WO2022114561A1 - 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 - Google Patents

심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 Download PDF

Info

Publication number
WO2022114561A1
WO2022114561A1 PCT/KR2021/015558 KR2021015558W WO2022114561A1 WO 2022114561 A1 WO2022114561 A1 WO 2022114561A1 KR 2021015558 W KR2021015558 W KR 2021015558W WO 2022114561 A1 WO2022114561 A1 WO 2022114561A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
artificial neural
active terminal
terminals
active
Prior art date
Application number
PCT/KR2021/015558
Other languages
English (en)
French (fr)
Inventor
심병효
안용준
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to US18/038,357 priority Critical patent/US20230412429A1/en
Publication of WO2022114561A1 publication Critical patent/WO2022114561A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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

Definitions

  • the present invention relates to a method and apparatus for active user detection (AUD) and channel estimation (CE) in a wireless communication system based on unapproved uplink transmission, and specifically, to detect an active terminal by using a deep neural network.
  • AUD active user detection
  • CE channel estimation
  • LTE Long Term Evolution
  • eMBB enhanced mobile broadband
  • URLLC ultra-reliable and low-latency communication to increase the efficiency of the process of transmitting large amounts of data in the existing system
  • URLLC ultra-reliable and low-latency communication to increase the efficiency of the process of transmitting large amounts of data in the existing system
  • LTE Long Term Evolution
  • the terminal transmits a signal called a preamble to access the target cell, and the base station attempts to access it. Transmission of uplink synchronization information to the device, a unique ID of the terminal, and an uplink data channel resource are allocated.
  • non-orthogonal multiple access (NOMA)-based technologies such as low density spreading (LDS) or sparse code multiple access (SCMA) Research on a grant-free, GF) type system is in progress.
  • LDS low density spreading
  • SCMA sparse code multiple access
  • the present invention has been devised in view of the above necessity, and supports mMTC and active terminal detection for detecting active terminals using a long and short-term memory network in order to support uplink communication of numerous terminals even in an mMTC system without an acknowledgment signal.
  • An object of the present invention is to provide a channel estimation method and apparatus.
  • a base station apparatus is a base station apparatus for detecting an active terminal in a wireless communication system based on unapproved uplink transmission, and is a signal superimposed from k active terminals ( ) a receiver to receive; one or more processors for controlling the operation of the receiver, wherein the one or more processors include: the received signal ( ) as an input, the estimated probability that all terminals in the cell of the base station are each active terminal ( ), and the received signal ( ) and the active terminal detection result value to estimate the channel of the active terminal.
  • An active terminal detection and channel estimation method is a method for detecting an active terminal and estimating a channel of a base station in an unapproved uplink transmission-based wireless communication system. ) receiving; The received signal ( ) as an input, the estimated probability that all terminals in the cell of the base station are each active terminal ( ) to calculate; and the received signal using a second artificial neural network ( ) and estimating the channel of the active terminal by inputting the active terminal detection result value.
  • a terminal transmitting end modulates and transmits data and pilot using a low-density spreading code in order to support large-capacity machine communication
  • a base station detects an active terminal from the received signal using a first artificial neural network based on a long short-term memory (LSTM), and estimates the channel of the active terminal using a second artificial neural network based on a long-short-term memory.
  • LSTM long short-term memory
  • LSTM long and short-term memory
  • the active terminal detection and channel estimation method and apparatus using a long and short memory network may provide robustness that is less sensitive to an increase in the number of active terminals, and thus may be more suitable for application to an actual network.
  • the second artificial neural network (L-CE) is learned to control inter-device interference that occurs in the NOMA system to obtain an independent channel value corresponding to each terminal, The performance degradation of channel estimation due to this may be alleviated.
  • FIG. 1 is a block diagram of a mobile communication network providing an mMTC service according to an embodiment of the present invention.
  • L-AUD first artificial neural network
  • L-CE second artificial neural network
  • FIG 3 shows the detailed structure of the LSTM cell of the first artificial neural network (L-AUD).
  • SNR 4 shows an active terminal detection simulation result based on a signal to noise ratio (SNR).
  • 5 shows a simulation result of active terminal detection according to the number of active terminals.
  • MSE channel mean squared error
  • SNR signal-to-noise ratio
  • FIG. 8 is a flowchart of a method for detecting an active terminal of a base station and estimating a channel in a wireless communication system based on unapproved uplink transmission according to another embodiment of the present invention.
  • Each block in the accompanying block diagram and combinations of steps in the flowchart may be executed by computer program instructions (execution engine), which may be executed by a processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment. It may be mounted so that the instructions, which are executed by the processor of a computer or other programmable data processing equipment, create means for performing the functions described in each block of the block diagram or in each step of the flowchart.
  • execution engine executed by a processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment. It may be mounted so that the instructions, which are executed by the processor of a computer or other programmable data processing equipment, create means for performing the functions described in each block of the block diagram or in each step of the flowchart.
  • These computer program instructions may also be stored in a computer-usable or computer-readable memory that may direct a computer or other programmable data processing equipment to implement a function in a particular manner, and thus the computer-usable or computer-readable memory. It is also possible to produce an article of manufacture containing instruction means for performing the functions described in each block of the block diagram or each step of the flowchart, the instructions stored in the block diagram.
  • the computer program instructions may be mounted on a computer or other programmable data processing equipment, a series of operating steps are performed on the computer or other programmable data processing equipment to create a computer-executable process to create a computer or other programmable data processing equipment. It is also possible that the instructions for performing the data processing equipment provide steps for carrying out the functions described in each block of the block diagram and each step of the flowchart.
  • each block or step may represent a module, segment, or portion of code comprising one or more executable instructions for executing specified logical functions, and in some alternative embodiments the blocks or steps referred to in some alternative embodiments. It should be noted that it is also possible for functions to occur out of sequence. For example, it is possible that two blocks or steps shown one after another may be performed substantially simultaneously, and also the blocks or steps may be performed in the reverse order of the corresponding functions, if necessary.
  • the number of terminals accessing the Internet of Things network will be approximately one million ( 106 ) per 1 km 2 at most.
  • the number of users connected to each base station is about 300 to 400, in order to support large-capacity object access, an additional base station is installed to reduce the coverage of each cell or distributed terminals Resources proportional to the number must be allocated additionally.
  • the probability that at least two or more UEs use the same preamble in the cell to cause a collision is 96%, and about 2.5 million resources are required to support the access of 1 million things while maintaining the same number of UEs and preamble ratio.
  • the coverage per cell is 0.01 km 2
  • the number of resources required per cell is 25,000, which is not very realistic because it is more than 20 times the number of multiple access resources used by the current system. Therefore, in order to support mMTC, a resource allocation and access process different from that of the prior art is required.
  • the fourth generation mobile communication in the random access process of the terminal, the terminal transmits a preamble signal to access the target cell. Since 64 preambles are usually used, a total of 4 access steps are required in order for many terminals to successfully access.
  • the base station transmits uplink synchronization information, a unique ID of the terminal, and an uplink data channel resource to a device attempting access.
  • the base station cannot properly receive the data channel because it cannot know the timing information and IDs of the devices. That is, since this technique does not have a user collision resolution process and a user identification process, a MAC (media access control) frame structure must be designed so that the received data symbol can be demodulated and user identification information can be obtained from the demodulated signal.
  • MAC media access control
  • the MAC frame includes active information (information indicating the active state of the sensor), object ID (information indicating the producer of the received sensing data as a unique ID of each sensor), sensing information (information collected by the sensor), etc.
  • active information is a scenario in which the measured value received through preamble transmission is acquired as an output of the learned first artificial neural network as an input.
  • the present invention proposes a method and apparatus for acquiring active information as described above and detecting an active terminal in an active state.
  • 1 is a block diagram of a mobile communication network 100 providing an mMTC service according to an embodiment of the present invention.
  • 2 illustrates a structure of a first artificial neural network (L-AUD) and a structure of a second artificial neural network (L-CE) of an active terminal detection unit according to an embodiment of the present invention.
  • 3 shows the detailed structure of the LSTM cell of the first artificial neural network (L-AUD).
  • the mobile communication network 100 transmits signals to a plurality of MTC terminals 110-1, ..., 110-N and a plurality of MTC terminals 110-1, ..., 110-N within coverage. and a receiving base station 120 .
  • the MTC terminal 110 may be an electronic device that provides mobility.
  • the MTC terminal 110 may receive data from the base station 120 or may receive control information for data.
  • the control information may include information on downlink scheduling information.
  • the MTC terminal 110 may include “user equipment (UE)”, “mobile station”, “subscriber station”, “remote terminal”, “wireless Other well-known terms such as “wireless terminal” or "user device” may be used.
  • the MTC terminal 110 may be one of various MTC terminals such as sensors, home appliances, and vehicles.
  • the base station 120 includes an “access point (AP)”, a gNodeB (“gNodeB” or “gNB”), a transmission reception point (TRP) in addition to a “base station” according to a network type. etc. may be used instead.
  • AP access point
  • gNodeB gNodeB
  • TRP transmission reception point
  • the base station 120 may be used in this patent document to mean network infrastructure components that provide wireless access to remote terminals.
  • the mobile communication network 100 uses an uplink system, and one antenna of the base station 120 receives information from a plurality of MTC terminals 110-1, ..., 110-N within coverage. .
  • the mobile communication network 100 configures an environment in which the number N of the total MTC terminals 110-1, ..., 110-N is greater than the number M of resources M ⁇ N. Since the number N of terminals is much greater than the number of resources M, a non-approval-based uplink transmission situation is assumed in order to reduce the load of the control signal, and thus, it is an important problem to detect an active terminal from the received signal.
  • the plurality of MTC terminals (110-1, ..., 110-N) have all completed the initial access process, and all terminals in the cell of the base station 120 are unique users that can be distinguished from each other assigned to the base station 120 . have an ID
  • a new terminal that wants to additionally access the mobile communication network 100 must go through a process of receiving a user ID from the base station 120 through a random access channel (RACH).
  • RACH random access channel
  • an active terminal among a plurality of MTC terminals 110-1, ..., 110-N is sequence spreading through Each symbol is mapped to a symbol of length L s , where a low-density spreading codebook is used.
  • Low density spreading (LDS) technology is a method of spreading a signal using a non-orthogonal code unlike a code multiplexing method using an orthogonal code used for multi-user transmission. It is possible to support a large number of terminals even in a non-orthogonal situation by allocating each with a unique sparse pattern.
  • compressed sensing (CS) technology effectively restores the original signal when the signal to be restored is sparse (e.g., active terminal detection, channel estimation in the time domain). In the proposed active terminal detection, such compression It uses a deep learning technique that goes beyond sensing technology.
  • the active terminal may configure data and pilot symbols to be transmitted.
  • the MTC active terminal can configure L s symbols (consisting of L P pilot symbols and L s data symbols), modulates the configured symbols, and uses non-orthogonal LDS codes to convert LDS codes corresponding to data.
  • a signal is transmitted to the transmitter through sequence spreading.
  • Each MTC terminal 110 may include a data configuration unit 111 , a modulator 112 , and a sequence spreader 113 for this purpose.
  • the MTC terminal 110 may include one or more processors, and the functions of the data configuration unit 111 , the modulator 112 , and the sequence spreader 113 may be performed by at least one processor. have.
  • the receiver of the base station 120 receives a signal through a channel from an active terminal among a plurality of MTC terminals 110-1, ..., 110-N.
  • the base station 120 identifies different terminals by using the indices 1 to N assigned to each of the plurality of MTC terminals 110-1, ..., 110-N when detecting an active terminal.
  • Equation 1 is the LDS code vector of the data of the i-th terminal, is a channel vector corresponding to the data of the i-th terminal.
  • represents a data symbol transmitted from the i-th terminal are the Gaussian noise vectors of the data at the receiver, respectively.
  • Is It is a matrix in which the codewords of all terminals corresponding to the th symbol are diagonalized, Is It is a vector indicating symbols and channel vectors of all terminals corresponding to the th symbol, silver It is a Gaussian noise vector corresponding to the th symbol.
  • Equation 3 If you set a variable like is expressed as in Equation 3 below.
  • the measured value of the superimposed signal in the receiver of the base station 120 can be obtained.
  • the base station 120 measures the received signal in this way.
  • the signal of the active terminal is restored through the channel estimator 122 and the data detector 123 through the active terminal detection unit 121 that takes as an input.
  • the terminal detection unit 121 is input Corresponding to the active terminal estimated probability ( ) can be calculated.
  • the terminal detection unit 121 may detect IDs of active terminals in order of increasing estimation probability.
  • the channel estimator 122 is and receiving and receiving the estimated probability of the terminal detection unit 121 to estimate the channel of the active terminal ( )do.
  • the data detection unit 123 includes a data signal ( ) is detected. That is, in the GF-NOMA system, since each terminal freely transmits a packet without scheduling, the base station 120 requires a process of identifying an active terminal transmitting a packet before symbol detection and packet decoding.
  • the base station 120 includes a receiver for receiving overlapped signals from a plurality of active terminals; and one or more processors controlling the operation of the receiver.
  • the functions of the channel estimator 122 and the data detector 123 may be performed by at least one processor. That is, one or more processors may calculate an estimated probability that all terminals in the cell of the base station are active terminals, respectively, by inputting the received signal using the first artificial neural network based on the short-term memory network. Also, the processor may detect the IDs of the k active terminals in the order of increasing the estimated probability. In addition, the processor may estimate the channel of the active terminal by inputting the received signal and the estimated probability of the data detector using the second artificial neural network as inputs.
  • the mobile communication network 100 of the present invention it is assumed that only a small number of terminals are active.
  • k out of a total of N terminals are active is a sparse vector having k ⁇ T non-zero elements, and is a sparse vector in block units because there are k ⁇ T totals of non-zero elements by T.
  • the number of k active terminals is sparsely smaller than the number of all terminals in the cell, so that the input signal may be a sparse vector in block units.
  • the measured value of receiving the sparse vector in block units is input into the structure of the active terminal detection unit 121 specified in the block diagram as shown in FIG. 2 to perform active terminal detection, that is, AUD. Also, the measured value received block-by-block sparse vector and the estimated probability of the terminal detection unit 121 ( ) as an input into the structure of the channel estimator 122 specified in the block diagram as shown in FIG. 2 to estimate the channel of the active terminal, ie, CE can be performed.
  • the active terminal detector 121 may include a learned first artificial neural network (L-AUD), and the first artificial neural network is composed of a plurality of fully-connected layers and LSTM cells. It could be a deep neural network.
  • the channel estimator 122 may include a learned second artificial neural network (L-CE).
  • the second artificial neural network may be a deep neural network composed of a plurality of LSTM cells.
  • the input is the observation value of the superimposed received signal received by the base station 120 .
  • the output is a softmax vector indicating the probability that each of the N MTC terminals 110-1, ..., 110-N is an active terminal.
  • the highest probability k is selected to detect an active terminal, and the estimated value indicates the original active terminal index.
  • the first artificial neural network may be automatically trained and constructed based on a vast amount of synthesized data using a backpropagation algorithm in the direction of minimizing the cost function of Equation 4 below.
  • the probability that the i-th terminal is an active terminal is 1 in the case of an active terminal, and 0 in the case of an inactive terminal. is an estimated value of the probability that the i-th terminal is an active terminal.
  • the first artificial neural network (L-AUD) In order for the cost function to have a minimum value, the first artificial neural network (L-AUD) must correctly match the activation probabilities of all terminals, and in that direction, the first artificial neural network (L-AUD) can be trained.
  • the first artificial neural network (L-AUD) does not require a process that requires direct estimation of a transmission signal value in the conventional compression sensing-based active terminal detection. That is, the first artificial neural network (L-AUD) may be built by learning a direct mapping (mapping) as shown in Equation 5 below without intermediate processes required by existing algorithms.
  • the first fully-connected layer of the first artificial neural network (L-AUD) is the input is a hidden layer expression.
  • L-AUD The first fully-connected layer of the first artificial neural network
  • L-AUD is the input is a hidden layer expression.
  • can be changed to here, to be. changed is sequentially calculated in a plurality of LSTM cells performing an operation as in Equation 6 below. Equation 6 below is expressed based on the j-th LSTM cell as shown in FIG. 3 .
  • the input gate is the active terminal detection result of the previous LSTM cell. based on Candidates for active terminals that can become forget gate, ) is the active terminal detection result of the previous LSTM cell. based on information related to the candidate of an active terminal with a low probability of becoming delete from By repeating this process J times, the last J-th LSTM cell has the closest active terminal detection result ( ) is calculated. Active terminal detection result ( ) is transferred to the sigmoid layer through the second fully-connected layer, and through the sigmoid function, the hidden layer representation of the active terminal detection result is a probability vector estimate for the activity of N terminals convert to probability vector estimate is the active terminal detection probability ( ) can be converted to
  • the terminal in order to support mass M-communication, modulates and transmits data and pilots using a low-density spreading code, and the base station (receiver) uses a long-short-term memory (LSTM)-based first artificial neural network from the received signal. An active terminal is detected.
  • LSTM long-short-term memory
  • the input is the observation value of the superimposed received signal received by the base station 120 . and the estimated probability of the terminal detection unit 121 ( ), and output by selecting the channel estimation value corresponding to the terminal from the estimated channel vectors for N terminals to acquire
  • the second artificial neural network may be automatically trained and constructed based on a large amount of synthesized data using a backpropagation algorithm in the direction of minimizing the cost function of Equation 7 below.
  • the frequency axis channel value of the corresponding terminal is an estimated value of the channel value of the corresponding terminal.
  • the second artificial neural network In order for the cost function to have a minimum value, the second artificial neural network must correctly fit the channel estimation of the active terminal, and in that direction, the second artificial neural network can be trained.
  • the second artificial neural network does not require a process that requires direct estimation of a transmission signal value in the existing compression sensing-based active terminal detection. That is, the second artificial neural network may be built by learning a direct mapping (mapping) as shown in Equation 8 below without intermediate processes required by existing algorithms.
  • the second artificial neural network may be composed of a plurality of LSTM cells that perform the same operation as the first artificial neural network.
  • the second artificial neural network does not use the sigmoid function at the end because the result to be estimated is a channel value, not a probability, and the active terminal detection result ( ) is included It has a difference from the first artificial neural network in that it uses
  • the input gate selects an independent uplink channel of each active terminal
  • a forget gate rejects the channels of other terminals interfering with the channel of the corresponding terminal.
  • the hidden layer representation of the channel corresponding to each of the N terminals in the last LSTM cell ( ) is calculated. That is, the second artificial neural network (L-CE) is trained to control inter-device interference occurring in the NOMA system to obtain an independent channel value corresponding to each terminal.
  • the second artificial neural network activates the channel characteristics of a specific terminal as an input gate, and at the same time activates the channel characteristics of a specific terminal as an input gate.
  • L-CE the second artificial neural network
  • the base station estimates the channel of the active terminal from the received signal using a second artificial neural network based on a long short-term memory (LSTM).
  • LSTM long and short-term memory
  • the base station estimates the channel of the active terminal from the received signal using a second artificial neural network based on a long short-term memory (LSTM).
  • LSTM long and short-term memory
  • the most promising solution can be derived by comparing multiple solution candidates.
  • the second artificial neural network using the selective activation function, the performance degradation of the channel estimation due to the interference between terminals occurring in the NOMA environment can be alleviated.
  • FIGS. 4 and 5 show an active terminal detection simulation result based on a signal to noise ratio (SNR).
  • SNR signal to noise ratio
  • K the number of active terminals
  • GA MMSE-BOMP is the BOMP algorithm when the MMSE technique is used for sparse vector estimation while the number of active terminals is known in advance
  • GA LS-BOMP is the number of active terminals. It shows the BOMP algorithm when the LS technique is used for sparse vector estimation in a state known as prior information, and the active terminal estimation result by the first neural network (L-AUD) according to the embodiment of the present invention is expressed as L-AUD .
  • the success rate of L-AUD decreased relatively small from 0.97 to 0.83, whereas the existing GA MMSE-BOMP algorithm decreased from 0.95 to 0.77, It can be seen that the GA LS-BOMP algorithm greatly decreases from 0.83 to 0.49. That is, it can be seen that the L-AUD according to the embodiment of the present invention has robustness that is less sensitive to an increase in the number of active terminals. Therefore, it means that active terminal detection through the L-AUD structure proposed in the present invention is more suitable for a realistic scenario, and it also means that it is more suitable for application to an actual network.
  • FIGS. 6 and 7 are graph illustrating a channel mean squared error (MSE) according to a signal-to-noise ratio (SNR)
  • FIG. 7 is a graph illustrating a channel mean squared error according to the number of active terminals (K).
  • L-CE is the second artificial neural network according to an embodiment of the present invention
  • LS is the least squares algorithm
  • conventional LMMSE is the channel covariance of each terminal obtained through 5 NOMA-based preceding LS channel estimation.
  • the LMMSE algorithm when used as prior information, and ideal LMMSE, represents the ideal LMMSE algorithm when the channel covariance of each terminal is perfectly known as prior statistics.
  • the existing conventional LMMSE and LS techniques cannot control inter-terminal interference that occurs in the NOMA system, so there is a limit to improving the channel estimation performance even when the SNR increases. It can be confirmed through FIG. 6 that the performance of the ideal LMMSE, which is the highest achievable performance criterion, is close to that of the highest achievable performance standard as the signal-to-noise ratio (SNR) increases because it has learned to control the interference.
  • SNR signal-to-noise ratio
  • the second artificial neural network (L-CE) effectively controls the interference between terminals, it can be seen from the graph of FIG. 7 that the channel estimation performance is not significantly deteriorated by showing robustness to an increase in the number of active terminals compared to the existing techniques.
  • FIGS. 1 to 7 are flowchart of a method for detecting an active terminal of a base station and estimating a channel in a wireless communication system based on unapproved uplink transmission according to another embodiment of the present invention. As performed by the above-described base station 20 according to the present embodiment, reference may be made to FIGS. 1 to 7 and related descriptions.
  • the active terminal detection and channel estimation method is a signal overlapped from k active terminals ( ) receiving (S100); The received signal ( ) as an input, the estimated probability that all terminals in the cell of the base station are each active terminal ( ) calculating (S110); and the received signal using a second artificial neural network ( ) and estimating the channel of the active terminal by inputting the active terminal detection result value (S120).
  • each of the first artificial neural network and the second artificial neural network may be an artificial neural network based on a short-term memory network.
  • the first artificial neural network may be built by learning a direct event as shown in Equation 5
  • the second artificial neural network may be built by learning a direct event as shown in Equation 8 below.
  • the received signal input to the first artificial neural network ( ) passes through the fully-connected layer to represent the hidden layer ( ), and the changed hidden layer expression ( ) is a hidden layer representation ( ), and a hidden layer representation of the active terminal detection result ( ) is the estimated probability ( ) can be converted to
  • Each of the plurality of LSTM cells may perform an operation as shown in Equation 6 below.
  • the number of k active terminals is sparsely smaller than the number of all terminals in the cell, and the input signal may be a sparse vector in block units.
  • the superimposed signals from the k active terminals ( ), the receiving (S100) may receive a sequence-spread signal using a non-orthogonal LDS code.
  • the second artificial neural network may be trained to activate the channel characteristics of a specific terminal as an input gate and deactivate the channel characteristics of the other terminals as the forget gate.
  • the present invention mainly aims to support mMTC, which is one of the service categories of 5th generation mobile communication (5G, 5th generation). It can be applied to support their uplink communication.
  • mMTC is one of the service categories of 5th generation mobile communication (5G, 5th generation). It can be applied to support their uplink communication.

