WO2022220397A1 - 무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법 - Google Patents

무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법 Download PDF

Info

Publication number
WO2022220397A1
WO2022220397A1 PCT/KR2022/002858 KR2022002858W WO2022220397A1 WO 2022220397 A1 WO2022220397 A1 WO 2022220397A1 KR 2022002858 W KR2022002858 W KR 2022002858W WO 2022220397 A1 WO2022220397 A1 WO 2022220397A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
module
deep learning
error
channel estimation
Prior art date
Application number
PCT/KR2022/002858
Other languages
English (en)
French (fr)
Inventor
반동하
박찬종
장준익
정재일
Original Assignee
삼성전자 주식회사
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
Priority claimed from KR1020210174176A external-priority patent/KR20220141729A/ko
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2022220397A1 publication Critical patent/WO2022220397A1/ko
Priority to US18/379,979 priority Critical patent/US20240039768A1/en

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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L2025/03433—Arrangements for removing intersymbol interference characterised by equaliser structure

Definitions

  • Various embodiments of the present invention relate to an apparatus and method for processing a wireless signal in an electronic device of a wireless communication system.
  • the wireless communication system may provide wireless communication while ensuring the activity of the electronic device (or user).
  • a transmitting device and a receiving device of a wireless communication system may transmit and/or receive a signal (or data) through a wireless channel.
  • the state of a wireless channel may change irregularly. Accordingly, the receiving device may perform channel estimation to determine the degree of distortion of the signal received through the wireless channel, and based on the estimated channel value, a signal (or data) transmitted by the transmitting device from the received signal can be decoded.
  • the receiving device of the wireless communication system may sequentially perform the channel estimation operation and the signal decoding operation by decoding the signal (or data) transmitted by the transmitting device from the received signal based on the channel estimation value. Accordingly, when the reception device fails to estimate a channel, decoding of a signal (or data) transmitted from the transmission device may be limited.
  • Various embodiments of the present invention disclose an apparatus and method for processing a wireless signal in an electronic device of a wireless communication system.
  • an electronic device includes at least one antenna and a channel estimation and equalization module for processing a received signal received through the at least one antenna, wherein the channel estimation and equalization module includes the at least one Check the received signal received through the antenna of the received signal and a reference signal related to the received signal, extract the features of the received signal and the reference signal through deep learning based on the received signal and the reference signal, and the extraction It is possible to estimate a channel of the received signal based on the obtained characteristic, and to reconstruct a signal corresponding to the received signal.
  • a method of operating an electronic device includes an operation of identifying the received signal received through at least one antenna and a reference signal related to the received signal, and deep learning based on the received signal and the reference signal. through, extracting features of the received signal and the reference signal, estimating a channel of the received signal based on the extracted features, and restoring a signal corresponding to the received signal.
  • FIG. 1 is a block diagram of an electronic device in a network environment, according to various embodiments of the present disclosure
  • FIG. 2 is a block diagram of a wireless communication system according to various embodiments.
  • FIG. 3 is a block diagram of a channel estimation and equalization module in an electronic device according to various embodiments of the present disclosure
  • FIG. 4 is a block diagram of a training module according to various embodiments.
  • FIG. 5 is a block diagram of a deep learning module according to various embodiments.
  • FIG. 6 is a block diagram of a loss function in accordance with various embodiments.
  • FIG. 7 is a flowchart for channel estimation and equalization in an electronic device according to various embodiments of the present disclosure.
  • FIG. 8 is a flowchart for applying a loss function in an electronic device according to various embodiments of the present disclosure
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100 according to various embodiments of the present disclosure.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is a main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • a main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • an image signal processor e.g., a sensor hub processor, or a communication processor.
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the coprocessor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190. have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself on which the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176 ) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, an electronic device) connected directly or wirelessly to the sound output module 155 or the electronic device 101 . device 102) (eg, speakers or headphones).
  • an external electronic device eg, an electronic device
  • the sound output module 155 or the electronic device 101 . device 102 eg, speakers or headphones.
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, a temperature sensor, and a humidity sensor. , or an illuminance sensor.
  • the interface 177 may support one or more specified protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • the battery 189 may include a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : It may include a local area network (LAN) communication module, or a power line communication module.
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (Wi-Fi) direct, or infrared data association (IrDA)) or a second network 199 (eg, : It is possible to communicate with the external electronic device 104 through a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a telecommunication network such as a computer network (eg, LAN or WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (Wi-Fi) direct, or infrared data association (IrDA)
  • a second network 199 eg, : It is possible to communicate with the external electronic device 104 through a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a telecommunication network such as a computer network (eg, LAN or WAN).
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology is a high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low -latency communications
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data throughput, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 192 uses various techniques for securing performance in a high-frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
  • the wireless communication module 192 may support various requirements defined in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 includes a peak data rate (eg, 20 Gbps or more) for realization of eMBB, loss coverage for realization of mMTC (eg, 164 dB or less), or U-plane latency (for URLLC realization) ( Example: Downlink (DL) and uplink (UL) each 0.5 ms or less, or round trip 1 ms or less) can be supported.
  • the subscriber identification module 196 may include a plurality of subscriber identification modules.
  • the plurality of subscriber identification modules may store different subscriber information.
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication scheme used in a communication network such as the first network 198 or the second network 199 is selected from a plurality of antennas by, for example, the communication module 190 . can be A signal or power may be transmitted or received between the communication module 190 and an external electronic device through at least one selected antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a high-frequency (eg, mmWave) antenna module.
  • a high frequency (eg mmWave) antenna module is disposed on or adjacent to a printed circuit board, a first side (eg, bottom side) of the printed circuit board and supports a designated high frequency band (eg, mmWave band).
  • an RFIC capable of being capable of performing an RFIC
  • a plurality of antennas eg, an array antenna
  • the plurality of antennas may include a patch array antenna and/or a dipole array antenna.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • signals eg, : commands or data
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or part of the operations performed by the electronic device 101 may be executed by one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received a request to perform at least a part of the function or service execute at least a part of the requested function or service, or an additional function or service related to the request to perform at least a part, and as a result of the execution may be transmitted to the electronic device 101 .
  • the electronic device 101 may process the execution result as it is or additionally and provide it as at least a part of a response to a request to perform at least a part.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • IoT Internet of things
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a wearable device e.g., a smart bracelet
  • a home appliance device e.g., a home appliance
  • first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be coupled to another component directly (eg, by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, for example, and interchangeably with terms such as logic, logic block, component, or circuit.
  • a module may be an integrally constituted part or a minimum unit or a part of an integrally constituted part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more instructions stored in a storage medium (eg, internal memory 136 or external memory 138) readable by a machine (eg, electronic device 101).
  • a storage medium eg, internal memory 136 or external memory 138
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the processor may call at least one of the one or more instructions stored from the storage medium and execute it. This makes it possible for the device to be operated to perform at least one function according to the called at least one command.
  • One or more instructions stored from the storage medium may include code generated by a compiler or code that can be executed by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly or online between smartphones (eg: smartphones).
  • a portion of the computer program product may be temporarily stored or temporarily generated in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a memory of a relay server.
  • each component eg, a module or a program of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, omitted, or , or one or more other operations may be added.
  • FIG. 2 is a block diagram of a wireless communication system according to various embodiments.
  • a wireless communication system may include a transmitting device 200 for transmitting a signal and a receiving device 210 for receiving a signal.
  • the transmitting device 200 may include a base station or a terminal device that transmits signals and/or data through radio resources.
  • the reception device 210 may include a terminal device or a base station that receives a signal and/or data from the transmission device 200 through a radio resource.
  • the receiving device 210 may include the electronic device 101 of FIG. 1 .
  • the transmitting apparatus 200 includes a channel coding and modulation module 201 , a serial to parallel convertor 203 , and an inverse fast fourier transform module (IFFT) ( 205), a P/S conversion module (parallel to serial converter) 207, and a CP addition module (cyclic prefix insertion) 209 may be included.
  • IFFT inverse fast fourier transform
  • P/S conversion module parallel to serial converter
  • CP addition module cyclic prefix insertion
  • the channel coding and modulation module 201 may encode a signal (or data) to be transmitted to the receiving device 210 based on a specified channel coding technique.
  • the channel coding and modulation module 201 may generate modulation symbols by modulating the coded signal (or data) based on a specified modulation scheme (eg, quadrature phase shift keying (QPSK) or quadrature amplitude modulation (QAM)).
  • a signal (or data) to be transmitted to the receiving device 210 may include at least one reference signal (eg, a pilot signal) inserted at a designated position.
  • the S/P conversion module 203 may convert (eg, demultiplex) the serial symbols modulated by the channel coding and modulation module 201 into parallel data to generate N parallel symbol streams.
  • N may correspond to the size of the inverse fast Fourier transform module 205 .
  • the inverse fast Fourier transform module 205 may generate a signal in the time domain by performing an inverse fast Fourier operation on the N parallel symbol streams transformed by the S/P transform module 203 . .
  • the P/S transform module 207 may transform (eg, multiplex) the time domain output symbol output from the inverse fast Fourier transform module 205 to generate a serial time domain signal.
  • the CP addition module 209 may insert a cyclic prefix (CP) into the time domain signal provided from the P/S conversion module 207 .
  • the CP addition module 209 may copy at least a part of the last part of the signal in the time domain provided from the P/S conversion module 207 and add it to the front part of the signal in the time domain.
  • CP cyclic prefix
  • the transmitter 200 may up-convert a signal (or data) into which the CP is inserted in the CP addition module 209 into a radio frequency (RF) signal for transmitting through a wireless channel.
  • the transmitter 200 may output the RF signal to the outside through at least one antenna.
  • the receiving device 210 may include a CP removal module 211 , an S/P transform module 213 , and a fast Fourier transform module (FFT). ) 215 , a channel estimation and equalization module 217 , and a P/S conversion module 219 .
  • a CP removal module 211 , an S/P transform module 213 , a fast Fourier transform module (FFT) 215 , a channel estimation and equalization module 217 , and a P/S transform module 219 . is substantially the same as the wireless communication module 192 of FIG. 1 , or may be included in the wireless communication module 192 .
  • the channel estimation and equalization module 217 may be substantially the same as a communication processor (CP) or may be included in the communication processor.
  • CP communication processor
  • the reception device 210 may generate a baseband signal by down-converting an RF signal received through at least one antenna.
  • the CP removal module 211 may generate a serial time-domain signal by removing the CP from the baseband signal.
  • the S/P conversion module 213 converts (eg, demultiplexes) the serial time-domain signal generated by the CP removal module 211 into parallel data to generate N parallel symbol streams. have.
  • the fast Fourier transform module 215 may generate a frequency domain signal by performing a fast Fourier operation on the N parallel symbol streams transformed by the P/S transform module 213 .
  • the channel estimation and equalization module 217 may acquire channel information of the received signal and restore the signal through deep learning based on the signal in the frequency domain generated by the fast Fourier transform module 215 . have.
  • the channel estimation and equalization module 217 receives a received signal and a pilot signal included in the received signal through a neural network (eg, a convolutional neural network (CNN)) as an input of the received signal. It is possible to restore the transmission signal corresponding to the channel information and the reception signal.
  • a neural network eg, a convolutional neural network (CNN)
  • the P/S conversion module 219 may convert (eg, multiplex) the signal restored by the channel estimation and equalization module 217 to generate a serial frequency domain signal.
  • FIG 3 is a block diagram of a channel estimation and equalization module 217 in an electronic device according to various embodiments of the present disclosure.
  • the channel estimation and equalization module 217 includes a training scheme 300 , a deep learning module 310 and a loss function 320 (or loss management). module) may be included.
  • the electronic device 101 eg, the receiving device 210 of FIG. 2
  • the transmitting device 200 of FIG. 2 A training signal (eg, the received signal 331 ) and/or the pilot signal 332 for learning of the deep learning module 310 may be provided in the non-existent state.
  • the training module 300 may generate training signals of various sizes (eg, different sizes) based on signals stored in a data set 302 .
  • the training module 300 may convert training signals of various sizes into the same size and provide them to the deep learning module 310 in order to reduce the learning error of the deep learning module 310 .
  • the training module 300 may convert training signals of various sizes to the same size through a zero padding technique.
  • the zero padding technique may include a series of operations of filling each training signal with a reference value (eg, '0') so that the sizes of training signals of various sizes become the reference size.
  • a portion filled with a reference value in the training signal may be referred to as a mask.
  • the reference size may include a size of a resource block (RB) defined in a wireless communication system or a size of a largest training signal among training signals.
  • RB resource block
  • the electronic device 101 communicates with an external electronic device (eg, the transmitting device 200 of FIG. 2 ).
  • learning may be performed based on a training signal (eg, a received signal 331 ) and/or a pilot signal 332 provided from the training module 300 .
  • the deep learning module 310 may be configured with a neural network architecture.
  • the deep learning module 310 may perform learning during a time when the electronic device 101 is relatively less used (eg, a user's sleep time).
  • the deep learning module 310 may extract features of the training signal (eg, the received signal 331 ) and/or the pilot signal 332 through a feature extractor.
  • the deep learning module 310 is based on the features of the training signal extracted through the feature extraction module, the channel of the training signal (or estimated channel) 336 and the recovered signal corresponding to the training signal (recovered signal) ) (or transmission signal) 337 .
  • the pilot signal 332 may be used to estimate a channel between the electronic device 101 (eg, the reception device 210 of FIG. 2 ) and an external electronic device (eg, the transmission device 200 of FIG. 2 ).
  • a predefined reference signal may be included between the electronic device 101 (eg, the reception device 210 of FIG. 2 ) and an external electronic device (eg, the transmission device 200 of FIG. 2 ).
  • the loss function 320 may detect an error between the channel 336 of the training signal and the reconstruction signal 337 detected by the deep learning module 310 .
  • the electronic device 101 eg, the receiving device 210 of FIG. 2
  • the external electronic device eg, the transmitting device 200 of FIG. 2 . It is possible to detect an error in the output signal due to the learning of the deep learning module 310 in the non-existent state.
  • the loss function 320 includes a channel 333 corresponding to a training signal provided to the deep learning module 310 from the training module 300 (or data set 302), a transmission signal ( transmitted signal) 334 and/or information related to the mask 335 corresponding to the training signal may be acquired.
  • the loss function 320 is a deep learning module based on the channel 333 obtained from the training module 300 (or the data set 302 ), the transmission signal 334 and/or the mask 335 corresponding to the training signal.
  • An error eg, a channel estimation error, a signal restoration error, and/or a noise attenuation error
  • the loss function 320 is a weight (or learning) of the deep learning module 310 based on the error of the channel 336 of the training signal and the restoration signal 337 detected in the deep learning module 310 . weight) may be updated (341).
  • the electronic device 101 communicates with an external electronic device (eg, the transmitting device 200 of FIG. 2 ).
  • the channel 336 of the signal received from the external electronic device (eg, the transmitter 200 of FIG. 2 ) and the restored signal 337 may be detected through the neural network learned by the training signal.
  • the deep learning module 310 receives and/or receives a reception signal 331 received from an external electronic device (eg, the transmission device 200 of FIG. 2 ) through a feature extractor. A feature of the pilot signal 332 included in the signal 331 may be extracted.
  • the deep learning module 310 performs the channel 336 of the received signal 331 and the restored signal 337 based on the features of the received signal 331 and/or the pilot signal 332 extracted through the feature extraction module. can be detected.
  • FIG. 4 is a block diagram of a training module 300 in accordance with various embodiments.
  • the training module 300 of the channel estimation and equalization module 217 may generate training signals of various shapes (or sizes) for learning of the deep learning module 310 .
  • the training module 300 generates training signals 410 of various sizes by randomly cropping the signals 400 stored in the data set 302 to a random size.
  • the training module 300 may convert the training signals 410 of various sizes into the same size.
  • the training module 300 may collect training signals 410 of various sizes generated by cutting to an arbitrary size ( 420 ).
  • the training module 300 may convert training signals of various sizes to the same size in order to reduce the learning error of the deep learning module 310 ( 430 ).
  • the training module 300 may convert the same magnitude of the training signal input to the deep learning module 310 by the deep learning module 310 using stochastic gradient descent. There is (430).
  • the training module 300 may add a reference value (eg, '0') to each training signal so that the training signals correspond to a reference size through a zero padding technique.
  • a portion filled with a reference value in the training signal may be referred to as a mask.
  • the stochastic gradient descent method is a learning method of a neural network that reduces an error by feeding forward for each batch including at least a portion of the entire signal (or all data) input to the deep learning module 310 . may include
  • the training module 300 may provide the training signals 331 and the pilot signal 332 converted to the same size to the deep learning module 310 .
  • the training module 300 converts information related to the channel 333 corresponding to the training signals 331 , the transmission signal 334 and/or the mask 335 corresponding to the training signal to the loss function ( 320) can be provided.
  • FIG. 5 is a block diagram of a deep learning module 310 according to various embodiments.
  • the deep learning module 310 includes a first transform module 500 , a combining module 502 , a feature extraction module 510 , a second transform module 520 , and a channel estimation module. 530 and/or a channel equalization module 540 .
  • the deep learning module 310 may be configured with a neural network architecture (eg, a convolution neural network (CNN)).
  • CNN convolution neural network
  • the first transformation module 500 may down-sample an input signal of the deep learning module 310 .
  • the first conversion module 500 may reduce the magnitude of the received signal 331 to correspond to the magnitude of the pilot signal 332 .
  • the size of the received signal 331 may be down-sampled to correspond to the size of the pilot signal 332 through pixel shuffle.
  • the received signal 331 has a size of 1 ⁇ 72 ⁇ 14 in a three-dimensional space, it is to be down-sampled to a size of 14 ⁇ 36 ⁇ 2 based on the size of the pilot signal 332 of 1 ⁇ 36 ⁇ 2.
  • the combining module 502 may merge the received signal down-sampled by the first transform module 500 and the pilot signal 332 into one signal.
  • the combining module 502 applies at least one of a sum (sun), concatenate (concatenate), or convolution to the received signal down-sampled by the first transform module 500 and the pilot signal 332 .
  • the reception signal 331 may include a signal received from an external electronic device (eg, the transmission device 200 ) through at least one antenna or a training signal generated by the training module 300 .
  • the pilot signal 332 may correspond to a pilot signal included in a signal received from an external electronic device (eg, the transmitting device 200 ) through at least one antenna or a training signal generated by the training module 300 . It may include a pilot signal.
  • the feature extraction module 510 may extract features from the signal provided from the combining module 502 .
  • the feature extraction module 510 may include one of depthwise separable convolution (eg, DSConv2D), residual channel attention block (RCAB), layer attention block (LAM), or channel spatial attention block (CSAM). It may include at least one.
  • the separate convolution for each depth may reduce the number of parameters compared to the basic convolution.
  • RCAB provides important channel information from values having the size of a three-dimensional channel (c: channel), height (h: height), and width (w: width) provided through learning and separated convolution for each depth. can be detected.
  • the CSAM may detect a relationship between an arbitrary value and other values in the 3D from values having the sizes of the three-dimensional channel c, the height h, and the null w.
  • the LAM may detect information related to the relationship between height and width from values having sizes of a three-dimensional channel (c), height (h), and width (w).
  • the second transform module 520 may upsample an output signal of the feature extraction module 510 . According to an embodiment, the second transformation module 520 restores the size of the output signal of the feature extraction module 510 to the size before down-sampling in the first transformation module 500 through pixel shuffle. can do.
  • the channel estimation module 530 receives, based on the characteristics of the received signal 331 and the pilot signal 332 detected by the feature extraction module 510 provided through the second transformation module 520 , A channel of the signal 331 may be estimated.
  • the channel equalization module 540 receives, based on the characteristics of the received signal 331 and the pilot signal 332 detected by the feature extraction module 510 provided through the second transformation module 520 , A transmission signal corresponding to the signal 331 may be restored.
  • FIG. 6 is a block diagram of a loss function 320 in accordance with various embodiments.
  • the loss function 320 may estimate the loss (or error) of the channel estimated by the deep learning module 310 and the restored (or demodulated) signal.
  • the loss function 320 is a training signal provided to the deep learning module 310 from the training module 300 (or data set 302) when learning is performed in the deep learning module 310.
  • Information 610 related to a corresponding channel (target channel), a transmission signal (predicted symbol), and/or a mask corresponding to a training signal may be obtained.
  • the loss function 320 is the training signal detected in the deep learning module 310 based on the channel obtained from the training module 300 (or the data set 302), the transmission signal, and/or the mask corresponding to the training signal.
  • An error (or loss) of a channel (predicted channel) and a reconstructed signal (predicted symbol) 600 may be detected.
  • the loss function 320 is based on a channel obtained from the training module 300 (or data set 302 ), a mask corresponding to the training signal, and a channel of the training signal detected in the deep learning module 310 .
  • the average of the error between the channel obtained from the training module 300 (or the data set 302 ) and the channel of the training signal detected by the deep learning module 310 may be detected ( 620 ).
  • the average channel error may include an average value of the channel error detected for a specified time.
  • the loss function 320 is based on a transmitted signal obtained from the training module 300 (or data set 302 ), a mask corresponding to the training signal, and a reconstructed signal detected by the deep learning module 310 .
  • the average of the restoration error of the transmitted signal obtained from the training module 300 (or the data set 302) and the signal detected by the deep learning module 310 may be detected (630).
  • the average of the restoration error of the signal may include an average value of the error of the restored signal (or data) detected for a specified time.
  • the loss function 320 is a mask and a deep learning module 310 corresponding to the channel, the transmission signal, and the training signal obtained from the training module 300 (or the data set 302).
  • a noise attenuation error may be detected based on the channel of the detected training signal and the reconstructed signal ( 640 ).
  • the noise attenuation error may be used to resolve a learning imbalance generated between a channel estimation error and a signal restoration error.
  • the loss function 320 is based on the error (or loss) 620, 630 and 640 of the channel and the restored (or demodulated) signal estimated in the deep learning module 310,
  • a weight (or learning weight) for reducing the learning error of 310 may be updated ( 650 ).
  • the updated weight may be calculated by applying the differential value of the error (or loss) 620, 630 and 640 of the channel estimated by the deep learning module 310 and the restored (or demodulated) signal to the previous weight. have.
  • the electronic device eg, the electronic device 101 of FIG. 1 or the receiving device 210 of FIG. 2
  • the electronic device includes at least one antenna (eg, the antenna module 197 of FIG. 1 ), and the and a channel estimation and equalization module (eg, the processor 120 of FIG. 1 or the channel measurement and equalization module 217 of FIG. 2 ) for processing a received signal received through at least one antenna, wherein the channel estimation and equalization module is included.
  • the module identifies the received signal received through the at least one antenna and a reference signal related to the received signal, and through deep learning based on the received signal and the reference signal, the received signal and the characteristics of the reference signal may be extracted, a channel of the received signal may be estimated based on the extracted feature, and a signal corresponding to the received signal may be reconstructed.
  • the channel estimation and equalization module generates a plurality of training signals of different sizes when transmitting and/or receiving a signal through the at least one antenna is not performed, and the plurality of training signals are generated. Deep learning is performed based on signals and pilot signals corresponding to the training signals, an error of the deep learning is detected through a result of the deep learning, and the channel estimation is performed based on the error of the deep learning And it is possible to update the weight of deep learning for signal restoration.
  • the channel estimation and equalization module converts the training signals of different sizes to correspond to a reference size, and converts the training signals to the reference size and pilot signals corresponding to the training signals. Based on this, deep learning can be performed.
  • the channel estimation and equalization module includes a plurality of training signals, pilot signals corresponding to the training signals, and a channel estimation error, a signal restoration error, and a noise attenuation error based on the deep learning performance result. can be detected.
  • the channel estimation and equalization module may update the deep learning weight for the channel estimation and signal restoration based on the channel estimation error, the signal restoration error, and the noise attenuation error.
  • the channel estimation and equalization module may include a neural network for the channel estimation and signal restoration.
  • the neural network includes a first transform module (eg, the first transform module 500 of FIG. 5 ) that down-samples the size of the received signal based on the size of the pilot signal and the down-sampled
  • a combining module for merging the received signal and the pilot signal into one signal eg, the combining module 502 of FIG. 5) and a feature extraction module for extracting features of the merged signal (eg, the feature extraction module of FIG. 5) 510)
  • a second conversion module eg, the second conversion module 520 of FIG.
  • a channel estimation module eg, the channel estimation module 530 of FIG. 5
  • a channel equalization module eg, the channel equalization module 540 of FIG. 5
  • the feature extraction module includes a depthwise separable convolution (eg, DSConv2D), a residual channel attention block (RCAB), a layer attention block (LAM), or a channel spatial attention block (CSAM).
  • DSConv2D depthwise separable convolution
  • RCAB residual channel attention block
  • LAM layer attention block
  • CCM channel spatial attention block
  • the first conversion module may down-sample the size of the received signal based on the size of the pilot signal through pixel shuffle.
  • the second conversion module may up-sample the output signal of the feature output module to the size of the received signal through pixel shuffling.
  • each operation may be sequentially performed, but is not necessarily performed sequentially.
  • the order of each operation may be changed, and at least two operations may be performed in parallel.
  • the electronic device of FIG. 7 may be the electronic device 101 of FIG. 1 or the receiving device 210 of FIG. 2 .
  • the electronic device eg, the processor 120 of FIG. 1 and/or the channel estimation and equalization module 217 of FIG. 2 ) relates to a received signal and a received signal.
  • the received signal may include a signal received from an external electronic device (eg, the transmitting device 200 ) through at least one antenna or a training signal generated by the training module 300 .
  • the pilot signal includes a pilot signal included in a signal received from an external electronic device (eg, the transmitting device 200 ) through at least one antenna or a pilot signal corresponding to a training signal generated by the training module 300 .
  • the electronic device eg, the processor 120 of FIG. 1 and/or the channel estimation and equalization module 217 of FIG. 2
  • the characteristics of the received signal and/or the pilot signal may be extracted.
  • the channel estimation and equalization module 217 may downsample the received signal to correspond to the magnitude of the pilot signal through the first transform module 500 .
  • the channel estimation and equalization module 217 may combine the downsampled received signal and the pilot signal into one signal through the combining module 502 .
  • the channel estimation and equalization module 217 may extract a feature from a signal (eg, a combined signal of a received signal and a pilot signal) provided from the combining module 502 through the feature extraction module 510 .
  • the feature extraction module 510 may perform a signal (eg, a received signal and a pilot signal) provided from the combining module 502 through at least one of depth separation convolution (eg, DSConv2D), RCAB, LAM, or CSAM. of the combined signal) can be extracted.
  • depth separation convolution eg, DSConv2D
  • RCAB RCAB
  • LAM LAM
  • CSAM CSAM.
  • the electronic device eg, the processor 120 of FIG. 1 and/or the channel estimation and equalization module 217 of FIG. 2 ) performs the received signal and/or pilot extracted through deep learning in operation 705 . It is possible to estimate the channel of the received signal based on the characteristics of the signal and to restore the transmission signal corresponding to the received signal.
  • the channel estimation and equalization module 217 may upsample the output signal of the feature extraction module 510 through the second transformation module 520 .
  • the channel estimation and equalization module 217 receives the received signal 331 and the pilot detected by the feature extraction module 510 provided from the second transform module 520 through the channel estimation module 530 .
  • the channel estimation and equalization module 217 receives the received signal 331 and the pilot detected by the feature extraction module 510 provided from the second transform module 520 through the channel equalization module 540 . Based on the characteristics of the signal 332 , a transmission signal corresponding to the reception signal 331 may be restored.
  • each operation may be sequentially performed, but is not necessarily performed sequentially.
  • the order of each operation may be changed, and at least two operations may be performed in parallel.
  • the electronic device of FIG. 7 may be the electronic device 101 of FIG. 1 or the receiving device 210 of FIG. 2 .
  • the electronic device eg, the processor 120 of FIG. 1 and/or the channel estimation and equalization module 217 of FIG. 2 ) performs learning in the deep learning module 310 . If it is determined that, in operation 801 , a channel estimation error of the deep learning module 310 may be detected.
  • the loss function 320 of the channel estimation and equalization module 217 is a channel obtained from the training module 300 (or data set 302), a mask corresponding to the training signal, and a deep learning module ( Based on the channel of the training signal detected in 310), the average of the error of the channel obtained from the training module 300 (or the data set 302) and the channel of the training signal detected by the deep learning module 310 can be detected. may (620).
  • the average channel error may include an average value of the channel error detected for a specified time.
  • the electronic device receives a signal (or data) can be detected.
  • the loss function 320 of the channel estimation and equalization module 217 is a transmission signal obtained from the training module 300 (or data set 302 ), a mask corresponding to the training signal, and a deep learning module. Based on the reconstructed signal detected in 310, the average of the reconstruction error of the transmitted signal obtained from the training module 300 (or the data set 302) and the signal detected by the deep learning module 310 can be detected There is (630).
  • the average of the restoration error of the signal may include an average value of the error of the restored signal (or data) detected for a specified time.
  • the electronic device detects a noise attenuation error of the deep learning module 310 in operation 805 . can do.
  • the channel estimation and equalization module 217 may intensively perform learning to reduce the signal restoration error because the signal restoration error is relatively larger than the channel estimation error. Accordingly, the loss function 320 of the channel estimation and equalization module 217 may apply the noise attenuation error to resolve the learning imbalance between the channel estimation error and the signal restoration error.
  • the loss function 320 intensively performs learning to reduce the signal restoration error
  • the channel estimation error and the signal based on the noise attenuation error may be controlled to perform the learning of the restoration error in a balanced manner.
  • the loss function 320 is a channel obtained from the training module 300 (or the data set 302), a transmission signal, and a mask corresponding to the training signal and a training signal detected in the deep learning module 310.
  • a noise attenuation error may be detected based on the channel and the reconstructed signal ( 640 ).
  • the electronic device restores the channel estimation error of the deep learning module 310
  • a weight of the deep learning module 310 may be generated and/or updated based on a restoration error and/or a noise attenuation error of the (or demodulated) signal.
  • the weight of the deep learning module 310 is the differential of the channel estimation error of the channel estimated by the deep learning module 310 to the previous weight, the signal restoration error of the restored (or demodulated) signal, and/or the noise attenuation error It can be calculated by applying a value
  • a method of operating an electronic device includes at least one antenna (eg, the antenna module 197 of FIG. 1 ) Through the operation of identifying the received signal received through and a reference signal related to the received signal, and through deep learning based on the received signal and the reference signal, extracting the features of the received signal and the reference signal, and the extraction
  • the method may include estimating a channel of the received signal based on the obtained characteristic and reconstructing a signal corresponding to the received signal.
  • the operation of generating a plurality of training signals of different sizes and the plurality of training signals and the training signals An operation of performing deep learning based on pilot signals corresponding to an operation of performing deep learning, an operation of detecting the error of the deep learning through the execution result of the deep learning, and the channel estimation and signal restoration based on the error of the deep learning It may further include an operation of updating the weights of deep learning for
  • the operation of performing the deep learning includes converting the training signals of different sizes to correspond to a reference size, and training signals converted to the reference size and corresponding to the training signals. It may include performing deep learning based on the pilot signals.
  • the detecting of the error may include channel estimation error, signal restoration error, and noise attenuation based on the plurality of training signals, pilot signals corresponding to the training signals, and a result of performing deep learning. It may include an operation of detecting an error.
  • updating the weights may include updating the weights of deep learning for channel estimation and signal restoration based on the channel estimation error, the signal restoration error, and the noise attenuation error.
  • the deep learning may be performed through a neural network.
  • the restoring of the signal includes downsampling the size of the received signal based on the size of the pilot signal and merging the downsampled received signal and the pilot signal into one signal. an operation of extracting a characteristic of the merged signal, an operation of upsampling the merged signal to a magnitude of the received signal, and an operation of estimating a channel of the received signal based on the characteristics of the up-sampled signal, and and reconstructing a signal corresponding to the received signal based on the characteristics of the up-sampled signal.
  • the extracting of the feature may include a depthwise separable convolution (eg, DSConv2D), a residual channel attention block (RCAB), a layer attention block (LAM), or a channel spatial attention (CSAM). block) through at least one of, extracting a feature of the merged signal.
  • a depthwise separable convolution eg, DSConv2D
  • RCAB residual channel attention block
  • LAM layer attention block
  • CAM channel spatial attention
  • the downsampling may include downsampling the size of the received signal based on the size of the pilot signal through pixel shuffle.
  • the upsampling may include upsampling the output signal of the feature output module to the size of the received signal through pixel shuffling.

Landscapes

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

Abstract

본 발명의 다양한 실시예는 무선 통신 시스템에서 무선 신호를 처리하기 위한 장치 및 방법에 관한 것이다. 전자 장치는, 적어도 하나의 안테나, 및 상기 적어도 하나의 안테나를 통해 수신한 수신 신호를 처리하는 채널 추정 및 등화 모듈을 포함하며, 상기 채널 추정 및 등화 모듈은, 상기 적어도 하나의 안테나를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하고, 상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원할 수 있다. 다른 실시예들도 가능할 수 있다.

Description

무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법
본 발명의 다양한 실시예는 무선 통신 시스템의 전자 장치에서 무선 신호를 처리하기 위한 장치 및 방법에 관한 것이다.
무선 통신 시스템은 전자 장치(또는 사용자)의 활동성을 보장하면서 무선 통신을 제공할 수 있다. 예를 들어, 무선 통신 시스템의 송신 장치 및 수신 장치는 무선 채널을 통해 신호(또는 데이터)를 송신 및/또는 수신할 수 있다.
무선 통신 환경에서는 무선 채널의 상태가 불규칙하게 변할 수 있다. 이에 따라, 수신 장치는 무선 채널을 통하여 수신된 신호의 왜곡 정도를 판단하기 위하여 채널 추정을 수행할 수 있으며, 추정된 채널 값에 기반하여 수신된 신호로부터 송신 장치가 전송한 신호(또는 데이터)를 복호(decoding) 할 수 있다.
무선 통신 시스템의 수신 장치는 채널 추정 값에 기반하여 수신 신호로부터 송신 장치가 전송한 신호(또는 데이터)를 복호 함으로, 채널 추정 동작 및 신호를 복호하는 동작을 순차적으로 수행할 수 있다. 이에 따라, 수신 장치는 채널의 추정을 실패하는 경우, 송신 장치에서 전송된 신호(또는 데이터)의 복호가 제한될 수 있다.
본 발명의 다양한 실시예는 무선 통신 시스템의 전자 장치에서 무선 신호를 처리하기 위한 장치 및 방법에 대해 개시한다.
다양한 실시예에 따르면, 전자 장치는, 적어도 하나의 안테나, 및 상기 적어도 하나의 안테나를 통해 수신한 수신 신호를 처리하는 채널 추정 및 등화 모듈을 포함하며, 상기 채널 추정 및 등화 모듈은, 상기 적어도 하나의 안테나를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하고, 상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원할 수 있다.
다양한 실시예에 따르면, 전자 장치의 동작 방법은, 적어도 하나의 안테나를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하는 동작, 및 상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원하는 동작을 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 무선 통신 시스템의 전자 장치에서 수신신호를 딥러닝 모델에 적용하여 채널 추정 및 신호 복호를 수행함으로써, 다양한 무선 환경에 적응적으로 신호를 복호할 수 있다.
도 1은 다양한 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예에 따른 무선 통신 시스템의 블록도이다.
도 3은 다양한 실시예에 따른 전자 장치에서 채널 추정 및 등화 모듈의 블록도이다.
도 4는 다양한 실시예에 따른 훈련 모듈의 블록도이다.
도 5는 다양한 실시예에 따른 딥 러닝 모듈의 블록도이다.
도 6은 다양한 실시예에 따른 손실 함수의 블록도이다.
도 7은 다양한 실시예에 따른 전자 장치에서 채널 추정 및 등화를 위한 흐름도이다.
도 8은 다양한 실시예에 따른 전자 장치에서 손실 함수를 적용하기 위한 흐름도이다.
이하 다양한 실시예들이 첨부된 도면을 참고하여 상세히 설명된다.
도 1은, 다양한 실시예에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는 HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)는 HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은 PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, Wi-Fi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저 지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 처리율 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다. 다양한 실시예에 따르면, 가입자 식별 모듈(196)은 복수의 가입자 식별 모듈을 포함할 수 있다. 예를 들어, 복수의 가입자 식별 모듈은 서로 다른 가입자 정보를 저장할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 고주파(예: mmWave) 안테나 모듈을 형성할 수 있다. 일 실시예에 따르면, 고주파(예: mmWave) 안테나 모듈은 인쇄 회로 기판, 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 인쇄 회로 기판의 제 2 면(예: 윗면 또는 측면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 예를 들어, 복수의 안테나들은 패치(patch) 어레이 안테나 및/또는 다이폴(dipole) 어레이 안테나를 포함할 수 있다.
구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104) 간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 기능 또는 서비스의 적어도 일부를 수행하라는 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 적어도 일부를 수행하라는 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 실행의 결과를, 그대로 또는 추가적으로 처리하여, 적어도 일부를 수행하라는 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 어떤 구성요소가 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 일체로 구성된 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예는 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 저장 매체로부터 저장된 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예에 따르면, 상술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 2는 다양한 실시예에 따른 무선 통신 시스템의 블록도이다.
도 2를 참조하는 다양한 실시예에 따르면, 무선 통신 시스템은 신호는 전송하는 송신 장치(200) 및 신호를 수신하는 수신 장치(210)를 포함할 수 있다. 일 실시예에 따르면, 송신 장치(200)는 무선 자원을 통해 신호 및/또는 데이터를 전송하는 기지국 또는 단말 장치를 포함할 수 있다. 수신 장치(210)는 무선 자원을 통해 송신 장치(200)로부터 신호 및/또는 데이터를 수신하는 단말 장치 또는 기지국을 포함할 수 있다. 일예로, 수신 장치(210)는 도 1의 전자 장치(101)를 포함할 수 있다.
다양한 실시예에 따르면, 송신 장치(200)는 채널 코딩 및 변조 모듈(201), S/P 변환 모듈(serial to parallel convertor)(203), 역고속 퓨리에 변환 모듈(IFFT: inverse fast fourier transform)(205), P/S 변환 모듈(parallel to serial convertor)(207) 및 CP 추가 모듈(cyclic prefix insertion)(209)를 포함할 수 있다.
다양한 실시예에 따르면, 채널 코딩 및 변조 모듈(201)은 수신 장치(210)로 전송하기 위한 신호(또는 데이터)를 지정된 채널 코딩 기법에 기반하여 부호화할 수 있다. 채널 코딩 및 변조 모듈(201)은 부호화된 신호(또는 데이터)를 지정된 변조 방식(예: QPSK(quadrature phase shift keying) 또는 QAM(quadrature amplitude modulation))에 기반하여 변조하여 변조 심볼들을 생성할 수 있다. 일예로, 수신 장치(210)로 전송하기 위한 신호(또는 데이터)는 지정된 위치에 삽입된 적어도 하나의 기준 신호(예: 파일럿 신호)를 포함할 수 있다.
다양한 실시예에 따르면, S/P 변환 모듈(203)은 채널 코딩 및 변조 모듈(201)에서 변조된 직렬 심볼들을 병렬 데이터로 변환(예: 역다중화)하여 N개의 병렬 심볼 스트림을 생성할 수 있다. 일예로, N은 역고속 퓨리에 변환 모듈(205)의 크기에 대응될 수 있다.
다양한 실시예에 따르면, 역고속 퓨리에 변환 모듈(205)은 S/P 변환 모듈(203)에 의해 변환된 N개의 병렬 심볼 스트림에 대해 역고속 퓨리에 연산을 수행하여 시간영역의 신호를 생성할 수 있다.
다양한 실시예에 따르면, P/S 변환 모듈(207)은 역고속 퓨리에 변환 모듈(205)에서 출력된 시간 영역 출력 심볼을 변환(예: 다중화)하여 직렬의 시간영역 신호를 생성할 수 있다.
다양한 실시예에 따르면, CP 추가 모듈(209)은 P/S 변환 모듈(207)로부터 제공받은 시간 영역의 신호에 CP(cyclic prefix)를 삽입할 수 있다. 일 실시예에 따르면, CP 추가 모듈(209)은 P/S 변환 모듈(207)로부터 제공받은 시간 영역의 신호의 마지막 부분의 적어도 일부를 복사하여 시간 영역의 신호의 앞 부분에 추가할 수 있다.
다양한 실시예에 따르면, 송신 장치(200)는 CP 추가 모듈(209)에서 CP가 삽입된 신호(또는 데이터)를 무선 채널을 통해 송신하기 위한 RF(radio frequency) 신호로 상향 변환할 수 있다. 송신 장치(200)는 RF 신호를 적어도 하나의 안테나를 통해 외부로 출력할 수 있다.
다양한 실시예에 따르면, 수신 장치(210)(예: 도 1의 전자 장치(101))는 CP 제거 모듈(211), S/P 변환 모듈(213), 고속 퓨리에 변환 모듈(FFT: fast fourier transform)(215), 채널 추정 및 등화 모듈(217) 및 P/S 변환 모듈(219)을 포함할 수 있다. 일 실시예에 따르면, CP 제거 모듈(211), S/P 변환 모듈(213), 고속 퓨리에 변환 모듈(FFT)(215), 채널 추정 및 등화 모듈(217) 및 P/S 변환 모듈(219)은 도 1의 무선 통신 모듈(192)과 실질적으로 동일하거나, 무선 통신 모듈(192)에 포함될 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 통신 프로세서(CP: communication processor)과 실질적으로 동일하거나, 통신 프로세서에 포함될 수 있다.
다양한 실시예에 따르면, 수신 장치(210)는 적어도 하나의 안테나를 통해 수신한 RF 신호를 하향 변환하여 기저대역 신호를 생성할 수 있다.
다양한 실시예에 따르면, CP 제거 모듈(211)은 기저대역 신호에서 CP를 제거하여 직렬의 시간 영역 신호를 생성할 수 있다.
다양한 실시예에 따르면, S/P 변환 모듈(213)은 CP 제거 모듈(211)에서 생성된 직렬의 시간 영역 신호를 병렬 데이터로 변환(예: 역다중화)하여 N개의 병렬 심볼 스트림을 생성할 수 있다.
다양한 실시예에 따르면, 고속 퓨리에 변환 모듈(215)은 P/S 변환 모듈(213)에 의해 변환된 N개의 병렬 심볼 스트림에 대해 고속 퓨리에 연산을 수행하여 주파수 영역의 신호를 생성할 수 있다.
다양한 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 고속 퓨리에 변환 모듈(215)에서 생성된 주파수 영역의 신호에 기반한 딥러닝을 통해, 수신 신호의 채널 정보를 획득하고, 신호를 복원할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 수신 신호 및 수신 신호에 포함된 파일럿 신호를 입력으로 하는 신경망(neural network)(예: CNN(convolution neural network))을 통해, 수신 신호의 채널 정보 및 수신 신호에 대응하는 송신 신호를 복원할 수 있다.
다양한 실시예에 따르면, P/S 변환 모듈(219)은 채널 추정 및 등화 모듈(217)에서 복원된 신호를 변환(예: 다중화)하여 직렬의 주파수 영역 신호를 생성할 수 있다.
도 3은 다양한 실시예에 따른 전자 장치에서 채널 추정 및 등화 모듈(217)의 블록도이다.
도 3을 참조하는 다양한 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 훈련 모듈(training scheme)(300), 딥러닝 모듈(310) 및 손실 함수(loss function)(320)(또는 손실 관리 모듈)를 포함할 수 있다.
다양한 실시예에 따르면, 훈련 모듈(300)은 전자 장치(101)(예: 도 2의 수신 장치(210))가 외부 전자 장치(예: 도 2의 송신 장치(200))와 통신을 수행하지 않는 상태에서 딥러닝 모듈(310)의 학습을 위한 훈련 신호(예: 수신 신호(331)) 및/또는 파일럿 신호(332)를 제공할 수 있다. 일 실시예에 따르면, 훈련 모듈(300)은 데이터 셋(data set)(302)에 저장된 신호를 토대로 다양한 크기(예: 서로 다른 크기)의 훈련 신호들을 생성할 수 있다. 훈련 모듈(300)은 딥러닝 모듈(310)의 학습 오차를 줄이기 위해 다양한 크기의 훈련 신호들을 동일한 크기로 변환하여 딥러닝 모듈(310)로 제공할 수 있다. 예를 들어, 훈련 모듈(300)은 제로 패딩(zero padding) 기법을 통해 다양한 크기의 훈련 신호들을 동일한 크기로 변환할 수 있다. 일예로, 제로 패딩 기법은 다양한 크기의 훈련 신호들의 크기가 기준 크기가 되도록 각각의 훈련 신호에 기준 값(예: ‘0’)으로 채우는 일련의 동작을 포함할 수 있다. 일예로, 훈련 신호에서 기준 값으로 채워진 부분을 마스크(mask)라 칭할 수 있다. 일예로, 기준 크기는 무선 통신 시스템에 정의된 자원 블록(RB: resource block)의 크기 또는 훈련 신호들 중 가장 큰 훈련 신호의 크기를 포함할 수 있다.
다양한 실시예에 따르면, 딥러닝 모듈(310)은 전자 장치(101) (예: 도 2의 수신 장치(210))가 외부 전자 장치(예: 도 2의 송신 장치(200))와의 통신을 수행하지 않는 상태에서 훈련 모듈(300)로부터 제공받은 훈련 신호(예: 수신 신호(received signal)(331)) 및/또는 파일럿 신호(pilot signal)(332)에 기반하여 학습을 수행할 수 있다. 일예로, 딥러닝 모듈(310)은 신경망 아키텍쳐로 구성될 수 있다. 일예로, 딥러닝 모듈(310)은 전자 장치(101)의 사용이 상대적으로 적은 시간(예: 사용자의 수면 시간)에 학습을 수행할 수 있다. 일 실시예에 따르면, 딥러닝 모듈(310)은 특징 추출 모듈(feature extractor)을 통해, 훈련 신호(예: 수신 신호(331)) 및/또는 파일럿 신호(332)의 특징을 추출할 수 있다. 딥러닝 모듈(310)은 특징 추출 모듈을 통해 추출된 훈련 신호의 특징을 토대로, 훈련 신호의 채널(또는 추정된 채널(estimated channel))(336) 및 훈련 신호에 대응하는 복원된 신호(recovered signal)(또는 송신 신호)(337)를 검출할 수 있다. 일예로, 파일럿 신호(332)는 전자 장치(101)(예: 도 2의 수신 장치(210))와 외부 전자 장치(예: 도 2의 송신 장치(200)) 사이의 채널을 추정할 수 있도록 전자 장치(101)(예: 도 2의 수신 장치(210))와 외부 전자 장치(예: 도 2의 송신 장치(200)) 사이에 기 정의된 기준 신호를 포함할 수 있다.
다양한 실시예에 따르면, 손실 함수(320)는 딥러닝 모듈(310)에 의해 검출된 훈련 신호의 채널(336) 및 복원 신호(337)의 오차를 검출할 수 있다. 일 실시예에 따르면, 손실 함수(320)는 전자 장치(101) (예: 도 2의 수신 장치(210))가 외부 전자 장치(예: 도 2의 송신 장치(200))와의 통신을 수행하지 않는 상태에서 딥러닝 모듈(310)의 학습에 의한 출력 신호의 오차를 검출할 수 있다. 일 실시예에 따르면, 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 딥러닝 모듈(310)로 제공된 훈련 신호에 대응하는 채널(channel)(333), 송신 신호(transmitted signal)(334) 및/또는 훈련 신호에 대응하는 마스크(335)와 관련된 정보를 획득할 수 있다. 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널(333), 송신 신호(334) 및/또는 훈련 신호에 대응하는 마스크(335)에 기반하여 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널(336) 및 복원 신호(337)의 오차(예: 채널 추정 오차, 신호 복원 오차 및/또는 잡음 감쇠 오차)를 검출할 수 있다. 일 실시예에 따르면, 손실 함수(320)는 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널(336) 및 복원 신호(337)의 오차에 기반하여 딥러닝 모듈(310)의 가중치(또는 학습 가중치)를 갱신할 수 있다(341).
다양한 실시예에 따르면, 딥러닝 모듈(310)은 전자 장치(101) (예: 도 2의 수신 장치(210))가 외부 전자 장치(예: 도 2의 송신 장치(200))와의 통신을 수행하는 경우, 훈련 신호에 의해 학습된 신경망을 통해, 외부 전자 장치(예: 도 2의 송신 장치(200))로부터 수신한 신호의 채널(336) 및 복원된 신호(337)를 검출할 수 있다. 일 실시예에 따르면, 딥러닝 모듈(310)은 특징 추출 모듈(feature extractor)을 통해, 외부 전자 장치(예: 도 2의 송신 장치(200))로부터 수신한 수신 신호(331) 및/또는 수신 신호(331)에 포함된 파일럿 신호(332)의 특징을 추출할 수 있다. 딥러닝 모듈(310)은 특징 추출 모듈을 통해 추출된 수신 신호(331) 및/또는 파일럿 신호(332)의 특징을 토대로, 수신 신호(331)의 채널(336) 및 복원된 신호(337)를 검출할 수 있다.
도 4는 다양한 실시예에 따른 훈련 모듈(300)의 블록도이다.
도 4를 참조하는 다양한 실시예에 따르면, 채널 추정 및 등화 모듈(217)의 훈련 모듈(300)은 딥러닝 모듈(310)의 학습을 위한 다양한 형태(또는 크기)의 훈련 신호들을 생성할 수 있다. 일 실시예에 따르면, 훈련 모듈(300)은 데이터 셋(data set)(302)에 저장된 신호들(400)을 임의의 크기로 잘라(random crop) 다양한 크기의 훈련 신호들(410)을 생성할 수 있다.
다양한 실시예에 따르면, 훈련 모듈(300)은 다양한 크기의 훈련 신호들(410)을 동일한 크기로 변환할 수 있다. 일 실시예에 따르면, 훈련 모듈(300)은 임의의 크기로 잘라내어 생성된 다양한 크기의 훈련 신호들(410)을 취합할 수 있다(420). 훈련 모듈(300)은 딥러닝 모듈(310)의 학습 오차를 줄이기 위해 다양한 크기의 훈련 신호들을 동일한 크기로 변환할 수 있다(430). 예를 들어, 훈련 모듈(300)은 확률적 경사 하강법(stochastic gradient descent)을 사용하는 딥러닝 모듈(310)에 의해 딥러닝 모듈(310)로 입력되는 훈련 신호의 크기를 동일하게 변환할 수 있다(430). 예를 들어, 훈련 모듈(300)은 제로 패딩(zero padding) 기법을 통해 훈련 신호들이 기준 크기에 대응하도록 각각의 훈련 신호에 기준 값(예: ‘0’)을 추가할 수 있다. 일예로, 훈련 신호에서 기준 값으로 채워진 부분을 마스크(mask)라 칭할 수 있다. 일예로, 확률적 경사 하강법은 딥러닝 모듈(310)로 입력된 전체 신호(또는 전체 데이터) 중 적어도 일부를 포함하는 배치(batch) 별로 피드 포워드(feed forward)하여 오차를 줄이는 신경망의 학습 방법을 포함할 수 있다.
다양한 실시예에 따르면, 훈련 모듈(300)은 동일한 크기로 변환된 훈련 신호들(331) 및 파일럿 신호(332)를 딥러닝 모듈(310)로 제공할 수 있다.
다양한 실시예에 따르면, 훈련 모듈(300)은 훈련 신호들(331)에 대응하는 채널(333), 송신 신호(334) 및/또는 훈련 신호에 대응하는 마스크(335)와 관련된 정보를 손실 함수(320)로 제공할 수 있다.
도 5는 다양한 실시예에 따른 딥러닝 모듈(310)의 블록도이다.
도 5를 참조하는 다양한 실시예에 따르면, 딥 러닝 모듈(310)은 제 1 변환 모듈(500), 결합 모듈(502), 특징 추출 모듈(510), 제 2 변환 모듈(520), 채널 추정 모듈(530) 및/또는 채널 등화 모듈(540)을 포함할 수 있다. 일예로, 딥러닝 모듈(310)은 신경망 아키텍쳐(예: CNN(convolution neural network))로 구성될 수 있다.
다양한 실시예에 따르면, 제 1 변환 모듈(500)은 딥러닝 모듈(310)의 입력 신호를 다운샘플링(down-sample)할 수 있다. 일 실시예에 따르면, 제 1 변환 모듈(500)은 파일럿 신호(332)의 크기에 대응하도록 수신 신호(331)의 크기를 줄일 수 있다. 예를 들어, 수신 신호(331)의 크기는 픽셀 셔플(pixel shuffle)을 통해, 파일럿 신호(332)의 크기에 대응하도록 다운 샘플링될 수 있다. 일예로, 수신 신호(331)는 3차원 공간에서 1×72×14의 크기인 경우, 1×36×2의 파일럿 신호(332)의 크기에 기반하여 14×36×2의 크기로 다운 샘플링될 수 있다.
다양한 실시예에 따르면, 결합 모듈(502)은 제 1 변환 모듈(500)에서 다운 샘플링된 수신 신호와 파일럿 신호(332)를 하나의 신호로 병합할 수 있다. 일예로, 결합 모듈(502)은 제 1 변환 모듈(500)에서 다운 샘플링된 수신 신호와 파일럿 신호(332)에 대한 합(sun), 연결(concatenate) 또는 컨볼루션(convolution) 중 적어도 하나를 적용하여 하나의 신호를 생성할 수 있다. 일예로, 수신 신호(331)는 적어도 하나의 안테나를 통해 외부 전자 장치(예: 송신 장치(200))로부터 수신한 신호 또는 훈련 모듈(300)에서 생성된 훈련 신호를 포함할 수 있다. 일예로, 파일럿 신호(332)는 적어도 하나의 안테나를 통해 외부 전자 장치(예: 송신 장치(200))로부터 수신한 신호에 포함된 파일럿 신호 또는 훈련 모듈(300)에서 생성된 훈련 신호에 대응하는 파일럿 신호를 포함할 수 있다.
다양한 실시예에 따르면, 특징 추출 모듈(510)은 결합 모듈(502)로부터 제공받은 신호에서 특징을 추출할 수 있다. 예를 들어, 특징 추출 모듈(510)은 깊이별 분리 컨볼루션(depthwise separable convolution)(예: DSConv2D), RCAB(residual channel attention block), LAM(layer attention block) 또는 CSAM(channel spatial attention block) 중 적어도 하나를 포함할 수 있다. 일예로, 깊이별 분리 컨볼루션은 기본 컨볼루션 대비 파라미터의 수를 줄일 수 있다. 일예로, RCAB는 학습을 통해, 깊이별 분리 컨볼루션을 통해 제공받은 3차원의 채널(c: channel), 높이(h: height) 및 너버(w: width)의 크기를 갖는 값들에서 중요 채널 정보를 검출할 수 있다. 일예로, CSAM은 3차원의 채널(c), 높이(h) 및 너버(w)의 크기를 갖는 값들에서 임의의 값과 3차원 상의 다른 값들과의 관계를 검출할 수 있다. 일예로, LAM은 3차원의 채널(c), 높이(h) 및 너버(w)의 크기를 갖는 값들에서 높이와 너비의 관련성과 관련된 정보를 검출할 수 있다.
다양한 실시예에 따르면, 제 2 변환 모듈(520)은 특징 추출 모듈(510)의 출력신호를 업샘플링(upsample)할 수 있다. 일 실시예에 따르면, 제 2 변환 모듈(520)은 픽셀 셔플(pixel shuffle)을 통해, 특징 추출 모듈(510)의 출력 신호의 크기를 제 1 변환 모듈(500)에서 다운 샘플링되기 이전 크기로 복원할 수 있다.
다양한 실시예에 따르면, 채널 추정 모듈(530)은 제 2 변환 모듈(520)를 통해 제공받은 특징 추출 모듈(510)에서 검출된 수신 신호(331) 및 파일럿 신호(332)의 특징을 토대로, 수신 신호(331)의 채널을 추정할 수 있다.
다양한 실시예에 따르면, 채널 등화 모듈(540)은 제 2 변환 모듈(520)을 통해 제공받은 특징 추출 모듈(510)에서 검출된 수신 신호(331) 및 파일럿 신호(332)의 특징을 토대로, 수신 신호(331)에 대응하는 송신 신호를 복원할 수 있다.
도 6은 다양한 실시예에 따른 손실 함수(320)의 블록도이다.
도 6을 참조하는 다양한 실시예에 따르면, 손실 함수(320)는 딥러닝 모듈(310)에서 추정된 채널 및 복원(또는 복조)된 신호의 손실(또는 오차)을 추정할 수 있다. 일 실시예에 따르면, 손실 함수(320)는 딥러닝 모듈(310)에서 학습을 수행하는 경우, 훈련 모듈(300)(또는 데이터 셋(302))로부터 딥러닝 모듈(310)로 제공된 훈련 신호에 대응하는 채널(target channel), 송신 신호(predicted symbol) 및/또는 훈련 신호에 대응하는 마스크(mask)와 관련된 정보(610)를 획득할 수 있다. 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널, 송신 신호 및/또는 훈련 신호에 대응하는 마스크에 기반하여 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널(predicted channel) 및 복원된 신호(predicted symbol)(600)의 오차(또는 손실)를 검출할 수 있다. 예를 들어, 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널, 훈련 신호에 대응하는 마스크 및 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널에 기반하여 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널과 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널의 오차의 평균을 검출할 수 있다(620). 일예로, 채널의 오차 평균은 지정된 시간동안 검출된 채널 오차의 평균값을 포함할 수 있다. 예를 들어, 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 송신 신호, 훈련 신호에 대응하는 마스크 및 딥러닝 모듈(310)에서 검출된 복원된 신호에 기반하여 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 송신 신호와 딥러닝 모듈(310)에서 검출된 신호의 복원 오차의 평균을 검출할 수 있다(630). 일예로, 신호의 복원 오차 평균은 지정된 시간 동안 검출된 복원된 신호(또는 데이터)의 오차의 평균값을 포함할 수 있다. 예를 들어, 손실 함수(320)는 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널, 송신 신호 및 훈련 신호에 대응하는 마스크와 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널 및 복원된 신호에 기반하여 잡음 감쇠 오차를 검출할 수 있다(640). 일예로, 잡음 감쇠 오차는 채널 추정 오차와 신호의 복원 오차 사이에서 발생되는 학습 불균형을 해소하기 위해 사용될 수 있다.
일 실시예에 따르면, 손실 함수(320)는 딥러닝 모듈(310)에서 추정된 채널 및 복원(또는 복조)된 신호의 오차(또는 손실)(620, 630 및 640)에 기반하여 딥러닝 모듈(310)의 학습 오차를 줄이기 위한 가중치(또는 학습 가중치)를 갱신할 수 있다(650). 일예로, 갱신된 가중치는 이전 가중치에 딥러닝 모듈(310)에서 추정된 채널 및 복원(또는 복조)된 신호의 오차(또는 손실)(620, 630 및 640)의 미분 값을 적용함으로써 산출될 수 있다.
다양한 실시예에 따르면, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 수신 장치(210))는, 적어도 하나의 안테나(예: 도 1의 안테나 모듈(197)), 및 상기 적어도 하나의 안테나를 통해 수신한 수신 신호를 처리하는 채널 추정 및 등화 모듈(예: 도 1의 프로세서(120) 또는 도 2의 채널 측정 및 등화 모듈(217))을 포함하며, 상기 채널 추정 및 등화 모듈은, 상기 적어도 하나의 안테나를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하고, 상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원할 수 있다.
다양한 실시예에 따르면, 상기 채널 추정 및 등화 모듈은, 상기 적어도 하나의 안테나를 통해 신호의 송신 및/또는 수신을 수행하지 않는 경우, 서로 다른 크기의 다수 개의 훈련 신호들을 생성하고, 상기 다수 개의 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하고, 상기 딥러닝의 수행 결과를 통해 상기 딥러닝의 오차를 검출하고, 상기 딥러닝의 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신할 수 있다.
다양한 실시예에 따르면, 상기 채널 추정 및 등화 모듈은, 상기 서로 다른 크기의 훈련 신호들을 기준 크기에 대응하도록 변환하고, 상기 기준 크기로 변환된 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행할 수 있다.
다양한 실시예에 따르면, 상기 채널 추정 및 등화 모듈은, 다수 개의 훈련 신호들, 상기 훈련 신호들에 대응하는 파일럿 신호들 및 상기 딥러닝 수행 결과에 기반하여 채널 추정 오차, 신호 복원 오차 및 잡음 감쇠 오차를 검출할 수 있다.
다양한 실시예에 따르면, 상기 채널 추정 및 등화 모듈은, 상기 채널 추정 오차, 상기 신호 복원 오차 및 상기 잡음 감쇠 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신할 수 있다.
다양한 실시예에 따르면, 상기 채널 추정 및 등화 모듈은, 상기 채널 추정 및 신호 복원을 위한 신경망(neural network)을 포함할 수 있다.
다양한 실시예에 따르면, 상기 신경망은, 상기 파일럿 신호의 크기에 기반하여 상기 수신 신호의 크기를 다운 샘플링하는 제 1 변환모듈(예: 도 5의 제 1 변환 모듈(500))과 상기 다운 샘플링된 수신 신호 및 상기 파일럿 신호를 하나의 신호로 병합하는 결합 모듈(예: 도 5의 결합 모듈(502))과 상기 병합된 신호의 특징을 추출하는 특징 추출 모듈(예: 도 5의 특징 추출 모듈(510))과 상기 특징 출력 모듈의 출력 신호를 상기 수신 신호의 크기로 업 샘플링하는 제 2 변환 모듈(예: 도 5의 제 2 변환 모듈(520))과 상기 제 2 변환 모듈을 통해 제공받은 상기 업 샘플링된 신호의 특징에 기반하여 상기 수신 신호의 채널을 추정하는 채널 추정 모듈(예: 도 5의 채널 추정 모듈(530)), 및 상기 제 2 변환 모듈을 통해 제공받은 상기 업샘플링된 신호의 특징에 기반하여 상기 수신 신호에 대응하는 신호를 복원하는 채널 등화 모듈(예: 도 5의 채널 등화 모듈(540))을 포함할 수 있다.
다양한 실시예에 따르면, 상기 특징 추출 모듈은, 깊이별 분리 컨볼루션(depthwise separable convolution)(예: DSConv2D), RCAB(residual channel attention block), LAM(layer attention block) 또는 CSAM(channel spatial attention block) 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따르면, 상기 제 1 변환 모듈은, 픽셀 셔플(pixel shuffle)을 통해, 상기 파일럿 신호의 크기에 기반하여 상기 수신 신호의 크기를 다운 샘플링할 수 있다.
다양한 실시예에 따르면, 상기 제 2 변환 모듈은, 픽셀 셔플을 통해, 상기 특징 출력 모듈의 출력 신호를 상기 수신 신호의 크기로 업 샘플링할 수 있다.
도 7은 다양한 실시예에 따른 전자 장치에서 채널 추정 및 등화를 위한 흐름도(700)이다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 일 실시예에 따르면, 도 7의 전자 장치는 도 1의 전자 장치(101) 또는 도 2의 수신 장치(210) 일 수 있다.
도 7을 참조하는 다양한 실시예에 따르면, 전자 장치(예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 동작 701에서, 수신 신호 및 수신 신호와 관련된 파일럿 신호를 확인할 수 있다. 일예로, 수신 신호는 적어도 하나의 안테나를 통해 외부 전자 장치(예: 송신 장치(200))로부터 수신한 신호 또는 훈련 모듈(300)에서 생성된 훈련 신호를 포함할 수 있다. 일예로, 파일럿 신호는 적어도 하나의 안테나를 통해 외부 전자 장치(예: 송신 장치(200))로부터 수신한 신호에 포함된 파일럿 신호 또는 훈련 모듈(300)에서 생성된 훈련 신호에 대응하는 파일럿 신호를 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치(예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 동작 703에서, 수신 신호 및/또는 파일럿 신호에 기반한 딥러닝을 통해 수신 신호 및/또는 파일럿 신호의 특징을 추출할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 제 1 변환 모듈(500)을 통해, 수신 신호를 파일럿 신호의 크기에 대응하도록 다운샘플링할 수 있다. 채널 추정 및 등화 모듈(217)은 결합 모듈(502)을 통해, 다운샘플링된 수신 신호와 파일럿 신호를 하나의 신호로 결합할 수 있다. 채널 추정 및 등화 모듈(217)은 특징 추출 모듈(510)을 통해, 결합 모듈(502)로부터 제공받은 신호(예: 수신 신호 및 파일럿 신호의 결합 신호)에서 특징을 추출할 수 있다. 예를 들어, 특징 추출 모듈(510)은 깊이별 분리 컨볼루션(예: DSConv2D), RCAB, LAM 또는 CSAM 중 적어도 하나를 통해, 결합 모듈(502)로부터 제공받은 신호(예: 수신 신호 및 파일럿 신호의 결합 신호)에서 특징을 추출할 수 있다.
다양한 실시예에 따르면, 전자 장치(예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 동작 705에서, 딥러닝을 통해 추출된 수신 신호 및/또는 파일럿 신호의 특징에 기반하여 수신 신호의 채널을 추정하고 수신신호에 대응하는 송신 신호를 복원할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 제 2 변환 모듈(520)을 통해, 특징 추출 모듈(510)의 출력신호를 업샘플링할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 채널 추정 모듈(530)을 통해, 제 2 변환 모듈(520)로부터 제공받은 특징 추출 모듈(510)에서 검출된 수신 신호(331) 및 파일럿 신호(332)의 특징을 토대로, 수신 신호(331)의 채널을 추정할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 채널 등화 모듈(540)을 통해, 제 2 변환 모듈(520)로부터 제공받은 특징 추출 모듈(510)에서 검출된 수신 신호(331) 및 파일럿 신호(332)의 특징을 토대로, 수신 신호(331)에 대응하는 송신 신호를 복원할 수 있다.
도 8은 다양한 실시예에 따른 전자 장치에서 손실 함수를 적용하기 위한 흐름도이다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 일 실시예에 따르면, 도 7의 전자 장치는 도 1의 전자 장치(101) 또는 도 2의 수신 장치(210) 일 수 있다.
도 8을 참조하는 다양한 실시예에 따르면, 전자 장치 (예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 딥러닝 모듈(310)에서 학습을 수행하는 것으로 판단한 경우, 동작 801에서, 딥러닝 모듈(310)의 채널 추정 오차를 검출할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)의 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널, 훈련 신호에 대응하는 마스크 및 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널에 기반하여 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널과 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널의 오차의 평균을 검출할 수 있다(620). 일예로, 채널의 오차 평균은 지정된 시간동안 검출된 채널 오차의 평균 값을 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치 (예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 동작 803에서, 딥러닝 모듈(310)에서 복원된 신호(또는 데이터)의 오차를 검출할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)의 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 송신 신호, 훈련 신호에 대응하는 마스크 및 딥러닝 모듈(310)에서 검출된 복원된 신호에 기반하여 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 송신 신호와 딥러닝 모듈(310)에서 검출된 신호의 복원 오차의 평균을 검출할 수 있다(630). 일예로, 신호의 복원 오차 평균은 지정된 시간 동안 검출된 복원된 신호(또는 데이터)의 오차의 평균 값을 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치 (예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 동작 805에서, 딥러닝 모듈(310)의 잡음 감쇠 오차를 검출할 수 있다. 일 실시예에 따르면, 채널 추정 및 등화 모듈(217)은 신호 복원 오차가 채널 추정 오차보다 상대적으로 크기 때문에 신호 복원 오차를 줄이기 위한 학습을 집중적으로 수행할 수 있다. 이에 따라, 채널 추정 및 등화 모듈(217)의 손실 함수(320)는 잡음 감쇠 오차를 적용하여 채널 추정 오차와 신호 복원 오차 사이에서 발생되는 학습 불균형을 해소할 수 있다. 예를 들어, 손실 함수(320)는 신호 복원 오차를 줄이기 위한 학습을 집중적으로 수행하는 경우, 채널 추정 오차에 의해 잡음 감쇠 오차가 상대적으로 크게 발생하므로, 잡음 감쇠 오차에 기반하여 채널 추정 오차와 신호 복원 오차의 학습을 균형적으로 수행하도록 딥러닝 모듈(310)을 제어할 수 있다. 예를 들어, 손실 함수(320)는 훈련 모듈(300)(또는 데이터 셋(302))로부터 획득된 채널, 송신 신호 및 훈련 신호에 대응하는 마스크와 딥러닝 모듈(310)에서 검출된 훈련 신호의 채널 및 복원된 신호에 기반하여 잡음 감쇠 오차를 검출할 수 있다(640).
다양한 실시예에 따르면, 전자 장치 (예: 도 1의 프로세서(120) 및/또는 도 2의 채널 추정 및 등화 모듈(217))는 동작 807에서, 딥러닝 모듈(310)의 채널 추정 오차, 복원(또는 복조)된 신호의 복원 오차 및/또는 잡음 감쇠 오차에 기반하여 딥러닝 모듈(310)의 가중치를 생성 및/또는 갱신할 수 있다. 예를 들어, 딥러닝 모듈(310)의 가중치는 이전 가중치에 딥러닝 모듈(310)에서 추정된 채널의 채널 추정 오차, 복원(또는 복조)된 신호의 신호 복원 오차 및/또는 잡음 감쇠 오차의 미분 값이 적용됨으로써 산출될 수 있다
다양한 실시예에 따르면, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 수신 장치(210))의 동작 방법은, 적어도 하나의 안테나(예: 도 1의 안테나 모듈(197))를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하는 동작, 및 상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 적어도 하나의 안테나를 통해 신호의 송신 및/또는 수신을 수행하지 않는 경우, 서로 다른 크기의 다수 개의 훈련 신호들을 생성하는 동작과 상기 다수 개의 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하는 동작과 상기 딥러닝의 수행 결과를 통해 상기 딥러닝의 오차를 검출하는 동작, 및 상기 딥러닝의 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신하는 동작을 더 포함할 수 있다.
다양한 실시예에 따르면, 상기 딥러닝을 수행하는 동작은, 상기 서로 다른 크기의 훈련 신호들을 기준 크기에 대응하도록 변환하는 동작, 및 상기 기준 크기로 변환된 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 오차를 검출하는 동작은, 상기 다수 개의 훈련 신호들, 상기 훈련 신호들에 대응하는 파일럿 신호들 및 상기 딥러닝 수행 결과에 기반하여 채널 추정 오차, 신호 복원 오차 및 잡음 감쇠 오차를 검출하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 가중치를 갱신하는 동작은, 상기 채널 추정 오차, 상기 신호 복원 오차 및 상기 잡음 감쇠 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 딥러닝은, 신경망(neural network)을 통해 수행될 수 있다.
다양한 실시예에 따르면, 상기 신호를 복원하는 동작은, 상기 파일럿 신호의 크기에 기반하여 상기 수신 신호의 크기를 다운샘플링하는 동작과 상기 다운샘플링된 수신 신호 및 상기 파일럿 신호를 하나의 신호로 병합하는 동작과 상기 병합된 신호의 특징을 추출하는 동작과 상기 병합된 신호를 상기 수신 신호의 크기로 업샘플링하는 동작과 상기 업샘플링된 신호의 특징에 기반하여 상기 수신 신호의 채널을 추정하는 동작, 및 상기 업샘플링된 신호의 특징에 기반하여 상기 수신 신호에 대응하는 신호를 복원하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 특징을 추출하는 동작은, 깊이별 분리 컨볼루션(depthwise separable convolution)(예: DSConv2D), RCAB(residual channel attention block), LAM(layer attention block) 또는 CSAM(channel spatial attention block) 중 적어도 하나를 통해, 상기 병합된 신호의 특징을 추출하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 다운샘플링하는 동작은, 픽셀 셔플(pixel shuffle)을 통해, 상기 파일럿 신호의 크기에 기반하여 상기 수신 신호의 크기를 다운샘플링하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 업샘플링하는 동작은, 픽셀 셔플을 통해, 상기 특징 출력 모듈의 출력 신호를 상기 수신 신호의 크기로 업샘플링하는 동작을 포함할 수 있다.
본 명세서와 도면에 개시된 본 발명의 실시예는 본 발명의 실시예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시예의 범위는 여기에 개시된 실시예 이외에도 본 발명의 다양한 실시예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시예의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에 있어서,
    적어도 하나의 안테나, 및
    상기 적어도 하나의 안테나를 통해 수신한 수신 신호를 처리하는 채널 추정 및 등화 모듈을 포함하며,
    상기 채널 추정 및 등화 모듈은,
    상기 적어도 하나의 안테나를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하고,
    상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원하는 전자 장치.
  2. 제 1항에 있어서,
    상기 채널 추정 및 등화 모듈은, 상기 적어도 하나의 안테나를 통해 신호의 송신 및/또는 수신을 수행하지 않는 경우, 서로 다른 크기의 다수 개의 훈련 신호들을 생성하고,
    상기 다수 개의 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하고,
    상기 딥러닝의 수행 결과를 통해 상기 딥러닝의 오차를 검출하고,
    상기 딥러닝의 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신하는 전자 장치.
  3. 제 2항에 있어서,
    상기 채널 추정 및 등화 모듈은, 상기 서로 다른 크기의 훈련 신호들을 기준 크기에 대응하도록 변환하고,
    상기 기준 크기로 변환된 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하는 전자 장치.
  4. 제 2항에 있어서,
    상기 채널 추정 및 등화 모듈은, 다수 개의 훈련 신호들, 상기 훈련 신호들에 대응하는 파일럿 신호들 및 상기 딥러닝 수행 결과에 기반하여 채널 추정 오차, 신호 복원 오차 및 잡음 감쇠 오차를 검출하는 전자 장치.
  5. 제 4항에 있어서,
    상기 채널 추정 및 등화 모듈은, 상기 채널 추정 오차, 상기 신호 복원 오차 및 상기 잡음 감쇠 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신하는 전자 장치.
  6. 제 1항에 있어서,
    상기 채널 추정 및 등화 모듈은, 상기 채널 추정 및 신호 복원을 위한 신경망(neural network)을 포함하는 전자 장치.
  7. 제 6항에 있어서,
    상기 신경망은, 상기 파일럿 신호의 크기에 기반하여 상기 수신 신호의 크기를 다운샘플링하는 제 1 변환모듈,
    상기 다운샘플링된 수신 신호 및 상기 파일럿 신호를 하나의 신호로 병합하는 결합 모듈,
    상기 병합된 신호의 특징을 추출하는 특징 추출 모듈,
    상기 특징 출력 모듈의 출력 신호를 상기 수신 신호의 크기로 업샘플링하는 제 2 변환 모듈,
    상기 제 2 변환 모듈을 통해 제공받은 상기 업샘플링된 신호의 특징에 기반하여 상기 수신 신호의 채널을 추정하는 채널 추정 모듈, 및
    상기 제 2 변환 모듈을 통해 제공받은 상기 업샘플링된 신호의 특징에 기반하여 상기 수신 신호에 대응하는 신호를 복원하는 채널 등화 모듈을 포함하는 전자 장치.
  8. 제 7항에 있어서,
    상기 특징 추출 모듈은, 깊이별 분리 컨볼루션(depthwise separable convolution)(예: DSConv2D), RCAB(residual channel attention block), LAM(layer attention block) 또는 CSAM(channel spatial attention block) 중 적어도 하나를 포함하는 전자 장치.
  9. 제 7항에 있어서,
    상기 제 1 변환 모듈은, 픽셀 셔플(pixel shuffle)을 통해, 상기 파일럿 신호의 크기에 기반하여 상기 수신 신호의 크기를 다운샘플링하는 전자 장치.
  10. 제 7항에 있어서,
    상기 제 2 변환 모듈은, 픽셀 셔플을 통해, 상기 특징 출력 모듈의 출력 신호를 상기 수신 신호의 크기로 업샘플링하는 전자 장치.
  11. 전자 장치의 동작 방법에 있어서,
    적어도 하나의 안테나를 통해 수신한 상기 수신 신호 및 상기 수신 신호와 관련된 기준 신호를 확인하는 동작, 및
    상기 수신 신호 및 상기 기준 신호에 기반한 딥러닝을 통해, 상기 수신 신호 및 상기 기준 신호의 특징을 추출하고, 상기 추출된 특징에 기반하여 상기 수신 신호의 채널을 추정하고, 상기 수신 신호에 대응하는 신호를 복원하는 동작을 포함하는 방법.
  12. 제 11항에 있어서,
    상기 적어도 하나의 안테나를 통해 신호의 송신 및/또는 수신을 수행하지 않는 경우, 서로 다른 크기의 다수 개의 훈련 신호들을 생성하는 동작,
    상기 다수 개의 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하는 동작,
    상기 딥러닝의 수행 결과를 통해 상기 딥러닝의 오차를 검출하는 동작, 및
    상기 딥러닝의 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신하는 동작을 더 포함하는 방법.
  13. 제 12항에 있어서,
    상기 딥러닝을 수행하는 동작은,
    상기 서로 다른 크기의 훈련 신호들을 기준 크기에 대응하도록 변환하는 동작, 및
    상기 기준 크기로 변환된 훈련 신호들 및 상기 훈련 신호들에 대응하는 파일럿 신호들에 기반하여 딥러닝을 수행하는 동작을 포함하는 방법.
  14. 제 12항에 있어서,
    상기 오차를 검출하는 동작은, 상기 다수 개의 훈련 신호들, 상기 훈련 신호들에 대응하는 파일럿 신호들 및 상기 딥러닝 수행 결과에 기반하여 채널 추정 오차, 신호 복원 오차 및 잡음 감쇠 오차를 검출하는 동작을 포함하는 방법.
  15. 제 14항에 있어서,
    상기 가중치를 갱신하는 동작은, 상기 채널 추정 오차, 상기 신호 복원 오차 및 상기 잡음 감쇠 오차에 기반하여 상기 채널 추정 및 신호 복원을 위한 딥러닝의 가중치를 갱신하는 동작을 포함하는 방법.
PCT/KR2022/002858 2021-04-13 2022-02-28 무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법 WO2022220397A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/379,979 US20240039768A1 (en) 2021-04-13 2023-10-13 Electronic device for processing wireless signal, and operating method therefor

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20210048011 2021-04-13
KR10-2021-0048011 2021-04-13
KR1020210174176A KR20220141729A (ko) 2021-04-13 2021-12-07 무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법
KR10-2021-0174176 2021-12-07

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/379,979 Continuation US20240039768A1 (en) 2021-04-13 2023-10-13 Electronic device for processing wireless signal, and operating method therefor

Publications (1)

Publication Number Publication Date
WO2022220397A1 true WO2022220397A1 (ko) 2022-10-20

Family

ID=83640424

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/002858 WO2022220397A1 (ko) 2021-04-13 2022-02-28 무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법

Country Status (2)

Country Link
US (1) US20240039768A1 (ko)
WO (1) WO2022220397A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150142770A (ko) * 2014-06-11 2015-12-23 전남대학교산학협력단 사이드홀을 위한 dft 기반의 채널 추정 장치
KR101940749B1 (ko) * 2017-08-21 2019-01-22 전남대학교산학협력단 채널 추정 방법 및 이를 위한 장치
KR101992053B1 (ko) * 2018-03-22 2019-06-21 세종대학교산학협력단 적응적 앙상블 지도학습 기반의 딥 뉴럴 네트워크를 이용한 siso-ofdm 채널 추정 장치 및 그 방법
KR102154481B1 (ko) * 2020-03-25 2020-09-10 전남대학교산학협력단 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
KR102156501B1 (ko) * 2019-08-26 2020-09-15 한국교통대학교산학협력단 Mmse 기반으로 하는 채널추정장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150142770A (ko) * 2014-06-11 2015-12-23 전남대학교산학협력단 사이드홀을 위한 dft 기반의 채널 추정 장치
KR101940749B1 (ko) * 2017-08-21 2019-01-22 전남대학교산학협력단 채널 추정 방법 및 이를 위한 장치
KR101992053B1 (ko) * 2018-03-22 2019-06-21 세종대학교산학협력단 적응적 앙상블 지도학습 기반의 딥 뉴럴 네트워크를 이용한 siso-ofdm 채널 추정 장치 및 그 방법
KR102156501B1 (ko) * 2019-08-26 2020-09-15 한국교통대학교산학협력단 Mmse 기반으로 하는 채널추정장치
KR102154481B1 (ko) * 2020-03-25 2020-09-10 전남대학교산학협력단 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법

Also Published As

Publication number Publication date
US20240039768A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
US11539424B2 (en) System and method for providing channel recovery for angle domain sparse channels
WO2020055022A1 (ko) 빔을 제어하는 방법 및 그 전자 장치
WO2021261784A1 (ko) 전송 속도를 조절하기 위한 전자 장치 및 그의 동작 방법
WO2022220397A1 (ko) 무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법
KR20210038164A (ko) 빔을 선택하는 방법 및 그 전자 장치
KR20220141729A (ko) 무선 신호를 처리하기 위한 전자 장치 및 그의 동작 방법
WO2024112035A1 (ko) 전자 장치 및 전자 장치의 데이터 압축 방법
WO2022149970A1 (ko) 서비스 운용 방법 및 이를 지원하는 전자 장치
WO2023106808A1 (ko) 페이딩 채널에 기반하여 채널을 추정하기 위한 전자 장치 및 그의 동작 방법
WO2022092609A1 (ko) 오디오 데이터 처리 방법 및 그 장치
WO2024010177A1 (ko) 보안 회로의 애플릿을 갱신하기 위한 전자 장치 및 그의 동작 방법
WO2022114648A1 (ko) 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법
WO2023022535A1 (ko) 개인키의 복원 문구를 생성하기 위한 전자 장치 및 그 전자 장치에서의 동작 방법
WO2022244957A1 (ko) 안테나로 출력될 무선 주파수 신호의 출력 파워를 조절하는 전자 장치 및 방법
WO2024043485A1 (ko) 텍스트를 포함하는 이미지를 처리하기 위한 전자 장치 및 방법
WO2022250246A1 (ko) 움직이는 객체에 대한 효과를 이미지에 적용하는 전자 장치 및 그 작동 방법
WO2022186577A1 (ko) 전자 장치 및 이중 접속을 지원하는 전자 장치에서 신호를 전송하는 방법
US20240179498A1 (en) Electronic device for performing wireless communication and operation method thereof
WO2023018221A1 (ko) 복수의 가입자 식별 모듈을 포함하는 전자 장치
WO2022030964A1 (ko) 가상 메모리의 할당 방법 및 이를 지원하는 전자 장치
WO2022131874A1 (ko) 무선 충전 회로를 포함하는 전자 장치
WO2023153646A1 (ko) 전자 장치 및 그 동작 방법
WO2022050642A1 (ko) 무선 통신을 수행하는 전자 장치 및 그 방법
WO2022186566A1 (ko) Ims 부가 서비스를 위하여 미디어 조건을 이용하는 전자 장치 및 방법
WO2021256720A1 (ko) 외부 장치로 요청을 전송하는 방법 및 이를 지원하는 전자 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: 22788254

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: 22788254

Country of ref document: EP

Kind code of ref document: A1