[论文解读] Cascade-Net: a New Deep Learning Architecture for OFDM Detection

Qisheng Huang, Chunming Zhao+3 more|arXiv (Cornell University)|Nov 30, 2018

Wireless Signal Modulation Classification参考文献 13被引用 13

一句话总结

本文提出Cascade-Net，一种深度学习架构，通过将零强制预处理器与可训练的深度神经网络级联，提升高频段和毫米波频段中高多普勒扩展环境下的OFDM符号检测性能。通过将预处理器与可训练网络级联，该方法在训练过程中避免陷入不良局部极小值，相较于传统零强制检测器和独立的深度神经网络检测器，在高信噪比（SNR）和病态信道条件下均表现出更优的误比特率（BER）性能。

ABSTRACT

In this paper, we consider using deep neural network for OFDM symbol detection and demonstrate its performance advantages in combating large Doppler Shift. In particular, a new architecture named Cascade-Net is proposed for detection, where deep neural network is cascading with a zero-forcing preprocessor to prevent the network stucking in a saddle point or a local minimum point. In addition, we propose a sliding detection approach in order to detect OFDM symbols with large number of subcarriers. We evaluate this new architecture, as well as the sliding algorithm, using the Rayleigh channel with large Doppler spread, which could degrade detection performance in an OFDM system and is especially severe for high frequency band and mmWave communications. The numerical results of OFDM detection in SISO scenario show that cascade-net can achieve better performance than zero-forcing method while providing robustness against ill conditioned channels. We also show the better performance of the sliding cascade network (SCN) compared to sliding zero-forcing detector through numerical simulation.

研究动机与目标

• 解决因大多普勒扩展导致OFDM系统中子载波间干扰（ICI）的问题，尤其在高频段和毫米波频段。
• 克服深度神经网络在高SNR条件下训练时陷入鞍点或局部极小值的局限性。
• 提升在时变、病态信道条件下的Rayleigh衰落信道中检测的鲁棒性与性能，尤其在高多普勒扩展场景下。
• 为具有大量子载波的OFDM系统开发一种高效检测方法，同时最小化计算复杂度。
• 通过结合离线训练与基于可重构硬件的在线推理，实现深度学习在OFDM检测中的实际部署。

提出的方法

• 提出一种级联架构，将零强制预处理器与可训练的深度神经网络级联，以稳定训练过程并提升收敛性。
• 采用滑动检测结构，包含输出区（OA）与保护区（GA），实现对长OFDM符号的高效处理，避免过度计算。
• 基于相邻子载波间的ICI特性，通过信道相关性的解析公式，经验性地设计GA与OA的长度。
• 仅在输出区上使用损失函数进行端到端训练，忽略保护区，以减轻不必要的优化负担。
• 采用类似迁移学习的初始化策略，固定预处理器参数，仅微调深度网络，降低训练难度。
• 使用Adam优化器，超参数经调优以确保收敛性，并利用已知信道状态信息的合成数据进行离线训练。

实验结果

研究问题

• RQ1 在大多普勒扩展条件下，级联式深度学习架构是否优于经典零强制检测器和独立的深度神经网络检测器？
• RQ2 零强制预处理器的引入在多大程度上提升了深度神经网络在OFDM检测中的训练稳定性和收敛性？
• RQ3 滑动窗口结构（GA与OA）的最优设计是什么？在保持检测精度的同时，如何最小化计算复杂度？
• RQ4 与滑动零强制检测和深度检测方法相比，所提出的Cascade-Net在多大程度上降低了误码平台？
• RQ5 在实际部署场景中，当信道状态信息不完美或存在噪声时，Cascade-Net的鲁棒性如何？

主要发现

• Cascade-Net在所有SNR水平下均优于经典零强制检测器的误比特率（BER）性能，尤其在高SNR区域表现更优。
• 在SNR约为20 dB时，深度神经网络检测器（DNT）性能优于零强制检测器，但在更高SNR下因迭代次数受限而性能下降；Cascade-Net有效避免了该问题。
• 在256子载波OFDM系统中，OA为16个子载波、GA为8个子载波的滑动级联网络（SCN）在所有测试方法中实现了最低的误码平台。
• 对于N=256子载波系统，SCN显著降低了BER平台，相较于滑动零强制检测与标准DNT，展现出在高多普勒环境下的卓越鲁棒性。
• 即使在信道状态信息不完美时，该方法仍保持鲁棒性，表明其在5G和毫米波系统实际应用中的可行性。
• 由于滑动结构的存在，SCN的计算复杂度与子载波数量呈线性关系，使其在大规模系统中具备良好的可扩展性。