In this thesis, channel estimation in Massive MIMO system with phase noise is discussed. As required data traffic increases, the technology with higher throughput and wider bandwidth were needed. Massive MIMO which can achieve high spectral density became one of the promising solutions and mmWave was adopted to increase the bandwidth. To efficiently use Massive MIMO, acquiring accurate channel state information is needed. So, channel estimation methods with high accuracy and low complexity have been widely researched.
Phase noise comes from an imperfect oscillator, it has time-varying variance unlike white noise and becomes severe as operating frequency increases. In a modern wireless communication system, the importance of compensating phase noise is rising as the number of antennas and operating frequency increase. To be specific, the importance of intercarrier interference (ICI) from the MIMO system is growing. Unlike common phase error, ICI has complex problems which make it challenging to cancel. Thus, many types of research have been done to effectively remove ICI.
Both massive MIMO channel estimation and phase noise cancellation are analytically intractable, so there are no general solution and existing solutions are sub-optimal. In this thesis, to deal with both problems, we use deep learning. Our proposed method uses deep learning model called Pix2Pix which is based on conditional generative adversarial model (GAN) and widely used in image-to-image translation problems. Since the channel is similar to image due to the fact that it can be interpreted as 2 dimensions, we used Pix2Pix which is widely used in image processing. As a result, we confirmed that the performance of our method in massive MIMO with phase noise outperforms the conventional method, and we analyzed the performance of our model by changing parameters.
본 논문에서는 위상 잡음이 존재하는 거대 다중 안테나 환경에서 딥러능을 사용하여 채널 추정을 하는 방법에 대해 다루었다. 최근 요구되는 데이터의 트래픽이 증가함에 따라, 높은 처리율과 넓은 대역폭을 갖는 기술이 필요하게 되었다. 스펙트럼 효율을 높이기 위해선 거대 다중 안테나 시스템이 대안으로 떠오르게 되었고, 대역폭을 얻기 위해서 밀리미터웨이브가 사용되었다. 거대 다중 안테나 시스템을 효율적으로 사용하기 위해서는 채널 상태 정보의 정확한 확보가 필요하고 이에 따라 낮은 복잡도로 채널을 정확하게 측정 할 수 있는 방안들이 많이 연구가 되고 있다.
위상 잡음은 완벽하지 않은 발진기에 의해 발생하게 되며, 일반적인 백색 잡음과 달리 시간에 따라 공분산이 바뀌는 특성을 가지고 있으며 동작 주파수가 높을수록 커지게 된다. 최근 무선 통신 시스템에서는 시스템에 사용되는 안테나의 수가 많아지고 동작 주파수가 높아지면서 위상 잡음으로 인한 오류에 대한 보상의 중요성도 역시 커지고 있다. 좀 더 자세히 말하면, 다중 안테나 시스템에서 발생하는 위상 잡음의 한종류인 인터캐리어 잡음에 대한 영향이 커지고 있다. 인터캐리어 잡음의 경우 일반 위상 에러와 달리 복잡하여 제거하기가 힘들고, 이것을 효율적으로 제거하기 위해 많은 연구가 진행되고 있다.
거대 다중 안테나 시스템에서의 채널 추정과 위상 잡음 제거 문제 모두 수식으로 표현이 어려워 일반적으로 정해진 방법이 없고 기존의 방법들은 준최적의 결과를 보여주고 있다. 본 논문에서는 이 두개가 합쳐진 문제를 해결하기 위해 딥러닝을 사용한다. 본 논문에서 제안하는 방법은 이미지-이미지 전이 분야에서 사용되고 , 조건부 생산적 적대 신경망 기반 알고리즘인 픽셀2픽셀을 사용한다. 채널은 2차원으로 해석될수 있는 점에서 이미지와 비슷하므로 영상 처리에서 사용되는 알고리즘인 픽셀2픽셀을 활용하였다. 그 결과, 위상 노이즈가 있는 거대 다중 안테나 시스템 환경에서 제안한 딥러닝 모델이 기존 알고리즘 보다 좋은 성능을 보이는것을 확인 하였고 다양하게 변수들을 변경하면서 딥러닝 모델의 성능에 대해 분석하였다.
