KR20220141750A

KR20220141750A - 지도 학습에 기초한 무선 통신에서의 채널 추정의 증강

Info

Publication number: KR20220141750A
Application number: KR1020220042887A
Authority: KR
Inventors: 권혁준; 송기봉; 니틴 조나단 마이어스; 야콩 딩
Original assignee: 삼성전자주식회사
Priority date: 2021-04-13
Filing date: 2022-04-06
Publication date: 2022-10-20
Also published as: CN115208720A; DE102022106961A1; TW202241080A; US20220337455A1

Abstract

프로세서 및 메모리를 포함하는 전자 장치가 개시된다. 프로세서는 복조 기준 신호(demodulation reference signal)가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치에 대한 주파수 보간을 수행하고, 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행하고, 주파수 영역에서의 RE들과 시간 영역에서의 RE들에서의 채널 추정치들에 기초하여 증강된 채널 예측을 계산하도록 구성되고, 채널 추정치들은 시간 보간으로부터 출력된다.

Description

지도 학습에 기초한 무선 통신에서의 채널 추정의 증강{ENHANCEMENT OF CHANNEL ESTIMATION IN WIRELESS COMMUNICATION BASED ON SUPERVISED LEARNING}

본 개시 내용은 일반적으로 무선 통신에 관한 것으로, 더욱 구체적으로, 5세대(fifth generation; 5G) 엔알(new radio; NR) 무선 통신 시스템에서의 채널 추정(channel estimation)의 증강(enhancement)에 관한 것이다.

채널 추정은 5G NR 물리 계층(physical layer) 운영에서 필수적인 양태이다. NR에서, 정보는 물리적 하향링크 공유 채널(physical downlink shared channel; PDSCH) 상의 시간-주파수 리소스 요소(resource element; RE)를 통해 전송된다. 이 정보를 디코딩하기 위해, 데이터가 전송될 RE의 채널들이 추정될 필요가 있다. 이 채널들을 추정하기 위해, 복조 기준 신호(demodulation reference signal; DMRS)로 지칭되는 알려진 파일럿(pilot)이 전송된다. 데이터가 전송되는 RE들의 개수에 비해 DMRS들이 훨씬 적게 존재하기 때문에, NR에서 DMRS로부터 채널을 추정하는 것은 어렵다. 이 문제는 하드웨어 복잡도 제약(hardware complexity constraint)들에 의해 악화된다.

종래의 채널 추정 알고리즘은 주파수 및 시간 차원(dimension)을 따른 선형 최소 평균 제곱 오차(linear minimum mean squared error; LMMSE) 기반의 선형 보간을 사용하여 PDSCH 데이터 RE들에서 채널들을 추정했다. 이 LMMSE 방법은 추정된 전력 지연 프로파일(power delay profile; PDP) 및 도플러 확산(Doppler spread)으로부터 획득될 수 있는 서로 다른 RE들 사이의 채널 주파수 및 시간 상관(correlation)을 필요로 한다.

그러나, 종래의 알고리즘에 대한 몇 가지 단점들이 있다. 협대역(narrowband; NB) 프리코딩(precoding)에 기인하여, 채널 추정은 프리코딩 리소스 블록 그룹(precoding resource block group; PRG) 내의 DMRS에 기초해서만 수행될 수 있다. 종래의 알고리즘에서, 하드웨어 복잡도 제약들에 기인하여 RPG 내의 제한된 개수의 DMRS들만이 채널을 추정하는 데 사용될 수 있다. 일부 채널 추정 알고리즘들에서, 주파수 및 시간에 대한 선형 보간은 하드웨어 복잡도 제약들에 기인하여 독립적으로 수행되어야 하고, 이에 의해 시간 및 주파수 특성들을 함께 이용하는 데 실패를 야기하게 된다. 뿐만 아니라, 프로코딩은 PRG마다 변화되는 경향이 있는데, 이는 사용자 기기(user equipment; UE)가 시간 영역(time domain)에서 잡음 제거(denoising)를 수행할 수 없게 한다.

이에 따라, 당업계에는 종래의 채널 추정 알고리즘의 이러한 단점들을 극복할 수 있는 기계 학습(machine learning) 채널 추정 방법에 대한 필요가 존재한다.

본 개시 내용은 적어도 전술된 문제들 및/또는 단점들을 해결하고 적어도 후술되는 이점들을 제공하도록 구성되었다.

따라서, 본 개시 내용의 양태는 추정된 채널을 개선(refine)하도록 신경망(neural network)를 훈련시키는 지도 학습(supervised learning)에 초점을 맞춘 방법 및 장치를 제공하고자 하는 것이다.

본 개시 내용의 다른 양태는 신경망에 대한 입력 특징(input feature)들이 종래 알고리즘으로부터의 채널 추정치(channel estimate)들이고, 이상적 채널들이 신경망의 출력 레이블(output label)로 사용하여, 이에 의해 신경망을 종래 알고리즘으로부터의 채널 추정치들을 이상적 채널을 향해 개선하는 매핑 함수(mapping function)로서 훈련될 수 있게 하는 방법 및 장치를 제공하고자 하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 개시 내용의 일 양태에 따라, 전자 장치는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고, 적어도 하나의 메모리는, 실행될 때, 적어도 하나의 프로세서에, 복조 기준 신호가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치에 대해 주파수 보간을 수행하고, 주파수 보간으로부터 획득된 주파수 영역(frequency domain) 보간된(interpolated) 채널에 대해 시간 보간을 수행하고, 주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 시간 보간으로부터 출력되는 채널 추정치들에 기초하여 증강된(enhanced) 채널 추정치를 계산하도록 지시하는 명령어를 저장한다.

본 개시 내용의 일 양태에 따라, 전자 장치는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고, 적어도 하나의 메모리는, 실행될 때, 적어도 하나의 프로세서에, DMRS가 전송되는 곳에 위치되는 모든 RE들에서 채널 추정에 대해 주파수 보간을 수행하고, 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 기초하여 증강된 채널 추정치들을 계산하고, 증강된 채널 추정치에 시간 보간을 수행하도록 지시하는 명령어를 저장한다.

본 개시 내용의 일 양태에 따라, 전자 장치는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고, 적어도 하나의 메모리는, 실행될 때, 적어도 하나의 프로세서에, DMRS가 전송되는 곳에 위치되는 모든 RE들에서 채널 추정치에 대해 주파수 보간을 수행하고, 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행하고, 시간 보간으로부터의 입력으로서 주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 채널 추정치에 기초하여 신경망의 훈련을 수행하고, 신경망의 훈련에 기초하여 시간 및 주파수 영역 이상적 채널을 출력하도록 지시하는 명령어를 저장한다.

본 개시 내용의 일 양태에 따라, 전자 장치는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고, 적어도 하나의 메모리는, 실행될 때, 적어도 하나의 프로세서에, DMRS가 전송되는 곳에 위치되는 모든 RE들에서 채널 추정치에 대해 주파수 보간을 수행하고, 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행함으로써 채널 추정치들을 획득하고, 주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 채널 추정치들에 2차원 이산 푸리에 변환 및 역 이산 푸리에 변환(discrete Fourier transform and inverse discrete Fourier transform; 2D-DFT-IDFT)을 적용함으로써 채널 추정치들을 도플러 지연(Doppler-delay) 영역으로 변환하고, 도플러 지연 영역으로 변환된 채널 추정치들을 신경망으로 입력하고, 시간 및 주파수 영역 이상적 채널에 2D-DFT-IDFT를 적용하고, 시간 및 주파수 영역 이상적 채널에 적용된 2D-DFT-IDFT의 출력을 신경망으로부터 출력된 개선된 채널 추정치들에 적용함으로써 이상적 도플러 지연 영역 채널을 계산하도록 지시하는 명령어를 저장한다.

본 개시 내용의 일 양태에 따라, 전자 장치는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고, 적어도 하나의 메모리는, 실행될 때, 적어도 하나의 프로세서에, DMRS가 전송되는 곳에 위치되는 모든 RE들에서 채널 추정치에 대해 주파수 보간을 수행하고, 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행함으로써 채널 추정치들을 획득하고, 주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 채널 추정치에 2차원 이산 푸리에 변환 및 역 이산 푸리에 변환(2D-DFT-IDFT)을 적용함으로써 채널 추정치들을 도플러 지연 영역으로 변환하고, 도플러 지연 영역으로 변환된 채널 추정치들을 신경망으로 입력하고, 2차원 역 이산 푸리에 변환 및 이산 푸리에 변환(inverse discrete Fourier transform and discrete Fourier transform; 2D-IDFT-DFT)을 신경망으로부터 출력된 개선된 채널 추정치들에 적용하고, 2D-IDFT-DFT의 출력에 기초하여 증강된 채널 추정치를 획득하도록 지시하는 명령어를 저장한다.

본 개시 내용의 일 양태에 따라, 전자 장치는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고, 적어도 하나의 메모리는, 실행될 때, 적어도 하나의 프로세서에, 1차 네트워크 및 2차 네트워크의 후보 노드들을 획득하고, 1차 네트워크 및 2차 네트워크의 후보 노드들에 대해 가중치 부여를 수행하고, 가중치가 부여된 벡터들에 도달하기 위해 가중치가 부여된 노드들을 출력하고, 합산(summation) 연산을 수행함으로써 가중치가 부여된 벡터들을 합산하고, 합산 연산으로부터의 출력 노드들에 기초하여 최종 네트워크 출력을 획득하도록 지시하는 명령어를 저장한다.

본 개시 내용의 전술한 양태들, 특징들 및 이점들과 다른 양태들, 특징들 및 이점들이 첨부된 도면들과 함께 고려되는 이어지는 상세한 설명으로부터 더욱 명확하게 것이며, 도면에서:
도 1은, 종래 기술에 따른, 채널 추정 알고리즘을 도시하고;
도 2는, 하나의 실시예에 따른, 데이터 및 DMRS 심볼들 모두에 기초하는 채널 추정 증강의 프로세스를 도시하고;
도 3은, 하나의 실시예에 따른, DMRS 심볼들에 기초하는 채널 추정 증강의 프로세스를 도시하고;
도 4는, 하나의 실시예에 따른, 시간-주파수 영역 채널 추정 증강을 위한 네트워크 구조를 도시하고;
도 5는, 하나의 실시예에 따른, 시간-주파수 영역 채널 추정 증강을 도시하고;
도 6은, 하나의 실시예에 따른, 도플러 지연 영역 채널 추정 증강을 위한 네트워크 구조를 도시하고;
도 7은, 일 실시예에 따른, 도플러 지연 영역 채널 추정 증강을 도시하고;
도 8은, 하나의 실시예에 따른, 시간 보간 계층이 없는 네트워크 구조를 도시하고;
도 9는, 하나의 실시예에 따른, 시간 보간 계층이 없는 신경망에 기초한 채널 추정 증강을 도시하고;
도 10은, 하나의 실시예에 따른, 시간 보간 계층을 가진 네트워크 구조를 도시하고;
도 11은, 하나의 실시예에 따른, 시간 보간 계층을 가진 신경망에 기초한 채널 추정 증강을 도시하고;
도 12는, 하나의 실시예에 따른, 어텐션 학습에 의한 DMRS 기반 채널 추정을 도시하고;
도 13은, 하나의 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이고; 그리고
도 14는 본 개시 내용이 적용되는 잡음 제거 오토인코더를 도시한다.

본 개시 내용의 실시예들이 첨부된 도면들을 참조하여 본 명세서에서 아래에 설명될 것이다. 그러나 본 개시 내용의 실시예들은 특정한 실시예들로 한정되지 않으며, 본 개시 내용의 모든 변형들, 변경들, 등등한 장치들 및 방법들 및/또는 대안적인 실시예들을 포함하는 것으로 해석되어야 한다. 잘 알려진 기능들 및/또는 구성들에 대한 설명은 명확성과 간결성을 위해 생략될 것이다.

본 명세서에 사용된 "가지다(have)", "가질 수 있다(may have)", "포함하다(include)" 및 "포함할 수 있다(may include)"라는 표현들은 수치, 기능, 동작 또는 부품과 같은 대응하는 특징들의 존재를 표시하는 데 사용되고, 추가적인 특징들의 존재를 배제하지 않는다. 본 명세서에 사용된 "A 또는 B(A or B)", "A 및/또는 B 중의 적어도 하나(at least one of A or/and B)" 또는 "A 및/또는 B 중의 하나 이상(one or more of A or/and B)"이라는 표현들은 이와 함께 열거된 항목들의 모든 가능한 조합들을 포함한다. 예를 들어, “A 또는 B(A or B)", "A 및 B 중의 적어도 하나(at least one of A and B)" 또는 "A 또는 B 중의 적어도 하나(at least one of A or B)"는 (1) 적어도 하나의 A를 포함하는 것, (2) 적어도 하나의 B를 포함하는 것 또는 (3) 적어도 하나의 A와 적어도 하나의 B를 모두 포함하는 것을 나타낸다.

본 명세서에 사용된 "제1(first)" 및 "제2(second)" 등의 용어들은 대응하는 요소들의 순서 및/또는 중요도에 무관하게 여러 요소들을 수식할 수 있으며 대응하는 요소들을 한정하지 않는다. 이 용어들은 하나의 요소를 다른 요소와 구분할 목적으로 사용될 수 있다. 예를 들어 제1 사용자 기기와 제2 사용자 기기는 순서 또는 중요도와 무관하게 다른 사용자 기기들을 나타낼 수 있다. 제1 요소는 본 개시 내용의 범위를 벗어나지 않으면서 제2 요소로 지칭될 수 있고, 마찬가지로 제2 요소도 제1 요소로 지칭될 수 있다.

제1 요소가 제2 요소 등의 다른 요소에 "작동 가능하게 또는 통신 가능하게 결합되거나(operatively or communicatively coupled with/to)" "연결되면(connected to)", 제1 요소는 직접 제2 요소에 결합될 수 있고, 제1 및 제2 요소 사이에 제3 요소와 같은 중간 요소가 존재할 수 있다. 반면, 제1 요소가 제2 요소에 “직접 결합되거나(directly coupled with/to)" 또는 "직접 연결되면(directly connected to)", 제1 및 제2 요소 사이에 중간의 제3 요소가 존재하지 않는다.

기술적 또는 과학적 용어들을 포함하여 본 명세서에 사용된 모든 용어들은 달리 정의되지 않는 한 관련 업계에 통상적인 기술을 갖는 자에게 일반적으로 이해되는 것과 동일한 의미를 갖는다. 일반적으로 사용되는 사전에 정의된 용어들은 관련 기술의 맥락적 의미와 동일 또는 유사한 의미로 해석되어야 하며 본 명세서에 명시적으로 정의되지 않는 한 이상적 또는 과장된 의미를 갖는 것으로 해석되어서는 안 된다. 상황에 따라서, 본 개시 내용에 정의된 용어들이라도 본 개시 내용의 실시예들을 배제하는 것으로 해석되어서는 안 된다.

본 명세서에 개시된 시스템 및 방법들은 예를 들어 다층 퍼셉트론(multi-layer perceptron; MLP) 신경망과 같은 신경망을 종래의 채널 추정 알고리즘으로부터의 패널 추정치들을 개선(refine)하도록 훈련시킨다. 이 신경망은 입력 특징(input feature)을 출력 레이블(output label)로 매핑하는 매핑 함수(mapping function)로 작용한다. 이는 종래 기술에서와 같은 모델 주도(model-driven) 방법이 아니라 데이터 주도(data-driven) 방법이다.

본 명세서에 개시된 시스템 및 방법들은 데이터 및 DMRS 심볼(symbol)들 모두에 기초한 채널 추정치(channel estimate)들의 증강을 수행한다. 입력 특징들은 각 리소스 블록(resource block; RB)에 대한 데이터 및 DMRS 심볼들 양자에 대응하는 시간-주파수 영역 채널 추정치들과 도플러 지연(Doppler-delay) 영역 채널 추정치들이다. 출력 레이블들은, 예를 들어, 각 RB, PRG, 또는 대역폭 파트(bandwidth part; BWP)에 대한 것과 같이, 각 리소스 단위(unit of resource)에 대한 데이터 및 DMRS 심볼들 모두에 대응하는 이상적 도플러 지연 영역 채널이다. 도플러 지연 영역 채널들은 2차원 이산 푸리에 변환 및 역 이산 푸리에 변환(2-dimensional discrete Fourier transform and inverse discrete Fourier transform; 2D-DFT-IDFT)을 시간-주파수 영역에 적용함으로써 획득된다.

