[论文解读] Joint Transceiver Optimization for Wireless Communication PHY with Convolutional Neural Network

Banghua Zhu, Jintao Wang+2 more|arXiv (Cornell University)|Aug 9, 2018

Wireless Signal Modulation Classification参考文献 26被引用 7

一句话总结

本文提出了一种基于卷积自编码器的无线物理层联合收发机设计，联合优化调制、均衡和解调。该方法在频率选择性衰落信道中，相比传统的64QAM+ZF，实现了更低的误比特率（BER）和更低的时间复杂度，对信道变化具有鲁棒性，并支持任意长度的输入比特序列。

ABSTRACT

Deep Learning has a wide application in the area of natural language processing and image processing due to its strong ability of generalization. In this paper, we propose a novel neural network structure for jointly optimizing the transmitter and receiver in communication physical layer under fading channels. We build up a convolutional autoencoder to simultaneously conduct the role of modulation, equalization and demodulation. The proposed system is able to design different mapping scheme from input bit sequences of arbitrary length to constellation symbols according to different channel environments. The simulation results show that the performance of neural network based system is superior to traditional modulation and equalization methods in terms of time complexity and bit error rate (BER) under fading channels. The proposed system can also be combined with other coding techniques to further improve the performance. Furthermore, the proposed system network is more robust to channel variation than traditional communication methods.

研究动机与目标

• 为解决传统分而治之的物理层设计次优性问题，实现发射机与接收机的联合优化。
• 克服先前基于深度学习的自编码器在短one-hot输入上受限且存在二次方时间复杂度的局限性。
• 开发一种可扩展的端到端神经网络框架，能够适应变化的信道条件，而无需依赖显式数学模型。
• 支持在时域和频域系统中的应用，包括具有频率选择性衰落的OFDM系统。
• 提高对信道变化的鲁棒性，并支持与软输入-软输出信道译码器的集成。

提出的方法

• 设计一种卷积自编码器架构，用可学习的共享权重层替代传统的调制、均衡和解调模块。
• 在频域中使用局部连接层以处理非均匀子载波衰落，替代假设信道响应均匀的标准卷积层。
• 采用软输出机制，可与任意软输入-软输出信道译码器接口，实现与编码方案的无缝集成。
• 使用重建损失通过反向传播进行端到端训练，使网络能够基于信道统计特性学习最优信号映射。
• 通过辅助神经网络应用迁移学习和帧同步，以支持空中传输并解决信道梯度问题。
• 通过在频域处理信号，显式建模子载波特定的衰落，将网络适配至OFDM系统。

实验结果

研究问题

• RQ1 深度神经网络能否以优于传统模块化物理层组件的方式，联合优化发射机与接收机设计，从而在BER和复杂度方面表现更优？
• RQ2 卷积自编码器能否在不经历二次方时间复杂度增长的情况下，处理任意长度的比特序列？
• RQ3 与传统的64QAM加零 forcing均衡相比，所提系统在频率选择性衰落信道下的性能如何？
• RQ4 与经典设计相比，基于神经网络的系统在多大程度上对信道变化具有鲁棒性？
• RQ5 自编码器中学习到的映射能否在无需显式算法设计的情况下，模拟自适应比特加载行为？

主要发现

• 所提出的卷积自编码器在频率选择性衰落信道中可实现低至$10^{-4}$的BER，显著优于64QAM+ZF方法，后者表现出更慢的BER退化。
• 由于卷积层中高效的参数共享，该系统的时间复杂度低于传统方法，尤其在长输入序列下优势更明显。
• 网络对信道变化具有鲁棒性，相比传统系统表现出更低的信道波动敏感度。
• 自编码器的软输出与任意软输入-软输出信道译码器兼容，可无缝集成前向纠错方案。
• 在频域中使用局部连接层可有效处理子载波特定的衰落，相比零 forcing均衡能更有效地提升信息恢复能力。
• 网络通过为信噪比更高的子载波分配更多信息，学习到一种自适应比特加载的形式，模拟了已知高效技术，而无需显式设计。