KR102209646B1 - Method of channel awareness using channel state information, recording medium and apparatus for performing the method - Google Patents

Method of channel awareness using channel state information, recording medium and apparatus for performing the method Download PDF

Info

Publication number
KR102209646B1
KR102209646B1 KR1020190012863A KR20190012863A KR102209646B1 KR 102209646 B1 KR102209646 B1 KR 102209646B1 KR 1020190012863 A KR1020190012863 A KR 1020190012863A KR 20190012863 A KR20190012863 A KR 20190012863A KR 102209646 B1 KR102209646 B1 KR 102209646B1
Authority
KR
South Korea
Prior art keywords
channel
neural network
artificial neural
state information
environment
Prior art date
Application number
KR1020190012863A
Other languages
Korean (ko)
Other versions
KR20200095138A (en
Inventor
한동석
주지훈
Original Assignee
경북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190012863A priority Critical patent/KR102209646B1/en
Publication of KR20200095138A publication Critical patent/KR20200095138A/en
Application granted granted Critical
Publication of KR102209646B1 publication Critical patent/KR102209646B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

채널 상태 정보를 이용한 채널 인지 방법, 이를 수행하기 위한 기록매체 및 장치가 개시된다. 채널 상태 정보를 이용한 채널 인지 방법은 복수의 채널 모델 별 채널 상태 정보(CSI: Channel State Information)를 학습한 인공 신경망을 구축하는 단계, 실제 채널 환경의 채널 상태 정보를 확인하는 단계 및 상기 실제 채널 환경의 채널 상태 정보를 상기 인공 신경망에 입력하여 상기 실제 채널 환경이 상기 복수의 채널 모델 중 어느 채널 모델에 해당하는지 분류하는 단계를 포함한다.Disclosed are a method for recognizing a channel using channel state information, and a recording medium and apparatus for performing the same. The channel recognition method using channel state information includes the steps of building an artificial neural network learning channel state information (CSI) for each channel model, checking channel state information of an actual channel environment, and the actual channel environment. And classifying which channel model of the plurality of channel models corresponds to the actual channel environment by inputting the channel state information of to the artificial neural network.

Description

채널 상태 정보를 이용한 채널 인지 방법, 이를 수행하기 위한 기록매체 및 장치{METHOD OF CHANNEL AWARENESS USING CHANNEL STATE INFORMATION, RECORDING MEDIUM AND APPARATUS FOR PERFORMING THE METHOD}A method of recognizing a channel using channel status information, a recording medium and a device for performing it {METHOD OF CHANNEL AWARENESS USING CHANNEL STATE INFORMATION, RECORDING MEDIUM AND APPARATUS FOR PERFORMING THE METHOD}

본 발명은 채널 상태 정보를 이용한 채널 인지 방법, 이를 수행하기 위한 기록매체 및 장치에 관한 것으로서, 더욱 상세하게는 차량 간 통신(V2V: vehicle-to-vehicle) 환경에서의 채널 상태 정보(CSI: Channel State Information)를 이용한 채널 인지 방법에, 이를 수행하기 위한 기록매체 및 장치에 관한 것이다.The present invention relates to a channel recognition method using channel state information, a recording medium and an apparatus for performing the same, and more particularly, channel state information (CSI: Channel) in a vehicle-to-vehicle (V2V) environment. State Information), and to a recording medium and apparatus for performing the channel recognition method.

차량 간 통신(V2V) 환경은 차량의 이동성으로 인하여 그 채널 환경이 다양하며 역동적으로 바뀔 수 있다. 또한 채널 환경에 따라 페이딩 영향이 달라지기 때문에 채널 환경 별로 QoS(Quality of Service)를 달성하기 위하여 요구되는 신호 대 잡음비(SNR: Signal to Ratio)가 달라지게 된다. 예를 들면, 가시 경로가 확보된 도심과 가시 경로가 확보되지 않은 고속도로에서 요구되는 최소 신호 대 잡음비는 완전히 다르다.In the vehicle-to-vehicle communication (V2V) environment, the channel environment is diverse and can be changed dynamically due to the mobility of the vehicle. In addition, since the fading effect varies depending on the channel environment, the signal to noise ratio (SNR) required to achieve quality of service (QoS) varies for each channel environment. For example, the minimum signal-to-noise ratio required in a city center with a visible path and a highway with no visible path is completely different.

이처럼 신호 대 잡음비(SNR)는 채널 환경에 의존적이기 때문에 채널 적응형 전송(CAT: Channel Adaptive Transmission)에 의한 통신 성능 향상에 어려움이 있다. 아울러 차량 노드가 주어진 채널 환경에서 적용 가능한 최고의 변조 및 코딩 방식을 알고 있는 경우, 이를 사용하는 것이 프레임 전송 소요 시간을 줄여주기 때문에 채널 혼잡 비율을 향상시킬 수 있다.As such, since the signal-to-noise ratio (SNR) is dependent on a channel environment, it is difficult to improve communication performance through channel adaptive transmission (CAT). In addition, when the vehicle node knows the best modulation and coding scheme applicable in a given channel environment, it is possible to improve the channel congestion rate because using it reduces the time required for frame transmission.

이와 같이 차량 간 통신(V2V) 환경에서 통신을 수행할 채널 환경을 인지하는 것이 중요한데, 일반적으로 채널 환경을 파악하는 것은 채널 사운딩과 같은 특수한 장비의 사용이 요구되므로 차량 노드에서 채널 환경 인지하기에는 어려움이 있다.In this way, it is important to recognize the channel environment to perform communication in the vehicle-to-vehicle communication (V2V) environment. In general, it is difficult for vehicle nodes to recognize the channel environment because it requires the use of special equipment such as channel sounding. There is this.

본 발명은 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 이용하여 통신을 수행할 채널 환경을 인지하는 채널 상태 정보를 이용한 채널 인지 방법, 이를 수행하기 위한 기록매체 및 장치를 제공한다.The present invention provides a channel recognition method using channel state information for recognizing a channel environment in which communication is to be performed using an artificial neural network that has learned channel state information for each channel model, and a recording medium and apparatus for performing the same.

본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problem of the present invention is not limited to the technical problem mentioned above, and other technical problems that are not mentioned will be clearly understood by those skilled in the art from the following description.

상기 과제를 해결하기 위한 채널 상태 정보를 이용한 채널 인지 방법은 복수의 채널 모델 별 채널 상태 정보(CSI: Channel State Information)를 학습한 인공 신경망을 구축하는 단계, 실제 채널 환경의 채널 상태 정보를 확인하는 단계 및 상기 실제 채널 환경의 채널 상태 정보를 상기 인공 신경망에 입력하여 상기 실제 채널 환경이 상기 복수의 채널 모델 중 어느 채널 모델에 해당하는지 분류하는 단계를 포함한다.The channel recognition method using channel state information to solve the above problem is the step of building an artificial neural network learning channel state information (CSI) for each channel model, and checking channel state information of an actual channel environment. And classifying which channel model the real channel environment corresponds to among the plurality of channel models by inputting channel state information of the real channel environment into the artificial neural network.

한편, 상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는, 상기 복수의 채널 모델 별로 정규화된 신호 대 잡음비(SNR: Signal to Noise Ratio)를 학습한 상기 인공 신경망을 구축하는 단계일 수 있다.On the other hand, the step of constructing the artificial neural network in which the channel state information for each of the plurality of channel models is learned may include constructing the artificial neural network by learning the normalized signal to noise ratio (SNR) for each of the plurality of channel models. It can be a step.

