KR20210128841A

KR20210128841A - Mimo를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치

Info

Publication number: KR20210128841A
Application number: KR1020200047044A
Authority: KR
Inventors: 최용윤; 김환진; 장철희; 최준일
Original assignee: 삼성전자주식회사; 한국과학기술원
Priority date: 2020-04-17
Filing date: 2020-04-17
Publication date: 2021-10-27
Also published as: US20230198810A1; US11936502B2; WO2021210959A1

Abstract

다수의 안테나를 지원하는 무선 통신 시스템에서 기지국이 단말의 채널을 추정하는 방법에 있어서, 현재 시점에서 획득된 제1 채널 값과 이전 시점에서 획득된 제2 채널 값에 기반하여 상기 단말의 이동 속도를 추정하는 과정,상기 추정된 이동 속도에 기반하여 현재 시점을 포함한 다수의 시점들에 대한 채널 값들의 수에 대응되는 복잡도 차수를 결정하는 과정, 및 상기 결정된 복잡도 차수에 기반하여 상기 단말의 다음 시점의 채널을 추정하는 과정을 포함하는 채널 추정 방법을 개시한다.

Description

MIMO를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING A CHANNEL IN A WIRELESS COMMUNICATION SYSTEM SUPPORTING MULTIPLE INPUT MULTIPLE OUTPUT}

본 개시는 MIMO(Multiple Input Multiple Output)를 지원하는 무선 통신 시스템(이하, MIMO 시스템)에서 채널 추정 방법 및 장치에 대한 것으로서, 다중 안테나들을 이용하는 기지국에서 단말의 업 링크 채널을 추정(estimation or prediction)하는 방법 및 장치에 대한 것이다.

4G 통신 시스템 상용화 이후 증가 추세에 있는 무선 데이터 트래픽 수요를 충족시키기 위해, 개선된 5G 통신 시스템 또는 pre-5G 통신 시스템을 개발하기 위한 노력이 이루어지고 있다. 이러한 이유로, 5G 통신 시스템 또는 pre-5G 통신 시스템은 4G 네트워크 이후 (Beyond 4G Network) 통신 시스템 또는 LTE 시스템 이후 (Post LTE) 이후의 시스템이라 불리어지고 있다.

높은 데이터 전송률을 달성하기 위해, 5G 통신 시스템은 초고주파(mmWave) 대역 (예를 들어, 60기가(60GHz) 대역과 같은)에서의 구현이 고려되고 있다. 초고주파 대역에서의 전파의 경로손실 완화 및 전파의 전달 거리를 증가시키기 위해, 5G 통신 시스템에서는 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO), 전차원 다중입출력(full dimensional MIMO: FD-MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 및 대규모 안테나 (large scale antenna) 기술들이 논의되고 있다.

또한 시스템의 네트워크 개선을 위해, 5G 통신 시스템에서는 진화된 소형 셀, 개선된 소형 셀 (advanced small cell), 클라우드 무선 액세스 네트워크 (cloud radio access network: cloud RAN), 초고밀도 네트워크 (ultra-dense network), 기기 간 통신 (Device to Device communication: D2D), 무선 백홀 (wireless backhaul), 이동 네트워크 (moving network), 협력 통신 (cooperative communication), CoMP (coordinated multi-points), 및 수신 간섭제거 (interference cancellation) 등의 기술 개발이 이루어지고 있다.

이 밖에도, 5G 시스템에서는 진보된 코딩 변조(advanced coding modulation: ACM) 방식인 FQAM (hybrid FSK and QAM modulation) 및 SWSC (sliding window superposition coding)과, 진보된 접속 기술인 FBMC(filter bank multi carrier), NOMA(non orthogonal multiple access), 및SCMA(sparse code multiple access) 등이 개발되고 있다.

무선 통신 시스템은 지속적으로 증가하는 단말들의 무선 데이터 트래픽(data traffic) 수요 및 무선 연결성(connectivity) 수요를 충족시키기 위해 보다 높은 데이터 전송률을 지원하고 보다 많은 접속 포인트(access point: AP)를 설치하는 방향으로 발전하고 있다. 예를 들어, 통신 시스템은 데이터 전송률 증가를 위해 직교 주파수 분할 다중화(orthogonal frequency division multiplexing: OFDM) 방식과, 다중 입력 다중 출력(multiple input multiple output: MIMO) 방식 등과 같은 다양한 방식들을 기반으로 주파수 효율성(spectral efficiency)을 개선하고, 채널 용량을 증대시키도록 개발되고 있다.

무선 로컬 영역 네트워크(wireless local area network: WLAN) 시스템에서는 대용량 데이터 서비스를 지원하기 위해서 다수 개의 사용자들 및 다수 개의 안테나들이 함께 사용되는 방식인 다중 사용자-다중 입력 다중 출력(multiple user-multiple input multiple output: MU-MIMO) 방식이 사용되고 있다.

LTE 기반의 4G 이동통신의 등장 이후 복수개의 안테나를 이용한 MIMO(multiple input multiple output) 기술은 이동통신에서 반드시 필요한 핵심 기술이 되었다. 최근MIMO 기술은 massive MIMO 등으로 발전하여 이론적으로는 무한대의 안테나까지도 고려하고 있다. 5G 이동통신에는 빔포밍(beamforming)과 massive MIMO 기술이 활용된다.　빔포밍은 여러 안테나 소자로 전파 빔을 만들어 안테나가 특정 방향에서 전파를 집중적으로 송수신하게 하는 기술이다. 기지국 안테나는 사용자의 위치를 파악한 뒤 해당 단말에 전파를 집중적으로 송신한다. MIMO는　무선 통신의 용량을 높이기 위한 스마트 안테나 기술이다. MIMO 기술은 기지국·단말기에서 다수의 안테나를 사용, 여러 안테나가 한 번에 신호를 주고받게 해 데이터 전송량을 높이는 기술이다. MIMO 기술은 기지국 및/또는 단말에서 다수의 안테나를 사용, 여러 안테나가 한 번에 신호를 주고받게 해 데이터 전송량을 높이는 기술이다. MIMO 기술은 크게 공간 다이버시티(diversity) 기술, 빔포밍(beamforming) 기술, 공간 다중화(spatial multiplexing: SM) 기술로 분류된다. 최근에는 빔포밍과 공간 다중 화 기술을 결합한 다중 사용자 MIMO(multi-user MIMO: MU-MIMO) 기술이 등장하였고, 이에 따라 기존의 공간 다중화 기술은 단일 사용자 MIMO(single user MIMO:SU-MIMO)로 불리게 되었다. massive MIMO(거대 MIMO라고도 칭함) 시스템은 제5세대(5G) 셀룰라 통신의 스펙트럼 효율성을 개선하는 중요한 이행 기술로서 간주된다. massive MIMO를 통해, 시스템 안에서 자유로운 신호 처리가 활용되고, 단말들 간 간섭 및 셀들 간 간섭이 줄어들 수 있고, 계산상의 복잡도가 감소될 수 있으며, 통신 링크 품질이 개선될 수 있다. 또한, massive MIMO를 통해, 단일 안테나 유닛의 전력 소비를 줄일 수 있으며 시스템의 전력 효율이 개선될 수 있다. 미래의 기지국 장치 및 모바일 장치는 현재보다 훨씬 많은 수의 안테나들을 채택할 수 있다. 현재 프로토타입 테스팅 시스템에서, 64 개 이상의 안테나들을 가진 시스템의 이용가능성 및 산업상 적용가능성이 테스트되어 왔다.

송/수신기에 많은 수의 안테나를 사용하는 massive MIMO 시스템은 미래의 무선 통신 시스템(wireless communication system)에서 중요한 역할을 하게 될 기술 중 하나로 매우 중요하게 여겨지고 활발히 연구되고 있다.

하지만 기지국(base station : BS)에서 많은 수의 안테나를 사용함으로 인해서, 이동하는 단말(user equipment : UE)로 인한 채널 변화를 즉각적으로 추정하는데 어려움이 있다. 또한 이동하는 단말로 인한 채널 변화로 인해 데이터 전송률(data rate)이 감소함이 알려져 있다. 이러한 massive MIMO 시스템에서는 거대 배열 안테나의 이용으로 인해 채널 추정 과정에서 채널 정보량이 커져 많은 피드백 량을 요구하게 되고, 데이터 전송 시간과 비교하여 채널 추정 시간이 큰 부분을 차지하게 된다.

이러한 채널 변화로 인한 문제를 해결하기 위해서 다양한 채널 추정 기법이 연구되고 있다. 기존의 채널 추정 기법의 예로는 자기회귀모델(autoregressive model: AR model)과 자기회귀 이동평균모델(autoregressive moving-average model: ARMA model) 이 대표적이다.

본 개시는 massive MIMO 시스템에서 이동하는 단말의 채널이 변화할 때, 기지국에서 변화하는 채널을 효율적으로 추정(estimation or prediction)하는 방법 및 장치를 제안한다.

또한 본 개시는 massive MIMO 시스템에서 이동하는 단말의 업 링크 채널이 변화할 때, 단말의 이동성(mobility)을 저복잡도로 추정하는 방법 및 장치를 제안한다.

또한 본 개시는 massive MIMO 시스템에서 단말의 이동성을 근거로 결정된 단말의 채널 추정을 위한 복잡도 차수를 기반으로 하여 단말의 업 링크 채널을 추정하는 방법 및 장치를 제안한다.

