[论文解读] Channel Agnostic End-to-End Learning based Communication Systems with Conditional GAN

Hao Ye, Geoffrey Ye Li+2 more|arXiv (Cornell University)|Jul 2, 2018

Wireless Signal Modulation Classification参考文献 11被引用 17

一句话总结

本文提出了一种无需事先了解信道状态信息（CSI）即可建模未知信道效应的无信道依赖端到端通信系统，采用条件生成对抗网络（cGAN）实现。通过将cGAN基于发送信号和导频符号进行条件化，系统端到端学习信道分布，在加性白高斯噪声（AWGN）和瑞利衰落信道上实现了与传统方法相当的性能，且无需对未知信道进行反向传播梯度计算。

ABSTRACT

In this article, we use deep neural networks (DNNs) to develop a wireless end-to-end communication system, in which DNNs are employed for all signal-related functionalities, such as encoding, decoding, modulation, and equalization. However, accurate instantaneous channel transfer function, \emph{i.e.}, the channel state information (CSI), is necessary to compute the gradient of the DNN representing. In many communication systems, the channel transfer function is hard to obtain in advance and varies with time and location. In this article, this constraint is released by developing a channel agnostic end-to-end system that does not rely on any prior information about the channel. We use a conditional generative adversarial net (GAN) to represent the channel effects, where the encoded signal of the transmitter will serve as the conditioning information. In addition, in order to deal with the time-varying channel, the received signal corresponding to the pilot data can also be added as a part of the conditioning information. From the simulation results, the proposed method is effective on additive white Gaussian noise (AWGN) and Rayleigh fading channels, which opens a new door for building data-driven communication systems.

研究动机与目标

• 克服端到端深度学习在通信系统中因需要精确瞬时信道状态信息（CSI）进行反向传播梯度计算而带来的局限性。
• 实现在未知信道传输函数先验知识下，发射机和接收机深度神经网络（DNN）的端到端训练。
• 利用条件生成对抗网络（cGAN）建模未知信道效应的分布，条件输入为发送信号和导频数据。
• 在时变信道（如瑞利衰落信道）上实现鲁棒性能，且无需显式信道建模。
• 证明纯数据驱动的无信道依赖通信系统可达到传统方法的性能水平。

提出的方法

• 使用条件生成对抗网络（cGAN）建模信道输出分布，以发射机编码信号作为条件输入。
• 生成器基于编码信号学习合成逼真的信道输出，在时变情况下还结合导频符号。
• 判别器用于区分真实信道输出（来自实际传输）与生成器合成的输出。
• 发射机和接收机DNN通过端到端损失以监督方式训练，而信道生成器则通过对抗方式训练。
• 将导频符号作为额外的条件信息引入，以实现对时变信道的适应。
• 通过迭代训练发射机、接收机和信道生成器，实现端到端优化，且无需直接对未知信道进行梯度计算。

实验结果

研究问题

• RQ1 能否在不依赖信道状态信息（CSI）先验知识的前提下，对基于深度学习的通信系统实现端到端训练？
• RQ2 条件生成对抗网络（cGAN）在时变环境中对未知信道效应分布的建模效果如何？
• RQ3 所提出的无信道依赖系统能否在标准信道（如AWGN和瑞利衰落信道）上实现与传统基于模型的通信系统相当的性能？
• RQ4 将导频符号作为条件信息引入，对系统处理时变信道能力有何影响？
• RQ5 当信道未知时，能否通过使用学习得到的信道生成器作为替代，实现发射机和接收机的反向传播训练？

主要发现

• 条件生成对抗网络（cGAN）成功建模了AWGN和瑞利衰落信道的输出分布，生成的信号星座图与真实信道输出高度一致。
• 在AWGN信道上，所提方法的块错误率（BLER）与采用最大似然译码的(7,4)汉明码性能相近。
• 在瑞利衰落信道上，系统在未显式进行信道估计的情况下，仍实现了与传统基于模型方法相当的BLER性能。
• 将导频符号作为条件信息引入，使模型能够适应时变信道条件，并提升信号重建精度。
• 端到端系统在不依赖解析信道模型或先验CSI的前提下，实现了具有竞争力的性能，证明了纯数据驱动通信系统的可行性。
• 通过使用cGAN作为信道的代理模型，即使在信道未知的情况下，也能实现发射机的基于梯度的训练。