Efficient Beam Tracking Techniques for Dynamically Vaying Channels in Millimeter-wave band Communications

Abstract

In this thesis, beam tracking techniques is studied based on compressed sensing and deep learning method for millimeter-wave (mmWave) communication systems. The thesis is mainly composed of two parts: compressed sensing based method and deep learning based method. In the first part, an efficient beam training technique is proposed for mmWave communications. Beam training should be performed frequently when some mobile users are under high mobility to ensure the accurate acquisition of the channel state information. To reduce the resource overhead caused by frequent beam training, we introduce a dedicated beam training strategy which sends the training beams separately to a specific high mobility user (called a target user) without changing the periodicity of the conventional beam training. The dedicated beam training requires a small amount of resources because the training beams can be optimized for the target user. To satisfy the performance requirement with a low training overhead, we propose the optimal training beam selection strategy which finds the best beamforming vectors yielding the lowest channel estimation error based on the target user's probabilistic channel information. This dedicated beam training is combined with the greedy channel estimation algorithm that accounts for sparse characteristics and temporal dynamics of the target user's channel. In the other part, a deep learning-based beam tracking method is proposed for mmWave communications. A deep neural network is employed to analyze the temporal structure and patterns underlying in the time-varying channels and the signals acquired by inertial sensors. A model is proposed which is based on long short term memory (LSTM) that predicts the distribution of the future channel behavior based on a sequence of input signals available at the user equipment (UE). This channel distribution is used to 1) control the sounding beams adaptively for the future channel state and 2) update the channel estimate through the measurement update step under a sequential Bayesian estimation framework. Experimental results demonstrate that the proposed methods achieves a significant performance gain over the conventional beam tracking methods under various mobility scenarios.|본 학위 논문에서는 밀리미터 통신을 위한 압축센싱 및 딥러닝 기반의 빔 트래 킹 기법에 대해 연구하였다. 본 학위 논문은 크게 압축센싱 기반 기법의 내용과 딥 러닝 기반의 기법에 대한 내용으로 크게 두가지 부분으로 이루어져 있다. 첫 번째 장에서는 효율적인 빔 트레이닝 기법이 제안되었다. 빔 트레이닝은 높은 이동성 환경에서 정확한 채널 정보를 획득하기 위해서는 자주 수행되어야한다. 이는 많은 자원을 요구하게 되고 이러한 자원의 오버헤드를 줄이기 위해 높은 이동성을 갖는 사용자에게만 트레이닝 빔을 전송하는 빔 트레이닝 전략을 소개하였다. 이러한 트 레이닝 빔은 특정 사용자에 대해 최적화 되어 적은 자원만을 필요로 한다. 적은 자 원을 이용하여 충분한 성능 요구치를 만족시키기 위해 채널 추정 에러를 최소화하 는 빔 선택 기법을 제안하였다. 이러한 빔 트레이닝 기법은 압축센싱 기반의 그리 디 알고리즘과 결합되어 특정 사용자의 시간적 움직임과 희소특성을 이용하여 채 널 추정을 수행한다. 두 번째 장에서는 딥러닝 기반의 빔 트래킹 기법이 제안되었 다. 시간적 상관성과 특성을 추출하기 위해 딥러닝 기반의 기법을 이용하여 채널 변화와 센서정보를 분석하였다. LSTM (Long-short term memory) 기반의 모델을 이용하여 채널 변화의 확률 분포를 예측하였다. 예측된 확률 분포를 기반으로 트 레이닝 빔을 선택하고, 관측 값을 이용하여 채널 추정을 수행하는데 이용된다. 모 의 실험에서는 본 학위 논문에서 제안하는 방법들은 기존의 기법대비 우수한 성능 을 가지는 것을 보여준다.