ГЛУБОКОЕ ОБУЧЕНИЕ ДЛЯ ПОДАВЛЕНИЯ ПОМЕХ В БЕСПРОДНЫХ СЕТЯХ

OPTIMIZATION OF SPARSE PHASED ANTENNA ARRAYS BASED ON MACHINE LEARNING METHODS

Tyrinova Anastasia Antonovna

Student, Department of Electronics, Radio Engineering, and Communication Systems, Oryol State University named after I. S. Turgenev,

Russia, Orel

АННОТАЦИЯ

С ростом плотности электромагнитного спектра и уменьшением размеров ячеек в беспроводных сетях всё более острой становится проблема перекрёстных помех между базовыми станциями и пользователями. Традиционные функциональные блоки и схемы кодирования показали эффективность для обеспечения надёжной передачи данных, однако в последнее время всё больше внимания уделяется подходам на основе глубокого обучения. В работе предлагается метод обработки сигналов на основе нейронной сети, который работает совместно с традиционными DSP-алгоритмами для подавления помех в реальном времени. Подход не требует протокола обратной связи между приёмником и передатчиком, что делает его особенно перспективным для приложений с высокой скоростью передачи данных и низкой задержкой (например, автономные системы и AR).

ABSTRACT

With the crowding of the electromagnetic spectrum and the shrinking cell size in wireless networks, crosstalk between base stations and users is a major problem. Although hand-crafted functional blocks and coding schemes are proven effective to guarantee reliable data transfer, currently deep learning-based approaches have drawn increasing attention in the communication system modeling [1, 2]. In this paper, we propose a Neural Network (NN) based signal processing technique that works with traditional DSP algorithms to overcome the interference problem in realtime. This technique doesn’t require any feedback protocol between the receiver and transmitter which makes it very suitable for low-latency and high data-rate applications such as autonomy and augmented reality. While there has been recent work on the use of Reinforcement Learning (RL) in the control layer to manage and control the interference, our approach is novel in the sense that it introduces a neural network for signal processing at baseband data rate and in the physical layer.

Ключевые слова: беспроводные сети, перекрёстные помехи, глубокое обучение, подавление помех, свёрточный LSTM-автоэнкодер, 5G, OFDM, QAM.

Keywords: Wireless Network, Crosstalk, Deep Learning, Interference Cancellation, Convolutional LSTM Autoencoder, 5G, OFDM, QAM.

Современные беспроводные системы связи развиваются очень быстро. Ячейки становятся меньше, а значит, проблема межъячеечных помех усиливается.

Обычно приёмник отправляет обратную связь передатчику, который регулирует частоту передачи. Но такие циклы обратной связи повышают задержку, что неприемлемо для приложений, где критична скорость отклика.

Альтернатива — «слепые» методы, когда приёмник самостоятельно устраняет помехи, не связываясь с передатчиком. В качестве решения предлагалось применять фазированные антенные решётки для пространственной фильтрации, но у них есть ограничения: чувствительность к неточностям производства, необходимость адаптивной подстройки весов, рост задержки и энергопотребления.

Традиционные DSP-методы хорошо работают для узкополосных помех, но неэффективны при широкополосных, которые перекрывают полосу полезного сигнала. Для сложных случаев нужны новые подходы. Авторы предлагают использовать нейросеть, встроенную в тракт цифровой обработки сигналов.

С быстрым развитием новых систем беспроводной связи размеры ячеек становятся всё меньше, и проблема перекрёстных помех между соседними ячейками усиливается (см. рисунок 1).

Обычно для борьбы с такими помехами приёмник отправляет обратную связь передатчику, который затем подстраивает частоту передачи. Однако такие циклы обратной связи увеличивают задержку, что критично для приложений с низкой задержкой, например, автономных систем и дополненной реальности (AR).

Для решения этой проблемы нужны «слепые» методы, при которых приёмник сам устраняет помехи, без необходимости связываться с передатчиком.

Рисунок 1: Чтобы предоставить отдельным мобильным пользователям больше полосы пропускания, размеры ячеек становятся меньше. При этом межъячеечные помехи становятся критической проблемой. Наш подход — внедрение блоков обработки сигналов на базе ИИ непосредственно в приёмник — позволяет устранить перекрёстные помехи и смягчить другие проблемы, описанные в тексте. [3]

Пример помех в системе сотовой связи LTE показан на рисунке 2. Когда пользовательское оборудование (UE) приближается к границе двух соседних ячеек, существует вероятность того, что другой пользователь в соседней ячейке использует тот же частотный диапазон для связи. Такая ситуация может вызвать помехи для обоих пользователей, использующих одну и ту же частоту, и значительно снизить скорость передачи данных. Чтобы решить эту проблему, консорциум 3GPP решил, что пользователи на границе одной и той же ячейки, но принадлежащие к разным ячейкам, должны использовать разные частотные ресурсы. Базовые станции, поддерживающие эту функцию, могут формировать информацию о помехах для каждого частотного ресурса (RB) и обмениваться этой информацией с соседними базовыми станциями через сообщения. Хотя эта мера помогает решить проблему в малонаселённых районах, она не работает в перегруженных ячейках, так как спрос на свободные диапазоны увеличивается, и базовая станция вынуждена использовать все доступные частоты для связи.

Другим перспективным решением может быть использование антенн с фазированной решёткой на приёмной стороне для реализации пространственной фильтрации и подавления помех. Хотя эта техника может значительно уменьшить мощность сигнала помехи, у неё есть свои недостатки. Первой проблемой является высокая чувствительность антенн с фазированной решёткой к несовпадениям, и поскольку процесс изготовления легко вносит небольшие расхождения, это может ограничивать эффективность пространственной фильтрации. Кроме того, веса, назначенные этим антеннам, должны настраиваться адаптивно, чтобы отслеживать направление желаемого сигнала и продолжать подавлять помехи. Эти настройки могут увеличивать задержку системы, так как необходимо проверять канал и корректировать веса. Также ширина луча напрямую зависит от числа доступных антенн с фазированной решёткой. В результате возникает компромисс между мощностью, площадью и шириной луча антенны.

Существуют несколько традиционных методов цифровой обработки сигналов (DSP) для удаления узкополосных помех из желаемого широкополосного сигнала. Однако они неэффективны в случае широкополосных помех, когда помеха может занимать ту же полосу частот, что и желаемый сигнал. В беспроводных системах с модуляцией OFDM/QAM каждый ресурсный элемент (RE) может принимать дискретное значение из пространства символов QAM. Если это верно как для UE, так и для источника помех, их сочетание также приведёт к дискретному пространству выборок. Использование метода максимального правдоподобия (MLE) для классификации этого нового пространства выборок требует больших вычислительных ресурсов и может быть непрактичным. В то время как традиционные DSP-методы восстанавливают искажённые сигналы через последовательное применение вручную разработанных физических моделей для устранения конкретных искажений, считается, что новые подходы на основе машинного обучения с использованием нейронных сетей могут играть значимую роль в обработке сигналов связи, снижая вычислительную сложность и задержку, а также предоставляя новые возможности для изучения сложного поведения сигналов.

В этой работе мы предлагаем архитектуру нейронной сети (NN), сочетающую сверточные слои и слои LSTM (долгая краткосрочная память), которая может помочь традиционной DSP-базовой цепочке справляться с проблемой помех. Эта техника не требует протокола обратной связи между приёмником и передатчиком, что делает её особенно подходящей для приложений с низкой задержкой и высокой скоростью передачи данных.

Рисунок 2. Проблема помех в сотовых сетях. По мере уменьшения размера ячейки межъячеечные помехи становятся более значительной проблемой.

2. Связанные работы

В традиционной базовой цепочке приёмника сигнал после понижения частоты пропускается через OFDM-демодулятор, чтобы извлечь значения поднесущих, которые затем классифицируются как один из возможных символов QAM с использованием метода максимального правдоподобия (MLE). Однако значения поднесущих искажаются из-за частотной характеристики канала. С помощью пилотных поднесущих можно оценить отклик канала и выполнить его выравнивание с использованием различных методов DSP, таких как алгоритмы минимизации среднеквадратичной ошибки (MMSE), нулевого форсирования (ZF) и сферического декодирования (SD).

Связь с ячейкой и управление мощностью — это два широко используемых подхода для управления и координации помех [5]. Связь с ячейкой означает правильное назначение мобильного пользовательского оборудования на обслуживающие базовые станции. Популярные схемы включают схему на основе мощности принимаемого опорного сигнала (RSRP) [6], расширение диапазона ячейки на основе смещения (CRE) [7] и схему на основе коэффициента почти пустых субкадров (ABS) [8]. Управление мощностью предполагает минимизацию передаваемой мощности (а значит и помех для других каналов) при сохранении качества желаемой связи. Среди популярных схем — управление мощностью с отслеживанием целевого SIR (TPC) [9], TPC с постепенным снятием (TPC-GR) [10] и оппортунистическое управление мощностью (OPC) [11].

Существуют попытки применить обучение с подкреплением (RL) для управления помехами через оптимизацию стратегий передачи мощности. В [12] предложена децентрализованная стратегия управления мощностью на основе RL, в которой малые ячейки совместно оценивают средние показатели во времени и оптимизируют распределение вероятностей для управления помехами в сетях с малым числом пользователей и закрытым доступом. Более недавно в [13] предложена схема управления помехами на нисходящей линии на основе RL для ультроплотных систем малых ячеек, где базовая станция оптимизирует передаваемую мощность без знания состояния каналов соседних ячеек и подавляет межъячеечные помехи.

Насколько нам известно, все существующие методы сосредоточены на поиске оптимальной стратегии для связывания многоуровневых ячеек и управления мощностью передачи для контроля помех. Таким образом, предыдущие работы использовали ИИ на уровне управления, а мы впервые применяем ИИ для реального преобразования данных.

3. Слепой подход к подавлению помех с использованием нейронных сетей

Мы считаем, что проблему помех в широкополосной сотовой связи можно решить с помощью нейронных сетей. На этапе обучения сеть изучает сложное поведение широкополосных помех, используя обучающие данные. Обученная модель затем используется как модуль обработки сигналов в реальном времени во время передачи данных. Чтобы справиться с нагрузкой на вычислительные ресурсы и задержками, мы оптимизируем нейронную сеть для работы в реальном времени с помощью методов сжатия модели, таких как обрезка сети (network pruning) и грубая квантизация [14].

3.1 Приёмник с поддержкой нейронной сети

Наша концепция приёмника на основе глубокого обучения для беспроводной связи следующего поколения показана на рисунке 3. Вместо того чтобы полностью заменять традиционный DSP, мы дополняем его нейронными сетями в DSP-пайплайне для выполнения задач, которые обычный DSP выполняет плохо. К ним относятся компенсация ошибок широкополосного аналого-цифрового преобразователя (ADC) и подавление межъячеечных помех. В этой работе основное внимание будет уделено именно части подавления помех.

Рисунок 3: Приёмник с поддержкой ИИ для беспроводной связи следующего поколения. OFDM: ортогональное частотное разнесение; EQ: выравнивание канала; MLE: метод максимального правдоподобия; FEC: коррекция ошибок вперёд.

3.2 Сверточный LSTM-автоэнкодер

Помехи от неизвестного канала проявляются как случайный шум. Однако в отличие от физических шумов, таких как тепловой или дробовой, сигнал помехи не является полностью случайным, так как он принадлежит дискретной QAM-созвездности. Этот тонкий момент и является ключом, который позволяет обучить систему и устранять помехи вслепую. Среди множества архитектур нейросетей автоэнкодеры успешно применялись для шумоподавления изображений и речи [15; 16] и служат хорошей отправной точкой.

Для применения в беспроводной связи мы реализуем автоэнкодер со сверточными слоями и слоями LSTM [17] (долгая краткосрочная память), как показано на рисунке 4. Сеть принимает блок символов, искажённых помехами, и восстанавливает корректные символы сразу. Сверточные слои выполняют извлечение признаков, а LSTM-слои работают как автоэнкодер для удаления помех, похожих на шум. В качестве функции потерь используется среднеквадратичная ошибка (MSE) между восстановленным блоком символов и эталонным блоком.

Рисунок 4: Блок-схема нашей нейронной сети для подавления помех. Сеть состоит из LSTM-слоёв, расположенных между сверточными слоями в конфигурации автоэнкодера. Как показано ниже, такая архитектура очень эффективна для слепого подавления помех.

Таблица 1

Детали архитектуры сверточного LSTM-автоэнкодера

4. Результаты

Мы сгенерировали всего 1000 радиокадров в ходе моделирования. Каждый кадр состоит из 11 подкадров, каждый подкадр содержит 140 OFDM-символов, а каждый OFDM-символ — 180 поднесущих.

Из них 500 кадров использованы для обучения, 100 — для валидации, а оставшиеся 400 — для тестирования. Полоса пропускания составляет 3 МГц при шаге поднесущей 15 кГц, в качестве схемы модуляции используется 256QAM.

Результаты подавления помех показаны на рисунке 5. Из созвездной диаграммы символов с помехой на рис. 5(a) и восстановленных символов для того же кадра на рис. 5(b) видно, что символы сильно искажены помехами, а нейросеть хорошо справляется с их подавлением.

Также мы визуализируем и сравниваем распределение частоты ошибок символов (SER) для всех тестовых кадров до и после подавления помех (рис. 5(c)). Можно заметить, что и здесь достигается значительное улучшение. Средний SER для 400 тестовых кадров снижается с 0.37618 до 0.0003.

Рисунок 5: Нейросеть устраняет межсотовые помехи

(a) созвездная диаграмма символов с помехой, (b) созвездная диаграмма восстановленных символов, (c) распределение SER для 400 тестовых кадров без подавления помех, (d) описание данных.

5. Аппаратная реализация

В отличие от вычислений с плавающей точкой в программной симуляции, нейросеть, реализованная на FPGA или ASIC, должна работать по правилам фиксированной арифметики. Уже существует ряд работ по квантизации нейросетей как на этапе обучения, так и на этапе тестирования, чтобы обеспечить эффективное и точное выполнение вычислений исключительно с целочисленной арифметикой [18; 19]. Также были реализованы популярные архитектуры нейросетей, такие как сверточные сети (CNN) и рекуррентные сети (RNN), на FPGA [20; 21], что подтверждает реализуемость аппаратной реализации для предложенной нами архитектуры.

Большинство предыдущих работ были сосредоточены на задачах классификации, которые более устойчивы к ошибкам квантизации. Рассматриваемая здесь задача по сути является регрессионной и гораздо более чувствительна к таким ошибкам. Тем не менее, при аккуратно спроектированной фиксированной арифметике можно достичь работы с модуляцией QAM вплоть до 1024.

Кроме того, для приложений в области беспроводной связи критически важны задержка и энергопотребление. Наши предварительные результаты показывают, что нейросеть эффективно подавляет помехи и перекрестные наводки. Далее мы отвечаем на вопрос: может ли предложенная нейросеть быть реализована в аппаратуре с достаточно низкой задержкой и энергопотреблением.

Для реализации системы используется Xilinx FPGA RFSoC. Эта FPGA включает 8 АЦП с разрядностью 12 бит и скоростью 4 Гвыб/с. Таким образом, FPGA можно использовать напрямую, просто подключив выход фильтра против алиасинга к её аналоговому входу, а дальнейшую обработку выполнять уже на кристалле. Весь тракт обработки цифрового сигнала (DSP baseband) может быть реализован внутри FPGA.

Энергопотребление напрямую зависит от тактовой частоты, используемой для обработки. Работа нейросети добавляет примерно 200 тактов к задержке всего тракта. При тактовой частоте FPGA 200 МГц это даёт дополнительное энергопотребление около 1 Вт. Для реализации на ASIC энергопотребление будет значительно ниже и может быть ещё больше уменьшено за счёт компрессии модели. Задержка составит порядка 1 микросекунды, что пренебрежимо мало по сравнению с целевой задержкой в 1 мс для сетей 6G.

6. Заключение

В данной работе мы рассмотрели метод слепого подавления межсотовых помех на физическом уровне беспроводной связи с использованием глубокого обучения. Полученные результаты показывают, что автоэнкодерная архитектура, объединяющая сверточные и LSTM-слои, демонстрирует высокую эффективность. Оценка задержки и энергопотребления подтверждает возможность аппаратной реализации в системах связи будущих поколений. Наша работа указывает направление использования нейросетей в цепочке цифровой обработки сигналов (DSP) для повышения качества работы коммуникационных систем.

Список литературы:

