KR102415990B1 - 공간 다중모드 검출을 수행하는 방법 및 장치 - Google Patents

공간 다중모드 검출을 수행하는 방법 및 장치 Download PDF

Info

Publication number
KR102415990B1
KR102415990B1 KR1020200163352A KR20200163352A KR102415990B1 KR 102415990 B1 KR102415990 B1 KR 102415990B1 KR 1020200163352 A KR1020200163352 A KR 1020200163352A KR 20200163352 A KR20200163352 A KR 20200163352A KR 102415990 B1 KR102415990 B1 KR 102415990B1
Authority
KR
South Korea
Prior art keywords
spatial
mode
multimode
convolutional neural
neural network
Prior art date
Application number
KR1020200163352A
Other languages
English (en)
Other versions
KR20220074633A (ko
Inventor
조동호
지동진
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020200163352A priority Critical patent/KR102415990B1/ko
Publication of KR20220074633A publication Critical patent/KR20220074633A/ko
Application granted granted Critical
Publication of KR102415990B1 publication Critical patent/KR102415990B1/ko

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0697Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using spatial multiplexing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621Feedback content
    • H04B7/0626Channel coefficients, e.g. channel state information [CSI]

Abstract

개시된 기술은 공간 다중모드 검출을 수행하는 방법 및 장치에 관한 것으로, 수신단말이 송신단말의 안테나에서 전송된 공간 다중모드에 대한 복합 프리앰블 신호를 수신하여 상기 복합 프리앰블 신호의 패턴을 이미지로 변환하는 단계; 상기 수신단말이 상기 이미지를 합성곱 신경망에 입력하여 상기 공간 다중모드를 식별하는 정보를 출력하는 단계; 및 상기 출력된 정보에 따라 상기 복합 프리앰블 신호가 나타내는 공간 다중모드를 식별하는 단계;를 포함하는 공간 다중모드 검출을 수행하는 방법.한다. 따라서 공간 다중모드의 재배정에 따른 정확도를 높이고 연산에 따른 소모시간을 단축시키는 효과가 있다.

Description

공간 다중모드 검출을 수행하는 방법 및 장치 {METHOD AND DEVICE FOR PERFORMING SPATIAL MULTIPLE MODE DETECTION}
개시된 기술은 공간 다중모드에 대한 프리앰블 신호를 분석하여 공간 다중모드 검출을 수행하는 방법 및 장치에 관한 것이다.
최근 무선 통신을 요구하는 스마트 기기의 수가 폭발적으로 증가하고, 그 요구 대역폭 또한 폭발적으로 증가함에 따라 밀리미터파(mmWave) 및 테라헤르츠(THz)와 같은 극고주파 대역의 통신 기법이 제안되었고 활발하게 구현되고 있다.
극고주파 대역은 기존에 많이 사용되어 이미 대역폭이 부족한 셀룰러 대역과는 다르게 한층 더 높은 주파수 영역으로서 매우 넓은 대역폭을 이용할 수 있는 것이 특징이다. 특히, 차세대 6G 통신 기술로서 주목을 받고 있는 테라헤르츠 대역의 경우는, 높은 경로 감쇠로 인하여 기존의 셀룰러 대역과는 다르게 가시선 전파(Line Of Sight, LOS) 환경 기반의 통신이 요구된다. 하지만, LOS 환경 기반의 무선 채널의 경우는 채널의 개수 내지는 랭크(Rank)가 부족하여 종래의 MIMO 통신 방식으로는 x 및 y축 편파를 이용한 2배의 자유도만을 얻을 수 있는 문제가 있었다.
이에 편파뿐만이 아닌, 공간상의 패턴으로 직교 함수를 구현하여 종래 LOS 채널의 랭크 부족 문제를 해결하기 위한 공간 다중 모드 기술이 제안되었다. 공간 다중모드 기술은 전자기파가 진행하는 방향의 직교 평면 상에 3차원 패턴을 직교 함수 기반으로 생성함으로서 LOS 채널 환경 하에서도 무한한 채널 다중성을 얻을 수 있는 기술이다. 무한한 채널 다중성을 기반으로 다수 스트림을 전송하여 종래 MIMO 기술로는 불가능했던 LOS 환경 다중 스트림 통신을 가능하게 할 수 있는 기술이다. 하지만, 공간 다중 모드 통신을 진행하기에 앞서 각 단말에 분배된 공간 다중 모드를 고정하지 않고, 변화시키는 방법이 없다는 문제가 존재한다. 물론, 매 프레임마다 단말에 분배된 공간 다중 모드를 한 번씩 송신하는 단순 프리앰블 기반의 방법을 이용할 수도 있지만, 이는 이용할 공간 다중 모드 수에 비례하여 프리앰블 시간이 더 필요하다는 단점이 존재한다. 이러한 단순 프리앰블 기반 상황에서는, 다수 단말들이 다수 공간 다중 모드를 이용할수록 프리앰블 해독에 필요한 복잡도와 시간이 크게 증가하게 된다.
한국 등록특허 제10-2171178호
개시된 기술은 공간 다중모드에 대한 프리앰블 신호를 분석하여 공간 다중모드 검출을 수행하는 방법 및 장치를 제공하는데 있다.
상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 1 측면은 수신단말이 송신단말의 안테나에서 전송된 공간 다중모드에 대한 복합 프리앰블 신호를 수신하여 상기 복합 프리앰블 신호의 패턴을 이미지로 변환하는 단계, 상기 수신단말이 상기 이미지를 합성곱 신경망에 입력하여 상기 공간 다중모드를 식별하는 정보를 출력하는 단계 및 상기 출력된 정보에 따라 상기 복합 프리앰블 신호가 나타내는 공간 다중모드를 식별하는 단계를 포함하는 공간 다중모드 검출을 수행하는 방법을 제공하는데 있다.
상기의 기술적 과제를 이루기 위하여 개시된 기술의 제 2 측면은 송신단말의 안테나에서 전송된 공간 다중모드에 대한 복합 프리앰블 신호를 수신하는 안테나, 사전에 훈련된 합성곱 신경망을 저장하는 메모리 및 상기 복합 프리앰블 신호의 패턴을 이미지로 변환하고 상기 합성곱 신경망에 상기 이미지를 입력하여 상기 공간 다중모드를 식별하는 정보를 출력하고 상기 출력된 정보에 따라 상기 복합 프리앰블 신호가 나타내는 공간 다중모드를 식별하는 프로세서를 포함하는 공간 다중모드 검출을 수행하는 장치를 제공하는데 있다.
개시된 기술의 실시 예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 개시된 기술의 실시 예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
개시된 기술의 일 실시예에 따르면 공간 다중모드 검출을 수행하는 방법 및 장치는 통신 상태에 따라 공간 다중모드를 낮은 코스트로 변화하는 효과가 있다.
또한, 합성곱 신경망을 이용하여 공간 다중모드의 재배정에 따른 정확도를 높이고 연산에 따른 소모시간을 단축시키는 효과가 있다.
또한, 송신측에서 통신 상태를 고려한 최적의 공간 다중모드 신호를 생성하는 효과가 있다.
도 1은 개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 과정을 나타낸 도면이다.
도 2는 개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 방법에 대한 순서도이다.
도 3은 합성곱 신경망을 사전에 훈련하는 방법에 대한 순서도이다.
도 4는 개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 장치에 대한 블록도이다.
도 5는 합성곱 신경망에 포함되는 어텐션 레이어를 나타낸 도면이다.
도 6은 최적의 공간 다중모드 신호를 생성하기 위해서 기계학습 모델을 학습하는 방법에 대한 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제 1 , 제 2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 한다. 그리고 "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다.
그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이다.
도 1은 개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 과정을 나타낸 도면이다. 도 1을 참조하면 시스템은 복수의 안테나를 이용하여 복합 프리앰블 신호를 전송하는 송신단말(110)과 복합 프리앰블 신호를 수신하여 공간 다중모드를 식별하는 수신단말(120)로 이루어진다. 수신단말과 송신단말은 각각 안테나가 구비된 기지국 내 설치된 단말기일 수 있다. 송신단말(110)에서는 각 안테나들의 복합적인 공간 다중모드를 수신단에서 한번에 식별할 수 있도록 복합 프리앰블 신호를 전송할 수 있으며 수신단말(120)에서는 신경망을 이용하여 복합 프리앰블 신호의 패턴을 분석하는 것으로 배정된 공간 다중모드를 식별할 수 있다.
개시된 기술의 일 실시예에 따르면 수신단말의 각 안테나 별 모드에 대한 프리앰블 신호를 독립적으로 송신하는 것이 아닌, 모든 안테나의 모드를 한 번에 복합 프리앰블 신호로서 송신하고 수신단말에서는 이를 신경망을 통해 낮은 복잡도로 복호화함으로써 송신단말과 수신단말 간에 통신을 위한 공간 다중모드를 설정하고자 한다. 수신단말은 안테나로 수신된 복합 프리앰블 신호를 이미지화하여 각 단말에 분배된 모드의 종류를 판별할 수 있다. 예컨대, 도 1과 같이 각 안테나별 특성을 나타내는 벡터값을 추출하여 이미지로 생성할 수 있다. 이후 송신단말에서 분배한 모드를 이용하여 공간 다중모드 통신을 진행할 수 있다.
한편, 종래의 공간 다중모드 기반 통신 방법들은 기존에 각 단말에 할당된 모드를 고정해 놓거나, 통신이 시작되기에 앞서 배정하고자 하는 모드를 각각 프리앰블로 단말에 송신하는 과정을 거쳤다. 하지만, 이러한 시스템은 모드의 재 할당이 불가능하고, 통신 상태에 따라 시시각각으로 변하는 트래픽 상황에 맞추어 최적화를 진행할 수 없는 문제가 있었다. 또한, 모드 할당 변경에 필요한 시간 복잡도가 매우 높은 문제가 있다. 이러한 문제점을 해소하기 위해서 개시된 기술에서는 실시예를 통해 합성곱 신경망을 이용하여 송신단말에서 전송한 복합 프리앰블 신호를 낮은 시간 복잡도로 계산하여 송신단말에서 배정한 공간 다중모드를 식별하고자 한다.
송신단말(110)은 수신단말이 이용할 수 있는 공간 다중모드를 배정한다. 공간 다중모드는 궤도 각 운동량(Orbital Angular Momentum, OAM) 모드, 에르미트 가우시안(Hermite-Gaussian, HG) 모드 및 라게르 가우시안(Laguerre-Gaussian, LG) 모드를 포함한다. 배정되는 공간 다중모드는 송신 당시의 트래픽 상황에 따라 유동적으로 설정할 수 있다. 이후, 각 공간 다중모드를 생성하는 안테나 상의 송신 패턴을 계산하여 모든 패턴에 대해 벡터 합을 취한다. 벡터 합이 취해진 공간 다중모드들은 서로 직교성을 가지고 있기 때문에 추후 수신단말에서 각 공간 다중모드를 복호화 해 낼 수 있다. 이 때, 배정된 공간 다중모드의 수는 수신단말에 충분한 데이터 용량을 보장하면서 타 수신단말과의 형평성을 보장할 수 있는 값이어야 한다. 도 1에 도시된 바와 같이 복합 프리앰블을 형성한다면 높은 성능을 보이는 저 복잡도의 복합 프리앰블을 형성하고 공간 다중모드의 배분을 진행할 수 있다. 프리앰블은 기 설정된 송신 채널을 거쳐 수신단말에 전송된다.
한편, 수신단말(120)에서는 전송된 복합 프리앰블 신호의 패턴을 이미지로 변환한다. 예컨대, 안테나별 모드 특성을 벡터화하고 전체 안테나들의 특성을 나타내는 하나의 이미지를 생성할 수 있다. 이와 같이 생성된 이미지는 2차원 이미지의 형태이므로 합성곱 신경망의 입력값으로 활용이 가능하다. 수신단말은 미리 학습된 합성곱 신경망에 이미지를 입력하여 공간 다중모드를 식별하는 정보를 출력한다. 여기에서 공간 다중모드를 식별하는 정보는 궤도 각 운동량 모드, 에르미트 가우시안 모드 및 라게르 가우시안 모드중 하나를 특정하는 정보일 수 있다.
수신단말이 이용하는 합성곱 신경망은 어텐션 레이어를 포함한다. 수신단말은 합성곱 신경망을 이용하여 입력한 이미지의 로컬 상관관계를 예측하고 어텐션 레이어를 이용하여 입력한 이미지의 글로벌 상관관계를 예측하는 것이 가능하다. 따라서, 보다 높은 정확도로 송신단말에서 배정한 공간 다중모드를 예측할 수 있다.
한편, 합성곱 신경망은 입력되는 이미지에 대한 예측 정확도를 높이기 위해서 사전에 학습하는 과정이 선행된다. 수신단말은 공간 다중모드 검출을 정확하게 수행하기 위해서 복합 프리앰블에 대한 다수의 훈련데이터를 이용하여 합성곱 신경망을 트레이닝할 수 있다. 예컨대, 다수의 훈련데이터를 입력하여 합성곱 신경망의 손실함수가 가장 낮은 값을 출력하도록 학습할 수 있다.
한편, 수신단말(120)은 출력된 정보에 따라 복합 프리앰블 신호가 나타내는 공간 다중모드를 송신단말에서 배정한 것으로 식별한다. 통신 상태는 실시간으로 변화하기 때문에 현재의 통신 모드를 그대로 유지할 수도 있고 다른 모드로 갱신할 수도 있다. 예컨대, 수신단말이 현재 송신단말과 통신중인 공간 다중모드와 송신단말에서 배정한 것으로 식별한 모드가 서로 동일하면 현재 통신 상태를 유지하고, 송신단말과 통신중인 공간 다중모드와 송신단말에서 배정한 것으로 식별한 모드가 서로 다르면 배정된 모드로 통신 상태를 갱신할 수 있다.
한편, 수신단말 뿐만 아니라 송신단말 또한 공간 다중모드에 대한 복합 프리앰블 신호를 기계학습을 이용하여 생성할 수 있다. 예컨대, 수신단말에서 현재 채널에 대한 상태정보가 전달되면 송신단말이 상태정보를 기계학습 모델에 입력하여 채널에 최적화된 공간 다중모드를 위한 복합 프리앰블 신호를 생성할 수 있다. 송신단말은 스토캐스틱 경사하강법(Stochastic Gradient Descent, SGD) 알고리즘을 이용하여 기계학습 모델의 손실함수의 값을 최소화함으로써 채널에 최적화된 프리앰블을 생성할 수 있다.
도 2는 개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 방법에 대한 순서도이다. 도 2를 참조하면 공간 다중모드 검출을 수행하는 방법(200)은 시스템의 수신단말 측에서 수행되는 방법으로, 공간 다중모드에 대한 복합 프리앰블 신호의 패턴을 이미지로 변환하는 단계(210), 합성곱 신경망에 이미지를 입력하여 공간 다중모드를 식별하는 정보를 출력하는 단계(220), 출력된 정보에 따라 복합 프리앰블이 나타내는 공간 다중모드를 식별하는 단계(230) 및 현재 이용중인 통신 모드를 확인하는 단계(240)를 포함한다. 그리고 다음 복합 프리앰블 신호를 감지하는 단계(250)와 통신 종료 여부를 판단하는 단계(260)를 더 포함한다.
수신단말은 210 단계에 따라 복합 프리앰블 신호의 패턴을 이미지로 변환한다. 송신단말의 복수의 안테나들 각각의 패턴을 벡터화하여 하나의 이미지로 변환할 수 있다. 그리고 220 단계에 따라 합성곱 신경망의 입력값으로 변환된 이미지를 입력할 수 있다. 이에 따라 합성곱 신경망은 출력값으로 공간 다중모드를 식별하는 정보를 출력할 수 있다. 그리고 수신단말은 230 단계에 따라 송신단말로부터 배정된 공간 다중모드를 식별한다. 송신단말에서 배정한 공간 다중모드는 궤도 각 운동량(Orbital Angular Momentum, OAM) 모드, 에르미트 가우시안(Hermite-Gaussian, HG) 모드 및 라게르 가우시안(Laguerre-Gaussian, LG) 모드 중 하나일 수 있다. 그리고 240 단계에 따라 현재 이용중인 통신 모드를 확인한다. 만약 현재 통신 모드와 식별된 통신 모드가 동일하다면 현 상태를 유지하고 모드 비교 결과 서로 다른 모드라면 식별된 모드로 현재의 통신 모드를 갱신할 수 있다.
한편, 수신단말은 상술한 210 내지 240 단계까지의 과정을 하나의 사이클로 처리할 수 있다. 즉, 송신단말로부터 전송된 하나의 복합 프리앰블 신호에 대한 하나의 처리과정으로써 진행될 수 있다. 만약 250 단계에 따라 다음 프리앰블이 감지된다면 다시 210 단계로 돌아가서 240 단계까지의 과정을 반복할 수 있다. 물론 프리앰블이 추가로 감지되지 않는다면 260 단계에 따라 현재의 통신을 유지할 것인지 아니면 종료할 것인지를 선택할 수 있다.
도 3은 합성곱 신경망을 사전에 훈련하는 방법에 대한 순서도이다. 도 3을 참조하면 수신단말은 합성곱 신경망을 이용하여 공간 다중모드를 식별하는 정보를 출력하기 이전에 이하의 단계들을 수행할 수 있다. 일 실시예로, 수신단말은 복합 프리앰블 신호에 대한 훈련데이터를 로딩하는 단계(310), 합성곱 신경망에 훈련데이터를 입력하여 공간 다중모드의 구성을 계산하는 단계(320), 공간 다중모드를 예측하는 손실함수를 계산하여 합성곱 신경망의 가중치를 갱신하는 단계(330) 및 합성곱 신경망의 에러율에 대한 피드백을 회신하는 단계(340)를 선행할 수 있다. 수신단말은 복수의 훈련데이터를 저장하는 데이터베이스를 포함할 수 있다. 복수의 훈련데이터는 사전에 관리자로부터 제공될 수 있다. 훈련데이터에는 관리자로부터 제공된 라벨값이 포함되어 있을 수도 있고 자체적으로 라벨값을 생성하여 트레이닝될 수도 있다.
도 4는 개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 장치에 대한 블록도이다. 도 4를 참조하면 공간 다중모드 검출을 수행하는 장치(400)는 안테나(410), 메모리(420) 및 프로세서(430)를 포함한다. 안테나는 송신단말의 안테나에서 전송된 공간 다중모드에 대한 복합 프리앰블 신호를 수신한다. 메모리는 사전에 훈련된 합성곱 신경망을 저장한다. 그리고 프로세서는 복합 프리앰블 신호의 패턴을 이미지로 변환하고 합성곱 신경망에 이미지를 입력하여 공간 다중모드를 식별하는 정보를 출력하고 출력된 정보에 따라 복합 프리앰블 신호가 나타내는 공간 다중모드를 송신단말에서 배정한 것으로 식별한다.
한편, 상술한 공간 다중모드 검출 수행 장치(400)는 컴퓨터와 같은 디바이스에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 즉, 신호를 수신하는 기지국 내 컴퓨터와 같은 장치에 탑재되거나 컴퓨터 상에서 실행되는 프로그램일 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM,SRAM), 다이내믹 램(Dynamic RAM,DRAM), 싱크로너스 디램 (Synchronous DRAM,SDRAM), 2배속 SDRAM(Double Data Rate SDRAM,DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM,ESDRAM), 동기화 DRAM(Synclink DRAM,SLDRAM) 및 직접 램버스 램(Direct Rambus RAM,DRRAM) 과 같은 다양한 RAM을 의미한다.
도 5는 합성곱 신경망의 구조를 나타낸 도면이다. 도 5를 참조하면 합성곱 신경망의 입력으로는 복합 프리앰블 신호를 변환한 2차원 이미지가 주어진다. 복합 프리앰블 신호는 기존의 프리앰블 신호와는 다르게 모든 공간 다중모드가 한 번에 중첩되어 있으며, 채널 효과 또한 반영되어 있다. 즉, 궤도 각 운동량(Orbital Angular Momentum, OAM) 모드, 에르미트 가우시안(Hermite-Gaussian, HG) 모드 및 라게르 가우시안(Laguerre-Gaussian, LG) 모드가 전부 포함될 수도 있고 일부 모드만 포함될 수도 있다. 합성곱 신경망의 특성 중 하나는 다른 인공 신경망들과 다르게 2D 이미지 상에서 로컬 상관관계를 도출해 내는데 특화되어 있다는 점이다. 추가적으로, 합성곱 신경망에 포함된 어텐션 레이어를 사용한다면 로컬 상관관계 뿐만이 아니라 전 이미지를 대상으로 한 글로벌 상관관계까지 도출할 수 있다.
한편, 합성곱 신경망의 어텐션 레이어는 키(Key), 밸류(Value), 쿼리(Query) 의 3가지 transformation을 통하여 어텐션 맵을 생성한다. 여기에서 f가 키, g가 밸류, h가 쿼리를 의미한다. 이와 같이 생성된 어텐션 맵을 이용하여 전 이미지의 픽셀들 간의 상관관계를 연산한다. 이 특징은 많은 안테나 상에서 공간 다중모드를 이용한 복합 프리앰블을 해독하는 현 상황에 매우 알맞다. 가령, 어텐션 레이어를 이용하지 않는다면 많은 안테나 상에서 근거리 내의 패턴만을 인식하기 때문에 공간 다중모드를 복호화 하는데 정확도가 떨어지거나 복호화에 실패할 수 있다. 그러나 어텐션 레이어를 이용한다면 이미지의 양 대각선 끝에 존재하는 픽셀들 간의 상관관계 또한 인지할 수 있어 더 높은 정확도로 프리앰블을 복호화 할 수 있다.
도 6은 최적의 공간 다중모드 신호를 생성하기 위해서 기계학습 모델을 학습하는 방법에 대한 순서도이다. 도 6을 참조하면 송신단말은 학습용 송신 데이터를 생성 및 입력하는 단계(610), 기계학습 모델을 이용하여 공간 다중모드 패턴을 연산하는 단계(620), 출력된 공간 다중모드를 송신하는 단계(630), 기계학습 모델의 손실함수를 연산하는 단계(640), 스토캐스틱 경사하강법 알고리즘으로 기계학습 모델을 최적화하는 단계(650) 및 로스값이 기준치 미만인지 확인하는 단계(660)에 따라 통신 환경에 최적화된 신호를 생성할 수 있다. 송신단말은 송신하고자 하는 데이터를 인공 신경망의 입력으로 받고, 기계학습 모델을 통해 송신 패턴 함수를 연산하고, LIS를 통해 송신할 수 있다. 이 신호를 수신단말이 받아, 평균 용량 및 간섭 정도, 그리고 필요 재전송 횟수를 측정한다. 송신단말은 측정된 값을 전달받고 이를 기반으로 Loss 함수를 계산한 뒤 스토캐스틱 알고리즘을 통해 방사 패턴 생성 네트워크의 변수들을 업데이트 할 수 있다. 이후 Loss 함수가 충분히 작아졌다면 방사 패턴 생성 네트워크가 충분히 학습되었다는 의미이므로 학습을 종료한다. 이를 통해서 다양한 환경에 알맞은 공간 다중 모드 방사 패턴을 연산할 수 있다.
이와 같이 송신단말에서도 공간 다중모드의 복합 프리앰블 신호를 생성하는데 있어서 기계학습을 적용할 수 있다. 실제 공간 다중모드의 통신 환경은 다양한 변수가 있으며, 안테나 간의 각도 불균형이나 채널의 비 가시선 전파(Non-line of sight, NLOS) 특성 때문에 공간 다중모드가 엉켜서 송신될 수 있다. 이 모든 변수를 고려하여 heuristic한 최적의 해를 매 번 찾아 통신을 하는 것은 불가능에 가깝다. 이에, 기계학습 모델을 이용하여 로스값을 최소화하는 과정을 수행하여 다양한 채널 및 송신 상황에 대해 최적의 프리앰블을 생성할 수 있다.
실제 통신 환경에서 모든 채널 및 통신 상황에 대해 방사 패턴을 저장해 놓는 것은 불가능에 가깝다. 다양한 기지국과 사람, 방해물이 있는데, 실제 통신 환경에서는 방사 패턴을 저장하는 시점의 상태와 이후의 상태가 달라질 가능성이 높다. 가령, 안테나 각도나 방향이 달라질 수도 있고, 이동하는 사람의 위치나 인원수가 달라질 수도 있다. 이와 같이 조금이라도 바뀐점이 존재한다면 이전에 저장해 놓았던 방사 패턴을 이용할 수 없게 된다. 이렇게 많은 상황에 대해 개별적으로 방사 패턴을 연산하거나 저장한다면 저장 공간과 계산 복잡도가 지수함수적으로 증가하게 된다. 따라서, 이러한 문제를 해결하기 위해서 기계학습 모델을 사용한다. 기계학습 모델을 적용하기 위해서는 적절한 Loss 함수의 정의가 필요하며, 이를 스토캐스틱 경사하강법(Stochastic Gradient Descent)을 이용하여 최적화하게 된다. 적절한 regularization 기법과 기계학습 모델을 함께 이용한다면 일부 채널 상황을 기반으로 많은 채널 상황에 대해 적절한 성능을 보일 수 있는 패턴 연산 기법을 모사할 수 있다.
한편, 상술한 바와 같이 기계학습 모델 기반 패턴 생성 방법을 설계하기 위해서 적절한 Loss 함수를 정의할 필요가 있다. 본 기술에서는 통신 품질을 개선하는 것이 주된 목적이며, 통신 품질은 간섭의 정도, 통신 용량, 재전송 횟수 등 다양한 변수에 의해 결정될 수 있다. 여기서, 필요한 통신 품질의 조합을 weighted sum으로 나타냄으로써 다양한 환경에 맞는 Loss 함수를 정의할 수 있다. Weighted sum 으로 표현된 loss 함수의 한 예시는 아래 수학식 1에 따라 연산할 수 있다.
Figure 112020128651492-pat00001
여기서
Figure 112020128651492-pat00002
는 네트워크 전체의 평균 용량,
Figure 112020128651492-pat00003
는 전체 수신기들이 관측하는 평균 간섭,
Figure 112020128651492-pat00004
은 수신기들의 평균 재전송 횟수를 의미한다. 알파의 경우는 전체 수신기들이 관측하는 평균 간섭에 대한 변수로서, 알파가 커질수록 평균 용량을 희생하더라도 전체 간섭을 줄이겠다는 의미이다. 베타의 경우는 재전송 횟수에 대한 변수로서, 베타가 커진다면 평균 용량이 줄더라도 전체 재전송 횟수를 줄이겠다는 의미이다. 각각 알파와 베타의 값은 네트워크의 환경에 따라 바뀔 수 있으며, 다른 통신 품질의 최적화가 필요하다면 weighted sum에 항을 추가함으로써 최적화할 수 있다.
개시된 기술의 일 실시예에 따른 공간 다중모드 검출을 수행하는 방법 및 장치는 이해를 돕기 위하여 도면에 도시된 실시 예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 개시된 기술의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

Claims (14)

  1. 수신단말이 송신단말의 안테나에서 전송된 공간 다중모드에 대한 복합 프리앰블 신호를 수신하여 상기 복합 프리앰블 신호의 패턴을 이미지로 변환하는 단계;
    상기 수신단말이 상기 이미지를 합성곱 신경망에 입력하여 상기 공간 다중모드를 식별하는 정보를 출력하는 단계; 및
    상기 출력된 정보에 따라 상기 복합 프리앰블 신호가 나타내는 공간 다중모드를 식별하는 단계;를 포함하되,
    상기 공간 다중모드는 궤도 각 운동량(Orbital Angular Momentum, OAM) 모드, 에르미트 가우시안(Hermite-Gaussian, HG) 모드 및 라게르 가우시안(Laguerre-Gaussian, LG) 모드를 포함하고, 상기 공간 다중모드를 식별하는 정보는 상기 궤도 각 운동량 모드, 에르미트 가우시안 모드 및 라게르 가우시안 모드중 하나를 특정하는 정보인 공간 다중모드 검출을 수행하는 방법.
  2. 제 1 항에 있어서,
    상기 식별하는 단계는 상기 식별된 모드에 따라 송신단말과 통신하는 단계를 포함하고,
    상기 통신하는 단계는 상기 수신단말이 현재 송신단말과 통신중인 공간 다중 모드와 상기 송신단말에서 배정한 것으로 식별한 모드가 서로 동일하면 현재 통신 상태를 유지하고, 상기 송신단말과 통신중인 공간 다중 모드와 상기 송신단말에서 배정한 것으로 식별한 모드가 서로 다르면 배정된 모드로 통신 상태를 갱신하는 공간 다중모드 검출을 수행하는 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 합성곱 신경망은 어텐션 레이어를 포함하고,
    상기 수신단말은 상기 합성곱 신경망을 이용하여 상기 이미지의 로컬 상관관계를 예측하고 상기 어텐션 레이어를 이용하여 상기 이미지의 글로벌 상관관계를 예측하는 공간 다중모드 검출을 수행하는 방법.
  5. 제 1 항에 있어서,
    상기 합성곱 신경망은 상기 수신단말에서 제공되는 복합 프리앰블 신호에 대한 훈련데이터를 이용하여 사전에 학습을 수행하되,
    상기 수신단말이 상기 복합 프리앰블 신호에 대한 훈련데이터를 로딩하는 단계;
    상기 수신단말이 상기 합성곱 신경망에 상기 훈련데이터를 입력하여 복합 공간 다중모드의 구성을 계산하는 단계;
    상기 복합 공간 다중모드를 예측하는 손실함수를 계산하여 상기 합성곱 신경망의 가중치를 갱신하는 단계; 및
    상기 합성곱 신경망의 에러율에 대한 피드백을 회신하는 단계;에 따라 상기 학습을 수행하는 공간 다중모드 검출을 수행하는 방법.
  6. 제 1 항에 있어서,
    상기 수신단말은 현재 채널에 대한 상태정보를 상기 송신단말에 전송하고, 상기 송신단말은 상기 상태정보를 기계학습 모델에 입력하여 상기 채널에 최적화된 공간 다중모드를 위한 복합 프리앰블 신호를 생성하는 공간 다중모드 검출을 수행하는 방법.
  7. 제 1 항에 있어서,
    상기 송신단말은 기계학습 모델을 이용하여 상기 수신단말에 대한 통신 모드를 결정하되 스토캐스틱 경사하강법(Stochastic Gradient Descent, SGD) 알고리즘을 이용하여 상기 기계학습 모델의 손실함수의 값을 최소화하는 공간 다중모드 검출을 수행하는 방법.
  8. 제 7 항에 있어서,
    상기 송신단말은 아래의 수학식 1에 따라 로스값을 최소화하는 공간 다중모드 검출을 수행하는 방법.
    [수학식 1]
    Figure 112020128651492-pat00005

    (여기서
    Figure 112020128651492-pat00006
    는 네트워크 전체의 평균 용량,
    Figure 112020128651492-pat00007
    는 전체 수신기들이 관측하는 평균 간섭,
    Figure 112020128651492-pat00008
    은 수신기들의 평균 재전송 횟수를 의미함.)
  9. 송신단말의 안테나에서 전송된 공간 다중모드에 대한 복합 프리앰블 신호를 수신하는 안테나;
    사전에 훈련된 합성곱 신경망을 저장하는 메모리; 및
    상기 복합 프리앰블 신호의 패턴을 이미지로 변환하고 상기 합성곱 신경망에 상기 이미지를 입력하여 상기 공간 다중모드를 식별하는 정보를 출력하고 상기 출력된 정보에 따라 상기 복합 프리앰블 신호가 나타내는 공간 다중모드를 식별하는 프로세서;를 포함하되,
    상기 합성곱 신경망은 어텐션 레이어를 포함하고,
    상기 프로세서는 상기 합성곱 신경망을 이용하여 상기 이미지의 로컬 상관관계를 예측하고 상기 어텐션 레이어를 이용하여 상기 이미지의 글로벌 상관관계를 예측하는 공간 다중모드 검출을 수행하는 장치.
  10. 제 9 항에 있어서,
    상기 프로세서는 상기 식별 결과가 현재 송신단말과 통신중인 공간 다중 모드와 일치하면 현재 통신 상태를 유지하고, 상기 식별 결과와 현재 송신단말과 통신중인 공간 다중모드가 서로 다르면 상기 식별 결과에 따라 통신 상태를 갱신하는 공간 다중모드 검출을 수행하는 장치.
  11. 제 9 항에 있어서,
    상기 공간 다중모드는 궤도 각 운동량(Orbital Angular Momentum, OAM) 모드, 에르미트 가우시안(Hermite-Gaussian, HG) 모드 및 라게르 가우시안(Laguerre-Gaussian, LG) 모드를 포함하고, 상기 공간 다중모드를 식별하는 정보는 상기 궤도 각 운동량 모드, 에르미트 가우시안 모드 및 라게르 가우시안 모드중 하나를 특정하는 정보인 공간 다중모드 검출을 수행하는 장치.
  12. 삭제
  13. 제 9 항에 있어서,
    상기 프로세서는 상기 합성곱 신경망을 사전에 훈련하되,
    복합 프리앰블 신호에 대한 훈련데이터를 로딩하여 상기 합성곱 신경망에 입력하여 공간 다중모드를 예측하는 손실함수를 계산하여 상기 합성곱 신경망의 가중치를 갱신하고 상기 합성곱 신경망의 에러율에 대한 피드백을 회신하여 상기 합성곱 신경망을 훈련하는 포함하는 공간 다중모드 검출을 수행하는 장치.
  14. 제 9 항에 있어서,
    상기 프로세서는 현재 채널에 대한 상태정보를 상기 안테나를 통해 상기 송신단말에 전송하고, 상기 송신단말은 상기 상태정보를 기계학습 모델에 입력하여 상기 채널에 최적화된 공간 다중모드를 위한 복합 프리앰블 신호를 생성하는 공간 다중모드 검출을 수행하는 장치.
KR1020200163352A 2020-11-27 2020-11-27 공간 다중모드 검출을 수행하는 방법 및 장치 KR102415990B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200163352A KR102415990B1 (ko) 2020-11-27 2020-11-27 공간 다중모드 검출을 수행하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200163352A KR102415990B1 (ko) 2020-11-27 2020-11-27 공간 다중모드 검출을 수행하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220074633A KR20220074633A (ko) 2022-06-03
KR102415990B1 true KR102415990B1 (ko) 2022-07-01

Family

ID=81983572

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200163352A KR102415990B1 (ko) 2020-11-27 2020-11-27 공간 다중모드 검출을 수행하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102415990B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020029163A1 (en) 2018-08-09 2020-02-13 Zte Corporation Methods, apparatus and systems for transmitting indication information

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006014321A (ja) * 2004-06-21 2006-01-12 Samsung Electronics Co Ltd 広帯域無線接続通信システムにおける動作モード情報を送受信する方法
KR20060014695A (ko) * 2004-08-11 2006-02-16 삼성전자주식회사 무선 통신 시스템에서 프리앰블 송수신 장치 및 방법
KR20080043468A (ko) * 2006-11-14 2008-05-19 삼성전자주식회사 통신 시스템에서 신호 송신 방법 및 장치
KR102171178B1 (ko) 2013-12-11 2020-10-28 삼성전자 주식회사 다수의 안테나를 사용하는 무선 통신 시스템에서 빔 선택 방법 및 장치
KR20200024072A (ko) * 2018-08-17 2020-03-06 한국전자통신연구원 기계학습 기반 신호 검출 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020029163A1 (en) 2018-08-09 2020-02-13 Zte Corporation Methods, apparatus and systems for transmitting indication information

Also Published As

Publication number Publication date
KR20220074633A (ko) 2022-06-03

Similar Documents

Publication Publication Date Title
KR102030128B1 (ko) 기계학습을 이용한 무선 백홀망 자원할당방법 및 자원할당 장치
Thrane et al. Model-aided deep learning method for path loss prediction in mobile communication systems at 2.6 GHz
CN1360807A (zh) 用于确定移动通信台位置的定位测量单元的选择
CN105790813A (zh) 一种大规模mimo下基于深度学习的码本选择方法
US11115832B2 (en) Method and device for network design in wireless communication system
Hossain et al. Enhancing the spectrum sensing performance of cluster-based cooperative cognitive radio networks via sequential multiple reporting channels
Klus et al. Transfer learning for convolutional indoor positioning systems
WO2023049601A1 (en) Domain adaptation for wireless sensing
KR102415990B1 (ko) 공간 다중모드 검출을 수행하는 방법 및 장치
US10761200B1 (en) Method for evaluating positioning parameters and system
Doeker et al. Angle of arrival and angle of departure estimation using compressed sensing for terahertz communications
Bibb et al. Machine learning for source localization in urban environments
de Sousa Enhanced localization systems with multipath fingerprints and machine learning
Krijestorac et al. Agile radio map prediction using deep learning
Fu et al. A Joint-Neural-Network-Based Channel Prediction for Millimeter-Wave Mobile Communications
Kuzlu et al. A streamlit-based artificial intelligence trust platform for next-generation wireless networks
US11240680B2 (en) Device and method for analyzing propagation characteristics in wireless communication system
Patel et al. Non-parametric blind spectrum sensing based on censored observations for cognitive radio
Elbir et al. Implicit channel learning for machine learning applications in 6g wireless networks
KR101911503B1 (ko) 실내환경에서의 확률기반 근거리 무선 위치 측정 시스템 및 방법
Pu et al. Primary user emulation detection algorithm based on distributed sensor networks
Bezerra et al. Predicting consecutive spectrum opportunities with hidden Markov models
KR102153305B1 (ko) 메타 안테나를 활용한 데이터 링크의 무선 자원 관리 장치 및 그 방법
KR102012796B1 (ko) 무선신호 전파 계산장치 및 그 장치의 동작 방법
Nasim et al. Geometric machine learning for channel covariance estimation in vehicular networks

Legal Events

Date Code Title Description
GRNT Written decision to grant