[논문 리뷰] Deep Learning based End-to-End Wireless Communication Systems with Conditional GAN as Unknown Channel

Hao Ye, Le Liang외 2명|arXiv (Cornell University)|2019. 03. 06.

Wireless Signal Modulation Classification참고 문헌 29인용 수 11

한 줄 요약

이 논문은 채널 상태 정보(CSI)를 명시적으로 필요로 하지 않고도 알려지지 않은 채널 효과를 모델링하기 위해 조건부 GAN을 사용하는 엔드 투 엔드 딥 러닝 기반 무선 통신 시스템을 제안한다. 수신기에서 전송기로의 기울기 역전파를 가능하게 하기 위해 파ilot 심볼을 조건으로 삼아 GAN을 조건화함으로써, 전송기 및 수신기 DNN의 공동 학습을 가능하게 한다. 이 방법은 AWGN, 레이일리 fading, 주파수 선택적 채널 전반에서 전통적인 방법과 비교해 유사하거나 우수한 성능을 달성하며, 학습-테스트 분포 불일치 상황에서도 성능이 뛰어나다.

ABSTRACT

In this article, we develop an end-to-end wireless communication system using deep neural networks (DNNs), in which DNNs are employed to perform several key functions, including encoding, decoding, modulation, and demodulation. However, an accurate estimation of instantaneous channel transfer function, i.e., channel state information (CSI), is needed in order for the transmitter DNN to learn to optimize the receiver gain in decoding. This is very much a challenge since CSI varies with time and location in wireless communications and is hard to obtain when designing transceivers. We propose to use a conditional generative adversarial net (GAN) to represent channel effects and to bridge the transmitter DNN and the receiver DNN so that the gradient of the transmitter DNN can be back-propagated from the receiver DNN. In particular, a conditional GAN is employed to model the channel effects in a data-driven way, where the received signal corresponding to the pilot symbols is added as a part of the conditioning information of the GAN. To address the curse of dimensionality when the transmit symbol sequence is long, convolutional layers are utilized. From the simulation results, the proposed method is effective on additive white Gaussian noise (AWGN) channels, Rayleigh fading channels, and frequency-selective channels, which opens a new door for building data-driven DNNs for end-to-end communication systems.

연구 동기 및 목표

• 정확한 채널 상태 정보(CSI)가 없는 상황에서 엔드 투 엔드 딥 뉴럴 네트워크(DNN) 기반 송수신기 학습을 위한 도전 과제를 해결하기 위해.
• 분석적 채널 모델에 의존하지 않고 데이터 기반 방식으로 알려지지 않은 시간에 따라 변하는 무선 채널 효과를 모델링하기 위해.
• 긴 블록 길이 통신 시스템에서 발생하는 차원의 극복 문제를 컨볼루션 레이어를 사용하여 해결하기 위해.
• 학습 채널과 테스트 채널 간 분포 이질성 상황에서도 강건한 엔드 투 엔드 학습을 가능하게 하기 위해.
• 다양한 무선 전파 환경에서 일반화 가능한 순수 데이터 기반 통신 시스템의 구현 가능성을 입증하기 위해.

제안 방법

• 채널을 조건부 분포로 모델링하기 위해 조건부 생성적 적대적 네트워크(cGAN)를 사용하며, 수신된 파ilot 심볼을 조건 입력으로 사용한다.
• 학습 중 cGAN이 실제적인 채널 효과를 생성함으로써, 수신기 DNN이 알려지지 않은 채널 변동성에도 강건한 디코딩을 학습할 수 있도록 한다.
• 전송기와 수신기는 딥 뉴럴 네트워크(DNN)로 구현되며, cGAN이 이들 사이에 삽입되어 기울기 흐름이 역전파 동안 유지되도록 한다.
• 긴 코드워드 시퀀스에 대해 차원의 극복 문제를 완화하기 위해 컨볼루션 신경망(CNN) 레이어를 활용한다.
• 노이즈를 은닉층에 주입하여 채널 효과를 시뮬레이션하면서, 지도 학습 방식으로 엔드 투 엔드 손실 함수를 사용해 시스템을 학습한다.
• 파ilot 심볼을 cGAN의 입력으로 사용하여 채널에 특화된 출력을 생성함으로써, 모델이 순간적인 채널 상태에 적응할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 조건부 GAN이 엔드 투 엔드 딥 러닝 통신 시스템에서 알려지지 않은 시간에 따라 변하는 무선 채널 효과를 효과적으로 모델링할 수 있는가?
• RQ2 CSI가 가용하지 않을 경우, 수신기 DNN에서 전송기 DNN로의 기울기 역전파를 어떻게 유지할 수 있는가?
• RQ3 제안된 방법이 다양한 채널 유형에서 전문가가 설계한 모델 기반 전통적 시스템과 비교해 유사한 성능을 달성할 수 있는가?
• RQ4 학습 채널과 테스트 채널 간 분포 이질성(예: 다른 전력 지연 프로파일) 상황에서 모델의 강건성은 어떠한가?
• RQ5 긴 블록 길이에 대해 차원의 극복 문제를 겪지 않고도 이 방법이 확장 가능한가?

주요 결과

• 제안된 엔드 투 엔드 시스템은 AWGN 채널에서 최대우도 해독을 사용하는 허밍(7,4) 코드와 비교해 비트 오류율(BER) 및 블록 오류율(BLDR) 성능이 유사하다.
• 큰 블록 크기(64비트 및 100비트)의 경우, AWGN 채널에서 고 SNR 영역에서 순환계통형 컨volution형(RSC) 코딩보다 성능이 뛰어나다.
• 레이일리 fading 채널에서 엔드 투 엔드 접근 방식은 QAM 변조 및 비율 1/2의 RSC 코딩을 사용하는 전통적 시스템과 유사한 BER 및 BLER 성능을 달성한다.
• 주파수 선택적 다중경로 채널에서, SNR가 7 dB를 초과할 경우, OFDM 기반 시스템보다 제안된 시스템이 현저히 뛰어난 성능을 보인다.
• 지수형 전력 지연 프로파일(PDP)로 학습한 모델은 평탄한 PDP로 테스트할 경우에도 잘 일반화되며, 채널 분포 불일치에 대해 강력한 강건성을 보여준다.
• 파ilot 심볼을 조건 입력으로 사용함으로써 cGAN이 정확하고 채널에 특화된 채널 효과를 생성할 수 있었으며, 이는 효과적인 역전파와 공동 학습을 가능하게 했다.