KR20200066220A - 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 - Google Patents

비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 Download PDF

Info

Publication number
KR20200066220A
KR20200066220A KR1020190155745A KR20190155745A KR20200066220A KR 20200066220 A KR20200066220 A KR 20200066220A KR 1020190155745 A KR1020190155745 A KR 1020190155745A KR 20190155745 A KR20190155745 A KR 20190155745A KR 20200066220 A KR20200066220 A KR 20200066220A
Authority
KR
South Korea
Prior art keywords
active
terminals
base station
terminal
active terminal
Prior art date
Application number
KR1020190155745A
Other languages
English (en)
Other versions
KR102267855B1 (ko
Inventor
심병효
김원준
안용준
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Publication of KR20200066220A publication Critical patent/KR20200066220A/ko
Application granted granted Critical
Publication of KR102267855B1 publication Critical patent/KR102267855B1/ko

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J13/00—Code division multiplex systems
    • H04J13/0007—Code type
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]

Abstract

비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출 방법은, k개의 활성 단말로부터 중첩된 신호를 수신하는 단계, 차원 확산 심층 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하는 단계 및 상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출하는 단계를 포함한다.

Description

비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치{APPARATUS AND METHOD FOR ACTIVE USER DETECTION IN WIRELESS COMMUNICATION SYTEM BASED ON GRANT-FREE UPLINK TRANSMISSION}
본 발명은 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출(active user detection, AUD) 방법 및 장치에 관한 것으로서, 구체적으로 차원 확산 심층 인공 신경망을 활용하여 활성 단말 검출 성능을 향상시키는 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치에 관한 것이다.
제4세대 이동통신인 롱텀에볼루션(Long Term Evolution: LTE)에서는 단말의 랜덤 액세스(random access)과정에서 단말은 타깃 셀과 접속하기 위해 프리앰블(preamble)이라고 불리는 신호를 전송한다. 보통 64개의 프리앰블을 사용하기 때문에 많은 단말들이 접속에 성공하기 위해서는 총 4단계의 접속과정이 필요하다. 이러한 과정들을 통해 기지국은 접속을 시도한 기기에게 상향링크 동기 정보 송신, 단말의 고유 ID 및 상향링크 데이터 채널 자원을 할당하게 된다.
그러나, LTE의 랜덤 액세스의 경우 프리앰블의 수가 한정되어 있어 다수의 사물통신 단말들이 셀에 존재하고 소량의 데이터를 경쟁적으로 보내는 대용량 사물통신(massive machine-type-communication, mMTC)의 경우 프리앰블 충돌의 확률이 증가한다. 뿐만 아니라, 여러 단계의 접속과정을 사용함으로써 단말의 수가 많은 mMTC의 경우 접속을 위한 제어신호 오버헤드가 상당히 증가하게 되고, 적은 양의 데이터(예를 들어, 100비트 내외) 전송이 예상되는 MTC 단말에서 이러한 다중접속 과정은 에너지의 관점에서도 비효율적이다.
따라서, 5세대 이동통신에서는 mMTC 시나리오뿐 아니라 기존 시스템에서의 대용량의 데이터를 전송하는 과정의 효율성을 증가시키기 위한 초광대역 통신(enhanced mobile broadband, eMBB)와 고신뢰 저지연 통신(ultra-reliable and low-latency communication, URLLC)도 고려하고 있다.
기존 LTE에서의 한정적인 가용 프리앰블의 수와 소량의 데이터 대비 과중한 제어신호로 인하여 기존의 시스템의 통신 방식과 프레임을 새로이 구성하는 방향으로 연구가 진행되고 있는 상황이다. 구체적으로는 저밀도 확산(low density spreading, LDS) 기법이나 희소코드 다중접속(sparse code multiple access, SCMA) 기법 등의 비직교 다중 접속(non-orthogonal multiple access, NOMA) 기반 기술을 활용한 비승인(grant-free) 형태의 NOMA 시스템에 대한 연구 등이 진행되고 있다.
