[论文解读] Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems

Hao Ye, Geoffrey Ye Li+1 more|arXiv (Cornell University)|Aug 28, 2017

Wireless Signal Modulation Classification参考文献 6被引用 76

一句话总结

该论文提出一种端到端深度学习方法，用于OFDM的联合通道估计与符号检测，离线训练，在线部署以在没有显式CSI估计的情况下恢复数据，表现与鲁棒性在失真和有限导频下具有竞争力。

ABSTRACT

This article presents our initial results in deep learning for channel estimation and signal detection in orthogonal frequency-division multiplexing (OFDM). OFDM has been widely adopted in wireless broadband communications to combat frequency-selective fading in wireless channels. In this article, we take advantage of deep learning in handling wireless OFDM channels in an end-to-end approach. Different from existing OFDM receivers that first estimate CSI explicitly and then detect/recover the transmitted symbols with the estimated CSI, our deep learning based approach estimates CSI implicitly and recovers the transmitted symbols directly. To address channel distortion, a deep learning model is first trained offline using the data generated from the simulation based on the channel statistics and then used for recovering the online transmitted data directly. From our simulation results, the deep learning based approach has the ability to address channel distortions and detect the transmitted symbols with performance comparable to minimum mean-square error (MMSE) estimator. Furthermore, the deep learning based approach is more robust than conventional methods when fewer training pilots are used, the cyclic prefix (CP) is omitted, and nonlinear clipping noise is presented. In summary, deep learning is a promising tool for channel estimation and signal detection in wireless communications with complicated channel distortions and interferences.

研究动机与目标

• 动机将深度学习作为OFDM通道估计与数据检测的端到端工具。
• 展示一个深度神经网络可以隐式学习通道特性并在没有显式CSI的情况下恢复传输符号。
• 展示在导频减少、CP省略以及非线性裁剪噪声下，DL方法的鲁棒性。
• 在各种通道/失真条件下，将DL性能与LS和MMSE进行比较。

提出的方法

• 在不同通道条件下，离线使用带导频和数据的仿真OFDM帧训练多层DNN。
• 将接收的OFDM块（导频+数据）输入到DNN，以在没有显式CSI的情况下联合估计传输数据。
• 使用预测数据与传输数据之间的L2损失来优化网络权重。
• 在WINNER II城市场景通道模型下，实现一个64子载波、CP长度为16的OFDM系统，使用QPSK。
• 通过在不同SNR和导频数下评估BER，并与LS和MMSE进行比较。

实验结果

研究问题

• RQ1 DNN是否可以在没有显式CSI的情况下联合估计通道效应并恢复OFDM符号？
• RQ2 在导频数量变化、CP存在/缺失以及裁剪噪声的情况下，DL方法与LS和MMSE的比较如何？
• RQ3 DL模型对训练与部署通道统计不匹配的鲁棒性如何？
• RQ4 非线性失真对DL与传统估计器的影响是什么？

主要发现

• 在导频足够时，基于DL的联合估计与检测的BER与MMSE相当。
• 在较少导频（例如8个）时，DL方法在BER上仍优于LS，并接近MMSE性能。
• 在省略CP的情况下，DL显示出鲁棒性，优于此类失真下的LS/MMSE。
• 在高信噪比下，DL对裁剪噪声的鲁棒性优于MMSE。
• 训练与部署通道统计不匹配并不会严重降低DL符号检测性能。