KR20190069332A - 딥러닝을 이용한 빔포빙 방법 - Google Patents

Abstract

딥러닝을 이용한 빔포밍 방법이 개시된다. 빔포밍 방법은 무선 통신 환경의 간섭 채널에서 복수의 송수신기와 연결된 각 안테나를 이용하여 신호를 송수신하기 위한 학습 모델을 설정하고, 딥러닝을 통해 상기 학습 모델을 구성하는 파라미터를 변경하여 상기 간섭 채널에서 신호대 간섭 및 잡음비가 최대가 되거나 간섭이 최소가 되는 빔포밍 행렬을 생성함으로써, 생성된 빔포밍 행렬을 통한 최적의 신호의 송수신할 수 있다.

Description

딥러닝을 이용한 빔포빙 방법{Beamforming Method Performing the Deep-Learning}

아래의 설명은 딥러닝을 이용한 빔포빙 방법에 관한 것으로, 보다 구체적으로는, 무선 통신 환경에서 복수의 송수신기가 다수의 안테나를 통해 신호를 전송하는 빔포밍 방법에 관한 것이다.

최근에는 무선 트래픽 증가에 대처하기 위해, 다중 안테나를 사용하여 공간 상으로 다수 개의 데이터를 동시에 전송할 수 있는 빔포밍 기술이 도입되었다. 다중 안테나에 적절할 빔포밍 기술을 이용하면, 송신기가 하나, 수신기가 하나인 점대점 MIMO 채널 및 다수 송수신기에 의한 간섭이 발생하는 MIMO 간섭채널에서 전송률을 안테나 수에 선형적으로 비례하여 전송할 수 있다.

하나씩의 송수신기로 구성된 점대점 MIMO 채널환경에서는 채널을 특이값 분해 (Singular Value Decompostion) 하여 구한 unitary 행렬로 송수신 빔포밍 행렬을 구성하고, 특이값을 이용하여 전력할당하는 방식이 이론적 한계인 최대 용량에 도달할 수 있는 최적의 방식이다.

다수의 송수신기로 구성된MIMO 간섭채널은 현재까지 전송 용량의 이론적 한계가 규명되지 않은 상황으로, 독립적으로 보낼 수 있는 데이터수에 해당하는 자유도에 대해서만 일부 알려진 상황이다. 자유도의 이론적 한계로 도달하는 방식인 간섭정렬은 송신기에서는 간섭이 같은 공간으로 정렬되도록 송신하고, 수신기는 정렬된 간섭을 제거하는 zero forcing 방식으로 수신하는 방식이다. 간섭정렬은 간섭의 영향이 없도록 신호를 전송하는 방식으로, 신호대 잡음비가 높은 환경에서는 우수한 성능을 얻을 수 있다,

하지만, 신호대 잡음비가 낮은 환경에서는 성능 열화가 발생하므로, 간섭제거 보다는 자기 신호의 전력을 높이는 빔포밍 방식이 더 우수한 성능을 보여준다. 즉, 간섭채널에서의 빔포밍 방식은 점대점 통신환경과 달리, 최적의 방식이 알려져 있지 않고, 단순한 방식으로 모든 신호대 잡음비에 우수한 성능을 보이는 방식이 없다.

간섭체널에서 현재까지 알려진 가장 좋은 성능을 내는 빔성형 방식은 분산 반복을 통해 신호대잡음비을 최대화하는 방안이다. 간섭채널에서 빔포밍 행렬을 구하는 것은 송수신 빔포밍 행렬을 동시에 구해야 하기 때문에 신호대 간섭 및 잡음비를 최대로 하거나 간섭을 최소로 하는 행렬을 구하기가 쉽지 않다.

이러한 문제를 해결하기 위해, 신호대잡음비를 최대로 하는 송신 빔포밍 행렬과 수신빔포밍 행렬을 반복적으로 계산하는 방법이 제안되었으나, 이는 높은 복잡도를 요구하기 때문에 실제 통신시스템에 구현하기는 쉽지 않다.