Abstract

비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법이 제공된다. 실시예에 따른 방법은 k개의 활성 단말로부터 중첩된 신호(I)를 수신하는 단계; 및 제1 인공 신경망을 이용하여 상기 수신된 신호(I)를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률(II)을 산출하는 단계; 및 제2 인공 신경망을 이용하여 상기 수신된 신호(I)와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는 단계를 포함한다.

Description

심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치
본 발명은 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출(active user detection, AUD)과 채널 추정(channel estimation: CE) 방법 및 장치에 관한 것으로서, 구체적으로 심층 신경망을 활용하여 활성 단말 검출 성능과 채널 추정 성능을 향상시키는 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출과 채널 추정 방법 및 장치에 관한 것이다.
[국가지원 연구개발에 대한 설명]
본 출원은 과학기술정보통신부 정보통신방송혁신인재양성(R&D) 사업[5G와 무인이동체(자율주행차, 드론 등) 산업 융합을 위한 핵심 인력양성, 과제 고유번호: 1711125747, 세부과제번호: 2017-0-01637-005]의 지원에 의하여 이루어진 것이다.
5세대 이동통신에서는 mMTC 시나리오뿐 아니라 기존 시스템에서의 대용량의 데이터를 전송하는 과정의 효율성을 증가시키기 위한 초광대역 통신(enhanced mobile broadband, eMBB)와 고신뢰 저지연 통신(ultra-reliable and low-latency communication, URLLC)도 고려하고 있다. 기존 4세대 이동통신인 롱텀에볼루션(Long Term Evolution: LTE)에서는 단말의 랜덤 액세스(random access)과정에서 단말은 타깃 셀과 접속하기 위해 프리앰블(preamble)이라고 불리는 신호를 전송하며, 기지국은 접속을 시도한 기기에게 상향링크 동기 정보 송신, 단말의 고유 ID 및 상향링크 데이터 채널 자원을 할당하게 된다.
그러나, LTE의 랜덤 액세스의 경우 프리앰블의 수가 한정되어 있어 다수의 사물통신 단말들이 셀에 존재하고 소량의 데이터를 경쟁적으로 보내는 대용량 사물통신(massive machine-type-communication, mMTC)의 경우 프리앰블 충돌의 확률이 증가한다. 따라서, 기존 LTE에서의 한정적인 가용 프리앰블의 수와 소량의 데이터 대비 과중한 제어신호로 인하여 기존의 시스템의 통신 방식과 프레임을 새로이 구성하는 방향으로 연구가 진행되고 있는 상황이다.
구체적으로는 저밀도 확산(low density spreading, LDS) 기법이나 희소코드 다중접속(sparse code multiple access, SCMA) 기법 등의 비직교 다중 접속(non-orthogonal multiple access, NOMA) 기반 기술을 활용한 비승인(grant-free, GF) 형태의 시스템에 대한 연구 등이 진행되고 있다.
다만, 이러한 비승인 기반의 단발 임의 접속(one-shot random access)이 이루어진다면, 각 기기들이 스케쥴링없이 정보를 전송하기 때문에 기지국은 활성화된 단말을 검출하는 과정과 검출된 단말의 채널을 추정하는 과정이 요구된다.
본 발명은 전술한 필요성을 감안하여 안출된 것으로서, mMTC를 지원하고, 승인 신호가 없는 mMTC 시스템에서도 수많은 단말들의 상향링크 통신을 지원하기 위해 장단기 메모리 네트워크를 이용하여 활성 단말을 검출하는 활성 단말 검출과 채널 추정 방법 및 장치를 제공함에 그 목적이 있다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 기지국 장치는 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출을 위한 기지국 장치로서, k개의 활성 단말로부터 중첩된 신호(
Figure PCTKR2021015558-appb-img-000001
)를 수신하는 수신기; 상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 제1 인공 신경망을 이용하여 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000002
)를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률(
Figure PCTKR2021015558-appb-img-000003
)을 산출하고, 제2 인공 신경망을 이용하여 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000004
)와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정한다.
본 발명의 다른 실시예에 따른 활성 단말 검출과 채널 추정 방법은, 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법으로서, k개의 활성 단말로부터 중첩된 신호(
Figure PCTKR2021015558-appb-img-000005
)를 수신하는 단계; 제1 인공 신경망을 이용하여 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000006
)를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률(
Figure PCTKR2021015558-appb-img-000007
)을 산출하는 단계; 및 제2 인공 신경망을 이용하여 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000008
)와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는 단계를 포함한다.
본 발명의 실시예에 따른 장단기 메모리 네트워크를 이용한 활성 단말 검출과 채널 추정 방법 및 장치는 대용량 사물통신을 지원하기 위해 단말(송신단)이 저밀도 확산 코드를 사용하여 데이터 및 파일럿을 변조 전송하고, 기지국(수신단)이 장단기 메모리(LSTM) 기반 제1 인공 신경망을 이용하여 수신 신호로부터 활성 단말을 검출하고, 장단기 메모리 기반 제2 인공 신경망을 이용하여 활성 단말의 채널을 추정하게 된다.
즉, 장단기 메모리(LSTM) 네트워크를 핵심 구조로 활용함에 따라 다수의 해의 후보를 비교하고 가장 유망한 해가 도출될 수 있으며, 직접 사상을 학습함으로써 기존의 압축 센싱 기법이 가지는 중간 과정에서 형성되는 오류가 방지될 수 있다.
또한, 장단기 메모리 네트워크를 이용한 활성 단말 검출과 채널 추정 방법 및 장치는 활성 단말 수의 증가에 덜 민감한 견고함(robustness)을 제공할 수 있어, 실제 네트워크에 적용하기에 더 적합할 수 있다.
특히, 제2 인공 신경망(L-CE)은 각각의 단말에 대응하는 독립적인 채널 값을 얻어내기 위해 NOMA 시스템에서 발생하는 단말 간 간섭(inter-device interference)을 제어하도록 학습되어, 단말 간 간섭으로 인한 채널 추정의 성능 열화가 완화될 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 mMTC 서비스를 제공하는 이동통신 네트워크의 블록도를 도시한다.
도 2는 본 발명의 일 실시예에 따른 활성 단말 검출부의 제1 인공 신경망(L-AUD) 구조 및 제2 인공 신경망(L-CE) 구조를 도시한다.
도 3은 제1 인공 신경망(L-AUD)의 LSTM cell의 세부 구조를 도시한다.
도 4는 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 5는 활성 단말의 수에 따른 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 6은 신호 대 잡음비(SNR)에 따른 채널 평균 제곱 오차(mean squared error: MSE)를 나타낸 그래프이다.
도 7은 활성 단말 수(K)에 따른 채널 평균 제곱 오차를 나타낸 그래프이다.
도 8은 본 발명의 다른 실시예에 따른 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.
ITU-R의 제5 세대 이동통신 요구사항에 따르면 2020년경에는 사물인터넷 망에 접속하는 단말의 수가 최대 1km2 당 약 백만(106)개가 될 것으로 예상하고 있다. LTE-Advanced 시스템의 경우 기지국 당 접속된 사용자가 약 300~400명 정도임을 감안하면, 대용량 사물접속을 지원하기 위해서는 추가로 기지국을 설치하여 각 셀의 커버리지(coverage)를 감소시키거나 혹은 분포된 단말 수에 비례하는 자원을 추가로 할당해야 한다.
하지만, 이동통신 주파수 자원이 절대적으로 부족한 상황에서 이러한 해결책은 효과적이지 못하다. 예를 들어, 사물인터넷 환경에서 전체의 약 5%의 단말이 동시에 접속하는 경우, 평균 400개 정도의 단말이 사용되는 LTE 환경에 적용하면 약 20개의 단말이 64개의 프리앰블을 사용하여 접속을 시도하게 된다.
이 때, 셀 내에서 적어도 둘 이상의 단말이 같은 프리앰블을 사용하여 충돌이 일어날 확률은 96%이고, 같은 단말 수와 프리앰블 비율을 유지하면서 백만 개의 사물의 접속을 지원하기 위해서는 약 250만개의 자원이 필요하게 된다. 즉, 셀 당 커버리지가 0.01km2인 경우 셀 당 필요한 자원의 수는 2만5천개이며, 이는 현재 시스템이 사용하는 다중접속 자원 수의 20배가 넘기 때문에 그다지 현실적이지 못하다. 그러므로, mMTC를 지원하기 위해서는 종래의 기술과 다른 자원 할당 및 접속 과정이 필요하다.
제4세대 이동통신인 LTE에서는 단말의 랜덤 액세스과정에서 단말은 타깃 셀과 접속하기 위해 프리앰블 신호를 전송한다. 보통 64개의 프리앰블을 사용하기 때문에 많은 단말들이 접속에 성공하기 위해서는 총 4단계의 접속과정이 필요하다. 이러한 과정들을 통해 기지국은 접속을 시도한 기기에게 상향링크 동기 정보 송신, 단말의 고유 ID 및 상향링크 데이터 채널 자원을 할당하게 된다.
그러나, LTE의 랜덤 액세스의 경우 프리앰블의 수가 한정되어 있어 다수의 사물통신 단말들이 셀에 존재하고 소량의 데이터를 경쟁적으로 보내는 mMTC의 경우 프리앰블 충돌의 확률이 증가한다. 뿐만 아니라, 여러 단계의 접속과정을 사용함으로써 단말의 수가 많은 mMTC의 경우 접속을 위한 제어신호 오버헤드가 상당히 증가하게 되고, 적은 양의 데이터(예를 들어, 100비트 내외) 전송이 예상되는 MTC 단말에서 이러한 다중접속 과정은 에너지의 관점에서도 비효율적이다.
