[论文解读] Deep Learning based End-to-End Wireless Communication Systems with Conditional GAN as Unknown Channel

Hao Ye, Le Liang+2 more|arXiv (Cornell University)|Mar 6, 2019

Wireless Signal Modulation Classification参考文献 29被引用 11

一句话总结

本文提出了一种基于端到端深度学习的无线通信系统，利用条件生成对抗网络（cGAN）在无需显式信道状态信息（CSI）的情况下建模未知的信道效应。通过将导频符号作为条件输入，该方法实现了从接收端到发射端的梯度反向传播，从而支持发射端和接收端深度神经网络（DNN）的联合训练。该方法在加性白高斯噪声（AWGN）、瑞利衰落及频率选择性衰落信道中均实现了与传统方法相当或更优的性能，即使在训练与测试分布不匹配的情况下也表现出色。

ABSTRACT

In this article, we develop an end-to-end wireless communication system using deep neural networks (DNNs), in which DNNs are employed to perform several key functions, including encoding, decoding, modulation, and demodulation. However, an accurate estimation of instantaneous channel transfer function, i.e., channel state information (CSI), is needed in order for the transmitter DNN to learn to optimize the receiver gain in decoding. This is very much a challenge since CSI varies with time and location in wireless communications and is hard to obtain when designing transceivers. We propose to use a conditional generative adversarial net (GAN) to represent channel effects and to bridge the transmitter DNN and the receiver DNN so that the gradient of the transmitter DNN can be back-propagated from the receiver DNN. In particular, a conditional GAN is employed to model the channel effects in a data-driven way, where the received signal corresponding to the pilot symbols is added as a part of the conditioning information of the GAN. To address the curse of dimensionality when the transmit symbol sequence is long, convolutional layers are utilized. From the simulation results, the proposed method is effective on additive white Gaussian noise (AWGN) channels, Rayleigh fading channels, and frequency-selective channels, which opens a new door for building data-driven DNNs for end-to-end communication systems.

研究动机与目标

• 解决在缺乏精确信道状态信息（CSI）的情况下训练基于深度神经网络（DNN）的收发器所面临的挑战，因为这会阻碍梯度的反向传播。
• 以数据驱动的方式建模未知且时变的无线信道效应，避免依赖解析信道模型。
• 通过使用卷积层缓解长码字长度通信系统中的维度灾难问题。
• 在训练与测试信道分布不一致的情况下，实现稳健的端到端学习。
• 证明构建纯数据驱动通信系统在多样化无线传播环境中的可行性，并具备良好的泛化能力。

提出的方法

• 使用条件生成对抗网络（cGAN）将信道建模为条件分布，以接收的导频符号作为条件输入。
• 在训练过程中，cGAN生成逼真的信道效应，使接收端DNN能够学习在未知信道变化下实现鲁棒解码。
• 发射端和接收端均采用深度神经网络（DNN），并将cGAN插入两者之间，以在反向传播过程中保持梯度流动。
• 采用卷积神经网络（CNN）层，以缓解长码字序列带来的维度灾难问题。
• 系统采用监督方式训练，使用端到端损失函数，并在隐藏层中注入噪声以模拟信道效应。
• 利用导频符号作为cGAN的输入，生成与信道相关的输出，使模型能够适应瞬时信道状态。

实验结果

研究问题

• RQ1 条件生成对抗网络（cGAN）能否在端到端深度学习通信系统中有效建模未知且时变的无线信道效应？
• RQ2 当缺乏信道状态信息（CSI）时，如何保持从接收端DNN到发射端DNN的梯度反向传播？
• RQ3 所提方法能否在多种信道类型下实现与基于专家设计模型的传统系统相当的性能？
• RQ4 当训练与测试信道之间存在分布差异（如不同的功率延迟分布）时，模型的鲁棒性如何？
• RQ5 该方法能否在不遭受维度灾难影响的情况下扩展到长码字长度？

主要发现

• 所提出的端到端系统在加性白高斯噪声（AWGN）信道中，误比特率（BER）和误块率（BLER）性能与采用最大似然译码的(7,4)汉明码相当。
• 在大码字长度（64和100比特）下，该方法在高信噪比（SNR）区域的AWGN信道中优于递归系统卷积码（RSC）编码。
• 在瑞利衰落信道中，端到端方法的误比特率（BER）和误块率（BLER）性能与采用1/2码率的QAM调制和RSC编码的传统系统相当。
• 在频率选择性多径信道中，当信噪比超过7 dB时，所提系统显著优于正交频 division multiplexing（OFDM）系统。
• 在指数型功率延迟分布（PDP）下训练的模型，能很好地泛化到平坦PDP的测试场景，表明其对信道分布失配具有很强的鲁棒性。
• 利用导频符号作为条件输入，使cGAN能够生成准确、与信道相关的信道效应，从而实现有效的反向传播和联合训练。