6G 이동통신을 위한 심층 학습 기반 자율적 코드북 생성 방안
Deep Learning-Based Autonomous Codebook Generation for 6G Wireless Communications
- 발행기관 서강대학교 일반대학원
- 지도교수 성원진
- 발행년도 2022
- 학위수여년월 2022. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000066895
- UCI I804:11029-000000066895
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
무선 채널을 통한 효율적인 신호 전송을 위해서는 채널 상태 정보 (channel state information; CSI)를 추정하기 위한 참조 신호 (reference signaling; RS)가 필요하다. 이를 위해 3GPP (3rd Generation Partnership Project) 표준에서는 CSI-RS를 대규모 다중 입출력 (multiple-input multiple-output; MIMO) 채널의 채널 추정에 사용되는 파일럿 신호로 정의한다. 코드북은 MIMO 전송을 위해 미리 정의된 방향성 빔 또는 코드벡터의 집합으로, 그 중 이산 푸리에 변환 (discrete Fourier transform; DFT) 기반 코드북이 3GPP 표준에서 지원하는 시스템을 비롯한 많은 시스템에서 널리 사용되고 있다. 그러나 고정된 코드벡터 집합을 사용하면 특정 무선 통신 환경, 특히 모바일 트래픽이 특정 분포에 집중되는 경우 빔포밍 효율이 낮아진다. 따라서 보다 효율적인 빔포밍을 위해서는 이동 단말기 분포에 적응할 수 있는 코드북 생성 방법이 요구된다. 본 논문에서는 반복적인 심층 학습 (deep learning; DL) 과정을 통한 코드북 생성 및 업데이트 방안을 제안한다. 제안하는 방법은 기지국의 심층 신경망 (deep neural network; DNN)에 대한 입력으로 프리코딩 행렬 지시자 (precoding matrix indicator; PMI)와 채널 품질 지시자 (channel quality indicator; CQI) 피드백 데이터를 사용한다. 새로 생성된 코드북은 트래픽 집중 방향으로 생성된 코드벡터를 포함하여 채널 특성 및 이동단말 분포를 반영한다. 도시 이동성 모의실험 (simulation of urban mobility; SUMO) 패키지에서 수집된 교통 데이터를 기반으로 제안된 방법의 성능을 평가하여 기존 코드북에 비해 장점을 입증한다.
more초록
For efficient signal transmission over wireless channels, reference signaling (RS) is needed to estimate the channel state information (CSI). For this purpose, 3GPP (3rd Generation Partnership Project) standards define the CSI-RS as pilot signals used for the channel estimation of the massive multiple-input multiple-output (MIMO) channels. A codebook is the set of pre-determined directional beams or codevectors for MIMO transmission, and the discrete Fourier transform (DFT)-based codebook is widely used in many systems including those supported by the 3GPP standard. However, the utilization of a fixed set of codevectors makes its beamforming efficiency low in certain wireless communication environments, especially when the mobile traffic is concentrated in a specific distribution. Therefore, a codebook generation method which can adapt to different mobile terminal distributions is desired for more efficient beamforming. In this thesis, we propose a codebook generation and update method with an iterative deep learning (DL) process. The proposed method uses precoding matrix indicator (PMI) and channel quality indicator (CQI) feedback data, as the input to the deep neural network (DNN) at the base station (BS). The newly generated codebook includes the codevectors which are formed in the directions for traffic concentration, thus reflecting the channel characteristics and mobile terminal distribution. Based on traffic data collected from the simulation of urban mobility (SUMO) package, the performance of the proposed method is evaluated, to demonstrate its advantage over the conventional codebooks.
more