본 논문에서는 OFDM 시스템을 위한 기계학습 기반 도플러 스프레드 추정 접근법을 제안한다. Rician K factor, 도래각(azimuth angle of arrival, AOA) 폭, 평균 방위(azimuth) AOA 방향, 채널 추정 오차와 같은 채널 특성 변수들이 무작위로 생성되는 혼합 채널 시나리오에서 양호한 성능을 달성하기 위해, 우리는 세심하게 설계된 신경망 아키텍처를 제시한다. 혼합 채널 시나리오에서 수집된 채널 상태 정보(CSI)를 전처리할 때, 도플러 스프레드 추정을 위한 기계학습에서 고품질 학습 데이터로 평균 전력 스펙트럼 밀도(power spectral density, PSD) 시퀀스를 제안한다. 또한 기계학습 과정의 중간 수학적 도함수를 상세히 기술하여, 도출된 결과를 다른 무선 통신 기술에 손쉽게 이식할 수 있도록 한다. 시뮬레이션을 통해, 평균 PSD 시퀀스를 학습 데이터로 사용하는 기계학습 접근법이 채널 주파수 응답(channel frequency response, CFR) 시퀀스를 학습 데이터로 사용하는 다른 기계학습 접근법 및 기존의 도플러 추정 접근법 두 가지보다 성능이 우수함을 보인다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.