KR102294156B1

KR102294156B1 - 자기 적응형 집적 딥러닝 모델 기반의 sc-fde 시스템 신호검측방법

Info

Publication number: KR102294156B1
Application number: KR1020210066528A
Authority: KR
Inventors: 쥔 리; 통 가오; 징팡 리; 바오수안 왕; 핑 쥬; 위엔지엔 치아오; 펑강 가오; 통량 신; 원신 리
Original assignee: 치루 유니버시티 오브 테크놀로지; 아사 아블로이 구어치앙 (산동) 하드웨어 테크놀로지 컴퍼니 리미티드
Priority date: 2020-05-25
Filing date: 2021-05-24
Publication date: 2021-08-27
Also published as: CN111614587A; CN111614587B

Abstract

본 발명은 자기 적응형 집적 딥러닝 모델 기반의 신호검측방법에 관한 것으로, 집적된 장단기 기억(LSTM) 신경 네트워크를 이용하여 단대단(end-to-end) 방식으로 SC-FDE 시스템 수신단의 채널 추정과 주파수 영역 균형 부분을 대체하고 LSTM 신경 네트워크를 트레이닝하는 데 필요한 데이터 집합은 수신단이 추출한 수신 신호의 특징과, 발송단이 사용하는 변조방식에 대응되는 성좌도가 분배한 태그로 구성된다. 시스템의 믿음성을 보장하기 위해, 선형 판별 분석(LDA) 알고리즘으로 특징 정보의 차원을 축소해 다차원의 특징 정보를 집적 모델로 삼아 입력한다. 시스템의 자기 적응성을 향상시키기 위하여, 서로 다른 서브 채널의 신호 파워를 자기 적응형 인자로 사용하여 네트워크 출력단에서 각 서브 반송파의 출력의 자기 적응을 집적시킨다. 해당 방법은 서로 다른 통신시스템이 사용하는 시스템 프레임에 근거해 데이터 집합을 생성하고 트레이닝을 통해 얻은 모델로 통신시스템의 어느 한 부분을 대체하기만 하면 되므로, 비교적 강한 보편성을 갖고 있다.

Description

자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법{SIGNAL DETECTION METHOD BY SC-FDE SYSTEM BASED ON SELF-ADAPTIVE INTEGRATED DEEP LEARNING MODEL}

본 발명은 스마트 통신 기술 분야에 관한 것으로, 특히, 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법에 관한 것이다.

무선 통신기술이 발전함에 따라, 5G 기술은 현재 사회의 포커스가 되었다. 5G 기술은 고(高)차원, 고(高)용량, 고(高)밀집의 특징을 나타내며, 어떻게 수많은 데이터를 이용해 시스템의 복잡도를 낮추고 시스템의 믿음성을 향상시키는가 하는 것은 기술의 관건이자 돌파점으로 되었다. 스마트 통신기술은 향후 무선통신 발전의 필연적인 추세로 인정받고 있으며, 특히, 5G 이후 사람들이 통신 품질에 대한 요구가 점점 높아질 것으로 보여진다. 최근 몇 년간 인공 스마트 기술이 다시 부흥하어 딥러닝이 기계 학습과 인공 스마트 분야의 최신 추세 중 하나가 되었으며, 컴퓨터 시각과 기계 학습에 심각한 변화를 가져 왔다. 딥러닝은 현재 이미 데이터 분석 공구가 되어 각 분야에 응용할 수 있으며, 무선통신분야가 바로 그 중 하나이다.

단일 반송파 주파수 영역 균형(SC-FDE)은 종래의 단일 반송파 전송과 직교 주파수 분할 다중(OFDM) 기술의 기초에서 발전된 일종의 신형 광대역 무선통신기술로서, 이는 주기적 전치 부호(CP)와 주파수 영역 균형을 이용해 다중 경로 효과 신호의 통로를 제거한다. 하지만, 채널 추정과 주파수 영역 균형 과정에서, 부호 간 간섭(ISI)과 채널 노이즈의 영향을 받아 시스템의 믿음성이 채널 임펄스 응답(CIR)이 변화함에 따라 변한다. SC-FDE 시스템은 다양한 측면에서 개선되었지만, 최적화된 신호검측방안은 5G 통신의 품질을 효과적으로 향상시킬 수 있다.

본 발명은 종래기술 중 SC-FDE 시스템의 신호검측방안이 다양한 요소의 간섭으로 특정된 신호 대 잡음비(SNR)에서 비교적 높은 비트 오류율(BER)이 존재하는 단점을 보완하기 위하여 창출된 것으로, 그 목적은, LSTM를 서브 네트워크로 이용하고 서로 다른 서브 채널의 신호 파워를 자기 적응형 인자로 삼는 자기 적응형 집적 딥러닝 모델 신호 검측방법을 제공하는 데 있다.

본 발명은 아래 기술방안을 통하여 구현된다.

SC-FDE 무선통신시스템 프레임을 기반으로 딥 모델에 필요한 데이터 집합을 생성하고 데이터 집합의 특징 정보는 수신단이 추출한 수신 신호의 특징으로부터 유래되며 태그는 발송단이 사용하는 변조방식에 대응되는 성좌도에 근거해 분배되는 단계 1;

단계 1의 데이터 집합을 무작위로 교란하고 다시 10000세트의 트레이닝 집합과 2000세트의 검증 집합으로 나누는 단계 2;

단계 2의 데이터 집합을 기반으로，선형 판별 분석(LDA) 알고리즘을 이용해 특징 정보의 차원을 축소하고 다차원의 특징 정보를 집적 모델로 삼아 입력하는 단계 3;

1개의 SC-FDE부호 중의 256개 서브 반송파를 각각 다수 개의 LSTM 서브 네트워크 중에 입력하여 자기 학습을 진행하고 서브 네트워크의 수치가 다중 경로 채널의 개수와 같은 단계 4;

신호 파워를 자기 적응형 인자로 삼아 단계 4의 각 서브 반송파가 다수 개의 서브 네트워크를 경유하는 출력 결과에 대한 자기 적응형 집적을 진행하는 단계 5;

단계 1, 단계 2, 단계 3, 단계 4와 단계 5에 의해 구축된 모델에 근거하여 SC-FDE 시스템의 채널 추정과 주파수 영역 균형 부분을 대체해 온라인 테스트를 진행하는 단계 6; 을 포함하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법을 제공한다.

바람직하게, 상기 단계 1에서, SC-FDE신호는 무작위 서열을 이용하여 통계 특성이 다른 채널 조건에서 생성된 것으로서, 데이터 집합 특징 정보의 생성은 수신단의 수신 신호 특징을 기반으로 하며, QPSK를 선정해 발송단의 변조방식으로 이용하고 데이터 집합의 태그를 1, 2, 3과 4로 설정한다.

바람직하게, 상기 단계 2에서, 데이터 집합에 대한 정규화 처리를 실시한다.

바람직하게, 상기 단계 3에서, 원시 특징 정보와 LDA 차원축소 후 특징 정보를 2개의 특징 정보로 삼고 집적 모델은 2개의 특징 정보에 근거해 파라미터를 최적화 하여 모델의 확장 가능성을 증강한다.

바람직하게, 상기 단계 4에서, LSTM 네트워크는 3층 은닉층을 이용하고 층별 뉴런 개수는 각각 100, 50, 50이며, 시간 스탭 길이를 1로 설정하고 개선된 개미군락 최적화 알고리즘을 통해 최적화 한다.

바람직하게, 개미군락 최적화 알고리즘은 자기 적응형 인자 P 자기 적응의 조절 정보를 통해 인자 α를 계발하고 예측 대기 데이터와 모델 트레이닝 데이터의 대조 상황에 근거해 페로몬(pheromone)의 강도를 확정하여 검색 무작위성의 크기를 변경한다.

바람직하게, 상기 단계 5에서, 임의의 서브 반송파는 각 서브 네트워크를 경유한 후, 모두 어느 한 성좌도의 포인트 CX를 생성하며, 신호 파워가 해당 신호 총 파워 중에서 차지하는 비율에 따라 해당 서브 네트워크 출력에 곱하는 계수를 확정해 자기 적응형 집적을 완성한다.

단계 5에서, 자기 적응형 집적 신경 네트워크 트레이닝은,

10000세트의 다차원 특징 정보를 네트워크 중에 입력하여 트레이닝하고 개선된 개미군락 최적화 알고리즘을 이용해 신경 네트워크를 최적화 하며, 신경 네트워크의 학습율이 반복 횟수가 증가됨에 따라 감소되는 단계 5.1;

2000세트의 검증 집합 중 차원이 다른 특징 정보의 순서를 교란한 후, 구축된 네트워크의 성능을 검증하는 단계 5.2;

손실 함수는 크로스 엔트로피(cross entropy) 함수

를 선정하여 사용하는 단계 5.3; 을 포함한다.

본 발명은 아래의 기술적 효과를 이룰 수 있다.

본 발명은 자기 적응형 집적 딥러닝 모델 기반의 신호검측방법에 관한 것으로, 혁신적인 구조 설계를 이용하고 단일 반송파 주파수 영역 균형 시스템(SC-FDE)을 기반으로 하여 신호 검측 모델을 구축한다. 집적된 LSTM 신경 네트워크를 이용하여 단대단(end-to-end) 방식으로 SC-FDE 시스템 수신단의 채널 추정과 주파수 영역 균형 부분을 대체하고 LSTM 신경 네트워크를 트레이닝하는 데 필요한 데이터 집합은 수신단이 추출한 수신 신호의 특징과, 발송단이 사용하는 변조방식에 대응되는 성좌도가 분배한 태그로 구성된다. 시스템의 믿음성을 보장하기 위해, 선형 판별 분석(LDA) 알고리즘으로 특징 정보의 차원을 축소해 다차원의 특징 정보를 집적 모델로 삼아 입력한다. 시스템의 자기 적응성을 향상시키기 위하여, 서로 다른 서브 채널의 신호 파워를 자기 적응형 인자로 사용하고 네트워크 출력단에서 각 서브 반송파의 출력의 자기 적응을 집적시킨다. 해당 방법은 서로 다른 통신시스템이 사용하는 시스템 프레임에 근거해 데이터 집합을을 생성하고 트레이닝을 통해 얻은 모델로 통신시스템의 어느 한 부분을 대체하기만 하면 되므로, 비교적 강한 보편성을 갖게 되어 현재 5G 통신의 요구에 더 적절하다.

도 1은 본 발명에 따른 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법의 SC-FDE 시스템 모델 구조도이고;
도 2는 본 발명에 따른 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법의 LSTM 신경 네트워크 구조도이고;
도 3은 본 발명에 따른 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법의 자기 적응형 집적 모델 기반의 신호검측방안 구조도이고;
도 4는 본 발명에 따른 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법의 신호 파워 특징도이다.

이하, 본 발명에 따른 실시예 중의 도면과 결합하여 본 발명에 따른 실시예 중의 기술방안을 분명하게 전면적으로 설명한다. 기재한 실시예는 본 발명의 일부 실시예에 불과하며, 전부의 실시예가 아니다는 것은 자명한 사실이다. 통상적으로 이 부분의 도면에 기재하고 도시한 본 발명에 따른 실시예의 어셈블리는 다양하게 서로 다른 사양으로 배치하고 설계될 수 있다.

따라서, 이하에서 도면 중에 제공된 본 발명에 따른 실시예에 대한 상세한 설명은 보호를 청구하는 본 발명의 범위에 대한 한정을 목적으로 하지 않으며, 본 발명의 바람직한 실시예만 표시할 뿐이다. 본 발명에 따른 실시예에 기반하여 본 기술분야의 기술자들이 창조성 노동을 진행하지 않은 전제 하에 얻은 모든 기타 실시예는 모두 본 발명의 보호범위에 속한다.

도 1 내지 도 4는 본 발명에 따른 일종의 구체적인 실시예를 도시하였다. 해당 실시예는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법이며, SC-FDE 시스템 모델은 도 1에서 도시하는 바와 같이 아래 단계들이다.

단계 1: SC-FDE 무선통신시스템 프레임을 기반으로 딥 모델에 필요한 데이터 집합을 생성한다. 데이터 집합의 특징 정보는 수신단이 추출한 수신 신호의 특징으로부터 유래되며 태그는 발송단이 사용하는 변조방식에 대응되는 성좌도에 근거해 분배된다.

