[论文解读] Deep Learning Interference Cancellation in Wireless Networks

Yiming Zhou, Ashkan Samiee+2 more|arXiv (Cornell University)|Sep 11, 2020

Wireless Signal Modulation Classification参考文献 19被引用 6

一句话总结

本文提出一种基于深度学习的干扰消除技术，采用卷积LSTM自编码器以减轻QAM-OFDM无线网络中的同频干扰。通过将神经网络直接集成到基带信号处理中，该方法在无需反馈的情况下显著降低了符号误码率（SER），实现了低延迟、高吞吐量的应用，如自主系统和增强现实。

ABSTRACT

With the crowding of the electromagnetic spectrum and the shrinking cell size in wireless networks, crosstalk between base stations and users is a major problem. Although hand-crafted functional blocks and coding schemes are proven effective to guarantee reliable data transfer, currently deep learning-based approaches have drawn increasing attention in the communication system modeling. In this paper, we propose a Neural Network (NN) based signal processing technique that works with traditional DSP algorithms to overcome the interference problem in realtime. This technique doesn't require any feedback protocol between the receiver and transmitter which makes it very suitable for low-latency and high data-rate applications such as autonomy and augmented reality. While there has been recent work on the use of Reinforcement Learning (RL) in the control layer to manage and control the interference, our approach is novel in the sense that it introduces a neural network for signal processing at baseband data rate and in the physical layer. We demonstrate this "Deep Interference Cancellation" technique using a convolutional LSTM autoencoder. When applied to QAM-OFDM modulated data, the network produces significant improvement in the symbol error rate (SER). We further discuss the hardware implementation including latency, power consumption, memory requirements, and chip area.

研究动机与目标

• 解决现代无线网络中由于频谱拥挤和小型基站部署导致的同频干扰增加问题。
• 克服传统手工设计的信号处理与编码方案在动态干扰环境下的局限性。
• 开发一种实时、无需反馈的神经信号处理解决方案，用于物理层干扰消除。
• 实现适用于新兴应用（如增强现实和自主系统）的低延迟、高数据速率通信。
• 通过面积、功耗和延迟分析，证明硬件实现的可行性，支持实际部署。

提出的方法

• 设计一种卷积LSTM自编码器架构，以在存在干扰的情况下建模并重构受损的QAM-OFDM信号。
• 使用合成或模拟的干扰数据端到端训练自编码器，以学习干扰模式和信号重构。
• 将训练好的神经网络与传统数字信号处理（DSP）模块集成，以提升接收机性能。
• 在基带数据速率下应用该网络，实现实时干扰消除，且无需接收端反馈。
• 针对硬件部署优化网络架构，重点关注延迟、内存和功耗效率。
• 以QAM-OFDM调制信号作为输入，评估在各种干扰条件下SER的改善情况。

实验结果

研究问题

• RQ1 深度神经网络是否能在无反馈的情况下有效学习并消除QAM-OFDM系统中的同频干扰？
• RQ2 所提出的深度干扰消除技术在SER性能方面与传统DSP方法相比如何？
• RQ3 在实时基带处理中部署该神经网络所需的硬件资源需求（面积、功耗、延迟）是什么？
• RQ4 CNN-LSTM自编码器在密集无线网络中不同干扰场景下的泛化能力如何？
• RQ5 深度学习与传统DSP的集成在高速移动或高密度环境中如何提升实时通信的可靠性？

主要发现

• 所提出的深度干扰消除技术在同频干扰条件下应用于QAM-OFDM信号时，显著降低了符号误码率（SER）。
• 卷积LSTM自编码器能够有效学习复杂的干扰模式，并在无需接收端反馈的情况下重构出干净信号。
• 该方法可在基带数据速率下实现实时处理，适用于增强现实和自主系统等低延迟应用。
• 硬件分析表明，该网络在功耗、内存使用和芯片面积方面具有可管理的资源需求，支持实际部署。
• 深度学习与传统DSP的集成在动态和密集网络环境中实现了超越经典方法的干扰抑制效果。
• 该方法对不同干扰条件表现出鲁棒性，表明其在真实无线部署中具备良好的适应能力。