[论文解读] Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex-valued Convolutional Networks

Zhongyuan Zhao, Mehmet C. Vuran+2 more|arXiv (Cornell University)|Oct 16, 2018

Wireless Signal Modulation Classification参考文献 46被引用 30

一句话总结

本文提出 Deep-Waveform，一种使用深度复值卷积网络（DCCN）的 OFDM 接收机，以学习的线性变换替代传统的 DFT/IDFT，利用循环前缀提升信噪比。DCCN 在瑞利衰落信道中性能优于传统 LMMSE 和 CP 增强型接收机，且复杂度更低，为 ${\mathcal{O}}(N^{2})$，证明了在 OFDM 系统中用 AI 加速器替代 FFT 处理器的可行性。

ABSTRACT

The (inverse) discrete Fourier transform (DFT/IDFT) is often perceived as essential to orthogonal frequency-division multiplexing (OFDM) systems. In this paper, a deep complex-valued convolutional network (DCCN) is developed to recover bits from time-domain OFDM signals without relying on any explicit DFT/IDFT. The DCCN can exploit the cyclic prefix (CP) of OFDM waveform for increased SNR by replacing DFT with a learned linear transform, and has the advantage of combining CP-exploitation, channel estimation, and intersymbol interference (ISI) mitigation, with a complexity of $\mathcal{O}(N^2)$. Numerical tests show that the DCCN receiver can outperform the legacy channel estimators based on ideal and approximate linear minimum mean square error (LMMSE) estimation and a conventional CP-enhanced technique in Rayleigh fading channels with various delay spreads and mobility. The proposed approach benefits from the expressive nature of complex-valued neural networks, which, however, currently lack support from popular deep learning platforms. In response, guidelines of exact and approximate implementations of a complex-valued convolutional layer are provided for the design and analysis of convolutional networks for wireless PHY. Furthermore, a suite of novel training techniques are developed to improve the convergence and generalizability of the trained model in fading channels. This work demonstrates the capability of deep neural networks in processing OFDM waveforms and the results suggest that the FFT processor in OFDM receivers can be replaced by a hardware AI accelerator.

研究动机与目标

• 开发一种端到端 OFDM 接收机，通过学习时域信号变换绕过显式的 DFT/IDFT。
• 通过学习的线性变换而非传统 CP 利用方式，利用循环前缀实现信噪比增益。
• 通过提供实用的实现指南，使复值神经网络在无线物理层中得以应用。
• 通过新颖的训练技术提升在衰落信道中的收敛性和泛化能力。
• 证明 DCCN 在双重选择性瑞利衰落环境中可优于传统接收机。

提出的方法

• 训练深度复值卷积网络（DCCN）直接将时域 OFDM 信号映射为解码比特，替代 DFT/IDFT。
• DCCN 使用尊重复数域 $\mathbb{C}$ 代数结构的复值卷积，避免实部与虚部分离。
• 设计了一种新型端到端损失函数，防止在衰落信道中训练时梯度消失。
• 采用两阶段训练方法：首先在 AWGN 信道中训练，然后在具有多种 SNR 的混合瑞利衰落信道中继续训练，以平滑损失曲面。
• 网络采用领域特定的架构设计，如与 OFDM 子载波结构对齐的 $\mathbb{C}_{S \times N}$ 大小卷积层。
• 简化部署版本在学习后用传统解调替代 DCCN，以实现硬件兼容性。

实验结果

研究问题

• RQ1 在 OFDM 接收机中，复值 CNN 中的学习线性变换能否替代 DFT/IDFT 并提升性能？
• RQ2 在衰落信道中，通过学习变换利用循环前缀与传统 CP 增强技术相比如何？
• RQ3 在时变无线信道中，哪些训练策略能有效稳定收敛并提升泛化能力？
• RQ4 DCCN 中的架构选择（如网络深度和复值运算）如何影响性能与复杂度？
• RQ5 在缺乏原生 $\mathbb{C}$ 支持的深度学习框架中，复值神经网络在多大程度上可实现？

主要发现

• 在 EVA 衰落信道中，DCCN 接收机在 10 dB SNR 下达到 BER 为 $10^{-4}$，优于理想 LMMSE 和传统 CP 增强型接收机。
• 具有 $\mathcal{O}(N^2)$ 复杂度的 DCCN 在双重选择性衰落信道中性能优于传统 $\mathcal{O}(N \log N)$ 的 DFT 基接收机。
• DCCN-CP 架构中两个大小为 $\mathbb{C}_{FN \times FN}$ 的全连接层实现最优的性能与复杂度权衡。
• 将复值卷积替换为对 I/Q 分量分别处理的实值卷积，导致训练失败（BER = 0.47）。
• 两阶段训练策略——先在 AWGN 中训练，再在混合衰落与 SNR 环境中训练——显著提升泛化能力并降低误码地板。
• 在混合信道与 SNR 环境中进行单阶段训练会使 BER 损失增加 0.01，证实了分阶段训练的优势。