AI 摘要 · 由英文经 AI 翻译
Physical Layer Communications System Design Over-the-Air Using Adversarial Networks
Timothy J. O'Shea, Tamoghna Roy, Nathan West, Benjamin C. Hilburn
TL;DR
真实信道中的损伤难以用闭式解析模型刻画，这限制了物理层在此类信道上的学习。本文联合学习信道近似模型与通信编解码器，在空中实测中实现了一种非标准 16-QAM 模式，其符号错误率约为 0.00714。
问题
真实信道损伤难以构建闭式模型，且模型可能无法表达设备间硬件差异等复杂性。
出处：§I · p. 1方法
该对抗系统利用物理信道测量数据和学习得到的信道网络，联合学习信道函数近似模型与编解码方案。
出处：§II · p. 2结果
学习得到的非标准 16-QAM 模式在空中传输中的符号错误率约为 0.00714。
出处：§III · p. 3结论与局限
学习得到的信道函数近似模型足以支持反向传播，从而在未知且未经表征的物理信道上同时调整编码器和解码器网络。
出处：§IV · pp. 3–4仍需进一步研究性能分析、信息流训练、变化条件下的自适应评估，以及扩展到更大的符号块。
出处：§IV · p. 4
Abstract
from arXiv · showhide
This paper presents a novel method for synthesizing new physical layer modulation and coding schemes for communications systems using a learning-based approach which does not require an analytic model of the impairments in the channel. It extends prior work published on the channel autoencoder to consider the case where the channel response is not known or can not be easily modeled in a closed form analytic expression. By adopting an adversarial approach for channel response approximation and information encoding, we can jointly learn a good solution to both tasks over a wide range of channel environments. We describe the operation of the proposed adversarial system, share results for its training and validation over-the-air, and discuss implications and future work in the area.
I. 引言
信道自编码器通过联合优化编码器和解码器网络来学习物理层编码方案，但真实环境中的失真往往难以用可微形式准确建模。本文提出一种对抗式方法，用于学习响应缺乏闭式模型的物理信道。
I. 引言
- 联合优化的深度编码器和解码器网络已能学习新的调制方案，并具备固有纠错能力，适用于常见信道模型, 。Figure 1 展示了针对可微解析信道模型进行优化的信道自编码器。出处：§I · p. 1, Figure 1 · p. 1
- 直接学习复杂的调制和解调函数可以优化符号错误率等全局指标，但在真实环境中进行优化，需要准确且可微的信道表达式。建模的影响因素包括数模转换、模拟射频硬件，以及其他失真和信道损伤。出处：§I · p. 1
- 许多系统缺乏能够描述真实环境复杂性的闭式模型；在合成数据预训练后仅更新接收机，无法在没有信道梯度的情况下更新发射机 。本文将问题转化为对抗式函数逼近；下一节将介绍一种硬件在环系统，用于通过空中传输适配发射机和接收机。出处：§I · p. 1
II. 技术方案
CommGAN 联合近似任意通信信道响应，并学习编码与解码方案。训练过程中，它以物理测量和学习得到的信道近似取代解析信道模型。
II. 技术方案
- Figure 2 中的 CommGAN 使用神经网络编码器和解码器，并以物理响应函数和学习得到的响应函数表示黑箱信道，而非采用解析模型。编码器将比特或码字索引映射为发射样本；解码器则将接收样本映射为似然值。出处：Figure 2 · p. 2, §II · p. 2
- CommGAN 联合优化信道响应近似以及信息的编码与解码，以低符号错误率等性能指标为目标。其对抗目标可以同时训练，也可以迭代训练；各目标相互提供信息并促进彼此改进。出处：§II · p. 2
- 物理响应 h0 对通信系统进行测量，神经网络 h1 对其进行近似；训练采用信道近似 MSE 和自编码器交叉熵损失。这两项损失分别记为 L0 和 L1。出处：§II · p. 2
- 训练在不同目标之间循环进行，使用手动调整的学习率和小型全连接 ReLU 网络；Figure 3 展示了信道近似损失和自编码器损失曲线。曲线对应训练中描述的两项量：信道近似损失和符号交叉熵。出处：§II · p. 2, Figure 3 · p. 3
- 物理信道采用室内 900 MHz 配置和 USRP B210，样本时钟共享，但硬件偏移和损伤未经校准。系统将信息映射为 16 个符号，每个符号发送三个样本，并在未对齐的三样本窗口内选取一个接收样本。出处：§II · p. 3
III. 结果
训练过程中，信道近似损失与自编码器损失相互促进，最终在空口上实现了非标准 16-QAM，符号错误率约为 0.00714。
III. 结果
- 归一化和噪声注入有助于训练，而平均功率约束则可缓解梯度持续增大发射功率的问题。出处：§III · p. 3
- 随着训练轮数增加，信道近似损失与自编码器损失相互促进；训练在不到五分钟内完成。训练使用 NVIDIA Titan V GPU。出处：§III · p. 3
- 通过将 4 bit 编码到一个接收符号中（该符号来自 3 个未对齐的发射符号），系统在空口上实现了约 0.00714 的符号错误率。Figure 4 展示了学习得到方案的 I/Q 样本。出处：Figure 4 · p. 3, §III · p. 3
IV. 结论
这种对抗式方法能够联合学习信道函数近似以及编码器/解码器，从而在没有闭式信道模型的情况下实现有效通信。作者指出，要使这一方法成熟，仍需开展大量工作。
IV. 结论
- 联合学习信道近似与编码器/解码器，无需闭式信道模型或具体实现，即可为任意通信信道构建有效系统。出处：§IV · p. 3
- 学习得到的信道函数近似足以支持反向传播，并调整编码器和解码器网络。出处：§IV · p. 4
- 未来工作包括流式训练、在环境条件变化时进行在线适配，以及扩展到现代 LTE 规模的符号块。出处：§IV · p. 4
- 论文将跨多种影响因素和变换进行整体优化，视为实现通信性能下一次重大跃升的基本要求。出处：§IV · p. 4