| 1 |
1
심층학습을 이용한 신호의 도래각 추정 방법에 있어서,수신받은 신호를 변환하고, 전체 행 토플리츠 행렬(FTMR, full-row Toeplitz matrices reconstruction)을 적용하여 수신받은 신호의 고유값 분해(EVD, eigenvalue decomposition) 정보를 산출하는 노이즈 제거 단계;상기 고유값 분해(EVD)로 도출된 고유값(eigenvalue) 벡터에 로그를 적용한 입력값으로 로그 고유값 기반 분류 네트워크(LogECNet, logarithmic eigenvalue-based classification network)의 심층학습을 수행하여 수신받은 신호의 개수를 추정하는 단계; 및상기 로그 고유값 기반 분류 네트워크의 출력 변수로부터 특징 변수를 추출하고, 이를 입력으로 하는 루트 스펙트럼 네트워크(RSNet, roots-spectrum network)를 이용하여 신호의 공간 스펙트럼을 추정하는 단계;를 포함하는 것을 특징으로 하는 심층학습을 이용한 신호의 도래각 추정 방법
|
| 2 |
2
제 1 항에 있어서, 상기 노이즈 제거 단계는,m번째 센서에서 t의 시간에 감지된 수신받은 신호()를 하기의 [관계식 1]로 변환하여 변환된 입력 신호()로 상기 전체 행 토플리츠 행렬(FTMR)을 이용하여 고유값 분해(EVD) 과정을 수행하는 것을 특징으로 하는 심층학습을 이용한 신호의 도래각 추정 방법
|
| 3 |
3
제 1 항에 있어서,상기 신호의 개수를 추정하는 단계는,상기 고유값 분해(EVD)로 도출된 고유값 벡터()에 로그를 부여한 로그 고유값()으로 고유값 기반 분류 네트워크(ECNet)를 수행하며, N1번째 퍼셉트론 레이어에서, 하기 [관계식 2]의 연속적 변환을 수행하여 출력()을 추정하는 것을 특징으로 하는 심층학습을 이용한 신호의 도래각 추정 방법
|
| 4 |
4
제 1 항에 있어서,상기 신호의 공간 스펙트럼을 추정하는 단계는,다층 퍼셉트론 레이어(MLPs)로 구성된 루트 스펙트럼 네트워크(RSNet)의 심층 학습을 수행하는 것을 특징으로 하는 심층학습을 이용한 신호의 도래각 추정 방법
|
| 5 |
5
심층학습을 이용한 신호의 도래각 추정 시스템에 있어서,수신받은 신호를 전처리하고, 전체 행 토플리츠 행렬(FTMR, full-row Toeplitz matrices reconstruction)을 적용하여 수신받은 신호의 고유값 분해(EVD, eigenvalue decomposition) 정보를 산출하는 노이즈 제거 모듈;상기 고유값 분해(EVD)로 도출된 고유값(eigenvalue) 벡터에 로그를 적용한 입력값으로 로그 고유값 기반 분류 네트워크(LogECNet, logarithmic eigenvalue-based classification network)의 심층학습을 수행하여 수신받은 신호의 개수를 추정하는 신호 개수 디텍션 모듈; 및상기 로그 고유값 기반 분류 네트워크의 출력 변수로부터 특징 변수를 추출하고, 루트 스펙트럼 네트워크(RSNet, roots-spectrum network)를 이용하여 신호의 공간 스펙트럼을 추정하는 신호 도래각 추정 모듈;을 포함하는 것을 특징으로 하는 심층학습을 이용한 신호의 도래각 추정 시스템
|
