KR102209630B1 - 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체 - Google Patents

심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체 Download PDF

Info

Publication number
KR102209630B1
KR102209630B1 KR1020190012862A KR20190012862A KR102209630B1 KR 102209630 B1 KR102209630 B1 KR 102209630B1 KR 1020190012862 A KR1020190012862 A KR 1020190012862A KR 20190012862 A KR20190012862 A KR 20190012862A KR 102209630 B1 KR102209630 B1 KR 102209630B1
Authority
KR
South Korea
Prior art keywords
wireless communication
characteristic information
deep learning
channel characteristic
communication environment
Prior art date
Application number
KR1020190012862A
Other languages
English (en)
Other versions
KR20200095137A (ko
Inventor
한동석
주지훈
Original Assignee
경북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190012862A priority Critical patent/KR102209630B1/ko
Publication of KR20200095137A publication Critical patent/KR20200095137A/ko
Application granted granted Critical
Publication of KR102209630B1 publication Critical patent/KR102209630B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/26—Monitoring; Testing of receivers using historical data, averaging values or statistics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters

Landscapes

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

Abstract

IEEE 802.11P 표준을 준수하는 무선 통신 시스템에서 심층 학습을 이용한 무선 통신 환경 적응 방법에 있어서, 무선 접속 환경으로부터 주기적으로 IQ 샘플을 수신하고, 수신한 IQ 샘플로부터 신호 대 잡음 정보, 채널 상태 정보 및 수신 신호 세기를 포함하는 채널 특성 정보를 추출하는 단계, 추출한 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망을 통해 학습하고, 학습 결과를 생성하는 단계, 추출한 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 생성된 학습 결과를 이용하여 미래 시점의 채널 특정 정보를 예측하는 단계 및 예측된 채널 특성 정보를 무선 접속 환경에 적응하기 위해 전송 파라미터로 적용하는 단계를 포함하는 심층 학습을 이용한 무선 통신 환경 적응 방법을 개시하고 있다.