상기 단계 1에서, SC-FDE 무선통신시스템의 구체적인 실시 과정은,

송출기 중에서 데이터 비트는 먼저 부호매칭모듈을 통해 부호로 매칭된 다음, 이어서 SC-FDE부호 사이에 CP를 삽입하여 보호 간격으로 삼으며. 보호 간격의 길이를 무선 채널의 최대 확장 지연보다 길도록 구성하여 부호 간 간섭(ISI)을 피해야 하는 단계 1.1;

다중경로 페이딩 채널을 통해 발송된 SC-FDE부호를 수신하고 수신 신호를

로 표시할 수 있는 단계 1.2;

수신 신호는 CP를 이동해 제거한 후, 푸리에 변환을 통해 전송 신호를 주파수 영역으로 변환시키며, 주파수 영역 신호를

로 표시할 수 있는 단계 1.3;

주파수 영역 균형과 채널 추정은 전체 시스템의 관건인 부분으로서, 균형을 이룬 후의 신호는 역 푸리에 변환을 거쳐 변환되어 시간 영역 신호를 얻고 부호 판단을 통해 원시 신호를 복구해 내는 단계 1.4; 를 포함한다.

단계 2: 단계 1의 견본 데이터를 무작위로 교란하고 다시 10000세트의 트레이닝 집합과 2000세트의 검증 집합으로 나누어 데이터에 대해 정규화 처리를 실시함으로써, 데이터 범위가 (0，1)로 되도록 하며, 정규화 공식은

이다.

단계 3: 단계 2에서의 트레이닝 데이터를 기반으로 선형 판별 분석(LDA) 알고리즘을 이용하여 특징 정보에 대산 차원축소 처리를 실시한다. LDA 알고리즘을 구현하는 단계는,

데이터 집합

을 입력하는 단계 3.1;

집단 내 산포 행렬(Within-Class Scatter Matrix)

, 집단 간 산포 행렬(Between-Class Scatter Matrix)

및

을 계산하는 단계 3.2;

최대의 d개 특징 값과 대응되는 d개 특징 벡터

를 계산하여 투영 행렬을 얻는 단계 3.3;

데이터 집합 중의 각 데이터 특징

을 새로운 데이터 특징

으로 전환시키는 단계 3.4;

차원축소 후의 데이터 집합

을 얻는 단계 3.5; 가 포함된다.

단계 4: 단계 2와 단계 3에서의 데이터 집합을 기반으로 LSTM 신경 네트워크가 시계열 정보에 대해 구비하고 있는 양호한 예측 성능을 이용하여 데이터에 대한 자기 학습을 진행하며, 도 2에서 도시된 LSTM 신경 네트워크 구조와 같이, LSTM 신경 네트워크 알고리즘은 네트워크 중의 "게이트"를 통해 구현된다.

망각 게이트는 주로 1개의

함수를 통해 완성되며, 이는 지난 유닛의 출력 데이터 신호

와 해당 시각에 입력한 화재신호

를 입력으로 삼고, (0,1)값을 생성하여

유닛 상태 정보가 망각된 정도를 확정하는 데, 그 계산 공식은

이다.

여기에서,

는 망각 게이트의 가중치 행렬이고,

는 망각 게이트의 바이어스 항이며

는

함수이다.

입력 게이트는 1개의

함수와 매칭되는 것을 통해 어느 새로운 신호입력 정보가 네트워크에 입력될 수 있는가 하는 것을 확정한다.

함수가 연산을 거쳐 새로운 변수

를 얻고, 입력 게이트가 1개의 (0,1)값을 생성하여 이를

에게 부여함으로써, 새로운 입력 정보가 네트워크에 얼마 입력되는가 하는 것을 제어하며, 망각 게이트가 얻은 출력

및 입력 게이트가 얻은 출력

과 결합하여 새로운 기억유닛의 유닛상태정보

를 얻으며, 그 공식은 아래와 같이 표시된다.

여기에서,

는 입력 게이트의 가중치 행렬이고,

는 입력 게이트의 바이어스 항이며,

는 유닛 상태의 가중치 행렬이고,

는 유닛 상태의 바이어스 항이며,

는

함수이다.

출력 게이트는 현재 유닛의 상태 정보 분실량이 얼마인가 하는 것을 제어하는 데, 출력 게이트는 1개의 (0,1)의 값을 생성하여 이를 유닛 상태의 항별로 부여함으로써, 유닛 상태의 필터링 정도를 제어하며, 그 공식은 아래와 같이 표시된다.

여기에서,

는 유닛 상태의 가중치 행렬이고,

는 유닛 상태의 바이어스 항이며,

는

함수이다.

