교차 메타 학습 기반 다중 안테나 시스템 채널 추정 연구

국문 초록 (Abstract)

본 논문에서는 동적 및 잡음 환경에서 효과적인 다중 입출력 (Multiple Input Multiple Output - MIMO) 채널 추정 성능 향상을 위한 메타학습 (meta-learning)이 적 용된 새로운 3D 이중 합성곱 신경망 (Convolutional Neural Network - CNN) 아키텍처 를 도입한다. 기존의 2D CNN 기반 방식은 채널 특성의 시간 상관관계와 도플러 효과 를 무시하는 경우가 많아 최적이 아닌 성능을 보인다. 이를 해결하기 위해 제안된 모 델은 3D 프레임워크 내에 공간-주파수-시간 (Space Frequency Time - SFT) 및 각도-지 연-도플러 (Angle Delay Doppler- ADD) 도메인 추정기를 통합하고, 푸리에 변환을 통한 희소 특징 표현을 활용한다. 또한, 메타 학습 방식을 활용하여 특히 변동성이 높은 비 정지 채널 (non-stationary channel) 의 학습 효율성과 적응성을 최적화한다. 또한, 3D 듀얼 CNN을 위한 새로운 아키텍처인 교차 메타학습 (alternative meta-learning)을 제 안한다. 이는 이중 CNN에서 비정지 채널 (non-stationary channel) 특성을 가진 단 하 나의 CNN에만 메타학습, 즉 오프라인 학습을 적용한다. 시뮬레이션 결과를 통해 다양 한 신호 대 잡음비(Signal to Noise Ratio - SNR)와 도플러 편이에 대한 제안기법의 견 고성과 우수한 성능을 검증한다.

다국어 초록 (Multilingual Abstract)

This letter introduces a novel 3D dual Convolutional Neural Network (CNN) architecture with meta-learning enhance-ments for effective MIMO channel estimation in dynamic and noisy environments. Traditional 2D CNN-based methods often neglect the temporal correlations and Doppler effect in channel characteristics, leading to suboptimal performance. Addressing this, the proposed model incorporates spatial-frequency-time (SFT) and angle-delay-Doppler (ADD) domain estimators within a 3D framework, leveraging sparse feature representation through Fourier transformations. Furthermore, a meta-learning approach is utilized to optimize training efficiency and adaptability, especially for nonstationary channels with high variability. In addition, we propose a novel architecture, called alternative meta-learning for 3D dual CNN, by adopting the meta-learning, i.e., offlinelearning, to only one CNN, having the feature of non-stationary channel, in dual CNN. Via simulation results, the robustness and superior performance of the proposed methods across various signal-to-noise ratios (SNRs) and Doppler shifts are verified.

목차 (Table of Contents)

• 그림목차 ii
• 표목차 iii
• 국문초록 iv
• 제 1 장 서론
• 제 1 절 연구의 배경과 방법론 1
• 가. 연구 배경 1
• 나. 연구 방법론 3
• 제 2 장 본론
• 제 1 절 시스템 모델과 문제 공식화 5
• 가. 시스템 모델 5
• 나. 문제 공식화 6
• 제 2 절 제안 기법과 알고리즘 8
• 가. 제안 기법 8
• 나. 알고리즘 15
• 제 3 장 실험 결과
• 제 1 절 시뮬레이션 세팅과 시뮬레이션 결과 16
• 가. 시뮬레이션 세팅 16
• 나. 시뮬레이션 결과 17
• 제 4 장 결론
• 제 1 절 요약 및 결론과 향후 계획 22
• 가. 요약 및 결론 22
• 나. 향후 계획 22
• 참고문헌 24
• Abstract 26