KR102204783B1

KR102204783B1 - 딥러닝 기반의 빔포밍 통신 시스템 및 방법

Info

Publication number: KR102204783B1
Application number: KR1020200084794A
Authority: KR
Inventors: 문상미; 김현성; 황인태
Original assignee: 전남대학교산학협력단
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2021-01-18
Also published as: US20220014933A1; US11304063B2

Abstract

본 발명은 밀리미터파 통신을 이용한 실내 환경에서의 딥러닝 기반의 빔포밍 통신 시스템 및 방법에 관한 것으로, 기지국에서 적어도 하나의 사용자 단말로 전송한 기준신호에 대한 응답으로 각각의 사용자 단말로부터 사용자 단말의 위치 별 기준신호수신전력 및 위치 정보를 수신하여 핑거프린팅 DB를 구축하고, 구축된 핑거프린팅 데이터에서 사용자 단말의 위치 별 기준신호수신전력을 기반으로 사용자 모델 및 기지국과 사용자 단말 사이에 위치한 각 장애물에 따른 기준신호수신전력을 기반으로 장애물 모델을 구축한다. 적어도 하나의 사용자 단말로부터 위치 정보와 데이터 트래픽을 수신하여 수신된 데이터 트래픽에 대응하는 사용자 단말의 빔 인덱스를 심층신경망으로부터 도출 및 도출된 빔 인덱스로 기지국과 사용자 간의 통신 채널을 형성하여 실내 통신 환경에서 신뢰도 및 데이터 전송률을 향상시킨다.

Description

딥러닝 기반의 빔포밍 통신 시스템 및 방법 {DEEP LEARNING-BASED BEAMFORMING COMMUNICATION SYSTEM AND METHOD}

본 발명은 딥러닝 기반의 빔포밍 통신 시스템 및 방법에 관한 것으로, 보다 상세하세는 실내 환경에서 딥러닝 기반으로 추정된 사용자 위치에 따른 최적의 빔 인덱스를 검색 및 도출함에 따라, 통신 채널의 신뢰성 및 데이터 전송율을 향상시킬 수 있도록 한 기술에 관한 것이다.

밀리미터파 통신은 특정 기능을 수행할 수 있는 주파수의 범위 즉, 넓은 대역폭으로 차세대 무선 통신을 위한 높은 데이터 속도를 지원하는 유망기술 중 하나이다.

밀리미터파 통신은 다수의 송수신 안테나를 작은 공간에 집적시킬 수 있어 수십 내지 수백개의 송신 및 수신 안테나를 통해 전송용량과 전송속도를 증가시키는 대규모 MIMO(Multiple-Input Multiple-Output) 시스템에 적합하다.

또한 대규모 MIMO 시스템은 데이터 전송 속도와 링크 신뢰성을 효과적으로 향상시킬 수 있으며 에너지 효율과 스펙트럼 효율을 각각 3배 및 1~2 배로 향상시킬 수 있다. 밀리미터파와 대규모 MIMO를 함께 사용하면 각각의 단점을 효과적으로 극복하고 장점을 충분히 활용할 수 있다.

그러나, 밀리미터파는 높은 주파수로 인한 짧은 파장 때문에 신호의 감쇄 및 전달 거리 감소와 같은 단점이 존재한다. 이러한 문제를 해결하기 위해 고지향성 빔포밍(Beamforming) 기술을 적용하여 밀리미터파 대역에서의 큰 경로 손실을 극복하기 위한 많은 연구가 진행되고 있다.

고지향성 빔포밍은 밀리미터파 통신의 커버리지를 향상시킬 수 있지만 좁은 빔과 장애물에 의한 신호의 민감성은 밀리미터파 통신의 커버리지 및 신뢰성에 큰 영향을 준다.

밀리미터파 통신 채널을 형성하는 데 사용되는 좁은 빔은 인체 및 주변 장애물에 의해 LOS (Line of sight)링크는 차단되기 쉬우며, 인체에 의한 밀리미터파 링크는 30 dB 감쇠를 겪는다. 결과적으로 이러한 급격한 전력 감쇠는 다중 기가비트(GB) 밀리미터파 채널에서 많은 양의 데이터 손실을 야기 할 수 있다.

본 발명은 적어도 하나의 사용자 단말 및 장애물이 존재하는 실내 환경에서 기지국과 사용자 단말 간의 기준신호수신전력(Reference Signal Received Power; RSRP)의 소규모 페이딩이 최대인 빔 인덱스 및 사용자 위치 정보로 핑거프린팅 데이터를 구축하고, 구축된 핑거프린팅 데이터를 통해 사용자 및 장애물 모델을 구축하며, 사용자 위치 및 데이터 트래픽에 대하여 심층신경망이 구축된 사용자 및 장애물 모델을 기반으로 최적의 빔 인덱스를 도출하여 도출된 최적의 빔 인덱스로 기지국과 사용자 단말 간의 통신 채널을 형성하는 딥러닝 기반의 빔포밍 통신 시스템 및 방법을 제공하는 데 그 목적이 있다.

본 발명의 일 측면에 따른 딥러닝 기반의 빔포밍 통신 시스템은 기지국;과 실내의 소정 위치에 복수개 설치되어 상기 기지국과 통신하는 소형 기지국; 및 상기 소형 기지국과 통신하는 적어도 하나의 사용자 단말을 포함할 수 있다.

상기 기지국은, 상기 소형 기지국을 경유하여 상기 적어도 하나의 사용자 단말로 전달된 기지국의 기준 신호에 대한 응답으로 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 상기 소형 기지국을 경유하여 수신하는 통신부; 상기 통신부로 수신된 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 기반으로 핑거프린팅 데이터를 구축하는 핑거프린팅 DB 구축부; 상기 핑거프린팅 데이터에서 도출된 사용자 단말의 위치 별 빔 인덱스를 기반으로 모델을 구축하는 사용자 모델 구축부; 및 심층신경망으로부터 위치 별 수신전력의 세기가 최대인 빔 인덱스를 도출하는 최적 빔 인덱스 도출부를 포함할 수 있다.

바람직하게는, 상기 기지국은, 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물에 따라 변동된 기준신호수신전력을 기반으로 장애물 모델을 구축하는 장애물 모델 구축부를 더 포함할 수 있다.

바람직하게는, 상기 기준신호는 상기 기지국에서 완전탐색을 통해 검색된 상기 적어도 하나의 사용자 단말로 주기적으로 전송되고, 빔포밍 벡터를 기준으로 전송될 수 있다.

바람직하게는, 상기 빔포밍 벡터는 기 설정된 코드북의 코드워드에서 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔일 수 있다.

바람직하게는, 상기 기준신호수신전력은 기지국에서 전송한 기준신호를 적어도 하나의 사용자 단말에서 수신 및 측정하여 도출된 수신 신호의 세기일 수 있다.

바람직하게는, 상기 통신부는 상기 적어도 하나의 사용자 단말로부터 위치 정보와 데이터 트래픽을 수신하여 각각의 사용자 단말의 위치에 해당하는 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스 정보를 최적 빔 인덱스 도출부로 요청할 수 있다.

바람직하게는, 상기 통신부는 상기 최적 빔 인덱스 도출부에서 도출된 빔 인덱스를 기반으로 상기 기지국과 상기 적어도 하나의 사용자 단말 간의 통신 채널을 형성할 수 있다.

바람직하게는, 상기 핑거프린팅 DB 구축부는 상기 통신부로 수신된 적어도 하나의 사용자 단말의 기준신호수신전력과 위치 정보를 기반으로 핑거프린팅 데이터를 구축할 수 있다.

바람직하게는, 상기 사용자 모델 구축부는 구축된 핑거프린팅 데이터에서 각각의 사용자 단말의 위치 별 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 기반으로 사용자 모델을 구축할 수 있다.

바람직하게는, 상기 최적 빔 인덱스 도출부는 수신된 상기 적어도 하나의 사용자 단말의 위치 정보와 데이터 트래픽을 심층신경망의 입력으로 사용하여 구축된 사용자 및 장애물 모델을 기반으로 데이터 트래픽에 대응하는 사용자 단말의 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔을 도출할 수 있다.

바람직하게는, 상기 장애물 모델 구축부는 구축된 핑거프린팅 데이터에서 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물의 방위 및 고도각으로 발생된 빔 확산 각도를 도출하고 각 클러스터 별로 연산된 기준신호수신전력의 소규모 페이딩의 손실에 따라 변동된 기준신호수신전력을 기반으로 구축할 수 있다.

기지국, 복수의 소형 기지국, 및 적어도 하나의 사용자 단말을 포함하는 빔포밍 통신 시스템에서 딥러닝 기반으로 최적의 빔 인덱스를 도출하는 딥러닝 기반의 빔포밍 통신 방법에 있어서, 상기 기지국은, 상기 소형 기지국을 경유하여 상기 적어도 하나의 사용자 단말로 전달된 기지국의 기준 신호에 대한 응답으로 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 상기 소형 기지국을 경유하여 수신하는 통신 단계; 수신된 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 기반으로 핑거프린팅 데이터를 구축하는 핑거프린팅 DB 구축 단계; 상기 핑거프린팅 데이터에서 도출된 사용자 단말의 위치 별 빔 인덱스를 기반으로 모델을 구축하는 사용자 모델 구축 단계; 및 심층신경망으로부터 위치 별 수신전력의 세기가 최대인 빔 인덱스를 도출하는 최적 빔 인덱스 도출 단계를 포함할 수 있다.

바람직하게는, 상기 기지국은, 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물에 따라 변동된 기준신호수신전력을 기반으로 장애물 모델을 구축하는 장애물 모델 구축 단계를 더 포함할 수 있다.

바람직하게는, 상기 빔포밍 벡터는 기 설정된 코드북의 코드워드에서 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔인 것일 수 있다.

바람직하게는, 상기 통신 단계는 상기 적어도 하나의 사용자 단말로부터 위치 정보와 데이터 트래픽을 수신하여 각각의 사용자 단말의 위치에 해당하는 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스 정보를 최적 빔 인덱스 도출부로 요청할 수 있다.

바람직하게는, 상기 통신 단계는 상기 최적 빔 인덱스 도출 단계에서 도출된 빔 인덱스를 기반으로 상기 기지국과 상기 적어도 하나의 사용자 단말 간의 통신 채널을 형성할 수 있다.

바람직하게는, 상기 핑거프린팅 DB 구축 단계는 상기 통신부로 수신된 적어도 하나의 사용자 단말의 기준신호수신전력과 위치 정보를 기반으로 핑거프린팅 데이터를 구축할 수 있다.

바람직하게는, 상기 사용자 모델 구축 단계는 구축된 핑거프린팅 데이터에서 각각의 사용자 단말의 위치 별 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 기반으로 사용자 모델을 구축할 수 있다.

바람직하게는, 상기 최적 빔 인덱스 도출 단계는 수신된 상기 적어도 하나의 사용자 단말의 위치 정보와 데이터 트래픽을 심층신경망의 입력으로 사용하여 구축된 사용자 및 장애물 모델을 기반으로 데이터 트래픽에 대응하는 사용자 단말의 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔을 도출할 수 있다.

바람직하게는, 상기 장애물 모델 구축 단계는 구축된 핑거프린팅 데이터에서 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물의 방위 및 고도각으로 발생된 빔 확산 각도를 도출하고 각 클러스터 별로 연산된 기준신호수신전력의 소규모 페이딩의 손실에 따라 변동된 기준신호수신전력을 기반으로 구축될 수 있다.

본 발명에 따르면, 실내 환경에서 기지국과 사용자 단말 간의 기준신호수신전력(Reference Signal Received Power; RSRP)을 기반으로 사용자 단말 위치 별 빔 인덱스로 핑거프린트 데이터를 구축하고, 구축된 핑거프린팅 데이터를 기반으로 사용자 및 장애물 모델을 구축하여 심층신경망이 사용자 단말의 위치 및 데이터 트래픽에 대해 구축된 사용자 및 장애물 모델로부터 빔 인덱스를 도출하며, 도출된 빔 인덱스로 기지국과 사용자 단말 간의 통신을 수행하여 이동 통신 환경에서 장애물에 따른 경로 손실을 최소화 하여 높은 신뢰도 및 데이터 전송률을 가질 수 있다는 이점이 있다.

도 1은 본 발명의 일 실시 예에 따른 실내환경에서 소형 기지국의 설치 위치 및 사용자와 기지국 간의 빔포밍 통신 환경을 나타낸 도이다.
도 2는 본 발명의 일 실시 예에 따른 딥러닝 기반의 빔포밍 통신 시스템 장치의 구성도이다.
도 3은 본 발명의 일 실시 예에 따른 핑거프린팅 DB 구축부의 세부구성도이다.
도 4는 본 발명의 일 실시 예에 따른 사용자 모델 구축부의 세부구성도이다.
도 5는 본 발명의 일 실시 예에 따른 장애물 모델 구축부의 세부구성도이다.
도 6는 본 발명의 일 실시 예에 따른 딥러닝 기반의 빔포밍 통신 방법에서 최적 빔 도출 과정을 도시한 순서도이다.
도 7는 본 발명의 일 실시 예에 따른 장애물 및 비장애물 시나리오에서의 기준신호수신전력의 소규모 페이딩 누적 분포 함수를 비교한 그래프이다.
도 8는 본 발명의 일 실시 예에 따른 자체 및 비자체 장애물이 적용된 기준신호수신전력의 소규모 페이딩 누적 분포 함수를 비교한 그래프이다.
도 9는 본 발명의 일 실시 예에 따른 다양한 크기의 훈련 세트에 대한 Top-1 및 Top-3 빔 예측 정확도를 비교한 그래프이다.
도 10는 본 발명의 일 실시 예에 따른 스펙트럼 효율의 CDF를 나타낸 그래프이다.
도 11는 본 발명의 일 실시 예에 따른 딥러닝 기반의 빔포밍 통신 시스템 및 방법의 정확도를 나타낸 그래프이다.

이하에서는 본 발명에 따른 딥러닝 기반의 빔포밍 통신 시스템 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해 질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.

도 1은 본 발명의 일 실시 예에 따른 실내환경에서 소형 기지국의 설치 위치 및 사용자와 기지국 간의 빔포밍 통신 환경을 나타낸 도이다.

도 1에 나타낸 바와 같이, 실내 환경의 빔포밍 통신 시스템은 하나의 기지국(100)과 실내구조에 구비된 3개의 섹터로 구성된

개의 소형 기지국(200)의 밀리미터파 대용량 MIMO(Multi-input Multi-output)를 포함할 수 있다. 따라서, 네트워크 전체 섹터의 수는

일 수 있다.

각 소형 기지국(200)은 하나의 단일 안테나 사용자(300)와 통신하며,

개의 UPA(Uniform Antenna Array)로 구성될 수 있다.

또한, 각 소형 기지국(200)은 하나의 RF 체인을 가질 수 있으며, 하향링크 전송 시 위상 천이기를 통해 아날로그 빔포밍이 적용될 수 있다. 하향링크 전송에서, 임의의 소형 기지국(200)의 전송 심볼 벡터

은 다음 수학식으로 표현될 수 있다.

[수학식 1]

수학식 1에서,

과

은 임의의 소형 기지국의 아날로그 빔포밍 벡터와 데이터 심볼이다. 임의의 소형 기지국(200) m으로부터 서비스되는 사용자(300)의 수신신호

는 원하는 신호와 인접 기지국 i로부터 간섭 신호로 표현되면 하기 수학식으로 표현될 수 있다.

[수학식 2]

수학식 2에서,

는 소형 기지국(200) i와 사용자(300) 사이의 밀리미터파 채널 벡터이고,

은 평균이 0이고 분산이

인 수신 잡음이다.

통신표준규약에 의해 정해진 송신 안테나 포트

에서 기준신호수신전력(Reference Signal Received Power)는 다음 수학식과 같이 계산될 수 있다.

[수학식 3]

수학식 3에서,

과

는 각각 대규모 페이딩으로 인한 경로 손실과 쉐도잉,

와

는 각각 LOS와 NLOS(Non-LOS)의 빔포밍을 포함한 소규모 페이딩 채널 계수이고,

는 수신단에서 안테나 요소의 수,

는 기지국의 전송 파워이다.

각 소형 기지국(200)은 DFT(Discrete Fourier Transform) 기반 코드북을 적용하여 빔포밍을 수행한다. DFT 코드북은 3GPP LTE(Long-Term Evolution) 및 NR(New Radio)에서 광범위하게 사용된다.

개의 안테나 요소를 갖는 ULA(Uniform Linear Array)인 경우, DFT 코드북이

번째 빔포밍 벡터는 다음 수학식으로 표현될 수 있다.

[수학식 4]

수학식 4에서,

이고

는 오버 샘플링 계수를 나타낸다. UPA인 경우, 각각의 수평 및 수직 도메인에서 1D 빔포밍 벡터의 크로네커 곱을 사용하여 빔포밍 벡터를 다음 계산식으로 나타낼 수 있다.

[수학식 5]

수학식 5에서,

,

이고

은 크로네커 곱이다.

각 소형 기지국(200)은 완전탐색(exhaustive search)을 통해 다음과 같이 코드북의 코드워드

에서 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔을 빔포밍 벡터로 선택 할 수 있다.

[수학식 6]

각 소형 기지국(200)과 사용자 단말(300) 사이의 채널은 3GPP SCM을 따르며, 이는 대규모 페이딩, 소규모 페이딩 및 각 레이(ray) 사이의 공간 상관을 고려한 레이 기반 채널 모델이다. S-V(Saleh-Valenzuela) 채널 모델과 같이 일반적으로 사용되는 다른 전파 채널 모델과 비교할 때 3GPP SCM은 각 경로가 고유한 특성을 가진 여러 개의 ray로 구성되므로 보다 현실적이지만 복잡하다.

3GPP 채널의 구성은 상위 레벨 파라미터, 대규모 파라미터 및 소규모 파라미터 설정인 3단계로 구성될 수 있다.

채널 모델링 절차는 3GPP Specification 38.901에 자세히 설명되어 있으므로 본 발명에서 자세한 설명은 생략한다.

본 발명에서는 채널 파라미터를 결정하기 위해 InH 시나리오를 고려하였으며, 대규모 페이딩 파라미터는 아래 표 1과 같이 요약할 수 있다. 또한, 쉐도우 페이딩의 분포는 로그 정규이다.

InH 시나리오에서 경로 손실 및 쉐도우 페이딩 모델

LOS/NLOS	Path loss [dB]	Shadow fading [dB]
LOS
NLOS

는 주파수이다, d는 소형 기지국(200)과 사용자 단말(300) 간의 거리이다.

소규모 페이딩의 경우, 시간 t 및 지연

에 해당하는 수신 (

) 및 송신 (

) 안테나 사이의 채널 임펄스 응답은 다음 수학식으로 표현될 수 있다.

[수학식 7]

수학식 7에서,

는 지연 확산이며

은 Rician 요소이고,

및

는 각각 NLOS 및 LOS 채널 계수를 나타낸다.

도 2는 본 발명의 일 실시 예에 따른 딥러닝 기반의 빔포밍 통신 시스템 장치의 구성도이다.

도 2에서 도시한 바와 같이, 딥러닝 기반의 빔포밍 통신 시스템은 통신부(110), 핑거프린팅 DB 구축부(120) 및 사용자 모델 구축부(130) 및 최적 빔 인덱스 도출부(150)를 포함할 수 있고, 장애물 모델 구축부(140)를 더 포함할 수 있다.

통신부(110)는 기지국에서 적어도 하나의 사용자 단말로 전송한 기준신호에 대한 응답으로 각각의 사용자 단말로부터 기준신호수신전력 및 위치 정보를 수신하여 핑거프린팅 DB 구축부(120)로 전송한다.

이 때, 핑거프린팅 데이터를 구축하기 위해 기지국(100)은 완전탐색(Exhustive Search) 기반 빔 스위핑을 수행할 수 있으며, DFT 기반 코드북을 통해 기준 신호(Reference Signal, RS)를 소형 기지국을 경유하여 사용자 단말(300)로 주기적으로 전송할 수 있다.

사용자 단말(300)은 기지국으로부터 전송된 기준 신호를 수신 및 측정하여 수신되었을 때의 전력인 기준신호수신전력을 도출할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 핑거프린팅 DB 구축부의 세부구성도이다.

도 3에 도시된 바와 같이, 핑거프린팅 구축부(120)는 수신된 각각의 사용자 단말의 기준신호수신전력 및 위치 정보를 빔 인덱스 저장 모듈(121) 및 사용자 위치 정보 저장 모듈(122)에 저장한다. 이 때, 사용자 단말의 위치 정보는 내장된 GPS(Global Positioning System) 또는 네트워크 포지셔닝 시스템으로 사용자의 위치 정보를 쉽게 알 수 있다.

또한, 핑거프린팅 DB 구축부(120)는 빔 인덱스 저장 모듈(121) 및 사용자 위치 정보 저장 모듈(122)에 저장된 각각의 사용자 단말의 위치 별 기준신호수신전력을 기반으로 핑거프린팅 데이터를 생성할 수 있다.

핑거프린팅 DB 구축부(120)는 구축된 핑거프린팅 데이터를 사용자 모델 구축부(130)로 전송할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 사용자 모델 구축부의 세부구성도이다.

도 4에 도시된 바와 같이, 사용자 모델 구축부(130)는 제 1 핑거프린팅 DB 수신 모듈(131)과 제 1 최적 빔 설정 모듈(132)을 포함할 수 있다.

사용자 모델 구축부(130)는 핑거프린팅 DB 구축부(120)로부터 핑거프린팅 데이터를 제 1 핑거프린팅 DB 수신 모듈(131)로 전달받아 핑거프린팅 데이터로부터 각각의 사용자 위치 별 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 제 1 최적 빔 인덱스 설정모듈(132)에서 설정할 수 있다.

이 때, 기준신호수신전력은 실내 환경에서 사용자 단말의 위치, 데이터 트래픽 및 장애물 상태에 따라 다를 수 있다. 즉, 사용자의 위치에 따른 데이터 트래픽 및 장애물 상태에 따라 다르며, 시간에 따라 다를 수 있다.

3GPP 표준화는 확률 모델(Stochastic Model)과 기하학적 모델(Geometric Model) 두 가지 장애물 모델을 정의할 수 있다.

확률 모델(stochastic model)은 각 사용자 단말(300) 주위에 무작위로 위치한 2D 장애물을 구성할 수 있다.

장애물은 고도 및 방위각과 각도 스팬(span)으로 정의될 수 있고, 장애물 영향은 장애물에 종속된 각 다중 경로 클러스터의 감쇠에 따라 결정될 수 있다.

기하학적 모델(geometric model)은 3D 직사각형 모양의 장애물을 정의할 수 있고, 각각의 서브-패스(sub-path)의 감쇠는 나이프 엣지 회절 모델(knife edge diffraction model)에 의해 결정될 수 있다.

확률 모델은 장애물의 2D 장애물 영역으로 모방하여 모델링 복잡성을 줄이는 것을 목표로 한다.

반면에, 기하학적 모델은 장애물의 크기와 각 하위 경로가 장애물에 의해 어떻게 감쇠되는지에 대한 자세한 사항을 고려한다. 따라서 본 발명에서는 일반적이고 계산 효율을 높이기 위해 확률 모델을 적용할 수 있다.

3GPP 확률적 장애물 모델에서는 자체(Self) 장애물과 비자체(Non-self) 장애물 모두 고려될 수 있다.

자체 장애물은 가로 모드(Portrait)와 세로 모드(Landscape)가 있으며, 사람의 특정 제스처로 휴대폰을 잡고 있을 때 인체에 의해 야기될 수 있고, 사용자 주위의 로컬 좌표 시스템에서 장애물 영역은 방위 및 고도각에서 장애물의 중심각(

)과 각도 확산(

)으로 표현될 수 있다.

비자체 장애물은 사람 및 차량 장애물과 같이 주변 장애물에 의해 야기될 수 있으나, InH 시나리오에서는 사람에 의한 장애물만 고려한다.

글로벌 좌표계에서 장애물의 방위각은 [

] 범위에서 균일하게 분포하며, 고도 각도는

에 고정 된다고 가정한다. 비자체 장애물 수 K=4로 가정하며, 이는 특정 시나리오 (예: 높은 장애물 밀도)에서 변경 될 수 있다. 또한 각도 확산은 방위 및 고도각에서 각각 [

]와 [

]에서 균일하다고 가정한다. 자체 및 지자체 장애물의 주요 파라미터는 표 2와 같다.

3GPP 장애물 모델

장애물	자체 장애물 (k=0)		비자체 장애물 (k=1,2,3,4)
장애물	가로 모드	세로 모드	비자체 장애물 (k=1,2,3,4)
좌표 시스템	Local	Local	Global
	260	40	Uni. in[ ]
	120	160	Uni. in[ ]
	100	110
	80	75	Uni. in[ ]
감쇠	30	30	Max. 20

본 발명에서의 장애물 각도는 방위 및 고도각에서 각각

및

이다.

도 5는 본 발명의 일 실시 예에 따른 장애물 모델 구축부의 세부구성도이다.

도 5에 도시된 바와 같이, 장애물 모델 구축부(140)는 제 2 핑거프린팅 DB 수신 모듈(141), 장애물 상태 판단 모듈(142) 및 제 2 최적 빔 설정 모듈(143)을 포함할 수 있다.

장애물 모델 구축부(140)는 핑거프린팅 DB 구축부(120)로부터 핑거프린팅 데이터를 제 2 핑거프린팅 DB 수신 모듈(141)로 전달받고, 장애물 상태 판단 모듈(142)에서 수신된 핑거프린팅 데이터를 기반으로 기지국(100)과 사용자 단말 사이에 위치한 각 장애물의 방위 및 고도각으로 발생된 빔 확산 각도를 도출하여 각 클러스터 별로 연산된 기준신호수신전력의 소규모 페이딩의 손실에 따라 장애물 상태를 판단 할 수 있다.

이 때, 자체 장애물에 의한 손실은 각 클러스터마다 -30 dB의 감쇠가 발생할 수 있고, 비자체 장애물에 의한 감쇠는 다음 수학식으로 표현될 수 있다.

[수학식 8]

수학식 8에서,

는 다음 수학식으로 표현될 수 있다.

[수학식 9]

수학식 9에서,

는 파장, r 은 사용자 단말(300)과 장애물 사이의 거리이고,

는 각각 방위각(A)과 고도각(Z)이다.

대부분의 기존 연구에서는 장애물이 LOS 경로에 있을 때, 링크가 차단되고 차단된 링크는 NLOS인 것으로 가정하지만 실제로 장애물은 다중 경로 구성 요소의 일부만을 차단할 수 있고 직접 경로는 반드시 차단 될 필요는 없다.

하지만, 각 다중 경로 구성 요소의 정확한 전파 궤적을 추적하는 것은 계산 비용이 많이 들기 때문에 3GPP 확률적 장애물 모델은 모델링 복잡성과 정확성 사이의 적절한 균형을 유지한다.

제 2 최적 빔 설정 모듈(143)은 장애물 상태 판단 모듈(142)에서 장애물에 의한 기준신호수신전력이 사용자 모델 구축부(130)에 구축된 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스보다 감소된 형태로 나타나면 해당 사용자 단말의 위치에서 장애물을 고려한 변동된 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 최적의 빔 인덱스로 설정할 수 있다.

통신부(110)는 적어도 하나의 사용자 단말(300)로부터 위치 정보와 데이터 트래픽을 수신하여 수신된 데이터 트래픽에 대응하는 각각의 사용자 단말의 위치 별 기준신호수신전력을 최적 빔 인덱스 도출부(150)로 요청할 수 있다.

최적 빔 인덱스 도출부(150)는 각각의 사용자 단말의 위치 정보 및 데이터 트래픽을 심층신경망의 입력으로 사용하여 구축된 사용자 및 장애물 모델을 기반으로 데이터 트래픽에 대응하는 적어도 하나의 사용자 단말의 위치에서 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 도출하고, 도출된 빔 인덱스를 심층신경망이 학습할 수 있다.

통신부(110)는 도출된 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 기반으로 기지국(100)과 사용자 단말(300) 간의 통신 채널을 형성할 수 있다.

즉, 심층신경망은 적어도 하나의 사용자 단말(300)의 위치 정보 및 데이터 트래픽에 대해 구축된 사용자 및 장애물 모델로부터 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 도출 및 학습하여 통신부로 하여금 각각의 사용자 단말의 위치에서 장애물 상태를 고려한 최적의 빔 인덱스로 통신 채널을 형성할 수 있다.

더욱 상세하게는, 빔 예측의 경우 코드북 사이즈(

)이고, 장애물 예측의 경우 2이다. 이를 위해 하나의 입력 레이어, L-2개의 은닉 레이어 및 하나의 출력 레이어에 완전히 연결된 심층신경망이 고려될 수 있다.

심층신경망의 입력 값은 사용자 단말(300)의 위치

와 데이터 트래픽

이다. 사용자 단말의 위치는 소형 기지국(200) m의 위치

에 따라 정규화 하며 다음 수학식으로 표현될 수 있다.

[수학식 10]

데이터 트래픽은 낮음 (-1), 중간(0) 및 높음(1)의 세 가지 클래스로 분류될 수 있다.

각 은닉 레이어에서 활성화 함수로 ReLU(Rectified Linear Unit) 함수를 적용할 수 있으며, 훈련과정에서 과적합을 피하기 위해 드롭아웃(Dropout) 레이어를 추가할 수 있다. 또한, 각 예측(빔 또는 장애물)의 출력 수는 클래스 수에 따라 다를 수 있다.

즉, 심층신경망 출력 레이어는 목표 예측에 의해 결정될 수 있다. 빔 예측의 경우 출력 레이어는

뉴런으로 완전히 연결된 레이어와 soft-max 활성화 함수를 적용될 수 있으며 출력 값은 다음과 같이 계산될 수 있다.

[수학식 11]

수학식 11에서,

는 D차원 벡터의

번째 요소를 나타내고 는

번째 빔포밍 벡터가 예측될 확률이다. 마지막으로 확률이 가장 높은 요소의 인덱스가 예측된 빔포밍 인덱스로 선택될 수 있다. 장애물 예측의 경우 D=2 뉴런을 가지며, 장애물 (

)과 비장애물 (

)에 해당하는 두 가지 확률을 계산할 수 있다.

심층신경망의 최종 출력값

는 입력값

일렬의 변환으로 표현되며 다음 수학식으로 표현될 수 있다.

[수학식 12]

수학식 12에서,

은

번째 레이어의 파라미터이다. 최적화할 파라미터를

로 정의하고, 이는 심층신경망 학습을 통해 최적화된다. 이 때, 심층신경망의 학습은 손실 함수가 최소화되도록 훈련될 수 있고, 손실 함수로 교차 엔트로피(Cross-entropy)를 사용하였으며, 다음 수학식으로 표현될 수 있다.

[수학식 13]

수학식 13에서,

는 타깃 벡터이고

는 네트워크 예측이다.

본 발명의 예시적인 일 실시예에 따른 InH 시나리오는 실내 공간에 ISD(Inter-Site Distance)가 20m 인 소형 기지국(200)이 천장에 설치될 수 있다. 각 소형 기지국(200)의 높이는 3m 이고 사용자 단말(300)은 균일하게 분포될 수 있다.

본 발명의 예시적인 일 실시예에 따른 InH 시나리오에 사용된 파라미터는 3GPP NR 시스템에 해당하는 30GHz 반송파 주파수의 199MHz 대역폭을 기반으로 설정하였으며, 자세한 파라미터는 표 3과 같다.

모의실험 파라미터

파라미터	내용
시나리오	실내 핫스팟
캐리어 주파수	30 GHz
대역폭	100 MHz
방 사이즈 (W x L x H)	120 m x 50 m x 3 m
ISD	20 m
기지국 Tx 신호 세기	24 dBm
기지국 안테나 높이	3 m
기지국 안테나 구성	8 x 8
사용자 단말 높이	1m
사용자 단말 안테나 구성	단일 안테나
사용자 단말 안테나 패턴	Isotropic
사용자 단말 노이즈	9 dB
사용자 단말 분포	균일 분포

본 발명의 예시적인 일 실시예에 따른 심층신경망은 5개의 은닉 레이어와 레이어 당

뉴런을 갖는 심층신경망을 적용하였으며, 자세한 하이퍼-파라미터는 표 4와 같다.

심층신경망 하이퍼-파라미터

파라미터	빔 예측	장애물 예측
학습률	0.1	0.1
드롭아웃	0.9	0.9
정규화
최대 에포크 수	100	50
데이터 사이즈	18,000	18,000
데이터 분할	70:30	70:30

제안하는 예측 방법은 Top-1 및 Top-n 분류 정확도를 통해 성능을 분석하며 다음과 같이 표현할 수 있다.

[수학식 14]

수학식 14에서,

은 인디케이터(indicator) 함수이고,

과

은 각각 n 번째 테스트 포인트의 예측 및 대상 클래스를 나타낸다. Top-n 정확도는 n 개의 밀리미터파 빔 중 예측된 경우이다. 또한, 예측된 빔을 사용하여 스펙트럼 효율에 대하여 성능을 분석할 수 있다.

도 7은 본 발명의 일 실시 예에 따른 장애물 및 비장애물 시나리오에서의 기준신호수신전력의 소규모 페이딩 누적 분포 함수를 비교한 그래프이다.

실내 환경에서 장애물의 주요 원인은 인체 및 주변 사용자와 같은 장애물을 고려할 수 있으며, 이에 따른 기준신호수신전력의 소규모 페이딩 누적 분포 함수(Cumulative Distribution Function; CDF)를 나타낼 수 있다.

여기서, 장애물 시나리오에서는 자체 및 K = 4 비자체 장애물을 고려할 수 있다. 누적 분포 함수 0.2를 기준으로 장애물로 인해 대략 0.5dB 손실이 발생한 것을 알 수 있다.

도 8은 본 발명의 일 실시 예에 따른 자체 및 비자체 장애물이 적용된 기준신호수신전력의 소규모 페이딩 누적 분포 함수를 비교한 그래프이다.

이때, 장애물 시나리오에서 자체 (-30dB) 및 K=4 비자체 (최대 -20dB) 장애물로 인한 감쇠가 각 클러스터에 적용될 수 있다. 비 장애물 영역에서의 감쇠는 0dB 이다.

도 9는 본 발명의 일 실시 예에 따른 다양한 크기의 훈련 세트에 대한 Top-1 및 Top-3 빔 예측 정확도를 비교한 그래프이다.

제안하는 심층신경망이 사용자 위치와 데이터 트래픽을 기반으로 높은 예측 정확도를 갖는 것을 알 수 있으며, 이는 Top-1 및 Top-3에 대해 각각 83% 및 94 %의 정확도를 갖는다.

도 10는 본 발명의 일 실시 예에 따른 스펙트럼 효율의 CDF를 나타낸 그래프이다.

도 10에 나타낸 바와 같이, 스펙트럼 효율을 계산하기 위해 수신 신호 전력에 대비하여 간섭 전력과 잡음 전력을 더한 비를 데시벨 단위로 표현한 신호대잡음간섭비(Signal to Interference plus Noise Ratio; SINR)은 다음 수학식으로 표현될 수 있다.

[수학식 15]

수학식 15에서,

는

번째 기지국의 기준신호수신전력이고

는 잡음 파워 레벨이다. 도 10 결과로부터, 최적빔, Top-3 빔, Top-1 빔 및 랜덤 빔의 스펙트럼 효율 평균값은 각각 1.41, 1.38, 1.32 및 1.08 인 것을 알 수 있으며, Top-1 예측 또한 평균 스펙트럼 효율 측면에서 빔 선택과 비교하여 94% 성능을 갖는 것을 알 수 있다.

도 11은 본 발명의 일 실시 예에 따른 딥러닝 기반의 빔포밍 통신 시스템 및 방법의 정확도를 나타낸 그래프이다.

도 11에 나타낸 바와 같이, 충분한 크기의 데이터 세트(16,000개 이상)와 함께 사용자 위치 및 데이터 트래픽에 따라 90% 이상의 정확도로 빔 및 장애물을 예측한다. 이는 차세대 밀리미터파 시스템의 신뢰성 및 데이터 전송률을 향상시키는 것을 보여준다.

이상에서 대표적인 실시 예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.

100: 기지국 200: 소형 기지국
300: 사용자 단말
110: 통신 부 120: 핑거프린팅 DB 구축부
130: 사용자 모델 구축부 140: 장애물 모델 구축부
150: 최적 빔 인덱스 도출부
121: 빔 인덱스 저장모듈 122: 사용자 위치 정보 저장모듈
131: 제 1 핑거프린팅 DB 수신 모듈
132: 제 1 최적 빔 설정 모듈
141: 제 2 핑거프린팅 DB 수신 모듈
142: 장애물 상태 판단 모듈 143: 제 2 최적 빔 설정 모듈

Claims

기지국; 실내의 소정 위치에 복수개 설치되어 상기 기지국과 통신하는 소형 기지국; 및 상기 소형 기지국과 통신하는 적어도 하나의 사용자 단말을 포함하는 딥러닝 기반의 빔포밍 통신 시스템에 있어서,
상기 기지국은,
상기 소형 기지국을 경유하여 상기 적어도 하나의 사용자 단말로 전달된 기지국의 기준 신호에 대한 응답으로 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 상기 소형 기지국을 경유하여 수신하는 통신부;
상기 통신부로 수신된 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 기반으로 핑거프린팅 데이터를 구축하는 핑거프린팅 DB 구축부;
상기 핑거프린팅 데이터에서 도출된 사용자 단말의 위치 별 빔 인덱스를 기반으로 모델을 구축하는 사용자 모델 구축부; 및
심층신경망으로부터 위치 별 수신전력의 세기가 최대인 빔 인덱스를 도출하는 최적 빔 인덱스 도출부를 포함하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 기지국은 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물에 따라 변동된 기준신호수신전력을 기반으로 장애물 모델을 구축하는 장애물 모델 구축부를 더 포함하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 기준신호는 상기 기지국에서 완전탐색을 통해 검색된 상기 적어도 하나의 사용자 단말로 주기적으로 전송되고, 빔포밍 벡터를 기준으로 전송되는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 3항에 있어서,
상기 빔포밍 벡터는 기 설정된 코드북의 코드워드에서 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔인 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 4항에 있어서,
상기 기준신호수신전력은 기지국에서 전송한 기준신호를 적어도 하나의 사용자 단말에서 수신 및 측정하여 도출된 수신 신호의 세기인 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 통신부는 상기 적어도 하나의 사용자 단말로부터 위치 정보와 데이터 트래픽을 수신하여 각각의 사용자 단말의 위치에 해당하는 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스 정보를 최적 빔 인덱스 도출부로 요청하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 통신부는 상기 최적 빔 인덱스 도출부에서 도출된 빔 인덱스를 기반으로 상기 기지국과 상기 적어도 하나의 사용자 단말 간의 통신 채널을 형성하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 핑거프린팅 DB 구축부는 상기 통신부로 수신된 적어도 하나의 사용자 단말의 기준신호수신전력과 위치 정보를 기반으로 핑거프린팅 데이터를 구축하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 사용자 모델 구축부는 구축된 핑거프린팅 데이터에서 각각의 사용자 단말의 위치 별 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 기반으로 사용자 모델을 구축하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 1항에 있어서,
상기 최적 빔 인덱스 도출부는 수신된 상기 적어도 하나의 사용자 단말의 위치 정보와 데이터 트래픽을 심층신경망의 입력으로 사용하여 구축된 사용자 및 장애물 모델을 기반으로 데이터 트래픽에 대응하는 사용자 단말의 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔을 도출하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
제 2항에 있어서,
상기 장애물 모델 구축부는 구축된 핑거프린팅 데이터에서 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물의 방위 및 고도각으로 발생된 빔 확산 각도를 도출하고 각 클러스터 별로 연산된 기준신호수신전력의 소규모 페이딩의 손실에 따라 변동된 기준신호수신전력을 기반으로 구축하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 시스템.
기지국, 복수의 소형 기지국, 및 적어도 하나의 사용자 단말을 포함하는 빔포밍 통신 시스템에서 딥러닝 기반으로 최적의 빔 인덱스를 도출하는 딥러닝 기반의 빔포밍 통신 방법에 있어서,
상기 기지국은,
상기 소형 기지국을 경유하여 상기 적어도 하나의 사용자 단말로 전달된 기지국의 기준 신호에 대한 응답으로 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 상기 소형 기지국을 경유하여 수신하는 통신 단계;
수신된 상기 적어도 하나의 사용자 단말의 위치 정보 및 기준신호수신전력을 기반으로 핑거프린팅 데이터를 구축하는 핑거프린팅 DB 구축 단계;
상기 핑거프린팅 데이터에서 도출된 사용자 단말의 위치 별 빔 인덱스를 기반으로 모델을 구축하는 사용자 모델 구축 단계; 및
심층신경망으로부터 위치 별 수신전력의 세기가 최대인 빔 인덱스를 도출하는 최적 빔 인덱스 도출 단계를 포함하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 기지국은, 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물에 따라 변동된 기준신호수신전력을 기반으로 장애물 모델을 구축하는 장애물 모델 구축 단계를 더 포함하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 기준신호는 상기 기지국에서 완전탐색을 통해 검색된 상기 적어도 하나의 사용자 단말로 주기적으로 전송되고, 빔포밍 벡터를 기준으로 전송되는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 14항에 있어서,
상기 빔포밍 벡터는 기 설정된 코드북의 코드워드에서 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔인 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 15항에 있어서,
상기 기준신호수신전력은 기지국에서 전송한 기준신호를 적어도 하나의 사용자 단말에서 수신 및 측정하여 도출된 수신 신호의 세기인 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 통신 단계는 상기 적어도 하나의 사용자 단말로부터 위치 정보와 데이터 트래픽을 수신하여 각각의 사용자 단말의 위치에 해당하는 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스 정보를 최적 빔 인덱스 도출부로 요청하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 통신 단계는 상기 최적 빔 인덱스 도출 단계에서 도출된 빔 인덱스를 기반으로 상기 기지국과 상기 적어도 하나의 사용자 단말 간의 통신 채널을 형성하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 핑거프린팅 DB 구축 단계는 상기 수신된 적어도 하나의 사용자 단말의 기준신호수신전력과 위치 정보를 기반으로 핑거프린팅 데이터를 구축하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 사용자 모델 구축 단계는 구축된 핑거프린팅 데이터에서 각각의 사용자 단말의 위치 별 기준신호수신전력의 소규모 페이딩이 최대인 빔 인덱스를 기반으로 사용자 모델을 구축하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 12항에 있어서,
상기 최적 빔 인덱스 도출 단계는 수신된 상기 적어도 하나의 사용자 단말의 위치 정보와 데이터 트래픽을 심층신경망의 입력으로 사용하여 구축된 사용자 및 장애물 모델을 기반으로 데이터 트래픽에 대응하는 사용자 단말의 기준신호수신전력의 소규모 페이딩이 최대가 되는 빔을 도출하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.
제 13항에 있어서,
상기 장애물 모델 구축 단계는 구축된 핑거프린팅 데이터에서 상기 기지국과 상기 적어도 하나의 사용자 단말 사이에 위치한 각 장애물의 방위 및 고도각으로 발생된 빔 확산 각도를 도출하고 각 클러스터 별로 연산된 기준신호수신전력의 소규모 페이딩의 손실에 따라 변동된 기준신호수신전력을 기반으로 구축하는 것을 특징으로 하는 딥러닝 기반의 빔포밍 통신 방법.