MIMO 시스템에서 ADMM 기반의 검파 방법

이정원 인하대학교 대학원 2018 국내석사

Proximal Alternating Optimization을 이용한 블라인드 등화

강원석 인하대학교 대학원 2024 국내석사

본 논문에서는 짧은 패킷 통신에서 블라인드 등화를 위한 채널 추정 및 신호 검출 알고리즘을 연구한다. 기존 블라인드 등화 알고리즘의 ISI 제거 한계를 극복하기 위해 수신 신호와 추정 채널을 통과한 신호 간의 차이를 최소화하는 목적함수를 도입한다. 이 문제가 비 볼록(non-convex)한 특성을 가지기 때문에, 주어진 채널 응답에 대한 전송된 신호들을 복조 하는 것과 복조 된 전송 신호들을 파일럿 신호로 취급하면서 채널 응답을 추정하는 두 개의 하위 문제로 나눈다. 이 두 가지 문제를 정규화 항을 추가하여 교대로 반복하여 문제를 푼다. 또한, 제안하는 방법은 단순히 블라인드 등화 알고리즘으로의 활용에 그치지 않고, 블라인드 등화 후 단계에서의 후처리 기법으로도 적용 가능하다. 채널 추정과 변조된 신호 복조를 교대로 반복 수행하는 제안된 알고리즘은 기존 방법 보다 BER 성능을 개선하는 것을 모의실험을 통해 보여준다 In this paper, we study a channel estimation and signal detection algorithm for blind equalization in short packet communications. To overcome the ISI rejection limitation of existing blind equalization algorithms, we introduce an objective function that minimizes the difference between the received signal and the signal that has passed through the estimated channel. Due to the non-convex nature of this problem, we split the problem into two subproblems. Demodulating the transmitted signals for a given channel response and estimating the channel response while treating the demodulated transmitted signals as pilot signals. These two problems are solved by alternating iterations with the addition of a proximal regularization term. Furthermore, the proposed methodology can be applied not only as a blind equalization algorithm, but also as a post-processing technique in the post-blind equalization stage. Through simulations, the proposed algorithm, which alternately iterates channel estimation and demodulation, shows an improvement in BER performance compared to the existing method.