그러나, 비승인 기반의 단발 임의 접속(one-shot random access)이 이루어진다면, 기지국은 기기들의 타이밍 정보 및 ID를 알 수 없기 때문에 데이터 채널을 제대로 수신할 수 없는 문제가 있다.
본 발명은 전술한 필요성을 감안하여 안출된 것으로서, mMTC를 지원하고, 승인 신호가 없는 mMTC 시스템에서도 수많은 단말들의 상향링크 통신을 지원하기 위해 파일럿을 기반으로 하여 차원 확산 심층 인공 신경망을 이용하여 활성 단말 검출 추정의 성능을 향상시키는 활성 단말 검출 방법 및 장치를 제공함에 그 목적이 있다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위하여, 본 발명의 일 측면에 따르면, 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출 방법으로서, k개의 활성 단말로부터 중첩된 신호를 수신하는 단계, 차원 확산 심층 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하는 단계 및 상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출하는 단계를 포함하는 것을 특징으로 하는, 활성 단말 검출 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 인공 신경망의 학습 데이터는 레일리 분포를 가지는 채널과 가우시안 분포를 가지는 노이즈를 통해 만들어진 샘플을 사용할 수 있다.
본 발명의 일 실시예에 따르면, 상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터일 수 있다.
본 발명의 일 실시예에 따르면, 상기 k개의 활성 단말로부터 중첩된 신호를 수신하는 단계는, 상기 k개의 활성 단말로부터 각각 데이터 변조와 파일럿 심볼 생성 후 비직교 LDS 코드를 이용하여 NOMA 시퀀스 확산된 신호를 수신하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 활성 단말일 추정 확률을 산출하는 단계는, 상기 차원 확산 심층 인공 신경망 구조에 상기 수신된 신호를 입력하는 단계 및 상기 차원 확산 심층 인공 신경망 구조에 포함된 희소벡터 복원 알고리즘에 기반한 복수의 DS 모듈(dimension spreading module)을 통해 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 복수의 DS 모듈은 배치 표준화(batch normalization) 층 및 ReLU 함수를 포함하고, 상기 복수의 DS 모듈 사이는 서로 residual 연결될 수 있다.
본 발명의 다른 일 측면에 따르면, 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출을 위한 기지국 장치로서, k개의 활성 단말로부터 중첩된 신호를 수신하는 수신기, 상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 차원 확산 심층 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하고, 상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출하는 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치가 제공된다.
본 발명의 일 실시예에 따르면, 상기 수신기는, 상기 k개의 활성 단말로부터 각각 데이터 변조와 파일럿 심볼 생성 후 비직교 LDS 코드를 이용하여 NOMA 시퀀스 확산된 신호를 수신할 수 있다.
본 발명의 일 실시예에 따르면, 상기 하나 이상의 프로세서는, 상기 차원 확산 심층 인공 신경망 구조에 상기 수신된 신호를 입력하고, 상기 차원 확산 심층 인공 신경망 구조에 포함된 희소벡터 복원 알고리즘에 기반한 복수의 DS 모듈을 통해 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출할 수 있다.
본 발명의 비승인 기반의 상향링크 전송에서 차원 확산 심층 인공 신경망을 활용한 활성 단말 검출 방법 및 장치에 따르면, LDS 코드북을 활용하여 전송된 데이터 및 파일럿 신호를 수신하고, 파일럿을 기반으로 딥러닝 기반의 활성 단말 검출을 수행하여 mMTC를 지원할 수 있다. 이 때, DSDNN 심층 인공 신경망 구조에서 각 층의 너비를 늘려 코드북 내 열 간의 상관 관계를 줄임으로써 기존의 압축 센싱 기법에 비해 최종적인 활성 단말 검출 기능을 향상시킬 수 있다. 또한, 이러한 과정 수행 시 활성 단말 수 증가에도 검출 성능에 큰 변화가 없어 개선된 견고함(robustness)을 보이므로, 제안된 활성 단말 검출 방법의 다수 단말에 대한 적용 가능성을 향상시킬 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 대용량 사물통신(massive machine-type-communication, mMTC) 서비스를 제공하는 이동통신 네트워크의 블록도를 도시한다.
도 2은 본 발명의 일 실시예에 따른 DSDNN(dimension spreading deep neural network) 적용부의 인공 신경망 구조를 도시한다.
도 3는 본 발명의 일 실시예에 따른 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출(active user detection, AUD) 시뮬레이션 결과를 도시한다.
도 4는 본 발명의 일 실시예에 따른 활성 단말의 수에 따른 AUD 시뮬레이션 결과를 도시한다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.
ITU-R의 제5 세대 이동통신 요구사항에 따르면 2020년경에는 사물인터넷 망에 접속하는 단말의 수가 최대 1km2 당 약 백만(106)개가 될 것으로 예상하고 있다. LTE-Advanced 시스템의 경우 기지국 당 접속된 사용자가 약 300~400명 정도임을 감안하면, 대용량 사물접속을 지원하기 위해서는 추가로 기지국을 설치하여 각 셀의 커버리지(coverage)를 감소시키거나 혹은 분포된 단말 수에 비례하는 자원을 추가로 할당해야 한다.
하지만, 이동통신 주파수 자원이 절대적으로 부족한 상황에서 이러한 해결책은 효과적이지 못하다. 예를 들어, 사물인터넷 환경에서 전체의 약 5%의 단말이 동시에 접속하는 경우, 평균 400개 정도의 단말이 사용되는 LTE 환경에 적용하면 약 20개의 단말이 64개의 프리앰블을 사용하여 접속을 시도하게 된다.
이 때, 셀 내에서 적어도 둘 이상의 단말이 같은 프리앰블을 사용하여 충돌이 일어날 확률은 96%이고, 같은 단말 수와 프리앰블 비율을 유지하면서 백만 개의 사물의 접속을 지원하기 위해서는 약 250만개의 자원이 필요하게 된다. 즉, 셀 당 커버리지가 0.01km2인 경우 셀 당 필요한 자원의 수는 2만5천개이며, 이는 현재 시스템이 사용하는 다중접속 자원 수의 20배가 넘기 때문에 그다지 현실적이지 못하다. 그러므로, mMTC를 지원하기 위해서는 종래의 기술과 다른 자원 할당 및 접속 과정이 필요하다.
저밀도확산(low density spreading, LDS) 기술은 다중 사용자 전송에 사용되는 직교(orthogonal) 코드를 통한 코드다중화 방식과 달리 비직교적인 코드를 이용하여 신호를 확산하는 방식으로서, 전송에 사용되는 자원을 사용자마다 고유의 희소 패턴으로 할당하여 비직교 상황에서도 많은 수의 단말을 지원할 수 있다. 또한, 압축 센싱(compressed sensing, CS) 기술은 복원하려는 신호가 희소할 때(e.g., 활성 단말 검출, 시간 영역에서의 채널 추정) 효과적으로 원 신호를 복원하는 기술인데, 제안하는 활성 단말 검출에서는 이러한 압축 센싱 기술을 뛰어넘는 딥러닝 기법을 이용한다.
제4세대 이동통신인 LTE에서는 단말의 랜덤 액세스과정에서 단말은 타깃 셀과 접속하기 위해 프리앰블 신호를 전송한다. 보통 64개의 프리앰블을 사용하기 때문에 많은 단말들이 접속에 성공하기 위해서는 총 4단계의 접속과정이 필요하다. 이러한 과정들을 통해 기지국은 접속을 시도한 기기에게 상향링크 동기 정보 송신, 단말의 고유 ID 및 상향링크 데이터 채널 자원을 할당하게 된다.
그러나, LTE의 랜덤 액세스의 경우 프리앰블의 수가 한정되어 있어 다수의 사물통신 단말들이 셀에 존재하고 소량의 데이터를 경쟁적으로 보내는 mMTC의 경우 프리앰블 충돌의 확률이 증가한다. 뿐만 아니라, 여러 단계의 접속과정을 사용함으로써 단말의 수가 많은 mMTC의 경우 접속을 위한 제어신호 오버헤드가 상당히 증가하게 되고, 적은 양의 데이터(예를 들어, 100비트 내외) 전송이 예상되는 MTC 단말에서 이러한 다중접속 과정은 에너지의 관점에서도 비효율적이다.
따라서, 5세대 이동통신에서는 mMTC 시나리오뿐 아니라 기존 시스템에서의 대용량의 데이터를 전송하는 과정의 효율성을 증가시키기 위한 eMBB와 고신뢰 저지연 통신을 위한 URLLC도 고려하고 있다. 즉, 기존 LTE에서의 한정적인 가용 프리앰블의 수와 소량의 데이터 대비 과중한 제어신호로 인하여 기존의 시스템의 통신 방식과 프레임을 새로이 구성하는 방향으로 연구가 진행되고 있는 상황이며, 구체적으로는 LDS 기법이나 SCMA 기법 등의 NOMA 기반 기술을 활용한 비승인 형태의 NOMA 시스템에 대한 연구 등이 있다.
그러나, 비승인 기반의 단발 임의 접속(one-shot random access)이 이루어진다면, 기지국은 기기들의 타이밍 정보 및 ID를 알 수 없기 때문에 데이터 채널을 제대로 수신할 수 없다. 즉, 이 기법은 사용자의 충돌 해소과정과 사용자 식별과정이 없기 때문에, 수신된 데이터 심볼을 복조하고 복조된 신호에서 사용자 식별 정보를 획득할 수 있도록 MAC(media access control) 프레임 구조를 설계해야 한다.
구체적으로, MAC 프레임은 활성 정보(센서의 활성 상태를 지시하는 정보), 사물 ID(각 센서의 고유 ID로서 수신된 센싱 데이터의 생산자를 알려주는 정보), 센싱 정보(센서가 수집한 정보)등의 핵심 정보를 전달하도록 설계되어야 한다. 각각의 정보가 물리계층의 전송 프레임 구조를 통해 효과적으로 전달되도록 송신 물리계층 구조와 수신 알고리즘 또는 기법이 확보되어야 한다. 따라서, 본 발명에서 활성 정보는 프리앰블 전송을 통해 받은 측정값을 입력으로 하여 학습된 인공 신경망의 출력으로 획득하도록 하는 구조를 시나리오로 한다. 이하, 본 발명에서는 이와 같이 활성 정보를 획득하고 활성 상태의 활성 단말을 검출하는 방법 및 장치를 제안한다.