또한, 상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는, 상기 복수의 채널 모델 별로 복수의 부반송파(Subcarrier) 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴을 학습한 상기 인공 신경망을 구축하는 단계일 수 있다.In addition, the step of constructing an artificial neural network that has learned channel state information for each of the plurality of channel models includes learning a pattern of a normalized signal-to-noise ratio (SNR) according to a plurality of subcarrier indices for each of the plurality of channel models. It may be a step of building the artificial neural network.

또한, 상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는, 피드-포워드 네트워크, 히든 레이어 및 출력 레이어로 구성되는 상기 인공 신경망을 구축하는 단계를 포함할 수 있다.In addition, building the artificial neural network having learned channel state information for each of the plurality of channel models may include building the artificial neural network composed of a feed-forward network, a hidden layer, and an output layer.

또한, 상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는, 2계층의 상기 피드-포워드 네트워크와, Sigmoid 뉴런이 적용된 상기 히든 레이어 및 softmax 뉴런이 적용된 상기 출력 레이어로 구성되는 상기 인공 신경망을 구축하는 단계를 포함할 수 있다.In addition, the step of constructing an artificial neural network that has learned channel state information for each of the plurality of channel models includes the second layer of the feed-forward network, the hidden layer to which Sigmoid neurons are applied, and the output layer to which softmax neurons are applied It may include building the artificial neural network.

또한, 상기 실제 채널 환경의 채널 상태 정보를 확인하는 단계는, 특정 채널 모델에서의 종단 대 종단 통신 시뮬레이션 프레임워크를 구축하는 단계 및 상기 시뮬레이션 프레임워크를 이용하여 상기 실제 채널 환경에서 QoS(Quality of Service) 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 확인하는 단계를 포함할 수 있다.In addition, the step of checking the channel state information of the real channel environment includes: establishing an end-to-end communication simulation framework in a specific channel model, and QoS (Quality of Service) in the real channel environment using the simulation framework. ) Checking a minimum signal-to-noise ratio (SNR) required to satisfy the requirement.

또한, 상기 채널 상태 정보를 이용한 채널 인지 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체일 수 있다.In addition, it may be a computer-readable recording medium in which a computer program is recorded for performing the channel recognition method using the channel state information.

한편, 채널 상태 정보를 이용한 채널 인지 장치는 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 인공 신경망 구축부, 실제 통신을 수행할 채널 환경의 채널 상태 정보를 확인하는 채널 환경 시뮬레이션부 및 상기 실제 채널 환경의 채널 상태 정보를 상기 인공 신경망에 입력하여 상기 실제 채널 환경이 상기 복수의 채널 모델 중 어느 채널 모델에 해당하는지 분류하는 채널 환경 분류부를 포함한다.On the other hand, the channel recognition device using channel state information includes an artificial neural network construction unit that builds an artificial neural network that learns channel state information for each channel model, and a channel environment simulation unit that checks channel state information of the channel environment to perform actual communication. And a channel environment classifying unit for classifying which channel model the real channel environment corresponds to among the plurality of channel models by inputting channel state information of the real channel environment into the artificial neural network.

한편, 상기 인공 신경망 구축부는, 상기 복수의 채널 모델 별로 정규화된 신호 대 잡음비(SNR: Signal to Noise Ratio)를 학습한 상기 인공 신경망을 구축할 수 있다.Meanwhile, the artificial neural network building unit may construct the artificial neural network by learning a signal to noise ratio (SNR) normalized for each of the plurality of channel models.

또한, 상기 인공 신경망 구축부는, 상기 복수의 채널 모델 별로 복수의 부반송파(Subcarrier) 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴을 학습한 상기 인공 신경망을 구축할 수 있다.In addition, the artificial neural network building unit may build the artificial neural network by learning a normalized signal-to-noise ratio (SNR) pattern according to a plurality of subcarrier indices for each of the plurality of channel models.

또한, 상기 인공 신경망 구축부는, 피드-포워드 네트워크, 히든 레이어 및 출력 레이어로 구성되는 상기 인공 신경망을 구축할 수 있다.In addition, the artificial neural network building unit may build the artificial neural network consisting of a feed-forward network, a hidden layer, and an output layer.

또한, 상기 인공 신경망 구축부는, 2계층의 상기 피드-포워드 네트워크와, Sigmoid 뉴런이 적용된 상기 히든 레이어 및 softmax 뉴런이 적용된 상기 출력 레이어로 구성되는 상기 인공 신경망을 구축할 수 있다.In addition, the artificial neural network building unit may construct the artificial neural network consisting of the second layer of the feed-forward network, the hidden layer to which Sigmoid neurons are applied, and the output layer to which softmax neurons are applied.

또한, 상기 채널 환경 시뮬레이션부는, 특정 채널 모델에서의 종단 대 종단 통신 시뮬레이션 프레임워크를 구축하고, 상기 시뮬레이션 프레임워크를 이용하여 상기 실제 채널 환경에서 QoS(Quality of Service) 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 확인할 수 있다.In addition, the channel environment simulation unit builds an end-to-end communication simulation framework in a specific channel model, and is required to satisfy QoS (Quality of Service) requirements in the real channel environment using the simulation framework. You can check the minimum signal-to-noise ratio (SNR).

본 발명에 따르면, 실제 채널 환경에서 요구되는 채널 상태 정보를 이용하여 현재 채널 환경이 어떤 환경인지를 인지할 수 있으며, 나아가 채널 적응형 전송(CAT: Channel Adaptive Transmission)을 달성하여 차량 간 통신 환경에서의 통신 성능 향상을 도모할 수 있을 것이다.According to the present invention, it is possible to recognize what kind of environment the current channel environment is by using channel state information required in the actual channel environment, and further achieve channel adaptive transmission (CAT) in a vehicle-to-vehicle communication environment. It will be possible to improve the communication performance of

도 1은 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치의 블록도이다.
도 2는 도 1에 도시된 인공 신경망 구축부에서 수집하는 채널 상태 정보의 일 예이다.
도 3은 도 1에 도시된 인공 신경망 구축부에서 수집하는 채널 상태 정보의 다른 예이다.
도 4는 도 1에 도시된 채널 환경 시뮬레이션부에서 구축하는 시뮬레이션 프레임워크를 개략적으로 보여주는 도면이다.
도 5는 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법의 순서도이다. 1 is a block diagram of a channel recognition apparatus using channel state information according to an embodiment of the present invention.
2 is an example of channel state information collected by the artificial neural network construction unit shown in FIG. 1.
3 is another example of channel state information collected by the artificial neural network construction unit shown in FIG. 1.
4 is a diagram schematically showing a simulation framework constructed by the channel environment simulation unit shown in FIG. 1.
5 is a flowchart of a channel recognition method using channel state information according to an embodiment of the present invention.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.DETAILED DESCRIPTION OF THE INVENTION The detailed description of the present invention described below refers to the accompanying drawings, which illustrate specific embodiments in which the present invention may be practiced. These embodiments are described in detail sufficient to enable a person skilled in the art to practice the present invention. It is to be understood that the various embodiments of the present invention are different from each other but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented in other embodiments without departing from the spirit and scope of the present invention in relation to one embodiment. In addition, it is to be understood that the location or arrangement of individual components within each disclosed embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the detailed description to be described below is not intended to be taken in a limiting sense, and the scope of the present invention, if properly described, is limited only by the appended claims, along with all scopes equivalent to those claimed by the claims. Like reference numerals in the drawings refer to the same or similar functions over several aspects.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치의 블록도이다.1 is a block diagram of a channel recognition apparatus using channel state information according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 인공 신경망 구축부(10), 채널 환경 시뮬레이션부(30) 및 채널 환경 분류부(50)를 포함한다.Referring to FIG. 1, a channel recognition apparatus 1 using channel state information according to an embodiment of the present invention includes an artificial neural network construction unit 10, a channel environment simulation unit 30, and a channel environment classification unit 50. Include.

