1 |
1
복수의 지도를 수집하여 각각을 2차원 깊이 지도로 변환하는 2차원 깊이 지도 생성 모듈; 상기 생성된 2차원 깊이 지도를 기초로 학습 데이터 생성하고, 상기 학습 데이터를 이용하여 경로 손실 지수 예측 신경망 모델을 학습 시키는 학습 모듈; 및상기 학습 모듈에서 학습된 경로 손실 지수 예측 모델을 이용하여 예측 데이터의 경로 손실 지수를 예측하는 경로 손실 지수 예측 모듈;을 포함하고,상기 예측 데이터는,상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 하는 경로 손실 지수 예측 시스템
|
2 |
2
제 1항에 있어서,상기 2차원 깊이 지도 생성 모듈은,상기 수집된 지도의 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성하는 것을 특징으로 하는 경로 손실 지수 예측 시스템
|
3 |
3
제 1항에 있어서,상기 2차원 깊이 지도 생성 모듈에서 2차원 깊이 지도는,각 픽셀이 [R, G, B]의 색상 값을 가지고,여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가지고,상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고,상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고,상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 시스템
|
4 |
4
제 3항에 있어서,상기 R은,건물의 고도를 나타내며, 수학식 을 이용하여 산출하고,여기서 h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미하고,상기 G는, 송신기의 고도를 나타내며, 수학식 을 이용하여 산출하고,여기서 t는 해수면에서 지도에 위치한 송신기의 높이, g는 해수면에서 지면의 높이를 의미하고, T는 기 설정된 송신기의 최대 높이를 의미하고,상기 B는,기 설정된 값을 가지고,상기 2차원 깊이 지도의 각 픽셀은 상기 산출된 [R, G, B] 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 시스템
|
5 |
5
제 1항에 있어서,상기 학습 모듈은,신경망 모델이 CNN(Convolution neural network) 구조로 역전파(back propagation)기법을 사용하여 학습하고, 신경망 모델에 상기 학습 데이터를 입력하면, LOS(Line of Sight) 환경에서 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서 경로 손실 지수를 각각 산출하는 것을 특징으로 하는 경로 손실 지수 예측 시스템
|
6 |
6
제 1항에 있어서,상기 경로 손실 지수 예측 모듈은,상기 학습된 경로 손실 지수 예측 모델에 상기 예측 데이터를 입력하여 경로 손실 지수를 예측하고, 예측된 상기 경로 손실 지수를 상기 경로 손실 지수 예측 신경망 모델로 피드백하는 것을 특징으로 하는 경로 손실 지수 예측 시스템
|
7 |
7
2차원 깊이 지도 생성 모듈이 2차원 깊이 지도를 생성하는 단계;상기 생성된 2차원 깊이 지도를 기초로 학습 데이터를 생성하는 단계;학습 모듈이 경로 손실 지수 예측 신경망 모델에 상기 생성된 학습 데이터를 입력하여 학습하는 단계; 및상기 학습된 경로 손실 지수 예측 신경망 모델을 기반으로 예측 데이터의 경로 손실 지수를 예측하는 단계;를 포함하고,상기 예측 데이터는,상기 2차원 깊이 지도 생성 모듈에 의해 생성된 복수의 2차원 깊이 지도 중 어느 하나 인 것을 특징으로 하는 경로 손실 지수 예측 방법
|
8 |
8
제 7항에 있어서,상기 2차원 깊이 지도를 생성하는 단계는,수집된 지도에서 건물과 송신기의 고도를 서로 다른 색으로 변환하여 2차원 깊이 지도를 생성하는 것을 특징으로 하는 경로 손실 지수 예측 방법
|
9 |
9
제 7항에 있어서,상기 2차원 깊이 지도를 생성하는 단계에서 상기 2차원 깊이 지도는,각 픽셀이 [R, G, B]의 색상 값을 가지고,여기서 R은 적색(red), G는 녹색(green) 및 B는 청색(blue)을 의미하며, 각각 0이상 255이하의 정수 중 어느 하나를 가지고,상기 R, G, 및 B 중 어느 하나는 건물의 고도를 나타내고,상기 R, G, 및 B 중 상기 건물의 고도와 다른, 어느 하나는 송신기의 고도를 나타내고,상기 R, G, 및 B 중 상기 건물의 고도 및 상기 송신기의 고도를 제외한, 나머지 하나는 기 설정된 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 방법
|
10 |
10
제 9항에 있어서,상기 R은,건물의 고도를 나타내며, 수학식 을 이용하여 산출하고,여기서 h는 지도에 위치한 건물의 높이, H는 기 설정된 건물의 최대 높이를 의미하고,상기 G는, 송신기의 고도를 나타내며, 수학식 을 이용하여 산출하고,여기서 t는 해수면에서 지도에 위치한 송신기의 높이, g는 해수면에서 지면의 높이를 의미하고, T는 기 설정된 송신기의 최대 높이를 의미하고,상기 B는,기 설정된 값을 가지고,상기 2차원 깊이 지도의 각 픽셀은 상기 산출된 [R, G, B] 값을 가지는 것을 특징으로 하는 경로 손실 지수 예측 방법
|
11 |
11
제 7항에 있어서,상기 학습하는 단계는,신경망 모델이 CNN(Convolution neural network) 구조로 역전파(back propagation)기법을 사용하여 학습하고, 신경망 모델에 상기 학습 데이터를 입력하면, LOS(Line of Sight) 환경에서 경로 손실 지수 및 NLOS(Non Line of Sight) 환경에서 경로 손실 지수를 각각 산출하는 것을 특징으로 하는 경로 손실 지수 예측 방법
|
12 |
12
제 7항에 있어서,상기 예측하는 단계는,상기 학습된 경로 손실 지수 예측 모델에 상기 예측 데이터를 입력하여 경로 손실 지수를 예측하고, 예측된 상기 경로 손실 지수를 상기 경로 손실 지수 예측 모델로 피드백하는 것을 특징으로 하는 경로 손실 지수 예측 방법
|