1 |
1
각 링크 별로 전송할 서로 다른 프로그레시브 이미지의 왜곡률 특성값과 경로 손실값을 입력단을 통해 입력 받고, 상기 각 링크 별로 전송되는 패킷의 데이터 전송률 및 링크의 전송 전력을 출력단을 통해 출력하는 비지도 학습을 수행하는 심층 신경망과,상기 심층 신경망의 데이터 전송률을 출력하는 각 출력단에 연결되어, 이산 변수 타입의 상기 데이터 전송률을 연속 변수로 근사화하는 복수의 준 양자화기를 포함하는,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 시스템
|
2 |
2
제1항에 있어서,상기 심층 신경망은 ReLU 함수 기반의 복수의 은닉층을 포함하며, 상기 출력단에는 시그모이드(sigmoid) 기반의 활성화 함수가 적용되는 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 시스템
|
3 |
3
제1항에 있어서,상기 심층 신경망의 손실함수는 최대 신호 대 잡음비를 최대화하는 방향으로 훈련되는 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 시스템
|
4 |
4
제1항에 있어서,상기 심층 신경망은 미리 준비된 훈련 데이터를 기반으로, 패킷 압축으로 인한 양자화 에러 및 패킷 에러 사이의 트레이드 오프를 조절하기 위하여 고정된 길이를 갖는 상기 패킷에 대한 데이터 전송률을 증감시키고, 이와 동시에 간섭신호가 존재하는 상황에서의 각 링크의 전송 전력을 제어하기 위한 비지도 학습을 수행하는 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 시스템
|
5 |
5
제4항에 있어서,상기 심층 신경망은 상기 비지도 학습을 위하여 상기 왜곡률 특성값 및 무선 통신에서의 송신기 및 수신기 사이의 거리에 따른 신호의 전력 감소를 나타내는 경로 손실값을 입력단으로 입력받되,상기 송신기 및 수신기는 uniform 분포를 따르도록 랜덤하게 생성된 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 시스템
|
6 |
6
삭제
|
7 |
7
컴퓨터에 의해 수행되는 방법에 있어서,심층 신경망의 비지도 학습을 위하여 각 링크 별로 전송할 서로 다른 프로그레시브 이미지의 왜곡률 특성값과 경로 손실값을 입력단으로 설정하는 단계;상기 각 링크 별로 전송되는 패킷의 데이터 전송률 및 링크의 전송 전력을 출력단으로 설정하는 단계;상기 입력단 및 출력단으로 설정된 각 데이터를 기반으로 비지도 학습을 수행하는 단계; 및상기 심층 신경망의 데이터 전송률을 출력하는 각 출력단에 연결된 복수의 준 양자화기를 통해 이산 변수 타입의 상기 데이터 전송률을 연속 변수로 근사화하는 단계를 포함하는,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 방법
|
8 |
8
제7항에 있어서,상기 심층 신경망은 ReLU 함수 기반의 복수의 은닉층을 포함하며, 상기 출력단에는 시그모이드(sigmoid) 기반의 활성화 함수가 적용되는 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 방법
|
9 |
9
제7항에 있어서,상기 심층 신경망의 손실함수는 최대 신호 대 잡음비를 최대화하는 방향으로 훈련되는 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 방법
|
10 |
10
제7항에 있어서,상기 입력단 및 출력단으로 설정된 각 데이터를 기반으로 비지도 학습을 수행하는 단계는,상기 입력단 및 출력단에 각 설정된 훈련 데이터를 기반으로, 패킷 압축으로 인한 양자화 에러 및 패킷 에러 사이의 트레이드 오프를 조절하기 위하여 고정된 길이를 갖는 상기 패킷에 대한 데이터 전송률을 증감시키고, 이와 동시에 간섭신호가 존재하는 상황에서의 각 링크의 전송 전력을 제어하기 위한 비지도 학습을 수행하는 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 방법
|
11 |
11
제10항에 있어서,상기 왜곡률 특성값과 경로 손실값을 입력단으로 설정하는 단계는,상기 비지도 학습을 위하여 상기 왜곡률 특성값 및 무선 통신에서의 송신기 및 수신기 사이의 거리에 따른 신호의 전력 감소를 나타내는 경로 손실값을 입력단으로 입력받되,상기 송신기 및 수신기는 uniform 분포를 따르도록 랜덤하게 생성된 것인,인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 방법
|
12 |
12
삭제
|