[논문 리뷰] Deep Neural Network-Based Quantized Signal Reconstruction for DOA Estimation

Weifeng Han, Peng Chen외 1명|arXiv (Cornell University)|2020. 05. 03.

Advanced Wireless Communication Technologies참고 문헌 15인용 수 9

한 줄 요약

이 논문은 인텔리전트 리플렉팅 서피스(IRS)를 지원하는 대량 다중 안테나(MIMO) 시스템에서, 방향도 도래(DoA) 추정을 위해 저해상도 ADC를 사용할 경우의 양자화 잡음 문제를 해결하기 위해, 완전히 연결된 신경망(FC-DNN), 배치 정규화, 잔차 블록을 포함한 딥 네ural 네트워크(DNN)를 제안한다. 이 방법은 양자화 잡음을 효과적으로 억제하여, 1비트 ADC 성능이 2비트 ADC 성능을 초월할 수 있도록 하며, 성능 손실 없이 하드웨어 비용을 크게 절감한다.

ABSTRACT

For a massive multiple-input-multiple-output (MIMO) system using intelligent reflecting surface (IRS) equipped with radio frequency (RF) chains, the multi-channel RF chains are expensive compared to passive IRS, especially, when the high-resolution and high-speed analog to digital converters (ADC) are used in each RF channel. In this letter, a direction of angle (DOA) estimation problem is investigated with low-cost ADC in IRS, and we propose a deep neural network (DNN) as a recovery method for the low-resolution sampled signal. Different from the existing denoising convolutional neural network (DnCNN) for Gaussian noise, the proposed DNN with fully connected (FC) layers estimates the quantization noise caused by the ADC. Then, the denoised signal is subjected to the DOA estimation, and the recovery performance for the quantized signal is evaluated by DOA estimation. Simulation results show that under the same training conditions, the better reconstruction performance is achieved by the proposed network than state-of-the-art methods. The performance of the DOA estimation using 1-bit ADC is improved to exceed that using 2-bit ADC.

연구 동기 및 목표

• 인텔리전트 리플렉팅 서피스(IRS)를 갖춘 대량 MIMO 시스템에서 고해상도 ADC의 높은 비용 문제를 해결하기 위해.
• 심한 양자화 잡음으로 인해 성능이 저하되는 저해상도(예: 1비트) ADC를 사용할 경우의 DoA 추정 정확도 향상을 위해.
• 기존의 DnCNN과 같은 디노이징 네트워크보다 우수한 성능을 보이는 딥 러닝 기반의 신호 복원 방법을 개발하기 위해.
• RF 체인을 갖춘 IRS의 비용 효율적인 구현을 위해, DoA 추정 성능을 손상시키지 않은 채 저해상도 ADC를 허용하기 위해.

제안 방법

• 완전히 연결된 DNN에 배치 정규화(BN), 잔차 블록, ReLU 활성화 함수를 적용하여 저해상도 ADC 출력에서의 양자화 잡음을 추정하고 억제하는 방법을 설계하였다.
• 학습은 오프라인으로 수행되며, 복소 기저대역 신호의 데이터셋을 사용하여 1비트에서 4비트까지의 양자화 측정값에서 원래 신호를 복원하도록 훈련된다. 이 데이터셋은 양자화와 가우시안 잡음이 첨가된 신호로 구성된다.
• DNN의 입력은 M개의 센서로부터의 양자화된 신호 벡터이며, 출력은 원래 신호 벡터의 노이즈 제거된 추정치이다.
• 복원된 신호는 이후 MUSIC 알고리즘에 입력되어 DoA 추정을 수행하며, 성능 평가에는 각도 추정 평균제곱오차(MSE)를 사용한다.
• 네트워크 아키텍처는 컨볼루션 레이어를 피하고, 센서 어레이 전반의 양자화 잡음의 통계적 특성을 모델링하기 위해 완전히 연결된 레이어에 집중한다.
• FPGA 또는 임베디드 시스템에의 배포를 위해, 16비트 부동소수점 정밀도 및 잠재적 프루닝을 포함한 모델 압축 기법을 적용하였다.

실험 결과

연구 질문

• RQ1 딥 네ural 네트워크는 인텔리전트 리플렉팅 서피스(IRS)를 지원하는 대량 MIMO 시스템에서 1비트 ADC에 의한 신호 품질 저하를 효과적으로 복원하여 DoA 추정에 활용할 수 있는가?
• RQ2 다양한 신호 대 잡음비(SNR) 조건에서 제안된 DNN는 DnCNN과 같은 최첨단 기법보다 양자화된 신호 복원에서 어떤 성능을 보이는가?
• RQ3 딥 러닝 기반의 신호 복원을 통해 1비트 ADC의 DoA 추정 성능은 어느 정도 향상될 수 있는가?
• RQ4 제안된 DNN는 동일한 훈련 및 테스트 조건에서 2비트 ADC 시스템의 DoA 추정 정확도를 초월할 수 있는가?
• RQ5 16비트 정밀도와 같은 모델 압축 기법이 복원 정확도와 배포 가능성에 어떤 영향을 미치는가?

주요 결과

• 모든 신호 대 잡음비(SNR) 수준에서 제안된 DNN는 DnCNN보다 유의미하게 낮은 테스트 손실을 기록하여, 더 뛰어난 신호 복원 능력을 보였다.
• 충분한 훈련 데이터(10^7개 샘플/각 SNR)가 확보된 경우, 제안된 DNN에 의해 복원된 1비트 ADC의 DoA 추정 성능이 2비트 ADC 성능을 초월하였다.
• SNR = 50 dB일 때, 1비트 입력에서 복원된 신호는 특히 9° 부근에서 3비트 양자화 신호보다 더 뛰어난 각도 분辨능을 보였다.
• 32비트에서 16비트 부동소수점 정밀도로 네트워크 파rameter를 감소시켰을 때, 모델 크기가 50% 감소하였고, MSE 저하가 미미하여 50 dB SNR에서 0.081 대비 0.084로 거의 영향을 주지 않았다.
• 잔차 블록과 배치 정규화의 포함으로, 얕은 아키텍처에서도 일반화 능력과 학습 안정성이 향상되었다.
• 이 방법을 통해 IRS를 탑재한 대량 MIMO 시스템에서 1비트 ADC를 성능 손실 없이 사용할 수 있게 되었으며, 하드웨어 비용을 크게 절감할 수 있었다.