간섭채널 빔성형 기술 - Wireless Transmission Technology in Multi-point to Multi-point Comunications

제 3 장 간섭채널 빔포밍 기술

갱신하는 방식으로 고도의 복잡도로 인해 시스템에 구현이 거의 불가능한 방식으로, 이를 구현하기 위해 딥러닝을 활용하고자 한다. 따라서, 본 연구에서는 반복적 빔포밍 방식을 딥러닝 네트워크로 구현하는 방법 및 그에 따른 실험 결과를 소개하고자 한다.

2. 연구 범위

2017 년도 2 차년도 연구에서는 1 차년도 연구에서 발생한 단일 스트림 전송 성능 향상 원인을 이론적으로 검증하기 위한 과정에서 발견한 오류 보정, 오 류 보정 과정에서 증명한 단일/다중 스트림 전송시 다양한 빔포밍 방식간 동일성 연구, 딥러닝 기반 간섭채널 빔포밍 방식 구현 및 성능 분석을 수행하였다.

2018 년도 3 차년도에서는 2 차년도 연구 결과 중 성능 결과의 오류를 보정하고, 더불어 2 차년도에서 제안된 빔포밍 방식 구현 및 성능 분석을 확장하여, 다양한 송신파워 환경에서도 적용할 수 있는 딥러닝 기반 간섭채널 빔포밍 방식 구현 및 성능분석을 수행한다. 또한, 하드웨어 캐패시티 부족으로 딥러닝 기반 간 섭채널 빔포밍 방식을 수행하지 못할 경우 이를 극복할 수 있는 여러가지 방법들 에 대해 소개/성능 분석을 수행한다.

제 2 절 2차년도 연구결과 오류 보정

2 차년도 연구에서는 딥러닝 기반 간섭채널 시스템 모델 및 학습 방법을 소개하고, 고정된 송신파워(=20dB) 환경에서 학습을 수행 및 결과를 분석하였다.

(그림 3-2-1) 학습기반 Sum-rate 비교 (송신파워= 20dB)

위 실험 결과는 2 차년도 딥러닝 학습을 통해 얻은 빔포밍 값을 간섭채널에 적용하여 구한 sum-rate 값을 보여준다. 해당 학습과정에서 입력 데이터는 채널 정보값, 출력 데이터는 송/수신 빔포밍 행렬을 사용하였고, 채널 정보는 Rayleigh fading 채널 정보값을 사용하였다. 그림에서 learning

rate=0.001, batch=100(그림에서 분홍색)으로 학습을 수행할 경우, 학습데이터/테스트 데이터에서 Original Sum-rate(그림에서 검정색) 결과와 동일한 성능을 얻을 수 있었다. 이는 학습데이터를 통해 구한 딥러닝기반 간섭채널 빔포닝 네트워크가 실제 간섭채널 모델링을 잘 표현하며, 이에 테스트 데이터에서도 좋은 성능을 나타내는 것으로 판단할 수 있다.

그러나, 해당 실험에 대한 추가 분석결과, 테스트 데이터 생성시 사용한 채널 정보값이 트레이닝 과정에 사용된 채널 정보값과 상당히 유사한 방법으로 생성되었고, 이에 트레이닝에서 학습된 모델이 테스트 데이터에서도 좋은 성능을 나타내는 것임을 발견하였다. 즉, 테스트 데이터의 입력값이 트레이닝 데이터의 서브셋으로 생성되어 해당 결과가 좋게 나온 것이다.

실제 테스트 데이터를 트레이닝 데이터와 별개로 생성했을 경우, 아래 결과처럼 학습데이터 성능은 여전히 좋게 나오지만, 테스트 데이터가 좋지 않은 결과가 얻어짐을 알 수 있다. 이는, 생성된 트레이닝에 사용되는 데이터의 샘플 수가 부족하기 때문에 발생한 현상으로 이해할 수 있다.

(그림 3-2-2) 수정된 학습기반 Sum-rate 비교 (송신파워= 20dB)

딥러능 학습 중 검증 과정에서 사용되는 테스트 데이터는 트레이닝 데이터와 무관하게 생성되어야 그 의미를 갖는다는 점을 고려하여, 본 연구에서는 테스트 데이터 생성과정을 수정하여, 학습 데이터와 무관하게 생성하여 연구를 진행하였다.

이전 결과

수정된 결

제 3 절 딥러닝기반 간섭채널 빔포밍 1. 간섭채널 빔포밍 구현

간섭체널에서 현재까지 알려진 가장 좋은 성능을 내는 빔포밍 방식은 분산 반복을 통해 신호대잡음비을 최대화하는 방안이다. 간섭채널에서 빔포밍 행렬을 구하는 것은 송수신 빔포밍 행렬을 동시에 구해야 하기 때문에 신호대잡음비를 최대로 하는 행렬을 구하기가 쉽지 않다. 이 문제를 해결하는 방식은 다음과 같다.

 송신빔포밍 행렬을 고정한 후, 신호대잡음비를 최대로 하는 수신빔포밍 행렬을 구한다.

 송수신기의 역할을 바꾸고 이에 대응하는 채널 (원래 채널의 전치행렬)로 전환한다.

 송수신기 역할을 바꾼 상황에서, 송신빔포밍 행렬을 고정한 후, 신호대잡음비를 최대로 하는 수신빔포밍 행렬을 구한다.

 위 동작을 반복적으로 수행하여 최적의 송신/빔포밍을 찾아낸다.

아래 그림은 위에서 소개한 MIMO 간섭채널 빔포밍 행렬을 위한 분산 반복 방식에 해당하는 그림이다.

(그림 3-3-1) MIMO 간섭채널 빔포밍 행렬을 위한 분산 반복 방식

해당 기법을 통해 빔포밍 송수신 행렬을 구하게 되면, 자유도 측면에서 이론적 한계에 도달할 뿐 만 아니라, 모든 신호대잡음비에서 가장 우수한 성능을 보여주는 송수신 빔포밍 행렬을 구할 수 있다.

그러나, 이러한 반복 방식은 높은 복잡도 및 자원 소모(반복적 빔포밍 행렬 연산에 사용되는 시간)를 요구하기 때문에 실제 통신시스템에 구현하기는 쉽지 않다. 이러한 고복잡한 방식을 실제 시스템에 구현하기 위한 방안으로 딥러닝을 활용하는 방안을 제시하였다.

2. 간섭 채널 시스템 모델 및 학습 데이터 구축

아래 그림은 딥러닝 학습을 통해 구현하고자하는 3-사용자 MIMO 간섭채널 시스템 모델이다.

(그림 3-3-2) 간섭채널 시스템 모델(Nt=2, Nr=2)

그림에서 (Tx1-Rx1), (Tx2-Rx2), (Tx3-Rx3)는 각각 쌍 관계를 맺고 데이터를 전송하려고 하는 송수신단을 의미한다. 이때, 각각의 송신단에서 동시에 동일한 주파수를 이용하여 수신단에 데이터를 전송한다면, 수신단에는 자기와 쌍을 맺은 송신단에서 오는 전송 신호와 다른 송신단에서 오는 간섭 정보가 동시에 들어오게 되어 무선 채널 용량에 영향을 준다. 이러한 환경에서 현재까지 최적인 반복적 계산을 통해 빔포밍 행렬을 구하는 방안을 통해 데이터 전송율을 향상시킬 수 있다. 그러나, 이러한 방식은 반복적인 계산을 통해 얻는 송수신 빔포밍 방식을 구하는 것으로, 고복잡도로 인해 실제 시스템에 적용하기가

쉽지 않다. 이러한 문제를 해결하고자, 반복적인 계산을 통해 얻은 빔포밍 행렬을

정보가 손실되지 않도록 중간 계층의 노드가 이전 계층의 노드보다는 작지 않게 구성해야 한다.

다음 그림은 본 연구에서 구현한 빔포밍을 위한 딥러닝 네트워크 모델링 모습을 보여준다.

(그림 3-3-3) 딥러닝 빔포밍 네트워크 구현에 이용한 Input/Output 파라미터 값은 다음과 같다.

- Input: 3 사용자 2x2 간섭 채널 정보인 36x1 개의 채널 값 + 송신파워

- Output: 송신단(or 수신단)에서 사용되는 12x1 빔포밍 값

- 그 외 시스템 파라미터(ex. Layer 수, node 수 등)는 각 시뮬레이션 결과그래프 참조.

제 4 절 딥러닝기반 빔포밍 학습 결과 및 분석 - Activation function: sigmoid function

- Loss: (real output results – predicted output results)^2

0 100 200 300 400 500 600 700 800 900 1000 1100

# of epochs

위 실험결과는 동일한 트레이닝 데이터 환경에서 딥러닝 빔포밍

- # of training data/SNR: 10000, # of test data/SNR: 1000 - SNR range: [0 5 10 15 20] dB

∑ 𝑙𝑜𝑔

₂

det(I

_{n_r}

+ ‖W

H

_𝑖𝑖

F

‖𝑃

_𝑠

∑

³_{𝑗=1,𝑗≠𝑖}

‖W

H

_𝑖𝑗

F

‖𝑃

_𝑠

+ 𝑁

₀

)

𝑖=1

위 실험 결과는 딥러닝 빔포밍 네트워크 구조의 변화에 따른 간섭채널 Sum-rate vs. SNR(dB)의 그림을 보여준다. 결과그래프에서 Max.

SINR 은 기존 논문에서 반복적인 알고리즘을 통해 나온 빔포밍 값을 적용해서 나온 그래프를 의미한다. 그외 나머지 그래프는 딥러닝 과정을 통해 나온 Sum-rate 결과물을 의미한다. (Layer 수, Node 수)가 (4layer, 296 node) 이상이 되면서, 딥러닝 네트워크가 학습 데이터의 특성을 표현할 수 있는 수준의 네트워크가 되는 것을 확인할 수 있다. 특히 (8layer, 296node)의 네트워크는 10000 개의 학습 데이터의 특징을 거의 완벽하게 표현하는 것을 확인할 수 있다.

반면, Test 데이터는 모두 학습데이터의 성능을 따라가지 못하는 특징을 가지고 있다. 그 이유로는 Training 에 사용된 10000 개의 학습 데이터가 너무 적어 간섭채널 빔포밍의 특징을 제대로 표현하지 못하기 때문인 것으로 파악된다.

다. SNR vs. Sum-rate: 학습데이터 수 기반

Performance of 3-user Interference channel, Nt=Nr =2, K=3

Max. SINR

간섭채널 환경에서 P2P 의 최적 방식인 MRT/MRC 방법이 적용된 기법의

(그림 3-4-4) K vs Sum-rate - # of training data/SNR: 100000

- # of test data/SNR: 500 - K range: [0.1 1 10 100]

- Sum-rate: 간섭채널 sum-rate,

위 그림은 Rician factor K 에 따른, 간섭채널 딥러닝 네트워크 구조의 테스트 데이터 성능에 대한 결과를 보여준다. Rician factor K 가 큰 값을 갖는 경우, 채널의 변화율이 상대적으로 적기 때문에 트레이닝을 통해 얻은 학습 모델이 테스트 데이터에도 잘 일치하는 것을 확인할 수 있다. 반면, K 값이 작은 경우(Rayleigh fading)에 근접할 경우, 트레이닝을 통해 얻은 학습 모델이 테스트 데이터에 맞지 않은 것을 확인할 수 있다. 이것은 트레이닝에 사용된 학습 데이터 수가 적기 때문인 것으로 판단된다.

딥러닝 학습을 위해 사용되는 PC 의 하드웨어 캐패시티의 부족으로 그 이상 복잡한 네트워크 구조(layer/node)의 실험은 수행하지 못하였으나, 위의 결과로부터 학습데이터 수 증가(10 만개 이상)와 좀더 복잡한 네트워크 구조(16layer, 592 node 이상)를 사용하면 좀 더 좋은 테스트 데이터 성능을 얻을 수 있을 것으로 예상된다.

2. Rayleigh channel기반 빔포밍 학습 결과 및 분석

앞 절에서는 Rician 채널 환경에서 딥러닝기반 빔포밍 네트워크의 성능 분석을 수행하였다. 딥러닝 학습을 위해 사용되는 PC 의 하드웨어 캐패시티의 부족으로 그 이상 복잡한 네트워크 구조(layer/node)의 실험은 수행하지 못하였으나, 해당 결과들로부터 딥러닝 기반 빔포밍 네트워크 구현이 가능성을 확인하였다. 즉, 간섭채널 빔포밍 네트워크 구현을 위해 학습데이터 수 증가(10 만개 이상)와 좀더 복잡한 네트워크 구조(16layer, 592 node 이상)를 사용하면 더 좋은 결과를 얻을 수 있을 것으로 예상된다. 본 연구에서는 한정된 하드웨어 캐패시티 환경에서 Rayleigh fading 간섭채널 빔포밍 네트워크를 디자인할 수 있는 방법들에 대한 실험결과를 소개한다.

가. Rayleigh fading 환경 학습 결과

문서에서 Wireless Transmission Technology in Multi-point to Multi-point Comunications (페이지 63-89)