[论文解读] Deep Learning Detection Networks in MIMO Decode-Forward Relay Channels

Xianglan Jin, Hyoung-Nam Kim|arXiv (Cornell University)|Jul 12, 2018

Cooperative Communication and Network Coding参考文献 27被引用 6

一句话总结

本文提出基于深度学习的检测网络（NMLDNs），用于MIMO解码转发中继信道，利用神经网络近似近似最大似然（NML）检测，显著降低复杂度。NMLDNs在无需源-中继链路瞬时信道状态信息（CSI）的情况下，实现接近穷举搜索NML检测器的性能，且可实时运行，在低信噪比（SNR）区域相比传统方法最高可获得2 dB的SNR增益。

ABSTRACT

In this paper, we consider signal detection algorithms in a multiple-input multiple-output (MIMO) decode-forward (DF) relay channel with one source, one relay, and one destination. The existing suboptimal near maximum likelihood (NML) detector and the NML with two-level pair-wise error probability (NMLw2PEP) detector achieve excellent performance with instantaneous channel state information (CSI) of the source-relay (SR) link and with statistical CSI of the SR link, respectively. However, the NML detectors require an exponentially increasing complexity as the number of transmit antennas increases. Using deep learning algorithms, NML-based detection networks (NMLDNs) are proposed with and without the CSI of the SR link at the destination. The NMLDNs detect signals in changing channels after a single training using a large number of randomly distributed channels. The detection networks require much lower detection complexity than the exhaustive search NML detectors while exhibiting good performance. To evaluate the performance, we introduce semidefinite relaxation detectors with polynomial complexity based on the NML detectors. Additionally, new linear detectors based on the zero gradient of the NML metrics are proposed. Applying various detection algorithms at the relay (DetR) and detection algorithms at the destination (DetD), we present some DetR-DetD methods in MIMO DF relay channels. An appropriate DetR-DetD method can be employed according to the required error probability and detection complexity. The complexity analysis and simulation results validate the arguments of this paper.

研究动机与目标

• 解决随着发射天线数量增加，MIMO解码转发中继系统中近似最大似然（NML）检测复杂度呈指数增长的问题。
• 开发可在单次训练阶段泛化于随机信道变化的基于深度学习的检测网络（NMLDNs）。
• 实现在目的地无需瞬时源-中继（SR）链路信道状态信息（CSI）的情况下，低复杂度、实时的信号检测。
• 提出基于NML度量零梯度与半定规划（SDR）近似的新型线性检测器，用于性能与复杂度的基准比较。
• 评估并比较各种中继检测（DetR）与目的地检测（DetD）组合，以指导不同性能-复杂度权衡下的系统设计。

提出的方法

• 将迭代NML检测算法展开为深度神经网络层（深度展开），构建用于实时推理的基于NML的检测网络（NMLDNs）。
• 使用监督学习训练NMLDNs，损失函数为 $ l_1 $ 和 $ l_2 $，其中 $ l_1 $ 最小化预测与实际发射符号之间的估计误差。
• 设计无需CSI的NMLDN变体（DNwRSD, sDNwRSD），通过平方中继信号距离建模SR链路影响，避免目的地获取瞬时SR CSI。
• 引入次优的NMLwRSD检测器，通过中继信号距离度量将SR链路的统计知识融入其中。
• 开发具有多项式时间复杂度的半定规划（SDR）检测器，作为NMLDNs的性能基准。
• 提出基于NML度量零梯度的新线性检测器（ZGwSRC, ZGwREP, ZGwRSD），提供复杂度低且性能优于ZFwMRC的替代方案。

实验结果

研究问题

• RQ1 能否利用深度学习近似MIMO解码转发中继信道中的复杂NML检测，实现显著降低的计算复杂度？
• RQ2 当目的地缺乏源-中继链路瞬时CSI时，NMLDNs的性能与穷举搜索NML检测器及SDR基检测器相比如何？
• RQ3 在动态衰落环境中，不同损失函数与网络深度对NMLDNs误码率性能的影响是什么？
• RQ4 无需CSI的NMLDNs能否实现与需CSI检测器相当的性能？相比传统线性检测器（如ZFwMRC）性能提升多少？
• RQ5 在实际MIMO DF中继系统中，何种DetR-DetD组合在误码率与复杂度权衡下表现最优？

主要发现

• 采用 $ l_1 $ 损失函数且网络深度为 $ L = 6N $ 层的DNaR-NMLDN，在广泛SNR范围内性能与穷举搜索NML检测器相差不超过0.5 dB。
• 在不掌握SR链路任何信息的情况下，DNaR-DNwRSD与sDNaR-DNwRSD方法在误码率（BER）为 $10^{-2}$ 时，相比SDRaR-SDRwRSD实现约2 dB的SNR增益。
• 当目的地无SR CSI时，NMLwRSD检测器在BER为 $10^{-3}$ 时相比MD检测器实现3.6 dB的SNR增益。
• ZGwRSD线性检测器在BER为 $10^{-3}$ 时相比ZFwMRC实现6.8 dB的SNR增益，表明其在低复杂度下实现显著性能提升。
• 采用 $ N_{ ext{iteration}} = 5 imes 10^4 $ 次迭代与 $ N_{ ext{batch}} = 10^4 $ 批次训练时，性能稳定，且当 $ L ightarrow 6N $ 层时误码率收敛。
• 基于SDR的检测器（SDRaR）性能与DNaR-NMLDN非常接近，验证了DNaR作为高复杂度NML检测器的低复杂度强替代方案。