WO2019190036A1 - 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 - Google Patents

무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 Download PDF

Info

Publication number
WO2019190036A1
WO2019190036A1 PCT/KR2019/000670 KR2019000670W WO2019190036A1 WO 2019190036 A1 WO2019190036 A1 WO 2019190036A1 KR 2019000670 W KR2019000670 W KR 2019000670W WO 2019190036 A1 WO2019190036 A1 WO 2019190036A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
transmission power
power control
fully connected
based transmission
Prior art date
Application number
PCT/KR2019/000670
Other languages
English (en)
French (fr)
Inventor
이웅섭
Original Assignee
경상대학교산학협력단
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 경상대학교산학협력단 filed Critical 경상대학교산학협력단
Publication of WO2019190036A1 publication Critical patent/WO2019190036A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H04W52/225—Calculation of statistics, e.g. average, variance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations
    • H04W52/383—TPC being performed in particular situations power control in peer-to-peer links

Definitions

  • the present invention generally relates to wireless communication systems, and more particularly, to a method and apparatus for controlling transmission power of a transmitting terminal in a wireless communication system.
  • WCS wireless communication systems
  • the transmit power is not determined to be closed, but is optimized through an iterative algorithm (eg, iterative water filling or weighted least mean square error (WMMSE), etc.).
  • iterative water filling or weighted least mean square error (WMMSE), etc. This type of technique requires several iterations before convergence occurs. At this time, since the more iterations are required as the number of users increases, the calculation speed becomes very slow in an environment where there are many users.
  • DNN deep neural network
  • a neural network-based transmission power control method which enables real-time control of transmission power for a large number of user terminals with a calculation time that is significantly faster than a transmission power determination method based on weighted minimum mean square error (WMMSE). I would like to.
  • WMMSE weighted minimum mean square error
  • a neural network based transmission power control apparatus controls transmission power based on neural networks and channel state information for learning optimal transmission power by inputting a channel gain matrix. It may include a control unit.
  • the neural network may include a deep neural network including a fully connected layer.
  • the neural network may include a convolutional neural network including a convolutional part, a fully connected part, and a sigmoid part.
  • the neural network may pre-learn a transmission power allocation scheme based on an iterative algorithm.
  • the neural network may use local channel state information from adjacent users as an input value and process channel state information of the remaining users as an average channel value.
  • the wireless communication system is underlay D2D communication (Underlaid D2D Communication)
  • the transmission power control device is a transmission power of the D2D user equipment (DUE) between devices
  • the loss function of the neural network may be a parameter of a transmission rate and interference of the terminal.
  • the neural network may learn by considering interference generated in the transmission power of a cellular user equipment (CUE).
  • CUE cellular user equipment
  • the neural network includes a convolution neural network including a first fully connected part, a composite product part, a second fully connected part, and a sigmoid part. Network), and input data may be reconstructed in the first fully connected part.
  • the second fully connected part may learn by considering both an interference between a cellular user terminal (CUE) and a user terminal between devices.
  • CUE cellular user terminal
  • a neural network-based transmit power control method performed by a transmit power control apparatus of a wireless communication system (WCS) provides optimal transmission of a channel gain matrix through a neural network.
  • the method may include learning power, receiving channel state information from a transmitting terminal, and controlling transmission power based on the channel state information.
  • the neural network may be a deep neural network including a fully connected layer.
  • the neural network may be a convolutional neural network including a convolutional part, a fully connected part, and a sigmoid part.
  • the learning of the optimal transmission power may include pre-learning a transmission power allocation scheme based on an iterative algorithm.
  • the learning of the optimal transmission power may use local channel state information from adjacent users as an input value and process channel state information of the remaining users as an average channel value.
  • the wireless communication system is underlay D2D communication (Underlaid D2D Communication)
  • the transmission power control device is a transmission power of the D2D user equipment (DUE) between devices
  • the neural network may set a weighted sum-rate (WSR) of the inter-device communication terminal as a loss function.
  • the neural network may learn by considering interference generated in the transmission power of a cellular user equipment (CUE).
  • CUE cellular user equipment
  • the neural network includes a convolution neural network including a first fully connected part, a composite product part, a second fully connected part, and a sigmoid part. Network), and input data may be reconstructed in the first fully connected part.
  • the second fully-connected part may learn by considering both interference of a cellular user equipment (CUE) and a user terminal between devices.
  • CUE cellular user equipment
  • the transmission power of a transmission terminal This can be determined quickly.
  • FIG. 1 is a diagram illustrating a configuration of a conventional general wireless communication system.
  • 2 is a diagram for explaining communication between underlay devices.
  • FIG. 3 is a block diagram illustrating a neural network based transmission power control apparatus according to an embodiment.
  • FIG. 4 is a diagram illustrating a deep neural network in a neural network based transmission power control method according to an embodiment.
  • FIG. 5 is a diagram illustrating a composite product neural network in a neural network based transmission power control method according to an exemplary embodiment.
  • FIG. 6 is a diagram illustrating a composite product neural network including a pre-learning initialization process in a neural network based transmission power control method according to an embodiment.
  • FIG. 7 is a flowchart illustrating a neural network based transmission power control method according to an embodiment.
  • first or second may be used to describe various components, but the components should not be limited by the terms. The terms are only for the purpose of distinguishing one component from another component, for example, without departing from the scope of the rights according to the inventive concept, the first component may be called a second component, Similarly, the second component may also be referred to as the first component.
  • FIG. 1 is a diagram illustrating a configuration of a conventional general wireless communication system.
  • the cellular communication network 100 of a conventional wireless communication system includes a base station 110 and 120 and user terminals 111, 112, 113, 121, 122, and 123 connected to the base station.
  • a wireless communication network communication between user terminals is via a communication network, with corresponding " serving " wireless transceivers (e.g., 3GPP 'Long Term Evolution (LTE)') of the communication network.
  • LTE Long Term Evolution
  • Two user terminals connected to the same or different evolved Node B (eNodeB wireless transceivers) in an LTE Advanced (LTE Advanced) system are configured and terminated between the wireless transceivers and the user terminal.
  • the communication channel (s) may be in communication with each other.
  • FIG. 2 is a diagram for explaining communication between underlay devices.
  • the Underlaid Device 2 Device communication system 200 communicates via the base stations 210 and 220 when the distance between the user terminals is far, and when the distance between the user terminals is close (212 and 213 or 223). And 224, the user terminals can form channels 201 and 202 to communicate with each other.
  • D2D communication is based on D2D communication links established directly by two (or more) user terminals.
  • D2D communication differs from traditional INFRA communication in that information is exchanged over physical communication channels that are directly established and terminated between user terminals rather than through a communication network.
  • D2D communication has recently been recognized as a core technology of cellular systems as a technique to solve the problem of increasing mobile traffic by distributing cellular data traffic to direct communication between users.
  • D2D communication a large number of users can transmit data at the same time, so adjusting the transmission power appropriately is very important in improving performance. For example, if the transmission power of the D2D user equipment (DUE) is not properly controlled, a great interference may occur between the device-to-device user terminals and performance may be degraded. Transmission power control becomes more important in underlay D2D communication in which user terminals between devices share radio resources with cellular user equipment.
  • DUE D2D user equipment
  • FIG. 3 is a block diagram illustrating a neural network based transmission power control apparatus according to an embodiment.
  • the neural network based transmission power control apparatus 310 may include a neural network 311, a controller 312, and a communication unit 313. According to an embodiment, the neural network 311 of the neural network-based transmit power control apparatus 310 may learn an optimal transmit power by inputting a channel gain matrix.
  • the neural network may be a deep neural network including a fully connected layer.
  • a detailed description of the deep neural network including a fully connected layer will be given in FIG. 4.
  • the neural network may be a convolutional neural network including a convolutional part, a fully connected part, and a sigmoid part.
  • a convolutional neural network including a convolutional part, a fully connected part, and a sigmoid part will be provided with reference to FIG. 5.
  • a convolutional neural network including a first fully connected part, a composite product part, a second fully connected part, and a sigmoid part
  • a convolutional neural network including a first fully connected part, a composite product part, a second fully connected part, and a sigmoid part
  • the channel gain matrix may include channel gain between inter-device user equipments (DUEs) and channel gain between inter-device user equipments (DUEs) and cellular user terminals (CUEs).
  • DUEs inter-device user equipments
  • DUEs channel gain between inter-device user equipments
  • CUEs cellular user terminals
  • the controller 312 may control the transmission power of the user terminal based on the channel state information. In this case, the controller 312 may transmit the determined transmission power of the user terminal to the corresponding user terminal through the communication unit 313.
  • the communication unit 313 may receive data related to transmission power from the user terminals 321, 322,..., 32n.
  • the communication unit 313 may transmit the determined transmission power to the user terminal (321, 322, ..., 32n).
  • FIG. 4 is a diagram illustrating a deep neural network in a neural network-based transmission power control method according to an embodiment.
  • a deep neural network of a neural network-based transmission power control apparatus learns an input matrix 410 from a fully connected part and outputs an output value through a hyperbolic tangent part 430. Can be obtained.
  • the input matrix 410 is a wireless channel of the UE-DUE channel and the device-to-device UE that the output of the cellular user terminal (CUE) to the communication of the device-to-device UE (DUE) It may include a channel (DUE-DUE channel).
  • the fully connected part 420 may be a plurality of fully connected parts including the first lower fully connected part 421 and the N th lower fully connected part 422.
  • each lower fully connected part may include a fully connected layer 423 (FC layer) and a rectified linear unit (ReLU) layer.
  • the transmission power of the device-to-device user terminal is calculated using an in-depth learning technique to maximize the weighted sum rate (WSR).
  • WSR weighted sum rate
  • the neural network of the neural network-based transmission power control apparatus may learn by considering interference generated from the transmission power of a cellular user equipment (CUE).
  • CUE cellular user equipment
  • a cellular network environment in which a user terminal (DUE) and a cellular user terminal (CUE) are freely distributed among a plurality of devices in an arbitrary area S may be considered.
  • communication between underlay devices may be considered in which inter-device user terminals (DUEs) share the same radio resources as uplink transmissions of a cellular user terminal (CUE).
  • DUEs inter-device user terminals
  • CUE cellular user terminal
  • N device-to-device (DUE) transceiver pairs it may be assumed that there are N device-to-device (DUE) transceiver pairs, and the pair may simultaneously transmit data through the same frequency as a cellular user terminal (CUE) that transmits data to a base station of cellular communication.
  • Equation 1 The channel gain between transmitter i and receiver j can be expressed as Equation 1 below.
  • ⁇ denotes a path loss factor and ⁇ denotes a path loss index.
  • I the distance between the transmitter i and the receiver j.
  • matrix may be the input matrix H.
  • the data rate of the user terminal (DUE) between the i-th device May be represented by Equation 2 below.
  • the neural network-based transmission power control apparatus may consider a method of maximizing the overall weighted sum-rate (WSR) of the device-to-device user terminal (DUE).
  • WSR weighted sum-rate
  • the neural network-based transmission power control device can be applied to the purpose of maximizing energy efficiency.
  • the neural network-based transmission power control apparatus for communication between underlay devices may include a deep neural network model to find an optimized transmission power.
  • the matrix H 410 which includes the channel gain between the device-to-device UEs and the channel gain between the device-to-device UE and the cellular user terminal (CUE), becomes an input of the deep neural network and outputs the deep neural network. Is the normalized transmit power ( ) And the transmit power is Can be determined.
  • the fully connected part may be composed of N lower fully connected parts connected in series.
  • Each lower fully connected part may comprise a fully connected layer and a rectified linear unit (ReLU) layer.
  • Matrix multiplication of weights in a fully connected layer can occur with the addition of bias.
  • Set the number of hidden nodes for the fully connected layer of the i th lower fully connected part to Fi, and the output of the fully connected layer is Can be here Is the input of the fully connected layer of the i th subblock, Is the weight of the i th subblock, and Is the bias of the i-th subblock.
  • the output of each fully connected layer can be fed to a rectified linear unit (ReLU) layer that provides nonlinearity to the deep neural network.
  • ReLU rectified linear unit
  • the input of the rectified linear unit (ReLU) layer When is output Can be
  • the final output of the fully connected part is provided to the hyperbolic tangent part 430 and can execute the hyperbolic tangent operation.
  • the input of the hyperbolic tangent part 430 Where the vector of the i th element When output is It can be represented as.
  • the output of the hyperbolic tangent part 430 is Is between -1 and 1 so that the value of is between 0 and 1, and the condition of Equation 3, To satisfy.
  • a neural network-based transmission power control apparatus must first learn through a deep neural network, and then use the learned model to determine transmission power.
  • H can be collected for learning. Sufficient number of channel samples for various conditions is essential to prevent overfitting of learning.
  • the collected channel gain can be converted into decibels and then normalized so that the mean and unit variances are zero.
  • the nature of the path loss and the effects of deep fading mean that the magnitude of the channel gains for different samples can vary significantly, and since they adversely affect deep neural network learning, preprocessing of data may be necessary for better learning.
  • a deep neural network of a neural network-based transmission power control apparatus may lose a weighted sum-rate (WSR) of a communication terminal between devices.
  • WSR weighted sum-rate
  • the loss function of the neural network may be a parameter of the transmission rate and interference of the terminal.
  • Deep neural networks can be trained using stochastic gradient descent (SGD) algorithms.
  • a loss function L such as Equation 4 may be considered for learning.
  • weights and deviations of the deep neural network Can be updated for multi-channel samples.
  • Fully trained deep neural networks can be used to control transmit power.
  • the channel gain can be fed to a deep neural network model that is converted into decibels, normalized and then outputs the normalized transmit power.
  • the deep neural network takes a long time to learn.
  • the learned deep neural network can infer the transmission power with a short calculation time to be suitable for real-time operation.
  • CNN convolutional neural network
  • the neural network-based transmission power control apparatus combines the input matrix 510 with a composite product part 520, a fully connected part 530, and a sigmoid part 540. You can learn from it and get the output.
  • the convolution product 520 may pre-train an iterative algorithm based transmission power allocation method. More specifically, the composite product part 520 may be trained to have the same result as the output result of the conventional method of controlling the terminal transmission power in the deep learning structure.
  • the iterative algorithm is one of methods for determining the existing transmission power, and may include a weighted minimum mean square error (WMMSE) and an iterative water-filling scheme.
  • the fully connected part 530 may perform deep learning using a frequency efficiency or an energy efficiency as a loss function.
  • the sigmoid part 540 may obtain the transmission power by using the output of the fully connected part as an input value.
  • a transmission power control strategy of a wireless communication system may be described as deep power control (DPC) using a composite product neural network (CNN).
  • the deep power control (DPC) may be automatically learned through in-depth learning so that the transmission power can be appropriately determined to maximize the spectrum efficiency or energy efficiency.
  • the deep power control method may infer an appropriate transmission power of a user so that the computational complexity is lower than that of the conventional repetition scheme.
  • a distributed deep power control using only local channel state information for determining transmission power is proposed.
  • a wireless communication system in which a plurality of users are randomly distributed in the DxD region.
  • N single antenna transceiver pairs including one transmitter and one receiver, and all transmissions occur simultaneously on the same frequency.
  • communication of a transceiver pair may receive interference from the transmission of other transceiver pairs.
  • input May be expressed as in Equation 5 below.
  • Is the distance related channel gain of transmitter i and receiver j Denotes the multipath fading of transmitter i and receiver j.
  • CSCG cyclic symmetric complex Gaussian
  • Equation 6 The attainable frequency efficiency of the transmitter i can be written as Equation 6 below.
  • Equation 7 The energy efficiency of the transmitter i may be expressed by Equation 7 below.
  • Pc is the power dissipated in the circuit of the transmitter.
  • maximization of frequency efficiency and maximization of energy efficiency are considered, two goals for controlling transmission power.
  • the optimization of the transmission power may be expressed in consideration of the frequency efficiency.
  • optimization of transmission power may be expressed in consideration of energy efficiency.
  • the convolution product 520 may include a plurality of lower blocks 521, 522, 523, 524, 525,... 526 connected in series.
  • the lower block is a composite product layer (522, 524, 526) for performing a two-dimensional spatial composite product of the input data, and a rectified linear unit (ReLU) layer (521, 523, 525) for injecting nonlinearity into the composite product neural network. It may include.
  • ReLU rectified linear unit
  • the depth of the convolutional layer is set to Ci for the i th lower block.
  • the stride the step size used in the multiplication product filter, is set to 1 and zero padding is used so that the size of the output remains the same as the size of the input.
  • the output of each convolutional layer is fed to a rectified linear unit layer to prevent negative values. More specifically, the input of the rectified linear unit layer When is output, max ( , 0).
  • the output of the convolutional part is combined and reduced to N outputs, which can be used to determine the transmit power.
  • the output of the product part is If it is a three-dimensional matrix that is It can be reconstructed into a vector denoted by.
  • the output of the fully connected part Becomes here Is the weight of the full connection, Is the bias of the full connection.
  • the size of ego The size of If, the shape of the output of the fully connected part is Becomes
  • the output of the fully connected part 530 is input to the sigmoid part 540, so that the input of the sigmoid part is When is the i th output of the sigmoid part Becomes Therefore, the transmission power may be determined as shown in Equation 10 below.
  • an input matrix H which is a sample of channel information, may be collected first. Since both the transmitter and receiver location and multipath fading are different for all channel samples, the optimal transmit power may be different for each channel sample.
  • DPC deep power control
  • channel samples are converted to decibels and then normalized. Can be input to the composite-product neural network.
  • the neural network may pre-learn a transmission power allocation method based on an iterative algorithm based on at least one of a weighted minimum mean square error (WMMSE) and iterative water filling, in the composite product part. have.
  • WMMSE weighted minimum mean square error
  • the convolutional neural network can learn to regenerate the transmit power of conventional power control schemes, eg, weighted least mean square error (WMMSE), for given channel samples. Assuming that is the transmission power of the weighted least mean square error (WMMSE) system, then the multiplicative neural network is a loss function, Can be pre-learned to minimize
  • the pre-learned power control deep power control may be an approximation of the weighted minimum mean square error (WMMSE) scheme.
  • WMMSE weighted minimum mean square error
  • the role of pre-learning is to initialize the weights and biases of the convolutional neural network before actual learning. That is, even in the worst case, the transmit power of the weighted least mean square error (WMMSE) is regenerated to provide an initialization point so that the deep power control (DPC) can at least achieve a performance similar to the weighted least mean square error (WMMSE). have.
  • Learned deep power control can be used to determine transmit power based on current channel state information (CSI), which is called inference in deep learning.
  • CSI channel state information
  • DPC deep power control
  • the prior learning and learning of the composite product neural network can be performed offline. That is, a server or cloud platform capable of parallel computing can be used for learning separately from a wireless communication system.
  • the randomly selected user or central hub may use the trained multiplicative neural network to determine the transmit power based on the channel gains received from other users.
  • the neural network of the transmission power control apparatus may use local channel state information from neighboring users as an input value, and process channel state information of the remaining users as an average channel value.
  • DPC deep power control
  • the signal overhead required to collect channel state information may increase.
  • DPC distributed deep power control
  • the transmit power can be calculated using local channel state information from neighboring users, which can reduce overhead compared to schemes based on overall channel state information.
  • receiver j measures local channel state information for other transmitters and transmits this information to the corresponding transmitter j to receive normalized local channel state information. After that, The matrix is computed and can be treated as 0 for uncollected values. Transmitter j has been approximated Can be determined by supplying the trained multiplicative neural network.
  • FIG. 6 is a diagram illustrating a composite product neural network including a pre-learning initialization process in a neural network based transmission power control method according to an embodiment.
  • the neural network based transmission power control apparatus may include an input matrix 610 including a first fully connected part 620, a product multiplication part 640, a second fully connected part 650, and the like.
  • a convolutional neural network including the sigmoid part 660 may be learned and output a result value.
  • the first fully connected part 620 may include a reconstruction unit 630.
  • the first fully connected part 620 and the reconstructor 630 may learn and reconstruct an optimal input with respect to the input matrix.
  • the convolution product 640 may extract spatial features from the reconstructed input data.
  • the second fully connected part 650 may merge the extracted spatial features.
  • sigmoid part 660 may determine normalized transmit power.
  • the cellular system with the communication function between the underlay device may be assumed that the cellular system with the communication function between the underlay device.
  • transceiver pairs (TPs) between the N single antenna devices may transmit data to each other, and the cellular user terminal (CUE) may transmit data to the base station.
  • the uplink transmission and the device-to-device transmission of the cellular system share the same radio resource.
  • DUEs inter-device user terminals
  • CUE cellular user terminals
  • Index 0 of may correspond to the transmission unit of the cellular user terminal (CUE).
  • the transmit power of the DUE TP i is represented by Pi
  • Conditions and the transmit power of the cellular user terminal (CUE) Is fixed.
  • W and N0 are the bandwidth and noise spectrum density, respectively.
  • interference by transmission power between user equipments between devices may be considered.
  • Interference with cellular user terminals by inter-device user terminals When I say It can be expressed as.
  • the frequency efficiency SE0 of the cellular user terminal may be expressed by Equation 13.
  • the purpose of the transmission power control of the user terminal between devices is as shown in Equation 14, the amount of interference caused by the cellular user terminal is limited to the interference constraint ( In order to maximize the overall frequency efficiency of the user terminals between devices while limiting to less than).
  • the first fully connected part 620 may reconstruct the input data.
  • the normalized channel gain may be used to alleviate the problem caused by the large scale difference between the maximum value and the minimum value of the channel gain.
  • the first fully connected part 620 may find an optimal reconstruction of the input data.
  • the number of hidden nodes of the first fully connected part 620 may be equal to the number of normalized channel gain data.
  • the output of the first fully connected part may be reconstructed, reconstructed into a two-dimensional matrix, and provided as an input of the convolution product part 640.
  • the convolution product 640 may include a plurality of lower blocks.
  • the lower block of the convolution product part 640 may include a convolution product layer and a rectified linear unit (ReLU) layer.
  • ReLU rectified linear unit
  • the output of the composite product part may be summed into N outputs.
  • the three-dimensional matrix which is the output of the convolutional part, may be reconstructed into a one-dimensional vector and provided to the second fully connected part.
  • the neural network based transmission power control apparatus should learn a deep neural network model requiring a large number of channel samples. Therefore, samples of the channel gain must be collected first.
  • channel gain samples for different locations of the device-to-device (DUE) and the cellular user terminal (CUE) may be used to enable the deep neural network to learn a general transmit power control strategy for any channel condition.
  • the learned deep neural network can be applied at any user location.
  • an initialization step may be performed before learning. Unlike previous work, where weights and biases are randomly initialized, deep neural networks are initialized to regenerate existing transmit power control schemes for a given channel sample. The proposed initialization procedure can ensure that the deep neural network has an initial point that provides performance similar to the existing scheme.
  • the transmission power of the device-to-device user terminal is the weighted minimum mean square error (WMMSE) transmission power that maximizes the frequency efficiency of the device-to-device user terminal (DUE) without considering the interference caused by the cellular user terminal (CUE). Can be assumed to be initialized. Thus, the parameters of the DNN can be updated to minimize the loss function.
  • WMMSE weighted minimum mean square error
  • the deep neural network may be trained to maximize the overall frequency efficiency of the inter-device user terminals (DUEs) while limiting the amount of interference due to cellular user terminals (CUE).
  • DUEs inter-device user terminals
  • CUE cellular user terminals
  • FIG. 7 is a flowchart illustrating a neural network based transmission power control method according to an embodiment.
  • a neural network-based transmit power control method performed by a transmit power control apparatus of a wireless communication system (WCS) provides optimal transmission of a channel gain matrix through a neural network.
  • the method may include learning power, receiving channel state information from a transmitting terminal, and controlling transmission power based on the channel state information.
  • the neural network based transmission power control apparatus may learn an optimal transmission power by inputting a channel gain matrix through a neural network.
  • the neural network may be a deep neural network including a fully connected layer.
  • the neural network may be a convolutional neural network including a convolutional part, a fully connected part, and a sigmoid part.
  • the learning of the optimal transmission power may include pre-learning a weighted minimum mean square error (WMMSE) based transmission power allocation scheme in the composite product part.
  • WMMSE weighted minimum mean square error
  • the learning of the optimal transmission power may use local channel state information from adjacent users as an input value and process channel state information of the remaining users as an average channel value.
  • the wireless communication system is underlay D2D communication (Underlaid D2D Communication)
  • the transmission power control device is a transmission power of the D2D user equipment (DUE) between devices
  • the neural network may set a weighted sum-rate (WSR) of the inter-device communication terminal as a loss function.
  • WSR weighted sum-rate
  • the loss function of the neural network may be a parameter of the transmission rate and interference of the terminal.
  • the neural network may learn by considering interference generated from transmission power of a cellular user equipment (CUE).
  • CUE cellular user equipment
  • the neural network includes a convolution neural network including a first fully connected part, a composite product part, a second fully connected part, and a sigmoid part. Network), and input data may be reconstructed in the first fully connected part.
  • the second fully connected part may learn by considering both an interference between a cellular user terminal (CUE) and a user terminal between devices.
  • CUE cellular user terminal
  • the neural network based transmission power control apparatus may receive channel state information from a transmitting terminal.
  • the channel state information may include only local channel state information from adjacent users, not overall channel state information.
  • the neural network based transmission power control apparatus may control the transmission power based on the channel state information.
  • the neural network based transmission power control apparatus may control the transmission power of the user terminal between devices in consideration of interference generated in the transmission power of the cellular user terminal or the user terminal between the devices.
  • the system or apparatus described above may be implemented with hardware components, software components, and / or combinations of hardware components and software components.
  • the systems, devices, and components described in the embodiments may include, for example, processors, controllers, arithmetic logic units (ALUs), digital signal processors, microcomputers, field programmable arrays (FPAs). ), A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers.
  • the processing device may execute an operating system (OS) and one or more software applications running on the operating system.
  • the processing device may also access, store, manipulate, process, and generate data in response to the execution of the software.
  • OS operating system
  • the processing device may also access, store, manipulate, process, and generate data in response to the execution of the software.
  • processing device includes a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that it may include.
  • the processing device may include a plurality of processors or one processor and one controller.
  • other processing configurations are possible, such as parallel processors.
  • the software may include a computer program, code, instructions, or a combination of one or more of the above, and configure the processing device to operate as desired, or process it independently or collectively. You can command the device.
  • Software and / or data may be any type of machine, component, physical device, virtual equipment, computer storage medium or device in order to be interpreted by or to provide instructions or data to the processing device. Or may be permanently or temporarily embodied in a signal wave to be transmitted.
  • the software may be distributed over networked computer systems so that they may be stored or executed in a distributed manner.
  • Software and data may be stored on one or more computer readable recording media.
  • the method according to the embodiments may be embodied in the form of program instructions that may be executed by various computer means and recorded on a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the media may be those specially designed and constructed for the purposes of the embodiments, or they may be of the kind well-known and available to those having skill in the computer software arts.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks.
  • Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

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

Abstract

무선 통신 시스템(WCS; wireless communication system)에서 송신 단말의 송신전력을 제어하는 장치가 개시된다. 일실시예에 따른 신경망 기반의 송신전력 제어 장치는, 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습하는 신경망 및 채널 상태 정보를 기초로 송신전력을 제어하는 제어부를 포함한다.

Description

무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
본 발명은 일반적으로 무선통신 시스템에 관한 것으로, 특히 무선통신 시스템에서 송신 단말의 송신 전력을 제어하기 위한 방법 및 장치에 관한 것이다.
무선 통신 시스템(WCS; WIRELESS COMMUNICATION SYSTEM)에서는 송신전력과 같은 자원의 적절한 관리와 할당이 중요하다. 사용자의 송신전력이 적절하게 제어되지 않으면, 사용자 간의 주파수 간섭으로 인해 원활한 통신이 방해 받을 수 있다.
무선 통신의 인기가 증가함에 따라 무선 통신 시스템의 사용자의 인구 밀도가 증가하고 있으며, 이에 따라 무선 자원의 적절한 할당이 점차 중요해지고 있다. 이에 무선 통신 시스템에서의 자원 할당, 즉, 송신전력의 제어가 다양한 유형의 무선 통신 시스템(예를 들면, D2D 통신)에 대해서 광범위하게 연구되고 있다.
일반적으로, 송신전력은 폐쇄형으로 정해지지 않고 반복적 알고리즘(예를 들면, 반복적인 워터필링 또는 가중치 최소 평균 자승 에러(WMMSE) 등)을 통해 최적화 된다. 이러한 유형의 기법에서는 수렴이 이루어지기 전에 수 차례의 반복이 이루어져야 한다. 이때, 사용자 수가 늘어날수록 더 많은 반복이 필요하기 때문에 사용자가 많은 환경에서는 계산 속도가 매우 느려지게 된다.
최근 심층 신경망(DNN; Deep Neural Network) 기반의 심층 학습(Deep Learning) 기술의 사용이 많은 분야에서 고려되고 있으며 특히 이미지 분석 분야에서 기존의 방식보다 높은 성능을 제공하는 것으로 나타나고 있다. 복잡한 수학 모델을 도출할 필요 없이, 간단한 역 전파 알고리즘을 이용하면, 어려운 비선형 문제를 해결할 수 있다. 충분히 학습된 심층 신경망 모델은 짧은 계산시간으로 인해 실시간 동작에 적합하도록 사용될 수 있다.
송신 전력은 일반적으로 다수의 반복을 수반하는 알고리즘을 사용하여 결정되었으므로, 오랜 계산 시간으로 인해 송신 전력 제어의 실시간 동작이 극히 어려웠다. 본 발명에 의하면, 가중치 최소 평균 자승 에러(WMMSE) 기반의 송신전력 결정 방법보다 현저하게 빠른 계산 시간으로, 많은 사용자 단말에 대한 송신전력의 실시간 제어가 가능하도록 하는 신경망 기반의 송신전력 제어 방법을 제안하고자 한다.
일실시예에 따르면, 무선 통신 시스템(WCS; wireless communication system)에서 신경망 기반의 송신전력 제어 장치는 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습하는 신경망 및 채널 상태 정보를 기초로 송신전력을 제어하는 제어부를 포함할 수 있다.
일실시예에 따르면, 상기 신경망은, 완전 연결 층(fully connected layer)를 포함하는 심층 신경망(Deep Neural Network)을 포함할 수 있다.
다른 일실시예에 따르면, 상기 신경망은, 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)을 포함할 수 있다.
이때, 상기 신경망은, 반복적 알고리즘 기반의 송신전력 할당 방안을 사전 학습할 수 있다.
일실시예에 따르면, 상기 신경망은, 인접한 사용자들로부터의 로컬 채널 상태 정보를 입력 값으로 사용하고, 나머지 사용자들의 채널 상태 정보는 평균 채널값으로 처리할 수 있다.
일실시예에 따르면, 상기 무선 통신 시스템(WCS; wireless communication system)은 언더레이 장치간 통신(Underlaid D2D Communication)이고, 상기 송신전력 제어 장치는 장치간 사용자 단말(DUE; D2D User Equipment)의 송신전력을 제어하고, 상기 신경망의 손실함수는 단말의 전송률 및 간섭을 매개 변수로 할 수 있다.
일실시예에 따르면, 상기 신경망은, 셀룰러 사용자 단말(CUE; Cellular User Equipment)의 송신전력에서 발생하는 간섭을 고려해서 학습할 수 있다.
일실시예에 따르면, 상기 신경망은, 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이고, 상기 제1 완전 연결(Fully Connected) 파트에서 입력 데이터가 재구성될 수 있다.
일실시예에 따르면, 상기 제2 완전 연결 파트는, 셀룰러 사용자 단말(CUE) 및 장치간 사용자 단말의 간섭을 모두 고려해서 학습할 수 있다.
일실시예에 따르면, 무선 통신 시스템(WCS; wireless communication system)의 송신전력 제어 장치에 의해 수행되는 신경망 기반의 송신전력 제어 방법은, 신경망(Neural Network)을 통해 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습하는 단계, 송신 단말로부터 채널 상태 정보를 수신하는 단계 및 상기 채널 상태 정보를 기초로 송신전력을 제어하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 신경망은, 완전 연결 층(fully connected layer)를 포함하는 심층 신경망(Deep Neural Network)이 될 수 있다.
다른 일실시예에 따르면, 상기 신경망은, 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이 될 수 있다.
일실시예에 따르면, 상기 최적의 송신전력을 학습하는 단계는, 반복적 알고리즘 기반의 송신전력 할당 방안을 사전 학습하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 최적의 송신전력을 학습하는 단계는, 인접한 사용자들로부터의 로컬 채널 상태 정보를 입력 값으로 사용하고, 나머지 사용자들의 채널 상태 정보는 평균 채널값으로 처리할 수 있다.
일실시예에 따르면, 상기 무선 통신 시스템(WCS; wireless communication system)은 언더레이 장치간 통신(Underlaid D2D Communication)이고, 상기 송신전력 제어 장치는 장치간 사용자 단말(DUE; D2D User Equipment)의 송신전력을 제어하고, 상기 신경망은, 상기 장치간 통신 단말의 가중치 합계 전송률(WSR; weighted sum-rate)을 손실함수로 할 수 있다.
일실시예에 따르면, 상기 신경망은, 셀룰러 사용자 단말(CUE; Cellular User Equipment)의 송신전력에서 발생하는 간섭을 고려해서 학습할 수 있다.
일실시예에 따르면, 상기 신경망은, 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이고, 상기 제1 완전 연결(Fully Connected) 파트에서 입력 데이터가 재구성될 수 있다.
일실시예에 따르면, 상기 제2 완전 연결 파트는, 셀룰러 사용자 단말(CUE; Cellular User Equipment) 및 장치간 사용자 단말의 간섭을 모두 고려해서 학습할 수 있다.
일실시예에 따른 신경망 기반의 송신전력 제어 방법은 사용자 단말의 송신전력을 신경망을 통해 자율 학습함으로써, 복잡한 최적화 문제가 반복적으로 해결되어야 하는 종래의 송신전력 제어 방식과는 달리, 송신 단말의 송신전력이 빠르게 결정될 수 있다.
도 1은 종래의 일반적인 무선 통신 시스템의 구성을 도시한 도면이다.
도 2는 언더레이 장치간 통신에 대해 설명하기 위한 도면이다.
도 3은 일실시예에 따른 신경망 기반의 송신전력 제어 장치를 도시한 블록도이다.
도 4는 일실시예에 따른 신경망 기반의 송신전력 제어방법에서의 심층 신경망을 설명하기 위해서 도시한 도면이다.
도 5는 일실시예에 따른 신경망 기반의 송신전력 제어방법에서의 합성곱 신경망을 설명하기 위해서 도시한 도면이다.
도 6은 일실시예에 따른 신경망 기반의 송신전력 제어방법에서 학습 전 초기화 과정을 포함하는 합성곱 신경망을 설명하기 위해서 도시한 도면이다.
도 7은 일실시예에 따른 신경망 기반의 송신전력 제어 방법을 설명하기 위한 흐름도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 종래의 일반적인 무선 통신 시스템의 구성을 도시한 도면이다.
도 1을 참조하면, 종래의 일반적인 무선 통신 시스템 중 특히 셀룰러 통신 네트워크(100)는 기지국(110, 120) 및 상기 기지국에 연결된 사용자 단말들(111, 112, 113, 121, 122, 123)로 구성될 수 있다. 이렇게 무선 통신 네트워크에서는, 사용자 단말들 간의 통신이 통신 네트워크를 통해서 이루어지는데, 상기 통신 네트워크의 대응하는 "서빙(serving)" 무선 트랜시버들(예컨대, 3GPP '장기간 진화(Long Term Evolution; LTE)'/LTE 어드밴스드(LTE Advanced; LTE-A) 시스템에서 동일하거나 서로 다른 eNodeB(evolved Node B)의 무선 트랜시버들)에 접속되어 있는 2개의 사용자 단말은 상기 무선 트랜시버들 및 상기 사용자 단말 간에 설정 및 종료되는 물리적 통신 채널(들)에 의해 서로 통신할 수 있다.
도 2는 언더레이 장치간(Underlaid Device 2 Device) 통신에 대해 설명하기 위한 도면이다.
도2를 참조하면, 최근에 대두되고 있는 언더레이 장치간(Underlaid Device 2 Device) 통신 기법을 확인할 수 있다. 전통적인 2-홉(2-hop) 통신의 대안으로서, 최근 들어 비교적 짧은 거리 내에 있는 사용자 단말들끼리는 직접 통신하는 것이 효율적일 것이라는 관점에서 생겨나게 되었다.
언더레이 장치간(Underlaid Device 2 Device) 통신 시스템(200)은 사용자 단말 간에 거리가 멀리 떨어져 있는 경우에는 기지국(210, 220)을 거쳐서 통신하고, 사용자 단말 간에 거리가 가까운 경우(212과 213 또는 223과 224)에는 사용자 단말끼리 채널(201, 202)을 형성하여 통신할 수 있다.
사용자 단말 간의 이러한 직접 무선 통신은 2개(또는 그 이상)의 사용자 단말에 의해 직접 확립되는 D2D 통신 링크들을 기반으로 하여 이루어진다. D2D 통신은 통신 네트워크를 통해 이루어지지 않고 사용자 단말 간에 직접 설정 및 종료되는 물리적 통신 채널들을 통해 정보가 교환된다는 점에서 전통적인 INFRA 통신과는 다른 것이다.
장치 간 (D2D) 통신은 최근 셀룰러 데이터 트래픽을 사용자 간 직접 통신으로 분산하여 모바일 트래픽 증가 문제를 해결하는 기법으로 셀룰러 시스템의 핵심 기술로 인식되고 있다. D2D 통신에서는 많은 수의 사용자가 동시에 데이터를 전송할 수 있기 때문에, 송신전력을 적절히 조절하는 것이 성능 향상에 있어서 매우 중요하다. 예를 들어, 장치간 사용자 단말(DUE; D2D User Equipment)의 송신 전력이 적절하게 제어되지 않으면, 장치간 사용자 단말들 간에 엄청난 간섭이 발생하여 성능이 저하 될 수 있다. 장치간 사용자 단말이 셀룰러 사용자 단말(Cellular User Equipment)과 무선 자원을 공유하는 언더레이 D2D 통신에서는 전송 전력 제어가 더욱 중요해진다.
도 3은 일실시예에 따른 신경망 기반의 송신전력 제어 장치를 도시한 블록도이다.
도 3을 참조하면, 신경망 기반의 송신전력 제어 장치(310)는 신경망(311), 제어부(312) 및 통신부(313)를 포함할 수 있다. 일실시예에 따르면, 신경망 기반의 송신전력 제어 장치(310)의 신경망(311)은 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습할 수 있다.
일실시예에 따르면, 상기 신경망은 완전 연결 층(fully connected layer)을 포함하는 심층 신경망(Deep Neural Network)이 될 수 있다. 완전 연결 층(fully connected layer)을 포함하는 심층 신경망(Deep Neural Network)에 대한 구체적인 설명은 도 4에서 하도록 한다.
다른 일실시예에 따르면, 상기 신경망은 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이 될 수 있다. 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)에 대한 구체적인 설명은 도 5에서 하도록 한다.
또 다른 일실시예에 따르면, 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이 될 수 있다. 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)에 대한 구체적인 설명은 도6에서 하도록 한다.
여기서 채널 이득 매트릭스는 장치간 사용자 장비(DUE)들 간의 채널 이득 및 장치간 사용자 장비(DUE)와 셀룰러 사용자 단말(CUE) 사이의 채널 이득을 포함할 수 있다.
일실시예에 따르면, 제어부(312)는 채널 상태 정보를 기초로 사용자 단말의 송신전력을 제어할 수 있다. 이때, 제어부(312)는 사용자 단말의 결정된 송신 전력을 통신부(313)를 통해서 해당 사용자 단말에게 전송할 수 있다.
일실시예에 따르면, 통신부(313)는 사용자 단말(321, 322, …, 32n)로부터 송신전력과 관련된 데이터를 수신할 수 있다.
다른 일실시예에 따르면, 일실시예에 따르면, 통신부(313)는 결정된 송신전력을 사용자 단말(321, 322, …, 32n)에 전송할 수 있다.
도 4는 일실시예에 따른 신경망 기반의 송신전력 제어방법에서의 심층 신경망(Deep Neural Network)을 설명하기 위해서 도시한 도면이다.
도 4를 참조하면, 신경망 기반의 송신전력 제어 장치의 심층 신경망(Deep Neural Network)은 입력 매트릭스(410)를 완전 연결 파트(Fully Connected Part)에서 학습하고, 하이퍼볼릭탄젠트 파트(430)를 통해서 출력값을 얻을 수 있다.
일실시예에 따르면, 입력 매트릭스(410)는 셀룰러 사용자 단말(CUE)의 출력이 장치간 사용자 단말(DUE)의 통신에 미치는 간섭 채널(CUE-DUE channel) 및 장치간 사용자 단말(DUE)의 무선 채널(DUE-DUE channel)을 포함할 수 있다. 일실시예에 따르면, 완전 연결 파트(420)는 제1 하위 완전 연결 파트(421) 및 제N 하위 완전 연결 파트(422)를 포함하는 복수 개의 완전 연결 파트가 될 수 있다. 일실시예에 따르면, 각각의 하위 완전 연결 파트는 완전 연결 층(423, FC layer) 및 정류된 선형 유닛(Rectified Linear Unit; ReLU) 층을 포함할 수 있다. 일실시예에 따르면, 언더레이 장치간 통신(Underlaid D2D Communication)에서, 가중치 합계 전송률(Weighted Sum Rate, WSR)을 최대화하기 위해 장치간 사용자 단말(DUE)의 송신 전력이 심층 학습 기술을 사용해서 구해질 수 있다. 즉, 언더레이 장치간 통신(Underlaid D2D Communication)에 대한 전력 제어를 위해서 심층 신경망(Deep Neural Network)이 사용될 수 있다.
일실시예에 따르면, 신경망 기반의 송신전력 제어 장치의 신경망은, 셀룰러 사용자 단말(CUE; Cellular User Equipment)의 송신전력에서 발생하는 간섭을 고려해서 학습할 수 있다.
일실시예에 따르면, 임의의 영역 S에 복수 개의 장치간 사용자 단말(DUE)과 셀룰러 사용자 단말(CUE)이 자유롭게 분배된 셀룰러 네트워크 환경이 고려될 수 있다. 일실시예에 따르면, 장치간 사용자 단말(DUE)들이 셀룰러 사용자 단말(CUE)의 업링크 전송과 동일한 무선 자원을 공유하는 언더레이 장치간 통신이 고려될 수 있다. 이때, N 개의 장치간 사용자 단말(DUE) 트랜시버 쌍이 있다고 가정하고, 이 쌍은 데이터를 셀룰러 통신의 기지국으로 전송하는 셀룰러 사용자 단말(CUE)과 동일한 주파수를 통해 동시에 데이터를 전송한다고 가정할 수 있다.
Figure PCTKR2019000670-appb-img-000001
와
Figure PCTKR2019000670-appb-img-000002
는 송신기와 수신기의 집합을 각각 나타내고, 여기서
Figure PCTKR2019000670-appb-img-000003
의 인덱스 0은 셀룰러 사용자 단말(CUE) 송신기에 해당한다. 송신기 i의 송신 전력은 Pi로 표시되고, Pi는
Figure PCTKR2019000670-appb-img-000004
의 범위에 있다. 셀룰러 사용자 단말(CUE)는
Figure PCTKR2019000670-appb-img-000005
과 같은 고정 송신 전력
Figure PCTKR2019000670-appb-img-000006
을 사용한다고 가정한다. 또한,
Figure PCTKR2019000670-appb-img-000007
및 W는 각각 잡음 스펙트럼 밀도 및 대역폭이라고 가정한다.
일실시예에 따르면,
Figure PCTKR2019000670-appb-img-000008
와 같은 거리 관련 채널 이득에 대한 단순 경로 손실 모델을 고려할 수 있다. 송신기 i와 수신기 j 사이의 채널 이득인
Figure PCTKR2019000670-appb-img-000009
는 하기 수식 1과 같이 나타낼 수 있다.
Figure PCTKR2019000670-appb-img-000010
여기서, β는 경로 손실 계수, α는 경로 손실 지수를 의미하고,
Figure PCTKR2019000670-appb-img-000011
는 송신기 i와 수신기 j 사이의 거리를 말한다.
Figure PCTKR2019000670-appb-img-000012
는 송신기 i와 수신기 j 사이의 다중 경로 페이딩을 의미한다. 여기서
Figure PCTKR2019000670-appb-img-000013
를 행렬로 나타낸 것이 입력 매트릭스 H가 될 수 있다.
일실시예에 따르면, i번째 장치간 사용자 단말(DUE)의 데이터 전송률인
Figure PCTKR2019000670-appb-img-000014
는 하기 수식 2로 표현될 수 있다.
Figure PCTKR2019000670-appb-img-000015
여기서,
Figure PCTKR2019000670-appb-img-000016
는 셀룰러 사용자 단말(CUE)와 장치간 사용자 단말(DUE) 사이의 채널 이득이고,
Figure PCTKR2019000670-appb-img-000017
는 장치간 사용자 단말(DUE) 사이의 채널 이득이다.
일실시예에 따르면, 신경망 기반의 송신전력 제어 장치는 장치간 사용자 단말(DUE)의 전반적인 가중치 합계 전송률(WSR; weighted sum-rate)을 극대화하는 방법을 고려할 수 있다. 다른 일실시예에 따르면, 신경망 기반의 송신전력 제어 장치는 에너지 효율을 최대화하는 목적에도 적용 할 수 있다.
Figure PCTKR2019000670-appb-img-000018
여기서,
Figure PCTKR2019000670-appb-img-000019
는 서로 다른 장치간 사용자 단말(DUE)들의 송신을 우선 순위를 정하는데 사용될 수 있는 DUE i에 대한 데이터 전송률의 가중치이다.
일실시예에 따르면, 언더레이 장치간 통신을 위한 신경망 기반의 송신전력 제어 장치는 최적화 된 송신 전력을 찾기 위해 심층 신경망 모델을 포함할 수 있다.
장치간 사용자 단말(DUE)들 간의 채널 이득 및 장치간 사용자 단말(DUE)과 셀룰러 사용자 단말(CUE) 사이의 채널 이득을 포함하는 매트릭스 H(410)는 심층 신경망의 입력이 되고, 심층 신경망의 출력은 정규화 된 송신 전력(
Figure PCTKR2019000670-appb-img-000020
)이며, 송신 전력은
Figure PCTKR2019000670-appb-img-000021
로 결정될 수 있다.
일실시예에 따르면, 완전 연결 파트는 직렬로 연결된 N개의 하위 완전 연결 파트로 구성될 수 있다. 각각의 하위 완전 연결 파트는 완전 연결 층 및 정류된 선형 유닛(ReLU) 층을 포함할 수 있다. 완전 연결 층에서 가중치의 행렬 곱셈은 편향의 추가와 함께 발생할 수 있다. i 번째 하위 완전 연결 파트의 완전 연결 층에 대한 은닉 노드의 수를 Fi로 설정하고, 완전 연결 층의 출력은
Figure PCTKR2019000670-appb-img-000022
가 될 수 있다. 여기서
Figure PCTKR2019000670-appb-img-000023
는 i 번째 서브 블록의 완전 연결 층의 입력,
Figure PCTKR2019000670-appb-img-000024
는 i 번째 서브 블록의 가중치 및
Figure PCTKR2019000670-appb-img-000025
는 i 번째 서브 블록의 바이어스이다. 각 완전 연결 층의 출력은 심층 신경망에 비선형 성을 제공하는 정류된 선형 유닛(ReLU) 층으로 공급될 수 있다. 보다 구체적으로, 정류된 선형 유닛(ReLU) 층의 입력이
Figure PCTKR2019000670-appb-img-000026
일 때, 출력은
Figure PCTKR2019000670-appb-img-000027
가 될 수 있다. 완전 연결 파트의 최종 출력은 하이퍼볼릭탄젠트 파트(430)로 제공되며 하이퍼볼릭 탄젠트 연산을 실행할 수 있다. 하이퍼볼릭탄젠트 파트(430)의 입력이
Figure PCTKR2019000670-appb-img-000028
이고, i 번째 요소의 벡터가
Figure PCTKR2019000670-appb-img-000029
일때, 출력은
Figure PCTKR2019000670-appb-img-000030
로 나타낼 수 있다. 하이퍼볼릭탄젠트 파트(430)의 출력은
Figure PCTKR2019000670-appb-img-000031
의 값이 0과 1 사이가 되도록 -1과 1 사이에 있고, 상기 수식 3의 조건,
Figure PCTKR2019000670-appb-img-000032
을 만족한다.
일실시예에 따른 신경망 기반의 송신전력 제어 장치는, 심층 신경망을 통해서 먼저 학습을 거쳐야 하며, 그 후에 학습 된 모델을 사용하여 전송 전력을 결정할 수 있다. 심층 신경망이 임의의 채널 조건을 따라하기 위한 일반적인 송신 전력 제어 전략을 학습할 수 있도록 상이한 페이딩 조건 하에서 장치간 사용자 단말(DUE) 및 셀룰러 사용자 단말(CUE)의 다양한 위치에 대한 채널 이득의 샘플인 매트릭스 H가 학습을 위해 수집될 수 있다. 학습의 과적합을 방지하기 위해 다양한 조건에 대한 채널 샘플의 충분한 수가 필수적이다. 수집 된 채널 이득은 데시벨로 변환 된 다음 평균 및 단위 분산이 0이되도록 정규화될 수 있다. 경로 손실의 특성과 심층 페이딩의 효과는 여러 샘플에 대한 채널 이득의 크기가 크게 달라질 수 있는 것을 의미하고, 심층 신경망 학습에 악영향을 미치기 때문에 더 나은 학습을 위해서는 데이터의 전처리가 필요할 수 있다.
일실시예에 따르면, 신경망 기반의 송신전력 제어 장치의 심층 신경망(Deep Neural Network)은 장치간 통신 단말의 가중치 합계 전송률(WSR; weighted sum-rate)을 손실함수로 할 수 있다. 다른 일실시예에 따르면, 상기 신경망의 손실함수는 단말의 전송률 및 간섭을 매개 변수로 할 수 있다.
심층 신경망은 SGD (stochastic gradient descent) 알고리즘을 사용하여 학습할 수 있다. 이때, 학습을 위해 하기 수식 4와 같은 손실 함수 L이 고려될 수 있다.
Figure PCTKR2019000670-appb-img-000033
그런 다음 심층 신경망의 가중치와 편차
Figure PCTKR2019000670-appb-img-000034
는 다중 채널 샘플에 대해 업데이트 할 수 있다.
충분히 학습 된 심층 신경망은 송신 전력 제어에 사용될 수 있다. 송신 전력을 결정하기 위해, 채널 이득은 데시벨로 변환되고 정규화 된 다음 정규화 된 송신 전력을 출력하는 심층 신경망 모델에 공급될 수 있다. 채널 샘플 및 장치간 사용자 단말(DUE) 수가 많은 경우 심층 신경망의 학습 시간이 오래 걸린다. 그러나, 학습된 심층 신경망은 실시간 동작에 적합하도록 짧은 계산 시간으로 전송 전력을 추론할 수 있다.
도 5는 일실시예에 따른 신경망 기반의 송신전력 제어방법에서의 합성곱 신경망(Convolution Neural Network, CNN)을 설명하기 위해서 도시한 도면이다.
도 5를 참조하면, 신경망 기반의 송신전력 제어 장치는 입력 매트릭스(510)를 합성곱 파트(520), 완전 연결 파트(530) 및 시그모이드 파트(540)를 포함하는 합성곱 신경망(CNN)을 통해서 학습하고 출력 값을 얻을 수 있다.
일실시예에 따르면, 합성곱 파트(520)는 반복적 알고리즘 기반의 송신전력 할당 방법을 사전 학습(Pre-training)할 수 있다. 보다 구체적으로, 합성곱 파트(520)는 심층 학습 구조에 기존의 단말 송신전력을 제어하는 방식의 출력 결과와 동일한 결과를 가질 수 있도록 학습시킬 수 있다. 여기서, 반복적 알고리즘은 기존의 송신 전력을 결정하는 방법 중 하나로, 가중치 최소 평균 자승 에러(WMMSE) 및 반복적 워터 필링(iterative water-filling) 방식을 포함할 수 있다.
일실시예에 따르면, 완전 연결 파트(530)는 주파수 효율(Spectral efficiency) 또는 에너지 효율(energy efficiency)을 손실함수(loss function)로 사용하여 심층 학습 할 수 있다.
일실시예에 따르면, 시그모이드 파트(540)는 완전 연결 파트의 출력을 입력값으로 해서, 송신전력을 구할 수 있다.
일실시예에 따르면, 무선 통신 시스템의 송신전력 제어 전략은 합성곱 신경망(CNN)을 이용한 심층 전력 제어(DPC)로 설명될 수 있다. 상기 심층 전력 제어(DPC)는 주파수 효율(Spectral efficiency) 또는 에너지 효율(energy efficiency)을 최대화하기 위해 송신 전력이 적절하게 결정될 수 있도록 심층 학습을 통해서 자동으로 학습될 수 있다.
일실시예에 따른 심층 전력 제어 방법은, 기존의 반복 기법보다 계산 복잡도가 낮도록 사용자의 적절한 송신 전력을 추론할 수 있다. 이때, 송신 전력을 결정하기 위해 로컬 채널 상태 정보만 사용하는 분산형 심층 전력 제어를 제안한다.
일실시예에 따르면, DxD 영역에 복수의 사용자가 무작위로 분산된 무선 통신 시스템을 가정할 수 있다. 이때, 하나의 송신기와 하나의 수신기를 포함하는 N개의 단일 안테나 트랜시버 쌍이 있고, 모든 송신은 동일한 주파수상에서 동시에 일어난다고 가정한다. 따라서, 트랜시버 쌍의 통신은 다른 트랜시버 쌍들의 송신으로부터의 간섭을 수신할 수 있다. 예를 들면,
Figure PCTKR2019000670-appb-img-000035
와
Figure PCTKR2019000670-appb-img-000036
는 송신기 세트 및 수신기 세트를 각각 나타내고,
Figure PCTKR2019000670-appb-img-000037
에 속하는 수신기 k는
Figure PCTKR2019000670-appb-img-000038
에 속하는 송신기 k로부터 데이터를 수신하고,
Figure PCTKR2019000670-appb-img-000039
에 속하는 다른 송신기 i로부터 간섭을 수신할 수 있다. 이때, 입력
Figure PCTKR2019000670-appb-img-000040
는 하기 수식 5와 같이 나타낼 수 있다.
Figure PCTKR2019000670-appb-img-000041
Figure PCTKR2019000670-appb-img-000042
는 송신기 i와 수신기 j의 거리 관련 채널 이득이고,
Figure PCTKR2019000670-appb-img-000043
는 송신기 i와 수신기 j의 다중경로 페이딩을 나타낸다.
Figure PCTKR2019000670-appb-img-000044
는 독립적이고 동일하게 분포된 순환 대칭 복소 가우스(CSCG)로, 평균이 0이고 분산이 1인 확률 변수로 모델링 된다고 가정한다. 단순 경로 손실 모델은
Figure PCTKR2019000670-appb-img-000045
로 표현된다. 여기서,
Figure PCTKR2019000670-appb-img-000046
는 경로 손실 계수,
Figure PCTKR2019000670-appb-img-000047
는 경로 손실 지수,
Figure PCTKR2019000670-appb-img-000048
는 송신기 i와 수신기 j 간의 거리이다.
송신기 i의 달성 가능한 주파수 효율(Spectral efficiency)은 하기 수식 6과 같이 작성될 수 있다.
Figure PCTKR2019000670-appb-img-000049
여기서, 송신기 i의 전송 전력을 Pi라고 하면, 0<Pi<Pmax 이고, P는 Pi의 벡터, N0는 잡음 스펙트럼 밀도, W는 대역폭이다.
송신기 i의 에너지 효율(energy efficiency)은 하기 수식 7과 같이 나타낼 수 있다.
Figure PCTKR2019000670-appb-img-000050
여기서 Pc는 송신기의 회로에서 소비된 전력을 말한다. 여기서, 송신전력의 제어에 대한 두 가지 목표인 주파수 효율의 최대화와 에너지 효율의 최대화가 고려된다. 이때, 하기 수식 8과 같이 주파수 효율을 고려하여 송신전력의 최적화를 표현할 수 있다.
Figure PCTKR2019000670-appb-img-000051
또, 하기 수식 9와 같이 에너지 효율을 고려하여 송신전력의 최적화를 표현할 수 있다.
Figure PCTKR2019000670-appb-img-000052
일실시예에 따르면, 합성곱 파트(520)는 직렬로 연결된 복수 개의 하위 블록들(521, 522, 523, 524, 525, ..., 526)을 포함할 수 있다. 이때, 하위 블록은 입력 데이터의 2차원 공간 합성곱을 수행하는 합성곱 층(522, 524, 526) 및 합성곱 신경망에 비선형성을 주입하는 정류된 선형 유닛(ReLU) 층(521, 523, 525)을 포함할 수 있다.
i 번째 하위 블록에 대해 합성곱 층의 깊이는 Ci로 설정된다. 합성곱 필터에서 사용되는 스텝 크기인 스트라이드(stride)는 1로 설정되고 출력의 크기가 입력의 크기와 동일하게 유지되도록 제로 패딩이 사용된다. 각 합성곱 층의 출력은 정류된 선형 유닛 층으로 공급되어 음수 값을 방지한다. 보다 구체적으로, 정류된 선형 유닛 층의 입력이
Figure PCTKR2019000670-appb-img-000053
일 때, 출력은 max (
Figure PCTKR2019000670-appb-img-000054
, 0)이 된다.
완전 연결 파트에서, 합성곱 파트의 출력은 결합되어 N 개의 출력으로 감소되며, 이는 송신 전력을 결정하는데 사용될 수 있다. 합성곱 파트의 출력이
Figure PCTKR2019000670-appb-img-000055
인 3 차원 행렬이라면 이것은
Figure PCTKR2019000670-appb-img-000056
로 표시되는 벡터로 재구성될 수 있다. 그러면 완전 연결 파트의 출력은
Figure PCTKR2019000670-appb-img-000057
가 된다. 여기서
Figure PCTKR2019000670-appb-img-000058
는 완전 연결의 가중치이고,
Figure PCTKR2019000670-appb-img-000059
는 완전 연결의 바이어스이다.
Figure PCTKR2019000670-appb-img-000060
의 크기가
Figure PCTKR2019000670-appb-img-000061
이고,
Figure PCTKR2019000670-appb-img-000062
의 크기가
Figure PCTKR2019000670-appb-img-000063
인 경우, 완전 연결 파트의 출력의 형상은
Figure PCTKR2019000670-appb-img-000064
이 된다. 완전 연결 파트(530)의 출력은 시그모이드 파트(540)에 입력되어, 시그모이드 파트의 입력이
Figure PCTKR2019000670-appb-img-000065
일 때, 시그모이드 파트의 i 번째 출력은
Figure PCTKR2019000670-appb-img-000066
가 된다. 따라서, 송신 전력은 하기 수식 10과 같이 결정될 수 있다.
Figure PCTKR2019000670-appb-img-000067
여기서
Figure PCTKR2019000670-appb-img-000068
는 합성곱 파트의 기능을 나타낸다.
일실시예에 따른 심층 전력 제어(DPC)에서, 채널 정보의 샘플인 입력 매트릭스 H가 먼저 수집될 수 있다. 송신기 및 수신기의 위치 및 다중 경로 페이딩 모두가 모든 채널 샘플에 대해 상이하기 때문에, 최적의 송신 전력은 각각의 채널 샘플에 대해 상이할 수 있다. 따라서, 심층 전력 제어(DPC)는 일반적인 송신 전력 제어 전략이 얻어질 수 있도록 임의의 채널 조건에 대해 학습할 수 있다. 제안된 기법에서 채널 샘플은 데시벨로 변환된 후 정규화되어
Figure PCTKR2019000670-appb-img-000069
를 얻고 합성곱 신경망의 입력이 될 수 있다.
채널 샘플을 준비되면 실제 학습 전에 사전 학습이 수행될 수 있다. 일실시예에 따르면, 상기 신경망은, 가중치 최소 평균 자승 에러(WMMSE) 및 반복적 워터 필링(iterative water-filling) 중 적어도 하나의 반복적 알고리즘 기반의 송신전력 할당 방법을 상기 합성곱 파트에서 사전 학습할 수 있다.
사전 학습 동안, 합성곱 신경망은 주어진 채널 샘플들에 대한 종래의 전력 제어 방식, 예를 들면, 가중치 최소 평균 자승 에러(WMMSE)의 송신 전력을 재생성하도록 학습할 수 있다.
Figure PCTKR2019000670-appb-img-000070
가 가중치 최소 평균 자승 에러(WMMSE) 체계의 전송 전력이라고 가정하면, 합성곱 신경망은 하기 수식 11과 같이, 손실 함수
Figure PCTKR2019000670-appb-img-000071
를 최소화하기 위해 사전 학습될 수 있다.
Figure PCTKR2019000670-appb-img-000072
일실시예에 따르면, 사전 학습된 전력 제어심층 전력 제어(DPC)는 가중치 최소 평균 자승 에러(WMMSE) 체계의 근사치가 될 수 있다. 사전 학습의 역할은 실제 학습에 앞서 합성곱 신경망의 가중치와 편향을 초기화하는 것이다. 즉, 최악의 경우에도 가중치 최소 평균 자승 에러(WMMSE)의 송신 전력이 재생성되어 심층 전력 제어(DPC)가 최소한 가중치 최소 평균 자승 에러(WMMSE)와 유사한 성능을 달성 할 수 있도록 초기화 포인트를 제공할 수 있다.
학습 된 심층 전력 제어(DPC)는 현재의 채널 상태 정보(CSI)에 기초하여 송신 전력을 결정하는데 사용될 수 있고, 심층 학습에서는 이것을 추론이라고 한다.
합성곱 신경망의 학습이 많은 수의 계산을 수반 할지라도, 심층 전력 제어(DPC)의 추론은 상대적으로 낮은 오버 헤드로 실행될 수 있으며, 이는 심층 전력 제어(DPC)의 실시간 연산을 가능하게 한다
일실시예에 따르면, 합성곱 신경망의 사전 학습과 학습은 오프라인에서 수행 될 수 있다. 즉 병렬 계산이 가능한 서버나 클라우드 플랫폼은 무선 통신 시스템과 별도로 학습에 사용될 수 있다. 무작위로 선택된 사용자 또는 중앙 허브는 학습된 합성곱 신경망을 사용하여 다른 사용자로부터 수신 된 채널 이득을 기반으로 전송 전력을 결정할 수 있다.
일실시예에 따르면, 송신전력 제어 장치의 신경망은, 인접한 사용자들로부터의 로컬 채널 상태 정보를 입력 값으로 사용하고, 나머지 사용자들의 채널 상태 정보는 평균 채널값으로 처리할 수 있다. 심층 전력 제어(DPC)의 사용자 수가 많아지면 채널 상태 정보를 수집하는 데 필요한 신호 오버헤드가 커질 수 있다. 이를 해결하기 위해 전체 채널 상태 정보가 필요 없는 분산형 심층 전력 제어(DPC)가 개시된다. 인접 사용자들로부터의 로컬 채널 상태 정보를 이용하여 송신 전력이 계산 될 수 있으며, 이는 전체 채널 상태 정보를 기반으로 하는 방식들에 비해 오버 헤드를 감소시킬 수 있다.
분산형 심층 전력 제어에서, 근사 된
Figure PCTKR2019000670-appb-img-000073
는 전체 채널 상태 정보를 사용하여 학습된 합성곱 신경망으로 공급될 수 있다.
이를 위해, 수신기 j는 다른 송신기들에 대해 로컬 채널 상태 정보를 측정하고, 정규화된 로컬 채널 상태 정보를 수신할 수 있도록 이 정보를 대응하는 송신기 j로 송신한다. 그런 다음,
Figure PCTKR2019000670-appb-img-000074
행렬이 계산되고, 수집되지 않은 값에 대해서는 0으로 처리할 수 있다. 송신기 j는이 근사 된
Figure PCTKR2019000670-appb-img-000075
를 학습된 합성곱 신경망에 공급함으로써 송신 전력 Pj를 결정할 수 있다.
도 6은 일실시예에 따른 신경망 기반의 송신전력 제어방법에서 학습 전 초기화 과정을 포함하는 합성곱 신경망을 설명하기 위해서 도시한 도면이다.
도 6을 참조하면, 일실시예에 따른 신경망 기반의 송신전력 제어 장치는 입력 매트릭스(610)를 제1 완전 연결 파트(620), 합성곱 파트(640), 제2 완전 연결 파트(650) 및 시그모이드 파트(660)를 포함하는 합성곱 신경망(Convolution Neural Network)을 통해서 학습하고 결과 값을 출력할 수 있다.
일실시예에 따르면, 제1 완전 연결 파트(620)는 재구성부(630)를 포함할 수 있다. 여기서 제1 완전 연결 파트(620) 및 재구성부(630)는 입력 매트릭스에 대해 최적의 입력을 학습하여 재구성 할 수 있다.
일실시예에 따르면, 합성곱 파트(640)는 재구성된 입력 데이터에서 공간적 특징을 추출할 수 있다.
일실시예에 따르면, 제2 완전 연결 파트(650)는 추출 된 공간적 특징을 병합할 수 있다.
일실시예에 따르면, 시그모이드 파트(660)는 정규화 된 송신 전력을 결정할 수 있다.
일실시예에 따르면, 언더레이 장치간 통신 기능이 있는 셀룰러 시스템을 가정할 수 있다. 여기서, N개의 단일 안테나 장치간 트랜시버 쌍(TPs)은 상호간에 데이터를 전송하고, 셀룰러 사용자 단말(CUE)은 기지국에 데이터를 전송할 수 있다. 이때, 언더레이 장치간 통신에서, 셀룰러 시스템의 업링크 송신과 장치간 송신이 동일한 무선 자원을 공유한다. 이때, 장치간 사용자 단말(DUE)들과 셀룰러 사용자 단말(CUE)은 영역 S에 무작위로 분포하고 기지국은 영역 S의 중앙에 위치한다고 가정하고, 송신전력을 최적화하기 위한 주파수 효과를 하기 수식 12에서 확인할 수 있다.
Figure PCTKR2019000670-appb-img-000076
여기서,
Figure PCTKR2019000670-appb-img-000077
는 트랜시버의 세트를 나타내고,
Figure PCTKR2019000670-appb-img-000078
의 인덱스 0은 셀룰러 사용자 단말(CUE)의 전송부에 대응할 수 있다. 이때, DUE TP i의 전송 전력은 Pi로 표현되며,
Figure PCTKR2019000670-appb-img-000079
조건을 만족하고 셀룰러 사용자 단말(CUE)의 전송 전력은
Figure PCTKR2019000670-appb-img-000080
로 고정된다. W와 N0는 각각 대역폭 및 잡음 스펙스럼 밀도이다. 다중 경로 페이딩 및 거리에 관련된 채널 이득으로 구성된, 송신기 TPi와 수신기 TPj 간의 채널 이득이
Figure PCTKR2019000670-appb-img-000081
가 될 수 있다.
일실시예에 따르면, 신경망 기반의 송신전력 제어 장치의 송신 전력의 결정에, 장치간 사용자 단말들 간의 송신 전력에 의한 간섭이 고려될 수 있다. 장치간 사용자 단말들에 의한 셀룰러 사용자 단말에 대한 간섭을
Figure PCTKR2019000670-appb-img-000082
라고 할 때,
Figure PCTKR2019000670-appb-img-000083
로 표현될 수 있다. 이때, 셀룰러 사용자 단말의 주파수 효율 SE0는 하기 수식 13으로 표현될 수 있다.
Figure PCTKR2019000670-appb-img-000084
여기서, 장치간 사용자 단말의 송신전력 제어의 목적은 하기 수식 14와 같이, 셀룰러 사용자 단말에 의해 발생한 간섭의 양이 간섭 제약(
Figure PCTKR2019000670-appb-img-000085
)보다 작도록 제한하면서 장치간 사용자 단말들의 전체 주파수 효율을 극대화하기 위함이다.
Figure PCTKR2019000670-appb-img-000086
일실시예에 따르면, 제1 완전 연결 파트(620)는 입력 데이터를 재구성할 수 있다. 이때, 채널 이득의 최대값과 최소값 사이의 큰 스케일 차이로 인한 문제를 완화하기 위해 정규화 된 채널 이득을 사용할 수 있다.
일실시예에 따르면, 제1 완전 연결 파트(620)는 입력 데이터의 최적의 재구성을 찾을 수 있다. 이때, 제1 완전 연결 파트(620)의 은닉 노드의 수는 노멀라이즈된 채널 이득 데이터의 수와 동일하게 할 수 있다. 제1 완전 연결 파트의 출력은 재구성되어, 2차원 행렬로 재구성되고, 합성곱 파트(640)의 입력으로 제공될 수 있다.
일실시예에 따르면, 합성곱 파트(640)는 복수 개의 하위 블록을 포함할 수 있다. 합성곱 파트(640)의 하위 블록은 합성곱 층 및 정류된 선형 유닛(ReLU) 층을 포함할 수 있다. 이때, 합성곱 파트(640)에 적용합으로써, 심층 신경망의 가중치가 효과적으로 줄어들 수 있다.
일실시예에 따르면, 제2 완전 연결 파트(650)에서, 합성곱 파트의 출력은 N개의 출력으로 합쳐질 수 있다. 예를 들면, 합성곱 파트의 출력인 3차원 행렬은 1차원 벡터로 재구성되어, 제2 완전 연결 파트에 제공될 수 있다.
일실시예에 따른 신경망 기반의 송신전력 제어 장치는 많은 수의 채널 샘플을 요구하는 심층 신경망 모델을 학습해야 한다. 따라서 채널 이득의 샘플을 먼저 수집해야 한다. 이때, 장치간 사용자 단말(DUE) 및 셀룰러 사용자 단말(CUE)의 서로 다른 위치에 대한 채널 이득 샘플이, 심층 신경망이 임의의 채널 조건에 대한 일반적인 송신 전력 제어 전략을 학습할 수 있도록 사용될 수 있다. 학습된 심층 신경망은 임의의 사용자 위치에서도 적용될 수 있다.
일실시예에 따르면, 채널 샘플이 준비되면 학습 전에 초기화 단계가 수행될 수 있다. 가중치와 바이어스가 무작위로 초기화되는 이전 연구와는 달리 심층 신경망은 주어진 채널 샘플에 대한 기존의 송신전력 제어 기법을 재생성 할 수 있도록 초기화된다. 제안된 초기화 절차는 심층 신경망이 기존 방식과 유사한 성능을 제공하는 초기지점을 갖도록 보장할 수 있다.
장치간 사용자 단말(DUE)의 송신 전력이 셀룰러 사용자 단말(CUE)로 인한 간섭을 고려하지 않고 장치간 사용자 단말(DUE)의 주파수 효율이 최대화되는 가중치 최소 평균 자승 에러(WMMSE) 방식의 송신 전력을 이용하여 초기화된다고 가정할 수 있다. 따라서 DNN의 파라미터는 손실 함수를 최소화하도록 업데이트될 수 있다.
초기화 이후, 심층 신경망은 셀룰러 사용자 단말(CUE)로 인한 간섭의 양을 제한하면서 장치간 사용자 단말(DUE)들의 전체 주파수 효율이 최대화되도록 학습될 수 있다.
도 7은 일실시예에 따른 신경망 기반의 송신전력 제어 방법을 설명하기 위한 흐름도이다.
일실시예에 따르면, 무선 통신 시스템(WCS; wireless communication system)의 송신전력 제어 장치에 의해 수행되는 신경망 기반의 송신전력 제어 방법은, 신경망(Neural Network)을 통해 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습하는 단계, 송신 단말로부터 채널 상태 정보를 수신하는 단계 및 상기 채널 상태 정보를 기초로 송신전력을 제어하는 단계를 포함할 수 있다.
일실시예에 따르면, 단계(S710)에서, 신경망 기반의 송신전력 제어 장치는 신경망(Neural Network)을 통해 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습할 수 있다.
이때, 신경망(Neural Network)은 완전 연결 층(fully connected layer)를 포함하는 심층 신경망(Deep Neural Network)이 될 수 있다.
다른 일실시예에 따르면, 상기 신경망은, 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이 될 수 있다.
일실시예에 따르면, 상기 최적의 송신전력을 학습하는 단계는, 가중치 최소 평균 자승 에러(WMMSE) 기반의 송신전력 할당 방안을 상기 합성곱 파트에서 사전 학습하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 최적의 송신전력을 학습하는 단계는, 인접한 사용자들로부터의 로컬 채널 상태 정보를 입력 값으로 사용하고, 나머지 사용자들의 채널 상태 정보는 평균 채널값으로 처리할 수 있다.
일실시예에 따르면, 상기 무선 통신 시스템(WCS; wireless communication system)은 언더레이 장치간 통신(Underlaid D2D Communication)이고, 상기 송신전력 제어 장치는 장치간 사용자 단말(DUE; D2D User Equipment)의 송신전력을 제어하고, 상기 신경망은, 상기 장치간 통신 단말의 가중치 합계 전송률(WSR; weighted sum-rate)을 손실함수로 할 수 있다. 다른 일실시예에 따르면, 상기 신경망의 손실함수는 단말의 전송률 및 간섭을 매개 변수로 할 수 있다.
일실시예에 따르면, 상기 신경망은, 셀룰러 사용자 단말(CUE)(Cellular User Equipment)의 송신전력에서 발생하는 간섭을 고려해서 학습할 수 있다.
일실시예에 따르면, 상기 신경망은, 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이고, 상기 제1 완전 연결(Fully Connected) 파트에서 입력 데이터가 재구성될 수 있다.
일실시예에 따르면, 상기 제2 완전 연결 파트는, 셀룰러 사용자 단말(CUE) 및 장치간 사용자 단말의 간섭을 모두 고려해서 학습할 수 있다.
　일실시예에 따르면, 단계(S720)에서, 신경망 기반의 송신전력 제어 장치는 송신 단말로부터 채널 상태 정보를 수신할 수 있다. 이때, 채널 상태 정보는 전체 채널 상태 정보가 아니라, 인접한 사용자들로부터의 로컬 채널 상태 정보만 포함할 수 있다.
일실시예에 따르면, 단계(S730)에서, 신경망 기반의 송신전력 제어 장치는 채널 상태 정보를 기초로 송신전력을 제어할 수 있다. 이때, 일실시예에 따른 신경망 기반의 송신전력 제어 장치는 셀룰러 사용자 단말 또는 장치간 사용자 단말의 송신전력에서 발생하는 간섭을 고려해서 장치간 사용자 단말의 송신전력을 제어할 수 있다.
이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 장치 및 구성요소 는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세 서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예들에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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 (18)

  1. 무선 통신 시스템(WCS; wireless communication system)에서 신경망 기반의 송신전력 제어 장치에 있어서,
    채널 이득 매트릭스를 입력으로 하여 최적의 송신전력을 학습하는 신경망; 및
    채널 상태 정보를 기초로 송신전력을 제어하는 제어부를 포함하는 신경망 기반의 송신전력 제어 장치.
  2. 제1항에 있어서,
    상기 신경망은, 완전 연결 층(fully connected layer)를 포함하는 심층 신경망(Deep Neural Network)인 것을 특징으로 하는
    신경망 기반의 송신전력 제어 장치.
  3. 제1항에 있어서,
    상기 신경망은, 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)인 것을 특징으로 하는
    신경망 기반의 송신전력 제어 장치.
  4. 제3항에 있어서,
    상기 신경망은, 반복적 알고리즘 기반의 송신전력 할당 방법을 사전 학습하는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 장치.
  5. 제1항에 있어서,
    상기 신경망은, 인접한 사용자들로부터의 로컬 채널 상태 정보를 입력 값으로 사용하고, 나머지 사용자들의 채널 상태 정보는 평균 채널값으로 처리하는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 장치.
  6. 제1항에 있어서,
    상기 무선 통신 시스템(WCS; wireless communication system)은 언더레이 장치간 통신(Underlaid D2D Communication)이고,
    상기 송신전력 제어 장치는 장치간 사용자 단말(DUE; D2D User Equipment)의 송신전력을 제어하고,
    상기 신경망의 손실함수는 단말의 전송률 및 간섭을 매개 변수로 하는
    신경망 기반의 송신전력 제어 장치.
  7. 제6항에 있어서,
    상기 신경망은, 셀룰러 사용자 단말(CUE;Cellular User Equipment)의 송신전력에서 발생하는 간섭을 고려해서 학습하는
    신경망 기반의 송신전력 제어 장치.
  8. 제1항에 있어서,
    상기 신경망은, 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이고,
    상기 제1 완전 연결(Fully Connected) 파트에서 입력 데이터가 재구성되는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 장치.
  9. 제8항에 있어서,
    상기 제2 완전 연결 파트는, 셀룰러 사용자 단말(CUE) 및 장치간 사용자 단말의 간섭을 모두 고려해서 학습하는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 장치.
  10. 무선 통신 시스템(WCS; wireless communication system)의 송신전력 제어 장치에 의해 수행되는 신경망 기반의 송신전력 제어 방법에 있어서,
    신경망(Neural Network)을 통해 채널 이득 매트릭스를 입력으로 최적의 송신전력을 학습하는 단계;
    송신 단말로부터 채널 상태 정보를 수신하는 단계; 및
    상기 채널 상태 정보를 기초로 송신전력을 제어하는 단계
    를 포함하는 신경망 기반의 송신전력 제어 방법.
  11. 제10항에 있어서,
    상기 신경망은, 완전 연결 층(fully connected layer)를 포함하는 심층 신경망(Deep Neural Network)인 것을 특징으로 하는
    신경망 기반의 송신전력 제어 방법.
  12. 제10항에 있어서,
    상기 신경망은, 합성곱 파트, 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)인 것을 특징으로 하는
    신경망 기반의 송신전력 제어 방법.
  13. 제12항에 있어서,
    상기 최적의 송신전력을 학습하는 단계는, 반복적 알고리즘 기반의 송신전력 할당 방안을 사전 학습하는 단계를 포함하는
    신경망 기반의 송신전력 제어 방법.
  14. 제10항에 있어서,
    상기 최적의 송신전력을 학습하는 단계는, 인접한 사용자들로부터의 로컬 채널 상태 정보를 입력 값으로 사용하고, 나머지 사용자들의 채널 상태 정보는 평균 채널 값으로 처리하는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 방법.
  15. 제10항에 있어서,
    상기 무선 통신 시스템(WCS; wireless communication system)은 언더레이 장치간 통신(Underlaid D2D Communication)이고,
    상기 송신전력 제어 장치는 장치간 사용자 단말(DUE; D2D User Equipment)의 송신전력을 제어하고,
    상기 신경망의 손실함수는 단말의 전송률 및 간섭을 매개 변수로 하는
    신경망 기반의 송신전력 제어 방법.
  16. 제15항에 있어서,
    상기 신경망은, 셀룰러 사용자 단말(CUE;Cellular User Equipment)의 송신전력에서 발생하는 간섭을 고려해서 학습하는
    신경망 기반의 송신전력 제어 방법.
  17. 제10항에 있어서,
    상기 신경망은, 제1 완전 연결(Fully Connected) 파트, 합성곱 파트, 제2 완전 연결(Fully Connected) 파트 및 시그모이드(sigmoid) 파트를 포함하는 합성곱 신경망(Convolution Neural Network)이고,
    상기 제1 완전 연결(Fully Connected) 파트에서 입력 데이터가 재구성되는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 방법.
  18. 제17항에 있어서,
    상기 제2 완전 연결 파트는, 셀룰러 사용자 단말(CUE) 및 장치간 사용자 단말의 간섭을 모두 고려해서 학습하는 것을 특징으로 하는
    신경망 기반의 송신전력 제어 방법.
PCT/KR2019/000670 2018-03-27 2019-01-17 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 WO2019190036A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0035348 2018-03-27
KR1020180035348A KR102034955B1 (ko) 2018-03-27 2018-03-27 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2019190036A1 true WO2019190036A1 (ko) 2019-10-03

Family

ID=68059293

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/000670 WO2019190036A1 (ko) 2018-03-27 2019-01-17 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102034955B1 (ko)
WO (1) WO2019190036A1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111542107A (zh) * 2020-05-14 2020-08-14 南昌工程学院 一种基于增强学习的移动边缘网络资源分配方法
CN111884602A (zh) * 2020-06-29 2020-11-03 北京邮电大学 一种基于单输出节点神经网络的功率放大器预失真方法
CN112153616A (zh) * 2020-09-15 2020-12-29 南京信息工程大学滨江学院 一种基于深度学习的毫米波通信系统中的功率控制方法
CN112153615A (zh) * 2020-09-15 2020-12-29 南京信息工程大学滨江学院 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法
CN112770398A (zh) * 2020-12-18 2021-05-07 北京科技大学 一种基于卷积神经网络的远端射频端功率控制方法
CN113660062A (zh) * 2021-08-11 2021-11-16 东南大学 无蜂窝大规模分布式mimo系统中基于深度强化学习的低精度adc量化比特数分配方法
CN113727375A (zh) * 2021-08-31 2021-11-30 长安大学 一种面向6g立体致密通信网络的资源管控方法及系统
CN113972667A (zh) * 2021-11-29 2022-01-25 昆明理工大学 一种基于一维卷积神经网络的配电网无功优化方法
CN114423070A (zh) * 2022-02-10 2022-04-29 吉林大学 一种基于d2d的异构无线网络功率分配方法及系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102325214B1 (ko) * 2019-12-03 2021-11-11 (주)성진아이엘 기계학습 기반의 전력 증폭비 산출 모델의 생성을 통해 전력 증폭 효율의 개선이 가능한 기지국 장치
CN114422380B (zh) * 2020-10-09 2023-06-09 维沃移动通信有限公司 神经网络信息传输方法、装置、通信设备和存储介质
KR102515216B1 (ko) * 2021-03-25 2023-03-29 금오공과대학교 산학협력단 열차의 잔여유효수명 예측 장치 및 방법
KR102518990B1 (ko) * 2021-03-30 2023-04-06 경상국립대학교산학협력단 부정확한 채널 상태 정보를 고려한 전송 전력 제어 장치
KR102518988B1 (ko) * 2021-03-30 2023-04-10 경상국립대학교산학협력단 무선통신 시스템에서 디바이스 대 디바이스(d2d) 통신을 위한 자원 할당 장치
KR102568492B1 (ko) * 2022-03-17 2023-08-18 경상국립대학교산학협력단 이진 피드백을 이용한 인공 신경망 기반의 통신 시스템
KR102568491B1 (ko) * 2022-03-22 2023-08-18 경상국립대학교산학협력단 부분 피드백을 이용한 인공 신경망 기반의 통신 시스템
KR20230143331A (ko) 2022-04-05 2023-10-12 금오공과대학교 산학협력단 통신 시스템을 위한 양자 연합 생성적 적대 신경망

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4610697B2 (ja) * 2000-06-13 2011-01-12 パナソニック株式会社 送信電力制御方法及び無線通信装置
KR20140090834A (ko) * 2013-01-10 2014-07-18 성균관대학교산학협력단 D2d 통신을 위한 통신단말의 송신전력정보 결정방법, d2d 통신을 위한 통신단말의 자원할당방법 및 d2d 통신시스템
US20180013699A1 (en) * 2016-07-08 2018-01-11 Asapp, Inc Assisting entities in responding to a request of a user

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4610697B2 (ja) * 2000-06-13 2011-01-12 パナソニック株式会社 送信電力制御方法及び無線通信装置
KR20140090834A (ko) * 2013-01-10 2014-07-18 성균관대학교산학협력단 D2d 통신을 위한 통신단말의 송신전력정보 결정방법, d2d 통신을 위한 통신단말의 자원할당방법 및 d2d 통신시스템
US20180013699A1 (en) * 2016-07-08 2018-01-11 Asapp, Inc Assisting entities in responding to a request of a user

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAO YE ET AL.: "Deep Reinforcement Learning for Resource Allocation in V2V Communications", ARXIV.ORG, 6 November 2017 (2017-11-06), pages 1 - 6, XP033378571, Retrieved from the Internet <URL:https://arxiv.org/abs/1711.00968> *
XIAOFENG CAO ET AL.: "Interactive Temporal Recurrent Convolution Network for Traffic Prediction in Data Centers", IEEE JOURNALS & MAGAZINES, vol. 6, 28 February 2018 (2018-02-28), pages 5276 - 5289, XP055639283, Retrieved from the Internet <URL:https://ieeexplore.ieee> *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111542107A (zh) * 2020-05-14 2020-08-14 南昌工程学院 一种基于增强学习的移动边缘网络资源分配方法
CN111884602A (zh) * 2020-06-29 2020-11-03 北京邮电大学 一种基于单输出节点神经网络的功率放大器预失真方法
CN111884602B (zh) * 2020-06-29 2022-05-20 北京邮电大学 一种基于单输出节点神经网络的功率放大器预失真方法
CN112153615A (zh) * 2020-09-15 2020-12-29 南京信息工程大学滨江学院 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法
CN112153616A (zh) * 2020-09-15 2020-12-29 南京信息工程大学滨江学院 一种基于深度学习的毫米波通信系统中的功率控制方法
CN112153616B (zh) * 2020-09-15 2022-07-08 南京信息工程大学滨江学院 一种基于深度学习的毫米波通信系统中的功率控制方法
CN112153615B (zh) * 2020-09-15 2022-07-12 南京信息工程大学滨江学院 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法
CN112770398A (zh) * 2020-12-18 2021-05-07 北京科技大学 一种基于卷积神经网络的远端射频端功率控制方法
CN113660062A (zh) * 2021-08-11 2021-11-16 东南大学 无蜂窝大规模分布式mimo系统中基于深度强化学习的低精度adc量化比特数分配方法
CN113727375A (zh) * 2021-08-31 2021-11-30 长安大学 一种面向6g立体致密通信网络的资源管控方法及系统
CN113727375B (zh) * 2021-08-31 2023-10-27 长安大学 一种面向6g立体致密通信网络的资源管控方法及系统
CN113972667A (zh) * 2021-11-29 2022-01-25 昆明理工大学 一种基于一维卷积神经网络的配电网无功优化方法
CN114423070A (zh) * 2022-02-10 2022-04-29 吉林大学 一种基于d2d的异构无线网络功率分配方法及系统
CN114423070B (zh) * 2022-02-10 2024-03-19 吉林大学 一种基于d2d的异构无线网络功率分配方法及系统

Also Published As

Publication number Publication date
KR102034955B1 (ko) 2019-10-21
KR20190113114A (ko) 2019-10-08

Similar Documents

Publication Publication Date Title
WO2019190036A1 (ko) 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
Zhang et al. Deep learning based radio resource management in NOMA networks: User association, subchannel and power allocation
Pan et al. Robust beamforming design for ultra-dense user-centric C-RAN in the face of realistic pilot contamination and limited feedback
Wang et al. Edge federated learning via unit-modulus over-the-air computation
de Kerret et al. Team deep neural networks for interference channels
WO2016175609A1 (ko) 무선 통신 시스템에서 하향링크 채널 추정 장치 및 방법
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2023277454A1 (en) Method and apparatus for channel environment classification in wireless network system
WO2014109538A1 (ko) 무선 통신 시스템에서 셀 간 간섭 제거 방법 및 장치
Liu et al. Latency minimization for mmwave d2d mobile edge computing systems: Joint task allocation and hybrid beamforming design
Moorthy et al. FlyBeam: echo state learning for joint flight and beamforming control in wireless UAV networks
Liu et al. Power allocation in ultra-dense networks through deep deterministic policy gradient
WO2014061995A1 (ko) 이동통신 시스템에서 사용자 단말 선택 방법 및 장치
WO2021010504A1 (ko) 지능형 세탁기 및 이의 제어방법
Murshed et al. Deep learning based power allocation in 6g urllc for jointly optimizing latency and reliability
WO2023059106A1 (en) Method and system for multi-batch reinforcement learning via multi-imitation learning
WO2022114561A1 (ko) 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치
WO2021230709A1 (ko) 거대 다중 입출력을 지원하는 무선 통신 시스템에서 유저 검출 기법 및 채널 추정 방법 및 장치
WO2023090474A1 (ko) 채널 상태 정보를 전송하는 방법, 전송 기기, 프로세싱 장치 및 저장 매체, 그리고 채널 상태 정보를 수신하는 방법, 및 수신 기기
Zhang et al. Distributed DNN Based User Association and Resource Optimization in mmWave Networks
WO2023132384A1 (ko) 전이 학습 수행 방법, 통신 기기, 프로세싱 장치 및 저장 매체
WO2024034965A1 (ko) 무선 통신 시스템에서 신호 송수신 방법 및 장치
Luo et al. Trajectory design and bandwidth allocation considering power-consumption outage for UAV communication: A machine learning approach
CN114158010B (zh) 无人机通信系统及基于神经网络的资源分配策略预测方法
WO2023136375A1 (ko) 무선 통신 시스템에서 수신 기기가 단-대-단 학습을 수행하는 방법, 수신 기기, 프로세싱 장치 및 저장 매체, 그리고 전송 기기가 단-대-단 학습을 수행하는 방법, 전송 기기

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19774532

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19774532

Country of ref document: EP

Kind code of ref document: A1