1 |
1
13개의 뉴럴 네트워크 레이어를 가지고 있는 CNN(Convolution Neural Network) 기반의 알고리즘이 적용됨에 있어서,2×1024 IQ 시간 영역 벡터(2 × 1024 IQ time-domain vector)를 갖는 변조된 입력신호가 입력되는 단계;64개의 필터가 있는 ReLU(Reflection Linear Unit) 활성화 함수를 사용하고, 필터의 크기가 1×8 인 제1 컨벌루션 레이어(Convolutional layer)를 통해 상기 입력신호를 처리하는 단계;상기 제1 컨벌루션 레이어(Convolutional layer)에서 처리된 신호를 학습시 입력신호의 질의 저하를 방지하면서 파라미터의 수를 감소시키기 위하여 필터의 크기가 2×2 인 제1 맥스 풀링(Max pooling) 레이어에 적용하는 단계;상기 제1 맥스 풀링(Max pooling) 레이어에서 처리된 신호를 64개의 필터가 있는 ReLU(Reflection Linear Unit) 활성화 함수를 사용하고, 필터의 크기가 1×4 인 제2 컨벌루션 레이어(Convolutional layer)에 적용하는 단계;상기 제2 컨벌루션 레이어(Convolutional layer)에서 처리된 신호를 128개의 필터가 있는 ReLU(Reflection Linear Unit) 활성화 함수를 사용하고, 필터의 크기가 1×8 인 제3 컨벌루션 레이어(Convolutional layer)에 적용하는 단계;상기 제3 컨벌루션 레이어(Convolutional layer)에서 처리된 신호를 학습시 입력신호의 질의 저하를 방지하면서 파라미터의 수를 감소시키기 위하여 필터의 크기가 1×1 인 제2 맥스 풀링(Max pooling) 레이어에 적용하는 단계;상기 제2 맥스 풀링(Max pooling) 레이어에서 처리된 신호를 제1 드롭아웃 레이어(Dropout layer)에 적용하는 단계;상기 제1 드롭아웃 레이어(Dropout layer)에서 처리된 신호를 128개의 필터가 있는 ReLU(Reflection Linear Unit) 활성화 함수를 사용하고, 필터의 크기가 1×1 인 제4 컨벌루션 레이어(Convolutional layer)에 적용하는 단계;상기 제4 컨벌루션 레이어(Convolutional layer)에서 처리된 신호를 제2 드롭아웃 레이어(Dropout layer)에 적용하는 단계;상기 제2 드롭아웃 레이어(Dropout layer)에서 처리된 신호를 제1 덴스 레이어(Dense layer)에 적용하는 단계;상기 제1 덴스 레이어(Dense layer)에서 처리된 신호를 제3 드롭아웃 레이어(Dropout layer)에 적용하는 단계;상기 제3 드롭아웃 레이어(Dropout layer)에서 처리된 신호를 가우시안 노이즈 레이어(Gaussian noise layer)에 적용하는 단계; 및상기 가우시안 노이즈 레이어(Gaussian noise layer)에서 처리된 신호를 제2 덴스 레이어(Dense layer)에 적용하는 단계;를 포함하는 CNN 기반의 자동변조분류방법
|
2 |
2
제1항에 있어서,아담 옵티마이저(Adam Optimizer)를 사용하며 손실함수로 크로스 엔트로피 손실(Cross entropy loss)을 사용하는 것을 특징으로 하는 CNN 기반의 자동변조분류방법
|
3 |
3
제1항에 있어서,플래튼 레이어(Flatter layer)는 첫 번째 드롭아웃 레이어(Dropout layer) 이후에 더 사용되며 2차원 행렬을 벡터로 변환하는 것을 특징으로 하는 CNN 기반의 자동변조분류방법
|
4 |
4
제1항에 있어서,소프트맥스(softmax) 활성화 함수는 마지막 덴스 레이어(Dense layer) 또는 완전 접속망(fully connected network)에 적용되는 것을 특징으로 하는 CNN 기반의 자동변조분류방법
|