1 |
1
다수의 기지국; 사용자 단말; 및구축된 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
|
2 |
2
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 구축부는시간 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
|
3 |
3
제 2 항에 있어서, 각 클러스터의 채널 벡터 는 하기 식 1을 만족하는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치
|
4 |
4
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
|
5 |
5
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
|
6 |
6
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
|
7 |
7
제 6 항에 있어서, 상기 출력값 은 다음 식을 만족하도록 구비되는 것을 특징으로 하는 딥러닝을 이용한 대규모 MIMO 시스템의 빔포밍 장치
|
8 |
8
제 6 항에 있어서,상기 빔포밍 장치는상기 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
|
9 |
9
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
|
10 |
10
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
|
11 |
11
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
|
12 |
12
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
|