Magnitude Modulated Signals Detection with Neural Networks

Abstract

O crescimento exponencial dos algoritmos de Aprendizagem Profunda (Deep Learning) atrai a atenção das mais variadas áreas, reforçado pelo facto de serem aplicáveis em quase todos os casos de uso imagináveis, facultando soluções de forma relativamente rápida e com uma abstração cada vez mais desejável num mundo que urge de soluções confiáveis e com apenas dois requisitos principais: grandes quantidades de dados e poder computacional. A área das telecomunicações não é indiferente, procurando soluções para novos problemas ou otimizações para problemas já existentes. Um exemplo disto é o compromisso estabelecido pela técnica Modulação de Magnitude (MM). À medida que as aplicações atuais se tornam cada vez mais exigentes, com taxas de débito cada vez mais altas e, consequentemente, crescentes eficiências espetrais, o uso de filtros Root-Raised Cosine (RRC) com baixo roll-off e constelações de ordens cada vez mais elevadas tornaram-se fulcrais. Contudo, isto leva ao aumento indesejado do rácio entre a potência de pico e a potência média dos sinais, o que diminui drasticamente a eficiência dos amplificadores de potência. A MM foi então uma das técnicas propostas para resolver este problema, permitindo um aumento da eficiência de transmissão. No entanto, prejudica o desempenho do desmodulador, estabelecendo o compromisso já mencionado.Os desmoduladores tradicionais veem o seu trabalho dificultado quando na presença de símbolos modulados em magnitude e transmitidos por canais ruídosos. Desta forma, nesta tese, diferentes modelos de DL foram desenvolvidos e testados individualmente, assim como a sua combinação, com o objetivo de atenuar o efeito da MM na desmodulação de símbolos para a modulação 4-QAM aquando da transmissão num canal AWGN. Os modelos foram projetados sempre com a premissa de os manter o mais simples possível e com baixo peso computacional. Os três modelos base construídos acentam nas seguintes redes neuronais: Feed-Forward Neural Network (FFNN), Convolutional Neural Network (CNN) e Bidirectional Long Short-Term Memory (BLSTM). O rácio Eb/N0 mais apropriado para o treino dos modelos foi estudado, assim como o tamanho da janela de símbolos a considerar.Por conseguinte, esta tese apresenta um novo desmodulador baseado em modelos com redes neuronais profundas, capaz de mitigar o efeito da modulação de magnitude em símbolos de constelações 4-QAM e transmitidos em canais AWGN. É ainda deixada a possibilidade de melhorar os resultados através da utilização de um sistema com modelos complementares.

The exponential growth of Deep Learning (DL) algorithms draws the attention of the most wide variety of areas as they prove to be applicable in almost every use case imaginable, giving solutions relatively fast, with a desirable abstraction in a world thirsty for reliable solutions and with only two requirements: huge quantities of data and computational power. The telecommunications area is no different, reaching for answers to new problems or optimizations for already existing ones. An example of this is the tradeoff made by the Magnitude Modulation (MM) technique. As current applications become more and more demanding, with increasingly higher data rates and consequently higher spectral efficiencies, Root-Raised Cosine (RRC) filters with a low roll-off and high order constellations have become preponderant. With this, an undesirable increase in the signal’s Peak-to-Average Power Ratio (PAPR) occurred, which has harmed the Power Amplifier (PA) efficiency. The MM was then one of the techniques that solved this problem. However, it undermined the demodulator, establishing the already mentioned compromise.Traditional demodulators perform worst when subjected to magnitude modulated and noisy symbols. Hence, in this thesis, different single DL models were developed and tested, as well as multi-model systems, aiming to attenuate the effect of MM at 4-QAM symbols when transmitted through an Additive White Gaussian Noise (AWGN) channel. The models were thought always trying to keep the simplicity high and computational expensiveness low. Thus, three base models were built based on the following Neural Networks (NN): Feed-Forward Neural Network (FFNN), Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BLSTM). The most suited Eb/N0 ratio for training was studied, just as the symbol’s window length to consider.Hence, this thesis presents a new demodulator based on deep neural networks models, capable of mitigate the MM effect at 4-QAM symbols, transmitted through an AWGN channel. Furthermore, it leaves the possibility of taking the results even further via a multimodel system.