가변 채널 모델링을 통한 Visual-MIMO 시스템의 딥러닝 기반 적응형 심벌 판정 :Deep learning based adaptive symbol decision for Visual-MIMO system with varying channel modeling

김재은

추천

검색

자료유형: 학위논문

저자정보: 김재은 (국민대학교, 국민대학교 일반대학원)

지도교수: 김기두

발행연도: 2020

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2020

가변 채널 모델링을 통한 Visual-MIMO 시스템의 딥러닝 기반 적응형 심벌 판정

김재은 전자공학과 2020.01 학위논문

2017

결정경계를 기반으로 하는 Color-independent Visual-MIMO 시스템의 심벌 판정 방법

김재은 , 안기수 , 김기두 한국통신학회 학술대회논문집 2017.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 가변 색상 LED 배열과 카메라 사이의 통신을 의미하는 Color-independent Visual-MIMO 시스템의 수신 성능을 높이기 위한 가변 채널 모델링 방법과 딥러닝 기반의 심벌 판정 방법을 제안한다.
기존의 Color-independent Visual-MIMO 시스템에서 사용된 심벌 판정 방법은 송신 심벌과 수신 심벌의 색상 유사도를 계산하는 것에 지나지 않았다. 채널에서 왜곡된 색상 정보를 보정하기 위해 색상 클러스터링 기법 등과 같은 영상 처리 알고리즘이 소개되었지만 색상 유사도 기반의 접근 방식으로는 현실 세계의 왜곡을 대응하기에 여전히 한계가 있다.
본 논문에서는 기존 색상 유사도 방법의 한계를 극복하기 위해 심벌 판정 문제를 다중 분류(multi-class classification) 문제로 정의한다. 또한 채널 왜곡에 강인한 분류기를 학습하기 위해 고전의 기계 학습 기법보다 성능이 우수한 심층 신경망 학습 기법을 적용하여 채널 왜곡에 적응적으로 심벌 판정이 가능한 딥러닝 뉴럴 네트워크를 설계한다. 본 논문에서 설계한 딥러닝 뉴럴 네트워크는 크게 채널 식별 모듈과 심벌 판정 모듈 두 개로 구성된다. 먼저, 채널 식별 모듈은 이미지 센서의 입력 영상으로부터 2차원의 깊은 합성 곱 신경망을 통해 심벌 판정에 도움이 될 수 있는 채널 식별 벡터를 추출한다. 다음으로 심벌 판정 모듈은 앞서 추출된 채널 식별 벡터와 인접 심벌의 정보를 결합하여 특징 지도를 생성하고 1차원 합성 곱 신경망을 통해 인접 심벌 사이의 상관관계를 학습함으로써 심벌을 판정한다. 채널 식별 모듈과 채널 판정 모듈은 서로 연결되어 End-to-End 방식으로 한 번에 학습된다.
아울러 딥러닝 네트워크를 효율적으로 학습시키기 위해 기존의 AWGN(Additive White Gaussian Noise) 채널보다 현실 세계의 왜곡 요인을 직관적으로 반영한 새로운 채널 모델링 방법을 제안한다. 또한 제안하는 채널 모델링 방법의 타당성을 입증하기 위해 심벌 송수신 시뮬레이션 결과를 CIE 1931 색도 좌표계에 도식화하고 현실 세계의 왜곡 현상과 비교한다.
최종적으로 채널 환경이 급격히 나빠지는 상황에서의 SER(Symbol Error Rate) 성능 측정 실험을 통해 제안하는 방법이 기존의 색상 유사도 측정 방법 및 고전의 기계 학습 기법인 SVM(Support Vector Machine)보다 더 잘 채널 왜곡 변화에 적응할 수 있으며, 안정적으로 SER 성능을 유지할 수 있음을 증명한다.

In this paper, I propose varying channel modeling and deep learning-based symbol decision method to improve the performance of Visual-MIMO system, which means communication between the color LED array and the camera.
The conventional symbol decision method used in the previous Visual-MIMO system was merely calculating the color similarity between transmitted symbol and received symbol. An image processing algorithm such as a color clustering technique has been introduced to correct distorted color information, but the similarity-based approach still has limitations in dealing with real world distortion.
In this paper, to overcome the limitations of the similarity-based approach, the symbol decision problem is defined as a multi-class classification problem. In addition, in order to train a classifier that is robust to channel distortion, a deep learning neural network capable of adaptive symbol decision for channel distortion is designed by applying a deep learning argorithms that is superior to a classical machine learning technique.
The neural network designed in this paper is mainly composed of two modules. First, the channel identification module extracts a channel identification vector that can help in determining symbol through a 2-D deep convolutional neural network from the input image of the image sensor. The second is the symbol decision module, which determines symbols by combining the previously extracted channel identification vector and informations of adjacent symbols to generate a feature map and learning the correlation between adjacent symbols through a 1-D convolutional neural network. These two modules are connected to each other and trained at once in End-to-End manner.
Furthermore, in order to efficiently train the classifier, we propose a channel modeling method that intuitively reflects the distortion factors of the real world rather than AWGN (Additive White Gaussian Noise) channel. Also, in order to demonstrate the validity of the proposed channel modeling method, the simulation results are plotted in a CIE 1931 chromaticity diagram and compared with real world distortions.
Finally, the SER (Symbol Error Rate) performances argue that the proposed method is better adaptable to changes in channel distortion than the conventional color similarity approach and SVM (Support Vector Machine), and can maintain SER performance stably.

#적응형심벌판정 #Visual-MIMO

제 1 장 서 론 1
제 2 장 Color-independent Visual-MIMO 5
2.1 CIE 1931 색 공간 5
2.2 GCM(Generalized Color Modulation) 12
2.3 CIE 1931 색 공간의 3차원 색역(3D gamut area) 15
2.4 Color-independent Visual-MIMO 시스템 18
2.4.1 Visual-MIMO 시스템 18
2.4.2 Color-independent Visual-MIMO 시스템의 특성 19
제 3 장 적응형 심벌 판정을 위한 딥러닝 뉴럴 네트워크 22
3.1 딥러닝 뉴럴 네트워크 아키텍처 23
3.2 채널 식별 모듈 25
3.3 심벌 판정 모듈 27
제 4 장 가변 채널 모델링 32
4.1 기존 채널 모델링 방법의 한계 32
4.2 제안하는 채널 모델링 방법 39
4.3 채널 모델링 검증 45
제 5 장 시뮬레이션 및 실험 결과 53
5.1 실험 환경 53
5.2 베이스 모델 57
5.3 딥러닝 뉴럴 네트워크 파라미터 58
5.4 SER 성능 59
5.4.1 베이스 모델과의 비교 및 고찰 59
5.4.2 채널 식별 벡터 길이에 따른 비교 및 고찰 63
5.4.3 채널 모델링 기법에 따른 비교 및 고찰 64
5.5 학습 데이터에 대한 고찰 66
5.6 심벌 판정 속도 69
제 6 장 결 론 70
참고문헌 72
Abstract 78
부록1 80
부록2 82

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)