[论文解读] Joint Neural Network Equalizer and Decoder

Weihong Xu, Zhiwei Zhong+3 more|arXiv (Cornell University)|Jul 5, 2018

Blind Source Separation Techniques参考文献 12被引用 5

一句话总结

本文提出一种联合神经网络均衡器与译码器，采用卷积神经网络（CNN）进行非线性信道均衡，以及深度神经网络译码器（NND）用于极化码，实现无需信道状态信息（CSI）的盲均衡与译码。该方法实现约2/3的参数减少和O(n)复杂度，在非线性带ISI的信道中，误比特率（BER）性能相比先前的机器学习方法提升0.5 dB。

ABSTRACT

Recently, deep learning methods have shown significant improvements in communication systems. In this paper, we study the equalization problem over the nonlinear channel using neural networks. The joint equalizer and decoder based on neural networks are proposed to realize blind equalization and decoding process without the knowledge of channel state information (CSI). Different from previous methods, we use two neural networks instead of one. First, convolutional neural network (CNN) is used to adaptively recover the transmitted signal from channel impairment and nonlinear distortions. Then the deep neural network decoder (NND) decodes the detected signal from CNN equalizer. Under various channel conditions, the experiment results demonstrate that the proposed CNN equalizer achieves better performance than other solutions based on machine learning methods. The proposed model reduces about $2/3$ of the parameters compared to state-of-the-art counterparts. Besides, our model can be easily applied to long sequence with $\mathcal{O}(n)$ complexity.

研究动机与目标

• 为解决数字通信系统中非线性信道失真与符号间干扰（ISI）的问题，且无需准确的信道状态信息（CSI）。
• 开发一种盲的、端到端可训练的均衡器-译码器框架，可在不了解信道系数或噪声方差的前提下自适应不同信道条件。
• 相比现有基于深度学习的均衡器，降低模型复杂度并提升长序列的可扩展性。
• 提升在具有ISI的非线性衰落信道与加性白高斯噪声（AWGN）下的误比特率（BER）性能。

提出的方法

• 使用一维卷积神经网络（CNN）作为均衡器，从非线性失真和ISI中恢复发射信号，直接从输入信号中学习信道特性。
• CNN执行固定滤波器尺寸和深度的一维卷积，实现与序列长度线性相关的O(n)计算复杂度。
• 在CNN后级联一个独立的深度神经网络译码器（NND），用于解码软输出，采用结构化架构（例如{16,128,64,32,8}）以支持极化码（16,8）。
• CNN与NND通过离线反向传播以端到端方式联合训练，实现无需CSI或训练序列的盲操作。
• 使用非线性失真函数进行模型训练：g(v) = |v| + 0.2|v|² - 0.1|v|³ + 0.5cos(π|v|)，以模拟实际功率放大器的非线性特性。
• 在不同信噪比（SNR）和信道条件下评估系统性能，与GPC、SVM及先前的DNN方法进行BER性能对比。

实验结果

研究问题

• RQ1 基于CNN的均衡器是否能在非线性带ISI的信道中，优于传统机器学习方法（如GPC和SVM）？
• RQ2 均衡器与译码器的联合训练在保持或提升BER性能的同时，能在多大程度上减少模型参数？
• RQ3 所提出的联合均衡器-译码器框架是否对长序列保持低计算复杂度（O(n)）？
• RQ4 CNN+NND-Joint模型的性能与最先进的基于深度学习的均衡与译码方案相比如何？

主要发现

• 在非线性带ISI的信道中，所提出的CNN均衡器相比GPC和SVM方法实现0.2–0.5 dB的BER增益。
• CNN与NND的联合训练（CNN+NND-Joint）相比非联合配置的CNN+NND，实现0.5 dB的BER性能提升。
• CNN+NND-Joint模型的性能非常接近文献[6]中的最先进深度学习方法，且在高信噪比下具有微弱优势。
• 与文献[6]中的基线DNN方法相比，所提模型将模型参数减少了约2/3（从~48,000减少至~15,000）。
• CNN均衡器保持O(n)计算复杂度，使其在长序列上具有可扩展性且无性能退化。
• 联合框架实现无需CSI、导频序列或对噪声方差与信道系数分布的假设的盲均衡与译码。