[논문 리뷰] Cascade-Net: a New Deep Learning Architecture for OFDM Detection

Qisheng Huang, Chunming Zhao외 3명|arXiv (Cornell University)|2018. 11. 30.

Wireless Signal Modulation Classification참고 문헌 13인용 수 13

한 줄 요약

이 논문은 고도프러러 확산 환경에서 OFDM 심볼 검출 성능을 향상시키기 위해 제로포싱 전처리기와 딥 뉴럴 네트워크를 조합한 딥 러닝 아키텍처인 Cascade-Net을 제안한다. 전처리기와 학습 가능한 네트워크를 연결함으로써 학습 중 열악한 국소 최소값에 갇히는 것을 방지하고, 특히 고신호대역비(SNR) 및 조건이 나쁜 채널에서 전통적인 제로포싱(ZF) 및 딥 뉴럴 네트워크(DNN) 검출기보다 뛰어난 비트 오류율(BER) 성능을 달성한다.

ABSTRACT

In this paper, we consider using deep neural network for OFDM symbol detection and demonstrate its performance advantages in combating large Doppler Shift. In particular, a new architecture named Cascade-Net is proposed for detection, where deep neural network is cascading with a zero-forcing preprocessor to prevent the network stucking in a saddle point or a local minimum point. In addition, we propose a sliding detection approach in order to detect OFDM symbols with large number of subcarriers. We evaluate this new architecture, as well as the sliding algorithm, using the Rayleigh channel with large Doppler spread, which could degrade detection performance in an OFDM system and is especially severe for high frequency band and mmWave communications. The numerical results of OFDM detection in SISO scenario show that cascade-net can achieve better performance than zero-forcing method while providing robustness against ill conditioned channels. We also show the better performance of the sliding cascade network (SCN) compared to sliding zero-forcing detector through numerical simulation.

연구 동기 및 목표

• 높은 주파수 대역 및 mmWave 대역에서 큰 도플러 스프레드로 인한 부호 간 간섭(ICI) 문제를 해결한다.
• 특히 고신호대역비에서 학습 중 사다리꼴 지점이나 국소 최소값에 갇히는 딥 뉴럴 네트워크의 한계를 극복한다.
• 시간에 따라 변화하는, 조건이 나쁜 레이일리 fading 채널에서의 검출 강건성과 성능을 향상시킨다.
• 많은 수의 서브대역을 가진 OFDM 시스템에서 계산 복잡도를 최소화하면서도 효율적인 검출 방법을 개발한다.
• 재구성 가능한 하드웨어를 활용한 오프라인 학습과 온라인 추론을 조합함으로써 딥 러닝의 실용적 구현을 가능하게 한다.

제안 방법

• 제로포싱 전처리기를 학습 가능한 딥 뉴럴 네트워크와 연결한 캐스케이드 아키텍처를 제안하여 학습 안정성과 수렴 성능을 향상시킨다.
• 과도한 계산을 피하기 위해 장수 OFDM 심볼을 효율적으로 처리할 수 있도록 출력 영역(OA)과 경계 영역(GA)을 가진 슬라이딩 검출 구조를 사용한다.
• 서브대역 간 간섭 특성과 채널 상관관계에서 유도된 분석 공식을 바탕으로 GA 및 OA 길이를 경험적으로 설계한다.
• 경계 영역(GA)을 무시하고 출력 영역(OA)에만 초점을 맞춘 손실 함수를 사용하여 불필요한 최적화 부담을 줄인다.
• 전이 학습 유사 초기화 방법을 적용하여 전처리기를 고정하고 딥 네트워크만 미세조정함으로써 학습 난이도를 낮춘다.
• 수렴을 위해 최적화된 초기화 조건을 가진 Adam 최적화기 사용하고, 알려진 채널 상태 정보를 가진 합성 데이터를 사용해 오프라인으로 네트워크를 학습한다.

실험 결과

연구 질문

• RQ1 큰 도플러 스프레드 조건 하에서 전통적인 제로포싱(ZF) 및 독립형 딥 뉴럴 네트워크보다 캐스케이드 딥 러닝 아키텍처가 OFDM 검출에서 뛰어난 성능을 보일 수 있는가?
• RQ2 제로포싱 전처리기의 포함이 OFDM 검출에서 딥 뉴럴 네트워크의 학습 안정성과 수렴 성능을 어떻게 향상시키는가?
• RQ3 검출 정확도를 유지하면서 계산 복잡도를 최소화할 수 있는 슬라이딩 윈도우 구조(GA 및 OA)의 최적 설계는 무엇인가?
• RQ4 제안된 Cascade-Net이 슬라이딩 제로포싱 및 딥 검출 방법에 비해 오류 평면을 어느 정도 감소시키는가?
• RQ5 실제 구현 환경에서 채널 상태 정보가 불완전하거나 노이즈가 있을 경우 Cascade-Net의 강건성은 어떠한가?

주요 결과

• Cascade-Net은 모든 신호대역비(SNR) 수준에서 전통적인 제로포싱 검출기보다 뛰어난 비트 오류율(BER) 성능을 달성한다. 특히 고신호대역비 영역에서 두드러진다.
• 신호대역비 약 20 dB 수준에서 딥 뉴럴 네트워크 검출기(DNT)는 제로포싱을 능가하지만, 반복 횟수 제약으로 인해 고신호대역비에서 성능이 저하된다. Cascade-Net은 이 문제를 피한다.
• 256개 서브대역 OFDM 시스템에서 출력 영역 16개 서브대역, 경계 영역 8개 서브대역을 가진 슬라이딩 캐스케이드 네트워크(SCN)가 모든 테스트 방법 중 가장 낮은 오류 평면을 기록한다.
• N=256 서브대역일 경우, SCN은 슬라이딩 제로포싱 및 표준 DNT보다 BER 평면을 크게 감소시켜 고도프러러 확산 환경에서 뛰어난 강건성을 입증한다.
• 채널 상태 정보가 불완전하더라도 메서드가 강건함을 보이며, 실세계 5G 및 mmWave 시스템에서의 실용성을 시사한다.
• SCN의 계산 복잡도는 슬라이딩 구조 덕분에 서브대역 수에 대해 선형이므로 대규모 시스템에 대해 확장 가능하다.