[논문 리뷰] Deep-LMS for gigabit transmission over unshielded twisted pair cables

Avi Zanko, Itsik Bergel외 1명|arXiv (Cornell University)|2017. 05. 30.

Power Line Communications and Noise참고 문헌 21인용 수 3

한 줄 요약

이 논문은 쌍선 케이블을 사용하는 기가비트 속도 DSL 시스템을 위한 새로운 적응형 crosstalk 상쇄 알고리즘인 Deep-LMS를 제안한다. 딥 신경망에 영감을 받아, 전통적인 LMS 알고리즘의 수렴 속도를 가속화하기 위해 순차적이고 계층적인 적응형 전처리 행렬을 적용한다. 이로 인해 고대역폭, 불안정한 조건이 지배하는 G.fast 환경에서 특히 중요한 수렴 속도 향상을 달성하면서도 안정성과 정밀도를 손상시키지 않는다.

ABSTRACT

In this paper we propose a rapidly converging LMS algorithm for crosstalk cancellation. The architecture is similar to deep neural networks, where multiple layers are adapted sequentially. The application motivating this approach is gigabit rate transmission over unshielded twisted pairs using a vectored system. The crosstalk cancellation algorithm uses an adaptive non-diagonal preprocessing matrix prior to a conventional LMS crosstalk canceler. The update of the preprocessing matrix is inspired by deep neural networks. However, since most the operations in the Deep-LMS algorithm are linear, we are capable of providing an exact convergence speed analysis. The role of the preprocessing matrix is to speed up the convergence of the conventional LMS crosstalk canceler and hence the convergence of the overall system. The Deep-LMS is important for crosstalk cancellation in the novel G.fast standard, where traditional LMS converges very slowly due to the ill-conditioned covariance matrix of the received signal at the extended bandwidth. Simulation results support our analysis and show significant reduction in convergence time compared to existing LMS variants.

연구 동기 및 목표

• 불안정한 신호 공분산 행렬로 인해 고대역폭 G.fast 시스템에서 기존 LMS 알고리즘의 수렴 속도가 느린 문제를 해결한다.
• 확장된 대역폭(최대 212 MHz)을 가진 벡터링 기반 DSL 시스템에서 고정 단계 크기 LMS 및 NLMS의 한계를 극복한다.
• 실시간, 고속 상행 전송을 위한 저복잡도이면서도 신속하게 수렴하는 crosstalk 상쇄 알고리즘을 개발한다.
• 기존 구리 인프라를 통해 실용적인 기가비트/초 데이터 전송 속도를 달성하기 위해, 벡터링 기반 DSL 시스템에서의 수렴 속도 향상을 가능하게 한다.
• 선형 연산에 기반한 비선형 계층적 적응 알고리즘에 대한 정확한 수렴 분석을 제공하여 이론적 성능 보장을 가능하게 한다.

제안 방법

• 기존의 LMS crosstalk 상쇄기기 이전에 비대칭이면서도 적응 가능한 전처리 행렬을 적용하는 Deep-LMS 아키텍처를 제안하며, 딥 네트워크의 계층적 특성을 모방한다.
• 전처리 행렬을 순차적이고 계층별로 업데이트하며, 각 계층이 입력 신호 공분산 행렬의 효과적 조건수를 감소시키도록 적응한다.
• 기울기 하강 원리에 기반한 업데이트 규칙을 설계하며, 단계 크기를 입력 상관 행렬의 고유구조에서 유도하여 수렴 속도를 가속화한다.
• 모든 연산이 선형이므로 기존 딥 네트워크와 달리 정확한 수렴 속도 분석이 가능하도록 유지한다.
• 전처리 행렬을 LMS 프레임워크에 통합하여 전체 시스템이 수신기 출력에서 평균 제곱오차(MSE)를 최소화하도록 한다.
• 모든 연산이 선형이므로 계산 효율성을 유지하며, 고처리량 DSL 시스템에서 실시간 구현이 가능하도록 보장한다.

실험 결과

연구 질문

• RQ1 계층적이고 적응 가능한 전처리 행렬이 고대역폭 DSL 시스템에서 기존 LMS crosstalk 상쇄기의 수렴 속도를 크게 가속화할 수 있는가?
• RQ2 동일한 불안정한 조건의 채널에서 Deep-LMS 알고리즘의 수렴 속도가 기존 LMS 변종(NLMS, 대각선 단계 크기 LMS 등)과 비교해 어떻게 되는가?
• RQ3 Deep-LMS 알고리즘의 이론적 수렴 속도는 무엇이며, 알고리즘의 선형 구조를 바탕으로 분석적으로 경계를 설정할 수 있는가?
• RQ4 제안된 알고리즘이 G.fast 표준의 확장된 대역폭(최대 212 MHz)에서 더 빠른 수렴을 달성하면서도 안정성과 정확도를 유지하는가?
• RQ5 모든 연산이 선형임을 감안할 때, 전통적이지 않은 다중 계층적 아키텍처임에도 불구하고 Deep-LMS 프레임워크는 정확한 분석이 가능한가?

주요 결과

• Deep-LMS 알고리즘은 기존 LMS 및 그 변종보다 훨씬 더 빠른 수렴 속도를 달성하며, 특히 고대역폭, 불안정한 조건의 G.fast 환경에서 두드러진다.
• 이론적 분석을 통해 수렴 속도가 입력 상관 행렬의 고유값 분포에 의해 결정되며, 전처리 행렬이 이 분포를 효과적으로 감소시킴을 확인하였다.
• 시뮬레이션 결과, 표준 LMS 대비 Deep-LMS가 수렴 시간을 수개월 수준으로 감소시킴을 입증하였으며, 특히 고crosstalk 및 확장된 대역폭 조건에서 두드러진다.
• 알고리즘의 선형 구조 덕분에 정확한 수렴 분석이 가능하여 비선형 딥 네트워크에서 흔히 발생하는 불안정 문제를 피함으로써 안정성과 정확도를 유지한다.
• 수신기 출력에서의 신호대임계비(SINR)는 MSE의 함수로 아래bound되어 있으며, 알고리즘은 효과적 채널 응답이 항등행렬에 수렴하도록 보장한다.
• 최적의 단계 크기 행렬이 상관 행렬의 고유값의 역수에 비례하며, 알고리즘이 최소한의 오적조정을 가지며 MMSE 해에 수렴함을 입증하였다.