KR20190080695A

KR20190080695A - 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법

Info

Publication number: KR20190080695A
Application number: KR1020180034933A
Authority: KR
Inventors: 진소연
Original assignee: 한화시스템 주식회사
Priority date: 2018-03-27
Filing date: 2018-03-27
Publication date: 2019-07-08
Also published as: KR102127142B1

Abstract

감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법이 제공된다. 공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 제어 장치의 적응형 전력 제어 방법은, (A) RERPM 생성 장치가, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 단계 및 (B) 제어 장치가, (A) 단계에서 생성된 RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 감시정찰기로부터 수신되는 현재 RSSI와 현재 FER을 RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 예측된 다음 FER을 기반으로 감시정찰기의 송신 전력을 제어하는 단계를 포함한다.

Description

감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법{Adaptive power control method on CDL system}

본 발명은 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법에 관한 것으로서, 보다 상세하게는, LSTM(Long-Short Term Memory) 딥러닝 모델 기반의 예측 모델을 이용하여 감시정찰기의 송신 전력을 제어할 수 있는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법에 관한 것이다.

군용 감시/정찰 체계는 다양한 센서 카메라를 이용하여 적 진형을 감시하고 해당 정보의 분석을 통해 적 정보를 획득함으로써 군의 작전 운용 성능을 향상시키기 위한 것이다. 이러한 체계는 적 정보를 감시/정찰하기 위한 공중/우주 플랫폼과, 공중/우주 플랫폼의 제어, 관리 및 감시/정찰 정보의 분석을 위한 지상 분석 시스템으로 구성되어 운용된다.

공중/우주 플랫폼은 군사 위성, 조기 경보 통제기, 무인 정찰기 등이 사용되고 있으며 이러한 플랫폼에서 획득한 정보는 원격의 지상 분석 시스템으로 무선 통신 방식으로 전달된다.

공용 데이터링크(CDL: Common Data Link) 시스템은 공중/우주 플랫폼과 지상 분석 시스템 간 무선 통신을 수행하기 위한 통신 기술 중의 하나로, 대용량의 감시/정찰 정보를 고속으로 지상의 분석 시스템에 전송하기 위해 활용된다.

일반적으로 CDL은 감시/정찰 정보를 안정적이면서 실시간으로 전달하기 위하여 링크 단위로 주파수 채널을 할당하는 FDMA(Frequency Division Multiple Access) 방식을 주로 사용한다.

CDL에서 지원하는 네트워크 구조는, 에어 노드와 지상 노드 간의 1:1 통신 구조를 기본으로, 다수의 에어 노드들과 하나의 지상 노드가 통신하는 N:1 구조, 하나의 에어 노드와 다수의 지상 노드들이 통신하는 1:N 구조가 포함되어 있다.

이러한 다양한 네트워크 구조에서는 각 링크간의 통신 영역이 겹치게 되며 이는 주파수 간섭으로 인한 성능 저하의 원인으로 작용하게 된다. 이는 각 링크 단위로 다른 주파수 채널을 할당하더라도 통신 영역이 겹치는 부분에서 원근 효과(near-far effect)에 따라 한 쪽의 큰 전력 신호가 다른 쪽의 약한 신호에 방해를 주는 인접 채널 간섭에 기인한다.

따라서, 이러한 주파수 간섭으로 인한 성능 저하를 최소화할 수 있는 방법의 적용이 필요하다. 이를 위해 다양한 상용 이동 통신망에서 전파 환경의 변화에 따라 송신 출력의 세기를 조절함으로써 주파수 간섭을 최소화하기 위한 적응형 전력 제어 기법(APC: Adaptive Power Control)을 활용하고 있다.

그러나, 기존의 적응형 전력 제어 기법을 CDL 시스템에 적용하기에는 운용 환경의 차이로 인한 문제점이 존재한다. 이는 통신 노드의 높은 이동성에 기인하는 전파 환경의 변화로 인하여 요구되는 적정 송신 출력의 세기가 빠르게 변화하기 때문이다. 따라서, CDL 시스템을 위한 적응형 전력 제어 기법은 전파 환경의 빠른 변화에 대처할 수 있어야 하다.

이를 위하여, 적정 송신 출력의 산출 주기를 빠르게 설정하여 높은 이동성에서 기인하는 전파 환경의 급격한 변화에 실시간으로 대응하기 위한 연구들이 제안되었으나, 대부분 CDL 운용 중에 높은 프로세싱 능력을 요구하기 때문에 제한적인 컴퓨팅 환경을 가지는 CDL 플랫폼에 적용하는 데는 한계가 있다.

또한, 이러한 문제점을 해결하기 위해, 게임이론이나 기계학습을 통해 적정 송신 출력을 예측하는 연구들이 진행되고 있다. 그러나, 이러한 연구들은 예측 결과가 안정화되기 전까지 일정 운용 시간이 소요되거나, 예측의 정확도가 떨어진다. 따라서, CDL에서는 공중 플랫폼의 높은 이동성과 제한된 메모리와 프로세싱 환경 하에서 지속적으로 안정적인 통신을 보장하는 예측 기반의 적응형 전력 제어 기법 적용이 필요하다.

국내 공개특허 제2002-0038205호

전술한 문제점을 해결하기 위하여 본 발명이 이루고자 하는 기술적 과제는, CDL 시스템에서 공중/우주 플랫폼의 높은 이동성과 제한된 메모리와 프로세싱 환경 하에서도 인접 채널 간의 링크 간섭을 줄이면서, 동시에 높은 이동성으로 빠르게 변화하는 전파 환경에 대응하여 채널 상태를 예측할 수 있는 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 적응형 전력 제어 방법을 제시하는 데 있다.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 실시 예에 따르면, 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크(CDL: Common Data Link) 시스템은, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 RERPM 생성 장치; 및 상기 RERPM 생성 장치에서 생성된 상기 LSTM RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 수신되는 현재 RSSI와 현재 FER을 상기 LSTM RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 적응형 전력 제어 장치;를 포함할 수 있다.

상기 RERPM 생성 장치는, 상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R₁, R₂, R₃, …, R_n})과 FER들(E={E₁, E₂, E₃, …, E_n})의 값에 대해 Min-Max Normalization 처리를 수행하는 정규화부; 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 입출력데이터 변환부; 및 다수의 LSTM 셀들을 포함하고, 상기 입출력데이터 변환부에서 변환된 벡터 입출력데이터(X_t,Y_t), 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 RERPM 생성부;를 포함할 수 있다.

상기 RERPM 생성 장치는, 상기 감시정찰기가 상기 적응형 전력 제어 장치에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모델을 재학습시키고, 상기 재학습에 의해 진화된 RERPM 모델을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 하며, 상기 적응형 전력 제어 장치는, 상기 진화된 RERPM을 기반으로 FER을 예측할 수 있다.

상기 적응형 전력 제어 장치는, 공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기와 상기 공용 데이터 링크를 통해 통신하는 송수신부; 상기 감시정찰기로부터 수신되는 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 RERPM 딥러닝 기반으로 학습하여 상기 다음 FER을 예측하는 RERPM 모듈; 및 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 산출하는 전력 제어 모듈;을 포함하고, 상기 송수신부는 상기 산출된 송신 전력을 상기 감시정찰기로 전송할 수 있다.

상기 전력 제어 모듈은, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 감시정찰기의 송신 전력을 상향조정하고, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면 상기 감시정찰기의 송신 전력을 하향조정할 수 있다.

상기 공용 데이터 링크 시스템은, 상기 감시정찰기에 해당하는 하나의 공중/우주 플랫폼과 상기 적응형 전력 제어 장치에 해당하는 하나의 지상 분석 시스템이 통신하는 1:1 구조, 다수의 공중/우주 플랫폼들과 하나의 지상 분석 시스템이 통신하는 N:1 구조, 하나의 공중/우주 플랫폼과 다수의 지상 분석 시스템들이 통신하는 1:N 구조, 및 상기 다수의 공중/우주 플랫폼들 중 하나가 다른 공중/우주 플랫폼과 지상 분석 시스템을 중계하는 중계 네트워크 구조를 포함할 수 있다.

상기 중계 네트워크 구조의 경우, 상기 다수의 공중/우주 플랫폼들 중 중계 역할을 수행하는 하나의 공중/우주 플랫폼이 상기 RERPM 모듈에 기반하여 상기 다음 FER을 예측할 수 있다.

한편, 본 발명의 다른 실시 예에 따르면, 공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 제어 장치의 적응형 전력 제어 방법은, (A) RERPM 생성 장치가, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 단계; 및 (B) 상기 제어 장치가, 상기 (A) 단계에서 생성된 상기 RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 수신되는 현재 RSSI와 현재 FER을 상기 RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 단계;를 포함할 수 있다.

상기 (A) 단계는, (A1) 상기 RERPM 생성 장치가, 상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R₁, R₂, R₃, …, R_n})과 FER들(E={E₁, E₂, E₃, …, E_n})의 값에 대해 Min-Max Normalization 처리를 수행하는 단계; (A2) 상기 RERPM 생성 장치가, 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 단계; 및 (A3) 상기 RERPM 생성 장치가, 다수의 LSTM 셀들을 포함하고, 상기 (A2) 단계에서 변환된 벡터 입출력데이터, 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 단계;를 포함할 수 있다.

상기 (A) 단계는, (A4) 상기 감시정찰기가 상기 (B) 단계에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 RERPM 생성 장치가, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모델을 재학습시키는 단계; 및 (A5) 상기 RERPM 생성 장치가, 상기 재학습에 의해 진화된 RERPM 모델을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 처리하는 단계;를 더 포함할 수 있다.

상기 (B) 단계는, (B1) 상기 적응형 전력 제어 장치가, 공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기로부터 공용 데이터 링크를 통해 무선신호를 수신하는 단계; (B2) 상기 적응형 전력 제어 장치가, 상기 수신되는 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 단계; 및 (B3) 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 산출하여, 상기 산출된 송신 전력을 상기 감시정찰기로 전송하는 단계;를 포함할 수 있다.

상기 (B3) 단계는, 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 감시정찰기의 송신 전력을 상향조정하고, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면 상기 감시정찰기의 송신 전력을 하향조정할 수 있다.

본 발명에 따르면, CDL 시스템에서 공중/우주 플랫폼의 높은 이동성과 제한된 메모리와 프로세싱 환경 하에서도 인접 채널 간의 링크 간섭을 줄이면서, 동시에 높은 이동성으로 빠르게 변화하는 전파 환경에 대응하여 채널 상태를 신속 정확히 예측하고, 데이터의 송신 전력을 적응적으로 제어할 수 있는 효과가 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 CDL에서 지원하는 다양한 네트워크 구조를 도시한 도면,
도 2 및 도 3은 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 CDL을 개략적으로 도시한 도면,
도 4는 본 발명의 실시 예에 따른 RERPM(Reception Error Ratio Prediction Model) 생성 장치를 도시한 블록도,
도 5는 본 발명의 실시 예에 따른 LSTM 딥러닝 기반의 RERPM 구성을 도시한 도면,
도 6은 도 2 및 도 3에 도시된 본 발명의 실시 예에 따른 적응형 전력 제어 장치를 도시한 블록도,
도 7은 CDL 시스템에 적응형 전력 제어 구조를 적용하는 방안을 설명하기 위한 도면,
도 8은 본 발명의 실시 예에 따른 CDL 시스템에서의 적응형 전력 제어 방법을 설명하기 위한 흐름도,
도 9는 도 8의 S835단계 내지 S850단계를 보다 구체적으로 설명하기 위한 흐름도,
도 10은 본 발명의 실시 예에 따른 CDL 테스트베드를 도시한 도면,
도 11은 본 발명의 실시 예에 따른 LSTM RERPM과 MNN(Multi-layer Neural Network) 및 CNN(Convolutional Neural Network)의 RMSE를 비교한 그래프,
도 12는 10000번 학습 이후 예측 결과 값의 분포를 분석한 결과를 도시한 그래프,
도 13은 비행시험 시 수신 프레임 에러율(FER)의 변화를 보여주는 그래프, 그리고,
도 14는 비행시험 시 수신세기(RSSI)의 변화를 보여주는 그래프이다.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시 예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시 예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시 예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.

본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다.

또한, 제1 엘리먼트 (또는 구성요소)가 제2 엘리먼트(또는 구성요소) 상(ON)에서 동작 또는 실행된다고 언급될 때, 제1 엘리먼트(또는 구성요소)는 제2 엘리먼트(또는 구성요소)가 동작 또는 실행되는 환경에서 동작 또는 실행되거나 또는 제2 엘리먼트(또는 구성요소)와 직접 또는 간접적으로 상호 작용을 통해서 동작 또는 실행되는 것으로 이해되어야 할 것이다.

