KR20210128161A - 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 - Google Patents

인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 Download PDF

Info

Publication number
KR20210128161A
KR20210128161A KR1020200046012A KR20200046012A KR20210128161A KR 20210128161 A KR20210128161 A KR 20210128161A KR 1020200046012 A KR1020200046012 A KR 1020200046012A KR 20200046012 A KR20200046012 A KR 20200046012A KR 20210128161 A KR20210128161 A KR 20210128161A
Authority
KR
South Korea
Prior art keywords
channel
signal
spectrum sensing
main user
neural network
Prior art date
Application number
KR1020200046012A
Other languages
English (en)
Other versions
KR102390190B1 (ko
Inventor
정의림
정태윤
이의수
Original Assignee
한밭대학교 산학협력단
한밭대학교 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 한밭대학교 산학협력단, 한밭대학교 산학협력단 filed Critical 한밭대학교 산학협력단
Priority to KR1020200046012A priority Critical patent/KR102390190B1/ko
Publication of KR20210128161A publication Critical patent/KR20210128161A/ko
Application granted granted Critical
Publication of KR102390190B1 publication Critical patent/KR102390190B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • 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
    • H04W16/14—Spectrum sharing arrangements between different networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Discrete Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 기술은 인지 무선 통신 시스템을 위한 스펙트럼 센싱 방법 및 장치에 관한 것으로, 본 구체적인 구현예에 의하면, 주사용자 단말에 대한 어떠한 사전 정보도 없을 경우 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 잡음 전력의 추정 과정 필요없이 스펙트럼 센싱을 수행할 수 있는 방법 및 장치이다. 본 기술은 주사용자 단말에게 할당된 채널의 신호 존재 여부를 인지함에 있어, 기존의 문턱값 기반의 스펙트럼 센싱의 불확실한 SNR로 인한 성능 열화를 방지할 수 있고, 주사용자 단말에게 할당된 채널의 신호 존재 여부에 대한 미검출율(Miss Detection Ratio, MDR) 및 검출 오류율(False Detection Ratio, FDR)의 성능을 향상시킬 수 있으며, 이에 시스템 성능을 향상할 수 있다.