Joint communication-learning design for over-the-air federated learning

김민식 인하대학교 대학원 2024 국내박사

최근 무선 통신 기술의 발전으로 광범위한 사물 인터넷 장치로부터 정보를 수집하며 데이터 기반 접근 방식의 발전을 이끌고 있다. 분산되어 있는 로컬 장치로부터 획득된 로컬 데이터로 기계 학습 모델을 훈련하기 위해서 일반적으로 고성능 클라우드 서버가 전체 데이터 처리하는 중앙 집중식 방식을 주로 채택하고 있다. 하지만 로컬 장치에서 클라우드 서버로 데이터를 전송하는 것은 개인 정보 보호, 제한된 무선 자원 등의 문제로 바람직하지 않거나 구현하는 것이 불가능하다. 최근 연합 학습(federated learning)이라는 분산형 방식이 글로벌 모델을 중앙 집중식 방식의 문제를 해결함으로써 주목받고 있다. 연합 학습은 로컬 장치로부터의 직접적인 데이터 전송 없이 기계 학습 모델을 학습할 수 있으므로 중앙 집중식 방식의 문제를 완화하였다. 하지만 차세대 통신에서는 더 많은 로컬 장치가 통신하기를 바라며 기계 학습에서는 학습을 위한 더 많은 로컬 데이터를 바라기 때문에 연합 학습을 가능하게 하는 새로운 무선 시스템을 설계하는 것이 중요하다. 무선 연산(over-the-air computation)은 다중 접속 채널에서 신호 중첩의 원리를 이용하여 각 로컬 디바이스로부터 송신된 신호들이 집계된 정보를 획득하며 기지국과 로컬 장치 간의 통신 오버헤드를 줄일 수 있다. 연합 학습에서 클라우드 서버는 개별 로컬 장치의 모델 정보가 필요하지 않으며 로컬 모델들이 집계된 정보만 필요하다. 따라서 무선 연합 학습(over-the-air federated learning)은 더 많은 장치가 학습에 참여하는 것을 가능하게 하며 인공지능을 위한 차세대 통신으로 주목받고 있다. 그러나 이러한 이점에도 불구하고 무선 연합 학습은 제한된 자원, 신뢰성, 데이터 이질성 등과 같은 몇 가지 문제가 존재한다. 본 논문에서는 무선연합 학습에서의 기계 학습 모델의 안정성 및 학습 성능에 대해서 논의한다. 본 논문에서는 먼저 무선 연합 학습에서의 빔포밍 벡터 설계 및 장치 선택 알고리즘을 제안한다. 일반적으로 학습에 참여하는 장치가 많을수록 인공지능 모델의 성능이 향상되는 것이 잘 알려져 있다. 하지만 더 많은 장치가 학습에 참여하기 위해서는 무선 연합 학습에서 학습 성능을 저하할 수 있는 집계 에러가 커야 한다는 문제가 있다. 따라서 본 논문에서는 제한된 집계 에러 내에서 연합 학습에 참여하는 장치의 수를 최대화하는 문제를 해결한다. 다음으로 연합 학습에 참여하는 장치를 선택하기 위해 차세대 통신의 해결책으로 주목받고 있는 메타물질 기반의 지능형 반사 표면(Intelligent Reflecting Surface)과 빔포밍 벡터를 동시에 최적화하는 알고리즘을 제안한다. 마지막으로 기계 학습에서의 중요한 요소인 학습률(learning rate)과 빔포밍 벡터를 동시에 설계하여 무선 연합 학습에서의 집계 에러를 줄이고 안정적인 학습 성능을 달성하게 하는 알고리즘을 제안한다. Advances in wireless communication technologies simplify the process of collecting data from a wide range of IoT devices. This data from IoT devices can be used to increase the effectiveness of a data-driven approach. Training artificial intelligence models on extensive datasets acquired from distributed local devices generally employs a centralized approach, where a high-performance cloud server handles the entire dataset. However, transmitting data from devices to a cloud server is undesirable or infeasible due to privacy issues and the limitations of wireless resources. In addition, 6G networks are expected to accommodate 107 devices. Federated learning (FL) is emerging as an approach to mitigate the problems of a centralized approach, allowing devices to obtain updated machine learning (ML) models without transmitting local data. However, it is critical to design a new wireless system that enables FL due to the high communication costs associated with inherently high-dimensional model parameters and many participating local devices. AirComp is emerging as an effective strategy to eliminate the communication overhead between the base station and the devices to overcome this drawback. In the context of FL, it’s important to note that the cloud server solely relies on aggregated local models and doesn’t require access to individual information from local devices. As a result, the wireless resource requirement can remain decoupled from the number of devices, as the aggregation of local model information is achieved over wireless networks. AirComp uses the waveform superposition property of a MAC to obtain aggregated signals. It increases the efficiency of wireless communications by aggregating the trans- mitted local model parameters from local devices at the same time over the air. As a result, over-the-air FL for ML is being envisioned for 6G networks. Despite its potential benefits, over-the-air FL presents several technical and practical challenges, such as limited resources, data heterogeneity, and reliability. In this dissertation, our focus is mainly on the improvement of the ML performance and robustness in over-the-air FL. In the first part of this dissertation, we consider a new device selection algorithm with a beamforming vector design for over-the-air FL. It is well known that including more devices in the FL generally improves learning performance. However, aggregation errors increase when many devices participate in FL. This can result in poor learning performance. Therefore, we formulate an AirComp beamforming problem to maximize the number of selected devices with a given MSE threshold. We also show that the AirComp problem in the uplink is the same as the multicast problem in the downlink. Numerical results show that the proposed low-complexity scheme is faster and more powerful than existing algorithms based on semidefinite relaxation (SDR). In addition, the learning performance is improved by selecting only a subset of devices to reduce the MSE between the post-processed signal and the FedAvg output. In the second part of this dissertation, we provide a joint design algorithm of the phase shifts and the beamforming vector in over-the-air FL with an intelligent reflecting surface (IRS). Learning performance improves as more devices participate in the FL, and the IRS allows more devices to transmit simultaneously. Therefore, a more compact problem is presented that is equivalent to a conventional design problem for beamforming vector and phase shifts. This problem is formulated as a mixed combinatorial optimization problem with non-convex constraints. In order to handle its non-convexity, we apply an alternating optimization (AO) and majorization minimization (MM) approach. We propose a new joint optimization algorithm and prove that its solution converges to Karush-Kuhn-Tucker (KKT) points. In the third part of this dissertation, we provide a joint optimization algorithm for the beamforming vector and the dynamic learning rate. In ML, the learning rate is an important parameter that can significantly affect the convergence and effectiveness of neural networks. Therefore, we consider multiple-input and multiple-output (MIMO) AirComp FL systems with dynamic learning rate. First, we show the AirComp-Multicast duality between the AirComp problem in FL systems and the multicast problem in the downlink. We provide a low-complexity scheme with the subgradient approach after applying MM. Numerical results show that the aggregation error can vary dramatically in various fading channels, leading to large fluctuations in learning performance. Proposed algorithms are robust to varying channels and achieve prediction accuracy close to that of an ideal FL system without aggregation error.

딥러닝을 사용한 대용량 MIMO 신호 검출

김민식 인하대학교 대학원 2019 국내석사

본 논문에서는 심층신경망을 이용한 다중 입력 다중 출력(Multiple Input Multiple Output, MIMO) 시스템에서 MIMO 검출 기법을 제안한다. 최근 데이터 전송량이 기하급수적으로 증가함에 따라서 추가적인 주파수 대역 및 전송 전력을 이용하지 않고 채널 용량을 증가시킬 수 있는 MIMO 시스템이 많이 사용되고 있다. 하지만 Sphere decoding과 같은 기존의 준최적 MIMO 검출 기법들은 송신 안테나의 수가 증가하면 계산 복잡도가 지수적으로 증가하는 문제가 있다. 본 논문에서는 낮은 복잡도에서 높은 검출 성능을 가지는 새로운 MIMO 검출 기법을 제안한다. 먼저 R-A-ADMM(Relaxed-Accelerated-Alternating Direction Method of Multipliers) 알고리즘을 MIMO 검출 문제에 도입한다. 다음으로 ADMM 기반 알고리즘의 파라미터를 최적화시키는 심층 신경망을 제안한다. 제안하는 MIMO 검출 네트워크는 다양한 채널과 변조방식에 대하여 학습 가능하다. 그리고, 기계학습이 적용된 최신 기법보다 적은 양의 학습 매개변수를 가지며 낮은 복잡도임에도 높은 성능을 유지한다. 모의실험에서는 다양한 채널과 변조방식에서의 복잡도와 성능을 비교한다. 제안하는 네트워크는 낮은 복잡도를 가지며 최신의 알고리즘보다 뛰어난 성능을 확인할 수 있다.

간섭 채널에서 Han-Kobayashi 방식의 개인신호와 공용신호의 전력할당

백두진 인하대학교 정보통신대학원 2011 국내석사

무선 통신 환경에서 간섭은 성능을 악화 시키는 요소이다. Han-Kobayashi 방식은 간섭의 영향을 줄이기 위해서 전송하는 신호를 개인신호와 공용신호로 분리하여 전송하고, 수신기에서는 간섭 사용자의 공용신호를 제거함으로써 부분적으로 간섭을 제거한다. 본 논문에서는 개인신호만 전송할 때에 필요한 신호 대 잡음비를 이용하여, 개인신호와 공용신호에 최적으로 전력을 할당하는 간단한 방법을 제안한다. 시뮬레이션을 통해서 제안하는 전력 할당 방법이 전수조사를 통한 기법의 성능에 근접함을 확인한다.

채널 추정과 복조의 반복 수행을 통한 블라인드 등화

김금비 인하대학교 대학원 2017 국내석사

본 논문에서는 다중경로 페이딩 채널에서 블라인드 등화에 대해서 연구한다. 기존 블라인드 등화 알고리즘이 ISI를 충분히 제거하지 못하기 때문에 ISI의 최소화에 중점을 뒀고, 수신 신호와 추정하는 채널을 통과한 신호의 차이를 최소화하는 목적함수를 설정했다. 목적함수가 non-convex의 형태를 나타내기 때문에, 좌표 하강법을 이용해서 두가지 하위 문제로 나눴다. 첫째는 채널 임펄스 응답의 추정이고 둘째는 심볼의 복조다. 이 두 가지 문제를 교대로 반복하여 문제를 해결했다. 또한, 실외에서 넓은 대역폭을 갖는 채널의 경로가 공동으로 성긴 형태를 나타내기 때문에 압축 센싱 기술을 적용해서 채널을 추정했다. 모의실험의 결과는 제안하는 알고리즘인 성긴 채널의 추정과 복조를 교대로 반복 수행하는 방식을 통해 정규화 MSE와 BER이 Genie-aided 하한 성능에 도달하는 것을 확인할 수 있다. We consider blind channel equalization in multipath fading channels. Since conventional blind equalizer cannot get rid of ISI perfectly, we formulate an objective function of blind equalization minimizing the residual that is difference between the received signal and the predicted channel output. Since it is non-convex, we apply the block coordinate descent (BCD) method to divide the objective function with two subproblems. one is finding the channel impulse response and the other is demodulating symbols. We iterate these two subproblems alternately to find a solution. Since the wireless channels at outdoors with large bandwidth usually have a sparsity and common supports, we apply the compressive sensing technique to the channel estimation. Numerical results show that the proposed iterative sparse channel estimation and demodulation (ISCED) algorithm achieves the Genie-aided lower-bound performance in terms of normalized MSE and BER.

Criss-Cross Attention과 Edge Module을 활용한 CGNet 모델 개선

김지훈 인하대학교 공학대학원 2025 국내석사

본 연구는 위성 이미지 기반 건물 변화탐지에서 기존 CGNet 모델의 한계 를 극복하고 성능을 개선하기 위해 Criss-Cross Attention (CCA)과 Edge Module을 결합한 새로운 모델을 제안하였다. 기존 CGNet 모델은 변화 영역 탐지에서 강점을 보였으나, Self Attention 기반 Change Guidance Module (CGM)이 높은 계산복잡도와 경계 및 작은 변화탐지에서 한계를 보였다. 이 를 해결하기 위해 CCA를 도입하여 전역 문맥 정보를 효과적으로 학습하고, Edge Module을 추가하여 경계 탐지와 세밀한 변화탐지 성능을 향상했다. Criss-Cross Attention (CCA)은 Self Attention 대비 계산복잡도를 크게 줄 이면서도 전역 문맥 정보를 효과적으로 학습할 수 있도록 설계되었다. 실험 결과, CCA를 적용한 모델은 기존 Self Attention 기반 모델보다 계산 효율성 이 향상되었으며 F1-score 92.21, Precision 93.42, Recall 91.03의 성능을 기록 하며 변화 영역 탐지와 경계선 탐지에서의 성능 개선을 입증하였다. 특히, 재귀적 학습 횟수 실험에서는 2회 반복 학습이 성능과 계산 효율성 측면에 서 최적의 설정임을 확인하였다. Edge Module은 Sobel, Prewitt, Laplacian 필터를 조합하여 경계 탐지와 작 은 변화탐지 성능을 극대화하였다. Sobel 필터는 방향성을 강화하며 단순한 경계를 탐지하고 Prewitt 필터는 경계를 더 부드럽게 처리하여 안정성을 높 였다. Laplacian 필터는 경계의 강도와 곡률을 강조하며 복잡한 구조의 변화 탐지에 기여하였다. 세 가지 필터를 조합한 Edge Module은 F1-score 92.32, Precision 93.3, Recall 91.37의 성능을 달성하였으며, 이를 통해 복잡한 경계 와 작은 변화를 효과적으로 탐지할 수 있었다. LEVIR-CD 데이터 셋을 활용한 비교 실험에서는 STANet, Changer, Changeformer와 제안하는 모델의 성능을 비교하였다. 기존 모델들은 주요 변화 영역 탐지에는 성공하였으나, 복잡한 구조와 경계 탐지에서는 성능의 한계를 보였다. 반면, 제안된 모델은 경계와 내부 세밀한 변화까지 효과적으 로 탐지하며 True Label과 높은 일치도를 보였다. 이를 통해 제안된 모델이 변화탐지의 정밀도와 신뢰성 측면에서 가장 우수한 성능을 제공함을 확인하 였다. 본 연구에서 제안하는 CGNet 개선 모델은 기존 모델 대비 경계 탐지와 복잡한 변화탐지에서 뛰어난 성능을 보였으며, 이는 환경 모니터링, 도시 계 획, 재난 관리 등 다양한 응용 분야에서 높은 활용 가능성을 제시한다. 특히, 재난 상황에서 신속하고 정확한 변화탐지를 통해 피해 지역 평가와 대응에 중요한 도구로 활용될 수 있을 것으로 기대된다. 향후 연구에서는 다양한 위 성 이미지 데이터 셋에 대한 확장성을 검증하고, Edge Module의 추가 최적 화를 통해 실시간 변화탐지 성능을 향상하는 방향으로 연구를 진행할 예정 이다. 이러한 연구는 변화탐지 기술의 발전과 더불어, 실시간 대응이 가능한 시스템 구현에 기여할 것으로 기대된다. In this study, a new model combining Criss-Cross Attention (CCA) and Edge Module is proposed to overcome the limitations of the existing CGNet model and improve its performance in satellite image-based building change detection. The existing CGNet model shows strength in detecting change areas, but the self-attention-based Change Guidance Module (CGM) has high computational complexity and limitations in detecting boundaries and small changes. To solve this problem, we introduced CCA to effectively learn global contextual information and added Edge Module to improve boundary detection and fine-grained change detection performance. Criss-Cross Attention (CCA) is designed to effectively learn global contextual information while significantly reducing computational complexity compared to Self Attention. The experimental results showed that the model with CCA improved computational efficiency compared to the existing Self-Attention-based model, with F1-score of 92.21, Precision of 93.42, and Recall of 91.03, demonstrating improved performance in change region detection and boundary detection. In particular, the recursive training number experiment confirmed that 2 iterations of training is the optimal setting in terms of performance and computational efficiency. The Edge Module uses a combination of Sobel, Prewitt, and Laplacian filters to maximize boundary detection and small change detection performance. The Sobel filter enhances directionality and detects simple boundaries, while the Prewitt filter smoothes the boundaries for better stability. The Laplacian filter emphasizes the strength and curvature of boundaries to detect changes in complex structures. The Edge Module with the combination of the three filters achieved an F1-score of 92.32, Precision 93.3, and Recall 91.37, effectively detecting complex boundaries and small changes. In the comparison experiment using the LEVIR-CD dataset, we compared the performance of STANet, Changer, Changeformer, and the proposed model (Case 3). The existing models were successful in detecting major change areas, but their performance was limited in detecting complex structures and boundaries. The proposed model, on the other hand, effectively detects boundaries and internal fine-grained changes and shows high agreement with the true label. This confirms that the proposed model provides the best performance in terms of precision and reliability of change detection. The CGNet enhancement model proposed in this study shows excellent performance in boundary detection and complex change detection compared to the existing model, which suggests its potential in various applications such as environmental monitoring, urban planning, and disaster management. In particular, it is expected to be utilized as an important tool for disaster assessment and response through rapid and accurate change detection in disaster situations. In future research, we will verify the scalability for various satellite image datasets and further optimize the edge module to improve the real-time change detection performance.

OFDM 시스템에서 측정벡터 결합을 이용한 다중채널추정 방법

민병천 인하대학교 대학원 2016 국내석사

본 논문에서는 Orthogonal Frequency Division Multiplexing(OFDM) 시스템에서 압축센싱을 이용하는 채널추정 기법을 연구한다. 압축센싱은 측정벡터의 크기가 성능에 영향을 주는데, OFDM에서는 channel delay spread가 큰 경우에 압축센싱 기법을 사용하는데 제약이 된다. 본 논문에서는 채널추정 오차를 줄이기 위해서 OFDM data block에 pilot information을 추가해 측정벡터의 길이를 증가시켜 성능을 향상시킨다. 제안하는 방식이 성긴 신호의 위치를 찾을 확률을 높이고 압축센싱의 신호 복원 성능을 높인다. 모의실험을 통해 제안하는 방식이 기존 방식보다 신호 복원 능력이 더 우수함을 확인한다. We investigate compressive sensing techniques to estimate sparse channel in Orthogonal Frequency Division Multiplexing(OFDM) systems. In the case of large channel delay spread, compressive sensing may not be applicable because it is affected by length of measurement vectors. In this paper, we increase length of measurement vector adding pilot information to OFDM data block. The increased measurement vector improves probability of finding path delay set and Mean Squared Error(MSE) performance. Simulation results show that signal recovery performance of a proposed scheme is better than conventional schemes.

협력적인 주 사용자가 있는 인지 네트워크에서의 간섭 정렬 방법

구본익 인하대학교 대학원 2013 국내석사

무선 인지 네트워크에서 부 사용자는 주 사용자가 사용하지 않는 공간을 활용하여 통신을 할 수 있다. 그러나 신호 대 잡음비가 중간 이상일 경우, 주 사용자가 활용 가능한 데이터 스트림을 모두 차지하므로 부 사용자의 전송률은 매우 낮다. 본 논문에서는 부 사용자의 전송률을 증가시키기 위하여 주 사용자의 수신 측에서 간섭을 제거하는 방법을 제안한다. 간섭 정렬 조건을 만족하는 변수의 수와 식의 수를 고려하여, 부 사용자의 사용 가능한 데이터 스트림 수를 구하고 기존 방법보다 향상됨을 보인다. 시뮬레이션 결과를 이용하여 주 사용자가 간섭 정렬에 참여하는 것이 전체 시스템의 성능을 향상시키는 것을 확인할 수 있다.

다중 셀 MIMO 하향채널에서의 UCD를 이용한 블록 대각 분해

박유한 인하대학교 일반대학원 2016 국내석사

본 논문에서는 다중 셀 하향링크에서 셀간 간섭의 영향을 고려하여 균일 채널 분해를 사용하는 비선형 송신기와 선형 수신기를 설계한다. 기존의 다중사용자 MIMO에 적용된 균일 채널 분해 방식을 다중 셀 다중사용자 MIMO환경으로 확장하여 각 셀 안의 모든 부채널에서 같은 SINR을 갖게 된다. 이 방법은 비트 할당을 하지 않기 때문에 변조/코딩 절차에서 큰 편리함을 제공하고 최대 diversity gain을 얻게 된다. 시뮬레이션 결과로부터 기존의 방법에 비하여 더 낮은 BER을 얻는 것을 확인할 수 있다. In this paper, we design non-linear transmitter and receiver using a uniform channel decomposition (UCD) to take account of inter-cell interference in multi-cell downlink systems. The designed UCD scheme brings forth the same SINR for all sub-channels in each cell. It provides great convenience to modulation/coding process and achieves the maximum diversity gain. The simulation results confirm that it exhibits a lower BER than the conventional method.