Novel Deep Neural OFDM Receiver Architectures for LLR Estimation

要約

ニューラルレシーバーは最近、人気のあるトピックになりました。このトピックでは、受信した信号は、機械学習やディープラーニングなどのデータ駆動型メカニズムによって直接解読できます。
このホワイトペーパーでは、チャネルの推定と均等化タスクを実行し、相の対応相（IQ）シグナルからの対数尤度比（LLR）を直接予測する2つの新しいニューラルネットワークベースの直交周波数分割（OFDM）レシーバーを提案します。
最初のネットワークであるデュアルアテンショントランス（DAT）は、注意メカニズムを備えた最先端のアート（SOTA）変圧器アーキテクチャを採用しています。
2番目のネットワークである残差デュアル非ローカル注意ネットワーク（RDNLA）は、ローカルな注意ブロックを持つ並列残留アーキテクチャを利用しています。
さまざまなSOTAニューラルレシーバーアーキテクチャのビットエラー率（BER）およびブロックエラー率（BLER）パフォーマンスは、異なる信号対ノイズ比（SNR）レベルで提案された方法と比較されます。
シミュレーション結果は、DATとRDNLAが従来の通信システムと既存のニューラル受信機モデルの両方を上回ることを示しています。

要約(オリジナル)

Neural receivers have recently become a popular topic, where the received signals can be directly decoded by data driven mechanisms such as machine learning and deep learning. In this paper, we propose two novel neural network based orthogonal frequency division multiplexing (OFDM) receivers performing channel estimation and equalization tasks and directly predicting log likelihood ratios (LLRs) from the received in phase and quadrature phase (IQ) signals. The first network, the Dual Attention Transformer (DAT), employs a state of the art (SOTA) transformer architecture with an attention mechanism. The second network, the Residual Dual Non Local Attention Network (RDNLA), utilizes a parallel residual architecture with a non local attention block. The bit error rate (BER) and block error rate (BLER) performance of various SOTA neural receiver architectures is compared with our proposed methods across different signal to noise ratio (SNR) levels. The simulation results show that DAT and RDNLA outperform both traditional communication systems and existing neural receiver models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google