Fortschritte bei der One-Bit-Erkennung in MIMO-Systemen

Die nächsten Generationen von drahtlosen Kommunikationssystemen sind darauf ausgelegt, Hochgeschwindigkeitsverbindungen für viele Geräte bereitzustellen. Aber die breite Einführung dieser Systeme bringt Herausforderungen mit sich, die Kosten, Energieverbrauch und Komplexität betreffen. Um diese Probleme anzugehen, haben Forscher viele Fortschritte in der modellbasierten Algorithmendesign und den Methoden des Deep Learning für bessere Kanalschätzung und Kommunikation erzielt.

Eine grosse Herausforderung ist die Entwicklung von hochauflösenden Analog-Digital-Wandlern (ADCs). Diese ADCs können teuer und energieintensiv sein. Deshalb gewinnen ADCs mit niedriger Auflösung, insbesondere Ein-Bit-ADCs, an Aufmerksamkeit. Die Wiederherstellung von Ein-Bit-Signalen hat in der Forschung zur Signalverarbeitung viele Innovationen hervorgebracht. Hier konzentrieren wir uns darauf, Deep-Learning-Methoden zu nutzen, um Symbole für Ein-Bit-massive MIMO (Multiple Input Multiple Output)-Kommunikationssysteme wiederherzustellen. Deep Learning-Detektoren passen gut zu diesem Problem aufgrund der nichtlinearen Natur des Messprozesses.

#Herausforderungen bei Ein-Bit-MIMO-Systemen

In Ein-Bit-MIMO-Systemen kann es kompliziert sein, Daten zu erkennen, insbesondere bei Signalsets höherer Ordnung, die als Konstellationen bekannt sind. Jüngste Entwicklungen in der modellbasierten Analyse und den Methoden des Deep Learning haben zu robusten Designs für Ein-Bit-Detektoren geführt. Ein beliebter Ansatz basiert auf Gradientenabstieg (GD).

Die wichtigsten Beiträge dieser Studie umfassen zwei wesentliche Innovationen in unserem Detektordesign. Zuerst verbessern wir jeden GD-Schritt mit Hilfe von Deep Learning. Zweitens führen wir eine neue Verlustfunktion ein, die spezifisch für unser Design ist und die Besonderheiten der Konstellation berücksichtigt.

Unsere Ein-Bit-Detektionsstrategie gilt für zwei Arten von Deep-Learning-Modellen: ein tief entfaltetes neuronales Netzwerk und ein tief rekurrentes neuronales Netzwerk. Diese Netzwerke werden an verschiedenen Kanalmatrizen trainiert, wodurch sie allgemeine Detektoren für Ein-Bit-Systeme werden. Unsere Ergebnisse zeigen, dass unser verbessertes Vorgehen zu einer besseren Erkennungsqualität führt, insbesondere bei Konstellationen höherer Ordnung wie M-QAM (Quadratur-Amplitudenmodulation).

#Systemmodell

Wir verwenden ein drahtloses Systemmodell, bei dem Benutzer mit einer Antenne Signale an eine Basisstation (BS) mit mehreren Antennen senden. Diese Struktur hat einen Kanal mit zufälligen Fading-Eigenschaften. Wir nehmen an, dass die BS genaue Informationen über den Kanalzustand (CSI) hat. Unsere Experimente berücksichtigen jedoch auch Fälle, in denen die CSI weniger genau ist.

Innerhalb des Mehrbenutzersystems sendet jeder Benutzer ein Signal aus der M-QAM-Konstellation. Das empfangene Signal an der BS wird von Rauschen beeinflusst, das je nach Signal-Rausch-Verhältnis (SNR) des Systems variieren kann. Das Ziel des Detektionsalgorithmus besteht darin, die ursprünglich gesendeten Symbole wiederherzustellen.

#Ein-Bit-Maximale-Wahrscheinlichkeitserkennung

Das Ein-Bit-Maximale-Wahrscheinlichkeits (ML)-Erkennungsproblem sucht nach dem wahrscheinlichsten gesendeten Signal basierend auf den empfangenen Daten. Das Problem besteht darin, über einen komplexen Raum möglicher Symbole zu suchen, was rechnerisch herausfordernd ist, insbesondere wenn die Anzahl der Benutzer und die Anzahl der Symbole zunimmt.

Eine gängige Vereinfachung für dieses Problem besteht darin, GD zu verwenden, gefolgt von der Projektion des Ergebnisses auf den Raum der gültigen Symbole. Dieser Ansatz kann jedoch unter Bedingungen mit hohem Rauschen instabil sein.

Jüngste Fortschritte haben zu einer neuen Methode namens OBMNet geführt. Diese Methode nutzt eine logistische Approximation zur Verbesserung der Stabilität, sodass eine bessere Erkennung unter Rauschen möglich ist.

#Verbesserter Erkennungsrahmen

Um die Einschränkungen von OBMNet zu beheben, schlagen wir einen neuen Rahmen vor, der einen regularisierten GD-Ansatz für die Ein-Bit-Erkennung verwendet. Dieser umfasst zwei Hauptverbesserungen:

1. Wir ändern den GD-Aktualisierungsschritt, indem wir einen lernbaren Schritt basierend auf Deep Learning hinzufügen. Dadurch können wir unsere Schätzungen genauer anpassen.
2. Wir erstellen eine neue Verlustfunktion, die hilft, Fehler bei der Symbolwiederherstellung effektiver zu bestrafen.

Diese Verlustfunktion hilft sicherzustellen, dass das Netzwerk lernt, sowohl Symbolfehler als auch Bitfehler effizient zu minimieren.

#Netzwerkarchitekturen

Wir stellen zwei einzigartige neuronale Netzwerkdesigns vor, die auf unserem regularisierten Ansatz basieren: ROBNet und OBiRIM.

#ROBNet

ROBNet ist ein tief entfaltetes Netzwerk, das eine Reihe von GD-Aktualisierungen implementiert. Jede Aktualisierung besteht aus zwei Teilen: einem GD-Schritt und einem Regularisierungsschritt, der die Ausgabe weiter verfeinert.

Die Struktur ermöglicht das Design mehrerer Stufen, von denen jede für eine GD-Iteration verantwortlich ist. Jede Stufe hat ihre eigenen Parameter, was dem Netzwerk Flexibilität verleiht und die Leistung verbessert.

#OBiRIM

OBiRIM ist ein rekurrentes neuronales Netzwerk, das die Reihenfolge der Aktualisierungen über die Zeit erfasst. Dieses Netzwerk verwendet gemeinsame Parameter über Iterationen hinweg, sodass es effektiv aus vorherigen Schritten lernen kann, während die Anzahl der Parameter niedrig bleibt. Es enthält Elemente, die helfen, sich an vergangene Iterationen zu erinnern, was den Erkennungsprozess unterstützt.

#Experimentierung und Ergebnisse

Wir haben unsere Netzwerke unter verschiedenen Szenarien bewertet. Wir konzentrieren uns auf zwei Arten von Konstellationen: QPSK und 16-QAM.

#Simulationsaufbau

Für beide Konstellationen berücksichtigen wir mehrere Benutzer und verschiedene Basisstationsantennen. Wir simulieren Kanäle, die die realen Bedingungen des Rayleigh-Fadings nachahmen, um sicherzustellen, dass unsere Modelle unter praktischen Umständen robust sind.

#Leistungsvergleich

Unsere Algorithmen werden mit bestehenden Modellen und Benchmarks verglichen. Wir beobachten, dass unsere vorgeschlagenen Netzwerke, ROBNet und OBiRIM, sowohl unter idealen als auch unter realistischen Kanalbedingungen hervorragend abschneiden.

#Analyse der Ergebnisse

1. Einzelner Rayleigh-Fading-Kanal: In einer kontrollierten Umgebung, in der die Netzwerke auf demselben Kanal trainiert und getestet werden, zeigen sowohl ROBNet als auch OBiRIM niedrigere Bitfehlerquoten (BER) im Vergleich zu früheren Designs.

2. Allgemeine Kanalleistung: Bei Tests über eine Vielzahl von zufällig generierten Kanälen bleibt die Leistung von ROBNet und OBiRIM hoch, ohne dass eine erneute Schulung mit neuen Daten erforderlich ist.

3. Einfluss von Kanalrauschen: Wir haben bewertet, wie gut unsere Netzwerke mit ungenauer CSI umgehen, indem wir Bedingungen simuliert haben, bei denen die Kanalinformationen nicht perfekt genau sind. Unsere Netzwerke bewältigen diese Situationen effektiver als traditionelle Designs.

#Fazit

Die Ergebnisse bestätigen, dass unsere vorgeschlagenen Methoden zur Ein-Bit-Erkennung die Leistung erheblich verbessern. Die Hinzufügung von Deep Learning-Regularisierung in den GD-Aktualisierungen verbessert die Wiederherstellung bei Konstellationen höherer Ordnung.

Unser Ansatz ist besonders vielversprechend für zukünftige Anwendungen in fortschrittlichen drahtlosen Kommunikationsnetzwerken, insbesondere im wachsenden Bereich der mmWave-Technologien, die in modernen 5G-Netzen benötigt werden.

#Zukünftige Arbeiten

In Zukunft wollen wir unsere Methoden für mmWave-Kanäle anpassen, die aufgrund ihrer unterschiedlichen Eigenschaften im Vergleich zu herkömmlichen drahtlosen Kanälen einzigartige Herausforderungen mit sich bringen. Wir erwarten, dass unser Ansatz helfen kann, die Erkennung in diesen komplexen Umgebungen weiter zu verbessern.