳐 출력층(800)으로 경로 손실 지수를 출력한다.When data (2D depth map) is input to the
도 3a 내지 3c는 본 발명의 제 1 실시 예에 따라 생성된 2차원 깊이 지도를 나타낸다. 3A to 3C show a two-dimensional depth map generated according to the first embodiment of the present invention.
먼저 입력을 동일한 환경 및 차원으로 유지하기 위하여 인공신경망의 입력이 되는 2차원 깊이 지도는 가로 세로 1km×1km의 지도를 300*300 픽셀로, 각 픽셀은 0~255의 [R, G, B]값(단, 정수값을 가진다)을 가지는 이미지로 사용한다. 다만, 지도의 규격 또는 픽셀은 본 발명을 설명하기 위한 일 실시 예로, 상기 규격에 제한되지 않고, 사용자의 필요에 따라 변경 가능하다. 상기 수집된 지도의 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성할 수 있다.First, in order to keep the input in the same environment and dimension, the two-dimensional depth map used as the input of the artificial neural network is a map of 1km × 1km horizontally and vertically with 300*300 pixels, and each pixel is 0~255 [R, G, B]. It is used as an image with a value (but it has an integer value). However, the standard or pixel of the map is not limited to the standard as an example for explaining the present invention, and can be changed according to the needs of the user. A two-dimensional depth map may be generated by converting the elevations of buildings and transmitters of the collected map into different colors.
2차원 깊이 지도의 각 픽셀이 [R, G, B]의 색상 값을 가진다. 여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가진다.Each pixel of the 2D depth map has a color value of [R, G, B]. Here, R is red, G is green, and B is blue, and each has any one of an integer of 0 to 255.
상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타낼 수 있다. 상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고, 상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가질 수 있다.Any one of R, G, and B may represent the elevation of the building. Among the R, G, and B, one of which is different from the altitude of the building, indicates the altitude of the transmitter, and the other of the R, G, and B except for the altitude of the building and the altitude of the transmitter, is a preset value Can have
예를 들어, R이 건물의 고도를 나타내면, G는 송신기의 고도를, B는 기 설정된 값을 가질 수 있다. 다른 예는 G가 건물의 고도, B가 송신기의 고도 및 R이 기 설정된 값을 가질 수도 있다. For example, if R represents the altitude of a building, G may have an altitude of the transmitter and B may have a preset value. In another example, G may have an altitude of a building, B may have an altitude of a transmitter, and R may have a preset value.
본 발명에 따른 제1 실시 예로, R은 건물의 모양 및 고도, G는 송신기의 고도, B는 기 설정된 값을 가지는 것으로 설정하여 설명하도록 한다.In the first embodiment according to the present invention, R is the shape and height of the building, G is the height of the transmitter, and B is set to have a preset value.
수신된 지도에서, 해당 지역의 건물의 높이와 모양을 반영하는 제 1 깊이 지도를 생성한다.From the received map, a first depth map that reflects the height and shape of the building in the area is generated.
즉, 지도에서 건물의 고도는 [수학식 1]과 같이 변환할 수 있다.That is, the elevation of the building on the map can be converted as in [Equation 1].
여기서 h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미한다. 해당 지역의 건물 최대 높이가 40m라고 한다면 H의 값은 40이 된다. 그러므로 h는 H보다 큰 값을 가질 수 없다.Here, h is the height of the building on the map, and H is the maximum height of the pre-set building. If the maximum height of the building in the area is 40m, the value of H is 40. Therefore, h cannot have a value greater than H.
[수학식 1]에 따라 계산된 R값을 픽셀에 반영하여 생성한 제1 깊이 지도는 도 3a와 같다. 즉 건물의 고도에 따라 적색의 채도가 서로 다르게 표현된 지도이다.A first depth map generated by reflecting the R value calculated according to [Equation 1] to a pixel is shown in FIG. 3A. In other words, it is a map in which the saturation of red is different depending on the height of the building.
수신된 지도에서, 해당 지역의 송신기의 높이를 반영하는 제 2 깊이 지도를 생성한다. From the received map, a second depth map that reflects the height of the transmitter in the corresponding area is generated.
즉, 지도에서 송신기의 고도는 [수학식 2]와 같이 변환할 수 있다.That is, the altitude of the transmitter on the map can be converted as shown in [Equation 2].
여기서 t는 해수면에서 지도에 위치한 송신기의 높이, g는 해수면에서 지면의 높이를 의미하고, T는 기 설정된 송신기의 최대 높이를 의미한다. 해당 지역의 송신기 최대 높이가 40m라고 한다면 T의 값은 40이 된다. 그러므로 t-g는 T보다 큰 값을 가질 수 없다.Here, t denotes the height of the transmitter located on the map at sea level, g denotes the height of the ground at sea level, and T denotes the maximum height of the preset transmitter. If the maximum height of the transmitter in the area is 40m, the value of T is 40. Therefore, t-g cannot have a value greater than T.
[수학식 2]에 따라 계산된 G값을 픽셀에 반영하여 생성한 제2 깊이 지도는 도 3b와 같다. 즉 송신기의 고도에 따라 녹색의 채도가 서로 다르게 표현된 지도이다.A second depth map generated by reflecting the G value calculated according to [Equation 2] to the pixel is as shown in FIG. 3B. In other words, it is a map in which the saturation of green is expressed differently depending on the height of the transmitter.
생성된 제1 깊이 지도와 제2 깊이 지도 각각을 분리하여 정의하지 않고, 혼합하여 픽셀 당 [R, G, B]를 가지는 제3 깊이 지도를 생성한다. 즉, 상기 산출된 R 및 G 값을 픽셀에 반영하여(여기서 부분 픽셀인 B는 255로 기 설정된 값을 갖는다고 가정한다) 도 3c와 같은 제3 깊이 지도를 생성한다. 즉 건물의 고도 및 송신기의 고도에 따라 서로 다른 색으로 표현된다.The generated first depth map and the second depth map are not defined separately, but are mixed to generate a third depth map having [R, G, B] per pixel. That is, by reflecting the calculated R and G values to a pixel (here, it is assumed that the partial pixel B has a preset value of 255) to generate a third depth map as shown in FIG. 3C. That is, it is expressed in different colors depending on the height of the building and the height of the transmitter.
따라서 건물의 높이와 송신기의 높이를 함께 반영한 제3 깊이 지도를 생성하므로, 경로 손실 지수 예측의 정확도를 높일 수 있다. 송신기의 높이와 건물의 높이가 모두 라디오 전파 특성에 영향을 미치기 때문이다.Therefore, since the third depth map reflecting the height of the building and the height of the transmitter is generated, it is possible to increase the accuracy of the path loss index prediction. This is because both the height of the transmitter and the height of the building affect the radio propagation characteristics.
도 4는 본 발명에 일 실시 예에 따른 경로 손실 지수 예측 신경망 모델을 이용한 경로 손실 지수 예측 시, 그 피드백 과정을 나타낸 도면이다.4 is a diagram illustrating a feedback process when predicting a path loss index using a neural network model for predicting a path loss index according to an embodiment of the present invention.
경로 손실 지수 예측 모듈(500)은, 학습을 통해 생성된 경로 손실 지수 예측 신경망 모델(400)에 예측 데이터(220)를 입력하여 경로 손실 지수를 예측한다.The path loss
경로 손실 지수 예측 모듈(500)에서 예측된 경로 손실 지수를 경로 손실 지수 예측 신경망 모델(400)로 피드백하여 보다 정확한 신경망 모델을 구현할 수 있다.A more accurate neural network model may be implemented by feeding back the path loss index predicted by the path loss
또한 예측된 경로 손실 지수의 정확도를 판단하여 피드백을 제공할 수도 있다.It is also possible to provide feedback by determining the accuracy of the predicted path loss index.
도 5는 본 발명에 따른 경로 손실 지수 예측 방법의 흐름도이다.5 is a flowchart of a method for predicting a path loss index according to the present invention.
먼저 학습과 예측을 위한 인공신경망의 입력으로 활용하기 위해 2차원 깊이 지도를 생성해야한다. First, a two-dimensional depth map must be created to be used as an input to an artificial neural network for learning and prediction.
지도 수집 모듈(100)이 복수의 지도를 수집하고, 2차원 깊이 지도 생성 모듈(200)이 수집된 지도를 2차원 깊이 지도로 변환 및 생성한다(S100).The
2차원 깊이 지도 생성 모듈(200)은 지도 수집 모듈(100)에 수집된 복수의 지도를 각각, 지도의 영역의 건물과 송신기 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도로 생성한다. 생성된 지도는 학습을 위한 학습 데이터(210) 및 예측을 위한 예측 데이터(220)로 활용된다.The 2D depth
여기서 2차원 깊이(deep) 지도는, 수집된 지도의 해당 지역에 존재하는 건물의 고도와 모양, 송신기의 고도를 반영한 픽셀 당 [R, G, B] 값을 이용하여, 지도의 깊이를 색(color)으로 표현한 지도이다.Here, the two-dimensional depth map uses the [R, G, B] value per pixel reflecting the height and shape of buildings existing in the corresponding area of the collected map, and the height of the transmitter, and color the depth of the map ( It is a map expressed in color).
생기 생성된 2차원 깊이 지도로부터 학습 데이터(210)를 생성한다(S110).Learning data 210 is generated from the animation-generated 2D depth map (S110).
2차원 깊이 생성 모듈(200)로부터 생성된 학습 데이터(210)를 인공신경망의 입력으로 활용하여 학습한다. 학습은 역전파 기법을 활용할 수 있다. 다만 역전파 기법(back propagation)으로 한정되지 않고, 다양한 방법으로 학습할 수 있다.The learning data 210 generated by the 2D
즉, 생성된 학습 데이터(210)를 입력 데이터로 이용하여 경로 손실 지수 예측을 학습한다(S120).That is, by using the generated training data 210 as input data, a path loss index prediction is learned (S120).
경로 손실 지수 예측 신경망 모델(400)은, 생성된 2차원 깊이 지도를 입력하면, 입력 지도에서의 LOS(Line of Sight) 환경에 대한 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서의 경로 손실 지수를 각각 출력한다.The path loss index prediction
학습을 통해 경로 손실 지수 예측 신경망 모델(400)을 생성한다(S130).A
생성된 경로 손실 지수 예측 신경망 모델을 이용하여 예측 데이터(220)에 대한 경로 손실 지수를 예측할 수 있다(S140).The path loss index for the predicted
또한 경로 손실 지수 예측 모듈(500)에서 예측된 경로 손실 지수를 경로 손실 지수 예측 신경망 모델(400)로 피드백하여 보다 정확한 신경망 모델을 구현할 수 있다.In addition, a more accurate neural network model may be implemented by feeding back the path loss index predicted by the path loss
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.The above detailed description should not be construed as restrictive in all respects and should be considered as illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.
100: 지도 수집 모듈
200: 2차원 깊이 지도 생성 모듈
210: 학습 데이터
220: 예측 데이터
300: 학습 모듈
400: 경로 손실 지수 예측 신경망 모델
500: 경로 손실 지수 예측 모델
600: 입력층(INPUT)
700: 은닉층(hidden layer)
800: 출력층(OUTPUT)100: map collection module
200: 2D depth map generation module
210: training data
220: predicted data
300: learning module
400: path loss index prediction neural network model
500: path loss index prediction model
600: input layer (INPUT)
700: hidden layer
800: output layer (OUTPUT)
Claims (12)
상기 생성된 2차원 깊이 지도를 기초로 학습 데이터 생성하고, 상기 학습 데이터를 이용하여 경로 손실 지수 예측 신경망 모델을 학습 시키는 학습 모듈; 및
상기 학습 모듈에서 학습된 경로 손실 지수 예측 모델을 이용하여 예측 데이터의 경로 손실 지수를 예측하는 경로 손실 지수 예측 모듈;을 포함하고,
상기 예측 데이터는,
상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 하고,
상기 2차원 깊이 지도 생성 모듈에서 2차원 깊이 지도는,
각 픽셀이 [R, G, B]의 색상 값을 가지고,
상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고,
상기 건물의 고도는,
수학식
여기서 R은 건물의 고도, h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미하는,
경로 손실 지수 예측 시스템.A two-dimensional depth map generation module that collects a plurality of maps and converts each to a two-dimensional depth map;
A learning module that generates training data based on the generated 2D depth map and trains a path loss index prediction neural network model using the training data; And
A path loss index prediction module for predicting a path loss index of predicted data using the path loss index prediction model learned in the learning module; and
The predicted data,
It is characterized in that any one of a plurality of two-dimensional depth maps generated by the two-dimensional depth map generation module,
In the two-dimensional depth map generation module, the two-dimensional depth map,
Each pixel has a color value of [R, G, B],
Any one of R, G, and B above represents the elevation of the building,
The height of the building is,
Equation
Where R is the height of the building, h is the height of the building on the map, and H is the maximum height of the preset building.
Path loss index prediction system.
상기 2차원 깊이 지도 생성 모듈은,
상기 수집된 지도의 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성하는 것을 특징으로 하는 경로 손실 지수 예측 시스템.The method of claim 1,
The two-dimensional depth map generation module,
And generating a two-dimensional depth map by converting elevations of buildings and transmitters of the collected map into different colors.
상기 2차원 깊이 지도 생성 모듈에서 2차원 깊이 지도는,
각 픽셀이 [R, G, B]의 색상 값을 가지고,
여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가지고,
상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고,
상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고,
상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 시스템.The method of claim 1,
In the two-dimensional depth map generation module, the two-dimensional depth map,
Each pixel has a color value of [R, G, B],
Here, R is red, G is green, and B is blue, and each has any one of an integer of 0 to 255,
Any one of R, G, and B above represents the elevation of the building,
One of the R, G, and B different from the height of the building represents the height of the transmitter,
One of the R, G, and B except for the height of the building and the height of the transmitter, has a preset value.
상기 R은,
건물의 고도를 나타내며, 수학식
여기서 h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미하고,
상기 G는,
송신기의 고도를 나타내며, 수학식
여기서 t는 해수면에서 지도에 위치한 송신기의 높이, g는 해수면에서 지면의 높이를 의미하고, T는 기 설정된 송신기의 최대 높이를 의미하고,
상기 B는,
기 설정된 값을 가지고,
상기 2차원 깊이 지도의 각 픽셀은 상기 산출된 [R, G, B] 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 시스템.The method of claim 3,
R is,
Represents the height of the building, and the equation
Where h is the height of the building on the map, H is the maximum height of the preset building,
G is,
Represents the altitude of the transmitter, and the equation
Where t is the height of the transmitter located on the map at sea level, g is the height of the ground at sea level, T is the maximum height of the preset transmitter,
B is,
With a preset value,
Each pixel of the 2D depth map has the calculated [R, G, B] value.
상기 학습 모듈은,
신경망 모델이 CNN(Convolution neural network) 구조로 역전파(back propagation)기법을 사용하여 학습하고, 신경망 모델에 상기 학습 데이터를 입력하면, LOS(Line of Sight) 환경에서 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서 경로 손실 지수를 각각 산출하는 것을 특징으로 하는 경로 손실 지수 예측 시스템.The method of claim 1,
The learning module,
When the neural network model is trained using a back propagation technique with a convolution neural network (CNN) structure, and the training data is input to the neural network model, the path loss index and the NLOS (Non Line) of Sight) path loss index prediction system, characterized in that each calculated path loss index in the environment.
상기 경로 손실 지수 예측 모듈은,
상기 학습된 경로 손실 지수 예측 모델에 상기 예측 데이터를 입력하여 경로 손실 지수를 예측하고, 예측된 상기 경로 손실 지수를 상기 경로 손실 지수 예측 신경망 모델로 피드백하는 것을 특징으로 하는 경로 손실 지수 예측 시스템.The method of claim 1,
The path loss index prediction module,
And predicting a path loss index by inputting the predicted data into the learned path loss index prediction model, and feeding back the predicted path loss index to the path loss index prediction neural network model.
2차원 깊이 지도 생성 모듈이 2차원 깊이 지도를 생성하는 단계;
상기 생성된 2차원 깊이 지도를 기초로 학습 데이터를 생성하는 단계;
학습 모듈이 경로 손실 지수 예측 신경망 모델에 상기 생성된 학습 데이터를 입력하여 학습하는 단계; 및
상기 학습된 경로 손실 지수 예측 신경망 모델을 기반으로 예측 데이터의 경로 손실 지수를 예측하는 단계;를 포함하고,
상기 예측 데이터는,
상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 하고,
상기 2차원 깊이 지도 생성 모듈에서 2차원 깊이 지도는,
각 픽셀이 [R, G, B]의 색상 값을 가지고,
상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고,
상기 건물의 고도는,
수학식
여기서 R은 건물의 고도, h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미하는,
경로 손실 지수 예측 방법.In the path loss index prediction method performed by a computing device,
Generating, by a 2D depth map generation module, a 2D depth map;
Generating training data based on the generated 2D depth map;
Learning, by a learning module, inputting the generated training data to a neural network model for predicting a path loss index; And
Predicting a path loss index of predicted data based on the learned path loss index prediction neural network model; Including,
The predicted data,
It is characterized in that any one of a plurality of two-dimensional depth maps generated by the two-dimensional depth map generation module,
In the two-dimensional depth map generation module, the two-dimensional depth map,
Each pixel has a color value of [R, G, B],
Any one of R, G, and B above represents the elevation of the building,
The height of the building is,
Equation
Where R is the height of the building, h is the height of the building on the map, and H is the maximum height of the preset building.
