[論文レビュー] Channel Equalization Using Multilayer Perceptron Networks

Saba Baloch, Javed Ali Baloch+1 more|arXiv (Cornell University)|Apr 2, 2016

Blind Source Separation Techniques参考文献 9被引用数 6

ひとこと要約

本論文では、帯域制限付きの多径フェージングチャネルにおける符号間干渉（ISI）を軽減するために、誤差逆伝播法で学習された多層フィードフォワードパーセプトロンニューラルネットワークを用いたブラインドチャネルイコライゼーション手法を提案する。この手法は、事前のチャネル情報が不要であり、ノイズを効果的に低減し、信号の復元を向上させる。シミュレーションにおいて、従来のイコライゼーションアルゴリズムよりも優れた性能を示している。

ABSTRACT

In most digital communication systems, bandwidth limited channel along with multipath propagation causes ISI (Inter Symbol Interference) to occur. This phenomenon causes distortion of the given transmitted symbol due to other transmitted symbols. With the help of equalization ISI can be reduced. This paper presents a solution to the ISI problem by performing blind equalization using ANN (Artificial Neural Networks). The simulated network is a multilayer feedforward Perceptron ANN, which has been trained by utilizing the error back-propagation algorithm. The weights of the network are updated in accordance with training of the network. This paper presents a very effective method for blind channel equalization, being more efficient than the pre-existing algorithms. The obtained results show a visible reduction in the noise content.

研究の動機と目的

• 帯域制限付きのデジタル通信チャネルにおける多径伝播によって引き起こされる符号間干渉（ISI）を解消すること。
• チャネルインパルス応答の事前知識を必要としないブラインドイコライゼーション手法を開発すること。
• ノイジーで歪みのある通信環境における信号検出の向上とノイズ低減を図ること。
• 従来の手法と比較して、人工ニューラルネットワークが歪んだ信号をイコライズする性能を評価すること。
• バックプロパゲーション学習を用いたマルチレイヤーパーセプトロンネットワークが、信頼性の高いイコライゼーションを達成できるかを実証すること。

提案手法

• イコライザアーキテクチャとして多層フィードフォワードパーセプトロンニューラルネットワークを採用する。
• 出力信号の目的出力と実際の出力の差を最小化するように、誤差逆伝播法を用いてネットワークを学習する。
• 誤差勾配に基づいてネットワーク内の重みを反復的に更新し、ISIとノイズを低減する。
• 学習プロセスはブラインド方式で実行され、チャネル状態情報は使用しない。
• ネットワークは、元の送信シンボルを復元するためにチャネルの逆インパルス応答を学習するように設計されている。
• シミュレーションにより、ノイズ低減とビット誤り率の改善という観点から性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 事前のチャネル知識がなくても、マルチレイヤーパーセプトロンニューラルネットワークが多径フェージングチャネルにおける符号間干渉（ISI）を効果的に軽減できるか。
• RQ2 提案手法のANNベースイコライザの性能は、ノイズ抑制と信号復元という観点で、従来のイコライゼーション技術と比べてどの程度優れているか。
• RQ3 逆伝播法による学習が、ブラインドイコライゼーションのシナリオにおいて収束性と精度をどの程度向上させるか。
• RQ4 ネットワークアーキテクチャと学習プロセスの影響は、イコライズ信号における残存ノイズ低減にどの程度寄与するか。
• RQ5 提案手法は、現実的な帯域制限付きチャネル環境下でも信頼性のあるイコライゼーションを達成できるか。

主な発見

• 提案されたマルチレイヤーパーセプトロンベースのイコライザは、受信信号のノイズ成分に顕著な低減効果を示している。
• 本手法は効果的なブラインドイコライゼーションを実現し、チャネル状態情報がなくても送信シンボルを正常に復元している。
• 逆伝播法による学習プロセスにより、ネットワークはチャネル特性を自己適応的に学習し、ISIを最小化できる。
• シミュレーション結果から、既存のイコライゼーションアルゴリズムと比較して信号忠実度が向上し、歪みが低減していることが示された。
• ネットワークがさまざまなチャネル状態に一般化できる能力は、実用的な通信環境における頑健性を裏付けている。
• 本手法は、帯域制限付きで多径効果が顕著なデジタル通信システムにおけるリアルタイム実装の可能性を示している。