• 한국군사과학기술학회지
• /
• 제24권4호
• /
• pp.392-400
• /
• 2021

Unlike optical equipment, SAR(Synthetic Aperture Radar) has the advantage of obtaining images in all weather, and object detection in SAR images is an important issue. Generally, deep learning-based object detection was mainly performed in real-valued network using only amplitude of SAR image. Since the SAR image is complex data consist of amplitude and phase data, a complex-valued network is required. In this paper, a complex-valued ResNet network is proposed. SAR image object detection was performed by combining the ROI transformer detector specialized for aerial image detection and the proposed complex-valued ResNet. It was confirmed that higher accuracy was obtained in complex-valued network than in existing real-valued network.

• 한국음향학회지
• /
• 제41권1호
• /
• pp.30-37
• /
• 2022

본 논문은 주파수 영역에서 심층 신경망 기반 음성 향상 모델 학습을 위하여 학습 대상과 네트워크 구조에 따라 두 가지 관점에서 성능을 비교 평가한다. 이때, 학습 대상으로는 스펙트럼 매핑과 Time-Frequency(T-F) 마스킹 기법을 사용하였고 네트워크 구조는 실수 네트워크와 복소 네트워크를 사용하였다. 음성 향상 모델의 성능은 데이터 셋 규모에 따라 Perceptual Evaluation of Speech Quality(PESQ)와 Short-Time Objective Intelligibility(STOI) 두 가지 객관적 평가지표를 통해 평가하였다. 실험 결과, 네트워크의 종류와 데이터 셋 종류에 따라 적정한 훈련 데이터의 크기가 다르다는 것을 확인하였다. 또한, 데이터의 크기와 학습 대상에 따라 복소 네트워크보다 실수 네트워크가 비교적 높은 성능을 보이기 때문에 총 파라미터의 수를 고려한다면 경우에 따라 실수 네트워크를 사용하는 것이 보다 현실적인 해결책일 수 있다는 것을 확인하였다.

• 한국통신학회논문지
• /
• 제32권2A호
• /
• pp.188-194
• /
• 2007

디지털 컨버전스가 이루어지면서 무선기기들 간의 호환성은 단말기의 중요한 특성이 되었고, SDR은 가장 필요한 기술이고 표준이다. 하지만 통신 프로토콜이 다른 무선 환경에서 호환성을 갖는 단말기를 하드웨어만을 이용한 ASIC이나 SoC로 만들기는 어려운 실정이다. 그래서 본 논문은 여러 통신 프로토콜을 가속화 시킬 수 있는 코프로세서의 구조를 제안하였다. 메인 프로세서와 쉽게 연동이 되고, 네트워크의 PHY 레이어에 특화된 코프로세서가 바로 그것이다. 통신 시스템에서 가장 많이 사용하는 변조 방식인 OFDM과 CDM을 사용하는 무선 랜 표준 IEEE802.11a와 IEEE802.11b를 모델링한 C 프로그램을 ARM cross 컴파일러를 이용해 컴파일 하였고, Simplescalar-Arm 버전을 이용해 시뮬레이션 및 프로파일을 수행하였다. 프로파일 결과 비터비 연산과 부동 소수점 복소수 연산이 가장 많은 연산을 차지하였다. 프로파일 결과를 바탕으로 비터비 연산과 부동 소수점 복소수 연산을 가속화 할 수 있는 코프로세서를 제안하여 명령어를 추가했으며, 추가된 명령어는 Simplescalar-Arm 버전을 이용해 시뮬레이션 하였다. 시뮬레이션 결과 ARM 코어 하나만 사용 했을 때보다 비터비 연산은 약 4.5배, 부동 소수점 복소수 연산은 약 2배의 성능 향상을 보였다. IEEE802.11a에서는 일반 ARM 코어보다 약 3배의 성능 향상을 보였고, IEEE802.11b에서는 약 1.5배의 성능 향상의 보였다.

• Composites Research
• /
• 제27권5호
• /
• pp.190-195
• /
• 2014

본 연구에서는 MWNT(Multi-walled carbon nanotube)의 응집크기와 복소유전율의 관계를 수치해석적인 방법을 통하여 접근하였다. 이를 위하여 3-roll-mill 장비를 사용하여 1 wt% MWNT가 첨가된 에폭시 시편을 제작하였다. 제작된 시편은 X-band(8.2~12.4 GHz)에서 네트워크 분석기와 자유공간 측정 장비를 이용하여 복소유전율을 측정하였다. 측정된 복소유전율과 복소유전율 혼합 모델을 이용하여 에폭시와 MWNT 응집으로 이루어진 해석모델의 유전율을 결정하였다. 해석 모델은 앞서 말한 것과 같이 에폭시와 MWNT의 응집으로 이루어져 있으며, 정육면체 에폭시 내에 구 형태의 MWNT 응집을 가정하였다. 이에 따라 에폭시와 MWNT의 부피비율은 고정되며, 변수는 응집의 크기로 한정하였다. 수치해석은 상용 전자기 해석프로그램인 CST를 사용하였다. CST로부터 모델의 S-parameter를 얻었고, 복소유전율은 Nicolson 방법을 사용하여 얻었다. MATLAB으로 코드를 만들어 S-parameter 로부터 복소유전율을 얻었다. 수치해석 결과 응집의 크기가 작아질수록 복소유전율 값이 높아지는 모습을 살펴볼 수 있었으며, 이는 나노 입자의 이용에 있어서 분산도는 기계적인 특성뿐 아니라 전자기적 특성인 복소유전율에도 영향을 미친다고 볼 수 있으며, 같은 나노 입자 함량에서 분산도가 좋을수록 높은 복소유전율을 기대할 수 있다.

• 한국음향학회지
• /
• 제40권2호
• /
• pp.176-182
• /
• 2021

본 논문은 다양한 손실 함수에 따른 Deep Nerual Network(DNN) 기반 음성 향상 모델의 성능을 비교 평가한다. 베이스라인 모델로는 음성의 위상 정보를 고려할 수 있는 복소 네트워크를 사용하였다. 손실 함수는 두 가지 유형의 기본 손실 함수, Mean Squared Error(MSE)와 Scale-Invariant Source-to-Noise Ratio(SI-SNR)를 사용하였으며 두 가지 유형의 지각 기반 손실 함수 Perceptual Metric for Speech Quality Evaluation(PMSQE)과 Log Mel Spectra(LMS)를 사용한다. 성능은 각 손실 함수의 다양한 조합을 사용하여 얻은 출력을 객관적인 평가와 청취 테스트를 통해 측정하였다. 실험 결과, 지각기반 손실 함수를 MSE 또는 SI-SNR과 결합하였을 때 전반적으로 성능이 향상되며, 지각기반 손실함수를 사용하면 객관적 지표에서 약세를 보이는 경우라도 청취 테스트에서 우수한 성능을 보임을 확인하였다.

• 한국통신학회논문지
• /
• 제35권4A호
• /
• pp.360-370
• /
• 2010

본 논문에서는 다수의 송수신기 쌍과 다수의 중계 노드로 구성된 분산 빔포밍 Amplify-and-Forward (AF) 중계 네트워크를 다루고 있다. 제안한 방법에서는 빔포머 수의 자유도를 높이기 위하여 첫 번째 단계에서 송신기들이 직교 채널을 이용하여 중계기로 신호를 보낸다. 두 번째 단계에서 각 중계기는 송신기로부터 받은 신호에 복소 가중치를 곱하여 신호를 증폭하고 역방향 채널에 의해 생긴 위상 변화를 조정하여 하나의 채널로 수신기에 신호를 보낸다. 최적의 빔포밍 벡터는 서비스 품질 수준을 만족시키기 위해 수신기 각각의 신호 대 간섭 및 잡음비가 특정 문턱값보다 크면서 전체 중계 전송 전력을 최소화시키도록 구하였다. 모의실험을 통해 기존의 직교 분할 다중화 방법과 공간 분할 다중화 방법에 비하여 적당히 낮은 데이터 속도 범위에서 중계 송신 전력을 줄일 수 있음을 확인하였다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2020년도 추계학술대회
• /
• pp.377-379
• /
• 2020

홀로그램은 SLM(공간 광변조기)의 픽셀 피치와 빛의 파장에 대한 의존성이 있는 데이터이며 디지털 홀로그램의 품질은 단위 픽셀 피치와 전체 해상도에 비례하게 된다. 또한 각 픽셀마다 복소값을 가지므로 디지털 홀로그램의 데이터량 또한 기하급수적으로 증가하여 그 크기가 매우 클 수밖에 없다. 따라서 효율적으로 디지털 홀로그램 파일을 다루기 위해서는 코덱을 통해 파일 크기를 축소하여 저장하는 것이 필수적이며 최근에는 코덱으로 인해 손상된 화질을 복원하는 연구가 활발히 진행 중이다. 본 논문에서는 홀로그램 표준 데이터인 JPEG Pleno의 홀로그램 이미지를 사용하였으며 홀로그램 이미지를 JPEG2000, AVC, HEVC코덱을 통해 압축 및 복원했을 때 나타나는 화질손상을 딥러닝 네트워크로 복원하여 화질 개선이 이루어지는지 알아보고 원본 홀로그램과 비교하여 정량적으로 화질의 개선 정도를 알아본다.