1 |
1
다수의 학습용 실내공간에 대하여 학습용 전파 채널 파라미터 데이터를 추정하는 단계, 여기서 상기 학습용 전파 채널 파라미터 데이터는 상기 다수의 학습용 실내공간 각각의 내부에서 송수신기의 위치를 변경하면서 상기 송수신기가 무선 전파 신호를 송신하여 다중 전파 채널 경로를 통해 수신한 무선 전파 신호로부터 추정되고;상기 다수의 학습용 실내공간 각각의 꼭지점들의 좌표값과 추정된 상기 학습용 전파 채널 파라미터 데이터를 인공 신경망의 입력으로 사용하여 상기 학습용 전파 채널 파라미터 데이터와 학습용 실내공간의 구조 간의 대응관계를 딥-러닝 하는 단계;예측대상 실내공간에서 송수신기가 송신하여 다중 전파 채널 경로를 통해 수신한 제1 무선신호로부터 제1 전파 채널 파라미터 데이터를 추정하는 단계; 및상기 인공 신경망을 통해 딥-러닝한 데이터에 기초하여, 추정된 상기 제1 전파 채널 파라미터 데이터와 최적 매칭을 이루는 실내공간의 구조를 찾아서 상기 예측대상 실내공간의 구조로 예측하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
2 |
2
제1항에 있어서, 상기 학습용 전파 채널 파라미터 데이터를 추정하는 단계는, 각 학습용 실내공간 내에서, 송신기가 학습용 무선신호를 송신하는 단계; 수신기가 상기 학습용 실내공간의 다중 전파 채널 경로를 통과한 학습용 무선신호를 수신하는 단계; 및 수신된 상기 학습용 무선신호를 분석하여 상기 학습용 실내공간에 관한 학습용 전파 채널 파라미터 데이터를 추정하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
3 |
3
제2항에 있어서, 상기 학습용 전파 채널 파라미터 데이터는 상기 학습용 무선신호의 전력지연 프로파일(PDP)과, 상기 학습용 무선신호의 도래각(AoA) 프로파일과 발사각(AoD) 프로파일 중 적어도 하나를 학습용 전파 채널 파라미터로 사용하여 얻은 데이터를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
4 |
4
제2항에 있어서, 상기 수신기가 무지향성 안테나 (omnidirectional antenna)를 사용하는 경우, 상기 학습용 무선신호의 전력지연 프로파일(PDP) 데이터를 상기 학습용 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
5 |
5
제4항에 있어서, 상기 전력지연 프로파일은 최소제곱법 또는 최소 평균 제곱 오차법을 사용하여 추정되는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
6 |
6
제3항에 있어서, 상기 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 학습용 무선신호의 도래각(AoA) 프로파일을 상기 학습용 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
7 |
7
제3항에 있어서, 상기 송신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 학습용 무선신호의 발사각(AoD) 프로파일을 상기 학습용 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
8 |
8
제2항에 있어서, 상기 학습용 전파 채널 파라미터 데이터의 추정은 상기 송신기와 상기 수신기가 근접하게 위치한 상태에서 3D 무선신호선 추적 기법(3D radio ray tracing method)을 이용하여 수행되는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
9 |
9
제1항에 있어서, 상기 제1 전파 채널 파라미터 데이터를 추정하는 단계는, 상기 송수신기의 송신기와 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 송신기와 상기 수신기의 배열 안테나를 회전시키면서 상기 제1 무선신호를 송수신하는 단계; 및 회전하면서 수신된 상기 제1 무선신호의 데이터를 병합하여 무지향성 안테나와 같은 효과를 생성하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
10 |
10
제1항에 있어서, 상기 대응관계를 딥-러닝 하는 단계는, 상기 다수의 학습용 실내공간 각각의 꼭지점들의 좌표값과 상기 학습용 전파 채널 파라미터 데이터를 상기 인공 신경망의 딥-러닝을 위한 입력 데이터로 제공하는 단계; 상기 인공 신경망에서, 입력된 상기 학습용 전파 채널 파라미터 데이터를 딥-러닝하여 대응되는 실내공간의 추정된 꼭지점들의 좌표값을 구하는 단계; 상기 추정된 꼭지점들의 좌표값과 상기 대응되는 실내공간의 실제 꼭지점들의 좌표값 간의 차이값을 산출하는 단계; 상기 차이값이 작아지도록 가중치를 조정하는 단계; 및 조정된 가중치를 적용하여 상기 차이값을 다시 산출하는 것을 반복하고, 다시 산출된 차이값이 문턱값 이하로 작아지는 경우, 상기 대응관계를 딥-러닝 하는 것을 종료하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
11 |
11
제1항에 있어서, 상기 제1 전파 채널 파라미터 데이터를 추정하는 단계는, 상기 예측대상 실내공간 내에 위치하는 송신기에서 상기 제1 무선신호를 송신하는 단계; 상기 예측대상 실내공간 내에 상기 송신기와 근접하게 위치한 수신기가 상기 예측대상 실내공간의 다중 전파 채널 경로를 거친 제1 무선신호를 수신하는 단계; 및 송수신된 상기 제1 무선신호를 분석하여 상기 예측대상 실내공간에 관한 제1 전파 채널 파라미터 데이터를 추정하는 단계를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
12 |
12
제11항에 있어서, 상기 예측하는 단계는, 추정된 상기 제1 전파 채널 파라미터 데이터를 학습된 상기 인공 신경망에 입력하여 상기 제1 전파 채널 파라미터 데이터와 최적 매칭을 이루는 실내공간의 구조를 찾아내는 단계; 및 찾아낸 실내공간의 꼭지점들의 좌표값을 상기 예측대상 실내공간의 꼭지점들의 좌표값으로 추정하는 단계를 포함하는 것을 특징으로 하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
13 |
13
제11항에 있어서, 상기 송신기가 송신하는 상기 제1 무선신호는 프리앰블 신호인 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
14 |
14
제11항에 있어서, 상기 수신기가 무지향성 안테나를 사용하는 경우, 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터를 상기 제1 전파 채널 파라미터 데이터로서 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
15 |
15
제14항에 있어서, 상기 수신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 제1 무선신호의 도래각(AoA) 프로파일을 상기 제1 전파 채널 파라미터 데이터로서 더 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
16 |
16
제14항에 있어서, 상기 송신기가 지향성을 갖는 배열 안테나를 사용하는 경우, 상기 제1 무선신호의 발사각(AoD) 프로파일을 상기 제1 전파 채널 파라미터 데이터로서 더 추정하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
17 |
17
제11항에 있어서, 상기 제1 전파 채널 파라미터 데이터는 (i) 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터를 포함하거나 또는, (ii) 상기 제1 무선신호의 도래각(AoA) 프로파일 데이터와 발사각(AoD) 프로파일 데이터 중 적어도 어느 하나와 상기 제1 무선신호의 전력지연 프로파일(PDP) 데이터를 포함하는 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|
18 |
18
제1항에 있어서, 상기 인공 신경망은 다중 레이어 퍼셉트론 구조를 갖는 인공 신경망인 것을 특징으로 하는 딥-러닝 기반 무선신호 전파채널 해석을 이용한 실내공간의 구조 예측 방법
|