Description

심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체{DEVICE AND METHOD FOR PREDICTING CHANNEL INFORMATION USING DEEP-LEARNING AND RECORDING MEDIUM FOR PERFORMING THE METHOD}
본 발명은 심층 학습을 이용한 무선 통신 환경 적응 방법 및 방법을 수행하기 위한 기록 매체에 관한 것으로서, 더욱 상세하게는 차량 환경에서 급속히 변하는 무선환경에 적응하여 처리량 및 전송 효율을 향상시키기 위해 심층 학습을 이용하여 채널 정보 예측 방법 및 방법을 수행하기 위한 기록 매체에 관한 것이다.
수신한 신호 특성에 기반하여 무선 전송을 적응시키는 것은 섀넌 한계(Shannon limit)에 가까운 통신 성능을 가능하게 하는 핵심 패러다임 중 하나이다. 예를 들면, 수신된 신호 대 잡음 비율(SNR, Signal to Noise Ratio)에 대한 정보는 전송률 적응형 프로토콜 기본이다. 이와 유사하게, 직교 주파수 분할 다중 방식 (Orthogonal Frequency Division Multiplex, 이하 OFDM) 전송에서 미세한 채널 상태 정보(CSI, Channel State Information)는 채널 폭의 정교한 적응을 가능하게 한다.
신호 대 잡음비(SNR) 및 채널 상태 정보(CSI)와 같은 수신된 신호 특성은 주어진 환경에서 전파를 기술하는 모델 또는 원하는 특성의 직접적인 측정을 통해서 추정될 수 있다. 이 모델은 특정 환경을 위해 구성되고, 설정의 상대적인 안정성을 가정한다. 측정은 특성을 측정하는 수신자와 전송을 적응시키는 속성을 사용하는 송신자간에 피드백 루프를 사용한다. 결과적으로, 측정 기반 접근법은 무선 채널이 두 개의 연속하는 패킷 수신을 수신하는 동안 변하지 않을 것으로 기대한다.
그러나, 차량 대 차량(Vehicle to Vehicle, 이하 V2V) 시나리오에서, 무선 환경은 빠르게 변한다. 첫째, 차량 노드를 둘러싼 환경을 일반화하는 것이 어려워서 구성된 모델을 사용할 수 없다. 둘째, 채널이 연속하는 패킷 사이의 시간에서도 변할 수 있기 때문에 측정 기반 접근법의 재검토가 필요하다. 예를 들면, 신호 대 잡음비(SNR) 및 채널 상태 정보(CSI)와 같은 현재 채널 정보는 차량 채널의 급격한 변화로 인해 쉽게 낡은 정보가 될 수 있다. 이 경우, 차량 노드는 현재 채널 정보를 기반으로 전송 파라미터를 적용할 수 없다. 더욱이, 차량 애드훅 네트워크에서 적용할만한 채널 상태 정보(CSI) 피드백 루프도 없다. 따라서, 종래의 차량 통신에서, 차량이 전송 파라미터를 적용하기 위해 사용할 수 있는 유일한 정보는 최근에 수신한 프레임에 기초한 정보뿐이다.
이와 같이, 최근에 수신한 프레임에 기초한 정보만으로는 차량을 둘러싼 환경에 맞추어 적절한 전송 파라미터를 적용할 수 없어서 데이터 처리량 및 전송 효율을 저하시키는 문제가 있다.
한국등록특허 제10-1513416호 (2015. 04. 14) 미국공개특허 US 20180137412 A1 (2018. 05. 17)
본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은, 수시한 프레임에 대한 정보를 심층 학습을 통해 학습하고, 현재 채널 정보로부터 미래의 전송 파라미터를 예측하는 방법 및 방법을 실시하기 위한 기록매체를 제공하는 것이다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른, IEEE 802.11P 표준을 준수하는 무선 통신 시스템에서 심층 학습을 이용한 무선 통신 환경 적응 방법에 있어서, 무선 접속 환경으로부터 주기적으로 IQ(In-phase and quadrate) 샘플을 수신하고, 수신한 IQ 샘플로부터 신호 대 잡음 정보(SNR), 채널 상태 정보(CSI) 및 수신 신호 세기(RSSI)를 포함하는 채널 특성 정보를 추출하는 단계; 상기 추출한 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망(RNN, Recurrent Neural Network)을 통해 학습하고, 학습 결과를 생성하는 단계; 상기 추출한 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 상기 생성된 학습 결과를 이용하여 미래 시점의 채널 특정 정보를 예측하는 단계; 및 상기 예측된 채널 특성 정보를 무선 접속 환경에 적응하기 위해 전송 파라미터로 적용하는 단계;를 포함할 수 있다.
본 발명의 일 실시 예에 따른, 상기 채널 특성 정보를 추출하는 단계는 상기 수신한 IQ 샘플의 샘플링 레이트를 수신 장치의 샘플링 레이트와 동일하게 다운 샘플링하여 샘플링 데이터를 생성하는 단계; 상기 샘플링 데이터로부터 프리엠블 필드, 시그널 필드 및 데이터 필드를 포함하는 프레임을 검출하는 단계; 상기 검출된 프레임으로부터 심볼의 시작위치를 결정하는 심볼 정렬 단계; 및 송신기와 수신기간에 발생하는 불일치를 보정하는 반송파 주파수 오프셋 보정 단계;를 포함할 수 있다.
본 발명의 일 실시 예에 따른, 상기 프리엠블 필드는, 짧은 트레이닝 시퀀스(STS, Short training sequence)와 긴 트레이닝 시퀀스(LTS, long training sequence)를 포함할 수 있다.
본 발명의 일 실시 예에 따른, 상기 프레임을 검출하는 단계는, 동일한 패턴이 반복되는 짧은 트레이닝 시퀸스(STS)를 자기 상관 기능을 통해 검출하되, 자기 상관 기능은 아래 수식에 따라 계산할 수 있다.
Figure 112019011645607-pat00001
여기서,
Figure 112019011645607-pat00002
는 수신된 IQ 샘플,
Figure 112019011645607-pat00003
은
Figure 112019011645607-pat00004
의 켤레 복소수(complex conjugate)이며,
Figure 112019011645607-pat00005
은 자기 상관을 위한 윈도우 사이즈이다.
본 발명의 일 실시 예에 따른, 상기 심볼 정렬 단계는, 수신된 IQ 샘플과 긴 트레이닝 시퀀스의 전체 패턴을 상호 상관(cross-correlation)을 통해 추출된 피크(peak)에 의해 시작 위치를 식별할 수 있다.
본 발명의 일 실시 예에 따른, 반송파 주파수 오프셋 단계는, 대략적인 반송파 주파수 오프셋 보정과 정밀한 반송파 주파수 오프셋 보정을 수행할 수 있다.
본 발명의 일 실시 예에 따른, 상기 대략적인 반송파 주파수 오프셋은 짧은 트레이닝 시퀀스의 마지막 5개의 심볼을 이용하여 아래 수식에 따라 계산할 수 있다.
Figure 112019011645607-pat00006
여기서,
Figure 112019011645607-pat00007
은 라디안 단위의 위상각이고,
Figure 112019011645607-pat00008
는 짧은 트레이닝 시퀀스(STS)에서 하나의 짧은 심볼에 대한 샘플의 수이다.
본 발명의 일 실시 예에 따른, 상기 정밀한 반송파 주파수 오프셋 보정은 아래 수식에 따라 계산할 수 있다.
Figure 112020093451772-pat00065
여기서,
Figure 112020093451772-pat00010
는 긴 트레이닝 시퀀스(LTS)에서 하나의 긴 심볼에 대한 샘플의 수이고, m은 수신 샘플의 인덱스로 긴 트레이닝 시퀀스(LTS)는 128개의 샘플로 구성되므로 m은 0 내지 127의 값을 가질 수 있다.
본 발명의 일 실시 예에 따른, 상기 순환 신경망(RNN)은 장단기 메모리(LSTM, Long Short Term Memory)를 이용할 수 있다.
본 발명의 일 실시 예에 따른, 상기 장단기 메모리(LSTM)는 복수개의 은닉 유닛을 가지는 복수 개의 장단기 메모리(LSTM) 레이어를 이용할 수 있다.
본 발명의 일 실시 예에 따른, 상기 학습 데이터 집합은 상기 추출한 현재 시점의 채널 특성 정보에서 미리 정해둔 비율만큼 분류한 것일 수 있다.
본 발명의 일 실시 예에 따른, 상기 예측 데이터 집합은 상기 추출한 현재 시점의 채널 특성 정보 중 학습 데이터 집합으로 분류된 부분을 제외한 나머지 부분일 수 있다.
본 발명의 일 실시예에 따른 컴퓨터로 판독 가능한 기록 매체에는 심층 학습을 이용한 무선 통신 환경 적응 방법을 수행하기 위한 컴퓨터 프로그램이 기록될 수 있다.
전술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 IEEE 802.11P 표준을 준수하는 무선 통신 시스템에서 심층 학습을 이용한 무선 통신 환경 적응 장치에 있어서, 무선 접속 환경으로부터 주기적으로 IQ 샘플을 수신하고, 수신한 IQ 샘플로부터 현재 시점의 채널 특성 정보를 추출하는 추출부; 상기 추출한 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망(RNN, Recurrent Neural Network)을 통해 학습하고, 학습 결과를 생성하는 학습부; 상기 추출한 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 상기 생성된 학습 결과를 이용하여 미래 시점의 채널 특정 정보를 예측하는 예측부; 및 상기 예측된 채널 특성 정보를 전송 파라미터로 적용하여 무선 접속 환경에 적응시키는 제어부;를 포함할 수 있다.
