KR20200097526A - 신경망이 적용된 통신 시스템 및 방법 - Google Patents
신경망이 적용된 통신 시스템 및 방법 Download PDFInfo
- Publication number
- KR20200097526A KR20200097526A KR1020190015013A KR20190015013A KR20200097526A KR 20200097526 A KR20200097526 A KR 20200097526A KR 1020190015013 A KR1020190015013 A KR 1020190015013A KR 20190015013 A KR20190015013 A KR 20190015013A KR 20200097526 A KR20200097526 A KR 20200097526A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- unit
- data
- gaussian noise
- residual
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03248—Arrangements for operating in conjunction with other apparatus
- H04L25/03299—Arrangements for operating in conjunction with other apparatus with noise-whitening circuitry
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
- Error Detection And Correction (AREA)
Abstract
신경망이 적용된 통신 시스템 및 방법이 개시된다. 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하며 병렬 수신부(400)와 데이터 직렬화부를 포함하는 수신부(400); 및 수신부(400)의 통신 채널에서 가우시안 잡음을 추정하고 추정된 가우시안 잡음을 저감시키는 잔류 뉴럴 네트워크(300)를 구성한다. 따라서 수신 신호에서 가우시안 잡음을 제거함으로써 수신 데이터에서 발생하는 오류를 저감시킬 수 있고, 수신부(400)에서 데이터 오류가 저감됨으로써 데이터 수신율이 향상되는 장점이 있다.
Description
본 발명은 신경망이 적용된 통신 시스템 및 방법에 관한 것으로, 더욱 상세하게는 수신 신호에서 잡음을 제거하는 신경망이 적용된 통신 시스템 및 방법에 관한 것이다.
통신 시스템은 데이터를 송신하는 송신부와 데이터를 수신하는 수신부(400)로 구성되며, 송신부는 송신할 데이터를 변조하여 무선 전송하고, 수신부(400)는 수신된 신호를 복조한다. 시스템 쓰루풋(throughput)인 데이터 송수신율을 높이기 위해 송신부에는 다중 변조 방법이 적용되는데 데이터율이 높고 대역폭이 협소한 경우 잡음에 취약할 수 있다. 잡음에 영향을 받은 신호가 수신부(400)에서 수신되면 데이터에 에러가 발생해서 비트 에러율이 상승하고, 수신 데이터는 오류를 가지게 된다. 따라서 수신부(400)는 발생된 에러를 정정하는 로직이 부가되며, 에러 정정 로직의 성능에 따라 통신 시스템의 신뢰도가 높아질 수 있다. 여기서, 에러 정정 로직에는 수신 신호에서 가우시안 잡음을 제거하는 잡음 제거 장치가 사용될 수 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 수신 신호에서 가우시안 잡음을 제거하는 신경망이 적용된 통신 시스템 및 방법을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명은, 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하며 병렬 수신부(400)와 데이터 직렬화부를 포함하는 수신부(400); 및 수신부(400)의 통신 채널에서 가우시안 잡음을 추정하고 추정된 가우시안 잡음을 저감시키는 잔류 뉴럴 네트워크(300)를 포함한다.
또한, 잔류 뉴럴 네트워크(300)는 채널 상관을 통해 상기 가우시안 잡음을 추정하는 컨벌루션 레이어를 포함한다.
또한, 잔류 뉴럴 네트워크(300)는 20개의 컨벌루션 레이어(320)를 포함하고, 첫 번째 컨벌루션 레이어는 64개의 3*3*1 필터로 구성되어 정류한 선형 유닛을 수행하고, 다음 18개의 컨벌루션 레이어는 64개의 3*3*64 필터를 사용하여 배치 정규화와 정류한 선형 유닛을 수행하고, 마지막 컨벌루션 레이어는 3*3*64 필터를 사용하여 신호를 재구성한다.
또한, 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하는 단계; 수신부(400)의 통신 채널에서 가우시안 잡음을 추정하는 단계; 및 잔류 뉴럴 네트워크(300)가 수신부(400)에서 추정된 가우시안 잡음을 저감시키는 단계를 포함한다.
또한, 추정하는 단계는 상기 잔류 뉴럴 네트워크(300)의 컨벌루션 레이어가 채널 상관을 통해 상기 가우시안 잡음을 추정하는 단계를 포함한다.
일례로, 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하며 병렬 수신부(400)와 데이터 직렬화부를 포함하는 수신부(400); 및 수신부(400)의 통신 채널에서 가우시안 잡음을 저감시키는 잔류 뉴럴 네트워크(300)를 포함한다.
수신부(400)에 포함된 병렬 수신부(400)는 여러 개의 데이터 열을 수신하고 데이터 직렬화부는 데이터 행을 데이터 열로 변환한다. 송신부에서 전송되는 데이터 행렬은 통신 채널에서 가우시안 잡음이 유입되고 수신부(400)에 수신된다. 잔류 뉴럴 네트워크(300)는 가우시안 잡음이 포함된 데이터 행렬에서 가우시안 잡음을 추정하고 제거한다. 가우시안 잡음은 데이터 행렬에 오류를 야기할 수 있으므로 제거되어야 하며 잔류 뉴럴 네트워크(300)가 가우시안 잡음 저감 역할을 담당한다.
또한, 잔류 뉴럴 네트워크(300)는 채널 상관을 통해 가우시안 잡음을 추정하는 컨벌루션 레이어(320)를 포함한다.
잔류 뉴럴 네트워크(300)는 20개의 컨벌루션 레이어(320)를 포함한다. 첫 번째 컨벌루션 레이어는 64개의 3*3*1 필터로 구성되어 정류한 선형 유닛을 수행하고, 다음 18개의 컨벌루션 레이어는 64개의 3*3*64 필터를 사용하여 배치 정규화와 정류한 선형 유닛을 수행하고, 마지막 컨벌루션 레이어는 3*3*64 필터를 사용하여 신호를 재구성한다. 컨벌루션 레이어는 입력 가중치 엘리먼트 곱과 합으로 구성된다.
또한, 수신부(400)는 통신 채널의 잡음 레벨을 측정하는 잡음 레벨 측정부(440); 및 잡음 레벨에 따라 수신부(400)에 적용될 잔류 뉴럴 네트워크(300)의 적용 경로를 선택하는 뉴럴 네트워크 적용부(450)를 포함한다.
잡음 레벨 측정부(440)는 통신 채널의 잡음 레벨을 측정하고, 뉴럴 네트워크 적용부(450)는 잡음 레벨에 따라 수신부(400)에 적용될 잔류 뉴럴 네트워크(300)의 적용 경로를 선택한다. 뉴럴 네트워크 적용부(450)는 잡음 레벨의 높고 낮음에 따라 수신부(400)의 병렬 수신부(400)와 데이터 직렬화부에 잔류 뉴럴 네트워크(300)가 적용될지를 선택한다. 이때, 병렬 수신부(400)와 데이터 직렬화부에서 아날로그 수신 신호를 처리할 때 잔류 뉴럴 네트워크(300)가 적용될 수 있다.
또한, 뉴럴 네트워크 적용부(450)는 잡음 레벨이 높으면 병렬 수신부(400)와 데이터 직렬화부에 잔류 뉴럴 네트워크(300)를 적용하고, 잡음 레벨이 낮으면 병렬 수신부(400) 또는 데이터 직렬화부 중 하나에 잔류 뉴럴 네트워크(300)를 적용한다.
뉴럴 네트워크 적용부(450)는 잡음 레벨의 높고 낮음에 따라 병렬 수신부(400) 또는 데이터 직렬화부에 잔류 뉴럴 네트워크(300)를 적용할지를 결정한다. 예를 들어, 뉴럴 네트워크 적용부(450)는 잡음 레벨이 높으면 병렬 수신부(400)와 데이터 직렬화부에 잔류 뉴럴 네트워크(300)를 적용하고, 잡음 레벨이 낮으면 병렬 수신부(400) 또는 데이터 직렬화부 중 하나에 잔류 뉴럴 네트워크(300)를 적용할 수 있다.
또한, 뉴럴 네트워크 적용부(450)는 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정한다.
뉴럴 네트워크 적용부(450)는 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정할 수 있다. 컨벌루션 레이어 개수가 조정됨으로써 잔류 뉴럴 네트워크(300)가 잡음 레벨의 변화에 적응할 수 있다.
뉴럴 네트워크 적용부(450)가 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정함에 있어 개수 조정에 신경망을 적용할 수 있다. 신경망은 잡음 레벨과 레이어 개수 및 에러율을 입력 변수로 하고 뉴럴 네트워크에 적용해서 레이어 개수를 예측값으로 출력할 수 있다. 또한, 신경망에는 에러율을 실측값으로 뉴럴 네트워크를 피드백해서 학습시킬 수 있다. 신경망이 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정함으로써 잡음 레벨을 낮추고 에러율 또한 낮출 수 있고, 이로 인해 수신부(400)의 성능이 향상될 수 있다. 컨벌루션 레이어 개수가 조정됨으로 인해 데이터 처리에 사용되는 연산량이 최적화되어 소비 전력이 잡음 레벨에 따라 적응될 수 있다.
상기와 같은 본 발명에 따른 신경망이 적용된 통신 시스템 및 방법을 이용할 경우에는 수신 신호에서 가우시안 잡음을 제거함으로써 수신 데이터에서 발생하는 오류를 저감시킬 수 있다.
또한, 수신부(400)에서 데이터 오류가 저감됨으로써 낮은 비트 오류율이 달성되고, 시스템 쓰루풋인 데이터 수신율이 향상되는 장점이 있다.
도 1은 노이즈 제거 시스템 프레임워크의 블록도이다.
도 2는 잔류 뉴럴 네트워크(300)의 블록도이다.
도 3은 통신 시스템의 블록도이다.
도 4는 본 발명과 기존 방법의 쓰루풋 비교 예시도이다.
도 5는 본 발명과 MMSE(Minimum Mean-Squared Error) 방식의 BER 비교 예시도이다.
도 2는 잔류 뉴럴 네트워크(300)의 블록도이다.
도 3은 통신 시스템의 블록도이다.
도 4는 본 발명과 기존 방법의 쓰루풋 비교 예시도이다.
도 5는 본 발명과 MMSE(Minimum Mean-Squared Error) 방식의 BER 비교 예시도이다.
명세서에서 사용된 용어는 그 단어가 본래 가지는 의미가 확대 해석될 수 있으며 서로 다른 의미를 가지는 단어와 단어가 하나의 단어로 조합됨으로써 광의의 새로운 의미를 가지는 합성어 형태를 취한다. 예를 들어 노이즈라는 단어와 제거라는 단어가 합성되어 노이즈 제거를 이룸으로써 노이즈가 제거됨을 의미하게 된다. 또한, 명세서에서 제시하는 실시예는 실시에 바람직한 실시예이며, 경우에 따라 다른 구성이 부가되거나 본래 있던 구성이 생략됨이 가능하다. 실시예에서 구성을 포함하다 또는 가지다로 실시될 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 노이즈 제거 시스템 프레임워크의 블록도이다.
송신부의 병렬화부(110)는 직렬화된 데이터를 병렬화하고, 채널 코딩부(120)는 병렬화된 데이터를 채널 코딩하고, 변조부(130)는 채널 코딩된 데이터를 M-QAM 변조한다. M-QAM은 M-ary QAM이며, QAM은 Quadrature Amplitude Modulation이다.
채널(200)은 무선 통신 채널을 형성한다. 수신부(400)의 잔류 뉴럴 네트워크(300)는 채널(200)로 인한 가우시안 잡음(AWGN: Additive White Gaussian Noise)을 저감시키고, 복조부(410)로 수신 신호를 전달한다. 여기서, 잔류 뉴럴 네트워크(300)는 잔여 학습을 이용한 신경망을 활용한다. 잔여 학습은 네트워크의 각 층이 이전 층에서 표현한 정보와 다른 부분에만 집중할 수 있고, 모듈성을 강조한 모델로, 작은 네트워크를 정의하고, 이를 반복함으로써 극단적으로 깊은 모델을 생성할 수 있다. 실시예로, 잔류 뉴럴 네트워크에는 ReLU(Rectified Linear Unit) 신경망을 이용될 수 있다.
수신부(400)의 복조부(410)는 수신 신호를 복조하고, 채널 디코딩부(420)는 복조된 신호를 채널 디코딩하고, 직렬화부(430)는 채널 디코딩된 신호를 직렬화한다.
도 2는 잔류 뉴럴 네트워크(300)의 블록도이다.
수신 신호(310)는 잔류 뉴럴 네트워크(300)로 입력된다.
잔류 뉴럴 네트워크(300)는 20개의 컨벌루션 레이어(320)를 포함한다. 실시예로, 컨벌루션 레이어(320)에는 DnCNN(De-noising Convolutional Neural Network)이 적용될 수 있다. 첫 번째 컨벌루션 레이어(321)는 64개의 3*3*1 필터로 구성되어 정류한 선형 유닛을 수행하고, 다음 18개의 컨벌루션 레이어(322)는 64개의 3*3*64 필터를 사용하여 배치 정규화와 정류한 선형 유닛을 수행하고, 마지막 컨벌루션 레이어(323)는 3*3*64 필터를 사용하여 신호를 재구성한다. 컨벌루션 레이어(320)는 입력 가중치 엘리먼트 곱과 합으로 구성되며, ReLU(Rectified Linear Unit) 신경망을 이용한다.
잔류 뉴럴 네트워크(300)의 출력 신호(330)와 수신 신호(310)가 덧셈기(340)에서 연산되어 잔류 뉴럴 네트워크(300)를 거친 신호(350)가 출력된다.
도 3은 통신 시스템의 블록도이다.
통신 시스템은 실시예로, 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하며 병렬 수신부(400)와 데이터 직렬화부를 포함하는 수신부(400); 및 수신부(400)의 통신 채널에서 가우시안 잡음을 저감시키는 잔류 뉴럴 네트워크(300)를 포함한다.
수신부(400)에 포함된 병렬 수신부(400)는 여러 개의 데이터 열을 수신하고 데이터 직렬화부는 데이터 행을 데이터 열로 변환한다. 송신부에서 전송되는 데이터 행렬은 통신 채널에서 가우시안 잡음이 유입되고 수신부(400)에 수신된다. 잔류 뉴럴 네트워크(300)는 가우시안 잡음이 포함된 데이터 행렬에서 가우시안 잡음을 추정하고 제거한다. 가우시안 잡음은 데이터 행렬에 오류를 야기할 수 있으므로 제거되어야 하며 잔류 뉴럴 네트워크(300)가 가우시안 잡음 저감 역할을 담당한다.
잔류 뉴럴 네트워크(300)는 채널 상관을 통해 가우시안 잡음을 추정하는 컨벌루션 레이어(320)를 포함한다.
잔류 뉴럴 네트워크(300)는 20개의 컨벌루션 레이어(320)를 포함한다. 첫 번째 컨벌루션 레이어(321)는 64개의 3*3*1 필터로 구성되어 정류한 선형 유닛을 수행하고, 다음 18개의 컨벌루션 레이어(322)는 64개의 3*3*64 필터를 사용하여 배치 정규화와 정류한 선형 유닛을 수행하고, 마지막 컨벌루션 레이어(323)는 3*3*64 필터를 사용하여 신호를 재구성한다. 컨벌루션 레이어(320)는 입력 가중치 엘리먼트 곱과 합으로 구성된다.
구체적으로, 수신부(400)는 통신 채널의 잡음 레벨을 측정하는 잡음 레벨 측정부(440); 및 잡음 레벨에 따라 수신부(400)에 적용될 잔류 뉴럴 네트워크(300)의 적용 경로를 선택하는 뉴럴 네트워크 적용부(450)를 포함한다.
잡음 레벨 측정부(440)는 통신 채널의 잡음 레벨을 측정하고, 뉴럴 네트워크 적용부(450)는 잡음 레벨에 따라 수신부(400)에 적용될 잔류 뉴럴 네트워크(300)의 적용 경로를 선택한다. 뉴럴 네트워크 적용부(450)는 잡음 레벨의 높고 낮음에 따라 수신부(400)의 병렬 수신부(400)와 데이터 직렬화부에 잔류 뉴럴 네트워크(300)가 적용될지를 선택한다. 이때, 병렬 수신부(400)와 데이터 직렬화부에서 아날로그 수신 신호를 처리할 때 잔류 뉴럴 네트워크(300)가 적용될 수 있다.
보다 구체적으로, 뉴럴 네트워크 적용부(450)는 잡음 레벨이 높으면 병렬 수신부(400)와 데이터 직렬화부에 잔류 뉴럴 네트워크(300)를 적용하고, 잡음 레벨이 낮으면 병렬 수신부(400) 또는 데이터 직렬화부 중 하나에 잔류 뉴럴 네트워크(300)를 적용한다.
뉴럴 네트워크 적용부(450)는 잡음 레벨의 높고 낮음에 따라 병렬 수신부(400) 또는 데이터 직렬화부에 잔류 뉴럴 네트워크(300)를 적용할지를 결정한다. 예를 들어, 뉴럴 네트워크 적용부(450)는 잡음 레벨이 높으면 병렬 수신부(400)와 데이터 직렬화부에 잔류 뉴럴 네트워크(300)를 적용하고, 잡음 레벨이 낮으면 병렬 수신부(400) 또는 데이터 직렬화부 중 하나에 잔류 뉴럴 네트워크(300)를 적용할 수 있다.
또한, 뉴럴 네트워크 적용부(450)는 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정할 수 있다.
뉴럴 네트워크 적용부(450)는 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정할 수 있다. 컨벌루션 레이어 개수가 조정됨으로써 잔류 뉴럴 네트워크(300)가 잡음 레벨의 변화에 적응할 수 있다.
뉴럴 네트워크 적용부(450)가 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정함에 있어 개수 조정에 신경망을 적용할 수 있다. 신경망은 잡음 레벨과 레이어 개수 및 에러율을 입력 변수로 하고 뉴럴 네트워크에 적용해서 레이어 개수를 예측값으로 출력할 수 있다. 또한, 신경망에는 에러율을 실측값으로 뉴럴 네트워크를 피드백해서 학습시킬 수 있다. 신경망이 잡음 레벨에 따라 컨벌루션 레이어 개수를 조정함으로써 잡음 레벨을 낮추고 에러율 또한 낮출 수 있고, 이로 인해 수신부(400)의 성능이 향상될 수 있다. 컨벌루션 레이어 개수가 조정됨으로 인해 데이터 처리에 사용되는 연산량이 최적화되어 소비 전력이 잡음 레벨에 따라 적응될 수 있다.
도 4는 본 발명과 기존 방법의 쓰루풋 비교 예시도이고, 도 5는 본 발명과 MMSE(Minimum Mean-Squared Error) 방식의 BER 비교 예시도로서, 본 발명이 기존 방법에 비해 쓰루풋은 향상되고, BER은 감소함을 알 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110: 병렬화부 120: 채널 코딩부
130: 변조부 200: 채널
300: 잔류 뉴럴 네트워크 321: 첫 번째 컨벌루션 레이어
322: 18 개의 컨벌루션 레이어 323: 마지막 컨벌루션 레이어
400: 수신부 410: 복조부
420: 채널 디코딩부 430: 직렬화부
440: 잡음 레벨 측정부 450: 뉴럴 네트워크 적용부
130: 변조부 200: 채널
300: 잔류 뉴럴 네트워크 321: 첫 번째 컨벌루션 레이어
322: 18 개의 컨벌루션 레이어 323: 마지막 컨벌루션 레이어
400: 수신부 410: 복조부
420: 채널 디코딩부 430: 직렬화부
440: 잡음 레벨 측정부 450: 뉴럴 네트워크 적용부
Claims (5)
- 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하며 병렬 수신부(400)와 데이터 직렬화부를 포함하는 수신부(400); 및
상기 수신부(400)의 통신 채널에서 가우시안 잡음을 추정하고 추정된 가우시안 잡음을 저감시키는 잔류 뉴럴 네트워크(300)를 포함하는 신경망이 적용된 통신 시스템. - 제1항에 있어서,
상기 잔류 뉴럴 네트워크(300)는 채널 상관을 통해 상기 가우시안 잡음을 추정하는 컨벌루션 레이어를 포함하는 신경망이 적용된 통신 시스템. - 제1항에 있어서,
상기 잔류 뉴럴 네트워크(300)는 20개의 컨벌루션 레이어(320)를 포함하고, 첫 번째 컨벌루션 레이어는 64개의 3*3*1 필터로 구성되어 정류한 선형 유닛을 수행하고, 다음 18개의 컨벌루션 레이어는 64개의 3*3*64 필터를 사용하여 배치 정규화와 정류한 선형 유닛을 수행하고, 마지막 컨벌루션 레이어는 3*3*64 필터를 사용하여 신호를 재구성하는 신경망이 적용된 통신 시스템. - 송신부가 전송한 데이터 행렬을 통신 채널을 통해 수신하는 단계;
수신부(400)의 통신 채널에서 가우시안 잡음을 추정하는 단계; 및
잔류 뉴럴 네트워크(300)가 상기 수신부(400)에서 추정된 가우시안 잡음을 저감시키는 단계를 포함하는 신경망이 적용된 통신 방법. - 제4항에 있어서,
상기 추정하는 단계는 상기 잔류 뉴럴 네트워크(300)의 컨벌루션 레이어가 채널 상관을 통해 상기 가우시안 잡음을 추정하는 단계를 포함하는 신경망이 적용된 통신 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190015013A KR102184763B1 (ko) | 2019-02-08 | 2019-02-08 | 신경망이 적용된 통신 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190015013A KR102184763B1 (ko) | 2019-02-08 | 2019-02-08 | 신경망이 적용된 통신 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200097526A true KR20200097526A (ko) | 2020-08-19 |
| KR102184763B1 KR102184763B1 (ko) | 2020-11-30 |
Family
ID=72291716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190015013A KR102184763B1 (ko) | 2019-02-08 | 2019-02-08 | 신경망이 적용된 통신 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102184763B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112865841B (zh) * | 2021-01-18 | 2022-04-19 | 重庆邮电大学 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008306605A (ja) * | 2007-06-08 | 2008-12-18 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 混合信号分離装置及び混合信号分離方法、並びにｏｆｄｍ受信装置及びｏｆｄｍ受信方法 |
| KR20120086023A (ko) | 2011-01-25 | 2012-08-02 | 인하대학교 산학협력단 | 카오스 특성을 이용한 인지 무선 통신 시스템 엔진 유닛 |
| KR20170058277A (ko) * | 2015-11-09 | 2017-05-26 | 톰슨 라이센싱 | 잡음 있는 이미지들을 업스케일링하기 위한 방법, 및 잡음 있는 이미지들을 업스케일링하기 위한 장치 |
| KR101822829B1 (ko) * | 2017-08-11 | 2018-01-29 | 문경훈 | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 |
-
2019
- 2019-02-08 KR KR1020190015013A patent/KR102184763B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008306605A (ja) * | 2007-06-08 | 2008-12-18 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 混合信号分離装置及び混合信号分離方法、並びにｏｆｄｍ受信装置及びｏｆｄｍ受信方法 |
| KR20120086023A (ko) | 2011-01-25 | 2012-08-02 | 인하대학교 산학협력단 | 카오스 특성을 이용한 인지 무선 통신 시스템 엔진 유닛 |
| KR20170058277A (ko) * | 2015-11-09 | 2017-05-26 | 톰슨 라이센싱 | 잡음 있는 이미지들을 업스케일링하기 위한 방법, 및 잡음 있는 이미지들을 업스케일링하기 위한 장치 |
| KR101822829B1 (ko) * | 2017-08-11 | 2018-01-29 | 문경훈 | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102184763B1 (ko) | 2020-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8289914B2 (en) | Signal transmission method and apparatus used in OFDMA wireless communication system | |
| US9838230B2 (en) | Pre-coding in a faster-than-Nyquist transmission system | |
| US9083576B1 (en) | Methods and systems for error detection and correction using vector signal prediction | |
| CN104852879B (zh) | 一种电力线脉冲噪声动态抑制方法和系统 | |
| US20090129284A1 (en) | Apparatus and method for reporting channel quality indicator in wireless communication system | |
| JP2006050532A (ja) | ビット列候補削減型受信機および受信処理方法 | |
| US9106470B2 (en) | Enhanced decoding and demapping method and apparatus for QAM data signals | |
| JP6949152B2 (ja) | 通信方法、通信装置、および記憶媒体 | |
| CN105340194A (zh) | 多用户传输中对客户端接收干扰消除能力的估计和利用 | |
| US20120069833A1 (en) | Channel state information reporting for a successively decoded, precoded multi-antenna transmission | |
| US20180013526A1 (en) | Simultaneous transmission and reception of an orthogonal multiplexed signal and a non-orthogonal multiplexed signal | |
| JP5030891B2 (ja) | 雑音電力推定装置、受信装置、雑音電力推定方法、及び、受信方法 | |
| US20180316527A1 (en) | Pam-n jitter/noise decomposition analysis | |
| US9490938B1 (en) | Systems and methods for performing iterative interference cancellation | |
| EP1265389B1 (en) | Method of impairment mitigation in a communication system | |
| US20160080101A1 (en) | Method and apparatus for mitigating interference | |
| US9331780B1 (en) | Systems and methods for adaptive energy utilization of optical interconnection networks | |
| KR102184763B1 (ko) | 신경망이 적용된 통신 시스템 및 방법 | |
| JP6884293B2 (ja) | 分布整形方法および分布整形終端方法、分布整形符号化器および分布整形復号器、並びに、伝送システム | |
| CN106452652B (zh) | 一种基于混沌无线通信系统的多径干扰抑制方法 | |
| US20160191214A1 (en) | Method and apparatus for estimating channel information | |
| US10237096B2 (en) | Processing of a faster-than-Nyquist signaling reception signal | |
| GB2452319A (en) | MIMO system with interpolation of precoder matrices from a subset of subcarriers | |
| JP2013115542A (ja) | スケーリング決定装置及び方法 | |
| EP3432496A1 (en) | Log-likelihood ratio calculation circuit, reception apparatus, and log-likelihood ratio calculation method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |