1 |
1
송신 단말로부터 전송되는 비직교 신호를 수신하는 수신 단말에 탑재되는 연속 간섭 제거 최적화 장치로서,상기 송신 단말로부터 전송되는 상기 비직교 신호를 수신하는 비직교 신호 수신부; 및비직교 신호를 입력으로 하고 다른 사용자의 에러 모델을 출력으로 하는 에러 최적화 딥 러닝 모델을 이용하여, 상기 비직교 신호 수신부를 통해 수신한 상기 비직교 신호를 연속 간섭 제거(successive interference cancellation, SIC)를 통해 복조하여 자신의 신호를 획득하는 딥 러닝 기반 복조부;를 포함하는 딥 러닝 기반 연속 간섭 제거 최적화 장치
|
2 |
2
제1항에서,상기 에러 최적화 딥 러닝 모델은,ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함하는,딥 러닝 기반 연속 간섭 제거 최적화 장치
|
3 |
3
제1항에서,상기 딥 러닝 기반 복조부는,상기 에러 최적화 딥 러닝 모델을 기반으로, 수신한 상기 비직교 신호에서 다른 사용자의 신호를 복조하고, 상기 복조한 신호가 상기 자신의 신호인지 여부를 확인하며, 상기 복조한 신호가 상기 자신의 신호가 아닌 경우 상기 복조한 신호를 상기 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 상기 비직교 신호에서 상기 자신의 신호를 획득하는,딥 러닝 기반 연속 간섭 제거 최적화 장치
|
4 |
4
제3항에서,상기 딥 러닝 기반 복조부는,상기 복조한 신호의 비트스트림(bitstream)을 분석하여 상기 자신의 신호인지 여부를 확인하는,딥 러닝 기반 연속 간섭 제거 최적화 장치
|
5 |
5
제3항에서,상기 딥 러닝 기반 복조부는,비트스트림 형태인 상기 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 상기 복조한 신호를 상기 비직교 신호에서 차감하는,딥 러닝 기반 연속 간섭 제거 최적화 장치
|
6 |
6
제1항에서,상기 딥 러닝 기반 복조부는,상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 수신한 상기 비직교 신호에서 바로 자신의 신호를 복조하고,상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 상기 에러 최적화 딥 러닝 모델을 기반으로 상기 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 상기 자신의 신호를 획득하는,딥 러닝 기반 연속 간섭 제거 최적화 장치
|
7 |
7
제1항에서,상기 송신 단말은,채널 상태 정보(channel state information, CSI)를 기반으로 복수의 수신 단말 각각에 대한 채널 상태(channel state)를 획득하고, 복수의 수신 단말 각각에 대한 채널 상태를 기반으로 복수의 수신 단말 각각에 대한 전력 계수를 획득하며, 복수의 수신 단말 각각에 대한 전력 계수를 기반으로 복수의 수신 단말 각각에 송신할 신호들을 혼합하여 상기 비직교 신호를 획득하고, 획득한 상기 비직교 신호를 방사하는,딥 러닝 기반 연속 간섭 제거 최적화 장치
|
8 |
8
송신 단말로부터 전송되는 비직교 신호를 수신하는 수신 단말에 탑재되는 연속 간섭 제거 최적화 장치에 의해 수행되는 연속 간섭 제거 최적화 방법으로서,상기 송신 단말로부터 전송되는 상기 비직교 신호를 수신하는 단계; 및비직교 신호를 입력으로 하고 다른 사용자의 에러 모델을 출력으로 하는 에러 최적화 딥 러닝 모델을 이용하여, 수신한 상기 비직교 신호를 연속 간섭 제거(successive interference cancellation, SIC)를 통해 복조하여 자신의 신호를 획득하는 단계;를 포함하는 딥 러닝 기반 연속 간섭 제거 최적화 방법
|
9 |
9
제8항에서,상기 에러 최적화 딥 러닝 모델은,ReLU(Rectified Linear Unit)를 활성화 함수(activation function)로 하는 CNN(convolution neural network) 레이어 및 tanh 함수(hyperbolic tangent function)를 활성화 함수로 하는 maxout 레이어를 포함하는,딥 러닝 기반 연속 간섭 제거 최적화 방법
|
10 |
10
제8항에서,상기 자신의 신호 획득 단계는,상기 에러 최적화 딥 러닝 모델을 기반으로, 수신한 상기 비직교 신호에서 다른 사용자의 신호를 복조하고, 상기 복조한 신호가 상기 자신의 신호인지 여부를 확인하며, 상기 복조한 신호가 상기 자신의 신호가 아닌 경우 상기 복조한 신호를 상기 비직교 신호에서 차감하는 과정을 반복적으로 수행하면서, 수신한 상기 비직교 신호에서 상기 자신의 신호를 획득하는 것으로 이루어지는,딥 러닝 기반 연속 간섭 제거 최적화 방법
|
11 |
11
제10항에서,상기 자신의 신호 획득 단계는,비트스트림 형태인 상기 복조한 신호를 파형(waveform) 형태로 변형하고, 파형 형태로 변형된 상기 복조한 신호를 상기 비직교 신호에서 차감하는 것으로 이루어지는,딥 러닝 기반 연속 간섭 제거 최적화 방법
|
12 |
12
제8항에서,상기 자신의 신호 획득 단계는,상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 약한 채널(weak channel)인 경우, 수신한 상기 비직교 신호에서 바로 자신의 신호를 복조하고,상기 송신 단말과의 채널 상태(channel state)가 미리 설정된 기준에 따른 강한 채널(strong channel)인 경우, 상기 에러 최적화 딥 러닝 모델을 기반으로 상기 비직교 신호를 연속 간섭 제거(SIC)를 통해 복조하여 상기 자신의 신호를 획득하는 것으로 이루어지는,딥 러닝 기반 연속 간섭 제거 최적화 방법
|
13 |
13
제8항 내지 제12항 중 어느 한 항에 기재된 딥 러닝 기반 연속 간섭 제거 최적화 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램
|