[論文レビュー] Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems

Hao Ye, Geoffrey Ye Li+1 more|arXiv (Cornell University)|Aug 28, 2017

Wireless Signal Modulation Classification参考文献 6被引用数 76

ひとこと要約

この論文は、OFDMにおけるジョイントチャネル推定とシンボル検出のエンドツーエンド深層学習アプローチを提案する。オフラインで訓練され、オンラインでデプロイされることで、明示的なCSI推定を行わずにデータを回復し、歪みや限られたパイロット条件下で競争力のある性能と頑健性を示す。

ABSTRACT

This article presents our initial results in deep learning for channel estimation and signal detection in orthogonal frequency-division multiplexing (OFDM). OFDM has been widely adopted in wireless broadband communications to combat frequency-selective fading in wireless channels. In this article, we take advantage of deep learning in handling wireless OFDM channels in an end-to-end approach. Different from existing OFDM receivers that first estimate CSI explicitly and then detect/recover the transmitted symbols with the estimated CSI, our deep learning based approach estimates CSI implicitly and recovers the transmitted symbols directly. To address channel distortion, a deep learning model is first trained offline using the data generated from the simulation based on the channel statistics and then used for recovering the online transmitted data directly. From our simulation results, the deep learning based approach has the ability to address channel distortions and detect the transmitted symbols with performance comparable to minimum mean-square error (MMSE) estimator. Furthermore, the deep learning based approach is more robust than conventional methods when fewer training pilots are used, the cyclic prefix (CP) is omitted, and nonlinear clipping noise is presented. In summary, deep learning is a promising tool for channel estimation and signal detection in wireless communications with complicated channel distortions and interferences.

研究の動機と目的

• OFDMのチャネル推定とデータ検出のエンドツーエンドツールとして深層学習を動機づける。
• DNNが暗黙的にチャネル特性を学習し、明示的なCSIなしで伝送されたシンボルを回復できることを示す。
• パイロット数の削減、CP省略、非線形クリッピングノイズ下での DLアプローチの頑健性を示す。
• さまざまなチャネル・歪み条件下で、DLの性能をLSおよびMMSEと比較する。

提案手法

• さまざまなチャネル条件下でパイロットとデータを含むシミュレートされたOFDMフレームを用いて、オフラインで多層DNNを訓練する。
• 受信したOFDMブロック（パイロット＋データ）をDNNに入力して、明示的なCSIなしに伝送データを共同推定する。
• 予測データと伝送データ間のL2損失を用いてネットワークの重みを最適化する。
• 64サブキャリア、CP長さ16のOFDMシステムを、QPSKを用い、WINNER II都市チャネルモデル下で実装する。
• BERをSNRとパイロット数に渡って評価し、LSおよびMMSEと比較する。

実験結果

リサーチクエスチョン

• RQ1 DNNは、明示的なCSIなしにチャネル効果を共同推定し、OFDMシンボルを回復できるか？
• RQ2 パイロット数の変化、CPの有無、クリッピングノイズの下で、DLアプローチはLSおよびMMSEとどのように比較されるか？
• RQ3 トレーニングとデプロイメントのチャネル統計の不一致に対して、DLモデルは頑健か？
• RQ4 非線形歪みがDLと従来の推定器に与える影響は何か？

主な発見

• 十分なパイロットが利用可能な場合、DLベースのジョイント推定と検出はBERをMMSEと同等に達成する。
• パイロットが少ない場合（例: 8）、DL法はLSに対するBER改善を維持し、MMSE性能に近づく。
• CPが省略された場合、DLは頑健性を示し、こうした歪み下でLS/MMSEを上回る。
• クリッピングノイズに対する頑健性はMMSEより高く、特に高いSNRで顕著。
• トレーニングとデプロイメントのチャネル統計の不一致は、DLのシンボル検出性能を著しく劣化させない。