본 실시예에 있어서, LSTM 네트워크는 3층 은닉층을 이용하는 데, 층별 뉴런 개수는 각각 100, 50, 50이고, 시간 스탭 길이는 1이며, LSTM 신경 네트워크는 개선된 개미군락 최적화 알고리즘을 통해 최적화하고 개미군락 최적화 알고리즘은 자기형 적응 인자 P 자기 적응의 조절 정보를 통해 인자 α를 계발하고, 예측 대기 데이터와 모델 트레이닝 데이터의 대조 상황에 근거해 페로몬(pheromone)의 강도를 확정하여 검색 무작위성의 크기를 변경한다.

단계 5: 단계 4에 따른 LSTM 네트워크를 집적 네트워크의 서브 네트워크로 이용하고, 신호 파워를 자기 적응형 인자로 삼아 각 서브 네트워크의 출력에 대한 자기 적응형 집적을 진행한다. 도 3은 자기 적응형 집적 모델의 신호검측방안 구조를 도시하였고, 도 4는 신호 파워의 특징을 도시하였다.

단계 5에서, 자기 적응형 집적 알고리즘을 구현하는 단계는,

자기 적응형 집적 모델 중 다중 경로 채널과 서브 반송파의 수치를 각각

와

로 설정하여, 채널 서브 반송파의 신호 파워를 아래와 같이 표시할 수 있는 단계 5.1;

계산한

개 채널과

번째 서브 반송파의 자기 적응형 인자가

이고, 여기에서,

인 단계 5.2;

행렬 D를 통해 각 서브 네트워크에 대응되는 서브 반송파의 추정 결과 C_X를 조합하고, 자기 적응형 인자를 추가한 후,

번째 서브 반송파에 대응되는 성좌도의 포인트를

로 표시할 수 있는 단계 5.3;

자기 적응형 집적 모델에 기반하는 신호검측방안이 추정하여 얻는 부호가

인 단계 5.4; 이다.

단계 6: 단계 1, 단계 2, 단계 3, 단계 4와 단계 5에 의해 구축된 모델에 근거하여 단대단(end-to-end) 방식으로 SC-FDE 시스템의 채널 추정과 주파수 영역 균형 부분을 대체해 온라인 테스트를 진행하고 원시 데이터를 복구한다.

상기 기술방안의 설계는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법에 관한 것으로서, 혁신적인 구조 설계를 이용하고 단일 반송파 주파수 영역 균형 시스템(SC-FDE)을 기반으로 하여 신호 검측 모델을 구축한다. 집적된 장단기 기억(LSTM) 신경 네트워크를 이용하여 단대단(end-to-end) 방식으로 SC-FDE 시스템 수신단의 채널 추정과 주파수 영역 균형 부분을 대체하고 LSTM 신경 네트워크를 트레이닝하는 데 필요한 데이터 집합은 수신단이 추출한 수신 신호의 특징과, 발송단이 사용하는 변조방식에 대응되는 성좌도가 분배한 태그로 구성된다. 시스템의 믿음성을 보장하기 위해, 선형 판별 분석(LDA) 알고리즘으로 특징 정보의 차원을 축소해 다차원의 특징 정보를 집적 모델로 삼아 입력한다. 시스템의 자기 적응성을 향상시키기 위하여, 서브 채널이 다른 신호 파워를 자기 적응형 인자로 사용하여 네트워크 출력단에서 각 서브 반송파의 출력의 자기 적응을 집적시킨다. 해당 방안은 특정된 어느 특정 SNR에서 BER가 비교적 큰 문제를 효과적으로 해결할 수 있어 현재 5G 통신의 요구에 부합된다.

무엇보다도, 상기 실시예는 본 발명에 따른 기술방안을 설명하는 데만 사용할 뿐, 한정하는 데는 사용하지 않는다. 본 기술분야의 통상적인 기술자들이 본 기술방안에 대해 실시하는 기타 수정 또는 균등한 치환은 본 발명에 따른 기술방안의 정신과 범위만 벗어나지 않으면 모두 본 발명의 특허청구서 중에 포함되어야 할 것이다.

