KR20200120988A - 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템 - Google Patents

Abstract

본 발명은 이동통신 기지국이나 중계기 등과 같은 무선통신 장비 주변에서 인공지능 기술을 기반으로 대역 내 불요파의 존재 여부를 자동으로 판정 또는 예측하는 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템에 관한 것이다.
본 발명의 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템은 이동통신 기지국이나 중계기와 같은 무선통신 장비 주변에서 발생하는 불요파를 판정 및 예측하되, 기지국 감시장치를 통해 감시장치 클라우드 서버의 데이터베이스에 실시간으로 수집된 스펙트럼 이미지 데이터를 로딩하는 검증용 이미지 로딩부; 검증용 이미지 로딩부에 의해 로딩된 검증 스펙트럼 이미지의 데이터 크기를 감소시키는 전처리를 수행하는 검증용 이미지 전처리부; 딥러닝 모델을 통해 검증 스펙트럼 이미지의 특징을 추출하는 검증용 특징 추출부 및 검증용 특징 추출부에서 추출된 특징값에 학습 과정에서 생성된 딥러닝 파라미터를 적용하여 검증 스펙트럼 이미지를 정상, 불요파 및 불요파 의심 상태로 분류하는 분류부를 포함하여 이루어진다.
딥러닝 모델은 합성곱 신경망(CNN: Convolutional Neural Network), DNN(Deep Neural Network) 및 RNN(Recurrent Neural Network) 중 하나인 것을 특징으로 한다.
검증 스펙트럼 이미지와 그 분류 결과가 다시 데이터베이스에 저장되어 추후 학습에 재사용되는 것을 특징으로 한다.

Description

인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템{apparatus for automatically judging and predicting spurious based AI algorithm}

본 발명은 이동통신 기지국이나 중계기 등과 같은 무선통신 장비 주변에서 인공지능 기술을 기반으로 대역 내 불요파의 존재 여부를 자동으로 판정 및 예측하는 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템에 관한 것이다.

무선 이동 통신에서 불요파(spurious)는 통신 시스템의 가입자 용량을 감소시키는데, 정도가 심할 경우에는 해당 지역 기지국들의 통신을 두절시켜 큰 통신 장애의 요인이 된다. 불요파의 요인은 다양한데, 대표적으로 동일 대역을 서비스하는 RF 중계기의 송수신 안테나 간 분리도가 미확보되어 발진하는 등의 예가 있을 수 있다. 요인에 따라서 불요파가 잠깐 발생하고 사라질 수도 있으나 그렇지 않고 지속적으로 해당 지역에서 발생할 수도 있는데, 후자의 경우라면 주변 기지국의 수신 성능을 크게 저하시키게 된다.

이동 통신사에서는 보통 원격 기지국 감시장치 등을 통해 송신단 스펙트럼, EVM(Error Vector Magnitude), 송신단 파워앰프 출력 및 수신단의 스펙트럼 등을 주기적으로 측정하여 측정 결과를 감시장치 서버로 전달함으로써 기지국 유지/보수를 수행한다. 이를 위해 기지국 근처에 고정형 원격 기지국 감시장치를 설치하여 운용할 수도 있으며, 이동형 계측장비를 이용하여 클라우드 감시장치 서버로 전달하여 DB화하는 방식의 유지/보수도 가능하다.

한편, 송신단의 파워앰프 출력이나 EVM 등은 알람의 기준이 되는 임계값(threshold)을 미리 설정하여 해당 임계값 초과 또는 미만일 경우 자동 알람을 발생시키는 형태로 용이하게 자동화할 수 있다. 그러나 수신단의 스펙트럼으로 불요파의 여부를 판단하는 일은 단순히 대역 내/외의 신호 전력 몇 개를 측정하여 임계값과 비교할 수 있는 성질의 것이 아니다.

불요파의 형태는 매우 다양하며, 불요파 발생원의 거리에 따라 그 전력도 큰 편차로 측정될 수 있기 때문에 몇 개의 임계값으로 판단하는 로직을 만들어 운용하는 것은 불요파 판정 정확도 측면에서 그리 타당하지 않다.

이 때문에 종래에는 이동 통신사의 운용 직원들이 수신 스펙트럼을 직접 보고 불요파 여부를 판단하는데, 이를 위해서는 운용 인력이 필요하고 비용이 소모될 뿐 아니라 불요파 판정에 그만큼 불필요한 시간이 소요된다고 하는 문제점이 있었다.

선행기술 1: 10-1190551호 등록특허공보(발명의 명칭: 제4세대 이동통신 LTE 중계기의 고장부위 자동진단장치 및 자동진단방법)

선행기술 2: 10-2009-0036971호 공개특허공보(발명의 명칭: 무선 통신 시스템에서 통신 장애 회피 장치 및 방법)

선행기술 3: 10-2007-0076332호 특허출원(발명의 명칭: 이동통신 기지국의 원격 복구 방법과 그를 수행하는 기지국원격 제어 서버 및 시스템)

본 발명은 전술한 문제점을 해결하기 위해 안출된 것으로서, 이동통신 기지국이나 중계기 등과 같은 무선통신 장비 주변에서 인공지능 기술을 기반으로 대역 내 불요파의 존재 여부를 자동으로 판정 또는 예측하는 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템을 제공함을 목적으로 한다.

전술한 목적을 달성하기 위한 본 발명의 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템은 이동통신 기지국이나 중계기와 같은 무선통신 장비 주변에서 발생하는 불요파를 판정 및 예측하되, 기지국 감시장치를 통해 감시장치 클라우드 서버의 데이터베이스에 실시간으로 수집된 스펙트럼 이미지 데이터를 로딩하는 검증용 이미지 로딩부; 검증용 이미지 로딩부에 의해 로딩된 검증 스펙트럼 이미지의 데이터 크기를 감소시키는 전처리를 수행하는 검증용 이미지 전처리부; 딥러닝 모델을 통해 검증 스펙트럼 이미지의 특징을 추출하는 검증용 특징 추출부 및 검증용 특징 추출부에서 추출된 특징값에 학습 과정에서 생성된 딥러닝 파라미터를 적용하여 검증 스펙트럼 이미지를 정상, 불요파 및 불요파 의심 상태로 분류하는 분류부를 포함하여 이루어진다.

전술한 구성에서, 학습 과정 파트는 기지국 감시장치를 통해 감시장치 클라우드 서버의 데이터베이스에 저장된 학습 스펙트럼 이미지를 로딩하는 학습용 이미지 로딩부, 후단의 학습용 특징 추출부에서의 계산량을 줄이기 위해 이미지 전처리를 수행하는 학습용 이미지 전처리부, 딥러닝 모델을 통해 정상파, 불요파 및 불요파 의심 스펙트럼 이미지의 특징을 추출하는 학습용 특징 추출부 및 학습용 특징 추출부에 의해 추출된 특징값을 사용하여 분류 예측 모델에 대한 학습을 수행하는 분류모델 학습부를 포함하여 이루어진 것을 특징으로 한다.

딥러닝 모델은 합성곱 신경망(CNN: Convolutional Neural Network), DNN(Deep Neural Network) 및 RNN(Recurrent Neural Network) 중 하나인 것을 특징으로 한다.

검증 스펙트럼 이미지와 그 분류 결과가 다시 데이터베이스에 저장되어 추후 학습에 재사용되는 것을 특징으로 한다.

본 발명의 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템에 따르면, 원격 기지국 감시장치 등에서 측정된 스펙트럼의 불요파 여부를 인공지능 알고리즘 기반 하에 자동으로 판정함으로써 유지/보수 기술자가 이를 수동으로 판정함에 따른 유지보수 비용을 절감할 수 있을 뿐 아니라 빠른 장애 판단 및 운용상의 편의를 제공한다.

나아가, 불요파 여부뿐 아니라 불요파 의심 상태에 대해서도 판정함으로써 불요파 의심 상태가 지속되면 장차 불요파가 발생할 것으로 예측하여 미리 불요파 원천 위치 탐지 등의 장애 대응 조치를 선제적으로 수행할 수 있도록 지원한다.

도 1은 본 발명에 따른 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템의 네트워크 구성도.
도 2a 및 도 2b는 본 발명에서 판정하고자 하는 불요파의 다양한 형태를 보인 그래프.
도 3은 도 1에서 불요파 판정/예측 시스템의 내부 기능 블록도.
도 4는 도 3에서 딥러닝 모델의 일 예에 따른 기능 블록도.

이하에는 첨부한 도면을 참조하여 본 발명의 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템의 바람직한 실시예에 대해 상세하게 설명한다.

도 1은 본 발명에 따른 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템의 네트워크 구성도이다. 도 1에 도시한 바와 같이, 본 발명의 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템은 이동통신 기지국이나 중계기와 같은 무선통신 장비(100) 주변에서 발생하는 불요파를 판정 및 예측하기 위해 사용될 수 있다.

이와 관련하여, 현재 이동통신 사업자들은 기지국 등의 무선통신 장비(100)의 유지보수를 위해 원격 기지국 감시장치나 계측장치(이하 이를 통칭하여 '기지국 감시장치'라 한다)(200)를 통해 정기적으로 그 성능 측정 시험을 진행하며, 이를 통해 얻어진 스펙트럼 이미지 데이터와 같은 각종 측정 데이터를 감시장치 클라우드 서버(300)에 데이터베이스화하여 저장하고 있다.

