KR102426289B1 - 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 - Google Patents
심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 Download PDFInfo
- Publication number
- KR102426289B1 KR102426289B1 KR1020200162482A KR20200162482A KR102426289B1 KR 102426289 B1 KR102426289 B1 KR 102426289B1 KR 1020200162482 A KR1020200162482 A KR 1020200162482A KR 20200162482 A KR20200162482 A KR 20200162482A KR 102426289 B1 KR102426289 B1 KR 102426289B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- artificial neural
- equation
- terminals
- active
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 22
- 239000013598 vector Substances 0.000 description 21
- 238000010295 mobile communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 230000007480 spreading Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006403 short-term memory Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010042135 Stomatitis necrotising Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000008585 noma Diseases 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Circuits Of Receivers In General (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
Description
본 발명은 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출(active user detection, AUD)과 채널 추정(channel estimation: CE) 방법 및 장치에 관한 것으로서, 구체적으로 심층 신경망을 활용하여 활성 단말 검출 성능과 채널 추정 성능을 향상시키는 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출과 채널 추정 방법 및 장치에 관한 것이다.
[국가지원 연구개발에 대한 설명]
본 출원은 과학기술정보통신부 정보통신방송혁신인재양성(R&D)사업[5G와 무인이동체(자율주행차, 드론 등) 산업 융합을 위한 핵심 인력양성, 과제 고유번호: 1711102837, 세부과제번호: 2017-0-01637-004]의 지원에 의하여 이루어진 것이다.
5세대 이동통신에서는 mMTC 시나리오뿐 아니라 기존 시스템에서의 대용량의 데이터를 전송하는 과정의 효율성을 증가시키기 위한 초광대역 통신(enhanced mobile broadband, eMBB)와 고신뢰 저지연 통신(ultra-reliable and low-latency communication, URLLC)도 고려하고 있다. 기존 4세대 이동통신인 롱텀에볼루션(Long Term Evolution: LTE)에서는 단말의 랜덤 액세스(random access)과정에서 단말은 타깃 셀과 접속하기 위해 프리앰블(preamble)이라고 불리는 신호를 전송하며, 기지국은 접속을 시도한 기기에게 상향링크 동기 정보 송신, 단말의 고유 ID 및 상향링크 데이터 채널 자원을 할당하게 된다.
그러나, LTE의 랜덤 액세스의 경우 프리앰블의 수가 한정되어 있어 다수의 사물통신 단말들이 셀에 존재하고 소량의 데이터를 경쟁적으로 보내는 대용량 사물통신(massive machine-type-communication, mMTC)의 경우 프리앰블 충돌의 확률이 증가한다. 따라서, 기존 LTE에서의 한정적인 가용 프리앰블의 수와 소량의 데이터 대비 과중한 제어신호로 인하여 기존의 시스템의 통신 방식과 프레임을 새로이 구성하는 방향으로 연구가 진행되고 있는 상황이다.
구체적으로는 저밀도 확산(low density spreading, LDS) 기법이나 희소코드 다중접속(sparse code multiple access, SCMA) 기법 등의 비직교 다중 접속(non-orthogonal multiple access, NOMA) 기반 기술을 활용한 비승인(grant-free, GF) 형태의 시스템에 대한 연구 등이 진행되고 있다.
다만, 이러한 비승인 기반의 단발 임의 접속(one-shot random access)이 이루어진다면, 각 기기들이 스케쥴링없이 정보를 전송하기 때문에 기지국은 활성화된 단말을 검출하는 과정과 검출된 단말의 채널을 추정하는 과정이 요구된다.
본 발명은 전술한 필요성을 감안하여 안출된 것으로서, mMTC를 지원하고, 승인 신호가 없는 mMTC 시스템에서도 수많은 단말들의 상향링크 통신을 지원하기 위해 장단기 메모리 네트워크를 이용하여 활성 단말을 검출하는 활성 단말 검출과 채널 추정 방법 및 장치를 제공함에 그 목적이 있다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 기지국 장치는 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출을 위한 기지국 장치로서, k개의 활성 단말로부터 중첩된 신호()를 수신하는 수신기; 상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 제1 인공 신경망을 이용하여 상기 수신된 신호()를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률()을 산출하고, 제2 인공 신경망을 이용하여 상기 수신된 신호()와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정한다.
본 발명의 실시예에 따른 장단기 메모리 네트워크를 이용한 활성 단말 검출과 채널 추정 방법 및 장치는 대용량 사물통신을 지원하기 위해 단말(송신단)이 저밀도 확산 코드를 사용하여 데이터 및 파일럿을 변조 전송하고, 기지국(수신단)이 장단기 메모리(LSTM) 기반 제1 인공 신경망을 이용하여 수신 신호로부터 활성 단말을 검출하고, 장단기 메모리 기반 제2 인공 신경망을 이용하여 활성 단말의 채널을 추정하게 된다.
즉, 장단기 메모리(LSTM) 네트워크를 핵심 구조로 활용함에 따라 다수의 해의 후보를 비교하고 가장 유망한 해가 도출될 수 있으며, 직접 사상을 학습함으로써 기존의 압축 센싱 기법이 가지는 중간 과정에서 형성되는 오류가 방지될 수 있다.
또한, 장단기 메모리 네트워크를 이용한 활성 단말 검출과 채널 추정 방법 및 장치는 활성 단말 수의 증가에 덜 민감한 견고함(robustness)을 제공할 수 있어, 실제 네트워크에 적용하기에 더 적합할 수 있다.
특히, 제2 인공 신경망(L-CE)은 각각의 단말에 대응하는 독립적인 채널 값을 얻어내기 위해 NOMA 시스템에서 발생하는 단말 간 간섭(inter-device interference)을 제어하도록 학습되어, 단말 간 간섭으로 인한 채널 추정의 성능 열화가 완화될 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 mMTC 서비스를 제공하는 이동통신 네트워크의 블록도를 도시한다.
도 2는 본 발명의 일 실시예에 따른 활성 단말 검출부의 제1 인공 신경망(L-AUD) 구조 및 제2 인공 신경망(L-CE) 구조를 도시한다.
도 3은 제1 인공 신경망(L-AUD)의 LSTM cell의 세부 구조를 도시한다.
도 4는 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 5는 활성 단말의 수에 따른 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 6은 신호 대 잡음비(SNR)에 따른 채널 평균 제곱 오차(mean squared error: MSE)를 나타낸 그래프이다.
도 7은 활성 단말 수(K)에 따른 채널 평균 제곱 오차를 나타낸 그래프이다.
도 8은 본 발명의 다른 실시예에 따른 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 활성 단말 검출부의 제1 인공 신경망(L-AUD) 구조 및 제2 인공 신경망(L-CE) 구조를 도시한다.
도 3은 제1 인공 신경망(L-AUD)의 LSTM cell의 세부 구조를 도시한다.
도 4는 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 5는 활성 단말의 수에 따른 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 6은 신호 대 잡음비(SNR)에 따른 채널 평균 제곱 오차(mean squared error: MSE)를 나타낸 그래프이다.
도 7은 활성 단말 수(K)에 따른 채널 평균 제곱 오차를 나타낸 그래프이다.
도 8은 본 발명의 다른 실시예에 따른 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.
ITU-R의 제5 세대 이동통신 요구사항에 따르면 2020년경에는 사물인터넷 망에 접속하는 단말의 수가 최대 1km2 당 약 백만(106)개가 될 것으로 예상하고 있다. LTE-Advanced 시스템의 경우 기지국 당 접속된 사용자가 약 300~400명 정도임을 감안하면, 대용량 사물접속을 지원하기 위해서는 추가로 기지국을 설치하여 각 셀의 커버리지(coverage)를 감소시키거나 혹은 분포된 단말 수에 비례하는 자원을 추가로 할당해야 한다.
하지만, 이동통신 주파수 자원이 절대적으로 부족한 상황에서 이러한 해결책은 효과적이지 못하다. 예를 들어, 사물인터넷 환경에서 전체의 약 5%의 단말이 동시에 접속하는 경우, 평균 400개 정도의 단말이 사용되는 LTE 환경에 적용하면 약 20개의 단말이 64개의 프리앰블을 사용하여 접속을 시도하게 된다.
이 때, 셀 내에서 적어도 둘 이상의 단말이 같은 프리앰블을 사용하여 충돌이 일어날 확률은 96%이고, 같은 단말 수와 프리앰블 비율을 유지하면서 백만 개의 사물의 접속을 지원하기 위해서는 약 250만개의 자원이 필요하게 된다. 즉, 셀 당 커버리지가 0.01km2인 경우 셀 당 필요한 자원의 수는 2만5천개이며, 이는 현재 시스템이 사용하는 다중접속 자원 수의 20배가 넘기 때문에 그다지 현실적이지 못하다. 그러므로, mMTC를 지원하기 위해서는 종래의 기술과 다른 자원 할당 및 접속 과정이 필요하다.
제4세대 이동통신인 LTE에서는 단말의 랜덤 액세스과정에서 단말은 타깃 셀과 접속하기 위해 프리앰블 신호를 전송한다. 보통 64개의 프리앰블을 사용하기 때문에 많은 단말들이 접속에 성공하기 위해서는 총 4단계의 접속과정이 필요하다. 이러한 과정들을 통해 기지국은 접속을 시도한 기기에게 상향링크 동기 정보 송신, 단말의 고유 ID 및 상향링크 데이터 채널 자원을 할당하게 된다.
그러나, LTE의 랜덤 액세스의 경우 프리앰블의 수가 한정되어 있어 다수의 사물통신 단말들이 셀에 존재하고 소량의 데이터를 경쟁적으로 보내는 mMTC의 경우 프리앰블 충돌의 확률이 증가한다. 뿐만 아니라, 여러 단계의 접속과정을 사용함으로써 단말의 수가 많은 mMTC의 경우 접속을 위한 제어신호 오버헤드가 상당히 증가하게 되고, 적은 양의 데이터(예를 들어, 100비트 내외) 전송이 예상되는 MTC 단말에서 이러한 다중접속 과정은 에너지의 관점에서도 비효율적이다.
따라서, 5세대 이동통신에서는 mMTC 시나리오뿐 아니라 기존 시스템에서의 대용량의 데이터를 전송하는 과정의 효율성을 증가시키기 위한 eMBB와 고신뢰 저지연 통신을 위한 URLLC도 고려하고 있다. 즉, 기존 LTE에서의 한정적인 가용 프리앰블의 수와 소량의 데이터 대비 과중한 제어신호로 인하여 기존의 시스템의 통신 방식과 프레임을 새로이 구성하는 방향으로 연구가 진행되고 있는 상황이며, 구체적으로는 LDS 기법이나 SCMA 기법 등의 NOMA 기반 기술을 활용한 비승인 형태의 시스템에 대한 연구 등이 있다.
그러나, 비승인 기반의 단발 임의 접속(one-shot random access)이 이루어진다면, 기지국은 기기들의 타이밍 정보 및 ID를 알 수 없기 때문에 데이터 채널을 제대로 수신할 수 없다. 즉, 이 기법은 사용자의 충돌 해소과정과 사용자 식별과정이 없기 때문에, 수신된 데이터 심볼을 복조하고 복조된 신호에서 사용자 식별 정보를 획득할 수 있도록 MAC(media access control) 프레임 구조를 설계해야 한다.
구체적으로, MAC 프레임은 활성 정보(센서의 활성 상태를 지시하는 정보), 사물 ID(각 센서의 고유 ID로서 수신된 센싱 데이터의 생산자를 알려주는 정보), 센싱 정보(센서가 수집한 정보)등의 핵심 정보를 전달하도록 설계되어야 한다. 각각의 정보가 물리계층의 전송 프레임 구조를 통해 효과적으로 전달되도록 송신 물리계층 구조와 수신 알고리즘 또는 기법이 확보되어야 한다. 따라서, 본 발명에서 활성 정보는 프리앰블 전송을 통해 받은 측정값을 입력으로 하여 학습된 제1 인공 신경망의 출력으로 획득하도록 하는 구조를 시나리오로 한다. 이하, 본 발명에서는 이와 같이 활성 정보를 획득하고 활성 상태의 활성 단말을 검출하는 방법 및 장치를 제안한다.
도 1은 본 발명의 일 실시예에 따른 mMTC 서비스를 제공하는 이동통신 네트워크(100)의 블록도를 도시한다. 도 2는 본 발명의 일 실시예에 따른 활성 단말 검출부의 제1 인공 신경망(L-AUD) 구조 및 제2 인공 신경망(L-CE) 구조를 도시한다. 도 3은 제1 인공 신경망(L-AUD)의 LSTM cell의 세부 구조를 도시한다.
도 1을 참조하면, 이동통신 네트워크(100)는 복수의 MTC 단말(110-1, … , 110-N)과 커버리지 내의 복수의 MTC 단말(110-1, … , 110-N)과 신호를 주고 받는 기지국(120)을 포함한다.
일부 실시예들에서, MTC 단말(110)은 이동성을 제공하는 전자 장치일 수 있다. MTC 단말(110)은 기지국(120)으로부터 데이터를 수신하거나, 데이터에 대한 제어 정보를 수신할 수 있다. 제어 정보는 하향링크 스케줄링(downlink scheduling)에 관한 정보에 대한 정보들을 포함할 수 있다. 네트워크 유형에 따라, MTC 단말(110)은 “사용자 장비(user equipment, UE)”, "이동국(mobile station)", “가입자국(subscriber station)”, "원격 단말기(remote terminal)", "무선 단말기(wireless terminal)", 또는 "사용자 장치(user device)"와 같은 다른 잘 알려진 용어들이 사용될 수도 있다. 본 발명의 일 실시 예에 따라, MTC 단말(110)은 센서, 가전, 차량 등 다양한 MTC 단말들 중 하나일 수 있다.
기지국(120)은 네트워크 유형에 따라 "기지국(base station)" 외에 "액세스 포인트(access point, AP)", 지노드비(“gNodeB" 또는 “gNB"), 송수신 포인트(transmission reception point, TRP) 등이 대신 사용될 수 있다. 이하 편의상, 기지국(120)은 본 특허 문서에서 원격(remote) 단말기들에 무선 액세스를 제공하는 네트워크 인프라스트럭쳐(infrastructure) 구성 요소들을 의미하기 위해 사용될 수 있다.
본 발명에서 이동통신 네트워크(100)는 상향 링크 시스템을 이용하며, 기지국(120)의 하나의 안테나가 커버리지 내의 복수의 MTC 단말(110-1, … , 110-N)의 정보를 수신하는 상황이다. 특히, 본 발명에서는 이동통신 네트워크(100)는 총 MTC 단말(110-1, … , 110-N)의 수 N이 자원의 수 M보다 큰 M < N인 환경을 구성한다. 자원의 수 M보다 단말의 수 N이 훨씬 커서 제어신호의 부하를 감소시키기 위해 비승인 기반의 상향링크 송신 상황을 가정하며, 이로 인해 수신한 신호로부터 활성 단말을 검출하는 것이 중요한 문제이다. 복수의 MTC 단말(110-1, … , 110-N)은 최초 접속 과정을 모두 완료하였으며, 기지국(120)의 셀 안에 있는 모든 단말은 기지국(120)에게 할당 받은 서로 구분될 수 있는 고유의 사용자 ID를 가지고 있다. 이동통신 네트워크(100)에 추가로 접속하려는 새로운 단말은 RACH(random access channel) 등을 통해 기지국(120)으로부터 사용자 ID를 부여 받는 과정을 거쳐야 한다.
본 발명의 일 실시예에 따른 시스템 모델을 나타내는 도 1의 블록도에 도시된 바와 같이, 복수의 MTC 단말(110-1, … , 110-N) 중 활성 단말은 시퀀스 확산(Sequence spreading)을 통해 각각의 심볼을 Ls 길이의 심볼에 사상하며, 여기에는 저밀도 확산(Low-density spreading) 코드북이 사용된다.
저밀도확산(low density spreading, LDS) 기술은 다중 사용자 전송에 사용되는 직교(orthogonal) 코드를 통한 코드다중화 방식과 달리 비직교적인 코드를 이용하여 신호를 확산하는 방식으로서, 전송에 사용되는 자원을 사용자마다 고유의 희소 패턴으로 할당하여 비직교 상황에서도 많은 수의 단말을 지원할 수 있다. 또한, 압축 센싱(compressed sensing, CS) 기술은 복원하려는 신호가 희소할 때(e.g., 활성 단말 검출, 시간 영역에서의 채널 추정) 효과적으로 원 신호를 복원하는 기술인데, 제안하는 활성 단말 검출에서는 이러한 압축 센싱 기술을 뛰어넘는 딥러닝 기법을 이용한다.
