[论文解读] Blind Coherent Preamble Detection via Neural Networks

Jafar Mohammadi, Gerhard Schreiber+2 more|arXiv (Cornell University)|Sep 30, 2021

Blind Source Separation Techniques参考文献 18被引用 4

一句话总结

该论文提出了一种基于神经网络的盲相干导频检测方案，通过学习多天线和多时隙信号的最优相干合并，利用Zadoff-Chu序列特性与Kronecker结构信道协方差模型，提升信噪比。该方法名为HyNE，在低信噪比和高移动性场景下显著优于传统匹配滤波，且无需显式信道状态信息或针对不同信噪比重新训练模型。

ABSTRACT

In wireless communications systems, the user equipment (UE) transmits a random access preamble sequence to the base station (BS) to be detected and synchronized. In standardized cellular communications systems Zadoff-Chu sequences has been proposed due to their constant amplitude zero autocorrelation (CAZAC) properties. The conventional approach is to use matched filters to detect the sequence. Sequences arrived from different antennas and time instances are summed up to reduce the noise variance. Since the knowledge of the channel is unknown at this stage, a coherent combining scheme would be very difficult to implement. In this work, we leverage the system design knowledge and propose a neural network (NN) sequence detector and timing advanced estimator. We do not replace the whole process of preamble detection by a NN. Instead, we propose to use NN only for extit{blind} coherent combining of the signals in the detector to compensate for the channel effect, thus maximize the signal to noise ratio. We have further reduced the problem's complexity using Kronecker approximation model for channel covariance matrices, thereby, reducing the size of required NN. The analysis on timing advanced estimation and sequences detection has been performed and compared with the matched filter baseline.

研究动机与目标

• 解决在低信噪比和高移动性场景下，由于信道效应未知导致传统匹配滤波失效的导频检测挑战。
• 实现在无需显式信道状态信息的前提下，对多接收天线和多时隙信号进行盲相干合并。
• 通过利用信道协方差矩阵中的Kronecker结构，降低计算复杂度，优化神经网络设计。
• 提升随机接入过程中定时提前估计的准确性，尤其在低于-20 dB信噪比时表现更优。
• 开发单一、鲁棒的神经网络模型，实现对多样化信道条件和信噪比的泛化能力，避免针对不同信噪比重新训练模型。

提出的方法

• 该方法使用神经网络（HyNE）学习多天线和多时隙接收信号的最优相干合并权重，最大化信噪比，且无需事先进行信道估计。
• 网络通过基于最小均方误差（MMSE）估计器推导的损失函数进行训练，使其以数据驱动方式逼近最优线性合并。
• 在信道协方差矩阵上应用Kronecker近似模型，减少可训练参数数量，提升在多样化信道条件下的泛化效率。
• 该方法将导频检测问题重新表述为类似信道估计的问题，从而可将已有研究充分的信道估计技术知识迁移至相干合并中。
• 网络设计用于处理多维输入（频率、空间、时间），理论分析表明，由于Zadoff-Chu CAZAC特性，频域相关性可忽略不计。
• 该方法保留了传统匹配滤波结构，仅将相干合并阶段替换为可学习的神经网络，确保与现有系统的向后兼容性。

实验结果

研究问题

• RQ1 神经网络能否在无先验信道状态信息的前提下，有效学习多天线和多时隙随机接入导频信号的盲相干合并？
• RQ2 在不同信噪比水平下，所提出的基于神经网络的相干合并方法（HyNE）与传统匹配滤波在检测和定时估计精度方面的性能对比如何？
• RQ3 在信道协方差矩阵中利用Kronecker结构在多大程度上降低了神经网络模型的复杂度并提升了泛化能力？
• RQ4 所提出方法是否能在无需针对不同信噪比重新训练模型的前提下，保持在多样化信道模型和信噪比条件下的鲁棒性？
• RQ5 为何频域对性能增益贡献极小？这与Zadoff-Chu序列的CAZAC特性是否一致？

主要发现

• HyNE在低信噪比区域显著优于传统匹配滤波，尤其在低于-20 dB时，检测与定时估计性能大幅提升。
• Kronecker近似模型显著减少了神经网络中的可训练参数，实现了高效训练与部署，同时保持高性能。
• 该方法在广泛信噪比范围和多种信道模型下均表现出鲁棒性能，无需为不同信噪比条件单独训练模型，优于以往方法。
• 理论分析证实，由于Zadoff-Chu序列的零互相关特性，频域分量对性能增益贡献极小，验证了聚焦于空域与时域的合理性。
• 定时提前估计仅在极低信噪比（< -20 dB）时表现出明显改善，表明HyNE的主要优势在于导频检测而非定时估计。
• 基于神经网络的相干合并性能接近理论MMSE边界，证明了在无信道状态信息条件下，网络能有效学习最优信号合并。