지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김정곤
- 발행연도
- 2021
- 저작권
- 한국산업기술대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 이동통신기술이 발달함에 따라 모바일 트래픽 요구사항 또한 급격하게 증가하고 있다. 이러한 트래픽 요구사항 문제를 해결하기 위해 많은 연구가 진행되고 있다. 그중에서도 UDN (Ultra Dense Network)은 트래픽이 높은 hot-spot 지역에 소형 기지국을 밀집 배치하는 방법으로 5G에서 요구하는 데이터 전송률 및 사용자 QoS(Quality of Service)를 해결할 수 있는 유망한 방법이다. 하지만 UDN 환경에서는 소형 기지국이 고밀도로 배치되어 심각한 셀 간 간섭문제를 야기한다. 이러한 셀 간 간섭문제를 해결하기 위해 기지국간 협력기술인 CoMP(Coordinated Multi Point) 기술을 사용할 수 있다.
본 논문을 이해하기 위해 UDN 환경에서의 Joint CoMP 기술 및 DNN(Deep Neural Network) 학습방법의 개념을 살펴보고, 기존에 연구된 소형 기지국과 사용자 단말 간 링크형성 알고리즘을 분석한다.
본 논문은 UDN 환경에서 하향링크 시나리오를 고려한다. 이때 소형 기지국의 밀집 배치로 인해 발생하는 셀 간 간섭문제를 해결하기 위해 Joint CoMP 방식을 사용한다. 제안하는 링크형성 알고리즘은 소형 기지국과 사용자 단말 사이의 서비스 링크를 형성하기 위해 누적 전송률 및 최대 채널 이득이라는 두 가지 조건을 고려하여 링크형성의 우선순위를 결정한다. 먼저, 사용자 단말의 누적 전송률을 고려한다. 이는 누적 전송률이 클수록 링크형성 시 사용자 단말의 우선순위를 낮게 하고, 작을수록 우선순위를 높게 한다. 두 번째는 사용자 단말과 소형 셀 기지국 사이의 최대 채널 이득을 기반으로 한다. 각 사용자 단말의 최대 채널 이득이 높으면 우선순위를 낮추고, 최대 채널 이득이 낮으면 우선순위를 높이는 방법이다. 제안하는 링크형성 알고리즘의 성능 분석을 위해 MATLAB으로 시뮬레이션을 진행하였으며, 제안된 방식이 기존 방식보다 QoS 요구사항 측면에서 더 높은 성능을 달성함을 확인하였다. 또한, 실제 통신환경에 제안하는 링크형성 알고리즘을 적용하기 위해 인공지능 학습 모델을 제안한다. 인공지능 학습모델은 크게 지도학습, 비지도학습, 강화학습으로 분류되며, 본 논문에서는 지도학습 중 한가지 방법인 DNN 학습모델을 사용하였다. DNN 학습모델은 입출력 데이터를 하나의 라벨로 모델을 학습시키는 방법이다. 제안하는 DNN 학습모델은 Python으로 구현하였으며, 성능 분석 결과를 통해 실시간 링크형성에 DNN 적용 가능성을 제안하였다.
본 논문을 이해하기 위해 UDN 환경에서의 Joint CoMP 기술 및 DNN(Deep Neural Network) 학습방법의 개념을 살펴보고, 기존에 연구된 소형 기지국과 사용자 단말 간 링크형성 알고리즘을 분석한다.
본 논문은 UDN 환경에서 하향링크 시나리오를 고려한다. 이때 소형 기지국의 밀집 배치로 인해 발생하는 셀 간 간섭문제를 해결하기 위해 Joint CoMP 방식을 사용한다. 제안하는 링크형성 알고리즘은 소형 기지국과 사용자 단말 사이의 서비스 링크를 형성하기 위해 누적 전송률 및 최대 채널 이득이라는 두 가지 조건을 고려하여 링크형성의 우선순위를 결정한다. 먼저, 사용자 단말의 누적 전송률을 고려한다. 이는 누적 전송률이 클수록 링크형성 시 사용자 단말의 우선순위를 낮게 하고, 작을수록 우선순위를 높게 한다. 두 번째는 사용자 단말과 소형 셀 기지국 사이의 최대 채널 이득을 기반으로 한다. 각 사용자 단말의 최대 채널 이득이 높으면 우선순위를 낮추고, 최대 채널 이득이 낮으면 우선순위를 높이는 방법이다. 제안하는 링크형성 알고리즘의 성능 분석을 위해 MATLAB으로 시뮬레이션을 진행하였으며, 제안된 방식이 기존 방식보다 QoS 요구사항 측면에서 더 높은 성능을 달성함을 확인하였다. 또한, 실제 통신환경에 제안하는 링크형성 알고리즘을 적용하기 위해 인공지능 학습 모델을 제안한다. 인공지능 학습모델은 크게 지도학습, 비지도학습, 강화학습으로 분류되며, 본 논문에서는 지도학습 중 한가지 방법인 DNN 학습모델을 사용하였다. DNN 학습모델은 입출력 데이터를 하나의 라벨로 모델을 학습시키는 방법이다. 제안하는 DNN 학습모델은 Python으로 구현하였으며, 성능 분석 결과를 통해 실시간 링크형성에 DNN 적용 가능성을 제안하였다.
목차
목 차표 목 차 ⅰ그림목차 ⅱ국문요약 ⅲ제 1 장 서 론 1제 2 장 5G UDN 시나리오 4제 1 절 UDN 환경 정의 4제 2 절 UDN에서 CoMP 기술 필요성 5제 3 절 UDN에서 DNN 기술 적용 개요 6제 3 장 기존 논문 연구 7제 1 절 System model 7제 2 절 QoS 기반 링크형성 알고리즘 10제 4 장 QoS 및 최대 채널이득 값 기반의 링크형성 알고리즘 12제 1 절 문제점 분석 12제 2 절 제안하는 링크형성 알고리즘 14제 3 절 DNN 학습 데이터 셋 구축 17제 5 장 시뮬레이션 설정 및 성능평가 분석 18제 1 절 시뮬레이션 파라미터 181. 링크 형성을 위한 시뮬레이션 파라미터 182. DNN 모델 구조 19제 2 절 링크형성 알고리즘 시뮬레이션 결과 분석 211. 링크형성 알고리즘 시뮬레이션 결과 212. DNN 모델 학습 성능 시뮬레이션 결과 243. 네트워크 차원 축소 후 링크형성 알고리즘 시뮬레이션 결과 25제 6 장 결 론 27참고문헌 29Abstract 31
최근 본 자료
댓글(0)
0