KR102619807B1 - 무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템 - Google Patents

무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템 Download PDF

Info

Publication number
KR102619807B1
KR102619807B1 KR1020220041869A KR20220041869A KR102619807B1 KR 102619807 B1 KR102619807 B1 KR 102619807B1 KR 1020220041869 A KR1020220041869 A KR 1020220041869A KR 20220041869 A KR20220041869 A KR 20220041869A KR 102619807 B1 KR102619807 B1 KR 102619807B1
Authority
KR
South Korea
Prior art keywords
communication network
wireless power
power communication
hap
output
Prior art date
Application number
KR1020220041869A
Other languages
English (en)
Other versions
KR20230143052A (ko
Inventor
조인휘
김홍식
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020220041869A priority Critical patent/KR102619807B1/ko
Publication of KR20230143052A publication Critical patent/KR20230143052A/ko
Application granted granted Critical
Publication of KR102619807B1 publication Critical patent/KR102619807B1/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
    • H04W16/18—Network planning tools
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

무선 전력 통신 네트워크에서 장치의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템이 개시된다. 일 실시예에 따른 출력량 조절 시스템에 의해 수행되는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법은, 무선 전력 통신 네트워크 환경과 관련된 입력 데이터를 머신러닝 모델에 입력받는 단계; 상기 머신러닝 모델을 이용하여 무선 전력 통신 네트워크 환경에서 HAP(Hybrid Access Point)의 배치 위치를 결정하는 단계를 포함하고, 상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 구성된 HAP의 위치에 따라 무선 전력 통신 네트워크 환경에 구성된 복수 개의 디바이스의 에너지 최소 출력량을 조정하기 위해 학습된 것일 수 있다.

Description

무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템{MACHINE LEARNING METHOD AND SYSTEM FOR MAXIMIZING THE MINIMUM POWER OUTPUT OF A DEVICE IN A WIRELESS POWER COMMUNICATION NETWORK}
아래의 설명은 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 조절하는 기술에 관한 것이다.
HAP(Hybrid Access Point)와 연동하는 무선 전력 통신 네트워크 환경에서는 HAP와 각 디바이스 사이에 에너지 및 정보를 주고받는다. 이때 일반적으로 거리가 멀어질수록 각 디바이스가 HAP로부터 받는 에너지가 감소하면서, 디바이스가 HAP로 정보를 전송하는 데 필요한 에너지는 증가한다. 이렇게 HAP와의 거리가 멀어서 수신하는 에너지는 낮지만 정보 전송에 필요한 에너지는 큰 경우, 디바이스의 출력량(throughput)이 낮다고 한다. 반대로 HAP와의 거리가 가까워서 수신하는 에너지는 높지만 정보 전송에 에너지를 적게 사용하는 경우 디바이스의 출력량이 높다고 한다.
무선 전력 통신 네트워크 환경에서 각 디바이스의 에너지 출력량의 최소값을 최대화하기 위해 Convex function optimization을 비롯한 수학적 방법들이 사용되는 것이 일반적이었다. 그러나, 단순한 수학적 알고리즘을 통해 에너지 출력량의 최소값을 최대화하므로, 다수의 디바이스가 존재하는 복잡한 네트워크 상황에서는 최적의 결과를 도출하기가 어렵다.
머신러닝 모델을 이용하여 무선 전력 통신 네트워크에서 HAP를 최적으로 배치하는 방법 및 시스템을 제공할 수 있다.
머신러닝 모델을 이용하여 무선 전력 통신 네트워크에서 각 디바이스의 너지 최소 출력량을 최대화하는 방법 및 시스템을 제공할 수 있다.
출력량 조절 시스템에 의해 수행되는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법은, 무선 전력 통신 네트워크 환경과 관련된 입력 데이터를 머신러닝 모델에 입력받는 단계; 상기 머신러닝 모델을 이용하여 무선 전력 통신 네트워크 환경에서 HAP(Hybrid Access Point)의 배치 위치를 결정하는 단계를 포함하고, 상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 구성된 HAP의 위치에 따라 무선 전력 통신 네트워크 환경에 구성된 복수 개의 디바이스의 에너지 최소 출력량을 조정하기 위해 학습된 것일 수 있다.
상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 대한 학습용 입력 데이터를 이용하여 상기 무선 전력 통신 네트워크에 구성된 HAP가 배치되었을 때의 복수 개의 디바이스의 에너지 최소 출력량을 학습용 출력 데이터로서 출력하도록 구축된 것일 수 있다.
상기 학습용 입력 데이터는, 상기 HAP와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 복수 개의 디바이스를 위치시킨 것일 수 있다.
상기 학습용 출력 데이터는, 상기 HAP와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 HAP를 배치했을 때의 복수 개의 디바이스의 에너지 최소 출력량을 저장한 것일 수 있다.
상기 HAP의 배치 위치를 결정하는 단계는, 상기 머신러닝 모델을 이용하여 상기 입력 데이터로부터 HAP가 상기 무선 전력 통신 네트워크 환경을 나타낸 2차원 격자 형태의 데이터에 따라 각각의 좌표 데이터에 배치되었을 때 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 출력 데이터로서 출력하는 단계를 포함할 수 있다.
상기 HAP의 배치 위치를 결정하는 단계는, 상기 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 상기 2차원 격자 형태의 데이터에 대응하는 위치 데이터에 위치시키고, 상기 예측된 에너지 최소 출력량이 클수록 진하게 표시하는 단계를 포함할 수 있다.
상기 HAP의 배치 위치를 결정하는 단계는, 상기 예측된 에너지 최소 출력량의 최대값을 기준으로 예측 범위를 설정하고, 상기 설정된 예측 범위에 포함된 상기 예측된 에너지 최소 출력량을 이용하여 상기 결정된 HAP의 배치 위치를 조정하는 단계를 포함할 수 있다.
무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법을 상기 출력량 조절 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 포함할 수 있다.
출력량 조절 시스템은, 무선 전력 통신 네트워크 환경과 관련된 입력 데이터를 머신러닝 모델에 입력받는 데이터 입력부; 상기 머신러닝 모델을 이용하여 무선 전력 통신 네트워크 환경에서 HAP(Hybrid Access Point)의 배치 위치를 결정하는 위치 결정부를 포함하고, 상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 구성된 HAP의 위치에 따라 무선 전력 통신 네트워크 환경에 구성된 복수 개의 디바이스의 에너지 최소 출력량을 조정하기 위해 학습된 것일 수 있다.
상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 대한 학습용 입력 데이터를 이용하여 상기 무선 전력 통신 네트워크에 구성된 HAP가 배치되었을 때의 복수 개의 디바이스의 에너지 최소 출력량을 학습용 출력 데이터로서 출력하도록 구축된 것일 수 있다.
상기 학습용 입력 데이터는, 상기 HAP(Hybrid Access Point)와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 복수 개의 디바이스를 위치시킨 것일 수 있다.
상기 학습용 출력 데이터는, 상기 HAP(Hybrid Access Point)와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 HAP를 배치했을 때의 복수 개의 디바이스의 에너지 최소 출력량을 저장한 것일 수 있다.
상기 위치 결정부는, 상기 머신러닝 모델을 이용하여 상기 입력 데이터로부터 HAP가 상기 무선 전력 통신 네트워크 환경을 나타낸 2차원 격자 형태의 데이터에 따라 각각의 좌표 데이터에 배치되었을 때 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 출력 데이터로서 출력할 수 있다.
상기 위치 결정부는, 상기 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 상기 2차원 격자 형태의 데이터에 대응하는 위치 데이터에 위치시키고, 상기 예측된 에너지 최소 출력량이 클수록 진하게 표시할 수 있다.
상기 위치 결정부는, 상기 예측된 에너지 최소 출력량의 최대값을 기준으로 예측 범위를 설정하고, 상기 설정된 예측 범위에 포함된 상기 예측된 에너지 최소 출력량을 이용하여 상기 결정된 HAP의 배치 위치를 조정할 수 있다.
머신러닝 모델을 이용하여 무선 전력 통신 네트워크의 복잡한 환경에서도 각 디바이스의 최소 출력량을 최대화하고 HAP 배치 위치를 최적화할 수 있다.
도 1은 일 실시예에 있어서, 무선 전력 네트워크 통신 환경을 설명하기 위한 예이다.
도 2는 일 실시예에 있어서, 머신러닝을 위한 입력 데이터를 설명하기 위한 도면이다.
도 3은 일 실시예에 있어서, 머신러닝을 위한 출력 데이터를 설명하기 위한 도면이다.
도 4는 일 실시예에 있어서, 머신러닝 모델을 설명하기 위한 도면이다.
도 5는 일 실시예에 있어서, 머신러닝 모델의 출력에 의한 HAP의 최적 위치를 결정하는 동작을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 출력량 조절 시스템의 구성을 설명하기 위한 블록도이다.
도 7은 일 실시예에 있어서, 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법을 설명하기 위한 흐름도이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 있어서, 무선 전력 네트워크 통신 환경을 설명하기 위한 예이다.
HAP(Hybrid Access Point)(103)와 복수 개의 디바이스(102)를 포함하는 무선 전력 네트워크 통신 환경(101)을 나타낸 것이다. 복수 개의 디바이스(102)는 무선 전력 네트워크 통신 환경(101)에 존재하는 각각의 무선 디바이스를 의미한다. 이때, 무선 전력 네트워크 통신 환경(101)에 적어도 하나 이상의 디바이스가 존재할 수 있다. 무선 전력 네트워크 통신 환경(101)에 하나의 HAP(103)가 존재할 수 있다.
이러한 무선 전력 네트워크 통신 환경(101)에서 각각의 디바이스(102)가 하나의 HAP(103)와 통신을 수행할 수 있다. 각각의 디바이스(102)가 HAP(103)로부터 수신하는 에너지량과 HAP(103)에 정보를 전송할 때 사용되는 에너지량에 따라 다음과 같이 출력량이 계산될 수 있다. 최소 출력량이란, 각각의 디바이스(102)에 대하여 수학식 1에 의해 계산된 출력량 (값)의 최소값을 의미한다.
수학식 1:
수학식 1은 비특허문헌 1(H. Ju, R. Zhang, in Throughput Maximization in Wireless Powered Communication Networks (2014).)의 수학식 6 및 7을 참고하여 도출된 것이다. 여기서, 와 는 사용된 실제 변조 및 코딩 방식(MCS)으로 인한 가산 백색 가우시안 잡음(AWGN) 채널 용량과의 신호 대 잡음비(SNR) 갭을 나타낸다. 는 로 주어질 수 있다. 는 주어진 에 대해 와 함께 증가하는 것으로 관찰될 수 있다. 는 주어진 에 대해 와 함께 증가한다.
도 2는 일 실시예에 있어서, 머신러닝을 위한 입력 데이터를 설명하기 위한 도면이다.
무선 전력 네트워크 통신 환경(101)에 존재하는 각각의 디바이스(102)와 HAP(103)를 나타낸 것이다. 출력량 조절 시스템은 무선 전력 네트워크 통신 환경(101)을 머신러닝 모델의 입력 데이터(204)로 입력하기 위하여, 무선 전력 네트워크 통신 환경(101)을 가로 길이 N, 세로 길이 N인 격자 형태의 데이터로 변환할 수 있다. 이러한 변환된 격자 형태의 데이터를 통해 구분되는 각 칸에 숫자 값을 저장할 수 있다. 이때, 변환된 격자 형태의 데이터의 모든 칸에 일정한 값(N0)이 저장될 수 있다.
무선 전력 네트워크 통신 환경(101)에서 각각의 디바이스의 위치를 변환된 격자 형태의 데이터에서의 좌표 값으로 대응시킬 때, 대응되는 좌표값에 해당되는 칸(205)에는 기존에 저장된 값(N0)과 다른 일정한 값(N1)을 저장할 수 있다. 예를 들면, 출력량 조절 시스템은 각각의 디바이스의 위치를 격자 형태의 데이터에서의 좌표 값으로 대응시킬 때, 대응되는 좌표값에 해당되는 칸에는 회색, 이외의 칸에는 흰색으로 표시하여 저장할 수 있다. 이때, 입력 데이터에서 (N1) 값이 있는 칸의 개수는 도 1의 무선 전력 네트워크 통신 환경(101)에 존재하는 디바이스의 개수와 같다.
도 3은 일 실시예에 있어서, 머신러닝을 위한 출력 데이터를 설명하기 위한 도면이다.
머신러닝 모델의 학습에 사용되는 출력 데이터(303)를 나타낸 것이다. 출력량 조절 시스템은 머신러닝 모델의 출력 데이터(303)를 입력 데이터(204)와 같이 가로 길이 N, 세로 길이 N인 격자 형태의 데이터로 변환할 수 있다. 이러한 변환된 격자 형태의 데이터를 통해 구분되는 각 칸에 숫자 값을 저장할 수 있다.
출력량 조절 시스템은 무선 전력 네트워크 통신 환경을 나타내는 격자 형태의 데이터에 기초하여, 격자 형태의 데이터에 구성된 각 칸에 대응되는 좌표값에 해당하는 위치에 HAP를 배치했을 때의 디바이스의 최소 출력량의 값을 저장할 수 있다. 출력량 조절 시스템은 격자 형태의 데이터에 구성된 각 칸에 HAP를 배치하였을 때 도출되는 최소 출력량을 각 칸과 일치하는 좌표값에 해당하는 위치에 표시할 수 있다. 이때, 최소 출력량에 따라 각 칸에 표시되는 색상이 다를 수 있다. 예를 들면, 최소 출력량이 클수록 진하게 표시될 수 있다.
출력량 조절 시스템은 머신러닝 모델의 학습 단계에서 대응되는 입력 데이터에 대한 실제 최소 출력량의 값을 저장하고, 모델 성능 평가 단계에서 대응되는 입력 데이터를 입력시켰을 때 머신러닝 모델에 의해 예측된 최소 출력량의 값을 저장할 수 있다.
도 4는 일 실시예에 있어서, 머신러닝 모델을 설명하기 위한 도면이다.
머신러닝 모델(402)은 심층 신경망 기반으로 무선 전력 통신 네트워크 환경에 구성된 HAP의 위치에 따라 무선 전력 통신 네트워크 환경에 구성된 복수 개의 디바이스의 에너지 출력량의 최소값(최소 출력량)을 조정하기 위해 구축된 것일 수 있다.
머신러닝 모델(4020)은 적어도 하나 이상의 입력 데이터와 출력 데이터의 쌍을 이용하여 심층 신경망을 이용한 학습을 수행하는 기계학습 모델을 의미한다. 이러한, 머신러닝 모델(402)은 학습 단계와 성능 평가 단계로 구성될 수 있다. 이때, 머신러닝 모델(402)에 무선 전력 통신 네트워크 환경을 도식화한 2차원 배열 형태의 입력 데이터가 입력될 수 있고, 2차원 배열 형태의 각 원소의 위치에 해당하는 좌표에 HAP를 배치했을 때의 디바이스들의 최소 출력량을 나타내는 2차원 배열 형태의 출력 데이터가 출력될 수 있다.
학습 단계는 머신러닝 모델(402)이 학습용 입력 데이터(104) 및 학습용 출력 데이터(403) 쌍의 데이터 집합(404)을 이용하여 학습을 수행하는 단계로, 출력 데이터는 실제 최소 출력량의 값이다. 학습을 위한 데이터 집합(404)은 학습용 입력 데이터(404) 및 학습용 출력 데이터(403)의 쌍을 포함하는 머신러닝 모델(402)의 학습을 위한 데이터이다. 예를 들면, HAP와 각 디바이스가 이동하는 무선 전력 통신 네트워크 환경에서 각 시점에서의 위치 데이터를 측정하고, 측정된 위치 데이터를 학습 데이터가 생성될 수 있다. 생성된 학습 데이터를 이용하여 머신러닝 모델(402)이 학습될 수 있다. 이와 같이 학습된 머신러닝 모델(402)을 통해 각 시점마다 이동되는 디바이스의 위치에 따라 최적의 HAP 배치 위치가 결정될 수 있고, 결정된 HAP 배치 위치로 이동될 수 있다.
성능 평가 단계는 머신러닝 모델(402)이 학습용 입력 데이터와 형태는 동일하지만 서로 독립적인 테스트용 입력 데이터(405)에 대해 출력값을 도출하는 단계로, 테스트용 출력 데이터(407)는 머신러닝 모델에 의해 예측되는 최소 출력량의 값이다. 또한 출력 데이터를 이용하여 무선 네트워크 환경에서 HAP를 최종적으로 배치할 위치를 결정할 수 있다. 보다 상세하게는, 학습 단계를 수행함에 따라 학습된 머신러닝 모델(402)에 테스트를 위한 입력 데이터(405)를 입력시켰을 때 예측되는 최소 출력량이 출력될 수 있다. 다시 말해서, 최소 출력량의 예측값이 테스트용 출력 데이터(407)로 출력될 수 있다. 이때, 테스트용 입력 데이터(405)는 학습용 입력 데이터(401)와는 다른 입력 데이터이며, 학습용 입력 데이터(401)와는 동일한 형태를 갖는다. 408은 적어도 하나 이상의 테스트용 입력 데이터(405)와 테스트용 출력 데이터(407)의 쌍을 포함하는 머신러닝 모델(402)의 성능 평가(테스트)를 위한 데이터 집합이다.
실시예에 따르면, 머신러닝 모델을 이용하여, 네트워크 환경이 다수의 장치로 구성되어 비교적 복잡할 때, 보다 간단하고 정확하게 HAP 위치 최적화를 수행할 수 있다.
도 5는 일 실시예에 있어서, 머신러닝 모델의 출력에 의한 HAP의 최적 위치를 결정하는 동작을 설명하기 위한 도면이다.
출력량 조절 시스템은 머신러닝 모델의 성능 평가 단계에서 출력된 출력 데이터를 이용하여, HAP를 무선 전력 통신 네트워크 환경 상에 최종적으로 배치할 위치를 결정할 수 있다.
출력량 조절 시스템은 머신러닝 모델을 이용하여 출력 데이터(407)를 출력할 수 있다. 이때, 출력 데이터(407)는 머신러닝 모델에 의해 출력된 HAP를 격자 형태의 데이터의 각 위치에 배치하였을 때의 예측되는 각각의 디바이스의 최소 출력량을 각 위치에 표시한 것이다. 502는 예측되는 최소 출력량이 가장 큰 위치의 좌표 데이터(값)를 나타낸 것이다. 예측되는 최소 출력량의 좌표값을 (x, y)라고 했을 때, x좌표가 x-1 ~ x+1, y좌표가 y-1 ~ y+1인 범위에 있는 복수 개(예를 들면, 9개)의 칸을 포함하는 예측 범위(503)가 설정될 수 있다.
출력 데이터의 격자(502)에 존재하는 값들 중 최대값이 존재하는 위치의 좌표를 (x, y)라고 했을 때, 각 좌표에 해당하는 칸에 있는 값을 다음과 같이 나타낼 수 있다.
(x, y-1) 칸의 값(504-1): Vup
(x-1, y) 칸의 값(504-2): Vleft
(x, y) 칸의 값(504-3): Vmax
(x+1, y) 칸의 값(504-4): Vright
(x, y+1) 칸의 값(504-5): Vdown
다시 말해서 설정된 예측 범위(503)의 복수 개의 칸 중 (x, y)에 해당하는 칸(최소 출력량의 최대화 지점)과 칸과 인접한 칸(4개의 칸), 총 복수 개(5개)의 칸이 표시될 수 있다. 최소 출력량 최대화 지점으로부터 1칸 위쪽에 해당하는 칸(504-1), 최소 출력량 최대화 지점으로부터 1칸 왼쪽에 해당하는 칸(504-2), 최소 출력량 최대화 지점에 해당하는 칸(504-3), 최소 출력량 최대화 지점으로부터 1칸 오른쪽에 해당하는 칸(504-4), 최소 출력량 최대화 지점으로부터 1칸 아래쪽에 해당하는 칸(504-5)이 표시될 수 있다.
출력량 조절 시스템은 최소 출력량 최대화 지점으로부터 1칸 위쪽에 해당하는 칸(504-1), 최소 출력량 최대화 지점으로부터 1칸 왼쪽에 해당하는 칸(504-2), 최소 출력량 최대화 지점에 해당하는 칸(504-3), 최소 출력량 최대화 지점으로부터 1칸 오른쪽에 해당하는 칸(504-4), 최소 출력량 최대화 지점으로부터 1칸 아래쪽에 해당하는 칸(504-5)에 해당하는 칸의 값을 이용한 계산을 통해 최종적으로 HAP의 최적 배치 위치를 결정할 수 있다.
HAP를 배치할 최적 위치의 좌표, 즉 x좌표와 y좌표는 다음과 같이 나타내며, 각 값은 정수 값이 아닐 수 있다.
x좌표 (가로 좌표) 의 값:
y좌표 (세로 좌표) 의 값:
HAP의 최적 배치 위치에 대응되는 무선 전력 통신 네트워크 환경 상의 지점에 HAP가 배치될 수 있다. 예를 들면, 현재의 HAP 위치를 기준으로 HAP가 최적 배치 위치로 이동될 수 있다. 이에, 각 디바이스의 에너지 최소 출력량을 최대화시킬 수 있다. 또는, 현재의 HAP 위치가 최적 배치 위치와 근접할 경우, HAP 위치가 이동되지 않을 수도 있다. 보다 상세하게는, 현재의 HAP 위치가 현재의 HAP 위치를 기준으로 기 설정된 거리 이내에 최적 배치 위치가 결정될 경우, HAP 위치가 이동되지 않고, 현재의 HAP 위치를 기준으로 기 설정된 거리를 벗어난 위치에 최적 배치 위치가 결정될 경우, HAP 위치가 최적 배치 위치로 이동될 수 있다.
도 6은 일 실시예에 따른 출력량 조절 시스템의 구성을 설명하기 위한 블록도이고, 도 7은 일 실시예에 있어서, 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법을 설명하기 위한 흐름도이다.
출력량 조절 시스템(100)의 프로세서는 데이터 입력부(610) 및 위치 결정부(620)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 출력량 조절 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 7의 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법이 포함하는 단계들(710 내지 720)을 수행하도록 출력량 조절 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 출력량 조절 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 출력량 조절 시스템을 제어할 수 있다. 이때, 데이터 입력부(610) 및 위치 결정부(620) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(710 내지 720)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(710)에서 데이터 입력부(610)는 무선 전력 통신 네트워크 환경과 관련된 입력 데이터를 머신러닝 모델에 입력받을 수 있다. 이때, 입력 데이터는 테스트용 입력 데이터, 즉, 학습 데이터와는 다른 새로운 데이터를 의미한다. 머신러닝 모델에 입력 데이터를 입력하기 위하여 2차원 격자 형태의 데이터로 변환된 후, 입력될 수 있다.
단계(720)에서 위치 결정부(620)는 머신러닝 모델을 이용하여 무선 전력 통신 네트워크 환경에서 HAP의 배치 위치를 결정할 수 있다. 위치 결정부(620)는 머신러닝 모델을 이용하여 입력 데이터로부터 HAP가 무선 전력 통신 네트워크 환경을 나타낸 2차원 격자 형태의 데이터에 따라 각각의 좌표 데이터에 배치되었을 때 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 출력 데이터로서 출력할 수 있다. 위치 결정부(620)는 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 2차원 격자 형태의 데이터에 대응하는 위치 데이터에 위치시키고, 예측된 에너지 최소 출력량이 클수록 진하게 표시할 수 있다. 위치 결정부(620)는 예측된 에너지 최소 출력량의 최대값을 기준으로 예측 범위를 설정하고, 설정된 예측 범위에 포함된 예측된 에너지 최소 출력량을 이용하여 결정된 HAP의 배치 위치를 조정할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 출력량 조절 시스템에 의해 수행되는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법에 있어서,
    무선 전력 통신 네트워크 환경과 관련된 입력 데이터를 머신러닝 모델에 입력받는 단계;
    상기 머신러닝 모델을 이용하여 무선 전력 통신 네트워크 환경에서 HAP(Hybrid Access Point)의 배치 위치를 결정하는 단계
    를 포함하고,
    상기 HAP의 배치 위치를 결정하는 단계는,
    상기 머신러닝 모델을 이용하여 상기 입력 데이터로부터 HAP가 상기 무선 전력 통신 네트워크 환경을 나타낸 2차원 격자 형태의 데이터에 따라 각각의 좌표 데이터에 배치되었을 때 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 출력 데이터로서 출력하고, 상기 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 상기 2차원 격자 형태의 데이터에 대응하는 위치 데이터에 위치시키고, 상기 예측된 에너지 최소 출력량의 최대값을 기준으로 설정된 예측 범위에 포함된 상기 예측된 에너지 최소 출력량을 이용하여 상기 결정된 HAP의 배치 위치를 조정하는 단계
    를 포함하고,
    상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 구성된 HAP의 위치에 따라 무선 전력 통신 네트워크 환경에 구성된 복수 개의 디바이스의 에너지 최소 출력량을 조정하기 위해 학습된 것을 특징으로 하는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법.
  2. 제1항에 있어서,
    상기 머신러닝 모델은,
    무선 전력 통신 네트워크 환경에 대한 학습용 입력 데이터를 이용하여 상기 무선 전력 통신 네트워크에 구성된 HAP가 배치되었을 때의 복수 개의 디바이스의 에너지 최소 출력량을 학습용 출력 데이터로서 출력하도록 구축된 것을 특징으로 하는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법.
  3. 제2항에 있어서,
    상기 학습용 입력 데이터는, 상기 HAP와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 복수 개의 디바이스를 위치시킨 것인, 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법.
  4. 제2항에 있어서,
    상기 학습용 출력 데이터는,
    상기 HAP와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 HAP를 배치했을 때의 복수 개의 디바이스의 에너지 최소 출력량을 저장한 것인, 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 HAP의 배치 위치를 결정하는 단계는,
    상기 예측된 에너지 최소 출력량이 클수록 진하게 표시하는 단계
    를 포함하는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법.
  7. 제6항에 있어서,
    상기 HAP의 배치 위치를 결정하는 단계는,
    상기 예측된 에너지 최소 출력량의 최대값을 기준으로 예측 범위를 설정하는 단계
    를 포함하는 무선 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법.
  8. 제1항 내지 제4항, 제6항, 제7항 중 어느 한 항의 전력 통신 네트워크에서 디바이스의 에너지 출력량을 최적화하는 방법을 상기 출력량 조절 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
  9. 출력량 조절 시스템에 있어서,
    무선 전력 통신 네트워크 환경과 관련된 입력 데이터를 머신러닝 모델에 입력받는 데이터 입력부;
    상기 머신러닝 모델을 이용하여 무선 전력 통신 네트워크 환경에서 HAP(Hybrid Access Point)의 배치 위치를 결정하는 위치 결정부
    를 포함하고,
    상기 위치 결정부는,
    상기 머신러닝 모델을 이용하여 상기 입력 데이터로부터 HAP가 상기 무선 전력 통신 네트워크 환경을 나타낸 2차원 격자 형태의 데이터에 따라 각각의 좌표 데이터에 배치되었을 때 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 출력 데이터로서 출력하고, 상기 복수 개의 디바이스에 대하여 예측된 에너지 최소 출력량을 상기 2차원 격자 형태의 데이터에 대응하는 위치 데이터에 위치시키고, 상기 예측된 에너지 최소 출력량의 최대값을 기준으로 설정된 예측 범위에 포함된 상기 예측된 에너지 최소 출력량을 이용하여 상기 결정된 HAP의 배치 위치를 조정하는 것을 포함하고,
    상기 머신러닝 모델은, 무선 전력 통신 네트워크 환경에 구성된 HAP의 위치에 따라 무선 전력 통신 네트워크 환경에 구성된 복수 개의 디바이스의 에너지 최소 출력량을 조정하기 위해 학습된 것을 특징으로 하는 출력량 조절 시스템.
  10. 제9항에 있어서,
    상기 머신러닝 모델은,
    무선 전력 통신 네트워크 환경에 대한 학습용 입력 데이터를 이용하여 상기 무선 전력 통신 네트워크에 구성된 HAP가 배치되었을 때의 복수 개의 디바이스의 에너지 최소 출력량을 학습용 출력 데이터로서 출력하도록 구축된 것을 특징으로 하는 출력량 조절 시스템.
  11. 제10항에 있어서,
    상기 학습용 입력 데이터는,
    상기 HAP와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 복수 개의 디바이스를 위치시킨 것인, 것을 특징으로 하는 출력량 조절 시스템.
  12. 제10항에 있어서,
    상기 학습용 출력 데이터는,
    상기 HAP와 복수 개의 디바이스로 구성된 무선 전력 통신 네트워크 환경을 2차원 격자 형태의 데이터로 변환하고, 상기 변환된 2차원 격자 형태의 데이터에 HAP를 배치했을 때의 복수 개의 디바이스의 에너지 최소 출력량을 저장한 것인, 것을 특징으로 하는 출력량 조절 시스템.
  13. 삭제
  14. 제9항에 있어서,
    상기 위치 결정부는,
    상기 예측된 에너지 최소 출력량이 클수록 진하게 표시하는
    것을 특징으로 하는 출력량 조절 시스템.
  15. 제14항에 있어서,
    상기 위치 결정부는,
    상기 예측된 에너지 최소 출력량의 최대값을 기준으로 예측 범위를 설정하는
    것을 특징으로 하는 출력량 조절 시스템.
KR1020220041869A 2022-04-04 2022-04-04 무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템 KR102619807B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220041869A KR102619807B1 (ko) 2022-04-04 2022-04-04 무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220041869A KR102619807B1 (ko) 2022-04-04 2022-04-04 무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20230143052A KR20230143052A (ko) 2023-10-11
KR102619807B1 true KR102619807B1 (ko) 2024-01-02

Family

ID=88295503

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220041869A KR102619807B1 (ko) 2022-04-04 2022-04-04 무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102619807B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010518700A (ja) 2007-01-31 2010-05-27 シンボル テクノロジーズ インコーポレイテッド 最適なｒｆ送信機の配置のための方法と装置
KR101655086B1 (ko) 2014-12-04 2016-09-07 주식회사 슈어컴 데이터집중유닛의 최적 위치 선정 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100417821B1 (ko) * 2002-05-04 2004-02-05 엘지전자 주식회사 무선랜의 다중 액세스포인트 최적위치 설정 방법
CN107786986B (zh) * 2016-08-30 2020-02-11 新华三技术有限公司 Ap放置方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010518700A (ja) 2007-01-31 2010-05-27 シンボル テクノロジーズ インコーポレイテッド 最適なｒｆ送信機の配置のための方法と装置
KR101655086B1 (ko) 2014-12-04 2016-09-07 주식회사 슈어컴 데이터집중유닛의 최적 위치 선정 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jie Tang et al., "Minimum Throughput Maximization for Multi-UAV Enabled WPCN: A Deep Reinforcement Learning Method", IEEE Access, Vol.8, pp.9124-9132 (2020.01.06.) 1부.*

Also Published As

Publication number Publication date
KR20230143052A (ko) 2023-10-11

Similar Documents

Publication Publication Date Title
US20220108178A1 (en) Neural network method and apparatus
US20110295403A1 (en) Simulation parameter correction technique
CN113574546A (zh) 确定用于控制环境的因果模型
KR20210072705A (ko) 홀로그램 양자 동역학 시뮬레이션
JP2010009341A (ja) 特性が似ていて形状が異なる設計形状を分類・表示する装置、方法、及びプログラム
US11244091B2 (en) Missing sensor value estimation
CN111338765B (zh) 基于猫群算法的虚拟机部署方法、装置、设备及存储介质
KR102327026B1 (ko) Gcn 기반의 어셈블리 코드 학습 장치 및 방법과 이를 이용한 보안 약점 탐지 장치 및 방법
KR102619807B1 (ko) 무선 전력 통신 네트워크에서 디바이스의 최소 출력량을 최대화하는 머신러닝 방법 및 시스템
Hu et al. Bandwidth prediction based on nu-support vector regression and parallel hybrid particle swarm optimization
US10289795B1 (en) Routing tree topology generation
US9779061B2 (en) Iterative refinement apparatus
US20230119668A1 (en) Predictive sensor system, method, and computer program product
KR20210023641A (ko) 기계 학습 모델 및 규칙 기반 모델을 포함하는 혼성 모델을 위한 방법 및 시스템
KR102593844B1 (ko) 딥러닝 네트워크 구성 방법, 딥러닝 자동화 플랫폼 서비스 시스템 및 이를 위한 컴퓨터 프로그램
US20220215137A1 (en) Information processing apparatus, information processing method, and computer-readable recording medium storing information processing program
KR101949448B1 (ko) 가우시안 프로세스 회귀분석을 이용한 클러스터링 방법 및 그 장치
KR102559605B1 (ko) 함수 최적화 방법 및 장치
US20210192108A1 (en) Information processing apparatus, information processing method, and non-transitory computer readable medium
US10579767B1 (en) Systems and methods for routing a clock net with multiple layer ranges
Azzato et al. SOCSol4l: an improved Matlab (R) package for approximating the solution to a continuous-time stochastic optimal control problem
KR101428921B1 (ko) 다중 라디오 환경에서 기계학습을 이용한 적응형 전송 방법 및 장치
KR102554905B1 (ko) 학습데이터 모집단에서 최종학습데이터셋을 도출하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체
US11756264B2 (en) Continuous optimization of discrete parameters using a unified stress indicator
CN117407177B (zh) 任务执行方法、装置、电子设备及可读存储介质

Legal Events

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