Neural Network Decoders for 5G Physical Uplink Shared Channel Control Information

Abstract

Expectations and requirements set for the 5G New Radio are on the level never seen before. To accomplish these requirements without increasing the hardware resources exponentially, efficient algorithms have risen to a key role. The objective of this thesis is to develop a neural network-based solution for decoding uplink control information in physical uplink shared channel and compare the decoding accuracy to conventional threshold-based methods.

Relevant data is simulated using Matlab based link-level simulator. The diversified and massive dataset is generated using three different modulation types with a wide range of signal-to-noise ratio values. This data is used for creating two different neural network models for two different input types by utilizing the Python programming language and Keras machine learning library. The decoding accuracies of the neural network models are compared to the decoding accuracies of conventional methods by using three different metrics specified by 3GPP.

Achieved results indicate that both neural models can outperform conventional methods in certain situations. The total amount of decoding errors was approximately 30 % less with a neural network-based solution. During the implementation, the new promising input data preprocessing method was found. This method enables the models to achieve significant improvement in decoding accuracy. Also, the method enables models to generalize by performing the decoding regardless of the varying input data size and signal-to-noise ratio value.

Viidennen sukupuolven langattomaan verkkoteknologiaan 5G:hen kohdistuu aiempaa suurempia vaatimuksia ja odotuksia. Vaatimusten täyttäminen lisäämättä kuitenkaan merkittävästi fyysisten laiteresurssien käyttöä edellyttää suorituskykyisten algoritmien käyttöönottoa. Tämän diplomityön tavoitteena on kehittää neuroverkkoon perustuva ratkaisu fyysisen nousevan siirtotien jaetun kanavan kontrolli-informaation dekoodamiseen ja vertailla tuloksia perinteisiin kynnysarvoihin perustuviin menetelmiin.

Toteutusta varten oleellinen data tuotettiin linkkitason simulaattorin avulla Matlab-ympäristössä. Monipuolinen ja laaja datasetti tuotettiin käyttäen kolmea eri modulaatiotyyppiä sekä laajaa signaali-kohinasudetta. Dataa käytettiin kahden erilaisen neuroverkkodekooderin toteuttamiseen kahdelle syötearvotyypille. Toteutukseen hyödynnettiin Python-ohjelmointikieltä sekä Keras-koneoppimiskirjastoa. Neuroverkkomallien dekoodaamistarkkuutta vertaillaan diplomityössä perinteisiin menetelmiin käyttäen kolmea 3GPP:n määrittelemää suorituskykyarvoa.

Tulokset osoittavat, että molemmat neuroverkkomallit kykenevät suoriutumaan dekoodaamisesta paremmin kuin perinteiset metodit tietyissä tilanteissa. Dekoodaamisvirheiden kokonaismäärä oli keskimäärin noin 30 % pienempi neuroverkkoon perustuvalla ratkaisulla. Neuroverkkototeutuksen yhteydessä kehitettiin uudenlainen lupaava datan esikäsittelymenetelmä, joka mahdollistaa huomattavasti paremman dekoodaamistarkkuuden ja mallin yleistymisen vaihtelevan mittaisille ja laajan signaali-kohinasuhteen syötearvoille.