Earticle

현재 위치 Home

수중 네트워크의 링크 적응을 위한 기계 학습 기반 MCS 예측 모델 적용 방안
Machine Learning-based MCS Prediction Models for Link Adaptation in Underwater Networks

첫 페이지 보기
  • 발행기관
    중소기업융합학회 바로가기
  • 간행물
    융합정보논문지(구 중소기업융합학회논문지) KCI 등재 바로가기
  • 통권
    제10권 제5호 (2020.05)바로가기
  • 페이지
    pp.1-7
  • 저자
    변정훈, 조오현
  • 언어
    한국어(KOR)
  • URL
    https://www.earticle.net/Article/A375426

※ 기관로그인 시 무료 이용이 가능합니다.

4,000원

원문정보

초록

영어
This paper proposes a link adaptation method for Underwater Internet of Things (IoT), which reduces power consumption of sensor nodes and improves the throughput of network in underwater IoT network. Adaptive Modulation and Coding (AMC) technique is one of link adaptation methods. AMC uses the strong correlation between Signal Noise Rate (SNR) and Bit Error Rate (BER), but it is difficult to apply in underwater IoT as it is. Therefore, we propose the machine learning based AMC technique for underwater environments. The proposed Modulation Coding and Scheme (MCS) prediction model predicts transmission method to achieve target BER value in underwater channel environment. It is realistically difficult to apply the predicted transmission method in real underwater communication in reality. Thus, this paper uses the high accuracy BER prediction model to measure the performance of MCS prediction model. Consequently, the proposed AMC technique confirmed the applicability of machine learning by increase the probability of communication success.
한국어
본 논문은 수중 IoT 네트워크에서 센서의 전력 소비를 줄이고 네트워크의 처리량을 향상하는 수중 링크 적응 방법을 제안한다. 링크 적응 방법의 하나인 AMC(Adaptive Modulation and Coding) 기술은 SNR(Signal Noise Rate)과 BER(Bit Error Rate)의 강한 상관관계를 이용하지만, 수중에 바로 적용하는 것은 어렵다. 따라서 수중 환경에 적합한 머신러닝 기반의 AMC 기술을 제안한다. 제안하는 MCS(Modulation Coding and Scheme) 예측 모델은 수중 채널 환경에서 목표 BER 값을 달성하기 위한 통신 방법을 예측한다. 예측된 통신 방법을 실제 수중 무선 통신에서 적용하는 것은 현실적으로 어렵기 때문에 본 논문에서는 높은 정확도의 BER 예측 모델을 사용 해 MCS 예측 모델의 성능을 확인한다. 결과적으로 제안하는 AMC 기술은 통신 성공 확률을 올림으로써 머신러닝 의 적용 가능성을 확인시켰다.

목차

요약
Abstract
1. 서론
1.1 처리량 향상 방법
1.2 관련 연구
1.3 제안하는 방법
2. 수중 무선 통신 실측 데이터
2.1 데이터 분류
3. 모델 학습
3.1 BER 예측 모델
3.2 MCS 예측 모델
4. 모델 분석
4.1 BER 예측 모델 성능 비교
4.2 MCS 예측 모델 정확도 비교
4.3 MCS 예측 모델 성능 확인
5. 결론
REFERENCES

저자

  • 변정훈 [ JungHun Byun | 충북대학교 소프트웨어학과 학생 ]
  • 조오현 [ Ohyun Jo | 충북대학교 소프트웨어학과 교수 ] Corresponding Author

참고문헌

자료제공 : 네이버학술정보

간행물 정보

발행기관

  • 발행기관명
    중소기업융합학회 [Convergence Society for SMB]
  • 설립연도
    2011
  • 분야
    공학>공학일반
  • 소개
    본 회는 정보기술을 다양한 산업 분야에 융합하는 정책 및 관련 기술들을 개발하고 보급함으로써 중소기업 발전은 물론 이를 통한 국가발전과 국제협력 증진에 기여하고자 한다.

간행물

  • 간행물명
    융합정보논문지(구 중소기업융합학회논문지) [Journal of Convergence for Information Technology]
  • 간기
    월간
  • pISSN
    2586-1816
  • eISSN
    2586-4440
  • 수록기간
    2011~2022
  • 십진분류
    KDC 004 DDC 004

이 권호 내 다른 논문 / 융합정보논문지(구 중소기업융합학회논문지) 제10권 제5호

    피인용수 : 0(자료제공 : 네이버학술정보)

    함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.

      페이지 저장