KR20240043542A - 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법 - Google Patents

멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법 Download PDF

Info

Publication number
KR20240043542A
KR20240043542A KR1020220122762A KR20220122762A KR20240043542A KR 20240043542 A KR20240043542 A KR 20240043542A KR 1020220122762 A KR1020220122762 A KR 1020220122762A KR 20220122762 A KR20220122762 A KR 20220122762A KR 20240043542 A KR20240043542 A KR 20240043542A
Authority
KR
South Korea
Prior art keywords
learning
signal
spectrum analysis
data
task
Prior art date
Application number
KR1020220122762A
Other languages
English (en)
Inventor
김원태
김한진
김영진
Original Assignee
한국기술교육대학교 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 한국기술교육대학교 산학협력단 filed Critical 한국기술교육대학교 산학협력단
Priority to KR1020220122762A priority Critical patent/KR20240043542A/ko
Priority to US18/077,206 priority patent/US20240104428A1/en
Publication of KR20240043542A publication Critical patent/KR20240043542A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 스펙트럼 분석 방법이 제공된다. 본 발명의 일 실시예에 따른 무선신호 분석 방법은 타겟 대역의 타겟 신호를 수신하고, 상기 타겟 신호의 전처리를 통해 학습 데이터셋을 획득하고, 상기 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행하고, 학습된 스펙트럼 분석 학습모델을 이용하여 상기 타겟 신호를 분석하되, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 분석하고자 하는 복수의 태스크 각각에 대한 개별 학습을 수행하는 개별 태스크 레이어 및 공유 학습을 수행하는 공유 레이어를 구성하고, 상기 공유 레이어에서, 상기 학습 데이터셋 중 기정의된 기준에 부합하는 상관(correlation) 데이터를 학습하고, 상기 복수의 개별 태스크 레이어 각각에서, 상기 학습 데이터 중 각 태스크에서 요구되는 개별 데이터셋 및 상기 상관 데이터의 학습 결과를 이용하여 개별 학습을 수행한다.

Description

멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법{Method for analyzing Wireless signals using multi-task learning-based spectral analysis learning model}
본 발명은 무선신호의 스펙트럼을 분석하는 방법에 관한 것으로, 더욱 상세하게는 멀티태스크 러닝을 이용하여 무선신호의 스펙트럼 분석을 학습하고, 이를 이용하여 무선신호를 분석하는 방법에 관한 것이다.
근래 무선통신, 반도체 등의 비약적인 발전으로 스마트폰, 태블릿 등 기존의 무선통신 기기뿐만 아니라 가전제품, 차량, 공공시설 등에도 무선통신 기술이 적용되게 되었고, 이에 따라 동일한 네트워크 및 스펙트럼 대역 내에서 다양한 무선통신 기술이 공존하는 추세가 가속화되고 있다.
다양한 무선통신 기술을 사용하는 기기가 증가함에 따라, 기기 간의 간섭과 영향이 단일 차원이 아닌 스펙트럼의 다차원 공간에서 빈번하게 발생할 가능성이 높아지고 있다.
무선통신 기술들은 사용하는 변조(modulation) 방식, 주파수 대역, 대역 및 대역폭, 최대 전력, 전송 속도(data rate), 전송 범위 등이 상이하다. 예를 들어, 도 1에 도시된 바와 같이, 서로 다른 무선통신 기술은 서로 다른 대역 및 대역폭을 가진다. 또한, 도 2 내지 도 6에 도시된 바와 같이, 변조 방식에 따라 서로 다른 특성(I/Q 신호 패턴, 성상도 패턴, 진폭/위상 패턴, 주파수 영역에서의 크기 패턴 등)을 가지게 된다.
특정 무선통신 기술을 사용하는 신호는 상기의 특성(feature)에 대한 풋프린트(foot print)를 남기게 되고, 이러한 신호의 n 차원 공간에서의 풋프린트를 분석한다면 무선 신호의 간섭을 최소화하고 충돌을 방지할 수 있는 경로를 선택할 수 있다.
상기의 간섭 및 충돌을 방지하기 위한 기존의 스펙트럼 감지 기술(hole detection, energy detection, preamble detection 등)은 단일 차원에서의 신호 분류를 지원하거나, 단순히 신호를 분류(classification)하는 수준에 그치고 있고, 다차원 공간에서의 스펙트럼 분석을 통한 효율적인 경로 결정에는 한계가 존재한다.
미국등록특허 제9510222호 (2016.11.29. 등록)
본 발명이 해결하고자 하는 기술적 과제는 다차원 스펙트럼 공간의 신호 소스(signal source)를 분석하고, 풋프린트에 대한 학습을 수행하는 장치 및 방법을 제공하는 것이다.
또한, 다차원 공간 정보를 포괄적은 학습 및 분석함에 따라 무선통신 신호의 간섭 및 충돌을 최소화할 수 있는 장치 및 방법을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 해당 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 스펙트럼 분석 방법은, 타겟 대역의 타겟 신호를 수신하고, 상기 타겟 신호의 전처리를 통해 학습 데이터셋을 획득하고, 상기 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행하고, 학습된 스펙트럼 분석 학습모델을 이용하여 상기 타겟 신호를 분석할 수 있다.
일 실시예에 따라, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 분석하고자 하는 복수의 태스크 각각에 대한 개별 학습을 수행하는 개별 태스크 레이어 및 공유 학습을 수행하는 공유 레이어를 구성하고, 상기 공유 레이어에서, 상기 학습 데이터셋 중 기정의된 기준에 부합하는 상관(correlation) 데이터를 학습하고, 상기 복수의 개별 태스크 레이어 각각에서, 상기 학습 데이터 중 각 태스크에서 요구되는 개별 데이터셋 및 상기 상관 데이터의 학습 결과를 이용하여 개별 학습을 수행할 수 있다.
일 실시예에 따라, 상기 학습 데이터셋은 I/Q 신호 데이터로 구성될 수 있다.
이 때, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 상기 개별 학습의 정확도를 판단하고, 상기 정확도가 기정의된 정확도 기준 미만인 경우, 상기 I/Q 신호 데이터에 대한 FFT(Fast Fourier Transform)를 수행하여 수정 학습 데이터셋을 획득하고, 상기 수정 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행할 수 있다.
일 실시예에 따라, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 상기 수정 학습 데이터셋에 대응되도록 상기 공유 레이어의 뉴런 수를 변경하고, 상기 변경된 공유 레이어 및 상기 복수의 개별 태스크 레이어를 이용하여 학습을 수행할 수 있다.
일 실시예에 따라, 상기 개별 태스크 레이어는 상기 타겟 신호의 신호를 분류하는 신호 분류 태스크 레이어 및 상기 타겟 신호의 채널을 분류하는 채널 분류 태스크 레이어를 포함하고, 상기 신호 분류 태스크 레이어는, 상기 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도(constellation) 데이터에 기초하여 개별 학습을 수행하고, 상기 채널 분류 태스크 레이어는, 상기 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터 및 시간 영역에서의 진폭(Amplitude) 데이터에 기초하여 개별 학습을 수행할 수 있다.
이 때, 상기 공유 레이어에 의해 학습되는 상관 데이터는 상기 타겟 신호의 대역폭 특성을 포함할 수 있다.
일 실시예에 따라, 상기 개별 태스크 레이어는 상기 타겟 신호의 신호를 분류하는 신호 분류 태스크 레이어 및 상기 타겟 신호의 전력을 추정하는 전력 추정 태스크 레이어를 포함하고, 상기 신호 분류 태스크 레이어는, 상기 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도(constellation) 데이터에 기초하여 개별 학습을 수행하고, 상기 전력 추정 태스크 레이어는, 상기 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터, 시간 영역에서의 진폭(Amplitude) 및 위상(phase) 데이터 중 적어도 하나에 기초하여 개별 학습을 수행할 수 있다.
이 때, 상기 공유 레이어에 의해 학습되는 상관 데이터는 상기 타겟 신호의 대역폭 특성, 채널 특성 및 I/Q 특성 중 적어도 하나를 포함할 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
도 1은 무선신호의 종류에 따른 대역폭의 차이를 예시적으로 설명하기 위한 도면이다.
도 2는 변조 방식에 따라 상이하게 나타나는 I/Q 신호 패턴을 예시적으로 설명하기 위한 도면이다.
도 3은 변조 방식에 따라 상이하게 나타나는 성상도(Constellation diagram) 패턴을 예시적으로 설명하기 위한 도면이다.
도 4는 변조 방식에 따라 상이하게 나타나는 시간 도메인에서의 진폭(amplitude) 패턴을 예시적으로 설명하기 위한 도면이다.
도 5는 변조 방식에 따라 상이하게 나타나는 시간 도메인에서의 위상(phase) 패턴을 예시적으로 설명하기 위한 도면이다.
도 6은 변조 방식에 따라 상이하게 나타나는 주파수 도메인에서의 크기(magnitude) 스펙트럼 패턴을 예시적으로 설명하기 위한 도면이다.
도 7은 본 발명의 몇몇 실시예에 따른 멀티태스크 기반의 무선신호 스펙트럼 분석 장치를 개념적으로 설명하기 위한 도면이다.
도 8은 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 분석 장치의 구성을 설명하기 위한 도면이다.
도 9는 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 분석 동작을 설명하기 위한 도면이다.
도 10은 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 학습 동작을 설명하기 위한 도면이다.
도 11은 본 발명의 몇몇 실시예에 따라, 멀티태스크 기반의 딥러닝 네트워크를 통해 복수의 태스크에 대한 학습을 수행하는 동작을 개념적으로 설명하기 위한 도면이다.
도 12는 본 발명의 몇몇 실시예에 따라, 학습 정확도에 따라 수정 학습 데이터셋을 이용하여 재학습을 수행하는 동작을 설명하기 위한 도면이다.
도 13 및 도 14는 본 발명의 몇몇 실시예에 따라, 신호 분류 및 채널 분류 태스크를 위한 학습 동작을 설명하기 위한 도면이다.
도 15 및 도 16은 본 발명의 몇몇 실시예에 따라, 신호 분류 및 전력 추정 태스크를 위한 학습 동작을 설명하기 위한 도면이다.
이하, 본 발명의 다양한 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
도 1은 무선신호의 종류에 따른 대역폭의 차이를 예시적으로 설명하기 위한 도면이고, 도 2는 변조 방식에 따라 상이하게 나타나는 I/Q 신호 패턴을 예시적으로 설명하기 위한 도면이고, 도 3은 변조 방식에 따라 상이하게 나타나는 성상도(Constellation diagram) 패턴을 예시적으로 설명하기 위한 도면이고, 도 4는 변조 방식에 따라 상이하게 나타나는 시간 도메인에서의 진폭(amplitude) 패턴을 예시적으로 설명하기 위한 도면이고, 도 5는 변조 방식에 따라 상이하게 나타나는 시간 도메인에서의 위상(phase) 패턴을 예시적으로 설명하기 위한 도면이고, 도 6은 변조 방식에 따라 상이하게 나타나는 주파수 도메인에서의 크기(magnitude) 스펙트럼 패턴을 예시적으로 설명하기 위한 도면이다.
근래 무선통신, 반도체 등의 비약적인 발전으로 스마트폰, 태블릿 등 기존의 무선통신 기기뿐만 아니라 가전제품, 차량, 공공시설 등에도 무선통신 기술이 적용되게 되었고, 이에 따라 동일한 네트워크 및 스펙트럼 대역 내에서 다양한 무선통신 기술이 공존하는 추세가 가속화되고 있다.
다양한 무선통신 기술을 사용하는 기기가 증가함에 따라, 기기 간의 간섭과 영향이 단일 차원이 아닌 스펙트럼의 다차원 공간에서 빈번하게 발생할 가능성이 높아지고 있다.
하기 표 1을 참조하면, IEEE 802.11(WiFi), IEEE 802.15.1(Bluetooth), IEEE 802.15.4(Zigbee) 등 무선통신 기술들은 사용하는 변조(modulation) 방식, 주파수 대역, 대역 및 대역폭, 최대 전력, 전송 속도(data rate), 전송 범위 등이 상이하다. 예를 들어, 도 1에 도시된 바와 같이, 서로 다른 무선통신 기술은 서로 다른 대역 및 대역폭을 가진다. 또한, 도 2 내지 도 6에 도시된 바와 같이, 변조 방식에 따라 서로 다른 특성(I/Q 신호 패턴, 성상도 패턴, 진폭/위상 패턴, 주파수 영역에서의 크기 패턴 등)을 가지게 된다.
특정 무선통신 기술을 사용하는 신호는 상기의 특성(feature)에 대한 풋프린트(foot print)를 남기게 되고, 이러한 신호의 n-차원 공간에서의 풋프린트를 분석한다면 무선 신호의 간섭을 최소화하고 충돌을 방지할 수 있는 경로를 선택할 수 있다.
상기의 간섭 및 충돌을 방지하기 위한 기존의 스펙트럼 감지 기술(hole detection, energy detection, preamble detection 등)은 단일 차원에서의 신호 분류를 지원하거나, 단순히 신호를 분류(classification)하는 수준에 그치고 있고, 다차원 공간에서의 스펙트럼 분석을 통한 효율적인 경로 결정에는 한계가 존재한다.
이하에서, 도 7 내지 도 16을 참조하여 본 발명의 몇몇 실시예에 따른 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 스펙트럼 분석 장치 및 방법을 설명한다.
도 7은 본 발명의 몇몇 실시예에 따른 멀티태스크 기반의 무선신호 스펙트럼 분석 장치를 개념적으로 설명하기 위한 도면이다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 무선신호 스펙트럼 분석 장치(10)는 복수의 무선통신 기기로부터 방출되는 복수의 신호들(S1, S2, S3)를 획득하고, 각 신호(S1, S2, S3)의 다차원 스펙트럼을 분석하는 학습을 수행하고, 학습된 학습 모델을 통해 분석 데이터를 출력할 수 있다. 설명의 편의를 위하여 3개의 무선통신 기기 및 3개의 신호에 기초하여 학습 및 분석을 수행하는 것으로 도시하였으나, 이에 한정되지 않고 복수의 무선 신호를 분석하여 학습할 수 있음은 자명하다.
도시된 바와 같이, 복수의 무선신호들(S1, S2, S3) 각각은 다차원 스펙트럼 공간(시간, 주파수, 전력, 공간 등)에 각 특성(feature)을 포함하는 풋프린트를 남기게 된다. 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 분석 장치(10)는 각 신호의 시간(T_S1, T_S2, T_S3), 전력(P_S1, P_S2, P_S3), 주파수(RF_S1, RF_S2, RF_S3), 공간(SP_S1, SP_S2, SP_S3) 등 복수의 차원에서의 특성을 멀티태스크 기반의 학습 모델을 통해 분석하고, 이를 통해 무신 신호 간의 간섭을 최소화할 수 있는 방안을 제시한다.
도 8은 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 분석 장치의 구성을 설명하기 위한 도면이다. 도 8을 참조하면, 본 발명의 일 실시예에 따른 무선신호 스펙트럼 분석 장치(10)는 수신부(100), 전처리부(200), 모델 학습부(300) 및 신호 분석부(400)를 포함할 수 있다.
수신부(100)는 무선통신 기기에서 방출되는 타겟 신호를 감지 및 획득할 수 있다. 타겟 신호를 감지하는 기준은 공간, 대역 등으로 결정될 수 있고, 이러한 기준은 학습 및 분석 목적에 따라 다양하게 설정 및 구현될 수 있음은 물론이다. 본 명세서에서 "타겟 신호"는 신호 소스의 학습 및 분석이 수행되는 대상인 신호 또는 분석을 수행하고자 하는 신호를 의미할 수 있다.
전처리부(200)는 수신부(100)로부터 획득된 타겟 신호에 대한 전처리(pre-processing) 동작을 수행할 수 있다. 일 실시예에 따라, 전처리부(200)는 데이터 수집 모듈(210), 데이터 변환 모듈(220), 데이터 재구성 모듈(230) 및 학습 데이터 저장 모듈(240)을 포함할 수 있다.
데이터 수집 모듈(210)은 멀티태스크 네트워크 학습을 위한 데이터셋을 수집할 수 있다. 예를 들어, 최초 데이터셋은 I/Q(In-phase/Quadrature) 샘플일 수 있다.
데이터 변환 모듈(220)은 수집된 데이터셋을 필요에 따라 학습에 적합한 데이터셋으로 변환할 수 있다. 예를 들어, 데이터 변환 모듈(220)은 FFT(Fase Fourier Transform), Amplitude/Phase, STFT(Short Time Fourier Transform) 등을 통해 학습에 적합한 데이터셋으로 변환할 수 있다.
데이터 재구성 모듈(230)은 모델 학습부(300)에서 수행된 학습 결과가 기준에 부합하지 않는 경우, 재학습을 위한 데이터셋의 재구성을 수행할 수 있다. 예를 들어, 데이터셋의 크기 조절, FFT의 n-point 값 변경, Amplitude/Phase 값 변경, STFT 크기 변경 등을 통해 데이터셋의 재구성을 수행할 수 있다.
학습 데이터 저장 모듈(240)은 멀티태스크 네트워크 학습을 위한 신호 데이터셋을 저장할 수 있다. 즉, 모델 학습부(300)에 의해 수행될 데이터셋을 저장할 수 있다. 다른 예로서, 학습된 학습 모델을 이용하여 신호 스펙트럼 분석을 수행할 신호에 대한 데이터를 저장할 수 있다.
모델 학습부(300)는 멀티태스크 러닝 기반의 스펙트럼 분석 학습을 수행할 수 있다. 일 실시예에 따라, 모델 학습부(300)는 태스크 구성 모듈(310), 멀티태스크 네트워크 구성 모듈(320) 및 학습 모듈(330)을 포함할 수 있다.
일 실시예에 따라, 모델 학습부(300)는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train)(또는 학습(learn))하거나, 뉴럴 네트워크를 재훈련(retrain)하는 기능들과 같은 다양한 프로세싱 기능들을 갖는 컴퓨팅 디바이스에 해당된다. 예를 들어, 모델 학습부(300)는 PC(personal computer), 서버 디바이스, 모바일 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있다.
모델 학습부(300)는 주어진 초기 뉴럴 네트워크를 반복적으로 훈련(학습)시킴으로써, 훈련된 뉴럴 네트워크를 생성할 수 있다. 훈련된 뉴럴 네트워크를 생성하는 것은 뉴럴 네트워크 파라미터를 결정하는 것을 의미할 수 있다. 여기서, 파라미터들은 예를 들어 뉴럴 네트워크의 입/출력 액티베이션들, 웨이트들, 바이어스들 등 뉴럴 네트워크에 입/출력되는 다양한 종류의 데이터를 포함할 수 있다. 뉴럴 네트워크의 반복적인 훈련이 진행됨에 따라, 뉴럴 네트워크의 파라미터들은 주어진 입력에 대해 보다 정확한 출력을 연산하기 위해 조정될(tuned) 수 있다. 모델 학습부(300)는 훈련된 뉴럴 네트워크를 신호 분석부(400)에 전달할 수 있다.
태스크 구성 모듈(310)은 멀티태스크 네트워크를 통해 학습 및 분석을 수행할 태스크를 구성할 수 있다. 예를 들어, 신호 분류, 변조 방식 분류, 채널 분류, 전력 추정, 신호원(signal source) 위치 추정, 스펙트로그램에서의 신호의 위치 추정 등의 태스크 중 적어도 2개의 태스크를 선택하여 구성할 수 있다.
멀티태스크 네트워크 구성 모듈(320)은 입력 데이터를 수신하여 멀티태스크 기반의 학습을 수행하는 네트워크를 구성할 수 있다. 일 실시예에 따라, 멀티태스크 네트워크 구성 모듈(320)은 태스크 구성 모듈(310)에 의해 결정되는 태스크에 따라 공유되는 특성을 결정하여 공유 레이어(Shared Layer)를 결정하고, 각 태스크를 수행하는 개별 태스크 레이어를 결정할 수 있다.
학습 모듈(330)은 태스크 구성 모듈(310) 및 멀티태스크 네트워크 구성 모듈(320)에 의해 결정된 태스크, 네트워크 구성에 기초하여 스펙트럼 분석 학습을 수행할 수 있다. 네트워크의 구성, 학습 동작 등에 대하여는 도 9 이하를 참조하여 상세히 설명한다.
신호 분석부(400)는 모델 학습부(300)에 의해 학습된 학습 모델에 기초하여 타겟 신호의 분석을 수행할 수 있다. 몇몇 실시예에 따라, 신호 분석부(400)는 모바일 디바이스, 임베디드(embedded) 디바이스 등에 포함될 수 있다. 신호 분석부(400)는 뉴럴 네트워크의 구동을 위한 전용 하드웨어일 수 있다.
신호 분석부(400)는 훈련된 뉴럴 네트워크를 그대로 구동하거나, 훈련된 뉴럴 네트워크가 가공(예를 들어, 양자화)된 뉴럴 네트워크를 구동할 수 있다. 가공된 뉴럴 네트워크를 구동하는 신호 분석부(400)는, 모델 학습부(300)와는 별도의 독립적인 디바이스에서 구현될 수 있다. 하지만, 이에 제한되지 않고, 신호 분석부(400)는 모델 학습부(300)와 동일한 디바이스 내에도 구현될 수 있다.
도 9는 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 분석 동작을 설명하기 위한 도면이고, 도 10은 본 발명의 몇몇 실시예에 따른 무선신호 스펙트럼 학습 동작을 설명하기 위한 도면이고, 도 11은 본 발명의 몇몇 실시예에 따라, 멀티태스크 기반의 딥러닝 네트워크를 통해 복수의 태스크에 대한 학습을 수행하는 동작을 개념적으로 설명하기 위한 도면이다.
도 9 내지 도 11을 참조하면, 본 발명의 일 실시예에 따른 장치(10)는 멀티태스크 러닝 기반의 네트워크를 통해 무선신호 스펙트럼 분석 학습을 수행하고, 이에 기초하여 타겟 신호의 분석 결과를 출력할 수 있다.
본 발명의 몇몇 실시예에 따른 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 스펙트럼 분석 방법은, 타겟 대역의 타겟 신호를 수신하고, 상기 타겟 신호의 전처리를 통해 학습 데이터셋을 획득하고, 상기 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행하고, 학습된 스펙트럼 분석 학습모델을 이용하여 상기 타겟 신호를 분석할 수 있다.
일 실시예에 따라, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 분석하고자 하는 복수의 태스크 각각에 대한 개별 학습을 수행하는 개별 태스크 레이어 및 공유 학습을 수행하는 공유 레이어를 구성하고, 상기 공유 레이어에서, 상기 학습 데이터셋 중 기정의된 기준에 부합하는 상관(correlation) 데이터를 학습하고, 상기 복수의 개별 태스크 레이어 각각에서, 상기 학습 데이터 중 각 태스크에서 요구되는 개별 데이터셋 및 상기 상관 데이터의 학습 결과를 이용하여 개별 학습을 수행할 수 있다.
S1000 단계에서, 수신부(100)는 타겟 대역의 타겟 신호를 수신할 수 있다.
S3000 단계에서, 전처리부(200)에 의해 타겟 신호의 전처리를 수행하고, 학습을 위한 학습 데이터셋을 획득할 수 있다.
S5000 단계에서, 모델 학습부(300)에 의해, 학습 데이터셋을 이용하여 멀티태스크 기반의 무선신호 스펙트럼 분석 학습을 수행할 수 있다.
구체적으로, S5100 단계에서, 태스크 구성 모듈(310)에 의해 학습 및 분석 대상인 태스크가 구성될 수 있다. 예를 들어, 태스크는 신호 분류, 변조 방식 분류, 채널 분류, 전력 추정, 신호원(signal source) 위치 추정, 스펙트로그램에서의 신호의 위치 추정 등의 태스크 중 적어도 2개의 태스크로 구성될 수 있다.
S5300 단계에서, 멀티태스크 네트워크 구성 모듈(320)에 의해 공유 레이어 및 개별 태스크 레이어가 구성될 수 있다.
S5500 단계에서, 학습 모듈(330)에 의해 상관 데이터 학습이 수행될 수 있다. 도시된 바와 같이, 공유 레이어(Shared Layer)에 의해 상관 데이터 학습이 수행되고, 같은 뿌리 모델(같은 입력 데이터)에서 시작되어 각각의 학습을 수행하는 hard sharing으로 수행될 수 있다. 즉, 공유 레이어에서는 각 개별 태스크에서 공유되는 특성을 학습할 수 있다. 이 대, 공유되는 특성이란, 신호 소스의 풋프린트 간의 상관 데이터일 수 있다.
S5700 단계에서, 학습 모듈(330)에 의해 개별 태스크에 대한 학습이 수행될 수 있다. 이 때, 개별 태스크 레이어(Task Specific Layer) 각각에서 개별 태스크에 대한 학습이 수행될 수 있다.
개별 태스크 레이어는 예시적으로 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), CRNN(Convolutional Recurrent Neural Network), FNN(Feed-Forward Neural Network), VAE(Variational Auto Encoder) 등으로 구성될 수 있다.
S7000 단계에서, 신호 분석부(400)에 의해, 학습된 학습 모델을 이용하여 타겟 신호의 분석 결과를 출력할 수 있다.
도 12는 본 발명의 몇몇 실시예에 따라, 학습 정확도에 따라 수정 학습 데이터셋을 이용하여 재학습을 수행하는 동작을 설명하기 위한 도면이다.
일 실시예에 따라, 상기 학습 데이터셋은 I/Q 신호 데이터로 구성될 수 있고, 이 때, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 상기 개별 학습의 정확도를 판단하고, 상기 정확도가 기정의된 정확도 기준 미만인 경우, 상기 I/Q 신호 데이터에 대한 FFT(Fast Fourier Transform)를 수행하여 수정 학습 데이터셋을 획득하고, 상기 수정 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행할 수 있다.
일 실시예에 따라, 상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는, 상기 수정 학습 데이터셋에 대응되도록 상기 공유 레이어의 뉴런 수를 변경하고, 상기 변경된 공유 레이어 및 상기 복수의 개별 태스크 레이어를 이용하여 학습을 수행할 수 있다.
구체적으로, 도 12를 참조하면, 학습 모듈(330)은 개별 태스크 학습 결과에 대한 정확도를 판단하고(S5910), 판단된 정확도가 기정의된 기준 미만인 경우, 학습 데이터인 I/Q 신호 데이터에 대한 FFT를 수행하고(S5930), FFT 수행 결과인 수정 학습 데이터셋에 대응되도록 공유 레이어의 뉴런 수를 변경하고(S5950), 변경된 공유 레이어 및 개별 태스크 레이어를 이용하여 재학습을 수행할 수 있다(S5970).
즉, 학습 모델의 일반화(Generalization), 최적화(Optimization) 등의 문제로 각 개별 태스크의 정확도가 기대한 결과에 미달되는 경우, 기존의 데이터셋을 가공(또는 변환)하여 수정된 데이터셋을 생성하고, 수정된 데이터셋에 기초하여 재학습을 수행할 수 있다. 나아가, 수정된 데이터셋에 대응되도록 공유 레이어의 구조(뉴런 수 등)를 변경하여 사용할 수 있다.
도 13 및 도 14는 본 발명의 몇몇 실시예에 따라, 신호 분류 및 채널 분류 태스크를 위한 학습 동작을 설명하기 위한 도면이다. 이하에서, 도 10을 참조하여 상술한 학습 동작과 중복되는 설명은 생략한다.
일 실시예에 따라, 상기 개별 태스크 레이어는 상기 타겟 신호의 신호를 분류하는 신호 분류 태스크 레이어 및 상기 타겟 신호의 채널을 분류하는 채널 분류 태스크 레이어를 포함하고, 상기 신호 분류 태스크 레이어는, 상기 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도(constellation) 데이터에 기초하여 개별 학습을 수행하고, 상기 채널 분류 태스크 레이어는, 상기 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터 및 시간 영역에서의 진폭(Amplitude) 데이터에 기초하여 개별 학습을 수행할 수 있다. 이 때, 상기 공유 레이어에 의해 학습되는 상관 데이터는 상기 타겟 신호의 대역폭 특성을 포함할 수 있다.
구체적으로, 도 13 및 도 14를 참조하면, 태스크 구성 모듈(310)은 신호 분류 태스크 및 채널 분류 태스크를 개별 태스크로 구성할 수 있다(S5510).
S5310 단계에서, 멀티태스크 네트워크 구성 모듈(320)은 공유 레이어, 신호 분류 태스크 레이어 및 채널 분류 태스크 레이어를 구성할 수 있다. 즉, 개별 태스크 레이어를 신호 분류 태스크 레이어 및 채널 분류 태스크 레이어로 구성할 수 있다.
S5510 단계에서, 공유 레이어에 의해 상관 데이터에 대한 학습을 수행하되, 이 때 학습되는 상관 데이터는 타겟 신호의 대역폭 특성일 수 있다.
S5710 단계에서, 신호 분류 태스크 레이어에 의해, 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도 데이터에 기초한 개별 학습이 수행될 수 있다. 즉, 신호 분류를 위한 주요 특성(feature)은 I/Q 값 및 성상도일 수 있고, 이에 따라 신호 분류 태스크 레이어는 주요 특성에 대한 학습을 수행할 수 있다.
S5720 단계에서, 채널 분류 태스크 레이어에 의해, 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터 및 시간 영역에서의 진폭(Amplitude) 데이터에 기초한 개별 학습이 수행될 수 있다. 즉, 채널 분류를 위한 주요 특성은 스펙트럼 밀도 및 시간 영역에서의 진폭일 수 있고, 이에 따라 채널 분류 태스크 레이어는 주요 특성에 대한 학습을 수행할 수 있다.
도 15 및 도 16은 본 발명의 몇몇 실시예에 따라, 신호 분류 및 전력 추정 태스크를 위한 학습 동작을 설명하기 위한 도면이다. 이하에서, 도 10, 도 13 및 도 14를 참조하여 상술한 학습 동작과 중복되는 설명은 생략한다.
일 실시예에 따라, 상기 개별 태스크 레이어는 상기 타겟 신호의 신호를 분류하는 신호 분류 태스크 레이어 및 상기 타겟 신호의 전력을 추정하는 전력 추정 태스크 레이어를 포함하고, 상기 신호 분류 태스크 레이어는, 상기 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도(constellation) 데이터에 기초하여 개별 학습을 수행하고, 상기 전력 추정 태스크 레이어는, 상기 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터, 시간 영역에서의 진폭(Amplitude) 및 위상(phase) 데이터 중 적어도 하나에 기초하여 개별 학습을 수행할 수 있다. 이 때, 상기 공유 레이어에 의해 학습되는 상관 데이터는 상기 타겟 신호의 대역폭 특성, 채널 특성 및 I/Q 특성 중 적어도 하나를 포함할 수 있다.
구체적으로, 도 15 및 도 16을 참조하면, 태스크 구성 모듈(310)은 신호 분류 태스크 및 전력 추정 태스크를 개별 태스크로 구성할 수 있다(S5130).
S5330 단계에서, 멀티태스크 네트워크 구성 모듈(320)은 공유 레이어, 신호 분류 태스크 레이어 및 전력 추정 태스크 레이어를 구성할 수 있다. 즉, 개별 태스크 레이어를 신호 분류 태스크 레이어 및 전력 추정 태스크 레이어로 구성할 수 있다.
S5530 단계에서, 공유 레이어에 의해 상관 데이터에 대한 학습을 수행하되, 이 때 학습되는 상관 데이터는 타겟 신호의 대역폭 특성, 채널 특성 및 I/Q 특성 중 적어도 하나일 수 있다.
S5730 단계에서, 신호 분류 태스크 레이어에 의해, 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도 데이터에 기초한 개별 학습이 수행될 수 있다. 즉, 신호 분류를 위한 주요 특성(feature)은 I/Q 값 및 성상도일 수 있고, 이에 따라 신호 분류 태스크 레이어는 주요 특성에 대한 학습을 수행할 수 있다.
S5750 단계에서, 전력 추정 태스크 레이어에 의해, 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터, 시간 영역에서의 진폭(Amplitude) 및 위상(phase) 데이터 중 적어도 하나에 기초한 개별 학습이 수행될 수 있다. 즉, 전력 추정을 위한 주요 특성은 스펙트럼 밀도, 시간 영역에서의 진폭 및 위상일 수 있고, 이에 따라 채널 분류 태스크 레이어는 주요 특성에 대한 학습을 수행할 수 있다.
본 발명의 몇몇 실시예에 따라 학습된 학습 모델에 의해 포괄적인 스펙트럼의 감지가 가능하고, 이를 통해 효과적인 무선 통신 간섭 완화, 스펙트럼 모니터링 및 관리를 지원할 수 있다.
또한, 멀티 태스크 네트워크가 스펙트럼의 다차원 공간에 미치는 무선 신호들의 특성을 학습함으로써 정밀한 스펙트럼 감지가 가능하다.
또한, 연관성 있는 태스크들을 대상으로 동시 학습을 수행함으로써 신호 소스에 대한 데이터셋이 부족하더라도 높은 성능의 스펙트럼 감지를 수행할 수 있다.
또한, 멀티태스크 네트워크의 공유 레이어가 태스크 간 연관(상관)성을 학습하고, 이를 개별 태스크에서 공유함으로써 다차원 스펙트럼공간에 미치는 RF 결함(예를 들어, frequency offset error, timing drift, time offset error, phase offset error, dc offset error, signal noise 등)에도 불구하고 정확한 스펙트럼 감지가 가능하다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나","A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나" 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 장치(10)) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기(예: 장치(10))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
10: 무선신호 스펙트럼 분석 장치
100: 수신부
200: 전처리부
210: 데이터 수집 모듈
220: 데이터 변환 모듈
230: 데이터 재구성 모듈
240: 학습 데이터 저장 모듈
300: 모델 학습부
310: 태스크 구성 모듈
320: 멀티태스크 네트워크 구성 모듈
330: 학습 모듈
400: 신호 분석부

Claims (7)

  1. 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 스펙트럼 분석 방법으로서,
    타겟 대역의 타겟 신호를 수신하고,
    상기 타겟 신호의 전처리를 통해 학습 데이터셋을 획득하고,
    상기 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행하고,
    학습된 스펙트럼 분석 학습모델을 이용하여 상기 타겟 신호를 분석하되,
    상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는,
    분석하고자 하는 복수의 태스크 각각에 대한 개별 학습을 수행하는 개별 태스크 레이어 및 공유 학습을 수행하는 공유 레이어를 구성하고,
    상기 공유 레이어에서, 상기 학습 데이터셋 중 기정의된 기준에 부합하는 상관(correlation) 데이터를 학습하고,
    상기 복수의 개별 태스크 레이어 각각에서, 상기 학습 데이터 중 각 태스크에서 요구되는 개별 데이터셋 및 상기 상관 데이터의 학습 결과를 이용하여 개별 학습을 수행하는,
    무선신호 스펙트럼 분석 방법.
  2. 청구항 1에 있어서,
    상기 학습 데이터셋은 I/Q 신호 데이터로 구성되고,
    상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는,
    상기 개별 학습의 정확도를 판단하고,
    상기 정확도가 기정의된 정확도 기준 미만인 경우, 상기 I/Q 신호 데이터에 대한 FFT(Fast Fourier Transform)를 수행하여 수정 학습 데이터셋을 획득하고,
    상기 수정 학습 데이터셋을 이용하여 무선신호 스펙트럼 분석 학습을 수행하는,
    무선신호 스펙트럼 분석 방법.
  3. 청구항 2에 있어서,
    상기 무선신호 스펙트럼 분석 학습을 수행하는 단계는,
    상기 수정 학습 데이터셋에 대응되도록 상기 공유 레이어의 뉴런 수를 변경하고,
    상기 변경된 공유 레이어 및 상기 복수의 개별 태스크 레이어를 이용하여 학습을 수행하는,
    무선신호 스펙트럼 분석 방법.
  4. 청구항 1에 있어서,
    상기 개별 태스크 레이어는 상기 타겟 신호의 신호를 분류하는 신호 분류 태스크 레이어 및 상기 타겟 신호의 채널을 분류하는 채널 분류 태스크 레이어를 포함하고,
    상기 신호 분류 태스크 레이어는, 상기 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도(constellation) 데이터에 기초하여 개별 학습을 수행하고,
    상기 채널 분류 태스크 레이어는, 상기 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터 및 시간 영역에서의 진폭(Amplitude) 데이터에 기초하여 개별 학습을 수행하는,
    무선신호 스펙트럼 분석 방법.
  5. 청구항 4에 있어서,
    상기 공유 레이어에 의해 학습되는 상관 데이터는 상기 타겟 신호의 대역폭 특성을 포함하는,
    무선신호 스펙트럼 분석 방법.
  6. 청구항 1에 있어서,
    상기 개별 태스크 레이어는 상기 타겟 신호의 신호를 분류하는 신호 분류 태스크 레이어 및 상기 타겟 신호의 전력을 추정하는 전력 추정 태스크 레이어를 포함하고,
    상기 신호 분류 태스크 레이어는, 상기 타겟 신호의 시간 영역에서의 I/Q 데이터 및 성상도(constellation) 데이터에 기초하여 개별 학습을 수행하고,
    상기 전력 추정 태스크 레이어는, 상기 타겟 신호의 스펙트럼 밀도(Spectral Density) 데이터, 시간 영역에서의 진폭(Amplitude) 및 위상(phase) 데이터 중 적어도 하나에 기초하여 개별 학습을 수행하는,
    무선신호 스펙트럼 분석 방법.
  7. 청구항 4에 있어서,
    상기 공유 레이어에 의해 학습되는 상관 데이터는 상기 타겟 신호의 대역폭 특성, 채널 특성 및 I/Q 특성 중 적어도 하나를 포함하는,
    무선신호 스펙트럼 분석 방법.
KR1020220122762A 2022-09-27 2022-09-27 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법 KR20240043542A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220122762A KR20240043542A (ko) 2022-09-27 2022-09-27 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법
US18/077,206 US20240104428A1 (en) 2022-09-27 2022-12-07 Method of analyzing wireless signals using multi-task learning-based spectral analysis learning model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220122762A KR20240043542A (ko) 2022-09-27 2022-09-27 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법