활성 단말은 전송하고자 하는 데이터 및 파일럿 심볼을 구성할 수 있다. MTC 활성 단말은 Ls 개의 심볼(LP 개의 파일럿 심볼과 Ls 개의 데이터 심볼로 구성되는)을 구성할 수 있으며, 구성된 심볼을 변조하고, 비직교 LDS 코드를 사용하여 데이터에 해당하는 LDS 코드로 시퀀스 확산을 통해 송신기로 신호를 전송한다. 각각의 MTC 단말(110)은 이를 위해 데이터 구성부(111), 변조부(112), 시퀀스 확산부(113)를 포함할 수 있다. 예를 들어, MTC 단말(110)은 하나 이상의 프로세서를 포함할 수 있으며, 데이터 구성부(111), 변조부(112), 시퀀스 확산부(113)의 기능은 적어도 하나의 프로세서에 의해 수행될 수 있다. 기지국(120)의 수신기에서는 복수의 MTC 단말(110-1, … , 110-N) 중 활성 단말로부터 채널을 통해 신호를 수신한다. 기지국(120)은 활성 단말 검출 시에 복수의 MTC 단말(110-1, … , 110-N) 각각에 부여된 인덱스(1~N)를 이용하여 각기 다른 단말을 구분한다.
기지국(120)의 수신기에서는 각 활성 단말로부터 송신된 신호들이 중첩되어 수신된다. 수신된 신호는 다음의 <수학식 1>와 같이 나타낸다.
[수학식 1]
수학식 1에서 는 i번째 단말의 데이터의 LDS 코드 벡터이며, 는 i번째 단말의 데이터에 대응하는 채널 벡터이다. 또한, 는 i번째 단말에서 송신하는 데이터 심볼을 나타내며, 는 각각 수신기에서 데이터의 가우시안 잡음벡터이다. 로 모든 단말의 코드북 매트릭스를 의미하며, 로 심벌과 채널로 구성된 합성 벡터(composite vector)이다.
[수학식 2]
수학식 2에서 는 번째 심볼에 해당하는 모든 단말의 코드워드를 대각화 한 행렬이며, 는 번째 심볼에 해당하는 모든 단말의 심볼과 채널벡터를 나타내는 벡터이고, 은 번째 심볼을 대응하는 가우시안 잡음벡터이다.
[수학식 3]
이와 같이, 기지국(120)의 수신기에서 중첩된 신호의 측정값 가 얻어질 수 있다. 기지국(120)은 이와 같이 수신된 신호의 측정값 를 입력으로 하는 활성 단말 검출부(121)를 거쳐 채널 추정부(122), 데이터 검출부(123)를 통해 활성 단말의 신호를 복원한다.
단말 검출부(121)는 입력된 에 대응하여 활성 단말 추정 확률()을 산출할 수 있다. 단말 검출부(121)는 추정 확률이 큰 순서대로 활성 단말의 ID를 검출할 수 있다. 채널 추정부(122)는 입력된 및 단말 검출부(121)의 추정 확률을 수신 받아 수신 받아 활성 단말의 채널을 추정()한다. 데이터 검출부(123)는 수신된 신호에 포함된 데이터 신호()를 검출하게 된다. 즉, GF-NOMA 시스템에서는 각 단말이 스케쥴링없이 자유롭게 패킷을 전송하기 때문에 기지국(120)은 심볼 검출 및 패킷 디코딩 이전에 패킷을 전송하는 활성 단말을 식별하는 과정이 요구된다.
기지국(120)은 복수의 활성 단말로부터 중첩된 신호를 수신하는 수신기; 및 상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함할 수 있다. 또한, 채널 추정부(122), 데이터 검출부(123)의 기능은 적어도 하나의 프로세서에 의해 수행될 수 있다. 즉, 하나 이상의 프로세서는 장단기 메모리 네트워크 기반의 제1 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출할 수 있다. 또한, 프로세서는, 상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출할 수 있다. 또한, 프로세서는 제2 인공 신경망을 이용하여 수신된 신호 및 데이터 검출부의 추정 확률을 입력으로 하여 활성 단말의 채널을 추정할 수 있다.
본 발명의 이동통신 네트워크(100)는 적은 수의 단말만이 활성 상태인 것으로 가정한다. 이 경우, 총 N개 단말 중 k개가 활성 상태일 때 는 k×T개의 0이 아닌 요소들을 가지는 희소벡터이며, 0이 아닌 요소들이 T개씩 모여 총 k×T 개가 존재하므로 블록 단위로 희소한 벡터이다. 상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터일 수 있다.
이와 같이, 블록 단위로 희소한 벡터를 수신한 측정값 를 도 2에 도시된 바와 같은 블록도에 명시되어 있는 활성 단말 검출부(121) 구조에 입력으로 넣어 활성 단말 검출, 즉 AUD를 수행할 수 있다. 또한, 블록 단위로 희소한 벡터를 수신한 측정값 와 단말 검출부(121)의 추정 확률()를 도 2에 도시된 바와 같은 블록도에 명시되어 있는 채널 추정부(122) 구조에 입력으로 넣어 활성 단말의 채널을 추정, 즉 CE를 수행할 수 있다.
활성 단말 검출부(121)는 학습된 제1 인공 신경망(L-AUD)을 포함할 수 있으며, 제1 인공 신경망은 다수의 fully-connected layer와 LSTM cell들로 구성되는 심층 신경망일 수 있다. 또한, 채널 추정부(122)는 학습된 제2 인공 신경망(L-CE)을 포함할 수 있다. 제2 인공 신경망은 다수의 LSTM cell들로 구성되는 심층 신경망일 수 있다.
학습된 제1 인공 신경망의 구조에서 입력은 기지국(120)에 수신된 중첩된 수신 신호의 관측값 이며, 출력은 N개 MTC 단말(110-1, …, 110-N) 각각이 활성 단말일 확률을 나타내는 softmax 벡터이다. 이 중 가장 큰 확률 k개를 선별하여 활성 단말을 검출하며, 해당 추정값은 원래의 활성 단말 인덱스를 나타내는 와 달리 으로 표현한다. 제1 인공 신경망은 아래의 수학식 4의 비용 함수(cost function) 를 최소화하는 방향으로 역전파 알고리즘(backpropagation algorithm)을 이용하여 방대한 양의 합성된 데이터를 토대로 자동적으로 훈련되어 구축될 수 있다.
[수학식 4]
비용 함수가 최솟값을 가지기 위해 제1 인공 신경망(L-AUD)은 모든 단말의 활성 확률을 올바르게 맞추어야 하며, 그러한 방향으로 제1 인공 신경망(L-AUD)은 학습될 수 있다. 특히, 제1 인공 신경망(L-AUD)은 기존의 압축 센싱 기반 활성 단말 검출에서 송신 신호 값의 직접적인 추정이 필요한 과정을 요구하지 않는다. 즉, 제1 인공 신경망(L-AUD)은 기존 알고리즘들에서 필요로 하는 중간 과정들 없이 다음의 수학식 5와 같은 직접 사상(매핑)을 학습하여 구축될 수 있다.
[수학식 5]
제1 인공 신경망(L-AUD)의 첫 번째 완전 연결 계층(fully-connected layer)는 입력된 를 히든 레이어 표현인 로 변경할 수 있다. 변경된 는 하기 수학식 6과 같은 연산을 수행하는 복수의 LSTM 셀에서 순차적으로 연산된다. 하기 수학식 6은 도 3에 도시된 바와 같은 j번째 LSTM 셀을 기준으로 표현된 것이다.
[수학식 6]
LSTM 셀에서, 입력 게이트(input gate, )는 이전 LSTM 셀의 활성 단말 검출 결과인 을 토대로 가 될 수 있는 활성 단말의 후보를 새로이 탐색한다. 망각 게이트(forget gate, )는 이전 LSTM 셀의 활성 단말 검출 결과인 을 토대로 가 될 확률이 적은 활성 단말의 후보와 관련된 정보를 에서 삭제한다. 이러한 과정을 J번 반복함으로써 마지막 J번째 LSTM 셀은 여러 가능한 해 중 가장 정답에 가까운 활성 단말 검출 결과()가 산출된다. 활성 단말 검출 결과()는 두 번째 완전 연결 계층(fully-connected layer)을 거쳐 시그모이드 계층(Sigmoid Layer)로 전달되며, 시그모이드 함수(Sigmoid function)을 통해, 활성 단말 검출 결과의 히든 레이어 표현인 은 N개 단말의 활성도에 대한 확률 벡터 추정치 로 변환한다. 확률 벡터 추정치 는 Threshold Filter를 통해 활성 단말 검출 확률()로 변환될 수 있다.
본 발명에서는 대용량 사물통신을 지원하기 위해 단말(송신단)은 저밀도 확산 코드를 사용하여 데이터 및 파일럿을 변조 전송하고, 기지국(수신단)은 장단기 메모리(LSTM) 기반 제1 인공 신경망을 이용하여 수신 신호로부터 활성 단말을 검출하게 된다. 장단기 메모리(LSTM) 네트워크를 핵심 구조로 활용함에 따라 다수의 해의 후보를 비교하고 가장 유망한 해가 도출될 수 있으며, 직접 사상을 학습함으로써 기존의 압축 센싱 기법이 가지는 중간 과정에서 형성되는 오류가 방지될 수 있다.
학습된 제2 인공 신경망의 구조에서 입력은 기지국(120)에 수신된 중첩된 수신 신호의 관측값 와 단말 검출부(121)의 추정 확률()이며, 해당 단말에 대응하는 채널 추정 값을 N개 단말에 대한 추정된 채널 벡터에서 선별해 냄으로써 출력 을 획득한다. 제2 인공 신경망은 아래의 수학식 7의 비용 함수(cost function) 를 최소화하는 방향으로 역전파 알고리즘(backpropagation algorithm)을 이용하여 방대한 양의 합성된 데이터를 토대로 자동적으로 훈련되어 구축될 수 있다.
[수학식 7]
비용 함수가 최솟값을 가지기 위해 제2 인공 신경망은 활성 단말의 채널 추정을 올바르게 맞추어야 하며, 그러한 방향으로 제2 인공 신경망은 학습될 수 있다. 특히, 제2 인공 신경망은 기존의 압축 센싱 기반 활성 단말 검출에서 송신 신호 값의 직접적인 추정이 필요한 과정을 요구하지 않는다. 즉, 제2 인공 신경망은 기존 알고리즘들에서 필요로 하는 중간 과정들 없이 다음의 수학식 8과 같은 직접 사상(매핑)을 학습하여 구축될 수 있다.
[수학식 8]
제2 인공 신경망(L-CE)은 제1 인공 신경망과 같은 개별 연산을 수행하는 복수의 LSTM 셀로 구성될 수 있다. 다만, 제2 인공 신경망은 추정하고자 하는 결과값이 확률이 아니라 채널 값이기 때문에 마지막에 sigmoid function을 사용하지 않는다는 점과, 입력으로 활성 단말 검출 결과값()이 포함되는 를 사용한다는 점에서, 제1 인공 신경망과 차이점을 가진다.
제2 인공 신경망의 LSTM 셀에서, 입력 게이트(input gate, )는 각 활성 단말의 독립적인 상향 링크 채널을 선별(select)하며, 망각 게이트(forget gate, )는 해당 단말의 채널과 간섭하는 다른 단말들의 채널을 거부(reject)한다. 이러한 과정을 총 J번 반복하여, 마지막 LSTM 셀에서 N개 단말 각각에 대응하는 채널의 히든 레이어 표현()이 산출된다. 즉, 제2 인공 신경망(L-CE)은 각각의 단말에 대응하는 독립적인 채널 값을 얻어내기 위해 NOMA 시스템에서 발생하는 단말 간 간섭(inter-device interference)을 제어하도록 훈련된다. 여러 단말이 동일 무선 자원을 사용하여 파일럿 및 데이터를 송신하는 NOMA 시스템에서, 제2 인공 신경망(L-CE)은 입력 게이트로 특정 단말의 채널 특징을 활성화하는 동시에, 반대로 망각 게이트로 나머지 단말의 채널 특징을 비활성화 할 수 있다.
본 발명에서, 기지국(수신단)은 장단기 메모리(LSTM) 기반 제2 인공 신경망을 이용하여 수신 신호로부터 활성 단말의 채널을 추정하게 된다. 장단기 메모리(LSTM) 네트워크를 핵심 구조로 활용함에 따라 다수의 해의 후보를 비교하고 가장 유망한 해가 도출될 수 있으며, 직접 사상을 학습함으로써 기존의 압축 센싱 기법이 가지는 중간 과정에서 형성되는 오류가 방지될 수 있다. 또한, 선택적 활성화 함수(activation function)을 활용한 제2 인공 신경망을 통해 NOMA환경에서 발생하는 단말 간 간섭으로 인한 채널 추정의 성능 열화가 완화될 수 있다.
이하, 블록 단위로 희소한 벡터를 수신한 측정값 를 활성 단말 검출부(121)에 입력으로 넣어 활성 단말 검출을 수행하여 종래의 방법과 성능 비교한 결과가 도 4 및 5에 도시된다. 구체적으로, 도 4는 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출 시뮬레이션 결과를 도시한다. 도 5는 활성 단말의 수(K)에 따른 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 4 및 도 5의 그래프에서, GA MMSE-BOMP는 활성 단말의 수를 사전 정보로 알고 있는 상태에서 희소 벡터 추정에 MMSE 기법을 사용한 경우의 BOMP 알고리즘을, GA LS-BOMP는 활성 단말의 수를 사전 정보로 알고 있는 상태에서 희소 벡터 추정에 LS 기법을 사용한 경우의 BOMP 알고리즘을 나타내며, 본 발명의 실시예에 따른 제1 신경망(L-AUD)에 의한 활성 단말 추정 결과는 L-AUD로 표기하였다.
시뮬레이션 상황은 파일럿 심볼 8개, 데이터 심볼 16개로 두었고, 4.88us(=4.88us x 15kHz x 2048 = 150 샘플)의 최대 지연 확산을 가지는 상향 링크 채널 환경에서 각각의 단말이 10%(=15개) 까지의 dominant channel tap을 가지는 주파수 선택적 레일리 페이딩 채널을 설정하였다.
도 4를 참조하면, 활성 단말 검출 성공 확률이 0.9일 때, L-AUD는 GA MMSE-BOMP에 비해 2 dB 이득을 거두는 것을 알 수 있다. 이러한 성능 향상은 검출 과정에서 제공되지 않은 채널 정보로 인해 추정 성능에 열화가 존재하는 압축 센싱 기법과 달리 직접 사상을 학습함으로써 향상된 결과에 해당한다.
도 5를 참조하면, 활성 단말의 수(K)가 6에서 10으로 증가할 때 L-AUD의 성공률은 0.97에서 0.83으로 비교적 작게 감소한 데 반해, 기존의 GA MMSE-BOMP 알고리즘은 0.95에서 0.77로, GA LS-BOMP 알고리즘은 0.83에서 0.49로 크게 감소하는 것을 알 수 있다. 즉, 본 발명의 실시예에 따른 L-AUD가 활성 단말 수의 증가에 덜 민감한 견고함 (robustness)를 가지는 것을 알 수 있다. 따라서, 본 발명에서 제안하는 L-AUD 구조를 통한 활성 단말 검출이 현실적인 시나리오에 더 적합함을 의미하고, 또한 실제 네트워크에 적용하기에 더 적합함을 의미한다.
이하, 신호 대 잡음비(SNR) 및 활성 단의 수(K)에 따른 채널 추정 시뮬레이션 결과가 도 6 및 도 7에 도시된다. 도 6은 신호 대 잡음비(SNR)에 따른 채널 평균 제곱 오차(mean squared error: MSE)를 나타낸 그래프이며, 도 7은 활성 단말 수(K)에 따른 채널 평균 제곱 오차를 나타낸 그래프이다.
도 6 및 도 7에서 L-CE는 본 발명의 실시예에 따른 제2 인공 신경망을, LS는 least squares 알고리즘을, conventional LMMSE는 5번의 NOMA기반 선행 LS 채널 추정을 통해 얻어낸 각 단말의 채널 공분산을 사전 정보로 이용하였을 때의 LMMSE 알고리즘을, ideal LMMSE는 각 단말의 채널 공분산을 사전 통계치로 완벽하게 알고 있을 때의 이상적인 LMMSE 알고리즘을 나타낸다.
기존의 conventional LMMSE와 LS 기법은 NOMA 시스템에서 발생하는 단말 간 간섭을 제어하지 못하여 SNR이 증가하더라도 채널 추정 성능 향상에 한계가 존재하는 데 반해, 제안하는 제2 인공 신경망(L-CE)은 단말 간 간섭을 제어하도록 학습하였기 때문에 SNR이 증가함에 따라 달성 가능한 최고 성능 기준인 ideal LMMSE의 성능에 근접함을 도 6을 통해 확인할 수 있다.
또한, 제2 인공 신경망(L-CE)은 단말 간 간섭을 효과적으로 제어하기 때문에 기존 기법들에 비해 활성 단말 수의 증가에 견고함을 보여 채널 추정 성능이 크게 저하되지 않음을 도 7의 그래프에서 확인할 수 있다.
도 8은 본 발명의 다른 실시예에 따른 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법의 순서도이다. 본 실시예에 따른 상술한 기지국(20)에서 수행되는 것으로 도 1 내지 도 7 및 관련 설명이 참조될 수 있다.
도 8을 참조하면, 본 발명의 다른 실시예에 따른 활성 단말 검출과 채널 추정 방법은 k개의 활성 단말로부터 중첩된 신호()를 수신하는 단계(S100); 제1 인공 신경망을 이용하여 상기 수신된 신호()를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률()을 산출하는 단계(S110); 및 제2 인공 신경망을 이용하여 상기 수신된 신호()와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는 단계(S120)를 포함한다.
실시예에서, 제1 인공 신경망과 상기 제2 인공 신경망은 각각 장단기 메모리 네트워크 기반 인공 신경망일 수 있다.
실시예에서, 제1 인공 신경망은 다음의 수학식 5와 같은 직접 사상을 학습하여 구축되고, 상기 제2 인공 신경망은 다음의 수학식 8과 같은 직접 사상을 학습하여 구축될 수 있다.
[수학식 5]
[수학식 8]
또한, 상기 제1 인공 신경망에 입력된 상기 수신된 신호()는 완전 연결 계층(fully-connected layer)를 통과하여 히든 레이어 표현()으로 변경되고, 상기 변경된 히든 레이어 표현()은 복수의 LSTM 셀을 순차적으로 연산되어 활성 단말 검출 결과의 히든 레이어 표현()을 산출하며, 상기 활성 단말 검출 결과의 히든 레이어 표현()은 시그모이드 함수를 통해 상기 추정 확률()로 변환될 수 있다.
상기 복수의 LSTM 셀 각각은 하기 수학식 6과 같은 연산을 수행할 수 있다.
[수학식 6]
(여기서, 수학식 6은 복수의 LSTM 중 j번째 LSTM 셀을 기준으로 표현된 것으로, , 및 는 각각 히든 레이어의 가중치와 편차이며, 는 시그모이드 함수(sigmoid function), tanh는 hyperbolic tangent function이다.)
상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터일 수 있다.
또한, 상기 제2 인공 신경망은 입력 게이트로 특정 단말의 채널 특징을 활성화하고, 망각 게이트로 나머지 단말의 채널 특징을 비활성화하도록 학습될 수 있다.
상술한 구체적인 실시예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 다양한 실시예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
본 발명은 5세대 이동통신(5G, 5thgeneration)의 서비스 카테고리들 중 하나인 mMTC를 지원하는 것을 주된 목표로 하며, 제안하는 향상된 성능의 활성 단말 검출 기법은 승인 신호가 없는 mMTC 시스템에서도 수많은 단말들의 상향링크 통신을 지원하는 데 응용할 수 있다.
100: 이동통신 네트워크
110: MTC 단말
120: 기지국
110: MTC 단말
120: 기지국
Claims (12)
- 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 채널 추정 방법으로서,
k개의 활성 단말로부터 중첩된 신호()를 수신하는 단계;
장단기 메모리 네트워크 기반 인공 신경망인 제1 인공 신경망을 이용하여 상기 수신된 신호()를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률()을 산출하는 단계; 및
장단기 메모리 네트워크 기반 인공 신경망인 제2 인공 신경망을 이용하여 상기 수신된 신호()와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는 단계를 포함하고,
상기 제1 인공 신경망은 다음의 수학식 5와 같은 직접 사상을 학습하여 구축되고,
상기 제2 인공 신경망은 다음의 수학식 8과 같은 직접 사상을 학습하여 구축된, 채널 추정 방법.
[수학식 5]
(여기서, 는 활성 단말 검출에 사용되는 제1 인공 신경망의 파라미터이다.)
[수학식 8]
(여기서, 는 채널 추정에 사용되는 제2 인공 신경망의 파라미터이다.) - 삭제
- 삭제
- 제1항에 있어서,
상기 제2 인공 신경망은 입력 게이트로 특정 단말의 채널 특징을 활성화하고, 망각 게이트로 나머지 단말의 채널 특징을 비활성화하도록 학습된 것을 특징으로 하는, 채널 추정 방법. - 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출과 채널 추정을 위한 기지국 장치로서,
k개의 활성 단말로부터 중첩된 신호()를 수신하는 수신기; 및
상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함하고,
상기 하나 이상의 프로세서는, 장단기 메모리 네트워크 기반 인공 신경망인 제1 인공 신경망을 이용하여 상기 수신된 신호()를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률()을 산출하고, 장단기 메모리 네트워크 기반 인공 신경망인 제2 인공 신경망을 이용하여 상기 수신된 신호()와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하고,
상기 제1 인공 신경망은 다음의 수학식 5와 같은 직접 사상을 학습하여 구축되고,
상기 제2 인공 신경망은 다음의 수학식 8과 같은 직접 사상을 학습하여 구축된, 기지국 장치.
[수학식 5]
(여기서, 는 활성 단말 검출에 사용되는 제1 인공 신경망의 파라미터이다.)
[수학식 8]
(여기서, 는 채널 추정에 사용되는 제2 인공 신경망의 파라미터이다.) - 삭제
- 삭제
- 제7항에 있어서,
상기 제2 인공 신경망은 입력 게이트로 특정 단말의 채널 특징을 활성화하고, 망각 게이트로 나머지 단말의 채널 특징을 비활성화하도록 학습된 것을 특징으로 하는, 기지국 장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200162482A KR102426289B1 (ko) | 2020-11-27 | 2020-11-27 | 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 |
US18/038,357 US20230412429A1 (en) | 2020-11-27 | 2021-11-01 | Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network |
PCT/KR2021/015558 WO2022114561A1 (ko) | 2020-11-27 | 2021-11-01 | 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200162482A KR102426289B1 (ko) | 2020-11-27 | 2020-11-27 | 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220074228A KR20220074228A (ko) | 2022-06-03 |
KR102426289B1 true KR102426289B1 (ko) | 2022-07-28 |
Family
ID=81754784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200162482A KR102426289B1 (ko) | 2020-11-27 | 2020-11-27 | 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230412429A1 (ko) |
KR (1) | KR102426289B1 (ko) |
WO (1) | WO2022114561A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115550994A (zh) * | 2022-09-29 | 2022-12-30 | 浙江大学 | 一种与源址无关的分布式状态监测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102329272B1 (ko) * | 2017-08-04 | 2021-11-19 | 삼성전자주식회사 | 무선 통신 시스템에서 상향링크 전송을 위한 장치 및 방법 |
US10109168B1 (en) * | 2017-11-16 | 2018-10-23 | Cognitive Systems Corp. | Motion localization based on channel response characteristics |
KR102267855B1 (ko) * | 2018-11-30 | 2021-06-23 | 서울대학교산학협력단 | 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 |
KR102260470B1 (ko) * | 2019-05-13 | 2021-06-03 | 가톨릭관동대학교산학협력단 | 인공 신경망을 이용한 보행 중 족부 압력 분포 추정 장치 및 그 방법 |
KR102118088B1 (ko) * | 2019-08-29 | 2020-06-02 | 아이덴티파이 주식회사 | 인공지능 기술을 이용한 배기가스 배출량 예측방법 |
-
2020
- 2020-11-27 KR KR1020200162482A patent/KR102426289B1/ko active IP Right Grant
-
2021
- 2021-11-01 WO PCT/KR2021/015558 patent/WO2022114561A1/ko active Application Filing
- 2021-11-01 US US18/038,357 patent/US20230412429A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022114561A1 (ko) | 2022-06-02 |
US20230412429A1 (en) | 2023-12-21 |
KR20220074228A (ko) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102267855B1 (ko) | 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 | |
WO2021118797A1 (en) | User equipment feedback of multi-path channel cluster information to assist network beam management | |
CN110012542A (zh) | 一种被用于无线通信的用户设备、基站中的方法和装置 | |
KR20220066062A (ko) | 시퀀스 기반 물리 업링크 제어 채널 송신 | |
US20220416993A1 (en) | Demodulator configuration based on user equipment signaling | |
KR102426289B1 (ko) | 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 | |
WO2022261660A1 (en) | Phase noise profile signaling for single carrier waveform | |
Li et al. | System‐level performance simulation analysis of non‐orthogonal multiple access technology in 5G mobile communication network | |
CN117223230A (zh) | 用于信道状态信息和信道压缩切换的技术 | |
CN115486017A (zh) | 用于非相干调制的推升型索引调制 | |
CN104410977B (zh) | 一种基于认知学习的同频异构网络广播信道干扰管理方法 | |
KR102386796B1 (ko) | 장단기 메모리 네트워크를 이용한 활성 단말 검출 방법 및 장치 | |
WO2023004746A1 (en) | Inter-ue coordination information-based resource allocation | |
US11997034B2 (en) | Control of scrambling sequence per symbol for digital post distortion | |
WO2022220929A1 (en) | Channel sensing for full-duplex sidelink communications | |
WO2022159828A1 (en) | Performing a channel access procedure on multiple component carriers in a shared radio frequency spectrum band | |
WO2022164674A1 (en) | Index modulation for low-power analog-to-digital converters | |
KR20230146527A (ko) | 고대역 동작에서 적응형 저분해능 adc(analog-to-digitalconverter)를 위한 비트들의 양을 세팅하기 위한 기법들 | |
US20230198814A1 (en) | Method and apparatus for evaluating performance of channel estimation in communication system | |
US11917675B2 (en) | Techniques for channel aware rank adaptation | |
WO2023184312A1 (en) | Distributed machine learning model configurations | |
US20230292154A1 (en) | Methods for dynamic beamforming weight construction based on directional measurements | |
US20230412292A1 (en) | Interference reporting for wireless communications based on mixture distributions | |
US20230180144A1 (en) | Power adjustment requests for downlink signaling based on received power overloading | |
US20230389017A1 (en) | Code block group-based transmissions for multi-codeword channels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |