[論文レビュー] Deep Learning Detection Networks in MIMO Decode-Forward Relay Channels

Xianglan Jin, Hyoung-Nam Kim|arXiv (Cornell University)|Jul 12, 2018

Cooperative Communication and Network Coding参考文献 27被引用数 6

ひとこと要約

本稿では、MIMOデコード・フォワードリレーチャネルにおける深層学習ベースの検出ネットワーク（NMLDN）を提案する。NMLDNは、計算量を著しく削減する中で近似最大尤度（NML）検出をニューラルネットワークを用いて近似する。NMLDNは、実時間で動作しながら、全探索型NML検出器に近い性能を達成しており、送信元-リレーリンクの即時のCSIがなくても動作可能であり、低SNR領域では従来手法よりも最大2 dBのSNRゲインを達成する。

ABSTRACT

In this paper, we consider signal detection algorithms in a multiple-input multiple-output (MIMO) decode-forward (DF) relay channel with one source, one relay, and one destination. The existing suboptimal near maximum likelihood (NML) detector and the NML with two-level pair-wise error probability (NMLw2PEP) detector achieve excellent performance with instantaneous channel state information (CSI) of the source-relay (SR) link and with statistical CSI of the SR link, respectively. However, the NML detectors require an exponentially increasing complexity as the number of transmit antennas increases. Using deep learning algorithms, NML-based detection networks (NMLDNs) are proposed with and without the CSI of the SR link at the destination. The NMLDNs detect signals in changing channels after a single training using a large number of randomly distributed channels. The detection networks require much lower detection complexity than the exhaustive search NML detectors while exhibiting good performance. To evaluate the performance, we introduce semidefinite relaxation detectors with polynomial complexity based on the NML detectors. Additionally, new linear detectors based on the zero gradient of the NML metrics are proposed. Applying various detection algorithms at the relay (DetR) and detection algorithms at the destination (DetD), we present some DetR-DetD methods in MIMO DF relay channels. An appropriate DetR-DetD method can be employed according to the required error probability and detection complexity. The complexity analysis and simulation results validate the arguments of this paper.

研究の動機と目的

• MIMOデコード・フォワードリレーシステムにおける近似最大尤度（NML）検出の計算量が、送信アンテナ数の増加に伴い指数関数的に増加する問題に対処すること。
• 一度の学習プロセスで、さまざまなチャンネル変動に一般化可能な深層学習ベースの検出ネットワーク（NMLDN）を開発すること。
• 送信元-リレーリンク（SR）の即時のチャネル状態情報（CSI）を必要としない低計算量でリアルタイムな信号検出を、受信局で実現すること。
• NML指標の勾配がゼロである点に基づく新しい線形検出器と、半定値緩和（SDR）近似を用いた検出器を提案し、性能と計算量のベンチマークを提供すること。
• さまざまなリレーディテクション（DetR）と受信局ディテクション（DetD）の組み合わせを評価・比較し、性能-計算量トレードオフに応じたシステム設計の指針を提示すること。

提案手法

• 反復的NML検出アルゴリズムを深層ニューラルネットワークのレイヤーに展開（深層アンフォールディング）し、リアルタイム推論が可能なNMLベースの検出ネットワーク（NMLDN）を構築する。
• 予測された送信シンボルと実際の送信シンボルとの推定誤差を最小化する目的関数として、$ l_1 $ および $ l_2 $ 損失関数を用いた教師あり学習によりNMLDNを訓練する。
• SRリンクの影響を二乗リレーサイナル距離としてモデル化する、CSIフリーのNMLDNバージョン（DNwRSD, sDNwRSD）を設計し、受信局での即時のSR CSIの必要性を回避する。
• 統計的知識をリレーサイナル距離指標を介して組み込む、部分最適なNMLwRSD検出器を導入する。
• 多項式時間計算量を持つ半定値緩和（SDR）検出器を提案し、NMLDNの性能ベンチマークとしての役割を果たす。
• NML指標の勾配がゼロである点に基づく新しい線形検出器（ZGwSRC, ZGwREP, ZGwRSD）を提案し、ZFwMRCよりも性能が向上する低計算量の代替手段を提供する。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いて、MIMOデコード・フォワードリレーチャネルにおける複雑なNML検出を、計算量を著しく削減して近似可能か？
• RQ2 受信局が送信元-リレーリンクの即時のCSIを一切持たない状況下で、NMLDNの性能は全探索型NML検出器やSDRベースの検出器と比べてどの程度か？
• RQ3 異なる損失関数およびネットワークの深さが、変動する fading 環境下でのNMLDNの誤り率性能に与える影響は何か？
• RQ4 CSIフリーのNMLDNは、CSIを把握した検出器と同等の性能を達成できるか？ また、ZFwMRCなどの従来の線形検出器に比べてどの程度向上するか？
• RQ5 実用的なMIMO DFリレーシステムにおいて、誤り率と計算量のトレードオフを最適化するための最適なDetR-DetDの組み合わせは何か？

主な発見

• 損失関数に $ l_1 $ を用い、$ L = 6N $ レイヤーを持つDNaR-NMLDNは、広いSNR範囲で全探索型NML検出器と0.5 dB以内の性能差に留まる。
• SRリンクに関するいかなる情報も持たない状況下で、DNaR-DNwRSDおよびsDNaR-DNwRSDは、BER = $10^{-2}$ 時にSDRaR-SDRwRSDと比較して約2 dBのSNRゲインを達成する。
• SR CSIが受信局に存在しない状況で、NMLwRSD検出器はMD検出器に比べてBER = $10^{-3}$ 時に3.6 dBのSNR改善を達成する。
• ZGwRSD線形検出器は、ZFwMRCに比べてBER = $10^{-3}$ 時に6.8 dBのSNRゲインを示し、低計算量で顕著な性能向上を実現している。
• $ N_{ ext{iteration}} = 5 imes 10^4 $ 回の反復および $ N_{ ext{batch}} = 10^4 $ バッチで学習を行うと、安定した性能が得られ、BERは $ L ightarrow 6N $ レイヤーで収束する。
• SDRベースの検出器（SDRaR）はDNaR-NMLDNに非常に近い性能を達成しており、DNaRが高計算量NML検出器の強力な低計算量代替手段であることを裏付けている。