KR102644441B1 - Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay - Google Patents
Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay Download PDFInfo
- Publication number
- KR102644441B1 KR102644441B1 KR1020220042080A KR20220042080A KR102644441B1 KR 102644441 B1 KR102644441 B1 KR 102644441B1 KR 1020220042080 A KR1020220042080 A KR 1020220042080A KR 20220042080 A KR20220042080 A KR 20220042080A KR 102644441 B1 KR102644441 B1 KR 102644441B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- deep neural
- repeater
- transmitter
- receiver
- Prior art date
Links
- 238000004891 communication Methods 0.000 title claims abstract description 54
- 238000013135 deep learning Methods 0.000 title abstract description 16
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 187
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 25
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000015429 Mirabilis expansa Nutrition 0.000 description 2
- 244000294411 Mirabilis expansa Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 235000013536 miso Nutrition 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/155—Ground-based stations
- H04B7/15528—Control of operation parameters of a relay station to exploit the physical medium
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/155—Ground-based stations
- H04B7/15528—Control of operation parameters of a relay station to exploit the physical medium
- H04B7/15542—Selecting at relay station its transmit and receive resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radio Relay Systems (AREA)
Abstract
중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템이 제시된다. 본 발명에서 제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템은 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 심층 신경망 계수 생성부 및 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 심층 신경망 연산부를 포함하고, 저전력 광역 통신 시스템의 송신기, 수신기 및 중계기는 상기 심층 신경망 연산부의 출력을 입력 받아 해당 단말에서 필요한 신호를 생성한다.A transmission/reception signal processing method and system applying deep learning techniques in a multi-transmission/multi-reception communication system using a repeater are presented. In the multi-transmission multi-reception communication system using a repeater proposed in the present invention, the transmission and reception signal processing system applying deep learning techniques is a deep neural network coefficient that generates deep neural network coefficients that enable the deep neural network to provide information that minimizes the root mean square error. It includes a deep neural network operation unit that generates a trained deep neural network using a generator and the generated deep neural network coefficients, and outputs information necessary for transmitter, receiver, and repeater signal processing using wireless channel information and power information as input, The transmitter, receiver, and repeater of the low-power wide area communication system receive the output of the deep neural network operation unit and generate signals required by the corresponding terminal.
Description
본 발명은 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템에 관한 것이다.The present invention relates to a transmission/reception signal processing method and system applying deep learning techniques in a multi-transmission/multi-reception communication system using a repeater.
사물인터넷(Internet-of-Thing; IoT) 통신망, 즉 다양한 종류의 응용 매체들의 유비쿼터스 연결을 가능하게 하는 통신망 구축을 위해 저전력 광역 통신 기술에 대한 논의가 3GPP LTE/LTE-A, LoRa(Long Range Alliance) 등에서 활발히 논의되고 있다. 3GPP LTE/LTE-A 에서는 이러한 저전력 광역 통신 시스템의 통신 반경을 확대하기 위한 기술로 물리 계층 관점에서 초협대역(Ultra Narrow Band; UNB) 변조 기술 도입을 고려하고 있다. 초협대역 변조 기술은 수신기 감도를 개선하기 위해, 즉 신호-대-잡음 비(signal-to-noise ratio; SNR)를 향상하기 위해 대역폭을 줄여 잡음 전력을 줄이는 방법을 활용한 것이다. 이러한 초협대역 기술은 통신 반경을 확대할 수 있다는 점에서 저전력 광역 통신 시스템 구축에 적합한 기술이기는 하지만, 대역폭을 줄임으로 인해 전송속도(throughput)가 감소되는 단점이 있다. In order to build an Internet-of-Thing (IoT) communication network, that is, a communication network that enables ubiquitous connection of various types of application media, discussions on low-power wide-area communication technology are being conducted through 3GPP LTE/LTE-A and LoRa (Long Range Alliance). ), etc. are being actively discussed. 3GPP LTE/LTE-A is considering the introduction of Ultra Narrow Band (UNB) modulation technology from a physical layer perspective as a technology to expand the communication radius of this low-power wide area communication system. Ultra-narrowband modulation technology utilizes a method of reducing noise power by reducing bandwidth to improve receiver sensitivity, i.e., signal-to-noise ratio (SNR). Although this ultra-narrow band technology is suitable for building a low-power wide area communication system in that it can expand the communication radius, it has the disadvantage of reducing the transmission speed (throughput) by reducing the bandwidth.
따라서, 초협대역 기술의 전송속도 감소 문제를 해결하고, 저전력 광역 통신 시스템의 전송 속도를 개선하기 위한 방안이 필요하다. Therefore, a method is needed to solve the problem of reduced transmission speed of ultra-narrowband technology and improve the transmission speed of low-power wide area communication systems.
중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 통신 신뢰도를 개선하는 최적 송신기, 수신기 및 중계기 신호처리 방법에 대한 연구는 많이 이루어졌다. 그러나 대부분의 연구는 반복 연산 과정을 포함한 복잡한 연산 과정을 통해 최적 신호처리 구조를 구하기 때문에, 무선 채널이 빠르게 변화는 환경이나 차량 간 통신과 같이 저지연(low-latency) 특성이 중요한 통신 환경에 적용하기는 어렵다.Much research has been conducted on optimal transmitter, receiver, and repeater signal processing methods to improve communication reliability in multi-transmission, multi-reception communication systems using repeaters. However, since most studies find the optimal signal processing structure through complex calculation processes including repetitive calculation processes, they are applied to communication environments where low-latency characteristics are important, such as environments where wireless channels change rapidly or vehicle-to-vehicle communication. It's hard to do.
국내등록특허 제10-1998998호에서는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 통신 신뢰도를 개선하는 최적 송신기, 수신기 및 중계기 신호처리 방법을 제안하였다. 그러나 상기 종래기술에서는 송신기와 수신기에서 다중 안테나를 사용하고, 각 송신기에서 최대 전력 값을 모두 사용하는(equality constraint)에서 송신기, 수신기, 중계기 신호처리 방법을 구했다. Domestic Patent No. 10-1998998 proposed an optimal transmitter, receiver, and repeater signal processing method to improve communication reliability in a multi-transmission multi-reception communication system using a repeater. However, in the prior art, multiple antennas are used in the transmitter and receiver, and a signal processing method for the transmitter, receiver, and repeater is obtained by using the maximum power value in each transmitter (equality constraint).
또한, 최근 심층 신경망을 토대로 한 송수신기 설계에 관한 학술연구가 다양하다. 그러나 현재까지의 학술연구는 [W. Xia, et.al, "A deep learning framework for optimization of MISO downlink beamforming," IEEE Trans. Commun., vol. 68, pp. 1866 - 1880 (2020)] 와 [J. Kim, et.al, "Deep learning methods for universal MISO beamforming," IEEE Wireless Commun. Letters, vol. 9, pp. 1894 -1898 (2020)]와 같이 다중안테나 다중사용자 하향링크 송신기 설계에 대한 것으로, 이에 대한 결과를 중계기를 사용한 다중-송신 다중-수신 시스템에서 송신기, 수신기, 중계기 설계로 바로 확장할 수 없다.Additionally, there is a variety of recent academic research on transceiver design based on deep neural networks. However, academic research to date [W. Xia, et.al, “A deep learning framework for optimization of MISO downlink beamforming,” IEEE Trans. Commun., vol. 68, pp. 1866 - 1880 (2020)] and [J. Kim, et.al, “Deep learning methods for universal MISO beamforming,” IEEE Wireless Commun. Letters, vol. 9, pp. 1894 -1898 (2020)], it is about the design of a multi-antenna multi-user downlink transmitter, and the results cannot be directly extended to the design of a transmitter, receiver, and repeater in a multi-transmission multi-reception system using a repeater.
본 발명이 이루고자 하는 기술적 과제는 초협대역 기술 적용 시 발생하는 저전력 광역 통신 시스템의 전송 속도 감소 문제를 해결하기 위한 새로운 대역폭 할당 방법 및 장치를 제공하는데 있다. 또한, 본 발명을 실제 통신 시스템에 적용할 때 반영되어야 할 물리계층 프레임 구조, 기준치 기반 전송 시점 결정 방법 및 유한한 크기의 대역폭 집합에서의 운용 방법을 제시한다.The technical problem to be achieved by the present invention is to provide a new bandwidth allocation method and device to solve the problem of transmission speed reduction in low-power wide area communication systems that occurs when ultra-narrow band technology is applied. In addition, we present a physical layer frame structure that should be reflected when applying the present invention to an actual communication system, a method for determining a transmission point based on a reference value, and a method for operating in a finite-sized bandwidth set.
일 측면에 있어서, 본 발명에서 제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템은 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 심층 신경망 계수 생성부 및 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 심층 신경망 연산부를 포함하고, 저전력 광역 통신 시스템의 송신기, 수신기 및 중계기는 상기 심층 신경망 연산부의 출력을 입력 받아 해당 단말에서 필요한 신호를 생성한다. In one aspect, the transmission and reception signal processing system applying deep learning techniques in the multi-transmission multi-reception communication system using a repeater proposed in the present invention includes deep neural network coefficients that enable the deep neural network to provide information that minimizes the root mean square error. A deep neural network that generates a trained deep neural network using the deep neural network coefficient generator and the generated deep neural network coefficients, and outputs the information required for transmitter, receiver, and repeater signal processing using wireless channel information and power information as input. It includes a calculation unit, and the transmitter, receiver, and repeater of the low-power wide area communication system receive the output of the deep neural network calculation unit and generate signals required by the corresponding terminal.
상기 심층 신경망 계수 생성부는 반복연산장치를 포함하는 훈련 신호 생성 장치 및 신경망 훈련 및 계수 연산 장치를 포함하고, 상기 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 계수를 구한다. The deep neural network coefficient generation unit includes a training signal generation device and a neural network training and coefficient operation device including a recursive operation unit, and the iterative operation unit averages the plurality of sets of channel and power information generated for deep neural network training. Find the coefficients of the transmitter, repeater, and receiver signal processing devices that minimize the square root error.
상기 반복연산장치는 송신기 신호 처리 장치(), 중계기 신호 처리 장치(), 수신기 신호 처리 장치()를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화하고, 송신기 신호 처리 장치 계수와 중계기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고, The iterative operation device is a transmitter signal processing device ( ), repeater signal processing unit ( ), receiver signal processing unit ( ) is initialized to a random matrix according to each power condition, and the transmitter signal processing unit coefficients and repeater signal processing unit coefficients are maintained in the form of calculated results, and the receiver signal processing unit coefficients ( ) is updated using the formula below,
여기서, 는 송신기 신호 전력을 조절하기 위한 계수로 반복연산과정을 통해 1 로 수렴하고, 는 k 번째 수신기 잡음 전력을 나타낸다. here, is a coefficient for controlling the transmitter signal power and converges to 1 through an iterative operation process, represents the kth receiver noise power.
상기 반복연산장치는 송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고, The iterative operation unit maintains the transmitter signal processing unit and receiver signal processing unit coefficients in the form of calculated results, and the repeater signal processing unit coefficients ( ) is updated using the formula below,
여기서 는 중계기 송신 전력을 제어하는 계수로서 이분법(Bisection-method) 수치해석 방법을 통해 을 만족하는 값으로 결정한다. here is a coefficient that controls the repeater transmission power, and is determined through the bisection-method numerical analysis method. is determined as a value that satisfies .
상기 반복연산장치는 수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 전력을 조절하기 위한 계수()에 관한 복수의 경우에 따라 송신기 신호 처리 장치 계수()를 구한다. The iterative operation unit maintains the coefficients corresponding to the receiver signal processing unit and the repeater signal processing unit in the form of calculated results, while maintaining the coefficient for adjusting the transmitter signal power ( ) in a plurality of cases regarding the transmitter signal processing device coefficient ( ) is obtained.
상기 신경망 훈련 및 계수 연산 장치는 상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구한다. The neural network training and coefficient calculation unit trains a deep neural network using a deep neural network learning algorithm based on a plurality of sets of information generated through the iterative calculation unit, and obtains optimal deep neural network coefficients from the trained results.
상기 심층 신경망 연산부는 실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공하는 입력 신호 구성 장치, 상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 하여 송신기, 수신기, 중계기 각각의 신호 처리 계수 정보에 대한 정보를 출력하는 훈련된 심층 신경망 및 상기 훈련된 심층 신경망의 출력 값에 하여 송신기, 수신기, 중계기 신호 처리 계수를 생성하는 출력 신호 구성 장치를 포함한다. The deep neural network operation unit processes and provides real-time wireless environment information including real-time wireless channels and maximum power information of each terminal according to a deep neural network input layer interface, and provides an input signal configuration device, and a real-time wireless signal processed through the input signal configuration device. A trained deep neural network that takes environmental information as input and outputs information about the signal processing coefficient information of each transmitter, receiver, and repeater, and an output that generates signal processing coefficients of the transmitter, receiver, and repeater based on the output values of the trained deep neural network. Includes a signal configuration device.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법은 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 단계, 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 단계 및 상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성하는 단계를 포함한다. In another aspect, the transmission and reception signal processing method applying deep learning techniques in the multi-transmission multi-reception communication system using a repeater proposed in the present invention provides information that minimizes the root mean square error of a deep neural network through a deep neural network coefficient generator. A step of generating deep neural network coefficients to provide, generating a trained deep neural network using the generated deep neural network coefficients through a deep neural network operation unit, and transmitter, receiver, and repeater signals using wireless channel information and power information as input. It includes outputting information required for processing, receiving the output of the deep neural network operation unit, and generating a signal required at the corresponding terminal through a transmitter, receiver, and repeater.
본 발명의 실시예들에 따르면 초협대역 기술 적용 시 발생하는 저전력 광역 통신 시스템의 전송 속도 감소 문제를 해결할 수 있다. 또한, 심층 신경망을 활용하여 오프라인(off-line)으로 심층 신경망을 학습하고 이 과정으로 구한 심층 신경망 계수에 기초하여 훈련된 심층 신경망을 이용해 주어진 통신 환경에 대해 최적 송신기, 수신기 및 중계기 신호 처리를 실시간으로 획득할 수 있다.According to embodiments of the present invention, it is possible to solve the problem of transmission speed reduction in low-power wide area communication systems that occurs when ultra-narrowband technology is applied. In addition, a deep neural network is learned offline using a deep neural network, and the deep neural network trained based on the deep neural network coefficients obtained through this process is used to process optimal transmitter, receiver, and repeater signals in real time for a given communication environment. It can be obtained.
도 1은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 심층 신경망 계수 생성부의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 심층 신경망 연산부의 구성을 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 실시간 무선 채널 정보 실수화 구성 장치를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 계수 복소수화 장치를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 계수 크기 조절 장치를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 연산 장치를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법을 설명하기 위한 흐름도이다.Figure 1 is a diagram showing the configuration of a transmission and reception signal processing system applying a deep learning technique in a multi-transmission, multi-reception communication system using a repeater according to an embodiment of the present invention.
Figure 2 is a diagram showing the configuration of a deep neural network coefficient generator according to an embodiment of the present invention.
Figure 3 is a diagram showing the configuration of a deep neural network operation unit according to an embodiment of the present invention.
Figure 4 is a diagram for explaining a real-time wireless channel information real-time configuration device according to an embodiment of the present invention.
Figure 5 is a diagram for explaining a coefficient complex number conversion device according to an embodiment of the present invention.
Figure 6 is a diagram for explaining a coefficient size adjustment device according to an embodiment of the present invention.
Figure 7 is a diagram for explaining an arithmetic device according to an embodiment of the present invention.
FIG. 8 is a flowchart illustrating a transmission/reception signal processing method using a deep learning technique in a multi-transmission/multi-reception communication system using a repeater according to an embodiment of the present invention.
본 발명은 사물인터넷(Internet-of-Thing; IoT) 통신을 위한 저전력 광역(Low Power Wide Area; LPWA) 통신 시스템의 전송속도를 개선하기 위한 방법과 이를 실제 통신 시스템에 구현하는 방법에 관한 것이다. 주 전원(main power) 없이 배터리 전력(battery power) 만으로 동작하는 여러 단말들 간에 무선으로 정보를 주고 받는 사물인터넷(IoT) 통신에서 통신망(network)을 저전력 광역(LPWA) 로 구축하는 것은 필수적이다. The present invention relates to a method for improving the transmission speed of a Low Power Wide Area (LPWA) communication system for Internet-of-Thing (IoT) communication and a method of implementing this in an actual communication system. In Internet of Things (IoT) communication, which wirelessly exchanges information between multiple terminals that operate only on battery power without main power, it is essential to establish a low-power wide area (LPWA) network.
통신 반경의 광역화를 위해 신호의 대역폭 사용을 줄여 수신기 감도(receiver sensitivity)를 개선하는 초협대역(Ultra Narrow Band; UBN) 기술은 저전력 광역(LPWA) 통신 시스템 구축에 있어서 물리계층(Physical Layer) 핵심 기술이다. 초협대역 기술은 대역폭을 줄임으로써, 잡음 전력, 즉 잡음 전력 밀도와 대역폭의 곱을 줄이는 방법을 활용한 것이다. 그러나 초협대역 기술은 대역폭을 줄임으로 인해 전송 속도(throughput)가 감소되는 단점이 있다. Ultra Narrow Band (UBN) technology, which improves receiver sensitivity by reducing signal bandwidth use to widen the communication radius, is a core physical layer technology in building a low-power wide area (LPWA) communication system. am. Ultra-narrowband technology utilizes a method of reducing noise power, that is, the product of noise power density and bandwidth, by reducing bandwidth. However, ultra-narrowband technology has the disadvantage of reducing transmission speed (throughput) by reducing bandwidth.
본 발명은 여러 단말기가 동시에 중계기를 통해 통신하는 환경에서 통신 신뢰도 개선을 위한 송수신기 설계 방법에 관한 것으로, 초협대역 기술을 적용 시 발생하는 전송 속도 감소 문제를 해결하는 새로운 대역폭 할당 방법을 제시한다. 이와 더불어 본 발명을 실제 통신 시스템에 적용할 때 반영되어야 할 물리계층 프레임 구조, 기준치(threshold) 기반 전송 시점 결정 방법, 유한한 크기의 대역폭 집합에서 운용 방법 등을 제시한다. The present invention relates to a transceiver design method for improving communication reliability in an environment where multiple terminals communicate simultaneously through a repeater, and proposes a new bandwidth allocation method that solves the problem of transmission speed reduction that occurs when applying ultra-narrow band technology. In addition, we present a physical layer frame structure that should be reflected when applying the present invention to an actual communication system, a method for determining a transmission point based on a threshold, and a method for operating in a finite-sized bandwidth set.
본 발명에서는 상기 통신 환경에서 연산량을 줄이면서 최적 성능을 얻기 위한, 심층 학습(Deep Learning) 방법 적용 송수신기 설계 기법, 즉 신경망 학습을 위한 훈련 신호 생성 기법, 심층 신경망(Deep Neural Network; DNN) 입력 및 출력 구조 및 신경망 출력을 활용한 신호 처리 기법 등을 제시한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.In the present invention, in order to obtain optimal performance while reducing the amount of computation in the communication environment, a deep learning method applied transceiver design technique, that is, a training signal generation technique for neural network learning, a deep neural network (DNN) input, and The output structure and signal processing techniques using neural network output are presented. Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템의 구성을 나타내는 도면이다. Figure 1 is a diagram showing the configuration of a transmission and reception signal processing system applying a deep learning technique in a multi-transmission, multi-reception communication system using a repeater according to an embodiment of the present invention.
중계기를 사용한 다중-송신 다중-수신 통신 시스템에서, K 개 단말기가 동일한 시간, 주파수 대역을 이용해 전송한 신호에 대한 중계기 수신 신호는 [수학식 1] 같이 구현할 수 있다.In a multi-transmission multi-reception communication system using a repeater, the repeater reception signal for signals transmitted by K terminals using the same time and frequency band can be implemented as in [Equation 1].
[수학식 1][Equation 1]
와 는 각각 k 번째 송신기의 다중 안테나 신호와 송신 전력, 는 k 번째 송신기와 중계기 간 무선 채널, 은 중계기 잡음을 의미한다. 여기서, 송신기 전력은 최대 전력 () 제약 조건 을 충족한다. and are the multi-antenna signal and transmission power of the kth transmitter, respectively, is the wireless channel between the kth transmitter and repeater, means repeater noise. Here, the transmitter power is the maximum power ( ) constraints meets.
중계기는 [수학식 1]에 대해 다중 안테나 빔포밍 연산 을 통해 각 수신기로 전송한다. 이 때 중계기 송신 신호는 다음의 최대 전력() 제약 조건을 만족한다. The repeater performs multi-antenna beamforming calculation for [Equation 1] It is transmitted to each receiver through . At this time, the repeater transmission signal has the following maximum power ( ) satisfies the constraints.
[수학식 2] [Equation 2]
[수학식 2]에서 은 중계기 잡음 전력, 은 중계기 안테나 수를 나타낸다. 중계기 송신 신호에 대해, k 번째 수신기의 수신 신호는 다음과 같다. In [Equation 2] silver repeater noise power, indicates the number of repeater antennas. For a repeater transmit signal, the received signal at the kth receiver is:
[수학식 3][Equation 3]
는 중계기에서 k 번째 수신기 간 무선채널, 는 수신기 잡음을 나타낸다. [수학식 3]에 대해 수신 신호 처리 를 통해, 다음과 같이 송신 신호 추정을 한다. is the wireless channel between the kth receiver in the repeater, represents receiver noise. Received signal processing for [Equation 3] Through, the transmission signal is estimated as follows.
[수학식 4][Equation 4]
본 발명은 [수학식 3]에서 송신기 전력 할당 장치 , 중계기 다중안테나 신호 처리 장치 , 그리고 [수학식 4] 에서 수신 신호처리 장치 를 설계하는 방법을 제시한다. The present invention is a transmitter power allocation device in [Equation 3] , repeater multi-antenna signal processing device , and in [Equation 4], the receiving signal processing device presents a method for designing.
여기서 설계 기준은 심층 학습(Deep Learning; DL) 방법을 활용해 실시간 구현이 가능하게 연산량을 감소하고 동시에 통신 신뢰도, 즉 평균 제곱근 오차(Mean Squared Error; MSE)를 최소화 하는 것이다. The design standard here is to utilize Deep Learning (DL) methods to reduce the amount of computation to enable real-time implementation and at the same time minimize communication reliability, that is, the root mean squared error (MSE).
본 발명에서 제안하는 저전력 광역 통신 시스템은 도 1과 같이 심층 신경망 계수 생성부(110), 심층 신경망(Deep Neural Network; DNN) 연산부(120), 심층 신경망을 통해 구한 값에 기초하여 송신기(130), 수신기(150) 및 중계기(140) 각각의 신호처리 계수를 구하는 장치를 포함한다. As shown in FIG. 1, the low-power wide area communication system proposed in the present invention includes a deep neural network coefficient generator 110, a deep neural network (DNN) operation unit 120, and a transmitter 130 based on values obtained through the deep neural network. , includes a device for calculating signal processing coefficients of each of the receiver 150 and the repeater 140.
본 발명의 실시예에 따른 심층 신경망 계수 생성부(110)는 훈련 신호 생성 장치(111) 및 신경망 훈련 및 계수 연산장치(112)를 포함한다. The deep neural network coefficient generator 110 according to an embodiment of the present invention includes a training signal generation device 111 and a neural network training and coefficient calculation device 112.
본 발명의 실시예에 따른 심층 신경망 연산부(120)는 입력 신호 구성 장치(121), 훈련된 심층 신경망(122) 및 출력 신호 구성 장치(123)를 포함한다. The deep neural network operation unit 120 according to an embodiment of the present invention includes an input signal configuration device 121, a trained deep neural network 122, and an output signal configuration device 123.
본 발명의 실시예에 따른 심층 신경망 계수 생성부(110) 및 심층 신경망 연산부(120)의 구체적인 구성에 관하여 도 2 내지 도 7을 참조하여 더욱 상세히 설명한다. The specific configuration of the deep neural network coefficient generator 110 and the deep neural network calculation unit 120 according to an embodiment of the present invention will be described in more detail with reference to FIGS. 2 to 7.
본 발명의 실시예에 따른 심층 신경망 계수 생성부의 경우 도 2와 같은 구성으로 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공할 수 있도록 하는 심층 신경망 계수를 생성한다. 도 2에서 구한 계수를 토대로 도 3의 심층 신경망(DNN)을 만들고, 이 심층 신경망은 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력한다. 마지막으로 각각의 출력 값은 즉 송신기, 수신기, 중계기로 전달되어 해당 단말기에서 필요한 신호를 만들어 낸다. The deep neural network coefficient generator according to an embodiment of the present invention has the configuration shown in FIG. 2 and generates deep neural network coefficients that enable the deep neural network to provide information that minimizes the root mean square error. Based on the coefficients obtained in FIG. 2, a deep neural network (DNN) of FIG. 3 is created, and this deep neural network takes wireless channel information and power information as input and outputs information necessary for transmitter, receiver, and repeater signal processing. Finally, each output value is transmitted to the transmitter, receiver, and repeater to produce the necessary signal in the corresponding terminal.
도 2는 본 발명의 일 실시예에 따른 심층 신경망 계수 생성부의 구성을 나타내는 도면이다. Figure 2 is a diagram showing the configuration of a deep neural network coefficient generator according to an embodiment of the present invention.
본 발명의 실시예에 따른 심층 신경망 계수 생성부(200)는 (211), (212), (213) 연산 장치 및 반복 연산 장치(214)를 포함하는 훈련 신호 생성 장치(210) 및 신경망 훈련 및 계수 연산 장치(220)를 포함한다. The deep neural network coefficient generator 200 according to an embodiment of the present invention is (211), (212), (213) It includes a training signal generating device 210 including an arithmetic unit and a repetitive arithmetic unit 214 and a neural network training and coefficient arithmetic unit 220.
본 발명의 실시예에 따른 반복연산장치(214)에서는 심층 신경망 훈련을 위해 생성된 L 개 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치 계수를 구한다. 예를 들어 번째 세트에 대한 채널 계수 와 송신기 및 중계기 전력 에 대해, 반복연산장치는 [알고리즘 1]을 통해, 번째 세트에 해당하는 송신기, 수신기, 중계기 최적 신호 처리 계수 , , 를 구한다. The iterative processing unit 214 according to an embodiment of the present invention obtains transmitter, repeater, and receiver signal processing unit coefficients that minimize the root mean square error for L sets of channel and power information generated for deep neural network training. for example Channel coefficients for the second set and transmitter and repeater power For this, the iterative operation unit uses [Algorithm 1], Transmitter, receiver, repeater optimal signal processing coefficients corresponding to the first set , , Find .
[알고리즘 1] [Algorithm 1]
L 개 세트 중 어떤 임의의 세트에 대해서 동일하게 적용되므로, 다음 알고리즘 설명에서 번째 세트임을 나타내는 색인(index)은 생략한다. Since the same applies to any arbitrary set among the L sets, in the following algorithm description The index indicating the first set is omitted.
Step 1) 송신기, 중계기, 수신기 신호 처리 장치 (211), (212), (213)를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화한다. Step 1) Transmitter, repeater, receiver signal processing device (211), (212), (213) is initialized as a random matrix according to each power condition.
Step 2) 송신기 신호 처리 장치와 중계기 신호 처리 장치 계수는 앞선 연산 결과 형태로 유지하면서, 다음 [수학식 5]을 이용해 수신기 신호 처리 장치 계수 를 갱신한다. Step 2) While maintaining the coefficients of the transmitter signal processing device and the repeater signal processing device in the form of the previous calculation result, calculate the coefficients of the receiver signal processing device using the following [Equation 5] Update .
[수학식 5] [Equation 5]
는 송신기 신호 전력을 조절하기 위한 계수로 반복연산과정을 통해 '1' 로 수렴한다. 는 k 번째 수신기 잡음 전력을 나타낸다. is a coefficient for controlling the transmitter signal power and converges to '1' through an iterative operation process. represents the kth receiver noise power.
Step 3) 송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 앞선 연산 결과 형태로 유지하면서, 다음 [수학식 6]을 이용해 중계기 신호 처리 장치 계수 를 갱신한다. Step 3) While maintaining the coefficients of the transmitter signal processing device and the receiver signal processing device in the form of the previous calculation result, calculate the repeater signal processing device coefficients using the following [Equation 6] Update .
[수학식 6][Equation 6]
여기서 는 중계기 송신 전력을 제어하는 계수로서 이분법(Bisection-method)으로 알려진 수치해석 방법을 통해, 을 만족하는 값으로 결정한다. here is a coefficient that controls the repeater transmission power, through a numerical analysis method known as the Bisection-method, is determined as a value that satisfies .
Step 4) 수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 주어진 앞선 연산 결과 형태로 유지하면서, [수학식 7]을 이용해 송신기 신호 처리 장치 계수 를 구한다. k 번째 송신기에 대한 계수 를 로 표현할 때, 다음 세 가지 경우(case)에 따라 와 는 [수학식 7] 과 같이 결정된다. Step 4) While maintaining the coefficients corresponding to the receiver signal processing device and the repeater signal processing device in the given form of the previous calculation result, calculate the transmitter signal processing device coefficients using [Equation 7] Find . coefficient for the kth transmitter cast When expressed as, according to the following three cases: and is determined as in [Equation 7].
[case 1] [case 1]
[c.1.1] [c.1.1]
[c.1.2] [c.1.2]
[case 2] [case 2]
[c.2.1] [c.2.1]
[c.2.2] [c.2.2]
[case 3][case 3]
[c.3.1] [c.3.1]
[c.3.2] [c.3.2]
여기서 , 을 나타낸다. here , represents.
[수학식 7] [Equation 7]
(1) [c.1.1] 과 [c.1.2]로 표현되는 와 가 조건 을 만족할 때, 는 [c.1.1], 는 [c.1.2]로 한다. (1) Expressed as [c.1.1] and [c.1.2] and conditions When satisfied, [c.1.1], shall be [c.1.2].
(2) [c.2.1] 과 [c.2.2]로 표현되는 와 가 조건 을 만족할 때, 는 [c.2.1], 는 [c.2.2]로 한다. (2) Expressed as [c.2.1] and [c.2.2] and conditions When satisfied, [c.2.1], shall be [c.2.2].
(3) 상기 (1), (2)를 제외한 나머지 경우, 는 [c.3.1], 는 [c.3.2]로 한다. (3) In cases other than (1) and (2) above, [c.3.1], shall be [c.3.2].
이 때 [c.3.1] 의 변수 는 을 만족하는 값을 이분법(Bisection) 검색을 통해 구한다. At this time, the variable in [c.3.1] Is The value that satisfies is obtained through a bisection search.
Step 5) Step 2 - 4 를 사전에 정해둔 반복 횟수만큼 반복 연산 수행한다. Step 5) Repeat steps 2 - 4 as many times as the predetermined number of repetitions.
상기한 바와 같이, 도 2의 반복연산장치(214)에서는 총 L 개 세트의 채널 및 전력 정보에 대해, 각 세트 별로 [알고리즘 1]을 적용해 해당 세트에 대한 최적 신호 처리 계수를 구한다. 결과적으로 L 개 채널 및 전력 정보에 대응되는 최적 신호처리 계수 세트가 L 개 얻어진다. As described above, the iterative operation unit 214 of FIG. 2 applies [Algorithm 1] to each set of a total of L sets of channel and power information to obtain the optimal signal processing coefficient for that set. As a result, L sets of optimal signal processing coefficients corresponding to L channels and power information are obtained.
본 발명의 실시예에 따른 심층 신경망 훈련 및 계수 연산장치(220)에서는 이러한 L 쌍의 정보를 토대로 텐서플로(Tensorflow)와 같은 범용 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 그 결과로 최적 심층 신경망 계수를 구한다 일반적으로 심층 신경망 출력 층(output layer) 노드 수는 추정하고자 하는 정보 개수에 의해 결정되는데, 본 발명에서 추정하고자 하는 정보는 K 개 송신기, 수신기 신호처리 계수, 즉 와 , 그리고 중계기 다중안테나 빔포밍 계수 이다. 본 발명에서는 개의 중계기 다중안테나 빔포밍 계수 모두를 추정하는 대신, 단 한 개 정보, 즉 만을 추정하는 방법을 제안한다. 이를 통해, 심층 신경망 출력 층 노드 수를 줄이고 심층 신경망 구조를 축소하는 효과를 얻을 수 있다. The deep neural network training and coefficient calculation device 220 according to an embodiment of the present invention trains a deep neural network using a general-purpose deep neural network learning algorithm such as Tensorflow based on the information of these L pairs, and as a result, the optimal Calculate deep neural network coefficients Generally, the number of deep neural network output layer nodes is determined by the number of information to be estimated. In the present invention, the information to be estimated is K transmitter and receiver signal processing coefficients, that is, and , and the repeater multi-antenna beamforming coefficient am. In the present invention Instead of estimating all of the repeater multi-antenna beamforming coefficients, we estimate only one piece of information: We propose a method for estimating only This has the effect of reducing the number of deep neural network output layer nodes and reducing the deep neural network structure.
따라서 본 발명에서 구축하는 도 2의 훈련 신호 생성장치(210)에서는 훈련 신호 쌍을 채널 및 전력 정보와 이에 대응하는 송신기, 수신기 신호 처리 계수 및 중계기 다중안테나 신호처리를 위한 계수 정보 로 구성한다. 구체적으로 번째 훈련 신호 쌍을 예로 들면, 심층 신경망이 의 입력 정보에 대해 을 출력으로 추정하도록 훈련 신호 쌍을 구성한다. Therefore, the training signal generator 210 of FIG. 2 built in the present invention combines training signal pairs with channel and power information, corresponding transmitter and receiver signal processing coefficients, and coefficient information for repeater multi-antenna signal processing. It consists of Specifically Taking the second pair of training signals as an example, the deep neural network About the input information of Configure training signal pairs to estimate as output.
본 발명의 실시예에 따른 심층 신경망 훈련 및 계수 연산장치(220)는 총 L 개 세트에 훈련 정보를 토대로 범용 신경망 학습 알고리즘인 텐서플로(Tensorflow)를 활용해, 최적 심층 신경망 구축에 필요한 신경망 계수를 구한다.The deep neural network training and coefficient calculation device 220 according to an embodiment of the present invention utilizes Tensorflow, a general-purpose neural network learning algorithm, based on training information in a total of L sets, to calculate the neural network coefficients necessary for building an optimal deep neural network. Save.
도 3은 본 발명의 일 실시예에 따른 심층 신경망 연산부의 구성을 나타내는 도면이다. Figure 3 is a diagram showing the configuration of a deep neural network operation unit according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 심층 신경망 연산부(300)는 실시간 무선 채널 정보 실수화 구성 장치(311) 및 단말기 전력 정보 입력 장치(312)를 포함하는 입력 신호 구성 장치(310), 심층 신경망 입력층 은닉층(321) 및 심층신경망 출력층 활성함수(322)를 포함하는 훈련된 심층 신경망(320), 계수 복소수화 장치(331), 계수 크기 조절 장치(322) 및 연산 장치(333)를 포함하는 출력 신호 구성 장치(330)를 포함한다. The deep neural network operation unit 300 according to an embodiment of the present invention includes a real-time wireless channel information real-time conversion device 311, an input signal configuration device 310 including a terminal power information input device 312, and a deep neural network input layer. An output signal comprising a trained deep neural network (320) including a hidden layer (321) and a deep neural network output layer activation function (322), a coefficient complex number unit (331), a coefficient scaling unit (322), and an arithmetic unit (333). Includes a configuration device 330.
도 3의 심층 신경망 연산부(300)에서는 상기 심층 신경망 계수 생성장치(200)에서 구한 심층 신경망 계수를 활용해 훈련된 심층 신경망 (Trained DNN)(320)을 구축한다. The deep neural network operation unit 300 of FIG. 3 constructs a trained deep neural network (Trained DNN) 320 using the deep neural network coefficients obtained from the deep neural network coefficient generator 200.
본 발명의 실시예에 따른 송신기, 수신기, 중계기 신호 처리 계수 생성은 도 2의 오프라인 훈련 과정을 통해 구축한 훈련된 심층 신경망에 시스템 동작과 관련된 실시간, 즉 온라인 정보를 입력하고, 이에 대한 출력으로 송신기, 수신기, 중계기 신호 처리 계수 정보를 얻는다. 이를 위해, 도 3의 입력 신호 구성 장치(310)에서는 통신 시스템이 동작하는 실시간 무선 채널 및 각 단말기의 최대 전력 정보, 을 심층 신경망 입력 층(Input layer) 인터페이스에 맞도록 적절히 가공해 제공한다. Generating signal processing coefficients for transmitters, receivers, and repeaters according to an embodiment of the present invention inputs real-time, that is, online information related to system operation into a trained deep neural network built through the offline training process of Figure 2, and outputs this to the transmitter. , obtain receiver and repeater signal processing coefficient information. To this end, the input signal configuration device 310 of FIG. 3 includes information on the real-time wireless channel on which the communication system operates and the maximum power of each terminal, is provided by appropriately processing it to fit the deep neural network input layer interface.
도 4는 본 발명의 일 실시예에 따른 실시간 무선 채널 정보 실수화 구성 장치를 설명하기 위한 도면이다. Figure 4 is a diagram for explaining a real-time wireless channel information real-time configuration device according to an embodiment of the present invention.
본 발명의 실시예에 따른 실시간 무선 채널 정보 실수화(real value) 구성 장치(400)에서는 심층 신경망이 실수로만 동작함을 감안해, 복소수 실수화 장치(410)를 통해 복소수 값의 무선 채널 정보를 각각 in-phase 와 quadrature-phase 에 해당하는 실수 값으로 표현한다. 훈련된 심층 신경망은 입력 신호 구성 장치를 통해 적절히 가공된 실시간 무선 환경 정보를 입력으로 해 송신기, 수신기, 중계기 신호 처리 계수 정보, 즉 에 대한 정보를 출력한다. 이 때 각 출력 정보의 특성에 맞춰 훈련된 심층 신경망의 출력 층(Output layer) 활성 층(Activation layer)은 에 대해서는 스케일된 시그모이드 함수(Scaled Sigmoid Function), 에 대해서는 성형 함수, 그리고 에 대해서는 Relu 함수를 사용한다. In the real-time wireless channel information real value configuration device 400 according to an embodiment of the present invention, considering that the deep neural network operates only with real values, each complex value wireless channel information is generated through the complex real value device 410. Expressed as real numbers corresponding to in-phase and quadrature-phase. The trained deep neural network uses real-time wireless environment information properly processed through an input signal configuration device as input to obtain transmitter, receiver, and repeater signal processing coefficient information, that is, Prints information about At this time, the output layer and activation layer of the deep neural network trained according to the characteristics of each output information are For the Scaled Sigmoid Function, For the shaping function, and For this, use the Relu function.
도 5는 본 발명의 일 실시예에 따른 계수 복소수화 장치를 설명하기 위한 도면이다. Figure 5 is a diagram for explaining a coefficient complex number conversion device according to an embodiment of the present invention.
본 발명의 실시예에 따른 훈련된 심층 신경망 출력 값에 대해, 출력 신호 구성 장치 에서는 송신기, 수신기, 중계기 신호 처리 계수를 만들어 낸다. 구체적으로 도 5의 계수 복소수화(complex number) 장치(500)에서는 실계수 복소수화 장치를 통해 수신기 신호처리(복소수) 계수 를 in-phase 와 quadrature-phase 정보를 사용해 재구성한다. For the output value of the trained deep neural network according to an embodiment of the present invention, the output signal configuration device generates transmitter, receiver, and repeater signal processing coefficients. Specifically, in Figure 5 The coefficient complex number device 500 processes receiver signal (complex number) coefficients through a real coefficient complex number device. is reconstructed using in-phase and quadrature-phase information.
도 6은 본 발명의 일 실시예에 따른 계수 크기 조절 장치를 설명하기 위한 도면이다. Figure 6 is a diagram for explaining a coefficient size adjustment device according to an embodiment of the present invention.
본 발명의 실시예에 따른 도 6의 계수 크기 조절 장치(600)에서는 훈련된 심층 신경망에서 에 대한 정보가 [0,1] 범위 값으로 스케일되어(scaled) 출력되므로, 이를 최대 전력 에 맞춰 조정한다. 6 according to an embodiment of the present invention In the coefficient scaler 600, the trained deep neural network Since the information about is scaled to the [0,1] range value, it is output as the maximum power Adjust accordingly.
도 7은 본 발명의 일 실시예에 따른 연산 장치를 설명하기 위한 도면이다. Figure 7 is a diagram for explaining an arithmetic device according to an embodiment of the present invention.
도 7의 [수학식 8] 연산장치(700)에서는 중계기 다중안테나 신호처리 계수 를 다음의 [수학식 8]과 훈련된 심층 신경망출력 값 을 활용해 구한다. [Equation 8] in FIG. 7, the operation unit 700 uses repeater multi-antenna signal processing coefficients. The following [Equation 8] and the trained deep neural network output value Find it using .
[수학식 8-1][Equation 8-1]
[수학식 8-2] [Equation 8-2]
[수학식 8-3][Equation 8-3]
[수학식 8-2] 에서 와 는 각각 심층 신경망 출력으로 추정한 와 를 대각 성분으로 하는 대각행렬, 는 를 열벡터(column vector) 성분으로 하는 행렬, 는 를 행벡터(row vector) 성분으로 하는 행렬로써 심층 신경망 입력 값으로부터 구할 수 있다. 또한 는 중계기 잡음 전력으로 상수(constant)값으로 시스템 파라미터로 해당하며 심층 신경망에서 별도 추정이 필요하지는 않다. [수학식 8-3] 은 [수학식 8-2] 에서 구한 계수에 대해 중계기 최대 전력 조건을 만족하기 위한 스케일(scale) 파라미터를 구하는 과정이다. [수학식 8-2] 과 [수학식 8-3]에서 알 수 있듯이 중계기 다중안테나 신호처리 장치 [수학식 8-1] 을 구하는데, 와 를 구하는 심층 신경망 입출력 정보 외에 을 추가적으로 심층 신경망을 통해 추정하면, [수학식 8-1] 에 해당하는 를 구할 수 있다. In [Equation 8-2] and is estimated by the deep neural network output, respectively. and A diagonal matrix with diagonal elements, Is A matrix with as a column vector component, Is It is a matrix with row vector components and can be obtained from deep neural network input values. also is the repeater noise power, which is a constant value and corresponds to a system parameter and does not require separate estimation in the deep neural network. [Equation 8-3] is the process of finding a scale parameter to satisfy the repeater maximum power condition for the coefficient obtained in [Equation 8-2]. As can be seen from [Equation 8-2] and [Equation 8-3], the repeater multi-antenna signal processing device [Equation 8-1] is obtained, and In addition to the deep neural network input and output information to obtain If is additionally estimated through a deep neural network, corresponding to [Equation 8-1] can be obtained.
본 발명에서는 이러한 수학적 분석에 기초 하여 심층 신경망(DNN) 출력 블록에서 [수학식 8-1], [수학식 8-2], 그리고 [수학식 8-3] 의 과정으로 를 추정한다. 마지막 과정으로 도 1에서 알 수 있듯이, 심층 신경망 연산부는 출력 신호 구성 장치에서 출력된 , 그리고 정보를 각각 해당하는 송신기, 중계기, 수신기로 전달한다. In the present invention, based on this mathematical analysis, the deep neural network (DNN) output block is processed through the processes of [Equation 8-1], [Equation 8-2], and [Equation 8-3]. Estimate . As can be seen in Figure 1 in the final process, the deep neural network operation unit outputs the output from the output signal configuration device. , and Information is transmitted to the corresponding transmitter, repeater, and receiver, respectively.
도 8은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법을 설명하기 위한 흐름도이다. FIG. 8 is a flowchart illustrating a transmission/reception signal processing method using a deep learning technique in a multi-transmission/multi-reception communication system using a repeater according to an embodiment of the present invention.
제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법은 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 단계(810), 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 단계(820) 및 상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성하는 단계(830)를 포함한다. In the proposed multi-transmission multi-reception communication system using a repeater, the transmission and reception signal processing method applying deep learning techniques generates deep neural network coefficients through a deep neural network coefficient generator to enable the deep neural network to provide information that minimizes the root mean square error. Step 810, generates a trained deep neural network using the generated deep neural network coefficients through a deep neural network operation unit, and outputs information necessary for transmitter, receiver, and repeater signal processing using wireless channel information and power information as input. It includes step 820 and step 830 of receiving the output of the deep neural network operation unit and generating a signal necessary for the corresponding terminal through a transmitter, receiver, and repeater.
단계(810)에서, 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성한다. In step 810, the deep neural network coefficient generator generates deep neural network coefficients that enable the deep neural network to provide information that minimizes the root mean square error.
이때, 심층 신경망 계수 생성부의 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 계수를 구한다. At this time, the iterative operation unit of the deep neural network coefficient generator calculates the coefficients of the transmitter, repeater, and receiver signal processing units that minimize the root mean square error for a plurality of sets of channel and power information generated for deep neural network training.
먼저, 본 발명의 실시예에 따른 송신기 신호 처리 장치(), 중계기 신호 처리 장치(), 수신기 신호 처리 장치()를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화한다. First, a transmitter signal processing device according to an embodiment of the present invention ( ), repeater signal processing unit ( ), receiver signal processing unit ( ) is initialized as a random matrix according to each power condition.
그리고, 송신기 신호 처리 장치 계수와 중계기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치 계수()를 상기 [수학식 5]를 이용하여 갱신한다. And, the transmitter signal processing device coefficient and the repeater signal processing device coefficient are maintained in the calculated result form, and the receiver signal processing device coefficient ( ) is updated using [Equation 5] above.
이후, 송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치 계수()를 상기 [수학식 6]을 이용하여 갱신한다. Afterwards, the transmitter signal processing unit and receiver signal processing unit coefficients are maintained in the calculated result form, and the repeater signal processing unit coefficients ( ) is updated using [Equation 6] above.
그리고, 수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 전력을 조절하기 위한 계수()에 관한 복수의 경우에 따라 상기 [수학식 7]를 이용하여 송신기 신호 처리 장치 계수()를 구한다. In addition, the coefficients for adjusting the transmitter signal power while maintaining the coefficients corresponding to the receiver signal processing device and the repeater signal processing device in the form of calculated results ( ) Depending on the plurality of cases, the transmitter signal processing device coefficient ( ) is obtained.
단계(820)에서, 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력한다. In step 820, a trained deep neural network is generated using the generated deep neural network coefficients through a deep neural network operation unit, and the wireless channel information and power information are input to output information necessary for transmitter, receiver, and repeater signal processing. do.
본 발명의 실시예에 따른 신경망 훈련 및 계수 연산 장치는 상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구한다. The neural network training and coefficient calculation device according to an embodiment of the present invention trains a deep neural network using a deep neural network learning algorithm based on a plurality of sets of information generated through the iterative calculation device, and uses the trained result to determine the optimal deep neural network. Find the neural network coefficients.
단계(830)에서, 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성한다. In step 830, the output of the deep neural network operation unit is input and a signal required for the corresponding terminal is generated through a transmitter, receiver, and repeater.
이때, 본 발명의 실시예에 따른 입력 신호 구성 장치가 실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공한다. At this time, the input signal configuration device according to an embodiment of the present invention processes real-time wireless environment information, including real-time wireless channel and maximum power information of each terminal, according to a deep neural network input layer interface and provides it.
이후, 본 발명의 실시예에 따른 훈련된 심층 신경망이 상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 하여 송신기, 수신기, 중계기 각각의 신호 처리 계수 정보에 대한 정보를 출력한다. Thereafter, the trained deep neural network according to an embodiment of the present invention inputs real-time wireless environment information processed through the input signal configuration device and outputs information on signal processing coefficient information for each transmitter, receiver, and repeater.
그리고, 본 발명의 실시예에 따른 출력 신호 구성 장치가 상기 훈련된 심층 신경망의 출력 값에 하여 송신기, 수신기, 중계기 신호 처리 계수를 생성한다. Then, the output signal configuration device according to an embodiment of the present invention generates transmitter, receiver, and repeater signal processing coefficients based on the output value of the trained deep neural network.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited examples and drawings, various modifications and variations can be made by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the claims described below.
Claims (14)
심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 학습 알고리즘을 위한 계수를 생성하는 심층 신경망 계수 생성부; 및
상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보를 입력으로 하여 송신기, 수신기 및 중계기 간의 다중-송신 및 다중-수신을 위한 안테나별 신호를 출력하는 심층 신경망 연산부
를 포함하고,
상기 저전력 광역 통신 시스템의 송신기, 수신기 및 중계기는 상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보를 포함하는 실시간 무선 환경 정보를 상기 심층 신경망 연산부를 통해 심층 신경망 입력층 인터페이스에 따라 가공하여 해당 단말에 제공하며,
상기 심층 신경망 연산부는,
실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력층 인터페이스에 따라 가공하여 제공하는 입력 신호 구성 장치;
상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 심층 신경망 학습 알고리즘을 수행하여 송신기, 수신기, 중계기 간의 다중-송신 및 다중-수신을 위한 안테나별 신호를 출력하는 훈련된 심층 신경망; 및
상기 훈련된 심층 신경망의 출력 신호에 대하여 송신기, 수신기, 중계기 간의 다중-송신 및 다중-수신 신호 처리를 위한 계수를 생성하는 출력 신호 구성 장치
를 포함하고,
상기 실시간 무선 환경 정보를 입력으로 심층 신경망 학습 알고리즘을 수행함으로써, 송신기, 수신기 및 중계기 각각에 대하여 다중-송신 및 다중-수신 신호 처리를 위한 계수를 생성하는
저전력 광역 통신 시스템. In a low-power wide area communication system,
A deep neural network coefficient generator that generates coefficients for a deep neural network learning algorithm that allows the deep neural network to provide information that minimizes the root mean square error; and
A trained deep neural network is created using the generated deep neural network coefficients, and information about the wireless channel between the transmitter, receiver, and repeater and information about the power of each transmitter, receiver, and repeater are inputted to create a trained deep neural network between the transmitter, receiver, and repeater. Deep neural network operation unit that outputs signals for each antenna for multi-transmission and multi-reception
Including,
The transmitter, receiver, and repeater of the low-power wide area communication system receive the output of the deep neural network operation unit and create a real-time wireless environment that includes information about the wireless channel between the transmitter, receiver, and repeater and information about the power of each transmitter, receiver, and repeater. The information is processed according to the deep neural network input layer interface through the deep neural network operation unit and provided to the corresponding terminal,
The deep neural network operation unit,
An input signal configuration device that processes and provides real-time wireless environment information, including real-time wireless channel and maximum power information of each terminal, according to a deep neural network input layer interface;
A trained deep neural network that performs a deep neural network learning algorithm with real-time wireless environment information processed through the input signal configuration device as input to output signals for each antenna for multi-transmission and multi-reception between transmitters, receivers, and repeaters; and
An output signal configuration device that generates coefficients for multi-transmission and multi-reception signal processing between transmitters, receivers, and repeaters with respect to the output signal of the trained deep neural network.
Including,
By performing a deep neural network learning algorithm with the real-time wireless environment information as input, coefficients for multi-transmission and multi-reception signal processing are generated for each transmitter, receiver, and repeater.
Low-power wide area communication system.
상기 심층 신경망 계수 생성부는,
반복연산장치를 포함하는 훈련 신호 생성 장치; 및
신경망 훈련 및 계수 연산 장치를 포함하고,
상기 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 심층 신경망 학습 알고리즘을 위한 계수를 구하는
저전력 광역 통신 시스템. According to paragraph 1,
The deep neural network coefficient generator,
A training signal generating device including a repetitive operation unit; and
Includes a neural network training and coefficient calculation unit,
The iterative processing unit is a transmitter and repeater that minimizes the root mean square error for information about the wireless channel between a plurality of sets of transmitters, receivers, and repeaters generated for deep neural network training and information about the power of each transmitter, receiver, and repeater. , to obtain coefficients for the deep neural network learning algorithm of the receiver signal processing device.
Low-power wide area communication system.
상기 반복연산장치는,
송신기 신호 처리 장치와 중계기 신호 처리 장치 각각의 심층 신경망 학습 알고리즘을 위한 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치의 심층 신경망 학습 알고리즘을 위한 계수는 수신기 신호 전력에 따라 갱신하고,
이후, 송신기 신호 처리 장치와 수신기 신호 처리 장치 각각의 심층 신경망 학습 알고리즘을 위한 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치의 심층 신경망 학습 알고리즘을 위한 계수는 중계기 신호 전력에 따라 갱신하고,
이후, 수신기 신호 처리 장치와 중계기 신호 처리 장치 각각의 심층 신경망 학습 알고리즘을 위한 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 처리 장치의 심층 신경망 학습 알고리즘을 위한 계수는 송신기 신호 전력에 따라 갱신하면서 반복연산과정을 수행하는
저전력 광역 통신 시스템. According to paragraph 2,
The repetitive operation device is,
The coefficients for the deep neural network learning algorithm of the transmitter signal processing device and the repeater signal processing device are maintained in the form of calculated results, while the coefficients for the deep neural network learning algorithm of the receiver signal processing device are updated according to the receiver signal power,
Thereafter, the coefficients for the deep neural network learning algorithm of each of the transmitter signal processing device and the receiver signal processing device are maintained in the form of calculated results, while the coefficients for the deep neural network learning algorithm of the repeater signal processing device are updated according to the repeater signal power,
Afterwards, the coefficients for the deep neural network learning algorithm of each of the receiver signal processing device and the repeater signal processing device are maintained in the form of calculated results, while the coefficients for the deep neural network learning algorithm of the transmitter signal processing device are updated according to the transmitter signal power and repeated. performing computational processes
Low-power wide area communication system.
상기 신경망 훈련 및 계수 연산 장치는,
상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구하는
저전력 광역 통신 시스템. According to paragraph 2,
The neural network training and coefficient calculation device,
Train a deep neural network using a deep neural network learning algorithm based on the plurality of sets of information generated through the iterative operation unit, and obtain optimal deep neural network coefficients using the trained results.
Low-power wide area communication system.
심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보를 입력으로 하여 송신기, 수신기 및 중계기 간의 다중-송신 및 다중-수신을 위한 안테나별 신호를 출력하는 단계; 및
상기 송신기, 수신기 및 중계기가 상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보를 포함하는 실시간 무선 환경 정보를 상기 심층 신경망 연산부를 통해 심층 신경망 입력층 인터페이스에 따라 가공하여 해당 단말에 제공하는 단계
를 포함하고,
상기 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보를 입력으로 하여 송신기, 수신기 및 중계기 간의 다중-송신 및 다중-수신을 위한 안테나별 신호를 출력하는 단계는,
입력 신호 구성 장치가 실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공하는 단계;
훈련된 심층 신경망이 상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 심층 신경망 학습 알고리즘을 수행하여 송신기, 수신기, 중계기 간의 다중-송신 및 다중-수신을 위한 안테나별 신호를 출력하는 단계; 및
출력 신호 구성 장치가 상기 훈련된 심층 신경망의 출력 신호에 대하여 송신기, 수신기, 중계기 간의 다중-송신 및 다중-수신 신호 처리를 위한 계수를 생성하는 단계
를 포함하고,
상기 실시간 무선 환경 정보를 입력으로 심층 신경망 학습 알고리즘을 수행함으로써, 송신기, 수신기 및 중계기 각각에 대하여 다중-송신 및 다중-수신 신호 처리를 위한 계수를 생성하는
저전력 광역 통신 방법. Generating coefficients for a deep neural network learning algorithm that allows the deep neural network to provide information that minimizes the root mean square error through a deep neural network coefficient generator;
Through the deep neural network calculation unit, a trained deep neural network is created using the generated deep neural network coefficients, and information about the wireless channel between the transmitter, receiver, and repeater and information about the power of each transmitter, receiver, and repeater are input to the transmitter. , outputting signals for each antenna for multi-transmission and multi-reception between a receiver and a repeater; and
The transmitter, receiver, and repeater receive the output of the deep neural network operation unit and generate real-time wireless environment information, including information about the wireless channel between the transmitter, receiver, and repeater, and information about the power of each transmitter, receiver, and repeater, to the deep neural network. A step of processing according to the deep neural network input layer interface through the calculation unit and providing it to the corresponding terminal.
Including,
Through the deep neural network calculation unit, a trained deep neural network is generated using the generated deep neural network coefficients, and information about the wireless channel between the transmitter, receiver, and repeater and information about the power of each transmitter, receiver, and repeater are input. The step of outputting signals for each antenna for multi-transmission and multi-reception between the transmitter, receiver and repeater,
Processing and providing, by an input signal configuration device, real-time wireless environment information including real-time wireless channel and maximum power information of each terminal according to a deep neural network input layer interface;
A trained deep neural network performs a deep neural network learning algorithm using real-time wireless environment information processed through the input signal configuration device to output signals for each antenna for multi-transmission and multi-reception between transmitters, receivers, and repeaters. ; and
An output signal constructing device generating coefficients for multi-transmission and multi-reception signal processing between a transmitter, a receiver, and a repeater for the output signal of the trained deep neural network.
Including,
By performing a deep neural network learning algorithm with the real-time wireless environment information as input, generating coefficients for multi-transmission and multi-reception signal processing for each transmitter, receiver, and repeater.
Low-power wide area communication method.
상기 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 학습 알고리즘을 위한 계수를 생성하는 단계는,
상기 심층 신경망 계수 생성부는 반복연산장치를 포함하는 훈련 신호 생성 장치 및 신경망 훈련 및 계수 연산 장치를 포함하고,
상기 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 송신기, 수신기 및 중계기 간의 무선 채널에 관한 정보와 송신기, 수신기 및 중계기 각각의 전력에 관한 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 심층 신경망 학습 알고리즘을 위한 계수를 구하는
저전력 광역 통신 방법. According to clause 8,
The step of generating coefficients for a deep neural network learning algorithm that allows the deep neural network to provide information that minimizes the root mean square error through the deep neural network coefficient generator,
The deep neural network coefficient generator includes a training signal generation device including an iterative operation unit and a neural network training and coefficient calculation unit,
The iterative processing unit is a transmitter and repeater that minimizes the root mean square error for information about the wireless channel between a plurality of sets of transmitters, receivers, and repeaters generated for deep neural network training and information about the power of each transmitter, receiver, and repeater. , to obtain coefficients for the deep neural network learning algorithm of the receiver signal processing device.
Low-power wide area communication method.
상기 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 학습 알고리즘을 위한 계수를 생성하는 단계는,
송신기 신호 처리 장치와 중계기 신호 처리 장치 각각의 심층 신경망 학습 알고리즘을 위한 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치의 심층 신경망 학습 알고리즘을 위한 계수는 수신기 신호 전력에 따라 갱신하고,
이후, 송신기 신호 처리 장치와 수신기 신호 처리 장치 각각의 심층 신경망 학습 알고리즘을 위한 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치의 심층 신경망 학습 알고리즘을 위한 계수는 중계기 신호 전력에 따라 갱신하고,
이후, 수신기 신호 처리 장치와 중계기 신호 처리 장치 각각의 심층 신경망 학습 알고리즘을 위한 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 처리 장치의 심층 신경망 학습 알고리즘을 위한 계수는 송신기 신호 전력에 따라 갱신하면서 반복연산과정을 수행하는
저전력 광역 통신 방법. According to clause 9,
The step of generating coefficients for a deep neural network learning algorithm that allows the deep neural network to provide information that minimizes the root mean square error through the deep neural network coefficient generator,
The coefficients for the deep neural network learning algorithm of the transmitter signal processing device and the repeater signal processing device are maintained in the form of calculated results, while the coefficients for the deep neural network learning algorithm of the receiver signal processing device are updated according to the receiver signal power,
Thereafter, the coefficients for the deep neural network learning algorithm of each of the transmitter signal processing device and the receiver signal processing device are maintained in the form of calculated results, while the coefficients for the deep neural network learning algorithm of the repeater signal processing device are updated according to the repeater signal power,
Afterwards, the coefficients for the deep neural network learning algorithm of each of the receiver signal processing device and the repeater signal processing device are maintained in the form of calculated results, while the coefficients for the deep neural network learning algorithm of the transmitter signal processing device are updated and repeated according to the transmitter signal power. performing computational processes
Low-power wide area communication method.
상기 신경망 훈련 및 계수 연산 장치는,
상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구하는
저전력 광역 통신 방법.According to clause 9,
The neural network training and coefficient calculation device,
Train a deep neural network using a deep neural network learning algorithm based on the plurality of sets of information generated through the iterative operation unit, and obtain optimal deep neural network coefficients using the trained results.
Low-power wide area communication method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220042080A KR102644441B1 (en) | 2022-04-05 | 2022-04-05 | Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220042080A KR102644441B1 (en) | 2022-04-05 | 2022-04-05 | Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230143332A KR20230143332A (en) | 2023-10-12 |
| KR102644441B1 true KR102644441B1 (en) | 2024-03-07 |
Family
ID=88291735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220042080A KR102644441B1 (en) | 2022-04-05 | 2022-04-05 | Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102644441B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102124273B1 (en) * | 2019-04-02 | 2020-06-17 | 한국해양대학교 산학협력단 | Signal Processing Method and Apparatus for Multi-Antenna Multiple Source and Multiple Destination via Relay Communication Systems under Per-Antennas Power Constraints |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101998998B1 (en) | 2017-12-21 | 2019-07-10 | 한국해양대학교 산학협력단 | Signal processing method and apparatus for multi-antenna multiple source and multiple destination via relay communication system |
-
2022
- 2022-04-05 KR KR1020220042080A patent/KR102644441B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102124273B1 (en) * | 2019-04-02 | 2020-06-17 | 한국해양대학교 산학협력단 | Signal Processing Method and Apparatus for Multi-Antenna Multiple Source and Multiple Destination via Relay Communication Systems under Per-Antennas Power Constraints |
Non-Patent Citations (1)
| Title |
|---|
| Y. Lu, et al., "Deep Autoencoder Learning for Relay-Assisted Cooperative Communication Systems," IEEE Trans. on Communications, vol. 68, no. 9, pp. 5471-5488, (Sept. 2020)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230143332A (en) | 2023-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ximenes et al. | Semi-blind receivers for non-regenerative cooperative MIMO communications based on nested PARAFAC modeling | |
| US7660363B2 (en) | Minimum error rate lattice space time codes for wireless communication | |
| CN109951214B (en) | Signal detection method suitable for large-scale MIMO system | |
| CN110808764B (en) | Joint information estimation method for large-scale MIMO relay system | |
| US20220385336A1 (en) | Communication of Measurement Results in Coordinated Multipoint | |
| KR102510513B1 (en) | Deep learning based beamforming method and apparatus for the same | |
| CN107294885A (en) | Allied signal detection and the method for estimation of channel in a kind of MIMO relay system | |
| CN114285444A (en) | Power optimization method for large-scale de-cellular MIMO system | |
| CN113242071A (en) | Cooperative beam forming method based on integrated deep learning | |
| Choi et al. | Downlink extrapolation for FDD multiple antenna systems through neural network using extracted uplink path gains | |
| CN108111439B (en) | Non-iterative channel estimation method in bidirectional MIMO relay system | |
| CN112804168B (en) | Tensor chain decomposition-based millimeter wave relay system channel estimation method | |
| CN108173575B (en) | Design method of multi-input multi-output relay antenna | |
| Bereyhi et al. | Device scheduling in over-the-air federated learning via matching pursuit | |
| CN111865844B (en) | Channel estimation method and device for large-scale MIMO full-duplex relay system | |
| KR102644441B1 (en) | Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay | |
| Parseh et al. | Distortion outage analysis for joint space-time coding and kalman filtering | |
| CN107017930B (en) | Precoding method of MIMO (multiple input multiple output) bidirectional relay system with channel feedback delay and estimation error | |
| CN114301508A (en) | Dual-time scale optimization method in reconfigurable intelligent surface-assisted MIMO transmission based on over-time CSI | |
| Vahidnia et al. | Diversity combining in bi‐directional relay networks with energy harvesting nodes | |
| Rahimian et al. | Partial zero-forcing for multi-way relay networks | |
| CN110190908B (en) | Constellation diagram design method for minimizing bit error rate of incoherent large-scale SIMO system in ISI channel | |
| Ahmed et al. | Energy efficient ADC bit allocation for massive MIMO: A deep-learning approach | |
| Akbarpour‐Kasgari et al. | Pilot allocation approaches for channel estimation in MIMO relay networks | |
| Ravindran et al. | Direction of arrival and channel estimation using machine learning for multiple input multiple output system |
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 |