본 발명은 다수의 송수신기 쌍이 다수개의 안테나를 통해 신호를 전송하는 MIMO 간섭채널에서, 최선의 성능을 달성하는 고복잡도 빔포밍 방식을 딥러닝을 통해 구현하여 통신 시스템을 통해 구현할 수 있도록 한다.

일실시예에 따른 딥러닝을 이용한 빔포밍 방법은 무선 통신 환경의 간섭 채널에서 복수의 송수신기와 연결된 각 안테나를 이용하여 신호를 송수신하기 위한 학습 모델을 설정하는 단계; 및 딥러닝을 통해 상기 학습 모델을 구성하는 파라미터를 변경하여 간섭 채널에서 신호대간섭및잡음비가 최대가 되거나 간섭이 최소가 되는 빔포밍 행렬을 생성하는 단계를 포함할 수 있다.

일실시예에 따른 학습 모델을 설정하는 단계는 각 안테나를 통해 송수신되는 채널정보나 신호를 입력값과 출력값으로 활용하는 학습 모델을 설정하는 딥러닝을 이용할 수 있다.

일실시예에 따른 학습 모델은 입력값으로부터 출력값을 결정하는 과정에서의 입력값과 출력값 간에 나타나는 입출력 특성을 이용하여 입력값과 출력값 간의 연결 정도를 조절하는 모델일 수 있다.

일실시예에 따른 학습 모델을 구성하는 파라미터는 딥러닝을 위한 학습 가중치(Weight) 및 오차(Bais)를 포함하는 레이어의 수, 레이어 별로 포함된 노드의 수, 배치 사이즈(Batch), 학습률(Learning-Rate), 활성 함수(Activation Function) 중 적어도 하나를 포함할 수 있다.

일실시예에 따른 빔포밍 행렬을 생성하는 단계는 학습 모델을 구성하는 파라미터의 값이 변화함에 따른 학습 모델의 손실 값을 고려하여 간섭 채널에서 신호대 간섭 및 잡음비가 최대가 되거나 간섭이 최소가 되는 빔포밍 행렬을 생성할 수 있다.

본 발명은 다수의 송수신기 쌍이 다수개의 안테나를 통해 신호를 전송하는 MIMO 간섭채널에서, 최선의 성능을 달성하는 고복잡도 빔포밍 방식을 딥러닝을 통해 구현하여 통신 시스템에 구현할 수 있다.

도 1은 본 발명의 일실시예에 따른 빔포밍 방법을 수행하는 복수의 송수신기를 동작 구조를 설명하도록 한다.
도 2는 본 발명의 일실시예에 따른 빔포밍을 위한 딥러닝 네트워크의 학습 모델을 나타낸 도면이다.
도 3은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 레이어의 수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.
도 4는 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 확대한 레이어의 수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.
도 5는 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 노드의 수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.
도 6은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 활성 함수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.
도 7은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 배치 사이즈에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.
도 8은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 학습률에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.
도 9는 본 발명의 일실시예에 따른 학습 모델을 통한 레이어별 가중치의 분포를 나타낸 그래프이다.
도 10은 본 발명의 일실시예에 따른 학습 모델을 통한 레이어별 손실의 분포를 나타낸 그래프이다.
도 11은 본 발명의 일실시예에 따른 학습 모델을 통한 간섭 채널에서의 전송률을 나타낸 그래프이다.
도 12는 본 발명의 일실시예에 따른 빔포밍 방법을 설명하기 위한 흐름도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 본 발명의 일실시예에 따른 빔포밍 방법을 수행하는 복수의 송수신기를 동작 구조를 설명하도록 한다.

통신 시스템은 K개의 송수신기가 동시에 데이터를 전송할 수 있다. 여기서, 각 송신기의 안테나는 Mk개, 각 수신기의 안테나는 Nk개로 구현될 수 있다. 통신 시스템은 K 사용자 MIMO 간섭채널에서의 K개의 송수신기를 활용한 최선의 성능을 달성하기 위한 빔포밍 방식을 딥러닝으로 구현하는 방법을 제안한다.

K 사용자 MIMO 간섭채널 통신환경은 도 1과 같이 나타낼 수 있다. K 사용자 간섭채널에서 k 번째 사용자가 전송하려는 d_k개의 신호 s_k,m를 송신기의 빔성형 매트릭스(또는 벡터) P_k를 통해 전송되는 신호 xk 는 다음의 수학식 1과 같이 표현할 수 있다.

채널을 통해 수신되는 k 번째 수신기의 수신신호 y_k는 다음의 수학식 2와 같이 표현할 수 있다.

k 번째 수신기의 수신신호를 수신 빔성형 매트릭스 (혹은 벡터) F_k를 통해 얻는 신호 s_k는 다음의 수학식 3과 같이 표현될 수 있다.

본 발명은 상술한 K 사용자 MIMO 간섭채널 통신환경에서의 최적의 빔포밍 방법을 제안한다. 다시 말해, 본 발명은 딥러닝 방식 중 지도 학습을 이용한 학습 모델을 모델링할 수 있다. 그리고, 본 발명은 모델링을 통해 반복 계산을 수행하여 최적 빔포밍 방식을 도출하고, 도출된 빔포밍 방식을 딥러닝 학습에 이용하며, 학습이 끝난 네트워크를 실제 시스템에 적용하는 방식이다.

딥러닝의 경우, 학습에는 오랜 시간이 걸릴 수 있으나, 학습이 끝난 네트워크는 단순한 계산 만을 수행하여 원하는 값을 도출하도록 할 수 있으므로, 복잡한 방식을 필요로 하는 알고리즘을 통신 시스템에 구현할 수 있다.

본 발명은 복잡하고 많은 반복 횟수를 필요로 하는 부분은 많은 시뮬레이션을 통해 입력 데이터와 출력 데이터를 결정할 수 있다. 그리고, 본 발명은 결정된 입력 데이터와 출력 데이터를 이용하여 딥러닝을 통한 학습 모델을 통해 학습을 수행한다. 이때, 본 발명은 학습에 활용되지 않은 테스트 데이터에 대해서도 원하는 출력 데이터가 나오도록 딥러닝 네트워크를 설계하며, 딥러닝 네트워크를 통해 나온 출력 데이터가 적절한지 검증을 수행할 수 있다.

도 2는 본 발명의 일실시예에 따른 빔포밍을 위한 딥러닝 기반의 학습 모델을 나타낸 도면이다.

도 2를 참고하면, 통신 시스템은 딥러닝 기반의 빔포밍 방법을 기반으로 구현될 수 있다. 딥러닝 기반 빔포밍 방식을 구현하기 위해서는 딥러닝을 위한 학습 모델을 설정할 수 있다. 본 발명은 다양한 학습 모델 중에서, 입력값인 채널과 결과값인 빔포밍 행렬, 즉 레이블이 있은 학습데이터를 시뮬레이션을 통해 충분히 얻을 수 있기 때문에 지도학습 (Supervised Learning) 방식을 효율적으로 적용할 수 있다.

딥러닝을 위한 학습 모델은 복잡하지만 기본적인 모델이라 할 수 있는 Multilayer Perceptron 방식(Deep Feedforward Network)을 활용할 수 있다. 딥러닝 네트워크는 이미지 처리에 주로 사용되는 CNN (Convolutional Neural Network), 음성 등 시계열 데이터 처리에 주로 사용되는 RNN (Recurrent Neural Network)를 사용할 수 있다.

딥러닝 네트워크는 입력값에서 가장 중요한 정보를 추출하여 출력값을 산출할 수 있다. 이 때, 입력값인 채널값은 출력값인 빔포밍 행렬에 그대로 사용되며, 이 둘의 관계는 같은 정보량을 가지게 된다. 즉, 딥러닝 네트워크가 입력값을 계산하여 중단 단계를 거쳐 출력값이 계산되는 과정에서 정보가 손실되면, 빔포밍 행렬을 구하기 위한 적절한 계산이 이루어질 수 없을 것으로 예상된다. 따라서, 본 발명은 학습 모델을 통한 딥러닝 네트워크를 구현함에 있어, 중간 계층에서 정보가 손실되지 않도록 중간 계층의 노드가 이전 계층의 노드보다는 작지 않게 구성해야 한다. 이에, 본 발명은 다음과 같은 빔포밍을 위한 학습 모델을 모델링할 수 있다. 학습 모델을 구성하는 파라미터의 값에 대한 예는 다음과 같을 수 있다.

- Input(입력층): 3사용자 4x4 간섭 채널 정보인 144x1개의 채널 값

- Output(출력층): 송신단(or 수신단)에서 사용하는 8x1빔포밍 값

- Layer 수(중간층): 딥러닝을 위해 288x1개의 hidden node로 구성된 4개의 layer로 구현, 각 Layer별로 weight/bais값 존재

- Sample: 10000개의 학습 데이터 사용

- Training epochs: 1000

- Loss Function: 학습데이터와 네트워크 출력값의 평균제곱오차

- Optimizer: Adam Optimizer

딥러닝에 따른 최적의 학습 모델을 설정하기 위하여 본 발명은 Layer 수, Node 수, Batch 수, Learning-rate, Activation Function을 변경함으로써, 변경에 따른 결과값을 확인할 수 있다. 그리고, 본 발명은 결과값과 원하는 결과값을 비교하여 학습 모델에 대한 정확도를 판단할 수 있다. 이에 따른 각 파라미터를 변경하여 최적의 학습 모델을 설정하는 자세한 설명은 도 3 내지 도 11을 통해 설명하도록 한다. 여기서, 본 발명은 학습 모델의 파라미터에 있어, 레이어의 수, 각 레이버별 노드 수(288x1), 배치 사이즈 수(100), Learning-rate(0.01), activation function(sigmoid-relu교차사용)으로 데이터의 패턴을 찾는 조건을 동일하게 가정하였다.

도 3은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 레이어의 수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.

도 3에 도시된 그래프는 Epoch 초기에서, 레이어의 수가 증가할수록 손실 값이 감소하는 선형으로 나타난다. 이는 레이어의 수가 증가할수록 증가하는 레이어의 수에 비례하여 중간 노드의 수도 증가하기 때문에, 학습률(learning-rate)을 통한 복잡한 함수를 표현할 수 있으므로 손실 값이 감소하는 효과가 더 큰 것으로 확인할 수 있다.

이때, Epoch의 수가 증가할수록, 노드의 수는 증가하게 되고, 이는 손실 값에 비해 성능 열화 현상이 나타나게 된다. 다시 말해, 딥러닝 네트워크의 학습 모델은 Epoch의 수에 따른 노드 수가 증가하면, 손실 값을 최적화하기 위한 가중치 값과 손실 값을 결정하기 어려워지기 때문에, 레이어의 수가 일정 기준 개수 이하인 경우, 손실 값에 비해 성능 열화 현상이 나타나게 된다.

일례로, Epoch의 수가 250일 때에는 layer-4개일 때, 600일 때에는 Layer-3가 최적의 손실 값을 보여준다. 이러한 현상은 epoch의 수가 증가함에 따라 변화하게 된다.

도 4는 본 발명의 다른 실시예에 따른 학습 모델을 구성하는 파라미터 중 레이어의 수의 증가에 따른 손실 값이 변화하는 현상을 나타낸 그래프이다.

도 4에 도시된 그래프는 도 3에서 사용된 Epoch의 수 보다 Epoch의 수가 증가했을 때의 손실 값을 선형으로 나타낸다. 도 4에서 사용된 Epoch의 수는 500~1000개 사이이며, 본 그래프는 증가된 Epoch의 수에 따른 손실 값이 변화하는 현상을 나타낸다.

layer-3에서 측정된 값들은 본 그래프 상에서 가장 좋은 성능을 보여주고 있으나, Epoch의 수가 550 ~ 800 개일 때, 점점 어느 특정값으로 수렴하는 현상을 보여준다. 반면, layer-5에서 측정된 값들은 layer-3에서 측정된 값들과 비교하여 성능 열화 형상이 발생한 것으로 확인되나, 점점 더 좋은 손실 값에 가까워지고 있는 것을 확인할 수 있다.

여기서, 레이어의 수가 증가함에 따라 노드의 수는 증가하게 되고, 이는 최적화하는 중간 과정에서의 복잡도 문제로 인한 성능 열화 형상이 발생할 가능성이 있다. 이때, 본 그래프에서 나타난 것과 같이 성능 열화 현상이 발생하더라도, 각 레이어에서의 손실 값은 더 좋은 결과값으로 수렴할 수 있다.

학습 모델은 딥러닝에 의한 학습에 특화되는 경우, over-fitting 문제가 발생할 수 있으며, 이로 인한 테스트 성능이 좋지 않은 결과로 나타날 가능성이 있음에 따라, 통신 시스템은 학습 모델을 활용하는 과정에서의 중간 테스트를 통해 데이터에 대한 검증 단계를 수행함에 따라, 각 상황에 맞는 적절한 레이어의 수를 결정할 수 있다.

도 5는 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 노드의 수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.

도 5에 도시된 그래프는 레이어 별로 포함되는 노드의 수에 따른 손실의 값을 선형으로 나타낸다. 본 그래프는 상이한 노드의 수에 따라 변화하는 각 손실의 값을 나타낸다. 이를 위해, 다음과 같은 학습 모델의 파라미터를 사용하였다. 학습 모델의 파라미터는 레이어의 수 4개, 배치 사이즈 100, 학습률 0.01, 활성 함수를 활용하였으며, 각 노드에 따른 동일한 조건을 적용하였다. 여기서, 활성 함수는 sigmoid-relu과 교차 사용이 가능할 수 있다.

상술한 조건에서의 학습 모델을 수행한 결과, 본 그래프를 통해 나타난 같이 노드 수가 늘어날수록 학습 성능은 향상되는 경향으로 나타내며, 각 노드에 따라 더 낮은 값으로 수렴하는 것을 확인할 수 있다.

결국, 학습 모델에 따른 학습을 수행하기 위해서는 학습 성능을 향상시키기 위한 적절한 노드 수가 요구되며, 노드 수가 증가함에 따라 복잡도는( 노드의 수 x 레이어의 수)로 나타낼 수 있다. 따라서, 본 발명은 노드 수에 따라 증가하는 복잡도를 고려하여 학습 모델에 따른 컴퓨팅 능력에 맞춰 조절해야 한다. 또한, 노드의 수도 레이어의 수와 마찬가지로, over-fitting과 직접적으로 연관이 있는 파라미터 값임에 따라, 통신 시스템은 학습 모델을 활용하는 과정에서의 중간 테스트를 통해 데이터에 대한 검증 단계를 수행함에 따라 over-fitting의 발생을 최소화해야 한다.

도 6은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 활성 함수에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.

도 6에 도시된 그래프는 활성 함수(Activation function)에 따른 손실의 값을 선형으로 나타낸다. 본 그래프는 활성 함수로 사용되는 기법에 따라 변화하는 각 손실의 값을 나타낸다. 이를 위해, 다음과 같은 학습 모델의 파라미터를 사용하였다. 학습 모델의 파라미터는 레이어의 수 4개, 배치 사이즈 100, 학습률 0.01, 활성 함수를 사용하였다.