본 발명의 불요파 판정/예측 시스템(400)은 이동통신 사업자들이 종래 기지국 유지보수 활동으로 수집하여 감시장치 클라우드 서버(300)의 데이터베이스에 저장한 각종 데이터 중에서 수신단 스펙트럼 이미지 데이터를 인공지능 기술의 일종인 딥러닝 알고리즘 기반으로 학습한 결과를 통해 실시간으로 측정되어 입력되는 스펙트럼 이미지 데이터에서 불요파 존재 여부를 자동으로 판정 및 예측한다.

도 2a 및 도 2b는 본 발명에서 판정하고자 하는 불요파의 다양한 형태를 보인 그래프이다.

도 3은 도 1에서 불요파 판정/예측 시스템의 내부 기능 블록도이다. 도 3에 도시한 바와 같이, 본 발명의 인공지능 알고리즘 기반의 불요파 판정/예측 시스템은 크게 학습 과정(Training Phase) 파트와 검증 과정(Testing Phase) 파트로 구분할 수 있다.

학습 과정은 실시간 동작 과정은 아니며, 사전에 수집된 수많은 스펙트럼 이미지 데이터 중에서 불요파 판정을 위해 엔지니어에 의해 분류된 학습 스펙트럼 이미지, 즉 정상 스펙트럼 이미지, 불요파 스펙트럼 이미지 및 불요파 의심 스펙트럼 이미지를 각각 수백 장 이상씩, 바람직하게는 수천 장씩 학습하는 과정이다. 이러한 학습 과정은 크게 감시장치 클라우드 서버(300)의 데이터베이스(350)에 저장된 학습 스펙트럼 이미지를 로딩하는 학습 이미지 로딩부(410), 후단의 특징 추출부(430)에서의 계산량을 줄이기 위해 이미지 전처리를 수행하는 이미지 전처리부(420), 적절하게 선정된 딥러닝 모델을 통해 정상파, 불요파 및 불요파 의심 스펙트럼 이미지의 특징을 추출하는 특징 추출부(430) 및 특징 추출부(430)에 의해 추출된 특징값을 사용하여 분류 예측 모델에 대한 학습을 수행하는 분류모델 학습부(440)를 포함하여 이루어진다.

검증 과정은 기지국 감시장치(200)에 의해 실시간으로 수집된 스펙트럼 이미지 데이터를 로딩하는 이미지 로딩부(450), 이미지 로딩부(450)에 의해 로딩된 스펙트럼 이미지 데이터에 대해 전처리를 수행하는 이미지 전처리부(460), 적절하게 선정된 딥러닝 모델을 통해 검증 스펙트럼 이미지의 특징을 추출하는 특징 추출부(470) 및 특징 추출부(470)에서 추출된 특징값에 학습 과정에서 생성(수렴)된 딥러닝 파라미터를 적용하여 검증 스펙트럼 이미지를 정상, 불요파 및 불요파 의심 중 하나로 분류하는 분류부(480)를 포함하여 이루어질 수 있다.

전술한 구성에서, 이미지 전처리부(420),(460)는 이미지 로딩부(410),(450)에 의해 로딩된 스펙트럼 이미지 데이터를 더 작은 크기의 이미지 데이터로 변환, 예를 들어 RGB 칼라 이미지로 이루어진 원본 스펙트럼 이미지 중에서 XY 좌표 표시 영역 등이 제외된 스펙트럼 영역만을 잘라내고, 이어서 불요파 판정에 의미가 없는 RGB 칼라 이미지 데이터를 흑백 이미지 데이터, 예를 들어 128x128 픽셀 데이터로 변환한다.

한편, 본 발명에서 특징 추출부(430),(470)에 사용되는 딥러닝 모델로는 이미지 처리에 적합한 합성곱 신경망(CNN: Convolutional Neural Network), DNN(Deep Neural Network) 및 RNN(Recurrent Neural Network) 등이 있을 수 있는데, 도 4는 도 3에서 딥러닝 모델의 일 예에 따른 기능 블록도이다.

도 4에 도시한 딥러닝 모델은 합성곱 신경망(CNN) 모델인데, 이러한 합성곱 신경망 모델은 크게 특징 추출부(430,(470)를 구성하는 복수의 콘볼루션 계층(Convolution Layer), 풀링 계층(Pooling Layer) 및 분류모델 학습부(440)를 구성하는 완전연결 계층(Fully-Connected Layer)을 포함하여 이루어질 수 있다,

전술한 구성에서, 콘볼루션 계층은 복수의 필터를 사용하여 이미지 전처리부(420),(460)를 거친 스펙트럼 이미지 데이터로부터 특징을 추출하는데, 이렇게 추출된 특징을 합성곱 특징(Convolved Feature) 또는 특징 맵(Feature Map)이라고 한다.

한편, 특징 맵에는 많은 픽셀이 존재하기 때문에 특징 맵의 특징 수를 줄이기 위해 풀링 계층을 통해 부분 샘플링(subsampling)을 수행하는데, 이러한 부분 샘플링을 통해서 특징의 차원이 감소되지만 가장 중요한 특징은 그대로 보존된다. 풀링 방법으로는 Max, Average 및 Sum 등의 방법이 있으나 Max 풀링 방법을 사용하는 것이 바람직하다.

분류모델 학습부(440)를 구성하는 완전 연결 계층은 마지막 풀링 계층에서 생성된 데이터셋을 입력값으로 받아서 특정 객체, 즉 정상, 불요파 및 불요파 의심 상태로 분류될 확률값을 내보내는데, 다층 퍼셉트론(Multi-Layer Perceptron) 네트워크 구조와 오차역전파 알고리즘을 사용하여 손실 함수가 최소화되도록 필터의 가중치 및 뉴런의 가중치를 반복해서 업데이트한다.

이를 정리하면 학습 스펙트럼 이미지 데이터가 콘볼루션 계층, 비선형 단계 및 풀링 계층을 차례로 통과하면서 여러가지 특징이 생성되고, 마지막 층인 완전 연결 계층에서는 마지막 풀링 계층에서 처리된 데이터셋을 입력받아서 분류 예측 모형 학습을 수행한다.

한편, 검증 스펙트럼 이미지와 그 구분된 결과(라벨)는 다시 데이터베이스(350)에 저장되어 추후 학습에 재사용된다.

이상에서는 본 발명의 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템의 바람직한 실시예에 대해 상세하게 설명하였으나 이는 예시에 불과한 것이며, 본 발명의 기술적 사상의 범주 내에서 다양한 변형과 변경이 가능할 것이다. 따라서, 본 발명의 권리범위는 이하의 청구범위의 기재에 의하여 정해져야 할 것이다.

100: 무선통신 장비, 200: 기지국 감시장치,
300: 감시장치 클라우드 서버, 350: 데이터베이스,
400: 불요파 판정/예측 시스템, 410,450: 이미지 로딩부,
420,460: 이미지 전처리부, 430, 470: 특징 추출부,
440: 분류모델 학습부, 480: 분류부

Claims (4)

1. 이동통신 기지국이나 중계기와 같은 무선통신 장비 주변에서 발생하는 불요파를 판정 및 예측하되,
   기지국 감시장치를 통해 감시장치 클라우드 서버의 데이터베이스에 실시간으로 수집된 스펙트럼 이미지 데이터를 로딩하는 검증용 이미지 로딩부;
   검증용 이미지 로딩부에 의해 로딩된 검증 스펙트럼 이미지의 데이터 크기를 감소시키는 전처리를 수행하는 검증용 이미지 전처리부;
   딥러닝 모델을 통해 검증 스펙트럼 이미지의 특징을 추출하는 검증용 특징 추출부 및
   검증용 특징 추출부에서 추출된 특징값에 학습 과정에서 생성된 딥러닝 파라미터를 적용하여 검증 스펙트럼 이미지를 정상, 불요파 및 불요파 의심 상태로 분류하는 분류부를 포함하여 이루어진 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템.
2. 청구항 1에 있어서,
   학습 과정 파트는 기지국 감시장치를 통해 감시장치 클라우드 서버의 데이터베이스에 저장된 학습 스펙트럼 이미지를 로딩하는 학습용 이미지 로딩부, 후단의 학습용 특징 추출부에서의 계산량을 줄이기 위해 이미지 전처리를 수행하는 학습용 이미지 전처리부, 딥러닝 모델을 통해 정상파, 불요파 및 불요파 의심 스펙트럼 이미지의 특징을 추출하는 학습용 특징 추출부 및 학습용 특징 추출부에 의해 추출된 특징값을 사용하여 분류 예측 모델에 대한 학습을 수행하는 분류모델 학습부를 포함하여 이루어진 것을 특징으로 하는 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템.
3. 청구항 2에 있어서,
   딥러닝 모델은 합성곱 신경망(CNN: Convolutional Neural Network), DNN(Deep Neural Network) 및 RNN(Recurrent Neural Network) 중 하나인 것을 특징으로 하는 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템.
4. 청구항 1 내지 3 중 어느 한 항에 있어서,
   검증 스펙트럼 이미지와 그 분류 결과가 다시 데이터베이스에 저장되어 추후 학습에 재사용되는 것을 특징으로 하는 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템.

Images