[论文解读] An End-to-End Block Autoencoder For Physical Layer Based On Neural Networks

Tianjie Mu, Xiaohong Chen+3 more|arXiv (Cornell University)|Jun 15, 2019

Wireless Signal Modulation Classification参考文献 13被引用 13

一句话总结

该论文提出一种基于CNN和LSTM的端到端块自编码器，用于物理层通信，实现发射机与接收机的联合优化。在AWGN和衰落信道中，该方法相较于现有基于自编码器的系统，实现了更优的误比特率（BER）性能，通过学习得到的64-QAM星座图以及降低码率和具备记忆能力的块处理，提升了系统鲁棒性。

ABSTRACT

Deep Learning has been widely applied in the area of image processing and natural language processing. In this paper, we propose an end-to-end communication structure based on autoencoder where the transceiver can be optimized jointly. A neural network roles as a combination of channel encoder and modulator. In order to deal with input sequences parallelly, we introduce block scheme, which means that the autoencoder divides the input sequence into a series of blocks. Each block contains fixed number of bits for encoding and modulating operation. Through training, the proposed system is able to produce the modulated constellation diagram of each block. The simulation results show that our autoencoder performs better than other autoencoder-based systems under additive Gaussian white noise (AWGN) and fading channels. We also prove that the bit error rate (BER) of proposed system can achieve an acceptable range with increasing the number of symbols.

研究动机与目标

• 通过实现输入序列的并行块处理，解决基于自编码器的通信系统中one-hot传输的低效问题。
• 通过端到端训练联合优化发射机与接收机，提升传输效率与性能。
• 通过基于块的架构与记忆机制，实现对任意长度输入序列的支持，建模块间依赖关系。
• 在实际信道条件（包括AWGN和瑞利衰落）下，无需训练时使用特定信道模型，证明系统具备鲁棒性能。
• 探索在真实硬件中部署学习得到的调制星座图的可行性，通过确保功率约束和结构化的符号分布。

提出的方法

• 系统将输入比特流划分为固定大小的块（例如每块6比特），以实现并行处理。
• 卷积神经网络（CNN）将每个块压缩为低维表示，再输入到堆叠的长短期记忆（LSTM）层中。
• LSTM层用于建模块之间的时序依赖关系，实现具备记忆能力的调制与更优的符号决策。
• 发射机将压缩后的块映射为复值星座符号，接收机则使用对称的解码架构重建原始比特。
• 训练过程中施加功率约束，以确保实际的信号能量水平。
• 使用Adam优化器通过反向传播进行端到端训练，AWGN信道的固定训练信噪比（SNR）为12 dB，衰落信道为20 dB。

实验结果

研究问题

• RQ1 在AWGN和衰落信道下，具有共享权重和记忆机制的基于块的自编码器是否能优于现有自编码器系统？
• RQ2 与前馈或仅使用CNN的架构相比，LSTM在建模模块间依赖关系方面如何提升性能？
• RQ3 码率降低在多大程度上能改善BER性能？其与频谱效率之间的权衡如何？
• RQ4 自编码器能否在不了解调制格式先验知识的情况下，学习到结构化且适用于硬件部署的星座图（如64-QAM）？
• RQ5 端到端训练框架是否能在不同信道模型下保持有效性，而无需进行信道特异性调整？

主要发现

• 在AWGN和衰落信道中，所有码率下，所提出的块自编码器在BER性能上均优于[9]中的基于CNN的自编码器。
• 在码率为1/2时，该自编码器在64-QAM中优于维特比硬判决译码，尤其在低信噪比区域，实现相同BER所需发射功率更低。
• 学习得到的64-QAM星座图在复平面上显示出64个清晰分离的簇，表明调制学习效果良好。
• 降低码率（如从1降至1/2）可提升性能，但会降低频谱效率，凸显了可靠性与吞吐量之间的权衡。
• 在衰落信道中，当信噪比高于15 dB时，系统出现误码地板，尤其在视 Line-of-Sight（LoS）路径较弱的信道B中更为明显。
• 该模型在未针对特定信道模型进行微调的情况下，仍能泛化到不同信道，表现出对信道变化的鲁棒性。