KR20140077971A

KR20140077971A - 채널 예측을 위한 방법 및 장치

Info

Publication number: KR20140077971A
Application number: KR1020147013331A
Authority: KR
Inventors: 즈샹 장
Original assignee: 옵티스 셀룰러 테크놀리지, 엘엘씨
Priority date: 2011-10-19
Filing date: 2011-10-19
Publication date: 2014-06-24
Also published as: IN2014KN01035A; CN104067582A; US9107105B2; BR112014009537A2; EP2769518A4; EP2769518A1; US20140254534A1; WO2013056435A1; JP2014531161A; JP5875691B2

Abstract

본 발명은, 시간-가변 무선 채널을 포함하여 구성되는 통신 네트워크에서의 채널 예측 장치 및 방법을 개시한다. 채널 예측 방법은, 예측 전략을 결정하는 단계와; 예측 전략에 따라서 시간 도메인 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 소정 수의 채널 샘플을 선택하는 단계와; 예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중치를 결정하는 단계와; 예측 채널 샘플을 예측 결과로서 획득하기 위해서, 선택된 채널 샘플을 결정된 예측 가중치로 가중하는 단계를 포함하여 이루어진다.

Description

채널 예측을 위한 방법 및 장치{METHOD AND APPARATUS FOR CHANNEL PREDICTING}

본 발명은 통신 기술에 관한 것으로, 특히 통신 네트워크에서의 채널 예측을 위한 방법 및 장치에 관한 것이다.

현재, 시간 변동의 존재하에서, 업-투-데이트(up-to-date) 채널을 획득하기 위해서 이전 채널 샘플을 사용하는 채널 예측은 광범위한 연구 노력을 유인하고 있으며, 무선 통신 시스템 설계에서 하나의 중요한 형태가 되고 있다.

본 발명은 통신 네트워크에서의 채널 예측을 위한 방법 및 장치를 제안한다.

본 발명의 일측면에 있어서는, 시간-가변 무선 채널을 포함하여 구성되는 통신 네트워크에서의 채널 예측 방법이 개시되는데, 이 방법은, 예측 전략을 결정하는 단계와; 예측 전략에 따라서 시간 도메인 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 소정 수의 채널 샘플을 선택하는 단계와; 예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중치를 결정하는 단계와; 예측 채널 샘플을 예측 결과로서 획득하기 위해서, 선택된 채널 샘플을 결정된 예측 가중치로 가중하는 단계를 포함하여 이루어진다.

본 발명의 다른 측면에 있어서는, 시간-가변 무선 채널을 포함하여 구성되는 통신 네트워크에서의 채널 예측 장치가 제안되는데, 이 장치는, 예측 전략을 결정하도록 구성된 예측 전략 결정 유닛과; 예측 전략에 따라서 시간 도메인 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 소정 수의 채널 샘플을 선택하도록 구성된 제1선택 유닛과; 예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중치를 결정하도록 구성된 예측 가중치 결정 유닛과; 예측 결과로서 예측 채널 샘플을 획득하기 위해서 선택된 채널 샘플을 결정된 예측 가중치로 가중하도록 구성된 가중 유닛을 포함하여 구성된다.

본 발명에 의하면, 개선된 채널 예측을 위한 방법 및 장치가 개시된다.

본 발명의 상기 및 다른 목적, 형태 및 장점은 첨부된 도면을 참조로 취해진 본 발명의 비제한적인 실시형태로부터 명백해지는데:
도 1은 통상적인 적응 채널 예측기의 일반적인 구조의 블록도;
도 2는 통상적인 실증적인 채널 예측기를 위한 일반적인 구조의 블록도;
도 3은 본 발명의 실시형태에 따른 채널 예측 장치의 블록도;
도 4는 예측 전략을 도시한 도면;
도 5는 OFDM 통신 시스템 내의 전형적인 AR 채널 예측기의 블록도;
도 6은 본 발명의 실시형태에 따른 심볼-바이-심볼(symbol-by-symbol) 예측 방안을 도시한 도면;
도 7은 블록 기반 전송에서 실행된 심볼-바이-심볼 예측 방안을 도시하는 도면;
도 8은 본 발명의 실시형태에 따른 심볼-바이-심볼 예측 방안을 위한 트렐리스 도면(trellis diagram);
도 9는 TDD에서 제안된 채널 예측기를 위한 일례의 예측 데이터 방안을 도시한 도면;
도 10은 FDD에서 제안된 채널 예측기를 위한 일례의 예측 데이터 방안을 도시한 도면;
도 11은 본 발명의 실시형태에 따른 변경된 비터비 알고리즘을 도시한 도면;
도 12는 본 발명의 실시형태에 따른 LPE 알고리즘을 도시한 도면;
도 13은 본 발명의 실시형태에 따른 채널 예측 방법을 도시한 흐름도;
도 14는 본 발명의 실시형태에 따른 심볼-바이-심볼 트렐리스 AR 채널 예측기의 처리를 도시한 도면;
도 15-32는 다양한 시나리오 및 속도 하에서 TDD/FDD LTE로 규결되는 시뮬레이션을 나타낸다.

이하의 상세한 설명이 첨부 도면을 참조로 만들어진다. 이하의 상세한 설명에 있어서는, 몇몇 실시형태가 설명의 목적을 위해서만 사용되는데, 이는 본 발명에 대한 소정의 제한이 아니라 본 발명의 예로서 이해되어야 한다. 본 발명의 이해를 불명확하게 하기 때문에, 통상적인 구조 또는 구성은 생략된다.

시간-가변 무선 채널에서 변동을 고정하기 위해서 다양한 수학적인 모델이 채널 예측에 도입된다. 선형성(linearity)에 있어서, 이들 수학적인 모델은 2타입: 선형 모델 및 비선형 모델로 분할될 수 있다. 선형 채널 예측에서 가장 일반적으로 사용된 모델은 AR(auto-regression) 모델인데, 여기서 이전의 채널 샘플은 입력 샘플로서 사용되고, 예측하는 것에 대한 그들 각각의 관련성에 따라서 다른 가중치가 부여된다. 예측 가중치는 NLMS(Normalized Least Mean Square) 알고리즘, RLS(Recursive Least Square) 알고리즘 또는 그들의 변형을 사용해서 적응적으로 조정될 수 있다(레퍼런스 [1]-[4]). 스트림 기반 송신에서, 조정은 데이터 스트림에서 항상 공지된 연속적인 채널 샘플에 기반해서 연속적으로 수행된다. 블록 기반 송신에 있어서, 조정은 트레이닝 주기(training period)에서만 공지된 연속적인 채널 샘플에 기반해서 의사-연속적으로 수행되므로, 그 결과의 모델은 채널 변동을 고정할 수 있고 따라서 다음에 오는 채널을 예측하는데 사용된다. 통상적인 적응 채널 예측 방법이 도 1에 그려진다.

대안으로서, 예측 가중치가 채널 상관으로부터 획득될 수도 있다. 가장 간단한 접근은 채널 상관을 실증적으로 분석하는 것이다(레퍼런스 [5]-[6]). 부연하면, 상관은 다량의 채널 샘플들의 시간-평균을 통해 요약 및 계산된다. 결론적으로, 채널 변동을 고정할 수 있는 예측 모델이 획득된다. 전형적인 실증적인 채널 예측기에 대한 일반적인 구조가 도 2에 도시된다.

한편, 비선형 채널 예측은, PAST(Projection Approximation Subspace Tracking)(레퍼런스 [7]), NNs(Neural Networks)(레퍼런스 [8]), SVM(Support Vector Machine)(레퍼런스 [9]) 등과 같은 모델들을 채택한다.

상기된 비선형 채널 예측 방법은 매우 복잡한 동작 및 처리를 포함하고, 따라서 실용적인 실행가능성에 대한 큰 도전을 일으키게 된다. 한편, AR 모델은 실행하기 더 용이하고, 월등한 고정 효과만 아니라 긴 고정 범위를 소유한다. 비선형 모델에 걸친 이들 명백한 장점은, 대부분의 현존하는 솔루션들이 그들 예측 모델로서 AR 모델을 선택하는 사실을 이끌어 낸다. 이 이유로, 본 발명의 실시형태는 AR 모델과 관련된 채널 예측에 주로 집중하게 된다.

대부분의 통신 시스템에 있어서, 데이터 신호 또는 데이터 스트림은 편리한 기억, 처리 및 전송을 위해서 데이터 블록으로 분할된다. 소정의 데이터 블록 내의 다른 데이터 심볼은 위치적 다양성(positional diversity)으로 명명된 다른 위치들을 소유하며, 이는 이미 공지된 채널 샘플에 대한 그들 각각의 관련성이 다를 수 있게 하는 원인이 된다. 그런데, 현존하는 채널 예측기는 블록 기반 데이터 구조의 위치적 다양성을 사용하는 데 실패한다. 흔히, 이는, 예상된 예측 성능의 달성에 대한 실패 또는 소정의 데이터 심볼에 대한 상당한 예측 성능 악화의 발생과 같은 몇몇 문제점을 초래하고, 따라서 실용적인 통신 시스템에서 대응하는 예측 효과를 약화시킨다.

현존하는 적응 채널 예측기에 대해서, 그 사용을 크게 제약하는 다수의 중대한 단점은 이하와 같다:

1. 도 1에 도시한 바와 같이, 트레이닝 스테이지는 채널 변동을 고정할 수 있는 모델 가중치의 획득을 위해서 필수적이다. 현존하는 시스템 내의 트레이닝 스테이지는 시스템 복잡성 및 처리 래턴시(latency) 모두를 증가시킨다;

2. 예측 가중치는 컨버전스(convergence)를 달성하기 위해 매우 긴 조정을 필요로 한다. 그렇지 않으면, 이들은 쉽게 구식이 되고, 시간 변동을 따라잡을 수 없게 된다. 명백하게, 긴 조정은 다량의 연속적인 채널 샘플을 필요로 하고, 이는 연속적인 데이터 블록의 풍부한 획득을 갖는 블록 기반 전송으로 용이하게 만족될 수 있는 반면, 소수의 연속적인 데이터 블록만이 획득될 수 있는 것은 거의 불가능하다. 전자에 대한 예는 FDD(frequency division duplex) 통신 시스템이고 후자의 예는 TDD(time division duplex) 통신 시스템이다;

3. 적응 채널 예측기는 시간 변동에 대한 단지 짧은 범위 적응이고, 긴 범위 통계적 센스에 적용할 수 없다.

결론적으로, 예측 가중치가 유지된 조정에 제공되지 않으면, 예측 에러는 예측이 계속됨에 따라 가중치가 충분한 트레이닝 스테이지로부터 획득되더라도 현저하게 증가할 수 있다.

현존하는 실증적인 채널 예측기에 대해서, 그 사용을 크게 제약하는 다수의 중대한 단점은 이하와 같다:

1. 채널 상관을 분석하기 위해서 메모리 내에 기억되는 매우 다량의 채널 샘플이 필요로 되는데, 이는 큰 메모리 점유, 큰 처리 부하 및 래턴시를 발생시킨다;

2. 채널 상관은 시간-평균을 사용해서 획득되고 채널 변동을 따라잡기 위해서 주기적으로 갱신되는 것이 필요하다. 그 다음, 처리 부하의 상당한 증가 및 유효 예측 기간의 감소가 발생한다;

3. 예측 성능은 다른 선형 채널 예측기와 비교해서 그렇게 매력적이지 않다.

현존하는 솔루션의 적어도 하나의 언급된 약점을 극복하기 위해서, 본 발명의 실시형태는 통신 네트워크에서 채널 예측 장치를 제안한다.

도 3은 본 발명의 실시형태에 따른 채널 예측 장치(300)의 블록도이다. 장치(300)는 시간-가변 무선 채널을 포함하여 구성되는 통신 네트워크에서 동작한다. 이와 관련해서, 장치(300)는 이에 제한하지 않지만 기지국 또는 이동국과 같은 채널 예측할 수 있는 네트워크 내의 소정의 노드가 될 수 있다.

나타낸 바와 같이, 장치(300)는 예측 전략 결정 유닛(310), 제1선택 유닛(320), 예측 가중치 결정 유닛(330) 및 가중 유닛(340)을 포함하여 구성된다. 본 기술 분야의 당업자에게 명백한 바와 같이, 장치(300)는 장치의 동작을 위해 필수인 유닛/컴포넌트를 더 포함하여 구성될 수 있는데, 그 상세한 설명은 본 발명의 개념을 불명확하게 하지 않도록 본 명세서에서 설명된다. 또한, 각각의 유닛 310 내지 340은, 예를 들어, 전용의 회로 컴포넌트에 의해 또는 적합하게 프로그램된 프로세서에 의해, 하드웨어, 팜웨어 또는 소프트웨어로 실행될 수 있다.

예측 전략 결정 유닛(310)은 예측 전략을 결정하도록 구성된다.

제1선택 유닛(320)은, 예측 전략에 따라서 시간 영역 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 소정 수의 채널 샘플을 선택하도록 구성된다.

예측 가중치 결정 유닛(330)은 예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중치를 결정하도록 구성된다.

가중 유닛(340)은 예측 결과로서 예측 채널 샘플을 획득하기 위해서 선택된 채널 샘플을 결정된 예측 가중치로 가중하도록 구성된다.

본 발명의 실시형태에 따라서, 예측 정확성 및 범위는 현존하는 솔루션과 비교해서 개선될 수 있다.

본 발명에서, "심볼"은 각각의 채널 샘플이 대응하는 시간 영역 내의 하나의 심볼을 가리킨다. 각각의 심볼 상의 채널 샘플은 다수의 다른 주파수인 디멘전을 갖는 벡터(vector)가 될 수 있다. 이 환경 아래서, 시간 및 주파수 상관 모두가 실현될 수 있다. 한편, 각각의 심볼 상의 채널 샘플은 스칼라(scalar)가 될 수 있다. 이 환경 하에서는, 시간 상관만이 사용된다.

더욱이, 도 4에 도시된 바와 같이, 채널 샘플은 2개의 카테고리로 분할될 수 있다:

1. 예측 채널 샘플, 이는 채널 예측에 의해 예측되고 공지되지 않은 채널 샘플로도 불릴 수 있으며;

2. 후보 채널 샘플, 이는 가용의 채널 샘플들을 나타내고, 이로부터 선택된 채널 샘플(획득된 채널 샘플로도 불린다)이 오고, 이는 공지된 채널 샘플로도 불릴 수 있다.

비제한적인 예에 의하면, 후보 채널 샘플은 이전에 예측된 채널 샘플들을 포함하여 구성될 수 있다.

도 3을 참고하고 비제한적인 예에 의해서, 본 장치(300) 내의 각 유닛의 동작 및 기능이 더 상세히 설명된다.

우선, 본 발명 개시 내용의 이하의 설명을 용이하게 이해하기 위해서, 전형적인 AR 채널 예측기의 원리가 도 5를 참조로 기술된다.

도 5에 나타낸 바와 같이, AR 채널 예측기는, 예측하는 것에 대한 그들 각각의 관련성에 따라서 가중된 선택된 채널 샘플의 합으로부터 예측 채널 샘플을 획득한다:

식 (1),

여기서, 입력 채널 샘플

은 이전에 추정된 채널 벡터 샘플들이고, 이들 각각은 K 분리 서브-캐리어 상에서, 추정된 적응 주파수 응답

으로 이루어지는데:

식 (2)이다.

여기서,

은 (n-m)번째 OFDM 심볼의 k번째 서브캐리어 상에서의 추정 노이즈를 가리킨다. 이는, 넓은 의미의 랜덤 가변적이고,

을 만족시킨다.

심볼-바이-심볼 및 결과적인 트렐리스 예측 방안의 나중의 설명을 용이하게 하기 위해서, 3개의 다른 파라미터가 상기 AR 모델에 도입된다.

도 4에 나타낸 바와 같이, M은 선택된 채널 샘플의 수를 가리키고, I는 후보 채널 샘플에서 2개의 인접해서 선택된 채널 샘플 사이의 거리를 가리키며, P는 예측 채널 샘플과 예측 채널 샘플에 가장 근접한 선택된 채널 샘플 사이의 거리를 가리킨다.

그 다음, 예측 전략 (M, I, P)을 갖는 변경된 AR 채널 예측기가 다음과 같이 획득된다:

식 (3).

MMSE 표준(criterion) 하에서, 예측의 타깃은 다음과 같이 규정된 예측 에러를 최소화하는 것이다:

식 (4).

선택된 채널 샘플과 예측하는 것 사이의 관련성을 나타내는 최상의 모델 가중치

는 m=0, 1,...M-i에 대해서 직교 원리를 사용해서 도출될 수 있고(레퍼런스 [10]);

식 (5),

따라서 Wiener-Hopf 공식을 산출한다:

식(6).

위의 공식의 대응하는 매트릭스 형태는 다음과 같이 도출될 수 있고:

식 (7),

따라서, 제1블록 열

과 함께, 식별 매트릭스

, 태플리츠(Toeplitz) 상관 매트릭스

, 모델 가중치 매트릭스

, 상관 매트릭스

및 블록 태플리츠 상관 매트릭스

를 도입함으로써, 더 간소화된 형태는 다음과 같이 달성된다:

식 (8).

식 (8)로부터 획득된 모델 가중치 매트릭스 W는 m=0, 1,...M-i에 대한 상관 매트릭스 R_ml과 추정 노이즈 에너지 σ² _e에만 의존한다.

[예측 가중치 결정 유닛(330)의 동작 및 기능]

이 실시형태에 있어서, 예측 가중치 결정 유닛(330)은 예측 전략 결정 유닛(310)에 의해 결정된 예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 결정된 예측 전력에 따라서 예측 가중치를 결정한다.

비제한적인 예에 의해서, 예측 가중치 결정 유닛(330)은: 사전에 통계적 성질에 기반해서 모든 가능한 예측 전략에 대응하는 예측 가중치를 계산하도록 구성된 제1계산 유닛(도시 생략)과; 결정된 예측 전략에 대응하는 예측 가중치를 선택하도록 구성된 제2선택 유닛(도시 생략)을 포함하여 구성될 수 있다.

비제한적인 예에 의해서, 예측 가중치 결정 유닛(330)은 결정된 예측 전략에 따른 통계적 성질에 기반해서 예측 가중치를 계산하도록 구성된 제2계산 유닛(도시 생략)을 포함하여 구성될 수 있다.

비제한적인 예에 의해서, 시간-가변 무선 채널의 통계적 성질은 이격된-주파수 이격된-시간 상관을 주로 포함한다(레퍼런스 [11]). 비제한적인 예에 의해서, 이격된-주파수 이격된-시간 상관은 시간-가변 무선 채널의 지연 파워 스펙트럼 및 이격된-시간 상관 함수에 주로 기반한다.

본 발명의 실시형태에 따른 예측 가중치의 계산의 더 상세한 이해에 있어서는, 이격된-주파수 이격된-시간 상관에 기반한 가중치의 도출을 나타내는 것이 도움이 된다.

가장 실용적인 무선 채널은 WSSUS(wide-sense stationary uncorrelated scattering) 추정을 만족하는 무작위 레일리 페이딩(Rayleigh fading)으로서 모델화될 수 있다. 이에 제한되지 않지만 이러한 추정하에서 이하가 도출된다.

WSSUS 추정 하에서, 이 채널의 시간-가변 임펄스 응답의 자동상관 기능은:

식 (9),

여기서 h(τ, t)는 시간 t에서의 지연 τ에 대한 채널의 임펄스 응답이고, r_h(τ)는 다음과 같이 규정된 채널의 지연 파워 스펙트럼이다:

식 (10)이고,

r_h(t1, t2)는 다음과 같이 규정된 이격된-시간 상환 함수이다:

식 (11).

채널의 이격된-주파수 이격된-시간 상관 함수(레퍼런스 [11])는 다음과 같이 실질적으로 도출된다:

식 (12).

여기서, H(f, t)는 시간 t에서 주파수 f에 대한 채널의 주파수 응답이고, τ_max는 최대의 채널 지연을 가리킨다. 하나의 OFDM 심볼의 기간을 나타내는 T 및 2개의 인접한 서브캐리어 사이의 간격을 나타내는 Δf와 함께, 상기 연속적인-시간 이격된-주파수 이격된-시간 상관 함수의 이산-시간 등가는 다음과 같이 달성된다:

식 (13).

식 (13)에서 볼 수 있는 바와 같이, 지연 파워 스펙트럼 r_h(τ) 및 이격된-시간 상관 함수 r_h(t₁, t₂)는 채널 통계에 대한 중요한 영향을 갖는 한편, 이들은 다른 통신 시나리오에서 변화한다. 일반적으로, 지연 파워 스펙트럼은 대부분의 무선 송신 미디어에서 지수적인 분포(exponential distribution)를 따르는데(레퍼런스 [13]):

식 (14),

τ_rms는 특화된 시나리오에서 채널의 평균 지연 스프레드를 나타내고, 이격된-시간 상관 함수는 제1종류의 제로-오더 배셀(zero-order Bessel) 함수를 사용해서 적합하게 기술할 수 있는데(레퍼런스 [14]):

여기서 f_D는 최대의 도플러 주파수(Doppler frequency)이고, 이는 다음과 같이 표현될 수 있는데:

식 (16),

v는 MS의 속도이고, f_c는 캐리어 주파수이며 c는 빛의 속도이다.

결과로서, 이격된-주파수 이격된-시간 상관 함수가 다음과 같이 더 도출될 수 있다:

식 (17).

결론적으로, 태플리츠(Toeplitz) 이격된-주파수 이격된-시간 상관 매트릭스 R_mI는 다음과 같이 계산될 수 있고,

식 (18),

최종적으로 모델 가중치 매트릭스 W가 식 (8)을 사용해서 분석적으로 획득된다.

따라서, 위의 도출과 함께, 식 (18)을 기반으로 예측 가중이 계산될 수 있는 것을 보게 된다. 비제한적인 예에 의해서, 예측 가중치는: 식 (16)에 의해 최대의 도플러 주파수를 획득하고; 동기화로부터 최대 채널 지연을 획득하며; 통상적인 채널 추정 처리로부터 추정 노이즈 에너지를 획득하고; 식 (18)을 사용함으로써 태플리츠 이격된-주파수 이격된-시간 상관 매트릭스를 획득하며; 식 (8)을 사용함으로써 특화된 시나리오를 위한 가중치 매트릭스를 획득하는 단계에 의해 계산될 수 있다.

[예측 전략 결정 유닛(310)의 동작 및 기능]

비제한적인 방법에 의해, 본 발명에 따른 채널 예측은 심볼 바이 심볼로 수행될 수 있다. 특히, 심볼-바이-심볼 예측 방안가 이 실시형태에서 사용될 수 있다. 심볼-바이-심볼 예측 방안의 일반적인 아이디어는, 소정의 데이터 블록 내에의 다른 심볼에 대한 예측 채널 샘플의 예측이 개별적으로 하나씩 처리되는 것이다. 상세하게는, 소정의 심볼에 대한 예측 채널 샘플은 자체의 특별한 위치적 상태에 따른 커스텀화된 전략으로 예측 모델을 제공한다. 다른 심볼에 대해서, 커스텀화된 전략은 실용적인 필요에 의존해서 다르거나 동일하게 될 수 있다. 따라서, 예측된 채널 샘플이 생산 및 기억되는데, 이는 뒤따르는 심볼 상에서 예측 채널 샘플을 위한 후보 채널 샘플이 된다. 후보 샘플로서 이 이전에 예측된 채널 샘플의 포함은 예측 채널 샘플과 후보 샘플 간의 거리를 짧게 하는데 도움을 주고, 따라서 뒤따르는 심볼에 대한 예측 정확성을 개선하는데 도움을 줄 수 있다. 심볼-바이-심볼 예측 방안의 일례를 도 6에 나타낸다.

예측 채널 샘플

는 전략 (M₁, I₁, P₁) 및 후보 채널 샘플

로부터 선택된 대응하는 채널 샘플로 예측된다. 그 다음,

는

및

와 같은 뒤따르는 예측 채널 샘플에 대한 후보 채널 샘플로서 기억된다. 다음 예측 채널 샘플

은 다른 전략 (M₂, I₂, P₂) 및 갱신된 후보 채널 샘플

로부터 선택된 대응하는 채널 샘플과 함께 상기 처리를 반복한다. 이 예측 처리는 모든 뒤따르는 예측 채널 샘플에 대해서 반복적으로 진행한다. 혼란 없이, 식 (3)에 나타낸 바와 같은 예측 모델에서 획득된 채널 샘플

은 이미 예측된 채널 샘플

을 포함할 수도 있다. 따라서, 식 (3)의 예측 모델은 변화없이 더 적용될 수 있다.

심볼-바이-심볼 예측 방안은 소정의 실용적인 블록 기반 전송의 데이터 구조에 대해서 매우 용이하게 실행된다. 매우 단순한 예가 도 7에 묘사된다.

위의 예에 있어서, 한 전략 (M₁, I₁, P₁)은

을 예측하는데 사용될 수 있는데, 여기서 N_syn은 이전에 예측된 채널 샘플

이 선택된 채널 샘플로서 사용된 것이다. 한편, 구별할 수 있는 전략 (M₂, I₂, P₂)은

을 예측하는데 적용될 수 있는데, 이는 3개의 추정된 채널 샘플

을 선택된 채널 샘플로서 취한다. 명백하게, 위의 2개의 예측 채널 샘플에 대한 각각의 모델 가중치는 전체적으로 다르게 될 수 있다.

비제한적인 예에 의해서, 각각의 심볼에 대한 예측 전략은 다르게 될 수 있다. 즉, 다른 세트의 선택된 채널 샘플이 각각의 예측에서 사용될 수 있다.

다음은 각각의 예측 채널 샘플에 대해서 예측 전략을 결정하는 방법이다.

비제한적인 예에 의해서, 예측 전략 결정 유닛(310)은 트레이닝 유닛(도시 생략)을 포함하여 구성될 수 있는데, 이는 예측 전략을 결정하기 위한 각각의 예측 에러의 면에서 후보 채널 샘플의 몇몇 이전 채널 샘플을 트레이닝하도록 구성된다. 한편, 예측 전략 결정 유닛(310)은 트레이닝 유닛을 갖지 않을 수 있다.

비제한적인 예에 의해서, 트렐리스 서칭 방안(trellis searching scheme)이 각각의 심볼에 대한 최상의 전략을 결정하기 위해서 트레이닝 유닛에서 사용될 수 있다.

트렐리스 서칭 방안 동안, 현재 심볼에 대한 예측 솔루션은 현재 심볼까지 결정된 예측 전략 세트로서 가리켜진다. 그 다음, 다음 심볼에 대한 예측 솔루션은 현재 심볼에 대한 예측 솔루션에만 의존하는데, 이는 예측 솔루션 결정의 처리가 마이크로프 체인(Markov Chain)으로서 모델화될 수 있는 것을 의미한다. n번째 심볼을 위한 후보 전략 (M_i, I_i, P_i)은 스테이트 S_i _,n으로서 규정될 수 있고, 명확하게는 각각의 심볼에 대한 다수의 스테이트 N_n는 한계가 규정된다. 현재 심볼 상의 스테이트로부터 다음 심볼 상의 스테이트로의 변경은 스테이트 이행을 통해서 되고, n번째 심볼의 i번째 스테이트까지 누적되는 스테이트 이행은 경로 P_i _,n으로서 규정될 수 있다. 결과로서, 심볼-바이-심볼 예측 방안을 위한 예측 전략 결정의 처리가 도 8에 나타낸 스테이트 트렐리스(trellis) 도면에 의해 기술될 수 있다.

도 8에서, 하나의 심볼에 대한 소정 전략을 갖는 예측은 2개의 인접한 심볼 사이의 스테이트 이행으로 표현된다. 이 이행은 이 심볼에 대한 예측된 채널 샘플 및 따라서 대응하는 예측 에러를 산출하는데, 이는, 소정의 이행이 하나의 경로의 브랜치이므로, 다른 말로 브랜치 에러로 불린다. n번째 심볼에 대한 소정의 브랜치를 위한 브랜치 에러는, 다음과 같이 규정된다.

식 (19).

경로는 모든 이전 심볼에 대한 이행으로 구성되고, 따라서 누적되는 경로 에러를 소유한다. n번째 심볼에 대한 소정의 경로에 대한 경로 에러는 다음과 같이 규정된다.

식 (20).

예측의 타깃은, 모든 N_prd 심볼을 따라서, 최소의 누적되는 경로 에러

를 갖는 경로

를 발견하는 것이다. 이 경로 서칭은 트레이닝 스테이지 내에서 성취되며, 여기서 예측이 후보 채널 샘플에 대해서 수행되므로, 평균 예측 에러가 브랜치 에러로서 획득 및 사용될 수 있다. 그 다음, 선택된 경로 내에 포함된 각각의 스테이트(M, I, P)가 뒤따르는 예측 스테이지에서 각각의 심볼에 대한 예측 전략으로서 사용된다.

상기된 바와 같은 트렐리스 예측 방안은 예측 전략 (M, I, P)에 제한되지 않고, 다양한 다른 예측 전략에 적용될 수 있는 것을 주지하자.

명백하게, 위에서 제안된 솔루션은 예측 정확성을 개선하고, AR 기반 예측기의 고유한 에러 전파를 완화하며, 그러므로 최상의 예측 전략을 획득할 수 있다.

비제한적인 예에 의해서, 다중 데이터 블록의 환경하에서, 식 (19)에서 규정된 브랜치 에러는 다른 데이터 블록 내에서 모든 n번째 심볼에 대한 평균 예측 에러가 될 수 있다. 이점을 명확하게 하기 위해서, 상세한 설명이 도 9를 참조로 제공된다.

도 9는 TDD LTE 통신 시스템에서 제안된 채널 예측기를 위한 예측 데이터 방안을 도시하는 예를 나타내는데, 그 프레임 구조는 "DSUUUDSUUU"이다. 여기서, "D" 박스는 DL 서브프레임를 가리키고, "U" 박스는 UL 서브프레임을 가리키며, "S" 박스는 특별 서브프레임을 가리킨다. 직선의 경계를 갖는 박스는 추정된 채널 샘플을 포함하는 서브프레임을 가리키는 한편, 점선의 경계를 갖는 박스는 예측 채널 샘플을 포함하는 서브프레임을 가리킨다. 이 예에 있어서, 용어 "서브프레임"은 초기에 언급된 용어 "데이터 블록"과 동등하고, 각각의 서브프레임은 다수의 OFDM 심볼을 포함한다.

비제한적인 예에 의해서, 예측 전략 결정 유닛(310)의 트레이닝 스테이지에서, 도 9에 나타낸 바와 같은 예측 데이터 방안과 함께, 실제 후보 채널 샘플인 "프리텐딩(pretending)" 예측 OFDM 심볼에 대한 채널 벡터 샘플은, 이들이 공지되지 않은 것처럼 예측된다. 그 다음, 그들의 예측된 값은 그들 각각의 예측 에러를 획득하기 위해서 그들의 참값과 비교된다. 절대 심볼 인덱스 n(예를 들어, 모든 서브프레임 범위 내의 심볼 인덱스)을 갖는 "프리텐딩" 예측 OFDM 심볼에 대한 예측된 채널 샘플을 위한 예측 에러가 프로베니우스놈(Frobenius Norm)을 사용해서 비제한적인 예로서 측정된다.

식 (21).

여기서, k=1, 2,...,K는 각각의 서브캐리어의 인덱스를 가리키고, H_rt _,k,n은 t번째 송신 안테나로부터 r번째 수신 안테나로의 SISO(single-input single-output) 채널 상의 대응하는 채널 샘플을 가리킨다. 여기서, 다중-안테나 모드는 2X2 MIMO로 되는 것으로 추정된다. 본 기술 분야의 당업자는, 소정의 다른 다중-안테나 모드가 본 발명에서 채용될 수 있는 것으로 이해한다.

