메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
유호근 (고려대학교) 임재혁 (국방과학연구소) 오선진 (국방과학연구소) 이의혁 (국방과학연구소) 정대교 (국방과학연구소) 김성권 (국방과학연구소) 오현수 (한화시스템) 이재훈 (고려대학교)
저널정보
한국전자파학회 한국전자파학회논문지 한국전자파학회논문지 제36권 제1호(통권 제332호)
발행연도
2025.1
수록면
86 - 94 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
본 논문은 배열 안테나의 성능을 향상시키기 위해 심층 학습 기반의 빔 형성 기술을 탐구하며, 계산 비용을 최소화하면서 신호 대비 간섭 및 잡음 비율(SINR, signal to interference plus noise ratio)을 개선하는 것을 목표로 한다. 본 연구에서는 심층 학습을 활용해 수신 신호의 자기상관 행렬에서 최적의 빔 형성 가중치 벡터를 예측하는 방법을 제안한다. 심층 학습 중, 완전 연결 신경망(FNN, fully connected neural networks), 합성곱 신경망(CNN, convolutional neural networks), 순환 신경망(RNN, recurrent neural networks)을 사용해 수신 신호의 자기 상관 행렬로부터 가중치 벡터를 출력하도록 학습하고, 베이지안 최적화를 통해 각 모델의 하이퍼파라미터를 튜닝하였다. 실험 결과, FNN 모델이 원하는 SINR을 유지하면서 간섭을 최소화하는 빔을 형성하는 데 가장 우수한 성능을 보였다. 특히 FNN 모델은 다양한 신호 대비 잡음 비율(SNR, signal to noise ratio) 조건에서 최적 가중치 벡터 대비 SINR의 열화가 0.32 dB에 불과하여, 심층 학습 기반 빔 형성에 적합한 모델로 확인되었다. 이 연구는 배열 안테나에서 심층 학습을 활용한 빔 형성 기술이 효율성과 정확성을 높일 수 있는 것을 확인하였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 신호 모델
Ⅲ. 빔 형성 가중치 추정 심층 신경망 모델 설계
Ⅳ. 실험 방법
Ⅴ. 결론
References

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092312858