[論文レビュー] Deep Neural Network-Based Quantized Signal Reconstruction for DOA Estimation

Weifeng Han, Peng Chen+1 more|arXiv (Cornell University)|May 3, 2020

Advanced Wireless Communication Technologies参考文献 15被引用数 9

ひとこと要約

本稿では、インテリジェントリフレクティングサーフェス（IRS）を搭載したマッシブMIMOシステムにおいて、方向到来角（DOA）推定に特化した1ビットADCを用いる低コスト化を実現するため、全結合層、バッチ正則化、残差ブロックを備えた深層ニューラルネットワーク（DNN）を提案する。この手法は量子化ノイズを効果的に低減し、1ビットADCの性能が2ビットADCを上回ることを可能にし、性能を損なうことなくハードウェアコストを大幅に削減する。

ABSTRACT

For a massive multiple-input-multiple-output (MIMO) system using intelligent reflecting surface (IRS) equipped with radio frequency (RF) chains, the multi-channel RF chains are expensive compared to passive IRS, especially, when the high-resolution and high-speed analog to digital converters (ADC) are used in each RF channel. In this letter, a direction of angle (DOA) estimation problem is investigated with low-cost ADC in IRS, and we propose a deep neural network (DNN) as a recovery method for the low-resolution sampled signal. Different from the existing denoising convolutional neural network (DnCNN) for Gaussian noise, the proposed DNN with fully connected (FC) layers estimates the quantization noise caused by the ADC. Then, the denoised signal is subjected to the DOA estimation, and the recovery performance for the quantized signal is evaluated by DOA estimation. Simulation results show that under the same training conditions, the better reconstruction performance is achieved by the proposed network than state-of-the-art methods. The performance of the DOA estimation using 1-bit ADC is improved to exceed that using 2-bit ADC.

研究の動機と目的

• マッシブMIMOシステムにおける高分解能ADCの高コスト問題に対処すること。
• 深刻な量子化ノイズによる劣化のため、低分解能（例：1ビット）ADCを用いた場合のDOA推定精度の向上。
• 従来のノイズ低減ネットワーク（例：DnCNN）を上回る、深層学習ベースの信号再構成手法の開発。
• RFチェーンを低分解能ADCで運用可能にするコスト効率の良いIRS導入を可能とすること。

提案手法

• バッチ正則化（BN）、残差ブロック、ReLU活性化関数を備えた全結合DNNを設計し、低分解能ADC出力における量子化ノイズの推定と低減を実現する。
• 複素基band信号に量子化と加法性ガウスノイズを付加したデータセットを用いて、オフラインでネットワークを学習させ、1ビットから4ビットまでの量子化測定値から元の信号を再構成する。
• DNNの入力はM個のセンサーからの量子化信号ベクトルであり、出力は元の信号ベクトルのノイズ低減推定値である。
• 再構成信号はその後MUSICアルゴリズムに供給され、角度推定のMSEを用いて性能を評価する。
• 畳み込み層を避ける設計として、センサーアレイ全体の量子化ノイズの統計的特性をモデル化するため、主に全結合層に焦点を当てる。
• FPGAや組み込みシステムへのデプロイを可能とするために、16ビット浮動小数点精度や、可能性としてのプルーニングを含むモデル圧縮技術を適用する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、IRSを搭載したマッシブMIMOシステムにおける1ビットADC量子化による信号劣化を、DOA推定に適した形で効果的に再構成できるか？
• RQ2 さまざまなSNR条件下で、提案されたDNNはDnCNNなどの最先端手法に比べて、量子化信号の再構成性能に優れているか？
• RQ3 深層学習ベースの信号再構成を用いることで、1ビットADCのDOA推定性能はどの程度向上できるか？
• RQ4 同じ学習・テスト条件下で、提案されたDNNは2ビットADCシステムのDOA推定精度を上回る性能を達成できるか？
• RQ5 モデル圧縮（例：16ビット精度）が再構成精度とデプロイ可能性に与える影響は何か？

主な発見

• 提案されたDNNは、全SNRレベルでDnCNNよりも顕著に低いテスト損失を達成しており、優れた信号再構成能力を示している。
• 十分な学習データ（10^7サンプル／SNR）が得られた場合、提案DNNによる1ビットADC再構成信号を用いたDOA推定性能は2ビットADCを上回る。
• SNR = 50 dBの条件下で、1ビット入力からの再構成信号は、3ビット量子化信号よりも優れた角度分解能を達成しており、特に9°付近で顕著である。
• ネットワークパラメータを32ビットから16ビット浮動小数点精度に低下させた結果、モデルサイズが50％削減され、MSEの低下は顕著でない（50 dB SNR時：0.081 vs. 0.084）。
• 残差ブロックとバッチ正則化の導入により、浅いアーキテクチャでも汎化性能と学習安定性が向上した。
• 本手法により、性能を損なわず1ビットADCをIRS搭載マッシブMIMOシステムに適用可能となり、ハードウェアコストを顕著に削減できる。