활성 함수는 여러 함수 중에 가장 많이 활용되는 Sigmoid와 Relu 경우만 고려하였다. 본 발명은 활성 함수에 있어, Relu을 사용한 경우, 그래프의 성능 이득에 따른 효과가 많으나, Epoch의 수 증가할수록 특정값으로 빨리 수렴함을 확인 할 수 있다. 본 발명은 활성 함수에 있어, Sigmoid 함수를 사용한 경우, 그래프의 초반에 성능 이득에 따른 효과가 적으나 Epoch의 수 증가할수록 성능 이득이 증가하는 것을 확인할 수 있다. 또한, 본 발명은 활성 함수에 있어, Sigmoid 함수와 Relu를 같이 사용할 경우, 두 개 함수의 중간 값을 나타낸 것을 확인할 수 있다. 결국, 시뮬레이션을 통해 간섭 채널 모델링은 Sigmoid 또는 Sigmoid-Relu가 혼재하는 모델이 더 좋을 것으로 예상할 수 있다.

도 7은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 배치 사이즈에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.

도 7에 도시된 그래프는 배치 사이즈에 따른 손실의 값을 나타낸다. 본 그래프는 서로 다른 배치 사이즈에 따라 변화하는 각 손실의 값을 나타낸다. 이를 위해, 다음과 같은 학습 모델의 파라미터를 사용하였다. 학습 모델의 파라미터는 레이어의 수 4개, 학습률 0.01, 노드의 수 288, 활성 함수를 사용하였다. 활성 함수는 sigmoid-relu과 교차 사용이 가능할 수 있다.

도 7의 그래프를 기반으로 본 발명의 학습 모델은 배치 사이즈가 '10'일 경우, 학습 효과가 초반에 좋으나, Epoch의 수가 증가할 수 에 따라 일정 Loss값에 수렴하는 것을 확인할 수 있다. 또한, 본 발명의 학습 모델은 배치 사이즈가 '10000'일 경우에는 지속적인 학습이 수행되나, 학습 효과가 더디게 이루어짐을 확인할 수 있다. 그리고, 본 발명의 학습 모델은 배치 사이즈가 '100'일 경우, 학습도 빠르게 이루어지고, 학습에 의한 학습 효과에 대한 성능이 가장 좋은 것을 확인할 수 있다. 따라서, 본 발명의 학습 모델은 학습을 위해 적절한 배치 사이즈 설정이 필요함을 확인할 수 있다.

도 8은 본 발명의 일실시예에 따른 학습 모델을 구성하는 파라미터 중 학습률에 따른 손실 값이 변환하는 현상을 나타낸 그래프이다.

도 8에 도시된 그래프는 학습률(Learning rate)에 따른 손실의 값을 선형으로 나타낸다. 다음과 같은 학습 모델의 파라미터를 사용하였다. 학습 모델의 파라미터는 레이어의 수 4개, 배치 사이즈 100, 노드의 수 288, 활성 함수를 활용하였으며, 각 노드에 따른 동일한 조건을 적용하였다. 여기서, 활성 함수는 sigmoid-relu과 교차 사용이 가능할 수 있다.

본 발명의 학습 모델은 학습률이 '0.1'인 경우, 학습이 전혀 수행되지 않고 있음을 확인할 수 있다. 이는 Overshooting현상이라고 하며, 학습률에 대한 변화 정도가 너무 커서 최소값을 찾을 수 없는 상태를 의미할 수 있다. 본 발명의 학습 모델은 학습률이 '0.0001'인 경우, 최소값에 수렴되기 위해 지속적으로 학습이 이루어지지만, 학습률에 대한 변화 정도가 너무 낮기 때문에 학습 효과가 더디는 발생한다. 이때, 본 발명의 학습 모델은 학습률이 상술한 비율보다 낮을 경우, Local Minimum 값이 발생할 가능성이 있다.

여기서, 본 발명의 학습 모델은 학습률이 '0.1'과 '0.0001'의 중간 값 정도인 '0.001'을 사용하였을 경우, 학습이 원활하게 이루어지며, 손실의 값이 감소하는 것을 확인할 수 있다. 학습률 '0.001'에서의 학습 모델은 Epoch의 수가 증가하는 경우, 어느 한 지점에서 수렴하는 현상을 보여주는 바, Epoch의 수가 무한대로 증가하는 경우에는 학습률이 '0.0001' 이였을 때의 성능과 교차할 수 있다는 점을 체크해야 한다. 다시 말해, 컴퓨팅 파워가 크고 시간적 자원이 클 경우에는 Learning rate을 낮춰서 사용하는 것이 유용하나, Local minimum에 빠지지 않는 것을 확인하여 사용해야 한다.

도 9는 본 발명의 일실시예에 따른 학습 모델을 통한 레이어별 가중치의 분포를 나타낸 그래프이다.

도 9에 도시된 그래프는 딥러닝을 통해 학습된 학습 모델을 이용한 레이어(Layer) 별로 측정된 가중치(weight)의 분포를 나타낸다. 본 그래프를 통해 나타낸 각 분포도는 위쪽부터 1~ 5까지의 가중치 값의 분포를 나타낸다.

본 그래프에서 가중치 값은 전반적으로 '0'의 값을 중심으로 분포하고 있다. 이는 정규 분포의 특성을 갖는 종모양 분포(bell-shaped distribution)의 형태를 가질 수 있다. 또한, 가중치 값은 첫번째 layer의 경우 가장 분산값이 큰 것을 확인할 수 있고, 뒤의 layer로 갈수록 분산값이 작아짐을 확인할 수 있다.

도 10은 본 발명의 일실시예에 따른 학습 모델을 통한 레이어별 손실의 분포를 나타낸 그래프이다.

도 10에 도시된 그래프는 딥러닝을 통해 학습된 학습 모델을 이용한 레이어(Layer) 별로 측정된 손실(Loss)의 분포를 나타낸다. 본 그래프를 통해 나타낸 각 분포도는 위쪽부터 1~ 5까지의 손실 값의 분포를 나타낸다.

본 그래프를 통한 손실의 분포도는 학습 모델을 통해 결정되는 레이어별 가중치 값과 달리, 분포 영역에서의 특징을 발견할 수 없었으나, 가중치 값으로 나타나는 종모양 분포와 다른 형태를 갖는 분포를 나타내는 것을 확인하였다.

도 11은 본 발명의 일실시예에 따른 학습 모델을 통한 간섭 채널에서의 전송률을 나타낸 그래프이다.

도 11을 참고하면, 본 발명의 학습 모델을 통한 빔포밍 방법은 K 사용자 MIMO 간섭채널에서 전송율(sum-rate)을 증가시킬 수 있다. 이에, 본 11에 도시된 그래프는 딥러닝 기반의 학습 모델을 통해 생성된 빔포밍 행렬에 의한 각 빔포밍 값을 간섭 채널에 적용하여 구한 sum-rate값을 보여준다.

결과 그래프에서 Original sum-rate은 일반적으로 사용되는 반복 알고리즘을 통해 결정된 빔포밍 값을 간섭 채널에 적용하여 나온 결과물일 수 있다. Original sum-rate의 결과는 평균: 16.54, 최소값: 9.97, 최대값: 23.34의 결과를 보여주며, 해당 값은 학습 성능의 Upper bound 결과로 활용할 수 있다. 이때, 학습률이 너무 크거나(‘(Training) lr0.1-batch100’)나 너무 작을 경우((Training) lr0.00001-batch100), 빔포밍 생성을 위한 학습 효과가 제대로 이루어지지 않아 전송률의 성능은 좋지 않음을 확인할 수 있다. 이때, 학습률이 0.00001일때의 결과는 제한된 epoch(=1000번) 내에서의 결과이므로 epoch 증가에 따라 해당 성능은 좋아질 가능성이 있음을 인지해야 한다. 배치사이즈가 크거나(‘(Training) lr0.001-batch10000’) 작을 경우(‘(Training) lr0.001-batch10’)에도 제한된 epoch내에서 학습이 이루어지지 않아, 전송률의 성능은 좋지 않음을 확인할 수 있다. 노드 수가 적을 경우(‘(Training) lr0.001-batch100(half)’) 학습이 원활히 진행되지 않아, 전송률의 성능은 좋지 않음을 확인할 수 있다. 반대로, 노드 수가 클 경우(두배 노드수 사용) 전송률의 성능은 본래의 성능과 동일한 결과를 얻음을 확인할 수 있으며, 노드 수 증가에 따른 학습의 복잡도 및 학습 시간이 증가한다는 것을 확인할 수 있다.

본 발명의 학습 모델은 Layer 수=4, Activation Function(sigmoid-relu교차사용), 노드 수=288, 배치 사이즈 수=100, Learning-rate=0.001의 조건을 데이터에 대한 학습을 수행하였을 경우, (‘(Training) lr0.001-batch100’) Original sum-rate 결과와 거의 일치하는 결과가 나옴을 확인할 수 있으며, 이는 학습을 제대로 수행했다는 것을 나타낼 수 있다.

본 발명은 학습 모델을 통해 도출된 학습 결과물에 대하여 validation set을 통해 검증할 수 있다. 여기서, validation set은 학습 데이터로 확용되지 않은 임의의 채널값에 따른 sum-rate 결과로 10개의 랜덤 생성을 통해 구축하였다. 그리고, 본 발명은 학습 모델을 통해 도출된 결과가 임의의 valid set에 대해서도 제대로 동작함을 확인함으로써, 학습 모델이 제대로 동작하는 것을 확인할 수 있다.

도 12는 본 발명의 일실시예에 따른 빔포밍 방법을 설명하기 위한 흐름도이다.

단계(1201)에서 통신 시스템은 무선 통신 환경의 간섭 채널에서 복수의 송수신기와 연결된 각 안테나를 이용하여 신호를 송수신하기 위한 학습 모델을 설정할 수 있다. 통신 시스템은 각 안테나를 통해 송수신되는 신호를 입력값과 출력값으로 활용하는 학습 모델을 설정하는 딥러닝을 이용할 수 있다. 학습 모델은 입력값으로부터 출력값을 결정하는 과정에서의 입력값과 출력값 간에 나타나는 입출력 특성을 이용하여 입력값과 출력값 간의 연결 정도를 조절하는 모델일 수 있다.

단계(1202)에서 통신 시스템은 딥러닝을 통해 학습 모델을 구성하는 파라미터를 변경하여 간섭 채널에서 신호대 간섭 및 잡음비 가 최대가 되거나 간섭이 최소가 되는 빔포밍 행렬을 생성할 수 있다. 여기서, 학습 모델을 구성하는 파라미터는 딥러닝을 위한 학습 가중치 및 오차를 포함하는 레이어의 수, 레이어 별로 포함된 노드의 수, 배치 사이즈, 학습률, 활성 함수 중 적어도 하나를 포함할 수 있다.

통신 시스템은 학습 모델을 구성하는 파라미터의 값이 변화함에 따른 학습 모델의 손실을를 고려하여 간섭 채널에서 신호대 간섭 및 잡음비가 최대가 되거나 간섭이 최소가 되는 빔포밍 행렬을 생성할 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (1)

1. 무선 통신 환경의 간섭 채널에서 복수의 송수신기와 연결된 각 안테나를 이용하여 신호를 송수신하기 위한 학습 모델을 설정하는 단계; 및
   딥러닝을 통해 상기 학습 모델을 구성하는 파라미터를 변경하여 상기 간섭 채널에서 신호대 간섭 및 잡음비가 최대가 되거나 간섭이 최소가 되는 빔포밍 행렬을 생성하는 단계
   를 포함하는 딥러닝을 이용한 빔포밍 방법.

Images