어떤 엘리먼트, 구성요소, 장치, 또는 시스템이 프로그램 또는 소프트웨어로 이루어진 구성요소를 포함한다고 언급되는 경우, 명시적인 언급이 없더라도, 그 엘리먼트, 구성요소, 장치, 또는 시스템은 그 프로그램 또는 소프트웨어가 실행 또는 동작하는데 필요한 하드웨어(예를 들면, 메모리, CPU 등)나 다른 프로그램 또는 소프트웨어(예를 들면 운용체제나 하드웨어를 구동하는데 필요한 드라이버 등)를 포함하는 것으로 이해되어야 할 것이다.

또한, 어떤 엘리먼트(또는 구성요소)가 구현됨에 있어서 특별한 언급이 없다면, 그 엘리먼트(또는 구성요소)는 소프트웨어, 하드웨어, 또는 소프트웨어 및 하드웨어 어떤 형태로도 구현될 수 있는 것으로 이해되어야 할 것이다.

또한, 본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

이하, 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시 예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다.

어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.

이하, 본 발명에서 실시하고자 하는 구체적인 기술내용에 대해 첨부도면을 참조하여 상세하게 설명하기로 한다.

도 2, 도 4, 도 5 및 도 6에 도시된 공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 적응형 전력 제어 장치(300)의 각각의 구성은 기능 및 논리적으로 분리될 수 있음을 나타내는 것이며, 반드시 각각의 구성이 별도의 물리적 장치로 구분되거나 별도의 코드로 작성됨을 의미하는 것은 아님을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.

또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것이 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.

상기 적응형 전력 제어 장치(300)는 소정의 데이터 프로세싱 장치에 설치되어 본 발명의 기술적 사상을 구현할 수 있다.

도 1은 공용 데이터 링크 시스템에서 지원하는 다양한 네트워크 구조를 도시한 도면이다.

도 1을 참조하면, CDL 시스템에서 지원하는 네트워크 구조는, 공중/우주 플랫폼(Air Node)과 지상 분석 시스템(Ground Node) 간의 1:1(점대점) 통신 구조를 기본으로, 다수의 공중/우주 플랫폼과 하나의 지상 분석 시스템이 통신하는 N:1 구조(다대점), 하나의 공중/우주 플랫폼에서 지상으로 데이터를 방사하고 다수의 지상 분석 시스템에서 해당 데이터를 수신하는 1:N 구조(점대다), 그리고, 작전 운용성 향상을 위해 공중/우주 플랫폼이 공중 데이터 중계를 하는 중계 구조를 포함할 수 있다.

본 발명의 실시 예에 따른 적응형 전력 제어 장치(300)는 도 1을 참조하여 설명한 CDL 시스템에서 지원하는 다양한 네트워크 구조에 적용할 수 있으며, 이로써 다양한 네트워크 구조에서 각 링크 간의 통신 영역이 겹치게 되어 발생하는 성능(예를 들어, 다운링크를 통한 영상 전송) 저하 문제를 개선할 수 있다.

도 2 및 도 3은 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 CDL 시스템을 개략적으로 도시한 도면이다.

도 2 및 도 3을 참조하면, 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 CDL 시스템은 RERPM 생성 장치(100), RERPM 다운로더(200), 적응형 전력 제어 장치들(300, 400)을 포함할 수 있다.

RERPM 생성 장치(100)는 감시정찰기(10)와 적응형 전력 제어 장치(300 또는 400)가 CDL 방식을 통해 운용되는 중의 채널 변화 패턴을 딥러닝 모델 기반으로 학습하고, 학습 결과를 통해 수신품질을 예측하기 위한 RERPM(Reception Error Ratio Prediction Model)을 설계 및 생성할 수 있다.

RERPM은 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 만들어지며, 감시정찰기(10)와 적응형 전력 제어 장치(300) 간의 채널 변화 패턴을 학습하여야 하므로, 크게 오프라인 학습 과정(Offline Training Process)과 임무 수행 과정(Mission Process)을 필요로 한다.

오프라인 학습 과정은 딥러닝 학습과정을 처리해야 하므로 높은 컴퓨팅 성능이 갖춰진 환경에서 가능하다. 따라서, 공중/우주 플랫폼에 해당하는 감시정찰기(10)의 임무 수행 후에는, 지상 분석 시스템인 RERPM 생성 장치(100)에서 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)의 이력 데이터를 로딩하여 RERPM을 설계할 수 있다(①).

일반적으로 RSSI 정보는 송신 신호가 간섭과 경로 손실을 겪으면서 수신 측에서 최종 수신되는 신호의 강도이기 때문에 수신 측 입장에서의 채널 상태를 최종적으로 나타내는 특징 데이터이다. FER 정보는 수신 측에서 수신 정도를 알 수 있는 수신 품질 특징을 나타내는 데이터이다. 따라서, RERPM 생성 장치(100)는 RSSI와 FER 변화 정보를 딥러닝 모델에 입력하여 다음 FER을 출력 값으로 예측하는 모델을 설계할 수 있다. 본 발명의 실시 예에서는 이러한 예측 모델을 RERPM이라 한다.

RERPM 생성 장치(100)는 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI들과 FER들의 변화 패턴을 LSTM 딥러닝 모델 기반으로 학습하여 다음 FER을 예측할 수 있는 RERPM 모듈을 생성할 수 있다(②).

도 4는 본 발명의 실시 예에 따른 RERPM 생성 장치(100)를 도시한 블록도, 그리고, 도 5는 본 발명의 실시 예에 따른 LSTM 딥러닝 기반의 RERPM 구성을 도시한 도면이다.

도 4를 참조하면, 본 발명의 실시 예에 따른 RERPM 생성 장치(100)는 정규화부(110), 입출력데이터 변환부(120) 및 RERPM 생성부(130)를 포함할 수 있다.

RERPM은 [수학식 1]과 같이 입력데이터의 전처리 과정을 필요로 한다.

오프라인 학습 과정에 해당하는 정규화부(110)는 RERPM으로 입력될 입력데이터에 대해 전처리 과정을 수행한다. 정규화부(110)는 RERPM의 입력데이터로서 n개의 RSSI를 R로, FER을 E로 다음 [수학식 1]과 같이 나타낸다.

그리고, 정규화부(110)는 딥러닝 모델의 학습 효과를 높이기 위해, 임무 수행 동안 감시정찰기(10)가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R₁, R₂, R₃, …, R_n})과 FER들(E={E₁, E₂, E₃, …, E_n})의 값에 대해 Min-Max Normalization 처리를 수행할 수 있다.

