[論文レビュー] Joint Neural Network Equalizer and Decoder

Weihong Xu, Zhiwei Zhong+3 more|arXiv (Cornell University)|Jul 5, 2018

Blind Source Separation Techniques参考文献 12被引用数 5

ひとこと要約

本論文は、非線形チャネル歪みとISI（符号間干渉）を補正するための畳み込みニューラルネットワーク（CNN）を用いた共同ニューラルネットワーク・エクイライザと、極性符号用のディープニューラルネットワークデコーダ（NND）を提案する。これにより、チャネル状態情報（CSI）が不要なブラインド等化とデコーディングが可能となる。本手法は、パラメータ数を約2/3削減し、O(n)の計算複雑度を達成し、非線形チャネルにおけるISIを伴う環境で、先行する機械学習手法よりもBERで0.5 dBの性能向上を達成した。

ABSTRACT

Recently, deep learning methods have shown significant improvements in communication systems. In this paper, we study the equalization problem over the nonlinear channel using neural networks. The joint equalizer and decoder based on neural networks are proposed to realize blind equalization and decoding process without the knowledge of channel state information (CSI). Different from previous methods, we use two neural networks instead of one. First, convolutional neural network (CNN) is used to adaptively recover the transmitted signal from channel impairment and nonlinear distortions. Then the deep neural network decoder (NND) decodes the detected signal from CNN equalizer. Under various channel conditions, the experiment results demonstrate that the proposed CNN equalizer achieves better performance than other solutions based on machine learning methods. The proposed model reduces about $2/3$ of the parameters compared to state-of-the-art counterparts. Besides, our model can be easily applied to long sequence with $\mathcal{O}(n)$ complexity.

研究の動機と目的

• 非線形チャネル歪みと符号間干渉（ISI）に起因するデジタル通信システムの課題に、正確なチャネル状態情報（CSI）を必要とせずに対処すること。
• チャネル係数やノイズ分散の事前知識がなくとも、変動するチャネル状態に適応可能な、ブラインドでエンドツーエンドでトレーニング可能なエクイライザ・デコーダフレームワークの開発。
• 既存のディープラーニングベースのエクイライザと比較して、長時間系列の処理においてモデルの複雑度を低減し、スケーラビリティを向上させること。
• 非線形 fading チャネルに加えて、加法性白色ガウスノイズ（AWGN）を伴う環境下で、ビット誤り率（BER）性能を向上させること。

提案手法

• 1次元畳み込みニューラルネットワーク（CNN）をエクイライザとして用い、入力信号から直接チャネル特性を学習することで、非線形歪みとISIによる信号の復元を実現する。
• 固定フィルターサイズと深さを有する1次元畳み込みを実行し、シーケンス長に比例するO(n)の計算複雑度を達成する。
• CNNの後段に、極性符号（16,8）用の構造化されたアーキテクチャ（例：{16,128,64,32,8}）を有する別個のディープニューラルネットワークデコーダ（NND）を直列接続する。
• CNNとNNDは、オフラインのバックプロパゲーションを用いてエンドツーエンドで共同訓練され、CSIやトレーニングシーケンスが不要なブラインド動作を可能にする。
• 非線形歪み関数 g(v) = |v| + 0.2|v|² - 0.1|v|³ + 0.5cos(π|v|) を用いてモデルをトレーニングし、実際のアンプ非線形性を模擬する。
• 本システムは、さまざまなSNRおよびチャネル状態下で評価され、GPC、SVM、および先行DNNベースの手法と比較してBER性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのエクイライザは、非線形チャネルにISIが存在する環境下で、GPC や SVM といった従来の機械学習手法よりも優れた性能を達成できるか？
• RQ2 エクイライザとデコーダの共同学習により、BER性能を維持または向上させつつ、モデルパラメータ数をどれほど削減できるか？
• RQ3 提案された共同エクイライザ・デコーダフレームワークは、長時間系列においても低計算複雑度（O(n)）を維持できるか？
• RQ4 CNN+NND-Jointモデルの性能は、最先端のディープラーニングベースの等化・デコーディング手法と比較してどのように差がつくか？

主な発見

• 提案されたCNNエクイライザは、非線形チャネルにISIが存在する環境下で、GPC や SVM 手法と比較してBERで0.2–0.5 dBの向上を達成した。
• CNNとNNDの共同学習（CNN+NND-Joint）は、非共同学習のCNN+NND構成と比較して、BERで0.5 dBの改善を達成した。
• CNN+NND-Jointモデルは、[6]に提示された最先端のディープラーニング手法と非常に近い性能を達成しており、特に高SNR領域でわずかな優位性を示した。
• 提案モデルは、[6]のベースラインDNNベース手法と比較して、モデルパラメータ数を約2/3削減（約48,000から約15,000に）した。
• CNNエクイライザはO(n)の計算複雑度を維持しており、性能劣化を伴わず、長時間系列処理へのスケーラビリティを確保した。
• 共同フレームワークにより、CSIやプリアンブルシーケンス、ノイズ分散やチャネル係数分布に関する仮定が不要なブラインド等化・デコーディングが実現された。