[论文解读] Deep-LMS for gigabit transmission over unshielded twisted pair cables

Avi Zanko, Itsik Bergel+1 more|arXiv (Cornell University)|May 30, 2017

Power Line Communications and Noise参考文献 21被引用 3

一句话总结

本文提出 Deep-LMS，一种用于非屏蔽双绞线电缆上的千兆比特过 DSL 系统的新型自适应 crosstalk 抑制算法。受深度神经网络启发，该算法采用顺序分层的自适应预处理矩阵，以加速传统 LMS 算法的收敛速度，在高带宽、病态条件的 G.fast 环境中实现显著更快的收敛速度，同时不牺牲稳定性或精度。

ABSTRACT

In this paper we propose a rapidly converging LMS algorithm for crosstalk cancellation. The architecture is similar to deep neural networks, where multiple layers are adapted sequentially. The application motivating this approach is gigabit rate transmission over unshielded twisted pairs using a vectored system. The crosstalk cancellation algorithm uses an adaptive non-diagonal preprocessing matrix prior to a conventional LMS crosstalk canceler. The update of the preprocessing matrix is inspired by deep neural networks. However, since most the operations in the Deep-LMS algorithm are linear, we are capable of providing an exact convergence speed analysis. The role of the preprocessing matrix is to speed up the convergence of the conventional LMS crosstalk canceler and hence the convergence of the overall system. The Deep-LMS is important for crosstalk cancellation in the novel G.fast standard, where traditional LMS converges very slowly due to the ill-conditioned covariance matrix of the received signal at the extended bandwidth. Simulation results support our analysis and show significant reduction in convergence time compared to existing LMS variants.

研究动机与目标

• 解决传统 LMS 算法在高带宽 G.fast 系统中因信号协方差矩阵病态而导致的收敛缓慢问题。
• 克服在扩展带宽（最高达 212 MHz）的向量化 DSL 系统中，固定步长 LMS 和 NLMS 的局限性。
• 开发一种低复杂度、快速收敛的 crosstalk 抑制算法，适用于铜线上的实时、高速上行传输。
• 通过提升向量化 DSL 系统中的收敛速度，实现在现有铜质基础设施上实现每秒千兆比特的实际数据速率。
• 为基于线性运算的非线性、分层自适应算法提供精确的收敛性分析，从而实现理论性能保证。

提出的方法

• 提出一种 Deep-LMS 架构，在传统 LMS crosstalk 抑制器之前应用非对角、自适应的预处理矩阵，以模拟深度网络的分层结构。
• 采用逐层顺序更新预处理矩阵，使每一层均适应以降低输入信号协方差矩阵的有效条件数。
• 基于梯度下降原理设计更新规则，步长由输入相关矩阵的特征结构推导，以加速收敛。
• 保持所有操作的线性，从而允许对收敛速度进行精确分析，与标准深度网络不同。
• 将预处理矩阵集成到 LMS 框架中，使整个系统在接收端最小化均方误差（MSE）。
• 通过利用所有操作均为线性的事实，确保算法计算效率高，从而可在高吞吐量 DSL 系统中实现实时应用。

实验结果

研究问题

• RQ1 分层自适应预处理矩阵是否能显著加速高带宽 DSL 系统中传统 LMS crosstalk 抑制器的收敛？
• RQ2 在相同的病态信道条件下，Deep-LMS 算法的收敛速度与现有 LMS 变体（如 NLMS、对角步长 LMS）相比如何？
• RQ3 Deep-LMS 算法的理论收敛速率是多少？在算法线性结构的前提下，该速率是否可被解析界定？
• RQ4 在 G.fast 标准扩展带宽（最高达 212 MHz）下，所提算法是否在实现更快收敛的同时保持稳定性和准确性？
• RQ5 尽管具有非传统多层结构，该 Deep-LMS 框架是否仍可进行精确分析？前提是所有操作保持线性。

主要发现

• Deep-LMS 算法在收敛速度上显著优于传统 LMS 及其变体，尤其在高带宽、病态条件的 G.fast 环境中表现突出。
• 理论分析表明，收敛速率由输入相关矩阵的特征值分布范围决定，而预处理矩阵能有效减小该范围。
• 仿真结果表明，与标准 LMS 相比，Deep-LMS 在高 crosstalk 和扩展带宽场景下将收敛时间缩短了数量级。
• 由于其线性结构支持精确收敛性分析，该算法保持了稳定性和准确性，避免了非线性深度网络中常见的不稳定问题。
• 接收端的信干噪比（SINR）有下界，该下界由均方误差（MSE）决定，且该算法确保有效信道响应趋近于单位矩阵，从而最小化干扰。
• 最优步长矩阵被证明与相关矩阵特征值的逆成正比，且该算法以最小的失配度收敛至最小均方误差（MMSE）解。