[논문 리뷰] Joint Transceiver Optimization for Wireless Communication PHY with Convolutional Neural Network

Banghua Zhu, Jintao Wang외 2명|arXiv (Cornell University)|2018. 08. 09.

Wireless Signal Modulation Classification참고 문헌 26인용 수 7

한 줄 요약

이 논문은 주로 주파수 선택적 fading 채널에서 전통적인 64QAM+ZF보다 더 낮은 비트 오류율(BER)과 시간 복잡도를 달성하면서 채널 변화에 강건하고 임의의 입력 비트 시퀀스 길이를 지원하는 무선 물리계층을 위한 컨volutional autoencoder 기반의 통합 송수신기 설계를 제안한다. 이 방법은 변조, 균형 조정, 복조를 종합적으로 최적화한다.

ABSTRACT

Deep Learning has a wide application in the area of natural language processing and image processing due to its strong ability of generalization. In this paper, we propose a novel neural network structure for jointly optimizing the transmitter and receiver in communication physical layer under fading channels. We build up a convolutional autoencoder to simultaneously conduct the role of modulation, equalization and demodulation. The proposed system is able to design different mapping scheme from input bit sequences of arbitrary length to constellation symbols according to different channel environments. The simulation results show that the performance of neural network based system is superior to traditional modulation and equalization methods in terms of time complexity and bit error rate (BER) under fading channels. The proposed system can also be combined with other coding techniques to further improve the performance. Furthermore, the proposed system network is more robust to channel variation than traditional communication methods.

연구 동기 및 목표

• 전통적인 분할 및 독립 설계 방식의 비최적성 문제를 해결하기 위해 송신기와 수신기의 종합 최적화를 가능하게 한다.
• 기존의 딥러닝 기반 오토인코더가 짧은 one-hot 입력에 국한되고 이차 시간 복잡도 문제를 겪는 한계를 극복한다.
• 명시적인 수학적 모델에 의존하지 않고 변화하는 채널 조건에 적응 가능한 확장 가능한 엔드 투 엔드 신경망 아키텍처를 개발한다.
• 시간 도메인 및 주파수 도메인 시스템, 특히 주파수 선택적 fading이 있는 OFDM 시스템 모두에 적용 가능하도록 한다.
• 채널 디코더와의 통합을 지원하기 위해 소프트 입력-소프트 출력 채널 디코더와의 연계를 가능하게 한다.

제안 방법

• 기존의 변조, 균형 조정, 복조 블록을 대체하기 위해 학습 가능한 공유 가중치 레이어를 사용하는 컨볼루션 오토인코더 아키텍처를 설계한다.
• 비균일한 서브캐리어 페이딩을 처리하기 위해 주파수 도메인에서 국소 연결 레이어를 사용하며, 표준 컨볼루션 레이어가 균일한 채널 응답을 가정하는 것을 대체한다.
• 모든 소프트 입력-소프트 출력 채널 디코더와 연동 가능한 소프트 출력 메커니즘을 활용하여 코딩 기법과의 통합을 가능하게 한다.
• 재구성 손실을 사용하여 백프로파게이션을 통해 네트워크를 엔드 투 엔드로 훈련시키며, 채널 통계에 기반한 최적의 신호 매핑을 학습할 수 있도록 한다.
• 이식 학습과 보조 신경망을 통한 프레임 동기화를 적용하여 실외 전송을 가능하게 하고 채널 기울기 문제를 해결한다.
• 서브캐리어별 페이딩을 명시적으로 모델링하는 방식으로 주파수 도메인에서 신호를 처리함으로써 OFDM 시스템에 네트워크를 적응시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 신경망이 전통적인 모듈식 물리계층 구성 요소를 뛰어넘는 BER과 복잡도를 달성할 수 있는 방식으로 송신기 및 수신기 설계를 종합 최적화할 수 있는가?
• RQ2 컨볼루션 오토인코더가 이차 시간 복잡도 증가 문제 없이 임의의 길이의 비트 시퀀스를 처리할 수 있는가?
• RQ3 기존의 64QAM에 영향을 받는 주파수 선택적 페이딩 채널에서 제안된 시스템은 어떻게 성능을 발휘하는가?
• RQ4 전통적인 설계 대비 신경망 기반 시스템은 채널 변화에 얼마나 강건한가?
• RQ5 오토인코더에서 학습된 매핑이 명시적인 알고리즘 설계 없이도 적응형 비트 로딩 행동을 모방할 수 있는가?

주요 결과

• 제안된 컨볼루션 오토인코더는 주파수 선택적 페이딩 채널에서 BER을 최소 $10^{-4}$까지 낮추며, 64QAM+ZF 방법보다 뚜렷이 뛰어난 성능을 보이며 BER 감소 속도도 더 빠르다.
• 특히 긴 입력 시퀀스에서 컨볼루션 레이어의 효율적 가중치 공유 덕분에 전통적 방법보다 낮은 시간 복잡도를 나타낸다.
• 네트워크는 채널 변화에 강건하여 기존 시스템 대비 채널 변동에 대한 민감도가 감소했다.
• 오토인코더의 소프트 출력은 어떤 소프트 입력-소프트 출력 채널 디코더와도 호환되어 향후 오류 수정 기법과 원활한 통합이 가능하다.
• 주파수 도메인에서 국소 연결 레이어의 사용은 서브캐리어별 페이딩을 효과적으로 처리하여, 제로포싱 균형 조정 대비 정보 복구 성능을 향상시킨다.
• 네트워크는 더 높은 신호 대 잡음비(SNR)를 가진 서브캐리어에 더 많은 정보를 할당함으로써 명시적인 설계 없이도 적응형 비트 로딩을 유사한 방식으로 학습한다.