KR20190117181A - 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치 - Google Patents

학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치 Download PDF

Info

Publication number
KR20190117181A
KR20190117181A KR1020180040380A KR20180040380A KR20190117181A KR 20190117181 A KR20190117181 A KR 20190117181A KR 1020180040380 A KR1020180040380 A KR 1020180040380A KR 20180040380 A KR20180040380 A KR 20180040380A KR 20190117181 A KR20190117181 A KR 20190117181A
Authority
KR
South Korea
Prior art keywords
high frequency
signal
distortion
compensation
wireless high
Prior art date
Application number
KR1020180040380A
Other languages
English (en)
Inventor
김경표
이우용
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180040380A priority Critical patent/KR20190117181A/ko
Publication of KR20190117181A publication Critical patent/KR20190117181A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
    • H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
    • H04L27/38—Demodulator circuits; Receiver circuits
    • H04L27/3845—Demodulator circuits; Receiver circuits using non - coherent demodulation, i.e. not using a phase synchronous carrier
    • H04L27/3854—Demodulator circuits; Receiver circuits using non - coherent demodulation, i.e. not using a phase synchronous carrier using a non - coherent carrier, including systems with baseband correction for phase or frequency offset
    • H04L27/3863—Compensation for quadrature error in the received signal
    • 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
    • H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Amplifiers (AREA)
  • Transmitters (AREA)

Abstract

학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치가 개시된다. 일실시예에 따른 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 장치는 무선 고주파 아날로그 회로에 의한 왜곡 신호를 획득하고, 왜곡 신호를 기 학습된 뉴럴 네트워크로 인가하여, 왜곡 신호를 보상하기 위한 보상 회로 파라미터를 획득하고, 보상 회로 파라미터에 기초하여, 왜곡 신호를 보상할 수 있다.

