본 논문에서는 실제 5G 네트워크 환경에서 DMRS 인덱스 분류를 위해 새로운 데이터 이미지화 기법을 제안하였다. 제안된 이미지화 기법은 신호가 갖고 있는 실수부와 허수부의 원래 값을 유지하면서 이 두 데이터로부터 얻은 진폭 값을 활용한다. 세 개의 데이터를 통해 기존 이미지에서 사용되던 RGB 색상 모델과 같은 구조를 형성한다. 분류 모델로는 이미지 분류 신경망 중 하나인 CNN을 활용하여 간단한 모델을 구성하였다. 데이터는 실제 5G 환경에서 수집된 데이터이며 이를 통해서 실제 시스템에서 적용 가능성 또한 확인할 수 있다. 제안된 이미지화 기법의 성능 비교를 위하여 기존 이미지화 기법인 GASF, GADF, MTF의 인덱스 분류 정확도, 이미지화 시간, 모델 학습 시간을 비교하였다. 제안된 이미지화 기법은 모든 SNR에서 최소 약 24% 이상의 높은 정확도를 보였다. 이미지화 시간 또한 같은 사이즈의 기존 이미지화 기법 중 두 개의 GAF가 약 1.5초, MTF가 약 95초에 전처리가 이루어지는 반면, 제안된 이미지화 기법이 약 0.7초로 더 빠른 전처리 속도를 보였다. 모델 학습 시간은 분류 정확도가 가장 잘 나오는 기존 이미지화 기법들이 약 212초에 학습을 완료하는 반면, 제안된 이미지화 기법은 약 133초로 더 빠른 학습 속도로 시간 효율성을 크게 향상시키며 높은 정확도를 유지하는 것을 확인하였다.
In this paper, we propose a new data imaging technique for DMRS(Demodulation Reference Signal) index classification in a real-world 5G network environment. The proposed imaging technique utilizes the amplitude values obtained from these two data while maintaining the original values of the In-phase and Quadrature-phase parts of the signal. This approach forms a structure similar to the RGB(Red-Green-Blue) color model used in conventional images, using these three pieces of data. As a classification model, a light-weight CNN(Convolutional Neural Network) model was constructed, which is a well-fitted neural network model for image processing. The data is collected in a real 5G environment to confirm the feasibility and applicability in the real 5G system. The performance of the proposed scheme is evaluated in terms of the index classification accuracy, the imaging time, and the model learning time while comparing with the benchmark methods in literature such as GASF(Gramian Angular Summation Field), GADF(Gramian Angular Difference Field), and MTF(Markov Transition Field). The proposed imaging technique showed a higher accuracy of at least 24% in all SNR(Signal-to-Noise Ratio) levels. in terms of imaging time, while the existing imaging methods of the same dimensions took around 1.5 seconds for two GAFs and approximately 95 seconds for MTF preprocessing, the proposed imaging technique demonstrated a faster preprocessing speed of about 0.7 seconds. Additionally, when considering model training time, the conventional imaging methods that achieved the best classification accuracy required approximately 212 seconds to complete training. On the other hand, the proposed imaging technique significantly improved time efficiency with a training time of approximately 133 seconds. This accelerated training speed led to a substantial enhancement in time efficiency while maintaining a high level of accuracy.