본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 차량 간 통신(V2V: vehicle-to-vehicle) 환경에서의 다양한 채널 모델 별로 실험을 통하여 축적된 채널 상태 정보(CSI: Channel State Information)를 수집하고, 채널 모델 별 채널 상태 정보(CSI)를 학습한 인공 신경망을 구축하며, 인공 신경망을 이용하여 실제 채널 환경을 분류할 수 있다.The channel recognition apparatus 1 using channel state information according to an embodiment of the present invention includes channel state information (CSI:) accumulated through experiments for various channel models in a vehicle-to-vehicle (V2V) environment. Channel State Information) is collected, an artificial neural network that learns channel state information (CSI) for each channel model is constructed, and an actual channel environment can be classified using an artificial neural network.

차량 간 통신(V2V) 환경은 차량의 이동성으로 인하여 그 채널 환경이 다양하며 역동적으로 바뀔 수 있다. 또한 채널 환경에 따라 페이딩 영향이 달라지기 때문에 채널 환경 별로 QoS(Quality of Service)를 달성하기 위하여 요구되는 신호 대 잡음비(SNR: Signal to Ratio)가 달라지게 된다. In the vehicle-to-vehicle communication (V2V) environment, the channel environment is diverse and can be changed dynamically due to the mobility of the vehicle. In addition, since the fading effect varies depending on the channel environment, the signal to noise ratio (SNR) required to achieve quality of service (QoS) varies for each channel environment.

따라서 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 실제 채널 환경에서 요구되는 채널 상태 정보(CSI)를 확인하고, 채널 상태 정보(CSI)를 이용하여 현재 채널 환경이 어떤 환경인지를 인지할 수 있으며, 나아가 채널 적응형 전송(CAT: Channel Adaptive Transmission)을 달성하여 차량 간 통신(V2V) 환경에서의 통신 성능 향상을 도모할 수 있을 것이다.Therefore, the channel recognition device 1 using channel state information according to an embodiment of the present invention checks the channel state information (CSI) required in the actual channel environment, and the current channel environment is determined by using the channel state information (CSI). It is possible to recognize what kind of environment it is, and further, by achieving Channel Adaptive Transmission (CAT), it will be possible to improve communication performance in a vehicle-to-vehicle communication (V2V) environment.

본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 차량에 탑재되어 차량 간 통신(V2V)을 수행하는 차량 탑재 장치(OBUs: On-Board Unit)의 일 구성으로 포함되거나 또는 차량 탑재 장치(OBU)와 연동되는 별도의 구성일 수 있다.The channel recognition device 1 using channel state information according to an embodiment of the present invention is included as a component of an on-board unit (OBUs) that is mounted on a vehicle and performs vehicle-to-vehicle communication (V2V), or Alternatively, it may be a separate configuration that is interlocked with the vehicle-mounted device (OBU).

본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 채널 상태 정보를 이용한 채널 인지를 위한 소프트웨어(어플리케이션)가 설치되어 실행될 수 있으며, 인공 신경망 구축부(10), 채널 환경 시뮬레이션부(30) 및 채널 환경 분류부(50)는 채널 상태 정보를 이용한 채널 인지를 위한 소프트웨어에 의해 제어될 수 있다.The channel recognition device 1 using channel state information according to an embodiment of the present invention may be installed and executed with software (application) for channel recognition using channel state information, and the artificial neural network construction unit 10, channel environment The simulation unit 30 and the channel environment classification unit 50 may be controlled by software for channel recognition using channel state information.

인공 신경망 구축부(10), 채널 환경 시뮬레이션부(30) 및 채널 환경 분류부(50)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.The configuration of the artificial neural network building unit 10, the channel environment simulation unit 30, and the channel environment classification unit 50 may be formed as an integrated module or may be formed of one or more modules. However, on the contrary, each component may be formed as a separate module.

본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 이동성을 갖거나 고정될 수 있다. 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 컴퓨터(computer), 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), MT(mobile terminal), UT(user terminal), SS(subscriber station), 무선기기(wireless device), PDA(personal digital assistant), 무선 모뎀(wireless modem), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.The channel recognition device 1 using channel state information according to an embodiment of the present invention may have mobility or may be fixed. The channel recognition apparatus 1 using channel state information according to an embodiment of the present invention may be in the form of a computer, a server, or an engine, and may be a device, an apparatus, or a terminal. (terminal), UE (user equipment), MS (mobile station), MT (mobile terminal), UT (user terminal), SS (subscriber station), wireless device (wireless device), PDA (personal digital assistant), wireless modem (wireless modem), handheld device, etc. can be called in other terms.

이하, 도 1에 도시된 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)의 각 구성에 대해 구체적으로 설명한다.Hereinafter, each configuration of the channel recognition apparatus 1 using channel state information according to an embodiment of the present invention shown in FIG. 1 will be described in detail.

인공 신경망 구축부(10)는 복수의 채널 모델 별 채널 상태 정보(CSI)를 학습한 인공 신경망을 구축할 수 있다.The artificial neural network building unit 10 may build an artificial neural network that has learned channel state information (CSI) for each channel model.

본 실시예에서 복수의 채널 모델은 농촌(rural)의 가시선(LOS: Light-Of-Sight) 채널 모델, 도시(urban)의 가시선(LOS) 채널 모델, 교차로(crossing)의 비가시선(NLOS: Non-Light-Of-Sight) 채널 모델, 고속도로(highway)의 가시선(LOS) 채널 모델 및 고속도로(highway)의 비가시선(NLOS) 채널 모델의 5종류일 수 있다.In this embodiment, the plurality of channel models include a rural light-of-sight (LOS) channel model, an urban line of sight (LOS) channel model, and a non-line-of-sight (NLOS) channel model of a crossing. -Light-Of-Sight) channel model, a line of sight (LOS) channel model of a highway, and a non-line of sight (NLOS) channel model of a highway.

채널 상태 정보는 신호 대 잡음비(SNR)에 해당한다. 채널 모델 별 신호 대 잡음비는 채널 모델에서 수신되는 프레임으로부터 추정 가능하며, 이는 공지된 기술이므로 구체적인 설명은 생략한다.The channel state information corresponds to the signal-to-noise ratio (SNR). The signal-to-noise ratio for each channel model can be estimated from frames received from the channel model, and since this is a known technique, detailed descriptions are omitted.

인공 신경망 구축부(10)는 실험을 통해 축적된 복수의 채널 모델 별 신호 대 잡음비(SNR)의 채널 상태 정보(CSI)를 수집할 수 있다. 이때 복수의 채널 모델 별 채널 상태 정보(CSI)는 신호 대 잡음비(SNR)를 정규화한 정보일 수 있다.The artificial neural network construction unit 10 may collect channel state information (CSI) of a signal-to-noise ratio (SNR) for each channel model accumulated through an experiment. At this time, the channel state information (CSI) for each of the plurality of channel models may be information obtained by normalizing the signal-to-noise ratio (SNR).

