• 한국정보통신학회논문지
• /
• 제20권9호
• /
• pp.1688-1695
• /
• 2016

수중에서의 통신은 해수면 및 해저면 등에 의한 신호의 반사를 통해 다중경로 현상이 나타난다. 이러한 다중경로의 영향으로 신호는 왜곡되고 원할한 수신을 방해받게 된다. 또한, 수중 통신은 제한된 주파수를 사용하고 다중 경로로 인한 심볼 내 간섭으로 전송률이 매우 낮고 성능이 저하된다. 따라서 본 논문에서는 수중통신 환경에서 전송률 향상 및 성능 향상을 위해 터보 등화 기법 기반의 Faster Than Nyquist 전송방식을 고려한다. 무선 통신에서 전송률 향상을 위해 적용되고 있는 Nyquist 속도보다 빠르게 전송하는 Faster Than Nyquist 기법에 대해 다중 간섭이 존재하는 수중 환경에서 효율적인 복호 모델을 제시하고 기존의 전송률 향상에 고려되는 천공 부호화 방식과 실제 호수 실험을 통하여 성능을 비교 분석하였으며, 적용 가능성 및 효율성을 확인하였다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송공학회 2014년도 추계학술대회
• /
• pp.252-253
• /
• 2014

최근 채널 효율을 향상시키기 위하여 다중안테나(MIMO, multi-input multi-output) 기술이 연구되고 있다. 다중안테나 기술은 송 수신 안테나 개수를 증가시켜 수신 성능을 향상시키고 대역 효율을 향상시키지만 송신 안테나 개수를 늘려야만 대역 효율을 증가시킬 수 있으므로 기존 방송 시스템에 적용하기에는 비용이 많이 드는 단점이 있다. 이에 본 논문은 방송 시스템에 적합한 SIMO(single-input multi-output) 시스템에 FTN(faster than Nyquist)을 적용하여 대역 효율을 증가시키고 수신 성능을 향상시키고자 한다. 또한 MRC(maximum ratio combining) 및 경판정(hard decision)을 적용하여 수신 안테나 개수에 따른 수신 성능을 컴퓨터 실험을 통하여 알아본다.

• 한국통신학회논문지
• /
• 제42권5호
• /
• pp.967-974
• /
• 2017

본 논문에서는 FTN (faster-than-Nyquist) 시스템에서 MAP (maximum a posteriori) 기법을 이용한 ISI(inter-symbol interference) 추정 기법을 제안한다. 제안하는 기법은 FTN 전송으로 인한 ISI를 제거하기 위하여 복조기에서 MAP 기법을 이용하여 복조를 수행한다. 또한 매우 큰 구현 복잡도를 갖는 MAP 기법의 단점을 보안하기 위하여 간단하게 구현 가능한 SIC (successive interference cancellation) 기법과 MAP 기법을 연동하여 낮은 복잡도를 가지면서도 우수한 성능을 나타내는 ISI 제거 기법을 제안한다. 제안하는 기법은 MAP 기법과 비교하였을 때 낮은 복잡도를 가질 뿐만 아니라 기존에 제안된 ISI 추정 기법들보다 우수한 추정 성능을 나타내는 장점이 있다.

• 한국멀티미디어학회:학술대회논문집
• /
• 한국멀티미디어학회 2002년도 춘계학술발표논문집(상)
• /
• pp.390-395
• /
• 2002

MPLS는 고속 전달, 트랙픽 엔지니어링 그리고 가상 사설망 서비스를 가능하게 한다. MPLS 레이블 스위치와 제어기 사이에서 동작하는 GSMP 프로토콜은 연결, 구성, 장애, 성능관리 및 동기화 기능을 제공하는 개방형 인터페이스 프로토콜이다. GSMP가 적용된 개형형 인터페이스의 망 관리 기능은 제어기 또는 레이블 스위치에 위치할 수 있다. 본 논문에서는 MPLS 레이블 스위치의 단순화 및 자원 이용의 효율성을 높이기 위하여 SNMP 에이전트가 제어기에 탑재되는 망 관리 모델을 제시하였다. MPLS-LSR 및 FTN MIB와 GSMP 메시지의 매핑 시나리오를 제시하였으며, 제어기의 구현을 통하여 본 논문에서 제시된 망 관리 모델의 실현성을 확인하였다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2002년도 하계종합학술대회 논문집(3)
• /
• pp.169-172
• /
• 2002

In this paper, we consider the problem of embedding Fibonacci linear array, Fibonacci mesh, Fibonacci tree into Fibonacci circulants and between Fibonacci cubes and Fibonacci circulants. We show that the Fibonacci linear array of order n , Ln is a subgraph of the Fibonacci circulants of order n , En with En◎ Ln,n≥0 , the Fibonacci mesh of order (nt,n2), M(n,.nT)with S2n.1 f( M(n.れ)닌 M(n.1.n.1)), 52れ 늰( M(n.n.1)띤 M(H.n-1)) and the Fibonacci tree-lof order n, FT/sub n/ with ∑/sub n+3/⊇ FTn , n≥0, the Fibonacci tree-ll of order n , Tれ with ∑/sub n/⊇ Tn Fu퍼hermore, 낀e show that the Fibonacci cubes of order n , rn is subgraph of the Fibonacci circulants of order n , En and inversely rn can be embedded into En with expansion 1, dilation n -2 and congestion.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제13권4호
• /
• pp.1795-1811
• /
• 2019

In order to achieve rapid and accurate detection of vehicle objects in complex traffic conditions, we propose a novel vehicle detection method. Firstly, more contextual and small-object vehicle information can be obtained by our Joint Feature Network (JFN). Secondly, our Evolved Region Proposal Network (EPRN) generates initial anchor boxes by adding an improved version of the region proposal network in this network, and at the same time filters out a large number of false vehicle boxes by soft-Non Maximum Suppression (NMS). Then, our Mask Network (MaskN) generates an example that includes the vehicle occlusion, the generator and discriminator can learn from each other in order to further improve the vehicle object detection capability. Finally, these candidate vehicle detection boxes are optimized to obtain the final vehicle detection boxes by the Fine-Tuning Network(FTN). Through the evaluation experiment on the DETRAC benchmark dataset, we find that in terms of mAP, our method exceeds Faster-RCNN by 11.15%, YOLO by 11.88%, and EB by 1.64%. Besides, our algorithm also has achieved top2 comaring with MS-CNN, YOLO-v3, RefineNet, RetinaNet, Faster-rcnn, DSSD and YOLO-v2 of vehicle category in KITTI dataset.