DF 릴레이 선택 최적 임계값 예측을 위한 인공신경망 기반 접근

초록

본 논문은 디코드‑앤‑포워드(DF) 릴레이 선택 시스템에서 최적 임계값을 예측하기 위해 다층 퍼셉트론(MLP)과 방사형 기저 함수(RBF) 신경망을 적용한다. 평균 링크 품질과 릴레이 수를 입력으로 사용해 학습한 ANN은 수치적으로 도출된 최적 임계값과 거의 일치하는 결과를 보이며, MLP가 동일 은닉 뉴런 수에서 RBF보다 낮은 MSE를 달성한다. 최적 임계값 적용 시 BER이 최소화되고 동일 BER 목표에서 약 2 dB의 전력 절감 효과가 확인되었다.

상세 분석

본 연구는 DF 협업 통신에서 릴레이가 전송 여부를 결정하는 임계값(γth)의 최적화를 문제화하고, 이를 전통적인 수치 최적화 대신 인공신경망(ANN)으로 대체한다는 점에서 혁신적이다. 입력 변수로는 소스‑릴레이, 릴레이‑목적지, 소스‑목적지 평균 SNR(γSR, γRD, γSD)과 릴레이 개수(M)를 사용했으며, 모든 변수는 정규화 과정을 거쳐 ANN에 제공된다. MLP와 RBF 두 모델을 동일한 은닉 뉴런 수(12개)와 동일 학습 데이터(12,500 샘플)로 학습시켰으며, MLP는 Levenberg‑Marquardt 역전파 알고리즘을, RBF는 가우시안 커널과 스프레드 0.8을 적용했다. 학습 결과 MLP는 은닉 뉴런 수가 12개일 때 MSE 8.59 × 10⁻⁶을 기록, RBF는 최적 스프레드에서도 MSE가 2.45 × 10⁻⁴에 머물러 MLP가 우수함을 입증한다. 테스트 단계에서는 10개의 무작위 샘플에 대해 ANN 출력과 수치 최적값을 비교했으며, MLP의 평균 절대 오차(MAE)는 0.0024, 결정계수(R²)는 0.9997로 거의 완벽한 근사성을 보였다. 이러한 결과는 임계값이 릴레이 수와 SNR에 따라 증가한다는 기존 이론과 일치하며, ANN이 복잡한 비선형 관계를 효과적으로 학습함을 시사한다. 또한, 최적 임계값 적용 시 BER이 최소화되고 동일 BER 목표에서 전력 소비가 2 dB 감소하는 ‘그린 통신’ 효과가 강조된다. 한계점으로는 학습 데이터 생성에 의존하는 비용, 채널 모델이 레일리 페이딩에 국한된 점, 그리고 실제 시스템에서 실시간 ANN 추론 비용에 대한 논의가 부족한 점을 들 수 있다. 향후 연구는 다양한 페이딩 모델, 다중 안테나 환경, 그리고 경량화된 딥러닝 모델을 적용해 실시간 적용성을 검증하는 방향으로 확장될 필요가 있다.