본 명세서에 개시된 시스템 및 방법들은 DMRS 심볼들에 기초한 채널 추정 증강을 수행한다. 입력 특징들은 각 리소스 단위에 대한 DMRS 심볼들에 대응하는 시간-주파수 영역 채널 추정치들이다. 출력 레이블들은 각 리소스 단위에 대한 DMRS 심볼들에 대응하는 이상적 채널이다. 신경망은 시간 보간(time interpolation)을 수행하는 고정된(즉, 훈련 가능하지 않은) 가중치(weight)를 갖는 계층(layer)을 포함한다.

본 명세서에 개시된 알고리즘에서, 채널 추정은 주파수 및 시간 영역을 따른 LMMSE 보간에 기초하는 채널 추정 대신 종래 기술로부터의 채널 추정치들을 입력으로 갖는 신경망에 기초한다. 개시된 알고리즘에서, 채널 추정 증강은 각 리소스 유닛에 대한 데이터 및 DMRS 심볼들 모두에 대응하는 채널 추정치들에 기초하거나 각 리소스 유닛에 대한 DMRS 심볼들에 대응하는 채널 추정치들에만 기반하여 수행될 수 있다.

도 1은 종래 기술에 따른 채널 추정 알고리즘(100)을 보인다. 도 1에서,

(105)는 DMRS가 전송되는 PRG에서의 RE들에서의 수신 신호를 나타낸다.

(115)는 DRMS가 전송되는 RE들에서의 채널 추정치(110)를 나타낸다.

는 채널 추정치(110)의 주파수 보간(120) 이후 획득된 주파수 영역 보간된 채널(125)을 나타내고, 주파수 영역 측면에서 PRG 내의 모든 RE들에서의 채널 추정치들을 포함한다.

(135)는 주파수 영역 보간된 채널(125)의 시간 보간(130) 이후 획득된 시간-주파수 영역 보간된 채널을 나타내고 주파수 영역 측면에서 PRF 내의 모든 RE들에서의 채널 추정치들을 포함한다. 시간 영역은 DMRS 또는 데이터 중의 어느 하나가 전송되는 모든 RE들을 포함한다.

도 2는, 하나의 실시예에 따른, 데이터 및 DMRS 심볼들 모두에 기초한 채널 추정 증강의 프로세스(process; 200)를 도시한다. 도 2에서, 채널 추정 증강 블록에 대한 입력은 도 2에서의 205 내지 230과 동일한 도 1에서의 종래의 채널 추정 알고리즘(105 내지 130)에 의해 추정된 시간-주파수 영역 보간된 채널

(235)이다. 도 1에서의 설명과 마찬가지로, 도 2에서의

(235)는 주파수 영역의 RB 내의 모든 RE들과 시간 영역에서 DMRS 또는 데이터 중의 어느 하나가 전송되는 모든 RE들에서의 채널 추정치들을 포함한다. 그러나, 도 2에서,

(245)는 채널 추정 증강(240) 이후의 개선된(refined) 채널을 나타낸다.

도 3은, 하나의 실시예에 따른, DMRS 심볼들에 기초한 채널 추정 증강의 프로세스(300)를 도시한. 도 3에서, 채널 추정 증강 블록(330)에 대한 입력은 도 3의 305 내지 325와 동일한 도 1에서의 종래 채널 추정 알고리즘(105 내지 125)에 의해 추정된 주파수 영역 보간된 채널

(325)이다. 도 1에서의 설명과 마찬가지로 도 3의

(325)는 주파수 영역의 RB 내의 모든 RE들과, 시간 영역에서 DMRS가 전송되는 RE들에서의 채널 추정치들을 포함한다. 그러나, 도 3에서,

(335)는

(325)와 동일한 RE들의 집합에 대응하는, 채널 추정 증강(330) 후의 개선된 채널을 나타낸다.

(345)는

(335)에 기초한 시간 보간(340) 후에 획득된다.

데이터 및 DMRS 심볼들 모두에 기초한 슬롯 기반 개선 방식(slot-based refinement manner)의 채널 추정 증강을 위해, 시간-주파수 영역 증강과 도플러 지연 영역 증강이 본 명세서에 개시된다.

도 4는, 하나의 실시예에 따른, 시간-주파수 영역 채널 추정 증강을 위한 신경망 구조(400)를 도시한다. DMRS 기반인 도 4에서, 입력 특징들은 도 1에서의 종래의 채널 추정 알고리즘(105 내지 135)로부터의 시간-주파수 영역 채널 추정치들

(405)이다. 신경망(410)은 후술할 바와 같이 훈련되고, 출력 레이블들은 입력 특징들

(405)에서와 동일한 RE들에 대응하는 시간-주파수 영역 이상적 채널

(415)이다. 이러한 시간-주파수 영역 채널 추정 증강에서, 잡음 제거 오토인코더(denoising autoencoder; 1400)가 각 유닛에 대하여(예를 들어, 각 PB에 대한 또는 각 번들(bundle)에 대하여) 모든 시간-주파수 요소들을 개선하는 데 사용된다. 잡음 제거 오토인코더(1400)의 하나의 예가 도 14에 도시된다. 이에 따라, 예를 들어 신경망 구조의 복잡도와 크기가 감소되고, 컨볼루션(convolution) 기술들의 사용이 방지된다.

도 5를 참조하여 후술되는 훈련 손실(training loss)은, MLP가 다층 퍼셉트론(multilayer perceptron)일 때 다음 분수(fraction)로 표현되는 바와 같은 평균 제곱 오차(mean square error)를 사용할 수 있다는 것에 유의해야 한다.

이 슬롯 기반 채널 추정의 주된 양태는 학습 알고리즘(learning algorithm)을 사용하여 레거시(legacy) 채널 추정, 즉

행렬(matrix)

을 개선하는 것이다. 이 개선은 각 RB에 대해 슬롯별(slot-by-slot) 기반으로 수행된다. 슬롯 기반 채널 추정의 입력 특징 벡터는

을 사용하여 구축되고, 차원(dimension)

을 갖는다. MLP 출력 차원은

이다. 슬롯 기반 채널 추정에서 MLP 네트워크를 훈련하기 위해, 데이터세트(dataset)는, 먼저, 다른 송신 및 수신 계층들 및 각 계층 내의 다른 RB들에 걸쳐 획득된

행렬들의 집합(collection)을 적층(stacking)함으로써 획득된다. 이 계층들은 다중 입력 다중 출력 시스템의 무선 주파수 연쇄(radio frequency chain)에 대응하며, MLP(즉 신경망)에서의 계층들과 구분된다.

또한, 레거시 채널 추정치(RCE)들에 대응하는 이상적 채널 추정치(IEC), 즉

들을 포함하는 데이터세트가 구축된다. RCE 및 ICE 데이터 세트들 양자가 시뮬레이터(simulator)를 사용하여 채널들을 덤핑(dumping)함으로써 획득된다. 신경망은 궁극적으로 RCE 기반 데이터세트 및 대응하는 ICE 데이터세트를 사용하여 훈련된다. RCE가 입력으로 주어질 때 신경망이 ICE를 예측할 것으로 기대된다. 그러나, 실제로, 훈련 데이터세트에서의 잡음과 개시된 신경망의 제한된 함수 근사 능력에 기인하여 개선된 채널 추정치에 오류(error)가 존재할 수 있다. 개선된 채널 추정치의 오류가 RCE에서의 오류보다 작을 때 훈련된 신경망이 유용하다.

추론(inference) 동안, 훈련된 신경망이 이퀄라이제이션(equalization), 간섭 화이트닝(interference whitening) 및 심볼 검출에 후속적으로 사용될 개선된 채널 추정치를 획득하는 데 사용된다. MLP 기반 네트워크의 성능은 블록 오류율(block error rate; BLER)의 측면에서 평가된다.

도 5는, 하나의 실시예에 따른, 시간-주파수 영역 추정 증강(500)을 도시한다. 신경망(510)이 훈련된 후, 도 5에 도시된 바와 같이, 추론 동안 종래의 알고리즘으로부터의 채널 추정치

(505)들이 신경망(510)에 입력되어 개선된 채널 추정치

(515)들을 생성한다.

특히, 시간-주파수 영역 채널 추정 증강을 위해, 레거시 방법에 의한 시간-주파수 영역 채널 추정치, 즉

이 아래의 수학식 1에서와 같이

입력 특징 벡터를 구축하는 데 사용된다.

이는

의 실수 및 허수 성분들을 적층하여 획득된다. 이상적 채널에 대응하는 벡터는 아래의 수학식 2에서와 같이 정의된다.

학습 기반 채널 추정은, 먼저, 시뮬레이터의 출력으로서 획득된 쌍

들의 집합으로부터의 매핑 함수의 학습을 포함한다. 이어서, 학습된 매핑이 채널 추정 개선을 위한 추론 동안 사용된다.

전술된 신경망은 RCE와 ICE 사이의 매핑을 근사화하는 데 사용된다.

가 입력에 적용될 때 네트워크의 출력은 아래의 수학식 3에서와 같이 정의된다.

시간-주파수 개선(time-frequency refinement; TFR)을 수반하는 훈련 집합(training set)에 대해, 평균 제곱 오차 손실은 아래의 수학식 4 및 5에서와 같은 근사에서 정의된다.

네트워크 파라미터들, 즉

의 가중치(weight)들과 바이어스(bias)들은 훈련 손실

을 최소화시키도록 최적화된다.

가 최적화된 파라미터들을 나타낸다면, 시간-주파수 개선을 수반하는 벡터화된(vectorized) 채널 추정치는

로 주어지고, 여기서

는 레거시 방법으로 획득된 RCE를 나타낸다. 벡터화된 추정 채널의 실수부 및 허수부가

의 제1 및 제2 반부(half)들로부터 추출될 수 있다는 것이 수학식 2로부터 관찰된다. 시간-주파수 개선을 수반하는 채널 추정치는 아래의 수학식 6에서와 같이 벡터화된 CE를

행렬로 재구성(reshaping)함으로써 획득될 수 있다.

도 6은, 하나의 실시예에 따른, 도플러 지연 영역 채널 추정 증강을 위한 신경망 구조(600)를 도시한다. DMRS 기반인 도 6에서, 입력 특징은 종래의 채널 추정 알고리즘으로부터의 시간-주파수 영역 채널 추정치

(605)들에 대해 2D-DFT-IDFT 변환(610)을 적용하여 획득된 도플러 지연 영역 채널 추정치

(615)들을 포함한다. 출력 레이블은 시뮬레이터로부터 오프라인(offline)으로 획득되고 훈련에 사용되는 이상적 도플러 지연 영역 채널

(625)이다. 즉 출력 레이블은 신경망(620)으로부터 시간-주파수 영역 이상적 채널

(635)에 적용된 2D-DFT-IDFT 변환(630)의 출력으로의 개선된 채널 추정 출력들이다. 다시 말해서, 개선된 채널 추정 출력들은 2D-DFT-IDFT 변환(630)과 함께 레거시 채널 추정 출력을 신경망(620)에 적용함으로써 획득된다.

2D-DFT-IDFT 변환(610)을 위해,

가 DFT 행렬로 표시되면,

(605)로부터

(615)로의 변환은 아래의 수학식 7에서와 같이 주어진다.

수학식 7에서,

는

의 켤레 전치 행렬(conjugate transpose)을 나타낸다.

전술된 바와 같이, 도 4 및 6의 실시예들은 DMRS 심볼들을 사용한다. 이에 따라, 채널 추정은 DMRS 심볼들의 위치에서 개선된다. 이 방법들은

, DMRS 위치들에서의 주파수 영역 보간된 채널을 입력 특징들을 구축하는 데 사용한다. 구체적으로, 입력 특징 벡터는 아래의 수학식 8에서와 같이 정의된다.

DMRS 심볼들을 사용하는 방법은

일 때 다수의 DMRS 위치들에 걸친 채널 구조를 이용함으로써 채널 추정 개선을 수행한다. 이러한 구조는 심볼 당 기반(per-symbol basis)으로 연산되는 주파수 영역 보간과는 함께 이용되지 않는다.

DMRS 심볼들을 사용하는 채널 추정 개선에서 네트워크의 출력은 DMRS 위치들에서의 개선된 채널이다. 이에 따라, 네트워크는 DMRS 심볼 위치들에서 서브샘플링된(subsampled) ICE들을 사용하여 훈련된다. 훈련을 위해, 먼저, 집합

을 구축한다. 이어서, DGR에서의 출력 특징들이 아래의 수학식 9에서와 같이 구축된다.

이 방법에서의

및

의 차원들은

및

인 것으로 관찰된다. 벡터들의 쌍

은 시뮬레이션으로부터 획득되고, MSE 손실이 도 4에 도시된 3 29

계층 네트워크를 훈련시키는 데 사용된다.

추론 동안, 종래의 선형 최소 평균 제곱 오차(linear minimum mean square error; LMMSE) 기반 주파수 영역 보간이 먼저 수행되어

를 획득한다. 이어서, 입력 특징 벡터

가 수학식 8을 사용하여

로부터 구축된 다음, 훈련된 MLP 네트워크를 통해 전송된다. 신경망의 출력

는 아래의 수학식 10을 사용하여 DMRS 위치들에서 개선된 채널로 재구성된다.

의 행(row)들에 시간 보간이 수행되어, 아래의 수학식 11에서와 같이 CE를 획득한다.

수학식 11에서,

는 레거시 방법에서 사용된 것과 동일한 시간 영역 보간 행렬이고,

에서의 계수들은 전력 지연 프로파일(power delay profile)로부터 도출된다.

도 7은, 하나의 실시예에 따른, 도플러 지연 영역 채널 추정 증강의 프로세스(700)를 도시한다. 구체적으로, 도 7에 보인 추론 프로세스는 신경망(720)이 훈련된 뒤 이루어진다.

종래의 알고리즘으로부터의 채널 추정치

(705)는 먼저 도플러 지연 영역

(715)으로 변환(710)되고, 이는 이어서 신경망(720)에 입력되어 개선된 채널 추정치

(725)들을 생성한다.

(725)가 도플러 지연 영역에 있다는 것에 유의하라; 이에 따라, 2차원 역 이산 푸리에 변환 및 이산 푸리에 변환(2-dimensional inverse discrete Fourier transform and discrete Fourier transform; 2D-IDFT-DFT)(730)이

(725)에 적용되어

(725)를 최종 증강 결과 또는 달리 말해서 시간-주파수 영역에서 증강 채널 추정치로서 다시 시간-주파수 영역

(735)로 변환한다. 2D-IDFT-DFT 변환(730)이 아래의 수학식 12에 나타낸 바와 같이 2D-DFT-IDFT의 역변환을 수행하는 것에 유의하라.

정보가 더 농축되어 네트워크 내의 연결들이 더 적어지므로, 도플러 지연 영역에서 신경망을 훈련시키는 것이 유익하다. 이에 따라, 신경망 복잡도가 감소된다.

특히, 그 행들과 열들이 서브캐리어(subcarrier)와 시간 차원들을 나타내는 시간-주파수 채널 행렬

를 고려한다. 인자

가 차원

의 DFT 행렬을 나타내는 데 사용되고,

가 차원

의 DFT 행렬을 나타내는 데 사용된다. IDFT를

의 모든 열들을 따라 적용한 다음, 그 결과의 모든 행들을 따라 DFT를 적용함으로써 아래의 수학식 13에서와 같은 결과를 획득한다.

수학식 13은

의 지연-도플러 표현에 관련된다. 동등하게,

이다.

가 RB에 걸친 채널에 대응하는 협대역 시나리오(narrowband scenario)에서,

는 RB에 걸쳐 창을 갖는(windowed) 주파수 영역 채널의

포인트 DFT이다.

및

는

및

의 지연-도플러 표현으로서 정의되고, 즉

및

이다. 도플러-지연 개선에서, 입력 특징들은

의 실수부 및 허수부의 벡터화로, 즉 아래의 수학식 14에서와 같이 구축된다.

마찬가지로, 이상적 채널에 대응하는 벡터는 아래의 수학식 15에서와 같다.

및

사이의 매핑을 근사화하는 데 MLP 네트워크를 사용하고, 아래의 수학식 16에서와 같은 MSE 손실을 최소화한다.

이 근사는

개의 샘플들의 배치(batch)에 대해 네트워크의 가중치들을 최적화하는 것이다. DDR을 가진 MLP 네트워크의 출력은 이상적인 설정(setting)에서 ICE의 지연-도플러 표현이 될 것으로 기대된다.

추론 동안, 수학식 15를 사용하여

로부터 벡터화된 지연-도플러 표현

가 먼저 획득된다. 이어서,

가

최소화함으로써 훈련된 MLP로 공급된다.

가 훈련된 MLP의 출력을 표현한다고 하자. 그러면, 개선된 지연-도플러 표현은 아래의 수학식 17에서와 같이 표현된다.

개선된 시간-주파수 채널

은 아래의 수학식 18에서와 같이 계산된다.

도플러-지연 기술에 사용되는 입력 및 출력 특징들은 시간-주파수 개선 기술과 수학식 13에 의해 정의되는 선형 변환만큼만 다르다. 본 발명의 MLP의 입력 및 출력 계층들에서의 선형 활성화(linear activation)의 사용에 따라, 이러한 변환은 네트워크에 의해 학습될 수 있어, 이 2개의 방법들을 유사하게 만든다. 그러나, 도플러-지연 기술은 채널 추정 개선의 더 간단한 구현을 가능하게 할 수 있다.

본 명세서에 설명된 학습 방법은 학습을 위한 시간-주파수 채널의 2D-DFT, 즉

을 사용하여 입력 특징들을 구축한다. 이러한 접근 방식은 2D 고속 푸리에 변환(2D-Fast Fourier transform)을 사용하는 개시된 알고리즘의 편리한 구현을 돕는다. 이 특징들을 사용한 성능은 지연 도플러 표현을 사용한 성능과 동일한고, 이는

의 2D-DFT의 치환된(permuted) 버전(version)이다.

신경망에 대한 입력 특징들의 차원을 감소시키기 위해, DMRS 심볼들에만 기반하고 시간 보간 계층이 없는 채널 추정 증강이 추가적으로 개시된다. 도 8 및 9를 참조하여 후술되는 바와 같이, 2개의 다른 네트워크 구조들이 사용된다.

도 8은, 하나의 실시예에 따른, 시간 보간 계층이 없는 신경망 구조(800)를 도시한다. 도 8에서, 신경망(810)에서의 모든 가중치들은 훈련 가능하다. 입력 특징들은 주파수 영역에서의 리소스 단위 내의 모든 RE와 시간 영역에서의 DRMS가 전송되는 RE에서의 채널 추정치들을 포함하는 종래의 채널 추정 알고리즘으로부터의 주파수 보간된 채널 추정

(805)을 포함한다. 출력 특징들은 신경망(810)으로부터의 출력이고,

(805)에서와 동일한 RE에 대응하는 이상적 채널

(815)이다.

그 결과, 도 9에서 네트워크를 훈련시키기 위한 비용 함수는 아래의 수학식 19에서 제공되는 바와 같이 단지

(805) 및

(815)만을 포함한다.

수학식 19에서,

및

k번째 입력 특징 및 출력 레이블을 나타내고, armin은 최소값의 인수(argument)를 나타내고, 훈련을 위한 샘플의 전체 개수는

이다.

는 훈련 가능한 가중치

를 갖는 신경망을 나타낸다.

는 프로베니우스 노름(Frobenius norm)을 나타낸다.

는 신경망이 훈련된 후에 획득된다.

이 실시예에서, 잡음 제거 오토인코더는 도 4를 참조하여 설명된 실시예보다 유닛 내에 더 적은 입력들을 사용하고, 이는 더 작고 더 간소화된 신경망의 사용을 제공할 수 있다.

도 9는, 하나의 실시예에 따른, 시간 보간 계층이 없는 신경망에 기초한 채널 추정 증강의 프로세스(900)를 도시한다. 추론 동안,

(905)가 종래의 채널 추정 알고리즘에 의해 추정된 후, 도 9에 도시된 바와 같이,

(905)가 신경망(910)에 공급되고 출력은 개선된 채널

(915)이다. 개선된 채널

는 아래의 수학식 20에서와 같이 계산된다.

수학식 20에서,

는

와 동일한 RE들의 집합, 즉 주파수 영역에서의 RB 내의 모든 RE들과 시간 영역에서의 DMRS가 전송되는 RE들을 포함한다. 도 3에서 전술된 바와 같이, 시간-주파수 영역 강화 채널

이

에 종래의 시간 보간을 적용하여 궁극적으로 획득된다.

도 10은, 하나의 실시예에 따라, 시간 보간 계층을 갖는 네트워크 구조(1000)를 도시한다. 구체적으로, 도 9에서 전술된 네트워크 구조는 시간 보간을 포함하지 않는다; 이와 같이, 시간 보간은 증강된 채널

(915)가 획득된 후 시간 보간이 적용된다. 대안적으로, 도 10에 도시된 바와 같이, 시간 보간은 훈련 불가능한 계층(1012)에서 신경망(1010)에 통합된다.

즉, 도 10에서의 신경망(1010)은 두 가지 유형의 은닉 계층, 즉 훈련 가능한 계층(1011)들과 훈련 불가능한 계층(1012)을 포함한다. 훈련 가능한 계층(1011)들은 종래의 신경망에서의 훈련 가능한 계층들과 동일하지만, 훈련 불가능한 계층(1012)은 시간 보간을 수행한다. 이 훈련 불가능한 계층(1012)에 대한 가중치들은 종래의 채널 추정 알고리즘의 시간 보간 프로세스에 따라 고정되며 훈련 동안 업데이트되지 않는다. 도 10에서, 신경망(1010)에 대한 입력은 주파수 영역에서의 RB 내의 모든 RE들과 시간 영역에서의 DRMS가 전송되는 RE들에서의 채널 추정치들을 포함하는 종래의 채널 추정 알고리즘으로부터의 주파수 보간된 채널 추정

(1005)이다. 훈련 불가능한 계층(1012)과 관련하여, 출력 레이블은 주파수 영역에서의 RB 내의 모든 RE들과 시간 영역에서의 DRMS 또는 데이터 중의 어느 하나가 전송되는 모든 RE들에서의 채널 추정치들을 포함하는 시간-주파수 이상적 채널

(1015)이다.

도 10에서 네트워크를 훈련시키기 위한 비용 함수는 아래의 수학식 21과 같이 주어진다.

수학식 21에서, argmin은 최소값의 인수를 나타내고

는 훈련 가능한 가중치들

및 훈련 불가능한 가중치들

를 갖는 신경망을 나타낸다. 이러한 가중치들이 각각의 특정 훈련 데이터 샘플에 대한 종래의 채널 추정 알고리즘으로부터의 시간 보간 계수들에 의해 결정되기 때문에, 훈련 불가능한 가중치들은 서로 다른 훈련 데이터 샘플들에 대해 다를 수 있다는 것에 유의하라. 따라서, 도 10에서 네트워크를 훈련시키기 위하여, 훈련 데이터 세트는 입력 특징들, 출력 레이블들 및 시간 보간 계수들, 즉

를 포함해야 한다.

아래 수학식 22에 나타낸 바와 같이, 신경망이 학습된 후 추론 동안 훈련 가능한 계층만 적용된다.

수학식 22에서,

는 네트워크 훈련 동안 획득된 훈련 가능한 가중치들을 나타낸다.

도 10을 참조하여 설명된 바와 같이, 종래의 시간 보간 방식은 네트워크에 흡수되지만 훈련 불가능한 가중치 플래그를 갖는다. 훈련 단계는 도 10에 설명되어 있다. 구체적으로, 도 10이 훈련 단계에만 적용되고 추론 단계에는 적용되지 않기 때문에, 도 10에서의 훈련 단계 동안의 시간 보간이 반영되지만, 시간 보간이 적용되기 전의 단계에서 훈련 출력이 생성된다.

도 11은, 하나의 실시예에 따라, 시간 보간 계층을 갖는 신경망에 기초한 채널 추정 증강의 프로세스(1100)를 도시한다. 구체적으로, 훈련 상태가 도 10에서 설명되고, 추론 단계가 도 11에서 설명된다. 이 2개의 단계는 유닛 내의 모든 PDSCH의 개선에 관한 것이다.

도 11에서의 신경망(1110)에 대한 입력은 종래의 채널 추정 알고리즘으로부터의 주파수 보간된 채널 추정

(1105)이다. 훈련 가능한 계층(1111)들은 도 10의 훈련 가능한 계층(1011)들에 대응된다. 증강된 채널

(1115)가 수학식 6에서 계산된 후, 최종 시간-주파수 영역 채널

에 도달하기 위해 시간 보간이 적용된다.

도 12는, 하나의 실시예에 따라, 어텐션 학습(attention learning)을 이용한 DMRS 기반 채널 추정의 구조(1200)를 도시한다.

도 12에서, 어텐션 학습은 도플러 추정치의 가중치 부여와 결합된다. 정규화된 도플러 확산 추정치는 어텐션 학습을 통해 신경망에 통합되어, 이에 의해 슈퍼 네트워크 x(1200)에 도달한다.

슈퍼 네트워크 x(1200)는 1차 MLP 네트워크(MLPA) 및 2차 MLP 네트워크(MLPB)를 포함하며, 여기서 MLPA는 개선된 주파수 영역 보간된 채널들에 대하여 여러 후보 노드들 N _in - 1(1201'), N _hid - 1(1201")을 출력한다. 이러한 후보 노드들(1201', 1201")은 MLPB로부터 출력된 노드들 N _{hid, B} (1202')에 기초한 어텐션 메트릭스(attention metrics)로 가중치가 부여되어, 출력 노드들 N _out (1207) 및 최종 네트워크 출력

(1208)에 도달하도록 합산되는(1206) 가중치가 부여된 벡터들(1203, 1204, 1205)을 생성한다.

구체적으로, 도 12에 도시되는 차원

및

의 입력 계층, 은닉 계층 및 출력 계층을 포함한다. 제1 계층의 가중치들, 즉 입력 계층 N _in 과 은닉 계층N _hid 사이의 연결을 나타내는 가중치들을 표시하기 위하여

를 사용한다. 은닉 계층 N _hid 및 출력 계층 N _out 사이의 연결을 나타내는 제2 계층 가중치들은

로 표시된다. 은닉 계층 N _hid 및 출력 계층 N _out 에서의 바이어스를 나타내기 위하여

및

를 사용한다. 네트워크 내의 임의의 노드에 대한 입력은 여기에서 활성화(activation)라 한다. 이러한 활성화들은 다음 계층으로 전송되기 전에 활성화 함수를 통과한다.

및

가 은닉 계층 N _hid 및 출력 계층 N _out 에서의 활성화 함수를 나타낸다고 하자. 네트워크의 입력으로서

벡터

가 적용될 때, 네트워크의 출력은 아래의 수학식 23과 같이 주어진다.

로부터

를 찾기 위한 계산은

이고, 이는 제1 및 제2 계층에서의 행렬 계산에 주로 기인한다.

ReLU(rectified linear) 활성화 함수가

에 대하여 사용된다. 즉,

이다. 채널 추정치 및 채널 계수들이 양 및 음의 값을 모두 취하기 때문에, 선형 활성화

가 출력 계층에서 사용된다, 이러한 2 계층 네트워크의 가중치들 및 바이어스들은 아래의 수학식 24에서와 같이 파라미터 벡터에 적층된다.

수학식 23은 간단한 형태로

로서 표현될 수 있다. MLP 네트워크의 가중치들은 예상되는 채널 및 이상적 채널 사이의 손실을 최소화하기 위하여 역전파(backpropagation) 알고리즘을 이용하여 훈련될 수 있다.

개시 내용의 전술된 양태들은 아래의 표 1에서 설명되는 바와 같은 서로 다른 상황들에서 실현될 수 있다.

항목	항목이 일반화될 수 있는가?	구체적인 구현	다른 옵션

입력 특징	예(부분적으로)	입력 특징은 또는 중 어느 하나를 포함하고 주파수 영역에서 RB 내의 모든 RE들을 포함한다	주파수 영역에서, PRG 내의 임의의 개수의 RE들이 사용될 수 있다. 예를 들어, 입력 특징들은 PRG 내의 모든 RE들일 수 있다.
신경망 구조	예	MLP	네트워크 유형에 관하여, MLP 네트워크가 아닌 네트워크, 예를 들어, 컨볼루션 신경망이 적용될 수 있다. 네트워크 아키텍처에 관하여, 상이한 개수의 은닉 계층들과 각각의 은닉 계층 내의 노드들이 적용될 수 있다

도 13은, 하나의 실시예에 따른, 네트워크 환경(1300) 내의 전자 장치의 블록도이다. 도 13을 참조하면, 네트워크 환경(1300) 내의 전자 장치(1301)는 제1 네트워크(1398)(예를 들어, 근거리 무선 통신 네트워크)를 통해 전자 장치(1302)와 통신하거나, 제2 네트워크(1399)(예를 들어, 장거리 무선 통신 네트워크)를 통해 전자 장치(1304) 또는 서버(1308)와 통신할 수 있다. 전자 장치(1301)는 서버(1308)를 통해 전자 장치(1304)와 통신할 수 있다. 전자 장치(1301)는 프로세서(1320), 메모리(1330), 입력 장치(1340), 사운드 출력 장치(1355), 디스플레이 장치(1360), 오디오 모듈(1370), 센서 모듈(1376), 인터페이스(1377), 햅틱 모듈(1379), 카메라 모듈(1380), 전력 관리 모듈(1388), 배터리(1389), 통신 모듈(1390), 가입자 식별 모듈(Subscriber Identification Module; SIM) 카드(1396) 또는 안테나 모듈(1397)을 포함한다. 하나의 실시예에서, 컴포넌트들 중의 적어도 하나(예를 들어, 디스플레이 장치(1360) 또는 카메라 모듈(1380))가 전자 장치(1301)로부터 생략될 수 있거나, 하나 이상의 다른 컴포넌트들이 전자 장치(1301)에 추가될 수 있다. 컴포넌트들의 일부는 단일 집적 회로(IC)로서 구현될 수 있다. 예를 들어, 센서 모듈(1376)(예를 들어, 지문 센서, 홍채 센서 또는 조도 센서)은 디스플레이 장치(1360)(예를 들어, 디스플레이)에 내장될 수 있다.

프로세서(1320)는, 예를 들어, 프로세서(1320)와 결합된 전자 장치(1301)의 적어도 하나의 다른 컴포넌트(예를 들어, 하드웨어 또는 소프트웨어 컴포넌트)를 제어하기 위하여 소프트웨어(예를 들어, 프로그램(1340))를 실행할 수 있고, 다양한 데이터 처리 또는 계산들을 수행할 수 있다. 데이터 처리 또는 계산들의 적어도 일부로서, 프로세서(1320)는 휘발성 메모리(1332)에 다른 컴포넌트(예를 들어, 센서 모듈(1346) 또는 통신 모듈(1390))로부터 수신된 명령 또는 데이터를 로드하고, 휘발성 메모리(1332)에 저장된 명령 또는 데이터를 처리하고, 결과에 따른 데이터를 비휘발성 메모리(1334)에 저장할 수 있다. 프로세서(1320)는 메인 프로세서(1321)(예를 들어, 중앙 처리 유닛(central processing unit; CPU) 또는 애플리케이션 프로세서(application processor; AP)) 및 메인 프로세서(1321)와 독립적으로 동작 가능하거나 이와 함께 동작 가능한 보조 프로세서(1323)(예를 들어, 그래픽 처리 유닛(graphics processing unit; GPU), 이미지 신호 프로세서(image signal processor; ISP), 센서 허브 프로세서 또는 통신 프로세서(communication processor; CP)를 포함할 수 있다. 추가적으로 또는 대안적으로, 보조 프로세서(1323)는 메인 프로세서(1321)보다 적은 전력을 소모하거나 특정 기능을 실행하도록 구성될 수 있다. 보조 프로세서(1323)는 메인 프로세서(1321)와 별도로 또는 이의 일부로서 구현될 수 있다.

보조 프로세서(1323)는, 메인 프로세서(1321)가 비활성(예를 들어, 슬립) 상태에 있는 동안 메인 프로세서(1321) 대신에, 또는 메인 프로세서(1321)가 활성(예를 들어, 애플리케이션 실행) 상태에 있는 동안 메인 프로세서(1321)와 함께, 전자 장치(1301)의 컴포넌트들 중에서 적어도 하나의 컴포넌트(예를 들어, 디스플레이 장치(1360), 센서 모듈(1376) 또는 통신 모듈(1390))와 관련된 기능들 또는 상태들 중 적어도 일부를 제어할 수 있다. 보조 프로세서(1323)(예를 들어, 이미지 신호 프로세서 또는 통신 프로세서)는 보조 프로세서(1323)와 기능적으로 관련된 다른 컴포넌트(예를 들어, 카메라 모듈(1380) 또는 통신 모듈(1390))의 일부로 구현될 수 있다.

메모리(1330)는 전자 장치(1301)의 적어도 하나의 컴포넌트(예를 들어, 프로세서(1320) 또는 센서 모듈(1376))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 다양한 데이터는, 예를 들어, 소프트웨어(예를 들어, 프로그램(1340)) 및 입력 데이터 또는 그에 관련된 명령에 대한 출력 데이터를 포함할 수 있다. 메모리(1330)는 휘발성 메모리(1332) 또는 비휘발성 메모리(1334)를 포함할 수 있다. 비휘발성 메모리(1334)는 내부 메모리(1336)와 외부 메모리(1338)을 포함할 수 있다.

프로그램(1340)은 메모리(1330)에 소프트웨어로서 저장될 수 있으며, 예를 들어, 운영 체제(operating system; OS))(1342), 미들웨어(1344) 또는 애플리케이션(1346)을 포함할 수 있다.

입력 장치(1350)는 전자 장치(1301)의 외부(예를 들어, 사용자)로부터 전자 장치(1301)의 다른 컴포넌트(예를 들어, 프로세서(1320))에 의해 사용될 명령 또는 데이터를 수신할 수 있다. 입력 장치(1350)는, 예를 들어, 마이크, 마우스 또는 키보드를 포함할 수 있다.

사운드 출력 장치(1355)는 사운드 신호들을 전자 장치(1301)의 외부로 출력할 수 있다. 사운드 출력 장치(1355)는, 예를 들어, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 기록과 같은 일반적인 용도로 사용될 수 있으며, 리시버는 착신 호출 수신용으로 사용될 수 있다. 리시버는 스피커와 별개로 구현되거나 스피커의 일부로서 구현될 수 있다.

디스플레이 장치(1360)는 정보를 전자 장치(1301)의 외부(예를 들어, 사용자)에게 시각적으로 제공할 수 있다. 디스플레이 장치(1360)는, 예를 들어, 디스플레이, 홀로그램 장치 또는 프로젝터와, 디스플레이, 홀로그램 장치 및 프로젝터 중 대응하는 하나를 제어하는 제어 회로를 포함할 수 있다. 디스플레이 디바이스(1360)는 터치를 검출하도록 구성된 터치 회로 또는 터치에 의해 발생되는 힘의 강도를 측정하도록 구성된 센서 회로(예를 들어, 압력 센서)를 포함할 수 있다.

오디오 모듈(1370)은 사운드를 전기적 신호로 변환하거나 그 반대로 변환할 수 있다. 오디오 모듈(1370)은 입력 장치(1350)를 통해 사운드를 획득하거나, 전자 장치(1301)와 직접(예를 들어, 유선으로) 결합되거나 무선으로 결합된 사운드 출력 장치(1355) 또는 외부 전자 장치(1302)의 헤드폰을 통해 사운드를 출력할 수 있다.

센서 모듈(1376)은 전자 장치(1301)의 동작 상태(예를 들어, 전력 또는 온도) 또는 전자 장치(1301) 외부의 환경 상태(예를 들어, 사용자의 상태)를 검출한 후, 검출된 상태에 대응하는 전기적 신호 또는 데이터 값을 생성할 수 있다.센서 모듈(1376)은, 예를 들어, 제스처 센서, 자이로 센서, 대기압 센서, 자기 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, 적외선(infrared; IR) 센서, 생체 인식 센서, 온도 센서, 습도 센서 또는 조도 센서를 포함할 수 있다.

인터페이스(1377)는 전자 장치(1301)가 외부 전자 장치(1302)와 직접(예를 들어, 유선으로) 또는 무선으로 결합되는 데 사용되는 하나 이상의 특정된 프로토콜들을 지원할 수 있다. 인터페이스(1377)는, 예를 들어, HDMI(High Definition Multimedia Interface), USB(Universal Serial Bus) 인터페이스, SD(Secure Digital) 카드 인터페이스 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(1378)는 전자 장치(1301)가 외부 전자 장치(1302)와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 연결 단자(1378)는, 예를 들어, HDMI 커넥터, USB 커넥터, SD 카드 커넥터 또는 오디오 커넥터(예를 들어, 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(1379)은 전기적 신호를 촉각이나 운동 감각을 통해 사용자에 의해 인지 가능할 수 있는 기계적 자극(예를 들어, 진동 또는 움직임) 또는 전기적 자극으로 변환할 수 있다. 햅틱 모듈(1379)은, 예를 들어, 모터, 압전 소자 또는 전기 자극기를 포함할 수 있다.

카메라 모듈(1380)은 정지 영상 또는 동영상을 촬영할 수 있다. 카메라 모듈(1380)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 신호 프로세서들 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(1388)은 전자 장치(1301)에 공급되는 전력을 관리할 수 있다. 전력 관리 모듈(1388)은, 예를 들어, 전력 관리 집적 회로(Power Management Integrated Circuit; PMIC)의 적어도 일부로서 구현될 수 있다.

배터리(1389)는 전자 장치(1301)의 적어도 하나의 컴포넌트에 전력을 공급할 수 있다. 배터리(1389)는, 예를 들어, 충전 가능하지 않은 1차 전지, 충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(1390)은 전자 장치(1301)와 외부 전자 장치(예를 들어, 전자 장치(1302), 전자 장치(1304) 또는 서버(1308)) 사이에 직접(예를 들어, 유선) 통신 채널 또는 무선 통신 채널을 설정하고, 설정된 통신 채널을 통해 통신을 수행하는 것을 지원할 수 있다. 통신 모듈(1390)은 프로세서(1320)(예를 들어, AP)와 독립적으로 동작 가능하고, 직접(예를 들어, 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 통신 프로세서들을 포함할 수 있다. 통신 모듈(1390)은, 예를 들어, 무선 통신 모듈(1392)(예를 들어, 셀룰러 통신 모듈, 근거리 무선 통신 모듈 또는 글로벌 네비게이션 위성 시스템(global navigation satellite system; GNSS) 통신 모듈) 또는 유선 통신 모듈(1394)(예를 들어, 근거리 통신 모듈(local area network; LAN) 또는 전력선 통신(power line communication; PLC) 모듈)을 포함할 수 있다. 이 통신 모듈들 중 대응하는 통신 모듈은 제1 네트워크(1398)(예를 들어, Bluetooth™, Wi-Fi 다이렉트, IrDA(Infrared Data Association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(1399)(예를 들어, 셀룰러 네트워크, 인터넷 또는 컴퓨터 네트워크(예를 들어, LAN 또는 WAN(Wide Area Network))와 같은 장거리 통신 네트워크)를 통해 외부 전자 장치와 통신할 수 있다. 이러한 다양한 유형의 통신 모듈은 단일 컴포넌트(예를 들어, 단일 IC)로 구현될 수 있거나, 서로 분리된 다수의 컴포넌트들(예를 들어, 다수의 IC들)로서 구현될 수 있다. 무선 통신 모듈(1392)은, 가입자 식별 모듈(1396)에 저장된 가입자 정보(예를 들어, IMSI(International Mobile Subscriber Identity))를 이용하여, 제1 네트워크(1398) 또는 제2 네트워크(1399)와 같은 통신 네트워크에서 전자 장치(1301)를 식별 및 인증할 수 있다

안테나 모듈(1397)은 전자 장치(1301)의 외부(예를 들어, 외부 전자 장치)와 신호 또는 전력을 송신 또는 수신할 수 있다. 안테나 모듈(1397)은 적어도 하나의 안테나들을 포함할 수 있으며, 이들로부터, 제1 네트워크(1398) 또는 제2 네트워크(1399)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들어, 통신 모듈(예를 들어, 무선 통신 모듈(1392))에 의해 선택될 수 있다. 그러면, 선택된 적어도 하나의 안테나를 통해 통신 모듈(1390)과 외부 전자 장치 사이에 신호 또는 전력이 송신 또는 수신될 수 있다.

도 14는 본 개시 내용이 적용되는 잡음 제거 오토인코더(1400)를 도시한다. 구체적으로, 훼손된 입력(1401), 은닉 계층(1402) 및 출력 계층(1403)을 포함하는 잡음 제거 오토인코더(1400)의 구조는 당업계에 잘 알려져 있으므로, 간결함을 위해 여기에서 더 이상의 설명은 생략될 것이다.

전술된 컴포넌트들 중 적어도 일부는 서로 결합되어 주변 장치 간 통신 방식(예를 들어, 버스, 범용 입출력(general purpose input and output; GPIO), 직렬 주변 장치 인터페이스(serial peripheral interface; SPI) 또는 모바일 산업 프로세서 인터페이스(mobile industry processor interface; MIPI))를 통해 그 사이에 신호들(예를 들어, 명령들 또는 데이터)을 전달할 수 있다.

제2 네트워크(1399)와 결합된 서버(1308)를 통해 전자 장치(1301)와 외부 전자 장치(1304) 사이에 명령들 또는 데이터가 송신 또는 수신될 수 있다. 전자 장치들(1302, 1304)의 각각은 전자 장치(1301)와 동일한 유형 또는 상이한 유형의 장치일 수 있다. 전자 장치(1301)에서 실행될 동작들의 전부 또는 일부는 외부 전자 장치들(1302, 1304, 1308) 중 하나 이상에서 실행될 수 있다. 예를 들어, 전자 장치(1301)가 기능 또는 서비스를 자동으로 또는 사용자 또는 다른 장치의 요청에 응답하여 수행해야 한다면, 전자 장치(1301)는, 기능 또는 서비스를 실행하는 대신에 또는 이에 추가하여, 기능 또는 서비스의 적어도 일부를 수행하도록 하나 이상의 외부 전자 장치들에 요청할 수 있다. 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능이나 서비스 또는 요청과 관련된 부가 기능 또는 부가 서비스의 적어도 일부를 수행하고, 수행 결과를 전자 장치(1301)에 전달할 수 있다. 전자 장치(1301)는 요청에 대한 응답의 적어도 일부로서 결과를 추가 처리하거나 추가 처리하지 않고 결과를 제공할 수 있다. 이를 위해, 예를 들어, 클라우드 컴퓨팅, 분산 컴퓨팅 또는 클라이언트-서버 컴퓨팅 기술이 사용될 수 있다.

본 발명이 특정 실시예를 참조하여 설명되었지만, 상세한 설명 및 실시예들이 아니라 첨부된 청구항들 및 이의 균등물들에 의해 정의되는 본 개시 내용의 사상 및 범위를 벗어나지 않으면서 다양한 변경들이 이루어질 수 있다.

Claims

적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고,
상기 적어도 하나의 메모리는, 실행될 때, 상기 적어도 하나의 프로세서에:
복조 기준 신호(demodulation reference signal; DMRS)가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치(channel estimate)에 대해 주파수 보간을 수행하고;
상기 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행하고; 그리고
주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 상기 시간 보간으로부터 출력되는 채널 추정치들에 기초하여 증강된(enhanced) 채널 추정치를 계산하도록 지시하는 명령어를 저장하는, 전자 장치.
제1항에 있어서,
상기 증강된 채널 추정치의 계산은 상기 주파수 영역에서의 리소스 블록 내의 모든 RE들 및 상기 시간 영역에서의 상기 DMRS 또는 데이터 중의 어느 하나가 전송되는 모든 RE들에 더 기초하는, 전자 장치.
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고,
상기 적어도 하나의 메모리는, 실행될 때, 상기 적어도 하나의 프로세서에:
복조 기준 신호(demodulation reference signal; DMRS)가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치(channel estimate)에 대해 주파수 보간을 수행하고;
상기 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 기초하여 증강된(enhanced) 채널 추정치들을 계산하고; 그리고
상기 증강된 채널 추정치에 시간 보간을 수행하도록 지시하는 명령어를 저장하는, 전자 장치.
제3항에 있어서,
상기 증강된 채널 추정치의 계산은 상기 주파수 영역에서의 리소스 블록 내의 모든 RE들 및 시간 영역에서의 상기 DMRS 또는 데이터 중의 어느 하나가 전송되는 모든 RE들에 더 기초하는, 전자 장치.
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모를 포함하고, 상기 적어도 하나의 메모리는, 실행될 때, 상기 적어도 하나의 프로세서에:
복조 기준 신호(demodulation reference signal; DMRS)가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치(channel estimate)에 대해 주파수 보간을 수행하고;
상기 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행하고;
상기 시간 보간으로부터의 입력으로서 주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 채널 추정치에 기초하여 신경망의 훈련을 수행하고; 그리고
상기 신경망의 상기 훈련에 기초하여 시간 및 주파수 영역 이상적 채널을 출력하도록 지시하는 명령어를 저장하는, 전자 장치.
제5항에 있어서,
각각의 리소스 블록 또는 번들(bundle)에서 모든 시간 및 주파수 RE들을 개선하도록(refine) 구성된 잡음 제거 오토인코더(denoising autoencoder)를 더 포함하는, 전자 장치.
적어도 하나의 프로세서; 및
적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고,
상기 적어도 하나의 메모리는, 실행될 때, 상기 적어도 하나의 프로세서에:
복조 기준 신호(demodulation reference signal; DMRS)가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치(channel estimate)에 대해 주파수 보간을 수행하고;
상기 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행함으로써 채널 추정치들을 획득하고;
주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 상기 채널 추정치들에 2차원 이산 푸리에 변환 및 역 이산 푸리에 변환(discrete Fourier transform and inverse discrete Fourier transform; 2D-DFT-IDFT)을 적용함으로써 상기 채널 추정치들을 도플러 지연(Doppler-delay) 영역으로 변환하고;
상기 도플러 지연 영역으로 변환된 상기 채널 추정치들을 신경망으로 입력하고;
시간 및 주파수 영역 이상적 채널에 상기 2D-DFT-IDFT를 적용하고; 그리고
상기 시간 및 주파수 영역 이상적 채널에 적용된 상기 2D-DFT-IDFT의 출력을 상기 신경망으로부터 출력된 개선된(refined) 채널 추정치들에 적용함으로써 이상적 도플러 지연 영역 채널을 계산하도록 지시하는 명령어를 저장하는, 전자 장치.
제7항에 있어서,
상기 도플러 지연 영역으로 변환된 상기 채널 추정치들은 상기 주파수 영역에서의 리소스 블록 내의 모든 RE들 및 상기 시간 영역에서의 상기 DMRS 또는 데이터 중의 어느 하나가 전송되는 모든 RE들에 있는, 전자 장치.
적어도 하나의 프로세서; 및
적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고,
상기 적어도 하나의 메모리는, 실행될 때, 상기 적어도 하나의 프로세서에:
복조 기준 신호(demodulation reference signal; DMRS)가 전송되는 곳에 위치되는 모든 리소스 요소(resource element; RE)들에서 채널 추정치(channel estimate)에 대해 주파수 보간을 수행하고;
상기 주파수 보간으로부터 획득된 주파수 영역 보간된 채널에 대해 시간 보간을 수행함으로써 채널 추정치들을 획득하고;
주파수 영역에서의 RE들과 시간 영역에서의 RE들에서 상기 채널 추정치들에 2차원 이산 푸리에 변환 및 역 이산 푸리에 변환(discrete Fourier transform and inverse discrete Fourier transform; 2D-DFT-IDFT)을 적용함으로써 상기 채널 추정치들을 도플러 지연(Doppler-delay) 영역으로 변환하고;
상기 도플러 지연 영역으로 변환된 상기 채널 추정치들을 신경망으로 입력하고;
2차원 역 이산 푸리에 변환 및 이산 푸리에 변환(inverse discrete Fourier transform and discrete Fourier transform; 2D-IDFT-DFT)을 상기 신경망으로부터 출력된 개선된(refined) 채널 추정치들에 적용하고; 그리고
상기 2D-IDFT-DFT의 출력에 기초하여 증강된(enhanced) 채널 추정치를 획득하도록 지시하는 명령어를 저장하는, 전자 장치.
제9항에 있어서,
상기 2D-IDFT-DFT의 출력은 상기 도플러 지연 영역으로부터 시간 및 주파수 영역으로의 상기 개선된 채널 추정치들의 변환인, 전자 장치.
제9항에 있어서,
상기 신경망은 상기 도플러 지연 영역에서 훈련되는, 전자 장치.
적어도 하나의 프로세서; 및
적어도 하나의 프로세서와 작동 가능하게 연결된 적어도 하나의 메모리를 포함하고,
상기 적어도 하나의 메모리는, 실행될 때, 상기 적어도 하나의 프로세서에:
1차 네트워크 및 2차 네트워크의 후보 노드들을 획득하고;
상기 1차 네트워크 및 상기 2차 네트워크의 상기 후보 노드들에 대해 가중치 부여를 수행하고;
가중치가 부여된 벡터들에 도달하기 위해 가중치가 부여된 상기 노드들을 출력하고;
합산(summation) 연산을 수행함으로써 상기 가중치가 부여된 벡터들을 합산하고; 그리고
상기 합산 연산으로부터의 출력 노드들에 기초하여 최종 네트워크 출력을 획득하도록 지시하는 명령어를 저장하는, 전자 장치.
제12항에 있어서,
상기 후보 노드들은 입력 노드들 및 은닉 노드들을 포함하는, 전자 장치.
제12항에 있어서,
상기 후보 노드들은 어텐션 메트릭스(attention metrics)로 가중치가 부여되는, 전자 장치.
제12항에 있어서,
상기 1차 및 2차 네트워크는 다층 퍼셉트론(multi-layer perceptron) 신경망인, 전자 장치.