또한 본 개시는 massive MIMO 시스템에서 단말로부터 수신 신호를 전처리(pre-processing) 하는 기계 학습 (machine learning) 기반 기법을 이용하여 단말의 업 링크 채널을 추정하는 방법 및 장치를 제안한다.

본 개시에서는 칼만 필터(Kalman filter) 및 기계 학습(machine learning) 기반 기법을 통해 채널을 예측한다.

본 개시의 일 실시예에 따른 다수의 안테나를 지원하는 무선 통신 시스템에서 기지국이 단말의 채널을 추정하는 방법에 있어서, 현재 시점에서 획득된 제1 채널 값과 이전 시점에서 획득된 제2 채널 값에 기반하여 상기 단말의 이동 속도를 추정하는 과정, 상기 추정된 이동 속도에 기반하여 현재 시점을 포함한 다수의 시점들에 대한 채널 값들의 수에 대응되는 복잡도 차수를 결정하는 과정, 및 상기 결정된 복잡도 차수에 기반하여 상기 단말의 다음 시점의 채널을 추정하는 과정을 포함하는 채널 추정 방법을 개시한다.

본 개시의 일 실시예에서 상기 이동 속도는 수학식

을 이용하여 추정되며, 상기 수학식에서

은 상기 현재 시점에서 상기 제1 채널값을,

은 상기 이전 시점에서 상기 제2 채널값을 의미하며,

은 vector h의 conjugate transpose를 나타내며,

은 실수부를 의미하고,

은 vector의 norm 연산자인 채널 추정 방법을 개시한다.

본 개시의 일 실시예에서 상기 복잡도 차수는 상기 단말의 이동에 따른 채널의 변화량에 비례하는 채널 추정 방법을 개시한다.

본 개시의 다른 실시예에서 상기 복잡도 차수는 상기 다수의 시점들에서 다수의 채널들을 통해 상기 단말로부터 수신된 다수의 수신 신호들의 수에 대응되며, 상기 복잡도 차수는 상기 이동 속도의 비율 값으로 결정되는 채널 추정 방법을 개시한다.

본 개시의 다른 실시예에서 상기 다음 시점의 채널을 추정하는 과정은, 상기 다수의 수신 신호들을 전처리하여 다수의 채널 벡터들을 획득하는 과정을 더 포함하며, 상기 전처리는 선형 최소평균제곱오차 추정(linear minimum mean square error estimation: LMMSE) 방식을 이용하는 채널 추정 방법을 개시한다.

본 개시의 다른 실시예에서 상기 다음 시점의 채널을 추정하는 과정은, 상기 전처리를 통해 획득된 상기 다수의 채널 벡터들을 입력으로 하는 다층 퍼셉트론(MLP)을 통해 상기 다음 시점의 채널을 추정하는 과정을 더 포함하며, 상기 MLP는 상기 다음 시점의 채널 추정 시 이용되는 다수의 가중치들을 업데이트 하기 위한 적어도 하나의 은닉 계층을 포함하는 구조를 갖는 채널 추정 방법을 개시한다.

본 개시의 다른 실시예에서 상기 MLP에서 다수의 가중치들을 업데이트하는 트레이닝 과정을 더 포함하며, 상기 트레이닝 과정에서 비용함수의 손실이 최소화되는 상기 다음 시점의 채널 값이 추정되도록 상기 다수의 가중치들을 업데이트하는 채널 추정 방법을 개시한다.

본 개시의 다른 실시예에서 상기 다음 시점의 채널을 추정하는 과정은, 칼만 필터를 통해 상기 현재 시점의 채널 값과 상기 이전 시점의 채널 값을 이용하여 상기 다음 시점의 채널 값을 추정하는 과정을 더 포함하는 채널 추정 방법을 개시한다.

본 개시의 또다른 실시예에서 상기 칼만 필터를 이용한 채널 추정 과정은, 상기 현재 시점의 채널 값을 이용해 상기 다음 시점의 채널 값을 추정 및 정정하도록, 최소추정 평균제곱오차행렬(minimum prediction mean square error (MSE) matrix)를 계산하는 과정 및 상기 추정된 MSE 행렬을 칼만이득행렬(Kalman gain matrix)을 결정하는 과정 및 상기 칼만이득행렬을 이용하여 상기 다음 시점의 채널을 추정하는 과정을 포함하는 채널 추정 방법을 개시한다.

본 개시의 일 실시예에서 다수의 안테나를 지원하는 무선 통신 시스템에서 단말의 채널을 추정하는 기지국에 있어서, 송수신기; 및 프로세서를 포함하고, 상기 프로세서는 현재 시점에서 획득된 제1 채널 값과 이전 시점에서 획득된 제2 채널 값에 기반하여 상기 단말의 이동 속도를 추정하고, 상기 추정된 이동 속도에 기반하여 현재 시점을 포함한 다수의 시점들에 대한 채널 값들의 수에 대응되는 복잡도 차수를 결정하고, 상기 결정된 복잡도 차수에 기반하여 단말의 다음 시점의 채널을 추정하는 기지국을 개시한다.

본 개시의 일 실시예에서 상기 프로세서는 수학식

을 이용하여 상기 이동 속도를 추정하며, 상기 수학식에서

은 상기 현재 시점에서 상기 제1 채널값을,

은 상기 이전 시점에서 상기 제2 채널값을 의미하며,

은 vector h의 conjugate transpose를 나타내며,

은 실수부를 의미하고,

은 vector의 norm 연산자인 기지국을 개시한다.

본 개시의 일 실시예에서 상기 복잡도 차수는 상기 단말의 이동에 따른 채널의 변화량에 비례하는 기지국을 개시한다.

본 개시의 일 실시예에서 상기 복잡도 차수는 상기 다수의 시점들에서 다수의 채널들을 통해 상기 단말로부터 수신된 다수의 수신 신호들의 수에 대응되며, 상기 프로세서는 상기 이동 속도의 비율 값으로 상기 복잡도 차수를 결정하는 기지국을 개시한다.

본 개시의 다른 실시예에서 상기 프로세서는 상기 다수의 수신 신호들을 전처리하여 다수의 채널 벡터들을 획득하고, 상기 전처리는 선형 최소평균제곱오차 추정(linear minimum mean square error estimation: LMMSE) 방식을 이용하는 기지국을 개시한다.

본 개시의 다른 실시예에서 상기 프로세서는, 상기 전처리를 통해 획득된 상기 다수의 채널 벡터들을 입력으로 하는 다층 퍼셉트론(MLP)을 통해 상기 다음 시점의 채널을 추정하고, 상기 MLP는 상기 다음 시점의 채널 추정 시 이용되는 다수의 가중치들을 업데이트 하기 위한 적어도 하나의 은닉 계층을 포함하는 구조를 갖는 기지국을 개시한다.

본 개시의 다른 실시예에서 상기 프로세서는, 상기 MLP에서 트레이닝을 통해 다수의 가중치들을 업데이트하며, 상기 트레이닝에서 비용함수의 손실이 최소화되는 상기 다음 시점의 채널 값이 추정되도록 상기 다수의 가중치들을 업데이트하는 기지국을 개시한다.

본 개시의 또다른 실시예에서 상기 프로세서는, 칼만 필터를 통해 상기 현재 시점의 채널 값과 상기 이전 시점의 채널 값을 이용하여 상기 다음 시점의 채널 값을 추정하는 기지국을 개시한다.

본 개시의 또다른 실시예에서 상기 프로세서는, 상기 현재 시점의 채널 값을 이용해 상기 다음 시점의 채널 값을 추정 및 정정하도록, 최소추정 평균제곱오차행렬(minimum prediction mean square error (MSE) matrix)를 계산하고, 상기 추정된 MSE 행렬을 칼만이득행렬(Kalman gain matrix)을 결정하고, 및 상기 칼만이득행렬을 이용하여 상기 다음 시점의 채널을 추정하는 기지국을 개시한다.

본 개시의 다른 측면들과, 이득들 및 핵심적인 특징들은 부가 도면들과 함께 처리되고, 본 개시의 바람직한 실시예들을 게시하는, 하기의 구체적인 설명으로부터 해당 기술 분야의 당업자에게 자명할 것이다.

하기의 본 개시의 구체적인 설명 부분을 처리하기 전에, 이 특허 문서를 통해 사용되는 특정 단어들 및 구문들에 대한 정의들을 설정하는 것이 효과적일 수 있다: 상기 용어들 "포함하다(include)" 및 "포함하다(comprise)"과 그 파생어들은 한정없는 포함을 의미하며; 상기 용어 "혹은(or)"은 포괄적이고 '및/또는'을 의미하고; 상기 구문들 "~와 연관되는(associated with)" 및 ""~와 연관되는(associated therewith)"과 그 파생어들은 포함하고(include), ~내에 포함되고(be included within), ~와 서로 연결되고(interconnect with), 포함하고(contain), ~내에 포함되고(be contained within), ~에 연결하거나 혹은 ~와 연결하고(connect to or with), ~에 연결하거나 혹은 ~와 연결하고(couple to or with), ~와 통신 가능하고(be communicable with), ~와 협조하고(cooperate with), 인터리빙하고(interleave), 병치하고(juxtapose), ~로 가장 근접하고(be proximate to), ~로 ~할 가능성이 크거나 혹은 ~와 ~할 가능성이 크고(be bound to or with), 가지고(have), 소유하고(have a property of) 등과 같은 것을 의미하고; 상기 용어 "제어기"는 적어도 하나의 동작을 제어하는 임의의 디바이스, 시스템, 혹은 그 부분을 의미하고, 상기와 같은 디바이스는 하드웨어, 펌웨어 혹은 소프트웨어, 혹은 상기 하드웨어, 펌웨어 혹은 소프트웨어 중 적어도 2개의 몇몇 조합에서 구현될 수 있다.

어떤 특정 제어기와 연관되는 기능성이라도 집중화되거나 혹은 분산될 수 있으며, 국부적이거나 원격적일 수도 있다는 것에 주의해야만 할 것이다. 특정 단어들 및 구문들에 대한 정의들은 이 특허 문서에 걸쳐 제공되고, 해당 기술 분야의 당업자는 많은 경우, 대부분의 경우가 아니라고 해도, 상기와 같은 정의들이 종래 뿐만 아니라 상기와 같이 정의된 단어들 및 구문들의 미래의 사용들에도 적용된다는 것을 이해해야만 할 것이다.

도 1은 본 개시에서 제안하는 단말의 이동성(mobility)에 기반하여 채널을 예측하는 방법에 대한 flow를 도시한 것이다.
도 2는 본 개시의 일 실시예에 따라 SCM (spatial channel model)의 단말 이동 속도에 따른 정규화된 SATC 실수부의 누적 분포 함수 (cumulative distribution function : CDF)을 도시한 것이다.
도 3은 본 개시에서 제안하는 칼만 필터 기반 채널 예측 기법의 구성도를 도시한 것이다.
도 4는 본 개시에서 제안하는 기계 학습 기반 채널 예측 기법의 구성도를 도시한 것이다.
도 5는 본 개시의 일 실시예에 따른 LMMSE 추정(estimation)이 결합된 다중 퍼셉트론 (multi-layer perceptron MLP)의 구조를 도시한다.
도 6은 본 개시의 일 실시예에 따른 LMMSE estimation이 결합된 MLP 에서 은닉 계층이 2개의 층을 가지는 구조를 도시한다.
도 7은 본 개시의 일 실시예에 따른 MLP의 은닉 계층의 수 (L) 에 따른 NMSE 성능을 비교하여 도시한 것이다.
도 8은 본 개시의 일 실시예에 따라 MLP의 NMSE를 도시한 것이다.
도 9는 본 개시의 일 실시예에 따라 칼만 필터(Kalman filter) 기반 채널 추정에서 복잡도 차수 AR-order

에 따른 NMSE를 도시한 것이다.
도 10은 본 개시의 일 실시예에 따라 기계 학습 기반 채널 추정에서 복잡도 차수 input-order

에 따른 NMSE를 도시한 것이다.
도 11은 본 개시의 일 실시예에 따라 채널 추정시 단말의 이동성에 따른 복잡도 차수 의 선형적 관계를 도시한 것이다.
도 12는 본 개시의 일 실시예에 따라 채널 추정에서 샘플 수에 따른 NMSE를 도시한 것이다.
도 13은 본 개시의 일 실시예에 따른 기지국의 내부 구성을 도시한 장치도이다.
상기 도면들을 통해, 유사 참조 번호들은 동일한 혹은 유사한 엘리먼트들과, 특징들 및 구조들을 도시하기 위해 사용된다는 것에 유의해야만 한다.

이하, 본 개시에 따른 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다. 도면들 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음을 유의해야 한다. 본 개시를 설명함에 있어서, 관련된 공개 기술 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그에 대한 상세한 설명은 축약하거나 생략한다.

이하, 본 개시의 실시 예들을 첨부한 도면들을 참조하여 상세히 설명한다. 그리고, 하기에서는 본 개시의 실시예들에 따른 동작을 이해하는데 필요한 부분만이 설명되며, 그 이외의 부분의 설명은 본 개시의 요지를 흩트리지 않도록 생략될 것이라는 것을 유의하여야 한다. 그리고 후술되는 용어들은 본 개시의 실시예들에서의 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.

본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시 예들을 가질 수 있는 바, 특정 실시 예들을 도면들에 예시하여 상세하게 설명한다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

또한, 본 명세서에서 명백하게 다른 내용을 지시하지 않는 "한"과, "상기"와 같은 단수 표현들은 복수 표현들을 포함한다는 것이 이해될 수 있을 것이다. 따라서, 일 예로, "컴포넌트 표면(component surface)"은 하나 혹은 그 이상의 컴포넌트 표현들을 포함한다.

또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 개시의 다양한 실시 예들은 전자 장치에 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리 또는 외장 메모리)에 저장된 하나 이상의 명령어들(instructions)을 포함하는 소프트웨어(예: 프로그램)로서 구현될 수 있다. 예를 들면, 전자 장치의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러(compiler) 생성된 코드 또는 인터프리터(interpreter)에 의해 실행될 수 있는 코드(code)를 포함할 수 있다. 전자 장치로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일 실시 예에 따르면, 본 개시에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: CD-ROM, DVD-ROM)의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시 예들에 따르면, 본 개시의 각각의 구성 요소(예: 블록 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시 예들에 따르면, 전술한 구성 요소들 중 하나 이상의 구성 요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성 요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성 요소들(예: 블록 또는 프로그램)은 하나의 구성 요소로 통합될 수 있다. 이런 경우, 통합된 구성 요소는 상기 복수의 구성 요소들 각각의 구성 요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성 요소들 중 해당 구성 요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱(heuristic)하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

또한 본 개시의 실시 예에 따르면, 상기 전자 장치는 단말과의 무선 통신을 위한 채널(channel)을 제공할 수 있다. 상기 전자 장치는 기지국(base station), AN(access network), RAN(radio access network), eNB, eNodeB, 5G 노드(5G node), 송수신 포인트(TRP, transmission/reception point), 또는 5gNB(5th generation NodeB) 등을 의미할 수 있다. 편의상 상기 전자 장치를 기지국(base station)으로 예시하여 이하 본 개시의 실시 예들을 설명하기로 한다. 상기 단말은 상기 기지국과 무선 채널을 통해 통신하는 사용자 단말(user equipment : UE), 이동국(mobile station), 가입자국(subscriber station), 원격 단말(remote terminal), 무선 단말(wireless terminal), 또는 사용자 장치(user device) 등을 의미할 수 있다. 또한 본 개시의 실시 에에 따르면, MIMO 시스템은 예를 들어 3GPP(3rd Generation Partnership Project)에서 제안하는 롱-텀 에볼루션(long-term evolution: LTE, 이하 ‘LTE’) 시스템, 롱-텀 에볼루션-어드밴스드(long-term evolution-advanced: LTE-A, 이하 ‘LTE-A’) 시스템, LTE-A pro 시스템 또는 전술한 5G 시스템 등 다중 안테나 기술인 MIMO를 지원하는 다양한 무선 통신 시스템에 구현될 수 있다.

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

본 개시의 일 실시예에 따른 방법 및 장치는 MIMO시스템에서 단말과 무선 채널을 통해 통신하는 기지국에 적용될 수 있다. 그러나 본 개시의 실시 에에 따른 방법 및 장치가 적용되는 범위는 기지국에 한정되지 않고, 단말이 다수의 기지국들과 MIMO를 이용하여 통신할 수 있다면, 단말에 적용될 수도 있다. 이하 예시된 실시 예들에서 "채널"은 단말로부터 기지국으로의 업 링크 채널을 가정하고, 기지국에서 업 링크 채널을 추정하는 실시 예들을 설명하기로 한다. 여기서 상기 채널 추정은 현재 시점을 n, 다음 시점을 n+1로 가정하였을 때, n+1 시점의 채널을 추정하는 것으로 이해될 수 있다. 따라서 상기 채널 추정(channel estimation)은 다음 시점의 업 링크 채널을 추정하는 것이므로 채널 예측(channel prediction)으로 칭해질 수 있다.

본 개시에서 고려하는 수학식들에 대해, 소문자 및 대문자의 굵은 글씨는 열 vector와 matrix을 나타낸다.

는 matrix

의 transpose, conjugate transpose 를 나타낸다.

는 기댓값을 나타내며,

은 각각 실수부와 허수부를 의미한다.

은

complex matrix을 나타내며,

은 복소수의 절대값을,

은 vector의

norm (유클리드 L2-norm)을 나타낸다.

은

all zero matrix를,

은

identity matrix를 의미한다.

은 평균이

이고 분산이

인 complex Gaussian noise를 나타낸다.

본 개시는 기본적으로 단일 셀(single cell) massive MIMO 시스템에 한정되지는 않으며, 다중 셀에도 본 개시가 적용될 수 있음에 유의하여야 할 것이다. 이하 실시 예들은 설명의 편의상 기지국은

개의 안테나를 이용하며 단말은 단일의 안테나를 이용하는 통신 환경을 고려한다. 블록 페이딩(block fading) channel model을 고려한

번째 시간의 수신 신호

는 아래의 수학식 1과 같이 나타낼 수 있다.

<수학식 1>

이때

는 신호대잡음비(signal-to-noise ratio: SNR)를 의미하며

은

번째 channel vector,

은

번째 data symbol,

은

번째 시간에서 평균이 0이고 분산이

인 Complex Gaussian 분포를 따르는 complex Gaussian noise를 의미한다.

은 1로 가정할 수 있다. 즉, 기지국의 수신부는 노이즈를 포함하는

을 수신한다.

실제 채널 모델은 서로 다른 경로 이득(path gain), 지연(delay), 도플러효과(Doppler effect), 도래각(Angle-of-arrival: AoA), 발사각(angle-of-departure: AoD) 등으로 인해 발생하는 다수 개의 ray로 구성될 수 있다. 그 예로, 3GPP의 공간 채널 모델(spatial channel model : SCM)에서 시간

에서

번째 기지국과

번째 단말 사이의

번째 path의 channel은 수학식 2로 표현될 수 있다.

<수학식 2>

이때

은

번째 path의 수신 전력을 나타내며,

는 파수(주파수의 역수),

는 기지국의 안테나 사이의 거리,

는 단말의 안테나들 사이의 거리를 나타낸다. 또한

은

번째 path에서

번째 sub-path의 AoD,

는

번째 path에서

번째 sub-path의 AoA를 나타내며,

는

번째 path에서

번째 sub-path의 phase,

는 단말의 속도의 크기, 그리고

는 단말의 속도벡터의 방향을 나타낸다.

수학식 2에서 표현된 SCM의 모든 channel parameter를 예측하는 것은 과도한 계산이 요구되며, 빠른 시간 안에 정확히 채널을 추정하기가 어렵다. 본 개시에서는 이를 보완하기 위한 효율적인 channel 추정 기법을 제안한다.

먼저 실시예 1에서는 단말의 mobility를 추정하는 방법을 제안한다. 실시예 1에서 추정한 mobility는 실시예 2,3에서 사용되는 채널 추정 기법의 복잡도 차수(complexity order)를 결정하는데 사용될 수 있다. 실시예 2,3에서는 각각 칼만 필터 기반 채널 추정(Kalman filter-based channel estimation) 방법 및 기계 학습 기반 채널 추정(machine learning-based channel estimation) 방법을 제안한다.

<실시예1>

이하에서는 도1 및 도2를 참조하여 단말의 이동 속도 (mobility) 및 상기 이동성에 따른 채널의 추정방법에 대하여 설명하도록 한다. 본 개시에서 사용되는 용어들 "mobility" 는 단말의 "이동성" 또는 "이동속도"로 나타낼 수 있으며, 단위는 km/h로 예시하였으나, m/s 등 속도를 나타내는 다양한 단위가 사용될 수 있다.

도1은 본 개시의 일 실시예에 따라 단말의 이동성을 기반으로 채널을 추정하는 방법에 대하여 설명한다.

도 1의 101 단계에서 기지국은 단말의 이동성, 즉 이동 속도를 추정한다. 본 개시에서 상기 이동성은 단말의 시간적 상관에 대한 공간 평균(spatial average of temporal correlation : SATC)를 이용하여 추정할 수 있다. 상기 SATC는 후술할 <수학식1>과 같이 적어도 두 시점(예를 들어 현재 시점(n)과 이전 시점(n-1) 혹은 이전의 두 시점(n-1, n-2))에서 단말의 채널 추정 값들을 이용하여 획득(추정)될 수 있다. 103 단계에서 기지국은 상기 추정된 이동성에 기반하여 단말의 채널 추정에 이용되는 후술할 복잡도 차수를 결정한다. 상기 복잡도 차수는 다수의 시점들에서 채널 값들의 수 또는 다수의 시점들에서 다수의 채널들을 통해 단말로부터 수신된 다수의 수신 신호들의 수에 대응될 수 있다. 상기 다수의 시점들은 현재 시점과 이전 시점 중 적어도 하나를 포함할 수 있다. 105 단계에서 기지국은 상기 결정된 복잡도 차수에 기반하여 단말의 다음 시점의 채널을 추정한다. 상기 복잡도 차수를 결정하고, 본 개시에 따른 칼만 필터(Kalman filter) 기반 채널 추정 방식 또는 기계 학습(machine learning) 기반 채널 추정 방식에 상기 결정된 복잡도 차수를 적용하여 다음 시점의 채널을 추정하는 본 개시의 방식은 후술할 제2, 제3 실시 예에서 구체적으로 기술하기로 한다. 상기한 본 개시의 채널 추정 방법은 다중 안테나를 이용하는 기지국이 단말로부터 수신 신호들에 시간적 상관 관계를 반영하고, 상기 시간적 상관 관계가 반영된 수신 신호들을 처리하여 채널을 추정하는 것이다.

구체적으로 본 개시에서는 공간 채널 모델(SCM)의 시간적 상관 관계를 기지국에서 다수의 안테나들에 의한 공간적인 평균(spatial average)을 구하는 방법인 SATC-based 이동성 추정(mobility estimation) 기법을 제안한다. 상기 제안된 SATC-based mobility estimation 기법은 한 번의 vector multiplication을 통해 구할 수 있기 때문에 기존의 mobility estimation 기법에 대비하여 복잡도가 대폭 낮아진다는 장점이 있다. 제안한 저복잡도의 SATC-based mobility estimator는 시간상으로2개의 snapshot만을 이용하여도 mobility 추정이 가능하다. 상기 2개의 snapshot은 예를 들어

번째 시점의 채널 벡터인

및

번째 시점의 채널 벡터 인

로 표현되는 2개의 시점에서 채널 벡터로 표현될 수 있다. 여기서 채널 벡터는 채널에서 측정된 값 또는 추정된 값을 사용할 수 있다. 따라서 다수의 안테나를 사용하는 MIMO 시스템에서 2 개의 알고 있는 채널 벡터 값을 사용하여 다수의 안테나에 의한 공간적인 평균을 구할 수 있으므로 낮은 복잡도로 단말의 이동성을 신속하게 추정할 수 있는 장점이 있다. 본 개시에서 정규화된 SATC의 실수부는 다음의 <수학식 3>과 같이 표현될 수 있다.

<수학식 3>

<수학식 3>에서 단말의 mobility 가 작을수록 channel의 변화량이 줄어들어

의 값이 대부분 실수 값을 갖게 되며, 정규화된 SATC의 실수부는 1에 가까워진다. 도 2에서는 단말의 mobility 에 따라 정규화된 SATC 값의 누적 분포 함수 (cumulative distribution function CDF) 를 도식화한 것이다. 도 2에서는 SCM의 SATC 값을 이용해 누적 분포 함수에서 도시된 바와 같이 단말의 이동속도를 구분할 수 있음을 확인할 수 있다. 즉, 단말의 이동성이 작은 경우로써 예를 들면 단말의 이동 속도가 1km/h인 경우, 채널의 변화량이 줄어들게 되어 누적 분포 함수들의 분포는 참조번호 201 과 같이 된다. 반면에 3km/h 또는 10km/h처럼 단말의 이동 속도가 클수록 채널의 변화량이 커지게 되므로, 누적 분포 함수들의 분포가 참조번호 203 또는 205와 같이 된다. 따라서 시간적 상관관계를 다수의 안테나에 의한 공간적인 평균으로 구하는 SATC기반의 이동성을 추정함에 있어서, 상기 <수학식 3>에 따라 정규화된 SATC 의 실수부를 구할 경우에 단말의 이동성 즉 이동 속도를 추정할 수 있게 된다. 구체적인 예를 들면 다음과 같다. SATC값이 0.8 이상이면 단말의 이동성을 1km/h로 추정하고 SATC 값이 0.5~0.8 이면 3 km/h, SATC 값이 0.5 이하이면 10 km/h 로 추정할 수도 있다. 즉, SATC의 범위 값에 대응되는 단말의 이동성에 대한 테이블 정보를 이용할 수도 있다. 단말의 이동성을 추정할 수 있는 실시예로서 SCM 채널 값에 대한 특정한 SATC 값을 구하기 어려울 경우 즉, 앞서 SATC 값이 0.8 또는 0.5 등으로 특정 값으로 나타내기 어려운 경우 도2 와 같이 SATC의 경향성을 기반으로 단말의 이동성을 추정할 수 있다. 다수의 SATC 값들을 이용할 경우 SATC값들과 단말의 이동성을 대응시킬 수 있는 다수의 정보들을 기반으로 높은 정확도로 단말의 이동성을 추정할 수 있을 것이다. 본 개시의 SATC CDF은 일예로 SCM 채널 모델을 기반으로 한 것이다.

<실시예 2>

본 실시예는 공지된 칼만 필터 기반 채널 추정 (Kalman filter-based channel estimation) 알고리즘에 본 개시의 실시 예에 따른 단말의 이동성을 적용한 것이다.

<실시예 2>는 <실시예 1>을 이용하여 이동성을 예측하여 복잡도 차수 (AR-order, p) 를 결정하고,　이를 기반으로 Yule Walker equation 을 이용하여 AR 파라미터 추정을 진행하는 방식을 기술한다.

