[论文解读] Deep Learning Based MIMO Communications

Timothy J. O’Shea, Tugba Erpek+1 more|arXiv (Cornell University)|Jul 25, 2017

Advanced MIMO Systems Optimization参考文献 16被引用 142

一句话总结

该论文提出了一种端到端自编码器为基础的单用户MIMO学习框架，在对比Alamouti分集和基于SVD的空间复用方面表现具有竞争力，并在不同CSI反馈（包括量化CSI）下探索开环/闭环操作。

ABSTRACT

We introduce a novel physical layer scheme for single user Multiple-Input Multiple-Output (MIMO) communications based on unsupervised deep learning using an autoencoder. This method extends prior work on the joint optimization of physical layer representation and encoding and decoding processes as a single end-to-end task by expanding transmitter and receivers to the multi-antenna case. We introduce a widely used domain appropriate wireless channel impairment model (Rayleigh fading channel), into the autoencoder optimization problem in order to directly learn a system which optimizes for it. We considered both spatial diversity and spatial multiplexing techniques in our implementation. Our deep learning-based approach demonstrates significant potential for learning schemes which approach and exceed the performance of the methods which are widely used in existing wireless MIMO systems. We discuss how the proposed scheme can be easily adapted for open-loop and closed-loop operation in spatial diversity and multiplexing modes and extended use with only compact binary channel state information (CSI) as feedback.

研究动机与目标

• 激励在现实信道衰落下对MIMO发射机和接收机进行端到端的联合优化，以最大化吞吐量并最小化误码率。
• 将SISO信道自编码器的概念扩展到MIMO配置（2x1和2x2），并评估相对于传统方案的增益。
• 在学习的MIMO框架内探索开放环和闭环操作，包括完美与量化CSI反馈。
• 展示所学系统对瑞利衰落信道和不同天线配置的适应性。

提出的方法

• 将MIMO系统建模为具可学习编码器/解码器映射的端到端神经网络自编码器。
• 在网络中嵌入瑞利衰落信道模型，作为前向传播的劣化，以优化现实信道。
• 将学到的MIMO与Alamouti STBC（2x1）在分集方面进行比较，与基于SVD的预编码（2x2）在空间复用方面比较。
• 研究CSI场景：开环（无CSI）、发射端完美CSI，以及v位量化CSI，包括通过信道模型的反向传播。
• 使用可微分的信道层链（enc, 随机H, 乘法, 归一化, awg, dec）以实现基于梯度的训练。
• 将信息比特表示为k比特码字，使用softmax输出和交叉熵损失进行端到端编码/解码优化。

实验结果

研究问题

• RQ1 在瑞利衰落下，端到端自编码器是否能学习出超越传统开环和闭环方案的MIMO编码器/解码器？
• RQ2 在各种CSI假设下，学习的MIMO系统相比2x1的Alamouti STBC和2x2的SVD基预编码的BER性能增益有多大？
• RQ3 量化CSI（v位）反馈如何影响学习的MIMO系统的性能与收敛性？
• RQ4 学习的编码器是否能够在不同天线配置和信道实现中灵活利用空间分集与空间复用？
• RQ5 学习方案是否对实际约束如受限的反馈带宽和随时间变化的信道鲁棒？

主要发现

• 在所报道的设置中，2x1学习的分集方案在SNR大于约15 dB时可超过Alamouti的性能。
• 在发射端具有完美CSI时，2x2学习（闭环）MIMO在所有测试SNR下都优于基于SVD的预编码的性能。
• 量化CSI（v位）反馈在某些情形下可以达到甚至超过学习系统的完美CSI性能，且离散CSI常有助于收敛。
• 学习得到的星座表明跨天线的非标准、自适应功率分布，在某些情形下呈现出学习的叠加和恒模倾向。
• 在2x2配置中，最佳学习方案在20 dB SNR时的BER远低于0.5e-5。
• 结果表明端到端DL-based MIMO可提供具有竞争力的性能，且潜在的计算复杂度较低，且在开环/闭环操作方面具有灵活性。