KR20230093793A

KR20230093793A - 다중-사용자 mimo 무선 통신 시스템에서 머신 러닝 기반 선형 프리코더 획득 방법 및 장치

Info

Publication number: KR20230093793A
Application number: KR1020210182697A
Authority: KR
Inventors: 이인규; 장정현
Original assignee: 고려대학교 산학협력단
Priority date: 2021-12-20
Filing date: 2021-12-20
Publication date: 2023-06-27
Also published as: KR102613818B1; WO2023120864A1

Abstract

본 개시는 다중-사용자 MIMO 무선 통신 시스템에서 머신 러닝에 기반하여 선형 프리코더를 획득하는 방법 및 장치에 대한 것이다. 본 개시의 일 실시예에 따른 다중-사용자 MIMO(Multiple Input Multiple Output) 무선 통신 시스템에서 송신단이 프리코더 기반으로 신호를 송신하는 방법은, K(K는 0 초과의 정수)개의 수신단의 각각으로부터 수신된 채널 정보를 훈련 완료된 프리코더 연산 모듈에 입력하여 프리코더를 획득하는 단계; 및 상기 획득된 프리코더에 기초하여 상기 K 개의 수신단 각각에게 프리코딩된 신호를 송신하는 단계를 포함하고, 상기 프리코더 연산 모듈은, 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함할 수 있다.

Description

다중-사용자 MIMO 무선 통신 시스템에서 머신 러닝 기반 선형 프리코더 획득 방법 및 장치{METHOD AND APPARATUS FOR OBTAINING LINEAR PRECODER BASED ON MACHINE LEARNING IN MULTI-USER MIMO WIRELESS COMMUNICATION SYSTEM}

본 개시는 무선 통신 시스템에서의 프리코더에 대한 것이며, 구체적으로는 다중-사용자 MIMO 무선 통신 시스템에서 머신 러닝에 기반하여 선형 프리코더를 획득하는 방법 및 장치에 대한 것이다.

다중-사용자(multi-user) MIMO(multiple input multiple output) (MU-MIMO) 무선 통신 시스템에서, 하향링크 채널(downlink channel)을 이용해 데이터를 송수신 하는 경우, 하나의 기지국이 여러 사용자/단말에게 동시에 정보를 전달할 수 있다. 이를 위해 각각의 단말과 기지국 간의 채널정보를 기지국이 획득한(예를 들어, 각각의 단말로부터 채널 정보를 피드백 받은) 후, 기지국이 데이터를 송신하기 전에 프리코딩(precoding)을 적용할 수 있다. 프리코딩(또는 빔포밍)은 송신단이 전송하고자 하는 전송 스트림을 다중 안테나(또는 안테나 포트)에 매핑시키는 것을 의미하며, 그 매핑 관계는 프리코딩 행렬/벡터(또는 빔포밍 행렬/벡터)에 의해서 표현될 수 있다.

하나의 단말과 하나의 기지국 간의 채널만 고려하는 단일 사용자 시스템과는 달리, 다중 사용자 시스템에서는 각각의 단말과 기지국간의 채널은 물론 단말간 간섭이 추가적으로 고려되어야 한다. 예를 들어, Nt 개의 안테나를 가진 기지국이 K 개의 단말(하나의 단말은 Nr 개의 안테나를 가짐) 각각에게 파일럿 신호 P를 전송하고, 각각의 단말은 P에 기초하여 추정된 채널 상태 정보(CSI)를 기지국으로 피드백할 수 있으며, 기지국은 시스템 성능(예를 들어, 전체 전송 레이트의 최대화) 및 단말간 간섭을 최소화하는 프리코더를 결정할 수 있다. 이와 관련하여, DPC(dirty paper coding)와 비선형 프리코딩 기법이 높은 주파수 효율을 지닌다고 알려져 있지만, 실제 구현 관점에서 어려운 면이 많기 때문에 비교적 구현이 쉬운 선형 프리코딩(linear precoding) 기법이 널리 사용되고 있다. 이러한 프리코딩을 담당하는 매개체를 선형 프리코더(linear precoder)라 하며, WMMSE(weighted minimum squared error) 알고리즘을 이용한 프리코더가 최적의 성능을 가지는 것으로 알려져 있다.

MU-MIMO 시스템에서 WMMSE 알고리즘 기반의 프리코더는 최적의 성능을 얻기 위해서 반복적인 연산이 요구되고, 매 반복마다 높은 복잡도의 계산이 필요하다는 문제가 있다. 반복 연산의 복잡도 저감을 위해서 딥러닝과 같은 머신 러닝을 적용하는 것을 고려할 수 있으나, 딥러닝과 기반의 프리코더 설계 및 송수신 기법은 주로 입력과 출력을 모두 하나의 심층 신경망(DNN)으로 구현하기 때문에 성능 개선에 한계를 가진다. 따라서, WMMSE 알고리즘에 대해서 딥러닝 기법을 적용하는 새로운 방안이 요구된다.

