[论文解读] A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection

Songyan Xue, Yi Ma+2 more|arXiv (Cornell University)|Apr 1, 2020

Wireless Signal Modulation Classification参考文献 44被引用 7

一句话总结

本文提出MNNet，一种用于MIMO信号检测的模块化神经网络方法，通过将并行干扰消除（PIC）集成到可重用的网络模块中，缓解了基于深度学习的MIMO检测在可扩展性方面的瓶颈。通过在线性减少前馈层中的干扰，MNNet在训练和推理复杂度显著低于端到端深度学习方法的同时，实现了接近最优的性能。

ABSTRACT

In this paper, we reveal that artificial neural network (ANN) assisted multiple-input multiple-output (MIMO) signal detection can be modeled as ANN-assisted lossy vector quantization (VQ), named MIMO-VQ, which is basically a joint statistical channel quantization and signal quantization procedure. It is found that the quantization loss increases linearly with the number of transmit antennas, and thus MIMO-VQ scales poorly with the size of MIMO. Motivated by this finding, we propose a novel modular neural network based approach, termed MNNet, where the whole network is formed by a set of pre-defined ANN modules. The key of ANN module design lies in the integration of parallel interference cancellation in the MNNet, which linearly reduces the interference (or equivalently the number of transmit-antennas) along the feed-forward propagation; and so as the quantization loss. Our simulation results show that the MNNet approach largely improves the deep-learning capacity with near-optimal performance in various cases. Provided that MNNet is well modularized, the learning procedure does not need to be applied on the entire network as a whole, but rather at the modular level. Due to this reason, MNNet has the advantage of much lower learning complexity than other deep-learning based MIMO detection approaches.

研究动机与目标

• 为解决现有基于深度学习的MIMO检测方法在发射天线数量增加时可扩展性差的问题。
• 探究人工神经网络（ANN）辅助MIMO检测与有损向量量化（MIMO-VQ）之间的根本联系，揭示量化损失随发射天线数量线性增加的规律。
• 设计一种模块化神经网络架构（MNNet），通过在分层结构中利用并行干扰消除（PIC），实现可扩展、低复杂度的训练与推理。
• 证明模块化训练——即分别训练网络各组件而非整个网络——可在降低计算成本的同时实现高性能。

提出的方法

• 将MIMO信号检测建模为联合统计信道量化与信号量化过程，称为MIMO-VQ，揭示了量化损失随发射天线数量线性增长的特性。
• 设计一种由预定义、可重用的ANN模块组成的模块化神经网络（MNNet），通过集成并行干扰消除（PIC）来减少各层中的有效干扰与量化损失。
• 将MNNet构建为前馈网络，其中每个模块处理部分信号，利用PIC在线性减少传播路径中干扰与有效发射天线数量。
• 采用分层超层架构实现网络结构，支持模块化训练，即每个模块独立训练，从而降低整体学习复杂度。
• 以接收信号向量 𝐲 和信道状态信息 𝐇 作为输入，无需矩阵求逆或分解，提升计算效率。
• 使用反向传播算法结合均方误差（MSE）损失函数进行网络训练，以最小化预测值与实际发射符号之间的差异。

实验结果

研究问题

• RQ1 在ANN辅助的MIMO检测中，量化损失如何随发射天线数量变化？其根本原因是什么？
• RQ2 模块化神经网络架构能否缓解端到端深度学习在MIMO检测中的可扩展性限制？
• RQ3 并行干扰消除（PIC）在多大程度上可被整合到深度学习模块中，以减少有效干扰并提升性能？
• RQ4 对网络各组件进行模块化训练是否能在保持高检测精度的同时降低计算复杂度？
• RQ5 在不同MIMO配置下，所提出的MNNet与最先进的基于深度学习的MIMO检测器（如DetNet、OAMPNet和TPG-Detector）相比，性能如何？

主要发现

• MIMO-VQ模型（代表ANN辅助MIMO检测）的量化损失随发射天线数量呈线性增长，解释了其可扩展性差的根本原因。
• MNNet在各种MIMO配置下均实现了接近最优的性能，包括非载荷（M<N）、临界载荷（M=N）和过载（M>N）系统。
• 在4×8 MIMO系统中采用QPSK调制时，MNNet在误比特率（BER）为10⁻⁵时与MLSD的性能差距仅为0.4 dB，优于DetNet和MIMO-VQ。
• 在8×4 MIMO系统中采用QPSK调制时，MNNet在高信噪比下相比MIMO-VQ基线获得1.7 dB增益，而其他方法如TPG-Detector和IW-SOAV则出现误码平台。
• MNNet通过避免矩阵求逆并支持模块化训练，保持了低计算复杂度，与全网络训练相比显著降低了学习开销。
• MNNet在不同调制方式（BPSK和QPSK）下性能表现稳健，从BPSK切换到QPSK时性能下降极小，而其他方法则表现出更大的性能差距。