[論文レビュー] An End-to-End Block Autoencoder For Physical Layer Based On Neural Networks

Tianjie Mu, Xiaohong Chen+3 more|arXiv (Cornell University)|Jun 15, 2019

Wireless Signal Modulation Classification参考文献 13被引用数 13

ひとこと要約

本稿では、CNNとLSTMを用いたエンドツーエンドのブロックオートエンコーダーを提案し、送信機と受信機の共同最適化を可能にする物理層通信を実現する。この手法は、AWGNおよび fading 環境下で、従来のオートエンコーダー基盤のシステムよりも優れたビット誤り率（BER）性能を達成しており、学習可能な64-QAMの信号.constellation図と、コードレートの低減およびメモリに配慮したブロック処理により、より高い耐障害性を実現する。

ABSTRACT

Deep Learning has been widely applied in the area of image processing and natural language processing. In this paper, we propose an end-to-end communication structure based on autoencoder where the transceiver can be optimized jointly. A neural network roles as a combination of channel encoder and modulator. In order to deal with input sequences parallelly, we introduce block scheme, which means that the autoencoder divides the input sequence into a series of blocks. Each block contains fixed number of bits for encoding and modulating operation. Through training, the proposed system is able to produce the modulated constellation diagram of each block. The simulation results show that our autoencoder performs better than other autoencoder-based systems under additive Gaussian white noise (AWGN) and fading channels. We also prove that the bit error rate (BER) of proposed system can achieve an acceptable range with increasing the number of symbols.

研究の動機と目的

• オートエンコーダー基盤の通信システムにおけるワンホット伝送の非効率性を解消するため、入力シーケンスを並列に処理するブロック処理を可能にする。
• エンドツーエンドの学習による送信機と受信機の共同最適化を通じて、伝送効率と性能を向上させる。
• メモリ機構を用いたブロックベースアーキテクチャにより、任意長の入力シーケンスを扱えるようにする。
• 訓練時に特定のチャネルモデルを必要としない条件下で、実用的なチャネル条件（AWGNおよびRayleigh fading）下でも高い性能を示すことを実証する。
• 実ハードウェアへの学習可能な変調信号.constellation図の導入可能性を検討するため、エネルギー制約と構造的なシンボル分布を保証する。

提案手法

• システムは、入力ビットストリームを固定サイズのブロック（例：1ブロックあたり6ビット）に分割し、並列処理を行う。
• 畳み込みニューラルネットワーク（CNN）は、各ブロックを低次元表現に圧縮した後、スタックされた長短期記憶（LSTM）層に供給する。
• LSTM層はブロック間の時間的依存性をモデル化し、メモリに配慮した変調と改善されたシンボル決定を可能にする。
• 送信機は圧縮されたブロックを複素数値の信号.constellationシンボルにマッピングし、受信機は対称的なデコーダーアーキテクチャを用いて元のビットを再構築する。
• 訓練中に信号エネルギーの実用的レベルを保証するため、パワー制約を適用する。
• Adam最適化法を用いた誤差逆伝搬法によりエンドツーエンドで訓練を行い、AWGNでは12 dB、fadingチャネルでは20 dBの固定SNRを用いる。

実験結果

リサーチクエスチョン

• RQ1 共有重みとメモリ機構を備えたブロックベースオートエンコーダーは、AWGNおよびfadingチャネル下で、従来のオートエンコーダー・システムよりもBER性能を上回ることができるか？
• RQ2 LSTMの使用が、フィードフォワードまたはCNNオンリーアーキテクチャに比べ、ブロック間依存性のモデル化において性能をどのように向上させるか？
• RQ3 コードレートの低減がBER性能に与える影響はどの程度で、スペクトル効率とのトレードオフは何か？
• RQ4 変調形式の事前知識がなくても、学習可能な構造的でハードウェアに実装可能な信号.constellation図（例：64-QAM）をオートエンコーダーが学習可能か？
• RQ5 チャネル固有の適合が必要ない状況下でも、エンドツーエンド学習フレームワークはさまざまなチャネルモデルに対して有効に機能するか？

主な発見

• 提案されたブロックオートエンコーダーは、[9]のCNNベースのオートエンコーダーと比較して、AWGNおよびfadingチャネルの全コードレートにおいて、より優れたBER性能を達成する。
• コードレート1/2の条件下で、64-QAMにおけるバイタービハードデコーディングを上回り、特に低SNR領域で優位である。同じBERを達成するための送信電力も低減される。
• 学習された64-QAMの信号.constellation図は、複素数平面上に64個の明確に分離されたクラスタを示しており、有効な変調学習が行われたことを示している。
• コードレートの低減（例：1から1/2）に伴い性能が向上するが、これはスペクトル効率の低下を伴うため、信頼性とスループットのトレードオフが顕在化する。
• fadingチャネルでは、SNRが15 dBを超える高SNR領域にエラー床が現れる。特に視線路成分が弱いチャネルBで顕著である。
• 特定のチャネルモデルの再トレーニングを必要とせず、異なるチャネル間で一般化性能を示しており、チャネル変動に対する耐障害性を実証している。