[论文解读] Improving Massive MIMO Belief Propagation Detector with Deep Neural Network

Xiaosi Tan, Weihong Xu+4 more|arXiv (Cornell University)|Apr 2, 2018

Wireless Signal Modulation Classification参考文献 28被引用 37

一句话总结

该论文提出基于深度神经网络（DNN）的检测器，通过学习阻尼BP和最大和BP的最优校正因子，改进大规模MIMO系统中的信念传播（BP）。通过将这些算法展开为DNN架构，该方法在不同信道条件和天线配置下实现了更低的误比特率（BER）并提升了鲁棒性，且在相同计算复杂度下达到或超越当前最先进检测器的性能。

ABSTRACT

In this paper, deep neural network (DNN) is utilized to improve the belief propagation (BP) detection for massive multiple-input multiple-output (MIMO) systems. A neural network architecture suitable for detection task is firstly introduced by unfolding BP algorithms. DNN MIMO detectors are then proposed based on two modified BP detectors, damped BP and max-sum BP. The correction factors in these algorithms are optimized through deep learning techniques, aiming at improved detection performance. Numerical results are presented to demonstrate the performance of the DNN detectors in comparison with various BP modifications. The neural network is trained once and can be used for multiple online detections. The results show that, compared to other state-of-the-art detectors, the DNN detectors can achieve lower bit error rate (BER) with improved robustness against various antenna configurations and channel conditions at the same level of complexity.

研究动机与目标

• 解决由于环状因子图和空间相关衰落导致的信念传播（BP）在大规模MIMO系统中性能下降的问题。
• 克服阻尼BP和最大和BP等BP改进方法的局限性，这些方法依赖于难以优化的校正因子（如阻尼、归一化、偏移）。
• 开发一种深度学习框架，可高效地离线优化这些校正参数，从而降低在线计算负担。
• 在不增加复杂度的前提下，提升检测器在不同天线配置和信道条件下的鲁棒性。
• 在与传统BP及其变体相同的复杂度水平下，实现优于其性能的误比特率（BER）表现。

提出的方法

• 将阻尼BP和最大和BP算法展开为深度神经网络架构，以支持校正因子的端到端学习。
• 使用大规模训练数据集一次性离线训练DNN检测器，以学习最优阻尼因子（DNN-dBP）和归一化/偏移参数（DNN-MS）。
• 采用全连接前馈网络结构，并在各层间共享权重，以保持在线计算复杂度较低。
• 使用反向传播和随机梯度下降优化网络，损失函数基于最小化误比特率（BER）。
• 将训练好的DNN集成到消息传递框架中，用学习到的参数替代迭代校正因子更新。
• 确保DNN检测器保持与原始BP相同的计算复杂度阶O(MNL)，支持实时部署。

实验结果

研究问题

• RQ1 深度学习能否有效优化阻尼BP和最大和BP中的校正因子，从而提升大规模MIMO系统中的检测性能？
• RQ2 在各种信道条件下，所提出的基于DNN的检测器是否在BER性能上优于传统BP及其变体？
• RQ3 DNN检测器能否在不增加复杂度的前提下，同时提升对空间相关性和非对称天线配置的鲁棒性？
• RQ4 DNN检测器在不同信噪比（SNR）水平和调制方式下的性能表现如何变化？
• RQ5 训练好的DNN能否在无需重新训练的情况下泛化到不同MIMO配置？

主要发现

• DNN-dBP在空间相关衰落信道中显著降低了误比特率（BER），优于标准BP和HAD。
• DNN-MS优于原始最大和（MS）算法，且在相关信道中接近BP性能，同时计算复杂度未增加。
• DNN检测器在不同天线配置下表现出更强鲁棒性，尤其在ρ < 1（非对称配置）时性能增益最为明显。
• 当ρ = 1（对称配置）时，DNN检测器的性能增益有限，表明其对训练数据分布具有敏感性。
• 在相同复杂度水平下，DNN检测器的BER性能优于当前最先进检测器（如DetNet），且其优势在于训练阶段需要信道知识。
• 离线训练计算量较大，但可实现低复杂度在线推理，使该方法适用于大规模MIMO系统的实时检测。