KR102631741B1 - 방송 신호 검출 장치 및 방법 - Google Patents
방송 신호 검출 장치 및 방법 Download PDFInfo
- Publication number
- KR102631741B1 KR102631741B1 KR1020190127746A KR20190127746A KR102631741B1 KR 102631741 B1 KR102631741 B1 KR 102631741B1 KR 1020190127746 A KR1020190127746 A KR 1020190127746A KR 20190127746 A KR20190127746 A KR 20190127746A KR 102631741 B1 KR102631741 B1 KR 102631741B1
- Authority
- KR
- South Korea
- Prior art keywords
- bootstrap
- broadcast signal
- signal
- symbol
- real
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/438—Interfacing the downstream path of the transmission network originating from a server, e.g. retrieving encoded video stream packets from an IP network
- H04N21/4382—Demodulation or channel decoding, e.g. QPSK demodulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/16—Arrangements for providing special services to substations
- H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
- H04L12/1845—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast broadcast or multicast in a specific location, e.g. geocast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/41—Structure of client; Structure of client peripherals
- H04N21/426—Internal components of the client ; Characteristics thereof
- H04N21/42676—Internal components of the client ; Characteristics thereof for modulating an analogue carrier signal to encode digital information or demodulating it to decode digital information, e.g. ADSL or cable modem
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/443—OS processes, e.g. booting an STB, implementing a Java virtual machine in an STB or power management in an STB
- H04N21/4432—Powering on the client, e.g. bootstrap loading using setup parameters being stored locally or received from the server
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/44—Receiver circuitry for the reception of television signals according to analogue transmission standards
- H04N5/455—Demodulation-circuits
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Circuits Of Receivers In General (AREA)
Abstract
방송 신호 검출 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 방송 신호 검출 장치는 수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출하는 부트스트랩 검출부; 상기 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정하는 부트스트랩 옵셋 추정부 및 상기 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 복조부를 포함한다.
Description
본 발명은 방송 신호 검출 기술에 관한 것으로, 보다 상세하게는 기계학습을 이용하여 방송 신호를 검출하는 기술에 관한 것이다.
부트스트랩 신호를 고안한 목적은 수신기에게 방송 신호의 존재를 알리고 바로 뒤에 위치한 데이터 프레임의 프리앰블을 복조하기 위한 정보를 전송하는 것이다. 수신기는 부트스트랩 신호로부터 얻은 정보로 프레임의 프리앰블을 복조할 수 있으며, 프리엠블에 전송되는 정보들은 바로 뒤에 전송되는 서브프레임의 OFDM 심볼들을 복조할 수 있도록 한다. 또한 부트스트랩 신호에는 wake up bit들이 전송되어 재난 상황 시 수신기를 깨워 재난 정보를 수신받을 수 있도록 하는 역할을 수행한다. 부트스트랩 신호는 이와 같은 특징들로 인해 표준 설계 시 -6 dB 정도의 열악한 SNR (Signal-to-Noise Ratio) 환경에서도 의 FER (Bit Error Rate) 성능으로 검출할 수 있도록 설계되었다.
한편, 한국공개특허 제 10-2016-0116334 호 “방송 신호 송신 장치, 방송 신호 수신 장치, 방송 신호 송신 방법, 및 방송 신호 수신 방법”는 지상파 방송망과 인터넷 망을 사용하는 차세대 하이브리드 방송을 지원하는 환경에서 차세대 방송 서비스를 지원할 수 있는 시스템에 관하여 개시하고 있다.
본 발명은 효과적으로 부트스트랩 신호의 검출, 부트스트랩 옵셋 추정 및 정보의 복조를 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 방송 신호 검출 장치는 수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출하는 부트스트랩 검출부; 상기 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정하는 부트스트랩 옵셋 추정부 및 상기 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 복조부를 포함한다.
이 때, 상기 부트스트랩 검출부는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 신호의 포함 여부를 출력할 수 있다.
이 때, 상기 부트스트랩 옵셋 추정부는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정할 수 있다.
이 때, 상기 부트스트랩 옵셋 추정부는 상기 부트스트랩 옵셋에 기반하여 상기 방송 신호에 포함된 정보를 포함하는 상기 부트스트랩 심볼들 중 제1 부트스트랩 심볼과 제2 부트스트랩 심볼을 추정할 수 있다.
이 때, 상기 복조부는 상기 제1 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 제2 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 제1 부트스트랩 심볼과 제2 부트스트랩 심볼로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조할 수 있다.
또한, 상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 방송 신호 검출 방법은 방송 신호 검출 장치의 방송 신호 검출 방법에 있어서, 수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출하는 단계; 상기 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정하는 단계 및 상기 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 단계를 포함한다.
이 때, 상기 검출하는 단계는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 신호의 포함 여부를 출력할 수 있다.
이 때, 상기 추정하는 단계는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정할 수 있다.
이 때, 상기 추정하는 단계는 상기 부트스트랩 옵셋에 기반하여 상기 방송 신호에 포함된 정보를 포함하는 상기 부트스트랩 심볼들 중 제1 부트스트랩 심볼과 제2 부트스트랩 심볼을 추정할 수 있다.
이 때, 상기 복조하는 단계는 상기 제1 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 제2 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 제1 부트스트랩 심볼과 제2 부트스트랩 심볼로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조할 수 있다.