예를 들면, 인공 신경망 구축부(10)는 농촌(rural)의 가시선(LOS) 채널 모델의 채널 상태 정보(CSI) 50,549 건, 도시(urban)의 가시선(LOS) 채널 모델의 채널 상태 정보(CSI) 55,787건, 교차로(crossing)의 비가시선(NLOS) 채널 모델의 채널 상태 정보(CSI) 61,118건, 고속도로(highway)의 가시선(LOS) 채널 모델의 채널 상태 정보(CSI) 103,909 건 및 고속도로(highway)의 비가시선(NLOS) 채널 모델의 채널 상태 정보(CSI) 30,656 건을 수집하여 총 302,019 건의 채널 상태 정보(CSI)를 수집할 수 있다.For example, the artificial neural network construction unit 10 includes 50,549 channel state information (CSI) of a rural line of sight (LOS) channel model, and channel state information (CSI) of an urban line of sight (LOS) channel model. ) 55,787 cases, channel state information (CSI) of the NLOS channel model of crossing 61,118 cases, channel state information (CSI) of the line of sight (LOS) channel model of highway 103,909 and highway ), a total of 302,019 channel state information (CSI) may be collected by collecting 30,656 channel state information (CSI) of the NLOS channel model of ).

도 2는 도 1에 도시된 인공 신경망 구축부에서 수집하는 채널 상태 정보의 일 예이다.2 is an example of channel state information collected by the artificial neural network construction unit shown in FIG. 1.

도 2를 참조하면, 농촌(rural)의 가시선(LOS) 채널 모델의 정규화된 신호 대 잡음비(SNR)를 확인할 수 있는데, 오버랩 방식으로 플로팅되어 해당 채널 모델의 특징을 특정하기 어렵다. Referring to FIG. 2, a normalized signal-to-noise ratio (SNR) of a rural line of sight (LOS) channel model can be confirmed, but it is plotted in an overlapping manner, making it difficult to specify the characteristics of the corresponding channel model.

따라서 인공 신경망 구축부(10)는 복수의 채널 모델 별 정규화된 신호 대 잡음비(SNR)를 부반송파(Subcarrier) 인덱스에 따라 패턴화할 수 있다.Accordingly, the artificial neural network building unit 10 may pattern the normalized signal-to-noise ratio (SNR) for each of a plurality of channel models according to a subcarrier index.

예를 들면, 인공 신경망 구축부(10)는 복수의 채널 모델 별로 52개의 부반송파 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴으로 간주할 수 있다.For example, the artificial neural network construction unit 10 may consider a pattern of a normalized signal-to-noise ratio (SNR) according to 52 subcarrier indices for each of a plurality of channel models.

도 3은 도 1에 도시된 인공 신경망 구축부에서 수집하는 채널 상태 정보의 다른 예이다.3 is another example of channel state information collected by the artificial neural network construction unit shown in FIG. 1.

도 3을 참조하면, 복수의 채널 모델 별로 52개의 부반송파 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴을 확인할 수 있는데, 여전히 각 채널 모델의 특징을 특정하는 데에는 어려움이 있다.Referring to FIG. 3, a pattern of a signal-to-noise ratio (SNR) normalized according to 52 subcarrier indices for each of a plurality of channel models can be identified, but it is still difficult to specify the characteristics of each channel model.

따라서 인공 신경망 구축부(10)는 복수의 채널 모델 별 채널 상태 정보(CSI) 학습을 위한 인공 신경망을 구축할 수 있다.Accordingly, the artificial neural network construction unit 10 may construct an artificial neural network for learning channel state information (CSI) for each channel model.

예를 들면, 인공 신경망 구축부(10)는 복수의 채널 모델 별 채널 상태 정보(CSI) 학습을 위한 인공 신경망으로 피드-포워드 네트워크, 히든 레이어 및 출력 레이어로 구성되는 인공 신경망을 채택할 수 있다.For example, the artificial neural network construction unit 10 may adopt an artificial neural network composed of a feed-forward network, a hidden layer, and an output layer as an artificial neural network for learning channel state information (CSI) for each channel model.

피드-포워드 네트워크는 2계층으로 구성되고, 히든 레이어는 sigmoid 뉴런이 적용되고, 출력 레이어는 softmax 뉴런이 적용될 수 있으며, 이러한 인공 신경망은 scaled conjugate gradient backpropagation 방식으로 입력 데이터를 학습 및 분류할 수 있다.The feed-forward network consists of two layers, sigmoid neurons are applied to the hidden layer, softmax neurons are applied to the output layer, and the artificial neural network can learn and classify the input data using a scaled conjugate gradient backpropagation method.

인공 신경망 구축부(10)는 위와 같은 인공 신경망의 입력 데이터로 복수의 채널 모델 별 채널 상태 정보(CSI)를 입력하여 학습시킬 수 있다. 즉, 인공 신경망 구축부(10)는 도 3과 같은 복수의 채널 모델 별로 52개의 부반송파 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴을 인공 신경망의 입력 데이터로 입력할 수 있다.The artificial neural network construction unit 10 may input and train channel state information (CSI) for each channel model as input data of the artificial neural network as described above. That is, the artificial neural network construction unit 10 may input a normalized signal-to-noise ratio (SNR) pattern according to 52 subcarrier indices for each of the plurality of channel models as shown in FIG. 3 as input data of the artificial neural network.

예를 들면, 인공 신경망 구축부(10)는 총 302,019 건의 채널 상태 정보(CSI)를 인공 신경망의 입력 데이터로 하여 학습시킬 수 있는데, 입력 데이터의 70%는 네트워크 학습에 사용되고, 15%는 네트워크의 확인에 사용되며, 15%는 네트워크의 테스트에 사용될 수 있을 것이다.For example, the artificial neural network building unit 10 can train a total of 302,019 channel state information (CSI) as input data of the artificial neural network, and 70% of the input data is used for network training and 15% of the network. It will be used for verification, and 15% will be available for testing the network.

이처럼 인공 신경망 구축부(10)는 복수의 채널 모델 별로 실험을 통해 축적되는 복수의 채널 상태 정보(CSI)를 획득하고, 이를 인공 신경망에 입력하여 학습시킬 수 있다.As described above, the artificial neural network building unit 10 may acquire a plurality of channel state information (CSI) accumulated through an experiment for each of a plurality of channel models, and input the information to the artificial neural network for training.

채널 환경 시뮬레이션부(30)는 실제 채널 환경의 채널 상태 정보(CSI)를 확인할 수 있다.The channel environment simulation unit 30 may check channel state information (CSI) of an actual channel environment.

채널 환경 시뮬레이션부(30)는 특정 채널 모델에서의 종단 대 종단(end-to-end) 통신 시뮬레이션 프레임워크를 구축하고, 이를 이용하여 통신을 수행할 실제 채널 환경에서의 QoS 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 확인할 수 있다.The channel environment simulation unit 30 builds an end-to-end communication simulation framework in a specific channel model, and uses it to satisfy QoS requirements in an actual channel environment to perform communication. You can determine the minimum signal-to-noise ratio (SNR) required.

도 4는 도 1에 도시된 채널 환경 시뮬레이션부에서 구축하는 시뮬레이션 프레임워크를 개략적으로 보여주는 도면이다.4 is a diagram schematically showing a simulation framework constructed by the channel environment simulation unit shown in FIG. 1.

도 4를 참조하면, 채널 환경 시뮬레이션부(30)는 IEEE 802.11p 기반의 종단 대 종단 통신 시뮬레이션 프레임워크를 구축할 수 있다. IEEE 802.11p은 무선 근거리 통신망(WLAN: Wireless Local Area Network) 패킷의 표준으로, STS(Short training sequence) 및 LTS(Long training sequence)으로 구성될 수 있다.Referring to FIG. 4, the channel environment simulation unit 30 may build an end-to-end communication simulation framework based on IEEE 802.11p. IEEE 802.11p is a standard for a wireless local area network (WLAN) packet, and may be composed of a short training sequence (STS) and a long training sequence (LTS).

이러한 시뮬레이션 프레임워크는 일반적인 송신기-채널-수신기 구조의 직교 주파수 분할 다중(OFDM: Orthogonal Frequency Division Multiplex) 기반의 통신 환경을 구성할 수 있다.This simulation framework can configure a communication environment based on Orthogonal Frequency Division Multiplex (OFDM) of a general transmitter-channel-receiver structure.

송신기 측에서는 미리 정해진 크기의 PSDU(Physical Layer Convergence Procedure (PLCP) Service Data Unit)가 서비스 및 테일 비트에 의해 생성될 수 있다.On the transmitter side, a physical layer convergence procedure (PLCP) service data unit (PSDU) having a predetermined size may be generated by service and tail bits.

수신기 측에서는 전송 패킷, 동기화, 채널 및 잡음 전력 추정값 등을 검출할 수 있는데, 이러한 정보는 수신기에서의 데이터를 디코딩할 때 사용될 수 있다.The receiver side can detect transmission packets, synchronization, channel and noise power estimates, and the like, and this information can be used when decoding data at the receiver.

채널 환경 시뮬레이션부(30)는 이와 같은 차량 간 통신(V2V) 환경의 시뮬레이션 프레임워크에 실제 통신을 수행할 채널 환경에 해당하는 모델을 적용할 수 있으며, 그 시뮬레이션 결과로부터 실제 통신을 수행할 채널 환경에서의 QoS 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 획득할 수 있다.The channel environment simulation unit 30 may apply a model corresponding to the channel environment for actual communication to the simulation framework of such a vehicle-to-vehicle communication (V2V) environment, and the channel environment for actual communication from the simulation result. It is possible to obtain the minimum signal-to-noise ratio (SNR) required to satisfy the QoS requirement in

채널 환경 분류부(50)는 실제 채널 환경의 채널 상태 정보를 인공 신경망에 입력하여 실제 채널 환경이 복수의 채널 모델 중 어느 채널 모델에 해당하는지 분류할 수 있다.The channel environment classification unit 50 may classify which channel model the actual channel environment corresponds to among a plurality of channel models by inputting channel state information of an actual channel environment into an artificial neural network.

채널 환경 분류부(50)는 채널 환경 시뮬레이션부(30)에서 획득한 실제 채널 환경 모델의 최소 신호 대 잡음비를 인공 신경망 구축부(10)에서 구축하는 인공 신경망의 입력 데이터로 입력할 수 있다. 이와 같은 경우 인공 신경망은 채널 환경을 미리 학습한 복수의 채널 모델 중 어느 하나의 채널 모델로 분류할 수 있을 것이다.The channel environment classification unit 50 may input the minimum signal-to-noise ratio of the actual channel environment model obtained by the channel environment simulation unit 30 as input data of the artificial neural network constructed by the artificial neural network construction unit 10. In this case, the artificial neural network may classify the channel environment into any one of a plurality of channel models that have been learned in advance.

이와 같이, 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)는 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하고, 이를 이용하여 통신을 수행할 채널 환경의 채널 모델을 분류할 수 있다.As described above, the channel recognition apparatus 1 using channel state information according to an embodiment of the present invention constructs an artificial neural network that learns channel state information for each of a plurality of channel models, and uses it to establish a channel environment in which communication is to be performed. The channel model can be classified.

도 5는 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법의 순서도이다.5 is a flowchart of a channel recognition method using channel state information according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법은 도 1에 도시된 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 장치(1)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서 도 1의 장치(1)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다.The channel recognition method using channel state information according to an embodiment of the present invention may be performed in substantially the same configuration as the channel recognition device 1 using channel state information according to an embodiment of the present invention shown in FIG. 1. . Accordingly, the same components as those of the device 1 of FIG. 1 are given the same reference numerals, and repeated descriptions are omitted.

도 5를 참조하면, 인공 신경망 구축부(10)는 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축할 수 있다(S100).Referring to FIG. 5, the artificial neural network building unit 10 may build an artificial neural network in which channel state information for each channel model is learned (S100 ).

본 실시예에서 복수의 채널 모델은 농촌(rural)의 가시선(LOS: Light-Of-Sight) 채널 모델, 도시(urban)의 가시선(LOS) 채널 모델, 교차로(crossing)의 비가시선(NLOS: Non-Light-Of-Sight) 채널 모델, 고속도로(highway)의 가시선(LOS) 채널 모델 및 고속도로(highway)의 비가시선(NLOS) 채널 모델의 5종류일 수 있다.In this embodiment, the plurality of channel models include a rural light-of-sight (LOS) channel model, an urban line of sight (LOS) channel model, and a non-line-of-sight (NLOS) channel model of a crossing. -Light-Of-Sight) channel model, a line of sight (LOS) channel model of a highway, and a non-line of sight (NLOS) channel model of a highway.

채널 상태 정보는 신호 대 잡음비(SNR)에 해당한다. 채널 모델 별 신호 대 잡음비는 채널 모델에서 수신되는 프레임으로부터 추정 가능하며, 이는 공지된 기술이므로 구체적인 설명은 생략한다.The channel state information corresponds to the signal-to-noise ratio (SNR). The signal-to-noise ratio for each channel model can be estimated from frames received from the channel model, and since this is a known technique, detailed descriptions are omitted.

인공 신경망 구축부(10)는 실험을 통해 축적된 복수의 채널 모델 별 신호 대 잡음비(SNR)의 채널 상태 정보(CSI)를 수집할 수 있다. 이때 복수의 채널 모델 별 채널 상태 정보(CSI)는 신호 대 잡음비(SNR)를 정규화한 정보일 수 있다.The artificial neural network construction unit 10 may collect channel state information (CSI) of a signal-to-noise ratio (SNR) for each channel model accumulated through an experiment. At this time, the channel state information (CSI) for each of the plurality of channel models may be information obtained by normalizing the signal-to-noise ratio (SNR).

인공 신경망 구축부(10)는 복수의 채널 모델 별 정규화된 신호 대 잡음비(SNR)를 부반송파(Subcarrier) 인덱스에 따라 패턴화할 수 있다.The artificial neural network construction unit 10 may pattern a normalized signal-to-noise ratio (SNR) for each of a plurality of channel models according to a subcarrier index.

예를 들면, 인공 신경망 구축부(10)는 복수의 채널 모델 별로 52개의 부반송파 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴으로 간주할 수 있다.For example, the artificial neural network construction unit 10 may consider a pattern of a normalized signal-to-noise ratio (SNR) according to 52 subcarrier indices for each of a plurality of channel models.

인공 신경망 구축부(10)는 복수의 채널 모델 별 채널 상태 정보(CSI) 학습을 위한 인공 신경망을 구축할 수 있다.The artificial neural network construction unit 10 may build an artificial neural network for learning channel state information (CSI) for each channel model.

예를 들면, 인공 신경망 구축부(10)는 복수의 채널 모델 별 채널 상태 정보(CSI) 학습을 위한 인공 신경망으로 피드-포워드 네트워크, 히든 레이어 및 출력 레이어로 구성되는 인공 신경망을 채택할 수 있다.For example, the artificial neural network construction unit 10 may adopt an artificial neural network composed of a feed-forward network, a hidden layer, and an output layer as an artificial neural network for learning channel state information (CSI) for each channel model.

피드-포워드 네트워크는 2계층으로 구성되고, 히든 레이어는 sigmoid 뉴런이 적용되고, 출력 레이어는 softmax 뉴런이 적용될 수 있으며, 이러한 인공 신경망은 scaled conjugate gradient backpropagation 방식으로 입력 데이터를 학습 및 분류할 수 있다.The feed-forward network consists of two layers, sigmoid neurons are applied to the hidden layer, softmax neurons are applied to the output layer, and the artificial neural network can learn and classify the input data using a scaled conjugate gradient backpropagation method.

인공 신경망 구축부(10)는 위와 같은 인공 신경망의 입력 데이터로 복수의 채널 모델 별 채널 상태 정보(CSI)를 입력하여 학습시킬 수 있다. 즉, 인공 신경망 구축부(10)는 도 3과 같은 복수의 채널 모델 별로 52개의 부반송파 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴을 인공 신경망의 입력 데이터로 입력할 수 있다.The artificial neural network construction unit 10 may input and train channel state information (CSI) for each channel model as input data of the artificial neural network as described above. That is, the artificial neural network construction unit 10 may input a normalized signal-to-noise ratio (SNR) pattern according to 52 subcarrier indices for each of the plurality of channel models as shown in FIG. 3 as input data of the artificial neural network.

채널 환경 시뮬레이션부(30)는 실제 통신을 수행할 채널 환경의 채널 상태 정보를 확인할 수 있다(S200).The channel environment simulation unit 30 may check channel state information of a channel environment in which actual communication is to be performed (S200).

채널 환경 시뮬레이션부(30)는 특정 채널 모델에서의 종단 대 종단(end-to-end) 통신 시뮬레이션 프레임워크를 구축하고, 이를 이용하여 통신을 수행할 실제 채널 환경에서의 QoS 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 확인할 수 있다.The channel environment simulation unit 30 builds an end-to-end communication simulation framework in a specific channel model, and uses it to satisfy QoS requirements in an actual channel environment to perform communication. You can determine the minimum signal-to-noise ratio (SNR) required.

채널 환경 분류부(50)는 인공 신경망에 실제 통신을 수행할 채널 환경의 채널 상태 정보를 입력하여(S300), 실제 통신을 수행할 채널 환경을 분류할 수 있다(S400).The channel environment classifier 50 may classify a channel environment in which actual communication is to be performed by inputting channel state information of a channel environment to actually perform communication to the artificial neural network (S400).

채널 환경 분류부(50)는 채널 환경 시뮬레이션부(30)에서 획득한 실제 채널 환경 모델의 최소 신호 대 잡음비를 인공 신경망 구축부(10)에서 구축하는 인공 신경망의 입력 데이터로 입력할 수 있다. 이와 같은 경우 인공 신경망은 채널 환경을 미리 학습한 복수의 채널 모델 중 어느 하나의 채널 모델로 분류할 수 있다.The channel environment classification unit 50 may input the minimum signal-to-noise ratio of the actual channel environment model obtained by the channel environment simulation unit 30 as input data of the artificial neural network constructed by the artificial neural network construction unit 10. In this case, the artificial neural network may classify the channel environment into any one of a plurality of channel models that have been learned in advance.

이하에서는 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법의 유리한 효과에 대해 설명한다.Hereinafter, advantageous effects of the channel recognition method using channel state information according to an embodiment of the present invention will be described.

본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법의 유리한 효과를 입증하기 위해 인공 신경망 구축부(10)는 각각 10, 50, 100, 500, 1000 및 1500 개의 히든 레이어로 구성되는 인공 신경망을 구축하였으며, 각 인공 신경망을 이용하여 농촌(rural)의 가시선(LOS) 채널 모델의 채널 상태 정보(CSI) 50,549 건, 도시(urban)의 가시선(LOS) 채널 모델의 채널 상태 정보(CSI) 55,787건, 교차로(crossing)의 비가시선(NLOS) 채널 모델의 채널 상태 정보(CSI) 61,118건, 고속도로(highway)의 가시선(LOS) 채널 모델의 채널 상태 정보(CSI) 103,909 건 및 고속도로(highway)의 비가시선(NLOS) 채널 모델의 채널 상태 정보(CSI) 30,656 건으로 총 302,019 건의 채널 상태 정보(CSI)를 학습하였다.In order to prove the advantageous effect of the channel recognition method using channel state information according to an embodiment of the present invention, the artificial neural network construction unit 10 is composed of 10, 50, 100, 500, 1000 and 1500 hidden layers, respectively. A neural network was constructed, and using each artificial neural network, 50,549 channel state information (CSI) of the rural line of sight (LOS) channel model, and channel state information (CSI) of the urban line of sight (LOS) channel model 55,787 cases, channel state information (CSI) of the NLOS channel model of crossing 61,118 cases, channel state information (CSI) of the line of sight (LOS) channel model of highway 103,909 and highway A total of 302,019 channel state information (CSI) were learned with 30,656 channel state information (CSI) of the NLOS channel model of.

그리고 채널 환경 분류부(50)는 인공 신경망에 각 채널 모델에 해당하는 채널 상태 정보(CSI)를 입력하여 각 채널 모델이 제대로 분류되는지를 확인하였으며, 그 결과는 아래 표 1과 같다.In addition, the channel environment classification unit 50 inputs channel state information (CSI) corresponding to each channel model to the artificial neural network to check whether each channel model is properly classified, and the results are shown in Table 1 below.

Figure 112019011645742-pat00001
Figure 112019011645742-pat00001

표 1을 참조하면, 히든 레이어가 10, 50, 100, 500, 1000 및 1500 개로 구성되는 각 인공 신경망의 채널 상태 정보(CSI)에 따른 채널 모델 분류 결과의 정확도는 각각 85.9%, 95.9%, 96.4%, 96.9%, 97.2% 및 97.1%로 확인된다.Referring to Table 1, the accuracy of the channel model classification result according to the channel state information (CSI) of each artificial neural network consisting of 10, 50, 100, 500, 1000 and 1500 hidden layers is 85.9%, 95.9%, and 96.4, respectively. %, 96.9%, 97.2% and 97.1%.

이로부터 히든 레이어의 뉴런 수가 증가할수록 채널 모델 분류 성능이 높아지며, 이는 히든 레이어의 뉴런 수가 1000개에서 포화됨을 확인할 수 있다. 이에 따라 인공 신경망 구축부(10)는 1000개의 뉴런을 갖는 히든 레이어를 구성하는 것이 바람직하다.From this, as the number of neurons in the hidden layer increases, the channel model classification performance increases, and it can be seen that the number of neurons in the hidden layer is saturated at 1000. Accordingly, it is preferable that the artificial neural network construction unit 10 configures a hidden layer having 1000 neurons.

또한 히든 레이어의 뉴런 수가 50 개로 구성되는 경우에도 95.9%의 정확도를 보이므로, 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법의 높은 정확도를 보장할 수 있다.In addition, even when the number of neurons in the hidden layer is composed of 50, the accuracy of 95.9% is shown, so it is possible to ensure high accuracy of a channel recognition method using channel state information according to an embodiment of the present invention.

또한 비가시선 채널 모델의 채널 분류 정확도가 가시선 채널 모델의 채널 분류 정확도보다 높게 산출되었다. In addition, the channel classification accuracy of the invisible channel model was calculated higher than that of the visible channel model.

예를 들면, 히든 레이어의 뉴런 수를 1000 개로 구성한 경우, 고속도로(highway)의 비가시선(NLOS) 채널 모델의 채널 분류 정밀도(precision) 및 리콜(recall)은 각각 99.2% 및 98.8%로 산출된 반면, 농촌(rural)의 가시선(LOS) 채널 모델의 채널 분류 정밀도 및 리콜은 각각 95.3% 및 96.6%로 산출되었다. For example, when the number of neurons in the hidden layer is 1000, the channel classification precision and recall of the NLOS channel model of the highway are calculated as 99.2% and 98.8%, respectively. , Channel classification accuracy and recall of the rural line of sight (LOS) channel model were calculated as 95.3% and 96.6%, respectively.

이는 농촌(rural)의 가시선(LOS) 채널 모델의 경우 도시(urban)의 가시선(LOS) 채널 모델과 그 채널 상태 정보(CSI) 특징이 유사하기 때문인 것으로 보여지는데, 농촌(rural)의 가시선(LOS) 채널 모델과 도시(urban)의 가시선(LOS) 채널 모델에서 요구되는 채널 상태 정보(CSI)가 유사하므로 농촌(rural)의 가시선(LOS) 채널 모델의 채널 분류 정밀도가 다소 떨어지더라도 채널 적응형 전송(CAT)을 달성하는 데에는 문제가 없을 것으로 판단된다. This is believed to be because in the case of the rural line of sight (LOS) channel model, the urban line of sight (LOS) channel model and the channel state information (CSI) characteristics are similar. ) Channel adaptive transmission even though the channel classification accuracy of the rural line of sight (LOS) channel model is slightly inferior because the channel state information (CSI) required by the channel model and the urban line of sight (LOS) channel model are similar We believe that there will be no problems in achieving (CAT).

이와 같은 본 발명의 일 실시예에 따른 채널 상태 정보를 이용한 채널 인지 방법은 어플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.The channel recognition method using channel state information according to an embodiment of the present invention may be implemented as an application or implemented in the form of program commands that can be executed through various computer components and recorded in a computer-readable recording medium. . The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.

상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.The program instructions recorded in the computer-readable recording medium may be specially designed and constructed for the present invention, and may be known and usable to those skilled in the computer software field.

컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magnetic-optical media such as floptical disks. media), and a hardware device specially configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform processing according to the present invention, and vice versa.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to embodiments, those skilled in the art will understand that various modifications and changes can be made to the present invention without departing from the spirit and scope of the present invention described in the following claims. I will be able to.

1: 채널 상태 정보를 이용한 채널 인지 장치
10: 인공 신경망 구축부
30: 채널 환경 시뮬레이션부
50: 채널 환경 분류부1: Channel recognition device using channel status information
10: artificial neural network construction unit
30: channel environment simulation unit
50: channel environment classification unit

Claims (13)

인공 신경망 구축부에서 복수의 채널 모델 별 채널 상태 정보(CSI: Channel State Information)를 학습한 인공 신경망을 구축하는 단계;
채널 환경 시뮬레이션부에서 실제 채널 환경의 채널 상태 정보를 확인하는 단계; 및
채널 환경 분류부에서 상기 실제 채널 환경의 채널 상태 정보를 상기 인공 신경망에 입력하여 상기 실제 채널 환경이 상기 복수의 채널 모델 중 어느 채널 모델에 해당하는지 분류하는 단계를 포함하고,
상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는,
상기 인공 신경망 구축부에서 상기 복수의 채널 모델 별로 정규화된 신호 대 잡음비(SNR: Signal to Noise Ratio)를 학습하되,
상기 복수의 채널 모델 별로 복수의 부반송파(Subcarrier) 인덱스에 따라 정규화된 신호 대 잡음비(SNR: Signal to Noise Ratio)의 패턴을 학습한 상기 인공 신경망을 구축하고,
상기 복수의 채널 모델은,
농촌의 가시선 채널 모델, 도시의 가시선 채널 모델의, 교차로의 비가시선 채널 모델, 고속도로의 가시선 채널 모델 및 고속도로의 비가시선 채널 모델을 포함하여 구성되며,
상기 실제 채널 환경의 채널 상태 정보를 확인하는 단계는,
상기 채널 환경 시뮬레이션부에서 특정 채널 모델에서의 종단 대 종단 통신 시뮬레이션 프레임워크를 구축하는 단계; 및
상기 시뮬레이션 프레임워크를 이용하여 상기 실제 채널 환경에서 QoS(Quality of Service) 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 확인하는 단계를 포함하는 채널 상태 정보를 이용한 채널 인지 방법.Building an artificial neural network in which channel state information (CSI) for each channel model is learned by the artificial neural network construction unit;
Checking channel state information of an actual channel environment in the channel environment simulation unit; And
Including the step of classifying which channel model the real channel environment corresponds to among the plurality of channel models by inputting the channel state information of the real channel environment into the artificial neural network,
Building an artificial neural network learning channel state information for each of the plurality of channel models,
The artificial neural network construction unit learns a normalized signal to noise ratio (SNR) for each of the plurality of channel models,
Constructing the artificial neural network learning a pattern of a signal to noise ratio (SNR) normalized according to a plurality of subcarrier indices for each of the plurality of channel models,
The plurality of channel models,
It is composed of a rural line of sight channel model, an urban line of sight channel model, a non-visible line channel model of an intersection, a line of sight channel model of a highway, and a non-visible line channel model of a highway.
Checking the channel state information of the actual channel environment,
Building an end-to-end communication simulation framework in a specific channel model in the channel environment simulation unit; And
And confirming a minimum signal-to-noise ratio (SNR) required to satisfy a quality of service (QoS) requirement in the real channel environment using the simulation framework. 삭제delete 삭제delete 제1항에 있어서,
상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는,
상기 인공 신경망 구축부에서 피드-포워드 네트워크, 히든 레이어 및 출력 레이어로 구성되는 상기 인공 신경망을 구축하는 단계를 포함하는 채널 상태 정보를 이용한 채널 인지 방법.The method of claim 1,
Building an artificial neural network learning channel state information for each of the plurality of channel models,
And constructing the artificial neural network consisting of a feed-forward network, a hidden layer, and an output layer by the artificial neural network construction unit. 제4항에 있어서,
상기 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 단계는,
상기 인공 신경망 구축부에서 2계층의 상기 피드-포워드 네트워크와, Sigmoid 뉴런이 적용된 상기 히든 레이어 및 softmax 뉴런이 적용된 상기 출력 레이어로 구성되는 상기 인공 신경망을 구축하는 단계를 포함하는 채널 상태 정보를 이용한 채널 인지 방법.The method of claim 4,
Building an artificial neural network learning channel state information for each of the plurality of channel models,
A channel using channel state information comprising the step of constructing the artificial neural network consisting of the layer 2 feed-forward network in the artificial neural network construction unit, the hidden layer to which Sigmoid neurons are applied, and the output layer to which softmax neurons are applied Cognitive method. 삭제delete 제1항, 제4항 내지 제5항 중 어느 하나의 항에 따른 채널 상태 정보를 이용한 채널 인지 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.A computer-readable recording medium having a computer program recorded thereon for performing a channel recognition method using channel state information according to any one of claims 1, 4 to 5. 복수의 채널 모델 별 채널 상태 정보를 학습한 인공 신경망을 구축하는 인공 신경망 구축부;
실제 통신을 수행할 채널 환경의 채널 상태 정보를 확인하는 채널 환경 시뮬레이션부; 및
상기 실제 채널 환경의 채널 상태 정보를 상기 인공 신경망에 입력하여 상기 실제 채널 환경이 상기 복수의 채널 모델 중 어느 채널 모델에 해당하는지 분류하는 채널 환경 분류부;를 포함하되,
상기 인공 신경망 구축부는,
상기 복수의 채널 모델 별로 정규화된 신호 대 잡음비(SNR: Signal to Noise Ratio)를 학습한 상기 인공 신경망을 구축하되,
상기 복수의 채널 모델 별로 복수의 부반송파(Subcarrier) 인덱스에 따라 정규화된 신호 대 잡음비(SNR)의 패턴을 학습한 상기 인공 신경망을 구축하고,
상기 복수의 채널 모델은,
농촌의 가시선 채널 모델, 도시의 가시선 채널 모델의, 교차로의 비가시선 채널 모델, 고속도로의 가시선 채널 모델 및 고속도로의 비가시선 채널 모델을 포함하여 구성되며,
상기 채널 환경 시뮬레이션부는,
특정 채널 모델에서의 종단 대 종단 통신 시뮬레이션 프레임워크를 구축하고, 상기 시뮬레이션 프레임워크를 이용하여 상기 실제 채널 환경에서 QoS(Quality of Service) 요구 조건을 만족시키기 위해 요구되는 최소 신호 대 잡음비(SNR)를 확인하는 채널 상태 정보를 이용한 채널 인지 장치.An artificial neural network construction unit for constructing an artificial neural network learning channel state information for each channel model;
A channel environment simulation unit for checking channel state information of a channel environment to perform actual communication; And
A channel environment classification unit for classifying which channel model among the plurality of channel models by inputting channel state information of the real channel environment into the artificial neural network;
The artificial neural network building unit,
Constructing the artificial neural network learning the normalized signal to noise ratio (SNR) for each of the plurality of channel models,
Constructing the artificial neural network learning a pattern of a signal-to-noise ratio (SNR) normalized according to a plurality of subcarrier indices for each of the plurality of channel models,
The plurality of channel models,
It is composed of a rural line of sight channel model, an urban line of sight channel model, a non-visible line channel model of an intersection, a line of sight channel model of a highway, and a non-visible line channel model of a highway.
The channel environment simulation unit,
Construct an end-to-end communication simulation framework in a specific channel model, and use the simulation framework to determine the minimum signal-to-noise ratio (SNR) required to satisfy the QoS (Quality of Service) requirement in the real channel environment. Channel recognition device using the channel status information to check 삭제delete 삭제delete 제8항에 있어서,
상기 인공 신경망 구축부는,
피드-포워드 네트워크, 히든 레이어 및 출력 레이어로 구성되는 상기 인공 신경망을 구축하는 채널 상태 정보를 이용한 채널 인지 장치.The method of claim 8,
The artificial neural network building unit,
A channel recognition device using channel state information to construct the artificial neural network consisting of a feed-forward network, a hidden layer, and an output layer. 제11항에 있어서,
상기 인공 신경망 구축부는,
2계층의 상기 피드-포워드 네트워크와, Sigmoid 뉴런이 적용된 상기 히든 레이어 및 softmax 뉴런이 적용된 상기 출력 레이어로 구성되는 상기 인공 신경망을 구축하는 채널 상태 정보를 이용한 채널 인지 장치.The method of claim 11,
The artificial neural network building unit,
A channel recognition device using channel state information for constructing the artificial neural network consisting of the two-layer feed-forward network, the hidden layer to which Sigmoid neurons are applied, and the output layer to which softmax neurons are applied. 삭제delete
KR1020190012863A 2019-01-31 2019-01-31 Method of channel awareness using channel state information, recording medium and apparatus for performing the method KR102209646B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190012863A KR102209646B1 (en) 2019-01-31 2019-01-31 Method of channel awareness using channel state information, recording medium and apparatus for performing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190012863A KR102209646B1 (en) 2019-01-31 2019-01-31 Method of channel awareness using channel state information, recording medium and apparatus for performing the method

Publications (2)

Publication Number Publication Date
KR20200095138A KR20200095138A (en) 2020-08-10
KR102209646B1 true KR102209646B1 (en) 2021-01-29

Family

ID=72049235

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190012863A KR102209646B1 (en) 2019-01-31 2019-01-31 Method of channel awareness using channel state information, recording medium and apparatus for performing the method

Country Status (1)

Country Link
KR (1) KR102209646B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102518990B1 (en) * 2021-03-30 2023-04-06 경상국립대학교산학협력단 Device for controlling transmission power considering imperfect channel state information
WO2024083303A1 (en) * 2022-10-17 2024-04-25 Vestel Elektronik Sanayi Ve Ticaret A.S. Deep learning based channel estimation

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170137074A (en) * 2015-04-10 2017-12-12 미쓰비시덴키 가부시키가이샤 Communication system
KR102423059B1 (en) * 2016-10-25 2022-07-21 삼성전자주식회사 Electronic device and method for setting communication standard
KR102139740B1 (en) * 2017-06-09 2020-07-31 한국과학기술원 Electronic apparatus and method for optimizing of trained model

Also Published As

Publication number Publication date
KR20200095138A (en) 2020-08-10

Similar Documents

Publication Publication Date Title
Lewandowski et al. Road traffic monitoring system based on mobile devices and bluetooth low energy beacons
KR102209646B1 (en) Method of channel awareness using channel state information, recording medium and apparatus for performing the method
JP2019531494A (en) Voice quality evaluation method and apparatus
CN105702263A (en) Voice playback detection method and device
CN115149986B (en) Channel diversity method and device for semantic communication
WO2019134549A1 (en) Positioning method and apparatus based on deep learning, computer device, and storage medium
Hill et al. Double threshold spectrum sensing methods in spectrum-scarce vehicular communications
Peng et al. Deep learning based channel estimation for OFDM systems with doubly selective channel
Blazek et al. Measurement-based burst-error performance modeling for cooperative intelligent transport systems
Toufga et al. Effective prediction of V2I link lifetime and vehicle's next cell for software defined vehicular networks: A machine learning approach
Saffar et al. Deep learning based speed profiling for mobile users in 5G cellular networks
US20220383118A1 (en) Generating variable communication channel responses using machine learning networks
CN107038252B (en) Route measurement generation method based on multi-mode data
Shivaldova et al. A model for vehicle-to-infrastructure communications in urban environments
Dong et al. Innovative semantic communication system
Anderson Channel prediction in wireless communications
Yi et al. Exploring LTE-V link level performance by geometry enhanced winner II channel model
Nikolov Adaptive Uplink Data Rate Prediction and NetworkSelection in a Vehicular Mobile Channel
Wang et al. Finite-state Markov modeling for the non-stationary wideband vehicular channels
CN117580090B (en) Mobile terminal communication stability testing method and system
JP7262690B1 (en) Traffic jam prediction device and traffic jam prediction method
Salem et al. A tractable stochastic channel model for V2X communications
CN111988788B (en) 5G positioning network design method and system for rail transit
CN107659519B (en) Doppler threshold judgment method based on pilot frequency in LTE-V2V
Tunc Mitigating the Challenges of Low-Latency Services in Future Wireless Networks

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant