[論文レビュー] Deep-Learning-Aided Detection for Reconfigurable Intelligent Surfaces

Saud Khan, Komal S. Khan+2 more|arXiv (Cornell University)|Oct 21, 2019

Advanced Wireless Communication Technologies参考文献 26被引用数 54

ひとこと要約

本論文は、受信側でチャネルフェージングとRIS位相角を受信信号から推定するディープラーニング検出器 DeepRIS を提案し、パイロットなしのシンボル検出と従来の検出器よりもBERを改善します。

ABSTRACT

This paper presents a deep learning (DL) approach for estimating and detecting symbols in signals transmitted through reconfigurable intelligent surfaces (RIS). The proposed network utilizes fully connected layers to estimate channels and phase angles from a reflected signal received through an RIS. Because the proposed network can estimate and detect symbols without any pilot signaling, this method reduces the overhead required for transmission. The improvements achieved by this method are quantified in terms of the bit-error rate, outperforming traditional detectors.

研究の動機と目的

• 受動素子と最小限のオーバーヘッドでRIS支援無線システムの実現性を促進する。
• 受信機側でパイロット信号を用いずにチャネルフェージングとRIS位相角を推定するDLベース検出器を開発する。
• RISシナリオにおける検出器の複雑さと実用的な展開を分析する。
• 完璧なCSIと不完全 CSI の下での BER 性能を、チャネル不一致やRIS要素数を含めて評価する。

提案手法

• 受信RIS反射信号からチャネルと位相角を推定するため、tanh活性化を持つ3つの隠れ層を備えた全結合DNN（DeepRIS）を設計する。
• L2損失とAdamオプティマイザを用いて、シミュレーションされたデュアルホップフェージングとRIS位相変動を用いてDeepRISをオフラインで訓練する。
• 受信信号と送信シンボルの二乗誤差を最小化する損失関数に、L2正則化項を加える。
• 過学習を抑制し、ミスマッチに対する頑健性を高めるためにドロップアウトと正則化を導入する。
• LSおよびMMSE検出器と比較した訓練およびデプロイメントコストの複雑さ分析を提供する。

実験結果

リサーチクエスチョン

• RQ1 RIS支援チャネルにおいて、パイロット信号なしで送信シンボルとRIS関連パラメータを回復できるか？
• RQ2 完璧なCSIと不完全CSIの下で、DeepRISはLS、MMSE、ML検出器と比べてBERの点でどのように性能を示すか？
• RQ3 チャネル不一致やRIS反射要素数の変化に対して、適切な複雑さを保ちながらDeepRISは頑健か？
• RQ4 トレーニングとデプロイメント時のDeepRISの計算複雑性はどの程度で、従来法とどのように比較されるか？

主な発見

• DeepRISは従来のLSおよびMMSE推定器と比較してBERを改善し、完璧なCSIの下ではMLと同等である。
• 不完全CSIの下では、DeepRISは従来方式を上回り、再訓練なしでML検出レベルで動作する。
• DeepRISはチャネル不一致やRIS要素数の変化に頑健で、良い汎化性を示す。
• 多様なチャネル/位相変動での訓練とAdam最適化および正則化の併用により、安定した収束を達成する。
• 本論文はBig-O複雑さの比較を提供し、DeepRISが一部のML検出器および構造化MMSEよりも低い複雑さを持つことを示している。）