Description

학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치{LEARNING-BASED MISMATCH COMPENSATION OF WIRELESS HIGH-FREQUENCY ANALOG CIRCUIT METHOD AND DEVICE}
실시예들은 학습을 통해 무선 고주파 아날로그 회로의 부정합을 보상하기 위한 방법, 장치 및 시스템에 관한 것이다.
무선 고주파 아날로그 회로에 의해 발생하는 신호 왜곡은 주로 아날로그-디지털 변환기의 출력의 I 채널 및 Q 채널 신호 간의 위상 및 이득 부정합 또는 불필요한 국부 발진 누출 현상을 유발한다. 이로 인해 사용 주파수 대역 내에 불필요한 간섭 톤이 발생하고, 원래 송신 신호의 디코딩이 어려워진다. 또한 간섭 톤의 크기가 큰 경우 디지털 회로에서 신호 이득 제어 성능이 열화될 수 있다.
신호 왜곡 문제를 해결하기 위해 시험용 단일 주파수 톤을 이용하는 방식이 활용된다. 도 8을 참조하면, 디지털-아날로그 변환기의 입력단에 무선 고주파 아날로그 회로의 왜곡 측정을 위한 단일 주파수 톤이 입력된다. 회로 왜곡 측정 전용 되돌림 시험 경로를 거쳐서 아날로그-디지털 변환기 출력을 통해 나오는 신호가 측정된다. 펌웨어는 단일 주파수 톤을 생성한 후에 초기 파라미터를 이용하여 송신 신호 왜곡을 임의로 보상하고, 보상된 신호가 무선 고주파 아날로그 회로의 되돌림 시험 경로를 통과하도록 제어한다. 그 다음, 펌웨어는 수신된 신호를 임의의 초기 파라미터를 이용하여 왜곡 보상한 후에 이를 관측하여 잔여 왜곡을 측정한 후 측정된 값이 최소가 될 때까지 송신 및 수신 신호의 왜곡 보상 회로의 파라미터를 조절한다. 펌웨어는 단일 주파수 톤을 계속 생성하여 앞의 과정을 반복한다. 펌웨어는 이진 탐색 알고리즘 등을 활용하여 잔여 왜곡이 최소가 될 때의 파라미터를 탐색, 확보 및 갱신한다. 최종적으로 확보된 파라미터는 왜곡 보상 회로에 고정되고, 이 후에 되돌림 시험 경로는 해제되고 정상 경로가 구성되어 부정합 교정이 종료된다.
기계학습은 빅데이터, GPU(Graphics Processing Unit) 기반 고속 컴퓨팅 및 다양한 알고리즘의 개발에 의해 다양한 분야에서 활용되고 있고, 잠재적인 응용 가능성으로 많은 관심을 끌고 있다. 따라서, 무선 고주파 아날로그 회로의 부정합을 교정하는데 있어 딥러닝을 활용하는 기법의 연구가 요구된다.
실시예들은 기계 학습을 이용하여 무선 통신 시스템의 무선 고주파 아날로그 회로에 의해 발생하는 신호 왜곡을 교정하고자 한다.
실시예들은 기계 학습을 이용하여 신호 왜곡에 따른 부정합 보상을 위한 파라미터를 빠르게 찾아 기저 대역 모뎀의 송수신 준비 시간을 줄이고자 한다.
실시예들은 기계 학습을 이용하여 신호 왜곡에 따른 부정합 보상을 위한 파라미터를 보다 정확하게 찾고, 왜곡 교정 성능을 높이고자 한다.
일실시예에 따른 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법은 무선 고주파 아날로그 회로에 의한 왜곡 신호를 획득하는 단계; 상기 왜곡 신호를 기 학습된 뉴럴 네트워크로 인가하여, 상기 왜곡 신호를 보상하기 위한 보상 회로 파라미터를 획득하는 단계; 및 상기 보상 회로 파라미터에 기초하여, 상기 왜곡 신호를 보상하는 단계를 포함한다.
일실시예에 따르면, 상기 무선 고주파 아날로그 회로는 디지털-아날로그 변환기(DAC)가 디지털 신호로부터 변환시킨 아날로그 신호를 수신하고, 상기 수신된 아날로그 신호로부터 고주파 신호로 변환시켜 아날로그-디지털 변환기(ADC)로 전송하고, 상기 왜곡 신호를 획득하는 단계는 상기 아날로그-디지털 변환기가 상기 고주파 신호로부터 변환시킨 아날로그 신호를 획득하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 왜곡 신호는 상기 무선 고주파 아날로그 회로의 신호 처리에 의해 발생한 왜곡 정보를 포함할 수 있다.
일실시예에 따르면, 상기 보상 회로 파라미터는 상기 무선 고주파 아날로그 회로의 송신 왜곡 보상 회로의 제1 보상 회로 파라미터를 포함하고, 상기 송신 왜곡 보상 회로는 상기 왜곡 신호를 수신할 수 있다.
일실시예에 따르면, 상기 왜곡 신호를 보상하는 단계는 상기 제1 보상 회로 파라미터를 상기 송신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통해 송신하고자 하는 신호를 보상하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 보상 회로 파라미터는 상기 무선 고주파 아날로그 회로의 수신 왜곡 보상 회로의 제2 보상 회로 파라미터를 포함하고, 상기 수신 왜곡 보상 회로는 상기 무선 고주파 아날로그 회로로 인가되는 단일 주파수 톤을 수신할 수 있다.
일실시예에 따르면, 상기 왜곡 신호를 보상하는 단계는 상기 제2 보상 회로 파라미터를 상기 수신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통해 수신한 신호를 보상하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 보상 회로 파라미터는 상기 무선 고주파 아날로그 회로로 인가된 단일 주파수 톤에 기초하여 생성될 수 있다.
