KR102491353B1 - Snr prediction method for beam forming training in wlan system and learning method for snr prediction - Google Patents
Snr prediction method for beam forming training in wlan system and learning method for snr prediction Download PDFInfo
- Publication number
- KR102491353B1 KR102491353B1 KR1020220075008A KR20220075008A KR102491353B1 KR 102491353 B1 KR102491353 B1 KR 102491353B1 KR 1020220075008 A KR1020220075008 A KR 1020220075008A KR 20220075008 A KR20220075008 A KR 20220075008A KR 102491353 B1 KR102491353 B1 KR 102491353B1
- Authority
- KR
- South Korea
- Prior art keywords
- snr
- value
- training
- snr value
- transmission sector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 111
- 238000012937 correction Methods 0.000 claims abstract description 30
- 238000012935 Averaging Methods 0.000 claims description 3
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101100161473 Arabidopsis thaliana ABCB25 gene Proteins 0.000 description 1
- 101100096893 Mus musculus Sult2a1 gene Proteins 0.000 description 1
- 101150081243 STA1 gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0491—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more sectors, i.e. sector diversity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
무선랜 시스템의 빔포밍 훈련에 필요한 SNR을 예측하는 방법과 이러한 SNR의 예측을 위한 학습 방법이 개시된다. 개시된 무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법은 송신 섹터 각각에 대해 제1프레임을 전송하는 단계; 무선 단말이 상기 제1프레임을 수신하여 측정한, 상기 송신 섹터 각각에 대한 제1SNR값을 상기 무선 단말로부터 수신하는 단계; 및 상기 제1SNR값을 미리 학습된 SNR 보정 모델에 입력하여, 상기 송신 섹터 각각에 대한 제2SNR값을 생성하는 단계를 포함하며, 상기 SNR 보정 모델의 학습을 위한 훈련 데이터는 상기 제1프레임이 상기 송신 섹터 각각으로 전송되는 환경에서 측정된, 상기 송신 섹터 각각에 대한 복수의 제1훈련용 SNR값 및 상기 제1훈련용 SNR값에 대한 상기 송신 섹터 별 평균 SNR값을 포함한다.A method of predicting an SNR required for beamforming training of a WLAN system and a learning method for predicting such an SNR are disclosed. An SNR prediction method for beamforming training in the disclosed WLAN system includes transmitting a first frame for each transmission sector; receiving, by the wireless terminal, a first SNR value for each transmission sector, which is measured by receiving the first frame, from the wireless terminal; and generating a second SNR value for each transmission sector by inputting the first SNR value into a pre-learned SNR correction model, wherein the first frame is the training data for learning the SNR correction model. It includes a plurality of first training SNR values for each transmission sector, measured in an environment transmitted to each transmission sector, and an average SNR value for each transmission sector for the first training SNR values.
Description
본 발명은 무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법과, 이러한 SNR 예측을 위한 학습 방법으로서, 인공지능을 이용한 SNR 예측 방법 및 학습 방법에 관한 것이다. The present invention relates to an SNR prediction method for beamforming training in a wireless LAN system and a learning method for such SNR prediction, and an SNR prediction method and learning method using artificial intelligence.
IEEE 802.11 표준에 따르면, MU-MIMO 빔포밍 훈련은 SISO 단계와 MIMO 단계로 수행된다. According to the IEEE 802.11 standard, MU-MIMO beamforming training is performed in SISO and MIMO stages.
SISO 단계에서 액세스 포인트(AP)는 송신 섹터별로 짧은 섹터 스윕 프레임(short sector sweep frame)을 전송하고, 무선 단말로부터 SISO 피드백 정보를 수신한다. SISO 피드백 정보는, 송신 섹터별로 전송된 짧은 섹터 스윕 프레임에 대해서, 무선 단말이 측정한 SNR값을 포함한다.In the SISO step, the access point (AP) transmits a short sector sweep frame for each transmission sector and receives SISO feedback information from the wireless terminal. The SISO feedback information includes an SNR value measured by the wireless terminal with respect to the short sector sweep frame transmitted for each transmission sector.
그리고 MIMO 단계는 세부적으로 BF 셋업(setup) 하위 단계, BF 선택(selection) 하위 단계, BF 훈련(training) 하위 단계 및 BF 피드백(feedback) 하위 단계로 이루어진다. 각 하위 단계에서 액세스 포인트는 빔포밍 훈련을 위한 액션 프레임을 단말로 전송한다. In addition, the MIMO step includes a BF setup substep, a BF selection substep, a BF training substep, and a BF feedback substep. In each sub-step, the access point transmits an action frame for beamforming training to the terminal.
관련 선행문헌으로 대한민국 등록특허 제10-2388198호, 제10-2321994호 및 대한민국 공개특허 제2019-0069332호가 있다.As related prior literature, there are Republic of Korea Patent Registration Nos. 10-2388198 and 10-2321994 and Republic of Korea Patent Publication No. 2019-0069332.
본 발명은, 무선랜 시스템의 빔포밍 훈련에 필요한 SNR을 예측하는 방법을 제공하기 위한 것이다.The present invention is to provide a method for predicting SNR required for beamforming training of a WLAN system.
