표제지
목차
ABSTRACT 9
제1장 서론 11
제2장 시스템 설계 및 기존 연구 15
제1절 다중안테나 채널의 프로그레시브 전송 15
제2절 채널 모델 17
제3절 기존 관련 연구 18
제3장 신경망 기반 프로그레시브 이미지 전송 최적화 20
제1절 신경망 모델 20
제2절 신경망의 입력 23
1. 왜곡-데이터율 특성 23
2. Channel propagation gain 25
제3절 신경망의 출력 26
1. 주파수 효율 및 공간 다중화율의 확률분포 27
2. 송신전력 28
제4절 신경망 모델의 학습 방법 29
제5절 신경망 모델의 테스트 방법 31
제4장 성능 평가 34
제1절 PSNR 성능 비교 37
제2절 연산복잡도 39
제3절 주파수 효율, 공간 다중화율 및 송신전력 할당 비교 43
제4절 신경망 학습 단계별 확률분포 비교 44
제5장 결론 47
참고문헌 49
부록 51
국문초록 53
〈표 4-1〉 4,000개의 테스트 샘플에 대한 평균 PSNR 성능 (R={1,2,3,4}, C={1,4/3,2}) 38
〈표 4-2〉 제안한 신경망과 기준 알고리즘의 연산 복잡도 (a) 제안한 신경망에 대한 연산 복잡도 수식 40
〈그림 1-1〉 간섭이 있는 MIMO 채널에서의 프로그레시브 소스 전송. rij와 cij는 각각 i번째 링크의 j번째 패킷에 대한 주파수 효율...[이미지참조] 12
〈그림 2-1〉 프로그레시브 패킷의 차등 오류 보호 예시 15
〈그림 3-1〉 학습 단계에서의 신경망 구조 21
〈그림 3-2〉 서로 다른 프로그레시브 이미지의 왜곡-데이터율 특성 24
〈그림 3-3〉 제안한 신경망의 소프트맥스 함수 출력단 27
〈그림 3-4〉 테스트 단계에서의 신경망 구조 32
〈그림 4-1〉 송신기와 수신기의 분포 35
〈그림 4-2〉 연산 복잡도 비교 42
〈그림 4-3〉 테스트 샘플에 대한 결과 값 차이 비교 (왼쪽과 오른쪽 그림은 각각 첫번째 링크와 두번째 링크를 나타낸다.) 44
〈그림 4-4〉 학습 에폭에 따른 출력 확률분포 (L=4, M=16일 때 첫번째 링크의 패킷들의 주파수 효율과 공간 다중화... 46