각각의 서브프레임 내의 동일한 상대적인 심볼 인덱스를 갖는 모든 "프리텐딩" 예측 OFDM 심볼에 대한 모든 채널 벡터 샘플(예를 들어, 각각의 서브프레임 범위 내의 심볼 인덱스)은 그들 위치적 유사성 때문에 동일한 예측 전략을 사용해서 예측된다. 각각의 서브프레임 내의 동일한 상대적인 심볼 인덱스 s를 갖는 모든 "프리텐딩" 예측 OFDM 심볼에 대한 예측된 채널 벡터 샘플에 대한 평균 예측 에러는, 다음과 같이 규정된다.

식 (22).

여기서, N_trn _{_} _sf는 트레이닝 서브프레임의 전체 수이고, 상기 예에서 2N_trn _{_f}와 등가이며, 여기서 N_trn _{_f}는 트레이닝 프레임의 전체 수를 가리킨다. N_sym은 하나의 서브프레임 내의 다수의 OFDM 심볼을 가리킨다. 식 (22)에서 규정된 평균 예측 에러는 최상의 또는 차선의 예측 전략 세트를 획득하기 위해서 트렐리스 서칭 방안에서 사용되는데, 이는 모든 서브프레임 내에서 각각의 OFDM 심볼에 대한 채널 벡터 샘플의 예측을 위한 예측 전략을 포함한다.

가중 유닛(340)의 가중 처리(예측 스테이지로도 불림)에서, 예측하는 OFDM 심볼에 대한 채널 벡터 샘플은 각각의 서브프레임 내의 그들의 상대적인 심볼 인덱스에 따라 획득된 예측 전략을 사용해서 예측된다. 상기 예에 있어서, 트레이닝 스테이지는 N_trn _{_f} 프레임을 포함하고, 예측 스테이지는 N_prd _-f 프레임을 포함한다.

도 10은 FDD LTE 통신 시스템에서 제안된 채널 예측기를 위한 예측 데이터 방안을 도시하는 예를 나타낸다. 여기서, "S" 박스는 서브프레임을 가리킨다. 상기와 같은 유사한 핸들링이 도 10에 나타낸 바와 같이 예측 데이터 방안에 적용될 수 있다.

상기된 바와 같은, 제안된 채널 예측은 현존하는 것보다 트레이닝을 위한 더 적은 후보 채널 샘플을 요구할 수 있고, 데이터 구조에 대한 더 양호한 적용 및 듀플렉스 모드에 대한 더 넓은 융통성(versatility)을 달성할 수 있다(TDD 및 FDD 모두).

다음의 3개의 특정한 방법이 트렐리스 서칭(트렐리스 트레이닝으로도 불린다) 방안에서 사용될 수 있다.

1. 변경된 비터비(Viterbi) 알고리즘

명백하게, 비터비 알고리즘은 최소 누적되는 예측 에러를 갖는 경로를 발견하고 그러므로 모든 심볼에 대한 최상의 예측 전략 세트를 발견하도록 변경될 수 있다. 도 8에서 볼 수 있는 바와 같이, n번째 심볼에서, N_n _-1 경로 p_j _,n-1, j=1,2,...,N_n-1과 다른 이전에 예측된 심볼이지만 동일한 현재 예측 전략 (M_i, I_i, P_i)과는 스테이트 S_i _,n에서 합병한다. 그러므로, n번째 심볼에서 각각의 스테이트에 대해서, N_n _-1 브랜치 에러 brcErr_n은 상기된 바와 같이 AR 채널 예측기를 사용함으로써 획득될 수 있다. 현재 브랜치 에러 brcErr_n 및 대응하는 이전 경로 에러 pthErr_n-1의 합인 N_n _-1 경로 에러 pthErr_n가 계산될 수 있다. 그러면, 최소 경로 에러를 갖는 한 경로가 이 스테이지를 위한 서바이벌 경로(survival path)로서 선택된다. 예측, 부가, 비교 및 선택이 이 심볼의 각각의 스테이트에 대해서 반복되므로, N_n 서바이벌 경로가 이 심볼에 대해서 획득될 수 있다. 처리는 뒤따르는 심볼 각각에 대해서 반복적으로 진행된다. 최종적으로, 마지막 심볼에서 모든 N_Nprd 서바이벌 경로 p_i _, _Nprd,i=l,2,..., N_Nprd 중, 최소 에러를 갖는 것이 보존되고, 그 경로

가 심볼-바이-심볼 예측 방안을 위한 최상의 예측 전략 세트로서 선택된다. 변경된 비터비 알고리즘에 대한 도면이 도 11에 묘사된다. 도 11에서, 심볼 인덱스는 각각의 데이터 블록 또는 서브프레임 내의 상대적인 심볼 인덱스를 가리킨다.

2. 최소 경로 에러 알고리즘

한편, 최소 경로 에러(LPE: Least Path Error) 알고리즘으로 불린 변경된 비터비 알고리즘의 단순화된 버전이 각각의 심볼에 대한 차선의 예측 전략을 발견하기 위해서 개발된다. 변경된 비터비 접근과의 중요한 차이점은, 각각의 심볼에서 스테이트마다에 대해서 하나의 서바이벌 경로를 보전하는 대신, LPE 접근이 각각의 심볼에서 하나의 서바이벌 경로만을 보존한다는 것이다. n번째 심볼에서, 각각의 스테이트는 하나의 인입하는 경로만을 갖고, 이들 인입하는 경로 모두는 동일한 마지막 서바이벌 경로 P_n _-1로부터이다. 따라서, 각각의 스테이트에 대해서는, 하나의 브랜치 에러 brcErr_n만이 획득되고, 그 다음 하나의 경로 에러 pthErr_n만이 계산된다. 최소 경로 에러를 갖는 하나의 경로가 이 심볼에 대한 서바이벌 경로로서 선택된다. 처리는 뒤따르는 심볼 각각에 대해서 반복적으로 진행한다. 최종적으로, 마지막 심볼에서의 서바이벌 경로

만이 심볼-바이-심볼 예측 방안을 위한 차선의 예측 전략 세트로서 선택된다. LPE 알고리즘을 위한 도면이 도 12에 묘사된다. 도 12에 있어서, 심볼 인덱스는 각각의 데이터 블록 또는 서브프레임 내의 상대적인 심볼 인덱스를 가리킨다.

이 접근은 최상의 예측 전략을 산출하지 않을 수 있으므로, 예측 정확성에 대한 요구가 부담이 되지 않는 적용에 대해서 적합할 수 있다. 상태가 엄격하지 않은 몇몇 시나리오에 있어서, 이 차선의 접근에 의해 선택된 예측 전략은 상기 최상의 변경된 비터비 접근에 의해 선택된 시나리오에 매우 근접하거나 이를 능가할 수 있다.

명백하게는, 최상의 및 차선의 접근 모두의 처리 부하는 각각의 심볼에 대한 스테이트의 수에 크게 의존하는데, 이는 그 심볼에 대한 모든 가능한 또는 허용된 후보 예측 전략을 가리킨다. 따라서, 이는, 다른 정도(degrees)로 후보 예측 전략을 제한함으로써 예측 성능과 처리 부하 사이를 조정하는데 매우 유연하다.

3. 메모리 증가 알고리즘

몇몇 환경, 특히 낮은 속도 및 짧은 메모리의 경우에서, 예측 전략은 사전-결정될 수 있다. I=1 및 P=1을 유지하는 동안의 모든 후보 채널 샘플의 사용은 차선의 것에 어느 정도 근접한 만족스러운 예측 성능을 산출할 수 있다. 비제한적인 예에 의해서, I 및 P는 고정되고, M은 심볼 바이 심볼로 증가한다. 이에 따라, 트레이닝 스테이지는 요구되지 않고, 따라서 처리의 복잡성이 상당히 감소된다. 그러므로, 이 접근은 부하를 처리하는데 매우 민감하지만 예측 정확성이 매우 엄격하지 않은 시스템에 대해서 적합하다.

[제1선택 유닛(320)의 동작 및 기능]

예를 들어, 도 4에 도시된 바와 같이, 예측 전략 결정 유닛(310)에 의해 결정된 예측 전략으로, 제1선택 유닛(320)은 후보 채널 샘플로부터 M 채널 샘플을 선택할 수 있다.

[가중 유닛(340)의 동작 및 기능]

비제한적인 예에 의해, 가중 유닛(340)은 제1선택 유닛(320)에 의해 선택된 M 채널 샘플을 예측 가중치 결정 유닛(330)에 의해 결정된 예측 가중치로 가중할 수 있고, 예측 채널 샘플이 최종적으로 획득된다.

본 발명의 실시형태에 따른 채널 예측 방법을 도시한 흐름도인 도 13을 참조한다. 방법(1300)은 네트워크 내의 이에 제한되지 않지만 기지국 또는 이동국과 같은 채널 예측할 수 있는 소정의 노드에 의해 수행될 수 있다.

방법은 단계 S1310으로부터 시작하는데, 여기서 예측 전략이 결정된다. 그 후, 방법은 단계 S1320으로 진행하고, 여기서 소정 수의 채널 샘플이 예측 전략에 따라서 시간 영역 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 선택된다. 단계 S1330에서, 예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중이 결정된다. 최종적으로, 단계 S1340에서, 선택된 채널 샘플이 결정된 예측 가중치로 가중되어, 예측 채널 샘플을 예측 결과로서 획득한다.

도 13을 참조해서 그리고 비제한적인 예로서, 방법(1300)의 각각의 단계가 본 발명의 예시적인 채널 예측 처리를 도시한 도 14를 참조로 더 상세히 설명된다.

비제한적인 예에 의해서, 도 14는 특히, 본 발명에 따른 MMSE 표준을 갖는 심볼-바이-심볼 트렐리스 AR 채널 예측기를 나타낸다. MMSE 표준을 갖는 심볼-바이-심볼 트렐리스 AR 채널 예측기는 다음 액션을 수행하도록 배열된다.

액션 1 : 채널 샘플

을 후보 채널 샘플로서 획득.

TDD 통신 시스템에서, TDD 통신 시스템의 채널 상호성(channel reciprocity)에 기반해서, 뒤따르는 송신 채널 샘플을 예측하기 위해서, 추정된 수신 채널 샘플을 개시 후보 채널 샘플로서 사용.

FDD 통신 시스템에서, 뒤따르는 수신 채널 샘플을 예측하기 위해서, 추정된 수신 채널 샘플을 개시 후보 채널 샘플로서 사용.

액션 2: 트레이닝 스테이지에서, 예측 전략 세트 P_opt 결정.

각각의 심볼에 대한 채널 샘플을 예측하기 위한 최상의 예측 전략을 결정하기 위해서, 연속적인 후보 채널 샘플의 작은 부분을 사용.

A. 변경된 비터비 알고리즘

1. 제1심볼에 대해서, 후보 채널 샘플로부터 각각의 스테이트 S_i _,l=(M_i, I_i, P_i)에 대한 예측 에러 계산;

2. 뒤따르는 심볼 각각에 대해서:

1) 스테이트에서 합병하는 각각의 브랜치에 대한 대응하는 예측 채널 샘플을 계산하기 위해서 식 (3)을 사용;

2) 이들 브랜치에 대한 예측 에러 계산 후, 대응하는 경로 에러 획득;

3) 이 스테이트에 대한 서바이벌 경로로서 최소 경로 에러를 갖는 것을 선택;

4) 이 심볼에서 각각의 스테이트에 대해서 상기 3개의 동작을 반복.

3. 마지막 심볼에 대해서, 모든 서바이벌 경로 에러 중의 최소 경로 에러를 결정 및 대응하는 서바이벌 경로 p_opt를 보존.

B. 최소 경로 에러 알고리즘

1. 제1심볼에 대해서, 추정된 채널 샘플로부터 각각의 스테이트 S_i _,l=(M_i, I_i, P_i)에 대한 예측 에러 계산 후, 서바이벌 경로로서 최소 예측 에러를 갖는 것을 선택;

2. 각각의 뒤따르는 심볼에 대해서:

1) 각각의 스테이트에 도달하는 브랜치만에 대해서 대응하는 예측 채널 샘플을 계산하기 위해서 식 (3)을 사용;

3) 이 심볼에 대한 서바이벌 경로로서 최소 경로 에러를 갖는 것을 선택.

3. 마지막 심볼에 대해서, 서바이벌 경로 p_subopt 보존.

C. 메모리 증가 알고리즘

서칭 스테이지는 더 이상 필요로 되지 않고, n번째 심볼에 대한 예측 전략은 M_n=N_smp + n-1,I_n=1,P_n=1)로 고정된다.

액션 3: 결정된 예측 전략에 따라 예측 가중치 결정.

비제한적인 예에 의해서, 예측 가중치를 결정하는 액션은: 사전에 통계적 성질에 기반해서 모든 가능한 예측 전략에 대응하는 예측 가중치를 계산하는 단계와; 결정된 예측 전략에 대응하는 예측 가중치를 선택하는 단계를 포함하여 이루어진다.

본 발명의 실시형태에 따른 모든 가능한 예측 전략에 대한 모델 가중의 계산을 상세한 이해하는데 있어서, 이는, 소정의 시나리오에서 모든 가능한 (M, I, P) 조합에 대한 모델 가중치 W=(W₀, W₁,..., W_(M-1)I)를 계산하는 과정을 나타내는데 도움을 준다.

대응하는 모델 가중치를 계산하기 위해서 소정의 특화된 시나리오에서 무선 채널의 이격된-주파수 이격된-시간 상관을 사용.

1. 식 (16)을 사용해서 최대의 도플러 주파수 f_D 획득;

2. 동기화로부터 최대의 채널 지연 τ_max 획득;

3. 채널 추정으로부터 추정 노이즈 에너지 σ² _e 획득;

4. 식 (18)을 사용해서 태플리츠 이격된-주파수 이격된-시간 상관 매트릭스 R_mI 획득;

5. 식 (8)을 사용해서 특화된 시나리오에 대한 모델 가중치 매트릭스 W 획득.

비제한적인 예에 의해서, 예측 가중치를 결정하는 액션은 액션 2에서 결정된 예측 전략에 따른 통계적 성질에 기반해서 예측 가중치를 계산하는 단계를 포함하여 이루어질 수 있다. 여기서, 예측 가중치의 계산은 또한 식 (18)을 사용할 수 있다.

액션 4: 예측 스테이지에서의 연속 채널 예측

예측 채널을 계산하기 위해서 식 (3) 및 결정된 예측 전략 세트를 사용.

LTE에서 기지국에서 실행된 제안된 채널 예측기에 의해 달성됨에 따라, 예측 성능에 대한 시뮬레이션 결과의 예는 다음과 같다. 명세서를 따르기 위해서 용어 데이터 블록은 서브프레임으로 대체되고, 심볼은 OFDM 심볼을 가리킨다.

후속하는 시뮬레이션에 있어서, 적응 채널 예측기가 비교로서 사용되고, 뒤따르는 서브프레임에서 모든 예측 채널 샘플에 대한 예측으로서 가장 근접한 획득된 서브프레임에서 마지막 심볼에 대해서 추정된 채널 샘플을 직접 취하는 지연 채널 예측기는, 채널 변동의 표시로서 사용된다.

공통 시스템 구성이 표 1에 리스트된다.

표 1: 공통 시스템 구성

채널 모델	3GPP SCM(RT 25.996)	중앙 변조 캐리어 주파수	2350mHz
안테나 모드	Tx: 2, Rx: 2	서브캐리어 간격	15kHz
FFT 길이	2048	주기적인 전치부호(cyclic prefix)	144
서브프레임 구조	14심볼	서브프레임 간격	1ms

제안된 채널 예측기를 위한 구성은 표 2에 리스트된다.

표 2: 제안된 채널 예측기를 위한 구성

지연 파워 스펙트럼 모드	지수적	평균 지연 스피드	0.1㎲ in SMa, 0.98㎲ in UMi 2.53㎲ in UMa
서치 비율	전체 서브프레임의 5%	공지된 채널 샘플	28
샘플 간격 바운드	0.5서브프레임	예측 수평 바운드	0.5서브프레임

적응 채널 예측기를 위한 구성이 표 3에 리스트된다.

표 3: 적응 채널 예측기를 위한 구성

알고리즘	MLMS	RLS
스텝 사이즈	0.5	0.9
메모리 길이	28	28
트레이닝 주기	각 서브프레임마다 14심볼	각 서브프레임마다 14심볼

도 9는 TDD에서 제안된 채널 예측기를 위한 예측 데이터 방안을 나타낸다. TDD LTE에서, 업링크(UL) 서브프레임 내의 추정된 채널 샘플이 채널 상호성에 기반해서 뒤따르는 다운링크(DL) 서브프레임에서 채널 샘플을 예측하기 위해서 후보 채널 샘플로서 사용된다. TDD에 대한 프레임 구조는 "DSUUUDSUUU"이다. 도 9에 나타낸 바와 같이, "D" 박스는 DL 서브프레임을 가리키고, "U" 박스는 UL 서브프레임을 가리키며, "S" 박스는 특별 서브프레임을 가리킨다.

도 10은 FDD에서 제안된 채널 예측기를 위한 예측 데이터 방안을 나타낸다. FDD LTE에서, 수신된 서브프레임에서 추정된 채널 샘플은 뒤따르는 서브프레임 내의 채널 샘플을 예측하기 위해서 후보 채널 샘플로서 사용된다. 제안된 채널 예측기를 위한 예측 데이터 방안이 도 10에 도시된다. 여기서, "S" 박스는 서브프레임을 가리킨다.

도 15-32는 다양한 시나리오 및 속도하에서, TDD/FDD LTE의 다양한 제안된 채널 예측기(예측)/다양한 적응 채널 예측기 및 지연 채널 예측기의 성능 평가를 도시한다.

결론으로서, 위의 시뮬레이션 결과로 현존하는 솔루션과 비교하면, 제안된 발명의 중요 장점은 이하와 같이 요약된다:

1. 몇몇 실시형태의 제안된 채널 예측기는 현존하는 것보다 양호한 예측 성능을 제공한다.

1) 제안된 채널 예측기는 현존하는 것보다 양호한 예측 정확성을 산출한다;

2) 제안된 채널 예측기는 현존하는 것보다 더 많은 저항(resistance)을 제공한다;

3) 심볼에 걸친 성능 악화가 현존하는 것과 비교해서 명백하게 완화된다;

4) 제안된 채널 예측기가 통계적 적응을 나타내고, 따라서 현존하는 것보다 더 긴 예측 범위를 달성한다;

2. 몇몇 실시형태의 제안된 채널 예측기는 현존하는 것보다 트레이닝 목적을 위해 더 적은 후보 채널 샘플을 필요로 한다.

1) 제안된 채널 예측기는 적합한 예측 전략을 트레이닝하는데 소수의 후보 채널 샘플만을 필요로 하거나 또는 전혀 필요로 하지 않는다. 획득된 전략을 갖는 예측 모델은 긴 범위를 위한 채널 변동에 대한 적응을 유지할 수 있다;

2) 이에 반해, 적응 채널 예측기는 상당한 예측 성능 저하가 없는 유지된 트레이닝을 요구한다;

3) 이에 반해, 실증적인 채널 예측기는 모델 가중치를 구성하는데 있어서 다량의 채널 샘플을 필요로 한다.

4) 상당한 메모리 점유 및 처리 래턴시가 제안된 채널 예측기에서 회피된다;

3. 몇몇 실시형태의 제안된 채널 예측기는 현존하는 것보다 다용도이다.

1) 제안된 채널 예측기는 FDD 및 TDD 통신 시스템 모두에서 최상의 예측 성능을 산출할 수 있다;

2) 이에 반해, 적응 채널 예측기는 다수의 연속적인 채널 샘플을 요구하는데, 이는 TDD 통신 시스템에서 획득되는 것이 매우 어렵거나 거의 불가능하다. 결론적으로, TDD 통신 시스템에서의 그들의 사용법(usages)은 크게 제약된다;

4. TDD 통신 시스템을 위한 자체의 고유한 피트니스(fitness)에 기인해서, 제안된 채널 예측기는 채널 상호성을 활용함으로써 송신기 측 상에서 실행될 수 있다. 그러므로, 예측된 채널 샘플을 전송하는 피드백 링크에 의해 도입된 몇몇 매우 심각하고 널리 공지된 문제점이 회피된 후, 시스템 강건함(robustness)이 개선될 수 있다;

5. 몇몇 실시형태의 제안된 채널 예측기는 다양한 환경 하에서의 실행에 있어서 매우 유연하다.

1) 예측 모드, 예를 들어 추정된 채널 샘플의 수 및 예측의 범위의 구성이, 소정의 특화된 통신 시스템에 의해 채용된 데이터 구조에 따라서 조정될 수 있다(예를 들어, TDD LTE에서 업링크-다운링크 구성);

2) 처리 부하 및 성능에 대한 요구는 다른 정도로 후보 예측 전략을 제한하거나 또는 다른 트렐리스 서칭 방안을 채용함으로써 용이하게 조정 및 만족될 수 있다.

본 발명의 실시형태는 소프트웨어 프로그램으로써 확고하게 구체화되거나 팜웨어 또는 하드웨어 및/또는 회로로써 단독으로 구체화되거나, 그 밖의 컴퓨터 시스템 내의 구성으로서 구체화되거나, 기지국, 이동국 또는 네트워크 내의 다른 노드와 같은 이들의 소정 형태의 조합으로써 구체화될 수 있다

상기 상세한 설명은 본 발명의 바람직한 실시형태를 제공하며, 소정 방법으로 본 발명을 제한하는 의도는 아니다. 따라서, 본 발명의 정신 및 원리 내에서 만들어진 소정의 변경, 대체 또는 개선은 본 발명의 범위에 의해 망라된다.

약어

AR --- Auto-Regression

BER --- Bit Error Rate

BS --- Base Station

CoMP --- Coordinated Multipoint

CSI --- Channel State Information

DL --- Downlink

FDD --- Frequency Division Duplex

FFT --- Fast Fourier Transform

LPE --- Least Path Error

LTE --- Long Term Evolution

MIMO --- Multiple-Input Multiple-Output

MMSE --- Minimum Mean-Square Error

MS --- Mobile Station

NLMS --- Normalized Least Mean Square

NNs --- Neural Networks

OFDM --- Orthogonal Frequency Division Multiplexing

PAST --- Projection Approximation Subspace Tracking

RLS --- Recursive Least Square

SISO --- Single-Input Single-Putput

SMa --- Suburban Macro

SVM --- Support Vector Machine

SVD --- Singular Value Decomposition

TDD --- Time Division Duplex

UL --- Uplink

UMa --- Urban Macro

UMi --- Urban Micro

WSSUS --- Wide-Sense Stationary Uncorrelated Scattering

레퍼런스 리스트

[I] Gokhan Mergen, et al., "Mtehod and apparatus for filtering noisy estimates to reduce estimation errors", U.S. Patent 7746970, 2010.

[2] Chang kee Min, et al., "MIMO-OFDM Downlink Channel Prediction for IEEE802.16e Systems Using Kalman Filter", IEEE WCNC, pages 942-946, 11-15 March 2007.

[3] Mehdi Seyfi, et al., "An LMS Like Predictive Estimation for Fading MIMO Channels", PIMRC 2007.

[4] Abdorreza HEIDARI, Amir K. KHANDANI, Derek MCAVOY, "Adapive channel prediction system and method", U.S. Patent 2008/0240260, 2008.

[5] Hee-Soo Lee, et al., "Mtehod and apparatus for generating channel information and apparatus and method for adaptive transmission employing the same", U.S Patent 7848296, 2010.

[6] Chan-soo Hwang, Yongin, "Signal receiving apparatus and method adapted for use with a Time-variant channel", U.S Patent 7221716, 2007.

[7] Sharon Gannott, Amir Leshemt, Ofer Shayevitz, "Tracking a MIMO Channel Singular Value Decomposition via Projection Approximation", IEEE 24th Convention of Electrical and Electronics Engineers in Israel, pages 91-94, November 2006.

[8] G. Wolfle 및 F. M. Landstorfer, "Field Strength Prediction in Indoor Environments with Neural Networks", 47th IEEE International Conference on Vehicular Technology(VTC), pages 82-86, May 1997.

[9] Jiancheng Sun, "Nonlinear prediction of mobile-radio fading channel using recurrent least squares support vector machines and embedding phase space", 2004 International Conference on Communications, Circuits and Systems, pages 282. 27-29, June 2004.

[10] S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Englewood Cliffs, NJ: Prentice-Hall, 1993.

[11] J. G. Proakis, Digital Communications, 4th ed., New York: McGraw-Hill, 2000.

[12] P. A. Bello, "Characterization of Randomly Time-Variant Linear Channels", IEEE Trans. Commun., vol. CS-II, pages 360-393, December 1963.

[13] COST 207, "Digital land mobile일 radio communications", Office for Official Publications of the European Communities, Final Report, Luxembourg, 1989.

[14] W. C. Jakes, Jr., Microwave Mobile Communications. New York: Wiley, 1974.

310 - 예측 전략 결정 유닛,
320 - 제1선택 유닛,
330 - 예측 가중치 결정 유닛,
340 - 가중 유닛.

Claims

시간-가변 무선 채널을 포함하여 구성되는 통신 네트워크에서의 채널 예측 방법으로서,
예측 전략을 결정하는 단계와;
예측 전략에 따라서 시간 도메인 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 소정 수의 채널 샘플을 선택하는 단계와;
예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중치를 결정하는 단계와;
예측 채널 샘플을 예측 결과로서 획득하기 위해서, 선택된 채널 샘플을 결정된 예측 가중치로 가중하는 단계를 포함하여 이루어지는 것을 특징으로 하는 채널 예측 방법.
제1항에 있어서,
후보 채널 샘플은 이전에 예측된 채널 샘플을 포함하여 구성되는 것을 특징으로 하는 채널 예측 방법.
제1항에 있어서,
예측 전략은 3개의 파라미터(M, I, P)의 트리플렛을 포함하는데, M은 선택된 채널 샘플의 수를 가리키고, I는 후보 채널 샘플 내의 2개의 인접해서 선택된 채널 샘플 사이의 거리를 가리키며, P는 예측 채널 샘플과 예측 채널 샘플에 가장 근접한 선택된 채널 샘플 간의 거리를 가리키는 것을 특징으로 하는 채널 예측 방법.
제1항에 있어서,
시간-가변 무선 채널의 통계적 성질은 이격된-주파수 이격된-시간 상관을 포함하는 것을 특징으로 하는 채널 예측 방법.
제4항에 있어서,
이격된-주파수 이격된-시간 상관은 시간-가변 무선 채널의 지연 파워 스펙트럼 및 이격된-시간 상관 함수에 기반하는 것을 특징으로 하는 채널 예측 방법.
제1항에 있어서,
예측 가중치를 결정하는 단계는:
사전에 통계적 성질에 기반해서 모든 가능한 예측 전략에 대응하는 예측 가중치를 계산하는 단계와;
결정된 예측 전략에 대응하는 예측 가중치를 선택하는 단계를 포함하여 이루어지는 것을 특징으로 하는 채널 예측 방법.
제1항에 있어서,
예측 가중치를 결정하는 단계는:
결정된 예측 전략에 따른 통계적 성질에 기반해서 예측 가중치를 계산하는 단계를 포함하여 이루어지는 것을 특징으로 하는 채널 예측 방법.
제1항에 있어서,
예측 전략을 결정하는 단계는:
예측 전략을 결정하기 위해서 각각의 예측 에러의 면에서 후보 채널 샘플의 몇몇 이전 채널 샘플을 트레이닝하는 단계를 포함하여 이루어지는 것을 특징으로 하는 채널 예측 방법.
제8항에 있어서,
비터비 알고리즘이 트레이닝에서 사용되는 것을 특징으로 하는 채널 예측 방법.
제3항에 있어서,
I 및 P가 고정되고, M이 심볼 바이 심볼로 증가하는 것을 특징으로 하는 채널 예측 방법.
제1항 내지 제10항 중 어느 한 항에 있어서,
채널 예측 방법이 심볼 바이 심볼로 수행되는 것을 특징으로 하는 채널 예측 방법.
제11항에 있어서,
예측 전략이 각각의 심볼에 대해서 다른 것을 특징으로 하는 채널 예측 방법.
시간-가변 무선 채널을 포함하여 구성되는 통신 네트워크에서의 채널 예측 장치로서,
예측 전략을 결정하도록 구성된 예측 전략 결정 유닛과;
예측 전략에 따라서 시간 도메인 내의 하나의 심볼에 대응하는 후보 채널 샘플 각각으로부터 소정 수의 채널 샘플을 선택하도록 구성된 제1선택 유닛과;
예측 전략 및 시간-가변 무선 채널의 통계적 성질에 따라서 예측 가중치를 결정하도록 구성된 예측 가중치 결정 유닛과;
예측 결과로서 예측 채널 샘플을 획득하기 위해서 선택된 채널 샘플을 결정된 예측 가중치로 가중하도록 구성된 가중 유닛을 포함하여 구성되는 것을 특징으로 하는 채널 예측 장치.
제13항에 있어서,
후보 채널 샘플은 이전에 예측된 채널 샘플을 포함하여 구성되는 것을 특징으로 하는 채널 예측 장치.
제13항에 있어서,
예측 전략은 3개의 파라미터(M, I, P)의 트리플렛을 포함하는데, M은 선택된 채널 샘플의 수를 가리키고, I는 후보 채널 샘플 내의 2개의 인접해서 선택된 채널 샘플 사이의 거리를 가리키며, P는 예측 채널 샘플과 예측 채널 샘플에 가장 근접한 선택된 채널 샘플 간의 거리를 가리키는 것을 특징으로 하는 채널 예측 장치.
제13항에 있어서,
시간-가변 무선 채널의 통계적 성질은 이격된-주파수 이격된-시간 상관을 포함하는 것을 특징으로 하는 채널 예측 장치.
제16항에 있어서,
이격된-주파수 이격된-시간 상관은 시간-가변 무선 채널의 지연 파워 스펙트럼 및 이격된-시간 상관 함수에 기반하는 것을 특징으로 하는 채널 예측 장치.
제13항에 있어서,
예측 가중 결정 유닛은:
사전에 통계적 성질에 기반해서 모든 가능한 예측 전략에 대응하는 예측 가중치를 계산하도록 구성된 제1계산 유닛과;
결정된 예측 전략에 대응하는 예측 가중치를 선택하도록 구성된 제2선택 유닛을 포함하여 구성되는 것을 특징으로 하는 채널 예측 장치.
제13항에 있어서,
예측 가중 결정 유닛은:
결정된 예측 전략에 따른 통계적 성질에 기반해서 예측 가중치를 계산하도록 구성된 제2계산 유닛을 포함하여 이루어지는 것을 특징으로 하는 채널 예측 장치.
제13항에 있어서,
예측 전략 결정 유닛은:
예측 전략을 결정하기 위해서 각각의 예측 에러의 면에서 후보 채널 샘플의 몇몇 이전 채널 샘플을 트레이닝하도록 구성된 트레이닝 유닛을 포함하여 구성되는 것을 특징으로 하는 채널 예측 장치.
제20항에 있어서,
비터비 알고리즘이 트레이닝에서 사용되는 것을 특징으로 하는 채널 예측 장치.
제15항에 있어서,
I 및 P가 고정되고, M이 심볼 바이 심볼로 증가하는 것을 특징으로 하는 채널 예측 장치.
제13항 내지 제22항 중 어느 한 항에 있어서,
채널 예측 장치가 심볼 바이 심볼로 수행되는 것을 특징으로 하는 채널 예측 장치.
제23항에 있어서,
예측 전략이 각각의 심볼에 대해서 다른 것을 특징으로 하는 채널 예측 장치.