또한 본 발명은 MIMO 단계에서 무선 단말이 측정하는 SNR을 보다 정확하게 예측할 수 있는 방법을 제공하기 위한 것이다.In addition, the present invention is to provide a method for more accurately predicting an SNR measured by a wireless terminal in a MIMO step.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 송신 섹터 각각에 대해 제1프레임을 전송하는 단계; 무선 단말이 상기 제1프레임을 수신하여 측정한, 상기 송신 섹터 각각에 대한 제1SNR값을 상기 무선 단말로부터 수신하는 단계; 및 상기 제1SNR값을 미리 학습된 SNR 보정 모델에 입력하여, 상기 송신 섹터 각각에 대한 제2SNR값을 생성하는 단계를 포함하며, 상기 SNR 보정 모델의 학습을 위한 훈련 데이터는 상기 제1프레임이 상기 송신 섹터 각각으로 전송되는 환경에서 측정된, 상기 송신 섹터 각각에 대한 복수의 제1훈련용 SNR값 및 상기 제1훈련용 SNR값에 대한 상기 송신 섹터 별 평균 SNR값을 포함하는 무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법이 제공된다. According to an embodiment of the present invention for achieving the above object, transmitting a first frame for each transmission sector; receiving, by the wireless terminal, a first SNR value for each transmission sector, which is measured by receiving the first frame, from the wireless terminal; and generating a second SNR value for each transmission sector by inputting the first SNR value into a pre-learned SNR correction model, wherein the first frame is the training data for learning the SNR correction model. A beam in a WLAN system including a plurality of first SNR values for training for each of the transmission sectors, measured in an environment transmitted to each transmission sector, and an average SNR value for each transmission sector for the first SNR values for training An SNR prediction method for forming training is provided.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 프레임이 송신 섹터 각각으로 전송되는 환경에서 측정된, 상기 송신 섹터 각각에 대한 복수의 훈련용 SNR값 및 상기 훈련용 SNR값에 대한 상기 송신 섹터 별 평균 SNR값을 입력받는 단계; 및 상기 훈련용 SNR값을 입력받는 SNR 보정 모델의 출력값과, 상기 평균 SNR값을 이용하여 손실값을 계산하고, 상기 손실값이 최소가 되도록, 상기 SNR 보정 모델에 대한 학습을 수행하는 단계를 포함하는 SNR 예측을 위한 학습 방법이 제공된다.In addition, according to another embodiment of the present invention for achieving the above object, a plurality of training SNR values for each transmission sector measured in an environment in which a frame is transmitted to each transmission sector and the SNR value for training receiving an average SNR value for each transmission sector; and calculating a loss value using an output value of an SNR correction model receiving the training SNR value and the average SNR value, and performing learning on the SNR correction model so that the loss value is minimized. A learning method for SNR prediction is provided.
본 발명의 일실시예에 따르면, MIMO 단계에서 프레임의 전송없이도, 프레임을 전송할 송신 섹터 조합을 결정하기 위해 필요한 SNR값을 예측할 수 있다.According to an embodiment of the present invention, an SNR value required for determining a transmission sector combination to transmit a frame can be predicted without transmission of the frame in the MIMO step.
또한 본 발명의 일실시예에 따르면, SISO 단계에서 측정된 SNR값을 측정 환경에 영향이 적도록 보정함으로써, MIMO 단계에서 필요한 SNR값을 보다 정확하게 예측할 수 있다. In addition, according to an embodiment of the present invention, by correcting the SNR value measured in the SISO step to have less influence on the measurement environment, it is possible to more accurately predict the SNR value required in the MIMO step.
도 1은 무선랜 시스템에서의 일반적인 빔포밍 훈련 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 SNR 예측을 위한 학습 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 SNR 보정 모델을 설명하기 위한 도면이다.
도 4는 무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 따른 SNR 예측 모델을 설명하기 위한 도면이다.1 is a diagram for explaining a general beamforming training method in a WLAN system.
2 is a diagram for explaining a learning method for SNR prediction according to an embodiment of the present invention.
3 is a diagram for explaining an SNR correction model according to an embodiment of the present invention.
4 is a diagram for explaining an SNR prediction method for beamforming training in a WLAN system.
5 is a diagram for explaining an SNR prediction model according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. Like reference numerals have been used for like elements throughout the description of each figure.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 무선랜 시스템에서의 일반적인 빔포밍 훈련 방법을 설명하기 위한 도면이다. 도 1에는 송신 섹터가 4개(TS1 내지 TS4)이고, 액세스 포인트의 위상 배열 안테나가 2개이며, 제1위상 배열 안테나(110)에는 제1 및 제2송신 섹터(TS1, TS2)가 할당되고, 제2위상 배열 안테나(120)에는 제3 및 제4송신 섹터(TS3, TS4)가 할당된 예시가 도시된다.1 is a diagram for explaining a general beamforming training method in a WLAN system. In FIG. 1, there are four transmission sectors (TS1 to TS4), two phased array antennas of the access point, and first and second transmission sectors TS1 and TS2 are allocated to the first
액세스 포인트는 SISO 단계에서 각 송신 섹터 별로, 짧은 섹터 스윕 프레임을 전송한다. 제1위상 배열 안테나(110)는 제1 및 제2송신 섹터(TS1, TS2)로 짧은 섹터 스윕 프레임을 전송하고, 제2위상 배열 안테나(120)는 제3 및 제4송신 섹터(TS3, TS4)로 짧은 섹터 스윕 프레임을 전송한다. 액세스 포인트에 접속된 무선 단말은 각 송신 섹터별로 전송되는 짧은 섹터 스윕 프레임을 수신하여, SNR을 측정하고, 측정된 SNR값을 포함하는 SISO 피드백 정보를 액세스 포인트로 전송한다. 즉 하나의 무선 단말은, 제1 내지 제4송신 섹터(TS1 내지 TS4)에 대해 측정된 4개의 SNR값을 포함하는 SISO 피드백 정보를 액세스 포인트로 전송한다. 예컨대 무선 단말은 제1송신 섹터(TS1)로 전송되는 짧은 섹터 스윕 프레임을 수신하여 제1송신 섹터(TS1)에 대한 SNR값을 생성하며, 제2송신 섹터(TS2)로 전송되는 짧은 섹터 스윕 프레임을 수신하여 제2송신 섹터(TS2)에 대한 SNR값을 생성한다.The access point transmits a short sector sweep frame for each transmit sector in the SISO step. The first
액세스 포인트는 측정된 SNR값을 이용하여 MIMO 단계에서 빔포밍 훈련을 수행한다. 액세스 포인트는 BF 셋업 하위 단계, BF 선택 하위 단계, BF 훈련 하위 단계 및 BF 피드백 하위 단계 각각에서 액션 프레임을 전송하여, 빔포밍 훈련을 수행한다. The access point performs beamforming training in the MIMO step using the measured SNR value. The access point performs beamforming training by transmitting action frames in each of the BF setup sub-step, BF selection sub-step, BF training sub-step, and BF feedback sub-step.
액세스 포인트는, MIMO 단계에서 액세스 포인트에 접속한 단말이 모두 수신할 수 있도록 액션 프레임을 전송하며, 이를 위해 복수의 송신 섹터의 일부 송신 섹터를 포함하는 송신 섹터 조합 중 하나를 선택하여, 액션 프레임을 전송할 수 있다. 송신 섹터 조합은, 위상 배열 안테나 각각에 할당된 송신 섹터 중에서 하나씩 선택되어 결정될 수 있다. 도 1과 같은 예시에서, 송신 섹터 조합은 (TS1, TS3), (TS1, TS4), (TS2, TS3) (TS2, TS4)와 같이, 4개로 결정될 수 있으며, 액세스 포인트는 이러한 송신 섹터 조합 중에 하나를 선택하여, 선택된 송신 섹터 조합에 포함된 복수의 송신 섹터로 액션 프레임을 전송할 수 있다.In the MIMO step, the access point transmits an action frame so that all terminals accessing the access point can receive it. can transmit The transmission sector combination may be determined by selecting one transmission sector assigned to each phased array antenna. In the example of FIG. 1, four transmission sector combinations may be determined, such as (TS1, TS3), (TS1, TS4), (TS2, TS3) (TS2, TS4), and the access point may select one of these transmission sector combinations By selecting one, an action frame may be transmitted to a plurality of transmission sectors included in the selected transmission sector combination.
이 때 전술된 바와 같이, 액션 프레임은, 액세스 포인트에 접속한 무선 단말이 모두 수신할 수 있도록 전송되어야 하며, 이러한 조건을 만족시키는 송신 섹터 조합이 선택되기 위해서는, 무선 단말에서 측정된 SNR값이 필요하다. 다만 SISO 피드백 정보에 포함된 SNR값은 복수의 송신 섹터로 프레임이 전송될 때 측정된 값이 아니기 때문에, 본 발명의 일실시예는 SISO 단계에서 하나의 송신 섹터로 프레임이 전송될 때 측정된 SNR값을 이용하여, 복수의 송신 섹터 조합 각각으로 프레임이 전송되는 상황에서의 SNR값을 예측하는 방법을 제안한다.At this time, as described above, the action frame must be transmitted so that all wireless terminals connected to the access point can receive it, and in order to select a transmission sector combination that satisfies this condition, the SNR value measured by the wireless terminal is required. Do. However, since the SNR value included in the SISO feedback information is not a value measured when the frame is transmitted to a plurality of transmission sectors, an embodiment of the present invention is the SNR value measured when the frame is transmitted to one transmission sector in the SISO step. We propose a method of predicting an SNR value in a situation in which a frame is transmitted in each of a plurality of transmission sector combinations using the value.
그리고 본 발명의 일실시예는 복수의 송신 섹터 조합 각각으로 프레임이 전송되는 상황에서 무선 단말이 측정하는 SNR값을 보다 정확하게 예측하기 위해, SISO 피드백 정보에 포함된 SNR값을 보정하는 전처리를 수행한다. SISO 피드백 정보에 포함된 SNR값은, 액세스 포인트와 무선 단말의 위치가 변경되지 않고, 동일한 안테나 설정값이 이용되는 환경에서도, 페이딩(fading) 등과 같은 다양한 외부 요인에 의해 측정시마다 변동될 수 있기 때문에, 본 발명의 일실시예는 액세스 포인트와 무선 단말의 위치가 변경되지 않고 동일한 안테나 설정값이 이용되는 환경에서, 일정한 SNR값이 MIMO 단계에서의 SNR값 예측에 이용될 수 있도록, SISO 피드백 정보에 포함된 SNR값을 보정하는 전처리를 수행한다. In addition, an embodiment of the present invention performs preprocessing of correcting the SNR value included in the SISO feedback information in order to more accurately predict the SNR value measured by the wireless terminal in a situation in which frames are transmitted to each of a plurality of transmission sector combinations. . Since the SNR value included in the SISO feedback information may change at each measurement due to various external factors such as fading, even in an environment where the locations of the access point and the wireless terminal are not changed and the same antenna setting value is used, An embodiment of the present invention is included in SISO feedback information so that a constant SNR value can be used to predict the SNR value in the MIMO step in an environment where the locations of the access point and the wireless terminal are not changed and the same antenna setting value is used. Preprocessing is performed to correct the SNR value.
본 발명의 일실시예에 따른 빔포밍 훈련을 위한 SNR 예측 방법은, 무선랜 시스템의 액세스 포인트에서 수행될 수 있으며, SNR 예측을 위한 방법은 프로세서 및 메모리를 컴퓨팅 장치에서 수행될 수 있다.The method for predicting SNR for beamforming training according to an embodiment of the present invention may be performed in an access point of a WLAN system, and the method for predicting SNR may be performed in a computing device including a processor and a memory.
도 2는 본 발명의 일실시예에 따른 SNR 예측을 위한 학습 방법을 설명하기 위한 도면이며, 도 3은 본 발명의 일실시예에 따른 SNR 보정 모델을 설명하기 위한 도면이다.2 is a diagram for explaining a learning method for SNR prediction according to an embodiment of the present invention, and FIG. 3 is a diagram for explaining an SNR correction model according to an embodiment of the present invention.
본 발명의 일실시예에 따른 컴퓨팅 장치는 복수의 훈련용 SNR값 및 훈련용 SNR값에 대한 송신 섹터 별 평균 SNR값을 수신 즉, 입력받아(S210), SNR 보정 모델에 대한 학습을 수행한다. The computing device according to an embodiment of the present invention receives a plurality of SNR values for training and an average SNR value for each transmission sector for the SNR values for training (S210), and performs learning on an SNR correction model.
여기서, 훈련용 SNR값은 SISO 단계에서 무선 단말에 의해 측정되는 SNR 값에 대응되는 값으로서, 프레임이 송신 섹터 각각으로 전송되는 환경에서 측정된, 송신 섹터 각각에 대한 SNR값을 나타낸다. 컴퓨팅 장치는 SISO 단계가 복수회 수행되어 획득된, 복수의 훈련용 SNR값을 이용하여, SNR 보정 모델에 대한 학습을 수행한다. Here, the SNR value for training is a value corresponding to the SNR value measured by the wireless terminal in the SISO step, and represents an SNR value for each transmission sector measured in an environment in which a frame is transmitted to each transmission sector. The computing device performs learning on the SNR correction model using a plurality of SNR values for training obtained by performing the SISO step a plurality of times.
예컨대, 송신 섹터가 6개이고 무선 단말의 위치를 p라고 한다면, 복수의 훈련용 SNR 값(
여기서,
복수의 훈련용 SNR값은, 무선 단말의 위치를 변경하며, 프레임이 수신되는 복수의 위치에서 측정될 수 있다.A plurality of SNR values for training may be measured at a plurality of positions where a frame is received by changing a position of a wireless terminal.
그리고 평균 SNR값은 송신 섹터 별 훈련용 SNR값에 대한 평균값으로서, [수학식 2]와 같이 표현될 수 있으며, 일실시예로서 [수학식 3]과 같이, 송신 섹터 각각에 대한 훈련용 SNR값을 산술 평균하여 계산되는 값일 수 있다. [수학식 3]은 6개의 송신 섹터 중에서, 제1송신 섹터에 대한 평균 SNR값을 계산하는 수학식을 나타낸다.And the average SNR value is an average value of SNR values for training for each transmission sector, and can be expressed as in [Equation 2]. As an embodiment, as in [Equation 3], the SNR value for training for each transmission sector It may be a value calculated by arithmetic averaging. [Equation 3] represents an equation for calculating an average SNR value for a first transmission sector among six transmission sectors.
여기서,
본 발명의 일실시예에 따른 컴퓨팅 장치는 훈련용 SNR값을 입력받는 SNR 보정 모델의 출력값과, 평균 SNR값을 이용하여 손실값을 계산하고, 손실값이 최소가 되도록, SNR 보정 모델에 대한 학습을 수행(S220)한다. 평균 SNR값은 훈련용 SNR값에 대한 정답값으로 라벨링되며, 손실함수에 SNR 보정 모델의 출력값과, 평균 SNR값을 적용하여, 손실값이 계산될 수 있다. A computing device according to an embodiment of the present invention calculates a loss value using an output value of an SNR correction model receiving an SNR value for training and an average SNR value, and learns the SNR correction model so that the loss value is minimized. Performs (S220). The average SNR value is labeled as the correct value for the SNR value for training, and the loss value can be calculated by applying the output value of the SNR correction model and the average SNR value to the loss function.
본 발명의 일실시예에 따른 SNR 보정 모델은 도 3에 도시된 바와 같이, 인코더 레이어(310) 및 디코더 레이어(320)를 포함하며, 딥러닝 모델일 수 있다. 인코더 레이어(310)는 훈련용 SNR값이 입력되며, 송신 섹터 각각이 할당된 복수의 입력 노드를 포함하며, 디코더 레이어(320)는 훈련용 SNR값 각각에 대응되는 출력값이 출력되며, 송신 섹터 각각이 할당된 출력 노드를 포함한다. As shown in FIG. 3, the SNR correction model according to an embodiment of the present invention includes an
전술된 예시와 같이, 6개의 송신 섹터가 할당된 환경에서는 6개의 입력 노드 및 출력 노드를 포함하는 SNR 보정 모델이 이용될 수 있다. 6개의 입력 노드로, 훈련용 SNR값
도 4는 무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법을 설명하기 위한 도면이다.4 is a diagram for explaining an SNR prediction method for beamforming training in a WLAN system.
도 4를 참조하면, 본 발명의 일실시예에 따른 액세스 포인트는 송신 섹터 각각에 대해 제1프레임을 전송(S410)하고, 송신 섹터 각각에 대한 제1SNR값을 무선 단말로부터 수신(S420)한다. 제1SNR값은 송신 섹터 중 하나에 위치한 무선 단말이 제1프레임을 수신하여 측정한 SNR값에 대응되며, 제1프레임은 전술된 짧은 섹터 스윕 프레임일 수 있다.Referring to FIG. 4, the access point according to an embodiment of the present invention transmits a first frame for each transmission sector (S410) and receives a first SNR value for each transmission sector from a wireless terminal (S420). The first SNR value corresponds to an SNR value measured by receiving the first frame by a wireless terminal located in one of the transmission sectors, and the first frame may be the aforementioned short sector sweep frame.
그리고 컴퓨팅 장치는 제1SNR값을 미리 학습된 SNR 보정 모델에 입력하여, 송신 섹터 각각에 대한 제2SNR값을 생성(S430)한다. SNR 보정 모델의 학습을 위한 훈련 데이터는, 제1프레임이 송신 섹터 각각으로 전송되는 환경에서 측정된, 송신 섹터 각각에 대한 복수의 제1훈련용 SNR값 및 제1훈련용 SNR값에 대한 송신 섹터 별 평균 SNR값을 포함한다. SNR 보정 모델은 전술된 실시예와 같이 학습될 수 있으며, 평균 SNR값은 송신 섹터 각각에 대한 제1훈련용 SNR값을 산술 평균하여 계산되는 값일 수 있다.Then, the computing device generates a second SNR value for each transmission sector by inputting the first SNR value to the previously learned SNR correction model (S430). The training data for learning the SNR correction model is a plurality of first training SNR values for each transmission sector and a transmission sector for the first SNR value for training, measured in an environment in which a first frame is transmitted to each transmission sector. It includes the average SNR value per star. The SNR correction model may be learned as in the above-described embodiment, and the average SNR value may be a value calculated by arithmetic averaging the first training SNR values for each transmission sector.
컴퓨팅 장치는 SNR 보정 모델의 인코더 레이어의 입력 노드로 제1SNR값을 입력하며, SNR 보정 모델의 디코더 레이더의 출력 노드에서 제2SNR값이 출력될 수 있다.The computing device may input the first SNR value to the input node of the encoder layer of the SNR correction model, and output the second SNR value from the output node of the decoder radar of the SNR correction model.
제1SNR값은 SNR 보정 모델에 의해 제2SNR값으로 갱신되며, 제1훈련용 SNR값과 유사한 제2SNR값이 SNR 보정 모델로 입력될 경우, 제1훈련용 SNR값에 대한 정답값인 평균 SNR값에 가까운 제2SNR값이 획득될 수 있다. 평균 SNR값이 정답값으로 라벨링된 SNR 보정 모델이 이용됨으로써, SISO 단계에서 측정된 제1SNR값에 편차가 발생하더라도, 제1SNR값은 평균 SNR값과 같이 일정한 SNR값인 제2SNR값으로 보정될 수 있다.The first SNR value is updated to the second SNR value by the SNR calibration model, and when the second SNR value similar to the SNR value for the first training is input to the SNR calibration model, the average SNR value is the correct value for the SNR value for the first training. A second SNR value close to can be obtained. By using the SNR correction model in which the average SNR value is labeled as the correct value, even if a deviation occurs in the first SNR value measured in the SISO step, the first SNR value can be corrected to the second SNR value, which is a constant SNR value like the average SNR value. .
한편, 실시예에 따라서, SNR 보정 모델의 학습을 위한 훈련 데이터는 제1프레임이 수신되는 복수의 위치에서 측정된, 제1훈련용 SNR값을 포함할 수 있으며, 무선 단말이 위치한 송신 섹터에서 측정된 제1훈련용 SNR값을 포함할 수 있다. 즉, 본 발명의 일실시예에 따른 컴퓨팅 장치는 무선 단말이 위치한 송신 섹터에서 측정된 제1훈련용 SNR값으로 학습된 SNR 보정 모델을 이용해, 제2SNR값을 생성할 수 있다. Meanwhile, according to an embodiment, the training data for learning the SNR correction model may include SNR values for first training measured at a plurality of locations where the first frame is received, and measured at a transmission sector where the wireless terminal is located. It may include the SNR value for the first training. That is, the computing device according to an embodiment of the present invention may generate the second SNR value by using the SNR correction model learned from the first SNR value for training measured in the transmission sector where the wireless terminal is located.
일실시예로서, SNR 보정 모델은 복수의 송신 섹터 각각에서 측정된 제1훈련용 SNR값 및 이에 대한 평균 SNR값을 통해 학습된 복수의 서브 모델을 포함할 수 있다. 즉 서브 모델은 각각 송신 섹터에 대응된다. 액세스 포인트는 무선 단말이 위치한 송신 섹터에 따라서 서브 모델 중 하나를 선택하여, 제2SNR값을 생성할 수 있다. 예컨대, 도 1과 같은 예시에서, 4개의 서브 모델이 생성될 수 있으며, 무선 단말이 제1송신 섹터에 위치하는 경우, 액세스 포인트는 무선 측위를 통해 무선 단말이 제1송신 섹터에 위치함을 확인하고, 제1송신 섹터에서 측정된 제1훈련용 SNR값을 통해 학습된 서브 모델을 선택할 수 있다.As an example, the SNR correction model may include a plurality of sub-models learned through the first training SNR value measured in each of a plurality of transmission sectors and the average SNR value for the first training SNR value. That is, each sub-model corresponds to a transmission sector. The access point may generate the second SNR value by selecting one of the submodels according to the transmission sector in which the wireless terminal is located. For example, in the example of FIG. 1, four sub-models can be generated, and when the wireless terminal is located in the first transmission sector, the access point confirms that the wireless terminal is located in the first transmission sector through radio positioning. and select a sub-model learned through the SNR value for the first training measured in the first transmission sector.
