5G 차량통신 네트워크에서 심층신경망 기반 안테나 빔폭 결정 기법
Deep Neural Network-based Antenna Beamwidth Selection in 5G Vehicular Communication Networks
- 발행기관 서강대학교 일반대학원
- 지도교수 소재우
- 발행년도 2022
- 학위수여년월 2022. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000066916
- UCI I804:11029-000000066916
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
밀리미터파 (milimeter wave; mmWave) 대역의 통신시스템에서는 신호의 경로 실을 극복하기 위해 다중 안테나를 이용한 빔포밍 (beamforming) 기술이 필수적이다. 빔포밍에 의해 형성된 좁은 폭을 갖는 빔은 고지향성으로 높은 신호 세기를 갖는 반면, 고속으로 이동하는 차량에 서비스할 경우 링크 유지 시간이 짧기 때문에 송신단과 수신단 사이에 잦은 빔 정렬이 요구된다. 빔 정렬 시간 동안에는 데이터 전송이 제한되기 때문에 차량의 이동 속도 및 채널 환경에 따라 안테나 빔폭을 동적으로 결정하여야 한다. 최근 밀리미터파 대역에서의 효율적인 빔 정렬을 위한 기계학습 기반의 빔 관리 기법이 활발히 연구되고 있다. 본 논문에서는 기계학습 알고리즘을 활용한 밀리미터파 대역 5G 차량통신 시스템에서의 안테나 빔폭 결정 기법을 제안한다. 안테나 빔폭과 파일럿 전송 시간에 따라 링크 유지 시간을 수학적으로 유도하고, 심층신경망 (deep neural network; DNN) 알고리즘을 기반으로 최적의 빔폭을 결정한다. 하향링크 수율 관점에서의 성능 평가를 통해 랜덤 빔폭 선택 기법 및 고정 빔폭 선택 기법 대비 제안하는 심층신경망 기반 빔폭 선택 기법의 성능이 우수함을 확인하였다.
more초록
In millimeter wave (mmWave) communication systems, beamforming using multiple antennas is essential to compensate the path loss of signals. The narrow beam formed by beamforming has high signal strength due to high directivity. However, when servicing a vehicle moving at high speed, beam alignment between the transmitter and the receiver is frequently required due to a short link retention time. As data transmission is restricted during the beam alignment time, the antenna beam width should be dynamically determined according to the vehicle's velocity and channel environment. Recently, machine learning-based beam management techniques for efficient beam alignment in mmWave bands have been actively studied. In this paper, we propose an antenna beam width selection technique in mmWave 5G vehicular communication system using a machine learning algorithm. We mathematically derive link retention time according to antenna beamwidth and pilot transmission time, and select optimal beamwidth based on deep neural network (DNN) algorithms. Performance evaluation from the downlink throughput perspective confirms that the performance of the proposed deep neural network-based beamwidth selection technique is superior to the random beamwidth selection technique and the fixed beamwidth selection technique.
more