Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Sende-/Empfangssysteme basierend auf neuronalen Netzen, die nach dem Autoencoder-Prinzip über eine gesamte Ende-zu-Ende Verbindung eingelernt werden

Fachliche Zuordnung Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
Förderung Förderung von 2018 bis 2022
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 402834551
 
Erstellungsjahr 2022

Zusammenfassung der Projektergebnisse

Als dieses Projekt 2018 startete, war die Idee trainierbare Komponenten in Kommunikationssysteme einzubauen sehr vielversprechend und es eröffnete sich ein völlig neues Forschungsfeld. Die Vision von Ende-zu-Ende-gelernten Autoencoder-basierten Kommunikationssystemen war bereits formuliert, aber eine praktische Implementierung eines solchen Systems, das herkömmliche Systeme in jeder Hinsicht übertrifft, gab es noch nicht. Somit steckte das Konzept der Autoencoder-basierten Systeme noch in den Kinderschuhen. In diesem Projekt haben wir uns zunächst auf die Synchronisationsprobleme konzentriert, die in früheren Arbeiten eines der groten Hindernisse darstellten. Die Idee war, Probleme aufgrund von Timing-Offsets zu losen, um die Gewinne, die wir bereits auf simulierten Kanälen gesehen haben, auch messen zu küonnen. Dies geschah durch die Einbettung des Autoencoder-Systems in eine konventionelle OFDM-Struktur, welche die meisten Synchronisationsprobleme löste und Kanaländerungen auf eine Single-Tap-Entzerrung reduzierte. Ein weiterer vielversprechender Ansatz bestand darin, das Autoencoder-System mit einem äußeren FEC-Code zu erweitern. Daraus entstand die Idee, erfolgreich dekodierte Codewörter für das Feintraining eines NN-basierten Empfängers zu verwenden, welche auch patentiert wurde. Zu Beginn dieses Projekts und entsprechend den Zielen von WP1 wurden auch Themen in einem breiteren Spektrum des Bereichs des tiefen Lernens (Deep Learning) für Übertragungstechnik untersucht. Dazu gehörten Untersuchungen zu den Fähigkeiten rekurrenter NNs am Beispiel der Dekodierung von Faltungscodes, die Verwendung von CSI-Daten, welche in MIMO-Systemen anfallen, um mit einem NN die Position des Senders zu ermitteln, und Deep-Learning-basiertes Polarcode-Design. Eine der wichtigsten Erkenntnisse dieses Projekts war die Notwendigkeit von einem symbolweisen Autoencoder, der eine Informationsnachricht als Ganzes kodiert und dekodiert, zu einem bitweisen Autoencoder zu wechseln, welcher einen Bitvektor kodiert und dekodiert, während er gleichzeitig ein Bit-Labeling-Schema erlernt. Diese Änderung war nur durch die Entwicklung geeigneter Trainingsstrategien möglich und ist der Schlüssel dazu, dass sich das Autoencodersystem in ein BICM-System integrieren lässt und optimal mit dem äußeren BMD zusammenarbeiten kann. Im Zuge dessen haben wir auch eine IDD-Autoencoder-Struktur vorgeschlagen, die es erlaubt, noch mehr Informationen aus der gelernten Signalisierung zurückzugewinnen, und wir haben vorgeschlagen, den äußeren LDPC-Code ebenfalls speziell für die gelernte Signalisierung des Autoencoders zu entwerfen. Dank dieser Verbesserungen konnten wir signifikante Gewinne durch geometrische Optimierung der Konstellationspunkte beobachten, die (basierend auf dem Autoencoder-Konzept) theoretisch über jede Art von Kanal erzielt werden können. Und waährend frühe Implementierungen eines Autoencoderbasierten Kommunikationssystems nicht in der Lage waren konventionelle Systeme zu übertreffen, konnten wir nun mit dem BICM Autoencoder deutlich bessere BERs im Vergleich zu konventionellen Modulationsverfahren messen. Zum Abschluss des Projekts haben wir uns mit dem Problem des fehlenden Kanalgradienten befasst, d. h. dem Fehlen eines Gradienten durch einen tatsächlich gemessenen Kanal, welches ein SGD-basiertes Training des Senders verhindert. Zu diesem Zweck schlugen wir vor, den Kanal mit einem Wasserstein GAN nachzubilden und dann in einem zweiten Schritt den Autoencoder Ende-zu-Ende zu trainieren, während der Generator des WGAN als differenzierbares Kanalmodell verwendet wird. Wir haben auch eine neuartige TurboAutoencoder-Architektur untersucht, die es einem Autoencoder-System erlaubt, k >> 16 Bits in einer einzigen Nachricht zu kodieren und dadurch den curse of dimensionality zu umgehen. Kurz zusammengefasst lag der Schwerpunkt dieses Projekts auf der Untersuchung des Potenzials von Autoencoder-basierten Kommunikationssystemen und Deep Learning für die physikalische Ebene (PHY layer) im Allgemeinen.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2024 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung