$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

OFDM 레이다를 위한 딥러닝 기반 표적의 거리 및 속도 추정 기법
Deep learning-based target distance and velocity estimation technique for OFDM radars 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.1, 2022년, pp.104 - 113  

최재웅 (Department of Mobile Convergence and Engineering, Hanbat National University) ,  정의림 (Department of Information and Communication Engineering, Hanbat National University)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 OFDM 레이다를 위한 딥러닝 기반 표적의 거리 및 속도 추정 기법을 제안한다. 제안하는 기법은 표적으로부터 반사된 수신 신호를 받아 변조신호 제거 후 2차원 FFT를 통해 2차원 주기도를 얻는다. 주기도는 기존 및 제안 방법에서 표적의 거리 및 속도를 추정하는 입력신호이다. 주기도에서 정점은 표적의 위치를 나타내는데 표적의 거리 및 속도 추정을 위해 널리 사용되는 기존 기법은 CFAR (Constant False Alarm Rate) 알고리즘이다. 반면 제안하는 기법은 다중 출력 CNN (Convolutional Neural Network)을 이용하여 거리 및 속도를 추정한다. 기존 기법과 달리 제안 기법은 주기도 이외에 잡음 전력과 같이 추가적인 정보가 필요하지 않아 사용하기 편리하다. 컴퓨터 시뮬레이션 결과에 따르면 제안 추정 기법은 기존 기법보다 거리 및 속도 추정 MSE (Mean Square Error)오차 성능을 5배 이상 개선하며 송신 OFDM 심볼 개수가 증가할수록 정확도가 향상되는 특성을 보인다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose deep learning-based target distance and velocity estimation technique for OFDM radar systems. In the proposed technique, the 2D periodogram is obtained via 2D fast Fourier transform (FFT) from the reflected signal after removing the modulation effect. The periodogram is the...

주제어

#OFDM 레이다   #다중 출력 CNN   #거리 및 속도 추정   #딥러닝  

표/그림 (11)

참고문헌 (14)

  1. W. Na, S. Jang, Y. Lee, L. Park, N. Dao, and S. Cho, "Frequency resource allocation and interference management in mobile edge computing for an Internet of Things system," IEEE Internet of Things Journal, vol. 6, no. 3, pp. 4910-4920, Jun. 2019. 

    상세보기 crossref

  2. Y. Kawamoto, H. Takagi, H. Nishiyama, and N. Kato, "Efficient resource allocation utilizing Q-Learning in multiple UA communications," in IEEE Transactions on Network Science and Engineering, vol. 6, no. 3, pp. 293-302, Mar. 2019. 

    상세보기 crossref

  3. K. Satyanarayana, M. El-Hajjar, P. H. Kuo, and L. Hanzo, "Hybrid beamforming design for full-duplex millimeter wave communication," IEEE Transactions on Vehicular Technology, vol. 68, no. 2, pp. 1394-1404, Jun. 2017. 

    상세보기 crossref

  4. T. Wild, V. Braun, and H. Viswanathan, "Joint design of communication and sensing for beyond 5G and 6G systems," IEEE Access, vol. 9, pp. 30845-30857, Feb. 2021. 

    상세보기 crossref

  5. M. Braun, M. Muller, M. Fuhr, and F. K. Jondral, "A USRP-based testbed for OFDM-based radar and communication systems," in Proceedings of 22nd Virginia Tech. Symposium on Wireless Communications, Blacksburg: VA, Jun. 2012. 

  6. C. B. Barneto, T. Riihonen, M. Turunen, L. Anttila, M. Fleischer, K. Stadius, and M. Valkama, "Full-duplex OFDM radar with LTE and 5G NR waveforms: Challenges, solutions, and measurements," IEEE Transactions on Microwave Theory and Techniques, vol. 67, no. 10, pp. 4042-4054, Oct. 2019. 

    상세보기 crossref

  7. A. Evers and J. A. Jackson, "Analysis of an LTE waveform for radar applications," in 2014 IEEE Radar Conference, Cincinnati: OH, pp. 0200-0205, May. 2014. 

  8. B. Dekker, S. Jacobs, A. S. Kossen, M. C. Kruithof, A. G. Huizing, and M. Geurts, "Gesture recognition with a low power FMCW radar and a deep convolutional neural network," in 2017 European Radar Conference (EURAD), Nuremberg: DE, pp. 163-166, Oct. 2017. 

  9. L. Zhang, W. You, Q. Wu, S. Qi, and Y. Ji, "Deep learning-based automatic clutter/interference detection for HFSWR," Remote Sensing, vol. 10, no. 10, pp. 1517, Sep. 2018. 

    상세보기 crossref

  10. B. Major, D. Fontijne, A. Ansari, R. T. Sukhavasi, P. Gowaikar, M. Hamilton, S. Lee, S. Grechnik, and S. Subramanian, "Vehicle detection with automotive radar using deep learning on range-azimuth-doppler tensors," in Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops, Seoul: KR, pp. 924-932, Oct. 2019. 

  11. S. Mercier, S. Bidon, D. Roque, and C. Enderli, "Comparison of correlation-based OFDM radar receivers," IEEE Transactions on Aerospace and Electronic Systems, vol. 56, no. 6, pp. 4796-4813, Dec. 2020. 

    상세보기 crossref

  12. J. Joung, S. Jung, S. Chung, and E. R. Jeong, "CNN-based Tx-Rx distance estimation for UWB system localisation," Electronics Letters, vol. 55, no. 17, pp. 938-940, Aug. 2019. 

    상세보기 crossref

  13. G. M. Nam, T. Y. Jung, S. H. Jung, and E. R. Jeong, "Distance estimation using convolutional neural network in UWB systems," Institute of Information and Communication Engineering, vol. 23, no. 10, pp. 640-651, Oct. 2019. 

  14. K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proceedings of the IEEE conference on computer vision and pattern recognition, Las Vegas: LV, pp. 770-778, Jun. 2016. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로