[논문]딥러닝 기반 가시광 통신 시스템의 성능 향상 기법

서성일

doi:10.7236/jiibc.2021.21.4.51

[국내논문] 딥러닝 기반 가시광 통신 시스템의 성능 향상 기법
Performance Enhancement Technique of Visible Communication Systems based on Deep-Learning 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.21 no.4, 2021년, pp.51 - 55

서성일 (호남대학교 전기공학과)

초록
AI-Helper

본 논문은 스마트 빌딩을 위한 가시광 통신 시스템에서 데이터 신뢰성을 향상시키는 딥러닝 기반의 간섭 제거 알고리즘에 대해 연구하였다. 본 논문에서 제안한 기법은 딥러닝 기술을 적용하여 채널에서 발생하는 잡음을 예측하여 제거하는 기술로서 수신단에서 딥러닝에 의해 학습된 잡음들을 활용하여 효과적으로 잡음을 제거함으로써 신호의 품질을 향상시킬 수 있다. 딥러닝 기술의 잡음 예측 정확도를 향상시키기 위해 기존의 잡음 형태를 데이터베이스화하여 활용하였다. 모의실험을 통해 간섭 제거 기법이 적용된 시스템 모델의 성능을 검증하였으며, 제안하는 시스템이 잡음을 효과적으로 제거하여 신호의 품질 성능을 향상시킬 수 있음을 확인하였다. 제안한 시스템 모델은 가시광 통신뿐만 아니라 일반적인 통신 시스템에서도 신호의 품질을 향상시킬 수 있도록 다양하게 적용이 가능하다.

Abstract ▼ AI-Helper

In this paper, we propose the deep learning based interference cancellation scheme algorithm for visible light communication (VLC) systems in smart building. The proposed scheme estimates the channel noise information by applying a deep learning model. Then, the estimated channel noise is updated in database. In the modulator, the channel noise which reduces the VLC performance is effectively removed through interference cancellation technique. The performance is evaluated in terms of bit error rate (BER). From the simulation results, it is confirmed that the proposed scheme has better BER performance. Consequently, the proposed interference cancellation with deep learning improves the signal quality of VLC systems by effectively removing the channel noise. The results of the paper can be applied to VLC for smart building and general communication systems.

Keyword

표/그림 (6)

그림 그림 1. 가시광 통신 시스템 개요 Fig. 1. Principle of VLC operation
그림 그림 2. 송수신단 구조 Fig. 2. Structure of source and receiver
그림 그림 3. 딥러닝 기반 잡음 제거 기법 Fig. 3. Deep learning based interference cancellation scheme
그림 그림 4. 딥러닝 뉴럴 네트워크 구조 Fig. 4. Structure of DNN
그림 그림 5. 시뮬레이션 결과 Fig. 5. Simulation result
표 표 1. 실험 파라미터 Table 1. Simulation Parameters

AI 본문요약
AI-Helper

문제 정의

본 논문은 가시광 통신에서 딥러닝 기술을 이용하여 채널 잡음을 예측하고, 수신단에서 채널에 의해 발생하는 잡음을 제거하여 통신 성능을 향상시키는 시스템 모델을 제안하였다. 딥러닝 프로세스의 예측 오류를 보완하기 위해 신호의 세기에 따라 적응형으로 동작되는 시스템을 통하여 최적화된 성능을 나타냈다.

가설 설정

그림 5는 제안된 다중 채널 간섭 제거 기법이 적용된 가시광 통신 시스템의 거리에 따른 BER (Bit Error Rate) 성능을 나타낸다. 모의실험에서 Tx와 Rx 사이의 걸리는 실제 실내 건물에서 쓰이는 조명의 높이를 고려하여 3m로 가정하였다. 또한 정보를 송신하는 Tx의 LED 수를 2개, 주변에 간섭으로 작용하는 Rx를 2개로 가정하였다.
모의실험에서 Tx와 Rx 사이의 걸리는 실제 실내 건물에서 쓰이는 조명의 높이를 고려하여 3m로 가정하였다. 또한 정보를 송신하는 Tx의 LED 수를 2개, 주변에 간섭으로 작용하는 Rx를 2개로 가정하였다. 본 논문에서 적용한 딥러닝 모델의 학습 정확도는 약 98%에 수렴하는 모델을 적용하였으며, 데이터 셋을 반복적으로 학습시킬수록 정확도가 향상되게 된다.

대상 데이터

본 논문에서 적용한 딥러닝 모델의 학습 정확도는 약 98%에 수렴하는 모델을 적용하였으며, 데이터 셋을 반복적으로 학습시킬수록 정확도가 향상되게 된다. 실내 가시광 통신 채널 모델의 다중 반사 환경 데이터를 통해 학습을 진행하였다.

성능/효과

또한 정보를 송신하는 Tx의 LED 수를 2개, 주변에 간섭으로 작용하는 Rx를 2개로 가정하였다. 본 논문에서 적용한 딥러닝 모델의 학습 정확도는 약 98%에 수렴하는 모델을 적용하였으며, 데이터 셋을 반복적으로 학습시킬수록 정확도가 향상되게 된다. 실내 가시광 통신 채널 모델의 다중 반사 환경 데이터를 통해 학습을 진행하였다.
모의 실험 결과, 딥러닝을 통해 학습된 예측 잡음을 적용했을 경우, BER 성능이 향상되었다는 것을 확인할 수 있다. SNR이 작은 경우에는 기존 대비 BER 성능이 향상되는 것을 확인했다.
모의 실험 결과, 딥러닝을 통해 학습된 예측 잡음을 적용했을 경우, BER 성능이 향상되었다는 것을 확인할 수 있다. SNR이 작은 경우에는 기존 대비 BER 성능이 향상되는 것을 확인했다. SNR 큰 경우에는 앞에서 언급했듯이 성능이 향상되지 않고 오히려 열화가 발생하는 현상이 발생하게 된다.
이는 딥러닝 모델로 획득한 데이터베이스의 정확도가 완벽하지 않기 때문에 잡음 예측에서 오차가 발생했으며, SNR이가 큰 경우에는 잡음의 세기가 상대적으로 작기 때문에 값을 예측하기 어려워 잡음이 오히려 에러를 발생하는 원인으로 작용하였다. 채널의 환경에 따라 적응형으로 간섭 제거 기법을 적용한 경우에 이를 보완할 수 있으며, 가장 최적화된 BER 성능을 나타냈으며 신호의 세기가 낮은 환경에서도 품질 좋은 통신 서비스를 제공할 수 있다.
본 논문은 가시광 통신에서 딥러닝 기술을 이용하여 채널 잡음을 예측하고, 수신단에서 채널에 의해 발생하는 잡음을 제거하여 통신 성능을 향상시키는 시스템 모델을 제안하였다. 딥러닝 프로세스의 예측 오류를 보완하기 위해 신호의 세기에 따라 적응형으로 동작되는 시스템을 통하여 최적화된 성능을 나타냈다. 시뮬레이션을 통해 제안된 시스템의 성능을 검증하였고 기존의 잡음이 있을 때의 이론적인 결과보다 향상된 결과가 나왔으며, 특히 신호의 세기가 작은 경우에 신호 품질이 좋은 성능을 나타내어 끊김 없는 통신 서비스 제공을 가능하게 했다.
딥러닝 프로세스의 예측 오류를 보완하기 위해 신호의 세기에 따라 적응형으로 동작되는 시스템을 통하여 최적화된 성능을 나타냈다. 시뮬레이션을 통해 제안된 시스템의 성능을 검증하였고 기존의 잡음이 있을 때의 이론적인 결과보다 향상된 결과가 나왔으며, 특히 신호의 세기가 작은 경우에 신호 품질이 좋은 성능을 나타내어 끊김 없는 통신 서비스 제공을 가능하게 했다. 또한, 딥러닝 프로세스의 정확도를 향상시키기 위해서 보다 많은 데이터를 수집하고 학습시킨다면 간섭 제거 성능은 더욱더 향상될 것이다.

후속연구

시뮬레이션을 통해 제안된 시스템의 성능을 검증하였고 기존의 잡음이 있을 때의 이론적인 결과보다 향상된 결과가 나왔으며, 특히 신호의 세기가 작은 경우에 신호 품질이 좋은 성능을 나타내어 끊김 없는 통신 서비스 제공을 가능하게 했다. 또한, 딥러닝 프로세스의 정확도를 향상시키기 위해서 보다 많은 데이터를 수집하고 학습시킨다면 간섭 제거 성능은 더욱더 향상될 것이다.

참고문헌 (7)

C. P. Kuo, R. M. Fletcher, T. D. Osentowski, M. C. Lardizabal, and M. G. Craford, "High performance AlGaInP visible light-emitting diodes," Appl. Phys. Lett., Vol. 57, No. 27, pp. 2937-2939, Dec. 1990. DOI: https://doi.org/10.1063/1.103736

상세보기
Y. Tanaka, S. Haruyama, and M. Nakagawa, "Wireless optical transmissions with the white colored LED for the wireless home links," in Proc. of the 11th Int. Symp. Personal, Indoor and Mobile Radio Commun. (PIMRC 2000). pp. 1325-1329. Sep. 2000. DOI: https://doi.org/10.1109/PIMRC.2000.881634
J. H. Choi, and J. Y. Kim, "Performance of LED-ID System for Home Networking Applicaion," The Journal of The Institute of Internet, Broadcasting and Communication (JIIBC), Vol. 10, No. 4, pp. 169-176, Aug. 2010..
Visible Light Communications: Tutorials, IEEE 802.15 VLC SG, 2008.
F. R. Gfeller and U. H. Bapst, "Wireless in-house data communication via diffuse infrared radiation," in Proc. of IEEE, Vol. 67, No. 11, pp. 1474-1486, Nov. 1979. DOI: https://doi.org/10.1109/PROC.1979.11508

상세보기
J. R. Barry, J. M. Kahn, W. J. Krause, E. A. Lee, and D. G. Messer schmitt, "Simulation of multipath impulse response for indoor wireless optical channels," IEEE J. Select. Areas Commun., Vol. 11, No. 3, pp. 367-380, Apr. 1993. DOI: https://doi.org/10.1109/49.219552

상세보기
H. Ye, G. Y. Li, and B. H. Juang, "Power of deep learning for channel estimation and signal detection in OFDM systems," IEEE Wireless Communications Letters, Vol. 7, No. 1, pp. 114-117, Feb. 2018. DOI: https://doi.org/10.1109/LWC.2017.2757490

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증