[论文解读] Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier

Dani Korpi, Mikko Honkala+3 more|arXiv (Cornell University)|Jan 14, 2022

Radio Frequency Integrated Circuit Design被引用 6

一句话总结

本文提出了一种端到端机器学习（ML）优化的无线通信系统，通过联合学习发射波形与频域接收机，最小化非线性功率放大器（PA）引起的带外辐射，同时实现无导频检测。通过在发射端训练时域卷积神经网络（TX CNN）与DeepRx接收机，该系统在误码率（BER）和邻道泄漏比（ACLR）方面均优于传统方案，BER更低，ACLR降低最多达5 dB，展示了面向6G的原生机器学习空口技术的潜力。

ABSTRACT

Machine learning (ML) has shown great promise in optimizing various aspects of the physical layer processing in wireless communication systems. In this paper, we use ML to learn jointly the transmit waveform and the frequency-domain receiver. In particular, we consider a scenario where the transmitter power amplifier is operating in a nonlinear manner, and ML is used to optimize the waveform to minimize the out-of-band emissions. The system also learns a constellation shape that facilitates pilotless detection by the simultaneously learned receiver. The simulation results show that such an end-to-end optimized system can communicate data more accurately and with less out-of-band emissions than conventional systems, thereby demonstrating the potential of ML in optimizing the air interface. To the best of our knowledge, there are no prior works considering the power amplifier induced emissions in an end-to-end learned system. These findings pave the way towards an ML-native air interface, which could be one of the building blocks of 6G.

研究动机与目标

• 解决非线性功率放大器在无线发射机中引起的带外辐射问题。
• 通过联合学习非均匀星座图形状与深度接收机架构，实现无导频信号检测。
• 利用深度学习对整个传输链路进行端到端优化，提升在硬件损伤下的频谱效率与鲁棒性。
• 首次证明，学习得到的波形可有效抑制非线性PA环境下的邻道泄漏比（ACLR）。

提出的方法

• 发射端采用时域卷积神经网络（TX CNN）在功率放大前对正交频 division multiplexing（OFDM）波形进行预处理，以抑制频谱再生增长。
• 接收端采用DeepRx架构，在频域中联合完成信道估计、均衡与符号检测，无需依赖导频信号。
• 系统通过联合最小化误码率（BER）与邻道泄漏比（ACLR）的损失函数进行端到端训练。
• 采用无记忆多项式模型表征非线性PA行为，系数设置用于模拟真实的饱和效应。
• 在训练过程中联合优化星座图形状，生成有助于盲检测的非对称、非均匀星座图。
• 在不同PA输入回退电平下评估系统性能，以分析线性度、频谱效率与误码率之间的权衡。

实验结果

研究问题

• RQ1 端到端学习的波形与接收机系统能否有效降低由非线性功率放大器引起的带外辐射？
• RQ2 在存在非线性失真的情况下，学习得到的星座图形状在多大程度上可实现高精度的无导频检测？
• RQ3 在PA非线性条件下，发射端引入时域CNN如何影响频谱效率与误码率之间的权衡？
• RQ4 在严重非线性失真条件下，该学习系统能否超越传统基准方案（包括理想信道知识下的LMMSE）？

主要发现

• 在10 dB输入回退条件下，采用TX CNN的系统相比传统方案，ACLR降低5 dB，即使在严重非线性失真下仍表现出有效的带外辐射抑制能力。
• 在10 dB输入回退条件下，学习系统实现的BER低于具备完美信道知识的“天才”LMMSE接收机，凸显了端到端学习方法的鲁棒性。
• 若不使用TX CNN，系统无法有效抑制带外辐射，表明时域波形整形对于ACLR降低至关重要。
• 系统学习到一种非对称、非均匀的星座图，支持盲检测，从而在频谱效率上优于基于导频的方案。
• 当PA非线性减弱（回退电平提高）时，TX CNN版本的BER略有上升，这是由于增加了辐射抑制的复杂度，但ACLR仍显著更低。
• 与传统系统相比，该系统可在约5 dB更低的输入回退条件下满足给定的ACLR目标，从而支持更高发射功率或更节能的PA设计。