KR20200024072A - 기계학습 기반 신호 검출 장치 및 방법 - Google Patents

기계학습 기반 신호 검출 장치 및 방법 Download PDF

Info

Publication number
KR20200024072A
KR20200024072A KR1020190057518A KR20190057518A KR20200024072A KR 20200024072 A KR20200024072 A KR 20200024072A KR 1020190057518 A KR1020190057518 A KR 1020190057518A KR 20190057518 A KR20190057518 A KR 20190057518A KR 20200024072 A KR20200024072 A KR 20200024072A
Authority
KR
South Korea
Prior art keywords
signal
machine learning
transmission
estimator
received
Prior art date
Application number
KR1020190057518A
Other languages
English (en)
Inventor
백명선
정준영
최동준
김흥묵
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to US16/538,457 priority Critical patent/US11050494B2/en
Publication of KR20200024072A publication Critical patent/KR20200024072A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

기계학습 기반 신호 검출 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치는 수신 신호를 기계학습을 위한 기설정된 규칙에 따라 정규화하는 정규화부; 정규화된 수신 신호에 대한 기계 학습을 수행하고, 기계 학습된 신호를 이용하여 상기 정규화된 수신 신호에 대한 송신 신호를 추정하는 신호 추정부 및 상기 송신 신호를 추정한 값을 이용하여 상기 정규화된 수신 신호로부터 상기 송신 신호를 검출하는 신호 검출부를 포함한다.

Description

기계학습 기반 신호 검출 장치 및 방법 {APPARATUS AND METHOD FOR DETECTING SIGNAL BASED ON MACHINE LEARNING}
본 발명 신호 검출 기술에 관한 것으로, 보다 상세하게는 기계학습에 기반한 신호 검출 기술에 관한 것이다.
통신 환경 특히 무선의 통신 환경에서의 전송 속도를 높이기 위한 간단한 방법으로는 전송 대역폭을 넓이는 방법과 높은 차수의 변조를 적용하는 방식 등이 있다. 전자의 경우는 아주 간단히 전송 속도를 높일 수 있지만, 기존 방식과의 호환성 문제가 있고, 가용 채널수의 감소로 인한 네트워크 용량 감소가 발생할 수 있다. 그리고 후자의 경우 변조의 차수에 비례하여 전송 속도가 증가하지 않고, 차수가 증가할수록 구현상의 문제가 심각해지며, 전송 속도를 만족시키기 위해서는 커버리지가 작아지는 등의 문제가 있다. 또한 높은 차수의 변조와 함께 고성능의 채널 코드를 쓰는 방식도 가능하지만, 그 효과는 그리 크지 않을 것이다.
이러한 상황에서 전송률을 크게 높일 수 있는 기술이 다중 안테나를 이용한 공간다중화 (SDM: Spatial Division Multiplexing)기법이다. SDM은 직렬의 데이터를 전송안테나 수만큼 나누어 동시에 병렬 전송함으로써 높은 데이터 전송률을 얻을 수 있는 기법이다. 이러한 SDM 기술은 병렬전송을 통해 높은 데이터 전송률을 얻을 수 있는 반면에, 병렬 전송된 데이터를 분리하여 검출하는 과정에서 발생하는 높은 복잡도와 성능의 저하라는 단점이 존재한다. 이러한 단점을 극복하기 위해 SDM 신호검출에 대한 많은 연구가 이루어지고 있다.
기존의 SDM 시스템 신호검출 방법은 최적의 신호검출 방법인 ML(maximum likelihood) 검출 방법을 이용하거나 간섭 제거를 위해 감산형 간섭제거 기법인 OSIC (Ordered Successive Interference Cancelation) 검출방법을 이용한다. ML 검출 방법은 ML 검사를 통해 수신 신호와 수신단에서 검사한 심볼조합과의 차이를 결정하고 심볼조합 중에서 수신신호와의 차이가 가장 작은 조합을 선택하여 전송신호를 추정하는 방법이다. ML 방법은 전송가능한 모든 심볼의 조합을 검사하여 최적의 심볼 조합을 선택하므로 최적의 검출 성능을 발휘한다. 하지만 전송안테나의 수가 늘어나거나 신호의 변조레벨이 높아지면 지수적으로 복잡도가 증가하여, 실제 시스템에서 큰 검출 지연을 가져온다. 그러므로 실시간 송수신 시스템이나 많은 수의 안테나를 사용하는 다중안테나 시스템에서의 사용은 사실상 불가능하다.
감산형 간섭 제거 기법인 OSIC 검출방법은 수신 신호 전력을 큰 순서대로 나열하여 전력이 가장 큰 신호를 결정한 후에 추정된 수신신호를 채널 파라미터와 곱하여 전송신호를 만들고 이렇게 만들어진 신호를 기존 수신신호에서 감산한다. 감산형 간섭 제거 방식은 그 성능이 뛰어나면서도 구조가 간단하다는 장점을 갖지만, 순차적인 감산형 검출 방법이므로 첫 번째로 검출되는 신호의 정확도에 나머지 신호들의 검출성능이 크게 좌우되며 잡음확산의 영향으로 최적의 방법인 ML 검출방법과 큰 성능의 차이를 갖기 때문에 전송효율이 크게 감소하는 단점이 있다.
또한 ML방식과 OSIC 방식 모두 다중송수신 채널을 추정하여 추정된 채널값을 통해 신호를 복조해야 하는 한계가 존재한다.
한편, 한국등록특허 제 10-2018-0066472 호“ 기계 학습을 이용한 음악 신호의 처리 방법”는 기계 학습을 이용한 신호 처리 방법에 관하여 개시하고 있다.
본 발명은 높은 정확성을 갖는 검출기법을 통하여 신호를 보다 정확하게 검출하고 신호의 간섭을 효과적으로 제거하여 무선 통신 시스템의 성능을 높이고 그에 따라 시스템의 용량을 증대시키는 것을 목적으로 한다.
또한, 본 발명은 채널추정 절차 없이, 매우 간단한 연산으로 신호를 검출 및 복조하는 것을 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치는 수신 신호를 기계학습을 위한 기설정된 규칙에 따라 정규화하는 정규화부; 정규화된 수신 신호에 대한 기계 학습을 수행하고, 기계 학습된 신호를 이용하여 상기 정규화된 수신 신호에 대한 송신 신호를 추정하는 신호 추정부 및 상기 송신 신호를 추정한 값을 이용하여 상기 정규화된 수신 신호로부터 상기 송신 신호를 검출하는 신호 검출부를 포함한다.
본 발명은 높은 정확성을 갖는 검출기법을 통하여 신호를 보다 정확하게 검출하고 신호의 간섭을 효과적으로 제거하여 무선 통신 시스템의 성능을 높이고 그에 따라 시스템의 용량을 증대시킬 수 있다.
또한, 본 발명은 채널추정 절차 없이, 매우 간단한 연산으로 신호를 검출 및 복조할 수 있다.
도 1은 본 발명의 일실시예에 따른 다중 안테나를 사용하는 무선 통신 시스템을 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치를 나타낸 블록도이다.
도 3은 도 2에 도시된 신호 추정부의 일 예를 세부적으로 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 완전 연결 신경망(Fully Connected Network, FCN) 기반의 신호 추정을 수행하는 신호 추정부를 나타낸 블록도이다.
도 5는 본 발명의 일실시예에 따른 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 신호 추정을 수행하는 신호 추정부를 나타낸 블록도이다.
도 6은 본 발명의 일실시예에 따른 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 MIMO 검출 기술의 데이터 정렬 및 신호 검출 과정을 나타낸 도면이다.
도 7은 본 발명의 일실시예에 따른 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 MIMO 검출 기술의 두번째 전송 신호를 검출하기 위한 데이터 정렬 구조를 나타낸 표이다.
도 8은 본 발명의 일실시예에 따른 순환 신경망(Recurrent Neural Network, RNN) 기반의 신호 추정을 수행하는 신호 추정부를 나타낸 블록도이다.
도 9는 본 발명의 일실시예에 따른 순환 신경망(Recurrent Neural Network, RNN) 기반의 MIMO 검출 기술의 데이터 정렬 및 신호 검출 과정을 나타낸 도면이다.
도 10은 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 방법을 나타낸 동작흐름도이다.
도 11은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 다중 안테나를 사용하는 무선 통신 시스템을 나타낸 블록도이다.
도 1을 참조하면, 송신부(10)에서는 전송될 데이터를 복수개의 안테나를 통해 전송하며, 수신부(20)에서는 복수개의 안테나를 통해 이를 수신하는 것을 알 수 있다.
도 1에 도시된 바와 같이, 송신부(10)는 변조된 신호를 T개의 전송안테나를 통해 동시에 전송할 수 있다. T개의 전송안테나를 통해 전송되는 신호는 다음 수학식 1과 같이 나타낼 수 있다.
[수학식 1]
Figure pat00001
수학식 1과 같이 전송되는 신호
Figure pat00002
x는 도 1에서와 같이 M-QAM변조된 신호이며 a+bi 같이 위상과 크기를 갖는 복소수로 표현 될 수도 있다. 이렇게 T개의 전송안테나를 통해 독립적으로 전송된 신호는 다중송수신 채널을 통과하여 R개의 수신안테나로 수신되며 다음 수학식 2와 같이 나타낼 수 있다.
[수학식 2]
Figure pat00003
수학식 2에서
Figure pat00004
Figure pat00005
는 t번째 전송안테나로부터 r번째 수신안테나까지의 채널을 나타내며
Figure pat00006
Figure pat00007
은 r번째 수신안테나의 가우시안 잡음 (AWGN: Additive White Gaussian Noise)일 수 있다
기존의 ML 또는 OSIC방식에서는 신호의 검출을 수행하기 위해 채널정보를 추정하는 절차가 필요하다. 또한, 경우에 따라서는SNR (Signal-to-Noise Ratio)의 추정이 필요할 수도 있다. 이렇게 수신된 신호와 채널 정보 및 SNR정보를 활용하여 신호를 검출할 수 있으나, 본 발명에서는 채널 및 SNR 추정을 수행하지 않고 기계학습(딥러닝) 기반의 신호 검출 기술을 제안한다.
도 2는 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치를 나타낸 블록도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치는 정규화부(Regularization)(110), 신호 추정부(Deep Neural Network)(120), 신호 검출부(Signal Detection)(130) 및 신호 학습부(Training(140)를 포함한다.
기계학습 기반 신호 검출 장치(100)는 수학식 2 및 도 2에서와 같이 T개의 전송안테나를 통해 전송된 신호를 R개의 수신안테나로 수신할 수 있다.
정규화부(110)는 수신 신호를 기계학습을 위한 기설정된 규칙에 따라 정규화할 수 있다.
이 때, 정규화부(110)는 수신된 신호
Figure pat00008
Figure pat00009
를 기계학습(딥러닝) 구조에 맞도록 특정한 규칙으로 정규화(Regularization) 할 수 있다.
이 때, 정규화부(110)는 신호 검출을 위해 정규화된 수신 신호를 신호 추정부(120)에 입력할 수 있다.
신호 추정부(120)는 정규화된 수신 신호에 대한 기계 학습을 수행하고, 기계 학습된 신호를 이용하여 상기 정규화된 수신 신호에 대한 송신 신호를 추정할 수 있다.
이 때, 신호 추정부(120)는 딥러닝 블록에 상응할 수 있고, 특정 구간동안 송수신 신호를 비교하여 학습부(140)를 통해 기계학습 기반의 딥러닝 훈련을 수행할 수 있다.
이 때, 신호 추정부(120)는 채널 정보 또는 SNR정보를 필요로 하지 않고 오직 송수신 신호만을 이용하여 학습부(140)를 통해 기계학습을 수행할 수 있다.
이 때, 신호 추정부(120)는 딥러닝 입력신호로 정규화된 형태의 수신신호를 이용하고, 훈련에 사용되는 기준값 (정답 Lable)으로 송신한 신호를 이용할 수 있다.
따라서, 신호 추정부(120)는 훈련 구간 동안 수신 신호와 그에 상응하는 송신된 신호를 알고 있어야 한다. 이렇게 훈련이 끝난 후에는 수신단인 기계학습 기반 신호 검출 장치(100)가 알지 못하는 신호가 입력되고 송신된 신호를 추정하는 실제 통신이 수행될 수 있다. 이와 같은 단계는 다음과 같이 간단하게 수학식 3으로 나타낼 수 있다. 일단 수신된 신호 y를 정규화 함수에 입력하여 딥러닝 구조에 맞도록 정규화를 수행하며 수학식 3과 같이 나타낼 수 있다.
[수학식 3]
Figure pat00010
수학식 3에서
Figure pat00011
Figure pat00012
는 정규화 함수를 나타낸 것을 알 수 있다. 이 때, 정규화된 데이터는 딥러닝 기반의 기계학습 블록인 신호 추정부(120)로 입력될 수 있다.
기계학습 블록인 신호 추정부(120)에 입력된 데이터는 특정 기계학습 연산을 거쳐 출력될 수 있다. 이와 같은 절차는 다음 수학식 4와 같이 나타낼 수 있다.
[수학식 4]
Figure pat00013
수학식 4에서
Figure pat00014
Figure pat00015
는 간략하게 표현된 딥러닝기반의 기계학습 함수이고 이때 사용되는 함수의 계수는
Figure pat00016
Figure pat00017
로 표현될 수 있다. 또한 출력신호인
Figure pat00018
Figure pat00019
은 기계학습 과정을 통해 추정된 신호일 수 있다. 수학식 4와 같이 추정된 신호는 신호 추정부(120)에서 훈련과정 동안 송신된 신호와 비교하여 그에 따른 에러값을 계산할 수 있고, 반복 훈련을 통해 에러값을 점차 줄여갈 수 있다.
일반적으로 이러한 에러값을 훈련에 따른 cost또는 cost function이라고 한다. 이를 통해 신호 추정부(120)는 기계학습 함수의 계수인
Figure pat00020
Figure pat00021
값이 업데이트되고 특정 반복횟수만큼 반복훈련이 완료되거나, 특정 기준값 이하의 에러값이 도출되면 훈련을 중단하고 실제 통신을 수행할 수 있다. 따라서 딥러닝기반의 기계학습 함수의 출력값은 전송된 신호를 추정한 값이 될 수 있다.
신호 검출부(130)는 추정한 값을 이용하여 송신 신호를 검출할 수 있다.
즉, 신호 검출부(130)는 송신 신호를 추정한 값을 이용하여 상기 정규화된 수신 신호로부터 상기 송신 신호를 검출할 수 있다.
도 3은 도 2에 도시된 신호 추정부의 일 예를 세부적으로 나타낸 도면이다.
도 3을 참조하면, 신호 추정부(120)는 FC 신호 추정부(121), 데이터 정렬부(122), CNN 신호 추정부(123) 및 RNN 신호 추정부(124)를 포함한다.
FC 신호 추정부(121)는 완전 연결 신경망(Fully Connected Network, FCN) 기반의 신호 추정을 수행할 수 있다.
CNN 신호 추정부(123)는 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 신호 추정을 수행할 수 있다.
RNN 신호 추정부(124)는 순환 신경망(Recurrent Neural Network, RNN) 기반의 신호 추정을 수행할 수 있다.
데이터 정렬부(122)는 정규화 이후 입력신호 정렬 함수를 통해 CNN구조에 적합하도록 총 V시간동안 수신된 신호를 VХ2·R차원의 행렬형태로 정렬할 수 있다.
또한, 데이터 정렬부(122)는 정규화 이후 입력신호 정렬 함수를 통해 RNN구조에 적합하도록 총 V시간동안 수신된 신호를 VХ2·R차원의 행렬형태로 정렬할 수 있다.
도 4는 본 발명의 일실시예에 따른 완전 연결 신경망(Fully Connected Network, FCN) 기반의 신호 추정을 수행하는 신호 추정부를 나타낸 블록도이다.
도 4를 참조하면, DNN (Deep Neural Network) 기반의 기계학습 다중신호 간섭제거 및 신호 검출의 가장 기본적인 구조를 나타낸 것을 알 수 있다. 수학식 2와 같이 R개의 수신안테나를 통해 수신된 신호에 정규화 처리가 적용될 수 있다.
DNN 기반의 기계학습함수들은 복소수 또는 음수 데이터 처리에 적합하지 않다. 따라서, 정규화부(110)에서 정규화 과정에서 수신된 I/Q 데이터 기반의 복소수신호는 real값과 imaginary값으로 분리하며 모두 실수값 처리할 수 있다.
이후, 정규화부(110)는 지나치게 큰 값 또는 음수값을 제거하기 위해 real값과 imaginary값으로 분리된 신호에 exp연산을 수행할 수 있다.
그러나, 정규화부(110)는 데이터 구조나 형태에 따라서 exp연산은 생략할 수도 있다.
정규화부(110)의 정규화 연산은 다음 수학식 5와 같이 나타낼 수 있다.
[수학식 5]
Figure pat00022
Figure pat00023
Figure pat00024
수학식 5에서,
Figure pat00025
Figure pat00026
는 r번쩨 수신된 신호
Figure pat00027
Figure pat00028
의 real값이고
Figure pat00029
Figure pat00030
는 imaginary 값을 나타낸다. 수학식 5와 같이 real값과 imaginary 값으로 분리된 신호는 exp연산을 통해 음수텀이 제거되고 DNN 블록인 신호 추정부(120)으로 입력될 수 있다.
이 때, 신호 추정부(120)는 DNN 기반의 학습 연산을 수행할 수 있다.
이 때, 신호 추정부(120)의 각 Neuron에 해당하는 연산은 Fully Connected (FC)함수로 표현 가능하며 Neuron출력을 비선형 함수로 처리하기 위해 Activation 함수 연산을 수행할 수 있다. 이 때, Activation 함수는 기존의 다양한 계기학습 용 비선형 함수를 사용할 수 있다. 예를 들어, Activation 함수를 위해 ReLU, tanh, sigmoid 등의 기존 함수를 사용할 수 있다.
신호 추정부(120)는 이를 통해 도출된 출력을 전송된 값과의 비교를 통해 차이 값인 cost를 계산하고 이 값을 바탕으로 훈련을 수행할 수 있다.
이 때, 신호 추정부(120)는 각 Neuron의 계수의 차이값을 줄여가는 쪽으로 훈련할 수 있다.
이 때, 신호 추정부(120)는 차이값 계산을 위해서 MSE (Mean Square Error) 방식 또는 Cross Entropy 방식 모두 사용할 수 있다. Cross Entropy 방식의 사용을 위해서는 출력값을 one-hot vector형태로 나태내는 것이 용이하다.
또한, 신호 추정부(120)는 일반적인 SGD (Stochastic Gradient Decent)방식 또는 변형된 다양한 방식으로 계수값을 업데이트하여 송수신 시스템을 훈련할 수도 있다.
도 4에 도시된 DNN기반의 제안된 구조에서는 정규화부(110)가 하나의 수신시간에 해당하는
Figure pat00031
Figure pat00032
개의 신호를
Figure pat00033
Figure pat00034
의 신호로 정규화 하고, 신호 추정부(120)의 FC 신호 추정부(121)가 정규화된 신호를 학습하고, 신호 검출부(130)에서
Figure pat00035
Figure pat00036
차원의 전송된 심볼들을 검출할 수 있다. 그러나 다중 채널을 통과하여 수신된 경우, 또는 시간/주파수 옵셋이 발생한 경우에는 이전에 전송된 심볼이 이후 전송된 심볼에 지속적으로 영향을 주게 된다. 따라서 하나의 수신시간만을 고려하여 수신된 신호를 이용하여 전송된 신호를 추정하게 되면 정확도가 감소하게 될 수도 있다.
도 5는 본 발명의 일실시예에 따른 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 신호 추정을 수행하는 신호 추정부를 나타낸 블록도이다. 도 6은 본 발명의 일실시예에 따른 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 MIMO 검출 기술의 데이터 정렬 및 신호 검출 과정을 나타낸 도면이다. 도 7은 본 발명의 일실시예에 따른 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 MIMO 검출 기술의 두번째 전송 신호를 검출하기 위한 데이터 정렬 구조를 나타낸 표이다.
도 5를 참조하면, 다수개의 수신신호를 이용하여 하나의 전송신호를 추정하는 과정을 나타낸 것을 알 수 있다. 이 경우, 신호 추정부(120)의 CNN 신호추정부(123)가 CNN (Convolutional Neural Network) 구조를 이용하여 수신 신호를 학습할 수 있다. 도 5에 도시된 바와 같이, 정규화 함수는 앞서 기술한 정규화 함수와 동일한 것을 알 수 있다.
그러나, 신호 추정부(120)의 데이터 정렬부(121)는 정규화 이후 입력신호 정렬 함수를 통해 CNN 구조에 적합하도록 총 V시간동안 수신된 신호를 VХ2R차원의 행렬형태로 정렬할 수 있다.
이후 신호 추정부(120)의 CNN 신호 추정부(123)는 CNN구조를 사용하여 신호를 검출할 수 있다.
도 6을 참조하면, 신호 정렬 과정 및 CNN 구조를 나타낸 것을 알 수 있다.
데이터 정렬부(121)는 정규화된 데이터를 총 V시간동안 수신된 신호 단위로 묶어서 VХ2R 차원의 행렬로 배치할 수 있다.
이후, CNN 신호 추정부(123)는 V시간동안 수신된 신호를 이용하여 하나의 전송시간동안 전송된 TХ1차원의 전송 신호를 추정하는 연산을 수행할 수 있다.
이 때, CNN 신호 추정부(123)는 일반적인 CNN 연산과 수행할 수 있고, Filter의 크기 및 수신시간의 수 V는 통신 환경에 따라 다양하게 변경 될 수 있다. 상기와 같은 CNN기반 딥러닝 검출을 수행하면 V시간동안의 수신 신호를 이용하여 하나의 전송시간에 전송된 신호를 추정하게 되므로 신호 검출 성능을 향상시키는 것이 가능하다. 또한, 두번째 전송시간에 전송된 전송신호를 검출하기 위해서는 도 7과 같이, 데이터 정렬부(121)가 VХ2R차원의 두번째 입력데이터를 배치할 수 있고, CNN 신호 추정부(123)가 배치된 두번째 입력 데이터 통해 CNN 연산을 수행할 수 있다.
도 8은 본 발명의 일실시예에 따른 순환 신경망(Recurrent Neural Network, RNN) 기반의 신호 추정을 수행하는 신호 추정부를 나타낸 블록도이다. 도 9는 본 발명의 일실시예에 따른 순환 신경망(Recurrent Neural Network, RNN) 기반의 MIMO 검출 기술의 데이터 정렬 및 신호 검출 과정을 나타낸 도면이다.
도 8을 참조하면, RNN (Recurrent Neural Network) 기반의 신호 검출 과정을나타낸 것을 알 수 있다. RNN은 시간변화 기반의 신호를 추정하고 분류하는 문제에 매우 우수한 성능을 제공할 수 있다. 다중패스 채널을 통과한 신호 또는 시간/주파수 옵셋이 발생한 신호는 연속적으로 이전신호가 이후 신호에 영향을 주기 때문에 시간변화 기반의 신호라고 가정할 수 있다. 이 경우, RNN을 사용하면 검출 성능을 크게 향상시킬 수 있다.
도 8에 도시된 바와 같이, 신호 추정부(120)의 데이터 정렬부(121)는 RNN에 적합하도록 입력신호를 정렬할 수 있다. 데이터 정렬부(121)는 기설정된 규칙에 따라 입력신호가 정렬시킬 수 있다. 이후, RNN 신호 추정부(124)는 RNN연산을 통해 신호 훈련 및 신호 추정을 수행하고 신호 검출부(130)는 신호를 검출할 수 있다.
도 9를 참조하면, 하나의 송신 신호를 검출하기 위해 총 N시간동안 수신 신호가 고려되며 이러한 검출 절차는 순차적으로 진행되는 것을 알 수 있다. 또한 RNN구조 역시 수신 신호를 순차적으로 이용하여 신호를 검출하는 구조이므로 CNN의 검출절차와 유사하나 CNN과는 다르게 시간 변화를 기반으로 신호를 검출하므로, CNN에 비해 RNN 구조가 우수한 신호 검출 성능을 제공할 수 있다.
도 10은 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 방법을 나타낸 동작흐름도이다.
도 10을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 방법은 먼저 신호를 수신할 수 있다(S210).
즉, 단계(S210)는 수학식 2 및 도 2에서와 같이 T개의 전송안테나를 통해 전송된 신호를 R개의 수신안테나로 수신할 수 있다.
또한, 발명의 일실시예에 따른 기계학습 기반 신호 검출 방법은 신호를 정규화할 수 있다(S220)
즉, 단계(S220)는 수신 신호를 기계학습을 위한 기설정된 규칙에 따라 정규화할 수 있다.
이 때, 단계(S220)는 전송 안테나를 통해 수신한 신호를 기계학습(딥러닝) 구조에 맞도록 특정한 규칙으로 정규화(Regularization) 할 수 있다.
이 때, 단계(S220)는 상기에서 설명한 정규화부(110)의 기능을 수행할 수 있다.
또한, 발명의 일실시예에 따른 기계학습 기반 신호 검출 방법은 신호를 학습및 추정할 수 있다(S230).
즉, 단계(S230)는 정규화된 수신 신호에 대한 기계 학습을 수행하고, 기계 학습된 신호를 이용하여 상기 정규화된 수신 신호에 대한 송신 신호를 추정할 수 있다.
이 때, 단계(S230)는 특정 구간동안 송수신 신호를 비교하여 학습부(140)를 통해 기계학습 기반의 딥러닝 훈련을 수행할 수 있다.
이 때, 단계(S230)는 채널 정보 또는 SNR정보를 필요로 하지 않고 오직 송수신 신호만을 이용하여 학습부(140)를 통해 기계학습을 수행할 수 있다.
이 때, 단계(S230)는 딥러닝 입력신호로 정규화된 형태의 수신신호를 이용하고, 훈련에 사용되는 기준값 (정답 Lable)으로 송신한 신호를 이용할 수 있다.
이 때, 단계(S230)는 완전 연결 신경망(Fully Connected Network, FCN) 기반의 신호 추정을 수행할 수 있다.
이 때, 단계(S230)는 합성곱 신경망(Convolutional Neural Network, CCN) 기반의 신호 추정을 수행할 수 있다.
이 때, 단계(S230)는 순환 신경망(Recurrent Neural Network, RNN) 기반의 신호 추정을 수행할 수 있다.
이 때, 단계(S230)는 정규화 이후 입력신호 정렬 함수를 통해 CNN구조에 적합하도록 총 V시간동안 수신된 신호를 VХ2·R차원의 행렬형태로 정렬할 수 있다.
이 때, 단계(S230)는 정규화 이후 입력신호 정렬 함수를 통해 RNN구조에 적합하도록 총 V시간동안 수신된 신호를 VХ2·R차원의 행렬형태로 정렬할 수 있다.
이 때, 단계(S230)는 상기에서 설명한 정규화부(120)의 기능을 수행할 수 있다.
또한, 발명의 일실시예에 따른 기계학습 기반 신호 검출 방법은 신호를 검출할 수 있다(S240).
즉, 단계(S240)는 추정한 신호를 이용하여 수신한 신호를 검출할 수 있다.
이 때, 단계(S240)는 송신 신호를 추정한 값을 이용하여 정규화된 수신 신호로부터 상기 송신 신호를 검출할 수 있다.
이 때, 단계(S240)는 상기에서 설명한 신호 검출부(130)의 기능을 수행할 수 있다.
도 11은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
도 11을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1100)에서 구현될 수 있다. 도 11에 도시된 바와 같이, 컴퓨터 시스템(1100)은 버스(1120)를 통하여 서로 통신하는 하나 이상의 프로세서(1110), 메모리(1130), 사용자 인터페이스 입력 장치(1140), 사용자 인터페이스 출력 장치(1150) 및 스토리지(1160)를 포함할 수 있다. 또한, 컴퓨터 시스템(1100)은 네트워크(1180)에 연결되는 네트워크 인터페이스(1170)를 더 포함할 수 있다. 프로세서(1110)는 중앙 처리 장치 또는 메모리(1130)나 스토리지(1160)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1130) 및 스토리지(1160)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1131)이나 RAM(1132)을 포함할 수 있다.
이상에서와 같이 본 발명의 일실시예에 따른 기계학습 기반 신호 검출 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 기계학습 기반 신호 검출 장치
110: 정규화부 120: 신호 추정부
121: 데이터 정렬부 122: FC 신호 추정부
123: CNN 신호 추정부 124: RNN 신호 추정부
130: 신호 검출부 140: 학습부
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 인터페이스 입력 장치
1150: 사용자 인터페이스 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크

Claims (1)

  1. 수신 신호를 기계학습을 위한 기설정된 규칙에 따라 정규화하는 정규화부;
    정규화된 수신 신호에 대한 기계 학습을 수행하고, 기계 학습된 신호를 이용하여 상기 정규화된 수신 신호에 대한 송신 신호를 추정하는 신호 추정부; 및
    상기 송신 신호를 추정한 값을 이용하여 상기 정규화된 수신 신호로부터 상기 송신 신호를 검출하는 신호 검출부;
    를 포함하는 것을 특징으로 하는 기계학습 기반 신호 검출 장치.
KR1020190057518A 2018-08-17 2019-05-16 기계학습 기반 신호 검출 장치 및 방법 KR20200024072A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/538,457 US11050494B2 (en) 2018-08-17 2019-08-12 Signal-multiplexing apparatus and method based on machine learning

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180096188 2018-08-17
KR20180096188 2018-08-17

Publications (1)

Publication Number Publication Date
KR20200024072A true KR20200024072A (ko) 2020-03-06

Family

ID=69802541

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190057518A KR20200024072A (ko) 2018-08-17 2019-05-16 기계학습 기반 신호 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20200024072A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102355383B1 (ko) 2021-12-08 2022-02-08 세종대학교산학협력단 Massive MIMO 시스템에서 고 신뢰도를 위한 딥러닝 기반 신호 검출 기법
KR20220074633A (ko) * 2020-11-27 2022-06-03 한국과학기술원 공간 다중모드 검출을 수행하는 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220074633A (ko) * 2020-11-27 2022-06-03 한국과학기술원 공간 다중모드 검출을 수행하는 방법 및 장치
KR102355383B1 (ko) 2021-12-08 2022-02-08 세종대학교산학협력단 Massive MIMO 시스템에서 고 신뢰도를 위한 딥러닝 기반 신호 검출 기법

Similar Documents

Publication Publication Date Title
US11050494B2 (en) Signal-multiplexing apparatus and method based on machine learning
JP6410948B2 (ja) 光信号を復号化する方法および受信機
US7852906B2 (en) Wireless communication device and channel estimation and separation method in multi input system
CN108566260B (zh) 一种基于扰分多址的隐蔽通信方法
US8295341B2 (en) Cognitive radio device
CN1433619A (zh) 带有直流偏移补偿的均衡
US10523323B2 (en) Apparatus and method for equalization and compensation of chromatic dispersion in optical transmission
KR20200024072A (ko) 기계학습 기반 신호 검출 장치 및 방법
WO2008025388A1 (en) Equalizing structure and equalizing method
WO2007149630A2 (en) An efficient doppler compensation method and receiver for orthogonal-frequency-division-multiplexing (ofdm) systems
EP2074709A1 (en) Intersymbol interference mitigation
US6760374B1 (en) Block decision feedback equalization method and apparatus
US9912499B2 (en) Electronic device with equalization, integrated circuit and methods therefor
KR20210000645A (ko) 깊은 신경망을 이용한 대용량 mimo 신호 검출 방법 및 장치
US8249196B2 (en) Equalizing structure and equalizing method
Liu et al. RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation
KR102414908B1 (ko) 기계학습 기반 신호 다중화 장치 및 방법
RU2632417C2 (ru) Способ, система и устройство предварительного кодирования
CN106850499B (zh) 一种角度差分qam解调方法和解调器
KR101937559B1 (ko) Mimo-ofdm 시스템을 이용한 선형 근사화 신호 검출 장치 및 그 방법
WO2018120834A1 (zh) 一种的参数盲检方法及系统、存储介质
KR100939357B1 (ko) 다중 안테나를 사용하는 무선 통신 시스템에서의 향상된신호 검출장치 및 그 방법
KR102149611B1 (ko) Ofdm 시스템에서의 멀티 스테이지 기반 mmse 채널추정장치
CN108199810B (zh) 一种sfbc传输方式检测的方法与装置
CN106549898B (zh) 一种基于mimo-ofdm系统的ssfe信号检测方法和装置