[論文レビュー] A deep learning based solution for imperfect CSI problem in correlated FSO communication channel

Mohammad Ali Amirabadi|arXiv (Cornell University)|Sep 12, 2019

Optical Wireless Communication Technologies参考文献 15被引用数 7

ひとこと要約

本稿では、相関のある自由空気光（FSO）通信システムにおける不完全なチャネル状態情報（CSI）によって引き起こされる性能劣化を軽減するため、ディープラーニングベースの受信機構造を提案する。ノイズがかかるCSIと送信シンボルの間の非線形写像を学習することで、不完全なCSI下でも最大尤度検出を上回る性能を達成し、特に相関のある対数正規フェージングチャネルで顕著な効果を示す。

ABSTRACT

Imperfect channel state information (CSI) at the receiver, which is due to channel estimation error, is one of the main problems toward achieving optimum detection. This paper presents a deep learning based structure for combating this issue. In order to show the effect of using deep learning, the symbol error rate of a simple free space optical (FSO) communication system is simulated over correlated and un-correlated log-normal channel with write/ wrong CSI. Novelties and contributions of this paper, which are done for the first in machine learning for FSO communication include considering deep learning, considering Log-normal channel, considering correlated channel, considering imperfect CSI. The proposed deep learning based structure is compared with maximum likelihood detector, it is shown that in perfect CSI, both perform the same (because maximum likelihood is optimum), but in imperfect CSI, proposed deep learning based structure outperforms maximum likelihood in channels with un-correlation or desired correlation lengths.

研究の動機と目的

• チャネル推定誤差によって引き起こされる不完全なCSIによるFSOシステムの性能劣化を解消すること。
• 不完全なCSIを伴う相関のある対数正規フェージングチャネルに適応する機械学習ベースの受信機を開発すること。
• 不完全なCSI条件下での従来の最大尤度検出の限界を克服すること。
• ディープラーニングがFSOチャネル状態情報の非線形性と相関性を効果的に処理できることを示すこと。
• ディープラーニングと光無線通信を組み合わせた、チャネル不確実性に対してより強固な新たなフレームワークを提供すること。

提案手法

• 損傷したCSI推定値から推定された送信シンボルへマッピングするディープニューラルネットワーク（DNN）受信機を設計すること。
• 加法性ノイズを伴う相関のある対数正規FSOチャネルモデルからのシミュレーテッドデータを用いてDNNを訓練すること。
• 非線形写像を実現するため、ReLU活性化関数を用いた完全に接続されたフィードフォワードネットワークアーキテクチャを採用すること。
• 予測された値と実際の送信シンボルとの間の平均二乗誤差（MSE）損失を最適化してネットワークを最適化すること。
• 不相関および相関のある対数正規フェージングチャネルをシミュレートし、耐性を評価すること。
• 同一条件下でDNNベースの受信機と最大尤度（ML）検出器を比較すること。

実験結果

リサーチクエスチョン

• RQ1 不完全なCSI下のFSOシステムにおいて、ディープラーニングベースの受信機が最大尤度検出を上回ることができるか？
• RQ2 チャネル相関性が、従来のML検出器とディープラーニングベースの受信機の性能にどのように影響を与えるか？
• RQ3 提案されたDNNアーキテクチャが、相関のある対数正規FSOチャネルにおけるチャネル推定誤差の影響をどの程度軽減できるか？
• RQ4 ディープラーニングモデルが、FSOチャネルの異なる相関長に一般化できるか？
• RQ5 不完全なCSI下でのシンボル誤り率（SER）の観点から、DNNがML検出に対してどの程度の性能向上を達成できるか？

主な発見

• 完全なCSI条件下では、提案されたディープラーニングベースの受信機は最大尤度検出器と同等のシンボル誤り率（SER）を達成しており、理想的な条件下での最適性を確認している。
• 不完全なCSI下では、不相関および相関のある対数正規フェージングチャネルの両方において、ディープラーニングベースの受信機が最大尤度検出器を上回る性能を示している。
• DNNの性能向上は、中程度から高い相関長を示すチャネルで特に顕著である。
• DNNはノイズがかかるCSIと送信シンボルの間の非線形関係を効果的に学習し、チャネル推定値が損傷している場合でもSERを低減している。
• 提案手法は、特に従来のML検出がCSIの不正確さにより失敗するような状況において、チャネル推定誤差に対して強い耐性を示している。