도 1은 본 발명의 일 실시예에 따른 mMTC 서비스를 제공하는 이동통신 네트워크(100)의 블록도를 도시한다. 도 1을 참조하면, 이동통신 네트워크(100)는 복수의 MTC 단말(110-1, … , 110-N)과 커버리지 내의 복수의 MTC 단말(110-1, … , 110-N)과 신호를 주고 받는 기지국(120)을 포함한다.
일부 실시 예들에서, MTC 단말(110)은 이동성을 제공하는 전자 장치일 수 있다. MTC 단말(110)은 기지국(120)으로부터 데이터를 수신하거나, 데이터에 대한 제어 정보를 수신할 수 있다. 제어 정보는 하향링크 스케줄링(downlink scheduling)에 관한 정보에 대한 정보들을 포함할 수 있다. 네트워크 유형에 따라, MTC 단말(110)은 “사용자 장비(user equipment, UE)”, "이동국(mobile station)", “가입자국(subscriber station)”, "원격 단말기(remote terminal)", "무선 단말기(wireless terminal)", 또는 "사용자 장치(user device)"와 같은 다른 잘 알려진 용어들이 사용될 수도 있다. 본 발명의 일 실시 예에 따라, MTC 단말(110)은 센서, 가전, 차량 등 다양한 MTC 단말들 중 하나일 수 있다.
기지국(120)은 네트워크 유형에 따라 "기지국(base station)" 외에 "액세스 포인트(access point, AP)", 지노드비(“gNodeB" 또는 “gNB"), 송수신 포인트(transmission reception point, TRP) 등이 대신 사용될 수 있다. 이하 편의상, 기지국(120)은 본 특허 문서에서 원격(remote) 단말기들에 무선 액세스를 제공하는 네트워크 인프라스트럭쳐(infrastructure) 구성 요소들을 의미하기 위해 사용될 수 있다.
본 발명에서 이동통신 네트워크(100)는 상향 링크 NOMA 시스템을 이용하며, 기지국(120)의 하나의 안테나가 커버리지 내의 복수의 MTC 단말(110-1, … , 110-N)의 정보를 수신하는 상황이다. 특히, 본 발명에서는 이동통신 네트워크(100)는 총 MTC 단말(110-1, … , 110-N)의 수 N이 자원의 수 M보다 큰 M < N인 환경을 구성한다. 자원의 수 M보다 단말의 수 N이 훨씬 커서 제어신호의 부하를 감소시키기 위해 비승인 기반의 상향링크 송신 상황을 가정하며, 이로 인해 수신한 신호로부터 활성 단말을 검출하는 것이 중요한 문제이다. 복수의 MTC 단말(110-1, … , 110-N)은 최초 접속 과정을 모두 완료하였으며, 기지국(120)의 셀 안에 있는 모든 단말은 기지국(120)에게 할당 받은 서로 구분될 수 있는 고유의 사용자 ID를 가지고 있다. 이동통신 네트워크(100)에 추가로 접속하려는 새로운 단말은 RACH(random access channel) 등을 통해 기지국(120)으로부터 사용자 ID를 부여받는 과정을 거쳐야 한다.
본 발명의 일 실시예에 따른 시스템 모델을 나타내는 도 2의 블록도에 도시된 바와 같이, 복수의 MTC 단말(110-1, … , 110-N) 중 활성 단말은 NOMA 시퀀스 확산(spreading)을 통해 각각의 심볼을 M 길이의 심볼에 사상하며, 여기에는 LDS 코드북이 사용된다.
활성 단말은 전송하고자 하는 데이터 b1을 변조하고, 파일럿 심볼을 생성하여, 비직교 LDS 코드를 사용하여 데이터(Sd,1)와 기준 신호(Sp,1)를 해당하는 LDS 코드로 NOMA 시퀀스 확산을 통해 송신기로 신호를 전송한다. 각각의 MTC 단말(110)은 이를 위해 변조부(111), 파일럿 심볼 생성부(113), NOMA 시퀀스 확산부(115)를 포함할 수 있다. 예를 들어, MTC 단말(110)은 하나 이상의 프로세서를 포함할 수 있으며, 변조부(111), 파일럿 심볼 생성부(113), NOMA 시퀀스 확산부(115)의 기능은 적어도 하나의 프로세서에 의해 수행될 수 있다.
기지국(120)의 수신기에서는 복수의 MTC 단말(110-1, … , 110-N) 중 활성 단말로부터 채널을 통해 신호를 수신한다. 기지국(120)은 활성 단말 검출 시에 복수의 MTC 단말(110-1, … , 110-N) 각각에 부여된 인덱스(1~N)를 이용하여 각기 다른 단말을 구분한다.
기지국(120)의 수신기에서는 각 활성 단말로부터 송신된 신호들이 중첩되어 수신된다. 수신된 파일럿 및 데이터 신호는 다음의 <수학식 1> 및 <수학식 2>와 같이 나타낸다.
Figure pat00001
Figure pat00002
<수학식 1> 및 <수학식 2>에서
Figure pat00003
와
Figure pat00004
는 각각 i번째 단말의 파일럿과 i번째 단말의 데이터의 LDS 코드 벡터이며,
Figure pat00005
와
Figure pat00006
는 각각 i번째 단말의 파일럿과 i번째 단말의 데이터에 대응하는 채널 벡터이다. 또한,
Figure pat00007
와
Figure pat00008
는 각각 i번째 단말에서 송신하는 파일럿 심볼과 i번째 단말의 데이터 심볼을 나타내며,
Figure pat00009
와
Figure pat00010
는 각각 수신기에서 파일럿과 데이터의 가우시안 잡음벡터이다.
이에 따라, 축적된 측정값 y는 다음의 <수학식 3>과 같이 표현된다. 이 때,
Figure pat00011
이면 비활성상태,
Figure pat00012
이면 활성상태의 i번째 MTC 단말을 나타낸다.
Figure pat00013
여기서,
Figure pat00014
이며,
Figure pat00015
로 두고 변수를 설정한 경우, 변수들은 아래와 같이 나타낼 수 있다.
Figure pat00016
이와 같이, 기지국(120)의 수신기에서 중첩된 신호의 측정값 y가 얻어질 수 있다. 기지국(120)은 이와 같이 수신된 신호의 관측값 y를 입력으로 하는 제안된 DSDNN-AUD 적용부(121)를 거쳐 채널 추정부(123), 데이터 검출부(125), 복조부(127)를 통해 활성 단말의 신호를 복원한다. 예를 들어, 기지국(120)은 하나 이상의 프로세서를 포함할 수 있으며, 하나 이상의 프로세서는 수신기의 동작을 제어할 수 있다. 또한, 채널 추정부(123), 데이터 검출부(125), 복조부(127)의 기능은 적어도 하나의 프로세서에 의해 수행될 수 있다.
본 발명의 이동통신 네트워크(100)는 적은 수의 단말만이 활성 상태인 것으로 가정한다. 이 경우, 총 N개 단말 중 k개가 활성 상태일 때 x는 k×T개의 0이 아닌 요소들을 가지는 희소벡터이며, 0이 아닌 요소들이 T개씩 모여 총 k×T 개가 존재하므로 블록 단위로 희소한 벡터이다. 여기서 T는 LDS 확산 길이를 의미한다.
이와 같이, 블록 단위로 희소한 벡터를 수신한 측정값 y를 도 2에 도시된 바와 같은 블록도에 명시되어 있는 DSNN-AUD(=DSDNN-AUD) 적용부(121) 구조에 입력으로 넣어 활성 단말 검출, 즉 AUD를 수행할 수 있다.
도 2는 본 발명의 일 실시예에 따른 DSDNN 적용부(121)의 인공 신경망 구조를 도시한다. 도 1을 참조하면, 본 발명에서는 넓은 너비를 가지는 층들로 구성된 복수의 DS 모듈(dimension spreading module)로 구성된 DSDNN 인공 신경망을 토대로 활성 단말 검출을 수행할 수 있다.
DSDNN 적용부(121)의 구조에서 입력은 기지국(120)에 수신된 중첩된 수신 신호의 관측값 y이며, 출력은 N개 MTC 단말(110-1, …, 110-N) 각각이 활성 단말일 확률을 나타내는 softmax 벡터이다. 이 중 가장 큰 확률 k개를 선별하여 활성 단말을 검출하며, 해당 추정값은 원래의 활성 단말 인덱스를 나타내는
Figure pat00017
와 달리
Figure pat00018
으로 표현한다. DSDNN 신경망은 아래의 <수학식 4>의 비용 함수(cost function) J를 최소화하는 방향으로 역전파 알고리즘(backpropagation algorithm)을 이용하여 방대한 양의 합성된 데이터를 토대로 자동적으로 훈련된다.
Figure pat00019
여기서,
Figure pat00020
는 i번째 단말이 활성 단말일 확률
Figure pat00021
을 나타내며,
Figure pat00022
는 i번째 단말이 활성 단말일 확률의 추정 값이다. 모든 활성 단말을 항상 올바르게 검출하기 위해서는 비용 함수의 값이
Figure pat00023
가 되어야 하며 이는 비용 함수 J의 최소점(global minimum)이므로, 역전파 알고리즘은 k개의 활성 단말들만이
Figure pat00024
의 확률을 가지고 나머지 단말 위치에서는 확률이 0에 근사하여 나오는 방향으로 DSDNN 신경망을 훈련시킨다.
DSDNN 적용부(121) 구조에서 각 모듈을 구성하는 층(layer)은 N에 비해 큰 값을 가지는 pN의 너비를 가진다. 기존의 희소벡터 복원 알고리즘이
Figure pat00025
와 같은 최적화 문제를 다루는 데 반해, DSDNN 구조는 각각의 DS모듈마다 다음의 <수학식 5>와 같은 변형된 최적화 문제에 대해 다룬다.
Figure pat00026
여기서,
Figure pat00027
은 l번째 DS 모듈에서 ReLU 함수를 거친 후 활성화된 0이 아닌 인덱스를 의미하며,
Figure pat00028
은 l번째 모듈에서의 총 가중치 행렬(weight matrix)을,
Figure pat00029
은 해당 pN길이의 층에서
Figure pat00030
개의 인덱스만이 활성화되도록 관여하는 길이 N의 벡터를,
Figure pat00031
은 기존의 코드북
Figure pat00032
를 나타낸다(
Figure pat00033
).
상기의 최적화 문제를
Figure pat00034
에 대해 미분한 후, 해당 미분값을
Figure pat00035
벡터에서 빼는 경사 하강법(gradient descent)과 함께 희소성을 유지시켜 주는 임계함수
Figure pat00036
을 사용하면, l번째 모듈에서 수행하는 벡터 업데이트는 다음의 <수학식 6>과 같이 나타낼 수 있다.
Figure pat00037
여기서,
Figure pat00038
은 l번째 모듈의 임계 함수를 나타낸다. DSDNN에서는 이것을 편차(bias)를 학습함으로써 적절한 편차값을 통해 활성화되어야 할 층 내의 요소를 선택함으로써 구현한다. 또한, l번째 모듈에서의 총 가중치 행렬
Figure pat00039
은 최적화 문제를 변형하며, 자원의 수 M보다 총 단말 수 N이 매우 커 야기되는 코드북
Figure pat00040
의 열 간의 큰 상관관계를 줄이는 방향으로 훈련된다.
마지막 층 L=6번째 모듈과 softmax층을 거쳐 활성 단말 인덱스를 검출하는 최적화 문제는 최종적으로 다음의 <수학식 7>과 같다.
Figure pat00041
상술한 바와 같이 제안된 DSDNN 적용부(121)에서 k개의 활성 단말로부터 중첩된 신호를 수신하고, 차원 확산 심층 인공 신경망 구조를 이용하여 상기 신호로부터 각각의 단말이 활성 단말일 확률 산출을 산출한다. 산출된 결과를 이용하여 확률이 큰 순서대로 k개를 선별하고, 이에 따라 k개의 활성 단말을 검출할 수 있다.
DSDNN 적용부(121)에서 각 DS 모듈의 배치 표준화(batch normalization) 층은 입력 관측값을 구성하는 랜덤한 채널값에 의해 발생하는 측정값의 covariate shift를 줄일 수 있다. 또한, residual 연결(residual connection)은 깊은 네트워크 구조에 의해 발생하는 그래디언트 소멸 및 폭발(vanishing gradients & exploding gradients) 문제를 방지할 수 있다.
본 발명의 목적은 파일럿을 기반으로 하여 활성 단말 검출 추정의 성능을 딥러닝(deep learning) 기법을 이용하여 기존의 파일럿 기반 방식과 파일럿과 데이터를 모두 사용하는 방식에 비해 향상시키는 방법에 대한 것이다. 입력이 되는 측정값과 출력이 되는 활성 단말의 레이블 사이의 최적 비선형 사상에 근사하는 사상을 제안된 심층 인공 신경망 구조를 이용하여 찾아낸다. 이러한 인공 신경망의 학습 데이터로는 레일리 분포를 가지는 채널과 가우시안 분포를 가지는 노이즈를 통해 만들어낸 방대한 양의 샘플을 사용할 수 있다. 본 발명에서는 너비를 늘린 인공 신경망을 학습시켜 기존 코드북 내에 존재하는 열 간의 상관 관계를 줄이고, 학습된 심층 인공 신경망이 압축 센싱 알고리즘을 기반으로 한 기존의 활성 단말 검출에 비해 향상된 성능을 가지도록 한다. 더불어, 학습된 인공 신경망 구조가 가지는 활성 단말 수의 증가에 대한 견고함이 실용적인 대용량 사물통신 시나리오에 더욱 적합할 수 있다.
이하, 블록 단위로 희소한 벡터를 수신한 측정값 y를 DSNN-AUD(=DSDNN-AUD) 적용부(121)에 입력으로 넣어 활성 단말 검출을 수행하여 종래의 방법과 성능 비교한 결과가 도 3 내지 4에 도시된다.
도 3는 본 발명의 일 실시예에 따른 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출(active user detection, AUD) 시뮬레이션 결과를 도시한다. 도 3를 참조하면, SNR이 변화하는 경우 종래의 Pilot-based AUD, Hybrid AUD와 본 발명에서 제안하는 DSDNN-AUD 기반으로 한 AUD 결과가 비교 도시된다.
Pilot-based AUD는 파일럿 심볼만을 사용하여 BOMP 기반으로 희소벡터 복원을 하는 시뮬레이션 결과이며, Hybrid AUD는 파일럿 심볼과 데이터 심볼을 모두 사용하여 BOMP 기반으로 희소벡터 복원을 하는 시뮬레이션 결과이다. 본 발명에서 제안된 DSDNN 구조에 의한 AUD 결과는 DSDNN-AUD로 표기된다.
본 발명의 일 실시예에 따른 시뮬레이션 세팅은 파일럿 심볼 3개, 데이터 심볼 7개, mMTC 상황의 짧은 패킷 전송 상황이므로 채널이 시간 축에서 평면 페이딩(flat fading) 하도록 설정되었다.
도 3에 도시된 바와 같이, AUD 성공 확률이 0.8일 때, DSDNN-AUD는 pilot-based AUD에 비해 8dB 이득을, Hybrid-AUD에 비해 4dB 이득을 거두며, 이는 기존 코드북에 존재하는 열 간의 높은 상관 관계를 DSDNN을 통해 해소하여 향상된 결과이다. 즉, 본 발명에서 제안한 DSDNN 구조를 통해 활성 단말을 검출하는 경우, 종래의 파일런 심볼 기반의 Pilot-based AUD, 또는 파일럿 심볼과 데이터 심볼 기반의 Hybrid AUD에 비해 열악한 채널 환경에서도 높은 확률로 활성 단말을 검출할 수 있어 활성 단말을 검출 성능이 월등함을 확인할 수 있다.
도 4는 본 발명의 일 실시예에 따른 활성 단말의 수에 따른 AUD 시뮬레이션 결과를 도시한다. 도 4를 참조하면, 활성 단말의 수 k가 변화하는 경우 종래의 Pilot-based AUD, Hybrid AUD와 본 발명에서 제안하는 DSDNN-AUD 기반으로 한 AUD 결과가 비교 도시된다.
도 4에 도시된 바와 같이, 활성 단말의 수 k가 4에서 10으로 증가할 때, DSDNN-AUD의 경우 검출 성공 확률이 0.95에서 0.72로만 감소하지만, hybrid-AUD의 경우 0.81에서 0.42로 크게 감소한다. 또한, Pilot-based AUD의 경우 0.61에서 0.18로 크게 감소하는 것을 확인할 수 있다.
도 4에 도시된 바와 같은 이러한 결과는 DSDNN-AUD가 활성 단말 수 증가에도 활성 단말 검출을 잘 할 수 있으며, 활성 단말 수의 증가에 덜 민감한 견고함(robustness)을 가진다는 것을 보여준다. 따라서, 본 발명에서 제안하는 DSDNN 구조를 통한 활성 단말 검출이 현실적인 시나리오에 더 적합함을 의미하고, 또한 실제 네트워크에 적용하기에 더 적합함을 의미한다.
상술한 구체적인 실시예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 다양한 실시예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
본 발명은 5세대 이동통신(5G, 5thgeneration)의 서비스 카테고리들 중 하나인 mMTC를 지원하는 것을 주된 목표로 하며, 제안하는 향상된 성능의 활성 단말 검출 기법은 승인 신호가 없는 mMTC 시스템에서도 수많은 단말들의 상향링크 통신을 지원하는 데 응용할 수 있다.

Claims (12)

  1. 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출 방법으로서,
    k개의 활성 단말로부터 중첩된 신호를 수신하는 단계;
    차원 확산 심층 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하는 단계; 및
    상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출하는 단계를 포함하는 것을 특징으로 하는, 활성 단말 검출 방법.
  2. 제1항에 있어서,
    상기 인공 신경망의 학습 데이터는 레일리 분포를 가지는 채널과 가우시안 분포를 가지는 노이즈를 통해 만들어진 샘플을 사용하는 것을 특징으로 하는, 활성 단말 검출 방법.
  3. 제1항에 있어서,
    상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터인 것을 특징으로 하는, 활성 단말 검출 방법.
  4. 제1항에 있어서,
    상기 k개의 활성 단말로부터 중첩된 신호를 수신하는 단계는,
    상기 k개의 활성 단말로부터 각각 데이터 변조와 파일럿 심볼 생성 후 비직교 LDS 코드를 이용하여 NOMA 시퀀스 확산된 신호를 수신하는 단계를 포함하는 것을 특징으로 하는, 활성 단말 검출 방법.
  5. 제1항에 있어서,
    상기 활성 단말일 추정 확률을 산출하는 단계는,
    상기 차원 확산 심층 인공 신경망 구조에 상기 수신된 신호를 입력하는 단계; 및
    상기 차원 확산 심층 인공 신경망 구조에 포함된 희소벡터 복원 알고리즘에 기반한 복수의 DS 모듈(dimension spreading module)을 통해 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하는 단계를 포함하는 것을 특징으로 하는, 활성 단말 검출 방법.
  6. 제5항에 있어서,
    상기 복수의 DS 모듈은 배치 표준화(batch normalization) 층 및 ReLU 함수를 포함하고,
    상기 복수의 DS 모듈 사이는 서로 residual 연결되는 것을 특징으로 하는, 활성 단말 검출 방법.
  7. 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출을 위한 기지국 장치로서,
    k개의 활성 단말로부터 중첩된 신호를 수신하는 수신기;
    상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는, 차원 확산 심층 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하고, 상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출하는 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치.
  8. 제7항에 있어서,
    상기 인공 신경망의 학습 데이터는 레일리 분포를 가지는 채널과 가우시안 분포를 가지는 노이즈를 통해 만들어진 샘플을 사용하는 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치.
  9. 제7항에 있어서,
    상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터인 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치.
  10. 제7항에 있어서,
    상기 수신기는, 상기 k개의 활성 단말로부터 각각 데이터 변조와 파일럿 심볼 생성 후 비직교 LDS 코드를 이용하여 NOMA 시퀀스 확산된 신호를 수신하는 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치.
  11. 제7항에 있어서,
    상기 하나 이상의 프로세서는, 상기 차원 확산 심층 인공 신경망 구조에 상기 수신된 신호를 입력하고, 상기 차원 확산 심층 인공 신경망 구조에 포함된 희소벡터 복원 알고리즘에 기반한 복수의 DS 모듈을 통해 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출하는 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치.
  12. 제11항에 있어서,
    상기 복수의 DS 모듈은 배치 표준화 층 및 ReLU 함수를 포함하고,
    상기 복수의 DS 모듈 사이는 서로 residual 연결되는 것을 특징으로 하는, 활성 단말 검출을 위한 기지국 장치.
KR1020190155745A 2018-11-30 2019-11-28 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 KR102267855B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180151898 2018-11-30
KR20180151898 2018-11-30

Publications (2)

Publication Number Publication Date
KR20200066220A true KR20200066220A (ko) 2020-06-09
KR102267855B1 KR102267855B1 (ko) 2021-06-23

Family

ID=71082748

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190155745A KR102267855B1 (ko) 2018-11-30 2019-11-28 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102267855B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968853A (zh) * 2021-01-29 2021-06-15 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
KR102386796B1 (ko) * 2020-11-27 2022-04-13 서울대학교산학협력단 장단기 메모리 네트워크를 이용한 활성 단말 검출 방법 및 장치
WO2022114561A1 (ko) * 2020-11-27 2022-06-02 서울대학교산학협력단 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치
WO2022163886A1 (ko) * 2021-02-01 2022-08-04 엘지전자 주식회사 뉴럴 네트워크에 기반한 상향링크 제어 정보 전송 방법 및 장치
CN115002929A (zh) * 2022-05-16 2022-09-02 西南交通大学 一种基于前导和到达角联合估计的活跃用户检测方法
CN115333709A (zh) * 2022-06-21 2022-11-11 北京邮电大学 数据传输方法、装置、电子设备和存储介质
WO2022245180A1 (ko) * 2021-05-21 2022-11-24 서울대학교산학협력단 다중 통신에서 딥러닝을 이용하여 학습된 확산 코드를 이용한 활성 단말 검출 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105947A (ko) * 2018-03-07 2019-09-18 한국전자통신연구원 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105947A (ko) * 2018-03-07 2019-09-18 한국전자통신연구원 네트워크의 이동성 관련 파라미터를 최적화하는 방법 및 장치

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102386796B1 (ko) * 2020-11-27 2022-04-13 서울대학교산학협력단 장단기 메모리 네트워크를 이용한 활성 단말 검출 방법 및 장치
WO2022114561A1 (ko) * 2020-11-27 2022-06-02 서울대학교산학협력단 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치
KR20220074228A (ko) * 2020-11-27 2022-06-03 서울대학교산학협력단 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치
CN112968853A (zh) * 2021-01-29 2021-06-15 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
WO2022163886A1 (ko) * 2021-02-01 2022-08-04 엘지전자 주식회사 뉴럴 네트워크에 기반한 상향링크 제어 정보 전송 방법 및 장치
WO2022245180A1 (ko) * 2021-05-21 2022-11-24 서울대학교산학협력단 다중 통신에서 딥러닝을 이용하여 학습된 확산 코드를 이용한 활성 단말 검출 방법 및 장치
CN115002929A (zh) * 2022-05-16 2022-09-02 西南交通大学 一种基于前导和到达角联合估计的活跃用户检测方法
CN115333709A (zh) * 2022-06-21 2022-11-11 北京邮电大学 数据传输方法、装置、电子设备和存储介质
CN115333709B (zh) * 2022-06-21 2023-06-23 北京邮电大学 数据传输方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
KR102267855B1 (ko) 2021-06-23

Similar Documents

Publication Publication Date Title
KR102267855B1 (ko) 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
CN106452700B (zh) 一种进行数据传输的方法和设备
KR20190014928A (ko) 무선 통신 시스템에서 상향링크 전송을 위한 장치 및 방법
CN107078757A (zh) 用于检测激活资源单元的系统和方法
CN111988783B (zh) 一种上行非正交多址的安全传输方法及系统
US20210266875A1 (en) MACHINE LEARNING FOR ADDRESSING TRANSMIT (Tx) NON-LINEARITY
CN108260209B (zh) 一种用于随机接入的ue、基站中的方法和装置
KR101320398B1 (ko) 셀 간 이종 주파수 호핑을 이용한 랜덤 액세스 방법 및이를 수행하는 이동 통신 장치
CN104467992B (zh) Lte系统pucch信道dtx的检测方法及装置
Zhang et al. Deep learning based double-contention random access for massive machine-type communication
US20230353435A1 (en) Ofdm-based method and device for spreading and transmitting compressed data
CN104901732B (zh) 一种密集节点配置系统中的导频复用方法
US20230412429A1 (en) Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network
KR20150121171A (ko) 산발적인 기계형 액세스를 위한 암시적 어드레싱
CN103889060B (zh) 传输方法、接收方法、传送器及接收器
WO2012093334A1 (en) Methods of transmitting coordinate multiple point data based on orthogonal covering codes
CN103166695B (zh) 一种容量和误码率联合优化的中继装置
CN111448776A (zh) 用于在无线网络中关联资源信息与信道度量信息的设备和方法
KR102386796B1 (ko) 장단기 메모리 네트워크를 이용한 활성 단말 검출 방법 및 장치
US11350377B2 (en) Method for performing uplink synchronization in wireless communication system
CN107889170A (zh) 一种信号发送方法、接收方法及装置
CN107809802B (zh) 通信方法、车辆侧终端设备和道路侧终端设备
CN114844754B (zh) 基于分组序列码本集的大规模终端多址接入方法
Zhang et al. Hybrid ORA and NORA schemes for machine‐to‐machine communication in long‐term evolution networks
Prabakaran et al. An improved deep learning framework for enhancing mimo-Noma system performance

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant