earticle

영어

This paper compares the classification performance of atmospheric turbulence channels based on convolutional neural networks(CNNs) in wireless optical communication systems employing different phase shift keying(PSK) modulation schemes. Atmospheric turbulence is one of the primary factors causing performance degradation in wireless optical communication systems, and it is classified into weak, moderate, and strong turbulence based on the intensity. This study focuses on classifying turbulence channels in PSK modulated wireless optical communication systems using a CNN model that takes constellation diagrams of received signals as input and compares the classification accuracy. Weak turbulence channels are modeled using both the Log-Normal(L-N) turbulence model and the Gamma-Gamma(G-G) turbulence model, while moderate and strong turbulence are modeled by adjusting the parameters of the G-G turbulence model. The CNN model is trained using data sets generated for each turbulence intensity. By comparing the classification accuracy of the proposed CNN model across various PSK modulation schemes, the study demonstrates that the constellation diagram-based CNN channel classification technique can be applied to PSK modulation schemes.

한국어

본 논문은 서로 다른 위상 천이 변조(phase shift keying, PSK) 방식을 사용하는 무선 광통신 시스템에서 합성곱 신경망(convolutional neural network, CNN)에 기반하여 대기 난류 채널의 분류 성능을 비교한다. 대기 난류 는 무선 광통신 시스템의 성능 저하를 야기하는 주요 요인 중 하나로, 난류 강도에 따라 약한 난류, 중간 난류, 강한 난류로 구분된다. 본 연구는 PSK 변조 방식을 적용한 무선 광통신 시스템을 대상으로, 수신 신호의 성상도 (constellation diagram)를 입력으로 하는 CNN 모델을 이용하여 난류 채널을 분류하고, 분류 정확도를 비교한 다. 약한 난류 채널을 Log-Normal(L-N) 난류 모델과 Gamma-Gamma(G-G) 난류 모델로 모델링하였으며, 중 간 난류와 강한 난류는 G-G 난류모델로부터 파라미터를 조절하여 모델링한다. 각 난류 강도에 따른 데이터셋을 생 성하여 CNN 모델을 학습하였다. PSK 변조 방식들에 대해 제안된 CNN 모델의 분류 정확도를 비교함으로써, 성 상도 기반 CNN 채널 분류 기법이 PSK 변조 방식에 적용 가능함을 보여준다.