일실시예에 따른 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법은 상기 뉴럴 네트워크에 따른 되돌림 시험 경로를 디지털 기저대역 모뎀을 통한 데이터 전송 경로로 복구하는 단계; 및 상기 보상 회로 파라미터를 상기 무선 고주파 아날로그 회로의 송신 왜곡 보상 회로 및 수신 왜곡 보상 회로에 적용하여, 상기 디지털 기저대역 모뎀을 통한 신호 송수신을 수행하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 상기 뉴럴 네트워크는 트레이닝 왜곡 신호들 및 상기 트레이닝 왜곡 신호들에 대응하는 트레이닝 보상 회로 파라미터들에 기초하여 학습될 수 있다.
일실시예에 따르면, 상기 뉴럴 네트워크는 상기 왜곡 신호에 기초한 입력으로부터 송신 왜곡 보상 회로의 제1 보상 회로 파라미터 및 수신 왜곡 보상 회로의 제2 보상 회로 파라미터를 추정할 수 있다.
일실시예에 따르면, 상기 왜곡 신호는 상기 무선 고주파 아날로그 회로의 송신부 또는 수신부에 대응하는 I 채널 신호 및 Q 채널 신호 사이의 위상 또는 이득의 부정합 정보를 포함할 수 있다.
일실시예에 따른 무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법은 무선 고주파 아날로그 회로에 의한 트레이닝 왜곡 신호들을 획득하는 단계; 상기 트레이닝 왜곡 신호들을 보상하기 위한 트레이닝 보상 회로 파라미터들을 획득하는 단계; 상기 트레이닝 왜곡 신호들을 뉴럴 네트워크로 인가하는 단계; 및 상기 뉴럴 네트워크의 출력에 기초하여 예측된 보상 회로 파라미터들과 상기 출력 보상 회로 파라미터들에 기초하여, 상기 뉴럴 네트워크를 학습시키는 단계를 포함한다.
일실시예에 따르면, 상기 뉴럴 네트워크를 학습시키는 단계는 상기 예측된 보상 회로 파라미터들과 상기 출력 보상 회로 파라미터들에 기초한 손실 함수의 값이 작아지도록 상기 뉴럴 네트워크를 최적화하는 단계를 포함한다.
일실시예에 따르면, 상기 무선 고주파 아날로그 회로는 디지털-아날로그 변환기(DAC)가 디지털 신호로부터 변환시킨 아날로그 신호를 수신하고, 상기 수신된 아날로그 신호로부터 고주파 신호로 변환시켜 아날로그-디지털 변환기(ADC)로 전송하고, 상기 트레이닝 왜곡 신호들을 획득하는 단계는 상기 아날로그-디지털 변환기가 상기 고주파 신호로부터 변환시킨 아날로그 신호를 획득하는 단계를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 기계 학습을 이용하여 무선 통신 시스템의 무선 고주파 아날로그 회로에 의해 발생하는 신호 왜곡을 교정할 수 있다.
실시예들은 기계 학습을 이용하여 신호 왜곡에 따른 부정합 보상을 위한 파라미터를 빠르게 찾아 기저 대역 모뎀의 송수신 준비 시간을 줄일 수 있다.
실시예들은 기계 학습을 이용하여 신호 왜곡에 따른 부정합 보상을 위한 파라미터를 보다 정확하게 찾고, 왜곡 교정 성능을 높일 수 있다.
도 1은 일실시예에 따른 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 부정합 보상 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 부정합 보상 시스템을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법을 설명하기 위한 순서도이다.
도 6는 일실시예에 따른 학습 방법을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인식하는데 적용될 수 있다. 실시예들은 사용자 인식을 통한 결제 서비스에 적용될 수 있다. 또한, 실시예들은 사용자를 인식하여 자동으로 시동을 거는 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
무선 고주파 아날로그 회로의 신호에서 I 채널 및 Q 채널의 부정합의 유형은 다양하다. 대표적으로, 무선 고주파 아날로그 회로의 송신부 및 수신부에 의해 발생하는 이득 및 위상의 부정합, 국부 발진 누출 현상이 있다. 일실시예에 따른 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 장치(이하, 부정합 보상 장치라 함)는 송신부의 이득 및 위상 부정합과 국부 발진 누출 현상에 대한 신호 왜곡을 보상하고, 이후 수신부의 이득 및 위상 부정합과 국부 발진 누출 현상에 대한 신호 왜곡을 보상할 수 있다.