Publications (1)

Publication Number Publication Date
KR20240043542A true KR20240043542A (ko) 2024-04-03

Family

ID=90359358

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220122762A KR20240043542A (ko) 2022-09-27 2022-09-27 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법

Country Status (2)

Country Link
US (1) US20240104428A1 (ko)
KR (1) KR20240043542A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9510222B2 (en) 2013-08-23 2016-11-29 Qualcomm Incorporated Detection of bursty WiFi interference in LTE/LTE-A communications in an unlicensed spectrum

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9510222B2 (en) 2013-08-23 2016-11-29 Qualcomm Incorporated Detection of bursty WiFi interference in LTE/LTE-A communications in an unlicensed spectrum

Also Published As

Publication number Publication date
US20240104428A1 (en) 2024-03-28

Similar Documents

Publication Publication Date Title
US20200143279A1 (en) Radio frequency band segmentation, signal detection and labelling using machine learning
Li et al. WiHF: Enable user identified gesture recognition with WiFi
US10643153B2 (en) Radio signal identification, identification system learning, and identifier deployment
US11067501B2 (en) Fabric validation using spectral measurement
O'Shea et al. Learning robust general radio signal detection using computer vision methods
US11556121B2 (en) Automated analysis of non-stationary machine performance
CN109034261A (zh) 一种基于支持向量机的近红外光谱数据分析方法
US9437208B2 (en) General sound decomposition models
CN109512390B (zh) 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置
Shen et al. Toward length-versatile and noise-robust radio frequency fingerprint identification
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
Kong et al. Radar waveform recognition using Fourier-based synchrosqueezing transform and CNN
Elrharras et al. Signal detection and automatic modulation classification based spectrum sensing using PCA-ANN with real word signals
CN114757224A (zh) 一种基于持续学习和联合特征提取的特定辐射源识别方法
US11985508B2 (en) RF fingerprint signal processing device and RF fingerprint signal processing method
KR20240043542A (ko) 멀티태스크 러닝 기반의 스펙트럼 분석 학습 모델을 이용한 무선신호 분석 방법
JP2023526190A (ja) ワイヤレスネットワークにおける適応無線構成
JP2021180388A (ja) 送信装置照合装置、送信装置照合方法、及びプログラム
Enwere et al. Using ANNs to predict the evolution of spectrum occupancy in cognitive-radio systems
US20200151554A1 (en) Machine learning based model for spectral scan and analysis
Kim et al. Hand gesture classification based on nonaudible sound using convolutional neural network
Ordóñez et al. Parameterization of RVS synthetic stellar spectra for the ESA Gaia mission: Study of the optimal domain for ANN training
Cenedese et al. A parsimonious approach for activity recognition with wearable devices: An application to cross-country skiing
Bowen et al. Embedded one-class classification on RF generator using mixture of Gaussians
Kirichenko et al. Application of Wavelet Transform for Machine Learning Classification of Time Series