【文献学习】DeepReceiver: A Deep Learning-Based Intelligent Receiver for Wireless Communications in the Ph

1 引言

提出盲无线接收器模型，DeepReceiver，用深度神经网络模型代替传统接收器的信息恢复过程。 该模型的输入是接收到的 IQ 信号，输出是恢复的信息比特流。 该模型基于接收到的IQ信号样本进行训练，能反映通信系统实际经历的射频损伤、信道衰落、噪声和干扰。能够接收不同的调制方式和不同编码方式的信号。 综合分析和验证了DeepReceiver在噪声、射频损伤、信道衰落、同信道干扰、动态环境、盲接收等条件下的性能。

2 介绍

2.1 基础理论

信道衰落主要由地理环境和障碍物引起，通常包括阴影和多径衰落，它们会在接收信号中引入符号间干扰（ISI）。。 干扰是指来自其他发射器的无意或恶意干扰。 当接收方缺乏特定的抗干扰措施时，将严重影响信息恢复质量。
（１）RF损伤
发射机和接收机本振之间的差异会导致接收到的信号出现频偏。

（２）IQ不平衡
在实际的硬件电路中，器件的物理限制和电路设计错误都会导致I和Q信号的相位和幅度不一致，导致IQ不平衡[50]。 IQ失衡可以表示为
（３）信道衰落
地形、障碍物和其他因素可能会影响信号的传播，导致接收信号的多径衰落。 另外，发射机和接收机之间的相对运动会引起多普勒频移。这些因素会造成严重的信号失真，如ISI。信道衰落主要由地理环境和障碍物引起，通常包括阴影和多径衰落，它们会在接收信号中引入符号间干扰（ISI）。
（４）噪声
由于大气热噪声和通信系统本身噪声的存在，接收信号中会含有一定量的噪声。 最常见的噪声是 AWGN。 噪声包括大气热噪声、工业噪声以及也会影响接收信号质量的系统噪声。
（５）干扰
干扰是指来自其他发射器的无意或恶意干扰。 当接收方缺乏特定的抗干扰措施时，将严重影响信息恢复质量。 当接收方缺乏特定的抗干扰措施时，将严重影响信息恢复质量。
在电磁频谱空间中，来自其他发射器的信号可能会对接收器造成同信道干扰。 当干扰功率较大时（相对于接收到的通信信号功率而言），如果没有特殊的抗干扰措施，传统通信接收机的性能会严重恶化。

2.2 传统的通信方法

传统的物理层接收器通常使用载波和符号同步、信道估计、均衡、解调和解码等过程来尽可能准确地从接收到的失真信号中恢复信息。这种方法有三个限制。
（１）逐步串行处理并没有优化接收器的整体性能。每个模块，例如载波和符号同步、信道估计、均衡、解调或解码，都会优化特定任务的性能。然而，每个模块的最优局部性能并不一定保证最优的全局性能。预处理模块的错误可能会影响后续处理模块的优化，导致错误的累积效应。
（２）其次，每个处理模块的算法设计通常是基于理论假设，比如假设射频设备是理想的，信道衰落遵循莱斯模型，噪声是加性高斯白噪声（AWGN），或者没有同信道干涉。这些假设不一定与通信系统所经历的真实条件相匹配。因此，传统接收机优化的是假设下的最佳性能，而不一定是真实环境下的最佳性能。
（３）随着软件无线电技术的发展，自适应调制编码（AMC）等技术被普遍使用。传统的接收算法通常是为特定的调制和编码而设计的。接收机需要知道发射机采用哪种调制编码方案（MCS）来实现信息恢复。这增加了发射机和接收机之间信令交互的复杂性。

2.3 相关研究

从三个方面总结了相关的工作
（1）DL提升通信接收机中的模块部分

• 信道估计
  • 【Deep learning based channel estimation algorithm over time selective fading channels】
  • 【Deep learning-based channel estimation for doubly selective fading channels】
  • 针对OFDM
    ■ 【RoemNet: Robust meta learning based channel estimation in OFDM systems】
    ■ 【Deep learning-based channel estimation】
  • 针对MIMO OFDM
    ■ 【Deep learning-based channel estimation for beamspace mmWave massive MIMO systems】
    ■ 【Decision directed channel estimation based on deep neural network k-step predictor for MIMO communications in 5G】
    ■ 【A survey on deep-learning based techniques for modeling and estimation of massiveMIMO channels】
• 信道均衡
  ○ 【Machine learning for joint channel equalization and signal detection】
• 信号解调
  ○ 【Deep learning detection method for signal demodulation in short range multipath channel】
  ○ 【Faster-than-Nyquist rate communication via convolutional neural networks-based demodulators】
  ○ 软解调【 Learning to softly demodulate】降低了计算复杂度
• 信道编码
  • DNN网络
    ■ 【Learning to decode linear codes using deep learning】
    ■ 【Near maximum likelihood decoding with deep learning】
  • RNN网络
    ■ 【Deep learning methods for improved decoding of linear codes】
  • CNN网络
    ■ 【An iterative BP-CNN architecture for channel decoding】
  • GCN网络
    ■ 【Hyper-graph-network decoders for block codes】
  • 提高了极坐标译码
    ■ 【Polar decoding on sparse graphs with deep learning】
    ■ 【Neural belief propagation decoding of CRC-polar concatenated codes】
    ■ 【Learning to flip successive cancellation decoding of polar codes with LSTM networks】
    ■ 【Learning to denoise and decode: A novel residual neural network decoder for polar codes】
  • 降低了极坐标译码延迟
    ■ 【Neural successive cancellation decoding of polar codes】
    ■ 【Neural network aided SC decoder for polar codes】
    ■ 【Neural network based successive cancellation decoding algorithm for polar codes in URLLC】
  • 提出基于DL的最小和解码算法，降低了复杂度，提高了解码速度
    ■ 【Reduced-complexity deep neural networkaided channel code decoder:】
  • 极坐标译码降低了硬件部署
    ■ 【A unified deep learning based polar-LDPC decoder for 5G communication systems】
    ■ 【Neural dynamic successive cancellation flip decoding of polar codes】
    ■ 【Low-precision neural network decoding of polar codes】
  • 同时优化多个模块
    ■ 数据序列检测【Neural network detection of data sequences in communication systems】
    ■ 信道均衡+解码【Initial results on deep learning for joint channel equalization and decoding】
    ■ 信道均衡+符号检测【Power of deep learning for channel estimation and signal detection in OFDM systems】
    ■ 两个网络信号均衡+解码【Joint neural network equalizer and decoder】
    ■ 信道估计+均衡【Deep learningbased channel estimation and equalization scheme for FBMC/OQAM systems】

（2）基于DL的通信系统（端到端通信）
用DL来代替整个通信系统，包括发射器和接收器。 发送端和接收端的神经网络作为一个整体联合优化。 这种基于DL的通信系统是一种破坏性的通信系统。 下行接收端只能用于接收和处理对应下行发送端产生的信号。 它不能用于处理传统通信发射器产生的信号。
● 【An introduction to deep learning for the physical layer】
● 【Deep learning based communication over the air】
● 【Backpropagating through the air: Deep learning at physical layer without channel models】
● 【Joint transceiver optimization for wireless communication PHY using neural network】
● 【Model-free training of end-to-end communication systems】
（3）对于MCSs的统一盲接收机
传统的通信接收算法主要是针对特定的 MCS 设计的。对于发送端使用ACM的通信系统，接收端往往需要知道当前信号使用的是哪个MCS，才能选择相应的信息恢复算法。另一种方法是首先识别接收信号的调制和编码，然后选择相应的解调和解码算法进行信息恢复。但是，这种方法仍然是一种串行处理方法。在低信噪比（SNR）的情况下，调制识别和编码识别的准确性可能会受到很大影响。一旦出现识别错误，就会造成很高的解调和解码错误率。
调制识别的文献
● 【Over-the-air deep learning based radio signal classification】
● 【Modulation-constrained clustering approach to blind modulation classification for MIMO systems】
● 【Modulation classification based on signal constellation diagrams and deep learning】
● 【Deep learning based channel code recognition using TextCNN】
● 【Blind compensation of frequency-selective I/Q imbalances in quadrature radio receivers: Circularity-based approach】

（4）总结

• 目前深度学习在无线通信接收器中的应用主要集中在用深度神经网络替换接收器中的一个或几个（但不是全部）模块。此外，目前基于DL的通信信号处理研究大多只考虑无线信道衰落的影响，几乎没有涉及RF损伤、非AWGN噪声、信道干扰等情况。提出的 DeepReceiver 模型将取代整个信息恢复链路，并考虑 RF 损伤、无线信道衰落、噪声和干扰的影响。
• 本文中提出的 DeepReceiver 本质上是一种针对多个 MCS 的统一盲处理方法。在训练阶段，训练集包含多个 MCS 的信号数据。经过训练的 DeepReceiver 模型可以适应这些 MCS 并从接收信号中恢复信息，而无需事先知道发射机采用哪种 MCS。
• 设计了一个一维卷积DenseNet（1D-Conv-DenseNet）网络结构，其中所有的卷积都是一维的。 全局池化用于获得相同维度的特征向量，以提高网络对不同输入信号长度的适应性。 在最终的分类层，使用多个二元分类器来恢复比特流
• 从多个角度分析了接收机的性能：包括噪声（AWGN 和加性广义高斯噪声 (AGGN)）、RF 损伤（载波频率偏差和 IQ 不平衡）、多径衰落（频率平坦瑞利衰落和频率选择性瑞利衰落）、同信道干扰（单音干扰、最小频移键控） (MSK) 干扰和 BPSK 干扰）和动态环境。

3 模型

传统的无线通信接收机主要采用逐步串行处理来恢复信息，即利用载波同步校正载波频率偏差，利用符号同步克服定时误差，利用信道估计估计信道响应，利用均衡克服 信道衰落，利用解调实现调制的逆运算，利用信道解码实现信道编码的逆运算。

3.1 DeepReceiver

作为无线接收机，输入的是样本数据是IQ信号，输出是恢复的比特流。其目的是学习接收信号与发送信息序列之间的复杂关系，从而尽可能可靠地恢复各种非理想条件下的信息，提高接收机对非理想条件的适应性。

3.2 多个二进制分类器

比特流总共包括M比特，所有可能的类的数量是2M，所以可以使用2M个类别的分类器来解决它。然而，随着比特数的增加，类别的数量呈指数增长。神经网络最终分类层的隐藏节点数一般与类别数相同。包含如此大量的隐藏节点增加了网络的时间和空间复杂度。其次，对于每个类别，往往需要一定数量的训练样本，因此所需的训练样本数量会远大于 2M 。生成如此大量的训练样本是不经济的，训练的计算复杂度会变得非常高，难以在有限时间内收敛。
为了解决这个问题，作者提出最终分类层使用M个二元分类器来恢复M位信息比特流，而不是一个单一的多类别分类器。 每个二元分类器恢复其中一位。 分类器的数量与要恢复的比特流中的比特数一致。 需要注意的是， M 个二元分类器并不是孤立的。 它们共享同一个神经网络。 整体结构如图 2 所示。数字采样的 IQ 信号用作 CNN的输入。 经过卷积、池化、激活等一系列操作后，得到一个特征向量。 特征向量作为M个二元分类器的输入，二元分类器的输出对应恢复的信息比特流。

3.3 设计的 1D-Conv-DenseNet 结构

其中所有卷积的卷积核的大小都是一维的。 DenseNet 是一个密集连接的网络。为了保证网络中各层之间的最大信息流，它直接将所有层（具有匹配的特征图大小）相互连接起来。应该是没有使用Dropout。在 DenseNet 中，当前层的输入是之前所有层的特征图。
1D-Conv-DenseNet 中，首先使用包含64 个通道的卷积层来处理输入 IQ 信号。然后总共四个 TransitionBlocks 和四个 DenseBlocks 连接为 TransitionBlock(128)、DenseBlock 1、TransitionBlock(64)、DenseBlock 2、TransitionBlock(64)、DenseBlock 3、TransitionBlock(64) 和 DenseBlock 4。
作者说：相同长度的信息比特流经过不同的MCS编码调制后，得到的符号数可能不同，从而导致接收到的IQ信号的采样点数也可能不同。本文设计的网络结构可以精准地处理这种情况。但是并没有说是如何解决的。

3.4 损失函数和优化器

使用 M 个分类器的交叉熵之和来设计损失函数

4 实验分析

4.1 复杂度分析

两方面一是网络参数的存储，二是推理过程中特征图的存储。分别是1248322+602M和192N。不知道M和N是什么单位

4.2 性能分析

调制方式：QPSK、BPSK
编码方式：Hamming
对于BPSK：信息比特流的比特数为32，信息比特流是随机产生的，信道编码成56比特。第一个采样点的时序在1/8倍符号周期内随机选取。因此获得的每个 IQ 样本的数据长度为 448。
对于QPSK：原始信息比特流的比特数为32，使用 (7, 4) 汉明码和升余弦滤波器，第一个采样点的时序在符号周期的1/8倍内随机选取，接收信号的过采样率也为8，因此每个的数据长度获得的IQ样本为224。
每个 Eb/N0 的数据样本数为 200,000，9个信噪比条件，因此总样本量为 1,800,000。 在每个测试数据集中，信号 Eb/N0 的范围从 0 dB 到 8 dB，间隔为 0.5 dB，每个 Eb/N0 的样本数为 200,000。

4.2 其他分析

略

5 疑问和思考

（1）网络结构没有说清楚，特别是如何做的多个二分类。通常的做法是用最后一层用全连接层，sigmoid激活函数，损失函数使用的是多个多标签的损失函数。作者居然用的softmax作为激活函数。
（2）复杂度分析的时候，复杂度的M和N是什么单位？
（3）并没有说如何解决，同一个模型为什么能够适应不同的信道，如何去训练不同来自不同信道的数据？
（4）很值得学习的地方是，作者的综述部分非常详细，很范围很广，而且思路清晰，没有任何问题。多问题的分类较为详细。