1. Amitay N., Galindo V., Wu C. P. Theory and Analysis of Phased Array Antennas. – New York: Wiley-Interscience, 1972.
2. Rocca P., Oliveri G., Mailloux R. J., Massa A. Обзор нетрадиционных архитектур ФАР и методов их проектирования // Proc. IEEE. – 2016. – Т. 104, № 3. – С. 544–560.
3. Rocca P., Mailloux R., Toso G. Оптимизация расположения субрешеток для широкополосных ФАР с использованием ГА // IEEE Antennas Wirel. Propag. Lett. – 2014. – Т. 14. – С. 131–134.
4. Rocca P., Haupt R. L., Massa A. Снижение боковых лепестков путём управления фазой в равномерных субрешеточных решётках // IEEE Antennas Wirel. Propag. Lett. – 2009. – Т. 8. – С. 437–440.
5. Rocca P., Manica L., Massa A. Метод кластеризации на основе алгоритма муравьиной колонии для суммарно-разностного синтеза // IEEE Trans. Antennas Propag. – 2009. – Т. 57, № 8. – С. 2297–2306.
6. Haupt R. L. Antenna Arrays: A Computational Approach. – Chichester: Wiley, 2010.
7. Haupt R. L. Прореженные решётки на основе генетических алгоритмов // IEEE Trans. Antennas Propag. – 1994. – Т. 42, № 7. – С. 993–999.
8. Haupt R. L. Перекрёстные прореженные линейные решётки // IEEE Trans. Antennas Propag. – 2005. – Т. 53, № 9. – С. 2858–2864.
9. Trucco A., Murino V. Стохастическая оптимизация линейных разреженных решёток // IEEE J. Oceanic Eng. – 1999. – Т. 24, № 3. – С. 291–299.
10. Kim Y., Keely S., Ghosh J., Ling H. Применение ИНС к проектированию широкополосных антенн // IEEE Trans. Antennas Propag. – 2007. – Т. 55, № 3. – С. 669–674.
11. Ding X. и др. Моделирование СВЧ-компонентов с помощью ИНС и их оптимизация // IEEE Trans. Microwave Theory Tech. – 2004. – Т. 52, № 1. – С. 436–449.
12. Lee K.-C. ИНС и её производная в задаче рассеяния на антенне с нелинейной нагрузкой // IEEE Trans. Antennas Propag. – 2007. – Т. 55, № 3. – С. 990–993.
13. Liu J. и др. Проектирование СВЧ-ИМС с использованием нейросети на основе реляционного вывода // arXiv preprint arXiv:1901.02069, 2019.
14. Huang H. и др. Быстрая настройка диаграмм направленности на основе глубокого обучения // IEEE Trans. Veh. Technol. – 2020. – Т. 69, № 1. – С. 1065–1069.
15. Lin T., Zhu Y. Проектирование диаграмм направленности для больших антенн с помощью глубокого обучения // IEEE Wirel. Commun. Lett. – 2020. – Т. 9. – С. 103–107.
16. Komeylian S. Моделирование различных антенн с помощью глубоких нейросетей // IEEE Can. J. Electr. Comput. Eng. – 2021. – Т. 44, № 3. – С. 261–274.
17. Yang X. и др. Синтез линейных разреженных решёток на основе глубокого обучения // IEEE Trans. Antennas Propag. – 2023. – Т. 71, № 8. – С. 6513–6522.
18. Maman L., Zach S., Boag A. Расширение диаграммы направленности методом фазового кодирования // Proc. EuCAP 2023. – С. 1–3.
19. Maman L., Zach S., Boag A. Расширение диаграммы направленности фазовым спадом в широкополосных ФАР // Proc. COMCAS 2021, Тель-Авив, Израиль.
20. Maman L., Zach S., Boag A. То же // Proc. COMCAS 2023, Тель-Авив, Израиль.
21. Maman L., Zach S., Boag A. Формирование ДН фазовым кодированием для передающих антенн в РЛС // IEEE Open J. Antennas Propag. – Early Access, 2025.
22. Boag A. и др. Подавление решёточных лепестков в УШП антеннах // Proc. ICEAA 2018. – С. 85–86.
23. Baldi P. Глубокое обучение в науке. – Кембридж: Cambridge Univ. Press, 2021.
24. Scarselli F., Tsoi A. C. Универсальное приближение с помощью прямых ИНС: обзор и новые результаты // Neural Netw. – 1998. – Т. 11, № 1. – С. 15–37.
25. Patel Y. Обучение ИНС с недифференцируемыми функциями потерь // arXiv preprint arXiv:2305.02024, 2023.
26. DeVore R., Hanin B., Petrova G. Приближение нейросетями // Acta Numerica. – 2021. – Т. 30. – С. 327–444.
27. Lee J. и др. Set Transformer: внимание-инвариантная к перестановкам нейросеть для обработки множеств // Proc. ICML. – 2019. – Т. 97. – С. 3744–3753.
28. Hertel L. и др. Sherpa: надёжная оптимизация гиперпараметров для ИИ // SoftwareX. – 2020.
29. Paszke A. и др. PyTorch: высокопроизводительная библиотека глубокого обучения // NeurIPS. – 2019. – Т. 32.
30. Paszke A. и др. Автоматическое дифференцирование в PyTorch // NeurIPS ML Systems Workshop, 2017.
31. Kingma D. P., Ba J. Метод оптимизации Adam // arXiv preprint arXiv:1412.6980, 2014.