[논문 리뷰] Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems

Hao Ye, Geoffrey Ye Li외 1명|arXiv (Cornell University)|2017. 08. 28.

Wireless Signal Modulation Classification참고 문헌 6인용 수 76

한 줄 요약

논문은 OFDM에서 채널 추정과 심볼 검출을 함께 수행하는 엔드-투-엔드 딥 러닝 접근법을 제안하며, 오프라인에서 학습하고 온라인으로 배포하여 명시적 CSI 추정 없이 데이터를 복구하도록 한다. 왜곡과 제한된 파일럿 하에서 경쟁력 있는 성능과 강인성을 보인다.

ABSTRACT

This article presents our initial results in deep learning for channel estimation and signal detection in orthogonal frequency-division multiplexing (OFDM). OFDM has been widely adopted in wireless broadband communications to combat frequency-selective fading in wireless channels. In this article, we take advantage of deep learning in handling wireless OFDM channels in an end-to-end approach. Different from existing OFDM receivers that first estimate CSI explicitly and then detect/recover the transmitted symbols with the estimated CSI, our deep learning based approach estimates CSI implicitly and recovers the transmitted symbols directly. To address channel distortion, a deep learning model is first trained offline using the data generated from the simulation based on the channel statistics and then used for recovering the online transmitted data directly. From our simulation results, the deep learning based approach has the ability to address channel distortions and detect the transmitted symbols with performance comparable to minimum mean-square error (MMSE) estimator. Furthermore, the deep learning based approach is more robust than conventional methods when fewer training pilots are used, the cyclic prefix (CP) is omitted, and nonlinear clipping noise is presented. In summary, deep learning is a promising tool for channel estimation and signal detection in wireless communications with complicated channel distortions and interferences.

연구 동기 및 목표

• OFDM 채널 추정 및 데이터 검출을 위한 엔드투엔드 도구로서의 딥 러닝의 동기를 제시한다.
• Explicit CSI 없이도 DNN이 채널 특성을 암묵적으로 학습하고 전송된 심볼을 복구할 수 있음을 입증한다.
• 감소된 파일럿, CP 누락, 그리고 비선형 클리핑 노이즈 하에서 DL 접근법의 강인성을 보여준다.
• 다양한 채널/왜곡 조건에서 DL 성능을 LS 및 MMSE와 비교한다.

제안 방법

• 다양한 채널 조건에서 파일럿 및 데이터를 포함한 시뮬레이션된 OFDM 프레임을 사용하여 다층 DNN을 오프라인으로 훈련한다.
• 수신된 OFDM 블록(파일럿 + 데이터)을 DNN에 입력하여 명시적 CSI 없이 전송된 데이터를 공동으로 추정한다.
• 예측된 데이터와 전송된 데이터 간의 L2 손실을 사용하여 네트워크 가중치를 최적화한다.
• 64개의 서브캐리어와 CP 길이 16의 OFDM 시스템을 구현하고, QPSK를 사용하며 WINNER II 도시 채널 모델 하에서 실험한다.
• BER로 성능을 평가하고 SNR 및 파일럿 수에 따라 LS 및 MMSE와 비교한다.

실험 결과

연구 질문

• RQ1 명시적 CSI 없이 DNN이 채널 효과를 공동으로 추정하고 OFDM 심볼을 복구할 수 있는가?
• RQ2 가변 파일럿, CP의 존재/부재, 및 클리핑 노이즈 하에서 DL 접근법이 LS 및 MMSE와 어떻게 비교되는가?
• RQ3 학습과 배포 채널 통계 간의 불일치에 대해 DL 모델이 강건한가?
• RQ4 비선형 왜곡이 DL와 전통적 추정기들에 미치는 영향은 무엇인가?

주요 결과

• DL 기반의 공동 추정 및 검출은 충분한 파일럿이 있을 때 MMSE와 비슷한 BER을 달성한다.
• 파일럿이 적을 때(예: 8) DL 방법은 LS보다 BER을 개선한 채를 유지하고 MMSE 성능에 근접한다.
• CP가 생략된 경우 DL은 강건성을 보이며 이러한 왜곡에서 LS/MMSE보다 우수하다.
• 특히 높은 SNR에서 DL은 MMSE에 비해 클리핑 노이즈에 더 강인하다.
• 학습/배포 채널 통계의 불일치가 DL 심볼 검출 성능을 심각하게 저하시킬 정도로 감소시키지는 않는다.