【论文阅读】DL-Based End-to-End Wireless Communication Systems With Conditional GANs as Unknown Channels

文章标题：Deep Learning-Based End-to-End Wireless Communication Systems With Conditional GANs as Unknown Channels
文章链接：https://www.aminer.cn/pub/5e8d92989fced0a24b61f135/deep-learning-based-end-to-end-wireless-communication-systems-with-conditional-gans

摘要

本文开发了一种基于深度神经网络（DNNs）的端到端无线通信系统，其中DNNs被用于执行包括编码、解码、调制和解调在内的几个关键功能。然而，为了使发射机DNN学会优化接收机在解码时的增益，需要准确估计瞬时信道传递函数，即信道状态信息（CSI），这在无线通信中是一个挑战，因为CSI随时间和位置变化，并且在设计收发器时很难获得。我们提出使用条件生成对抗网络（GAN）来表示信道效应，并作为发射机DNN和接收机DNN之间的桥梁，以便接收机DNN可以将梯度反向传播到发射机DNN。特别是，采用条件GAN以数据驱动的方式对信道效应进行建模，其中接收信号对应的导频符号被添加为GAN的条件信息的一部分。为了解决当传输符号序列较长时的维数灾难问题，使用了卷积层。从模拟结果来看，所提出的方法在加性白高斯噪声（AWGN）信道、Rayleigh衰落信道和频率选择性信道上都是有效的，这为构建端到端通信系统的纯数据驱动DNNs开辟了新的途径。

主要问题描述：
文章主要解决的问题是如何在无线通信系统中，不依赖于准确的信道状态信息（CSI），设计一个端到端的通信系统。在无线通信中，CSI的获取往往面临挑战，因为它会随时间和位置变化，而且难以获得。此外，当传输的符号序列较长时，还会遇到所谓的“维数灾难”，这会增加训练过程中未见编码字的比重，从而影响系统性能。

文章贡献概述：

1. 条件GAN的应用：文章提出使用条件生成对抗网络（Conditional GAN）来模拟无线信道的条件分布，通过将接收到的导频符号作为条件信息的一部分，使条件GAN能够为时变信道生成更具体的样本。

2. 端到端学习通信系统的开发：基于条件GAN对信道条件分布的建模，开发了一个端到端的学习通信系统，该系统允许通过条件GAN将端到端损失的梯度传播到发射机DNN。

3. 卷积神经网络（CNN）的应用：为了解决维数灾难问题，文章采用了CNN来减轻问题的影响。实验结果表明，带有卷积层的发射机可以学习将传输数据编码到高维嵌入向量中，并且接收机可以有效解码。

4. 实际信道的模拟和优化：文章的方法在AWGN信道、Rayleigh衰落信道和频率选择性信道上进行了测试，证明了所提出方法的有效性，与基于专家知识和信道模型设计的传统方法相比，显示出类似或更好的性能。

5. 数据驱动通信系统的新途径：这项研究为构建纯粹的数据驱动通信系统开辟了新的道路，为未来通信系统的设计提供了新的思路和方法。

I. 引言

在图1(a)所示的传统无线通信系统中，数据传输涉及发射机和接收机中的多个信号处理模块。虽然该系统中的技术非常成熟，但其中各个模块通常是单独设计和优化的，通常基于不同的假设和目标，这使得很难甚至不可能确定系统的全局最优性。此外，信道传播被表示为嵌入设计中的假定数学模型。假定的模型可能无法正确或准确地反映实际的传输场景，从而影响系统性能。
相反，基于学习的基于数据驱动的方法为处理假定信道模型的不完美提供了一种新的途径[1]。最近，深度学习已经被应用于改进传统的块结构通信系统，包括多输入多输出(MIMO)检测[2][3]、信道解码[4]–[9]和信道估计[10][11]。此外，基于深度学习的方法还通过联合优化传统通信模块显示出了令人印象深刻的改进，包括联合信道估计和检测[12]、联合信道编码和源编码[13]。
除了增强传统通信模块之外，深度学习还为未来的通信系统提供了一种新的范式。作为一种纯粹的数据驱动方法，深度学习模型的特征和参数可以直接从数据中学习，无需手工制作或特别设计，通过优化端到端的损失函数。受这种方法的启发，端到端基于学习的通信系统已经在几个先前的研究中进行了研究[14]–[18]，其中发射机和接收机都由深度神经网络(DNNs)表示，如图1(b)所示。该框架可以被解释为一个自动编码器系统，它被广泛用于学习数据的表示[19]–[21]。发射机和接收机分别对应于自动编码器和自动解码器。从图1(b)可以看出，发射机学习将传输的符号编码为编码数据x，然后将其发送到信道，而接收机学习根据从信道接收到的信号y恢复传输的符号。结果，发射机处的传统通信模块，如编码和调制，被DNN所取代，而接收机处的模块，如解码和解调，被另一个DNN所取代。发射机和接收机DNNs使用测量或模拟数据集进行离线训练，以一种监督学习的方式优化反映恢复精度的损失函数。从图1(b)可以看出，损失函数取决于发射机DNN的权重/参数集θT、接收机DNN的权重/参数集θR和信道实现h，因此可以表示为L(θT, θR,h)。然而，在离线训练阶段，信道实现h是未知的。我们只知道它来自具有某些特征或特征的样本空间/集合H，例如室内信道或典型的城市信道。因此，发射机和接收机DNN的参数集本质上是针对最小化E(h∈H){L(θT, θR,h)}进行优化的。
从上述讨论中，有几个关键挑战需要解决，以便将基于学习的端到端通信系统框架应用于各种无线信道。众所周知，DNN的权重通常使用随机梯度下降(SGD)进行更新，计算出的损失梯度从输出层反向传播到输入层。当信道传递函数y = fh(x)不可用时，接收机DNN到发射机DNN的梯度反向传播被阻塞，