KR102401513B1 - 기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법 - Google Patents

기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법 Download PDF

Info

Publication number
KR102401513B1
KR102401513B1 KR1020200159270A KR20200159270A KR102401513B1 KR 102401513 B1 KR102401513 B1 KR 102401513B1 KR 1020200159270 A KR1020200159270 A KR 1020200159270A KR 20200159270 A KR20200159270 A KR 20200159270A KR 102401513 B1 KR102401513 B1 KR 102401513B1
Authority
KR
South Korea
Prior art keywords
ssb index
ssb
index
machine learning
user terminal
Prior art date
Application number
KR1020200159270A
Other languages
English (en)
Inventor
김주엽
조오현
한지윤
Original Assignee
숙명여자대학교산학협력단
충북대학교산학협력단
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 숙명여자대학교산학협력단, 충북대학교산학협력단 filed Critical 숙명여자대학교산학협력단
Priority to KR1020200159270A priority Critical patent/KR102401513B1/ko
Application granted granted Critical
Publication of KR102401513B1 publication Critical patent/KR102401513B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • H04L1/0038—Blind format detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
    • H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
    • H04J11/0086—Search parameters, e.g. search strategy, accumulation length, range of search, thresholds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법에 있어서, 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하는 과정; 상기 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득하는 과정; 상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하는 과정; 및 상기 제1 SSB 인덱스 또는 상기 제2 SSB 인덱스 중 적어도 하나에 기초하여 PBCH를 디코딩하여 SSB 인덱스에 대한 정답 유무를 판단하는 과정을 포함하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법을 제공할 수 있다.

Description

기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템 및 이의 제어방법{System for detecting blindly SSB index using machine learning and control method thereof}
본 발명은 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템 및 이의 제어방법에 관한 것이다.
5G는 용량, 지연 시간, 안정성 및 대규모 연결 측면에서 LTE 보다 향상된 서비스 경험을 제공하는 것을 목표로 한다. 5G 시스템은 LTE와 차별화된 기술을 포함하며, 대표적으로 다중 빔 전송, 유연한 프레임 구조, 밀리미터파(mmWave) 주파수 대역에서 더 넓은 대역폭을 제공한다.
셀 탐색(cell search) 절차는 기본적으로 사용자 단말(User Equipment, 사용자 단말(1000))가 기지국(Base Station, BS)에 초기 접속을 시도할 때 심볼의 시작점을 식별한다. 셀 탐색 후, 단말은 추가 디코딩 프로세스에 사용되는 기지국의 심볼 타이밍(symbol timing) 및 물리적 셀 아이디 (Physical Cell ID, PCI)를 찾는다.
5G에서 셀 탐색(cell search)의 문제 중 하나는 기지국과 단말 간에 적절한 빔을 찾는 것이다. 5G 규격에 따르면 단말은 수신된 동기 신호를 검사하여 셀 탐색 중에 적합한 빔을 찾아야한다. 수신된 동기화 신호는 해당 빔의 인덱스를 포함하며, 단말은 동기화 신호에서 인덱스를 도출하여 수신된 빔을 인식할 수 있다.
단말은 초기 접속을 위한 초기 셀 탐색시 블라인드 방식으로 동기화 신호를 감지해야 한다. 블라인드 감지는 높은 신호 대 잡음비(Signal to Noise Ratio, SNR) 환경에서 잘 작동하지만, 낮은 SNR 환경에서 잡음에 의한 왜곡으로 잘 작동하지 않을 수 있다.
대한민국특허공개 제10-2020-0087719호 (2020.07.21)
본 발명은 상관 기법보다 더 성능이 개선된 블라인드 검출 기법을 제공할 수 있으며, 상세히는 수신된 신호를 데이터로 이용하여 학습 블록을 훈련시키고, 훈련된 학습 블록을 이용하여 블라인드 검출을 제공할 수 있다.
본 발명은 과거에 수신된 신호를 샘플 데이터로 이용하여 통계적으로 도출된 DMRS 시퀀스의 SSB 인덱스를 제공함으로써, 오류 검출의 확률을 줄일 수 있는 기법을 제공할 수 있다.
본 발명은 기지국의 커버리지가 약한 상황에서 셀 서치(cell search) 및 동기화의 성능을 개선할 수 있으며, 추가적인 기지국의 구축 없이도 커버리지를 확장할 수 있고, 커버리지의 확보 및 셀 계획(cell planning)이 어려운 3GHz 주파수 대역에서 5G 시스템의 커버리지를 확장하는 방안을 제공할 수 있다.
본 발명은 상관(Correlation) 기법이 순시적인 신호 값으로 검출하기 때문에 환경조건의 변화에 따라 오류 검출(false detection)이 발생할 문제점을 해결하는 기계학습 기반의 블라인드 검출 방안을 제공할 수 있다.
본 발명의 실시예는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법에 있어서, 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하는 과정; 상기 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득하는 과정; 상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하는 과정; 및 상기 제1 SSB 인덱스 또는 상기 제2 SSB 인덱스 중 적어도 하나에 기초하여 PBCH를 디코딩하여 SSB 인덱스에 대한 정답 유무를 판단하는 과정을 포함하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법을 제공할 수 있다.
본 발명의 실시예에서, 상기 제1 기법은 상관 기법이며, 상기 제2 기법은 기계학습 기법인 것을 특징으로 할 수 있다.
본 발명의 실시예에서, 상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하는 과정은, 상기 제2 인덱스에 대한 정답률이 기준 값 보다 높아지면, 상기 제2 SSB 인덱스를 선택하고, 상기 제2 인덱스에 대한 정답률이 기준 값 보다 낮은 경우, 상기 제1 SSB 인덱스를 선택하는 것을 특징으로 할 수 있다.
본 발명의 실시예는, 상기 수신된 신호 및 상기 제1 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키는 과정을 더 포함하거나, 상기 수신된 신호 및 상기 제2 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키는 과정을 더 포함하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법을 제공할 수 있다.
본 발명의 실시예에서, 상기 기준 값은 상기 제1 SSB 인덱스에 대한 정답률인 것을 특징으로 할 수 있다.
본 발명의 실시예는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말에 있어서, 기지국으로부터 신호를 수신하는 통신부; 및 상기 통신부에서 수신된 신호를 이용하여 연산을 수행하는 제어부를 포함하며, 상기 제어부는, 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하고, 상기 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득하고, 상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하고, 및 상기 제1 SSB 인덱스 또는 상기 제2 SSB 인덱스 중 적어도 하나에 기초하여 PBCH를 디코딩하여 SSB 인덱스에 대한 정답 유무를 판단하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말을 제공할 수 있다.
본 발명의 실시예에서, 상기 제1 기법은 상관 기법이며, 상기 제2 기법은 기계학습 기법인 것을 특징으로 할 수 있다.
본 발명의 실시예에서, 상기 제어부는, 상기 제2 인덱스에 대한 정답률이 기준 값 보다 높아지면, 상기 제2 SSB 인덱스를 선택하고, 상기 제2 인덱스에 대한 정답률이 기준 값 보다 낮은 경우, 상기 제1 SSB 인덱스를 선택하는 것을 특징으로 할 수 있다.
본 발명의 실시예에서, 상기 제어부는, 상기 수신된 신호 및 상기 제1 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키거나, 상기 수신된 신호 및 상기 제2 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시킬 수 있다.
본 발명의 실시예에서, 상기 기준 값은 상기 제1 SSB 인덱스에 대한 정답률인 것을 특징으로 할 수 있다.
본 발명은 상관 기법보다 더 성능이 개선된 블라인드 검출 기법을 제공할 수 있으며, 상세히는 수신된 신호를 데이터로 이용하여 학습 블록을 훈련시키고, 훈련된 학습 블록을 이용하여 블라인드 검출을 제공하는 효과를 가진다.
본 발명은 과거에 수신된 신호를 샘플 데이터로 이용하여 통계적으로 도출된 DMRS 시퀀스의 SSB 인덱스를 제공함으로써, 오류 검출의 확률을 줄일 수 있는 기법을 제공하는 효과를 가진다.
본 발명은 기지국의 커버리지가 약한 상황에서 셀 서치(cell search) 및 동기화의 성능을 개선할 수 있으며, 추가적인 기지국의 구축 없이도 커버리지를 확장할 수 있고, 커버리지의 확보 및 셀 계획(cell planning)이 어려운 3GHz 주파수 대역에서 5G 시스템의 커버리지를 확장하는 방안을 제공하는 효과를 가진다.
본 발명은 상관(Correlation) 기법이 순시적인 신호 값으로 검출하기 때문에 환경조건의 변화에 따라 오류 검출(false detection)이 발생할 문제점을 해결하는 기계학습 기반의 블라인드 검출 방안을 제공하는 효과를 가진다.
도 1은 본 발명의 실시예에 따른 사용자 단말의 블록도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템의 전제가 되는 이동통신 시스템 모델을 나타낸 개념도이다.
도 3은 사용자 단말에서 초기 셀 탐색의 절차를 도시한 개념도이다.
도 4는 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 시스템의 개념도를 도시한 것이다.
도 5는 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 시스템의 블록도를 도시한 것이다.
도 6은 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 제어방법의 흐름도를 도시한 것이다.
도 7은 본 발명의 실시예에 따른 데이터 저장소의 블록도를 도시한 것이다.
도 8은 본 발명의 실시예에 따른 블라인드 SSB 인덱스를 검출하기 위해 학습 알고리즘을 학습하는 제어방법의 흐름도를 도시한 것이다.
도 9는 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 선택하는 시나리오를 도시한 것이다.
도 10 내지 도 12는 USRP 기반의 기지국 및 단말의 시스템을 대상으로 학습 블록의 훈련 데이터의 개수에 따른 성공률을 알고리즘 별로 도시한 그래프이다.
도 13은 상용망 기지국을 대상으로 학습 블록의 훈련 데이터의 개수에 따른 성공률을 알고리즘 별로 도시한 그래프이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1구성 요소는 제2구성 요소로 명명될 수 있고 유사하게 제2구성 요소는 제1구성 요소로도 명명될 수 있다.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈(module)" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니며, 본 발명의 실시 예에 따른 방법을 수행하기 위한 하드웨어 또는 상기 하드웨어를 구동할 수 있는 소프트웨어의 기능적 또는 구조적 결합을 의미할 수 있다.
도 1은 본 발명의 실시예에 따른 사용자 단말의 블록도를 도시한 것이다.
본 발명의 실시예에 따른 사용자 단말(1000)은 UE, 단말기, 디바이스, 전자기기 등으로 호칭될 수 있다. 사용자 단말(1000)는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 전자책 단말기, 디지털방송용 단말기, 키오스크, 디지털 카메라, 가전기기 및 기타 컴퓨팅 장치일 수 있다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 사용자 단말(1000)은 메모리(1100), 출력부(1200), 프로세서(1300), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 및 사용자 입력부(1700)를 포함할 수도 있다. 그러나, 도 3에 도시된 모든 구성 요소가 사용자 단말(1000)의 필수 구성 요소인 것은 아니며, 보다 많은 구성 요소에 의해 사용자 단말(1000)이 구현될 수도 있고, 보다 적은 구성 요소에 의해 사용자 단말(1000)이 구현될 수도 있다.
*메모리(1100)
메모리(1100)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 사용자 단말(1000)로 입력되는 정보 또는 사용자 단말(1000)로부터 출력되는 정보를 저장할 수도 있다. 메모리(1100)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1110), 터치 스크린 모듈(1120), 알림 모듈(1130) 등으로 분류될 수 있다. 메모리(1100)은 기지국(2000)으로부터 수신된 신호의 정보, 제어부(1300)에서 연산된 정보를 저장할 수 있으며, 제어부(1300)의 요청에 의해 해당 정보를 전달할 수 있다. 메모리(1100)은 후술할 데이터 저장소(350)을 포함할 수 있다. 메모리(1100)는 후술할 동기신호(PSS/SSS) 검출부(310), 상관 평가부(320), 검출 선택부(330), PBCH 디코더(340), 학습 블록(360)의 프로그램을 저장할 수 있다.
*출력부(1200)
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다. 디스플레이부(1210)는 사용자 단말(1000)에서 처리되는 정보를 표시 출력한다. 구체적으로, 디스플레이부(1210)는 카메라(1610)에서 촬영된 이미지를 출력할 수 있다. 디스플레이부(1210)는, 사용자의 입력에 대한 응답으로, 응답에 관련된 동작을 실행하기 위한 사용자 인터페이스를 디스플레이할 수 있다. 음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1100)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 사용자 단말(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.
*프로세서(1300)
프로세서(1300)는, 통상적으로 사용자 단말(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1100)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1700), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1700) 등을 전반적으로 제어할 수 있다. 프로세서(1300)은 동기신호(PSS/SSS) 검출부(310), 상관 평가부(320), 검출 선택부(330), PBCH 디코더(340), 학습 블록(360)을 포함할 수 있다. 이 경우 동기신호(PSS/SSS) 검출부(310), 상관 평가부(320), 검출 선택부(330), PBCH 디코더(340), 학습 블록(360)는 메모리(1100)에 저장된 프로그램이 아니라 특정 기능을 수행하는 연산부로 볼 수 있다.
*센싱부(1400)
센싱부(1400)는, 사용자 단말(1000)의 상태 또는 사용자 단말(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다. 센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(RGB sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
*통신부(1500)
통신부(1500)는, 사용자 단말(1000)이 기지국(2000), 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
*A/V(Audio/Video) 입력부(1600)
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다.
*사용자 입력부(1700)
사용자 입력부(1700)는, 사용자가 사용자 단말(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1700)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
도 2은 본 발명의 실시예에 따른 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템의 전제가 되는 이동통신 시스템 모델을 나타낸 개념도이다. 도 3는 사용자 단말에서 초기 셀 탐색의 절차를 도시한 개념도이다.
도 2에 도시된 바와 같이, 사용자 단말(1000)은 초기 셀 탐색 시나리오에 있으며, 서빙 셀이 없을 뿐만 아니라, 주변 셀에 대한 정보가 없기 때문에 사용자 단말(UE, 1000)가 지원하는 전체 무선 주파수 (Radio Frequency, RF) 채널들을 탐색해야 한다. 사용자 단말(1000)과 가장 가까운 기지국(gNodeB, gNB, 2000)은 Lmax 개의 빔(B)으로 셀 커버리지(C)를 형성하고, 각 빔(B)은 각각 분리된 영역을 커버한다. 사용자 단말(1000)은 셀 커버리지(C)에서 초기 셀 탐색을 시도하고 초기 셀 선택 순간에 한 개의 빔의 신호만을 수신할 수 있다.
초기 셀 탐색 절차의 시작 부분에서 사용자 단말(1000)은 RF 채널을 선택하고 RF 채널 내 주변 셀로부터 신호가 수신되는지 검사하기 위해 셀 탐색을 진행한다. 셀 탐색 절차는 동기신호블록 (Synchronization Signal Block, SSB)이라고 하는 미리 결정된 신호 묶음을 감지하여 심볼의 시작점과 기본 셀 구성 매개 변수를 식별하는 동기화를 수행한다.
SSB의 구조는 PSS (Primary Synchronization Signal), SSS (Secondary Synchronization Signal) 및 PBCH (Physical Broadcast Channel)로 구성되며 gNB(2000)에 의해 주기적으로 방송된다. 시간 영역(t)에서 SSB는 4 개의 OFDM (Orthogonal Frequency Division Multiplexing) 심볼에 해당하며, 첫 번째와 세 번째 OFDM 심볼은 각각 PSS와 SSS를 포함하고 마지막 3 개의 OFDM 심볼은 PBCH를 포함한다. 주파수 영역(f)에서 SSB는 240 개의 부반송파(subcarriers)를 차지하는데, 이는 20 개의 자원 블록 (Resource Block, RB)에 해당한다.
SSB는 자신의 인덱스를 가지고, 서로 구별되는 인덱스를 가지는 SSB의 세트가 기지국(2000)에서 주기적으로 방송된다. 각 SSB는 고유한 빔을 통해 고유한 순간에 전송되므로 사용자 단말(1000)은 SSB 인덱스로 빔을 식별할 수 있다. 이 때문에 SSB 인덱스는 빔 인덱스로도 표현될 수 있다. 도 2을 참조하면, SSB 버스트 전송의 예이며, Lmax SSB가 한주기에 전송된다.
[표 1] SSB Configuration
Figure 112020126607626-pat00001
위의 표 1은 SSB의 각 구성에 해당하는 부반송파 인덱스를 설명한다. PBCH는 BCH (Broadcast CHannel) 전송 블록과 DMRS (DeModulated Reference Signal)에 대한 심볼로 구성된다. DMRS 심볼은 BCH 전송 블록에 대한 채널 추정 및 결과적인 채널 보상을 위해 수신된 파일럿 신호로 사용될 수 있다.
제로 포싱 방식을 사용하면 채널 H는 다음과 같이 유도될 수 있다.
Figure 112020126607626-pat00002
여기서 (·)는 접합을 나타내고 Xp와 Yp는 각각 기지국(2000)에 의해 보내진 최초(original) DMRS 심볼과 수신된(received) DMRS 심볼을 나타낸다. BCH 전송 블록 Yd의 수신된 심볼은 다음과 같이 Xd로 보상될 수 있다.
Figure 112020126607626-pat00003
이 one-tap equalization은 채널에 의한 위상 왜곡을 충분히 보상하고 사용자 단말(1000)가 PBCH에 대한 추가 채널 디코딩 프로세스의 성능을 달성하는 데 필수적이다.
PBCH의 original DMRS 시퀀스 rs는 NID cell 뿐만 아니라 iSSB로 표시되는 SSB 인덱스에 의존한다. DMRS 시퀀스 rs의 각 심볼은 다음과 같이 정의된다.
Figure 112020126607626-pat00004
여기서 c[n]은 초기화 값이 다음과 같이 제공되는 골드 시퀀스(gold sequence)입니다.
Figure 112020126607626-pat00005
결과적으로 서로 다른 빔을 통해 전송되는 SSB들은 각각 서로 다른 DMRS 시퀀스를 포함하고 있으며, 사용자 단말(1000)은 채널 보상 절차 전에 수신된 빔에 해당하는 적절한 DMRS 시퀀스를 선택해야 한다. 다시 말하면, 사용자 단말(1000)은 적절한 DMRS 시퀀스를 선택함으로써, 기지국(2000)의 어느 빔에 연결되었는지 알 수 있다.
도 3을 참조하면, PBCH 디코딩 시점에 사용자 단말(1000)은 PSS 및 SSS 검출(110, 120)에서 NID cell을 유도할 수 있지만 SSB 인덱스에 대한 사전 정보는 없다. 따라서 사용자 단말(1000)은 채널 추정을 위해 SSB 인덱스와 original DMRS 시퀀스를 앞이 보이는 않는 상태('블라인드' 상태)로 파악해야 한다. 사용자 단말(1000)가 특정 SSB에 대한 PSS 및 SSS를 성공적으로 감지하고 NID cell을 인식한 경우, 사용자 단말(1000)은 수신된 신호로부터 후보 DMRS 시퀀스들 중에서 가장 적합한 DMRS 시퀀스 rs를 갖는 최상의 SSB 인덱스(iSSB)를 찾아야 한다(130).
도 4는 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 시스템의 개념도를 도시한 것이다.
도 4를 참조하면, 사용자 단말(1000)은 동기신호(PSS/SSS) 검출(210) 이후에 기지국(2000)의 셀 커버리지 내에서 다중 빔 중 최상의 빔을 결정하기 위해 수신된 신호로부터 가장 적합한 DMRS 시퀀스 rs를 갖는 최상의 SSB 인덱스(iSSB)를 찾아야 한다. 사용자 단말(1000)은 상관 기법(220)과 기계학습 기법(260)을 병렬적으로 이용하여 최상의 빔을 결정할 수 있다.
사용자 단말(1000)은 상관 기법을 이용하여 DMRS 시퀀스의 iSSB의 값을 검출할 수 있다(220). 사용자 단말(1000)은 iSSB의 값 및 iSSB의 값에 대한 정답 정보('OK' 혹은 'Not OK')이용하여 코어 학습 알고리즘을 훈련(training)시킬 수 있다. 훈련된 알고리즘을 이용하여 수신된 신호의 DMRS 시퀀스의 iSSB의 값을 예측할 수 있다(260).
이와 같이, 상관 기법(220)으로 검출된 iSSB의 값 및 iSSB의 값에 대한 정답 정보('OK' 혹은 'NOK')는 과거의 샘플 데이터로서 기계학습 기법(160)의 훈련 데이터로 사용될 수 있다. 상관 기법(140)을 대신하여 기계학습(160)을 이용함으로써, 상관 기법(140) 보다 빠르고 오류 검출의 확률을 줄일 수 있다.
도 5은 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 시스템의 블록도를 도시한 것이다.
도 5를 참조하면, 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 시스템은 상관 평가부(320), 검출 선택부(330), PBCH 디코더(340), 데이터 저장소(350), 학습 블록(360)을 포함할 수 있다.
상관 평가부(320)는 수신된 신호의 DMRS 시퀀스를 이용하여 SSB 인덱스를 계산할 수 있다. 검출 선택부(330)는 상관 평가부(320)에서 획득한 SSB 인덱스와 학습 블록(360)에서 획득한 SSB 인덱스를 대비하여 하나를 선택할 수 있다. PBCH 디코더(340)는 상관 평가부(320)에서 획득한 SSB 인덱스와 학습 블록(360)에서 획득한 SSB 인덱스를 이용하여 수신된 신호의 PBCH를 디코딩함으로써 CRC 값을 획득하고, CRC 값에 기초하여 SSB 인덱스의 정답 유무를 획득할 수 있다.
데이터 저장소(350)는 수신된 신호에 대한 정보(예로, DMRS 시퀀스에 대한 정보), 상관 평가부(320)에서 획득한 SSB 인덱스 또는 학습 블록(360)에서 획득한 SSB 인덱스, SSB 인덱스에 대한 정답 정보(예로, CRC 값, 'OK' 혹은 'Not OK')를 저장할 수 있다. 학습 블록(360)은 데이터 저장소(350)에 저장된 과거의 수신된 신호에 대한 정보(예로, DMRS 시퀀스에 대한 정보), 상관 평가부(320)에서 획득한 SSB 인덱스 또는 학습 블록(360)에서 획득한 SSB 인덱스, SSB 인덱스에 대한 정답 정보(예로, CRC 값, 'OK' 혹은 'Not OK')를 이용하여 기계 학습될 수 있다. 또한, 학습(훈련)된 학습 블록(360)은 현재의 수신된 신호에 대한 정보(예로, DMRS 시퀀스에 대한 정보)의 SSB 인덱스에 대한 정보를 출력할 수 있다.
도 6는 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 제어방법의 흐름도를 도시한 것이다. 도 7은 본 발명의 실시예에 따른 데이터 저장소의 블록도를 도시한 것이다.
도 6에 도시된 바와 같이, 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 제어방법은, 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하는 과정(S110), 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득하는 과정(S120), 제1 SSB 인덱스 및 제2 SSB 인덱스를 대비하여 하나를 선택하는 과정(S130), 및 선택된 SSB 인덱스를 적용하는 과정(S140)을 포함할 수 있다.
S110 과정에서, 사용자 단말(1000)은 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스(iSSB,corr)를 획득할 수 있다. 상세히는 사용자 단말(1000)의 상관 평가부(320)는 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스(iSSB,corr)를 획득할 수 있다.
수신된 신호는 기지국(2000)에서 다중 빔을 통해서 송신된 신호로써, DMRS 시퀀스 정보를 포함할 수 있다. 제1 기법은 상관(Correlation) 기법일 수 있다. 제1 SSB 인덱스(iSSB,corr)는 상관 기법을 적용하여 검출한 DMRS 시퀀스의 SSB 인덱스(iSSB,corr)일 수 있다.
상관 기법은 대상 시퀀스와 오리지널 시퀀스 사이의 상관성(유사성)을 알 수 있다. 도 5를 참조하면, 사용자 단말(1000)은 PSS 및 SSS 검출에서 N 개의 cell ID를 발견하므로, 식 (3) 및 (4)에서 iSSB의 모든 가능한 값을 대체하여 Lmax 후보 DMRS 시퀀스를 생성할 수 있다.
수신된 DMRS 시퀀스와 후보 DMRS 시퀀스의 상관 관계를 비교함으로써, 사용자 단말(1000)은 수신된 DMRS 시퀀스와 가장 유사할 가능성이 가장 높은 하나의 DMRS 시퀀스를 선택할 수 있다. 수학적 관점에서 사용자 단말(1000)은 DMRS 심볼 추출 후 다음과 같은 상관 및 선택을 수행할 수 있다.
Figure 112020126607626-pat00006
여기서 · 는 내적을 나타내고 rsc,i는 iSSB = i 일 때 후보 DMRS 시퀀스 rs 이다. PSS 및 SSS 검출에서 획득한 NID cell을 사용하여 사용자 단말(1000)은 각 i에 대해 rsc,i를 생성하고 수신된 DMRS 시퀀스와 내적 결과를 도출 할 수 있다. 내적 결과를 최대화하는 최상의 i를 선택하여 SSB 인덱스(iSSB,corr)로 간주할 수 있다.
상관 기법 기반의 블라인드 감지는 간단한 구현과 합리적인 계산 복잡성의 관점에서 유리하지만, SNR이 낮고 잡음의 영향이 클 때 잘못된 탐지를 자주 일으킬 수 있다. 이것은 채널 보상 프로세스를 잘못 인도하기 때문에 PBCH 디코딩의 성능을 저하시킨다.
S120 과정에서, 사용자 단말(1000)은 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득할 수 있다. 상세히는 사용자 단말(1000)의 학습 블록(360)은 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스(iSSB,LB)를 획득할 수 있다.
수신된 신호는 기지국(2000)에서 다중 빔을 통해서 송신된 신호로서, DMRS 시퀀스 정보를 포함할 수 있다. 제2 기법은 기계학습(Machine Learning, ML) 기법일 수 있다. 제2 SSB 인덱스(iSSB,LB)는 기계학습 기법을 적용하여 검출한 DMRS 시퀀스의 SSB 인덱스(iSSB,LB)일 수 있다.
기계학습 기법은 과거의 채널에서 축적된 데이터를 이용하여 현재 채널을 통계적으로 예측하는 것으로, 구체적으로 과거 수신된 DMRS 시퀀스의 SSB 인덱스의 데이터 세트를 이용하여 학습 블록(360)을 학습시키고, 학습된 학습 블록(360)은 현재 수신된 DMRS 시퀀스의 SSB 인덱스(iSSB,LB)를 예측하는 것이다.
이는 상관 기법이 현재에 수신된 DMRS 시퀀스를 기준으로 SSB 인덱스를 찾기 때문에 채널 상태가 일시적으로 열악해져 노이즈가 많아진 경우 획득한 SSB 인덱스가 정답이 아닐 수 있는 문제점을 과거 데이터를 이용하여 SSB 인덱스를 결정하기 때문에 일시적으로 채널 상태가 나쁘더라도 일정한 SSB 인덱스의 정답률을 가질 수 있다.
도 5를 참조하면, 사용자 단말(1000)은 학습 블록(360)에 입력할 수 있도록 수신 신호에 대한 전처리 과정을 수행할 수 있다. 전처리 과정에서, 수신된 신호는 fs의 속도로 샘플링되고, Tbu 초 동안 저장된 샘플에 대한 셀 검색을 진행한다. 결과적으로 Ns = fsTbu 샘플의 샘플링 데이터 세트당 하나의 셀 검색 절차가 수행된다. rn (n = 0, 1, ..., Ns-1)은 최초 수신된 신호의 샘플링 처리 후 수신 신호로 표시한다.
기지국(2000)이 SCS fSCS를 사용하도록 구성된 경우 SSB는 FFT (Fast Fourier Transform) 크기 NFFT (fs / fSCS)의 구성을 통해서만 올바르게 감지 될 수 있다. 사용자 단말(1000)은 PSS 및 SSS 검출에 성공하면 nssb로 표시되는 SSB의 경계 타이밍과 gNB NID cell의 PCI를 파악할 수 있다. 그 다음 PBCH 심볼의 시퀀스는 추가 PBCH 디코딩 프로세스를 위해 획득된다. rF1, rF2 및 rF3으로 표시되는 세 개의 주파수 영역 심볼 시퀀스는 다음 FFT 프로세스에서 파생된다.
Figure 112020126607626-pat00007
여기서 i ∈ {1, 2, 3}, FFT (n)은 rn부터 시작하는 NFFT 연속 샘플의 FFT 결과를 나타내고, ncp는 CP(Cyclic Prefix)에 대한 샘플 수를 나타낸다.
학습 블록(360)의 입력 특성을 얻기 위해 표 1의 인덱스에 따라 rFi 시퀀스에서 DMRS에 대한 심볼을 추출합니다. rFh[f], f = 0, 1, ..., 143으로 표시되는 DMRS의 심볼 시퀀스는 다음과 같이 추출 할 수 있습니다.
Figure 112020126607626-pat00008
여기서는 is ∈ {1, 2, 3}, Moffset ∈ {0, 60, 84}이고 DMRSi는 DMRS 심볼 rFi에 대한 부반송파 인덱스의 시퀀스입니다. rFh는 학습 블록(360)의 입력으로 사용될 수 있으며, 오리지널 DMRS 시퀀스의 인덱스는 학습 블록(360)이 유도해야 하는 대상이다.
DMRS 시퀀스 rFh는 상관 기법 기반의 블라인드 탐지에 사용되며, 또한 채널 기계학습 기반의 기법에 사용될 수 있다. 복소수인 DMRS 시퀀스 rFh의 실수 및 허수 부분만을 추출하여 상관 기법 기반의 블라인드 감지의 피연산자 부분 혹은 채널 학습 블록(360)의 입력으로 사용할 수 있다. DMRs 시퀀스 rFh는 총 144개로 구성되며, 실수 및 허수 부분은 총 288 개의 실수 값으로 구성되며, 이는 in [x], x = 0, 1, ..., 287로 표시될 수 있다. in [x]는 채널 기계학습의 학습 알고리즘의 입력이 될 수 있으며, 데이터 저장소(350)에 저장될 수 있다.
S130 과정에서, 사용자 단말(1000)은 제1 SSB 인덱스(iSSB,corr) 및 제2 SSB 인덱스(iSSB,corr)를 대비하여 제1 SSB 인덱스(iSSB,corr) 및 제2 SSB 인덱스(iSSB,corr) 중 하나를 선택할 수 있다. 검출 선택부(330)는 제1 SSB 인덱스(iSSB,corr) 및 제2 SSB 인덱스(iSSB,LB)를 입력으로, 제1 SSB 인덱스(iSSB,corr) 및 제2 SSB 인덱스(iSSB,LB) 중 어느 하나(iSSB[n])를 출력할 수 있다.
학습 블록(360)은 충분히 훈련되기 전까지는 오류가 발생한다. 따라서 검출 선택부(333)는 학습 블록(360)의 훈련된 정도를 추정하고, 상관 기법 기반의 블라인드 탐지 및 학습 블록(360)의 출력에서 하나를 선택할 수 있다.
검출 선택부(333)는 학습 블록(360)의 SSB 인덱스에 대한 정답률을 모티터링할 수 있다. 정답률이 기준 값 보다 클 경우 검출 선택부(333)는 학습 블록(360)의 출력을 선택하고, 기준 값 보다 작을 경우 상관 기법 기반의 블라인드 감지의 출력을 선택한다.
검출 선택부(330)는 학습 블록(360)의 훈련 정도에 따라 확률적으로 높은 가능성을 가지는 기법(예로, 제1 기법 혹은 제2 기법)을 적용하여, 제1 SSB 인덱스(iSSB,corr) 및 제2 SSB 인덱스(iSSB,LB) 중 어느 하나의 인덱스(iSSB[n])를 선택할 수 있다.
또는, 학습 블록(360)에서 훈련된 데이터 세트가 기 설정된 데이터 개수 보다 많으면, 검출 선택부(330)은 제2 SSB 인덱스(iSSB,LB)을 선택할 수 있다. 반대로, 학습 블록(360)에서 훈련된 데이터 세트가 기 설정된 데이터 개수 보다 적으면, 검출 선택부(330)은 제1 SSB 인덱스(iSSB,corr)을 선택할 수 있다.
또는, 검출 선택부(330)는 학습 블록(360)에 의해 예측된 제2 SSB 인덱스(iSSB,LB)의 정답률이 기준 값 보다 높아지면, 제1 SSB 인덱스(iSSB,corr) 을 대신하여 제2 SSB 인덱스(iSSB,LB)을 선택할 수 있다. 정답률이란 제2 SSB 인덱스(iSSB,LB)에 기초해 PBCH CRC[n] 값을 결정하고, 이 값에 기초해 결정된 정답 결과 정보가 'OK'가 나온 비율을 의미한다. 정답률이 높을 수록 'OK'의 비율이 높은 것을 의미하며, 채널의 연결 상태가 좋음을 의미한다.
또한, 검출 선택부(330)는 학습 블록(360)에 의해 예측된 제2 SSB 인덱스(iSSB,LB)의 정답률이 기준 값 보다 낮을 때까지, 제1 SSB 인덱스(iSSB,corr)을 선택할 수 있다. 다만, 이 경우에도 학습 블록(360)은 실시간으로 훈련(학습)될 수 있으며, 제2 SSB 인덱스(iSSB,LB)를 출력할 수 있다. 검출 선택부(330)는 디코더(340)을 통해 제2 SSB 인덱스(iSSB,LB)의 정답률을 실시간으로 파악할 수 있으며, 정답률이 기준 값 보다 높아지면, 제2 SSB 인덱스(iSSB,LB)을 선택할 수 있다. 검출 선택부(330)는 상관 기법에 의한 정답률과 학습 기반 기법에 의한 정답률을 지속적으로 계산할 수 있으며, 양자의 정답률을 실시간으로 대조하여 학습 기반 기법에 의한 SSB 인덱스를 선택할지 결정할 수 있다.
또는, 검출 선택부(330)는 학습 기반 기법에 의한 정답률을 기 설정된 시간 구간 동안 계산하고, 기록할 수 있다. 검출 선택부(330)는 학습 기반 기법에 의한 정답률이 기준 값 보다 높아지면 학습 기반 기법의 SSB 인덱스를 이용하고, 학습 기반 기법에 의한 정답률이 가준 값 보다 작아지면 상관 기법의 SSB 인덱스를 이용할 수 있다.
S140 과정에서, 사용자 단말(1000)은 선택된 SSB 인덱스(iSSB[n])를 적용하여 채널의 상태를 획득할 수 있다. 또는 디코더(340)은 선택된 SSB 인덱스(iSSB[n])를 이용하여 PBCH 디코딩을 시도한 후 CRC (Cyclic Redundancy Check)에서 PBCH 디코딩이 성공했는지('OK') 혹은 실패했는지('Not OK')를 확인할 수 있다. CRC 결과는 상관 기법 기반의 블라인드 감지 혹은 학습 기법 기반에서 파생된 SSB 인덱스(iSSB)가 정답인지 여부를 확인할 수 있다.
디코더(340)는 선택된 SSB 인덱스(iSSB[n])를 입력으로 수신된 신호에 관한 PBCH CRC[n]를 출력할 수 있다. 디코더(340)는 제1 SSB 인덱스(iSSB,corr) 및 제2 SSB 인덱스(iSSB,LB) 중 어느 하나(iSSB[n])를 이용하여 제1 채널의 PBCH을 디코딩하여 CRC[n] 값을 획득할 수 있다. CRC[n] 값에 기초하여 SSB 인덱스의 정답 결과 정보를 획득할 수 있다. 정답 결과 정보는 수신 신호가 양호하다는 의미의 'OK' 혹은 수신 신호가 양호하지 않다는 의미의 'Not OK' 혹은 'NOK' 일 수 있다.
디코더(340)는 n번째 디코딩 시도에서 활용한 SSB 인덱스 값(iSSB[n])과 실제 정답인지 여부를 알려주는 PBCH CRC 결과 값(CRC[n])을 데이터 저장소(350)에 보낼 수 있다. 혹은 디코더(340)는 정답 결과 정보('OK' 혹은 'NOK') 및 SSB 인덱스 값(iSSB[n])을 데이터 저장소(350)에게 보낼 수 있다. 또한, 디코더(340)은 rFh 데이터와 함께 학습 블록(360)을 학습시키기 위하여 SSB 인덱스 정보 및 CRC 결과 정보를 데이터 저장소(350)에 전달하여 저장할 수 있다.
도 7을 참조하면, 데이터 저장소(350)는 PBCH CRC 결과 값(CRC[n])의 정보 및 SSB 인덱스 값(iSSB[n])의 정보를 수신하여 저장할 수 있다. 혹은, 데이터 저장소(350)는 수신된 정답 결과 정보('OK' 혹은 'NOK') 및 선택된 SSB 인덱스 값(iSSB[n])의 정보을 수신하여 저장할 수 있다. 데이터 저장소(350)는 수신된 신호에 대한 정보(예로, DMRS 시퀀스, rFh[n])를 저장할 수 있다.
데이터 저장소(350)은 정답 결과('OK' 혹은 'NOK'), 선택된 SSB 인덱스(iSSB[n]), 수신된 신호에 대한 정보(rFh[n])를 저장할 수 있다. 데이터 저장소(350)는 n번째 수신된 DMRS 시퀀스 값인 rFh[n], DMRS 시퀀스에 대해 선택된 인덱스(iSSB[n]), PBCH 디코딩에 의한 정답 결과('OK' 혹은 'NOK')에 대한 정보를 데이터 세트로 저장할 수 있다. 예를 들어, CRC[n] 값이 'OK'인 경우의 iSSB[n] 및 rFh[n]의 데이터 세트로 구성된 제1 벡터와 CRC[n] 값이 'NOK'인 경우의 iSSB[n] 및 rFh[n]의 데이터 세트로 구성된 제2 벡터로 분류된 데이터 벡터가 데이터 저장소(350)에 저장될 수 있다.
데이터 저장소(350)는 무선 채널 특성의 변경을 감지하면 데이터를 삭제하고, 이 시점부터 정답 결과 정보('OK' 혹은 'NOK'), iSSB[n], rFh[n]를 다시 저장할 수 있다. 예를 들어, 채널 특성의 변경은 PBCH 디코딩에 의한 정답률이 기준 값 보다 낮은 임계치 보다 떨어지는 경우, 채널이 다른 채널로 변경된 경우, 기지국이 변경된 경우, 채널 상태가 매우 열악해지는 경우를 들 수 있다.
데이터 저장소(350)에 저장된 정답 결과('OK' 혹은 'NOK'), SSB 인덱스(iSSB[n]), DMRS 시퀀스 값(rFh[n])은 학습 블록(360)을 정해진 기간 혹은 실시간으로 훈련하는데 사용될 수 있다.
도 8은 본 발명의 실시예에 따른 블라인드 SSB 인덱스를 검출하기 위해 학습 알고리즘을 학습하는 제어방법의 흐름도를 도시한 것이다.
도 8에 도시된 바와 같이, 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 검출하는 제어방법은, 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하는 과정(S210)과, 수신된 신호 및 제1 SSB 인덱스를 이용하여 학습 블록을 훈련(학습)시키는 과정(S220)을 포함할 수 있다.
S210 과정에서, 사용자 단말(1000)은 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득할 수 있다. S210 과정은 상술한 S110 과정을 그대로 적용할 수 있으며, 중복된 설명은 생략하기로 한다.
S220 과정에서, 사용자 단말(1000)은 수신된 신호 및 제1 SSB 인덱스를 이용하여 학습 블록(360)을 학습시킬 수 있다. 학습 블록(360)은 데이터 저장소(350)에 저장된 정답 결과('OK' 혹은 'NOK'), SSB 인덱스(iSSB[n]), DMRS 시퀀스 값(rFh[n])을 이용하여 훈련될 수 있다.
수신된 DMRS 시퀀스 값(rFh[n])는 144개의 복소수로 구성되며, 복소수의 실수부와 허수부에 각각 해당하는 실수 288개를 학습 블록(360)의 입력으로, 학습 블록(360)을 훈련시킬 수 있다.
도 7에 도시된 바와 같이, 학습 블록(360)은 데이터 저장소(350)로부터 과거 수신된 DMRS 시퀀스(rFh[n])에 관한 288개의 값과 SSB 인덱스(iSSB[n])로 구성된 데이터 벡터를 하나씩 수신하면서 학습 블록(360)을 구성하는 코어 학습 알고리즘(core learning algorithm)을 훈련할 수 있다.
훈련된 학습 블록(360)은 현재 수신된 DMRS 시퀀스(rFh[n])를 입력으로 SSB 인덱스(iSSB,LB)를 출력할 수 있으며, 출력된 SSB 인덱스(iSSB,LB)는 검출 선택부(330)에서 선택된 경우 디코더(340)에서 PBCH를 디코딩하는데 활용될 수 있다.
코어 학습 알고리즘은 기계학습에 적용할 수 있는 모델을 포함하며, 바람직하게는 멀티-레이어 퍼셉트론 분류기(Multi-Layer Perception Classifier), 논리적 회귀(Logistic regression), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트 분류기(Random Forest Classifier), 앙상블 보팅 분류기(Ensemble Voting Classifier ) 중 어느 하나가 적용될 수 있다. 이 모델들에 대한 구조는 공지된 부분이므로 자세한 설명은 생략한다.
학습 블록(360)은 과거에 수신된 신호에 대한 데이터 세트를 이용한 학습과 동시에 현재에 수신된 신호에 대한 SSB 인덱스의 검출을 동시에 수행할 수 있다. 따라서, 학습 블록(360)은 시간이 흐를수록 학습 블록(360)의 정답률이 높아진다.
도 9는 본 발명의 실시예에 따른 기계학습을 이용한 블라인드 SSB 인덱스를 선택하는 시나리오를 도시한 것이다.
도 9를 참조하면, 학습 블록(360)이 충분히 훈련되면서 발생하는 시나리오 1과, 학습 블록(360)을 이용하던 중 새로운 환경에서 학습 블록(360)이 재훈련되면서 발생하는 시나리오 2에 대하여 설명한다.
도 9의 시나리오 1를 참조하면, 사용자 단말(1000)은 학습 블록(360)의 정답률이 기준 값이 도달하기 전까지는 검출 선택부(330)에 의해 선택된 제1 SSB 인덱스(iSSB,corr)를 PBCH를 디코딩하는 디코더(340)에게 전달할 수 있다. 왜냐하면, 학습 블록(360)이 충분히 훈련되지 않은 상태로, 제2 SSB 인덱스(iSSB,LB)가 상관 평가부(320)에서 출력된 제1 SSB 인덱스(iSSB,corr)와 다를 확률이 높기 때문이다.
학습 블록(360)의 정답률은 제2 SSB 인덱스(iSSB,LB)를 이용한 디코더(340)의 성공률을 의미한다. 예를 들어, 디코더(340)는 제2 SSB 인덱스(iSSB,LB)를 이용하여 PBCH CRC 값을 계산할 수 있으며, 이를 이용하여 적합한 SSB 인덱스를 찾았는지 결정(예로, 'OK' 혹은 'NOK') 할 수 있다.
학습 블록(360)은 제1 SSB 인덱스(iSSB,corr) 및 PBCH CRC 값을 이용하여 실시간으로 학습될 수 있다. 따라서, 시간이 지날수록 제1 SSB 인덱스(iSSB,corr) 및 PBCH CRC 값에 대한 데이터 개수가 늘어나고, 학습 블록(360)의 훈련 횟수가 증가하며, 학습 블록(360)에서 출력의 정답률은 올라간다.
사용자 단말(1000)은 제2 SSB 인덱스(iSSB,LB)과 제1 SSB 인덱스(iSSB,corr)의 정답률이 동률이거나 제2 SSB 인덱스(iSSB,LB)이 높아지면 검출 선택부(330)에 의해 선택된 제2 SSB 인덱스(iSSB,LB)를 PBCH를 디코딩하는 디코더(340)에게 전달할 수 있다(T1).
사용자 단말(1000)은 학습 블록(360)의 정답률이 기준 값 이상이 되어 제1 SSB 인덱스(iSSB,corr)을 대신하여 제2 SSB 인덱스(iSSB,LB)을 디코더(340)에 전달하더라도, 제1 SSB 인덱스(iSSB,corr) 또는 제2 SSB 인덱스(iSSB,LB) 중 적어도 하나를 이용하여 학습 블록(360)를 지속적으로 훈련시킬 수 있다. 이를 통해, 학습 블록(360)의 정답률을 지속적으로 높일 수 있다.
도 9의 시나리오 2를 참조하면, 사용자 단말(1000)은 제2 SSB 인덱스(iSSB,LB)을 이용하여 PBCH를 디코딩하는 중이라도, 채널 환경 등의 변화로 인해서 학습 블록(360)의 정답률이 떨어질 수 있다. 예를 들어, 제2 SSB 인덱스(iSSB,LB)에 기초한 PBCH 디코더(340)의 CRC 값이 'Not OK'의 빈도수을 증가시키면, 채널 환경 등의 변화가 생긴 것으로 판단할 수 있다. 채널 환경 등의 변화는 기지국의 커버리지의 끝 부분이나 커버리지를 벗어나서 채널의 상태가 열악해지거나 다른 기지국으로의 변경과 같이 다른 채널의 변경을 의미할 수 있다.
학습 블록(360)의 정답률이 기준 값 보다 떨어지면, 사용자 단말(1000)은 채널 환경 등의 변화에 적응하기 위하여 검출 선택부(330)에 의해 선택된 제1 SSB 인덱스(iSSB,corr)를 이용하여 PBCH 디코딩을 진행하고, 제1 SSB 인덱스(iSSB,corr) 및 CRC 값에 대한 데이터 세트를 이용하여 학습 블록(360)을 재훈련시켜서 채널 환경의 변화에 적응하도록 한다(T2).
재훈련을 통해 학습 블록(360)의 정답률이 기준 값 보다 높아지면, 사용자 단말(1000)은 검출 선택부(330)에 의해 선택된 제2 SSB 인덱스(iSSB,LB)를 이용하여 PBCH 디코딩을 진행한다(T3).
다만, 학습 블록(360)의 정답률이 기준 값 보다 작은 임계치 보다 떨어지면, 이 경우 사용자 단말(1000)는 데이터 저장소()에 저장된 과거의 SSB 인덱스 및 수신된 신호의 정보(예로, DMRS 시퀀스 정보)를 삭제하고, 새롭게 수신된 신호의 정보(예로, DMRS 시퀀스), 제1 SSB 인덱스(iSSB,corr) 및 CRC 값에 대한 데이터 세트를 데이터 저장소()에 저장하고, 이들 정보를 이용하여 새로운 학습 블록(360)을 학습시킬 수 있다. 새로운 학습 블록(360)은 기존에 학습된 학습 블록(360)이 아닌 동일한 구조를 가지되 학습되기 전의 학습 블록(360)일 수 있다.
본 발명의 실시예에 따른 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템 및 이의 제어방법은 과거의 수신된 신호에 대한 데이터 세트를 이용하여 현재 수신된 신호에 섞인 노이즈의 영향을 최소화할 수 있으며, 블라인드 검출의 성능을 최대화할 수 있다.
종래의 상관 기법은 현재 수신된 신호만을 대상으로 블라인트 검출을 하므로, 현재 수신된 신호가 큰 노이즈를 포함하는 경우 블라인드 검출에서 오류검출(false detection)이 발생할 수 있다. 그에 반해, 학습 기반 기법은 현재 수신된 신호를 해석함에 과거의 수신된 신호의 데이터를 이용하므로, 현재 수신된 신호가 큰 노이즈를 포함하더라도 통계적인 관점에서 노이즈의 영향력을 줄일 수 있으며, 오류검출이 발생할 확률이 줄어든다.
또한, 본 발명의 실시예에 따른 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템 및 이의 제어방법은 학습 기반 기법을 적용하기 위해서는 알고리즘의 훈련을 위한 적응 시간이 필요하며, 초기 구간에서 상관 기법과 학습 기반 기법을 병렬적으로 적용하여 적응 시간의 한계를 극복할 수 있다.
또한, 본 발명의 실시예에 따른 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 시스템 및 이의 제어방법은 사용자 단말의 이동으로 채널 환경이 변경되는 경우 학습 기반 기법의 적응 시간을 위해 상관 기법을 병렬적으로 사용하되, 학습 기반 기법의 정답률이 기준 값 보다 높아지면 선택적으로 학습 기반을 이용하 블라인드 검출을 수행할 수 있다.
도 10 내지 도 12은 USRP 기반의 기지국 및 단말의 시스템을 대상으로 학습 블록의 훈련 데이터의 개수에 따른 성공률을 알고리즘 별로 도시한 그래프이다.
USRP (Universal Software Radio Peripheral)는 컴퓨터에서 구동되는 RF 트랜시버로 소프트웨어 정의 라디오를 개발하고 연구하는데 사용되며, USRP 트랜시버는 몇 가지 대역에서 라디오 주파수를 송수신할 수 있다. UE 측 USRP가 RF 신호를 Baseband 신호로 변환하고 UE PC로 전달하면 UE PC는 셀 탐색을 진행할 수 있다. gNB 측 PC는 SSB의 기저 대역 신호를 생성하고 gNB USRP는 이를 RF 신호로 변환하여 채널로 보낸다. 아래의 표 2는 USRP 기반 기지국 및 단말의 시스템에 세팅된 파라미터 값들을 나타낸다.
[표 2]
Figure 112020126607626-pat00009
도 10은 멀티-레이터 퍼셉트론 분류기 모델에 따를 경우, 도 11은 랜텀 포레스트 모델에 따를 경우, 도 12는 서포트 벡터 머신 모델에 따를 경우의 SNR 대비 에러의 확률의 그래프이다.
도 10 내지 도 12을 참조하면, 학습 블록(360)을 훈련시키는 횟수, 즉 훈련시키는 데이터가 많을수록 에러의 확률이 작아지는 것(성공률이 증가함)을 볼 수 있다. 특히, 도 12의 학습 블록(360)을 SVC 모델로 구성하는 경우 700개 이상의 훈련데이터를 사용하여 학습 블록(360)을 훈련시키면 채널 환경이 SNR 약 -2.5 이상부터 상관 기법에 비하여 에러의 확률이 확연히 감소하는 것을 볼 수 있다. 14000 개의 훈련데이터로 학습할 경우 상관 기법 보다 어떠한 채널 상태(전체 구간의 SNR)에서 에러의 확률이 작은 것을 확인할 수 있다.
도 13은 상용망 기지국을 대상으로 학습 블록의 훈련 데이터의 개수에 따른 성공률을 알고리즘 별로 도시한 그래프이다.
도 13을 참조하면, 학습 블록(360)의 알고리즘은 SVC(Support Vector Classifier, 혹은 SVM), MLP 분류기, 랜던 포레스트, 로지스틱 회귀 (Logistic regression)을 각각 적용할 수 있으며, SNR -3.8dB 환경에서 훈련 데이터의 개수에 대비하여 블라인드 검색의 성공률을 볼 수 있다.
SVC를 적용한 학습 블록(360)은 가장 빠르게 100%의 성공률에 도찰하며, MLP 분류기, 랜덤 포레스트, 로지스틱 회귀 순으로 낮은 성능을 가진다. 로지스틱 회귀 모델을 제외하고, 나머지 SVC, MLP 분류기 및 랜덤 포레스트 모델은 훈련 데이터의 개수가 증가할수록 성공률이 증가함을 볼 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
사용자 단말(1000)
기지국(2000)

Claims (10)

  1. 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법에 있어서,
    수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하는 과정;
    상기 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득하는 과정;
    상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하는 과정; 및
    상기 제1 SSB 인덱스 또는 상기 제2 SSB 인덱스 중 적어도 하나에 기초하여 PBCH를 디코딩하여 SSB 인덱스에 대한 정답 유무를 판단하는 과정을 포함하며,
    상기 제1 기법은 상관 기법이며, 상기 제2 기법은 기계학습 기법인 것을 특징으로 하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하는 과정은,
    상기 제2 SSB 인덱스에 대한 정답률이 기준 값 보다 높아지면, 상기 제2 SSB 인덱스를 선택하고,
    상기 제2 SSB 인덱스에 대한 정답률이 기준 값 보다 낮은 경우, 상기 제1 SSB 인덱스를 선택하는 것을 특징으로 하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법.
  4. 제1항에 있어서,
    상기 수신된 신호 및 상기 제1 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키는 과정을 더 포함하거나,
    상기 수신된 신호 및 상기 제2 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키는 과정을 더 포함하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법.
  5. 제3항에 있어서,
    상기 기준 값은 상기 제1 SSB 인덱스에 대한 정답률인 것을 특징으로 하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말의 제어방법.
  6. 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말에 있어서,
    기지국으로부터 신호를 수신하는 통신부; 및
    상기 통신부에서 수신된 신호를 이용하여 연산을 수행하는 제어부를 포함하며,
    상기 제어부는, 수신된 신호에 제1 기법을 적용하여 제1 SSB 인덱스를 획득하고, 상기 수신된 신호에 제2 기법을 적용하여 제2 SSB 인덱스를 획득하고, 상기 제1 SSB 인덱스와 제2 SSB 인덱스 중 하나를 선택하고, 및 상기 제1 SSB 인덱스 또는 상기 제2 SSB 인덱스 중 적어도 하나에 기초하여 PBCH를 디코딩하여 SSB 인덱스에 대한 정답 유무를 판단하며,
    상기 제1 기법은 상관 기법이며, 상기 제2 기법은 기계학습 기법인 것을 특징으로 하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말.
  7. 삭제
  8. 제6항에 있어서,
    상기 제어부는, 상기 제2 SSB 인덱스에 대한 정답률이 기준 값 보다 높아지면, 상기 제2 SSB 인덱스를 선택하고, 상기 제2 SSB 인덱스에 대한 정답률이 기준 값 보다 낮은 경우, 상기 제1 SSB 인덱스를 선택하는 것을 특징으로 하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말.
  9. 제6항에 있어서,
    상기 제어부는, 상기 수신된 신호 및 상기 제1 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키거나, 상기 수신된 신호 및 상기 제2 SSB 인덱스를 이용하여 상기 기계학습의 학습 블록을 훈련시키는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말.
  10. 제8항에 있어서,
    상기 기준 값은 상기 제1 SSB 인덱스에 대한 정답률인 것을 특징으로 하는, 기계학습을 이용하여 블라인드 SSB 인덱스를 검출하는 사용자 단말.
KR1020200159270A 2020-11-24 2020-11-24 기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법 KR102401513B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200159270A KR102401513B1 (ko) 2020-11-24 2020-11-24 기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200159270A KR102401513B1 (ko) 2020-11-24 2020-11-24 기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법

Publications (1)

Publication Number Publication Date
KR102401513B1 true KR102401513B1 (ko) 2022-05-24

Family

ID=81806781

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200159270A KR102401513B1 (ko) 2020-11-24 2020-11-24 기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법

Country Status (1)

Country Link
KR (1) KR102401513B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190118568A (ko) * 2017-02-03 2019-10-18 아이디에이씨 홀딩스, 인크. 방송 채널 변속 및 복원
KR20200052471A (ko) * 2018-11-06 2020-05-15 주식회사 에치에프알 Sa 네트워크에서 5g 중계 시스템의 동기화 방법 및 장치
KR20200087719A (ko) 2019-01-11 2020-07-21 엘지전자 주식회사 비면허 대역에서 동기 신호 블록을 송수신하는 방법 및 이를 위한 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190118568A (ko) * 2017-02-03 2019-10-18 아이디에이씨 홀딩스, 인크. 방송 채널 변속 및 복원
KR20200052471A (ko) * 2018-11-06 2020-05-15 주식회사 에치에프알 Sa 네트워크에서 5g 중계 시스템의 동기화 방법 및 장치
KR20200087719A (ko) 2019-01-11 2020-07-21 엘지전자 주식회사 비면허 대역에서 동기 신호 블록을 송수신하는 방법 및 이를 위한 장치

Similar Documents

Publication Publication Date Title
CN115226117B (zh) 波束指示方法、装置、设备及介质
CN111278166B (zh) 一种波束失败处理方法及相关设备
WO2019184697A1 (zh) Pdsch的接收方法和终端
CN110149177B (zh) 一种波束失败恢复的方法、终端设备及网络设备
CN113259973B (zh) 波束失败恢复方法、终端及网络设备
CN110830187B (zh) 信息的传输指示方法、网络设备及终端
CN110769516A (zh) 一种随机接入方法及相关设备
US9998308B2 (en) Electronic device, method and computer-readable medium for sensing spectrum usage in a cognitive radio communication system
CN110932825B (zh) 混合自动重传请求应答反馈方法和终端
CN110784933A (zh) 信息传输方法、终端及网络设备
CN111278149B (zh) 信息发送方法、信息检测方法、终端设备及网络设备
CN110035506B (zh) 一种通信方法及相关设备
CN113225817B (zh) 调度方法、终端及网络侧设备
Han et al. Exploitation of channel-learning for enhancing 5G blind beam index detection
KR102401513B1 (ko) 기계학습을 이용하여 블라인드 ssb 인덱스를 검출하는 시스템 및 이의 제어방법
US11736327B2 (en) Uplink transmission method and terminal
CN111182636A (zh) 下行控制信息检测方法、网络侧设备及终端设备
CN113300807B (zh) 信息检测、信息发送方法、终端和网络设备
CN110784873B (zh) 非授权频段的信息传输方法、终端及网络设备
WO2019242678A1 (zh) 测量方法及终端
US20220377686A1 (en) Method for determining system operating mode and terminal
US20220150016A1 (en) Information transmission method, network device, and terminal
KR20190118940A (ko) 직교 주파수 분할 멀티플렉싱(ofdm) 시스템에서 선취된 리소스들의 블라인드 검출을 위한 장치 및 방법
CN113115444B (zh) 一种pdcch配置方法及终端
CN109660323B (zh) 一种配置csi-rs的时域位置的方法、基站和用户终端

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant