Earticle

초록

영어

The sensor nodes in underwater IoT networks have practical limitations in power supply. Thus, the reduction of power consumption is one of the most important issues in underwater environments. In this regard, AMC(Adaptive Modulation and Coding) techniques are used by using the relation between SNR and BER. However, according to our hands-on experience, we observed that the relation between SNR and BER is not that tight in underwater environments. Therefore, we propose a deep learning based MLP classification model to reflect multiple underwater channel parameters at the same time. It correctly predicts BER with a high accuracy of 85.2%. The proposed model can choose the best parameters to have the highest throughput. Simulation results show that the throughput can be enhanced by 4.4 times higher than the conventionally measured results.

한국어

수중 IoT 네트워크에서 센서 노드는 지속적인 전력 공급이 어렵기 때문에 제한된 상황에서 소비 전력과 네트워크 처리량의 효율성이 매우 중요하다. 이를 위해 기존의 무선 네트워크에서는 SNR(Signal Noise Rate)과 BER(Bit Error Rate)의 높은 연관성을 기반으로 적응적으로 통신 파라미터를 선택하는 AMC(Adaptive Modulation and Coding) 기술을 적용한다. 하지만 본 논문의 실험 결과, 수중에서 SNR과 BER 사이의 상관 관계가 상대적으로 감소함을 확인하였다. 따라서 본 논문에서는 SNR과 함께 다중 파라미터를 동시에 사용하는 딥러닝 기반 BER 예측 모델(MLP, Multi-Layer Perceptron)을 적용한다. 제안하는 BER 예측 모델은 처리량이 가장 높은 통신 방법을 찾아낼 수 있고, 시뮬레이션 결과 85.2%의 높은 정확도와 네트워크 처리량은 기존 처리량 보다 4.4배 높은 성능을 보여주는 우수한 성능을 확인하였다.

목차

요약
Abstract
1. 서론
2. 기존 연구 조사
3. 수중 채널 환경 특성 분석
4. 딥러닝 기반 BER 예측 모델
4.1 통신 파라미터 선택
4.2 데이터 분류
4.3 데이터 전처리
5. 딥러닝 기반 예측 모델 성능 분석
5.1 딥러닝 기반 BER 예측 모델
5.2 BER 예측 모델의 예측 결과
5.3 BER 예측 모델의 성능
6. 결론
REFERENCES

키워드

딥러닝 링크 적응 AMC MLP 분류 모델 기계 학습 수중 IoT 네트워크 Deep learning Link adaptation Adaptive Modulation and Coding MLP Classification model Machine learning Underwater IoT network

저자

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

참고문헌

발행기관

간행물