Search

KR-20260060808-A - METHOD AND APPARATUS FOR GENERATING SIGNAL STRENGTH PREDICTION MODEL

KR20260060808AKR 20260060808 AKR20260060808 AKR 20260060808AKR-20260060808-A

Abstract

전자 장치가 신호 세기 예측 모델을 생성하는 방법이 제공된다. 신호 세기 예측 모델 생성 방법은, 전파의 거리 정보, 측정 환경 정보 및 수신 신호 세기 값에 대한 정보 중 적어도 하나를 포함하는 입력 데이터 셋을 생성하는 단계; 대규모 페이딩 학습 모델을 이용하여, 상기 입력 데이터 셋을 기반으로 최적 보정 계수를 획득하는 단계; 소규모 페이딩 학습 모델을 이용하여, 상기 최적 보정 계수를 기반으로 인공 신경망 모델의 최적 하이퍼 파라미터를 결정하는 단계; 및 상기 최적 하이퍼 파라미터에 기초하여 임의의 송신파에 대한 수신파의 신호 세기를 예측하는 예측 모델을 생성하는 단계를 포함할 수 있다.

Inventors

  • 노언수
  • 박재돈
  • 박용우
  • 이동엽

Assignees

  • 국방과학연구소

Dates

Publication Date
20260506
Application Date
20241025

Claims (10)

  1. 전자 장치가 신호 세기 예측 모델을 생성하는 방법에 있어서, 전파의 거리 정보, 측정 환경 정보 및 수신 신호 세기 값에 대한 정보 중 적어도 하나를 포함하는 입력 데이터 셋을 생성하는 단계; 대규모 페이딩 학습 모델을 이용하여, 상기 입력 데이터 셋을 기반으로 최적 보정 계수를 획득하는 단계; 소규모 페이딩 학습 모델을 이용하여, 상기 최적 보정 계수를 기반으로 인공 신경망 모델의 최적 하이퍼 파라미터를 결정하는 단계; 및 상기 최적 하이퍼 파라미터에 기초하여 임의의 송신파에 대한 수신파의 신호 세기를 예측하는 예측 모델을 생성하는 단계를 포함하는, 예측 모델 생성 방법.
  2. 제1항에 있어서, 상기 최적 보정 계수는, 상기 대규모 페이딩 학습 모델의 출력과 상기 수신 신호 세기 값의 잔차(residual)를 최소화하는, 예측 모델 생성 방법.
  3. 제2항에 있어서, 상기 거리 정보는, 송신 안테나로부터 수신 안테나까지 상기 전파의 직접 경로 및 간접 경로에 대한 거리를 포함하고, 상기 측정 환경 정보는, 상기 송신 안테나 및 상기 수신 안테나에 관한 정보 및 상기 수신 신호 세기 값에 대한 정보를 획득하는 해상 환경에 관한 정보 중 적어도 하나를 포함하는, 예측 모델 생성 방법.
  4. 제3항에 있어서, 상기 최적 보정 계수는, 상기 직접 경로 및 상기 간접 경로에 대한 제1 보정 계수, 상기 직접 경로 및 상기 간접 경로 간 차이에 대한 제2 보정 계수, 및 상기 대규모 페이딩 학습 모델의 출력 값을 보정하는 제3 보정 계수를 포함하는, 예측 모델 생성 방법.
  5. 제2항에 있어서, 상기 최적 하이퍼 파라미터를 결정하는 단계는, 상기 입력 데이터 셋 및 상기 잔차에 기초하여 상기 최적 하이퍼 파라미터를 결정하는 단계를 포함하는, 예측 모델 생성 방법.
  6. 제2항에 있어서, 상기 최적 하이퍼 파라미터는, 상기 인공 신경망 모델의 출력과 상기 잔차의 오차 제곱합(sum of squared errors)을 최소화하는, 예측 모델 생성 방법.
  7. 제6항에 있어서, 상기 최적 하이퍼 파라미터는, 상기 인공 신경망 모델의 은닉층의 노드 개수를 포함하는, 예측 모델 생성 방법.
  8. 제1항에 있어서, 상기 예측 모델은, 상기 최적 보정 계수가 반영된 상기 대규모 페이딩 학습 모델의 출력 값 및 상기 최적 하이퍼 파라미터가 설정된 상기 인공 신경망 모델의 출력 값의 합을 출력하는, 예측 모델 생성 방법.
  9. 예측 모델 생성 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서, 예측 모델 생성 방법은, 전파의 거리 정보, 측정 환경 정보 및 수신 신호 세기 값에 대한 정보 중 적어도 하나를 포함하는 입력 데이터 셋을 생성하는 단계; 대규모 페이딩 학습 모델을 이용하여, 상기 입력 데이터 셋을 기반으로 최적 보정 계수를 획득하는 단계; 소규모 페이딩 학습 모델을 이용하여, 상기 최적 보정 계수를 기반으로 인공 신경망 모델의 최적 하이퍼 파라미터를 결정하는 단계; 및 상기 최적 하이퍼 파라미터에 기초하여 임의의 송신파에 대한 수신파의 신호 세기를 예측하는 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  10. 예측 모델 생성 방법을 수행하는 전자 장치에 있어서, 프로세서 (processor); 및 하나 이상의 인스트럭션 (instruction) 등을 저장하는 하나 이상의 메모리 (memory)를 포함하고, 상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 전파의 거리 정보, 측정 환경 정보 및 수신 신호 세기 값에 대한 정보 중 적어도 하나를 포함하는 입력 데이터 셋을 생성하고, 대규모 페이딩 학습 모델을 이용하여, 상기 입력 데이터 셋을 기반으로 최적 보정 계수를 획득하고, 소규모 페이딩 학습 모델을 이용하여, 상기 최적 보정 계수를 기반으로 인공 신경망 모델의 최적 하이퍼 파라미터를 결정하고, 상기 최적 하이퍼 파라미터에 기초하여 임의의 송신파에 대한 수신파의 신호 세기를 예측하는 예측 모델을 생성하도록 상기 프로세서를 제어하는, 전자 장치.

Description

신호 세기 예측 모델 생성 방법 및 장치{METHOD AND APPARATUS FOR GENERATING SIGNAL STRENGTH PREDICTION MODEL} 본 개시는 신호 세기를 예측하는 모델을 생성하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 해상 가시 환경에서 대규모 페이딩과 소규모 페이딩을 고려하여 전파의 수신 신호 세기를 예측하는 모델을 생성하는 방법 및 장치에 관한 것이다. 해상 무선통신은 넓은 영역에 걸쳐 고속으로 데이터를 전송하기 위한 이동통신의 핵심 기술 요소로 각광받고 있다. 선박, 무인 수상정 등과 같은 해상 사용자와 지상 기지국 간의 안정적인 네트워크를 설계하기 위해서는 사용자의 수신 신호 세기를 정확하게 예측하는 것이 필수적이다. 수신 신호 세기는 측정 데이터를 기반으로 수식화 된 경험적 모델(empirical model)과 전자기 이론을 바탕으로 한 결정론적 모델(deterministic model)을 활용하여 예측할 수 있다. 경험적 모델은 간단한 수식을 토대로 신호의 세기를 예측하기 때문에 상대적으로 계산 속도가 빠르고 컴퓨팅 효율이 높으나 예측 정확도가 상대적으로 낮다. 따라서, 새로운 전파 환경에서의 예측 정확도를 향상시키기 위해서는 경험적 모델을 생성할 때 다양한 환경에서 측정된 수신 신호 세기의 데이터를 반영해야 한다. 인공신경망은 모델은 전파환경에 영향을 미치는 피쳐(feature)를 학습하여 수신 신호 세기를 예측하는데 활용될 수 있다. 특히 피쳐와 레이블(label)간의 영향성을 비선형적으로 모델링 할 수 있기 때문에 경험적 모델보다 예측 정확도가 높다. 또한 측정 데이터, 시뮬레이션 데이터 등을 기반으로 사전 학습된 인공신경망 모델은 결정론적 모델보다 계산 속도가 빠르고 컴퓨팅 효율이 높으며, 경험적 모델 혹은 결정론적 모델의 예측 오차를 학습함으로써 정확도를 더욱 높일 수 있다. 도 1은 일 실시 예에 따른 전자 장치를 나타낸다. 도 2는 일 실시 예에 따른 신호 세기 예측 모델을 생성하는 환경을 설명하기 위한 도면이다. 도 3a 및 도 3b는 일 실시 예에 따른 입력 데이터 셋을 설명하기 위한 도면이다. 도 4 내지 도 6은 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 도면이다. 도 7은 일 실시 예에 따른 예측 모델의 성능을 설명하기 위한 도면이다. 도 8은 대표적인 실시 예에 따른 전자 장치가 신호 세기 예측 모델을 생성하는 방법의 흐름도를 나타낸다. 이하의 실시 예들은 다양한 실시 예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및 특징들을 결합하여 다양한 실시 예들을 구성할 수도 있다. 다양한 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다. 도면에 대한 설명에서, 다양한 실시 예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시 예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다. 이하, 다양한 실시 예들에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시 예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다. 또한, 다양한 실시 예들에서 사용되는 특정(特定) 용어들은 다양한 실시 예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시 예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다. 해수면의 높이, 거칠기, 조위, 파고 등의 해상 환경이 시간에 따라 변함에 따라 전파의 반사 및 산란이 발생하고 전파의 대규모 페이딩(large-scale fading)과 소규모 페이딩(small-scale fading)을 동시에 발생시킬 수 있다. 이로 인해 선박의 수신기의 실제 수신 신호 세기와 예측 수신 신호 세기의 오차를 증가할 수 있다. 수신 신호 세기를 예측하기 위하여 해상 환경 요소들을 개별적으로 고려하여 예측 모델을 생성하는 방법이 보편적이나, 해상 환경 요소들 간의 복잡한 상호작용으로 인해 수신 신호 세기의 예측이 어려운 페이딩을 발생시켜 모델의 예측 정확도가 낮아질 수 있다. 본 개시에서 제안하는 수신 신호 세기 예측 모델을 생성하는 방법은, 다양한 해상 환경 파라미터들을 고려하여 대규모 페이딩과 소규모 페이딩을 동시에 예측함으로써 수신 신호 세기를 정확하게 예측할 수 있는 모델을 생성하는 것을 목표로 한다. 도 1은 일 실시 예에 따른 전자 장치를 나타낸다. 도 1을 참조하면, 전자 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 도 1에 도시된 전자 장치(100)는 본 실시 예와 관련된 구성요소들 만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 예를 들어, 전자 장치(100)는 하나 이상의 트랜시버(transceiver)를 포함하는 통신부(communication device), 입력부 및 출력부를 포함할 수 있다. 통신부는 유/무선 통신을 수행하기 위한 장치로서, 외부의 전자 장치와 통신할 수 있다. 외부의 전자 장치는 단말 또는 서버가 될 수 있다. 또한, 통신부가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있을 수 있다. 입력부는, 예를 들어, 전통적인 형태의 키패드나 키보드, 마우스, 음성 신호를 입력 받는 마이크, 카메라, 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력 받는 다양한 형태의 입력 수단일 수 있다. 출력부는, 예를 들어, 영상을 출력하는 디스플레이, 소리를 출력하는 스피커, 진동을 발생시키는 햅틱 장치 및 그 외의 다양한 형태의 출력 수단일 수 있다. 도 1의 전자 장치(100)는 전파의 거리 정보, 측정 환경 정보 및 수신 신호 세기 값에 대한 정보 중 적어도 하나를 포함하는 입력 데이터 셋을 생성할 수 있다. 이후, 전자 장치(100)는 대규모 페이딩 학습 모델을 이용하여, 입력 데이터 셋을 기반으로 최적 보정 계수를 획득할 수 있다. 또한, 전자 장치(100)는 소규모 페이딩 학습 모델을 이용하여, 최적 보정 계수를 기반으로 인공 신경망 모델의 최적 하이퍼 파라미터를 결정할 수 있다. 나아가, 전자 장치(100)는 최적 하이퍼 파라미터에 기초하여 임의의 송신파에 대한 수신파의 신호 세기를 예측하는 예측 모델을 생성할 수 있다. 프로세서(110)는 전자 장치(100)의 전반적인 기능들을 제어하는 역할을 한다. 예를 들어, 프로세서(110)는 전자 장치(100) 내의 메모리(120)에 저장된 프로그램들을 실행함으로써, 전자 장치(100)를 전반적으로 제어한다. 프로세서(110)는 전자 장치(100) 내에 구비된 CPU(central processing unit), GPU(graphics processing unit), AP(application processor) 등으로 구현될 수 있으나, 이에 제한되지 않는다. 메모리(120)는 전자 장치(100) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 메모리(120)는 전자 장치(100)에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 또한, 메모리(120)는 전자 장치(100)에 의해 구동될 애플리케이션들, 드라이버들 등을 저장할 수 있다. 메모리(120)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다. 도 1의 전자 장치(100)에 의해 수행되는 본 개시의 신호 세기 예측 모델 생성 방법은 그 동작을 위한 컴퓨터가 읽을 수 있는 비일시적 컴퓨터 판독 가능 저장 매체 (또는 비일시적 기록 매체)에 의해서도 구현될 수 있다. 거리 편향 보상을 위한 동작 방법은 소프트웨어 모듈 또는 알고리즘으로 구현될 수 있으며, 프로세서(110) 상에서 실행 가능한 컴퓨