[논문 리뷰] Fine Timing and Frequency Synchronization for MIMO-OFDM: An Extreme Learning Approach

Jun Liu, Kai Mei외 5명|arXiv (Cornell University)|2020. 07. 17.

Cooperative Communication and Network Coding참고 문헌 35인용 수 33

한 줄 요약

이 논문은 인식된 채널 상태 정보(CSI)가 필요하지 않은 채널 상태 정보를 고려하지 않고도 잔류 기준 시간 오프셋(RSTO)과 잔류 캐리어 주파수 오프셋(RCFO)를 추정하기 위해 극단적 학습 기반 기계학습(ELM) 기반 기법을 제안한다. 기존의 전통적 및 기계학습 기반 기법들에 비해 뛰어난 성능을 달성하며, 계산 복잡도가 낮고 채널 변동성에 대해 강건하며, 예측되지 않은 주파수 오프셋으로의 일반화 능력이 뛰어나다.

ABSTRACT

Multiple-input multiple-output orthogonal frequency-division multiplexing (MIMO-OFDM) is a key technology component in the evolution towards cognitive radio (CR) in next-generation communication in which the accuracy of timing and frequency synchronization significantly impacts the overall system performance. In this paper, we propose a novel scheme leveraging extreme learning machine (ELM) to achieve high-precision synchronization. Specifically, exploiting the preamble signals with synchronization offsets, two ELMs are incorporated into a traditional MIMO-OFDM system to estimate both the residual symbol timing offset (RSTO) and the residual carrier frequency offset (RCFO). The simulation results show that the performance of the proposed ELM-based synchronization scheme is superior to the traditional method under both additive white Gaussian noise (AWGN) and frequency selective fading channels. Furthermore, comparing with the existing machine learning based techniques, the proposed method shows outstanding performance without the requirement of perfect channel state information (CSI) and prohibitive computational complexity. Finally, the proposed method is robust in terms of the choice of channel parameters (e.g., number of paths) and also in terms of "generalization ability" from a machine learning standpoint.

연구 동기 및 목표

• 인지 무선 및 5G/6G 네트워크에서 시스템 성능 저하를 초래하는 MIMO-OFDM 시스템 내 잔류 시간 및 주파수 동기화 오차라는 핵심 과제를 해결하기 위해.
• 소음 및 fading으로 인해 잔류 오차가 발생하는 전통적 동기화 방법의 한계를 극복하기 위해, 특히 고속 이동성 또는 주파수 선택적 환경에서의 성능 저하를 방지하기 위해.
• 완벽한 CSI나 높은 계산 복잡도를 요구하지 않는 기계학습 기반 동기화 접근법을 개발하여 실용적 구현을 가능하게 하기 위해.
• 다양한 채널 파rameter(예: 다중 경로 성분 수)의 변화에 대해 강건성을 확보하고, 훈련 데이터에 포함되지 않은 잔류 주파수 오프셋에 대해서도 일반화할 수 있도록 하기 위해.
• ELM이 저SNR 및 현실적인 fading 조건에서도 펄스 전처리 신호에서 동기화 관련 특징을 효과적으로 추출할 수 있음을 입증하기 위해.

제안 방법

• 수신된 펄스 전처리 신호에서 잔류 기준 시간 오프셋(RSTO)과 잔류 캐리어 주파수 오프셋(RCFO)을 추정하기 위해 사전에 오프라인으로 두 개의 별도된 극단적 학습 기반 기계학습(ELM)을 훈련한다.
• 실시간 CSI가 필요하지 않은 채널 조건(예: 다양한 SNR, 잔류 주파수 오프셋, 다중 경로 조건) 하에서 생성된 합성 데이터를 사용하여 ELM을 훈련한다.
• 각 ELM의 입력은 시간 및 주파수 오프셋으로 인한 위상 및 진폭 왜곡을 반영한 수신된 펄스 전처리 신호의 벡터화된 표현이다.
• 입력 가중치는 무작위로 할당되고 출력 가중치는 해석적으로 결정되는 단일 층 피드포워드 네트워크를 사용하여 빠른 훈련과 낮은 복잡도를 달성한다.
• 모든 훈련 단계가 사전에 오프라인으로 수행되므로, 실시간 시스템에 적용할 때 온라인 학습 오버헤드가 없이 구현이 가능하다.
• ELM의 내재된 노이즈 억제 능력과 제한된 훈련 데이터로부터의 일반화 능력을 활용하여 강건한 설계를 구현한다.

실험 결과

연구 질문

• RQ1 AWGN 및 주파수 선택적 페이딩 채널 조건에서 기존의 전통적 방법에 비해 ELM 기반 접근법이 MIMO-OFDM 시스템에서 더 높은 동기화 정밀도를 달성할 수 있는가?
• RQ2 실제로 자주 이용할 수 없는 완벽한 채널 상태 정보(CSI)가 없이도 제안된 ELM 기반 기법이 높은 성능을 유지할 수 있는가?
• RQ3 채널 파rameter(예: 다중 경로 성분 수)의 변화에 대해 ELM 기반 동기화 방법의 강건성은 어떠한가?
• RQ4 훈련 세트에 포함되지 않은 잔류 주파수 오프셋에 대해서도 훈련된 ELM이 일반화할 수 있는가? 이는 강력한 일반화 능력을 의미한다.
• RQ5 기존의 기계학습 기반 및 전통적 방법과 비교해 볼 때, 제안된 ELM 기반 기법의 계산 복잡도와 동기화 정밀도 사이의 상충 관계는 어떠한가?

주요 결과

• 3×3 및 4×4 MIMO-OFDM 시스템에서 주파수 선택적 페이딩 조건 하에서 SNR ≥ 3 dB일 경우, 제안된 ELM 기반 동기화 기법은 전통적 방법 대비 MSE 성능에서 1.5 dB의 이득을 보였다.
• RCFO에 대한 강건성을 입증하였으며, SNR = 15 dB 및 RCFO ≤ 0.0024 조건에서 MSE가 10⁻⁵ 이하로 유지되어 중간 SNR 영역에서 기존 방법보다 뛰어난 성능을 보였다.
• 채널 경로 수(L)의 변화에 관계없이 MSE가 거의 일정하게 유지되어, 다양한 다중 경로 성분을 가진 주파수 선택적 페이딩 환경에서도 강력한 강건성을 입증하였다.
• 훈련 세트에 포함되지 않은 RCFO 값에 대해서도 안정적인 성능을 보이며, 훈련 데이터에서의 성능과 유사한 MSE 값을 기록함으로써 ELM의 뛰어난 일반화 능력을 입증하였다.
• 기존의 기계학습 기반 접근법이 종종 반복적 훈련이나 복잡한 역전파 알고리즘을 요구하는 것과는 달리, 제안된 방법은 훨씬 낮은 계산 복잡도로 뛰어난 동기화 정밀도를 달성하였다.
• 추가적인 펄스 전처리 오버헤드가 필요로 하지 않으며, 완전히 오프라인으로 훈련이 가능하므로, 인지 무선 및 6G 시스템에서 실시간 구현에 적합하다.