[논문 리뷰] A deep learning based solution for imperfect CSI problem in correlated FSO communication channel

Mohammad Ali Amirabadi|arXiv (Cornell University)|2019. 09. 12.

Optical Wireless Communication Technologies참고 문헌 15인용 수 7

한 줄 요약

이 논문은 상관관계가 있는 자유공간 광학(FSO) 통신 시스템에서 채널 상태 정보(CSI)가 불완전할 경우 발생하는 성능 저하를 완화하기 위해 딥 러닝 기반 수신기 구조를 제안한다. 노이즈가 있는 CSI와 전송된 심벌 사이의 비선형 맵핑을 학습함으로써, 제안된 모델은 불완전한 CSI 하에서 최대우도검출보다 뛰어난 성능을 보이며, 특히 상관관계가 있는 로그노멀 fading 채널에서 두각한 성능 향상을 보인다.

ABSTRACT

Imperfect channel state information (CSI) at the receiver, which is due to channel estimation error, is one of the main problems toward achieving optimum detection. This paper presents a deep learning based structure for combating this issue. In order to show the effect of using deep learning, the symbol error rate of a simple free space optical (FSO) communication system is simulated over correlated and un-correlated log-normal channel with write/ wrong CSI. Novelties and contributions of this paper, which are done for the first in machine learning for FSO communication include considering deep learning, considering Log-normal channel, considering correlated channel, considering imperfect CSI. The proposed deep learning based structure is compared with maximum likelihood detector, it is shown that in perfect CSI, both perform the same (because maximum likelihood is optimum), but in imperfect CSI, proposed deep learning based structure outperforms maximum likelihood in channels with un-correlation or desired correlation lengths.

연구 동기 및 목표

• 채널 추정 오차로 인한 불완전한 CSI로 인한 FSO 시스템의 성능 저하를 해결한다.
• 불완전한 CSI를 가진 상관관계 있는 로그노멀 패딩 채널에 적응하는 기계학습 기반 수신기를 개발한다.
• 불완전한 CSI 조건에서 기존 최대우도검출의 한계를 극복한다.
• 딥 러닝이 FSO 채널 상태 정보의 비선형성과 상관관계를 다루는 데 효과적인지 입증한다.
• 딥 러닝과 광학 무선 통신을 융합한 새로운 프레임워크를 제공하여 채널 불확실성에 대한 강건성을 향상시킨다.

제안 방법

• 손상된 CSI 추정치를 전송된 심벌로 매핑하는 딥 신경망(DNN) 수신기 설계.
• 가우시안 노이즈가 첨가된 상관관계 있는 로그노멀 FSO 채널 모델에서 시뮬레이션된 데이터를 사용해 DNN 학습.
• 비선형 맵핑을 위해 ReLU 활성화 함수를 사용하는 완전히 연결된 피드포워드 네트워크 아키텍처 사용.
• 예측된 전송 심벌과 실제 전송 심벌 간의 평균제곱오차(MSE) 손실을 최적화하여 네트워크 최적화.
• 비상관관계 및 상관관계 있는 로그노멀 패딩 채널을 시뮬레이션하여 강건성 평가.
• 동일한 조건에서 DNN 기반 수신기와 최대우도(ML) 검출기 간 성능 비교.

실험 결과

연구 질문

• RQ1 FSO 시스템에서 CSI가 불완전할 경우 딥 러닝 기반 수신기가 최대우도검출을 능가할 수 있는가?
• RQ2 채널 상관관계가 기존 ML 검출기와 딥 러닝 기반 수신기의 성능에 미치는 영향은 어떠한가?
• RQ3 제안된 DNN 아키텍처가 상관관계가 있는 로그노멀 FSO 채널에서 채널 추정 오차의 영향을 어느 정도 완화하는가?
• RQ4 딥 러닝 모델이 FSO 채널의 다양한 상관 길이에 대해 일반화 가능한가?
• RQ5 불완전한 CSI 조건에서 DNN의 심벌 오류율(SER) 향상 정도는 ML 검출 대비 얼마나 되는가?

주요 결과

• 완벽한 CSI 조건에서는 제안된 딥 러닝 기반 수신기가 최대우도검출과 동일한 심벌 오류율(SER)을 달성하여 이상적인 조건에서의 최적성 확인.
• 불완전한 CSI 조건에서 DNN 기반 수신기는 비상관관계 및 상관관계 있는 로그노멀 패딩 채널 모두에서 최대우도검출을 능가하는 성능 보여줌.
• 중간에서 높은 상관 길이를 가진 채널에서 DNN의 성능 향상이 더욱 두드러짐.
• DNN는 노이즈가 있는 CSI와 전송 심벌 사이의 비선형 관계를 효과적으로 학습하여, 채널 추정치가 손상된 경우에도 SER 감소 효과 기대 가능.
• 제안된 방법은 특히 기존 ML 검출이 CSI 정확도 부족으로 실패하는 상황에서도 채널 추정 오차에 강건함을 입증함.