위치 자유공간 광통신(Free space optical, FSO)은 위성과 지상국 간의 고속 데이터 전송 수요를 충족할 수 있는 잠재력을 지니고 있으나, 송신기와 수신기 사이의 정확한 정렬을 요구하여 가시선(line-of-sight) 채널 링크를 설정해야 한다. 본 논문에서는 위성 진동과 약한 대기 난류에 의해 영향을 받는 FSO 위성-지상 통신에서 빔 가리기(조준) 오차를 감소시키기 위한 기계 학습(ML) 기반 접근법을 제안한다. ML 모델은 폐루프(closed-loop) FSO 시스템에서 조준 오차 변위(p o inting error displacement)를 줄이는 데 핵심적인 역할을 하는 최적 이득(gain)을 도출하기 위해 사용된다. FSO 환경을 설계하기 위해서는 송신기 및 수신기의 제어 및 시스템 행렬(system matrix) 구성요소, 광 채널의 잡음 매개변수, 조사도(irradiance), 그리고 신호의 섬광 지수(scintillation index) 등 여러 시스템 모델 매개변수를 사용한다. 폐루프 시스템의 이득 행렬(gain matrix)을 예측하기 위해 트리 기반 알고리즘과 같은 ML 방법 및 1D 컨볼루션 신경망(1D convolutional neural network, Conv1D)을 적용한다. 실험 결과, Conv1D 모델은 다른 ML 방법들에 비해 이득 값 예측에서 우수한 성능을 보이며, 빔 위치가 수신기 개구부(receiver aperture) 중심에 유지되도록 도와 조준 오차를 최소화한다. 또한 Conv1D 모델을 기반으로 폐루프 시스템을 구성한 경우, 조준 오차 변위의 오차 분산(error variance)은 맑은 날씨와 약한 안개 상태에서 각각 0.012 및 0.015로 산출되었다. 더불어 본 연구는 폐루프 FSO 시스템에서 입력 특성의 영향을 분석하고, 약한 난류 조건에서 폐루프 구성의 조준 오차 성능을 기존의 개루프(open-loop) 구성과 비교한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.