입출력데이터 변환부(120)는 시간에 따른 변화정보를 입력데이터로 사용하기 위해, 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간(t-1~t-s) 동안의 RSSI들과 FER들을 [수학식 2]와 같은 벡터 데이터(X_t)로 변환할 수 있다.

또한, 입력데이터가 t-s 시점부터 t-1 시점까지의 데이터이므로, 출력데이터는 [수학식 3]과 같이 t 시점의 FER 벡터 데이터(Y_t)로서 나타낸다.

[수학식 3]을 참조하면, 입출력데이터 변환부(120)는 t 시점의 실제 FER을 실제 출력데이터(Y_t)로 변환할 수 있다. t 시점의 실제 FER, 또는, Yt는 에어 노드에 해당하는 감시정찰기(10)에서 실제로 t 시점에 출력된 송신 전력의 FER로서, 도 3의 오프라인 트레이닝 과정에서 수집되는 RSSI와 FER이다.

상술한 정규화부(110)와 입출력데이터 변환부(120)에 의해 전처리 과정이 수행되면, 다음으로 RERPM의 학습 과정이 수행된다.

이를 위해, RERPM 생성부(130)는 도 5에 도시된 것처럼, LSTM 계층(LSTM Layer)과 완전 연결 계층(Fully Connected Layer) 순서로 처리되는 LSTM 딥러닝 기반의 RERPM 모듈을 생성할 수 있다.

본 발명의 실시 예에서, RERPM 생성부(130)는 다수의 LSTM 셀들을 포함하고, 입출력데이터 변환부(120)에서 변환된 벡터 입출력데이터(X_t,Y_t), 이전 LSTM 셀의 상태 정보(C_t-m, 0<m<s+1 (m은 정수)), 그리고, 이전 LSTM 셀에서 학습된 출력 정보(h_t-m)를 이용하여 마지막 LSTM 셀에서 최종 출력 정보(h_t-1)를 출력하는 LSTM 계층과, LSTM 계층으로부터 입력되는 최종 출력 정보(h_t-1)를 이용하여 다음 FER(P_t)을 예측하는 완전 연결 계층을 포함하는 RERPM 모듈을 LSTM 딥러닝 모델에 기반하여 생성할 수 있다.

일반적으로 MNN 딥러닝 모델과 CNN 딥러닝 모델은 순차적인 입력 패턴이 있는 경우, 이들을 서로 무관한 독립적인 정보로 처리한다. 반면, LSTM 딥러닝 모델은 여러 개의 신호가 연속적으로 들어오고, 앞뒤의 신호가 서로 상관관계를 가질 경우, 입력 패턴들 간의 관계를 모델링 한다. 따라서, LSTM 딥러닝 모델은 시간적으로 멀리 떨어져 있는 정보와의 상관관계를 학습하는 데에 효과적이므로, 주로 주가 예측과 같은 시간적 변화의 흐름에 따른 예측 분야에서 사용된다.

이러한 LSTM 딥러닝 모델은 입력 게이트, 출력 게이트, 소거 게이트의 세 종류의 게이트로 구성된다. 입력 게이트와 출력 게이트는 각각 입력과 출력 신호를 제어하며, 소거 게이트는 저장된 정보를 유지할지 버릴 지 여부를 결정한다. 이를 통해 의미가 있는 패턴 정보들이 오래 되더라도 소실되지 않고 기억할 수 있도록 한다.

자세히 설명하면, LSTM 딥러닝 모델은 시간적 변화에 따른 정보를 사용하기 때문에, LSTM 계층에서 각각의 LSTM Cell은 이전 LSTM Cell의 상태 정보(

)와 출력 정보를 입력으로 사용한다.

LSTM Cell의 3가지 게이트인 입력(

), 소거(

), 출력(

) 게이트를 적용한 수학식은 다음과 같다.

[수학식 4] 내지 [수학식 7]의 X_t는 [수학식 2]의 입력데이터로서, LSTM 기반의 RERPM 구축을 위해 사전에 수집 및 벡터 변환된 RSSI와 FER들이다.

또한, [수학식 6]은 각 셀의 상태정보를 구하는 식이며, [수학식 4] 내지 [수학식 7]에서

는 Sigmoid 함수를 나타내며, Activation Function이다.

마지막으로, 완전 연결 계층에서는 [수학식 8]을 이용하여 수신 에러율(P_t)을 예측할 수 있다.

[수학식 8]을 참조하면, RERPM 생성부(130)는 다수의 LSTM 셀들 중 마지막 LSTM 셀의 출력(h_t-1)만을 사용하여 다음 FER(P_t)을 예측할 수 있다.

RERPM 생성부(130)는 [수학식 4] 내지 [수학식 8]을 참조하여 본 발명의 실시 예에 따른 RERPM 모듈을 생성할 수 있다.

또한, RERPM 모듈 생성 시, RERPM 생성부(130)는 RERPM의 정확도를 높이기 위해 다음 과정을 반복적으로 수행하여 학습하도록 한다.

첫째, RERPM 생성부(130)는 [수학식 9]를 이용하여 수신 프레임 에러율(Y_t)과 RERPM의 예측 결과(P_t)의 차이(Loss)를 산출한다.

RERPM의 예측 결과(P_t)가 수신 프레임 에러율(Y_t)과 근접할수록, 즉, Loss가 적을수록 RERPM의 정확도는 높게 나타난다. 이는, 수신 프레임 에러율(Y_t)은 RERPM의 정답에 해당하기 때문이다.

둘째, 따라서, RERPM 생성부(130)는 Loss를 줄이기 위해, Adam(Adaptive Moment Estimation) Optimization 기울기 하강 방식을 사용하여 역전파 알고리즘을 수행하며, 이를 통해 Loss를 최소화하여 RERPM을 진화시킬 수 있다. 예를 들어, RERPM 생성부(130)는 [수학식 4] 내지 [수학식 8]의 W_i, b_i, W_f, b_f, W_c, b_c, W_o, b_o도 Adam Optimization 기울기 하강 방식의 역전파 알고리즘을 사용하여 최적의 값을 찾아낼 수 있으며, 이로써, 예측된 FER(P_t)과 실제 FER(Y_t)의 차이가 가장 적은, 즉, 최적의 RERPM 모듈을 생성할 수 있다.

다시 도 2 및 도 3을 참조하면, RERPM 다운로더(200)는 RERPM 생성 장치(100)에서 생성된 RERPM 모듈을 적응형 전력 제어 장치들(300, 400)에게 다운로딩한다(③). 이로써 오프라인 학습 과정이 완료된다. RERPM 생성 장치(100)와 RERPM 다운로더(200)는 일체형으로 구현될 수 있으며, 도 2에서는 각각 도시된다.

다음, 임무 수행 과정에 대해 설명하면, RERPM 모듈을 다운로딩한 적응형 전력 제어 장치들(300, 400)은 RERPM 모듈을 설치 및 실행하여 실제 임무 수행 시, 즉, 감시정찰기(10)와 CDL을 통해 무선통신 시 발생하는 RSSI와 FER을 수신 및 수집(④)하고, 이로부터 다음 FER을 예측하고, 예측된 FER을 기초로 감시정찰기(10)의 송신 전력을 제어할 수 있다.

도 2 및 도 3에서 적응형 전력 제어 장치들 중 하나(300)는 제어 노드이면서 지상 노드에 구비되는 지상 분석 시스템일 수 있고, 다른 하나(400)는 제어 노드이면서 에어 노드인 감시정찰기로서 중계 네트워크 구조에서 중계 역할을 담당할 수 있다.

이하에서는 지상 노드에 구비되는 적응형 전력 제어 장치(300)를 예로 들어, 적응적 전력 제어 동작에 대해 설명한다.

도 6은 도 2 및 도 3에 도시된 본 발명의 실시 예에 따른 적응형 전력 제어 장치(300)를 도시한 블록도이다.

도 6을 참조하면, 본 발명의 실시 예에 따른 적응형 전력 제어 장치(300)는 제어 수신부(310), 전력 모니터(320), 링크 품질 모니터(330), RERPM 모듈(340), 전력 제어 모듈(350) 및 제어 송신부(360)를 포함할 수 있다.

송수신부 중 하나인 제어 수신부(310)는 공중 및/또는 우주에서 적 상태를 감시/정찰하는 감시정찰기(10)와 CDL을 통해 통신한다. 제어 수신부(310)는 감시정찰기(10)로부터 전력제어 주기마다 무선신호를 수신한다.

전력 모니터(320)는 수신된 무선신호를 모니터링하여 무선신호의 전송 전력값(tp_k)을 확인하고, 확인된 전송 전력값(tp_k)을 전력 제어 모듈(350)로 전달한다.

링크 품질 모니터(330)는 수신된 무선신호를 모니터링하여 무선신호의 RSSI와 FER을 확인할 수 있다. 이하에서는 링크 품질 모니터(330)에서 확인된 현재 RSSI와 현재 FER을 rssi_k와 fer_k라 한다.

RERPM 모듈(340)은 현재 RSSI(rssi_k)와 현재 FER(fer_k)의 변화 패턴을 RERPM 생성 장치(100)로부터 다운로딩하여 실행 중인 RERPM 딥러닝 기반으로 학습하여 다음 FER을 예측할 수 있다. 도 5와 같은 구조의 RERPM 모듈(340)은 현재 RSSI(rssi_k)와 현재 FER(fer_k)를 마지막 LSTM 셀에서 입력받아 변화 패턴을 예측하여 다음 FER(P_k+1)을 예측한다.

전력 제어 모듈(350)은 전력 모니터(320)로부터 적용 노드, 즉, 감시정찰기(10)의 전송 전력(tp_k)을 수신하여 감시정찰기(10)의 송신 출력 상태를 모니터링한다. 그리고, 전력 제어 모듈(350)은 RERPM 모듈(340)로부터 예측된 다음 FER(P_k+1)을 기반으로 감시정찰기(10)의 송신 전력(tp_k+1)을 산출할 수 있다.

자세히 설명하면, 전력 제어 모듈(350)은 예측된 다음 FER(P_k+1)이 최대 허용가능한 에러율(

, 상한 임계값)보다 높으면, 감시정찰기(10)의 송신 전력을 상향조정하도록 명령할 수 있다.

또한, 전력 제어 모듈(350)은 예측된 다음 FER(P_k+1)이 최소 허용가능한 에러율(

, 하한 임계값)보다 낮으면, 무선 링크가 충분히 안정된 것으로 판단하고 감시정찰기(10)의 송신 전력을 하향조정하도록 명령할 수 있다.

또한, 전력 제어 모듈(350)은 예측된 다음 FER(P_k+1)이

와

사이의 허용 가능한 에러율 값 내에 있으면 제어 명령을 보내지 않고 감시정찰기(10)의 이전 전송 전력을 유지하도록 한다.

송수신부 중 하나인 제어 송신부(360)는 전력 제어 모듈(350)에서 최종적으로 정해진 전송 전력, 예를 들어, 상향조정되거나 하향조정된 송신 전력을 사용하여 통신하도록 하는 리퀘스트를 감시정찰기(10)로 전송한다.

감시정찰기(10)의 정찰 수신부(11)는 제어 송신부(360)로부터 리퀘스트를 수신하여 전력 설정 모듈(13)로 전달한다.

전력 설정 모듈(13)은 수신한 리퀘스트를 분석하여 전력 제어 모듈(350)에서 결정된 송신 전력(tp_k+1)을 무선신호의 송신 전력으로 설정한다.

정찰 송신부(15)는 전력 설정 모듈(13)에서 설정된 송신 전력(tp_k+1), 즉, 전력 제어 모듈(350)에서 요청한 송신 전력(tp_k+1)으로 CDL을 통해 적응형 전력 제어 장치(300)와 통신할 수 있다.

따라서, 감시정찰기(10)는 적응형 전력 제어 장치(300)에서 RERPM 모듈(340)에 기반하여 예측된 송신 전력을 이용하여 타겟 촬영 영상과 같은 데이터를 전송할 수 있으며, 이로써, 다양한 네트워크 구조가 공존하는 CDL 시스템에서 최적의 송신 전력을 이용하여 임무 수행할 수 있다.

한편, CDL은 감시/정찰 체계에 따라 다양한 지형에서 다양한 속도로 운용되기 때문에 각 체계에 맞는 학습이 필요하며, 적응형 전력 제어 장치(300)와 감시정찰기(10)가 타겟 촬영 전송과 같은 임무를 수행한 이후에는, 오프라인 재학습 과정을 통해 RERPM이 진화되도록 할 수 있다. 따라서, CDL에 RERPM 기반 적응형 전력제어 구조를 적용하기 위해서는 도 7과 같이 오프라인 학습과정과 임무 수행과정을 다시 수행할 수 있다.

도 7은 CDL 시스템에 적응형 전력 제어 구조를 적용하는 방안을 설명하기 위한 도면이다.

도 7을 참조하면, CDL 시스템은 RERPM 생성 장치(100), RERPM 다운로더(200), 적응형 전력 제어 장치들(300, 400)을 포함하며, 이는 도 2에 도시된 구조와 동일하므로 구체적인 설명은 생략한다.

다만, 도 7에 도시된 CDL 시스템에 의하면, 오프라인 학습과정의 경우, 감시정찰기(10)가 적응형 전력 제어 장치(300)에서 산출된 송신 전력에 기초하여 CDL을 통해 실제 임무 수행을 완료하면, RERPM 생성 장치(100)는 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 적응형 전력 제어 장치(300)로부터 로딩하여 RERPM 모델을 재학습시킬 수 있다.

그리고, 임무 수행 과정을 수행한다. RERPM 다운로더(200)는 재학습에 의해 진화된 RERPM 모델을 적응형 전력 제어 장치(300)에 다운로딩하여 CDL에 적용 및 운용되도록 한다.

따라서, 적응형 전력 제어 장치(300)는 진화된 RERPM 모델을 기반으로 FER을 예측하고, 감시정찰기(10)는 예측된 FER을 기반으로 산출된 송신 전력으로 타겟을 감시 및 정찰할 수 있다.

이러한 제어노드, 즉, 적응형 전력 제어 장치(300)의 위치는 네트워킹 구조에 따라 변화될 수 있다. CDL에서는 주로 다운링크의 영상 전송이 이뤄지기 때문에 1:1, N:1, 1:N의 네트워킹 구조에서는 지상 분석 시스템이 RERPM 모듈을 이용하여 제어노드 역할을 수행한다. 그러나, 중계 네트워킹 구조의 경우에는 지상 분석 시스템뿐만 아니라 중계하는 공중/우주 플랫폼(예를 들어, 감시정찰기)도 RERPM 모듈을 이용하여 제어노드의 역할을 수행할 수 있다.

도 8은 본 발명의 실시 예에 따른 CDL 시스템에서의 적응형 전력 제어 방법을 설명하기 위한 흐름도이다.

도 8의 적응형 전력 제어 방법은 도 1 내지 도 7을 참조하여 설명한 CDL 시스템의 RERPM 생성 장치(100) 및 적응형 전력 제어 장치(300)에 의해 구현될 수 있으므로, 상세한 설명은 생략한다.

도 8을 참조하면, RERPM 생성 장치(100)는 오프라인 학습에 의해 감시정찰기(10)로부터 수신한 n개의 무선신호들의 RSSI들과 FER들의 값에 대해 정규화한다(S805).

RERPM 생성 장치(100)는 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간(즉, t-1~t-s) 동안의 RSSI들과 FER들을 벡터 데이터(X_t)로 변환하고, t 시점의 실제 FER을 실제 출력데이터(Y_t)로 변환하여 벡터화할 수 있다(S810).

RERPM 생성 장치(100)는 다수의 LSTM 셀들을 포함하고, S810단계에서 변환된 벡터 입출력데이터(X_t,Y_t), 이전 LSTM 셀의 상태 정보, 그리고, 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 다음 FER을 예측하는 완전 연결 계층을 포함하는 RERPM 모듈을 생성할 수 있다(S815).

RERPM 생성 장치(100)는 생성된 RERPM 모듈을 적응형 전력 제어 장치(300)로 다운로딩한다(S820).

적응형 전력 제어 장치(300)는 다운로딩한 RERPM 모듈을 설치 및 운용가능하도록 실행한 후 감시정찰기(10)와의 통신대기상태, 즉, 운용 상태로 진입한다(S825).

감시정찰기(10)는 임무 수행(예를 들어, 적 타겟을 촬영한 영상 전송)을 위해 CDL을 통해 무선신호를 전송하고(S830), 적응형 전력 제어 장치(300)는 CDL을 통해 무선신호를 수신한다(S835).

적응형 전력 제어 장치(300)는 수신되는 무선신호 중 현재 RSSI와 현재 FER을 RERPM 모듈에 입력하여 다음 FER을 예측하고(S840), 예측된 다음 FER을 기반으로 감시정찰기(10)의 송신 전력(tp_k+1)을 산출한다(S845).

그리고, 적응형 전력 제어 장치(300)는 S845단계에서 산출된 송신 전력으로 CDL 통신하도록 하는 리퀘스트를 감시정찰기(10)에게 전송한다(S850).

감시정찰기(10)는 수신한 리퀘스트를 분석하여 S850단계로부터 수신한 송신 전력을 무선신호의 송신 전력으로 설정하고(S855), 설정된 송신 전력으로 CDL을 통해 적응형 전력 제어 장치(300)와 통신할 수 있다(S860, S865).

도 9는 도 8의 S835단계 내지 S850단계를 보다 구체적으로 설명하기 위한 흐름도이다.

도 9를 참조하면, 적응형 전력 제어 장치(300)는 공중 및/또는 우주에서 적 상태를 감시/정찰하는 감시정찰기(즉, 에어 노드)로부터 CDL을 통해 무선신호를 수신하고, 무선신호의 송신 전력(tp_k)를 확인한다(S910).

적응형 전력 제어 장치(300)는 수신된 무선신호의 현재 RSSI(RSSI_k)와 현재 FER(FER_k)을 확인한다(S920).

적응형 전력 제어 장치(300)는 S920단계에서 확인된 현재 RSSI와 현재 FER의 변화 패턴을 RERPM 딥러닝 모델 기반으로 학습하여 다음 FER(P_k+1)을 예측할 수 있다(S930).

적응형 전력 제어 장치(300)는 S930단계에서 예측된 다음 FER이 최대 허용가능한 에러율(

)보다 높으면(S940-Yes), 감시정찰기(10)의 송신 전력을 상향조정한 후 상향조정된 송신 전력으로 운용하도록 감시정찰기(10)에게 명령할 수 있다(S950, S960).

반면, 적응형 전력 제어 장치(300)는 S930단계에서 예측된 다음 FER이 최소 허용가능한 에러율(

)보다 낮으면(S970-Yes), 감시정찰기(10)의 송신 전력을 하향조정한 후 하향조정된 송신 전력으로 운용하도록 감시정찰기(10)에게 명령할 수 있다(S980, S960).

한편, 본 발명의 실시 예에 따른 감시정찰기의 적응형 전력 제어를 위한 공용 데이터 링크 시스템의 성능을 검증하기 위해 CDL 테스트베드를 구축하여, RERPM의 정확도를 분석할 수 있다.

도 10은 본 발명의 실시 예에 따른 CDL 테스트베드를 도시한 도면이다.

도 10을 참조하면, CDL 테스트베드는 지상 분석 시스템(지상 노드, 1000)과 공중/우주 플랫폼(항공 노드, 1100)을 포함한다.

지상 분석 시스템(1000)은 상술한 적응형 전력 제어 장치(300)에 해당할 수 있고, 공중/우주 플랫폼(1100)은 감시정찰기(10)에 해당할 수 있다.

지상 분석 시스템(1100)과 공중/우주 플랫폼(1100)은 각각 RF 디바이스(1010, 1110), 모뎀 디바이스(1020, 1120), 컨트롤 디바이스(1030, 1130), 패킷 생성기(1040, 1140) 및 전원 공급기(1050, 1150)를 포함할 수 있다. 패킷 생성기(1040, 1140)는 도 10에 도시된 것처럼 별도로 구비될 수도 있다.

RF 디바이스(1010, 1110)는 10W 최대 송신 출력으로 100Km 이상의 통달 거리를 제공하며 60dB 범위로 전력제어가 가능한 장치를 사용하였다.

모뎀 디바이스(1020, 1120)는 FDMA(Frequency Division Multiple Access) 기반의 다중접속을 지원하고 PSK(Phase Shift Keying) Type의 변조방식을 지원한다.

컨트롤 디바이스(1030, 1130)는 실시간으로 송신출력 제어 기능을 제공한다. 특히, 컨트롤 디바이스(1030)는 RSSI와 FER을 수신하고, RERPM 모듈을 이용하여 다음 FER을 예측하며, 이를 기반으로 공중/우주 플랫폼(1100)이 적용할 송신 전력을 산출할 수 있다.

그리고, 전파 환경의 변화를 주기 위한 가변 감쇠기(Attenuator, 1200)를 RF 디바이스들(1010, 1110) 사이에 구비하고, 패킷 생성기(1040, 1140)에서 데이터를 발생시켜 지상 분석 시스템(1100)과 공중/우주 플랫폼(1100) 간에 데이터 송수신할 수 있도록 한다.

이하에서는 RERPM의 성능 검증 및 적응형 전력제어 테스트 성능 비교에 대해 설명한다.

먼저, 도 10을 참조하여 RERPM의 성능 검증에 대해 설명한다.

도 10과 같은 테스트베드가 구축되면, 전자 장치는 [수학식 10]]과 같은 RMSE(Root Mean Square Error)를 사용하여 LSTM RERPM의 정확도를 산출할 수 있다. 전자 장치는 테스트베드에서의 테스트결과를 입력받아 성능을 검증하는 컴퓨터이다.

[수학식 10]에 의하면, RMSE는 본 발명의 실시 예에 따른 LSTM 기반의 RERPM(즉, LSTM RERPM)에 의해 예측된 FER(P_t)과 실제 FER(Y_t)의 차이를 나타낸다.

도 11은 본 발명의 실시 예에 따른 LSTM RERPM과 MNN 및 CNN의 RMSE를 비교한 그래프이다.

도 11의 그래프는 Learning rage를 동일하게 0.01로 설정하고 1000번 학습 동안의 RMSE 변화율을 나타낸 것으로서, 테스트 결과, LSTMCNN→ MNN순으로 실제 값과 예측 값의 차이가 적다는 것을 알 수 있으며, 이는 정확도의 순서와 동일하다.

MNN 모델은 처음에는 RMSE가 1에 가까운 값으로 정확도가 매우 낮았으나, 200여번 학습한 결과 0.3 정도로 급격히 향상되었다. 하지만 LSTM RERPM의 한번 학습한 결과보다 성능이 나쁘다. CNN 모델은 처음에는 RMSE가 0.4 정도였으며, 10여번 학습한 결과 0.2정도로 정확도가 향상되었고, 이 후에는 정확도가 크게 향상되지 않았다. 본 발명의 실시 예에 따른 LSTM RERPM은 첫 번째 학습부터 0.2이하로 정확도가 높으며, 800여번까지 학습함에 따라 점점 정확도가 높아진 것을 확인할 수 있다. 이와 같은 결과는 LSTM RERPM은 시간에 따라 패턴 변화를 잘 기억하기 때문이다.

다음 테스트는 가장 정확도가 높은 LSTM RERPM에서 Sequence Length를 변경하여 학습시키고, RMSE를 분석한 것이다. 그 결과 [표 1]과 같이 Sequence length가 3에서 7로 증가할수록 정확도가 높게 나타난다. 이와 같은 결과는 오랜 시간 동안의 채널 변화율을 학습시키면 예측의 정확도가 높아진다는 것을 나타낸다.

RERPM	RMSE
MNN RERPM	0.2723
CNN RERPM	0.2282
LSTM RERPM (sequence length = 3)	0.0878
LSTM RERPM (sequence length = 5)	0.0762
LSTM RERPM (sequence length = 7)	0.0713

도 12는 10000 번 학습 이후 예측 결과 값의 분포를 분석한 결과를 도시한 그래프이다.도 12를 참조하면, MNN RERPM 결과, 즉, MNN RERPM 생성을 위한 학습 히스토그램은 수신 에러율이 0~1(0~100%) 사이의 값으로 골고루 발산되어 있다. 반면, CNN RERPM 생성을 위한 학습 히스토그램과 LSTM RERPM 생성을 위한 학습 히스토그램은 0 또는 1 값으로 수렴되어 있으며, LSTM이 더 잘 수렴되어 있다. 일반적으로 수신 에러율은 수신 감도 기준으로 0%와 100%로 수렴한다.

결론적으로 RERPM의 성능 비교 결과, LSTM RERPM의 예측 정확도가 가장 높으며, 예측 시점 전의 채널상태 정보를 더 길게 줄수록 예측 정확도가 높다는 것을 알 수 있다.

다음으로, 본 발명의 실시 예에 따른 LSTM RERPM 기반의 적응형 전력 제어 방식(RERPM-APC)과 기존의 예측 기반의 적응형 전력 제어 방식(PB-APC: Prediction Based APC)의 성능을 비교해본다.

기존의 PB-APC는 K. H. Lee, D. H. Lee, D. H. Lee, S. J. Jung and H. J. Choi, "A Resource Scheduling Based on Iterative Sorting for Long-Distance Airborne Tactical Communication in Hub Network," The Journal of The Korean Institute of Communication Sciences, Vol. 39, No. 12, pp. 1250~1260, 2014.에서 제안하는 전력 제어 방법이다.

LSTM RERPM-APC의

는 0.03,

는 0.005로 설정하고, PB-APC에서는 테스트베드에서 수신감도(-75dBm) 정보를 경험으로 획득하고, 상한 링크 품질 임계 값을 -68dBm, 하한 링크 품질 임계 값을 -70dBm으로 설정하여 테스트하였다.

테스트는 1초 주기로 감쇠 값을 변경하여 시험을 진행하는 비행시험으로서, 그 결과는 도 13 및 도 14에 도시되어 있다.

도 13은 비행시험 시 수신 프레임 에러율(FER)의 변화를 보여주는 그래프, 도 14는 비행시험 시 수신세기(RSSI)의 변화를 보여주는 그래프이다.

도 13을 참조하면, 기존의 PB-APC는 100초 중 10여초 수신 에러율이 100%까지 올라가는 상황이 발생하고, 도 14의 경우, RSSI가 수신감도 이하로 떨어지는 상황이 100초 동안에 3회 발생하고, 최대 10초 이상 통신 두절 상황이 발생한다.

반면, LSTM RERPM-APC는 수신감도 이하로 떨어지는 위험 상황이 나타나지 않으며, PB-APC에 비해 100초 동안 지속적으로 안정적인 통신을 보장한다.

한편, 본 발명에 따른 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법은 이를 구현하기 위한 명령어들의 프로그램이 유형적으로 구현됨으로써, 컴퓨터를 통해 판독될 수 있는 기록매체에 포함되어 제공될 수도 있음은 통상의 기술자가 쉽게 이해할 수 있다.

즉, 본 발명에 따른 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 형태로 구현되어, 컴퓨터 판독 가능한 기록매체에 기록될 수 있으며, 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록매체에는 하드 디스크와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리, USB 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

따라서, 본 발명은 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법을 구현하기 위하여 상기 공용 데이터 링크 시스템 중 적어도 하나의 구성요소를 제어하는 컴퓨터 상에서 수행되는 컴퓨터 판독 가능한 기록매체에 저장된 프로그램을 함께 제공한다.

한편, 이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시 예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주하여야 할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

10: 감시정찰기 100: RERPM 생성 장치
200: RERPM 다운로더 300, 400: 적응형 전력 제어 장치

Claims

공용 데이터 링크(CDL: Common Data Link) 시스템에서 감시정찰기의 송신전력 제어를 위한 제어 장치의 적응형 전력 제어 방법에 있어서,
(A) RERPM 생성 장치가, 사전 오프라인 학습을 통해 수집되는 다수의 무선신호들의 RSSI(Received Signal Strength Indicator)들과 FER(Frame Error Rate)들의 변화 패턴을 LSTM(Long-Short term Memory) 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 RERPM(Long-Short term Memory Reception Error Ratio Prediction Model) 모듈을 생성하는 단계; 및
(B) 상기 제어 장치가, 상기 (A) 단계에서 생성된 상기 RERPM 모듈을 다운로딩하여 운용가능하도록 실행한 후, 상기 감시정찰기로부터 수신되는 현재 RSSI와 현재 FER을 상기 RERPM 모듈에 입력하여 상기 다음 FER을 예측하고, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 제어하는 단계;를 포함하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
제1항에 있어서,
상기 (A) 단계는,
(A1) 상기 RERPM 생성 장치가, 상기 오프라인 학습을 통해 상기 감시정찰기가 공중 및/또는 우주에서 송출한 n개의 무선신호들의 RSSI들(R={R₁, R₂, R₃, …, R_n})과 FER들(E={E₁, E₂, E₃, …, E_n})의 값에 대해 Min-Max Normalization 처리를 수행하는 단계;
(A2) 상기 RERPM 생성 장치가, 시간에 따른 변화정보를 입력데이터로 사용하기 위해 예측할 다음 시점인 t 시점 전 s(Sequence Length) 시간 동안의 상기 RSSI들과 FER들을 벡터 입력데이터로 변환하고, 상기 t 시점의 실제 FER을 실제 출력데이터로 변환하는 단계; 및
(A3) 상기 RERPM 생성 장치가, 다수의 LSTM 셀들을 포함하고, 상기 (A2) 단계에서 변환된 벡터 입출력데이터, 이전 LSTM 셀의 상태 정보, 그리고, 상기 이전 LSTM 셀에서 학습된 출력 정보를 이용하여 마지막 LSTM 셀에서 최종 출력 정보를 출력하는 LSTM 계층과, 상기 LSTM 계층으로부터 입력되는 최종 출력 정보를 이용하여 상기 다음 FER을 예측하는 완전 연결 계층(Fully Connected Layer)을 포함하는 상기 RERPM 모듈을 생성하는 단계;를 포함하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
제2항에 있어서,
상기 (A) 단계는,
(A4) 상기 감시정찰기가 상기 (B) 단계에서 산출된 송신 전력에 기초하여 상기 공용 데이터 링크를 통해 실제 임무 수행을 완료하면, 상기 RERPM 생성 장치가, 상기 임무 수행 중 발생한 RSSI와 FER의 이력데이터를 로딩하여 상기 RERPM 모델을 재학습시키는 단계; 및
(A5) 상기 RERPM 생성 장치가, 상기 재학습에 의해 진화된 RERPM 모델을 상기 적응형 전력 제어 장치에 다운로딩하여 상기 공용 데이터 링크에 적용 및 운용되도록 처리하는 단계;를 더 포함하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
제1항에 있어서,
상기 (B) 단계는,
(B1) 상기 적응형 전력 제어 장치가, 공중 및/또는 우주에서 적 상태를 감시/정찰하는 상기 감시정찰기로부터 공용 데이터 링크를 통해 무선신호를 수신하는 단계;
(B2) 상기 적응형 전력 제어 장치가, 상기 수신되는 무선신호의 현재 RSSI와 현재 FER의 변화 패턴을 딥러닝 모델 기반으로 학습하여 다음 FER을 예측하는 단계; 및
(B3) 상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER을 기반으로 상기 감시정찰기의 송신 전력을 산출하여, 상기 산출된 송신 전력을 상기 감시정찰기로 전송하는 단계;를 포함하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.
제4항에 있어서,
상기 (B3) 단계는,
상기 적응형 전력 제어 장치가, 상기 예측된 다음 FER이 최대 허용가능한 에러율보다 높으면, 상기 감시정찰기의 송신 전력을 상향조정하고, 상기 예측된 다음 FER이 최소 허용가능한 에러율보다 낮으면 상기 감시정찰기의 송신 전력을 하향조정하는 것을 특징으로 하는 공용 데이터 링크 시스템에서의 적응형 전력 제어 방법.