[论文解读] Deep Neural Network-Based Quantized Signal Reconstruction for DOA Estimation

Weifeng Han, Peng Chen+1 more|arXiv (Cornell University)|May 3, 2020

Advanced Wireless Communication Technologies参考文献 15被引用 9

一句话总结

该论文提出一种具有全连接层、批量归一化和残差块的深度神经网络（DNN），用于在智能反射面（IRS）辅助的大规模MIMO系统中重建量化信号，特别针对低分辨率模数转换器（ADC）下的波达方向（DOA）估计。该方法有效抑制了量化噪声，使得1-bit ADC的性能超越2-bit ADC，显著降低硬件成本且不损失性能。

ABSTRACT

For a massive multiple-input-multiple-output (MIMO) system using intelligent reflecting surface (IRS) equipped with radio frequency (RF) chains, the multi-channel RF chains are expensive compared to passive IRS, especially, when the high-resolution and high-speed analog to digital converters (ADC) are used in each RF channel. In this letter, a direction of angle (DOA) estimation problem is investigated with low-cost ADC in IRS, and we propose a deep neural network (DNN) as a recovery method for the low-resolution sampled signal. Different from the existing denoising convolutional neural network (DnCNN) for Gaussian noise, the proposed DNN with fully connected (FC) layers estimates the quantization noise caused by the ADC. Then, the denoised signal is subjected to the DOA estimation, and the recovery performance for the quantized signal is evaluated by DOA estimation. Simulation results show that under the same training conditions, the better reconstruction performance is achieved by the proposed network than state-of-the-art methods. The performance of the DOA estimation using 1-bit ADC is improved to exceed that using 2-bit ADC.

研究动机与目标

• 为解决大规模MIMO系统中智能反射面（IRS）的高分辨率ADC高成本问题。
• 在低分辨率（如1-bit）ADC下，由于严重量化噪声导致的性能下降，提升DOA估计精度。
• 开发一种基于深度学习的信号重建方法，其在量化信号恢复方面优于现有去噪网络（如DnCNN）。
• 通过允许使用低分辨率ADC而不牺牲DOA估计性能，实现RF链路的低成本IRS部署。

提出的方法

• 设计一种全连接DNN，包含批量归一化（BN）、残差块和ReLU激活函数，用于估计并抑制低分辨率ADC输出中的量化噪声。
• 网络在离线状态下进行训练，以从1-bit至4-bit的量化测量中重建原始信号，使用包含量化和加性高斯噪声污染的基带信号数据集。
• DNN的输入为来自M个传感器的量化信号向量，输出为原始信号向量的去噪估计。
• 重建后的信号随后输入MUSIC算法进行DOA估计，性能通过角度估计均方误差（MSE）评估。
• 网络架构避免使用卷积层，专注于全连接层，以建模传感器阵列中量化噪声的统计特性。
• 应用模型压缩技术，包括16位浮点精度和潜在剪枝，以实现FPGA或嵌入式系统上的部署。

实验结果

研究问题

• RQ1 深度神经网络能否在IRS辅助的大规模MIMO系统中，有效重建因1-bit ADC量化而退化的信号，以实现DOA估计？
• RQ2 在不同信噪比（SNR）条件下，所提出的DNN与SOTA方法（如DnCNN）在重建量化信号方面的性能对比如何？
• RQ3 通过基于深度学习的信号重建，1-bit ADC在DOA估计中的性能可提升至何种程度？
• RQ4 在相同训练和测试条件下，所提出的DNN能否实现超越2-bit ADC系统的DOA估计精度？
• RQ5 模型压缩（如16位精度）对重建精度和部署可行性有何影响？

主要发现

• 在所有信噪比水平下，所提出的DNN的测试损失显著低于DnCNN，表明其具备更优的信号重建能力。
• 在足够大的训练数据量（每信噪比10^7个样本）下，使用所提出DNN重建的1-bit ADC信号在DOA估计性能上超越了2-bit ADC。
• 在SNR = 50 dB时，1-bit输入重建信号的角分辨率优于3-bit量化信号，尤其在9°附近表现更优。
• 将网络参数从32位浮点精度降低至16位浮点精度，模型大小减少50%，且MSE退化可忽略不计（50 dB SNR下为0.081 vs. 0.084）。
• 引入残差块和批量归一化显著提升了泛化能力与训练稳定性，即使在浅层架构中亦然。
• 该方法使在IRS增强的大规模MIMO系统中使用1-bit ADC成为可能，且不损失性能，显著降低硬件成本。