상술한 본 발명의 일 측면에 따르면, 본 발명의 심층 학습을 이용한 무선 통신 환경 적응 방법 및 방법을 수행하기 위한 기록 매체에 의해 제공되는 효과는, 채널 특성 정보를 예측하여 데이터 처리량 및 전송 효율을 개선하여 무선 전송 성능을 향상시키는 유리한 효과가 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 심층 학습을 이용한 무선 통신 환경 적응 장치의 개략적인 구성을 나타내는 구성도이다.
도 2는 IEEE 802.11p 프레임의 구성도이다.
도 3은 완벽한 채널 환경에서 긴 트레이닝 시퀀스(LTS)와 수신된 샘플 간의 교차 상관 결과를 나타내는 그래프이다.
도 4는 실제 채널 환경에서 긴 트레이닝 시퀀스(LTS)와 수신된 샘플 간의 교차 상관 결과를 나타내는 그래프이다.
도 5는 실제 채널 환경에서 긴 트레이닝 시퀀스(LTS)와 수신된 샘플 간의 교차 상관 결과에 대해 주파수 오프셋 보정을 수행한 결과를 나타내는 그래프이다.
도 6은 일반적인 장단기 메모리(LSTM, Long Short Term Memory)로 셀(cell)내부에서의 데이터 흐름이 도시된 블록도이다.
도 7은 시간 흐름에 따른 신호 대 잡음비(SNR)의 변화를 나타내는 도면이다.
도 8은 본 발명의 일 실시 예에 따른 심층 학습을 이용한 무선 통신 환경 적응 방법의 개략적인 흐름이 도시된 순서도이다.
도 9는 본 발명의 일 실시 예에 따른 특성 정보를 추출한 방법의 개략적인 흐름이 도시된 순서도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는 첨부한 도면들을 참조하여 본 발명의 바람직한 실시 예에 따른 하이라이트 영상 생성 장치에 대해서 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 심층 학습을 이용한 무선 통신 환경 적응 장치의 개략적인 구성을 나타내는 구성도이다.
도 1을 참조하면, 심층 학습을 이용한 무선 통신 환경 적응 장치(100)는 이동성을 갖거나 고정될 수 있다. 예컨대, 심층 학습을 이용한 무선 통신 환경 적응 장치(100)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 스마트폰(smartphone), 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.
또한, 심층 학습을 이용한 무선 통신 환경 적응 장치(100)는 도 1에 도시된 구성요소보다 많은 구성요소에 의해 구현될 수 있고, 그보다 적은 구성요소에 의해 구현될 수 있다. 또는, 심층 학습을 이용한 무선 통신 환경 적응 장치(100)는 추출부(110), 학습부(120), 예측부(130) 및 제어부(140) 중 적어도 두 개의 구성요소가 하나의 구성요소로 통합되어 하나의 구성요소가 복합적인 기능을 수행할 수도 있다. 이하, 상술한 구성요소들에 대해 구체적으로 설명하기로 한다.
추출부(110)는 무선 접속 환경으로부터 주기적으로 IQ 샘플을 수신하고, 수신한 IQ 샘플로부터 현재 시점의 채널 특성 정보를 추출할 수 있다. 이를 위해, 추출부(110)는 무선 신호를 포착하여 데이터를 수신하는 안테나를 포함할 수 있으며, 안테나는 차량 환경에서의 무선 접속(Wireless Access in Vehicular Environments, 이하 WAVE)을 위해 차량 장착용 유닛(On Board Unit, 이하 OBU)에 내장될 수 있다.
추출부(110)는 OBU를 통해 안전 메시지(BSM, Basic Safety Messages)메시지를 수신하고 저장할 할 수 있다. 이때 추출부(110)는 IEEE 802.11p 프레임의 IQ(In-phase and quadrate) 샘플을 선별적으로 저장하기 위해 신호 전력이 특정 잡음 레벨과 같은 임계값을 초과하거나 전체 WAVE 프레임을 포착하는데 필요한 시간 동안에만 IQ레코딩을 수행하여 원시 IQ 샘플을 생성할 수 있다.
도 2는 IEEE 802.11p 프레임의 구성도다.
도 2를 참조하면, 원시 IQ 샘플에는 IEEE 802.11p 프레임을 포함할 수 있다. 이때 IEEE 802.11p 프레임은 프리엠블(F100 및 F200, preamble) 영역, 신호(F300, signal)영역 및 데이터(F400, data) 영역으로 구성된다. 이때 프리엠블(F100 및 F200)은 채널 정보를 포함할 수 있고, 신호 영역(F300)은 데이터 레이트의 정보와 뒤 따르는 데이터(F400)의 길이의 정보를 포함할 수 있다.
일 실시예에서, 프리엠블(F100 및 F200)은 짧은 트레이닝 시퀀스(F100, Short Training Sequence, 이하 STS)와 긴 트레이닝 시퀀스(F200, Long Training Sequence, 이하 LTS)를 포함할 수 있다. 이때 STS(F100)와 LTS(F200)은 각각 IEEE 802.11 표준에 의해 알려져 있는 정보이다.
STS(F100)는 약 16개 샘플이 1.6μs의 시간동안 할당되는 10개의 동일한 짧은 심볼(F101 내지 F110)로 구성되므로 총 16μs동안 161개의 샘플을 가진다. 이하에서 설명할 대략적인(coarse) 주파수 오프셋 보정에서 사용된다.
LTS(F200)는 3.2μs의 시간이 할당되는 긴 심볼의 절반 크기의 가드 인터벌(F210)과 6.4μs의 시간이 할당되는 두 개의 연속하는 긴 심볼(F220, F230)로 구성되고, STS(F100)와 마찬가지로 16μs(즉, 3.2μs+6.4μs+6.4μs) 동안 161개의 샘플을 가지며, 이하에서 설명할 정교한(fine) 주파수 오프셋 보정에서 사용된다.
추출부(110)는 IEEE 802.11p 표준에 의한 채널 상태 정보(CSI, Channel State Information) 추출 알고리즘을 수행할 수 있다. 추출 알고리즘은 다운 샘플링(Down Sampling), 프레임 검출(Frame Detection), 심볼 정렬(Symbol Alignment), 주파수 오프셋 보정(frequency offset correction) 및 트레이닝 시퀀스(Training Sequence) 추출 단계를 통해 채널 상태 정보(CSI)를 추출할 수 있다.
다운 샘플링(Down Sampling)은 원시 IQ 샘플의 샘플링 레이트가 IEEE 802.11p 표준에 따른 샘플링 레이트보다 높은 경우 IEEE 802.11p 표준에 따른 샘플링 레이트와 동일한 비율을 갖도록 샘플링 레이트를 낮추어 조정하는 것이다.
일 실시예에서, 동일한 패턴이 반복되는 짧은 트레이닝 시퀸스(STS)를 자기 상관 기능을 통해 검출하되, 자기 상관 기능은 아래 수식에 따라 계산할 수 있다.
프레임 검출(Frame Detection) 알고리즘은 동일한 패턴은 10번 반복되는STS(F100)에 대해 자기 상관(autocorrelation) 함수를 이용하여 구현할 수 있다. 이때 자기 상관 함수(
Figure 112019011645607-pat00011
)는 복소수 곱셈을 포함하고, 아래 수학식 1에 따라 계산된다.
[수학식 1]
Figure 112019011645607-pat00012
여기서,
Figure 112019011645607-pat00013
는 수신된 IQ 샘플,
Figure 112019011645607-pat00014
은
Figure 112019011645607-pat00015
의 켤레 복소수(complex conjugate)이다.
Figure 112019011645607-pat00016
은 자기 상관을 위한 윈도우 사이즈이며 측정을 통해 48을 얻을 수 있다.
Figure 112019011645607-pat00017
는 STS(F100)에서 하나의 짧은 심볼에 대한 샘플의 수이며, IEEE 802.11p에서는 16이다.
일 실시예에서, 수신된 원시 데이터와 긴 트레이닝 시퀀스의 전체 패턴을 상호 상관(cross-correlation)을 통해 추출된 피크(peak)에 의해 시작 위치를 식별할 수 있다
심볼 정렬(Symbol Alignment)은 샘플 레벨에서 LTS(F200)의 긴 심볼의 시작 위치를 결정하는 절차이다. 두 개의 긴 심볼(F220, F230)의 위치는 수신된 IQ샘플들과 LTS(F200)의 전체적인 패턴간의 상호 상관의 결과로부터 피크에 의해 식별된다. LTS(F200)는 패턴의 절반(F210)과 두 개의 연속 패턴(F220, F230)으로 구성되므로, IEEE 802.11p 프레임이 수신된 IQ 샘플에 존재한다면, 하나의 낮은 피크와 두 개의 높은 피크가 감지된다. 각각의 피크는 패턴의 시작 위치를 지시한다.
도 3은 완벽한 채널 환경에서 긴 트레이닝 시퀀스(LTS)와 수신된 샘플 간의 교차 상관 결과를 나타내는 그래프이다.
도 3을 참조하면, 시간 경과에 따른 상호 교차(cross-correlation)를 알 수 있으며, 피크는 약 1.6×10-5 시점, 약 1.92×10-5 시점 및 약 2.56×10-5 시점에서 나타나는 것을 알 수 있다.
도 4는 실제 채널 환경에서 긴 트레이닝 시퀀스(LTS)와 수신된 샘플 간의 교차 상관 결과를 나타내는 그래프이다.
도 4를 참조하면, 도 3과 상호 교차 결과가 일치하지 않음을 알 수 있다. 이러한 불일치는 송신기와 수신기간에 반송파 주파수 오프셋(CFO, Carrier Frequency Offset)에서 비롯된다. 이러한 차이를 극복하기 위해 CFO를 보정을 수행해야 한다.
일 실시예에서, 반송파 주파수 오프셋 단계는 대략적인 반송파 주파수 오프셋 보정(Coarse CFO Correction)과 정밀한 반송파 주파수 오프셋 보정(Fine CFO Correction)을 수행할 수 있다.
대략적인 반송파 주파수 오프셋 보정(Coarse CFO Correction)은 상기 STS(F100)의 반복 특성을 이용한다. STS(F100)에서 하나의 샘플은 16샘플 떨어진 다음 STS(F100)의 샘플과 같아야 하므로, 이 두 개의 샘플의 켤레 곱셈(conjugate multiplication)을 통해 주파수 오프셋 추정을 생성할 수 있다. 대략적인 주파수 오프셋(
Figure 112019011645607-pat00018
)의 계산은 STS(F100)의 마지막 5개의 짧은 심볼(F106 내지 F110)을 이용하며, 아래 수학식 2및 수학식 3에 따라 계산된다.
[수학식 2]
Figure 112019011645607-pat00019
[수학식 3]
Figure 112019011645607-pat00020
여기서,
Figure 112019011645607-pat00021
는 수신된 IQ 샘플,
Figure 112019011645607-pat00022
은
Figure 112019011645607-pat00023
의 켤레 복소수(complex conjugate)이고,
Figure 112019011645607-pat00024
은 라디안 단위의 위상각이다.
Figure 112019011645607-pat00025
는 STS(F100)에서 하나의 짧은 심볼에 대한 샘플의 수이다.
일 실시예에서, 정밀한 반송파 주파수 오프셋 보정(
Figure 112019011645607-pat00026
)은 아래 수학식 4 및 수학식 5에 따라 계산할 수 있다.
[수학식 4]
Figure 112020093451772-pat00066
[수학식 5]
Figure 112019011645607-pat00028
여기서,
Figure 112020093451772-pat00029
는 수신된 IQ 샘플,
Figure 112020093451772-pat00030
은
Figure 112020093451772-pat00031
의 켤레 복소수(complex conjugate)이고,
Figure 112020093451772-pat00032
은 라디안 단위의 위상각이다.
Figure 112020093451772-pat00033
는 LTS(F200)에서 하나의 긴 심볼에 대한 샘플의 수이고, m은 수신 샘플의 인덱스로 LTS(F200)는 128개의 샘플로 구성되므로 m은 0 내지 127의 값을 가질 수 있다.
도 5는 실제 채널 환경에서 긴 트레이닝 시퀀스(LTS)와 수신된 샘플 간의 교차 상관 결과에 대해 주파수 오프셋 보정을 수행한 결과를 나타내는 그래프이다.
도 5를 참조하면, 도 4에서 주파수 오프셋 보정이 없는 심볼 정렬 결과와 비교하여 잡음 효과가 억제되어 피크(peak)가 더욱 선명하게 나타나는 것을 알 수 있다.
주파수 오프셋을 보정한 후 트레이닝 시퀀스(Training Sequence)를 추출할 수 있다.
LTS(F200) 패턴의 시작점은 두 개의 피크에 의해 결정된다. IEEE 802.11p은 64 포인트 빠른 푸리에 변환(fast Fourier transform, 이하 FFT)을 이용하므로, 첫 번째 피크의 64개의 샘플 및 두 번째 피크의 64개의 샘플에 대해 64 포인트 FFT를 적용하여 채널에 영향을 받는 LTS(F200) 패턴을 산출한다. 그런 다음 주파수 영역에서 두 개의 긴 심볼(F220, F230)로부터 두 개의 채널 주파수 응답(CFR, Channel Frequency Response)이 평균화되고, 채널을 추정하기 위해 최소 평균 제곱 오차(MMSE, minimum mean square error) 알고리즘을 사용한다. 최소 평균 제곱 오차 (MMSE) 채널 추정을 포함하여 채널 상태 정보(CSI)를 계산하기 위해, 우선
Figure 112019011645607-pat00034
를 최소화하는 최소 제곱(LS, least square) 추정기를 사용한다. 여기서 Y 는 평균적인 CFR을 나타내고, X는 주파수 영역에서 긴 심볼이며, H는 채널 상태 정보(CSI)이다. H 연산자는 켤레 전치(conjugate transpose)를 의미한다.
H의 LS 추정기(
Figure 112019011645607-pat00035
)는 아래 수학식 6에 따라 계산된다.
[수학식 6]
Figure 112019011645607-pat00036
이때 H의 최소 평균 제곱 오차(MMSE) 추정기(
Figure 112019011645607-pat00037
)는 아래 수학식 7에 따라 계산된다.
[수학식 7]
Figure 112019011645607-pat00038
여기서 RHH는 아래 수학식 8에 따라 계산된다.
[수학식 8]
Figure 112019011645607-pat00039
여기서 E는 기대치를 의미하고, 는 F이산 푸리에 변환(DFT, discrete Fourier transform)행렬을 나타낸다.
학습부(120)는 추출한 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망(RNN, Recurrent Neural Network)을 통해 학습하고, 학습 결과를 생성할 수 있다.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 머신 러닝(machine learning)의 구현을 위해 레이어가 필요하며, 퍼셉트론(perceptron), 컨볼루션 신경망(CNN, Convolution Neural Network) 및 순환 신경망(RNN, Recurrent Neural Network)과 같은 다양한 레이어가 이용되고 있다.
일 실시예에서, 순환 신경망(RNN, Recurrent Neural Network)은 장단기 메모리(LSTM, Long Short Term Memory)를 이용할 수 있다.
순환 신경망(RNN)은　인공 신경망의 한 종류이며, 유닛(unit)간의 연결이　순환적 구조를 갖는 특징을 가지고 있다. 이러한 구조는 시변적 동적 특징을 모델링 할 수 있도록 신경망 내부에 상태를 저장할 수 있게 해준다.　전방 전달 신경망과 달리, 순환 신경망(RNN)은 내부의　메모리를 이용해 시퀸스　형태의 입력을 처리할 수 있다. 따라서 순환 신경망(RNN)은 필기체 인식이나　음성 인식과 같이 시변적 특징을 가지는 데이터를 처리할 수 있다. 순환 신경망(RNN)의 한 종류로 장단기 메모리(LSTM, Long Short Term Memory)를 포함한다.
장단기 메모리(LSTM, Long Short Term Memory)는 셀(cell), 입력 게이트(input gate), 출력 게이트(output gate) 및 망각 게이트(forget gate)로 구성된다. 이 때 장단기 메모리(LSTM) 단위로 구성된 순환 신경망(RNN)을 장단기 메모리(LSTM) 네트워크라고 한다. 장단기 메모리(LSTM) 네트워크는 시계열에서 중요한 이벤트 사이에 알 수 없는 지속 시간이 지연 될 수 있기 때문에 시계열 데이터를 기반으로 예측을 분류, 처리 및 예측하는 데 적합하다.
도 6은 일반적인 장단기 메모리(LSTM, Long Short Term Memory)로 셀(cell)내부에서의 데이터 흐름이 도시된 블록도이다.
도 6을 참조하면, 특징 벡터(310), 이전 단계의 결과 벡터(330) 및 이전 단계의 셀 상태 벡터(350)들을 이용한 연산 과정을 알 수 있다.
각각의 게이트는 정보의 흐름을 선택하기 위한 것으로, 시그모이드 레이어(σ, 331, 333, 337), 곱셈 연산(
Figure 112019011645607-pat00040
, 351,353, 359), 덧셈 연산(
Figure 112019011645607-pat00041
, 355) 및 하이퍼볼릭 탄젠트(tanh, 335, 357)로 구성됨을 알 수 있다. 이 때, 시그모이드 레이어(σ, 331, 333, 337)는 0 혹은 1의 값을 출력하며, 각각의 구성요소가 얼마만큼의 영향을 주게 될지를 결정할 수 있다.
셀 상태 벡터(360)는 셀(cell)의 현재 시점의 상태(state)이며 체인의 전체를 가로지르면서, 게이트(gate)를 통해 셀(cell)에 정보를 추가하거나 제거하여 정제된 결과이다. 장단기 메모리(300)는 망각 게이트(331), 입력 게이트(333) 및 출력 게이트(337)를 사용하여 셀 상태 벡터(360)를 보호하고 조절할 수 있다.
망각 게이트(331)는 특징 벡터(310)와 이전 시간 구간의 결과 벡터(330, ht-1)를 참조하여 유지할지 제거할지 결정할 수 있다. 망각 벡터(332)는 특징 벡터(310, xt)에 대해 대해 해당 레이어의 가중치(Wf)를 곱한 값과 이전 시간 구간의 결과 벡터(330, ht-1)에 반복 가중치(Rf)를 곱한 값 그리고 오프셋인 바이어스 벡터(bf)를 더한 값을 시그모이드 레이어(331, σg)를 통과하여 얻을 수 있다. 이를 수식으로 표현하면 수학식 9와 같다.
[수학식 9]
ft = σg(Wfxt+Rfht-1+bf)
입력 벡터(334)와 출력 벡터(338)은 망각 벡터(332)를 구하는 방법과 유사한 방법으로 계산할 수 있으며, 입력 벡터(334)는 아래 수학식 10에 따라 구할 수 있고, 출력 벡터(338)는 수학식 11에 따라 계산할 수 있다.
[수학식 10]
it = σg(Wixt+Riht-1+bi)
[수학식 11]
ot = σg(Woxt+Roht-1+bo)
후보 벡터(336)는 셀 상태 벡터(360)에 더해질 새로운 후보 값들을 포함할 수 있다. 후보 벡터(336)는 이전 시간 구간의 결과 벡터(330)에 대해 입력 레이어의 가중치(wc)를 감안하여 산출한 값에 오프셋인 바이어스 벡터(bc)를 더한 값을 하이퍼볼릭 탄젠트 레이어(tanh layer, 335) 를 통과하여 얻을 수 있다. 이를 수식으로 표현하면 수학식 12와 같다.
[수학식 12]
gt = σc(Wgxt+Rght-1+bg)
셀 상태 벡터(360)는 이전 셀 상태 벡터(350)와 망각 게이트(331)의 망각 벡터(332)에 벡터 곱(351)을 수행하여 얻은 결과 값과 입력 게이트의 입력 벡터(334)와 후보 벡터(336)에 대해 벡터 곱(353)을 수행하여 얻은 결과 값을 합(355)함으로써 셀 상태 벡터(360)를 얻을 수 있다. 이를 수식으로 표현하면 수학식 13과 같다.
[수학식 13]
ct = ft ⊙ ct-1+ it ⊙gt
여기서 기호 ⊙는 두 개의 동일 차원 행렬을 취하고, 각 원소
Figure 112019011645607-pat00042
,
Figure 112019011645607-pat00043
는 원래의 두 행렬의 원소
Figure 112019011645607-pat00044
,
Figure 112019011645607-pat00045
의 곱인 다른 행렬을 생성하는 하다마드 곱(Hadamard product)을 의미한다.
예측부(130)는 추출한 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 상기 생성된 학습 결과를 이용하여 결과 벡터(340, 380)으로 미래 시점의 채널 특정 정보를 예측할 수 있다.
결과 벡터(340, 380)는 장단기 메모리(300)의 결과 벡터로 최종 결과를 무엇을 낼지 결정한다. 결과 벡터(340, 380)는 셀 상태 벡터(360)를 하이퍼볼릭 탄젠트 레이어(357)에 통과한 결과와 출력 벡터(338)에 대해 벡터 곱(359)을 수행함으로써 얻을 수 있다. 이를 수식으로 표현하면 수학식 14과 같다.
[수학식 14]
ht = ot ⊙ σc(ct)
일 실시예에서, 장단기 메모리(LSTM)는 복수개의 은닉 유닛을 가지는 복수 개의 장단기 메모리(LSTM) 레이어를 이용할 수 있다.
일 실시예에서, 학습 데이터 집합은 추출한 현재 시점의 채널 특성 정보에서 미리 정해둔 비율만큼 분류한 것일 수 있다. 미리 정해둔 비율은 60%를 기준으로 하나, 다른 비율을 지정할 수 있다. 이때, 학습 데이터 집합은 실시간으로 변하는 채널 특성을 판단하기 위해 학습자료로 반영할 수 있다.
예측 데이터 집합은 상기 추출한 현재 시점의 채널 특성 정보 중 학습 데이터 집합으로 분류된 부분을 제외한 나머지 부분일 수 있다. 이 때 나머지 부분은 100%에서 60%를 제외한 40%기준으로 하나, 앞에서 다른 비율을 지정함에 따라 다른 비율을 지정할 수 있다. 이때, 예측 데이터 집합은 학습된 신경망에 입력하여 채널 특성 정보를 예측할 수 있다.
제어부(140)는 예측된 채널 특성 정보를 무선 접속 환경에 적응하기 위해 전송 파라미터에 적용할 수 있다.
도 7은 시간 흐름에 따른 신호 대 잡음비(SNR)의 변화를 나타내는 도면이다.
도 7을 참조하면, 가로 축은 시간(Time)의 흐름을 나타내고, 세로 축은 신호 대 잡음비(SNR)의 정도를 나타낸다. 미래 시점(t+1)에 전송 파라미터로 쓰일 신호 대 잡음비(SNR)를 도출하기 위한 것이다.
미래 시점(t+1)에서 실제로 측정된 값(1400)은 현재까지 측정된 값(1100)들보다 큰 값이다. 기존의 방식은 미래 시점(t+1)에 사용될 신호 대 잡음비(SNR)를 현재 시점(t)에 측정된 값을 복사한 값(1200)을 사용하며, 실제 측정된 값(1400)에 비교해서 상당히 작은 값을 이용하는 것을 알 수 있다.
그러나, 예측된 값(1300)은 실제 측정된 값(1400)과 복사한 값(1200)의 중간에 위치하는 것을 알 수 있다. 특정 구간(t-2 내지 t)에서 측정된 값(1100)들이 상승하는 경향임을 학습 및 반영하여 예측하는 것으로 실제 측정된 값(1400)과 차이는 있으나, 복사한 값(1200)에 비해 훨씬 근접한 값을 전송 파라미터로 사용할 수 있으므로 전송 성능을 개선할 수 있는 효과가 있다.
도 8은 본 발명의 일 실시 예에 따른 심층 학습을 이용한 무선 통신 환경 적응 방법의 개략적인 흐름이 도시된 순서도이다.
본 발명에 따른 심층 학습을 이용한 무선 통신 환경 적응 방법은 상술한 본 발명에 따른 심층 학습을 이용한 무선 통신 환경 적응 장치(100)에 의해 수행될 수 있다. 이를 위해, 본 발명에 따른 심층 학습을 이용한 무선 통신 환경 적응 장치(100)는 후술하는 심층 학습을 이용한 무선 통신 환경 적응 방법을 구성하는 각 단계를 수행하기 위한 애플리케이션(소프트웨어)가 미리 설치될 수 있다. 예를 들어, 사용자의 컴퓨터에는 본 발명에 따른 심층 학습을 이용한 무선 통신 환경 적응 방법에 대한 플랫폼이 소프트웨어의 형태로 미리 설치될 수 있으며, 사용자는 컴퓨터에 설치된 소프트웨어를 실행하여 본 발명에 따른 심층 학습을 이용한 무선 통신 환경 적응 방법이 제공하는 다양한 서비스를 제공받을 수 있다.
본 발명의 일 실시 예에 따른 IEEE 802.11p 표준을 준수하는 무선 통신 시스템에서 심층 학습을 이용한 무선 통신 환경 적응 방법에 있어서, 무선 접속 환경으로부터 주기적으로 IQ(In-phase and quadrate) 샘플을 수신하고, 수신한 IQ 샘플로부터 신호 대 잡음비(SNR), 채널 상태 정보(CSI) 및 수신 신호 세기(RSSI)를 포함하는 채널 특성 정보를 추출하는 단계(S100), 추출한 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망(RNN)을 통해 학습하고, 학습 결과를 생성하는 단계(S200), 추출한 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 생성된 학습 결과를 이용하여 미래 시점의 채널 특정 정보를 예측하는 단계(S300) 및 예측된 채널 특성 정보를 무선 접속 환경에 적응하기 위해 전송 파라미터로 적용하는 단계(S400)를 포함할 수 있다.
도 9는 본 발명의 일 실시 예에 따른 특성 정보를 추출한 방법의 개략적인 흐름이 도시된 순서도이다.
일 실시 예에서, 채널 특성 정보를 추출하는 단계(S100)는 수신한 IQ 샘플의 샘플링 레이트를 수신 장치의 샘플링 레이트와 동일하게 다운 샘플링하여 샘플링 데이터를 생성하는 단계(S110), 샘플링 데이터로부터 프리엠블 필드, 시그널 필드 및 데이터 필드를 포함하는 프레임을 검출하는 단계(S120), 검출된 프레임으로부터 심볼의 시작위치를 결정하는 심볼 정렬 단계(S130) 및 송신기와 수신기간에 발생하는 불일치를 보정하는 반송파 주파수 오프셋 보정 단계(S140)를 포함할 수 있다.
상술한 각 단계들(S100, S200, S300, S400)에 대한 구체적인 설명은 도 1 내지 도 7을 참조하여 상술하였으므로, 반복되는 설명은 생략하기로 한다.
이와 같은, 심층 학습을 이용한 무선 통신 환경 적응 방법을 제공하는 기술은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시 예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 심층 학습을 이용한 무선 통신 환경 적응 장치
110: 추출부
120: 학습부
130: 예측부
140: 제어부

Claims (14)

  1. IEEE 802.11p 표준을 준수하는 무선 통신 시스템에서 심층 학습을 이용한 무선 통신 환경 적응 방법에 있어서,
    추출부에서 무선 접속 환경으로부터 주기적으로 IQ(In-phase and quadrate) 샘플을 수신하고, 수신한 IQ 샘플로부터 현재 시점의 신호 대 잡음비(SNR), 현재 시점의 채널 상태 정보(CSI) 및 현재 시점의 수신 신호 세기(RSSI)를 포함하는 채널 특성 정보를 추출하는 단계;
    학습부에서 상기 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망(RNN, Recurrent Neural Network)을 통해 학습하고, 학습 결과를 생성하는 단계;
    예측부에서 상기 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 상기 생성된 학습 결과를 이용하여 미래 시점의 채널 특정 정보를 예측하는 단계; 및
    제어부에서 상기 예측된 채널 특성 정보를 무선 접속 환경에 적응하기 위해 전송 파라미터로 적용하는 단계;를 포함하는 심층 학습을 이용한 무선 통신 환경 적응 방법.
  2. 제 1 항에 있어서, 상기 채널 특성 정보를 추출하는 단계는
    상기 추출부에서 상기 수신한 IQ 샘플의 샘플링 레이트를 수신 장치의 샘플링 레이트와 동일하게 다운 샘플링하여 샘플링 데이터를 생성하는 단계;
    상기 추출부에서 상기 샘플링 데이터로부터 프리엠블 필드, 시그널 필드 및 데이터 필드를 포함하는 프레임을 검출하는 단계;
    상기 추출부에서 상기 검출된 프레임으로부터 심볼의 시작위치를 결정하는 심볼 정렬 단계; 및
    상기 추출부에서 송신기와 수신기간에 발생하는 불일치를 보정하는 반송파 주파수 오프셋 보정 단계;를 포함하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  3. 제 2 항에 있어서, 상기 프리엠블 필드는,
    짧은 트레이닝 시퀀스(STS, Short training sequence)와 긴 트레이닝 시퀀스(LTS, long training sequence)를 포함하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  4. 제 3 항에 있어서, 상기 프레임을 검출하는 단계는,
    동일한 패턴이 반복되는 짧은 트레이닝 시퀸스(STS)를 자기 상관 기능을 통해 검출하되, 자기 상관 기능은 아래 수식에 따라 계산하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
    Figure 112020093451772-pat00046

    여기서,
    Figure 112020093451772-pat00047
    는 수신된 IQ 샘플,
    Figure 112020093451772-pat00048
    은
    Figure 112020093451772-pat00049
    의 켤레 복소수(complex conjugate)이며,
    Figure 112020093451772-pat00050
    은 자기 상관을 위한 윈도우 사이즈이며,
    Figure 112020093451772-pat00067
    는 STS에서 하나의 짧은 심볼에 대한 샘플의 수이다.
  5. 제 3 항에 있어서, 상기 심볼 정렬 단계는,
    수신된 IQ 샘플과 긴 트레이닝 시퀀스의 전체 패턴을 상호 상관(cross-correlation)을 통해 추출된 피크(peak)에 의해 시작 위치를 식별하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  6. 제 3 항에 있어서, 반송파 주파수 오프셋 보정 단계는,
    대략적인 반송파 주파수 오프셋 보정(Coarse Carrier Frequency Offset Correction)과 정밀한 반송파 주파수 오프셋 보정(Fine Carrier Frequency Offset Correction)을 수행하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  7. 제 6 항에 있어서, 상기 대략적인 반송파 주파수 오프셋 보정은,
    짧은 트레이닝 시퀀스의 마지막 5개의 심볼을 이용하여 아래 수식에 따라 계산하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
    Figure 112019011645607-pat00051

    여기서,
    Figure 112019011645607-pat00052
    은 라디안 단위의 위상각이고,
    Figure 112019011645607-pat00053
    는 짧은 트레이닝 시퀀스(STS)에서 하나의 짧은 심볼에 대한 샘플의 수이다.
  8. 제 6 항에 있어서, 상기 정밀한 반송파 주파수 오프셋 보정은,
    아래 수식에 따라 계산하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
    Figure 112020093451772-pat00068

    여기서,
    Figure 112020093451772-pat00055
    는 긴 트레이닝 시퀀스(LTS)에서 하나의 긴 심볼에 대한 샘플의 수이고, m은 수신 샘플의 인덱스로 긴 트레이닝 시퀀스(LTS)는 128개의 샘플로 구성되므로 m은 0 내지 127의 값을 가질 수 있다.
  9. 제 1 항에 있어서, 상기 순환 신경망(RNN)은,
    장단기 메모리(LSTM, Long Short Term Memory)를 이용하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  10. 제 9 항에 있어서, 상기 장단기 메모리(LSTM)는,
    복수개의 은닉 유닛을 가지는 복수 개의 장단기 메모리(LSTM) 레이어를 이용하는, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  11. 제 1 항에 있어서, 상기 학습 데이터 집합은,
    상기 현재 시점의 채널 특성 정보에서 미리 정해둔 비율만큼 분류한 것인, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  12. 제 1 항에 있어서, 상기 예측 데이터 집합은,
    상기 현재 시점의 채널 특성 정보 중 학습 데이터 집합으로 분류된 부분을 제외한 나머지 부분인, 심층 학습을 이용한 무선 통신 환경 적응 방법.
  13. 제 1 항 내지 제 12 항 중 어느 하나의 항에 따른 심층 학습을 이용한 무선 통신 환경 적응 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  14. IEEE 802.11P 표준을 준수하는 무선 통신 시스템에서 심층 학습을 이용한 무선 통신 환경 적응 장치에 있어서,
    무선 접속 환경으로부터 주기적으로 IQ 샘플을 수신하고, 수신한 IQ 샘플로부터 현재 시점의 채널 특성 정보를 추출하는 추출부;
    상기 추출부의 현재 시점의 채널 특성 정보에서 분류한 학습 데이터 집합을 순환 신경망(RNN, Recurrent Neural Network)을 통해 학습하고, 학습 결과를 생성하는 학습부;
    상기 추출부의 현재 시점의 채널 특성 정보에서 분류한 예측 데이터 집합과 상기 생성된 학습 결과를 이용하여 미래 시점의 채널 특정 정보를 예측하는 예측부; 및
    상기 예측된 채널 특성 정보를 무선 접속 환경에 적응하기 위해 전송 파라미터에 적용하는 제어부;를 포함하는 심층 학습을 이용한 무선 통신 환경 적응 장치.
KR1020190012862A 2019-01-31 2019-01-31 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체 KR102209630B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190012862A KR102209630B1 (ko) 2019-01-31 2019-01-31 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190012862A KR102209630B1 (ko) 2019-01-31 2019-01-31 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체

Publications (2)

Publication Number Publication Date
KR20200095137A KR20200095137A (ko) 2020-08-10
KR102209630B1 true KR102209630B1 (ko) 2021-01-29

Family

ID=72049653

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190012862A KR102209630B1 (ko) 2019-01-31 2019-01-31 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체

Country Status (1)

Country Link
KR (1) KR102209630B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102174380B1 (ko) * 2020-09-08 2020-11-04 국방과학연구소 수신신호의 프리앰블 추정 장치, 방법, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램
CN113553771B (zh) * 2021-07-30 2024-02-20 海宁利伊电子科技有限公司 基于rnn网络的动态x参数核计算方法
EP4167533A1 (en) 2021-10-15 2023-04-19 Volkswagen Ag Method for user equipment for improving a transmission efficiency, method for a network entity, apparatus, vehicle and computer program
CN114362855A (zh) * 2021-12-30 2022-04-15 重庆两江卫星移动通信有限公司 一种基于lstm的信道状态预测方法及***
CN116743286B (zh) * 2023-06-12 2024-01-30 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置
CN118091791A (zh) * 2024-04-29 2024-05-28 太原无线电一厂有限公司 一种基于通信网络自适应的气象探空仪探测控制***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101513416B1 (ko) 2014-04-21 2015-04-22 주식회사 이노와이어리스 Ｃｒａｎ에서 ｉｑ 데이터 처리 장치
US9681270B2 (en) * 2014-06-20 2017-06-13 Opentv, Inc. Device localization based on a learning model
EP4250600A3 (en) * 2015-04-10 2023-11-29 Mitsubishi Electric Corporation Communication system
KR102423059B1 (ko) * 2016-10-25 2022-07-21 삼성전자주식회사 전자 장치 및 전자 장치의 통신 프로토콜 설정 방법
US10855550B2 (en) 2016-11-16 2020-12-01 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
KR102139729B1 (ko) * 2017-06-09 2020-07-31 한국과학기술원 전자 장치 및 학습 모델의 재학습 방법

Also Published As

Publication number Publication date
KR20200095137A (ko) 2020-08-10

Similar Documents

Publication Publication Date Title
KR102209630B1 (ko) 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체
US20060067441A1 (en) Apparatus and method for estimating delay spread of multi-path fading channel in wireless communication system
Fadul et al. RF-DNA fingerprint classification of OFDM signals using a Rayleigh fading channel model
Fadul et al. Nelder-mead simplex channel estimation for the RF-DNA fingerprinting of OFDM transmitters under Rayleigh fading conditions
Gizzini et al. A survey on deep learning based channel estimation in doubly dispersive environments
US6505053B1 (en) Method for sinusoidal modeling and prediction of fast fading processes
US9084133B1 (en) Joint estimation of channel and preamble sequence for orthogonal frequency division multiplexing systems
Nissel et al. Doubly-selective channel estimation in FBMC-OQAM and OFDM systems
US8842754B2 (en) Process for estimating the channel in a OFDM communication system, and receiver for doing the same
KR20110081995A (ko) Ｏｆｄｍ 수신기에서의 채널 예측
US20170041097A1 (en) Method and apparatus of constructing interference component and estimating channel for multicarrier systems with non-orthogonal waveform
CN112865891B (zh) Pucch信号检测方法、装置、通信设备和存储介质
US20090180557A1 (en) Channel estimation device and related method of an orthogonal frequency division multiplexing system
US20060017613A1 (en) High doppler channel estimation for OFD multiple antenna systems
CN112543409B (zh) 一种到达时间toa估计方法及基站
EP2164217B1 (en) Long term evolution (LTE) radio link timing synchronization
Suárez-Casal et al. Experimental assessment of WiMAX transmissions under highly time-varying channels
Liu et al. Modulation classification based on Gaussian mixture models under multipath fading channel
Parrish et al. Symbol by symbol Doppler rate estimation for highly mobile underwater OFDM
Manzoor et al. Novel SNR estimation technique in Wireless OFDM systems
Lin et al. OFDM phase noise cancellation via approximate probabilistic inference
JP2012514357A (ja) Ｏｆｄｍ通信システムにおいて、初期キャリア周波数オフセットを実行する方法及び装置
Fadul The impact of Rayleigh fading channel effects on the RF-DNA fingerprinting process
Devi et al. A Robust Estimation and Tracking of Channel for Time and Frequency Selective MIMO-OFDM Systems.
Chen et al. Turbo AI, Part III: Facilitating Wireless Massive Access for Next Generation PRACH

Legal Events

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