An improved AMCS scheme based on truncated channel inversion

Abstract

Adaptive modulation, coding, and spatial mode (AMCS)는 랜덤하게 변하는 무선 채널 환경에서 효율적인 전송 파라미터 선택을 통해 시스템 성능을 최대화하는 적응형 전송 기법이다. 다수의 채널 스트림을 가지는 시스템에서는 스트림 간 전송 전력 분배가 매우 중요하기 때문에, 효율적인 AMCS를 위한 다양한 전력 분배 기법들이 과거에 제안되었다. 하지만 이러한 연구들의 대부분은 이상적인 변조(modulation)와 부호(coding)가 가능한 시스템을 고려하고 있으며, 이는 실질적인 무선 시스템에 적용시키는 것을 불가능하게 한다. 대신에, 모든 채널 스트림에 동일한 변조와 부호를 적용하는 블록 AMCS를 고려해 볼 수 있지만, 해당 시스템에서의 효율적인 전력 분배 연구는 활발하게 진행되지 않았다. 본 연구에서는 truncated channel inversion (TCI)이라는 전력 분배 기법을 소개한다. TCI의 간단한 동작 원리를 설명한 후에, TCI를 통해 얻어지는 전력 분배 결과를 간단한 예를 통해 유도한다. 본 연구는 또한 다중안테나 bit-interleaved coded orthogonal frequency division multiplexing (BIC-OFDM) 시스템의 bit error rate (BER) 상한을 소개한 후, 본 연구가 고려하는 시스템 모델에 맞게 수정한다. 그리고 수정된 BER 상한을 최소화하는 전력 분배 결과를 또 다시 간단한 예를 통해 유도한다. TCI 유도를 통해 얻은 전력 분배 결과와 BER 상한 최소화를 통해 얻은 전력 분배 결과를 비교하고 서로 거의 같음을 보여줌으로써, TCI 기법이 블록 AMCS에 효과적인 전력 분배 방법임을 증명한다. 이러한 결과를 바탕으로 본 연구는 TCI 기반 블록 AMCS 알고리즘을 제안한다. 위 알고리즘은 error rate 제한을 가지는 시스템의 전송률을 최대화하며, 모의 실험 결과를 통해 제안 알고리즘이 error rate 제한을 만족하면서 전송률을 증가시킴을 확인할 수 있다. 또한, 본 연구는 최적의 사용 스트림 수 결정 방식에 강화 학습을 적용하여 성능을 개선시킨 TCI 기반 블록 AMCS 알고리즘을 제안한다. 강화 학습은 수학적 유도로 수행하기 어려운 signal-to-noise (SNR) 한계점 최적화를 시스템이 경험을 통해 배우게 함으로써 가능하게 한다. 최적화된 SNR 한계점을 사용하면 기존 TCI 블록 AMCS 알고리즘에서 최적의 스트림 수를 결정하기 위해 exhaustive search를 수행하는 단계를 개선할 수 있다. 모의 실험 결과를 통해 강화 학습을 적용하여 새롭게 제안된 알고리즘이 기존 TCI 블록 AMCS 알고리즘의 성능을 유지할 수 있는 것을 확인하고, 이를 통해 알고리즘의 복잡도가 효율적으로 감소하였음을 확인할 수 있다. 본 연구를 통해 블록 AMCS에 적합한 전력 분배 방법을 분석하고, 전송률을 최대화하는 알고리즘을 제안한다.