[論文レビュー] Deep Learning Network Based Spectrum Sensing Methods for OFDM Systems

Qingqing Cheng, Zhenguo Shi+2 more|arXiv (Cornell University)|Jul 25, 2018

Cognitive Radio Networks and Spectrum Sensing参考文献 46被引用数 13

ひとこと要約

本稿では、周波数分岐信号構造の事前知識がなくても、OFDMシステムにおけるPrimary Userの活動を検出できる2つの深層学習ベースのスペクトラムセンシング手法—SAE-SSおよびSAE-TF—を提案する。受信信号から直接隠れ特徴を学習することで、特にノイズ不確実性、タイミング遅延、およびキャリア周波数オフセットの下でも、従来手法に比べて顕著に高いセンシング精度を達成する。

ABSTRACT

Spectrum sensing plays a critical role in dynamic spectrum sharing, a promising technology to address the radio spectrum shortage. In particular, sensing of Orthogonal frequency division multiplexing (OFDM) signals, a widely accepted multi-carrier transmission paradigm, has received paramount interest. Despite various efforts, most conventional OFDM sensing methods suffer from noise uncertainty, timing delay and carrier frequency offset (CFO) that significantly degrade the sensing accuracy. To address these challenges, this work develops two novel OFDM sensing frameworks drawing support from deep learning networks. Specifically, we first propose a stacked autoencoder based spectrum sensing method (SAE-SS), in which a stacked autoencoder network is designed to extract the inherent features of OFDM signals. Using these features to classify the OFDM user's activities, SAE-SS is much more robust to noise uncertainty, timing delay, and CFO than the conventional OFDM sensing methods. Moreover, SAE-SS doesn't require any prior information of signals (e.g., signal structure, pilot tones, cyclic prefix) which are essential for the conventional feature-based OFDM sensing methods. To further improve the sensing accuracy of SAE-SS, especially under low SNR conditions, we propose a stacked autoencoder based spectrum sensing method using time-frequency domain signals (SAE-TF). SAE-TF achieves higher sensing accuracy than SAW-SS at the cost of higher computational complexity. Extensive simulation results show that both SAE-SS and SAE-TF can achieve significantly higher sensing accuracy, compared with state of the art approaches that suffer from noise uncertainty, timing delay and CFO.

研究の動機と目的

• ノイズ不確実性、タイミング遅延、およびキャリア周波数オフセット（CFO）の下で性能が著しく低下する従来のOFDMスペクトラムセンシング手法の限界を解消すること。
• パイロットトーン、サイクリックプロキシ、信号構造などのPrimary User信号に関する事前知識を必要としないスペクトラムセンシングフレームワークの開発。
• 深層学習を活用して、OFDM信号から隠れ特徴を自動的に抽出し、検出精度を向上させること。
• 時間周波数ドメイン信号を用いた特徴表現の強化により、低SNR環境下でのセンシング性能を向上させること。

提案手法

• 信号構造の知識が不要な状態で、受信信号から直接OFDM信号の隠れ特徴を学習するスタックドオートエンコーダーに基づくスペクトラムセンシング手法SAE-SSを提案する。
• 入力信号から階層的特徴を抽出できる複数層のスタックドオートエンコーダーを設計し、その後に分類器を配置してPrimary Userの活動を検出する。
• SAE-SSの拡張版として、OFDM信号の時間周波数ドメイン表現を入力として使用することで特徴抽出と検出精度を向上させたSAE-TFを導入する。
• 教師あり学習を用いた分類タスクのための微調整を経る前段階として、教師なし事前学習を実施し、スタックドオートエンコーダーを学習する。
• 学習された特徴を用いて信号の有無を分類し、同期エラーまたはノイズ不確実性の影響で従来手法が失敗する状況でも、堅牢な検出を可能にする。
• センシング精度と計算複雑度のバランスを取るために、隠れユニット数および層数を調整することでネットワークアーキテクチャを最適化する。

実験結果

リサーチクエスチョン

• RQ1 ノイズ不確実性、タイミング遅延、およびキャリア周波数オフセットの下で、深層学習ベースの手法が従来のOFDMスペクトラムセンシング手法を上回るか。
• RQ2 パイロットトーンやサイクリックプロキシなどの信号構造の事前知識がなくても、スタックドオートエンコーダーがOFDM信号の隠れ特徴をどの程度効果的に学習できるか。
• RQ3 SAE-TFがSAE-SSと比較して、特に低SNR領域で時間周波数ドメイン信号を用いることで、どの程度センシング精度が向上するか。
• RQ4 オートエンコーダー内のOFDMブロック数や隠れユニット数を増加させた場合、センシング精度と計算複雑度のトレードオフはどのように変化するか。
• RQ5 サイクリックプロキシの長さが、提案手法の性能にどのように影響するか。

主な発見

• SAE-SSは、ノイズ不確実性、タイミング遅延、CFOの下で、従来手法に比べて誤検出確率（PM）が顕著に低く抑えられ、SNRが-10 dBでMが1から3に増加する際、PMが最大0.0402まで低下する。
• SAE-TFは低SNR環境下でSAE-SSを上回り、CP長が0から16に増加する際、SNRが-12 dBでPMがSAE-SSの0.0498からSAE-TFの0.0211にまで低下する。
• SAE-TFのオフライン学習時間は、SAE-SSよりもOFDMブロック数Mの増加に対してより急激に増加し、M=3で451.24分に達する。これは、より高い計算コストを示している。
• CPや時間周波数コンテンツなどの追加特徴を追加することで、SAE-SSおよびSAE-TFの両方でPMがさらに低下するが、その代わりにオンライン計算複雑度が増加する。
• 長いサイクリックプロキシ長（Nc = 16）は、両手法のセンシング精度を向上させ、PMをSAE-SSで0.0301、SAE-TFで0.0211まで低下させる。CPコンテンツからの有効な特徴抽出が示された。
• 提案手法は、特に低SNRおよび高干渉環境下で、最新の最先端手法を上回る優れた性能を発揮する。これは、未知で隠れた信号特徴を学習できる能力に起因する。