KR20200062653A - 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치 - Google Patents

다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치 Download PDF

Info

Publication number
KR20200062653A
KR20200062653A KR1020180148301A KR20180148301A KR20200062653A KR 20200062653 A KR20200062653 A KR 20200062653A KR 1020180148301 A KR1020180148301 A KR 1020180148301A KR 20180148301 A KR20180148301 A KR 20180148301A KR 20200062653 A KR20200062653 A KR 20200062653A
Authority
KR
South Korea
Prior art keywords
vector
beamforming
machine learning
module
channels
Prior art date
Application number
KR1020180148301A
Other languages
English (en)
Other versions
KR102168650B1 (ko
Inventor
최완
이정훈
권형준
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020180148301A priority Critical patent/KR102168650B1/ko
Publication of KR20200062653A publication Critical patent/KR20200062653A/ko
Application granted granted Critical
Publication of KR102168650B1 publication Critical patent/KR102168650B1/ko

Links

Images

Classifications

    • 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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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

Landscapes

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

Abstract

다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치가 제시된다. 본 발명에서 제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치는 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 벡터 양자화 모듈, 양자화된 벡터채널들을 빔포밍 벡터의 코드워드로 출력하는 머신 러닝 모듈 및 빔포밍 벡터의 코드워드를 빔포밍 벡터의 인덱스로 출력하는 코드북 모듈을 포함한다.

Description

다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치{Method and Apparatus for maching learning based beamforming scheme in multi antenna interference channel}
본 발명은 다중 안테나 다중 사용자 간섭채널에서 기계 학습 기반 빔포밍 방법 및 장치에 관한 것이다.
4차 산업혁명 시대가 도래함에 따라 현대 사회는 급격한 변화를 겪고 있고 우리 삶의 많은 부분에 영향을 미치고 있다. 그 중심에 있는 인공지능 기술은 산업과 사회 각 분야에 접목되어 새로운 가치를 창출하고 있다. 인공지능은 인간만 할 수 있다고 생각되었던 학습, 추론, 인지 등 인간이 지닌 능력의 일부 또는 전체를 인공적으로 구현한 것이며, 인간이 할 수 있는 일을 기계가 수행하게 하는 것을 목표로 한다. 최근에는 인공지능을 구현하기 위한 핵심 기술로 머신 러닝이 주목 받고 있다. 머신 러닝은 기계가 경험의 시행착오를 통해 스스로 학습함으로써 성능을 향상시키는 인공지능 기술이다. 머신 러닝은 우리가 깨닫지 못하고 있는 사이에 이미 우리 일상 깊이 들어와 있다. 검색어 자동 완성 기능, 휴대전화 음성인식 기능, 스팸 메일 자동 차단 기능 등 많은 부분에서 쉽게 접할 수 있다. 머신 러닝이 이토록 각광받게 된 요인으로는 딥 러닝 기술의 등장이 큰 영향을 끼쳤다. 딥 러닝은 기존 방법들을 압도하는 성능을 보이며 머신 러닝 분야에서 핵심 기술로 자리 잡았다.
머신 러닝의 발전과 함께, 무선 통신 기술 또한 급속도로 발전하여 차세대 무선 통신 기술인, 5G 시대가 다가오고 있다. 그러나 그만큼 어플리케이션, 디바이스, 네트워크 간 이질성과 여러 요구사항 등 고려할 사항이 많아져, 시스템복잡성이 증가하고 있다. 따라서 시스템 내 사용 가능한 자원들을 이용하여 최고의 효율을 얻는 방법이 요구되었고, 그에 따라 기존 접근 방식들은 미래의 복잡한 시스템에 만족스러운 서비스를 제공할 수 없다. 이러한 문제의 해결방안 중 하나로, 무선 통신 시스템에 머신 러닝을 적용하여 효율을 극대화하려는 연구가 활발하게 진행되고 있다. 종래기술에서는, IEEE 802.11 WLANs(Wireless Local Area Networks)에서 채널 상태만 고려하여 프레임 크기를 최적화하는 기존 방법과는 다르게, 머신 러닝 모델을 통해 채널 상태와 충돌 상황을 모두 고려하여 프레임 크기를 최적화함으로써 시스템 성능을 향상시킬 수 있음을 보였다. 또 다른 종래기술에서는, 무선 네트워크 환경에서 패킷 손실(packet loss)이 발생하였을 때, 충돌로 인한 loss인지 링크 에러로 인한 loss인지를 판단하는 알고리즘으로 머신 러닝 기술을 채택하였으며, 머신 러닝의 여러 알고리즘을 적용하여 그 성능을 비교하였다.
무선 통신 기술의 발달로 인한 데이터 이용량의 폭발적인 증가에 따라, 한정된 주파수 대역에서 사용자 용량을 높이는 방법에 대한 연구가 오래전부터 진행되어 왔다. 현재 그 핵심 기술로, 서비스하는 지역을 셀 단위로 분할하여 일정 거리 마다 주파수를 재사용하는 주파수 재사용 개념이 사용되고 있다. 셀 크기의 소형화는 사용자 용량을 증가시키며, 그로 인해 데이터 전송속도는 향상된다. 그러나 동시에 인접 셀 간 동채널 간섭이 증가하고, 이는 시스템 성능 저하로 이어진다. 데이터 전송속도에 대한 요구가 증가함에 따라 소형화되는 셀 크기로 인해 발생하는 간섭 문제는 향후 무선 통신 기술의 발전을 위해 극복해야 할 주요한 과제이다. 따라서 간섭을 제어하기 위해 안테나의 빔을, 서비스하는 사용자에 국한하여 비추도록 하는 기술인 빔포밍 기술에 대한 연구가 진행되었다. 간섭 채널에서 전송량을 최대로 하는 최적의 빔포밍 벡터는 각 송신단에서 유저들까지의 채널의 선형 조합으로 얻을 수 있다는 사실이 밝혀졌지만, 그 복잡도로 인해 구하는 것이 쉽지 않다.
본 발명이 이루고자 하는 기술적 과제는 머신 러닝을 활용하여 최적의 빔포밍 벡터를 구하기 위한 다중 안테나 다중 사용자 간섭채널에서 기계 학습 기반 빔포밍 방법 및 장치를 제공하는데 있다. 종래의 머신 러닝 구조는 높은 차원의 채널 벡터들을 입력으로 받아들이기 어렵고, 높은 차원의 빔포밍 벡터를 출력으로 표현하기 어렵다는 문제점을 해결하고, 입력 벡터채널들을 단순화할 수 있는 머신 러닝 모델을 제공하고자 한다.
일 측면에 있어서, 본 발명에서 제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치는 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 벡터 양자화 모듈, 양자화된 벡터채널들을 빔포밍 벡터의 코드워드로 출력하는 머신 러닝 모듈 및 빔포밍 벡터의 코드워드를 빔포밍 벡터의 인덱스로 출력하는 코드북 모듈을 포함한다.
벡터 양자와 모듈은 벡터 채널들을 간략화하기 위해 양자화하는 함수를 사용하여 벡터 채널들을 표현한다.
머신 러닝 모듈은 신경망 기반의 머신 러닝 알고리즘을 통해 최적의 빔포밍 벡터의 코드워드를 도출하고, MRT 벡터 또는 ZF 벡터에 해당하는 인덱스 값을 코드북 모듈로 반환한다.
코드북 모듈은 MRT 벡터 또는 ZF 벡터로 구성된 빔포밍 벡터 코드북을 포함하고, 출력 값으로 빔포밍 벡터의 인덱스를 반환한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법은 벡터 양자와 모듈을 통해 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 단계, 양자화된 벡터채널들을 머신 러닝 모듈을 통해 빔포밍 벡터의 코드워드로 출력하는 단계 및 빔포밍 벡터의 코드워드를 코드북 모듈을 통해 빔포밍 벡터의 인덱스로 출력하는 단계를 포함한다.
본 발명의 실시예들에 따른 다중 안테나 다중 사용자 간섭채널에서 기계 학습 기반 빔포밍 방법 및 장치를 통해 머신 러닝을 활용하여 최적의 빔포밍 벡터를 구할 수 있다. 종래의 머신 러닝 구조는 높은 차원의 채널 벡터들을 입력으로 받아들이기 어렵고, 높은 차원의 빔포밍 벡터를 출력으로 표현하기 어렵다는 문제점을 해결하고, 제안하는 머신 러닝 모델을 이용하여 입력 벡터채널들을 단순화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 유저 캐시를 활용한 다중 안테나 다중 사용자 빔포밍 기법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 간단한 머신 러닝 기반 빔포밍 구조의 예시를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법을 설명하기 위한 흐름도이다.
본 발명에서는 머신 러닝을 활용하여 최적의 빔포밍 벡터를 구하기 위한 머신 러닝 모델을 제안한다. 기존의 머신 러닝 구조는 높은 차원의 채널 벡터들을 입력으로 받아들이기 어렵고, 높은 차원의 빔포밍 벡터를 출력으로 표현하기 어렵다. 따라서 제안하는 머신 러닝 구조는 입력 벡터채널들을 단순화하기 위한 벡터 양자화 모듈, 사용할 빔포밍 벡터의 코드북, 최적의 빔포밍 벡터의 코드워드를 도출할 머신 러닝 알고리즘의 구조로 이루어 진다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치의 구성을 나타내는 도면이다.
본 발명에서는 머신러닝을 활용하여 최적의 빔포밍 벡터를 구하기 위한 머신 러닝 모델을 제안한다. 기존의 머신러닝 구조는 높은 차원의 채널 벡터들을 입력으로 받아들이기 어렵고, 높은 차원의 빔포밍 벡터를 출력으로 표현하기 어렵다. 제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치(100)는 벡터 양자화 모듈(Q1)(110), 머신 러닝 모듈(120) 및 코드북 모듈(Q2)(130)을 포함한다.
벡터 양자화 모듈(Q1)(110)은 입력 벡터채널들을 실수부와 허수부로 나누어 양자화한다. 입력 벡터채널들을 단순화하기 위한 벡터 양자화를 수행한다.
먼저 벡터 양자화 모듈(Q1)(110)에서 벡터 채널들(141)을 그냥 입력으로 받아 들이는 것이 아니라, 양자화하기 위한 함수를 사용하여 벡터 채널들을 표현해낸다. 이때 벡터 양자화 모듈(Q1)(110)을 통해 양자화된 채널은 신경망 구조, 다시 말해 머신 러닝 모듈(120)로 입력된다. 벡터 양자화 모듈(Q1)(110)을 위해 다양한 양자화 기법이 사용될 수 있다. 간섭채널에서 빔포밍 벡터를 도출하기 위해 머신 러닝 구조에서 높은 차원의 벡터를 양자화하여 입력으로 받아들이는 구조이다.
머신 러닝 모듈(120)은 양자화된 벡터채널들을 빔포밍 벡터의 코드워드로 출력한다. 최적의 빔포밍 벡터의 코드워드를 도출할 머신 러닝 알고리즘의 구조로 이루어 진다.
코드북 모듈(Q2)(130)은 빔포밍 벡터의 코드워드를 빔포밍 벡터의 인덱스로 출력한다. 코드북 모듈(Q2)(130)은 사용할 빔포밍 벡터의 코드북을 포함한다.
빔포밍 벡터 코드북을 가진 코드북 모듈(Q2)(130)은 머신 러닝 모듈(120)을 통해 신경망 구조에서 구한 최적의 빔포밍 벡터는 빔포밍 벡터 코드북에 속한 빔포밍 벡터의 인덱스로 표현된다. 빔포밍 벡터 코드북이 정의된 후 머신 러닝의 출력값으로 빔포밍 벡터의 인덱스가 반환되는 구조이다.
채널들(142)과 코드북 모듈(Q2)(130)에서 출력된 빔포밍 벡터의 인덱스는 전송률 함수(Rate Function)(150)를 통해 목표 전송률(Achievable Rate)(160)을 출력할 수 있다.
도 2는 본 발명의 일 실시예에 따른 유저 캐시를 활용한 다중 안테나 다중 사용자 빔포밍 기법을 설명하기 위한 도면이다.
본 발명의 일 실시예에서는 도 2에 나타난 K 사용자 MISO 간섭 채널 모델을 고려한다.
M개의 안테나를 가진 K 송신단이 각각 하나의 안테나를 가진 수신단을 서비스 한다. 이 때 수신단 k에서 받은 신호는 다음과 같이 주어진다.
Figure pat00001
수학식(1)
여기서
Figure pat00002
는 i번째 송신단에서 k번째 수신단 까지의 벡터채널이고,
Figure pat00003
는 송신단 k의 송신신호,
Figure pat00004
은 수신단 k에서의 가우시안 노이즈이다.
따라서 수학식(1)에서
Figure pat00005
와
Figure pat00006
는 각각 수신단 k의 원하는 신호, 간섭 신호가 된다. 이때 송신 신호 x k는
Figure pat00007
로 표현이 가능한데, 여기서
Figure pat00008
는 송신단 k에서 사용하는 빔포밍 벡터로서
Figure pat00009
를 만족하고,
Figure pat00010
는 송신단 k의 송신 심볼로서
Figure pat00011
를 만족한다 여기서 Pk는 송신단 k의 송신파워이다.
이때 최적의 빔포밍 벡터는 다음과 같은 형태를 가지고 있다는 것이 밝혀졌다.
Figure pat00012
수학식(2)
여기서
Figure pat00013
는 K 차원의 복소 벡터이다. 따라서
Figure pat00014
로 나타낼 때 모든 유저에서 빔포밍 벡터들의 조합은
Figure pat00015
로 나타낼 수 있고, 이때 얻어지는 전송률은 다음과 같이 나타낼 수 있다.
Figure pat00016
수학식(3)
따라서 모든 유저들의 전송률 합은 다음과 같이 나타낼 수 있고,
Figure pat00017
전송률의 합을 최대화 하기 위해 최적의 빔포밍 벡터를 찾는 문제는,
Figure pat00018
를 찾는 문제가 되며, 이 문제는 다음과 같이 표현된다.
Figure pat00019
수학식(4)
이때
Figure pat00020
는 K2개의 복소수로 이루어져 있으며 따라서 수학식(3)을 최대화 하는 빔포밍 벡터는 K2개의 복소수를 찾는 문제로 귀결된다.
종래 기술에 따른 문제점은 간섭채널에서 빔포밍 벡터를 구하는데 높은 복잡도가 필요하다는 것이다. 상술한 바와 같이 수학식(3)을 최대화 하기 위한 빔포밍 벡터를 구하기 위해서는 총 K2개의 복소수로 이루어진 최적의
Figure pat00021
를 찾는 문제가 되므로 높은 복잡도가 필요하다. 이는 실시간으로 동작하는 통신 시스템에서 쉽게 구하기 어렵다.
또한, 머신 러닝 기반으로 빔포밍 벡터를 도출하는데 어려움이 있다. 기존의 머신 러닝 구조는 높은 차원의 채널 벡터들(h 11, …, h KK)을 입력으로 받아들이기 어렵다. 또한, 최적의 빔포밍 벡터(v 1, …, v K)를 구한다 할지라도 표현해 내기 매우 어렵다. 따라서, 기존의 머신 러닝 구조들은 벡터 채널들로부터 빔포밍 벡터를 도출하는데 구조적으로 불리하다.
다시 도 2를 참조하면, 제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치는 벡터 양자화 모듈(Q1)(110)에서 벡터 채널들을 그냥 받아 들이는 것이 아니라, 양자화를 하는 함수를 사용하여 벡터 채널들을 표현해낸다. 이때 벡터 양자화 모듈(Q1)(110)을 통해 양자화된 채널은 신경망 구조로 입력된다. 벡터 양자화 모듈(Q1)(110)을 위해 다양한 양자화 기법이 사용될 수 있다.
제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 장치는 빔포밍 벡터 코드북을 가진 코드북 모듈(Q2)(130)을 포함한다. 따라서 신경망 구조에서 구한 최적의 빔포밍 벡터는 빔포밍 벡터 코드북에 속한 빔포밍 벡터의 인덱스로 표현된다.
도 3은 본 발명의 일 실시예에 따른 간단한 머신 러닝 기반 빔포밍 구조의 예시를 설명하기 위한 도면이다.
도 3에 본 발명의 일 실시예에 따른 간단한 예시로서 2개의 안테나를 가진 2유저 간섭채널에서 딥러닝을 활용하는 머신러닝 기반 빔포밍 기술을 나타내었다. 먼저 채널 양자화기 Q1은 총 4개의 채널(h 11, h 12, h 21, h 22)를 실수부와 허수부를 나누어 양자화 하고, 딥러닝 구조, 다시 말해 머신 러닝 모듈로 양자화된 채널 값을 입력된다. 이때 채널 양자화기 Q2는 MRT 벡터 또는 ZF 벡터로 구성된 빔포밍 벡터 코드북을 가진다. 따라서 딥러닝 구조는 채널의 실수부와 허수부를 입력 받아 MRT벡터 또는 ZF 벡터에 해당하는 인덱스 값을 반환한다.
도 4는 본 발명의 일 실시예에 따른 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법을 설명하기 위한 흐름도이다.
제안하는 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법은 벡터 양자와 모듈을 통해 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 단계(410), 양자화된 벡터채널들을 머신 러닝 모듈을 통해 빔포밍 벡터의 코드워드로 출력하는 단계(420) 및 빔포밍 벡터의 코드워드를 코드북 모듈을 통해 빔포밍 벡터의 인덱스로 출력하는 단계(430)를 포함한다.
단계(410)에서, 벡터 양자와 모듈을 통해 입력 벡터채널들을 실수부와 허수부로 나누어 양자화한다. 입력 벡터채널들을 단순화하기 위한 벡터 양자화를 수행한다. 먼저 벡터 양자화 모듈에서 벡터 채널들을 그냥 입력으로 받아 들이는 것이 아니라, 양자화하기 위한 함수를 사용하여 벡터 채널들을 표현해낸다. 이때 벡터 양자화 모듈을 통해 양자화된 채널은 신경망 구조, 다시 말해 머신 러닝 모듈로 입력된다. 벡터 양자화 모듈을 위해 다양한 양자화 기법이 사용될 수 있다. 간섭채널에서 빔포밍 벡터를 도출하기 위해 머신 러닝 구조에서 높은 차원의 벡터를 양자화하여 입력으로 받아들이는 구조이다.
단계(420)에서, 양자화된 벡터채널들을 머신 러닝 모듈을 통해 빔포밍 벡터의 코드워드로 출력한다. 최적의 빔포밍 벡터의 코드워드를 도출할 머신 러닝 알고리즘을 이용한다.
단계(130)에서, 빔포밍 벡터의 코드워드를 코드북 모듈을 통해 빔포밍 벡터의 인덱스로 출력한다. 코드북 모듈은 빔포밍 벡터의 코드워드를 빔포밍 벡터의 인덱스로 출력한다.
빔포밍 벡터 코드북을 가진 코드북 모듈은 머신 러닝 모듈을 통해 신경망 구조에서 구한 최적의 빔포밍 벡터는 빔포밍 벡터 코드북에 속한 빔포밍 벡터의 인덱스로 표현된다. 빔포밍 벡터 코드북이 정의된 후 머신 러닝의 출력값으로 빔포밍 벡터의 인덱스가 반환된다.
채널들과 코드북 모듈에서 출력된 빔포밍 벡터의 인덱스는 전송률 함수(Rate Function)를 통해 목표 전송률(Achievable Rate)을 출력할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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 장치에 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.
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.　
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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 벡터 양자화 모듈;
    양자화된 벡터채널들을 빔포밍 벡터의 코드워드로 출력하는 머신 러닝 모듈; 및
    빔포밍 벡터의 코드워드를 빔포밍 벡터의 인덱스로 출력하는 코드북 모듈
    을 포함하는 기계학습 기반 빔포밍 장치.
  2. 제1항에 있어서,
    벡터 양자와 모듈은,
    벡터 채널들을 간략화하기 위해 양자화하는 함수를 사용하여 벡터 채널들을 표현하는
    기계학습 기반 빔포밍 장치.
  3. 제1항에 있어서,
    머신 러닝 모듈은,
    신경망 기반의 머신 러닝 알고리즘을 통해 최적의 빔포밍 벡터의 코드워드를 도출하는
    기계학습 기반 빔포밍 장치.
  4. 제3항에 있어서,
    MRT 벡터 또는 ZF 벡터에 해당하는 인덱스 값을 코드북 모듈로 반환하는
    기계학습 기반 빔포밍 장치.
  5. 제1항에 있어서,
    코드북 모듈은,
    MRT 벡터 또는 ZF 벡터로 구성된 빔포밍 벡터 코드북을 포함하고, 출력 값으로 빔포밍 벡터의 인덱스를 반환하는
    기계학습 기반 빔포밍 장치.
  6. 벡터 양자와 모듈을 통해 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 단계;
    양자화된 벡터채널들을 머신 러닝 모듈을 통해 빔포밍 벡터의 코드워드로 출력하는 단계; 및
    빔포밍 벡터의 코드워드를 코드북 모듈을 통해 빔포밍 벡터의 인덱스로 출력하는 단계
    를 포함하는 기계학습 기반 빔포밍 방법.
  7. 제6항에 있어서,
    벡터 양자와 모듈을 통해 입력 벡터채널들을 실수부와 허수부로 나누어 양자화 하는 단계는,
    벡터 채널들을 간략화하기 위해 양자화하는 함수를 사용하여 벡터 채널들을 표현하는
    기계학습 기반 빔포밍 방법.
  8. 제6항에 있어서,
    양자화된 벡터채널들을 머신 러닝 모듈을 통해 빔포밍 벡터의 코드워드로 출력하는 단계는,
    신경망 기반의 머신 러닝 알고리즘을 통해 최적의 빔포밍 벡터의 코드워드를 도출하는
    기계학습 기반 빔포밍 방법.
  9. 제8항에 있어서,
    MRT 벡터 또는 ZF 벡터에 해당하는 인덱스 값을 코드북 모듈로 반환하는
    기계학습 기반 빔포밍 방법.
  10. 제6항에 있어서,
    빔포밍 벡터의 코드워드를 코드북 모듈을 통해 빔포밍 벡터의 인덱스로 출력하는 단계는,
    MRT 벡터 또는 ZF 벡터로 구성된 빔포밍 벡터 코드북을 포함하고, 출력 값으로 빔포밍 벡터의 인덱스를 반환하는
    기계학습 기반 빔포밍 방법.
KR1020180148301A 2018-11-27 2018-11-27 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치 KR102168650B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180148301A KR102168650B1 (ko) 2018-11-27 2018-11-27 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180148301A KR102168650B1 (ko) 2018-11-27 2018-11-27 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200062653A true KR20200062653A (ko) 2020-06-04
KR102168650B1 KR102168650B1 (ko) 2020-10-21

Family

ID=71081022

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180148301A KR102168650B1 (ko) 2018-11-27 2018-11-27 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102168650B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113489521A (zh) * 2021-05-26 2021-10-08 电子科技大学 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN113541726A (zh) * 2021-07-16 2021-10-22 哈尔滨工程大学 一种基于循环神经网络的码索引扩频水声通信方法
DE102020134939A1 (de) 2020-05-25 2021-11-25 Samsung Electronics Co., Ltd. Pufferstruktur enthaltende lichtemittierende Halbleitervorrichtung
WO2022004914A1 (ko) * 2020-07-01 2022-01-06 엘지전자 주식회사 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치
WO2022234917A1 (ko) * 2021-05-06 2022-11-10 고려대학교 산학협력단 무선 통신 시스템에서 제한된 피드백을 위한 머신 러닝 기반 벡터 양자화 방법 및 장치
US11742901B2 (en) 2020-07-27 2023-08-29 Electronics And Telecommunications Research Institute Deep learning based beamforming method and apparatus

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090115829A (ko) * 2008-05-04 2009-11-09 포스데이타 주식회사 무선통신 시스템에서의 채널 정보 전송 장치 및 방법
KR101547060B1 (ko) * 2014-03-25 2015-08-25 한국과학기술원 다중 라디오 접속 기술을 적용한 다중 셀 다운링크 통신 환경에서 부정확한 채널정보를 고려한 빔포밍과 워터필링을 바탕으로 한 반복적 파워 할당 기법
KR20160003178A (ko) * 2013-07-04 2016-01-08 후아웨이 테크놀러지 컴퍼니 리미티드 주파수 엔벌로프 벡터 양자화 방법 및 장치
KR20170121664A (ko) * 2016-04-25 2017-11-02 한국과학기술원 딥 러닝 구조에서 최적의 성능을 위한 다중 영상 정보 생성 및 처리에 관한 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090115829A (ko) * 2008-05-04 2009-11-09 포스데이타 주식회사 무선통신 시스템에서의 채널 정보 전송 장치 및 방법
KR20160003178A (ko) * 2013-07-04 2016-01-08 후아웨이 테크놀러지 컴퍼니 리미티드 주파수 엔벌로프 벡터 양자화 방법 및 장치
KR101547060B1 (ko) * 2014-03-25 2015-08-25 한국과학기술원 다중 라디오 접속 기술을 적용한 다중 셀 다운링크 통신 환경에서 부정확한 채널정보를 고려한 빔포밍과 워터필링을 바탕으로 한 반복적 파워 할당 기법
KR20170121664A (ko) * 2016-04-25 2017-11-02 한국과학기술원 딥 러닝 구조에서 최적의 성능을 위한 다중 영상 정보 생성 및 처리에 관한 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김근영 외, "딥러닝을 활용한 무선 전송 및 접속 기술 동향", ETRI 저널(2018.10.31.)* *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020134939A1 (de) 2020-05-25 2021-11-25 Samsung Electronics Co., Ltd. Pufferstruktur enthaltende lichtemittierende Halbleitervorrichtung
WO2022004914A1 (ko) * 2020-07-01 2022-01-06 엘지전자 주식회사 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치
US11742901B2 (en) 2020-07-27 2023-08-29 Electronics And Telecommunications Research Institute Deep learning based beamforming method and apparatus
WO2022234917A1 (ko) * 2021-05-06 2022-11-10 고려대학교 산학협력단 무선 통신 시스템에서 제한된 피드백을 위한 머신 러닝 기반 벡터 양자화 방법 및 장치
CN113489521A (zh) * 2021-05-26 2021-10-08 电子科技大学 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN113541726A (zh) * 2021-07-16 2021-10-22 哈尔滨工程大学 一种基于循环神经网络的码索引扩频水声通信方法
CN113541726B (zh) * 2021-07-16 2022-05-06 哈尔滨工程大学 一种基于循环神经网络的码索引扩频水声通信方法

Also Published As

Publication number Publication date
KR102168650B1 (ko) 2020-10-21

Similar Documents

Publication Publication Date Title
KR102168650B1 (ko) 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치
CN111817768B (zh) 一种用于智能反射表面无线通信的信道估计方法
Ly et al. A review of deep learning in 5G research: Channel coding, massive MIMO, multiple access, resource allocation, and network security
Wu et al. Deep learning-driven wireless communication for edge-cloud computing: opportunities and challenges
US10931400B2 (en) Decoding method and apparatus in wireless communication system
Yang et al. Machine learning enabling analog beam selection for concurrent transmissions in millimeter-wave V2V communications
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
Elbir et al. Federated learning for physical layer design
Amiri et al. A high throughput configurable SDR detector for multi-user MIMO wireless systems
KR20190117186A (ko) 학습 기반 채널코드 디코딩 방법 및 장치
Gündüz et al. Timely and massive communication in 6G: Pragmatics, learning, and inference
Shamna et al. Deep learning aided NOMA for user fairness in 5G
He et al. Joint user scheduling and beamforming design for multiuser MISO downlink systems
Hussien et al. Enabling efficient data integration of industry 5.0 nodes through highly accurate neural CSI feedback
Andi et al. Fast decoding of polar codes using tree structure
Kuzlu et al. A streamlit-based artificial intelligence trust platform for next-generation wireless networks
Li et al. SVM‐based online learning for interference‐aware multi‐cell mmWave vehicular communications
Liao et al. Structured neural network with low complexity for MIMO detection
CN116233857A (zh) 通信方法和通信装置
CN116150612A (zh) 模型训练的方法和通信装置
Zhu et al. Adaptive SVM-based beam allocation for mmWave small cell networks
Meenalakshmi et al. Deep learning-enabled polar code decoders for 5G networks and beyond
Morin et al. Active user blind detection through deep learning
Wu et al. Low complexity detection based on selective message passing for SCMA systems
Iswarya et al. A study on the adaptability of deep learning-based polar-coded noma in ultra-reliable low-latency communications

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