일실시예에 따르면, 부정합 보상 장치는 무선 통신 시스템의 무선 고주파 아날로그 회로에 의해 발생하는 신호 왜곡으로 인한 기저 대역 모뎀의 I 채널 및 Q 채널 간 입력 신호의 위상 및 이득의 부정합을 교정하고, 신호로부터 불필요한 국부 발진 성분을 제거할 수 있다. 부정합 보상 장치는 아날로그 회로에 의해 발생하는 신호 왜곡의 정도를 디지털 회로에서 측정하고, 기계 학습 기법을 이용하여 디지털 보상을 위한 최적의 파라미터를 도출하고, 기저 대역 모뎀에서의 신호 왜곡을 보상할 수 있다. 부정합 보상 장치는 무선 고주파 아날로그 회로에 의해 발생하는 신호 왜곡을 디지털 블록에서 교정하는데, 기계 학습 기법을 이용하여 왜곡 보상을 위한 파라미터를 빠르게 찾고, 기저 대역 모뎀의 송수신 준비 시간을 줄일 수 있다. 또한, 부정합 보상 장치는 이진 탐색을 통한 파라미터 도출보다 더 신뢰도 높은 파라미터를 신속하게 찾아 왜곡 교정 성능을 높일 수 있다.
도 1은 일실시예에 따른 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법을 설명하기 위한 순서도이다.
도 1을 참조하면, 일실시예에 따른 부정합 보상 장치는 무선 고주파 아날로그 회로에 의한 왜곡 신호를 획득할 수 있다(101). 부정합 보상 장치는 회로의 왜곡 신호를 보상하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다. 부정합 보상 장치는 서버, 단말 또는 이들의 조합으로 구현될 수 있다. 부정합 보상 장치는 왜곡 신호를 보상하기 위한 신호, 명령 또는 정보를 처리할 수 있다. 왜곡 신호는 보상하고자 하는 신호이고, 무선 고주파 아날로그 회로는 신호의 송수신을 위한 기저 대역 모뎀과 연결될 수 있다. 일실시예에 따르면, 왜곡 신호는 무선 고주파 아날로그 회로의 송신부 또는 수신부에 대응하는 I 채널 신호 및 Q 채널 신호 사이의 위상 또는 이득의 부정합 정보를 포함한다.
일실시예에 따르면, 부정합 보상 장치는 획득된 왜곡 신호를 기 학습된 뉴럴 네트워크로 인가하여, 왜곡 신호를 보상하기 위한 보상 회로 파라미터를 획득할 수 있다(102). 뉴럴 네트워크는 왜곡 신호를 보상하기 위한 보상 회로 파라미터를 생성하고자 미리 학습될 수 있다. 부정합 보상 장치는 주어진 왜곡 신호에 대응하는 보상 회로 파라미터를 기 학습된 뉴럴 네트워크를 이용하여 획득될 수 있다.
일실시예에 따르면, 보상 회로 파라미터는 무선 고주파 아날로그 회로로 인가된 단일 주파수 톤에 기초하여 생성될 수 있다. 무선 고주파 아날로그 회로의 되돌림 시험 경로를 통과하는 단일 주파수 톤의 관찰을 통한 I 채널 및 Q 채널의 부정합 교정에 있어서, 신호의 왜곡을 최소화하는 보상 회로 파라미터의 해가 존재한다.
I 채널 및 Q 채널 신호를 두 개의 파라미터를 이용하여 보상하는 과정은 수학식 1과 같이 설계될 수 있다.
Figure pat00001
I는 I 채널 신호이고, Q는 Q 채널 신호이고, param0은 제1 보상 회로 파라미터이고, param1은 제2 보상 회로 파라미터이며,
Figure pat00002
는 I 채널 신호이고,
Figure pat00003
는 Q 채널 신호이다.
여기서, 보상 후의 신호
Figure pat00004
및
Figure pat00005
는 수학식 2와 같이 각각 표현된다.
Figure pat00006
보상 이전에 I 채널 및 Q 채널 신호 간에 이득 및 위상 부정합이 존재하는 신호는 수학식 3과 같이 표현될 수 있다.
Figure pat00007
여기서,
Figure pat00008
및
Figure pat00009
는 각각 이득 및 위상의 부정합이고,
Figure pat00010
는 시간이고,
Figure pat00011
는 각속도이다.
수학식 3으로부터 두 개의 보상 회로 파라미터의 해를 구하면 수학식 4와 같다.
Figure pat00012
위의 해는 이산 푸리에 변환 등을 비롯한 다양한 방식을 통해 왜곡 신호로부터 이득 및 위상 부정합의 크기를 도출한 이후에 적용될 수 있다. 부정합의 크기를 알고 있다고 하더라도 실제 구현 시 직접 연산이나 상수표가 필요하다. 직접 연산은 나눗셈 연산 및 삼각함수 연산이 요구된다. 상수표를 이용하는 방법은 파라미터의 비트 해상도에 따라 상수표의 크기가 지수적으로 증가하므로 구현이 쉽지 않다. 또한, 펌웨어를 이용하여 파라미터를 최적화하는 기법은 하드웨어를 이용하는 것에 비해 속도가 느리다. 일실시예에 따른 부정합 보상 장치는 상술한 파라미터를 추정하도록 학습된 뉴럴 네트워크를 이용하므로, 뉴럴 네트워크의 복잡도에 따라 하드웨어를 구현하여 부정합을 보상할 수 있다. 부정합 보상 장치는 하드웨어로 구현 가능한 뉴럴 네트워크를 이용하여 신호 왜곡을 보상하기 위한 파라미터를 빠르게 탐색하고, 기저 대역 모뎀의 송수신 준비 시간을 줄일 수 있다.
일실시예에 따르면, 부정합 보상 장치는 획득된 보상 회로 파라미터에 기초하여 무선 고주파 아날로그 회로에 의한 왜곡 신호를 보상할 수 있다(103). 왜곡 신호는 무선 고주파 아날로그 회로의 신호 처리에 의해 발생한 왜곡 정보를 포함하고, 부정합 보상 장치는 기계 학습을 이용하여 왜곡 신호를 보상할 수 있다.
일실시예에 따르면, 보상 회로 파라미터는 무선 고주파 아날로그 회로의 송신 왜곡 보상 회로의 제1 보상 회로 파라미터를 포함하고, 송신 왜곡 보상 회로는 왜곡 신호를 수신할 수 있다. 부정합 보상 장치는 제1 보상 회로 파라미터를 송신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통해 송신하고자 하는 신호를 보상할 수 있다.
일실시예에 따르면, 보상 회로 파라미터는 무선 고주파 아날로그 회로의 수신 왜곡 보상 회로의 제2 보상 회로 파라미터를 포함하고, 수신 왜곡 보상 회로는 무선 고주파 아날로그 회로로 인가되는 단일 주파수 톤을 수신할 수 있다. 부정합 보상 장치는 제2 보상 회로 파라미터를 수신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통해 수신한 신호를 보상할 수 있다.
일실시예에 따르면, 부정합 보상 장치는 뉴럴 네트워크에 따른 되돌림 시험 경로를 디지털 기저대역 모뎀을 통한 데이터 전송 경로로 복구할 수 있다. 부정합 보상 장치는 보상 회로 파라미터를 무선 고주파 아날로그 회로의 송신 왜곡 보상 회로 및 수신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통한 신호 송수신을 수행할 수 있다.
도 2는 일실시예에 따른 부정합 보상 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 부정합 보상 장치는 보상하고자 하는 왜곡 신호(202)를 기 학습된 뉴럴 네트워크(201)로 인가할 수 있고, 뉴럴 네트워크(201)에 의해 생성된 보상 회로 파라미터(203)를 획득할 수 있다. 일실시예에 따르면, 뉴럴 네트워크(201)는 왜곡 신호(202)에 기초한 입력으로부터 송신 왜곡 보상 회로의 제1 보상 회로 파라미터 및 수신 왜곡 보상 회로의 제2 보상 회로 파라미터를 추정할 수 있다.
일실시예에 따르면, 부정합 보상 장치는 왜곡 신호(202)에 기초하여, 뉴럴 네트워크(201)의 입력 레이어에 대응하는 입력 벡터를 생성하고, 생성된 입력 벡터를 입력 레이어에 인가할 수 있다. 뉴럴 네트워크(201)의 출력 레이어는 출력 벡터를 생성하고, 부정합 보상 장치는 뉴럴 네트워크(201)의 출력 벡터에 기초하여 왜곡 신호(202)를 보상하기 위한 보상 회로 파라미터(203)를 예측할 수 있다. 여기서, 뉴럴 네트워크(201)는 트레이닝 왜곡 신호들 및 트레이닝 왜곡 신호들에 대응하는 트레이닝 보상 회로 파라미터들에 기초하여 학습될 수 있다.
기 학습된 뉴럴 네트워크(201)로 인가되거나 기 학습된 뉴럴 네트워크(201)로부터 출력되는 데이터의 유형은 다양하게 변형될 수 있다. 뉴럴 네트워크(201)는 CNN(Convolutional neural network), RNN(Recurrent Neural Network) 등 다양한 유형의 네트워크로 구현될 수 있다.
도 3은 일실시예에 따른 부정합 보상 시스템을 설명하기 위한 도면이다.
도 3을 참조하면, 일실시예에 따른 부정합 보상 시스템은 단일 주파수 톤 생성기(301), 송신 왜곡 보상 회로(302), 디지털-아날로그 변환기(DAC)(303), 무선 고주파 아날로그 회로(304), 아날로그-디지털 변환기(ADC)(305), 뉴럴 네트워크(306), 수신 왜곡 보상 회로(307) 및 디지털 기저대역 모뎀(308)을 포함한다. 일실시예에 따르면, 단일 주파수 톤 생성기(301)에 의해 단일 주파수 톤이 생성된다.
일실시예에 따르면, 단일 주파수 톤은 송신 왜곡 보상 회로(302), 디지털-아날로그 변환기(DAC)(303), 무선 고주파 아날로그 회로(304) 및 아날로그-디지털 변환기(ADC)(305)를 거치게 된다. 예를 들어, 무선 고주파 아날로그 회로(304)는 디지털-아날로그 변환기(DAC)(303)가 디지털 신호로부터 변환시킨 아날로그 신호를 수신할 수 있다. 무선 고주파 아날로그 회로(304)는 수신된 아날로그 신호로부터 고주파 신호로 변환시켜 아날로그-디지털 변환기(ADC)(305)로 전송할 수 있다. 부정합 보상 장치는 아날로그-디지털 변환기(ADC)(305)가 고주파 신호로부터 변환시킨 아날로그 신호를 획득할 수 있다.
부정합 보상 장치는 아날로그-디지털 변환기(ADC)(305)를 통해 출력되는 왜곡 신호를 뉴럴 네트워크(306)로 인가할 수 있다. 뉴럴 네트워크(306)는 보상 회로 파라미터를 생성할 수 있다. 보상 회로 파라미터는 송신 왜곡 보상 회로(302)의 제1 보상 회로 파라미터와 수신 왜곡 보상 회로(307)의 제2 보상 회로 파라미터를 포함할 수 있다. 부정합 보상 장치는 제1 보상 회로 파라미터와 제2 보상 회로 파라미터를 각각 송신 왜곡 보상 회로(302)와 수신 왜곡 보상 회로(307)로 각각 적용할 수 있다.
일실시예에 따르면, 단일 주파수 톤이 처음으로 생성되어 무선 고주파 아날로그 회로(304)의 왜곡 신호가 뉴럴 네트워크(306)로 전달되도록, 부정합 보상 장치는 신호가 보상되지 않도록 파라미터를 설정할 수 있다. 그 후에, 기 학습된 뉴럴 네트워크(306)는 왜곡 신호에 대응하는 보상 회로 파라미터를 생성하고, 부정합 보상 장치는 생성된 보상 회로 파라미터를 디지털 보상 회로로 적용할 수 있다. 신호 왜곡의 보상이 완료되면, 부정합 보상을 위해 형성된 되돌림 시험 경로는 원래의 데이터 전송 경로로 복구되고, 부정합 보상 과정이 종료된다. 이에 따라, 디지털 기저대역 모뎀(308)의 송수신 준비가 완료된다.
도 4는 일실시예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 4를 참조하면, 일실시예에 따른 뉴럴 네트워크(401)가 도시된다. 도 4를 참조하면, 뉴럴 네트워크(401)는 입력 레이어(Input layer)(402), 복수의 히든 레이어(Hidden layer)들(403) 및 출력 레이어(Output layer)(404)를 포함하고, 각 레이어들 사이에는 가중치들(weights)과 바이어스들(biases)이 정의될 수 있다. 입력 레이어(402) 내 노드들은 입력 데이터(또는 입력 벡터)에 대응하고, 출력 레이어(404) 내 노드들은 출력 데이터(또는 출력 벡터)에 대응한다.
일실시예에 따른 부정합 보상 장치는 학습을 통해 최적화가 완료된 가중치들(weights)과 바이어스들(biases)을 뉴럴 네트워크(401)에 적용하여 왜곡 신호를 보상할 수 있다. 일실시예에 따르면, 뉴럴 네트워크(401)의 가중치들(weights)과 바이어스들(biases)은 다수 사례(example)를 통해 최적화될 수 있고, 최적화를 통해 뉴럴 네트워크(401)는 학습될 수 있다.
뉴럴 네트워크(401)는 입력 레이어(402)를 통해 왜곡이 있는 신호의 샘플 열을 입력으로 수신하고, 출력 레이어(404)를 통해 2 개의 파라미터들을 생성할 수 있다. 뉴럴 네트워크(401)의 입력 및 출력의 유형 및 정의, 뉴럴 네트워크(401)의 구조는 실시예에 따라 다양하게 변형될 수 있다.
도 5는 일실시예에 따른 무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, 일실시예에 따른 무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 장치(이하, 학습 장치라 함)는 무선 고주파 아날로그 회로에 의한 트레이닝 왜곡 신호들을 획득할 수 있다(501). 트레이닝 왜곡 신호는 보상하고자 하는 메시지로서, 뉴럴 네트워크를 학습시키기 위해 수집될 수 있다. 학습 장치는 무선 고주파 아날로그 회로의 부정합 보상을 위한 뉴럴 네트워크를 학습시키는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다. 학습 장치는 서버, 단말 또는 이들의 조합으로 구현될 수 있다. 학습 장치는 학습을 수행하기 위한 신호, 명령 도는 정보를 처리할 수 있다.
학습 장치는 트레이닝 왜곡 신호들을 보상하기 위한 트레이닝 보상 회로 파라미터들을 획득할 수 있다(502). 트레이닝 보상 회로 파라미터는 트레이닝 왜곡 신호를 보상하기 위해 왜곡 보상 회로에 적용되는 것으로서, 뉴럴 네트워크를 학습시키기 위해 수집될 수 있다.
학습 장치는 트레이닝 왜곡 신호들을 뉴럴 네트워크로 인가할 수 있다(503). 트레이닝 왜곡 신호들은 뉴럴 네트워크의 입력 레이어에 적합한 형태로 변형되어 인가될 수 있다.
학습 장치는 뉴럴 네트워크의 출력에 기초하여 예측된 보상 회로 파라미터들과 출력 보상 회로 파라미터들에 기초하여, 뉴럴 네트워크를 학습시킬 수 있다(504). 학습 장치는 뉴럴 네트워크의 가중치 및 바이어스를 최적화하여 뉴럴 네트워크를 학습시킬 수 있다. 도 6을 참조하면, 학습 장치는 트레이닝 왜곡 신호들(602)을 뉴럴 네트워크(601)로 인가하여, 뉴럴 네트워크(601)에 의해 예측된 보상 회로 파라미터들(603)을 획득할 수 있다. 학습 장치는 예측된 보상 회로 파라미터들(603)과 트레이닝 보상 회로 파라미터들(604)을 이용하여 뉴럴 네트워크(601)를 학습시킬 수 있다.
다시, 도 6을 참조하면, 학습 장치는 뉴럴 네트워크에 의해 예측된 보상 회로 파라미터들이 트레이닝 보상 회로 파라미터들에 가까워지도록 뉴럴 네트워크를 최적화할 수 있다. 학습 장치는 뉴럴 네트워크에 의해 예측된 보상 회로 파라미터들과 트레이닝 보상 회로 파라미터들에 기초한 손실 함수의 값이 작아지도록 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크를 학습시키는 기법에는 SGD(Stochastic Gradient Descent) 및 백 전파(back propagation) 등 다양한 방식이 채용될 수 있다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
도 7을 참조하면, 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 6을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 6을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(703)는 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 또는 무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
201: 뉴럴 네트워크

Claims (20)

  1. 무선 고주파 아날로그 회로에 의한 왜곡 신호를 획득하는 단계;
    상기 왜곡 신호를 기 학습된 뉴럴 네트워크로 인가하여, 상기 왜곡 신호를 보상하기 위한 보상 회로 파라미터를 획득하는 단계; 및
    상기 보상 회로 파라미터에 기초하여, 상기 왜곡 신호를 보상하는 단계
    를 포함하는
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  2. 제1항에 있어서,
    상기 무선 고주파 아날로그 회로는
    디지털-아날로그 변환기(DAC)가 디지털 신호로부터 변환시킨 아날로그 신호를 수신하고,
    상기 수신된 아날로그 신호로부터 고주파 신호로 변환시켜 아날로그-디지털 변환기(ADC)로 전송하고,
    상기 왜곡 신호를 획득하는 단계는
    상기 아날로그-디지털 변환기가 상기 고주파 신호로부터 변환시킨 아날로그 신호를 획득하는 단계
    를 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  3. 제2항에 있어서,
    상기 왜곡 신호는 상기 무선 고주파 아날로그 회로의 신호 처리에 의해 발생한 왜곡 정보를 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  4. 제1항에 있어서,
    상기 보상 회로 파라미터는 상기 무선 고주파 아날로그 회로의 송신 왜곡 보상 회로의 제1 보상 회로 파라미터를 포함하고,
    상기 송신 왜곡 보상 회로는 상기 왜곡 신호를 수신하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  5. 제4항에 있어서,
    상기 왜곡 신호를 보상하는 단계는
    상기 제1 보상 회로 파라미터를 상기 송신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통해 송신하고자 하는 신호를 보상하는 단계
    를 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  6. 제1항에 있어서,
    상기 보상 회로 파라미터는 상기 무선 고주파 아날로그 회로의 수신 왜곡 보상 회로의 제2 보상 회로 파라미터를 포함하고,
    상기 수신 왜곡 보상 회로는 상기 무선 고주파 아날로그 회로로 인가되는 단일 주파수 톤을 수신하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  7. 제6항에 있어서,
    상기 왜곡 신호를 보상하는 단계는
    상기 제2 보상 회로 파라미터를 상기 수신 왜곡 보상 회로에 적용하여, 디지털 기저대역 모뎀을 통해 수신한 신호를 보상하는 단계
    를 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  8. 제1항에 있어서,
    상기 보상 회로 파라미터는 상기 무선 고주파 아날로그 회로로 인가된 단일 주파수 톤에 기초하여 생성되는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  9. 제1항에 있어서,
    상기 뉴럴 네트워크에 따른 되돌림 시험 경로를 디지털 기저대역 모뎀을 통한 데이터 전송 경로로 복구하는 단계; 및
    상기 보상 회로 파라미터를 상기 무선 고주파 아날로그 회로의 송신 왜곡 보상 회로 및 수신 왜곡 보상 회로에 적용하여, 상기 디지털 기저대역 모뎀을 통한 신호 송수신을 수행하는 단계
    를 더 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  10. 제1항에 있어서,
    상기 뉴럴 네트워크는
    트레이닝 왜곡 신호들 및 상기 트레이닝 왜곡 신호들에 대응하는 트레이닝 보상 회로 파라미터들에 기초하여 학습된,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  11. 제1항에 있어서,
    상기 뉴럴 네트워크는
    상기 왜곡 신호에 기초한 입력으로부터 송신 왜곡 보상 회로의 제1 보상 회로 파라미터 및 수신 왜곡 보상 회로의 제2 보상 회로 파라미터를 추정하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  12. 제1항에 있어서,
    상기 왜곡 신호는
    상기 무선 고주파 아날로그 회로의 송신부 또는 수신부에 대응하는 I 채널 신호 및 Q 채널 신호 사이의 위상 또는 이득의 부정합 정보를 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법.
  13. 무선 고주파 아날로그 회로에 의한 트레이닝 왜곡 신호들을 획득하는 단계;
    상기 트레이닝 왜곡 신호들을 보상하기 위한 트레이닝 보상 회로 파라미터들을 획득하는 단계;
    상기 트레이닝 왜곡 신호들을 뉴럴 네트워크로 인가하는 단계; 및
    상기 뉴럴 네트워크의 출력에 기초하여 예측된 보상 회로 파라미터들과 상기 출력 보상 회로 파라미터들에 기초하여, 상기 뉴럴 네트워크를 학습시키는 단계
    를 포함하는
    무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법.
  14. 제13항에 있어서,
    상기 뉴럴 네트워크를 학습시키는 단계는
    상기 예측된 보상 회로 파라미터들과 상기 출력 보상 회로 파라미터들에 기초한 손실 함수의 값이 작아지도록 상기 뉴럴 네트워크를 최적화하는 단계
    를 포함하는,
    무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법.
  15. 제13항에 있어서,
    상기 무선 고주파 아날로그 회로는
    디지털-아날로그 변환기(DAC)가 디지털 신호로부터 변환시킨 아날로그 신호를 수신하고,
    상기 수신된 아날로그 신호로부터 고주파 신호로 변환시켜 아날로그-디지털 변환기(ADC)로 전송하고,
    상기 트레이닝 왜곡 신호들을 획득하는 단계는
    상기 아날로그-디지털 변환기가 상기 고주파 신호로부터 변환시킨 아날로그 신호를 획득하는 단계
    를 포함하는,
    무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법.
  16. 제15항에 있어서,
    상기 왜곡 신호는 상기 무선 고주파 아날로그 회로의 신호 처리에 의해 발생한 왜곡 정보를 포함하는,
    무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 방법.
  17. 적어도 하나의 명령을 기록하는 메모리; 및
    상기 명령을 실행하는 프로세서
    를 포함하고,
    상기 프로세서는
    무선 고주파 아날로그 회로에 의한 왜곡 신호를 획득하고,
    상기 왜곡 신호를 기 학습된 뉴럴 네트워크로 인가하여, 상기 왜곡 신호를 보상하기 위한 보상 회로 파라미터를 획득하고,
    상기 보상 회로 파라미터에 기초하여, 상기 왜곡 신호를 보상하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 장치.
  18. 제17항에 있어서,
    상기 무선 고주파 아날로그 회로는
    디지털-아날로그 변환기(DAC)가 디지털 신호로부터 변환시킨 아날로그 신호를 수신하고,
    상기 수신된 아날로그 신호로부터 고주파 신호로 변환시켜 아날로그-디지털 변환기(ADC)로 전송하고,
    상기 프로세서는
    상기 아날로그-디지털 변환기가 상기 고주파 신호로부터 변환시킨 아날로그 신호를 획득하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 장치.
  19. 제18항에 있어서,
    상기 왜곡 신호는 상기 무선 고주파 아날로그 회로의 신호 처리에 의해 발생한 왜곡 정보를 포함하는,
    학습 기반 무선 고주파 아날로그 회로의 부정합 보상 장치.
  20. 적어도 하나의 명령을 기록하는 메모리; 및
    상기 명령을 실행하는 프로세서
    를 포함하고,
    상기 프로세서는
    무선 고주파 아날로그 회로에 의한 트레이닝 왜곡 신호들을 획득하고,
    상기 트레이닝 왜곡 신호들을 보상하기 위한 트레이닝 보상 회로 파라미터들을 획득하고,
    상기 트레이닝 왜곡 신호들을 뉴럴 네트워크로 인가하고,
    상기 뉴럴 네트워크의 출력에 기초하여 예측된 보상 회로 파라미터들과 상기 출력 보상 회로 파라미터들에 기초하여, 상기 뉴럴 네트워크를 학습시키는,
    무선 고주파 아날로그 회로의 부정합 보상을 위한 학습 장치.


KR1020180040380A 2018-04-06 2018-04-06 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치 KR20190117181A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180040380A KR20190117181A (ko) 2018-04-06 2018-04-06 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180040380A KR20190117181A (ko) 2018-04-06 2018-04-06 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20190117181A true KR20190117181A (ko) 2019-10-16

Family

ID=68421694

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180040380A KR20190117181A (ko) 2018-04-06 2018-04-06 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20190117181A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111654286A (zh) * 2020-06-19 2020-09-11 沈阳嘉联志诚科技有限公司 提升模拟数字转换器无杂散动态范围的非线性矫正方法
KR20220094872A (ko) * 2020-12-29 2022-07-06 한밭대학교 산학협력단 딥러닝 기반의 무선 통신 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111654286A (zh) * 2020-06-19 2020-09-11 沈阳嘉联志诚科技有限公司 提升模拟数字转换器无杂散动态范围的非线性矫正方法
KR20220094872A (ko) * 2020-12-29 2022-07-06 한밭대학교 산학협력단 딥러닝 기반의 무선 통신 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11777540B1 (en) Machine learning-based nonlinear pre-distortion system
CN113541700B (zh) 用无线电信号变换器学习无线电信号的方法、***和装置
WO2021051362A1 (en) Machine learning-based channel estimation
US11516053B2 (en) Method and device for channel equalization, and computer-readable medium
CN112243166B (zh) 用于光通信的方法、设备、装置和计算机可读介质
CN112152741B (zh) 信道模型的训练方法及装置
KR20190117181A (ko) 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치
Mohammadzadeh et al. Adaptive beamforming based on theoretical interference‐plus‐noise covariance and direction‐of‐arrival estimation
KR102510513B1 (ko) 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치
KR20190117186A (ko) 학습 기반 채널코드 디코딩 방법 및 장치
KR102027674B1 (ko) 강화 학습 기반 다중 안테나 송수신단의 i/q 불균형 파라미터 추정 방법 및 시스템
US20220256341A1 (en) Rf aware deep learning authentication solution
CN113497648A (zh) 用于恢复角度稀疏信道的方法及使用该方法的***
CN114124173A (zh) 信道信息获取的方法、设备和存储介质
CN111211821B (zh) 用于单连接天线阵列的模拟波束成形的***和方法
Kuzlu et al. A streamlit-based artificial intelligence trust platform for next-generation wireless networks
CN115473553B (zh) 一种智能抑制波束斜视的方法、装置及电子设备
Jere et al. Theoretical foundation and design guideline for reservoir computing-based mimo-ofdm symbol detection
CN112398543B (zh) 用于光通信的方法、设备、***、装置和计算机可读介质
KR102348311B1 (ko) 심층 학습 기반의 무선 통신 환경에서 대용 모델을 이용해 도청 회피 신호를 송신하는 방법 및 장치
Mbugua et al. System development and experimental validation of a long‐range VNA‐based channel sounder
CN112364938A (zh) 对抗样本生成方法、装置和电子设备
崔宇鹏 et al. One-bit compressed sensing recovery algorithm robust to perturbation
KR20200051989A (ko) 저분해능 adc를 사용하는 다중 유저 다중 안테나 통신 시스템에서 온라인 클러스터 분석 기법을 응용한 최소 가중 해밍 거리 기반 데이터 검출 방법 및 그 장치
JP7478302B1 (ja) 無線通信システム、受信装置、および無線通信方法

Legal Events

Date Code Title Description
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination