$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

도심 Micro 셀 시나리오에서 밀리미터파 시스템을 위한 딥러닝 기반 안테나 선택 기법
Deep Learning-based Antenna Selection Scheme for Millimeter-wave Systems in Urban Micro Cell Scenario 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.5, 2020년, pp.57 - 62  

주상임 (충북대학교, 전파통신공학) ,  김남일 (한국전자통신연구원) ,  김경석 (충북대학교, 정보통신공학)

초록
AI-Helper 아이콘AI-Helper

30GHz~300GHz 대역의 스펙트럼을 사용하는 밀리미터파는 높은 주파수로 인해 파장이 짧아서 기지국에 더 많은 안테나를 장착할 수 있어 Massive MIMO 시스템에 적합하다. 하지만 안테나 당 RF chain이 요구되기 때문에 안테나의 수가 증가되면 하드웨어 비용 및 전력 소비가 증가하는 문제점을 갖는다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 안테나 선택 기법을 조사한다. 기존 철저한 조사 기반 안테나 선택 기법에서 높은 계산 복잡도를 가지는 문제를 해결하기 위해 딥러닝 기술을 적용하는 방안을 제안한다. 멀티 클래스를 분류할 수 있는 DNN 모델을 사용하여 최적의 안테나 조합을 예측한다. 시뮬레이션을 통해 기존 안테나 선택 기법들과 제안하는 딥러닝 기반 안테나 선택 기법을 비교하여 평가한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The millimeter wave that uses the spectrum in the 30GHz~300GHz band has a shorter wavelength due to its high carrier frequency, so it is suitable for Massive MIMO systems because more antennas can be equipped in the base station. However, since an RF chain is required per antenna, hardware cost and ...

주제어

#Antenna selection   #Deep learning   #DNN   #Massive MIMO   #Millimeter wave  

표/그림 (5)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 따라서 본 논문에서는 UMi (Urban micro) 시나리오 네트워크에서 밀리미터파 시스템의 하드웨어 비용과 전력 소모 감소를 위한 안테나 선택 기법을 제안한다. 제안하는 안테나 선택 기법은 철저한 조사 기반의 안테나 선택 비법의 계산 복잡도를 줄이면서 거의 근접한 성능을 획득할 수 있도록 딥러닝 기술을 적용한다.
  • 본 논문에서는 많은 실험을 통해 DNN을 설계하고 최적화했다. 최적의 안테나 조합을 예측하기 위해 제안하는 DNN 구조는 그림 2와 같다.
  • 본 논문은 밀리미터파 시스템을 위한 딥러닝 기반 안테나 선택 기법을 제안한다. 멀티 클래스 분류를 위해 DNN을 사용했으며, 최적의 안테나 조합을 예측하는 방법이 조사되었다.
  • 안테나 선택 기술은 기지국에 장착된 모든 안테나를 사용하는 대신에 최적의 성능을 가지는 일부 안테나만을 선택하여 사용함으로써 RF chain의 수를 줄이면서 높은 성능을 획득하는 것을 목적으로 한다. 최적의 안테나를 선택하기 위해 철저한 조사 (Exhaustive search) 방법과 탐욕 조사 (Greedy search) 방법이 주로 연구되고 있다[2-4].
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
안테나 선택 기술의 목적은? 안테나 선택 기술은 기지국에 장착된 모든 안테나를 사용하는 대신에 최적의 성능을 가지는 일부 안테나만을 선택하여 사용함으로써 RF chain의 수를 줄이면서 높은 성능을 획득하는 것을 목적으로 한다. 최적의 안테나를 선택하기 위해 철저한 조사 (Exhaustive search) 방법과 탐욕 조사 (Greedy search) 방법이 주로 연구되고 있다[2-4].
밀리미터파 대역의 채널에는 어떤 문제점이 있는가? 또한 높은 반송파 주파수를 가지는 짧은 파장의 밀리미터파 신호로 인해 송신 안테나 간 간격을 줄일 수 있기 때문에 밀리미터파 대역은 Massive MIMO (Multiple-input and multiple-output) 시스템에 적합하다. 하지만 밀리미터파 대역의 채널은 높은 주파수의 특성으로 경로 감쇠가 매우 큰 문제점을 갖는다. 이러한 심각한 경로 감쇠 문제를 극복하기 위해 ZF (Zero forcing)나 MMSE (Minimum mean square error)와 같은 빔포밍 기술이 적용된다[1].
빔포밍이 각 안테나마다 ADCs, DACs, 믹서, 필터, 증폭기 등을 포함하는 RF chain을 할당해야 함에 따라 어떤 문제점이 있는가? 빔포밍은 기저대역의 신호 처리에 의해 수행되며, 각 안테나 당 ADCs (Analog-to-digital converters)와 DACs (Digital-to-analog converters), 믹서, 필터 및 증폭기 등을 포함하는 RF (radio frequency) chain이 할당되어야 한다. 이것은 기지국의 주요 전력 소비원이기 때문에 기지국의 안테나 수가 증가할수록 하드웨어의 복잡도와 시스템 비용 등이 매우 증가하게 되며, 높은 전력 소비가 요구되는 문제점이 유발된다. 이러한 문제를 해결하기 위한 주요 기술로 안테나 선택 기술이 고려되고 있다[2-4].
질의응답 정보가 도움이 되었나요?

참고문헌 (9)

  1. R. W. H. Jr, N. Gonzalez-prelcic, S. Rangan, W. Roh, and A. M. Sayeed, "An overview of signal processing techniques for millimeter wave MIMO systems," IEEE J. Sel. Top. Signal Process., Vol. 10, No. 3, pp. 436-453, Apr 2016. DOI: https://doi.org/10.1109/JSTSP.2016.2523924 

  2. M. O. K. Mendonca, P. S. R. Diniz, T. N. Ferreira and L. Lovisolo, "Antenna Selection in Massive MIMO Based on Greedy Algorithms," IEEE Transactions on Wireless Communications, Vol. 19, No. 3, pp. 1868-1881, March 2020. DOI: https://doi.org/10.1109/TWC.2019.2959317. 

    상세보기

  3. Y. Gao, H. Vinck and T. Kaiser, "Massive MIMO Antenna Selection: Switching Architectures, Capacity Bounds, and Optimal Antenna Selection Algorithms," IEEE Transactions on Signal Processing, Vol. 66, No. 5, pp. 1346-1360, 1 March1, 2018. DOI: https://doi.org/10.1109/TSP.2017.2786220. 

    상세보기

  4. S. Asaad, A. Bereyhi, A. M. Rabiei, R. R. Muller and R. F. Schaefer, "Optimal Transmit Antenna Selection for Massive MIMO Wiretap Channels," IEEE Journal on Selected Areas in Communications, Vol. 36, No. 4, pp. 817-828, April 2018. DOI: https://doi.org/10.1109/JSAC.2018.2825159. 

    상세보기

  5. K. He, X. Zhang, S. Ren and J. Sun, "Deep Residual Learning for Image Recognition," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, pp. 770-778, 2016. DOI: https://doi.org/10.1109/CVPR.2016.90. 

  6. M. Soltani, V. Pourahmadi, A. Mirzaei, H. Sheikhzadeh, "Deep learning-based channel estimation," IEEE Commun. Lett., Vol. 23, No. 4, pp. 652-655, 2019. DOI: https://doi.org/10.1109/LCOMM.2019.2898944 

    상세보기

  7. H. Huang, Y. Song, J. Yang, G. Gui, F. Adachi, "Deep-learning-based millimeter-wave massive MIMO for hybrid precoding," IEEE Trans. Veh. Technol., Vol. 68, No. 3, pp. 3027-3032, 2019. DOI: https://doi.org/10.1109/TVT.2019.2893928 

    상세보기

  8. 3GPP, "Study on channel model for frequencies from 0.5 to 100 GHz (Release 14)," 3GPP, Tech. Rep. TR38.901, V14.3.0, 2017. 

  9. J. Zheng and J. Chen, "Further Complexity Reduction for Antenna Selection in Spatial Modulation Systems," in IEEE Communications Letters, Vol. 19, No. 6, pp. 937-940, June 2015. DOI: https://doi.org/10.1109/LCOMM.2015.2417884. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로