도3 에서는 본 개시의 일 실시예에 따라 칼만 필터를 이용한 채널 추정 방법을 도시한 도면이다. 도3을 참조하면, 301 단계에서 기지국은 단말의 이동성을 추정한다. 단말의 이동성은 상기한 제1 실시 예에서 <수학식 3>을 이용하여 추정할 수 있다. 303 단계에서 기지국은 상기 추정된 단말의 이동성에 기반하여 자기회귀모델(autoregressive model: AR model)에서 이용되는 AR parameter을 획득(추정)한다. 그리고 305 단계에서 기지국은 상기 획득된(추정된) 상기 AR parameter 에 기반하여 칼만 필터를 통해 채널을 추정한다. 상기 303 단계와 305 단계의 동작을 구체적으로 설명하면, 아래와 같다.

SCM의 시간 변화를 추정하기 위해서 vector AR model을 이용할 수 있다. SCM의 복잡도 차수인 order p의 vector AR model 은 다음과 같이 <수학식 4>로 나타낼 수 있다.

<수학식 4>

이때

는 복잡도 차수인 AR-order이며,

는

번째 AR parameter matrix, 그리고

는 Gaussian noise를 나타낸다. <수학식 4>는, 시점 n 에 대한 채널 값은 n 이전의 시점들에 대한 채널 값들의 선형의 합으로 나타낼 수 있음을 보여준다. 여기서 상기 n 시점에 대한 채널 값을 구하기 위하여 필요한 최소한의 시간상 채널 값의 복잡도 차수를 AR order

라고 할 수 있다. 여기서 복잡도 차수 AR order

값이 클 수록 정확한 채널 값을 추정할 수 있으나, AR order

에 비례하여 신호 처리를 위한 complexity가 증가되므로 <실시예 1>을 통해 추정된 단말의 이ㄷ동성(mobility)에 따라 최적의 복잡도 차수 AR-order

를 찾을 수 있다. 최적의 AR-order

는 실험적으로 결정되거나 혹은 추정된 mobility의 비율 값(예를 들어 mobility의 1/2 등)으로 결정될 수 있다. 즉, 단말의 이동 속도가 빠를 수록 채널의 변화량이 크므로, 복잡도 차수 도 커질 것이다. 반면에 단말의 이동 속도가 느릴 수록, 채널의 변화량이 적으므로, 작은 복잡도 차수로도 정확한 채널의 추정이 가능할 것이다. 따라서 상기 AR-order 값은 채널 추정을 위한 신호 처리 과정에서 복잡도로 이해될 수 있다.

상기와 같이 <실시예 1>을 통해 추정된 단말의 이동성에 따라 (301) 최적의 복잡도 차수 AR-order

를 찾을 수 있다. AR 파라미터 행렬(AR parameter matrix)

와 잡음 공분산 행렬(noise covariance matrix)

은 Yule-Walker equation을 통해 구할 수 있다. Yule-Walker equation은 <수학식 5>와 같이 나타낼 수 있다.

<수학식 5>

이때

은 수학식 6으로 표현될 수 있다.

<수학식 6>

이때

는 자기상관행렬(autocorrelation matrix)이며, AR 파라미터 행렬(AR parameter matrix)과 잡음 공분산 행렬 (noise covariance matrix)

은 수학식 7과 같이 수학식 5를 풀어 해결할 수 있다.

<수학식 7>

이때 잡음 공분산 행렬(noise covariance matrix)

는 수학식 8과 같이 구할 수 있다.

<수학식 8>

AR 모델 파라미터(AR model parameter)을 추정한 이후에 state equation을 structured vector AR(1) model 로 수학식 9와 같이 표현할 수 있다.

<수학식 9>

이때

은 state vector이며,

은 system noise, 그리고 transition matrix

과

은 수학식 10, 11로 표현할 수 있다.

<수학식 10>

<수학식 11>

Measurement equation은 수학식 1을 다음 수학식 12와 같이 변형하여 얻을 수 있다.

<수학식 12>

이때

는 측정 행렬 (measurement matrix)이며

은 측정 노이즈 (measurement noise)가 된다. 상기의 <수학식5> 내지 <수학식 12>는 공지된 기술을 이용할 수 있으므로 각 수학식에 대한 구체적인 설명은 생략하기로 한다. State equation과 measurement equation을 이용한 칼만 필터 기반 채널 추정 (Kalman filter-based estimation) 기법을 통해 최종적인 채널 추정 (channel estimation) 값은

에서 처음의

개의 entry를 이용하여 얻을 수 있다. 아래의 <표1> 은 칼만 필터 기반 채널 추정 (Kalman filter-based channel estimation) 알고리즘을 예시한 것이다.

<표1>

상기 <표1>의 알고리즘 1은 추정(prediction) 부분 (알고리즘 1의 2,3과정)과 정정(correction) 부분(알고리즘 1의 4-6과정)으로 나뉘어 진다. 첫번째로 알고리즘1의 1과정에서는

,

을 초기화한다. 추정 부분에서는 현재의 채널 값을 이용해 다음 시간의 채널 값

을 추정하고, 동시에 최소추정 평균제곱오차행렬(minimum prediction mean square error (MSE) matrix)

를 계산한다 (알고리즘 1의 2,3과정). 정정 부분에서는 추정 부분에서 구한

을 이용하여 칼만이득행렬(Kalman gain matrix)

을 구한다(알고리즘 1의 4과정). 다음으로 정정된 값

은 이전에 추정한 값

, 칼만이득행렬

, 측정 (measurement)

값을 이용하여 계산한다(알고리즘 1의 5과정). 마지막으로 최소 평균제곱오차행렬(minimum MSE matrix) 값을

,

을 이용하여 구한다(알고리즘 1의 6과정). 즉 실시예 2는 칼만 필터를 통해 현재 시점 및 이전 시점의 채널 값을 이용하여 다음 시점의 채널 값을 추정하는 방법에 대한 일 실시예이다. 실시예 2는 후술할 실시예 3과 비교하였을 때, 별도의 트레이닝(training)이 요구되지 않는다.

<실시예3>

제3 실시 예는 후술할 기계 학습 기반 채널 추정(machine learning-based channel estimation) 방법에 본 개시의 실시 예에 따른 단말의 이동성을 적용한 것이다.

기계 학습 기반 기법은 비선형적이며 복잡한 문제를 해결하는데 유용하게 사용될 수 있다. 기계 학습 기반 채널 추정 기법을 이용하면, 채널의 내재된 특성을 비교적 간단한 end-to-end operation을 통해 얻어낼 수 있다. 기계 학습 기반 채널 추정 방법은 비선형적인 채널 모델에서도 채널을 추정하고 예측할 수 있기 때문에 massive MIMO 시스템에 적용될 수 있다.

도4 에서는 본 개시의 일 실시예에 따른 기계 학습 기반 추정 방법을 도시한 순서도이다.

도4을 참조하면, 401 단계에서 기지국은 단말의 이동성을 추정한다. 단말의 이동성은 상기한 제1 실시 예에서 <수학식 3>을 이용하여 추정할 수 있다. 403 단계에서 기지국은 상기 추정된 이동성에 기반하여 단말의 채널 추정에 이용되는 복잡도 차수를 결정하고, 결정된 복잡도 차수에 기반하여 선형 최소평균제곱오차 추정(linear minimum mean square error estimation: LMMSE) 방식을 이용하여 수신 신호들을 전처리한다. 상기 복잡도 차수는 다수의 시점들에서 다수의 채널들을 통해 단말로부터 수신된 다수의 수신 신호들의 수에 대응될 수 있다. 상기 다수의 수신 신호들을 전처리한 채널 벡터들은 기계 학습을 위한 다층 퍼셉트론(multi-layer perceptron: MLP)의 입력으로 사용되며, 그 입력 전에 수신 신호들은 잡음 영향이 최소화되도록 LMMSE를 이용하여 전처리될 수 있다. 이에 상기 다수의 수신 신호들의 수는 다층 퍼셉트론(MLP)에서 입력 차수(input-order)의 수로 이해될 수 있다. 그리고 405 단계에서 기지국은 상기 전처리된 채널 벡터들을 입력으로 하는 다층 퍼셉트론(MLP)을 통해 채널을 추정한다. 상기 403 단계와 405 단계의 동작을 구체적으로 설명하면, 아래와 같다.

본 개시에서 다층 퍼셉트론(MLP)은 입력 신호들을 은닉 계층(hidden layer)을 통해 기계 학습하여 적절한 출력들에 맵핑시키는 피드-포워드 인공 뉴럴 네트워크(feed-forward artificial neural network)로 알려진 방식을 이용할 수 있다. 상기 MLP는 하나 또는 둘 이상의 계층을 가지는 것, 다중 입력을 가지는 것, 다수의 방향으로 피드백 루프를 가지는 것, 또는 다수의 계층을 가지는 것등 다양한 구조를 가질 수 있다. 이러한 MLP를 이용하는 기계 학습 방법/장치는 하나 또는 복수의 은닉 계층들에서 다수의 연결들에 "가중치(weight)들"(값들로 표현될 수 있는)을 사용할 수 있다. 또한 상기 MLP에서는 여러 번의 트레이닝(training)을 통해 상기 가중치들을 업데이트할 수 있다.

도5는 본 개시의 일 실시예에 따라 LMMSE가 결합된 다중 퍼셉트론(MLP)의 구성을 나타낸 블록도이다.

