KR20230143332A - 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템 - Google Patents

중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템 Download PDF

Info

Publication number
KR20230143332A
KR20230143332A KR1020220042080A KR20220042080A KR20230143332A KR 20230143332 A KR20230143332 A KR 20230143332A KR 1020220042080 A KR1020220042080 A KR 1020220042080A KR 20220042080 A KR20220042080 A KR 20220042080A KR 20230143332 A KR20230143332 A KR 20230143332A
Authority
KR
South Korea
Prior art keywords
neural network
deep neural
signal processing
repeater
coefficients
Prior art date
Application number
KR1020220042080A
Other languages
English (en)
Other versions
KR102644441B1 (ko
Inventor
신준우
Original Assignee
한국해양대학교 산학협력단
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 한국해양대학교 산학협력단 filed Critical 한국해양대학교 산학협력단
Priority to KR1020220042080A priority Critical patent/KR102644441B1/ko
Publication of KR20230143332A publication Critical patent/KR20230143332A/ko
Application granted granted Critical
Publication of KR102644441B1 publication Critical patent/KR102644441B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/155—Ground-based stations
    • H04B7/15528—Control of operation parameters of a relay station to exploit the physical medium
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/155—Ground-based stations
    • H04B7/15528—Control of operation parameters of a relay station to exploit the physical medium
    • H04B7/15542—Selecting at relay station its transmit and receive resources

Landscapes

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

Abstract

중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템이 제시된다. 본 발명에서 제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템은 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 심층 신경망 계수 생성부 및 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 심층 신경망 연산부를 포함하고, 저전력 광역 통신 시스템의 송신기, 수신기 및 중계기는 상기 심층 신경망 연산부의 출력을 입력 받아 해당 단말에서 필요한 신호를 생성한다.

Description

중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템{Deep Learning Assisted Signal Processing Method and System for Multiple-Source and Multiple-Destination Communication Systems via Amplify-and-Forward Relay}
본 발명은 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템에 관한 것이다.
사물인터넷(Internet-of-Thing; IoT) 통신망, 즉 다양한 종류의 응용 매체들의 유비쿼터스 연결을 가능하게 하는 통신망 구축을 위해 저전력 광역 통신 기술에 대한 논의가 3GPP LTE/LTE-A, LoRa(Long Range Alliance) 등에서 활발히 논의되고 있다. 3GPP LTE/LTE-A 에서는 이러한 저전력 광역 통신 시스템의 통신 반경을 확대하기 위한 기술로 물리 계층 관점에서 초협대역(Ultra Narrow Band; UNB) 변조 기술 도입을 고려하고 있다. 초협대역 변조 기술은 수신기 감도를 개선하기 위해, 즉 신호-대-잡음 비(signal-to-noise ratio; SNR)를 향상하기 위해 대역폭을 줄여 잡음 전력을 줄이는 방법을 활용한 것이다. 이러한 초협대역 기술은 통신 반경을 확대할 수 있다는 점에서 저전력 광역 통신 시스템 구축에 적합한 기술이기는 하지만, 대역폭을 줄임으로 인해 전송속도(throughput)가 감소되는 단점이 있다.
따라서, 초협대역 기술의 전송속도 감소 문제를 해결하고, 저전력 광역 통신 시스템의 전송 속도를 개선하기 위한 방안이 필요하다.
중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 통신 신뢰도를 개선하는 최적 송신기, 수신기 및 중계기 신호처리 방법에 대한 연구는 많이 이루어졌다. 그러나 대부분의 연구는 반복 연산 과정을 포함한 복잡한 연산 과정을 통해 최적 신호처리 구조를 구하기 때문에, 무선 채널이 빠르게 변화는 환경이나 차량 간 통신과 같이 저지연(low-latency) 특성이 중요한 통신 환경에 적용하기는 어렵다.
국내등록특허 제10-1998998호에서는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 통신 신뢰도를 개선하는 최적 송신기, 수신기 및 중계기 신호처리 방법을 제안하였다. 그러나 상기 종래기술에서는 송신기와 수신기에서 다중 안테나를 사용하고, 각 송신기에서 최대 전력 값을 모두 사용하는(equality constraint)에서 송신기, 수신기, 중계기 신호처리 방법을 구했다.
또한, 최근 심층 신경망을 토대로 한 송수신기 설계에 관한 학술연구가 다양하다. 그러나 현재까지의 학술연구는 [W. Xia, et.al, "A deep learning framework for optimization of MISO downlink beamforming," IEEE Trans. Commun., vol. 68, pp. 1866 - 1880 (2020)] 와 [J. Kim, et.al, "Deep learning methods for universal MISO beamforming," IEEE Wireless Commun. Letters, vol. 9, pp. 1894 -1898 (2020)]와 같이 다중안테나 다중사용자 하향링크 송신기 설계에 대한 것으로, 이에 대한 결과를 중계기를 사용한 다중-송신 다중-수신 시스템에서 송신기, 수신기, 중계기 설계로 바로 확장할 수 없다.
국내등록특허 제10-1998998호(2019.07.04)
본 발명이 이루고자 하는 기술적 과제는 초협대역 기술 적용 시 발생하는 저전력 광역 통신 시스템의 전송 속도 감소 문제를 해결하기 위한 새로운 대역폭 할당 방법 및 장치를 제공하는데 있다. 또한, 본 발명을 실제 통신 시스템에 적용할 때 반영되어야 할 물리계층 프레임 구조, 기준치 기반 전송 시점 결정 방법 및 유한한 크기의 대역폭 집합에서의 운용 방법을 제시한다.
일 측면에 있어서, 본 발명에서 제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템은 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 심층 신경망 계수 생성부 및 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 심층 신경망 연산부를 포함하고, 저전력 광역 통신 시스템의 송신기, 수신기 및 중계기는 상기 심층 신경망 연산부의 출력을 입력 받아 해당 단말에서 필요한 신호를 생성한다.
상기 심층 신경망 계수 생성부는 반복연산장치를 포함하는 훈련 신호 생성 장치 및 신경망 훈련 및 계수 연산 장치를 포함하고, 상기 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 계수를 구한다.
상기 반복연산장치는 송신기 신호 처리 장치(), 중계기 신호 처리 장치(), 수신기 신호 처리 장치()를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화하고, 송신기 신호 처리 장치 계수와 중계기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고,
여기서, 는 송신기 신호 전력을 조절하기 위한 계수로 반복연산과정을 통해 1 로 수렴하고, 는 k 번째 수신기 잡음 전력을 나타낸다.
상기 반복연산장치는 송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고,
여기서 는 중계기 송신 전력을 제어하는 계수로서 이분법(Bisection-method) 수치해석 방법을 통해 을 만족하는 값으로 결정한다.
상기 반복연산장치는 수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 전력을 조절하기 위한 계수()에 관한 복수의 경우에 따라 송신기 신호 처리 장치 계수()를 구한다.
상기 신경망 훈련 및 계수 연산 장치는 상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구한다.
상기 심층 신경망 연산부는 실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공하는 입력 신호 구성 장치, 상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 하여 송신기, 수신기, 중계기 각각의 신호 처리 계수 정보에 대한 정보를 출력하는 훈련된 심층 신경망 및 상기 훈련된 심층 신경망의 출력 값에 하여 송신기, 수신기, 중계기 신호 처리 계수를 생성하는 출력 신호 구성 장치를 포함한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법은 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 단계, 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 단계 및 상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성하는 단계를 포함한다.
본 발명의 실시예들에 따르면 초협대역 기술 적용 시 발생하는 저전력 광역 통신 시스템의 전송 속도 감소 문제를 해결할 수 있다. 또한, 심층 신경망을 활용하여 오프라인(off-line)으로 심층 신경망을 학습하고 이 과정으로 구한 심층 신경망 계수에 기초하여 훈련된 심층 신경망을 이용해 주어진 통신 환경에 대해 최적 송신기, 수신기 및 중계기 신호 처리를 실시간으로 획득할 수 있다.
도 1은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 심층 신경망 계수 생성부의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 심층 신경망 연산부의 구성을 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 실시간 무선 채널 정보 실수화 구성 장치를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 계수 복소수화 장치를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 계수 크기 조절 장치를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 연산 장치를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법을 설명하기 위한 흐름도이다.
본 발명은 사물인터넷(Internet-of-Thing; IoT) 통신을 위한 저전력 광역(Low Power Wide Area; LPWA) 통신 시스템의 전송속도를 개선하기 위한 방법과 이를 실제 통신 시스템에 구현하는 방법에 관한 것이다. 주 전원(main power) 없이 배터리 전력(battery power) 만으로 동작하는 여러 단말들 간에 무선으로 정보를 주고 받는 사물인터넷(IoT) 통신에서 통신망(network)을 저전력 광역(LPWA) 로 구축하는 것은 필수적이다.
통신 반경의 광역화를 위해 신호의 대역폭 사용을 줄여 수신기 감도(receiver sensitivity)를 개선하는 초협대역(Ultra Narrow Band; UBN) 기술은 저전력 광역(LPWA) 통신 시스템 구축에 있어서 물리계층(Physical Layer) 핵심 기술이다. 초협대역 기술은 대역폭을 줄임으로써, 잡음 전력, 즉 잡음 전력 밀도와 대역폭의 곱을 줄이는 방법을 활용한 것이다. 그러나 초협대역 기술은 대역폭을 줄임으로 인해 전송 속도(throughput)가 감소되는 단점이 있다.
본 발명은 여러 단말기가 동시에 중계기를 통해 통신하는 환경에서 통신 신뢰도 개선을 위한 송수신기 설계 방법에 관한 것으로, 초협대역 기술을 적용 시 발생하는 전송 속도 감소 문제를 해결하는 새로운 대역폭 할당 방법을 제시한다. 이와 더불어 본 발명을 실제 통신 시스템에 적용할 때 반영되어야 할 물리계층 프레임 구조, 기준치(threshold) 기반 전송 시점 결정 방법, 유한한 크기의 대역폭 집합에서 운용 방법 등을 제시한다.
본 발명에서는 상기 통신 환경에서 연산량을 줄이면서 최적 성능을 얻기 위한, 심층 학습(Deep Learning) 방법 적용 송수신기 설계 기법, 즉 신경망 학습을 위한 훈련 신호 생성 기법, 심층 신경망(Deep Neural Network; DNN) 입력 및 출력 구조 및 신경망 출력을 활용한 신호 처리 기법 등을 제시한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 시스템의 구성을 나타내는 도면이다.
중계기를 사용한 다중-송신 다중-수신 통신 시스템에서, K 개 단말기가 동일한 시간, 주파수 대역을 이용해 전송한 신호에 대한 중계기 수신 신호는 [수학식 1] 같이 구현할 수 있다.
[수학식 1]
와 는 각각 k 번째 송신기의 다중 안테나 신호와 송신 전력, 는 k 번째 송신기와 중계기 간 무선 채널, 은 중계기 잡음을 의미한다. 여기서, 송신기 전력은 최대 전력 () 제약 조건 을 충족한다.
중계기는 [수학식 1]에 대해 다중 안테나 빔포밍 연산 을 통해 각 수신기로 전송한다. 이 때 중계기 송신 신호는 다음의 최대 전력() 제약 조건을 만족한다.
[수학식 2]
[수학식 2]에서 은 중계기 잡음 전력, 은 중계기 안테나 수를 나타낸다. 중계기 송신 신호에 대해, k 번째 수신기의 수신 신호는 다음과 같다.
[수학식 3]
는 중계기에서 k 번째 수신기 간 무선채널, 는 수신기 잡음을 나타낸다. [수학식 3]에 대해 수신 신호 처리 를 통해, 다음과 같이 송신 신호 추정을 한다.
[수학식 4]
본 발명은 [수학식 3]에서 송신기 전력 할당 장치 , 중계기 다중안테나 신호 처리 장치 , 그리고 [수학식 4] 에서 수신 신호처리 장치 를 설계하는 방법을 제시한다.
여기서 설계 기준은 심층 학습(Deep Learning; DL) 방법을 활용해 실시간 구현이 가능하게 연산량을 감소하고 동시에 통신 신뢰도, 즉 평균 제곱근 오차(Mean Squared Error; MSE)를 최소화 하는 것이다.
본 발명에서 제안하는 저전력 광역 통신 시스템은 도 1과 같이 심층 신경망 계수 생성부(110), 심층 신경망(Deep Neural Network; DNN) 연산부(120), 심층 신경망을 통해 구한 값에 기초하여 송신기(130), 수신기(150) 및 중계기(140) 각각의 신호처리 계수를 구하는 장치를 포함한다.
본 발명의 실시예에 따른 심층 신경망 계수 생성부(110)는 훈련 신호 생성 장치(111) 및 신경망 훈련 및 계수 연산장치(112)를 포함한다.
본 발명의 실시예에 따른 심층 신경망 연산부(120)는 입력 신호 구성 장치(121), 훈련된 심층 신경망(122) 및 출력 신호 구성 장치(123)를 포함한다.
본 발명의 실시예에 따른 심층 신경망 계수 생성부(110) 및 심층 신경망 연산부(120)의 구체적인 구성에 관하여 도 2 내지 도 7을 참조하여 더욱 상세히 설명한다.
본 발명의 실시예에 따른 심층 신경망 계수 생성부의 경우 도 2와 같은 구성으로 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공할 수 있도록 하는 심층 신경망 계수를 생성한다. 도 2에서 구한 계수를 토대로 도 3의 심층 신경망(DNN)을 만들고, 이 심층 신경망은 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력한다. 마지막으로 각각의 출력 값은 즉 송신기, 수신기, 중계기로 전달되어 해당 단말기에서 필요한 신호를 만들어 낸다.
도 2는 본 발명의 일 실시예에 따른 심층 신경망 계수 생성부의 구성을 나타내는 도면이다.
본 발명의 실시예에 따른 심층 신경망 계수 생성부(200)는 (211), (212), (213) 연산 장치 및 반복 연산 장치(214)를 포함하는 훈련 신호 생성 장치(210) 및 신경망 훈련 및 계수 연산 장치(220)를 포함한다.
본 발명의 실시예에 따른 반복연산장치(214)에서는 심층 신경망 훈련을 위해 생성된 L 개 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치 계수를 구한다. 예를 들어 번째 세트에 대한 채널 계수 와 송신기 및 중계기 전력 에 대해, 반복연산장치는 [알고리즘 1]을 통해, 번째 세트에 해당하는 송신기, 수신기, 중계기 최적 신호 처리 계수 , , 를 구한다.
[알고리즘 1]
L 개 세트 중 어떤 임의의 세트에 대해서 동일하게 적용되므로, 다음 알고리즘 설명에서 번째 세트임을 나타내는 색인(index)은 생략한다.
Step 1) 송신기, 중계기, 수신기 신호 처리 장치 (211), (212), (213)를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화한다.
Step 2) 송신기 신호 처리 장치와 중계기 신호 처리 장치 계수는 앞선 연산 결과 형태로 유지하면서, 다음 [수학식 5]을 이용해 수신기 신호 처리 장치 계수 를 갱신한다.
[수학식 5]
는 송신기 신호 전력을 조절하기 위한 계수로 반복연산과정을 통해 '1' 로 수렴한다. 는 k 번째 수신기 잡음 전력을 나타낸다.
Step 3) 송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 앞선 연산 결과 형태로 유지하면서, 다음 [수학식 6]을 이용해 중계기 신호 처리 장치 계수 를 갱신한다.
[수학식 6]
여기서 는 중계기 송신 전력을 제어하는 계수로서 이분법(Bisection-method)으로 알려진 수치해석 방법을 통해, 을 만족하는 값으로 결정한다.
Step 4) 수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 주어진 앞선 연산 결과 형태로 유지하면서, [수학식 7]을 이용해 송신기 신호 처리 장치 계수 를 구한다. k 번째 송신기에 대한 계수 를 로 표현할 때, 다음 세 가지 경우(case)에 따라 와 는 [수학식 7] 과 같이 결정된다.
[case 1]
[c.1.1]
[c.1.2]
[case 2]
[c.2.1]
[c.2.2]
[case 3]
[c.3.1]
[c.3.2]
여기서 , 을 나타낸다.
[수학식 7]
(1) [c.1.1] 과 [c.1.2]로 표현되는 와 가 조건 을 만족할 때, 는 [c.1.1], 는 [c.1.2]로 한다.
(2) [c.2.1] 과 [c.2.2]로 표현되는 와 가 조건 을 만족할 때, 는 [c.2.1], 는 [c.2.2]로 한다.
(3) 상기 (1), (2)를 제외한 나머지 경우, 는 [c.3.1], 는 [c.3.2]로 한다.
이 때 [c.3.1] 의 변수 는 을 만족하는 값을 이분법(Bisection) 검색을 통해 구한다.
Step 5) Step 2 - 4 를 사전에 정해둔 반복 횟수만큼 반복 연산 수행한다.
상기한 바와 같이, 도 2의 반복연산장치(214)에서는 총 L 개 세트의 채널 및 전력 정보에 대해, 각 세트 별로 [알고리즘 1]을 적용해 해당 세트에 대한 최적 신호 처리 계수를 구한다. 결과적으로 L 개 채널 및 전력 정보에 대응되는 최적 신호처리 계수 세트가 L 개 얻어진다.
본 발명의 실시예에 따른 심층 신경망 훈련 및 계수 연산장치(220)에서는 이러한 L 쌍의 정보를 토대로 텐서플로(Tensorflow)와 같은 범용 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 그 결과로 최적 심층 신경망 계수를 구한다 일반적으로 심층 신경망 출력 층(output layer) 노드 수는 추정하고자 하는 정보 개수에 의해 결정되는데, 본 발명에서 추정하고자 하는 정보는 K 개 송신기, 수신기 신호처리 계수, 즉 와 , 그리고 중계기 다중안테나 빔포밍 계수 이다. 본 발명에서는 개의 중계기 다중안테나 빔포밍 계수 모두를 추정하는 대신, 단 한 개 정보, 즉 만을 추정하는 방법을 제안한다. 이를 통해, 심층 신경망 출력 층 노드 수를 줄이고 심층 신경망 구조를 축소하는 효과를 얻을 수 있다.
따라서 본 발명에서 구축하는 도 2의 훈련 신호 생성장치(210)에서는 훈련 신호 쌍을 채널 및 전력 정보와 이에 대응하는 송신기, 수신기 신호 처리 계수 및 중계기 다중안테나 신호처리를 위한 계수 정보 로 구성한다. 구체적으로 번째 훈련 신호 쌍을 예로 들면, 심층 신경망이 의 입력 정보에 대해 을 출력으로 추정하도록 훈련 신호 쌍을 구성한다.
본 발명의 실시예에 따른 심층 신경망 훈련 및 계수 연산장치(220)는 총 L 개 세트에 훈련 정보를 토대로 범용 신경망 학습 알고리즘인 텐서플로(Tensorflow)를 활용해, 최적 심층 신경망 구축에 필요한 신경망 계수를 구한다.
도 3은 본 발명의 일 실시예에 따른 심층 신경망 연산부의 구성을 나타내는 도면이다.
본 발명의 일 실시예에 따른 심층 신경망 연산부(300)는 실시간 무선 채널 정보 실수화 구성 장치(311) 및 단말기 전력 정보 입력 장치(312)를 포함하는 입력 신호 구성 장치(310), 심층 신경망 입력층 은닉층(321) 및 심층신경망 출력층 활성함수(322)를 포함하는 훈련된 심층 신경망(320), 계수 복소수화 장치(331), 계수 크기 조절 장치(322) 및 연산 장치(333)를 포함하는 출력 신호 구성 장치(330)를 포함한다.
도 3의 심층 신경망 연산부(300)에서는 상기 심층 신경망 계수 생성장치(200)에서 구한 심층 신경망 계수를 활용해 훈련된 심층 신경망 (Trained DNN)(320)을 구축한다.
본 발명의 실시예에 따른 송신기, 수신기, 중계기 신호 처리 계수 생성은 도 2의 오프라인 훈련 과정을 통해 구축한 훈련된 심층 신경망에 시스템 동작과 관련된 실시간, 즉 온라인 정보를 입력하고, 이에 대한 출력으로 송신기, 수신기, 중계기 신호 처리 계수 정보를 얻는다. 이를 위해, 도 3의 입력 신호 구성 장치(310)에서는 통신 시스템이 동작하는 실시간 무선 채널 및 각 단말기의 최대 전력 정보, 을 심층 신경망 입력 층(Input layer) 인터페이스에 맞도록 적절히 가공해 제공한다.
도 4는 본 발명의 일 실시예에 따른 실시간 무선 채널 정보 실수화 구성 장치를 설명하기 위한 도면이다.
본 발명의 실시예에 따른 실시간 무선 채널 정보 실수화(real value) 구성 장치(400)에서는 심층 신경망이 실수로만 동작함을 감안해, 복소수 실수화 장치(410)를 통해 복소수 값의 무선 채널 정보를 각각 in-phase 와 quadrature-phase 에 해당하는 실수 값으로 표현한다. 훈련된 심층 신경망은 입력 신호 구성 장치를 통해 적절히 가공된 실시간 무선 환경 정보를 입력으로 해 송신기, 수신기, 중계기 신호 처리 계수 정보, 즉 에 대한 정보를 출력한다. 이 때 각 출력 정보의 특성에 맞춰 훈련된 심층 신경망의 출력 층(Output layer) 활성 층(Activation layer)은 에 대해서는 스케일된 시그모이드 함수(Scaled Sigmoid Function), 에 대해서는 성형 함수, 그리고 에 대해서는 Relu 함수를 사용한다.
도 5는 본 발명의 일 실시예에 따른 계수 복소수화 장치를 설명하기 위한 도면이다.
본 발명의 실시예에 따른 훈련된 심층 신경망 출력 값에 대해, 출력 신호 구성 장치 에서는 송신기, 수신기, 중계기 신호 처리 계수를 만들어 낸다. 구체적으로 도 5의 계수 복소수화(complex number) 장치(500)에서는 실계수 복소수화 장치를 통해 수신기 신호처리(복소수) 계수 를 in-phase 와 quadrature-phase 정보를 사용해 재구성한다.
도 6은 본 발명의 일 실시예에 따른 계수 크기 조절 장치를 설명하기 위한 도면이다.
본 발명의 실시예에 따른 도 6의 계수 크기 조절 장치(600)에서는 훈련된 심층 신경망에서 에 대한 정보가 [0,1] 범위 값으로 스케일되어(scaled) 출력되므로, 이를 최대 전력 에 맞춰 조정한다.
도 7은 본 발명의 일 실시예에 따른 연산 장치를 설명하기 위한 도면이다.
도 7의 [수학식 8] 연산장치(700)에서는 중계기 다중안테나 신호처리 계수 를 다음의 [수학식 8]과 훈련된 심층 신경망출력 값 을 활용해 구한다.
[수학식 8-1]
[수학식 8-2]
[수학식 8-3]
[수학식 8-2] 에서 와 는 각각 심층 신경망 출력으로 추정한 와 를 대각 성분으로 하는 대각행렬, 는 를 열벡터(column vector) 성분으로 하는 행렬, 는 를 행벡터(row vector) 성분으로 하는 행렬로써 심층 신경망 입력 값으로부터 구할 수 있다. 또한 는 중계기 잡음 전력으로 상수(constant)값으로 시스템 파라미터로 해당하며 심층 신경망에서 별도 추정이 필요하지는 않다. [수학식 8-3] 은 [수학식 8-2] 에서 구한 계수에 대해 중계기 최대 전력 조건을 만족하기 위한 스케일(scale) 파라미터를 구하는 과정이다. [수학식 8-2] 과 [수학식 8-3]에서 알 수 있듯이 중계기 다중안테나 신호처리 장치 [수학식 8-1] 을 구하는데, 와 를 구하는 심층 신경망 입출력 정보 외에 을 추가적으로 심층 신경망을 통해 추정하면, [수학식 8-1] 에 해당하는 를 구할 수 있다.
본 발명에서는 이러한 수학적 분석에 기초 하여 심층 신경망(DNN) 출력 블록에서 [수학식 8-1], [수학식 8-2], 그리고 [수학식 8-3] 의 과정으로 를 추정한다. 마지막 과정으로 도 1에서 알 수 있듯이, 심층 신경망 연산부는 출력 신호 구성 장치에서 출력된 , 그리고 정보를 각각 해당하는 송신기, 중계기, 수신기로 전달한다.
도 8은 본 발명의 일 실시예에 따른 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법을 설명하기 위한 흐름도이다.
제안하는 중계기를 사용한 다중-송신 다중-수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법은 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 단계(810), 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 단계(820) 및 상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성하는 단계(830)를 포함한다.
단계(810)에서, 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성한다.
이때, 심층 신경망 계수 생성부의 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 계수를 구한다.
먼저, 본 발명의 실시예에 따른 송신기 신호 처리 장치(), 중계기 신호 처리 장치(), 수신기 신호 처리 장치()를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화한다.
그리고, 송신기 신호 처리 장치 계수와 중계기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치 계수()를 상기 [수학식 5]를 이용하여 갱신한다.
이후, 송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치 계수()를 상기 [수학식 6]을 이용하여 갱신한다.
그리고, 수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 전력을 조절하기 위한 계수()에 관한 복수의 경우에 따라 상기 [수학식 7]를 이용하여 송신기 신호 처리 장치 계수()를 구한다.
단계(820)에서, 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력한다.
본 발명의 실시예에 따른 신경망 훈련 및 계수 연산 장치는 상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구한다.
단계(830)에서, 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성한다.
이때, 본 발명의 실시예에 따른 입력 신호 구성 장치가 실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공한다.
이후, 본 발명의 실시예에 따른 훈련된 심층 신경망이 상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 하여 송신기, 수신기, 중계기 각각의 신호 처리 계수 정보에 대한 정보를 출력한다.
그리고, 본 발명의 실시예에 따른 출력 신호 구성 장치가 상기 훈련된 심층 신경망의 출력 값에 하여 송신기, 수신기, 중계기 신호 처리 계수를 생성한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

  1. 저전력 광역 통신 시스템에 있어서,
    심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 심층 신경망 계수 생성부; 및
    상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 심층 신경망 연산부
    를 포함하고,
    저전력 광역 통신 시스템의 송신기, 수신기 및 중계기는 상기 심층 신경망 연산부의 출력을 입력 받아 해당 단말에서 필요한 신호를 생성하는
    저전력 광역 통신 시스템.
  2. 제1항에 있어서,
    상기 심층 신경망 계수 생성부는,
    반복연산장치를 포함하는 훈련 신호 생성 장치; 및
    신경망 훈련 및 계수 연산 장치를 포함하고,
    상기 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 계수를 구하는
    저전력 광역 통신 시스템.
  3. 제2항에 있어서,
    상기 반복연산장치는,
    송신기 신호 처리 장치(), 중계기 신호 처리 장치(), 수신기 신호 처리 장치()를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화하고,
    송신기 신호 처리 장치 계수와 중계기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고,

    여기서, 는 송신기 신호 전력을 조절하기 위한 계수로 반복연산과정을 통해 1 로 수렴하고, 는 k 번째 수신기 잡음 전력을 나타내는
    저전력 광역 통신 시스템.
  4. 제3항에 있어서,
    상기 반복연산장치는,
    송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고,

    여기서 는 중계기 송신 전력을 제어하는 계수로서 이분법(Bisection-method) 수치해석 방법을 통해 을 만족하는 값으로 결정하는
    저전력 광역 통신 시스템.
  5. 제4항에 있어서,
    상기 반복연산장치는,
    수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 전력을 조절하기 위한 계수()에 관한 복수의 경우에 따라 송신기 신호 처리 장치 계수()를 구하는
    저전력 광역 통신 시스템.
  6. 제2항에 있어서,
    상기 신경망 훈련 및 계수 연산 장치는,
    상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구하는
    저전력 광역 통신 시스템.
  7. 제1항에 있어서,
    상기 심층 신경망 연산부는,
    실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공하는 입력 신호 구성 장치;
    상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 하여 송신기, 수신기, 중계기 각각의 신호 처리 계수 정보에 대한 정보를 출력하는 훈련된 심층 신경망; 및
    상기 훈련된 심층 신경망의 출력 값에 하여 송신기, 수신기, 중계기 신호 처리 계수를 생성하는 출력 신호 구성 장치
    를 포함하는 저전력 광역 통신 시스템.
  8. 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 단계;
    심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 단계; 및
    상기 심층 신경망 연산부의 출력을 입력 받아 송신기, 수신기 및 중계기를 통해 해당 단말에서 필요한 신호를 생성하는 단계
    를 포함하는 저전력 광역 통신 방법.
  9. 제1항에 있어서,
    상기 심층 신경망 계수 생성부를 통해 심층 신경망이 평균 제곱근 오차를 최소화 하는 정보를 제공하도록 하는 심층 신경망 계수를 생성하는 단계는,
    상기 심층 신경망 계수 생성부는 반복연산장치를 포함하는 훈련 신호 생성 장치 및 신경망 훈련 및 계수 연산 장치를 포함하고,
    상기 반복연산장치는 심층 신경망 훈련을 위해 생성되는 복수의 세트의 채널 및 전력 정보에 대해 평균 제곱근 오차를 최소화하는 송신기, 중계기, 수신기 신호처리 장치의 계수를 구하는
    저전력 광역 통신 방법.
  10. 제9항에 있어서,
    송신기 신호 처리 장치(), 중계기 신호 처리 장치(), 수신기 신호 처리 장치()를 각각의 전력 조건에 맞춰 임의의 행렬로 초기화하고,
    송신기 신호 처리 장치 계수와 중계기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 수신기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고,

    여기서, 는 송신기 신호 전력을 조절하기 위한 계수로 반복연산과정을 통해 1 로 수렴하고, 는 k 번째 수신기 잡음 전력을 나타내는
    저전력 광역 통신 방법.
  11. 제10항에 있어서,
    상기 반복연산장치는,
    송신기 신호 처리 장치와 수신기 신호 처리 장치 계수는 연산된 결과 형태로 유지하면서, 중계기 신호 처리 장치 계수()를 하기 식을 이용하여 갱신하고,

    여기서 는 중계기 송신 전력을 제어하는 계수로서 이분법(Bisection-method) 수치해석 방법을 통해 을 만족하는 값으로 결정하는
    저전력 광역 통신 방법.
  12. 제11항에 있어서,
    수신기 신호 처리 장치와 중계기 신호 처리 장치에 해당하는 계수는 연산된 결과 형태로 유지하면서, 송신기 신호 전력을 조절하기 위한 계수()에 관한 복수의 경우에 따라 송신기 신호 처리 장치 계수()를 구하는
    저전력 광역 통신 방법.
  13. 제9항에 있어서,
    상기 신경망 훈련 및 계수 연산 장치는,
    상기 반복연산장치를 통해 생성된 복수의 세트의 정보에 기초하여 심층 신경망 학습 알고리즘을 활용해 심층 신경망을 훈련하고, 상기 훈련된 결과로 최적 심층 신경망 계수를 구하는
    저전력 광역 통신 방법.
  14. 제8항에 있어서,
    상기 심층 신경망 연산부를 통해 상기 생성된 심층 신경망 계수를 활용하여 훈련된 심층 신경망을 생성하고, 무선 채널 정보, 전력 정보를 입력으로 하여 송신기, 수신기 및 중계기 신호 처리에 필요한 정보를 출력하는 단계는,
    입력 신호 구성 장치가 실시간 무선 채널 및 각 단말기의 최대 전력 정보를 포함하는 실시간 무선 환경 정보를 심층 신경망 입력 층 인터페이스에 따라 가공하여 제공하는 단계;
    훈련된 심층 신경망이 상기 입력 신호 구성 장치를 통해 가공된 실시간 무선 환경 정보를 입력으로 하여 송신기, 수신기, 중계기 각각의 신호 처리 계수 정보에 대한 정보를 출력하는 단계; 및
    출력 신호 구성 장치가 상기 훈련된 심층 신경망의 출력 값에 하여 송신기, 수신기, 중계기 신호 처리 계수를 생성하는 단계
    를 포함하는 저전력 광역 통신 방법.
KR1020220042080A 2022-04-05 2022-04-05 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템 KR102644441B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220042080A KR102644441B1 (ko) 2022-04-05 2022-04-05 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220042080A KR102644441B1 (ko) 2022-04-05 2022-04-05 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20230143332A true KR20230143332A (ko) 2023-10-12
KR102644441B1 KR102644441B1 (ko) 2024-03-07

Family

ID=88291735

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220042080A KR102644441B1 (ko) 2022-04-05 2022-04-05 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102644441B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101998998B1 (ko) 2017-12-21 2019-07-10 한국해양대학교 산학협력단 중계기를 사용하는 다중 안테나 다중 송수신 통신 시스템에서 송수신 신호 처리 방법 및 장치
KR102124273B1 (ko) * 2019-04-02 2020-06-17 한국해양대학교 산학협력단 중계기를 사용하는 다중 안테나 다중 송신-수신 통신 시스템에서 개별 안테나별 전력 제약을 고려한 송수신 신호 처리 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101998998B1 (ko) 2017-12-21 2019-07-10 한국해양대학교 산학협력단 중계기를 사용하는 다중 안테나 다중 송수신 통신 시스템에서 송수신 신호 처리 방법 및 장치
KR102124273B1 (ko) * 2019-04-02 2020-06-17 한국해양대학교 산학협력단 중계기를 사용하는 다중 안테나 다중 송신-수신 통신 시스템에서 개별 안테나별 전력 제약을 고려한 송수신 신호 처리 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Y. Lu, et al., "Deep Autoencoder Learning for Relay-Assisted Cooperative Communication Systems," IEEE Trans. on Communications, vol. 68, no. 9, pp. 5471-5488, (Sept. 2020)* *

Also Published As

Publication number Publication date
KR102644441B1 (ko) 2024-03-07

Similar Documents

Publication Publication Date Title
Ximenes et al. Semi-blind receivers for non-regenerative cooperative MIMO communications based on nested PARAFAC modeling
CN110808764B (zh) 一种大规模mimo中继系统联合信息估计方法
CN105450274B (zh) 基于能效最优的大规模多天线中继系统用户数优化方法
CN105246158A (zh) 基于高信噪比的能效最大化多天线中继系统功率分配方法
CN113242071A (zh) 基于集成深度学习的协作波束成形方法
Choi et al. Downlink extrapolation for FDD multiple antenna systems through neural network using extracted uplink path gains
CN117560043B (zh) 一种基于图神经网络的无蜂窝网络功率控制方法
Bereyhi et al. Device scheduling in over-the-air federated learning via matching pursuit
CN108111439B (zh) 双向mimo中继系统中一种非迭代的信道估计方法
CN111865844B (zh) 大规模mimo全双工中继系统信道估计方法和装置
CN102801456A (zh) 单小区中继移动通信蜂窝系统的联合下行预编码方法
KR102644441B1 (ko) 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템
Pasangi et al. Blind downlink channel estimation for TDD‐based multiuser massive MIMO in the presence of nonlinear HPA
US8422538B2 (en) Channel estimation method for OFDM relaying system
CN107017930B (zh) 一种存在信道反馈延迟与估计误差的mimo双向中继系统的预编码方法
Chetot et al. Active user detection and channel estimation for grant-free random access with gaussian correlated activity
CN110190908B (zh) 一种最小化isi信道中非相干大规模simo系统误码率的星座图设计方法
CN114301508A (zh) 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法
Rahimian et al. Partial zero-forcing for multi-way relay networks
Ahmed et al. Energy efficient ADC bit allocation for massive MIMO: A deep-learning approach
Ravindran et al. Direction of arrival and channel estimation using machine learning for multiple input multiple output system
Sohail et al. Channel estimation in massive mimo systems using heuristic approach
JP3869402B2 (ja) Ｍｉｍｏ無線信号伝送装置
TWI846264B (zh) 基於量子通道估測的通信方法及基地台
Hu et al. Energy harvesting relaying using non‐ideal relaying node in Rician fading channels

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant