템포럴 코딩과 레이트 코딩을 이용한 Spiking Neural Network의 RF 신호 탐지 및 분류 성능 분석 (Performance Analysis of RF Signal Detection and Classification with Spiking Neural Network Using Rate Coding and Temporal Coding)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 48권 / 2호 / 162 ~ 171페이지
· 저자명 : 이현종, 임재한

초록

Spiking Neural Networks (SNNs)는 3세대 인공신경망으로 많은 연구자들의 주목을 받고 있다. SNN은 정보를처리하기 위해 이산적인 스파이크와 막 전위가 임계치를 넘어야 정보를 전달하는 스파이킹 뉴런을 사용한다. 이로인해 SNN은 다른 인공신경망들보다 에너지 효율성이 더 좋으며 순차적 데이터에 처리에 좋은 성능을 보인다고알려져 있다. 하지만 현재 SNN의 응용 분야는 기존 인공신경망들이 자주 응용되는 분야인 이미지 분석에 국한되어 있으며 다른 응용 분야에서는 널리 쓰이지 못하고 있다. 따라서 본 논문에서는 SNN을 Radio Frequency (RF) 신호 탐지 및 분류에 사용하여 그 성능을 측정했다. 또한, RF 신호 스파이크 변환 인코딩에 레이트 코딩과 템포럴 코딩을 적용해서 각 코딩 방식의 성능과 계산 복잡도를 측정하여 Signal-to-Noise Ratio (SNR)에 따른 효율적인 신호 인코딩 방식을 제안한다.

영어초록

Spiking Neural Networks (SNNs) are the third generation of neural networks and attract many researchers’ attention currently. SNN uses discrete spikes and spiking neurons that deliver information when their membrane potentials reach threshold to process data. Due to this, SNN is more energy efficient than other neural networks and is known to have good performance with processing sequential data. However, SNN has been confined to image analysis like other neural networks and it is not being used in other applications. Therefore, in this paper, we propose to use SNN for detecting and classifying Radio Frequency (RF) signals and measure its performance. Furthermore, we apply rate encoding and temporal encoding for translating RF signals into spikes. We measure performance and computational complexity of each encoding scheme and propose efficient encoding scheme according to Signal-to-Noise Ratio (SNR).

참고자료

· 없음