기계 학습 기반의 소프트 스위칭 하이브리드 FSO/RF 링크를 위한 적응형 변조 방식

하이브리드 자유 공간 광학(FSO) 및 무선 주파수(RF) 통신 시스템은 스펙트럼 활용 효율성과 고속 전송 간의 좋은 균형을 얻는 효과적인 방법으로 간주되어 왔다. FSO/RF 링크 간의 스위칭 및 비율 적응 문제를 처리하기 위해 인공지능(AI)을 활용한 본 논문에서는 기계 학습(ML) 알고리즘을 기반으로 한 변조 적응 메커니즘을 조사하였다. 다양한 환경, 특히 심각한 기상 조건에서의 서로 다른 변조 유형에 대한 하이브리드 링크 예산이 추정되었다. 다양한 차수의 PPM/PSK/QAM을 사용한 적응형 변조(AM) 방식에 대해서는 ML 기반의 랜덤 포레스트 알고리즘을 사용하여 하이브리드 FSO/RF 링크를 위한 비율 호환 소프트 스위칭 모델이 수립되었다. 주어진 목표 비트 오류율에 따라 이 모델은 지역 기상 기록의 훈련 데이터 세트에 대한 하이브리드 FSO/RF 시스템의 링크 예산 임계값을 분류하였다. 스위칭 및 변조 적응 정확성은 비 특히 비와 안개에 초점을 맞춘 시험 기상 데이터 세트에서 테스트되었다. 시뮬레이션 결과는 랜덤 포레스트 알고리즘에 기반한 제안된 적응형 변조 방식이 소프트 스위칭 하이브리드 FSO/RF 통신 링크에 대해 좋은 성능을 발휘할 수 있음을 보여준다.