KR102154481B1

KR102154481B1 - 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법

Info

Publication number: KR102154481B1
Application number: KR1020200036321A
Authority: KR
Inventors: 문상미; 김현성; 황인태
Original assignee: 전남대학교산학협력단
Priority date: 2020-03-25
Filing date: 2020-03-25
Publication date: 2020-09-10

Abstract

본 기술은 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치 및 방법이 개시되어 있다. 이러한 구현 예에 따르면, 전방향 수신 신호 및 구축된 광대역 기하 채널 모델을 토대로 현재 타임 슬롯의 채널 벡터를 추정하고 추정 채널벡터에 LSTM 기법을 적용하여 다음 타임 슬롯의 추정 채널 벡터를 도출함에 따라, 연산 복잡도를 저감할 수 있고, 높은 신뢰도 및 데이터 전송률을 획득할 수 있다.

Description

딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치 및 방법{APPARATUS FOR BEAMFORMING MASSIVE MIMO SYSTEM USING DEEP LEARNING}

발명은 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치 및 방법에 관한 것으로서, 더욱 상세하게는, 다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿 시퀀스를 이용하여 수신 신호와 채널에 대한 딥러닝 학습을 수행하여 채널을 추정한 다음 추정된 채널에 대해 LSTM(Long Short Term Memory) 기법으로 현재 타임 슬롯 이후의 타임 슬롯의 채널을 추적하고 추적된 채널로 빔포밍을 수행하는 기술에 관한 것이다.

밀리미터파(millimeter-Wave, mmWave) 주파수 사용은 차세대 무선 통신을 위한 높은 데이터 속도를 지원하는 유망기술 중 하나이다.

하지만 밀리미터파는 높은 주파수로 인한 짧은 파장 때문에 신호의 감쇄 및 전달 거리 감소와 같은 단점이 존재하지만, 다수의 안테나를 작은 공간에 직접 시킬 수 있어 Massive MIMO(Multiple-Input Multiple-Output) 시스템에 적합하다.

이러한 특징을 바탕으로 고지향성 빔포밍(Beamforming) 기술을 적용하여 밀리미터파 대역에서의 큰 경로 손실을 극복하기 위한 많은 연구가 진행되고 있다. 고지향성 빔포밍을 수행하려면 모든 송수신기 안테나 쌍에 대한 채널 추정 및 추적이 필요하다.

그리드 빔 기반 빔 트레이닝 방식은 채널 추정 및 추적하기 위한 쉽고 효과적인 방식으로, 송수신기가 순차적으로 지향성 아날로그 빔을 교체하면서 링크의 신호대 잡음 비(Signal-to-Noise Ratio, SNR)를 최대화하는 송수신 빔 쌍을 찾는다. 이러한 접근은 IEEE 표준 802.11ad 시스템과 5G] 등에 사용되었다.

이 방식은 그리드 해상도에 의해 결정되며, 모든 송수신 빔을 순차적으로 전송해야 하므로 큰 오버헤드가 발생하는 단점을 갖는다.

오버헤드 단점을 극복하기 위해 밀리미터파 채널의 희소성(Sparsity) 성질을 활용한 CS (Compressed Sensing) 기반 채널 추정 기법이 제안되었다. CS 기반 채널 추정은 일반적으로 빔 트레이닝 기반 채널 추정에 비해 트레이닝 오버헤드를 줄일 수 있지만 오버헤드는 여전히 Massive MIMO 시스템의 경우에는 크고 안테나 수에 따라 증가한다.

또한, 채널의 희소성에 대한 가정으로 실제 시스템 적용에 어려움이 있다. 채널 추정 후, 차량 통신과 같은 빠르게 변환하는 환경에서 채널 추적이 필요하며, 필터 기반 채널 추적이 제안되었다. LoS (Line-of-Sight) 경로의 영향을 제거 후 칼만 필터를 적용하여 NLoS (Non-LoS)를 경로를 추적할 수 있다.

또한 발사각 AoD (Angle of Departure) 및 도착각 AoA (Angle of Arrival) 추적을 위해 (확장) 칼만 필터를 적용하였다. 하지만 이와 같은 방식은 각도 추적 알고리즘은 BS(Base Station)와 UE(User Equipment) 사이의 기하학적 관계의 특정 모델링 및 각도 변화에 의존한다.

최근 딥러닝의 비약적 발전으로 인해 이론으로만 존재하는 방식을 실제 시스템에 도입할 가능성이 제시되고 있으며, 거의 모든 산업 분야에서 딥러닝 도입이 고려되고 있다.

이에 본 출원인은 이러한 딥러닝 알고리즘을 통신 분야 역시 빔포밍, 채널 추정, 채널 추적, 채널 상태정보 피드백 및 데이터 검출 등 다양한 분야에서 적용함에 따라 낮은 복잡도와 시스템의 성능을 향상시킬 수 있는 방안을 제안한다.

따라서, 본 발명이 이루고자 하는 기술적 과제는 전방향 수신 신호 및 구축된 광대역 기하 채널 모델을 토대로 현재 타임 슬롯의 채널을 추정하고 추정 채널에 LSTM 기법을 적용하여 다음 타임 슬롯의 추정 채널을 추적함에 따라, 연산 복잡도를 저감할 수 있고, 높은 신뢰도 및 데이터 전송률을 획득할 수 있는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치 및 방법을 제공하고자 함에 목적이 있다.

이에 높은 신뢰성 및 데이터 전송률로 이동 및 차량 통신 시스템의 기술을 확보할 수 있다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

이러한 특징에 따르면, 일 실시 예에 따른 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치는,

다수의 기지국;

사용자 단말; 및

상기 다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿 시퀀스를 이용하여 구축된 광대역 기하 채널 모델을 토대로 전방향 수신 신호 및 채널에 대한 딥러닝 학습을 수행하여 현재 타임 슬롯의 채널을 추정한 다음 추정 채널에 대해 LSTM(Long Short Term Memory) 기법으로 현재 타임 슬롯을 기준으로 다음 타임 슬롯의 추정 채널을 추적하고 추적된 추정 채널로 빔포밍을 수행하는 빔포밍 장치를 포함하는 것을 일 특징으로 한다.

바람직하게 상기 빔포밍 장치는,

각 클러스터의 채널 벡터를 이용하여 딥러닝 알고리즘을 수행하기 위한 각 클러스터에 대한 광대역 기하 채널 모델을 구축하는 모델 구축부를 포함하고,

상기 모델 구축부는

시간 지연

, 도착각 (AoA: Angel of Arrive)

및 기 정해진 펄스 형성 함수

를 토대로 각 클러스터의 채널 벡터

를 도출하며, 도출된 각 클러스터의 채널 벡터

로 광대역 기하 채널 모델을 구축하도록 구비될 수 있다.

바람직하게 각 클러스터의 채널 벡터

는

단말 UE와 다수의 기지국 BS 중 임의의 기지국 사이의 경로 손실

과, 임의의 n번째 기지국 BS의 임의의 경로

의 복수 이득

과, 수직 및 수평 방향에서의 기지국 BS의 어레이 응답 벡터

,

에 대한 요소별 곱(element wise multiplication)으로 응답 벡터

를 도출하며, 도출된 응답 벡터

를 토대로 도출될 수 있다.

바람직하게 상기 빔포밍 장치는,

상기 딥러닝 알고리즘을 이용하여 구축된 광대역 기하 채널 모델을 토대로 전방향 수신 신호와 채널 간의 매핑 함수에 대한 학습을 수행하여 각 기지국 별 밀리미터파 채널을 추정하는 채널 추정부를 포함하고,

상기 채널 추정부는,

단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿 시퀀스

와, 채널 벡터

, 아날로그 빔포밍 벡터

, 및 다수의 기지국 BS 중 임의의 n 기지국에서의 수신 잡음

을 포함하는 전방향 수신 신호

와 채널 간의 매핑 함수에 대한 학습을 수행하도록 구비될 수 있다.

바람직하게 상기 각 기지국 BS에 대응되어 도출되는 전방향 수신 신호

는 다음 식을 만족할 수 있다.

여기서,

는 단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿 시퀀스이고,

는 현재 타임 슬롯의 채널 벡터이며,

는 아날로그 빔포밍 벡터이고,

는 임의의 n 기지국에서의 수신 잡음.

바람직하게 상기 채널 추정부의 딥러닝 알고리즘은

상기 수신잡음

이 포함된 전방향 수신신호

을 입력값

으로 하는 하나의 입력 레이어와 다수의 은닉 레이어

와 비선형 함수로 도출된 가중치의 합을 딥러닝 출력값

으로 하는 하나의 출력 레이어를 포함하고,

도출된 각 기지국 별 딥러닝 출력값

에 대한 MSE(Means Square Error) 손실함수로 파라미터

의 손실을 최소화하고 최소화된 파라미터로 각 기지국 별 추정 채널 벡터

를 출력하도록 구비될 수 있다.

바람직하게 상기 딥러닝 출력값

은 다음 식을 만족할 수 있고,

여기서,

는

번째 레이어의 파라미터,

는 베치(batch) 사이즈이며,

는 수신 잡음.

바람직하게 상기 빔포밍 장치는

상기 딥러닝을 통해 도출된 현재 타임 슬롯의 추정 채널 벡터

에 대해 LSTM 기법을 이용하여 현재 타임 슬롯의 다음 타임 슬롯의 추정 채널 벡터

를 추적하는 채널 추적부를 더 포함하고,

상기 채널 추적부는,

이전 타임 슬롯 t-1의 채널 벡터

, 현재 타임 슬롯 t의 추정 채널 벡터

, 바이어스 벡터

, 및 가중치 행렬

을 토대로 정해진 관계식을 토대로 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

를 각각 도출한 다음,

도출된 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

를 토대로 기 정해진 관계식으로 이전 타임 슬롯 t-1의 셀 상태정보

및 추정 채널 벡터

를 도출하며,

도출된 이전 타임 슬롯 t-1의 셀 상태정보

및 추정 채널 벡터

에 대해 기 정해진 관계식을 토대로 현재 타임 슬롯 t의 셀 상태정보

및 추정 채널 벡터

를 도출하도록 구비될 수 있다.

일 실시 예에 따른 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 방법은,

다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿 시퀀스를 이용하여 전방향 수신 신호와 채널에 대한 딥러닝 학습을 수행하여 현재 타임 슬롯의 채널을 추정하여 추정 채널을 도출하는 추정 채널 도출 단계;

도출된 현재 타임 슬롯의 추정 채널에 대해 LSTM(Long Short Term Memory) 기법으로 현재 타임 슬롯 기준으로 다음 타임 슬롯의 추정 채널을 추적하는 추정 채널 추적 단계; 및

도출된 다음 타임 슬롯의 추정 채널로 빔포밍을 수행하는 빔포밍 단계를 포함하도록 구비되는 것을 특징으로 한다.

바람직하게 상기 추정 채널 도출단계는,

각 클러스터의 채널 벡터를 이용하여 딥러닝 알고리즘을 수행하기 위한 각 클러스터에 대한 광대역 기하 채널 모델을 구축하되,

시간 지연

, 도착각 (AoA: Angel of Arrive)

및 기 정해진 펄스 형성 함수

를 토대로 각 클러스터의 채널 벡터

를 도출하여 도출된 각 클러스터의 채널 벡터

로 광대역 기하 채널 모델을 구축하도록 구비될 수 있다.

바람직하게 각 클러스터의 추정 채널 벡터는

과, 임의의 n번째 기지국 BS의 임의의 경로

의 복수 이득

과, 수직 및 수평 방향에서의 기지국 BS의 어레이 응답 벡터

,

에 대한 요소별 곱(element wise multiplication)으로 응답 벡터

를 도출하고, 도출된 응답 벡터

를 토대로 도출될 수 있다.

바람직하게 상기 추정 채널 도출단계는,

딥러닝 알고리즘을 이용하여 구축된 광대역 기하 채널 모델을 토대로 수신 신호와 채널 간의 매핑 함수에 대한 학습을 수행하여 각 기지국 별 밀리미터파 채널 벡터를 추정하되,

와, 현지 타임 슬롯의 채널 벡터

, 아날로그 빔포밍 벡터

, 및 다수의 기지국 BS 중 임의의 n 기지국에서의 수신 잡음

을 포함하는 전방향 수신 신호

바람직하게 상기 전방향 수신 신호

는 다음 식을 만족할 수 있다.

여기서,

는 채널 벡터이며,

는 아날로그 빔포밍 벡터이고,

는 임의의 n 기지국에서의 수신 잡음.

바람직하게 상기 추정 채널 도출단계의 딥러닝 알고리즘은

상기 수신잡음

이 포함된 전방향 수신신호

을 입력

으로 하는 하나의 입력 레이어와 다수의 은닉 레이어

와 비선형 함수로 도출된 가중치의 합을 딥러닝 출력값

로 하는 하나의 출력 레이어를 포함하고,

도출된 각 기지국 별 딥러닝 출력값

에 대한 MSE(Means Square Error) 손실함수로 파라미터

를 추정하도록 구비될 수 있다.

바람직하게 상기 추정 채널 도출단계는,

상기 딥러닝 출력값

은 다음 식을 만족할 수 있고,

여기서,

는

번째 레이어의 파라미터,

는 베치(batch) 사이즈이며,

는 수신 잡음.

바람직하게 상기 추정 채널 추적단계는,

상기 딥러닝을 통해 도출된 타임 슬롯의 추정 채널 벡터

에 대해 LSTM 기법을 이용하여 다음 타임 슬롯의 추정 채널 벡터

를 도출하도록 구비하되,

이전 타임 슬롯 t-1의 채널 벡터

, 현재 타임 슬롯 t의 추정 채널 벡터

, 바이어스 벡터

, 및 가중치 행렬

을 토대로 정해진 관계식을 토대로 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

를 각각 도출한 다음,

도출된 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

및 추정 채널 벡터

를 도출하며,

도출된 이전 타임 슬롯 t-1의 셀 상태정보

및 추정 채널 벡터

를 도출하도록 구비될 수 있다.

본 발명에 따르면, 전방향 수신 신호 및 구축된 광대역 기하 채널 모델을 토대로 현재 타임 슬롯의 채널을 추정하고 현재 타임 슬롯의 추정 채널에 LSTM 기법을 적용하여 다음 타임 슬롯의 추정 채널을 추적함에 따라, 연산 복잡도를 저감할 수 있고, 높은 신뢰도 및 데이터 전송률을 획득할 수 있다.

또한 이동 및 차량 통신 환경하에서 5G 통신 시스템에 적용함에 따라 높은 신뢰성 및 데이터 전송률로 이동 및 차량 통신 시스템의 기술을 확보할 수 있다.

본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 일 실시예가 적용되는 대규모 MIMO 시스템 구성도이다.
도 2는 일 실시예의 시스템의 빔포밍 장치의 세부 구성도이다.
도 3은 일 실시예의 딥러닝 알고리즘의 개념을 설명하기 위한 도이다.
도 4는 일 실시예의 LSTM 기법의 개념을 보인 예시도이다.
도 5는 일 실시예에 적용되는 LSTM 기법을 보인 예시도이다.
도 6은 일 실시예의 딥러닝 알고리즘의 NMSE 성능을 보인 그래프이다.
도 7은 일 실시예의 LSTM 기법의 NMSE 성능의 비교 그래프이다.
도 8은 일 실시예의 타임 슬롯별 LSTM 기법의 NMSE 성능 그래프이다.
도 9는 일 실시에의 유효 달성 가능한 데이터 전송률을 보인 예시도이다.

이하에서는 도면을 참조하여 본 발명의 실시예들을 보다 상세하게 설명한다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

이하에서는 본 발명의 실시 예에 따른 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치 및 방법에 대해 첨부된 도면을 참조하여 구체적으로 설명하기로 한다.

도 1은 일 실시예가 적용되는 딥러닝을 이용한 대규모 MIMO 시스템을 나타낸 개념도이고, 도 2는 도 1에 도시된 빔포밍 장치의 세부적인 구성을 보인 도이며, 도 3은 일 실시 예의 채널 추정부의 딥러닝 알고리즘의 개념을 설명하기 위한 도이고, 도 4는 도 2에 도시된 채널 추적부의 LSTM 기법을 설명하기 위한 개념도이며, 도 5는 일 실시 예에 적용되는 LSTM 기법을 보인 예시도이다.

도 1 내지 도 5를 참조하면, 일 실시 예의 밀리미터파 MIMO 시스템은 다수의 기지국 BS, 단말 UE, 및 빔포밍 장치(100)를 포함한다.

일 실시 예에서 밀리미터파 주파수의 큰 경로 손실로 인해 밀리미터파 BS의 서비스 커버리지는 4G BS의 서비스 커버리지보다 작으며, 따라서 밀집한 소형 셀들을 설치되어 있으며, 밀집한 밀리미터파 시스템에서 커버리지를 향상시키기 위해 다수의 기지국 BS 간 협력통신이 이루어진다고 가정하자.

도 1을 참조하면,

개의 기지국 BS가 동시에 하나의 차량 내에 설치된 사용자 단말 UE를 서비스하는 협력 밀리미터파 V2I 통신 시스템을 고려한다.

즉, 일 실시 예에서

개의 기지국 BS은 다수의

개의 UPA(Uniform Planer Array) 안테나로 구성되고, 차량의 단말 UE는 단일 안테나로 구비되며, 각 기지국 BS는 단말 UE로부터 수신된 업링크 트레이닝 파일롯 시퀀스를 공유할 수 있도록 서로 연결되었다고 가정하자.

또한, 일 례로 각 기지국 BS는 하나의 RF 체인을 가지고 있으며, 다운링크/업링크 전송 동안 위상 천이기를 통해 아날로그 빔포밍/컴바이닝을 수행하는 빔포밍 장치(100)를 더 포함할 수 있다. 다른 례로 각 기지국 BS는 하이브리드 빔포밍과 같이 정교한 밀리미터파 빔포밍 아키텍처, 다중 안테나 사용자로 확장할 수 있다. 본 명세서 상에서는 다운링크/업링크 전송 동안 위상 천이기를 통해 아날로그 빔포밍/컴바이닝을 수행하거나 하이브리드 빔포밍을 수행하는 일련의 과정은 구체적으로 명시하지 않지만, 당업자의 수준에서 이해되어야 할 것이다.

또한 각 기지국 BS는 업링크 수신에서 단말 UE에서 알고 있는 파일롯 심볼

을 전달받아 전방향 수신 신호를 통해 채널 추정을 수행한다. 이때 단말 UE와

번째 기지국 BS 사이의 채널 벡터가

일 때,

번째 기지국 BS의 사후 결합 수신 신호는 식 1로 표현된다.

[식 1]

여기서,

는 아날로그 빔포밍 벡터이고,

는

번째 기지국 BS에서 수신 잡음이다.

한편, 다운링크 전송에서 각 기지국 BS는 데이터 심볼

을 빔포밍 벡터

을 이용하여 프리코딩 후 전송하고 단말 UE에서의 수신 신호

는 다음과 식2와 같다.

[식 2]

여기서,

는 단말 UE에서의 수신 잡음이고, 여기서,

는 분산이다.

도 2를 참조하면, 빔포밍 장치(100)는 다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿 시퀀스를 이용하여 전방향 수신 신호와 채널에 대한 딥러닝 알고리즘을 수행하여 현재 타임 슬롯의 채널 벡터를 추정함에 따라 현재 타임 슬롯의 추정 채널 벡터를 도출하도록 구비될 수 있다. 일 례로 빔포밍 장치(100)는 기지국 BS와 분리하여 구성하고, 분리된 이들 구성 간의 무선 통신 또는 유선 통신 중 하나로 연결되는 구조로 이루어질 수 있고, 또한 무선 통신을 통해 클라우드 구조로 연결되는 구조로 이루어질 수 있으며 이에 한정하지 아니한다.

빔포밍 장치(100)는

클러스터의 광대역 기하 채널 모델이 구축된 모델부(110)를 포함한다. 여기서, 각 클러스터는 하나의 레이를 가지며 레이는 시간 지연

, 도착각 AoA(Angle of Arrive :

), 및 펄스 형성 함수

를 적용하면, 단말 UE와

번째 기지국 BS 사이의 채널 벡터

는 다음식 3으로 표현된다.

[식 3]

여기서,

는 임의의

번째 기지국 BS과 단말 UE 사이의 경로 손실,

는 임의의 n번째 기지국 BS의

번째 경로의 복소 이득이며,

는 임의의 n번째 기지국 BS의

번째 경로의 어레이 응답 벡터이고, 여기서, 임의의

번째 기지국 BS의

번째 경로의 어레이 응답 벡터

는 다음 식 4를 만족한다.

[식 4]

여기서,

는 수직 방향에서의 기지국의 어레이 응답 벡터이고,

는 수평 방향에서의 기지국의 어레이 응답 벡터이며, 각각의 수직 방향 및 수평 방향의 어레이 응답 벡터

,

각각은 다음 식 5 및 식 6을 만족한다.

[식 5]

[식 6]

한편, 빔포밍 장치(100)는 모델 구축부(110)의 구축된 광대역 기하 채널 모델을 토대로 수신 신호와 채널 간의 매핑 함수에 대한 학습을 수행하여 각 기지국 별 밀리미터파 채널을 추정하는 채널 추정부(120)을 더 포함할 수 있다.

이동성이 높은 밀리미터파 애플리케이션에서 채널을 추정 및 추적하는 데 있어 주요 과제 중 하나로 시간 측면에서 큰 트레이닝 오버헤드이다. 오버헤드는 송수신 안테나 수가 따라 증가한다. 그러나, 밀리미터파 채널 추정 및 추적은 채널이 변화할 때마다 반복 수행되고, 이전 채널 변동 시 추정된 채널 벡터는 사용하지 않는다. 따라서, 채널은 송신기/수신기의 위치 및 스캐터 (scatter) 위치를 포함하여 환경의 다양한 요소로 표현된다.

이에 일 실시 예의 채널 추정부(120)는 모델 구축부(110)에서 구축된 광대역 기하 채널 모델을 이용하여 딥러닝 알고리즘을 수행하여 채널과 환경의 맵핑 함수를 훈련시키고, 낮은 트레이닝 오버헤드로 밀리미터파의 채널 벡터를 추정할 수 있다.

채널 추정부(120)는 다수의 분산된 기지국 BS에서 단말 UE로부터 제공된 전방향성 안테나 패턴의 업링크 트레이닝 파일럿 시퀀스를 수신한다. 여기서 전방향 수신 신호는 단말 UE의 위치 및 통신 환경에 대한 특징을 가진다.

즉, 채널 추정부(120)는 전방향 업링크 트레이닝 파일럿 시퀀스를 이용하여 전방향 수신 신호

번째 BS에서 전방향 수신 신호

와 채널

사이의 매핑 함수를 학습하기 위해 딥러닝 알고리즘을 적용할 수 있다.

일 례로, 채널 추정부(120)는 단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿

와, 채널 벡터

, 아날로그 빔포밍 벡터

, 및 다수의 기지국 BS 중 임의의 n 번째 기지국 BS에서의 수신 잡음

을 포함하는 전방향 수신 신호

와 채널 간의 매핑 함수에 대한 학습을 수행한다.

여기서, 모든 기지국 BS에서 하나의 수신 안테나 요소만이 활성화한다는 가정하에서 임의의

번째 기지국 BS에서의 전방향 수신 신호

는 다음 식 7로 나타낸다.

[식 7]

여기서,

는 빔포밍 벡터이다.

이러한 전방향 수신 신호

는 각 기지국 BS의 수에 대응되어 다음과 같이 정의된다.

[식 8]

이러한 전방향 수신 신호

와 채널 간의 매핑 함수에 대한 딥러닝 알고리즘을 수행하는 과정은 도 3을 참조하여 설명한다.

즉, 도 3을 참조하면, 딥러닝 알고리즘은 입력 레이어와 출력 레이어 사이에 여러 개의 은닉 레이어로 구성된 인공신경망으로 각 은닉 레이어는 다수의 뉴런을 가지며, 출력은 뉴런들의 가중치 합으로 비선형 함수이다. 비선형 함수는 시그모이드(Sigmoid),

, ReLU(Rectified Linear Unit),

등 중 하나의 활성화 함수로 나타낼 수 있으며 이에 한정하지 아니한다.

즉, 일 실시 예는 하나의 입력 레이어,

개의 은닉 레이어, 및 하나의 출력 레이터가 완전히 연결된 DNN 구조로 이루어진다.

이때 출력 레이어의 출력값

는 출력 레이어의 딥러닝 출력값

는 입력값

에 대한 비선형 함수로의 변환으로 표현되며, 다음 식 8과 같다.

[식 9]

여기서,

는 수신 잡음이고,

는 배치(batch) 사이즈이며,

은

번째 레이어의 파라미터이다. 즉,

번째 레이어의 파라미터

의

은

-1 번째 레이어와

번째 레이어 사이에 연결된

가중치 행렬이고,

은

번째 바이어스 벡터이다.

그리고, 채널 추정부(120)는 도출된 각 기지국 별 딥러닝 출력값

에 대한 MSE(Means Square Error) 손실함수로 파라미터

의 손실을 최소화하고 최소화된 파라미터

를 가지는 각 기지국 별 추정 채널 벡터

를 출력한다. 여기서 MSE 손실 함수는 다음 식 10을 만족한다.

[식 10]

여기서,

는 출력값

의 벡터 길이이다.

이러한 각 기지국 별 추정 채널 벡터

는 채널 추적부(130)로 전달된다.

즉, 빔포밍 장치(100)는 상기 딥러닝을 통해 도출된 타임 슬롯의 추정 채널 벡터

에 대해 LSTM(Long Short Term Memory) 기법을 이용하여 다음 타임 슬롯의 추정 채널 벡터

를 도출하도록 구비될 수 있다.

즉, 채널 추적부(130)는 도 4를 참조하면, 이전 타임 슬롯 t-1의 채널 벡터

, 현재 타임 슬롯 t의 추정 채널 벡터

, 바이어스 벡터

, 및 가중치 행렬

을 토대로 정해진 관계식을 토대로 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

를 각각 도출한다.

여기서, 망각 게이트

, 입력 게이트

, 및 출력 게이트

각각은 다음 식 11, 식 12, 및 식 13으로 표현된다.

[식 11]

[식 12]

[식 13]

채널 추적부(130)는 도출된 망각 게이트

, 입력 게이트

, 및 출력 게이트

를 토대로 기 정해진 관계식으로 이전 타임 슬롯 t-1의 셀 상태정보

및 추정 채널 벡터

를 도출한다.

일 례로 단방향 LSTM 기법이 적용되는 경우 셀 상태정보

및 추정 채널 벡터

는 다음 식 14 및 식 15로 각각 나타낼 수 있다.

[식 14]

[식 15]

여기서,

는 가중 행렬이고,

는 바이어스 벡터이다.

다른 례로 양방향 LSTM 기법이 적용되는 경우 순방향과 역방향의 두 개의 분리된 은닉 레이어를 가지며, 입력과 출력 레이어는 순방향과 역방향 은닉 레이어에 연결된 구조를 가진다. 그리고 은닉 레이어의 함수는 다음 식 16로 정의된다.

[식 16]

여기서,

와

기호는 각각 순방향과 역방향을 나타낸다.

이에 도 5를 참조하면, 채널 추적부(130)는 현재 타임 슬롯 동안 채널 추정부(120)에서 도출된 추정 채널 벡터

를 입력값

으로 LTSM 기법을 수행하여 다음 타임 슬롯의 추정 채널 벡터

를 도출할 수 있다.

<시뮬레이션 결과>

채널 벡터는 도착각 AoA, 발사각 AoD 및 경로 손실

등 파라미터를 사용하여 생성되고, 밀리미터파 주파수는 60 GHz 이며, M=32인 8X4의 UPA(Uniform Planer Array) 안테나를 가지는 4개의 기지국 BS와, 단일 안테나로 이루어지는 단단말 UE, 및 단말 UE과 단말 UE 이동 속도가 각각 10m/s에서 30m/s라는 가정하에서 시뮬레이션 하였다.

즉, 각 기지국 BS는 서로 다른 건물에 위치하며, 단말 UE의 위치는 일정한

그리드에서 랜덤하게 선택된다. 또한, 채널 추적을 위해 도로 위 점선은 단말 UE의 움직임을 나타내며, 두 개의 차선이 있다. 각 기지국 BS는 전방향 신호를 수신하며, 수신된 신호는 딥러닝의 데이터 세트를 구성하기 위해 빔포밍 장치(100)로 전송된다. 일 례로 빔포밍 장치(100)는 기지국 BS과 분리시켜 별개로 구성되며, 무선 통신을 통한 클라우드 구조로 형성될 수 있다.

빔포밍 장치(100)는 모든 기지국 BS로부터 제공받은 수신 신호

를 합쳐 최종 입력값을 도출하고, 이때 수신 신호

는

차원으로 나타낼 수 있다. 이에 딥러닝 모델을 훈련시키기 전에 모델의 데이터 세트는 최소 및 최대 정규화로 도출된다.

<시스템 성능 분석>

추정 채널 벡터

와 실제 채널 백터

와의 NMSE((Normalized MSE)을 토대로 시스템 성능이 결정되며, 이에 NMSE 는 다음 식 17으로 정의된다.

[식 17]

도 6은 딥러닝 알고리즘의 레이의 수에 따른 추정 채널벡터의 성능을 보인 예시도로서, 도 6을 참조하면, 레이어

수가 증가할수록 추정 채널벡터의 성능이 저하됨을 알 수 있고, 최적 레이어

=6 임을 알 수 있다.

도 7은 세 개의 은닉 레이어와 세 개의 타임 슬롯을 가지는 LSTM 기법에 따른 다음 타임 슬롯의 추정 채널벡터을 보인 그래프로서, 도 7을 참조하면, 추정 채널 성능은 단방향 LSTM 보다 양방향 LSTM (Bi-LSTM)이 더 빨리 수렴됨을 확인할 수 있다.

도 8은 단말 UE의 이동 속도에 따른 LSTM 기반 채널 추적 성능을 나타낸 그래프로서, 도 8을 참조하면 단말 UE의 이동 속도가 빨라짐에 따라 채널의 변화가 빨라지며 이에 따라서 단말 UE의 이동 속도가 빨라짐에 따라 LSTM의 입력 벡터의 길이가 짧아짐을 알 수 있다.

<유효달성 가능한 데이터 전송률에 대한 분석>

유효 달성 가능한 데이터 전송률은 파일럿 오버헤드 감소를 보여주기 위해 빔 트레이닝 시간을 나타내는 빔 상관 시간을 고려하여 도출되며, 유효 달성 가능한 데이터 전송률

는 다음 식 18로 나타낼 수 있다.

[식 18]

여기서,

,

, 및

는 각각 훈련 파일럿 수, 파일럿 시퀀스 시간 및 빔 상관 시간이다.

도 9는 빔 상관 시간에서 채널을 추정하고 빔포머를 설계하는 방식 1, 상관 시간에서는 채널을 추적 후 빔포머를 설계하는 방식 2, 및 딥러닝을 이용한 채널 추정 및 추적한 후 빔포머를 설계하는 방식 3 각각에 대한 유효 달성 가능한 데이터 전송률을 보인 그래프로서, 도 9를 참조하면, 딥러닝을 이용한 채널 추정 및 추적한 후 빔포머를 설계하는 방식 3은 방식 1 및 방식 2에 비교하여 빔 상관 시간의 오버헤드를 반으로 줄일 수 있고, 낮은 오버헤드 및 높은 데이터 전송률이 가능하다. 또한 트레이닝 파일럿 수가 증가되면, 시스템의 성능 차가 커지나 딥러닝을 이용한 채널 추정 및 추적한 후 빔포머를 설계하는 방식 3은 무시할 수 있는 훈련 오버헤드로 이동성이 높은 밀리미터파 대규모 MIMO 시스템 지원이 가능하다.

따라서, 차세대 이동통신 핵심기술은 이동통신 성능의 향상은 물론, 단말기·부품 수출 및 네트워크 구축에도 크게 기여할 것으로 예상된다. 구체적으로 표준화 경쟁에서 우위 확보 및 차세대 이동통신 시장 선점에 기여할 것이며, 차세대 이동통신 관련 특허와 같은 지적소유권의 산업체 이전을 통한 국내 이동통신 산업의 기술 자립도 향상 및 가격 경쟁력 제고와, 확보된 특허의 국제적 상호사용승인(cross-licensing)으로 인한 이동통신 산업의 비용절감은 물론, 차세대 이동통신의 핵심기술 확보를 통한 기술료 지불경감 및 수입대체 효과가 예상된다.

본 발명의 다른 실시 태양으로, 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 방법은 다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿을 이용하여 수신 신호와 채널에 대한 딥러닝 학습을 수행하여 현재 타임 슬롯의 채널을 추정하여 추정 채널벡터를 도출하는 추정 채널벡터 도출 단계; 도출된 현재 타임 슬롯의 추정 채널 벡터에 대해 LSTM(Long Short Term Memory) 기법으로 현재 타임 슬롯 기준으로 다음 타임 슬롯의 추정 채널벡터를 도출하는 추정 채널벡터 추적 단계; 및 도출된 추정 채널 벡터로 빔포밍을 수행하는 빔포밍 단계를 포함하도록 구비되도록 구비될 수 있다.

여기서, 추정 채널벡터 도출단계는, 각 클러스터의 채널 벡터를 이용하여 각 클러스터에 대한 광대역 기하 채널 모델을 구축하되, 시간 지연

, 도착각 (AoA: Angel of Arrive)

및 기 정해진 펄스 형성 함수

를 토대로 각 클러스터의 채널 벡터

를 도출하여 도출된 각 클러스터의 채널 벡터

로 광대역 기하 채널 모델을 구축하도록 구비될 수 있다.

또한, 상기 추정 채널벡터 도출단계는 딥러닝 기법을 이용하여 구축된 광대역 기하 채널 모델을 토대로 수신 신호와 채널 간의 매핑 함수에 대한 학습을 수행하여 각 기지국 별 밀리미터파 채널을 추정하되, 단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿

와, 채널 벡터

, 아날로그 빔포밍 벡터

, 및 다수의 기지국 BS 중 임의의 n 기지국에서의 수신 잡음

을 포함하는 전방향 수신 신호

그리고, 상기 추정 채널벡터 추적단계는, 상기 딥러닝을 통해 도출된 타임 슬롯 의 추정 채널 벡터

를 도출하도록 구비하되, 이전 타임 슬롯 t-1의 채널 벡터

, 현재 타임 슬롯 t의 추정 채널 벡터

, 바이어스 벡터

, 및 가중치 행렬

을 토대로 정해진 관계식을 토대로 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

를 각각 도출한 다음, 도출된 각 망각 게이트

, 입력 게이트

, 및 출력 게이트

및 추정 채널 벡터

를 도출하며, 도출된 이전 타임 슬롯 t-1의 셀 상태정보

및 추정 채널 벡터

를 도출하도록 구비될 수 있으며, 상기의 빔포밍 방법의 각 단계는 전술한 빔포밍 장치(100)의 모델 구축부(110), 채널 추정부(120), 및 채널 추적부(130)에서 수행되는 기능으로 자세한 원용은 생략한다.

이상에서 대표적인 실시 예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.

100 : 빔포밍 장치
110 모델 구축부
120 : 채널 추정부
130 : 채널 추적부

Claims

다수의 기지국;
사용자 단말; 및
구축된 광대역 기하 채널 모델을 토대로 상기 다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿 시퀀스를 이용하여 전방향 수신 신호와 채널에 대한 딥러닝 알고리즘을 수행하여 현재 타임 슬롯의 채널을 추정한 다음 추정 채널에 대해 LSTM(Long Short Term Memory) 기법으로 현재 타임 슬롯 이후의 다음 타임 슬롯의 추정 채널을 추적하고 추적된 추정 채널로 빔포밍을 수행하는 빔포밍 장치를 포함하고,
상기 빔포밍 장치는,
각 클러스터의 채널 벡터를 이용하여 딥러닝 알고리즘을 수행하기 위한 각 클러스터에 대한 광대역 기하 채널 모델을 구축하며,
각 클러스터의 채널 벡터
는
단말 UE와 다수의 기지국 BS 중 임의의 기지국 사이의 경로 손실
과, 임의의 n번째 기지국 BS의 임의의 경로
의 복수 이득
과, 수직 및 수평 방향에서의 기지국 BS의 어레이 응답 벡터
,
에 대한 요소별 곱(element wise multiplication)으로 도출된 응답 벡터
를 토대로 도출하는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.
제 1 항에 있어서,
상기 빔포밍 장치는,
각 클러스터의 채널 벡터를 이용하여 딥러닝 알고리즘을 수행하기 위한 각 클러스터에 대한 광대역 기하 채널 모델을 구축하는 모델 구축부를 포함하고,
상기 모델 구축부는
시간 지연
, 도착각 (AoA: Angel of Arrive)
및 기 정해진 펄스 형성 함수
를 토대로 각 클러스터의 채널 벡터
를 도출하여 도출된 각 클러스터의 채널 벡터
로 광대역 기하 채널 모델을 구축하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.
제 2 항에 있어서, 각 클러스터의 채널 벡터
는
하기 식 1을 만족하는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.
[식 1]

여기서, 단말 UE와 다수의 기지국 BS 중 임의의 기지국 사이의 경로 손실
과, 임의의 n번째 기지국 BS의 임의의 경로
의 복수 이득
과, 수직 및 수평 방향에서의 기지국 BS의 어레이 응답 벡터
,
에 대한 요소별 곱(element wise multiplication)으로 도출된 응답 벡터
임.
제2항에 있어서, 상기 빔포밍 장치는,
딥러닝 기법을 이용하여 구축된 광대역 기하 채널 모델을 토대로 수신 신호와 채널 간의 매핑 함수에 대한 학습을 수행하여 각 기지국 별 밀리미터파 채널을 추정하는 채널 추정부를 포함하고,
상기 채널 추정부는,
단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿
와, 채널 벡터
, 아날로그 빔포밍 벡터
, 및 다수의 기지국 BS 중 임의의 n 기지국에서의 수신 잡음
을 포함하는 전방향 수신 신호
와 채널 간의 매핑 함수에 대한 학습을 수행하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.
제 4 항에 있어서, 상기 각 기지국 BS에 대응되어 도출되는 전방향 수신 신호
는
다음 식을 만족하는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.

여기서,
는 단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿이고,
는 채널 벡터이며,
는 아날로그 빔포밍 벡터이고,
는 임의의 n 기지국에서의 수신 잡음.
제 4 항에 있어서, 상기 채널 추정부는,
상기 수신잡음
이 포함된 전방향 수신신호
을 입력값
으로 하는 하나의 입력 레이어와 다수의 은닉 레이어
와 비선형 함수로 도출된 가중치의 합을 출력
로 하는 하나의 출력 레이어를 포함하고,
도출된 각 기지국 별 딥러닝 출력값
에 대한 MSE(Means Square Error) 손실함수로 파라미터
의 손실을 최소화하고 최소화된 파라미터로 각 기지국 별 추정 채널 벡터
를 출력하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.
제 6 항에 있어서, 상기 출력값
은
다음 식을 만족하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.

여기서,
는
번째 레이어의 파라미터,
는 베치(batch) 사이즈이며,
는 수신 잡음입니다.
제 6 항에 있어서,
상기 빔포밍 장치는
상기 딥러닝 알고리즘을 통해 도출된 현재 타임 슬롯의 추정 채널 벡터
에 대해 LSTM 기법을 이용하여 다음 타임 슬롯의 추정 채널 벡터
를 추적하는 채널 추적부를 더 포함하고,
상기 채널 추적부는,
이전 타임 슬롯 t-1의 채널 벡터
, 현재 타임 슬롯 t의 추정 채널 벡터
, 바이어스 벡터
, 및 가중치 행렬
을 토대로 정해진 관계식을 토대로 각 망각 게이트
, 입력 게이트
, 및 출력 게이트
를 각각 도출한 다음,
도출된 각 망각 게이트
, 입력 게이트
, 및 출력 게이트
를 토대로 기 정해진 관계식으로 이전 타임 슬롯 t-1의 셀 상태정보
및 추정 채널 벡터
를 도출하며,
도출된 이전 타임 슬롯 t-1의 셀 상태정보
및 추정 채널 벡터
에 대해 기 정해진 관계식을 토대로 현재 타임 슬롯 t의 셀 상태정보
및 추정 채널 벡터
를 도출하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치.
다수의 기지국에서 공동으로 수신된 업링크 트레이닝 파일럿을 이용하여 수신 신호와 채널에 대한 딥러닝 학습을 수행하여 현재 타임 슬롯의 채널을 추정하여 추정 채널벡터를 도출하는 추정 채널 도출 단계;
도출된 현재 타임 슬롯의 추정 채널 벡터에 대해 LSTM(Long Short Term Memory) 기법으로 현재 타임 슬롯 기준으로 다음 타임 슬롯의 추정 채널벡터를 도출하는 추정 채널 추적 단계; 및
도출된 추정 채널 벡터로 빔포밍을 수행하는 빔포밍 단계를 포함하고,
상기 추정 채널 도출 단계는,
각 클러스터의 채널 벡터를 이용하여 각 클러스터에 대한 광대역 기하 채널 모델을 구축하며,
각 클러스터의 채널 벡터
는
단말 UE와 다수의 기지국 BS 중 임의의 기지국 사이의 경로 손실
과, 임의의 n번째 기지국 BS의 임의의 경로
의 복수 이득
과, 수직 및 수평 방향에서의 기지국 BS의 어레이 응답 벡터
,
에 대한 요소별 곱(element wise multiplication)으로 도출된 응답 벡터
를 토대로 도출하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 방법.
제9항에 있어서, 상기 추정 채널 도출단계는,
각 클러스터의 채널 벡터를 이용하여 각 클러스터에 대한 광대역 기하 채널 모델을 구축하되,
시간 지연
, 도착각 (AoA: Angel of Arrive)
및 기 정해진 펄스 형성 함수
를 토대로 각 클러스터의 채널 벡터
를 도출하여 도출된 각 클러스터의 채널 벡터
로 광대역 기하 채널 모델을 구축하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 방법.
제10항에 있어서, 상기 추정 채널 도출단계는,
딥러닝 기법을 이용하여 구축된 광대역 기하 채널 모델을 토대로 수신 신호와 채널 간의 매핑 함수에 대한 학습을 수행하여 각 기지국 별 밀리미터파 채널을 추정하되,
단말 UE로 전달받은 전방향성 안테나 패턴의 업링크 트레이닝 파일럿
와, 채널 벡터
, 아날로그 빔포밍 벡터
, 및 다수의 기지국 BS 중 임의의 n 기지국에서의 수신 잡음
을 포함하는 전방향 수신 신호
와 채널 간의 매핑 함수에 대한 학습을 수행하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 방법.
제11항에 있어서, 상기 추정 채널 추적단계는,
상기 딥러닝을 통해 도출된 타임 슬롯 T의 추정 채널 벡터
에 대해 LSTM 기법을 이용하여 다음 타임 슬롯의 추정 채널 벡터
를 도출하도록 구비하되,
이전 타임 슬롯 t-1의 채널 벡터
, 현재 타임 슬롯 t의 추정 채널 벡터
, 바이어스 벡터
, 및 가중치 행렬
을 토대로 정해진 관계식을 토대로 각 망각 게이트
, 입력 게이트
, 및 출력 게이트
를 각각 도출한 다음,
도출된 각 망각 게이트
, 입력 게이트
, 및 출력 게이트
를 토대로 기 정해진 관계식으로 이전 타임 슬롯 t-1의 셀 상태정보
및 추정 채널 벡터
를 도출하며,
도출된 이전 타임 슬롯 t-1의 셀 상태정보
및 추정 채널 벡터
에 대해 기 정해진 관계식을 토대로 현재 타임 슬롯 t의 셀 상태정보
및 추정 채널 벡터
를 도출하도록 구비하는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 방법.