[논문 리뷰] Joint Neural Network Equalizer and Decoder

Weihong Xu, Zhiwei Zhong외 3명|arXiv (Cornell University)|2018. 07. 05.

Blind Source Separation Techniques참고 문헌 12인용 수 5

한 줄 요약

이 논문은 비선형 채널 균형화를 위한 1차원 컨volution 신경망(CNN)과 펄스 코드(16,8)를 위한 깊이 신경망 디코더(NND)를 결합한 공동 신경망 균형기 및 디코더를 제안한다. 이는 채널 상태 정보(CSI)가 없이도 블라인드 균형화와 디코딩을 가능하게 하며, 모델 파라미터를 약 2/3 감소시키고 복잡도를 O(n)으로 유지한다. 비선형 채널에서 인터심볼 인터페어런스(ISI)가 존재할 경우 기존 머신러닝 방법보다 0.5 dB 향상된 BER 성능을 달성한다.

ABSTRACT

Recently, deep learning methods have shown significant improvements in communication systems. In this paper, we study the equalization problem over the nonlinear channel using neural networks. The joint equalizer and decoder based on neural networks are proposed to realize blind equalization and decoding process without the knowledge of channel state information (CSI). Different from previous methods, we use two neural networks instead of one. First, convolutional neural network (CNN) is used to adaptively recover the transmitted signal from channel impairment and nonlinear distortions. Then the deep neural network decoder (NND) decodes the detected signal from CNN equalizer. Under various channel conditions, the experiment results demonstrate that the proposed CNN equalizer achieves better performance than other solutions based on machine learning methods. The proposed model reduces about $2/3$ of the parameters compared to state-of-the-art counterparts. Besides, our model can be easily applied to long sequence with $\mathcal{O}(n)$ complexity.

연구 동기 및 목표

• 정확한 채널 상태 정보(CSI)가 없이도 비선형 채널 왜곡과 심볼 간 간섭(ISI) 문제를 해결하고자 한다.
• 채널 계수나 노이즈 분산에 대한 사전 지식 없이도 다양한 채널 조건에 적응 가능한 블라인드, 엔드 투 엔드 트레이닝 가능한 균형기-디코더 프레임워크를 개발하고자 한다.
• 기존의 딥러닝 기반 균형기 대비 긴 시퀀스에서의 모델 복잡도를 줄이고 확장성을 향상하고자 한다.
• 비선형 fading 채널에서 ISI와 가우시안 백색 잡음(AWGN)이 존재할 경우 비트 오류율(BER) 성능을 향상하고자 한다.

제안 방법

• 비선형 왜곡과 ISI로 인한 송신 신호 복원을 위해 1차원 컨volution 신경망(CNN)을 균형기로 사용하며, 입력 신호로부터 직접 채널 특성을 학습한다.
• 고정된 필터 크기와 깊이로 1차원 컨볼루션을 수행하여 시퀀스 길이에 비례하는 선형 복잡도 O(n)을 달성한다.
• CNN의 출력 소프트 출력을 디코딩하기 위해 별도의 깊이 신경망 디코더(NND)를 연결하며, 펄스 코드(16,8)에 적합한 구조적 아키텍처(예: {16,128,64,32,8})를 사용한다.
• CNN과 NND는 오프라인 백프로파게이션을 통해 엔드 투 엔드 방식으로 공동으로 학습되며, CSI나 훈련 시퀀스가 없이도 블라인드 작동이 가능하다.
• 실제의 앰프 비선형성(예: 전력 증폭기 비선형성)을 시뮬레이션하기 위해 비선형 왜곡 함수 g(v) = |v| + 0.2|v|² - 0.1|v|³ + 0.5cos(π|v|)를 사용하여 모델을 훈련한다.
• 다양한 신호 대 잡음비(SNR) 및 채널 조건에서 BER 성능을 평가하며, GPC, SVM 및 기존 DNN 기반 방법과의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 GPC 및 SVM과 같은 전통적 머신러닝 방법에 비해 CNN 기반 균형기가 비선형 채널에서 ISI가 존재할 경우 우수한 성능을 달성할 수 있는가?
• RQ2 균형기와 디코더의 공동 학습이 BER 성능을 유지하거나 향상시키면서도 모델 파라미터를 얼마나 줄일 수 있는가?
• RQ3 제안된 공동 균형기-디코더 프레임워크가 긴 시퀀스에서도 저복잡도(O(n))를 유지하는가?
• RQ4 CNN+NND-Joint 모델의 성능은 최신 딥러닝 기반 균형화 및 디코딩 기법들과 비교해 어떻게 되는가?

주요 결과

• 제안된 CNN 균형기는 비선형 채널에서 ISI가 존재할 경우 GPC 및 SVM 방법보다 BER 성능이 0.2–0.5 dB 향상된다.
• CNN과 NND의 공동 학습(CNN+NND-Joint)은 공동 학습이 아닌 CNN+NND 구성 대비 0.5 dB BER 향상을 달성한다.
• CNN+NND-Joint 모델은 [6]에서 제시된 최첨단 딥러닝 방법과 매우 유사한 성능을 보이며, 고 SNR 영역에서 略 우수한 성능을 확보한다.
• 제안된 모델은 [6]의 기준 DNN 기반 방법 대비 약 2/3 감소된 파라미터(약 48,000에서 약 15,000)를 사용한다.
• CNN 균형기는 O(n) 계산 복잡도를 유지하여 긴 시퀀스에서도 성능 저하 없이 확장 가능하다.
• 공동 프레임워크는 CSI, 프리앰블 시퀀스, 노이즈 분산 또는 채널 계수 분포에 대한 가정 없이도 블라인드 균형화 및 디코딩을 가능하게 한다.