Deep Machine Learning in MIMO Communication Systems

技术摘要：MIMO 通信系统中的深度机器学习

问题陈述
本文探讨了当前无线通信网络（如长期演进技术 LTE 及其高级版本 LTE-Advanced）在延迟、可靠性、容量和能效方面的局限性。传统通信系统通常依赖基于块的处理和手工设计的组件（例如信道编码、调制和解调），这些组件可能无法针对瑞利衰落等复杂现实信道条件进行最优适配。作者提出，将深度机器学习（DL）集成到物理层，通过将通信系统视为端到端的重建任务，可以克服这些挑战。具体而言，本文聚焦于在噪声和信道衰落条件下优化多输入多输出（MIMO）系统，以最小化误码率（BER）。

方法论
作者将通信系统建模为深度学习自动编码器，其中发射机充当编码器，无线信道充当固定层，接收机充当解码器。

1. 系统架构：

   • SISO 模型： 研究始于单输入单输出（SISO）系统。发射机（编码器）使用包含全连接层（Dense）和 ReLU 层的前馈神经网络（FNN），后接一个归一化层以施加功率约束。信道被建模为具有加性高斯白噪声（AWGN）的瑞利衰落环境。接收机（解码器）利用全连接层和 Softmax 输出层来估计传输的消息。
   • MIMO 模型： 该概念被扩展至 2x2 MIMO 系统。发射机将 $k$ 个比特编码为 $m_t$ 个并行传输流。信道由包含独立同分布（i.i.d.）瑞利衰落抽头的矩阵 $H$ 表示。接收机采用带有复用全连接层的 FNN 进行信号检测。该系统在开环配置下运行（发射机无信道状态信息）。

2. 优化过程：

   • 系统使用随机梯度下降（SGD）和反向传播进行端到端训练。
   • 损失函数： 目标是最大化分类交叉熵损失的最小化。对于 SISO 情况，损失定义为 $l_i = -\log([\hat{s}_i]_{s_i})$。对于存在多个发射机 - 接收机对的 MIMO 情况，作者最小化各个损失函数的加权和（$L = \gamma L_1 + (1-\gamma)L_2$）以处理冲突目标。
   • 训练： 已知的传输数据作为训练样本。信道层（瑞利衰落和噪声）在前向传播过程中是可微分的，允许梯度通过信道反向流动，从而同时更新发射机和接收机的权重。

主要贡献

• 端到端 MIMO 框架： 本文提出了一种基于深度学习的新型 MIMO 通信架构，联合优化发射机、接收机和信号表示，无需依赖传统的基于块的设计。
• 瑞利衰落集成： 与假设理想信道的方案不同，本工作明确将瑞利衰落信道模型纳入自动编码器框架，使系统能够直接针对现实世界的损伤学习鲁棒的表示。
• 定制优化： 针对基于深度学习的 MIMO 系统设计了特定的优化过程，利用交叉熵损失的加权和来同时训练多个并行流。
• 比较分析： 本研究提供了所提出的深度学习方法与传统基于块的方法（例如使用 BPSK/QPSK 调制和最大似然检测的汉明块码）之间的直接比较。

结果
使用 Python 进行系统建模、使用 MATLAB 进行绘图的仿真结果表明如下：

• SISO 性能： 与在瑞利衰落信道上使用汉明码和 BPSK 的传统 SISO 系统相比，所提出的基于深度机器学习的 SISO 系统实现了显著更低的误码率（BER）。接收机成功学习到了以最小误差恢复符号的能力。
• MIMO 性能： 在 2x2 MIMO 场景中，基于深度学习的系统优于使用最大似然检测的传统 MIMO 系统。结果表明，所提出的架构在高信噪比（SNR）场景下尤为有效。
• 鲁棒性： 通过在训练和测试期间调整噪声标准差，该系统展示了适应不同信噪比水平的能力。

意义与主张
本文主张，所提出的端到端无线通信系统为传统物理层设计提供了一种有前景的替代方案。通过将通信视为联合优化问题，该系统学习到的抑制信道损伤（噪声和衰落）的能力比传统方法更有效。作者得出结论，深度机器学习框架具有显著提升现代无线通信系统（特别是在复杂 MIMO 配置中）效率和可靠性的潜力，这是通过学习的信号表示而非手工设计的算法来实现更低的误码率。