KR20200143999A - 인공신경망 기반의 채널 보상 장치 및 그 방법 - Google Patents

인공신경망 기반의 채널 보상 장치 및 그 방법 Download PDF

Info

Publication number
KR20200143999A
KR20200143999A KR1020190071791A KR20190071791A KR20200143999A KR 20200143999 A KR20200143999 A KR 20200143999A KR 1020190071791 A KR1020190071791 A KR 1020190071791A KR 20190071791 A KR20190071791 A KR 20190071791A KR 20200143999 A KR20200143999 A KR 20200143999A
Authority
KR
South Korea
Prior art keywords
channel
neural network
artificial neural
learning
channel compensation
Prior art date
Application number
KR1020190071791A
Other languages
English (en)
Inventor
김증일
고영철
정재훈
송창익
한승호
Original Assignee
현대자동차주식회사
한국교통대학교산학협력단
기아자동차주식회사
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 현대자동차주식회사, 한국교통대학교산학협력단, 기아자동차주식회사 filed Critical 현대자동차주식회사
Priority to KR1020190071791A priority Critical patent/KR20200143999A/ko
Priority to US16/657,026 priority patent/US11627443B2/en
Priority to CN201911067854.0A priority patent/CN112104577A/zh
Publication of KR20200143999A publication Critical patent/KR20200143999A/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
    • H04L25/022—Channel estimation of frequency response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2668—Details of algorithms
    • H04L27/2681—Details of algorithms characterised by constraints
    • H04L27/2688—Resistance to perturbation, e.g. noise, interference or fading
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

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

Abstract

본 발명은 인공신경망 기반의 채널 보상 장치 및 그 방법에 관한 것으로, V2X(Vehicle to Everything) 통신 채널의 특성을 학습하고, 이에 기초하여 DPA(Data Pilot Aided) 방식에 의해 추정된 채널의 왜곡과 노이즈를 보상함으로써, 차량의 고속이동에 따른 패킷 에러율을 감소시킬 수 있는 인공신경망 기반의 채널 보상 장치 및 그 방법을 제공하고자 한다.
이를 위하여, 본 발명은 인공신경망 기반의 채널 보상 장치에 있어서, 채널의 특성을 학습하는 채널 학습부; 및 상기 채널 학습부의 학습 결과에 기초하여 채널 추정부에 의해 추정된 채널의 오류를 보상하는 채널 보상부를 포함한다.

Description

인공신경망 기반의 채널 보상 장치 및 그 방법{APPARATUS FOR COMPENSATING CHANNEL BASED ON ANN AND METHOD THEREOF}
본 발명은 인공신경망을 기반으로 채널의 에러(노이즈, 왜곡)를 보상하는 기술에 관한 것이다.
V2X(Vehicle to Everything) 통신 기술은 운전자에게 교통안전 및 응용서비스를 제공하기 위한 핵심 기술로서, 데이터의 손실과 전송 지연이 운전자의 생명과 직결되기 때문에 높은 신뢰성과 낮은 지연속도(HR/LL: High-Reliable and Low Latency) 특성이 요구된다.
하지만, IEEE 802.11p 물리계층 규격을 기반으로 하는 WAVE(Wireless Access in Vehicular Environment) 기술은, IEEE 802.11a/g 무선랜 기술을 차량 환경에 맞도록 개량한 통신 기술로서, 부반송파 및 파일럿 개수가 보행자가 이동하는 정도의 속도에 맞도록 규정되어 있어, 차량의 고속이동에 따른 채널 변화(높은 도플러 효과 및 다중 경로)로 인해 채널을 정확히 추정하기 어렵다.
WAVE V2X 통신 환경에서 빠르게 변화하는 채널을 추정하기 위한 방식으로서, 이전의 OFDM(Orthogonal Frequency Division Multiplexing) 심볼의 채널을 기반으로 가상의 데이터 파일럿 신호를 구성하여 현재의 OFDM(Orthogonal Frequency Division Multiplexing) 심볼의 채널을 추정하는 DPA(Data Pilot Aided) 방식이 제안되었으나, 이러한 DPA 채널 추정방식은 추정된 채널의 왜곡과 노이즈로 인해 디맵핑(demapping) 과정에서 오류를 유발하는 문제점이 있다.
상기와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 V2X(Vehicle to Everything) 통신 채널의 특성을 학습하고, 이에 기초하여 DPA(Data Pilot Aided) 방식에 의해 추정된 채널의 왜곡과 노이즈를 보상함으로써, 차량의 고속이동에 따른 패킷 에러율을 감소시킬 수 있는 인공신경망 기반의 채널 보상 장치 및 그 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 장치는, 인공신경망 기반의 채널 보상 장치에 있어서, 채널의 특성을 학습하는 채널 학습부; 및 상기 채널 학습부의 학습 결과에 기초하여 채널 추정부에 의해 추정된 채널의 오류를 보상하는 채널 보상부를 포함한다.
여기서, 상기 채널 학습부는 V2X(Vehicle to Everything) 통신 채널의 특성을 학습할 수 있다.
또한, 상기 채널 학습부는 주파수 영역의 채널 간 상관성을 학습할 수 있다.
또한, 상기 채널 학습부는 오토인코더로 구현될 수 있다. 이때, 상기 오토인코더는 1개의 입력 레이어와 3개의 히든 레이어 및 1개의 출력 레이어로 구현될 수 있다. 이때, 상기 히든 레이어는 제1 히든 레이어 내 히든 유닛은 40개, 제2 히든 레이어 내 히든 유닛은 20개, 제3 히든 레이어 내 히든 유닛은 40개로 구현될 수 있다.
또한, 상기 채널 추정부는 DPA(Data Pilot Aided) 방식으로 채널을 추정할 수 있다.
또한, 상기 채널 보상부는 상기 DPA 방식으로 추정된 채널을 복소수 형태의 벡터로 변환하고, 사전에 최적화된 학습 파라미터를 상기 벡터에 적용하여 상기 채널의 오류를 보상할 수 있다.
또한, 상기 채널 보상부는 복수의 OFDM(Orthogonal Frequency Division Multiplexing) 심볼을 대상으로, 순차적으로 채널의 오류를 보상할 수 있다.
상기 목적을 달성하기 위한 본 발명의 방법은, 인공신경망 기반의 채널 보상 방법에 있어서, 채널 학습부가 채널의 특성을 학습하는 단계; 및 채널 보상부가 상기 채널 학습부의 학습 결과에 기초하여 채널 추정부에 의해 추정된 채널의 오류를 보상하는 단계를 포함한다.
여기서, 상기 학습하는 단계는 V2X(Vehicle to Everything) 통신 채널의 특성을 학습할 수 있다.
또한, 상기 학습하는 단계는 주파수 영역의 채널 간 상관성을 학습할 수 있다.
또한, 상기 채널 학습부는 오토인코더로 구현될 수 있다. 이때, 상기 오토인코더는 1개의 입력 레이어와 3개의 히든 레이어 및 1개의 출력 레이어로 구현될 수 있다. 이때, 상기 히든 레이어는 제1 히든 레이어 내 히든 유닛은 40개, 제2 히든 레이어 내 히든 유닛은 20개, 제3 히든 레이어 내 히든 유닛은 40개로 구현될 수 있다.
또한, 상기 채널은 DPA(Data Pilot Aided) 방식으로 추정될 수 있다.
또한, 상기 채널의 오류를 보상하는 단계는 상기 DPA 방식으로 추정된 채널을 복소수 형태의 벡터로 변환하는 단계; 및 사전에 최적화된 학습 파라미터를 상기 벡터에 적용하여 상기 채널의 오류를 보상하는 단계를 포함할 수 있다.
또한, 상기 채널의 오류를 보상하는 단계는 복수의 OFDM(Orthogonal Frequency Division Multiplexing) 심볼을 대상으로, 순차적으로 채널의 오류를 보상할 수 있다.
본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치 및 그 방법은, V2X(Vehicle to Everything) 통신 채널의 특성을 학습하고, 이에 기초하여 DPA(Data Pilot Aided) 방식에 의해 추정된 채널의 왜곡과 노이즈를 보상함으로써, 차량의 고속이동에 따른 패킷 에러율을 감소시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치 및 그 방법은, DPA 채널 추정방식과 인공신경망의 비지도학습 방식 중 하나인 오토인코더(Autoencoder)를 결합하여 비교적 낮은 복잡도로 DPA 방식의 취약점을 보완하고 채널 추정의 정확도를 비약적으로 향상시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치 및 그 방법은, Autoencoder의 학습방식을 통해 수학적으로 분석하기 어려웠던 무선 채널의 간섭 및 왜곡을 학습할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치에 대한 구성도,
도 2 는 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치에 구비된 오토인코더의 일 실시예 구조도,
도 3 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치에 구비된 채널 보상부의 기능 설명도,
도 4 는 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치의 성능 분석도,
도 5 는 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치의 다른 성능 분석도,
도 6 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 방법에 대한 흐름도,
도 7 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치에 대한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치(100)는 채널 학습부(10)와 채널 보상부(20)를 포함할 수 있다. 이때, 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치(100)를 실시하는 방식에 따라 각 구성요소는 서로 결합되어 제어부(미도시)로 구현될 수도 있고, 일부의 구성요소가 생략될 수도 있다.
이때, 제어부는 상기 각 구성요소들이 제 기능을 정상적으로 수행할 수 있도록 전반적인 제어를 수행할 수 있다. 또한 제어부는 하드웨어의 형태로 구현되거나, 또는 소프트웨어의 형태로 구현될 수 있고, 물론 하드웨어 및 소프트웨어가 결합된 형태로도 구현될 수 있다. 바람직하게는, 제어부는 마이크로프로세서로 구현될 수 있으나 이에 한정되는 것은 아니다.
이러한 제어부는 저장부(미도시)를 구비할 수 있으며, 상기 저장부는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 마이크로 타입(micro type), 및 카드 타입(예컨대, SD 카드(Secure Digital Card) 또는 XD 카드(eXtream Digital Card)) 등의 메모리와, 램(RAM, Random Access Memory), SRAM(Static RAM), 롬(ROM, Read-Only Memory), PROM(Programmable ROM), EEPROM(Electrically Erasable PROM), 자기 메모리(MRAM, Magnetic RAM), 자기 디스크(magnetic disk), 및 광디스크(optical disk) 타입의 메모리 중 적어도 하나의 타입의 기록 매체(storage medium)를 포함할 수 있다.
상기 각 구성요소들에 대해 살펴보면, 먼저 채널 학습부(10)는 일례로 오토인코더(AutoEncoder)로 구현될 수 있으며, V2X(Vehicle to Everything) 통신 채널들을 학습데이터로서 입력받아 각 채널의 특성을 학습한다. 즉, 채널 학습부(10)는 주파수 영역의 각 채널 간 상관성을 학습한다.
여기서, V2X 통신은 차량 통신을 의미하는 것으로서, 차량과 차량 사이의 무선통신(V2V: Vehicle to Vehicle), 차량과 인프라 간 무선 통신(V2I: Vehicle to Infrastructure), 차량 내 유무선 네트워킹(IVN: In-Vehicle Networking), 차량과 이동단말 간 통신(V2P: Vehicle to Pedestrian) 등을 총칭한다.
이하, 도 2를 참조하여 오토인코더의 구조에 대해 살펴보도록 한다.
도 2 는 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치에 구비된 오토인코더의 일 실시예 구조도이다.
일반적으로, 심층 학습(Deep Learning or Deep Neural Network)은 기계 학습(Machine Learning)의 한 종류로서, 입력과 출력 사이에 여러 층의 인공 신경망(ANN, Artificial Neural Network)이 구성되어 있다.
이렇게 인공신경망이 다층인 경우 학습이 제대로 이루어지지 않는 경우가 발생할 수 있는데, 이를 해결하기 위한 기계 학습 방식으로 오토인코더가 제안되었다.
오토인코더는 도 2에 도시된 바와 같이 입력을 출력으로 복사하도록 설계된 학습 방식으로서, 특성이 비슷한 데이터의 연관성을 발견하여 최적의 솔루션을 찾는다.
인공신경망 구성시 히든 레이어(Hidden Layer)의 각 레이어 내 히든 유닛(Hidden Unit, Hl)의 수를 입력 레이어(Input Layer)의 차원(h0)보다 적게 구성함으로써 입력 데이터의 특징을 추출할 수 있고, 아울러 노이즈를 제거할 수 있다.
이러한 오토인코더의 특징을 활용하기 위해, 본 발명의 일 실시예에서는 먼저 오프라인(Off-line)에서 V2X 채널 모델을 기반으로 생성된 주파수 영역의 채널데이터를 학습데이터로 활용하여 오토인코더를 학습시킨다. 이때, 주파수 영역의 채널은 시간 영역의 적은 수의 채널 탭으로부터 발생하므로 서로 높은 상관관계를 가지고 있다.
따라서 오토인코더는 적은 수의 Hidden Layer 및 Hidden Unit으로 비지도 학습(Unsupervised Learning)을 통해 주파수 영역의 채널들 간의 상관관계를 포함한 채널 특성을 학습할 수 있다.
이렇게 학습이 완료된 오토인코더는 DPA 방식에 의해 추정된 채널의 오류(왜곡과 노이즈)를 제거하는 용도로 사용될 수 있다.
이를 좀 더 상세히 살펴보면, L개의 레이어를 가지는 오토인코더를 고려할 때, dl 차원을 갖는 l번째 히든 레이어(hl,
Figure pat00001
)는 하기의 [수학식 1]과 같이 표현할 수 있다.
[수학식 1]
Figure pat00002
여기서, Wl(
Figure pat00003
)은 가중치 행렬(weight matrix)를 나타내고, bl(
Figure pat00004
)은 바이어스 벡터(bias vector)를 나타내며,
Figure pat00005
은 활성화 함수를 나타낸다.
일례로서, 오토인코더는 1개의 입력 레이어와 3개의 히든 레이어 및 1개의 출력 레이어로 구현될 수 있다. 이때, 각 히든 레이어의 히든 유닛의 수는 첫번째 히든 레이어의 히든 유닛은 40개, 두번째 히든 레이어의 히든 유닛은 20개, 세번째 히든 레이어의 히든 유닛은 40개로 설정될 수 있다.
이하, 오토인코더의 학습 과정에 대해 살펴보기로 한다.
먼저, V2X 채널의 프로파일을 기반으로 랜던한 시간 영역의 CIR(Channel Impulse Response)를 생성하고, 상기 생성된 CIR을 FFT(Fast Fourier Transform) 변환을 통해 주파수 영역의 CFR(Channel Frequency Response)로 변환한다. 이렇게 변환된 결과를 H로 표현한다.
이후, 상기 변환된 주파수 영역의 H를 이용하여 입력 벡터(Input vector)로 변환한다. 이때, 입력 벡터(x(n))는 일례로 하기의 [수학식 2]와 같이 표현할 수 있다.
[수학식 2]
Figure pat00006
여기서, [ ]T는 트랜스포즈(transpose) 연산을 나타내고, R{}은 복소수의 실수부를 나타내며, J{}는 복소수의 허수부를 나타낸다.
아울러, H(n)는 데이터 부반송파(SD) 및 파일럿 부반송파(SP)에 해당하는 n번째 학습데이터를 의미한다. 이때, 상기 데이터 부반송파에서 가드 밴드(Guard Band)와 직류 부반송파(center subcarrier)는 제외될 수 있다.
예를 들어, 학습데이터는 총 64개의 OFDM 부반송파 중에서, 가드 밴드 11개와 직류 부반송파 1개를 제외한 52개의 부반송파(4개의 파일럿 부반송파와 48개의 데이터 부반송파로 이루어짐)를 의미한다.
H(n)는 일례로 하기의 [수학식 3]과 같이 표현할 수 있다.
[수학식 3]
Figure pat00007
한편, 오토인코더의 출력 벡터(
Figure pat00008
)는 하기의 [수학식 4]와 같이 표현할 수 있다.
[수학식 4]
Figure pat00009
오토인코더는 N개의 학습데이터를 기반으로 하기의 [수학식 5]와 같이 MSE(Mean squared Error)를 최소화하도록 학습 파라미터 θ(
Figure pat00010
)를 최적화한다.
[수학식 5]
Figure pat00011
참고로, 학습과정에서 학습률은 0.0001로 설정할 수 있고, MSE를 계산하기 위해 아담 옵티마이저(Adam optimizer)를 사용할 수 있으며, 자비어(Xavier) 기법을 통해 파라미터를 초기화할 수 있다.
이후, 학습이 완료된 오토인코더는 IEEE 802.11p 시스템의 채널 추정 과정에 활용될 수 있다.
다음으로, 채널 보상부(20)는 채널 학습부(10)에 의해 학습된 결과에 기초하여 채널 추정부(200)에 의해 추정된 채널의 노이즈와 왜곡을 보상한다. 이때, 채널 추정부(200)는 DPA 방식으로 채널을 추정할 수 있다.
이하, 도 3을 참조하여 채널 보상부(20)의 기능에 대해 살펴보도록 한다.
도 3 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치에 구비된 채널 보상부의 기능 설명도로서, 프리엠블(Preamble)에서 마지막 OFDM 심볼(DATA I)까지 순차적으로 이루어지는 에러 보상 과정을 나타낸다.
도 3에 도시된 바와 같이, DATA 1 ~ DATA I는 OFDM 심볼을 나타내고, 초기 채널 추정(Initialization)과정에서 추정된 초기 채널 추정치는 DATA 1에 대한 채널을 추정하는데 이용될 수 있다.
일례로, 초기 채널은 프리엠블의 2개의 긴(long) 훈련 심볼을 이용하여 추정할 수 있다. 이때, 초기 채널 추정치(
Figure pat00012
)는 하기의 [수학식 6]과 같이 표현할 수 있다.
[수학식 6]
Figure pat00013
여기서,
Figure pat00014
와
Figure pat00015
는 2개의 긴 훈련 심볼을 나타내고,
Figure pat00016
는 수신단에서 알고 있는 긴 훈련 심볼을 나타낸다.
이후, 데이터 복원부(Equalization, 300)는 i번째 수신신호 Yi(k)와 i-1번째 심볼의 채널 Hi-1(k)을 이용하여 i번째 OFDM 심볼의 데이터 부반송파에 대한 데이터(
Figure pat00017
)를 복원한다. 이는 하기의 [수학식 7]과 같이 표현할 수 있다.
[수학식 7]
Figure pat00018
이후, 채널 추정부(200)는 데이터 복원부(300)에 의해 복원된 데이터(
Figure pat00019
)와 4개의 파일럿 부반송파(SP)에 해당하는 Xi(k)를 이용하여 현재 OFDM 심볼에 대한 채널을 추정한다. 이때, 추정된 채널(
Figure pat00020
)은 하기의 [수학식 7]과 같이 표현할 수 있다.
[수학식 7]
Figure pat00021
이후, 채널 보상부(20)는 채널 추정부(200)에 의해 추정된 채널(
Figure pat00022
)을 복소수(complex number) 형태의 벡터로 변환한다. 이렇게 변환된 벡터는 일례로 하기의 [수학식 8]과 같이 표현할 수 있다.
[수학식 8]
Figure pat00023
이후, 채널 보상부(20)는 채널 학습부(10)에 의해 학습된 결과에 기초하여 상기 복소수 형태의 벡터에 최적화된 학습 파라미터를 적용하여 채널 추정부(200)에 의해 추정된 채널(
Figure pat00024
)의 노이즈와 왜곡을 보상한다. 이렇게 보상된 결과는 하기의 [수학식 9]와 같이 표현할 수 있다.
[수학식 9]
Figure pat00025
이후, 채널 보상부(20)는
Figure pat00026
를 복소수 형태로 통합한 후 다음 OFDM 심볼의 채널을 추정하는데 사용할 수 있다.
상술한 채널 보상 과정에서 초기 채널을 추정하는 과정과 채널 추정부(200)에 의한 채널 추정 과정은 일반적으로 널리 알려진 기술로서 본 발명의 요지가 아니므로 간략히 설명하였다.
도 4 는 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치의 성능 분석도로서, 차량 간 상대속도가 126km/h인 환경에서의 패킷 에러율을 나타낸다.
도 4에 도시된 바와 같이, 각 그래프는 본 발명의 일 실시예가 적용되지 않은 경우의 패킷 에러율과, 본 발명의 일 실시예가 적용된 경우(Proposed)의 패킷 에러율을 나타낸다.
도 4를 통해 알 수 있듯이, 본 발명의 일 실시예가 적용된 경우(Proposed)의 패킷 에러율이 본 발명의 일 실시예가 적용되지 않은 경우의 패킷 에러율, 즉 DPA 방식의 종류로서 STA(Spectral Temporal Averaging), CDP(Constructed Data Pilot), TRFI(Time domain Reliable test Frequency domain Interpolation), ICED(Iterative Channel Estimation and Decoding)이 각각 적용된 경우의 패킷 에러율보다 현저히 작은 것을 알 수 있다.
도 5 는 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 장치의 다른 성능 분석도로서, 차량 간 상대속도가 252km/h인 환경에서의 패킷 에러율을 나타낸다.
도 5에 도시된 바와 같이, 각 그래프는 본 발명의 일 실시예가 적용되지 않은 경우의 패킷 에러율과, 본 발명의 일 실시예가 적용된 경우(Proposed)의 패킷 에러율을 나타낸다.
도 5를 통해 알 수 있듯이, 본 발명의 일 실시예가 적용된 경우(Proposed)의 패킷 에러율이 본 발명의 일 실시예가 적용되지 않은 경우의 패킷 에러율, 즉 DPA 기법의 종류로서 STA(Spectral Temporal Averaging), CDP(Constructed Data Pilot), TRFI(Time domain Reliable test Frequency domain Interpolation), ICED(Iterative Channel Estimation and Decoding)이 각각 적용된 경우의 패킷 에러율보다 현저히 작은 것을 알 수 있다.
한편, 본 발명의 일 실시예는 802.11p 칩셋(Chipset) 구조로 구현될 수 있으며, 이 경우 차량의 속도에 기초하여 저속주행이면 채널 보상 과정을 수행하지 않고, 고속주행이면 채널 보상 과정을 수행하도록 구현할 수도 있다.
도 6 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 방법에 대한 흐름도이다.
먼저, 채널 학습부(10)가 채널의 특성을 학습한다(601).
이후, 채널 보상부(20)가 상기 채널 학습부(10)의 학습 결과에 기초하여 채널 추정부(200)에 의해 추정된 채널의 오류를 보상한다(602).
도 7 은 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.
도 7을 참조하면, 상술한 본 발명의 일 실시예에 따른 인공신경망 기반의 채널 보상 방법은 컴퓨팅 시스템을 통해서도 구현될 수 있다. 컴퓨팅 시스템(1000)은 시스템 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, SSD(Solid State Drive), 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 채널 학습부
20: 채널 보상부
100: 채널 보상 장치
200: 채널 추정부
300: 데이터 복원부

Claims (18)

  1. 채널의 특성을 학습하는 채널 학습부; 및
    상기 채널 학습부의 학습 결과에 기초하여 채널 추정부에 의해 추정된 채널의 오류를 보상하는 채널 보상부
    를 포함하는 인공신경망 기반의 채널 보상 장치.
  2. 제 1 항에 있어서,
    상기 채널 학습부는,
    V2X(Vehicle to Everything) 통신 채널의 특성을 학습하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  3. 제 1 항에 있어서,
    상기 채널 학습부는,
    주파수 영역의 채널 간 상관성을 학습하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  4. 제 1 항에 있어서,
    상기 채널 학습부는,
    오토인코더로 구현되는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  5. 제 4 항에 있어서,
    상기 오토인코더는,
    1개의 입력 레이어와 3개의 히든 레이어 및 1개의 출력 레이어로 구현되는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  6. 제 5 항에 있어서,
    상기 히든 레이어는,
    제1 히든 레이어 내 히든 유닛은 40개, 제2 히든 레이어 내 히든 유닛은 20개, 제3 히든 레이어 내 히든 유닛은 40개인 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  7. 제 1 항에 있어서,
    상기 채널 추정부는,
    DPA(Data Pilot Aided) 방식으로 채널을 추정하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  8. 제 7 항에 있어서,
    상기 채널 보상부는,
    상기 DPA 방식으로 추정된 채널을 복소수 형태의 벡터로 변환하고, 사전에 최적화된 학습 파라미터를 상기 벡터에 적용하여 상기 채널의 오류를 보상하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  9. 제 8 항에 있어서,
    상기 채널 보상부는,
    복수의 OFDM(Orthogonal Frequency Division Multiplexing) 심볼을 대상으로, 순차적으로 채널의 오류를 보상하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 장치.
  10. 채널 학습부가 채널의 특성을 학습하는 단계; 및
    채널 보상부가 상기 채널 학습부의 학습 결과에 기초하여 채널 추정부에 의해 추정된 채널의 오류를 보상하는 단계
    를 포함하는 인공신경망 기반의 채널 보상 방법.
  11. 제 10 항에 있어서,
    상기 학습하는 단계는,
    V2X(Vehicle to Everything) 통신 채널의 특성을 학습하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
  12. 제 10 항에 있어서,
    상기 학습하는 단계는,
    주파수 영역의 채널 간 상관성을 학습하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
  13. 제 10 항에 있어서,
    상기 채널 학습부는,
    오토인코더로 구현되는 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
  14. 제 13 항에 있어서,
    상기 오토인코더는,
    1개의 입력 레이어와 3개의 히든 레이어 및 1개의 출력 레이어로 구현되는 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
  15. 제 14 항에 있어서,
    상기 히든 레이어는,
    제1 히든 레이어 내 히든 유닛은 40개, 제2 히든 레이어 내 히든 유닛은 20개, 제3 히든 레이어 내 히든 유닛은 40개인 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
  16. 제 10 항에 있어서,
    상기 채널은,
    DPA(Data Pilot Aided) 방식으로 추정된 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
  17. 제 16 항에 있어서,
    상기 채널의 오류를 보상하는 단계는,
    상기 DPA 방식으로 추정된 채널을 복소수 형태의 벡터로 변환하는 단계; 및
    사전에 최적화된 학습 파라미터를 상기 벡터에 적용하여 상기 채널의 오류를 보상하는 단계
    를 포함하는 인공신경망 기반의 채널 보상 방법.
  18. 제 17 항에 있어서,
    상기 채널의 오류를 보상하는 단계는,
    복수의 OFDM(Orthogonal Frequency Division Multiplexing) 심볼을 대상으로, 순차적으로 채널의 오류를 보상하는 것을 특징으로 하는 인공신경망 기반의 채널 보상 방법.
KR1020190071791A 2019-06-17 2019-06-17 인공신경망 기반의 채널 보상 장치 및 그 방법 KR20200143999A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190071791A KR20200143999A (ko) 2019-06-17 2019-06-17 인공신경망 기반의 채널 보상 장치 및 그 방법
US16/657,026 US11627443B2 (en) 2019-06-17 2019-10-18 Apparatus and method for compensating channel based on artificial neural network
CN201911067854.0A CN112104577A (zh) 2019-06-17 2019-11-04 用于基于人工神经网络补偿信道的设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190071791A KR20200143999A (ko) 2019-06-17 2019-06-17 인공신경망 기반의 채널 보상 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20200143999A true KR20200143999A (ko) 2020-12-28

Family

ID=73744846

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190071791A KR20200143999A (ko) 2019-06-17 2019-06-17 인공신경망 기반의 채널 보상 장치 및 그 방법

Country Status (3)

Country Link
US (1) US11627443B2 (ko)
KR (1) KR20200143999A (ko)
CN (1) CN112104577A (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200143999A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 인공신경망 기반의 채널 보상 장치 및 그 방법
CN112968847B (zh) * 2021-02-18 2022-05-10 浙江大学 一种基于深度学习和数据导频辅助的信道估计方法
CN114006794B (zh) * 2021-10-09 2022-11-25 苏州大学 基于复数值神经网络的信道估计方法及系统
CN114338324B (zh) * 2021-12-15 2023-09-12 北京许继电气有限公司 一种基于rbf神经网络的多普勒频偏估计方法和系统
US20240259236A1 (en) * 2023-01-18 2024-08-01 Samsung Electronics Co., Ltd. Iterative channel estimation for new radio (nr)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
US9630318B2 (en) * 2014-10-02 2017-04-25 Brain Corporation Feature detection apparatus and methods for training of robotic navigation
CN106027438B (zh) * 2016-07-04 2020-04-07 东南大学 一种用于模数混合调幅广播系统的抗混叠调制解调器
US11334807B1 (en) * 2017-06-23 2022-05-17 Virginia Tech Intellectual Properties, Inc. Learning approximate estimation networks for communication channel state information
CN108337057B (zh) * 2018-02-08 2020-08-14 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法
US10420051B2 (en) * 2018-03-27 2019-09-17 Intel Corporation Context aware synchronization methods for decentralized V2V networks
US10637544B1 (en) * 2018-04-24 2020-04-28 Genghiscomm Holdings, LLC Distributed radio system
KR20200143960A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 영상을 이용한 객체 인식 장치 및 그 방법
KR20200143999A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 인공신경망 기반의 채널 보상 장치 및 그 방법
US20220138523A1 (en) * 2020-11-02 2022-05-05 Ning Li Method for human immortality
US20220156581A1 (en) * 2020-11-13 2022-05-19 Honda Motor Co., Ltd. Systems and methods for reinforced hybrid attention for motion forecasting

Also Published As

Publication number Publication date
CN112104577A (zh) 2020-12-18
US20200396575A1 (en) 2020-12-17
US11627443B2 (en) 2023-04-11

Similar Documents

Publication Publication Date Title
KR20200143999A (ko) 인공신경망 기반의 채널 보상 장치 및 그 방법
CN113890796B (zh) 基于otfs系统调制解调的高速信道估计装置及方法
US9084133B1 (en) Joint estimation of channel and preamble sequence for orthogonal frequency division multiplexing systems
CN112202479A (zh) 多入多出-正交时频空系统的低复杂度信号检测方法
CN105337906B (zh) 信道估计方法及装置
CN112910810B (zh) 多输入多输出正交频分复用系统的同步方法、装置及介质
CN114726688A (zh) 一种信道估计方法、系统、设备及可读存储介质
US8781036B1 (en) System with gain based preamble sequence estimation
EP1901505A2 (en) Wireless communication apparatus
CN115664898A (zh) 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统
CN106911600A (zh) 提高v2v信息传输可靠性的方法和装置
CN111786923A (zh) 一种正交频分复用系统时频双选信道的信道估计方法
CN104301260B (zh) 一种信道参数估计方法及系统
Saideh et al. Efficient equalization for FBMC-OQAM under doubly selective channel estimation errors
Pan et al. An improved subspace-based algorithm for blind channel identification using few received blocks
US20090180557A1 (en) Channel estimation device and related method of an orthogonal frequency division multiplexing system
CN106911621B (zh) 一种基于v-ofdm的信道均衡和跟踪方法
Hijazi et al. OFDM high speed channel complex gains estimation using Kalman filter and QR-detector
CN114244675A (zh) 一种基于深度学习的mimo-ofdm系统信道估计方法
KR102149611B1 (ko) Ofdm 시스템에서의 멀티 스테이지 기반 mmse 채널추정장치
Muralidhar et al. Generalized vector state-scalar observation Kalman channel estimator for doubly-selective OFDM systems
US20240073658A1 (en) Method and Apparatus for Estimating V2X Communication Channel
CN111970028A (zh) 基于循环最小化的电力线通信系统脉冲噪声抑制方法
Kumar Singh et al. Supervised learning and frequency domain averaging‐based adaptive channel estimation scheme for filterbank multicarrier with offset quadrature amplitude modulation
KR102136935B1 (ko) V2x 통신을 위한 채널 추정 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal