http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
박지연(Ji-Yeon Park),서동호(Dong-Ho Seo),남해운(Hae-Woon Nam) 한국전자파학회 2021 한국전자파학회논문지 Vol.32 No.4
본 논문은 convolutional neural network (CNN) 모델에 이미지화 알고리즘을 적용한 자동 변조 분류 기법을 제안한다. 또한 다양한 이미지화 알고리즘을 이용하여 시계열 데이터의 이미지화 작업 후 이를 이용한 CNN 모델의 분류 성능을 비교 및 분석한다. 실험 결과, 원시 데이터를 Markov Transition Field (MTF)를 사용하여 이미지화한 후 CNN을 이용한 분류를 수행했을 시−6 ㏈ 환경에서는 오차율이 34 %에서 30 %로 감소하였으며, 0 ㏈ 환경에서는 오차율이 37 %에서 18 %로 감소하였다. 본 논문은 시계열 데이터의 이미지화가 CNN 기반 변조 분류 성능 개선으로 이어지는 것을 보여줌으로써 이미지화 알고리즘 적용의 유효성을 보여준다. This paper presents an automatic modulation classification method that involves the application of various imaging algorithms to a convolutional neural network (CNN). The effect of time-series data imaging on the performance of CNN-based modulation classification is analyzed. Our experiment suggests that converting raw signal data into image data using Markov transition field can reduce the error rate of CNN classification from 34 % to 30 % in case of −6 ㏈ signal to noise ratio (SNR) and from 37 % to 18 % in case of 0 ㏈ SNR. This study shows that time-series imaging is a viable preprocessing method for improving the performance of CNN-based modulation classification.
스펙트로그램을 통한 신호 분류 시 가중치 초기화 방법에 따른 CNN의 성능 비교
윤재혁(Jae-hyeok Yoon),서동호(Dong-ho Seo),김동현(Dong-hyun Kim),남해운(Hae-woon Nam) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
본 논문은 CNN을 사용하여 스펙트로그램 데이터를 통한 신호 분류 시 가중치 초기화 방법이 CNN 분류기의 성능에 어떠한 영향을 끼치는지 비교하며 최적의 초기화 방법을 찾는다. 모의 실험의 결과를 통해 He 초기화 방법이 다른 초기화 방법에 비해 손실 값의 수렴 속도가 더 빠르고 학습이 반복될수록 손실 값이 더 적은 것으로 확인되었다. 이를 통해 많은 신호 분류 연구에 있어 CNN 구축에 많은 도움이 될 것으로 예상된다.