[论文解读] Detection Algorithms for Communication Systems Using Deep Learning

Nariman Farsad, Andrea Goldsmith|arXiv (Cornell University)|May 22, 2017

Molecular Communication and Nanonetworks参考文献 23被引用 123

一句话总结

本论文表明深度学习检测器可以在没有信道模型的情况下训练，以检测未知信道通信中的符号，在分子（化学）通信实验中相对于基线检测器显示出显著的 BER 提升。

ABSTRACT

The design and analysis of communication systems typically rely on the development of mathematical models that describe the underlying communication channel, which dictates the relationship between the transmitted and the received signals. However, in some systems, such as molecular communication systems where chemical signals are used for transfer of information, it is not possible to accurately model this relationship. In these scenarios, because of the lack of mathematical channel models, a completely new approach to design and analysis is required. In this work, we focus on one important aspect of communication systems, the detection algorithms, and demonstrate that by borrowing tools from deep learning, it is possible to train detectors that perform well, without any knowledge of the underlying channel models. We evaluate these algorithms using experimental data that is collected by a chemical communication platform, where the channel model is unknown and difficult to model analytically. We show that deep learning algorithms perform significantly better than a simple detector that was used in previous works, which also did not assume any knowledge of the channel.

研究动机与目标

• 在信道模型未知或难以处理时，尤其在分子通信中，激发检测算法设计的动机。
• 提出直接从带标签的发送数据学习的基于深度学习的检测器。
• 使用真实实验数据评估逐符号检测和序列检测架构。
• 突出软输出对于后续纠错的好处。
• 架起实验信道验证与检测器设计之间的桥梁。

提出的方法

• 将检测形式化为一个将发送的符号进行 one-hot 编码的分类问题。
• 使用发送符号序列与接收信号的带标签对来训练深度学习分类器。
• 使用交叉熵损失来最大化发送符号的似然估计（软输出）。
• 评估逐符号检测器（Dense-Net 和 CNN-Net）和用于ISI信道的序列检测器（LSTM 和双向 LSTM）。
• 通过 BRNN/LSTM 架构引入序列上下文，以利用来自多个接收符号的信息。
• 与在化学信道上使用 pH 分箱的变化率基线检测器进行比较。

实验结果

研究问题

• RQ1 在未知信道中，是否可以通过无需解析信道模型的训练的检测器实现可靠的符号检测？
• RQ2 在分子通信中，深度学习检测器相对于基线非模型检测器的性能提升有哪些？
• RQ3 在存在ISI的情况下，逐符号检测架构和序列检测架构的比较如何？
• RQ4 序列长度是否影响 BER，双向架构是否能提供进一步提升？

主要发现

Symb. Dur.	Baseline	Dense-Net	CNN-Net	LSTM3-Net8	BiLSTM3-Net8	LSTM3-Net120	CNN-LSTM3-Net120
250	0.1297	0.1057	0.1068	0.0685	0.0496	0.0333	0.0677
334	0.0755	0.0245	0.0750	0.0207	0.0167	0.0417	0.0271
380	0.0797	0.0380	0.0589	0.0088	0.0019	0.0083	0.0026
500	0.0516	0.0115	0.0063	0.0049	0.0028	0.0005	0.0021

• 深度学习检测器在符号持续时间和架构上显著优于基线非模型检测器。
• 逐符号 Dense-Net 与 CNN-Net 显著降低 BER，且 CNN-Net 往往优于 Dense-Net。
• 序列检测器（基于 LSTM）显著提升 BER，尤其在较长序列时；BiLSTM 可以优于单向 LSTM，但需要整条序列才能进行检测。
• 在所报道的数据中，各符号持续时间的 BER 相对于基线对 LSTM 基于的和 CNN 基于的序列检测器显示出显著提升（例如在 500 ms 时，BiLSTM3-Net8 达到 0.0005）。
• 双向序列检测器通过利用序列中前后符号的信息进一步改善检测。）