Claims

자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법에 있어서,
SC-FDE 무선통신시스템 프레임을 기반으로 딥 모델에 필요한 데이터 집합을 생성하고, 데이터 집합의 특징 정보는 수신단이 추출한 수신 신호의 특징으로부터 유래되며, 태그는 발송단이 사용하는 변조방식에 대응되는 성좌도에 근거해 분배되는 단계 1;
단계 1의 데이터 집합을 무작위로 교란하고 다시 10000세트의 트레이닝 집합과 2000세트의 검증 집합으로 나누어 데이터에 대해 정규화 처리를 실시하는 단계 2;
단계 2의 데이터 집합을 기반으로, 선형 판별 분석(LDA) 알고리즘을 이용해 특징 정보의 차원을 축소하고, 다차원의 특징 정보를 집적 모델로 삼아 입력하는 단계 3;
1개의 SC-FDE부호 중의 256개 서브 반송파를 각각 다수 개의 LSTM 서브 네트워크 중에 입력하여 자기 학습을 진행하고, 서브 네트워크의 수치가 다중 경로 채널의 개수와 같은 단계 4;
신호 파워를 자기 적응형 인자로 삼아 단계 4의 각 서브 반송파가 다수 개의 서브 네트워크를 경유하는 출력 결과에 대한 자기 적응형 집적을 진행하되, 집적단계가,
자기 적응형 집적 모델 중 다중 경로 채널과 서브 반송파의 수치를 각각
와
로 설정하여 채널 서브 반송파의 신호 파워를
로 표시할 수 있는 단계 5.1 ;
계산한
개 채널과
번째 서브 반송파의 자기 적응형 인자가
이고, 여기에서,
인 단계 5.2;
행렬 D를 통해 각 서브 네트워크에 대응되는 서브 반송파의 추정 결과 C_X를 조합하고, 자기 적응형 인자를 추가한 후,
번째 서브 반송파에 대응되는 성좌도의 포인트를
로 표시할 수 있는 단계 5.3;
자기 적응형 집적 모델에 기반하는 신호검측방안이 추정하여 얻는 부호가
인 단계 5.4;인 단계 5;
단계 1, 단계 2, 단계 3, 단계 4와 단계 5에 의해 구축된 모델에 근거하여 단대단(end-to-end) 방식으로 SC-FDE 시스템의 채널 추정과 주파수 영역 균형 부분을 대체해 온라인 테스트를 진행하고, 원시 데이터를 복구해 내는 단계 6;을 포함하는 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.
제1항에 있어서,
상기 단계 2에서, 데이터 정규화의 범위는 최소값 0을 포함하고 최대값 1을 포함하는 0부터 1 사이의 모든 실수인 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.
제1항에 있어서,
상기 단계 3에서, 선형 판별 분석(LDA) 알고리즘을 구현하는 단계에는,
데이터 집합
을 입력하는 단계 3.1;
집단 내 산포 행렬(Within-Class Scatter Matrix)
, 집단 간 산포 행렬(Between-Class Scatter Matrix)
및
을 계산하는 단계 3.2;

최대의 d개 특징 값과 대응되는 d개 특징 벡터
를 계산하여 투영 행렬을 얻는 단계 3.3;
데이터 집합 중의 각 데이터 특징
을 새로운 데이터 특징
으로 전환시키는 단계 3.4;
차원축소 후의 데이터 집합
을 얻는 단계 3.5;가 포함되는 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.
제1항에 있어서,
상기 단계 4에서, LSTM 네트워크는 3층 은닉층을 이용하되, 층별 뉴런개수는 각각 100, 50, 50이고, 시간 스탭 길이를 1로 설정하며, 개선된 개미군락 최적화 알고리즘을 통해 최적화 하는 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.
제4항에 있어서,
상기 개미군락 최적화 알고리즘은 자기 적응형 인자 P 자기 적응의 조절 정보를 통해 인자 α를 계발하고, 예측 대기 데이터와 모델 트레이닝 데이터의 대조 상황에 근거해 페로몬(pheromone)의 강도를 확정하여 검색 무작위성의 크기를 변경하는 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.
제1항에 있어서,
상기 단계 6은 구체적으로, SC-FDE 통신시스템 중에 트레이닝 후의 자기 적응형 집적 딥러닝 모델을 이용하고 단대단(end-to-end) 방식으로 채널 추정과 주파수 영역 균형 부분을 대체하여 원시 신호에 대한 피드백을 완성하는 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.
제6항에 있어서,
상기 자기 적응형 집적 딥러닝 모델의 신호검측방안은 비트 오류율(BER)을 선정해 성능 평가 지표로 사용하는 것을 특징으로 하는 자기 적응형 집적 딥러닝 모델 기반의 SC-FDE 시스템 신호검측방법.