Alapfogalmak
본 논문은 상향링크 비할당 NOMA 시스템에서 활성 디바이스 탐지, 채널 추정 및 데이터 검출을 위한 새로운 딥러닝 기반 병렬 간섭 제거 기법을 제안한다. 제안 기법은 병렬 간섭 제거 전략에 기반하여 이러한 세 가지 문제를 동시에 해결하며, 코히어런트 및 비코히어런트 방식 모두에 적용 가능하다.
Kivonat
본 논문은 상향링크 비할당 NOMA 시스템에서 활성 디바이스 탐지, 채널 추정 및 데이터 검출을 위한 새로운 딥러닝 기반 병렬 간섭 제거 기법을 제안한다.
- 제안하는 파일럿 전용 PIC 프레임워크:
- 수신 파일럿 신호를 이용하여 활성 디바이스 탐지와 채널 추정을 수행
- 병렬 간섭 제거 기법을 활용하여 성능 향상
- 엔드-투-엔드 학습을 통해 활성 디바이스 탐지, 채널 추정 및 데이터 검출 성능 향상
- 데이터 보조 PIC 프레임워크:
- 수신 파일럿 신호와 데이터 신호를 모두 활용하여 채널 추정 성능 향상
- 채널 추정과 데이터 검출을 동시에 수행하는 모듈 포함
- 엔드-투-엔드 학습을 통해 전반적인 성능 향상
- 비코히어런트 PIC 프레임워크:
- 적은 데이터 비트 전송 시 효율적인 비코히어런트 방식 지원
- 활성 디바이스 탐지와 데이터 검출을 동시에 수행하는 모듈 포함
- 엔드-투-엔드 학습을 통해 성능 향상
시뮬레이션 결과, 제안 기법들이 기존 기법들에 비해 우수한 활성 디바이스 탐지, 채널 추정 및 데이터 검출 성능을 보이며, 계산 복잡도도 낮은 것으로 나타났다.
Statisztikák
활성 디바이스 탐지 오류 확률이 기존 기법 대비 1.25배 감소
채널 추정 오차가 기존 기법 대비 3.3dB 감소
데이터 검출 오류 확률이 기존 기법 대비 1.25배 감소