Sitemap

본 논문은 무선 통신 시스템에서 발생하는 노이즈를 처리하기 위한 필터를 조사하고, 각 필터의 성능 비교 및 분석을 수행하였다. Software-defined Radio(SDR) 기반의 Universal Software Radio Peripheral(USRP)을 기반으로 무선 통신 테스트베드를 구성하였다. 무선 통신 환경의 노이즈는 Additive White Gaussian Noise(AWGN)로 구현하고, Butterworth, Chebyshev, Elliptic 필터를 설계하여 노이즈를 제거 하였다. 테스트베드를 이용한 모의실험을 통해 Butterworth Filter가 가장 우수한 노이즈 제거 성능을 보였으나, 노이즈가 증가할수록 성능이 감소하는 현상을 확인하였다. 이러한 문제 해결하기 위해, 필터를 복합적으로 사용하여 원 신호에 가까운 파형으로 복구가 가능한 것을 연구를 통해 확인하였다.

본 논문에서는 무선 네트워크에서 다양한 장애요소로 인해 신호 감쇄 현상을 최소화하기 위해, 다중 홉 릴레이 네트워크를 구현 및 성능 분석을 수행한다. Software-defined Radio 기반의 통신실험 장비를 활용하여 실제 환경에서 네트워크를 구성한다. 다중 홉을 활용한 릴레이 통신의 성능을 확인하기 위해 비트 에러율에 대한 성능 비교를 수행한다. 실험 결과를 통해, 다중 홉을 통한 릴레이 통신 방식이 direct 방식보다 월등히 우수한 성능을 보여주는 것을 확인하였다.

본 논문은 무선통신 환경에서 발생하는 노이즈로 인한 패킷 손실 및 다중 경로 페이딩 현상을 최소화하기 위한 Time Division Multiplexing Access(TDMA) 기반 릴레이 네트워크 설계 및 구현을 수행한다. Software-defined radio 기반 NI-USRP2921, 2932를 활용하여 실제 환경의 네트워크를 구성한다. 시분할 다중접속 기반 다중 홉을 이용한 릴레이 성능은 노드 간 소모된 타임 슬롯 대 패킷 수신 응답을 비롯한 신호 대 잡음 비, 노드 지연시간 등을 기준으로 평가된다. 단말 간 측정된 평가 지표를 클러스터링 처리 후, 비교ㆍ분석을 통해 감쇠 환경에 적합한 최적 링크 경로를 제공한다. 실험 결과를 통해, 작은 크기의 슬롯을 할당할수록 TDMA 기반 릴레이 방식의 지연 처리 및 데이터 신뢰성 측면의 성능이 향상된 것을 확인하였다.

본 논문은 무선통신 환경에서 발생하는 신호 감쇠에 따른 패킷 손실 및 지연시간을 최소화하기 위한 시분할 다중접속(Time Division Multiple Access, TDMA) 기반의 다중 홉 릴레이 네트워크 설계 및 구현을 수행한다. Software-defined radio 기반 채널 코딩을 통해, 실제 감쇠 환경의 네트워크를 구성하였다. 신호 대 잡음 비와 단말 간 지연시간의 최대-최소 전략을 통해 릴레이를 결정하고, 최적의 링크 경로를 제공한다. 심볼 간 간섭 및 통신 품질을 보장하기 위해, 훈련 비트와 최소 평균 제곱 알고리즘 기반의 적응형 등화기를 설계한다. 훈련 비트는 송신 및 수신단의 프레임 동기화를 위해 사용된 기호 시퀸스를 재사용하며, 학습과 피드백 과정을 통해 최적값을 산출한다. 실험 결과를 통해, 최대-최소 릴레이 방식의 TDMA 다중 홉 중계 성능은 일반적인 멀티 홉 네트워크 방식보다 데이터 지연 및 신뢰성 측면에서 월등히 우수한 성능을 보이는 것을 확인하였다.

본 논문에서는 Rayleigh fading 채널에서 발생하는 I/Q 불균형 및 부호 간 간섭을 최소화하기 위한 연구를 수행하였다. 실험 결과를 통해, LMS 기반 적응형 등화가 적용된 M-QAM/OFDM 시스템은 성능저하에 영향을 주는 I/Q 불균형 및 부호 간 간섭 제거에 탁월한 효과를 보였으며, 오차 벡터 크기와 같은 신호 품질 측면에서도 향상된 성능을 보임을 확인하였다.

본 논문은 합성 곱 신경망(Convolutional neural network, CNN)을 이용하여, 자동 변조 분류 기법을 설계 및 구현한다. 입력데이터는 Inphase-quadrature(I/Q) 데이터를 이용하며 3개의 아날로그 변조와 8개의 디지털 변조를 포함한 11종에 대하여, 5-25dB까지 다양한 신호 대 잡음 비율(Signal to noise ratio, SNR) 환경에서의 변조 인식 성능을 분석하였다. 실험 결과를 통해, CNN 기반 자동 변조 분류 기법이 타 기법들과 비교해 월등히 우수한 성능을 보이는 것을 확인하였으나, 신호 대 잡음 비율에 따른 분류 정확도의 편차와 M-PSK 계열 변조 간 오인식 문제를 보인다. 따라서, 이러한 식별 정확도의 개선을 위해 상황에 맞는 적절한 학습데이터 선정 및 신경망 구조의 최적화가 요구된다.

본 논문은 스마트글라스와 경량화된 광학문자인식 (Optical Character Recognition, OCR) 기술을 활용한 축산동물 귀표 식별 시스템을 제안한다. 제안하는 시스템은 축산개체관리에 필수적인 동물식별용 귀표 (Ear Tag)를 축산 현장에서 신속하게 식별하기 위해 디스플레이와 카메라가 포함된 스마트글라스를 활용한다. 스마트글라스에 부착된 카메라는 화각 내 포함된 귀표의 영역을 식별하고, 해당 영역 내의 식별번호를 인식하기 위해 OCR을 활용한다. 이때 OCR은 스마트폰 혹은 그에 준하는 저전력 웨어러블 디바이스에서 실시간으로 구동되어야 하므로 일정 수준의 정확성을 유지하면서 낮은 복잡도를 지녀야 한다. 이에 제안하는 시스템은 귀표 OCR을 위한 문자영역 검출 및 문자식별 신경망에 대한 채널 가지치기 및 경량화를 수행하여 모바일 디바이스에서의 실시간 동작을 구현한다. 제안하는 방법의 성능을 검증하기 위해 스마트글라스의 카메라로 촬영한 한우의 귀표사진 1,000장에 대한 문장식별 정확성 및 반응 속도를 평가하였다. 평가결과 제안된 시스템은 평균 99.8%의 정확성을 지니면서 평균 62.3ms의 프레임당 처리시간을 보이며 실시간 구동이 가능함을 보였다.

As the demands for uplink traffic increase, improving the uplink throughput has attracted research attention in IEEE 802.11 networks. To avoid excessive competition among stations and enhance the uplink throughput performance, the IEEE 802.11ax standard supports uplink multi-user transmission scenarios, in which AP triggers certain stations in a network to transmit uplink data simultaneously. The performance of uplink multi-user transmissions highly depends on the scheduler, and station scheduling is still an open research area in IEEE-802.11ax-based networks. In this paper, we propose a transmission delay-based uplink multi-user scheduling method. The proposed method consists of two steps. In the first step, the proposed method makcreateses station clusters so that stations in each cluster have similar expected transmission delays. The transmission delay-based station clustering increases the ues of uplink data channels during the uplink multi-user transmission scenario specified in IEEE 802.11ax. In the second step, the proposed method selects cluster for uplink multi-user transmissions. The cluster selection can be performed with a proportional fair-based approach. With the highly channel-efficient station cluster, the proposed scheduling method increases network throughput performance. Through the IEEE 802.11ax standard compliant simulations, we verify the network throughput performance of the proposed uplink scheduling method.

MIMO 시스템에서의 안테나 선택 기법은 하드웨어 비용을 줄임과 동시에 최대 채널 용량을 얻기 위한 기술이다. 기존 안테나 선택 기법 중 최적의 성능을 제공하는 brute-force search 기반의 안테나 선택은 가능한 모든 안테나 부집합에 대한 채널 용량을 비교함으로 높은 계산 복잡도를 요구한다. 따라서, 본 논문에서는 최적 방식에서 제기되는 문제를 해결하기 위해 심층강화학습을 활용한다. 제안하는 방식은 actor-critic (A2C) 알고리즘을 활용하여 행동 확률에 대한 상태 가치를 평가함으로써 효율적으로 최적의 안테나 부집합을 예측한다. 실험 결과를 통해, 제안하는 심층강화학습 기반 안테나 선택 기법이 brute-force search 기법과 근접한 성능을 제공할 수 있음을 확인하였다.

In this paper, we consider a massive multiple-input multiple-output (MIMO) system that has a large number of transmit antennas at the base station serving multiple users in a downlink multi-cell system. In the massive MIMO system, the number of radio frequency chains and the total transmit power is increasing due to a large number of deployed antennas. The conventional energy-efficient optimization techniques are based on iterative numerical algorithms requiring high computational complexity. To solve this problem, we present a deep reinforcement learning-based power allocation scheme to improve the sum-rate and reduce the complexity. The simulation results demonstrate that the reinforcement learning-based power allocation methods achieve higher energy efficiency with lower complexity than existing optimization algorithms.

In this paper, we consider a massive multiple-input multiple-output (MIMO) system that has a large number of transmit antennas at the base station serving multiple users in a downlink multi-cell system. In the massive MIMO system, the number of radio frequency chains and the total transmit power is increasing due to a large number of deployed antennas. The conventional energy-efficient optimization techniques are based on iterative numerical algorithms requiring high computational complexity. To solve this problem, we present a deep reinforcement learning-based power allocation scheme to improve the sum-rate and reduce the complexity. The simulation results demonstrate that the reinforcement learning-based power allocation methods achieve higher energy efficiency with lower complexity than existing optimization algorithms.

본 논문에서는 IoT 기반의 실시간 실내 위치추정 시스템을 설계 및 구현하고, 3m X 7m 실내 환경에서의 성능을 비교 · 분석하였다. 실험 결과를 통해, 외벽에 의한 감쇠로 인해 일부 node에 대한 추정 정밀도가 크게 저하되긴 하나, 대부분 실제 배치된 node 위치에 근접한 추정 정확도를 제공함을 확인하였다.

본 논문에서는 부착형 바이오 패치 센서를 활용한 헬스케어 애플리케이션을 설계 및 구현하였다. 활용된 패치 센서의 설정이 완료되지 않아, 특정 대상에 부착 후 생체 정보를 수집할 수는 없었으나, write, read block의 정보가 지정된 결괏값과 일치하였으므로, 바이오 패치와 디바이스 간 NFC 통신을 통해 환자 정보의 수집 및 분석의 실현 가능성을 확인할 수 있었다.

본 논문에서는 대규모 MIMO 시스템에서 요구되는 주파수 효율성과 사용자 공정성을 동시에 최적화하기 위한 multi-objective reinforcement learning (MORL) 기반의 송신 전력 할당 기법을 제안한다. 제안하는 방식은 다중 목표 사이의 우선순위를 결정하기 위해, 각 지표의 선호도 가중치를 적응적으로 조정한다. 이때, 주파수 효율성과 사용자 공정성은 보상 벡터로 수집되며, 각 목표의 선호도 가중치는 베이즈 규칙에 의해 계산되는 사후확률을 바탕으로 결정된다. 실험 결과를 통해, 제안하는 MORL 기반 전력 할당 기법이 타 기법들을 능가하는 최적화 성능을 달성할 수 있음을 확인하였다.

심층 강화학습은 특정 환경 안에서의 시행착오를 통해 최적의 정책을 찾는 방법으로 마르코프 결정 과정에 의해 수학적으로 모델링되며, 선택 가능한 행동 중 보상을 최대화하도록 하는 행동을 학습하는 기계 학습의 한 영역이다. 최근에는 싱글 에이전트만으로 해결하기 어려운 문제들을 여러 개의 로컬 에이전트가 경쟁 및 협업하여 문제의 정답을 도출하는 멀티 에이전트 강화학습과 특정 시나리오에서 요구되는 다중 목표의 최적화 및 trade-off 개선을 위한 다중 목표 강화학습 등의 연구가 활발히 수행되고 있다. 이러한 접근 방안들은 5G network에 범용적으로 적용될 수 있는 솔루션으로 다양한 자원할당 분야에 활용되고 있으며, 기존의 대규모 안테나 사용에 따른 계산 복잡도 및 최적화 문제 해결을 위한 방안으로 사용된다. 따라서, 본 논문에서는 이러한 5G network에서 심층 강화학습 전략을 활용한 자원할당 기술에 관한 연구를 조사 및 분석하여, 해당 기술의 이점과 기술적 한계에 대해 논의하고자 한다.

Electronic health records (EHRs) are a rich source of real-world data that can be utilized by healthcare providers and researchers for clinical decision-making. EHRs are only partially utilized due to the challenges associated with automated data extraction. Health information is available in both structured and unstructured formats. However, clinicians find it challenging to extract meaningful insights from unstructured data due to its complex and time-consuming nature. Natural language processing (NLP), a form of artificial intelligence (AI), has the potential to revolutionize patient care by providing more efficient and accurate data analysis. This research proposes an NLP machine-learning model that can generate clinically relevant synthetic data to assist clinicians in their practice. The results suggest that the NLP system is a promising approach for extracting valuable insights from the vast amounts of unstructured data in EHR.

Electronic health records (EHRs) systems are generally perceived as difficult to install and maintain. In addition to this, it also carries a cost of educating the hospital personnel on using these systems. The approach we have presented in this paper presents an EHR system as a collection of APIs that are lightweight, scalable, secure, and fast. Since these APIs have been developed in accordance with REST, which is largely compatible with most other APIs available today, it can be integrated with third-party applications as well and can reduce the need to have proprietary systems and applications which will be consuming these APIs. Due to this, we can reduce the costs of educating hospital staff. In addition to this, we have created our APIs to be secure and to prevent unauthorized data access. We have also used dependencies with no vulnerabilities to prevent any security breaches in the future.

This paper proposes a multi-objective reinforcement learning (MORL) based transmission power allocation technique for optimizing frequency efficiency and user fairness required in large-scale MIMO systems. The proposed method adaptively adjusts the preference weights of each index to determine the priority among multiple objectives (e.g., spectral efficiency and user fairness). At this time, frequency efficiency and user fairness are collected as a reward vector, and the preference weight of each objective is determined based on the posterior probability calculated by the Bayesian rule. Through experimental results, it has been confirmed that the proposed MORL-based power allocation technique can achieve optimization performance exceeding other techniques.

This study leverages the unique identity of health sensors to remotely monitor patients' essential body signs. Sensor data is collected by middleware and accessible to doctors and healthcare centers, facilitating remote assistance. Data is transmitted to a mobile app via Bluetooth for easy access, enabling monitoring, visualization, and storage of vital signs. This approach improves monitoring, integration, and notifications, reducing errors and offering a novel approach for doctors. Utilizing 5G networks enhances data transmission between sensors, mobile devices, and the cloud, improving performance and reliability. Real-time monitoring empowers healthcare providers to make informed decisions promptly.

The joint optimization of spectral efficiency (SE) and energy efficiency (EE) through power allocation (PA) techniques is a critical requirement for emerging fifth-generation and beyond networks. The trade-off between SE and EE becomes challenging in the massive multiple-input-multiple-output (MIMO) equipped base stations (BSs) in multi-cell cellular networks. Various algorithmic approaches including genetic algorithms and convex optimization have been considered to optimize the trade-offs between SE and EE in cellular networks. However, these methods suffer from high computational costs. A promising deep reinforcement learning technique is capable of addressing the computational challenges of single-objective optimization problems in wireless networks. Furthermore, multi-objective reinforcement learning has been employed for multi-objective optimization problems and can be utilized to jointly enhance the SE and EE in cellular networks. In this paper, we propose a downlink (DL) transmit PA method based on a multi-objective asynchronous advantage single actor-multiple critics (MO-A3Cs) architecture. The proposed architecture aims to optimize SE and EE trade-offs in massive MIMO-assisted multi-cell networks. Furthermore, we also propose a Bayesian rule-based preference weight updating mechanism, multi-objective advantage function, and balanced-reward aggregation method to effectively train and avoid biased objective reward during the training process of the proposed model. Extensive simulations depict that the proposed model is better capable of dealing with the joint optimization of SE and EE in dynamic changing scenarios. Compared to the existing benchmarks such as Pareto front approximation-based multi-objective, reinforcement learning-based single objective, and iterative methods, the proposed approach provides a better SE-EE trade-off by achieving a higher EE in multi-cell massive MIMO networks.

기존 모빌리티 탐지 기술은 카메라, 라이다, 레이다 장치를 복합적으로 활용하여 통합된 센서정보를 수집하고, 이를 학습 및 예측하는 deep learning 기술을 적용하는 연구가 활발히 수행되고 있다. 그러나, 이러한 복합 센서 활용은 카메라로 인한 개인정보 문제, 비용, 그리고, 환경 변화에 따른 성능 편차가 크게 발생하는 한계를 지닌다. 본 논문은 이러한 문제를 해결하기 위한 WiFi-카메라 데이터쌍을 활용하는 multi-modal AI 모델 기반의 모빌리티 탐지 기술의 선행 연구로서, WiFi 신호를 수집하고, 객체의 움직임에 따른 특성을 분석하였다. 본 실험에서는 IEEE 802.11n 무선랜 환경에서의 TP-Link 1750 라우터와 Intel WiFi Link 5300 무선랜 카드를 활용하였다. 이후, 두 단말 간의 WiFi 신호를 탐지하고 CSI를 효과적으로 추출 및 분석하기 위해, 라우터의 펌웨어 및 드라이버 수정을 통한 CSI toolkit을 설계 및 구현하였다. 실험 결과를 통해, 객체의 움직임에 대한 WiFi 신호 특성이 CSI 정보에 효과적으로 반영되는 것을 확인하였다. 후속 연구에서는 CSI와 카메라로부터 수집된 데이터쌍을 구축하고, multi-modal AI 모델을 설계 및 구현할 예정이다.

본 논문에서는 불균형적 족저압을 실시간으로 측정 및 분석하기 위한 Internet-of-Things (IoT) 센서 기반의 헬스케어 모니터링 시스템을 설계 및 구현한다. 설계된 IoT 모니터링 시스템은 저비용 컴퓨팅 디바이스인 라즈베리 파이 및 아두이노 우노를 기반으로 구성된다. 이때, 각각의 아두이노와 라즈베리 파이 단말은 족저압 센서의 값을 처리하고, 이를 시각화하기 위해 활용된다. 나아가, 본 논문에서는 환자의 불균형적 족저압을 정밀하게 측정하기 위해, 로드셀 및 박막형 압력 센서에 따른 정확도를 비교 및 분석하였다. 실험 결과를 통해, 로드셀 센서의 정확도가 박막형 센서 대비 대략 34.17% 정밀한 정확도를 달성할 수 있음을 확인하였다. 향후 후속 연구에서는 이러한 연구의 결과를 바탕으로, 헬스케어를 위한 IoT 기반 실내 자전거 스마트 페달 기술을 연구 및 개발할 예정이다.

본 논문에서는 의학 전문 인력 양성 문제점 및 도제적인 의학 교육의 커리큘럼 개선을 위한 방안으로 extended reality (XR) 기반의 실시간 의학 실습 교육 플랫폼을 설계 및 구현하였다. 이때, XR 기반 플랫폼 운용 간 다중 클라이언트 접속에 의한 프로세스 지연을 최소화하기 위해 RpcPun 및 script 기반의 프리펩 제어를 기반으로 서버-클라이언트 내 발생하는 데이터 부하량을 효율적으로 처리하였다. 실험 결과를 통해, 본 논문에서 구현된 XR 기반의 실시간 동맥혈가스, 수혈 및 혈액 배양 검사의 의학 실습 콘텐츠 실행 과정 간 다중 클라이언트의 동시 접속에 의한 프로세스 지연을 최적화할 수 있음을 확인하였다.

Object tracking techniques have largely relied on tools like cameras, wearable devices, and smartphones. However, these methods often face issues such as privacy concerns, cost-effectiveness, and performance limitations under varying environmental conditions. To address these challenges, radio frequency (RF) based sensing has emerged as a promising alternative. Our research adopts this new approach by integrating RF signals with multi-modal learning algorithms for object activity tracking. In this paper, we employ a web camera, a TP-Link AC1750 WiFi router, and an Intel 5300 network interface card (NIC). The router and NIC are equipped with three transmit and receive antennas, respectively. Furthermore, the multi-modal model presented in this paper, features a teacher-student architecture. The teacher network transforms the video stream captured by the camera into motion keypoints, which are then utilized by the student network. The student network comprises a fully convolutional network (FCN) and trains on the mapped characteristics of keypoints and RF signals to effectively predict object movement. In our experimental results, we demonstrate that the designed multi-modal approach accurately detects and tracks object movement and motions.

This paper presents a deep learning (DL)-aided human pose estimation using WiFi channel state information (CSI). The method comprises hybrid gates long short-term memory (LSTM)-gated recurrent unit (GRU) arranged in a U-Net architecture. We developed a U-Net architecture where the encoder and decoder consist of five LSTM-GRU layers. We utilized an attention connection between each encoder layer and the corresponding decoder layer to enhance the convergence of the estimation capabilities of the model. The proposed model is evaluated on our collected dataset and the case of adding noise to the CSI data. The results show that our proposed model outperforms the benchmark method.

NULL.

NULL.