따라서, 5세대 이동통신에서는 mMTC 시나리오뿐 아니라 기존 시스템에서의 대용량의 데이터를 전송하는 과정의 효율성을 증가시키기 위한 eMBB와 고신뢰 저지연 통신을 위한 URLLC도 고려하고 있다. 즉, 기존 LTE에서의 한정적인 가용 프리앰블의 수와 소량의 데이터 대비 과중한 제어신호로 인하여 기존의 시스템의 통신 방식과 프레임을 새로이 구성하는 방향으로 연구가 진행되고 있는 상황이며, 구체적으로는 LDS 기법이나 SCMA 기법 등의 NOMA 기반 기술을 활용한 비승인 형태의 시스템에 대한 연구 등이 있다.
그러나, 비승인 기반의 단발 임의 접속(one-shot random access)이 이루어진다면, 기지국은 기기들의 타이밍 정보 및 ID를 알 수 없기 때문에 데이터 채널을 제대로 수신할 수 없다. 즉, 이 기법은 사용자의 충돌 해소과정과 사용자 식별과정이 없기 때문에, 수신된 데이터 심볼을 복조하고 복조된 신호에서 사용자 식별 정보를 획득할 수 있도록 MAC(media access control) 프레임 구조를 설계해야 한다.
구체적으로, MAC 프레임은 활성 정보(센서의 활성 상태를 지시하는 정보), 사물 ID(각 센서의 고유 ID로서 수신된 센싱 데이터의 생산자를 알려주는 정보), 센싱 정보(센서가 수집한 정보)등의 핵심 정보를 전달하도록 설계되어야 한다. 각각의 정보가 물리계층의 전송 프레임 구조를 통해 효과적으로 전달되도록 송신 물리계층 구조와 수신 알고리즘 또는 기법이 확보되어야 한다. 따라서, 본 발명에서 활성 정보는 프리앰블 전송을 통해 받은 측정값을 입력으로 하여 학습된 제1 인공 신경망의 출력으로 획득하도록 하는 구조를 시나리오로 한다. 이하, 본 발명에서는 이와 같이 활성 정보를 획득하고 활성 상태의 활성 단말을 검출하는 방법 및 장치를 제안한다.
도 1은 본 발명의 일 실시예에 따른 mMTC 서비스를 제공하는 이동통신 네트워크(100)의 블록도를 도시한다. 도 2는 본 발명의 일 실시예에 따른 활성 단말 검출부의 제1 인공 신경망(L-AUD) 구조 및 제2 인공 신경망(L-CE) 구조를 도시한다. 도 3은 제1 인공 신경망(L-AUD)의 LSTM cell의 세부 구조를 도시한다.
도 1을 참조하면, 이동통신 네트워크(100)는 복수의 MTC 단말(110-1, … , 110-N)과 커버리지 내의 복수의 MTC 단말(110-1, … , 110-N)과 신호를 주고 받는 기지국(120)을 포함한다.
일부 실시예들에서, MTC 단말(110)은 이동성을 제공하는 전자 장치일 수 있다. MTC 단말(110)은 기지국(120)으로부터 데이터를 수신하거나, 데이터에 대한 제어 정보를 수신할 수 있다. 제어 정보는 하향링크 스케줄링(downlink scheduling)에 관한 정보에 대한 정보들을 포함할 수 있다. 네트워크 유형에 따라, MTC 단말(110)은 “사용자 장비(user equipment, UE)”, "이동국(mobile station)", “가입자국(subscriber station)”, "원격 단말기(remote terminal)", "무선 단말기(wireless terminal)", 또는 "사용자 장치(user device)"와 같은 다른 잘 알려진 용어들이 사용될 수도 있다. 본 발명의 일 실시 예에 따라, MTC 단말(110)은 센서, 가전, 차량 등 다양한 MTC 단말들 중 하나일 수 있다.
기지국(120)은 네트워크 유형에 따라 "기지국(base station)" 외에 "액세스 포인트(access point, AP)", 지노드비(“gNodeB" 또는 “gNB"), 송수신 포인트(transmission reception point, TRP) 등이 대신 사용될 수 있다. 이하 편의상, 기지국(120)은 본 특허 문서에서 원격(remote) 단말기들에 무선 액세스를 제공하는 네트워크 인프라스트럭쳐(infrastructure) 구성 요소들을 의미하기 위해 사용될 수 있다.
본 발명에서 이동통신 네트워크(100)는 상향 링크 시스템을 이용하며, 기지국(120)의 하나의 안테나가 커버리지 내의 복수의 MTC 단말(110-1, … , 110-N)의 정보를 수신하는 상황이다. 특히, 본 발명에서는 이동통신 네트워크(100)는 총 MTC 단말(110-1, … , 110-N)의 수 N이 자원의 수 M보다 큰 M < N인 환경을 구성한다. 자원의 수 M보다 단말의 수 N이 훨씬 커서 제어신호의 부하를 감소시키기 위해 비승인 기반의 상향링크 송신 상황을 가정하며, 이로 인해 수신한 신호로부터 활성 단말을 검출하는 것이 중요한 문제이다. 복수의 MTC 단말(110-1, … , 110-N)은 최초 접속 과정을 모두 완료하였으며, 기지국(120)의 셀 안에 있는 모든 단말은 기지국(120)에게 할당 받은 서로 구분될 수 있는 고유의 사용자 ID를 가지고 있다. 이동통신 네트워크(100)에 추가로 접속하려는 새로운 단말은 RACH(random access channel) 등을 통해 기지국(120)으로부터 사용자 ID를 부여 받는 과정을 거쳐야 한다.
본 발명의 일 실시예에 따른 시스템 모델을 나타내는 도 1의 블록도에 도시된 바와 같이, 복수의 MTC 단말(110-1, … , 110-N) 중 활성 단말은 시퀀스 확산(Sequence spreading)을 통해 각각의 심볼을 Ls 길이의 심볼에 사상하며, 여기에는 저밀도 확산(Low-density spreading) 코드북이 사용된다.
저밀도확산(low density spreading, LDS) 기술은 다중 사용자 전송에 사용되는 직교(orthogonal) 코드를 통한 코드다중화 방식과 달리 비직교적인 코드를 이용하여 신호를 확산하는 방식으로서, 전송에 사용되는 자원을 사용자마다 고유의 희소 패턴으로 할당하여 비직교 상황에서도 많은 수의 단말을 지원할 수 있다. 또한, 압축 센싱(compressed sensing, CS) 기술은 복원하려는 신호가 희소할 때(e.g., 활성 단말 검출, 시간 영역에서의 채널 추정) 효과적으로 원 신호를 복원하는 기술인데, 제안하는 활성 단말 검출에서는 이러한 압축 센싱 기술을 뛰어넘는 딥러닝 기법을 이용한다.
활성 단말은 전송하고자 하는 데이터 및 파일럿 심볼을 구성할 수 있다. MTC 활성 단말은 Ls 개의 심볼(LP 개의 파일럿 심볼과 Ls 개의 데이터 심볼로 구성되는)을 구성할 수 있으며, 구성된 심볼을 변조하고, 비직교 LDS 코드를 사용하여 데이터에 해당하는 LDS 코드로 시퀀스 확산을 통해 송신기로 신호를 전송한다. 각각의 MTC 단말(110)은 이를 위해 데이터 구성부(111), 변조부(112), 시퀀스 확산부(113)를 포함할 수 있다. 예를 들어, MTC 단말(110)은 하나 이상의 프로세서를 포함할 수 있으며, 데이터 구성부(111), 변조부(112), 시퀀스 확산부(113)의 기능은 적어도 하나의 프로세서에 의해 수행될 수 있다. 기지국(120)의 수신기에서는 복수의 MTC 단말(110-1, … , 110-N) 중 활성 단말로부터 채널을 통해 신호를 수신한다. 기지국(120)은 활성 단말 검출 시에 복수의 MTC 단말(110-1, … , 110-N) 각각에 부여된 인덱스(1~N)를 이용하여 각기 다른 단말을 구분한다.
기지국(120)의 수신기에서는 각 활성 단말로부터 송신된 신호들이 중첩되어 수신된다. 수신된 신호는 다음의 [수학식 1]와 같이 나타낸다.
[수학식 1]
Figure PCTKR2021015558-appb-img-000009
수학식 1에서
Figure PCTKR2021015558-appb-img-000010
는 i번째 단말의 데이터의 LDS 코드 벡터이며,
Figure PCTKR2021015558-appb-img-000011
는 i번째 단말의 데이터에 대응하는 채널 벡터이다. 또한,
Figure PCTKR2021015558-appb-img-000012
는 i번째 단말에서 송신하는 데이터 심볼을 나타내며,
Figure PCTKR2021015558-appb-img-000013
는 각각 수신기에서 데이터의 가우시안 잡음벡터이다.
Figure PCTKR2021015558-appb-img-000014
로 모든 단말의 코드북 매트릭스를 의미하며,
Figure PCTKR2021015558-appb-img-000015
로 심벌과 채널로 구성된 합성 벡터(composite vector)이다.
복수의 MTC 단말(110-1, … , 110-N) 각각이 LS 개의 심볼을 전송하기에, 기지국(120)에서 측정값 y의 축적된 벡터(
Figure PCTKR2021015558-appb-img-000016
)는 다음의 [수학식 2]과 같이 표현된다.
[수학식 2]
Figure PCTKR2021015558-appb-img-000017
수학식 2에서
Figure PCTKR2021015558-appb-img-000018
는
Figure PCTKR2021015558-appb-img-000019
번째 심볼에 해당하는 모든 단말의 코드워드를 대각화 한 행렬이며,
Figure PCTKR2021015558-appb-img-000020
는
Figure PCTKR2021015558-appb-img-000021
번째 심볼에 해당하는 모든 단말의 심볼과 채널벡터를 나타내는 벡터이고,
Figure PCTKR2021015558-appb-img-000022
은
Figure PCTKR2021015558-appb-img-000023
번째 심볼을 대응하는 가우시안 잡음벡터이다.
여기서,
Figure PCTKR2021015558-appb-img-000024
,
Figure PCTKR2021015558-appb-img-000025
와 같이 변수를 설정하면,
Figure PCTKR2021015558-appb-img-000026
는 다음의 수학식 3과 같이 표현된다.
[수학식 3]
Figure PCTKR2021015558-appb-img-000027
여기서,
Figure PCTKR2021015558-appb-img-000028
이면 활성상태의 단말이며,
Figure PCTKR2021015558-appb-img-000029
이면 비활성상태의 단말이다.
이와 같이, 기지국(120)의 수신기에서 중첩된 신호의 측정값
Figure PCTKR2021015558-appb-img-000030
가 얻어질 수 있다. 기지국(120)은 이와 같이 수신된 신호의 측정값
Figure PCTKR2021015558-appb-img-000031
를 입력으로 하는 활성 단말 검출부(121)를 거쳐 채널 추정부(122), 데이터 검출부(123)를 통해 활성 단말의 신호를 복원한다.
단말 검출부(121)는 입력된
Figure PCTKR2021015558-appb-img-000032
에 대응하여 활성 단말 추정 확률(
Figure PCTKR2021015558-appb-img-000033
)을 산출할 수 있다. 단말 검출부(121)는 추정 확률이 큰 순서대로 활성 단말의 ID를 검출할 수 있다. 채널 추정부(122)는 입력된
Figure PCTKR2021015558-appb-img-000034
및 단말 검출부(121)의 추정 확률을 수신 받아 수신 받아 활성 단말의 채널을 추정(
Figure PCTKR2021015558-appb-img-000035
)한다. 데이터 검출부(123)는 수신된 신호에 포함된 데이터 신호(
Figure PCTKR2021015558-appb-img-000036
)를 검출하게 된다. 즉, GF-NOMA 시스템에서는 각 단말이 스케쥴링없이 자유롭게 패킷을 전송하기 때문에 기지국(120)은 심볼 검출 및 패킷 디코딩 이전에 패킷을 전송하는 활성 단말을 식별하는 과정이 요구된다.
기지국(120)은 복수의 활성 단말로부터 중첩된 신호를 수신하는 수신기; 및 상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함할 수 있다. 또한, 채널 추정부(122), 데이터 검출부(123)의 기능은 적어도 하나의 프로세서에 의해 수행될 수 있다. 즉, 하나 이상의 프로세서는 장단기 메모리 네트워크 기반의 제1 인공 신경망을 이용하여 상기 수신된 신호를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률을 산출할 수 있다. 또한, 프로세서는, 상기 추정 확률이 큰 순서대로 상기 k개의 활성 단말의 ID를 검출할 수 있다. 또한, 프로세서는 제2 인공 신경망을 이용하여 수신된 신호 및 데이터 검출부의 추정 확률을 입력으로 하여 활성 단말의 채널을 추정할 수 있다.
본 발명의 이동통신 네트워크(100)는 적은 수의 단말만이 활성 상태인 것으로 가정한다. 이 경우, 총 N개 단말 중 k개가 활성 상태일 때
Figure PCTKR2021015558-appb-img-000037
는 k×T개의 0이 아닌 요소들을 가지는 희소벡터이며, 0이 아닌 요소들이 T개씩 모여 총 k×T 개가 존재하므로 블록 단위로 희소한 벡터이다. 상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터일 수 있다.
이와 같이, 블록 단위로 희소한 벡터를 수신한 측정값
Figure PCTKR2021015558-appb-img-000038
를 도 2에 도시된 바와 같은 블록도에 명시되어 있는 활성 단말 검출부(121) 구조에 입력으로 넣어 활성 단말 검출, 즉 AUD를 수행할 수 있다. 또한, 블록 단위로 희소한 벡터를 수신한 측정값
Figure PCTKR2021015558-appb-img-000039
와 단말 검출부(121)의 추정 확률(
Figure PCTKR2021015558-appb-img-000040
)를 도 2에 도시된 바와 같은 블록도에 명시되어 있는 채널 추정부(122) 구조에 입력으로 넣어 활성 단말의 채널을 추정, 즉 CE를 수행할 수 있다.
활성 단말 검출부(121)는 학습된 제1 인공 신경망(L-AUD)을 포함할 수 있으며, 제1 인공 신경망은 다수의 완전 연결 계층(fully-connected layer)와 LSTM 셀(cell)들로 구성되는 심층 신경망일 수 있다. 또한, 채널 추정부(122)는 학습된 제2 인공 신경망(L-CE)을 포함할 수 있다. 제2 인공 신경망은 다수의 LSTM cell들로 구성되는 심층 신경망일 수 있다.
학습된 제1 인공 신경망의 구조에서 입력은 기지국(120)에 수신된 중첩된 수신 신호의 관측값
Figure PCTKR2021015558-appb-img-000041
이며, 출력은 N개 MTC 단말(110-1, …, 110-N) 각각이 활성 단말일 확률을 나타내는 소프트맥스(softmax) 벡터이다. 이 중 가장 큰 확률 k개를 선별하여 활성 단말을 검출하며, 해당 추정값은 원래의 활성 단말 인덱스를 나타내는
Figure PCTKR2021015558-appb-img-000042
와 달리
Figure PCTKR2021015558-appb-img-000043
으로 표현한다. 제1 인공 신경망은 아래의 수학식 4의 비용 함수(cost function) 를 최소화하는 방향으로 역전파 알고리즘(backpropagation algorithm)을 이용하여 방대한 양의 합성된 데이터를 토대로 자동적으로 훈련되어 구축될 수 있다.
[수학식 4]
Figure PCTKR2021015558-appb-img-000044
여기서,
Figure PCTKR2021015558-appb-img-000045
는 i번째 단말이 활성 단말일 확률을 나타내며, 활성 단말인 경우 1이며 비활성 단말인 경우 0이다.
Figure PCTKR2021015558-appb-img-000046
는 i번째 단말이 활성 단말일 확률의 추정 값이다.
비용 함수가 최솟값을 가지기 위해 제1 인공 신경망(L-AUD)은 모든 단말의 활성 확률을 올바르게 맞추어야 하며, 그러한 방향으로 제1 인공 신경망(L-AUD)은 학습될 수 있다. 특히, 제1 인공 신경망(L-AUD)은 기존의 압축 센싱 기반 활성 단말 검출에서 송신 신호 값의 직접적인 추정이 필요한 과정을 요구하지 않는다. 즉, 제1 인공 신경망(L-AUD)은 기존 알고리즘들에서 필요로 하는 중간 과정들 없이 다음의 수학식 5와 같은 직접 사상(매핑)을 학습하여 구축될 수 있다.
[수학식 5]
Figure PCTKR2021015558-appb-img-000047
여기서,
Figure PCTKR2021015558-appb-img-000048
는 활성 단말 검출에 사용되는 제1 인공 신경망의 파라미터이다.
제1 인공 신경망(L-AUD)의 첫 번째 완전 연결 계층(fully-connected layer)는 입력된
Figure PCTKR2021015558-appb-img-000049
를 히든 레이어 표현인
Figure PCTKR2021015558-appb-img-000050
로 변경할 수 있다. 여기서,
Figure PCTKR2021015558-appb-img-000051
이다. 변경된
Figure PCTKR2021015558-appb-img-000052
는 하기 수학식 6과 같은 연산을 수행하는 복수의 LSTM 셀에서 순차적으로 연산된다. 하기 수학식 6은 도 3에 도시된 바와 같은 j번째 LSTM 셀을 기준으로 표현된 것이다.
[수학식 6]
Figure PCTKR2021015558-appb-img-000053
(여기서,
Figure PCTKR2021015558-appb-img-000054
,
Figure PCTKR2021015558-appb-img-000055
및
Figure PCTKR2021015558-appb-img-000056
는 각각 히든 레이어의 가중치와 편차이며,
Figure PCTKR2021015558-appb-img-000057
는 시그모이드 함수(sigmoid function), tanh는 hyperbolic tangent function이다.)
LSTM 셀에서, 입력 게이트(input gate,
Figure PCTKR2021015558-appb-img-000058
)는 이전 LSTM 셀의 활성 단말 검출 결과인
Figure PCTKR2021015558-appb-img-000059
을 토대로
Figure PCTKR2021015558-appb-img-000060
가 될 수 있는 활성 단말의 후보를 새로이 탐색한다. 망각 게이트(forget gate,
Figure PCTKR2021015558-appb-img-000061
)는 이전 LSTM 셀의 활성 단말 검출 결과인
Figure PCTKR2021015558-appb-img-000062
을 토대로
Figure PCTKR2021015558-appb-img-000063
가 될 확률이 적은 활성 단말의 후보와 관련된 정보를
Figure PCTKR2021015558-appb-img-000064
에서 삭제한다. 이러한 과정을 J번 반복함으로써 마지막 J번째 LSTM 셀은 여러 가능한 해 중 가장 정답에 가까운 활성 단말 검출 결과(
Figure PCTKR2021015558-appb-img-000065
)가 산출된다. 활성 단말 검출 결과(
Figure PCTKR2021015558-appb-img-000066
)는 두 번째 완전 연결 계층(fully-connected layer)을 거쳐 시그모이드 계층(Sigmoid Layer)로 전달되며, 시그모이드 함수(Sigmoid function)을 통해, 활성 단말 검출 결과의 히든 레이어 표현인
Figure PCTKR2021015558-appb-img-000067
은 N개 단말의 활성도에 대한 확률 벡터 추정치
Figure PCTKR2021015558-appb-img-000068
로 변환한다. 확률 벡터 추정치
Figure PCTKR2021015558-appb-img-000069
는 임계값 필터(Threshold Filter)를 통해 활성 단말 검출 확률(
Figure PCTKR2021015558-appb-img-000070
)로 변환될 수 있다.
본 발명에서는 대용량 사물통신을 지원하기 위해 단말(송신단)은 저밀도 확산 코드를 사용하여 데이터 및 파일럿을 변조 전송하고, 기지국(수신단)은 장단기 메모리(LSTM) 기반 제1 인공 신경망을 이용하여 수신 신호로부터 활성 단말을 검출하게 된다. 장단기 메모리(LSTM) 네트워크를 핵심 구조로 활용함에 따라 다수의 해의 후보를 비교하고 가장 유망한 해가 도출될 수 있으며, 직접 사상을 학습함으로써 기존의 압축 센싱 기법이 가지는 중간 과정에서 형성되는 오류가 방지될 수 있다.
학습된 제2 인공 신경망의 구조에서 입력은 기지국(120)에 수신된 중첩된 수신 신호의 관측값
Figure PCTKR2021015558-appb-img-000071
와 단말 검출부(121)의 추정 확률(
Figure PCTKR2021015558-appb-img-000072
)이며, 해당 단말에 대응하는 채널 추정 값을 N개 단말에 대한 추정된 채널 벡터에서 선별해 냄으로써 출력
Figure PCTKR2021015558-appb-img-000073
을 획득한다. 제2 인공 신경망은 아래의 수학식 7의 비용 함수(cost function) 를 최소화하는 방향으로 역전파 알고리즘(backpropagation algorithm)을 이용하여 방대한 양의 합성된 데이터를 토대로 자동적으로 훈련되어 구축될 수 있다.
[수학식 7]
Figure PCTKR2021015558-appb-img-000074
여기서,
Figure PCTKR2021015558-appb-img-000075
는 해당 단말의 주파수 축 채널 값을,
Figure PCTKR2021015558-appb-img-000076
는 해당 단말의 채널 값에 대한 추정 값이다.
비용 함수가 최솟값을 가지기 위해 제2 인공 신경망은 활성 단말의 채널 추정을 올바르게 맞추어야 하며, 그러한 방향으로 제2 인공 신경망은 학습될 수 있다. 특히, 제2 인공 신경망은 기존의 압축 센싱 기반 활성 단말 검출에서 송신 신호 값의 직접적인 추정이 필요한 과정을 요구하지 않는다. 즉, 제2 인공 신경망은 기존 알고리즘들에서 필요로 하는 중간 과정들 없이 다음의 수학식 8과 같은 직접 사상(매핑)을 학습하여 구축될 수 있다.
[수학식 8]
Figure PCTKR2021015558-appb-img-000077
여기서,
Figure PCTKR2021015558-appb-img-000078
는 채널 추정에 사용되는 제2 인공 신경망의 파라미터이다.
제2 인공 신경망(L-CE)은 제1 인공 신경망과 같은 개별 연산을 수행하는 복수의 LSTM 셀로 구성될 수 있다. 다만, 제2 인공 신경망은 추정하고자 하는 결과값이 확률이 아니라 채널 값이기 때문에 마지막에 sigmoid function을 사용하지 않는다는 점과, 입력으로 활성 단말 검출 결과값(
Figure PCTKR2021015558-appb-img-000079
)이 포함되는
Figure PCTKR2021015558-appb-img-000080
를 사용한다는 점에서, 제1 인공 신경망과 차이점을 가진다.
제2 인공 신경망의 LSTM 셀에서, 입력 게이트(input gate,
Figure PCTKR2021015558-appb-img-000081
)는 각 활성 단말의 독립적인 상향 링크 채널을 선별(select)하며, 망각 게이트(forget gate,
Figure PCTKR2021015558-appb-img-000082
)는 해당 단말의 채널과 간섭하는 다른 단말들의 채널을 거부(reject)한다. 이러한 과정을 총 J번 반복하여, 마지막 LSTM 셀에서 N개 단말 각각에 대응하는 채널의 히든 레이어 표현(
Figure PCTKR2021015558-appb-img-000083
)이 산출된다. 즉, 제2 인공 신경망(L-CE)은 각각의 단말에 대응하는 독립적인 채널 값을 얻어내기 위해 NOMA 시스템에서 발생하는 단말 간 간섭(inter-device interference)을 제어하도록 훈련된다. 여러 단말이 동일 무선 자원을 사용하여 파일럿 및 데이터를 송신하는 NOMA 시스템에서, 제2 인공 신경망(L-CE)은 입력 게이트로 특정 단말의 채널 특징을 활성화하는 동시에, 반대로 망각 게이트로 나머지 단말의 채널 특징을 비활성화 할 수 있다.
본 발명에서, 기지국(수신단)은 장단기 메모리(LSTM) 기반 제2 인공 신경망을 이용하여 수신 신호로부터 활성 단말의 채널을 추정하게 된다. 장단기 메모리(LSTM) 네트워크를 핵심 구조로 활용함에 따라 다수의 해의 후보를 비교하고 가장 유망한 해가 도출될 수 있으며, 직접 사상을 학습함으로써 기존의 압축 센싱 기법이 가지는 중간 과정에서 형성되는 오류가 방지될 수 있다. 또한, 선택적 활성화 함수(activation function)을 활용한 제2 인공 신경망을 통해 NOMA환경에서 발생하는 단말 간 간섭으로 인한 채널 추정의 성능 열화가 완화될 수 있다.
이하, 블록 단위로 희소한 벡터를 수신한 측정값을 활성 단말 검출부(121)에 입력으로 넣어 활성 단말 검출을 수행하여 종래의 방법과 성능 비교한 결과가 도 4 및 5에 도시된다. 구체적으로, 도 4는 신호 대 잡음비(signal to noise ratio, SNR)를 기준으로 활성 단말 검출 시뮬레이션 결과를 도시한다. 도 5는 활성 단말의 수(K)에 따른 활성 단말 검출 시뮬레이션 결과를 도시한다.
도 4 및 도 5의 그래프에서, GA MMSE-BOMP는 활성 단말의 수를 사전 정보로 알고 있는 상태에서 희소 벡터 추정에 MMSE 기법을 사용한 경우의 BOMP 알고리즘을, GA LS-BOMP는 활성 단말의 수를 사전 정보로 알고 있는 상태에서 희소 벡터 추정에 LS 기법을 사용한 경우의 BOMP 알고리즘을 나타내며, 본 발명의 실시예에 따른 제1 신경망(L-AUD)에 의한 활성 단말 추정 결과는 L-AUD로 표기하였다.
시뮬레이션 상황은 파일럿 심볼 8개, 데이터 심볼 16개로 두었고, 4.88us(=4.88us x 15kHz x 2048 = 150 샘플)의 최대 지연 확산을 가지는 상향 링크 채널 환경에서 각각의 단말이 10%(=15개) 까지의 dominant channel tap을 가지는 주파수 선택적 레일리 페이딩 채널을 설정하였다.
도 4를 참조하면, 활성 단말 검출 성공 확률이 0.9일 때, L-AUD는 GA MMSE-BOMP에 비해 2 dB 이득을 거두는 것을 알 수 있다. 이러한 성능 향상은 검출 과정에서 제공되지 않은 채널 정보로 인해 추정 성능에 열화가 존재하는 압축 센싱 기법과 달리 직접 사상을 학습함으로써 향상된 결과에 해당한다.
도 5를 참조하면, 활성 단말의 수(K)가 6에서 10으로 증가할 때 L-AUD의 성공률은 0.97에서 0.83으로 비교적 작게 감소한 데 반해, 기존의 GA MMSE-BOMP 알고리즘은 0.95에서 0.77로, GA LS-BOMP 알고리즘은 0.83에서 0.49로 크게 감소하는 것을 알 수 있다. 즉, 본 발명의 실시예에 따른 L-AUD가 활성 단말 수의 증가에 덜 민감한 견고함 (robustness)를 가지는 것을 알 수 있다. 따라서, 본 발명에서 제안하는 L-AUD 구조를 통한 활성 단말 검출이 현실적인 시나리오에 더 적합함을 의미하고, 또한 실제 네트워크에 적용하기에 더 적합함을 의미한다.
이하, 신호 대 잡음비(SNR) 및 활성 단의 수(K)에 따른 채널 추정 시뮬레이션 결과가 도 6 및 도 7에 도시된다. 도 6은 신호 대 잡음비(SNR)에 따른 채널 평균 제곱 오차(mean squared error: MSE)를 나타낸 그래프이며, 도 7은 활성 단말 수(K)에 따른 채널 평균 제곱 오차를 나타낸 그래프이다.
도 6 및 도 7에서 L-CE는 본 발명의 실시예에 따른 제2 인공 신경망을, LS는 least squares 알고리즘을, conventional LMMSE는 5번의 NOMA기반 선행 LS 채널 추정을 통해 얻어낸 각 단말의 채널 공분산을 사전 정보로 이용하였을 때의 LMMSE 알고리즘을, ideal LMMSE는 각 단말의 채널 공분산을 사전 통계치로 완벽하게 알고 있을 때의 이상적인 LMMSE 알고리즘을 나타낸다.
기존의 conventional LMMSE와 LS 기법은 NOMA 시스템에서 발생하는 단말 간 간섭을 제어하지 못하여 SNR이 증가하더라도 채널 추정 성능 향상에 한계가 존재하는 데 반해, 제안하는 제2 인공 신경망(L-CE)은 단말 간 간섭을 제어하도록 학습하였기 때문에 신호 대 잡음비(SNR)이 증가함에 따라 달성 가능한 최고 성능 기준인 ideal LMMSE의 성능에 근접함을 도 6을 통해 확인할 수 있다.
또한, 제2 인공 신경망(L-CE)은 단말 간 간섭을 효과적으로 제어하기 때문에 기존 기법들에 비해 활성 단말 수의 증가에 견고함을 보여 채널 추정 성능이 크게 저하되지 않음을 도 7의 그래프에서 확인할 수 있다.
도 8은 본 발명의 다른 실시예에 따른 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법의 순서도이다. 본 실시예에 따른 상술한 기지국(20)에서 수행되는 것으로 도 1 내지 도 7 및 관련 설명이 참조될 수 있다.
도 8을 참조하면, 본 발명의 다른 실시예에 따른 활성 단말 검출과 채널 추정 방법은 k개의 활성 단말로부터 중첩된 신호(
Figure PCTKR2021015558-appb-img-000084
)를 수신하는 단계(S100); 제1 인공 신경망을 이용하여 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000085
)를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률(
Figure PCTKR2021015558-appb-img-000086
)을 산출하는 단계(S110); 및 제2 인공 신경망을 이용하여 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000087
)와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는 단계(S120)를 포함한다.
실시예에서, 제1 인공 신경망과 상기 제2 인공 신경망은 각각 장단기 메모리 네트워크 기반 인공 신경망일 수 있다.
실시예에서, 제1 인공 신경망은 다음의 수학식 5와 같은 직접 사상을 학습하여 구축되고, 상기 제2 인공 신경망은 다음의 수학식 8과 같은 직접 사상을 학습하여 구축될 수 있다.
[수학식 5]
Figure PCTKR2021015558-appb-img-000088
(여기서,
Figure PCTKR2021015558-appb-img-000089
는 활성 단말 검출에 사용되는 제1 인공 신경망의 파라미터이다.)
[수학식 8]
Figure PCTKR2021015558-appb-img-000090
(여기서,
Figure PCTKR2021015558-appb-img-000091
는 채널 추정에 사용되는 제2 인공 신경망의 파라미터이다.)
또한, 상기 제1 인공 신경망에 입력된 상기 수신된 신호(
Figure PCTKR2021015558-appb-img-000092
)는 완전 연결 계층(fully-connected layer)를 통과하여 히든 레이어 표현(
Figure PCTKR2021015558-appb-img-000093
)으로 변경되고, 상기 변경된 히든 레이어 표현(
Figure PCTKR2021015558-appb-img-000094
)은 복수의 LSTM 셀을 순차적으로 연산되어 활성 단말 검출 결과의 히든 레이어 표현(
Figure PCTKR2021015558-appb-img-000095
)을 산출하며, 상기 활성 단말 검출 결과의 히든 레이어 표현(
Figure PCTKR2021015558-appb-img-000096
)은 시그모이드 함수를 통해 상기 추정 확률(
Figure PCTKR2021015558-appb-img-000097
)로 변환될 수 있다.
상기 복수의 LSTM 셀 각각은 하기 수학식 6과 같은 연산을 수행할 수 있다.
[수학식 6]
[수학식 6]
Figure PCTKR2021015558-appb-img-000098
(여기서,
Figure PCTKR2021015558-appb-img-000099
,
Figure PCTKR2021015558-appb-img-000100
및
Figure PCTKR2021015558-appb-img-000101
는 각각 히든 레이어의 가중치와 편차이며,
Figure PCTKR2021015558-appb-img-000102
는 시그모이드 함수(sigmoid function), tanh는 hyperbolic tangent function이다.)
상기 k개의 활성 단말의 수는 상기 셀 내의 모든 단말의 개수보다 희소하게 작아, 상기 입력된 신호는 블록 단위의 희소 벡터일 수 있다.
상기 k개의 활성 단말로부터 중첩된 신호(
Figure PCTKR2021015558-appb-img-000103
)를 수신하는 단계(S100)는, 비직교 LDS 코드를 이용하여 시퀀스 확산된 신호를 수신할 수 있다.
또한, 상기 제2 인공 신경망은 입력 게이트로 특정 단말의 채널 특징을 활성화하고, 망각 게이트로 나머지 단말의 채널 특징을 비활성화하도록 학습될 수 있다.
상술한 구체적인 실시예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 다양한 실시예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
본 발명은 5세대 이동통신(5G, 5thgeneration)의 서비스 카테고리들 중 하나인 mMTC를 지원하는 것을 주된 목표로 하며, 제안하는 향상된 성능의 활성 단말 검출 기법은 승인 신호가 없는 mMTC 시스템에서도 수많은 단말들의 상향링크 통신을 지원하는 데 응용할 수 있다.

Claims (12)

  1. 비승인 상향링크 전송 기반의 무선통신시스템에서 기지국의 활성 단말 검출과 채널 추정 방법으로서,
    k개의 활성 단말로부터 중첩된 신호(
    Figure PCTKR2021015558-appb-img-000104
    )를 수신하는 단계;
    제1 인공 신경망을 이용하여 상기 수신된 신호(
    Figure PCTKR2021015558-appb-img-000105
    )를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률(
    Figure PCTKR2021015558-appb-img-000106
    )을 산출하는 단계; 및
    제2 인공 신경망을 이용하여 상기 수신된 신호(
    Figure PCTKR2021015558-appb-img-000107
    )와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는 단계를 포함하는, 활성 단말 검출과 채널 추정 방법.
  2. 제1항에 있어서,
    상기 제1 인공 신경망과 상기 제2 인공 신경망은 각각 장단기 메모리 네트워크 기반 인공 신경망인 것을 특징으로 하는 활성 단말 검출과 채널 추정 방법.
  3. 제2항에 있어서,
    상기 제1 인공 신경망은 다음의 수학식 5와 같은 직접 사상을 학습하여 구축되고,
    상기 제2 인공 신경망은 다음의 수학식 8과 같은 직접 사상을 학습하여 구축된 것을 특징으로 하는, 활성 단말 검출과 채널 추정 방법.
    [수학식 5]
    Figure PCTKR2021015558-appb-img-000108
    (여기서,
    Figure PCTKR2021015558-appb-img-000109
    는 활성 단말 검출에 사용되는 제1 인공 신경망의 파라미터이다.)
    [수학식 8]
    Figure PCTKR2021015558-appb-img-000110
    (여기서,
    Figure PCTKR2021015558-appb-img-000111
    는 채널 추정에 사용되는 제2 인공 신경망의 파라미터이다.)
  4. 제3항에 있어서,
    상기 제1 인공 신경망에 입력된 상기 수신된 신호(
    Figure PCTKR2021015558-appb-img-000112
    )는 완전 연결 계층(fully-connected layer)를 통과하여 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000113
    )으로 변경되고,
    상기 변경된 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000114
    )은 복수의 LSTM 셀을 순차적으로 연산되어 활성 단말 검출 결과의 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000115
    )을 산출하며,
    상기 활성 단말 검출 결과의 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000116
    )은 시그모이드 함수를 통해 상기 추정 확률(
    Figure PCTKR2021015558-appb-img-000117
    )로 변환되는 것을 특징으로 하는, 활성 단말 검출과 채널 추정 방법.
  5. 제4항에 있어서,
    상기 복수의 LSTM 셀 각각은 하기 수학식 6과 같은 연산을 수행하는 것을 특징으로 하는, 활성 단말 검출과 채널 추정 방법.
    [수학식 6]
    Figure PCTKR2021015558-appb-img-000118
    (여기서,
    Figure PCTKR2021015558-appb-img-000119
    ,
    Figure PCTKR2021015558-appb-img-000120
    및
    Figure PCTKR2021015558-appb-img-000121
    는 각각 히든 레이어의 가중치와 편차이며,
    Figure PCTKR2021015558-appb-img-000122
    는 시그모이드 함수(sigmoid function), tanh는 hyperbolic tangent function이다.)
  6. 제3항에 있어서,
    상기 제2 인공 신경망은 입력 게이트로 특정 단말의 채널 특징을 활성화하고, 망각 게이트로 나머지 단말의 채널 특징을 비활성화하도록 학습된 것을 특징으로 하는, 활성 단말 검출과 채널 추정 방법.
  7. 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출과 채널 추정을 위한 기지국 장치로서,
    k개의 활성 단말로부터 중첩된 신호(
    Figure PCTKR2021015558-appb-img-000123
    )를 수신하는 수신기; 및
    상기 수신기의 동작을 제어하는 하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는, 제1 인공 신경망을 이용하여 상기 수신된 신호(
    Figure PCTKR2021015558-appb-img-000124
    )를 입력으로 하여 상기 기지국의 셀 내의 모든 단말이 각각 활성 단말일 추정 확률(
    Figure PCTKR2021015558-appb-img-000125
    )을 산출하고, 제2 인공 신경망을 이용하여 상기 수신된 신호(
    Figure PCTKR2021015558-appb-img-000126
    )와 활성 단말 검출 결과 값을 입력으로 하여 활성 단말의 채널을 추정하는, 기지국 장치.
  8. 제7항에 있어서,
    상기 제1 인공 신경망과 상기 제2 인공 신경망은 각각 장단기 메모리 네트워크 기반 인공 신경망인 것을 특징으로 하는 기지국 장치.
  9. 제8항에 있어서,
    상기 제1 인공 신경망은 다음의 수학식 5와 같은 직접 사상을 학습하여 구축되고,
    상기 제2 인공 신경망은 다음의 수학식 8과 같은 직접 사상을 학습하여 구축된 것을 특징으로 하는 기지국 장치.
    [수학식 5]
    Figure PCTKR2021015558-appb-img-000127
    (여기서,
    Figure PCTKR2021015558-appb-img-000128
    는 활성 단말 검출에 사용되는 제1 인공 신경망의 파라미터이다.)
    [수학식 8]
    Figure PCTKR2021015558-appb-img-000129
    (여기서,
    Figure PCTKR2021015558-appb-img-000130
    는 채널 추정에 사용되는 제2 인공 신경망의 파라미터이다.)
  10. 제9항에 있어서,
    상기 제1 인공 신경망에 입력된 상기 수신된 신호(
    Figure PCTKR2021015558-appb-img-000131
    )는 완전 연결 계층(fully-connected layer)를 통과하여 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000132
    )으로 변경되고,
    상기 변경된 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000133
    )은 복수의 LSTM 셀을 순차적으로 연산되어 활성 단말 검출 결과의 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000134
    )을 산출하며,
    상기 활성 단말 검출 결과의 히든 레이어 표현(
    Figure PCTKR2021015558-appb-img-000135
    )은 시그모이드 함수를 통해 상기 추정 확률(
    Figure PCTKR2021015558-appb-img-000136
    )로 변환되는 것을 특징으로 하는, 기지국 장치.
  11. 제10항에 있어서,
    상기 복수의 LSTM 셀 각각은 하기 수학식 6과 같은 연산을 수행하는 것을 특징으로 하는 기지국 장치.
    [수학식 6]
    Figure PCTKR2021015558-appb-img-000137
    (여기서,
    Figure PCTKR2021015558-appb-img-000138
    ,
    Figure PCTKR2021015558-appb-img-000139
    및
    Figure PCTKR2021015558-appb-img-000140
    는 각각 히든 레이어의 가중치와 편차이며,
    Figure PCTKR2021015558-appb-img-000141
    는 시그모이드 함수(sigmoid function), tanh는 hyperbolic tangent function이다.)
  12. 제9항에 있어서,
    상기 제2 인공 신경망은 입력 게이트로 특정 단말의 채널 특징을 활성화하고, 망각 게이트로 나머지 단말의 채널 특징을 비활성화하도록 학습된 것을 특징으로 하는, 기지국 장치.
PCT/KR2021/015558 2020-11-27 2021-11-01 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치 WO2022114561A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/038,357 US20230412429A1 (en) 2020-11-27 2021-11-01 Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0162482 2020-11-27
KR1020200162482A KR102426289B1 (ko) 2020-11-27 2020-11-27 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2022114561A1 true WO2022114561A1 (ko) 2022-06-02

Family

ID=81754784

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/015558 WO2022114561A1 (ko) 2020-11-27 2021-11-01 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치

Country Status (3)

Country Link
US (1) US20230412429A1 (ko)
KR (1) KR102426289B1 (ko)
WO (1) WO2022114561A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066284A1 (zh) * 2022-09-29 2024-04-04 浙江大学 一种与源址无关的分布式状态监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190014928A (ko) * 2017-08-04 2019-02-13 삼성전자주식회사 무선 통신 시스템에서 상향링크 전송을 위한 장치 및 방법
US20190147713A1 (en) * 2017-11-16 2019-05-16 Cognitive Systems Corp. Motion Localization Based on Channel Response Characteristics
KR20200057608A (ko) * 2019-08-29 2020-05-26 아이덴티파이 주식회사 인공지능 기술을 이용한 배기가스 배출량 예측방법
KR20200066220A (ko) * 2018-11-30 2020-06-09 서울대학교산학협력단 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
KR20200130970A (ko) * 2019-05-13 2020-11-23 가톨릭관동대학교산학협력단 인공 신경망을 이용한 보행 중 족부 압력 분포 추정 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190014928A (ko) * 2017-08-04 2019-02-13 삼성전자주식회사 무선 통신 시스템에서 상향링크 전송을 위한 장치 및 방법
US20190147713A1 (en) * 2017-11-16 2019-05-16 Cognitive Systems Corp. Motion Localization Based on Channel Response Characteristics
KR20200066220A (ko) * 2018-11-30 2020-06-09 서울대학교산학협력단 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
KR20200130970A (ko) * 2019-05-13 2020-11-23 가톨릭관동대학교산학협력단 인공 신경망을 이용한 보행 중 족부 압력 분포 추정 장치 및 그 방법
KR20200057608A (ko) * 2019-08-29 2020-05-26 아이덴티파이 주식회사 인공지능 기술을 이용한 배기가스 배출량 예측방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AHN YONGJUN; KIM WONJUN; SHIM BYONGHYO: "Deep Neural Network-based Joint Active User Detection and Channel Estimation for mMTC", ICC 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC), 7 June 2020 (2020-06-07), pages 1 - 6, XP033798263, DOI: 10.1109/ICC40277.2020.9149252 *
KIM WONJUN; AHN YONGJUN; SHIM BYONGHYO: "Deep Neural Network-Based Active User Detection for Grant-Free NOMA Systems", IEEE TRANSACTIONS ON COMMUNICATIONS, vol. 68, no. 4, 24 January 2020 (2020-01-24), pages 2143 - 2155, XP011783303, ISSN: 0090-6778, DOI: 10.1109/TCOMM.2020.2969184 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066284A1 (zh) * 2022-09-29 2024-04-04 浙江大学 一种与源址无关的分布式状态监测方法

Also Published As

Publication number Publication date
KR20220074228A (ko) 2022-06-03
US20230412429A1 (en) 2023-12-21
KR102426289B1 (ko) 2022-07-28

Similar Documents

Publication Publication Date Title
WO2018174630A1 (en) A method and device for transmitting data
WO2019194577A1 (ko) 무선 통신 시스템에서 데이터 복호 방법 및 장치
WO2012021008A2 (en) Method and apparatus for transmitting and receiving reference signal in wireless communication system
WO2015170919A1 (en) Interference measurement method and apparatus for use in mobile communication system
WO2010140829A2 (en) Apparatus and method for calibration for cooperative multiple input multiple output in a wireless communication system
WO2014046517A1 (en) Method and apparatus for transmitting and receiving broadcast channel in cellular communication system
WO2015137778A1 (en) Method and apparatus for transmitting control information to remove and suppress interference in wireless communication system
WO2020145701A1 (en) Method and apparatus for transmitting and receiving a signal in a wireless communication system
WO2010068011A2 (en) Method of transmitting and receiving physical downlink shared channel in wireless communication system
WO2016175609A1 (ko) 무선 통신 시스템에서 하향링크 채널 추정 장치 및 방법
WO2017086662A1 (ko) 무선 통신 시스템에서 방송 정보 수신을 위한 방법 및 장치
WO2011099715A2 (ko) 채널추정 기준신호의 주기/비주기 전송 스위칭 방법, 그를 이용한 채널추정 기준신호의 송수신 장치 및 방법
WO2020060143A1 (ko) 무선 통신 시스템에서 전송 전력을 제어하는 방법 및 장치
WO2014171753A1 (ko) 무선 통신 시스템에서의 빔 성형장치 및 방법
WO2011049398A2 (en) Communication system of detecting victim terminal and performing interference coordination in multi-cell environments
WO2022031128A1 (en) Uplink timing and frequency synchronization
WO2016043352A1 (ko) 셀 간 간섭을 완화하는 방법 및 장치
WO2016186425A1 (ko) 무선 통신 시스템에서 셀 커버리지를 고려하여 반복 패턴에 따라 상향링크 참조 신호를 설계하는 방법 및 장치
WO2014109538A1 (ko) 무선 통신 시스템에서 셀 간 간섭 제거 방법 및 장치
WO2022114561A1 (ko) 심층 신경망을 이용한 활성 단말 검출과 채널 추정 방법 및 장치
WO2022080946A1 (en) Method and apparatus for transmitting uplink channel in wireless communication system
EP4285653A1 (en) Methods and apparatuses for enabling dm-rs filtering within a time period
WO2011049380A2 (ko) 공간다중화 시스템에서 신호검출 장치 및 방법
WO2014061995A1 (ko) 이동통신 시스템에서 사용자 단말 선택 방법 및 장치
WO2021230709A1 (ko) 거대 다중 입출력을 지원하는 무선 통신 시스템에서 유저 검출 기법 및 채널 추정 방법 및 장치

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: 21898387

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18038357

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21898387

Country of ref document: EP

Kind code of ref document: A1