본 발명은 효과적으로 부트스트랩 신호의 검출, 부트스트랩 옵셋 추정 및 정보의 복조를 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 데이터 프레임 구조를 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 부트스트랩 신호 생성기를 나타낸 블록도이다.
도 3 및 도 4는 본 발명의 일실시예에 따른 부트스트랩 OFDM 심볼의 보호구간을 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 방송 신호 검출 장치를 나타낸 블록도이다.
도 6은 본 발명의 일실시예에 따른 부트스트랩 검출부의 동작 예시를 나타낸 도면이다.
도 7은 본 발명의 일실시예에 따른 부트스트랩 동작부의 동작 예시를 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 방송 신호 검출 방법을 나타낸 동작흐름도이다.
도 9는 본 발명의 일실시예에 따른 부트스트랩 검출부의 DNN 기반 검출 동작 과정을 나타낸 도면이다.
도 10은 본 발명의 일실시예에 따른 부트스트랩 검출부의 CNN 기반 검출 동작 과정을 나타낸 도면이다.
도 11은 본 발명의 일실시예에 따른 부트스트랩 옵셋 추정부의 DNN 기반 옵셋 추정 동작 과정을 나타낸 도면이다.
도 12는 본 발명의 일실시예에 따른 부트스트랩 옵셋 추정부의 CNN 기반 옵셋 추정 과정을 나타낸 도면이다.
도 13은 본 발명의 일실시예에 따른 복조부의 DNN 기반 정보 복조 과정을 나타낸 도면이다.
도 14는 본 발명의 일실시예에 따른 복조부의 CNN 기반 정보 복조 과정을 나타낸 도면이다.
도 15는 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 부트스트랩 신호 생성기를 나타낸 블록도이다.
도 3 및 도 4는 본 발명의 일실시예에 따른 부트스트랩 OFDM 심볼의 보호구간을 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 방송 신호 검출 장치를 나타낸 블록도이다.
도 6은 본 발명의 일실시예에 따른 부트스트랩 검출부의 동작 예시를 나타낸 도면이다.
도 7은 본 발명의 일실시예에 따른 부트스트랩 동작부의 동작 예시를 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 방송 신호 검출 방법을 나타낸 동작흐름도이다.
도 9는 본 발명의 일실시예에 따른 부트스트랩 검출부의 DNN 기반 검출 동작 과정을 나타낸 도면이다.
도 10은 본 발명의 일실시예에 따른 부트스트랩 검출부의 CNN 기반 검출 동작 과정을 나타낸 도면이다.
도 11은 본 발명의 일실시예에 따른 부트스트랩 옵셋 추정부의 DNN 기반 옵셋 추정 동작 과정을 나타낸 도면이다.
도 12는 본 발명의 일실시예에 따른 부트스트랩 옵셋 추정부의 CNN 기반 옵셋 추정 과정을 나타낸 도면이다.
도 13은 본 발명의 일실시예에 따른 복조부의 DNN 기반 정보 복조 과정을 나타낸 도면이다.
도 14는 본 발명의 일실시예에 따른 복조부의 CNN 기반 정보 복조 과정을 나타낸 도면이다.
도 15는 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 데이터 프레임 구조를 나타낸 도면이다.
도 1을 참조하면, 부트스트랩 신호는 뒤에 나오는 프리앰블과 서브프레임들에 비해 적은 대역폭을 점유할 수 있다. 부트스트랩 신호는 4개의 OFDM 심볼들로 이루어져 있으며, 4개의 OFDM 심볼들은 모든 수신기에서 검출이 가능하도록 6.144 Ms/sec의 샘플링 레이트, 4.5 MHz의 대역폭, 2048의 FFT 길이, 3 kHz의 부반송파 간격으로 전송 파라미터가 항상 같은 값이 사용될 수 있다.
표 1은 본 발명의 일실시예에 따른 부트스트랩 신호의 전송 정보를 나타낸 것을 알 수 있다. 부트스트랩 신호의 OFDM 심볼들은 표 1과 같은 일 예의 정보를 전달할 수 있다.
[표 1]
표 1을 참조하면, 4개의 부트스트랩 심볼 중 두 번째 심볼인 제1 부트스트랩 심볼(심볼 #1)과 세 번째 심볼인 제2 부트스트랩 심볼(심볼 #2)에 정보가 포함된 것을 알 수 있다. 부트스트랩 심볼의 인코딩 방식은 bit shift 방식으로 기준이 되는 첫 번째 심볼인 심볼 #0에는 정보가 인코딩되지 않고, 신호의 검출을 위해 모든 프레임에 동일한 심볼이 사용될 수 있다. 또한, 표 1과 같이 두번째와 세번째 심볼인 심볼 #1과 심볼 #2에는 방송 신호에 포함되는 정보의 일 예인 재난정보 전달을 위한 Wake-up 신호가 포함될 수 있다. 재난정보의 신속한 전파 및 대응을 위해 Sleep mode의 수신기를 깨우는 역할을 하는 정보이므로, 두번째와 세번째 심볼인 심볼 #1과 심볼 #2에는 반드시 검출해야 하는 매우 중요한 정보가 포함될 수 있다.
따라서, 본 발명에서는 수신한 방송 신호에서 재난신호와 같은 특정한 정보를 효과적으로 검출하기 위해, 부트스트랩 신호 검출, 옵셋 추정 및 재난정보가 포함된 심볼위치를 검출하여 재난정보를 복조하는 방송 신호 검출 장치 및 방법을 제안한다.
도 2는 본 발명의 일실시예에 따른 부트스트랩 신호 생성기를 나타낸 블록도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 부트스트랩 신호 생성기의 시퀀스 제네레이터는 주파수 영역에서 발생된 랜덤 시퀀스를 이용하여 부트스트랩 신호를 생성하는 것을 알 수 있다. 랜덤 시퀀스로는 ZC (Zadoff-Chu) 시퀀스와 PN (Pseudo-Noise) 시퀀스가 사용되는 것을 알 수 있다. 두 랜덤 시퀀스는 root와 seed가 결정되어 발생될 수 있다. 예를 들어, ATSC 3.0의 버전 번호는 0.0이며, 버전 번호의 앞의 번호가 major 버전, 뒤의 번호가 minor 버전을 의미할 수 있다.
부트스트랩 신호 생성기는 서브 캐리어 매핑과 제로 패딩과 같은 신호처리 절차를 거쳐 IFFT 연산을 수행할 수 있다.
이 때, 부트스트랩 신호 생성기는 시간영역 OFDM 심볼들을 전송하기 전에 하나의 심볼마다 CAB 및 BCA 보호구간을 생성하여 전송할 수 있다(CAB & BCA STRUCTURE CONSTRUCTION).
도 3 및 도 4는 본 발명의 일실시예에 따른 부트스트랩 OFDM 심볼의 보호구간을 나타낸 도면이다.
도 3 및 도 4를 참조하면, A는 bit 시퀀스가 인코딩된 시간영역 신호이며, C 및 B는 A의 일부를 복사한 보호 구간에 상응할 수 있다. 이 때, 상기에서 설명한 4개의 부트스트랩 OFDM 심볼 중 첫 번째 심볼은 도 3과 같은 CAB 구조로 보호 구간이 생성될 수 있고, 나머지 3개의 심볼들은 도 4와 같이 BCA 구조로 보호 구간이 생성될 수 있다.
도 5는 본 발명의 일실시예에 따른 방송 신호 검출 장치를 나타낸 블록도이다. 도 6은 본 발명의 일실시예에 따른 부트스트랩 검출부의 동작 예시를 나타낸 도면이다. 도 7은 본 발명의 일실시예에 따른 부트스트랩 동작부의 동작 예시를 나타낸 도면이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 방송 신호 검출 장치는 부트스트랩 검출부(110), 부트스트랩 옵셋 추정부(120) 및 복조부(130)를 포함한다.
부트스트랩 검출부(110)는 수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출할 수 있다.
방송 신호에서 무선채널 및 가우시안 잡음 채널이 포함된 첫번째 부트스트랩 신호는 수학식 1과 같이 나타낼 수 있다.
[수학식 1]
수학식 1에서, x0 은 0번째 전송된 시간영역 부트스트랩 신호이고 h는 무선 페이딩 채널, n은 백색 가우시안 잡음을 나타낼 수 있다. 시간영역 부트스트랩 신호는 3072의 샘플길이를 가질 수 있다.
이 때, 부트스트랩 검출부(110)는 부트스트랩 신호가 존재하는지 유무를 판별하는 할 수 있다.
이 때, 부트스트랩 검출부(110)는 부트스트랩 신호가 전송되지 않는 환경에서는 부트스트랩 검출기는 신호가 없다고 판단하면 특별한 동작을 하지 않을 수 있다.
그러나, 부트스트랩 검출부(110)는 부트스트랩 신호가 전송되고 있는 상황이라면 부트스트랩 신호가 존재한다고 판단하여 부트스트램 신호의 포함 여부에 관한 정보를 부트스트랩 옵셋 추정부(120)에 전달할 수 있다.
도 6을 참조하면, 부트스트랩 검출부(110)는 부트스트랩 시간영역 샘플길이인 3072길이의 윈도우를 상기 기설정된 제1 부트스트랩 윈도우로 사용할 수 있다.
이 때, 부트스트랩 검출부(110)는 기설정된 제1 부트스트랩 윈도우에서 기 설정된 Threshold 를 넘는 길이의 부트스트랩 신호가 입력되면 부트스트랩 신호가 검출되었다고 판단할 수 있다.
이 때, 부트스트랩 검출부(110)는 부트스트랩 유무 판단을 위한 Threshold 길이를 k 값으로 설정할 수 있다. 이 때, 부트스트랩 검출부(110)는 정확도 및 복잡도를 고려하여 상기 k 값을 가변 설정할 수 있다.
이 때, 부트스트랩 검출부(110)는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 신호의 포함 여부를 출력할 수 있다.
부트스트랩 옵셋 추정부(120)는 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정할 수 있다.
이 때, 부트스트랩 옵셋 추정부(120)는 부트스트랩 옵셋 값을 검출하여 부트스트랩 신호의 위치에 해당하는 부트스트림 심볼을 판별할 수 있다.
도 7을 참조하면, 부트스트랩 옵셋 추정부(120)는 기설정된 제2 부트스트랩 윈도우를 이용하여 부트스트랩 시작점을 찾고, 부트스트랩 옵셋 값을 측정할 수 있다.
이 때, 부트스트랩 옵셋 추정부(120)는 부트스트랩 옵셋 값에 기반하여 방송 신호에 포함된 정보가 포함된 제1 부트스트랩 심볼인 #1 및 제2 부트스트랩 심볼인 #2를 추정하고, #1 및 #2를 복조부(130)에 전달할 수 있다.
이 때, 부트스트랩 옵셋 추정부(120)는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정할 수 있다.
이 때, 부트스트랩 옵셋 추정부(120)는 상기 부트스트랩 옵셋에 기반하여 상기 방송 신호에 포함된 정보를 포함하는 상기 부트스트랩 심볼들 중 제1 부트스트랩 심볼과 제2 부트스트랩 심볼을 추정할 수 있다.
또한, 부트스트랩 검출부(110) 및 부트스트랩 옵셋 추정부(120)는 하나의 블록으로도 설계될 수 있고, 부트스트랩 신호의 존재 유무 판단 및 옵셋 추정이 하나의 기능 블록에서 수행될 수도 있다.
복조부(130)는 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조할 수 있다.
예를 들어, 방송 신호에 포함된 정보는 재난 정보와 같은 긴급하고 매우 중요한 정보들에 상응할 수 있다.
이 때, 복조부(130)는 상기 제1 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 제2 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 제1 부트스트랩 심볼과 제2 부트스트랩 심볼로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조할 수 있다.
또한, 복조부(130)는 방송 신호에 포함된 정보의 여부에 따라 대응 동작을 수행할 수 있다.
예를 들어, 복조부(130)는 방송 신호에 포함된 정보에 따라 재난 상황으로 판단된 경우, 대응 동작을 수행하고, 재난 상황으로 판단되지 않은 경우, 부트스트랩 검출부(110)에게 부트스트랩 신호 검출을 요청할 수 있다.
도 8은 본 발명의 일실시예에 따른 방송 신호 검출 방법을 나타낸 동작흐름도이다.
도 8을 참조하면, 본 발명의 일실시예에 따른 방송 신호 검출 방법은 먼저 부트스트랩 신호를 검출할 수 있다(S210).
즉, 단계(S210)는 수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출할 수 있다.
방송 신호에서 무선채널 및 가우시안 잡음 채널이 포함된 첫번째 부트스트랩 신호는 상기 수학식 1과 같이 나타낼 수 있다.
수학식 1에서, x0 은 0번째 전송된 시간영역 부트스트랩 신호이고 h는 무선 페이딩 채널, n은 백색 가우시안 잡음을 나타낼 수 있다. 시간영역 부트스트랩 신호는 3072의 샘플길이를 가질 수 있다.
이 때, 단계(S210)는 부트스트랩 신호가 존재하는지 유무를 판별하는 할 수 있다.
이 때, 단계(S210)는 부트스트랩 신호가 전송되지 않는 환경에서는 부트스트랩 검출기는 신호가 없다고 판단하면 특별한 동작을 하지 않을 수 있다.
그러나, 단계(S210)는 부트스트랩 신호가 전송되고 있는 상황이라면 부트스트랩 신호가 존재한다고 판단하여 부트스트램 신호의 포함 여부에 관한 정보를 부트스트랩 옵셋 추정부(120)에 전달할 수 있다.
이 때, 단계(S210)는 부트스트랩 시간영역 샘플길이인 3072길이의 윈도우를 상기 기설정된 제1 부트스트랩 윈도우로 사용할 수 있다.
이 때, 단계(S210)는 기설정된 제1 부트스트랩 윈도우에서 기 설정된 Threshold 를 넘는 길이의 부트스트랩 신호가 입력되면 부트스트랩 신호가 검출되었다고 판단할 수 있다.
이 때, 단계(S210)는 부트스트랩 유무 판단을 위한 Threshold 길이를 k 값으로 설정할 수 있다. 이 때, 부트스트랩 검출부(110)는 정확도 및 복잡도를 고려하여 상기 k 값을 가변 설정할 수 있다.
이 때, 단계(S210)는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 신호의 포함 여부를 출력할 수 있다.
또한, 본 발명의 일실시예에 따른 방송 신호 검출 방법은 부트스트랩 옵셋을 추정할 수 있다(S220).
즉, 단계(S220)는 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정할 수 있다.
이 때, 단계(S220)는 부트스트랩 옵셋 값을 검출하여 부트스트랩 신호의 위치에 해당하는 부트스트림 심볼을 판별할 수 있다.
이 때, 단계(S220)는 기설정된 제2 부트스트랩 윈도우를 이용하여 부트스트랩 시작점을 찾고, 부트스트랩 옵셋 값을 측정할 수 있다.
이 때, 단계(S220)는 부트스트랩 옵셋 값에 기반하여 방송 신호에 포함된 정보가 포함된 제1 부트스트랩 심볼인 #1 및 제2 부트스트랩 심볼인 #2를 추정하고, #1 및 #2를 복조부(130)에 전달할 수 있다.
이 때, 단계(S220)는 상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정할 수 있다.
이 때, 단계(S220)는 상기 부트스트랩 옵셋에 기반하여 상기 방송 신호에 포함된 정보를 포함하는 상기 부트스트랩 심볼들 중 제1 부트스트랩 심볼과 제2 부트스트랩 심볼을 추정할 수 있다.
또한, 본 발명의 일실시예에 따른 방송 신호 검출 방법은 방송 신호에 포함된 정보를 복조할 수 있다(S230).
즉, 단계(S230)는 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조할 수 있다.
예를 들어, 방송 신호에 포함된 정보는 재난 정보와 같은 긴급하고 매우 중요한 정보들에 상응할 수 있다.
이 때, 단계(S230)는 상기 제1 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 제2 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 제1 부트스트랩 심볼과 제2 부트스트랩 심볼로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조할 수 있다.
또한, 본 발명의 일실시예에 따른 방송 신호 검출 방법은 방송 신호에 포함된 정보의 여부에 따라 대응 동작을 수행할 수 있다(S240, S250).
즉, 단계(S240)는 방송 신호에 포함된 정보에 따라 재난 상황으로 판단된 경우, 대응 동작을 수행하고(S250), 재난 상황으로 판단되지 않은 경우, 단계(S210)으로 돌아갈 수 있다.
도 9는 본 발명의 일실시예에 따른 부트스트랩 검출부의 DNN 기반 검출 동작 과정을 나타낸 도면이다. 도 10은 본 발명의 일실시예에 따른 부트스트랩 검출부의 CNN 기반 검출 동작 과정을 나타낸 도면이다.
도 9를 참조하면, 부트스트랩 검출부(110)는 수학식 1과 같이 수신된 신호에 I/Q 분리 절차(실수/허수 분리 절차)를 수행할 수 있다.
이 때, DNN 기반의 기계학습함수들은 복소수 데이터 처리에 적합하지 않다. 따라서, 부트스트랩 검출부(110)는 수신된 I/Q 데이터 기반의 복소수 신호를 실수(real)값과 허수(imaginary)값으로 분리하고 모두 실수값으로 처리할 수 있다. 이 때, 부트스트랩 검출부(110)는 실수부와 허수부를 1열로 정렬하여 6144Х1크기의 입력을 DNN 블록으로 입력할 수 있다. 는 r번쩨 수신된 신호 yr의 실수(real) 값이고 는 허수(imaginary) 값을 나타낼 수 있다. 상기와 같이 실수(real) 값과 허수(imaginary) 값으로 분리된 신호는 DNN 블록으로 입력될 수 있다. 이후, 부트스트랩 검출부(110)는 DNN 기반의 학습 연산을 수행할 수 있다. 이 때, 부트스트랩 검출부(110)는 각 Neuron에 해당하는 연산으로 Fully Connected(FC) 함수로 표현 가능하며 Neuron 출력을 비선형 함수로 처리하기 위해 Activation 함수 연산을 수행할 수 있다. 이 때, Activation 함수는 종래의 다양한 계기학습 용 비선형 함수가 사용될 수 있다. 예를 들어, Activation 함수를 위해 ReLU, tanh, sigmoid 등의 종래 함수가 사용될 수 있다. 이를 통해, 부트스트랩 검출부(110)는 부트스트랩 신호의 유무만을 판단하는 결과를 출력할 수 있다. 따라서, 부트스트랩 검출부(110)는 부트스트랩 신호가 있다고 판단하는 경우에는 1을 출력하고 없다고 판단하는 경우에는 0을 출력할 수 있다. 또한, 부트스트랩 검출부(110)는 특정 구간 이상의 부트스트랩 신호가 입력되는 경우 부트스트랩 신호가 존재한다고 판단할 수 있다. 따라서, 부트스트랩 검출부(110)는 특정구간 이하의 부트스트랩 신호가 입력되거나 부트스트랩 신호가 입력되지 않는 경우, 신호가 없다고 판단하도록 훈련하고, 특정구간 이상의 부트스트랩 신호가 입력되는 경우 부트스트랩 신호가 존재한다고 판단하도록 훈련을 수행할 수 있다. 결과적으로, 부트스트랩 검출부(110)는 전송된 값과의 비교를 통해 차이 값인 cost를 계산하고 이 값을 바탕으로 훈련을 수행할 수 있다. 이 때, 부트스트랩 검출부(110)는 각 Neuron의 계수의 차이값을 줄여가는 쪽으로 훈련할 수 있다. 부트스트랩 검출부(110)는 차이값 계산을 위해서 MSE(Mean Square Error) 방식 또는 Cross Entropy 방식 등을 모두 사용할 수 있다. 이 때, 부트스트랩 검출부(110)는 Cross Entropy 방식의 사용을 위해서 출력값을 one-hot vector형태로 나태낼 수 있다. 또한, 부트스트랩 검출부(110)는 SGD(Stochastic Gradient Decent) 방식 또는 변형된 다양한 방식으로 계수값을 업데이트하여 훈련을 수행 할 수 있다. 이 때, 부트스트랩 검출부(110)는 DNN 방식의 기계학습 기법을 사용하는 경우, 복소수인 3072길이의 신호를 6144Х1길이의 신호로 정렬하여 부트스트랩 신호를 검출할 수 있다.
도 10을 참조하면, 부트스트랩 검출부(110)는 CNN 기법으로 부트스트랩 신호를 검출할 수 있다. 부트스트랩 검출부(110)는 CNN 기법에 기반하여 다수의 시간영역 샘플을 필터링하여 처리하면, 다중경로 채널 또는 주파수 옵셋 등의 영향이 존재하는 경우에도 신호를 검출할 수 있다.
도 11은 본 발명의 일실시예에 따른 부트스트랩 옵셋 추정부의 DNN 기반 옵셋 추정 동작 과정을 나타낸 도면이다. 도 12는 본 발명의 일실시예에 따른 부트스트랩 옵셋 추정부의 CNN 기반 옵셋 추정 과정을 나타낸 도면이다.
도 11을 참조하면, 부트스트랩 옵셋 추정부(120)는 도 7에서와 같이 부트스기설정된 제2 부트스트랩 윈도우 내의 부트스트랩 시작점을 찾고, 그에 따른 시간 옵셋이 몇 샘플 발생했는지 추정할 수 있다. 이 때, 부트스트랩 옵셋 추정부(120)는 0을 출력으로 내보내게 되면 시간 옵셋이 발생하지 않는 경우이므로 윈도우 시작점과 부트스트랩 시작점이 일치하는 경우이다. 이 때, 부트스트랩 옵셋 추정부(120)는 추정할 수 있는 최대 옵셋값이 상기 부트스트랩 검출부(110)에서 설정된 k와 동일할 수 있다. 따라서, 부트스트랩 옵셋 추정부(120)는 0~k의 옵셋을 추정할 수 있다. 이렇게 추정된 옵셋을 기반으로 재난신호가 포함된 부트스트랩 심볼 #1, #2를 재난정보 복조기에 전달한다.
도 12을 참조하면, 부트스트랩 옵셋 추정부(120)는 CNN 기법에 기반하여 부트스트랩 옵셋을 추정할 수 있고 DNN 기법보다 우수한 성능을 도출할 수도 있다.
또한, 부트스트랩 검출부(110) 및 부트스트랩 옵셋 추정부(120)는 하나의 블록으로도 설계될 수 있고, 부트스트랩 신호의 존재 유무 판단 및 옵셋 추정이 하나의 기능 블록에서 수행될 수도 있다.
도 13은 본 발명의 일실시예에 따른 복조부의 DNN 기반 정보 복조 과정을 나타낸 도면이다. 도 14는 본 발명의 일실시예에 따른 복조부의 CNN 기반 정보 복조 과정을 나타낸 도면이다.
도 13을 참조하면, 복조부(130)는 DNN 기법 또는 CNN 기법에 기반하여 앞서 전달된 제1 및 제2 부트스트랩 신호를 이용하여 방송 신호에 포함된 정보를 검출할 수 있다. 재난 정보는 표 1과 같이 제1 부트스트랩 심볼인 심볼 #1에 1비트, 제2 부트스트랩 심볼인 심볼 #2에 1비트씩 2비트가 포함될 수 있다. 따라서, 심볼 #1과 심볼 #2에는 총 4가지 정보가 포함될 수 있고, 복조부(130)는 상기 4가지 정보를 검출할 수 있다. 복조부(130)는 상기 부트스트랩 검출부(110) 및 부트스트랩 옵셋 추정부(120)와 유사한 구조로 설계될 수 있다. 이 때, 복조부(130)는 입력의 경우 두개의 시간영역 부트스트랩 심볼인 심볼 #1 및 심볼 #2를 입력으로 받아 실수와 허수로 나누어 일렬로 정렬한 신호가 입력으로 삽입되며 해당 길이는 3072X4 가 될 수 있다. 또한, 복조부(130)는 출력의 경우 두비트로 표현할 수 있는 모든 값중 하나를 나타내며 해당 값은 0~3으로 출력할 수 있다. 그러나, 도 13에 도시된 DNN기반의 복조부(130)는 한번에 입력되는 신호의 길이가 너무 길어 DNN구조가 매우 복잡하게 설계될 수 있고, 매우 많은 수의 Neural Network 계수가 존재하므로 학습에 걸리는 시간도 클 뿐만 아니라, 훈련신호에만 최적화 되는 Overfitting 이 발생할 수도 있다. 따라서, 복조부(130)는 CNN 기법을 기반으로 복조를 수행하는 것이 더 우수한 복조 성능을 획득할 수 있다. 도 14를 참조하면, CNN 기반의 복조부(130)의 입력은 실수부와 허수부로 나누어진 부트스트랩 심볼 #1 및 심볼 #2가 병렬로 배치된 형태를 갖는 것을 알 수 있다. 정렬된 입력 신호의 크기는 3072행 4열로 나타낼 수 있다. 이 때, 복조부(130)는 입력된 신호로부터 CNN 연산을 거쳐 총 4가지의 경우 중 하나의 신호로 복조할 수 있다. 또한, 복조부(130)는 재난신호만을 복조하는 것이 아닌 각각 8비트로 변조된 부트스트랩 심볼 #1과 심볼 #2를 모두 복조할 수 있다. 이 때, 복조부(130)는 상기 8비트로 구성된 두 심볼을 모두 복조하는 경우 64가지 경우 중 하나의 출력을 도출할 수 있다. 이를 통해, 본 발명의 일실시예에따른 방송 신호 검출 장치의 기계학습 기반의 복조부(130)는 ATSC 3.0 복조기가 없이도 ATSC 기반의 재난신호의 검출 및 복조까지 수행할 수 있다.
도 15는 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
도 15를 참조하면, 본 발명의 일실시예에 따른 방송 신호 검출 장치(100)는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1100)에서 구현될 수 있다. 도 15에 도시된 바와 같이, 컴퓨터 시스템(1100)은 버스(1120)를 통하여 서로 통신하는 하나 이상의 프로세서(1110), 메모리(1130), 사용자 인터페이스 입력 장치(1140), 사용자 인터페이스 출력 장치(1150) 및 스토리지(1160)를 포함할 수 있다. 또한, 컴퓨터 시스템(1100)은 네트워크(1180)에 연결되는 네트워크 인터페이스(1170)를 더 포함할 수 있다. 프로세서(1110)는 중앙 처리 장치 또는 메모리(1130)나 스토리지(1160)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1130) 및 스토리지(1160)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1131)이나 RAM(1132)을 포함할 수 있다.
이상에서와 같이 본 발명의 일실시예에 따른 방송 신호 검출 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 방송 신호 검출 장치 110: 부트스트랩 검출부
120: 부트스트랩 옵셋 추정부 130: 복조부
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 인터페이스 입력 장치
1150: 사용자 인터페이스 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크
120: 부트스트랩 옵셋 추정부 130: 복조부
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 인터페이스 입력 장치
1150: 사용자 인터페이스 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크
Claims (10)
- 수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출하는 부트스트랩 검출부;
상기 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정하는 부트스트랩 옵셋 추정부; 및
상기 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 복조부;
를 포함하는 것을 특징으로 하는 방송 신호 검출 장치. - 청구항 1에 있어서,
상기 부트스트랩 검출부는
상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 신호의 포함 여부를 출력하는 것을 특징으로 하는 방송 신호 검출 장치. - 청구항 1에 있어서,
상기 부트스트랩 옵셋 추정부는
상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하는 것을 특징으로 하는 방송 신호 검출 장치. - 청구항 3에 있어서,
상기 부트스트랩 옵셋 추정부는
상기 부트스트랩 옵셋에 기반하여 상기 방송 신호에 포함된 정보를 포함하는 상기 부트스트랩 심볼들 중 제1 부트스트랩 심볼과 제2 부트스트랩 심볼을 추정하는 것을 특징으로 하는 방송 신호 검출 장치. - 청구항 4에 있어서,
상기 복조부는
상기 제1 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 제2 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 제1 부트스트랩 심볼과 제2 부트스트랩 심볼로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 것을 특징으로 하는 방송 신호 검출 장치. - 방송 신호 검출 장치의 방송 신호 검출 방법에 있어서,
수신한 방송 신호에서 기설정된 제1 부트스트랩 윈도우와 기계학습 기법을 기반으로 부트스트랩 신호의 포함 여부를 검출하는 단계;
상기 방송 신호에서 기설정된 제2 부트스트랩 윈도우를 이용하여 상기 부트스트랩 신호의 시작점을 찾고, 상기 기계학습 기법을 기반으로 부트스트랩 옵셋을 추정하고, 상기 부트스트랩 옵셋으로부터 부트스트랩 심볼들을 추정하는 단계; 및
상기 부트스트랩 심볼들에서 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 단계;
를 포함하는 것을 특징으로 하는 방송 신호 검출 방법. - 청구항 6에 있어서,
상기 검출하는 단계는
상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 신호의 포함 여부를 출력하는 것을 특징으로 하는 방송 신호 검출 방법. - 청구항 6에 있어서,
상기 추정하는 단계는
상기 방송 신호에서 복소수 신호를 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 신호로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 부트스트랩 옵셋을 추정하는 것을 특징으로 하는 방송 신호 검출 방법. - 청구항 8에 있어서,
상기 추정하는 단계는
상기 부트스트랩 옵셋에 기반하여 상기 방송 신호에 포함된 정보를 포함하는 상기 부트스트랩 심볼들 중 제1 부트스트랩 심볼과 제2 부트스트랩 심볼을 추정하는 것을 특징으로 하는 방송 신호 검출 방법. - 청구항 9에 있어서,
상기 복조하는 단계는
상기 제1 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 제2 부트스트랩 심볼을 실수 값과 허수 값으로 분리하고, 상기 실수 값과 허수 값으로 분리된 제1 부트스트랩 심볼과 제2 부트스트랩 심볼로부터 DNN(DEEP NEURAL NETWORK) 및 CNN(CONVOLUTION NEURAL NETWORK) 기법 중 어느 하나의 상기 기계학습 기법을 기반으로 상기 방송 신호에 포함된 정보를 복조하는 것을 특징으로 하는 방송 신호 검출 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190127746A KR102631741B1 (ko) | 2019-10-15 | 2019-10-15 | 방송 신호 검출 장치 및 방법 |
US16/869,981 US11403512B2 (en) | 2019-10-15 | 2020-05-08 | Apparatus and method for detecting broadcast signal |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190127746A KR102631741B1 (ko) | 2019-10-15 | 2019-10-15 | 방송 신호 검출 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210044505A KR20210044505A (ko) | 2021-04-23 |
KR102631741B1 true KR102631741B1 (ko) | 2024-02-01 |
Family
ID=75384033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190127746A KR102631741B1 (ko) | 2019-10-15 | 2019-10-15 | 방송 신호 검출 장치 및 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11403512B2 (ko) |
KR (1) | KR102631741B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115085780B (zh) * | 2022-05-05 | 2023-07-04 | 大连海事大学 | 基于信道反馈的海上高可靠端到端通信自编码器设计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101923184B1 (ko) | 2017-08-25 | 2018-11-28 | 삼성전자주식회사 | 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101429965B1 (ko) | 2012-11-27 | 2014-09-23 | 서울시립대학교 산학협력단 | Dmb 시스템에서 재난방송 서비스를 위한 cbs 기반의 자동 인지 방법 및 그 장치 |
CN112468250A (zh) | 2015-03-01 | 2021-03-09 | Lg 电子株式会社 | 发送广播信号的设备和方法以及接收广播信号的设备和方法 |
KR101827277B1 (ko) | 2015-03-01 | 2018-02-08 | 엘지전자 주식회사 | 방송 신호 송신 장치, 방송 신호 수신 장치, 방송 신호 송신 방법, 및 방송 신호 수신 방법 |
GB2540596A (en) * | 2015-07-22 | 2017-01-25 | Sony Corp | Receiver and method of receiving |
KR102407772B1 (ko) * | 2015-08-25 | 2022-06-10 | 삼성전자 주식회사 | 무선 통신 시스템에서 주파수 오프셋 추정 방법 및 장치 |
KR101808840B1 (ko) | 2015-09-04 | 2017-12-13 | 한국전자통신연구원 | 학습 기반 깊이 정보 추출 방법 및 장치 |
KR102537783B1 (ko) * | 2016-01-22 | 2023-05-30 | 삼성전자주식회사 | 수신 장치 및 그 제어 방법 |
KR102580623B1 (ko) * | 2016-12-08 | 2023-09-21 | 한국전자통신연구원 | 프리앰블 기반 상향 rf 신호 검출 장치 및 방법 |
US11334807B1 (en) * | 2017-06-23 | 2022-05-17 | Virginia Tech Intellectual Properties, Inc. | Learning approximate estimation networks for communication channel state information |
US10708094B2 (en) | 2017-10-09 | 2020-07-07 | Nec Corporation | Transmission filtering using machine learning |
US20190135303A1 (en) | 2017-11-07 | 2019-05-09 | Electronics And Telecommunications Research Institute | Cloud server for providing driver-customized service based on cloud, operating system including the cloud server, and operating method thereof |
KR101944678B1 (ko) | 2018-11-20 | 2019-04-17 | 인하대학교 산학협력단 | Lstm을 이용한 mimo 검출 방법 및 시스템 |
-
2019
- 2019-10-15 KR KR1020190127746A patent/KR102631741B1/ko active IP Right Grant
-
2020
- 2020-05-08 US US16/869,981 patent/US11403512B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101923184B1 (ko) | 2017-08-25 | 2018-11-28 | 삼성전자주식회사 | 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치 |
Also Published As
Publication number | Publication date |
---|---|
US11403512B2 (en) | 2022-08-02 |
US20210110238A1 (en) | 2021-04-15 |
KR20210044505A (ko) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5287346B2 (ja) | 通信装置 | |
KR100625686B1 (ko) | 효율적인 cnir 측정이 가능한 이동 단말 장치 및 그장치에서의 cnir 측정 방법 | |
CN101690054B (zh) | 为qam调制符号确定软比特值的方法和接收机电路 | |
CN105024791A (zh) | 物理帧中前导符号的生成方法 | |
CN106254283A (zh) | 最小化在ofdm信号中的符号间干扰 | |
CN101335540B (zh) | 一种基于信道估计后处理的物理码道激活检测方法和装置 | |
KR102631741B1 (ko) | 방송 신호 검출 장치 및 방법 | |
CN104363037A (zh) | 一种lte系统天线端口数的快速检测系统及方法 | |
US7809055B2 (en) | Recursive equalization matrix for multiple input multiple output systems | |
US8520790B2 (en) | Frame synchronization apparatus and method based on differential correlation in communication system | |
JP4927936B2 (ja) | 通信装置および通信システム | |
JP2003174429A (ja) | デジタル信号の受信解析装置 | |
CN105052231B (zh) | 无线通信系统中的接收设备和信道估计控制方法 | |
JP5117401B2 (ja) | チャネルインパルス応答の長さの推定 | |
CN103338166A (zh) | 一种改进的信道估计方法 | |
US10129051B2 (en) | Method and apparatus for iterative interference cancellation and channel estimation of system based on FTN communication including pilot | |
CN101895351B (zh) | 一种噪声方差的测量方法和装置 | |
US8238272B2 (en) | Frequency division multiplex transmission signal receiving apparatus | |
KR102005616B1 (ko) | Ofdm 기반의 dab 시스템 및 그것을 이용한 모드 및 프레임 동기 방법 | |
CN104904172A (zh) | 估算和去除dc偏移的方法 | |
CN101569152B (zh) | Qam解调 | |
CN101310501A (zh) | 用于ofdm传输的定时获取及模式和保护检测 | |
KR101694517B1 (ko) | 디지털 방송 시스템에서의 주파수 오프셋 추정 방법 및 장치 | |
JP2007258799A (ja) | 信号解析装置、方法、プログラム、記録媒体 | |
JP2009284156A (ja) | 受信装置 |
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 |