본 개시의 기술적 과제는 MU-MIMO 무선 통신 시스템에서 이용되는 선형 프리코더에 대해서, 반복적인 수행이 필요한 WWMSE 방식과 딥러닝 기법을 융합하는 보완하는 새로운 프리코딩 방법 및 장치를 제공하는 것이다.

본 개시의 기술적 과제는 MU-MIMO 무선 통신 시스템에서 이용되는 선형 프리코더에 대해서, WMMSE 방식의 매 반복마다 특정한 목적 함수를 가지고 최적화되는 점에 착안하여, DNN 훈련을 통해 반복적인 연산을 하나의 매핑 함수로 압축하는 방법 및 장치를 제공하는 것이다.

본 개시의 추가적인 기술적 과제는 MU-MIMO 무선 통신 시스템에서 이용되는 선형 프리코더에 대해서, WMMSE 기법에 비하여 낮은 복잡도를 가지면서 DNN으로만 구성되는 딥러닝 기법에 비하여 높은 성능을 가지는 프리코딩 방법 및 장치를 제공하는 것이다.

본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 양상에 따른 다중-사용자 MIMO(Multiple Input Multiple Output) 무선 통신 시스템에서 송신단이 프리코더 기반으로 신호를 송신하는 방법은, K(K는 0 초과의 정수)개의 수신단의 각각으로부터 수신된 채널 정보를 훈련 완료된 프리코더 연산 모듈에 입력하여 프리코더를 획득하는 단계; 및 상기 획득된 프리코더에 기초하여 상기 K 개의 수신단 각각에게 프리코딩된 신호를 송신하는 단계를 포함하고, 상기 프리코더 연산 모듈은, 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함할 수 있다.

본 개시의 추가적인 양상에 따른 다중-사용자 MIMO(multiple input multiple output) 무선 통신 시스템에서 프리코더 기반으로 신호를 송신하는 송신 장치는, 트랜시버; 안테나부; 메모리; 및 프로세서를 포함할 수 있다. 상기 프로세서는, K(K는 0 초과의 정수)개의 수신단의 각각으로부터 수신된 채널 정보를 훈련 완료된 프리코더 연산 모듈에 입력하여 프리코더를 획득하고; 및 상기 획득된 프리코더에 기초하여 상기 K 개의 수신단 각각에게 프리코딩된 신호를 상기 트랜시버를 통하여 송신하도록 설정될 수 있다. 상기 프리코더 연산 모듈은, 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함할 수 있다.

본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.

본 개시에 따르면, MU-MIMO 무선 통신 시스템에서 이용되는 선형 프리코더에 대해서, 반복적인 수행이 필요한 WWMSE 방식과 딥러닝 기법을 융합하는 보완하는 새로운 프리코딩 방법 및 장치가 제공될 수 있다.

본 개시에 따르면, MU-MIMO 무선 통신 시스템에서 이용되는 선형 프리코더에 대해서, WMMSE 방식의 매 반복마다 특정한 목적 함수를 가지고 최적화되는 점에 착안하여, DNN 훈련을 통해 반복적인 연산을 하나의 매핑 함수로 압축하는 방법 및 장치가 제공될 수 있다.

본 개시에 따르면, MU-MIMO 무선 통신 시스템에서 이용되는 선형 프리코더에 대해서, WMMSE 기법에 비하여 낮은 복잡도를 가지면서 DNN으로만 구성되는 딥러닝 기법에 비하여 높은 성능을 가지는 프리코딩 방법 및 장치가 제공될 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시가 적용될 수 있는 무선 통신 시스템의 구조를 나타내는 도면이다.
도 2는 본 개시가 적용될 수 있는 완전 연결 심층신경망의 구조를 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 머신 러닝 기반 선형 프리코더 설계를 설명하기 위한 도면이다.
도 4는 본 개시에 따른 프리코딩된 신호 전송 방법을 설명하기 위한 도면이다.
도 5는 본 개시에 따른 송신 장치의 구성을 나타내는 도면이다.
도 6은 본 개시의 예시들에 따른 시뮬레이션 결과를 나타내는 도면이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.

본 개시의 실시예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙인다.

본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계 뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들 간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시예에서의 제1 구성요소는 다른 실시예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시예에서의 제2 구성요소를 다른 실시예에서 제1 구성요소라고 칭할 수도 있다.

본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위한 것이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 다양한 실시예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시예도 본 개시의 범위에 포함된다. 또한, 다양한 실시예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시예도 본 개시의 범위에 포함된다.

본 개시는 무선 통신 시스템에서 네트워크 노드들 간의 통신에 대한 것이다. 네트워크 노드는, 기지국, 단말 또는 릴레이(relay) 중의 하나 이상을 포함할 수 있다. 기지국(Base Station, BS)이라는 용어는, 고정국(fixed station), Node B, eNodeB(eNB), ng-eNB, gNodeB(gNB), 액세스 포인트(Access Point, AP) 등의 용어로 대체될 수 있다. 단말(terminal)은 UE(User Equipment), MS(Mobile Station), MSS(Mobile Subscriber Station), SS(Subscriber Station), 비-AP 스테이션(non-AP STA) 등의 용어로 대체될 수 있다.

무선 통신 시스템은 기지국과 단말 간의 통신을 지원할 수도 있고, 단말간 통신을 지원할 수도 있다. 기지국과 단말 간의 통신에 있어서, 하향링크(Downlink, DL)는 기지국으로부터 단말로의 통신을 의미한다. 상향링크(Uplink, UL)은 단말로부터 기지국으로의 통신을 의미한다. 단말간 통신은 D2D(Device-to-Device), V2X(Vehicle-to-everything), ProSe(Proximity Service), 사이드링크(sidelink) 통신 등의 다양한 통신 방식 또는 서비스를 포함할 수 있다. 단말간 통신에 있어서 단말은 센서 노드, 차량, 재난 경보기 등의 형태로 구현될 수도 있다.

또한, 무선 통신 시스템은 릴레이(relay) 또는 릴레이 노드(RN)를 포함할 수 있다. 기지국과 단말 간의 통신에 릴레이가 적용되는 경우, 릴레이는 단말에 대해서 기지국으로서 기능할 수 있고, 릴레이는 기지국에 대해서 단말로서 기능할 수 있다. 한편, 단말간 통신에 릴레이가 적용되는 경우, 릴레이는 각각의 단말에 대해서 기지국으로서 기능할 수 있다.

본 개시는 무선 통신 시스템의 다양한 다중 액세스 방식에 적용될 수 있다. 예를 들어, 다중 액세스 방식은 CDMA(Code Division Multiple Access), TDMA(Time Division Multiple Access), FDMA(Frequency Division Multiple Access), OFDMA(Orthogonal Frequency Division Multiple Access), SC-FDMA(Single Carrier-FDMA), OFDM-FDMA, OFDM-TDMA, OFDM-CDMA, NOMA(Non-Orthogonal Multiple Access) 등을 포함할 수 있다. 또한, 본 개시가 적용될 수 있는 무선 통신 시스템은, 상향링크 및 하향링크 통신이 서로 구별되는 시간 자원을 이용하는 TDD(Time Division Duplex) 방식을 지원할 수도 있고, 서로 구별되는 주파수 자원을 이용하는 FDD(Frequency Division Duplex) 방식을 지원할 수도 있다.

본 개시에서, 채널을 전송 또는 수신한다는 것은 해당 채널을 통해서 정보 또는 신호를 전송 또는 수신한다는 의미를 포함한다. 예를 들어, 제어 채널을 전송한다는 것은, 제어 채널을 통해서 제어 정보 또는 신호를 전송한다는 것을 의미한다. 유사하게, 데이터 채널을 전송한다는 것은, 데이터 채널을 통해서 데이터 정보 또는 신호를 전송한다는 것을 의미한다.

이하에서는 MU-MIMO 무선 통신 시스템에서의 선형 프리코더의 획득 또는 설계 방안에 대한 본 개시의 예시들을 설명한다.

도 1은 본 개시가 적용될 수 있는 무선 통신 시스템의 구조를 나타내는 도면이다.

본 개시에서는 N_t 개의 안테나를 가진 기지국이 각각 N_r 개의 안테나를 가진 K 명의 단말(또는 사용자)들에게 하향링크를 사용하여 데이터를 전송하는 시스템을 가정한다. 기지국과 k 번째 사용자 간의 채널을 H_k 라 한다면, k 번째 사용자가 수신하는 신호 y_k 는 다음과 같이 나타낼 수 있다.

수학식 1에서 E_s 는 송신 전력, x 는 송신 신호, n_k 는 수신단에서 경험하는 평균 0의 가우시안(Gaussian) 잡음을 나타낸다.

수학식 2에서와 같이, 송신신호 x는 각 단말에게 전달하고자 하는 정보(s_k)와 각 단말로의 전송에 적용되는 프리코더(Vk)의 곱 형태로 나타난다.

실제 통신 시스템에서는 각 단말에서 채널 정보를 추정해야 하지만, 본 개시는 프리코더 생성에 대한 것이므로 추정 오류 없이 완벽한 채널 정보가 획득 가능하다고 가정한다. 본 개시에서 프리코더 생성의 목적은 데이터 전송에 있어서 각 단말에 대한 주파수당 전송률의 합을 최대화 시키는 것이며, 다음과 같은 수식으로 나타낼 수 있다.

수학식 3에서 Tr()은 행렬의 대각합을 의미하고, X^H는 X 행렬의 에르미트 행렬을 의미한다. 수학식 3에서 R_k 는 k 번째 단말로의 데이터 전송률을 의미하며, 데이터/신호 전송 시 평균적인 잡음의 세기를 σ_k ²라고 하는 경우 다음과 같이 나타난다.

수학식 4에서 det()는 행렬식(determination)을 의미한다.

도 2는 본 개시가 적용될 수 있는 완전 연결 심층신경망의 구조를 설명하기 위한 도면이다.

본 개시에서는 머신 러닝 기법의 일례로서 심층신경망(DNN) 모델이 적용될 수 있다. 그러나, 본 개시의 범위가 DNN 모델로 제한되는 것은 아니며, 다른 유사한 머신 러닝 기법에도 본 개시의 원리가 동일하게 적용될 수도 있다.

DNN이란, 인간의 신경망 구조를 본떠 컴퓨터 과학에서 만든 구조로, 인간의 뉴런 역할을 하는 여러 개의 레이어로 이뤄진 모델이다. 입력과 출력 레이어를 제외한 중간의 레이어를 히든 레이어(hidden layer)라고 하는데, m 번째 히든 레이어의 출력은 수학식 5와 같이 표현될 수 있다.

수학식 5에서 x_m은 m 번째 레이어의 출력을 나타내고, a_m은 활성화 함수(activation function)을 나타내고, W_m 은 가중치(weight)를 나타내고, o_m 은 편향(bias)을 나타낸다. 즉, m 번째 레이어의 출력은, m-1 번째 레이어의 출력에 m 번째 레이어의 가중치를 적용하고 가중치가 적용된 결과에 m 번째 레이어의 편향을 부가한 값을 입력으로 하는 활성화 함수의 출력으로 표현될 수 있다.

여러 개의 레이어와 여러 개의 비선형 활성 함수를 포함하는 DNN 모델을 이용하여, 수학적으로 나타내기 어려운 입력과 출력의 비선형 관계를 근사화시킬 수 있고, 이에 따라 이론적으로 풀기 힘든 문제를 해결할 수 있다.

도 2의 예시에서는 입력 복소수 행렬 X를 총 L 개의 레이어로 이뤄진 완전 연결(FC) 레이어 신경망을 통과하여 출력값 Z를 얻는 것을 나타내며, 이를 위한 연산을

이라 할 수 있다. 복소수 행렬 X를 신경망에 입력으로 사용하기 위해서는

와 같이 실수 벡터로의 변환(real representation)이 필요하다. 입력이 신경망을 통과할 때, l 번째 히든 레이어의 출력은 수학식 6과 같이 나타낼 수 있다.

여기서 Ф_l은 l 번째 히든 레이어의 가중치를 의미하고, b_l 은 l 번째 히든 레이어의 편향을 나타낸다. a_l은 비선형 활성화 함수를 의미한다. 모든 레이어를 통과한 출력을

라 하면,

와 같이 출력 복소수 행렬이 계산될 수 있다. 완전 연결 레이어의 출력에 대해 복소수 변환(complex representation)을 통하여 출력 Z를 획득할 수 있다.

완전 연결 레이어를 포함하는 신경망을 구성하는 모든 가중치 및 편향을

이라 하면, 입력 X, 연산

및 출력 Z의 전체적인 매핑 관계를 아래의 수학식 7과 같이 나타낼 수 있다.

도 3은 본 개시의 일 실시예에 따른 머신 러닝 기반 선형 프리코더 설계를 설명하기 위한 도면이다.

도 3(a)의 구성요소에서

는 채널 입력 H에 대해서 프리코더 V를 출력하는 연산을 나타낸다. 프리코더 V는 프리코더 산출식

에 기초하여 획득되며, 산출식

에 입력되는 행렬 U 및 W는 각각

및

에 기초하여 추출될 수 있다. 또한, 기지국의 프리코더 획득 연산

에 사용되는 파라미터는 θ_W,θ_U, 및 θ_β를 포함할 수 있다. 이에 대한 구체적인 설명은 아래와 같다.

각 단말로부터 전달 받은 채널 정보를 모두 연계(concatenation)한 결과 H(즉, H=[H₁ ^T,...,H_K ^T]^T)를 입력으로 하고, 모든 단말을 위한 프리코더 V (즉, V=[V₁,...,V_K])라는 최종적인 출력을 구하는데 필요한 모든 연산을

으로 정의한다.

WMMSE 알고리즘의 구조를 바탕으로 하지만, 본 개시에서 심층 신경망을 이용해 얻고자 하는 것은, WMMSE 솔루션 수식의 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β이다. 가중치 행렬 W, 및 수신 필터 행렬 U는 각각 완전 연결 레이어로 구성된 심층 신경망을 통해 얻어낸다.

심층 신경망에 사용되는 입력은 J (즉, J=[H^H,V_RZF])이며, 여기서 V_RZF 는 RZF(regularized zero forcing) 프리코더이며, 다음과 같이 나타난다.

수학식 8에서

은 RZF 송신 전력 조건을 위한 상수이며,

는 RZF 정규화 상수를 의미한다. WMMSE 솔루션의 가중치 행렬 W와 수신 필터 행렬 U는 각각 두 개의 완전 연결 레이어 신경망을 통해 얻을 수 있다. 우선, 도 3(a)의

로 정의된 완전 연결 레이어의 출력을

라 할 수 있고, 다음과 같이 표현될 수 있다.

WMMSE 솔루션에 사용되는 가중치 행렬은 에르미트 형태를 지녀야 하므로, 가중치 행렬을 구하는데 필요한 연산을 다음과 같이 정의한다.

수신 필터 행렬 U는

로 정의된 완전 연결 레이어의 출력으로 얻을 수 있다.

두 개의 완전 연결 레이어 신경망으로부터 얻은 행렬들을 바탕으로 다음과 같이 프리코딩 행렬 V를 구할 수 있다.

수학식 12에서 γ 는 송신 전력 조건(

)을 위한 상수이고,

는 정규화 상수를 나타낸다.

여기서 채널 추정 에러, 제한된 채널 피드백 상황을 대비해 신경망 파라미터 θ_β 를 추가적인 정규화 상수로 추가하였다.

도 3(a)의 예시에서 사용되는 모든 심층 신경망 파라미터를

라 정의했을 때, 두 완전 연결 레이어 심층 신경망의 입력 J를 채널 H로 나타낼 수 있으므로 프리코더 행렬 계산을 위한 모든 연산은 다음과 같이 정의를 할 수 있다.

위와 같이 구성된 MU-MIMO 선형 프리코더 획득을 위한 심층 신경망은 WMMSE 알고리즘의 원리에 따라 훈련될 수 있다. 즉, 업데이트 되는 가중치에 따라서 WMMSE 합계를 최소화하는 방식(sum-weighted MSE)으로, 합계 전송률을 최대화하도록 신경망을 훈련할 수 있다. 훈련은 여러 번의 단계에 걸쳐 진행되며, 손실 함수를

이라 정의했을 때 임의의 채널 변수 H에 대한 평균값으로, m 번째 훈련 단계에서의 손실 함수은 다음과 같이 나타낼 수 있다.

수학식 14에서 E_k 는 MMSE 행렬이며, 다음과 같이 나타낸다.

수학식 14에서

는 가중치 행렬이며, MMSE 행렬의 역행렬인

와 같이 계산한다. 각 파라미터들은 경사하강법 또는 SGD(stochastic gradient descent) 알고리즘을 통해 업데이트 한다.

초기 훈련 단계를 m=0인 경우로 취급할 경우, 초기 단계에는 이전 단계의 가중치가 존재하지 않기 때문에 동일한 가중치로 훈련한다(즉,

). m 번째 훈련 단계가 수렴한 이후에, 훈련된 모든 파라미터들은 m+1 번째 단계로 복사되어, 보다 빠른 속도로 다음 미세 훈련이 이뤄지도록 한다. 훈련 단계를 증가시키면서 훈련하되, 매 훈련 단계가 끝날 때마다 합계 전송률

를 계산해 이 값이 수렴할 때까지 훈련 단계를 증가시킨다.

총 M 번째 단계에 걸친 오프라인 훈련이 진행 된 경우(m=0,...,M), 마지막 단계에서 훈련된 심층 신경망만 실제 온라인 상의 통신에 사용된다.

도 3(b)는 훈련 완료된 심층 신경망 기반 프리코더 획득 방법을 나타낸다. M 번째 훈련을 통해 업데이트/획득된 파라미터의 집합을 θ_BS ^[M] 으로 표현할 수 있다. 이러한 파라미터가 적용된 한 번의

연산을 통해서, 입력 H로부터 프리코더 V를 획득할 수 있다. 따라서 반복적인 계산이 불필요하게 되므로 계산 복잡도가 기존의 WMMSE 알고리즘에 비해 현저히 감소하게 된다.

도 4는 본 개시에 따른 프리코딩된 신호 전송 방법을 설명하기 위한 도면이다.

단계 S410에서 송신단(예를 들어, 기지국)은 K 개의 수신단(예를 들어, 단말)의 각각으로부터 수신된 채널 정보(H₁, H₂, ..., H_K)를 훈련 완료된 프리코더 연산 모듈에 입력하여, 프리코더(V)를 획득할 수 있다.

단계 S420에서 송신단은 획득된 프리코더(V)에 기초하여 K 개의 수신단 각각에게 프리코딩된 신호를 송신할 수 있다.

여기서, 프리코더 연산 모듈은 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함할 수 있다. 또한, 프리코더 연산 모듈은, WMMSE 연산 구조에 기초하는 구조를 가질 수 있다.

예를 들어, 가중치 행렬 W은 제 1 완전 연결(FC) 레이어를 통하여 획득되고, 수신 필터 행렬 U은 제 2 FC 레이어를 통하여 획득될 수 있다. 프리코더 연산 모듈 또는 그 심층 신경망의 연산을

라 하면, 상기 수학식 13에 따라서 입력 H에 대해서 파라미터 θ_BS에 기반한 연산을 통해 K 개의 수신단에 대한 프리코더 V가 획득될 수 있다.

여기서, θ_BS 는 상기 심층 신경망의 연산에 적용되는 파라미터의 집합인 {θ_W,θ_U.θ_β} 으로 정의될 수 있다. θ_W는 상기 제 1 FC 레어에에 적용되는 파라미터의 집합에 해당할 수 있다. θ_U는 상기 제 2 FC 레이어에 적용되는 파라미터의 집합에 해당할 수 있다. θ_β는 상기 심층 신경망에 적용되는 정규화 상수 β 에 연관되는 파라미터의 집합에 해당할 수 있다.

프리코더 연산 모듈 또는 이를 구성하는 심층 신경망의 설계 및 훈련에 대한 구체적인 예시들은 전술한 실시예들과 중복되므로 설명을 생략한다.

본 개시에 따른 MU-MIMO를 위한 선형 프리코더 획득 방법에 의하면, 수신단(단말)로부터 오류가 존재하는 채널상태정보(CSI)가 피드백되어 불완전한 H가 프리코더 연산 모듈에 입력되더라도, 심층 신경망 연산에 의해서 최적의 프리코더를 획득할 수 있다.

또한, 본 개시의 예시에 따르면, FDD 시스템과 같이 제한된 피드백 상황에 대해서도 심층 신경망 파라미터 β 에 따라서 최적의 프리코더를 획득할 수 있다. 즉, β는 불완전한 채널 피드백에 대한 훈련의 오프셋을 조절하는 파라미터로서 기능할 수 있다.

특히 수신 필터 행렬 U가 완전 연결 레이어를 통하여 도출됨으로써 MMSE 방식을 기반으로 하되 반복 연산 없이 최적의 프리코더를 획득할 수 있다. 나아가, 가중치 행렬 W이 완전 연결 레이어를 통하여 도출됨으로써 WMMSE 방식에서도 반복 연산 없이 최적의 프리코더를 획득할 수 있다. 즉, W 및 U 모두가 완전 연결 레이어를 통하여 도출됨으로써 MU-MIMO 채널 상황에 WMMSE 알고리즘을 기반으로 최적화된 선형 프리코더가 획득될 수 있다.

또한, 종래의 DNN 기반 프리코더 설계/획득 방법에서는 합계 전송률을 손실 함수로 정의하여 최적의 솔루션을 도출하고자 하였다. 즉, 종래의 DNN 기반 프리코더 설계 방식에서는 입력 H에 기초한 출력 V가 하나의 FC 레이어를 통하여 도출되는 구조를 가진다. 이와 달리, 본 개시에서는 합계 전송률 자체가 아닌 수신 필터 행렬 U 및 가중치 행렬 W를 손실 함수로 정의하여 WMMSE 기법과 DNN 기법을 융합하여 훈련한다. 또한, 본 개시의 W 및 U는 기존의 WMMSE 수식의 W 및 U와 달리 각각의 FC 레이어를 통하여 도출되는 것으로서, 기존의 WMMSE에서의 W는 손실 함수 계산을 위한 가중치로서 정의되는 반면 본 개시의 W는 FC 레이어를 포함하는 DNN을 통한 가중치 행렬에 대한 추정값/최적값에 해당한다. 이에 따라, 본 개시에 따라 훈련 완료된 프리코더 연산 모듈을 이용하는 경우 최적화된 프리코더를 한 번의 연산을 통해서 획득할 수 있는 유리한 효과를 가진다.

도 5는 본 개시에 따른 송신 장치의 구성을 나타내는 도면이다.

송신 장치(500)는 프로세서(510), 안테나부(520), 트랜시버(530), 메모리(540)를 포함할 수 있다.

프로세서(510)는 베이스밴드 관련 신호 처리를 수행하며, 상위계층 처리부(511) 및 물리계층 처리부(515)를 포함할 수 있다. 상위계층 처리부(511)는 MAC 계층, RRC 계층, 또는 그 이상의 상위계층의 동작을 처리할 수 있다. 물리계층 처리부(515)는 PHY 계층의 동작(예를 들어, 상향링크/하향링크/사이드링크 상의 송신/수신 신호 처리 등)을 처리할 수 있다. 프로세서(510)는 베이스밴드 관련 신호 처리를 수행하는 것 외에도, 송신 장치(500) 전반의 동작을 제어할 수도 있다.

안테나부(520)는 하나 이상의 물리적 안테나를 포함할 수 있고, 복수개의 안테나를 포함하는 경우 MIMO 송수신을 지원할 수 있다. 트랜시버(530)는 RF 송신기와 RF 수신기를 포함할 수 있다. 메모리(540)는 프로세서(510)의 연산 처리된 정보, 송신 장치(500)의 동작에 관련된 소프트웨어, 운영체제, 애플리케이션 등을 저장할 수 있으며, 버퍼 등의 구성요소를 포함할 수도 있다.

송신 장치(500)의 프로세서(510)는 본 발명에서 설명하는 실시예들에서의 송신단의 동작을 구현하도록 설정될 수 있다.

예를 들어, 수신 장치(500)의 프로세서(510)의 상위계층 처리부(511)는 프리코더 연산 모듈(512)을 포함할 수 있다.

프리코더 연산 모듈(512)은 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함할 수 있다. 또한, 프리코더 연산 모듈(512)은, WMMSE 연산 구조에 기초하는 구조를 가질 수 있다.

예를 들어, 가중치 행렬 W은 제 1 완전 연결(FC) 레이어를 통하여 획득되고, 수신 필터 행렬 U은 제 2 FC 레이어를 통하여 획득될 수 있다. 프리코더 연산 모듈(512) 또는 그 심층 신경망의 연산을

프리코더 연산 모듈(512) 또는 이를 구성하는 심층 신경망의 설계 및 훈련에 대한 구체적인 예시들은 전술한 실시예들과 중복되므로 설명을 생략한다.

프로세서(510)는 트랜시버(530)를 통하여 K 개의 수신단(예를 들어, 단말)의 각각으로부터 수신된 채널 정보(H₁, H₂, ..., H_K)를 훈련 완료된 프리코더 연산 모듈(512)에 입력하여, 프리코더(V)를 획득할 수 있다.

프로세서(510)는 획득된 프리코더(V)에 기초하여 K 개의 수신단 각각에게 전송할 프리코딩된 신호를 물리계층 처리부(515)를 통하여 생성하고, 트랜시버(530) 및 안테나(520)를 통하여 송신할 수 있다.

송신 장치(500)의 동작에 있어서 본 발명의 예시들에서 송신단에 대해서 설명한 사항이 동일하게 적용될 수 있으며, 중복되는 설명은 생략한다.

도 6은 본 개시의 예시들에 따른 시뮬레이션 결과를 나타내는 도면이다.

도 6의 예시에 있어서 심층 신경망 훈련에 사용된 채널 모델은 레일리 블록 페이딩(rayleigh block fading) 성질을 지니는 채널 모델을 사용했으며, 단일 기지국과 4명의 사용자/단말(즉, K=4)을 가정하였고, 기지국의 안테나 개수 N_t=KN_r로 설정하였고, 사용자 각각의 안테나 개수는 N_r로 설정한 시스템에 대해서 훈련을 수행하였다.

본 개시의 예시에 따른 결과를, WMMSE 알고리즘 기법, RBD(regularized block diagonalization) 기법과 비교했다.

도 6(a)에서 각 사용자의 안테나 개수에 따른 합계 전송률을 보인다. 본 개시에 따른 예시(Proposed)에서는 반복적인 연산이 수행되지 않았음에도 불구하고 WMMSE 알고리즘의 성능에 근접하는 것을 보이며, RBD 기법보다 우수한 성능을 보여준다. 또한, 완전 연결 레이어로만 구성된 심층 신경망(Naive DNN)에 비해 본 개시의 예시의 성능이 월등한 것이 관찰된다.

도 6(b)에서는 인공 심층 신경망의 훈련 단계에 따른 성능의 변화를 보여준다. 훈련 단계가 진행 될수록 합계 전송률의 성능이 향상되는 것을 확인할 수 있으며, 본 개시의 예시들에 따른 결과(Proposed)가 기존의 WMMSE 알고리즘과 유사한 행동을 하는 것을 확인할 수 있다.

표 1은 N_r=1인 경우, 표 2에서는 N_r=2 인 경우에 대한 사전 훈련이 완료된 후 온라인 상에서 측정된 계산 복잡도를 나타낸다. 본 개시의 예시들에 따른 결과(Proposed)는 WMMSE 알고리즘과 유사한 성능을 보이지만, 반복적인 연산의 생략으로 인해 계산 복잡도는 WMMSE 알고리즘에 비하여 현저히 줄어드는 것으로 나타난다.

본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.

본 개시의 다양한 실시예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

본 개시의 범위는 다양한 실시예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims

다중-사용자 MIMO(multiple input multiple output) 무선 통신 시스템에서 송신단이 프리코더 기반으로 신호를 송신하는 방법에 있어서, 상기 방법은:
K(K는 0 초과의 정수)개의 수신단의 각각으로부터 수신된 채널 정보를 훈련 완료된 프리코더 연산 모듈에 입력하여 프리코더를 획득하는 단계; 및
상기 획득된 프리코더에 기초하여 상기 K 개의 수신단 각각에게 프리코딩된 신호를 송신하는 단계를 포함하고,
상기 프리코더 연산 모듈은, 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함하는, 방법.
제 1 항에 있어서,
상기 프리코더 연산 모듈은, WMMSE(weighted minimum squared error) 연산 구조에 기초하는, 방법.
제 2 항에 있어서,
상기 가중치 행렬 W은 제 1 완전 연결(FC) 레이어를 통하여 획득되고,
상기 수신 필터 행렬 U은 제 2 FC 레이어를 통하여 획득되는, 방법.
제 3 항에 있어서,
상기 프리코더 연산 모듈은 수학식

으로 표현되고,
V는 상기 프리코더에 해당하고,
H는 상기 K 개의 수신단의 각각으로부터 수신된 채널 정보의 집합에 해당하고,

는 상기 심층 신경망의 연산에 해당하고,
θ_BS 는 상기 심층 신경망의 연산에 적용되는 파라미터의 집합으로서
로 표현되고,
θ_W는 상기 제 1 FC 레어에에 적용되는 파라미터의 집합에 해당하고,
θ_U는 상기 제 2 FC 레이어에 적용되는 파라미터의 집합에 해당하고,
θ_β는 상기 심층 신경망에 적용되는 정규화 상수 β 에 연관되는 파라미터의 집합에 해당하는, 방법.
제 4 항에 있어서,
상기 가중치 행렬 W 및 상기 수신 필터 행렬 U는, 프리코더 산출식
에 입력되고, 정규화 상수 β는
에 대해서 적용되는, 방법.
제 5 항에 있어서,
상기 송신단은 Nt 개의 송신 안테나를 포함하고, 상기 K 개의 수신단의 각각은 Nr 개의 수신 안테나를 포함하는, 방법.
제 6 항에 있어서,
상기 제 1 FC 레이어 및 제 2 FC 레이어에 대한 입력 J는 [H^H,V_RZF])에 해당하고,
H는 상기 K 개의 수신단의 각각으로부터 수신된 채널 정보인 H₁,...,H_K 를 연계한 [H₁ ^T,...,H_K ^T]^T 에 해당하고,
V_RZF 는 수학식

으로 표현되고,

는 RZF(regularized zero forcing) 송신 전력 조건을 위한 상수에 해당하고,

는 RZF 정규화 상수에 해당하는, 방법.
제 7 항에 있어서,

과 같이 정의되고,
Es는 상기 송신단에서의 송신 전력에 해당하고,
σ_k ²는 K 개의 수신단 중에서 k 번째 수신단에 대한 평균 잡음 세기에 해당하는, 방법.
제 8 항에 있어서,
상기 프리코더 산출식
에 입력되는 상기 가중치 행렬 W 중에서 k 번째 수신단에 대한 가중치 행렬 W_k는 수학식

와 같이 정의되고,

이고,

이고,

는 상기 제 1 FC 레이어인, 방법.
제 9 항에 있어서,
상기 프리코더 산출식
에 입력되는 상기 수신 필터 행렬 U은

이고,

는 상기 제 2 FC 레이어인, 방법.
제 10 항에 있어서,
상기 프리코더 V는 수학식

를 통하여 획득되고,
γ 는 송신 전력 조건을 위한 상수에 해당하고,
β_DNN은 상기 정규화 상수 β에 해당하는, 방법.
제 11 항에 있어서,

이고,

인, 방법.
제 4 항에 있어서,
상기 프리코더 연산 모듈에 대한 m(=0, 1, ..., M) 번째의 훈련에 의해서 WMMSE 합계를 최소화하도록 θ_BS 가 업데이트되고, 합계 전송률이 최대값에 수렴할 때까지 M 번의 훈련이 수행되는, 방법.
제 13 항에 있어서,
상기 훈련 완료된 프리코더 연산 모듈은, M 번째 훈련에 의해 업데이트된 파라미터 집합인 θ_BS ^[M]가 적용되는 심층 신경망에 해당하고,
상기 훈련 완료된 프리코더 연산 모듈에 대해 입력 H를 적용하여 한 번의 연산을 통해 출력 V가 획득되는, 방법.
다중-사용자 MIMO(multiple input multiple output) 무선 통신 시스템에서 프리코더 기반으로 신호를 송신하는 송신 장치에 있어서, 상기 송신 장치는:
트랜시버;
안테나부;
메모리; 및
프로세서를 포함하고,
상기 프로세서는,
K(K는 0 초과의 정수)개의 수신단의 각각으로부터 수신된 채널 정보를 훈련 완료된 프리코더 연산 모듈에 입력하여 프리코더를 획득하고; 및
상기 획득된 프리코더에 기초하여 상기 K 개의 수신단 각각에게 프리코딩된 신호를 상기 트랜시버를 통하여 송신하도록 설정되고,
상기 프리코더 연산 모듈은, 가중치 행렬 W, 수신 필터 행렬 U, 및 정규화 상수 β가 적용되는 심층 신경망을 포함하는, 송신 장치.