[論文レビュー] Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex-valued Convolutional Networks

Zhongyuan Zhao, Mehmet C. Vuran+2 more|arXiv (Cornell University)|Oct 16, 2018

Wireless Signal Modulation Classification参考文献 46被引用数 30

ひとこと要約

本稿では、従来のDFT/IDFTの代わりに学習可能な線形変換を用いることで、時間領域信号変換を学習する深層複素数畳み込みネットワーク（DCCN）を用いた学習型OFDM受信機「Deep-Waveform」を提案する。この手法は、符号化されたサイクリックプリフィックスを活用することで、SNRを向上させ、レイノルズ・フェージング環境下でも、${\mathcal{O}}(N^{2})$の複雑さで、従来のLMMSE受信機やCP強化型受信機を凌駕する性能を達成する。これにより、OFDMシステムにおけるFFTプロセッサをAIアクセラレータに置き換える可能性が示された。

ABSTRACT

The (inverse) discrete Fourier transform (DFT/IDFT) is often perceived as essential to orthogonal frequency-division multiplexing (OFDM) systems. In this paper, a deep complex-valued convolutional network (DCCN) is developed to recover bits from time-domain OFDM signals without relying on any explicit DFT/IDFT. The DCCN can exploit the cyclic prefix (CP) of OFDM waveform for increased SNR by replacing DFT with a learned linear transform, and has the advantage of combining CP-exploitation, channel estimation, and intersymbol interference (ISI) mitigation, with a complexity of $\mathcal{O}(N^2)$. Numerical tests show that the DCCN receiver can outperform the legacy channel estimators based on ideal and approximate linear minimum mean square error (LMMSE) estimation and a conventional CP-enhanced technique in Rayleigh fading channels with various delay spreads and mobility. The proposed approach benefits from the expressive nature of complex-valued neural networks, which, however, currently lack support from popular deep learning platforms. In response, guidelines of exact and approximate implementations of a complex-valued convolutional layer are provided for the design and analysis of convolutional networks for wireless PHY. Furthermore, a suite of novel training techniques are developed to improve the convergence and generalizability of the trained model in fading channels. This work demonstrates the capability of deep neural networks in processing OFDM waveforms and the results suggest that the FFT processor in OFDM receivers can be replaced by a hardware AI accelerator.

研究の動機と目的

• DFT/IDFTを明示的に回避するエンドツーエンドのOFDM受信機の開発。
• 従来のCP利用とは異なり、学習可能な線形変換を用いてサイクリックプリフィックスを活用し、SNR向上を実現。
• 実装上の実用的ガイドラインを提供することで、無線物理層における複素数値ニューラルネットワークの実装を可能にする。
• 時間変動する無線チャネルにおける収束性と一般化性能の向上を、新たなトレーニング技術を用いて実現。
• DCCNが二重選択的レイノルズ・フェージング環境下で、従来の受信機を上回ることを実証。

提案手法

• 時間領域のOFDM信号を直接復号ビットにマッピングするように、深層複素数畳み込みネットワーク（DCCN）をトレーニングし、DFT/IDFTの代わりに使用する。
• 複素数値畳み込みを用い、複素数体 $\mathbb{C}$ の代数的構造を尊重し、実部・虚部の分離を回避する。
• フェージング環境下でのトレーニングにおける消失勾配を防ぐために、エンドツーエンドの損失関数を新たに設計する。
• 2段階のトレーニングアプローチを採用：最初にAWGN環境で、次に多様なSNRを持つ混合レイノルズ・フェージング環境でトレーニングし、損失関数のランドスケープを滑らかにする。
• OFDMサブキャリア構造に一致する $\mathbb{C}_{S \times N}$ サイズの畳み込み層を含む、ドメイン特化型のアーキテクチャ選択を実施。
• 簡素化されたデプロイメントバージョンでは、学習後にDCCNを従来のデモジュレーションに置き換えることで、ハードウェア互換性を確保する。

実験結果

リサーチクエスチョン

• RQ1 複素数値CNNにおける学習可能な線形変換が、DFT/IDFTを置き換えつつ性能を向上させることができるか？
• RQ2 従来のCP強化技術と比較して、学習可能な変換を用いたサイクリックプリフィックスの活用は、フェージング環境下でどのように性能を発揮するか？
• RQ3 時間変動する無線チャネルにおいて、収束性と一般化性能を安定化させるために有効なトレーニング戦略は何か？
• RQ4 DCCNにおける層の深さや複素数値演算といったアーキテクチャ的選択が、性能と複雑さにどのように影響を与えるか？
• RQ5 ネイティブな $\mathbb{C}$ サポートを備えないディープラーニングフレームワーク上でも、複素数値ニューラルネットワークをどれほど実用的に実装できるか？

主な発見

• DCCN受信機は、EVAフェージング環境下で10 dB SNRでBERが $10^{-4}$ を達成し、理想的なLMMSE受信機や従来のCP強化型受信機を上回る性能を示した。
• 複雑さ $\mathcal{O}(N^2)$ のDCCNは、二重選択的フェージング環境下で、従来の $\mathcal{O}(N \log N)$ のDFTベース受信機を上回る性能を達成した。
• DCCN-CPアーキテクチャにおける2つの密度の高い層（サイズ $\mathbb{C}_{FN \times FN}$）が、最適な性能と複雑さのトレードオフを実現した。
• 複素数値畳み込みを、I/Q成分ごとに別々の実数値畳み込みに置き換えると、トレーニングに失敗し（BER = 0.47）、性能が著しく低下した。
• 2段階トレーニング戦略（最初にAWGN、次に混合フェージングとSNR）は、一般化性能の向上と誤りフロアの低減に顕著に寄与した。
• 混合チャネルとSNRを一度に扱う1段階トレーニングでは、BERが0.01悪化し、段階的トレーニングの有効性が裏付けられた。