도 5는 본 발명의 일실시예에 따른 SNR 예측 모델을 설명하기 위한 도면이다.5 is a diagram for explaining an SNR prediction model according to an embodiment of the present invention.
본 발명의 일실시예에 따른 액세스 포인트는 전술된 바와 같이, MIMO 단계에서 액션 프레임을 전송할 송신 섹터 조합을 결정하기 위해, 단계 S430 이후, 제2SNR값을 이용하여 제3SNR값을 예측할 수 있다. 제3SNR값은 복수의 송신 섹터 조합 각각으로 제2프레임이 전송되는 상황에서, 제2프레임을 수신한 무선 단말이 측정하는 SNR값에 대응되며, 제2프레임은 액션 프레임일 수 있다.As described above, the access point according to an embodiment of the present invention may predict the third SNR value using the second SNR value after step S430 to determine the transmission sector combination to transmit the action frame in the MIMO step. The third SNR value corresponds to an SNR value measured by a wireless terminal receiving the second frame in a situation in which the second frame is transmitted to each of a plurality of transmission sector combinations, and the second frame may be an action frame.
예컨대, 도 1의 예시에서 송신 섹터 조합이 (TS1, TS3)인 경우, 액세스 포인트는 제1 및 제3송신 섹터에 대한 제2SNR값을 이용하여, 제1 및 제3송신 섹터로 액션 프레임이 동시에 전송되는 상황에서 무선 단말이 측정하는 제3SNR값을 예측할 수 있다.For example, in the example of FIG. 1 , when the transmission sector combination is (TS1, TS3), the access point uses the second SNR values for the first and third transmission sectors to simultaneously transmit action frames to the first and third transmission sectors. In a transmission situation, a third SNR value measured by a wireless terminal may be predicted.
이 때, 액세스 포인트는 일실시예로서 제2SNR값을 미리 학습된 SNR 예측 모델에 입력하여, 제3SNR값을 예측할 수 있으며, SNR 예측 모델은 딥러닝 모델로서, 도 5에 도시된 바와 같이, 제1 및 제2노드들(511, 512)을 포함하는 입력층(510), 은닉층(520) 및 출력층(530)을 포함할 수 있다.At this time, as an embodiment, the access point may predict the third SNR value by inputting the second SNR value to the pre-learned SNR prediction model, and the SNR prediction model is a deep learning model, as shown in FIG. 5, It may include an
SNR 예측 모델의 학습을 위한 훈련 데이터는, 송신 섹터 각각에 대한 평균 SNR값 및 제2프레임이 송신 섹터 조합 각각으로 전송되는 환경에서 측정된 송신 섹터 조합 각각에 대한 제2훈련용 SNR값을 포함할 수 있다. 평균 SNR값은 입력층으로 입력되며, 제2훈련용 SNR값은 평균 SNR값에 대한 정답값으로 라벨링된다. 평균 SNR값은 전술된 바와 같이, 제1프레임이 송신 섹터 각각으로 전송되는 환경에서 측정된 제1훈련용 SNR값의 송신 섹터별 평균 SNR값에 대응된다. The training data for learning the SNR prediction model may include an average SNR value for each transmission sector and a second training SNR value for each transmission sector combination measured in an environment in which the second frame is transmitted to each transmission sector combination. can The average SNR value is input to the input layer, and the SNR value for second training is labeled as the correct value for the average SNR value. As described above, the average SNR value corresponds to the average SNR value for each transmission sector of the first training SNR value measured in an environment in which the first frame is transmitted to each transmission sector.
SNR 예측 모델의 학습 과정에서, 제2평균 SNR값 전체는 제1노드들(511)로 입력된다. 그리고 제2평균 SNR값 중 송신 섹터 조합에 포함된 송신 섹터에 대한 평균 SNR값은, 제2노드들(512) 중 송신 섹터 조합에 대응되는 노드들로 입력된다. 제1 및 제2노드들(511, 512) 각각에는 미리 설정된 송신 섹터가 할당되며, 예컨대 송신 섹터 조합이 제2 및 제4송신 섹터일 경우, 제2노드들(512) 중 두번째 및 네번째 노드로 제2 및 제4송신 섹터에 대한 평균 SNR값이 입력될 수 있다. 그리고 제2노드들(512) 중 나머지 노드로는 0이 입력될 수 있다. During the learning process of the SNR prediction model, all of the second average SNR values are input to the
SNR 예측 모델의 출력값과 제2훈련용 SNR값으로부터 계산된 손실값이 최소가 되도록, SNR 예측 모델에 대한 학습이 수행될 수 있다. 손실값은, 미리 설정된 손실함수에 SNR 보정 모델의 출력값과, 제2훈련용 SNR값을 적용하여 계산될 수 있다. Learning of the SNR prediction model may be performed so that the loss value calculated from the output value of the SNR prediction model and the second SNR value for training is minimized. The loss value may be calculated by applying the output value of the SNR correction model and the second SNR value for training to a preset loss function.
SNR 예측 모델의 SNR 예측 과정에서는, 송신 섹터 각각에 대한 제2SNR값이 제1노드들(511)로 입력되며, 송신 섹터 조합 각각에 대한 제2SNR값은 제2노드들(512)로 입력된다. 전술된 바와 같이, 송신 섹터 조합 각각에 대한 제2SNR값은 송신 섹터 조합에 포함된 송신 섹터에 대응되는 입력 노드들로 입력된다. 출력층은 제3SNR값을 출력한다. In the SNR prediction process of the SNR prediction model, the second SNR value for each transmission sector is input to the
도 5에 도시된 바와 같이, 6개의 송신 섹터(TS1 내지 TS6)가 이용되고 제2 및 제4송신 섹터(TS2, TS4)를 포함하는 송신 섹터 조합에 대한 제2SNR값이 제2노드들(512)로 입력되며, 제1무선 단말(STA1)이 측정한 제1SNR값으로부터 갱신된 제2SNR값 (
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The technical contents described above may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiments or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. A hardware device may be configured to act as one or more software modules to perform the operations of the embodiments and vice versa.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.As described above, the present invention has been described by specific details such as specific components and limited embodiments and drawings, but these are provided to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments. , Those skilled in the art in the field to which the present invention belongs can make various modifications and variations from these descriptions. Therefore, the spirit of the present invention should not be limited to the described embodiments, and it will be said that not only the claims to be described later, but also all modifications equivalent or equivalent to these claims belong to the scope of the present invention. .
Claims (12)
송신 섹터 각각에 대해 제1프레임을 전송하는 단계;
무선 단말이 상기 제1프레임을 수신하여 측정한, 상기 송신 섹터 각각에 대한 제1SNR값을 상기 무선 단말로부터 수신하는 단계;
상기 제1SNR값을 미리 학습된 SNR 보정 모델에 입력하여, 상기 송신 섹터 각각에 대한 제2SNR값을 생성하는 단계; 및
복수의 송신 섹터 조합 각각으로 제2프레임이 전송되는 상황에서, 상기 제2프레임을 수신한 상기 무선 단말이 측정하는 제3SNR값을, 상기 제2SNR값을 이용하여 예측하는 단계를 포함하며,
상기 SNR 보정 모델의 학습을 위한 훈련 데이터는
상기 제1프레임이 상기 송신 섹터 각각으로 전송되는 환경에서 측정된, 상기 송신 섹터 각각에 대한 복수의 제1훈련용 SNR값 및 상기 제1훈련용 SNR값에 대한 상기 송신 섹터 별 평균 SNR값을 포함하며,
상기 제3SNR값을, 상기 제2SNR값을 이용하여 예측하는 단계는
상기 제2SNR값을 미리 학습된 SNR 예측 모델에 입력하여, 상기 제3SNR값을 예측하며,
상기 SNR 예측 모델의 학습을 위한 훈련 데이터는
상기 평균 SNR값 및 상기 제2프레임이 상기 송신 섹터 조합 각각으로 전송되는 환경에서 측정된 상기 송신 섹터 조합 각각에 대한 제2훈련용 SNR값을 포함하는
무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법.
In a wireless LAN system, in the SNR prediction method for beamforming training performed by an access point,
Transmitting a first frame for each transmission sector;
receiving, by the wireless terminal, a first SNR value for each transmission sector, which is measured by receiving the first frame, from the wireless terminal;
generating a second SNR value for each transmission sector by inputting the first SNR value to a pre-learned SNR correction model; and
predicting a third SNR value measured by the wireless terminal that has received the second frame using the second SNR value in a situation in which a second frame is transmitted in each of a plurality of transmit sector combinations;
Training data for learning the SNR correction model is
Includes a plurality of first training SNR values for each transmission sector, measured in an environment in which the first frame is transmitted to each transmission sector, and an average SNR value for each transmission sector for the first training SNR value and
The step of predicting the third SNR value using the second SNR value
The second SNR value is input to a pre-learned SNR prediction model to predict the third SNR value;
Training data for learning the SNR prediction model is
Including the average SNR value and a second SNR value for training for each transmission sector combination measured in an environment in which the second frame is transmitted to each transmission sector combination
SNR prediction method for beamforming training in WLAN system.
상기 SNR 보정 모델의 학습을 위한 훈련 데이터는
상기 제1프레임이 수신되는 복수의 위치에서 측정된, 상기 제1훈련용 SNR값을 포함하는
무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법.
According to claim 1,
Training data for learning the SNR correction model is
Including the SNR values for the first training, measured at a plurality of locations where the first frame is received
SNR prediction method for beamforming training in WLAN system.
상기 SNR 보정 모델의 학습을 위한 훈련 데이터는
상기 무선 단말이 위치한 송신 섹터에서 측정된 상기 제1훈련용 SNR값을 포함하는
무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법.
According to claim 2,
Training data for learning the SNR correction model is
Including the SNR value for the first training measured in the transmission sector where the wireless terminal is located
SNR prediction method for beamforming training in WLAN system.
상기 평균 SNR값은
상기 송신 섹터 별로 상기 제1훈련용 SNR값을 산술 평균하여 계산되는 값인
무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법.
According to claim 1,
The average SNR value is
A value calculated by arithmetic averaging the SNR values for the first training for each transmission sector.
SNR prediction method for beamforming training in WLAN system.
상기 SNR 보정 모델은
상기 제1SNR값이 입력되며, 상기 송신 섹터 각각이 할당된 복수의 입력 노드를 포함하는 인코더 레이어; 및
상기 제2SNR값이 출력되며, 상기 송신 섹터 각각이 할당된 복수의 출력 노드를 포함하는 디코더 레이어
무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법.
According to claim 1,
The SNR correction model is
an encoder layer including a plurality of input nodes to which the first SNR value is input and to which each transmission sector is assigned; and
A decoder layer including a plurality of output nodes to which the second SNR value is output and to which each of the transmission sectors is assigned
SNR prediction method for beamforming training in WLAN system.
상기 SNR 예측 모델은
상기 송신 섹터 각각에 대한 상기 제2SNR값이 입력되는 제1노드들 및 상기 송신 섹터 조합 각각에 대한 상기 제2SNR값이 입력되는 제2노드들을 포함하는 입력층;
은닉층; 및
상기 제3SNR값을 출력하는 출력층
을 포함하는 무선랜 시스템에서 빔포밍 훈련을 위한 SNR 예측 방법.
According to claim 1,
The SNR prediction model is
an input layer including first nodes to which the second SNR value for each transmission sector is input and second nodes to which the second SNR value for each transmission sector combination is input;
hidden layer; and
An output layer that outputs the third SNR value
SNR prediction method for beamforming training in a WLAN system comprising a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220075008A KR102491353B1 (en) | 2022-06-20 | 2022-06-20 | Snr prediction method for beam forming training in wlan system and learning method for snr prediction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220075008A KR102491353B1 (en) | 2022-06-20 | 2022-06-20 | Snr prediction method for beam forming training in wlan system and learning method for snr prediction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102491353B1 true KR102491353B1 (en) | 2023-01-20 |
Family
ID=85108399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220075008A Active KR102491353B1 (en) | 2022-06-20 | 2022-06-20 | Snr prediction method for beam forming training in wlan system and learning method for snr prediction |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102491353B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101418362B1 (en) * | 2007-11-29 | 2014-07-11 | 삼성전자주식회사 | Method and apparatus for improving transmission / reception performance based on position information of a terminal in a communication system |
| US20150201428A1 (en) * | 2012-08-08 | 2015-07-16 | Vodafone Ip Licensing Limited | Cqi adjustment |
| KR20200119179A (en) * | 2019-04-09 | 2020-10-19 | 애니파이 주식회사 | A wireless terminal for providing dynamic changing connections to wireless networks based on quality expectations and a method for operating it |
-
2022
- 2022-06-20 KR KR1020220075008A patent/KR102491353B1/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101418362B1 (en) * | 2007-11-29 | 2014-07-11 | 삼성전자주식회사 | Method and apparatus for improving transmission / reception performance based on position information of a terminal in a communication system |
| US20150201428A1 (en) * | 2012-08-08 | 2015-07-16 | Vodafone Ip Licensing Limited | Cqi adjustment |
| KR20200119179A (en) * | 2019-04-09 | 2020-10-19 | 애니파이 주식회사 | A wireless terminal for providing dynamic changing connections to wireless networks based on quality expectations and a method for operating it |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12113590B2 (en) | Beam management method, apparatus, electronic device and computer readable storage medium | |
| CN109379752B (en) | Optimization method, apparatus, device and medium for Massive MIMO | |
| KR102030128B1 (en) | Resource allocating method for wireless backhaul network and apparatus based on machine learning | |
| US10644775B2 (en) | Uncertainty dependent beamforming configuration control | |
| CN109936402B (en) | Wireless communication device with hybrid beam forming and control method thereof | |
| US20160044551A1 (en) | Methods and Network Nodes for Enabling Accurate Measurements | |
| US20170154260A1 (en) | Learning method, computer-readable recording medium, and information processing apparatus | |
| KR20190103414A (en) | UL measurement reference signal power control method, network device, and terminal device | |
| CN113438002B (en) | LSTM-based analog beam switching method, device, equipment and medium | |
| EP4270824A1 (en) | Channel estimation method based on neural network and communication apparatus | |
| KR102508071B1 (en) | Beam forming training method and snr prediction method for beam forming training in wlan system | |
| KR102388198B1 (en) | Beam forming training method and snr prediction method for beam forming training in wlan system | |
| WO2020200473A1 (en) | Channel-matrix dependent step size for iterative precoding matrix calculation | |
| KR102491353B1 (en) | Snr prediction method for beam forming training in wlan system and learning method for snr prediction | |
| US20250208252A1 (en) | Cooperative isac method and system with multiple base station based on deep learning | |
| KR102648565B1 (en) | Reinforcement learning-based beam forming training method and apparatus for asymmetric link | |
| WO2019005793A1 (en) | Physical uplink control channel power control for beam diversity | |
| RU2707732C1 (en) | Communication device and method | |
| CN119948768A (en) | Method and apparatus for beam reporting in wireless communication system | |
| CN111106861B (en) | Method for beamforming by angular velocity prediction of mmWave channel distribution | |
| EP4544448A1 (en) | Transfer learning for performance prediction | |
| KR102806735B1 (en) | Beam forming training method and apparatus based on reinforcement learning | |
| KR102806734B1 (en) | Beam forming training method and apparatus based on reinforcement learning | |
| KR102687240B1 (en) | Large array antenna system and method for correcting adaptive maximum value based on reinforcement learning | |
| US20250053777A1 (en) | Information transmission method, communication node, and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20220620 |
|
| PA0201 | Request for examination | ||
| PA0302 | Request for accelerated examination |
Patent event date: 20220620 Patent event code: PA03022R01D Comment text: Request for Accelerated Examination |
|
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20220928 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230117 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20230118 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20230118 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |