[논문 리뷰] An End-to-End Block Autoencoder For Physical Layer Based On Neural Networks

Tianjie Mu, Xiaohong Chen외 3명|arXiv (Cornell University)|2019. 06. 15.

Wireless Signal Modulation Classification참고 문헌 13인용 수 13

한 줄 요약

이 논문은 CNN과 LSTMs를 사용한 엔드 투 엔드 블록 오토에인코드어를 제안하여 물리계층 통신을 위한 전송기와 수신기의 공동 최적화를 가능하게 한다. 이는 AWGN 및 fading 채널에서 기존 오토에인코드어 기반 시스템보다 뛰어난 비트 오류율(BER) 성능을 달성하며, 학습된 64-QAM 변조 다이어그램과 감소된 코드 레이트 및 메모리 인식 블록 처리를 통해 향상된 강인성 확보를 이룬다.

ABSTRACT

Deep Learning has been widely applied in the area of image processing and natural language processing. In this paper, we propose an end-to-end communication structure based on autoencoder where the transceiver can be optimized jointly. A neural network roles as a combination of channel encoder and modulator. In order to deal with input sequences parallelly, we introduce block scheme, which means that the autoencoder divides the input sequence into a series of blocks. Each block contains fixed number of bits for encoding and modulating operation. Through training, the proposed system is able to produce the modulated constellation diagram of each block. The simulation results show that our autoencoder performs better than other autoencoder-based systems under additive Gaussian white noise (AWGN) and fading channels. We also prove that the bit error rate (BER) of proposed system can achieve an acceptable range with increasing the number of symbols.

연구 동기 및 목표

• 입력 시퀀스의 병렬 블록 처리를 가능하게 하여 오토에인코드어 기반 통신 시스템에서의 one-hot 전송의 비효율성을 해결하기 위해.
• 엔드 투 엔드 훈련을 통한 전송기 및 수신기의 공동 최적화를 통해 전송 효율성과 성능을 향상시키기 위해.
• 메모리 메커니즘을 통한 블록 간 의존성 모델링을 가능하게 하는 블록 기반 아키텍처를 통해 임의의 길이의 입력 시퀀스를 지원하기 위해.
• 특정 채널 모델을 훈련 중에 요구하지 않고도 실제 채널 조건(예: AWGN 및 Rayleigh fading)에서 우수한 성능을 보여주기 위해.
• 실제 하드웨어에 구현 가능한 학습된 변조 다이어그램을 탐색하기 위해 전력 제약 조건과 구조화된 기호 분포를 보장하기 위해.

제안 방법

• 시스템은 입력 비트 스트림을 고정된 크기의 블록(예: 블록당 6비트)으로 나누어 병렬 처리한다.
• 각 블록은 스택된 장기 단기 기억(LSTM) 레이어에 입력되기 전에 컨볼루션 신경망(CNN)에 의해 낮은 차원의 표현으로 압축된다.
• LSTM 레이어는 블록 간 시간적 의존성을 모델링하여 메모리 인식 변조 및 향상된 기호 결정을 가능하게 한다.
• 전송기는 압축된 블록을 복소수 값의 변조 기호로 매핑하고, 수신기는 대칭적인 디코더 아키텍처를 사용하여 원래의 비트를 재구성한다.
• 훈련 중에 전력 제약 조건이 강제되어 실용적인 신호 에너지 수준을 확보한다.
• 모델은 Adam 옵tim자와 함께 역전파를 사용하여 엔드 투 엔드로 훈련되며, AWGN 채널의 경우 고정된 훈련 SNR 12 dB, fading 채널의 경우 20 dB를 사용한다.

실험 결과

연구 질문

• RQ1 공유 가중치와 메모리 메커니즘을 갖춘 블록 기반 오토에인코드어가 AWGN 및 fading 채널에서 기존 오토에인코드어 시스템보다 BER 측면에서 뛰어난 성능을 내는가?
• RQ2 LSTM의 사용이 피드포워드 또는 CNN 전용 아키텍처에 비해 블록 간 의존성을 모델링할 때 성능 향상에 기여하는 정도는 어떠한가?
• RQ3 코드 레이트 감소가 BER 성능 향상에 얼마나 기여하는가? 이는 스펙트럼 효율성과의 상충 관계는 어떠한가?
• RQ4 사전에 변조 포맷에 대한 지식 없이도 오토에인코드어가 구조화되고 하드웨어에 구현 가능한 변조 다이어그램(예: 64-QAM)을 학습할 수 있는가?
• RQ5 채널 모델에 특화된 적응 없이도 엔드 투 엔드 훈련 프레임워크가 다양한 채널 모델에서 효과를 유지하는가?

주요 결과

• 제안된 블록 오토에인코드어는 AWGN 및 fading 채널에서 모든 코드 레이트에서 [9]의 CNN 기반 오토에인코드어보다 더 우수한 BER 성능을 달성한다.
• 코드 레이트 1/2에서 오토에인코드어는 64-QAM에서 Viterbi 하드 디코딩을 초월하며, 특히 저 SNR 영역에서 동일한 BER을 달성하기 위해 더 낮은 전송 전력이 필요하다.
• 64-QAM에 대한 학습된 변조 다이어그램은 복소 평면상에서 64개의 명확하게 분리된 클러스터를 보이며, 효과적인 변조 학습을 나타낸다.
• 코드 레이트 감소(예: 1에서 1/2로)에 따라 성능 향상이 이루어지지만, 이는 스펙트럼 효율성을 감소시켜 신뢰성과 전송 속도 사이의 상충 관계를 드러낸다.
• fading 채널에서 고 SNR(15 dB 이상)일 경우 오류 평면(error floor)가 관찰되며, 특히 선로 시각 경로가 약한 채널 B에서 두드러진다.
• 특정 채널 모델에 대한 재훈련 없이도 채널 간 일반화 성능을 보이며, 채널 변동에 대한 강인성을 입증한다.