Path loss index prediction method.
상기 2차원 깊이 지도를 생성하는 단계는,
수집된 지도에서 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성하는 것을 특징으로 하는 경로 손실 지수 예측 방법.The method of claim 7,
Generating the two-dimensional depth map,
A method for predicting a path loss index, comprising generating a two-dimensional depth map by converting elevations of buildings and transmitters into different colors from the collected map.
상기 2차원 깊이 지도를 생성하는 단계에서 상기 2차원 깊이 지도는,
각 픽셀이 [R, G, B]의 색상 값을 가지고,
여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가지고,
상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고,
상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고,
상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 방법.The method of claim 7,
In the step of generating the two-dimensional depth map, the two-dimensional depth map,
Each pixel has a color value of [R, G, B],
Here, R stands for red, G stands for green, and B stands for blue, and each has any one of an integer of 0 to 255,
Any one of R, G, and B above represents the elevation of the building,
Among the R, G, and B, which is different from the elevation of the building, any one represents the elevation of the transmitter
One of the R, G, and B except for the height of the building and the height of the transmitter, has a preset value.
상기 R은,
건물의 고도를 나타내며, 수학식
여기서 h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미하고,
상기 G는,
송신기의 고도를 나타내며, 수학식
여기서 t는 해수면에서 지도에 위치한 송신기의 높이, g는 해수면에서 지면의 높이를 의미하고, T는 기 설정된 송신기의 최대 높이를 의미하고,
상기 B는,
기 설정된 값을 가지고,
상기 2차원 깊이 지도의 각 픽셀은 상기 산출된 [R, G, B] 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 방법.The method of claim 9,
R is,
Represents the height of the building, and the equation
Where h is the height of the building on the map, H is the maximum height of the preset building,
G is,
Represents the altitude of the transmitter, and the equation
Where t is the height of the transmitter located on the map at sea level, g is the height of the ground at sea level, T is the maximum height of the preset transmitter,
B is,
With a preset value,
Each pixel of the 2D depth map has the calculated [R, G, B] value.
상기 학습하는 단계는,
신경망 모델이 CNN(Convolution neural network) 구조로 역전파(back propagation)기법을 사용하여 학습하고, 신경망 모델에 상기 학습 데이터를 입력하면, LOS(Line of Sight) 환경에서 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서 경로 손실 지수를 각각 산출하는 것을 특징으로 하는 경로 손실 지수 예측 방법.The method of claim 7,
The learning step,
When the neural network model is trained using a back propagation technique with a convolution neural network (CNN) structure, and the training data is input to the neural network model, the path loss index and the NLOS (Non Line) of Sight) path loss index prediction method, characterized in that each calculating the path loss index in the environment.
상기 예측하는 단계는,
상기 학습된 경로 손실 지수 예측 모델에 상기 예측 데이터를 입력하여 경로 손실 지수를 예측하고, 예측된 상기 경로 손실 지수를 상기 경로 손실 지수 예측 모델로 피드백하는 것을 특징으로 하는 경로 손실 지수 예측 방법.The method of claim 7,
The predicting step,
And predicting a path loss index by inputting the predicted data into the learned path loss index prediction model, and feeding back the predicted path loss index to the path loss index prediction model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180172737A KR102211847B1 (en) | 2018-12-28 | 2018-12-28 | System and method for path loss exponent prediction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180172737A KR102211847B1 (en) | 2018-12-28 | 2018-12-28 | System and method for path loss exponent prediction |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200087326A KR20200087326A (en) | 2020-07-21 |
| KR102211847B1 true KR102211847B1 (en) | 2021-02-03 |
Family
ID=71832816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180172737A KR102211847B1 (en) | 2018-12-28 | 2018-12-28 | System and method for path loss exponent prediction |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102211847B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102648866B1 (en) * | 2023-11-06 | 2024-03-18 | (주)솔루윈스 | Prediction Method of receiving signal strength employing to radio wave simulation of IoT |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022038758A1 (en) * | 2020-08-21 | 2022-02-24 | 三菱電機株式会社 | Radio wave propagation estimation device and map information extraction method |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100222661B1 (en) * | 1997-07-08 | 1999-10-01 | 서정욱 | Method for preestimating electric intensity using neural network |
| US20170195892A1 (en) | 2016-01-06 | 2017-07-06 | Southern Methodist University | Using geographical features to reduce in-field propagation experimentation |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100545688B1 (en) * | 2003-11-18 | 2006-01-24 | (주)안세기술 | Medium Frequency Mountain Path Path Loss Prediction Method |
| JP6466483B2 (en) * | 2014-06-26 | 2019-02-06 | エルジー エレクトロニクス インコーポレイティド | Precoding matrix index reporting method and apparatus for high frequency band communication in a wireless communication system |
| KR101685164B1 (en) * | 2015-01-15 | 2016-12-12 | 경기대학교 산학협력단 | Communication terminal and computer program for using selected access points |
| KR102586208B1 (en) * | 2016-11-17 | 2023-10-10 | 삼성전자 주식회사 | Method and apparatus for analyzing communication channel considering information related to material and exterior shape of a object |
-
2018
- 2018-12-28 KR KR1020180172737A patent/KR102211847B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100222661B1 (en) * | 1997-07-08 | 1999-10-01 | 서정욱 | Method for preestimating electric intensity using neural network |
| US20170195892A1 (en) | 2016-01-06 | 2017-07-06 | Southern Methodist University | Using geographical features to reduce in-field propagation experimentation |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102648866B1 (en) * | 2023-11-06 | 2024-03-18 | (주)솔루윈스 | Prediction Method of receiving signal strength employing to radio wave simulation of IoT |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200087326A (en) | 2020-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
| CN110731096B (en) | Predicting received signal strength in a telecommunications network using a deep neural network | |
| CN109891781B (en) | Method and apparatus for analyzing communication channel in consideration of material and contour of object | |
| JP2021506149A (en) | Motion detection based on machine learning of radio signal characteristics | |
| US11475607B2 (en) | Radio coverage map generation | |
| Cheng et al. | CNN-based mmWave path loss modeling for fixed wireless access in suburban scenarios | |
| CN112632311B (en) | Cloud layer change trend prediction method based on deep learning | |
| CN112512069B (en) | Network intelligent optimization method and device based on channel beam pattern | |
| CN107705359B (en) | Channel modeling method and device using three-dimensional visual reconstruction technology | |
| CN112468230B (en) | Wireless ultraviolet light scattering channel estimation method based on deep learning | |
| KR102211847B1 (en) | System and method for path loss exponent prediction | |
| CN109874146A (en) | A kind of method and device for predicting path loss | |
| Bakirtzis et al. | DeepRay: Deep learning meets ray-tracing | |
| WO2021076084A1 (en) | A system providing prediction of communication channel parameters | |
| Qiu et al. | Pseudo ray-tracing: Deep leaning assisted outdoor mm-wave path loss prediction | |
| Vankayala et al. | Radio map estimation using a generative adversarial network and related business aspects | |
| CN113644996B (en) | Cell-level RSRP estimation method based on deep learning | |
| EP4270824A1 (en) | Channel estimation method based on neural network and communication apparatus | |
| Li et al. | Machine learning based tool chain solution for free space optical communication (FSOC) propagation modeling | |
| Otero et al. | Intelligent system for predicting wireless sensor network performance in on-demand deployments | |
| KR102281294B1 (en) | Method and apparatus for generating input data for Convolutional Neural Networks in indoor path loss modeling, and indoor path loss modeling method and apparatus using the same | |
| US20210134046A1 (en) | Method and system for wave propagation prediction | |
| Jian et al. | Communication-aware DNN pruning | |
| Nagao et al. | A Study on Path Loss Modeling using ResNet and Pre-Training with Free Space Path Loss | |
| Bakirtzis et al. | An Expedient, Generalizable and Realistic Data-Driven Indoor Propagation Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |