[论文解读] A deep learning based solution for imperfect CSI problem in correlated FSO communication channel

Mohammad Ali Amirabadi|arXiv (Cornell University)|Sep 12, 2019

Optical Wireless Communication Technologies参考文献 15被引用 7

一句话总结

本文提出了一种基于深度学习的接收机结构，以缓解相关自由空间光（FSO）通信系统中因信道状态信息（CSI）不完善而导致的性能下降。通过学习噪声CSI与发射符号之间的非线性映射，所提出的模型在CSI不完善条件下优于最大似然检测，尤其在相关对数正态衰落信道中表现更优。

ABSTRACT

Imperfect channel state information (CSI) at the receiver, which is due to channel estimation error, is one of the main problems toward achieving optimum detection. This paper presents a deep learning based structure for combating this issue. In order to show the effect of using deep learning, the symbol error rate of a simple free space optical (FSO) communication system is simulated over correlated and un-correlated log-normal channel with write/ wrong CSI. Novelties and contributions of this paper, which are done for the first in machine learning for FSO communication include considering deep learning, considering Log-normal channel, considering correlated channel, considering imperfect CSI. The proposed deep learning based structure is compared with maximum likelihood detector, it is shown that in perfect CSI, both perform the same (because maximum likelihood is optimum), but in imperfect CSI, proposed deep learning based structure outperforms maximum likelihood in channels with un-correlation or desired correlation lengths.

研究动机与目标

• 解决由于信道估计误差导致的CSI不完善所引起的FSO系统性能下降问题。
• 开发一种适应相关对数正态衰落信道中不完善CSI的机器学习接收机。
• 克服传统最大似然检测在CSI不完善条件下的局限性。
• 证明深度学习在处理FSO信道状态信息中的非线性和相关性方面的有效性。
• 提供一种结合深度学习与光无线通信的新框架，以提升对信道不确定性的鲁棒性。

提出的方法

• 设计一种深度神经网络（DNN）接收机，将受损的CSI估计映射为估计的发射符号。
• 使用具有加性噪声的相关对数正态FSO信道模型生成的仿真数据对DNN进行训练。
• 采用具有ReLU激活函数的全连接前馈网络架构，实现非线性映射。
• 使用预测值与实际发射符号之间的均方误差（MSE）损失函数对网络进行优化。
• 仿真未相关和相关对数正态衰落信道，以评估鲁棒性。
• 在相同条件下将基于DNN的接收机与最大似然（ML）检测器进行对比。

实验结果

研究问题

• RQ1 在FSO系统中，当CSI不完善时，基于深度学习的接收机是否能优于最大似然检测？
• RQ2 信道相关性如何影响传统ML检测与基于深度学习的接收机的性能？
• RQ3 所提出的DNN架构在多大程度上缓解了相关对数正态FSO信道中信道估计误差的影响？
• RQ4 该深度学习模型在FSO信道的不同相关长度下是否具有泛化能力？
• RQ5 在CSI不完善条件下，DNN相较于ML检测在符号误码率（SER）方面的性能增益是多少？

主要发现

• 在完美CSI条件下，所提出的基于深度学习的接收机达到与最大似然检测器相同的符号误码率（SER），证实了在理想条件下的最优性。
• 在CSI不完善条件下，基于深度学习的接收机在未相关和相关对数正态衰落信道中均优于最大似然检测器。
• 当相关长度中等至较高时，DNN的性能增益更为显著。
• DNN有效学习了噪声CSI与发射符号之间的非线性关系，即使在信道估计受损的情况下也能降低SER。
• 所提出的方法对信道估计误差表现出鲁棒性，尤其在传统ML检测因CSI不准确而失效的场景中表现更优。