[論文レビュー] Joint Transceiver Optimization for Wireless Communication PHY with Convolutional Neural Network

Banghua Zhu, Jintao Wang+2 more|arXiv (Cornell University)|Aug 9, 2018

Wireless Signal Modulation Classification参考文献 26被引用数 7

ひとこと要約

この論文は、周波数選択的 fading 環境下で、変調、イコライゼーション、デモジュレーションを統合最適化する畳み込みオートエンコーダーに基づく共同受発信機設計を提案する。従来の 64QAM+ZF よりも低いビット誤り率（BER）と時間計算量を達成し、チャネル変動に対して頑健で、任意の長さの入力ビット列をサポートする。

ABSTRACT

Deep Learning has a wide application in the area of natural language processing and image processing due to its strong ability of generalization. In this paper, we propose a novel neural network structure for jointly optimizing the transmitter and receiver in communication physical layer under fading channels. We build up a convolutional autoencoder to simultaneously conduct the role of modulation, equalization and demodulation. The proposed system is able to design different mapping scheme from input bit sequences of arbitrary length to constellation symbols according to different channel environments. The simulation results show that the performance of neural network based system is superior to traditional modulation and equalization methods in terms of time complexity and bit error rate (BER) under fading channels. The proposed system can also be combined with other coding techniques to further improve the performance. Furthermore, the proposed system network is more robust to channel variation than traditional communication methods.

研究の動機と目的

• 従来の分割統治型物理層設計の非最適性に対処し、送信機と受信機の共同最適化を可能にする。
• 従来の深層学習ベースのオートエンコーダーが短い one-hot 入力に制限され、2次時間計算量を示すという制限を克服する。
• 明示的な数学的モデルに依存せずに、変動するチャネル状態に適応可能なスケーラブルでエンドツーエンドのニューラルネットワークフレームワークを開発する。
• 時間領域および周波数領域の両方のシステム、特に周波数選択的フェーディングを伴う OFDM への応用を可能にする。
• チャネル変動に対する耐性を向上させるとともに、ソフト入力・ソフト出力チャネルデコーダーとの統合を可能にする。

提案手法

• 従来の変調、イコライゼーション、デモジュレーションブロックを置き換える、学習可能な共有重み層を備えた畳み込みオートエンコーダー構造を設計する。
• 非一様サブキャリアフェーディングに対応するため、周波数ドメインで局所接続層を用い、標準的な畳み込み層が一様なチャネル応答を仮定するのを補う。
• 任意のソフト入力・ソフト出力チャネルデコーダーとインターフェース可能なソフト出力機構を採用し、符号化方式との統合を可能にする。
• 再構成損失を用いたバックプロパゲーションによるエンドツーエンド学習により、チャネル統計に基づいて最適な信号マッピングを学習可能にする。
• 転移学習とフレーム同期化のための補助ニューラルネットワークを適用し、空中伝送を可能にするとともに、チャネル勾配の問題を緩和する。
• サブキャリア固有のフェーディングを明示的にモデル化する周波数ドメインでの信号処理により、OFDM システムにネットワークを適応させる。

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、従来のモジュラー物理層部品を上回る BER と計算量を達成する形で、送信機と受信機の設計を統合最適化できるか？
• RQ2 畳み込みオートエンコーダーは、2次時間計算量の増大を伴わずに、任意長のビット列を処理できるか？
• RQ3 周波数選択的フェーディングチャネル下で、本手法は従来の 64QAM とゼロフォースイコライゼーション（ZF）と比較してどのように性能を発揮するか？
• RQ4 ニューラルネットワークベースのシステムは、古典的設計と比較して、チャネル変動に対してどの程度頑健か？
• RQ5 オートエンコーダーで学習されたマッピングは、明示的なアルゴリズム的設計なしに、適応的ビットローディングの挙動を模倣できるか？

主な発見

• 提案された畳み込みオートエンコーダーは、周波数選択的フェーディングチャネル下で BER が $10^{-4}$ まで低下し、64QAM+ZF 法よりも顕著に優れている。64QAM+ZF は BER の劣化が遅いが、本手法はより低い BER を達成する。
• 畳み込み層の効率的なパラメータ共有により、特に長い入力シーケンスの場合に従来手法より低い時間計算量を示す。
• ネットワークはチャネル変動に対して頑健であり、従来システムと比較してチャネルフラクチュエーションへの感受性が低い。
• オートエンコーダーのソフト出力は、任意のソフト入力・ソフト出力チャネルデコーダーと互換性があり、フォワードエラー訂正方式とのシームレスな統合を可能にする。
• 周波数ドメインにおける局所接続層の使用により、サブキャリア固有のフェーディングを効果的に処理でき、ゼロフォースイコライゼーションと比較して情報回復が向上する。
• SNR の良いサブキャリアに多くの情報を割り当てることで、明示的な設計なしに適応的ビットローディングに類似した挙動をネットワークが学習する。