Description

인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치{RECURRENT NEURAL NETWORK BASED SPECTRUM SENSING METHOD AND DEVICE FOR COGNITIVE RADIO COMMUNICATIONS}
본 발명은 인지 무선 통신 시스템 및 이의 제어 방법에 관한 것으로서, 더욱 상세하게는 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 주사용자 단말에게 할당된 채널의 사용 여부를 인지함에 따라, 주사용자 단말의 사용 여부에 대한 인지의 정확도를 향상시킬 수 있고, 미검출율(Miss Detection Ratio: MDR) 및 검출오류율(False Detection Ratio: FDR) 성능 열화를 감소하여 시스템 성능을 향상시킬 수 있도록 한 기술에 관한 것이다.
다양한 무선 통신 기술의 발달로 수요가 많아져 주파수 부족이 심각한 문제로 대두되고 있다. 무선 통신에서 주사용자 (Primary user, PU) 단말에게 할당된 스펙트럼은 항상 사용되고 있는 것은 아니며 통신을 하지 않아 사용되지 않는 경우도 있다.
최근에는 부족한 스펙트럼 문제를 해결하고 스펙트럼 사용 효율을 높이기 위해 부사용자 단말(Secondary user, SU)이 이러한 일시적으로 사용하지 않는 주사용자 단말의 스펙트럼을 활용하여 통신할 수 있도록 인지 무선 (Cognitive radio) 통신 기술이 제안되고 있다.
이러한 인지 무선 통신 시스템은 부사용자 단말이 주 사용자 단말과의 간섭 신호를 발생하지 않도록 사용 중인 채널의 정확한 신호 존재 유무를 판단하는 것이 중요하고 이를 스펙트럼 센싱이라 한다.
일반적으로 인지 무선 통신 기술은 문턱값을 이용한 에너지 검출 기법을 사용한다. 이 기법은 부사용자가 주사용자 단말 PU에 대한 아무런 신호 정보가 없는 상황에서 먼저 잡음전력을 추정하고 이를 기반으로 문턱값을 설정한다. 이후 수신 신호의 전력이 문턱값을 넘으면 PU의 채널에 신호가 존재(busy 상태)한다고 판단하고 넘지 않으면 비어(idle 상태)있다고 판단한다.
하지만 이와 같이, 종래 문턱값을 이용한 스펙트럼 센싱을 비롯한 개별 스펙트럼 센싱의 성능은 신호 대 잡음비 (Signal Noise Ratio, SNR)에 큰 영향을 받는다. 그 중에서도 SNR 추정을 위한 잡음의 전력을 정확하게 추정할 수 있는 경우 우수한 성능을 보이지만 잡음의 전력이 정확하지 않으면 성능 열화가 심한 한계에 도달한다.
따라서 인지 무선 통신을 위한 스펙트럼 센싱을 수행함에 있어서, SNR이 열악한 환경에서도 성능저하가 크지 않고 잡음의 전력 추정 없이도 스펙트럼 센싱을 수행할 수 있는 스펙트럼 센싱 방법이 필요하다.
따라서, 본 발명이 이루고자 하는 기술적 과제는 순환 신경망을 이용하여 주사용자 단말에게 할당된 채널의 신호 존재 여부를 인지함에 있어, 기존의 문턱값 기반의 스펙트럼 센싱의 열화를 방지할 수 있고, 주사용자 단말에게 할당된 채널의 신호 존재 여부에 대한 미검출율(Miss Detection Ratio, MDR) 및 검출 오류율(False Detection Ratio, FDR)의 성능을 향상시킬 수 있으며, 이에 시스템 성능을 향상할 수 있는 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 장치 및 방법을 제공하고자 함에 목적이 있다.
본 발명의 다른 목적은 주사용자 단말에 대한 사전 정보가 없을 경우 순환 신경망을 이용하여 기존의 잡음의 전력 추정 과정을 제거할 수 있는 스펙트럼 센싱을 수행할 수 있는 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치를 제공하고자 함에 목적이 있다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
일 실시예에 따른 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 장치는
안테나를 통해 제공받은 신호를 하향 변환한 다음 디지털 형태로 변환하여 기저대역 디지털 형태의 수신신호를 출력하는 수신신호 수집부;
상기 기저대역 디지털 형태의 수신신호를 주파수 스펙트럼으로 변환한 다음 수신된 스펙트럼 센싱신호를 각 주 사용자 단말에게 할당된 채널 별로 분리하고 분리된 각 채널의 스펙트럼 센싱 신호에 잡음 채널을 부가하여 결합 행렬을 도출하는 전처리부; 및
상기 결합 행렬을 순환 신경망에 입력하여 학습을 수행하고 학습 결과로 주사용자 단말에게 할당된 채널의 신호 존재 여부를 출력하는 학습부를 포함하는 것을 일 특징으로 한다.
바람직하게 상기 전처리부는,
상기 기저대역 디지털 형태의 수신신호를 기 정해진 고속 푸리에 변환 단위로 샘플링하여 다수의 수신신호 블럭을 도출하는 고속 샘플링모듈;
상기 수신신호 블럭 별 고속 푸리에 변환을 수행하여 각 수신신호 블럭 별 주파수 스펙트럼을 출력하는 FFT 모듈;
상기 변환된 스펙트럼 크기에 대한 절대값을 취한 다음 누적하여 다수의 주사용자 단말의 2차원의 스펙트럼 센싱신호를 도출하는 연산모듈; 및
상기 다수의 주사용자 단말이 포함된 2차원의 스펙트럼 센싱신호를 주사용자 단말에게 할당된 채널 별로 분리한 다음 채널 별로 분리된 스펙트럼 센싱신호에 잡음 채널을 결합하여 각 주사용자 단말의 결합 행렬을 도출하고, 도출된 결합 행렬을 상기 학습부로 입력하는 채널 분리모듈을 포함할 수 있다.
바람직하게 상기 수신신호 블럭 각각은
이전 블록의 고속 푸리에 변환 단위 K 개의 수신신호 중 중첩된 임의의 N0 개가 포함된 고속 푸리에 변환 단위 K 개의 수신신호로 수집될 수 있다.
바람직하게 상기 각 센싱 채널 별 결합 채널 행렬
Figure pat00001
은
K/Kc 번째 채널에 항상 잡음만 존재하는 경우 다음 식을 만족할 수 있다.
Figure pat00002
여기서,
Figure pat00003
는 크기가 Kc X B 인 스펙트럼 센싱신호
Figure pat00004
의 부분 행렬로 스펙트럼 센싱신호
Figure pat00005
에서 cKc+1부터 (c+1)xKc까지의 행을 선택하여 도출된 행렬이며,
Figure pat00006
는 마지막 채널에 해당하는 부분 행렬이며 항상 잡음만 존재하는 채널이다. Kc는 분리된 채널의 대역폭이며, B는 블럭 갯수이며, c는 분리된 채널의 수이다.
바람직하게 상기 인지 무선 통신 시스템을 위한 순환 신경망 기반 스펙트럼 센싱 장치는
상기 학습부의 학습 결과에 따른 주사용자 단말에게 할당된 채널의 신호 존재 여부에 대해 미검출율 MDR 및 검출오류율 FDR 중 적어도 하나를 도출하는 검증부를 더 포함할 수 있다.
일 실시 예의 다른 실시 양태에 의하면, 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 장치의 전처리부는,
안테나를 통해 수신된 기저대역 디지털 형태의 수신신호를 기 정해진 고속 푸리에 변환 단위로 샘플링하여 다수의 수신신호 블럭을 도출하는 고속 샘플링모듈;
상기 수신신호 블럭 별 고속 푸리에 변환을 수행하여 각 수신신호 블럭 별 주파수 스펙트럼을 출력하는 FFT 모듈;
상기 변환된 스펙트럼 크기에 대한 절대값을 취한 다음 누적하여 2차원의 스펙트럼 센싱신호를 도출하는 연산모듈; 및
상기 도출된 다수의 주사용자 단말이 포함된 2차원의 스펙트럼 센싱신호를 각 주사용자 단말에게 할당된 채널 별로 분리한 다음 채널 별로 분리된 스펙트럼 센싱신호에 잡음 채널을 부가하여 채널 별 결합 행렬을 도출하며, 도출된 채널 별 결합 행렬을 상기 학습부로 입력하는 채널 분리모듈을 포함할 수 있다.
일 실시 예의 또 다른 실시 양태에 의거한 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법은,
안테나를 통해 제공받은 신호를 하향 변환한 다음 디지털 형태로 변환하여 기저대역 디지털 형태의 수신신호를 출력하는 수신신호 수집 단계;
상기 기저대역 디지털 형태의 수신신호를 기 정해진 고속 푸리에 변환 단위로 샘플링하여 다수의 수신신호 블럭을 도출하는 고속 샘플링 단계;
상기 수신신호 블럭 별 고속 푸리에 변환을 수행하여 각 수신신호 블럭 별 주파수 스펙트럼을 출력하는 FFT 단계;
변환된 스펙트럼 크기에 대한 절대값을 취한 다음 누적하여 2차원의 스펙트럼 센싱신호를 도출하는 연산단계;
상기 도출된 다수의 주사용자 단말이 포함된 2차원의 스펙트럼 센싱신호를 각 주사용자 단말에게 할당된 채널 별로 분리한 다음 채널 별로 분리된 스펙트럼 센싱신호에 잡음 채널을 부가하여 채널 별 결합 행렬을 도출하는 채널 분리단계; 및
상기 도출된 채널 별 결합 행렬을 순환형 신경망의 입력 레이어로 전달하여 학습 수행하고 학습 수행 결과에 따라 주사용자 단말에게 할당된 채널의 신호 존재 여부를 판단하는 학습 단계를 포함하는 것을 일 특징으로 한다.
바람직하게 상기 각 센싱 채널 별 결합 채널 행렬
Figure pat00007
은
K/Kc 번째 채널에 항상 잡음만 존재하는 경우 다음 식을 만족할 수 있다.
Figure pat00008
여기서,
Figure pat00009
는 크기가 KcxB 인 스펙트럼 센싱신호
Figure pat00010
의 부분 행렬로 스펙트럼 센싱신호
Figure pat00011
에서 cKc+1부터 (c+1)xKc까지의 행을 선택하여 도출된 행렬이며,
Figure pat00012
는 마지막 채널에 해당하는 부분 행렬이며 항상 잡음만 존재하는 채널이다. Kc는 분리된 채널의 대역폭이며, B 는 블럭 갯수이며, c는 분리된 채널의 수이다.
바람직하게 상기 인지 무선 통신 시스템을 위한 순환 신경망 기반 스펙트럼 센싱 장치는
상기 학습단계의 학습 결과에 따른 주사용자 단말 신호의 존재 여부에 대해 미검출율 MDR 및 검출오류율 FDR 중 적어도 하나를 도출하는 검증단계를 더 포함할 수 있다.
일 실시 예에 의하면, 순환 신경망을 이용하여 주사용자 단말에게 할당된 채널의 신호 존재 여부를 인지함에 있어, 기존의 문턱값 기반의 스펙트럼 센싱의 열화를 방지할 수 있고, 주사용자 단말에게 할당된 채널의 신호 존재 여부에 대한 미검출율(Miss Detection Ratio, MDR) 및 검출 오류율(False Detection Ratio, FDR)의 성능을 향상시킬 수 있으며, 이에 시스템 성능을 향상할 수 있다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 일 실시 예에 따른 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 방법을 도시한 구성도이다.
도 2는 일 실시예의 시스템의 수신신호 수집부의 세부 구성도이다.
도 3은 일 실시예의 시스템의 전처리부의 세부 구성도이다.
도 4는 일 실시예의 시스템의 기 정해진 고속 푸리에 변환 단위로 신호를 수집할 때, 인접한 신호의 오버랩되는 데이터의 예시도이다.
도 5는 일 실시예의 인지 무선 시스템에서 순환 신경망 기반 스펙트럼 센싱 방법의 학습 데이터 예시 및 네트워크 구조를 도시한 도면이다.
도 6은 일 실시예의 순환 신경망 기법의 학습 곡선을 도시한 그래프이다.
도 7은 일 실시예에 따른 순환 신경망 기반 스펙트럼 센싱 방법과 종래의 문턱값 기반 센싱 방법의 MDR과 FDR의 성능을 비교한 도이다.
도 8은 일 실시예가 적용되는 실험장을 보인 예시도이다.
도 9는 일 실시예의 실험장의 MDR 및 FDR를 보인 예시도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
명세서 전반에 걸쳐 있는 주사용자 단말의 신호 존재는 해당 센싱 채널을 통해 신호를 송수신하는 의미로서, 주사용자 단말의 채널 사용, 주사용자 단말의 채널 사용 중(busy) 등으로 혼용하여 기재할 수 있고, 스펙트럼 센싱 채널은 해당 센싱 채널을 통해 송수신되는 스펙트럼 형태의 신호로서 스펙트럼 센싱 신호로 혼용하여 사용될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.
도 1은 일 실시 예에 따른 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치를 도시한 구성도이고, 도 2는 도 1에 도시된 수신신호 수집부(100)의 세부 구성도이며, 도 3은 도 1에 도시된 전처리부(200)의 세부 구성도이며, 도 4는 도 3에 도시된 고속 샘플링모듈(210)의 샘플링 및 오버랩 과정을 설명하기 위한 개념도이고, 도 5는 도 1에 도시된 학습부(300)의 순환 신경망 기법을 설명하기 위한 개념도이며, 도 6은 순환 신경망 기법의 학습 곡선을 도시한 그래프이다.
도 1 내지 도 6을 참조하면, 인지 무선 통신 시스템은 수신신호 수집부(100), 전처리부(200), 학습부(300) 및 검증부(400) 중 적어도 하나를 포함할 수 있다.
여기서, 수신신호 수집부(100)는 RF 하향 변환기(110) 및 A/D 변환기(120) 중 적어도 하나를 포함할 수 있고, 안테나를 통해 수집된 수신신호는 RF 하향 변환기(110)에 의거 RF 하향 변환한 다음 A/D 변환기(120)에 의해 디지털 신호로 변환하여 기저대역의 디지털형태의 수신신호
Figure pat00013
를 도출하고, 도출된 기저대역의 디지털형태의 수신신호
Figure pat00014
는 전처리부(200)로 전달된다.
이에 도 3를 참조하면, 전처리부(200)는, 기저대역 디지털형태의 수신신호
Figure pat00015
에 대해 고속 샘플링하여 인접한 신호를 오버랩하여 데이터를 수집하는 고속 샘플링모듈(210)을 포함하고, 샘플링 단위는 기 정해진 고속 푸리에 변환 단위 K 개 로 설정된다.
일 례로 도 4를 참조하면, 인접된 고속 푸리에 변환 단위 K 개의 수신신호
Figure pat00016
을 읽을 때
Figure pat00017
