[논문 리뷰] Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex-valued Convolutional Networks

Zhongyuan Zhao, Mehmet C. Vuran외 2명|arXiv (Cornell University)|2018. 10. 16.

Wireless Signal Modulation Classification참고 문헌 46인용 수 30

한 줄 요약

이 논문은 깊이 있는 복소수 합성곱 신경망(DCCN)을 사용하여 전통적인 DFT/IDFT를 대체하는 학습된 OFDM 수신기인 Deep-Waveform을 제안한다. 이는 순환 프리픽스를 활용하여 SNR를 향상시키며, 학습된 선형 변환을 통해 구현된다. DCCN은 레이일라이히 페이딩 채널에서 기존의 LMMSE 및 CP 향상 수신기보다 우수한 성능을 보이며, ${\mathcal{O}}(N^{2})$의 낮은 복잡도를 갖는다. 이는 OFDM 시스템에서 FFT 프로세서를 AI 가속기로 대체할 수 있음을 입증한다.

ABSTRACT

The (inverse) discrete Fourier transform (DFT/IDFT) is often perceived as essential to orthogonal frequency-division multiplexing (OFDM) systems. In this paper, a deep complex-valued convolutional network (DCCN) is developed to recover bits from time-domain OFDM signals without relying on any explicit DFT/IDFT. The DCCN can exploit the cyclic prefix (CP) of OFDM waveform for increased SNR by replacing DFT with a learned linear transform, and has the advantage of combining CP-exploitation, channel estimation, and intersymbol interference (ISI) mitigation, with a complexity of $\mathcal{O}(N^2)$. Numerical tests show that the DCCN receiver can outperform the legacy channel estimators based on ideal and approximate linear minimum mean square error (LMMSE) estimation and a conventional CP-enhanced technique in Rayleigh fading channels with various delay spreads and mobility. The proposed approach benefits from the expressive nature of complex-valued neural networks, which, however, currently lack support from popular deep learning platforms. In response, guidelines of exact and approximate implementations of a complex-valued convolutional layer are provided for the design and analysis of convolutional networks for wireless PHY. Furthermore, a suite of novel training techniques are developed to improve the convergence and generalizability of the trained model in fading channels. This work demonstrates the capability of deep neural networks in processing OFDM waveforms and the results suggest that the FFT processor in OFDM receivers can be replaced by a hardware AI accelerator.

연구 동기 및 목표

• 시간 도메인 신호 변환을 학습하여 명시적인 DFT/IDFT를 회피하는 종단 간 OFDM 수신기를 개발하기 위해.
• 기존의 CP 활용 방식이 아닌, 학습된 선형 변환을 통해 순환 프리픽스를 활용하여 SNR 향상을 도모하기 위해.
• 실제 구현 가이드라인을 제공하여 무선 물리계층에서 복소수 신경망을 구현 가능하게 하기 위해.
• 새로운 훈련 기법을 통해 페이딩 채널에서 수렴성과 일반화 성능을 향상시키기 위해.
• 이중 선택적 레이일라이히 페이딩 환경에서 DCCN이 기존 수신기보다 뛰어난 성능을 보일 수 있음을 입증하기 위해.

제안 방법

• 시간 도메인 OFDM 신호를 직접 복호화된 비트로 매핑하는 데 목적을 둔 깊이 있는 복소수 합성곱 신경망(DCCN)을 훈련시켜 DFT/IDFT를 대체한다.
• 복소수 합성곱은 복소수 필드 $\mathbb{C}$의 대수적 구조를 유지하여 실수-허수 분리 없이 처리한다.
• 페이딩 채널에서 훈련 중 기울기 소실을 방지하기 위해 새로운 종단 간 손실 함수를 설계한다.
• 두 단계 훈련 방식을 적용한다: 먼저 AWGN에서, 그 후 다양한 SNR를 가진 혼합된 레이일라이히 페이딩 채널에서 훈련하여 손실 곡면을 부드럽게 한다.
• OFDM 서브캐리어 구조에 맞춘 $\mathbb{C}_{S \times N}$ 크기의 합성곱 레이어를 포함한 도메인 특화 아키텍처 선택을 한다.
• 학습 후 DCCN을 기존 디모듈레이션으로 대체하는 간소화된 구현 버전을 도입하여 하드웨어 호환성을 확보한다.

실험 결과

연구 질문

• RQ1 복소수 신경망에서 학습된 선형 변환을 통해 OFDM 수신기에서 DFT/IDFT를 대체하면서 성능 향상을 이룰 수 있는가?
• RQ2 기존의 CP 향상 기법과 비교해, 학습된 변환을 통해 순환 프리픽스를 활용할 경우 페이딩 채널에서 어떤 성능 차이가 있는가?
• RQ3 시간 변화하는 무선 채널에서 수렴성과 일반화 성능 향상을 위해 효과적인 훈련 전략은 무엇인가?
• RQ4 층 깊이 및 복소수 연산을 포함한 DCCN의 아키텍처 선택이 성능와 복잡도에 어떤 영향을 미치는가?
• RQ5 복소수 $\mathbb{C}$ 지원이 없는 딥 러닝 프레임워크에서 복소수 신경망을 실제로 어떻게 구현할 수 있는가?

주요 결과

• DCCN 수신기는 EVA 페이딩 채널에서 10 dB SNR에서 BER이 $10^{-4}$에 도달하며, 이상적인 LMMSE 및 기존 CP 향상 수신기보다 뛰어난 성능을 보였다.
• 복잡도 $\mathcal{O}(N^2)$를 가진 DCCN는 이중 선택적 페이딩 환경에서 기존 $\mathcal{O}(N \log N)$ DFT 기반 수신기보다 뛰어난 성능을 보였다.
• DCCN-CP 아키텍처에서 $\mathbb{C}_{FN \times FN}$ 크기의 두 개의 조밀 레이어가 최적의 성능-복잡도 균형을 이룬다.
• 복소수 합성곱을 실수-허수 성분을 별도로 처리하는 실수-valued 합성곱으로 대체할 경우 훈련에 실패하며, BER은 0.47에 도달한다.
• 두 단계 훈련 전략—먼저 AWGN에서, 그 후 혼합된 페이딩 및 다양한 SNR에서 훈련—은 일반화 성능 향상과 오류 바닥을 감소시키는 데 크게 기여한다.
• 혼합 채널과 SNR에서 단일 단계 훈련을 수행할 경우 BER이 0.01 증가하여, 단계별 훈련의 유용성을 확인한다.