Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise

要約

私たちは、例えば無線デジタル放送システムや車両通信などで発生するバースト性インパルス性ノイズ (IN) が存在する場合の、シンボル間干渉 (ISI) チャネルを介した符号化伝送におけるデータ駆動型トレリスベースのソフト シンボル検出のための機械学習アプローチを開発しました。
これにより、尤度やトレリス状態遷移確率の計算に完全なチャネル状態情報 (CSI) を使用することを回避しながら、Bahl-Cocke-Jelinek-Raviv (BCJR) アルゴリズムに基づいて最適化された検出器を取得できるようになりました。
まず、加法性白色ガウス雑音 (AWGN) を使用した ISI チャネル用に最近提案されたニューラル ネットワーク (NN) 支援 BCJR のアプリケーションを拡張しました。
BCJR-NN 法は、送信シーケンスのラベル付けによる尤度の推定には適していますが、トレリス状態遷移を学習するためのフレームワークを提供しません。
統合 ISI 状態と IN 状態の検出に加えて、トレリス遷移が自明ではない別のシナリオにも焦点を当てました。それは、受信機のチャネル メモリに関する不正確な情報による AWGN による ISI チャネルの検出です。
正確な状態遷移行列にアクセスできない場合、BCJR-NN のパフォーマンスはどちらの設定でも大幅に低下します。
この目的を達成するために、隠れマルコフ モデル (HMM) の教師なし学習に基づいたデータ駆動型 BCJR 検出の代替アプローチを考案しました。
BCJR-HMM を使用すると、ラベルを付けずに尤度関数と状態遷移行列の両方を最適化できました。
さらに、NN を尤度の学習に使用し、状態遷移は HMM によって最適化する、ハイブリッド NN と HMM BCJR 検出の実行可能性を実証しました。
必要な事前のチャネル知識を削減しながら、学習されたトレリス状態遷移を備えた検査済みのデータ駆動型検出器は、最適な完全な CSI ベースの BCJR に近いビット誤り率を達成し、不正確な CSI による検出を大幅に上回ります。

要約(オリジナル)

We developed machine learning approaches for data-driven trellis-based soft symbol detection in coded transmission over intersymbol interference (ISI) channels in presence of bursty impulsive noise (IN), for example encountered in wireless digital broadcasting systems and vehicular communications. This enabled us to obtain optimized detectors based on the Bahl-Cocke-Jelinek-Raviv (BCJR) algorithm while circumventing the use of full channel state information (CSI) for computing likelihoods and trellis state transition probabilities. First, we extended the application of the neural network (NN)-aided BCJR, recently proposed for ISI channels with additive white Gaussian noise (AWGN). Although suitable for estimating likelihoods via labeling of transmission sequences, the BCJR-NN method does not provide a framework for learning the trellis state transitions. In addition to detection over the joint ISI and IN states we also focused on another scenario where trellis transitions are not trivial: detection for the ISI channel with AWGN with inaccurate knowledge of the channel memory at the receiver. Without access to the accurate state transition matrix, the BCJR- NN performance significantly degrades in both settings. To this end, we devised an alternative approach for data-driven BCJR detection based on the unsupervised learning of a hidden Markov model (HMM). The BCJR-HMM allowed us to optimize both the likelihood function and the state transition matrix without labeling. Moreover, we demonstrated the viability of a hybrid NN and HMM BCJR detection where NN is used for learning the likelihoods, while the state transitions are optimized via HMM. While reducing the required prior channel knowledge, the examined data-driven detectors with learned trellis state transitions achieve bit error rates close to the optimal full CSI-based BCJR, significantly outperforming detection with inaccurate CSI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google