JP2022532691A - ５ｇ以降の次世代通信システムにおける波形および波形パラメータの選択システム - Google Patents

Abstract

本発明は、第５世代（５Ｇ）以降の次世代セルラー通信システムにおいて、複数の波形および／または複数の数値構造を使用する際に、システム全体の最適化と、波形に関連するユーザーパラメータの選択に関する様々な戦略で構成されている。

Description

本発明は、第５世代（５Ｇ）以降の次世代セルラー通信システムにおいて、複数の波形および／または複数の数値構造を使用する際に、システム全体の最適化と、波形に関連するユーザーパラメータの選択に関する様々な戦略で構成されている。

初期規格が確立され、現在も改良が続けられている第５世代（５Ｇ）通信システムは、技術開発の段階で従来のセルラー通信システムと比較して、より高いレベルの柔軟性が要求されているために形成された。ユーザーやサービスに対する要求の違いが大きくなったことで、このような柔軟性が求められるようになった。５Ｇ通信システムの柔軟性の向上に伴い、基地局とユーザー機器の間で通信の対象となるパラメータの数も増加している。これらのパラメータの一部は波形に関するものである。

無線通信時の送信機と受信機の間の通信の基本は、波形設計で形成されている。５Ｇ通信システムにおける関連技術と波形の範囲内のいくつかのパラメータは、ネットワーク・オペレーターによって制御されるようにオプションとして残されている。５Ｇ通信システムでは、１つの波形に属する複数の数値構造を使用することが可能である。しかし、ポスト５Ｇの携帯電話通信システムでは、複数の波形と複数の数値構造を併用することが検討されている。これにより、パラメータの数が増えることになる。

従来の技術では、５Ｇ以降の次世代無線通信システムの波形に関連するユーザーパラメータを基地局側で自動的に選択できるようにした研究や、それに合わせてシステム全体の最適化を行う研究の数は非常に少なく、そのような研究のための全体的な戦略はまだ開発されていなかった。

本発明は、第５世代の５Ｇ以降の次世代セルラー通信システムにおいて、複数の波形および／または複数の数値構造を使用する際の波形に関連するユーザーパラメータのシステム全体の最適化および選択について、従来の方法および新規の新しい全体的な方法により、さまざまな戦略を確立することに関するものである。

本発明は、５Ｇ以降の新世代セルラー通信システムにおける、波形に関連した複数のユーザーパラメータの選択とシステムの全体的な最適化のための様々な戦略で構成されている。波形に関連するユーザーパラメータの選択と、基地局での前記選択に向けた最適化の実現の段階で遭遇する可能性のある段階を想定し、前記段階の詳細を本発明の範囲内の戦略に変えた。

ユーザーパラメータの選択と、関連する最適化プロセスのサブコンポーネントは、処理しなければならない重要な技術的問題である。これらのサブコンポーネントのうち、最適化プロセスに含まれるべきセクションを決定する必要がある。さらに、すべてのサブコンポーネントのうち、どれを従来の手法で設計し、どれを機械学習や深層学習などの新世代の人工知能ベースの手法で行うべきかを決定する必要があり、これもまた取り組むべき問題である。また、新世代の人工知能を用いたアルゴリズムを使用する場面で、機械学習システムの学習に必要なデータセットをどのように作成するかということも、文献では空白となっている重要な問題である。本発明が解決しようとする技術的課題は、それぞれ、様々な最適化技術とともに、波形に関連するユーザーパラメータを自動的に選択すること、サブコンポーネントのうちどれを従来の方法で作成し、どれを新世代の方法で作成するかを決定すること、新世代の人工知能ベースの手法が使用されるポイントでの機械学習システムのトレーニングのためのデータセットを作成するための技術を開発することである。

本発明の構造的、特徴的な機能とすべての利点は、以下の図面と当該図面を参照して記載された詳細な説明とによって、より明確に理解されるであろう。このため、これらの図面と詳細な説明を考慮して検討を行うべきである。

最適化のために、システム全体構造を決定せずに、波形に関連するユーザーのパラメータを直接決定する方法の図である。 最適化のために、システム全体構造を決定して、波形に関するユーザーパラメータを決定する方法の図である。 最初のステップで波形に関するユーザーパラメータをおおよそ決定してから、最適化のためのシステム全体構造を決定し、それに続いて波形に関するユーザーパラメータを最終的に決定する手法の図である。 最初のステップでは、波形に関連するユーザー・パラメータがおおよそ決定されるか、最適化のためのシステム全体構造が決定され、これに続いて次の決定プロセス・ステップが実行され、このサイクルが必要な数だけ繰り返され、最後のステップで波形に関連するユーザー・パラメータが最終的に決定されるようなアルゴリズムの図である。 機械学習システムのトレーニングのための基礎として、自動クラスラベリングと異なるパフォーマンス指標を用いて幅広いデータセットを構築する方法のアルゴリズムフローを示したものである。

本発明の課題は、５Ｇ以降の次世代セルラー通信システムにおいて、複数の波形および／または複数の数値構造を使用する際の、システム全体の最適化および波形に関連するユーザーパラメータの選択に関する様々な戦略である。この目的を達成するために、４つの基本構造が形成されている。これに続いて、これらの基本構造の下で架空のものとなりうるさまざまな戦略が説明されている。

図１の方式図では、ユーザーから受信したチャネル・ステータス情報やユーザー・サービス・タイプ情報など、さまざまな種類の情報で構成されるシステム・インプット（１）によって、ユーザー・パラメータが直接決定（２）されるが、最適化のためのシステム全体構造は考慮されていない。最終的には、波形に関連するユーザ・パラメータ（３）をワンステップで求める。この方法の最大の利点は、計算が複雑なレベルではないということである。パラメータの割り当ては、他のユーザから独立した波形に関するこの方法の図では、各ユーザに対して行われる。

図２の方式図では、ユーザーから受信したチャンネルステータス情報やユーザーのサービスタイプ情報など、さまざまな種類の情報から作成されたシステム入力（４）は、主に最適化のためのシステム全体構造の決定（５）に使用される。この段階では、システム全体構造に関する決定が行われ、波形に関する最終的なユーザ・パラメータの決定（６）の際に、いくつかの制限が適用されることがある。これにより、各ユーザの要求に完全に応えるための十分なリソースがネットワーク事業者に存在しない場合に、システム全体品質をさらに保護することができる。波形に関する最終的なユーザ・パラメータ（７）は、この方法図では２つのステップで得られる。

図３に示す方式図では、ユーザーから受信したチャネル・ステータス情報やユーザー・サービス・タイプ情報など、さまざまな種類の情報から作成されたシステム・インプット（８）は、主に波形に関するユーザー・パラメータをほぼ決定する（９）ために使用される。このステップで決定された波形に関するユーザ・パラメータは、次のステップでシステム全体の品質を向上させるために変更できるようにすることを目的としている。第１ステップで得られた結果を使用することで、第２ステップで行われるシステム全体構造に関する決定（１０）をより正確に行うことができる。第２のステップでは、最適化のためのシステム全体構造に関する決定（１０）が行われ、第３のステップでは、波形に関連する最終的なユーザー・パラメータの決定（１１）の際に、いくつかの制限が適用されることがある。これらの制限により、各ユーザの要求に完全に応えるための十分なリソースがネットワーク事業者に存在しない場合、システム全体品質をさらに保護することができる。波形に関する最終的なユーザ・パラメータ（１２）は、この方法図では３つのステップで得られる。

図４に示す方法図では、ユーザーから受信したチャネル・ステータス情報やユーザー・サービス・タイプ情報などの異なるタイプの情報から作成されたシステム・インプット（１３）は、波形に関連するユーザー・パラメータを近似的に決定するため、または最適化のためのシステム全体構造を決定するために、任意に使用することができる。最初のステップが波形に関連するユーザ・パラメータの決定として開始された場合、次のステップは最適化のためのシステム全体構造の決定として継続されなければならない。逆に、波形に関連するユーザー・パラメータをおおよそ決定するというステップが継続される。これらの２つの構造の間を、（１４）を任意の数で行き来することで、方法図の流れが継続される。パスの数を増やすと、ネットワーク・オペレーターによる理想的な解決策に近づく。これに伴い、計算の複雑さが多少増す可能性がある。最適化のために、波形に関連するユーザ・パラメータを最後に決定（１５）した後、システム全体構造を最後に再び決定（１６）し、波形に関連する最終的なユーザ・パラメータの決定（１７）の際に、いくつかの制限を最後に適用することができる。波形に関連する最終的なユーザー・パラメータ（１８）は、この方法図では少なくとも４つのステップで得られる。

これまで詳しく説明した方法図を用いて得られる波形に関するユーザーパラメータは、直交周波数分割多重（ＯＦＤＭ）波形の数値型、サブキャリアブロック、シンボル長、サイクリックプレフィックス長、スロット数、フィルタリングの種類と係数、フレーミング長などのパラメータを包含することができる。また、ＯＦＤＭと異なる波形の両方に対応する多くの異なるユーザーパラメータもこの範囲に含まれている。

方式図のアルゴリズムには、基本的に２つの主要ブロックがあり、その詳細が記載されている。１つは波形に関連するユーザーパラメータの選択で、もう１つはシステム全体の最適化である。本発明の対象となる戦略の１つとして、これら２つの主要アルゴリズムブロックの間で、作業負荷の配分を異なる重みで行うことができる。例えば、図２の方法図では、システム全体構造を決定するステップ（５）では、その時点で基地局が使用する異なる数値表現の数を決定し、ユーザパラメータを選択するステップ（６）では、最初のステップで到達した制限を考慮して、ユーザに割り当てる数を決定できるものとする。この例では、代替案として、（５）システム全体構造を決定するステップで、その時点で基地局が使用できる数値を決定することもできた。その場合、より具体的な制限が発生し、第１ステップの作業量が増加することになる。第２ステップでは、限られた数詞セットの中から各ユーザーに適した数詞を選択することができた。これらの例からわかるように、ユーザーパラメータの選択（６）やシステム全体の最適化（５）は、アルゴリズムブロック間の作業量配分の優先度に応じて調整することができる。異なるシナリオに合わせて、異なるデザインを開発することが可能である。

主要なアルゴリズムブロック間の作業量配分を調整する際の重要な要素の１つは、アルゴリズムブロックで使用されるサブコンポーネントのうち、どの部分を従来の手法で形成し、どの部分を新世代の手法で形成するかを決定することである。機械学習などの新世代の手法は、状況によっては従来の手法に取って代わるかもしれないが、その逆もあり得る。成功率が同じということもある。そのような場合には、計算の複雑さの基準を基準にして判断しなければならない。例えば、図３の方式図を考慮すると、最初のステップでは波形に関連するユーザー・パラメータを決定する（９）際に従来の方式が好まれる一方で、次のステップではシステム全体の最適化（１０）のために機械学習などの新世代の方式が好まれる可能性がある。最後のステップでは、最終的なユーザー・パラメータを決定するために、再び従来の方法を使用することができる（１１）。この例からわかるように、従来の手法と新世代の手法を併用することができる。このとき、様々な最適化手法を用いてユーザーパラメータを自動的に選択したり、主要なアルゴリズムブロック間の作業負荷分散のために与えられた決定を考慮したりして、結果を得る必要がある。性能基準に基づいて、異なるシナリオのために異なるデザインを開発する必要がある。

新世代の人工知能に基づいた手法が使用される時点で、機械学習システムのトレーニング用データセットを形成するための技術を開発する必要がある。波形に関連するユーザーパラメータを選択するために使用できるデータセットは、文献にはない。本発明の戦略の一環として、コンピュータ・シミュレーションに依存する機械学習システムのトレーニングに関連するデータセットを形成することができる。

図５に示すように、コンピュータ・シミュレーションに基づいてデータセット形成アルゴリズムが開始された後（１９）、ランダムなシステム入力生成によって異なるユーザー情報を得ることができる（２０）。この情報に対して、すべてのクラスラベルがそれぞれシミュレーションできるように、適切なアルゴリズムサイクルが作成される（２１）。シミュレーションごとに性能基準（２２）が計算され、その結果が保存される。毎回、すべてのクラス・ラベルについてシミュレーションが行われたかどうかがチェックされる（２３）。異なるクラスラベル（２４）に切り替えることであるべての異なるクラスラベルについて性能基準の計算（２２）が得られるようになっている。性能基準に基づいてコンピュータ・シミュレーションを行った結果、最も良い結果が得られたクラス・ラベルが選択される（２５）。データセットは、システム入力とその入力に対応する最適なラベルの記録（２６）に続いて形成され続ける。十分なデータが生成されたかどうかを確認した後（２７）、最後のステップでアルゴリズムを停止する（２８）。深層学習のような新世代の手法では、データセットを作成する際に多数のデータが必要になることがある。どの程度のデータを生成するかは、状況に応じて決める。

前記方法図と戦略のプロセスステップは以下の通りである。
・基地局のカバレッジエリア内のユーザーに提供されるサービスで使用可能な波形と、これらの波形に関連する全種類のユーザーパラメータが基地局に定義されていることが認められている。
・波形に関するユーザーパラメータを選択するアルゴリズムブロック（２）（６）（９）（１１）（１５）（１７）の数と、システム全体の最適化を行うアルゴリズムブロック（５）（１０）（１６）の数、さらには繰り返しの数を決定することで、システム設計を行う。
・システム入力（１）（４）（８）（１３）の波形に関連するユーザーパラメータのうち、ユーザーと関連するサービスタイプやシステム全体の最適化に関連するものを選択して、各ブロックに送信する。
・波形に関連するユーザー・パラメータを選択するアルゴリズム・ブロックを複数使用する場合は、反復列の最後のブロック（最終的なユーザー・パラメータを決定するブロック）以外のブロックを使用して、パラメータを近似的に決定する。
・基地局により、複数の数値（波形に属するパラメータ）と複数の波形のサービスを同時に異なるユーザーに提供することが可能となり、この範囲内でシステムの全体的な最適化を行うことができる。
・高いサービス品質の低下は、システム全体の最適化によって防ごうとしているが、前記品質の低下は、ユーザーの要求を満たす際にネットワーク事業者のリソースが不足していることが原因となる場合がある。
・波形に関するユーザ・パラメータは、直交周波数分割多重（ＯＦＤＭ）波形の数値タイプ、サブキャリア・ブロック、シンボル長、サイクリック・プレフィックス長、スロット番号、フィルタリング・タイプと係数、フレーミング長などのパラメータを包含しており、ＯＦＤＭとその他の異なる波形の両方について、いくつかの異なるユーザ・パラメータがこの範囲に含まれている。
・これらの例からわかるように、ユーザーパラメータの選択（２）（６）（９）（１１）（１５）（１７）やシステム全体の最適化（５）（１０）（１６）は、アルゴリズムブロック間の作業量配分の優先度に応じて調整することができ、さまざまなシナリオに応じて異なるデザインを開発することができる。
・主なアルゴリズムブロック間の作業量配分を調整する際に、アルゴリズムブロックで使用されるサブコンポーネントのうち、どれを従来の方法で作成し、どれを新世代の方法で作成するかを決定するために、様々な性能基準が基準とされている。
・コンピュータ・シミュレーションを用いて、新世代の人工知能に基づく手法が使用されるポイントにおいて、機械学習システムのトレーニングのためのデータセットを形成するための技術を開発することができる。
・異なるユーザー情報は、主にコンピュータシミュレーションに基づくデータセット生成アルゴリズムによるランダムなシステム入力生成（２０）を介して取得される。
・このユーザー情報に対して、すべてのクラスラベルがそれぞれシミュレーションできるように、適切なアルゴリズムサイクルが作成される（２１）。
・シミュレーションごとに性能基準（２２）を算出し、その結果を保存する。
・その都度、すべてのクラスラベルに対してシミュレーションが行われたかどうかがチェックされる（２３）。
・異なるクラスラベル（２４）に切り替えることであるべての異なるクラスラベルに対して性能基準計算（２２）が得られることが可能になる。
・性能基準に基づいてコンピュータシミュレーションを行った結果、最も良い結果が得られたクラスラベルを選択する（２５）。
・データセットは、システムの入力と、その入力に対応する最適なラベルの記録（２６）に続いて形成され続ける。
・十分なデータが生成されたかどうかを確認（２７）した後、最後のステップでアルゴリズムを停止（２８）する。
・深層学習などの新世代の手法では、データセットを作成する際に複数のデータ数が必要となるため、状況に応じて作成するデータ数を決定する。
・伝統的な手法や新世代の手法の使用を可能にし、ユーザーパラメータの自動選択や様々な最適化手法、主要なアルゴリズムブロック間の作業量配分を決定する。
・最後のステップでは、波形に関連する最終的なユーザーパラメータを決定する。

各請求項に記載されている技術的特徴などには参照番号が付けられており、これらの参照番号は請求項の理解を容易にするために使用されている。したがって、例示のために与えられたこれらの参照番号とともに記載されている要素は、いずれも本発明の範囲を限定するものとみなされるべきではないことに注意されたい。

これらの基本的な概念の周りに、本発明の主題に関するいくつかの実施形態を開発することが可能である。したがって、本発明はここに開示された例に限定されることはなく、本発明は本質的に特許請求の範囲で定義されたものである。

当業者であれば、同様の実施形態を用いて本発明の新規性を伝えることができること、および／または、このような実施形態を関連技術で用いられているものと同様の他の分野に適用することができることは明らかである。したがって、このような種類の実施形態は、新規性の基準および既知の技術の状態を超えるという基準を満たしていないことも明らかである。

本発明の対象となる方法図および戦略を新世代セルラー通信システムの基地局に統合することにより、複数の波形および／または複数の数値構造の使用中に、波形に関連するユーザーパラメータをうまく選択することで、最も効率的な無線ソースの割り当てが提供される。

１：図１の方式図のシステム入力を示すブロック。
２：図１の方法で、波形に関連するユーザーのパラメータを決定するアルゴリズム・ブロック。
３：図１の方法図のシステム出力として、最終的なユーザーパラメータに到達するためのブロック。
４：図２の方式図のシステム入力を示すブロック。
５：図２の方式図に沿って、最適化のためにシステム全体構造を決定するアルゴリズムブロック。
６：図２の方法で、波形に関連するユーザーのパラメータを決定するアルゴリズム・ブロック。
７：図２の方法図のシステム出力として、最終的なユーザーパラメータに到達するためのブロック。
８：図３の方式図のシステム入力を示すブロック。
９：図３の方法で、波形に関するユーザーのパラメータを近似的に決定するアルゴリズム・ブロック。
１０：図３の方式図に基づき、最適化のためにシステム全体構造を決定するアルゴリズムブロック。
１１：図３の方法で、波形に関連するユーザーのパラメータを最終的に決定するアルゴリズム・ブロック。
１２：図３の方法図のシステム出力として、最終的なユーザーパラメータに到達するためのブロック。
１３：図４の方式図のシステム入力を示すブロック。
１４：図４の方法図に対して、波形に関するユーザーのパラメータを近似的に決定するアルゴリズムブロックと、そのアルゴリズムブロックを反復して任意の数で形成することで、最適化のためのシステム全体構造を決定する。
１５：図４の方法で、波形に関連するユーザー・パラメータを最後に決定するアルゴリズム・ブロック。
１６：図４の方法図に従って、最後に最適化のためにシステム全体構造を決定するアルゴリズムブロック。
１７：図４の方法で、波形に関連するユーザーのパラメータが最終的に決定されるアルゴリズム・ブロック。
１８：図４の方法図のシステム出力として、最終的なユーザーパラメータに到達するためのブロック。
１９：データセットを形成する必要がある場合に、アルゴリズムフローを開始するブロック。
２０：データセットを形成するアルゴリズムにおけるランダムシステムの入力生産が行われるブロック。
２１：データセットを形成するアルゴリズムにおいて、あるクラスラベルを用いてシミュレーションを行うブロック。
２２：データセットを構成するアルゴリズムのシミュレーションにより、性能基準が算出されるブロック。
２３： データセットを形成するアルゴリズムの全てのクラスラベルに対するシミュレーションが実行されたかどうかを制御するブロック。データセットを形成するアルゴリズムの異なるクラスラベルへの通過を可能にするブロック。
２４：データセットを形成するアルゴリズムにおいて、性能基準に基づいて最良の結果をもたらすクラスラベルが選択されるブロック。
２５：システム入力に対応する最適なクラスラベルと、データセットを形成するアルゴリズムでランダムに生成されたシステム入力を、データセットに記録するブロック。
２６：データセットを形成するアルゴリズムにおいて、十分な数のデータを作成することを制御するブロック。
２７：データセットを形成するアルゴリズムのアルゴリズムフローを終了するブロック。

Claims (6)

1. ５Ｇ以降の次世代セルラー通信システムにおける波形に関連するユーザーパラメータの選択と、この態様でのシステム全体の最適化とに関する方法であって、
   －基地局のカバレッジエリア内のユーザーに提供されるサービスで使用可能な波形と、波形に関連する全種類のユーザーパラメータが基地局に定義されていることとを受け入れること、
   －前記波形に関する前記ユーザーパラメータを選択するアルゴリズムブロック（２）（６）（９）（１１）（１５）（１７）の回数と、システム全体の最適化を行うアルゴリズムブロック（５）（１０）（１６）の回数と、繰り返しの回数とを、提供されたシステムに対して決定するようなシステム設計の決定をすること、
   －システム入力（１）（４）（８）（１３）の波形に関連する前記ユーザーパラメータのうち、前記ユーザーおよびサービスタイプに関連するものを選択し、前記システム全体の最適化されたブロックのそれぞれに送信すること、
   －前記波形に関連する前記ユーザーパラメータを選択するアルゴリズムブロックを複数使用する場合、パラメータを近似的に決定するために、最後のブロック（最終的なユーザーパラメータを決定するブロック）のパラメータ以外のパラメータを繰り返し使用すること、
   －基地局が、複数の数値（波形に属するパラメータ）と複数の波形とのサービスを、異なるユーザーに同時に提供することが可能とすることによって、その範囲内でシステム全体の最適化を図ることを可能にすること、
   －システム全体の最適化により、高いサービス品質の低下を回避することであって、品質の低下が、ユーザーの要求を満たすためにネットワークオペレータのリソースが不足していることを起因とすること、
   －直交周波数分割多重（ＯＦＤＭ）波形の数値タイプ、サブキャリアブロック、シンボル長、サイクリックプレフィックス長、スロット数、フィルタリングタイプと係数、フレーミング長などのパラメータを包含する波形に関する前記ユーザーパラメータであって、ＯＦＤＭの波形とその他の異なる波形との両方について、いくつかの異なるユーザーパラメータがこの範囲に含まれていること、
   を特徴とする方法に関する発明。
2. 前記ユーザーパラメータの選択（２）（６）（９）（１１）（１５）（１７）およびそのシステム全体の最適化（５）（１０）（１６）は、アルゴリズムブロック間の作業量配分の優先度に応じて調整することができ、異なるシナリオに対して異なる設計を開発することができることを特徴とする請求項１に記載の方法。
3. 主なアルゴリズムブロック間の作業量配分を調整する際に、アルゴリズムブロックで使用されるサブコンポーネントのうち、どのサブコンポーネントを従来の方法で作成し、どのサブコンポーネントを新世代の方法で作成するかを決定するために、様々な性能基準を基準とすることを特徴とする請求項１に記載の方法。
4. 請求項１に記載の方法は、
   －コンピュータ・シミュレーションを用いて、新世代の人工知能を用いた機械学習システムの学習用データセットを形成するための技術を開発する処理ステップと、
   －主にコンピュータシミュレーションに基づくデータセット生成アルゴリズムによるランダムシステム入力生成（２０）を介して異なったユーザー情報を取得する処理ステップと、
   －ユーザ情報として、すべてのクラスラベルをシミュレートできるように、適切なアルゴリズムサイクルを作成する（２１）処理ステップと、
   －性能基準（２２）が各シミュレーションごとに計算され、その結果が保存される処理ステップと、
   －毎回、すべてのクラスラベルに対してシミュレーションが行われたかどうかがチェックされる処理ステップと、
   －異なるクラスラベルに（２４）切り替えることですべての異なるクラスラベルに対して性能基準計算（２２）を得ることを可能とする処理ステップと、
   －性能基準に基づいてコンピュータシミュレーションを行った結果、最も良い結果が得られるクラスラベルを選択する（２５）処理ステップと、
   －データセットが、システムの入力と、その入力に対応する最適なラベルの記録（２６）に続いて形成され続ける処理ステップと、
   －十分なデータが生成されたかどうかを確認（２７）した後、最後のステップでアルゴリズムを停止（２８）する処理ステップと、
   －深層学習などの新世代の手法では、データセットを作成する際に複数のデータが必要になるため、状況に応じて作成するデータの数を決める処理ステップと、
   を含むことを特徴とする方法。
5. 請求項１および４に記載の方法であって、従来の方法と新世代の方法の使用を可能にする一方で、様々な最適化技術とともにユーザーパラメータの自動選択と、主要アルゴリズムブロック間の作業負荷の分散を考慮することを特徴とする方法。
6. 請求項１および４に記載の方法において、最終ステップで、波形に関連する最終的なユーザーパラメータを決定することを特徴とする方法。

Images