[논문 리뷰] Channel Equalization Using Multilayer Perceptron Networks

Saba Baloch, Javed Ali Baloch외 1명|arXiv (Cornell University)|2016. 04. 02.

Blind Source Separation Techniques참고 문헌 9인용 수 6

한 줄 요약

이 논문은 대역폭 제한된 다중 경로 fading 채널에서 인터심볼 간섭(ISI)을 완화하기 위해 오차 역전파를 통해 훈련되는 다층 피드포워드 퍼셉트론 신경망을 사용한 블라인드 채널 균형 기법을 제안한다. 이 방법은 채널 지식이 없이도 노이즈를 효과적으로 감소시키고 신호 복원을 향상시켜 기존의 등등 균형 알고리즘보다 시뮬레이션에서 뛰어난 성능을 보인다.

ABSTRACT

In most digital communication systems, bandwidth limited channel along with multipath propagation causes ISI (Inter Symbol Interference) to occur. This phenomenon causes distortion of the given transmitted symbol due to other transmitted symbols. With the help of equalization ISI can be reduced. This paper presents a solution to the ISI problem by performing blind equalization using ANN (Artificial Neural Networks). The simulated network is a multilayer feedforward Perceptron ANN, which has been trained by utilizing the error back-propagation algorithm. The weights of the network are updated in accordance with training of the network. This paper presents a very effective method for blind channel equalization, being more efficient than the pre-existing algorithms. The obtained results show a visible reduction in the noise content.

연구 동기 및 목표

• 대역폭 제한된 디지털 통신 채널에서 다중 경로 전파로 인한 인터심볼 간섭(ISI)을 해결하기 위해.
• 채널 인과응답에 대한 사전 지식이 필요 없는 블라인드 균형 기법을 개발하기 위해.
• 노이즈가 많고 왜곡된 통신 환경에서 신호 검출을 향상시키고 노이즈를 줄이기 위해.
• 전통적 방법과 비교하여 인공 신경망이 왜곡된 신호를 균형 조절하는 데서의 성능을 평가하기 위해.
• 오차 역전파 훈련을 통해 다층 퍼셉트론 네트워크가 신뢰할 수 있는 균형 조절을 달성하는 데 효과적인지 입증하기 위해.

제안 방법

• 균형기 아키텍처로 다층 피드포워드 퍼셉트론 신경망을 사용한다.
• 목표 출력 신호와 실제 출력 신호 간의 차이를 최소화하기 위해 오차 역전파 알고리즘을 사용해 네트워크를 훈련시킨다.
• 오차 기울기를 기반으로 네트워크의 가중치를 반복적으로 갱신하여 ISI와 노이즈를 감소시킨다.
• 훈련 과정은 채널 상태 정보 없이 수신된 신호만을 사용하는 블라인드 방식으로 수행된다.
• 네트워크는 원래 전송된 기호를 복원하기 위해 채널의 역응답을 학습하도록 설계된다.
• 성능 평가를 위해 시뮬레이션을 수행하여 노이즈 감소와 비트 오류율 향상 측면에서 성능을 분석한다.

실험 결과

연구 질문

• RQ1 채널 지식 없이 다중 경로 fading 채널에서 다층 퍼셉트론 신경망이 인터심볼 간섭을 효과적으로 완화할 수 있는가?
• RQ2 제안된 ANN 기반 균형기의 성능은 기존의 균형 기법과 비교해 노이즈 억제 및 신호 복원 측면에서 어떻게 다른가?
• RQ3 역전파 훈련이 블라인드 균형 시나리오에서 균형기의 수렴성과 정확도를 어느 정도 향상시키는가?
• RQ4 네트워크 아키텍처와 훈련 방식이 균형화된 신호의 잔여 노이즈 감소에 미치는 영향은 어떠한가?
• RQ5 실제로 대역폭 제한된 채널 조건에서 제안된 방법이 신뢰할 수 있는 균형 조절을 달성할 수 있는가?

주요 결과

• 제안된 다층 퍼셉트론 기반 균형기는 수신된 신호의 노이즈 성분을 눈에 띄게 감소시킨다.
• 이 방법은 채널 상태 정보가 없이도 효과적인 블라인드 균형 조절을 실현하여 전송된 기호를 성공적으로 복원한다.
• 오차 역전파 훈련 과정을 통해 네트워크는 채널 특성을 적응적으로 학습하고 ISI를 최소화할 수 있다.
• 시뮬레이션 결과, 기존의 균형 알고리즘과 비교해 더 높은 신호 정밀도와 낮은 왜곡을 보였다.
• 네트워크가 다양한 채널 조건에서 일반화할 수 있는 능력은 실용적인 통신 환경에서의 강건성을 뒷받침한다.
• 이 방법은 대역폭이 제한되고 다중 경로 효과가 있는 디지털 통신 시스템에서 실시간 구현 가능성도 보여준다.