http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
OFDM 레이다 시스템을 위한 합성곱 신경망 분류기 기반 물체 개수 추정
조아민(Jo A Min),오정은(Oh Jeong Eun),최재웅(Choi Jae Woong),정의림(Eui-Rim Jeong) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
본 논문에서는 레이다 기술 중 직교 주파수 분할 다중화(Orthogonal Frequency Division Multiplexing, OFDM) 레이다 시스템을 위한 합성곱 신경망 분류기 기반 물체 개수 추정 기술을 제안한다. 제안하는 물체 추정 기법은 대상으로부터 반사된 수신 신호를 수신하여 레이다 신호처리를 통해 얻은 2 차원 주기도를 기반으로 진행한다. 합성곱 신경망은 이미지 분류 처리에 유용한데, 2 차원 주기도 역시 흑백 이미지와 유사하므로 합성곱 신경망을 사용한다. 기존논문에서는 합성곱 신경망 7 계층 분류기를 사용하여 물체를 추정하는 연구를 진행하였다. 기존논문에서는 물체가 늘어날수록 추정 정확도는 저하되지만 클러터를 추가하면 성능을 향상시킬 수 있음을 증명하였다. 제안하는 합성곱 신경망의 모의실험은 기존 논문과 동일한 환경에서 합성곱 신경망 4 계층 구조로 진행한다. 합성곱 신경망 4 계층 구조의 모의실험 결과 최대 물체 수가 2,4,8 일 때 추정 정확도는 신호 대 잡음비(Signal to Noise Ratio, SNR) 22dB 에서 각각 99.6%, 97.2%, 76.6%의 성능을 보이므로 물체 수가 늘어남에 따라 정확도가 저하되는 것을 확인하였다.
OFDM 레이다에서 딥러닝을 이용한 물체의 거리 및 속도 추정
오정은(Oh Jeong Eun),조아민(Jo A Min),최재웅(Choi Jae Woong),정의림(Eui-Rim Jeong) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
본 논문은 OFDM 레이다 시스템에서 물체의 거리와 속도를 추정하기 위한 새로운 합성곱 신경망(Convolutional Neural Network, CNN) 기법을 제안한다. 구체적으로, OFDM 레이다를 통해 송신부에서 송신과 동시에 수신도 수행하여 레이다 신호처리를 진행한 후에 물체의 거리와 속도를 추정한다. 제안하는 물체 거리 및 속도 추정 기법인 합성곱 신경망의 구조는 7 개의 합성곱 계층과 1 개의 완전 연결 계층으로 구성된다. 모의 실험에서 제안 기법과 보편적으로 널리 사용되는 CFAR(Constant False Alarm Rate) 기법의 성능을 비교한다. 물체를 SNR(Singnal to Noise Ratio)이 –20dB 부터 10dB 까지 3dB 간격으로 비교 검증을 진행한다. 그 결과, SNR 10dB 에서 64 심볼을 이용하는 경우 제안 기법의 성능이 기존 기법보다 거리오차는 약 6m, 속도오차는 약 9km/h 줄어들었음을 확인한다. 기존 기법과의 비교 이외에 제안 기법을 환경 별로 성능을 비교한 결과, 클러터가 존재하지 않는 환경에서 SNR 10dB 에서 64 심볼일 경우에 거리오차는 약 0.65m, 속도오차는 약 1.10km/h 로 가장 좋은 성능을 보인다.