도 5의 블록 구성은, LMMSE 블록(503), MLP 블록(507) 그리고 재성형(Reshape) 블록(509)을 포함한다. LMMSE 블록(503)은 복잡도 차수에 대응되는

개의 수신 신호들(

)(501)을 전처리하여

개의 채널 벡터들(

)(505)을 출력한다. MLP 블록(507)은 입력 계층(507a)에서 상기 전처리된

개의 채널 벡터들(505)을 입력 받고, 은닉 계층(507b)을 통해 기계 학습을 수행하여 은닉 계층(507b)의 계수로 사용되는 가중치들을 업데이트하고, 상기 업데이트된 가중치들은 출력 계층(507c)에서 연산되어 출력된다. 입력 계층(507a)에서부터 출력 계층(507c)까지 처리되는 입력 값들과 상기 업데이트된 가중치들을 연산하여 합으로 얻어진 출력 값은 다음 시점의 추정된 채널 값을 구성하는 실수 성분과 허수 성분을 포함한다. 재성형블록(509)은 출력 계층(507c)의 출력을 재성형하여 다음 시점의 채널 추정값을 출력한다.

도 5의 구성에서 MLP 블록(507)의 동작을 구체적으로 설명하면, 수신 신호들을 입력 받기 전에, 입력 계층(507a)과 출력 계층(507c)에 트레이닝을 위한 label data(여기서 라벨 데이터는 트레이닝을 위한 실험 데이터를 이용할 수 있다)를 먼저 주입하고, 주입된 라벨 데이터를 기반으로 트레이닝을 통해 은닉 계층(507b)의 가중치(weight)를 업데이트할 수 있다. 즉, MLP(507)는 알고 있는 라벨 데이터를 사용하여 가중치를 업데이트하도록 트레이닝을 수행하고, 트레이닝된 가중치에 기반하여 입력 계층(507a)에서 출력 계층 (507c)까지 상기 전처리된 채널 벡터들(

)을 연산하여 다음 시점의 추정된 채널 값을 구성하는 실수 성분과 허수 성분을 출력한다. 여기서 상기 트레이닝은 주기적, 비주기적 혹은 계속적일 수 있지만, 일단 한번의 트레이닝을 통해 획득한 가중치를 사용할 경우, 낮은 복잡도로 다음 시점의 채널 추정 값을 구할 수 있다는 장점이 있다. 여기서 은닉 계층(507)은 도 6의 실시 예와 같이 다수의 fully-connected layer 로 구성될 수 있다.

도5의 실시 예에서 앞서 설명한 복잡도 차수에 대응되는

개의 수신 신호들(

)(501)의 집합은

번째 수신 신호에서

번째 수신 신호까지 총

개의 수신 신호들로 이루어져 있다.

도5의 참조 번호 501은 MLP블록(507)의 입력 값으로 <수학식 1>에서 정의한 measurement

이 사용될 수 있다. 하지만 measurement

은 noise corrupted data 이기 때문에 채널 추정의 성능을 보장할 수 없다. 따라서 본 개시의 실시 예에서는 noise에도 강인한 채널 추정을 위해서 선형 최소평균제곱오차 추정(LMMSE) 블록(503)을 이용해 전처리를 수행한다. 즉, 본 개시에서는 수신 신호

을 직접 사용하는 기존의 MLP와 달리 noise의 영향을 최소화 한 전처리된

을 input으로 사용하므로 정확도를 높일 수 있다는 장점이 있다 Measurement

을 LMMSE 기반 전처리한 값은 다음의 <수학식 13>으로 표현할 수 있다. 하기 수학식들은 설명의 편의를 위해 전처리된 채널 벡터로서

을 예시로 기술하였으나, 실제 신호 처리는 복잡도 차수에 대응되는

개의 신호들에 대해 동일한 방식으로 수행된다.

<수학식 13>

이때

는

과

의 cross-covariance matrix이며

는

의 auto-covariance matrix이다. 여기서 covariance matrix

는 measurement 를 sampling 하여 얻을 수 있다.

<수학식 14>

이때

는 샘플 수를 나타낸다. 샘플은 추정하기 이전 시간의 measurement를 사용할 수 있다. 또한

의 관계를 이용해

를 구할 수 있다. 결과적으로 복잡도 차수인 input-order

개의 LMMSE 기반 전처리된 채널 벡터(pre-processed channel vector)

가 measurement

대신 MLP블록(507)의 input으로 사용될 수 있다. 여기서 input-order

는 <실시예 1>에서 추정된 단말의 mobility 값에 따라 최적의 값이 결정될 수 있다. 최적의 input-order

는 예를 들어 실험적으로 결정되거나 혹은 추정된 mobility의 비율 값(예를 들어 mobility의 1/2 등)으로 결정될 수 있다.

MLP 블록(507)의 트레이닝(training) 동작에서는 라벨 데이터로서 공간 채널 모델(SCM) 데이터가 사용될 수 있다. MLP블록(507)의 입력에는 전 처리된 채널 벡터 가 사용될 수 있으며, 출력으로 추정된 채널 벡터 가 얻어질 수 있다. MLP 블록(507)은 실수 입력으로 작동할 수 있으므로, 입력을

-dimension input-layer으로 reshape하여 사용할 수 있으며, 이는 입력 벡터인 전 처리된 채널 벡터 각각 의 실수 성분 및 허수 성분으로 표현될 수 있다. 즉,

로 구성할 수 있다. 또한 output-layer도

-dimension 인

가 되며, 이를 이용해 complex-valued predicted channel vector

을 reconstruct 할 수 있다. 참조번호 509의 재성형 블록에서는 출력값

와

를 이용하여

으로 다시 재성형하게 된다.

도6은 본 개시의 일 실시예에 따라 복수의 은닉 계층을 포함하는 다중 퍼셉트론(MLP)의 구성을 나타낸 블록도로서, 도 6에서 도 5의 구성과 동일한 구성에 대해서는 동일한 참조 번호를 기재하였으며, 해당 구성의 설명은 동일하므로 구체적인 설명은 생략하기로 한다.

도 6의 MLP 블록(607)은 입력 계층(607a), 복수의 은닉 계층(607b) 그리고 출력 계층(607c)을 포함한다. 도 6의 실시 예에서 복수의 은닉 계층(607b)은 편의상 2개를 도시하였으나, 은닉 계층들은 2개에 한정되지 않고, 3개 이상으로 구성하는 것도 가능하다.

도 6의 MLP 블록(607)은 입력 계층(607a), 제1 은닉 계층 (607b1), 제2 은닉 계층 (607b2) 및 출력 계층(607c)을 포함하는 4개의 층을 가지고 있는 MLP 구조를 예시한 것이며, 은닉 계층이 2개이므로 깊은 신경망 (Deep Neural Network, DNN) 이라고 할 수 있다. 도 6과 같은 MLP 구조에서는 입력되는 벡터의 수는 3개이며, 즉

는 3이라고 가정하며 안테나의 수도 1개, 즉

은 1인 경우를 가정하고, 가중치 (weight) 에 대하여 예시적으로 설명하면, 다음과 같다. 입력 계층 (607a)으로 유입되는 입력 벡터의 성분은 참조 번호 621, 623 및 625 로 도시되어 있다. 제1 은닉 계층(607b1)은 편의를 위해 노드(6071, 6073, 6075)들로 이루어져 있다고 가정한다. 상기 입력 계층의 성분(621, 623, 625)와 관련하여, 도6은 입력 벡터의 성분을 실수부와 허수부를 하나의 입력 표시하였으나, MLP 블록(507)은 실수 입력으로 작동할 수 있으며, 입력을

-dimension input-layer으로 reshape하여 사용할 수도 있다. 이러한 경우, 입력 계층의 성분(621, 623, 625)은 입력 벡터인 전 처리된 채널 벡터 각각의 실수 성분 및 허수 성분으로 표현되어 총 6개의 입력이 있으므로 6개의 입력과 3개의 노드를 모두 신경망처럼 잇는 [6 by 3] 행렬은 18개의 가중치 성분 (w₁, w₂...... w₁₈)들로 구성될 수 있다. 그러나, 도 6의 가시성 및 설명의 편의를 위해 상기 입력 계층은 성분(621, 623, 625)로써 3개의 입력 값으로 도시하였다. 이때 각 은닉 계층(607b1, 607b2)에서는 가중치가 업데이트 된다. 상기 가중치 행렬은 상기 입력 벡터의 성분(621, 623, 625) 과 상기 노드(6071, 6073, 6075)들을 모두 신경망처럼 잇는 [3 by 3] 행렬은 9개의 가중치 성분 (w₁, w₂...... w₉)들로 구성될 수 있다. 제 1 은닉 계층(607b1)에서는 노드(6071, 6073, 6075)에 대응되는 [3 by 1] 행렬에 상기 [3 by 3]의 제1 가중치 행렬을 곱하여 [3 by 1] 행렬을 출력한다. 제1 은닉 계층이 출력되는 [3by 1] 행렬은 제2 은닉 계층(607b2)에서 다시 입력으로 사용된다. 제2 은닉 계층에도 3개의 노드(6072, 6074, 6076)가 있다고 가정한다. 마찬가지로, 상기 제1 은닉 계층이 출력한 [3 by 1]행렬의 각 성분과 제2 은닉 계층(607b2)의 노드 (6072, 6074, 6076) 를 모두 신경망처럼 이을 수 있고, 마찬가지로 제2 은닉 계층(607b2)의 제2가중치 행렬이 존재할 수 있다. 제2 은닉 계층(607b2)에서는 상기 제1 은닉 계층(607b1)이 출력한 [3by 1] 행렬에 제2가중치 행렬인 [3by 3] 행렬을 곱한 값을 출력한다. 마지막으로 제2 은닉 계층(607b2)와 출력 계층(607c) 사이를 잇는 각 신경망에도 가중치가 존재하며 상기 언급된 가중치 값들은 트레이닝시에 업데이트 될 수 있다. 출력 계층(607c)에는 예시로 하나의 출력Re(

), Im(

) 을 도시하였다. 트레이닝 동안 업데이트 된 가중치 값들은 최종적으로 트레이닝이 끝난 후 입력 계층(607a)에서부터 출력 계층(607c)까지 처리되는 입력 값들과 가중치 값들을 연산한 값들의 합으로 표현되는 출력 값으로 다음 시점의 채널 값을 추정할 수 있다. 즉, 본 개시에서는 트레이닝시에는 가중치들이 업데이트 되고 테스트시에는 전처리된 채널 벡터들을 입력으로 하여 출력되는 가중치 값들을 연산하여 다음 시점의 채널 값을 추정하게 된다.

MLP 블록(507, 607)에서 트레이닝(training)시 비용함수의 손실(loss)을 최소화하는 방법으로 가중치를 업데이트할 수 있다. 상기 가중치를 업데이트 하는 optimizer로서 잘 알려진 연구(D. Kingma and J. Ba, "Adam: A method for stochastic optimization," arXiv preprint arXiv:1412.6980, 2014.)에서 제안된 adaptive moment estimation(ADAM)을 사용할 수 있다. 도 5 및 도 6의 실시예에서 상기 optimizer가 도시되지 않았으나, MLP 블록(507, 607) 내에서 상기 optimizer 가 포함되어 구현될 수 있다. 비용함수의 손실을 나타내는 loss function으로는 추정된 채널 값 estimated channel

과 전처리된 채널 값 즉, noise pre-processed channel

의 최소제곱오차(minimum square error: MSE)를 변수로 사용하는 아래의 <수학식 15와> 같다.

다시 말하면, 본 개시의 실시예에서는 기지국이 수신 신호들로부터 전처리된 채널 벡터들을 입력으로 하는 다층 퍼셉트론(MLP)을 이용하여 아래 <수학식15>에서

가 최소화되도록 하는 다음 시점의 채널 값

를 추정할 수 있다.

<수학식 15>

본 개시는 채널 추정에 있어서, 트레이닝 시에 다음 시점의 실제 채널 값인

대신 전처리된 채널 값, 즉 noise pre-processed channel

을 상기 loss function에 적용하는 방식을 제안한 것이다. 실제 환경에서는 실제 채널값 을 얻을 수 없기 때문에 measurement로부터 noise의 효과를 최소화한 전처리된 채널 값

을 이용할 수 있다.

이하 상기한 제1 내지 제3 실시 예에 따른 본 개시의 채널 추정 방법의 성능 비교를 나타낸 시뮬레이션 결과를 설명하기로 한다.

본 시뮬레이션에서 채널 은 3GPP의 공간 채널 모델(SCM)을 기반으로 생성될 수 있으며, 기지국의 안테나 개수

를 가정하였다. 채널 의 캐리어 주파수 (carrier frequency) 는 2.3 GHz, sampling period는 40 ms를 가정하였다. 또한 MLP에서는 1000번의 iteration을 ADAM optimization에 사용하였고, 128 batch size, 그리고 0.001 training rate를 가정하였다.

성능 지표로 쓰인 채널의 정규 평균제곱오차 (normalized mean square error: NMSE)는 아래 <수학식 16>과 같이 표현될 수 있다.

<수학식 16>

여기서

는 추정된 채널 값 그리고

는 실제 채널 값을 의미할 수 있다.

도 7은 본 개시의 일 실시예에 따른 MLP의 은닉 계층의 수(

)에 따른 NMSE 성능을 비교하여 도시한 것이다.

도 7을 참조하면 참조번호 701은 은닉 계층의 수가 1개인 경우의 시뮬레이션 결과를 나타낸 것이고, 참조번호 703, 705 및 707은 각각 은닉 계층의 수가 2, 3 및 4개인 경우의 시뮬레이션 결과를 나타낸 것이다.

도 7에서는 단말의 mobility

, input-order

, 샘플 수

을 가정하였으며, MLP의 NMSE를 SNR 따라 성능을 비교하였다. 은닉 계층 의 수는 성능과 복잡도를 모두 고려했을 때

인 경우에 효과적임을 확인할 수 있으며, 하기의 시뮬레이션 에서는

인 경우를 가정하였다. 은닉 계층의 수가 증가될수록 채널 추정의 정확도는 높아지지만 도 7과 같이 은닉 계층의 수가 2개인 경우라고 하더라도 은닉 계층의 수가 3개 이상인 경우와 실제 채널 추정에 있어서 성능의 차이가 적으므로 은닉 계층의 수는 2개를 사용하여도 충분하다는 것을 실험 결과를 통해 확인할 수 있다.

도 8은 본 개시의 일 실시예에 따라 MLP의 NMSE를 도시한 것이다.

도 8에서 참조번호 801은 잡음이 포함된 수신 신호에 대해 MLP를 적용하지 않은 경우의 NMSE를 도시한 것이다. 참조번호 803은 잡음이 포함된 수신 신호에 대해 상기한 전처리 과정 없이 MLP를 적용한 경우의 NMSE를 도시한 것이다. 참조번호 805는 잡음이 포함된 수신 신호에 대해 상기한 전처리 과정이 결합된 MLP를 적용한 경우의 NMSE를 도시한 것이다.

도 8의 시뮬레이션은 <실시예 3>의 기계 학습 기반 채널 추정 의 NMSE 성능 비교를 보여준다. 이때 단말의 mobility

, input-order

,

을 가정하였다. 참조번호 801은 MLP가 적용되지 않은 outdate channel의 성능이며, outdate channel은

로 표현될 수 있다. 도 8을 참조할 때 참조번호 805의 noise pre-processed MLP의 성능은 참조번호 803의 noise pre-processing이 수행되지 않은 MLP의 성능에 비해서 low SNR (

) 영역에서

이득이 있음을 확인할 수 있다. 도9은 본 개시의 일 실시예에 따라 칼만 필터(Kalman filter) 기반 채널 추정에서 복잡도 차수 AR-order

에 따른 NMSE를 도시한 것이다.

도 9를 참조하면 참조번호 901은 잡음이 포함된 수신 신호에 대해 칼만 필터를 적용하지 않은 경우의 NMSE를 도시한 것이다. 참조번호 903은 칼만 필터 적용시 복잡도 차수가 2인 경우의 NMSE 결과를 나타낸 것이고, 참조번호 905 및 907은 각각 칼만 필터 적용시 복잡도 차수가 3 및 4인 경우의 NMSE를 나타낸 것이다. 여기서, 단말의 mobility

,

을 가정하였다. AR-order 가 증가할수록 성능이 향상되지만 복잡도 또한 증가하므로 최적의 복잡도차수인 AR-order 가 존재할 수 있으며, 도 9을 참조할 때, AR-order 가 3인 경우에 복잡도와 성능을 모두 만족시키는 것을 알 수 있다.

도 10은 본 개시의 일 실시예에 따라 기계 학습 기반 채널 추정에서 복잡도 차수 input-order

에 따른 NMSE를 도시한 것이다.

도 10를 참조하면 참조번호 1001은 잡음이 포함된 수신 신호에 대해 MLP를 적용하지 않은 경우의 NMSE를 도시한 것이다. 참조번호 1003은 MLP 적용시 복잡도 차수가 2인 경우의 NMSE 결과를 나타낸 것이고, 참조번호 1005 및 1007은 각각 MLP 적용시 복잡도 차수가 3 및 4인 경우의 NMSE를 나타낸 것이다.

여기서, 단말의 mobility

,

을 가정하였다. 복잡도 차수인 input-order 가 증가할수록 성능이 향상되지만 복잡도 또한 증가하므로 최적의 복잡도 차수인 input-order가 존재할 수 있으며, 도 10을 참조할 때, 복잡도 차수인 input-order가 3인 경우에 복잡도와 성능을 모두 만족시키는 것을 알 수 있다. 도 11은 본 개시의 일 실시예에 따라 채널 추정시 단말의 이동성 에 따른 복잡도 차수 의 선형적 관계를 도시한 것이다.

상기한 <실시예1> 내지 <실시예3>과 같이 칼만 필터(Kalman filter) 및 기계 학습(machine learning) 기반 채널 추정에서 최적의 복잡도 차수(AR-order, input-order)를 단말의 이동성 에 따라 결정 할수 있다. 도 11을 참조할 때, 최적의 복잡도 차수와 단말의 이동성 사이의 대응관계

가 있음을 확인할 수 있었으며, 예를 들어

으로 표현할 수 있었다. 즉, 복잡도 차수는 단말의 이동성을 입력으로 하는 함수로 표현할 수 있다. 도 11는 단말의 이동성과 복잡도 차수가 선형 함수로 표현 될 수 있음을 일 예로 나타낸 것이다. 또한, <실시예 1>에서의 단말의 이동성 추정방법을 통해서 단말의 이동성 값을 추정하고, 추정한 단말의 이동성 값을 이용하면 복잡도 차수를 결정할 수 있다.

도 12는 본 개시의 일 실시예에 따라 채널 추정에서 샘플 수에 따른 NMSE를 도시한 것이다.

도 12의 참조번호 1201, 1202은 각각 SNR이 0dB인 경우 MLP, 칼만 필터기반 채널 추정에서 샘플 수에 따른 NMSE를 도시한 것이며, 참조번호 1203, 1204은 각각 SNR이 10dB인 경우 MLP, 칼만 필터기반 채널 추정에서 샘플 수에 따른 NMSE를 도시한 것이며, 참조번호 1205, 1206은 각각 SNR이 20dB인 경우 MLP, 칼만 필터기반 채널 추정에서 샘플 수에 따른 NMSE를 도시한 것이며, 참조번호 1207, 1208은 각각 SNR이 30dB인 경우 MLP, 칼만 필터기반 채널 추정에서 샘플 수에 따른 NMSE를 도시한 것이다.

여기서, 단말의 mobility

,

을 가정하였다. 도 12를 참조할 때, 칼만 필터 기반 채널 추정 의 경우 샘플 수 512에서 성능이 saturation 됨을 확인할 수 있으며, 기계 학습 기반 채널 추정 의 경우 샘플 수 1024에서 성능이 saturation됨을 확인할 수 있었다. 따라서 본 개시에서 제안한 각 채널 추정 방법들이 성능이 saturation되는 최적의 샘플 수를 이용하여 복잡도를 줄이고 최적의 성능을 얻을 수 있음을 알 수 있었다.

도 13은 본 개시의 일 실시예에 따른 기지국의 구성을 도시한 장치도이다.

도 1 내지 도 12에서 설명한 본 개시의 실시예들에서 단말의 이동성 추정과, 추정된 이동성에 기반하여 단말의 역방향 채널을 추정하는 동작은 기지국에서 수행될 수 있다. 도13을 참조하면, 기지국(1300) 은 송수신기(1301) 및 프로세서(1303)을 포함하여 구현될 수 있다. 여기서, 프로세서(1303)는 송수신기(1301)를 통해 무선 신호를 송신 및 수신할 수 있다. 그리고 프로세서(1303)는 도 1 내지 도 12의 실시 예들에서 설명한 방식에 따라 기지국에서 단말의 이동성을 추정하고, 이동성을 기반으로 채널을 추정하도록 장치 전반을 제어할 수 있다.

Claims

다수의 안테나를 지원하는 무선 통신 시스템에서 기지국이 단말의 채널을 추정하는 방법에 있어서,
현재 시점에서 획득된 제1 채널 값과 이전 시점에서 획득된 제2 채널 값에 기반하여 상기 단말의 이동 속도를 추정하는 과정,
상기 추정된 이동 속도에 기반하여 현재 시점을 포함한 다수의 시점들에 대한 채널 값들의 수에 대응되는 복잡도 차수를 결정하는 과정, 및
상기 결정된 복잡도 차수에 기반하여 상기 단말의 다음 시점의 채널을 추정하는 과정을 포함하는 채널 추정 방법.
제1항에 있어서,
상기 이동 속도는 수학식
을 이용하여 추정되며,
상기 수학식에서
은 상기 현재 시점에서 상기 제1 채널값을,
은 상기 이전 시점에서 상기 제2 채널값을 의미하며,
은 vector h의 conjugate transpose를 나타내며,
은 실수부를 의미하고,
은 vector의 norm 연산자인 채널 추정 방법.
제1항에 있어서,
상기 복잡도 차수는 상기 단말의 이동에 따른 채널의 변화량에 비례하는 채널 추정 방법.
제1항에 있어서,
상기 복잡도 차수는 상기 다수의 시점들에서 다수의 채널들을 통해 상기 단말로부터 수신된 다수의 수신 신호들의 수에 대응되며, 상기 복잡도 차수는 상기 이동 속도의 비율 값으로 결정되는 채널 추정 방법.
제1항에 있어서,
상기 다음 시점의 채널을 추정하는 과정은, 상기 다수의 수신 신호들을 전처리하여 다수의 채널 벡터들을 획득하는 과정을 더 포함하며,
상기 전처리는 선형 최소평균제곱오차 추정(linear minimum mean square error estimation: LMMSE) 방식을 이용하는 채널 추정 방법.
제5항에 있어서,
상기 다음 시점의 채널을 추정하는 과정은, 상기 전처리를 통해 획득된 상기 다수의 채널 벡터들을 입력으로 하는 다층 퍼셉트론(MLP)을 통해 상기 다음 시점의 채널을 추정하는 과정을 더 포함하며,
상기 MLP는 상기 다음 시점의 채널 추정 시 이용되는 다수의 가중치들을 업데이트 하기 위한 적어도 하나의 은닉 계층을 포함하는 구조를 갖는 채널 추정 방법.
제6항에 있어서,
상기 MLP에서 다수의 가중치들을 업데이트하는 트레이닝 과정을 더 포함하며,
상기 트레이닝 과정에서 비용함수의 손실이 최소화되는 상기 다음 시점의 채널 값이 추정되도록 상기 다수의 가중치들을 업데이트하는 채널 추정 방법.
제1항에 있어서,
상기 다음 시점의 채널을 추정하는 과정은, 칼만 필터를 통해 상기 현재 시점의 채널 값과 상기 이전 시점의 채널 값을 이용하여 상기 다음 시점의 채널 값을 추정하는 과정을 더 포함하는 채널 추정 방법.
제1항에 있어서,
상기 칼만 필터를 이용한 채널 추정 과정은, 상기 현재 시점의 채널 값을 이용해 상기 다음 시점의 채널 값을 추정 및 정정하도록, 최소추정 평균제곱오차행렬(minimum prediction mean square error (MSE) matrix)를 계산하는 과정 및 상기 추정된 MSE 행렬을 칼만이득행렬(Kalman gain matrix)을 결정하는 과정 및 상기 칼만이득행렬을 이용하여 상기 다음 시점의 채널을 추정하는 과정을 포함하는 채널 추정 방법.
다수의 안테나를 지원하는 무선 통신 시스템에서 단말의 채널을 추정하는 기지국에 있어서,
송수신기; 및
프로세서를 포함하고, 상기 프로세서는
현재 시점에서 획득된 제1 채널 값과 이전 시점에서 획득된 제2 채널 값에 기반하여 상기 단말의 이동 속도를 추정하고,
상기 추정된 이동 속도에 기반하여 현재 시점을 포함한 다수의 시점들에 대한 채널 값들의 수에 대응되는 복잡도 차수를 결정하고,
상기 결정된 복잡도 차수에 기반하여 단말의 다음 시점의 채널을 추정하는 기지국.
제10항에 있어서,
상기 프로세서는 수학식
을 이용하여 상기 이동 속도를 추정하며,
상기 수학식에서
은 상기 현재 시점에서 상기 제1 채널값을,
은 상기 이전 시점에서 상기 제2 채널값을 의미하며,
은 vector h의 conjugate transpose를 나타내며,
은 실수부를 의미하고,
은 vector의 norm 연산자인 기지국.
제10항에 있어서,
상기 복잡도 차수는 상기 단말의 이동에 따른 채널의 변화량에 비례하는 기지국.
제10항에 있어서,
상기 복잡도 차수는 상기 다수의 시점들에서 다수의 채널들을 통해 상기 단말로부터 수신된 다수의 수신 신호들의 수에 대응되며,
상기 프로세서는 상기 이동 속도의 비율 값으로 상기 복잡도 차수를 결정하는 기지국.
제10항에 있어서,
상기 프로세서는
상기 다수의 수신 신호들을 전처리하여 다수의 채널 벡터들을 획득하고,
상기 전처리는 선형 최소평균제곱오차 추정(linear minimum mean square error estimation: LMMSE) 방식을 이용하는 기지국.
제14항에 있어서,
상기 프로세서는,
상기 전처리를 통해 획득된 상기 다수의 채널 벡터들을 입력으로 하는 다층 퍼셉트론(MLP)을 통해 상기 다음 시점의 채널을 추정하고,
상기 MLP는 상기 다음 시점의 채널 추정 시 이용되는 다수의 가중치들을 업데이트 하기 위한 적어도 하나의 은닉 계층을 포함하는 구조를 갖는 기지국.
제15항에 있어서,
상기 프로세서는,
상기 MLP에서 트레이닝을 통해 다수의 가중치들을 업데이트하며,
상기 트레이닝에서 비용함수의 손실이 최소화되는 상기 다음 시점의 채널 값이 추정되도록 상기 다수의 가중치들을 업데이트하는 기지국.
제10항에 있어서,
상기 프로세서는,
칼만 필터를 통해 상기 현재 시점의 채널 값과 상기 이전 시점의 채널 값을 이용하여 상기 다음 시점의 채널 값을 추정하는 기지국.
제10항에 있어서,
상기 프로세서는,
상기 현재 시점의 채널 값을 이용해 상기 다음 시점의 채널 값을 추정 및 정정하도록, 최소추정 평균제곱오차행렬(minimum prediction mean square error (MSE) matrix)를 계산하고,
상기 추정된 MSE 행렬을 칼만이득행렬(Kalman gain matrix)을 결정하고, 및
상기 칼만이득행렬을 이용하여 상기 다음 시점의 채널을 추정하는 기지국.