KR102458868B1 - 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법 - Google Patents

딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법 Download PDF

Info

Publication number
KR102458868B1
KR102458868B1 KR1020200169598A KR20200169598A KR102458868B1 KR 102458868 B1 KR102458868 B1 KR 102458868B1 KR 1020200169598 A KR1020200169598 A KR 1020200169598A KR 20200169598 A KR20200169598 A KR 20200169598A KR 102458868 B1 KR102458868 B1 KR 102458868B1
Authority
KR
South Korea
Prior art keywords
signal
deep learning
interference cancellation
orthogonal
orthogonal signal
Prior art date
Application number
KR1020200169598A
Other languages
English (en)
Other versions
KR20220080465A (ko
Inventor
심이삭
선영규
김수현
이동구
이지영
김진영
Original Assignee
광운대학교 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 광운대학교 산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020200169598A priority Critical patent/KR102458868B1/ko
Publication of KR20220080465A publication Critical patent/KR20220080465A/ko
Application granted granted Critical
Publication of KR102458868B1 publication Critical patent/KR102458868B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0047—Decoding adapted to other signal detection operation
    • H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
    • H04J11/0023—Interference mitigation or co-ordination
    • H04J11/0026—Interference mitigation or co-ordination of multi-user interference
    • H04J11/0036—Interference mitigation or co-ordination of multi-user interference at the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0026—Transmission of channel quality indication
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법은, 딥 러닝 기반 모델을 이용하여 연속 간섭 제거(successive interference cancellation, SIC)를 통한 복조를 수행함으로써, 연속 간섭 제거(SIC)를 통해 복조하면서 발생되는 오류를 최소화하여 오류 전가(error propagation) 문제를 해결할 수 있고, 또한 추가적인 하드웨어 인프라없이 기존의 연속 간섭 제거 시스템을 사용하는 비직교 다중 접속 시스템에 적용할 수 있으며, 이로 인해 신호 복조 정확도를 향상시킬 수 있다.

Description

딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법{Apparatus and method for optimizing successive interference cancellation using deep learning}
본 발명은 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법에 관한 것으로서, 더욱 상세하게는 연속 간섭 제거(successive interference cancellation, SIC)를 통한 복조를 수행하는, 장치 및 방법에 관한 것이다.
최신 무선 통신의 한정된 자원인 주파수 대역폭을 최대한 활용하기 위해 기존 직교 주파수 분할 다중 접속(Orthogonal Frequency Division Multiple Access, OFDMA)의 제한점인 신호의 직교성(Orthogonality)을 무시하고, 동일한 주파수에 여러 신호를 동시에 할당하여 전송하는 비직교 다중 접속(Nonorthogonal Multiple Access, NOMA) 기술이 대두되고 있으며, 특히 비직교 신호를 복조하는 방법 중 하나인 연속 간섭 제거(Successive Interference Cancellation, SIC) 기술에서, 복조 오류를 보정하기 위한 기술 개발 연구가 성장하고 있다.
이에 대해서, 비직교 신호를 보다 정확히 복조하는 복조 기술 개발이 필요하게 되며, 상기 통신 기술에서 연속 간섭 제거 기반의 복조 기술이 필요하게 되었다.
기존의 기술은 후처리 방법의 성능을 향상시키거나, 비직교 신호 방사기의 전력 할당을 최적화하는 방법을 제시하고 있는데, 이는 효과적으로 오류를 줄이기 어렵거나, 송신단의 복잡도를 증가시키는 문제가 있다.
본 발명이 이루고자 하는 목적은, 딥 러닝 기반 모델을 이용하여 연속 간섭 제거(successive interference cancellation, SIC)를 통한 복조를 수행하는, 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법을 제공하는 데 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치는, 송신 단말로부터 전송되는 비직교 신호를 수신하는 수신 단말에 탑재되는 연속 간섭 제거 최적화 장치로서, 상기 송신 단말로부터 전송되는 상기 비직교 신호를 수신하는 비직교 신호 수신부; 및 비직교 신호를 입력으로 하고 다른 사용자의 에러 모델을 출력으로 하는 에러 최적화 딥 러닝 모델을 이용하여, 상기 비직교 신호 수신부를 통해 수신한 상기 비직교 신호를 연속 간섭 제거(successive interference cancellation, SIC)를 통해 복조하여 자신의 신호를 획득하는 딥 러닝 기반 복조부;를 포함한다.
여기서, 상기 에러 최적화 딥 러닝 모델은, ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함할 수 있다.
여기서, 상기 딥 러닝 기반 복조부는, 상기 에러 최적화 딥 러닝 모델을 기반으로, 수신한 상기 비직교 신호에서 다른 사용자의 신호를 복조하고, 상기 복조한 신호가 상기 자신의 신호인지 여부를 확인하며, 상기 복조한 신호가 상기 자신의 신호가 아닌 경우 상기 복조한 신호를 상기 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 상기 비직교 신호에서 상기 자신의 신호를 획득할 수 있다.
여기서, 상기 딥 러닝 기반 복조부는, 상기 복조한 신호의 비트스트림(bitstream)을 분석하여 상기 자신의 신호인지 여부를 확인할 수 있다.
여기서, 상기 딥 러닝 기반 복조부는, 비트스트림 형태인 상기 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 상기 복조한 신호를 상기 비직교 신호에서 차감할 수 있다.
여기서, 상기 딥 러닝 기반 복조부는, 상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 수신한 상기 비직교 신호에서 바로 자신의 신호를 복조하고, 상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 상기 에러 최적화 딥 러닝 모델을 기반으로 상기 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 상기 자신의 신호를 획득할 수 있다.
여기서, 상기 송신 단말은, 채널 상태 정보(channel state information, CSI)를 기반으로 복수의 수신 단말 각각에 대한 채널 상태(channel state)를 획득하고, 복수의 수신 단말 각각에 대한 채널 상태를 기반으로 복수의 수신 단말 각각에 대한 전력 계수를 획득하며, 복수의 수신 단말 각각에 대한 전력 계수를 기반으로 복수의 수신 단말 각각에 송신할 신호들을 혼합하여 상기 비직교 신호를 획득하고, 획득한 상기 비직교 신호를 방사할 수 있다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 방법은, 송신 단말로부터 전송되는 비직교 신호를 수신하는 수신 단말에 탑재되는 연속 간섭 제거 최적화 장치에 의해 수행되는 연속 간섭 제거 최적화 방법으로서, 상기 송신 단말로부터 전송되는 상기 비직교 신호를 수신하는 단계; 및 비직교 신호를 입력으로 하고 다른 사용자의 에러 모델을 출력으로 하는 에러 최적화 딥 러닝 모델을 이용하여, 수신한 상기 비직교 신호를 연속 간섭 제거(successive interference cancellation, SIC)를 통해 복조하여 자신의 신호를 획득하는 단계;를 포함한다.
여기서, 상기 에러 최적화 딥 러닝 모델은, ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함할 수 있다.
여기서, 상기 자신의 신호 획득 단계는, 상기 에러 최적화 딥 러닝 모델을 기반으로, 수신한 상기 비직교 신호에서 다른 사용자의 신호를 복조하고, 상기 복조한 신호가 상기 자신의 신호인지 여부를 확인하며, 상기 복조한 신호가 상기 자신의 신호가 아닌 경우 상기 복조한 신호를 상기 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 상기 비직교 신호에서 상기 자신의 신호를 획득하는 것으로 이루어질 수 있다.
여기서, 상기 자신의 신호 획득 단계는, 비트스트림 형태인 상기 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 상기 복조한 신호를 상기 비직교 신호에서 차감하는 것으로 이루어질 수 있다.
여기서, 상기 자신의 신호 획득 단계는, 상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 수신한 상기 비직교 신호에서 바로 자신의 신호를 복조하고, 상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 상기 에러 최적화 딥 러닝 모델을 기반으로 상기 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 상기 자신의 신호를 획득하는 것으로 이루어질 수 있다.
상기의 기술적 과제를 달성하기 위한 본 발명의 바람직한 실시예에 따른 컴퓨터 프로그램은 컴퓨터로 읽을 수 있는 기록 매체에 저장되어 상기한 딥 러닝 기반 연속 간섭 제거 최적화 방법 중 어느 하나를 컴퓨터에서 실행시킨다.
본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법에 의하면, 딥 러닝 기반 모델을 이용하여 연속 간섭 제거(successive interference cancellation, SIC)를 통한 복조를 수행함으로써, 연속 간섭 제거(SIC)를 통해 복조하면서 발생되는 오류를 최소화하여 오류 전가(error propagation) 문제를 해결할 수 있다.
또한, 추가적인 하드웨어 인프라없이 기존의 연속 간섭 제거 시스템을 사용하는 비직교 다중 접속 시스템에 적용할 수 있으며, 이로 인해 신호 복조 정확도를 향상시킬 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치를 설명하기 위한 블록도이다.
도 2는 도 1에 도시한 연속 간섭 제거 최적화 장치의 구성을 나타낸 블록도이다.
도 3은 본 발명의 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 동작의 일례를 설명하기 위한 도면이다.
도 4는 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 방법을 설명하기 위한 흐름도이다.
도 5는 도 4에 도시한 연속 간섭 제거(SIC)를 통한 자신의 신호 획득 단계를 보다 자세히 나타낸 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 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.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 명세서에서 각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 명세서에서, "가진다", "가질 수 있다", "포함한다" 또는 "포함할 수 있다"등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
또한, 본 명세서에 기재된 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터 구조들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다.
이하에서 첨부한 도면을 참조하여 본 발명에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
먼저, 도 1을 참조하여 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치에 대하여 설명한다.
도 1은 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치를 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치(이하 '연속 간섭 제거 최적화 장치'라 한다)(100)는 송신 단말(300)로부터 전송되는 비직교 신호를 수신하는 수신 단말(200)에 탑재될 수 있다.
연속 간섭 제거 최적화 장치(100)는 연속 간섭 제거(successive interference cancellation, SIC)를 통한 복조 시 발생되는 오류 전가(error propagation) 문제를 해결하기 위해, 딥 러닝 기반 모델을 이용하여 연속 간섭 제거(SIC)를 통해 복조하면서 발생되는 오류를 최소화한다.
여기서, 연속 간섭 제거 최적화 장치(100)는 소프트웨어 형태로 구현되어 수신 단말(200)에 탑재되거나, 하드웨어 형태로 구현되어 수신 단말(200)에 탑재될 수 있다. 물론, 연속 간섭 제거 최적화 장치(100)는 수신 단말(200)과 일체의 형태로 구현될 수도 있다.
수신 단말(200)은 휴대폰, 스마트폰, 태블릿 등과 같은 무선 통신 단말을 말하며, 송신 단말(300)로부터 전송되는 비직교 신호를 수신하고, 수신한 비직교 신호를 연속 간섭 제거 최적화 장치(100)를 통해 복조하며, 복조한 신호를 기반으로 해당 동작을 수행할 수 있다.
송신 단말(300)은 수신 단말(200)에 무선 통신 서비스를 제공하는 기지국(base station) 등을 말하며, 수신 단말(200) 각각에 대한 신호들을 중첩하여 비직교 신호를 획득하고, 획득한 비직교 신호를 수신 단말(200)들을 향해 방사할 수 있다.
이를 위해, 송신 단말(300)은 전력 할당부(310) 및 비직교 신호 방사부(330)를 포함할 수 있다.
전력 할당부(310)는 채널 상태 정보(channel state information, CSI)를 기반으로 복수의 수신 단말(200) 각각에 대한 채널 상태(channel state)를 획득할 수 있다. 그리고, 전력 할당부(310)는 복수의 수신 단말(200) 각각에 대한 채널 상태를 기반으로 복수의 수신 단말(200) 각각에 대한 전력 계수를 획득할 수 있다.
비직교 신호 방사부(330)는 복수의 수신 단말(200) 각각에 대한 전력 계수를 기반으로 복수의 수신 단말(200) 각각에 송신할 신호들을 혼합하여 비직교 신호를 획득할 수 있다. 그리고, 비직교 신호 방사부(330)는 획득한 비직교 신호를 복수의 수신 단말(200)을 향해 방사할 수 있다.
그러면, 도 2를 참조하여 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 장치에 대하여 보다 자세하게 설명한다.
도 2는 도 1에 도시한 연속 간섭 제거 최적화 장치의 구성을 나타낸 블록도이다.
도 2를 참조하면, 연속 간섭 제거 최적화 장치(100)는 비직교 신호 수신부(110) 및 딥 러닝 기반 복조부(130)를 포함할 수 있다.
비직교 신호 수신부(110)는 송신 단말(300)로부터 전송되는 비직교 신호를 수신할 수 있다.
딥 러닝 기반 복조부(130)는 에러 최적화 딥 러닝 모델을 이용하여, 비직교 신호 수신부(110)를 통해 수신한 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 자신의 신호를 획득할 수 있다.
여기서, 에러 최적화 딥 러닝 모델은 비직교 신호를 입력으로 하고, 다른 사용자의 에러 모델을 출력으로 할 수 있다. 그리고, 에러 최적화 딥 러닝 모델은 레이어들의 weight 값을 0으로 초기화하고, ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함할 수 있다. 또한, 본 발명은 비직교 다중 통신에서 사용 중인 혼합 신호(즉, 비직교 신호) 샘플 960,000개를 사용하여 에러 최적화 딥 러닝 모델을 학습하였다. 즉, 비직교 신호를 계속해서 에러 최적화 딥 러닝 모델을 통해 모델링하여 자신의 신호 외의 다른 유저의 신호에 들어있는 에러 특성을 최적화하고, 이를 통해 연속 간섭 제거(SIC)가 반복될 때 발생하는 오류 전이(error propagation)을 방지할 수 있다.
즉, 딥 러닝 기반 복조부(130)는 송신 단말(300)과의 채널 상태(channel state)를 확인할 수 있다.
송신 단말(300)과의 채널 상태가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 딥 러닝 기반 복조부(130)는 비직교 신호 수신부(110)를 통해 송신 단말(300)로부터 수신한 비직교 신호에서 바로 자신의 신호를 복조할 수 있다.
이에 반면, 송신 단말(300)과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 딥 러닝 기반 복조부(130)는 에러 최적화 딥 러닝 모델을 기반으로 비직교 신호 수신부(110)를 통해 송신 단말(300)로부터 수신한 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 자신의 신호를 획득할 수 있다.
보다 자세히 설명하면, 딥 러닝 기반 복조부(130)는 에러 최적화 딥 러닝 모델을 기반으로, 수신한 비직교 신호에서 다른 사용자의 신호를 복조할 수 있다.
그리고, 딥 러닝 기반 복조부(130)는 복조한 신호가 자신의 신호인지 여부를 확인할 수 있다. 이때, 딥 러닝 기반 복조부(130)는 복조한 신호의 비트스트림(bitstream)을 분석하여 자신의 신호인지 여부를 확인할 수 있다.
복조한 신호가 자신의 신호이면, 딥 러닝 기반 복조부(130)는 복조 동작을 종료하고, 복조한 신호를 수신 단말(200)의 다른 모듈(도시하지 않음)에게 제공할 수 있다.
이에 반면, 복조한 신호가 자신의 신호가 아닌 경우, 딥 러닝 기반 복조부(130)는 복조한 신호를 비직교 신호에서 차감할 수 있다. 이때, 딥 러닝 기반 복조부(130)는 비트스트림 형태인 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 복조한 신호를 비직교 신호에서 차감할 수 있다.
그리고, 딥 러닝 기반 복조부(130)는 복조한 신호가 차감된 비직교 신호에서 다른 사용자의 신호를 복조하고, 복조한 신호가 자신의 신호인지 여부를 확인하며, 복조한 신호가 자신의 신호가 아닌 경우 복조한 신호를 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 비직교 신호에서 자신의 신호를 획득할 수 있다.
그러면, 도 3을 참조하여 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 동작의 일례에 대하여 설명한다.
도 3은 본 발명의 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 동작의 일례를 설명하기 위한 도면이다.
기존 LTE 및 5G 통신망의 경우 채널 상태를 파악하기 위해, 송신측(기지국)은 수신측(유저)과 수시로 채널 상태 정보(CSI)를 주고 받는다.
도 3에 도시된 바와 같이, 유저 1과 기지국 사이의 채널 상태는 강한 채널(strong channel)이고, 유저 2와 기지국 사이의 채널 상태는 약한 채널(weak channel)이라고 가정하면, 기지국은 유저 1과 유저 2에 대한 채널 상태 정보를 기반으로, 채널 상태가 좋은, 즉 기지국과의 거리가 가까운 유저 1에게는 적은 전력을 할당하여 신호 s1을 송신하게 된다. 유저 1은 기지국과 가깝기 때문에 작은 전력의 신호를 송신받아도 이를 정상적으로 수신할 수 있다. 반대의 경우로, 기지국은 채널 상태가 나쁜, 즉 먼 거리에 있는 유저 2에게는 많은 전력을 할당한 신호 s2를 송신하게 된다. 유저 2는 기지국과의 거리가 멀지만, 기지국이 많이 전력을 할당하여 신호를 전송하였기 때문에(거리에 따른 전력 손실이 많더라도) 정상적으로 신호를 수신할 수 있다.
이때, 기지국은 유저 1에 대한 신호 s1과 유저 2에 대한 신호 s2를 동일한 주파수 및 시간 슬롯에 중첩하여 비직교 신호를 생성하고, 생성한 비직교 신호를 방사하게 된다.
그러면, 기지국으로부터 방사되는 비직교 신호를 수신하는 유저 2는 기존의 복조 방법을 그대로 이용하여 비직교 신호에서 자신의 신호인 s2를 복조한다. 유저 2는 기지국과의 거리가 멀기 때문에, 기지국에서 보낸 신호 중 유저 1에 대한 신호 s1은 노이즈 레벨로 무시할 수 있다.
이에 반면, 기지국으로부터 방사되는 비직교 신호를 수신하는 유저 1은 연속 간섭 제거(SIC) 방식을 이용하여 비직교 신호에서 유저 2의 신호인 s2를 선별하여 복조한다. 그리고, 복조한 신호의 비트를 분석하여 자신의 신호가 아님을 확인하면, 복조한 유저 2의 신호인 s2를 기지국으로부터 수신한 비직교 신호에서 차감(cancellation)하게 된다. 기지국에서 받은 신호에서 유저 2의 신호인 s2를 뺀 신호가 유저 1의 신호인 s1, 즉 자신의 신호가 된다.
본 예시는 2명의 유저로 이루어져 있어, 유저 1은 유저 2의 신호를 한번만 복조한 뒤 자신의 신호를 획득하였지만, 본 발명에서는 n명의 유저가 있을 수 있기 때문에, 각 유저는 최대 n-1번의 연속 간섭 제거(SIC) 복조를 진행하여야 자신의 신호를 복조할 수 있다.
그러면, 도 4 및 도 5를 참조하여 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 방법에 대하여 설명한다.
도 4는 본 발명의 바람직한 실시예에 따른 딥 러닝 기반 연속 간섭 제거 최적화 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 연속 간섭 제거 최적화 장치(100)는 송신 단말(300)로부터 전송되는 비직교 신호를 수신한다(S110).
여기서, 송신 단말(300)은 수신 단말(200) 각각에 대한 신호들을 중첩하여 비직교 신호를 획득하고, 획득한 비직교 신호를 수신 단말(200)들을 향해 방사할 수 있다. 즉, 송신 단말(300)은 채널 상태 정보(CSI)를 기반으로 복수의 수신 단말(200) 각각에 대한 채널 상태(channel state)를 획득하고, 복수의 수신 단말(200) 각각에 대한 채널 상태를 기반으로 복수의 수신 단말(200) 각각에 대한 전력 계수를 획득할 수 있다. 그리고, 송신 단말(300)은 복수의 수신 단말(200) 각각에 대한 전력 계수를 기반으로 복수의 수신 단말(200) 각각에 송신할 신호들을 혼합하여 비직교 신호를 획득하고, 획득한 비직교 신호를 복수의 수신 단말(200)을 향해 방사할 수 있다.
그런 다음, 연속 간섭 제거 최적화 장치(100)는 채널 상태가 강한 채널인지 여부를 확인할 수 있다(S130).
즉, 연속 간섭 제거 최적화 장치(100)는 송신 단말(300)과의 채널 상태가 미리 설정된 기준에 따른 약한 채널인지, 아니면 강한 채널인지를 확인할 수 있다.
채널 상태가 미리 설정된 기준에 따른 강한 채널이면(S130-Y), 연속 간섭 제거 최적화 장치(100)는 에러 최적화 딥 러닝 모델을 이용하여, 수신한 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 자신의 신호를 획득할 수 있다(S150).
여기서, 에러 최적화 딥 러닝 모델은 비직교 신호를 입력으로 하고, 다른 사용자의 에러 모델을 출력으로 할 수 있다. 그리고, 에러 최적화 딥 러닝 모델은 레이어들의 weight 값을 0으로 초기화하고, ReLU를 활성화 함수로 하는 CNN 레이어 및 tanh 함수를 활성화 함수로 하는 maxout 레이어를 포함할 수 있다.
이에 반면, 채널 상태가 미리 설정된 기준에 따른 강한 채널이 아니면(S130-N), 연속 간섭 제거 최적화 장치(100)는 수신한 비직교 신호에서 바로 자신의 신호를 복조할 수 있다(S170).
도 5는 도 4에 도시한 연속 간섭 제거(SIC)를 통한 자신의 신호 획득 단계를 보다 자세히 나타낸 흐름도이다.
도 5를 참조하면, 연속 간섭 제거 최적화 장치(100)는 에러 최적화 딥 러닝 모델을 기반으로, 비직교 신호에서 다른 사용자의 신호를 복조할 수 있다(S151).
그런 다음, 연속 간섭 제거 최적화 장치(100)는 복조한 신호가 자신의 신호인지 여부를 확인할 수 있다(S153).
이때, 연속 간섭 제거 최적화 장치(100)는 복조한 신호의 비트스트림(bitstream)을 분석하여 자신의 신호인지 여부를 확인할 수 있다.
복조한 신호가 자신의 신호이면(S153-Y), 연속 간섭 제거 최적화 장치(100)는 복조 동작을 종료할 수 있다. 그리고, 연속 간섭 제거 최적화 장치(100)는 복조한 신호를 수신 단말(200)의 다른 모듈에게 제공할 수 있다.
이에 반면, 복조한 신호가 자신의 신호가 아니면(S153-N), 연속 간섭 제거 최적화 장치(100)는 복조한 신호를 비직교 신호에서 차감할 수 있다(S155).
이때, 연속 간섭 제거 최적화 장치(100)는 비트스트림 형태인 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 복조한 신호를 비직교 신호에서 차감할 수 있다.
이후, 연속 간섭 제거 최적화 장치(100)는 단계 S151 및 단계 S153을 다시 수행할 수 있다.
즉, 연속 간섭 제거 최적화 장치(100)는 복조한 신호가 차감된 비직교 신호에서 다른 사용자의 신호를 복조하고, 복조한 신호가 자신의 신호인지 여부를 확인하며, 복조한 신호가 자신의 신호가 아닌 경우 복조한 신호를 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 비직교 신호에서 자신의 신호를 획득할 수 있다.
이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록 매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록 매체로서는 자기기록매체, 광 기록매체 등이 포함될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 연속 간섭 제거 최적화 장치,
110 : 비직교 신호 수신부, 130 : 딥 러닝 기반 복조부,
200 : 수신 단말,
300 : 송신 단말,
310 : 전력 할당부, 330 : 비직교 신호 방사부

Claims (13)

  1. 송신 단말로부터 전송되는 비직교 신호를 수신하는 수신 단말에 탑재되는 연속 간섭 제거 최적화 장치로서,
    상기 송신 단말로부터 전송되는 상기 비직교 신호를 수신하는 비직교 신호 수신부; 및
    비직교 신호를 입력으로 하고 다른 사용자의 에러 모델을 출력으로 하는 에러 최적화 딥 러닝 모델을 이용하여, 상기 비직교 신호 수신부를 통해 수신한 상기 비직교 신호를 연속 간섭 제거(successive interference cancellation, SIC)를 통해 복조하여 자신의 신호를 획득하는 딥 러닝 기반 복조부;
    를 포함하며,
    상기 에러 최적화 딥 러닝 모델은, ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함하고,
    상기 딥 러닝 기반 복조부는, 상기 에러 최적화 딥 러닝 모델을 기반으로, 수신한 상기 비직교 신호에서 다른 사용자의 신호를 복조하고, 상기 복조한 신호가 상기 자신의 신호인지 여부를 확인하며, 상기 복조한 신호가 상기 자신의 신호가 아닌 경우 상기 복조한 신호를 상기 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 상기 비직교 신호에서 상기 자신의 신호를 획득하는,
    딥 러닝 기반 연속 간섭 제거 최적화 장치.
  2. 삭제
  3. 삭제
  4. 제1항에서,
    상기 딥 러닝 기반 복조부는,
    상기 복조한 신호의 비트스트림(bitstream)을 분석하여 상기 자신의 신호인지 여부를 확인하는,
    딥 러닝 기반 연속 간섭 제거 최적화 장치.
  5. 제1항에서,
    상기 딥 러닝 기반 복조부는,
    비트스트림 형태인 상기 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 상기 복조한 신호를 상기 비직교 신호에서 차감하는,
    딥 러닝 기반 연속 간섭 제거 최적화 장치.
  6. 제1항에서,
    상기 딥 러닝 기반 복조부는,
    상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 수신한 상기 비직교 신호에서 바로 자신의 신호를 복조하고,
    상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 상기 에러 최적화 딥 러닝 모델을 기반으로 상기 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 상기 자신의 신호를 획득하는,
    딥 러닝 기반 연속 간섭 제거 최적화 장치.
  7. 제1항에서,
    상기 송신 단말은,
    채널 상태 정보(channel state information, CSI)를 기반으로 복수의 수신 단말 각각에 대한 채널 상태(channel state)를 획득하고, 복수의 수신 단말 각각에 대한 채널 상태를 기반으로 복수의 수신 단말 각각에 대한 전력 계수를 획득하며, 복수의 수신 단말 각각에 대한 전력 계수를 기반으로 복수의 수신 단말 각각에 송신할 신호들을 혼합하여 상기 비직교 신호를 획득하고, 획득한 상기 비직교 신호를 방사하는,
    딥 러닝 기반 연속 간섭 제거 최적화 장치.
  8. 송신 단말로부터 전송되는 비직교 신호를 수신하는 수신 단말에 탑재되는 연속 간섭 제거 최적화 장치에 의해 수행되는 연속 간섭 제거 최적화 방법으로서,
    상기 송신 단말로부터 전송되는 상기 비직교 신호를 수신하는 단계; 및
    비직교 신호를 입력으로 하고 다른 사용자의 에러 모델을 출력으로 하는 에러 최적화 딥 러닝 모델을 이용하여, 수신한 상기 비직교 신호를 연속 간섭 제거(successive interference cancellation, SIC)를 통해 복조하여 자신의 신호를 획득하는 단계;
    를 포함하며,
    상기 에러 최적화 딥 러닝 모델은, ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함하고,
    상기 자신의 신호 획득 단계는, 상기 에러 최적화 딥 러닝 모델을 기반으로, 수신한 상기 비직교 신호에서 다른 사용자의 신호를 복조하고, 상기 복조한 신호가 상기 자신의 신호인지 여부를 확인하며, 상기 복조한 신호가 상기 자신의 신호가 아닌 경우 상기 복조한 신호를 상기 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 상기 비직교 신호에서 상기 자신의 신호를 획득하는 것으로 이루어지는,
    딥 러닝 기반 연속 간섭 제거 최적화 방법.
  9. 삭제
  10. 삭제
  11. 제8항에서,
    상기 자신의 신호 획득 단계는,
    비트스트림 형태인 상기 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 상기 복조한 신호를 상기 비직교 신호에서 차감하는 것으로 이루어지는,
    딥 러닝 기반 연속 간섭 제거 최적화 방법.
  12. 제8항에서,
    상기 자신의 신호 획득 단계는,
    상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 수신한 상기 비직교 신호에서 바로 자신의 신호를 복조하고,
    상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 상기 에러 최적화 딥 러닝 모델을 기반으로 상기 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 상기 자신의 신호를 획득하는 것으로 이루어지는,
    딥 러닝 기반 연속 간섭 제거 최적화 방법.
  13. 제8항, 제11항 및 제12항 중 어느 한 항에 기재된 딥 러닝 기반 연속 간섭 제거 최적화 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램.
KR1020200169598A 2020-12-07 2020-12-07 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법 KR102458868B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200169598A KR102458868B1 (ko) 2020-12-07 2020-12-07 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200169598A KR102458868B1 (ko) 2020-12-07 2020-12-07 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220080465A KR20220080465A (ko) 2022-06-14
KR102458868B1 true KR102458868B1 (ko) 2022-10-24

Family

ID=81980255

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200169598A KR102458868B1 (ko) 2020-12-07 2020-12-07 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102458868B1 (ko)

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chuan Lin et al., "A Deep Learning Approach for MIMO-NOMA Downlink Signal Detection" Sensors 2019, 19, 2526; doi:10.3390/s19112526.(2019.06.02.)*

Also Published As

Publication number Publication date
KR20220080465A (ko) 2022-06-14

Similar Documents

Publication Publication Date Title
US10708900B2 (en) Generating and transmitting demodulation reference signals
US9860874B2 (en) Method and apparatus for operating resource in wireless communication system
WO2021047647A1 (zh) 上行传输方法和装置
CN111010738B (zh) 上行数据传输方法、用户设备及可读存储介质
US20240064790A1 (en) Device and method for associating resource information with channel metric information in wireless networks
US20230056333A1 (en) Data processing methods and apparatuses, first communication node, second communication node, and storage medium
US20230068264A1 (en) Electronic apparatus for allocating transmission power based on communication capability of terminal and method of operating the same
WO2021143632A1 (zh) 数据传输方法、装置、第一通信节点和第二通信节点
CN107370563B (zh) 信息传输方法及装置
KR102458868B1 (ko) 딥 러닝 기반 연속 간섭 제거 최적화 장치 및 방법
JP5688332B2 (ja) 無線通信システム
CN108633060A (zh) 一种信息传输的方法及装置
CN106851660A (zh) 一种信号干扰测量方法、基站及用户设备
CN111147209A (zh) 一种指示信息的传输方法和装置
CN116249190A (zh) 多用户配对传输确定方法和装置
CN109391414B (zh) Dmrs的天线端口确定方法、用户终端和网络侧设备
US20220312424A1 (en) Terminal and base station
CN116671055A (zh) 一种通信方法和装置
CA2909727C (en) Systems and methods for signal processing using power spectral density shape
US20230063042A1 (en) Apparatus for assigning power based on position of terminal and method thereof
EP4333537A1 (en) A method for selecting a wireless channel to prevent interferences
WO2015085856A1 (zh) 一种基于共享小区的导频配置方法、相关装置及系统
KR102198201B1 (ko) 주변 후방산란 통신에서의 채널 추정 방법 및 그를 위한 장치
CN109842436A (zh) 一种上行信号传输方法、终端和网络侧设备
US8155071B1 (en) Cross-layer allocation of spectral resource to spatially multiplexed communication

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant