대역폭 제한 보상을 위한 변형 매칭 필터와 머신러닝

초록

**
본 논문은 자유공간 광통신에서 대역폭 제한으로 인한 CAP 신호의 펄스 왜곡을 보정하기 위해, 16개의 물리 기반 특징을 입력으로 하는 소형 완전 연결 신경망이 기존의 이론적 매칭 필터에 잔여 변형을 학습하도록 설계한 변형 매칭 필터 프레임워크를 제안한다. 실험 결과, 제안 방식은 전통적인 고정 매칭 필터에 비해 EVM을 크게 개선하면서 결정 피드백이나 추가 지연을 요구하지 않는다.

**

상세 분석

**
이 연구는 자유공간 광통신(FSO)에서 CAP(Carrier‑Less Amplitude and Phase) 변조 방식을 사용할 때, 채널 대역폭 제한이 펄스 형태를 왜곡시켜 매칭 필터와의 불일치를 초래한다는 문제에 주목한다. 기존 접근법은 전통적인 고정 매칭 필터를 그대로 사용하거나, 심층 신경망을 심볼 수준에서 직접 복구하는 방식이었지만, 전자는 동적 채널 변동에 취약하고 후자는 심볼 결정 피드백을 필요로 하여 지연과 오류 전파 위험이 있다.

논문은 이러한 한계를 극복하기 위해 두 단계의 하이브리드 설계를 제안한다. 첫 번째 단계는 수신된 파형에서 물리적으로 의미 있는 16개의 특징을 추출한다. 여기에는 시간 영역의 RMS, 분산, 왜도, 초과첨도, 평균 엔벨로프값 등 5가지 통계량, 주파수 영역의 스펙트럼 스프레드, 롤‑오프, 플랫니스, 엔트로피, 3 dB 대역폭 등 6가지 특성, 그리고 PAPR, 피크 전력, 두 개의 자동상관값, 엔벨로프 크레스트 팩터 등 5가지 신호 품질 지표가 포함된다. 이러한 특징은 대역폭 제한에 의해 발생하는 고주파 감쇠, 펄스 확산, 비선형 클리핑 등을 효과적으로 포착한다.

두 번째 단계에서는 16‑차원 특징 벡터를 입력으로 하는 두 층 완전 연결 신경망을 설계한다. 은닉층 뉴런 수는 필터 길이 L(=192) 에 대해 2·⌈log₂L⌉=256 로 설정되어, 하드웨어 구현에 유리한 2의 거듭 제곱 구조를 유지한다. 출력은 실수와 허수 부분을 각각 L개씩 제공하여, 기존 매칭 필터 p