*준회원, 울산대학교 전기공학부
**정회원, 울산대학교 전기공학부
***정회원, 울산대학교 전기공학부(교신저자)
접수일자: 2018년 2월 14일, 수정완료: 2018년 3월 14일 게재확정일자: 2018년 4월 6일
Received: 14 February, 2018 / Revised: 14 March, 2018 Accepted: 6 April, 2018
***Corresponding Author: [email protected]
Dept. of Electrical Electronic Engineering, University of Ulsan, Korea https://doi.org/10.7236/JIIBC.2018.18.2.81
JIIBC 2018-2-10
인지 무선 시스템에서 웨이블릿 패킷 분해를 이용한 서포트 벡터 머신 기반 스펙트럼 센싱
Spectrum Sensing based on Support Vector Machine using Wavelet Packet Decomposition in Cognitive Radio Systems
이규형*, 이영두**, 구인수***
Gyu-Hyung Lee*, Young-Doo Lee**, In-Soo Koo***
요 약 부사용자가 주사용자의 주파수 사용 상태를 판별하기 위해 인지 무선 시스템의 핵심 기술인 스펙트럼 센싱을 사용한다. 스펙트럼 센싱 기법 중 에너지 검출법은 할당 된 채널 신호의 강도에 따라서 주사용자의 주파수 사용 유무 를 판별한다. 이 기법은 단순히 신호의 크기를 이용해 스펙트럼 센싱하기 때문에 SNR 대역이 낮아질수록 주사용자의 신호를 검출하기 어렵다는 단점이 있다. 본 논문은 낮은 SNR 대역에서의 성능 열화를 극복하기 위해 웨이블릿 패킷 분해를 사용한 서포트 벡터 머신을 스펙트럼 센싱과 융합하는 방식을 제안하였다. 이 방식은 센싱 신호를 웨이블릿 패 킷 분해를 기반으로 특징 추출하여 Support Vector Machine의 훈련과 실험용 데이터로 사용한다. 제안한 방식의 실 험 결과를 SNR대역에 대해 정확도와 ROC 커브 그래프의 AUC를 이용하여 에너지 검출법과 비교하였다. 실험 결과, 제안한 시스템은 낮은 SNR대역에서 에너지 검출법 보다 더 향상된 판별 성능을 보였다.
Abstract Spectrum sensing, the key technology of the cognitive radio networks, is used by a secondary user to determine the frequency state of a primary user. The energy detection in the spectrum sensing determines the presence or absence of a primary user according to the intensity of the allocated channel signal. Since this technique simply uses the strength of the signal for spectrum sensing, it is difficult to detect the signal of a primary user in the low SNR band. In this paper, we propose a way to combine spectrum sensing and support vector machine using wavelet packet decomposition to overcome performance degradation in low SNR band. In our proposed scheme, the sensing signals were extracted by wavelet packet decomposition and then used as training data and test data for support vector machine. The simulation results of the proposed scheme are compared with the energy detection using the AUC of the ROC curve and the accuracy according to the SNR band. With simulation results, we demonstrate that the proposed scheme show better determining performance than one of energy detection in the low SNR band.
Key Words : Cognitive radio networks, Spectrum sensing, Artificial intelligence, Machine learning, Support vector machine, Feature extraction, Wavelet packet decomposition
Ⅰ. 서 론
4차 산업 혁명이 진행됨에 따라 주파수를 사용하는 기 기의 수가 기하급수적으로 많아짐에 따라 주파수 자원에 대한 수요 역시 가파르게 증가하고 있다. 주파수는 유한 자원이므로 모든 사용자 및 기기에 주파수를 할당하는 것에는 한계가 있다. FCC(Federal Communications Commission)의 주파수 사용 실태 분석에 따르면 이미 할당된 대역에 대해 특정 시간과 장소에서 15∼80% 정 도의 주파수만 실제 사용 되고 있다[1-2]. 이러한 유휴 상 태의 주파수를 효율적으로 사용하기 위해서 비어있는 스 펙트럼을 찾아 통신하는 인지 무선 기술(CR :Cogitive Radio)이 NPRM(Notice of Proposed Rule Making)에 의 해 발표되었다[2].
인지 무선 기술은 주사용자 (PU : Primary User)가 할 당 받은 주파수를 사용하지 않을 때 부사용자(SU : Secondary User)가 주사용자의 통신에 간섭을 주지 않 는 조건으로 주파수를 사용할 수 있게 한다. 인지 무선 시스템에서 주파수 스펙트럼을 분석하여 주사용자가 주 파수를 사용하고 있는지 판별하는 스펙트럼 센싱이 인지 무선 시스템의 핵심 기술 중 하나이다. 스펙트럼 센싱 기 법으로는 에너지 검출법, 정합 필터, 신호 특성 검출 등이 있으며[3], 구현의 복잡도와 센싱에 필요한 시간 등을 고 려할 때 낮은 복잡성과 구현의 용이성을 가지는 에너지 검출법이 가장 많이 쓰이고 있다. 에너지 검출법은 주사 용자가 해당 주파수를 사용 중인지 아닌지를 판별하기 위하여 센싱을 통해 신호를 샘플링하여 제곱 합 에너지 를 추정하고, 추정된 에너지 값과 임계치(threshold)를 비 교한다. 이러한 에너지 검출법의 한계점 중 하나는 신호 대 잡음비 (SNR : Signal to Noise Ratio)가 낮아질수록 스펙트럼 센싱의 성능 열화가 크게 일어난다는 것이다.
본 논문에서는 4차 산업 혁명의 핵심기술인 인공지능 분야의 기계학습 알고리즘들 가운데 하나인 SVM을 스 펙트럼 센싱에 적용하여 에너지 검출법의 성능열화를 개 선하고자 한다. SVM은 주로 이진 분류 모델로 사용되며 패턴인식과 진단 분야에 적용되어 좋은 분류 성능을 보 여 왔다. SVM과 스펙트럼 센싱을 접목시킨 연구는 최근 에 이르러 진행되기 시작했다[4-6].
본 논문에서 제안하는 SVM 기반의 스펙트럼 센싱은 웨이블릿 패킷 분해를 통해 추출된 결과 값들을 SVM의 훈련 데이터로 사용함으로써 낮은 SNR 대역에서도 기존
에너지 검출법 보다 큰 성능향상을 도출한다. 본 논문에 서 고려하는 성능지표는 주사용자의 주파수 사용 상태를 스펙트럼 센싱이 얼마나 잘 판별하는지에 대해 Score를 계산하고 그 평균을 취한 결과인 정확도와 낮은 SNR대 역에서 ROC 커브 그래프의 AUC(Area under the curve) 이다. 정확도와 ROC 커브 그래프의 AUC를 이용하여 기 존 에너지 검출법과 제안하는 SVM 기반의 스펙트럼 센 싱의 SNR에 따른 스펙트럼 센싱 성능을 비교 분석한다.
본 논문의 구성은 다음과 같다. Ⅱ장에서는 SVM을 이용한 스펙트럼 센싱 기법의 시스템 모델을 설명하고 센싱 신호를 웨이블릿 패킷 분해를 기반으로 특징 추출 하는 과정과 추출된 특징을 입력으로 하는 SVM 기반 스펙트럼 센싱을 설명한다. 이어서 Ⅲ장에서 모의실험 결과를 분석한다. 마지막, Ⅳ장에서 본 논문의 결론을 맺 는다.
Ⅱ. SVM 기반 스펙트럼 센싱
1. 시스템 모델
본 논문에서는 시스템 모델의 간편성을 위하여 하나 의 부사용자가 하나의 주파수 대역에 대해 주사용자의 활동을 기계학습 기반의 스펙트럼 센싱을 통하여 판별하 는 것을 가정한다. 주파수의 사용 상태는 주사용자의 주 파수 사용 여부에 따라 다음과 같이 식으로 표현할 수 있 다[1-2,7].
(1)
은 백색 가우시안 잡음(AWGN : Additive White Gaussian Noise)을 나타내고, 는 주사용자의 신호를 나 타낸다. 는 주사용자가 해당 주파수를 사용하지 않는 가설을, 는 해당 주파수를 사용하는 가설을 나타낸다.
그림 1. SVM 기반 스펙트럼 센싱의 전체 동작 과정 Fig. 1. Structure of SVM based on spectrum sensing
부사용자는 주사용자가 할당 받은 채널을 센싱하고 샘플링을 통해 이산 신호를 획득하여 웨이블릿 패킷 분 해를 기반으로 특징을 추출한다. 추출된 특징은 훈련 용 데이터와 실험용 데이터로 나뉘며, 훈련용 데이터는 SVM 모델을 만드는데 사용하고 실험용 데이터는 도출 된 SVM 모델의 정확도 평가에 사용한다. 그림 1은 SVM 기반 스펙트럼 센싱의 전체 동작 과정을 보여준다.
2. 웨이블릿 패킷 분해 기반의 특징 추출 본 논문에서는 센싱 신호로부터 특징을 추출하는 방 법으로 웨이블릿 패킷 분해가 사용되었다[8-9]. 웨이블릿 패킷 분해는 이진 트리 구조로 되어 있으며 저역 통과 필 터와 고역 통과 필터를 반복적으로 사용하여 샘플링 된 센싱 신호를 필터링 한다. 이진 트리 구조에서 깊이는 루 트 노드(root node)에서 해당 노드까지 가는 경로의 길이 를 뜻한다. 그림 2는 최대 깊이가 2인 경우를 나타낸다.
트리의 최대 깊이가 k라고 한다면 리프 노드(leaf node) 의 개수는 개다. 센싱 신호의 샘플링 수가 M일 때 깊 이가 인 노드들은
개의 필터링 된 센싱 신호를 가진
다. 깊이 마다 노드가 가지는 필터링 된 센싱 신호의 수 가 다르기 때문에 각각의 노드가 가지는 신호의 크기 평 균을 구하여 특징으로 사용하였다. 깊이가 (=1,...,k)이고
(=1,2,...,)번째 노드의 신호를 합한 에너지는 식 (2)과 같다.
그림 2. 깊이가 2인 이진 트리 구조 방식 웨이블릿 패킷 분해 의 예
Fig. 2. Example of wavelet packet decomposition with depth 2 binary tree
(2)
은 깊이가 이고 번째 노드가 가지는 신호이며 은 노드가 가지는 신호의 인덱스를 나타낸다. 깊이가 인 노드들 중 번째 노드에 대해 식 (3)과 같이 식 (2)로부 터 얻은 에너지를 해당 깊이의 필터링 된 센싱 신호 개수 로 나누는 과정을 통해 특징이 추출된다.
(3)
본 논문에서 주파수 사용 상태에 따라 센싱 신호는 주사 용자의 신호와 노이즈 요소들로 구성될 수 있기 때문에 노이즈를 필터링한 주사용자의 신호를 분석하기 위해 저 역 통과필터를 거쳐 간 노드들을 특징으로 사용하였다.
3. SVM을 이용한 주파수 사용 판별
SVM은 기계학습에서 지도학습 방식의 알고리즘으로 패턴인식, 회귀분석, 확률 그리고 분류에 대한 문제를 해 결하기 위한 강력한 도구이다. SVM의 동작원리는 2개의 클래스를 나누는 임의 경계선과 학습 데이터 사이의 거 리를 최대치로 만드는 초평면을 설계하는 것이다[4-6,10-12]
. 앞으로는 스펙트럼 센싱 데이터를 SVM이 어떻게 분 류 하는지 설명하고자 한다. 그림 3에 보이는 것처럼 두 개의 모양은 각각 다른 클래스의 학습 데이터를 나타낸 것이다. 즉, 본 연구의 과 을 개념적으로 나타낸다.
이 학습 데이터 는 아래 식 (4)으로 표현될 수 있다.
그림 3. SVM을 이용한 2진 분류 Fig. 3. Binary classification with SVM
커널 함수 종류 커널 함수
선형 커널
다항 커널
RBF 커널 ∥ ∥
표 1. 커널 함수 종류
Table 1. Types of Kernel function
(4)
∈이고 ∈ 로 설정하였다.
임의 경계선 H는 다음 식을 만족한다.
(5)
는 경계를 정의하는 가중치 벡터이고 은 웨이블릿 패 킷 분해를 통해 추출된 특징 벡터로 으로 이루어져 있다. b는 편향 값이다. H로부터 수직 방향으로 위치한 경계선인 H1과 H2는 서포트 벡터들에 의해 결정되어지 며 아래 식으로 정의할 수 있다.
± (6)
경계선 H1과 H2의 거리가 최대치라면 과 은 최적 으로 분류 되었다고 볼 수 있다.
본 논문의 센싱 데이터는 비선형성적 특징을 가짐으 로 SVM의 분류 성능을 높이기 위하여 데이터 벡터에 대 해 커널 함수를 적용하여 저차원의 데이터를 고차원의 공간으로 변환함으로써 선형화 시키는 동작을 수행한다.
SVM에서 많이 사용되는 커널로서 선형(Linear) 커널, 다항(Polynomial) 커널, RBF(Radial Basis Function) 커 널 등이 있고 이를 표 1에 정리하였다.
최종적으로 주사용자의 주파수 사용에 대한 판별은 커널 함수를 적용시킨 SVM의 결과를 통해 결정된다.
Ⅲ. 실험 및 결과
1. SVM 기반 스펙트럼 센싱 실험
SNR에 따른 스펙트럼 센싱의 성능저하 정도를 평가
하기 위하여 본 논문에서는 +5dB부터 -25dB까지의 SNR 구간에 대해 1dB 간격으로 실험을 수행하였다.
SVM의 학습 및 성능평가를 위하여 설정한 SNR대역마 다 과 를 식 (1)을 기반으로 각각 5,000개씩, 총 10,000개의 데이터를 만들고 60%는 학습에 나머지 40%
는 성능 평가에 사용하였다. 본 실험에서는 스펙트럼 센 싱에서 센싱 신호에 대한 샘플링 수를 300개로 설정하 였다.
중첩 깊이 사용된 특징 노드
1
2
3 4
5
표 2.중첩 깊이에 따른 특징 노드
Table 2. Used feature nodes According to overlapped depth
위의 과정을 통해 만든 과 에 대한 데이터들은 웨이블릿 패킷 분해를 기반으로 특징이 추출되었다. 본 실험에서 트리의 최대 깊이는 5로 설정하였으며 기저 웨 이블릿(mother wavelet)은 Daubechies 9를 사용하였다.
SVM을 이용함에 있어서 특징의 개수는 학습 시간과 분류 성능에 영향을 끼칠 수 있다[3-4,11]. 특징의 수가 많아 지면 성능이 좋아질 가능성이 높아지나 특징 추출로 인 한 계산양이 많아지고 반대로 특징의 수가 적어지면 계 산의 속도는 빨라지지만 성능이 낮아질 수 있다. 따라서 본 논문에서는 웨이블릿 패킷 분해의 깊이를 하나씩 늘 려가며 특징 노드들을 거듭 사용하였다. 중첩 깊이에 따 라 사용된 특징들은 표 2에 정리하여 나타내었다. 본 논 문은 표 2에 있는 특징 노드들을 이용하여 특징의 개수가 분류 성능에 끼치는 영향을 확인하였다.
본 실험에서 SVM의 커널 함수로 선형 커널을 사용하 였다. 선형 커널은 다른 커널 함수에 비해 비교적 계산이 간단하여 스펙트럼 센싱에 더 적합하다. 성능 평가를 위 해 실험 데이터의 True label과 학습을 마친 SVM의 결 과 label을 비교하여 결과가 같은지 다른지에 대한 score 를 구한 뒤 이를 평균하여 정확도를 계산하였다. 또한, 제 안하는 SVM 기반 스펙트럼 센싱이 가지는 낮은 SNR에
그림 4. 에너지 검출법 구조
Fig. 4. Structure of energy detection
서의 성능개선을 확인하기 위하여 기존의 에너지 검출법 과 비교 하였다. 기존 에너지 검출법의 동작 과정은 그림 4와 같다. 부사용자가 주사용자의 신호를 센싱하고 이를 샘플링하는 과정까지는 본 논문의 SVM 기반 스펙트럼 센싱과 동일하지만 이후 과정에서 차이가 있다. 기존 에 너지 검출법은 샘플링된 신호에 대해 제곱 합 에너지를 추정하고 이를 임계치와 비교하여 주사용자의 주파수 사 용을 판별한다. 추정된 에너지가 임계치보다 크면 주사 용자가 해당 주파수를 사용하고 있다고 판단하고, 그렇 지 않다면 사용하지 않는다고 판단한다[13]. 본 실험에서 는 식(7)에 나타낸 것처럼 에러 확률을 최소화 시키는 최 적의 임계치를 사용하였다.
(7)
은 최적의 임계치를 뜻하고 는 거짓 경보 확률이 고 는 탐지 확률을 뜻한다. 실험의 결과에 대한 효과 적인 성능비교를 위하여 ROC 커브(curve) 그래프의 AUC를 이용하였다.
2. 실험 결과
설정한 각 SNR 구간에 대해 성능평가를 위한 실험 데 이터 4,000개를 기반으로 SVM 기반 스펙트럼 센싱의 정확도 및 ROC 커브를 계산하였다.
그림 5는 특징의 개수가 분류 성능에 끼치는 영향을 확인하기 위해 표 2를 기준으로 중첩 레벨을 하나씩 높 여가며 실험한 SVM 기반 스펙트럼 센싱의 성능을 보 여준다. 중첩 깊이가 1일 때는 정확도 그래프가 일정하 지 않고 –15dB 대역에서 순간적으로 70%대 까지 떨어 지기도 하여 안정적이지 않은 모습을 보여준다. 중첩 깊 이가 2 일 때는 보다 안정적인 모습을 보여주지만 – 22dB이하에서 성능이 떨어진다. 이는 중첩 깊이 1, 2의 특징이 노이즈 성분을 제대로 분리 하지 못했기 때문이 다. 중첩 깊이 3 이상일 경우부터 안정적인 모습을 보 여준다. 하지만 중첩 깊이 3의 결과와 그 이상을 중첩한
결과의 차이는 거의 없다. 특징의 개수가 적으면 계산속 도가 빠르기 때문에 중첩 깊이 3 경우의 노드들을 특징 으로 사용하였다.
그림 6은 SNR대역 +5dB에서 -25dB까지 1dB간격으 로 결정된 특징인 중첩 깊이 3을 이용한 SVM 기반 스펙 트럼 센싱과 기존 에너지 검출법의 정확도 성능을 비교 한 그래프이다. 실험 결과, -5dB 까지는 비슷한 성능을 보이나 그 이후로는 기존 에너지 검출법의 성능이 급격 하게 떨어져서 -15dB에서 55%대의 정확도를 보이고 있 다. SVM 기반 스펙트럼 센싱은 -20dB까지 80%대의 정 확도를 보이고 -25dB에서는 약 68%의 정확도 성능을 보 이고 있다.
그림 5. 중첩한 깊이에 따른 성능 비교
Fig. 5. Comparing performance according to overlapped depth
그림 6. 에너지 검출법과 SVM 기반 스펙트럼 센싱 시뮬 레이션 결과
Fig. 6. The simulation result of energy dectection and Spectrum sensing based on SVM
그림 7. ROC 커브 그래프 비교 (SNR: –15dB) Fig. 7. Comparison with ROC curve at –15dB
그림 8. ROC 커브 그래프 비교 (SNR: –20dB) Fig. 8. Comparison with ROC curve at –20dB
그림 9. ROC 커브 그래프 비교 (SNR: –25dB) Fig. 9. Comparison with ROC curve at –25dB
그림 7, 8, 9에서는 낮은 SNR 대역 –15dB, –20dB과 -25dB에서의 기존 에너지 검출법과 SVM 기반 스펙트럼 센싱의 성능 차이를 ROC 커브 그래프의 AUC를 통해 각 각 나타낸다. SNR 대역 –15dB에서 SVM 기반 스펙트 럼 센싱의 AUC는 기존 에너지 검출법의 AUC 대비 151.2% 향상된 수치를 보였고, –20dB에서는 167.6%, – 25dB에서는 143.35%의 향상된 성능을 보임을 확인 할 수 있다.
Ⅳ. 결 론
본 논문은 인지 무선 시스템의 스펙트럼 센싱에서 기 존 에너지 검출법이 가지는 낮은 SNR에서의 성능열화를 개선하고자 웨이블릿 패킷 분해를 기반으로 추출된 특징 을 사용한 SVM 기반 스펙트럼 센싱을 제안하였다. 성능 지표로 주사용자의 주파수 사용유무 판별에 대한 정확도 를 사용하였으며 제안하는 방식과 에너지 검출법을 비교 분석하였다.
모의실험을 통해 낮은 SNR 대역에서 SVM 기반 스펙 트럼 센싱이 기존 에너지 검출법과 비교하여 향상된 정 확도를 가지는 것을 확인하였으며, ROC 커브 그래프를 통해 낮은 SNR 대역에서 SVM 기반 스펙트럼 센싱의 AUC가 기존 에너지 검출법대비 훨씬 더 좋은 성능을 가 짐을 가시적으로 확인할 수 있었다.
References
[1] Oh-Soon Shin and Yo-An Shin, “An Improved Combining of Hard Decisions for Cooperative Spectrum Sensing in Cognitive Radio Systems”, The Journal of The Korean Institute of Communication Sciences, Vol. 34, No. 2, pp.
132-138, Feb 2009.
[2] So-Young Lee and Jin-Young Kim, “Optimal Soft Decision for Cooperative Spectrum Sensing in Cognitive Radio Systems”, The Journal of Korean Institute of Electromagnetic Engineering and Science, Vol. 22, No. 4, pp. 423-429, Apr 2011.
DOI: http://dx.doi.org/10.5515/KJKIEES.2011.22.4.423
[3] Jun-Ho Baek, Jong-Hwan Lee, Hyeong-Joo Oh and Seung-Hoon Hwang, “Performance Improvements of Energy Detector for Spectrum Sensing in Cognitive Radio Environments:
Verification using Time delay”, The Institute of Electronics Engineers of Korea, Vol. 45, No. 1, pp.
72-77, Jan 2008.
DOI: http://www.dbpia.co.kr/Journal/ArticleDetail/
NODE00941783
[4] Zhang dandan and Zhai Xuping, “SVM-based spectrum sensing in cognitive radio”, 7th International Conference on Wireless Communications Networking and Mobile Computing (WiCOM'11), pp. 1-4, Sept 2011.
DOI: http://dx.doi.org/10.1109/wicom.2011.6040028 [5] Yuqing Huang, Hong Jiang, Hong Hu and
Yuancheng Yao, “Design of Learning Engine Based on Support Vector Machine in Cognitive Radio”, International Conference on Computational Intelligence and Software Engineering (CiSE'09), pp. 1-4, Dec 2009.
DOI: http://dx.doi.org/10.1109/CISE.2009.5363127 [6] Karaputugala Madushan Thilina, Kae Won Choi,
Nazmus Saquib and Ekram Hossain, “Machine Learning Techniques for Cooperative Spectrum Sensing in Cognitive Radio Networks”, IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, Vol. 31, No. 11, pp. 2209 - 2221, Nov 2013
DOI: http://dx.doi.org/10.1109/JSAC.2013.131120 [7] Md.Sipon-Miah and In-Soo Koo, “A Cooperative
Spectrum Sensing Method based on Eigenvalue and Superposition for Cognitive Radio Networks”, The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 13, No.4, pp 39-46, Aug 2013.
DOI: http://dx.doi.org/10.7236/JIIBC.2013.13.4.39 [8] Thomas W. Rauber, Francisco de Assis Boldt and
Flávio Miguel Varejão, "Heterogeneous Feature Models and Feature Selection Applied to Bearing Fault Diagnosis," IEEE Transaction on Industrial
Electronics, Vol. 62, No. 1, pp. 637-646, Jan 2015.
DOI: http://dx.doi.org/10.1109/TIE.2014.2327589 [9] Zi-Long Jiang, Qin-Yu Zhang, Ye Wang and
Xue-Quan Shang, “Wavelet packet entropy based spectrum sensing in cognitive radio”, Communication Software and Networks (ICCSN), pp. 293-298, 2011.
DOI: http://dx.doi.org/10.1109/ICCSN.2011.6014054 [10] Yang-Seok Kim, Do-Hwan Lee and Seong-Kook Kim, “Fault Classification for Rotating Machinery Using Support Vector Machines with Optimal Features Corresponding to Each Fault Type”, Transactions of the Korean Society of Mechanical Engineers A, Vol. 34 ,No. 11, pp.1681-1689, 2010.
DOI: http://dx.doi.org/10.3795/KSME-A.2010.34.11.
1681
[11] Yang-Seok Kim, Do-Hwan Lee and Dae-Woong Kim, “Fault Severity Diagnosis of Ball Bearing by Support Vector Machine”, Trans. Korean Soc.
Mech. Eng. B, Vol. 37, No. 6, pp. 551~558, 2013 DOI: http://dx.doi.org/10.3795/KSME-B.2013.37.6.551 [12] Hyun-Suk Kang and Young-Seok Lee, “Support Vector Machines-based classification of video file fragments”, Journal of the Korea Academia- Industrial cooperation Society, Vol. 15, No. 1, pp.652-657, 2015
DOI: https://doi.org/10.5762/KAIS.2015.16.1.652 [13] Jun Ma and Ye Li, “Soft Combination and
Detection for Cooperative Spectrum Sensing in Cognitive Radio Networks”, IEEE Transactions on Wireless Communications, Vol. 7, No. 11 ,pp.
4502-4507, Nov 2008.
DOI: http://dx.doi.org/10.1109/T-WC.2008.070941
※ 본 논문은 중소기업청에서 지원하는 2016년도 산학연협력 기술개발사업(No.C0398156)의 연구수행으로 인 한 결과물임을 밝힙니다.
저자 소개
이 규 형(준회원)
∙2017년 : 울산대학교 전기공학부 (학사)
∙2017년 ∼ 현재 : 울산대학교 전기공 학부 석사과정
<관심분야 : 신호처리, 인공지능, 인지 무선 시스템>
이 영 두(정회원)
∙2007년 : 울산대학교 전기전자정보시 스템 공학부 (학사)
∙2009년 : 울산대학교 전기전자정보시 스템 공학부 (석사)
∙2013년 : 울산대학교 전기전자정보시 스템 공학부 (박사)
∙2013년 ∼ 현재 : 울산대학교 전기공 학부 (리서치펠로우)
<관심분야 : 인공지능 기반 네트워크, 인지무선 네트워크, 수 중 센서 네트워크, 차세대 통신 시스템>
구 인 수(정회원)
∙1996년 : 건국대학교 전자공학과 졸업 (학사)
∙1998년 : 광주과학기술원 정보통신공 학과 졸업 (석사)
∙2002년 : 광주과학기술원 정보통신공 학과 졸업 (박사)
∙2002년 ∼ 2004년 : 광주과학기술원 연구교수
∙2003년 ∼ 2004년 : 스웨덴왕립공과대학 박사 후 연수과정
∙2005년 ∼ 현재 : 울산대학교 전기공학부 교수 <관심분야 : 차세대 통신 시스템, 무선센서 네트워크>
