[論文レビュー] Cascade-Net: a New Deep Learning Architecture for OFDM Detection

Qisheng Huang, Chunming Zhao+3 more|arXiv (Cornell University)|Nov 30, 2018

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

ひとこと要約

本論文は、高ドップラー環境におけるOFDMシンボル検出の性能を向上させるために、ゼロフォーリングプリプロセッサと深層ニューラルネットワークを組み合わせた深層学習アーキテクチャ、Cascade-Netを提案する。プリプロセッサとトレーニング可能なネットワークを段階的に接続することで、トレーニング中に悪い局所最適解に陥るのを回避し、特に高SNRおよび病的条件のチャンネルにおいて、従来のゼロフォーリングおよび深層ニューラルネットワーク検出器に比べて優れたビット誤り率（BER）性能を達成する。

ABSTRACT

In this paper, we consider using deep neural network for OFDM symbol detection and demonstrate its performance advantages in combating large Doppler Shift. In particular, a new architecture named Cascade-Net is proposed for detection, where deep neural network is cascading with a zero-forcing preprocessor to prevent the network stucking in a saddle point or a local minimum point. In addition, we propose a sliding detection approach in order to detect OFDM symbols with large number of subcarriers. We evaluate this new architecture, as well as the sliding algorithm, using the Rayleigh channel with large Doppler spread, which could degrade detection performance in an OFDM system and is especially severe for high frequency band and mmWave communications. The numerical results of OFDM detection in SISO scenario show that cascade-net can achieve better performance than zero-forcing method while providing robustness against ill conditioned channels. We also show the better performance of the sliding cascade network (SCN) compared to sliding zero-forcing detector through numerical simulation.

研究の動機と目的

• 高周波帯およびmmWave帯において、大きなドップラー拡散によって引き起こされる子搬送波間干渉（ICI）の課題に対処すること。
• 特に高SNRにおいて、深層ニューラルネットワークが停留点や局所最適解に閉じ込められてしまうという制限を克服すること。
• 時間変動的で病的条件のRayleigh fadingチャンネルにさらされる、高ドップラー拡散を持つ環境でも検出のロバスト性と性能を向上させること。
• 多くのサブキャリアを有するOFDMシステムにおける効率的な検出手法を開発し、計算複雑度を最小限に抑えること。
• 再構成可能ハードウェアを用いたオフライン学習とオンライン推論を組み合わせることで、OFDM検出における深層学習の実用的導入を可能にすること。

提案手法

• ゼロフォーリングプリプロセッサをトレーニング可能な深層ニューラルネットワークと段階的に接続するカスケードアーキテクチャを提案し、トレーニングの安定性と収束性を向上させる。
• 長大なOFDMシンボルを過剰な計算負荷を伴わずに効率的に処理できるよう、出力領域（OA）とガード領域（GA）を有するスライディング検出構造を採用する。
• 隣接サブキャリア間のICI特性に基づき、チャネル相関から導出された解析的式を用いて、GAおよびOAの長さを経験的に設計する。
• GAの部分を無視し、出力領域のみに注目した損失関数を用いて、全Cascade-Net（SCN）をトレーニングすることで、不要な最適化負荷を軽減する。
• トランスファーラーニングに類似した初期化を実施し、プリプロセッサを固定した上で深層ネットワークのみをファインチューニングすることで、トレーニングの難易度を低下させる。
• 収束性を最適化するためのハイパーパrameterを調整したAdam最適化法を採用し、既知のチャネル状態情報を持つ合成データを用いて、オフラインでネットワークをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 カスケード型の深層学習アーキテクチャは、高ドップラー拡散下のOFDM検出において、古典的ゼロフォーリングおよび単独の深層ニューラルネットワークに比べて優れた性能を発揮できるか？
• RQ2 ゼロフォーリングプリプロセッサの導入が、OFDM検出における深層ニューラルネットワークのトレーニング安定性と収束性をどのように向上させるか？
• RQ3 検出精度を維持しつつ計算複雑度を最小限に抑えるために、最適なスライディングウィンドウ構造（GAおよびOA）の設計はどのようなものか？
• RQ4 提案されたCascade-Netは、スライディングゼロフォーリングおよび深層検出手法と比較して、誤りフロアをどの程度低減できるか？
• RQ5 実用的展開状況において、不完全またはノイズ混在のチャネル状態情報に対しても、Cascade-Netはどの程度ロバストであるか？

主な発見

• Cascade-Netは、すべてのSNRレベルにおいて古典的ゼロフォーリング検出器よりも優れたビット誤り率（BER）性能を達成しており、特に高SNR領域で顕著である。
• SNRが約20 dBに達する周辺では、深層ニューラルネットワーク検出器（DNT）がゼロフォーリングを上回るが、反復回数の制限により高SNRで性能が劣化する。一方、Cascade-Netはこの問題を回避する。
• 256サブキャリアOFDMシステムにおいて、出力領域16サブキャリア、ガード領域8サブキャリアのスライディングカスケードネットワーク（SCN）が、全テスト手法の中で最小の誤りフロアを達成した。
• N=256サブキャリアの場合、SCNはスライディングゼロフォーリングおよび標準DNTと比較して、BERフロアを顕著に低減し、高ドップラー環境下での優れたロバスト性を示した。
• チャネル状態情報が不完全であっても、この手法はロバストであることが示され、5GおよびmmWaveシステムにおける実用的妥当性を示唆している。
• SCNの計算複雑度は、スライディング構造のおかげでサブキャリア数に比例する線形関係にあり、大規模システムへのスケーラビリティを有している。