[논문 리뷰] Artificial Neural Network Modeling for Path Loss Prediction in Urban Environments

Chanshin Park, Daniel K. Tettey외 1명|arXiv (Cornell University)|2019. 04. 04.

Millimeter-Wave Propagation and Modeling참고 문헌 12인용 수 9

한 줄 요약

이 논문은 3–6 GHz에서 도심 환경의 경로 손실 예측을 위한 인공 신경망(ANN) 기반 다차원 회귀 모델을 제안한다. 거리와 주파수를 입력으로 사용하며, 기존의 선형 로그-거리 모델보다 성능이 뛰어나 면적 B에서 최대 24.18% 낮은 RMSE를 기록한다. 특히 하이퍼볼릭 탄젠트 활성화 함수가 두 테스트 지역에서 가장 정확한 예측을 제공한다.

ABSTRACT

Although various linear log-distance path loss models have been developed, advanced models are requiring to more accurately and flexibly represent the path loss for complex environments such as the urban area. This letter proposes an artificial neural network (ANN) based multi-dimensional regression framework for path loss modeling in urban environments at 3 to 6 GHz frequency band. ANN is used to learn the path loss structure from the measured path loss data which is a function of distance and frequency. The effect of the network architecture parameter (activation function, the number of hidden layers and nodes) on the prediction accuracy are analyzed. We observe that the proposed model is more accurate and flexible compared to the conventional linear model.

연구 동기 및 목표

• 선형 모델이 실패하는 복잡한 도심 환경, 특히 짧은 거리에서의 경로 손실을 더 정확하고 유연하게 예측할 수 있는 모델을 개발하기 위해.
• 신경망 아키텍처, 특히 활성화 함수, 은닉층 및 뉴런 수가 경로 손실 예측 정확도에 미치는 영향을 조사하기 위해.
• 실제 도심 전파 데이터를 사용하여 다차원 ANN 회귀 모델의 성능을 기존의 선형 모델(예: 개선된 COST-231 Hata)과 비교하기 위해.
• 고층 건물 환경을 포함한 다양한 전파 특성을 가진 두 개의 도심 지역(A 및 B)에서 모델의 일반화 능력을 평가하기 위해.
• 도심 무선 채널 모델링에서 예측 오차를 최소화하는 최적의 하이퍼파rameter와 활성화 함수를 규명하기 위해.

제안 방법

• 대부분의 모델에서 단일 은닉층을 사용한 다층 퍼셉트론 신경망(MLP-NN)을 활용하였으며, 입력 특성은 거리와 주파수(D=2)이며, ReLU 기반 모델의 경우 최대 8개의 은닉층을 적용하였다.
• 세 가지 활성화 함수를 평가: ReLU(정수선형 단위), 로지스틱 시그모이드, 하이퍼볼릭 탄젠트. 각 함수는 은닉층에서 가중 입력을 변환하는 데 사용되었다.
• 평균 제곱오차(MSE) 손실 함수를 최소화하기 위해 고정된 하이퍼파rameter(학습률=0.001, 에포크 수=1000, 정밀도=0.00001)를 사용한 L-BFGS 최적화 알고리즘을 적용하였다.
• 17,728개의 샘플(면적 A: 11,100개, 면적 B: 8,864개)을 사용해 훈련하였으며, 일반화 능력 평가 및 과적합 방지를 위해 별도의 검증 및 테스트 세트를 활용하였다.
• 일반적인 근사 이론 원칙을 적용하여, 충분한 은닉 뉴런 수와 은닉층 수를 통해 복잡한 비선형 경로 손실 관계를 모델링할 수 있도록 하였다.
• 주로 RMSE를 성능 평가 지표로 사용하였으며, 다양한 주파수 대역(3.4, 5.3, 6.4 GHz) 및 전체 범위에서 결과를 보고하였다.

실험 결과

연구 질문

• RQ1 ANN 기반 다차원 회귀 모델은 도심 환경에서 기존의 선형 로그-거리 모델에 비해 경로 손실 예측 성능에서 어떻게 다른가?
• RQ2 다양한 활성화 함수(ReLU, 시그모이드, tanh)는 도심 무선 전파에서 경로 손실 예측 정확도와 안정성에 어떤 영향을 미치는가?
• RQ3 은닉층 수와 은닉 뉴런 수는 다양한 도심 전파 조건에서 ANN 모델의 예측 성능에 어떻게 영향을 미치는가?
• RQ4 고층 건물 등 복잡한 전파 효과가 있는 지역(예: 면적 B)에서는 단순한 환경(예: 면적 A)보다 ANN 모델이 더 높은 정확도를 보이는가?
• RQ5 3–6 GHz 도심 환경에서 경로 손실 예측의 RMSE를 최소화하는 데 가장 효과적인 활성화 함수와 네트워크 구성은 무엇인가?

주요 결과

• ANN 모델은 면적 A에서 기존 선형 모델 대비 7.74% 낮은 RMSE를 기록하였고, 면적 B에서는 21.70% 낮은 RMSE를 기록하여 두 도심 환경 모두에서 뛰어난 정확도를 입증하였다.
• 하이퍼볼릭 탄젠트 활성화 함수가 두 면적 모두에서 가장 낮은 RMSE를 기록하였으며, 모든 주파수 대역에서 ReLU 및 로지스틱 시그모이드보다 뛰어난 성능을 보였다.
• ReLU 모델의 경우 깊은 아키텍처(최대 8개의 은닉층)가 성능 향상에 기여하였고, 시그모이드 및 tanh 모델은 3개 이상의 은닉층을 초과하면 과소적합이 발생하였다.
• 은닉층당 뉴런 수를 40개 초과로 늘일수록 성능이 안정화되었으며, 모든 활성화 함수에 대해 40개의 뉴런을 최적의 기준으로 선정하였다.
• 면적 B(짧은 거리에서 경로 손실이 급격히 감소하는 환경)에서 ANN 모델은 비선형 도심 전파를 더 잘 모델링하여 뚜렷한 정확도 향상을 보였다.
• 높은 주파수 대역(5.3 및 6.4 GHz)에서 성능 향상이 더 두드러졌으며, 하이퍼볼릭 탄젠트 모델은 면적 B에서 RMSE를 24.18% 낮추어 고주파 도심 환경에서의 효과성을 입증하였다.