만큼 중첩하여 샘플이 수집되며, 이에 전체 수신신호
Figure pat00018
의 수집 시간을 단축할 수 있다. 여기서, B는 신호 블록의 개수이다. 이에 임의의
Figure pat00019
번째 수신신호
Figure pat00020
블럭은 다음 식 1로 나타낼 수 있다.
[식 1]
Figure pat00021
그리고 전처리부(200)는 샘플링된 수신신호
Figure pat00022
에 대해 고속 푸리에 변환 FFT를 수행하여 주파수 영역의 스펙트럼을 출력하는 FFT 모듈(220)을 포함할 수 있다. 일 례로 FFT 모듈(220)은 임의의
Figure pat00023
번째 블럭의 수신신호
Figure pat00024
에 대해 주파수 스펙트럼으로 변환하여
Figure pat00025
번째 블럭의 수신신호
Figure pat00026
에 대해 K 포인트 FFT 벡터
Figure pat00027
을 출력하며 FFT 벡터
Figure pat00028
는 다음 식 2로 정의된다.
[식 2]
Figure pat00029
여기서
Figure pat00030
의 크기는 K X B이며, 스펙트럼 센싱은 스펙트럼의 크기를 이용하여 판단해야 하므로
Figure pat00031
의 K개 원소에 대한 FFT 출력의 절대값을 취한다. 절대값을 취한 수신신호는 다음 식 3과 같다.
[식 3]
Figure pat00032
그리고, FFT 모듈(220)은 각 B 개 블록의 FFT 벡터
Figure pat00033
에 대해 각각 고속 푸리에 변환을 수행한 후 절대값을 취한 스펙트럼 센싱 신호
Figure pat00034
를 누적하여 크기가 K X B 인 2차원의 스펙트럼 센싱신호
Figure pat00035
을 추출할 수 있다. 2차원의 스펙트럼 센싱신호
Figure pat00036
은 다음 식 4로 나타낼 수 있다.
[식 4]
Figure pat00037
여기서, 2차원의 스펙트럼 센싱신호
Figure pat00038
은 광대역 수신 신호의 고속 푸리에 변환을 통해 도출된 신호이므로 다수의 주사용자 단말에게 할당된 채널에 포함될 수 있다.
이에 전처리부(200)는 2차원의 스펙트럼 센싱신호
Figure pat00039
을 다수의 주 사용자 단말 각각에게 할당된 채널별로 분리하는 채널 분리모듈(230)을 더 포함할 수 있다.
일 례로, 2차원의 스펙트럼 센싱신호
Figure pat00040
의 전체 대역폭은 K 포인트이고 각 주사용자 단말에게 할당된 채널 폭이 Kc(Kc<K)라고 가정하면, 전체 스펙트럼 센싱 채널의 개수는 K/Kc가 된다. 또한, 샘플링 클럭이 Fs (Hz)인 경우 각 스펙트럼 센싱 채널의 대역폭은 KcFs/K (Hz) 로 주어진다.
그리고 마지막 채널, 즉, K/Kc 번째 채널은 주 사용자 단말 PU가 항상 비워 둔다는 가정하에 잡음만이 존재하게 된다. 주 사용자 단말 PU의 신호 존재 유무를 판단하기 위해 스펙트럼 센싱신호
Figure pat00041
에 잡음만이 존재하는 채널이 있을 경우 스펙트럼 센싱, 즉, 주 사용자 단말 PU에게 할당된 채널의 신호 존재 유무, 즉 채널이 사용 중(busy)인지 비어 있는(idle) 상태 인지를 판단함에 있어 매우 유리하다.
따라서, 채널 분리모듈(230)은 스펙트럼 센싱신호
Figure pat00042
을 주사용자 단말 PU에세 할당된 채널 별로 선택한 다음 잡음을 추가하여 새로운 결합 행렬
Figure pat00043
을 생성할 수 있고, 새로운 결합 행렬
Figure pat00044
는 다음 식 5로 정의된다.
[식 5]
Figure pat00045
여기서,
Figure pat00046
는 크기가 KcxB 인 스펙트럼 센싱신호
Figure pat00047
의 부분 행렬로 스펙트럼 센싱신호
Figure pat00048
에서 cKc+1부터 (c+1)xKc까지의 행을 선택하여 도출된 행렬이며,
Figure pat00049
는 마지막 채널에 해당하는 부분 행렬이며 항상 잡음만 존재하는 채널이다. Kc는 분리된 채널의 대역폭이며, B 는 블럭 갯수이며, c는 분리된 채널의 수이다.
이러한 잡음이 부가된 결합 행렬
Figure pat00050
은 학습부(300)로 전달된다. 학습부(300)는 크기가 KcxB 인 각 주사용자 센싱 채널과 잡음채널이 결합된 크기가 2KcxB 인 결합 행렬
Figure pat00051
을 학습 데이터로 하며, 순환 신경망(RNN: Recurrent Neural Network) 알고리즘을 수행하여 주 사용자 단말 PU에게 할당된 채널의 신호 존재 유무를 판단할 수 있다.
일 례로 순환 신경망 알고리즘은 64개의 LSTN 셀로 구성되며 마지막 벡터가 입력된 후 최종 출력은 주사용자 단말 PU 신호가 사용 중(busy)인지 또는 비어(idle) 있는 지를 나타낸다.
도 5는 학습부(300)의 인지 무선 시스템에서 순환 신경망(RNN) 기반 스펙트럼 센싱 방법의 학습 데이터 예시 및 네트워크 구조를 도시한 도면으로서, 도 5를 참조하면, 학습부(200)의 순환 신경망 알고리즘은 입력 계층(Input layer), LSTM(Long Short Term Memory) 셀, 다수의 완전 연결 계층(Fully connected layer), softmax, 및 분류 계층(Classification layer)를 포함하며, 입력 계층의 입력은 결합 행렬
Figure pat00052
의 벡터 단위이다.
일 례로 결합 행렬
Figure pat00053
의 크기는 2KcxB 이므로 순환 신경망의 입력값은 크기가2Kc x 1인 총 B 개의 열 벡터이다. 이에 2차원 결합 채널 행렬
Figure pat00054
=
Figure pat00055
(m,n)은 결합 행렬
Figure pat00056
의 (m, n) 번째 입력값이며 첫번째 LSTM 셀의 입력은
Figure pat00057
이고, 두번째 LSTM 셀의 입력은
Figure pat00058
으로, 총 B 개의 열 벡터가 입력된다. 본 명세서 상에서는 전처리부(200)의 결합 행렬
Figure pat00059
을 입력으로 순환 신경망 알고리즘의 LSTM 기법을 수행하여 결합 행렬
Figure pat00060
에 학습 모델을 통해 주 사용자 단말 PU의 신호 존재의 유무(Busy, idle)를 판단하는 LSTM 셀, 다수의 완전 연결 계층(Fully connected layer), softmax, 및 분류 계층(Classification layer)에 대해 구체적으로 명시하지 않지만, 당업자의 수준에서 이해되어야 할 것이다.
도 6은 도 5의 학습부에 의거 학습 결과를 보인 그래프로서, 도 6을 참조하면, 기저대역의 디지털 형태의 수신신호
Figure pat00061
의 샘플링 주파수가 16 MHz이고, 주 사용자 단말 PU에게 할당된 채널 대역폭이 0.5 MHz이라고 가정하면 광대역 샘플링을 통해 한번에 관찰 가능한 전체 채널 수는 32 개이다.
또한, 2차원의 스펙트럼 센싱신호
Figure pat00062
의 고속 푸리에 변환 단위 K 포인트의 수가 512, 다수의 수신신호
Figure pat00063
을 읽을 때 중첩되는 데이터의 길이
Figure pat00064
= 256이며, K 포인트의 각 센싱 채널 폭 Kc = 16 이고, 블록 B의 수는 64라고 가정하자.
그리고, 순환 신경망 알고리즘을 수행하기 위해 기 구축된 학습 데이터의 수는 총 20,000 세트의 수신 신호이며, 이때 각 채널에서 주사용자 단말 PU에게 할당된 채널에 신호가 존재할 확률은 50%이고, 하나의 블록의 채널로부터 마지막 채널을 제외한 총 31개 센싱신호에 잡음 채널을 추가하여 생성된 결합 행렬
Figure pat00065
(c= 0, 1, ... 31)는 채널 분리모듈(230)에서 출력된다.
이때 학습 데이터 생성할 때의 SNR은 -20[dB]에서 50[dB]의 범위에서 무작위로 선택된다. 이러한 SNR의 범위는 실제 통신 환경을 고려하여 설정된다. 이에 총 20,000 x 31 = 620,000 개의 결합 행렬
Figure pat00066
은 입력 계층에 학습 데이터로 입력된다.
이러한 학습 신호에 의거 순환 신경망 알고리즘은 교차 엔트로피가 최소화되도록 학습 수행하며 여기서 최적화 기법은 SGDM (Stochastic Gradient Descent with Momentum)으로 사용되고, 학습률은 0.001이며 미니 배치(batch) 사이즈는 620로 설정된다.
이에 도 6을 참조하면, 순환 신경망 알고리즘을 이용한 학습부(300)의 손실 함수에 따른 학습 결과는 총 3회의 학습(3 epochs)이 반복 수행되고 300번 이내의 갱신된 경우 임계치에 수렴되는 것을 확인할 수 있다.
한편, 일 실시 예의 인지 무선 통신 시스템은 순환 신경망을 이용하여 도출된 학습 결과에 대한 검증을 수행하는 검증부(400)를 더 포함할 수 있다. 우선 검증부(400)는 학습 결과에 따른 주 사용자 단말 PU에게 할당된 채널의 신호 존재 여부에 대해 검증을 수행하기 위한 테스트 데이터 모델을 생성한다.
여기서 테스트 데이터는 -20[dB] 부터 6[dB] 범위에서 SNR 2[dB] 간격으로 각각 4,000 세트의 신호로 생성된다. 따라서, 각 SNR 별 학습부(300)의 입력 계층에 제공되는 테스트 데이터의 수는 총 4,000 X 31 = 124,000 개이며 채널 별 주 사용자 단말 PU 신호가 존재할 확률은 50%로 생성된다.
이에 검증부(400)는 일 실시 예에서 순환 신경망 기반의 스펙트럼 센싱 방법의 성능을 검증하기 위해 두 가지 지표를 측정한다.
첫 번째는 센싱 채널이 비어 있는데 사용하고 있다고 판단하는 경우를 놓친 검출이라 하고, 그 비율을 미검출율 (miss detection ratio, MDR)이라 정의한다. 두 번째로 채널이 사용 중인데 비어 있다고 판단하는 경우를 검출 오류라 하고, 그 비율을 검출오류율 (false detection ratio, FDR)이라 정의한다.
따라서, 검증부(400)은 미검출율 (miss detection ratio, MDR)과 검출오류율 (false detection ratio, FDR)의 두 가지 성능 지표로 출력되며, 주 사용자 단말 PU 신호가 사용 중인데 비어 있다고 판정하여 통신을 수행하는 경우 간섭이 일으킬 수 있으므로, 검증부(400)에서 검출오류율의 성능을 최소화하는 것은 매우 중요하다. 즉, 주사용자 단말 PU 신호가 비어 있는 상황을 정확하게 인지하지 못할 확률인 MDR 성능 보다는 FDR 성능 향상이 중요하다.
도 7은 SNR 함수로 결정되는 변수 α와, 할당되지 아니한 잡음 채널을 이용하여 도출되는 잡음 전력의 추정값
Figure pat00067
에 의거 도출된 문턱값 λ 기법의 MDR 성능 및 FDR 성능과, 합성곱 신경망(Convolutional Neural Network, CNN) 기법의 MDR 및 FDR 성능, 및 일 실시 예의 순환 신경망(RNN) 기법의 MDR 및 FDR 성능을 보인 비교 그래프로서, 도 7을 참조하면, 순환 신경망 기법의 MDR 성능 및 FDR 성능은 합성곱 신경망 기법의 성능과 유사함을 알 수 있고, 종래의 문턱값 기반의 스펙트럼 센싱 방법의 MDR 및 FDR 성능은 약 2[dB] 이상 열화됨을 확인할 수 있다. 여기서, 변수 α의 최적화하기 위한 SNR 범위는 하기 표 1에 도시된 바와 같다.
[표 1]
Figure pat00068
<시뮬레이션 결과>
도 8은 본 발명의 시뮬레이션 결과를 검증 및 수행하기 위한 실험장을 보인 도면으로서, 송신기와 수신기는 모서리로부터 각각 2m 떨어진 위치에 고정한 다음 송신기의 전력을 가변하면서 수신기에서 신호를 수집하고 수신된 실험 데이터에 대해 스펙트럼 센싱 기법을 적용하여 MDR 및 FDR 성능을 도출할 수 있다.
여기서, 테스트 데이터는 SNR= -14 [dB] ~ 8 [dB]에서 2 [dB] 간격으로 각 55,000개의 신호로 총 660,000개의 실험 데이터를 수집하며, 이때 반송파 주파수는 비면허 대역인 2.4GHz로 설정된다.
도 9는 도 8의 시뮬레이션으로부터 획득된 문턱값 기반의 스펙트럼 센싱 기법의 MDR 성능 및 FDR 성능과, 합성곱 신경망(CNN) 기법의 MDR 성능 및 FDR 성능, 및 일 실시 예의 순환형 신경망(RNN) 기법의 MDR 성능 및 FDR 성능을 보인 예시도들로서, 도 9을 참조하면, 일 실시 예에 따른 순환 신경망 기법의 MDR 성능은 기존의 문턱값 기반의 기법 보다 약 1 [dB] 정도 우수하고 기존의 합성곱 신경망 기법과도 약 1~2 [dB] 우수함을 알 수 있다.
또한 일 실시 예에 따른 순환 신경망 기법의 FDR 성능은 기존의 문턱값 기반의 기법 보다 약 8 [dB] 정도 우수하고 기존의 합성곱 신경망 기법의 FDR 성능이 약 3~4 [dB] 향상됨을 알 수 있다.
이와 같이 본 발명의 일 실시 예에 따른 인지 무선 통신 시스템을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치는 각 센싱 채널 별로 도출된 시간에 따른 스펙트럼 센싱 채널과 잡음 채널이 결합된 채널 결합 행렬
Figure pat00069
을 열 벡터 단위로 순차적으로 순환 신경망에 입력하여 학습을 수행하고 학습 결과를 토대로 주 사용자 단말 PU 신호의 존재 유무를 판단할 수 있다. 또한 주사용자 단말에 대한 사전 정보 없이도 주사용자 단말의 신호 존재 유무를 판단할 수 있고, 마지막 채널을 비워둠으로서 기존의 잡음의 전력을 구하는 과정 없이도 일련의 학습이 수행된 모델에 기반하여 입력된 데이터에 주사용자 단말의 할당된 채널에 신호가 있는지 또는 없는지를 판단할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.
100 : 수신신호 수집부
200 : 전처리부
210 : 고속 샘플링모듈
220 : FFT모듈
230 : 연산모듈
240 : 채널분리모듈
300 : 학습부
400 : 검증부

Claims (9)

  1. 안테나를 통해 제공받은 신호를 하향 변환한 다음 디지털 형태로 변환하여 기저대역 디지털 형태의 수신신호를 출력하는 수신신호 수집부;
    상기 기저대역 디지털 형태의 수신신호를 주파수 스펙트럼으로 변환한 다음 수신된 스펙트럼 센싱신호를 각 주 사용자 단말에게 할당된 채널 별로 분리하고 분리된 각 채널의 스펙트럼 센싱 신호에 잡음 채널을 부가하여 결합 행렬을 도출하는 전처리부; 및
    상기 결합 행렬을 순환 신경망에 입력하여 학습을 수행하고 학습 결과로 주사용자 단말에게 할당된 채널의 신호 존재 여부를 출력하는 학습부를 포함하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치.
  2. 제1항에 있어서, 상기 전처리부는,
    상기 기저대역 디지털 형태의 수신신호를 기 정해진 고속 푸리에 변환 단위로 샘플링하여 다수의 수신신호 블럭을 도출하는 고속 샘플링모듈;
    상기 수신신호 블럭 별 고속 푸리에 변환을 수행하여 각 수신신호 블럭 별 주파수 스펙트럼을 출력하는 FFT 모듈;
    변환된 스펙트럼에 대한 절대값을 취한 다음 누적하여 다수의 주사용자 단말의 2차원의 스펙트럼 센싱신호를 도출하는 연산모듈; 및
    상기 다수의 주사용자 단말이 포함된 2차원의 스펙트럼 센싱신호를 주사용자 단말에게 할당된 채널 별로 분리한 다음 채널 별로 분리된 스펙트럼 센싱신호에 잡음 채널을 결합하여 각 주사용자 단말의 결합 행렬을 도출하고, 도출된 결합 행렬을 상기 학습부로 입력하는 채널 분리모듈을 포함하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치.
  3. 제2항에 있어서, 상기 수신신호 블럭 각각은
    이전 블록의 고속 푸리에 변환 단위 K 개의 수신신호 중 임의의 No 만큼의 오버랩(중첩)이 포함된 고속 푸리에 변환 단위 K 개의 수신신호로 수집되는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치.
  4. 제2항에 있어서, 상기 각 센싱 채널 별 결합 행렬
    Figure pat00070
    은
    K/Kc 번째 채널에 항상 잡음만 존재하는 경우 다음 식을 만족하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치.
    Figure pat00071

    여기서,
    Figure pat00072
    는 크기가 KcxB 인 스펙트럼 센싱신호
    Figure pat00073
    의 부분 행렬로 스펙트럼 센싱신호
    Figure pat00074
    에서 cKc+1부터 (c+1)Kc까지의 행을 선택하여 도출된 행렬이며,
    Figure pat00075
    는 마지막 채널에 해당하는 부분 행렬이며 항상 잡음만 존재하는 채널이다. Kc는 분리된 채널의 대역폭이며, B는 블럭 갯수이며, c는 분리된 채널의 수이다.
  5. 제1항에 있어서,
    상기 학습부의 학습 결과에 따른 주사용자 단말에게 할당된 채널의 신호 존재 여부에 대해 미검출율 MDR 및 검출오류율 FDR 중 적어도 하나를 도출하는 검증부를 더 포함하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치.
  6. 안테나를 통해 수신된 기저대역 디지털 형태의 수신신호를 기 정해진 고속 푸리에 변환 단위로 샘플링하여 다수의 수신신호 블럭을 도출하는 고속 샘플링모듈;
    상기 수신신호 블럭 별 고속 푸리에 변환을 수행하여 각 수신신호 블럭 별 주파수 스펙트럼을 출력하는 FFT 모듈;
    상기 변환된 스펙트럼 크기에 대한 절대값을 취한 다음 누적하여 2차원의 스펙트럼 센싱신호를 도출하는 연산모듈; 및
    상기 도출된 다수의 주사용자 단말이 포함된 2차원의 스펙트럼 센싱신호를 각 주사용자 단말에게 할당된 채널 별로 분리한 다음 채널 별로 분리된 스펙트럼 센싱신호에 잡음 채널을 부가하여 채널 별 결합 행렬을 도출하며, 도출된 채널 별 결합 행렬을 상기 학습부로 입력하는 채널 분리모듈을 포함하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 장치의 전처리부.
  7. 안테나를 통해 제공받은 신호를 하향 변환한 다음 디지털 형태로 변환하여 기저대역 디지털 형태의 수신신호를 출력하는 수신신호 수집 단계;
    상기 기저대역 디지털 형태의 수신신호를 기 정해진 고속 푸리에 변환 단위로 샘플링한 다음 인접한 신호를 오버랩하여 다수의 수신신호 블럭을 도출하는 고속 샘플링 단계;
    상기 수신신호 블럭 별 고속 푸리에 변환을 수행하여 각 수신신호 블럭 별 주파수 스펙트럼을 출력하는 FFT 단계;
    변환된 스펙트럼 크기에 대한 절대값을 취한 다음 누적하여 2차원의 스펙트럼 센싱신호를 도출하는 연산단계;
    상기 도출된 다수의 주사용자 단말이 포함된 2차원의 스펙트럼 센싱신호를 각 주사용자 단말에게 할당된 채널 별로 분리한 다음 채널 별로 분리된 스펙트럼 센싱신호에 잡음 채널을 부가하여 채널 별 결합 행렬을 도출하는 채널 분리단계; 및
    상기 도출된 채널 별 결합 행렬을 순환 신경망의 입력 계층으로 전달하여 학습 수행하고 학습 수행 결과에 따라 주사용자 단말에게 할당된 채널의 신호 존재 여부를 판단하는 학습 단계를 포함하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 방법.
  8. 제7항에 있어서, 상기 각 센싱 채널 별 결합 채널 행렬
    Figure pat00076
    은
    K/Kc 번째 채널에 항상 잡음만 존재하는 경우 다음 식을 만족하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 방법.
    Figure pat00077

    여기서,
    Figure pat00078
    는 크기가 KcxB 인 스펙트럼 센싱신호
    Figure pat00079
    의 부분 행렬로 스펙트럼 센싱신호
    Figure pat00080
    에서 cKc+1부터 (c+1)Kc까지의 행을 선택하여 도출된 행렬이며,
    Figure pat00081
    는 마지막 채널에 해당하는 부분 행렬이며 항상 잡음만 존재하는 채널이다. Kc는 분리된 채널의 대역폭이며, B 는 블럭 갯수이며, c는 분리된 채널의 수이다.
  9. 제8항에 있어서,
    상기 학습단계의 학습 결과에 따른 주사용자 단말 신호의 존재 여부에 대해 미검출율 MDR 및 검출오류율 FDR 중 적어도 하나를 도출하는 검증단계를 더 포함하는 것을 특징으로 하는 인지 무선 통신 시스템에서 순환 신경망 기반 스펙트럼 센싱 방법.
KR1020200046012A 2020-04-16 2020-04-16 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 KR102390190B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200046012A KR102390190B1 (ko) 2020-04-16 2020-04-16 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200046012A KR102390190B1 (ko) 2020-04-16 2020-04-16 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210128161A true KR20210128161A (ko) 2021-10-26
KR102390190B1 KR102390190B1 (ko) 2022-04-25

Family

ID=78268400

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200046012A KR102390190B1 (ko) 2020-04-16 2020-04-16 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102390190B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115276854A (zh) * 2022-06-16 2022-11-01 宁波大学 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法
CN115276853A (zh) * 2022-06-16 2022-11-01 宁波大学 一种基于cnn-cbam的频谱感知方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100136644A (ko) * 2009-06-19 2010-12-29 광운대학교 산학협력단 무선인지 시스템에서 높은 성능 및 낮은 복잡도를 갖는 스펙트럼 센싱 장치
JP4842942B2 (ja) * 2005-06-22 2011-12-21 パナソニック株式会社 無線受信装置
KR101151026B1 (ko) * 2011-01-26 2012-06-08 경희대학교 산학협력단 인지 단말 및 인지 단말의 무선 인지방법
KR101154166B1 (ko) * 2011-04-27 2012-06-14 성균관대학교산학협력단 인지 무선 시스템을 위한 스펙트럼 검출 기법 성능 분석 방법
KR101298175B1 (ko) * 2011-08-19 2013-08-20 세종대학교산학협력단 스펙트럼 센싱 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4842942B2 (ja) * 2005-06-22 2011-12-21 パナソニック株式会社 無線受信装置
KR20100136644A (ko) * 2009-06-19 2010-12-29 광운대학교 산학협력단 무선인지 시스템에서 높은 성능 및 낮은 복잡도를 갖는 스펙트럼 센싱 장치
KR101151026B1 (ko) * 2011-01-26 2012-06-08 경희대학교 산학협력단 인지 단말 및 인지 단말의 무선 인지방법
KR101154166B1 (ko) * 2011-04-27 2012-06-14 성균관대학교산학협력단 인지 무선 시스템을 위한 스펙트럼 검출 기법 성능 분석 방법
KR101298175B1 (ko) * 2011-08-19 2013-08-20 세종대학교산학협력단 스펙트럼 센싱 방법 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115276854A (zh) * 2022-06-16 2022-11-01 宁波大学 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法
CN115276853A (zh) * 2022-06-16 2022-11-01 宁波大学 一种基于cnn-cbam的频谱感知方法
CN115276854B (zh) * 2022-06-16 2023-10-03 宁波大学 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法
CN115276853B (zh) * 2022-06-16 2023-10-03 宁波大学 一种基于cnn-cbam的频谱感知方法

Also Published As

Publication number Publication date
KR102390190B1 (ko) 2022-04-25

Similar Documents

Publication Publication Date Title
Yang et al. Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks
CA2338471C (en) Base station identification in orthogonal frequency division multiplexing based spread spectrum multiple access systems
CN109195214B (zh) 一种基于遗传算法的noma功率分配方法
De Vito A review of wideband spectrum sensing methods for cognitive radios
KR102390190B1 (ko) 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치
US20120195214A1 (en) Multitaper spectrum sensing systems and methods
KR102364215B1 (ko) 인지 무선 시스템에서 합성곱 신경망 기반 스펙트럼 센싱 방법 및 장치
CN108322277B (zh) 一种基于协方差矩阵反特征值的频谱感知方法
CN110868723B (zh) 一种基于功率方差比较的多频带迭代频谱感知方法
CN109889288B (zh) 一种基于集合平均值迭代检测的连续频谱感知方法
Zebarjadi et al. Non‐cooperative burst detection and synchronisation in downlink TDMA‐based wireless communication networks
Liu et al. An adaptive double thresholds scheme for spectrum sensing in cognitive radio networks
Bianchi et al. Performance analysis of some eigen-based hypothesis tests for collaborative sensing
CN107612864B (zh) 突发模式简化符号同步方法的判决门限值设定方法
CN102869091B (zh) 一种确定定位参考信号到达时间的方法及装置
CN109067483B (zh) 一种利用以往感知时隙数据的最大特征值频谱感知方法
US9231668B2 (en) Radio apparatus and method of operating the same
CN107257542B (zh) 一种异步d2d网络中基于ppp分布和ofdm系统的建模方法
KR100882879B1 (ko) Ｏｆｄｍ 무선통신 시스템의 심볼 동기 장치 및 방법
KR101347885B1 (ko) 무선 인지 장치 및 무선 인지 방법
Du et al. Cooperative spectrum sensing based on block stagewise orthogonal matching pursuit
CN105407491B (zh) 基于多电平的序列检测与识别方法
CN110855386B (zh) 一种基于功率比较的多频带迭代频谱感知方法
Li et al. Research on adaptive energy detection technology based on correlation window
CN103813374A (zh) 一种参考信号接收功率测量方法、装置和终端

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant